• INFO
  • 2019.10.31
  • BLOG

機械学習を基にした異常検知の手法や実際の活用事例、メリットとは

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、

  1. 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
  2. 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

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

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。

しかし、AIで100%の精度を誇る異常検知の環境構築を行い、見事に改善。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

ある事例では、人に頼った官能検査をAIに切り替えました。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。

しかし、そういった検査は、データの収集・分析によってAIによる代行で解決できます。この企業では人に頼っていた官能検査をAIに切り替え、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。検査や判断の代行はAIの有効な活用だといえるでしょう。

プロフィールイメージ

千歳悠ライター

2015年からライターとして活動。現在では金融・IT・ビジネスを得意とするライターとなる。客観的に物事を見たうえで、難解で分かりにくいものをわかりやすく伝えることを心掛けている。

Pocket

改善事例などの資料を
簡単にダウンロードできます

下記フォームのご入力をお願いします。

送信内容確認

以下の内容で送信いたします。
お間違えなければ、送信するボタンを押してください。
修正する場合は、入力画面に戻るボタンを押してください。


必須ダウンロードする資料

必須

必須

必須

必須

必須※未収集の場合はその旨を記載ください

必須

任意