熟練者の勘に頼っていた砂型の水分・粘結剤・混練条件をAIで整え、品質のばらつきを抑えます。
鋳造工場では、回収砂に新砂、水、粘結剤などを加えて混練し、製品ごとに必要な強度や通気性を備えた砂型をつくります。しかし、砂の粒度や残留水分、回収回数、気温・湿度は日々変化します。 そのため、配合表どおりに材料を投入しても、締まりすぎる、崩れやすい、ガスが抜けにくいといった状態が発生します。現場では熟練者が試験値や砂の手触りを見ながら、水や粘結剤の量、混練時間を微調整していました。 この判断は経験に支えられており、担当者によって調整量が異なることや、ベテラン不在時に条件決定が遅れることが課題でした。
コンパクタビリティ、圧縮強度、通気度、水分率、砂温度などの試験値に加え、回収砂比率や前回配合を取り込みます。感覚的だった砂の状態を、比較可能なデータとして整理しました。
鋳物の材質、重量、肉厚、造型ライン、過去の不良実績を紐づけ、製品条件ごとに求められる砂型特性を学習。単一の基準ではなく、造型対象に合わせて推奨条件を変えます。
その日の砂状態と環境条件から、水・粘結剤・添加剤の推奨量、混練時間を算出。作業者は投入前に推奨値と根拠となる主要因を確認できます。
混練後の試験結果や鋳造後の欠陥情報を蓄積し、推奨値と実績の差を継続的に学習。季節変動や原料状態の変化にも追従できる仕組みにしました。
担当者ごとに異なっていた補正判断を共通の基準に置き換え、経験の浅い作業者でも適正条件に近い配合を選びやすくなりました。
試験値の変化と推奨範囲を同じ画面で確認できるため、強度不足や通気性低下などの兆候を造型前に把握し、手戻りを防ぎやすくなりました。
どの状態で、何を、どれだけ補正したかをデータとして残すことで、ベテランの判断を若手教育や条件見直しに活用できるようになりました。
過去の配合条件と試験結果、製品条件、欠陥実績の関係を学習し、現在の砂状態で目標特性に近づく配合量と混練条件を算出します。推奨値が許容範囲を超える場合は警告し、確認が必要な要因も表示します。
3カ月
対象ライン、利用可能な過去データ、既存設備との連携範囲により異なります。
300万円
データ整備、AI開発、画面・設備連携の範囲に応じて個別に算定します。