課題
MPCクーラー製造工程のうち、品質と不良への影響が最も大きいのがペースト塗布工程でした。リアルタイム検査が自動化されておらず、塗布状態によって品質がどう変わるかを事前に予測できませんでした。
収集データ
3Dプロファイルビジョンセンサーからの非定型データと、塗布ロボットPLCから収集される定型データを併せて収集しました。A面・B面それぞれL1〜L12区間の塗布量と、設備の設定値(SV)・測定値(PV)を時系列で保存しています。
適用モジュール
C²・D²で収集と標準化を担い、OPCサーバーでプロトコルを標準化したうえでTSDBに原データを保存しました。A²ではLightGBMアルゴリズムで最適塗布量と品質を予測し、V²でビジョン検査を実施しています。
成果
工程の最適値を導出し、それを設備のSVへ書き戻す自律型制御システムを実現しました。AI推論サーバーが導出した最適値はプロトコル変換を経てPLCへ伝達され、変更結果が再びシステムへ返ります。
予測で止めませんでした
品質を予測するところまでは多くの現場で行われています。問題は、その予測値を誰がいつ設備に反映するかです。人が画面を見て手動で設定を変える方式では、結局その人がいるときしか機能しません。
本事例では、AIが導出した最適値が設備へ戻る経路をつくりました。
データが巡る経路
- 3Dビジョンセンサーから定型・非定型データを収集
- OPCサーバーでプロトコルを標準化し、Publishモジュールを構成
- Subscribeモジュールで受信し、TSDBに原データを保存
- 前処理・加工の後、AI推論サーバーで工程最適値とリアルタイム品質予測結果を導出
- 結果値をPLCへ送信し、コマンドプロトコルに変換してSVを変更
- SV変更後の結果を受け取り、次の判断に反映
LightGBMを選んだ理由
回帰と分類の双方を扱えるため、最適値予測と品質予測を一つのアルゴリズムで処理できます。学習時間が短くメモリ使用量も少ないため、現場設備のそばで繰り返し学習するのに適していました。ただしデータセットが小さいと過学習の可能性があるため、収集期間を十分にとって検証しています。