劣化段階同期サンプリングとクロスドメインオートエンコーダーによるドメイン適応型健康指標学習

要旨: 高品質な健康指標(HIs)の構築は、効果的な予知保全と健康管理にとって極めて重要である。深層学習は HI モデリングを大幅に進歩させているが、既存のアプローチは、運用条件の変化に起因する分布の不一致に苦しむことが多い。ドメイン適応はこれらのシフトを緩和するために一般的に用いられるが、二つの重要な課題が残る: (1) ランダムなミニバッチサンプリング中の劣化段階のずれにより、誤解を招く差異損失が生じること、(2) 複雑な振動信号の長距離時間依存性を捉えるには小カーネル1D-CNNの構造的制約があること。これらの問題に対処するために、劣化段階同期バッチサンプリング(DSSBS)とクロスドメイン整列融合大規模オートエンコーダー(CAFLAE)からなるドメイン適応フレームワークを提案する。DSSBSはカーネル変化点検出を用いて劣化段階を分割し、整合時にソースとターゲットのミニバッチが故障相によって同期することを保証する。これに補完的に、CAFLAEは大カーネルの時系列特徴抽出とクロスアテンション機構を統合し、優れたドメイン不変表現を学習する。提案されたフレームワークは、韓国の防衛システムデータセットと XJTU-SY ベアリングデータセットで厳密に検証され、最先端手法と比較して平均で 24.1% の性能向上を達成した。これらの結果は、DSSBS がステージ一貫性サンプリングを通じてドメイン間の整合性を改善する一方、CAFLAE が長期の産業状態モニタリングに対して高性能なバックボーンを提供することを示している。