Quantum Kernel Anomaly Detection Using AR-Derived Features from Non-Contact Acoustic Monitoring for Smart Manufacturing

Título: Detecção de Anomalias com Kernel Quântico Usando Características Derivadas de AR a partir de Monitoramento Acústico Não Contato para Manufatura Inteligente

Autores: Takao Tomono (Universidade Keio) e Kazuya Tsujimura (TOPPAN Holdings Inc.)

1. Problema e Contexto

A evolução para "Fábricas Inteligentes" (Smart Factories) enfrenta desafios críticos na manutenção de equipamentos. As abordagens convencionais de detecção de anomalias dependem fortemente de uma vasta quantidade de sensores de contato (como acelerômetros de vibração) instalados fisicamente em cada dispositivo.

• Desafios Atuais:
  • Custo e Complexidade: O número de sensores cresce exponencialmente com a escala da produção, elevando custos de infraestrutura, fiação e processamento.
  • Limitações de Dados: Ambientes de manufatura com "alta mistura e baixo volume" (high-mix, low-volume) não geram grandes conjuntos de dados necessários para treinar modelos de redes neurais tradicionais.
  • Dependência Humana: A identificação de falhas muitas vezes depende da experiência e intuição de técnicos que ouvem os equipamentos, o que é subjetivo e ineficiente.
  • Desempenho Degradado: Métodos clássicos de aprendizado de máquina baseados em sensores não contatos (como microfones) tendem a falhar quando a distância entre o sensor e a fonte de som aumenta devido ao ruído ambiental e atenuação do sinal.

2. Metodologia Proposta

O estudo propõe um sistema de detecção e classificação de anomalias utilizando Kernels Quânticos aplicados a dados acústicos captados por um único microfone direcional (sensor não contato).

• Aquisição de Dados:
  • Equipamentos: Dois tipos de máquinas industriais: um transportador (Conveyor - CON) e uma máquina de correia de corrente (Chain Belt - CHA).
  • Simulação de Falhas: Anomalias foram criadas inserindo pregos nas máquinas para gerar sons característicos de falha.
  • Configuração: Um microfone direcional foi posicionado a distâncias variáveis (0m, 1m, 2m, 3m) para captar sons normais e anômalos em um ambiente com ruído de fundo (simulando uma fábrica).
• Pré-processamento (Modelo AR):
  • Os dados de áudio brutos foram processados através de um Modelo Autoregressivo (AR).
  • Os coeficientes do modelo AR (especificamente ordem $p=5$) foram extraídos como vetores de características (features) para representar o sinal de áudio.
• Classificação (SVM de Uma Classe):
  • Foi utilizado um classificador SVM de Uma Classe (One-Class SVM), treinado exclusivamente com dados de operação normal.
  • Comparação: O desempenho foi comparado entre dois kernels:
    1. Clássico: Kernel RBF (Radial Basis Function).
    2. Quântico: Um kernel quântico implementado com um mapa de características quântico (Y-feature map) e operações de emaranhamento (entanglement) em um espaço de Hilbert de alta dimensão (simulado em 5 qubits usando Qiskit).

3. Contribuições Principais

1. Detecção Multi-anomalia com Sensor Único: Demonstrou-se que um único sensor não contato pode detectar e classificar múltiplos tipos de falhas em diferentes equipamentos simultaneamente.
2. Robustez à Distância: O método com kernel quântico manteve alta precisão mesmo em distâncias maiores (até 3m), onde os métodos clássicos falharam drasticamente.
3. Visualização Diagnóstica Intuitiva: O mapeamento quântico revelou que diferentes tipos de anomalias se agrupam em quadrantes distintos no espaço de características bidimensional, permitindo identificar qual equipamento falhou sem necessidade de treinamento supervisionado para cada tipo de falha.

4. Resultados e Análise

• Desempenho Métrico (Precisão e F1-Score):

  • Kernel Quântico: Mantiveu uma precisão e F1-score consistentemente altos (> 0,92) em todas as distâncias (0m a 3m), atingindo 1,0 (100%) em 0m e 3m.
  • Kernel Clássico (RBF): Apresentou degradação severa com o aumento da distância. A precisão caiu para 0,38 a 2m e o F1-score para 0,37. Houve uma recuperação parcial em 3m, mas ainda inferior ao quântico.
  • Significância Estatística: Testes t pareados mostraram diferenças estatisticamente significativas ($p < 0,05$) com um tamanho de efeito muito grande (Cohen's d > 1,4), indicando que a vantagem do método quântico é prática e não apenas estatística.

• Análise do Espaço de Características (Visualização 2D):

  • Ao projetar os dados nos eixos das características 3 e 4 do espaço quântico:
    • Normal (0/0): Pontos concentrados na origem/baseline.
    • Falha na Corrente (CHA - 0/1): Pontos agrupados consistentemente no 4º Quadrante.
    • Falha no Transportador (CON - 1/0): Pontos agrupados consistentemente no 2º Quadrante.
    • Ambas Falhas (1/1): Pontos distribuídos em ambos os quadrantes (2º e 4º), representando a superposição dos padrões.
  • Isso permite que técnicos identifiquem visualmente qual máquina está com defeito apenas observando a posição do ponto no gráfico.

• Análise de Erros:

  • O método clássico apresentou muitos Falsos Positivos (classificar normal como anormal) e Falsos Negativos (perder falhas reais) em distâncias maiores.
  • O método quântico mostrou-se mais robusto ao ruído, mantendo a capacidade de separação não linear complexa necessária para distinguir os sinais em ambientes ruidosos.

5. Significado e Conclusão

O estudo valida a hipótese de que a poder expressiva dos kernels quânticos permite criar fronteiras de decisão não lineares mais complexas no espaço de características derivado de AR, superando as limitações dos métodos clássicos em cenários de ruído e distância.

• Impacto Industrial: A abordagem reduz a necessidade de fiação e sensores físicos, permitindo a instalação de sensores não contatos a distâncias seguras e flexíveis.
• Diagnóstico Rápido: A capacidade de classificar o tipo de falha (qual máquina) sem treinamento prévio extensivo para cada anomalia acelera o tempo de resposta da manutenção.
• Futuro: Embora o estudo tenha sido realizado em simulação (NISQ era), os resultados apontam para a viabilidade de sistemas de manufatura inteligente aprimorados por tecnologia quântica, especialmente em cenários com dados escassos e ambientes ruidosos. O trabalho sugere futuras expansões para mais tipos de equipamentos e a implementação em hardware quântico real à medida que a tecnologia amadurece.