ロケット異常検知とは
ロケットエンジン1基には数千のセンサが搭載され、毎秒数万点のデータが生成される。この膨大な時系列データを人間が見切ることはもはや不可能だ。機械学習による異常検知（Anomaly Detection）がリアルタイム監視と打ち上げ前診断を自動化し、SpaceX Falcon 9は打ち上げ前に1,000万点以上のデータポイントを自動評価している。オートエンコーダ・LSTM・One-class SVMなどの手法が実際のロケット開発・運用に統合され、打ち上げ中止の自動判断支援まで進化している。
ロケット健全性モニタリング（PHM）の重要性
ロケット開発における失敗のコスト
宇宙打ち上げの失敗は経済的損失だけでなく、人命・ミッション・宇宙産業の信頼に関わる。
| 打ち上げ失敗事例 | 損失の規模 |
|---|---|
| 2006年 H-IIA F8（ペイロード喪失） | 推定数百億円 |
| 1996年 Ariane 5初号機爆発 | ペイロード含め約5億ドル |
| 2016年 SpaceX Falcon 9 爆発（発射台） | Facebookの衛星等、約2億ドル |
| 一般的な打ち上げ保険コスト | ペイロード価値の約10〜15% |
予防的な健全性モニタリングと異常検知は、失敗リスクの低減を通じて保険料・再試験コストを削減し、ロケット再利用の判定にも直結する。
PHM（Prognostics and Health Management）の概念
PHMは航空宇宙分野で広く使われる概念で、機器の現在の状態を診断（Health Management）し、将来の故障を予測（Prognostics）する。
PHMのフェーズ: 1. データ収集: センサデータ（温度・圧力・振動・流量等）のリアルタイム取得 2. 状態検知（Anomaly Detection）: 正常値からの逸脱を自動検出 3. 診断（Diagnostics）: 異常の原因特定・故障モードの分類 4. 予後（Prognostics）: 残余使用寿命（RUL）の予測・破壊的故障の事前警報 5. 意思決定支援: 整備・飛行中止・補修の推薦
ロケットエンジンのセンサデータの特徴
高次元・高周波の時系列データ
Merlinエンジン（SpaceX Falcon 9）を例にとると、主なセンサ数は：
| センサ種別 | 概数 | サンプルレート |
|---|---|---|
| 圧力センサ | 100〜200 | 100〜1,000 Hz |
| 温度センサ | 200〜500 | 1〜100 Hz |
| 振動センサ（加速度計） | 50〜100 | 1,000〜10,000 Hz |
| 流量計 | 50〜100 | 10〜100 Hz |
| ターボポンプ回転数 | 数台 | 高速サンプル |
これらを合計すると、1基のエンジンから毎秒数万点のデータが生成される。9基を搭載するFalcon 9第1段では、打ち上げシーケンス中に数億点のデータポイントがリアルタイムで処理される。
ラベルなし異常という困難
機械学習の最大の課題は教師データの不足だ。
- 正常データは豊富：エンジン試験（ホットファイア）と飛行データが蓄積される
- 異常データは希少：実際の故障は頻繁に起こらず、「このエラーの例」が少ない
- 故障モードが多様：燃料漏れ・ターボポンプ振動異常・燃焼不安定など多くの異常パターン
この特性から、ロケット異常検知では教師なし異常検知（Unsupervised Anomaly Detection）と半教師あり学習が主流だ。
機械学習による異常検知手法
オートエンコーダによる再構成誤差ベース検出
オートエンコーダは、入力データをより低次元の潜在表現に圧縮（エンコード）し、元の次元に再構成（デコード）するニューラルネットワークだ。
正常データだけで学習すると、正常パターンの再構成は上手くできるが、異常パターンの再構成誤差（Reconstruction Error）は大きくなる。この性質を異常検知に利用する。
“Autoencoder-based anomaly detection effectively identifies novel failure modes in rocket propulsion systems by leveraging reconstruction error as an anomaly score, without requiring labeled anomaly examples.”
ロケット適用での工夫： – Variational Autoencoder（VAE）: 潜在空間に確率分布を仮定。よりロバストな異常スコアを生成 – Temporal Convolutional Network + AE: 時系列の局所パターンをCNNで抽出してから再構成 – Sparse Autoencoder: 過学習を防ぎ、より意味ある特徴表現を学習
LSTMによる時系列異常検知
LSTM（Long Short-Term Memory）はリカレントニューラルネットワークの一種で、長い時系列の文脈を保持できる。ロケットエンジンの状態推移は時系列依存性が強い（燃焼開始→安定燃焼→シャットダウンという時間的な流れ）ため、LSTMが特に有効だ。
アプローチ: – 次ステップ予測（Forecasting）: 1〜N時刻先のセンサ値を予測し、実測値との差異を異常スコアとする – Seq2Seq異常検知: エンコーダLSTMで過去の系列を圧縮し、デコーダLSTMで再構成。再構成誤差を異常指標に
One-class SVM
One-class SVMは正常データのみで学習し、決定境界を構築する。新しいデータが境界外なら異常と判定する。LSTMやAEと比較して計算コストが低く、センサ数が比較的少ない場合に有効だ。
GAN（生成的敵対ネットワーク）
GANは正常データを生成する生成器と、実データ・生成データを識別する識別器の対抗学習で構成される。異常検知では、GANが学習できなかったパターン（＝正常分布から逸脱したデータ）を異常とみなす手法が研究されている。
| 手法 | 長所 | 短所 | 適用場面 |
|---|---|---|---|
| Autoencoder | ラベル不要、実装容易 | 再構成誤差の閾値設定が課題 | 全フェーズ |
| LSTM | 時系列依存を捉える | 計算コスト高め | 飛行リアルタイム |
| One-class SVM | 高速、低コスト | 高次元に弱い | 前処理済みセンサ |
| GAN | 複雑なパターン | 学習不安定 | 研究段階 |
NASA MSFCの実績と研究
マーシャル宇宙飛行センターの先駆的研究
NASA MSFC（George C. Marshall Space Flight Center）は、スペースシャトルメインエンジン（SSME/RS-25）の健全性モニタリングで40年以上の実績を積んできた。
SSME健全性モニタリングシステムは、エンジン始動シーケンス（約3秒）中の異常を検出して打ち上げを自動中止（RSLS：Redundant Set Launch Sequencer）するシステムだ。このシステムにより、1985〜2011年の間に20回の打ち上げ前エンジン停止が実行され、その多数が実際の故障を防いだ。
NASA MSFCとの共同研究（2018〜現在）では、機械学習を従来のモデルベース診断に統合する研究が進んでいる。
“Machine learning-based anomaly detection methods, when applied to Space Shuttle Main Engine data, demonstrate the ability to identify pre-failure signatures that rule-based systems missed, with lead times of several seconds to minutes before critical failure.”
― NASA Technical Report (2019), NASA NTRS: Automatic Anomaly Detection with Machine Learning
SLS（Space Launch System）への応用
現在NASAのアルテミス計画の中核ロケットであるSLS（RS-25エンジン×4基）でも、MSFCが開発した機械学習ベースのエンジンHMSが適用されている。
出典: NASA, “Engine Installation Continues for Artemis II Moon Rocket at NASA Michoud”
SpaceXの自動化されたモニタリング
リアルタイムテレメトリ解析
SpaceXは打ち上げシーケンス全体を通じて、1,000万点以上のデータポイントを自動評価していると報告している。Falcon 9の第1段回収・再使用を前提とした設計では、飛行後のデータ解析も異常の早期発見に欠かせない。
SpaceXが公開している情報の範囲では： – カウントダウン中の自動ホールド: センサ異常を検出した場合、打ち上げシーケンスを自動中断 – DACS（Data Acquisition and Control System）: リアルタイムデータ収集・分析・警報システム – Merlin再利用判定: 飛行後のエンジンデータから次回使用の可否を自動評価
打ち上げ前のHot Fire試験
Falcon 9のHot Fire試験（第1段エンジンの地上燃焼試験）は再利用の重要な安全確認ステップだ。MLモデルが試験データを解析し、前回飛行と比較した異常パターンを自動抽出している。
設計最適化と異常予防への展開
MLによるエンジン設計の最適化
異常検知の枠を超え、機械学習がエンジン設計の最適化にも使われる。
サロゲートモデル（代理モデル）: CFD（数値流体力学）や熱解析の計算結果を機械学習でモデル化し、設計パラメータ探索を高速化。推力室の冷却チャンネル設計・インジェクタ最適化などに実用されている。
材料劣化予測: ターボポンプ羽根車・燃焼室ライナーなどの疲労・腐食データをMLで学習し、整備交換時期を最適化（予防保全）。
技術的なポイント
基礎知識
- ホットファイア試験（Hot Fire Test）: エンジンを実際に燃焼させる地上試験。SpaceXはFalcon 9各機で打ち上げ前に実施
- RSLS（Redundant Set Launch Sequencer）: スペースシャトルで採用された自動打ち上げ中止システム。T-0の3秒前まで異常検知で自動HOLD
- 再構成誤差（Reconstruction Error）: オートエンコーダが入力を復元する際の誤差。異常データは正常モデルで復元しにくいため誤差が大きい
- RUL（Remaining Useful Life）: 機器の残余使用寿命。PHMの予後フェーズで推定される最重要指標
応用例
- RocketLab Electron: 3Dプリントエンジン（Rutherford）の試験データにMLを適用した品質管理
- 欧州Ariane 6: Vuclainエンジンの健全性モニタリングにAIを統合（ESA/ArianeGroup）
- JAXA LE-9エンジン（H3ロケット）: ターボポンプの振動データへの異常検知適用を研究中
まとめ
機械学習によるロケット異常検知は、打ち上げ安全性の向上と再利用コスト削減の両面で不可欠な技術となった。オートエンコーダ・LSTM・One-class SVMを組み合わせた異常検知パイプラインが、Falcon 9やSLSのリアルタイム監視に統合されている。NASAのSSMEデータで40年蓄積された経験は機械学習との融合で新たな深度を得た。今後は強化学習による自律制御との統合で、エンジン状態に応じた適応的推進制御（故障時のスロットリング補償など）へと発展し、深宇宙探査の自律AIとも連携して宇宙機の自律性を新たな次元へ引き上げるだろう。
参考文献
- Rengasamy, D. et al., “Deep Learning with Dynamically Weighted Loss Function for Sensor-Based Prognostics and Health Management”, Sensors, 2020. MDPI
- NASA, “Automatic Anomaly Detection with Machine Learning”, NASA Technical Report, 2019. NASA NTRS
- NASA, “Engine Installation Continues for Artemis II Moon Rocket at NASA Michoud”, 2023. NASA Image Library
- NASA, “SLS RS-25 Core Stage Engine”, 2023. NASA SLS
コメントを残す