第1部. ディープラーニングにおける異常検知の方法

～特に故障・異常データが少ない場合の手法について～

(2019年12月13日 10:00〜12:00)

　近年、ディープラーニングによる画像認識は目覚ましい発展を遂げており、これらの成果は実利用の段階に入った。工場などの生産現場では、古くから画像認識による外観検査や異常検知が導入されているが、これらにディープラーニングを導入することで飛躍的な精度の向上を行った事例が報告されつつある。一方で、ディープラーニングを外観検査に応用する場合には、外観検査、異常検知ゆえの問題がある。
　そこで、近年では大量の正常サンプルからニューラルネットワークによって正常状態モデルを生成し、その正常状態を基として未知サンプルの異常度を算出する手法が用いられる。その代表的なモデルとして、AutoencoderやGenerative Adversarial Networks (GANs) による異常検知手法について紹介する。

1. ニューラルネットワークの基礎
   1. 単純パーセプトロン
   2. 3層ニューラルネットワーク
2. 畳み込みニューラルネットワーク
   1. 畳み込みニューラルネットワークの基礎
   2. Alex NetとVGG Net
   3. ResNet
3. オートエンコーダ
   1. オートエンコーダの基礎
   2. 畳み込みオートエンコーダ
4. Generative Adversarial Networks
   1. GANの基礎
5. ディープラーニングによる異常検知
   1. オートエンコーダの復元による異常検知
   2. オートエンコーダの潜在空間を利用した異常検知
   3. 復元と潜在空間を利用した異常検知
   4. GANによる異常検知
6. ディープラーニングによる異常検知による実例と諸問題
• 質疑応答

第2部. 正常時の波形データのみで異常を検知する説明性の高いAIの開発

(2019年12月13日 12:45〜14:45)

　近年、インダストリアルIoTの普及に伴い、インフラ設備や製造装置のセンサから波形データを収集する環境は整ってきた。しかし、異常の発生は稀なため、異常データの収集は正常データに比べて困難である。また、インフラ設備や製造装置で異常を検知した場合には、専門家が波形データを確認して原因究明と対策立案を行うことが多い。そのため、AIの結果を専門家が理解しやすいことが求められる。
　本講演では、ベースとなる波形データの分析手法と異常データを学習時に用いない異常検知手法を説明し、我々の開発した正常波形データのみで学習する説明性の高い異常検知手法OCLTSを解説する。

1. 波形 (時系列) データ分析
   1. 本技術開発の背景
   2. 波形データの特徴
   3. 説明性の高い波形データ分析手法
2. 異常検知手法
   1. 異常データが少ない場合のアプローチ
   2. 異常データを学習時に必要としない異常検知手法
3. 正常波形データのみで学習する説明性の高い異常検知手法OCLTS
   1. 利用時のシステム概要
   2. 学習アルゴリズム導出の流れ
   3. 勾配降下法による学習プロセス
4. 性能評価
   1. 異常データが少ない場合の評価指標
   2. 評価結果
5. 適用事例
• 質疑応答

第3部. 未知の異常、故障を検出するインバリアント分析と導入の仕方

(2019年12月13日 15:00〜17:00)

　これまで工場における製造/生産現場においては故障や異常に対する対策を行ってきた結果、既知の異常や発生が想定されるような異常はほとんど起きないと言われている。しかし設備の老朽化や世の中の変化に対応する生産方式の変更、技術者不足などにより想定外の異常や未知の異常が増加してきている。
　本講座ではインバリアント分析を中心に未知の異常検知への取り組みと導入の手順について解説を行う。

1. 工場におけるDXの考え方
2. Society5.0におけるプラント保安の考え方
3. インバリアント分析とは
   1. インバリアント分析の技術概要
4. 検証・導入事例
   1. プラントでの導入事例
   2. 製造業での導入事例
   3. 発電領域における事例
   4. 非破壊検査での事例
5. システム構築の考え方
   1. 工場におけるAI活用システムの考え方
   2. 導入時に考慮すべき点とは何か
• 質疑応答