Operating-Condition-Decoupled Sparse Order-Domain Gear Fault Monitoring for Range-Extended Hybrid Agricultural Machinery in Hilly and Mountainous Areas

丘陵地帯や山岳地帯のような起伏の激しい地形において、重機は特有の課題に直面します。地面は決して平坦ではなく、作業も一定ではありません。トラクターやコンバインが斜面を登ったり、厚い土壌を耕したりするとき、そのエンジンとトランスミッションは常に調整を余儀なくされ、回転部品の速度は激しく変動します。故障の初期兆候を検知するために機械の音を聞き取る必要があるエンジニアにとって、この変動性は大きな障害となります。従来のトラブル検知手法は、壊れたギアや摩耗したベアリングを示す特定の安定した音を見つけることに依存しています。しかし、機械の速度が変化すると、それらの音はピッチがずれ、ぼやけてしまうため、奇妙な音が深刻な故障の兆候なのか、それとも単に急斜面に対する正常な反応なのかを判断するのが困難になります。この不確実性は、健全な機械が故障していると判定される誤報や、現場での故障に至るまで本当の問題が見逃される見落としにつながります。

これを解決するために、河南科技大学と龍門研究所の研究者たちは、こうした困難な景観向けに設計されたハイブリッド農業機械のギアの健全性を監視する新しい方法を開発しました。彼らは、機械の音をリアルタイムでそのまま聞こうとするのではなく、振動データを、機械の加減速に関わらず安定した形式へと変換する方法を考案しました。仮想の丘の上での数千時間の稼働をシミュレートすることで、彼らはシステムに対し、変化する斜面や負荷によるノイズを無視し、ギアが損傷していることを示す特定のパターンだけに集中するように学習させました。彼らのアプローチは、健全なギアと欠陥のあるギアを正確に区別することに成功し、機械がこれまで経験したことのない条件下で動作している場合でも機能しました。これは、世界の最も過酷なフィールドにおいて、ハイブリッド農機具を安全かつ効率的に稼働させ続けるための有望な道筋を示しています。

この研究の核心は、レンジエクステンダー（航続距離延長型）ハイブリッド農業機械という特定の種類の車両に対処することにあります。これらは、小型エンジンで発電を行い、その電力でバッテリーを充電するか、あるいは電気モーターを直接駆動して車輪を回転させる強力なトラクターやコンバインです。この設計により、高出力かつ低排出での運用が可能になりますが、同時に複雑な振動をもたらします。エンジンは始動と停止を繰り返し、バッテリーは充放電を行い、電気モーターはモードを切り替えます。これらすべてが、機械が斜面を登り、重い荷を牽引している最中に発生します。従来のディーゼル・トラクターでは、振動パターンは比較的予測可能です。しかし、これらのハイブリッド機械では、エンジンのリズム、電気モーターのハム音、ギアの擦れる音、そして凹凸のある地面からの衝撃が混ざり合い、混沌とした振動となります。トランスミッション内部のギアが故障し始めるとき、その警告サインは、この混沌とした背景ノイズの中に埋もれてしまうことがよくあります。

研究者たちはまず、これらの機械が丘陵地帯でどのように振る舞うかについての詳細なコンピュータ・シミュレーションを構築することから始めました。実世界のデータだけに頼らなかったのは、高価な農業機械における実際の故障ギアの事例を十分に収集することは困難であり、危険でもあるからです。代わりに、彼らは現実世界を極めて高い精度で模倣した仮想環境を作成しました。彼らは、耕作、物資の輸送、混合した丘陵ルートの走行を含む長い走行サイクルを生成するようにシミュレーションをプログラムしました。このシミュレーションは、車両の速度、土壌の抵抗、斜面の傾斜度、バッテリーの充電レベル、およびレンジエクステンダー・エンジンの状態など、機械の振動を変化させるあらゆる要因を考慮していました。決定的なのは、彼らが「ペアリング」戦略を用いたことです。シミュレーションされた走行ごとに、二つのバージョンの振動データを生成しました。一つは完全に健全な機械を表し、もう一つは同じ機械に特定のギアの欠陥がある状態を表しています。両方のバージョンは、全く同じ丘、同じ負荷、同じ速度変化を経験します。唯一の違いは、欠陥の有無だけです。これにより、コンピュータが両者を識別することを学習する際、それが「急な坂道と平坦な道の違い」を学んでいるのではなく、「欠陥そのもの」を認識するように保証されました。

これら2,000組のペアサンプルを生成した後、研究者たちは生（ロー）の振動信号から有用な情報を抽出するという課題に直面しました。標準的な分析では、エンジニアは振動の周波数、つまり音のピッチのようなものを調べます。しかし、機械の速度が絶えず変化するため、ギアの欠陥によるピッチは上下に漂い、エネルギーが広い範囲に分散してしまうため、特定が難しくなります。チームは「計算オーダー・トラッキング（computed order tracking）」と呼ばれる手法を用いてこれを解決しました。振動を等間隔の時間で測定するのではなく、ドライブシャフトの回転角に対して等間隔で測定するのです。回転する車輪を想像してください。車輪が特定の角度回転するたびに写真を撮れば、リムにある亀裂の写真は、車輪が速く回っていようが遅く回っていようが、常に同じ位置に写ります。この論理を振動データに適用することで、研究者たちは、変化し漂う信号を、機械の速度に関わらず欠陥が常に同じ場所に現れる安定したマップへと変換しました。

データがこの安定したマップに整理された後、次のステップは、重要な特徴を見つけ出すことでした。研究者たちは、エネルギーのピーク、平均レベルの変化、周囲に対する信号の相対的な強さなど、マップのさまざまな部分から数十の測定値を抽出しました。これにより、膨大な数の潜在的な手がかりが作成されましたが、その多くはノードのノイズや、バッテリーやエンジンによる無関係な詳細に過ぎませんでした。この混乱を切り抜けるために、彼らは最も重要な手がかりだけを自動的に選択し、残りを破棄する数学的ツールを使用しました。「スパース特徴選択（sparse feature selection）」として知られるこのプロセスは、機械の動作による背景ノイズを取り除くフィルターのように機能し、ギアの欠陥と強く結びついており、かつバッテリーの充電量や斜面の傾斜とは全く無関係な、精密で小さな指標のセットを残しました。

最後に、研究者たちは、システムが実際に欠陥を特定できるかどうかをテストしました。彼らはシミュレーションデータを訓練セットとテストセットに分割し、コンピュータにあるグループから学習させ、別のグループの健康状態を予測させました。彼らは、自らの新しい手法をいくつかの古い標準的な手法と比較しました。結果は明白でした。安定した角度ベースのマップとスマートな特徴フィルターを組み合わせた新しいアプローチは、従来の方式を大幅に上回る性能を示しました。繰り返しのテストにおいて、このシステムは、ギアの状態を約94パーセントの精度で正しく特定しました。これは、可変速度への対応に苦慮した標準的な周波数ベースの手法よりも明らかに優れた数値でした。おそらくより重要な点は、このシステムが、一度も見たことのない条件に直面しても堅牢であることを証明したことです。研究者が、学習データの範囲外の速度、負荷、または斜面を含むデータでテストを行った際、新しい手法は高い精度を維持しましたが、古い手法は性能が急激に低下しました。

また、この研究は、システムが依存することを学習した特定の「特徴」が、実際にギアに関連したものであり、機械の他のシステムによるものではないことも明らかにしました。選択された指標は、ドライブシャフトの回転に対応する振動マップの特定の領域に集中しており、バッテリーの充電状態やエンジンのオン・オフ・サイクルとの関連性はほとんど見られませんでした。これは、手法が複雑なハイブリッド・パワートレインから機械的な欠陥を正常に分離できていることを裏付けています。研究者たちは、データが適切に準備されていれば、より単純なタイプのコンピュータ分類器であっても高い精度を達成できることを見出しました。これは、真のブレイクスルーが最終的な意思決定ツールの複雑さにあるのではなく、データの整理とクリーニングの方法にあることを示唆しています。

有望な結果ではありますが、著者らは、これらの知見がシミュレーションに基づくものであることに注意を促しています。詳細な仮想環境であっても、センサーの取り付け位置が異なっていたり、トランスミッションの経路がコンピュータモデルが予期しない方法で錆や汚れの影響を受けたりするような、現実の農場の混沌とした状況を完全に再現することはできません。本研究は、提案されたアプローチが理論的に妥当であり、丘陵地帯の農業における極端な変動性に対処できる能力があることを示す「概念実証（プルーフ・オブ・コンセプト）」として機能しています。研究者が概説している次のステップは、必要なセンサーを備えた実機を構築し、フィールドでシステムをテストすることです。もしこの手法が現実の世界でも通用すれば、農家が高価なハイブリッド機器を監視するための信頼できる手段を提供し、予期せぬ故障を防ぎ、これらの高度な機械が現代農業を定義する困難な斜面地帯で働き続けられるようにすることができるでしょう。