要約
産業用インターネット・オブ・シングス（IIoT）において、複雑なシステムから得られる状態監視センサ信号は、運用条件の変化に伴い非線形的かつ確率的な時空間的ダイナミクスを示すことが多く、これにより故障検出が特に困難となる。従来の手法はこれらのダイナミクスを効果的にモデル化できるものの、センサ信号間の関係性の時間的変化を無視する傾向がある。これらの関係性の未検出の変化は、重大なシステム障害を引き起こす可能性がある。さらに、これらの手法はしばしば新しい運用状態を故障と誤検出する問題を抱えている。こうした課題を克服するため、本研究ではIIoTシステムにおける初期段階の故障検出を目的とした新規手法「DyEdgeGAT（Dynamic Edge via Graph Attention）」を提案する。DyEdgeGATの主な革新点は、動的エッジ構築により時系列間の関係性の変化を追跡可能な、多変量時系列に対する新たなグラフ推論スキームの導入にある。また、DyEdgeGATのもう一つの重要な特徴は、ノードダイナミクスモデルに運用状態のコンテキストを組み込むことで、検出精度とロバスト性を向上させることである。本手法は、故障の深刻度を変化させた合成データセットおよび、異なる故障種類と運用条件、検出の複雑さを有する産業規模の多相流施設ベンチマークを用いて、厳密に評価された。その結果、DyEdgeGATは他のベースライン手法と比較して、特に深刻度が低く初期段階の故障検出において顕著な優位性を示し、新しい運用状態下でも堅牢な性能を発揮することが明らかになった。