Imagery Dataset for Remaining Useful Life Estimation of Synthetic Fibre Ropes

Este artículo presenta un nuevo conjunto de datos de imágenes de acceso público que comprende aproximadamente 34.700 imágenes de alta resolución de once cuerdas de fibra sintética Dyneema sometidas a cargas de fatiga cíclica, diseñado para apoyar tareas de aprendizaje automático para la estimación de la vida útil restante y el monitoreo de condiciones basado en visión.

Lo esencial

Imagina que tienes una cuerda muy resistente y de alta tecnología, fabricada con fibras especiales (como el Dyneema). Esta cuerda se utiliza para trabajos de elevación pesada, como izar turbinas eólicas o mover cargas gigantes en barcos. Al igual que una goma elástica que finalmente se rompe tras ser estirada y doblada demasiadas veces, estas cuerdas se desgastan con el tiempo. El gran problema es que este desgaste ocurre lenta e invisiblemente en el interior de la cuerda, lo que dificulta saber exactamente cuándo está a punto de romperse.

Este artículo presenta una nueva "biblioteca de entrenamiento" para que las computadoras aprendan a predecir cuándo fallarán estas cuerdas. Aquí tienes un desglose sencillo:

El Problema: Adivinar el Final de la Cuerda

Actualmente, si quieres saber si una cuerda es segura, debes detener el trabajo, observarla con tus propios ojos y adivinar. Es como intentar adivinar cuándo estallará un neumático de un coche simplemente mirándolo una vez al mes. Es arriesgado y a menudo incorrecto. Los autores querían construir un sistema donde una cámara pudiera vigilar la cuerda y decir: "Te quedan unas 500 utilizaciones más antes de que te rompas".

La Solución: Un Álbum de Fotos "Time-Lapse"

Para enseñar a una computadora a hacer esto, los investigadores necesitaron un álbum de fotos masivo que mostrara la vida completa de la cuerda, desde que estaba nueva hasta que estaba completamente rota. Crearon un conjunto de datos que contenía aproximadamente 34.700 fotos de alta resolución.

Piensa en ello como un video "time-lapse", pero en lugar de un video, son miles de instantáneas individuales.

• Los Actores: Utilizaron 11 cuerdas diferentes.
• La Prueba de Estrés: Colocaron estas cuerdas en una máquina que las doblaba de un lado a otro sobre una rueda (como una polea) miles de veces. Esto imita el doblado real que realizan en barcos y grúas.
• La Presión: Probaron las cuerdas bajo diferentes cantidades de peso, desde cargas ligeras (60 kN) hasta cargas muy pesadas (280 kN).
• El Resultado: Algunas cuerdas duraron mucho tiempo (más de 8.000 dobleces), mientras que otras, bajo un estrés pesado, se rompieron rápidamente (en menos de 700 dobleces).

Cómo Tomaron las Fotos

Cada vez que la máquina doblaba la cuerda un número específico de veces (un "estallido"), se detenía. Luego, una cámara de alta velocidad tomaba 10 fotos de diferentes puntos a lo largo de la longitud de la cuerda.

¿Por qué 10 fotos? Porque el daño no es justo; no ocurre de manera uniforme. Un punto de la cuerda podría estar deshilachándose mientras el punto junto a él parece perfecto. Tomar 10 fotos asegura que la computadora vea el cuadro completo, no solo un punto afortunado.

El "Secreto": Las Etiquetas

Cada foto individual en este conjunto de datos tiene una etiqueta adjunta. Es como una marca de tiempo que dice: "Esta foto fue tomada después de 5.000 dobleces, y la cuerda se rompió a los 8.000 dobleces".

Esto permite que la computadora haga matemáticas simples:

• Vida Total: 8.000 dobleces
• Edad Actual: 5.000 dobleces
• Vida Restante: 3.000 dobleces

Como tienen esta matemática para cada foto individual, pueden entrenar a la inteligencia artificial (IA) para que mire una foto de una cuerda y calcule exactamente cuánta "vida" le queda, incluso si la cuerda parece mayormente bien a simple vista.

Por Qué Esto Es Importante

Antes de este artículo, no existía una colección pública de fotos que mostrara la vida completa de estas cuerdas de principio a fin. Los investigadores tenían que construir sus propias pruebas pequeñas, lo cual tomaba mucho tiempo y costaba mucho dinero.

Ahora, cualquiera puede descargar este "álbum de fotos" y enseñar a su IA a:

1. Detectar el daño temprano.
2. Predecir el futuro (cuántos dobleces quedan).
3. Aprender cómo diferentes pesos cambian la velocidad a la que la cuerda se desgasta.

En resumen, este artículo proporciona el "libro de texto" de imágenes que los científicos informáticos necesitan para construir sistemas más inteligentes y seguros que puedan decirnos exactamente cuándo reemplazar una cuerda antes de que se rompa, previniendo accidentes y ahorrando dinero.

Resumen técnico

Resumen Técnico: Conjunto de Datos de Imágenes para la Estimación de la Vida Útil Remanente de Cuerdas de Fibra Sintética

Enunciado del Problema
El funcionamiento seguro de grúas offshore, buques de instalación de turbinas eólicas y sistemas de manejo de cargas pesadas depende en gran medida de las cuerdas de fibra sintética (SFR), particularmente aquellas fabricadas con polietileno de alto módulo (HMPE) como Dyneema. Aunque estas cuerdas ofrecen ventajas en resistencia y peso sobre las cuerdas de acero, son susceptibles a la degradación progresiva por fatiga durante las operaciones cíclicas de flexión sobre polea (BOS). Las prácticas actuales de la industria para monitorear la salud de las cuerdas se basan en inspecciones visuales manuales periódicas y políticas conservadoras de "retiro por tiempo", las cuales son subjetivas y poco adecuadas para las condiciones variables de carga en el mundo real. Aunque el monitoreo de condición basado en datos es una alternativa prometedora, el desarrollo de algoritmos de estimación de vida útil remanente (RUL) basados en visión ha sido obstaculizado por la ausencia de conjuntos de datos de imágenes disponibles públicamente que capturen el ciclo de vida completo de degradación de las SFR bajo fatiga cíclica controlada. Los conjuntos de datos existentes, incluido el trabajo previo de los autores sobre clasificación de defectos, carecen de la información temporal del ciclo de vida necesaria para la prognóstico.

Metodología y Configuración Experimental
Para abordar esta brecha de datos, los autores construyeron un conjunto de datos de imágenes novedoso mediante una campaña experimental controlada que involucró once especímenes de cuerda HMPE Dyneema SK75/78 (diámetro nominal de 8 mm, trenzado de 12 hebras). Los experimentos se realizaron en un banco de prueba de flexión sobre polea diseñado para replicar la carga operativa BOS.

• Condiciones de Carga: Los especímenes fueron sometidos a fatiga cíclica en siete niveles de carga axial distintos que oscilaron entre 60 kN y 280 kN. Las pruebas continuaron hasta la falla mecánica, definida como una pérdida repentina y completa de la capacidad de carga. Las vidas a fatiga variaron inversamente con la carga, oscilando entre 695 ciclos (a 250 kN) y 8.340 ciclos (a 60 kN).
• Adquisición de Datos: Se utilizó un sistema de imágenes compuesto por una cámara de alta velocidad Basler acA2000 (1920 × 1200 píxeles) y un lente de 12 megapíxeles. La iluminación fue proporcionada por luces LED Aputure AL-MC RGBWW posicionadas a 45° para garantizar una iluminación uniforme y libre de sombras.
• Estrategia de Muestreo: La recolección de datos ocurrió en "ráfagas de inspección". Después de un número fijo de ciclos de polea (10–20 ciclos por ráfaga, dependiendo de la carga), el banco de prueba se detuvo y se capturaron diez imágenes en diferentes posiciones transversales a lo largo de la cuerda. Esta estrategia de muestreo espacial tiene en cuenta la naturaleza no uniforme del daño por fatiga a lo largo de la longitud de la cuerda.
• Control y Sincronización: Un NVIDIA Jetson Nano P3450 gestionó la captura de imágenes, sincronizado con el PLC del banco de prueba mediante un protocolo de apretón de manos para garantizar una temporización precisa y una asociación inequívoca de las imágenes con los conteos de ciclos.
• Composición del Conjunto de Datos: El conjunto de datos final comprende aproximadamente 34.700 imágenes PNG de alta resolución. Cada imagen está anotada con el conteo de ciclos transcurridos y la identidad específica de la cuerda.

Contribuciones Clave
La contribución principal de este trabajo es el lanzamiento del primer conjunto de datos de imágenes de ciclo de vida disponible públicamente específicamente para cuerdas HMPE bajo fatiga cíclica. Las características clave incluyen:

1. Cobertura del Ciclo de Vida Completo: El conjunto de datos captura la trayectoria visual desde condiciones saludables a través de la degradación progresiva hasta la falla mecánica para los once especímenes.
2. Referencia Diversa en Carga: Al abarcar siete niveles de carga (60–280 kN), el conjunto de datos permite el estudio de las tasas de degradación condicionadas por la carga y el desarrollo de modelos que generalizan a través de diferentes niveles de tensión.
3. Resolución Espacial y Temporal: La inclusión de diez imágenes distribuidas espacialmente por ráfaga de inspección proporciona una señal de entrenamiento más rica que las estrategias de vista única, capturando la variabilidad espacial del daño.
4. Etiquetado Directo de RUL: Cada imagen está emparejada con un conteo de ciclos transcurridos, lo que permite el cálculo directo de la RUL ($RUL = N_{falla} - N_{transcurridos}$). Esto soporta tanto tareas de regresión continua como clasificación de etapas de vida discretas (temprana, media, tardía).
5. Compatibilidad: El formato y la estructura de los datos están diseñados para ser compatibles con una amplia gama de arquitecturas de aprendizaje profundo, incluidas CNN, Transformadores de Visión (ViT) y modelos multimodales de visión-idioma.

Resultados y Características de los Datos
El artículo no presenta los resultados de modelos de aprendizaje automático específicos entrenados con los datos; más bien, los "resultados" son el conjunto de datos en sí mismo y sus propiedades estadísticas. Los datos demuestran una relación inversa clara entre la carga aplicada y la vida a fatiga. El conteo total de imágenes de ~34.700 proporciona un volumen estadísticamente significativo para entrenar modelos de aprendizaje profundo. El conjunto de datos está organizado en once carpetas (una por espécimen), cada una conteniendo metadatos sobre niveles de carga, velocidad de la cuerda y conteos de ciclos.

Significado y Afirmaciones
Los autores posicionan este conjunto de datos como un recurso de referencia fundamental para la comunidad de investigación. Su significado radica en:

• Habilitar la Predicción Automatizada de RUL: Facilita el desarrollo de sistemas basados en visión capaces de proporcionar advertencias tempranas de fallas inminentes, potencialmente reduciendo los costos de mantenimiento no planificado y previniendo incidentes de seguridad catastróficos.
• Completar el Pipeline de Monitoreo de Condición: Cuando se combina con el conjunto de datos de clasificación de defectos previo de los autores, este recurso cubre el espectro completo del monitoreo de condición (CM), desde la detección de fallas hasta la predicción de vida remanente.
• Estandarización: Al proporcionar un conjunto de datos estandarizado, diverso en carga y completamente anotado, los autores buscan acelerar el desarrollo y la comparación justa de algoritmos de gestión de salud prognóstica (PHM) para SFR, moviendo el campo más allá de las limitaciones de la inspección manual y los datos propietarios.

El trabajo es modesto en sus afirmaciones, centrándose en la provisión de la infraestructura de datos necesaria para habilitar la investigación futura en lugar de proponer un algoritmo específico o afirmar una implementación industrial inmediata. El conjunto de datos tiene la intención de servir como una herramienta para que los investigadores desarrollen y validen sus propios modelos prognósticos basados en visión.