Introduction to Dissolved Gas Analysis based Hybrid Confidence Fusion Model for improvement of Maintenance of Insulating Oil based Power Equipment

私たちの明かりを灯し、スマートフォンを充電し続ける、あの巨大で唸りを上げる変圧器を想像してみてください。これらの巨人の内部では、「絶縁油」と呼ばれる特別な液体が、静かな守護者のように機器を冷却し、電気が本来あるべきではない場所に飛び移るのを防いでいます。しかし、内部で不具合（小さな火花やホットスポットの形成など）が発生すると、この油は分解を始め、水素やメタンといった目に見えないガスを放出します。これらのガスを、まだ目には見えない火災から立ち昇る「煙」だと考えてください。何十年もの間、エンジニアは「溶存ガス分析（DGA）」と呼ばれる手法を用いて、これらのガスの臭いを嗅ぎ分け、何が起きているのかを推測してきました。それは、医師が心音を聴く作業に似ています。ガスのパターンが、機械の健康状態についての物語を語っているのです。しかし、この物語を読み解くことは、常に困難な課題でした。ある手法は、数値が小さいときに混乱してしまう「硬直したチェックリスト」のようなものです。また、ある手法は、重なり合って迷子にさせてしまう「複雑な地図」のようなものです。そして、スマートなコンピュータプログラム（人工知能）は、パターンを見つけ出すことは得意ですが、なぜその答えを出したのかという「理由」を説明できなかったり、見たことがない問題に直面すると混乱したりすることがあります。

本論文は、この混乱を解決するための新しい方法、「ハイブリッド・コンフィデンス・フュージョン・モデル（Hybrid Confidence Fusion Model）」を紹介しています。一つの探偵だけに頼るのではなく、著者たちは「チーム」を結成することを提案しています。彼らは、従来のルールベースのチェックリスト、視覚的なマップ（デュバル・トライアングルなど）、そしてスマートなAIコンピュータの最も優れた部分を取り入れ、それらに何が起きているのかを「投票」させるのです。しかし、ここが巧妙な点です。すべての探偵が平等に一票を投じるわけではありません。このモデルは、特定の状況においてどの手法がどれほど信頼できるかに基づいて、「信頼度スコア（confidence score）」を各手法に割り当てます。もしAIが電気的な火花については正確だが熱については苦手で、一方で古いチェックリストが熱には強いが火花には弱い場合、モデルはそれに応じてそれぞれの意見の重みを変えます。その結果、全員の強みを組み合わせた、より信頼できる単一の診断が得られるのです。テストにおいて、この「チームアップ」によるアプローチは89%の精度に達し、単独で機能するほとんどの手法を上回りました。著者らは、この手法が、特に機器の挙動が不可解な場合や、複数の問題が混在している場合に、メンテナンスをより安全で信頼性の高いものにすると示唆しています。

静かな守護者の物語

送電網の奥深くでは、変圧器やその他の重機が絶縁油の浴槽に浸かっています。この油は機器の生命線であり、冷却を行い、電気がアーク放電を起こさないようにしています。しかし、機械が病み始めると（例えば、緩んだ配線による火花やコイルの過熱など）、油は分解し始めます。これは、トーストが焦げるようなものです。熱や電気が油の化学結合を破壊し、水素、メタン、エチレンなどのガスを放出します。これらのガスは油の中に溶け込み、発見されるのを待っています。

長い間、エンジニアはこれらのガスを見つけるために、溶存ガス分析（DGA）を使用してきました。これは、医師が血液検査を行うことに似ています。それぞれのガスの量を測定することで、機械に熱的な故障（過熱）があるのか、あるいは電気的な故障（火花）があるのかを判断できます。論文では、これらのガスが特定の化学反応を通じて生成されることが説明されています。例えば、油が分解されるとメタン（CH4）やアセチレン（C2H2）を生成することがあり、そのガスの種類によって、故障の「温度」や「エネルギー」を知ることができるのです。

探偵のジレンマ

問題は、正確に何が起きているのかを突き止めることが必ずしも容易ではないことです。本論文では、エンジニアがこのパズルを解こうとしてきた3つの主要な方法を挙げ、それぞれに欠点があることを指摘しています。

第一に、ルールベースの手法があります。これらは厳格な取扱説明書のようなものです。固定された比率（あるガスの量を別のガスと比較する）を用いたり、チャートを見て故障を判断したりします。論文では、IEC 60599やIEEE C57.104といった標準規格について触れていますが、これらは公式のルールブックです。これらはシンプルで標準化されていますが、硬直しています。ガスのレベルが非常に低い場合や、数値がカテゴリーの境界線上にある場合、これらの手法は矛盾した回答を出したり、故障を見逃したりすることがあります。それは、定規を使ってマーブルの大きさを分類しようとしているようなもので、定規に「小」と「大」の目盛りしかないため、中間のサイズが混乱してしまう状態です。

第二に、有名なデュバル・トライアングルやデュバル・ペンタゴンのようなグラフィカルな手法があります。ガスのレベルを、異なるゾーンに分割されたカラフルな地図上にプロットすることを想像してください。各ゾーンは異なる種類の故障を表しています。これはより視覚的であり、低濃度のガスにも対応できますが、論文ではこれらのマップには固定された境界があることが指摘されています。現実世界の故障は、必ずしも三角形の中に綺麗に収まるわけではありません。形が崩れたり、重なったり、非線形的であったりします。それは、雲の周りに完璧な円を描こうとするようなもので、形が一致しないのです。

第三に、人工知能（AI）の手法があります。これらは、過去の数千もの例から学習してパターンを認識するスマートなコンピュータです。これらは、ルールブックでは対処できない複雑で乱雑なデータを扱うのが得意です。しかし、論文はAIにも問題があることを指摘しています。AIは学習したデータに強く依存しており、学習していない新しいタイプの故障に遭遇すると、誤った推測をする可能性があります。また、AIは「ブラックボックス」になり得ます。つまり、答えは出しますが、なぜその答えに至ったのかという物理的な理由を説明しないため、エンジニアが盲信することを躊躇させる原因となります。

チームアップによる解決策

ここで、著者であるJoydip Dhar、Sovan Dalai、Saibal Chatterjeeが、彼らのハイブリッド・コンフィデンス・フュージョン・モデルを提示します。一つの探偵を選ぶのではなく、すべての探偵が協力して投票するシステムを構築したのです。

この「融合（フュージョン）」の仕組みは以下の通りです：

1. 投票箱： モデルは、最も優れたルールベースの手法（デュバル・トライアングルなど）と、最も優れたAI手法の結果を取り込みます。
2. 信頼度スコア： すべての投票が同じ重みを持つわけではありません。学習フェーズにおいて、モデルは各手法がどれほど正確であるかを観察します。もし特定のAIモデルが電気的故障の特定には優れているが熱的故障には弱い場合、そのモデルには電気的故障に対して高い「信頼度スコア」が与えられ、熱的故障に対しては低いスコアが与えられます。
3. 重み付けされた決定： 新しいサンプルが入ってくると、モデルは起こりうる各故障に対して重み付けされたスコアを計算します。数学的な公式を用いてこれらのスコアを統合し、その特定の状況において最も信頼できる手法を優先させます。

これは、友人たちがトリビアのクイズの答えを予想しているようなものです。一人は歴史通、もう一人は科学の達人、そして三人目は勘が良い人だとします。問題が歴史に関するものであれば、歴史通の予想がより重視されます。問題が科学に関するものであれば、科学の達人の声が最も大きくなります。ハイブリッド・コンフィデンス・フュージョン・モデルは、まさにこれと同じことを、変圧器の故障に対して行うのです。モデルは、誰が通常正しいのかに基づいて、誰が発言すべきかを動的に調整します。

得られた結果

著者らは、実世界のデータを用いて、新しいモデルを従来の手法と比較検証しました。彼らは、個々の手法（機械学習モデル、特性ガスアンサンブル（CGE）、およびデュバル・トライアングル1（DT1））に対する、彼らの「ハイブリッド・コンフィデンス・フュージョン（HCF）」モデルの精度を比較しました。

結果は有望でした。個々の手法の成功率は様々でした：

• デュバル・トライアングル1（一般的なグラフィカル手法）の精度は約72%でした。
• 機械学習モデル（ML1およびML2）は76%から80%の範囲でした。
• ハイブリッド・コンフィデンス・フュージョン・モデルは、**89%**の精度を達成しました。

論文では、適合率（Precision）や再現率（Recall）（モデルが「故障」と言ったときにどれだけ正しいか、および実際の故障をどれだけ捉えたかを示す指標）などの他の指標についても調査しました。HCFモデルは、適合率0.78、再現率0.78、F1スコア0.77を記録しました。これは、手法を組み合わせることで、特に熱的問題と電気的問題が同時に発生しているような「混合故障シナリオ」に対しても、モデルがより堅牢になったことを示唆しています。

なぜ重要なのか

論文は、ルールベースの手法は理解しやすいという利点があり、AIは複雑なパターンを見つけるのが得意であるものの、どちらも単独では完璧ではないと結論付けています。ハイブリッド・コンフィデンス・フュージョン・モデルは、その中間的な道を提示しています。それは、古くから信頼されているルールを捨てるのではなく、新しいAIを盲信するのでもありません。代わりに、それらが互いに補完し合うシステムを作り上げます。

著者らは、このアプローチが、異なる手法が異なる答えを出した際の衝突を解決するのに役立つと強調しています。「適応型信頼度スコア」を使用することで、モデルは（ガスの測定値が少ない場合の）疎なデータや、混合故障を、孤立した技術よりも上手く扱うことができます。論文では、これはシミュレーションであり、特定のデータセットを用いたテストであると注記していますが、89%という精度は、この「チームアップ」戦略が、電力機器のメンテナンスにおける強力な方向性であることを示しています。それは、問題をより早期に検出し、より高い確信を持って明かりを灯し続ける未来を約束するものです。