導入事例：製造業向けAIプラットフォーム Profet AI
製造業 ものづくりDX × カーボンニュートラル

導入事例1：射出成形パラメーターの最適化

Challenges　－課題－

• 自動車部品メーカーはサイズと外観品質に対する要求が厳しく、ユニットコストが高くなる。
• 射出成形はパラメーターが多いため、射出成形サイクルの短縮と製品品質要求の維持を両立することが難しい。
• 大量の実験コストと数カ月の時間をかけても最適な結果を出すことできない。

The Solution　－解決策－

The Results　－結果－

• Profet AIが過去のデータからAIモデルを確立し、予測とシミュレーションを実行します。
  AIにより推奨された最適なパラメーターの組み合わせを活用することができます。
• 経験に頼って大量のトライ＆エラーを繰り返す 実験方法を脱却し、データに基づいた客観的な分析と経験の継承を実現することで、生産効率を向上することができます。

全体の結果：射出成形サイクルを10％短縮、開発実験材料コストを40％削減

導入事例2：電力消費量予測

Challenges　－課題－

• 二酸化炭素排出量削減やカーボンニュートラル達成のため、正確に電力消費量予測を行いたい。
• これまでの方法は、過去の電力使用量しか見ていなかったため、多様な運用条件や環境条件を考慮した予測や主要な消費要因の探索が難しい。
• 電力使用量予測が不正確だと、契約電力容量の予測やピーク時集中運転、オフピーク時電源余剰、省エネ対策が難しい。

The Solution　－解決策－

The Results　－結果－

• Profet AIが将来の電力消費量の変化を効果的に予測し、製品生産計画を立てやすくなります。（精度向上）
• 生産計画をより合理化することができ、生産計画が市場の需要に合致するようになります。（生産効率の向上）

全体の結果：契約電力を８％削減、電力消費量を3％削減

導入事例3：設備予知保全（PHM）／回転子の異常分類

Challenges　－課題－

• 回転子のモータは故障原因が10～20種類と多く、原因の分析が難しい。
• 少数の熟練スタッフの経験による異常の判断は、リスクがあり再現が難しい。
• 振動データの量は膨大で複雑なため、AIモデルの構築は難易度が高い。
• AIモデルの構築には、専門的な分析者やアウトソースサービスを必要とするため導入が容易でない。

The Solution　－解決策－

The Results　－結果－

• PHM（Prognostics and Health Management：高度なテクノロジーによる設備データ分析と予知保全）により、回転子の異常分類を行えます。
• 現場担当者が短時間で異常を分類できるモデルを確立することができるようになります。
• モデルを使用することにより、エンジニアは様々な異常の原因をさらに詳しく分析することができると同時に新人要員の能力を迅速に向上させることができます。（設備要員の生産性向上）

全体の結果：ダウンタイムロスを13％削減、保守コストを５％削減

ものづくりDX サービス詳細資料をご希望の方は、こちらからお申し込みください。