Wyjaśnialna diagnostyka usterek elementów wirujących samolotu oparta na LSTM-AdamW z wykorzystaniem akustyki powietrznej w dynamicznych warunkach pracy

Słuchając problemów w silnikach lotniczych

Nowoczesne samoloty polegają na obrotowych częściach, które muszą działać bezbłędnie przy wysokich prędkościach i zmiennych obciążeniach. Zamiast czekać na awarię, inżynierowie coraz częściej starają się „nasłuchiwać” wczesnych sygnałów problemów w dźwiękach emitowanych przez te maszyny. W badaniu pokazano, jak nowy system nasłuchowy, oparty na zaawansowanej, a jednocześnie wyjaśnialnej sztucznej inteligencji, może wykrywać subtelne usterki elementów wirujących wyłącznie na podstawie dźwięku z powietrza — nawet gdy prędkość silnika ciągle się zmienia.

Dlaczego dźwięki maszyn mają znaczenie

Elementy wirujące, takie jak łożyska, wały i tarcze, generują charakterystyczne wzorce dźwiękowe podczas obrotu. Gdy zaczynają pojawiać się pęknięcia lub powierzchnie ulegają zużyciu, dźwięk zmienia się w krótkie, ostre impulsy, które ludzkie ucho zwykle nie odróżnia od szumu tła. Tradycyjne metody monitorowania często opierają się na czujnikach kontaktowych przykręcanych do maszyny lub na prostych progach alarmowych, które działają najlepiej przy stałej prędkości. W rzeczywistych samolotach jednak silniki przyspieszają, hamują i działają pod zmiennym obciążeniem, co sprawia, że dźwięk staje się wysoce nieregularny i zaszumiony. Taka złożoność ograniczała niezawodność starszych metod diagnostycznych i stworzyła potrzebę inteligentnych narzędzi radzących sobie z warunkami polowymi.

Nauka sieci neuronowej rozpoznawania usterek

Badacze zbudowali system nasłuchowy wokół sieci typu long short-term memory (LSTM), rodzaju sieci neuronowej zaprojektowanej do przetwarzania danych czasowych. Trenowali ją i testowali na publicznie dostępnych nagraniach z laboratoryjnego stanowiska testowego z łożyskami tocznymi, które były albo zdrowe, albo miały wady na bieżni wewnętrznej, zewnętrznej albo na elementach tocznych. Dostępne były tylko cztery 12‑sekundowe klipy audio, każdy próbkowany z wysoką częstotliwością przy zmiennej prędkości wału. Aby maksymalnie wykorzystać te ograniczone dane, zespół pociął nagrania na tysiące krótkich, niepokrywających się odcinków dźwięku, każdy trwający około 0,02 sekundy, i zadbał, by fragmenty użyte do treningu i testów pochodziły z zupełnie różnych nagrań, aby uniknąć ukrytego wycieku informacji.

Poszukiwanie najlepszego sposobu uczenia się z dźwięku

Aby sprawdzić, czy LSTM rzeczywiście daje przewagę, autorzy porównali trzy modele rekurencyjne obok siebie: podstawową rekurencyjną sieć neuronową, jednostkę rekurencyjną z bramkami (GRU) oraz ich LSTM dostrojony z użyciem nowoczesnej metody optymalizacji zwanej AdamW. Wszystkie trzy modele otrzymywały dokładnie te same fragmenty wejściowe i były trenowane w identycznych warunkach. Połączenie LSTM–AdamW wyróżniło się wyraźnie: osiągnęło około 99,3 procent trafności i ten sam makro‑średni wynik F1, bardziej rygorystyczną miarę równoważącą wydajność we wszystkich czterech klasach. GRU wypadło dobrze, ale nieco gorzej, podczas gdy podstawowa sieć rekurencyjna przeuczyła się na danych treningowych i myliła pewne typy usterek. Dodatkowe testy wykazały, że model LSTM utrzymywał silną wydajność nawet wtedy, gdy był trenowany na jednym profilu prędkości, a oceniany na innym, bardziej dynamicznym — ważny sygnał odporności.

Otwieranie czarnej skrzynki decyzji AI

Ponieważ bezpieczeństwo lotnicze wymaga więcej niż surowej dokładności, zespół skupił się także na uczynieniu decyzji modelu zrozumiałymi. Zastosowali dwie techniki wyjaśnialnej sztucznej inteligencji: LIME, które tłumaczy pojedyncze predykcje, oraz SHAP, które podsumowuje wagę cech w wielu przypadkach. Obie metody wskazały krótkie, zlokalizowane impulsy w obrębie fragmentów dźwięku jako najbardziej wpływowe obszary dla klasyfikacji. Innymi słowy, sieć nie opierała się na przypadkowym szumie, lecz na krótkich, wysokowpływowych zdarzeniach odpowiadających znanym fizycznym zachowaniom uszkodzonych łożysk, takim jak uderzenia i mikro‑poślizgi. Narzędzie statystyczne zwane diagramem Taylora dodatkowo wykazało, że wyjścia modelu ściśle śledzą strukturę czasową sygnałów referencyjnych, co wzmacnia przekonanie, że model uczy się znaczących wzorców zamiast fałszywych korelacji.

Od stanowiska laboratoryjnego do kokpitu

Chociaż badanie korzystało z kontrolowanych danych laboratoryjnych, proponowane rozwiązanie zostało zaprojektowane tak, by być kompaktowe i wystarczająco szybkie dla wbudowanego sprzętu, z czasami inferencji zgodnymi z monitorowaniem niemal w czasie rzeczywistym. Oparcie na dźwięku powietrznym ułatwia adaptację w porównaniu z czujnikami kontaktowymi, a narzędzia wyjaśnialności pomagają inżynierom powiązać decyzje AI z fizycznymi mechanizmami uszkodzeń. Autorzy zauważają, że prawdziwe środowiska lotnicze wniosą więcej szumu i złożoności, i planują dalsze prace z rzeczywistymi danymi z lotu oraz wieloma typami czujników. Mimo to ich wyniki sugerują, że starannie zaprojektowane, wyjaśnialne sieci neuronowe mogą przekształcić zwykły dźwięk w potężne narzędzie wczesnego ostrzegania o stanie technicznym samolotu, wykrywając problemy w elementach wirujących znacznie wcześniej, zanim staną się niebezpieczne.

Cytowanie: 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

Słowa kluczowe: monitorowanie stanu technicznego samolotu, akustyczne wykrywanie usterek, diagnostyka łożysk, wyjaśnialna sztuczna inteligencja, uczenie głębokie