機械学習・ディープラーニングによる異常検知技術 ~機器・設備からの時系列データの分析と各種事例等~

現場でどのように異常検知を適用・活用していけば良いのか
事例やデモを交えて勘所をお伝えします

セミナー講師

BULB(株) データサイエンティスト  足立 悠 先生

セミナー受講料

1名41,800円(税込(消費税10%)、資料付)
 *1社2名以上同時申込の場合、1名につき30,800円
 *学校法人割引;学生、教員のご参加は受講料50%割引。

セミナー趣旨

 製造現場において、機器や設備の計画外停止は稼働率の低下を引き起こし、ひいては利益の損失につながります。このことを避けるための対策として、機器や設備の状態に合わせたメンテナンスの実施が挙げられます。機器や設備の状態把握・メンテナンスの最適化のためには、機械学習やディープラーニングの技術が大きく貢献しています。
 本講演では、機器や設備から得られる時系列データを中心に、どのように現場で異常検知が適用され、またそれを実現し活用していくか、事例やデモを交えて勘所をお伝えします。

受講対象・レベル

・現場で集まる時系列データの活用にお悩みの方
・機械学習やディープラーニングを用いた異常検知方法に関心のある方など

習得できる知識

・異常検知を目的としたデータ分析の進め方
・時系列データから特徴量を作成する方法
・機械学習とディープラーニングを用いた異常検知モデルの作成方法

セミナープログラム

1.はじめに〜異常検知技術の適用にあたって〜
 1)製造業におけるデータ活用

  ・どのようなデータが利用できるのか?
  ・データ収集のよくある失敗
  ・異常データ収集のポイント
 2)異常検知を目的としたデータ分析の進め方
  ・分析の目標と成功の判定基準の決め方
  ・時系列データの理解
  ・時系列データの前処理
  ・異常検知モデル作成と評価

2.機械学習を利用した異常検知
 1)異常の定義とアプローチ

  ・通常時と異常時の振る舞い
  ・異常スコアの定義
 2)時間軸による特徴量の作成
  ・異常検出間隔の定義
  ・スライド窓統計量による特徴量
 3)異常検知モデルの作成
  ・決定木を利用した学習
  ・SVMを利用した学習

3.ディープラーニングを利用した異常検知
 1)時間軸による特徴量の作成

  ・異常検出間隔の定義
  ・部分時系列による特徴量
 2)異常検知モデルの作成
  ・CNNを利用した学習
  ・RNNを利用した学習
 3)異常データの作成
  ・k-NNを利用したデータ水増し
  ・RNNを利用したデータ水増し

4.異常検知の活用事例
 1)製品の外観検査

  ・CNNモデルの転移学習
  ・データオーギュメンテーション
  ・外観検査ソリューション
 2)機器の故障診断
  ・故障の定義と予測
  ・故障診断ソリューション
 3)部品の寿命予測
  ・劣化の定義と予測
  ・寿命予測ソリューション

5.おわりに

  <質疑応答>

*キーワード
 CRISP-DM、時系列データ、非構造化データ、スライド窓、部分時系列、機械学習、教師あり学習、教師なし学習、ディープラーニング、ニューラルネットワーク、異常スコア