【研究領域課題番号】22K11942 (KAKENデータベースで見る）

【研究キーワード】

MTシステム / 異常検知 / 予測 / ロバスト推定 / 機械学習

【研究種目】基盤研究(C)

【研究期間】2022-04-01 - 2025-03-31

【配分額】3,640千円 (直接経費: 2,800千円、間接経費: 840千円)

【研究領域課題番号】19K12094 (KAKENデータベースで見る）

【研究キーワード】

動的システム学習 / 健全性監視 / 異常検知 / 転移学習 / 教師なし学習 / システム同定 / 生成モデル / 機械学習 / 予防保全 / 人工知能

【研究成果の概要】

近年、IoTに代表される計測通信技術の普及と、深層学習を含む機械学習の発展が相まって、大規模かつ複雑な人工システムの健全性監視において、データ駆動型のアプローチ、すなわち、過去の膨大なデータからシステムの挙動モデルを統計的に学習して健全性の監視に利用するアプローチが大きな期待を集めている。本研究では、このデータ駆動型健全性監視が抱える2つの問題に焦点を当てている。第一の問題は、現実の人工システムにおいては事前に十分な量と質を兼ねた訓練データを入手することが容易でなく、特に、異常や不具合に関するデータはほとんど存在しないという点である。第二の問題点は、膨大なデータに対して機械学習を適用することによって得られた帰納的モデルが必ずしも専門家が持つドメイン知識と整合しないため、実世界での利用に耐えるだけの説明性を有さないことである。これら２つの問題を解決するため、本研究では、データ駆動健全性監視のための転移学習法を開発すること、および、工学者・専門家にとって解釈性の高い潜在変数-状態空間モデルと最新の機械学習手法との融合を図ることでデータ駆動健全性監視の説明性を実現することを目的とする。
本課題３年度目である2021年度は、前年度から引き続き状態空間モデルと生成的な
深層学習モデルを融合することにより、自然法則やシステム固有のダイナミクスに関する事前知識をモデルに埋め込みつつ、高次元時系列データ入力からシステムの内部状態遷移を推定・監視する技術の開発に取り組んだ。また、変分自己符号器の訓練に自己教師あり学習を用い、地球周回の人工衛星に本来備わる周期性を事前知識として利用することによって、潜在変数空間の各次元が解釈可能になることを示した。

【研究種目】基盤研究(C)

【研究期間】2019-04-01 - 2023-03-31

【配分額】4,290千円 (直接経費: 3,300千円、間接経費: 990千円)

【研究領域課題番号】19H01114 (KAKENデータベースで見る）

【研究キーワード】

予兆情報学 / 機械学習 / データサイエンス / 異常検知 / 変化検知 / 潜在構造変化検知 / 緑内障進行予測 / 埋め込み / 経済危機予測

【研究成果の概要】

予兆情報学に関して、数理・物理予兆情報学、医療予兆情報学、経済予兆情報学のそれぞれで基礎的手法を発展構築した。数理・物理予兆情報学では、多次元時系列の潜在構造変化を検知する手法として、１）微分的ＭＤＬ変化統計量に基づく予兆検知手法、２）潜在変数モデルの階層的変化検知手法を提案し、Scientific Reports, ICDM2020などで発表した。特に、１）ではCOVID-19感染爆発について、提案手法より感染爆発の約6日以上早く予兆を検知ができていた。また、変化予兆を捉えるには正規化最尤符号長を効率的に計算する必要が出てくる。そのためのFourier解析に基づく新しい手法を開発しIEEE Trans ITに掲載された。
医療予兆情報学では、視野感度時系列データと光干渉断層計計測データ時系列の双方から緑内障の進行を予測するための「潜在空間回帰方式」を提案した。また、緑内障病態に関連する全身因子について眼科健診データベースを用いた解析を行った。聖隷健診センターより10年間で約20万回の検診データを取得し、眼底写真、頸動脈エコー、脳MRI、心電図のある症例の抽出を行った。脳ドックMRIの脳梗塞所見による視神経乳頭形状プラニメトリー予測，血液及び生体計計測データによる眼圧予測の可能性について論文化した。
経済予兆情報学では、不動産市場におけるバブルの検知手法を開発し日本のデータに適用した。また、パンデミック下での人々の行動変容を、スマホの位置情報データを用いて計測する手法を開発し日本に適用した。法的拘束力を伴うロックダウンが行われなかった日本では、自発的な行動変容が起きたことを明らかにした。また、銀行送金ネットワークの時間変動から経済危機を予兆検知するために、疎性・スケールフリー性，潜在的なブロック構造，季節性を再現できるネットワークモデルを構築し、動学モデルへの拡張も行った。

【研究種目】基盤研究(A)

【研究期間】2019-04-01 - 2024-03-31

【配分額】45,110千円 (直接経費: 34,700千円、間接経費: 10,410千円)

【研究領域課題番号】18H04155 (KAKENデータベースで見る）

【研究キーワード】

HEMS / スマートメーター / 太陽光発電 / 異常検知 / LCA / ビッグデータ / AI / 深層学習 / カーボンニュートラル / ライフスタイル / IDEA / 敵対的生成学習 / 電力 / 実験経済学 / 意思決定 / Deep Learning / 機械学習 / 行動変容 / ディープラーニング / インベントリデータベース / パリ協定

【研究成果の概要】

2050年までにカーボン・ニュートラル社会を実現するため、特に排出削減が難しい家庭部門の温室効果ガス排出削減のための手法開発を目指した研究を実施した。
家庭のエネルギー消費削減には、家庭内でどのような形態によってエネルギー消費が行われているか、すなわちライフスタイルを明らかにする必要があった。そこで本研究では、HEMS/スマートメータといったIoTセンシングによって得られた約6万世帯、20億レコードの家庭電力消費ビッグデータを活用した。近年急速に発展する深層学習アルゴリズムを開発し、分析を行うことで、消費電力量のみから家庭の属性や生活パターンを分析する手法を開発した。

【研究の社会的意義】

家庭内消費電力データを分析することで、複数の制度においてその制度の意図と異なる行動が発生していることを示唆する結果を得た。太陽光売電制度においては、節電インセンティブが存在するとされていた余剰売電制度の方が、節電インセンティブが存在しない全量売電制度よりも、実際の家庭内消費電力量が増大していることをビッグデータによって示した。さらに、このような事象が発生した原因を行動経済学の知見に基づいてリバウンド効果として学術的に説明を行った。
今後さらに強く求められる家庭内エネルギー消費削減に必要となる様々な社会制度設計において、家庭電力消費ビッグデータの活用が有効であることを示した。

【研究種目】基盤研究(A)

【研究期間】2018-04-01 - 2022-03-31

【配分額】42,900千円 (直接経費: 33,000千円、間接経費: 9,900千円)

【研究分野】航空宇宙工学

【研究領域課題番号】16F16079 (KAKENデータベースで見る）

【研究キーワード】

システム健全性管理 / 航空宇宙システム / 異常検知 / 機械学習 / 深層学習

【研究成果の概要】

本研究の目的は、人工衛星や無人飛行ロボットに代表される航空宇宙システムを主たる対象として、障害不再現現象(Not-found-fault)や誤検知などの不確定要因に対して頑強なシステム状態監視フレームワークを確立することである。小さな不具合が甚大な損害を引き起こし得る航空宇宙システムでは、システムの健康状態を監視し異常兆候を迅速に検知し解決する技術が必須である。航空宇宙分野のための頑強なシステム健全性管理技術の確立という本研究の目的を実現するため、平成３０年度（4月１日～７月30日）は主として以下の研究活動を行った。(1)近年発展著しい深層学習のシステム健全性監視・異常検知への応用について網羅的なサーベイを行ない、手法の分類や技術的課題を整理した。この研究成果は国際論文誌 Mechanical Systems and Signal Publishing 誌の2018年7月号に掲載された。(2)深層学習技術のひとつである変分オートエンコーダを応用した健全性監視アルゴリズムを実装し、無人飛行ロボットをテストベッドとしてその有効性を検証した。この成果をまとめた論文を論文誌に投稿中である。(3)2018年7月に開催された機械学習・人工知能の国際会議(ICML)において、機械学習によるシステム健全性監視に関する国際ワークショップをオーガナイズした。また、このワークショップにおいて、本研究の成果の一部を論文として発表した。

【研究種目】特別研究員奨励費

【研究期間】2016-07-27 - 2019-03-31

【配分額】2,100千円 (直接経費: 2,100千円)

【研究分野】航空宇宙工学

【研究領域課題番号】26289320 (KAKENデータベースで見る）

【研究キーワード】

宇宙工学 / 機械学習 / 異常検知 / 健全性監視 / 運用支援 / 航空宇宙システム / 人工知能 / システム健全性監視 / 航空宇宙工学 / 人工衛星 / 予測保全

【研究成果の概要】

本研究は、人工衛星などの宇宙機システムの運用者と、学習型(データ駆動型)状態監視・異常検知器との間の持続的な知識相互作用という新たな方法論の確立を目的とするものである。大局的で離散的なモード遷移と局所的で連続的な状態遷移から構成される人工衛星システムの挙動特性を考慮した次元削減とクラスタリングに基づく学習型状態監視法を提案し、運用者への有用情報の提示、運用者からの専門知識の獲得、両者の継続的な相互作用の励起に有効であることを示した。

【研究種目】基盤研究(B)

【研究期間】2014-04-01 - 2018-03-31

【配分額】11,570千円 (直接経費: 8,900千円、間接経費: 2,670千円)

【研究分野】知能情報学

【研究領域課題番号】23240019 (KAKENデータベースで見る）

【研究キーワード】

情報論的学習理論 / データマイニング / 潜在的ダイナミクス / 機械学習 / ビッグデータ / 変化検知 / 潜在変数モデル / 潜在的ダイナミックス / モデル選択 / 異常検知 / ネットワーク

【研究成果の概要】

大量のデータから価値ある情報を抽出するデータマイニング技術はますます重要になっている。従来技術では、データの表層的な関係性を抽出することが主であった。しかし、実際には、データの表面に現れない潜在的情報の動きを発見することが、より重要な知識発見をもたらす。そこで、本研究では、データに内在する潜在的情報とその変化（これを「潜在的ダイナミクス」と呼ぶ）を抽出するための技術の数理的基盤を構築した。特に、記述長最小原理に基づく情報論的学習理論の立場から統一的な理論体系を構築した。この理論を実際のデータ（セキュリティ、SNS、マーケティング、医療、教育等）に適用して、実世界での有効性を検証した。

【研究種目】基盤研究(A)

【研究期間】2011-04-01 - 2016-03-31

【配分額】47,060千円 (直接経費: 36,200千円、間接経費: 10,860千円)

【研究分野】航空宇宙工学

【研究領域課題番号】22560779 (KAKENデータベースで見る）

【研究キーワード】

異常検知 / 航空宇宙システム / データマイニング / 人工知能 / 機械学習 / 宇宙機システム / テレメトリデータ

【研究成果の概要】

本研究の目的は、人工衛星などの宇宙機システムより得られる膨大なテレメトリデータから、運用者にとって有用な情報・知識を得るための様々な解析手法・処理技術群を体系化することである。具体的には、(1) データアクセス方法、(2) オンライン監視法、(3) オフライン解析法、(4) 他情報源との連携法の４つのサブテーマに取り組んだ。その結果、(1)人工衛星テレメトリの性質の明確化、(2)宇宙機テレメトリに適した前処理法の開発、(3)次元削減とクラスタリングに基づく監視法の開発と拡張、(4)衛星運用での有効性の実証、という成果を得た。

【研究種目】基盤研究(C)

【研究期間】2010-04-01 - 2015-03-31

【配分額】4,290千円 (直接経費: 3,300千円、間接経費: 990千円)

【研究分野】航空宇宙工学

【研究領域課題番号】18760607 (KAKENデータベースで見る）

【研究キーワード】

異常検知 / 故障診断 / 機械学習 / 人工衛星 / 宇宙機 / 次元削減 / 可視化 / データマイニング / 確率推論

【研究成果の概要】

人工衛星等の宇宙機システムの開発において、システムの異常を的確かつ迅速に発見し、その原因を同定する技術は宇宙開発にとって極めて重要なテーマである。本研究では、機械学習や確率的推論などの知能化技術を応用し、人工衛星等の運用データから異常パターンを検出し、運用者がその原因を推測する上で有用な情報を提供する技術を開発した。

【研究種目】若手研究(B)

【研究期間】2006 - 2008

【配分額】3,800千円 (直接経費: 3,500千円、間接経費: 300千円)

【研究分野】航空宇宙工学

【研究領域課題番号】16760641 (KAKENデータベースで見る）

【研究キーワード】

宇宙機 / 人工衛星 / 異常検知 / 故障診断 / 機械学習 / 確率推論 / データマイニング

【研究成果の概要】

高度な異常検知・故障診断法の開発は、絶対的な安全性・信頼性を求められる宇宙システム研究において、最重要な課題の一つである。本研究の目的は、宇宙機運用データから故障診断知識を自動獲得し、事前専門家知識との融合によって網羅的かつ高精度な異常検知・診断を行ない、さらに暗黙的専門家知識を事後獲得することによって診断性能を改善する方法を確立することである。
本研究の第二年度であり最終年度でもある平成17年度は、前年度の研究成果を発展させ、主に以下の3つの研究を行った。
1.カーネル特徴空間を利用したテレメトリデータからの異常検知法の開発
超多次元の衛星テレメトリデータから異常な兆候を自動的に検知する新たな方法として、カーネル主成分分析と呼ばれる技術を応用し、システムの挙動の変化を非線形特徴空間における主軸の変化として捕捉する技術を開発した。
2.DBNを利用した専門家知識と運用データの融合による異常検知・診断法の開発
確率的推論手法であるDBN(動的ベイジアンネットワーク)を応用し、事前に得られるシステムモデルやルールなどの専門家知識と実運用から得られるテレメトリを融合して検知・診断モデルを構成する技術を開発した。
3.変化点検知に基づく多次元テレメトリ情報の可視化法の開発
運用技術者が超多次元時系列データである衛星テレメトリから疑わしい挙動を発見することを支援する新たなデータ可視化法として、忘却型自己回帰モデルを利用した変化点検知法に基づく技術を開発した。

【研究種目】若手研究(B)

【研究期間】2004 - 2005

【配分額】3,400千円 (直接経費: 3,400千円)

【研究分野】航空宇宙工学

【研究領域課題番号】14750717 (KAKENデータベースで見る）

【研究キーワード】

宇宙機 / 人工衛星 / 異常検知 / データマイニング / 機械学習 / 情報可視化 / 異常検出

【研究成果の概要】

前年度の成果を引き継ぎ、本年度も、人工衛星の膨大な時系列運用データの中からシステム異常を早期発見する上で重要なパターンを抽出し、効果的に人間(専門家)に提示するためのデータマイニング手法の研究を行った。特に本年度は、新たな手法として「回帰木学習による適応的リミット値監視法」を提案し、その有効性を示した。
リミット値監視法は、従来の宇宙機健康状態監視において最も基礎的、かつ、広範に用いられている手法であるが、一般に、(1)事前に人手によって適切なリミット値を設定しなければならず、設定された値は運用期間全体を通して固定される、(2)誤警報を減らすために大きなマージンを設定することが多く、また、システムコンポーネント間の依存関係を考慮しない、などの限界があるため、きめ細かい監視には不向きで、システムの異常の兆候を早期に捕捉することが極めて困難であった。
これに対して本研究に、機械学習・データマイニングの一手法である回帰木学習法を宇宙機テレメトリデータの多次元時系列データに応用することにより、対象となるセンサー値時系列データの範囲(上限・下限)を、他の関連シンボル値時系列との依存関係に基づいて適切に予測する方法を確立した。この提案手法により、宇宙機システムの稼働状態の健全性や異常値の発生を、従来手法と比べて非常にきめ細かく監視することが可能になった。
上記の成果は国際学会等で発表されており、また、学術論文誌にも投稿予定である。

【研究種目】若手研究(B)

【研究期間】2002 - 2003

【配分額】2,900千円 (直接経費: 2,900千円)