기술_시장 자료 기계 학습 딥 러닝에 의한<이상 감지>기술과 활용 사례집-공장 플랜트, 인프라 설비, 외관 검사, 의료, 전기 기기, 차재 기기-

Untitled

제1장 이상 검지에 필요한 기계 학습·딥 러닝의 기초 지식과 포인트

제1절 기계 학습·딥 러닝의 기본적인 원리와 수법의 해설

1.AI와 기계 학습의 차이
2.AI 붐
3. 기계 학습의 종류
4. 교사 있음 학습
4.1 회귀 분석
4.2 결정 나무
4.3 지원 벡터 머신
4.4 신경망
4.5 딥 러닝
4.5.1 컨벌루션 신경망
4.5.2 재귀형 신경망

제3절 시계열 데이터를 대상으로 한 이상 검지에의 응용으로서의 수리

1. 장비 진단에 사회의 강한 요구
2. 설비 진단의 본질적인 과제
3. 발전 설비의 이상 진단
4.회전 기구를 가지는 설비의 이상 진단
5. 수리 모델
6. 엔트로피와 이상 감지
7. 장래 전망

제4절 베이즈 통계에 의한 이상 검지

1. 이상 검지란?
2. 카이 제곱 분포에 의한 이상치의 검출
3. 마하라노비스 거리에 의한 다차원 데이터의 이상 검출
4. 베이즈 통계에 대해서
5. 베이즈 통계 및 이상 검출

제5절 강화 학습의 기초와 이상 검지에의 응용

1. 강화 학습의 기초
1.1 강화 학습의 위치 지정
1.2 강화 학습의 구성 요소
1.2.1 용어 정리
1.2.2 마르코프 결정 과정(MDP)
1.2.3 강화 학습 접근법
1.2.4 강화 학습에서 자주 사용되는 수식
1.3 강화 학습의 기법의 평가축
1.3.1 대규모 심층 학습 모델을 사용합니까?
1.3.2 접근법은 무엇을 선택하는가
1.3.3 모델 갱신 타이밍
1.3.4 탐색과 활용의 균형
1.4 검증의 첫 손
1.5 요약
2. 이상 검지에의 응용
2.1 기술의 방향성
2.1.1 그래프 기술과의 조합
2.1.2 특징 선택에 활용
2.1.3 적대적 강화 학습의 활용
2.1.4 데이터의 샘플링에 활용
2.1.5 온라인 감지
2.2 활용의 방향성
2.3 기술의 과제와 앞으로의 가능성

제6절 서포트 벡터 머신의 기초와 이상 검지, 고장 예측에의 활용

1. 지원 벡터 기계의 기초
1.1 분리 초평면과 마진
1.2 커널법
1.3 SVM 최적화
1.4 하이퍼 파라미터 설정
1.4.1 탐색 방법
1.4.1 일반화 능력 예측
2. 이상 검지나 고장 예측에의 활용
2.1 불균형 문제
2.1.1 일반 SVM을 적용한 경우
2.1.2 슬랙 변수에 가중치
2.1.3 샘플링에 의한 편향의 해소
2.1.4 준하드 마진 SVM
2.2 1 클래스 문제
2.2.1 OC-SVM
2.2.2 SVDD
2.2.3 심층 SVDD

제7절 스파스 모델링의 기초와 이상 검지에의 응용

1. 선형 회귀 모델 및 스파스 모델링
1.1 선형 회귀 모델
1.2 스파스 모델링
2. 변수 선택 및 스파스 계수 추정
2.1 공식화
2.2 l0 제약에 근거한 해법
2.3 l1 제약에 근거한 해법
3. 사전 학습
3.1 교사 없음 학습
3.2 교사 있음 학습
4. 이상 검지에의 응용
4.1 사전 학습을 이용한 이미지의 이상 검출
4.2 그래픽 LASSO
5. 정리와 향후 전망

제8절 오토엔코더의 기초와 이상 검지에의 응용

1. 자동 인코더의 기초
1.1 오토 인코더 (자기 인코더)의 발명
1.2 적층 오토 인코더
1.3 데노이징 오토 엔코더
1.4 컨벌루션 오토엔코더
1.5 스파스 오토 엔코더
1.6 변분 오토엔코더(Variational Auto Encoder)
1.7 조건부 변분 오토 엔코더
2 오토 엔코더에 의한 이상 검출
2.1 특량 벡터를 이용한 이상 검출
2.2 복원 오차에 기초한 이상 검출
3 오토 엔코더에 의한 이상 검출의 예
3.1 MNIST의 필기 숫자를 이용한 AE 이상 검출
3.2 시계열 이상 검출
3.3 다차원 데이터 이상 검출

제9절 통계적 기계 학습과 이상 검지

1. 통계적 기계 학습의 사고 방식
1.1 생성 모델과 이상 검출
1.2 학습 모델과 최대 우도 추정
1.3 학습 모델 선택
2 제한 볼츠만 기계
2.1 제한 볼츠만 머신의 정의
2.2 제한 볼츠만 머신에 대한 통계적 기계 학습
2.3 조합 폭발의 문제와 샘플링 근사
3 제한 볼츠만 머신을 이용한 이상 검출

제2장 근거를 설명 가능한 인공 지능의 개발과 그 도입, 활용의 방법

제1절 AI의 블랙박스 문제와 신뢰성을 둘러싼 동향

1.AI 기술의 발전과 우려
1.1 심층 학습의 약진
1.2 AI에 대한 사회의 우려
2.AI의 블랙박스 문제와 설명 가능성
2.1 AI의 블랙박스 문제란?
2.2 설명 가능 AI (XAI)
2.2.1 정밀도와 해석성의 트레이드 오프
2.2.2 블랙 박스 모델의 XAI 방식
2.2.3 화이트 박스 모델의 XAI 방식
2.3 설명의 목적과 한계
3. "신뢰받는 AI"에 대한 동향
3.1 설명에서 신뢰로
3.2 “신뢰받는 AI”의 정책 동향
3.3 연구 커뮤니티와 산업계의 동향
3.4 AI 소프트웨어 공학
3.5 귀납형과 연역형을 융합한 차세대 AI

제2절 설명성이 높은 시계열 파형 이상 진단용 AI의 개발

1. 시계열 파형 이상 진단용 AI 기술의 과제와 요건
1.1 판정 근거의 제시(설명성)에 관한 과제
1.2 이상 파형 데이터 수집에 관한 과제
1.3 오판의 리스크 관리에 관한 과제
1.4 데이터의 신뢰성에 관한 과제
1.5 기술 요구 사항에 과제 매핑
2. 설명성이 높은 시계열 파형 진단 기술 LTS
3. 설명성이 높고 정상 데이터만으로 학습하는 이상 파형 검출 기술 OCLTS
3.1 OCLTS 개요
3.2 공장의 이상 검지에의 적용 사례
4. 설명성이 높고 놓치거나 오탐지를 낮게 억제한 성능을 최적화하는 시계열 파형 진단 기술 LTSpAUC
5. 설명성이 높고 학습 데이터의 신뢰성을 고려하는 시계열 파형 진단 기술 RLTS

제3절 NEC의 화이트 박스형 AI와 그 도입, 활용 방법

1.NEC의 White BOX형 AI 기술
1.1 이종 혼합 학습 기술
1.2 인바리언트 분석 기술
1.3 시계열 데이터 모델 프리 분석
2. 인버리언트 분석 기술의 상세와 그 응용
2.1 인바리언트 분석 기술의 개요
2.2 장애 예조 감시/보전 업무에의 적용
2.3 소리에 의한 이상 검지

제4절 AI의 블랙박스를 해석하는 방법

1.DL 품질 보증에 관한 여러 과제
2. 블랙박스 문제를 지원하는 기술
2.1 특징량의 가시화
2.2 교사 데이터의 판별
3.실례 및 적용 예

제3장 AI(기계 학습)에 대한 품질의 생각과 검증 기술

제1절 AI 시스템의 품질 보증을 위한 가이드라인의 해설과 포인트

1. AI 특성과 AI 시스템의 품질 보증 문제
1.1 AI의 개황과 활용에 있어서의 리스크
1.2 AI의 특성과 AI 시스템의 품질 보증상의 사고방식
1.3 AI 시스템의 품질 보증과 관련된 지침 및 표준화 동향
2.AI 제품 품질 보증 지침 (QA4AI)
2.1 AI 제품의 품질 보증 틀과 분류 축별 체크리스트
2.1.1 Data Integrity(DI)
2.1.2 Model Robustness (MR)
2.1.3 System Quality(SQ)
2.1.4 Process Agility (PA)
2.1.5 Customer Expectation(CE)
2.2 5개의 축을 기반으로 한 품질 보증 활동의 균형 시각화
3. 기계 학습 품질 경영 지침 (산 총연)
3.1 품질 보증의 기본 사고 방식
3.2 외부 품질 특성
3.2.1 위험 회피성
3.2.2 AI 성능
3.2.3 공정성
3.2.4 프라이버시
3.2.5 AI 보안
3.3 내부 품질
3.3.1 품질 구조 및 데이터 세트 설계
3.3.2 데이터 세트의 품질
3.3.3 기계 학습 모델의 품질
3.3.4 소프트웨어 구현의 품질
3.4 플랜트 보안 분야에의 가이드라인의 응용
4.ISO/IEC JTC 1/SC 42: Artificial Intelligence
4.1 SC42에서의 조직 구성과 활동
4.2 WG3 : Trustworthiness의 대처
5. 기타 : 국내외 AI 품질보증을 위한 동향
5.1 The ML Test Score: Rubric
5.2 소프트웨어 품질 지식 체계 가이드

제2절 AI 탑재 제품의 검증 기법

1. 기계 학습 기술의 특징과 검증의 과제
1.1 종래의 소프트웨어와 기계 학습 소프트웨어
1.2 기존 소프트웨어의 검증 기술
1.2.1 검증과 타당성 확인
1.2.2 기존 소프트웨어의 검증 기법
1.2.3 종래의 소프트웨어 검증 기법의 특징
1.3 검증 기술의 특징과 기계 학습 소프트웨어
2. 기계 학습 소프트웨어 검증 기술
2.1 기계 학습 소프트웨어의 검증 사고 방식
2.2 기계 학습 소프트웨어에 대한 검증 기술
2.1.1 소프트웨어 검증 기술을 기계 학습에 응용하는 방법
2.2.2 기계 학습 모델을 대상으로 한 기술
3.AI 탑재 제품의 검증 기술의 현상

제3절 AI 탑재 제품의 품질 보증을 향한 가이드라인의 해설, 포인트

1.AI 제품 품질 보증 가이드라인(이후 QA4AI 가이드라인)의 요점
1.1 개요
1.2 Data Integrity
1.3 Model Robustness
1.4 System Quality
1.5 Process Agility
1.6 Customer Expectation
2. 각 품질 보증 제품 분류 축 체크리스트
2.1 Data Integrity
2.2 Model Robustness
2.3 System Quality
2.4 Process Agility
2.5 Customer Expectation
2.6 AI 제품의 품질 보증 구축? 평가
3.AI 제품 고유의 품질 특성
3.1 교사 있음 학습 모델의 성능 지표
3.2 데이터 무결성에 대한 유의
3.3 견고성
3.4 공정성
3.5 설명 가능성
3.6 AI 제품의 품질 보증 기술
3.6.1 의사 오라클
3.6.2 메타모르픽 테스팅
4. 기계 학습의 설명 가능성? 해석성
4.1 설명 가능성? 해석성을 부여하는 방법의 분류
4.2 설명 가능성? 해석성을 부여하는 대표적인 방법
4.2.1 일반화 선형 모델(GLM)
4.2.2 결정목(DT)
4.2.3 Surrogate
4.3.4 TCAV
4.3.5 Attention
4.3.6 Sensitivity Analysis
4.3.7 CAM
4.3.8 LIME
6. 기계 학습 품질 경영 시스템 가이드 라인 (AIQM 가이드 라인)
6.1 프라이버시
6.1.1 개인 데이터
6.1.2 개인
6.1.3 훈련 데이터 추측 르 데이터의 예
6.1.2 프라이버시 보호 학습
6.2 AI 보안
6.2.1 AI 보안의 중요성
6.2.2 기계 학습에 특유의 공격과 대책의 특징
6.2.3 기계 학습 이용 시스템의 위험 평가 및 보안 대책

제4장 공장·플랜트에 있어서의 IoT, AI 도입과 이상 검지·고장 예지 시스템의 만드는 방법

제1절 플랜트·제조업의 디지털 트랜스포메이션 도입에의 포인트

1.DX 개요
1.1 DX와 그 주변의 단어의 정의
1.2 DX의 적용 영역
2. 플랜트 분야의 DX
2.1 사무적 관리적 업무에서의 활용
2.2 공장이나 라인, 플랜트 등 하드면에서의 활용
2.2.1 초보적인 디지털화와 활용
2.2.2 DX 입구 디지털 데이터 조합 활용
2.3 프로세스 및 가공 시 데이터 수집 및 활용
2.4 디지털 데이터의 조합 활용의 사례
3.DZZX에 관한 실적 정보

제2절 고장 예지·이상 검지를 위한 공장 데이터의 모으는 방법, 센서 선택 방법과 설치 방법

1. 데이터 수집
2. 데이터 수집에 최소한 필요한 부재
2.1 센서
2.1.1 거리 센서
2.1.2 가속도, 자이로 센서
2.1.3 환경 센서
2.2 마이크로컴퓨터 보드
2.2.1 RaspberryPi
2.2.2 Arduino 호환기
2.3 통신 디바이스
3. 데이터 수집에 필요한 기타 지식
3.1 데이터베이스
3.2 데이터의 시각화
3.2.1 Ambient
4. 본격 운용시에 필요한 부재
4.1 마이크로컴퓨터
4.2 전원
5.마이컴 보트나 센서의 설치 방법
5.1 케이스
5.2 설치 방법

제3절 물리 모델, 디지털 트윈에 근거한 기계의 진단/제어 수법

1. 배경
2. 물리 모델을 이용한 진단
2.1 Modelica 언어로 모델링
2.2 물리 모델에 의한 고장 사례
3. 디지털 트윈

제4절 IoT/ICT 기술을 활용한 생산 설비에 있어서의 예방 보전

1. 후지필름의 보전개혁
1.1 설비 보전의 문제점
1.2 보전 개혁의 추진
2. 보전 활동에 있어서의 IoT/ICT 기술의 활용
2.1 생산에 있어서의 IoT/ICT 기술의 활용
2.2 보전의 IoT/ICT화에 있어서의 문제점
2.3 보전에 있어서의 IoT/ICT 기술의 활용 방침
2.4 보전에 활용 가능한 데이터
3. 현장 정보 수집
3.1 현장 정보 활용 컨셉
3.2 현장 정보 수집
4.설비 관리에 있어서의 DX
4.1 제조에 있어서 DX의 대처해야 할 모습
4.2 생산 현장에서의 DX의 대처
4.3 설비관리에 있어서 DX의 대처해야 할 모습
5.DX를 지지하는 구조의 구축
5.1 후지 필름판 FMEA의 작성
5.2 각 기기에의 점검·정비 정보의 전개
5.3 고장 발생시 같은 사례의 추출
5.4 보전 활동의 평가 지표와 분석
5.5 보전 활동의 지속적인 개선 구조

제5절 제조 현장에의 DX 도입에 의한 새로운 가치 창출과 이상 검지·고장 예지 시스템의 만드는 방법

1. 모노즈쿠리에 있어서의 디지털 트랜스포메이션이란
1.1 물건 만들기에 있어서의 DX(디지털 트랜스포메이션)이란
1.2 물건 만들기의 3개의 자원
1.3 물건 만들기 변혁에 의한 경쟁 우위 원천의 확립
1.4 라인의 정류화를 실현하는 소터
2. 모노즈쿠리 DX를 실현하는 데이터 활용
2.1 제조에 있어서의 데이터 활용의 중요성
2.2 데이터 활용에 의해 새롭게 창출되는 가치
2.3 데이터 활용을 실현하는 디지털 플랫폼
2.4 공장간, 구입처, 외주처와의 데이터 제휴
3.자율 제어를 실현하는 이상 검지·고장 예지
3.1 이상 검지·고장 예지 시스템
3.2 자율 제어를 실현하는 예측·예지 모델의 사례
4.제조 현장에 DX 도입에 의한 새로운 가치 창출
4.1 물건 만들기 DX에 의한 원가 창조
4.2 제조 현장에 DX 도입에 의한 새로운 가치 창출
4.3 제조업에 있어서의 디지털 트랜스포메이션의 그 앞에 있는 것

제6절 연속 프로세스에 있어서의 AI·IoT 활용 포인트와 이상 검지·이상 예지 시스템의 만드는 방법, 운용의 방법

1. 지금까지의 기술에서의 한계점과 지금의 대처 동향의 배경
2. 이상 검지에 사용하는 기계 학습 기술의 특징
3. 도입 예

제7절 플랜트 제어에 있어서의 데이터 분석 기술과 이상 진단·품질 예측에의 활용

1. DX에서의 데이터 분석 기술과 가치 창출
1.1 제조업·플랜트 분야에 있어서의 DX와 후지 전기의 대처 2)
1.2 애널리틱스·AI에 있어서의 「진단?예측」기술
1.3 데이터의 모델화 기술의 진전과 과제
2. 데이터 모델링 기술과 후지 전기의 대처
2.1 진단·예측에 있어서의 다변량 데이터의 모델화
2.2 진단(교사 없음 학습)
2.2.1 MSPC
2.2.2 배치 MSPC(후지전기 독자 수법)
2.3 예측(교사 있음 학습)
2.3.1 선형 모델: 중회귀 모델과 부분 최소 제곱법(PLS)
2.3.2 비선형 회귀 모델
2.4 기타 모델과 AutoML
2.4.1 기타 비선형 모델
2.4.2 AutoML
2.5 설명할 수 있는 AI
2.5.1 설명할 수 있는 AI란?
2.5.2 데이터에 대한 설명 기능
2.5.3 모델에 대한 설명 기능
2.5.4 추론 결과에 대한 설명 기능
3. 활용 사례
3.1 이상 진단·모니터링
3.1.1 발전 플랜트의 이상 진단에의 적용예(MSPC)
3.1.2 프레스 가공에 있어서의 설비 이상의 예조 해석에의 응용예(배치 MSPC)
3.1.3 엣지 단말에 의한 진단 기능의 신속·단 사이클의 현장 적용
3.2 예측
3.2.1 예측(가상 계측) 기술에 의한 품질 추정(품질 계측·분석계의 대체)
3.2.2 철강 온도 예측의 예(구조화 딥 러닝) 7)
3.3 오퍼레이션에서 의사 결정 지원 14)
3.3.1 이상 징후 감지
3.3.2 회피 조작 순서

제8절 공장이나 플랜트에 있어서의 고장이나 퍼포먼스 저하 예측을 목표로 한 데이터 해석 어프로치와 AI 자율 제어

1.AI가 효과를 발휘하는 공장이나 플랜트의 과제
2. 중요한 설비에 대한 CBM 실현을 목표로 한 AI 데이터 해석
2.1 AI 데이터 해석 과제 해결 프로세스
2.2 AI 데이터 해석 사례: 배관의 두께 추정·예측
3.IIoT 센서를 이용한 CBM 실현을 목표로 한 AI 데이터 해석
3.1 IIoT 센서에 의한 데이터 수집의 목적
3.2 IIoT 센서에 의한 데이터 수집의 과제
3.2.1 과제의 상세(임계치의 설정)
3.2.2 과제의 상세(다수 설비의 동시 감시)
3.3 IIoT 센서 데이터에 대한 AI 데이터 해석 결과를 활용한 임계치 설정
3.4 다수 설비의 동시 경향 감시의 효율 향상
4.AI 자율 제어에 도전
4.1 AI 자율 제어용 알고리즘
4.2 실제 플랜트에서의 AI 자율 제어 사례
4.2.1 실시 목적과 실시 Step
4.2.2 Step1 플랜트 시뮬레이터를 사용한 학습
4.2.3 Step2 AI 제어 모델의 거동 확인과 브러쉬 업
4.2.4 Step3 AI 제어 모델에 의한 자율 제어 실행
4.2.5 실제 플랜트에서의 AI 자율 제어 결과
4.2.5 실제 플랜트에서의 AI 자율 제어 되돌아보기

제9절 데이터 과학에 기초한 철강 공정 설비의 이상 예조 검지 기술

1. 레벨별 감시 개요
2. 개발 시스템 개요
3. 감시 기술
3.1 전체 레벨 감시
3.2 기기 레벨 감시
3.2.1 주성분 분석에 의한 파형 감시
3.2.2 데이터 구동형 모델에 의한 상관 감시
3.2.3 기기 레벨 감시의 이상 예조 검출 예
4.AI 요인 좁혀 기술

제10절 공장 설비의 “이상음” 검지와 고장 예지에의 응용

1.AI 기술(깊은 신경망)
1.1 딥 신경망
1.2 특징량
1.3 음(진동) 데이터의 특징량
1.4 특징량과 깊은 신경망
2. 특징량 추출을 위한 데이터 수집
2.1 목적을 결정한다
2.2 데이터 수집
2.3 음(진동) 데이터
3. 특징량 추출을 위한 유의점
3.1 변형의 확보는 충분합니까?
3.2 정상 데이터의 수집 밖에 할 수 없는 경우
4. 공장설비의 “이상검지”
4.1 이상 검지란
4.2음 데이터를 이용한 일반적인 모델 작성
4.2.1 시계열 데이터로서의 활용
4.2.2 이미지 데이터로서의 활용
4.3 AutoEncoder 활용
5. 공장설비 고장예지
5.1 고장 예지는 가능한가?
5.2 고장예지의 주의점

제11절 진동·음향에 근거하는 회전 기계의 상태 감시 기술과 고장 예지에의 활용

1. 새로운 SN비 향상 기법
2. 검증 장비 및 검증 조건
3. 검증 결과와 고찰
4.멀티콥터형 기계 진단 로봇
5. 신합성 파형 분리법과 자동 진단 시스템
6. 멀티콥터형 기계 진단 로봇과 유효성 검증 실험
7. 기계 진단 로봇의 유효성 검증 및 고찰
8. 결론

제12절 기계 학습에 의한 회전 기기의 초기 결함 검출과 여수명 예측

1. 기계 학습에 의한 초기 결함 검출
1.1 배경
1.2 평가 대상
1.2.1 시험 장치
1.2.2 인공 결함
1.3 미소 결함을 포함한 결함의 이상 검출법
1.3.1 개요
1.3.2 입력 데이터(특징 벡터)
1.3.3 결함 검출 정밀도의 평가 방법: 이상율
1.4 기계 학습 기법
1.4.1 이상치 검출 수법:Local Outlier Factor
1.4.2 특징 선택 방법: Random Forest
1.5 특징 선택의 효과
1.6 검출 결과
2.계층 베이즈에 의한 결함 진전 하에서의 여수명 곡선 추정
2.1 배경
2.2 결함 진전 하의 RUL 추정에서의 과제
2.3 계층 베이즈에 의한 RUL 곡선 추정
2.3.1 개요
2.3.2 계층 베이즈 모델
2.4 실험 조건
2.5 평가 지표
2.6 예비 실험 : 결함 사이즈 기준값, RUL 기준값의 추정
2.7 계층 베이즈에 의한 RUL 곡선 추정 정밀도의 평가
2.7.1 결함 진전과 RUL 곡선의 관계
2.7.2 RUL 추정 정밀도

제13절 디지털 기술 활용에 의한 필름 생산 프로세스의 개선·현장력의 향상

1. 당사의 제조 공정과 그 과제
2.사례 소개
2.1 공정 작업 자동화에 의한 운전원의 작업 부하 경감
2.1.1 화상처리를 이용한 결함 판별작
2.1.2 자동화 시스템 구축시에 발생한 현장 과제와 그 대응
2.2 디지털 기술을 이용한 현장 생산 공정 안정화 활동
2.2.1 통계 방법을 이용한 제조 상태 시각화에 의한 현장 개선의 대처
2.2.2 개선의 대처에서 발생한 현장 과제와 그 대응
2.3 시스템 고도화의 대처

제14절 압출기에 이용하는 예지 보전 시스템

1. 예지 보전 시스템의 개요
1.1 압출기의 예지 보전 시스템의 필요성
1.2 예지 보전 시스템에 필요한 센서와 센서 설치 위치의 검토
2.예지 보전에 이용하는 데이터 해석 수법과 기계 학습의 검토
2.1 특징량 추출을 위한 진동 데이터 해석 기법
2.2 정상 데이터만을 이용한 이상 검출 수법(1 클래스류)
2.3 정상·이상의 양 데이터를 이용한 수명 예측(교사 있어 학습)
2.4 화상 인식을 이용한 수명 예측(딥 러닝)
3. 기계 학습을 이용한 예지 보전 시스템의 구체적 사례
3.1 OCSVM을 이용한 이상 감지 사례
3.2 Lasso 회귀를 이용한 수명 예측의 사례
3.3 이미지 인식 딥 러닝을 이용한 수명 예측 사례

제15절 기계 학습에 의한 휴먼 에러 예조 검지

1. 생산 공정에서의 인간 오류
1.1 휴먼 에러의 정의
1.2 단조 작업
1.3 슬립의 원인
1.4 안전 유지
2. IoT 기술과 딥 러닝을 이용한 휴먼 에러의 예조 검출 1
2.1 IoT 기술과 인공지능에 의한 현장력 향상
2.2 IoT 기술에 의한 작업자의 동작 감시
2.2.1 센싱
2.2.2 Working Rhythm의 산출
2.3 딥 러닝에 의한 휴먼 에러의 조짐 검출
2.3.1 딥 러닝에 의한 위험도 산출
2.3.2 인공지능과 인간의 협동
2.4 휴먼 에러의 조짐 검출의 정밀도
3. 예조가 나타나는 부위의 추정
3.1 K-means법을 이용한 작업자의 타입 분류
3.2 작업자의 유형 분류 결과

제5장 인프라 설비에의 IoT, AI에 의한 이상 검지

제1절 기계 학습에 의한 타음 탐사의 정량화에 관한 검토

1. 타음 탐사 기술에 관한 연구
1.1 타음 탐사의 정량화를 위한 기왕의 연구
1.2 기계 학습을 이용한 타음 탐사의 정량화에 관한 연구
2. 기계 학습에 의한 타음 탐사에 의한 열화 평가 기술
2.1 기계 학습을 이용한 타음 탐사에 대해서
2.2 데이터 취득과 기계 학습에 사용하기 위한 데이터 처리
3. 기계 학습을 이용한 타음 탐사에 의한 열화 평가 수법의 적용(대형 공시체)
3.1 공시체의 개요
3.2 데이터 취득 및 기계 학습
3.3 기계 학습에 의한 판정 결과에 대해서
4. 기계 학습을 이용한 타음 탐사에 의한 열화 평가 수법의 적용(실 구조물)

제2절 인프라 내부의 결함을 전방위 시야에서 가시화하는 유비쿼터스한 전자파 촬상 플랫폼의 개발과 이상 검지

1. 서언
2.플렉시블한 실온 동작형 고감도·광대역 전자파 촬상 시트
3.3D 전방위 비파괴 화상 계측의 기초 동작 원리
4.로봇 지원·소형 광원 탑재형 리모트 3D 전방위 비파괴 화상 계측
5. 샘플 비 채취 및 라벨, 광원이없는 화학 분석 응용
6. 결론과 전망

제3절 심층 학습에 의한 이상 검출 수법을 이용한 콘크리트 표면의 변상 검출

1. 심층 학습에 의한 이상 검출
1.1 이상 검지
1.2 심층 학습에 의한 이상 검출 수법
1.3 검토에 이용하는 이상 검지 수법
1.3.1 AnoGAN
1.3.2 DOC
2. 콘크리트 변상에 대한 이상 검지의 적용
2.1 검토 내용
2.2 각 방법의 실행 조건
2.3 이상 점수의 산정
2.4 이상 영역의 세그멘테이션 결과
3. 적용 방법에 의한 모델의 성능 평가
3.1 ROC 곡선에 의한 평가
3.2 추출 특징량의 유사도
3.3 각 방법의 특성
4. 광역 이미지에 대한 실용성 검증
4.1 광역 화상에의 이상 검출 수법 적용의 흐름
4.2 역치의 산정
4.3 광역 화상에의 적용 결과

제4절 심층 학습에 의한 화상 인식 기술을 활용한 하천의 콘크리트 호안의 점검

1. 사회 인프라 점검에 화상 인식 기술을 도입할 때의 문제
1.1 자연 환경에 의한 화상 특징량의 바리에이션
1.2 점검 대상의 바리에이션
1.3 대규모 데이터의 부족
1.3.1 화상 취득의 비용이 크다
1.3.2 기존의 점검 기록 화상의 활용이 곤란
2.교사 있어 학습에 의한 하천 콘크리트 호안의 변상 추출
2.1 이미지 인식의 적용 범위와 목적
2.2 적용 방법
2.3 적용 결과
2.3.1 변상 추출
2.3.2 변상 평가
2.4 변상 추출 정리
3. 교사 없음 학습에 의한 하천 콘크리트 호안의 이상 검지
3.1 이미지 인식의 적용 범위와 목적
3.2 적용 방법
3.3 적용 결과
3.4 이상 검지 정리
4. 사회 인프라 점검에서 화상 인식 기술을 실용화하기 위한 포인트
4.1 이미지 인식을 전제로 한 워크 플로우 및 목표 설정
4.2 데이터에 맞춘 학습·처리
4.4 데이터 축적과 정밀도 개선의 계속

제6장 딥 러닝에 의한 이상 검지 기술과 외관 검사에의 활용

제1절 기계 학습 기술을 활용한 외관 검사의 자동화에 관한 기대와 과제

1. 외관 검사에 사용되는 이미지 인식 작업
1.1 이미지 분류
1.2 물체 검출
1.3 영역 분할
2. 화상 인식에 사용되는 기계 학습 방법
2.1 인간이 설계하는 특징량을 이용하는 수법
2.1.1 특징량 추출
2.1.2 식별자
2.2 심층 학습을 이용한 방법
2.2.1 이미지 분류
2.2.2 물체 검출
2.2.3 영역 분할
3. 성능 평가
3.1 평가 지표의 결정에 관한 주의점
3.2 일반화 성능의 평가에 관하여
4. 기계 학습에 의한 외관 검사의 보급 확대를 향한 과제
4.1 데이터 부족
4.2 추론 근거의 블랙 박스화
5. 대처 사례 소개

제2절 외관 검사를 디지털화·자동화하려면

1. 외관 검사 디지털화·자동화의 포인트
1.1 외관 검사를 디지털화·자동화하는 경우의 구성
1.1.1 반송 장치
1.1.2 촬영 환경
1.1.3 외관 검사 소프트웨어
1.2 자동화된 외관 검사 평가
1.2.1 평가 지표
1.2.2 외관 검사 소프트웨어 테스트
2. 딥 러닝
2.1 DNN
2.2 DNN 학습
2.2.1 과학 및 검증을위한 이미지
2.2.2 전이 학습 및 파인 튜닝
2.2.3 데이터 확장
2.2.4 하이퍼파라미터
2.3 딥 러닝 방법
2.3.1 이미지 촬영
2.3.2 DNN 모델 결정
2.3.3 학습
2.3.4 외관 검사 소프트웨어에서의 사용
2.3.5 그래픽 보드

제3절 외관 검사에 관한 화상 인식 기술과 검사의 예

1. 화상 인식 방법의 개요
1.1 배경
1.2 키기술
1.3 촬영 이미지
1.4 각종 카메라
1.5 이미지 처리
1.5.1 데모 자이크 처리
1.5.2 해상도 보정 처리
1.5.3 왜곡 수차 보정 처리
1.5.4 기타 보정 처리
1.6 기계 학습을 이용한 화상 인식 기술
1.7 일반적인 물체 인식 처리 흐름
2. 화상 인식을 이용한 외관 검사의 개발 방법
2.1 기계 학습에 의한 외관 검사 개발 흐름
2.2 입력 이미지 데이터
2.2.1 정확한 라벨 지정
2.2.2 대량 데이터 수집
2.2.3 Data Augmentation
2.3 특징량의 설계
2.4 기계 학습 알고리즘
2.5 성능 평가
2.5.1 성능 평가 방법
2.5.2 크로스 밸리데이션
2.5.3 과학
2.5.4 ROC 곡선과 AUC
2.6 기계 학습에 의한 외관 검사 알고리즘 개발의 포인트
3.검사의 실례와 향후의 동향
3.1 Z-score를 이용한 결함 검사
3.2 주조 부품의 화상 검사 알고리즘
3.2.1 검사 대상
3.2.2 알고리즘
3.2.3 결과
3.3 딥 러닝을 가진 결함 검출
3.3.1 검사 대상 화상
3.3.2 검사 방법
3.3.3 검사 결과
3.4 편광 카메라의 이미지를 이용한 노면 동결 검출 알고리즘
3.4.1 편광 정보의 이용
3.4.2 기계 학습을 이용한 노면 상태 인식의 과제
3.4.3 반교사 있음 이상 검지의 이용
3.4.4 반교사 있음 이상 검지에 딥 러닝의 응용
3.4.5 정밀도 평가 방법
3.4.6 정밀도 평가 결과
4.AI 기술을 이용한 외관 검사의 향후

제4절 표면·외관 검사에 있어서의 딥 러닝의 방법의 응용과 결함·수명 예측 해석

1.CNN 학습과 전이 학습에 의한 표면 검사
2. CNN 학습에 의한 특징 추출과 고장 진단
3. CNN-LSTM를 이용한 절삭 공구의 여수명 예측
4. 경쟁 학습과 LSTM의 융합에 의한 RUL 예측
5. 정리와 전망

제5절 AI에 의한 1차, 2차 산업 제품 검사의 자동화의 구체적 사례

1. 1차 산업 제품에 AI 검사 시스템 도입 및 자동화
1.1 냉동 식재료에 대한 사례 소개
1.1.1 냉동 식재료 검사에 있어서의 과제와 해결 수단
1.1.2 제안 방법의 구성
1.1.3 실험과 고찰
1.1.4 냉동 식재료에 대한 AI 도입의 유효성
1.2 천연물을 포함한 제과에 대한 사례 소개
1.2.1 제과 검사에 있어서의 과제와 해결 수단
1.2.2 제안 방법의 구성
1.2.3 실험 방법
1.2.4 실험 결과와 고찰
2. 2차 산업 제품에 AI 검사 시스템 도입 및 자동화
2.1 금속 광택 부품에 대한 사례 소개
2.1.1 금속 부품 검사의 과제와 해결 수단
2.1.2 제안 시스템의 구성
2.1.3 실험 방법
2.1.4 실험 결과와 고찰
2.2 수지 부품에 대한 사례 소개
2.2.1 수지 부품 검사의 과제와 해결 수단
2.2.2 제안 시스템의 구성
2.2.3 실험 방법
2.2.4 결과와 고찰
3. 거대 구조물에 대한 AI 검사 시스템의 도입과 자동화
3.1 거대 구조물 검사에 있어서의 과제와 해결 수단
3.1.1 AI 벽면 상태 판정 시스템의 구성
3.1.2 실험 방법
3.1.3 실험 결과와 고찰

제6절 자동차 부품의 외관 검사에 있어서의 이상 검지 기술의 적용

1. 자동차 부품의 외관 검사 및 그 과제
1.1 자동차 부품의 외관 검사와 이상 검지 기술 도입 요구
1.2 자동차 부품의 이상 검지에 사용되는 데이터의 특징
2. AI 외관 검사 시스템 및 현장에 적용
2.1 AI 외관 검사 시스템의 개요
2.2 촬영 환경
2.3 도입하는 생산 라인 공정의 예
2.4 이상 검지 판정 정밀도와 도입 이점
2.5 이상 검지의 도입·운용
3. 화상에 의한 이상 검지 방법에 대해서
3.1 기계 학습을 이용한 이상 검출 방법의 분류
3.2 각종 기법의 장점/단점
4.양품 학습의 알고리즘에 대해서
4.1 양품 학습의 개요
4.2 Auto Encoder에 의한 이상 검출 모델
4.3 PaDiM에 의한 이상 검출 모델
4.4 PatchCore에 의한 이상 검출 모델
5. 양품 학습을 외관 검사에 적용하는 방법, 및 모델의 평가 방법, 적용 사례
5.1 입력 데이터
5.2 모델의 성능 평가 방법
5.3 적용 사례
5.3.1 자동차 부품에 이상 검출 방법 적용
5.3.2 결과

제7절 카메라에 의한 플라스틱 성형품의 이물 검사와 발생 원인 예측

1.컵 생산 라인에서 카메라 활용
1.1 카메라 검사 정보 시스템
1.2 컵 생산 라인에서의 활용 사례
2. 이물 발생 원인 추정 수법
2.1 숙련 작업자의 지식
2.2 희소, 밀집단의 자동 생성과 특징량의 추출 방법
2.3 불량품의 발생 원인 추정 모델
3. 이물 발생 원인 추정 시스템의 구현
3.1 이물 발생 원인 추정 시스템(LMK)의 개발
3.2 데이터 처리 방법
3.3 이상 검지 사례
3.3.1 사례 1
3.3.2 사례 2
3.4 관련 연구

제7장 기계 학습에 의한 의료 응용과 이상 검지의 시도

제1절 화상 진단 영역에 있어서의 AI 도입의 현상, 과제, 장래 전망

1.AI 도입의 현상
2. 과제
3. 장래 전망

제2절 심전도의 노이즈를 찾아내는 AI의 개발

1. 배경
1.1 과제
1.2 선행 연구
2. 목적·방법
3. 데이터 정비
3.1 PHYSIONET에 대해서
3.2 「이상」의 정의
3.3 "정상"파형 추출
3.4 잡음 추가
3.5 데이터 확장
4. 노이즈 판별을 위한 두 가지 접근법
5. 이상 감지
5.1 오토 엔코더를 이용한 이상 검출
5.2 평가 방법
5.3 평가 결과
5.4 특징 추출(FFT) VS End-to-end
6. 정상·이상 클래스 분류
6.1 2 분류 모델의 평가 방법
6.2 2 분류 모델의 평가 결과
6.3 4 분류 모델의 평가 방법
6.4 4 분류 모델의 평가 결과
6.5 특징 추출(FFT) VS End-to-end
7. 이상 검지 VS 분류
8. 실제 노이즈 파형에 대한 평가
9. 제품에 탑재하기 위한 합격 기준
9.1 알람 낭비 소리 문제의 현상
9.2 의료 현장에서 받아들이기 어려운 블랙 박스
9.3 제품에의 실장을 향해
10. 결론

제3절 초음파 검사에 있어서의 AI 활용

1. 초음파 영상 AI를 향한 전처리
2. 초음파 검사에서 이상 검출 알고리즘
3. 암 영역에서의 초음파 영상 AI
3.1 유방암
3.2 갑상선암
3.3 난소암
3.4 전립선암
4. 순환기 영역에서 초음파 영상 AI
4.1 심 에코 검사
4.2 혈관 에코 검사
5. 산부인과 영역에서 초음파 영상 AI
6. 설명 가능성 향상

제4절 흉부 CT 화상에 있어서의 이상 검지 시스템의 구축

1.Deep Autoencoding Gaussian Mixture Model (DAGMM)
2.DAGMM 확장
2.1 컨벌루션 자기 인코더(CAE)를 이용한 DAGMM(CAE-DAGMM)
2.2 ResNet50을 이용한 DAGMM(DAGMM with ResNet50)
2.3 컨벌루션 자기 인코더(CAE)와 ResNet50을 이용한 DAGMM(CAE-DAGMM with ResNet50)
3. 실험
3.1 데이터 세트
3.2 각 방법의 평가 결과
3.3 각 수법에 있어서의 이상 음영 별의 평가 결과

제8장 전기 기기, 차재 기기에 있어서의 이상 검지

제1절 기계 학습·AI를 활용한 자사 제품의 고장 예측의 사례

1. 데이터 활용의 성숙도 모델
1.1 접속(Connect)
1.2 감시(Monitor)
1.3 분석(Analysis)
1.4 최적화(Optimize)
1.5 자율(Autonomy)
2. 대체 문제
3.예지보전
3.1 사후 보전(breakdown maintenance)
3.2 예방보전(preventive maintenance)
3.3 예지보전(predictive maintenance)
4. 고장 예측 분석 프로세스
4.1 비즈니스 이해
4.2 데이터 이해
4.3 데이터 준비
4.4 모델 개발
4.5 모델의 검증
5. 모델 개발의 흐름
5.1 데이터를 분석하여 모델 개발에 넣을지 판단한다.
5.2 분석의 틀을 결정한다
5.3 분석 방법을 결정한다
5.4 모델 튜닝
5.5 운영 효과 시뮬레이션
5.6 운영 효과 검증
6. 조심하는 것
6.1 목적과 목표를 명확히 한다
6.2 반드시 데이터 분석 담당 이외를 팀에 넣을 수 있다
6.3 처음부터 어려운 일을 하지 않는다
6.4 성과를 줄 수 있도록 노력한다
6.5 데이터로부터 목적은 나오지 않는다

제2절 온 디바이스 학습에 의한 이상 검지-전기 화재의 예조 검지수

1. 전기 화재 개요
1.1 전기 화재의 원인과 분류
1.2 트래킹 현상
2. 측정 대상과 검출 방법
2.1 측정 대상
2.2 예조 전류의 특징
2.3 예조 전류의 해석
2.4 검출 방법
3. 예조 검지의 평가 방법
3.1 평가 개요
3.2 평가 방법
4. 평가 결과

제3절 차재 제어 네트워크의 보안 감시 시스템의 연구 개발

1. 자동차 침입 감지 시스템
1.1 자동차의 전자 제어 시스템
1.2 CAN(Controller Area Network)
1.2 CAN의 공격 수법
1.3 자동차의 침입 탐지 시스템
2.CAN 침입 감지 시스템
2.1 차량 탑재 IDS-ECU
2.2 CAN 버스상의 침입 탐지 기술
2.3 CAN의 침입 감지 알고리즘 평가
2.4 CAN의 침입 탐지 알고리즘의 향후

제4절 이동성 서비스를 위한 기계 학습을 이용한 자동차의 이상 진동 검지

1. 관련 연구
2. 제안하는 아키텍처
2.1 제안하는 아키텍처의 흐름
2.2 특징량
2.3 모델
3. 주차 중 차량의 진동을 평가하는 실험
3.1 데이터 세트
3.2 실험 조건
3.3 구현
3.4 평가 방법
3.5 결과
4. 주행 중 차량의 진동을 평가하는 실험
4.1 데이터 세트
4.2 결과
5. 결론

Title: 기계 학습 딥 러닝에 의한<이상 감지>기술과 활용 사례집-공장 플랜트, 인프라 설비, 외관 검사, 의료, 전기 기기, 차재 기기-