- Edge Computing
エッジでの機械学習:IIoTゲートウェイにおける新規性検知の応用事例
本稿では、2つのケーススタディ向けの機械学習(ML)モジュールの設計と開発について紹介します。どちらのケースでも、システムの正常な挙動を学習し、発生しうるあらゆる異常な状態を特定するMLモデルを開発しました。このような枠組みは、一般に異常検知(故障検知や新規性検知とも呼ばれます)と呼ばれます。私たちのモデルは、人為的に与えた異常を特定することに成功しました。さらに、正常なデータを入力した場合には、異常は検出されませんでした。結果については、センサーの種類、学習アルゴリズム、学習にかかる労力、計算負荷の間のトレードオフを考慮して議論します。

I. はじめに
Internet of Things(IoT)により、接続されたデバイスを通じて、膨大な量の実世界のデータを収集できるようになりました。低コスト・低消費電力のセンサーの普及や、IoTゲートウェイとして使われる高性能なシングルボードコンピューター(SBC)のおかげで、現在の産業プラントを構成する環境や機械の監視は、かつてないほど実現しやすく、手頃なものになっています。しかし、取得したデータを分析して、そこに潜む可能性を引き出し、価値あるものに変えることは、容易ではなく、標準的なプロセスに落とし込むのも簡単ではありません。使用される機械が多様であり、それらを「センシング」し、健全性を確認する方法もさまざまだからです。
II. IoTシステムにおける状態監視と故障検知
「故障検知と診断」「状態監視」「予知保全」といった、比較的新しい表現や、そのバリエーションの数々が、スマートファクトリーの用語として広まったり、新しい意味を持ったりしています。それらの境界はしばしば曖昧ですが、一般に、潜在的に危険な、あるいは壊滅的ですらある故障を早期に検知することで、予期せぬ故障と企業の保守コストの両方を下げることを目指す、さまざまな戦略の集合を指します。IoTと人工知能(AI)の相互作用は、産業プロセスの安全性と信頼性を成功させるための、新しいデータドリブンなアプローチへの扉を開きました [1]。さまざまな種類のセンサーを使うことで、稼働中の機械と周囲の環境に関する多面的な情報を収集・処理できるようになっています。電流、電圧などの電気量、温度、圧力、湿度、振動、音響信号、さまざまな周波数帯の電磁放射などです [2]。
オンラインの状態監視(CM)では、機械が稼働している間に、状態を表す1つ以上の変数(状態のパラメーター)を測定し、それらやそこから導かれる量が、物理、設計、安全の観点から、あるいは過去の変動と比べて、「許容できる」範囲内にあるかどうかを確認します [3]。この確認には、単一パラメーターのしきい値チェックからルールベースのエキスパートシステム、モデルベース(有限要素法など)の手法から高度な機械学習の手法まで、さまざまなアプローチが用いられます [4]。一般に、この確認に失敗するとアラームが発生し、是正措置を講じるかどうか、またどのような措置を講じるかの判断のきっかけになります。この意味で、CMは予知保全(PM)の主要な前提条件です。予知保全とは、測定データを使用して、故障が発生する前にその兆候を予測し [5]、機械に介入する最もコスト効率の高い時期を判断することです。したがって、保守や、機械の部分的または全面的な交換作業は、状態監視システムの評価によって得られた情報に基づいて計画できます。
こうしたテーマについては、数多くの視点や応用分野を集めた膨大な文献があります。NASAの研究者による10年前の概説 [6] には、「故障の前兆を検出し、故障が起こりそうになるまでの残り時間を予測する」ことを意味する、予後診断のためのAI技術がまとめられています。[7] には、資産がある運用時点で残している耐用期間、つまり残存耐用寿命(RUL)を推定するための最近の統計的なデータドリブンの手法のレビューがあり、RULは状態基準保全(CBM)で重要な役割を果たします。CBMのための予後診断手法に関する文献レビュー [8] では、それらを4つのカテゴリー(物理モデル、知識ベースのモデル、データドリブンのモデル、複合モデル)に分類し、パラメトリックおよびノンパラメトリックの両方のデータドリブンなアプローチに焦点を当てています。さらに、「CBMを実装する機械システムの診断と予後診断について、データ処理と保全の意思決定のためのモデル、アルゴリズム、技術に重点を置いた」詳細な概要を示すために、[9] では複数のセンサーデータの融合技術も解説しています。最近の論文では、[10] が、機械の健全性監視システムにおけるディープラーニングの応用を、とくにArtificial Neural Networks(ANN)に注目してまとめています。[11] は、過去15年間のCBMおよびPMソリューションの概要と、それらが機械のさまざまな部品やプロセスにどのような結果をもたらしたかを紹介しています。
III. ケーススタディ
これらのケーススタディは、産業用IoTソリューション(IIoT)を推進するためにトスカーナ州政府が支援するプロジェクトに参加したことで見つかりました。IIoTは、トスカーナ州が資金を提供する2年間のプロジェクトで、Industry 4.0に焦点を当て、2018年に始まりました。さまざまな企業が協力して、企業が新しいIndustry 4.0の視点へ移行し、製品を革新し、成長する新しいIIoT市場の恩恵を受けられるようにするための、新しいフレームワークを作り出しています。
IIoTプロジェクトは、新しい製品を設計、製造し、市場に投入することを目指しています。これには、組込みハードウェアツール一式、クラウドサービスをベースにしたソフトウェアプラットフォーム、ML、そしてプロフェッショナルサービスが含まれます。経済面や人材面、知識や能力の点で、デジタルな主体やデジタル製造業者として自らを位置づける力を持たない、すべての中小規模の産業を対象としています。このシステムは、企業の最初の知識のギャップを縮め、プロセス全体の初期投資を分散させることを提案します。最終的な成果は、ハードウェア一式(センサーブリッジ、ゲートウェイ)が、すべてのデバイス、データフロー、さまざまなレベルの計算能力をリモートで管理するよう設計されたソフトウェア環境と完全に統合されたものになります。さらに、最も一般的な産業用途を解決するために、専用の開発プロセスを備えたMLモジュール一式が提供されます。
ケーススタディの対象は、主に2つの産業分野から選びました。キッチンフードの製造業者と、産業用太陽光発電の製造業者です。
A. 換気 - キッチンフード
このセクションでは、興味深い側面を多数備えた実験環境の分析について説明します。デバイスのリモート監視の2つの詳細に焦点を当てます。1つは離散的な稼働状態の予測、もう1つは各状態の標準的な稼働挙動に対する、起こりうる異常の検知です。
この問題を調査する動機は、次のようにまとめられます。高頻度の時系列を提供し、急速に故障状態へと悪化しうる速いダイナミクスを示すセンサーのリアルタイム監視。監視対象の現象と直接関係のない物理量の測定の分析。教師あり・教師なしのMLの手法を組み合わせたモデルのアンサンブルの検討。そして、低消費電力のシングルボードコンピューター上で高頻度の計算を実行する際の、エッジでの計算性能の検証です。
最初の定性分析の結果から、全体の計算要件が予想を大きく下回ること、そして提案したアルゴリズムが、システムの状態を分類することも、異常を高い精度で検知することもできることが示されています。
システムの説明
提案する分析は、IoTゲートウェイを通じてキッチンフードをリモートで監視し、必要な計算のすべてをエッジレベルで完全に実行するというものです。具体的には、フードの電動モーターの稼働状態を分析します。これは、あらゆる種類の産業用モーターの一般的な代表例となりえます。IoTゲートウェイには、リアルタイムのデータ取得を実行できる人工知能アルゴリズムが搭載されており、トラフィックとセキュリティの両方の問題につながりかねない、ネットワーク通信への集中的な負荷を避けています [12]。
このアプローチは、さまざまな状況で役立ちます。私たちのケースで最も興味深い例は、システムが高頻度でデータを生成する現象を分析する必要があり、クラウドでのリアルタイム監視が不可能な場合です。この場合、アルゴリズムが必要な前処理を直接実行し、環境の要約(この場合は現在の状態と、場合によっては故障)を生成します。
分析は、空気を浄化するために使われるフードの電動モーターを対象に行います。このデバイスには3段階の稼働速度があり、それぞれが異なる稼働構成を表します。システムの最初のタスクは、振動の特徴に基づいて、現在の稼働状態を分類することです。もちろん、この情報の抽出は、フードのPLCから把握できるため、重要な側面ではありません。しかし、入力信号の分析を、よく知られた情報と組み合わせることで、データを分析し、現象の特徴を表現するのに最適なデータ処理を見つけるための、明確に定義された手段が得られます。振動の特徴の取得には、圧電マイクを使用します。これは、高頻度のサンプリングでデータを取得でき、外部環境から入り込みうる音響ノイズをフィルタリングできます。このように高い分解能でデータを取得できたことで、新規性検知(ND)の構成で、より複雑な分析を行えました。実際、各状態の振動の特徴の変化を分析することで、エアフローのフィルタリング機構に起こりうる異常を検知しようとしました。この目的のために、起こりうるすべての構成を効果的に監視できる単一のNDアルゴリズムを学習させることは難しいことがわかりました。現在の状態のラベルを与えてくれる分類器はすでに学習済みであるため、状態ごとに専用のエージェントを開発することにしました。
全体のパイプラインを図1に示します。前述のとおり、システムは高頻度のレートでサンプリングされたデータを分析できる必要があるため、展開後は、取得と推論のステップが交互に実行されます。一方、学習ステップに使うデータはオフラインで収集できます。
マイクから適切なサイズのサンプルのバッファを取得すると、フーリエ解析に基づく古典的な信号処理の手法を用いて、周波数領域の関連情報を生成します。これにより、それぞれが短い時間窓の情報を含む、一連のフレームが生成されます。続いて、状態分類器がこれらの入力データに対して複数回の予測を行い、各フレームのラベルの系列を推論します。
次に、多数決方式を用いて、単一の頑健なラベルを導きます。最終的な判断は、NDを実行する対応モデルの選択に使われます。モデルは同じフレームを入力として受け取り、学習フェーズで見たサンプルに基づく新規性スコアを返します。新規性スコアも完全ではないため、バッファを構成する連続したサンプルの予測を利用してスコアに平滑化ウィンドウを適用し、異常スコアに対する頑健性を高めました。
結果
実験はすべて、NXP i.MX 6SoloX Applications Processor(Cortex A9)CPU [13] を搭載したSECO SBC-C23ゲートウェイ上で行いました。入力は、16ビットエンコーディングの44.1KHzでサンプリングしています。各状態について約1分間のデータを記録し、これを分類器とNDアルゴリズムの学習用データセットとしました。異常検知タスクのテストデータは、正常なデータ、またはエアフィルターの出口を部分的にふさいだ状態で記録したデータ(それぞれ別々)を含む、約10秒のトラックで構成されています(各状態について、正常と異常のトラックを1つずつ記録)。どちらのアルゴリズムの入力特徴も、周波数スペクトログラムのパワーの対数で、25%のオーバーラップを持つ512サンプルの窓で計算し(Librosa pythonライブラリ [14,15] で計算)、257次元の特徴ベクトルを生成して、そこに信号のRMSEの情報を加えています。
| 速度 | 分類(単一フレーム) | 異常検知(フレームの系列) | |
|---|---|---|---|
| 精度 | 検知された異常 | 偽陽性率 | |
| 1 | 99,79 | 99,85 | 1,09 |
| 2 | 97,21 | 98,79 | 0,56 |
| 3 | 73,21 | 72,01 | 0,00 |
| フードのモーターの各速度について、正常な状態での分類精度(1列目)を示しています。エアフィルターの出口を部分的にふさいだ異常な状態での、検知された異常の割合(2列目)と偽陽性の割合(3列目)を示しています。 | |||
分類器も検知器も、ニューラルネットワーク(Keras [16] で実装)に基づいています。分類器は、3クラスの予測を行う、フィードフォワード型の2層ニューラルネットワーク(100 HU)です。各クラスについて、NDアルゴリズムは単純なオートエンコーダー(隠れ層1層、32 HU)として実装し、再構成誤差を各パターンの異常度のスコアとして扱います。平滑化は、約20個の予測を考慮するように設定しています。この構成では、モデルの学習をエッジで直接、30分未満で実行できます。
テストフェーズでは、使用したボードは約2.5 Hzで予測を出力でき、CPU負荷は27%、メモリ消費は2%(4GB中)です。精度と検知性能はTable 1にまとめています。
ご覧のとおり、予測性能はかなり高く、速度が高く周波数の変化が大きい状態3ではやや低下しています。ただし、多数決方式により、バッファ内で状態の変化が起こらなければ、サンプルの各バッファに対して正しい分類を提供できます(ただし、この設定では各バッファは1秒未満のごく一部です)。正しいラベルの取得は、NDを実行する正しいモデルを選択するための基本的なステップです。この場合でも、誤報に対する異常検知率は十分に高く、しきい値設定についてさらに検討する必要はありません。
B. ウォーターポンプ
2つ目のシナリオは、太陽エネルギーを吸収して蓄え、公共または民間のさまざまなサービスに再利用し、オフグリッド地域の水を浄化できる、オールインワンシステムに基づいています。このソリューションは、飲料水や電力が限られている地球上の恵まれない地域の公共インフラという文脈から生まれましたが、家庭でのエネルギー管理を行う民間の環境にも適しています。さらに、設置されたコミュニティのWi-Fiホットスポットとしても機能します。2G/3G/4Gのデータ接続を備え、周囲のデバイスと無線で共有できるため、人々が集まる拠点にもなります。
ビジネス上の問いからMLの課題へ:センサーの設計
Survivor Box向けのIoTソリューションの設計を定めるには、ビジネスニーズを理解する必要がありました。ビジネス上の課題を特定することで、機械システムの要所に配置するセンサー一式を定めることができました。センサー一式を定めたことで、ビジネス上の問いをさまざまなMLの課題に変換できました。ここで説明するのは、浄水ポンプの故障検知です。
システムの正常な挙動を学習するために用いたアルゴリズムは、Local Outlier Factor(LOF)[17] です。学習フェーズでは、LOFは学習セット内の「正常」な点(ここでは、各成分が特定のセンサーの読み取り値に対応する9次元のベクトルが1つの点)の、1つ以上のクラスターを特定することを目指します。その後、推論フェーズでは、新しい観測値の異常度を、その観測値が周囲の近傍点からどれだけ孤立しているかに基づいて計算します。加速度センサーの読み取り値は、システムの正常な挙動でさえ特徴づける、知覚できないほどの微小な振動に非常に敏感だと予想されたため、モデルの単一の予測に基づいてシステムの状態(正常か異常か)を推定せず、直近10点のモデルの予測を平均することにしました。モデルは、Pythonとscikit-learn [18] ライブラリを使って実装しました。2000個のデータ点でのモデルの学習には約20秒かかり、CPU [19] の消費は2%、メモリ消費は0.1%(2GB中)でした。推論フェーズでは、モデルは1秒あたり約50件の予測を行えました。システムの性能は、異常を人為的に与えて、それらが検知されることを確認することで評価しました。さらに、正常な観測値が異常とみなされないことも確認しました。
テストした2種類の異常は次のとおりです。
- 加速度センサーの異常:システムが置かれている面を叩いて、振動を発生させました
- 水流の異常:小さなハンドルを使って水流のレベルを調整しました。モデルの学習時に使った速度とは異なる速度で水を流すことで、異常を再現しました
私たちのモデルが、人為的に与えた異常を特定することに成功したと、はっきり言えます(Table 2)。さらに、正常なデータを入力した場合には、異常は観測されませんでした。
| 予測 | |||
| 正常 | 異常 | ||
| 実際 | 正常 | 1000 | 0 |
| 異常 | 12 | 1988 | |
| 正常データと異常データ(加速度センサーへの手動の外乱と水流への手動の外乱でほぼ均等)に対するモデルの予測を示した混同行列。 | |||
結果
環境条件が変化すると、システムの「正常」な動作条件も変わり、モデルに悪影響を及ぼす可能性があります。この問題には、少なくとも2つの解決策があると考えています。1つ目は、環境条件の起こりうる変化がデータセットに「組み込まれる」ように、非常に大規模なデータセットでモデルを学習させる方法です。ただし、LOFはインスタンスベースの学習アルゴリズムであるため、これでは学習時間も推論時間も大幅に増えてしまいます。2つ目は、学習サンプル数が少なければ学習時間も短いという事実に基づき、正常な動作条件が変わるたびにモデルを再学習させる方法です。
結論
低コスト・低消費電力のセンサーの普及や、IoTゲートウェイとして使われる高性能なシングルボードコンピューター(SBC)のおかげで、産業プラントの監視は、かつてないほど実現しやすく、手頃なものになりました。IoTとMLの相互作用は、産業プロセスの安全性と信頼性を成功させるための、新しいデータドリブンなアプローチへの扉を開きました。これら2つの応用では、MLに基づくさまざまな手法を試し、あらかじめ決められた状態の集合からシステムの状態を予測する方法と、起こりうる異常な状況を検知する方法の両方で成功を収めました。両者のアプローチを組み合わせることもできました。監視は、分析対象の現象に対する直接測定と間接測定の両方でテストしました。システムはエッジで計算を実行でき、非常に高頻度のデータ取得を必要とする環境でも利用できます。これは、すべてのデータをリモートのシステムと共有できないアプリケーションでは決定的に重要になりえます。この予備的な研究により、いくつかの実験環境を検証し、実際のタスクにおける計算コストと性能のトレードオフを評価できました。さまざまなシナリオにおける、より複雑な監視システムのさらなる調査に向けた基礎が築かれました。
参考文献
[1] Al-Garadi, Mohammed Ali, et al. "A Survey of Machine and Deep Learning Methods for Internet of Things (IoT) Security." arXiv preprint arXiv:1807.11023 (2018).
[2] Si, Jia, Yibin Li, and Sile Ma. "Intelligent fault diagnosis for industrial big data." Journal of Signal Processing Systems 90.8-9 (2018): 1221-1233.
[3] Gustafsson, J., and F. Sandin. "District heating monitoring and control systems." Advanced District Heating and Cooling (DHC) Systems. Woodhead Publishing, 2016. 241-258.
[4] Sin, M. L., W. L. Soong, and N. Ertugrul. "Induction machine online condition monitoring and fault diagnosis-A survey." Australasian universities power engineering conference. Vol. 28. 2003.
[5] Jahnke, Patrick. "Machine learning approaches for failure type detection and predictive maintenance." Technische Universität Darmstadt 19 (2015).
[6] Schwabacher, Mark, and Kai Goebel. "A survey of artificial intelligence for prognostics." Aaai fall symposium. 2007.
[7] Si, Xiao-Sheng, et al. "Remaining useful life estimation–a review on the statistical data-driven approaches." European journal of operational research 213.1 (2011): 1-14.
[8] Peng, Ying, Ming Dong, and Ming Jian Zuo. "Current status of machine prognostics in condition-based maintenance: a review." The International Journal of Advanced Manufacturing Technology 50.1-4 (2010): 297-313.
[9] Jardine, Andrew KS, Daming Lin, and Dragan Banjevic. "A review on machinery diagnostics and prognostics implementing condition-based maintenance." Mechanical systems and signal processing 20.7 (2006): 1483-1510.
[10] Zhao, Rui, et al. "Deep learning and its applications to machine health monitoring." Mechanical Systems and Signal Processing 115 (2019): 213-237.
[11] Sakib, Nazmus, and Thorsten Wuest. "Challenges and Opportunities of Condition-based Predictive Maintenance: A Review." Procedia CIRP 78 (2018): 267-272.
[12] Čolaković, Alem, and Mesud Hadžialić. "Internet of Things (IoT): A review of enabling technologies, challenges, and open research issues." Computer Networks (2018).
[13] edge.seco.com/en/
[14] McFee, Brian, et al. "librosa: Audio and music signal analysis in python." Proceedings of the 14th python in science conference. 2015.
[15] github.com/librosa/librosa
[16] keras.io
[17] Breunig, M. M., Kriegel, H. P., Ng, R. T., & Sander, J. (2000, May). LOF: identifying density-based local outliers. In ACM sigmod record.
[18] Scikit-learn: Machine Learning in Python, Pedregosa et al., JMLR 12, pp. 2825-2830, 2011.
SECO ニュースレターを受け取る。
seco.com でメールアドレスを登録してください。



