Home
->  5月開催 その他セミナー 

Live配信セミナー】
ディープラーニングによる品質検査(表面・外観検査)と故障診断、欠陥予知への活用

5月開催 その他セミナー  更新日:2021年4月 1日
 セミナー番号【105505】5/31 講師1名
★応用事例を取り上げながら解析手法の原理、解析プロセス、検証結果までを詳解します!

Live配信セミナー】
ディープラーニングによる品質検査(表面・外観検査)と故障診断、欠陥予知への活用


■ 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 曽我部 東馬氏

■ 開催要領
日 時 :
2021年5月31日(月)10:30~16:30

会 場 : Zoomウェビナーを利用したLive配信  ※会場での講義は行いません
(聴講者のビデオはOFFに設定しています)
聴講料 :
1名につき55,000円(消費税込、資料付) 
〔1社2名以上同時申込の場合1名につき49,500円(税込)

■ Live配信セミナーの受講について
・本講座はZoomを利用したLive配信セミナーです。セミナー会場での受講はできません。

・下記リンクから視聴環境を確認の上、お申し込みください。
 → https://zoom.us/test

・開催日が近くなりましたら、視聴用のURLとパスワードをメールにてご連絡申し上げます。
 セミナー開催日時に、視聴サイトにログインしていただき、ご視聴ください。

・Zoomクライアントは最新版にアップデートして使用してください。
 Webブラウザから視聴する場合は、Google Chrome、Firefox、Microsoft Edgeをご利用ください。

・パソコンの他にタブレット、スマートフォンでも視聴できます。

・セミナー資料はお申込み時にお知らせいただいた住所へお送りいたします。
 お申込みが直前の場合には、開催日までに資料の到着が間に合わないことがあります。ご了承ください。

・当日は講師への質問することができます。可能な範囲で個別質問にも対応いたします。

・本講座で使用される資料や配信動画は著作物であり、録音・録画・複写・転載・配布・上映・販売等を禁止いたします。

・本講座はお申し込みいただいた方のみ受講いただけます。
 複数端末から同時に視聴することや複数人での視聴は禁止いたします。

・Zoomのグループにパスワードを設定しています。部外者の参加を防ぐため、パスワードを外部に漏洩しないでください。
 万が一部外者が侵入した場合は管理者側で部外者の退出あるいはセミナーを終了いたします。



プログラム

【講演趣旨】 
ディープラーニング手法は、画像認識や音声認識の分野では前人未到の識別精度を達成し、将来 の有望技術として脚光を浴びている。これらの成功事例を受け近年、ディープラーニング手法は製造加工業界の 様々な分野に応用され、新たな解析手法として研究されている。 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。


【講演項目】
1.はじめに
  1.1 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
    (1)サポートベクトルマシン (SVM)
    (2)主成分分析PCA/t-SNE/トポロジーデータ解析法 (TDA)
    (3)競合学習・SOM・K-NN・EMアルゴリズムの原理と相互関連性
    (4)Extreme Learning machine手法の紹介
    (5)RNNとRNN-LSTMのわかりやすい説明
    (6)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
    (7)ベイズ原理から粒子フィルターをわかりやすく説明
  1.2 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
    (1)畳み込みニューラルネットワーク (CNN)
    (2)自己符号化器 (AE)
    (3)RBMとRBM-DBNの紹介
  1.3 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
    (1)異常検知の考え方
    (2)異常検知への各手法の選択法
    (3)異常検知への適用の際のポイントと留意点

2.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
  2.1 最新技術と手法及び応用事例の紹介
    (1)熱間圧延ストリップ鋼表面解析~
    (2)溶接欠陥解析
    (3)航空機ファンプレート用チタン合金表面
  2.2 CNNに基づく転移学習の紹介
  2.3 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
  2.4 従来の機械学習手法の解析結果との比較

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

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

5.展望
  5.1 学習モデル選択 :
  5.2 データの高次元性・非構造多様性・不均衡性の対策
  5.3 学習結果の可読性と可視化

【質疑応答】