2022 Fiscal Year Research-status Report
機械学習による高精度故障検出システムを用いるアクティブ型耐故障制御に関する研究
| Project/Area Number |
20K04537
|
|---|
| Research Institution | Kumamoto University |
|---|
Principal Investigator |
國松 禎明 熊本大学, 大学院先端科学研究部(工), 助教 (30379309)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
水本 郁朗 熊本大学, 大学院先端科学研究部(工), 教授 (30239256)
|
|---|
| Project Period (FY) |
2020-04-01 – 2024-03-31
|
| Keywords | 耐故障制御 / 故障検出 / 深層学習 |
|---|
| Outline of Annual Research Achievements |
令和4年度における研究実績の概要は以下のとおりである．
1) これまで深層学習を用いて1組の入出力データから伝達関数のパラメータ推定を行ってきたが，多層ニューラルネットワークならではの特徴として，多項式表現と振動型表現を同時に推定するパラメータ推定手法を提案した．同時に推定することによって，それぞれの不得意な信号に対しても安定してパラメータ推定ができるようになった．
2) これまで消耗部品の故障なども想定し，深層学習による故障箇所推定を行ってきたが，2次系の伝達関数でしか明確な故障箇所推定を行えていなかった．令和4年度では4次系の伝達関数に対しても深層学習を利用して瞬時に故障箇所推定をある程度行えるようになった．これは上記1)の多項式・振動型の同時推定手法を用いることによって，今までは難しかった物理的な異常に対するパラメータ変動もある程度推定することができるようになったためであり，故障箇所推定の可能性が広がった．
3) 故障に伴う制御性能の劣化に対して，フィードフォワード制御器を切り替えることで性能劣化を防ぐ枠組みを構築してきた．切り替えるフィードフォワード制御器の設計にRBFニューラルネットワークによる手法を採用して，色々な状況を想定した制御手法の開発を行った．
4）令和3年度に作製した車両連結システムを活用して，定期的な切り替え制御と故障検出による突発的な切り替え制御を実現する耐故障制御の高度化に向けた実験を行った．
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
以下の進捗状況から，研究はやや遅れていると考えている．
令和3年度で研究予定であった故障の誤検出に対するロバスト性について，誤検出の枠組みを適切に設定できなかっため，誤検出のロバスト性を検証するまでには至らなかった．誤検出に対するロバスト性も重要な研究テーマであると考えており，今後挽回する予定である．
上記以外に関しては以下の点から順調に進展していると考えている．
深層学習を用いるパラメータ推定法は学習結果を得るまでは非常に多くの時間がかかるが，一旦学習を終えると瞬時にパラメータ推定可能である．そのため，リアルタイムでも使用可能であるため，4次までのシステムならば故障や異常の判断をある程度オンラインで可能ではないかと考えられる．
|
| Strategy for Future Research Activity |
令和5年度では，以下の研究を中心に推進していく予定である．
1）現在までの進捗状況でも述べたように，故障の誤検出に対するロバスト性の検証が不十分であるため，誤検出の枠組みを適切に設定する．また，故障の誤検出があったとしても，制御系が不安定とならないような仕組みを検討する．
2) 深層学習による故障箇所推定を行ってきたが，制御系全体に対する検討が十分ではなかったため，制御系全体に対して故障箇所推定が実現するように改良を進める．
3）保有する車両連結システムを活用して，故障検出と切り替え制御の実用化に向けたさらなる実験を行い，提案手法の実用面からみた改良を行う．
|
| Causes of Carryover |
（理由）今年度ほぼ計画通り使用したが，コロナの影響等で残っていた前年度までの残額分が多かったため．
（使用計画）深層学習の規模が大きくなっており，計算時間が想定以上にかかっている．このため，計算時間を減少させるため，計算機やソフトウェアを購入する予定である．
|
