ベアリング故障診断のための二重枝時空間グラフネットワーク

回転機械の健康状態を見守る

風力タービンから工場のコンベヤに至るまで、無数の機械は軸を支える小さな金属部品、いわゆるベアリングに頼っています。ベアリングが故障し始めると、目に見えないまま機器を損傷させ、生産性を低下させ、場合によっては事故を引き起こすこともあります。本論文は、ベアリングの微妙な振動を捉えて、信号がノイズまみれであったり運転条件が変化していても、早期かつ確実に異常を検出する新しい手法を示します。

ベアリング診断が難しい理由

現代の産業は長時間・過酷な環境で稼働する回転機械に依存しています。ベアリングはこれらシステムの中心にあり、その故障は計画外停止の主要因です。技術者たちは振動信号からベアリングの状態を読み取ろうと長年取り組んできました。初期は人間の感覚や単純な道具を使い、その後は高度な信号処理へ、そして最近では機械学習や深層学習へと進化してきました。しかし、速度が変動する場合、ノイズが強い場合、あるいは故障例が少ない場合には、これらの手法もいまだ苦戦します。多くの手法が振動データを時系列や画像として扱い、時間や周波数の間にある豊かな関係性を無視してしまうことが、微細な損傷の兆候を見落とす一因です。

振動をつながったパターンに変換する

著者らは新しい視点を提案します。振動を平坦な信号と見るのではなく、時間と周波数に沿って変化する接続点のネットワークとして扱うのです。まず原始振動を短い区間に切り分け、短時間フーリエ変換を適用して、各区間のエネルギーが時間と周波数にどのように分布しているかを示すマップに展開します。次にそれらのマップをパワースペクトルに変換し、故障に関連するエネルギーのピークが通常の挙動から浮かび上がるように強調します。こうして処理された各サンプルは「時空間」ネットワークのノードとなり、スペクトルパターンが類似するノード間にリンクが引かれます。この完全連結に近い構造により、周波数や時刻間の微妙な関係が保存され、早期または稀な故障の兆候を捉えやすくなります。

二つの視点を同時に学習する

このネットワークを解析するために、研究チームは二重枝時空間グラフネットワーク（DBSGN）を構築します。その核はグラフデータ向けに設計されたニューラルネットワークで、リンクを通じて情報を伝播させ、隣接ノードの情報を統合できます。チームは計算効率の良いグラフ畳み込みの手法を採用しており、チェビシェフ多項式とグラフのラプラシアン行列に基づくことで、多段階の近傍パターンを過度な計算負荷なく捉えられます。重要なのは学習を二つの枝に分ける点です：全サンプルで訓練される枝は正常と故障の広範なパターンを捉え、故障サンプルのみで訓練される枝は損傷の種類や程度を区別する微細な特徴に特化します。

どちらの枝を信頼するかモデルに判断させる

正常と故障ではモデルに求められる振る舞いが大きく異なるため、単に二つの枝を平均するのは最適でありません。代わりに著者らは、各サンプルに対して両枝の出力を見比べ、適応的に重みを割り当てる学習可能なアテンション機構を導入します。明らかに健康な信号では全データで訓練された枝に重みが寄り、明白な故障では故障特化枝が重視されます。境界線上や軽微な故障の場合は両者をバランスよく組み合わせます。この融合は両枝とともに設計された結合損失関数で同時に訓練され、システム全体が協調して健康から重度の損傷まで各クラスの識別性を高めるようにします。

実際の試験で手法を検証

チームはDBSGNをCase Western Reserve University、Paderborn University、University of Ottawaの三つの広く使われるベアリングデータセットで評価しました。これらの試験台は機械やセンサ、負荷、回転速度、欠陥の種類が異なり、速度変化を含む条件もカバーしています。精度、適合率、再現率、F1スコア、ROC曲線下面積、Matthews相関係数という6つの標準的評価指標において、本提案手法は従来の機械学習パイプライン、畳み込みニューラルネットワーク、時系列用トランスフォーマ、既存のグラフベース手法などの強力な競合手法に匹敵するかそれを上回りました。あるデータセットではDBSGNがすべてのサンプルを正しく識別し、完全なスコアを達成した例もあります。学習された特徴を可視化すると、融合後に異なるベアリング状態が明瞭に分離されたクラスタを形成しており、モデルがデータ内に明確な内部構造を見出していることを示しています。

日常の機械にとっての意義

簡潔に言えば、本研究は振動データを関連するイベントのネットワークとして扱い、二つの専門化したモデルに意見を出し合わせ融合させることで、故障診断の精度と安定性を高められることを示しています。プラントの運転者や保全チームにとって、この種のシステムはベアリング異常のより早く確かな警報、突発的な故障の減少、重要機器の安全な稼働をもたらす可能性があります。著者らは現時点ではグラフの構築やスペクトル特徴にいくつか手動で調整された選択が含まれており、今後はこれらの工程を自動化・拡張する余地があると指摘しています。それでも、二重枝時空間グラフアプローチは現代産業を支える回転ハードウェアのより賢く堅牢な監視へ向けた有望な一歩を示しています。

引用: Wang, Y., Li, Y., Li, C. et al. Dual-branch spatio-temporal graph network for bearing fault diagnosis. Sci Rep 16, 13184 (2026). https://doi.org/10.1038/s41598-026-42504-0

キーワード: ベアリング故障診断, 回転機械, グラフニューラルネットワーク, 振動解析, 予知保全