予後

予後とは、システムまたはコンポーネントが意図され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できず、望ましいパフォーマンスを満たすことができない故障です。予測された時間が残存耐用年数( RUL ) となり、不測の事態の緩和に関する意思決定において重要な概念となります。予後とは、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するものです。[ 2 ]予後学の科学は、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。効果的な予後ソリューションは、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、製品の考えられる故障 (場所、モード、原因、メカニズムなど) に関する初期情報が必要です。このような知識は、監視対象の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としては、状態基準保全が挙げられます。故障メカニズムの研究とシステムライフサイクル管理を結び付ける分野は、予知と健全性管理（PHM）と呼ばれることが多く、システム健全性管理（SHM）と呼ばれることもあります。あるいは、輸送分野においては、車両健全性管理（VHM）やエンジン健全性管理（EHM）と呼ばれることもあります。予知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の3つに大別できます。

データに基づく予測

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において、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、システム動作の基本原理の理解が包括的でない場合や、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 (対象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)。データ駆動型アプローチの主な欠点は、他のアプローチよりも信頼区間が広くなる可能性があることと、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、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さらに分類できます。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は、(1) 累積的な損傷 (または同等の健全性) をモデル化し、損傷 (または健全性) 閾値まで外挿する、または (2) データから残存耐用年数を直接学習する、というものです。[ 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と同様に)、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、較正データおよび熱量データが含まれます。データは、使用する前に前処理する必要がある場合が多いです。通常、i) ノイズ除去と ii) 特徴抽出という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除去することを指します。特徴抽出が重要なのは、今日のデータ需要の高い世界では、センサー測定によって膨大な量のデータが収集され、それらはすぐには活用できない可能性があるためです。そのため、ドメイン知識と統計的信号処理を適用することで、（多くの場合）ノイズの多い高次元データから重要な特徴を抽出します。[ 6 ]

物理学に基づく予測

物理ベース予測（モデルベース予測とも呼ばれる）は、システムの物理的理解（物理モデル）を残存耐用年数（RUL）の推定に組み込む試みである。物理モデリングは、ミクロレベルやマクロレベルなど、さまざまなレベルで行うことができる。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。ミクロレベルモデルは、損傷伝播モデルと呼ばれることが多い。例えば、ベアリングの疲労寿命を誘起応力に関連付ける 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 ]もミクロレベルモデルの例である。重要な損傷特性（機械部品の応力やひずみなど）の測定値はほとんど得られないため、応力／ひずみ値を推定するには、計測されたシステムパラメータを使用する必要があります。ミクロレベルのモデルでは、不確実性管理において、仮定や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限界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／出力間の関係を定義します。このモデルは、集中定数モデルなど、システムの幾分簡略化された表現であることが多いです。このトレードオフは、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、プロトタイピングの迅速化が期待できます。しかし、システムが複雑な場合（例：ガスタービンエンジン）、マクロレベルモデルであっても、時間と労力を要するプロセスとなる可能性があります。その結果、すべてのサブシステムに対してマクロレベルモデルを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、不確実性管理において考慮される必要があります。

ハイブリッドアプローチ

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 ] [ 12 ] 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稀です。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側面がいくつか含まれており、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。物理学ベースモデルと経験的モデルは、基本的な物理学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、どちらか一方だけを使用する場合と比較して、優れた診断または予後性能を実現できます。例えば、ジェットエンジンの性能解析に用いられるこのような加法ハイブリッドモデルを参照のこと。[ 13 ]

モデルとデータの融合を事前に推定する

事前見積もり集約の動機は、グラウンドトゥルースデータが利用できないことである可能性があります。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適切に検出する状況で発生する可能性があります。したがって、故障まで実行されたデータはほとんどありません。ただし、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し、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ります（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ります）。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、事前見積もり集約のハイブリッドアプローチを概念的に説明しています。事前見積もり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、データを用い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特性を評価し、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。例えば、Khorasganiら[ 14 ]は電解コンデンサの故障の物理特性をモデル化しました。次に、粒子フィルタ手法を用いて劣化モデルの動的形態を導出し、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、熱応力条件下におけるコンデンサの残存耐用年数（RUL）をより正確に推定するために使用されます。

モデルベースのアプローチとデータ駆動型アプローチの推定後の融合

事後推定値の融合は、多くの場合、不確実性管理の観点から行われます。つまり、事後推定値の融合は、データ駆動型またはモデルベースのアプローチにおける不確実性の区間を狭めるのに役立ちます。同時に、精度も向上します。根底にあるのは、複数の情報源が推定器の性能向上に役立つという考え方です。この原理は、分類器の融合という文脈において効果的に適用され、複数の分類器の出力を用いることで、単独の分類器よりも優れた結果が得られます。予測の文脈においては、様々な入力、例えばヒューリスティック、事前に既知の性能、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た品質評価を用いることで、融合を実現できます。

予後パフォーマンス評価

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、統計から借りた従来のパフォーマンス メトリックに頼ることになりました。これらのメトリックは主に精度と精密度に基づいており、パフォーマンスは、通常、オフライン設定で事前にわかっている耐用年数に対して評価されます。最近では、予測テクノロジー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も含め、予測方法の標準化に大きな焦点が当てられています。従来のメトリックには欠けている重要な側面は、時間の経過に伴うパフォーマンスの追跡機能です。これが重要なのは、予測は動的なプロセスであり、運用システムから利用できる観測データが増えるにつれて、予測が適切な頻度で更新されるためです。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の文脈においてこのプロセスを特徴づけるもう一つの側面は、RUL予測の時間的価値です。システムが故障に近づくにつれて、是正措置を講じるための時間枠は短くなり、結果として予測の精度が意思決定におい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。堅牢な予測性能評価には、この不確実性の影響を考慮する必要があります。

いくつかの予測パフォーマンス メトリックは、これらの問題を考慮して進化してきました。

  • 予測範囲（PH）は、アルゴリズムが故障発生前に、どの程度の精度で予測できるかを定量化したものです。予測範囲が長いほど、是正措置に充てられる時間が増えるため、望ましいと言えます。
  • α-λ精度は、寿命が近づくにつれて、所望の精度の円錐を縮小することで、所望の精度レベルをさらに厳格化します。常に所望のα-λ仕様を満たすためには、アルゴリズムを時間の経過とともに改善し、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。

予後予測の不確実性

予測精度に影響を与える不確実性パラメータは数多く存在する。これらは以下のように分類できる。[ 15 ]

  • 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、システムが変化する環境条件や動作条件によって引き起こされます。これは、区間法などの適切な手法を用いることで対処できます。
  • ノミナルシステムモデルにおける不確実性：これは、システムの挙動を表現するために生成された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で使用される一連の仮定の結果である可能性があり、システムの実際の挙動に正確に適合しないモデルにつながる可能性があります。
  • 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を用いて実施される加速寿命試験から得られます。実際には、同一の動作条件下で実施された加速寿命試験で得られたデータであっても、劣化傾向が異なる可能性があります。このような劣化傾向の相違は、加速寿命試験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られます。
  • 予測における不確実性：不確実性はあらゆる予測プロセスに内在するものです。公称モデルや劣化モデルによる予測は不正確であり、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など、様々な不確実性の影響を受けます。予測の不確実性は、ベイズ推定やオンライン推定・予測ツール（粒子フィルタやカルマンフィルタなど）を用いることで対処できます。
  • 故障閾値の不確実性：故障閾値は、あらゆる故障検出および予測方法において重要です。故障閾値は、システムが故障する時期、ひいては残存耐用年数を決定します。実際には、故障閾値の値は一定ではなく、時間の経過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、そしてシステムを取り巻く環境によっても変化します。これらのパラメータはすべて不確実性をもたらすため、故障閾値の定義においては、これらのパラメータを考慮する必要があります。

不確実性の定量化の例としては、以下が挙げられます。[ 16 ] [ 17 ] [ 18 ] [ 19 ] [ 20 ]

商用ハードウェアおよびソフトウェアプラットフォーム

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としては、National Instruments [ 21 ]やAdvantech Webaccess [ 22 ]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アプリケーションで一般的なセンサータイプには、加速度計、温度、圧力、エンコーダまたはタコメータ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、状態監視およびPHMアプリケーションにより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。ナショナルインスツルメンツは現在、Center for Intelligent Maintenance Systems が開発したデータ駆動型 PHM アルゴリズムのコレクションである 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。[ 23 ]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し、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、現在 Predictronics Corporation という新興企業によって提供されています[ 24 ]。同社の創設者は、Center for Intelligent Maintenance Systems でのこの PHM 技術の開発と応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 [ 25 ]で、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、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る、モーター、ギアボックス、バッテリー、およびその他の機械の参照例も含まれています。その他の市販ソフトウェア製品は、異常検出と故障診断用のいくつかのツールに重点を置いており、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るのが一般的です。例として、信号の公称相関関係の変化を探す自動連想型モデル（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、期待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）。[ 26 ] 同様の分析手法はExpert Microsystems社からも提供されており、残差の計算には同様の自動連想カーネル法を使用し、診断や予測のためのモジュールも備えている。[ 27 ]

システムレベルの予測

[ 28 ]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。

参照

注記

  1. ^ Vachtsevanos、Lewis、Roemer、Hess、Wu (2006).エンジニアリングシステムのためのインテリジェントな故障診断と予後. Wiley. ISBN 978-0-471-72999-0。
  2. ^ペヒト、マイケル G. (2008)。電子機器の予後と健康管理。ワイリー。ISBN 978-0-470-27802-4。
  3. ^ Liu, Jie; Wang, Golnaraghi (2009). 「システム状態予測のための可変入力パターンを用いた多段階予測器」.機械システムと信号処理. 23 (5): 1586– 1599. Bibcode : 2009MSSP...23.1586L . doi : 10.1016/j.ymssp.2008.09.006 .
  4. ^ Mosallam, A.; Medjaher, K.; Zerhouni, N. (2014). 「ベイズ法に基づくデータ駆動型予測法による残存耐用年数の直接予測」(PDF) . Journal of Intelligent Manufacturing . 27 (5): 1037– 1048. doi : 10.1007/s10845-014-0933-4 . S2CID 1978502 . 
  5. ^ Mosallam, A.; Medjaher, K.; Zerhouni, N. (2015). 「複雑系におけるコンポーネントベースのデータ駆動型予測：方法論と応用」2015年 第1回国際信頼性システム工学会議 (ICRSE) (PDF) . pp.  1– 7. doi : 10.1109/ICRSE.2015.7366504 . ISBN 978-1-4673-8557-2. S2CID  2931906 .
  6. ^ Mosallam, A.; Medjaher, K.; Zerhouni, N. (2013). 「産業予測と健康管理のためのノンパラメトリック時系列モデリング」 .国際先進製造技術ジャーナル. 69 (5): 1685– 1699. doi : 10.1007/s00170-013-5065-z . S2CID 3182648 . 
  7. ^ Yu, Wei Kufi; Harris (2001). 「ボールベアリングの新しい応力ベース疲労寿命モデル」. Tribology Transactions . 44 (1): 11– 18. doi : 10.1080/10402000108982420 . S2CID 110685617 . 
  8. ^ Paris, PC; F. Erdogan (1963). 「『き裂伝播法則の批判的分析』に関する議論の終結」（1963年、ASME J. Basic Eng., 85, pp. 533–534） . Journal of Basic Engineering . 85 (4): 528– 534. doi : 10.1115/1.3656903 .
  9. ^ Li, Y.; Kurfess, TR; Liang, SY (2000). 「転がり軸受の確率的予測」.機械システムと信号処理. 14 (5): 747– 762. Bibcode : 2000MSSP...14..747L . doi : 10.1006/mssp.2000.1301 . ISSN 0888-3270 . 
  10. ^ Pecht, Michael; Jaai (2010). 「情報・電子機器を多用するシステムのための予測と健全性管理ロードマップ」. Microelectronics Reliability . 50 (3): 317– 323. Bibcode : 2010ESSFR...3.4.25P . doi : 10.1016/j.microrel.2010.01.006 .
  11. ^ Liu, Jie; Wang, Ma; Yang, Yang (2012). 「動的システム状態予測のためのデータ・モデル融合予測フレームワーク」 .人工知能工学応用. 25 (4): 814– 823. doi : 10.1016/j.engappai.2012.02.015 . S2CID 33838225 . 
  12. ^ Ghrabli, Mehdi; Bouarroudj, Mounira; Chamoin, Ludovic; Aldea, Emanuel (2025). 「物理学に基づくマルコフ連鎖を用いたパワーエレクトロニクスモジュールのワイヤボンドの残存耐用年数予測」 . Microelectronics Reliability . 167 115644: 1– 12. Bibcode : 2025MiRe..16715644G . doi : 10.1016/j.microrel.2025.115644 .
  13. ^ Volponi, Allan (2014年5月). 「ガスタービンエンジンの健全性管理：過去、現在、そして将来の動向」. Journal of Engineering for Gas Turbines and Power . 136 (5) 051201. Bibcode : 2014JEGTP.13626126V . doi : 10.1115/1.4026126 .
  14. ^ researchgate.net
  15. ^ 「保守担当者のための予後と健康管理 - レビュー、実装、ツール評価」 PHM協会、2017年12月11日。 2020年6月13日閲覧。
  16. ^ Sankararaman, Shankar (2015). 「予後予測と残存耐用年数予測における不確実性の重要性、解釈、定量化」.機械システムと信号処理. 52– 53. Elsevier BV: 228– 247. Bibcode : 2015MSSP...52..228S . doi : 10.1016/j.ymssp.2014.05.029 . ISSN 0888-3270 . 
  17. ^ Sun, Jianzhong; Zuo, Hongfu; Wang, Wenbin; Pecht, Michael G. (2014). 「状態空間ベースの劣化モデルに基づくオンラインモニタリングデータの融合による予後予測の不確実性の低減」.機械システムと信号処理. 45 (2). Elsevier BV: 396– 407. Bibcode : 2014MSSP...45..396S . doi : 10.1016/j.ymssp.2013.08.022 . ISSN 0888-3270 . 
  18. ^ Duong, Pham LT; Raghavan, Nagarajan (2017). 「予後予測における不確実性の定量化：データ駆動型多項式カオスアプローチ」2017 IEEE 国際予後予測・健康管理会議 (ICPHM) . IEEE. pp.  135– 142. doi : 10.1109/icphm.2017.7998318 . ISBN 978-1-5090-5710-8。
  19. ^ Datong Liu; Yue Luo; Yu Peng (2012). 「予後とヘルスマネジメントにおける不確実性処理：概要」IEEE 2012予後とシステムヘルスマネジメント会議（PHM-2012 北京）の議事録. IEEE. pp.  1– 6. doi : 10.1109/phm.2012.6228860 . ISBN 978-1-4577-1911-0。
  20. ^ Rocchetta, Roberto; Broggi, Matteo; Huchet, Quentin; Patelli, Edoardo (2018). 「構造健全性モニタリングのためのオンラインベイズモデル更新」.機械システムと信号処理. 103. Elsevier BV: 174– 195. Bibcode : 2018MSSP..103..174R . doi : 10.1016/j.ymssp.2017.10.015 . ISSN 0888-3270 . 
  21. ^ National Instruments. 「状態監視」
  22. ^ Advantech. 「Webaccess」 .
  23. ^ National Instruments. 「Watchdog Agent® ツールキット」 .
  24. ^ Predictronics. 「Predictronics」。
  25. ^ 「Predictive Maintenance Toolbox」 . www.mathworks.com . 2019年7月11日閲覧。
  26. ^ Wegerich, S. (2005). 「類似性に基づく振動特徴のモデリングによる故障検出・同定」. Sensor Review . 25 (2): 114– 122. doi : 10.1108/02602280510585691 .
  27. ^ Clarkson, SA; Bickford, RL (2013). 「複雑な故障モードを持つシステムのパス分類と残存寿命推定」MFPTカンファレンス.
  28. ^ロドリゲス、LR;ゴメス、JPP。フェリ、FAS;メデイロス、IP;ガルバン、RKH;ジュニア、CLナシメント（2015年12月）。 「最適化された航空機整備計画のための PHM 情報とシステム アーキテクチャの使用」。IEEE システム ジャーナル。9 (4): 1197–1207。Bibcode : 2015ISysJ...9.1197R。土井: 10.1109/jsyst.2014.2343752。ISSN 1932-8184。S2CID 22285080。  
「 https://en.wikipedia.org/w/index.php?title=予後&oldid= 1329530120」より取得