ギアボックスの故障診断における音響放出のマルチスケールエントロピー解析

科学分野:

• 機械工学
• 信号処理
• 機械学習

背景:

• 音響放出（AE）センサーは、高周波過渡現象を監視することにより、回転機械の早期故障検出に不可欠である。
• 複雑なAE信号からのギアボックス故障重症度の自動分類は、多様な損傷メカニズムにより困難である。

研究 の 目的:

• ギアボックス故障診断のためのAE信号からの計算効率の良い特徴抽出のためのマルチスケールエントロピー法を調査する。
• 故障重症度分類のために、複合マルチスケールエントロピー（CMSE）、階層マルチスケールエントロピー（HMSE）、および複合階層マルチスケールエントロピー（CHMSE）を比較する。

主な方法:

• 意図的に欠陥（ピッティング、歯折れ、根元亀裂、スコーチング）を9段階の重症度レベルで発生させた平歯車テストリグから実験的AEデータを収集した。
• CMSE、HMSE、CHMSEを使用して16個の非線形情報エントロピー特徴量を抽出した。
• ランダムフォレスト（RF）およびその他の機械学習モデルを使用して特徴量を分類し、SHAPを解釈可能性に使用した。

主要な成果:

• CHMSE法とRFモデルの組み合わせは、単一スケール法や統計的特徴量を上回る最高の分類精度（97.37-99.50%）を達成した。
• 階層的アプローチ（HMSE、CHMSE）は、有意な性能向上を示した（p < 0.05）。
• Rényiエントロピー、Tsallisエントロピー、閾値エントロピー、対数エネルギーエントロピーが主要な識別因子として特定された。

結論:

• CHMSEベースの特徴抽出は、AE信号からのギアボックス故障重症度を診断するための計算効率が高く、非常に正確な方法を提供する。
• このアプローチは、産業用ギアボックスにおける予知保全のためのAEベースの状態監視システムの信頼性を大幅に向上させる。