回転機械における教師なし故障検出と診断のための説明可能な人工知能アプローチ

回転機械の監視は、今日の生産プロセスにおいて不可欠なタスクです。現在、いくつかの機械学習および深層学習に基づくモジュールが、故障検出および診断において優れた結果を達成しています。それにもかかわらず、ユーザーの採用とこれら技術の普及をさらに促進するためには、ユーザーや人間の専門家に対して、モジュールによる説明や洞察が提供されなければなりません。もう一つの問題は、ほとんどの場合、監視モデルを実行不可能にするラベル付きの履歴データが使用できないことに関連しています。したがって、回転機械における故障検出と診断のための新しいアプローチが提案されます。この方法論は三部構成から成り立っています：特徴抽出、故障検出、故障診断です。第一部では、時間領域および周波数領域の振動特徴を抽出します。次に、故障検出では、異常検出アルゴリズムに基づいて、未監視の方法で故障の存在を検証します。この方法論のモジュール性により、異なるアルゴリズムを導入することができます。最後に、故障診断では、ブラックボックスモデルを解釈するための手法であるShapley Additive Explanations（SHAP）が使用されます。モデルの説明可能性によって得られた特徴重要度ランキングを通じて、故障診断が行われます。診断のための二つのツールが提案されます：教師なし分類および根本原因分析です。提案されたアプローチの有効性は、回転機械における異なる機械的故障を含む三つのデータセットで示されます。研究では、機械学習の説明可能性で使用されるモデルの比較も提示されます：SHAPとIsolation Forestに対するLocal Depth-based Feature Importance（Local-DIFFI）。最後に、回転機械における最新の異常検出アルゴリズムに関する分析が含まれています。