産業現場のAI機械学習による異常検知予知の実例集

セミナー趣旨

　近年AI機械学習がITから産業へ広がってきて，産業設備や製造現場における保全管理などに応用が急増しています。従来の現状異常判定からGPTの技術基盤であるTransformerニューラルネットによる将来異常予知へと進化しつつあります。巷にはAI機械学習のハウツー本や開発ソフトがあふれていますが，なりより実際に現場に実装した事例を知ることが重要です。しかし，これまでの書籍やセミナーでは，実際の事例を広くサーベイして，AI機械学習手法別に整理して紹介するものは少ないと思います。
　本セミナーでは，AI機械学習の手法を分類して，それぞれが我が国の産業現場の異常検知予知にどのように適用されているか実例紹介に徹します。これにより各受講者が直面する問題に類似するAI機械学習応用事例に倣う機会を提供します。講師は，メーカ技術者，大学教授，コンサルと十年以上の機械学習の経験があるので，実践的な産業現場の異常検知予知の事例サーベイに特化した入門コースを提供します。

受講対象・レベル

・製造業の工場等で工程の異常検知予知システムの企画や開発や実装に携わる管理者・技術者
・設備業の設備等を運営保全する上で異常検知システム開発や実装に携わる管理者・技術者
・IT会社等で，産業現場の異常検知予知システムの実施例を勉強したいソフトウェア技術者
・電力，水道，ガス等の公共設備の異常予知予兆システムに関わる地方自治体や企業の技術者
・研究機関，教育機関等の観測データの毎処理や外れ値除外や異常検知予知を検討中の研究者

習得できる知識

・我が国におけるAI機械学習による異常検知・予知が製造現場へ適応されている現状の感覚
・受講者の異常検知予知課題と
　　　　　　　　データから適材適所のAI機械学習手法を試行するための入門知識
・異常検知の統計的分布やAI定番手法の原理解説でなく現場に実践・応用する際のコツ・ツボ
・機械学習ツールに投入までの生データ前処理が決定的に重要である事例と具体的な手法
・実際に試行して徐々に性能を改善する上で広く実践されている性能評価手法の定番知識

セミナープログラム

１．異常検知手法の手法分類
　1.1　教師データがない検知予知
　1.2　産業現場データの現実
　1.3　手法の適材適所：統計解析系・機械学習系・深層学習系

２．統計判定            
　2.1　実例1：線形重回帰分析法によるプレス型摩耗限界検知
　　(a) 現場知と相関により重回帰分析に説明変数選択
　　(b) 現実的に使える特徴量としての加工機主軸モータ電流値
　2.2　実例2：マハラノビス距離法によるドリル加工折損予知
　　(a) 正規分布におけるマハラノビス距離と異常度
　　(b) 経時的トレンド変化がある場合の分布モデル設定
　2.3　実例3：ガウス過程回帰による人工衛星データ異常検知
　　(a) ガウス過程回帰（Gaussian Process Regression:GPR）法とは
　　(b) 閾値をパーセンタイルと現場知により現実的な閾値設定

３．画像判定
　3.1　実例4：画像ニューラルネットで部品組立て異常検知像
　　(a) 異常の教師データとシンプルツールで基本的手法をトライ
　　(b) 異常データが少ないが学習が速いシンプルな構成
　3.2　実例5：画像CNNによるアルミ鋳物の微小巣検知
　　(a) 局所ブラケッティングできる高性CNNツールの利用
　　(b) 異常データが少ないので画像合成で人工的に増強
　3.3　実例6：学習済み基盤画像モデルによる樹脂材料異常検知
　　(a) SAM（Segmentation Anything Model）ツールとは
　　(b) 人工毛髪樹脂材料の線状加工の断面形状判定

４．周波数判定
　4.1　実例7：音波深層学習による切削ドリル折損の直前予知
　　(a) ドリル切削加工音の特定周波数が直前変化
　　(b) 16ms長音波データをCNN（Convolutional Neural Network）
　4.2　実例8：電流スペクトルによる端子台配線ゆるみ検知
　　(a) 端子接続抵抗を示す特定周波数電流を特徴量
　　(b) ギアケーシング振動FFTスペクトルの時系列変化予測
　4.3　実例9：押出成形機のギア摩耗量限界予知
　　(a) 樹脂スクリュウへの減速ギアベアリング摩耗の限界予知。
　　(b) 振動センサー信号をFFTにかけて特徴周波数抽出

５．履歴判定
　5.1　実例10：LSTMによる突発的な設備例外運転の発生予測
　　(a) 履歴を記憶忘却する系列専用ニューラルネットLSTM
　　(b) 数時間の運転履歴に依存して突如発生する異常運転予知
　5.2　実例11：LSTM＋AEによる工場搬送コンベア駆動ギア異常予知
　　(a) 自己符号化（AutoEncoder：AE）ニューラルネット
　　(b) AE特徴ベクトルの異常閾値はGMM確率分布で判定
　5.3　実例12：LSTM＋AEによるパワーショベル油圧異常予知
　　(a) 自己符号化（AutoEncoder：AE）ニューラルネット
　　(b) 正常データをAEで復元学習してそこから逸脱検知

６．波形判定
　6.1　実例13：Shapelats法によるエレベータ扉開閉レール異常検知
　　(a) 系列データの局所部分列の波形を学習するShapelests
　　(b) 問題箇所の波形を特定できる説明性に優れる手法
　6.2　実例14：Discord法によるバルブ開閉電流波形異常検知
　　(a) 系列データの局所部分列の波形を学習するShapelests
　　(b) 問題箇所の波形を特定できる説明性に優れる手法

７．出現判定
　7.1　実例15：Transformerによる建物空調消費電力の予測
　　(a) オフィスビル空調消費電力特異日特異時間帯の抽出
　　(b) Attention機構により時系列データの注目点を説明できる
　7.2　実例16：Transformer画像系列予測による路面凍結の予知
　　(a) 言語予測モデル用Transformerを画像部分系列に適用
　　(b) 画像特定部分のAttension値により根拠を数値化

８．まとめと質疑応答

キーワード：
異常検知,異常予知,AI,人工知能,画像,不良,故障,予測,事故,未然防止,講座,セミナー

セミナー講師

N研究所（株）　代表取締役　博士（工学）　蜷川忠三　氏
　※元・三菱重工（株）　技監、元・岐阜大学　教授

【講師紹介】
　1978年 名古屋大学 大学院 修士課程 修了、三菱重工業（株） 入社
　1986年 2年間 University of Washingtonに留学しコンピュータサイエンス研究
　1998年 日本冷凍空調工業会 パッケージ技術委員会 委員長 併任
　2009年 三菱重工業（株） 冷熱事業本部　技監、博士（工学）
　2012年 岐阜大学 工学部 電気電子工学科 教授
　2023年より現職、現在に至る

＜主な著書＞
『AI時系列制御解析』（コロナ社）
『分散型ビル空調IoT･AI制御』技報堂出版（株）
『仮想発電所システムの構築技術』（株）オーム社
『OpenADRによるデマンドレスポンス通信』森北出版（株）

セミナー受講料

55,000円（税込、資料付）
■ 非会員の方は1名につき55,000円（税込み）です。
会員の方もしくは新規会員登録していただいた方の受講料は以下の通りです。
　★1名で申込の場合、44,000円（税込）に割引になります。
　★2名以上同時申込の場合、1名につき半額の27,500円（税込）に割引になります。
　　※参加者全員の会員登録が必要です。登録料や年会費などは一切かかりません。


※ 会員登録とは
　 ご登録いただきますと、セミナーや書籍などの商品をご案内させていただきます。
　 すべて無料で年会費・更新料・登録費は一切かかりません。
　 メールまたは郵送でのご案内となります。
　 郵送での案内をご希望の方は、備考欄に【郵送案内希望】とご記入ください。

主催者

開催場所

受講について

Zoomを使ったWEB配信セミナー受講の手順

1. Zoomを使用されたことがない方は、こちらからミーティング用Zoomクライアントをダウンロードしてください。ダウンロードできない方はブラウザ版でも受講可能です。
2. セミナー前日までに必ず動作確認をお願いします。
3. 開催日直前にWEBセミナーへの招待メールをお送りいたします。当日のセミナー開始10分前までに招待メールに記載されている視聴用URLよりWEB配信セミナーにご参加ください。

• セミナー資料は開催前日までにお送りいたします。
• 無断転載、二次利用や講義の録音、録画などの行為を固く禁じます。