| Project/Area Number |
24K00772
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (B)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 18020:Manufacturing and production engineering-related
|
|---|
| Research Institution | Ibaraki University |
|---|
Principal Investigator |
周 立波 茨城大学, 応用理工学野, 特命研究員 (90235705)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
清水 淳 茨城大学, 応用理工学野, 教授 (40292479)
小貫 哲平 茨城大学, 応用理工学野, 教授 (70400447)
尾嶌 裕隆 茨城大学, 応用理工学野, 准教授 (90375361)
|
|---|
| Project Period (FY) |
2024-04-01 – 2027-03-31
|
| Project Status |
Granted (Fiscal Year 2024)
|
| Budget Amount *help |
¥16,510,000 (Direct Cost: ¥12,700,000、Indirect Cost: ¥3,810,000)
Fiscal Year 2026: ¥3,640,000 (Direct Cost: ¥2,800,000、Indirect Cost: ¥840,000)
Fiscal Year 2025: ¥5,980,000 (Direct Cost: ¥4,600,000、Indirect Cost: ¥1,380,000)
Fiscal Year 2024: ¥6,890,000 (Direct Cost: ¥5,300,000、Indirect Cost: ¥1,590,000)
|
|---|
| Keywords | 異常検知 / AutoEncoder / LSTM / 時系列信号 / マルチモーダル解析 / End-to-endアーキテクチャ / Real-time / 教師なし学習 / リアルタイム |
|---|
| Outline of Research at the Start |
安全性，生産性の観点から，稼働中生産システムの異常をタイムリーに検知・予測することが極めて重要である．一方，生産現場では日々の改善により異常の発生は稀で，異常データが極めて少ないため，従来のAIモデルは生産現場に実装できない．また，各種センサの時系列データからの特徴量抽出など煩雑な前処理を要し，異常検知の肝であるReal-time性に欠ける．そこで本研究は，①正常時の時系列データのみを学習することにより，②前処理不要でReal-time異常検知可能なAIモデルを提案・開発し，生産現場に実装することを目的とする．
|
| Outline of Annual Research Achievements |
１．モデルの開発について：
生産現場の異常検知・予測を目的としたEnd-to-endアーキテクチャを指向した“教師無し”AIモデルのアルゴリズムを開発した．Python開発環境下で，提案モデルAとして抽出器にAutoEncoderを用い，識別器，レギュレータを統合した静的モデルを開発した．また，提案モデルBとして，時系列信号処理に多く用いられる，LSTMを多層で組み合わせEncoder，Decoder機能を持つ動的モデルも開発した．これら2系統のモデルに対し，疑似的時系列データおよび実測のデータにより開発学習モデルを検証し，異常検知が可能であることが確認された．
２．生産加工の時系列データ取得について：
航空機部品などに広く使われる耐熱合金Inconel718は，難作材として知られている．旋削加工時の工具の摩耗が激しく，生産ラインでは工具寿命のReal-time検知が強く求められている．１．の開発モデルによるReal-time検知のための入力データを取得できる，AE，抵抗，温度，振動および音声の5チャンネルの時系列信号をセンシングするホルダを開発した．開発したセンサを用いて，時系列信号を取得し，実測データを用いたモデル開発が進められている．社会実装先としての生産現場とマルチモーダル時系列データ拾得の再検討も行い，ウエハ研削加工および小型CNC加工機での加工及びデータ収集の準備が進められた．その中で微小摩擦攪拌接合における切削の送り荷重と温度計測の同時計測や,32bit-floatオーディオインターフェースによる超広域ダイナミックレンジ音響データ収集，白色反射光や非弾性散乱光の機上計測などマルチモーダルデータ拾得の検討が進められた.
|
| Current Status of Research Progress |
Current Status of Research Progress
2: Research has progressed on the whole more than it was originally planned.
Reason
申請書で上げた初年度の研究計画に沿った研究進行を行うことができた．多層LSTM系モデルによるEncoder-Decoderモデルをはじめとして，SEQ2SEQ系モデル、更にAttention機構が追加されたTransformer系モデルなどの複数の動的解析タイプと，敵対的生成（CTAD-GAN）の手法で学習を進める静的解析タイプのモデル開発と性能検証を進め，共通の学習データを用いて異常検出や予兆検出の特性比較などを進める体制を構築することができた．いずれのモデルにおいても十分な性能の異常検知モデルを構築することができ，今後Real-time性など実装の面からの検討課題を進められる段階に到達できた．
難加工金属材の旋削加工における工具摩耗を対象とした本技術の社会実装研究の中で複数センサの同時加工計測を行うことができた．これらのデータを用いたマルチモーダルモデルによる予兆検出の性能向上の課題に取り掛かれる準備が進められた. それに加えて，生産現場として自前の工作機械を用いた研究環境の整備も検討され,研削盤および小型CNC加工機における加工データ収集も実施することができた．それによりデータ収集からシステム実装まで含めた一貫した研究開発体制とすることができた．
|
| Strategy for Future Research Activity |
研究計画通り進められているため，今後の研究も当初計画に沿って進めていく．2024年度までに作成された各種の多層ANNモデルに対して，今後はまずマルチモーダル化を図る．各センサの入力に対して適正な系のモデルの選定とアンサンブル学習などによる統合モデルにより異常検知精度の向上および予兆検知精度（感度）の改善を目指していく．良質なデータ収集ができるセンサおよびデータ収集法についての検討を強化し，異常予兆検知性能向上を検討する．センサ付きツールホルダ開発において，汎用性の観点からできるだけ非接触の遠隔計測のデータを高品質に収集することができる測定法の確立を目指す．それにより競合技術に対してデータの量および質から技術競争力の強化を目指す．ここまでの研究において，提携先企業からの加工データ提供での様々な制約が開発のボトルネックとなることもあった．そこで提携先企業のものづくり現場への社会実装の一段階前の開発フェーズにおけるデータ収集ノウハウを磨く場として，学内の機械工作室において自前の加工環境を活用して，データ収集からモデル開発そして性能評価検討までの一貫開発体制を構築する．そして完全オープンな条件で活用できるデータを用いて迅速な開発を行っていく．Real-time性のあるシステム実装のために，解析モデル中のモデルの冗長な部分を削り落とすチューニングや，エッジコンピュータとネットワーク上のサーバの機能役割分担などクラウドシステムとしてスマート製造技術たる実装を目指していく．
|
