A Residual Neural Network Framework for Rotating Sound Source Localization

周囲の人々が自分の周りを回転している混雑した部屋の中で、たった一つの声を聴こうとする試みを想像してみてください。耳に届く音波はピッチ（音の高さ）やタイミングが絶えず変化しており、誰が話しているのかを特定することをほぼ不可能にする混沌とした混乱状態を作り出しています。これが、風力タービンのブレードやジェットエンジン内のファンといった、回転する機械からのノイズの発生源を特定しようとするエンジニアが直面する根本的な課題です。数十年にわたり、科学者たちはマイクロホンのアレイ（配列）を使用してこれらの音を捉え、それがどこから来ているのかをマッピングしてきました。しかし、音源が回転している場合、その動きはドップラー効果として知られる現象を引き起こし、救急車が猛スピードで通り過ぎる際にサイレンのピッチが変わるのと同じように、音波を歪ませてしまいます。この歪みを解きほぐすための従来の手法は、計算負荷が高く時間がかかることが多く、「ゴースト」信号、つまり実際には何も存在しない場所にノイズ源が存在するかのように示唆する誤報を生み出しやすいという欠点があります。

上海交通大学とAECC商用航空エンジン有限会社の研究チームは、コンピュータに回転ノイズのパターンを直接認識させることで、この問題を解決する新しいアプローチを開発しました。回転運動を補正するために複雑な数式に頼る代わりに、彼らは「残差ニューラルネットワーク（ResNet）」と呼ばれる一種の人工知能を訓練し、マイクロホンからの生データを直接見て、音の真の位置を即座に特定できるようにしました。詳細なコンピュータシミュレーションにおいて、この新システムは驚異的な効果を証明しました。複数の回転する地点から同時にノイズが発生している場合でも、最大98.83パーセントという高い精度で回転音源を特定することに成功しました。さらに印象的なことに、このシステムは50ミリ秒未満で意思決定を行いました。これは、同じ情報を処理するのに数秒を要することもある現在使用されている従来の手法と比較して、数桁も速い速度です。

このイノベーションの核心は、コンピュータが学習するためのデータの準備方法にあります。標準的な音響解析では、科学者はしばしば「クロススペクトル行列」と呼ばれる数学的ツールを使用します。これは、異なるマイクロホンからの音波が互いにどのように関連しているかを示す地図のような役割を果たします。静止した物体の場合、この地図は明確で読み取りやすいものです。しかし、回転する物体の場合、地図はドップラー効果によってかき乱され、従来のアルゴリズムでは、真のソースとノイズを区別することが困難になります。研究者たちは、「モード合成ビームフォーミング」として知られる特定の技術を用いることで、回転を考慮に入れつつ、不可欠な空間情報を保持したまま、このかき乱されたデータを再構成できることに気づきました。彼らは、この再構成されたデータを、非常に大規模なコンピュータモデルを訓練する際に陥りやすい「混乱」や「迷子」になることなく、深く複雑なパターンを学習できるように設計された特殊な構造を持つニューラルネットワークに投入しました。

システムのテストを行うため、チームは回転する音源を含む数千のシミュレーションシナリオを作成しました。これには、実際の産業診断で使用される機器を模した、円形に配置された16個のマイクロホンからなるマイクロホンアレイが含まれています。シミュレーションは、回転速度500〜2500回転/分、および4500〜5000ヘルツの高周波範囲の音を発するソースを含む、幅広い条件下で行われました。また、研究者たちはマイクロホンアレイの幾何学的な配置についてもテストを行い、回転源の平面に対して平行および垂直に配置しました。あらゆるケースにおいて、ニューラルネットワークは正しい数の音源とその正確な位置を特定し、古い手法を悩ませる偽の信号を効果的に除去しました。

最も重要な発見の一つは、システムが「ゴースト」による寄与を排除できる能力です。従来のビームフォーミングでは、回転による歪みが、実際には存在しない周波数において音源の幻影（ファントムイメージ）を作り出すことがあります。これらのゴーストは、実際には一つの問題しかないのに複数のノオイズ問題があると思い込ませたり、あるいは重大な故障の真の場所を隠してしまったりすることがあります。しかし、この新しいResNetベースのフレームワークは、これらのアーティファクトを完全に無視することを学習しました。最大6つの異なる回転音源に対して挑戦したテストにおいて、システムは偽陽性を一つも生成することなく、それらすべてを正しく特定しました。このレベルの精度は、航空機のエンジンにおける故障診断のような、ノイズの正確な発生源を特定することが壊滅的な失敗を防ぐために不可避であるアプリケーションにおいて極めて重要です。

この新手法の速度は、実用的なエンジニアリングにおけるもう一つの大きな利点を提供します。ROSIとして知られる従来のタイムドメイン（時間領域）法は、単一のケースの分析に4秒以上かかることがあり、周波数領域のMCB法は800ミリ秒以上を要しますが、このニューラルネットワークは50ミリ秒未満で回答を届けます。この処理時間の劇的な短縮は、このシステムが最終的にリアルタイム監視に使用できることを意味しており、エンジニアが分析の完了を待つのではなく、機械が稼働している最中にその健康状態を監視することを可能にします。研究者らは、マイクロホンの構成が訓練時と同じである場合にシステムが最もよく機能すること、そしてシミュレーションに必要な膨大な量の訓練データを生成するために多大な時間と計算能力を要したことを指摘しました。しかし、一度モデルが訓練されれば、手動の計算では到底及ばない一貫性と速度で動作します。

この研究はまた、現在のアプローチの限界と、この新しいフレームワークの具体的な強みを浮き彫りにしました。研究者らは、単にニューラルネットワークをより深く、より複雑にすれば必ずしも結果が良くなるわけではないことを見出しました。実際、訓練データが不十分な場合、より複雑なモデルは単純なモデルよりも性能が悪化しました。これは、訓練データの質と量が、ネットワークのアーキテクチャ自体と同じくらい重要であることを示唆しています。さらに、本システムはテストされたシミュレーション環境においては優れていますが、予測不可能な背景ノイズや異なる物理的セットアップといった現実世界の条件には、さらなる適応が必要であると研究者らは認めています。彼らは、将来の研究として、シミュレーションデータと実際の実験データを組み合わせることで、システムをより堅牢かつ適応性の高いものにできる可能性があると提案しました。

結局のところ、この研究は、エンジニアが回転音の問題にどのように取り組むかというアプローチの転換を象徴しています。硬直した数学的な補正から、データ駆動型の学習アプローチへと移行することで、チームは回転する機械の歪みを、前例のない明晰さで見通すことが可能であることを実証しました。標準的な16個のマイクロホンアレイを使用し、音の経路の正確な物理的特性を知ることなく、極めて高い忠実度で音源を特定できる能力は、ノイズ制御や機械診断に新たな扉を開きます。技術が成熟するにつれ、この技術は、私たちが世界を動かしている機械の「音』を聴く方法を変革し、混沌とした音の渦を、ノイズがどこから来ているのかを示す明確で実行可能なマップへと変えることを約束しています。