射出成形の不良率をAIで自動分析し歩留まりを改善する設計術

成形条件表はExcelで、検査記録は紙の検査表で——。不良が出るたびに担当者が両方を見比べながら「このロットは何が違ったのか」を探す作業に、半日以上かかっていないでしょうか。

成形条件表と検査記録が別管理のままでは不良原因の特定が遅れる理由

Before → After：不良原因の特定プロセス

ショット条件ログと検査データをAIが自動突合し変動要因を特定する設計術

この仕組みの核となるのは、ロット番号・型番コードをキーにした自動突合です。成形機側のショット条件ログ（保圧時間、射出速度、金型温度などの時系列データ）と、検査工程で記録される良品・不良品区分を、同一のロット番号で紐づけてAIが相関分析を行います。

具体的な画面構成としては、ダッシュボードから「型番別分析画面」に遷移し、分析対象の型番を選択したうえで「差分突合実行」ボタンを押します。すると不良ロットと良品ロットの条件差分が自動計算され、変動幅が大きいパラメータ順に一覧表示されます。分析結果は「不良要因分析_型番XXX_YYYYMMDD.csv」のような形式でエクスポートでき、設計変更や金型メンテナンスの検討資料としてそのまま活用できます。

量産型番と試作型番を分けた分析優先度の自動判定

すべての型番を一律に分析対象とすると、データ量が少ない試作型番では誤った相関を導きやすくなります。そこで型番を量産型番と試作型番に区分し、分析の優先度を自動で振り分ける設計が有効です。

1型番1ラインからの試験導入で歩留まり改善へつなげる手順

射出成形のAI分析は、全ライン一斉導入ではなく、まず不良率が気になる1型番・1ラインに絞って試験導入するのが現実的です。

品質管理AI全般との違いと使い分け

AI外観検査やIoTセンサーを用いた予知保全など、製造業向けの品質管理AIは国内でも導入が広がっています。外観検査AIは「不良を見つける」工程を担うのに対し、本記事で扱う成形条件×不良原因の分析は「なぜ不良が出たのか」という原因究明の工程を担う点が異なります。

両者は対立するものではなく、組み合わせることで効果が高まります。外観検査AIで不良を検知し、その結果を成形条件分析AIに連携すれば、検知から原因特定までの工程をシステム上でつなげることができます。品質管理AI全般の考え方や導入ステップについては、製造業におけるAI品質管理の自動化とGUI設計も参考にしてください。