イギリスのある変電所に、設計寿命の終わりに近づいた275/132kV・180MVAの変圧器が2台あります。片方は特に老朽化が進んでおり、油中水素濃度がやや高めの状態が何年も続いていました。これは既知の軽微な熱的欠陥によるもので、値が安定している限り差し迫った危険はないと判断されています。しかし、この「やや高い水素濃度」を新品の変圧器で観測したら、間違いなく異常信号として扱われるはずの値です。
同じセンサ値でも、それがその設備にとって「いつもの状態」なのか「新しい問題の兆候」なのかは、絶対値だけでは決められません。 さらに、後付けで監視センサを導入したこの変圧器には、過去の正常運転データの蓄積がありません。この状況で、どうやって「この変圧器にとっての正常」を学習し、環境条件（気温・負荷・天候）に紛れた見せかけの異常を排除しながら、本当に注意すべき変化だけを拾い上げるか——これが本記事で扱う論文の主題です。
Victoria M. Catterson, Stephen D. J. McArthur, Graham Moss, “Online Conditional Anomaly Detection in Multivariate Data for Transformer Monitoring,” IEEE Transactions on Power Delivery, vol. 25, no. 4, pp. 2556–2564, 2010 を原論文から精読します。この論文は、以前の記事で扱った条件付き異常検知の原典である Song, Wu, Jermaine, Ranka, “Conditional Anomaly Detection”（2007）を実際の産業設備監視に応用したもので、原論文が明示的には解決していなかった重要な運用上の課題に答えています。
なぜこれを学ぶのか
応用先は明確です。
- 老朽化した重要インフラの状態監視：発電所・変電所・プラントなど、後付けでセンサを導入するケースでは、その設備固有の「正常」を学習しなければ誤警報だらけになります。
- 理論を実運用に落とし込む一般的な作法：どんなに優れた統計モデルも、しきい値の決め方や、モデルが判断不能な状況（学習データの範囲外）の扱いを詰めなければ、現場では使い物になりません。本記事はその実例です。
この記事の内容
- 異常の3分類（点異常・文脈異常・収集的異常）と変圧器監視での具体例
- CADモデルの変圧器監視への適用（環境モデル・指標モデル・相関モデル）
- 実運用のための前処理の壁：ビニングと多重共線性の回避
- 核心：$f_{CAD}=0$ をどう解釈するか — Song et al. (2007) が明示しなかった判定手順
- 実データ12ヶ月のケーススタディ（論文の実測結果を数値で追体験）
- マルチエージェントによるオンライン監視システムのアーキテクチャ
1. 異常の3分類 — 点異常・文脈異常・収集的異常
論文はまず、Chandola, Banerjee, Kumar によるサーベイ（2009）の異常分類を紹介します。この整理は変圧器監視に限らず、あらゆる異常検知タスクを設計する際の出発点になります。
- 点異常（point anomaly）：単純な外れ値検知。ある測定値が、これまで見たことのない領域にあるかどうか。
- 文脈異常（contextual anomaly）：測定値の「文脈」を考慮したうえでの異常判定。例えば、ある日の上部油温が月内で突出して高かったとします。これは点異常に見えますが、その日が特に暑い日だったなら、油温が高いのは外気温のせいであり、文脈込みで見れば異常ではありません。逆に、真夏なら正常な油温でも、真冬に観測されれば異常と考えるべきです。
- 収集的異常（collective anomaly）：個々の値は正常範囲内でも、値の集合（時間的・空間的に連なったもの）としては異常、というケース。例えば、1日を通した上部油温は朝から上昇し午後にピークを迎え、夜に向けて下降するのが通常のパターンです。仮に運転停止中で負荷変動がなくても、外気温の日内変動によって同じようなパターンが生じます。もし油温が1日中ほぼ一定、あるいは減少し続けたなら、個々の値が正常範囲内であっても、この「変化のパターンそのもの」が異常であり、センサ故障を疑うべきです。
電力設備の監視システムの多くは、エンジニアが閾値を設定する点異常検知にとどまっています。しかし論文が最も価値を見出すのは文脈異常検知です。負荷・機器の経年劣化・系統高調波・季節や日々の天候変化など、パラメータの変化に文脈を与える要因は数多くあります。文脈を考慮することで、正常な閾値内だが他の要因を踏まえると不自然な値に敏感でありながら、誤警報の数を抑えられるはずだ、というのが論文の狙いです。
この変圧器監視の応用でオンラインに参照できる文脈情報は、天候データと負荷データです。周辺環境と現在の負荷が、変圧器が置かれている「状況」を決めます。そこで選ばれた技術が、複数の気象・変圧器パラメータを同時に扱える 条件付き異常検知（Conditional Anomaly Detection, CAD） です。
2. CADモデルの変圧器監視への適用
出典: Catterson, McArthur, Moss, “Online Conditional Anomaly Detection in Multivariate Data for Transformer Monitoring,” IEEE Trans. Power Delivery, 2010, Fig. 1.
CADは、指標パラメータ（indicator parameters, 監視対象の設備から測定される値。設備の健全性を直接示す）の値が、環境パラメータ（environmental parameters, 変電所の天候や変圧器の負荷）の値と同時に観測される尤度に基づく手法です。この応用では、指標パラメータが変圧器そのものの測定値（油温・振動・電流・溶解ガス分析）、環境パラメータが気象観測データと負荷電流にあたります。
環境モデル $U$ と指標モデル $V$ はそれぞれ独立した統計モデル（混合ガウスモデル）として学習され、両者を結ぶ確率的な対応づけが相関モデルを構成します。この構造そのものは、1734番の記事で見た Song et al. (2007) の枠組みと完全に同一です。
$$ \begin{equation} f_{CAD}(\bm{y}_k\mid\Theta, \bm{x}_k) = \sum_{i=1}^{n_U} f_{GMM}(\bm{x}_k\mid U_i)\pi_i \cdot \frac{\sum_{j=1}^{n_V} f_{GMM}(\bm{y}_k\mid V_j)\, p(V_j\mid U_i)}{\sum_{t=1}^{n_U} f_{GMM}(\bm{x}_k\mid U_t)\pi_t} \end{equation} $$
環境モデルの具体例を見てみましょう。図は、変電所で観測された風向のヒストグラムに、5成分の混合ガウスモデルをフィットさせた例です。
出典: Catterson, McArthur, Moss, “Online Conditional Anomaly Detection in Multivariate Data for Transformer Monitoring,” IEEE Trans. Power Delivery, 2010, Fig. 2.
ヒストグラムの山が、混合ガウスモデルの各成分の平均、あるいは複数成分が重なった山に対応していることが分かります。新しい風向の測定値は、この確率密度関数と照らし合わせることで「どれくらいありふれた値か」を評価できます。例えば $350°$ 付近は確率密度0.005程度でよく起こる値ですが、$100°$ 付近は3つの成分の和でも0.0013程度と、相対的に起こりにくい値です。この「環境の型」を学習するモデルが $U$ であり、指標側（油温・水素濃度など）についても同じ枠組みで $V$ を学習します。
理論的な導出（EMアルゴリズムによる学習、責任度 $b_{kij}$ の計算、対応づけ $p(V_j\mid U_i)$ の更新式など）は Song et al. (2007) と同一なので、詳細は前掲の記事に譲ります。ここから先は、この論文が現場適用のために積み上げた3つの実務的な工夫に焦点を当てます。
3. 実務の壁① — センサデータを混合ガウスモデルに適した形に整える
理論通りに実装しようとして最初にぶつかる壁は、現実のセンサデータの多くが、そのままでは混合ガウスモデルに適さないという問題です。
混合ガウスモデルの学習には、共分散行列の逆行列 $\Sigma_j^{-1}$ の計算が必要です。もし2つの入力変数が線形従属に近い（強く相関している）と、共分散行列はほぼ特異行列になり、逆行列が計算できず学習が破綻します。実際にこの応用では、風速の最大値・最小値・平均値が強く相関しており3つ同時に使えない、三相電流の各相も強く相関しており1相しか使えない、といった制約がありました。
これを実際に確認してみます。独立な2つの変数と、共通の負荷に依存して強く相関する2つの変数（三相電流の各相を模したもの）で共分散行列を比較すると、次のようになります。
独立な2特徴の共分散行列は条件数（最大固有値と最小固有値の比）が2.8程度と穏やかですが、相関係数1.0000に迫るほど強く相関した2特徴では条件数が77,365にまで跳ね上がります。条件数が極端に大きい行列は数値的にほぼ特異であり、逆行列の計算が不安定になる、あるいは失敗します。混合ガウスモデルに投入する変数は、事前に相関の強い組み合わせを取り除いておく必要がある——これが1つ目の制約です。
もう1つの壁は、変圧器のパラメータの多くが見た目には混合ガウスに見えないことです。例えば「中性点タンク温度」のようなパラメータのヒストグラムを見ると、ほとんどの測定値が単発でしか出現しません。これは実際に多様な値を取っているのではなく、センサの下位桁のノイズによって、本来同じはずの値がわずかに異なる数値として記録されてしまっているためです。論文はこれを解決するために、各パラメータを400個の等幅 binに分類し直すという前処理を行いました。
出典: Catterson, McArthur, Moss, “Online Conditional Anomaly Detection in Multivariate Data for Transformer Monitoring,” IEEE Trans. Power Delivery, 2010, Fig. 3.
ビニング前（上）では、確率がほぼ全ての点で $0.0005$ 付近の一定値に張り付いており、「どの値も同じくらい珍しい」という情報量のないヒストグラムになっています。ビニング後（下）では、値ごとに明確に異なる確率が現れ、実際にどの値が頻出するのかが見えるようになります。
同じ現象を、真の値が4水準しかない合成データで再現してみます。
真の水準は20・25・30・45の4つだけですが、下位桁に微小なセンサノイズが乗ることで、ビニング前は2,000件の測定値のうち100%がユニーク値になってしまいます（左図）。これでは混合ガウスモデルはどのクラスタにも山を見出せません。400個の等幅binに丸めると、ユニーク値の割合はわずか0.3%まで下がり、元の4水準に対応する4本の明確な頻度の山が復元されます（右図）。この前処理を全ての候補パラメータに一律で適用することで、混合ガウスモデルが意味のある学習をできる形にデータを整えているわけです。
4. 実務の壁② — Song et al.のしきい値選定法が現場では機能しない
前処理が済んでモデルが学習できても、次の壁が待っています。Song et al. (2007) は、訓練データの中で異常とみなす割合 $\epsilon$（例えば1%）をあらかじめ決め、訓練データの $f_{CAD}$ 値を昇順に並べて下位 $\epsilon$ 割の最大値を閾値 $\tau$ とする方法を提案していました。
ところが、この変圧器監視の応用では、この方法がそもそも成立しません。測定は5分間隔なので、1%を異常とみなせば1日あたり約3件の異常が報告されることになります。これは、担当エンジニアが対応できる量をはるかに超えており、実際には9月の現場データを目視で確認した結果、異常は0%だった——つまり訓練データの中に異常とみなすべき点は事実上存在しなかったのです。
この場合、Song et al.の方法は使えません。論文は代わりに、テストデータでの実験を通じて妥当な閾値を近似的に選び、運用経験を積みながら調整していくという、より実務的なアプローチを取ります。この応用では最終的に $\tau = 1\times 10^{-20}$ という値が選ばれました。この後の節で見る12ヶ月のケーススタディは、この閾値のもとでの実測結果です。
5. 実務の壁③（核心）— $f_{CAD}=0$ をどう解釈するか
ここが、この論文が Song et al. (2007) に対して行った最も重要な理論的拡張です。1734番の記事で見たように、$f_{CAD}$ の値が小さいほど、その測定値は「驚くべき」ものとして扱われます。しかし、$f_{CAD}$ が厳密にゼロになるケースには、実は2つのまったく異なる原因があり得ます。
$$ \begin{equation} f_{CAD}(\bm{y}_k\mid\Theta,\bm{x}_k) = \sum_{i=1}^{n_U}\frac{f_{GMM}(\bm{x}_k\mid U_i)\pi_i\cdot\sum_{j=1}^{n_V}f_{GMM}(\bm{y}_k\mid V_j)p(V_j\mid U_i)}{\sum_t f_{GMM}(\bm{x}_k\mid U_t)\pi_t} \end{equation} $$
この式の値がゼロになるのは、環境モデル $U$ か指標モデル $V$ のどちらかの確率密度関数が、あらゆる成分についてゼロを返す場合です。すなわち、
- すべての $i$ について $f_{GMM}(\bm{x}_k\mid U_i)=0$（環境全体の周辺確率 $p(env)=\sum_i f_{GMM}(\bm{x}_k\mid U_i)\pi_i$ がゼロ）
- すべての $j$ について $f_{GMM}(\bm{y}_k\mid V_j)=0$（指標全体の周辺確率 $p(ind)=\sum_j f_{GMM}(\bm{y}_k\mid V_j)\pi_j$ がゼロ）
このどちらかが起きているということです。しかし、この2つのケースの意味はまったく異なります。
前者（$p(env)=0$）は、「今の環境条件が、訓練データのどの成分でも説明できないほど特異である」ことを意味します。これは1734番の記事で見た「点A」の状況——環境自体が極端で、モデルの守備範囲外にある——とまったく同じロジックです。この場合、モデルは環境について何も学んでいない領域にいるため、指標の値がどうであるべきかを予測する根拠がありません。したがって、これを機械的に異常と判定してはいけません。「異常ではない」と断定するのではなく、「判定不能なので保留する（実務上は正常として扱う）」というのが正しい態度です。
後者（$p(ind)=0$）は、「環境条件とは無関係に、指標の値そのものがモデルのどの成分からも生成されえないほど特異である」ことを意味します。環境条件に非ゼロの確率が与えられている限り、これは真の異常です。
Song et al. (2007) の原論文は、この区別を明示的な運用手順としては提示していませんでした。Catterson らはこれを踏まえ、次の判定手順を提案します。
- 閾値 $\tau$ を（実験または Song et al.の割合法で）近似的に選ぶ
- 新しい測定値について $f_{CAD}$ を計算する
- $f_{CAD} > \tau$ なら正常
- $0 < f_{CAD} \leq \tau$ なら異常
- $f_{CAD} = 0$ なら、環境と指標の周辺確率 $p(env)$、$p(ind)$ を個別に確認する
- $p(env) = 0$ なら正常（保留）
- $p(ind) = 0$ なら異常
この手順の価値は、モデルが判断できる範囲を超えたときに、無理に判定を下さないという設計思想にあります。カバレッジの外側にあるデータに対して沈黙するのは、根拠のない異常判定を機械的に返すよりずっと誠実な振る舞いです。次節のケーススタディでは、この手順が実データでどう機能したかを具体的に見ていきます。
6. 実データ12ヶ月のケーススタディ
6.1 モデルの学習
論文はより老朽化した変圧器の9ヶ月分のデータを詳しく分析しています。2008年9月と10月のデータは、エンジニアの目視確認により正常運転と結論づけられ、これを訓練データとして使いました（10月は気象条件が9月とかなり異なっていたため、より広い条件をカバーできる利点もありました）。
環境モデルは、外気温・負荷電流（Y相）・日射量・風速・風向の5変数から学習され、5〜17成分を試した結果、16成分のモデルが最良の適合を示しました。指標モデル（油サブシステム）は、上部油温・下部油中水分量・水素濃度の3変数（上部/下部の温度と水分量はそれぞれ強く相関するため、片方ずつしか選べないという4節の制約に従っています）から学習され、14成分のモデルが選ばれました。
6.2 12ヶ月の実測結果
テストデータは、訓練期間の直後、2008年11月1日から2009年10月31日までの12ヶ月間です。$\tau=1\times10^{-20}$ のもとでの結果をまとめたのが下図です。
出典: Catterson, McArthur, Moss, “Online Conditional Anomaly Detection in Multivariate Data for Transformer Monitoring,” IEEE Trans. Power Delivery, 2010, Table II.
この表を可視化すると、5節で説明した判定手順が実データでどう機能したかがよく見えます。
3月と5月は $p(env)=0$（環境側が原因で $f_{CAD}=0$ になったケース）が突出して多い（それぞれ38件、30件）にもかかわらず、実際に異常と判定された件数はそれぞれ5件、0件にとどまっています。これはまさに判定手順が意図通りに機能している証拠です——環境が特異なだけの大量のケースを、誤って異常と報告せずに済んでいます。対照的に、12月は $p(ind)=0$（指標側が原因のケース）が11件あり、その月の異常件数14件のほとんどを占めています。環境側の特異性と指標側の特異性が、まったく違う頻度・違う意味を持つことが、この対比から一目で分かります。
6.3 2009年3月の詳細分析
論文が最も詳しく分析しているのが2009年3月です。5分間隔で1ヶ月分、約8,900件の測定について $f_{CAD}$、$p(env)$、$p(ind)$ をプロットしたのが次の図です。
出典: Catterson, McArthur, Moss, “Online Conditional Anomaly Detection in Multivariate Data for Transformer Monitoring,” IEEE Trans. Power Delivery, 2010, Fig. 4.
最も目立つ外れ値は、3月30日19:25のサンプルで、環境の確率が極めて低くなっています。詳しく調べると、外気温・日射量・負荷電流はすべて正常範囲内である一方、風速が1012.3、風向が21という異常値を記録していました。これは明らかに一時的なセンサ故障によるものです。環境が極めて異常である一方で指標は相対的に正常なので、5節の手順に従い異常とは判定されません。
サンプル1000〜1800付近を拡大したのが次の図です。
出典: Catterson, McArthur, Moss, “Online Conditional Anomaly Detection in Multivariate Data for Transformer Monitoring,” IEEE Trans. Power Delivery, 2010, Fig. 5.
$f_{CAD}$ に4つの明確な外れ値が見られ（3月4日14:35、5日13:15、6日13:50・13:55）、これらは環境が相対的に正常であるにもかかわらず $f_{CAD}$ が閾値を下回っているため、異常と診断されます。原因はいずれも、下部油中水分量が0.1〜10.1 ppmという異常に低い値を記録していたことでした（正常範囲は55〜95 ppm）。上部油温と水素濃度は正常範囲内です。
3月5日13:15の例を詳しく見ると、その意味がよく分かります。論文は13:00から13:30までの5分おきの実測値の並びを報告しています：66.8, 64.8, 62.8, 10.1, 61.8, 62.8, 64.8（単位はppm）。前後の値が正常範囲にきれいに収まっているのに対し、13:15の1点だけが突出して低く、明らかにセンサの読み取りエラーであることが読み取れます。
正常な水分量のモデルから見て、この値がどれくらい「あり得ない」かを数値で確認してみます。
import numpy as np
from sklearn.mixture import GaussianMixture
rng = np.random.default_rng(0)
normal_moisture = rng.normal(75, 10, 4000).reshape(-1, 1)
normal_moisture = normal_moisture[(normal_moisture[:, 0] >= 55) & (normal_moisture[:, 0] <= 95)].reshape(-1, 1)
gmm = GaussianMixture(2, random_state=0).fit(normal_moisture)
for val in [65.0, 75.0, 85.0, 10.1, 0.1]:
print(f"{val:6.1f} ppm density={np.exp(gmm.score_samples([[val]]))[0]:.3e}")
65.0 ppm density=2.970e-02
75.0 ppm density=3.711e-02
85.0 ppm density=2.767e-02
10.1 ppm density=7.671e-23
0.1 ppm density=1.636e-30
正常範囲内の値（65〜85 ppm）の密度が0.03前後であるのに対し、実際に観測された異常値（10.1 ppm）の密度はおよそ $10^{-23}$——20桁以上小さい値になります。浮動小数点演算では、これは事実上ゼロとして扱われ、$p(ind)=0$ の判定につながります。環境（気温など）は正常範囲にあるため $p(env)>0$ であり、5節の手順に従って真の異常と正しく判定されるわけです。
同じ3月には、指標側が完全に破綻したケース（3月4日14:30、上部油温 $-95°C$、水分量 $-30.0$ ppm、水素濃度 $-125.0$ ppmという物理的にあり得ない値）や、環境側が完全に破綻したケース（38件、外気温が255°Cや19140°Cという明らかなセンサ異常値）も観測されています。前者は当然ながら異常と判定され、後者はいずれも環境自体が判断不能なため異常とは判定されませんでした。
6.4 12ヶ月間の結論
この研究期間全体で、CADモデルは合計21件の異常を検出しました。全てのケースについて詳しく調べた結果、すべてがセンサまたはデータロガーの不具合によるもので、変圧器本体の真の問題を示すものは1件もありませんでした。この結論は電力会社側の分析とも一致しており、この期間に変圧器の故障は確認されていません。
これは一見地味な結果に思えるかもしれませんが、実運用上の価値は小さくありません。センサやロガーの不具合は、それ自体が下流のあらゆる分析を汚染する要因であり、それを自動的に検出し、かつ環境由来の見せかけの異常（風速センサの誤作動、極端な外気温の誤記録など）を大量に誤報しなかったという事実は、この手法が実運用に耐えることを示しています。単純な閾値ベースの監視システムでは、この変圧器に特有の「やや高いが安定した水素濃度」のような文脈を扱えず、より多くの誤警報を生んでいたはずです。
7. オンライン運用のアーキテクチャ
最後に、この技術を実際にオンライン監視システムとして動かすための設計を見ておきます。
CADはデータ間の統計的な相関に基づく手法であり、変圧器の各部品同士の物理的なつながりについての知識は持ちません。そのため、$f_{CAD}$ の値を返すだけで、なぜ異常に見えるのかを説明してはくれません。そこで論文は、油系統・タンク温度系統・タップ切換器系統など、変圧器のサブシステムごとに複数のCADモデルを用意し、並列に運用するというアプローチを取ります。環境モデル $U$ は変圧器ごとに1つ学習しておき、全てのサブシステムモデルで共有します（負荷条件は号機ごとに違いうるため、環境モデルは変圧器単位で個別に用意します）。
これにより、「油系統とタンク系統で同時に異常が出た」「異常はタンク温度系統だけに孤立している」といった、単一の巨大なCADモデルでは得られない診断情報がエンジニアに提供されます。さらに、同じ変電所にある2台の姉妹変圧器を比較することで、両方に同時に異常が出れば系統全体または変電所全体に起因する可能性が高く、片方だけに孤立していればその号機固有の変化を示唆する、という追加の手がかりも得られます。
出典: Catterson, McArthur, Moss, “Online Conditional Anomaly Detection in Multivariate Data for Transformer Monitoring,” IEEE Trans. Power Delivery, 2010, Fig. 6.
システムはマルチエージェント方式で構築されています。Data Provider Agent が5分ごとにWebサービス経由で最新の測定値を取得し、Data Director Agent が各CADモデルに必要なデータ（気象・負荷・変圧器パラメータの組）を振り分けます。振り分けられたデータは複数の CAD Model Agent に渡され、それぞれが担当するサブシステムについて異常判定を行います。検出された異常は CAD Report Agent が集計し、直近7日間・30日間の異常件数と頻度を記録します。最後に Interface Agent が、Webベースのインターフェースを通じてエンジニアに情報を提示します。
エンジニア向けの情報は3段階の詳細度で提供されます。第1レベルでは、現在稼働中の各CADモデルと、直近で異常が検出されたかどうかの一覧。第2レベルでは、直近7日間・30日間の異常発生頻度のヒストグラム。第3レベルでは、環境モデル・指標モデルの各パラメータのグラフと、特定の測定値がその中でどこに位置し、どれくらいの確率を持つかという詳細な可視化です。この段階的な情報提示により、エンジニアはサブシステム間の相関を見つけたり、異常発生頻度の増加傾向を把握したり、具体的にどのパラメータが異常な振る舞いをしているかを特定したりできます。
8. まとめ
Catterson, McArthur, Moss, “Online Conditional Anomaly Detection in Multivariate Data for Transformer Monitoring” (IEEE Trans. Power Delivery, 2010) を、原論文から精読しながらたどりました。
- 背景：後付けで監視センサを導入した老朽変圧器では、その号機固有の「正常」の指紋（例：安定した高めの水素濃度）が存在し、単純な絶対値の閾値では見せかけの異常か真の異常かを区別できない。
- 手法：Song et al. (2007) の条件付き異常検知（環境モデル $U$・指標モデル $V$・相関モデル）を、気象・負荷データを環境属性、変圧器の油温・振動・電流・溶解ガスを指標属性として適用。
- 前処理の壁：多重共線性のある変数は共分散行列を特異にするため事前に除外。センサの下位桁ノイズで非ガウス的に見えるヒストグラムは、400等幅binへの丸め込みで解消。
- しきい値の壁：Song et al.の「訓練データの割合で閾値を決める」方法は、真の異常率がほぼ0%の現場データでは機能せず、実験的な調整が必要だった。
- 核心の理論的拡張：$f_{CAD}=0$ が生じたとき、原因が環境側（$p(env)=0$、判定を保留すべき）か指標側（$p(ind)=0$、真の異常）かを個別に確認する判定手順を新たに提案した。
- 実証：12ヶ月・約10万件のデータで21件の異常を検出し、全てがセンサ・ロガーの不具合と判明。環境側の特異なケース（3月38件、5月30件）を正しく誤報せず除外できた。
- 運用：サブシステムごとの複数CADモデルと、環境モデルの共有、マルチエージェントによるオンラインアーキテクチャで、エンジニアの意思決定を支援する情報提示を実現した。
理論を現場に持ち込むと、必ず「モデルの数式には現れない」実務的な課題にぶつかります。この論文が示したのは、そうした課題（前処理・閾値選択・判断不能領域の扱い）に一つ一つ具体的な答えを与えることで、10年以上前の統計モデルが今日でも通用する実運用システムになる、という好例です。
主な参考文献
- V. M. Catterson, S. D. J. McArthur, G. Moss, “Online Conditional Anomaly Detection in Multivariate Data for Transformer Monitoring,” IEEE Transactions on Power Delivery, 25(4), 2556–2564, 2010.
- X. Song, M. Wu, C. Jermaine, S. Ranka, “Conditional Anomaly Detection,” IEEE Transactions on Knowledge and Data Engineering, 19(5), 631–645, 2007.
- V. Chandola, A. Banerjee, V. Kumar, “Anomaly Detection: A Survey,” ACM Computing Surveys, 41(3), 2009.
- Z. Ghahramani, M. I. Jordan, “Learning from Incomplete Data,” MIT Center for Biological and Computational Learning, Tech. Rep. 108, 1995.