Diagnostic explicable par LSTM-AdamW des composants rotatifs d’aéronefs à partir de signaux acoustiques aéroportés en conditions de fonctionnement dynamiques

À l’écoute des problèmes dans les moteurs d’avion

Les avions modernes reposent sur des pièces en rotation qui doivent fonctionner parfaitement à grande vitesse et sous des charges variables. Plutôt que d’attendre la panne d’un composant, les ingénieurs cherchent de plus en plus à « écouter » les premiers signes de dysfonctionnement dans les sons émis par ces machines. Cette étude montre comment un système d’écoute nouveau, fondé sur une intelligence artificielle avancée mais explicable, peut détecter des défauts subtils dans des composants rotatifs en se basant uniquement sur le son aérien — même lorsque la vitesse du moteur change en permanence.

Pourquoi les bruits des machines sont importants

Des pièces en rotation telles que les roulements, arbres et disques génèrent des motifs sonores caractéristiques lorsqu’elles tournent. Lorsqu’une fissure commence à se former ou que des surfaces s’usent, le son change par de courtes impulsions aiguës que l’oreille humaine ne distingue généralement pas du bruit de fond. Les méthodes de surveillance traditionnelles reposent souvent sur des capteurs de contact fixés à la machine ou sur des seuils simples qui fonctionnent mieux quand la vitesse est constante. Dans un véritable appareil, cependant, les moteurs accélèrent, décèlèrent et subissent des charges variables, ce qui rend le signal acoustique très irrégulier et bruyant. Cette complexité a limité la fiabilité des méthodes diagnostiques anciennes et créé le besoin d’outils intelligents capables de gérer des conditions réelles.

Apprendre à un réseau neuronal à entendre les défauts

Les chercheurs ont construit un système d’écoute autour d’un réseau à mémoire courte et longue (LSTM), un type de réseau neuronal conçu pour traiter des séries temporelles. Ils l’ont entraîné et testé sur des enregistrements publics provenant d’un banc d’essai en laboratoire avec des roulements roulants sains ou présentant des défauts sur la piste intérieure, la piste extérieure ou les éléments roulants. Seuls quatre extraits audio de 12 secondes étaient disponibles, échantillonnés à haute fréquence alors que la vitesse de l’arbre variait dans le temps. Pour tirer le meilleur parti de ces données limitées, l’équipe a découpé les enregistrements en milliers de courts extraits sonores non chevauchants, d’environ 0,02 seconde chacun, et s’est assurée que les extraits d’entraînement et de test provenaient d’enregistrements complètement différents afin d’éviter toute fuite d’information.

Trouver la meilleure façon d’apprendre à partir du son

Pour vérifier si le LSTM offrait réellement un avantage, les auteurs ont comparé trois modèles récurrents côte à côte : un réseau récurrent basique, une unité récurrente à portes (GRU) et leur LSTM réglé avec une méthode d’optimisation moderne appelée AdamW. Les trois modèles ont reçu exactement les mêmes extraits d’entrée et ont été entraînés dans des conditions identiques. La combinaison LSTM–AdamW s’est clairement démarquée : elle a atteint environ 99,3 % de précision et le même score F1 macro-moyenné, une mesure plus stricte qui équilibre la performance entre les quatre classes. Le GRU a bien fonctionné mais légèrement moins, tandis que le réseau récurrent basique a à la fois surappris les données d’entraînement et confondu certains types de défauts. Des tests supplémentaires ont montré que le modèle LSTM conservait de bonnes performances même lorsqu’il était entraîné sur un profil de vitesse et évalué sur un autre, plus dynamique — un signe important de robustesse.

Ouvrir la boîte noire des décisions de l’IA

Parce que la sécurité aérienne exige plus que la simple précision, l’équipe a aussi mis l’accent sur la compréhensibilité des décisions du modèle. Ils ont appliqué deux techniques d’IA explicable : LIME, qui explique des prédictions individuelles, et SHAP, qui résume l’importance des caractéristiques sur de nombreux cas. Les deux méthodes ont désigné de courtes rafales localisées au sein des extraits sonores comme les régions les plus influentes pour la classification. Autrement dit, le réseau ne se basait pas sur du bruit arbitraire mais sur des événements brefs et à fort impact qui correspondent à des comportements physiques connus des roulements endommagés, tels que des impacts et des micro-dérapages. Un outil statistique appelé diagramme de Taylor a en outre montré que les sorties du modèle suivent de près la structure temporelle des signaux de référence, renforçant l’idée qu’il apprend des motifs signifiants plutôt que des corrélations fortuites.

Du banc de laboratoire au poste de pilotage

Bien que l’étude ait utilisé des données de laboratoire contrôlées, le cadre proposé est conçu pour être compact et suffisamment rapide pour du matériel embarqué, avec des temps d’inférence compatibles avec une surveillance quasi temps réel. Sa dépendance au son aérien facilite la rétrofabrication par rapport aux capteurs de contact, et ses outils d’explicabilité aident les ingénieurs à relier les décisions de l’IA aux mécanismes physiques de défaut. Les auteurs notent que les véritables environnements de vol introduiront davantage de bruit et de complexité, et ils prévoient des travaux futurs avec des données réelles en vol et plusieurs types de capteurs. Néanmoins, leurs résultats suggèrent que des réseaux neuronaux explicables et soigneusement conçus peuvent transformer un son ordinaire en un outil puissant d’alerte précoce pour la santé des aéronefs, détectant des problèmes dans des composants rotatifs bien avant qu’ils ne deviennent dangereux.

Citation: 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

Mots-clés: surveillance de la santé des aéronefs, détection de défauts acoustique, diagnostic des roulements, IA explicable, apprentissage profond