第1部. AIによる化学プロセスの異常検知技術

(2021年11月5日 10:00〜12:00)

　Xとyの間の関係式をモデル化する際に悪影響を与える外れ値を事前に適切に除去する必要がある。そのような外れ値はあるプロセス変数のデータ分布から外れるデータであると仮定して異常データの検出を試みることがある。検討した外れ値検出手法は、3シグマ法、Hampel identifier、Savitzky Goley (SG) 法による処理前後の値の差に対してHampel identiferを行う方法である。ただ、単変量統計プロセス管理ではプロセス変数間の相関関係を考慮しておらず、変数間の相関が大きい際に適切な異常検出ができない。そこで、多変量統計的プロセス管理 (Multivariate Statistical Process Control, MSPC) が活用される。T2統計量とQ統計量を同時に監視し、いずれか一方でも管理限界を超えた場合に異常と判断する。これ以外にも、独立成分分析 (Independent Component Analysis, ICA) 、One-Class Support Vector Machine (OCSVM) を紹介する。

• 3シグマ法、Hampel identifier、SG 法による処理前後の値の差に対してHampel identiferを行う
• 多変量統計的プロセス管理 (Multivariate Statistical Process Control, MSPC)
• 主成分分析 (Principal Component Analysis, PCA)
• T2統計量とQ統計量
• 独立成分分析 (Independent Component Analysis, ICA)
• One-Class Support Vector Machine (OCSVM)
• ソフトセンサーと異常検知
• 質疑応答

第2部. 化学プロセスでの特徴量エンジニアリングとデータ解析

(2021年11月5日 12:45〜14:45)

　本講座では、化学プロセスの異常検出を適切に行うことを目的として、特徴量エンジニアリングやその他のデータ解析手法について解説を行う。まず、特徴量および特徴量エンジニアリングの定義などについて説明する。次に、特徴量エンジニアリングを含む、異常検出の手順全体について説明する。そして、異常検出システムの応用事例を紹介する。最後に質疑応答を行い、受講者に特有の疑問や課題の解決を試みる。

1. 特徴量とは
2. 特徴量エンジニアリングとは
3. 異常検出のためのデータ解析手順
   1. データ解析手順の概要
   2. 単変量プロセス管理
   3. 多変量プロセス管理
      1. 線形モデルに基づく方法
      2. 非線形モデルに基づく方法
4. 応用事例
• 質疑応答

第3部. スモールデータ・不均衡データ解析を用いた異常検知

(2021年11月5日 15:00〜17:00)

　化学プロセスでは、全体としてデータは豊富に集められるが、異常発生時のデータを十分に集められないなどの理由で、しばしば機械学習用のデータを適切に収集することが困難なことがある。このような場合、正常クラスと異常クラスのサンプル数には、著しい偏りが生じる。通常の分類問題における機械学習アルゴリズムは、それぞれのクラスのサンプル数がほぼ同量であることを想定しており、データが不均衡であると、適切にモデルを学習できなくなる。
　本講演では、正常クラスと異常クラスのデータが不均衡である場合でも、モデルを学習させる方法をいくつか紹介する。

1. スモールデータ、不均衡データとは?
2. 回帰分析と分類問題
3. 線形判別分析 (LDA)
   • LDAの導出
   • LDAと固有値問題
   • LDAと最小二乗法
4. 分類問題における性能評価
5. LDAと不均衡データ
6. サンプリング法
   • アンダーサンプリング
   • オーバーサンプリング
7. アンサンブル学習
   • ランダムフォレスト
   • ブースティング
8. ハイブリッド手法
   • RUSBoost
• 質疑応答