産業現場のAI機械学習による異常検知予知の実例集【アーカイブ配信】

～現状判定から時系列予測，さらに最先端Transformerによる予知へ～

１．異常検知手法の手法分類
　1.1　教師データがない検知予知
　1.2　産業現場データの現実
　1.3　手法の適材適所：統計解析系・機械学習系・深層学習系

２．統計判定            
　2.1　実例1：線形重回帰分析法によるプレス型摩耗限界検知
　　(a) 現場知と相関により重回帰分析に説明変数選択
　　(b) 現実的に使える特徴量としての加工機主軸モータ電流値
　2.2　実例2：マハラノビス距離法によるドリル加工折損予知
　　(a) 正規分布におけるマハラノビス距離と異常度
　　(b) 経時的トレンド変化がある場合の分布モデル設定
　2.3　実例3：ガウス過程回帰による人工衛星データ異常検知
　　(a) ガウス過程回帰（Gaussian Process Regression:GPR）法とは
　　(b) 閾値をパーセンタイルと現場知により現実的な閾値設定

３．画像判定
　3.1　実例4：画像ニューラルネットで部品組立て異常検知像
　　(a) 異常の教師データとシンプルツールで基本的手法をトライ
　　(b) 異常データが少ないが学習が速いシンプルな構成
　3.2　実例5：画像CNNによるアルミ鋳物の微小巣検知
　　(a) 局所ブラケッティングできる高性CNNツールの利用
　　(b) 異常データが少ないので画像合成で人工的に増強
　3.3　実例6：学習済み基盤画像モデルによる樹脂材料異常検知
　　(a) SAM（Segmentation Anything Model）ツールとは
　　(b) 人工毛髪樹脂材料の線状加工の断面形状判定

４．周波数判定
　4.1　実例7：音波深層学習による切削ドリル折損の直前予知
　　(a) ドリル切削加工音の特定周波数が直前変化
　　(b) 16ms長音波データをCNN（Convolutional Neural Network）
　4.2　実例8：電流スペクトルによる端子台配線ゆるみ検知
　　(a) 端子接続抵抗を示す特定周波数電流を特徴量
　　(b) ギアケーシング振動FFTスペクトルの時系列変化予測
　4.3　実例9：押出成形機のギア摩耗量限界予知
　　(a) 樹脂スクリュウへの減速ギアベアリング摩耗の限界予知。
　　(b) 振動センサー信号をFFTにかけて特徴周波数抽出

５．履歴判定
　5.1　実例10：LSTMによる突発的な設備例外運転の発生予測
　　(a) 履歴を記憶忘却する系列専用ニューラルネットLSTM
　　(b) 数時間の運転履歴に依存して突如発生する異常運転予知
　5.2　実例11：LSTM＋AEによる工場搬送コンベア駆動ギア異常予知
　　(a) 自己符号化（AutoEncoder：AE）ニューラルネット
　　(b) AE特徴ベクトルの異常閾値はGMM確率分布で判定
　5.3　実例12：LSTM＋AEによるパワーショベル油圧異常予知
　　(a) 自己符号化（AutoEncoder：AE）ニューラルネット
　　(b) 正常データをAEで復元学習してそこから逸脱検知

６．波形判定
　6.1　実例13：Shapelats法によるエレベータ扉開閉レール異常検知
　　(a) 系列データの局所部分列の波形を学習するShapelests
　　(b) 問題箇所の波形を特定できる説明性に優れる手法
　6.2　実例14：Discord法による
　　(a) 系列データの局所部分列の波形を学習するShapelests
　　(b) 問題箇所の波形を特定できる説明性に優れる手法

７．出現判定
　7.1　実例15：Transformerによる建物空調消費電力の予測
　　(a) オフィスビル空調消費電力特異日特異時間帯の抽出
　　(b) Attention機構により時系列データの注目点を説明できる
　7.2　実例16：Transformer画像系列予測による路面凍結の予知
　　(a) 言語予測モデル用Transformerを画像部分系列に適用
　　(b) 画像特定部分のAttension値により根拠を数値化

８．まとめ