セミナー

【ライブ配信セミナー】
自社で応用できる!

AI機械学習による産業現場の“異常検知予知”実践例16選

開催主旨

近年AI機械学習がITから産業へ広がってきて、産業設備や製造現場における保全管理などに応用が急増しています。巷にはAI機械学習のハウツー本や開発ソフトがあふれていますが、なりより実際に現場に実装した事例を知ることが重要です。しかし、これまでの書籍やセミナーでは、実際の事例を広くサーベイして、AI機械学習手法別に整理して紹介するものは少ないと思います。

本セミナーでは、異常検知の定番手法・アルゴリズムが、どのように産業現場の異常検知予知問題に適用されているか実践例を整理します。これにより各受講者が直面する問題に類似するAI機械学習応用事例に倣う機会を提供します。講師は、メーカ技術者、大学教授、コンサルと十年以上の機械学習の経験があるので、実践的な産業現場の異常検知予知の事例サーベイに特化した入門コースを提供します。

受講対象者

・製造業の工場などで工程の異常検知予知システムの企画や開発や実装に携わる管理者・技術者。
・設備業の設備などを運営保全する上で異常検知予知システム開発や実装に携わる管理者・技術者。
・IT会社などで,産業現場の異常検知予知システムの実施例を広く勉強しようとするソフトウェア技術者。
・電力,水道,ガスなど公共設備等の異常予知予兆システムに関わる地方自治体や企業の技術者。
・研究機関,教育機関などの観測データの毎処理や外れ値除外や異常検知予知を検討中の研究者。

習得可能知識

・我が国におけるAI機械学習による異常検知・予知が製造現場へ適応されている現状の感覚。
・受講者の異常検知予知課題とデータから適材適所のAI機械学習手法を試行するための入門知識。
・異常検知の統計的分布やAI定番手法の原理解説でなく現場に実践・応用する際のコツ・ツボ。
・機械学習ツールに投入までの生データ前処理が決定的に重要である事例と具体的な手法。
・実際に試行して徐々に性能を改善する上で広く実践されている性能評価手法の定番知識。

 

参考文献:以下の書籍を事前に予習をすることでセミナーの理解度が飛躍的に高まります。
講師著:「AI時系列制御解析」(コロナ社)

 

本セミナーのテキストは、PDFにてお送り致します。
※お申込みの際に、テキストを受け取れるメールアドレスを記入して下さい。
(申込アドレスと異なる場合は、申し込みフォームの備考欄にてお知らせ下さい。)

概要

日時 2026年 6月 30日(火)10:00~17:00
(9:30 ログイン開始)※昼休憩1時間あり
会場 WEBセミナー
WEBセミナーは、WEBミーティングツール「Zoom」を使用して開催いたします。

※当日の録音・録画は固くおことわり申し上げます。
ブラウザとインターネット接続環境があれば、どこからでも参加可能です。
受講料

お一人様:46,200円(資料含む、消費税込)

受講にあたり
開催決定後、請求書をメール(PDFファイル)にてお送り致します。
申込者が最少催行人数に達していない講座の場合、開催を見送りとさせて頂くことがございます。(担当者より一週間前を目途にご連絡致します。)
受講料
振込手数料は貴社でご負担願います。
キャンセルについて
開催日1週間前までの受付とさせて頂きます。1週間前までにご連絡がない場合はご欠席の方もキャンセル料として受講料全額を頂きます。

主催 日刊工業新聞社
申込締切日について 2026年6月29日(月)17:00〆切
問合せ先 日刊工業新聞社
メディア事業局 事業推進部(セミナー係)
TEL: 03-5644-7222
FAX: 03-5644-7215
E-mail : j-seminar@media.nikkan.co.jp
TEL受付時間:平日(土・日・祝日除く) 9:30-17:30
FAX申込について

講師

蜷川 忠三 氏 (にながわ ちゅうぞう)

プログラム

1章 異常検知手法の手法分類
  1.1 産業現場データの現実
  1.2 手法の分類:統計解析系・機械学習系・深層学習系
2章 統計判定
  2.1 実例1:線形重回帰分析法によるプレス型摩耗限界検知
     (a) 現場知と相関により重回帰分析に説明変数選択
     (b) 現実的に使える特徴量としての加工機主軸モータ電流値
  2.2 実例2:マハラノビス距離法によるドリル加工折損予知
     (a) 正規分布におけるマハラノビス距離と異常度
     (b) 経時的トレンド変化がある場合の分布モデル設定
  2.3 実例3:ガウス過程回帰による人工衛星データ異常検知
     (a) ガウス過程回帰(Gaussian Process Regression:GPR)法とは
     (b) 閾値をパーセンタイルと現場知により現実的な閾値設定
3章 画像判定
  3.1 実例4:画像ニューラルネットで部品組立て異常検知像
     (a) 異常の教師データとシンプルツールで基本的手法をトライ
     (b) 異常データが少ないが学習が速いシンプルな構成
  3.2 実例5:画像CNNによるアルミ鋳物の微小巣検知
     (a) 局所ブラケッティングできる高性CNNツールの利用
     (b) 異常データが少ないので画像合成で人工的に増強
  3.3 実例6:学習済み基盤画像モデルによる樹脂材料異常検知
     (a) SAM(Segmentation Anything Model)ツールとは
     (b) 人工毛髪樹脂材料の線状加工の断面形状判定
4章 周波数判定
  4.1 実例7:音波深層学習による切削ドリル折損の直前予知
     (a) ドリル切削加工音の特定周波数が直前変化
     (b) 16ms長音波データをCNN(Convolutional Neural Network)
  4.2 実例8:電流スペクトルによる端子台配線ゆるみ検知
     (a) 端子接続抵抗を示す特定周波数電流を特徴量
     (b) 超微小隙間の放電電流周波数を特定してスペクトル変化で検知
  4.3 実例9:押出成形機のギア摩耗量限界予知
     (a) 樹脂スクリュウへの減速ギアベアリング摩耗の限界予知
     (b) 振動センサー信号をFFTにかけて特徴周波数抽出
5章 履歴判定
  5.1 実例10:LSTMによる突発的な設備例外運転の発生予測
     (a) 履歴を記憶忘却する系列専用ニューラルネットLSTM
     (b) 数時間の運転履歴に依存して突如発生する異常運転予知
  5.2 実例11:LSTM+AEによる工場搬送コンベア駆動ギア異常予知
     (a) 自己符号化(AutoEncoder:AE)ニューラルネット
     (b) AE特徴ベクトルの異常閾値はGMM確率分布で判定
  5.3 実例12:LSTM+AEによるパワーショベル油圧異常予知
     (a) 自己符号化(AutoEncoder:AE)ニューラルネット
     (b) 正常データをAEで復元学習してそこから逸脱検知
6章 波形判定
  6.1 実例13:Shapelats法によるエレベータ扉開閉レール異常検知
     (a) 系列データの局所部分列の波形を学習する検出手法
     (b) 問題箇所の微妙な波形変化を特定できる説明性に優れる手法
  6.2 実例14:Discord法によるバルブ開閉電流波形異常検知
     (a) 正常な系列データだけから局所的な特徴波形を高速抽出する手法
     (b) 定常状態では優れるが経時変化が混入すると性能が低下
7章 出現判定
  7.1 実例15:Transformerによる建物空調消費電力の予測
     (a) オフィスビル空調消費電力特異日特異時間帯の抽出
     (b) Attention機構により時系列データの注目点を説明できる
  7.2 実例16:Transformer画像系列予測による路面凍結の予知
     (a) 言語予測モデル用Transformerを画像部分系列に適用
     (b) 画像特定部分のAttension機構により根拠を数値化
8章 まとめと質疑応答
 【ライブ配信セミナーに伴う注意事項について】⇒ 【詳細はこちら】
 ※必ずお読みください
(お申込みを頂いた時点でご同意頂いたとみなします)

一覧へ戻る

日刊工業新聞社関連サイト・サービス