Development of a transfer learning framework for damage detection and localization in rotating shafts

Rotating shafts are critical components in industrial systems, where any fault can lead to severe performance degradation, downtime, and safety risks. Reliable condition monitoring under varying operating conditions remains a challenge, particularly when models are deployed outside the conditions under which they were trained. This thesis investigates damage detection and localization in rotating shafts, with a specific focus on the role of transfer learning in addressing domain shifts caused by changes in operating conditions, damage severity, rotational speed, and shaft geometry. An experimental framework was developed using two distinct rotating shafts subjected to controlled fault conditions and different rotational speeds. Vibration signals acquired from multiple accelerometers, together with temperature measurements, were processed, and statistical anomaly detection based on the Mahalanobis Distance, as well as deep learning approaches such as Convolutional Neural Networks (CNNs), were employed. Several transfer learning strategies were also implemented, including Correlation Alignment (CORAL), fine tuning, and Domain-Adversarial Neural Networks (DANN). The results show that Mahalanobis Distance based anomaly detection provides an effective baseline. Although this method achieves good fault detection results across many domain changes, its performance degrades significantly under strong domain shifts (changes in rotational speed). Transfer learning based on CORAL improves robustness for this domain shift, especially when temperature is incorporated as an additional input. For damage localization, CNN models achieve high accuracy under fixed operating conditions. Reliable results are also obtained when assessing the model across different damage severity, using fine tuning methods. However, any change in rotational speed introduces more fundamental signal transformations that are harder to compensate. At the end, in scenarios with limited target data and significant domain shifts, DANN combined with a subsequent fine tuning demonstrate clear advantages over direct training on the scarce target domain data.

Gli alberi rotanti sono componenti critici nei sistemi industriali, dove eventuali guasti possono causare un degrado delle prestazioni, tempi di fermo e rischi per la sicurezza. Un monitoraggio affidabile delle condizioni operative è particolarmente complesso quando i modelli vengono applicati in contesti diversi da quelli di addestramento. Questa tesi studia il rilevamento e la localizzazione del danno negli alberi rotanti, con particolare attenzione al ruolo del transfer learning nell’affrontare gli spostamenti di dominio dovuti a variazioni delle condizioni operative, dell’intensità del danno, della velocità di rotazione e della geometria dell’albero. È stato sviluppato un framework sperimentale basato su due alberi rotanti sottoposti a difetti controllati e a diverse velocità di rotazione. I segnali di vibrazione acquisiti tramite più accelerometri, insieme alla temperatura, sono stati elaborati mediante rilevamento statistico delle anomalie basato sulla Mahalanobis Distance e modelli di deep learning, in particolare Convolutional Neural Networks (CNNs). Sono state inoltre implementate strategie di transfer learning quali Correlation Alignment (CORAL), fine tuning e Domain-Adversarial Neural Networks (DANN). I risultati evidenziano che la Mahalanobis Distance costituisce una base efficace per il rilevamento dei guasti, ma mostra un calo significativo delle prestazioni in presenza di forti variazioni della velocità di rotazione. L’applicazione di CORAL migliora la robustezza, soprattutto includendo la temperatura come ingresso aggiuntivo. Le CNN raggiungono elevata accuratezza in condizioni operative fisse e, tramite fine tuning, mantengono buone prestazioni al variare della severità del danno. Tuttavia, le variazioni di velocità introducono trasformazioni più profonde del segnale, difficili da compensare. In scenari con dati target limitati e forti spostamenti di dominio, l’approccio DANN seguito da fine tuning dimostra chiari vantaggi rispetto all’addestramento diretto sul ridotto dataset target.