機械的故障診断のためのクロスセンサー・ドメイン適応型マルチポイント監視ネットワーク
Cross-sensor domain adaptation multi-point monitoring network for mechanical fault diagnosis
機械的故障診断システムは、監視ポイント間のデータ分布の差異、新規展開ポイントでのラベル付き故障サンプル不足、センサーごとの独立モデル訓練コストといった課題に直面している。本研究では、UCTL(Unsupervised Cross-sensor Transfer Learning network)を提案する。これは、ラベル付きソース監視ポイントからラベルなしターゲット監視ポイントへ故障特徴量を転送・再利用し、クロスセンサー・ドメイン適応を実現するエンドツーエンドの教師なし学習ネットワークである。UCTLは、1次元振動入力を直接受け付け、時間周波数マップ変換なしでマルチスケールかつ時間的に相関した特徴量を抽出する1次元Swin Transformerバックボーンと、最大平均平方差(MMSD)と分散差表現(VDR)を拡張した共同分布アライメント手法(Joint MMSDおよびJoint VDR)から構成される。この手法は、平均平方と分散ベースの分布差異のアライメント強度を独立に制御し、多様なクロスセンサーシナリオへの適応性を向上させる。CWRUベアリングデータセットとXJTUスパーギアデータセットを用いた6つのクロスセンサー転送タスクでの実験では、平均診断精度99%超を達成した。また、UCTLは訓練エポック数を大幅に削減し、モデル展開効率を向上させることができる。アブレーション研究により、1D Swin Transformerバックボーンとハイブリッド損失の有効性が確認された。
- UCTL(Unsupervised Cross-sensor Transfer Learning network) を提案。ラベル付きソース監視点からラベルなしターゲット監視点へ故障特徴を転送するエンドツーエンドの教師なし学習ネットワークで、クロスセンサー・ドメイン適応を実現する。
- 1次元振動入力を直接受け付け、時間周波数マップ変換を行わずにマルチスケールかつ時間的に相関した特徴量を抽出する1D Swin Transformerバックボーンを採用。
- 最大平均平方差(MMSD)と分散差表現(VDR)を拡張したJoint MMSDおよびJoint VDRによる共同分布アライメントを導入し、分布差異のアライメント強度を独立に制御可能にする。
- CWRUベアリングおよびXJTUスパーギアのデータセットを用いた6つのクロスセンサー転送タスクで平均診断精度99%超を達成。訓練エポック数も大幅に削減。
産業機械の予知保全はセンサー設置点ごとにモデルを作り直すコストが導入のボトルネックになってきた。本研究はラベル付きの既存監視点からラベルなしの新規点へ故障特徴を転送する教師なしクロスセンサー適応を1D Swin Transformerで実現し、CWRU・XJTUの6タスクで平均99%超の精度と訓練エポック削減を報告している。学術段階の成果であり直接の投資対象は見当たらないが、データ収集と再学習の負担を下げる方向の技術は設備診断・状態監視型のメンテナンス事業の採算改善や、回転機械を扱う製造業のダウンタイム削減に効いてくる可能性があり、産業AIベンダーの実装動向を継続的に見ておきたい。