ブラックボックス化されたPLCでも、専用PCや複製PCをデータハブとして活用することで、安全かつリアルタイムな設備データの可視化を実現する方法について解説します。

鋳物工場では季節・温湿度・天候が品質に大きく影響します。本記事では、季節要因をAI学習に組み込む重要性、短い製品サイクルで学習が難しかった実例、長期生産工場での有効性、そして夏場の不良低減につながる可能性について解説します。

AI処方箋が内部規格と矛盾するのは、過去の規格外運用が品質のスイートスポットに入っていたためです。本記事では矛盾の理由、可視化方法、優先順位と責任の決め方を解説します。

AI 処方箋が期待どおりに効かない原因は、AI の限界ではなく運用の継続性にあります。本記事では、バッチ生産で起こりがちな処方箋の不遵守と、優先製品に集中することで品質改善と効果を最大化する実践的アプローチを解説します。

製造現場でAI処方を機能させるには、管理可能と管理不能パラメータを明確に分けて運用することが不可欠です。本記事では、品質を左右する重要パラメータの多くが調整不能な結果値である理由と、AIが示す目標値を現場が人の判断で実現するために必要な運用文化を解説します。

本記事では、砂型鋳造において「理論生産数」と実際の生産個数が一致しない理由と、その誤差が不良率・原価計算・生産管理を歪める問題を解説します。最も再現性の高い方法として、ショット後の総重量をバッチIDと紐づけて実生産数を算出する手法を紹介し、正確なデータに基づく工場運営を可能にします。

日本の製造業ではデジタル化が進んでいるように見えて、実際には多くの工場で取り組みが停滞しています。現場支援の経験から、その主な理由は4つあります。 ① 工場がインターネット接続を避けていること、② 可視化が目的化してしまうこと、③ データが経営判断につながっていないこと、④ データ精度が疑われないこと。 デジタル化はダッシュボードを作ることではなく、より良い意思決定につなげて初めて価値を生みます。