IoTに求められるリアルタイムモニタリング
異常検知に最適な実装を実証実験

IoTデータをどう活用すれば、ビジネスの成長に役立てられるのか。その選択範囲は非常に広く、多くの企業が試行錯誤を行っています。CTCでは、どのような技術や手法を使ってリアルタイムモニタリングを行えば、効果的に異常を検知できるのかを明らかにするため、オモチャの電車を使った実証実験を試みました。10種類のデータを収集できるSimpleLinkというセンサータグを電車に装着し、ジャイロスコープのデータをMQTTブローカーのMosquittoを介してシステムに送り、加工・自動化処理を行いました。プログラミングはPythonで行い、データはSQLServerに蓄積しました。

予測・スコアリングのための異常検知手法としては、機械学習を使ってデータをよく似たグループに分類するクラスタリングと、機械学習の分類器によって正常と異常に分類するサポートベクターマシンという2つを採用しています。前者にはIBMのSPSS Modeler、後者にはMicrosoft Azure MachineLearningの異常検知モデルを使用しました。スコアリング結果はダッシュボード機能を持つウイングアークのMotionBoardで可視化し、正しく異常を検知することができました。

異常検知システムを実装する際の検討ポイントとしては、センサーデータの収集処理では収集のタイミングや項目、通信機能やデータ加工のためのフィルター条件など。MQTTブローカーへの受け渡し処理では配信トピックの決定、処理能力、データ取りこぼし防止など。データ加工の処理ではノイズの除去や欠損値、エラーのハンドリング、データの加工・判定・集約ロジックの実装など。予測スコアリングの処理ではモデルの作成や組み込みの容易性、処理精度、プロトコル、レスポンス性能など。さらに可視化の処理では、リアルタイム表示、通知・警告の発信、表現力や時間単位、データ受取形式やフォーマットなどを挙げることができます。