予測

予知とは、システムまたはコンポーネントが意図した機能を果たせなくなる時期を予測することに重点を置いた工学分野です。^[1]このパフォーマンスの欠如は、ほとんどの場合、システムがそれ以上使用して所望のパフォーマンスを満たすことができなくなる故障です。予測された時間は、その後、残存耐用年数( RUL ) となり、これは不測の事態の緩和に関する意思決定における重要な概念です。予知は、システムが予想される通常の動作条件からどの程度逸脱または劣化しているかを評価することで、コンポーネントの将来のパフォーマンスを予測します。^[2]予知の科学は、故障モードの分析、摩耗や老化の初期兆候の検出、および障害状態に基づいています。効果的な予知ソリューションは、システムの最終的な故障につながる劣化を引き起こす可能性のある故障メカニズムに関する適切な知識がある場合に実装されます。したがって、製品内の可能性のある故障 (場所、モード、原因、メカニズムを含む) に関する初期情報が必要です。このような知識は、監視するシステム パラメータを特定するために重要です。予知の潜在的な用途は、状態基準メンテナンスです。故障メカニズムの研究をシステムライフサイクル管理に結び付ける分野は、多くの場合、予後と健全性管理( PHM ) と呼ばれますが、システム健全性管理( SHM ) や、輸送アプリケーションでは、車両健全性管理( VHM ) またはエンジン健全性管理( EHM ) と呼ばれることもあります。予後におけるモデル構築の技術的アプローチは、データ駆動型アプローチ、モデルベースアプローチ、ハイブリッドアプローチに大別できます。

データ駆動型予測では、通常、パターン認識と機械学習技術を使用してシステム状態の変化を検出します。^[3]非線形システム予測のための古典的なデータ駆動型方法には、自己回帰 (AR) モデル、しきい値 AR モデル、双線形モデル、射影追跡、多変量適応回帰スプライン、ボルテラ級数展開などの確率モデルの使用が含まれます。過去 10 年間以来、データ駆動型システム状態予測では、さまざまなタイプのニューラル ネットワーク (NN) やニューラル ファジー (NF) システムなどの柔軟なモデルの使用に関心が集まっています。データ駆動型アプローチは、システム動作の第一原理の理解が包括的でない場合、またはシステムが複雑すぎて正確なモデルの開発に法外な費用がかかる場合に適しています。したがって、データ駆動型アプローチの主な利点は、他のアプローチと比較して迅速かつ安価に導入できることと、システム全体をカバーできることです (範囲が非常に狭い場合がある物理ベースのモデルを参照)。主な欠点は、データ駆動型アプローチは他のアプローチよりも信頼区間が広くなる可能性があり、トレーニングに大量のデータが必要になることです。データ駆動型アプローチは、さらにフリートベースの統計とセンサーベースのコンディショニングに分類できます。さらに、データ駆動型技術には、ドメイン知識を含む可能性のあるサイクルカウント技術も含まれています。

2 つの基本的なデータ駆動型戦略には、(1) 累積的な損傷 (または同等の健全性) をモデル化して損傷 (または健全性) しきい値まで外挿する、または (2) データから直接残存耐用年数を学ぶことが含まれます。^{[4] [5]} 前述のように、主なボトルネックは、特に新しいシステムの場合、故障するまで稼働させるのは時間がかかり、かなりコストのかかるプロセスになる可能性があるため、故障するまで稼働させるデータの取得が難しいことです。将来の使用状況が過去と同じでない場合 (ほとんどの非定常システムの場合と同様)、すべての可能性のある将来の使用状況 (負荷と環境条件の両方) を含むデータを収集することは、多くの場合ほぼ不可能になります。データが存在する場合でも、データ駆動型アプローチの有効性は、システム運用データの量だけでなく品質にも依存します。これらのデータ ソースには、温度、圧力、オイル デブリ、電流、電圧、電力、振動および音響信号、分光データ、較正および熱量データが含まれます。データは、使用前に前処理する必要があることがよくあります。通常、i) ノイズ除去と ii) 特徴抽出の 2 つの手順が実行されます。ノイズ除去とは、データに対するノイズの影響を軽減または排除することです。特徴抽出が重要なのは、今日のデータに飢えた世界では、すぐには使用できない可能性のある膨大な量のデータがセンサー測定を使用して収集されるためです。したがって、ドメイン知識と統計信号処理が適用され、（多くの場合）ノイズの多い高次元データから重要な特徴が抽出されます。^[6]

物理ベース予測（モデルベース予測と呼ばれることもある）は、システムの物理的理解（物理モデル）を残存耐用年数（RUL）の推定に組み込むことを試みる。物理のモデリングは、ミクロレベルやマクロレベルなど、さまざまなレベルで実行できる。ミクロレベル（材料レベルとも呼ばれる）では、物理モデルは、特定の時間または負荷サイクルにおけるシステム/コンポーネントの損傷（または劣化）と、システム/コンポーネントが動作する環境条件および動作条件との関係を定義する一連の動的方程式によって具体化される。ミクロレベルのモデルは、損傷伝播モデルと呼ばれることが多い。たとえば、ベアリングの疲労寿命を誘発応力に関連付ける Yu と Harris のボールベアリングの疲労寿命モデル^[7]、 Paris と Erdogan の亀裂成長モデル^[8]、および確率的欠陥伝播モデル^[9]は、ミクロレベルモデルの他の例である。重要な損傷特性 (機械部品の応力や歪みなど) の測定値はほとんど入手できないため、感知されたシステム パラメータを使用して応力/歪みの値を推測する必要があります。マイクロ レベルのモデルでは、不確実性の管理において仮定と単純化を考慮する必要があり、このアプローチには大きな制限が生じる可能性があります。

マクロレベル モデルはシステム レベルの数学モデルであり、システム入力変数、システム状態変数、およびシステム測定変数/出力の関係を定義します。このモデルは、集中パラメータ モデルなど、システムの多少簡略化された表現であることがよくあります。トレードオフは、カバレッジが増加する一方で、特定の劣化モードの精度が低下する可能性があることです。このトレードオフが許容される場合、プロトタイプ作成が高速化される可能性があります。ただし、システムが複雑な場合 (ガスタービン エンジンなど)、マクロレベル モデルであっても、かなり時間がかかり、労働集約的なプロセスになる可能性があります。その結果、マクロレベル モデルはすべてのサブシステムに対して詳細に利用できるとは限りません。結果として生じる簡略化は、不確実性管理で考慮する必要があります。

ハイブリッドアプローチは、データ駆動型アプローチとモデルベースアプローチの両方の長所を活用しようとします。^{[10] [11]} 実際には、現場で使用されているアプローチが完全に純粋にデータ駆動型または純粋にモデルベースであることはまれです。多くの場合、モデルベースアプローチにはデータ駆動型アプローチのいくつかの側面が含まれており、データ駆動型アプローチはモデルから利用可能な情報を収集します。前者の例としては、モデルパラメータが現場データを使用して調整される場合が挙げられます。後者の例としては、データ駆動型アプローチの設定点、バイアス、または正規化係数がモデルによって与えられる場合が挙げられます。ハイブリッドアプローチは、1) 事前推定融合と 2) 事後推定融合の 2 つのカテゴリに大別できます。物理ベースモデルと経験的モデルは、基本的な物理ベースモデルと人工ニューラルネットワークの加法的組み合わせなど、単純な加法的方法で組み合わせることもできます。これにより、どちらか一方だけの場合よりも優れた診断または予測パフォーマンスを実現できます。たとえば、ジェットエンジンの性能分析で使用されるこのような加法的ハイブリッドモデルを参照してください。^[12]

事前推定集約の動機は、グラウンドトゥルースデータが利用できないということである可能性がある。これは、システム障害が発生する前に（メンテナンスによって）解決される障害を診断がうまく検出する状況で発生する可能性がある。したがって、故障まで実行されたデータはほとんどない。しかし、システムが故障する時期をよりよく知って、残りの耐用年数をより有効に活用すると同時に、予定外のメンテナンスを回避するインセンティブがある（予定外のメンテナンスは通常、予定されたメンテナンスよりもコストがかかり、システムのダウンタイムにつながる）。Garga らは、ドメイン知識を使用してニューラルネットワークの構造を変更し、ネットワークのより簡潔な表現をもたらす、事前推定集約のハイブリッドアプローチを概念的に説明している。^{[引用が必要]}事前推定集約を実現するもう 1 つの方法は、オフラインプロセスとオンラインプロセスを組み合わせることです。オフラインモードでは、物理ベースのシミュレーションモデルを使用して、センサー応答と障害状態の関係を理解できます。オンライン モードでは、データを使用して現在の損傷状態を特定し、データを追跡して損傷の伝播を特徴付け、最後に個別のデータ駆動型伝播モデルを適用して残存寿命を予測することができます。たとえば、Khorasgani ら^{[13] は、}電解コンデンサの故障の物理モデルを作成しました。次に、粒子フィルター アプローチを使用して劣化モデルの動的形式を導出し、コンデンサの現在の健全性状態を推定しました。このモデルは、コンデンサが熱応力条件にさらされたときの残存耐用年数 (RUL) をより正確に推定するために使用されます。

事後推定融合の動機は、不確実性の管理の検討であることが多い。つまり、事後推定融合は、データ駆動型またはモデルベースのアプローチの不確実性間隔を狭めるのに役立つ。同時に、精度も向上する。根底にある概念は、複数の情報源が推定器のパフォーマンスを向上させるのに役立つというものである。この原理は、分類器融合のコンテキストでうまく適用されており、複数の分類器の出力を使用して、単独の分類器よりも優れた結果に到達します。予測のコンテキストでは、さまざまな入力、たとえばヒューリスティック、事前にわかっているパフォーマンス、予測期間、予測の堅牢性などに基づいて個々の推定器に割り当てられる品質評価を使用することで、融合を実現できます^[要出典]。

予測パフォーマンス評価は、PHM システムの導入を成功させる上で非常に重要です。当初は、パフォーマンス評価とベンチマーク データ セットの標準化された方法がなかったため、統計から借用した従来のパフォーマンス メトリックに依存していました。これらのメトリックは主に精度と正確性に基づいており、パフォーマンスは寿命に対して評価され、通常はオフライン設定で事前に分かっています。最近では、予測テクノロジの成熟に向けた取り組みにより、パフォーマンス評価の方法を含む予測方法の標準化に重点が置かれています。従来のメトリックに欠けている重要な側面は、時間とともにパフォーマンスを追跡する機能です。予測は動的なプロセスであり、運用システムからより多くの観測データが利用可能になると、予測が適切な頻度で更新されるため、これは重要です。同様に、予測のパフォーマンスは時間とともに変化するため、追跡して定量化する必要があります。PHM コンテキストでこのプロセスを異なるものにするもう 1 つの側面は、RUL 予測の時間価値です。システムが故障に近づくと、修正措置を講じる時間枠が短くなり、その結果、予測の精度が意思決定にとってより重要になります。最後に、プロセス、測定、予測モデルにおけるランダム性とノイズは避けられないため、予測には必然的に推定値の不確実性が伴います。堅牢な予測パフォーマンス評価には、この不確実性の影響を組み込む必要があります。

これらの問題を考慮して、いくつかの予測パフォーマンス メトリックが開発されました。

• 予測範囲 (PH) は、障害が発生する前にアルゴリズムがどの程度の精度で予測できるかを定量化します。予測範囲が長いほど、修正アクションに使用できる時間が増えるため、望ましいです。
• α-λ精度は、寿命が近づくにつれて、必要な精度の円錐を縮小して、必要な精度レベルをさらに厳しくします。必要なα-λ仕様に常に従うには、アルゴリズムを時間とともに改善して、円錐内にとどまるようにする必要があります。
• 相対精度は、故障までの実際の残り時間に対する精度を定量化します。
• 収束は、寿命が近づくにつれてアルゴリズムのパフォーマンスがどれだけ速く収束するかを定量化します。

これらの指標を視覚的に表現することで、長期にわたる予測パフォーマンスを描写できます。

予測精度に影響を与える不確実性パラメータは多数あり、それらは以下のように分類できる。^[14]

• システム パラメータの不確実性:これは、システムの物理パラメータ (抵抗、インダクタンス、剛性、静電容量など) の値の不確実性に関するものです。この不確実性は、システムが展開される環境条件と動作条件によって生じます。これは、間隔法などの適切な方法を使用することで対処できます。
• 公称システム モデルの不確実性:これは、システムの動作を表すために生成される数学モデルの不正確さに関するものです。これらの不正確さ (または不確実性) は、モデリング プロセス中に使用される一連の仮定の結果である可能性があり、システムの実際の動作に正確に適合しないモデルにつながります。
• システム劣化モデルの不確実性:劣化モデルは、コンポーネントの異なるデータ サンプルで実行される加速寿命テストから取得できます。実際には、同じ動作条件下で実行される加速寿命テストによって取得されたデータには、異なる劣化傾向が見られる場合があります。この劣化傾向の違いは、加速寿命テストに関連するデータから導出された劣化モデルの不確実性として考えることができます。
• 予測の不確実性:不確実性は、あらゆる予測プロセスに内在しています。公称モデルや劣化モデルの予測はどれも不正確であり、モデル パラメータ、環境条件、将来のミッション プロファイルの不確実性など、いくつかの不確実性の影響を受けます。予測の不確実性は、ベイズ推定およびオンライン推定ツール (粒子フィルターやカルマン フィルターなど) を使用して対処できます。
• 故障しきい値の不確実性:故障しきい値は、あらゆる障害検出および予測方法において重要です。故障しきい値は、システムが故障する時間、したがって残りの耐用年数を決定します。実際には、故障しきい値の値は一定ではなく、時間とともに変化する可能性があります。また、システムの性質、動作条件、およびシステムが展開する環境に応じて変化する可能性もあります。これらすべてのパラメータは、故障しきい値の定義で考慮する必要がある不確実性を引き起こします。

不確実性の定量化の例は以下の通りである。^{[15] [16] [17] [18] [19]}

ほとんどのPHM産業用アプリケーションでは、市販のデータ収集ハードウェアとセンサーが最も実用的で一般的です。データ収集ハードウェアの商用ベンダーの例には、National Instruments ^[20]やAdvantech Webaccess ^[21]などがありますが、特定のアプリケーションでは、ハードウェアを必要に応じてカスタマイズしたり耐久性を高めたりすることができます。PHMアプリケーションによく使用されるセンサーの種類には、加速度計、温度、圧力、エンコーダーまたはタコメーターを使用した回転速度の測定、電圧と電流の電気測定、アコースティックエミッション、力測定用のロードセル、変位または位置測定などがあります。これらの測定タイプには多数のセンサーベンダーがあり、状態監視やPHMアプリケーションに適した特定の製品ラインを持つベンダーもあります。

データ分析アルゴリズムとパターン認識技術は、現在、一部の商用ソフトウェア プラットフォームで、またはパッケージ ソフトウェア ソリューションの一部として提供されています。National Instruments は現在、Watchdog Agent 予測ツールキットの試用版 (来年には商用リリース予定) を提供しています。これは、Center for Intelligent Maintenance Systems によって開発されたデータ駆動型 PHM アルゴリズムのコレクションです。^[22]この 20 を超えるツールのコレクションにより、必要に応じて、特定のアプリケーションのシグネチャ抽出、異常検出、健全性評価、障害診断、障害予測のアルゴリズムを構成およびカスタマイズできます。Watchdog Agent ツールキットを使用したカスタマイズされた予測監視商用ソリューションは、最近設立された Predictronics Corporation ^[23]によって提供されています。同社の創設者は、Center for Intelligent Maintenance Systems でのこの PHM 技術の開発と適用に重要な役割を果たしました。もう 1 つの例は、MATLABとその Predictive Maintenance Toolbox ^[24]です。これは、統計、スペクトル、時系列分析などのデータ ベースおよびモデル ベースの手法を使用して、特徴を探索、抽出、ランク付けするための関数と対話型アプリを提供します。このツールボックスには、モーター、ギアボックス、バッテリー、その他の機械の参照例も含まれており、カスタムの予知保全および状態監視アルゴリズムの開発に再利用できます。その他の市販ソフトウェア製品は、異常検出と故障診断のためのいくつかのツールに焦点を当てており、通常はツールキット製品ではなくパッケージ ソリューションとして提供されます。例としては、自動連想型モデル (類似性ベースのモデリング) に基づく Smart Signals 異常検出分析方法があります。このモデルは、信号の公称相関関係の変化を探し、予想されるパフォーマンスと実際のパフォーマンスの残差を計算し、残差信号に対して仮説検定を実行します (逐次確率比検定)。^[25] 同様の分析方法は Expert Microsystems でも提供されており、残差の計算に同様の自動連想カーネル法を使用し、診断と予測のための他のモジュールを備えています。^[26]

^[27]ほとんどの予測アプローチは、個々のコンポーネントの劣化率と残存耐用年数（RUL）の正確な計算に焦点を当てていますが、これらのシステムのオペレーターとメンテナンス担当者にとってより重要なことは、サブシステムとシステムの性能が劣化する速度です。