Analyse d'entropie multi-échelle des émissions acoustiques pour la classification de la sévérité des défauts de boîte de vitesses

Pourquoi écouter les machines peut prévenir les pannes

Des éoliennes aux convoyeurs d'usine, les boîtes de vitesses font tourner l'industrie en silence — jusqu'à ce qu'une fissure cachée ou une dent usée arrête soudainement tout. Cette étude montre comment « écouter » les sons très brefs et haute fréquence à l'intérieur d'une boîte de vitesses, puis les analyser de façon astucieuse, permet de révéler non seulement si quelque chose ne va pas, mais aussi l'ampleur des dégâts. Ce niveau de détail est crucial pour planifier des réparations avant que les défaillances ne deviennent coûteuses ou dangereuses.

Des vibrations simples aux indices acoustiques subtils

La plupart des systèmes de surveillance d'état reposent sur des capteurs de vibration, efficaces une fois qu'un défaut est déjà bien avancé. Mais les premiers signes de problème apparaissent souvent sous forme d'impulsions d'émission acoustique très brèves et haute fréquence — de minuscules ondes sonores produites lorsque des surfaces frottent, se fissurent ou s'écaillent. Ces signaux contiennent une riche information, mais ils sont extrêmement rapides, complexes et bruités, ce qui les rend difficiles à interpréter directement. Les approches classiques d'apprentissage profond peuvent apprendre à partir de ces données, mais elles fonctionnent souvent comme des boîtes noires et exigent de fortes ressources de calcul et de nombreux exemples étiquetés, ce qui les rend moins pratiques pour un usage industriel courant.

Mesurer l’« irrégularité » du signal à de nombreuses échelles temporelles

Les auteurs se concentrent plutôt sur une famille de mesures connues sous le nom d'entropie, qui, dans ce contexte, décrit à quel point un signal est imprévisible ou irrégulier. Plutôt que d'examiner uniquement les amplitudes brutes, ils calculent 16 caractéristiques différentes basées sur l'entropie qui captent la manière dont l'énergie et le contenu en fréquence se répartissent dans le temps. De façon cruciale, ils procèdent à ces calculs à plusieurs échelles temporelles, de la plus fine à la plus grossière, en utilisant trois techniques apparentées : l'entropie composite multi-échelle (CMSE), l'entropie hiérarchique multi-échelle (HMSE) et une méthode combinée appelée entropie composite hiérarchique multi-échelle (CHMSE). En observant les mêmes données d'émission acoustique à travers cette fenêtre multi-échelle, ils parviennent à détecter des motifs invisibles sur une seule échelle mais qui évoluent de manière systématique à mesure que l'endommagement des dentures progresse.

Un test très contrôlé des dommages et de leur sévérité

Pour mettre ces idées à l'épreuve, l'équipe a construit un banc d'essai à pignon droit avec un moteur de 2 chevaux et a installé un capteur d'émission acoustique spécialisé sur le carter de la boîte. Ils ont ensuite reproduit quatre types réalistes de dommages dentaires — piqûres, dents cassées, fissures à la racine et éraillures — chacun à neuf niveaux de sévérité distincts, en plus d'un état sain. Pour trois vitesses et trois charges différentes, ils ont enregistré des rafales sonores de trois secondes à un million d'échantillons par seconde, obtenant au total 1 215 enregistrements. À partir de chaque enregistrement, ils ont extrait leurs caractéristiques d'entropie et les ont fournies à des modèles classiques d'apprentissage automatique tels que forêts aléatoires, machines à vecteurs de support et réseaux neuronaux, répétant l'entraînement et les tests de nombreuses fois pour garantir la robustesse statistique des résultats.

Voir à l'intérieur de la « boîte noire » de la classification des défauts

Parmi toutes les combinaisons testées, l'association des caractéristiques CHMSE avec des forêts aléatoires a donné les meilleures performances. Pour plusieurs types de défauts, cette configuration a identifié correctement le niveau exact de sévérité plus de 99 % du temps ; même dans les cas les plus difficiles, la précision est restée supérieure à environ 97 %. L'étude a également comparé ces caractéristiques d'entropie à des descripteurs statistiques plus familiers — comme la moyenne, la variance et la valeur de crête — et a constaté que l'entropie offrait un gain de précision constant de 1 à 4 %. Pour rendre les décisions compréhensibles aux ingénieurs, les auteurs ont appliqué SHAP, une technique moderne d'explicabilité, qui classe l'importance des caractéristiques pour chaque prédiction. Cela a révélé que certaines mesures d'entropie généralisées (Rényi et Tsallis), ainsi que l'énergie logarithmique et l'entropie basée sur un seuil, sont particulièrement puissantes pour distinguer de petits défauts précoces de dommages avancés pour les quatre types de défauts.

Ce que cela signifie pour la maintenance en conditions réelles

Concrètement, ce travail montre qu'un seul capteur acoustique bien placé, combiné à une analyse d'entropie multi-échelle réfléchie, peut agir à la fois comme stéthoscope et bilan sanguin pour les boîtes de vitesses industrielles. Plutôt que de se contenter d'indiquer que « quelque chose ne va pas », le système peut estimer le degré d'avancement de chaque type de dommage, donnant aux équipes de maintenance le temps de planifier les réparations et d'éviter des pannes catastrophiques. Parce que les caractéristiques d'entropie choisies sont beaucoup moins coûteuses à calculer que de nombreuses solutions d'apprentissage profond, l'approche est praticable pour une surveillance de routine sur du matériel standard. Avec une validation complémentaire sur des boîtes de vitesses en conditions d'usine réelles, de telles méthodes pourraient devenir un pilier de la maintenance prédictive, prolongeant la durée de vie des équipements et réduisant les temps d'arrêt non planifiés.

Citation: 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

Mots-clés: surveillance de l'état des boîtes de vitesses, émission acoustique, classification de la sévérité des défauts, entropie multi-échelle, maintenance prédictive