信頼性を考慮した早期故障警告のための物理誘導型Tiny-Mamba Transformer

TL;DR（結論）

回転機械の早期故障警告において、非定常な運転条件やデータの不均衡、ドメインシフトといった実運用上の課題に対応し、誤報率を厳密に制御しながら迅速な検知を可能にする新しいフレームワーク「PG-TMT」が提案されました。 この手法は、微細な過渡現象を捉える畳み込み、長期的な動態をモデル化するTiny-Mamba、チャネル間の共振を符号化する局所Transformerの3つの分岐を統合し、物理的な軸受故障の次数帯域とアテンションを整合させる物理誘導型の学習を実現しています。 極値統計学（EVT）を用いた閾値設定とヒステリシス機構を導入することで、目標とする誤報頻度を維持しながら、従来手法よりも高い精度と短い検知遅延を複数の公開データセットおよび産業用パイロット環境での実証実験において達成しました。

なぜこの問題か

回転機械の早期故障警告は、現代の製造現場において計画外の停止や深刻な安全事故、さらには高額な二次被害を回避するために極めて重要な役割を担っています。軸受やギヤといった基幹部品は、速度や負荷が絶えず変動する非定常な条件下で長期間稼働し、生産ライン全体と密接に結合しているため、わずかな検知の遅れや誤報の発生が稼働時間やメンテナンスコストに多大な影響を及ぼします。しかし、実際の工場における監視は、振動データが連続的にストリーミングされるオンライン環境であり、正常データに対して故障データが圧倒的に不足しているという深刻なクラス不均衡の問題に直面しています。 従来の深層学習を用いた予後診断モデルの多くは、静的な分類精度の向上に主眼を置いており、実運用で重要となる「1時間あたりの誤報回数」といった信頼性指標を直接制御する仕組みが欠けていました。また、モデルの判断根拠がブラックボックス化しやすく、現場の技術者が納得できる物理的な根拠に基づいた説明が困難であるという課題もありました。さらに、異なる回転数や負荷、あるいは異なるセンサー位置といったドメインシフトが発生すると、学習済みのモデルの性能が著しく低下するという問題も指摘されています。…

核心：何を提案したのか

本論文では、物理的な知見と最新の深層学習アーキテクチャを融合させた「物理誘導型Tiny-Mamba Transformer（PG-TMT）」という新しいフレームワークを提案しています。この提案の核心は、表現学習、統計的に裏付けられた意思決定ルール、そして生存分析に基づく評価手法を一つの体系に統合した点にあります。まず、エンコーダ部分には、畳み込みニューラルネットワーク、状態空間モデル（SSM）の一種であるTiny-Mamba、および局所的なTransformerを組み合わせた3分岐構造を採用しました。これにより、振動信号に含まれる微細な衝撃成分から長期的な劣化傾向、さらには複数チャネル間の共振構造までを包括的に抽出することが可能になります。…

続きはログイン/プランで閲覧できます。