ניתוח אנטרופיה רב-סקלתי של פליטות אקוסטיות לסיווג חומרת תקלות בתיבות הילוכים

מדוע האזנה למכונות יכולה למנוע תקלות

מתוך טורבינות רוח ועד מסועי מפעל, תיבות הילוכים שומרות על התעשייה בתנועה—עד שסדק נסתר או שן שחוקה עוצרים הכל בבת אחת. המחקר הזה מראיה כיצד "להאזין" לצלילים הזעירים והגבוהים בתוך תיבת ההילוכים ולנתחם באופן חכם יכול לחשוף לא רק האם משהו לא תקין, אלא גם עד כמה הנזק חמור. רמת פירוט זו חשובה לתכנון תיקונים לפני שהכשל יהפוך ליקר או מסוכן.

מתנודות פשוטות לרמזים אקוסטיים עדינים

רוב מערכות ניטור המצב מסתמכות על חיישני רטט, אשר יעילים ברגע שהתקלה כבר מתקדמת למדי. אך הסימנים המוקדמים ביותר לבעיה מופיעים לעתים כהתפרצויות פליטה אקוסטיות קצרות ותדירות-גבוהה—גלי קול זעירים הנוצרים כשמשטחים משפשפים, נסדקים או נשברים. אותות אלה נושאים מידע עשיר, אך הם מהירים מאוד, מורכבים ורעשניים, מה שהופך אותם לקשים לפירוש ישיר. שיטות למידה עמוקה מסורתיות יכולות ללמוד מאותות כאלה, אך נוטות להתנהג כאפיקסים שחורים ודורשות משאבי חישוב ודוגמאות מתוייגות רבים, מה שמקטין את הפרקטיות שלהן לשימוש תעשייתי יומיומי.

מדידת "אי-סדירות" האות על פני סקלות זמן רבות

החוקרים במקום זאת מתמקדים בקבוצת מדדים המכונים אנטרופיה, שמתארים בהקשר זה עד כמה אות אינו צפוי או בלתי-סדיר. במקום לבחון רק משרעת גולמית, הם מחשבים 16 תכונות מבוססות אנטרופיה הלוכדות כיצד האנרגיה ותוכן התדירות מתפזרים בזמן. החשוב מכך, הם עושים זאת במספר סקלות זמן, מדקות ועד גסות, באמצעות שלוש טכניקות קשורות: אנטרופיה קומפוזיטיבית רב-סקלתית (CMSE), אנטרופיה היררכית רב-סקלתית (HMSE) ושיטה משולבת הנקראת אנטרופיה קומביינטיבית היררכית רב-סקלתית (CHMSE). באמצעות צפייה באות פליטת האקוסטיקה דרך עדשת רב-סקלתית זו, הם יכולים לזקק תבניות שאינן נראות בצילום רגעי יחיד אך משתנות באופן שיטתי כאשר נזק בגלגלי השיניים מתפתח.

ניסוי מבוקר בקפידה של נזק והיקף חומרתו

כדי לבחון רעיונות אלה, הצוות בנה מעבדת ניסוי עם גלגל שיניים זיזי ומנוע של כוח שני סוסים והתקין חיישן פליטה אקוסטית ייעודי על מארז תיבת ההילוכים. הם יצרו ארבעה סוגי נזק ריאליסטיים—פיטינג, שיניים שבורות, סדקי שורש וחיכוך (scuffing)—כל אחד בתשעה רמות חומרה מובחנות, לצד מצב תקין. עבור שלוש מהירויות שונות ושלוש הגדרות עומס, הקליטו התפרצויות קול של שלוש שניות בקצב דגימה של מיליון דגימות לשנייה, והגיעו ל-1,215 רשומות אות. מכל רשומה חילצו את תכונות האנטרופיה והזינו אותן למודלים קלאסיים של למידת מכונה כגון יער אקראי, מכונות וקטור תומך ורשתות עצביות, וחזרו על אימון ובדיקה פעמים רבות כדי להבטיח שהממצאים הם בעלי משמעות סטטיסטית.

להביט בתוך "הקופסה השחורה" של סיווג תקלות

מבין כל הצירופים שנבדקו, השילוב של תכונות CHMSE עם מודלים של יער אקראי הצטיין. עבור כמה סוגי תקלות, ההגדרה הזו זיהתה נכון את רמת החומרה המדויקת ביותר מ-99% מהמקרים; אפילו במקרים הקשים ביותר, הדיוק נשמר מעל כ-97%. המחקר השווה גם את תכונות האנטרופיה לתיאורים סטטיסטיים מוכרים יותר—כמו ממוצע, שונות וערך שיא—ומצא כי האנטרופיה מספקת גידול יציב של 1–4% בדיוק. כדי להפוך את ההחלטות מובנות למהנדסים, החוקרים השתמשו בשיטת SHAP להסבריות מודרנית, שמדרגת אילו תכונות חשובות ביותר לכל תחזית. היא הראתה כי מדדי אנטרופיה מוכללים מסוימים (Rényi ו-Tsallis), יחד עם אנרגיית לוגריתם ואנטרופיה מבוססת סף, חזקים במיוחד בזיהוי הבדלים בין פגמים מוקדמים וקטנים לבין נזק מתקדם בכל ארבעת סוגי התקלה.

מה המשמעות לכך בעבור תחזוקה בעולם האמיתי

באופן יומיומי, העבודה מראה שחיישן אקוסטי יחיד והמונח היטב, בשילוב ניתוח אנטרופיה רב-סקלתי, יכולים לשמש כמו סטטוסקופ ובדיקת דם יחד עבור תיבות הילוכים תעשייתיות. במקום רק לדווח ש"משהו לא תקין", המערכת יכולה להעריך את רמת ההתקדמות של כל סוג נזק, ולתת לצוותי התחזוקה זמן לתכנן תיקונים ולהימנע מכשלים קטסטרופליים. מאחר שהתכונות הנבחרות של אנטרופיה זולות הרבה יותר לחישוב מאשר חלופות רבות של למידה עמוקה, הגישה פרקטית לניטור שגרתי על חומרה סטנדרטית. עם אימות נוסף על תיבות הילוכים במפעלים אמיתיים, שיטות כאלה עשויות להפוך לאבן יסוד בתחזוקת תחזית, להאריך את חיי הציוד ולהפחית השבתות לא מתוכננות.

ציטוט: 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

מילות מפתח: ניטור מצב תיבות הילוכים, פליטה אקוסטית, סיווג חומרת תקלה, אנטרופיה רב-סקלתית, תחזוקה חזויה