サイト内検索


登録済み会員ログイン




未登録の方はこちらから登録できます。
新規会員登録


ご利用案内

ご利用案内


連絡先

TEL.03-5812-5270
FAX.03-3831-0495
E-mail:info@spi-information.com


関連サイト・サービス

市場調査のご依頼、専門分野のイベント・フォーラムの開催などは シード・プランニングにて承っております。

シードプランニング

世界の医療・医薬品産業レポートのデータベースサービスは、sekairyo.comにてご利用いただけます。

sekairyo.com

医療従事者へのあらゆる形態の調査は、メドサークルにお任せ下さい。

メドサークル


セキュリティについて

当サイトのコンテンツ利用時に送信される機密情報は、Verisign認証の元暗号化されて送信されます。


工場・製造プロセスへのIoT・AI導入と活用の仕方

レポート概要

◎既存設備を最大限に活用するためのIoT・AIの導入の仕方とは!!

◎すぐに動く!無駄がない!止まらない!スマート工場を実現するためのノウハウを大公開!!

■ 本書のポイント

こんなことに困っていませんか??
            課題の解決策を豊富に掲載!!

◆IoT・AIを導入し、効果的に活用したい!
◆セキュリティ対策できていない機器が多い、どうすればよい?
◆最少コストで加工不良を防止し生産性向上へ繋げたい!
◆目的に合ったセンサをどのように選べばよい?
◆効率よくデータ分析基盤の整備を進めるにはどうすればよい?
◆効果的にデータ収集したい!データを上手く活用したい!
◆不具合の要因分析や故障予測をしたい!
◆古い設備・機械のデジタル化の課題を解決したい!
◆NGデータが少ないが、異常検知を行いたい!
◆AIやIoTを活用していくためにセキュリティを強化したい!

IoT・AIを活用した異常検知・予知保全!!

◆時系列モデルを活用する異常検知!
◆不良の予兆検知を実現する方法とは!
◆振動センサの選定方法と選定する上での重要なポイントは?
◆ディープラーニングの得意な分野と機械学習が適している分野は?
◆水増し、転移学習、少量データかつ短い学習時間で目的の識別精度を得る方法!
◆正常データのみを活用した異常検知の方法!

レポート詳細

目次

◇第1章 工場における人手不足、長時間労働問題の現状とIoT・AIへの期待◇

第1節 製造現場の実態と長時間労働が無くならない理由
1.日本の労働時間の長期的推移
 1.1 進行してきた労働時間の二極化現象
 1.2 残業が多い業界はどこか
 1.3 残業-サービス残業の業界別マッピング
2.働き方改革は成果をあげているか
 2.1 企業が実施する長時間労働是正策の実態
 2.2 残業対策の逆機能
 2.3 施策効果の最大化のために何ができるか
3.職場内でなぜ残業は発生するのか
 3.1 残業発生のメカニズム ①残業は「集中」する
 3.2 残業発生のメカニズム ②残業は「感染」する
 3.3 残業発生のメカニズム ③残業は「麻痺」させる
 3.4 残業発生のメカニズム ④残業は「遺伝」する
4.なぜ残業は無くならないのか
 4.1 製造現場における残業実態
 4.2 日本企業は長時間労働を組織学習している
 4.3 残業は,どのように減らすべきなのか

第2節 工場で働く人のメンタルヘルスケア対策
1.労働者をとりまく現状
 1.1 職業生活におけるストレス
 1.2 ストレス反応とストレス関連疾患
2.心の健康づくり
 2.1 予防(一次予防・二次予防・三次予防)
 2.2 4つのケア
3.メンタルヘルスケア対策
 3.1 産業医の活用
 3.2 ストレスチェック制度
 3.3 こころの耳
4.ストレス一日決算主義のすすめ
5.“メンタルろうさい”の活用

第3節 プロセス系工場でのIOT/AIを活用した品質改善への取り組み
1.プロセス系工場と組立系工場
2.当社プロセス系工場をモデルとした取り組み
 2.1 データを活用した品質改善
  2.1.1 データ活用による品質改善の流れ
  2.1.2 異常予兆検知による品質改善へのアプローチ
 2.2 現場の現状分析
  2.2.1 プリント基板の生産工程
  2.2.2 データ棚卸し
  2.2.3 品質不良の要因分析
 2.3 データ収集
 2.4 データ統合
 2.5 データ分析
 2.6 ビッグデータ分析による品質改善との違い
3.異常予兆の検知におけるIOT/AI活用技術の課題
 3.1 IOT技術を活用したデータ収集
 3.2 AI技術を活用したデータ分析
4.まとめ

第4節 既存工場への後付けIoT・AI導入の方法
1.AI劣化診断サービスの概要と特徴
 1.1 システム概要
 1.2 サービスの特徴
 1.3 期待できる効果
2.技術の優位性
 2.1 高調波センシング
 2.2 AIによるデータ判定
3.検証結果:ウェハ搬送部のギヤ摩耗劣化診断
 3.1 対象設備
 3.2 算出結果
4.提供サービス概要
 4.1 導入フロー
 4.2 サービスパッケージ

第5節 製造業などにおけるAI・IoTの利活用の在り方
1.AI・IoTの産業・社会利用の在り方・方向性
 1.1 理念・原理原則・目的の在り方
  1.1.1 AI・IoTは「人間と共生する良きパートナー」として人間の潜在能力を
  引き出し能力を拡張させるために利活用すべき
  1.1.2 AI・IoTの利活用により国の産業競争力の抜本的底上げを図るべき
  1.1.3 AI・IoTの利活用の目的はイノベーション創出を通じた社会的価値の
  創出にこそあるべき
  1.1.4 AI・IoTが及ぼし得るリスク・脅威や社会が抱く懸念・不安の最小化・
  除去が不可欠
 1.2 人材・組織の在り方
  1.2.1 データ利活用を自分事として捉え業務に活かす創意工夫を凝らす
  努力が不可欠
  1.2.2 AI・IoTによる分析結果を鵜呑みにせずに吟味して施策・戦略に
  落とし込むべき
  1.2.3 組織を挙げた意識改革によるデータ利活用と改革を牽引するキーパーソン
  の存在が重要
  1.2.4 データ革命による競争ルールの抜本的変化に対応する組織の柔軟性が必要
  1.2.5 データ分析から導かれた戦略の最適解は変化し得ることに留意すべき
  1.2.6 従来のセオリーと異なり得るAIの分析結果にはデザイン思考で臨むべき
  1.2.7 人間とAIの共生をアウトソーシングの関係と捉えることが重要
 1.3 協調領域と競争領域の切り分けの重要性
  1.3.1 切磋琢磨すべき本来の競争領域はイノベーションによる社会的価値
  創出であるべき
  1.3.2 データ共有に加えカスタマイズした独自データの収集・分析に創意
  工夫を施す
  ことも重要
  1.3.3 データを競争領域とする自動運転でも世界展開を図るならデータ共有の
  選択肢も
  1.3.4 競争領域と捉えられることが多い工場稼働データでも一部で「つながる工場」
  の実現に向けて共有化の動きも
  1.3.5 データの共有と占有を切り分ける最適な判断・意思決定が重要
  1.3.6 重篤な疾病の診断、老朽化した社会インフラや工場設備の点検・診断など
  社会的要請の高い分野ではデータの共有・共用を急ぐべき
 1.4 ITインフラの見極め・選択の重要性
  1.4.1 事業特性や財務状況に応じたクラウドとオンプレミスの合理的な選択が必要
  1.4.2 クラウドコンピューティングとエッジコンピューティングの役割分担が重要
  1.4.3 シェアードサービスとしてのIT戦略がITシステムの選択など経営の
  意思決定を支えるべき
2.自動運転とAIのフレーム問題
 2.1 AIのフレーム問題と社会実装
  2.1.1 AIのフレーム問題とは
  2.1.2 AIの社会実装には「限定された閉じた世界」を作る人間の役割が極めて重要
 2.2 AIのフレーム問題から見た自動運転の技術的課題の考察
  2.2.1 大変革の時代に入る自動車産業と自動運転
  2.2.2 AIのフレーム問題の影響が大きい自動運転の社会実装の難しさ
  2.2.3 自動運転の社会実装におけるAIのフレーム問題への対処
  2.2.4 狭いODD(限定領域)での完全自動運転へシフトする米国の主要企業
  2.2.5 完全自動運転システムと運転支援システムの「二刀流」に挑むトヨタ自動車
  2.2.6 自動運転の社会実装における世界展開の視点
  2.2.7 AIのフレーム問題の視点から見た自動運転に関わる考察のまとめ
 2.3 AIの社会実装の在り方へのインプリケーション
3.製造業でのAI・IoT利活用の先行事例に学ぶ
 3.1 製造業においてAI・IoTの利活用が求められる背景
 3.2 代表的な先行事例
 3.3 先行事例に学ぶべき点
4.「日本発のデータ共有・共用モデル」を示せ!

第6節 IoT・AIを導入・活用するための要点と今後の課題
1.IoT・AI活用の背景と目的
 1.1 IoT・AIが期待される背景
  1.1.1 コンピューターと通信の高度化と低廉化
  1.1.2 世界経済情勢や人口動態の変化
 1.2 IoT・AIのシステム構成と用途および効果
2.IoT・AIを導入するステップと要点
 2.1 自社の事業戦略を明確にする
  2.1.1 事業の目的・目標を再定義し明確化する
  2.1.2 未来を予測しニーズに応える長期戦略を立てる
  2.1.3 未来の社会課題(SDGs/ESG)の視点を入れた事業コンセプトをつくる
 2.2 IoT・AIの導入が有効か見きわめる
  2.2.1 IoT・AIの導入が有益となる条件を理解する
  2.2.2 IoT・AIを導入する前に必要な改革を実行する
 2.3 技術を正しく理解し最適な技術を導入する
  2.3.1 IoTのネットワーク技術を理解する
  2.3.2 エッジコンピューティングを活用する
  2.3.3 SDN(Software Defined Networking)を活用する
  2.3.4 AIの特性と限界を理解する
3.IoT・AIに依存するリスクと弊害
 3.1 人類史における科学技術の功罪
 3.2 IoTに潜むリスク
 3.3 IoT・AIの普及に伴う新たな社会問題
4.IoT・AIの健全な利用に向けた今後の課題
 4.1 IoT・AIの利用に関する国際標準の策定・準拠
 4.2 安全基準と安全管理に関する法制度の整備・適用
 4.3 IoT・AIの提供者・利用者・教育研修関係者の心得

第7節 製造業のものつくり現場におけるAIの導入・利活用と新たな競争優位の獲得
1.AIの導入と利活用の現状と課題
 1.1 我が国企業におけるAIへの意識
 1.2 AIとは
  1.2.1 AIにおける機械学習・ニューラルネットワーク・深層学習の関係
  1.2.2 技術レベル・機能によるAIの4段階分類
 1.3 AI利活用のビジネスモデル
 1.4 日本企業のAI利活用に向けた取り組みの現状と課題
2.データ収集と分析:インタビュー調査内容とデータ分析結果
 2.1 データ収集について
 2.2 データからの考察:AIの導入と利活用のポイント
  2.2.1 AIの製造業における普及のポイント
  2.2.2 AI人材について
  2.2.3 AI人材の確保と組織体制
  2.2.4 AI時代の競争優位の源泉
3.考察:AI時代に入り変化する競争優位の源泉
4.まとめ:製造業におけるAI利活用の意味

第3節 スマート工場の取り組みと日本の課題
1.製造業を取り巻く環境
 1.1 世界的な状況
 1.2 日本の状況
2.スマート工場の取り組みと課題
 2.1 スマート工場とは
 2.2 デジタルのスピード
 2.3 あるべきITの姿
 2.4 スマート工場の目指す姿
 2.5 日本のスマート工場の課題
  2.5.1 見える化のつまずき
  2.5.2 取得したデータが活用できない
  2.5.3 個別最適にとどまる
3.スマート工場の実例と支える技術
 3.1 スマート工場の取り組み例
  3.1.1 フレゼニウスメディカルケア社 総合設備効率(OEE)および
  労働生産性の向上
  3.1.2 カールスバーグ社 総合設備効率(OEE)の向上
  3.1.3 住友ゴム工業株式会社 品質および効率の向上
 3.2 実現するための技術

◇第2章 働き方改革の解釈と法制度設備◇

第1節 デジタル技術と労働と法
1.第1次産業革命とともに誕生した労働法
 1.1 工場法の制定
 1.2 工場法の内容
2.4つの革命と労働法
 2.1 商業資本主義から産業資本主義へ
 2.2 科学革命
 2.3 農業革命
 2.4 市民革命
 2.5 労働法学の成立
3.情報技術により産業が変わる
 3.1 第4次産業革命とは何か
 3.2 工業から情報産業へ
 3.3 GAFAはなぜ成功したか
 3.4 IoTの切り拓く可能性
4.デジタル技術の雇用に及ぼすインパクト
 4.1 雇用への影響は不可避
 4.2 日本型雇用システムと雇用保障
 4.3 日本型雇用システムの終焉
5.働き方の変化と労働法
 5.1 テレワーク化
 5.2 指揮命令関係の変化
 5.3 労働者の請負化
 5.4 規制の弾力化
 5.5 雇われない働き方
6.新たな規制
 6.1 雇用されない者をどのように保護するか
 6.2 現行の労働時間規制
 6.3 テクノロジーの活用
 6.4 プライバシー問題

第2節 外国人材の受け入れ拡大の現状と課題
1.外国人材受け入れ拡大の新制度「特定技能」の特徴
 1.1 単純労働分野への幅広い国籍からの受け入れ
 1.2 一定の知識・技能や日本語能力が必要
 1.3 既存の技能実習からの移行が容易
 1.4 「事実上の移民」の拡大
2.新制度の日本の経済社会への影響やそれらへの対応に関する課題
 2.1 日本人の雇用に大きな影響があるのか
 2.2 新制度の日本語能力で地域社会と共生できるのか
3.「特定技能」1年目の現在地
 3.1 特定技能評価試験における低い合格率
 3.2 技能実習からの移行が進まず
 3.3 留学からの特定技能への移行も進まず
4.今後の外国人材の受け入れ拡大の行方

◇第3章 工場へIoT・AIを導入するための説明・説得の方法◇

第1節 工場・化学プラントへIoT・AIを導入するための説明・説得の方法
1.工場・化学プラントへIoT・AIを導入するための説明・説得の方法
 1.1 IoT・AIの特質
  1.1.1 IoT・AI導入
  1.1.2 IoTとITとの違い
  1.1.3  IoT・AI推進の5つの壁
  1.1.4 AI活用7原則
 1.2 説明・説得の方法
  1.2.1 IoT・AI導入企画(書)/提案(書)
  1.2.2 IoT・AI導入推進プロジェクト計画(書)

第2節 工場・化学プラントへIoT・AIを導入するための経営者への説明・説得の仕方と根拠の示し方
1.IoT経営層に提案書が通らない理由と説得の方法
 1.1 IoT・AI導入の目的と効果の明確化
 1.2 IoT・AI導入企画書/提案書作成時の注意事項
  1.2.1 目的(解決課題)、及び、効果(目標)
  1.2.2 方針
  1.2.3 推進方法
  1.2.4 推進体制
  1.2.5 費用(投資)
  1.2.6 概略日程(スケジュール)
  1.2.7 実現方法(活用技術)
  1.2.8 AI(人口知能)活用
  1.2.9 データ
  1.2.10 既存システム
  1.2.11 プロセス改善
  1.2.12 セキュリティ
  1.2.13 関連法規
  1.2.14 人材育成
  1.2.15 リスク
2.「第4次産業革命」の流れとその中での工場・化学プラントのあり方
 2.1 「第4次産業革命」が日本企業に与えるインパクト
 2.2 日本の工場・化学プラントの現状と課題
 2.3 海外メーカーに対する国際競争力強化に向けて

第3節 工場・化学プラントへIoT・AIを導入する際の障壁の下げ方と現場への説明・説得の方法
1.IoTおよびAIの導入障壁
 1.1 導入の課題
 1.2 利活用の課題
2.導入する際の障壁の下げ方
 2.1 小さなPDCAサイクルを回す
 2.2 仕事が奪われてしまうという不安
3.IoT・AIを現場に導入する際の説明・説得の方法
 3.1 説明・説得のための土壌生成
 3.2 説明・説得のための推進組織
 3.3 意思決定者のスタイルに合わせた説明と説得

第4節 工場・化学プラントへのIoT・AIプロジェクトで発生するリスクと管理、社内部門間への説明の仕方
1.生産現場でAI/IoTを活用する際の課題
2.AI/IoTの現場導入の際に気を付けるポイントと進め方
3.導入が失敗する原因

◇第4章 既存工場にIoT・AIを導入するためのレイアウト変更の仕方◇

第1節 既存工場にIoT・AIを導入するためのレイアウト改善の進め方
1.理想レイアウトトとSLP標準ステップ
 1.1 レイアウトの鍵:PQRST
 1.2 P-Q 分析と3つの生産方式
 1.3 レイアウトの標準手順:SLP
 1.4 ハードとソフトのレベルアップ
2.IoT時代のレイアウト改善のポイント
 2.1 顧客要求と生産方式の選択
 2.2 IoTの定義と期待効果
 2.3 IoTの構築と活用ステップ
 2.4 IoTを考慮したコネクテッドシティ
3.レイアウト改善とIoT活用例
 3.1 競争力強化方策としての繋がる工場
 3.2 ドイツの“インダストリー4.0”
 3.3 アメリカのインダストリアル・インターネット
 3.4 GEのデジタルツイン
 3.5 アメリカのスマート製品と事業領域変遷
 3.6 ハーレーダビッドソンのマスカスタマイゼーション
4.日本企業のIoTへの挑戦
 4.1 オムロンのIoT支援
 4.2 ヤマザキマザックのスマートファクトリー
 4.3 自動車業界の変革の流れ
 4.4 その他のIoT関連の数多くの発展
 4.5 経産省の支援策

第2節 ロボットを活用した生産ライン自動化のレイアウト設計の考え方
1.生産性について
 1.1 生産性の指標
  1.1.1 付加価値生産性とは
  1.1.2 付加価値生産性の指標
 1.2 工場の自動化レイアウト
  1.2.1 作業改善
  1.2.2 ライン改善
  1.2.3 段取り改善
  1.2.4 設備改善
  1.2.5 レイアウト改善
  1.2.6 レイアウト設計
 1.2 品質信頼性
  1.2.1 品質信頼性とは
  1.2.2 品質信頼性の高い設備とは
2.生産ラインの自動化
 2.1 グローバル標準化設備の設計
  2.1.1 グローバル標準ラインの考え方
  2.1.2 グローバル・ワンデザインの設備設計
  2.1.3 故障しない設備設計
 2.2 設備の信頼性向上
  2.2.1 ネック技術の事前検証
  2.2.2 工程設計による工程品質保証
  2.2.3 自動化ラインの4M管理
3.生産ラインの自動化レベル
 3.1 自動化レベルとは
 3.2 加工工程及び組立工程の自動化レベル
  3.2.1 加工工程の自動化レベル
  3.2.2 組立工程の自動化レベル
 3.3 自動化ラインのポイント
4.スマートファクトリーにおける自動化システム
 4.1 自動化レベル2
 4.2 自動化レベル4
 4.3 自動化レベル4.5
 4.4 自動化レベル5.0
 4.5 自動化レベル5.0に対応した生産ラインの構築

◇第5章 IoT・AI導入工場でのデータ収集、統合と一元管理の方法◇

第1節 AI・loT時代におけるデータ活用実例と製造業が取り組むべき分析組織の作り方
1.概要
2.経営層に対する教育
 2.1 経営層へのデータリテラシー教育
 2.2 AIに対する過大な期待への是正
 2.3 期待効果と投資規模
3.トップダウンと組織横断なチーム編成のマネージメント
 3.1 生産管理と品質管理に精通した人からの協力
 3.2 データアーキテクトとIoTエンジニアの用意
 3.3 データベースエンジニアとデータエンジニアの用意
 3.4 Webエンジニアによる見える化
 3.5 データアナリストとデータサイエンティストの用意
 3.6 Webシステムエンジニア
 3.7 コミュニケーション能力の高いチームリーダー
4.階層的な技術者の役割分担
 4.1 全社員へのデータリテラシー教育
 4.2 役割分担別に異なる教育内容
  4.2.1 工場の技術者
  4.2.2 IoT技術者
  4.2.3 データベース技術者
  4.2.4 見える化システム技術者
  4.2.5 ETL技術者
  4.2.6 データ解析技術者
5.センシング
 5.1 歪計測
 5.2 複合センサー
 5.3 温度計測
 5.4 湿度計測
 5.5 磁気計測
 5.6 電流/電力/位相/力率計測
 5.7 距離計測
 5.8 その他のセンサー
 5.9 光計測
 5.10 カメラを使う際の照明設計
 5.11 比色分析
 5.12 位相計測
 5.13 デジタル制御ロジック
 5.14 アナログ信号増幅
 5.15 ログアンプ(導通検出の閾値設定)
 5.16 ロックインアンプ(同期検波)
6.デジタル化
 6.1 4-20mA/0-10V/その他アナログ信号
 6.2 プリアンプ
 6.3 PLCのADCユニット利用
 6.4 デジタル化されたセンサーIC
 6.5 I2C/SPI
 6.6 RS232/RS422/RS485通信
 6.7 IEEE488
7.IoT構築
 7.1 PLC(Programmable Logic Controller)とデータベース間の仕組み
  7.1.1 PLC内のバッファ構築
  7.1.2 バッファサイズ
  7.1.3 ポーリング
  7.1.4 イベント番号の定義
  7.1.5 時刻同期の仕組み
  7.1.6 データベース・クライアント
 7.2 ポーリング用FAコンピュータ
  7.2.1 本体の寿命
  7.2.2 フラッシュメモリーの寿命
  7.2.3 ファイア・ウォール機能
  7.2.4 L7フィルタ機能
  7.2.5 トランザクション処理
8.ロットとの紐付け(ETL1)
 8.1 内部ロットと正式なロット番号との紐付け
 8.2 ログデータ処理問題
9.見える化システム
 9.1 LAPPとの連携
 9.2 傾向管理
 9.3 BIツールの利用
10.説明変数整理(ETL2)
 10.1 欠損値と適切な補完方法
 10.2 適切な移動平均計算方法
 10.3 データセットの更新
11.データ解析
 11.1 説明変数選択
 11.2 特徴を掴むためにデータを眺める
 11.3 多変量回帰
 11.4 工学理論の理解と改善
12.最後に

第2節 IoT・AI導入工場における古い設備のデータを活用する方法
1.製造業におけるIoTやAIの活用の目的
 1.1 デジタル・ファクトリー
 1.2 デジタル・サプライチェーン
 1.3 デジタル・ビジネスモデル
2.製造現場のデジタル化への課題
 2.1 古い機械の壁
 2.2 人の壁
 2.3 組織の壁
3.古い設備を測るデジタルソリューション
 3.1 信号灯を活用
 3.2 クランプセンサーを活用
 3.3 画像処理を活用
4.業務や手順を測るデジタルソリューション
 4.1 デジタル帳票の活用
 4.2 OCR+AI
 4.3 自然言語処理(NLP)
5.まとめ

第3節 IoT・AI導入工場内のデータの選定・統合と効果的な活用の方法
1.工場におけるIoT・AIを活用するメリット
2.収集データの種類と活用
3.効果的なデータ収集とデータの活用
4.統合データの活用
5.終わりに

第4節 工場でのディープラーニングの活用とデータ処理の仕方
1.ディープラーニングの特徴
 1.1 ディープニューラルネットワーク
 1.2 特徴量
  1.2.1 画像での特徴量
  1.2.2 音(振動)データの特徴量
 1.3 特徴量とディープニューラルネットワーク
2.特徴量抽出のためのデータ収集
 2.1 目的を決める
 2.2 データを収集する
  2.2.1 画像の場合
  2.2.2 音(振動)の場合
3.特徴量抽出のための留意点
 3.1 バリエーションの確保は十分か
 3.2 正常データのみ収集しかできない場合
4.工場とディープラーニング

第5節 デジタル化時代に生き抜くモノづくりへの挑戦 ~デジタル化と現場力の融合~
1.会社紹介
2.コニカミノルタの生産特徴
3.コニカミノルタ生産の目指す姿
4.コニカミノルタが取り組んでいる「デジタルマニュファクチャリング」
5.最後に

第6節 e-F@ctoryによる、データ分析・活用の仕方とスマート工場実現への取り組み
1.創造社会:Society5.0とConnected Industries
2.ものづくりのスマート化と課題
3.みえる化「IoT化」のレベルと対象範囲
4.FA(生産現場)とIT(情報システム)の融合 ~e-F@ctory~
5.設備・作業者からサプライチェーン全体管理まで
6.生産現場へのAI活用
7.エッジコンピューティングの活用
8.デジタル革新への取り組み

◇第6章 品質保証・品質管理向上にIoT・AIを導入する方法◇

第1節 第1節 品質保証体制を強化するためのIoT・AI活用の方法
1.品質保証体制強化へのIoT活用の概要
 1.1 品質保証体制強化の目的
 1.2 品質基準の設定におけるポイント
2.IoTによる情報収集のポイント
 2.1 トレサビ、生産管理、予知保全の管理項目と収集方法
 2.2 収集項目の具体的な洗い出し手順
  2.2.1 目的に合わせて収集するデータ項目を洗い出す
  2.2.2 データ収集のサイクルを定義する
  2.2.3 情報収集における2Sの考慮
3.IoT+AIによる情報活用のポイント
 3.1 活用の概要
 3.2 トレーサ―ビリティへの活用例
 3.3 生産指標管理への活用例
 3.4 設備保全への活用例
4.品質保証体制強化に対するIoT+AI活用の効果

第2節 IoTデータ活用から始める製造現場の品質改善の方法
1.データ分析基盤の整備
 1.1 IoTデータ活用を行うための導入フェーズ
 1.2 導入フェーズ毎の検討事項
2.IoTを含むをデータを活用した品質改善の方法
 2.1 IoTデータの活用における品質改善
 2.2 IoTデータと既存データ、外部データの連携による品質改善
  2.2.1 様々なデータ分析における品質改善の例
3.まとめ

第3節 食品工場のIoT化の基礎と導入効果、運用・実践のポイント
1.食品工場におけるIoTの状況
2.食品工場における課題とIoTツール導入の効果
 2.1 人手不足への対応
  2.1.1 作業の自動化
  2.1.2 従業員のケア
 2.2 安全性の確保
  2.2.1 フードセーフティ
  2.2.2 フードディフェンス
 2.3 生産性向上
  2.3.1 現場の見える化
  2.3.2 予知保全
3.IoT運用・実践のポイント
 3.1 トップ主導で進め、明確なゴール設定をする
 3.2 デジタル化推進の専任担当者を置く
 3.3 外部の力を有効に使う

第4節 食品工場の自動化/機械化のノウハウと生産管理による効率化
1.食品工場が自動化/機械化に取り組まねばならない理由
2.食品工場の自動化・機械化の流れと基礎知識
 2.1 生産設備の準備プロセス
  2.1.1 モノづくりの準備プロセスと課題
 2.2 自動化ライン構築に必要な条件
  2.2.1 ローコストライン
  2.2.2 多品種変量生産対応
  2.2.3 品質安定化ライン
  2.2.4 設備投資最適化ライン
3.装置の選定基準やラインの構築について
 3.1 自動化ライン概略とレベル
 3.2 自動化ラインの構成要素と考え方
  3.1.1 工程プロセスと設備標準化
  3.1.2 自己完結型の設備
  3.1.3 自動化ラインに必要な生産技術
  3.1.4 品質モニタリング
4.製造データの管理/運用のノウハウ
 4.1 PDM(Product Data Management)
 4.2 運用のノウハウ PDM構築事例
5.生産性改善・品質向上の考え方
 5.1 安定した品質を維持するライン

◇ 第7章 外観検査にAI・IoTを導入する方法とポイント◇

第1節 外観検査の現状と問題点
1.外観検査の現状
 1.1 外観検査とは
 1.2 外観検査の特徴
  1.2.1 多角的な測定には便利である
  1.2.2 器差が大きく調整が難しい
  1.2.3 再現性に欠ける
  1.2.4 測定器(人間)の管理が面倒である
  1.2.5 客と同じ検査法で実際適である
2.外観検査の問題
 2.1 外観検査の問題
 2.2 検査員の感覚が器差の問題を起こす
  2.2.1 刺激閾
  2.2.2 弁別閾
  2.2.3 等価刺激
  2.2.4 順応効果
  2.2.5 残存効果
  2.2.6 対比効果
  2.2.7 順序効果
  2.2.8 位置効果
 2.3 判定結果が再現性の問題を起こす
 2.4 測定器(人間)の管理が問題を起こす
3.外観検査問題への対応
 3.1 検査員の適性と教育訓練で問題を解決する
  3.1.1 感覚器官が正常であること
  3.1.2 判定が経時変化しないこと
  3.1.3 感覚器官を劣化させない
  3.1.4 検査環境を一定条件に保つ
  3.1.5 ストレスを解消して心理状況を一定に保つ
  3.1.6 誤判定後の教育と訓練
 3.2 限度見本の管理と周知で問題を解決する
  3.2.1 限度見本の作り方
  3.2.2 限度見本の修正と管理
 3.3 検査計画と標準化で問題を解決する
  3.3.1 外観検査の実施段階を決める
  3.3.2 外観検査項目の選定と重み付け
  3.3.3 外観検査ロットの管理と検査の区分
  3.3.4 外観検査の標準化

第2節 機械学習を用いた画像認識技術と外観検査へAIを応用する方法
1.機械学習を用いた画像認識技術の概要
 1.1 キー技術
 1.2 画像の撮影
 1.3 機械学習
 1.4 一般的な物体認識の処理フロー
2.機械学習を用いた欠陥検出技術
 2.1 特徴量の設計
 2.2 機械学習の種類
3.外観検査へAIを応用する方法
 3.1. 機械学習を用いた自動外観検査システムの設計のポイント
 3.2 入力データ
  3.2.1 正確なラベル付け
  3.2.2 大量データの収集
  3.2.3 Data Augmentation
 3.3 性能評価
  3.3.1 性能の評価方法
  3.3.2 クロスバリデーション
  3.3.3 過学習
  3.3.4 ROC曲線とAUC
4.自動外観検査アルゴリズムの実例
 4.1 外観検査アルゴリズムコンテスト2014
 4.2 アルゴリズム
 4.3 結果

第3節 AIを使った外観検査の精度と、ティーチングの方法
1.特徴空間を用いる方法の原理・特徴・精度・教示方法
2.深層学習の原理・特徴・教示方法
3.AutoEncoderを用いた良品学習による欠陥検出
4.深層回路による欠陥領域の抽出
5.進化的機械学習による外観検査
6.外観検査処理の説明責任について

第4節 機械学習を活用した外観検査・打音検査の方法
1.畳み込みニューラルネットワークを用いた製品の外観検査
 1.1 ボールペンの軸に対する外観検査と欠陥画像の生成方法
  1.1.1 画像取得環境とDeep Learningプログラム
  1.1.2 トレーニングデータの作成方法と実験評価
  1.1.3 トレーニングデータの増大方法
  1.1.4 YOLOv2のトレーニング
  1.1.5 機械学習の評価結果
  1.1.6 結論
 1.2 化粧品のボトル表面の外観検査と欠陥サイズ推定方法
  1.2.1 鏡面上の欠陥推定問題
  1.2.2 欠陥の種類と画像
  1.2.3 検査の全体処理フロー
  1.2.4 欠陥部分のラベル付け
  1.2.5 R-CNN,機械学習の適用
  1.2.6 欠陥領域の抽出
  1.2.7 欠陥部分のサイズ推定
  1.2.8 実験評価
  1.2.9 結論
2.高速機械学習アルゴリズムによる検査時間に上限が与えられた打音検査
 2.1 検査時間に上限が与えられた打音検査問題
 2.2 ドアロックストライカ
 2.3 打撃装置と打音
 2.4 打音検査装置のハードウェア構成
 2.5 打音検査装置のソフトウェア構成
 2.6 機械学習にもとづく打音検査の方法
  2.6.1 サポートベクタマシン
  2.6.2 全体の処理の流れ
 2.7 実験評価
  2.7.1 データの精度
  2.7.2 サポートベクタマシンのトレーニングと適用
  2.7.3 検査装置の製品適用と課題
 2.8 結論

◇ 第8章 IoT・AI導入工場における故障予測のための異常検知システムの作り方◇

第1節 機械学習による故障予測・異常検知の方法
1.異常検知とは
2.異常検知の前提(IoT/AI活用)
3.機械学習による故障予測/異常検知の流れ
 3.1 異常検知
 3.2 要因解析
 3.3 寿命予測
4.データが十分に無い場合の異常検知手法
 4.1 SVDD
 4.2 PCA
 4.3 RPCA
5.異常検知・故障予知を行うにあたっての注意点

第2節 故障予知,異常検知の為のセンサの選び方,設置の仕方
1.回転機械の異常
 1.1 異常発生事象
  1.1.1 アンバランス
  1.1.2 ミスアライメント
  1.1.3 転がり軸受の傷
  1.1.4 ギアの異常
  1.1.5 軸たわみ
  1.1.6 軸割れ
  1.1.7 共振
  1.1.8 ラビング
  1.1.9 外部振動
2.設備振動のセンシング
 2.1 振動加速度センサの種類
  2.1.1 圧電式加速度センサの特徴
  2.1.2 サーボ式加速度センサの特徴
  2.1.3 半導体ゲージ型加速度センサの特徴
  2.1.4 静電容量型加速度センサの特徴
  2.1.5 静電サーボ型加速度センサの特徴
 2.2 振動センサの選定方法
  2.2.1 動的応答が必要な場合
  2.2.2 静的応答が必要な場合
  2.2.3 選定の基準となるスペック
  2.2.4 無線型と有線型の使い分け
  2.2.5 選択する上での注意点
 2.3 取り付け方法による差
  2.3.1 ネジ止め
  2.3.2 接着剤
  2.3.3 マグネット
  2.3.4 接触プローブ
  2.3.5 比較
 2.4 振動監視方法
  2.4.1 間欠監視方法
  2.4.2 オンプレミス常時監視方法
  2.4.3 クラウド常時監視方法
 2.5 判定方法
  2.5.1 絶対判定基準
  2.5.2 相対判定基準
  2.5.3 傾向管理
  2.5.4 AI等を利用した特異値判定
3.床面振動計測
 3.1 地震発生時
  3.1.1 地震計として使用するセンサ
  3.1.2 長周期地震における常時診断
 3.2 外乱振動
  3.2.1 床面振動を計るセンサ
  3.2.2 設備間で発生する床面振動伝播
  3.2.3 起振機を利用した床面振動計測

第3節 振動測定による状態監視装置の導入と活用の方法
1.設備不具合の大半は振動問題
2.状態監視の形態
 2.1 オフライン状態監視
 2.2 オンライン状態監視
3.簡易診断と精密診断
 3.1 簡易診断
  3.1.1 絶対判定法
  3.1.2 相対判定法
  3.1.3 相互判定法
  3.1.4 デジタルツイン
 3.2 精密診断
4.計測システムに求められていること
 4.1 センサの選定
 4.2 センサの設置場所
 4.3 計測精度
 4.4 エッジコンピューティング
5.導入事例
 5.1 火力発電所の機械状態監視システムの例
 5.2 熟練保全技術者の工数の80%を分析作業に集中
6.おわりに

第4節 動作音をAIで解析して機器の異常や故障を検知する方法
1.製造業においてAIが注目されている理由
2.AI(機械学習)を用いた検査システムの種類
3.機械学習を用いた異音検査システム構築の流れ
 3.1 計測システムの基本構成
 3.2 システム構築の流れ
 3.3 データ取得
 3.4 特徴抽出と次元削減
 3.5 モデル作成&検証
 3.6 実装
4.導入事例
5.おわりに

第5節 機械学習による時系列データ予測および異常検知のPythonプログラミング
1.異常検知の分類
 1.1 確率分布からの乖離を利用する異常検知
 1.2 近傍関係の非対称性を利用する異常検知
 1.3 異常事例のパターンを学習(機械学習による判別分析)
 1.4 正常事例のパターンを学習(機械学習による予測)
2.時系列モデルを利用する異常検知
 2.1 ARモデル (自己回帰モデル)
 2.2 ARMAモデル (自己回帰移動平均モデル)
 2.3 ARIMAモデル (自己回帰和分移動平均モデル)
 2.4 ARMA-GARCHモデル
3.Pythonによるサンプルプログラム

第6節 ディープラーニングを使った異常検知の方法
1.機械学習とディープラーニングの違い
 1.1 異常検知と予知保全(故障予知)の違い
 1.2 機械学習とディープラーニングの違い
 1.3 機械学習の学習法と統計手法
  1.3.1 教師あり学習(Supervised Learning)
  1.3.2 教師なし学習(Unsupervised Learning)
  1.3.3 強化学習(Reinforcement Learning)
 1.4 機械学習のアルゴリズム
2.ディープラーニングを使った異常検知の仕組み
 2.1 機械学習の2つのプロセス
 2.2 学習プロセス
  2.2.1 動画撮影
  2.2.2 アノテーション
  2.2.3 機械学習
 2.3 判定プロセス
  2.3.1 動画撮影
  2.3.2 オブジェクト検出(Object detection)
  2.3.3 正常/異常判定(Classification)
  2.3.4 ヒートマップ(Heat map)とモニタリング
3.正常品のみ学習する異常検知モデル
 3.1 識別モデルと生成モデル
 3.2 オートエンコーダ(VAE)を使った異常検知
  3.2.1 学習プロセス
4.正常品と不良品を学習する異常検知モデル
 4.1 誤差逆伝搬
 4.2 外観検査の対象項目
 4.3 ヒートマップ(Heat map)

第7節 ディープラーニングを活用した異常検知・欠陥予測とその応用方法
1.表面検査
2.CNNによる特徴抽出と故障診断
3.オートエンコーダ(自己符号化器)AE による故障診断
4.RBM-DBNとSVMを融合したマルチモーダル手法
5.競合学習とLSTMの融合による予測
6.ReNom-LSTMを用いた時系列データの異常検知・予測の応用実例解析
7.展望

第8節 既存設備を活かす「稼働監視」と「予知保全」の方法
1.工場IoT化の実情
 1.1 工場IoT化で発表されている実例について
 1.2 自社に適用できない実例
  1.2.1 大企業の事例
  1.2.2 官公庁がまとめた事例
  1.2.3 機器メーカーのPR事例
  1.2.4 IT企業のPR事例
2.工場IoT化が進まない理由
 2.1 費用対効果がわからず、投資判断ができない
 2.2 最適な投資金額がわからない
 2.3 プロジェクトを遂行できる人材がいない
 2.4 現場の反対
3.工場IoT化を進めるために必要な条件
 3.1 安くはじめる ~スモールスタート~
 3.2 費用対効果を明確にできる
 3.3 簡単にスタート・運用ができる
 3.4 現場に負担がかからない
4.工場IoT化を「稼働監視」と「予知保全」からはじめるメリット
 4.1 工場で必要な主な管理項目
 4.2 稼働監視からIoT化をはじめるメリット
 4.3 予知保全からIoT化をはじめるメリット
5.既存設備を活かす「稼働監視」の方法
 5.1 稼働監視の活用目的
 5.2 稼働監視に必要な情報
 5.3 既存設備から「稼働監視」に必要な情報を取得する方法
  5.3.1 通信可能なコントローラがある設備の場合
  5.3.2 通信可能な機器がない場合
  5.3.3 設備停止要因のデータ収集方法
 5.4 取得情報の活用方法
6.既存設備を活かす「予知保全」の方法
 6.1 予知保全の活用目的
 6.2 予知保全に必要な情報
 6.3 既存設備から「予知保全」に必要な情報を取得する方法
 6.4 取得情報の活用方法
7.本節のまとめ
 7.1 スモールスタートで費用対効果を明確にすることが大切
 7.2 スモールスタートには実績のあるパッケージサービスが有効

第9節 NECにおける異常検知へのAI活用の方法
1.NEC Advanced Analytics-インバリアント分析の概要
 1.1 インバリアント分析技術
 1.2 品質要因分析技術
 1.3 キャパシティシミュレーション
2.おわりに

第10節 機械学習を活用した異常判別の方法
1.用語の定義と評価指標
 1.1 用語の定義
 1.2 評価指標
  1.2.1 正確度(accuracy)
  1.2.2 感度(recall)
  1.2.3 特異度(specificity)
  1.2.4 精度(precision)
 1.3 計算例
2.ベイズの定理
 2.1 事象の設定
 2.2 確率
 2.3 条件付確率
 2.4 ベイズの公式
3.異常判別プロセスの改善
 3.1 特異度の計算
4.まとめ

第11節 故障・異常データが少ない場合のディープラーニングにおける異常検知の方法
1.ディープラーニングによる異常検知の問題点
2.Autoencoderによる異常検知
3.GANによる異常検知
4.適用事例

第12節 正常時の波形データのみで異常を検知する説明性の高いAIの開発
1.時系列波形データ分析の課題
2.OCLTS: 正常時の時系列波形データのみで異常を検知する説明性の高いAI
 2.1 OCLTSの概要
 2.2 学習アルゴリズムの導出
 2.3 工場の異常検知への適用事例

◇第9章 既存工場への協働・産業ロボット導入の方法◇

第1節 産業用ロボットの普及、促進と今後の課題
1.産業用ロボット普及の現状
 1.1 産業用ロボット導入促進の重要性
  1.1.1 労働力不足
  1.1.2 日本の国際競争力強化
 1.2 産業用ロボットの普及状況
 1.3 産業用ロボットが活用されている業界とされていない業界の違い
  1.3.1 自動化の必然性
  1.3.2 生産技術部門の有無
2.産業用ロボット普及への課題
 2.1 ロボットエンジニア不足
 2.2 導入側のロボット導入に対する理解
 2.3 ロボット導入検討時の相談先の存在
 2.4 非効率な業界構造
3.産業用ロボット普及への解決策
 3.1 ロボットエンジニア不足
 3.2 導入側のロボット導入に対する理解
 3.3 ロボット導入検討時の相談先の存在
 3.4 非効率な業界構造
 3.5 産業用ロボット普及に寄与するテクノロジー
4.今後の展望
 4.1 分業体制の確立によるWin-Winの関係構築
 4.2 量産化によるロボットシステムの汎用化
 4.3 新たな産業の創出、外貨の獲得

第2節 協働・産業ロボット導入のポイント
1.協働ロボット
2.ロボットシステムインテグレーション
3.安全衛生
4.おわりに

◇第10章 技能伝承にIoT・AIを導入し、活用する方法◇

第1節 製造現場で起きている技能伝承の問題と現状
1.技能伝承の不足により企業の現場力が低下する
 1.1 現場力とは
 1.2 現場力を低下させる要因
  1.2.1 問題を問題として認識できる感性の低下
  1.2.2 問題にぶつかった体験から教訓を学べない
  1.2.3 決められたことを確実に実行する企業風土になっていない
  1.2.4 目標達成・問題解決に向けて粘り強く、愚直に取り組む姿勢に欠ける
 1.3 現場力を高める方向
  1.3.1 愚直に物事を継続し技能伝承ができる体質づくり
  1.3.2 現場でのOJTにより技能伝承を確実に実行する
  1.3.3 応用できる問題解決力を向上させる
2.技能伝承を拒む一般的な問題点
 2.1 作業標準書を活用した作業指導がなされていない
  2.1.1 作業標準が作成されていない
  2.1.2 作業標準が改訂されていない
  2.1.3 作業標準を活用して教えない
  2.1.4 作業標準書が指導で活用されない問題点
 2.2 技能伝承の時間がとれない
  2.2.1 忙しくて指導の時間が取れない
  2.2.2 指導時間は空いた時間に指導ではない
  2.2.3 指導計画をつくり指導カレンダーに落とし込む
 2.3 教える対象者がいない
  2.3.1 若手が企業に入社してこない
  2.3.2 技能棚卸表を作成し重点的に採用やローテーションを実施
 2.4 教えることができる指導者がいない
  2.4.1 作業内容を知って人はいるが指導しない場合
 2.5 世代間のギャップがある
  2.5.1 世代間のギャップでコミュニケーションが難しい
  2.5.2 日常会話を増やすには
 2.6 伝承チャンスが少ない
  2.6.1 指導できるチャンスが少ない作業の伝承が難しい
  2.6.2 シミュレーションを有効活用
3.指導者と指導対象者の課題
 3.1 指導者の課題
  3.1.1 伝承すべき技能にバラツキがある
  3.1.2 教え方がわからない
  3.1.3 暗黙知の技能をどのように伝えるかがわからない
 3.2 指導対象者の課題
  3.2.1 素直な姿勢に欠ける者がいる
  3.2.2 待ちの姿勢が強い
  3.2.3 面倒なことを嫌がる
  3.2.4 仕事の本質や基本を考えないため、応用力に欠ける
  3.2.5 叱られ方・注意のされ方を知らない

第2節 労働安全・技術伝承に有効なICTソリューションの開発 ~廃棄物・リサイクル分野を例として~
1.リスク情報の「見える化」とVRを活用した安全教育コンテンツの開発
 1.1 リスク情報の「見える化」
 1.2 VRを活用した安全教育コンテンツの開発
2.労働安全へのナッジの応用に関する検討事例
 2.1 ナッジとは?
 2.2 清掃工場における有効なナッジの検証
3.廃棄物・リサイクル分野におけるAIの導入事例
 3.1 清掃工場における自動運転
 3.2 リサイクル工場における火災検知システム
 3.3 自動車リサイクル工場おける部品生産システムの効率化

◇ 第11章 IoT・AIを活用したヒューマンエラー対策の方法◇

第1節 ヒューマンエラーのメカニズム、ミスを起こす原因と対策
1.工場 ・化学プラントにおける事故の状況
2.HE対策に必須となる労働環境の整備
 2.1 本音の実態調査を基としたHEの原因~対策の必要性
 2.2 HE損金の明示の必要性
 2.3 ハインリッヒの原則の実務活用効果
3.個人の技として身につけるべきHE対策手順
 3.1 HEの発生の解析に必要な科学的な分析
 3.2 HE対策手順
 3.3 ポカヨケがあっても安心できないHEと対策
4.指差し確認の徹底と見える化対策によるHE対策の完全化
 4.1 数字で見る驚異的な指差し確認+Wチェックの適用効果
 4.2 見える化対策
5.航空機業界に見る資格化対策

第2節 ヒューマンエラーなくすための仕組み作り、教育の仕方
1.ポカミスとは
 1.1 どのようなポカミスがあるのか
  1.1.1 異品混入
  1.1.2 誤組
  1.1.3 未加工
  1.1.4 欠品
  1.1.5 チョコ停
 1.2 ポカミスの基本的な対策はどうすれば良いのか
  1.2.1 単純なポカミスを防止する方法は
  1.2.2 ポカミスを発生させないような職場管理とは
2.ポカヨケとは
 2.1 ポカヨケの仕組みとは
  2.2.1 識別
  2.2.2 アラーム
  2.2.3 選別
  2.2.4 治具
 2.2 ポカミスの未然防止策とは
 2.3 ポカヨケシートとは
3.未然防止策の3H(初めて、変更、久しぶり)とは
 3.1 3Hとは
 3.2 3Hの基本は4M
 3.3 プラスチック成形業の例
  3.3.1 4Mの分類
  3.3.2 3H発見シートの例
  3.3.3 3H予知シートの例

第3節 AIを取り入れたヒューマンエラー対策の方法
1.生産工程におけるヒューマンエラー
 1.1 ヒューマンエラーの定義
 1.2 単調作業
 1.3 スリップの原因
 1.4 安全の維持
2.IoT技術とディープラーニングを利用したヒューマンエラーの予兆検知
 2.1 IoT技術と人工知能による現場力の向上
 2.2 IoT技術による作業者の動作の監視
  2.2.1 センシング
  2.2.2 Working Rhythmの算出
 2.3 ディープラーニングによるヒューマンエラーの予兆検知
  2.3.1 ディープラーニングによる危険度の算出
  2.3.2 人工知能と人間の協同
 2.4 ヒューマンエラーの予兆検知の精度
3.予兆が表れる部位の推定
 3.1 K-means法を用いた作業者のタイプ分類
 3.2 作業者のタイプ分類の結果
4.おわりに

◇ 第12章 AI・IoT導入工場におけるセキュリティ対策の仕方◇

第1節 AI・IoT導入工場のセキュリティ強化の方法とポイント
1.なぜ工場にセキュリティ対策が必要なのか
 1.1 攻撃者から見た工場への攻撃価値とその影響
 1.2 工場システムや環境の特性
  1.2.1 工場システムに従来からある脅威
  1.2.2 AI・IoTを活用していく段階における新たな脅威
  1.2.3 工場システムや環境の特性を踏まえたセキュリティ対策とは
2.工場設備の構成と具体的な対策
 2.1 Step1(基本事項)での考慮点
 2.2 Step2(情報の取得・収集)での考慮点
  2.2.1 センサGWでの対策
  2.2.2 ネットワークでの対策
  2.2.3 その他の対策
 2.3 Step3(制御)での考慮点
3.取り組み事例
 3.1 センサGWでの対策
 3.2 ネットワークでの対策
4.まとめ

第2節 モデルベース開発と制御システムセキュリティ
1.背景
2.分散協調技術
 2.1 コントローラホワイトリスト
 2.2 コントローラホワイトリストの自動生成
 2.3 制御システムにおける縮退運転システムと協調機能
 2.4 模擬プラント上での検証
3.システム更新技術
 3.1 状態方程式に基づくモデル検査
 3.2 ソフトウェア更新のためのプログラム解析
4.今後の展望

関連マーケットリサーチレポート

調査資料名 価格 発刊日
“人工知能”の導入による生産性、効率性の向上、新製品開発への活用 
33,000 円 2018/05/31
製造プロセスにおけるIoT、ICT技術の活用 
−生産性・品質の向上 / 保全の高度化 / 装置・設備設計の効率化−
33,000 円 2017/04/28

発刊日

2020/06/30

体裁

A4 / 605ページ

販売価格

88,000 円
(本体80,000円 消費税8,000円)

発行

株式会社技術情報協会

関連カテゴリ

インターネット通信インフラeビジネス / エレクトロニクス・IT(その他)

購入・お問い合わせ

このレポートを購入

詳細を問い合わせる


PAGE