ギアボックスの故障深刻度分類のための音響放射のマルチスケールエントロピー解析

機械に「耳を傾ける」ことで故障を未然に防ぐ理由

風力タービンから工場のコンベヤまで、ギアボックスは産業を静かに動かし続けますが、目に見えない亀裂や摩耗した歯が突然すべてを止めてしまうことがあります。本研究は、ギアボックス内で発生する非常に高周波の微小な音──音響放射を「聴き」、巧妙に解析することで、単に異常の有無を検出するだけでなく、損傷がどの程度進んでいるかを明らかにできることを示します。このレベルの詳細は、故障が高コスト化したり危険になったりする前に修理を計画するうえで重要です。

単純な振動から微細な音響手がかりへ

多くの状態監視システムは振動センサーに依存しており、これは故障がかなり進行してからは有効です。しかし、問題の最初期のサインは非常に短く高周波な音響放射バーストとして現れることが多く、これは表面が擦れたり、亀裂が入ったり、欠けたりするときに発生する微小な音波です。これらの信号は豊富な情報を含みますが、非常に高速で複雑かつノイズ混入が激しいため、直接解釈するのが難しい。従来の深層学習アプローチはこうしたデータから学習できますが、ブラックボックスになりがちで大量の計算資源とラベル付きデータを必要とし、日常的な産業利用には不向きな場合があります。

多様な時間スケールでの信号の「不規則さ」を測る

著者らは代わりにエントロピーと呼ばれる一群の指標に着目しています。ここでのエントロピーは信号がどれだけ予測不可能、または不規則であるかを表します。生の振幅だけを見るのではなく、時間にわたってエネルギーや周波数成分がどのように広がっているかを捉える16種類のエントロピーに基づく特徴を算出します。重要なのは、細かなスケールから粗いスケールまで複数の時間スケールでこれを行う点で、Composite Multi-Scale Entropy（CMSE）、Hierarchical Multi-Scale Entropy（HMSE）、およびそれらを組み合わせたComposite Hierarchical Multi-Scale Entropy（CHMSE）の3つの関連手法を用います。同じ音響放射データをこのマルチスケールのレンズで観察することで、単一のスナップショットでは見えないが、ギアの損傷が進行するにつれて体系的に変化するパターンを引き出せます。

高度に制御されたギア損傷と深刻度の試験

これらの考えを検証するため、研究チームは2馬力モーターを備えたスパーギア試験装置を構築し、ギアボックスケースに特殊な音響放射センサーを取り付けました。次に、ピッティング、歯の破損、根元亀裂、摩耗（スカッフィング）の4種類の現実的な損傷をそれぞれ9段階の深刻度で作成し、健全な状態も含めました。3つの回転速度と3つの負荷設定について、1秒間に100万サンプルのサンプリングで3秒間の音を記録し、合計1,215の信号記録を得ました。各記録からエントロピー特徴を抽出し、ランダムフォレスト、サポートベクターマシン、ニューラルネットワークなどの古典的な機械学習モデルに投入して、結果の統計的妥当性を確保するために学習とテストを何度も繰り返しました。

故障分類の「ブラックボックス」を見通す

試した組み合わせの中で、CHMSE特徴とランダムフォレストを組み合わせた構成が最も良好な性能を示しました。いくつかの故障タイプでは、この組み合わせが正確な深刻度レベルを99%以上の確率で特定し、最も難しいケースでも精度は約97%以上を維持しました。研究はまた、平均、分散、ピーク値といったより馴染みのある統計的記述子とエントロピー特徴を比較し、エントロピーが一貫して1–4%の精度向上をもたらすことを見出しました。エンジニアが判断を理解しやすくするために、著者らはSHAPという現代的な説明可能性手法を適用し、各予測においてどの特徴が重要かをランキングしました。その結果、一般化エントロピー（RényiやTsallis）や対数エネルギー、閾値ベースのエントロピーが特に強力であり、4種類の故障すべてにわたって小さな初期欠陥と進行した損傷を区別するのに有効であることが示されました。

実運用の保全にとっての意義

日常的な観点から見ると、この研究は、適切に配置した単一の音響センサーと入念なマルチスケールエントロピー解析を組み合わせることで、産業用ギアボックスに対して聴診器と血液検査を同時に行うような機能を果たせることを示しています。「何かが壊れている」と単に知らせるのではなく、各種損傷がどの程度進行しているかを推定できるため、保全チームは修理計画を立て、重大な故障を回避する時間を確保できます。選択されたエントロピー特徴は多くの深層学習代替より計算コストが低いため、標準的なハードウェアでの日常的な監視に実用的です。実際の工場のギアボックスでさらなる検証が進めば、このような手法は予知保全の基盤となり、設備寿命の延長と予期せぬダウンタイムの削減に寄与する可能性があります。

引用: 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

キーワード: ギアボックス健康監視, 音響放射, 故障深刻度分類, マルチスケールエントロピー, 予知保全