飛行試験データに基づくAI異常検知の必要性
航空機の製造過程では、さまざまな飛行試験が行われますが、実際の飛行環境で試験を実施する場合、予期せぬ状況によって危険が生じる可能性があります。
このリスクを軽減するために、実際の飛行に近い環境や条件を地上で再現し、安全かつ多様な状況を繰り返し再現できる統合飛行試験シミュレーターが使用されています。このような環境から得られるデータは、航空機運航中の正常／異常状態を判断できるAIモデルの学習に最適な基盤を提供します。
このデータを活用した飛行試験データベースAIシステムは、既知の異常状態を検知するだけでなく、異常の発生要因を直感的に把握できる寄与度に基づいた分析も可能である必要があります。
さらに、未知の異常（Unknown anomaly）までも検知できる体系へと拡張していくことが求められています。
Unknown anomalyへの対応力の確保と MLOps 環境の構築
Transformerベースの時系列分類モデルを活用し、「Normal（正常）」「Warning（警告）」「Dangerous（危険）」「Fail（故障）」といった飛行状態を区間ごとに予測しました。OpenMax手法を導入し、学習データに含まれていない未知の異常（Unknown anomaly）まで検出できるようにしました。Integrated Gradientsに基づく変数寄与度分析により、異常発生時にどの入力変数が主な原因となったのかを視覚的に解釈しました。さらに、MakinaRocksのRunway Liteプラットフォームを基盤として、モデル開発から運用までを自動化するMLOps環境を構築しました。
エンジニアの意思決定支援と対応スピードの向上
既知の異常検知において、F1スコア 0.9946（Normal: 0.9985、Warning: 0.9766、Dangerous: 0.9796、Fail: 0.9737）を達成しました。 異常発生時には、区間ごとの変数寄与度を可視化することで、現場エンジニアが原因を迅速に把握し、対応できるよう支援しました。 また、Unknown anomaly検知機能を備え、従来定義されていなかったシナリオにも対応できる能力を強化しました。
