Abstract
データ駆動型の学習と物理に基づく洞察を組み合わせたハイブリッド手法は、産業用コンディションモニタリングの信頼性向上に有望であることが示されている。本研究では、一次センサ測定、遅延（ラグ）を持つ時間的特徴、そして公称のサロゲートモデルから導出される物理に基づいた残差を統合するハイブリッドなコンディションモニタリングの枠組みを開発する。2つのハイブリッド統合戦略を検討する。1つ目は、残差および時間情報を入力空間に付加する特徴レベル融合アプローチである。2つ目は、異なる特徴タイプで訓練された機械学習分類器を決定レベルで統合するモデルレベル・アンサンブル方式である。コンディションモニタリング枠組みの両方のハイブリッド手法は、複数の機械学習モデルおよびアンサンブル構成を用いて、連続攪拌槽型リアクタ（CSTR）のベンチマークで評価する。特徴レベルとモデルレベルのいずれによるハイブリッド化も、単一ソースのベースラインに比べて診断精度を改善し、最良のモデルレベル・アンサンブルは最良のベースライン・アンサンブルに対して2.9 extbackslash %の改善を達成する。予測の信頼性を評価するために、適合予測（conformal prediction）を適用し、カバレッジ、予測セットのサイズ、棄却（abstention）の振る舞いを定量化する。結果は、ハイブリッド統合が不確実性管理を改善し、マッチしたカバレッジ水準でより小さく、適切に校正された予測セットを生成することを示している。これらの知見は、軽量な物理に基づく残差、時間的な拡張（augmentation）、およびアンサンブル学習を効果的に組み合わせることで、非線形な産業システムにおいて精度と意思決定の信頼性の両方を向上できることを示している。
