[論文レビュー] An Encoder-Decoder Based Approach for Anomaly Detection with Application in Additive Manufacturing

Baihong Jin, Yingshui Tan+5 more|arXiv (Cornell University)|Jul 26, 2019

Anomaly Detection Techniques and Applications参考文献 22被引用数 7

ひとこと要約

本論文は、赤外線センサデータを用いた積層造形における異常検出のための教師なしエンコーダデコーダ型ディープラーニングモデルを提案する。順序付き熱画像上で再構成誤差と回帰誤差を同時に最小化することで、ラベルなしの状態でも異常（特に温度非均一性）を検出可能であり、高偏差層ではAUC > 0.97を達成し、学習なしのベースラインを上回る性能を示した。

ABSTRACT

We present a novel unsupervised deep learning approach that utilizes the encoder-decoder architecture for detecting anomalies in sequential sensor data collected during industrial manufacturing. Our approach is designed not only to detect whether there exists an anomaly at a given time step, but also to predict what will happen next in the (sequential) process. We demonstrate our approach on a dataset collected from a real-world testbed. The dataset contains images collected under both normal conditions and synthetic anomalies. We show that the encoder-decoder model is able to identify the injected anomalies in a modern manufacturing process in an unsupervised fashion. In addition, it also gives hints about the temperature non-uniformity of the testbed during manufacturing, which is what we are not aware of before doing the experiment.

研究の動機と目的

• 正常な訓練データのみを用いて、産業的製造プロセスにおける教師なしディープラーニング手法の開発を目的とする。
• 異常検出に加え、順次的なセンサデータにおける異常進行の予測的インサイトを提供することを目的とする。
• 教師なし解析による赤外線画像分析を用いて、積層造形のテストベッドで以前に検出されていなかった温度非均一性を同定することを目的とする。
• 合成された異常を実世界のAMプロセスデータに注入した状況でのモデルの性能を評価することを目的とし、特にレーザ出力の変動に応じた性能を評価する。
• 根拠のない非学習ベースライン（平均二乗温度を異常スコアとして用いる）と比較することを目的とする。

提案手法

• モデルは、順次的な熱画像から入力画像を再構成するためのオートエンコーダベースのエンコーダデコーダアーキテクチャを用いる。
• 異常スコアは、入力画像と再構成画像間の再構成誤差（MSE）と、予測された次フレーム画像と実際の次フレーム画像間の回帰誤差（MSE）の重み付き和として計算される。
• 損失関数は両誤差を等重み（λ = 1）で組み合わせ、訓練中に500エポックにわたり最小化される。
• 一時的な異常の検出を強化するために、20点のウィンドウを用いたデトレンド処理が適用され、異常スコアの急激なピークを分離する。
• 特に高温勾配が大きい領域での異常領域の局在化を改善するため、空間的スコープ処理が誤差指標として適用される。
• しきい値ベースの検出法は、正常層からの最大ラインワイズ回帰スコアを用いて誤検出を回避し、二値の異常分類を可能にする。

実験結果

リサーチクエスチョン

• RQ1 教師なしエンコーダデコーダ型モデルは、ラベルなしの異常データを用いずに、実際の積層造形プロセスにおける合成異常を検出可能か？
• RQ2 再構成と回帰の両誤差を統合した損失関数は、単純な温度ベースのベースラインよりも優れた異常検出性能を提供するか？
• RQ3 モデルは、標準的な指標では直接観察できない、温度非均一性を含むプロセスの不安定要因を明らかにできるか？
• RQ4 注入された異常におけるレーザ出力の偏差の大きさに応じて、モデルの性能はどのように変化するか？
• RQ5 異常スコアのパターンに基づき、モデルは急激なピーク（一時的）と大きな隆起（持続的熱勾配）といった異なる異常タイプを区別できるか？

主な発見

• モデルは教師なしで注入された異常を効果的に検出でき、レーザ出力の偏差が最大のA1層ではAUCが0.976、A2層では0.972を達成した。
• A1層およびA2層では精度と再現率が90％を超えるが、A4層およびA5層ではレーザ出力の偏差が小さいことと熱的影響が小さいため、70％未満に急低下した。
• A5層ではAUCが0.776に低下し、特に1スキャンラインのみ持続する低マグニチュードの異常では検出が困難であることが示された。
• モデルは、粉体床部に以前に未知であった温度非均一性を同定し、特に2°C高い温度と急峻な勾配を示す領域が特定された。
• 空間的スコープ処理は、物理的熱的擾乱と相関する大きな異常スコアを効果的に強調し、異常領域の局在化を向上させた。
• エンコーダデコーダアプローチは、すべての異常層において、平均二乗温度を用いた非学習ベースラインを顕著に上回り、ROC曲線の観点から優れた性能を示した。