[4F3-OS-30c] OS-30

[4F3-OS-30c-04] Development of anomaly detection models independent of noise and missing values using graph Laplacian regularization

〇Yuna Tahashi¹, Koichi Fujiwara¹ (1. Nagoya University)

Keywords:Anomaly Detection, ML

プロセスにおいて品質を維持し、安全かつ効率的に操業するには、異常を早期に検出することが求められる。温度や圧力などのプロセスデータは、センサ不良などにより欠損値やノイズが混入し、異常の誤検知や見逃しを引き起こす恐れがある。ノイズや欠損にロバストな異常検出を実現するために、プロセスデータの変数間の関係性を考慮するグラフラプラシアン正則化(GLR)を用いたオートエンコーダによる新しい異常検知モデルを提案する。GLRはグラフ上で接続される変数は類似の値をとるという仮定のもと、モデルの出力値が大きく異なる場合に大きなペナルティを与える正則化であり、欠損やノイズに対して効果的であることが知られている。本研究では、時系列データのサンプリング点が近いデータは類似であるという仮定の下、GLRを利用することで欠損値やノイズにロバストな異常検知アルゴリズムを提案する。酢酸ビニルモノマー製造プロセスのシミュレーションデータを用いて提案法を検証した結果、GLRを用いたモデルは用いないモデルと比較して、誤検知率は最大80%、見逃し率は最大25%、検出遅延は最大10,910秒改善した。