IoT異常検知：予期せぬ事態を予測するためのデータサイエンス（前編）

データ分析 2020.2.6

著者：Rosaria Silipo (KNIME)

機械の故障やセキュリティ侵害の可能性を予測する

データサイエンスおよび、人工知能（AI）技術は、長年にわたって次のような様々な種類のイベントを予測または、検出するために適用されてきました。

“機械学習のユースケース” でWeb検索を行うと、さまざまなデータドメインでイベントグループを検出したり予測する機械学習（ML）アルゴリズムを解説するページが検出されます。

一般的に機械学習ベースのアプリケーションを成功させるための鍵は、十分なトレーニングを行うことです。
トレーニング中の機械学習モデルには、各イベントグループについてトレーニングするのに十分な数の使用可能な例が必要です。
これは、データサイエンスプロジェクトの重要なポイントの1つです。

機械学習アルゴリズムを適用した場合、部品の劣化を予測したり、サイバーセキュリティの侵害を検出することができます。
データサイエンス手法は「IoT」や「サイバーセキュリティ」の分野で既に実績があります。たとえば、「IoT」での機械学習の典型的な使用法は需要予測です。

事前に数値を把握しておくと計画が立てやすくなります。

ヘルスケア分野でも「IoT」でデータサイエンスを利用することが一般的です。
バイタルサインを監視するアプリやデバイスが多くあり、リアルタイムに大量のデータを取得して健康状態の評価に使用することができます。

「IoT」のもう1つの一般的な利用法は「故障予測」です。機械の部品がメンテナンスを必要とするかどうか、いつ必要になるかを予測することは、最適なメンテナンススケジュールを計画することができ、機械の寿命を延ばすことができます。

一般的に機械部品が非常に精巧で高価であることを考えると、これはとても大きなメリットです。この方法は、データセットが利用可能な場合に効果的であり、データセットにラベルが付いている場合にはさらに効果的です。

ラベル付きデータは、イベントを記述する数値の各ベクトルが、特定のイベント・クラスに事前に割り当てられていることを意味します。

「異常検知」はデータサイエンスの専門分野です。異常とは極めてまれな事象で過去データや現在の知識では想定できてないイベントです。データサイエンスにおいて解決に導くのが最も難しいユースケースの一つです。

「異常検知」の難しいところは、事例がなく事前に予測もできないイベントを探すことです。絶望的に思えるかもしれませんが、この状態は珍しい事ではありません。

これらはラベル付きデータ例に基づいた従来のデータサイエンスアプローチは適用できません。この問題の解決策は、事例から学習する通常のアルゴリズムの応用です。

図１．通常機能しているシステムからの信号で機械学習モデルを作成しておけば、元の信号と予測信号間の距離測定を使用して異常アラームを検知できます。

IoTデータの場合、信号の時系列は機械コンポーネント上またはその周辺に最適に配置されたセンサーから生成されます。時系列データは時間の経過に伴う変数の値のシーケンスです。変数はオブジェクトの機械的特性を表し、一つ以上のセンサーを介して測定されます。

通常、機械部品は正常に機能しており破損例はほぼゼロです。これは、故障が発生して機械全体を危険にさらす前に廃棄・交換されることが多いためです。メカニカルチェーンで重要な役割を果たす機器の場合は特に当てはまります。

「IoT」で重要なのことは、実際に発生する前に障害の可能性を予測することです。そうすることで他の部品を危険にさらすことなく、ライフサイクル全体を通してメカニカル部品を使用できます。故障の兆候を予測するこのタスクは「故障予測」における「異常検知」呼ばれます。

詳細はこちらを参照してください。