Riassunto Tecnico: Analisi delle mappe di dipendenza basata sulla fattorizzazione tensoriale non negativa per il rilevamento locale di danni in presenza di rumore non Gaussiano

1. Il Problema (Problem Statement)

Il monitoraggio delle condizioni nei macchinari rotanti (come cuscinetti a rulli o ingranaggi) è complicato dalla necessità di rilevare danni locali precoci. Questi danni producono segnali di interesse (SOI - Signal of Interest) che sono tipicamente ciclici e impulsivi, ma spesso risultano mascherati da:

• Rumore non Gaussiano e impulsivo: Disturbi ad alta energia (es. caduta di frammenti di minerale in un frantoio) che mimano le caratteristiche del guasto.
• Condizioni operative non stazionarie: Carichi variabili che rendono instabili le caratteristiche spettrali.
• Basso rapporto segnale-rumore (SNR): La debolezza del segnale di guasto rende difficile la selezione della banda di frequenza informativa (IFB - Informative Frequency Band).

I metodi tradizionali, come la curtosi spettrale (spectral kurtosis), falliscono in queste condizioni poiché tendono a identificare le bande occupate dai disturbi impulsivi non ciclici anziché dal guasto reale.

2. Metodologia Proposta

Gli autori propongono un approccio innovativo e non supervisionato che combina l'analisi tempo-frequenza con la decomposizione tensoriale. Il processo si articola in tre fasi principali:

1. Pre-elaborazione (Costruzione del Tensore):

   • Il segnale di vibrazione viene segmentato in $M$ blocchi.
   • Per ogni segmento viene calcolato uno spettrogramma tramite STFT (Short-Time Fourier Transform).
   • Viene costruita una mappa di dipendenza (basata sulla correlazione di Pearson) per ogni segmento, che misura la similitudine tra coppie di bande di frequenza.
   • Le mappe di dipendenza di tutti i segmenti vengono impilate per formare un tensore di terzo ordine (frequenza $\times$ frequenza $\times$ segmenti).

2. Analisi (NTF - Non-negative Tensor Factorization):

   • Il tensore viene decomposto utilizzando la Fattorizzazione Tensoriale Non Negativa (NTF).
   • Viene utilizzata la $\beta$-divergenza come funzione di costo per la minimizzazione. In particolare, l'uso di $\beta = -1$ (che corrisponde alla distanza di Itakura-Saito) è stato identificato come ottimale per gestire errori residui con distribuzioni a "code pesanti" (tipiche del rumore non Gaussiano).
   • La decomposizione separa il tensore in matrici di componenti che isolano le caratteristiche informative (il guasto) da quelle non informative (rumore e impulsi casuali).

3. Decisione (Rilevamento):

   • Dalla decomposizione si estrae un "selettore" (caratteristica del filtro) che identifica l'IFB.
   • Il segnale originale viene filtrato usando questa banda.
   • L'efficacia è valutata tramite l'ENVSI (Envelope Spectrum Based Indicator), che misura l'energia dei componenti del guasto rispetto al rumore di fondo nello spettro dell'inviluppo.

3. Contributi Chiave

• Nuovo paradigma di analisi: A differenza dei metodi che analizzano l'energia (spettrogrammi), questo metodo analizza la similitudine interna (mappe di dipendenza) tra le bande, rendendolo più robusto contro gli impulsi casuali che non mostrano coerenza temporale tra i segmenti.
• Robustezza al rumore non Gaussiano: Grazie all'uso della $\beta$-divergenza con $\beta = -1$, il metodo riesce a separare il segnale ciclico dal rumore impulsivo molto più efficacemente dei metodi basati sulla curtosi.
• Approccio non supervisionato: Non richiede conoscenze pregresse sulle frequenze di guasto o addestramento tramite machine learning, rendendolo adattabile a diverse macchine.

4. Risultati

Il metodo è stato validato su segnali sintetici e dati reali (un frantoio di rame e un banco prova con cuscinetti danneggiati):

• Simulazioni: Il metodo NTF ha ottenuto valori di ENVSI estremamente elevati ($\approx 0.98$), superando nettamente la curtosi spettrale, l'indice $\alpha$ e la varianza condizionale, che non riuscivano a identificare la banda corretta.
• Dati Reali (Caso 1 - Frantoio): Il metodo ha identificato con successo la banda di 2-3 kHz (correlata al guasto) nonostante il rumore estremo. Con $\beta = -1$, ha ottenuto un ENVSI di 0.678, mentre i metodi tradizionali erano vicini allo zero.
• Dati Reali (Caso 2 - Banco prova): Il metodo ha confermato la capacità di estrarre le frequenze di guasto del cuscinetto in condizioni controllate, con risultati comparabili ai metodi più avanzati (come il CFFsgram), ma con il vantaggio di essere "blind" (non necessita di conoscere la frequenza del guasto).

5. Significato e Conclusioni

La ricerca dimostra che l'integrazione tra la statistica delle dipendenze e la decomposizione tensoriale offre una soluzione potente per il monitoraggio industriale in ambienti ostili. Il passaggio dall'analisi dell'ampiezza all'analisi della struttura di dipendenza permette di "filtrare" l'imprevedibilità del rumore non Gaussiano, consentendo il rilevamento di danni meccanici in uno stadio molto precoce, riducendo così il rischio di guasti catastrofici e fermi macchina improvvisi.