サーボモーターからの多センサーテレメトリーデータ(電流、電圧、温度、湿度、振動)は、教師なし構造クラスタリング、隔離に基づく異常検出、物理学に基づくリスクマッピングを用いて処理されます。このフレームワークは、決定論的な二進の疑似ラベルと非常に高精度なリアルタイム診断状態を出力し、状態モニタリングに用いられます。
このコンテンツを表示するには、JoVEへの購読が必要です。 または、無料トライアルをお申し込みください。
この記事について
サマリー
要約
予測保全がIndustry 4.0のデータ中心パラダイムから、持続可能で人間中心のフレームワークであるIndustry 5.0へと移行する中で、サーボモーターの状態の診断はデータの不足とラベル付き故障サンプルの深刻な不足という二重の課題に直面しています。このコールドスタート問題に対処するため、199のサーボモーターテレメトリーサンプル(電流、電圧、温度、湿度、振動)からなるカスタム5チャンネルデータセットで評価された擬似教師あり機械学習フレームワークを提示します。この手法は、ハード構造分割(k平均)とソフトな後置信頼推定(ガウス混合モデル)を統合し、事前注釈なしで動作モードを特徴づけます。同時に、アイソレーションフォレストモデルは異常強度を定量化し、動的な分位数ベースの閾値を確立します。この研究の重要な革新は、工学的事前予測から導き出された決定論的リスクマッピングです。センサーの物理的安全余裕を逆に重み付けすることで、「高リスク」(異常)状態を定義します。この仕組みは教師なしクラスタを二値擬似ラベルに厳密にマッピングします。これらのラベルは、その後、下流の判別器(ランダムフォレストやサポートベクターマシン)の監督に使用されます。最終的なオンライン診断は、分類器確率とGMM事後評価のスコアレベルの融合を出力し、異常閾値によって制限されます。定量的評価により、ランダムフォレストモデルは完璧なF1スコア1.000を達成し、比較SVMは0.997のF1スコアを得たことが示されており、このフレームワークがコールドスタート産業健康監視において堅牢で解釈可能かつ高精度なソリューションであることが証明されました。
概要
サーボモーター制御システムの信頼性は、産業オートメーションにおいて歴史的に重要な性能指標でした。インダストリー4.0のデータ中心パラダイムから、持続可能で人間中心のフレームワークであるインダストリー5.0へと進化する中で、システムは高い精度を確保しつつ、エネルギー効率と運用レジリエンスを積極的に推進しなければなりません 1,2,3。過酷な環境下での長期イオン処理中に発生する断層は、壊滅的な機器停止、深刻な構造的損傷、そして重大な経済的損失を引き起こす可能性があります。その結果、初期の故障の早期診断は贅沢から中核的な要件へと移行しました。堅牢な状態評価を実現するために、現代の産業システムはますますマルチセンサー技術に依存しています。電流、電圧、温度、振動など多様な信号モダリティを同時に取得することで、エンジニアはモーターの健康状態を包括的かつ高次元的に把握することができます7,8。マルチソースセンサーデータの融合により、単一センサーアプローチと比べて診断システムの堅牢性と精度が大幅に向上します 9,10。
センサー融合や機械学習の進歩にもかかわらず、実際の導入における重要なボトルネックは依然として残っています。それが「コールドスタート」の課題です。典型的な生産環境では、機械はライフサイクルの大部分を通常通りに動作するため、健康なサンプルが故障したサンプルを圧倒的に上回る極端なクラスバランスが生じます。標準的な教師ありディープラーニングモデルは、効果的に収束するために大量でバランスの取れた、正確に注釈付きのデータセットを必要とします11,12。ラベルが全く入手困難または入手困難な場合、これらの監督型パラダイムは13を分解します。したがって、本研究で取り上げる根本的な問題は、ラベル付けされていないマルチセンサーモーターデータを、手動でラベル付けされた訓練データを必要としない信頼性の高い二値診断警告信号に変換することです。
データ希少性の課題に対応して、最近の研究は教師なし異常検出技術へと方向転換しています。一般的なアプローチには、ワンクラスサポートベクトルマシン(OC-SVM)、ディープオートエンコーダ、直接アイソレーションベースの異常スコアリング14があります。これらの手法は統計的偏差を効果的にフラグ付けしますが、運動障害診断に直接適用するには大きな制約があります。OC-SVMは動的産業用負荷の非定常特性に非常に敏感で、しばしば高い偽陽性率を生み出します。オートエンコーダは再構成誤差を最小化する能力は高いものの、解釈不能なブラックボックスとして機能します。彼らは数学的な再構築損失を、実行可能な物理的障害カテゴリー16に変換するのに苦労しています。さらに、標準的な孤立森林17のような直接的な異常スコアリング手法は、単にサンプルが統計的外れ値であることを示すだけです。彼らは工学的現実に根ざした「動作状態」と「失敗状態」の間に決定論的な決定的境界を確立できていません。本質的に、これらのアプローチは教師なしのデータクラスターを明示的な診断ラベルにマッピングする意味的な橋渡しを欠いています。
この方法論的なギャップを埋めるために、本研究は統一された擬似教師あり機械学習フレームワークを提案します。提案されたワークフローの設計ロジックは、単独の異常検出器とは根本的に異なります。単一のグローバル再構成誤差や境界に依存するのではなく、パイプラインはまず教師なしのハード・ソフトクラスタリング(k-meansおよびガウス混合モデル)を用いてマルチセンサー特徴空間を分割し、異なる運用モードを特定します。その後、任意のラベルを割り当てる代わりに、確立された工学的事前条件(すなわち振動と温度の物理的安全圏)に基づいて決定論的リスクマッピング関数を構築します。この物理的マッピングはヒューリスティックなアンカーとして機能し、教師なしクラスタに自動的に二値の擬似ラベル(「動作中」または「失敗中」)を割り当てます。これらの物理学に基づく擬似ラベルは、教師あり判別子(ランダムフォレストやSVM)を学習し、複雑で非線形な境界を学習させるために利用されます。同時に、アイソレーションフォレストは独立した異常ゲートとして機能し、確立されたクラスターに属さない極端なアウトライヤーをフィルタリングします。この統合パイプラインは非常に有利であり、教師あり学習の識別力を活用しつつ、教師なしクラスタリングのラベルフリー自律性を維持しています。
この研究の主な科学的目的は、厳格なコールドスタート制約下で動作可能な自動状態監視システムの開発です。私たちは、教師ありなし構造クラスタリングと工学的事前制御による擬似ラベリング機構を組み合わせることで、手動注釈データ上で訓練されたモデルと同等の診断性能を持つ教師あり分類境界が得られるという仮説を明示的に検証します。この半教師ありフレームワークをカスタムのマルチセンサーサーボモーターデータセットで検証することで、本研究は古典的特徴解釈性と異常ゲージングを統合することで、ラベル付きトレーニングデータなしで高精度な故障分類が可能となり、現場技術者の認知的負担を軽減し、Industry 5.0の協働精神を推進することを示しました。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
プロトコル
1. 実験セットアップとデータ前処理
注:本研究で提案されたデータ処理およびモデリングフレームワークは、標準的なオープンソースライブラリを用いた高水準プログラミング言語で開発されたカスタムスクリプトを通じて実装され、数値計算および機械学習のための標準的なオープンソースライブラリを活用しました。この実験的検証は、マルチコアプロセッサとディスクリートグラフィックス処理ユニット(GPU)を搭載した高性能計算ワークステーション上で行われました。すべてのソフトウェア環境、計算ハードウェア、センサーコンポーネントに関する具体的な詳細は 、材料表に記載されています。提案されたフレームワークの概観は、オフラインの教師なし学習からオンラインの二重閾値決定プロセスへのデータフローを示し、 図1に示しています。このデータセットは、サーボモーターが様々な負荷条件下で動作しながら、現実的な現場環境をシミュレートするために収集された、瞬時の生データではなく、203の集計された時間窓サンプルで構成されています。
- センサーノードを戦略的に展開する。
- モーターケースに振動加速度計を搭載し、電流、電圧、温度のプローブを駆動回路に統合しました。
- すべてのセンサー信号を、10kHzのサンプリング周波数で集中型データ取得(DAQ)ボードを介して同期します。
- 標準的なキャリブレーション手順とデジタルローパスフィルタリングを適用し、特徴抽出前に高周波電磁ノイズを除去します。
- 203サンプルそれぞれの1秒間の測定サイクルから統計的要約(例:平均または平方根)を抽出します。これら5つの特定の変数—電流(A)、電圧(V)、温度(°C)、湿度(%)、振動(mm/s2または g)—は意図的に選ばれました。
- 欠損(NaN)を含むレコードを削除してモデリングの安定性を確保し、199件の有効なサンプルからなる洗練されたデータセットを構築します。
- 各サンプル
に対して各センサーチャネル
にZスコア正規化を適用し、距離ベースの構造学習アルゴリズムに不可欠なスケールの差を除去します。
(1)
ここで xij は生の値を表し、μj は特徴 j の平均、 σj は標準偏差を表します。 - 正規化された行列をXs として保存し、その後のすべての処理ステップに用いられます。
注:主成分解析(PCA)は、Xs を二次元埋め込み行列
に投影する視覚化のみに使用され、下流モデルへの入力にはなりませんでした。
2. 教師なし構造学習
- 候補Kの値(2から10の範囲)を評価して最適なクラスタ数(K*)を決定します。
- クラスター内平方和(WCSS)を計算してエルボー曲線を生成します(図3):
(2) - 構造の凝集性と分離を評価するために、各Kのシルエット係数S(I)を同時に計算します(図4):
(3) - 最大平均シルエットスコア(例:K*=2)で最適なクラスタ数を確立します。
- xsにk-平均アルゴリズムを適用し、WCSSを最小化してc μ重心と各サンプルのハードクラスタラベル
を得る。 - 条件境界の本質的な不確実性を捉えるために 、K*成分を用いたガウス混合モデル(GMM)を訓練します。
- パラメータを推定した後、各サンプルの後方確率
を計算し、軟 
信頼度指標として最大後方確率を抽出します。
(4)
3. 異常モデリングと動的閾値化
- X秒 単位で孤立森林モデルを訓練し、主要なクラスター構造から逸脱する外れ値を特定します。
- 期待経路長E[h(z)]に基づき、0から1までの異常スコアsを計算します。
(5) - カーネル密度推定(KDE)を用いて異常スコア(s if)分布を解析的にモデル化することで、静的異常閾値τanom を求めます。
- 分位数を数学的に導き出し、通常の運用分散の90%信頼区間を上限にします。
注:このデータセットでは、決定論的閾値がτanom = 0.592となり、s(z) > 0.592のサンプルは異常としてフラグが立てられました。 - 最新の N個のテレメトリーサンプルをカバーするスライドウィンドウを設定し、異常スコア分布を定期的に再計算します。
- 指数加重移動平均(EWMA)を用いて閾値を動的に更新します:
であり、αが忘却因子、Yが現在の操作ウィンドウから導出される分位体です。
4. リスクマッピングによる疑似ラベル生成
- 各サンプルのリスクスコア ri を正規化された特徴の線形結合として計算し、意味的なギャップを埋めます。
(6) - 各クラスター重心に対して、正規化特徴平均の重み付き線形結合を適用してリスクスコア Rを定義します。
- 各重量(wj)の特定の値を、対応するセンサーチャネルの物理的安全マージンの逆数として計算します。
- これらの逆マージンを以下の式で正規化します。 ここでvj はチャネル の逆安全マージンを表します。
(7)
\mu_r()g\max_cm - クラスターリスクスコアとアイソレーションフォレスト異常の中央値スコアとの間に正のスピアマンランク相関(
)を確保することで、初期化された重みを検証します。 - 各k-meansクラスターの平均リスクスコア
を計算します。 - 最大平均リスクを示すクラスターを故障モードとして特定します:
。 - すべてのサンプルに対してバイナリ擬似ラベル ysuper を生成し、高リスククラスタに 0(失敗)、そうでなければ 1(動作中)を割り当てます:
(8)
5. 監督付き分類器トレーニングとオンライン融合
- モデル性能を厳密に評価し、情報漏洩を防ぐために5段階のクロスバリデーションスキームを実装します。
- 疑似ラベリングパイプライン全体を各折り目のトレーニングスプットに厳密に限定します。
- トレーニングフォールドからのみ学習したパラメータのみを用いて、孤立した検証分割を変換します。
- Xsを特徴として、動的に生成されたyスーパー をターゲットとしてランダムフォレスト(RF)分類器を訓練します。モデルは労働者階級の確率推定値を prf(z) と表します。
- RBFカーネルを搭載したサポートベクトルマシン(SVM)を訓練し、比較検証器として意思決定関数の値 f(z)を生成します。
- オンライン推論フェーズ中にスコアレベルの融合メカニズムを展開します。
- 新たに取得したサンプル
に対して、教師ありRF確率と教師なしGMM信頼度を組み合わせて融合スコアs(z)を合成します。
(9) - 最終状態を二重しきい値論理で分類します。状態が「動作中」と分類されるのは、
かつ 
であることと同値です。
(.
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
結果
提案されたフレームワークは、自己収集したマルチセンサーデータセットを用いて検証されました。不完全な記録を除去した後、最終データセットは199件の有効な集計時間窓サンプルで構成されました。システム環境とアルゴリズムパラメータは 表1に詳細に記載されています。
特徴相関とデータセットの構成
モデリング前にセンサーチャネルの冗長性と補完性を評価するために、特徴相関解析が実施されました。ピアソン相関ヒートマップ(図2)に示されているように、チャネルは一般的に弱い相関(例:電流と電圧は-0.06)を示し、温度と振動の間に約0.22の顕著な正の相関が存在します。これにより、選ばれたセンサーが多様で補完的な物理的シグネチャーを提供し、多重共線性リスクを効果的に軽減することが確認されます。データセットの構成に関しては、教師なしの構造的分割は199サンプルを操作分散に基づいて本質的に分割しました。k-...
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
ディスカッション
このプロトコルは、ラベル付きデータが存在しないコールドスタートシナリオにおける運動状態の特定のための堅牢な方法論を提供します。教師ありなし構造学習と擬教師あり分類を統合することで、この手法は人間の注釈に大きく依存する従来の教師あり学習の限界を克服します。このプロトコルの重要なステップはクラスタ数(K)の選択です。エルボー法とシルエット法(図3および図4)はこのデータセットで明確にK = 2を示しましたが、実際のデータは境界がより曖昧でない場合もあります。最適Kが曖昧な場合は、GMMの事後確率を調べることが推奨されます。多くのサンプルで高い不確実性(低いpのGMM)は、クラスタ数の...
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
開示事項
著者たちは何も明かすことはありません。
謝辞
実験プラットフォームと計算資源を提供してくださった湖北水資源技術学院に感謝します。この研究は産業自動化部門の研究基金によって支援されました。また、データ取得やセンサーキャリブレーションに協力したラボスタッフの貢献にも感謝いたします。
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。
材料
| 名前 | 会社 | カタログ番号 | コメント |
|---|---|---|---|
| カテゴリー | コンポーネントとバージョン | ||
| オペレーティングシステム | Windows 11 Professional 23H2 | ||
| プロセッサ | Intel Core i9-14900HX | ||
| メモリ | 32 GB | ||
| グラフィックプロセッサ | NVIDIA GeForce RTX 4070 Laptop GPU (8 GB) | ||
| Python | 3.12 | ||
| NumPy | 1.26 | ||
| pandas | 2.2 | ||
| scikit-learn | 1.5 | ||
| Matplotlib | 3.8 | ||
| Seaborn | 0.13 | ||
| ランダムシード |
参考文献
- Achouch, M. On predictive maintenance in Industry 4.0: overview, models, and challenges. Appl Sci. 12 (16), 8081 (2022).
- Wu, M. An intelligent predictive maintenance system based on random forest for addressing industrial conveyor belt challenges. Front Mech Eng. 10, 1383202 (2024).
- Zhang, B., Li, H., Kong, W., Fu, M., Ma, J. Early-stage fault diagnosis of motor bearing based on kurtosis weighting and fusion of current–vibration signals. Sensors. 24 (11), 3373 (2024).
- Luo, J., Zhu, L., Li, Q., Liu, D., Chen, M. Imbalanced fault diagnosis of rotating machinery based on deep generative adversarial networks with gradient penalty. Processes. 9 (10), 1751 (2021).
- Aradi, A., Varga, A. K. Servo motor predictive maintenance by Kafka Streams and deep learning based on acoustic data. Eng Proc. 113 (1), 1 (2025).
- Thomas, K. Comprehensive fault diagnosis of three-phase induction motors using synchronized multi-sensor data collection. Sci Data. 12 (1), 1468 (2025).
- Qiu, S. Deep learning techniques in intelligent fault diagnosis and prognosis for industrial systems: a review. Sensors. 23 (3), 1305 (2023).
- Long, Q., Li, B., Chen, L. CNN-based feature fusion motor fault diagnosis. Electronics. 11 (17), 2746 (2022).
- Kullu, O., Cinar, E. A deep-learning-based multi-modal sensor fusion approach for the detection of equipment faults. Machines. 10 (11), 1105 (2022).
- Zhao, J., Wang, W., Huang, J., Ma, X. A comprehensive review of deep learning-based fault diagnosis approaches for rolling bearings: advancements and challenges. AIP Adv. 15 (2), (2025).
- Wang, H., Wang, H., Tang, X. A review of deep learning in rotating machinery fault diagnosis and its prospects for port applications. Appl Sci. 15 (21), 11303 (2025).
- Choi, Y., Joe, I. Motor fault diagnosis and detection with convolutional autoencoder (CAE) based on analysis of electrical energy data. Electronics. 13 (19), 3946 (2024).
- Cheng, X. A bearing fault diagnosis method in scenarios of imbalanced samples and insufficient labeled samples. Appl Sci. 14 (19), 8582 (2024).
- Velásquez, D. A hybrid machine-learning ensemble for anomaly detection in real-time Industry 4.0 systems. IEEE Access. 10, 72024-72036 (2022).
- Principi, E., Rossetti, D., Squartini, S., Piazza, F. Unsupervised electric motor fault detection by using deep autoencoders. IEEE/CAA J Autom Sin. 6 (2), 441-451 (2019).
- Hiruta, T., Maki, K., Kato, T., Umeda, Y. Unsupervised learning based diagnosis model for anomaly detection of motor bearing with current data. Procedia CIRP. 98, 336-341 (2021).
- Brito, L. C., Susto, G. A., Brito, J. N., Duarte, M. A. V. An explainable artificial intelligence approach for unsupervised fault detection and diagnosis in rotating machinery. Mech Syst Signal Process. 163, 108105 (2022).
- Nie, G. A novel study on a generalized model based on self-supervised learning and sparse filtering for intelligent bearing fault diagnosis. Sensors. 23 (4), 1858 (2023).
- Cheng, C., Liu, X., Zhou, B., Yuan, Y. Intelligent fault diagnosis with noisy labels via semisupervised learning on industrial time series. IEEE Trans Ind Inform. 19 (6), 7724-7732 (2023).
- Onumanyi, A. J., Molokomme, D. N., Isaac, S. J., Abu-Mahfouz, A. M. Autoelbow: an automatic elbow detection method for estimating the number of clusters in a dataset. Appl Sci. 12 (15), 7515 (2022).
- Ding, X. An edge intelligent method for bearing fault diagnosis based on a parameter transplantation convolutional neural network. Electronics. 12 (8), 1816 (2023).
- Zhou, Z. A deployment method for motor fault diagnosis application based on edge intelligence. Sensors. 25 (1), 9 (2025).
- Liu, L. A novel edge intelligence application model with lightweight network and antinoise ability for bearing fault diagnosis. Struct Health Monit. , 14759217251329165 (2025).
- Kfir, T., Tuvyahu, S., Moshe, B. B., Anidjar, O. H. Real-time detection of acoustic anomalies in drone servo motors using edge-based machine learning. Mach Learn Appl. 22, 100755 (2025).
- Jiao, X., Zhang, J., Cao, J. A bearing fault diagnosis method based on dual-stream hybrid-domain adaptation. Sensors. 25 (12), 3686 (2025).
- Zhao, X. A novel intelligent multicross domain fault diagnosis of servo motor-bearing system based on domain generalized graph convolution autoencoder. Struct Health Monit. 24 (3), 1485-1499 (2025).
アクセスが制限されています。このコンテンツを表示するにはログインするか、トライアルを開始してください。