Multiskalig entropianalys av akustisk emission för klassificering av kugghjulsfelens svårighetsgrad

Varför det kan förebygga haverier att lyssna på maskiner

Från vindkraftverk till fabriksband håller kugghjul tyst industrin i rörelse—tills en dold spricka eller ett utslitet tandrad plötsligt stoppar allt. Denna studie visar hur det att “lyssna” på de små, högfrekventa ljuden inne i ett kugghus och analysera dem på ett smart sätt kan avslöja inte bara om något är fel, utan även hur allvarlig skadan är. Denna detaljnivå är avgörande för att planera reparationer innan fel blir kostsamma eller farliga.

Från enkla vibrationer till subtila akustiska ledtrådar

Majoriteten av statusövervakningssystem litar på vibrationssensorer, vilka fungerar väl när ett fel redan är relativt avancerat. Men de tidigaste tecknen på problem visar sig ofta som mycket korta, högfrekventa utsläpp av akustisk emission—små ljudvågor som uppstår när ytor gnider, spricker eller flisas. Dessa signaler bär rik information, men de är extremt snabba, komplexa och brusiga, vilket gör dem svåra att tolka direkt. Traditionella djupinlärningsmetoder kan lära av sådan data, men tenderar att fungera som svarta lådor och kräver mycket beräkningskraft och märkta exempel, vilket gör dem mindre praktiska för vardaglig industriell användning.

Mätning av signalers “otydlighet” över många tidsskalor

Författarna fokuserar istället på en familj av mått kända som entropi, som i detta sammanhang beskriver hur oförutsägbar eller oregelbunden en signal är. Istället för att endast titta på råa amplituder beräknar de 16 olika entropibaserade funktioner som fångar hur energi och frekvensinnehåll fördelas över tiden. Viktigt är att de gör detta över flera tidsskalor, från fin till grov, med hjälp av tre relaterade tekniker: Composite Multi‑Scale Entropy (CMSE), Hierarchical Multi‑Scale Entropy (HMSE) och en kombinerad metod kallad Composite Hierarchical Multi‑Scale Entropy (CHMSE). Genom att betrakta samma akustiska emissionsdata genom denna multiskaliga lins kan de urskilja mönster som är osynliga i en enda ögonblicksbild men som förändras systematiskt när kugghjulsskador utvecklas.

Ett mycket kontrollerat test av kugghjulsskador och svårighetsgrad

För att pröva dessa idéer byggde teamet en provbänk med spårhjul drivna av en 2‑hästkrafters motor och monterade en specialiserad akustisk emissionssensor på kugghusets hölje. De skapade därefter fyra realistiska typer av kugghjulsskada—pitting, avbrutna tänder, rotbrytningar och skav—var och en i nio distinkta svårighetsnivåer, samt ett friskt tillstånd. Vid tre olika varvtal och tre lastinställningar spelade de in tresekunders ljudutdrag med en miljon sampel per sekund, vilket gav 1 215 signalregister. Från varje register extraherade de sina entropifunktioner och matade dem till klassiska maskininlärningsmodeller som random forests, support vector machines och neurala nätverk, och upprepade träning och testning många gånger för att säkerställa statistisk hållbarhet i resultaten.

Att se in i ”svarta lådan” för felklassificering

Bland alla kombinationer som testades gav paret CHMSE‑funktioner tillsammans med random forest‑modeller bäst prestanda. För flera feltyper identifierade denna uppställning korrekt exakt svårighetsnivå över 99% av gångerna; även i de svåraste fallen hölls noggrannheten över ungefär 97%. Studien jämförde också dessa entropifunktioner med mer välkända statistiska beskrivare—som medelvärde, varians och toppvärde—och fann att entropi gav en jämn förbättring i noggrannhet med 1–4%. För att göra besluten begripliga för ingenjörer använde författarna SHAP, en modern teknik för förklarbarhet, som rangordnar vilka funktioner som är viktigast för varje prediktion. Den visade att vissa generaliserade entropimått (Rényi och Tsallis), tillsammans med log‑energi och tröskelbaserad entropi, är särskilt kraftfulla för att skilja små, tidiga defekter från avancerade skador över alla fyra feltyper.

Vad detta betyder för verkligt underhåll

I praktiska termer visar arbetet att en enda, välplacerad akustisk sensor, kombinerad med genomtänkt multiskalig entropianalys, kan fungera som både stetoskop och blodprov för industrikugghjul. Istället för att bara markera att ”något är fel” kan systemet uppskatta hur långt varje typ av skada har utvecklats, vilket ger underhållsteam tid att planera reparationer och undvika katastrofala haverier. Eftersom de valda entropifunktionerna är mycket billigare att beräkna än många djupinlärningsalternativ är metoden praktisk för rutinövervakning på standardhårdvara. Med ytterligare validering på verkliga fabriks­kugghjul skulle sådana metoder kunna bli en hörnsten i prediktivt underhåll, förlänga utrustningens livslängd och minska oplanerade driftstopp.

Citering: 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

Nyckelord: övervakning av kugghjulsstatus, akustisk emission, klassificering av felens svårighetsgrad, multiskalig entropi, prediktivt underhåll