2017 Fiscal Year Annual Research Report
Scale-up support technology for newly developed products using existing production data
| Project/Area Number |
15K06554
|
|---|
| Research Institution | Kyoto University |
|---|
Principal Investigator |
加納 学 京都大学, 情報学研究科, 教授 (30263114)
|
|---|
| Project Period (FY) |
2015-04-01 – 2018-03-31
|
| Keywords | スケールアップ / 操業条件最適化 / ベイズ的最適化 / 転移学習 / ソフトセンサー / 仮想計測 / 変数重要度 / 因果推論 |
|---|
| Outline of Annual Research Achievements |
製造業では，実験室で新製品の開発に成功した後，段階的に装置サイズを大きくしながら，優れた製品を安定して製造できる運転条件を探索する．最終的には商用スケールの装置で運転条件を最適化する必要があるが，実験には多くの費用と時間がかかるため，商用スケールでの実験回数をできるだけ少なくしたい．本研究の目的は，この生産設備のスケールアップを支援する方法を開発し，商用スケールでの少数の実験から効率的に運転条件を最適化できるようにすることである．本研究では，まず，生産実績データを用いて，様々な制約条件の下で目標とする製品特性を実現すると同時に製造コストを最小化する運転条件を導出するために，Just-In-Time型モデリングの一種である局所PLSと自己適応型差分進化法（jDE）を組み合わせる方法を開発した．さらに，商用スケール生産設備での運転条件を最適化するために，この設備の少数の実験データだけでなく，パイロットスケール生産設備の実験データを活用する方法を開発した．Combined Task Bayesian Optimization (CTBO)と名付けた提案法を製剤造粒工程のデータに適用した結果，従来法に比べて，少数の実験回数でより良い運転条件を導出できることを確認した．さらに，モデル構築と最適化を効率的に行うために，製品品質への影響の大きさを定量的に評価できる変数重要度の算出方法を開発すると共に，異なる機器のデータを用いてモデルを構築し，その推定値への寄与が大きい入力変数を製造機器間差の小さい入力変数として選択することで，製造機器間差に対してロバストなソフトセンサーを構築する方法を開発した．これらの提案法を製剤および鉄鋼プロセスに適用し，その有効性を示した．以上の研究成果により，製造業が抱える大きな課題の一つであったスケールアップ問題の克服に向けて大きく前進した．
|
