Towards Interpretable Damage Detection based on Aerodynamic Pressure Measurements

技術概要：空気力学的圧力測定に基づく解釈可能な損傷検知への取り組み

問題提起
現代の大型風力タービンブレードはより柔軟性を増しており、コスト効率が高く信頼性の高い構造健全性モニタリング（SHM）ソリューションが必要とされています。畳み込みニューラルネットワーク（CNN）などの深層ニューラルネットワーク（DNN）は、SHM におけるパターン認識において成功を収めていますが、その「ブラックボックス」的な性質は、高リスクの意思決定における有用性を制限しています。これらのモデルは解釈性が欠如していることが多く、予測を駆動する物理メカニズムを理解したり、訓練分布とは異なる実世界の運転条件下で信頼性高く一般化されることを保証したりすることが困難です。著者らの先行研究 [Franz et al., 2025] は、Aerosense システムを通じて得られる空気力学的圧力測定値（APM）が、弾性かつ空気力学的に荷重がかかる構造物における構造的損傷の検出と分類を効果的に行えることを確立しました。しかし、損傷が圧力場に与える影響の背後にあるメカニズムや、CNN が依存する特定の特徴は不明瞭なままでした。

手法
本研究では、[Franz et al., 2025] で提案された CNN ベースの損傷検知パイプラインを解釈するために、説明可能な人工知能（XAI）を採用しています。核心的な手法は以下の通りです：

1. 実験データ：分析には、風洞内で振動する片持ち梁に取り付けられた NACA 633418 翼型を用いた実験キャンペーンからのデータを使用しました。構造的損傷は、制御された鋸切り（剛性の低下）と質量の追加によってシミュレートされました。空気力学的圧力分布は、迎角（0°および 8°）、風速、および鉛直振動周波数を変化させた条件下で、37 箇所の機能性センサー位置において記録されました。
2. 統合勾配（IG）：著者らは、モデル非依存の事後帰属手法である統合勾配（Integrated Gradients）を、事前学習済みの CNN に適用しました。IG は、基準点から入力サンプルへの経路に沿って勾配を積分することで、各入力特徴（センサーチャネルおよび時間ステップ）がモデルの分類出力に寄与する度合いを計算します。
3. 基準分析：特定信号の特性を分離するために、3 つの明確な基準が定義されました：
   • 環境圧力基準（APB）：一定のゼロ信号（すべての空気力学的荷重と振動を除去）。
   • 時間的変動基準（TVB）：チャネルオフセットを除去した信号（時間的ダイナミクスのみを保持）。
   • チャネル別平均値基準（MVB）：チャネル別平均値に置き換えられた信号（静的なチャネル間強度関係を保持するが、時間的ダイナミクスを除去）。
4. 再学習と評価：帰属マップから得られた洞察を検証するために、著者らは基準データ上でモデルを再学習させました。CNN を TVB データで再学習させ、多層パーセプトロン（MLP）を MVB データ（平均ベクトル）で学習させ、静的特徴と動的特徴の情報保持能力を評価しました。

主要な結果

• 特徴帰属：すべての基準において、CNN は一貫して翼型の前縁付近に位置するセンサー（具体的にはチャネル 14–16）を優先しました。
• 静的特徴対動的特徴：
  • 時間的ダイナミクス（TVB）：事前学習済みの CNN を TVB データ（静的オフセットを除去）でテストしたところ、分類精度は約 16.7%（ランダム推測）まで崩壊しました。これは、元のモデルが静的特徴に大きく依存していることを示しています。
  • 静的強度（MVB）：逆に、MVB データ（時間的ダイナミクスを除去）でテストした際、事前学習済みの CNN は有意な精度を維持しました（0°迎角で約 50%、8°迎角で約 62%）。
  • 再学習モデル：平均値（MVB）のみで学習された MLP は高い精度を達成しました（0°迎角で 86.5%、8°迎角で 83.7%）。これに対し、時間的変動（TVB）で再学習された CNN は、有意に低い精度しか達成できませんでした（それぞれ 47.4% および 34.8%）。
• 損傷メカニズム：分析により、クラス判別情報の主要な源は、静的なチャネル間強度関係であることが示唆されました。これは、損傷による構造物の平衡位置のシフト（例えば、下向きのたわみとねじれ）に起因する可能性が高いです。時間的パターン（振動振幅）も分類に寄与しますが、その影響は二次的なものです。
• 渦放出：スペクトル分析により、実験条件下では顕著な渦放出が発生しなかったことが確認されました。これは、モデルによって検出された時間的変動が、空気力学的不安定性ではなく、主にビームの構造的振動によって駆動されていることを示唆しています。

意義と主張
本論文は、物理ベースの洞察と XAI 手法を統合することが、データ駆動型 SHM の透明性と堅牢性を高めることを主張しています。CNN が複雑な時間的ダイナミクスではなく、主に静的な空間的関係（チャネル間強度）に依存していることを実証することにより、本研究は以下の点を示しています：

• 物理的基盤の検証：モデルの予測が、損傷による構造物の平衡状態の物理的シフトに基づいていることを確認し、偽の相関ではないことを立証しました。
• 限界の特定：現在の CNN 構造は時間的依存関係を最適に捉えていない可能性を浮き彫りにし、以前は「ブラックボックス」化によって、静的特徴が性能の主要な駆動因子であったという事実が隠蔽されていたことを明らかにしました。
• 将来の設計への指針：これらの知見は、将来の監視システムがより単純な静的特徴抽出に依存できる可能性を示唆するか、あるいは状態依存特性をよりよく分離するために、より高度な時系列固有の XAI 変種が必要であることを示しています。

著者らは、CNN アプローチは効果的である一方で、その解釈性が「なぜ」機能するのかを理解する上で不可欠であると結論付けています。静的特徴への依存は、モデルが損傷によって引き起こされる永久変形と変化した剛性分布を検出していることを意味し、空気力学的に荷重がかかる構造物における構造健全性の問題を検出する物理的に整合する説明を提供します。