多段遠心ポンプの故障解析のための物理指向融合画像学習と強化スクイーズ・エキサイト機構

なぜより賢いポンプ監視が重要なのか

多くの工場、発電所、水道設備の背後には静かに液体を循環させる多段遠心ポンプが稼働しています。これらのポンプに潜在的な損傷が発生すると、企業は修理に数千時間を費やし、停止や事故で数百万ドルの損失を被ることがあります。本研究は、物理知識と画像ベースの最新AIを組み合わせることで、信号がノイズを含み稼働条件が変動する場合でも、ポンプ内部の微細な問題を早期に検出できることを示します。

産業用ポンプの隠れた生活

多段遠心ポンプは複数の回転翼（インペラ）を直列に用いて圧力を上げ、配管へ流体を押し出します。実際のプラントでは、これらのポンプの故障が数千時間の保守作業や数千〜数百万ドル規模の損失を招いてきました。最も扱いにくい問題はしばしば“ソフト”な故障として始まります。つまり、機械用シールの小さな穴や擦り傷、インペラの初期的な腐食などです。これらの欠陥は即座にポンプを停止させるわけではなく、性能や安全性を徐々に損ないます。ポンプは異なる圧力で稼働し、周囲には他の振動源があるため、初期の異常の兆候は複雑でノイジーな振動データに埋もれてしまいます。

振動を有益な画像に変換する

著者らは産業用ポンプを模した試験装置を構築し、正規状態に加えて現実的なソフト故障を三種類（シールへの穴あけ、シールの擦り傷、あるインペラの材料欠損）意図的に導入しました。振動センサーはポンプ胴体、シール付近、インペラ付近に取り付けられました。全振動記録を一様に扱うのではなく、まず各信号を多数の短い時間窓に分割しました。次に、これらの窓を物理的に意味のある三つの指標（総エネルギー、インパルシブ性、故障感受性の高い周波数帯に含まれるエネルギー割合）で評価しました。故障情報を含む可能性が高い上位の窓のみが後続の解析に残されました。

同じ信号の三つの視点を融合する

選択された各窓から、ポンプの挙動の異なる側面を捉えるための特別な“融合”画像を作成しました。第一チャネルは物理指向のメルスペクトログラムで、振動エネルギーが時間・周波数にどう分布するかを示し、故障が現れやすい周波数帯域を強調します。第二チャネルはグラミアン角差分フィールド（Gramian Angular Difference Field）で、時系列信号を模様のある画像に変換し、衝撃的な事象や非線形変化を際立たせます。第三チャネルはクロスインタラクションマップで、他の二つのビューで一致する領域を強め、ノイズ由来と思われる領域を弱めます。これら三つのチャネルを積み重ねることで、時間・周波数・時間構造を同時に符号化したコンパクトな画像が得られます。

物理でAIを導く

こうして得られた融合画像を、特定のポンプ状態に結びつくパターンを学習する小型の畳み込みニューラルネットワークに入力します。重要な革新は「強化スクイーズ・エキサイト」注意機構です。平たく言えば、ネットワークは学習した画像特徴を見るだけでなく、物理から導出された古典的な振動指標（例えば二乗平均平方根レベル、インパルシブ性、クレストファクタ、故障感受域のエネルギー比率など）を小さな補助ベクトルとして受け取ります。注意モジュールはこの補助情報を使って、内部の特徴チャネルのどれを強調するか抑制するかを決め、データ中の見かけ上の相関ではなく実際の機械挙動に合致するパターンにネットワークの焦点を向けさせます。

この手法はどれほど有効か？

フレームワークは、工業用途を想定した3つの圧力（3 bar、3.5 bar、4 bar）で稼働する試験リグから得た実際の振動データで検証されました。各圧力でモデルは正常状態と三種類の故障を識別する必要がありました。全圧力にわたって分類精度は99％以上、マクロF1スコア（適合率と再現率のバランス）も0.99を超え、最高圧力では完璧なスコアに達しました。著者らは従来の画像ネットワークの転移学習、エントロピーに基づく特徴抽出、他の物理着想の深層モデルなど複数の先進的手法と比較しましたが、物理指向の融合画像＋注意機構は、特に稼働条件が変動する場合にそれらに匹敵するか上回る性能を示しました。

実運用の保守にとっての意義

エンジニアやプラント運用者にとって、本研究はポンプ物理の理解と深層学習のパターン発見力を実用的に結び付ける方法を示しています。振動信号の最も情報量の多い部分を慎重に選び、それらを豊かでありながらコンパクトな画像に変換し、単純な物理指標でネットワークを誘導することで、この手法は破滅的故障のずっと前にシールやインペラの初期損傷を確実に検出できます。長期的には、この種の物理認識型AIツールが、故障後の反応的な修理から、信頼できる早期警告に基づく計画的な介入へとポンプ保守を移行させる助けとなるでしょう。

引用: Ullah, S., Umar, M. & Kim, JM. Physics guided fused image learning with enhanced squeeze excitation for failure analysis of multistage centrifugal pumps. Sci Rep 16, 16179 (2026). https://doi.org/10.1038/s41598-026-47809-8

キーワード: 遠心ポンプの故障, 振動監視, 物理指向深層学習, 状態基準保全, 産業診断