AIアプリケーション
R&D
AutoMLでR＆D部門のデータ分析とモデル予測をサポートし、新製品の開発周期を短縮してイノベーションの効率を高めることができます。
さらに過去の製品品質データを分析して、パラメーターモデルの最適化を続け、R＆Dチームがより正確な研究開発戦略を策定できるように支援します。
アプリケーションシナリオ
レシピの最適化、パラメーターの推奨
配合研究開発の最適化
新製品開発と既存製品改善の過程で、R＆D部門は大量の実験を行う必要がある。この過程には複雑かつ変化の多い各種要素が関連する。
問題分析：
- 実験コストが高い：従来の実験設計方法は長い時間、労力、資源がかかる。
- 変数が多い：研究開発過程では多くの変数と相互の影響を考慮する必要がある。従来の方法では、これらの変数を正確に識別して最適化することは難しい。
- 従業員の経験に依存：配合設計はベテランのエンジニアの経験に依存しているが、この経験を新人に伝承することは難しい。
成果：
- 特徴量重要度の分析を通じて、研究開発目標に影響する特徴パラメーターを見つけ出し、R＆Dの方向の絞り込みに役立てることができた。
- シミュレーション機能を使用し、目標に対する変数の影響を分析して研究開発時間を短縮した。
新製品導入(NPI）段階のパラメーター推奨
製品が研究開発から量産に進む時、生産パラメーターの調整が必要になる。これにより順調に量産を開始して、高い品質と生産率を維持できるようにする。
問題分析：
- データの不足：NPI段階の過去データには限りがあるため、積み重ねた経験からパラメーターを効果的に設定し、最適化することは難しい。
- 生産の安定性：初めて量産に進む時、生産フローが完全には安定しておらず、調整と最適化を繰り返す必要があるため、試行錯誤のコストが増加する。
- 複数部門の協力が困難：NPI段階ではR＆D、製造、品質管理など複数の部門が協力する必要がある。単に人の経験に従って判断すると、情報伝達と協力の効率がパラメーター最適化の効果に影響しやすい。
成果：
- 類似製品のNPI段階におけるパラメーター調整記録を統合し、過去データから学習して製品品質に影響するパラメーターを絞り込み、試行錯誤と検査の時間を短縮した。
- パラメーター最適化の結果を可視化して、R＆D、製造、品質管理部門の効果的な意思疎通と協力を促進した。
初回品命中率の予測
ロット生産タイプの量産では、製品品質を確保するためにまず少量ロットで生産して検査を行う。これにより、生産パラメーターの精度と安定性を確認する。
問題分析：
- 材料品質が不安定：ロットによって材料品質が変動し、初回品検査に影響する。このため、材料の生産パラメーター調整が必要になる。
- データ支援の不足：従来の方法は経験に依存してパラメーターを設定していたため、効果的な記録と判断の伝承ができない。
成果：
- 過去の生産データから材料とパラメーター調整の関連性を見つけ出し、初回品命中率を7％まで引き上げ、試行錯誤の回数を削減し、調整時間を短縮した。
- 材料と生産データの収集・分析を継続し、パラメーターの最適化とモデルの推奨によって生産フローの改善を続けられるようになった。