1/9ページ
カタログの表紙 カタログの表紙 カタログの表紙
カタログの表紙

このカタログをダウンロードして
すべてを見る

ダウンロード(1.3Mb)

プラスチック押出成形設備の予知保全・プロセス最適化

事例紹介

5つのAIモデルを設備に適応。生産ラインの最適化・スクラップの削減・製品品質の向上

1.押出機ヒーターバンドの故障検知
2.冷却工程の最適化とスクラップ削減
3.モーター及び回転機器の状態監視
4.生産効率及び運用パフォーマンス分析
5.押出プロセスの異常検知と品質予測

このカタログについて

ドキュメント名 プラスチック押出成形設備の予知保全・プロセス最適化
ドキュメント種別 事例紹介
ファイルサイズ 1.3Mb
登録カテゴリ
取り扱い企業 旭エレクトロニクス株式会社 (この企業の取り扱いカタログ一覧)

この企業の関連カタログ

この企業の関連カタログの表紙
SORBA.ai紹介チラシ
製品カタログ

旭エレクトロニクス株式会社

この企業の関連カタログの表紙
groov EPIC製品カタログ
製品カタログ

旭エレクトロニクス株式会社

この企業の関連カタログの表紙
groov RIO製品カタログ
製品カタログ

旭エレクトロニクス株式会社

このカタログの内容

Page1

スライド 1

www.SORBA.ai CUSTOMER USE CASES 産業用AI 顧客導入事例 プラスチック押出成形 製造オペレーションへの機械学習適用 ― 5つの事例とモデル選定 01 02 03 04 05 押出機ヒーター 冷却工程の最適化 回転機器の監視 生産効率 押出品質予測 バンド故障 顧客 業種 米国大手 産業用パイプ・継手メーカー プラスチック製造、押出成形、 産業用パイプ製造
Page2

スライド 2

www.SORBA.ai 導入事例の概要 顧客 米国大手 産業用パイプ・継手メーカー 業種 プラスチック製造、押出成形、産業用パイプ製造 以下の5つの導入事例は、SORBA.aiが製造オペレーションに機械学習をどのように適用 しているかを、各用途に適したモデルの種類とあわせて紹介しています。 01 押出機ヒーターバンドの故障検知 用途:予知保全および設備信頼性向上 02 冷却工程の最適化とスクラップ削減 用途:プロセス最適化および予測品質管理 03 モーターおよび回転機器の状態監視 用途:予知保全および設備ヘルス管理 04 生産効率および運用パフォーマンス分析 用途:製造インテリジェンスおよび生産最適化 05 押出プロセスの異常検知と品質予測 用途:予測品質管理およびプロセス安定性向上 本資料は、前述の各用途に対する技術的なモデル選定を示したものです。本番環境で の導入内容および顧客固有の情報は機密扱いです。 産業用AI 顧客導入事例 – プラスチック押出成形 2
Page3

スライド 3

www.SORBA.ai 01 押出機ヒーターバンドの故障検知 用途|予知保全および設備信頼性 SORBA.ai の 課題 ソリューション 押出機のヒーターバンドの劣化・故障 温度プロファイル、ヒーターのデュー により、温度変動、材料加工のばらつ ティサイクル、運転条件を分析し、ヒ き、製品不良、計画外停止が発生する ーターバンドの劣化を示唆する異常な 可能性があります。 加熱パターンを特定します。 使用したAI/MLモデル 異常検知 従来のアラームしきい値を超える前に、異常な温度挙動や加 主要モデル 熱パターンを特定します。 回帰 運転条件に基づいて想定されるバレル温度を予測し、実測値 補助モデル と予測値を比較します。 分類 ラベル付きの故障データがある場合、正常な加熱挙動とヒー 補助モデル ターの劣化・故障の可能性を識別します。 ビジネス価値 ヒーター故障の早期発見により計画外停止が減少し、押出温度の 安定性が向上しました。 産業用AI 顧客導入事例 – プラスチック押出成形 3
Page4

スライド 4

www.SORBA.ai 02 冷却工程の最適化とスクラップ削減 用途|プロセス最適化および予測品質管理 SORBA.ai の 課題 ソリューション 冷却水温度、周囲環境、生産速度のば 冷却条件、生産パラメータ、品質結果 らつきは、パイプの寸法、材料特性、 の関係を分析し、スクラップ増加と関 最終製品の品質に影響を及ぼす可能性 連する運転条件を特定します。 があります。 使用したAI/MLモデル 回帰 冷却温度、生産速度、環境条件に基づいて、寸法や品質の測 主要モデル 定値を予測します。 異常検知 品質不良の原因となり得る冷却の異常挙動を特定します。 補助モデル 時系列予測 冷却条件やプロセス安定性の経時的な変化を予測します。 補助モデル ビジネス価値 スクラップの削減、寸法安定性の向上、冷却工程の管理強化。 産業用AI 顧客導入事例 – プラスチック押出成形 4
Page5

スライド 5

www.SORBA.ai 03 モーターおよび回転機器の状態監視 用途|予知保全および設備ヘルス管理 SORBA.ai の 課題 ソリューション モーター、ベアリング、ギアボックス 振動特性、モーター電流、運転速度な などの回転機器に機械的な不具合が発 どの設備パラメータを分析し、異常な 生すると、予期せぬ故障や生産中断に 運転状態や機械的劣化の可能性を特定 つながる可能性があります。 します。 使用したAI/MLモデル 異常検知 設備の正常な運転挙動からの逸脱を特定します。 主要モデル 十分な診断データがある場合、ベアリング摩耗、アンバラン 分類 ス、ミスアライメントなど、潜在的な故障状態を分類します 補助モデル 。 回帰 運転条件に基づいて、設備ヘルス指標や劣化傾向を推定しま 補助モデル す。 時系列予測 設備状態の傾向を予測し、保全計画の立案を支援します。 補助モデル ビジネス価値 設備信頼性の向上、早期の保全対応、予期せぬ生産中断の削減。 産業用AI 顧客導入事例 – プラスチック押出成形 5
Page6

スライド 6

www.SORBA.ai 04 生産効率および運用パフォーマンス分析 用途|製造インテリジェンスおよび生産最適化 SORBA.ai の 課題 ソリューション 設備性能、プロセス条件、サイクルタ リアルタイムおよび過去の製造データ イム、作業慣行のばらつきによって、 を分析し、運用上の非効率、異常な生 生産効率の低下が生じる可能性があり 産挙動、スループット向上の機会を特 ます。 定します。 使用したAI/MLモデル 回帰 設備およびプロセス条件に基づいて、想定される生産スルー 主要モデル プットやサイクルタイムを予測します。 異常検知 異常な生産パターンや想定される運転性能からの逸脱を特定 補助モデル します。 クラスタリング 類似した運転条件をグループ化し、高パフォーマンスおよび 補助モデル 低パフォーマンスの生産状態を特定します。 時系列予測 将来の生産性能を予測し、潜在的なスループットの制約を特 補助モデル 定します。 ビジネス価値 運用の可視性向上、生産の安定性向上、製造スループット向上の 機会の特定。 産業用AI 顧客導入事例 – プラスチック押出成形 6
Page7

スライド 7

www.SORBA.ai 05 押出プロセスの異常検知と品質予測 用途|予測品質管理およびプロセス安定性 SORBA.ai の 課題 ソリューション 押出温度、圧力、スクリュー回転数、 押出プロセスデータに機械学習を適用 材料挙動のばらつきにより品質のばら し、異常な状態を特定するとともに、 つきが生じ、最終製品の検査まで発見 大量のスクラップや手直しにつながる されない場合があります。 前に品質逸脱の可能性を予測します。 使用したAI/MLモデル 異常検知 プロセスの不安定化の可能性を示す、プロセス変数の通常と 補助モデル は異なる組み合わせを特定します。 回帰 リアルタイムの押出パラメータを用いて、製品の品質特性を 主要モデル 予測します。 分類 生産条件が良品または不良品のどちらを生み出す可能性が高 補助モデル いかを予測します。 時系列予測 製品品質に影響を及ぼし得る重要プロセス変数の変化を事前 補助モデル に予測します。 ビジネス価値 プロセス不安定化の早期検知、スクラップおよび手直しの削減、 最終製品品質の安定化。 産業用AI 顧客導入事例 – プラスチック押出成形 7
Page8

スライド 8

www.SORBA.ai AI/MLモデル適用のまとめ 5つの事例で使われたモデルを、主要モデルと補助モデルに分けて整理しました。 クラスタリン 導入事例 異常検知 回帰 分類 時系列予測 グ 01 押出機ヒーターバンド故障 ● ● ● – – 02 冷却工程の最適化 ● ● – ● – 03 回転機器の監視 ● ● ● ● – 04 生産効率 ● ● – ● ● 05 押出品質予測 ● ● ● ● – ● 主要モデル ● 補助モデル モデル別の活用事例数(5事例中) 5 5 3 4 1 異常検知 回帰 分類 時系列予測 クラスタリング 産業用AI 顧客導入事例 – プラスチック押出成形 8
Page9

スライド 9

www.SORBA.ai データから、 製造の「次の一手」を。 本資料は、前述の各用途に対する技術的なモデル選定を示したものです。本番環境で の導入内容および顧客固有の情報は機密扱いです。 www.SORBA.ai | info@sorbotics.ai