A study on conditional time-series generative adversarial networks for surrogate modelling of rotating shafts

This thesis investigates conditional generative neural networks for surrogate modelling of rotating shaft vibration signals. The primary objective is to develop a structured and physics-guided training pipeline capable of generating stable and conditionally coherent multichannel time-series data. A physics-constrained Conditional TimeGAN framework is implemented to generate four-channel accelerometer signals conditioned on rotational speed and additional operating parameters. The training procedure is organized into three stages: Embedding–Recovery pretraining, Supervisor-based latent dynamic learning, and adversarial calibration using a WGAN-GP formulation. To improve stability and physical plausibility, additional regularization terms are incorporated, including spectral band alignment, RMS and standard deviation anchors, multi-resolution STFT loss, DC bias control, and temporal alignment penalties. Model selection follows a structured multi-metric evaluation protocol combining amplitude stability, spectral energy distribution, temporal consistency, and conditional sensitivity analysis. Results on a held-out test split demonstrate controlled amplitude behaviour, coherent spectral redistribution, and preservation of RPM-dependent trends within the observed operating range. While exact signal reconstruction is not achieved, the framework provides physically interpretable surrogate signals with stable training dynamics. The study emphasizes the importance of integrating domain-specific constraints into adversarial time-series modelling and shows that physics-informed regularization significantly enhances stability and conditional coherence. The proposed methodology establishes a reproducible baseline for conditional surrogate modelling of rotating shaft dynamics.

Questa tesi analizza reti neurali generative condizionali per la modellazione surrogata dei segnali di vibrazione di alberi rotanti. L’obiettivo principale è sviluppare una pipeline di addestramento strutturata e guidata da vincoli fisici, in grado di generare serie temporali multicanale stabili e coerenti rispetto alle condizioni operative. Viene implementato un framework Conditional TimeGAN con vincoli fisici per generare segnali accelerometrici a quattro canali, condizionati alla velocità di rotazione e ad altri parametri operativi. La procedura di addestramento è organizzata in tre fasi: pretraining Embedding–Recovery, apprendimento delle dinamiche latenti tramite Supervisor e calibrazione avversaria con formulazione WGAN-GP. Per migliorare la stabilità e la plausibilità fisica, vengono introdotti termini di regolarizzazione aggiuntivi, tra cui l’allineamento delle bande spettrali, vincoli su RMS e deviazione standard, una perdita multi-risoluzione basata su STFT, il controllo del bias DC e penalità di allineamento temporale. La selezione del modello segue un protocollo di valutazione multi-metrico strutturato, che combina stabilità dell’ampiezza, distribuzione dell’energia spettrale, coerenza temporale e analisi della sensibilità condizionale. I risultati su un test set separato mostrano un comportamento stabile dell’ampiezza, una ridistribuzione spettrale coerente e la preservazione delle tendenze dipendenti dagli RPM all’interno del dominio operativo osservato. Pur non ottenendo una ricostruzione esatta del segnale, il framework produce segnali surrogati fisicamente interpretabili con dinamiche di addestramento stabili. Lo studio evidenzia l’importanza di integrare vincoli specifici del dominio nella modellazione avversaria di serie temporali e dimostra che la regolarizzazione guidata dalla fisica migliora in modo significativo la stabilità e la coerenza condizionale. La metodologia proposta costituisce una base riproducibile per la modellazione surrogata condizionale della dinamica di alberi rotanti.