Non-negative tensor factorization-based dependence map analysis for local damage detection in presence of non-Gaussian noise

Resumo Técnico: Análise de Mapas de Dependência Baseada em Fatoração de Tensores Não Negativos para Detecção Local de Danos em Presença de Ruído Não-Gaussiano

1. O Problema

A detecção de danos locais (como defeitos em pistas ou elementos rolantes) em rolamentos de máquinas rotativas é um desafio crítico na manutenção preditiva. O problema central reside na natureza do Sinal de Interesse (SOI): ele é tipicamente fraco, cíclico e impulsivo, estando frequentemente mascarado por ruídos de alta amplitude e não-Gaussianos (impulsivos), comuns em ambientes industriais severos (como britadores de minério).

Métodos tradicionais de seleção de banda de frequência, como a Curtose Espectral (Spectral Kurtosis), falham nesses cenários porque confundem os impulsos do ruído não-Gaussiano com os sinais de falha, resultando em uma baixa relação sinal-ruído (SNR) e na incapacidade de isolar a frequência de falha.

2. Metodologia Proposta

Os autores propõem um método não supervisionado que utiliza a Fatoração de Tensores Não Negativos (NTF) aplicada a mapas de dependência. O fluxo de trabalho consiste em três etapas principais:

• Pré-processamento (Construção do Tensor):
  1. O sinal de vibração é dividido em $M$ segmentos temporais.
  2. Para cada segmento, calcula-se um espectrograma via Transformada de Fourier de Curto Tempo (STFT).
  3. Para cada espectrograma, constrói-se um mapa de correlação de Pearson (mapa de dependência), que mede a similaridade entre pares de bandas de frequência.
  4. Esses mapas são organizados em um tensor de terceira ordem (frequência $\times$ frequência $\times$ segmento).
• Análise (Decomposição NTF):
  O tensor é decomposto em três matrizes de componentes não negativas usando a divergência $\beta$. Os autores destacam que a escolha do parâmetro $\beta$ é crucial; especificamente, o uso de $\beta = -1$ (distância de Itakura-Saito) é o mais eficaz para lidar com erros residuais de cauda pesada (não-Gaussianos). A decomposição separa componentes informativos (relacionados à falha) de componentes não informativos (ruído e impulsos aleatórios).
• Decisão (Seleção de Banda e Detecção):
  Uma das matrizes resultantes da NTF é utilizada como um "seletor" ou característica de filtro. Este filtro é aplicado ao sinal bruto para extrair o SOI. A eficácia é medida pelo Indicador de Espectro de Envelope Baseado em Energia (ENVSI), que quantifica a energia nos harmônicos da frequência de falha em relação ao ruído de fundo.

3. Principais Contribuições

• Inovação no Objeto de Análise: Diferente de métodos que aplicam NTF diretamente no espectrograma (energia), este método aplica NTF em mapas de dependência (similaridade interna), o que permite capturar a estrutura de correlação cíclica do dano.
• Robustez ao Ruído Não-Gaussiano: A combinação de medidas de dependência com a divergência $\beta$ permite separar impulsos de ruído não cíclicos de sinais de falha cíclicos.
• Abordagem Não Supervisionada: O método não requer conhecimento prévio das frequências de falha, tornando-o adaptável a diferentes máquinas e condições operacionais.

4. Resultados

Os resultados foram validados através de simulações e dados reais de um britador de minério de cobre e um banco de testes de rolamentos:

• Simulações: O método NTF superou significativamente os seletores clássicos (Curtose, Alpha, Variância Condicional e Pearson). Enquanto os métodos tradicionais apresentaram valores de ENVSI muito baixos (incapazes de detectar a falha), o método NTF alcançou valores próximos a 0.98, indicando uma extração quase perfeita do sinal.
• Dados Reais (Caso 1 - Britador): Em condições de ruído extremo, o método com $\beta = -1$ obteve um ENVSI de 0.678, enquanto os métodos de comparação falharam completamente (ENVSI $< 0.002$).
• Dados Reais (Caso 2 - Banco de Testes): O método demonstrou alta eficácia na detecção de danos na pista externa, com resultados comparáveis aos melhores métodos de estado da arte, mas com a vantagem de ser um método "cego" (não requer parâmetros de falha conhecidos).

5. Significância

Este trabalho representa um avanço importante para o monitoramento de condição em ambientes industriais hostis. Ao conseguir isolar sinais de falha incipientes em meio a ruídos impulsivos pesados, a técnica permite a detecção de danos em estágios muito precoces. Isso possibilita o planejamento de manutenções preventivas, evitando paradas de emergência catastróficas e reduzindo custos operacionais em setores como a mineração.