2018年12月12日
日本電気株式会社

NECは、センサーなどから収集された時系列データを分析し、検索可能にすることで、迅速・高精度なシステムの状態判別を実現するAI技術「時系列データ モデルフリー分析技術」を開発しました。プラントや道路・橋梁、鉄道・自動車など、社会インフラの運用監視に適用することで、異常検知、障害診断、故障予測が可能になります。

本技術は、プラントなどの社会インフラ設備に設置されたセンサーなどから収集・蓄積されたデータを用いて、現在の状態(正常・異常・異常の前兆動作)を迅速かつ高精度に判断します。
具体的には、最初に収集・蓄積されたデータをディープラーニングで学習することで、特徴抽出エンジンを自動生成します。このエンジンを使い、アナログデータとして収集したセンサーデータからデータ容量のコンパクトなバイナリデータに変換します。データに内在する特徴的な動きを学習することで、類似したバイナリデータを検索するだけで、現在の状態に類似した過去の状態を見つけることが可能になります。例えば、システムの運用監視へ適用した場合は、異常の検知や、障害診断、異常の前兆動作から故障予測を行うことが可能となります。

現在のシステムや設備などの運用監視は、数式などを用いて対象から得られるデータをモデル化し、システムがモデル通りに稼働しているかを判断する方式が大半でした。しかし、この方式ではモデルの構築・検証・評価(チューニング)に時間と手間がかかっていました。

本技術は、対象から得られるデータをモデル化せず(モデルフリー)に、データの時間的な変化やデータ間の関係を特徴として抽出し、バイナリデータに変換して、その比較で対象の状態を判断する新しい方式です。時系列データによる運用監視において、監視員が経験的に行っているデータの特徴点の発見と同様のことを、AIで実現します。
また、少量データしかない早期の段階から活用可能で、運用しながら精度を向上させることができます。本方式ではモデル化も不要であり、迅速な導入ができます。

NECは2019年度中に火力発電所での実用化を目指しており、実証・検証を重ねて、他の社会インフラ等へも適用範囲を拡大していきます。

NECは2020年度までの3カ年の中期経営計画「2020中期経営計画」においてセーフティ事業をグローバルでの成長エンジンに位置づけています。本技術は、「NEC Safer Cities」実現に向けたソリューションやサービスの開発を加速・強化するものであり、安全・安心な街づくりに貢献していきます。

本技術による運用監視の流れ

1. 学習フェーズ：収集・蓄積したデータを用いて、特徴抽出エンジンを生成
   運用対象に設置された多種多様なセンサーから収集・蓄積された時系列データを、一定時間毎の部分時系列(セグメント)として分割します。この分割した各セグメントに内在する特徴的な動きをディープラーニングで繰り返し学習し、時系列データをコンパクトなバイナリデータへ変換する特徴抽出エンジンを自動生成します。
2. 蓄積フェーズ：蓄積データの特徴を自動抽出してデータベース化
   特徴抽出エンジンを用いて、収集・蓄積されたデータを分割したすべてのセグメントを、バイナリ形式に変換してデータベースに格納します。これにより、データ量が圧縮され、高速な検索が実現可能になります。
3. 監視フェーズ：特徴データベースの検索で運用対象の状態を把握
   監視している時系列データを特徴抽出エンジンでバイナリデータへ変換し、これを検索キーとして特徴データベースから類似したバイナリデータを検索することで、運用対象の状態を判断します。これにより、これまで検知が難しかった異常の検知や、障害診断、故障予測が実現できます。

本技術の特長

1. データの特徴を抽出可能な特徴抽出エンジンの自動生成
   検索に適した特徴抽出(変換)のために、本技術の特徴抽出エンジンでは、データの(1)時間的な変化と、(2)センサー間の関係性の二つに着目しました。エンジン内部にそれぞれの特徴を抽出する特徴エンジンを2つ持ち、これらの結果を合成することによって、最終的に特徴をバイナリデータとして変換します。内部のエンジンを、ディープラーニングを用いて同時に学習し、NEC独自の学習指標で効率的な学習を実現しています。
2. 異常検知だけでなく、異常診断や異常予測が可能
   過去に発生した様々な障害時のデータの特徴と比較することで、異常検知だけでなく、過去の経験に基づいた障害診断が可能となります。本技術では、熟練者が経験と勘で気づくような手掛かりを、過去に発生した特徴が類似している障害情報から探ることが可能になります。これにより、万が一障害が発生しても、適切なリカバリー対応を実施することで障害復旧期間の短縮が可能となります。
   また、障害の発生前に共通して現れるデータの特徴と比較することで、障害の発生前と現在が同じ状態になったことを検知し、故障が特定時間後に発生する可能性を事前に検知・予測することができるようになります。これにより、事前の部品交換や系統の切り替えなど、予防的な対応が可能となります。

なお、本技術は、データマイニングに関する国際会議「24th SIGKDD Conference on Knowledge Discovery and Data Mining (開催地：ロンドン)」にて、2018年8月に発表しました(注)。

NECグループは、安全・安心・効率・公平という社会価値を創造する「社会ソリューション事業」をグローバルに推進しています。当社は、先進ICTや知見を融合し、人々がより明るく豊かに生きる、効率的で洗練された社会を実現していきます。

以上

• (注)Dongjin Song, Xia Ning, Wei Cheng, Haifeng Chen, Dacheng Tao. "Deep r-th Root of Rank Supervised Joint Binary Embedding for Multivariate Time Series Retrieval"
  SIGKDD Conference on Knowledge Discovery and Data Mining (KDD) https://www.kdd.org/kdd2018/にて発表。

URL：https://jpn.nec.com/rd/technologies/201806/index.html

NEC　研究企画本部 研究プロモーショングループ
お問い合わせ

NECは、社会ソリューション事業を推進する
ブランドメッセージ「Orchestrating a brighter world」のもと、
今後の世界の大きな変化(メガトレンド)に対応する
様々な課題解決や社会価値創造に貢献していきます。
詳細はこちらをご覧ください。
https://jpn.nec.com/profile/vision/message.html