ในเว็บไซต์นี้มีการแนะนำบทความทางเทคนิคที่เผยแพร่ในรายงานทางเทคนิคของ YOKOGAWA
การใช้ข้อมูลสำหรับ การปฏิบัติการ
Expectations for Data Engineers
- มานาบุคาโนะ * 1
* 1: Department of Systems Science, Graduate School of Informatics, Kyoto University
- อากิโอะนากาบายาชิ * 1
- ฮิเดฮิโกะวาดะ * 2
* 1: แผนก Industrial Solution Center 4, แผนกธุรกิจโซลูชั่น, โยโกกาวา Solution Service Corporation
* 2: ฝ่ายกลยุทธ์เทคโนโลยีศูนย์พัฒนาธุรกิจสำนักงานใหญ่การตลาด
การมาถึงของปัญญาประดิษฐ์ที่สามได้รับการประกาศเมื่อไม่นานมานี้ โดยพื้นฐานแล้วชิ้นส่วนของปัญญาของมนุษย์จะถูกจำลองแบบโดยการประมวลผลข้อมูลขนาดใหญ่เนื่องจากการปรับปรุงโครงสร้างพื้นฐานของข้อมูลเช่นเครือข่ายและสภาพแวดล้อมระบบคลาวด์และความก้าวหน้าของ การวิเคราะห์ข้อมูล รวมถึงสถิติการจดจำรูปแบบและการเรียนรู้ของเครื่อง เทรนด์ไอทีใหม่นี้ค่อยๆเปลี่ยนวิธีการใช้ข้อมูลในอุตสาหกรรมการผลิต บทความนี้แนะนำแนวโน้มด้านไอทีที่สำคัญล่าสุดและแสดงให้เห็นว่าขึ้นอยู่กับข้อมูลขนาดใหญ่และเทคโนโลยี การวิเคราะห์ข้อมูล จากนั้นกระดาษจะอธิบายถึงการเปลี่ยนแปลงของ การวิเคราะห์ข้อมูล อุตสาหกรรมในอุตสาหกรรมการผลิตที่ได้รับผลกระทบจากแนวโน้มด้านไอทีและกล่าวถึงอนาคต
Modeling Technology for Optimizing Energy Consumption and Product Quality, and Example Applications
- เคนอิจิคามาดะ * 1
- มิตสึโนริฟุคุซาวะ * 1
* 1: แผนกบ่มเพาะศูนย์นวัตกรรมสำนักงานใหญ่การตลาด
โยโกกาวา ได้พัฒนาเทคโนโลยีการสร้างแบบจำลองที่สามารถดึงคุณลักษณะทั้งหมดของตัวแปรกระบวนการออกจากข้อมูลการทำงานในอดีตของพืชจริงได้อย่างครอบคลุม โยโกกาวา มุ่งมั่นที่จะปรับปรุงการทำงานของโรงงานของลูกค้าด้วยเทคโนโลยีนี้ที่สามารถสร้างแบบจำลองที่อธิบายความสัมพันธ์ระหว่างการใช้พลังงานต้นทุนการดำเนินการและคุณภาพของผลิตภัณฑ์และหาเงื่อนไขการทำงานที่เหมาะสมของพืชผ่านอัลกอริธึมการเพิ่มประสิทธิภาพเฉพาะของ โยโกกาวา ในขณะที่การสร้างแบบจำลองโรงงานแบบเดิมต้องใช้ความรู้ทางเทคนิคขั้นสูงและต้องใช้เวลาทำงานมากสำหรับ วิศวกรรม เทคโนโลยีการสร้างแบบจำลองใหม่ช่วยลดปัญหาดังกล่าวได้มาก เอกสารนี้อธิบายถึงเทคโนโลยีการสร้างแบบจำลองและตัวอย่างของการประยุกต์ใช้ในการวินิจฉัยโดยใช้ข้อมูลการทำงานของโรงงานจริง
A Method for Quickly Searching Similar Waveform Patterns in Historical Process Data
- โทโมฮิโระคุโรดะ * 1
- เท็ตสึยะโอทานิ * 2
- ฮิเดฮิโกะวาดะ * 3
* 1: แผนกบ่มเพาะศูนย์นวัตกรรมสำนักงานใหญ่การตลาด
* 2: แผนก RTO, ศูนย์โซลูชั่นขั้นสูง, แผนกธุรกิจโซลูชั่นขั้นสูง, สำนักงานใหญ่ธุรกิจบริการโซลูชั่น
* 3: ฝ่ายกลยุทธ์เทคโนโลยีศูนย์พัฒนาธุรกิจสำนักงานใหญ่การตลาด
ผู้ประกอบการโรงงานมักอาศัยประสบการณ์ของพวกเขาในการดำเนินงานโรงงาน อย่างไรก็ตามพวกเขาสามารถตัดสินใจได้อย่างเหมาะสมมากขึ้นโดยอ้างถึงข้อมูลพืชที่คล้ายคลึงกับสภาพปัจจุบันในคลัง ข้อมูลด้านเทคนิคของกระบวนการ ในกรณีเช่นนี้การอ้างอิงข้อมูลอย่างมีประสิทธิภาพเป็นสิ่งสำคัญ
บทความนี้แนะนำเทคนิคเพื่อตอบสนองความต้องการนี้โดยมุ่งเน้นไปที่รูปแบบรูปคลื่นในข้อมูลปัจจุบันและช่วงเวลาหนึ่งของข้อมูลในอดีต วิธีนี้สามารถระบุและดึงรูปแบบของคลื่นที่ตรงกับเป้าหมายได้อย่างรวดเร็ว
Data Analysis for Stabilizing Product Quality and the Mahalanobis Taguchi (MT) Method
- คิคุฮารุอาราอิ * 1
- ทาเคโอะอุเอดะ * 1
* 1: แผนก APS, Advanced Solutions Center, Advanced Solutions Business Division, Solutions Service Business Headquarters
เมื่อเร็ว ๆ นี้ในอุตสาหกรรมการผลิตมีความต้องการอย่างมากในการรักษาคุณภาพของผลิตภัณฑ์ในขณะที่ตอบสนองความต้องการของตลาดที่หลากหลาย การดำเนินงานของโรงงานควรตอบสนองต่อการเปลี่ยนแปลงและข้อกำหนดภายนอกได้อย่างยืดหยุ่นเช่นความเปลี่ยนแปลงของคุณภาพวัตถุดิบและข้อกำหนดด้านคุณภาพที่เข้มงวดจากลูกค้า อย่างไรก็ตามเป็นการยากที่จะให้คุณภาพเป็นไปตามกระบวนการตรวจสอบขั้นสุดท้ายเท่านั้น ต้องใช้แนวทางใหม่ในการปรับปรุงการจัดการปฏิบัติการโดยกำหนดค่าคุณภาพเป้าหมายที่จะควบคุมในแต่ละกระบวนการหรือในแต่ละหน่วยการผลิต
ภายใต้สถานการณ์เหล่านี้ โยโกกาวา ได้นำเสนอโซลูชั่นเพื่อรักษาเสถียรภาพคุณภาพของผลิตภัณฑ์ในหน่วยกระบวนการต่างๆของลูกค้าเช่นการจัดการคุณภาพการผลิตและ วิศวกรรม บทความนี้แนะนำวิธีแก้ปัญหาสำหรับการรักษาเสถียรภาพคุณภาพที่ใช้วิธี Mahalanobis Taguchi (MT) เป็นเทคนิค การวิเคราะห์ข้อมูล
- มาซารุโคนิชิ * 1
- มาซาโนบุซูโด * 2
- โจจิมูราคามิ * 3
- นาโอโตะฟูจิซาวะ * 4
* 1: กลุ่มพัฒนาตลาดฝ่ายเภสัชกรรมฝ่ายขาย 1 บริษัท โยโกกาวา Solution Service Corporation
* 2: แผนกกลยุทธ์ IA, ศูนย์ IA-MK, สำนักงานใหญ่การตลาด
* 3: ฝ่ายกลยุทธ์เทคโนโลยีศูนย์พัฒนาธุรกิจสำนักงานใหญ่การตลาด
* 4: ที่ปรึกษา 1, ฝ่ายธุรกิจโซลูชั่น, โยโกกาวา Solution Service Corporation
การปรับเปลี่ยนกระบวนทัศน์ในกระบวนการผลิตส่วนใหญ่ดำเนินไปในกระบวนการกำหนดสูตรในอุตสาหกรรมยา การผลิตยาซึ่งได้รับการรับรองคุณภาพของผลิตภัณฑ์ภายใต้การควบคุมของแนวทางการผลิตที่ดี (GMP) กำลังเผชิญกับความท้าทายในการผลิตที่ไม่ดีเมื่อเทียบกับอุตสาหกรรมอื่น ๆ ดังนั้นผู้ผลิตยาจึงพยายามเพิ่มผลผลิตในขณะที่รักษาคุณภาพของผลิตภัณฑ์ให้สูงโดยการเปลี่ยนการผลิตจากการผลิตเป็นชุดไปสู่กระบวนการต่อเนื่อง เพื่อจุดประสงค์นี้จำเป็นต้องใช้เทคโนโลยีที่ช่วยให้มั่นใจได้ว่าการผลิตต่อเนื่องในอุดมคติในขณะที่รักษาคุณภาพจึงเป็นสิ่งจำเป็น บทความนี้แนะนำกรณีตัวอย่างของแนวทางการรักษาคุณภาพโดยใช้วิธี Mahalanobis Taguchi (MT) และอธิบายกลยุทธ์ทางเทคนิคที่จำเป็นสำหรับการสร้างระบบการผลิตยาอย่างต่อเนื่อง
Machine Learning Applied to Sensor Data Analysis
- ไปทาคามิ * 1
- โมเอะโทคุโอกะ * 1
- ฮิโรสึงุโกโตะ * 1
- ยูอิจิโนะซากะ * 1
* 1: ยื่นแผนกนวัตกรรมดิจิทัล, ศูนย์พัฒนาภาคสนามแห่งใหม่, สำนักงานใหญ่ธุรกิจแพลตฟอร์ม IA
IoT และข้อมูลขนาดใหญ่ได้กลายเป็นคำที่ใช้ในครัวเรือนไปแล้วและผู้คนเริ่มให้ความสนใจมากขึ้นในการใช้ข้อมูลที่รวบรวมจำนวนมหาศาลอย่างมีประสิทธิภาพ ในขณะเดียวกันปัญญาประดิษฐ์ยุคที่สามได้เกิดขึ้นและเทคโนโลยีที่เกี่ยวข้องรวมถึงการเรียนรู้ของเครื่องกำลังพัฒนาไปอย่างรวดเร็ว โยโกกาวา เชื่อว่าเทคโนโลยีสำหรับการเรียนรู้ของเครื่องสามารถช่วยให้การบำรุงรักษาขั้นสูงเช่นการวินิจฉัยการเสื่อมสภาพและการบำรุงรักษาเชิงคาดการณ์โดยนำไปใช้กับเซ็นเซอร์ การวิเคราะห์ข้อมูล ในด้านระบบอัตโนมัติทางอุตสาหกรรม บทความนี้สรุปทฤษฎีการเรียนรู้ของเครื่องและแนะนำตัวอย่างการใช้งานในการวิเคราะห์ข้อมูลของเซ็นเซอร์วัดค่า pH
Real-Time Data Extraction Technology for Effectively Supporting Work Improvement Cycles
- โนบุฮิโระนิอินะ * 1
* 1: ฝ่ายร่วมสร้างโซลูชัน, ศูนย์วางแผนธุรกิจ, สำนักงานใหญ่ธุรกิจแพลตฟอร์ม IA
โยโกกาวา ได้พัฒนาเทคโนโลยีการดึงข้อมูลแบบเรียลไทม์เพื่อรองรับรอบการปรับปรุงการทำงานได้อย่างมีประสิทธิภาพ ข้อมูลด้านเทคนิคของกระบวนการ แต่ละกระบวนการแบบเรียลไทม์จากข้อมูลที่ต่อเนื่องกันเช่นอุณหภูมิและกระแสไฟฟ้า การใช้ข้อมูลเหล่านี้ช่วยเพิ่มประสิทธิภาพในการตรวจสอบสาเหตุการวิเคราะห์งานการนำแนวทางแก้ไขไปใช้และการประเมินผลจึงช่วยสนับสนุนวงจรการปรับปรุงงานได้อย่างมีประสิทธิภาพ บทความนี้อธิบายถึงแนวคิดพื้นฐานของเทคโนโลยีนี้และแนะนำตัวอย่างการประยุกต์ใช้กับโรงงานผลิตภาพยนตร์
Evolution of Exaquantum to Accelerate Effective Use of Plant Data
- มาซารุคิมูระ * 1
* 1: ฝ่ายวางแผนระบบ PA, ศูนย์ธุรกิจระบบ, สำนักงานใหญ่ธุรกิจแพลตฟอร์ม IA
Exaquantum เป็นชุดซอฟต์แวร์ระบบการจัดการข้อมูลโรงงาน (PIMS นี่เป็นองค์ประกอบหลักของระบบประมวลผลการผลิต (MES) และมีการพัฒนามากว่า 15 ปีนับตั้งแต่เปิดตัว แพคเกจส่วนใหญ่จะใช้สำหรับแอปพลิเคชันในพื้นที่แคบ ๆ เช่นการใช้ ข้อมูลด้านเทคนิคของกระบวนการ สะสมของระบบควบคุมแบบกระจาย (DCS) สำหรับรายงานรายเดือนและรายวัน อย่างไรก็ตามในช่วงไม่กี่ปีที่ผ่าน Exaquantum เพื่อรวบรวมข้อมูลจากโรงงานหลายแห่งและวิเคราะห์ ข้อมูลด้านเทคนิคของกระบวนการ จำนวนมากและข้อความแจ้งเตือนเพื่อเพิ่มประสิทธิภาพการทำงานของโรงงานทั้งหมด Exaquantum R3.01 ซึ่งเปิดตัวในเดือนตุลาคม 2015 ได้ปรับปรุงปริมาณการรวบรวมข้อมูลอย่างมีนัยสำคัญและเพิ่มจำนวนแท็กสูงสุดที่สามารถจัดการได้ในขณะเดียวกันก็รับรองลักษณะแบบเรียลไทม์เพื่อปรับปรุงประสิทธิภาพการทำงานของโรงงาน เอกสารนี้จะอธิบายคุณสมบัติทางเทคนิคและการปรับปรุงใน R3.01 และแนะนำวิธีแก้ปัญหา