Remaining useful life prediction using a nonlinear state-space model under random stress

風力を電気に変換する巨大な機械は、その重い部品を固定するために、スリューベアリングと呼ばれる巨大で回転する関節部に依存しています。これらのベアリングは、風力発電業界における「静かなる働き手」であり、タービンの重量を支え、風の方向へと旋回させる役割を担っています。しかし、それらは絶えず予測不可能な力にさらされる過酷な環境下で作動しています。風は一定に吹くわけではありません。突風が吹き、向きを変え、あるいは止んだりするため、ベアリング内部の金属製のレースウェイ（転道）や転動体にストレスを与える、混沌とした荷重の混合状態を作り出します。この絶え間ない、ランダムな衝撃によって、時間の経過とともに金属が摩耗し疲労し、最終的には故障に至ります。ベアリングがいつ壊れるかを正確に予測することは、エンジニアにとって極めて重要な課題です。もし早すぎるタイミングで予測すれば、まだ使える部品を交換することになり、資金を無駄にします。逆に予測が遅すぎれば、予期せぬ故障が発生し、多大なコストを伴うダウンタイムや安全上のリスクを招きます。目標は、摩耗の兆候を観察し、メンテナンスを最適なタイミングで行えるよう、残存有効寿命を十分な精度で算出することです。

数十年にわたり、科学者たちは二つの主要なアプローチを用いてこのパズルを解こうとしてきました。一つの手法は物理法則に基づき、金属がどのように亀裂を生じ、摩耗するかを記述する複雑な数学的モデルを構築することです。これは理論的には健全ですが、回転するベアリング内部の正確な条件を完璧に測定することは不可能であるため、実世界の機械に適用するには難解すぎることがあります。もう一つの手法はデータ駆動型のアプローチであり、コンピュータが過去の故障事例から学習して将来の故障を予測します。これらの手法は膨大な履歴データがある場合にはうまく機能しますが、現実の世界では、そのようなデータは不足していたり不完全であったりすることがよくあります。これら両方の要素を組み合わせた第三の道として、統計モデルを用いて機械の劣化を追跡する方法があります。これらのモデルは、摩耗を「ランダムな旅」として扱い、故障への道のりは決して直線的ではないことを認めています。しかし、既存のモデルの多くには盲点があります。それは、機械へのストレスが一定または予測可能であることを前提としており、風やそれが生み出す荷重の混沌としたランブルな性質を考慮できていない点です。

最近の研究において、研究者たちは風力タービンのスリューベアリングの寿命を予測するための新しい方法を開発することで、この盲点を修正しようと試みました。彼らは、風の突風や不均一な荷重によるランダムなストレスが、標準的なモデルが見逃してしまうような形で劣化プロセスを加速させることを認識しました。この現実を捉えるために、彼らはベアリングの摩耗を「絶えず変化する環境に影響される旅」として扱う高度な予測フレームワークを作成しました。一定の経路を想定するのではなく、彼らのモデルは「ランダム・ストレス」成分を組み込み、ベアリングに襲いかかる力が刻一刻と激しく変動することを認めています。また、振動、温度、そしてブレードを回転させるのに必要なトルクを測定する異なるセンサーが、それぞれ異なる側面を伝えていることにも気づきました。あるセンサーは突然の衝撃に素早く反応するかもしれませんが、別のセンサーは熱の上昇をゆっくりと、着実に示すかもしれません。研究者たちは、これらの信号を同時に聴き取り、それらが互いにどのように相互作用し、ベアリングの隠れた内部状態とどのように関わっているのかを理解するシステムを構築しました。

この複雑でノイズの多いデータを理解するために、チームは「パーティクルフィルタ」として知られる強力な計算手法を採用しました。霧の立ち込める部屋の中で、自分がいると思う場所に何千もの目に見えない小さなダーツを投げながら、動いている物体を追跡することを想像してみてください。標準的な手法では、すべてのダーツを一つの地点に集中させて投げるかもしれませんが、もしその地点が間違っていれば、推測全体が失敗してしまいます。研究者たちは、このプロセスを「適応型拡張（adaptive enhanced）」アルゴリズムによって改良しました。このよりスマートなバージョンは、自身の推測を常にチェックします。もし、投げたダーツが間違った場所で密集しすぎていると気づいた場合、システムは自動的にダーツを再び散布して、他の可能性を探索するようにします。これにより、システムが誤った推測に陥るのを防ぎ、多様な潜在的結果を常に念頭に置くことができるようになります。このスマートな追跡法を、ランダムなストレスとマルチセンサーの相互作用を理解するモデルと組み合わせることで、彼らは従来のメソッドよりも明確にベアリングの状態を見通すことができるツールを作り上げました。

研究チームは、振動、温度、トルクの測定値を含む、実際の風力タービンのスリューベアリングから収集されたデータを使用して、この新しいフレームワークをテストしました。彼らは、ランダムなストレスを無視した単純なモデルや、異なるセンサー間の相互作用を考慮していないモデルを含む、いくつかの他の予測戦略と比較を行いました。結果は明白でした。風の混沌とした性質と、センサー信号間の複雑な関係を考慮した新しいアプローチが、最も正確な予測を提供したのです。時間が経過してデータが集まるにつれ、予測の不確実性は縮小し、故障までの推定時間はますます精密になりました。実際、彼らのモデルは、同じデータで訓練された洗練された人工知能システムをも凌駕し、ベアリングが寿命に達する時期について、より信頼性の高い推定値を提供しました。

この研究はまた、特定のトレードオフについても明らかにしました。新しいモデルは非常に高精度ですが、単純な手法に比べると実行するための複雑さが増します。ランダムなストレス変数や複数のセンサー間の相互作用を処理するために、より多くの計算能力を必要とします。しかし、故障が多大なコストと危険を伴う風力タービンのような重要インフラにおいては、この追加の複雑さは価値のある投資となります。研究者たちは、現実世界のランダムさを滑らかにしようとするのではなく、むしろそれを認めることで、エンジニアは機器のメンテナンス時期についてより良い判断を下せるようになることを示しました。この研究は、機械の健康モニタリングの未来が、単にデータを集めることだけでなく、機械が日々直面している混沌とした予測不可能な力に対して、真に理解を持つモデルを構築することにあることを示唆しています。