MIに基づく蒸気タービン発電機故障予測手法

本研究は、電力用蒸気タービンの故障予測精度向上と、高次元・非線形監視データおよび煩雑なハイパーパラメータチューニングの課題に対応するため、インテリジェントな故障予測手法を提案する。提案手法「BO-CNN-BiLSTM」は、MI(相互情報量)ベースの適応的特徴量選択と、CNN-BiLSTMネットワークのハイパーパラメータチューニングのためのベイズ最適化(BO)を統合した自動パイプラインである。まず、MIとK-meansクラスタリングを組み合わせて故障状態と強く関連する主要特徴量を自動的に特定・保持し、入力次元数を効果的に削減する。次に、BOフレームワークを用いて最適なハイパーパラメータ構成を自律的に探索し、特徴量選択からモデル最適化までをシームレスに統合する。自社構築の物理情報融合実験プラットフォームによる検証では、最適化されたモデルはテストセットでRMSE 0.324、決定係数(R2)0.888を達成した。予測性能は、ベイズ最適化を欠くモデルや、単独のCNNまたはBiLSTMアーキテクチャを採用したモデルを大幅に上回る。本研究は、電力用蒸気タービン向けの、高度に自動化され、高精度かつ実用的なインテリジェント故障予測スキームを提供する。