蓄電池におけるグラフ深層学習による異常検知及び要因推定

カテゴリ: 論文誌(論文単位)

グループ名: 【C】電子・情報・システム部門

発行日: 2024/10/01

タイトル(英語): Anomaly Detection and Factor Estimation by Graph Deep Learning in Storage Batteries

著者名: 吉川　譲二（京セラ（株） みなとみらいリサーチセンター 先進技術研究所），滝本　憲弘（京セラ（株） みなとみらいリサーチセンター 先進技術研究所），武石　直也（理化学研究所 革新知能総合研究センター），河原　吉伸（理化学研究所 革新知能総合研究センター），船津　陽平（京セラ（株） みなとみらいリサーチセンター 先進技術研究所）

著者名(英語): Joji Yoshikawa (Advanced Technology Research Institute, Minatomirai Research Center, KYOCERA Corporation), Norihiro Takimoto (Advanced Technology Research Institute, Minatomirai Research Center, KYOCERA Corporation), Naoya Takeishi (Center for Advanced Intelligence Project, RIKEN), Yoshinobu Kawahara (Center for Advanced Intelligence Project, RIKEN), Yohei Funatsu (Advanced Technology Research Institute, Minatomirai Research Center, KYOCERA Corporation)

キーワード: 異常検知，故障予兆検知，要因推定，グラフ深層学習，蓄電池　　anomaly detection，failure sign detection，factor estimation，graph deep learning，storage battery

要約(英語): Predictive maintenance is a technique to perform maintenance before failures happen by finding their Indications in advance and is a key to streamlining Maintenance operations and reducing the downtime. Methods for predictive maintenance based on anomaly detection using deep learning have been actively studied, but the identification of anomalous sensors remains a challenging task. As sensors corresponding to the cause of anomaly do not necessarily indicate large anomaly scores, it is important to watch how a model computes the scores. In this work, we use a graph neural network for anomaly detection and isolation. The vertices of the graph that appears in the network correspond to the sensors, so we can interpret the relevant weights as the relationship between the sensors. We specifically used a sparse variant of graph attention network for anomaly detection and isolation. We applied it to real-world storage battery data and confirmed the effectiveness of the method.

本誌: 電気学会論文誌C（電子・情報・システム部門誌） Vol.144 No.10 （2024） 特集：2023電気・電子・情報関係学会四国支部連合大会

本誌掲載ページ: 997-1004 p

原稿種別: 論文／日本語

電子版へのリンク: https://www.jstage.jst.go.jp/article/ieejeiss/144/10/144_997/_article/-char/ja/