IoT センサーデータの分析

平成 30 年 3 月

一般社団法人 広島県中小企業診断協会

ニューロビジネス研究会

目次

1. はじめに .................................................................................................................... - 1 -

2. センサーと設置場所 .................................................................................................. - 1 -

3. 不要なデータの除去 .................................................................................................. - 1 -

4. データ前処理 ............................................................................................................. - 4 -

A) 機械学習ための時系列データ前処理 .................................................................. - 4 -

B) 2 つ部分時系列の距離計算 ................................................................................. - 5 -

5. クラスタリングでの異常検知 .................................................................................... - 6 -

A) ユークリッド距離ベースでの分類結果 ............................................................... - 6 -

B) 動的時間伸縮法ベースで分類した結果 ............................................................... - 7 -

a. Whole Data Scale .............................................................................................. - 7 -

b. Short Time Series Scale .................................................................................... - 9 -

6. オートエンコーダによる復元データ ....................................................................... - 10 -

A) オートエンコーダモデル .................................................................................. - 10 -

B) 復元データの結果 ............................................................................................. - 11 -

C) 復元データの評価 ............................................................................................. - 11 -

7. エンコーダーしたデータの分類 .............................................................................. - 13 -

A) エンコーダーしたデータの取り出し ................................................................ - 13 -

B) エンコーダーしたデータの分類結果 ................................................................ - 14 -

8. LSTM モデルによるデータ予測 .............................................................................. - 16 -

A) LSTM モデルとデータ前処理 ........................................................................... - 16 -

a. モデル ............................................................................................................... - 16 -

b. データ前処理 .................................................................................................... - 17 -

B) 予測結果 ........................................................................................................... - 17 -

a. １秒後の予測 .................................................................................................... - 17 -

b. 5秒後の予測結果 .............................................................................................. - 18 -

c. 18秒後の予測結果 ............................................................................................ - 18 -

9. まとめ ...................................................................................................................... - 19 -

A) 統計的なクラスタリングによる分析 ................................................................ - 19 -

B) オートエンコーダによる復元データ ................................................................ - 19 -

C) LSTM モデルによるデータ予測 ........................................................................ - 20 -

参考文献 ......................................................................................................................... - 20 -

- 1 -

1. はじめに

近年、センサー機器の性能向上やクラウドプラットフォーム等の発達により、センサ

ーデータを様々な産業で活用する環境が急速に整備され、安価なセンサーを用いてデ

ータを取得することも出来るようになってきた。

蓄積されたデータは、活用されなければ価値を生み出さないが、目的を明確にしてデ

ータ分析を行うことで、データにはその価値を最大にする可能性を秘めている。

企業において、とりわけ中小企業では、センサーから得られたデータを分析すること

で何が分かり、どのように事業に活かせるのかが明瞭でないため、センサー導入からデ

ータ活用に進んでいないところが多いのではないかと考えられる。

この様な状況から、広島県中小企業診断協会におけるニューロビジネス研究会では、

広島県内の中小企業の協力を得て、安価なセンサーを試験的に取り付け、取得したデー

タを用いてデータの分析を実施した。データの分析として、先ずは統計的なクラスタリ

ングを用い、更にニューラルネットワークを用いたディープラーニングによるデータ

の異常検知と時系列データの予測を行った。

2. センサーと設置場所

センサーは、図 1 に示す ALPS 社製 IoT Smart Moduleを用い、地磁気と加速度の 6

軸、UV、照度、湿度、温度、気圧を 1 秒間隔で取得した。本センサーの特徴は、低消

費電力通信の Bluetoothで通信を行う、小型かつ安価（税別 9,800円）なセンサーネッ

トワークである。

図 1： ALPS社製センサー（IoT Smart Module）

本センサーは、広島県大竹市にあるゴム・プラスチックを製造する広合化学株式会社

のブロー成型機の稼動部に取り付けた。

3. 不要なデータの除去

今回取得したデータは、2018年 1 月 22日から 2018年 2 月 8 日までの期間のブロー成

型機の稼動データで、16個の CSV形式のファイルに分割されて記録されている。

- 2 -

図 2：IoT データファイル

このデータのサンプリングは１秒で、Time, Index, Battery, Mag_X[uT], Mag_Y[uT],

Mag_Z[uT], Acc_X[G], Acc_Y[G], Acc_Z[G], UV-A[mW/cm2], AmbientLight[Lx],

Humidity[%RH], Temperature[degC], Pressure[hPa]の 14 個の時系列数値データを含んでいる。

各データファイルには、勤務日（平日）に記録された有効なデータファイルと稼動して

いない週末のデータファイルが含まれている。

14 個の時系列データの中には、ブロー成型機の稼動に直接影響がないと考えられるデ

ータも含まれており、ime, Index, Battery, UV-A[nW/cm2], AmbientLight[Lx], Humidity[%RH],

Temperature[degC], Pressure[hPa]という 8種類のデータは除去した。

- 3 -

図 2：IoT データの 11時系列のグラフ

残りの 6 種類のデータ、Mag_X[uT], Mag_Y[uT], Mag_Z[uT], Acc_X[G], Acc_Y[G],

Acc_Z[G]を用いて分析を行った。機械の稼働時間（8AM~7PM、残業ありの日は 8AM~9PM）

の間は、データとして有効な情報を持っているが、稼動していない時間は分析データから取

り除いた。

- 4 -

図 3：運行時間と休暇時間にある磁場と加速度のデータ

4. データ前処理

A) 機械学習ための時系列データ前処理

機械学習アルゴリズムで学習するため、この時系列データをスライディングウィンド

ウで分割した。ブロー成型機による製品の作成サイクルが 18秒なので、スライディングウ

ィンドウの分割幅は 18秒に設定した。

- 5 -

図 4 には、時系列データをスライディングウィンドウで小さな部分時系列に分割した

例を示す。

図 4：時系列データの分割例

B) 2 つ部分時系列の距離計算

機械学習では、区分けされた時系列を部分時系列と呼ぶ。機械学習アルゴリズムで学習

する前に部分時系列ごとの互いの距離を計算した。

部分時系列の互い距離を計算するため、ユークリッド距離と動的時間伸縮法（DTW）

を使用した。時系列データにある部分時系列の互い距離を計算し、距離行列を算出した。

図 5は、部分時系列 Qと Cのユークリッド距離の計算方法を表す。

図 5：時系列のユークリッド距離の方程式と計算方法

ユークリッド距離は他の複雑なアプローチ[6]に比べて、有利な点が多くある。しかし、

[2]の研究により、ユークリッド距離は「同じ長さの部分時系列でしか利用しない」、「異常と

ノイズは取り扱わない」、「shifting, uniform amplitude scaling, uniform time scaling, uniform bi-

scaling, time warping and non-uniform amplitude scaling の 6つのシグナル変換により影響を受

けやすい[3]」などの欠点もある。一方、動的時間伸縮法（DTW）はユークリッド距離より

適用領域が広いと言われている（[2]）。参考文献[1]には、DTW について詳しく説明されて

Input: A long time series

Output:

A set of shorter time series

…

- 6 -

いる。図 6は、DTW 距離の方程式と計算方法を表す。

図 6：時系列 Qと C の DTW 距離の計算方法。行列の各 wk = (i, j)k

は Qの点 ithと Cの点 jthのユークリッド距離である

5. クラスタリングでの異常検知

距離行列を計算した後、SVM one-class clusteringアルゴリズムを利用し、類以な部分時

系列を 1つのグループとし、残りの部分時系列は異常としてみなした。

A) ユークリッド距離ベースでの分類結果

図 7には、ユークリッド距離ベースで 2018年 01月 22日のデータを分類した結果を表

す。

図 7：ユークリッド距離で 2018年 01月 22日のデータを分類した結果

図 8には、クラスタリングアルゴリズムを利用した異常検知の例を表す。左側はクラス

タリングアルゴリズムで異常が 3 ヶ所検知されている。右側はその異常を時系列で表した

ものである。

- 7 -

図 8：ユークリッド距離で分類して、検知された異常

B) 動的時間伸縮法ベースで分類した結果

ノーマライズされた時系列データは DTW 距離で行列距離を計算した。今回のデータは

「whole-data scale」と「short time series scale」の２つ方法で正規化した。

a. Whole Data Scale

- 図４と同様に、時系列データを各部分時系列に区分ける前に、時系列データは次

の方程式により正規化した。

� = X −min(X)max(�) − min(�)

- 図９には、「whole data scale」で正規化されたデータを DTW 距離で分類した結果

を表す。この結果は、DTW ベースで分類した結果と呼ぶ。

Normal

- 8 -

図 9：「whole data scale」+ DTW 距離の分類結果

- DTW ベースとユークリッドベースで分類した結果を比べると、双方で検知され

た異常（外れ値）は同じになった（図 10）。

Outliers

Normal

Normal

Euclidean Distance

DTW Distance

- 9 -

図 10：ユークリッドベースと動的時間伸縮法ベースで検知された異常（外れ値）

b. Short Time Series Scale

- 標準偏差（standard deviation scale）は次の方程式により正規化する。

� = TS − mean(TS)���( �)

ただし、TSは部分時系列で、時系列データから区分けした。

- 「short time series scale」で正規化したデータを用いて、DTW ベースで分類した結

果を図 11に表す。このアプローチによる分類では、正常と異常（外れ値）の分離

は明確にならなかった。

Outliers

Normal

Euclidean Distance

DTW Distance

Outliers

Normal

- 10 -

図 11：「short time scale」で正規化されたデータを DTW 距離で分類した結果

（2018年 01月 22日のデータ）

6. オートエンコーダによる復元データ

A) オートエンコーダモデル

Tensorflowのディープラーニングライブラリを利用して、オートエンコーダモデルを構

成した。このモデルはエンコーダーとデコーダーの 2つ部分があり、エンコーダーはインプ

ット層、128-neuron層、64-neuron層、32-neuron層の 4層で構成した。デコーダーは 32-neuron

層、64-neuron層、128-neuron層、アウトプット層の 4層で構成した。

オートエンコーダモデルを学習するため、IoT データの時系列をインプットとしてモデ

ルに入力して、それからモデルのアウトプットとインプットを比較した。インプットとアウ

トプットの差は損失と呼ばれ、オートエンコーダモデルの重みとバイアスを更新するため

に利用した。

図 12：時系列データのオートエンコーダモデル

Input Output

- 11 -

B) 復元データの結果

図 13：オートエンコーダモデルの結果。

青い線はインプットで、赤い線はアウトプットである。

オートエンコーダモデルの復元データの結果を図 13に表す。オートエンコーダモデル

は磁場データ（Mag_X[uT], Mag_Y[uT] , Mag_Z[uT]）に対して、復元データの再現性が良く、

アウトプットデータ（赤い線）とインプットデータ（青い線）がほぼ重なっている。しかし、

加速度のデータ(Acc_x[G], Acc_y[G] , Acc_z[G])については、モデルの復元性が良くなかった。

その原因は、加速度が変位の２階微分のため、今回のサンプリング間隔では時間変動が大き

く、データがランダムになったからと考えられる。

C) 復元データの評価

オートエンコーダモデルのインプットとアウトプットの差を評価するため、Different

Average (DA)値を定義する。オートエンコーダのインプット時系列 A とアウトプット時系列

B に対して、A と B の DA 値は次により定義される。

����(�, �) = � |���� − ����|� !"#$(%)

&'(

- 12 -

��(�, �) = Diff(A, B)-./0�ℎ(�)

オートエンコーダモデルでは、インプットの長さとアウトプットの長さは等しい。IoT

データの DA 値は図 14に表す。ちなみに、オートエンコーダを学習する前、インプットデ

ータは[0, 1]範囲に正規化した。図 14から、2018年 01月 31日の DA 値が最小値である事が

わかった。理由は、2018年 01月 31日のデータの中に大幅な変動があり、正規化したデー

タの値が小さくなったためと考えられる。その他の日の DA 値は、0.012から 0.019の範囲

で推移している。

図 15は、DA 値が最小値であった 2018年 01月 31日の時系列データを示しており、地

磁気の 3成分 Mag_X[uT], Mag_Y[uT], Mag_Z[uT]の値が 500,000で大きく変化している。広

合化学の方にこの状況についてヒアリングしたところ、この日にセンサーの位置を変更し

たそうなので、急激に地磁気の取る値が変化したと考えられる。

図 14：IoT データの DA 値

- 13 -

図 15：2018年 01月 31日のデータグラフにより、大幅な変動があるので、ノーマライズされたデータの値は

小さくなった。そのため、DA 値は他の日より小さい。

7. エンコーダーしたデータの分類

A) エンコーダーしたデータの取り出し

オートエンコーダモデルを学習した後、32-neuron層からエンコーダーしたデータを取

り出した。それから、そのデータをクラスタリングアルゴリズムで分類した。エンコーダー

したデータを分類するため、部分時系列の距離手法としてユークリッド距離を使用した。エ

ンコーダーしたデータは時系列データではないため、データ分類時に DTW 距離を使用しな

かった。

- 14 -

図 16：オートエンコーダモデルの中間層から取り出したデータを分類する。

B) エンコーダーしたデータの分類結果

IoT データの全データでオートエンコーダモデルを学習して、それからエンコーダーし

たデータを分類した結果を図 17 と図 18 に示す。各図において、右側にある色づけされた

数値範囲は、図４の時系列の区分けにおける、時系列データ中の指数を表す。部分時系列の

指数 0は勤務開始時間で、最大値の指数は勤務終わりの時間である。

図 17：1 月のデータをエンコーダーされたデータの分類結果

図 18に表した 2 月のデータの分類結果は、1 月の結果と異なっていることがわかる。

図 17 では、部分時系列は時間に変化する傾向があるが、図 18 では全体的に分散する傾向

がある。また、2018年 2月 2日と 2018年 2月 6日の結果には、他の時系列から外れた部分

Input Output

Extract Encoded Data

from this Layer

- 15 -

時系列がある事がわかった。外れた部分を拡大して調べると、その部分時系列は 0に近い指

数のデータであった。

図 19に 2018年 02月 02日の外れ値付近の地磁気と加速度の 6 軸の時系列データを示

す。横軸の時系列指数が 55,250から 56,750の間で、データが変則的であることがわかる。

広合化学のヒアリングによると、この日はインバータの故障で異常温度になったため機械

を一時停止し、試運転を行ったとのことなので、その期間が 2018年 02月 02日の外れ値と

して現れたと考えられる。

図 18：2 月のデータをエンコーダーされたデータの分類結果

- 16 -

図 19：2018年 02月 02日の外れ値付近の時系列データ

8. LSTM モデルによるデータ予測

A) LSTM モデルとデータ前処理

a. モデル

モデルを構成するため、Tensorflowのディープランニングライブラリを利用した。まず、

18 個のインプットと 1個のアウトプットの LSTM モデルを構成した。これは過去のデータか

ら１秒後の値を予測するモデルである。

図 20:LSTMモデル

Outliers

- 17 -

b. データ前処理

全データのうち、8 割を教師用データに、2 割をテスト用データに分割した。LSTM モデ

ルによる教師データの前処理ため、時系列データを部分時系列に分割した。分割の方法は、

図 21 に示す。この分割は、LSTM モデルのインプットになる部分時系列の長さ input_len と、

モデルにより予測する部分時系列の長さ pred_len という 2 つのパラメータからなる。図 21

は input_len = 36、pred_len = 18の場合である。

図 21：LSTM モデルのデータ前処理例

B) 予測結果

a. １秒後の予測

LSTM モデルでの IoT データの１秒後の予測結果を図 22 に示す。このモデルは図 22 の

右下拡大図に表示されたように、インプットに対しては正しく 1秒後の値が予測できた。し

かし、異常な時系列など、図 22の左下拡大図に表示された複雑な時系列インプットに対し

ては、このモデルでは予測が困難であった。

図 22：LSTM モデルでの１秒後の予測結果

Input: A long time series

Output:

A set of shorter time series

…

- 18 -

b. 5秒後の予測結果

数秒後を予測できる LSTM モデルで、input_len = 18, pred_len = 5を設定して 5秒後を予

測した。この LSTM モデルは、図 23の右下拡大図で示されたように循環性の波形のピーク

は時系列に対して捉えることができた。一方、図 23の左下拡大図に表される複雑なパター

ンの時系列に対しては大きな振動波形は捉えられなかった。

図 23：LSTM モデルでの 5秒後の予測結果

c. 18秒後の予測結果

pred_len = 18と予測時間を設定し、インプット時系列の長さ input_len = 36と input_len

= 54の 2種類を設定した。それぞれ、予測結果を図 24と図 25に示す。しかし、2つモデ

ルの両方は、異常な時系列（外れ）に対して、図 24と図 25の左側のように予測ができな

かった。 その理由は、訓練データの中に異常な部分時系列が無かったからである。ま

た、訓練データの中に異常なデータの個数が少なすぎる場合でも、同様な問題が起こるこ

とが多い。これは不均衡データを用いた機械学習の問題と呼ばれている。

- 19 -

図 24：36秒のインプットで、18秒後予測する LSTM モデルの予測結果例

図 25：54秒のインプットで、18秒後予測する LSTM モデルの予測結果例

9. まとめ

A) 統計的なクラスタリングによる分析

SVM one-class clusteringアルゴリズムを用いた統計的なクラスタリングによる分析で

は、地磁気データの外れ値から時系列の異常波形を検知することができた。

B) オートエンコーダによる復元データ

ニューラルネットワークを用いたオートエンコーダにより、地磁気と加速度の時系

列データを復元した。地磁気の復元性は高かったが、加速度の復元性は低かった。これ

は、加速度が変位の２階微分のため、今回のサンプリング間隔 1秒では長く、時間変動

が大きく、データがランダムになったからと考えられる。

- 20 -

C) LSTM モデルによるデータ予測

ニューラルネットワークを用いた LSTM モデルにより、時系列データの予測を行っ

た。1秒先の予測は、正常なデータに対してピークの波形部分を正しく捉えることがで

きたが、異常値と検知された複雑な波形は正しく予測できなかった。予測時間を長くし

た 5秒や 18秒先の予測においても、同様な傾向を示した。

ニューロビジネス研究会では、広島県大竹市にあるゴム・プラスチックを製造する広

合化学株式会社のブロー成型機の稼動部に安価なセンサーを試験的に取り付け、取得

したデータの分析を行った。

試験的に取り付けたセンサーから取得したデータの中で、比較的安定な波形を示す

地磁気データに関しては、異常値の検知が可能で、データの復元性も高く、正常な時系

列データに対するピーク波形を予測することができた。一方で、加速度のようなランダ

ムなデータに対しては、復元性と予測は困難であった。動きの激しいブロー成型機で、

復元性と予測精度を高めるためには、サンプリング時間の短縮や、データ取得に最適な

センサー位置を探すなどの検討が必要になると考えられる。

今回の結果より、センサーからより多くの異常値を蓄積したデータを分析すること

で、機器の故障検知を更に高め、機器の予防保全に活用することが可能と考えられる。

また、異常値を検知し得る相関性の高いデータ種別を更に用いることで、データの復元

性と時系列予測も実用的になり、中小企業において IoT センサーを用いたデータ分析

は、有効な手段になると考えられる。

以上

参考文献

[1] A Description of Dynamic Time Warping (DTW) measurement

http://web.science.mq.edu.au/~cassidy/comp449/html/ch11s02.html

[2] Keogh, Ratanamahatana (2002). “Exact indexing of dynamic time warping”. In proceedings of the

26th Int'l Conference on Very Large Data Bases. Hong Kong. pp 406-417.

[3] Perng, Wang, Zhang, Parker (2000). “Landmarks: a newmodel for similarity-based pattern

querying in time series databases”. Proc.2000 ICDE, pp. 33–42.

[4] Shieh and Keogh (2008). “iSAX: Indexing and Mining Terabyte Sized Time Series”. SIGKDD, pp

623-631.