Domain adaptation and generalization for bearing fault diagnosis: a leakage-free cross-dataset benchmark

Abstract

Rolamentos são componentes críticos para garantir a confiabilidade de máquinas rotativas; falhas nesses componentes podem levar a interrupções na produção, perdas financeiras e riscos de segurança. A manutenção baseada na condição, particularmente por meio do monitoramento de vibrações, tem se destacado como uma das principais estratégias para a detecção precoce de falhas. Entretanto, a aplicação efetiva de modelos de aprendizado de máquina nesse contexto é dificultada pela variabilidade das condições operacionais e pela restrita disponibilidade de dados rotulados. Para contornar essas limitações, este trabalho propõe avaliar duas estratégias: adaptação de domínio e generalização de domínio. Para validar essas abordagens, conduziu-se um extenso benchmark em quatro conjuntos de dados públicos, empregando uma metodologia rigorosa que evita o vazamento de dados e aborda lacunas identificadas na literatura a respeito do processo de otimização de hiperparâmetros. A avaliação engloba tanto modelos de aprendizado raso, quanto modelos de aprendizado profundo. Os resultados demonstram que a adaptação e a generalização de domínio tendem a beneficiar consistentemente os modelos de aprendizado raso, enquanto apresentam melhorias mais modestas e inconsistentes para as arquiteturas de aprendizado profundo.

Abstract: Bearings are critical components for ensuring the reliability of rotating machinery; failures in these components can lead to production interruptions, financial losses, and safety risks. Condition-based maintenance, particularly through vibration monitoring, has emerged as one of the leading strategies for the early detection of failures. However, the effective application of machine learning models in this context is hindered by the variability of operating conditions and the limited availability of labeled data. To overcome these limitations, this work proposes evaluating two strategies: domain adaptation and domain generalization. To validate these approaches, an extensive benchmark was conducted on four public datasets, employing a rigorous methodology that avoids data leakage and addresses gaps identified in the literature regarding the hyperparameter optimization process. The evaluation encompasses both shallow learning models and deep learning models. The results demonstrate that domain adaptation and generalization tend to consistently benefit shallow learning models, while offering more modest and inconsistent improvements for deep learning architectures.