Imagery Dataset for Remaining Useful Life Estimation of Synthetic Fibre Ropes

Resumo Técnico: Conjunto de Dados de Imagens para Estimativa de Vida Útil Remanescente de Cordas de Fibra Sintética

Declaração do Problema
A operação segura de guindastes offshore, embarcações de instalação de turbinas eólicas e sistemas de manuseio de cargas pesadas depende fortemente de cordas de fibra sintética (SFRs), particularmente aquelas feitas de polietileno de alto módulo (HMPE) como o Dyneema. Embora essas cordas ofereçam vantagens em resistência e peso em relação aos cabos de aço, elas são suscetíveis à degradação progressiva por fadiga durante operações cíclicas de flexão sobre polia (BOS). As práticas atuais da indústria para monitoramento da saúde das cordas baseiam-se em inspeções visuais manuais periódicas e políticas conservadoras de "substituição por tempo", que são subjetivas e inadequadas para condições variáveis de carregamento no mundo real. Embora o monitoramento de condição baseado em dados seja uma alternativa promissora, o desenvolvimento de algoritmos de estimativa de Vida Útil Remanescente (RUL) baseados em visão tem sido impedido pela ausência de conjuntos de dados de imagens publicamente disponíveis que capturem o ciclo de vida completo de degradação de SFRs sob fadiga cíclica controlada. Conjuntos de dados existentes, incluindo o trabalho anterior dos autores sobre classificação de defeitos, carecem das informações temporais do ciclo de vida necessárias para prognóstico.

Metodologia e Configuração Experimental
Para abordar essa lacuna de dados, os autores construíram um novo conjunto de dados de imagens por meio de uma campanha experimental controlada envolvendo onze espécimes de corda HMPE Dyneema SK75/78 (diâmetro nominal de 8 mm, trança de 12 fios). Os experimentos foram conduzidos em um banco de ensaio de flexão sobre polia projetado para replicar o carregamento operacional BOS.

• Condições de Carregamento: Os espécimes foram submetidos a fadiga cíclica em sete níveis distintos de carga axial, variando de 60 kN a 280 kN. Os testes continuaram até a falha mecânica, definida como uma perda súbita e completa da capacidade de suporte de carga. As vidas de fadiga variaram inversamente com a carga, indo de 695 ciclos (a 250 kN) a 8.340 ciclos (a 60 kN).
• Aquisição de Dados: Um sistema de imagem composto por uma câmera de alta velocidade Basler acA2000 (1920 × 1200 pixels) e uma lente de 12 megapixels foi utilizado. A iluminação foi fornecida por luzes LED Aputure AL-MC RGBWW posicionadas a 45° para garantir iluminação uniforme e sem sombras.
• Estratégia de Amostragem: A coleta de dados ocorreu em "rajadas de inspeção". Após um número fixo de ciclos de polia (10–20 ciclos por rajada, dependendo da carga), o banco de ensaio pausava, e dez imagens eram capturadas em diferentes posições transversais ao longo da corda. Essa estratégia de amostragem espacial leva em conta a natureza não uniforme dos danos por fadiga ao longo do comprimento da corda.
• Controle e Sincronização: Um NVIDIA Jetson Nano P3450 gerenciou a captura de imagens, sincronizado com o CLP do banco de ensaio por meio de um protocolo de handshake para garantir temporização precisa e associação inequívoca das imagens com as contagens de ciclos.
• Composição do Conjunto de Dados: O conjunto de dados final compreende aproximadamente 34.700 imagens PNG de alta resolução. Cada imagem é anotada com a contagem de ciclos decorridos e a identidade específica da corda.

Contribuições Principais
A contribuição primária deste trabalho é o lançamento do primeiro conjunto de dados de imagens de ciclo de vida publicamente disponível especificamente para cordas HMPE sob fadiga cíclica. As características principais incluem:

1. Cobertura Completa do Ciclo de Vida: O conjunto de dados captura a trajetória visual desde condições saudáveis, passando pela degradação progressiva, até a falha mecânica para todos os onze espécimes.
2. Referência Diversificada por Carga: Ao abranger sete níveis de carga (60–280 kN), o conjunto de dados permite o estudo de taxas de degradação condicionadas à carga e o desenvolvimento de modelos que generalizam através de diferentes níveis de tensão.
3. Resolução Espacial e Temporal: A inclusão de dez imagens espacialmente distribuídas por rajada de inspeção fornece um sinal de treinamento mais rico do que estratégias de visão única, capturando a variabilidade espacial dos danos.
4. Rotulagem Direta de RUL: Cada imagem é emparelhada com uma contagem de ciclos decorridos, permitindo o cálculo direto do RUL ($RUL = N_{falha} - N_{decorrido}$). Isso suporta tanto tarefas de regressão contínua quanto classificação discreta de estágios de vida (inicial, médio, tardio).
5. Compatibilidade: O formato e a estrutura dos dados foram projetados para serem compatíveis com uma ampla gama de arquiteturas de aprendizado profundo, incluindo CNNs, Vision Transformers (ViT) e modelos multimodais de visão e linguagem.

Resultados e Características dos Dados
O artigo não apresenta os resultados de modelos específicos de aprendizado de máquina treinados nos dados; em vez disso, os "resultados" são o próprio conjunto de dados e suas propriedades estatísticas. Os dados demonstram uma relação inversa clara entre a carga aplicada e a vida de fadiga. O número total de imagens de ~34.700 fornece um volume estatisticamente significativo para o treinamento de modelos de aprendizado profundo. O conjunto de dados está organizado em onze pastas (uma por espécime), cada uma contendo metadados sobre níveis de carga, velocidade da corda e contagens de ciclos.

Significância e Alegações
Os autores posicionam este conjunto de dados como um recurso de referência fundamental para a comunidade de pesquisa. Sua significância reside em:

• Habilitar a Predição Automatizada de RUL: Facilita o desenvolvimento de sistemas baseados em visão capazes de fornecer alertas antecipados de falha iminente, potencialmente reduzindo custos de manutenção não planejada e prevenindo incidentes de segurança catastróficos.
• Completar o Pipeline de Monitoramento de Condição: Quando combinado com o conjunto de dados anterior de classificação de defeitos dos autores, este recurso cobre o espectro completo do monitoramento de condição (CM), desde a detecção de falhas até a predição de vida remanescente.
• Padronização: Ao fornecer um conjunto de dados padronizado, diversificado por carga e totalmente anotado, os autores visam acelerar o desenvolvimento e a comparação justa de algoritmos de gerenciamento de saúde prognóstica (PHM) para SFRs, movendo o campo para além das limitações da inspeção manual e de dados proprietários.

O trabalho é modesto em suas alegações, focando na provisão da infraestrutura de dados necessária para habilitar pesquisas futuras, em vez de propor um algoritmo específico ou alegar implantação industrial imediata. O conjunto de dados destina-se a servir como uma ferramenta para pesquisadores desenvolverem e validarem seus próprios modelos prognósticos baseados em visão.