製造業で人工知能を導入する|大手企業の方法

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。

製造業で残存耐用時間を予測する|HItachiの方法

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。

ランダムフォレストによる唐突不具合
図1:ランダムフォレストによる唐突不具合

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

図2:残存耐用時間 (RUL)の予測ためのLSTMネットワーク

 

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:     info@hblab.vn