An Unsupervised Framework for Dynamic Health Indicator Construction and Its Application in Rolling Bearing Prognostics

Resumo Técnico: Um Framework Não Supervisionado para Construção de Indicador de Saúde Dinâmico e Sua Aplicação em Prognósticos de Rolamentos

1. Declaração do Problema

Rolamentos são componentes críticos em máquinas industriais, contudo, sua falha sob condições operacionais adversas leva a paradas inesperadas e perdas econômicas. A manutenção preditiva depende fortemente da construção de um Indicador de Saúde (HI) para representar a degradação, prever a vida útil remanescente (RUL) e estimar tempos de falha.

Os métodos existentes de construção de HI enfrentam duas limitações primárias:

1. Dependência de Conhecimento Especializado: Os Indicadores de Saúde baseados em Física (PHIs) e Indicadores de Saúde Virtuais (VHIs) tradicionais frequentemente dependem de engenharia de características manual (por exemplo, RMS, curtose, entropia) ou da fusão de características estatísticas específicas. Essa abordagem requer expertise de domínio, carece de generalização e pode introduzir viés humano.
2. Negligência da Dependência Temporal no Nível do HI: Embora alguns métodos de aprendizado profundo extraiam características de sinais brutos, eles frequentemente tratam a construção de HI como uma tarefa estática, derivando o indicador exclusivamente de observações atuais. Eles falham em modelar explicitamente a dependência temporal no nível do HI — a correlação entre o estado atual do HI e seus valores passados. Como a degradação é um processo progressivo, ignorar essa relação dinâmica limita a capacidade do HI de representar tendências de degradação com precisão e prejudica prognósticos confiáveis.

2. Metodologia

Os autores propõem um framework não supervisionado inovador para a construção de um Indicador de Saúde Dinâmico (Dynamic HI). O framework opera em duas etapas sequenciais, eliminando a necessidade de engenharia de características manual enquanto modela explicitamente as dinâmicas temporais.

Etapa 1: Aprendizado de Características de Degradação via Autoencoder com Conexões de Salto (SkipAE)

• Objetivo: Mapear sinais de vibração brutos em um Espaço de Características de Degradação (DFS) de baixa dimensão e representativo, sem intervenção de especialistas.
• Arquitetura: Um SkipAE é empregado como base. Diferentemente de autoencoders padrão, o SkipAE utiliza conexões de salto para ligar camadas do codificador diretamente às camadas correspondentes do decodificador.
• Mecanismo: Essa arquitetura preserva informações de múltiplos níveis e múltiplas escalas durante o processo de codificação e reconstrução, mitigando a perda de informações e o problema do gradiente desaparecente. Ela extrai características essenciais de degradação ($z_k$) diretamente dos sinais brutos ($x_k$).

Etapa 2: Geração de HI Dinâmico com Bloco Interno de Predição de HI

• Objetivo: Construir o HI ($y_k$) a partir das características aprendidas, garantindo a dependência temporal no nível do HI.
• Arquitetura: Um módulo gerador de HI leve mapeia as características $z_k$ para uma série de HI unidimensional. Crucialmente, este módulo integra um bloco interno de predição de HI.
• Mecanismo:
  • Modelagem Temporal: O bloco de predição prevê o estado atual do HI ($\hat{y}_k$) com base em uma janela de estados passados ($\{y_i\}_{k-L}^{k-1}$). A entrada é decomposta em componentes de tendência e sazonalidade para aprimorar a precisão da predição.
  • Função de Perda: O framework otimiza uma função de perda combinada ($L_{combined}$) composta por:
    1. Perda de Reconstrução ($L_{rec}$): Garante que o HI retenha informações das características de degradação originais.
    2. Perda de Predição ($L_{pre}$): Minimiza o erro entre o HI real e o HI predito, impondo explicitamente a dependência temporal no nível do HI.
    3. Perda Monotônica ($L_{mono}$): Impõe uma tendência de aumento monotônico para alinhar com a natureza física da degradação.
• Treinamento: O sistema é treinado de forma não supervisionada usando descida de gradiente estocástica. A série de HI usada para o alvo de predição é atualizada iterativamente durante o treinamento.

3. Contribuições Principais

1. Aprendizado de Características Baseado em Conexões de Salto: A proposta de um módulo SkipAE para aprender automaticamente características de degradação abrangentes e multiescala a partir de sinais brutos, removendo a dependência de engenharia de características manual.
2. Construção de HI Dinâmico com Garantia Temporal: A introdução de um novo módulo gerador de HI que integra um bloco interno de predição. Isso modela e garante explicitamente a dependência temporal no nível do HI, distinguindo o Dynamic HI proposto dos HIs estáticos tradicionais.
3. Framework Não Supervisionado para Prognósticos: O desenvolvimento de um framework não supervisionado completo que garante que o HI construído possua alta representatividade, monotonicidade e previsibilidade, verificado através de experimentos extensos em dois conjuntos de dados de referência.

4. Resultados Experimentais

O framework foi avaliado em dois conjuntos de dados: o conjunto de dados IEEE PHM 2012 (plataforma PRONOSTIA) e um conjunto de dados HIT-B coletado internamente (teste de vida acelerada). O estudo incluiu três tarefas: mesma máquina mesma condição, mesma máquina condições diferentes e máquinas diferentes condições diferentes.

• Desempenho na Construção de HI: O método proposto superou os métodos de comparação (incluindo RMS, P-Entropy, ISOMAP, KPCA, CEEMDAN, VAE e SSAE) em todas as métricas: Monotonicidade (Mon), Tendencialidade (Tred), Robustez (Rob) e Escala Híbrida (HS). Notavelmente, alcançou as pontuações mais altas em Mon e Tred, indicando capacidade superior de refletir a tendência de degradação e resistir ao ruído.
• Desempenho em Prognósticos: Quando utilizado para predição de tendência de degradação, o Dynamic HI demonstrou Erro Quadrático Médio (RMSE) significativamente menor e Índice de Previsibilidade (Pred) mais alto em comparação com outros métodos. O valor médio de Pred excedeu 0,9, enquanto outros métodos variaram em patamares inferiores.
• Estudos de Ablação: A remoção do SkipAE, do bloco interno de predição de HI ou do módulo gerador de HI resultou em degradação de desempenho em todas as métricas. Isso confirmou que as conexões de salto são vitais para a representatividade das características e que o bloco interno de predição é essencial para capturar dinâmicas temporais e aprimorar a precisão dos prognósticos.

5. Significado e Alegações

O artigo alega que o framework não supervisionado proposto aborda a lacuna crítica nos métodos existentes de construção de HI ao modelar explicitamente a dependência temporal no nível do HI. Ao garantir que o estado atual do HI esteja explicitamente correlacionado com seus valores passados, o Dynamic HI construído captura melhor a natureza dinâmica inerente do processo de degradação.

Os autores afirmam que essa abordagem leva a:

• Superior Representatividade: O HI reflete com maior precisão a verdadeira tendência de degradação dos rolamentos.
• Previsibilidade Aprimorada: A modelagem explícita da dependência temporal melhora significativamente a precisão das previsões futuras de degradação e da estimativa de RUL.
• Robustez: O método desempenha-se bem sob diferentes condições operacionais e tipos de máquinas, sem exigir reengenharia de características.

O estudo conclui que o Dynamic HI proposto facilita decisões de manutenção preditiva mais confiáveis, fornecendo um indicador de saúde que não é apenas monotônico e robusto, mas também inerentemente previsível devido à sua construção dinâmica.