An Unsupervised Framework for Dynamic Health Indicator Construction and Its Application in Rolling Bearing Prognostics

Resumen Técnico: Un Marco No Supervisado para la Construcción de Indicadores de Salud Dinámicos y su Aplicación en la Prognosis de Rodamientos

1. Enunciado del Problema

Los rodamientos son componentes críticos en la maquinaria industrial; sin embargo, su fallo bajo condiciones operativas adversas conduce a averías inesperadas y pérdidas económicas. El mantenimiento predictivo depende en gran medida de la construcción de un Indicador de Salud (IS) para representar la degradación, predecir la vida útil restante (RUL) y estimar los tiempos de fallo.

Los métodos existentes de construcción de IS enfrentan dos limitaciones principales:

1. Dependencia del Conocimiento Experto: Los IS basados en física (PHIs) y los IS virtuales (VHIs) tradicionales a menudo dependen de la ingeniería de características manual (por ejemplo, RMS, curtosis, entropía) o de la fusión de características estadísticas específicas. Este enfoque requiere experiencia en el dominio, carece de generalización y puede introducir sesgos humanos.
2. Omisión de la Dependencia Temporal a Nivel de IS: Si bien algunos métodos de aprendizaje profundo extraen características de señales crudas, a menudo tratan la construcción del IS como una tarea estática, derivando el indicador únicamente de las observaciones actuales. No logran modelar explícitamente la dependencia temporal a nivel de IS—la correlación entre el estado actual del IS y sus valores pasados. Dado que la degradación es un proceso progresivo, ignorar esta relación dinámica limita la capacidad del IS para representar con precisión las tendencias de degradación y obstaculiza una prognosis fiable.

2. Metodología

Los autores proponen un marco no supervisado novedoso para la construcción de un Indicador de Salud Dinámico (IS Dinámico). El marco opera en dos etapas secuenciales, eliminando la necesidad de ingeniería de características manual mientras modela explícitamente las dinámicas temporales.

Etapa 1: Aprendizaje de Características de Degradación mediante un Autoencoder con Conexiones de Salto (SkipAE)

• Objetivo: Mapear las señales de vibración crudas en un Espacio de Características de Degradación (DFS) de baja dimensión y representativo, sin intervención experta.
• Arquitectura: Se emplea un SkipAE como columna vertebral. A diferencia de los autoencoders estándar, el SkipAE utiliza conexiones de salto para vincular directamente las capas del codificador con las capas correspondientes del decodificador.
• Mecanismo: Esta arquitectura preserva la información multinivel y multiescala durante el proceso de codificación y reconstrucción, mitigando la pérdida de información y el problema del gradiente que se desvanece. Extrae características de degradación esenciales ($z_k$) directamente de las señales crudas ($x_k$).

Etapa 2: Generación de IS Dinámico con Bloque Interno de Predicción de IS

• Objetivo: Construir el IS ($y_k$) a partir de las características aprendidas garantizando la dependencia temporal a nivel de IS.
• Arquitectura: Un módulo generador de IS ligero mapea las características $z_k$ a una serie IS unidimensional. Crucialmente, este módulo integra un bloque interno de predicción de IS.
• Mecanismo:
  • Modelado Temporal: El bloque de predicción pronostica el estado actual del IS ($\hat{y}_k$) basándose en una ventana de estados pasados ($\{y_i\}_{k-L}^{k-1}$). La entrada se descompone en componentes de tendencia y estacionales para mejorar la precisión de la predicción.
  • Función de Pérdida: El marco optimiza una función de pérdida combinada ($L_{combined}$) que comprende:
    1. Pérdida de Reconstrucción ($L_{rec}$): Asegura que el IS retenga información de las características de degradación originales.
    2. Pérdida de Predicción ($L_{pre}$): Minimiza el error entre el IS real y el IS predicho, imponiendo explícitamente la dependencia temporal a nivel de IS.
    3. Pérdida de Monotonía ($L_{mono}$): Impone una tendencia de aumento monótono para alinearse con la naturaleza física de la degradación.
• Entrenamiento: El sistema se entrena de forma no supervisada utilizando descenso de gradiente estocástico. La serie IS utilizada para el objetivo de predicción se actualiza iterativamente durante el entrenamiento.

3. Contribuciones Clave

1. Aprendizaje de Características basado en Conexiones de Salto: La propuesta de un módulo SkipAE para aprender automáticamente características de degradación integrales y multiescala a partir de señales crudas, eliminando la dependencia de la ingeniería de características manual.
2. Construcción de IS Dinámico con Garantía Temporal: La introducción de un módulo generador de IS novedoso que integra un bloque interno de predicción. Esto modela y garantiza explícitamente la dependencia temporal a nivel de IS, distinguiendo el IS Dinámico propuesto de los IS estáticos tradicionales.
3. Marco No Supervisado para Prognosis: El desarrollo de un marco no supervisado completo que asegura que el IS construido posea alta representatividad, monotonía y predictibilidad, verificado mediante experimentos extensos en dos conjuntos de datos de referencia.

4. Resultados Experimentales

El marco se evaluó en dos conjuntos de datos: el conjunto de datos IEEE PHM 2012 (plataforma PRONOSTIA) y un conjunto de datos HIT-B auto-recopilado (prueba de vida acelerada). El estudio incluyó tres tareas: misma máquina misma condición, misma máquina diferente condición y diferente máquina diferente condición.

• Rendimiento en la Construcción del IS: El método propuesto superó a los métodos de comparación (incluyendo RMS, P-Entropía, ISOMAP, KPCA, CEEMDAN, VAE y SSAE) en todas las métricas: Monotonía (Mon), Tendencia (Tred), Robustez (Rob) y Escala Híbrida (HS). Notablemente, logró las puntuaciones más altas en Mon y Tred, lo que indica una capacidad superior para reflejar la tendencia de degradación y resistir el ruido.
• Rendimiento en Prognosis: Cuando se utilizó para la predicción de la tendencia de degradación, el IS Dinámico demostró un Error Cuadrático Medio (RMSE) significativamente menor y un Índice de Predictibilidad (Pred) más alto en comparación con otros métodos. El valor promedio de Pred superó 0.9, mientras que los otros métodos oscilaron en valores más bajos.
• Estudios de Ablación: La eliminación del SkipAE, del bloque interno de predicción de IS o del módulo generador de IS resultó en una degradación del rendimiento en todas las métricas. Esto confirmó que las conexiones de salto son vitales para la representatividad de las características, y que el bloque interno de predicción es esencial para capturar las dinámicas temporales y mejorar la precisión de la prognosis.

5. Significado y Afirmaciones

El artículo afirma que el marco no supervisado propuesto aborda la brecha crítica en los métodos existentes de construcción de IS al modelar explícitamente la dependencia temporal a nivel de IS. Al asegurar que el estado actual del IS esté explícitamente correlacionado con sus valores pasados, el IS Dinámico construido captura mejor la naturaleza dinámica inherente del proceso de degradación.

Los autores afirman que este enfoque conduce a:

• Superior Representatividad: El IS refleja con mayor precisión la verdadera tendencia de degradación de los rodamientos.
• Predictibilidad Mejorada: El modelado explícito de la dependencia temporal mejora significativamente la precisión de las predicciones futuras de degradación y la estimación de la RUL.
• Robustez: El método funciona bien en diferentes condiciones operativas y tipos de máquinas sin requerir una reingeniería de las características.

El estudio concluye que el IS Dinámico propuesto facilita decisiones de mantenimiento predictivo más fiables al proporcionar un indicador de salud que no solo es monótono y robusto, sino también inherentemente predecible debido a su construcción dinámica.