2025 PHM Data Challenge では、参加者に商用ジェットエンジンの 2 つのコンポーネントがいつ整備を必要とするかを予測することが求められました。4 基のエンジンから数千回分のフライトにわたるセンサーデータを用いて、チームは 3 種類の整備イベントまであと何回フライトが残っているかを推定するモデルを作成しなければなりませんでした。対象となった整備イベントは、High Pressure Turbine（HPT）の工場整備、High Pressure Compressor（HPC）の工場整備、そして HPC のウォータウォッシュでした。

この 3 つの整備予測が加わったことで、今回の問題はこれまでの PHM Data Challengeよりもさらに複雑なものとなりました。データセットは意図的に現実的かつ扱いづらい内容となっており、欠損センサー、ノイズ、順番が入れ替わったフライトなどが含まれていました。さらに、予測が遅すぎる場合は重いペナルティが課されました。チームにとっては、汎用性の高いモデルを作り、データへの過学習を避けるという大きな課題がありました。

これは単なる “toy example” ではありませんでした。

今年のデータチャレンジで MathWorks が持っていた強みは、深いエンジニアリング分野の専門知識と、MATLAB における AI および予知保全ツールに関する知識の 2 つでした。

チームを率いたのは本記事の共同執筆者である Peeyush Pankaj で、彼の航空宇宙工学での経歴が、劣化パターンの解釈、ドメイン特有の実用的な特徴量の特定、そして現実的なエンジン挙動の理解においてチームを導きました。

続いて、MathWorks がどのようにしてこの課題に取り組んだのかを Peeyush が説明します。

今年の PHM Society Data Challenge が特に興味深かったのは、その“現実のエンジン予兆診断の複雑さ”を非常に忠実に再現していた点です。与えられた学習データはたった 4 基のエンジンのみで、それぞれに複数の故障関連イベントがあり、実際の運用機と同じように相互に影響し合っていました。テスト用エンジンは学習時には見られない運用環境で動作し、いくつかのセンサーは完全に欠損し、フライトごとのデータファイルは順序が乱れていました。

これは現場のアセットでは非常によくある状況です。モデルは限られた履歴データから学習しつつ、同じ形式・同じ型式のエンジンであっても、運用方法や経年劣化、整備間隔が異なるケースに対して汎化しなければなりません。このチャレンジは、その現実を非常にうまく捉えていました。

テストセットおよび検証セットでのセンサーチャンネル欠損に対処するため、主要な圧力と温度を再構成する仮想センサーモデルを構築しました。物理変数セットが揃った段階で、圧縮機効率の低下、タービン温度勾配の変化、エンジンコア全体の圧力比の減衰、そして一般に経年劣化を反映する複数の熱力学的ヘルスマーカーといった、ドメイン知識に基づく特徴量を導入しました。さらに、生データセットは 1 サイクルあたり最大 8 個（時にはそれ未満）のスナップショットで構成されていたため、すべてをサイクル単位の統計量に変換しました。これにより基礎となる物理を保ちつつ、スナップショットの不規則性に対処するのではなく、サイクルごとに劣化を分析できるようになりました。

大きなブレークスルーとなったのは、Predictive Maintenance Toolbox の Health Indicator Designer アプリを用いてグローバルなヘルス指標を構築したときでした。プロットすると、HPC のヘルス指標はウォータウォッシュ実施後に明確な回復上昇を示し、定期的な洗浄が圧縮機の健全性を回復させ、下流モジュールの寿命を延ばすという、現場運用での知見を正確に裏付けました。この洞察はモデリング戦略に影響を与え、HPT の工場整備（ショップビジット）予測にはニューラルネットワークを、HPC とウォータウォッシュの予測にはシーケンス・ツー・シーケンスの LSTM モデルを用いました。後者では、整備イベントが近いほど誤予測により厳しいペナルティを与えるカスタム損失関数を採用し、安全上重要なイベントに対する予測の遅れを防ぐのに寄与しました。さらに、MATLAB の Deep Network Designer と Experiment Manager  は、モデルアーキテクチャや学習戦略を一からすべてコード化することなく迅速に反復できるようにしてくれて、非常に有用でした。

テストセットでフライトファイルの順序が意図的に入れ替えられていたため、最終的に、予測されたヘルス指標の形状を照合してファイルを年代順に整列させる「プロファイルベースのレジストレーション手法」を導入しました。このステップにより、劣化の進行順序が物理的に一貫したまま保たれ、予測に対する信頼性が向上しました。

全体として、航空機エンジンに関するドメイン知識と MATLAB の生産性ツールを組み合わせることで、ノイズが多く一貫性のない生データから、物理に整合した予兆診断パイプラインを迅速に構築することができました。その結果、今年のコンペティションで 1 位を獲得することにつながりました。

チャレンジに参加したすべての皆さん、おめでとうございます。来年もお会いできることを楽しみにしています！