Towards Interpretable Damage Detection based on Aerodynamic Pressure Measurements

Resumen Técnico: Hacia la Detección de Daños Interpretable Basada en Mediciones de Presión Aerodinámica

Planteamiento del Problema
Las palas modernas de turbinas eólicas grandes son cada vez más flexibles, lo que hace necesarias soluciones de monitorización de la salud estructural (SHM) rentables y fiables. Aunque las redes neuronales profundas (DNN), como las Redes Neuronales Convolucionales (CNN), han demostrado éxito en el reconocimiento de patrones para SHM, su naturaleza de "caja negra" limita su utilidad en la toma de decisiones de alto riesgo. Estos modelos a menudo carecen de interpretabilidad, lo que dificulta comprender los mecanismos físicos que impulsan sus predicciones o garantizar que se generalicen de manera fiable a condiciones operativas reales que difieren de las distribuciones de entrenamiento. Un trabajo previo de los autores [Franz et al., 2025] estableció que las mediciones de presión aerodinámica (APM) obtenidas mediante el sistema Aerosense podían detectar y clasificar eficazmente daños estructurales en estructuras elásticas cargadas aerodinámicamente. Sin embargo, los mecanismos subyacentes por los cuales el daño influye en el campo de presión y las características específicas en las que se basa la CNN permanecieron opacos.

Metodología
Este estudio emplea Inteligencia Artificial Explicable (XAI) para interpretar la tubería de detección de daños basada en CNN propuesta en [Franz et al., 2025]. La metodología central incluye:

1. Datos Experimentales: El análisis utiliza datos de una campaña experimental que involucra un perfil aerodinámico NACA 633418 montado en una viga en voladizo vibrante en un túnel de viento. El daño estructural se simuló mediante cortes de sierra controlados (reduciendo la rigidez) y masa añadida. Las distribuciones de presión aerodinámica se registraron en 37 ubicaciones funcionales de sensores a través de diversos ángulos de ataque (0° y 8°), velocidades del viento y frecuencias de balanceo.
2. Gradientes Integrados (IG): Los autores aplican Gradientes Integrados, un método de atribución post-hoc agnóstico al modelo, a la CNN preentrenada. IG calcula la contribución de cada característica de entrada (canal de sensor y paso de tiempo) a la salida de clasificación del modelo integrando gradientes a lo largo de una trayectoria desde una línea base hasta la muestra de entrada.
3. Análisis de Línea Base: Para aislar propiedades específicas de la señal, se definieron tres líneas base distintas:
   • Línea Base de Presión Ambiental (APB): Una señal constante cero (eliminando toda carga aerodinámica y vibración).
   • Línea Base de Variaciones Temporales (TVB): Señales con desplazamientos de canal eliminados, preservando únicamente la dinámica temporal.
   • Línea Base de Valor Medio por Canal (MVB): Señales reemplazadas por sus valores medios por canal, preservando las relaciones de magnitud estáticas entre canales pero eliminando la dinámica temporal.
4. Reentrenamiento y Evaluación: Para validar los conocimientos obtenidos de los mapas de atribución, los autores reentrenaron modelos sobre los datos de línea base. Una CNN se reentrenó con datos TVB, y un Perceptrón Multicapa (MLP) se entrenó con datos MVB (vectores medios) para evaluar la retención de información de características estáticas versus dinámicas.

Resultados Clave

• Atribución de Características: En todas las líneas base, la CNN priorizó consistentemente los sensores ubicados cerca del borde de ataque del perfil aerodinámico (específicamente los canales 14–16).
• Características Estáticas vs. Dinámicas:
  • Dinámica Temporal (TVB): Cuando la CNN preentrenada se probó con datos TVB (desplazamientos estáticos eliminados), la precisión de clasificación colapsó a aproximadamente el 16,7 % (adivinación aleatoria). Esto indica que el modelo original depende en gran medida de características estáticas.
  • Magnitudes Estáticas (MVB): Por el contrario, cuando se probó con datos MVB (dinámica temporal eliminada), la CNN preentrenada mantuvo una precisión significativa (~50 % para un ángulo de ataque de 0° y ~62 % para un ángulo de ataque de 8°).
  • Modelos Reentrenados: Un MLP entrenado únicamente con valores medios (MVB) alcanzó una alta precisión (86,5 % para un ángulo de ataque de 0° y 83,7 % para un ángulo de ataque de 8°). En contraste, una CNN reentrenada con variaciones temporales (TVB) alcanzó una precisión significativamente menor (47,4 % y 34,8 %, respectivamente).
• Mecanismo de Daño: El análisis sugiere que la fuente principal de información discriminativa de clases es la relación de magnitud estática entre canales, probablemente resultante de desplazamientos en la posición de equilibrio del sistema estructural debido al daño (por ejemplo, deflexión hacia abajo y torsión). Aunque los patrones temporales (amplitudes de oscilación) contribuyen a la clasificación, su influencia es secundaria.
• Desprendimiento de Vórtices: El análisis espectral confirmó que no se produjo un desprendimiento de vórtices significativo en las condiciones experimentales, lo que sugiere que las variaciones temporales detectadas por el modelo son impulsadas principalmente por las oscilaciones estructurales de la viga en lugar de inestabilidades aerodinámicas.

Significado y Afirmaciones
El artículo afirma que la incorporación de conocimientos basados en la física y métodos XAI mejora la transparencia y la robustez de la SHM basada en datos. Al demostrar que la CNN se basa principalmente en relaciones espaciales estáticas (magnitudes entre canales) en lugar de dinámicas temporales complejas, el estudio:

• Valida la Base Física: Confirma que las predicciones del modelo se basan en desplazamientos físicos en el estado de equilibrio de la estructura causados por el daño, en lugar de correlaciones espurias.
• Identifica Limitaciones: Destaca que la arquitectura CNN actual puede no estar capturando óptimamente las dependencias temporales, y que la naturaleza de "caja negra" había oscurecido previamente el hecho de que las características estáticas eran los impulsores dominantes del rendimiento.
• Orienta el Diseño Futuro: Los hallazgos sugieren que los sistemas de monitorización futuros podrían depender potencialmente de una extracción de características estáticas más simple, o que se necesitan variantes XAI más sofisticadas específicas de series temporales para aislar mejor las características dependientes del estado.

Los autores concluyen que, aunque el enfoque CNN es efectivo, su interpretabilidad es crucial para comprender por qué funciona. La dependencia de características estáticas implica que el modelo está detectando la deformación permanente y la distribución de rigidez alterada causadas por el daño, ofreciendo una explicación físicamente consistente para la detección de problemas de integridad estructural en estructuras cargadas aerodinámicamente.