揚げ色や酸価、投入量を分析し、品質を守りながら油交換の早すぎ・遅すぎを防ぐ仕組みを構築しました。
冷凍食品や惣菜を製造する工場では、複数の連続式フライヤーを使い、製品ごとに温度や揚げ時間を調整しています。油は使うほど劣化しますが、その進み方は製品の衣、水分量、投入量、稼働時間によって大きく変わります。 従来は、現場責任者が油の色やにおい、泡立ち、簡易測定の結果を確認しながら交換を判断していました。しかし、安全側に寄せると交換が早まり、油の使用量と廃棄コストが増加します。反対に交換を遅らせると、揚げ色や食感が不安定になり、製品品質に影響するおそれがありました。 そこで、日々蓄積されていた製造実績と油の状態を組み合わせ、ラインごとの劣化傾向を予測する仕組みを開発しました。
フライヤー温度、稼働時間、製品別の投入量、油の継ぎ足し量、酸価測定値、揚げ色の検査結果をライン単位でまとめました。紙や表計算に分散していた記録も一つの画面で確認できます。
製品構成や稼働条件によって異なる油の劣化速度をAIが学習。現在の状態だけでなく、その後の製造予定も加味し、「次の製品切り替え後に交換」など現場で実行しやすい形で提示します。
揚げ色や酸価が管理基準に近づくと、画面上で注意を表示します。交換を先延ばしにするのではなく、品質を守れる範囲で油を使い切る運用を支援しました。
推奨結果だけでなく、温度推移、投入量、酸価の変化など、判断に影響した項目を表示。現場責任者が納得したうえで交換を決定できるようにしました。
一律の交換周期を見直し、油の状態に応じて交換することで、品質基準を維持しながら油の使用量と廃棄量を削減しました。
油の状態悪化を早めに捉えられるようになり、製造ロットごとの色味や食感の変化を抑えやすくなりました。
交換の根拠が画面に残るため、経験の浅い担当者でも同じ基準で確認できます。引き継ぎや教育時の説明も簡素化されました。
ラインごとの製造条件と油状態の変化をAIが学習し、品質基準へ到達するまでの傾向を予測します。将来の製造予定も考慮し、作業を止めにくい時間帯を避けて交換候補を提示します。
4カ月
対象ライン数、既存データの蓄積状況、測定方法により異なります。
400万円
データ連携範囲、画面機能、対象設備数に応じて個別に算出します。