難易度：★★★★☆
AIを用いて工場の生産性を向上させる企業が増えています。そのなかでも特に、成功事例の多い予知保全の実現を目指す企業が多いです。本クエストでは架空の工場の予知保全プロジェクトとして、AIを用いた工場機器の異常検知を行います。リアルタイムに異常を検知することが出来れば、異常による設備の故障等を防ぐことができ、生産性向上に大きくつながります。クエストを通して、統計的な異常検知モデルから、DeepLearningを使用した異常検知モデルの作成方法までを学んでいきます。また、データとして工場機器の稼働音を使用するので、音声データの取り扱い方に関しても学んでいきます。
まず初めに予知保全とは何か、どういうメリットがあるのか、どのように行えば良いのかに関して学んでいきます。予知保全に対する理解が深まった後に、SIGNATE工場での予知保全プロジェクトを例に、予知保全のファーストステップであるデータの集め方から、本クエストのメインであるAIによる異常検知モデルの作成方法までを学んでいきます。
Mission 1
異常検知モデルの作成に入る前に、ここで一度予知保全に対する理解ができているかを、クイズを通して確認しておきましょう。
Mission 2
ではここからはいよいよ異常検知モデルの作成に入っていきます。4つの機械の中から、まずは一番簡単なバルブの異常検知から行っていきます。
音声データの読み込み方に関して学んでいきます。csvファイルと比べて、音声データは使用するライブラリが異なるので、それも合わせて学んでいきましょう。
このTaskでは音声データの可視化方法や、特徴量の生成方法を学んでいきます。最終的には教師あり学習を用いた異常検知モデルの作成までを行います。
Mission 3
次はスライダーの異常検知を行います。異常パターンが平均振幅の違いだけとは限りません。複数パターンの異常がある可能性も考慮して、それに対応できるような教師なし学習による異常検知を学んでいきます。
教師あり学習を行う点ではバルブと同じですが、スライダーの場合バルブとは結果が異なります。なぜバルブと違った結果になるのかを見ていきましょう。
これまでは教師あり学習を用いた異常検知を行ってきました。ここからは教師あり学習を用いた異常検知を行っていきます。教師なし学習モデルとして、One Class SVMに関して学んでいきます。
Mission 4
次はポンプの異常検知を行います。これまでは音声の特徴量としては平均振幅とゼロクロス率しか作成しませんでしたが、ここからは新しくパワースペクトル 、スペクトログラム、メルスペクトログラムといった音声ならではの特徴量に関して学んでいきましょう。
これまでは音声の特徴量としては平均振幅とゼロクロス数しか作成しませんでしたが、ここからは新しくパワースペクトル 、スペクトログラム、メルスペクトログラムといった特徴量に関して学んでいきましょう。
Mission 5
ここまで教師あり学習としてランダムフォレストを、教師なし学習としてOne Class SVMを使用しました。このMissionでは新たにDeepLearningを使用した異常検知を行なっていきます。中でもAutoencoderというモデルを使用した異常検知手法について学んでいきます。
このタスクでは異常検知モデルとしてAutoencoderを使用します。Autoencoderとは何であるか、またAutoencoderを用いてどのように異常検知が行えるのかを学んでいきましょう。
本クエストでは稼働音データの収集から始まり、機械ごとに異なる異常検知手法を実現しました。クエストを通じて学んだこと、そしてクエストの成果をおさらいしましょう。
Competition
これまで学習したことを元に、SIGNATEの練習問題に挑戦してみましょう。このコンペでは、Questで取り扱ったデータとは異なる機械の音声データ使って、正常音か異常音かを予測するモデル構築にチャレンジします。
Competitionに挑戦する
