ターボ機械はさまざまな業界で使用されており、その多くは生産プロセスにとって重要な役割を担っているため、機械の故障は莫大な損失を引き起こす可能性があります。

このような機械の監視と診断を強化することは、安全性と信頼性の向上や運用と保守のコスト削減に繋がります。

ここで、ターボ機械の故障診断方法は3つの方法に分けられます。

1. 物理モデル

2. 信号処理

3. データ駆動

1. 物理モデルによるアプローチ; 

機械のデータ信号を取得し、データ処理結果により確立した物理モデルで分析して故障診断を行うことに重点を置いています。

通常、機械の動作メカニズムへの深い理解が必要であり、ダイナミックでノイズの多い作業環境においては、正確な物理システムを構築することは困難となります。

2. 信号処理によるアプローチ; 

高度な信号ノイズ除去やフィルタリング技術を探求し、断層特性情報を強調することを目的としています。

特性周波数の計算には、関連する機械の知識が必要な場合が多く、実体断層の特性評価の理論的・数学的基礎が前提条件となり、診断の専門家に依存しやすくなります。

3. データ駆動によるアプロート; 

システムの学習・物理モデルの知識がなく、検出された状態監視信号と履歴データまたは外部移行データのみを組み合わせて特徴情報を解析・抽出するデータ駆動型アプローチです。

すなわち、専門家の知識や推論メカニズム、複雑なシステムの正確なモデルを構築する必要がないため、インテリジェント診断の研究ホットスポットとなっています。

自社開発データモデリングソフトウェアDTEmpowerは、工業系企業のデータモデリングニーズを掘り下げて開発した、工業ユーザー向けのデータモデリングプラットフォームです。

DTEmpowerは、データクリーニング、特徴抽出、特徴選択、モデルトレーニングなど、データモデリングのための幅広いアルゴリズムを提供し、特定ケースのためのアルゴリズム開発、インテリジェントスケジューリングエンジン、スーパーリファレンス最適化によって、ユーザー経験の必要性を減らしながら、モデルの品質を向上させることが可能となります。

DTEmpowerは、ターボ機械の故障診断のための診断ソリューションの一式を搭載しています。

ターボ機械の故障診断事例

東南大学と江南大学の故障診断データセットを用いて、DTEmpowerによるデータモデリングと故障カテゴリ分類のアプリケーションを構築しました。

東南大学のデータセットでは、5つの故障カテゴリのサンプル数は1048、江南大学のデータセットでは、3つの故障カテゴリにそれぞれ1500サンプル、正常カテゴリに4500サンプルが含まれています。

各データセットのサンプルを、DTEmpowerに統合されているランダムフォレスト(RF)、多層パーセプトロン(MLP)、AdaBoost、勾配ブースティング木(GBDT)の4つのアルゴリズムで学習とテストを行いました。

図1: DTEmpowerによる故障診断データセットのモデリングプロセス

DTEmpowerは、グラフィカルなデータモデリングソリューションを提供するだけでなく、モデリングプロセスの各ノードに対してハイパーパラメータを設定することができ、ハイパーパラメータ学習エンジンTFAutoMLを適用して、自動的に最適なハイパーパラメータを探し出します。

図2: アルゴリズムノードのハイパーパラメータ構成

DTEmpowerでは、上記の4つのアルゴリズムによるモデルにて、東南大学のデータセットの分類精度は99%以上に達しています。

表1: 4つのモデルにおけるデータセットの分類精度

東南大学のデータセットと比較すると、4つのモデルに対する江南大学のデータセットの分類精度は低く、分類精度を向上させるにはデータセットをさらに調査する必要があります。

表2: 江南大学データセットにおける4つのモデルの分類精度

江南大学データセットに対するモデルの分類精度を向上させる方法として、特徴エンジニアリングとインテリジェントトレーニングの2つの方法を検討しました。

特徴エンジニアリングとは、特徴抽出パラメータの設定により、サンプルの特徴次元数を増やすことです。

正常カテゴリのサンプル数は、他の障害タイプのサンプル数の3倍であるため、AIAgentモジュールを用いて小規模データセットに対するインテリジェント学習を行いました。

図3: 特徴抽出とインテリジェント学習

新しいサンプルに対する学習テストにAIAgentモデルを使用することで、分類精度を99%以上に向上させることができます。

表3: 特徴エンジニアリングとインテリジェントトレーニング後の江南大学データセット精度

江南大学のデータセットをさらにマイニングすると、データセットには 3つの異なる動作条件、つまり速度600、速度800、速度1000がありました。

AdaBN移動学習アルゴリズムを用いて、異なる動作条件での故障認識率を分析し、モデル学習において一方の作業条件を学習セット、他方をテストセットとすると、一般化の目的を達成するために特徴重みを反復的に修正しました。

ラベルのない作業条件が変化する診断においても、このモデルは高い分類認識率を示していることがわかります。

表4 江南大学データセットにおける労働条件の違いによる移行学習の予測精度

まとめ

DTEmpowerは、ラベル付きサンプル、ラベルなしサンプル、アンバランスサンプルなど、さまざまなケースで優れた診断結果を出しています。

特徴抽出、特徴選択、モデルトレーニングなどのデータモデリングソリューションをワンストップで提供する、使いやすく効率的なデータモデリングプラットフォームを提供します。