Domain-Shift Aware Neural Networks for Unbalance Characterization in Rotating Systems

Resumo Técnico: Redes Neurais Cientes de Deslocamento de Domínio para Caracterização de Desbalanceamento em Sistemas Rotativos

Definição do Problema
Este trabalho aborda uma limitação crítica no Monitoramento de Integridade Estrutural (SHM) para máquinas rotativas: a degradação de modelos de aprendizado de máquina supervisionado quando implantados sob condições operacionais que diferem de seus dados de treinamento (deslocamento de domínio). Em cenários práticos de SHM, obter dados rotulados para todos os possíveis estados estruturais e condições operacionais é frequentemente inviável. Consequentemente, modelos treinados em um domínio "fonte" (por exemplo, uma máquina específica ou regime operacional) frequentemente falham ao generalizar para um domínio "alvo" (por exemplo, a mesma máquina sob diferentes cargas, velocidades ou configurações estruturais) devido a incompatibilidades de distribuição. Especificamente, este artigo investiga a tarefa de regressão para estimar níveis de massa de desbalanceamento em eixos rotativos quando o domínio alvo apresenta discrepâncias de domínio causadas pela ativação de um eixo secundário acoplado, o que introduz interações dinâmicas complexas e ruído não presentes nos dados de treinamento.

Metodologia
Os autores propõem uma Rede Neural Ciente de Deslocamento de Domínio baseada em um framework de adaptação de domínio utilizando a Discrepância de Média Máxima (MMD). A metodologia é estruturada da seguinte forma:

• Configuração Experimental: Os dados foram coletados de uma bancada de testes laboratorial apresentando um eixo primário acionado por um motor elétrico e um eixo secundário acoplado via correia. O eixo primário carregava massas de desbalanceamento controladas (variando de 0g a 10,8g) a uma distância radial fixa. A discrepância de domínio foi introduzida pela ativação do eixo secundário, criando um domínio "alvo" com características dinâmicas diferentes em comparação ao domínio "fonte" (apenas o eixo primário). Os testes foram conduzidos em três velocidades de rotação: 500, 1000 e 2000 RPM.
• Processamento de Dados: Sinais de acelerômetro triaxiais brutos foram segmentados em janelas não sobrepostas. As características foram construídas concatenando sinais no domínio do tempo com a magnitude de sua Transformada Rápida de Fourier (FFT) para capturar características tanto temporais quanto espectrais. Os dados foram normalizados usando estatísticas derivadas exclusivamente do domínio fonte para evitar vazamento de informação.
• Arquitetura do Modelo: Uma rede neural convolucional (CNN) unidimensional compartilhada processa entradas de ambos os domínios fonte e alvo. A rede consiste em três blocos convolucionais, pooling médio global e camadas totalmente conectadas, gerando uma estimativa escalar de desbalanceamento.
• Objetivo de Treinamento: O modelo é treinado usando uma função de perda composta:
  $$L(\theta) = L_{data}(\theta) + \lambda L_{MMD}(\theta)$$
  Onde $L_{data}$ é o Erro Quadrático Médio (MSE) computado apenas em amostras rotuladas da fonte, e $L_{MMD}$ é a perda de Discrepância de Média Máxima computada nas representações de características latentes de ambos os domínios fonte e alvo. A perda MMD, utilizando um kernel de Student's t, minimiza a distância entre as distribuições de características fonte e alvo em um Espaço de Hilbert de Núcleo Reproduzível (RKHS). Um escalonador de peso progressivo (baseado em sigmoide) é empregado para aumentar gradualmente a influência da perda MMD durante o treinamento, garantindo um aprendizado de características estável antes de impor o alinhamento de domínio.

Principais Contribuições

1. Aplicação à Regressão em SHM: Embora a adaptação de domínio seja bem explorada para classificação de falhas (ex: diagnóstico de falha de rolamento), este trabalho investiga sua aplicação em tarefas de regressão (estimativa quantitativa de desbalanceamento), uma área comparativamente menos explorada na literatura de SHM.
2. Validação Experimental de Deslocamento de Domínio: O estudo fornece um framework experimental controlado onde o deslocamento de domínio é induzido por um componente mecânico secundário, permitindo uma avaliação rigorosa da generalização do modelo sob discrepâncias fisicamente realistas.
3. Análise de Regimes Operacionais: O artigo avalia sistematicamente o desempenho do modelo através de velocidades baixas (500 RPM), médias (1000 RPM) e altas (2000 RPM), revelando como a velocidade de rotação e as relações sinal-ruído influenciam a eficácia da adaptação de domínio.

Resultados
O desempenho do modelo proposto baseado em MMD foi comparado contra um modelo de linha de base treinado apenas com dados da fonte (sem alinhamento de domínio, $\lambda=0$).

• Regime de Baixa Velocidade (500 RPM): O modelo exibiu generalização limitada. As baixas forças centrífugas resultaram em assinaturas dinâmicas fracas e baixas relações sinal-ruído, levando a uma baixa separabilidade de características. Mesmo com o alinhamento MMD, o modelo teve dificuldade em distinguir níveis de desbalanceamento, com o modelo de linha de base falhando completamente ( $R^2$ negativo).
• Regime de Velocidade Média (1000 RPM): Este regime apresentou o melhor desempenho. O modelo alcançou alta precisão preditiva com um $R^2$ de 0,9949 (alvo balanceado) e 0,9914 (alvo desbalanceado). A estratégia MMD alinhou efetivamente as distribuições fonte e alvo enquanto preservou características discriminativas, superando significativamente a linha de base (que apresentou grande dispersão e $R^2$ negativo).
• Regime de Alta Velocidade (2000 RPM): O modelo manteve uma forte generalização ($R^2 \approx 0,98$), embora o desempenho tenha declinado ligeiramente em relação a 1000 RPM. Os autores atribuem isso ao aumento dos efeitos dinâmicos não lineares e da complexidade harmônica em velocidades mais altas, o que introduziu variabilidade adicional.
• Impacto da Discrepância de Domínio: Em todos os regimes, a presença de um eixo secundário desbalanceado (aumentando a discrepância de domínio) reduziu a precisão em comparação com a condição de alvo balanceado. No entanto, o modelo ciente de deslocamento de domínio consistentemente superou a linha de base, demonstrando que o alinhamento explícito de distribuição é crucial para a regressão cross-domain.

Significância e Alegações
O artigo afirma que abordar explicitamente o deslocamento de domínio através da regularização baseada em MMD melhora significativamente a robustez de modelos de regressão em SHM quando os dados do alvo não são rotulados e as condições operacionais diferem dos dados de treinamento. O estudo destaca que o sucesso de tais modelos é contingente à qualidade da excitação dinâmica; energia de sinal suficiente e separabilidade (como visto em 1000 RPM) são pré-requisitos para uma adaptação de domínio eficaz.

Os autores mantêm uma postura modesta, observando que suas conclusões são específicas para a configuração experimental e condições operacionais. Eles enfatizam que, embora a abordagem demonstre viabilidade, ela não é universalmente generalizável sem considerar níveis de ruído específicos, regimes de excitação e configurações mecânicas. O trabalho serve como uma prova de conceito para a aplicação de estratégias de regressão adaptativa de domínio, sugerindo que pesquisas futuras possam explorar variações de raios de desbalanceamento e integrar modelagem informada pela física para aumentar ainda mais a robustez.