02023/8/102023/3/1yticirtceEyrotcaFyticirtceEyrotcaFegasU)yad/hWk(egasU)yad/hWk(egasUretaW)yad/3megasUretaW)yad/3mm3m3R2R2m3が30m3104. 塗装工場の節水Prediction Results for Out-of-Sample Data10％以上多い期間を異常として抽出しの期間である。過去の漏水トラブルと比較に示す。Fig. 6 学習範囲内データに対しては，水使用量実績と予測値がおおよそ一致しているため，過学習の可能性を除けば比較的精度の高い学習ができていると思われる。 学習範囲外データに対して，前述のとおり，使用量実績が予測値より約Aたのがすると，この期間に漏水が起こっていたことを確認できた。／日） 学習範囲内データ，学習範囲外データともに良好な結果が得られ，水使用実績が予測値をは，漏水や異常使用として検出できる仕組みを構築した。引き続き，予測の精度向上を目指しつつ，他領域への横展も進めていく。に示15.52.820.934.1 塗装工場の概要 本社工場内で最も水使用量の多い塗装工場（約／年）を対象とした。過去，塗装工場の水洗シャ／日であワーの間欠運転化による節水で約た事例もあるが，それ以降踏み込めていなかった。塗装工程は下塗り工程と上塗り工程に大別でき，混流生産方式の採用により同一ラインで複数車種の生産を行っている。水使用量は下塗り工程の方が多く，使用用途はボディー水洗や電着塗料の冷却である。下塗り工程のフFig. 7ローを193A 2023/10/1R=0.839 100755025R=0.854 Acutual Water UsagePredicted Water UsageB k-Nearest Neighborsを使用を使用した）60802000150010005002040Water Usage (m3/day) 60600400200802040Water Usage (m3/day) 2023/5/12023/7/12023/12/12024/2/1Acutual Water UsagePredicted Water Usagek-Nearest Neighbors100755025 機械学習やデータ解析等で利用されているプログラム言語の一 複数の機械学習モデルを組み合わせて一つの予測結果を生成する手法 アンサンブル学習の一種で，複数のモデルから得た予測結果を次のモデルに入力して最終的な予測を行う方法 スタッキング法の第一段階で用いられるモデルLinear Regression （本論文では，した）6 スタッキング法の第二段階で用いられるモデル （本論文では，工場稼働／非稼働，電力使用量（工場習に用いる特徴量として抽出した。特に相関係数の高Fig. 4かったつをに示す。Fig. 4Correlation between Water Usage and Features3.3 学習モデルと予測結果Python※を用いて機械学習モデルを構築した。アンサ2ンブル学習手法であるスタッキング法※つのベースモデルとで予測精度の向上を図った。を学習期間とし，この期間における水使用量（と各特徴量をモデルに学習させた。なお，この学習期間では漏水が起きていなかったことを確認済みである。次2023/8/12024/2/12における各特徴量から水使用量を予測させた。予測精度の評価には，R2MSE（平均差），（決定係数）を用いた。その結果をす。Table 1MSE, MAE, and R2 of Each ModelMSEMAE (m3/day) メタモデルの導入により，ベースモデル単体よりもMSEMAEが改善しており，精度が向上したことを確認できた。また，本モデルのり，学習範囲内データの平均値が約とを考慮すると，本モデルの予測には約るといえる。それを踏まえて，予測結果を確認してみる。学習範囲内データに対する予測結果を外データに対する予測結果をFig. 5Prediction Results for In-Sample Data）を機械学AE～2lA00Dl00(2※56～※※34Bとに～22※3※つ4※①②※5※と，，千千(――マツダ技報No.41（2025） を採用し，とメタモデルを組み合わせるこ2023/7/312023/3/1を予測期間とし，この期間MAE乗誤差），（平均絶対誤Table 1Base modelBase modelStacking method24.116.13.912.870.900.92MAE2.82m3／日であるこ％の誤差があ，学習範囲Fig. 5に示す。Fig. 6％以上超える場合101,30050／年を削減し
元のページ ../index.html#202