要約
航空機エンジンのモニタリングデータを評価するための新規手法が提案される。一般的に、予知保全および健康管理（PHM）システムは、特定のエンジン部品の劣化プロセスに関する知識と専門家の経験則を組み合わせて、残存耐用寿命（RUL: Remaining Useful Life）を予測する。近年、こうした高コストなプロセスに依存せずに高精度な診断を実現するデータ駆動型アプローチが登場している。しかし、その多くはモデルの学習過程やデータの本質を理解するための説明性（explanatory capability）を欠いている。このギャップを克服するために、変分符号化（variational encoding）に基づく新たなアプローチを提案する。本モデルは再帰型エンコーダと回帰モデルから構成され、エンコーダは入力データを潜在空間（latent space）に圧縮する。この潜在空間は、航空機エンジンの劣化速度を視覚的に評価可能な自己説明型マップ（self-explanatory map）を構築する基盤となる。潜在空間の獲得は、変分推論に基づく新しいコスト関数と予測誤差をペナルティとして課す項によって正則化される。その結果、解釈可能性の高い評価が可能となるだけでなく、NASAが提供する代表的なシミュレーションデータセットC-MAPSSにおいて、多数の最先端手法を上回る優れた予測精度を達成した。さらに、本手法が実際のターボファンエンジンからの実データを用いた実世界のシナリオでも有効であることを示した。