設備にセンサーを取り付け、稼働データも蓄積している。しかし故障の記録は少なく、あっても発生時刻や原因がデータと紐付いていない。こうした状況で「異常データが足りないので、異常検知モデルは作れない」と判断し、PoC(Proof of Concept:概念実証)が止まってしまうことは少なくありません。
確かに、故障の前兆を過去の故障事例から学習させる方法は、十分な故障事例があることが前提です。ただし、これは異常検知そのものができないという意味ではありません。正常な稼働データを基準にして「いつもと違う」状態に気づくという、別の考え方があります。
最初に決めたいのは、どのアルゴリズムを使うかではなく、「何を正常とみなし、基準から外れたときに誰が何を確認するか」です。ここを決めないまま進めると、誤報が増えて現場に定着しない場合があります。
本記事では、故障データが少ない状況でも正常データ起点の異常検知が成り立つ理由、検出できるものとできないもの、進め方の一例、現場確認を組み込んだ運用の設計を整理します。
「異常データが足りない」というときに起きていること
設備の故障は、保全が機能しているほど少なくなります。故障データが少ないのは、多くの現場でむしろ自然な状態です。
教師あり学習(Supervised learning:正解ラベルの付いたデータから規則を学ぶ方法)で故障を判別するには、故障と正常の両方が十分な数と種類で必要です。故障が少数だと、正常に比べて極端に偏ったデータ(クラス不均衡)になります。故障の種類や運転条件がそれぞれ異なれば、少数の事例から一般的な規則を学ぶことも難しくなります。
ただし、これは故障データが不要という意味ではありません。故障データが少ないことと、正常データが豊富にあることは別の話です。後者を出発点にできるかを検討するのが、本記事の主題です。
正常データ起点の異常検知は何を検出しているのか
異常検知(Anomaly detection)は、大多数のデータが示すパターンから外れたものを見つける技術の総称です(Chandola et al., 2009)。正常データ起点の方法が検出するのは「故障」ではなく、「正常パターンからの逸脱」です。
逸脱と故障は同じではありません。逸脱には、設備の劣化のほか、運転条件の変更、段取り替え、センサーの不調などが含まれます。同じ「いつもと違う」でも、原因は現場で確認しなければ分かりません。
また、この方法は故障の時期を予測するものではありません。状態監視保全(Condition-based maintenance:設備の状態を観測して保全の要否を判断する考え方)における、劣化の兆候に気づくための手がかりの一つとして位置づけるのが現実的です(Jardine et al., 2006)。
教師あり学習と正常データ起点の異常検知はどう違うか
| 観点 | 教師あり学習 | 正常データ起点の異常検知 |
|---|---|---|
| 必要なデータ | 正常と故障の両方(ラベル付き) | 正常稼働データ。故障記録は必須ではない |
| 検出対象 | 学習済みの故障パターン | 正常パターンからの逸脱 |
| 得意なこと | 既知の故障の判別、原因別の分類 | 未知の変化への気づき |
| 苦手なこと | 事例にない故障、少数事例での一般化 | 逸脱の原因特定、正常の定義が曖昧な場合 |
| 出力の意味 | 故障の可能性の判定 | 確認を促す「いつもと違う」の合図 |
両者は二者択一ではありません。現場確認の結果を異常ラベルとして蓄積していけば、将来的に教師あり学習を併用できる可能性があります。
統計的異常検知と1クラス型モデルをどう使い分けるか
統計的異常検知は、正常期間の平均や標準偏差などを基準に、どれだけ離れているかを測る方法です。1クラス型モデル(One-class model:正常という1つのクラスだけから、その範囲を学習するモデル)は、正常データが占める領域を学習し、その外側を逸脱とみなします(Schölkopf et al., 2001)。
| 観点 | 統計的な方法 | 1クラス型モデル |
|---|---|---|
| 解釈しやすさ | 高い。基準からの距離で説明しやすい | 低くなりやすい。逸脱の理由を別途確認する必要がある |
| 多変量への対応 | 変数ごとの確認が中心。変数間の関係は工夫が必要 | 変数間の関係も含めて扱いやすい |
| 導入の手軽さ | 手軽で、現場にも説明しやすい | 設定と検証の手間が増える |
どちらが優れているかではなく、設備とデータの状況に合わせて選ぶ問題です。まず統計的な方法で正常の分布を確認し、その結果を見て必要に応じて検討を広げる進め方もあります。
正常稼働1年分のデータから逸脱を検出する流れ
以下は説明用の仮想例です。ポンプやモーターなどの回転機を想定し、振動値・軸受温度・電流値を1時間ごとに取得しているとします。実在の設備や事例ではありません。
- Step 1 正常期間の選定:保全記録と照合し、異常の混入やメンテナンス前後の状態変化がないかを確認します。
- Step 2 稼働モードと季節性の考慮:負荷や運転状態、気温による変動を、基準にどう反映するかを検討します。
- Step 3 逸脱スコアの算出:正常期間を基準に、各時点がどれだけ離れているかを数値化します。
- Step 4 閾値の設定:正常期間のスコア分布から、上位の一定割合を超える水準を閾値とします。
- Step 5 現場での確認:閾値を超えた時点を、現場の担当者が確認します。
- Step 6 結果の記録:確認結果を、異常ラベルとして蓄積します。
- Step 7 定期的な見直し:閾値と正常の定義を定期的に見直します。
なお、「1年」は季節変動を含めるための一例にすぎません。1年あれば十分という意味ではなく、必要な期間は設備の稼働周期や環境によって異なります。
逸脱スコアと閾値の考え方(概念図)
概念図であり、実データや特定の検出性能を示すものではありません。
疑似データによる簡易コード例
Step 3〜4の考え方を、疑似データで示します。季節による変動を含む正常期間1年分と、途中から緩やかに上昇する評価期間を生成し、正常期間の平均・標準偏差を基準にスコアを計算します。数値はすべて疑似データで、実行結果は乱数に依存します。
# 考え方を示す簡易例です。実データでは稼働モードの分割、前処理、多変量の扱いが必要です。
# 数値はすべて疑似データであり、実設備や実事例ではありません。
import numpy as np
rng = np.random.default_rng(42)
H_YEAR = 24 * 365
def pseudo_vibration(start, n, drift_from=None):
"""1時間ごとの疑似的な振動値。季節による変動と、任意で緩やかな上昇を含む。"""
t = np.arange(start, start + n)
season = 0.3 * np.sin(2 * np.pi * t / H_YEAR)
x = 1.0 + season + rng.normal(0, 0.1, n)
if drift_from is not None:
x += np.clip(np.arange(n) - drift_from, 0, None) * 0.0005
return x
normal = pseudo_vibration(0, H_YEAR) # 正常期間(1年分)
evaluation = pseudo_vibration(H_YEAR, 24 * 90, drift_from=24 * 30) # 評価期間(約90日)
# 正常期間の平均・標準偏差を基準に、逸脱スコアを計算する
mu, sigma = normal.mean(), normal.std()
score_normal = np.abs(normal - mu) / sigma
score_eval = np.abs(evaluation - mu) / sigma
# 正常期間のスコア分布の上位パーセンタイルを閾値とし、超過時点をフラグする
threshold = np.percentile(score_normal, 99.5)
flags = score_eval >= threshold
print("閾値:", round(threshold, 2))
print("超過した時点の数:", int(flags.sum()), "/", len(flags))Pythonこの例では、閾値の位置をどのパーセンタイルにするかで、アラートの頻度が変わります。実務では、現場が確認できる件数から逆算して検討する必要があります。また、単純な平均・標準偏差では、季節や稼働モードの違いを吸収できません。
最初の確認作業として、正常期間の候補を月ごと、あるいは稼働モードごとに分け、振動値の平均とばらつきを並べてみてください。差が大きければ、一つの基準で全体を監視することには無理があると分かります。
アラートを現場確認につなげる運用ループの設計
閾値超過は「確認の依頼」であり、「故障の宣告」ではありません。確認の結果は、例えば「設備の異常」「稼働条件の変化」「センサーやデータの問題」「問題なし」のように分けて記録すると、次の見直しに使えます。
現場確認を組み込んだ運用ループ(概念図)
- アラート閾値を超えた時点を通知する
- 現場確認設備・稼働条件・センサーを見る
- 結果の記録確認結果を分類して残す
- ラベルの蓄積異常ラベルとして整理する
- 見直し閾値と正常の定義を更新する
05の見直し結果は、次の監視に反映します。この循環が運用の中心です。
運用の流れを示す概念図であり、頻度や件数を示すものではありません。
失敗しやすいポイントと対策
| 失敗しやすいポイント | 起きること | 対策の方向性 |
|---|---|---|
| 正常期間に未知の異常が混入している | 異常な状態が基準に取り込まれる | 保全記録との照合、メンテナンス前後の確認、スコア分布の外れ値の点検 |
| 稼働条件の変化を異常と誤検知する | 誤報が増える | 稼働モードや季節を考慮した基準の検討 |
| アラートが多すぎる | 現場が見なくなる | 確認できる件数からの逆算、連続超過を条件にするなどの工夫 |
| 閾値を一度決めて放置する | 設備や運転の変化に合わなくなる | 定期的な見直し、修理や更新の後の基準再確認 |
これらは、手法の精度だけでは解決しません。正常の定義と運用の設計に関わる問題です。
正常データ起点の異常検知が向かない場合と限界
- 故障モードを原因別に判別したい場合は、故障ラベルが必要です。
- 導入直後の設備や運転条件が頻繁に変わる設備では、安定した正常期間を確保しにくくなります。
- 基準を更新し続けると、緩やかな劣化を正常として取り込んでしまう可能性があります。
- 欠損やセンサーのずれが多い場合は、データの整備が先になります。
また、安全に関わる保護装置や定期点検の代わりになるものではありません。既存の保全業務を補う位置づけで検討することが前提です。
着手前に確認したいチェックリスト
| 確認項目 | 見るポイント | 不足している場合 |
|---|---|---|
| 正常期間の候補 | 保全・稼働記録と照合できるか | 記録の整理から始める |
| 稼働条件の情報 | 運転モードや負荷を区別できるか | 対象を一つの運転状態に絞る |
| データの品質 | 欠損やセンサーのずれが少ないか | 収集と校正の確認を優先する |
| 現場の確認体制 | アラートを見る担当者と手順があるか | 確認の担当と記録様式を決める |
| 見直しの場 | 閾値を定期的に振り返る機会があるか | 月次などの確認日を設ける |
すべてを整えてから始める必要はありません。一つの設備、一つの運転状態に範囲を絞って小さく確認し、「条件が整うまで進めない」という判断も含めて選択肢にできます。
まとめ
故障データが少なくても、正常稼働データを起点にした異常検知は検討できます。ただし、検出するのは故障ではなく正常パターンからの逸脱であり、その原因は現場確認で判断します。
次に確認したいのは、次の3点です。
- 正常とみなせる期間を、記録と照合して説明できるか
- 稼働条件や季節の違いを、基準にどう反映するか
- アラートを誰が確認し、結果をどう残し、いつ見直すか
故障データが少ない状況でも、正常稼働データから検討を始められる場合があります。「手元のデータで何ができるかを確認したい」「PoCが止まっている」といった段階でも、ご相談いただけます。保有データの整理から現場確認を含む運用設計まではMIRASENTが、何から始めるかが決まっていない検討初期の段階はKAMUSHIRUBE(技術・DX相談)が対応します。技術検証の段階では研究開発サポートもご利用いただけます。
参考文献
- Chandola et al. 2009. Anomaly detection: A survey. ACM Computing Surveys. Vol. 41. Issue 3. pp. 1-58. https://doi.org/10.1145/1541880.1541882
- Schölkopf et al. 2001. Estimating the Support of a High-Dimensional Distribution. Neural Computation. Vol. 13. Issue 7. pp. 1443-1471. https://doi.org/10.1162/089976601750264965
- Jardine et al. 2006. A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing. Vol. 20. Issue 7. pp. 1483-1510. https://doi.org/10.1016/j.ymssp.2005.09.012