基于可解释 LSTM-AdamW 的飞行器旋转部件故障诊断：在动态工况下利用机载声学信号

在飞机发动机中倾听故障信号

现代飞机依赖于在高速且载荷变化下可靠运转的旋转部件。工程师不再等待零件发生故障，而是越来越多地尝试“聆听”这些机器发出的声音以捕捉早期异常信号。本研究展示了一种新的监听系统，该系统基于先进且可解释的人工智能，仅通过机载声学信号即可检测旋转部件的微小故障——即便发动机转速在持续变化。

为何机器声音很重要

轴承、轴和盘等旋转部件在旋转时会产生特征性的声学模式。当出现裂纹或表面开始磨损时，声音会以短促的冲击性突变形式改变，而人耳通常难以将其从背景噪声中分辨出来。传统监测方法常依赖于固定在机器上的接触式传感器，或在机器以恒定转速运转时才有效的简单阈值规则。然而在真实飞机中，发动机会加速、减速并承受不同载荷，使得声音高度不规则且噪声水平很高。这种复杂性限制了老方法的可靠性，因而需要能够应对真实工况的智能工具。

教神经网络“听”出故障

研究人员构建了一个以长短期记忆（LSTM）网络为核心的监听系统，LSTM 是一种专门处理时间序列数据的神经网络。他们在公开的实验台架录音上对其进行了训练和测试，试验台架上的滚动轴承有健康状态或存在内圈、外圈或滚动体缺陷。可用的数据仅有四段各 12 秒的音频，每段在轴速随时间变化时以高采样率记录。为充分利用这些有限数据，团队将录音切割成成千上万段短小且不重叠的声学片段，每段约 0.02 秒，并确保训练与测试片段来自完全不同的录音以避免信息泄露。

寻找从声音中学习的最佳方法

为验证 LSTM 是否真正具有优势，作者将三种循环模型进行了对比：基础循环神经网络、门控循环单元（GRU）以及使用现代优化方法 AdamW 调优的 LSTM。三种模型接受完全相同的输入片段并在相同设置下训练。LSTM–AdamW 组合明显表现突出：其准确率和宏平均 F1 分数均约为 99.3%，后者是衡量在四类之间平衡性能的更严格指标。GRU 表现良好但略逊一筹，而基础循环网络则出现对训练数据过拟合并混淆某些故障类型的情况。额外测试显示，即便在以一种转速曲线训练、并在另一种更动态的曲线上评估时，LSTM 模型仍保持强劲性能——这是鲁棒性的一个重要指标。

揭开人工智能决策的黑箱

由于飞机安全不仅仅依赖于原始准确率，团队还着重于使模型决策可被理解。他们采用了两种可解释人工智能技术：用于单次预测解释的 LIME，以及用于汇总多例特征重要性的 SHAP。两种方法都指向声学片段中短促且局部的冲击段，表明这些区域对分类影响最大。换言之，网络并非依赖任意噪声，而是基于与受损轴承已知物理行为相符的短时高影响事件，例如冲击与微滑动。一个称为泰勒图的统计工具进一步显示，模型输出与参考信号的时间结构高度一致，强化了模型在学习有意义模式而非伪相关。

从实验台到驾驶舱

尽管该研究使用的是受控实验室数据，但所提出的框架被设计为紧凑且足够快速以适配嵌入式硬件，其推理时间可满足近实时监测要求。系统依赖机载声学信号，使得与接触式传感器相比改装更为容易；其可解释性工具也有助于工程师将 AI 的判断与物理故障机制联系起来。作者指出，真实飞行环境将带来更多噪声和复杂性，他们计划在未来使用真实飞行数据和多种传感器类型进行研究。尽管如此，结果表明经过精心设计且可解释的神经网络能够将普通的声音转化为强大的预警工具，在旋转部件出现危险性故障之前很早就发现问题。

引用: 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

关键词: 飞机健康监测, 声学故障检测, 轴承诊断, 可解释人工智能, 深度学习