AIBR プレミアム
拓海先生、最近うちの現場でモーターの不具合を早く見つけたいと言われまして。振動センサーは高価で取り付けも大変だと聞くのですが、安く済ませられる方法があると聞きまして、それが本当か気になっています。
素晴らしい着眼点ですね！大丈夫です、実はモーターの位相電流信号だけを使って異常を検出する手法が注目されていますよ。今日はその考え方と、ウェーブレット変換（Wavelet transform、WT、ウェーブレット変換）を使って2次元の時間周波数画像に変換し、深層学習（Deep Learning、DL、深層学習）で判定する最新の流れをわかりやすく説明しますよ。
位相電流だけで見分けられるのですか。それで本当に振動センサを付けるのと同じ精度が出るのであれば投資対効果は大きい。だが現場は騒音や負荷変動が多い。そうした“ノイズ”に強いのかが心配です。
いい質問です。要点を3つで説明しますね。1つ目、WTは時間と周波数を同時に見る技術なので局所的な異常が見つけやすい。2つ目、画像化することで畳み込みニューラルネットワーク（Convolutional Neural Network、CNN、畳み込みニューラルネットワーク）の得意分野に持ち込める。3つ目、ノイズに対する頑健性はWTの種類や後処理で改善できるのです。要するに、設置コストを抑えつつ現場の変動に強い診断が可能になるんですよ。
なるほど。で、WTにも色々あると聞きます。うちの現場向きにどの手法を選べばいいのかはどう判断するのですか。導入後に精度が出なければ意味がありません。
最初はシンプルに始めましょう。Wavelet transform（WT、ウェーブレット変換）の基本である連続ウェーブレットや離散ウェーブレットを試し、さらに同期圧縮（synchrosqueezing、SS、シンクロスクイーズ）という細部を強調する派生を比較するのが現実的です。現場ではまず代表的な手法を少量データで評価し、検出率と誤検知率をKPIにして選ぶ流れがおすすめです。
これって要するに、安いセンサーで取った電流信号を時間と周波数の画像に変えて、画像解析のAIで見れば良いということ？本質をつかもうとしているのですが、合ってますか。
まさにその通りですよ！素晴らしい着眼点ですね。要は三段階です。1）電流の時系列を取り、2）Wavelet transform（WT、ウェーブレット変換）で時間周波数画像にし、3）CNN（畳み込みニューラルネットワーク）でパターンを判定する。これで現場センサ投資を抑えつつ故障検出が期待できるのです。
実務面でのハードルは学習データの量だと聞きます。うちのような中小規模の工場で十分な学習データが集められるかが問題です。小さなデータで誤った判断をしないか心配です。
良いポイントです。こちらも3点で対処可能です。1）ウェーブレットは局所特徴を強調するため少量データでも有用な特徴を出しやすい。2）データ拡張や転移学習（transfer learning、トランスファーラーニング）を使えば既存のモデル知見を活用できる。3）まずは重要設備を絞ってパイロット運用で実績を作る。こうしてリスクを制御しつつ精度を高めるのです。一緒に段階を踏めば必ずできますよ。
運用面ではリアルタイム性も気になります。現場から上げるデータ量が多くてクラウド送信で遅延が出ると使い物になりません。オンプレミスでやるならコストが増えるのではないかと。
その懸念も的確です。対応策は2つあります。1）現場で特徴抽出（WTでの変換）まで行い、抽出した小さな画像を送ることで通信データを削減する。2）リアルタイム判定は軽量化したモデルをエッジ（現場）に置く方法で実現可能だ。これならクラウドとオンプレミスの折衷で投資対効果を最大化できるんです。
わかりました。最後にもう一度、私の言葉でまとめてもよろしいですか。頂いた話を部内で説明するために要点を短く整理したいのです。
どうぞ、ぜひ自分の言葉で説明してみてください。聞きながらポイントを補足しますよ。大丈夫、一緒にやれば必ずできますよ。
要するに、安価な位相電流を取り、ウェーブレット変換で時間と周波数の画像にして、それを畳み込みニューラルネットワークで判定すれば、センサー投資を抑えつつ現場の異常を見つけられるということですね。まずは代表的手法でパイロットを行い、精度と誤検知をKPIにして進める、という流れで社内説明します。
