離散的な運転条件下における産業予兆診断のためのマルチヘッド注意融合ネットワーク

Abstract

航空機エンジン、タービン、産業機械などの複雑なシステムは、多くの場合、動的に変化する条件のもとで稼働しています。これらの変動する運転条件は、劣化挙動に大きな影響を与える可能性があり、予測において運転の影響を明示的に考慮する必要があるため、プロノスティック（予後）モデリングをより困難にします。この問題に対処するため、本論文では新しいマルチヘッド注意機構に基づく融合ニューラルネットワークを提案します。提案する枠組みは、3つの信号成分を明示的にモデル化し、統合します。（1）システムの基礎的な劣化を反映する単調な劣化トレンド、（2）クラスタリングによって同定され、密な埋め込み（dense embeddings）として符号化された離散的な運転状態、（3）センサ計測における説明できない変動を捉える残差のランダムノイズです。本枠組みの中核的な強みは、そのアーキテクチャにあります。すなわち、複雑な時間的依存関係をより良く捉えるために、BiLSTMネットワークと注意機構を組み合わせています。注意機構により、モデルは異なる時刻ステップやセンサ信号に対して適応的に重み付けできるため、予後に関連する情報を抽出する能力が向上します。さらに、融合モジュールが、劣化トレンド分岐の出力と運転状態の埋め込みを統合するよう設計されており、これらの相互作用をより効果的に捉えることが可能になります。提案手法はNASAリポジトリのデータセットを用いて検証され、その結果、提案手法の有効性が示されています。