NEWS
ニュース

セミナー:ディープラーニング手法による異常検知と製造加工業への応用展開

半日セミナー ディープラーニング手法による異常検知と製造加工業への応用展開 で講師を務めます。

 

■日時:2018年11月12日(月) 12:30-16:30

■会場:【東京・京急蒲田】大田区産業プラザ(PiO)6階D会議室

■題目「ディープラーニング手法による異常検知と製造加工業への応用展開~品質検査(表面・外観検査)、故障診断、欠陥・寿命予測~

■主催:情報機構

■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

〈質疑応答〉

Page top