IoTやAIの技術の進展により、大型機械の故障予知や異常検知への取り組みが進んでいます。この記事では、具体的にどのような手法で故障予知を行うのか、その際の注意点は何かを解説していきます。

異常検知とは

異常検知とは、計測値を機械学習させることにより異常な状態を検知するための手法です。例えば、通常とは異なる動作や音などは異常検知の対象となります。 異常検知は、機械学習を用いることで、さまざまな場面で応用されており、産業機械の稼働状況や画像による製品異常の検出などにも利用されています。また、異常の有無を検知するだけでなく、現在ではデータ分析を行うことによる故障予測も可能です。

IoTやAIを活用して異常検知するには前提が必要

異常検知にIoTやAIをなどの情報システムの導入を検討している企業、予知保全システムの構築を検討している企業は増加傾向にあります。 しかし、IoTやAIを導入するうえではデータの計測が欠かせません。予知保全システムでは、対象となる設備や機械にセンサーを取り付けることで、状態を把握するためのデータの計測を行います。その後、IoTを使ってデータを収集し、そのデータに関してAIなどで解析を行うことで、故障や不具合を事前に察知することが可能となるためです。

IoTやAIは、現場で計測したデータを有効活用する技術であるため、高精度な計測が求められます。計測したデータの精度が低いと、IoTやAIを導入したとしても期待通りの成果が生み出される可能性は低いでしょう。そのため、IoTやAIの活用を考えるのであれば、高精度なデータの計測が行えることが前提となります。

データが十分に無い場合の異常検知手法

工場機械の異常などは、頻繁に起きる可能性が低いため、過去のデータが十分にない場合もあります。このようにデータが不足している場合に用いられるのが「教師なし学習」です。 教師なし学習とは、AIが与えられたデータから規則性を発見し、学習を行っていく機械学習の手法です。教師なし学習で代表的な手法は、SVDD、PCA、RPCAの3つです。それぞれの手法に関して解説していきます。

SVDD

SVDDは1クラス分類を目的とする教師なしの機械学習法です。1クラス分類は、学習時に少数派クラスのサンプルがほとんど得られない場合に有効です。そのため、SVDDは、異常の実例があまりないデータでもうまく機能します。2つのデータの間のある種の類似度を表す関数であるカーネル関数を使用することにより、「通常」の領域、異常検知においては正常な状態の領域を柔軟にモデル化することが可能です。そのため、機器予後診断や健康管理、詐欺の識別などに用いられることもあります。

PCA

PCAは主成分分析と呼ばれるデータ解析手法の一つです。PCAでは、データの持つ情報をできる限り損なわず、データ全体の雰囲気を可視化することが可能です。PCAによる異常検知は、正常なデータの領域（通常状態）を規定して、それを逸脱するデータを異常と判定します。異常検知の他にも、パターン認識などさまざまな場面に適用できます。

RPCA

RPCAは堅牢な主成分分析と呼ばれるデータ解析手法の一つです。PCAの統計的基準を修正したものであり、他のデータと大きくかけ離れたデータに対しても適切に機能するのが特徴です。用途としては、異常検知・画像処理などに使用されています。

異常検知・故障予知を行うにあたっての注意点

異常検知・故障予知を行う場合、システムへの理解が必要です。IoTやAIを活用した異常検知・故障予知では、タイムラグを考慮した設計が必要となり、経年による変化も考慮しつつ、モデルの更新サイクルを定めていかなければなりません。 教師あり学習の場合、異常を検知できる確率が最初からわかっているため、異常かどうか判断しやすいという特徴があります。それに対して、教師なし学習の場合は、異常値を検出できるもののそれが異常かどうか判断するのに別の判断基準が必要です。そのため、類似度などの指標をもとに、しきい値を正しく設定し、異常を判断しなければいけません。

AIの機械学習に教師なし学習を用いる場合、正解の定義が定められていないため、手法ごとの特徴を理解したうえで、複数の手法で判断することによって良い結果を得ることが可能です。また、データ計測の質にも注意が必要です。工場内の機械や部品などに対して異常検知・故障予知を行う場合は、現場の状況が正確に分かるような高精度の計測が大切です。

AIを活用した故障の予知方法「稼働監視」

稼働監視は、製品のIoT化を行うことで稼働状況を可視化する方法です。製品のIoT化を行うことで、製品からデータ取得が容易になり、機器が動作しているかを把握できます。また、製品の制御情報を収集することでどういった状態で稼働しているのかも確認することができます。 稼働監視に必要な要素は、製品情報のセンシングを行い、通信機能を利用し、その情報を収集することです。こうした情報を分析しつつ、AI関連技術を活用することで、過去や現在の状況だけでなく、未来の状況を予測して予兆保全を行います。

機械や消耗品の経年劣化などは避けることができないため、企業としては予兆保全を実施したいと考えるでしょう。しかし、予兆保全は、故障予測を正確に行う必要があるため、稼働監視から予兆保全を行うのは簡単ではありません。故障に対して、どういったセンシングデータが正しい予兆を捉えているのかを把握する必要があり、重要な指標となるデータを得るためには時間がかかります。また、時間軸や粒度も考慮しなければいけません。

また、正確な予知を行うためには、故障と相関性のある指標を複数組み合わせる必要があるため、すぐに期待通りの成果が出るとは限りません。さらに、故障予知を進めるうえで、機械などの故障はそう頻繁に起きないため、故障データが集まりにくく、AIに有効な学習を実現することが難しくなっています。

そんな状況でも、自社製品の徹底的な試験を行っているメーカーでは、自社製品と故障との相関性があるポイントを把握している場合も少なくありません。そのため、予兆保全を実際に行っている企業があり、現在では予兆保全をサービスとして提供する会社も徐々に現れはじめています。稼働監視から予兆保全を行うことで、競争力を高めつつ、機械や部品などの突発的な故障を防ぐことが可能となるでしょう。

異常検知とは、大多数のデータの中から期待されるパターンと違うもの、振る舞いが異なるデータを検知・識別するものです。そして、今回は異常検知の手法や活用事例を解説していきます。

異常検知とは

異常検知とは、データマイニングを行うなかで、機器などの通常稼働におけるデータから通常とは異なる動きなどを検知・識別するものです。人では認識しきれない微細な変化や機器が故障する前の挙動などをとらえることが可能となります。

異常検知を実施する場合、普段とは異なる挙動をしたデータは外れ値として記録されます。そのため、外れ値から異常な状態がどのようなデータを残すのか、収集・分析することが可能です。外れ値の検知は、異常検知の中では最もわかりやすい検出方法だといえます。

例えば、センサーで工程の様子をモニタリングし、異常が発生したらアラートを鳴らすなどの動きは異常検知の有効な使い方です。

異常検知の手法

機械学習はデータを収集・分析し、一定のパターンを見つけ出すために用いられます。そして、通常の稼働とは異なるデータを拾い上げるために異常検知を行います。また、異常検知の方法は1つではなく複数存在しており、データや統計を用いながら更に細かい分類に分けることが可能です。

統計を用いるホテリング理論

統計的な異常値を見つける場合、ホテリング理論を用います。ホテリング理論は、示されたデータの値を計算し、それが本当に異常値なのかを導き出すものです。しかし、外れ値がいくつも存在しているような場合、ホテリング理論ではそれが異常値かどうか判断することは厳しいといえます。

また、ホテリング理論では計算を行ううえで正規分布を設定します。しかし、正規分布の値が変化するような時系列に沿ったものである場合は異常値を判断することできません。

データを用いるk近傍法

k近傍法は時系列に対するデータに対して距離を定め、それが異常値なのかどうかを判断します。例えば、k近傍法を用いて外れ値を検知する場合には、

• 時系列に基づいたデータセットからある範囲のデータを切り取る
• 異常値までの距離を計算し、距離の近さによって異常値かどうか判断する

などの方法が主体です。

k近傍法を用いる場合には、どの距離にあるものが異常値であるのかを策定し、それに沿った判断を行います。そのため、どの部分からデータを取り出すのか、どの値からが異常なのかというポイントを学習するために異常値の調整が必要です。

加えて、k近傍法を用いる場合、時系列データを訓練データと剣使用データに分けて異常かどうか判断する方法もあります。ある期間を設定し、時系列データと訓練データの類似度を計算したうえでその平均数値を全て異常値と判断します。

異常検知をAIや機械で行うメリット

AIや機械を活用して異常検知を行うメリットは、故障などの判断の自動化にあります。 かつての異常検知は、人に頼っていたといえます。特に、人の目や長年の経験がないと分からないとされていた異常検知は製造業では非常に大きな課題だったといえるでしょう。

しかし、異常検知をAIや機械で行う場合、異常が訪れるタイミングを予測するなど人間では感じられない違いを画像やデータによって補完することが可能です。特に生産ラインなどの異常では、機器やシステムの故障によって商品の生産が不可能となることも少なくありません。

AIや機械によって異常検知を行うことで人員の削減や生産性の向上が期待できる点はメリットだといえるでしょう。そのうえで異常検知を自動化する場合には、目的に基づいてデータの収集・分析が必要です。 現状を把握したうえで、AIと機械の活用によってメリットを得るためにはある程度の準備が必要です。

異常検知を導入した事例

ここでは、機器の保守・運用に対して異常検知を導入した事例をみていきましょう。

事例1 設備に対する異常検知

ある事例では、電力を生み出す企業が設備に対して異常検知を行えるシステムを開発しました。 この自動システムは設備が故障する前に使用者に教え、トラブルを防ぐことによってコストを削減し、収益の上昇を図ります。また、扱われるシステムの開発だけでなく、センターによってデータを監視できる環境構築を行っています。

事例2 機器故障の検知

ある事例では、製造業を営む企業が機器の故障などによって稼働が止まるという事態に頭を悩ませていました。点検コストの増大、生産性の低下など多数の問題が悪循環を生んでいる状態でした。 これに対して、AIで異常検知の環境構築を行い、機器の故障に対して最低限のコストのみが発生するようになり、収益も向上しています。

事例3 官能検査におけるAI活用

ある事例では、人に頼った官能検査のサポートにAIを活用しました。官能検査は、人によるスキルや勘によって行われていることも多いのが実状です。加えて、人による判断では様々な要因によって正確な判断を出し続けることが不可能となることも。 そういった検査は、データの収集・分析によってAIいにアシストさせることが可能です。この企業では人に頼っていた官能検査をAIにアシストさせ、異常や故障の発生率を著しく下げることに成功しています。人による検査や判断のサポートは、AIの有効な活用だといえるでしょう。

機械から異音が発生した場合、殆どは工場のラインを止めるなどの対処が必要です。そのため、非常に損失が大きくなることも少なくありません。この記事では、異音が発生する原因と異音検知を機械学習で行う方法やメリットについて焦点をあてていきます。

異音が発生する仕組みとは

機械から異音が発生する原因の多くは、機械及び部品の不良や異常にあります。異音が発生する仕組みは、例えば、ギアが回転する機械などで回転に異常が起き、うまくかみ合うことができなくななると、異音が発生します。加えて、ギアの傷や異物混入も異音が起きる原因です。 そして、ファンや送風機などの回転体を持つ機器の場合は、ベアリング異常・ロータの接触などにより異音が発生することも多くあります。

このように、異音が発生している場合は、機械が正常な状態ではないケースが殆どです。そのため、異音を放置することで機械のさらなる故障を招く可能性があります。最悪の場合、機械が使用不可能になるため、注意が必要です。

異常音を自然検知することの難しさ

機械の異常音は、破裂音などの大きな音であれば、誰でも気付くでしょう。しかし、僅かな機械の異常音を自然に検知できるのはベテランの技術者に限られており、これまでの工場生産現場における機器の保全・点検はベテラン技術者の経験や勘が頼りでした。 しかし、今後はベテラン技術者に頼った業務遂行は難しくなることが予想できます。少子高齢化に伴う労働人口の減少や退職に伴い、ベテランの技術者が減少しているためです。経験のない技術者では異常音に気づかず、故障まで異常に気付かない場合も多いと予想できます。 正常な音と故障時の異常音を人間が聞き分けるには、長年の経験が必要となるため誰でも可能なことではないといえるでしょう。

稼働音から異音を検知する方法

現在は、異常音検知の分野でAIを使用したサービスが注目を集めています。従来のベテラン技術者に頼っていた異音検知方法とは大きく異なります。AIを利用した異音検知について解説します。

正常音と異音の違い

機械が正常に動いている時の音が正常音で、不具合などの原因により発生する正常ではない音が異音となります。 異音を聴感的な傾向で分類すると、基本的には2種類に分類されます。その音は、稼働音全体が大きくなる音（ギャー音）と周期的なノイズが混じる音（ガタ音）です。正常音と異音をマイクで録音した波形を比べてみると、ギャー音は全体のレベルが大きいものです。対して、ガタ音は、レベルは小さいものの、波形に関しては周期的に突起があるような状態になります。

しかし、正常音についても、一定の波形レベルを常に保っているわけではないため、このような波形だけを見て異音だと判別することは困難です。 そこで、AIを用いて正常音を正常な状態（通常状態）として学習します。例えば、入力された音と通常状態の音を比較して、異常値が低ければ正常音と判定、異常値が大きい場合は異常と判定されるため、異音と認識できるようになります。

正常稼働音のみを学習データとする「異音検知技術」

音を手掛かりに機器の異常を検知することが困難な背景にはいくつかの理由があり、異常音の収集が難しいこともその理由の1つです。 前例として、機械学習の技術が進歩しているため、機器の正常音と異常音を大量に収集し、判別結果の正解率を最大化するような判別ルールを学習する方法が考えられたこともありました。しかし、機器が故障する頻度が低く、故障の仕方や壊れ方もさまざまであるため、機械の異音を大量に収集することは困難です。そのため、この方法は現実的な方法ではありません。

また、異音検知には騒音への対応も必要です。製造工場などの環境下では、異常を検知したい機械の他にも多くの機械が稼働しており、その稼働音が騒音と判断され、検知したい音の収集を妨害します。周りの機械の稼働音と比べ、検知したい機械の稼働音が大きくない場合もあるため、異音を検知するためには騒音への対処が必要です。

このような問題を解決するために開発された技術として、正常稼働音のみを学習データとして検知する「異音検知技術」が挙げられます。 異音検知技術は、収集が困難な異音状態の音を集めず、正常な稼働状態の音だけを使用します。具体的には、正常な稼働音のみを収集してAIが学習を行い、対象となる機器特有の正常音と判定したい音の音響特微量を比較したうえで、正常音からの乖離がどの程度なのか計算するという方法です。正常音からの乖離がそれほどない場合は正常、乖離が一定の範囲を超えると異音、と判定することが可能となります。この技術であれば、音響特微量が正常音と差異があるのか判別するだけであるため、異音の種類に関係なく判別できます。

また、騒音に関しては、現在ノイズキャンセルやフィルタリングにより、環境音や雑音を除去することが可能です。異音検知技術を用いた場合、設備機器周辺にマイクを設置すれば、異音を検知することができるため、検知方法も難しくはないといえるでしょう。現在、AIを用いた異音検知技術は進歩しており、導入を検討する企業は増加傾向にあります。

異音検知を機械が行うことのメリット

異音検知を機械が行うメリットは多数あります。従来であれば、異音検知はベテラン技術者の経験や勘に頼って行われてきたものの、少子高齢化や退職などによって、そういった人材は減少傾向です。また、人が異音検知を行う場合、判断基準が異なる場合があるだけでなく、診断漏れが起こる可能性があります。 しかし、AIであれば、機械の稼働音を定量化して判断するため、判定基準が一定となり、精度の高い異音検知が可能です。また、AIのメリットとして異音検査の自動化、常時監視が可能となるため、診断漏れがなく、検知される異音は、画像や音声データなどともに管理者の元にメールで通知されます。結果として、機械の現状把握が容易になるため、重大な故障が起きる前に修理を行うことが可能となり、急に生産ラインがストップするような事態が発生しにくくなるというメリットにつながります。

機械音から潤滑状態の把握もできるため、機械の適正なメンテナンス時期を知ることができるだけでなく、メンテンナスの間隔を伸ばすことも可能でしょう。そのため、機械・プラントメーカーなどでAIによる異音検知の導入が進んでいます。現状では、技術者などが耳で異音検知を行っているケースもあるものの、これらメリットが多いことため、異音検知をAIで行う企業はこれから増えていくでしょう。