1. TOP
  2. 稼働監視・予知保全・異常検知
  3. 異常検知とは？機械学習を用いた異常検知の特徴と関連おすすめ製品をご紹介します

異常検知とは？機械学習を用いた異常検知の特徴と関連おすすめ製品をご紹介します

異常検知とは？機械学習を用いた異常検知の特徴と関連おすすめ製品をご紹介します

異常検知とは、膨大なデータの中から異常な状態のデータ（他の大多数のデータと比較して異なる状態のデータ）を検出する技術を指します。この記事では、機械学習を用いた異常検知の特徴とおすすめ製品をご紹介しています。

このような方におすすめです

・異常検知の概要やシステムの導入メリットを知りたい方
・異常検知に用いられる５つの機械学習モデルについて知りたい方
・おすすめの異常検知システムを探している方

異常検知とは？


異常検知とは、膨大なデータの中から異常な状態のデータ（他の大多数のデータと比較して異なる状態のデータ）を検出する技術を指します。

異常検知は様々な分野への活用が可能な技術ですが、その代表例として「製造業」への活用が挙げられます。具体的には、機械学習を用いた異常検知システムの活用が製造業において期待されています。

機会学習を用いた異常検知

従来の異常検知は機械設備にセンサーを取り付け、収集されるデータを基に人が異常の有無を判断していました。

しかし、データの分類・識別を可能にする機械学習は異常検知との親和性が高いため、機械学習を用いた異常検知を製造業へ導入することによって、これまで人が行ってきた作業を自動化することが可能です。異常検知の自動化を検討されている方は、ぜひご参考にしてみてください。

異常検知に用いられる５つの機械学習モデル


機械学習モデルには様々なものがあります。その代表例として、「教師あり学習」「教師なし学習」「半教師あり学習」「強化学習」「生成モデル」をご紹介します。

教師あり学習

教師あり学習とは、人が教師として機械に「正解」を教えることによって、機械に学習を行わせる手法です。

具体的には、大量のデータを取り込み、それぞれに「正常」「異常」といったラベル（判定）を付けていきます。このラベルに基づいたトレーニングを繰り返すことによって、正常・異常の判断の精度を求められているところまで引き上げていくことになります。仮に検出したい異常状態が明確な場合は「教師あり学習」が強みを発揮します。しかしその一方で、異常状態が事前に把握できていないような場合は「教師なし学習」の方が優れています。

教師なし学習

教師なし学習も、大量のデータを取り込むことで機械に学習を行わせる点は「機械あり学習」と同様です。教師あり学習との最も大きな違いは、ラベル（判定）を人が事前に付けるのではなく、データに基づいてAIに自律的に判定を行わせる点にあります。そのため、機械なし学習の方がより多くのデータを必要とします。

半教師あり学習

半教師あり学習とは、その名の通り、教師あり/なし学習のどちらの要素も取り込んだ手法です。少量のデータにのみラベル（判定）を付け、そのラベルを参考に他のデータのラベルをAIに自律的に認識させます。

なお、異常検知においては正常なデータのみを学習する方法が数多くあるため、その際に半教師学習と呼ぶケースもあります。

強化学習

強化学習とは、AIに報酬を与えることで自発的に学習させていく手法です。例えば、様々なシミュレーションの末に最大化した利益を得るような方法は強化学習にあたります。異常検知として活用されるケースは少ないものの、株取引などで用いられているアルゴリズムです。

生成モデル

生成モデルは、データに基づいてオブジェクトをつくりだします。外れ値を検出することができ、データのサンプリングが可能です。異常検知においては、正常データのみを学習させる場合に役立ちます。

異常検知のおすすめ関連製品

製品名特徴
e-無線巡回温度と振動加速度を測定し、920MHz帯の無線で親機に送信します。パソコンとLANケーブルが必要で、トレンドグラフで傾向監視やメンテナンス効果の確認ができます。警報（しきい）値を設定し、警報値を超えると画面と音で通知します。
異常検知サービス逸脱度で異常判定、正常状態のみで学習、高い検知精度、根拠可視化、高速な異常検知が可能な製造業向け異常検知導入サービスです。
シグカメシグナルタワーを撮影して設備の稼働情報を収集し、アラーム時には担当オペレータにメール通知し、稼働状態はWeb画面でいつでも確認が可能です。
軸受異常診断ＡI vibGazer回転駆動系の軸受振動データに注目し、高精度な異常検知、異常タイプ推定、および予知保全を実現するAIシステムです。学習モデル作成機能もあり、コストを削減可能。vibInsightおよびvibCatchのAI判定オプションとして動作します。
コナンデッセ波形解析装置良否判定機能付きのサイクルデータロガーで、工程の繰り返しを行う機械の状態を監視し、正常か異常かを判定できます。
MATLABによる予知保全予知保全に必要なデータの収集からシステムへの実装までを効率的に行うプラットフォームを提供し、4つのステップ（データ収集、前処理、予測モデル開発、システム統合）全てに対応可能です。
予兆保全AIシステムトラブル発生前の微妙な違和感を検知し、大規模災害等を未然に防ぐことが可能。あらゆるデータに対応し、正常データのみでモデルを生成するためデータ収集やアノテーションが不要です。
状態監視計　CM-3001series振動を常時監視し設備異常を早期に検知します。研削盤砥石の振動監視、工作機械の工具チッピングの検出、送風機・ブロワのモニタリング・トレンド管理等に活用可能です。
UIS デジタルエンジニアリングソリューション多様な検討手法や分野、ソリューションでの知見を結集し、デジタルエンジニアリングソリューションを提供し、お客様のものづくりを包括的に支援します。
FLEXDOOR省エネへの第一歩となる、電力使用状況を設備ごとに計測・把握するツールです。

e-無線巡回


子機に接続されたセンサで温度と振動加速度を測定し、920MHz帯の無線で親機に送信するシステムです。親機に送信されたデータを確認するため、パソコンとLANケーブルが必要になります。

「e-無線巡回」について詳しく見る
「e-無線巡回」について詳しく見る

e-無線巡回

3軸加速度と温度をトレンドグラフによって傾向監視が出来るので、離れた場所から状況を把握できます。 また、グリスアップやオーバーホール前後のグラフで、メンテナンス効果の確認もできます。
警報（しきい）値を設定し、警報値を超えると画面と音でお知らせします。

異常検知サービス


製造業向け異常検知導入サービスです。
正常状態からの遠さ（逸脱度）で異常を判定、正常状態のみで学習可能、MT法よりも良い検知精度、異常の原因と根拠がわかる、他社にないアルゴリズムの採用で異常検知を高速で実現という5つのデータ判定方法の特長があります。

「異常検知サービス」について詳しく見る
「異常検知サービス」について詳しく見る

異常検知サービス

相関関係の崩れをスコアにして、異常を検知します。
例えば、外に設置された設備の外部温度と、内部温度の相関関係の崩れを把握することで、 生データでは気付かないような異常を把握することができます。

シグカメ


カメラでシグナルタワーを撮像し、設備の稼働情報を収集します。設備アラーム時には担当オペレータにメール通知を行います。設備の稼働状態はいつでもWeb画面で確認できます。

「シグカメ」について詳しく見る
「シグカメ」について詳しく見る

シグカメ

工場内にいなくても設備の稼働を監視できます。故障通知で設備停止時間の削減にも寄与します。また、保存している設備の故障履歴を用いて、稼働率も後から集計できます。

軸受異常診断ＡI vibGazer


軸受異常診断AI 『 vibGazer 』 ではモーターなどの回転駆動系の軸受振動データに注目。AIモデルが異常兆候をいち早くキャッチし機器が故障停止する前にお知らせします。

「軸受異常診断ＡI vibGazer」について詳しく見る
「軸受異常診断ＡI vibGazer」について詳しく見る

軸受異常診断ＡI vibGazer

Microsoft Azure(IoTHub)、Amazon Web Services(IoT Thing)、SBテクノロジー ICC、ソラコム サービス(Unified Endpointなど)、汎用MQTTブローカー、汎用HTTPサーバー(オンプレミスサーバー含む)(Requestにより送信可能サーバー)のマルチクラウドに対応。ゲートウェアは 海外にも対応しているため、お客様の設備機器などを輸出している場合や、お客様の海外の生産工場のIoT化が実現できます。IoTゲートウェイをLANで接続している機器（PLCなど）に対して、遠隔地から直接アクセスしてラダーのモニタリングやロジックの変更をすることも可能です。

コナンデッセ波形解析装置


コナンデッセ波形解析装置は、良否判定機能付きのサイクルデータロガーです。
大量生産など、同じ工程を繰り返す機械の状態を監視して正常か異常かを判定することができます。
コンパクトな（W115xD97xH40mm）本体にて、大量のサイクル波形データをSDカードに記録します。高速で簡単にグラフ表示や分析を行うソフトウェアが付属します。

「コナンデッセ波形解析装置」について詳しく見る
「コナンデッセ波形解析装置」について詳しく見る

コナンデッセ波形解析装置

技術者が膨大なデータを整理する手間を大幅に削減して、本来技術者として行う業務である「データを見て判断」に注力することができるようにするツールがコナンデッセです。 汎用データロガーを使ってエクセルなどでデータ整理を行うことと比較すると数十倍から数百倍の技術者工数の削減ができたと言えます。

MATLABによる予知保全


予知保全に必要なデータの読み込みから最適なアルゴリズムの選定、そしてシステムへの実装に至るまでの行程を効率よく（一部全自動で）行うことができるプラットフォームを提供します。

「MATLABによる予知保全」について詳しく見る
「MATLABによる予知保全」について詳しく見る

MATLABによる予知保全

予知保全システムを構築する上で最大の焦点の一つとなるのが、故障を未然に精度よく予測できるかです。MATLABのPredictive Maintenance Toolboxでは、データの特性にあわせて7つの残存耐用時間を推測するモデルを提供しています。構築したモデルは、MATLABがない環境やクラウド、専用サーバーなどに展開することができ、リアルタイムの予知保全を実現します。

予兆保全AIシステム


Arithmerの予兆保全AIシステムはトラブル発生前の微妙な違和感を検知し、結果的に大規模災害等を未然に防ぐ事が可能となります。
360°カメラや動画など、あらゆるデータに対応。
正常データのみでモデルを生成するため、面倒なデータ収集やアノテーションが不要です。

「予兆保全AIシステム」について詳しく見る
「予兆保全AIシステム」について詳しく見る

予兆保全AIシステム

湯気やオイル漏れなどの微妙な変化も見逃しません。
正常状態を学習することにより、「いつもと違う」を察知するため、 設備異常の「予兆」を早期に発見、結果的に甚大な被害を予防します。
また、学習に必要なデータは正常データのみでOK！ 面倒な異常データ収集やアノテーション作業は一切不要の為、早期に立ち上げ可能です。

状態監視計　CM-3001series


研削盤砥石の振動監視、工作機械の工具チッピングの検出、送風機・ブロワのモニタリング・トレンド管理などに最適です。

「状態監視計　CM-3001series」について詳しく見る
「状態監視計　CM-3001series」について詳しく見る

状態監視計　CM-3001series

既設LANを利用することで、測定データをPCに転送可能。また、データログ機能により、測定・分析データをmicroSDに保存可能です。
オーバーオール振動監視、周波数帯域監視、アンバランス振動監視など、豊富な振動監視で対象設備に最適な監視を選択します。

UIS デジタルエンジニアリングソリューション


UISがこれまで培った各種検討手法、検討分野、ソリューションでの知見を掛け合わせた 「デジタルエンジニアリングソリューション」の提供を通じ、多面的、包括的にお客様の「ものづくり」を支援します。

「UIS デジタルエンジニアリングソリューション」について詳しく見る
「UIS デジタルエンジニアリングソリューション」について詳しく見る

UIS デジタルエンジニアリングソリューション

デジタルエンジニアリングソリューションとは、「物理モデルシミュレーションを用いた工学的な解析」「PI Systemを軸とするインフラ構築」「データ解析・利活用サービス」をトータルでご案内できるソリューションです。

FLEXDOOR


設備ごとの電力使用状況の計測と把握が可能です。
さらに、温度を測ることで電力との相関係数から電力量が適正かより細かく調べることができます。
電力監視システムは、省エネ活動や電力の使用状況を把握するためのツールです。
電力監視システムは、導入＝省エネというわけではありません。
計測しているデータを活用することで省エネへの第一歩を踏み出すことができます。

「FLEXDOOR」について詳しく見る
「FLEXDOOR」について詳しく見る

FLEXDOOR

施設、設備ごとの電力を一括でリアルタイム監視することができます。
ダッシュボードをカスタマイズできるので、違う施設の電力量を一画面で表示するなどレイアウトを決めることもでき、問題があればSNS通知やパトランプ作動もできます。
また、3か月間のデータがデータベースに保存されているので、ダッシュボードで過去にさかのぼって確認することができます。
さらに、過去4か月以降のデータもCSVでサーバに保存されているので、いつでも過去の電力を確認することができます。

機械学習を用いた異常検知方法の代表例


機械学習を用いた異常検知の代表的手法として、「ボテリング理論」「k近傍法」「単純ベイズ法」の３つをご紹介します。

ホテリング理論

ホテリング理論は、人の主観に影響を受けずに、客観的な評価を行うために統計モデルを用いる手法です。そのため、外れ値（異常値）を検知したい場合の最も基礎的な手法として一般的に認知されています。

k近傍法

k近傍法は、分類の際に使用される手法です。異常検知を実施するデータが多数のクラスターからなる場合、ホテリング理論では外れ値（異常値）を取り除くことができません。そのため、確率分布を明確にしないで外れ値（異常値）を検知するk近傍法を用います。

時系列データの外れ値（異常値）を検知する際に用いられることが多い手法です。

単純ベイズ法

単純ベイズ法は、ベイズの定義を基にしたアルゴリズムです。ベイズの定義は、データセットがいくつか与えられたとき、それを基にした複数の推定がある場合に、どの推定が最も近しいのかを判断する際に用います。

システムを利用した異常検知を導入するメリット


近年において、製造業の異常検知にはシステムを活用するケースが多くなっています。

中でも主流となりつつあるのが学習モデルによる異常検知システムの活用であり、この技術によって、人の判断によって行われていた異常検知を機械で自動化することが出来るようになっています。

機械の異常を素早く察知できる

AIを使用した異常検出技術は、機械の異常な動作を感知する能力を提供します。データを事前に学習させておけば、異常を事前に検知できるため、事故や問題の発生を未然に防ぎ、システムの安全性向上に寄与してくれるでしょう。

業務効率の向上

機械学習を活用することで、従業員は最低限の業務で異常を検知できるようになります。AIは明確な可視的および数値的な基準に基づいて異常を検知します。機械学習の力を借りることで、AIは人が難しいと感じるほど微細かつ速やかな検知を実行します。

従業員はこの明快なAIの働きをサポートすることで、高精度な異常検知業務を実施できます。人間の視覚や感覚だけを頼りに異常を見つけることは心理的にも負担が大きいことがありますが、AIの導入により、従業員はそのような負担から解放されつつ、検知にかかる時間も短縮することが可能です。

属人化の解消

製造業界では、長年の経験に裏打ちされた熟練検査員の技術に依存する傾向が強くあります。しかしながら、これに頼りっきりとなることはリスクを孕んでいます。特に、熟練検査員が退職すれば、経験の浅いスタッフが残る可能性が高まり、不良品の適切な検出が難しくなるという課題が生じることでしょう。

このような課題において、異常検知システムの導入は有効的です。異常検知システムは熟練検査員に過度に依存する必要性を排除し、属人化を防ぐ一助となります。

ヒューマンエラーの削減

人間による検査では、避けられないヒューマンエラーが発生する可能性が高いため、この問題を防ぐことは非常に難しい課題です。しかし、異常検知システムの導入により、人間による検査よりも高い精度で異常を検知できるため、ヒューマンエラーの発生を抑制することができるようになります。

まとめ

今回は製造業において機械学習を用いた異常検知を導入するメリット、５つの機会学習モデル、異常検知方法３つの代表例をご紹介しました。

５つの機械学習モデルでは「教師あり学習」「教師なし学習」「半教師あり学習」「強化学習」「生成モデル」についてそれぞれの特徴を、異常検知方法では「ホテリング理論」「K近傍法」「単純ベイズ法」の３つについて紹介しています。

ご紹介した機会学習モデル・異常検知方法は共にメリット/デメリット（得意/不得意）が異なるため、自社業態に適した方法を選択するようにしましょう。