DST-SGR: Mambaに触発されたデュアルストリーム分光時間ネットワークによる回転機械の残存有用寿命予測
DST-SGR: a Mamba-inspired dual-stream spectro-temporal network for remaining useful life prediction of rotating machinery
回転機械の残存有用寿命(RUL)予測において、高周波振動信号は時間領域と時間周波数領域の両方で課題を提示する。既存手法はLSTMの勾配消失やTransformerの二次計算コストに限界があった。本研究では、Mambaに触発されたデュアルストリーム分光時間ネットワーク「DST-SGR」を提案する。これは、GRUベースの状態相互作用による選択的時系列モデリングを実現し、計算コストは線形O(L)である。時間分岐は生データからインパルスを検出し、スペクトル分岐はSTFTスペクトログラムから調波特徴を学習する。3つの分光時間相互作用ブロック(STIB)が双方向クロスゲート融合を通じてストリームを結合する。NASA IMSベアリングデータセットを用いた評価では、テストセットでMAE 0.152、RMSE 0.191を達成し、5分割交差検証ではMAE 0.128 ± 0.004となった。本モデルは131,137の学習可能パラメータを持ち、NVIDIA RTX 4060 GPUで約0.97時間で学習可能であり、計算資源が限られていても競争力のある予後精度が達成可能であることを示している。
- Mambaに触発されたデュアルストリーム分光時間ネットワーク「DST-SGR」を提案し、GRUベースの選択的時系列モデリングで計算コストを線形O(L)に抑えた
- 時間分岐で生データからインパルス検出、スペクトル分岐でSTFTスペクトログラムから調波特徴を学習し、3つのSTIBが双方向クロスゲート融合で両ストリームを結合
- NASA IMSベアリングデータセットでMAE 0.152、RMSE 0.191、5分割交差検証でMAE 0.128 ± 0.004を達成
- 131,137の学習可能パラメータとNVIDIA RTX 4060 GPUで約0.97時間の学習という軽量構成で、計算資源が限られる環境でも競争力のある予後精度を示した
学術的なRUL予測モデルの提案であり、事業会社の発表ではないため直接の投資対象にはなりにくい。ただしMamba系の線形計算量アーキテクチャをGRUとSTFT分岐に組み合わせ、RTX 4060という民生GPUで約1時間という低コスト学習を実証している点は、エッジ/現場側での予知保全AI実装が現実味を帯びてきたことを示す。産業設備の予知保全はロボティクス・FA・プラント運営のコスト構造に効く領域で、同等精度をより安い推論環境で出せる手法の登場は、産業AI/IoTベンダーの競争軸を「精度」から「計算効率あたりの精度」へ移す可能性がある。公開ベンチマーク(NASA IMS)とパラメータ数・学習時間が明示されているため再現性・比較可能性が高く、今後の産業向けAI導入提案の基準値として注視したい。