Pocket

生産管理の業務を人工知能に任せると生産管理担当者の仕事はどう変わるでしょうか?

 

 

1.新材料開発は先端技術のみでは進まない

人工知能(AI)の話題を、毎日、何らかのメディアで目にします。

新聞や雑誌でこの話題を目にしない日が無いほどです。

 

人工知能が活用される分野がドンドン拡大されています。

日本の製造業を縁の下で支えている素材産業も例外ではありません。

 

材料開発の効率化を狙って、人工知能の活用が検討されています。

物質・材料研究機構や産業技術総合研究所が、こうしたプロジェクトを発足させました。

(出典:日経ものづくり2016年2月号)

 

新材料の開発は、今でも勘や経験が大きな役割を果たしていると言われています。

材料科学の進歩によって基礎理論の解明や材料データベースの整備が進みました。

 

シミュレーション技術も大幅に向上しています。

それでも、研究者の勘や経験が開発に欠かせないのは現代も変わっていません。

 

理論式やシミュレーションでおおよその見当をつけることはできます。

しかし、最後は泥臭い試行錯誤がものをいうのは昔も今も同じです。

 

 

 

ここで、ある特性をもった新材料の開発を仮定します。

既存材料の材料特性や

材料データベースの情報を活かし、

研究者は狙った材料特性が得られそうな材料パラメータを設定します。

材料設計です。

 

設定した材料パラメータをもとに、シミュレーションで材料特性を予想します。

ただし、この時点で、材料を製造するための具体的な材料パラメータは特定されません。

あくまで、おおよその見当をつけるまでです。

 

ですから材料を構成する配合比や、

場合によっては構成元素などを、

トライ&エラーで特定する仕事が残ります。

絨毯爆撃的アプローチが最後に必要なのです。

 

 

 

例えば、構成元素を3種類まで特定できたとします。

ただし、「らしい」配合比は見当づけられましたが、確定できていません。

 

そこで、特定された3種類の構成元素の配合比を動かし、実際に材料を製造してみます。

ここでは、各構成元素の配合量を下記のように動かしてみることにしました。

 

構成元素Aの配合量を3通り。

構成元素Bの配合量を4通り。

構成元素Cの配合量を3通り。

すると、3×4×3=36通りの材料を製造してみることになります。

 

さらに製造条件上、

動かしてみたいパラメータ(温度や供給速度や時間等)が3通りくらいあったとしたら・・・。

試行錯誤の回数は、軽く100回を超えます。

 

というように、新材料開発には泥臭い作業が残っているのが現状です。

 

 

 

 

 

2.所望の材料特性から必要なパラメータを逆算

物質・材料研究機構は2015年7月に「情報統合型物質・材料開発イニシアティブ」を創設しました。

革新的な新材料開発手法を生み出すことが目的です。

磁石や電池、熱電交換素子の新材料開発に取り組んいます。

 

日経ものづくりでは下記のように取り組みを解説しています。

イニシアティブの目標は、そうした状況に革新を起こすことである。

AIの活用によって、所望の材料特性を効率的に実現しようとしているのだ。

このような新材料開発のアプローチについて、イニシアティブのプロジェクトリーダーを務める寺倉清之氏は「逆問題を解く」と表現する。

「順問題」に相応する従来の手法は、

構成元素や配合比、組織構造といったパラメータを調整し、理論式やシミュレーションから特性の見当を付けていくというものだった。

それに対してイニシアティブで取り組むのは、所望の特性からパラメータを導き出すというものだからである。 

(出典:日経ものづくり2016年2月号)

図1

 

近年、材料を構成する元素の多元化や微細化構造の工夫によって材料特性改善が進んでいます。

 

したがって、パラメータやの種類や組み合わせが爆発的に増えているのです。

従来のやり方ではとても間に合いません。

 

そこで、逆問題を解く、従来の枠組みを超えたブレークするが求められています。

その切り札が人工知能です。

人工知能を使って逆問題が解けるようになれば、新材料開発が比較的に効率化されます。

 

逆問題を解くアプローチが、材料開発だけでなく他の分野へも応用できたらと思わずにはいられません。

望む状況を生み出すパラメータを導き出すことができるのです。

 

 

 

 

 

 

3.モノづくり現場で逆問題を解く

 

最適な生産計画、生産工程を検討する手段に、逆問題を解くアプローチを使うのです。

現場管理者が日常的に感じているストレスがなくなります。

 

生産管理担当者は現場を知り尽くしていることが求められます。

最適な生産計画、生産工程を組み立てるには、現場のあらゆる情報を把握、理解していないとなりません。

 

各工程を構成する設備の生産可能最大量、

リードタイム、原材料や資材の在庫や購入納期、

必要人員数や配置、外注から配送納期等々・・・。

生産活動に関連したあらゆる情報を駆使します。

 

多くの現場管理者は、独自に、生産計画や生産工程を検討するためのモデルケースを持っています。

モデルケースをもとに、生産計画や生産工程を経験から組み立てるのです。

 

そして、優れた生産現場の管理者は、このモデルケースに関する情報の引き出しが多い。

あらゆるケースに対応できます。

 

中小ものづくり現場で多くみられる機能別のレイアウトでは、物流が複雑です。

加えて、モノづくりが、現場担当者の技量に頼る部分を大きい状態です。

こうしたなかで、他との干渉なきように、最良の「流れ」をつくらねばなりません。

 

工程間を運搬している時にキズをつけた。

技量不足で寸法間違いを起こした。

こうした、予測不可能なことも起きます。

 

不適合品に配慮し、手直しのため、作業者○○さんの余力も睨んでおく。

つくり直しの超特急対応が可能な外注先も同時に把握しておく。

生産管理者は、あらゆる手立てを念頭に置いています。

 

 

納期通りに進めてあたりまえ、遅れる事態になったら大問題という仕事です。

 

自分が立てた生産計画や生産工程が最良だろうか?

現場で問題が発生したら挽回策は打てるだろうか?

こうしたストレスを日常的に感じる業務です。

 

手持ちの情報をもとに、要求された納期を実現するための日程や工程を組み立てます。

受注のたびに順問題を解いているようなものです。

ここで、もし、逆問題を解く仕組みができたら・・・・。

 

製品の仕様と数量、納期を入力すれば、

その時点で、最適な生産計画や生産工程がはじきだされるということです。

他の製品の生産と干渉しない最良の生産計画や生産工程が自動で出来上がります。

 

もし、現場で問題が発生し、計画や工程を見直さねばならなくなっても頭を悩ませる必要はありません。

AIに、その案件の逆問題を解いてもらいます。

手直しが得意の○○さんや特急対応が可能な○○製作所へお願いすべきかどうかの判断もAIにお任せです。

 

 

 

 

 

 

4.調整は人工知能にやらせる

生産現場の管理者が、生産計画や生産工程の逆問題を解くAIを手に入れたら、業務が変わります。

生産現場の生産実績、生産実態の分析が主な業務となります。

 

人工知能の精度を上げるためです。

自社工場のことを知り尽くすことになります。

その結果、全体最適を考える人財が育つことにもつながります。

 

 

工程間の調整業務は人工知能に任せて、自分は現場の「研究」です。

現場管理者の仕事が、深くてやりがいのあるものに変わります。

 

人間が持つ創造性を引き出す役割を人工知能(AI)に果たしてもらいます。

 

生産計画や生産工程の逆問題を解くために必要なパラメータを整理しませんか?

 

株式会社工場経営研究所 「儲かる工場経営」メルマガ ご登録ください。

毎週火曜日配信中。

https://48auto.biz/koujoukeiei/registp.php?pid=3

 

Pocket