Diagnóstico de falhas explicável baseado em LSTM-AdamW de componentes rotativos de aeronaves usando sinais acústicos aéreos sob condições operacionais dinâmicas

Ouvindo sinais de problema em motores de aeronaves

Aeronaves modernas dependem de peças giratórias que devem operar perfeitamente em alta velocidade e sob cargas variáveis. Em vez de esperar que uma peça falhe, engenheiros recorrem cada vez mais a “escutar” sinais precoces de problema nos sons que essas máquinas emitem. Este estudo mostra como um novo tipo de sistema de escuta, baseado em inteligência artificial avançada e ao mesmo tempo explicável, pode detectar falhas sutis em componentes rotativos usando apenas o som no ar — mesmo quando a velocidade do motor está constantemente mudando.

Por que os sons das máquinas importam

Peças rotativas como rolamentos, eixos e discos geram padrões sonoros característicos ao girar. Quando começam a surgir trincas ou superfícies começam a desgastar, o som muda em rajadas curtas e agudas que o ouvido humano normalmente não consegue distinguir do ruído de fundo. Métodos tradicionais de monitoramento frequentemente dependem de sensores de contato fixados à máquina ou de limiares simples que funcionam melhor quando a máquina opera em velocidade constante. Em aeronaves reais, no entanto, os motores aceleram, desaceleram e enfrentam cargas variáveis, o que torna o som altamente irregular e ruidoso. Essa complexidade limitou a confiabilidade de métodos diagnósticos antigos e criou a necessidade de ferramentas inteligentes capazes de lidar com condições do mundo real.

Ensinando uma rede neural a ouvir falhas

Os pesquisadores construíram um sistema de escuta em torno de uma rede LSTM (long short-term memory), um tipo de rede neural projetada para lidar com dados em série temporal. Eles a treinaram e testaram com gravações publicamente disponíveis de um bancada de testes em laboratório com rolamentos, que estavam saudáveis ou apresentavam defeitos na pista interna, pista externa ou nos elementos rolantes. Apenas quatro clipes de áudio de 12 segundos estavam disponíveis, cada um amostrado em alta taxa enquanto a velocidade do eixo variava ao longo do tempo. Para aproveitar ao máximo esses dados limitados, a equipe dividiu as gravações em milhares de pequenos trechos sonoros não sobrepostos, cada um com cerca de 0,02 segundos, e garantiu que os trechos usados para treino e teste viessem de gravações completamente diferentes para evitar vazamento oculto de informação.

Encontrando a melhor forma de aprender a partir do som

Para verificar se a LSTM realmente oferecia vantagem, os autores compararam três modelos recorrentes lado a lado: uma rede neural recorrente básica, uma unidade recorrente com portas (GRU) e sua LSTM ajustada com um método de otimização moderno chamado AdamW. Todos os três modelos receberam exatamente os mesmos trechos de entrada e foram treinados sob configurações idênticas. A combinação LSTM–AdamW destacou-se claramente: alcançou cerca de 99,3% de acurácia e a mesma pontuação F1 macro-averaged, uma medida mais rigorosa que equilibra o desempenho entre as quatro classes. A GRU teve bom desempenho, mas ligeiramente inferior, enquanto a rede recorrente básica apresentou overfitting nos dados de treino e confundiu certos tipos de falha. Testes adicionais mostraram que o modelo LSTM manteve desempenho robusto mesmo quando foi treinado em um perfil de velocidade e avaliado em outro mais dinâmico — um sinal importante de robustez.

Abrindo a caixa-preta das decisões da IA

Como a segurança de aeronaves exige mais do que precisão bruta, a equipe também se concentrou em tornar as decisões do modelo compreensíveis. Eles aplicaram duas técnicas de IA explicável: LIME, que explica previsões individuais, e SHAP, que resume a importância das características ao longo de muitos casos. Ambos os métodos apontaram para rajadas curtas e localizadas dentro dos trechos sonoros como as regiões mais influentes para a classificação. Em outras palavras, a rede não estava se apoiando em ruído arbitrário, mas em eventos breves e de alto impacto que correspondem a comportamentos físicos conhecidos de rolamentos danificados, como impactos e micro-deslizamentos. Uma ferramenta estatística chamada diagrama de Taylor mostrou ainda que as saídas do modelo seguem de perto a estrutura temporal dos sinais de referência, reforçando que ele está aprendendo padrões significativos em vez de correlações espúrias.

Da bancada de laboratório ao cockpit

Embora o estudo tenha usado dados de laboratório controlados, a estrutura proposta foi projetada para ser compacta e rápida o suficiente para hardware embarcado, com tempos de inferência compatíveis com monitoramento quase em tempo real. Sua dependência do som no ar facilita retrofit em comparação com sensores de contato, e suas ferramentas de explicabilidade ajudam engenheiros a relacionar decisões da IA com mecanismos físicos de falha. Os autores apontam que ambientes reais de voo acrescentarão mais ruído e complexidade, e planejam trabalhos futuros com dados reais em voo e múltiplos tipos de sensores. Ainda assim, os resultados sugerem que redes neurais explicáveis, cuidadosamente projetadas, podem transformar som comum em uma poderosa ferramenta de alerta precoce para a saúde de aeronaves, detectando problemas em componentes rotativos muito antes que se tornem perigosos.

Citação: 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

Palavras-chave: monitoramento da saúde de aeronaves, detecção acústica de falhas, diagnóstico de rolamentos, IA explicável, aprendizado profundo