Analiza entropii wieloskalowej emisji akustycznej do klasyfikacji stopnia uszkodzenia przekładni

Dlaczego słuchanie maszyn może zapobiec awariom

Od turbin wiatrowych po przenośniki fabryczne — przekładnie cicho napędzają przemysł, aż ukryta szczelina lub starte zęby nagle zatrzymują wszystko. Badanie pokazuje, jak „słuchanie” drobnych, wysokoczęstotliwościowych dźwięków wewnątrz przekładni oraz ich sprytna analiza mogą ujawnić nie tylko, czy coś jest nie w porządku, ale także, jak poważne jest uszkodzenie. Taka szczegółowa informacja jest kluczowa do planowania napraw, zanim usterki staną się kosztowne lub niebezpieczne.

Od prostych drgań do subtelnych wskazówek akustycznych

Większość systemów monitorowania stanu opiera się na czujnikach drgań, które sprawdzają się, gdy wada jest już zaawansowana. Jednak najwcześniejsze oznaki problemu często pojawiają się jako bardzo krótkie, wysokoczęstotliwościowe impulsy emisji akustycznej — maleńkie fale dźwiękowe powstające przy tarciu, pękaniu czy odpryskiwaniu powierzchni. Te sygnały niosą bogatą informację, lecz są niezwykle szybkie, złożone i zaszumione, co utrudnia bezpośrednią interpretację. Tradycyjne metody głębokiego uczenia potrafią uczyć się na takich danych, ale zwykle działają jak czarne skrzynki i wymagają dużych zasobów obliczeniowych oraz wielu oznaczonych przykładów, co zmniejsza ich użyteczność w codziennym zastosowaniu przemysłowym.

Pomiary „nieuporządkowania” sygnału w wielu skalach czasowych

Autorzy koncentrują się na rodzinie miar znanych jako entropia, która w tym kontekście opisuje, jak nieprzewidywalny lub nieregularny jest sygnał. Zamiast analizować jedynie surowe amplitudy, obliczają 16 różnych cech opartych na entropii, które uchwytują, jak energia i zawartość częstotliwości rozkładają się w czasie. Co istotne, robią to na wielu skalach czasowych, od drobnych do grubych, używając trzech powiązanych technik: Composite Multi‑Scale Entropy (CMSE), Hierarchical Multi‑Scale Entropy (HMSE) oraz połączonej metody Composite Hierarchical Multi‑Scale Entropy (CHMSE). Poprzez oglądanie tych samych danych emisji akustycznej przez wieloskalową soczewkę, potrafią wydobyć wzorce niewidoczne w pojedynczym ujęciu, które zmieniają się systematycznie wraz z postępem uszkodzeń kół zębatych.

Ściśle kontrolowany test uszkodzeń i ich nasilenia

Aby przetestować te pomysły, zespół zbudował stanowisko próbne z kołem zębatym zębatym z napędem 2‑konnym i zamontował wyspecjalizowany czujnik emisji akustycznej na obudowie przekładni. Następnie wygenerowali cztery realistyczne typy uszkodzeń — gniazdowanie (pitting), złamane zęby, pęknięcia korzeniowe oraz przetarcia — każdy w dziewięciu różnych poziomach nasilenia, obok stanu zdrowego. Dla trzech różnych prędkości i trzech obciążeń zarejestrowali trzymetrowe (trzysekundowe) wycinki dźwięku z częstotliwością próbkowania jednego miliona próbek na sekundę, otrzymując w sumie 1215 zapisów sygnałów. Z każdego zapisu wydobyli cechy entropii i podali je do klasycznych modeli uczenia maszynowego, takich jak las losowy, maszyny wektorów nośnych i sieci neuronowe, wielokrotnie powtarzając treningi i testy, by zapewnić statystyczną rzetelność wyników.

Zajrzeć do „czarnej skrzynki” klasyfikacji usterek

Spośród wszystkich testowanych kombinacji najlepiej sprawdziło się połączenie cech CHMSE z modelem lasu losowego. Dla kilku typów uszkodzeń takie zestawienie poprawnie rozpoznawało dokładny poziom nasilenia w ponad 99% przypadków; nawet w najtrudniejszych przypadkach dokładność utrzymywała się powyżej około 97%. Badanie porównało także te cechy entropii z bardziej znanymi opisami statystycznymi — jak średnia, wariancja czy wartość maksymalna — i wykazało, że entropia daje stały wzrost dokładności o 1–4%. Aby uczynić decyzje zrozumiałymi dla inżynierów, autorzy zastosowali SHAP, nowoczesną technikę wyjaśnialności, która wskazuje, które cechy mają największe znaczenie dla każdej predykcji. Wyjawiła ona, że pewne uogólnione miary entropii (Rényi i Tsallisa), wraz z log‑energią i entropią opartą na progach, są szczególnie silne w rozróżnianiu drobnych, wczesnych defektów od zaawansowanych uszkodzeń we wszystkich czterech typach usterek.

Co to oznacza dla utrzymania w praktyce

W praktycznym ujęciu praca pokazuje, że jeden dobrze umiejscowiony czujnik akustyczny, połączony z przemyślaną analizą entropii wieloskalowej, może działać jak stetoskop i badanie krwi w jednym dla przemysłowych przekładni. Zamiast jedynie sygnalizować, że „coś jest nie tak”, system może oszacować, jak daleko zaawansowane jest każde z uszkodzeń, dając zespołom utrzymania czas na zaplanowanie napraw i uniknięcie katastrofalnych awarii. Ponieważ wybrane cechy entropii są znacznie tańsze obliczeniowo niż wiele alternatyw opartych na głębokim uczeniu, podejście jest praktyczne do rutynowego monitorowania na standardowym sprzęcie. Po dalszej walidacji na rzeczywistych przekładniach fabrycznych takie metody mogą stać się fundamentem predykcyjnego utrzymania ruchu, wydłużając żywotność urządzeń i zmniejszając nieplanowane przestoje.

Cytowanie: 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

Słowa kluczowe: monitorowanie stanu przekładni, emisja akustyczna, klasyfikacja stopnia uszkodzenia, entropia wieloskalowa, predykcyjne utrzymanie ruchu