0.この記事の内容
製造業で特に生産技術の方が、個人単位でどのようにAI/機械学習に取り組むべきかを考えてみました。なかなか答えが出ない、悩ましい、作成したいソフトに巡り合うまでの長いポエムになってきました。なおポエムのためソースも画像もありません。作りたいものが出来て作成したら載せようと思います。
1.ものづくり歩留りにおけるAI活用方法
歩留まり改善の取り組みは下記の流れとなります。
不良多発
→分析
→要因推定
→対策
分析による活用方法は前回述べたため、要因推定について考えてみます。
2.なぜ分析の自動化だけで満足しないのか
研究開発と異なり、生産技術はものづくりと売り上げに直結する部門です。そのため、生産技術部がいたことで工場の歩留まり稼働率が何％向上したという成果が毎月求められます。営業よりは個人負担は少ないですが。。。
前回述べた分析の自動化では初見のデータでこそ威力を発揮しますが、
量産ステージではマクロで代用できてしまうため、身近な人に魅力を説明できても他の方々へはメリットを実感させきれません。（特に従来方法と差異がないと思われることおおく。。。）
圧倒的に違いを見せるためにも分析した結果＋要因推定までできると面白いなと思いテーマに選定しました。
3.従来の要因推定手順
分析されたパラメータをもとに、特性要因図などを作成し推測される根本原因を考えます。
例えば、発光モジュールの不良分析で
・不良多発項目→輝度
・分析結果→電圧と相関あり、電圧分布が低め
・要因推定→特性要因で、4Mを基軸に考えられる事をまとめていきます。
man：トレー落下等による端子クラック、設定運用誤りなどをなぜなぜ
material：発光部材の特性不良、端子の表面酸化などをなぜなぜ
machine：実装時にたまにノイズが入る、振動が発生してるなどをなぜなぜ
method:リフロー条件が適切でないなどをなぜなぜ
→なぜなぜ繰り返しつつ、全体像を描いてから今回の要因に一番近そうなものを選定し、確認方法を考えている順序です。詳しくはググってください。※発光モジュール例は扱ったことないので適当です。
4.AI導入方法の検討
特性要因図を学習し、分析結果とモジュールの性質から特性要因とその可能性が高い枝を推測する。この特性要因図で考えられる事というのは各企業でノウハウとして持たれている。
だがこのノウハウは時系列とともに消え去っており、実際には担当者がいちから特性要因図を考えるのが通例である。
そこでこの部分の自動化を図れば自動化だけでなく、社内ノウハウの簡易活用にも結びつくと考えました。
5.立ちはだかるデータベースの壁
さて、どのようにこの特性要因図の自動化ができるかを考えてみました。
5-1.社内データベースより機械学習データベースを作成する
社内ではルール上、各製品化プロセスの中でこのような課題や解決方法などを段階でまとめる規定が存在する。。。はず、と思い、改めて確認してみました。結果、近年の事業の再編成などの動きにより昔誰かがまとめてたはずのデータベースがバラバラに。なんてことだ( ;∀;)ということで引き続き、情報を集めたいとはおもうのですが、時間はかかりそうです。
5-2.各個人の持っている特性要因図を集める
5-3.自分でいろんなものを作成する
・・・、もはや力技ですね。
6.今後の課題
この通り、今回考えた内容では出来るか以前にデータベースの素を集めるまでにも時間が掛かりそうな事となりました。メーカのノウハウ書類は時として無駄なものになっているので、ここを機械学習でだれでも簡単にしようとするアプローチはいい線かなと思ったのですが、時間をかけての情報収集となりそうです。進展あれば追記しますし、また違う方向での機械学習取り入れ方法についても考えていく予定です。