製品品質の予測・改善、異常検出、操業条件の最適化など、製造現場で役立つデータ活用術を詳しく解説します!
最低限知っておくべきデータ解析手法から、使用の注意点、データ前処理のポイント、具体的な手法と様々な応用事例まで。
製造業のDXを進めるにあたりお悩みの方や、製造データ解析の具体的な方法がわからない方など、ぜひこの機会をご活用ください。
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: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 入力変数を選択する(変数重要度)
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)
5.6 操業条件最適化:いかに効率的に良い操業条件を求めるか
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と最適条件導出
(事例:鉄鋼プロセス)
8.おわりに
8.1 まとめ
8.2 データ活用で大切なこと
□質疑応答□