機械学習を用いた船舶用ディーゼルエンジンの破局的故障を早期検知するための方法

要旨：海洋エンジンの壊滅的な故障は機能の深刻な喪失を意味し、システムを不可逆的に破壊または損傷します。突然で予測不能な出来事であるため、航行、乗組員、および乗客に深刻な脅威をもたらします。その急激な性質は早期検知を唯一の効果的な対策とします。しかし、研究は部品の徐々の劣化のモデリングに集中しており、急激で異常な現象には限られた関心しか向けられていません。本研究は壊滅的な故障を早期に検知する新しい手法を提案します。故障したエンジンからの実データに基づき、アプローチは実測センサ値とエンジン変数の予想値との差の微分を評価します。予測は、試験された機械学習アルゴリズムの中で最も適しているとされる Random Forest によって得られます。伝統的な手法は監視信号の逸脱に焦点を当てますが、提案手法は逸脱の微分を用いて異常なダイナミクスの早期指標を提供し、システム内で急速かつ危険な事象が発生しつつあることを警告します。その手法は測定値が臨界閾値に達し、警報が作動する前に異常を検出できるため、産業界で一般的な手法です。したがって、運用者は事前に警告を受け、エンジンを停止させ、損傷と予期せぬ電力喪失を防ぐことができます。さらに、彼らには船の航路を安全に変更し、潜在的な障害物を回避する余裕があります。シミュレーション結果は、提案手法が壊滅的な故障の発生を予測するうえでの有効性を確認します。実世界データでの検証は、手法の堅牢性と実用的適用性をさらに強化します。予測アルゴリズムを訓練するデータ取得は問題ではないことも注目に値します。深層学習ベースのデータ拡張手法を用いているためです。