2019年12月9日～12日、アメリカ、ロスアンゼルスにおいて、2019年 IEEE ビックデータ国際コンファレンス （IEEE BigData 2019）が行われました。HBLabのメンバー、グエン・ティ・トゥイ・リンさんがこのイベントを参加して、記事を書きました。記事の内容はこちらです。
ーーー
先週、ロサンゼルスに開催されるIEEE BigData 2019 にて、私の最新研究を発表いたしました。博士課程学生としても、製造業における AIに深い興味を持ち、BridgeStone社や Hitachi社など、大手の業者と努力して研究するチャンスがあります。それらのプロジェクトの中では、各業者の同様な状況や目標に注目いたしました。その目標はエンドツーエンド深層学習（エンドツーエンド・ディープラーニング）にAIを導入することによって、全システムの質を管理、または製品の不具合と残存耐用時間 (RUL) を予めに予測できることです。研究用のデータはヒトとセンサーから多く取得しましたが、質が悪く、不足しています。上記の目的と問題はIEEE BigData 2019 におけるHitachiの発表で述べられました。その発表は下記のように要約されます。
まずは、Hitachiさんの品質管理システムの概要を紹介しました。
以上の図によると、RULの見積もりと不具合の予測は、中心的なタスクです。これから２つのタスクに関してHitachiの研究のサマリーについて話します。
残存耐用時間 (RUL) の予測方法
基本的に、全ての製品は使用可能期間などの物理的な情報を持っています。同じ種類でも、製品ごとの利用状況によってこの使用可能期間が異なります。
例えば、沖縄の暑さや北海道の寒さ、天気によってタイヤの寿命が変わります。天気のみならず、運転手の経験やトラック中の位置によって、影響を与える可能性があります。そういうわけで、残存耐用時間 (RUL)に実際の条件の影響を予測するために、データモデルベースの追加データも必須です。
２つの方法の長所と短所は以下の表で確認することができます
上記の長所や短所で、物理モデルデース方法とデータモデルベース方法を組み合わせた方法を利用することにしました。
第1の問題はデータの不具合です。ランダムフォレスト（RF）というアルゴリズムによるのモデルを利用して、普通のデータを切り離しました。RFアルゴリズムでNGと判断されるケースのみ残され、RULの見積もりを実施しました。
第２の問題は不足又は質の悪いデータです。センサー測定、ドメイン知識機能、物理モデルデースの残留を組み合わせて行うことで、この３つの強い機能を利用できるのみならず、センサーデータ不足のケースも減少させることができるようになります。
この組み合わせはLSTMネットワークで学習され、図２で表示されます
作者：グエン・ティ・トゥイ・リン
ーーー
企業： HbLab Joint Stock Company（株式会社エイチビーラボ）
ハノイ事務所 ： 7F, Hoang Ngoc Building, Lot C2C, Lane 92, Tran Thai Tong Street, Cau Giay District, Ha Noi, Vietnam
東京事務所： 〒 100-0004 東京都千代田区大手町 2-6-1 朝日生命大手町ビル2F
TEL： (+81)-3-6281-9068
E-mail： [email protected]
