障害検出におけるデータ機械学習の応用

はじめに: 従来の産業では、故障診断が機械メンテナンスで最も困難な段階であるため、メンテナンスに費やされる時間のほとんどは、実際の修復ではなく故障診断に費やされています。エネルギー業界では、正確な障害診断がエネルギー供給の安定性に直接影響します。

センサー技術、データストレージ、インターネットの急速な発展により、工場はよりスマートになり、より多くのプロセスデータが生成されています。大量データのデータ分析の需要が高まっており、データに基づく機械学習技術は故障診断を効果的に改善することができます。

この記事では、故障診断の分野で広く使用されているいくつかの機械学習技術とそれぞれの応用方向を簡単に紹介し、各技術の長所と短所を簡単に分析します。含まれるもの: ベイジアンネットワーク (BN)、人工ニューラルネットワーク (ANN)、サポートベクターマシン (SVM)、隠れマルコフモデル (HMM) テクノロジー。

ベイジアンネットワーク (BN)

ベイジアン ネットワークは、障害検出によく使用される機械学習手法です。 BN は有向非巡回グラフです。つまり、ネットワーク構造では、ノード間に閉ループを形成できない必要があります。ノードはランダム変数を表し、それらの条件付き相関はノードをリンクする有向アークによって表されます。

BN は、グラフィカルな表現によりモデル変数間の相互作用を直感的に簡単に理解できるため、ホワイトボックス モデルです。これは不確実性をモデル化するのに特に役立ち、複数のソースからのデータを使用して、原因と結果の階層の複数のレベルをモデル化することが容易になります (製造システムでよく見られる)。 BN をトレーニングする際の主な課題は、ツリー構造の構築にあります。

BN は、障害監視や信頼性分析の分野で広く使用されています。1995 年に、Microsoft は BN をプリンターの障害診断に適用し、さまざまなステップで必要になる可能性のあるメンテナンス プランの有効性を継続的に計算して、最適なメンテナンス パスを決定しました。半導体業界では、Yang & Lee と Nguyen らが BN を使用してプロセス変数がウェーハの品質に与える影響を評価し、履歴プロセス データを使用して不良ウェーハの根本原因を診断しました。信頼性分析には通常、障害の確率と時間、システムの冗長性の分析が含まれ、システムのマルチステート ユニット、動的変化、動作条件などの要素を総合的に考慮する必要があります。発電所の運転信頼性や原子力エネルギーシステムの実現可能性など、エネルギー分野で効果的に応用されています。さらに、BN は、エンジンローター、電力網、車両電力システム、油圧ポンプ、電力変圧器、太陽光発電所、モバイル通信ネットワーク、製造プロセスの故障診断にも広く使用されています。

人工ニューラルネットワーク (ANN)

人工ニューラル ネットワークは、人間の中枢神経系の機能に着想を得た、非パラメトリック機械学習アルゴリズムの一種です。適応型機能は、機能間の非線形関係に対する強力なモデリング機能を提供します。

現在、人工ニューラル ネットワークの統一された正式な定義は存在しません。ただし、統計モデルが以下の特性を持つ場合は「ニューラル」と呼ぶことができます。

• 調整可能な重みのセット（学習アルゴリズムによって調整される数値パラメータ）があります。これらの調整可能な重みは、ニューロン間の接続の強さと考えることができます。
• 入力データの非線形関数関係を推定できる

人工ニューラル ネットワークは、各ユニットの特定のタスクを記述することなく、関数の一部を集合的に並列に計算できるという点で、生物学的ニューラル ネットワークに似ています。

ANN の非パラメトリックな性質と、非線形の複雑な問題を高精度でモデル化する能力により、ANN は障害診断の問題に適用できます。 BN のようにネットワーク構造を指定する必要がないため、モデルの初期化は簡単です。ただし、欠点としては、モデルの解釈を困難にする「ブラックボックス」の性質が挙げられます。さらに、ANN は通常、入力の不確実性を処理することができず、計算量が多いため、トレーニング中に収束が遅くなることがよくあります。人工ニューラル ネットワークは過剰適合する傾向があり、この問題を防ぐにはトレーニングに大規模で多様なデータセットが必要です。

ANN は、大規模な並列機能、適応学習能力、分散情報ストレージ、堅牢性により、障害監視および診断の分野で大きな注目を集めています。多種多様なニューラル ネットワーク アルゴリズムが開発され、使用されてきました。ニューラルネットワークアルゴリズムは、機械学習技術における主役と言えます。その応用範囲は非常に広く、負荷予測、各種障害診断など、エネルギー分野では比較的成熟したアプリケーションを持っています。

サポートベクターマシン (SVM)

SVM は、ラジアル基底関数 (RBF) や多項式カーネルなどのさまざまなカーネル関数を使用して、データを最適に分離し、小さなトレーニング セットで使用した場合に優れた分類パフォーマンスを発揮する超平面を見つけます。サポートベクターマシンの成功した応用分野には、顔認識、手書き文字認識、音声認識、画像検索、予測などがあります。

SVM は、線形関係と非線形関係の両方をモデル化するための優れた手法です。 ANN などの他の非パラメトリック手法と比較すると、計算時間は比較的高速です。大規模なトレーニング データセットの利用可能性は機械学習における課題ですが、SVM は限られたトレーニング データでも優れたパフォーマンスを発揮できます。

障害箇所の特定におけるサポート ベクター マシンの応用は、BN や ANN ほど一般的ではありません。サポート ベクター マシンは、工業生産システムにとって非常に効果的な監視および診断ツールです。たとえば、このテクノロジは、さまざまな切削条件下での正面フライス加工プロセスにおける工具破損の診断に使用されます。風力タービンにおけるSVMの故障監視だけでなく、医療分野では、がんや糖尿病の監視など、さまざまな病気の診断にSVMが使用されています。エネルギー分野では、住宅の冷暖房負荷予測、風力発電予測、ユーザー負荷予測などの負荷予測にもサポートベクターマシンが使用されています。

隠れマルコフモデル (HMM)

隠れマルコフモデルはマルコフ連鎖モデルの拡張であり、プロセスの状態が観測不可能であると仮定して、動的プロセスにおける状態遷移と測定された出力の確率分布を推定するために使用されます。隠れた未知のパラメータを持つマルコフ過程を説明します。これは二重ランダム過程です (マルコフ連鎖と一般的なランダム過程を含む)。

HMM は、化学プロセスや機器の健全性など、観測不可能な状態を持つプロセスのモデリングに優れた確率モデルであり、障害診断に適しています。ただし、トレーニング プロセスは通常、計算負荷が高くなります。

HMM は、連続製造システムと個別製造システムの両方で障害診断に使用されてきました。たとえば、ベアリングの摩耗や故障の診断、複雑な化学プロセスの障害の監視、誘導モーターの障害の診断などに使用できます。さらに、HMM は、音声認識、自動品詞タグ付け、音声から文字への変換、確率文法などの自然言語処理、算術符号化、地統計学、企業製品市場予測、人口プロセス、バイオインフォマティクス (コーディング領域または遺伝子予測) などの応用分野で広く使用されています。エネルギー分野では、住宅負荷予測にも使用されます。