NECは2018年12月12日、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可能にするAI技術「時系列データ モデルフリー分析技術」を開発したと発表した。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る。
NECが開発した時系列データ モデルフリー分析技術は、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する技術である（図1）。
図1：AIを活用した時系列データ分析による状態判別技術を利用した運用監視の流れ（出典：NEC）拡大画像表示
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（深層学習）で学習することで、特徴抽出エンジンを自動生成する。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ーデータに変換する。データに内在する特徴的な動きを学習することで、類似したバイナリーデータを検索して、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る。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になる。
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、バイナリーデータに変換して、その比較で対象の状態を判断する新しい方式を採用している。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で可能にする。
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可能だ。同方式ではモデル化も不要なため、迅速な導入ができる。
検索に適した特徴点の抽出（変換）のために、同技術の特徴抽出エンジンでは、データの時間的な変化と、センサー間の関係性の2つに着目した。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ーデータとして変換する。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可能にしている。
過去に発生したさまざまな障害時のデータの特徴と比較することで、異常検知のほかにも、過去の経験に基づいた障害診断が可能になる。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できるようになる。これにより、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になる。
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る。これにより、事前の部品交換や系統の切り替えなど、予防的な対応を行える。
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、他の社会インフラなどへも適用範囲を拡大していく考えだ。
