第1部 化学工場・プロセスにおける時系列データ解析と異常検知モデルの作成

(2023年8月16日 10:30〜14:30) ※途中昼食の休憩を挟みます

　化学・化学工学データおよび機械学習を活用して、分子・材料・プロセスの設計やプロセス管理を高度化することが一般的になっている。分子設計では、分子の物性・活性とその化学構造の分子記述子の間で数理モデルを構築し、モデルに基づいて新たな化学構造を設計する。材料設計では、材料の物性・活性・特性と材料の実験条件・製造条件の間でモデルを構築し、モデルに基づいて新たな材料を設計する。プロセス設計やプロセス管理では、プロセスのパラメータの間でモデルを構築し、モデルに基づいて望ましいプロセスを設計し管理する。分子・材料設計の研究・開発はケモインフォマティクスやマテリアルズインフォマティクス、プロセス設計やプロセス管理の研究・開発はプロセスインフォマティクスと呼ばれる。
　本講演では、特にプロセスインフォマティクスの中で、化学工場・プロセスにおける運転データ (時系列データ) を活用したデータ解析・機械学習による効率的なプロセスの運転管理・制御方法を対象にして、多変量プロセス管理や (適応型) ソフトセンサーについて解説する。さらに、多変量プロセス管理やソフトセンサーを高度化する研究例を説明する。また、プログラミングなしでそれらの計算および種々の設計ができるクラウドサービス Datachemical LAB を紹介する。

1. プロセスインフォマティクス
   1. プロセス設計・装置設計
   2. ソフトセンサー
   3. 異常検知・異常診断
   4. モデリング
   5. モデルを活用したプロセス設計・装置設計・ソフトセンサー・異常検知・異常診断
2. データ解析・機械学習
   1. 多変量プロセス管理 (線形)
   2. 多変量プロセス管理 (非線形)
   3. 線形回帰分析
   4. 非線形回帰分析
   5. 適応型ソフトセンサー
   6. Datachemical LAB
3. 研究事例・応用事例
   1. プロセス設計・装置設計の実例
   2. プロセス設計・装置設計の研究例
   3. ソフトセンサーの実例
   4. ソフトセンサーの研究例
   5. 異常検出・異常診断の実例
   6. 異常検出・異常診断の研究例
• 質疑応答

第2部 モデル作成に必要なデータ収集とスパースデータ/少数データ対応

(2023年8月16日 14:45〜16:45)

　AIのモデル作成には大量のデータが必要になることが多い。そのデータは単に集めて蓄積するだけでは使えるものにはならない。
　本講座では実際の現場で導入を行ってきた経験から、モデル作成のみならず、産業の現場でAIを使う上で必要なデータの収集、特に時系列数字データの収集を中心に、どのようなデータをどう集めれば良いのか、データ収集と蓄積について解説する。また、隙間の空いているスパースデータや少ないデータ、収集インターバルの異なるデータを使った分析の方法について解説する。

1. IoT時代におけるデータ収集と課題
   1. データの収集におけるポイントと課題
   2. 使うことを考えたデータの蓄積方法
      • 書き込みするだけではない、同時に読みだされるデータ
      • 蓄積はだらだら、読み込みは一気に
   3. 大量に発生するデータの収集と蓄積
   4. 収集システムの例
      • 振動の収集
      • 音の収集
      • プロセスデータの収集
2. 現場の時系列データを使ったAIによる監視
   1. リアルタイム分析で考えなければいけないポイント
   2. AIを使った監視システムのポイント
   3. 構築事例
3. スパース/少量データを扱う上でのポイント
   1. 現場で発生するスパース/少量データとは
   2. 前処理によるデータの生成
      • データの特性を考えた前処理の方式決定
   3. 間隔の異なる時系列データを用いた分析の例
4. まとめ
   • 現場でシステムを導入するうえでのポイント
• 質疑応答