セミナー：製造・加工業におけるディープラーニングによる異常検知・欠陥予測とその応用 | 曽我部研究室 SogabeLab 国立大学法人電気通信大学│AI 人工知能 量子

一日セミナー　製造・加工業におけるディープラーニングによる異常検知・欠陥予測とその応用　で講師を務めます。

詳細はこちら　http://triceps.co.jp/seminar/s200330k.html

■講師

電気通信大学　i-パワードエネルギー・システム研究センター　基盤理工学専攻　准教授　理学博士　曽我部 東馬

■開催日時：2020年8月25日（火） 10:30-16:30

■プログラム

第Ⅰ部 : はじめに
(1)　従来の機械学習の原理と手法を簡潔にわかりやすく説明
・サポートベクトルマシン(SVM)
・主成分分析PCA/t-SNE/トポロジーデータ解析法(TDA)
・競合学習・SOM・K-NN・EMアルゴリズムの原理と相互関連性
・Extreme Learning machine手法の紹介
・RNNとRNN-LSTMのわかりやすい説明
・ベイズ原理からカルマンフィルターをわかりやすく説明
・ベイズ原理から粒子フィルターをわかりやすく説明
(2)　各ディープラーニングの手法の紹介と原理を簡潔にわかりやすく説明
・畳み込みニューラルネットワーク(CNN)
・自己符号化器(AE)
・RBMとRBM-DBNの紹介
(3)　異常検知の考え方や手法の選択・適用のポイント等をわかりやすく説明
・異常検知の考え方
・異常検知への各手法の選択法
・異常検知への適用の際のポイントと留意点

第Ⅱ部 : 品質検査(表面・外観検査)におけるディープラーニングの手法の応用
(1)　最新技術と手法及び応用事例の紹介
・熱間圧延ストリップ鋼表面解析～
・溶接欠陥解析
・航空機ファンプレート用チタン合金表面
(2)　CNNに基づく転移学習の紹介
(3)　転移学習を用いたCNN学習モデルによる表面・外観検査の学習結果の解析
(4)　従来の機械学習手法の解析結果との比較

第Ⅲ部 : 故障評価のための診断解析
(1)　技術の背景及び応用事例の紹介
・軸受故障解析
・変速機故障解析
・回転子故障解析
(2)　CNNによる特徴抽出と故障診断
(3)　AEによる故障診断
(4)　Extreme Learning machine深層学習手法
(5)　スパースフィルタリングによる故障診断
(6)　RBM-DBNとSVMを融合したマルチモーダル手法

第Ⅳ部 : 欠陥・寿命予測解析手法
(1)　LSTM-RNNによる欠陥予測
(2)　融合学習とLSTMの融合による予測
(3)　双方向LSTMとCNNの融合による予測
(4)　粒子フィルターとRBM-DBNの融合による予測
(5)　欠陥・寿命予測解析応用事例
・転がり軸受長期寿命予測
・機械加工における工具摩耗寿命予測
・ハイブリッド玉軸受寿命予測

第Ⅴ部 : 展望
(1)　学習モデル選択 :
(2)　データの高次元性・非構造多様性・不均衡性の対策
(3)　学習結果の可読性と可視化