異常検知に関する機械学習手法の利用方法の提案と評価‐オートエンコーダによる次元削減を用いたクラスタリング‐

• Item type: SIG Technical Reports(1)
• 公開日: 2021-11-18
• タイトル: 異常検知に関する機械学習手法の利用方法の提案と評価‐オートエンコーダによる次元削減を用いたクラスタリング‐
• タイトル / 言語: en
• タイトル: Proposal of Machine Learning Workflow for Anomaly Detection - Clustering by Autoencoder Dimensionality Reduction -
• 言語: jpn
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: マグ・イゾベール株式会社
• 著者所属: 大阪工業大学情報科学部情報システム学科
• 著者所属(英): en
• 著者所属(英): MAG-ISOVER K.K.
• 著者所属(英): en
• 著者所属(英): Osaka Institute of Technology
• 著者名: 住谷, 浩一; 本田, 澄
• 著者名(英): Koichi, Sumiya; Kiyoshi, Honda
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 機械学習や深層学習を用いて異常の検知を行うシステムを構築する場合，訓練データからシステムを最適化する帰納的なプログラミングが必要になる．問題は，性能が訓練データの量と質に影響されることであるが，性能を担保する網羅的な訓練データを準備することは容易ではない．本報告では，異常検知の適用事例から現在のプログラミング構造の特徴をまとめた上で，一般工程で多く取得されている，教師ラベルがない時系列信号に対しても適用可能とすることで量と質の問題を解決する状態検知のワークフローを提案する．具体的には，時系列信号を直接オートエンコーダの入力として次元削減された特徴量を生成し，k-means によってクラスタリングを行うことにより工程の状態を層別するフローと，その結果をドメイン特徴量の指標で評価するフローから構成される．プロトタイプをグラスウール製造工程の回転機械に設置された一軸加速度センサに対し実装し，提案方法の有効性と妥当性を評価する．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In structuring a system that detects anomalies using machine learning or deep learning, inductive programming to optimize the system from training data is required. Performance is dependent on the quantity and quality of training data, but the preparation of comprehensive training data is not easy. This paper summarizes the programming structure for anomaly detection, then proposes the condition monitoring workflow for time-series data that are typically not labeled and intricately mixed anormal with normal or vice versa. The acceleration signals are directly fed into the Convolutional Autoencoder to generate the dimensionality reduced features, and clustered by k-means. The prototype is implemented on a uniaxial accelerometer of rotating machinery in the glass wool manufacturing process, and validated by the results of domain knowledge.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AN10112981
• 書誌情報: 研究報告ソフトウェア工学（SE）; 巻 2021-SE-209, 号 1, p. 1-8, 発行日 2021-11-18
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8825
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会