改良型拡張信念ルールベースに基づく複合システムの軸受故障診断法

回転機械の健全性維持が重要な理由

風力タービンから工場のコンベヤまで、多くの産業機械は長年にわたり高回転で回るころ軸受やギアに依存しています。これらの内部部品が故障し始めると、生産ライン全体が停止したり、危険な事故を引き起こしたりする可能性があります。本稿は、現実世界のデータが混沌としてノイズが多く、正常動作に偏る状況でも、こうした故障を早期かつ信頼性高く検出する新しい方法を提示します。

まれな故障とノイズの多い信号がもたらす問題

日常使用では軸受やギアは大半が良好なため、振動記録には正常例が故障例よりはるかに多く含まれます。ニューラルネットワークのような標準的なデータ駆動手法は優れたパターンを学習できますが、多数派クラスに偏りやすく、重要なまれな故障の特徴を見落としがちです。同時に、振動センサーは機械的・電気的ノイズが多い過酷な環境に置かれ、内輪・外輪・ボール欠陥など異なる故障種別を区別するために必要な微細な特徴がかき消されます。これらの要因により、実験室外で正確かつ信頼できる診断システムを構築するのは困難になります。

専門家ルールと統計的工夫の融合

著者らは、いわゆる信念ルールベース（BRB）と呼ばれるモデル群を基に構築しています。BRBは「ある特徴がこのように見えるなら、そのとき軸受はその状態にある」といった専門家ルールを、不確実性を表す確信度と組み合わせます。拡張版（EBRB）は、生センサ測定を閾値で二値化するのではなく、非常に低い・中程度・非常に高いといった段階的な信念レベルに変換することで、あいまいな情報や不完全な情報に対処しやすくします。しかし従来の手法は、新しい振動パターンが保存ルールにどれだけ合致するかを判断する際に単純な幾何学的距離に頼っており、ノイズのある状況での確率分布の違いを十分に反映していませんでした。

距離ではなく情報量を測る

振動パターンの微妙な変化を捉えるため、論文は単純な距離の代わりに情報理論の手法であるカルバック–ライブラー（KL）ダイバージェンスを導入します。この尺度は二点間の空間的な距離を問うのではなく、ある確率パターンを別のパターンで近似したときに失われる情報量を問います。入力データと各ルールの信念プロファイル間で対称化したKLダイバージェンスを計算することで、確率質量の配置（どこに重みがあるか）に着目したマッチング判断が可能になります。これにより、全体の強度は似ていても特徴の分布が異なる場合など、より正確なルール活性化が得られます。

まれな故障に公正な発言権を与える

より良いマッチングを導入しても、データの不均衡は学習を多数派の正常状態に偏らせる恐れがあります。これへの対策として、著者らはアンサンブル・アンダーサンプリング戦略を導入します。豊富な正常サンプルを繰り返し削減して、利用可能なすべての故障サンプルと組み合わせることで、複数のバランスの取れた学習サブセットを作成します。各サブセットごとに個別の拡張信念ルールモデルを学習させ、さらに差分進化アルゴリズムという複雑な最適化地形に適した集団ベースの探索法で内部重みを微調整します。予測時には、これらのサブモデル全てが同じ入力データを解析し、投票方式で最終的な健全性ラベルを決定するため、まれな故障パターンが認識される機会が増えます。

実用面での性能

著者らは、この手法を二つの広く使われるベンチマークデータセット（軸受用とギア用）で検証しています。現実的な条件を模すため、あるサンプリング周波数や動作条件で学習し、別の周波数や条件で試験を行い、両方のデータセットで強いクラス不均衡を維持しました。精度、適合率、再現率、F1スコアなどの指標にわたり、新手法は従来の信念ルールシステム、標準的な機械学習モデル、および一般的な不均衡対策手法を一貫して上回りました。特に少数派の故障クラスでの改善が顕著であり、主要な信号特徴に人工的なノイズを加えても高い性能を維持しました。

実機にとっての意義

非専門家にとっての要点は、この手法が実際のプラントで見られる混沌とした条件下でも、軸受やギアに対してより信頼できる「健康診断」を提供するという点です。専門家由来のルールと確率パターンを賢く比較する手法、さらにまれ事象に対して公平な投票システムを組み合わせることで、正常データや背景ノイズの洪水に埋もれて初期の損傷兆候が見逃されるリスクを低減します。著者らは、アンサンブル信念ルールベースが正確で解釈可能かつノイズ耐性のある故障診断を提供できると結論づけ、他の回転部品への拡張や最適なデータサブセット数の自動化を提案しています。

引用: Yan, X., Li, N., Nan, S. et al. A bearing fault diagnosis method for complex system based on improved extended belief rule base. Sci Rep 16, 15827 (2026). https://doi.org/10.1038/s41598-026-44629-8

キーワード: 軸受故障診断, ギア故障診断, 振動監視, アンサンブル学習, 信念ルールベース