💻 computer science

Domain-Shift Aware Neural Networks for Unbalance Characterization in Rotating Systems

Dieses Papier schlägt ein auf Domain-Shift basierendes neuronales Netzwerk vor, das eine Maximum-Mean-Discrepancy-Strategie nutzt, um Unwuchten in rotierenden Wellen unter variierenden Betriebsbedingungen präzise zu schätzen, wodurch eine verbesserte Vorhersagegenauigkeit in Szenarien der Zustandsüberwachung von Strukturen (Structural Health Monitoring) nachgewiesen wird, in denen physikalische Verhaltensweisen und Domain-Diskrepanzen nicht vollständig bekannt sind.

Ursprüngliche Autoren: Bernardo Feijó Junqueira, Claudio Kiyoshi Umezu, Bruno Bilhar Karaziack, Tomaz Junior, Daniel Alves Castello

Veröffentlicht 2026-06-19

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Bernardo Feijó Junqueira, Claudio Kiyoshi Umezu, Bruno Bilhar Karaziack, Tomaz Junior, Daniel Alves Castello

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, einem Roboter beizubringen, wie schwer ein Rucksack ist, indem Sie nur auf das Geräusch achten, das eine Person beim Gehen macht.

Das Problem: Das „Verschiedene Schuhe“-Dilemma
Normalerweise trainieren Sie den Roboter in einer ruhigen Turnhalle, in der die Person flache Sneaker trägt (Quelle). Sie zeigen ihm tausende Beispiele: „Dieses Geräusch bedeutet einen 5-kg-Rucksack; dieses Geräusch bedeutet einen 10-kg-Rucksack.“ Der Roboter lernt das Muster.

Aber dann schicken Sie den Roboter auf eine echte Baustelle, auf der die Person schwere, klobige Stiefel trägt und auf Kies läuft (Ziel). Die Geräusche sind anders. Die Hintergrundgeräusche sind lauter. Der Roboter, der nur auf die Turnhallen-Geräusche trainiert wurde, wird verwirrt. Er könnte denken, ein leichter Rucksack sei schwer, weil die Stiefel laut sind; oder er könnte völlig versagen, weil das „Geräusch“ der Stiefel für ihn wie eine andere Art von Gewicht aussieht. In der Welt des Ingenieurwesens nennt man das Domain Shift (Domänenverschiebung). Die Trainingsdaten des Roboters passen nicht zu den Bedingungen in der realen Welt.

Die Lösung: Der „Universelle Übersetzer“
Dieses Paper stellt eine spezielle Art von „smartem Roboter“ (ein neuronales Netz) vor, das genau für dieses Problem entwickelt wurde. Anstatt nur die Turnhallen-Geräusche auswendig zu lernen, lernt dieser Roboter, die Kernessenz des Klangs zu finden, die gleich bleibt, egal welche Schuhe die Person trägt.

Die Forscher nennen dies ein Domain-Shift Aware Neural Network (ein domänenverschiebungssensibles neuronales Netz). So funktioniert es, unter Verwendung einer einfachen Analogie:

Zwei Räume, ein Lehrer: Stellen Sie sich zwei Räume vor.
- Raum A (Quelle): Hier gibt es beschriftete Rucksäcke (Sie wissen genau, wie schwer sie sind).
- Raum B (Ziel): Hier gibt es unbeschriftete Rucksäcke (Sie wissen nicht, wie schwer sie sind, und der Raum ist laut).
Das gemeinsame Gehirn: Der Roboter besitzt ein „Gehirn“ (ein neuronales Netz), das die Klänge aus beiden Räumen betrachtet.
Der „MMD“-Trick: Der Roboter verwendet ein spezielles mathematisches Werkzeug namens Maximum Mean Discrepancy (MMD). Denken Sie an dies als einen „Ähnlichkeitsdetektor“. Er prüft ständig: „Sehen die Klänge aus Raum A und Raum B für mein Gehirn gleich aus?“
- Wenn der Roboter ein Geräusch aus Raum A und ein Geräusch aus Raum B hört, die sich unterschiedlich anfühlen, passt er sein Gehirn an, um sie ähnlicher zu machen.
- Er zwingt den Roboter, das „Geräusch“ der Stiefel zu ignorieren und sich nur auf das „Gewicht“ des Rucksacks zu konzentrieren.
Das Ergebnis: Der Roboter lernt eine universelle Sprache des Gewichts. Wenn er die klobigen Stiefel in Raum B hört, kann er das Gewicht des Rucksacks immer noch genau schätzen, weil er gelernt hat, das Schuhgeräusch zu ignorieren und sich auf die Kernvibration zu konzentrieren.

Das Experiment: Eine rotierende Welle
Die Forscher testeten dies an einer echten Maschine: einer rotierenden Metallwelle (wie ein Motor oder ein Ventilator).

Das Ziel: Das Gewicht (die Unwucht) zu schätzen, das an der rotierenden Welle haftet, nur indem man auf deren Vibrationen hört.
Die Wendung: Sie trainierten den Roboter auf einer „sauberen“ Welle (Quelle). Dann testeten sie ihn auf einer „unordentlichen“ Welle, bei der in der Nähe ein zweiter Motor lief, der zusätzliche Vibrationen und Lärm erzeugte (Ziel). Dies simuliert eine echte Fabrik, in der viele Maschinen gleichzeitig laufen.

Was sie herausfanden

Bei niedriger Geschwindigkeit (500 U/min): Die Maschine rotierte so langsam, dass die Vibrationen schwach und leise waren. Der Roboter hatte Schwierigkeiten, den Unterschied zwischen dem „Gewicht“ und dem Hintergrundgeräusch zu hören. Selbst mit dem speziellen „Universellen Übersetzer“-Trick konnte er das Gewicht nicht gut schätzen. Es war, als versuchte man, ein Flüstern in einer Bibliothek zu hören; es gab einfach nicht genug Signal.
Bei mittlerer Geschwindigkeit (1000 U/min): Dies war der „Sweet Spot“. Die Vibrationen waren laut und klar. Der Roboter nutzte den „Universellen Übersetzer“, um den zusätzlichen Lärm des zweiten Motors zu ignorieren, und schätzte das Gewicht mit unglaublicher Genauigkeit (fast perfekt).
Bei hoher Geschwindigkeit (2000 U/min): Die Maschine rotierte sehr schnell. Die Vibrationen waren gewaltig, aber sie wurden auch kompliziert und chaotisch (wie ein Sturm). Der Roboter machte immer noch einen großartigen Job, wenn auch etwas weniger perfekt als bei mittlerer Geschwindigkeit, da das Chaos es schwieriger machte, das spezifische „Gewichtssignal“ zu isolieren.

Das Wichtigste in Kürze
Ohne diesen speziellen „Universellen Übersetzer“-Trick scheiterte der Roboter in der lauten Umgebung kläglich. Er würde völlig falsche Zahlen liefern. Aber mit dem Trick lernte er sich anzupassen.

Das Paper kommt zu dem Schluss, dass diese Methode sehr gut für das Structural Health Monitoring (Strukturüberwachung/Zustandsüberwachung) funktioniert, wenn die Maschine, die man testet, leicht von der Maschine abweicht, mit der man trainiert hat. Es beweist, dass man einem Computer beibringen kann, den „Herzschlag“ einer Maschine zu verstehen, selbst wenn die Maschine in einer lauten, anderen Umgebung ist, sol($ange$) man ihn lehrt, die Unterschiede zu ignorieren und sich auf die Ähnlichkeiten zu konzentrieren.

Kurz gesagt: Sie haben einem Computer beigebracht, das „Hintergrundgeräusch“ einer neuen Umgebung zu ignorieren, damit er das Gewicht einer rotierenden Maschine genau messen kann, selbst wenn er diese spezifische Umgebung noch nie zuvor gesehen hat.

Technische Zusammenfassung: Domänenverschiebung-bewusste neuronale Netze zur Charakterisierung von Unwuchten in rotierenden Systemen

Problemstellung
Diese Arbeit befasst sich mit einer kritischen Einschränkung der strukturbezogenen Zustandsüberwachung (Structural Health Monitoring, SHM) für rotierende Maschinen: der Degradation von überwachten Lernmodellen beim Einsatz unter Betriebsbedingungen, die von ihren Trainingsdaten abweichen (Domänenverschiebung/Domain Shift). In praktischen SHM-Szenarien ist es oft nicht machbar, beschriftete Daten für alle möglichen strukturellen Zustände und Betriebsbedingungen zu erhalten. Infolgedessen versagen Modelle, die auf einer „Quell“-Domäne (z. B. einer spezifischen Maschine oder einem bestimmten Betriebsregime) trainiert wurden, häufig bei der Generalisierung auf eine „Ziel“-Domäne (z. B. dieselbe Maschine unter anderen Lasten, Geschwindigkeiten oder strukturellen Konfigurationen) aufgrund von Verteilungsunterschieden. Insbesondere untersucht diese Arbeit die Regressionsaufgabe der Schätzung von Unwuchtsmassen in rotierenden Wellen, wenn die Ziel-Domäne durch die Aktivierung einer sekundären, gekoppelten Welle Domänenunterschiede aufweist, die komplexe dynamische Wechselwirkungen und Rauschen einführt, die in den Trainingsdaten nicht vorhanden sind.

Methodik
Die Autoren schlagen ein Domänenverschiebung-bewusstes neuronales Netz vor, das auf einem Domänenadaptations-Framework unter Verwendung der Maximum Mean Discrepancy (MMD) basiert. Die Methodik ist wie folgt strukturiert:

Experimenteller Aufbau: Die Daten wurden von einer Laborprüfstandanlage gesammelt, die aus einer durch einen Elektromotor angetriebenen Primärwelle und einer über einen Riemen gekoppelten Sekundärwelle besteht. Die Primärwelle trug kontrollierte Unwuchtmassen (im Bereich von 0 g bis 10,8 g) in einem festen radialen Abstand. Die Domänenabweichung wurde durch die Aktivierung der Sekundärwelle eingeführt, wodurch eine „Ziel“-Domäne mit anderen dynamischen Eigenschaften im Vergleich zur „Quell“-Domäne (nur Primärwelle) entstand. Die Tests wurden bei drei Drehzahlen durchgeführt: 500, 1000 und 2000 U/min.
Datenverarbeitung: Rohsignale von dreiachsigen Beschleunigungssensoren wurden in überlappungsfreie Fenster segmentiert. Merkmale wurden durch die Konkatenation von Zeitbereichssignalen mit dem Betrag ihrer Fast-Fourier-Transformation (FFT) konstruiert, um sowohl zeitliche als auch spektrale Charakteristika zu erfassen. Die Daten wurden unter Verwendung von Statistiken, die ausschließlich aus der Quell-Domäne stammen, normalisiert, um Informationslecks (Information Leakage) zu vermeiden.
Modellarchitektur: Ein gemeinsames eindimensionales Convolutional Neural Network (CNN)-Backbone verarbeitet Eingaben aus beiden Domänen (Quelle und Ziel). Das Netzwerk besteht aus drei Convolutional-Blöcken, Global Average Pooling und Fully-Connected-Schichten, die einen skalaren Schätzwert für die Unwucht ausgeben.
Trainingsziel: Das Modell wird mit einer zusammengesetzten Verlustfunktion trainiert:
$L(\theta) = L_{data}(\theta) + \lambda L_{MMD}(\theta)$
Wobei $L_{data}$ der mittlere quadratische Fehler (MSE) ist, der nur auf beschrifteten Quellproben berechnet wird, und $L_{MMD}$ die Maximum Mean Discrepancy ist, die auf den latenten Merkmalsrepräsentationen sowohl der Quell- als auch der Ziel-Domänen berechnet wird. Der MMD-Verlust nutzt einen Student's-t-Kernel und minimiert den Abstand zwischen den Merkmalsverteilungen der Quelle und des Ziels in einem Reproduzierenden Kernel-Hilbert-Raum (RKHS). Ein progressiver Gewichtungs-Scheduler (auf Sigmoid-Basis) wird eingesetzt, um den Einfluss des MMD-Verlustes während des Trainings schrittweise zu erhöhen, um ein stabiles Lernen der Merkmale vor der Erzwingung der Domänenanpassung zu gewährleisten.

Wesentliche Beiträge

Anwendung auf Regression in der SHM: Während Domänenadaptation gut für die Fehlerklassifizierung (z. B. Lagerfehlerdiagnose) erforscht ist, untersucht diese Arbeit deren Anwendung auf Regressionsaufgaben (quantitative Unwuchtschätzung), ein vergleichsweise untererforschtes Gebiet in der SHM-Literatur.
Experimentelle Validierung der Domänenverschiebung: Die Studie bietet einen kontrollierten experimentellen Rahmen, in dem eine Domänenverschiebung durch eine sekundäre mechanische Komponente induziert wird, was eine rigorose Bewertung der Generalisierungsfähigkeit des Modells unter physikalisch realistischen Diskrepanzen ermöglicht.
Analyse der Betriebsregime: Die Arbeit evaluiert systematisch die Modellleistung bei niedrigen (500 U/min), mittleren (1000 U/min) und hohen (2000 U/min) Geschwindigkeiten und zeigt auf, wie Rotationsgeschwindigkeit und Signal-Rausch-Verhältnis die Wirksamkeit der Domänenadaptation beeinflussen.

Ergebnisse
Die Leistung des vorgeschlagenen MMD-basierten Modells wurde mit einem Baseline-Modell verglichen, das ausschließlich auf Quelldaten trainiert wurde (ohne Domänenanpassung, $\lambda=0$ ).

Niedriggeschwindigkeits-Regime (500 U/min): Das Modell zeigte eine begrenzte Generalisierung. Die geringen Zentrifugalkräfte führten zu schwachen dynamischen Signaturen und niedrigen Signal-Rausch-Verhältnissen, was eine schlechte Merkmalsseparierbarkeit zur Folge hatte. Selbst mit MMD-Anpassung hatte das Modell Schwierigkeiten, Unwuchtgrade zu unterscheiden; das Baseline-Modell versagte vollständig (negatives $R^2$ ).
Mittleres Geschwindigkeits-Regime (1000 U/min): Dieses Regime lieferte die beste Leistung. Das Modell erreichte eine hohe Vorhersagegenauigkeit mit einem $R^2$ von 0,9949 (balancierte Ziel-Domäne) und 0,9914 (unbalancierte Ziel-Domäne). Die MMD-Strategie richtete die Quell- und Zielverteilungen effektiv aus und bewahrte gleichzeitig diskriminative Merkmale, wodurch sie das Baseline-Modell (das eine große Streuung und ein negatives $R^2$ aufwies) deutlich übertraf.
Hochgeschwindigkeits-Regime (2000 U/min): Das Modell behielt eine starke Generalisierung bei ( $R^2 \approx 0,98$ ), wenngleich die Leistung im Vergleich zu 1000 U/min leicht abnahm. Die Autoren führen dies auf erhöhte nichtlineare dynamische Effekte und eine höhere harmonische Komplexität bei höheren Geschwindigkeiten zurück, was zusätzliche Variabilität einführte.
Einfluss der Domänenabweichung: In allen Regimen reduzierte das Vorhandensein einer unbalancierten Sekundärwelle (was die Domänenabweichung erhöht) die Genauigkeit im Vergleich zur balancierten Zielbedingung. Dennoch übertraf das Domänenverschiebung-bewusste Modell das Baseline-Modell konsistent, was zeigt, dass eine explizite Verteilungsanpassung für die Kreuz-Domänen-Regression entscheidend ist.

Bedeutung und Ansprüche
Das Papier behauptet, dass die explizite Adressierung der Domänenverschiebung durch MMD-basierte Regularisierung die Robustheit von Regressionsmodellen in der SHM signifikant verbessert, wenn Ziel-Daten unbeschriftet sind und die Betriebsbedingungen von den Trainingsdaten abweichen. Die Studie hebt hervor, dass der Erfolg solcher Modelle von der Qualität der dynamischen Anregung abhängt: Ausreichende Signalenergie und Separierbarkeit (wie bei 1000 U/min beobachtet) sind Voraussetzungen für eine effektive Domänenadaptation.

Die Autoren vertreten eine moderate Position und merken an, dass ihre Schlussfolgerungen spezifisch für den experimentellen Aufbau und die Betriebsbedingungen gelten. Sie betonen, dass ihr Ansatz zwar die Machbarkeit demonstriert, aber nicht universell generalisierbar ist, ohne spezifische Rauschpegel, Anregungsregime und mechanische Konfigurationen zu berücksichtigen. Die Arbeit dient als Proof-of-Concept für die Anwendung domänenadaptiver Regressionsstrategien zur Unwuchtscharakterisierung und legt nahe, dass zukünftige Forschung variierende Unwuchtradien untersuchen und physik-informierte Modellierung integrieren könnte, um die Robustheit weiter zu erhöhen.

Technische Zusammenfassung: Domänenverschiebung-bewusste neuronale Netze zur Charakterisierung von Unwuchten in rotierenden Systemen

Mehr davon