本研究は軸受の残存使用寿命（RUL）の正確で信頼性の高い予測に焦点を当てている。近年、機械学習に基づくRUL予測は、産業機械の安全性、効率性、およびコスト効果の確保に注目されている。しかし、全寿命運転実験から収集された生の振動信号は、ノイズが大きく非定常で高次元であるという特徴があり、直接的に劣化パターンを学習することは困難である。これにより、特定の時点でのRUL予測が一貫性を欠き、予測の信頼性が低下することが多い。これを受け、本研究では堅牢な信号前処理、データ駆動の健康状態分類、深層学習に基づくRUL推定を統合した信頼性の高い多段階予測フレームワークを提案した。本手法は、区分集約近似による次元削減を採用し、特異スペクトル解析を利用してノイズを抑制し、中心モーメントに基づく変化点検出手法を導入して劣化の開始点を自動的に識別する。続いて、劣化プロセスと有効使用寿命を特徴付ける健康指標を構築した。極端勾配ブースティング分類器を使用し、振動応答に基づいて軸受の健全運転状態と劣化運転状態を区別した。さらに、RUL予測のために混合畳み込みゲートリカレント(CGR)ニューラルネットワークを提案した。この手法は、異なる運転条件の複数の全寿命運転軸受データセットで検証された。結果は、分類器の平均F1スコアが約0.993に達し、信頼性指標は2.0を超え、健全状態を明確に識別できることを示している。提案したCGRネットワークは、RUL予測において高い回帰精度を持つ優れた性能を示した。このネットワークの有効性は、双方向長短期記憶循環ニューラルネットワーク、ゲート付き循環ユニット、因果拡張畳み込みに基づく残差密集ネットワークとチャネル注意機構の組み合わせ、およびTransformerを用いた時系列畳み込みネットワークなど、最先端の手法と比較評価された。総じて、結果は提案フレームワークが精度が高く計算効率が良く信頼性を考慮したRUL予測を実現し、回転機械のリアルタイム状態監視および予知保全応用に適していることを確認している。

故障予測;RUL予測の信頼性評価;振動信号処理;深層学習