20250604SPSS春04_2_三井化学_新村様資料

2025-06-04に開催されたSPSS 秋のユーザーイベントのご講演
講演④-2三井化学　新村 智子 様
SPSSとPIデータの連携　CADSを使った異常検知モデルの現場利用
のスライド資料（公開版）です

1. SPSSとPI SystemTMの連携 CADSを使った異常検知モデルの現場利用 生産・技術本部 生産技術高度化推進室 プロセスシステム技術G 新村 智子 三井化学株式会社 1
2. Contents 自己紹介 業務課題及び異常検知ジョブ作成 期待効果 2
3. 設備の異常検知_プロセス概略 共通排気ライン 異常発生機器 AIR 移液 移液 異常検知箇所（目的変数） 温度、圧力、バルブ開度等（説明変数） プラント生産形態はバッチプロセス．複数のベッセル（容器）のオーバーヘッド配管が共通排気ラ インに接続している．排気ライン下流に対象機器がある． PI SystemTMからセンサーデータを収集している． センサーデータなし 3
4. 0 10 20 30 40 温度 Timestamp バッチプロセス_センサーA_温度 0 10 20 30 40 温度 Timestamp 連続プロセス_センサーA_温度 設備の異常検知_バッチプロセスと連続プロセスのデータ例 受入 冷却 昇温 移液 受入 連続プロセスは原料が絶えず投入さ れる生産工程．各ベッセルは一定の 管理値範囲内で運転されます。 （例:製油所など大規模プラント） バッチプロセスは原料が一括投入 される多段的な生産工程．工程ご とにベッセル間で原料が移動した り、昇温、冷却等の操作等が入る ため、データが大きく変動します。 （例：製品の種類が多い小規模プ ラント） 反応 移液 冷却 昇温 移液 受入 反応 冷却 昇温 反応 反応 4 バッチプロセスはセンサーデータの加工や特徴量の作成が難しい
5. 異常発生機器 AIR PI SystemTM （センサーデータ） センサーデータは収集負荷が高い モデルをタイムリーに利用できな い 今までの異常検知 製造スタッフ センサーデータの微細変動を総 合的に判断して異常を検知 ベテラン 装置運転員 ②確認 ③指示 ① 変 動 検 知 5
6. 異常発生機器 AIR CADS導入後の異常検知 装置運転員 Db2 （分析に必要なセンサー データの蓄積） ②速やかな指示 製造スタッフ SPSSがPI SystemTMと連携 することで開発環境が改善 モデル自動実行により リアルタイム監視が容易に PI SystemTM （センサーデータ） PI Vision ①異常の 早期自動 検知 SPSS CADS スコアリング結果を PIVISONに書込み、 可視化 6
7. 目的変数 運転員異常検知日 説明変数候補 24変数 制約事項 解析対象機器の計装計器なし． 単独では、解析不可． バッチプロセス工程、機器は同時稼働しない 使用したセンサー データ モデル評価用 2024年5月～2024年10月 レコード数:187,987件 再現性重視で評価 滞留時間 各工程毎の稼働時間やタイミングを考慮 異常検知モデル作成_ PI SystemTM収集データ CADS上で収集したセンサーデータを利用してモデル開発を実施． 7
8. モデル名 データ区分 適合率 再現率 モデル-1 テスト 0.98 0.67 モデル-２ テスト 0.99 0.68 モデル-３ テスト 0.97 0.73 最終モデル テスト 0.96 0.84 運転員異常検知日および対象機器稼働条件で再現率を重視したモデル改善を行った． 再現率が最も高いモデルを採用した． 運用上、適合率は下がっているが誤検知が発生した場合は一旦確認作業をするため 「異常を見逃さない」ことを重視． 異常検知モデル精度比較 8
9. モデル開発からPI SystemTM書込み定期実行処理ストリーム例 アドホック収集 センサーデータ 運転員検知日と装置 稼働状況を考慮した 目的変数作成 PI SystemTM書込み処理 異常検知通知処理 異常検知モデル作成 定期収集センサー データ 9
10. import modeler.api stream = modeler.script.stream() # パラメータ「実行モード」の値を取得 #mode=1は異常検知をします．mode=0は通常のスコアリングを実施します． mode = stream.getParameter("mode") # パラメータ「実行モード」の値が「1」の場合のみ劣化検知を実行 if mode == 1: # 参照するテーブルノードを実行 tablenode = stream.findByID("id8L3XHZYLWD7") # 実行結果を取得 results = [] tablenode.run(results) tableoutput = results[0] # テーブル出力の内容を読み出し tablecontent = tableoutput.getContentModel("table") # テーブル内の値を読み出し tablecontent = tableoutput.getContentModel("table") metrics = tablecontent.getValueAt(0, 1)#1行2列目を参照する print(metrics) #メトリクスを基に劣化を判断 #フラグ1以外のヌル値が来た場合も通知対象となる不具合修正済 if metrics == 1: modeler.script.exit(100) else: modeler.script.exit(0) # パラメータ「実行モード」の値が0（1以外）の場合は通常のスコアリング else : # 定期スコアリング「W-XXX-XXX-XXX.csv」テーブルノードを実行 tablenode = stream.findByID("id75D1Z7DXSVET") # 実行結果を取得 results1 = [] tablenode.run(results1) モデル開発からPI SystemTM書込み定期実行処理_スクリプト設定 スコアリングジョブと 異常検知ジョブを同一スト リームで実行する設定 異常検知のメトリクス設定 一つのストリームファイルでスコ アリングと異常検知を実施するた めにスクリプトを設定 10
11. PI SystemTM書込み定期処理_スコアリング実行ジョブ設定 PI SystemTM書込み設定済ストリームファイル PI SystemTMサーバーへの書込みプログラム （テンプレート） ストリームの実行パラメータ パラメータのmode を値０に設定し、スコアリングを実施するジョブ を作成する． 11
12. PI SystemTM書込み定期スコアリング実行ジョブ実行結果 PI VISON書込みテスト画面 指示値＝1.0 で異常を検知し自動通知実行 12
13. PI SystemTM書込み定期処理_異常検知ジョブ設定 同一ストリームを利用 通知先設定 ストリームの実行パラメータ パラメータのmodeを値1に設定し、異常検知ジョブを作成する．リレーション 条件を完了コード100と記載し、フラグ1が発生した場合通知する． 13
14. PI SystemTM書込み定期処理_異常検知実行ジョブ実行結果 異常検知した際の通知 先アドレスを設定 異常を検知するとメール通知 14
15. 【実機検証期間】 25年度度定修期間前9月末まで 【モデル更新時期】 定修期間前後のデータを追加予定 【活用メリット】 早期異常検知によりパージ作業の早期対応 生産維持、メンテナンス費用および機会損失の削減 早期検知により、メンテ対応の作業員安全確保 JET洗浄費用 約数十万円 機会損失※約数千万円 ※3Bt分生産停止と仮定 CADSモデル利用効果 15
16. 変化をリードし サステナブルな未来に貢献する グローバル・ソリューション・パートナー 16