Объяснимая диагностика отказов вращающихся компонентов самолёта на основе LSTM-AdamW с использованием акустических сигналов в воздухе при динамических условиях эксплуатации

Прислушивание к проблемам в авиационных двигателях

Современные самолёты полагаются на вращающиеся узлы, которые должны безупречно работать на высоких скоростях и при меняющихся нагрузках. Вместо того чтобы ждать отказа детали, инженеры всё чаще пытаются «прислушаться» к ранним признакам неисправностей в звуках, которые издают эти механизмы. В этом исследовании показано, как новая система прослушивания, основанная на передовом, но объяснимом искусственном интеллекте, может обнаруживать скрытые дефекты вращающихся компонентов, используя только воздушный звук — даже когда скорость двигателя постоянно меняется.

Почему звук машин имеет значение

Вращающиеся элементы, такие как подшипники, валы и диски, генерируют характерные звуковые паттерны при вращении. Когда начинают появляться трещины или поверхности изнашиваются, звук меняется в виде коротких резких всплесков, которые человеческое ухо обычно не отличает от фонового шума. Традиционные методы мониторинга часто опираются на контактные датчики, прикрученные к машине, или на простые пороговые условия, которые работают лучше всего при стабильной скорости. В реальных самолётах двигатели ускоряются, замедляются и испытывают различные нагрузки, что делает звук крайне нерегулярным и зашумлённым. Эта сложность ограничивала надёжность старых диагностических подходов и создала потребность в интеллектуальных инструментах, способных работать в реальных условиях.

Обучение нейросети «слышать» неисправности

Исследователи построили систему прослушивания на базе сети с долгой краткосрочной памятью (LSTM) — типа нейронной сети, предназначенного для обработки временных рядов. Её обучали и тестировали на общедоступных записях лабораторного стенда с роликовыми подшипниками, которые были либо исправны, либо имели дефекты на внутренней дорожке, внешней дорожке или в роликах. Были доступны всего четыре 12-секундных аудиозаписи, каждая с высокой частотой дискретизации и переменной скоростью вала. Чтобы максимально использовать эти ограниченные данные, команда разрезала записи на тысячи коротких неперекрывающихся фрагментов звука длительностью около 0,02 секунды и гарантировала, что отрывки для обучения и тестирования брались из полностью разных записей, чтобы избежать скрытого «утекания» информации.

Поиск лучшего способа обучения на звуке

Чтобы проверить, действительно ли LSTM даёт преимущество, авторы сравнили три рекуррентные модели бок о бок: простую рекуррентную нейросеть, блок с затворами (GRU) и их LSTM, настроенную с помощью современного метода оптимизации AdamW. Все три модели получали точно одинаковые входные отрывки и обучались при идентичных настройках. Сочетание LSTM–AdamW явно выделилось: оно достигло примерно 99,3 процента точности и такого же макроусреднённого F1-показателя — более строгой метрики, уравновешивающей результаты по всем четырём классам. GRU показал хорошие результаты, но немного хуже, а простая рекуррентная сеть переобучилась на тренировочных данных и путалась в некоторых типах дефектов. Дополнительные тесты показали, что модель LSTM сохраняла высокую производительность даже при обучении на одном профиле скорости и оценке на другом, более динамичном — важный признак устойчивости.

Открывая «чёрный ящик» решений ИИ

Поскольку безопасность авиации требует не только высокой точности, команда также сосредоточилась на том, чтобы сделать решения модели понятными. Они применили две методики объяснимого ИИ: LIME, которая объясняет отдельные предсказания, и SHAP, которая суммирует важность признаков на множестве случаев. Обе методы указывали на короткие локализованные всплески внутри звуковых отрывков как на наиболее влиятельные области для классификации. Иными словами, сеть опиралась не на случайный шум, а на краткие события с большим влиянием, которые соответствуют известным физическим проявлениям повреждённых подшипников, таким как удары и микропоскальзывания. Статистический инструмент, называемый диаграммой Тейлора, дополнительно показал, что выходы модели тесно отслеживают временную структуру опорных сигналов, что подтверждает, что она изучает осмысленные паттерны, а не случайные корреляции.

От лабораторного стенда до кабины пилота

Хотя исследование использовало контролируемые лабораторные данные, предложенная архитектура спроектирована быть компактной и достаточно быстрой для встроенного оборудования, с временем вывода, совместимым с мониторингом в режиме близком к реальному. Её опора на воздушный звук упрощает модернизацию по сравнению с контактными датчиками, а инструменты объяснимости помогают инженерам соотнести решения ИИ с физическими механизмами неисправностей. Авторы отмечают, что в реальных полётах добавится больше шума и сложности, и планируют дальнейшую работу с реальными бортовыми данными и несколькими типами датчиков. Тем не менее их результаты указывают на то, что тщательно спроектированные объяснимые нейронные сети могут превратить обычный звук в мощный инструмент раннего предупреждения о состоянии самолёта, выявляя проблемы во вращающихся компонентах задолго до того, как они станут опасными.

Цитирование: 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

Ключевые слова: мониторинг состояния самолёта, акустическое обнаружение отказов, диагностика подшипников, объяснимый ИИ, глубокое обучение