Diagnóstico explicable de fallos en componentes giratorios de aeronaves basado en LSTM-AdamW utilizando señales acústicas aéreas bajo condiciones dinámicas de operación

Escuchar problemas en los motores de las aeronaves

Las aeronaves modernas dependen de piezas giratorias que deben funcionar perfectamente a alta velocidad y bajo cargas cambiantes. En lugar de esperar a que una pieza falle, los ingenieros recurren cada vez más a “escuchar” las señales tempranas de problemas en los sonidos que emiten estas máquinas. Este estudio muestra cómo un nuevo tipo de sistema de escucha, basado en inteligencia artificial avanzada pero explicable, puede detectar fallos sutiles en componentes giratorios usando solo el sonido aéreo, incluso cuando la velocidad del motor está cambiando constantemente.

Por qué importan los sonidos de las máquinas

Las partes giratorias, como rodamientos, ejes y discos, generan patrones sonoros característicos al girar. Cuando empiezan a formarse grietas o las superficies comienzan a desgastarse, el sonido cambia en estallidos cortos y agudos que el oído humano suele no distinguir del ruido de fondo. Los métodos de monitorización tradicionales suelen depender de sensores de contacto atornillados a la máquina o de umbrales simples que funcionan mejor cuando la máquina gira a velocidad constante. En las aeronaves reales, sin embargo, los motores aceleran, desaceleran y soportan cargas variables, lo que hace que el sonido sea muy irregular y ruidoso. Esa complejidad ha limitado la fiabilidad de los métodos de diagnóstico antiguos y ha creado la necesidad de herramientas inteligentes que puedan afrontar condiciones del mundo real.

Enseñar a una red neuronal a oír fallos

Los investigadores construyeron un sistema de escucha alrededor de una red LSTM (long short-term memory), un tipo de red neuronal diseñada para manejar datos temporales. La entrenaron y evaluaron con grabaciones de acceso público procedentes de un banco de pruebas de laboratorio con rodamientos rodantes que estaban sanos o presentaban defectos en la pista interior, pista exterior o en los elementos rodantes. Solo había disponibles cuatro clips de audio de 12 segundos cada uno, muestreados a alta frecuencia mientras la velocidad del eje variaba en el tiempo. Para aprovechar al máximo estos datos limitados, el equipo fragmentó las grabaciones en miles de fragmentos sonoros cortos y no solapados, de unos 0,02 segundos cada uno, y se aseguró de que los fragmentos de entrenamiento y de prueba procedieran de grabaciones completamente distintas para evitar filtraciones de información ocultas.

Encontrar la mejor forma de aprender del sonido

Para comprobar si la LSTM ofrecía realmente una ventaja, los autores compararon tres modelos recurrentes en paralelo: una red neuronal recurrente básica, una unidad recurrente con compuertas (GRU) y su LSTM afinada con un método de optimización moderno llamado AdamW. Los tres modelos recibieron exactamente los mismos fragmentos de entrada y se entrenaron bajo ajustes idénticos. La combinación LSTM–AdamW destacó claramente: alcanzó alrededor de un 99,3 por ciento de precisión y el mismo valor de F1 macro-promediado, una medida más estricta que equilibra el rendimiento entre las cuatro clases. La GRU rindió bien pero algo peor, mientras que la red recurrente básica sobreajustó los datos de entrenamiento y confundió ciertos tipos de fallo. Pruebas adicionales mostraron que el modelo LSTM mantuvo un rendimiento sólido incluso cuando se entrenó con un perfil de velocidad y se evaluó con otro más dinámico, una señal importante de robustez.

Abrir la caja negra de las decisiones de la IA

Dado que la seguridad aeronáutica exige más que la mera precisión, el equipo también se centró en hacer comprensibles las decisiones del modelo. Aplicaron dos técnicas de IA explicable: LIME, que explica predicciones individuales, y SHAP, que resume la importancia de las características en muchos casos. Ambos métodos señalaron a estallidos breves y localizados dentro de los fragmentos sonoros como las regiones más influyentes para la clasificación. En otras palabras, la red no se apoyaba en ruido arbitrario sino en eventos breves y de alto impacto que coinciden con comportamientos físicos conocidos de rodamientos dañados, como impactos y microdeslizamientos. Una herramienta estadística llamada diagrama de Taylor mostró además que las salidas del modelo siguen de cerca la estructura temporal de las señales de referencia, lo que refuerza que está aprendiendo patrones significativos en lugar de correlaciones espurias.

Del banco de pruebas a la cabina de vuelo

Aunque el estudio utilizó datos de laboratorio controlados, el marco propuesto está diseñado para ser compacto y lo suficientemente rápido para hardware embebido, con tiempos de inferencia compatibles con la monitorización casi en tiempo real. Su dependencia del sonido aéreo facilita el retrofit en comparación con los sensores de contacto, y sus herramientas de explicabilidad ayudan a los ingenieros a relacionar las decisiones de la IA con mecanismos físicos de fallo. Los autores señalan que los entornos de vuelo reales añadirán más ruido y complejidad, y planean trabajos futuros con datos reales en vuelo y múltiples tipos de sensores. Aun así, sus resultados sugieren que redes neuronales explicables y cuidadosamente diseñadas pueden convertir el sonido ordinario en una poderosa herramienta de alerta temprana para la salud de las aeronaves, detectando problemas en componentes giratorios mucho antes de que se vuelvan peligrosos.

Cita: 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

Palabras clave: monitorización de la salud de aeronaves, detección acústica de fallos, diagnóstico de rodamientos, IA explicable, aprendizaje profundo