Optimal Transport Image Representation and Deep Covariance Alignment (CORAL) for Control Valve Stiction Detection

Resumo Técnico: Representação de Imagem por Transporte Ótimo e Alinhamento de Covariância Profunda para Detecção de Esticagem em Válvulas de Controle

Definição do Problema
A esticagem (stiction) em válvulas de controle é um problema prevalente em processos industriais, causando oscilações sustentadas que degradam a qualidade do produto, aumentam o consumo de energia e aceleram o desgaste dos equipamentos. Embora testes invasivos possam identificar a esticagem, eles exigem que as válvulas sejam retiradas de operação. Consequentemente, métodos não invasivos utilizando dados rotineiros de saída do controlador (OP) e variável de processo (PV) são preferidos. No entanto, modelos baseados em dados existentes treinados com dados simulados frequentemente falham em generalizar para dados industriais reais devido ao "desvio de domínio" (domain shift) — a discrepância estatística entre os dados simulados e os dados industriais reais. Além disso, a análise tradicional de séries temporais muitas vezes depende de amplitudes pontuais ou bandas de frequência específicas, o que pode perder mudanças distributivas complexas associadas à esticagem.

Metodologia
O framework proposto aborda esses desafios combinando o Imaginário de Transporte Ótimo (OT imaging) com o Alinhamento de Correlação Profunda (Deep CORAL) para adaptação de domínio. A metodologia procede em três estáções principais:

1. Geração de Imagem de Transporte Ótimo:
   Em vez de analisar sequências de séries temporais brutas diretamente, o método converte os sinais de OP e PV em imagens bidimensionais. Este processo envolve:

• Normalização dos sinais e computação de suas derivadas de primeira ordem.
• Construção de um vetor de características composto por PV, OP, a razão das derivadas ($dOP/(dPV + \epsilon)$) e erro de controle ($OP - PV$).
• Divisão desses vetores de características em janelas sobrepostas.
• Cálculo da distância de Sliced-Wasserstein entre pares de janelas, projetando os vetores de características em vetores unitários aleatórios e computando distâncias de Wasserstein 1D.
• Geração de uma matriz de distância normalizada e suavizada, interpretada como uma imagem. Esta representação captura a dinâmica distributiva completa (forma, dispersão, localização) do laço de controle, em vez de apenas valores pontuais.

2. Adaptação de Domínio Profunda (Deep CORAL):
   Para preencher a lacuna entre o domínio de origem (dados simulados) e o domínio de destino (dados industriais não rotulados), um codificador de Rede Neural Convolucional (CNN) é empregado.

• Arquitetura: O codificador consiste em três blocos convolucionais (convolução, normalização de lote, ReLU, max pooling), seguidos por pooling de média global e uma camada totalmente conectada.
• Objetivo de Treinamento: O codificador é treinado usando uma função de perda combinada:
  • Perda de Entropia Cruzada ($\mathcal{L}_{CE}$): Computada em dados de simulação rotulados para garantir que as características distingam entre esticagem e não-esticagem.
  • Perda Deep CORAL ($\mathcal{L}_{CORAL}$): Computada entre as matrizes de covariância das características dos domínios de origem (simulação) e de destino (industrial). Esta perda minimiza a diferença nas estatísticas de segunda ordem, forçando o codificador a aprender representações invariantes ao domínio.
• Uma estratégia de ponderação dinâmica é usada para o coeficiente de perda CORAL ($\lambda$), que aumenta ao longo das épocas de treinamento.

3. Classificação de Downstream:
   Após o treinamento do codificador compartilhado, a cabeça de classificação temporária é removida. O codificador extrai características adaptadas ao domínio dos dados de treinamento industrial. Essas características são padronizadas e enviadas a um classificador de regressão logística, que é treinado para prever a presença de esticagem. O limiar de decisão é determinado via validação cruzada no conjunto de treinamento industrial para evitar vazamento de dados.

Principais Contribuições

• Representação Inovadora: Este trabalho introduz a primeira aplicação de imaginário de Transporte Ótimo para o monitoramento de desempenho de laços de controle. Diferente de métodos que dependem de gráficos de recorrência ou Campos de Transição de Markov, o imaginário de OT compara distribuições completas de janelas de sinal, tornando-o robusto a problemas de alinhamento e discretização de amplitude.
• Framework de Adaptação de Domínio: O estudo propõe um pipeline específico que alinha as distribuições de dados simulados e industriais usando Deep CORAL, mitigando efetivamente o desvio de domínio que prejudica modelos puramente treinados por simulação.
• Validação de Benchmark: O método é rigorosamente avaliado contra um baseline utilizando características manuais (HOG, LBP, GLCM e características estatísticas) em um conjunto independente de 20 laços industriais do Industrial Stiction Data Benchmark (ISDB).

Resultos
A metodologia proposta foi testada em 20 laços de controle industriais independentes (13 com esticagem, 7 sem esticagem).

• Desempenho: O método proposto alcançou 90,00% de acurácia, 86,67% de precisão, 100% de recall e um F1-score de 92,86%.
• Comparação: Em contraste, o método de características manuais (baseline) alcançou 65,00% de acurácia e um F1-score de 72,00%.
• Resultados Específicos: O método proposto diagnosticou corretamente todos os 13 casos de esticagem (zero falsos negativos), enquanto o baseline perdeu quatro casos de esticagem. O método proposto classificou incorretamente dois laços de polpa e papel como esticagem (falsos positivos), provavelmente devido a oscilações de não-esticagem que mimetizam padrões de esticagem.
• Melhoria: A abordagem proposta melhorou a acurácia em 25 pontos percentuais e o F1-score em aproximadamente 20,86 pontos percentuais em relação ao baseline.

Significância e Alegações
O artigo afirma que a integração do imaginário de OT com o Deep CORAL fornece uma ferramenta robusta e altamente confiável para detectar esticagem de válvula de controle em ambientes industriais reais. Ao aprender representações invariantes ao domínio, o framework transfere com sucesso o conhecimento de ambientes simulados para dados industriais não rotulados sem a necessidade de testes invasivos. Os autores enfatizam que a capacidade do método de atingir 100% de recall (zero falsos negativos) é particularmente crítica para a segurança e o monitoramento de desempenho industrial. Embora o método mostre alta confiabilidade, os autores observam modestamente que trabalhos futuros são necessários para distinguir melhor entre a esticagem e oscilações específicas de não-esticagem (como as encontradas em processos de polpa e papel) que compartilham padrões dinâmicos semelhantes.