ディープラーニングを用いたプロセス産業のオペレータ支援機能に関する研究

2020 Fiscal Year Research-status Report

• Project/Area Number: 19K04113
• Research Institution: Waseda University
• Principal Investigator: 藤村 茂 早稲田大学, 理工学術院(情報生産システム研究科・センター), 教授 (00367179)
• Project Period (FY): 2019-04-01 – 2022-03-31
• Keywords: 異常診断 / オペレータ支援 / プロセス監視 / 時系列データ予測 / ディープラーニング

Outline of Annual Research Achievements

本研究課題では、プロセス制御監視システムによって蓄積された時々刻々変化する時系列データを利用しディープラーニング技術を応用した実プロセスで利用可能なオペレータ支援機能を実現する。正常時の複数の時系列データを入力情報とし、１時系列データの将来の挙動を予測するモデルを開発し、熟練オペレータ に対するポカミス防止、新人オペレータに対するプロセス知識における気づきを与えるオペレータ支援機能を実現する。膨大な正常時のプロセス時系列データを利用してディープラーニングによってモデルを構築する方法を提案し、自動的にシステムを構築するカスタマイズレスなシステム構築手法を実現する。
これらの時系列データは、時間軸に沿った複雑な依存関係があるため、複数の時系列データ間の依存性の特徴をとらえた予測手法が重要となる。そこで昨年度は、畳み込みニューラルネットワークの仕組みを利用して、入力時系列データ間の無駄時間等の関連を考慮して自動的に入力列長を決定する仕組みを実現した。しかし、対象とする複数の時系列データの関係はさらに複雑であり、複数の時系列データからの依存度に対する長期的かつ短期的な関連性の特徴を捉える必要があり、より複雑な学習モデルの検討が必要であることを認識した。そこで、本年度は、昨年度作成したモデルに対して、様々な無駄時間時系列データの特徴を抽出して利用する仕組みへモデルの改造の可能性の検討を実施した。

Current Status of Research Progress

2: Research has progressed on the whole more than it was originally planned.

Reason

モデルの改造を実施して、より精度の高い結果が得られるモデルを提案した。このモデルは新しいディープラーニングのフレームワークとして実現した。このフレームワークでは、複数の変数間の長期および短期の混合依存性の複雑なパターンを抽出するために、積層型拡張畳み込みとリカレントユニットを適用した。5つのベンチマークデータセットを利用して実験を実施し、提案フレームワークは、良好な結果を得ることができた。

Strategy for Future Research Activity

次年度は、今年度提案したモデルの実問題への適用による評価と、モデルの更新を実施することを予定している。具体的には昨年度実施した評価で利用した２つの実問題に対して、今年度提案したモデルを適用して評価を行う。
さらなるモデルの更新が必要な場合には検討を行う予定である。また、時間が許せば、次年度はAR技術への応用も視野に入れて、時系列予測による異常が検出された場合のオペレータへの周知の方法についても検討することにする。

Causes of Carryover

今年度は新型コロナの影響で、国内、国外ともに移動ができなかったため、データの検証、成果の発表ができなかった。実データの入手ができなかったため、当初予定していたGPUカードの取得を実施しなかった。次年度は、GPUカードの入手、予測データ表示用のARデバイスの購入、および成果発表のための旅費として利用することを予定している。