research 『音による故障予知の教科書たたき台：6.5 データセット分割（train/validation/test）』LLMと一緒に書いてみた—AIが導く研究メモ 6. 故障予知のアプローチ 6.5 データセット分割（train/validation/test） 機械学習では、持っているデータをいきなり全部で学習・評価するのではなく、役割の違う三つの集合に分けるのが基本である。学習に使う訓練用（train）、モデルやハイパーパラメータの調整に使う検証用（validation）、最... 2025年8月28日
research 『音による故障予知の教科書たたき台：6.4 分類器による正常/異常判定』LLMと一緒に書いてみた—AIが導く研究メモ 6. 故障予知のアプローチ 6.4 分類器による正常/異常判定 分類器による正常/異常判定は、観測データから計算した特徴量を入力し、「正常」と「異常」のどちらかを出力する仕組みを学習させて用いる方法である。根本の発想はシンプルで、過去データに含まれる正常・異常の例（ラベル）を手がかりに、両者を最もよく区別できる境界や規... 2025年8月28日
research 『音による故障予知の教科書たたき台：6.3 異常検知（クラスタリング型手法）』LLMと一緒に書いてみた—AIが導く研究メモ 6. 故障予知のアプローチ 6.3 異常検知（クラスタリング型手法） 異常検知のクラスタリング型手法は、「似たもの同士は近くに集まる」という直感に基づき、データをいくつかのまとまり（クラスタ）に分け、そのまとまりから外れた点や、極端に小さなまとまりに属する点を「異常の疑い」とみなす考え方である。多次元データ（例えば振動... 2025年8月28日
research 『音による故障予知の教科書たたき台：6.2』LLMと一緒に書いてみた—AIが導く研究メモ 6. 故障予知のアプローチ 6.2 教師あり・教師なし学習の使い分け 機械学習の大きな分け方として、教師あり学習と教師なし学習がある。違いは「正解（ラベル）があるかどうか」であり、教師あり学習はラベル付きデータで予測や分類の規則を学び、教師なし学習はラベルなしデータから構造やグループを見つける方法である。教師あり学習は... 2025年8月28日
research 『音による故障予知の教科書たたき台：6.1 正常・異常の定義』LLMと一緒に書いてみた—AIが導く研究メモ 6. 故障予知のアプローチ 6.1 正常・異常の定義 故障予知の出発点は、「正常」と「異常」を現実に観測できるデータの上でどのように区別するかを決めることである。この区別が曖昧だと、どれほど高度な解析や学習手法を使っても判断がぶれてしまう。正常とは、機器が設計意図どおりの性能・安全性・品質で動作している状態に対応するデ... 2025年8月28日
research 『音による故障予知の教科書たたき台：5.11 特徴量の組み合わせ設計』LLMと一緒に書いてみた—AIが導く研究メモ 5. 特徴量抽出 5.11 特徴量の組み合わせ設計 特徴量の組み合わせ設計とは、すでに用意した複数の特徴量を、意味のある形で組み合わせて新しい特徴を作り、モデルのわかりやすさや予測力、頑健性を高める工夫である。たとえば、時間領域のRMSと高周波のバンドエネルギーを比率にする、ピーク数と短時間エネルギーを掛け合わせて「衝... 2025年8月28日
research 『音による故障予知の教科書たたき台：5.10 ピッチ推定』LLMと一緒に書いてみた—AIが導く研究メモ 5. 特徴量抽出 5.10 ピッチ推定 ここでいうピッチは、波形の「周期性」に対応する基本的な繰り返しの速さ（基本周波数F0）を数で表したものと考えると理解しやすい。たとえば、きれいな正弦波の1周期に要する時間をT秒とすれば、その繰り返し回数は1秒あたり1/T回で、これが周波数F0(Hz)になる。現実の音や振動は完全な... 2025年8月28日
research 『音による故障予知の教科書たたき台：5.9 短時間エネルギー』LLMと一緒に書いてみた—AIが導く研究メモ 5. 特徴量抽出 5.9 短時間エネルギー 短時間エネルギーは、音や振動の信号を短い時間ごとに区切り、その区間内の「強さ（エネルギー）」を二乗和で数値化したものを指す。直感的には、瞬間ごとの音の大きさの包み線を数で表す指標で、フレーム（短い時間窓）内の振幅を二乗して平均（または総和）することで求める。多くの教科書や技術... 2025年8月28日
