Verklaarbare LSTM-AdamW-gebaseerde foutdiagnose van roterende vliegtuigcomponenten met behulp van luchtgeluidssignalen onder dynamische bedrijfsomstandigheden

Luisteren naar problemen in vliegtuigmotoren

Moderne vliegtuigen vertrouwen op draaiende onderdelen die foutloos moeten werken bij hoge snelheden en onder wisselende belastingen. In plaats van te wachten tot een onderdeel faalt, proberen ingenieurs steeds vaker vroegtijdige tekenen van problemen te "horen" in de geluiden die deze machines produceren. Deze studie laat zien hoe een nieuw soort luister­systeem, gebaseerd op geavanceerde maar verklaarbare kunstmatige intelligentie, subtiele fouten in roterende componenten kan detecteren met alleen luchtgeluid — zelfs wanneer de motorsnelheid continu verandert.

Waarom de geluiden van machines ertoe doen

Draaiende onderdelen zoals lagers, assen en schijven produceren karakteristieke geluidspatronen tijdens het draaien. Wanneer scheuren beginnen te ontstaan of oppervlakken gaan slijten, verandert het geluid in korte, scherpe uitbarstingen die het menselijk oor meestal niet van achtergrondgeluid kan onderscheiden. Traditionele monitoringsmethoden vertrouwen vaak op contact­sensoren die aan de machine zijn bevestigd, of op eenvoudige drempels die het beste werken wanneer de machine op een constante snelheid draait. In echte vliegtuigen versnellen en vertragen motoren echter en ondervinden ze wisselende belastingen, wat het geluid zeer onregelmatig en lawaaierig maakt. Die complexiteit heeft de betrouwbaarheid van oudere diagnostische methoden beperkt en de behoefte aan intelligente hulpmiddelen vergroot die met realistische omstandigheden kunnen omgaan.

Een neuraal netwerk leren om fouten te horen

De onderzoekers bouwden een luistersysteem rond een long short-term memory (LSTM)-netwerk, een type neuraal netwerk dat is ontworpen voor tijdreeksgegevens. Ze trainden en testten het op publiek beschikbare opnames van een laboratoriumtestbank met rollende lagers die ofwel gezond waren of defecten hadden op de binnenring, buitenring of looprollen. Er waren slechts vier audio-opnames van 12 seconden beschikbaar, elk met een hoge bemonsteringssnelheid terwijl de asseindsnelheid in de tijd varieerde. Om het beste uit deze beperkte data te halen, knipte het team de opnames in duizenden korte, niet-overlappende geluidssnippers van ongeveer 0,02 seconden en zorgde ervoor dat trainings- en testfragmenten uit volledig verschillende opnames afkomstig waren om verborgen informatielekken te vermijden.

De beste manier vinden om van geluid te leren

Om te beoordelen of de LSTM daadwerkelijk een voordeel bood, vergeleken de auteurs drie recurrente modellen naast elkaar: een basaal recurrent neuraal netwerk, een gated recurrent unit (GRU) en hun LSTM, afgestemd met een moderne optimalisatiemethode genaamd AdamW. Alle drie de modellen kregen exact dezelfde invoersnippers en werden onder identieke instellingen getraind. De combinatie LSTM–AdamW stak er duidelijk bovenuit: hij bereikte ongeveer 99,3 procent nauwkeurigheid en dezelfde macro-gemiddelde F1-score, een striktere maat die de prestaties over alle vier klassen in balans brengt. De GRU presteerde goed maar iets minder, terwijl het basale recurrente netwerk zowel overfittte op de trainingsdata als bepaalde fouttypes door elkaar haalde. Aanvullende tests toonden aan dat het LSTM-model sterke prestaties behield, zelfs wanneer het op één snelheidsprofiel werd getraind en op een ander, dynamischer profiel werd geëvalueerd — een belangrijk teken van robuustheid.

De zwarte doos van AI-beslissingen openen

Omdat de veiligheid van vliegtuigen meer vraagt dan ruwe nauwkeurigheid, richtte het team zich ook op het begrijpelijk maken van de beslissingen van het model. Ze pasten twee verklaarbare-AI-technieken toe: LIME, dat individuele voorspellingen verklaart, en SHAP, dat de kenmerkbelangrijkheid over veel gevallen samenvat. Beide methoden wezen korte, gelokaliseerde uitbarstingen binnen de geluidssnippers aan als de meest invloedrijke regio's voor classificatie. Met andere woorden, het netwerk was niet afhankelijk van willekeurig lawaai, maar van korte, hoog-impact gebeurtenissen die overeenkomen met bekende fysieke gedragingen van beschadigde lagers, zoals impacten en micro-slippen. Een statistisch hulpmiddel genaamd een Taylor-diagram toonde verder aan dat de uitgangen van het model de temporele structuur van de referentiesignalen nauw volgen, wat versterkt dat het zinvolle patronen leert in plaats van toevallige correlaties.

Van testbank naar cockpit

Hoewel de studie gecontroleerde laboratoriumdata gebruikte, is het voorgestelde raamwerk ontworpen om compact en snel genoeg te zijn voor ingebedde hardware, met inferentietijden die compatibel zijn met bijna real‑time monitoring. Het vertrouwen op luchtgeluid maakt naverbetering eenvoudiger dan met contact­sensoren, en de verklaarbaarheids­hulpmiddelen helpen ingenieurs om AI-beslissingen terug te koppelen aan fysieke foutmechanismen. De auteurs merken op dat echte vliegomgevingen meer ruis en complexiteit zullen toevoegen, en ze plannen toekomstig werk met echte in‑flight data en meerdere sensortypen. Toch suggereren hun resultaten dat zorgvuldig ontworpen, verklaarbare neurale netwerken gewone geluiden kunnen omzetten in een krachtig vroegwaarschuwingssysteem voor de gezondheid van vliegtuigen, waarmee problemen in draaiende componenten worden opgespoord lang voordat ze gevaarlijk worden.

Bronvermelding: 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

Trefwoorden: monitoring van vliegtuiggezondheid, akoestische foutdetectie, lagerdiagnostiek, verklaarbare AI, deep learning