AI予防保全ソリューション

IoTやAI、特にディープラーニングといったアプローチの実業務への適用が進んでいます。
これらの最新テクノロジーのビジネスへの応用をビジネス着想から技術面までトータルにご支援致します。

HOYAグループは1941年に東京都下の保谷町に当時としては最先端の光学ガラス製造会社を設立したところから始まっています。最先端工場の操業やプラント建設、維持・保全のノウハウは現代に引き継がれ、より高度な半導体製造用のフォトマスクの製造へと繋がっています。フォトマスクは半導体を製造するために欠かせない部材で、半導体の回路がネガとして焼き付けられており、レンズ系によってウエハー上に縮小印刷される重要な部材ですが、ナノミクロンレベルまで回路を縮小するため、その透明度、平坦度など高度な製造設備、ノウハウが必要となります。
この高度な製造を支える製造設備とその設備保全技術を基礎に、近年研究開発が進んでいるAI・ディープラーニングを応用して予防保全に繋げるソリューションをご提供させて頂いております。

AIを活用した予防保全ソリューション

一般に保全業務として、次のレベルがあり、順に進化・高度化すると共に設備部位、部品別に重要度を勘案し、その保全レベルを定義することとなります。

AIを活用した予防保全ソリューション

全ての設備をCBMには出来ない

それでは、全ての設備・装置を状態基準保全(CBM)にすれば良いかと言えばそうとも言えない面があります。右の表の通り、設備・装置の状態を監視するには、非常に高い設備投資と、手間が掛かることが多いためです。
従来からよく実施されている監視の手法としては、下記のようなものがあるのかと思います。

大型直流・交流電動機などの回転設備

  • 軸の振動をセンサーで図り、チャート出力するか、電圧として監視場所まで引いて監視する。異音を人が聞き分ける

製造装置を装置メーカがある程度汎用的に設計しておき、顧客毎にカスタマイズして納入するような機器

  • 装置自体が自身のモニター用のデータを蓄積・出力するため、これらの値と   稼働状況を監視する

その他、プラントの設計段階からその設備が故障すると多大な損失が発生するような設備に関しては基幹部品の状態を監視できるようになっているケースも多いかと思います。

全ての設備をCBMには出来ない

設備稼働率を向上するには

稼働率の定義としては、左のものが一般的かと思います。企業として設備投資した以上、設備稼働率100%で製品を作り続け、1単位あたりの設備償却費を下げたいのは当然ですが、なかなかそうはならないのが現実です。
また、部品を交換するイコール交換のために設備を止めるに等しいですし、現実には大掛かりな定期修理や食品メーカーのようにサニテーションが入ったり、型替えが入ったりもします。
とにかくコストを掛けずに使い続けたいわけですから、HOYAサービスでは、最近よく議論になっているIoTなども含め、各企業・製造設備・ライン等に適した最適解をご提案させて頂いております。

設備稼働率を向上するには

設備保全へのIoT・AIの応用

全ての設備をCBMにするのは費用対効果を考慮した時に非現実的です。そこで、HOYAサービスとしては下記の提案をさせて頂いております。

全ての設備・部品を下記の3種類に分類する

①汎用部品で安価なBMタイプ
②TBMのメンテナンス期間を最適化する設備・部品
③故障すると影響が大きく、本当にコンディションを監視してメンテナンスする設備・部品

この中で殆どの設備・部品を②TBM(時間基準保全)とする

MTBF(故障までの時間)をデータとして収集し、AI・ディープラーニングを適用し、最適なメンテナンス期間を割り出す

③のタイプの設備・部品は本当に監視対象としてインターネット網を含めたリモート監視の対象として対応する

設備保全へのIoT・AIの応用

補修部品在庫の最適化

補修部品在庫を持つことは装置産業の宿命であり、どうしても避けられません。そこで、AI・ディープラーニングを応用して、部品在庫をSCM的な視点で最小化・最適化するアプローチを推奨しております。

全工場の横持可能な部品在庫をネットワーク共有する

  • 殆ど交換の必要がないが、故障すると損失が大きい設備部品など

部品の横持に要する物流費と、その設備が故障した場合のライン停止時間損失を定量化し、重要部品は工場間の共有在庫として捉え、次に故障する可能性がある生産拠点に在庫しておく

補修部品在庫の総量と在庫場所は常にAIで学習し、在庫移動の推奨に基づき購入、移動する

このアプローチは未検証ですが、自動車のメンテナンス部品の最適化などへの応用も可能なものと考えられます

補修部品在庫の最適化