モデル作成– category –

モーター、ポンプ、減速機——。あらゆる回転系設備のメンテナンスにおいて、避けて通れないのが「ベアリングやギアの異常診断」です。 しかし、初期の摩耗や傷が発する微細な衝撃音は、回転系特有の大きな低周波振動（軸の回転音など）に埋もれやすく、通常...

「STFT」や「ウェーブレット変換」は、「いつ、どんな変化が起きたか」という時間ごとの推移を捉えるには最強のツールです。 しかし、現場のデータ分析では、必ずしも「いつ」の情報が必要なケースばかりではありません。 むしろ、「データ全体に潜む周期...

前回の記事では、鋭い異常変化（スパイク）を捉えるための「ウェーブレット変換」を使って、異常検知・時間周波数解析を行う方法を解説しました。 https://analysis-in-manufacturing.resanaplaza.com/2026/01/17/%e3%80%90python%e5%ae%9f%e8%b7%b5%e3%80...

「Python実践】欲しい信号を見つけ出せ！ ウェーブレット変換を使った３つの応用例～ノイズ除去・異常検知・時間周波数解析～」の記事では、ウェーブレット変換の基礎と、スカログラム（ヒートマップ）を使った「目視による異常検知」のアプローチを紹介し...

センサーデータや振動解析を行っていると、必ずぶつかる壁があります。 「ノイズが酷くて、肝心の信号が見えない」 「FFT（フーリエ変換）をかけたけれど、いつ異常が起きたのか時間がわからない」 そんな時こそ、ウェーブレット変換の出番です。 ウェーブ...

📡時系列データをフーリエ変換しても、スペクトルに異常は見つからない…。 そんなときは、波の奥にある“周波数の揺らぎ＝側波帯”に注目してみましょう。 本記事では、FM変調と側波帯の原理をやさしく解説しながら、 Pythonを使って信号を生成・可視化し、異...

高次元のデータを扱うとき、こんな悩みに遭遇したことはありませんか？ 特徴量が多すぎて、モデルの学習がうまくいかない データの可視化が難しく、全体像がつかめない ノイズや冗長な情報が多くて、分析がブレやすい そんなときに役立つのが「次元圧縮（...

オートエンコーダ（AutoEncoder）は、機械学習における異常検知手法の一つで、特に複雑な時系列データや高次元データの中から、再現しづらい＝異常なパターンを検出できる点で注目されています。 このアルゴリズムは、データを一度圧縮（エンコード）し、...

モデルの学習はうまくいったのに、本番データでは精度がガクッと落ちる…。 そんなとき、原因は「モデル」ではなく「データの分布のズレ」にあるかもしれません。 本記事では、学習データと本番データの違いを検出する手法「Adversarial Validation」を、ア...

アンサンブル回帰モデル（LightGBMやXGBoostなど）を使って高精度な予測を目指すとき、最大のカギとなるのが「どの特徴量を使うか？」という選定プロセスです。 本記事では、“効く特徴量”を自動で見つけるための手法として、Forward SelectionとBackward E...