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

Technische Samenvatting: Domeinverschuivingsbewuste Neurale Netwerken voor Onbalanskarakterisering in Roterende Systemen

Probleemstelling
Dit werk adresseert een kritieke beperking in Structural Health Monitoring (SHM) voor roterende machines: de degradatie van supervised machine learning-modellen bij implementatie onder operationele omstandigheden die verschillen van hun trainingsdata (domeinverschuiving). In praktische SHM-scenario's is het verkrijgen van gelabelde data voor alle mogelijke structurele toestanden en operationele condities vaak onhaalbaar. Bijgevolg falen modellen die getraind zijn op een "bron"-domein (bijv. een specifieke machine of operationeel regime) frequent bij de generalisatie naar een "doel"-domein (bijv. dezelfde machine onder verschillende belastingen, snelheden of structurele configuraties) vanwege mismatches in de distributie. Specifiek onderzoekt dit artikel de regressie-taak van het schatten van onbalansmassa-niveaus in roterende assen wanneer het doel-domein domeinverschillen vertoont veroorzaakt door de activatie van een secundaire, gekoppelde as, wat complexe dynamische interacties en ruis introduceert die niet aanwezig waren in de trainingsdata.

Methodologie
De auteurs stellen een Domeinverschuivingsbewust Neuraal Netwerk voor, gebaseerd op een domeinadaptatie-framework gebruikmakend van Maximum Mean Discrepancy (MMD). De methodologie is als volgt gestructureerd:

• Experimentele Opstelling: Data werd verzameld van een laboratoriumtestopstelling bestaande uit een primaire as aangedreven door een elektromotor en een secundaire as die via een riem is gekoppeld. De primaire as droeg gecontroleerde onbalansmassa's (variërend van 0g tot 10,8g) op een vaste radiale afstand. Domeinverschil werd geïntroduceerd door de secundaire as te activeren, waardoor een "doel"-domein ontstond met andere dynamische kenmerken vergeleken met het "bron"-domein (alleen de primaire as). Tests werden uitgevoerd bij drie rotatiesnelheden: 500, 1000 en 2000 RPM.
• Dataverwerking: Ruwe triaxiale versnellingsmetersignalen werden gesegmenteerd in niet-overlappende vensters. Kenmerken werden geconstrueerd door tijdsdomeinsignalen te concateneren met de amplitude van hun Fast Fourier Transform (FFT) om zowel temporele als spectrale kenmerken te vangen. Data werd genormaliseerd met behulp van statistieken die uitsluitend uit het bron-domein werden afgeleid om informatielekkage te voorkomen.
• Modelarchitectuur: Een gedeelde één-dimensionale Convolutional Neural Network (CNN) backbone verwerkt inputs uit zowel het bron- als het doel-domein. Het netwerk bestaat uit drie convolutionele blokken, global average pooling en fully connected lagen, die een scalaire onbalansschatting produceren.
• Trainingsdoel: Het model wordt getraind met een samengestelde verliesfunctie:
  $$L(\theta) = L_{data}(\theta) + \lambda L_{MMD}(\theta)$$
  Waarbij $L_{data}$ de Mean Squared Error (MSE) is berekend op enkel gelabelde bronstalen, en $L_{MMD}$ de Maximum Mean Discrepancy loss is berekend op de latente kenmerken van zowel de bron- als de doel-domeinen. De MMD-loss, gebruikmakend van een Student's t-kernel, minimaliseert de afstand tussen de bron- en doel-kenmerkenverdelingen in een Reproducing Kernel Hilbert Space (RKHS). Een progressieve weging-scheduler (sigmoid-gebaseerd) wordt toegepast om de invloed van de MMD-loss tijdens de training geleidelijk te vergroten, wat zorgt voor stabiele kenmentraining voordat de domeinuitlijning wordt afgedwongen.

Belangrijkste Bijdragen

1. Toepassing op Regressie in SHM: Hoewel domeinadaptatie veel wordt onderzocht voor foutclassificatie (bijv. lagerfoutdiagnose), onderzoekt dit werk de toepassing ervan op regressie-taken (kwantitatieve onbalansschatting), een relatief onderbelicht gebied in de SHSH-literatuur.
2. Experimentele Validatie van Domeinverschuiving: De studie biedt een gecontroleerd experimenteel framework waarbij domeinverschuiving wordt geïnduceerd door een secundair mechanisch component, wat een rigoureuze beoordeling van de generalisatie van het model mogelijk maakt onder fysiek realistische discrepanties.
3. Analyse van Operationele Regimes: Het artikel evalueert systematisch de modelprestaties over lage (500 RPM), medium (1000 RPM) en hoge (2000 RPM) snelheden, waarbij wordt onthuld hoe rotatiesnelheid en signaal-ruisverhoudingen de effectiviteit van domeinadaptatie beïnvloeden.

Resultaten
De prestaties van het voorgestelde MMD-gebaseerde model werden vergeleken met een baseline-model dat uitsluitend op brongegevens is getraind (zonder domeinuitlijning, $\lambda=0$).

• Laag-snelheidsregime (500 RPM): Het model vertoonde beperkte generalisatie. De lage centrifugale krachten resulteerden in zwakke dynamische signaturen en lage signaal-ruisverhoudingen, wat leidde tot slechte kenmerkenseparabiliteit. Zelfs met MMD-uitlijning had het model moeite om onbalansniveaus te onderscheiden, waarbij het baseline-model volledig faalde (negatieve $R^2$).
• Medium-snelheidsregime (1000 RPM): Dit regime leverde de beste prestaties op. Het model bereikte een hoge voorspellende nauwkeurigheid met een $R^2$ van 0,9949 (gebalanceerd doel) en 0,9914 (ongebalanceerd doel). De MMD-strategie lijnde de bron- en doelverdelingen effectief uit terwijl onderscheidende kenmerken behouden bleven, wat aanzienlijk beter presteerde dan de baseline (die grote dispersie en een negatieve $R^2$ vertoonde).
• Hoog-snelheidsregime (2000 RPM): Het model behield een sterke generalisatie ($R^2 \approx 0,98$), hoewel de prestaties iets verslechterden vergeleken met 1000 RPM. De auteurs schrijven dit toe aan toegenomen nietlineaire dynamische effecten en harmonische complexiteit bij hogere snelheden, wat extra variabiliteit introduceerde.
• Impact van Domeinverschil: In alle regimes verminderde de aanwezigheid van een ongebalanceerde secundaire as (wat het domeinverschil vergroot) de nauwkeurigheid vergeleken met de gebalanceerde doelconditie. Echter, het domeinverschuivingsbewuste model presteerde consistent beter dan de baseline, wat aantoont dat expliciete distributie-uitlijning cruciaal is voor cross-domein regressie.

Betekenis en Claims
Het artikel claimt dat het expliciet adresseren van domeinverschuiving via MMD-gebaseerde regularisatie de robuustheid van regressiemodellen in SHM aanzienlijk verbetert wanneer doeldata ongelabeld is en operationele condities verschillen van de trainingsdata. De studie benadrukt dat het succes van dergelijke modellen afhankelijk is van de kwaliteit van de dynamische excitatie; voldoende signaalenergie en separabiliteit (zoals gezien bij 1000 RPM) zijn randvoorwaarden voor effectieve domeinadaptatie.

De auteurs nemen een bescheiden standpunt in door te merken dat hun conclusies specifiek zijn voor de experimentele opstelling en operationele condities. Zij benadrukken dat hoewel de aanpak de haalbaarheid aantoont, deze niet universeel generaliseerbaar is zonder rekening te houden met specifieke ruisniveaus, excitatieregimes en mechanische configuraties. Het werk dient als een proof-of-concept voor het toepassen van domein-adaptieve regressiestrategieën voor onbalanskarakterisering, en suggereert dat toekomstig onderzoek variërende onbalansradii kan verkennen en physics-informed modellering kan integreren om de robuustheid verder te vergroten.