第1部. 機械学習による異常検知技術と その導入、実装のポイント

(2021年7月16日 10:00〜12:00)

　近年、産業界において機械学習による異常検知が注目を集めています。本セミナーでは、機械学習による異常検知の基礎から始まり、代表的な異常検知法の概説、振動データを用いた回転機器の異常検知に関する研究事例紹介、そしてPythonによる異常検知の実装例とそのポイントを解説します。機械学習による異常検知の導入を考えている方や、検討を始めている方に最適なセミナーです。複雑な数式による説明は避け、概念的な理解や実際に使用する際に重要となる部分を中心に丁寧に説明します。

1. 基礎編: 機械学習による異常検知
   1. 基本的考え方
   2. 評価指標
   3. 代表的な異常検知手法
      1. ホテリング理論による異常検知
      2. One – class SVM
      3. Local Outlier Factor
      4. Isolation Forest
2. 事例紹介: 振動データに基づく回転機器の異常検知
3. 実装編: Pythonによる異常検知実装例の解説
   1. 各種異常検知法の比較
   2. 振動データに基づく回転機器の異常検知への適用
• 質疑応答

第2部. 未知の異常、故障を検出するインバリアント分析と導入の仕方

(2021年7月16日 12:45〜14:45)

　製造業やプラント運転の現場において人工知能を使った異常検知が脚光を浴びて数年が経過している。また経済産業省も産業界のDX化を進めようとスマート保安の導入政策を進めている。ここの背景にあるのが機械学習をはじめとする人工知能技術の発展である。しかしいざこのような技術を利用とすると異常データがほとんどないことに気づき、導入が壁に当たってしまうことも多いと思われる。
　本講演では異常データを必要としない、かつ未知の異常検知技術としてインバリアント分析技術とその派生となるモデルフリー分析を取り上げ導入事例やデモを交えて紹介する。またすでに導入している事業者がどのような目的/観点で導入を決めたのか、導入効果などについても紹介する。

1. スマート保安の現状と今後の方向性
   1. 経産省におけるスマート保安への取り組み
   2. 各社の取り組み状況
2. IoT×AI技術と現場活用
   1. AI/IoTを現場に適用するときの考え方と注意点
   2. AI技術の特徴
3. 現場で活用できるインバリアント技術
   1. インバリアント分析技術とは
   2. インバリアント分析導入事例
      1. 導入事例一覧
      2. 各業種ごとの概要紹介
4. 学習モデルを作らない異常検知技術
   1. モデルフリー分析とは
   2. 導入事例
5. 現場導入のポイント
   1. 現場導入時に注意するポイント
   2. 失敗する原因
   3. 進め方の手順
• 質疑応答

第3部. 正常時の波形データのみで異常を検知する 説明性の高いAIの開発とその使い方

(2021年7月16日 15:00〜17:00)

　近年、インダストリアルIoTの普及に伴い、インフラ設備や製造装置にセンサを取り付けて時系列波形データを収集する環境は整ってきた。しかし、このような設備や装置では異常の発生は稀なため、異常データの収集は正常データに比べて困難であり、正常データのみでAIを学習できることが求められる。一方、インフラ設備や製造装置で異常を検知した場合には、専門家が波形データを確認して原因究明や対策立案を行うことが多い。そのため、AIの結果を専門家が理解しやすい説明性も求められる。
　本講演では、時系列波形データの分析手法及び基本的な異常検知手法や評価方法などを説明し、我々の開発した正常波形データのみで学習する説明性の高い異常検知手法OCLTSを解説する。

1. 一般的なAIによるクラス分類
   1. 問題設定
   2. 簡単なAIによるクラス分類のアプローチ
   3. 古典的なクラス分類手法 (サポートベクトルマシン; SVM)
2. AIの説明性
   1. AIの説明性という課題
   2. AIの説明性に求められる要件
   3. AIで説明性を実現するアプローチ
3. 説明性の高い時系列波形データ分類手法
   1. 時系列波形データの特徴や課題
   2. 説明性のある時系列波形分類手法 (shapelets学習法)
   3. 複数センサ (多変量) への拡張
4. 異常検知手法
   1. 異常データが少ないという課題
   2. 異常データが少ない場合のアプローチ
      • オーバー&アンダーサンプリング及びコストセンシティブ学習
   3. 異常データを学習時に必要としない異常検知手法
      • 1クラスSVM; OCSVM 等
   4. 異常データが少ない場合の評価指標
      • 再現率
      • 適合率
      • F値
      • ROC曲線
      • AUC
5. 正常波形データのみで学習する説明性の高い異常検知手法OCLTS
   1. 利用方法
   2. 学習アルゴリズム
   3. 公開時系列波形データセット
   4. 工場等の時系列波形データへの適用評価
• 質疑応答