異常状態の学習が不要な、異常信号の検知技術

ファクトリーオートメーションが進む中で、機器の異常を検出する技術は重要性が増しており、最近では機械学習を応用したシステムが有効とみられている。しかし、機械学習技術は一般に正常状態と異常状態の両方の学習が必要となり、その学習データの取得自体がコストである。さらには想定外の異常状態を検出することが難しいことも懸念され、さらなる技術レベルの向上が期待されている。

本技術は金融系などで用いられる技術「隠れマルコフモデル（ＨＭＭ）」を応用し、機器の発するデータに現れる状態の正常と異常を判断する技術である。まず、事前準備として機器が正常に動作しているときのデータを使いＨＭＭの学習を行い、「正常動作時モデル」を作る（図中①）。次に、業務中の機器のデータをモニタリングし、そのデータを使った学習を定期的に行い、「業務中モデル」を作る（図中②）。そして、これら正常動作時モデルと業務中モデルに含まれている状態遷移確率を比較する（図中③）。もしこの確率がほぼ同じなら業務中モデルは正常動作時モデルと同一と見なせ、つまり元になったデータを出力する機器は正常に動作していると捉えることができる。一方で、もし業務中モデルの状態遷移確率が正常動作時モデルと異なるなら、機器は異常状態にあると判断できる。本技術は手法としてはシンプルでありながらも、実は学習データの事前信号処理や正常状態と異常状態を正確に識別するアルゴリズムなど工夫が施された、優れた異常検知技術である。現在、ベルトコンベアが発する振動音や、模擬橋梁に対する打音検査時のデータを使った実験で正しく異常検知出来るという確認が得られています。