| 講演名 | 2018-09-21 多様な動作パターンを有する機器に対応した異常度推定手法の提案 小林 一樹(OKI), 関根 理敏(OKI), 伊加田 恵志(OKI), |
|---|---|
| PDFダウンロードページ |  PDFダウンロードページへ |
| 抄録(和) | 本稿では, 多様な動作パターンを持つ機器を対象に, 機器の動作異常度を効率的に推定する手法を提案する. 提案手法は (1) 1 つの同じモデルから各時刻および各周波数について振動特徴量を抽出するような特徴量抽出モデルを自動作成することと, (2) 時刻および周波数ごとに異常度の推移を数値化して表すことの 2 点を特長とする. 提案手法の動作手順の概要は次の通りである. まず, 振動や音響などの時系列センサデータを周波数解析することでスペクトログラムを取得する. 次に, 正常と異常の各スペクトログラムを時間軸方向に平均化した情報から深層学習を利用した特徴量抽出モデルを作成する. この特徴量抽出モデルに対し, スペクトログラムを単位時刻および単位周波数帯ごとに取り出した情報を入力することで, 時刻・周波数帯ごとに振動特徴量が得られる. 最後に, 「時刻と振動特徴量」および「周波数と振動特徴量」の関係を確率モデルで表し, このモデルを利用して異常度推定を行う. また, 評価実験として, 多様な動作を行う機器から提案手法によって抽出した振動特徴量を用いて動作異常度の推定を行い, その有効性を確認する. 評価実験の結果, 「時刻と異常度」および「周波数と異常度」の関係を数値化すると同時に, 異常度が大きくなる時刻・周波数が機器の摩耗したギアの動作特性に関係することを確認した. |
| 抄録(英) | In this paper, we propose an anomaly level estimation method for various operation of machine. Our proposed method has two main functions: 1) making feature extraction models automatically in both time and frequency domains, 2) estimating anomaly level in each time and frequency. The outline of our proposed method is as follows. First, the spectrogram of sensor data such as vibration data and sound data are calculated. Second, the features of them are extracted from the summarized information using deep learning. By inputting the spectrogram divided for each time or each frequency, we can obtain the vibration features for each time or each frequency. Finally, the probability density model for anomaly level estimation is built. It explains the relations between time and vibration features or, frequency and vibration feature. |
| キーワード(和) | 異常検知 / 異常度推定 / 振動分析 / 特徴量抽出 / 機械学習 / ニューラルネットワーク / 深層学習 |
| キーワード(英) | Anomaly Detection / Anomaly Level Estimation / Vibration Analysis / Feature Extraction / Machine Learning / Neural Network / Deep Learning |
| 資料番号 | PRMU2018-56,IBISML2018-33 |
| 発行日 | 2018-09-13 (PRMU, IBISML) |
| 研究会情報 | |
| 研究会 | PRMU / IBISML / IPSJ-CVIM |
|---|---|
| 開催期間 | 2018/9/20(から2日開催) |
| 開催地（和） | 福岡工業大学 |
| 開催地（英） | |
| テーマ（和） | 機械学習と実応用 |
| テーマ（英） | |
| 委員長氏名（和） | 佐藤 真一(NII) / 鹿島 久嗣(京大) |
| 委員長氏名（英） | Shinichi Sato(NII) / Hisashi Kashima(Kyoto Univ.) |
| 副委員長氏名（和） | 井尻 善久(オムロン) / 玉木 徹(広島大) / 杉山 将(東大) / 津田 宏治(東大) |
| 副委員長氏名（英） | Yoshihisa Ijiri(Omron) / Toru Tamaki(Hiroshima Univ.) / Masashi Sugiyama(Univ. of Tokyo) / Koji Tsuda(Univ. of Tokyo) |
| 幹事氏名（和） | 石井 雅人(NEC) / 菅野 裕介(阪大) / 竹内 一郎(名工大) / 神嶌 敏弘(産総研) |
| 幹事氏名（英） | Masato Ishii(NEC) / Yusuke Sugano(Osaka Univ.) / Ichiro Takeuchi(Nagoya Inst. of Tech.) / Toshihiro Kamishima(AIST) |
| 幹事補佐氏名（和） | 入江 豪(NTT) / 牛久 祥孝(東大) / 岩田 具治(NTT) / 大羽 成征(京大) |
| 幹事補佐氏名（英） | Go Irie(NTT) / Yoshitaka Ushiku(Univ. of Tokyo) / Tomoharu Iwata(NTT) / Shigeyuki Oba(Kyoto Univ.) |
| 講演論文情報詳細 | |
| 申込み研究会 | Technical Committee on Pattern Recognition and Media Understanding / Technical Committee on Infomation-Based Induction Sciences and Machine Learning / Special Interest Group on Computer Vision and Image Media |
|---|---|
| 本文の言語 | JPN |
| タイトル（和） | 多様な動作パターンを有する機器に対応した異常度推定手法の提案 |
| サブタイトル（和） | |
| タイトル（英） | Anomaly Detection for Various Operations of Machine |
| サブタイトル（和） | |
| キーワード(1)（和/英） | 異常検知 / Anomaly Detection |
| キーワード(2)（和/英） | 異常度推定 / Anomaly Level Estimation |
| キーワード(3)（和/英） | 振動分析 / Vibration Analysis |
| キーワード(4)（和/英） | 特徴量抽出 / Feature Extraction |
| キーワード(5)（和/英） | 機械学習 / Machine Learning |
| キーワード(6)（和/英） | ニューラルネットワーク / Neural Network |
| キーワード(7)（和/英） | 深層学習 / Deep Learning |
| 第 1 著者 氏名（和/英） | 小林 一樹 / Kazuki Kobayashi |
| 第 1 著者 所属（和/英） | 沖電気工業株式会社(略称：OKI) Oki Electric Industry Co., Ltd.(略称：OKI) |
| 第 2 著者 氏名（和/英） | 関根 理敏 / Masatoshi Sekine |
| 第 2 著者 所属（和/英） | 沖電気工業株式会社(略称：OKI) Oki Electric Industry Co., Ltd.(略称：OKI) |
| 第 3 著者 氏名（和/英） | 伊加田 恵志 / Satoshi Ikada |
| 第 3 著者 所属（和/英） | 沖電気工業株式会社(略称：OKI) Oki Electric Industry Co., Ltd.(略称：OKI) |
| 発表年月日 | 2018-09-21 |
| 資料番号 | PRMU2018-56,IBISML2018-33 |
| 巻番号（vol） | vol.118 |
| 号番号（no） | PRMU-219,IBISML-220 |
| ページ範囲 | pp.133-138(PRMU), pp.133-138(IBISML), |
| ページ数 | 6 |
| 発行日 | 2018-09-13 (PRMU, IBISML) |