第1章 異常検知に必要な機械学習・ディープラーニングの基礎知識とポイント

第1節 機械学習・ディープラーニングの基本的な原理と手法の解説

• 1.AIと機械学習の違い
• 2.AIブーム
• 3.機械学習の種類
• 4.教師あり学習
  • 4.1 回帰分析
  • 4.2 決定木
  • 4.3 サポートベクタマシン
  • 4.4 ニューラルネットワーク
  • 4.5 ディープラーニング
    • 4.5.1 畳み込みニューラルネットワーク
    • 4.5.2 再帰型ニューラルネットワーク

第3節 時系列データを対象とした異常検知への応用としての数理

• 1.設備診断への社会の強いニーズ
• 2.設備診断の本質的な課題
• 3.発電設備の異常診断
• 4.回転機構を持つ設備の異常診断
• 5.数理モデル
• 6.エントロピーと異常検知
• 7.将来展望

第4節 ベイズ統計による異常検知

• 1.異常検知とは?
• 2.カイ二乗分布による異常値の検出
• 3.マハラノビス距離による多次元データの異常検知
• 4.ベイズ統計について
• 5.ベイズ統計と異常検知

第5節 強化学習の基礎と異常検知への応用

• 1.強化学習の基礎
  • 1.1 強化学習の位置付け
  • 1.2 強化学習の構成要素
    • 1.2.1 用語整理
    • 1.2.2 マルコフ決定過程 (MDP)
    • 1.2.3 強化学習のアプローチ
    • 1.2.4 強化学習でよく用いられる数式
  • 1.3 強化学習の手法の評価軸
    • 1.3.1 大規模な深層学習モデルを使うか
    • 1.3.2 アプローチは何を選ぶか
    • 1.3.3 モデル更新のタイミング
    • 1.3.4 探索と活用のバランス
  • 1.4 検証の初手
  • 1.5 まとめ
• 2.異常検知への応用
  • 2.1 技術の方向性
    • 2.1.1 グラフ技術との組合せ
    • 2.1.2 特徴選択への活用
    • 2.1.3 敵対的強化学習の活用
    • 2.1.4 データのサンプリングへの活用
    • 2.1.5 オンライン検知
  • 2.2 活用の方向性
  • 2.3 技術の課題とこれからの可能性

第6節 サポートベクターマシンの基礎と異常検知、故障予測への活用

• 1.サポートベクターマシンの基礎
  • 1.1 分離超平面とマージン
  • 1.2 カーネル法
  • 1.3 SVMの最適化
  • 1.4 ハイパーパラメータの設定
    • 1.4.1 探索手法
    • 1.4.1 汎化能力の予測
• 2.異常検知や故障予測への活用
  • 2.1 不均衡問題
    • 2.1.1 通常のSVMを適用した場合
    • 2.1.2 スラック変数への重み付け
    • 2.1.3 サンプリングによる偏りの解消
    • 2.1.4 準ハードマージンSVM
  • 2.2 1クラス問題
    • 2.2.1 OC-SVM
    • 2.2.2 SVDD
    • 2.2.3 深層SVDD

第7節 スパースモデリングの基礎と異常検知への応用

• 1.線形回帰モデルとスパースモデリング
  • 1.1 線形回帰モデル
  • 1.2 スパースモデリング
• 2.変数選択とスパース係数推定
  • 2.1 定式化
  • 2.2 l0 制約に基づく解法
  • 2.3 l1 制約に基づく解法
• 3.辞書学習
  • 3.1 教師なし学習
  • 3.2 教師あり学習
• 4.異常検知への応用
  • 4.1 辞書学習を用いた画像の異常検知
  • 4.2 グラフィカルLASSO
• 5.まとめと今後の展望

第8節 オートエンコーダの基礎と異常検知への応用

• 1.オートエンコーダの基礎
  • 1.1 オートエンコーダ (自己符号器) の発明
  • 1.2 積層オートエンコーダ
  • 1.3 デノイジングオートエンコーダ
  • 1.4 畳み込みオートエンコーダ
  • 1.5 スパースオートエンコーダ
  • 1.6 変分オートエンコーダ (Variational Auto Encoder)
  • 1.7 条件付き変分オートエンコーダ
• 2 オートエンコーダによる異常検知
  • 2.1 特量ベクトルを用いた異常検知
  • 2.2 復元誤差に基づく異常検知
• 3 オートエンコーダによる異常検知の実例
  • 3.1 MNISTの手書き数字を用いたAE異常検知
  • 3.2 時系列異常検知
  • 3.3 多次元データ異常検知

第9節 統計的機械学習と異常検知

• 1.統計的機械学習の考え方
  • 1.1 生成モデルと異常検知
  • 1.2 学習モデルと最尤推定
  • 1.3 学習モデルの選択
• 2 制限ボルツマンマシン
  • 2.1 制限ボルツマンマシンの定義
  • 2.2 制限ボルツマンマシンに対する統計的機械学習
  • 2.3 組み合わせ爆発の問題とサンプリング近似
• 3 制限ボルツマンマシンを用いた異常検知

第2章 根拠を説明可能な人工知能の開発とその導入、活用の仕方

第1節 AIのブラックボックス問題と信頼性を巡る動向

• 1.AI技術の発展と懸念
  • 1.1 深層学習の躍進
  • 1.2 AIに対する社会からの懸念
• 2.AIのブラックボックス問題と説明可能性
  • 2.1 AIのブラックボックス問題とは
  • 2.2 説明可能AI (XAI)
    • 2.2.1 精度と解釈性のトレードオフ
    • 2.2.2 ブラックボックスモデルのXAI方式
    • 2.2.3 ホワイトボックスモデルのXAI方式
  • 2.3 説明の目的と限界
• 3.「信頼されるAI」への動向
  • 3.1 説明から信頼へ
  • 3.2 「信頼されるAI」の政策動向
  • 3.3 研究コミュニティーや産業界の動向
  • 3.4 AIソフトウェア工学
  • 3.5 帰納型と演繹型を融合した次世代AI

第2節 説明性の高い時系列波形異常診断向けAIの開発

• 1.時系列波形異常診断向けAI技術の課題と要件
  • 1.1 判定根拠の提示 (説明性) に関する課題
  • 1.2 異常波形データ収集に関する課題
  • 1.3 誤判断のリスク管理に関する課題
  • 1.4 データの信頼性に関する課題
  • 1.5 技術要件への課題のマッピング
• 2.説明性が高い時系列波形診断技術LTS
• 3.説明性が高く正常データのみで学習する異常波形検知技術OCLTS
  • 3.1 OCLTSの概要
  • 3.2 工場の異常検知への適用事例
• 4.説明性が高く見逃しや誤検出を低く抑えた性能を最適化する時系列波形診断技術LTSpAUC
• 5.説明性が高く学習データの信頼性を考慮する時系列波形診断技術RLTS

第3節 NECのホワイトボックス型AIとその導入、活用の仕方

• 1.NECのWhite BOX型AI技術
  • 1.1 異種混合学習技術
  • 1.2 インバリアント分析技術
  • 1.3 時系列データモデルフリー分析
• 2.インバリアント分析技術の詳細とその応用
  • 2.1 インバリアント分析技術の概要
  • 2.2 障害予兆監視/保全業務への適用
  • 2.3 音による異常検知

第4節 AIのブラックボックスを解析する手法

• 1.DL品質保証に関する諸課題
• 2.ブラックボックス問題を支える技術
  • 2.1 特徴量の可視化
  • 2.2 教師データの判別
• 3.実例および適用例

第3章 AI (機械学習) に対する品質の考え方と検証技術

第1節 AIシステムの品質保証に向けたガイドラインの解説とポイント

• 1.AIの特性とAIシステムの品質保証上の問題
  • 1.1 AIの概況と活用におけるリスク
  • 1.2 AIの特性とAIシステムの品質保証上の考え方
  • 1.3 AIシステムの品質保証に関連したガイドライン・標準化の動向
• 2.AIプロダクト品質保証ガイドライン (QA4AI)
  • 2.1 AIプロダクトの品質保証の枠組みと分類軸ごとのチェックリスト
    • 2.1.1 Data Integrity (DI)
    • 2.1.2 Model Robustness (MR)
    • 2.1.3 System Quality (SQ)
    • 2.1.4 Process Agility (PA)
    • 2.1.5 Customer Expectation (CE)
  • 2.2 5つの軸に基づく品質保証活動のバランスの可視化
• 3.機械学習品質マネジメントガイドライン (産総研)
  • 3.1 品質保証の基本的な考え方
  • 3.2 外部品質特性
    • 3.2.1 リスク回避性
    • 3.2.2 AIパフォーマンス
    • 3.2.3 公平性
    • 3.2.4 プライバシー
    • 3.2.5 AIセキュリティ
  • 3.3 内部品質
    • 3.3.1 品質構造・データセットの設計
    • 3.3.2 データセットの品質
    • 3.3.3 機械学習モデルの品質
    • 3.3.4 ソフトウェア実装の品質
  • 3.4 プラント保安分野へのガイドラインの応用
• 4.ISO/IEC JTC 1/SC 42: Artificial Intelligence
  • 4.1 SC42における組織構成と活動
  • 4.2 WG3:Trustworthinessの取り組み
• 5.その他:国内外におけるAIの品質保証に向けた動向
  • 5.1 The ML Test Score: Rubric
  • 5.2 ソフトウェア品質知識体系ガイド

第2節 AI搭載プロダクトの検証技法

• 1.機械学習技術の特徴と検証における課題
  • 1.1 従来型ソフトウェアと機械学習ソフトウェア
  • 1.2 従来型ソフトウェアの検証技術
    • 1.2.1 検証と妥当性確認
    • 1.2.2 従来型ソフトウェアの検証技法
    • 1.2.3 従来型ソフトウェア検証技法の特徴
  • 1.3 検証技術の特徴と機械学習ソフトウェア
• 2.機械学習ソフトウェアの検証技術
  • 2.1 機械学習ソフトウェアの検証の考え方
  • 2.2 機械学習ソフトウェアに対する検証技術
    • 2.1.1 ソフトウェア検証技術を機械学習へ応用する方法
    • 2.2.2 機械学習モデルを対象とした技術
• 3.AI搭載プロダクトの検証技術の現状

第3節 AI搭載プロダクトの品質保証に向けたガイドラインの解説、ポイント

• 1.AIプロダクト品質保証ガイドライン (以後、QA4AIガイドライン) の要点
  • 1.1 概要
  • 1.2 Data Integrity
  • 1.3 Model Robustness
  • 1.4 System Quality
  • 1.5 Process Agility
  • 1.6 Customer Expectation
• 2.各品質保証プロダクト分類軸のチェックリスト
  • 2.1 Data Integrity
  • 2.2 Model Robustness
  • 2.3 System Quality
  • 2.4 Process Agility
  • 2.5 Customer Expectation
  • 2.6 AI プロダクトの品質保証の構築?評価
• 3.AI プロダクト固有の品質特性
  • 3.1 教師あり学習のモデルの性能指標
  • 3.2 データの完全性に対する留意
  • 3.3 頑健性
  • 3.4 公平性
  • 3.5 説明可能性
  • 3.6 AIプロダクトの品質保証技術
    • 3.6.1 疑似オラクル
    • 3.6.2 メタモルフィックテスティング
• 4.機械学習における説明可能性?解釈性
  • 4.1 説明可能性?解釈性を付与する手法の分類
  • 4.2 説明可能性?解釈性を付与する代表的手法
    • 4.2.1 一般化線形モデル (GLM)
    • 4.2.2 決定木 (DT)
    • 4.2.3 Surrogate
    • 4.3.4 TCAV
    • 4.3.5 Attention
    • 4.3.6 Sensitivity Analysis
    • 4.3.7 CAM
    • 4.3.8 LIME
• 6. 機械学習品質マネジメントシステムガイドライン (AIQMガイドライン)
  • 6.1 プライバシー
    • 6.1.1 パーソナルデータ
    • 6.1.2 パーソナ
    • 6.1.3 訓練データ推測ルデータの例
    • 6.1.2 プライバシー保護学習
  • 6.2 AIセキュリティ
    • 6.2.1 AI セキュリティの重要性
    • 6.2.2 機械学習に特有の攻撃と対策の特徴
    • 6.2.3 機械学習利用システムのリスクアセスメントとセキュリティ対策

第4章 工場・プラントにおけるIoT、AI導入と異常検知・故障予知システムの作り方

第1節 プラント・製造業のデジタルトランスフォーメーション導入へのポイント

• 1.DXの概観
  • 1.1 DXとその周辺の言葉の定義
  • 1.2 DXの適用領域
• 2.プラント分野でのDX
  • 2.1 事務的管理的業務での活用
  • 2.2 工場やライン、プラントといったハード面での活用
    • 2.2.1 初歩的なデジタル化と活用
    • 2.2.2 DXへの入り口 デジタルデータの組合せ活用
  • 2.3 プロセスや加工の際のデータ収集と活用
  • 2.4 デジタルデータの組合せ活用の事例
• 3.DZZXに関する実績情報

第2節 故障予知・異常検知のための工場データの集め方、センサ選び方と設置の仕方

• 1.データを収集する
• 2.データ収集に最低限必要な部材
  • 2.1 センサ
    • 2.1.1 距離センサ
    • 2.1.2 加速度、ジャイロセンサ
    • 2.1.3 環境センサ
  • 2.2 マイコンボード
    • 2.2.1 RaspberryPi
    • 2.2.2 Arduino互換機
  • 2.3 通信デバイス
• 3.データ収集のため必要なその他の知識
  • 3.1 データベース
  • 3.2 データの見える化
    • 3.2.1 Ambient
• 4.本格運用時に必要な部材
  • 4.1 マイコン
  • 4.2 電源
• 5.マイコンボートやセンサの設置方法
  • 5.1 ケース
  • 5.2 設置方法

第3節 物理モデル、デジタルツインに基づいた機械の診断/制御手法

• 1.背景
• 2.物理モデルを用いた診断
  • 2.1 Modelica言語によるモデル化
  • 2.2 物理モデルによる故障事例
• 3.デジタルツイン

第4節 IoT/ICT技術を活用した生産設備における予防保全

• 1.富士フイルムの保全改革
  • 1.1 設備保全の問題点
  • 1.2 保全改革の推進
• 2.保全活動におけるIoT/ICT技術の活用
  • 2.1 生産におけるIoT/ICT技術の活用
  • 2.2 保全のIoT/ICT化における問題点
  • 2.3 保全におけるIoT/ICT技術の活用方針
  • 2.4 保全に活用可能なデータ
• 3.現場情報の取り込み
  • 3.1 現場情報の活用コンセプト
  • 3.2 現場情報の取り込み
• 4.設備管理におけるDX
  • 4.1 ものづくりにおけるDXの取り組むべき姿
  • 4.2 生産現場におけるDXの取り組み
  • 4.3 設備管理におけるDXの取り組むべき姿
• 5.DXを支える仕組みの構築
  • 5.1 富士フイルム版FMEAの作成
  • 5.2 各機器への点検・整備情報の展開
  • 5.3 故障発生時の同様事例の抽出
  • 5.4 保全活動の評価指標と分析
  • 5.5 保全活動の継続的な改善の仕組み

第5節 製造現場へのDX導入による新たな価値創出と異常検知・故障予知システムの作り方

• 1.モノづくりにおけるデジタルトランスフォーメーションとは
  • 1.1 モノづくりにおけるDX (デジタルトランスフォーメーション) とは
  • 1.2 モノづくりの3つのリソース
  • 1.3 モノづくり変革による競争優位源泉の確立
  • 1.4 ラインの整流化を実現するソーター
• 2.モノづくりDXを実現するデータ活用
  • 2.1 モノづくりにおけるデータ活用の重要性
  • 2.2 データ活用により新たに創出される価値
  • 2.3 データ活用を実現するデジタルプラットフォーム
  • 2.4 工場間、購入先、外注先とのデータ連携
• 3.自律制御を実現する異常検知・故障予知
  • 3.1 異常検知・故障予知システム
  • 3.2 自律制御を実現する予測・予知モデルの事例
• 4.製造現場へのDX導入による新たな価値創出
  • 4.1 モノづくりDXによる原価創造
  • 4.2 製造現場へのDX導入による新たな価値創出
  • 4.3 製造業におけるデジタルトランスフォーメーションのその先にあるもの

第6節 連続プロセスにおけるAI・IoT活用ポイントと異常検知・異常予知システムの作り方、運用の仕方

• 1.これまでの技術での限界点と今の取り組み動向の背景
• 2.異常検知に使う機械学習技術の特徴
• 3.導入例

第7節 プラント制御におけるデータ分析技術と異常診断・品質予測への活用

• 1.DXにおけるデータ分析技術と価値創出
  • 1.1 製造業・プラント分野におけるDXと富士電機の取組2)
  • 1.2 アナリティクス・AIにおける「診断・予測」技術
  • 1.3 データのモデル化技術の進展と課題
• 2.データのモデル化技術と富士電機の取組
  • 2.1 診断・予測における多変量データのモデル化
  • 2.2 診断 (教師無し学習)
    • 2.2.1 MSPC
    • 2.2.2 バッチMSPC (富士電機独自手法)
  • 2.3 予測 (教師あり学習)
    • 2.3.1 線形モデル:重回帰モデルと部分的最小二乗法 (PLS)
    • 2.3.2 非線形回帰モデル
  • 2.4 その他のモデルとAutoML
    • 2.4.1 その他の非線形モデル
    • 2.4.2 AutoML
  • 2.5 説明できるAI
    • 2.5.1 説明できるAIとは
    • 2.5.2 データに対する説明機能
    • 2.5.3 モデルに対する説明機能
    • 2.5.4 推論結果に対する説明機能
• 3.活用事例
  • 3.1 異常診断・モニタリング
    • 3.1.1 発電プラントの異常診断への適用例 (MSPC)
    • 3.1.2 プレス加工における設備異常の予兆解析への応用例 (バッチMSPC)
    • 3.1.3 エッジ端末による診断機能の迅速・短サイクルの現場適用
  • 3.2 予測
    • 3.2.1 予測 (仮想計測) 技術による品質推定 (品質計測・分析計の代替)
    • 3.2.2 鉄鋼温度予測の例 (構造化ディープラーニング) 7)
  • 3.3 オペレーションでの意思決定支援14)
    • 3.3.1 異常兆候検知
    • 3.3.2 回避操作手順

第8節 工場やプラントにおける故障やパフォーマンス低下予測を目指したデータ解析アプローチとAI自律制御

• 1.AIが効果を発揮する工場やプラントの課題
• 2.重要設備に対するCBM実現を目指したAIデータ解析
  • 2.1 AIデータ解析課題解決プロセス
  • 2.2 AIデータ解析事例:配管の肉厚推定・予測
• 3.IIoTセンサを使ったCBM実現を目指したAIデータ解析
  • 3.1 IIoTセンサによるデータ収集の目的
  • 3.2 IIoTセンサによるデータ収集の課題
    • 3.2.1 課題の詳細 (閾値の設定)
    • 3.2.2 課題の詳細 (多数設備の同時監視)
  • 3.3 IIoTセンサデータに対するAIデータ解析結果を活用した閾値設定
  • 3.4 多数設備の同時傾向監視の効率向上
• 4.AI自律制御への挑戦
  • 4.1 AI自律制御用アルゴリズム
  • 4.2 実プラントでのAI自律制御事例
    • 4.2.1 実施目的と実施Step
    • 4.2.2 Step1 プラントシミュレータを使った学習
    • 4.2.3 Step2 AI制御モデルの挙動確認とブラッシュアップ
    • 4.2.4 Step3 AI制御モデルによる自律制御の実行
    • 4.2.5 実プラントでのAI自律制御結果
    • 4.2.5 実プラントでのAI自律制御振り返り

第9節 データサイエンスに基づく鉄鋼プロセス設備の異常予兆検知技術

• 1.レベル別監視の概要
• 2.開発システムの概要
• 3.監視技術
  • 3.1 全体レベル監視
  • 3.2 機器レベル監視
    • 3.2.1 主成分分析による波形監視
    • 3.2.2 データ駆動型モデルによる相関監視
    • 3.2.3 機器レベル監視の異常予兆検知例
• 4.AI要因絞込み技術

第10節 工場設備の“異常音”検知と故障予知への応用

• 1.AI技術 (ディープニューラルネットワーク)
  • 1.1 ディープニューラルネットワーク
  • 1.2 特徴量
  • 1.3 音 (振動) データの特徴量
  • 1.4 特徴量とディープニューラルネットワーク
• 2.特徴量抽出のためのデータ収集
  • 2.1 目的を決める
  • 2.2 データを収集する
  • 2.3 音 (振動) データ
• 3.特徴量抽出のための留意点
  • 3.1 バリエーションの確保は十分か
  • 3.2 正常データの収集しかできない場合
• 4.工場設備の”異常検知”
  • 4.1 異常検知とは
  • 4.2 音データを使用した一般的なモデル作成
    • 4.2.1 時系列データとしての活用
    • 4.2.2 画像データとしての活用
  • 4.3 AutoEncoderの活用
• 5.工場設備の故障予知
  • 5.1 故障予知は可能か?
  • 5.2 故障予知の注意点

第11節 振動・音響に基づく回転機械の状態監視技術と故障予知への活用

• 1.新しいSN比向上手法
• 2.検証機器および検証条件
• 3.検証結果と考察
• 4.マルチコプター型機械診断ロボット
• 5.新合成波形分離法と自動診断システム
• 6.マルチコプター型機械診断ロボットと有効性検証実験
• 7.機械診断ロボットの有効性検証と考察
• 8.結論

第12節 機械学習による回転機器の初期欠陥検出と余寿命予測

• 1.機械学習による初期欠陥検出
  • 1.1 背景
  • 1.2 評価対象
    • 1.2.1 試験装置
    • 1.2.2 人工欠陥
  • 1.3 微小欠陥を含む欠陥の異常検知法
    • 1.3.1 概要
    • 1.3.2 入力データ (特徴ベクトル)
    • 1.3.3 欠陥検出精度の評価方法:異常率
  • 1.4 機械学習手法
    • 1.4.1 外れ値検出手法:Local Outlier Factor
    • 1.4.2 特徴選択手法: Random Forest
  • 1.5 特徴選択の効果
  • 1.6 検出結果
• 2.階層ベイズによる欠陥進展下における余寿命曲線推定
  • 2.1 背景
  • 2.2 欠陥進展下のRUL推定における課題
  • 2.3 階層ベイズによるRUL曲線推定
    • 2.3.1 概要
    • 2.3.2 階層ベイズモデル
  • 2.4 実験条件
  • 2.5 評価指標
  • 2.6 予備実験:欠陥サイズ参照値,RUL 参照値の推定
  • 2.7 階層ベイズによるRUL曲線推定精度の評価
    • 2.7.1 欠陥進展とRUL 曲線の関係
    • 2.7.2 RUL 推定精度

第13節 デジタル技術活用によるフィルム生産プロセスの改善・現場力の向上

• 1.当社の製造プロセスとその課題
• 2.事例紹介
  • 2.1 工程作業自動化による運転員の作業負荷軽減
    • 2.1.1 画像処理を用いた欠陥判別作
    • 2.1.2 自動化システム構築時に発生した現場課題とその対応
  • 2.2 デジタル技術を用いた現場の生産プロセス安定化活動
    • 2.2.1 統計手法を用いた製造状態可視化による現場改善の取組み
    • 2.2.2 改善の取組みにおいて発生した現場課題とその対応
  • 2.3 システム高度化の取組み

第14節 押出機に用いる予知保全システム

• 1.予知保全システムの概要
  • 1.1 押出機の予知保全システムの必要性
  • 1.2 予知保全システムに必要なセンサとセンサ取付位置の検討
• 2.予知保全に用いるデータ解析手法と機械学習の検討
  • 2.1 特徴量抽出のための振動データ解析手法
  • 2.2 正常データのみを用いた異常検知手法 (1クラス類)
  • 2.3 正常・異常の両データを用いた寿命予測 (教師あり学習)
  • 2.4 画像認識を用いた寿命予測 (ディープラーニング)
• 3.機械学習を用いた予知保全システムの具体的事例
  • 3.1 OCSVMを用いた異常検知の事例
  • 3.2 Lasso回帰を用いた寿命予測の事例
  • 3.3 画像認識ディープラーニングを用いた寿命予測の事例

第15節 機械学習によるヒューマンエラー予兆検知

• 1.生産工程におけるヒューマンエラー
  • 1.1 ヒューマンエラーの定義
  • 1.2 単調作業
  • 1.3 スリップの原因
  • 1.4 安全の維持
• 2.IoT技術とディープラーニングを利用したヒューマンエラーの予兆検知1
  • 2.1 IoT技術と人工知能による現場力の向上
  • 2.2 IoT技術による作業者の動作の監視
    • 2.2.1 センシング
    • 2.2.2 Working Rhythmの算出
  • 2.3 ディープラーニングによるヒューマンエラーの予兆検知
    • 2.3.1 ディープラーニングによる危険度の算出
    • 2.3.2 人工知能と人間の協同
  • 2.4 ヒューマンエラーの予兆検知の精度
• 3.予兆が表れる部位の推定
  • 3.1 K-means法を用いた作業者のタイプ分類
  • 3.2 作業者のタイプ分類の結果

第5章 インフラ設備へのIoT、AIによる異常検知

第1節 機械学習による打音探査の定量化に関する検討

• 1.打音探査技術に関する研究
  • 1.1 打音探査の定量化に向けた既往の研究
  • 1.2 機械学習を用いた打音探査の定量化に関する研究
• 2.機械学習による打音探査による劣化評価技術
  • 2.1 機械学習を用いた打音探査について
  • 2.2 データ取得と機械学習に用いるためのデータ処理
• 3.機械学習を用いた打音探査による劣化評価手法の適用 (大型供試体)
  • 3.1 供試体の概要
  • 3.2 データ取得及び機械学習
  • 3.3 機械学習による判定結果について
• 4.機械学習を用いた打音探査による劣化評価手法の適用 (実構造物)

第2節 インフラ内部の欠陥を全方位視野で可視化するユビキタスな電磁波撮像プラットフォームの開発と異常検知

• 1.緒言
• 2.フレキシブルな室温動作型高感度・広帯域電磁波撮像シート
  • 3.3D全方位非破壊画像計測の基礎動作原理
• 4.ロボット支援・小型光源搭載型リモート3D全方位非破壊画像計測
• 5.サンプル非採取かつラベル・光源フリーな化学分析応用
• 6.結論と展望

第3節 深層学習による異常検知手法を用いたコンクリート表面の変状検出

• 1.深層学習による異常検知
  • 1.1 異常検知
  • 1.2 深層学習による異常検知手法
  • 1.3 検討に用いる異常検知手法
    • 1.3.1 AnoGAN
    • 1.3.2 DOC
• 2.コンクリート変状に対する異常検知の適用
  • 2.1 検討内容
  • 2.2 各手法の実行条件
  • 2.3 異常スコアの算定
  • 2.4 異常領域のセグメンテーション結果
• 3.適用手法によるモデルの性能評価
  • 3.1 ROC曲線による評価
  • 3.2 抽出特徴量の類似度
  • 3.3 各手法の特性
• 4.広域画像に対する実用性の検証
  • 4.1 広域画像への異常検知手法適用の流れ
  • 4.2 閾値の算定
  • 4.3 広域画像への適用結果

第4節 深層学習による画像認識技術を活用した河川のコンクリート護岸の点検

• 1.社会インフラの点検に画像認識技術を導入する際の問題
  • 1.1 自然環境による画像特徴量のバリエーション
  • 1.2 点検対象のバリエーション
  • 1.3 大規模データの欠如
    • 1.3.1 画像取得のコストが大きい
    • 1.3.2 既存の点検記録画像の利活用が困難
• 2.教師あり学習による河川コンクリート護岸の変状抽出
  • 2.1 画像認識の適用範囲と目的
  • 2.2 適用手法
  • 2.3 適用結果
    • 2.3.1 変状抽出
    • 2.3.2 変状評価
  • 2.4 変状抽出まとめ
• 3.教師なし学習による河川コンクリート護岸の異常検知
  • 3.1 画像認識の適用範囲と目的
  • 3.2 適用手法
  • 3.3 適用結果
  • 3.4 異常検知まとめ
• 4.社会インフラの点検において画像認識技術を実用化するためのポイント
  • 4.1 画像認識を前提としたワークフローと目標設定
  • 4.2 データに合わせた学習・処理
  • 4.4 データ蓄積と精度改善の継続

第6章 ディープラーニングによる異常検知技術と外観検査への活用

第1節 機械学習技術を活用した外観検査の自動化に関する期待と課題

• 1.外観検査に用いられる画像認識のタスク
  • 1.1 画像分類
  • 1.2 物体検出
  • 1.3 領域分割
• 2.画像認識に用いられる機械学習手法
  • 2.1 ヒトが設計する特徴量を用いる手法
    • 2.1.1 特徴量抽出
    • 2.1.2 識別器
  • 2.2 深層学習を用いる手法
    • 2.2.1 画像分類
    • 2.2.2 物体検出
    • 2.2.3 領域分割
• 3.性能評価
  • 3.1 評価指標の決定に関する注意点
  • 3.2 汎化性能の評価に関して
• 4.機械学習による外観検査の普及拡大に向けての課題
  • 4.1 データ不足
  • 4.2 推論根拠のブラックボックス化
• 5.取り組み事例紹介

第2節 外観検査をデジタル化・自動化するには

• 1.外観検査デジタル化・自動化のポイント
  • 1.1 外観検査をデジタル化・自動化する場合の構成
    • 1.1.1 搬送装置
    • 1.1.2 撮影環境
    • 1.1.3 外観検査ソフトウェア
  • 1.2 自動化した外観検査の評価
    • 1.2.1 評価指標
    • 1.2.2 外観検査ソフトウェアのテスト
• 2.ディープラーニング
  • 2.1 DNN
  • 2.2 DNNの学習
    • 2.2.1 過学習と検証用の画像
    • 2.2.2 転移学習とファインチューニング
    • 2.2.3 データ拡張
    • 2.2.4 ハイパーパラメータ
  • 2.3 ディープラーニングのやり方
    • 2.3.1 画像の撮影
    • 2.3.2 DNNモデルの決定
    • 2.3.3 学習
    • 2.3.4 外観検査ソフトウェアでの使用
    • 2.3.5 グラフィックボード

第3節 外観検査に関する画像認識技術と検査の実例

• 1.画像認識手法の概要
  • 1.1 背景
  • 1.2 キー技術
  • 1.3 撮影画像
  • 1.4 各種カメラ
  • 1.5 画像処理
    • 1.5.1 デモザイク処理
    • 1.5.2 解像度補正処理
    • 1.5.3 歪曲収差補正処理
    • 1.5.4 その他補正処理
  • 1.6 機械学習を用いた画像認識技術
  • 1.7 一般的な物体認識の処理フロー
• 2.画像認識を用いた外観検査の開発方法
  • 2.1 機械学習による外観検査開発フロー
  • 2.2 入力画像データ
    • 2.2.1 正確なラベル付け
    • 2.2.2 大量データの収集
    • 2.2.3 Data Augmentation
  • 2.3 特徴量の設計
  • 2.4 機械学習アルゴリズム
  • 2.5 性能評価
    • 2.5.1 性能の評価方法
    • 2.5.2 クロスバリデーション
    • 2.5.3 過学習
    • 2.5.4 ROC曲線とAUC
  • 2.6 機械学習による外観検査アルゴリズム開発のポイント
• 3.検査の実例と今後の動向
  • 3.1 Z-scoreを用いた欠陥検査
  • 3.2 鋳造部品の画像検査アルゴリズム
    • 3.2.1 検査対象
    • 3.2.2 アルゴリズム
    • 3.2.3 結果
  • 3.3 ディープラーニングを持ちいた欠陥検出
    • 3.3.1 検査対象画像
    • 3.3.2 検査方法
    • 3.3.3 検査結果
  • 3.4 偏光カメラの画像を用いた路面凍結検知アルゴリズム
    • 3.4.1 偏光情報の利用
    • 3.4.2 機械学習を用いた路面状態認識における課題
    • 3.4.3 半教師あり異常検知の利用
    • 3.4.4 半教師あり異常検知へのディープラーニングの応用
    • 3.4.5 精度評価方法
    • 3.4.6 精度評価結果
• 4.AI技術を用いた外観検査の今後

第4節 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と欠陥・寿命予測解析

• 1.CNN学習と転移学習による表面検査
• 2.CNN学習による特徴抽出と故障診断
• 3.CNN-LSTMを用いた切削工具の余寿命予測
• 4.競合学習とLSTMの融合によるRUL予測
• 5.まとめと展望

第5節 AIによる一次、二次産業製品検査の自動化の具体的事例

• 1.一次産業製品へのAI検査システムの導入と自動化
  • 1.1冷凍食材に対する事例紹介
    • 1.1.1 冷凍食材検査における課題と解決手段
    • 1.1.2 提案手法の構成
    • 1.1.3 実験と考察
    • 1.1.4 冷凍食材に対するAI導入の有効性
  • 1.2 天然物を含む製菓に対する事例紹介
    • 1.2.1 製菓検査における課題と解決手段
    • 1.2.2 提案手法の構成
    • 1.2.3 実験方法
    • 1.2.4 実験結果と考察
• 2.二次産業製品へのAI検査システムの導入と自動化
  • 2.1 金属光沢部品に対する事例紹介
    • 2.1.1 金属部品検査における課題と解決手段
    • 2.1.2 提案システムの構成
    • 2.1.3 実験方法
    • 2.1.4 実験結果と考察
  • 2.2 樹脂部品に対する事例紹介
    • 2.2.1 樹脂部品検査における課題と解決手段
    • 2.2.2 提案システムの構成
    • 2.2.3 実験方法
    • 2.2.4 結果と考察
• 3.巨大構造物に対するAI検査システムの導入と自動化
  • 3.1 巨大構造物検査における課題と解決手段
    • 3.1.1 AI壁面状態判定システムの構成
    • 3.1.2 実験方法
    • 3.1.3 実験結果と考察

第6節 自動車部品の外観検査における異常検知技術の適用

• 1.自動車部品の外観検査、およびその課題
  • 1.1 自動車部品の外観検査と異常検知技術導入ニーズ
  • 1.2 自動車部品の異常検知に用いられるデータの特徴
• 2.AI外観検査システム、および現場への適用
  • 2.1 AI外観検査システムの概要
  • 2.2 撮影環境
  • 2.3 導入する生産ライン工程の例
  • 2.4 異常検知判定精度と導入メリット
  • 2.5 異常検知の導入・運用
• 3.画像による異常検知方法について
  • 3.1 機械学習を用いた異常検知方法の分類
  • 3.2 各種手法のメリット/デメリット
• 4.良品学習のアルゴリズムについて
  • 4.1 良品学習の概要
  • 4.2 Auto Encoderによる異常検知モデル
  • 4.3 PaDiMによる異常検知モデル
  • 4.4 PatchCoreによる異常検知モデル
• 5.良品学習を外観検査へ適用する方法、およびモデルの評価方法、適用事例
  • 5.1 入力データ
  • 5.2 モデルの性能評価方法
  • 5.3 適用事例
    • 5.3.1 自動車部品への異常検知方法の適用
    • 5.3.2 結果

第7節 カメラによるプラスチック成形品の異物検査と発生原因予測

• 1.カップ生産ラインでのカメラ活用
  • 1.1 カメラ検査情報システム
  • 1.2 カップ生産ラインでの活用事例
• 2.異物発生原因推定手法
  • 2.1 熟練作業者の知識
  • 2.2 疎,密グループの自動生成と特徴量の抽出手法
  • 2.3 不良品の発生原因推定モデル
• 3.異物発生原因推定システムの実装
  • 3.1 異物発生原因推定システム (LMK) の開発
  • 3.2 データの処理方法
  • 3.3 異常検知事例
    • 3.3.1 事例1
    • 3.3.2 事例2
  • 3.4 関連研究

第7章 機械学習による医療応用と異常検知の試み

第1節 画像診断領域におけるAI導入の現状,課題,将来展望

• 1.AI導入の現状
• 2.課題
• 3.将来展望

第2節 心電図のノイズを見つけるAIの開発

• 1.背景
  • 1.1 課題
  • 1.2 先行研究
• 2.目的・方法
• 3.データ整備
  • 3.1 PHYSIONETについて
  • 3.2 「異常」の定義
  • 3.3 「正常」な波形の抽出
  • 3.4 ノイズの付加
  • 3.5 データ拡張
• 4.ノイズ判別のための2つのアプローチ
• 5.異常検知
  • 5.1 オートエンコーダを使った異常検知
  • 5.2 評価方法
  • 5.3 評価結果
  • 5.4 特徴抽出 (FFT) VS End-to-end
• 6.正常・異常クラス分類
  • 6.1 2分類モデルの評価方法
  • 6.2 2分類モデルの評価結果
  • 6.3 4分類モデルの評価方法
  • 6.4 4分類モデルの評価結果
  • 6.5 特徴抽出 (FFT) VS End-to-end
• 7.異常検知 VS 分類
• 8.実際のノイズ波形に対する評価
• 9.製品に搭載するための合格基準
  • 9.1 アラーム無駄鳴り問題の現状
  • 9.2 医療現場で受け入れにくいブラックボックス
  • 9.3 製品への実装に向けて
• 10.結論

第3節 超音波検査におけるAI活用

• 1.超音波画像AIに向けた前処理
• 2.超音波検査における異常検知アルゴリズム
• 3.がん領域における超音波画像AI
  • 3.1 乳がん
  • 3.2 甲状腺がん
  • 3.3 卵巣がん
  • 3.4 前立腺がん
• 4.循環器領域における超音波画像AI
  • 4.1 心エコー検査
  • 4.2 血管エコー検査
• 5.産婦人科領域における超音波画像AI
• 6.説明可能性の向上

第4節 胸部CT画像における異常検知システムの構築

• 1.Deep Autoencoding Gaussian Mixture Model (DAGMM)
• 2.DAGMMの拡張
  • 2.1 畳み込み自己符号化器 (CAE) を用いたDAGMM (CAE-DAGMM)
  • 2.2 ResNet50を用いたDAGMM (DAGMM with ResNet50)
  • 2.3 畳み込み自己符号化器 (CAE) とResNet50を用いたDAGMM (CAE-DAGMM with ResNet50)
• 3.実験
  • 3.1 データセット
  • 3.2 各手法の評価結果
  • 3.3 各手法における異常陰影ごとの評価結果

第8章 電気機器、車載機器における異常検知

第1節 機械学習・AIを活用した自社製品の故障予測の事例

• 1.データ活用の成熟度モデル
  • 1.1 接続 (Connect)
  • 1.2 監視 (Monitor)
  • 1.3 分析 (Analysis)
  • 1.4 最適化 (Optimize)
  • 1.5 自律 (Autonomy)
• 2.取替問題
• 3.予知保全
  • 3.1 事後保全 (breakdown maintenance)
  • 3.2 予防保全 (preventive maintenance)
  • 3.3 予知保全 (predictive maintenance)
• 4.故障予測の分析プロセス
  • 4.1 ビジネスの理解
  • 4.2 データの理解
  • 4.3 データの準備
  • 4.4 モデル開発
  • 4.5 モデルの検証
• 5.モデル開発の流れ
  • 5.1 データを分析してモデル開発に入れるか判断する.
  • 5.2 分析の枠組みを決める
  • 5.3 分析手法を決める
  • 5.4 モデルをチューニングする
  • 5.5 運用効果をシミュレーションする
  • 5.6 運用効果の検証
• 6.気をつけること
  • 6.1 目的と目標を明確にする
  • 6.2 必ずデータ分析担当以外をチームにいれる
  • 6.3 最初から難しいことに取り組まない
  • 6.4 成果をあげられるように取り組む
  • 6.5 データから目的は出てこない

第2節 オンデバイス学習による異常検知-電気火災の予兆検知手

• 1.電気火災の概要
  • 1.1 電気火災の原因と分類
  • 1.2 トラッキング現象
• 2.測定対象と検出方法
  • 2.1 測定対象
  • 2.2 予兆電流の特徴
  • 2.3 予兆電流の解析
  • 2.4 検出方法
• 3.予兆検知の評価方法
  • 3.1 評価概要
  • 3.2 評価方法
• 4.評価結果

第3節 車載制御ネットワークのセキュリティ監視システムの研究開発

• 1.自動車の侵入検知システム
  • 1.1 自動車の電子制御システム
  • 1.2 CAN (Controller Area Network)
  • 1.2 CANの攻撃手法
  • 1.3 自動車の侵入検知システム
• 2.CANの侵入検知システム
  • 2.1 車載IDS-ECU
  • 2.2 CANバス上の侵入検知技術
  • 2.3 CANの侵入検知アルゴリズムの評価
  • 2.4 CANの侵入検知アルゴリズムの今後

第4節 モビリティサービスのための機械学習を用いた自動車の異常振動検知

• 1.関連研究
• 2.提案するアーキテクチャ
  • 2.1 提案するアーキテクチャのフロー
  • 2.2 特徴量
  • 2.3 モデル
• 3.駐車中の車の振動を評価する実験
  • 3.1 データセット
  • 3.2 実験条件
  • 3.3 実装
  • 3.4 評価方法
  • 3.5 結果
• 4.走行中の車の振動を評価する実験
  • 4.1 データセット
  • 4.2 結果
• 5.結論