カスタムコードの蜘蛛の巣から機械学習の大規模運用へ

ある大手自動車部品サプライヤーは、品質管理全体を改善しただけでなく、MLを運用し、品質検査のスピードと精度を大幅に向上させた。これらはすべて、貴重なITリソースを他の全社的なビジネス・クリティカルなイニシアティブのために解放しながら実現したものです。

そのメーカーは、品質管理プロセスのボトルネックに直面していた。重要部品の従来の検査方法は、手作業による画像解析に頼っていた。このプロセスは時間がかかり、人為的ミスが発生しやすく、熟練労働者不足が深刻なパンデミック後の製造業に必要な拡張性に欠けていた。

同社は、検査プロセスを自動化し、組立ラインの複数の検査ステーションからのデータを統合するために機械学習を採用した。しかし、既存のシステムはカスタムスクリプトとポイント・ツー・ポイントの統合に依存していた。カスタムスクリプトのメンテナンスは常に苦労の連続でした。エラーのデバッグや追加ステーションからのデータ統合には、コーディングの専門知識が必要でした。そのため、ML構想の効率的な運用が妨げられていた。新しい検査ステーションが増えるたびに、スクリプトが増え、メンテナンスが増え、データ管理の頭痛の種が増えていった。

この製造会社は、ソリューションを構築するために以下のリトマスエッジの機能を使用した：

• デバイス・ハブ

• デジタル・ツインズ

• クラウド統合

• MLO向けアプリケーション・マーケットプレイス

1. 1.

   この自動車メーカーは、リトマスエッジのデバイスハブ機能を使用して、UVカメラとPLCからのフィードを含む工場フロアデータを収集し、正規化した。

2. 2.

   リトマスエッジの内部では、デジタルツイン機能を使ってデータにコンテキストを追加し、収集したカメラフィードに基づいてデータモデルを構築した。

3. 3.

   そして、Litmus Edgeの構築済みコネクタを使用して、これらのデータモデルを自社のクラウドに送信し、データサイエンスチームが高度な機械学習モデルを構築してトレーニングした。

4. 4.

   モデルの準備ができたら、双方向コネクタを使ってモデルをリトマスエッジ内に取り込んだ。アプリケーションマーケットプレイスにコンテナとしてモデルをデプロイした。

5. 5.

   次に、収集したカメラフィードデータに対してMLモデルを運用し、自動化された品質チェックと得られた洞察をリトマスエッジ内のデバイスハブに送信した。

6. 6.

   Device Hubには、PLCへのネイティブな産業用コネクタがあります。モデルの出力に基づき、PLCは品質チェックのために分析された自動車部品を受け入れるか拒否することができます。

結果は素晴らしいものだった。2週間以内に完全自動のUV検査システムが導入され、検査スピードと精度が大幅に向上した。これにより、全体的な品質管理が改善されただけでなく、貴重なITリソースを他のミッションクリティカルな取り組みのために解放することができた。

容易な拡張性。

リトマスエッジはカスタムスクリプトの必要性を排除し、自動車サプライヤーが生産量の増加に合わせてUV検査システムをシームレスに拡張できるようにした。

メンテナンスの軽減。

このソリューションにより、カスタムコードのデバッグやメンテナンスに費やすIT部門のオーバーヘッドが削減され、IT部門は本来の業務に専念できるようになった。

リアルタイムの意思決定。

自動化されたデータ分析とMLOpsによって、潜在的な欠陥をリアルタイムで特定し、対処することが可能になり、生産の遅れを防ぐことができた。

リトマスエッジがOTデータを最も価値ある資産に変える方法については、当社の専門家にご相談ください。