☆☆☆Web配信セミナー☆☆☆
深層学習による
品質検査、故障診断解析、欠陥・寿命予測
～基礎から応用の実際まで～
S210303KW2
☆☆☆本セミナーは、Zoomを使用して行います☆☆☆
開催日時：2021年3月3日（水） 10:00-16:00
受 講 料：お1人様受講の場合 46,000円[税別]／1名
1口でお申込の場合 57,000円[税別]／1口（3名まで受講可能）
【ご略歴】
物理学の専門家で、東京大学物性研究所、国立分子研究所で学び、
ドイツ マックス・プランク研究所、イギリス ケンブリッジで働いた後、
2009年に一旦研究分野から離れ、(株)グリッドの共同設立者となり会社を立ち上げる。
その後、東京大学 先端科学技術研究センターに研究の場所を移し、
特任准教授として量子構造半導体デバイスの開発及びその理論計算、人工知能の研究を行う。
2016年より電気通信大学の准教授および（株）GRIDの最高技術顧問を兼任。
現在は、気象予測を含めた大規模発電・消費電力予測、製造搬送装置システムに
おける搬送時間と渋滞予測、高速道路の長短期渋滞予測、製造装置における
欠陥と故障予測などの研究開発に従事する。
また、深層学習フレームワーク∞ReNomの開発に従事する。
2019年４月に量子シュミレーターReNorm-Qを開発。
2019年6月オーム社より「強化学習アルゴリズム入門」を出版
【ご専門および得意な分野・研究】
理論物理計算、デバイス計算、エネルギー学、大規模気象予測計算、
機械学習/深層学習/深層強化学習の数理モデリング、最適化計算、量子アルゴリズム、
量子演算デバイス開発
【本テーマ関連のご活動】
2009年から密度汎化数DFT計算・量子デバイス輸送理論計算に従事。
2013年に大規模局所気象予測を含めたエネルギーシステムにおける発電・消費電力予測用の並列計算クラスタを構築。
2014年から深層学習フレームワーク「ReNom」の開発のチームリーダーを務める、
2016年 ReNomフレームワークに強化学習、最適化アルゴリズム、量子アルゴリズムを拡張。
現在、エネルギーシステムにおける深層強化学習の応用、量子アルゴリズムと量子演算デバイスの開発などに従事。
日本応用物理学会会員、日本人工知能学会会員、株式会社グリッド最高技術顧問。
【関連する講演】
・2017年４月 東京大学、電気通信大学（曽我部研究室）、株グリッドの産学連携プロジェクト「人工知能ラボ開設記念講演」にて
「量子物理と深層学習を癒合した量子人工知能の開発」について基調講演。
・2017年5月 スタンフォード大学にて「GRID Inc: Deep learning framework for industrial and engineering optimization application
～産業最適化のための深層学習フレームワーク～」として公開講座に登壇。
・2017年～2019年 セミナー「強化学習・深層強化学習入門：基本・最新アルゴリズムから応用まで」等、計20回講演
【講師WebSite】
http://cluster-iperc.matrix.jp/ja/
http://www.gridpredict.jp/
【セミナーポイント】
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、まず異常検知に用いられる機械学習・ディープラーニングの
手法・原理や決定木・ランダムフォレスト等の基本的な考え方、CNNの有用性・
適用範囲・制限等についてわかりやすく説明した後、 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。
【受講対象】
・ディープラーニングの研究と応用を真剣に検討されている方
・工業分野における品質検査、故障診断、寿命予測に興味をお持ちの方
・機械学習・ディープラーニングによる異常検知に興味を持たれている方
・画像認識・音声認識以外の分野でのディープラーニング応用の可能性に
興味をお持ちの方 など
【受講後、習得できること】
・最新型ディープラーニング技術の習得
・深層学習の基本原理と要素技術の基本知識の習得
・ディープラーニングと従来の機械学習手法の融合技術の習得
・異常検知と予測手法を応用する際のノウハウの習得
・製造加工業におけるディープラーニングの応用例や今後の可能性 など
第Ⅰ部 : はじめに
(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
・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
・決定木の各手法・ランダムフォレスト
・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ーをわかりやすく説明
・ベイズ原理から粒子フィルターをわかりやすく説明
(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
・畳み込みニューラルネットワーク（CNN）の原理及び有用性・限界等
・graph-CNNについて
・時系列データに対するCNN
・自己符号化器(AE)
・RBMとRBM-DBNの紹介
(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
・異常検知の考え方
・異常検知への各手法の選択法
・異常検知への適用の際のポイントと留意点
第Ⅱ部 : 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
(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
・航空機ファンプレート用チタン合金表面
(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
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
・軸受故障解析
・変速機故障解析
・回転子故障解析
(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
第Ⅳ部 : 欠陥・寿命予測解析手法
(1) LSTM-RNNによる欠陥予測
(2) 融合学習と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
・ハイブリッド玉軸受寿命予測
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
