ディープラーニング手法による異常検知と製造加工業への応用展開
　～品質検査（表面・外観検査）、故障診断、欠陥・寿命予測等～

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
　・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）
　・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
　・航空機ファンブレード用チタン合金表面
(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) 競合学習と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
　　＜質疑応答＞

講師紹介

　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。
＊（株）GRIDの事業展開について：　https://gridpredict.jp/our_services/project/