工場設備の予知保全

  • 製造・メーカー
  • 音源
  • 不均衡データ

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。

  • 4 時間
  • 1,800 Exp
  • 0 Videos
  • 2 Slides
  • 5 Missions
  • 7 Tasks
  • 34 Operations

Introduction50 Exp

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。

Slideを見る

Mission 1

予知保全

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。

Task 1
予知保全とは
200 Exp

Task 1

予知保全とは

  • 1 時間
  • 4 Operations
  • 200 Exp


Introductionで学んだことについて、クイズに答えて復習をしましょう。

Mission 2

バルブ

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。

Task 1
音声データの読み込み
150 Exp

Task 1

音声データの読み込み

  • 1 時間
  • 3 Operations
  • 150 Exp


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。

Task 2
教師あり学習による異常検知
300 Exp

Task 2

教師あり学習による異常検知

  • 1 時間
  • 6 Operations
  • 300 Exp


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

スライダー

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。

Task 1
教師あり学習による異常検知
100 Exp

Task 1

教師あり学習による異常検知

  • 1 時間
  • 2 Operations
  • 100 Exp


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。

Task 2
教師なし学習による異常検知
300 Exp

Task 2

教師なし学習による異常検知

  • 1 時間
  • 6 Operations
  • 300 Exp


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

ポンプ

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。

Task 1
音声特徴量
400 Exp

Task 1

音声特徴量

  • 1 時間
  • 8 Operations
  • 400 Exp


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

ファン

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。

Task 1
Autoencoderによる異常検知
250 Exp

Task 1

Autoencoderによる異常検知

  • 1 時間
  • 5 Operations
  • 250 Exp


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。

Conclusion50 Exp

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。

Slideを見る

Competition

機械稼働音の異常検知

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
PAGE
TOP