シミュレーションに基づく推論を用いた高速なバベシアン機器の状態監視：熱交換器の健康状態への応用

arXiv:2604.20735v1 発表形式：新規 要約：産業機器の正確な状態監視には、不確実性の下で間接的なセンサー測定から潜在的不降解パラメータを推定することが求められています。マルコフ連鎖モンテカルロ法（MCMC）などの従来のバベシアンの手法は確実性の定量化を厳密に実行可能であっても、計算上のボトルネックの重さによりリアルタイムプロセス制御の実用化が困難です。この課題を克服するため、我々は複合失敗モードの診断に最適化されたアモルティッドニューラルポステリアル推定を駆使したシミュレーションに基づく推論（SBI）を有る AI 駆動の枠組みを提案しました。ニューラル密度推定器をシミュレートデータセットでトレーニングすることで、我々のアプローチは熱・流体観測から不降解パラメータの完全なポステリアル分布へ、直感的であり推論なしのマッピングを学習させます。同枠組みは、合成的な付着と漏洩シナリオを含む、低確率での希少事象の失敗を含む、様々な合成シナリオに対し、MCMC ベースラインとベンチマークしました。結果は、SBI が比較的な診断精度と信頼性の高い不確実性の定量化を実現しつつ、従来のサンプリングと比較して推論時間を82倍加速することを示しました。アモルティッドなニューラルネットワークにより、ほぼ即時の推論が可能となり、SBI は複雑なエンジニアリングシステムの確率的事故診断やデジタルツイン実現のための高度にスケーラブルなリアルタイムな代替手段となりました。

arXiv:2604.20735v1 Announce Type: new Abstract: Accurate condition monitoring of industrial equipment requires inferring latent degradation parameters from indirect sensor measurements under uncertainty. While traditional Bayesian methods like Markov Chain Monte Carlo (MCMC) provide rigorous uncertainty quantification, their heavy computational bottlenecks render them impractical for real-time process control. To overcome this limitation, we propose an AI-driven framework utilizing Simulation-Based Inference (SBI) powered by amortized neural posterior estimation to diagnose complex failure modes in heat exchangers. By training neural density estimators on a simulated dataset, our approach learns a direct, likelihood-free mapping from thermal-fluid observations to the full posterior distribution of degradation parameters. We benchmark this framework against an MCMC baseline across various synthetic fouling and leakage scenarios, including challenging low-probability, sparse-event failures. The results show that SBI achieves comparable diagnostic accuracy and reliable uncertainty quantification, while accelerating inference time by a factor of82$\times$ compared to traditional sampling. The amortized nature of the neural network enables near-instantaneous inference, establishing SBI as a highly scalable, real-time alternative for probabilistic fault diagnosis and digital twin realization in complex engineering systems.