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

Résumé Technique : Réseaux de neurones sensibles au décalage de domaine pour la caractérisation du balourd dans les systèmes rotatifs

Énoncé du problème
Ce travail traite d'une limitation critique de la surveillance de l'état de santé structurelle (SHM) pour les machines tournantes : la dégradation des modèles d'apprentissage automatique supervisés lors de leur déploiement dans des conditions opérationnelles différentes de leurs données d'entraînement (décalage de domaine ou domain shift). Dans les scénarios pratiques de SHM, obtenir des données étiquetées pour tous les états structurels et conditions de fonctionnement possibles est souvent irréalisable. Par conséquent, les modèles entraînés sur un domaine « source » (par exemple, une machine spécifique ou un régime de fonctionnement donné) échouent fréquemment à se généraliser à un domaine « cible » (par exemple, la même machine sous des charges, des vitesses ou des configurations structurelles différentes) en raison de déséquilibres de distribution. Plus précisément, cet article étudie la tâche de régression consistant à estimer les niveaux de masse de balourd dans des arbres rotatifs lorsque le domaine cible présente des écarts de domaine causés par l'activation d'un arbre secondaire couplé, ce qui introduit des interactions dynamiques complexes et du bruit absents des données d'entraînement.

Méthodologie
Les auteurs proposent un réseau de neurones sensible au décalage de domaine basé sur un cadre d'adaptation de domaine utilisant la divergence de Maximum Mean Discrepancy (MMD). La méthodologie est structurée comme suit :

• Configuration expérimentale : Les données ont été collectées à partir d'un banc d'essai de laboratoire comprenant un arbre primaire entraîné par un moteur électrique et un arbre secondaire couplé par une courroie. L'arbre primaire supportait des masses de balourd contrôlées (allant de 0 g à 10,8 g) à une distance radiale fixe. Le décalage de domaine a été introduit par l'activation de l'arbre secondaire, créant un domaine « cible » avec des caractéristiques dynamiques différentes par rapport au domaine « source » (arbre primaire uniquement). Les tests ont été effectués à trois vitesses de rotation : 500, 1000 et 2000 tr/min.
• Traitement des données : Les signaux d'accéléromètre triaxiaux bruts ont été segmentés en fenêtres non chevauchantes. Les caractéristiques ont été construites en concaténant les signaux temporels avec l'amplitude de leur transformée de Fourier rapide (FFT) afin de capturer les caractéristiques tant temporelles que spectrales. Les données ont été normalisées à l'aide de statistiques dérivées exclusivement du domaine source pour éviter toute fuite d'information.
• Architecture du modèle : Un réseau de neurones convolutifs (CNN) unidimensionnel partagé traite les entrées des domaines source et cible. Le réseau se compose de trois blocs de convolution, d'un pooling moyen global (global average pooling) et de couches entièrement connectées, produisant une estimation scalaire du balourd.
• Objectif d'entraînement : Le modèle est entraîné à l'aide d'une fonction de perte composite :
  $$L(\theta) = L_{data}(\theta) + \lambda L_{MMD}(\theta)$$
  Où $L_{data}$ est l'erreur quadratique moyenne (MSE) calculée uniquement sur les échantillons étiquetés de la source, et $L_{MMD}$ est la perte de Maximum Mean Discrepancy calculée sur les représentations de caractéristiques latentes des domaines source et cible. La perte MMD, utilisant un noyau de type Student's t, minimise la distance entre les distributions de caractéristiques source et cible dans un espace de Hilbert à noyau reproduisant (RKHS). Un programmateur de pondération progressif (basé sur une fonction sigmoïde) est employé pour augmenter graduellement l'influence de la perte MMD pendant l'entraînement, garantissant un apprentissage de caractéristiques stable avant d'imposer l'alignement des domaines.

Contributions clés

1. Application à la régression en SHM : Bien que l'adaptation de domaine soit largement explorée pour la classification de défauts (par exemple, le diagnostic de défaut de roulement), ce travail étudie son application aux tâches de régression (estimation quantitative du balourd), un domaine comparativement moins exploré dans la littérature de la SHM.
2. Validation expérimentale du décalage de domaine : L'étude fournit un cadre expérimental contrôlé où le décalage de domaine est induit par un composant mécanique secondaire, permettant une évaluation rigoureuse de la généralisation du modèle sous des écarts physiquement réalistes.
3. Analyse des régimes de fonctionnement : L'article évalue systématiquement les performances du modèle à travers des vitesses basses (500 tr/min), moyennes (1000 tr/min) et hautes (2000 tr/min), révélant comment la vitesse de rotation et les rapports signal sur bruit influencent l'efficacité de l'adaptation de domaine.

Résultats
Les performances du modèle proposé basé sur la MMD ont été comparées à un modèle de référence entraîné uniquement sur les données sources (sans alignement de domaine, $\lambda=0$).

• Régime de basse vitesse (500 tr/min) : Le modèle a montré une généralisation limitée. Les faibles forces centrifuges ont entraîné des signatures dynamiques faibles et des rapports signal sur bruit bas, conduisant à une faible séparabilité des caractéristiques. Même avec l'alignement MMD, le modèle a eu du mal à distinguer les niveaux de balourd, le modèle de référence échouant complètement ( $R^2$ négatif).
• Régime de vitesse moyenne (1000 tr/min) : Ce régime a donné les meilleurs résultats. Le modèle a atteint une haute précision prédictive avec un $R^2$ de 0,9949 (cible équilibrée) et 0,9914 (cible déséquilibrée). La stratégie MMD a efficacement aligné les distributions source et cible tout en préservant les caractéristiques discriminantes, surpassant de manière significative le modèle de référence (qui présentait une grande dispersion et un $R^2$ négatif).
• Régime de haute vitesse (2000 tr/min) : Le modèle a maintenu une forte généralisation ($R^2 \approx 0,98$), bien que les performances aient légèrement diminué par rapport à 1000 tr/min. Les auteurs attribuent cela à l'augmentation des effets dynamiques non linéaires et de la complexité harmonique à des vitesses plus élevées, ce qui a introduit une variabilité supplémentaire.
• Impact du décalage de domaine : Dans tous les régimes, la présence d'un arbre secondaire déséquilibré (augmentant le décalage de domaine) a réduit la précision par rapport à la condition cible équilibrée. Cependant, le modèle sensible au décalage de domaine a systématiquement surpassé le modèle de référence, démontrant qu'un alignement explicite des distributions est crucial pour la régression cross-domaine.

Signification et affirmations
L'article affirme qu'adresser explicitement le décalage de domaine par une régularisation basée sur la MMD améliore considérablement la robustesse des modèles de régression en SHM lorsque les données cibles ne sont pas étiquetées et que les conditions opérationnelles diffèrent des données d'entraînement. L'étude souligne que le succès de tels modèles dépend de la qualité de l'excitation dynamique ; une énergie de signal et une séparabilité suffisantes (comme observé à 1000 tr/min) sont des prérequis pour une adaptation de domaine efficace.

Les auteurs maintiennent une position modeste, notant que leurs conclusions sont spécifiques à la configuration expérimentale et aux conditions de fonctionnement. Ils soulignent que, bien que l'approche démontre sa faisabilité, elle n'est pas universellement généralisable sans prendre en compte les niveaux de bruit spécifiques, les régimes d'excitation et les configurations mécaniques. Ce travail sert de preuve de concept pour l'application de stratégies de régression adaptatives au domaine pour la caractérisation du balourd, suggérant que les recherches futures pourraient explorer des rayons de balourd variables et intégrer une modélisation informée par la physique pour renforcer davantage la robustesse.