要旨
船舶ディーゼル機関の運用・保守における故障診断は、物理的妥当性と識別精度の両立が求められる。モデル駆動型手法は物理的意味が明確である一方、高度に非線形なシステムの構築が難しい。データ駆動型手法は高い識別性能を示すが、基礎物理の表現が乏しいためブラックボックスと見なされがちである。本稿は、Measurement誌で提案された熱力学シミュレーション支援ランダムフォレスト（Thermodynamic Simulation-assisted Random Forest, TSRF）枠組みを整理し、熱力学的制約と特徴量説明により汎化性能と説明可能性を高める点を強調する。
1 研究背景と課題
船舶ディーゼル機関の運用・保守では、従来の診断手法に長所と限界がある。
- モデル駆動型手法は物理的意味が明確だが、高度に非線形な複雑系ではモデル化が難しく柔軟性に欠ける。
- データ駆動型手法は高い識別能力を示すが、基礎物理の表現が不足し、ブラックボックスとして受け止められやすく、現場の信頼を得にくい。
これらの課題に対し、Measurement誌の論文は熱力学機構を用いてモデルの汎化性能と説明性を強化するTSRFのハイブリッド枠組みを提案している。
2 手法と全体構成
TSRFは、物理機構から知能診断への融合を次の4段階で実現する。
- 物理モデルの構築と校正：実船のDCMモジュールで取得した運転データに基づき、一次元熱力学シミュレーションモデルを構築・校正し、実機条件との整合を確保する。
- 故障特徴の抽出：パラメータ微調整により仮想環境で5種類の燃焼室故障を再現し、実運用では大量取得が難しいシミュレーションサンプルを得る。
- 特徴量の知的選択：14個の熱力学指標をTree SHAPで定量評価し、冗長変数を削減して故障状態に最も敏感な8個の中核特徴を抽出する。
-
知能診断と可視化説明：ランダムフォレストで高精度分類を行い、SHAPの可視化により特徴量の重要度と物理機構を関連付けて説明する。
図 1 熱力学シミュレーション支援ランダムフォレストの全体枠組み（概念図）
3 故障機構のモデル化
著者らは一次元の熱力学シミュレーションモデルを構築し、DCMモジュールの実機データでパラメータを校正した。
図 2 一次元ディーゼル機関モデル（概念図）
図 3 DCMモジュール（概念図）
パラメータ微調整法により、以下の5種類の典型故障を再現した。
| 故障種別 | 物理機構 | モデル化の実装 |
|---|---|---|
| F1：シリンダヘッド亀裂 | 熱伝導の阻害 | シリンダヘッド表面温度を346 Cに上昇 |
| F2：ピストン焼損 | 材料欠損とシール不良 | ピストン温度上昇 + 軽微なブローバイ |
| F3：シリンダライナ摩耗 | 摩耗によるシリンダ径拡大 | シリンダ径拡大 + 大量ブローバイ |
| F4：ピストンリング摩耗 | ガス漏えい | ブローバイ質量流量を調整 |
| F5：ピストンリング固着 | 摩擦増大とシール不良 | シリンダ径変化 + ライナ温度上昇 + ブローバイ |
この方法は微視的材料特性の複雑な解析を避け、巨視的な熱力学パラメータ変化によりサンプル取得効率を高める。
4 Tree SHAPに基づく特徴量選択
監視パラメータはすべてが同等の診断価値を持つわけではない。Tree SHAPにより14個の熱力学指標の寄与度を評価した結果、過給機後排気温度、ライナ壁面熱流、漏えい熱流など8個の中核パラメータを用いたモデルは、低い計算複雑度を保ちながら平均診断精度99.07%を達成した。
5 説明可能性分析
TSRFは局所から全体まで二次元の可視化分析を提供する。
- 局所説明：ウォーターフォールプロットで、特定故障サンプルにおける各パラメータの予測への影響を示す。
-
全体説明：ビーズウォームプロットと依存関係プロットで特徴量間の相互作用（例：P11とP12の正の相関）を示し、物理法則との整合性を検証する。
図 4 (a)ウォーターフォールプロット；(b)ビーズウォームプロット（概念図）
6 実験観察と結果
TSRFの優位性を検証するため、KNNやSVMなどの従来手法と比較実験を行った。
6.1 診断精度
原始データセットとSHAPで最適化したサブセットを比較すると、各モデルの診断性能は向上した。特にランダムフォレストは最適サブセットで平均診断精度99.07%と最良の結果を示した。
図 5 混同行列：(a)-(c)は原始データセットにおけるKNN、SVM、RF、(d)-(f)は最適サブセットにおける混同行列（概念図）
混同行列から、RFは正常状態（F0）および複雑故障（例：F1シリンダヘッド亀裂）で低い誤差を示す。ピストンリング関連故障（F4とF5）には軽微な重なりが残るが、物理特性の類似性を考慮すれば妥当である。
6.2 分類安定性
Precision-Recall曲線では、TSRF下の各故障カテゴリ曲線が右上に寄り、AUCが1.0に近い。これはクラス不均衡やノイズに対する高いロバスト性を示す。
図 6 Precision-Recall曲線：(a)-(c)は原始データセット、(d)-(f)は最適サブセットの曲線（概念図）
7 結論と展望
TSRFは熱力学シミュレーションとランダムフォレストを統合し、SHAPによる説明機構を導入することで、高い診断精度と説明可能性を両立した。船舶ディーゼル機関燃焼室部品の故障診断に対して再現性と検証性のある物理的根拠を提供し、工学的な展開可能性が高い。今後は故障種類の拡張やオンライン診断シナリオへの適用により、汎化性能とリアルタイム性の向上が期待される。