時系列センサデータから異常を検出するには？（製造業向け）

【ステップ1：時系列データの前処理】
　時系列データの前処理では、スライド窓の考え方を使ってデータから特徴量を抽出します。窓とは、データを一定区間で区切るフレームのようなものです。区切られたデータから、平均値や標準偏差などの統計量を計算し特徴量とします。

要件によっては、センサ値をそのままに分析する場合もありますが、ここでは窓の考え方を用いることにします。

　ここでは、NYSOLのMCMDを使って、スライド窓の特徴量（合計、平均、標準偏差）を抽出してみます。

WIDは時系列データのIDではなく、窓作成後のIDです。1つの窓につき1つのIDを割り当てています。そして、WIDごとに窓の特徴量を列挙しています。このデータをもとに、異常検出モデルを作成してみます。

※本ステップのコードや設定はこちらで紹介しています。

---------------------------------------------------
【ステップ2：時系列データの異常検出モデル作成】
　ステップ1で得られた前処理データを、分類モデルのアルゴリズムであり、結果を解釈しやすい決定木（Decision Tree）に当てはめて、異常検出モデルを作成してみます。ここではGUIで簡単に分析できるRapidMinerを使うことにします。

　左上の緑枠内の部分で異常検知モデルを作成しています。ReadCSVでステップ1で作成したデータを読み込み、決定木アルゴリズムでパターンを抽出します。右下オレンジ枠内の部分はその結果です。異常のパターンは、期間内のセンサ1の合計値、センサ9の標準偏差に着目すればよいことが分かります。作成したこのパターンの集まり（モデル）を新規データに当てはめれば、異常を検出することができます。

※本ステップのコードや設定はこちらで紹介しています。

　ケース別データ分析事例その1として、今回は時系列センサデータから異常を検出する方法の全体像をお伝えしました。時系列データの処理の方法はこれ一つだけではなく、異常部位の抽出、変化点検出などの手法もあります。目的に応じて使い分けることが大切です。