Analisi della entropia multiscala delle emissioni acustiche per la classificazione della gravità dei guasti degli ingranaggi

Perché ascoltare le macchine può prevenire i guasti

Dalle turbine eoliche ai nastri trasportatori di fabbrica, gli ingranaggi mantengono silenziosamente l’industria in movimento—fino a quando una crepa nascosta o un dente consumato non fermano tutto all’improvviso. Questo studio mostra come “ascoltare” i piccoli suoni ad alta frequenza all’interno di un ingranaggio e analizzarli in modo intelligente possa rivelare non solo se qualcosa non va, ma quanto è grave il danno. Questo livello di dettaglio è cruciale per pianificare riparazioni prima che i guasti diventino costosi o pericolosi.

Dalle vibrazioni semplici agli indizi acustici sottili

La maggior parte dei sistemi di monitoraggio delle condizioni si basa su sensori di vibrazione, efficaci quando il guasto è già ben sviluppato. Ma i primissimi segnali di problema spesso appaiono come brevissimi scoppi di emissione acustica ad alta frequenza—piccole onde sonore prodotte quando superfici strofinano, si fessurano o scheggiano. Questi segnali contengono informazioni ricche, ma sono estremamente veloci, complessi e rumorosi, il che li rende difficili da interpretare direttamente. Gli approcci tradizionali di deep learning possono apprendere da questi dati, ma tendono a comportarsi come scatole nere e richiedono molta potenza di calcolo e numerosi esempi etichettati, rendendoli meno pratici per l’uso industriale quotidiano.

Misurare l’“irregolarità” del segnale su molte scale temporali

Gli autori si concentrano invece su una famiglia di misure note come entropia, che in questo contesto descrive quanto un segnale è imprevedibile o irregolare. Piuttosto che guardare solo alle ampiezze grezze, calcolano 16 diverse caratteristiche basate sull’entropia che catturano come energia e contenuto in frequenza sono distribuiti nel tempo. Fondamentale è che lo fanno su più scale temporali, dal fine al grosso, usando tre tecniche correlate: Composite Multi‑Scale Entropy (CMSE), Hierarchical Multi‑Scale Entropy (HMSE) e un metodo combinato chiamato Composite Hierarchical Multi‑Scale Entropy (CHMSE). Osservando gli stessi dati di emissione acustica attraverso questa lente multiscala, riescono a separare pattern invisibili in un singolo istante ma che cambiano in modo sistematico con il progredire del danno agli ingranaggi.

Un test altamente controllato del danno e della gravità degli ingranaggi

Per mettere alla prova queste idee, il team ha costruito un banco di prova con ingranaggi dritti alimentato da un motore da 2 cavalli e ha installato un sensore di emissione acustica specializzato sulla carcassa del cambio. Hanno quindi creato quattro tipi realistici di danno agli ingranaggi—pitting, denti rotti, crepe alla radice e sfregamento—ciascuno a nove livelli di gravità distinti, oltre a una condizione sana. Per tre diverse velocità e tre impostazioni di carico, hanno registrato raffiche di suono di tre secondi a un milione di campioni al secondo, ottenendo 1.215 registrazioni. Da ciascuna registrazione hanno estratto le caratteristiche di entropia e le hanno inserite in modelli classici di machine learning come random forest, support vector machine e reti neurali, ripetendo l’addestramento e il test molte volte per garantire che i risultati fossero statisticamente solidi.

Vedere dentro la “scatola nera” della classificazione dei guasti

Tra tutte le combinazioni testate, l’abbinamento delle caratteristiche CHMSE con modelli random forest ha ottenuto le migliori prestazioni. Per diversi tipi di guasto, questa configurazione ha identificato correttamente il livello di gravità esatto più del 99% delle volte; anche nei casi più difficili, l’accuratezza è rimasta sopra circa il 97%. Lo studio ha inoltre confrontato queste caratteristiche di entropia con descrittori statistici più familiari—come media, varianza e valore di picco—and ha rilevato che l’entropia offriva un guadagno costante dell’1–4% in accuratezza. Per rendere le decisioni comprensibili agli ingegneri, gli autori hanno applicato SHAP, una tecnica moderna di spiegabilità, che classifica quali caratteristiche sono più importanti per ogni previsione. È emerso che alcune misure di entropia generalizzate (Rényi e Tsallis), insieme all’energia logaritmica e all’entropia basata su soglie, sono particolarmente efficaci nel distinguere difetti piccoli e precoci dai danni avanzati per tutti e quattro i tipi di guasto.

Cosa significa questo per la manutenzione nel mondo reale

In termini pratici, il lavoro mostra che un singolo sensore acustico ben posizionato, combinato con un’analisi multiscala dell’entropia ben studiata, può funzionare come stetoscopio e analisi del sangue insieme per i cambi industriali. Invece di limitarsi a segnalare che “qualcosa non va”, il sistema può stimare a che punto è arrivato ogni tipo di danno, dando alle squadre di manutenzione il tempo di pianificare riparazioni ed evitare guasti catastrofici. Poiché le caratteristiche di entropia scelte sono molto meno costose da calcolare rispetto a molte alternative di deep learning, l’approccio è praticabile per il monitoraggio di routine su hardware standard. Con ulteriori validazioni su cambi reali di fabbrica, tali metodi potrebbero diventare un pilastro della manutenzione predittiva, estendendo la vita degli impianti e riducendo i tempi di inattività non pianificati.

Citazione: 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

Parole chiave: monitoraggio dello stato degli ingranaggi, emissione acustica, classificazione della gravità dei guasti, entropia multiscala, manutenzione predittiva