Multi-schaal entropieanalyse van akoestische emissie voor classificatie van tandwielkastfouternst

Waarom naar machines luisteren storingen kan voorkomen

Van windturbines tot fabrieksbanden: tandwielkasten houden de industrie stilzwijgend draaiende — totdat een verborgen barst of versleten tand alles plotseling tot stilstand brengt. Deze studie laat zien hoe het "luisteren" naar de kleine, hoogfrequente geluiden binnen een tandwielkast, en het slim analyseren daarvan, niet alleen kan aantonen of er iets mis is, maar ook hoe ernstig de schade is. Dat detailniveau is cruciaal om reparaties te plannen voordat defecten kostbaar of gevaarlijk worden.

Van eenvoudige trillingen naar subtiele akoestische aanwijzingen

De meeste condition‑monitoringsystemen vertrouwen op trillingssensoren, die goed werken zodra een fout behoorlijk ver gevorderd is. Maar de vroegste tekenen van problemen verschijnen vaak als zeer korte, hoogfrequente akoestische emissiepulsjes — kleine geluidsgolven die ontstaan wanneer oppervlakken schuren, barsten of afschilferen. Deze signalen bevatten veel informatie, maar ze zijn extreem snel, complex en lawaaierig, waardoor directe interpretatie moeilijk is. Traditionele deep‑learningbenaderingen kunnen van zulke data leren, maar werken vaak als een black box en vragen veel rekencapaciteit en gelabelde voorbeelden, wat ze minder praktisch maakt voor dagelijks industrieel gebruik.

Het meten van signaal"onregelmatigheid" over vele tijdschalen

De auteurs richten zich in plaats daarvan op een familie van maatstaven die bekendstaan als entropie, wat in deze context beschrijft hoe onvoorspelbaar of onregelmatig een signaal is. In plaats van alleen naar ruwe amplitude te kijken, berekenen ze 16 verschillende op entropie gebaseerde kenmerken die vastleggen hoe energie- en frequentie-inhoud in de tijd verdeeld zijn. Cruciaal is dat ze dit op meerdere tijdschalen doen, van fijn tot grof, met drie verwante technieken: Composite Multi‑Scale Entropy (CMSE), Hierarchical Multi‑Scale Entropy (HMSE) en een gecombineerde methode genaamd Composite Hierarchical Multi‑Scale Entropy (CHMSE). Door dezelfde akoestische emissiegegevens via deze multi‑schaal bril te bekijken, kunnen ze patronen ontleden die in één momentopname onzichtbaar zijn maar systematisch veranderen naarmate tandwielschade vordert.

Een strak gecontroleerde test van tandwielbeschadiging en ernst

Om deze ideeën te testen bouwde het team een testopstelling met rechte tandwielen (spur gears) met een 2‑pk motor en monteerde een gespecialiseerde akoestische emissiesensor op de behuizing van de tandwielkast. Ze creëerden vervolgens vier realistische typen tandwielbeschadiging — putvorming, gebroken tanden, wortelbarsten en schuren — elk in negen verschillende ernstniveaus, naast een gezonde toestand. Voor drie verschillende snelheden en drie belastingsinstellingen namen ze drie seconden durende geluidsopnames op met één miljoen monsters per seconde, wat resulteerde in 1.215 signaalrecords. Uit elk record extraheerden ze hun entropiekenmerken en voerden die in klassieke machine‑learningmodellen zoals random forests, support vector machines en neurale netwerken, waarbij ze het trainen en testen vele malen herhaalden om statistisch robuuste resultaten te waarborgen.

Inzicht in de "black box" van foutclassificatie

Van alle geteste combinaties presteerde de koppeling van CHMSE‑kenmerken met random forest‑modellen het beste. Voor meerdere fouttypes identificeerde deze opstelling het exacte ernstniveau meer dan 99% van de tijd correct; zelfs in de moeilijkste gevallen bleef de nauwkeurigheid boven ongeveer 97%. De studie vergeleek deze entropiekenmerken ook met meer vertrouwde statistische beschrijvingen — zoals gemiddelde, variantie en piekwaarde — en vond dat entropie een consistente verbetering van 1–4% in nauwkeurigheid oplevert. Om de beslissingen voor ingenieurs begrijpelijk te maken, pasten de auteurs SHAP toe, een moderne explainability‑techniek, die rangschikt welke kenmerken het belangrijkst zijn voor elke voorspelling. Dit toonde aan dat bepaalde gegeneraliseerde entropiematen (Rényi en Tsallis), samen met log‑energie en drempelgebaseerde entropie, bijzonder krachtig zijn in het onderscheiden van kleine, vroege defecten van gevorderde schade over alle vier fouttypen.

Wat dit betekent voor onderhoud in de praktijk

In gewone bewoordingen laat het werk zien dat een enkele, goed geplaatste akoestische sensor, gecombineerd met doordachte multi‑schaal entropieanalyse, kan fungeren als stethoscoop en bloedtest in één voor industriële tandwielkasten. In plaats van alleen te signaleren dat "er iets mis is", kan het systeem inschatten hoe ver elk type schade is gevorderd, waardoor onderhoudsteams tijd krijgen om reparaties te plannen en rampzalige uitval te voorkomen. Omdat de gekozen entropiekenmerken veel minder rekenintensief zijn dan veel deep‑learningalternatieven, is de aanpak praktisch voor routinematige bewaking op standaardhardware. Met verdere validatie op echte fabrieks­tandwielkasten zouden dergelijke methoden een hoeksteen van predictief onderhoud kunnen worden, de levensduur van apparatuur verlengen en ongeplande stilstand verminderen.

Bronvermelding: 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

Trefwoorden: gezondheidsbewaking van tandwielkasten, akoestische emissie, classificatie van fouternst, multi-schaal entropie, predictief onderhoud