豊田自動織機、Azure AIで塗装不具合25%減
元記事公開日: -
出典: https://www.microsoft.com/ja-jp/customers/story/26552-toyota-industries-corporation-azure
豊田自動織機は長草工場のバンパー塗装で、Azure上のSight MachineによるAI・機械学習を用い、約400のプロセス変数から品質不具合と相関の高い要因を絞り込んだ。現場がほぼリアルタイムで要因を可視化し対策できるようになり、パイロットでブツ関連の品質不具合を約25%削減し、分析は数週間から1時間未満へ短縮した。
背景
大規模自動車工場では塗装品質不具合が工程の最後で発覚しやすく、再処理や納期遅延の要因となっていた。豊田自動織機の長草工場ではバンパー生産ラインの塗装が特に慎重な工程であり、熟練塗装技術者の減少を背景に、目視検査からデータ主導の品質管理への転換が求められていた。機器センサーやプロセスパラメータ、温度・湿度など数百のデータはAzure IoT Hubで統合されていたが、現場は生産プロセスをリアルタイムに把握できず、品質不具合の因子を特定できていなかった。
要望・目的
事後分析からほぼリアルタイムの品質管理へ移行し、工場の生産データを生産プロセスの文脈と紐付けたうえで、現場チームや経営層が迅速に行動と意思決定できる仕組みが必要とされていた。品質指標の向上や現場作業の改善を技術で実現できるかを検証し、データに基づく意思決定を加速することが目標だった。規制強化を受け、サスティナビリティへの貢献も同時に求められていた。
実装・実施内容
MicrosoftおよびパートナーのSight Machineと連携し、Microsoft Azure上に統合されたAI対応の製造データ基盤を構築した。最初に実際の工場データを用い3か月間の概念実証を実施し、連携が困難だったデータもパイプラインで構造化・分析できることを確認した。続けて品質指標向上や現場作業変更が技術で実現可能かを検証した。Sight Machineのソフトウェアは同社Azureテナント内で稼働しデータは外部に出ない。製造部門・生産技術など関連チームが同一データを参照できる共通の可視性を重視した。
AIサービス・システム
Azure IoT Hubで統合した工場データを基盤に、Azureベースのセマンティックレイヤーを構築した。Sight MachineのAIと機械学習が約400の変数を分析し、品質不具合と最も相関の高い要因に絞り込む。これにより学習スピードの向上と現場での行動の焦点化を図る。ソリューションはデータスペシャリスト以外でも使える設計で、ダッシュボード上の検証用途ではなく生産規模での運用を想定している。
結果・効果
パイロット運用中、温度の安定化によりブツ関連の品質不具合を約25%削減した。問題解決の機会は約4倍に増え、日々のスタンドアップミーティング準備時間は80%短縮された。品質不具合分析は数週間から1時間未満へ短縮され、エンドツーエンドのボトルネック分析が約45分で完了した例もある。冬季塗装期間のCO2排出量は18%削減見込み。長草工場はこの手法をバンパー塗装からボディー塗装へ拡大でき、他の連続生産分野への応用も検討している。