AIアプリケーション
品質管理
品質管理部門はAutoMLで品質検査フローを自動化して、早期に問題発見と修正を行い、製品品質を高めることができます。
また、生産フローの品質データを分析して、品質に影響する重要要素を見つけ出し、改善を進めることが可能です。
アプリケーションシナリオ
原因分析、品質予測
製造プロセス不良の原因分析
製造プロセスにおいて、品質管理スタッフはパラメーターの製品品質に対する影響を分析して重要変数を識別・制御することで、必要な基準を満たす品質を確保する必要がある。
問題分析：
- 製造プロセスのパラメーターが多い：製造プロセスは大量のデータを産出し、多くのパラメーターと品質指標をカバーする。データが大量かつ複雑であるため、人が分析することが難しい。
- 変数が多い：複数の製造パラメーターの間には複雑な相互作用が存在する。このため、従来の方法ではこの関係をとらえることが難しく、正確な分析結果を得ることができない。
- 試行錯誤のコストが高い：これまで異常の原因を見つけるためにはトライ＆エラーを繰り返す必要があったが、調整時間が長く、パラメーターと結果の関係を帰納することができなかった。
成果：
- 機械学習を通じて分析時間を短縮し、品質管理スタッフが迅速に製造プロセスの問題に対応できるようになった。
- ベテラン技術者の経験に依存した分析方法から脱却し、データ駆動の客観的な分析と経験の伝承を実現した。
製造プロセスの品質結果予測
従来の製造業では、企業はコストと時間を考慮し、抜き取りで品質検査を行っていた。しかし、抜き取り検査は一部の製品しかカバーできないため、品質異常が発見されないリスクがある。
問題分析：
- 全面的な検査ができない：抜き取り検査は不良品を見落とすため、最終製品の品質が低下するだけでなく、想定外のコストをかけて再修理や再製造をしなければならない。
- 人による検査は時間と労働力がかかる：抜き取り検査は人が行うため、労力と時間が多くかかる。
成果：
- 事前に各ロットの品質検査項目を予測し、品質管理スタッフは予測データを基に基準を満たさない製品を能動的に検査する。これにより、不良品の流出リスクを8.3％低下させた。
- 事前に製品の生産結果を知ることで、人による検査コストを抑え、工場全体の検査効率が9.8％向上した。