従来のニューラルネットワークが多次元データの高解像度特徴認識および高精度信号抽出における欠点を踏まえ、残差自己注意機構に基づく残存使用寿命（RUL）予測アルゴリズムの研究を行った。畳み込みニューラルネットワーク（CNN）と長短期記憶ニューラルネットワーク（LSTM）の構造的特性を比較分析し、両者が長い系列情報特徴の関連付け能力と局所特徴抽出能力における限界を明らかにした。自己注意機構を研究し、誤差関数の逆伝播における拡散性を抑制するために二層の残差ネットワークを導入し、それにより畳み込み記憶残差自己注意機構に基づいた深層学習手法を構築した。上記手法に基づき、代表的な航空用ターボファンエンジンの劣化実験データセットを用いたシミュレーション解析を行い、結果は提案手法が監視データとエンジンの健康状態との関係を効果的に構築できることを示した。主要評価指標である残存使用寿命予測の平均二乗誤差は225であり、従来の自己注意機構と比較して17.9%減少し、本手法の実現可能性と有効性を検証した。

残差自己注意機構;ニューラルネットワーク;残存使用寿命;航空エンジン