Empirical Dynamic Modelingによる製造プロセスから計測した時系列データの解析

カテゴリ: 部門大会

論文No: GS14-4

グループ名: 【C】2023年電気学会電子・情報・システム部門大会

発行日: 2023/08/23

タイトル(英語): Causal Discovery of Multivariate Time-series data in Manufacturing Process based on Empirical Dynamic Modeling

著者名: 新井 馨（富士電機）,鈴木 聡（富士電機）,桐生 智志（富士電機）,サンタナ アダモ（富士電機）,飯坂 達也（富士電機）,松井 哲郎（富士電機）

著者名(英語): Kiyo Arai (Fuji Electric Co., Ltd.),Satoshi Suzuki (Fuji Electric Co., Ltd.),Satoshi Kiryu (Fuji Electric Co., Ltd.),Adamo Santana (Fuji Electric Co., Ltd.),Tatsuya Iizaka (Fuji Electric Co., Ltd.),Tetsuro Matsui (Fuji Electric Co., Ltd.)

キーワード: プラント運転支援技術|時系列データの解析|Empirical Dynamic ModelingEmpirical Dynamic Modeling|plant operations support|analysis of time series data|Empirical Dynamic Modeling

要約(日本語): 本論文では、生産プラントにおける熟練運転員の操作フローの抽出を目的として、製造プロセスから収集したセンサデータ（多変量時系列データ）から操作の順序関係を自動抽出する手法の提案を行う。上述センサデータは非線形性かつ時間遅れ性を持つので、Empirical dynamic modeling（EDM）の適用を提案した。EDMは、Takenの埋め込み定埋に基づく時系列データ解析手法であり、時間遅れ軸を用いて時系列を幾何的に表現（アトラクタ空間に写像）することにより、グレンジャー因果関係を判別でき、非線形性かつ時間遅れに対応できる。本論文はEDMのグレンジャー因果関係の識別能力を利用して、各操作（変数）間の順序関係をデータから抽出する。本提案方法は、製造プロセスから収集したセンサデータに対して、従来のベクトル自己回帰(VAR)モデルや非線形因果探索手法をベースとした手法と比較し、有効性を検証できたので報告する。