1/9ページ
ダウンロード(1.3Mb)
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