障害検出と分離

障害検出、分離、回復( FDIR ) は、制御工学のサブフィールドであり、システムの監視、障害の発生時期の特定、障害の種類と場所の特定に関係します。2 つのアプローチが区別できます。障害を示すセンサー読み取り値の直接パターン認識と、センサー読み取り値と何らかのモデルから導出された期待値との差異の分析です。後者の場合、通常、差異または残差が特定のしきい値を超えた場合に障害が検出されたと判断されます。次に、障害の種類と機械内の障害の場所を分類するのが障害分離のタスクです。 障害検出および分離( FDI ) 手法は、モデルベースの FDI と信号処理ベースの FDI の 2 つのカテゴリに大まかに分類できます。

モデルベースの FDI 技術では、システムのモデルを使用して障害の発生を判断します。システム モデルは、数学的または知識ベースのものになります。モデルベースの FDI 技術には、^[2]オブザーバー ベースのアプローチ、パリティ空間アプローチ、パラメーター識別ベースの方法などがあります。モデルベースの FDI スキームには、セット メンバーシップ法と呼ばれる別のトレンドもあります。これらの方法は、特定の条件下での障害の検出を保証します。主な違いは、最も可能性の高いモデルを見つける代わりに、これらの技術ではデータと互換性のないモデルを省略することです。^{[3] [4]}

右の図の例は、真理値表と状態図を使用した航空機エレベーターの反応型コントローラのモデルベースの FDI 手法を示しています。真理値表は、検出された障害に対するコントローラの反応方法を定義し、状態図は、コントローラが各アクチュエータのさまざまな動作モード (パッシブ、アクティブ、スタンバイ、オフ、分離) を切り替える方法を定義します。たとえば、油圧システム 1 で障害が検出されると、真理値表は状態図に、左内側のアクチュエータをオフにする必要があるというイベントを送信します。このモデルベースの FDI 手法の利点の 1 つは、この反応型コントローラをアクチュエータ油圧の連続時間モデルに接続して、切り替え過渡現象を調査できることです。^[5]

信号処理ベースのFDIでは、測定値に対して何らかの数学的または統計的演算が実行されるか、測定値を使用してニューラルネットワークがトレーニングされ、障害に関する情報が抽​​出されます。^{[6] [7] [8] [9]}

信号処理ベースの FDI の良い例としては、ケーブルや電線に信号を送り、反射信号を数学的に元の信号と比較し、障害を特定する時間領域反射測定法があります。たとえば、拡散スペクトル時間領域反射測定法では、拡散スペクトル信号を電線に送り、電線の障害を検出します。[ ^10]また、新しい障害を特定し、特定の信号を正常なセグメントと障害のあるセグメントに分割するためのクラスタリング手法もいくつか提案されています。^[11]

機械故障診断は、機械で発生する故障の発見に関わる機械工学の分野です。特によく発達した部分は、最もよく遭遇するタイプの 1 つである回転機械に特に適用されます。故障につながる可能性が最も高い故障を特定するために、振動監視、熱画像、油粒子分析など、多くの方法がデータ収集に使用されます。次に、これらのデータは、スペクトル分析、ウェーブレット分析、ウェーブレット変換、短期フーリエ変換、ガボール展開、ウィグナー・ヴィル分布 (WVD)、ケプストラム、バイスペクトル、相関法、高解像度スペクトル分析、波形分析 (時間領域。スペクトル分析は通常、周波数分布のみを対象とし、位相情報は対象としないため) などの方法を使用して処理されます。この分析の結果は、故障の根本原因を特定するための根本原因分析に使用されます。たとえば、ベアリング故障が診断された場合、ベアリング自体は設置時に損傷したのではなく、別の設置エラー (たとえば、位置ずれ) の結果であり、それがベアリングの損傷につながったと考えられます。ベアリングの損傷状態を診断するだけでは、精密メンテナンスには不十分です。根本的な原因を特定し、修復する必要があります。これを行わないと、交換したベアリングも同じ理由ですぐに摩耗し、機械はさらなる損傷を受け、危険な状態が続きます。もちろん、データ収集段階で行われたスペクトル分析の結果として原因が明らかになることもありますが、必ずしもそうとは限りません。

故障を検出するための最も一般的な手法は、時間周波数解析手法です。回転機械の場合、機械の回転速度（RPMとも呼ばれます）は一定ではなく、特に機械の起動および停止段階では一定ではありません。機械が定常状態で動作している場合でも、回転速度は定常状態の平均値を中心に変化し、この変化は負荷やその他の要因に依存します。回転機械から取得される音と振動の信号は回転速度と強く関連しているため、本質的に時間変化する信号であると言えます。これらの時間変化する特徴には、機械の故障の特徴が反映されています。したがって、これらの特徴をどのように抽出して解釈するかは、研究および産業用途にとって重要です。

信号解析で最もよく使用される方法は、FFT、つまりフーリエ変換です。フーリエ変換とその逆変換は、信号を研究するための 2 つの視点、つまり時間領域経由と周波数領域経由を提供します。時間信号のFFTベースのスペクトルは、その周波数内容の存在を示します。これらとその大きさや位相関係を研究することで、高調波、側波帯、ビート周波数、ベアリング障害周波数など、さまざまな種類の情報を取得できます。ただし、FFT は、周波数内容が時間の経過とともに変化しない信号にのみ適しています。ただし、前述のように、回転機械から取得される音と振動の信号の周波数内容は、時間に依存します。このため、FFTベースのスペクトルでは、周波数内容が時間の経過とともにどのように変化するかを検出できません。具体的には、機械の起動または停止期間中に機械のRPMが増加または減少する場合、FFT スペクトルの帯域幅は、定常状態の場合よりもはるかに広くなります。したがって、このような場合、高調波はスペクトル内でそれほど区別できません。

機械の故障診断のための時間周波数アプローチは、線形法と二次法という 2 つの大まかなカテゴリに分けられます。違いは、線形変換は時間信号を構築するために反転できるため、ノイズ低減や時間変動フィルタリングなどの信号処理に適していることです。二次法は、信号のエネルギー分布を結合時間周波数領域で記述し、信号特性の分析、分類、検出に役立ちますが、二次時間周波数表現では位相情報が失われます。また、この方法では時間履歴を再構築できません。

短期フーリエ変換 ( STFT ) とガボール変換は、線形時間周波数法として一般的に使用される 2 つのアルゴリズムです。線形時間周波数解析を従来のFFTの進化形と考えると、2 次時間周波数解析はパワー スペクトルの対応物になります。2 次アルゴリズムには、ガボール スペクトログラム、コーエンのクラス、適応スペクトログラムなどがあります。時間周波数解析の主な利点は、通常信号の性質を表す周波数変化のパターンを発見できることです。このパターンが識別されれば、このパターンに関連する機械の障害を特定できます。時間周波数解析のもう 1 つの重要な用途は、時間変動フィルターを使用して特定の周波数成分をフィルター処理できることです。

実際には、モデルの不確実性と測定ノイズにより、障害の検出と分離が複雑になる可能性があります。^[12]

その結果、コスト効率の高い方法で産業ニーズを満たすために障害診断を使用し、そもそも回避すべきコスト以上の投資を必要とせずに保守コストを削減するには、それらを適用するための効果的なスキームが必要です。これは保守、修理、および運用の主題であり、さまざまな戦略が含まれます。

• 状態基準メンテナンス
• 計画的な予防保守
• 予防保守
• 是正メンテナンス（診断は使用しない）
• 統合車両健康管理

障害検出と診断では、実際には教師あり学習法に属する数学的分類モデルが、ラベル付きデータセットのトレーニングセットでトレーニングされ、冗長性、障害、異常なサンプルを正確に識別します。過去数十年にわたって、この研究分野ではさまざまな分類および前処理モデルが開発および提案されてきました。 ^[13] k近傍法アルゴリズム（k NN）は、障害検出と診断の問題を解決するために使用されてきた最も古い手法の1つです。^[14]このインスタンスベースのアルゴリズムのロジックは単純ですが、大規模なデータセットで使用すると、次元が大きく、処理時間が長くなるという問題があります。^[15] k NNは次元の呪いを克服するための特徴を自動的に抽出できないため、多くの場合、主成分分析（PCA）、線形判別分析（LDA）、正準相関分析（CCA）などのデータ前処理手法が伴い、より良いパフォーマンスを実現します。^{[16]多くの産業事例において、} k NNの有効性は他の手法、特にこの分野で広く使用されているサポートベクターマシン(SVM)などのより複雑な分類モデルと比較されてきました。カーネル法を使用した適切な非線形マッピングのおかげで、SVM は、トレーニングデータが少ない場合でも、一般化において優れたパフォーマンスを発揮します。^{[17]しかし、一般的な SVM には自動特徴抽出機能がなく、} k NNと同様に、データ前処理技術と組み合わせられることがよくあります。 ^[18] SVM のもう 1 つの欠点は、そのパフォーマンスが初期パラメータ、特にカーネル法に非常に敏感であることです。^[19]そのため、各信号データセットでは、最初にパラメータ調整プロセスを実行する必要があります。したがって、トレーニングフェーズの低速は、障害検出および診断ケースでの使用に関しては SVM の制限となります。^[20]

人工ニューラルネットワーク（ANN）は、障害検出および診断において最も成熟し、広く使用されている数学的分類アルゴリズムの1つです。ANNは、複雑な関係（一般に障害検出および診断の問題に本質的に存在する）を効率的に自己学習する機能でよく知られており、操作が簡単です。 ^[18] ANNのもう1つの利点は、無関係な特徴に無視できる重みを割り当てることで自動特徴抽出を実行し、システムが別の特徴抽出器の処理を回避することです。^[21]ただし、ANNはトレーニングセットに過剰適合する傾向があり、検証セットの検証精度が低下します。そのため、過剰適合を回避してより高いパフォーマンスを実現するために、多くの場合、いくつかの正則化項と事前知識がANNモデルに追加されます。さらに、隠れ層のサイズを適切に決定するには、近似および一般化機能の低下を回避するために、徹底的なパラメータ調整が必要です。^[20] 一般的に、さまざまなSVMとANNモデル（バックプロパゲーションニューラルネットワークと多層パーセプトロン）は、ギアボックス、^[22]、 機械部品（機械ベアリング^[23]）、コンプレッサー、^[24]、 風力タービンとガスタービン^{[25] [26]}、鋼板などの業界での故障検出と診断において優れたパフォーマンスを示しています。^[27]

ANNの研究の進歩と深く複雑な層を使用するディープラーニングアルゴリズムの出現により、故障検出と診断に対処するための新しい分類モデルが開発されました。^[28] ほとんどの浅い学習モデルは信号からいくつかの特徴値を抽出し、元の信号から次元削減を引き起こします。畳み込みニューラルネットワークを使用することで、連続ウェーブレット変換スケーログラムを正常クラスと故障クラスに直接分類できます。このような手法により、重要な故障メッセージが省略されることがなくなり、故障検出と診断のパフォーマンスが向上します。^[29] さらに、信号を画像構造に変換することにより、2D畳み込みニューラルネットワークを実装して、振動画像の特徴から故障信号を識別することができます。^[30]

ディープビリーフネットワーク^[31] 、制限付きボルツマンマシン^[32]、オートエンコーダ^[33]は、この研究分野で効果的に使用されてきた他のディープニューラルネットワークアーキテクチャです。従来の機械学習と比較して、ディープラーニングモデルは、その深いアーキテクチャにより、データセットからより複雑な構造を学習できますが、より高い精度を達成するには、より大きなサンプルとより長い処理時間が必要です。^[18]

FDIR における障害回復とは、障害が検出され、隔離された後にシステムを安定した状態に戻すために実行されるアクションです。障害回復の例を次に示します。

• 故障した機器の電源を切る
• 故障した機器から冗長機器への切り替え
• システム全体の状態を機能が制限されたセーフモードに変更する

• 制御の再構成
• 制御理論
• 故障モードと影響分析
• フォールトトレラントシステム
• 予測メンテナンス
• 拡散スペクトル時間領域反射測定
• システム識別