パイプライン構造健全性監視における漏れ診断のための多スケールエントロピーと教師付き多様体マッピング

複雑な深層学習アーキテクチャに依存せず、最小限の信号データで信頼性の高い漏れ状態識別を実現する軽量かつ高い識別能力を持つ診断フレームワークを確立するために、本論文では多スケール情報エントロピー（MIE）と角度距離ベースの教師付き多様体マッピング（SMM）を統合した新しいアプローチを提案する。主な目的は、特に短時間信号に対して高次元の音響特徴の分離性を向上させることである。この手法は二段階で動作し、MIEは複数の時間スケールにわたるエントロピー特徴を抽出してスケール間の信号の複雑さを捉え、SMMはクラス内の凝集性とクラス間の分離性を協調的に最適化し、特徴を差別力を最大化した低次元空間に射影する。この相乗効果により、既存手法におけるスケール間情報捕捉不足とモデル過剰複雑化の問題を直接的に解決する。提案手法の検証のため、リークなし（0 mm）および様々なリーク開口（1–6 mm）条件下でパイプライン漏れ実験を実施した。信号時間長が1秒と短い場合でもベイズ分類器を用いて、提案手法を複数の次元削減技術と比較評価した。結果は三次元のSMM空間において漏れと非漏れサンプルが明確に分離され、複雑な分類器を用いずに直感的な可視化による診断を可能とすることを示している。本手法は1秒信号でも安定した診断性能を維持し、限られたデータから意味のある特徴を抽出できる能力を証明し、試験した全条件で平均認識精度が一貫して90%以上を達成し、他の手法よりも優れている。本研究は、特に非常に短い信号区間から信頼性の高い診断を要するデータ制約のあるシナリオに適した、効率的で解釈可能かつ高性能なパイプライン漏れ診断ソリューションを提供する。