WaveletInception Networks for on-board Vibration-Based Infrastructure Health Monitoring

Resumo Técnico: Redes WaveletInception para Monitoramento de Saúde de Infraestrutura Baseado em Vibração a Bordo

Declaração do Problema
A manutenção eficaz da infraestrutura ferroviária depende de monitoramento de saúde preciso e localizado. Métodos tradicionais, como inspeções visuais ou redes de sensores fixos, são frequentemente intensivos em mão de obra e limitados em escala. Embora a análise de vibração a bordo usando sinais de Aceleração da Caixa de Eixo (ABA) ofereça uma alternativa escalável, as abordagens existentes de aprendizado profundo enfrentam desafios significativos. Estes incluem a dificuldade de capturar características multiescala e não estacionárias dos sinais de vibração, a dependência de engenharia de características manual e a incapacidade de lidar com velocidades de medição variáveis sem perda de informação. Além disso, a maioria dos frameworks atuais falha em integrar explicitamente as condições operacionais (por exemplo, velocidade do veículo) na análise, limitando sua generalização em diversos cenários do mundo real. Adicionalmente, Redes Neurais Convolucionais (CNNs) padrão geralmente exigem tamanhos de entrada fixos, necessitando etapas de pré-processamento como redimensionamento de espectrogramas que podem degradar a resolução espectral e obscurecer defeitos localizados.

Metodologia
O artigo propõe um novo framework de aprendizado profundo, WaveletInception-BiGRU, projetado para processar diretamente sinais brutos de vibração no domínio do tempo, acomodando comprimentos e velocidades variáveis sem pré-processamento explícito. A arquitetura consiste em duas etapas principais:

1. Extração de Características WaveletInception:

   • Cérebro de Transformada de Pacote de Wavelet Aprendível (LWPT): A rede começa com um módulo LWPT que decompõe hierarquicamente os sinais brutos de vibração em sub-bandas de múltiplas resoluções. Diferente das transformadas de wavelet fixas, os filtros são inicializados com bases padrão (por exemplo, Daubechies db4) e refinados via retropropagação. Isso permite que o modelo aprenda bancos de filtros ótimos para a distribuição específica dos dados. O LWPT inclui um mecanismo de remoção de ruído adaptativo usando uma ativação sigmoid dupla diferenciável para suprimir ruído estocástico enquanto preserva transientes estruturais.
   • Projeção de Canal: Uma camada convolucional $1 \times 1$ segue o LWPT para atuar como uma projeção de canal aprendida, ponderando e priorizando automaticamente componentes espectrais informativos enquanto suprime canais ruidosos.
   • Backbone 1D Inception-ResNet: As características extraídas são processadas através de uma série de módulos 1D Inception-ResNet. Esses blocos utilizam ramos convolucionais paralelos com tamanhos de kernel variados para capturar padrões temporais multiescala e conexões residuais para estabilizar o treinamento em arquiteturas profundas. Este design evita a sobrecarga computacional e a abstração de representações tempo-frequenciais 2D.

2. Modelagem Temporal e Fusão Baseada em BiGRU:

   • Fusão de Condição Operacional: Um Perceptron de Camadas Múltiplas (MLP) codifica a velocidade de medição do veículo em um embedding de alta dimensão. Este embedding de velocidade é fundido com as características de vibração através de uma estratégia de fusão em estágio tardio dentro de uma camada de Unidade Recorrente com Portas Bidirecional (BiGRU). Isso permite que a rede modele a interação entre características espectrais e condições operacionais (por exemplo, como a velocidade afeta os níveis de excitação e o comprimento do sinal).
   • Estimativa Sequencial de Saúde: Uma segunda camada BiGRU processa as características fundidas para capturar dependências temporais bidirecionais. Isso é crucial para entender como a saúde de um componente específico de infraestrutura (por exemplo, um dormente ou viga) é influenciada por componentes vizinhos.
   • Amostragem Distribuída: Para alcançar resolução ao nível de componente, o modelo emprega uma estratégia de amostragem distribuída. Em vez de colapsar a sequência em um único estado global, a rede extrai $N$ vetores de características correspondentes a $N$ elementos estruturais físicos (por exemplo, dormentes). Isso mantém um mapeamento um para um entre a saída da rede e o layout físico da infraestrutura.

Principais Contribuições

• Rede WaveletInception: Uma arquitetura inovadora que combina LWPT para decomposição espectral precoce e aprendível com blocos 1D Inception-ResNet para extração de características multiescala. Esta abordagem elimina a necessidade de engenharia de características manual e lida diretamente com entradas de comprimento variável no domínio do tempo.
• Integração de Condição Operacional: Uma estratégia de fusão de características que incorpora explicitamente a velocidade de medição e outros fatores operacionais no processo de extração de características via BiGRU, permitindo análise robusta sob velocidades variáveis.
• Modelagem Sequencial Bidirecional: O uso de camadas BiGRU para capturar contextos temporais passados e futuros, melhorando a estimativa de condições de saúde localizadas ao aproveitar dependências ao longo do segmento de infraestrutura.
• Estimativa de Alta Resolução ao Nível de Componente: Uma estratégia de amostragem distribuída que alinha as saídas da rede com o layout físico da infraestrutura, facilitando avaliações de saúde precisas e localizadas em vez de índices de segmento agregados.

Resultados
O framework foi avaliado usando dois estudos de caso:

1. Estimativa de Rigidez de Trilhos Ferroviários (Simulação): Usando dados ABA simulados em várias velocidades (35–90 km/h) e cenários de rigidez (uniforme, quedas localizadas, zonas de transição), o modelo WaveletInception-BiGRU alcançou um Erro Porcentual Absoluto Médio (MAPE) de 5,56% no geral (7,94% para rigidez do trilho e 3,17% para rigidez da balastro). Isso superou bases de comparação de última geração, incluindo VGG, LSTM-BiLSTM, Laplace-Inception e GoogLeNet.
2. Identificação de Zonas de Transição (Dados do Mundo Real): Usando medições ABA reais do anel de testes de Făurei na Romênia, o modelo alcançou uma precisão de classificação de 93,29% na identificação de zonas de transição (viaduto vs. trilho normal) com resolução ao nível de dormente. Demonstrou alta recall (98,37%) para detectar dormentes de viaduto.

Estudos de ablação confirmaram que:

• O cérebro LWPT com preenchimento zero superou o redimensionamento CWT/STFT e o preenchimento padrão.
• A wavelet db4 com um módulo de remoção de ruído aprendível produziu resultados superiores em comparação com wavelets Haar ou variantes sem remoção de ruído.
• A fusão BiGRU em estágio tardio com embeddings de velocidade superou significativamente a fusão precoce e a fusão baseada em CNN.
• A modelagem bidirecional (BiGRU) forneceu melhor desempenho do que arquiteturas unidirecionais (GRU/LSTM).

Significado e Alegações
O artigo alega que o framework WaveletInception-BiGRU representa um avanço significativo no monitoramento automatizado de saúde de infraestrutura a bordo. Ao integrar decomposição espectral aprendível com aprendizado profundo multiescala e modelagem temporal bidirecional, o sistema alcança avaliações de saúde de alta resolução e localizadas sem a necessidade de engenharia de características manual ou pré-processamento rígido. A capacidade de lidar com velocidades de medição variáveis e condições operacionais diretamente dentro da arquitetura da rede aumenta sua aplicabilidade prática para monitoramento ferroviário do mundo real. Os autores enfatizam que o sucesso do framework em conjuntos de dados simulados e do mundo real destaca seu potencial para manutenção de infraestrutura precisa, automatizada e escalável, embora reconheçam limitações relacionadas à modelagem de fenômenos específicos do mundo real (por exemplo, efeitos de solda, variações de temperatura) e a necessidade de mais testes de estresse sob condições extremas de ruído.