FaultNet：ベアリング故障分類のためのディープ畳み込みニューラルネットワーク

生産現場における高精度センサーの増加により、機械の健全状態に関する有意義な洞察を提供できるデータセットの収集が可能となっている。機械の健全状態を示す重要な信頼性の高い指標として、振動信号データは機械システム内でのさまざまな故障の理解を深める上で極めて有効である。本研究では、ベアリングを備えた機械システムの振動信号データを対象とし、異なる信号処理手法を組み合わせ、それらを機械学習技術と連携させることで、異なる種類のベアリング故障を分類する手法を検討した。また、異なる信号処理手法の使用の重要性を強調するとともに、それらがベアリング故障検出の精度に与える影響について分析した。従来の機械学習アルゴリズムに加えて、本研究では畳み込みニューラルネットワーク（Convolutional Neural Network）を用いた新たな故障分類モデル「FaultNet」を提案し、高い精度でベアリング故障の種類を正確に判定できる点を示した。本研究の特徴的な点は、信号からより多くの情報を抽出するための「チャネル」の概念を導入したことにあり、原始信号に平均値チャネルと中央値チャネルを重ね合わせることで、より有用な特徴量を抽出し、信号分類の精度を向上させることに成功した。