第1章 センサとデータのやり取りを行うためのローカル5G、通信、無線技術

第1節 ローカル5Gの現状と今後の展望

• 1.ローカル5Gの概要
• 2.ローカル5Gの適用分野
• 3.Wi-Fi,ローカル5G,プライベート5Gの特徴比較
• 4.ローカル5Gのネットワーク構成
• 5.ローカル5Gの適用分野
• 6.ローカル5Gの新たな展開
• 7.ローカル5Gの今後

第2節 Wi-Fi 6、Wi-Fi7&ローカル5Gを巡る最新動向とスマートファクトリー化へのインパクト

• 1.進化し続ける無線LANとWi-Fi
• 2.スマートファクトリーへの普及が期待されるWi-Fi 6
• 3.仕様化が進むIEEE802.11be EHT (Extremely High Throughput) とWi-Fi 7
• 4.Wi-Fi 6とローカル5G
• 5.スマートファクトリー化におけるネットワークの在り方

第3節 ローカル5Gで用いられる主な通信規格の解説とLPWAの今後の展望

• 1.5Gとローカル5Gの概要
• 2.5G/ローカル5Gの目標と3種類のサービス
• 3.5G/ローカル5Gの標準仕様と実現技術
• 3.1 5G/ローカル5Gアクセス網の基本仕様
• 3.2 5G/ローカル5GにおけるURLLCの検討状況
• 3.3 5G/ローカル5GにおけるmMTCの検討状況
• 3.4 2022年までに追加された5G/ローカル5Gの仕様概要
• 3.5 5G/ローカル5Gにおけるシステム制御
• 3.6 5Gの展開動向

• 4 ローカル5Gとその動向
  • 4.1 ローカル5Gの使用周波数と利用イメージ
  • 4.2 ローカル5Gにおける準同期TDD
  • 4.3 ローカル5Gの有望アプリケーション
  • 4.4 ローカル5G vs. 無線LAN
  • 4.5 ローカル5Gの動向
• 5 LPWAとIoT
  • 5.1 LPWAとその特徴
  • 5.2 LPWAの応用
  • 5.3 LPWAの変遷と動向
  • 5.4 LPWAの種類
  • 5.5 LPWAの今後の展望
• 6 ローカル5GとLPWA

第4節 広域高速移動低消費電力LPWA通信技術の開発と今後の展望

• 1.ELTRESの概要
• 2.ELTRESの通信仕様
• 3.ELTRESで採用した技術
  • 3.1 GNSSを利用した時刻同期
  • 3.2 GNSSを利用した周波数・クロック補正
  • 3.3 プリアンブルレス通信
  • 3.4 最大比合成時間ダイバーシティ
  • 3.5 LDPC誤り訂正符号
  • 3.6 高精度キャリア同期
  • 3.7 チャープ変調による多重化
  • 3.8 ダイナミック周波数ダイバーシティ
• 4.ELTRESの通信プロトコルを実装した高機能送信モジュール
• 5.ELTRES IoTネットワークサービス
• 6.今後の展望

第5節 LPWAの概況と産業課題解決に向けたワイヤレスネットワーク活用・開発の取り組み

• 1.デジタルトランスフォーメーションの第一段階としての「モノのオンライン化」
  • 1.1 不可避となったデジタルトランスフォーメーション
  • 1.2 ワイヤレスソリューションのニーズの高まり
  • 1.3 通信事業者に期待される新たな役割
• 2.LPWAの概説
  • 2.1「ライセンス系」LPWAとは
    • 2.1.1 LTE-M
    • 2.1.2 NB-IoT
  • 2.2「アンライセンス系」LPWAとは
    • 2.2.1 Sigfox
    • 2.2.2 LoRa/LoRaWAN
    • 2.2.3 Zeta
    • 2.2.4 ELTRES
    • 2.2.5 Wi-SUN
    • 2.2.6 Wi-Fi Halow (IEEE 802.11ah)
  • 2.3 アンライセンスLPWAの外部環境の変遷
• 3.NTT西日本グループのIoT・ワイヤレス事業の取り組み
  • 3.1 スマートな地域社会の実現への取り組み
  • 3.2 IoT・ワイヤレス事業の立ち上げとサービスの拡充
    • 3.2.1 LoRaWAN
    • 3.2.2 Wi-Fi
    • 3.2.3 ローカル5G
  • 3.3 市場ニーズへの対応
    • 3.3.1 食品製造業 (IoTプラットフォーム × LoRaWAN)
    • 3.3.2 建設業 (メッシュWi-Fi)
• 4.新たな技術開発
  • 4.1 ドライブバイ技術Beecle®
  • 4.2 機能開発の概要
  • 4.3 ドライブバイ方式適用の将来像
• 5.まとめ

第6節 製造現場のデジタル化に向けた相互運用標準 OPC UAの特徴・展望と適用事例

• 1.OPC UAとは
• 2.製造システムのデジタル化・データ活用におけるOPC UAの位置づけ
• 3.OPC技術の歴史 OPCクラシックからOPC UAへ
• 4.OPC UAの特長
• 5.進化するOPC UAと今後の展望
• 6.OPC UAの適用事例

第7節 低遅延で多数の無線端末と同時通信できる無線アクセス技術

• 1.概要
• 2.低遅延と多数接続を実現する無線アクセス技術 (STABLE)
  • 2.1 概要
  • 2.2 低遅延化及び多数接続を実現する技術
    • 2.2.1 低遅延通信の実現
    • 2.2.2 多数接続の実現
  • 2.3 5G New Radio (5G NR) との互換性
    • 2.3.1 無線フレーム
    • 2.3.2 物理アップリンク回線共用チャネル (PUSCH)
    • 2.3.3 UE及びBSの信号処理
• 3.帯域内全二重無線通信 (IBFD)
  • 3.1 概要
  • 3.2 セルラシステムへのIBFD適用
  • 3.3 IBFDの基地局実装技術
    • 3.2.1 アンテナ
    • 3.2.2 RFフロントエンド
    • 3.2.3 ベースバンドデジタル回路
    • 3.2.4 結合評価

第8節 IoT、ローカル5Gを支えるアンテナ技術と今後の展望

• 1.移動通信システムと端末向けアンテナの歴史
  • 1.1 第1世代 アナログ (大容量方式・TACS方式) 自動車電話用アンテナ・ショルダーホン用アンテナ・携帯型電話向けアンテナ
  • 1.2 第2世代 デジタル (PDC) 携帯電話端末向けアンテナ
  • 1.3 第3世代 W-CDMA・CDMA1X 携帯電話端末向けアンテナ
  • 1.4 第4世代 LTE
• 2.M2M〜IoT向けアンテナの種類 (形状・仕様) と用途、その技術的特長
  • 2.1 M2M・IoTの概念
  • 2.2 M2M向けアンテナ
    • 2.2.1 シングルアンテナ 単一型 (V)
    • 2.2.2 ダイバシチアンテナ
    • 2.2.3 広帯域アンテナ
  • 2.3 IoT向けアンテナ
    • 2.3.1 MIMOアンテナ
    • 2.3.2 内蔵型アンテナ
    • 2.3.3 特殊環境型アンテナ
  • 2.4 今後のIoTアンテナ
    • 2.4.1 4MIMOアンテナ
    • 2.4.2 サステナブルアンテナ
• 3.ローカル5Gのアンテナ
  • 3.1 ローカル5G向けアンテナ
  • 3.2 指向性アンテナ
    • 3.2.1 狭ビームアンテナ
    • 3.2.2 広ビームアンテナ
  • 3.3 無指向性アンテナ
    • 3.3.1 深ビームチルトアンテナ
    • 3.3.2 高利得無指向性ビームアンテナ

第9節 製造現場における電波環境のセンシングとマルチリンクWi-Fiの制御技術

• 1.製造現場における電波環境のセンシング
  • 1.1 電波環境センシング技術
  • 1.2 電波環境可視化技術
• 2.マルチリンクWi-Fiの制御技術
  • 2.1 はじめに
  • 2.2 マルチリンクの通信形態
  • 2.3 マルチリンク符号化伝送
  • 2.4 マルチリンクWi-Fiの実装例

第10節 ローカル5G とエッジAI (AIエッジコントローラ) の活用事例と普及への取り組み

• 1.ローカル5GとエッジAIを活用したユースケース
  • 1.1 ユースケースとシステム構成
  • 1.2 エッジAI (AIエッジコントローラ)
• 2.ローカル5GとエッジAIの活用事例
  • 2.1 工場での活用事例 (スマートファクトリ)
  • 2.2 遠隔作業支援
  • 2.3 作業ミス検知
  • 2.4 不良品検査
  • 2.5 不審者侵入検知
• 3. ローカル5GとエッジAI (AIエッジコントローラ) 普及への取り組み

第11節 IoT通信データにおける優先度を考慮した通信手法の開発

• 1.IoT (Internet of Things) の概要
  • 1.1 IoTとは
  • 1.2 IoTにおける無線技術
  • 1.3 IoTにおける転送プロトコル
• 2.拡張MQTT法を用いたメッセージ優先度制御法
  • 2.1 MQTTにおけるデータの送受信
  • 2.2 MQTT Control Packets
• 3.拡張MQTT法を用いたメッセージ優先度制御法
  • 3.1 拡張MQTT法について
• 4.応用事例

第12節 IoT機器のための無線通信システムの干渉対策

• 1.無線通信システムの周波数
• 2.無線LANにおける干渉対策
  • 2.1 干渉対策の概要
  • 2.2 直接拡散方式
  • 2.3 CSMA/CA
• 3.ZigBeeにおける干渉対策
  • 3.1 干渉対策の概要
  • 3.2 CSMA-CA
• 4.無線LANとZigBeeが共存する場合に生じる干渉
• 5.Bluetoothにおける干渉対策

第2章 センサ端末・エッジ側端末のデータ処理技術

第1節 センサデータの品質がデータ分析に与える影響について〜データ分析専門企業からみたセンサデータ収集時のポイント〜

• 1.結果が出ないPoC (Proof of Concept:概念実証)
• 2.自覚症状が無いセンサデータの品質問題
• 3.センサデータの品質を向上させる7つのポイント

第2節 低消費電力、低遅延なエッジコンピューティングを実現する要素技術

• 1.ネットワークの省電力化と低遅延化
• 2.TCP通信実験
• 3.並列処理実験

第3節 IoTデータの特性とデータプラットフォームの考察 (非構造化データの活用)

• 1.IoTデータ処理の特性
  • 1.1 データソース
  • 1.2 IoTデータ処理とデータプラットフォーム
• 2.非構造化データの活用
  • 2.1 意味づけ
    • 2.1.1 非構造化データの構造に対する意味付け
    • 2.1.2 エンリッチメント
    • 2.1.3 IoTデータにおける意味付けの特徴
  • 2.2 読み出し
  • 2.3 エンリッチメント情報の入手
• 3.機械学習
  • 3.1 サービスとして利用できる機械学習ユースケース
  • 3.2 探索的データ分析 (EDA)
    • 3.2.1 データ構造の変換
    • 3.2.2 複数データソースの結合
    • 3.2.3 テキストデータの数値化
    • 3.2.4 特徴量の選択
    • 3.2.5 可視化
    • 3.2.6 外れ値の扱い
  • 3.3 適用できるアルゴリズム
  • 3.4 スケーラビリティと可用性 (High Availability)
• 4.事例に見る非構造化データの扱い
  • 4.1 事例別特徴
    • 4.1.1 産業用制御システム (IX)
    • 4.1.2 スマートメーター
    • 4.1.3 コネクテッドカー / トランスポーテーション
    • 4.1.4 医療機器
    • 4.1.5 環境センサー
    • 4.1.6 ウェアラブル
    • 4.1.7 RFID/NFC/BLE
    • 4.1.8 ポイント・オブ・セールス・システム (POS)
  • 4.2 IoT及びIIoTセキュリティ

第4節 センサ外れ値と信号損失に対するソフトセンシングによる補償方法

• 1.外れ値を考慮したソフトセンシング
  • 1.1 問題設定
  • 1.2 切替え型オブザーバによる推定
  • 1.3 実機検証
• 2.信号損失に対する切替え型オブザーバによる推定

第5節 歩留まり稼働率改善に向けた製造業データの活用と分析

• 1.結果系データが連続値の場合の要因分析
• 2.データの問題
• 3.データ前処理の問題
• 4.結果の解釈
• 5.結果系データが計数値の場合の要因分析
• 6.欠陥やゴミには大きさの分布が存在しノイズのようなトレンドになりやすい
• 7.発生頻度が少ないので傾向が掴みにくい
• 8.欠陥とゴミは場所・大きさ・分類が異なれば発生メカニズムは異なる
• 9.原因となる工程と検出される工程が異なるケースがある
• 10.洗浄などの工程で除去されてしまうケースがある
• 11.フェールストップになっているケース
• 12.結果系データのトレンド監視
• 13.要因系データのトレンド監視
• 14.ロス分析と異常検知、予兆検知
• 15.異常検知
• 16.予兆検知
• 17.機械学習の活用
• 18.要因分析の課題
• 19.結果系データのトレンド監視の課題
• 20.要因系データのトレンド監視の課題
• 21.機械学習の活用
• 22.異常検知、予兆検知との組み合わせ
• 23.回帰モデル活用のポイント

第6節 各部門を跨いだデータ活用に向けた課題と解決策

• 1.製造業のデータ活用/DXプロジェクトを難しくしている要因
  • 1.1 DXという言葉に潜む罠
  • 1.2 手段の目的化がプロジェクトをより難しくする
  • 1.3 プロジェクト推進体制/アサインに潜む罠
  • 1.4 データを活用するプロジェクトの構造的な難しさ
    • 1.4.1 データ活用のプロセスに潜む難しさ
    • 1.4.2 データ構造に潜む難しさ
    • 1.4.3 データインフラに潜む難しさ
• 2.立ちはだかる高い壁の突破方法 (如何にデータ活用の難易度を下げるか)
  • 2.1 原点回帰 (目的の再確認と明確化)
  • 2.2 難しいことからやらない
  • 2.3 DXを実現する組織・チーム

第7節 収集したデータの基本的統計処理・グラフ表示・記述統計の考え方

• 1.エッジ端末側でのデータ収集のための通信とシステム構成
  • 1.1 エッジ側端末でのデータ授受のための通信
  • 1.2 システム構成の例
• 2.Raspberry Piによるデータ収集事例
  • 2.1 Raspberry PiとGrove Base Hat
  • 2.2 Raspberry PiのOSとソフトウェア
  • 2.3 押しボタンスイッチとLEDランプによる動作確認
  • 2.4 加速度センサのデータ収集と保存
  • 2.5 CO2センサのデータ収集と保存
• 3.IoTデータのための基本的統計処理と記述統計の考え方
  • 3.1 IoTデータの特徴と解析の基本
  • 3.2 基本的統計処理 (平均と分散)
  • 3.3 基本的統計処理 (データ分布)

第3章 データセンターの技術動向

第1節 エッジコンピューティングを支えるエッジデータセンターとソリューション開発動向

• 1.クラウド時代に求められるエッジコンピューティング
  • 1.1 エッジコンピューティングとは
  • 1.2 エッジコンピューティングによるクラウドの課題の解決
    • 1.2.1 低遅延のリアルタイム処理
    • 1.2.2 ネットワーク通信費およびクラウド利用コスト低減
    • 1.2.3 セキュリティに関する社内規定の順守
    • 1.2.4 事業継続の確保
  • 1.3 データセンター設備の最適配置とエッジデータセンター
  • 1.4 マルチアクセスエッジコンピューティング (MEC)
• 2.エッジデータセンター設備
  • 2.1 エッジデータセンターの品質基準
    • 2.1.1 マイクロデータセンター
    • 2.1.2 給電
    • 2.1.3 物理セキュリティ
    • 2.1.4 リモート監視・運用
  • 2.2 コンテナ型データセンター
    • 2.2.1 コンテナ型データセンター「co-IZmo/I」の特長
• 3.IIJにおけるソリューション開発動向
  • 3.1 エッジコンピューティング基盤パッケージ
  • 3.2 月額利用 (as a Service)
  • 3.3 自立型データセンター (BCP) /カーボンニュートラルデータセンター
  • 3.4 他社におけるエッジデータセンターの開発動向

第4章 統計的手法、機械学習を用いたデータの処理とその応用

第1節 機械学習/ディープラーニングを行う際に必要なデータ処理の基本

• 1.よいデータとは
• 2.基本的なデータ処理
  • 2.1 抜け、異常値への対応
  • 2.2 量を調整する (増やす/減らす)
  • 2.3 次元を削減する
  • 2.4 名寄せ
  • 2.5 正規化
  • 2.6 ワンホットベクトル化
  • 2.7 分散表現 (distributed representation)
• 3.よりよい機械学習/ディープラーニングのデータのために

第2節 製造現場のデータサイエンス

• 1.超ビックデータ社会と製造業を取り巻く現状
  • 1.1 超ビックデータ社会の加速
  • 1.2 日本の製造業を取り巻く現状
• 2.ビッグデータデータ分析の基本
  • 2.1 ビックデータの定義
  • 2.2 ビッグデータの種類
  • 2.3 ビックデータ分析のフレームワーク
• 3.製造業におけるビッグデータ分析の考え方
  • 3.1 製造業におけるデータ活用の原点
  • 3.2 従来の統計的品質管理とビッグデータ分析の違い
  • 3.3 製造業におけるビッグデータ活用の適用範囲
  • 3.4 自工程完結の考え方に見る製造ビッグデータ活用の狙い
  • 3.5 プロセス製造業と組み立て製造業の違い
• 4.製造業におけるビッグデータ分析の進め方
  • 4.1 ビジネスの理解
  • 4.2 データの理解
  • 4.3 データの準備
  • 4.4 モデルの構築
    • 4.4.1 教師あり学習と教師なし学習
    • 4.4.2 機械学習の分析手法
    • 4.4.3 分析アルゴリズム選択の考え方
  • 4.5 モデルの評価
  • 4.6 展開/共有

第3節 ペタバイト級IoTデータを高速に処理するスケールアウト型データベースGridDB

• 1.GridDBの特長
  • 1.1 自律型DBクラスタ技術ADDA
  • 1.2 NoSQL・SQLデュアルインターフェイス
  • 1.3 高速データ処理技術
• 2.OSS版GridDB
• 3.GridDBの利用メリット
  • 3.1 ファストデータとビッグデータの統合によるコスト削減
  • 3.2 ペタバイト級データへの対応
• 4.ベンチマーク
  • 4.1 SQLベンチマーク TPC-H
  • 4.2 NoSQLベンチマーク YCSB
  • 4.3 時系列ベンチマーク YCSB-TS

第4節 ランダムフォレストと浅いニューラルネットワークによるセンサ信号の認識

• 1.センサフュージョンとAIの適用
• 2.デジタルツイン
• 3.ロボット芝刈り機とデジタルツインの適用
  • 3.1 ロボット芝刈り機
  • 3.2 センサフュージョン
  • 3.3 芝の長さと芝以外の推定問題
• 4.AIに基づくアプローチ
  • 4.1 ランダムフォレストアルゴリズム
  • 4.2 浅いニューラルネットワーク
• 5.実験評価
  • 5.1 実験の方法
  • 5.2 ランダムフォレストに対する実験
  • 5.3 浅いニューラルネットワークに対する実験
  • 5.4 実験結果

第5節 機械学習を用いたセンサプロダクトのキャラクタリゼーション技術と適用事例

• 1.キャラクタリゼーション工程の概要
• 2.サポートベクトル回帰による特性式同定
  • 2.1 製品スペックに応じた誤差設計への対応
  • 2.2 高速演算可能な特性式構造への対応
• 3.適用事例
  • 3.1 熱伝導式カロリーメータ
  • 3.2 差圧・圧力発信器

第6節 高性能なエッジ端末を用いた分散機械学習における画像認識技術

• 1.背景
• 2.関連研究
  • 2.1 エッジコンピューティング
  • 2.2 Federated Learning
• 3.課題と解決手法の提案
  • 3.1 研究課題
  • 3.2 解決手法
    • 3.2.1 想定環境
    • 3.2.2 提案モデル
  • 3.3 貢献
• 4.提案手法の実装と評価
  • 4.1 データセット
  • 4.2 実験環境
  • 4.3 予備実験
  • 4.4 実験 (trainデータ : 個人データ + エッジサーバの全てのデータ)
    • 4.4.1 実験概要
    • 4.4.2 実験結果
    • 4.4.3 学習精度の詳細
  • 4.5 サーバから受け取るデータの割合と精度の関係
  • 4.6 データを変化させた際の結果
    • 4.6.1 一般的なデータの人数を変化させる
    • 4.6.2 個人情報として扱う人数を変化させる
• 5.結論

第7節 計測制御分野におけるAIの社会実装事例

• 1.AIと社会実装
  • 1.1 本稿で扱うAI
  • 1.2 社会実装
• 2.AIの社会実装事例
  • 2.1 工業分野
    • 2.1.1 オンライン異常予兆検知システム
    • 2.1.2 バルブ解析診断サービス
  • 2.2 空調分野
    • 2.2.1 機械学習による熱源最適制御システム
    • 2.2.2 熱源最適運用支援システム

第8節 食品製造プロセスにおけるAI・センサデータの活用方法とその実践例

• 1.食品製造プロセスへのAI検査システムの応用事例
  • 1.1 冷凍食材に対する事例紹介
    • 1.1.1 冷凍食材検査における課題と解決手段
    • 1.1.2 提案手法の構成
    • 1.1.3 実験と考察
    • 1.1.4 冷凍食材に対するAI導入の有効性
  • 1.2 豆類の焙煎度判定に対する事例紹介
    • 1.2.1 焙煎判定における課題と解決手段
    • 1.2.2 提案手法の構成
    • 1.2.3 実験方法
    • 1.2.4 実験結果と考察
  • 1.3 豆類の異物検知に対する事例紹介
    • 1.3.1 混入異物検知における課題と解決手段
    • 1.3.2 提案手法の構成
    • 1.3.3 実験方法
    • 1.3.4 実験結果と考察
  • 1.4 天然物を含む製菓に対する事例紹介
    • 1.4.1 製菓検査における課題と解決手段
    • 1.4.2 提案手法の構成.
    • 1.4.3 実験方法
    • 1.4.4 実験結果と考察

第9節 生産現場の変革に向けたデジタル技術の開発 – AI・IoT・通信・セキュリティ・HMS –

• 1.DXを深化させるデジタル技術の動向
  • 1.1 IoTシステム
  • 1.2 セキュリティ
  • 1.3 ネットワーク基盤 (5G)
  • 1.4 ヒューマン・マシン・システム (HMS)
  • 1.5 AI
• 2.ユーザニーズの多様化に伴う生産現場の課題とその解決アプローチ
  • 2.1 CNC切削加工機に向けた技術開発
  • 2.2 産業用ロボットに向けた技術開発
  • 2.3 形彫放電加工機に向けた技術開発
• 3.社会の課題を解決するメカトロニクス
  • 3.1 メカトロニクスとサイバー空間
  • 3.2 社会課題を解決するサイバー・フィジカル・システム

第10節 製造業を取り巻くDX環境の変化とAI内製化に向けた人材育成ソリューション

• 1.製造業に求められているDX・AI
  • 1.1 製造業におけるDX・AIの重要性
  • 1.2 日本企業におけるAIの導入状況
• 2.AIの内製化
  • 2.1 AIの内製化の重要性
  • 2.2 AI開発のハードル低下
    • 2.2.1 センシング技術・クラウドサービスの高度化
    • 2.2.2 オープンソースソフトウェア (OSS) ・事前学習モデルの台頭
    • 2.2.3 AutoML (Auto Machine Learning) 製品の登場
  • 2.3 AIの内製化を阻む壁と内製化を成功させる鍵
• 3.AI人材の育成
  • 3.1 ALBERTが定義するAI人材のスキルレベル
  • 3.2 ALBERTにおけるAI人材育成ソリューション
    • 3.2.1 ALBERTで実施している新人研修 (OFF-JT)
    • 3.2.2 実データを活用した伴走型教育 (OJT)
    • 3.2.3 実データを活用した伴走型教育 (OJT) を終えた企業のその後

第11節 AI画像外観検査における画像データ作成の重要性と装置化プロセス

• 1.AIによる自動外観検査とは
• 2.AI外観検査導入事例
• 3.AIによる自動外観検査における画像撮像の重要性
• 4.AIによる自動外観検査の導入ステップ
• 5.AI外観検査導入のポイント
• 6.AI検査装置導入サポート
• 7.AI検査装置導入後の注意点と運用方法

第12節 マシンビジョン画像処理システムのためのライティング技術

• 1.視覚機能について
  • 1.1 視覚機能と照明技術
  • 1.2 照射光と物体光の光物性
  • 1.3 物体光の分類と明るさ
  • 1.4 物体光の明るさの同定
• 2.光の変化とその定量化
  • 2.1 人間が見るものの本質
  • 2.2 光の変化を捕捉する
  • 2.3 光の明るさの変化
  • 2.4 光の明るさの定量化
• 3.V-ISA Methodの原理と定量化技術
  • 3.1 V-ISA Methodの原理
  • 3.2 明視野画像の定量化
  • 3.3 暗視野画像の定量化
  • 3.4 定量化の原理と3D形状の分解能

第5章 設備保安に向けたセンシング、IoT、ローカル5G技術の応用

第1節 老朽化した古い設備のIoT化とデータの集め方、ポイント

• 1.導入手順
  • 1.1 既存の配線図を確認する
  • 1.2 配線図から接続端子の場所を特定する
  • 1.3 リレー回路を経由してラズベリーパイに接続する
  • 1.4 接続して収集した情報を画面モニタに表示する
  • 1.5 収集した情報を分析して改善活動に役立てる

第2節 時系列センサデータを用いた機械学習によるインフラ設備や製造装置の異常予兆診断手法

• 1.インフラ設備や製造装置における時系列異常予兆診断手法の課題
• 2.ベースとなる説明性のある時系列診断手法 shapelets学習法
• 3.説明性があり正常データのみで学習する時系列異常予兆診断手法 OCLTS
• 4.説明性があり誤検出と見逃しのリスクを考慮する時系列異常予兆診断手法 LTSpAUC
• 5.説明性があり波形変化も学習する時系列異常予兆診断手法 LETS

第3節 電力需要設備におけるスマート保安の動向とスマート化の取り組み

• 1.需要設備の管理課題とスマート化の動向
  • 1.1 設備管理の課題
  • 1.2 スマート化の動向
    • 1.2.1 スマート保安推進に関する調査報告
    • 1.2.2 需要設備における導入状況
• 2.スマート化の取り組み
  • 2.1 まるごとスマート保安サービス
    • 2.1.1 まるごとスマート保安サービスの概要と構成
    • 2.1.2 まるごとスマート保安システムの機能
    • 2.1.3 まるごとスマート保安サービスの目指す保全業務のスマート化
    • 2.1.4 保全業務におけるスマート化のレベル
• 3.適用事例
  • 3.1 特高受変電設備の稼働状態の見える化
  • 3.2 保全業務の見える化
  • 3.3 稼働監視データと保全管理データの統合・高度BI分析
    • 3.3.1 動作イベントの高度分析
    • 3.3.2 点検結果の高度分析
  • 3.4 劣化状態監視
    • 3.4.1 VCB動作時間監視
    • 3.4.2 微地絡検知による絶縁劣化監視
  • 3.5 BCP対応

第4節 AIによるコンクリートのひずみ分布を用いた劣化要因診断の可能性

• 1.実験概要
  • 1.1 使用材料および配合
  • 1.2 試験体概要および測定方法
    • 1.2.1 試験体概要
    • 1.2.2 ラインセンサスキャナおよびデジタル画像相関法
  • 1.3 画像認識モデルの構築および検証
• 2.実験結果および考察
  • 2.1 DICによるひずみ分布の比較
  • 2.2 画像認識モデルによる劣化要因診断

第5節 モーターの予知保全を実現するセンシングソリューション

• 1.予知保全
  • 1.1 予知保全とは?
  • 1.2 予知保全が必要とされる背景
• 2.Smart Motor Sensorとはどのような製品か
  • 2.1 SMSが生まれた背景
  • 2.2 SMSの機能・有効性について
    • 2.2.1 学習モデル・AIによる判断
    • 2.2.2 9つの異常の自動判定
    • 2.2.3 判断結果・計測データの確認
    • 2.2.4 センサーの取り付け、及びセットアップのしやすさ
  • 2.3 API (Application Programming Interface)
  • 2.4 採用事例
  • 2.5 モーター効率への効果 (SDGs or カーボンニュートラル)
• 3.モーター以外へのCbMシステムについて
  • 3.1 CbMを実現するための機器
    • 3.1.1 センサー
    • 3.1.2 エッジコンピュータ
  • 3.2 事例
    • 3.2.1 振動センサー VP-8021A
    • 3.2.2 SENSPIDER
  • 3.3 評価ボードについて

第6節 省データ・高精度な振動監視設備予兆診断システムの開発と応用

• 1.設備故障予兆診断とは
  • 1.1 従来技術
  • 1.2 Foresightによる設備故障予兆診断
• 2.Foresightの振動解析技術
  • 2.1 TSA
  • 2.2 CI (Condition Indicator;状態指標)
• 3.Foresightの推計統計学を用いた診断手法
  • 3.1 HI (Health Indicator;健全指標) の算出と閾値設定
  • 3.2 HIトレンド線とRUL (Remaining Useful Life:メンテナンス寿命)
• 4.導入形態

第7節 構造物及び工場設備機器のヘルスモニタリングに向けた振動計測技術

• 1.振動計測技術の基礎
  • 1.1 押さえるべき振動の要素
  • 1.2 対象物と振動周波数
  • 1.3 振動周波数の違いによる計測の注意点
  • 1.4 振動の大きさのみによる判断は困難
• 2.振動計測に使用するセンサ
  • 2.1 振動センサの種類
  • 2.2 構造ヘルスモニタリングに使用する振動センサ
  • 2.3 工場設備診断に使用する振動センサ
  • 2.4 振動センサの採用ポイント
• 3.振動構造ヘルスモニタリング
  • 3.1 振動を計測する目的
  • 3.2 振動の発生と計測
  • 3.3 共振周波数 (固有周期) で診る構造
  • 3.4 塑性変形と弾性変形
  • 3.5 層間変位で診る構造
  • 3.6 構造ヘルスモニタリングとIoT技術
• 4.振動設備診断
  • 4.1 振動で設備の何が判るのか
  • 4.2 振動の発生源
  • 4.3 異常振動と異常音
  • 4.4 振動レベルで診る設備
  • 4.5 振動波形で診る設備
  • 4.6 振動設備診断とIoT技術
• 5.通信技術と近未来振動計測
  • 5.1 振動計測のデータ量
  • 5.2 無線通信と振動計測の相性
  • 5.3 デジタル出力振動センサの落とし穴
  • 5.4 振動計測はローコストになり難い
  • 5.5 AIによる振動判定

第8節 機械状態監視技術を応用した設備保全業務のデジタル化

• 1.設備保全戦略
  • 1.1 設備保全の目的と管理
  • 1.2 保全戦略の種類
    • 1.2.1 事後保全 (RM: Reactive Maintenance)
    • 1.2.2 予防保全 (PM: Preventive Maintenance)
    • 1.2.3 予知保全 (PdM: Predictive Maintenance)
    • 1.2.4 積極中心保全 (PCM: Proactive-Centered Maintenance)
    • 1.2.5 時間基準保全と状態基準保全の比較
    • 1.2.6 P-Fカーブ
• 2.振動技術による機械状態監視
  • 2.1 振動センサ
  • 2.2 信号処理モニタ
  • 2.3 機械状態監視ソフトウェア
• 3.無線振動計による状態監視の導入拡大
  • 3.1 無線振動計 Ranger Pro
  • 3.2 無線振動計でのFFTスペクトル同時収集
• 4.高度デジタル技術の導入

第9節 誘導電動機のベアリング損傷のオンライン診断技術

• 1.実験
• 2.電流解析
• 3.機械学習による診断
  • 3.1 SVMに基づいたベアリング診断
  • 3.2 ニューラルネットワーク

第10節 射出成形機におけるDXへの取り組みと展望

• 1.射出成形現場のDX化に向けた課題
  • 1.1 生産管理
  • 1.2 品質管理
  • 1.3 環境保全・資源保護
• 2.住友重機械工業の射出成形機におけるDXへの取り組み
  • 2.1 生産品質管理システム i-Connect
  • 2.2 OPC UAサーバ
  • 2.3 温調機SPICCP通信
  • 2.4 品質管理パッケージ
• 3.今後の展望

第11節 予知保全導入に向けた製造現場のIoT化と設備保全プロセス革新の取り組み

• 1.設備保全プロセス革新の考え方と成果
  • 1.1 福井村田製作所で行ったIoT化
  • 1.2 導入前の設備保全プロセスとその課題
  • 1.3 予知保全の効果と有効性
• 2.予知保全の実際
  • 2.1 予知保全の導入ポイント
  • 2.2 予知保全の効率化
• 3.設備保全プロセスの革新
  • 3.1 設備保全プロセス革新の必要性を組織に植え付ける
  • 3.2 モノづくり現場の生産性向上
  • 3.3 設備保全プロセス革新の壁を超える
  • 3.4 予知保全のコストバランス

第12節 設備診断分野へのデジタル技術の活用事例

• 1.目指したい設備管理の姿
• 2.取組事例
  • 2.1 無線振動計の展開
  • 2.2 電流情報量診断技術の展開
  • 2.3 画像診断技術の導入検討
  • 2.4 可視化されたデータの活用

第13節 生産現場における予知保全、最適運用に向けたデジタルツインの活用とIoTとの連携

• 1.デジタルツインと製造工程
• 2.物理モデルベースのデジタルツイン作成
• 3.実機への接続とIoTプラットフォームの活用

第6章 化学プロセス、プラントに向けたセンシング、IoT、ローカル5G技術の応用

第1節 プロセスプラントにおけるAI、ビッグデータの活用とDX導入の着眼点

• 1.プラントへのAI・IoT・デジタル技術の活用
  • 1.1 AI活用の為に必須な高度解析エンジニアリング技術
  • 1.2 プラント現場へのAI活用事例
  • 1.3 プラント現場へのAI活用を支援するソリューション
  • 1.4 次世代に向けたAIとシミュレータの連携
• 2. センサーフュージョンIoT技術による『見える化』の実現
• 3. デジタルツインによるプラント・ライフサイクルでのDX貢献
  • 3.1 3D保安高度化プラットフォーム
  • 3.2 Mirai Fusionソリューション
  • 3.3 プラント・デジタルツイン環境下でのロボティクス活用
• 3.将来のプラント操業の姿

第2節 蒸留装置周りでのトラブル予知に活用されるエンジニアリング、AI技術

• 1.トレイロードAI
• 2.各機器パフォーマンス評価AI
• 3.蒸留塔周りでの腐食減肉による流体の漏れや計画外停止の回避機能
• 4.付帯重要機器 (加熱炉やポンプ等) の異常検知機能
  • 4.1 加熱炉保全最適化
  • 4.2 その他計器機器の異常予知および装置全体の異常監視

第3節 制御システムに対するIoTの活用におけるアラームマネジメントとサイバーセキュリティの課題

• 1.IoTを活用したスマート工場のイメージ
• 2.IoTを活用する上でのアラームマネジメントとサイバーセキュリティの課題

第4節 クラウドにおける化学プラントのデータ利活用の取り組み

• 1.化学プラントのためのクラウド活用
  • 1.1 クラウド活用の意義
• 2.化学プラントのデータのための統合管理基盤
  • 2.1 化学プラントにおけるデータ
    • 2.1.1 エンジニアリングデータ
    • 2.1.2 運転データ
    • 2.1.3 保全データ
  • 2.2 デジタルツイン
    • 2.2.1 資産モデル
    • 2.2.2 運転モデル
• 3.化学プラントのデータ利活用例
  • 3.1 遠隔地での運転データ分析支援の例
  • 3.2 複数社の知見を活用した例

第5節 プラント設備を模した三段水槽の制御に向けた強化学習の適用

• 1.強化学習
• 2.三段水槽制御
  • 2.1 システム構成
  • 2.2 実験
  • 2.3 実験結果

第6節 数理最適化技術を応用した プロセス・用役系の省エネ・最適化技術

• 1.数理最適化の概要
• 2.最適化モデルの特徴
  • 2.1 プラント全体を扱う大規模最適化
  • 2.2 プロセス系モデルの特徴
  • 2.3 用役系モデルの特徴
• 3.適用効果
• 4.普及のための課題と方策

第7節 スマートプラント実現に向けた「見える化」「わかる化」「変わる化」への取り組み

• 1.スマート化・DX概要
• 2.「見える化」の取組
• 3.「わかる化」の取組
• 4.「変わる化」の取組

第8節 安定運転に向けた回転機械の設備状態監視

• 1.設備管理のあるべき姿
• 2.設備管理 (設備診断) の現状
• 3.デジタル技術による診断技術の高度化の取り組み事例
  • 3.1 設備診断結果報告システム
  • 3.2 往復動式圧縮機のモニタリング技術
    • 3.2.1 数学モデルを用いたモニタリング技術
    • 3.2.2 CAEを用いたモニタリング技術 (実用化)
  • 3.3 ベルトコンベアの予兆監視システム
    • 3.3.1 ベルトコンベアの予兆監視システムの概要
    • 3.3.2 予兆監視システムの検証試験
  • 3.4 ワイヤレス振動状態監視の導入事例
  • 3.5 ビックデータ解析事例

第7章 工場に向けたセンシング、IoT、ローカル5G技術の応用

第1節 製造現場のプロセス改善の為の可視化、そのポイントとスマート工場に向けた位置測位技術

• 1.製造現場のプロセス可視化その現状と課題
  • 1.1 2014年度スマートマニュファクチャリング技術に関する調査結果
  • 1.2 解決策は「可視化」
    • 1.2.1プロセスの可視化
    • 1.2.2 自動化されたプロセスとマニュアルプロセス
  • 1.3 可視化により期待できる事
• 2.製造プロセスの可視化実現に必要な位置情報
  • 2.1 空間インテリジェンスの構築
    • 2.1.1 適切な位置測位デバイスの選択
    • 2.1.2 空間インテリジェンスプラットフォームに求められる機能
  • 2.2 可視化により期待できる効果
    • 2.2.1 効率
    • 2.2.2 品質
    • 2.2.3 柔軟性
    • 2.2.4 最適化
• 3.事例紹介
  • 3.1 車両組立
  • 3.2 製品の追跡
  • 3.3 インスペクション・リワーク
  • 3.4 プロセスモニタリング
  • 3.5 安全管理

第2節 ローカル5Gの生産現場での適用可能性と工場内の運転機器監視への応用

• 1.5Gとローカル5G
• 1.1 5Gおよびローカル5Gの特徴について
• 1.2 ローカル5Gのユースケース
• 1.3 ローカル5Gサービス開始について
• 1.4 申請に際してローカル5G免許取得者が留意するべきこと

• 2.無線化の推進力5G
  • 2.1 無線化の有効性
  • 2.2 産業分野のIoT
  • 2.3 IoTすなわち機械が語る時代に対応するために
  • 2.4 無線化による機器監視の取り組み
  • 2.5 IoTによる機器情報に対応するための無線化技術
• 3.ローカル5Gの産業への適用
  • 3.1 センサによるデータ収集の重要性
  • 3.2 IoTを推進するセンサ市場
  • 3.3 5Gの革命的技術-スライシング—
  • 3.4 産業方面での5Gのスライシング技術の応用
• 4.ローカル5Gの生産現場への活用
  • 4.1 ローカル5Gの産業分野での優位性
  • 4.2 ロボットとローカル5Gの融合
  • 4.3 ローカル5Gを加速するエッジコンピューティング
• 5.ローカル5Gによる機器の監視
  • 5.1 工程での設備の管理とは
  • 5.2 設備性能の評価尺度
  • 5.3 ローカル5Gによる機器の管理の具体的手法
  • 5.4 回転機器の振動管理
  • 5.5 振動監視のための警報の発生手法について

第3節 スマート工場実現のためのデータ・システム活用とそのポイント

• 1. データ・システム活用の課題
• 2. データ・システム活用のための思考フレームワーク
  • 2.1 目標ドリブン
  • 2.2 オペレーションルール変更
  • 2.3 必要データの整理
• 3. データ・システム活用フレームワーク
• 4. データ・システム活用フレームワークの事例
  • 4.1 組立ナビゲーションの事例
  • 4.2 作業改善支援システムの事例
  • 4.3 ある工場AにおけるIoT導入の事例

第4節 AIによる製造プロセスDXと、スマートマネジメントの実現

• 1.実績収集の測定限界
  • 1.1 標準時間の発見
  • 1.2 人作業の実績収集の課題
  • 1.3 スマートマネジメント
• 2.ポジショニング毎のスマートマネジメントの課題と対策
  • 2.1 設備型によるスマートマネジメント
  • 2.2 繰り返し作業型のスマートマネジメント
  • 2.3 イベント駆動型のスマートマネジメントの課題と対策
• 3.間接業務でのスマートマネジメント

第5節 スマート工場におけるIoTの意義と、中枢神経系としてのMES/MOM

• 1.スマート工場とは何か
  • 1.1 はじめに
  • 1.2 スマートとはどういうことか
  • 1.3 スマート工場を作る技術要素と、生み出すべき運営力
• 2.システムとしての工場を理解する
  • 2.1 製造業における情報の流れ
  • 2.2 情報のフローから見た工場の職務機能
• 3.工場のタイプと、センシング・データ統合のあり方
  • 3.1 プロセスとディスクリート
  • 3.2 IoTの意義とIoTプラットフォーム
  • 3.3 次世代スマート工場とは

第6節 製造現場のIoT化、スマート工場に向けた取り組み

• 1.開発概要
  • 1.1 工場での原料受入作業の現状と課題
  • 1.2 課題解決の具体策の開発パートナーとしてAIスタートアップを起用
• 2.自動読み取りシステムの開発
  • 2.1 システム開発の基本コンセプト
  • 2.2 開発スケジュールと開発メンバー
• 3.検証方法及び検証結果
  • 3.1 検証に使用したアルゴリズム
  • 3.2 検証に使用したデータセット
  • 3.3 撮像環境
  • 3.4 使用したカメラの仕様
• 4.検証結果
  • 4.1 性能の評価
  • 4.2 結果考察
• 5.今後の展望
  • 5.1 アプリ開発によるタブレット端末への実装
  • 5.2 2024年問題への取り組みと問題提起

第7節 製造現場におけるIoTを活用した設備総合効率向上の取り組み

• 1.目指す工場の姿
  • 1.1 Smart Factoryロードマップ
• 2.デジタルデータを運用する仕組みの構築
  • 2.1 収集→転送→保管→見える化システムの必要性
  • 2.2 見える化システムの構築
• 3.開発事例の紹介
  • 3.1 設備稼働状況見える化
    • 3.1.1 自動搬送機の現在位置と運行状況の見える化
  • 3.2 もののトレーサビリティ見える化
    • 3.2.1 鍛造工程のトレーサビリティ見える化と手作業工数低減
  • 3.3 ものの品質傾向の見える化
    • 3.3.1 鉄板品の品質傾向見える化
• 4.成果
  • 4.1 OEEに対する効果

第8節 技術情報戦略と製造DX・GXソリューションと導入事例

• 1.100年に一度の大変革期、製造立国日本を見据えた製造情報戦略と日本流モノづくり改革
• 1.1 背景と日本製造業の現状認識

• 2.世界の製造DXの取り組みと日本が目指すべき日本流DX改革
  • 2.1 ドイツのIndustry4.0以降のデジタル革新と日本の製造DXの取り組み
  • 2.2 日本における製造DXの導入目的と現場主義の製造情報戦略
• 3.職人の5感・経験に変わる製造設備のデータ監視:無線センサとM2Mシステム
  • 3.1 Wi-Fi無線方式のセンサシリー
  • 3.2 サーモモニタリン:金型表面温度センシングシステム
  • 3.3 稼働モニタリン:設備稼働自動監視システム
  • 3.4 主軸モニタリン:加工機主軸センシングと進化する無線センサ
  • 3.5 導入効果
• 4.製造DX:IoT&M2Mシステムと成形不良対策事例
  • 4.1 成形IoT&M2Mシステムの紹介
  • 4.2 取得データを分析するM2M
  • 4.3 工場の4M情報を総合的に管理する製造DX:IoT・M2Mシステム
• 5.DXによる具体的な成形不良対策の実例
• 6.次世代のローカル5Gシステム及び知能生産設備のとり組み
• 7.高速通信が求められる製造現場での知能生産設備のとり組み
  • 7.1 プレス等の先進的な高速通信データ収集システムの取り組み事例

第9節 工場における働き方変革の技術実証事例

〜AIで実現するダイカスト工程の品質向上〜

• 1.背景
• 2.問題の明確化
  • 2.1 現状の生産の困り事について
  • 2.2 生産の目指す姿について
• 3.現状把握
  • 3.1 不良発生パターンの確認とその対応
  • 3.2 不良発生時の対策プロセスの確認
• 4.目標設定
• 5.要因解析
  • 5.1 加工ラインの不良判断のバラつきに対する要因解析
  • 5.2 膨大なデータを分析することができていないことに対する要因解析
• 6.加工ラインの不良判断のバラつき対策実施と効果確認
  • 6.1 加工ラインの不良判断の定量値化の実施
  • 6.2 効果確認
• 7.膨大なデータを分析することができていないことに対する対策実施と効果確認
  • 7.1 ダイカスト鋳造工程のAI導入
  • 7.2 効果確認
• 8.今後の展望

第10節 IEとDXを融合した生産性向上、IoTを活用した改善サイクル構築の取り組み

• 1.活動紹介
  • 1.1 IE人材の育成
  • 1.2 IE人材によるこれまでの生産性向上活動
  • 1.3 生産性向上活動の課題と進化
  • 1.4 生産性向上サイクルの更なる進化と領域拡大
  • 1.5 今後の活動

第11節 品質/生産安定化や改善に向けた製造工程のデータ活用、仕組みづくり

• 1.改善に向けた製造工程での改善活動
  • 1.1 改善活動の取り組み
  • 1.2 現状の課題
    • 1.2.1 活動の停滞
    • 1.2.2 DX化に伴う新たな課題
• 2.課題解決のためのデータ活用
  • 2.1 データ活用の流れ
  • 2.2 品質/生産安定化や改善への取り組み
• 3.仕組み化の重要性

第12節 5G普及とクラウドPLCで変わる製造現場

• 1.製造業が抱える課題
  • 2.5G普及によって実現するフレキシブル製造ライン
• 3.クラウドPLCについて
  • 3.1 クラウドPLCの台頭
  • 3.2 クラウドPLC市場規模
• 4.ロボット型デジタルジョブショップによる省エネ効果
• 5.クラウドPLC普及にむけた技術課題
  • 5.1 ソフトPLCのクラウド環境移植
  • 5.2 ローカル5G環境構築
  • 5.3 通信プロトコル変換

第13節 製造現場のIoT化 課題と解決事例

• 1.社会背景と課題
• 2.デジタル化・IoT化が進まない理由
  • 2.1 デジタル化・IoT化の進めかた (例)
  • 2.2 補足
• 3.導入事例 「複数拠点、場外倉庫の移動に対応した在庫管理」
  • 3.1 概要
  • 3.2 入荷時
  • 3.3 移動・払い出し時
  • 3.4 データ活用 来期の原価削減に活かすべく課題と解決策を検討時
  • 3.5 効果 ここまでの1工場での効果
  • 3.6 デジタル化・IoTの段階的拡大 各拠点の在庫把握へ
    • 3.6.1 現状
  • 3.6,2 ネットワーク環境 クラウドの活用
    • 3.6.3 拠点間の一元管理
    • 3.6.4 管理外施設の数量把握
    • 3.6.5 搬送用資材の管理

第14節 生産現場での作業ミス防止のための詳細な行動認識技術

• 1.製造現場での想定アプリケーション
• 2.詳細な行動認識技術
  • 2.1 骨格情報などの有効な情報の抽出技術
  • 2.2 時系列ディープラーニング技術
• 3.自社工場での応用事例
  • 3.1 システム概要
  • 3.2 エアー吹き作業における行為判定の実現方法
  • 3.3 実現した技術の検証

第15節 現場データの活用に最適な設備をつなぐ方法と見える化の進め方

• 1.工場IoTの導入状況と最適な“つなぐ”
  • 1.1 国内における工場IoTの進め方とつなぐ課題
  • 1.2 工場IoTに最適な“つなぐ”
    • 1.2.1 IoTのつなぐに求められる要件
    • 1.2.2 つなぐプラットフォーム
    • 1.2.3 つなぐプラットフォーム対応製品
    • 1.2.4 国産オープンミドルウエアの紹介
• 2.IoT導入における現場の見える化

第16節 電子基板の外観検査に向けた照明パラメータの高速自動決定技術

• 1.技術内容
  • 1.1 概要
  • 1.2 評価軸、評価値の定義
  • 1.3 疎探索
  • 1.4 詳細探索
• 2.性能評価
  • 2.1 評価方法
  • 2.2 評価結果

第17節 X線ステレオ方式を用いた電子回路基板の検査技術

• 1.X線について
• 2.X線検査
• 3.X線検査のトレンド
  • 3.1 両面基板検査
  • 3.2 面の集約から3次元実装へ
  • 3.3 X線による検査内容
• 4.X線検査装置の紹介
• 5.X線検査の今後