マスキング現象に数理で挑む――深層学習が苦戦したプラント異常（TEP）を「相関の崩壊」から可視化した記録

🏭　第1章：AIの「ブラックボックス」が現場を止めている

あるニュースを見た。
ある企業が「説明可能AI（XAI）」を開発し、インフラや製造業向けに年間350億円の市場を見込んでいるという。

狙いは的を射ている。
現場は、理由を説明できないAIの出力に戸惑うのだ。

以前の記事でも書いたが、AIの判定結果だけを渡されても現場は動けない。

「異常確率98%です」
画面にそう表示されても、オペレーターはどうすればいいかわからない。
どこを点検するのか。ラインを止めるべきか。
ブラックボックスの出力では対処のしようがなく、誰も責任を取れない。

現場へのアカウンタビリティ（説明責任）が、AI導入の最大の障壁になっている。
だが、一つの疑問が浮かぶ。
深層学習を駆使し、複雑なAIを使って、複雑に説明すること。
それは本当に、現場が求めている正解なのだろうか。

🤔　第2章：最新AIが「検知率0.75%」で沈黙する理由

世界標準のベンチマークがある。
化学プラントの異常検知を模した「TEPデータセット」だ。

TEPは、Eastman Chemical社が現実の化学プラントをベースに設計したプロセスシミュレータだ。
4つの原料から、2つの製品を合成する。系内には8種類の化合物が循環し、反応器や圧縮機などの設備が複雑に絡み合う。

データには、正常（d00）から異常（d01〜d21）まで、22パターンの挙動が記録されている。
プロセス制御や異常診断の研究において、世界中のデータサイエンティストが挑む登竜門だ。
そして、この中に「d03、d09、d15」という、極めて検知が難しい異常モードが存在する。

例えば、2025年の論文。

この論文では、深層学習やシャム・ネットワークを用いた最新のアプローチが試みられている。
だが、彼らはこの特定の異常（前述のd15）において、厚い壁に直面している。

検知率、0.75%。
つまり、大半の異常を見逃している。

そして、彼らの論文では、以下の内容が記載されていた。

なぜ、最新のAI技術を使っても、異常を見逃してしまうのか。
それは、プラントには「PID制御」という自動補正の仕組みがあるからだ。（1）
異常が起きても、制御システムがバルブを開閉し、温度や圧力を正常範囲に押し留めようとする。
これを「マスキング現象」と呼ぶ。

2025年の論文では、52個のセンサー波形を52枚の「画像」に変換している。
それを画像認識のAI（CNN）に通し、1024次元に圧縮する。正常と異常のペアを作り、転移学習まで重ねている。

それでも、検知率は0.75%に留まった。

単体の数値を追ったり、直線距離（ユークリッド距離）を測ったりするだけでは、異常を捉えきれないのだ。

それはなぜか。身近な例で考えてみる。
室温とエアコンの消費電力の関係だ。

真夏に室温を25度に保つため、1000W消費している。正常だ。
春先に室温を25度に保つため、200W消費している。これも正常だ。

数値単体で見れば、室温25度も電力1000Wもスペック内。
直線距離で測れば、どちらも異常なしとなる。

だが、春先（外気温20度）なのに、室温25度を保つために1000Wも消費しているとしたら。
数値自体は正常範囲だ。
だが、温度と電力のバランスが明らかにおかしい。
窓が開けっぱなしか、コンプレッサーの不具合だ。

これが「関係性の歪み（相関崩壊）」だ。
プラントの制御が異常を隠すとき、AIが波形を画像として処理しても、そこには「圧力もバルブも正常」という状態しか映らない。
相関関係の崩れを直接計算しなければ、異常はすり抜けていく。

🔄　第3章：数理工学からのアプローチ

どうすればいいか。
関係性の歪みを測る物差し、「マハラノビス距離（MT法）」の出番だ。
直線距離が見逃したバランスの崩れを、マハラノビス空間なら異常として検出できる。（2）

しかし、プラントのデータにこれをそのまま適用すると問題が起きる。

数十個のセンサーが複雑に連動していると、数学的に情報が重複した状態になる。
すると、相関の逆行列を求める計算式において、分母が限りなくゼロに近づく。
ゼロ除算による計算の破綻だ。

既存研究では、ここに微小な乱数を足すことで情報を分散させ、計算を通す工夫が見られる。
だが、それはシグナルにノイズを混ぜるようなものだ。
データの純度が影響を受ける。

だから、数理的に厳密なアプローチをとる。（3）
「Gram行列」への写像と、「Ledoit-Wolf収縮推定」だ。

センサーの数が増えて計算が破綻するなら、視点を変える。
例えば、1万個のセンサーを、100回のタイミングで測ったとする。
1万×1万の巨大な関係図を作ろうとするから、計算が難しくなる。
だが、本当に意味のある情報は、測った回数（100回）の側に存在する。
だから、センサー同士ではなく、100回のタイミング同士の関係図（100×100）に変換し、そこから1万次元の情報を復元する。
これがGram行列を用いた双対空間への反転だ。計算量は激減するが、失われる情報はゼロだ。

しかし、それでも100回の測定では、1万次元が作る空間の全体像は埋めきれない。
情報が足りず、計算上どうしても潰れてしまう残りの次元空間が発生する。
この空間に対し、最適な計算の安定剤を自律的に注入し、数学的な補正を行う。
それがLedoit-Wolf収縮推定だ。
データを一切濁らせることなく、安定した空間を作り上げる。

空間ができたら、異常の切り分けだ。
ここで「RT-PC+法」を用いる。

品質工学のMTシステムには「RT法」という手法がある。項目数（センサー数）がサンプル数を上回っていても診断可能な手法だ。
だが、RT法は高次元のデータを2次元に圧縮してしまうため、情報の欠落や相関の崩れが避けられない。

そこで、改良版であるRT-PC+法を使う。
空間を「全体の大きな動き（主成分：Trend）」と、「本来あるべき調和からのズレ（残差：Balance）」に直交分解する。
情報の欠落なしに、主成分と残差の2つの指標で管理できるようになる。

この手法が、なぜマスキング現象に効果的なのかについて、オーケストラの演奏に例えてみる。
全体のボリュームが大きくなるのが「Trend」。
一人だけ半音ズレた音を出しているのが「Balance」だ。

マスキング現象が起きている時、全体のボリューム（Trend）は正常に見える。
しかし、RT-PC+法を使えば、その裏で半音ズレている一人の演奏（Balance）だけを、分離して引きずり出すことができる。

成熟した数理工学のアプローチ。
それを適切に組み合わせ、最新のLLMに解釈させる。

単に、最新AIに問題を丸投げするのではない。
データの物理的本質に向き合うのだ。

🧱　第4章：「PPMの壁」と教師なし学習の必然性

深層学習をはじめとする多くのAI研究は、一つの前提の上に成り立っている。
「正常なデータと異常なデータの両方が、十分に存在する」という前提だ。

客観的な事実がある。
2023年に発表された異常検知における深層学習のレビュー論文（※1）をはじめ、多くの学術調査が「現在のAI研究の大半は異常データを事前に与える『教師あり学習』に依存している」と指摘している。そして同時に、実際の産業界への適用においては「異常データの極端な枯渇（Data Scarcity）」と「データ不均衡（Imbalanced Data）」が最大の障壁になると結論づけている。

※1：Zhu, Z. et al. "A review of the application of deep learning in intelligent fault diagnosis of rotating machinery." Measurement, 2023

現場の現実は、PPM（100万分の1）の世界だ。
高度に管理されたプラントにおいて、異常なデータなど滅多に手に入らない。
何千もの異常パターンを事前に収集し、AIに学習させる。それは研究室のベンチマークテストでは可能でも、実際の工場では不可能に近い。
未知の壊れ方をするかもしれない設備に対し、事前にすべての答え（異常データ）を用意することなどできないのだ。

異常データが手に入らない「PPMの壁」。
これが現場のリアルだ。
だからこそ、実用を前提とするならばアプローチを変える必要がある。
異常データを一切学習させない。
「正常なデータのみ（良品学習）」で空間を構築し、そこからの未知の逸脱を直接測るアプローチだ。

📊　第5章：実証。そして「0.75%」と「44%」の意味

構築した数理エンジンを、TEPデータセットに適用した。

多くの最新研究では、事前に異常データを学習させる手法がとられている。
当システムは異なる。正常なデータのみをモデルに学習させ、未知の異常の検知に挑む。
前述の通り、異常データが事前に手に入らない製造現場のリアルな条件に合わせた検証だ。

結果を見る。
正常値な状態を1とした場合、d15において、最大の異常を示す値を、物理的な変動量（Trend）は「1.32」という正常値とほぼ同じ値を示した。通常の閾値監視や、パターンの表面をなぞるだけのAIであれば、確実に見逃される数値だ。
だが同時に、相関崩壊（Balance）は「33.99」という異常値を示した。
マスキング現象の裏側で静かに進行する、関係性の歪みを捉えている。

さらに、評価間隔を「ステップ1（1サンプル刻み）」にして高解像度解析を実施した。
マハラノビス距離の推移に、大きな「うねり」が現れた。

1. 異常発生により数値が上昇する。

2. 制御システムが介入し、数値を正常状態に補正する（うねりの谷）。

3. 制御の限界を超え、再び数値が上昇する。

制御システムと異常の拮抗状態を、忠実に可視化した結果だ。
このうねりの谷（マスキング期間）を「正常に補正されている」と厳密に判定したため、実質的な検知率は44.13%に落ち着いた。なお、未知の良品データに対する誤検知率は6.28%であり、実用的な水準を保っている。

44.13%という数字。
同じ条件において、事前に異常の答えを知っていた2025年の最新AIの検知率は「0.75%」だった。
彼らのAIは、うねりの山（異常爆発時）においてすら正常と誤認し続けたのだ。

異常データを事前学習することなく、数理的な空間分離を行う。
それによって、マスキング現象の奥にある構造変化を捉えることができるという事実が、データとして示された。

🌐　第6章：エッジで動くAIと分散アーキテクチャ

現場への導入を考えると、もう一つの課題が浮上する。
説明可能AI（XAI）の構築には、多くの場合、大規模な計算資源が求められる。（4）
数千万円規模のGPUサーバーの導入や、クラウド環境へのデータ送信だ。
インフラ投資やセキュリティの観点で、多くの現場にとって導入のハードルは高い。

今回開発した数理エンジンのアプローチは異なる。
診断フェーズに限れば、コアとなる計算は行列の四則演算に過ぎない。
そのため、「Raspberry Pi」のような小型・低消費電力のエッジデバイスでも十分に稼働する。（5）

既存の装置にエッジデバイスを設置する。
普段はローカル環境で数理計算を行い、異常を検知したときに、エビデンス（証拠）とともにデータを上位のPCに送る。
そこで待機していたLLM（Gemma 4）がデータを受け取り、「バルブの相関崩壊です」と自然言語のレポートを生成する。

ここで重要なのは、AIとの「役割分担」だ。
近年、LLMの進化は目覚ましい。
だが、LLMに複雑な数値データを直接渡し、「このデータに異常はないか考えてくれ」と丸投げしてはいけない。
生成AIは、もっともらしい文章を作るのは得意だが、厳密な物理法則の計算をしているわけではない。丸投げすれば、必ずハルシネーション（もっともらしい嘘）を引き起こす。

だから、役割を完全に分割する。
「計算」は数学に行わせ、「解釈と伝達」をLLMに行わせる。

エッジデバイス内の数理エンジンが、「冷却水バルブの相関が大きく崩壊している」という、揺るぎない数学的エビデンスだけを抽出する。
LLMには、その「確定した事実」だけを渡す。
そうすることで、AIは嘘をつく余地をなくし、高度な専門知識を持った「翻訳者」として機能する。
ブラックボックスを排除し、数学的な透明性を担保したまま、自然言語というインターフェースを現場に提供する。

計算負荷の軽い数理モデルと、高度な言語解釈能力を持つLLM。
それぞれの強みを活かし、現場の制約に適合させた分散アーキテクチャだ。

🛠️　終章：技術の適材適所とエンジニアリング

今回の検証は、時間軸を持った波形データとしての解析結果である。
だが、このシステムのコア・エンジン（Gram行列、Ledoit-Wolf収縮推定、RT-PC+法）のポテンシャルは、波形解析のみに留まらないのかもしれない。

プラントの出力ログや、IoT機器の稼働データ。
世の中に存在する多くの多変量データに対し、波形化の前処理を行わず、テーブルデータを直接コア・エンジンに入力するアプローチも考えられる。
そうすれば、計算コストを極限まで下げつつ、あらゆる多変量データの「見えない関係性の崩壊」をリアルタイムで検知できるのではないだろうか。

目的は、最新技術を無条件に適用することではない。
現場の課題を解くことだ。

深層学習には、画像認識や自然言語処理など、圧倒的な強みを持つ領域がある。
一方で、厳密な相関構造の評価や、未知の異常の切り分けにおいては、数理工学のアプローチが有効に機能する場面がある。

成熟した数学的アプローチを用いて、データの物理的本質を切り出す。
そして、その結果を最新のLLMに解釈させる。
技術を適材適所で組み合わせること。

複雑なブラックボックスに頼るのではなく、物理現象の背景にある構造を数学で可視化する。
それが、現場のオペレーターが納得して動けるシステムに繋がるのではないか。

完璧な正解は、まだわからない。
それでも、現場に寄り添う「説明可能AI」の本当の姿を、これからも探し続けていきたいと思う。

📗　参考文献

※この記事にはAmazonアソシエイトリンクが含まれています

（1）　熊谷 英樹 (著)：ゼロからはじめるPID制御 　日刊工業新聞社　2018

（2）　田村 希志臣 (著)：よくわかるMTシステム: 品質工学によるパターン認識の新技術　日本規格協会　2009

（3）　川野 秀一 (著), 松井 秀俊 (著), 廣瀬 慧 (著)：スパース推定法による統計モデリング 　共立出版　2018

（4）　森下 光之助 (著)：機械学習を解釈する技術〜予測力と説明力を両立する実践テクニック　技術評論社　2021

（5）　小笠原 祐治 (著)：Raspberry Piではじめる IoT×Webシステム開発入門　森北出版　2026

🎁　おまけ

本記事を動画にしたものは、以下のリンクで視聴できます。よろしければ、ご視聴ください。