無人航空機のプロペラ故障分類と説明可能な人工知能ベースの特徴–モデルマッチング
Propeller Fault Classification for Unmanned Aerial Vehicles and Explainable Artificial Intelligence-Based Feature–Model Matching
無人航空機(UAV)の普及に伴い、プロペラ故障の早期かつ信頼性の高い診断が必要とされている。本研究では、プロペラ故障分類のためのリークフリーな特徴–モデルマッチングフレームワークを提案する。テストベンチで、980kVおよび1400kVモーターを使用し、正常および8種類の故障プロペラ状態、16段階のスロットルレベルで、マイクロフォンと6軸慣性計測ユニットのデータを収集した。1735の測定ファイルから1秒のウィンドウを8490個抽出した。4つのスカラー特徴セットと3つの時間周波数表現を、7つのアンサンブル学習器と3つのコンパクト畳み込みネットワークとファイルアトミック分割下でマッチングし、説明可能性によってランク付けされた52入力サブセットで学習されたスタックアンサンブルは、最高の0.8027のマクロF1値と0.8816の精度を達成した。時間領域統計と加速度計軸が優位であり、3つの慣性軸は0.7661のマクロF1に達し、ケプストラムおよびエンベロープ特徴はWelchベースの特徴を下回ることが示された。モーター間実験では、モデルがモータークラスに強く依存することが示され、McNemar検定により、アンサンブルブランチとコンパクト畳み込みブランチの違いは偶然ではないことが確認された。このフレームワークは、低レベルデバイス上の低コストマルチセンサーセットアップの評価プロトコルとして使用できる。
- UAVプロペラ故障分類のためのリークフリーな特徴–モデルマッチングフレームワークを提案し、52入力サブセットのスタックアンサンブルでマクロF1 0.8027・精度0.8816を達成
- 980kV/1400kVモーター、正常+8種の故障プロペラ、16段階スロットルでマイクロフォンと6軸IMUのデータを収集し、1735ファイルから8490ウィンドウを抽出
- 時間領域統計と加速度計軸が優位で、3慣性軸のみでマクロF1 0.7661に到達。ケプストラム・エンベロープ特徴はWelchベースを下回る
- モーター間実験でモデルがモータークラスに強く依存することが判明し、McNemar検定でアンサンブル系とコンパクト畳み込み系の差が偶然でないと確認
- 低レベルデバイス上の低コストマルチセンサー構成を評価するプロトコルとしての利用可能性を示した
UAVのプロペラ故障診断を、センサー特徴量と機械学習モデルのマッチングで行う研究。マクロF1 0.80超・精度0.88は実用水準に近づきつつあり、低コストなマイク+IMU構成で実現している点がドローン運用・保守(予知保全)市場にとって重要。特にモータークラス依存が強く、機体ごとの再学習が必要という知見は、汎用診断サービスより機体メーカー垂直統合型のソリューションが優位になり得ることを示唆する。ドローン物流・点検の安全規制要件が厳格化する局面では、こうした故障検知の説明可能性と評価プロトコルの標準化が導入障壁の低減につながるか注目したい。