2020年12月2日 - インダストリー4.0、人工知能、生産、テクノロジー
最近、ツイッター上でイーロン・マスク氏は、長年の問いかけに対する答えを思いついた。「アマゾンに鶏と卵を注文した。さあ、どちらが先か簡単に答えが出るでしょう！」と。一方、金属の生産は複雑すぎて、これほど単純ではありません。製造プロセスは、製品の高品質を確保するために連携して相互に構築することを目的としており、別のプロセスが提供する成功した基盤がなければ、1つのプロセスで完全に成功することはできません。今日の最先端技術にもかかわらず、生産上の欠陥は、仕上げ中にのみ検出されることがよくあります。これは、すでに手遅れになっている場合です。では、欠陥の根本原因を特定し、将来それらを回避して、鶏が先か卵が先かという質問に一度だけ答えることができたらどうでしょうか。
品質の低下は、生産のスケジュールと計画への信頼性が欠如している場合にのみ引き起こされるだけでなく、生産プロセス自体が原因で発生することもあります。データを効率的かつプロセス関連の方法でわずか3ステップで使用して、根本原因を特定する方法を学びましょう。
1.大量のデータを収集することで、生産の信頼性を高めます。新しいテクノロジーを使用して収集されたデータとこれらのデータの高解像度を組み合わせることで、製品の品質を安定させることができます。
2.欠陥マッピングの全体的な方法を使用します。データを実際に操作でき、役立つ情報を生成するものにモデル化します。
3.根本原因分析を実行します。これは、プロセスチェーン全体に沿って根本原因を特定するのに役立ちます。
原品目、副資材データから完成品まで、ファクトリーモデルの完全なサプライチェーンに沿った生産データの取得から始まります。製造プロセス全体で1つのコイルのすべてのデータがある場合でも、これは欠陥の根本原因についてはほとんど説明していません。夏の傾向を数時間の天気で評価したようなものです。統計的関連性を維持するには、多くの注文や品目データを入手することが有益です。多岐にわたるほど良いのです。
大量のデータを収集することが出発点です。次のステップは、データを全体的な生産プロセスのコンテキスト化に取り込むことです。これにより、収集された大量のデータが「コンテキスト化」され、大きな付加価値がもたらされます。ここでは、データを適切なコンテキストで表示しながら透過的にすることで、お客様をサポートします。このシステムは、たとえば、どの製造段階と品目系統ノードでデータが収集されたかを示し、品目上の位置を含む正確な欠陥が特定され、表面検査システムからの画像を使用してそれらを文書化します。
PSImetalsは、さまざまな製造段階からのすべての測定値と欠陥を表示できます。これらは、上流または下流のそれぞれの座標に投影されます。
これらすべてのデータを使用して、時間を遡って、その段階の品目に関連する履歴データを表示できます。映画を見ているようなものです。現在のシーンをよりよく理解するために巻き戻したい場合があります。それは生産管理の世界でも同じです。弊社のMESはまさにそのような目的のために使用されます。
さまざまな特性データを持つより多くの品目プロセスデータを収集します。長さや幅がすべてではありません。あなたはそれらを比較可能にする必要があります！ここでは、研究所とパートナーのBFIが特許を取得したちょっとしたトリックを使用しています。いわゆる「高解像度サーバー」モデルを使用しています。新しく開発されたモデルは、これらすべての異なるものを正規化し、一見したところ、どういうわけか比較できない品目を調整されたシステム（正規化されたグリッド）に正規化します。したがって、コイルの実際の長さに関係なく、コイルは標準化された座標ベースのグリッドにマッピングされます。
グリッドにはさまざまな解像度レベルがありますが、通常、使用されるメインレベルは同時に最高の解像度レベルです。グリッド内の特定の数のセルは、理論上の品目の長さにマッピングされます。つまり、実際の長さが理論上の長さより短い場合は引き伸ばされ、長い場合は圧縮されて、正規化された座標ベースのグリッドに収まります。そしてもちろん、すべての欠陥もグリッドにマッピングされます。これにより、統計的な関連性を明らかにする機会が得られます。これはサッカーの試合の分析と似ていますね。実際にサッカーフィールドのどこでプレイが行われたかを視覚化することで、多面的に比較することが可能になります。
次のステップでは、モデルは何千もの品目を同時に視覚化し、グリッドに色付きの領域を表示することで不規則な領域を強調表示します。この座標で不規則性が多いほど、色が濃くなります。最後に、いわゆる「ノイズマップ」上の製品のクラスター化された異常の位置を構造的に示します。
このようにして、情報はプロセスチェーン全体に沿って逆方向に簡単にマッピングできるため、任意の上流工程で、マッピングされた欠陥位置を対応するプロセスパラメータと相関させることが可能になります。
このモデルをPSImetalsファクトリモデルと組み合わせることで、さまざまなタイプの測定を使用し、それらすべてをプロセスコンテキスト化または品目系図と組み合わせることができます。コンテキストデータと、系図の組み合わせにより、品目を特定の切り口で追跡し、すべての製品の変更履歴と、プロセスチェーン全体に沿った品質への相関性を分析可能です。今日では、個々の個品データのみを見るだけでは十分ではありません。全体的なモデルにマッピングすることで大量のデータを集約アルゴリズムを用いて分析すると、よりスマートになり、コストを節約できます。
すべてのコイルの詳細データをすべて知る必要はないでしょうが、原因は多くの場合、改善・排除可能な構造上の問題であることが多いものです。「ノイズマッピング」モデルは、従来の分析よりも集約データを使用するため、根本原因の分析がはるかに高速で優れています。何故なら、従来のようにローデータを分析よりも、コンパクトな集計データを使用し、そのデータはファクトリモデル内で格納されているからです。コンテクストデータとして正しい方法で格納されているため、ユーザーにすぐにメリットをもたらすことが可能です。（AI分析ツールに喰わせやすい）
「鶏が先か卵が先か」の問題に戻って、イーロン・マスク氏は最近、Twitterに次の写真を投稿して、この問いかけを結論づけました。
あなたも分析を再考する機会があり、それによってあなたの製品の最高の品質を保証し、お金を節約します。 PSImetals Qualityは、高度な品質評価のためのインテリジェントで柔軟かつ高速なソリューションを提供するため、深呼吸してスムーズな生産の静けさを楽しむことができます。
今後の 「サウンドオブサイレンス」キャンペーンにご期待ください
PSI Metals GmbHマーケティングディレクター、ラファエル・ビンダー(Raffael Binder)
2015年にPSIMetalsのマーケティングディレクター就任後、ラファエル氏ははインダストリー4.0を重点戦略に盛り込みました。弊社ブログで彼がデジタル化、KPI、人工知能（AI）などの活発な議論を促しています。ラファエル氏の関心は、デジタル化が様々な分野に与える影響について、科学（フィクション）や歴史からスポーツやコミュニケーションのあらゆる側面にまで及びます。
+43 732 670 670-61
rbinder@psi.de