Erklärbare LSTM-AdamW-basierte Fehlerdiagnose von rotierenden Flugzeugkomponenten mittels luftgetragenen akustischen Signalen unter dynamischen Betriebsbedingungen

Auf Fehlersuche im Klang von Flugtriebwerken

Moderne Flugzeuge beruhen auf rotierenden Bauteilen, die bei hoher Drehzahl und wechselnden Lasten fehlerfrei arbeiten müssen. Anstatt auf einen Ausfall zu warten, versuchen Ingenieure zunehmend, frühe Anzeichen von Problemen in den Geräuschen dieser Maschinen „herauszuhören“. Diese Studie zeigt, wie ein neuartiges Hörsystem, das auf fortgeschrittener, aber erklärbarer künstlicher Intelligenz beruht, subtile Fehler an rotierenden Komponenten allein mithilfe von Luftschall erkennen kann — selbst wenn die Motordrehzahl ständig variiert.

Warum die Geräusche von Maschinen wichtig sind

Rotierende Teile wie Lager, Wellen und Scheiben erzeugen charakteristische Schallmuster während des Drehens. Wenn Risse entstehen oder Oberflächen sich abnutzen, verändert sich der Klang in kurzen, scharfen Impulsen, die das menschliche Ohr meist nicht vom Hintergrundrauschen unterscheiden kann. Traditionelle Überwachungsmethoden stützen sich oft auf Kontakt-Sensoren, die an der Maschine befestigt werden, oder auf einfache Schwellenwerte, die am besten funktionieren, wenn die Maschine mit konstanter Drehzahl läuft. In realen Flugzeugen beschleunigen und verzögern die Triebwerke jedoch und unterliegen variierenden Lasten, wodurch der Schall stark unregelmäßig und verrauscht wird. Diese Komplexität hat die Zuverlässigkeit älterer Diagnoseverfahren eingeschränkt und den Bedarf an intelligenten Werkzeugen geschaffen, die mit realen Betriebsbedingungen umgehen können.

Ein neuronales Netz darauf trainieren, Fehler zu hören

Die Forschenden bauten ein Hörsystem um ein Long-Short-Term-Memory-(LSTM)-Netzwerk auf, eine Form neuronaler Netze, die für Zeitreihendaten ausgelegt ist. Sie trainierten und testeten es mit öffentlich verfügbaren Aufnahmen von einem Laborprüfstand mit Wälzlagern, die entweder gesund waren oder Defekte an Innenring, Außenring oder Wälzkörpern aufwiesen. Es standen nur vier 12-Sekunden-Audioclips zur Verfügung, jeweils mit hoher Abtastrate, während die Wellendrehzahl im Zeitverlauf variierte. Um diese begrenzten Daten optimal zu nutzen, schnitt das Team die Aufnahmen in tausende kurze, nicht überlappende Ton-Snippets von jeweils etwa 0,02 Sekunden und stellte sicher, dass Trainings- und Testsnippets aus vollständig unterschiedlichen Aufnahmen stammten, um versteckte Informationslecks zu vermeiden.

Den besten Lernweg aus Ton finden

Um zu prüfen, ob das LSTM tatsächlich einen Vorteil bietet, verglichen die Autoren drei rekurrente Modelle nebeneinander: ein einfaches rekurrentes neuronales Netz, eine Gated Recurrent Unit (GRU) und ihr LSTM, das mit einer modernen Optimierungsmethode namens AdamW abgestimmt wurde. Alle drei Modelle erhielten exakt dieselben Eingabe-Snippets und wurden unter identischen Bedingungen trainiert. Die LSTM–AdamW-Kombination hob sich deutlich ab: Sie erreichte etwa 99,3 Prozent Genauigkeit und denselben makro-durchschnittlichen F1-Wert, ein strengeres Maß, das die Leistung über alle vier Klassen ausgleicht. Die GRU schnitt gut, aber etwas schlechter ab, während das einfache rekurrente Netz sowohl Overfitting auf die Trainingsdaten zeigte als auch bestimmte Fehlertypen verwechselte. Zusätzliche Tests zeigten, dass das LSTM-Modell seine starke Leistung beibehielt, selbst wenn es auf einem Drehzahlprofil trainiert und auf einem anderen, dynamischeren ausgewertet wurde — ein wichtiges Zeichen für Robustheit.

Die Black Box von KI-Entscheidungen öffnen

Da die Flugsicherheit mehr als rohe Genauigkeit verlangt, konzentrierte sich das Team außerdem darauf, die Entscheidungen des Modells verständlich zu machen. Sie wandten zwei erklärbare-KI-Techniken an: LIME, das einzelne Vorhersagen erklärt, und SHAP, das die Merkmalsbedeutung über viele Fälle zusammenfasst. Beide Methoden wiesen auf kurze, lokalisierte Impulse innerhalb der Ton-Snippets als die einflussreichsten Bereiche für die Klassifikation hin. Mit anderen Worten: Das Netz stützte sich nicht auf beliebiges Rauschen, sondern auf kurzzeitige, hochwirksame Ereignisse, die bekannten physikalischen Verhaltensweisen beschädigter Lager entsprechen, wie z. B. Stöße und Mikro-Rutschen. Ein statistisches Werkzeug, das Taylor-Diagramm, zeigte zusätzlich, dass die Modelloutputs die zeitliche Struktur der Referenzsignale eng nachverfolgen, was untermauert, dass es sinnvolle Muster lernt und nicht bloß zufällige Korrelationen.

Vom Laborprüfstand zum Cockpit

Obwohl die Studie kontrollierte Labor-Daten verwendete, ist das vorgeschlagene Framework so konzipiert, dass es kompakt und schnell genug für eingebettete Hardware ist, mit Inferenzzeiten, die für nahezu Echtzeit-Überwachung geeignet sind. Die Abhängigkeit von luftgetragenem Schall erleichtert Nachrüstungen im Vergleich zu Kontakt-Sensoren, und die Erklärbarkeitswerkzeuge helfen Ingenieuren, KI-Entscheidungen auf physikalische Fehlermechanismen zurückzuführen. Die Autoren weisen darauf hin, dass echte Flugbetriebsumgebungen mehr Rauschen und Komplexität hinzufügen werden, und planen zukünftige Arbeiten mit realen In-flight-Daten und mehreren Sensortypen. Dennoch deuten ihre Ergebnisse darauf hin, dass sorgfältig entworfene, erklärbare neuronale Netze gewöhnlichen Schall in ein leistungsfähiges Frühwarnsystem für den Flugzeugzustand verwandeln können und Probleme an rotierenden Komponenten lange bevor sie gefährlich werden erkennen.

Zitation: Özüpak, Y., Aslan, E. & Zaitsev, I. Explainable LSTM-AdamW based fault diagnosis of aircraft rotating components using airborne acoustic signals under dynamic operating conditions. Sci Rep 16, 11449 (2026). https://doi.org/10.1038/s41598-026-41889-2

Schlüsselwörter: Überwachung des Flugzeugzustands, akustische Fehlererkennung, Lagertdiagnostik, erklärbare KI, Deep Learning