Мультишкальный энтропийный анализ акустической эмиссии для классификации степени повреждения зубчатой передачи

Почему прослушивание машин может предотвратить поломки

От ветровых турбин до заводских конвейеров — коробки передач тихо обеспечивают работу промышленности, пока скрытая трещина или стертый зубец внезапно не останавливают всё. В этом исследовании показано, как «слушание» крошечных высокочастотных звуков внутри коробки передач и их умный анализ могут выявить не только факт неисправности, но и степень повреждения. Такая детализация критична для планирования ремонтов до того, как отказы станут дорогостоящими или опасными.

От простых вибраций к тонким акустическим признакам

Большинство систем мониторинга состояния опираются на датчики вибрации, которые хорошо работают, когда неисправность уже достаточно развита. Но самые ранние признаки проблемы часто проявляются как очень краткие, высокочастотные всплески акустической эмиссии — крошечные звуковые волны, возникающие при трении, растрескивании или отколе поверхностей. Эти сигналы несут богатую информацию, но они чрезвычайно быстрые, сложные и зашумлённые, поэтому их трудно интерпретировать напрямую. Традиционные подходы глубокого обучения умеют извлекать закономерности из таких данных, но ведут себя как «чёрные ящики» и требуют много вычислительных ресурсов и размеченных примеров, что снижает их практичность для повседневного промышленного применения.

Измерение «неправильности» сигнала на разных временных масштабах

Авторы вместо этого сосредоточились на классе мер, известных как энтропия, которая в данном контексте описывает, насколько непредсказуем или нерегулярен сигнал. Вместо того чтобы смотреть только на амплитуды, они вычислили 16 различных признаков на основе энтропии, которые фиксируют, как энергия и частотное содержание распределены во времени. Существенно то, что они сделали это на множестве временных масштабов — от тонких до грубых — с помощью трёх связанных методов: Composite Multi‑Scale Entropy (CMSE), Hierarchical Multi‑Scale Entropy (HMSE) и комбинированного метода Composite Hierarchical Multi‑Scale Entropy (CHMSE). Просматривая одни и те же данные акустической эмиссии через эту мультишкальную призму, они смогли выделить паттерны, невидимые при одношкальном анализе, которые систематически меняются по мере прогрессирования повреждений зубчатых колёс.

Тщательно контролируемый эксперимент по моделированию повреждений

Чтобы проверить эти идеи, команда собрала испытательный стенд с прямозубым колесом и мотором мощностью 2 л. с., установив специализированный датчик акустической эмиссии на корпусе коробки передач. Затем они создали четыре реалистичных типа повреждений — кавитацию (pitting), лом зубьев, корневые трещины и задиры — по девяти уровням степени повреждения для каждого типа, а также вариант для здорового состояния. При трёх разных скоростях и трёх нагрузках они записывали трёхсекундные отрезки звука с частотой дискретизации один миллион отсчётов в секунду, получив в итоге 1215 записей сигналов. Из каждой записи они извлекали энтропийные признаки и подавали их в классические модели машинного обучения — случайные леса, опорные векторы и нейронные сети — повторяя обучение и тестирование многократно, чтобы результаты были статистически надёжными.

Заглянуть внутрь «чёрного ящика» классификации дефектов

Из всех протестированных сочетаний наилучшие результаты показали признаки CHMSE в паре со случайными лесами. Для нескольких типов дефектов такая связка правильно определяла точный уровень степени повреждения более чем в 99% случаев; даже в самых сложных ситуациях точность оставалась выше примерно 97%. Исследование также сравнило эти энтропийные признаки с более знакомыми статистическими дескрипторами — средним, дисперсией и пиковым значением — и показало, что энтропия давала стабильный прирост точности на 1–4%. Чтобы сделать решения понятными инженерам, авторы применили SHAP — современную технику объяснимости, — которая ранжирует значимость признаков для каждого прогноза. Это выявило, что определённые обобщённые меры энтропии (Ренье и Цаллиса), а также лог‑энергия и пороговая энтропия особенно эффективны в различении мелких ранних дефектов и развившихся повреждений для всех четырёх типов неисправностей.

Что это означает для практического обслуживания

Проще говоря, работа показывает, что один правильно установленный датчик акустической эмиссии в сочетании с продуманным мультишкальным энтропийным анализом может выступать одновременно и как стетоскоп, и как общий анализ крови для промышленных коробок передач. Вместо простого сигнала «что‑то не так», система способна оценить, насколько развилось каждое конкретное повреждение, давая командам обслуживания время на планирование ремонтов и предотвращение катастрофических отказов. Поскольку выбранные энтропийные признаки гораздо дешевле в вычислении, чем многие альтернативы на основе глубокого обучения, подход практичен для рутинного мониторинга на стандартном оборудовании. При дополнительной валидации на реальных заводских коробках передач такие методы могут стать краеугольным камнем предиктивного обслуживания, продлевая срок службы оборудования и снижая незапланированные простои.

Цитирование: 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

Ключевые слова: мониторинг состояния коробок передач, акустическая эмиссия, классификация степени повреждения, мультишкальная энтропия, предиктивное обслуживание