航空機故障診断にマルチフィデリティデジタルツインとLLMを組み合わせた新手法
要約
本研究は、汎用航空機の故障診断における実故障データの不足、多様な故障タイプ、弱い故障シグニチャという課題に対し、マルチフィデリティデジタルツインと大規模言語モデル（LLM）を統合した知能故障診断フレームワークを提案している。システムは4つのモジュールで構成される：JSBSim 6自由度飛行力学エンジンによる高精度シミュレーション、FMEA（故障モード・影響解析）駆動の故障注入、マルチフィデリティ残差特徴抽出、LLM強化による解釈可能レポート生成。デジタルツインは半経験的センサー合成方程式を通じて23チャンネルのエンジンヘルスモニタリングデータを生成し、FMEAベースの3層故障注入エンジンが19種類のエンジン故障タイプの物理的因果伝播をモデル化する。ペアードミラー残差とGRUサロゲート予測残差からなるマルチフィデリティ残差計算フレームワークを提案し、高精度パスでは同一初期条件の正常ミラー軌道を用いてクリーンな故障偏差信号を取得、低精度パスではマルチステップ予測GRUサロゲートモデルによるオンラインリアルタイム残差計算を実現する。1D-CNN分類器が20故障クラスのエンドツーエンド診断を行い、FMEA知識で強化されたLLM診断レポートエンジンが分類結果、残差証拠、ドメイン因果知識を融合して解釈可能な自然言語レポートを生成する。
洞察・気づき
この研究は、AI技術と従来の工学的手法（FMEA）を巧みに組み合わせることで、データ不足という現実的な制約下でも高精度な故障診断システムを実現できることを示している。特に注目すべきは、デジタルツインによるシミュレーションデータ生成とLLMによる解釈可能性の両立である。実験結果では残差特徴品質が分類器アーキテクチャより約5倍重要であることが示され、「残差品質第一」という設計原則が確立された。これは機械学習システム設計において、アルゴリズムの選択よりもデータの前処理と特徴抽出の品質が決定的に重要であることを示唆している。また、GRUサロゲートスキームにより4.3倍の高速化を0.6%の性能コストで実現したことは、リアルタイム診断システムの実用化に向けた重要な成果である。この手法は航空機以外の複雑システムの故障診断にも応用可能であり、製造業、自動車、エネルギーシステムなど幅広い分野でのAI活用の新たな方向性を示している。