Análise de entropia multiescala da emissão acústica para classificação da gravidade de falhas em caixas de engrenagens

Por que ouvir máquinas pode evitar paralisações

De turbinas eólicas a esteiras industriais, caixas de engrenagens mantêm a indústria em funcionamento — até que uma trinca oculta ou um dente desgastado subitamente pare tudo. Este estudo mostra como “ouvir” os sons diminutos e de alta frequência dentro de uma caixa de engrenagens, e analisá‑los de forma inteligente, pode revelar não apenas se há algo errado, mas quão grave é o dano. Esse nível de detalhe é crucial para planejar reparos antes que as falhas se tornem dispendiosas ou perigosas.

De vibrações simples a pistas acústicas sutis

A maioria dos sistemas de monitoramento de condição depende de sensores de vibração, que funcionam bem quando a falha já está bastante avançada. Mas os primeiros sinais de problema frequentemente aparecem como rajadas de emissão acústica muito breves e de alta frequência — pequenas ondas sonoras produzidas quando superfícies se raspam, racham ou lascam. Esses sinais carregam informação rica, porém são extremamente rápidos, complexos e ruidosos, o que dificulta sua interpretação direta. Abordagens tradicionais de deep learning podem aprender com esses dados, mas tendem a operar como caixas‑pretas e exigem muita capacidade de processamento e muitos exemplos rotulados, tornando‑as menos práticas para uso industrial cotidiano.

Medindo a “irregularidade” do sinal em várias escalas de tempo

Os autores, em vez disso, concentram‑se em uma família de medidas conhecidas como entropia, que neste contexto descreve o quão imprevisível ou irregular é um sinal. Em vez de olhar apenas para amplitudes brutas, eles calculam 16 características diferentes baseadas em entropia que capturam como a energia e o conteúdo de frequência se distribuem no tempo. Fundamentalmente, fazem isso em múltiplas escalas de tempo, do fino ao grosso, usando três técnicas relacionadas: Entropia Multiescala Composta (CMSE), Entropia Multiescala Hierárquica (HMSE) e um método combinado chamado Entropia Multiescala Hierárquica Composta (CHMSE). Ao observar os mesmos dados de emissão acústica através dessa lente multiescala, conseguem destacar padrões invisíveis em uma única captura, mas que mudam de forma sistemática conforme o dano nas engrenagens progride.

Um teste altamente controlado de dano e gravidade em engrenagens

Para colocar essas ideias à prova, a equipe construiu um banco de ensaio de engrenagens cilíndricas com um motor de 2 cavalos e instalou um sensor especializado de emissão acústica no corpo da caixa de engrenagens. Eles então criaram quatro tipos realistas de dano nas engrenagens — polimento por pitting, dentes quebrados, trincas na raiz e escoriação — cada um em nove níveis distintos de gravidade, além da condição saudável. Para três velocidades diferentes e três níveis de carga, registraram rajadas de som de três segundos a um milhão de amostras por segundo, totalizando 1.215 registros de sinal. De cada registro extraíram suas características de entropia e as alimentaram em modelos clássicos de aprendizado de máquina como florestas aleatórias, máquinas de vetor de suporte e redes neurais, repetindo o treinamento e o teste muitas vezes para garantir que os resultados fossem estatisticamente robustos.

Vendo dentro da “caixa‑preta” da classificação de falhas

Entre todas as combinações testadas, o emparelhamento de características CHMSE com modelos de floresta aleatória teve o melhor desempenho. Para vários tipos de falha, essa configuração identificou corretamente o nível exato de gravidade mais de 99% das vezes; mesmo nos casos mais difíceis, a precisão permaneceu acima de cerca de 97%. O estudo também comparou essas características de entropia com descritores estatísticos mais familiares — como média, variância e valor de pico — e constatou que a entropia proporcionou um ganho constante de 1–4% na precisão. Para tornar as decisões compreensíveis aos engenheiros, os autores aplicaram SHAP, uma técnica moderna de interpretabilidade, que classifica quais características mais importam para cada predição. Revelou que certas medidas de entropia generalizadas (Rényi e Tsallis), juntamente com log‑energia e entropia baseada em limiar, são especialmente poderosas para distinguir defeitos pequenos e iniciais de danos avançados em todos os quatro tipos de falha.

O que isso significa para a manutenção no mundo real

Em termos práticos, o trabalho mostra que um único sensor acústico bem posicionado, combinado com uma análise multiescala de entropia bem concebida, pode agir como um estetoscópio e um exame de sangue ao mesmo tempo para caixas de engrenagens industriais. Em vez de apenas sinalizar que “algo está errado”, o sistema pode estimar o estágio de progressão de cada tipo de dano, dando às equipes de manutenção tempo para planejar reparos e evitar falhas catastróficas. Como as características de entropia escolhidas são muito mais baratas de calcular do que muitas alternativas de deep learning, a abordagem é prática para monitoramento rotineiro em hardware padrão. Com validação adicional em caixas de engrenagens reais de fábrica, tais métodos poderiam tornar‑se uma pedra angular da manutenção preditiva, estendendo a vida útil dos equipamentos e reduzindo tempos de inatividade não planejados.

Citação: 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

Palavras-chave: monitoramento da saúde de caixas de engrenagens, emissão acústica, classificação da gravidade de falhas, entropia multiescala, manutenção preditiva