ターボファンエンジンの残存有効寿命推定：古典手法、CNN、LSTMアプローチの比較研究
arXiv cs.LG / 2026/5/1
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、NASA C-MAPSSデータセットを用いたターボファンエンジンの残存有効寿命（RUL）推定について、古典的手法（Ridge Regression、Polynomial Ridge、XGBoost）と深層学習手法（1D CNN、LSTM）を比較する。
- FD001およびFD003の各サブセットで、LSTMはRMSE 14.93と14.20を達成し、より複雑な多層LSTM（Zhengらの報告）を、単層アーキテクチャというより単純な構成で上回った。
- 1D CNNはFD001でRMSE 16.97、FD003で15.68となり、FD003では競争力のある性能を示す一方、FD001ではRUL推定がより控えめ（保守的）になることが示された。
- Ridge Regressionは生データ系列と特徴量（エンジニアリング）を併せて評価し、その他の古典的ベースラインは特徴量入力のみを使用する設計である。またXGBoostはFD003でRMSE 13.36と特に良好な結果を示した。
- すべてのモデルは同一の前処理パイプラインで評価され、手法間の公平な比較が担保されている。
