異常検知とは? 機械学習を用いたシステムの特徴を解説
近年では、機械学習を用いた異常検知システムの導入が製造業を中心に進んでいます
目次
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。
異常検知の代表的な手法
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」が挙げられます。
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。
機械学習を用いた異常検知の台頭

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。
システムを活用した異常検知を導入するメリット

製造業の異常検知において、学習モデルによる異常検知システムを活用するケースが増えています。この技術を活用することで、異常検知を機械で自動化することが可能です。
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。
異常予兆検知システムの構築フェーズと各ポイント
異常検知システムの構築にあたっては、以下のようなフェーズを経る必要があります。

以下に、開発を除く、3つのフェーズについての各キーポイントを解説します。
目的・課題の整理
異常検知は目的ではなく、手段です。そのため、前提条件となる目的・課題を整理したうえで、異常検知という選択肢を講じる必要があります。
また、対象プラント・機器の重要度によって求められる検知タイミングや精度が異なるため、全体観とは別に個別の目的・課題も洗い出します。

分析・設計
分析・設計のフェーズにおいては、「変数選択」「前処理」「検知アルゴリズム」「アラートルール」がキーポイントとして挙げられます。
変数選択
異常がどのようにデータとして表れるのかを分析し、その結果を基に、未経験の異常が起こった際にどのような変化が見てとれるのかの仮説を立てます(ドメイン知識による仮説に基づいた変数選択)。
例)ある機器の故障を検知したい場合、機器近辺のセンサー値を採用。SV値など変化のない値は除外etc
前処理
|
センサーからの瞬時値をそのまま使う? |
・センサー値をそのまま使用するケースはほとんどなく、データの平滑化や粗視化といった前処理をかける ・変動が激しい際は差分値(1時点前の値との差)が有用な場合もある |
|---|---|
|
外れ値除去 (ノイズ除去) |
・全期間でノイズが乗っている ・不調になるとノイズが乗り始める |
|
特徴量抽出 |
例)時系列データを、ある一定の期間単位で評価・判定したい場合
その期間の波形の特徴量を抽出 ・基本的な統計量(平均値、分散、最大値etc) |
検知アルゴリズム
|
正常データの分布に基づいた手法 |
正常時のデータの分布からどれだけ外れているか
・機器/装置周辺の複数の変数でグルーピング ・過去の正常時のデータを使って、分布/特徴を学習 ・現在値が正常データの分布からどれだけ離れているか距離を算出し異常度とする(距離の算出には、正常データの分布の種類により適した手法を選択) |
|---|---|
|
ソフトセンサーの応用 |
ソフトセンサー(仮想計測技術):
異常検知したい機器周辺のセンサーの中から目的変数を選択 ・過去の正常時のデータを使って、予測モデルを構築 ・構築した予測モデルに、現在値を入力し、目的変数の値を予測 ・目的変数の予測値と実測値の差を異常度とする |
|
ディープラーニングを使った手法 |
オートエンコーダー
・考え方はソフトセンサーと同じ ・入力に対し、全変数を出力するモデル ・正常データでモデルを構築し、現在値を入力し判定 ・出力層と入力層の差を異常度とする |
アラートルール
誤検知を防ぐために(モデル自体の精度がある前提で)アラートを鳴らすルールを設けます。
適切な閾値を設ける
100点の閾値は難しいという前提条件の理解が重要です。
異常度のトレンドやヒストグラムを参考に設定。取りこぼしを極力失くし、誤検知をどこまで許容できるかを決めます。
適切なルールを決める
異常度が閾値を超えるとアラートを鳴らすというのを基本としつつも、プラスアルファで「○回連続で超えるとアラート」「ある期間中に◯回超えるとアラート」という工夫を施すことで、ご検知を減らすことができます。
導入・活用
現場でのスムーズな活用を実現するためのポイントを2点ご紹介します。
手間を増やさない
異常検知システムを導入したことにより、現場で監視すべき画面を極力増やさないことが重要です。

付加価値を付ける
例)稼働設備のリアルタイムの運転評価

稼働設備のスコアリングとしてもシステムを活用することで、設備のトラブルをより回避しやすくなります。
閾値を基準に異常のアラートを鳴らすように設定するだけでは、設備の正確な状態は把握できません。そこで、設備の状態をデータとしてリアルタイムで可視化できるようにシステムを構築することで、設備の運転評価を常時行うことができるようになります。
SAILESS(異常予兆検知システム構築サービス)のご紹介

宇部情報システムでは、正常データからAIを用いて、従来のアラートシステムでは検知出来ない異常・故障を早期に検知することができる「異常予兆検知システム構築サービス SAILESS」をご提供しています。
SAILESSは、パッケージではなく構築サービスです。様々なお客様の現場で抱える課題に対し、ジャストフィットした検知システムをご提供するため、実際のデータの分析から行い、最適な検知システムを構築するサービスを展開しています。

正常データを利用したシステム構築
SAILESSでは、各種センサーから得られた正常稼働時のデータによって構築された検知モデルを用いて「異常度」を算出し、アラートするシステムです。
未経験トラブルも予兆検知可能
SAILESSでは、正常時データだけで検知モデルを構築するため、これまで未経験のトラブルでも予兆検知することが可能です。
ユーザーによる運用や横展開が可能
導入後、AIモデルのチューニングや、同一傾向がある他の機器への横展開をユーザー様ご自身で実施出来る仕組みをご用意します。
異常検知の
関連プレゼンテーション
関連記事
QCD調達購買管理クラウド|newji
調達購買業務のすべての課題を「newji」が解決します! newjiは、製造業の調達購買業務のすべての課題を解決するQCD調達管理クラウドです。 現在、β版で全ての機能を無償でご利用いただけます。 α版のリリース時期は現在未定ですが、2022年度内を予定しております。 このような課題はありませんか? ・欲しい情報に対するシステムがバラバラで探すまでに時間がかかる。 ・仕様変更の履歴管理ができていない。 ・見積の細かい査定が行えていない。 ・業務の属人化。 ・人手不足。 ・日々の業務や緊急対応が多く、 本来やるべき原価低減や購買先の新規開拓ができていない。 など、他にも多くの課題が購買調達部門にはあります。 このような課題を解決すべく、調達購買業務を一元管理できるクラウドサービス「newji」を開発しました。 おばあちゃんでも使える直感的なシンプル操作、 欲しい情報が3秒で手に入る優れた検索機能も搭載。 調達購買QCD管理業務を一元管理できるため、システムをまたぐ必要はありません。 そろそろnewjiでQCDをまとめませんか?
DX Partner ~ベトナムオフショア開発サービス~
日系オフショア企業のパイオニアとして、ベトナム南北に位置するホーチミンとハノイにそれぞれに拠点がございます。 2008年から蓄積し続けたオフショア開発のナレッジを活かし、お客様ビジネスの成功・成長にフォーカスしたサービス提供を行っております。その結果、90%以上のお客様にリピートでご相談いただいております。 日本とベトナムの両拠点に上流から対応可能な日本人PMが多数在籍しており、お客様のご要望に応じた柔軟な開発体制を構築いたします。また、アライアンス企業を含めた幅広いご提案が可能です。日本人PMの手厚いサポートにより日本と同等レベルの品質を実現します。
IoT-Pi for LTE-M
『IoT-Pi』は、IoT実験を安価に、簡単におこなうことができるモジュールです。 Raspberry Piと組み合わせて利用することで、開発の幅を広げます。 本体ボードには各種センサーに対応するポートが取り付け済みで、モバイルバッテリーから電源供給が可能なため、ハードウェア開発経験が乏しい人でも扱いやすい製品です。 費用が高額になりがちなIoT製品開発の開発コストを抑えることができます。
Visual Factory(ビジュアルファクトリー)
Visual Factory(ビジュアルファクトリー)は、設備、人、モノなどの工場データを相互に紐づけて可視化する“工場情報基盤”です。 工場データを製造現場が必要とする情報に変換し、品質/コスト/納期/安全性の向上に役立つ情報として可視化。 IoTで取得したデータを単に表示させるだけでは見えなかった、価値ある“気づき”を提供し、製造現場の迅速な意思決定を支援します。
iField indoor
GPSが届かない工場や倉庫内で人、モノ、車両など対象物の位置情報を取得し、現在地の把握や移動履歴、取得したデータ見える化で現場を改善するソリューションです。 リアルタイムの位置情報把握や過去動線の再生はもちろん、取得したデータをヒートマップやグラフなどで可視化。 さらにMESやWMSなどのデータと連携させることで、現場のデジタルツイン化を実現します。 工場や倉庫の自動化を進める前には、まず現状をしっかり把握し、ベストプラクティスを見つけ出すことが重要になってきます。 人やモノが「どんなときにどんな動きをしているか?」ということはわかっているようで案外漠然としか把握していないものです。 『iField indoor』を利用することで現場を定量的に見える化し、客観性のある改善策を見つけ続けることができます。
AIOpsソリューション
AIOpsソリューションでは、システム運用で蓄積される過去の障害対応ナレッジやインシデント情報、各種ログデータに加えて、各種ツールとの連携による構成情報の自動収集データをインプットとしてAIによる分析を実施することで、障害発生原因の早期特定や障害予兆検知、自動復旧などの対応が可能です。 これにより、従来運用管理者が判断してきた運用業務の一部を、AIによる自動判定で代替する事が可能になり、昨今のIT技術者不足の課題解決やコスト削減、運用品質の向上に貢献します。
Pieceworks®
生産計画からトレーサビリティまで 中小中堅食品卸・製造加工業向け業務支援システム 社内状況を「見える化」して戦略的な経営を可能にする
netFIELD
netFIELDは設備データを自動収集しエッジ処理するだけでなく、セキュリティを担保し、エッジデバイスのアプリ更新やリモート管理、更に容易なデータ連携をサポートするオープンなプラットフォームです。 近年急速に普及しているコンテナ技術によりアプリ開発に注力できる環境を提供し、製造現場に付加価値を与えます。アプリの開発は短期間で、かつ維持開発を大幅に低減する効果があります。 産業用ネットワークに物理的に接続するだけで、周期通信データを自動解析し、必要なデータを選択表示するなど、直ぐにお使い頂けるアプリも取り揃えています。
スマートプラスチック
昨今生産現場において問題となっているのがメンテナンス体制のマンパワー不足、ならびに技術継承の問題です。 十分な人的リソースの元での保全が難しくなる一方、故障率の低減・稼働率の向上は変わらず求められる命題です。 イグススマートプラスチックはIoT技術を用いたセンサーユニットをイグス製品に装備。 自己監視型のシステムとしての機能を与えることが可能です。 センサー測定情報とイグス独自の製品故障判定用プログラムの組み合わせにより、故障の早期発見・製品寿命と交換時期の予測計算を行います。 これによって保全現場の24時間サポートと省力化の実現、設備稼働率の向上に大きく寄与することが可能です。 またお客様の既存の保全システムとのネットワーク上での統合を可能とし導入・運用コストの低減化をも実現いたします。
ものづくりスマートトレースシステム< HiMES-Tracer >
ICタグ付設やPLC越しに設備制御してモノとコトがトレースされることにより、「誰が(作業者)」「どこで(工程)」「どのように(品質記録)」で製造したか?というリアルな作業実態が把握できます。
MATLABによる予知保全
予知保全の実現には、アルゴリズムの構築だけでなく、システムへの実装と運用までを視野に入れた開発が求められています。他方、IoTの推進に伴うITとOTの融合には技術者の専門性と労力が必要とされ、効率的な開発環境が不可欠であることも事実です。 MATLABは、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。 予知保全を実現する為に、一般的に必要な下記の4ステップすべてに対応することが可能です。 ① データの収集:データが蓄積されるデータベースへアクセスし、データを吸い出す作業 ② データの前処理:異常値削除・変数選定・時刻の同期処理 ③ 予測モデルの開発:複数の機械学習アルゴリズムの適用・評価 ④ システムへの統合:アプリケーション化して工場に展開
IB-Mes
最近ではスマートファクトリーやIoTという言葉もすっかり浸透しましたが、みなさん、MESってご存知ですか? MESは工場の様々な情報を収集し、問題点の早期把握・対策・改善に役立つシステムです。 広義では生産管理システムの一つですが、生産の工程と連携できることが特徴で、生産の進捗や品質、設備の管理など様々な機能があります。 生産管理システムを管理サイドの基幹システムとすると、製造実行システムは現場サイドの基幹システムと言えます。 生産管理システムと製造実行システムが互いに連携し、現場と管理が繋がり、仕組化されることにより、一過性の改善ではなく会社としてのベースの力となり想像もつかない効果を生み出します。 IB-Mesは、工場内の新旧様々な設備や工程からデータを収集し、現場で起きている事象をリアルタイムで可視化、社内共有することによって製造効率の改善を支援します。 さらに、長期間の運用によって蓄積されたデータは、改善点の発見や、経験や勘に頼っていた曖昧な部分を「見える資産」として的確な分析・対策・改善に役立てることができます。
オンラインVR工場視察|NEWJI VR
NEWJI VRは、360度カメラを用いたVR技術のシステムにより、オンラインで国内外の工場視察が可能となるサービスです。 実際に現地へ赴く必要があった工場視察や出張が現場へ行かずに目的を達成することが可能です。 360度モードで工場全体を把握しながら、接写モードで製品をmm単位で確認可能。 工場視察は現地で対面による交渉などが必要であったが、対人・接触することなく、リモートで工場視察が行えます。 機材の手配は不要、ゲスト招待の他、全世界で利用が可能で、出張旅費交通費を大幅に削減できます。 現在、国内、中国、台湾、マレーシア、ベトナム、タイ、インドは、Businessプランで1回(またはプロジェクト単位)からご利用いただけます。 Enterpriseプランでは、世界中のどの国でもご利用頂くことが可能です。 18,000km離れた世界の工場視察を最短5分で可能にしました。 世界の工場視察、海外出張がオンラインにかわる時代です。
ER31 バッテリレス圧力センサ
RFID(NFC)搭載し、ワイヤレス給電でバッテリレスを実現した圧力センサです。圧力計の目視点検作業を簡易化、データ読み取り/記入ミスを削減することで生産現場のIoT 化、巡回監視の効率化に貢献します。
プラントデータと動画の統合管理システム
本ソリューションは、プラント内に散在する各種プラントデータ(温度、圧力、流量、回転数、振動数、設備稼働状態、制御設定値、プラント操業状態等)とカメラの動画やサーモカメラの映像をSCADA(Supervisory Control And Data Acquisition)システムで融合させ、同一画面に表示させることにより、工場内で起きている事象を一元可視化・集中監視化させるものです。 その特徴として8っの特徴を持ちます。 1) データとライブ動画をワンクリックで表示 2) 同時日時のデータ、録画動画を閲覧 3) 様々な種類のデータと動画を同時表示 4) 過去と直近のデータ&動画の比較 5) 海外工場を含め、ライブ動画を見ながら、遠隔操作を行うことが可能 6) SCADAをベースにしているので、監視画面の制作が容易に可能 7) 複数メーカーのPLC/DCSやカメラを接続可能 8) データ/録画をエクセルシートで管理
WORKFRONTシリーズ
近年、労働人口の減少や市場競争の激化により、製造業ではデジタル化と現場データ活用のニーズが高まっています。 現場データを活用するには種々デバイス「モノ」の生データを「何時」「何処で」「何のために」のつながりのあるデータに加工できなければなりません。 また、デジタル化の効果を最大限発揮するには、経営課題解決と現場改善を両立する現場主導型のアプローチが必要と考えます。 WORKFRONTシリーズでは、現場の最適化を実現するソリューションを提供し、データの収集から加工、活用まで一貫して製造現場のデジタル化を支援します。
IoTによる工場の見える化システム
Nazca Neo Linka(ナスカ・ネオ・リンカ)は、「工場マネジメント」をコンセプトに開発した生産設備向けIoTシステムです。多彩な接続方法に対応し、専用インターフェースがなくても設備と接続できるので、メーカーや年式問わず工場にある様々な設備の稼働データを一元管理できます。 さらに、RFIDやバーコードなど各種センシング機器からのデータ取得にも対応。これにより、設備の稼働状態と合わせて、担当者や作業時間、ワーク情報など、製造にかかわる様々なデータを紐づけして複合的に表示・集計できます。 シンプルなシステム構成と拡張性で、設備の増設にも柔軟に対応。 既存の生産管理システムとの連携もぜひご相談ください。
Smart EAM ソリューション
設備の状況をリアルタイムに得られる手法として状態監視は優れた技術ですが、全ての設備の状態をモニタリングする事は手間や費用の観点からも現実的ではありません。それは予知保全でも同様の事が言えます。ポイントは設備の重要度や特性を考慮に入れた上で適切な保全方式、状態を把握する方法を選択する事です。 適切な保全方式や状態把握の方法を選ぶためには設備台帳および保全の履歴が電子化されている事が前提となります。 弊社では保全現場で使用される点検結果報告書やチェックシートの電子化から設備台帳の整備、RCMと呼ばれるフレームワークに基づいた評価分析、モニタリング方法の検討、システムの導入といった設備管理業務の合理化、高度化に関する支援を一貫して提供しております。
Proceedクラウド
Proceedクラウドは工程写真をベースに製造情報の共有と製造情報データベースを構築することで、技能継承やサプライチェーンの見える化、業務効率の改善を実現するデジタルツールです。 <主要機能> ・写真撮影モバイルアプリ ・写真への書込み・コメント機能 ・写真へのタグ付け・検索機能 ・社外への写真共有機能 ・レポート作成機能 ・PDF、TIFFファイルの保存機能 ・電子黒板機能
粉体搬送とは?微粉末の輸送を可能とする装置・システムを紹介
製造業の生産性向上において、粉体搬送の自動化は重要な要素となっています。 粉体搬送装置の導入により、粉体搬送における作業効率の向上、品質の安定化、作業者の負担軽減など、様々なメリットが得られます。一方で、装置選定時には粉体の特性や用途に応じた適切な検討が必要です。 本記事では、粉体搬送の基礎知識から具体的な装置の種類、導入時の注意点まで詳しく解説します。




