FLEXSCHE製品のご紹介
計画進化
実績を次の計画へつなぎ
変化する現場に計画時間を合わせ続ける
FLEXSCHE AutoCalibrator
現場では、品目構成、設備、作業者、段取り条件などが変化し、計画時に設定した作業時間と実際にかかった時間に少しずつずれが生じます。多品種少量化や製品ライフサイクルの短期化が進む中で、すべての条件を継続的に聞き取り、手作業だけで見直し続けることは容易ではありません。
FLEXSCHE AutoCalibrator（フレクシェ・オートキャリブレーター）は、蓄積した作業実績から作業時間を学習・推定し、計画時間を現実に近づけるための見直しを支援します。実績を集めて終わりにせず、推定結果の妥当性を確認し、次の計画へ反映して、その結果を再び評価する循環によって計画精度を継続的に高めます。
開始・完了時刻、数量、使用資源、品目や設備など、作業時間に影響する条件と実績を対応づけて蓄積します。
条件による複雑な時間変動は機械学習モデルで学習し、単純な能力値はDataTunerの統計処理で推定します。
標本の分布や推奨度を確認し、入力漏れ、突発停止などの例外が推定に影響していないかを担当者が判断します。
機能に応じて推計モデルを計画時に利用するか、確認した能力値を更新します。次の実績と比較し、必要に応じて見直します。
安定した推定のために
実績の件数だけでなく、作業時間とそのときの条件が正しく対応づけられたデータが必要です。必要なデータ量は対象によって異なり、入力漏れや突発的な停止を含む実績は、推定結果を確認する際に見直す必要があります。
製造時の作業時間は、材質、色、幅や厚み、使用する治具、設備など、複数の条件によって変わります。条件の組み合わせごとに現場へ聞き取り、計画時間を手作業で見直し続けるには大きな負担がかかります。
FLEXSCHE AutoCalibratorは、実際に作業を行ったときの条件と作業時間から機械学習モデルを構築します。現場へのヒアリングや手作業だけに頼らず、条件に応じた作業時間を推計することで、計画時間を見直す負担を減らします。
実際に作業を行ったときの諸条件と作業時間を対応づけて学習させることで、条件によって作業時間がどのように変化するかをモデル化します。
構築した機械学習モデルに、これから行う作業の条件を与えることで計画時の作業時間を推計できます。運用後も推計時間と実績を比較し、モデルや使用するデータが現状に合っているかを継続的に確認します。
生産する数量に比例して時間はかかるとか、数量にはよらないが人によって作業時間は変わる、などあらかじめ作業時間が単純なモデルで算出できる場合はデータチューナー機能を使用することができます。
データチューナー機能は、作業実績に基づく作業時間の標本データを蓄積し、十分なデータが集まった段階で統計処理による能力値の候補を提示します。現在の能力値、新たな推定値、標本値の分布を視覚化し、能力値を見直す際の判断材料として「推奨度」も表示します。ユーザーは分布や例外値を確認した上で、能力値を更新するかを判断できます。
また、同じ性能を持つ（と考えられる）複数の機械に共通の能力値を与えたけれども、実際に使ってみると有意な能力差が見つかった、ということはよくあります。データチューナーはこの差を検出すると、分割案を視覚化して提示するので、簡単な操作で能力の定義を分割することができます。
計画業務の課題や運用規模に応じて、適した製品構成や導入方法をご案内します。
