Suche senden
Hochladen
品質管理 & 設備保全のための機械学習入門 2019年9月 (Quality Control and Predictive Maintenance Approach by Machine Learning))
•
3 gefällt mir
•
1,787 views
Keita Onabuta
Folgen
製造業における品質管理・設備保全での機械学習の適用方法についてのスライドです。
Weniger lesen
Mehr lesen
Daten & Analysen
Melden
Teilen
Melden
Teilen
1 von 45
Jetzt herunterladen
Downloaden Sie, um offline zu lesen
Empfohlen
「人為ミス防止」フレームワークと「プロセス可視化」ツールを使って プロセス改善を実践してみた
「人為ミス防止」フレームワークと「プロセス可視化」ツールを使って プロセス改善を実践してみた
KLab Inc. / Tech
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...
harmonylab
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII
優れた研究論文の書き方―7つの提案
優れた研究論文の書き方―7つの提案
Masanori Kado
SSII2022 [OS3-04] Human-in-the-Loop 機械学習
SSII2022 [OS3-04] Human-in-the-Loop 機械学習
SSII
JDLA主催「CVPR2023技術報告会」発表資料
JDLA主催「CVPR2023技術報告会」発表資料
Morpho, Inc.
Empfohlen
「人為ミス防止」フレームワークと「プロセス可視化」ツールを使って プロセス改善を実践してみた
「人為ミス防止」フレームワークと「プロセス可視化」ツールを使って プロセス改善を実践してみた
KLab Inc. / Tech
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII2022 [TS1] Transformerの最前線〜 畳込みニューラルネットワークの先へ 〜
SSII
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transfo...
harmonylab
失敗から学ぶ機械学習応用
失敗から学ぶ機械学習応用
Hiroyuki Masuda
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII2022 [OS3-01] 深層学習のための効率的なデータ収集と活用
SSII
優れた研究論文の書き方―7つの提案
優れた研究論文の書き方―7つの提案
Masanori Kado
SSII2022 [OS3-04] Human-in-the-Loop 機械学習
SSII2022 [OS3-04] Human-in-the-Loop 機械学習
SSII
JDLA主催「CVPR2023技術報告会」発表資料
JDLA主催「CVPR2023技術報告会」発表資料
Morpho, Inc.
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
文字認識はCNNで終わるのか?
文字認識はCNNで終わるのか?
Seiichi Uchida
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
プロジェクトマネージャのための機械学習工学入門
プロジェクトマネージャのための機械学習工学入門
Nobukazu Yoshioka
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
Preferred Networks
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
確率(人間科学のための基礎数学)
確率(人間科学のための基礎数学)
Masahiro Okano
全力解説!Transformer
全力解説!Transformer
Arithmer Inc.
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
京都大学大学院情報学研究科数理工学専攻
大学3年生の僕に伝えたいことをつらつらと
大学3年生の僕に伝えたいことをつらつらと
Toshinori Sato
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII
AI初心者だった私が E資格取得して専門職に転職した話
AI初心者だった私が E資格取得して専門職に転職した話
川上 詩織
モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化
Yusuke Uchida
SSII2022 [OS2-01] イメージング最前線
SSII2022 [OS2-01] イメージング最前線
SSII
機械学習で嘘をつく話
機械学習で嘘をつく話
Satoshi Hara
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
nlab_utokyo
密度比推定による時系列データの異常検知
密度比推定による時系列データの異常検知
- Core Concept Technologies
カメラ間人物照合サーベイ
カメラ間人物照合サーベイ
Yoshihisa Ijiri
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
MLSE
楽天のECにおけるAI技術の活用
楽天のECにおけるAI技術の活用
Rakuten Group, Inc.
品質管理 Low code ハンズオン
品質管理 Low code ハンズオン
Daiyu Hatakeyama
生産プロセスでのデータ分析と Low-Code ツールでのハンズオン
生産プロセスでのデータ分析と Low-Code ツールでのハンズオン
Daiyu Hatakeyama
Weitere ähnliche Inhalte
Was ist angesagt?
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
takehikoihayashi
文字認識はCNNで終わるのか?
文字認識はCNNで終わるのか?
Seiichi Uchida
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
Satoshi Hara
プロジェクトマネージャのための機械学習工学入門
プロジェクトマネージャのための機械学習工学入門
Nobukazu Yoshioka
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
Preferred Networks
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
Shiga University, RIKEN
確率(人間科学のための基礎数学)
確率(人間科学のための基礎数学)
Masahiro Okano
全力解説!Transformer
全力解説!Transformer
Arithmer Inc.
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
京都大学大学院情報学研究科数理工学専攻
大学3年生の僕に伝えたいことをつらつらと
大学3年生の僕に伝えたいことをつらつらと
Toshinori Sato
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII
AI初心者だった私が E資格取得して専門職に転職した話
AI初心者だった私が E資格取得して専門職に転職した話
川上 詩織
モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化
Yusuke Uchida
SSII2022 [OS2-01] イメージング最前線
SSII2022 [OS2-01] イメージング最前線
SSII
機械学習で嘘をつく話
機械学習で嘘をつく話
Satoshi Hara
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
nlab_utokyo
密度比推定による時系列データの異常検知
密度比推定による時系列データの異常検知
- Core Concept Technologies
カメラ間人物照合サーベイ
カメラ間人物照合サーベイ
Yoshihisa Ijiri
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
MLSE
楽天のECにおけるAI技術の活用
楽天のECにおけるAI技術の活用
Rakuten Group, Inc.
Was ist angesagt?
(20)
『バックドア基準の入門』@統数研研究集会
『バックドア基準の入門』@統数研研究集会
文字認識はCNNで終わるのか?
文字認識はCNNで終わるのか?
機械学習モデルの判断根拠の説明(Ver.2)
機械学習モデルの判断根拠の説明(Ver.2)
プロジェクトマネージャのための機械学習工学入門
プロジェクトマネージャのための機械学習工学入門
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
20180305_ppl2018_演繹から帰納へ~新しいシステム開発パラダイム~
因果探索: 基本から最近の発展までを概説
因果探索: 基本から最近の発展までを概説
確率(人間科学のための基礎数学)
確率(人間科学のための基礎数学)
全力解説!Transformer
全力解説!Transformer
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
リプシッツ連続性に基づく勾配法・ニュートン型手法の計算量解析
大学3年生の僕に伝えたいことをつらつらと
大学3年生の僕に伝えたいことをつらつらと
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
SSII2021 [TS3] 機械学習のアノテーションにおける データ収集 〜 精度向上のための仕組み・倫理や社会性バイアス 〜
AI初心者だった私が E資格取得して専門職に転職した話
AI初心者だった私が E資格取得して専門職に転職した話
モデルアーキテクチャ観点からのDeep Neural Network高速化
モデルアーキテクチャ観点からのDeep Neural Network高速化
SSII2022 [OS2-01] イメージング最前線
SSII2022 [OS2-01] イメージング最前線
機械学習で嘘をつく話
機械学習で嘘をつく話
Deep Learningと画像認識 ~歴史・理論・実践~
Deep Learningと画像認識 ~歴史・理論・実践~
密度比推定による時系列データの異常検知
密度比推定による時系列データの異常検知
カメラ間人物照合サーベイ
カメラ間人物照合サーベイ
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
【基調講演】『深層学習の原理の理解に向けた理論の試み』 今泉 允聡(東大)
楽天のECにおけるAI技術の活用
楽天のECにおけるAI技術の活用
Ähnlich wie 品質管理 & 設備保全のための機械学習入門 2019年9月 (Quality Control and Predictive Maintenance Approach by Machine Learning))
品質管理 Low code ハンズオン
品質管理 Low code ハンズオン
Daiyu Hatakeyama
生産プロセスでのデータ分析と Low-Code ツールでのハンズオン
生産プロセスでのデータ分析と Low-Code ツールでのハンズオン
Daiyu Hatakeyama
機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップ
Daiyu Hatakeyama
学生のための AI で考える近未来
学生のための AI で考える近未来
Daiyu Hatakeyama
20180627 - DEEP LEARNING LAB / Cognitive Services 最新情報 30 分でズバリ!
20180627 - DEEP LEARNING LAB / Cognitive Services 最新情報 30 分でズバリ!
Takashi Okawa
ITエンジニアのためのAI基礎2020
ITエンジニアのためのAI基礎2020
Keisuke Tameyasu
kintone製品説明(日)
kintone製品説明(日)
cybozutw
Web制作会社様向け 知って得するMicrosoft Azureの概要と使い方!
Web制作会社様向け 知って得するMicrosoft Azureの概要と使い方!
Daisuke Masubuchi
Web制作会社様向け 知って得するMicrosoft Azureの概要と使い方!
Web制作会社様向け 知って得するMicrosoft Azureの概要と使い方!
Azure 相談センター
RTミドルウエア説明資料(10ページ版)
RTミドルウエア説明資料(10ページ版)
Noriaki Ando
【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏
【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏
Developers Summit
13 takai
13 takai
i-construction
SignalR Tune-up
SignalR Tune-up
Takaaki Suzuki
知ってると良いかもしれない 組織研究 (イノベとか創発を考える上で)
知ってると良いかもしれない 組織研究 (イノベとか創発を考える上で)
Tyee Z
リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術
Recruit Technologies
【Tech Trend Talk vol.11】社外向け勉強会「自然言語処理の初歩と活用 -(GIG)」
【Tech Trend Talk vol.11】社外向け勉強会「自然言語処理の初歩と活用 -(GIG)」
GIG inc.
IT投資のオペレーション・マネジメントの価値
IT投資のオペレーション・マネジメントの価値
Tetsu Kawata
Introduction to SWAT
Introduction to SWAT
Jim King
20190924 沖縄ISCO AI セミナー: AIを自分の糧とするためのコツ
20190924 沖縄ISCO AI セミナー: AIを自分の糧とするためのコツ
Daiyu Hatakeyama
楽天のRPAプラットフォーム構築事例
楽天のRPAプラットフォーム構築事例
Rakuten Group, Inc.
Ähnlich wie 品質管理 & 設備保全のための機械学習入門 2019年9月 (Quality Control and Predictive Maintenance Approach by Machine Learning))
(20)
品質管理 Low code ハンズオン
品質管理 Low code ハンズオン
生産プロセスでのデータ分析と Low-Code ツールでのハンズオン
生産プロセスでのデータ分析と Low-Code ツールでのハンズオン
機械学習 - MNIST の次のステップ
機械学習 - MNIST の次のステップ
学生のための AI で考える近未来
学生のための AI で考える近未来
20180627 - DEEP LEARNING LAB / Cognitive Services 最新情報 30 分でズバリ!
20180627 - DEEP LEARNING LAB / Cognitive Services 最新情報 30 分でズバリ!
ITエンジニアのためのAI基礎2020
ITエンジニアのためのAI基礎2020
kintone製品説明(日)
kintone製品説明(日)
Web制作会社様向け 知って得するMicrosoft Azureの概要と使い方!
Web制作会社様向け 知って得するMicrosoft Azureの概要と使い方!
Web制作会社様向け 知って得するMicrosoft Azureの概要と使い方!
Web制作会社様向け 知って得するMicrosoft Azureの概要と使い方!
RTミドルウエア説明資料(10ページ版)
RTミドルウエア説明資料(10ページ版)
【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏
【17-C-4】「Axure RPによる画面プロトタイプを活用した要件定義の改善:野村総合研究所、NTTデータの事例紹介」松永充弘氏
13 takai
13 takai
SignalR Tune-up
SignalR Tune-up
知ってると良いかもしれない 組織研究 (イノベとか創発を考える上で)
知ってると良いかもしれない 組織研究 (イノベとか創発を考える上で)
リクルート式ビッグデータ活用術
リクルート式ビッグデータ活用術
【Tech Trend Talk vol.11】社外向け勉強会「自然言語処理の初歩と活用 -(GIG)」
【Tech Trend Talk vol.11】社外向け勉強会「自然言語処理の初歩と活用 -(GIG)」
IT投資のオペレーション・マネジメントの価値
IT投資のオペレーション・マネジメントの価値
Introduction to SWAT
Introduction to SWAT
20190924 沖縄ISCO AI セミナー: AIを自分の糧とするためのコツ
20190924 沖縄ISCO AI セミナー: AIを自分の糧とするためのコツ
楽天のRPAプラットフォーム構築事例
楽天のRPAプラットフォーム構築事例
Mehr von Keita Onabuta
Azure における強化学習への取り組み
Azure における強化学習への取り組み
Keita Onabuta
Azure Machine Learning NLP 最新動向 2020/07/02
Azure Machine Learning NLP 最新動向 2020/07/02
Keita Onabuta
Azure Machine Learning Build 2020
Azure Machine Learning Build 2020
Keita Onabuta
DataDrift in Azure Machine Learning
DataDrift in Azure Machine Learning
Keita Onabuta
Azure ML - OpenVINO 師走の推論ナイト 20191211 講演資料
Azure ML - OpenVINO 師走の推論ナイト 20191211 講演資料
Keita Onabuta
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
Keita Onabuta
Azure Machine Learning アップデートセミナー 20191127
Azure Machine Learning アップデートセミナー 20191127
Keita Onabuta
Neural Network Intelligence 概要 (AutoML Platform)
Neural Network Intelligence 概要 (AutoML Platform)
Keita Onabuta
[DLLAB Engineer Days 講演資料] Automated ML & Model Interpretability
[DLLAB Engineer Days 講演資料] Automated ML & Model Interpretability
Keita Onabuta
Azure machine learning service 最新の機械学習プラットフォーム
Azure machine learning service 最新の機械学習プラットフォーム
Keita Onabuta
Mehr von Keita Onabuta
(10)
Azure における強化学習への取り組み
Azure における強化学習への取り組み
Azure Machine Learning NLP 最新動向 2020/07/02
Azure Machine Learning NLP 最新動向 2020/07/02
Azure Machine Learning Build 2020
Azure Machine Learning Build 2020
DataDrift in Azure Machine Learning
DataDrift in Azure Machine Learning
Azure ML - OpenVINO 師走の推論ナイト 20191211 講演資料
Azure ML - OpenVINO 師走の推論ナイト 20191211 講演資料
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
AutoML & InterpretML (2019/11/27 Deep Learning Lab 講演資料)
Azure Machine Learning アップデートセミナー 20191127
Azure Machine Learning アップデートセミナー 20191127
Neural Network Intelligence 概要 (AutoML Platform)
Neural Network Intelligence 概要 (AutoML Platform)
[DLLAB Engineer Days 講演資料] Automated ML & Model Interpretability
[DLLAB Engineer Days 講演資料] Automated ML & Model Interpretability
Azure machine learning service 最新の機械学習プラットフォーム
Azure machine learning service 最新の機械学習プラットフォーム
品質管理 & 設備保全のための機械学習入門 2019年9月 (Quality Control and Predictive Maintenance Approach by Machine Learning))
1.
品質管理・設備保全のための 機械学習入門 女部田啓太 日本マイクロソフト株式会社 Cloud Solution Architect
– Machine Learning, Deep Learning
2.
診断的分析 [Interactive Reports & Machine
Learning] 処方的分析 [Recommendations & Automation] 予測的分析 [Machine Learning] 記述的分析 [Reports] What should I do? What will happen? Why did it happen? What happened? Insight 分析の要件整理のファーストステップ
3.
設計・開発 etc サプライチェーン 計画 製造
営業 アフターサービス 需要予測キャリブレーション ソフトセンサー 品質予測 サポートBot 予兆保全価格最適化 安全対策在庫最適化 工数予測 マーケティング オートメーション トレーサビリティ ワランティ分析 ロボット自律化 構造解析 レコメンデーション異常検知 マシン ティーチング リソース割り当て 訪問回数 最適化
4.
5.
工程1 工程2 工程3 統合データ 工程N・・・ 各工程データを上手に結合することで、 工程をまたがった品質把握が可能に! 原材料 運転条件
外部環境 作業員特性 `
6.
データ可視化 1変数の解析 多変数の解析 予測 最適化・自動化 工程能力指数 コスト(クレーム、人件費、欠品) 稼働率 箱ひげ図 ヒストグラム 検定 回帰分析 相関分析 主成分分析 外観検査 品質特性値予測 製造工程 自動化 リソース最適化Mixed Reality ソフトセンサー クレーム率 製造プロセスの統合データがあれば、 要因探索から最適化までスムーズに ステップアップが可能に 統合データ 機械学習 モデル解釈
7.
1変数の解析 多変数の解析 データ可視化 (≠予測) Visualization Statistics Machine Learning 可視化によって 直感的に特徴を分析 統計解析・機械学習 よって客観的に 特徴を分析 Data
8.
1変数の解析 多変数の解析
9.
製造工程の運転状況のモニタリング
10.
11.
1変数 多変数
12.
主成分分析 主成分1 主成分2 • データのばらつき(=分散)を最大になるよう に線を引いていく •
大量変数をグルーピングして、新しい変数 として扱う
13.
統計解析 機械学習 ? 統合データ 工程で取得された大量のデータから 品質に影響を与えている因子を特定
14.
ID 品質 工程1-温度
工程2-粘度 工程2-外気温 1111 OK 23.2 89 30 1112 NG 24.3 86 29 1113 OK 23.3 75 31 1114 OK 25.6 79 31 1115 OK 23.0 88 29 1116 NG 23.0 80 31 1117 OK 22.6 90 28 工程3-振動数 1200 1197 1220 1201 1173 1185 1233 ※分析要件やデータの特性によって作成方法は異なります。
15.
変数重要度 スキル 温度 湿度 振動数 0 1 粘度 85% model 𝑦
= 𝒂𝑥1 + 𝐛𝑥2 + 𝐜𝑥3 + 𝐝𝑥4 + e 係数の大きさ 予測値 実測値 線形回帰の例
16.
決定木による 製品品質の分類 温度 スキル 湿度 不良発生の 条件を自動作成 製品品質 OK/NG の確率
17.
モデルの精度とモデルの解釈性はトレードオフになりがち Black Box モデル • なぜその予測値になった? •
モデルの改善方法は? • モデル構造が複雑 • 理解するのが非常に困難 • このモデルは妥当?信頼できる?
18.
解釈可能な モデルを使う Black Box な モデルを解釈する •
従来の統計的手法 • 線形回帰 • 決定木 • LIME • SHAP • Permutation Feature Importance https://github.com/konabuta/DataExplore-Workshop サンプルコード集
19.
カテゴリー アプローチ方法 Microsoft
提供サービス 解釈可能な モデル • 従来の統計解析手法 • 線形回帰 • 決定木 • 一般化線形モデル • Power BI – Key Influencers • Azure ML service – Visual Interface (or Azure ML Studio) • Python, R で実装 (Azure ML service) • その他 Microsoft InterpretML 汎用的な 解釈フレームワーク • Permutation Feature Importance • Partial Dependency Plot • LIME • SHAP • Azure ML Studio – PFIモジュール • Azure ML Interpretability SDK • Python, R で実装 (Azure ML service)
20.
外観検査品質予測ソフトセンサー 釜の中の温度は? 温度 圧力 加熱時間 密度 湿度 工程1 工程2 工程3 工程8 ・・・ 検査 工程3の時点で 不良を検知し、 即座に対処 コストが少ない リワーク リワーク 予測
21.
予測値に基づくアクション 過去データから将来を 予測する 予測 予測値に基づき アクションを実施 アクション ルールベース 最適化問題 自動化 最適化・自動化
22.
工程A 工程B モデル 工程A 工程B 従来アプローチ
自動化アプローチ 熟練工 制御システム 前工程の加工作業が 長引いたから、この工程 のパラメータは10にしよう 前工程のIoTデータから 次工程のパラメータをAI が算出 マシン・人への 指示 熟練工に頼らない製造工程の自動化
23.
リワークコストの増加、納品の遅れが課題に 品質不良の 恐れあり ばらつき: 11% (許容範囲:
≦ 11%) 振動数: 異常に多い ビット摩耗: 高 工場 2 での結果: ランクB 統合データ 品質予測モデル 0 0 1 0 1 0 0 1 1 0 0 1 1 0 0
24.
外観検査による検査工程の効率化 工程1 工程2 工程3 ・・・ 画像検知 AIモデル 工場の検査工程の 効率化・工数削減 Azure 分析環境
25.
26.
故障発生の都度 メンテナンスを行う 故障する前に メンテナンスを行う 故障の予兆を検知 制約条件を考慮した 最適なアクション自動化
27.
Time Quality 劣化発生 メンテナンス 最適時期 オーバーメンテナンス 予測
28.
回帰 分類 クラスタリング時系列予測
29.
振動数 回転数 稼働日数
30.
! モデルデプロイ エッジデバイスで故障の 予兆を検知しアラート On-Premise Cloud ! クラウド分析基盤
31.
リアルタイム バッチ 固定 スケーラブル オフライン
オンライン
32.
https://aka.ms/pm 予測メンテナンス ソリューションのための Azure
AI ガイド
33.
故障までの日数 : 10
日間 メンテナンス スタッフを派遣 保守 進行中 設備データ 故障予測モデル 故障までの日数 10日 油田のパイプライン
34.
35.
工程1 工程2 工程N ・・・ 原材料 統合データ 要因探索によって、 不良の原因を発見する Factory.csv
36.
37.
38.
? お客様に納入した機械は いつまで使えるだろうか.... 無駄な部品交換は 避けたい... 200日 320日 250日 あと何日使える
39.
• 学習 :
100ユニット • テスト : 100ユニット • サイクル値:cycle • 機械設定値 : setting1 ~ setting3 • センサーデータ : s1 ~ s21
40.
41.
RULope1 s1 s2
s21ope3… … 169 168 0 1 2 167 … 特徴量データ 予測対象 cycle 0 1 2 … 169 168 167 時間 予測対象列の追加 あと169日使える... もう使えなくなっちゃう...
42.
RULope1 s1 s2
s21ope3… … 169 168 0 1 2 167 cycle 0 1 2 … 167 168 169 Window Size = 50 50サイクル分の時系列を考慮する学習データを作成 50 25 49 … 120
43.
Long Short Term
Memory (LSTM) 予測値 50サイクル分の 時系列データ 出力 正解値 学習
44.
テストデータに対する損失 0.049 テストデータに対する精度
98%
45.
MICROSOFT CONFIDENTIAL 本資料は情報提供のみを目的としており、本資料に記載されている情報は、本資料作成時点でのマイクロソフトの見解を示し たものです。状況等の変化により、内容は変更される場合があります。本資料に表記されている内容(提示されている条件等 を含みます)は、貴社との有効な契約を通じて決定されます。それまでは、正式に確定するものではありません。従って、本資 料の記載内容とは異なる場合があります。また、本資料に記載されている価格はいずれも、別段の表記がない限り、参考価 格となります。貴社の最終的な購入価格は、貴社のリセラー様により決定されます。マイクロソフトは、本資料の情報に対して 明示的、黙示的または法的な、いかなる保証も行いません。 © 2019
Microsoft Corporation. All rights reserved.
Jetzt herunterladen