解釈可能な故障ヒートマップを用いた、非対称損失ガイド付きハイブリッドCNN-BiLSTM-注意モデルによる産業用RUL予測

要旨: 持続的な運用ストレス下におけるターボファンエンジンの劣化は、重要コンポーネントの残存有効寿命（RUL）を正確に推定できる頑健な予兆（プロナスティックス）システムを必要とする。既存の深層学習アプローチは、複数センサにまたがる空間的相関と長期の時間的依存関係を同時に捉えることにしばしば失敗し、標準的な対称型損失関数では、残存寿命を過大に見積もるという安全性に直結する誤りを十分に罰することができない。本研究では、ツインステージ型1次元畳み込みニューラルネットワーク（Twin-Stage One-Dimensional Convolutional Neural Networks（1D-CNN））、双方向長短期記憶（BiLSTM）ネットワーク、ならびにカスタムのバハダヌー加法的注意（Bahdanau Additive Attention）機構を統合したハイブリッドアーキテクチャを提案する。モデルは、NASAのCommercial Modular Aero-Propulsion System Simulation（C-MAPSS）FD001サブデータセットにおいて、ゼロ・リーケージ前処理パイプライン、130サイクルで上限を設けた区分線形のRULラベリング、およびNASA指定の非対称指数損失関数（過大推定を強く罰し、産業上の安全制約を満たすように設計されている）を用いて訓練・評価した。100台のテストエンジンに対する実験では、二乗平均平方根誤差（RMSE）17.52サイクル、NASA S-Score 922.06を達成した。さらに抽出された注意重みヒートマップは、劣化の時間的進行に関して、エンジンごとの解釈可能な洞察を提供し、意思決定に基づく保全判断を支援する。提案フレームワークは、確立されたベースラインに対して競争力のある性能を示し、産業環境における安全で解釈可能な予兆を、原理に基づいて実現するアプローチを提供する。