セミナー概要
セミナーのテーマ
- データ解析の基礎と応用
- 現場で役立つデータ活用術
- 産業応用事例の紹介
こんな方におすすめです
- 製造DXに着手したいが、何から始めれば良いか分からない方
- 製造データの解析方法を知りたい方
- 製品品質の予測・改善、異常検出、操業条件の最適化に興味のある方
| セミナータイトル | 製造業における生産性向上・品質改善を実現するためのデータ活用術 |
| 開催日時 | 【オンライン配信】 ・このセミナーはアーカイブ付きです。 |
| 開催場所 | オンライン 【オンライン配信】 |
| 受講料 | 55,000円 各種割引特典あり。詳しくは主催会社のサイトをご参照ください。 |
| 主催 | サイエンス＆テクノロジー |
| 備考 | 配布資料はPDFデータ(印刷可・編集不可) ※開催2日前を目安に、主催会社様HPのマイページよりダウンロード可となります。 |
製造業における生産性向上・品質改善を実現するためのデータ活用術
線形モデル・非線形モデルの構築方法、データ前処理、産業応用事例など。
データ解析で成果を挙げるための心得や、実際に現場で役立つデータ活用術を解説。
最低限必要なデータ解析手法、データ活用の注意点、必要なデータ前処理、仮想計測・ソフトセンサー・異常検出等の応用事例など、基礎から応用まで現場で役立つ知識・技術を解説します。
講師
京都大学 大学院情報学研究科 教授 博士(工学) 加納 学 氏
専門：プロセスシステム工学，プロセス・インフォマティクス
京都大学大学院工学研究科化学工学専攻の助手・准教授を経て2012年から現職．仮想計測（ソフトセンサー）・異常検出・制御・最適化などの方法開発と産業応用を実施．企業との共同研究も多数実施．
セミナー趣旨、ポイント
バズワードに振り回されている場合ではない。生産性向上や品質改善を実現するためには、設備や製品に関する知識とデータを活用しなければならず、そのための方法を身に付ける必要がある。製造現場で成果をあげるために、最先端の方法が必要とは限らない。むしろ、実績の豊富な方法を自分の道具箱に入れておき、それら適材適所で使うことが大切である。目標を達成できるのであれば、手法やモデルはできるだけ単純な方がよい。
そのような観点から、本講座の基礎編では、最低限知っておくべきデータ解析手法を解説し、それらを使用する際に注意すべきこと（弱点）を指摘する。また、地味だが重要なデータ前処理にも触れる。その上で、応用編では、産業応用事例を紹介しながら、転移学習やグレイボックスモデル（ハイブリッドモデル）を含めて、実際に現場で役立つデータ活用術を紹介する。さらに、データ解析で成果を挙げるための心得３箇条を示す。
こんな方におすすめ
製造DXをしなければならないが，何から手を付けていいかわからない方．製造データを解析したいが，具体的な方法がわからない方．製品品質の予測と改善，異常検出，操業条件の最適化など，現場で役立つデータ活用術を身に付けたい方．手法の説明をするので，特に予備知識は必要ありませんが，平均，分散，相関係数といった用語の意味がわからないのであれば講座の内容を理解することはできないと思います．
得られる知識
・現実の問題をデータ解析で解決するための実践的方法
・様々な産業応用事例
プログラム
１．はじめに：製造業におけるデータ活用について
２．基礎編１：最低限知っておきたい線形モデル構築方法
2.1 重回帰分析
2.2 線形判別分析
2.3 主成分分析
2.4 多重共線性の問題
2.5 Ridge回帰とLasso回帰
2.6 Partial Least Squares (PLS)回帰
３．基礎編２：道具箱に入れておきたい非線形モデル構築方法
3.1 ガウス過程回帰(GPR)：バラツキを予測する
3.2 Random Forest：多数決で精度を高める
４．基礎編３：最低限実行するべきデータ前処理
4.1 データを見る
4.2 外れ値を検出する
4.3 変数を変換する
５．応用編１：仮想計測・ソフトセンサー
5.1 仮想計測・ソフトセンサーの役割
5.2 実用上の課題
5.3 Just-In-Timeモデル：装置や原料の特性変化に対応する
（事例：半導体プロセス，製薬プロセス）
5.4 製品品質の推定制御：局所PLSとモデル予測制御を活用する
（事例：石油化学プロセス）
5.5 転移学習（FEHDA）：モデル再構築期間を短縮する
（事例：トナー製造プロセス，医薬品製造プロセス）
６．応用編２：異常検出
6.1 統計的プロセス管理（SPC）
6.2 多変量統計的プロセス管理（MSPC）
（事例：鉄鋼プロセス）
6.3 非線形性に対応した異常検出方法（近傍法，one-class SVM，Autoencoder）
７．応用編３：グレイボックスモデル
7.1 物理モデル＋統計モデル＝グレイボックスモデル
7.2 グレイボックスモデルによる予測
（事例：医薬品製造プロセス）
８．おわりに
8.1 まとめ
8.2 データ解析の心得３箇条
□質疑応答□