橫河技術報告/ Vol.63 No.1 (2020) | Yokogawa Taiwan Corporation

本頁面介紹橫河技術報告上發表的技術文章。

橫河電機的AI願景和計劃

Masashi Sugiyama^*1

^*1Director of RIKEN Center for Advanced Intelligence Project
Professor of Department of Complexity Science and Engineering, Graduate School of Frontier Sciences, The University of Tokyo

橫河電機對AI技術的承諾

Kenichi Ohara^*1

^*1DX Design Department, Innovation Center, Marketing Headquarters

顯著進步的人工智慧技術正在全球加速創造新的價值。同時在工業自動化（IA）產業也出現各種問題，例如，隨著工業物聯網（IIoT）技術的普及，操作目標的範圍越來越廣，獲得的測量數據量越來越大，材料的波動也越來越大。以及品質和資深工程師短缺的課題。為了解決這些問題，人們對使用AI技術的期望越來越高，橫河電機不僅透過分析基於AI技術的測量數據，而且利用橫河電機的領域知識來幫助客戶改善各種操作。橫河電機將這一概念確立為AI願景，關鍵詞是“了解當前，預測未來和優化操作”。
本文介紹橫河電機的AI技術和產品、在此概念下的成就，以及其對包括自動化工廠運營在內的未來技術的承諾。

人工智慧在煉油廠和石化廠的應用

Tetsuya Ohtani^*1

^*1Digital Enterprise Solution Center, Digital Enterprise Business Headquarters

人工智慧（AI），機器學習，數據科學和其他先進技術獲得顯著進步，使電腦系統能夠處理以前需要手動完成的勞動和耗時的任務。隨著活用大數據，人工智慧有望自動識別並解決製造業中的問題。本文介紹如何在煉油廠和石化廠中使用AI來解決有關資產和品質的問題。

將AI應用於乙烯廠的案例

Yoshiyuki Jinguu^*1
Hirotsugu Gotou^*2

^*1AI Business Development Department, Information Technology Center, IA Products and Service Business Headquarters
^*2Information Technology Center, IA Products and Service Business Headquarters

意外的設備故障或不預期的維護可能會導致連續運轉的石化廠（如乙烯廠）意外停工。為了避免這種情況，需要連續監視操作狀態。然而，由於工廠中的故障有多種原因，因此人工操作人員很難精確地掌握工廠的狀態並查覺到意外故障和需要維護的跡象。為了解決這個問題，我們與一家乙烯工廠的客戶合作，並開發了AI分析的解決方案。對客戶反饋進行AI分析，從眾多sensor參數中識別出幾個因素，並創建AI模型，可以掌握工廠狀態並檢測任何異常跡象。本文介紹在乙烯工廠中進行AI分析的案例研究以及AI技術可以為客戶提供的新價值，然後介紹如何通過AI分析擴展解決方案業務。

遷移學習技術對工廠數據的適用性

Ryohei Fujii^*1
Hirotsugu Gotou^*2

^*1AI Business Development Department, Information Technology Center, IA Products and Service Business Headquarters
^*2Information Technology Center, IA Products and Service Business Headquarters

製程工業中工廠具有相似的製程和設備，但流體及其物理特性（例如速度和溫度）卻不同。因此，使用常規的監督學習建立檢測異常的模型時，需要許多製程和設備收集訓練數據，大幅增加成本。此外，對於某些很少發生異常的工廠，很難透過監督學習獲取異常數據並建立模型。這些問題可以透過應用來自另一個製程或設備的訓練數據來創建模型來解決，擴展了機器學習的範圍。本文介紹橫河電機解決這些問題的方法，並進行了一項實驗，在該實驗中，我們將轉移學習應用於檢測氣蝕現象，這種現象通常發生在許多設施中。

機器學習技術在Sushi Sensor趨勢監測的應用

Masahiko Sato^*1

^*1AI Business Development Department, Information Technology Center, IA Products and Service Business Headquarters

為了實現狀態維護（CBM），橫河電機開發可以輕鬆收集有關設備和設施狀態數據的Sushi Sensor。但是在先前的應用程序需要為每個Sushi Sensor手動設定警報閾值以監視趨勢，當大量安裝此設備時，需要大量的專門知識以及大量的人力和時間。為了簡化此任務並提高效率，我們導入機器學習技術。
本文解釋如何使用這種機器學習來提高趨勢監視系統檢測異常的效率，並介紹新開發應用程序的驗證測試。

支援AI並使用簡單的記錄器和PLC

Hitoshi Hattori^*1
Masanori Sakagami^*2
Mikoto Ogou^*2
Takuya Debun^*3

^*1Edge Solution Division, Information Technology Center, IA Products and Service Business Headquarters
^*2Product Development Department 3, Edge Solution Division, Information Technology Center, IA Products and Service Business Headquarters
^*3Information Technology Center, IA Products and Service Business Headquarters

   橫河電機憑藉在工業自動化（IA）方面的經驗和知識，在AI分析方面擁有良好的記錄。為了滿足客戶在生產現場和產品開發中導入使用簡便的AI功能，我們將先進AI功能整合到記錄器和可編程邏輯控制器（PLC）。
   在標準的GX / GP系列中實現了AI Future Pen功能，可以預測和繪製未來數據。 GA10軟體內建AI異常檢測功能，可自動檢測可能故障的異常設備行為，並使用戶能夠進行預測性維護，這是Sushi Sensor的標準配定。此外，我們還開發了e-RT3 Plus工業AI平台，用戶能夠使用各種基於Python的軟體有效地開發AI應用程序。
   本文介紹了這些產品及其開發策略，並介紹如何在現場使用AI應用程序以及它們提供了哪些價值。

基於AI的工廠控制

Go Takami^*1

^*1AI Business Development Department, Information Technology Center, IA Products and Service Business Headquarters

全球對機器學習和人工智能（AI）的期望正在增長，並且在各種業務中相關的投資也在不斷增加。機器學習用於自動駕駛汽俥和機器人控制，並且在工廠自動化（FA）的應用正在迅速增加。另一方面，儘管使用製程數據進行數據分析變得越來越普遍，但採用機器學習和AI的實用製程控制技術尚未開發用於製程自動化（PA）。 PID控制仍然是主要技術，需要復雜控制時，仍使用專家的先進控制技術。
我們不是在模擬而是將機器學習技術應用於實際設備，而是對 three-tank water level 控制系統進行了基於AI的控制，這是一種流行的製程控制教育工具。本文介紹了實驗的詳細信息以及用於控制該系統的機器學習技術。

靈活強大的生產系統，可應對製造環境的變化-透過橫河電機的AI產品改善操作-

Mitsutoshi Susumago^*1
Toshio Ono^*1
Keiji Sato^*2

^*1Development Center, Corporate Division, Yokogawa Solution Service Corporation
^*2Connected Industries Business Development Center, Solution Business Division, Yokogawa Solution Service Corporation

許多客戶正在尋求更靈活，更強大的操作，以在製造現場執行各種任務，例如日常操作，改善活動和故障排除，以及響應製造環境的變化。為了協助客戶實現這一點，製程管理方法必須進行思維轉換，如同當初發明DCS的背景。
本文介紹優化操作的新業務模型和應對製造環境變化的功能模型，並且介紹基於該功能模型的系統架構以及橫河電機的AI產品如何在系統中工作。

使用DUCSOnEX進行邊緣計算以檢測設備異常跡象

Tomohisa Shirai^*1
Takeshi Ariyoshi^*2
Keisuke Shinpuku^*2
Akio Nakabayashi^*3

^*1Consulting Department 3, Consulting Center, Solution Business Division, Yokogawa Solution Service Corporation
^*2Industrial Solution Center 4, Industry Headquarters, Yokogawa Solution Service Corporation
^*3Incubation Department, Innovation Center, Marketing Headquarters

日本製造業面臨著各種問題，例如工人減少和老化設備的惡化、頻繁的設備故障、人為操作失誤導致事故風險增加，設備管理成本的可視化不足以及技能和技術的繼承不足。為了克服這些問題，需要創新的工廠資產管理系統。橫河電機的智慧工廠資產管理可以透過數位轉換解決這類問題。諸如物聯網（IoT），人工智慧，機器學習和統計分析之類的技術正在接管檢測異常跡象的任務，而這通常是由資深工人和專家完成的。將機器學習整合到邊緣計算機中了解目標設備的正常運行狀況，橫河電機開發了一種邊緣計算解決方案，可以持續監控設備並檢測異常行為。這種方法使具有高級IIoT應用程序的設備可以在現有基礎架構中使用。本文介紹橫河電機邊緣計算的解決方案功能，邊緣計算分析技術以及一個應用示例。

促進控制技術和AI技術的合作改善工廠操作

Hiroshi Takahashi^*1

^*1Consulting Department II, Solution Business Division, Yokogawa Solution Service Corporation

隨著製造業將生產模式從批量生產轉移到以小數量或可變數量生產多種產品的製程，需要更複雜的生產設備操作。橫河電機針對此採用新能源與工業技術開發組織（NEDO）的獨特方法。本文介紹NEDO專案和成果的詳細資訊，以及對AI技術的有效利用的研究。

New Products