技術要約：自己教師あり学習による事前学習とドメイン適応を用いたクロスデバイス切削力の予測

1. 問題提起

切削力は、工具摩耗、表面完全性、および加工安全性の重要な指標である。ダイナモメータを用いた直接測定は高精度であるが、コスト、設置の制約、およびシステム剛性への影響といった観点から、産業現場への導入には実用的ではないことが多い。そのため、振動信号を用いた間接的な予測が好まれる。しかし、既存のデータ駆動型モデルは、クロスデバイス適用において大きなボトルネックに直面している。

• 分布の不一致（Distribution Discrepancy）: 機械工具ごとに構造的剛性、主軸システム、センサーの設置位置が異なる。これにより、同一の切削力であっても、デバイス間で振動信号の振幅スケール、周波数分布、および時間的特性が変化する。
• ラベルの希少性（Label Scarcity）: ターゲットデバイス上でラベル付きの切削力データを取得するには、高価な装置と同期が必要であり、その結果、ターゲットドメインには豊富なラベルなしの振動データが存在する一方で、ラベル付きの力サンプルが極めて少ないという状況が生じる。
• モデルの失敗: ソースデバイスで学習されたモデルは、デバイス固有のアーティファクトを学習してしまい、安定した力に関連するダイナミクスを学習できないため、ターゲットデバイスに直接適用すると失敗することが多い。

2. 手法

本論文は、自己教師あり事前学習（SSL）、ドメイン適応（DA）、および少ラベル・ファインチューニングを統合した統一フレームワークを提案し、振動と力のマッピング能力をソースデバイスからターゲットデバイスへと転移させる。

2.1 データ前処理とタスク定式化

• 信号処理: 生の振動信号に対して、安定した切削セグメントの抽出、最小最大正規化（振幅差への対処）、および時間的整合（相関を用いて振動と力信号を同期）を行う。
• ウィンドウ分割: 連続的な信号を、局所的な動的パターンや周期的な歯の衝撃を捉えるために、重なりを持つスライディングウィンドウに分割する。
• データ分割: 本フレームワークは以下を利用する：
  • $D_s$: ラベル付きソースドメイン（振動＋力）。
  • $D_t^u$: ラベルなしターゲットドメイン（振動のみ）。
  • $D_t^l$: ラベル付きターゲットドメインの少数のサブセット（少ラベル）。

2.2 自己教師あり事前学習（マスクされた振動モデリング）

豊富なラベルなしデータ（ソースおよびターゲットの両方）を活用するため、著者はマスクされた振動モデリングタスクを採用している。

• メカニズム: 入力される振動ウィンドウに対し、ランダムな時間・周波数セグメントをマスクすることでデータを破損させる。デコーダは、可視領域のコンテキストに基づいて欠損値を再構成する。
• 目的: これにより、エンコーダは力ラベルに依存することなく、固有の時間構造、チャネル相関、および局所的な動的パターンを学習することを強制される。
• 利点: エンコーダは、教師あり学習が始まる前に、デバイス固有の特性に偏らない転移可能な表現を学習する。

2.3 ドメイン適応的特徴学習

事前学習の後、モデルはソースとターゲットの分布を整合させるための共同最適化を行う。

• 教師あり損失 ($L_{pred}^s$): ラベル付きソースデータを使用して、特徴が切削力の変動に対して感度を持ち続けるようにする。
• 敵対的ドメイン適応: ソースとターゲットの特徴を区別するためのドメイン識別器を導入する。エンコーダは、識別器を欺くように学習され（勾配反転層を介して）、ドメイン不変な特徴の学習を促進する。
• 損失関数: 教師あり回帰、敵対的ドメイン損失、および自己教師あり再構成損失を組み合わせた目的関数を用いる。

2.4 少ラベル・ファインチューニング

ターゲットデバイス特有の切削力の振幅や動的応答に対する残留バイアスを補正するために行う。

• 少数のラベル付きターゲットサンプル ($D_t^l$) を用いて、回帰ヘッドおよび特徴抽出器の上位層を校正する。
• エンコーダの下位層は、事前学習で得られた一般的な表現を保持するため、凍結されるか、より小さな学習率で更新される。

2.5 モデルアーキテクチャ

予測ネットワークはハイブリッド特徴融合ネットワークである。

• ディープ・ブランチ（Deep Branch）: 局所的なパターン抽出のための残差畳み込みブロック、時間依存性のための双方向再帰層（Bi-LSTM/GRU）、および重要な振動断片に重みを付けるマルチヘッド・アテンション機構を使用する。
• フィジカル・ブランチ（Physical Branch）: 統計的、スペクトル的、および時間・周波数特徴（エネルギー、周波数分布など）を明示的に抽出し、安定した物理的記述を提供する。
• 融合: ディープ特徴とフィジカル特徴を結合・正規化した後、全結合回帰ヘッドへと渡す。

3. 主な貢献

1. 統一フレームワーク: ラベル付きソースデータ、ラベルなしターゲットデータ、および少数のラベル付きターゲットサンプルを共同で活用するクロスデバイス予測フレームワークを確立し、大規模なターゲットドメインのラベル付けへの依存を低減した。
2. 自己教師あり戦略: ラベルなしデータから転移可能な時間・スペクトル表現を学習するためのマスクされた振動モデリングタスクを設計し、力の監視に先立って固有の振動ダイナミクスを理解することを可能にした。
3. 統合的適応: 敵対的ドメイン適応と少ラベル・ファインチューニングを組み合わせることで、デバイスに起因する分布シフトの低減と、ターゲット固有の予測バイアスの校正を同時に実現した。

4. 実験結果

実験は、Inconel 718被削材を用い、2種類の異なる垂直マシニングセンタ（ソース：EM800A、ターゲット：FANUCシステム）のデータを用いて実施された。

• 同一デバイス内性能: ソースデバイスにおいて、モデルは平均 $R^2$ 0.9923 を達成した。ターゲットデバイス（ファインチューニング後）においても、平均 $R^2$ 0.9908 を維持した。
• クロスデバイス性能 (SSL + DA):
  • ターゲットラベル 0%: $R^2$ 0.862、RMSE 47.3 N を達成（直接転移およびDAのみのベースラインを上回る）。
  • ターゲットラベル 1%: $R^2$ は 0.917 に上昇し、RMSE は 35.2 N に低下。
  • ターゲットラベル 5%: $R^2$ は 0.957 に達し、RMSE は 24.9 N、MAE は 17.8 N となった。
  • ターゲットラベル 20%: RMSE はさらに 19.4 N まで低下し、$R^2$ は 0.973 となった。
• 特徴量の整合: フルトレーニングプロセス後、ソースとターゲットの特徴間の最大平均偏差（MMD）距離は、生の状態で 1.00 から 0.22 へと減少した。これは、分布の整合が成功したことを示している。
• 堅牢性: 強力なノイズ下（SNR 5 dB）において、提案手法は $R^2$ 0.794 を維持し、直接転移（$R^2$ 0.515）を大幅に上回った。
• 効率性: モデルは 1.68M のパラメータを使用し、サンプルあたり 0.058 ms の時間を要し、Transformerベースのモデルと比較して精度と推論速度の良好なバランスを提供している。

5. 意義と主張

本研究は、切削力予測を単一デバイスの実験的検証から、クロスデバイス、少ラベル、および実用的な産業展開シナリオへと拡張するための実現可能なソリューションを提供すると主張している。

• ボトルネックの解消: 自己教師あり事前学習とドメイン適応を組み合わせることで、ラベル付きターゲットドメインのデータが不足していても、わずか5%のラベル付きターゲットサンプルで高い精度が得られることを示し、主要なボトルネックを直接解決した。
• 転移可能性: 提案手法が、異なる構造的・動的特性を持つデバイス間で振動と力のマッピング能力を効果的に転移できることを実証し、同一のデータ分布を前提とする従来のモデルの限界を克服した。
• 産業における実行可能性: 各ターゲットマシンへの高価な力センサーの設置を不要にし、ノイズやパラメータ変動に対する堅牢性を維持することで、非侵襲的かつリアルタイムなプロセスモニタリングとインテリジェントな加工制御をサポートする。

著者は、自己教師あり学習、ドメイン適応、および少ラベル・ファインチューニングの統合が、産業用途における予測精度、転移可能性、および計算効率のバランスを実現できる堅牢なフレームワークを構築すると結論付けている。