シミュレーションに基づく推論による高速ベイズ設備コンディションモニタリング：熱交換器の健全性への適用

要旨: 工業用設備の正確な状態監視には、不確実性のもとで間接的なセンサ測定から潜在する劣化パラメータを推定することが必要である。マルコフ連鎖モンテカルロ（MCMC）などの従来のベイズ手法は、厳密な不確実性の定量化を提供する一方で、計算負荷の大きさがリアルタイムのプロセス制御には実用的でない。その制約を克服するために、我々は、熱交換器における複雑な故障モードの診断のための、償却（amortized）ニューラル事後推定によって駆動されるシミュレーションベース推論（SBI）を用いたAI主導の枠組みを提案する。模擬データセット上でニューラル密度推定器を学習することで、我々の手法は、熱流体の観測から劣化パラメータの全事後分布へ直接的で、尤度不要（likelihood-free）の写像を学習する。さらに、さまざまな合成的なファウリングおよびリークのシナリオ（扱いの難しい低確率のまばらな事象による故障を含む）にわたって、この枠組みをMCMCのベースラインと比較検証する。その結果、SBIは診断精度と信頼できる不確実性の定量化において同等の性能を達成しつつ、従来のサンプリングに比べて推論時間を82 imesの割合で加速できることが示された。ニューラルネットワークの償却（amortized）性により、推論はほぼ瞬時に行えるため、SBIは、複雑な工学システムにおける確率的故障診断およびデジタルツイン実現のための、非常に高いスケーラビリティを持つリアルタイム代替手法として確立される。