Discovery Sagaサイレントキーワード俯瞰

異常検知 / 故障診断 / 機械学習 / 人工衛星 / 宇宙機 / 次元削減 / 可視化 / データマイニング / 確率推論

人工衛星等の宇宙機システムの開発において、システムの異常を的確かつ迅速に発見し、その原因を同定する技術は宇宙開発にとって極めて重要なテーマである。本研究では、機械学習や確率的推論などの知能化技術を応用し、人工衛星等の運用データから異常パターンを検出し、運用者がその原因を推測する上で有用な情報を提供する技術を開発した。

宇宙機 / 人工衛星 / 異常検知 / 故障診断 / 機械学習 / 確率推論 / データマイニング

高度な異常検知・故障診断法の開発は、絶対的な安全性・信頼性を求められる宇宙システム研究において、最重要な課題の一つである。本研究の目的は、宇宙機運用データから故障診断知識を自動獲得し、事前専門家知識との融合によって網羅的かつ高精度な異常検知・診断を行ない、さらに暗黙的専門家知識を事後獲得することによって診断性能を改善する方法を確立することである。
本研究の第二年度であり最終年度でもある平成17年度は、前年度の研究成果を発展させ、主に以下の3つの研究を行った。
1.カーネル特徴空間を利用したテレメトリデータからの異常検知法の開発
超多次元の衛星テレメトリデータから異常な兆候を自動的に検知する新たな方法として、カーネル主成分分析と呼ばれる技術を応用し、システムの挙動の変化を非線形特徴空間における主軸の変化として捕捉する技術を開発した。
2.DBNを利用した専門家知識と運用データの融合による異常検知・診断法の開発
確率的推論手法であるDBN(動的ベイジアンネットワーク)を応用し、事前に得られるシステムモデルやルールなどの専門家知識と実運用から得られるテレメトリを融合して検知・診断モデルを構成する技術を開発した。
3.変化点検知に基づく多次元テレメトリ情報の可視化法の開発
運用技術者が超多次元時系列データである衛星テレメトリから疑わしい挙動を発見することを支援する新たなデータ可視化法として、忘却型自己回帰モデルを利用した変化点検知法に基づく技術を開発した。

宇宙機 / 人工衛星 / 異常検知 / データマイニング / 機械学習 / 情報可視化 / 異常検出

前年度の成果を引き継ぎ、本年度も、人工衛星の膨大な時系列運用データの中からシステム異常を早期発見する上で重要なパターンを抽出し、効果的に人間(専門家)に提示するためのデータマイニング手法の研究を行った。特に本年度は、新たな手法として「回帰木学習による適応的リミット値監視法」を提案し、その有効性を示した。
リミット値監視法は、従来の宇宙機健康状態監視において最も基礎的、かつ、広範に用いられている手法であるが、一般に、(1)事前に人手によって適切なリミット値を設定しなければならず、設定された値は運用期間全体を通して固定される、(2)誤警報を減らすために大きなマージンを設定することが多く、また、システムコンポーネント間の依存関係を考慮しない、などの限界があるため、きめ細かい監視には不向きで、システムの異常の兆候を早期に捕捉することが極めて困難であった。
これに対して本研究に、機械学習・データマイニングの一手法である回帰木学習法を宇宙機テレメトリデータの多次元時系列データに応用することにより、対象となるセンサー値時系列データの範囲(上限・下限)を、他の関連シンボル値時系列との依存関係に基づいて適切に予測する方法を確立した。この提案手法により、宇宙機システムの稼働状態の健全性や異常値の発生を、従来手法と比べて非常にきめ細かく監視することが可能になった。
上記の成果は国際学会等で発表されており、また、学術論文誌にも投稿予定である。