Dişli kutusu arıza şiddeti sınıflandırması için akustik emisyonun çok ölçekli entropi analizi

Neden makineleri dinlemek arızaları önleyebilir

Rüzgar türbinlerinden fabrika konveyörlerine kadar dişli kutuları endüstriyi sessizce hareket ettirir—ta ki gizli bir çatlak veya aşınmış bir diş her şeyi aniden durdurana kadar. Bu çalışma, bir dişli kutusunun içindeki küçük, yüksek frekanslı sesleri “dinlemenin” ve bunları akıllıca analiz etmenin, sadece bir şeyin yanlış olup olmadığını değil, hasarın ne kadar ağır olduğunu da ortaya çıkarabileceğini gösteriyor. Bu düzeyde ayrıntı, arızalar maliyetli veya tehlikeli hale gelmeden önce onarımları planlamak için kritik öneme sahip.

Basit titreşimlerden ince akustik işaretlere

Çoğu durum izleme sistemi titreşim sensörlerine dayanır; bunlar bir arıza oldukça ilerlediğinde iyi çalışır. Ancak sorunların en erken belirtileri genellikle çok kısa, yüksek frekanslı akustik emisyon patlamaları olarak görünür—yüzeyler sürtündüğünde, çatladığında veya parçalandığında üretilen küçük ses dalgaları. Bu sinyaller zengin bilgi taşır, fakat son derece hızlı, karmaşık ve gürültülüdür, bu da doğrudan yorumlamayı zorlaştırır. Geleneksel derin öğrenme yaklaşımları bu tür verilerden öğrenebilir, ancak genellikle kara kutu gibi davranır ve çok fazla hesaplama gücü ile etiketli örnek gerektirir; bu da bunları günlük endüstriyel kullanım için daha az pratik kılar.

Çok sayıda zaman ölçeğinde sinyal “düzensizliğini” ölçmek

Yazarlar bunun yerine bir sinyalin ne kadar öngörülemez veya düzensiz olduğunu tanımlayan entropi olarak bilinen ölçü ailesine odaklanıyor. Ham genliklere bakmak yerine, enerjinin ve frekans içeriğinin zamanda nasıl yayıldığını yakalayan 16 farklı entropi temelli özellik hesaplıyorlar. Kritik olarak, bunu ince ile kaba arasında çoklu zaman ölçeklerinde yapıyorlar ve üç ilişkili teknik kullanıyorlar: Composite Multi‑Scale Entropy (CMSE), Hierarchical Multi‑Scale Entropy (HMSE) ve Composite Hierarchical Multi‑Scale Entropy (CHMSE) adlı birleşik yöntem. Aynı akustik emisyon verisini bu çok ölçekli mercekle görüntüleyerek, tek bir anlık görüntüde görünmeyen fakat dişli hasarı ilerledikçe sistematik olarak değişen desenleri ayırt edebiliyorlar.

Dişli hasarı ve şiddetinin sıkı kontrollü testi

Bu fikirleri test etmek için ekip, 2 beygir gücünde bir motorla bir oluklu dişli test düzeneği kurdu ve dişli kutusu kasasına özel bir akustik emisyon sensörü yerleştirdi. Ardından dört gerçekçi dişli hasarı türü oluşturuldu—çukurlaşma (pitting), kırık dişler, kök çatlakları ve yüzey kazınması (scuffing)—her biri dokuz farklı şiddet seviyesinde ve sağlıklı bir durumla birlikte. Üç farklı hız ve üç yük ayarı için saniyede bir milyon örnekleme hızında üç saniyelik ses patlamaları kaydedildi ve sonuçta 1.215 sinyal kaydı elde edildi. Her kayıttan entropi özellikleri çıkarıldı ve bunlar rastgele orman, destek vektör makineleri ve sinir ağları gibi klasik makine öğrenimi modellerine beslendi; sonuçların istatistiksel olarak sağlam olmasını sağlamak için eğitim ve test çok kez tekrarladı.

Arıza sınıflandırmasının “kara kutusunun” içine bakmak

Tüm test edilen kombinasyonlar arasında, CHMSE özellikleri ile rastgele orman modellerinin eşleştirilmesi en iyi performansı gösterdi. Bazı arıza tipleri için bu düzenek doğru şiddet seviyesini %99’un üzerinde bir doğrulukla tanımladı; en zor vakalarda bile doğruluk yaklaşık %97’nin üzerinde kaldı. Çalışma ayrıca bu entropi özelliklerini ortalama, varyans ve tepe değer gibi daha tanıdık istatistiksel tanımlayıcılarla karşılaştırdı ve entropinin doğrulukta istikrarlı olarak %1–4 arasında bir kazanç sağladığını buldu. Kararları mühendislerin anlayabileceği şekilde yapmak için yazarlar, her tahmin için hangi özelliklerin en önemli olduğunu sıralayan modern bir açıklanabilirlik tekniği olan SHAP’i uyguladı. Bu, belirli genelleştirilmiş entropi ölçüleri (Rényi ve Tsallis) ile log‑enerji ve eşik tabanlı entropinin, tüm dört arıza türünde küçük, erken kusurları ileri hasardan ayırmada özellikle güçlü olduğunu ortaya koydu.

Gerçek dünya bakımına etkileri

Günlük terimlerle bu çalışma, tek bir iyi yerleştirilmiş akustik sensörün ve düşünülmüş çok ölçekli entropi analizinin, endüstriyel dişli kutuları için hem bir stetoskop hem de bir kan testi gibi davranabileceğini gösteriyor. Sistemin yalnızca “bir şeyler yanlış” demesinin ötesinde, her hasar türünün ne kadar ilerlediğini tahmin edebilmesi, bakım ekiplerine onarımları planlamak ve yıkıcı arızalardan kaçınmak için zaman kazandırır. Seçilen entropi özelliklerinin birçok derin öğrenme alternatifine göre hesaplama açısından çok daha ucuz olması nedeniyle yaklaşım, standart donanımda rutin izleme için pratiktir. Gerçek fabrika dişli kutularında daha fazla doğrulama ile bu tür yöntemler öngörücü bakımın temel taşlarından biri haline gelebilir, ekipman ömrünü uzatıp plansız duruşları azaltabilir.

Atıf: 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

Anahtar kelimeler: dişli kutusu durum izleme, akustik emisyon, arıza şiddeti sınıflandırması, çok ölçekli entropi, öngörücü bakım