適用方案

• AI基盤のビッグデータ分析により、より正確な工程設計を生成し、失敗の可能性を減らし、最適工程設計の標準化を図ろうとしています。
• 決まっている結果値(硬度)を導き出すために、この結果値に影響を及ぼすX因子要因(圧下率、焼鈍条件)を見つけ、工程設計に適用させる
• 10年分の製造データを基に押下率、焼鈍条件を探すためのAIソリューションモデルを学習させた後、raw dataを入れて対照して精度をテストする

AI分析方法論

• 回帰分析技法を使用し、独立変数に素材鋼種、硬度スペック、硬度、製品厚さで構成し、従属変数としては焼鈍条件と圧下率を構成
• カテゴリ型データである消尽条件予測AIモデルにSoftmax活性化関数を使用した多項ロジスティック回帰(Multinomial Logistic Regression)学習方法を使用
• 圧下率予測には、焼鈍条件までを独立変数として追加し、基本線形回帰（LineaRegression）学習方法を使用

AI現場適用
結果

• データ基盤の製造革新を通じた競争力向上
• 製造データ·AI分析経験を活用してラインまたは工程の問題を解決するための現場データ基盤の意思決定支援
• 一部の作業者に偏っていた工程設計を体系化することで、リスクや疲労度、時間の減少

適用方案

• データ収集後、前処理過程を適用して高品質の学習データを確保
• AI学習のための大容量データ確保のためにデータをデータベース化しCNN技法を適用
• 大容量学習データを効率的に管理するためにクラウド環境を利用して学習データを分散保存
• ビジョン検査機を通じた映像データ(非定型データ)をNoSQL基盤データ保存所を利用して保存

AI分析方法論

• 本AIソリューションはCNNアルゴリズム技法を活用します
• CNNはイメージを認識するためにパターンを探すのに特に有用です
• データから直接学習し、パターンを使用して画像を分類するため、特徴を手動で抽出する必要はありません
• このような長所のため、自動運転自動車、顔認識、イメージを活用した良品/不良品のようなオブジェクト認識やcomputer visionが必要な分野で多く使われています

AI現場適用
結果

• 検査自動化:ビジョンシステムと統合して良品と不良品分類、不良品の種類分類検査自動化が可能
• 顧客クレーム率改善:製品全数検査で不良製品を選別した後、製品を出荷することで顧客クレーム率改善が期待されます
• AI基盤システムによる製品全数検査:AI全数検査によりクレーム率を改善します。 これによるクレーム処理費用の削減が期待されます。
• コスト削減:曖昧な量/不良を正確に分類することにより、不良納品遮断と同時に良品を廃棄するコスト削減

適用方案

• AI基盤のビッグデータ分析により、より正確な工程設計を生成し、失敗の可能性を減らし、最適工程設計の標準化を図ろうとしています。
• 決まっている結果値(硬度)を導き出すために、この結果値に影響を及ぼすX因子要因(圧下率、焼鈍条件)を見つけ、工程設計に適用させる
• 10年分の製造データを基に押下率、焼鈍条件を探すためのAIソリューションモデルを学習させた後、rawdataを入れて対照して精度をテストする

AI分析方法論

• 1CNNを応用したSegmentationモデルによるLEFT/RIGHTラインモデル学習
• LEFTとRIGHTラインのWidthとHeight Thresholdフィルタリング
• 2本AIソリューションは、地図学習アルゴリズム(Supervised Learning)技法を活用しています。
• 既にLabelである外径の値とその許容公差の結果値を知っています
• Labelに影響を与えるサプライヤー、ダイス寿命周期および冷却水温度などの最適値を見つけることが重要です
• 外径値及び許容公差から外れた実測値が収集された場合のX因子要因分析が必要です

AI現場適用
結果

• 本ソリューションにより、従来の手作業では不可能だったリアルタイム計測情報基盤の異常アラームシステムを提供することで、スペックアウトによる大量の不良を事前に防止することができます。
• 対顧客製品の信頼性を担保できます。
• 様々な製品のWire新鮮分野に本ソリューションを取り入れることで、低コストのAIベースの新鮮ライン異常発生アラームシステムを活用できます。