Monitoramento da condição do motor de partida a frio usando sinais multi-sensores e aprendizado de máquina pseudo-supervisionado

Resumo

Dados de telemetria multi-sensor (corrente, voltagem, temperatura, umidade, vibração) provenientes de servomotores são processados usando agrupamento estrutural não supervisionado, detecção de anomalias baseada em isolamento e mapeamento de risco informado pela física. Essa estrutura gera pseudo-rótulos binários determinísticos e estados diagnósticos em tempo real altamente precisos para monitoramento de condições.

Resumo

À medida que a manutenção preditiva transita do paradigma centrado em dados da Indústria 4.0 para a estrutura sustentável e centrada no ser humano da Indústria 5.0, o diagnóstico de condições servomotoras enfrenta os dois desafios da escassez de dados e da profunda falta de amostras de falha rotuladas. Para resolver esse problema de partida a frio, apresentamos uma estrutura de aprendizado de máquina pseudo-supervisionada avaliada em um conjunto de dados personalizado de cinco canais que compreende 199 amostras de telemetria servo-motoras (corrente, tensão, temperatura, umidade e vibração). A metodologia integra particionamento estrutural rígido (k-means) e estimativa de confiança posterior suave (Modelos de Mistura Gaussana) para caracterizar modos de operação sem anotação prévia. Simultaneamente, um modelo de Floresta de Isolamento quantifica a intensidade da anomalia e estabelece um limiar dinâmico baseado em quantis. Uma inovação crítica desta pesquisa é o mapeamento determinístico de risco derivado de priors de engenharia; Define o estado "de alto risco" (anormal) ponderando inversamente as margens físicas de segurança dos sensores. Esse mecanismo mapeia estritamente clusters não supervisionados para pseudo-rótulos binários. Esses rótulos são posteriormente usados para supervisionar discriminadores a jusante (Random Forest e Support Vector Machine). O diagnóstico final online gera uma fusão em nível de pontuação da probabilidade do classificador e do GMM posterior, limitada pelo limiar da anomalia. A avaliação quantitativa demonstra que o modelo da Floresta Aleatória alcançou uma pontuação perfeita F1 de 1,000, enquanto a SVM comparativa obteve uma pontuação F1 de 0,997, provando que a estrutura é uma solução robusta, interpretável e altamente precisa para monitoramento da saúde industrial a frio.

Introdução

A confiabilidade dos sistemas de controle servo-motor tem sido historicamente um indicador crítico de desempenho na automação industrial. À medida que a manutenção preditiva evolui do paradigma centrado em dados da Indústria 4.0 para a estrutura sustentável e centrada no ser humano da indústria 5.0, os sistemas devem garantir alta precisão enquanto promovem ativamente a eficiência energética e a resiliência^{operacional 1,2,3}. Falhas ocorrendo durante íons de longo prazo em ambientes hostis podem levar a paralisações catastróficas de equipamentos, danos estruturais severos e perdas econômicas ^{significativas 4,5,6}. Consequentemente, o diagnóstico precoce de falhas iniciais passou de um luxo para uma necessidade central. Para alcançar uma avaliação robusta do estado, sistemas industriais modernos dependem cada vez mais da tecnologia multissensor. Ao adquirir simultaneamente diversas modalidades de sinal — como corrente, tensão, temperatura e vibração — os engenheiros podem construir uma visão abrangente e de alta dimensão da saúde do^{motor 7,8}. A fusão de dados de sensores multifonte aumenta significativamente a robustez e precisão dos sistemas de diagnóstico em comparação com abordagens de sensor^{único 9,10}.

Apesar dos avanços na fusão de sensores e no aprendizado de máquina, um gargalo crítico na implantação no mundo real permanece: o desafio do "cold start". Em um ambiente típico de produção, as máquinas operam normalmente durante a grande maior parte de seu ciclo de vida, resultando em desequilíbrios extremos de classe onde amostras saudáveis superam em muito as defeituosas. Modelos padrão de aprendizado profundo supervisionado exigem conjuntos de dados massivos, balanceados e precisamente anotados para convergir^{efetivamente 11,12}. Quando rótulos são totalmente indisponíveis ou proibitivamente caros de obter, esses paradigmas supervisionados quebram¹³. Portanto, o problema fundamental abordado neste estudo é converter dados motores multi-sensor não rotulados em um sinal de alerta diagnóstico binário confiável, sem a necessidade de dados de treinamento rotulados manualmente.

Em resposta ao desafio da escassez de dados, pesquisas recentes têm se orientado para técnicas de detecção de anomalias não supervisionadas. Abordagens comuns incluem máquinas de vetores de suporte de uma classe (OC-SVM), autoencoders profundos e pontuação de anomalia baseada em isolamento^{direto 14}. Embora esses métodos sinalizem efetivamente desvios estatísticos, sua aplicação direta ao diagnóstico de falhas motoras apresenta limitações significativas. OC-SVMs são notoriamente sensíveis às características não estacionárias de cargas industriais dinâmicas, frequentemente resultando em altas taxas de falsos positivos. Autoencoders, embora poderosos para minimizar erros^{de reconstrução 15}, funcionam como caixas-pretas não interpretáveis; Eles têm dificuldade em traduzir uma perda de reconstrução matemática em uma categoria de falha física^{acionável 16}. Além disso, abordagens diretas de pontuação por anomalia, como as florestas de isolamento^{padrão 17}, apenas indicam que uma amostra é um valor atípico estatístico. Eles não conseguem estabelecer uma fronteira determinística de decisão entre estados "funcionais" e "falhas" enraizada em realidades de engenharia. Essencialmente, essas abordagens carecem da ponte semântica necessária para mapear clusters de dados não supervisionados para rótulos diagnósticos explícitos.

Para preencher essa lacuna metodológica, este estudo propõe uma estrutura unificada de aprendizado de máquina pseudo-supervisionado. A lógica de projeto do fluxo de trabalho proposto difere fundamentalmente da dos detectores de anomalias independentes. Em vez de depender de um único erro ou limite global de reconstrução, o pipeline primeiro divide o espaço de recursos multi-sensor usando clustering hard-soft não supervisionado (k-means e Modelos de Mistura Gaussana) para identificar modos operacionais distintos. Subsequentemente, em vez de atribuir rótulos arbitrários, uma função determinística de mapeamento de risco é construída com base em precários de engenharia estabelecidos (ou seja, as margens físicas de segurança para vibração e temperatura). Esse mapeamento físico atua como uma âncora heurística, atribuindo automaticamente pseudo-rótulos binários ("Working" ou "Failure") aos clusters não supervisionados. Esses pseudo-rótulos informados pela física são então utilizados para treinar discriminadores supervisionados (Random Forest e SVM) para aprender limites complexos e não lineares. Simultaneamente, uma Floresta de Isolamento serve como uma porta de anomalia independente, filtrando valores extremos que não se encaixam em nenhum cluster estabelecido. Esse pipeline combinado é altamente vantajoso porque aproveita o poder discriminativo do aprendizado supervisionado, mantendo a autonomia sem rótulos do clustering não supervisionado.

O principal objetivo científico desta pesquisa é desenvolver um sistema automatizado de monitoramento de condição capaz de operar sob rigorosas restrições de partida a frio. Testamos explicitamente a hipótese de que acoplar agrupamento estrutural não supervisionado com um mecanismo de pseudo-rotulagem orientado por engenharia a priori pode gerar uma fronteira de classificação supervisionada, com desempenho diagnóstico rivalizando com o dos modelos treinados com dados anotados manualmente. Ao validar essa estrutura semi-supervisionada em um conjunto de dados servo-motor multi-sensor personalizado, este estudo demonstra que a integração da interpretabilidade clássica de características com a anomalia permite uma classificação altamente precisa de falhas sem dados de treinamento rotulados, reduzindo assim a carga cognitiva sobre engenheiros de campo e avançando o espírito colaborativo da Indústria 5.0.

Protocolo

1. Configuração experimental e pré-processamento de dados

NOTA: A estrutura de processamento e modelagem de dados proposta neste estudo foi implementada por meio de scripts personalizados desenvolvidos em uma linguagem de programação de alto nível, aproveitando bibliotecas open-source padrão para computação numérica e aprendizado de máquina. A validação experimental foi realizada em uma estação de trabalho computacional de alto desempenho equipada com um processador multi-core e uma unidade de processamento gráfico (GPU) discreta. Detalhes específicos sobre todos os ambientes de software, hardware computacional e componentes de sensores são fornecidos na Tabela de Materiais. Uma visão geral esquemática do framework proposto, ilustrando o fluxo de dados do aprendizado offline não supervisionado até o processo de decisão online com limiar duplo, é apresentada na Figura 1. O conjunto de dados compreende 203 amostras agregadas de janela de tempo, em vez de leituras cruas instantâneas, coletadas enquanto o servomotor operava sob diferentes regimes de carga para simular condições realistas de chão de fábrica.

1. Implante estrategicamente os nós sensores.
2. Instale acelerômetros de vibração na carcaça do motor, enquanto sondas de corrente, voltagem e temperatura foram integradas ao circuito de acionamento.
3. Sincronize todos os sinais dos sensores por meio de uma placa centralizada de aquisição de dados (DAQ) em uma frequência de amostragem de 10 kHz.
4. Aplicar procedimentos padrão de calibração e filtragem digital passa-baixa para eliminar ruído eletromagnético de alta frequência antes da extração da estrutura.
5. Extraia um resumo estatístico (por exemplo, média ou Quadrático Médio Radical) de um ciclo de medição de 1 segundo para cada uma das 203 amostras. Essas cinco variáveis específicas — corrente (A), voltagem (V), temperatura (°C), umidade (%) e vibração (mm/^{s 2} ou g) — foram deliberadamente selecionadas.
6. Remover registros contendo valores ausentes (NaN) para garantir a estabilidade da modelagem, estabelecendo um conjunto de dados refinado de 199 amostras válidas.
7. Aplique a normalização Z-score a cada canal de sensor para cada amostra , eliminando disparidades de escala críticas para algoritmos de aprendizado estrutural baseados na distância:
   (1)
   onde x_ij representa o valor bruto, μ_j é a média da característica j, e σ_j é o desvio padrão.
8. Armazene a matriz normalizada como X_s para todas as etapas subsequentes de processamento.
   NOTA: A Análise de Componentes Principais (PCA) foi usada exclusivamente para visualização, projetando X_s em uma matriz de incorporação bidimensional (Figura 5), e não serviu como entrada para os modelos posteriores.

2. Aprendizagem estrutural não supervisionada

1. Determine o número ótimo de clusters (K*) avaliando os candidatos a K valores (variando de 2 a 10).
2. Calcule a soma dos quadrados dentro do cluster (WCSS) para gerar uma curva de cotovelo (Figura 3):
   (2)
3. Calcule o Coeficiente de Silhueta S(I) para cada K simultaneamente (Figura 4) para avaliar a coesão estrutural e a separação:
   (3)
4. Estabeleça o número ótimo de agrupamento na pontuação média máxima de Silhuetas (por exemplo, K*=2).
5. Aplique o algoritmo k-means a X_s, minimizando o WCSS para obter os centróides _{μ c} e os rótulos rígidos de cluster para cada amostra.
6. Treine um Modelo de Mistura Gaussiana (GMM) com K* componentes para capturar a incerteza inerente das fronteiras das condições.
7. Calcule a probabilidade posterior para cada amostra após estimar os parâmetros , e extraia a probabilidade máxima posterior como uma métrica de confiança suave:
   (4)

3. Modelagem de anomalias e limiar dinâmico

1. Treine um modelo de Floresta de Isolamento em X_s para identificar valores atípicos que se desviam das estruturas principais do agrupamento.
2. Calcule as pontuações da anomalia_{s se}(z), variando de 0 a 1, com base no comprimento esperado do caminho E[h(z)]:
   (5)
3. Determine o limiar estático τ_anom da anomalia modelando analiticamente a distribuição da pontuação (s_if) da anomalia usando Estimativa de Densidade de Kernel (KDE).
4. Derive o quantil matematicamente para limitar o intervalo de confiança de 90% da variância operacional normal.
   NOTA: Neste conjunto de dados, isso gerou um limiar determinístico de τ_anom = 0,592, pelo qual amostras com _{s se}(z) > 0,592 foram sinalizadas como anomalias.
5. Estabeleça uma janela deslizante cobrindo as N amostras de telemetria mais recentes para recalcular periodicamente a distribuição da pontuação da anomalia.
6. Atualize dinamicamente o limiar usando uma Média Móvel Ponderada Exponencialmente (EWMA): , onde α serve como fator de esquecimento e _{Y local} é o quantil derivado da janela operacional atual.

4. Geração de pseudo-rótulos via mapeamento de risco

1. Calcule a pontuação de risco r_i para cada amostra como uma combinação linear das características normalizadas para preencher a lacuna semântica:
   (6)
2. Defina a pontuação de risco R para cada centróide de cluster aplicando uma combinação linear ponderada das médias das características normalizadas.
3. Calcule o valor específico de cada peso (w_j) como o inverso da margem física de segurança do canal sensor correspondente.
4. Normalize essas margens inversas usando a seguinte equação, onde v_j representa a margem de segurança inversa para o canal :
   (7)
   \mu_r()g\max_cm
5. Valide esses pesos inicializados garantindo uma correlação positiva de classificação Spearman () entre as pontuações de risco de aglomerado e as pontuações medianas de anomalia da Floresta de Isolamento.
6. Calcule a pontuação média de risco para cada agrupamento k-media.
7. Identifique o cluster que apresenta o risco médio máximo como o modo de falha: .
8. Gerar pseudo-rótulos binários y_super para todas as amostras, atribuindo 0 (Falha) ao cluster de alto risco e 1 (Funcionando) caso contrário:
   (8)

5. Treinamento supervisionado de classificadores e fusão online

1. Implemente um esquema de validação cruzada de 5 vezes para avaliar rigorosamente o desempenho do modelo e evitar vazamento de informações.
2. Confine todo o pipeline de pseudo-rotulagem estritamente à divisão de treinamento dentro de cada dobra.
3. Transforme a divisão isolada de validação usando apenas os parâmetros aprendidos exclusivamente do dobra de treinamento.
4. Treine um classificador de Floresta Aleatória (RF) utilizando X_s como características e o _{y super} dinamicamente gerado como alvo. O modelo fornece a estimativa de probabilidade para a classe trabalhadora, denotada como p_rf(z).
5. Treine uma Máquina de Vetores de Suporte (SVM) equipada com um kernel RBF para gerar um valor da função de decisão f(z) como validador comparativo.
6. Implante um mecanismo de fusão em nível de pontuação durante a fase de inferência online.
7. Sintetize uma pontuação fundida s(z) para uma amostra recém-adquirida combinando a probabilidade supervisionada de RF e a confiança GMM não supervisionada:
   (9)
8. Classifique o status final usando uma lógica de limiar duplo: um estado é classificado como "Working" se e somente se E .
   (.

Resultados

O framework proposto foi validado usando um conjunto de dados multi-sensor coletado por ele mesmo. Após a remoção de registros incompletos, o conjunto final de dados compreendia 199 amostras agregadas válidas de janelas temporais. O ambiente do sistema e os parâmetros do algoritmo são detalhados na Tabela 1.

Correlação de características e composição de conjuntos de dados
Para avaliar a redundância e complementaridade dos c...

Discussão

Esse protocolo apresenta uma metodologia robusta para identificação de condição motora em cenários de partida a frio onde os dados rotulados estão ausentes. Ao integrar a aprendizagem estrutural não supervisionada com a classificação pseudo-supervisionada, o método supera as limitações da aprendizagem supervisionada tradicional, que depende fortemente da anotação^{humana 13, 18 e 19}. Uma etapa crí...

Materiais

Lista de materiais utilizados neste artigo

Nome	Empresa	Número de catálogo	Comentários
Categoria			Componente e versão
Sistema operacional			Windows 11 Professional 23H2
Processador			Intel Core i9-14900HX
Memória			32 GB
Processador gráfico			NVIDIA GeForce RTX 4070 Laptop GPU (8 GB)
Python			3.12
NumPy			1.26
pandas			2.2
scikit-learn			1.5
Matplotlib			3.8
Seaborn			0.13
Semente aleatória