Robust Optimal Experimental Design Accounting for Sensor Failure

Resumen Técnico: Diseño Experimental Óptimo Robusto para Análisis de Vibraciones

1. Planteamiento del Problema

El Diseño Experimental Óptimo (OED) es una herramienta fundamental para determinar a priori las ubicaciones y orientaciones ideales para colocar sensores (acelerómetros) en experimentos de análisis de vibraciones, con el fin de calibrar modelos de dinámica estructural (parámetros desconocidos como propiedades de materiales o fuerzas externas).

Sin embargo, los enfoques de OED clásicos presentan una limitación crítica en aplicaciones del mundo real: asumen que todos los sensores funcionarán correctamente. En entornos de alta aceleración mecánica, los sensores pueden fallar debido a:

• Desconexión física (Dropout): El sensor se desprende por las altas aceleraciones.
• Recorte de señal (Clipping): Las mediciones exceden el rango dinámico del sensor, distorsionando o perdiendo los datos.

La literatura existente sobre OED robusto a menudo no es escalable para problemas de dinámica estructural de alta dimensión (muchos candidatos de ubicación) y modelos computacionalmente costosos (elementos finitos). El objetivo de este trabajo es desarrollar formulaciones de OED robustas que sean computacionalmente eficientes y capaces de manejar la falla total de sensores en escenarios de vibración estructural.

2. Metodología

A. Modelo de Problema y Formulación Inversa

• Modelo Directo: Se utiliza la ecuación de Helmholtz discretizada para modelar la respuesta vibracional de una estructura lineal e invariante en el tiempo (ejemplificada con un modelo de "pastel de bodas" de 3 niveles). La relación entre las fuerzas desconocidas ($\theta$) y las aceleraciones observadas ($y$) se modela como $y = T\theta + \epsilon$, donde $T$ es la función de respuesta en frecuencia.
• Problema Inverso: El objetivo es estimar las fuerzas inciertas $\theta$ minimizando el error cuadrático medio. La calidad de la estimación depende de la matriz de covarianza de los parámetros $C(w)$, donde $w$ representa la estrategia de colocación de sensores (binaria: 1 si se coloca, 0 si no).

B. Formulación de OED Robusto
El problema clásico busca minimizar el logaritmo del determinante de la covarianza (criterio D-óptimo) sujeto a un presupuesto de sensores. Para hacerlo robusto, los autores consideran dos enfoques según la disponibilidad de información sobre las probabilidades de falla:

1. Probabilidades de Falla Conocidas/Predichas: Se utiliza una matriz diagonal $R$ donde los elementos $R_{ii} = 1 - q_i$ ($q_i$ es la probabilidad de falla del sensor $i$). La covarianza robusta se calcula ponderando la información esperada de cada sensor por su probabilidad de supervivencia.
2. Probabilidades Desconocidas (Escenarios de Falla): Cuando no se conocen las probabilidades, se promedia el criterio de optimalidad sobre un conjunto de $S$ escenarios de falla muestreados (ej. todos los casos donde falla exactamente un sensor).

C. Estrategia de Optimización y Penalización

• Relajación: Para evitar la complejidad combinatoria de la optimización binaria directa (que es NP-dura), se relaja el problema permitiendo que los pesos de los sensores $w_i$ tomen valores fraccionales en $[0, 1]$. Esto permite el uso de métodos de optimización basados en gradientes eficientes.
• Penalización de Doble Pozo (Double-Well Penalty): Para recuperar un diseño binario (0 o 1) sin recurrir a heurísticas de redondeo posteriores, se introduce una nueva penalización en la función objetivo: $P(w) = \sum w_i(1-w_i)$. Esta función penaliza los valores fraccionales, empujando la solución óptima hacia los extremos (0 o 1) durante el proceso de optimización.

D. Métricas de Evaluación
Además del criterio de optimización (log-determinante), los autores evalúan el rendimiento post-optimización mediante:

• Error Cuadrático Medio (MSE) de los parámetros estimados.
• MSE de las predicciones.
• Análisis de rendimiento bajo diversos escenarios de falla (falla de sensores óptimos, escenarios probabilísticos y escenarios de recorte/clipping).

3. Contribuciones Clave

1. Formulaciones Robustas Generales: Aplicación de estrategias de OED robusto a problemas de dinámica estructural 3D, cubriendo tanto casos con probabilidades de falla conocidas como desconocidas.
2. Optimización Eficiente: Implementación de un enfoque relajado con gradientes que hace tratable el problema de OED robusto en espacios de diseño de alta dimensión.
3. Penalización de Doble Pozo: Introducción de una penalización novedosa en el contexto de OED para inducir diseños binarios esparsos directamente durante la optimización, evitando heurísticas de redondeo.
4. Evaluación Integral: Expansión de la evaluación de diseños más allá del criterio de optimización, incluyendo MSEs y análisis de rendimiento bajo múltiples escenarios de falla.

4. Resultados Computacionales

Los experimentos se realizaron sobre el modelo de "pastel de bodas" con 267 ubicaciones candidatas de sensores.

• Falla de un solo sensor (Probabilidades desconocidas):

  • En diseños binarios puros, el diseño clásico y el robusto a menudo coinciden, sugiriendo que la optimalidad D puede ser inherentemente robusta en ciertos espacios de diseño restringidos.
  • Sin embargo, en diseños fraccionales (sin restricción binaria estricta), el diseño robusto es menos disperso (usa más sensores) y demuestra un mejor rendimiento promedio y en el peor de los casos cuando un sensor falla, en comparación con el diseño clásico.
  • El diseño robusto optimizado para la falla de un sensor también mostró robustez ante la falla de dos sensores.

• Probabilidades de Falla Conocidas:

  • Al asignar probabilidades de falla basadas en la intuición física (mayor riesgo en la parte superior de la estructura), el diseño robusto difiere del clásico, evitando ubicaciones de alto riesgo.
  • Rendimiento: Si no hay fallas, ambos diseños tienen un rendimiento similar. Sin embargo, al promediar sobre $10^5$ escenarios de falla simulados, el diseño robusto supera consistentemente al clásico en términos de log-determinante y MSEs de parámetros y predicciones.
  • El costo computacional de obtener el diseño robusto con probabilidades conocidas es comparable al del diseño clásico.

• Comportamiento de Recorte (Clipping):

  • Se simuló un escenario donde las aceleraciones altas causan recorte de datos. El diseño robusto evitó colocar sensores en la placa superior (donde las aceleraciones son máximas), mientras que el diseño clásico los colocó allí.
  • El diseño robusto demostró una mayor estabilidad y menor pérdida de información cuando ocurrieron eventos de recorte.

5. Significado y Conclusiones

El trabajo demuestra que, aunque los diseños clásicos y robustos pueden compartir muchas ubicaciones óptimas y tener un rendimiento similar en condiciones ideales (sin fallas), los diseños robustos superan significativamente a los clásicos en promedio cuando se consideran escenarios de falla realistas.

La principal ventaja de la metodología propuesta es su eficiencia computacional: permite generar diseños binarios robustos sin incurrir en el costo prohibitivo de la optimización combinatoria directa o en la necesidad de heurísticas de redondeo posteriores. Esto es crucial para aplicaciones de ingeniería crítica (aeroespacial, civil) donde la falla de sensores es una posibilidad real y el costo de un experimento fallido es alto.

El estudio concluye que incorporar la incertidumbre de la falla de sensores en la fase de diseño experimental no solo mitiga el riesgo de pérdida de datos, sino que mejora la precisión de la estimación de parámetros en condiciones operativas adversas, manteniendo un costo computacional manejable.