ในเว็บไซต์นี้มีการแนะนำบทความทางเทคนิคที่เผยแพร่ในรายงานทางเทคนิคของ YOKOGAWA
วิสัยทัศน์และการริเริ่ม AI ของ Yokogawa
- Masashi Sugiyama * 1
* 1 ผู้อำนวยการ RIKEN Center for Advanced Intelligence Project
ศาสตราจารย์ภาควิชาวิทยาศาสตร์และวิศวกรรมที่ซับซ้อนบัณฑิตวิทยาลัย Frontier Sciences มหาวิทยาลัยโตเกียว
Yokogawa’s Commitment to AI Technology
- เคนอิจิโอฮาระ * 1
* 1 แผนกออกแบบ DX, ศูนย์นวัตกรรม, สำนักงานใหญ่การตลาด
เทคโนโลยี AI ที่ก้าวหน้าอย่างน่าทึ่งกำลังเร่งการสร้างมูลค่าใหม่ทั่วโลก ในขณะเดียวกันในอุตสาหกรรมระบบอัตโนมัติทางอุตสาหกรรม (IA) ปัญหาต่าง ๆ กำลังเกิดขึ้นเช่นเป้าหมายการดำเนินงานที่กว้างขึ้นและข้อมูลการวัดปริมาณที่มากขึ้นซึ่งได้รับจากการแพร่กระจายของเทคโนโลยี Industrial Internet of Things (IIoT) ตลอดจนความผันผวนของวัสดุ คุณภาพและการขาดแคลนวิศวกรที่มีทักษะ เพื่อแก้ปัญหาเหล่านี้มีความคาดหวังที่เพิ่มขึ้นสำหรับการใช้เทคโนโลยี AI ภายใต้สถานการณ์เหล่านี้ โยโกกาวา กำลังทำงานเพื่อช่วยลูกค้าในการปรับปรุงการดำเนินงานต่างๆของพวกเขาไม่เพียง แต่โดยการวิเคราะห์ข้อมูลการวัดโดยอาศัยเทคโนโลยี AI เท่านั้น แต่ยังใช้ความรู้ด้านโดเมนของ โยโกกาวา โยโกกาวา กำหนดแนวคิดนี้เป็น AI Vision โดยมีวลีสำคัญคือ“ รู้ปัจจุบันทำนายอนาคตและเพิ่มประสิทธิภาพการดำเนินงาน”
บทความนี้อธิบายถึง โยโกกาวา และความสำเร็จภายใต้แนวคิดนี้ตลอดจนความมุ่งมั่นที่มีต่อเทคโนโลยีในอนาคตรวมถึงการดำเนินงานในโรงงานอัตโนมัติ
Application of AI to Oil Refineries and Petrochemical Plants
- เท็ตสึยะโอทานิ * 1
* 1 Digital Enterprise Solution Center สำนักงานใหญ่ธุรกิจ Digital Enterprise
ปัญญาประดิษฐ์ (AI) การเรียนรู้ของเครื่องวิทยาศาสตร์ข้อมูลและเทคโนโลยีขั้นสูงอื่น ๆ มีความก้าวหน้าอย่างมากทำให้คอมพิวเตอร์สามารถจัดการกับงานที่ต้องใช้แรงงานและใช้เวลานานซึ่งเคยต้องทำด้วยตนเอง เมื่อมีข้อมูลขนาดใหญ่คาดว่า AI จะระบุและแก้ไขปัญหาในอุตสาหกรรมการผลิตโดยอัตโนมัติ บทความนี้อธิบายถึงวิธีที่ AI สามารถใช้ในโรงกลั่นน้ำมันและโรงงานปิโตรเคมีเพื่อแก้ปัญหาเกี่ยวกับสินทรัพย์และคุณภาพ
A Case of Applying AI to an Ethylene Plant
- โยชิยูกิจินกุ * 1
- ฮิโรสึงุโกโตะ * 2
* 1 ฝ่ายพัฒนาธุรกิจ AI, ศูนย์เทคโนโลยีสารสนเทศ, สำนักงานใหญ่ธุรกิจผลิตภัณฑ์และบริการ IA
* 2 ศูนย์เทคโนโลยีสารสนเทศสำนักงานใหญ่ธุรกิจผลิตภัณฑ์และบริการ IA
ความล้มเหลวของอุปกรณ์หรือการบำรุงรักษาโดยไม่คาดคิดอาจส่งผลให้มีการปิดโรงงานโดยไม่ได้กำหนดเวลาในโรงงานปิโตรเคมีที่ดำเนินการอย่างต่อเนื่องเช่นโรงงานเอทิลีน เพื่อหลีกเลี่ยงปัญหานี้จำเป็นต้องตรวจสอบสถานะการทำงานอย่างต่อเนื่อง อย่างไรก็ตามเนื่องจากปัญหาในพืชมีหลายสาเหตุจึงเป็นเรื่องยากสำหรับคนงานที่เป็นมนุษย์ที่จะเข้าใจสถานะของโรงงานได้อย่างแม่นยำและสังเกตเห็นสัญญาณของความล้มเหลวที่ไม่คาดคิดและความจำเป็นในการบำรุงรักษา เพื่อแก้ปัญหานี้เราได้ทำงานร่วมกับลูกค้าในโรงงานเอทิลีนและพัฒนาโซลูชันโดยอาศัยการวิเคราะห์ AI การใช้การวิเคราะห์ AI ตามความคิดเห็นของลูกค้าเราระบุปัจจัยหลายประการจากพารามิเตอร์เซ็นเซอร์จำนวนมากและสร้างแบบจำลอง AI ที่สามารถเข้าใจสถานะของโรงงานและตรวจจับสัญญาณความผิดปกติใด ๆ บทความนี้แนะนำกรณีศึกษาการวิเคราะห์ AI ที่ดำเนินการในโรงงานเอทิลีนและคุณค่าใหม่ที่เทคโนโลยี AI สามารถนำเสนอให้กับลูกค้าจากนั้นอธิบายถึงวิธีการขยายธุรกิจโซลูชันด้วยการวิเคราะห์ AI
Applicability of Transfer Learning to Plant Data
- เรียวเฮฟูจิอิ * 1
- ฮิโรสึงุโกโตะ * 2
* 1 ฝ่ายพัฒนาธุรกิจ AI, ศูนย์เทคโนโลยีสารสนเทศ, สำนักงานใหญ่ธุรกิจผลิตภัณฑ์และบริการ IA
* 2 ศูนย์เทคโนโลยีสารสนเทศสำนักงานใหญ่ธุรกิจผลิตภัณฑ์และบริการ IA
ในอุตสาหกรรมกระบวนการพืชมีกระบวนการและอุปกรณ์ที่คล้ายคลึงกันในขณะที่ของเหลวที่ไหลผ่านและคุณสมบัติทางกายภาพเช่นความเร็วและอุณหภูมิจะแตกต่างกัน ดังนั้นเมื่อสร้างแบบจำลองสำหรับการตรวจจับความผิดปกติโดยใช้การเรียนรู้ภายใต้การดูแลแบบเดิมจำเป็นต้องรวบรวมข้อมูลการฝึกอบรมจากกระบวนการและอุปกรณ์ต่างๆดังกล่าวซึ่งจะทำให้ต้นทุนเพิ่มขึ้น นอกจากนี้ความผิดปกติมักไม่ค่อยเกิดขึ้นในพืชบางชนิดทำให้ยากที่จะได้รับข้อมูลเกี่ยวกับความผิดปกติและสร้างแบบจำลองโดยใช้การเรียนรู้ภายใต้การดูแล ปัญหาเหล่านี้สามารถแก้ไขได้โดยใช้ข้อมูลการฝึกอบรมจากกระบวนการหรืออุปกรณ์อื่นเพื่อสร้างแบบจำลองซึ่งจะขยายขอบเขตของการเรียนรู้ของเครื่อง บทความนี้อธิบายถึงแนวทางของ Yokogawa ในการแก้ปัญหาเหล่านี้และการทดลองที่เราใช้การเรียนรู้แบบถ่ายโอนกับการตรวจหาโพรงอากาศซึ่งมักเกิดขึ้นในสถานที่ต่างๆ
Application of Machine Learning Technology to Trend Monitoring with Sushi Sensor
- มาซาฮิโกะซาโต้ * 1
* 1 ฝ่ายพัฒนาธุรกิจ AI, ศูนย์เทคโนโลยีสารสนเทศ, สำนักงานใหญ่ธุรกิจผลิตภัณฑ์และบริการ IA
เพื่อให้เกิดการบำรุงรักษาตามเงื่อนไข (CBM) โยโกกาวา ได้พัฒนา Sushi Sensor ซึ่งสามารถรวบรวมข้อมูลสถานะของอุปกรณ์และสิ่งอำนวยความสะดวกได้อย่างง่ายดาย อย่างไรก็ตามด้วยแอปพลิเคชันก่อนหน้านี้จำเป็นต้องตั้งค่าเกณฑ์การเตือนภัยให้กับ Sushi Sensor แต่ละตัวด้วยตนเองเพื่อตรวจสอบแนวโน้มและความรู้ที่ครอบคลุมและกำลังคนจำนวนมากและเวลาเป็นสิ่งจำเป็นเมื่อติดตั้งอุปกรณ์นี้เป็นจำนวนมาก เพื่อให้งานนี้ง่ายขึ้นและปรับปรุงประสิทธิภาพเราได้นำเสนอเทคโนโลยีแมชชีนเลิร์นนิง
เอกสารนี้อธิบายวิธีการใช้แมชชีนเลิร์นนิงเพื่อปรับปรุงประสิทธิภาพของระบบตรวจสอบแนวโน้มเพื่อตรวจจับความผิดปกติและอธิบายการทดสอบการตรวจสอบของแอปพลิเคชันที่พัฒนาขึ้นใหม่
Easy-to-Use AI-enabled Recorders and PLCs
- ฮิโตชิฮัตโตริ * 1
- มาซาโนริซาคางามิ * 2
- มิโคโตะโอโกว * 2
- ทาคุยะดีบุน * 3
* 1 Edge Solution Division, Information Technology Center, IA Products and Service Business Headquarters
* 2 ฝ่ายพัฒนาผลิตภัณฑ์ 3, Edge Solution Division, Information Technology Center, IA Products and Service Business Headquarters
* 3 ศูนย์เทคโนโลยีสารสนเทศสำนักงานใหญ่ธุรกิจผลิตภัณฑ์และบริการ IA
โยโกกาวา มีผลงานที่มั่นคงในการวิเคราะห์ AI จากประสบการณ์และความรู้เกี่ยวกับระบบอัตโนมัติทางอุตสาหกรรม (IA) เพื่อตอบสนองความต้องการของลูกค้าในการแนะนำฟังก์ชัน AI ที่ใช้งานง่ายในไซต์การผลิตและการพัฒนาผลิตภัณฑ์เราได้รวมฟังก์ชัน AI ที่ใช้เทคโนโลยี AI ขั้นสูงของเราไว้ในเครื่องบันทึกและตัวควบคุมลอจิกแบบตั้งโปรแกรมได้ (PLC)
ฟังก์ชันปากกา AI ในอนาคตซึ่งคาดการณ์และดึงข้อมูลในอนาคตถูกนำมาใช้ในซีรีส์ GX / GP เป็นมาตรฐาน ฟังก์ชั่นการตรวจจับความผิดปกติของ AI ซึ่งจะตรวจจับพฤติกรรมที่ผิดปกติของอุปกรณ์โดยอัตโนมัติซึ่งอาจบ่งบอกถึงปัญหาและช่วยให้ผู้ใช้ทำการบำรุงรักษาเชิงคาดการณ์ได้ถูกสร้างขึ้นในซอฟต์แวร์ GA10 เป็นมาตรฐานสำหรับใช้กับ Sushi Sensor นอกจากนี้เรายังได้พัฒนาแพลตฟอร์ม AI อุตสาหกรรม e-RT3 Plus ซึ่งช่วยให้ผู้ใช้สามารถพัฒนาแอปพลิเคชัน AI ได้อย่างมีประสิทธิภาพโดยใช้ไลบรารีซอฟต์แวร์ที่ใช้ Python ต่างๆ
เอกสารนี้จะอธิบายผลิตภัณฑ์เหล่านี้และกลยุทธ์การพัฒนาและอธิบายถึงวิธีการใช้แอปพลิเคชัน AI ในไซต์และสิ่งที่มอบคุณค่า
- ไปทาคามิ * 1
* 1 ฝ่ายพัฒนาธุรกิจ AI, ศูนย์เทคโนโลยีสารสนเทศ, สำนักงานใหญ่ธุรกิจผลิตภัณฑ์และบริการ IA
ความคาดหวังสำหรับการเรียนรู้ของเครื่องและปัญญาประดิษฐ์ (AI) กำลังเติบโตขึ้นทั่วโลกและการลงทุนที่เกี่ยวข้องได้เพิ่มขึ้นในธุรกิจที่หลากหลาย แมชชีนเลิร์นนิงใช้สำหรับการขับขี่รถยนต์แบบอิสระและการควบคุมหุ่นยนต์และการใช้แอปพลิเคชันของมันก็เพิ่มขึ้นอย่างรวดเร็วในระบบอัตโนมัติในโรงงาน (FA) ในทางกลับกันเทคนิคการควบคุมกระบวนการเชิงปฏิบัติที่อาศัยการเรียนรู้ของเครื่องและ AI ยังไม่ได้รับการพัฒนาสำหรับกระบวนการอัตโนมัติ (PA) แม้ว่า การวิเคราะห์ข้อมูล โดยใช้ ข้อมูลด้านเทคนิคของกระบวนการ จะกลายเป็นเรื่องปกติมากขึ้น การควบคุม PID ยังคงเป็นเทคนิคหลักและใช้เทคนิคการควบคุมขั้นสูงโดยผู้เชี่ยวชาญเมื่อจำเป็นต้องมีการควบคุมที่ซับซ้อน
ไม่ใช่เพื่อจำลอง แต่ใช้เทคโนโลยีแมชชีนเลิร์นนิงกับอุปกรณ์จริงเราทำการควบคุมโดยใช้ AI ของระบบควบคุมระดับสามถังซึ่งเป็นชุดการศึกษายอดนิยมสำหรับการควบคุมกระบวนการ บทความนี้แนะนำรายละเอียดของการทดลองและเทคโนโลยีการเรียนรู้ของเครื่องที่ใช้ในการควบคุมระบบนี้
- มิตสึโตชิซูซึมาโกะ * 1
- โทชิโอะโอโนะ * 1
- Keiji Sato * 2
* 1 Development Center, Corporate Division, โยโกกาวา Solution Service Corporation
* 2 ศูนย์พัฒนาธุรกิจ Connected Industries แผนกธุรกิจ โยโกกาวา Solution Service Corporation
ลูกค้าจำนวนมากกำลังมองหาการปฏิบัติงานที่ยืดหยุ่นและมีประสิทธิภาพมากขึ้นเพื่อดำเนินงานต่างๆในสถานที่ผลิตของตนเช่นการปฏิบัติงานประจำวันกิจกรรมของ KAIZEN และการแก้ไขปัญหาตลอดจนเพื่อตอบสนองต่อการเปลี่ยนแปลงในสภาพแวดล้อมการผลิต เพื่อให้ลูกค้าบรรลุเป้าหมายนี้วิธีการจัดการกระบวนการจะต้องผ่านการปรับเปลี่ยนกระบวนทัศน์ซึ่งเปรียบได้กับการคิดค้น DCS
บทความนี้แนะนำรูปแบบธุรกิจใหม่สำหรับการเพิ่มประสิทธิภาพการดำเนินงานและรูปแบบฟังก์ชันสำหรับการใช้โมเดลธุรกิจเพื่อรับมือกับการเปลี่ยนแปลงในสภาพแวดล้อมการผลิตจากนั้นอธิบายสถาปัตยกรรมระบบตามรูปแบบฟังก์ชันนี้และวิธีการทำงานของผลิตภัณฑ์ AI ของ Yokogawa ในระบบ
A Solution for Detecting Signs of Equipment Anomalies by Edge Computing with DUCSOnEX
- โทโมฮิสะชิราอิ * 1
- ทาเคชิอาริโยชิ * 2
- เคสุเกะชินปุกุ * 2
- อากิโอะนากาบายาชิ * 3
* 1 ฝ่ายที่ ที่ปรึกษา ที่ปรึกษา, ฝ่ายธุรกิจโซลูชั่น, โยโกกาวา Solution Service Corporation
* 2 Industrial Solution Center 4, สำนักงานใหญ่ อุตสาหกรรม โยโกกาวา Solution Service Corporation
* 3 แผนกบ่มเพาะศูนย์นวัตกรรมสำนักงานใหญ่การตลาด
อุตสาหกรรมการผลิตในญี่ปุ่นประสบปัญหาต่างๆเช่นจำนวนที่ลดลงและอายุของคนงานอุปกรณ์เสื่อมสภาพอุปกรณ์ขัดข้องบ่อยครั้งเพิ่มความเสี่ยงต่อการเกิดอุบัติเหตุอันเนื่องมาจากความผิดพลาดของมนุษย์ในการปฏิบัติงานการแสดงภาพต้นทุนการจัดการอุปกรณ์ไม่เพียงพอและการสืบทอดทักษะและเทคนิคที่ไม่ดี . เพื่อเอาชนะปัญหาเหล่านี้จำเป็นต้องมีระบบที่แปลกใหม่และแปลกใหม่สำหรับ สินทรัพย์ของโรงงาน ระบบบริหารจัดการทรัพย์สิน Smart Plant ของ โยโกกาวา สามารถแก้ปัญหาดังกล่าวได้ด้วยการ การแปลงข้อมูล เทคโนโลยีเช่น Internet of Things (IoT), AI, การเรียนรู้ของเครื่องและการวิเคราะห์ทางสถิติกำลังรับหน้าที่ตรวจจับสัญญาณของความผิดปกติซึ่งทำตามอัตภาพโดยคนงานที่มีทักษะและผู้เชี่ยวชาญ ด้วยการผสมผสานการเรียนรู้ของเครื่องเข้ากับคอมพิวเตอร์เอดจ์เพื่อเรียนรู้สภาพการทำงานปกติของอุปกรณ์เป้าหมาย โยโกกาวา ได้พัฒนาโซลูชันการประมวลผลแบบขอบที่ตรวจสอบอุปกรณ์อย่างต่อเนื่องและตรวจจับพฤติกรรมที่ผิดปกติ แนวทางนี้ช่วยให้สามารถใช้อุปกรณ์ที่มีแอพพลิเคชั่น IIoT ขั้นสูงในโครงสร้างพื้นฐานที่มีอยู่ได้ เอกสารนี้อธิบายถึงการทำงานของโซลูชันนี้โดย โยโกกาวา เทคโนโลยีการวิเคราะห์สำหรับการประมวลผลแบบขอบและตัวอย่างการใช้งาน
Cooperation between Control Technology and AI Technology to Improve Plant Operation
- ฮิโรชิทาคาฮาชิ * 1
* 1 ที่ปรึกษา II แผนกธุรกิจ โยโกกาวา Solution Service Corporation
เนื่องจากอุตสาหกรรมการผลิตกำลังเปลี่ยนรูปแบบการผลิตจากการผลิตจำนวนมากไปเป็นการผลิตผลิตภัณฑ์หลายชิ้นในปริมาณน้อยหรือแปรผันจึงจำเป็นต้องมีการใช้งานอุปกรณ์การผลิตที่ซับซ้อนมากขึ้น โยโกกาวา มีแนวทางที่ไม่เหมือนใครในการแก้ปัญหานี้ซึ่งนำมาใช้โดยองค์กรพัฒนาพลังงานใหม่และเทคโนโลยีอุตสาหกรรม (NEDO) เอกสารนี้อธิบายรายละเอียดของโครงการ NEDO นี้และความสำเร็จตลอดจนการศึกษาเกี่ยวกับการใช้เทคโนโลยี AI อย่างมีประสิทธิภาพซึ่งเป็นอีกหัวข้อหนึ่งของโครงการนี้
สินค้าใหม่
- SMARTDAC+ GX/GP Series Paperless Recorder with AI Future Pen Function
- SMARTDAC+ GA10 Data Logging Software with AI Anomaly Detection Function
- Sushi Sensor Wireless Pressure Sensor / Wireless Temperature Sensor
- e-RT3 Plus F3RP70-2L Industrial AI Platform Compatible with Python Machine Learning Libraries