【第9章のポイント】
★人間の介入を最小限に抑え、自律的で適応的な生産環境の構築!
★AIシステムを導入するだけでなく『使いこなす人材』をどう育成するか!
第1節 自動化/省人化への優先順序の決め方,費用対効果の考え方
1.自動化で何を狙うのか?
1.1 自動化することが目的になっていないか
1.2 自動化することで生産性は向上するのか
1.2.1 資本装備率
1.2.2 資本生産性
1.2.3 資本生産性
1.3 自動化は人と設備の最適な組み合わせで考える
2.自働化を進める前にするべきこと
2.1 標準化の重要性
2.2 製品の固定変動分析と材料標準化の考え方
2.3 工程・作業レベルの標準化の検討
3.自働化を進める上で重要なこと
3.1 自動化の優先順序
3.2 設備投資の考え方
3.3 自動化検討のステップと想定効果
第2節 「スマートファクトリー」実現へのデジタル,自動化技術活用のポイント
序章
シーメンスが描く最終的なスマートファクトリーの姿:Adaptive&Autonomous
Plant
1.スマートファクトリーの進化 − 目指すべき最終形と各ステップ
1.1 従来型工場
1.2 接続された工場
1.3 予測可能な工場
1.4 自律型工場
2.AIと自律システムの役割
2.1 AIによる自律的意思決定
2.2 自己学習型機械と自己修正型機械
2.3 データドリブン型機器とエッジ/クラウド コンピューティング
3.データドリブン意思決定と自律化
3.1 AIによる需給予測と生産スケジューリング
3.2 自律的意思決定のシフトとその価値
3.3 自動化された意思決定の実現
4.サプライチェーンのデジタル化と自律化
4.1 サプライチェーンの最適化とAI活用
4.2 サプライチェーンの自律化
5.最後に
5.1 スマートファクトリーの実現とは未来に向けた投資
5.2 今着手することの重要性
第3節 スマート工場,スマートファクトリーを成功に導くために抑えるべきポイント
はじめに
1.スマートファクトリーの歴史
2.スマートファクトリーの現在地
2.1 事例1:データ基盤構築と可視化による歩留まり向上
2.2 事例2:セキュアなデータ分析環境の構築
3.AIを活用したスマートファクトリー
3.1 AIナレッジセンター→ナレッジ活用力の向上
3.2 AR/VR遠隔業務支援・技能トレーニング バーチャル工場見学→品質向上,安全管理
4.スマートファクトリーとデータリテラシー
4.1 データドリブン,データリテラシーとは何か
4.2 データリテラシー向上によるメリット
4.3 データドリブンな組織を作るためのステップ
5.スマート工場・スマートファクトリーがもたらす価値 → 視点を未来
第4節 金属部品の切削加工における「製造AIと完全自動化」の意義と技術解説
1.製造業界での現場では今何が起きているか
2.「製造AIと完全自動化」の意義
3.完全自動マシニングセンタ「TTMC-タイプF」
4.進化する金属部品調達システム「MMOP」
第5節 工場・製造現場における生成AI活用とDX実現
はじめに
1.生産性向上の多様な目的
2.目的に応じた優先課題の相違
3.ツールとしての生成AI・デジタル活用
4.課題に応じた適切なツール選択と事例の活用
5.データ化・ルール化・標準化の重要性
6.生成AI・デジタル活用の事例
6.1 事例:マツダのデジタルツイン実現
6.2 事例:豊田自動織機の生成AI活用
6.3 事例:シャボン玉石鹸のスマートファクトリー化への取組
7.定着のための人材育成と継続的改善
8.技術進化は日本の製造業にとって変革のチャンス
おわりに
第6節 工場へのDX/生成AI導入,推進と人材育成のポイント
1.当社が導入したデジタルツールの概略
1.1 【IoT稼働モニタリングシステム】(iXacs, i Smart Technologies(株))2021年導入
1.2 【エンゲージメント経営プラットフォーム】(TUNAG, (株)スタメン)2022年導入
1.3 【タブレット端末】(monit, トランスミット(株))2023年導入
2.導入したデジタルツールの活用事例と効果
2.1 製造ラインの生産性向上
2.2 業務の標準化と情報管理コストの削減
2.3 人財育成
3.製造業における生成AI活用への挑戦
3.1 生産実績のレポート
3.2 生産状況をモニタリングするデジタルツールの内製開発
3.3 業務に関する問合せに回答するチャットボットアプリの内製開発
3.4 その他
4.製造業におけるDX/AI推進と人材育成のポイント
4.1 数多くのデジタルツールが販売されているがどのツールを選べばいいかわからない
4.1.1 製造業における実績
4.1.2 使いやすく,柔軟なユーザーインタフェース(UI)
4.1.3 その他,契約や費用面での検討
4.2 現場でも抵抗なく受け入れられ,継続的に効果が得られる自信がない
4.3 社内のデジタル化やAIを推進する人材が社内にいない,どのように育成すればよいかわからない
4.3.1 マインドセットの醸成
4.3.2 手法の学習
4.3.3 実践
4.3.4 展開
最後に
第7節 センサデータを活用したスマートファクトリー実現への取り組み
はじめに
1.レトロフィットの考え方と導入ステップ
1.1 現状把握
1.2 課題抽出とKPI設定
1.3 センサ選定
1.4 エッジデバイス・通信規格の選定
1.5 解析・モデル化
1.6 ライン展開と継続的改善
2.センサ選定
2.1 工場内でのヒトやモノの動きの把握
2.1.1 UWB型屋内測位センサ
2.1.2 Bluetooth型センサ
2.1.3 映像(カメラ)型センサ
2.2 製造機器自体の状態の把握
2.2.1 音響センサ
2.2.2 振動センサ
2.2.3 電圧センサ
2.3 製品出来栄えの予測
2.3.1 映像(カメラ)型センサを用いた製品の出来栄え予測
3.エッジデバイス・通信規格選定
3.1 エッジデバイス
3.1.1 NVIDIA Jetson
3.1.2 FPGA(Altera/Xilinxなど)
3.1.3 シングルボードコンピュータ(RaspberryPiなど)
3.2 通信規格
3.2.1 Bluetooth Low Energy(BLE)
3.2.2 Wi-Fi
3.2.3 LoRaWAN
3.3.4 Zigbee/Thread
4.解析・モデル化
4.1 動線解析
4.1.1 カーネル密度推定(KDE)による滞留ヒートマップ
4.1.2 DTW+DBSCAN による動線クラスタリング
4.1.3 グラフ中心性分析による経路ボトルネック評価
4.2 異常検知/予測メンテナンス
4.2.1 スペクトル包絡解析
4.2.2 短時間フーリエ変換(STFT)+CNN
4.2.3 ARIMA/SARIMA残差監視
4.2.4 AutoEncoder/AnoGAN/拡散モデルによる教師なし異常検知
4.3 品質予測
4.3.1 勾配ブースティング木(XGBoostなど)
4.3.2 統計的プロセス制御
5.ライン展開と継続的改善
第8節 AIエージェントと共に描く,インテリジェント製造の未来
はじめに:なぜ今、製造業の変革にAIエージェントが必要なのか?
1.AIの進化:AIエージェントの優位性
1.1 AIエージェントの基本サイクルと構成要素
2.機械知能(CPS)の限界と進化
2.1 課題1:フィジカル環境への対応力を持つAIモデルの未成熟
2.2 課題2:CPSにおける双方向同期の制約
3.製造業を変革するAIエージェントのユースケースと先行導入事例
3.1 AIエージェントのユースケース
3.2 先行導入事例
4.インテリジェント製造の未来像
|