IIoT×AIソリューションセミナー

インダストリアルIoT×AIソリューションセミナー ②

製造現場に最適!教師無し学習で異常検知&劣化予測 : レポート概要

本記事は、2018年10月4日(木)に名古屋で開催された、「インダストリアルIoT×AIソリューションセミナー」のイベントレポートです。このセミナーは、計4つのプログラムで行いました。
ここでは、2つ目のプログラムである「製造現場に最適!教師無し学習で異常検知&劣化予測」の内容をご紹介します。
その他のプログラムについては、それぞれのコンテンツをご覧ください。

  1. 外観検査の設計をAIの学習で自動化
  2. 製造現場に最適!教師無し学習で異常検知&劣化予測
  3. 製造現場におけるデータ収集と利活用について
  4. 製造ラインの歩留まり改善に向けた取り組み

製造業で使えるデータ分析とモデリング手法

故障と劣化の予兆を異変として検出するための手法はいろいろ存在していますが、今回は以下の4つをご紹介しました。

MT法

統計学(中でも記述統計学、サンプル=母集団)の分析手法でサンプリングされたデータの良否判定を行う。

ベイジアンHMM

ベイズ統計学の考え方に基づいた機械学習で「正常な時系列データのみ」を使用して高精度に異常予測を行う。

スパースモデリング

あるデータの本質は何かを推定するアルゴリズムをモデリングしたもの。
モデルがデータから自動で特徴量を計算して選ぶ(学ぶ)。

Deep Learning

ビッグデータからデータの構造や本質を自動でモデリングする。
AIと呼ばれているのは主にこちらを指すケースが多い。

それでは、これらの手法をそれぞれ図解して見ていきましょう。
最後の Deep Learningについては、教師あり学習/教師なし学習の違いについてご紹介しています。

MT法

サンプリングされたデータの良否判定で利用

マハラノビス距離(ユークリッド距離と多変量の相関を考慮した距離)の大小を評価基準として、単位空間から外れたものを異常と判定します。

ベイジアンHMM

正常な時系列データのみを使って高精度に異常予測

観測される可能性のある予想値を現在のモデルで計算し、計算で求めた予想値を使って将来起こる事象の確率を計算します。

スパースモデリング

データの重要な部分(スパースな箇所)をあぶり出すモデリング方法

データ間のパラメータから重要なもの(0に近い=スパースな値)を自動で選択してモデリングする手法です。

通常、コストや時間などの制約から十分な数の出力 y を観測することが難しいことが多く、情報が少ないため、解を決められません。しかし、観測される出力 y が十分な数 (未知数の数) あれば、交点が解となり一意に解くことができます。

Deep Learning

低周波の時系列データ、振動、音、画像など様々なセンサデータを学習して異常検知/故障&劣化予測モデルを構築することが可能

Deep Learningの手法は、さらに「教師あり学習」と「教師なし学習」の2種類があります。

教師あり学習

正常データと異常データをDNN(ディープニューラルネットワーク)モデルに学習させるため、異常モードを明確に分類できる。実際に異常検出をしたときにどんな異常が起きたかアラートすることができる学習です。

SmoothGradによる判断可視化により、BlackBox化を回避することができます。

教師なし学習

大量の正常データから本質的な構造・形状を学習することで異常検出モデルを作成します。正常データとどれだけ違うかを判断基準として、未知の異常を含めた検出が可能です。

 

いかがでしたでしょうか。本記事では、製造現場における異常検知&劣化予測において、特にデータ分析手法に関する部分について、注力してご紹介いたしました。
なお、当日の資料は下記よりダウンロードすることが可能です。こちらもぜひご覧ください。 

 

さらに詳しいことを知りたい方は、以下のページで工作機械への導入事例や、導入フローも公開しておりますので、ぜひご覧ください。

 

また、他のプログラムについて学びたい方は、それぞれ以下にまとめましたので、こちらをご覧ください。

インダストリアルIoT×AIソリューションセミナー レポート