用于齿轮箱故障严重性分类的声发射多尺度熵分析

为什么倾听机器可以预防故障

从风力涡轮机到工厂输送带，齿轮箱默默驱动着工业运行——直到一个隐藏的裂纹或磨损的齿突然使一切停摆。本文研究表明，通过“倾听”齿轮箱内部的微弱高频声音并以巧妙的方式分析它们，不仅可以发现是否存在问题，还能判断损伤的严重程度。这种细致程度对于在故障变得昂贵或危险之前安排维修至关重要。

从简单振动到微妙的声学线索

大多数状态监测系统依赖振动传感器，这类传感器在故障较为明显时效果很好。但最早期的故障迹象通常以极短促、高频的声发射脉冲出现——当表面摩擦、裂开或碎裂时产生的微小声波。这些信号包含丰富信息，但它们极快、复杂且噪声大，因此难以直接解读。传统深度学习方法虽然能从此类数据中学习，但往往表现为黑箱，且需要大量计算资源和标注样本，使其在日常工业应用中不够实用。

在多个时间尺度上测量信号“不规则性”

作者转而关注一类称为熵的度量，在此语境中它描述了信号的不可预测性或不规则性。与只关注原始幅值不同，他们计算了16种基于熵的特征，这些特征刻画了能量和频率内容在时间上的分布。关键是，他们在从精细到粗糙的多个时间尺度上进行计算，使用三种相关技术：复合多尺度熵（Composite Multi‑Scale Entropy, CMSE）、分层多尺度熵（Hierarchical Multi‑Scale Entropy, HMSE）以及一种组合方法，称为复合分层多尺度熵（Composite Hierarchical Multi‑Scale Entropy, CHMSE）。通过以这种多尺度视角观察相同的声发射数据，他们能分离出在单一快照中看不见但随齿轮损伤进展而系统变化的模式。

对齿轮损伤及其严重性进行高度受控的测试

为验证这些想法，研究团队构建了一个直齿轮试验台，配备一台2马力电机，并在齿轮箱壳体上安装了专用的声发射传感器。随后他们制造了四种现实的齿轮损伤类型——点蚀、断齿、根部裂纹和擦伤——每种损伤设置九个不同的严重度级别，并包含健康状态。针对三种不同转速和三种负载设置，他们以每秒一百万个样本记录了三秒钟的声信号，最终得到1215条信号记录。从每条记录中提取熵特征并将其输入经典的机器学习模型，如随机森林、支持向量机和神经网络，反复进行训练和测试以确保结果具有统计学意义。

窥见故障分类“黑箱”内部

在所有组合中，CHMSE特征与随机森林模型的配对表现最佳。对于若干故障类型，该组合准确识别出精确的严重度级别超过99%；即便在最困难的情况下，准确率也保持在约97%以上。研究还将这些熵特征与更常见的统计描述符（如均值、方差和峰值）进行了比较，发现熵在准确率上稳定提高了1–4%。为使决策对工程师更加可理解，作者应用了SHAP这一现代可解释性技术，它对每次预测中最重要的特征进行了排序。结果显示，若干广义熵度量（Rényi和Tsallis），以及对数能量和基于阈值的熵，在区分早期微小缺陷与四种故障类型的严重损伤方面尤其具有鉴别力。

对现实维护的意义

用日常语言来说，这项工作表明，一个位置恰当的声学传感器，结合周到的多尺度熵分析，可以像听诊器和血液检测一样为工业齿轮箱提供诊断功能。系统不仅能提示“有问题”，还能估计每种损伤的进展程度，给维护团队时间规划维修并避免灾难性故障。因为所选熵特征比许多深度学习替代方法计算成本低得多，该方法适合在标准硬件上进行常规监测。经过在实际工厂齿轮箱上的进一步验证，这类方法有望成为预测性维护的基石，延长设备寿命并减少意外停机。

引用: 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

关键词: 齿轮箱健康监测, 声发射, 故障严重性分类, 多尺度熵, 预测性维护