振動センサーの非線形性補正のためのハイブリッド物理ガイドニューラルネットワーク
Hybrid Physics-Guided Neural Network for Vibration Sensor Nonlinearity Correction
MEMS加速度センサーは構造監視や機械診断に不可欠だが、非線形性(デッドゾーン、ヒステリシス、飽和、カラーノイズ)により精度が低下する。本論文では、残差畳み込みニューラルネットワーク(CNN)と物理ガイド低域通過フィルター(LPF)を、アテンションゲート機構で融合したハイブリッドアーキテクチャを提案する。CNNは残差非線形性のみを学習し、フィルターは安定した帯域制限されたベースラインを供給する。シミュレーションシナリオで検証した結果、ハイブリッドLPF-CNNは、非線形性が顕著なトラックでスタンドアロンCNNを15.2%、LSTMを33.5%上回り、平均R2値0.9970、RMSE 0.0179 gを達成した。ノイズ優位のトラックでは、R2 = 0.9407、RMSE = 0.0800 gとなり、CNNとLSTMのベースラインを上回った。モデルはシード間でも安定しており(R2のσ=0.0001)、適用した補正の内訳も判読可能である。アーキテクチャ探索の結果、生信号とフィルター処理済み信号を別々に処理し、学習可能な空間ゲートで結合するデュアルエンコーダー設計が、安定性、精度、解釈可能性の最適なバランスを提供することが明らかになった。
- 残差CNNと物理ガイド低域通過フィルター(LPF)をアテンションゲート機構で融合したハイブリッドアーキテクチャを提案し、CNNは残差非線形性のみを学習、フィルターが帯域制限されたベースラインを供給する構成とした
- シミュレーション検証で、非線形性が顕著なトラックにおいてハイブリッドLPF-CNNがスタンドアロンCNNを15.2%、LSTMを33.5%上回り、平均R2値0.9970、RMSE 0.0179 gを達成
- ノイズ優位のトラックではR2 = 0.9407、RMSE = 0.0800 gとなり、CNNおよびLSTMのベースラインを上回った
- モデルはシード間でも安定しており(R2のσ=0.0001)、適用した補正の内訳も判読可能であることが確認された
- アーキテクチャ探索の結果、生信号とフィルター処理済み信号を別々に処理し学習可能な空間ゲートで結合するデュアルエンコーダー設計が、安定性・精度・解釈可能性の最適なバランスを提供することが明らかになった
MEMS加速度センサーの非線形性補正に、物理ガイド付きハイブリッドNN(残差CNN+学習可能LPF+アテンションゲート)を適用し、非線形性が強い条件でスタンドアロンCNN比+15.2%、LSTM比+33.5%の精度改善とR2=0.9970を達成した点が注目。産業用センサーのソフトウェア補正は追加ハードウェア不要で付加価値化できるため、構造監視・機械診断向けセンサ事業者の精度差別化やエッジ推論IPのライセンス機会に波及し得る。ただし現段階はシミュレーション検証であり、実機・量産環境での再現性と演算コストの確認が投資判断上の次の焦点となる。