Förklarbar LSTM‑AdamW‑baserad felidentifiering av flygplans roterande komponenter med flygburna akustiska signaler under dynamiska driftförhållanden

Lyssna efter problem i flygmotorer

Moderna flygplan är beroende av roterande delar som måste fungera felfritt i hög hastighet och under varierande belastningar. Istället för att vänta på att en komponent ska gå sönder försöker ingenjörer i allt större utsträckning ”lyssna” efter tidiga tecken på problem i ljuden dessa maskiner avger. Denna studie visar hur ett nytt slags lyssningssystem, baserat på avancerad men förklarbar artificiell intelligens, kan upptäcka subtila fel i roterande komponenter med enbart flygburet ljud—även när motorns hastighet ändras kontinuerligt.

Varför maskinernas ljud spelar roll

Roterande delar som lager, axlar och skivor skapar karakteristiska ljudmönster när de snurrar. När sprickor börjar bildas eller ytor börjar slitas förändras ljudet i korta, skarpa utbrott som det mänskliga örat vanligtvis inte kan särskilja från bakgrundsbrus. Traditionella övervakningsmetoder förlitar sig ofta på kontaktsensorer fastskruvade på maskinen eller på enkla tröskelvärden som fungerar bäst när maskinen går i konstant hastighet. I verkliga flygplan accelererar och decelererar dock motorerna och utsätts för varierande belastningar, vilket gör ljudet mycket oregelbundet och bullrigt. Den komplexiteten har begränsat tillförlitligheten hos äldre diagnostikmetoder och skapat ett behov av intelligenta verktyg som klarar verkliga förhållanden.

Lära ett neuralt nätverk att höra fel

Forskarna byggde ett lyssningssystem kring ett long short‑term memory (LSTM)‑nätverk, en typ av neuralt nätverk utformat för att hantera tidsseriedata. De tränade och testade det på offentligt tillgängliga inspelningar från en laboratorietestbänk med rullande lager som antingen var friska eller hade defekter på innerbanan, ytbanan eller rullelementen. Endast fyra 12‑sekunders ljudklipp fanns tillgängliga, vardera sampelade med hög frekvens medan axelhastigheten varierade över tid. För att utnyttja detta begränsade data bestämde teamet klippen i tusentals korta, icke‑över­lappande ljudsnuttar, vardera ungefär 0,02 sekunder långa, och såg till att tränings‑ och testutdrag kom från helt olika inspelningar för att undvika dold informationsläckage.

Hitta det bästa sättet att lära av ljud

För att avgöra om LSTM verkligen gav en fördel jämförde författarna tre rekurrenta modeller sida vid sida: ett grundläggande rekurrent neuralt nätverk, en gated recurrent unit (GRU) och deras LSTM finjusterad med en modern optimeringsmetod kallad AdamW. Alla tre modeller fick exakt samma indatautdrag och tränades under identiska inställningar. LSTM–AdamW‑kombinationen stack tydligt ut: den nådde cirka 99,3 procent noggrannhet och samma makro‑genomsnittliga F1‑poäng, ett strängare mått som balanserar prestanda över alla fyra klasser. GRU presterade väl men något sämre, medan det grundläggande rekurrenta nätverket både överanpassade träningsdata och förväxlade vissa feltyper. Ytterligare tester visade att LSTM‑modellen behöll stark prestanda även när den tränades på en hastighetsprofil och utvärderades på en annan, mer dynamisk—en viktig signal på robusthet.

Öppna AI‑beslutens svarta låda

Eftersom flygsäkerhet kräver mer än rå noggrannhet fokuserade teamet också på att göra modellens beslut begripliga. De tillämpade två förklarbara AI‑metoder: LIME, som förklarar enskilda prediktioner, och SHAP, som sammanfattar variablers betydelse över många fall. Båda metoderna pekade på korta, lokaliserade utbrott inom ljudsnuttarna som de mest inflytelserika regionerna för klassificering. Med andra ord förlitade sig nätverket inte på godtyckligt brus utan på korta, högpåverkande händelser som överensstämmer med kända fysiska beteenden hos skadade lager, såsom stötar och mikroslips. Ett statistiskt verktyg kallat Taylor‑diagram visade dessutom att modellens utsignaler följer de temporala strukturerna hos referenssignalerna nära, vilket förstärker att den lär sig meningsfulla mönster snarare än slumpmässiga korrelationer.

Från laboratoriebänk till förarkabin

Även om studien använde kontrollerade laboratoriedata är det föreslagna ramverket utformat för att vara kompakt och snabbt nog för inbyggd hårdvara, med inferenstider kompatibla med nästan realtidsövervakning. Dess beroende av flygburet ljud gör eftermontering enklare än med kontaktsensorer, och dess förklarbarhetsverktyg hjälper ingenjörer att koppla AI‑beslut tillbaka till fysiska felmekanismer. Författarna noterar att verkliga flygmiljöer kommer att tillföra mer brus och komplexitet, och de planerar framtida arbete med reella flygdata och flera sensortyper. Trots detta tyder deras resultat på att noggrant utformade, förklarbara neurala nätverk kan förvandla vanligt ljud till ett kraftfullt varningssystem för flygplanshälsa och upptäcka problem i roterande komponenter långt innan de blir farliga.

Citering: 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

Nyckelord: övervakning av flygplans hälsa, akustisk felupptäckt, lagersdiagnostik, förklarbar AI, djupinlärning