1/16ページ
カタログの表紙 カタログの表紙 カタログの表紙
カタログの表紙

このカタログをダウンロードして
すべてを見る

ダウンロード(3Mb)

設備トラブルの予兆検知と品質改善を実現する 「センサーデータ活用 × 異常検知AI」

製品カタログ
株式会社メロン
お問い合わせ
電話でお問い合わせ

実績豊富なデータサイエンティストが独⾃技術や最先端技術で様々な業界の課題を解決します。

掲載内容
◆会社概要
◆異常検知プロジェクト実績紹介
◆メロン独自技術紹介

◆詳細はカタログをダウンロードしご覧いただくか、お気軽にお問い合わせ下さい。

このカタログについて

ドキュメント名 設備トラブルの予兆検知と品質改善を実現する 「センサーデータ活用 × 異常検知AI」
ドキュメント種別 製品カタログ
ファイルサイズ 3Mb
登録カテゴリ
取り扱い企業 株式会社メロン (この企業の取り扱いカタログ一覧)

このカタログの内容

Page1

設備トラブルの予兆検知と品質改善を実現する 「センサーデータ活用 × 異常検知AI」紹介資料
Page2

01 会社紹介 目次 02 異常検知プロジェクト実績紹介 03 メロン独自技術紹介
Page3

会社概要 当社メロンは「⽇本にデータという武器を配る。」をミッションに、データやAIの活⽤を推進しています。 社名 株式会社メロン   〒112-0013 Mission 所在地 東京都⽂京区⾳⽻1-26-13 ⽇本にデータという武器を配る。 ソレイユ⾳⽻202号室     設⽴ 2022年6⽉20⽇ Vision     代表者 三橋 勇太 ⽇本⼀のデータ⼈材カンパニーになる。     従業員数  約30名（業務委託含む） Value   DXコンサルティング 顧客を⽇本⼀に導く。 主なサービス AIシステムの開発‧提供 情熱は最⾼の技能を⽣む。 惜しまず与え続けよ。 データ⼈材育成 など © 2025 Mellon. All Rights Reserved.  2
Page4

メンバー紹介 当社の主要メンバーを紹介します。 代表取締役CEO 取締役CTO ディレクター 三橋 勇太 本⽥ 崇⼈ ⽥中 隼⽃ Yuta Mitsuhashi Takato Honda Hayato Tanaka ⼀橋⼤学商学研究科経営学修⼠コース 熊本⼤学⼤学院博⼠課程修了。博⼠ ⼤学院で時系列解析技術を研究。⼤学 （MBA）修了。学⽣時代に起業経験あ （⼯学）。時系列解析技術を研究。⽇ 院修了後、SIerに⼊社。コンサルタン り。修了後、コンサルティング会社で 本学術振興会特別研究員（DC1）、⼤ トとして、主にERPに関する企画構想 中期経営計画‧新規事業戦略‧PMO業 阪⼤学特任助教を経てメロンを創業。 策定やRFP（提案依頼書）作成⽀援等 務を担当した後、東⼤発AIベンチャー 基礎研究のみならず、社会実装に注 のプロジェクトに従事。経験業種は製 に参画し、上場を経験。その後、メロ ⼒。機械学習モデルの設計から開発、 造業、卸業等多数。メロンでは、AI開 ンを創業。プロジェクト初期のAIソ システム導⼊までの経験豊富。KDD、 発におけるプロジェクトマネジメント リューションの⽴案、AIシステムの要 ICDM等トップ国際会議への採択、受賞 を主軸としつつ、経理や経営企画、採 件定義から開発PM、運⽤までの経験あ 歴多数。国内外特許6件取得。 ⽤等、広範な業務に従事。 り。 © 2025 Mellon. All Rights Reserved.  3
Page5

注力領域 - 時系列解析 当社は時系列解析技術に強く、同分野では世界トップクラスであると⾃負しています。 時系列とは？ 時系列解析でできること 時系列データ 時間の経過とともに変動するデータ 過去のデータからパターンを学習し、    例：売上データ、センサーデータetc 未来の動向を予測する 予測 時系列解析 時系列データに潜む季節性やトレンドを      通常とは異なる異常な動きを検出し、 整理し、その変動の仕組みを把握 早期に対策を講じる 異常検知 データの特徴を抽出し、 特定のクラスタ（グループ）に分類する クラスタリング © 2025 Mellon. All Rights Reserved.  4
Page6

メロンの強み 実績豊富なデータサイエンティストが独⾃技術や最先端技術で様々な業界の課題を解決します。 01 02 03 最先端の技術を駆使した 実績豊富な 最先端の ⾼度な時系列予測 データサイエンティスト アルゴリズム 独⾃のAI技術で複雑な時系列データを解析 多様な業界での経験を持つ専⾨家が、課題 常に最新の研究を取り⼊れたアルゴリズム し、精度の⾼い未来予測を実現 に最適な分析とソリューションを提供 で、ビジネスに⾰新的な価値を © 2025 Mellon. All Rights Reserved.  5
Page7

01 会社紹介 目次 02 異常検知プロジェクト実績紹介 03 メロン独自技術紹介
Page8

異常検知プロジェクトの実例 とある製造業様のセンサーデータを対象とした異常検知プロジェクトは下記のように進めました。 Ph1 アルゴリズム設計 Ph2 アルゴリズム構築 ⼀般的な異常検知技術を共有しながら、現状 実証実験を⾏うための異常検知アルゴリズムを 概要 のデータから開発すべき異常検知アルゴリズム 実装 の素案を設計 期間 2か⽉ 2か⽉ • ⼀般的な異常検知技術紹介 • 実験設計に関するディスカッション 主なタスク • 既存技術のリサーチ • 異常検知⼿法実装 • データ確認 • 評価実験 • 実証実験に向けた課題整理 • 報告書作成 © 2025 Mellon. All Rights Reserved.  7
Page9

異常検知の基本的手法 異常検知技術は基本的な⼿法だけでも数多く存在しています。 統計的⼿法 機械学習⼿法 深層学習⼿法 正常データの分布から外れたデータを異 正常データのモデルから外れたデータを 機械学習⼿法で作るモデルをより複雑に 常として検出する⼿法 異常として検出する⼿法 した⼿法 教師なし 教師あり 教師なし 教師あり • Z-Score • K-NN • SVM • Autoencoder • LSTM • Moving Average • K-means • Decision-Tree • VAE • GRU • MMAD • HMM • MLP • GAN • RNN • DTW • ViT • Transformer • 単純ベイズ法 解釈性 ⾼ 解釈性 低 © 2025 Mellon. All Rights Reserved.  8
Page10

手法絞り込み データの特性や取組の⽬的を踏まえ、実装する⼿法を絞り込みました。 # ⼿法 教師データ 説明 データが平均からどれだけ離れているかを標準偏差で測るシンプルな異常検知⼿法で 1 Z-Score なし す。各データ点の標準化スコア（Zスコア）を算出し、閾値を超えたデータを異常と ⾒なします。 時系列データに対して⼀定の期間の平均を計算し、その期間内のデータの平滑化を⾏ 2 Moving Average なし います。⼤きく逸脱したデータが現れると異常と⾒なします。 中央値と中央値偏差を⽤いて、平均値や分散が⼤きく変化する場合でも異常を検知し 3 MAD なし ます。メディアンを基準にした絶対偏差のメディアンを⽤いることで、外れ値の影響 を軽減できます。 主にスペクトル（周波数）空間における異常検知に⽤いられる⼿法です。通常、時間 4 SRDetector なし 系列データをフーリエ変換でスペクトル空間に変換し、そこからノイズや異常成分を ⾒つけ出します。 時間系列データの異常検知やパターンマッチングに⽤いられる⼿法で、異なる⻑さや 5 DTW なし 時間的なずれがある2つの系列間の類似度を測定します。特に、異常なパターンが時 間軸でずれている場合にも対応できます。 © 2025 Mellon. All Rights Reserved.  9
Page11

評価指標 ⼿法の評価には様々な指標を⽤います。 # 指標 説明 式 1 Accuracy（正解率） 全ての予測に対する正しい予測の割合 2 Precision（適合率） 異常が含まれると判定したデータのうち、本当に異常が含まれていた割合 3 Recall（再現率） 全ての異常が含まれるデータのうち、正しく発⾒できた異常データの割合 4 F1-Score PrecisionとRecallの調和平均 5 F2-Score Recall重視の指標 6 F0.5-Score Precision重視の指標 7 AUC-ROC 異常判定の閾値を変化させた時のROC曲線の下部の⾯積 FPR vs TPRの面積
 8 AUC-PR 異常判定の閾値を変化させた時のPR曲線の下部の⾯積 Precision vs Recallの面積
 9 MTTD 異常発⽣のタイミングと異常検知のタイミングのずれ（秒） © 2025 Mellon. All Rights Reserved.  10
Page12

評価結果 様々な⼿法を前述した指標で評価し、最適な⼿法を選択します。 凡例： 最も良いスコア 次点で良いスコア ⼿法 Precision Recall F1 F2 F0.5 ACC FPR AUC-ROC AUC-PR MTTD Z-Score 
 
 
 
 
 
 
 
 MA 
 
 
 
 
 
 
 
 MAD 
 
 
 
 
 
 
 
 ARDetector 
 
 
 
 
 
 
 
 DTW 
 
 
 
 
 
 
 
 © 2025 Mellon. All Rights Reserved.  ※ 評価指標の実際の数値や異常検知の対象となる波形は機密性の⾼い情報となるため、掲載を差し控えます。 11
Page13

01 会社紹介 目次 02 異常検知プロジェクト実績紹介 03 メロン独自技術紹介
Page14

研究実績の一例 当社には、様々な研究先と産業利⽤を⾒据えた独⾃技術を開発してきたメンバーが在籍しています。 # ⽀援先 テーマ 成果 ⼤規模購買ログから将来の消費者の⾏動を予測するモデルを構築。従来⼿ 1 電通デジタル様 ⼤規模購買ログからの 法より20%の精度改善に成功。特許取得済。 LTV予測   https://note.com/dd_techblog/n/n7b72bd6c0fb1 ⾞両⾛⾏センサデータからの⾃動パターン抽出に成功。トップ国際会議採 2 トヨタ⾃動⾞様 ⾞両⾛⾏パターン推定 択、最優秀論⽂賞等国内外で複数受賞。   https://www.ipsj.or.jp/award/webdb-award2.html 3 ソニーセミコンダクタ様、 ⼯場設備の摩耗の予兆を⾃動抽出し、停⽌1ヶ⽉前に最⼤88%の精度での⾮ 富⼠通研究所様 ほか 製造機器効率化 常停⽌予測に成功。優秀論⽂賞、CS領域奨励賞受賞、及び特許取得済。   https://www.ipsj.or.jp/award/cs-award-2020.html 4 SCREENホールディングス様 製造機器制御 印刷機械における、紙に対する張⼒を均⼀にするため、張⼒データと回転 トルクから将来の張⼒を継続的に予測し、機器制御する技術開発に成功。 © 2025 Mellon. All Rights Reserved.  13
Page15

独自のセンサーデータ解析手法 センサーデータの解析に関して、当社CTOが論⽂発表した独⾃技術を有しています（特許取得済）。 論⽂タイトル ⼤規模時系列テンソルからの⻑期イベント予測 概要 当技術は設備 x センサー x 時間で構成される⼤規模時系列 センサーデータから、複数観点に基づく多⾓的な時系列パ ターンを統合的に解析、要約し、⻑期的な将来イベント （故障等）の予測を⾏います。共同研究先から提供いただ いた⼯場設備の実データを⽤いて実験を⾏い、当技術が複 雑な時系列パターンを適切にモデル化し、⻑期的なイベン ト予測能⼒を持つことを確認しました。また、既存⼿法と ⽐較して⼤幅な精度と性能の向上を達成しました。 リンク https://db-event.jpn.org/deim2020/post/proceedings/papers/E5-3.pdf © 2025 Mellon. All Rights Reserved.  14
Page16

© 2025 Mellon. All Rights Reserved.  15