MLinfo/製造業AI

Internalization Guide

工程条件の異常検知のAI/MI実装ガイド

正常データが中心の工程・設備データから、外れ値や異常兆候を見つけるための導線です。

「製造業 異常検知 センサデータ」「正常データのみ 異常検知」で調べる人が、工程や設備の監視PoCを始めるためのページです。

実装の始め方

  1. 1まず正常期間を定義し、センサや工程値の欠損・外れ値を整理します。
  2. 2Isolation ForestなどCPUで動く手法をベースラインにします。
  3. 3異常スコアの時系列を可視化し、既知トラブル日と照合します。
  4. 4現場が対応できるしきい値と通知頻度を決めます。

自社データでPoCする時の考え方

教師あり分類ではなく、正常データ中心で始められる手法を優先します。

異常スコアを時系列で可視化し、既知の停止、メンテナンス、品質不良と重ねて確認します。

現場が対応できない頻度でアラートが出るモデルは、精度が高くても運用に乗りません。

よくある落とし穴

  • ・運転モードの違いを無視すると、正常な条件変更を異常として検出します。
  • ・センサ欠損や校正ずれを処理しないと、モデルが設備異常ではなくデータ品質を検出します。
  • ・異常ラベルが少ない場合、AUCだけでは運用性能を判断しにくいです。

よくある質問

異常ラベルがなくても始められますか？

始められます。Isolation Forest、One-Class SVM、統計的なしきい値などで正常からのズレを見る方法が現実的です。

深層学習のAutoEncoderから始めるべきですか？

最初は必須ではありません。まずCPUで動くIsolation Forestやロバスト統計でベースラインを作る方が比較しやすいです。

おすすめ手法

Isolation ForestOne-Class SVMAutoEncoderChange Point DetectionRobust Statistics

関連する論文・実装

237 articles
製造業 86
製造業 84
製造業 75
製造業 72
製造業 68
製造業 67
製造業 66
arxivGitHubあり2026-06-08

FAME: Forecastability-Aware Mixture of Experts for Heterogeneous Time Series Forecasting

この研究では、複数の時系列予測を合わせたモデルを使用して、個々の時系列の特性を考慮した予測を行うFAMEを提案します。このモデルは、個々の時系列の特性を考慮することで、より正確な予測が可能になります。

表形式向きCPUで試しやすいセンサ/時系列深層学習Transformer予測テキスト時系列
用途
多様な時系列予測
難易度
Easy
コスト
Low
→
製造業 62
製造業 62
製造業 58
製造業 58
製造業 52
製造業 51
製造業 51
製造業 49
製造業 49