最先端技術であるディープラーニングや生成AI が話題になり、人工知能ブームが再来していると言われています。最先端の技術は重要ではありますが、要素技術の開発者が、人工知能を用いた応用技術の開発を行うには敷居が高いことが課題ではないでしょうか?人工知能の活用は製造業の現場でも一般化しつつある反面、「大量の様々なパターンのデータがないと始められない」「要素技術開発者の主導による開発・運用が難しい」といった理由で、頓挫するケースも少なくありません。特に、事前に想定できない“未知の不良や異常”も検出したい場合、いわゆるディープラーニングでは実用化レベルの開発が難しい場面が出てきます。このように人工知能には、要素技術開発者にとって実用化レベルの応用開発が難しいイメージがありますが、ものづくり分野に絞れば、適切な手法の使い分けとノウハウで意外とスムーズに応用開発が可能になります。
　人工知能にも、アカデミックな最先端技術に対して成熟した「エンジニアリングに適した技術」があり、その技術はものづくりの開発現場で安心して使うことが可能です。また、ビッグデータにも誤解が多く、本来の意味とは異なる内容が一人歩きしている状況です。本来のビッグデータの意味を理解し、適切な手法の応用や、要素技術開発者の知見を活かすと、人工知能を用いた応用技術の開発に必要なデータの最小化も可能です。さらに、適切な手法を使用すれば、学習していない未知の不良や異常を見つける人工知能を用いた検査技術やセンシング技術も、要素技術開発者自身で開発を主導することが可能です。
　エンジニアリングに適した人工知能技術として、本講座では「MT システム」に関して解説します。
MT システムは、正常状態 (良品の状態・標準状態) のパターンを基準にして正常らしさのスケールを構築し、正常パターンからの乖離を“外れ”として検知するため、未知の異常・不良を含めた検出や、異常モニタリング、予防保全の技術として有効に活用できます。また、手法が比較的シンプルなため、データ収集や評価の考え方を押さえることで、要素技術の開発者が自ら検討を進めやすい点も特徴です。
　本講座の前半では、MT システムを実務で使いこなすために必要な前提知識として、重回帰式、ニューラルネットワークモデル、MT システムなどの回帰手法の位置づけを整理し、データ収集の重要なポイントを解説します。
　後半では、異常音の検査システム開発事例を題材に、未学習の未知異常をどう扱うか、実用化レベルの開発を見据えた手順・データ収集・モデル構築・運フローまで、具体的に解説します。なお、MT システムのアルゴリズムをExcel 上で簡単に再現する方法も、計算過程も含めて紹介いたします。
　要素技術開発者にとって、人工知能は目的ではなく、技術課題を解決する手段として使えることが理想的です。本講座で解説するエンジニアリングに適した人工知能技術を使うことで、要素技術開発者は、解決すべき技術課題に集中することが可能になります。

1. 人工知能技術の概要
   1. 要素技術者から見た開発ツールとしての人工知能技術
   2. 参考:データ採取のポイント (ビッグデータの誤解)
   3. 要素技術者に適した人工知能構築ツール
2. 事例 MTシステム活用 : 未学習の未知異常検知技術 (異常モニタリング、予防保全技術)
   • 事前に学習できない未知の異常・不良を検出したい場合の対処方法を、エンジンの異常音など、聴感による官能検査工程を自動化した事例を元に解説
   1. 背景:異常音で判断する官能検査工程の紹介
   2. 定義できる不良音と定義できない不良音。未知の不良を見つける必要性
   3. MTシステム (MT法) とは
   4. 人工知能活用の実施手順
   5. データ収集、及び人工知能による異常音推定システム構築例
   6. システムの動作フローチャート
   7. 本事例を応用可能な別事例の紹介
3. 全体質疑応答

参考資料 : MTシステムと対比で理解促進のための事例掲載

(解説はございません)

• 事例 ニューラルネットワークモデル活用
  • 加工状況データから加工品質を推定する検査機レス検査技術 (仮想検査技術、センサレスセンシング技術)
    溶接の抜取り破壊検査工程を、溶接と同時に溶接強度を推定し、全数検査と量産品質トレンドや設備状態のモニタリングを可能にした事例を解説
    • 背景:溶接と抜取り破壊検査の紹介
    • 全数検査化に先立つ要素技術
    • 人工知能活用の実施手順
    • データ収集、及び人工知能による強度推定のシステム構築例
    • システムの動作フローチャート
    • 本事例を応用可能な別事例の紹介