Amazon Lookout for Equipment を使用した異音検知

この記事は、Michael Robinson、Dave Kroening、Mehdi Noori、Yunzhi Shi、Dan Volk、Xin Chen による Acoustic anomaly detection using Amazon Lookout for Equipment を翻訳したものです。

現代の工場におけるコネクテッドファクトリーの増加に伴い、メーカーは業務効率を高めるために、さまざまな入力方式 (プロセスデータ、音声、視覚など) を利用するようになっています。企業はこれらの情報をもとに、機械学習 (ML) や人工知能 (AI) を活用した予知保全技術を用いて、機器のパフォーマンスをモニタリングし、障害を予測します。機器に内蔵されている従来のセンサーによっても情報を得られますが、聴覚的、視覚的検査によっても、アセットの正常性に関するインサイトを得ることができます。しかし、これらのデータを活用し、実用的なインサイトを得るためには、高度な手作業と莫大なリソースが必要となります。Koch Ag & Energy Solutions, LLC (KAES) は、Amazon ML Solutions Lab とコラボレーションし、異音検知の代替ソリューションについて学び、既存のソリューションを別の視点から評価してもらうことにしました。

ML Solutions Lab チームは、KAES の機器が現場で収集した既存のデータを使用して、音響データを徹底的に調査しました。ML Solutions Lab チームは、KAES のリードデータサイエンティストとのコラボレーションで、Detection and Classification of Acoustic Scenes and Events 2020 competition というコンテストに参加し、その取り組みで高い評価を得た Amazon の内部チームと連携しました。Giri 他(2020) によるドキュメントを確認した後、チームは音響データに関する非常に興味深いインサイトを提示しました。

• 産業用データは比較的定常であるため、記録される音声ウィンドウサイズを長くすることができる
• 推論の間隔を 1 秒から 10〜30 秒に増やすことができる
• 録音された音のサンプリングレートを下げても、適切な情報を保持することができる

さらにチームは、KAES がこれまで検討していなかった 2 つの異なる特徴エンジニアリングのアプローチを調査しました。1 つ目は平均スペクトルを利用したフィーチャライザー、2 つ目は高度な深層学習を利用した (VGGish ネットワーク) フィーチャライザーです。今回の取り組みでは、VGGish クラスの分類子を使用する必要はありませんでした。その代わりに、最上位の分類子レイヤーを削除し、ネットワークを特徴抽出のために残しました。この特徴抽出アプローチにより、ネットワークは音声入力を高レベルの 128 次元埋め込みに変換し、別の機械学習モデルへの入力として供給できます。波形やスペクトログラムのような生の音声特徴に比べて、この深層学習による埋め込みは、より意味のあるものになります。また、ML Solutions Lab チームは、すべての音声ファイルを処理するために最適化された API を設計し、I/O 時間を 90% 以上、全体の処理時間を約 70% 短縮しました。

Amazon Lookout for Equipment による異常検知

これらのソリューションを実現するために、ML Solutions Lab チームは、予知保全を可能にする新しいサービスである Amazon Lookout for Equipment を使用しました。Amazon Lookout for Equipment は、AI を用いて産業機器の正常な動作パターンを学習し、機器の異常な動作をユーザーに警告します。Amazon Lookout for Equipment は、機械の障害が発生する前に組織が行動を起こし、計画外のダウンタイムを回避するのに役立ちます。

予知保全を成功させるには、産業機器のセンサーから収集したデータを、その機器固有の動作条件の下で使用し、高度な機械学習技術を適用して、機械の障害が発生する前に異常な機械状態を検知できるカスタムモデルを構築することが重要です。

Amazon Lookout for Equipment は、産業用機器のセンサーからのデータを分析し、機械学習の専門知識を必要とせずに、その機器に特化した機械学習モデルを自動的にトレーニングします。また、機器の正常な動作モードを定義するセンサー (タグ) 間の多変量関係を学習します。このサービスを使用すると、モデルを開発するための手動によるデータサイエンスの手順の数や、リソースの時間を削減することができます。さらに、Amazon Lookout for Equipment では、独自の機械学習モデルを使用して、入力されたセンサーデータをほぼリアルタイムで分析し、機械の障害につながる可能性のある早期警告サインを、手動での介入をほとんど必要とせずに正確に特定します。これにより、機器の異常を迅速かつ正確に検知することが可能となり、問題を迅速に診断し、高価なダウンタイムを削減するための対策を講じ、誤アラートを減らすことができます。

KAES の協力を得て、ML Solutions Lab チームは、音のテレメトリと機械のテレメトリの両方のデータ取り込みステップを実証する、概念実証用のパイプラインを開発しました。チームはテレメトリデータを使用して機械の動作状態を特定し、どの音声データがトレーニングに適しているかを知らせました。例えば、低速のポンプには特定の音の特徴があり、高速のポンプには別の音の特徴があると考えられます。RPM (速度) のような測定値と音の関係は、機械のパフォーマンスや正常性を理解する上で重要なポイントです。Amazon Lookout for Equipment を使用した場合、機械学習のトレーニング時間は約 6 時間から 20 分以下に短縮され、より迅速なモデルの探索が可能になりました。

このパイプラインは、新しいアセットに対する異常検知モデルを構築しデプロイするための基盤となります。十分なデータが Amazon Lookout for Equipment プラットフォームに取り込まれると、推論が開始され、異常検知の特定が可能になります。

「重要な製造機械の異音や潜在的な障害を検出するソリューションが必要でした」と、KAES の IT リーダー、Dave Kroening 氏は述べています。「数週間のうちに、ML Solutions Lab のエキスパートは弊社の社内チームと協力して、代替となる最先端のディープニューラルネットワークによる音の特徴付け技術を埋め込み、異音検知のためのプロトタイプを開発してくれました。ML Solutions Lab チームが当社のデータに関して提供してくれたインサイトと、Amazon Lookout for Equipment を使用して新しいアセットの異常検知モデルを構築およびデプロイする可能性についての知識を与えてくれたことに非常に満足しています。」

音のデータを機械のテレメトリデータと統合し、Amazon Lookout for Equipment を使用することにより、テレメトリデータと音響信号の間の重要な関係を導き出すことができます。正常な動作条件や、さまざまな動作モードにおける正常な音を知ることができます。

製品やサービスにおける機械学習の使用を促進するためのサポートをご希望の場合は、Amazon ML Solutions Lab までお問い合わせください。

著者について

Michael Robinson 氏は、Koch Ag & Energy Solutions, LLC (KAES) のリードデータサイエンティストです。彼の仕事は、コンピュータビジョン、音響、データエンジニアリングに焦点を当てています。技術的な知識を活用して、KAES のユニークな課題を解決しています。余暇には、ゴルフ、写真、旅行を楽しんでいます。

Dave Kroening 氏は、Koch Ag & Energy Solutions, LLC (KAES) の IT リーダーです。彼の仕事は、長期的な価値を生み出すことができるイニシアティブのためのビジョンと戦略を構築することです。これには、KAES 内の運用能力を損なう可能性のある機会の調査、評価、開発が含まれます。また、彼と彼のチームは、競争上の優位性を生み出すことができる技術の発見と実験を支援しています。余暇には、家族と過ごしたり、スノーボード、レースを楽しんでいます。

Mehdi Noori は Amazon ML Solutions Lab のデータサイエンティストで、様々な業種のお客様と協力し、クラウドへの移行を加速させ、最先端のソリューションとテクノロジーを使って、ML の問題を解決する支援を行っています。Mehdi は、博士研究員として MIT に通い、UCF で工学博士号を取得しました。

Xin Chen は Amazon ML Solutions Lab のシニアマネージャーで、自動車業界をリードし、さまざまな業界の AWS のお客様が機械学習ソリューションを特定して構築し、組織にとって最も投資対効果の高い機械学習のオポチュニティに対応できるよう支援しています。Xin は、ノートルダム大学でコンピュータサイエンスと工学の博士号を取得しました。

Yunzhi Shi は Amazon ML Solutions Lab のデータサイエンティストで、AWS のお客様が AI とクラウドの機能でビジネス上の問題に対処できるよう支援しています。最近では、さまざまな産業分野のお客様向けに、コンピュータビジョン、検索、予測ソリューションを構築しています。Yunzhi はテキサス大学オースティン校で地球物理学の博士号を取得しました。

Dan Volk は Amazon ML Solutions Labのデータサイエンティストで、さまざまな業界の AWS のお客様が AI とクラウド導入を加速するための支援を行っています。Dan は、製造業、航空宇宙、スポーツなど複数の分野で活躍し、UC バークレー校でデータサイエンスの修士号を取得しています。

Brant Swidler は、Amazon Lookout for Equipment のテクニカルプロダクトマネージャーです。データサイエンスとデータエンジニアリングの取り組みを含む製品開発の指揮に注力しています。Brant は、石油およびガス業界の出身で、ワシントン大学セントルイス校で機械工学、航空宇宙工学の学士号を取得し、ダートマス大学タックビジネススクールで MBA を取得しました。