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

ディープラーニング手法は、画像認識や音声認識といった分野において、これまでにない高い識別精度を実現し、急速に注目を集めてきた。近年では、ChatGPTのような大規模言語モデルにもこのディープラーニング技術が活用され、その高度な言語処理能力が実証されている。こうした成功事例を背景に、ディープラーニング手法は製造加工業界にも応用が広がっており、新たな解析手法として、品質検査や故障診断、寿命予測などさまざまな領域での研究と実用化が進められている。 　本セミナーでは、製造加工業の中でも特に品質検査 (表面・外観検査) 、故障診断と欠陥予知という三つの分野に応用した最新鋭のディープラーニング技術を紹介する。内容として、応用事例を取り上げながら、解析手法の原理、解析手法の解析プロセス詳細そして検証結果という流れで説明と議論を重ね展開していく。

1. 第I部:はじめに
   1. 従来の機械学習の原理と手法
      • 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
   2. 各種ディープラーニングの手法の紹介
      • 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
   3. 異常検知の考え方と適用法
2. 第II部:品質検査 (表面・外観検査) への応用
   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
      • 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
3. 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
      • 変速機
      • 回転子の故障解析
   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
4. 第IV部:欠陥・寿命予測解析手法
   1. LSTM-RNNによる欠陥予測
   2. 競合学習と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
5. 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
6. 質疑応答