Análisis de entropía multiescala de la emisión acústica para la clasificación de la severidad de fallos en cajas de engranajes

Por qué escuchar a las máquinas puede prevenir averías

Desde aerogeneradores hasta transportadores industriales, las cajas de engranajes mantienen silenciosamente el funcionamiento de la industria, hasta que una grieta oculta o un diente desgastado detienen todo de golpe. Este estudio muestra cómo "escuchar" los sonidos diminutos y de alta frecuencia dentro de una caja de engranajes, y analizarlos de forma inteligente, puede revelar no solo si algo falla, sino cuán grave es el daño. Ese nivel de detalle es crucial para planificar reparaciones antes de que las fallas se vuelvan costosas o peligrosas.

De las vibraciones simples a las pistas acústicas sutiles

La mayoría de los sistemas de monitorización de condición se basan en sensores de vibración, que funcionan bien cuando el fallo ya está bastante avanzado. Pero los primeros signos de problema suelen aparecer como ráfagas de emisión acústica muy breves y de alta frecuencia: diminutas ondas sonoras producidas cuando las superficies rozan, se agrietan o astillan. Estas señales contienen información rica, pero son extremadamente rápidas, complejas y ruidosas, lo que dificulta su interpretación directa. Los enfoques tradicionales de aprendizaje profundo pueden aprender de estos datos, pero tienden a comportarse como cajas negras y requieren mucha potencia computacional y ejemplos etiquetados, lo que los hace menos prácticos para el uso industrial cotidiano.

Medir la "irregularidad" de la señal a través de múltiples escalas temporales

Los autores, en cambio, se centran en una familia de medidas conocidas como entropía, que en este contexto describe cuán impredecible o irregular es una señal. En lugar de observar solo las amplitudes crudas, calculan 16 características basadas en entropía que capturan cómo se distribuyen la energía y el contenido en frecuencia a lo largo del tiempo. De forma crucial, hacen esto en múltiples escalas temporales, de fina a gruesa, usando tres técnicas relacionadas: Entropía Multiescala Compuesta (CMSE), Entropía Multiescala Jerárquica (HMSE) y un método combinado llamado Entropía Multiescala Jerárquica Compuesta (CHMSE). Al ver los mismos datos de emisión acústica a través de esta lente multiescala, pueden extraer patrones que son invisibles en una sola instantánea pero que cambian de forma sistemática a medida que progresa el daño del engranaje.

Una prueba muy controlada del daño y la severidad en engranajes

Para poner estas ideas a prueba, el equipo construyó un banco de ensayos con engranajes rectos impulsado por un motor de 2 caballos y colocó un sensor especializado de emisión acústica en la carcasa de la caja de engranajes. Luego crearon cuatro tipos realistas de daño en los engranajes: picado (pitting), dientes rotos, grietas en la raíz y desgaste por fricción (scuffing), cada uno en nueve niveles de severidad distintos, además de una condición sana. Para tres velocidades distintas y tres niveles de carga, registraron ráfagas de sonido de tres segundos a un millón de muestras por segundo, obteniendo 1.215 registros de señal. De cada registro extrajeron sus características de entropía y las introdujeron en modelos clásicos de aprendizaje automático como bosques aleatorios, máquinas de vectores de soporte y redes neuronales, repitiendo el entrenamiento y la prueba muchas veces para asegurar la solidez estadística de los resultados.

Viendo dentro de la "caja negra" de la clasificación de fallos

Entre todas las combinaciones probadas, el emparejamiento de las características CHMSE con modelos de bosque aleatorio obtuvo el mejor rendimiento. Para varios tipos de fallo, esta configuración identificó correctamente el nivel exacto de severidad más del 99% de las veces; incluso en los casos más difíciles, la precisión se mantuvo por encima de aproximadamente el 97%. El estudio también comparó estas características de entropía con descriptores estadísticos más familiares —como la media, la varianza y el valor pico— y encontró que la entropía proporcionó una ganancia constante del 1–4% en precisión. Para hacer las decisiones comprensibles para los ingenieros, los autores aplicaron SHAP, una técnica moderna de explicabilidad, que ordena qué características importan más en cada predicción. Reveló que ciertas medidas de entropía generalizada (Rényi y Tsallis), junto con la energía logarítmica y la entropía basada en umbrales, son especialmente potentes para distinguir defectos pequeños y tempranos de daños avanzados en los cuatro tipos de fallo.

Qué significa esto para el mantenimiento en el mundo real

En términos prácticos, el trabajo muestra que un único sensor acústico bien colocado, combinado con un análisis multiescala de entropía bien pensado, puede actuar como un estetoscopio y un análisis de sangre a la vez para cajas de engranajes industriales. En lugar de limitarse a señalar que "algo está mal", el sistema puede estimar en qué fase se encuentra cada tipo de daño, dando a los equipos de mantenimiento tiempo para planificar reparaciones y evitar fallos catastróficos. Porque las características de entropía elegidas son mucho más baratas de calcular que muchas alternativas de aprendizaje profundo, el enfoque es práctico para la monitorización rutinaria con hardware estándar. Con validaciones adicionales en cajas de engranajes de fábricas reales, tales métodos podrían convertirse en una piedra angular del mantenimiento predictivo, extendiendo la vida útil del equipo y reduciendo el tiempo de inactividad no planificado.

Cita: Sánchez, RV., Liu, Y., Qin, H. et al. Multi-scale entropy analysis of acoustic emission for gearbox fault severity classification. Sci Rep 16, 7279 (2026). https://doi.org/10.1038/s41598-026-37858-4

Palabras clave: monitorización del estado de cajas de engranajes, emisión acústica, clasificación de severidad de fallos, entropía multiescala, mantenimiento predictivo