品質問題を解くプロセスデータ解析 技術:産業応用の現状と課題
DESCRIPTION
品質問題を解くプロセスデータ解析 技術:産業応用の現状と課題. 京都大学 加納 学. 機械学習と製造業. 情報論的学習理論ワークショップ( IBIS ) に初参加です. 生産システム・製造設備を対象とした研究は皆無でした. 原因推論 A.機械学習屋さんは製造業に興味がない. B.製造業に 機械学習の問題がない. C.機械学習と製造業の接点がない.. 製造業が抱える技術課題を紹介します. チャレンジして下さい. ニッチな分野(? ) なので,日本代表になれますよ.. Outline. 製造業 が抱える品質問題 様々な 産業が抱える問題の共通点とは? - PowerPoint PPT PresentationTRANSCRIPT
Division of Process Control & Process Systems EngineeringDepartment of Chemical Engineering, Kyoto University
[email protected]://www-pse.cheme.kyoto-u.ac.jp/~kano/
品質問題を解くプロセスデータ解析
技術:産業応用の現状と課題
京都大学 加納 学
2機械学習と製造業
情報論的学習理論ワークショップ( IBIS)に初参加です.
生産システム・製造設備を対象とした研究は皆無でした.
原因推論A.機械学習屋さんは製造業に興味がない.B.製造業に機械学習の問題がない.C.機械学習と製造業の接点がない.
製造業が抱える技術課題を紹介します.チャレンジして下さい.ニッチな分野(?)なので,日本代表になれますよ.
3Outline 製造業が抱える品質問題
様々な産業が抱える問題の共通点とは?
ソフトセンサーの産業応用事例 品質推定の現状と課題とは?
多変量統計的プロセス管理(MSPC) 異常検出の現状と課題とは?
まとめ 私は何を為すべきか?
Example 1: Steel 4
Blast Furnace
Converter
Continuous Casting Slab Hot Rolling Cold Rolling
Various Steel Products
- Mission -Minimize defects in steel product, and improve product yield.
Example 2: Silicon Wafer 5
PolycrystalSilicon
CzochralskiMethod
Single CrystalSilicon Polish, Etch, Wash
Inspection of flatness and other product qualities.
- Mission -Improve product qualities such as flatness.
6Example 3: Pharmaceutical
granulation
mixing
tableting
coating
packaging
was
hing
active substances
exci
pien
ts
- Mission -Realize Real-Time-Release without quality inspection.
Paradigm shiftfrom “quality by inspection”to “quality by design”.
Quality should be built into a product with a thorough understanding of the product and process.
Quality by Design (QbD)
7Example 4: Semiconductor
Virtual Metrology Product quality assurance through run-to-run control
based on estimation (virtual measurement)
(Su et al., Cont. Eng. Prac., 2007)
- Mission -Improve product yield.
8何を為すべきか?
対象は,多工程・複雑・非線形・動的プロセス.
やるべきことは,3つ. 製品品質の予測 品質・歩留りの改善 異常の検出
製品品質と運転条件を関連づけるモデルを構築したい.
データがあるなら,モデルを構築すればいいだけ.今更,取り組む価値のある,どんな問題があるの?
9Outline 製造業が抱える品質問題
様々な産業が抱える問題の共通点とは?
ソフトセンサーの産業応用事例 品質推定の現状と課題とは?
多変量統計的プロセス管理(MSPC) 異常検出の現状と課題とは?
まとめ 私は何を為すべきか?
10ソフトセンサーの適用事例
AIChE J., 55, 1754-1765 (2009)J. Proc. Cont., 19, 179-186 (2009)計測自動制御学会論文集 , 44, 317-324 (2008)計測自動制御学会論文集 , 43, 869-876 (2007) J. Chem. Eng. Japan, 37, 422-428 (2004)
昭和電工との共同研究プロジェクト
蒸留塔における製品濃度の推定
製品品質をオンラインで推定できるソフトセンサーを開発し,プロセスの限界運転を実現する.推定値はオプティマイザおよびモデル予測制御システムで利用する.
11ソフトセンサーに関する研究の動向
ニューラルネット( ANN)の利用が目立つ. 直近5年くらいで,カーネル法( SVRなど)が躍進. PLS( partial least squares)は外せない. 部分空間同定( SSID)は少数.
0
10
20
30
40
Year
# ar
ticle
sPLSANNSSIDSVM/SVR
12ソフトセンサーの現実
13Partial Least Squares (PLS)
出力変数と潜在変数(入力変数の線形結合)との内積が最大となるように,潜在変数を決定する.
OLS
cos
ˆˆ
ˆ
2ˆ
ˆ yyyyr
T
yy
yyyy
PCR22
11 zNz
PLS cos, zyzy
PLSは OLSと PCRの中間的な性質を持つ.出力変数との相関および入力変数間の相関を同時に考慮して,適切な潜在変数を決定する.
14石油化学プラント
15対象とした連続蒸留塔
製品エチレン中の不純物エタン濃度を推定する
1. T431 tray #29 temp. 2. T431 bottom temp. 3. T431 top temp. 4. T431 tray #37 temp. 5. T432 tray #129 temp. 6. Flow rate from T432 to T431 7. T431 reboiler flow rate 8. Product ethylene flow rate 9. T432 reflux flow rate10. T432 internal reflux flow rate11. T432 purge flow rate12. T432 reflux ratio13. T432 top pres.14. T431 feed ethane conc.15. C351 #2 discharge pres.16. C351 #2 discharge temp.17. C351 #4 suction pres.18. V359 level (cooling propylene)
エチレン
16
極めて高い推定精度を実現!
製品組成ソフトセンサー
0 200 400 600 800 10000100200300400500
0 200 400 600 800 1000- 100- 50
050
100
measurementsestimates
目標管理幅
不純
物濃度
推定
誤差
17推定誤差の原因
原因はソフトセンサーか,それとも分析機器か? 分析機器
サンプリングラインの閉塞等のトラブル ソフトセンサー
入力変数選択の失敗運転条件の変動触媒劣化や装置汚れなど,プロセスの経時変化
推定誤差 = 測定値 – 推定値
推定誤差の原因を突き止めることはできるか?
18PLSを利用したMSPC
LV1
LV2
Error
detected by T2
detected by Q
入力変数が張る多次元空間において,モデル構築に利用した運転データが存在する領域内でのみ,推定モデルおよびその推定値を信頼できる.
現在の運転状態が領域内にあるかどうかをオンライン監視し,なければ推定値を制御目的等に利用しない.
分析機器の異常も検出可能.
PLS-based MSPC
19適用結果
500 1000 1500 2000 25000
50
100Et
hane
con
c.
0 500 1000 1500 2000 2500-20
0
20
Erro
r
0 500 1000 1500 2000 25000
200
400
T2
0 500 1000 1500 2000 25000
100
200
300
Q
Time [hour]
measurementsestimates
(A) (B) (C)
推定値の信頼性を評価できるシステムを実現!
濃度
誤差
監視
指標
20保守負荷の低減を目指して
Dynamic PLS 部分空間同定・二段階部分空間同定 ニューラルネットワーク
十分な精度のモデルを構築することができたとして,その精度を維持できるかが産業応用上の深刻な問題.
技術者不足もあり,モデルの再構築は事実上困難.
Recursive PLS 逐次的にモデルを更新するため,直近の運転状態に
過度に適応してしまう. Just-In-Timeモデル
測定値が得られる毎にデータベースを更新し,データベースに基づいて,局所的なモデルを構築する.
21Just-In-Timeモデルの概念
Just-In-Timeモデル Query点近傍のデータを集め,それらのデータのみを用いて,局所的な(線形)モデルを構築する.
22相関型 JITモデルへ
相関型 Just-In-Time (CoJIT) モデル 従来の JITモデルでは,「距離」のみに基づいて近傍が決定されるため,相関関係は一切考慮されない.
相関関係を考慮すれば,より優れたモデルが構築できる.
( 藤原ら , SICE論文集 , 2008)
23相関型 JITの産業応用事例 分解ガソリン精留塔昭和電工大分工場
ガソリン中アロマ濃度MPC制約条件ラボで 1 回 /日分析→ 過剰に余裕のある運転
入力変数選択8変数選択(全 19変数)+4時間前の分解炉コイル出口温度
データ2006/4/30 ~ 2007/12/25( 600日間)
(Fujiwara et al., AIChE J., 2009)
24相関型 JITの産業応用事例
相関型JITモデリングにより高い予測性能を達成!
25ソフトセンサーのまとめ
産業応用上重要な手法は PLS.
1990年代初めに一世を風靡した ANNはほぼ死滅.
カーネル法など新しく高度な手法が次々と提案されているが,本気で産業応用を目指すなら,取り組むべき課題は,プロセス特性の変化にいかに対応するか.
自動的にモデルを更新したいが,モデル更新に使って良いデータと使ってはいけないデータを自動的に判別できるか?
26Outline 製造業が抱える品質問題
様々な産業が抱える問題の共通点とは?
ソフトセンサーの産業応用事例 品質推定の現状と課題とは?
多変量統計的プロセス管理(MSPC) 異常検出の現状と課題とは?
まとめ 私は何を為すべきか?
27大小が普通でないものを見付ける
身長
体重
身長と体重に上下限を設定してみましょう.
a. これで完璧だ!b. いや,もっと凄い方法がある
28関係が普通でないものを見付ける
身長
体重
身長と体重には正の相関関係があることを利用して,管理限界を設定してみましょう.
これが,多変量統計的プロセス管理の核心です
PCAを利用した SPC 29
T2
Q
Control Charts
PC1
PC2
残差
T2 による検出
Q による検出
T2 規格化された主成分得点の二乗和Q 残差の二乗和( SPE)
NOC 領域
(Jackson and Mudholkar, 1979)
異常原因の特定 30
TxPPx ˆ
P
kkkQ
1
2)ˆ( xx
2)ˆ( kkkcont xx
Reconstructed data
Q statistic
Contribution to QC
ontri
butio
n
Variables
Contribution Plot
<例>Qで異常検出! ↓寄与プロットによると,#2熱電対での温度異常が原因 ↓冷却装置の故障を確認・対応
PCAを利用した SPC 31
X1
X2
Operation Data
XM
Time
T2
Q
Control Charts
Time
Con
trib
Variables
Contribution Plot
32MSPCのまとめ 産業応用上重要な手法は PCA.
異常検出性能の向上は, ICAや SVM,ウェーブレット解析などを適材適所で利用することによって達成される.
ここでも,プロセス特性の変化にいかに対応するかが重大な問題となっている.
33Outline 製造業が抱える品質問題
様々な産業が抱える問題の共通点とは?
ソフトセンサーの産業応用事例 品質推定の現状と課題とは?
多変量統計的プロセス管理(MSPC) 異常検出の現状と課題とは?
まとめ 私は何を為すべきか?
34まとめ
製造プロセスの外観は異なっても,品質実現力強化の観点から見れば,抱えている課題は類似している.
時間的に変化するプロセス特性(生産量変更,原料変更,メンテナンスによる急変もある)へ対応しなければならない.
やたら複雑な手法で性能を改善したと主張する論文が多いが,現実の問題を見ていないのではないか?
合目的的データ解析で現場の問題に挑もう!
35基礎研究と応用研究
Basic Research
Non-Basic
Non-Applied
Don’t
基礎研究
非基礎
非応用
AppliedResearch応用研究
36基礎研究と応用研究
基礎研究とはブレークスルーを生み出す研究である.ブレークスルーの対立概念はインクリメンタルである.これを「非基礎」といおう.
応用研究とは,人類の持つ知見を人類にとって有用な知見に変換する研究である.応用の対立概念はしたがって「非応用」である.当然のことながら,応用研究の中にも基礎研究は存在し,逆も真である.
我々は第 IV象限の研究を行わないこととしよう.
「国立環境研究所のこれから」,市川惇信, 1992
Don’t
37有用性へのこだわり
知識ある者は理解されるよう努力する責任がある. 素人は専門家を理解するために努力すべきである,あるいは専門家は専門家と通じれば十分であるなどとすることは,野卑な傲慢である.
大学や研究所の内部においてさえ,残念ながら今日珍しくないそのような風潮は,彼ら専門家自身を無益な存在とし,彼らの知識を学識から卑しむべき衒学に貶めるものである.貢献に責任をもつためには,自らの産出物すなわち知識の有用性に強い関心をもたなければならない.
「経営者の条件」, P.F. Drucker
38
Black boxdata-based
統計的モデル vs. 物理モデル
製造プロセスを対象とするかぎり,物理モデルが王道. Socrates:”およそ理論を無視したものなら,そのようなものを技術とは呼ばないよ.”(「ゴルギアス」 , Plato)
Physical model
Sta
tistic
al m
odel
K.K.D.経験・勘・度胸
Gray box integration
White boxmodel-based