多変量で見る価値は「関係の崩れ」を捉えること
設備や工程のセンサは、互いに関係して動いています。ポンプの回転数が上がれば流量が増え、流量が増えれば下流のタンクの水位が上がる、という具合です。1つのセンサの値が正常範囲内でも、この関係が崩れていれば、どこかで何かが起きています。センサの故障、配管の詰まり、制御の異常、そしてサイバー攻撃による値の改ざんもその例です。
多変量の異常検知は、複数のセンサを同時に見て、この関係の崩れを捉える手法です。単変量の閾値管理との違いは、品質管理の多変量SPCと同じ考え方です。
SWaT：51センサの水処理テストベッド
多変量の産業データで異常検知を試すとき、よく使われる公開データセットの1つがSWaT（Secure Water Treatment）です。シンガポール工科デザイン大学（SUTD）のiTrustが公開しているもので、6段階の水処理設備を縮小したテストベッドの運転記録です。
SWaTは、もともと制御システムへのサイバー攻撃を検知する研究のために作られたデータです。攻撃では、センサの値を偽装したり、アクチュエータ（バルブ、ポンプ）を不正に操作したりします。その結果、工程の段階をまたいでセンサ間の関係が崩れるため、多変量の異常検知の評価に向いています。
製造の設備異常とは性質が違う部分もありますが、次の点で実工場の練習台として役立ちます。
- 工程が段階に分かれ、上流の変化が下流に伝わる構造がある
- センサ（連続値）とアクチュエータ（オン・オフなどの状態）が混在している
- 正常運転のデータで学習し、異常期間で評価するという、実務と同じ構成で試せる
実工場で精度を決める前処理
公開データセットは、ある程度きれいに整えられています。実工場のデータでは、次の前処理が精度を大きく左右します。
| 問題 | 何が起きるか | 対処 |
|---|---|---|
| 時刻ずれ | PLCごと、ゲートウェイごとに時計がずれ、因果の順序が逆転して見える | 収集側で時刻同期（NTP/PTP）、ずれ量の測定と補正 |
| サンプリング周期の違い | センサごとに1秒、10秒、1分と周期が違う | 共通の周期にリサンプリング。高速な信号は特徴量（平均・最大など）に要約 |
| 欠損 | 通信断、PLCの更新、センサの交換でデータが抜ける | 短い欠損は補間、長い欠損はその区間を判定対象外にする |
| 凍結値 | 通信が途切れても最後の値が記録され続ける | 値が一定時間まったく変化しない区間を検出して除外 |
| 単位・スケールの違い | 温度（数十）と圧力（数千）で値の大きさが違う | 正常期間の平均と標準偏差で標準化 |
| 運転モード | 起動・停止・品種切替で正常の姿が変わる | モードごとにモデルを分ける、移行期間は判定しない |
特に凍結値は見落とされやすい問題です。ヒストリアンやデータ収集の設定によっては、通信が途切れても最後の値を保持し続けるため、データ上は「安定した正常値」に見えます。多変量モデルはこれを関係の崩れとして検知し、誤報の原因になります。工場データの品質問題全般は製造データ品質の10の問題にまとめています。
手法の選び方：単純な手法から試す
多変量の異常検知にはPCA（主成分分析）、距離ベースの手法（KNN、Isolation Forest）、再構成型のディープラーニング（オートエンコーダなど）があります。71手法を967の時系列で比べた評価（Schmidlら、PVLDB 2022）では、多変量の系列は単変量より検出が難しく、再構成型の多くはAUC-ROCが0.5付近にとどまり、距離ベースの手法が頑健だったと報告されています。
この結果を踏まえると、次の順で試すのが妥当です。
- PCAによるT²とQ統計量（解釈しやすく、どのセンサが効いたか寄与で分かる）
- 距離ベースの手法（KNN、Isolation Forest）
- それでも足りない場合に再構成型のディープラーニング
どの手法でも、異常スコアだけでなく「どのセンサの寄与が大きいか」を出すことが重要です。現場の担当者が点検する場所の手がかりになり、アラームが行動につながります。
設備異常とサイバー攻撃の区別
SWaTが示すように、多変量の異常検知はサイバー攻撃の検知にも使えます。センサの値が偽装されると、物理的にありえない関係（ポンプが止まっているのに流量がある、など）が現れるためです。
ただし、異常検知だけでは、原因が設備の故障なのか、攻撃なのかは区別できません。工場の制御ネットワークのセキュリティは、IEC 62443とAI・データ基盤のようにネットワークの分離と監視で対策するのが基本で、異常検知はその補完と位置づけるべきです。
時系列異常検知の方式の全体像は時系列データの異常検知AI入門で整理しています。
よくある質問
センサは何個まで1つのモデルに入れられますか
手法としては数百個でも扱えますが、センサが多いほど、どのセンサが異常の原因か分かりにくくなり、欠損の影響も受けやすくなります。工程の段階や設備の単位でモデルを分け、1つのモデルは数十個程度に抑えると運用しやすくなります。
オン・オフの状態データ（アクチュエータ）はどう扱いますか
連続値と同じモデルに入れるより、運転モードの判定に使う方が効果的なことが多いです。例えば、ポンプがオンのときとオフのときで別の正常モデルを使う、という使い方です。
SWaTで高い精度が出た手法は自社でも使えますか
SWaTは攻撃の検知を目的としたデータで、攻撃による異常は比較的はっきりしています。実工場の設備劣化のような緩やかな異常とは性質が違うため、自社データでの評価は必ず必要です。
この記事に出てくる用語
AIは「データ基盤」で決まる
PoCは成功したのに本番で止まる。原因の多くはモデルではなく、MESと設備データの側にある 全130本
- MESとAIの関係：ロット・作業指示・品質判定がAIの精度を決める理由
- 製造業AIが本番で止まる7つの理由：PoCは成功したのにラインに載らない構造
- 製造業のAI-OCR：紙の検査記録・点検表・ミルシートをデータ化する手順
- データ基盤の段階的導入ロードマップ：ユースケースから逆算する8ステップ
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
