セミナー 印刷

【Live配信(リアルタイム配信)】
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・非線形モデル構築方法、データ解析の注意点、データ前処理~
~品質の予測・改善、異常検出、操業条件の最適化等の現場で役立つ手法と事例~

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。
日時 2022年8月25日(木)  10:30~16:30
会場 Live配信セミナー(会社・自宅にいながら受講可能)  
会場地図
受講料(税込)
各種割引特典
49,500円 ( E-Mail案内登録価格 46,970円 ) S&T会員登録とE-Mail案内登録特典について
定価:本体45,000円+税4,500円
E-Mail案内登録価格:本体42,700円+税4,270円
E-Mail案内登録なら、2名同時申込みで1名分無料 1名分無料適用条件
2名で49,500円 (2名ともS&TE-Mail案内登録必須​/1名あたり定価半額24,750円) 
テレワーク応援キャンペーン(1名受講)【Live配信/WEBセミナー受講限定】
1名申込みの場合:受講料(定価:39,600円/E-Mail案内登録価格:37,620円 )
   定価:本体36,000円+税3,600円
   E-Mail案内登録価格:本体34,200円+税3,420円
 ※1名様でLive配信/WEBセミナーを受講する場合、上記特別価格になります。
 ※お申込みフォームで【テレワーク応援キャンペーン】を選択のうえお申込みください。
 ※他の割引は併用できません。
配布資料電子媒体(PDFデータ/印刷可)
・弊社HPのマイページよりダウンロードいただきます。
・開催2日前を目安に、ダウンロード可となります。
・ダウンロードには会員登録(無料)が必要となります。
オンライン配信ZoomによるLive配信 ►受講方法・接続確認(申込み前に必ずご確認ください)
備考※資料付(PDFデータ)
※講義中の録音・撮影はご遠慮ください。
※開催日の概ね1週間前を目安に、最少催行人数に達していない場合、セミナーを中止することがございます。
対象製造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.

セミナー講師

京都大学 大学院情報学研究科 システム科学専攻 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

 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、適用実績の豊富な方法を自分の道具箱に入れておき、道具を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、実際に現場で役立つデータ活用術を紹介する。

セミナー講演内容

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□