この紹介論文は、Proceeding 7th International Seminar on Industrial Engineering and Managementに掲載された論文「Implementation Six Sigma and Data Mining to Improve Die Casting Production Process at PT. AB」の研究内容です。 1. 概要: 2. 概要 PT. ABは、品質測定が重要なオートバイ産業の製造業者です。この研究は、シックスシグマ（DMAIC）手法を使用して品質管理を改善し、ダイカスト製造プロセスにおける欠陥率を削減することを目的としています。定義段階では、KYZシリンダーコンポーネントの欠陥率が最も高い（5.06％対3.36％の制限）ことが確認されました。測定段階では、15,356のDPMO値と3.66のシグマレベルを計算しました。分析段階では、特性要因図、FMEA（故障モード影響解析）、およびデータマイニング（決定木）を使用して、主な問題をフローライン欠陥として特定しました。改善段階には、オペレーターのトレーニング、SOP（標準作業手順）の実装、およびデータマイニングを使用したQC PASSの標準化が含まれていました。制御段階では、実装後のDPMO（13,221）とシグマレベル（3.71）を計算し、シグマレベルが0.05増加したことを示しました。 3. 研究背景: 研究テーマの背景: インドネシアのオートバイメーカーであるPT. ABは、ダイカスト製造プロセス、特にKYZシリンダーコンポーネントで高い欠陥率を示しています。 先行研究の状況: シックスシグマは、プロセス改善と変動削減のための方法論です。(Pande,2002)。Jang (2009)は、シックスシグマ内でのデータマイニングの使用を提案しています。FMEAは、潜在的な故障を体系的に特定し、評価します。(Manggala, 2005)。データマイニングは、大規模データから有用な情報を自動的に発見することです。(Tan, 2006)。エントロピーとゲインの公式は、(Kusrini, 2009)によって導入されました。 研究の必要性: KYZシリンダーコンポーネントの製造における高い欠陥率（実際には16.8％対標準3.36％）は、再作業の削減、製造コストの削減、および品質向上のために改善が必要です。 4. 研究目的と研究課題: 研究目的: 改善の実装前後の会社のシグマレベルを決定し、データマイニングを使用して改善策を提案すること。 主要な研究: シックスシグマとデータマイニング技術を使用して、PT. ABのKYZシリンダーコンポーネントのダイカストプロセスの品質を改善し、欠陥を削減すること。 5. 研究方法論 この研究では、シックスシグマDMAIC方法論を使用しました。 研究デザイン: この研究は、DMAIC（定義、測定、分析、改善、制御）方法論の5つの段階に従いました。
この論文の要約は、MDPI発行の「Advances in Metal Casting Technology: A Review of State of the Art, Challenges and Trends—Part II: Technologies New and Revived」に基づいて作成されました。 1. 概要: 2. 抄録または序論 本稿は、Special Issue「Advances in Metal Casting Technology」のために書かれた社説の第2部であり、2022年11月に発表されたパートIを基にしています。パートIでは、グローバルな金属鋳造産業の概要を示し、e-モビリティやギガキャスティング技術の出現、鋳造産業への環境負荷低減圧力など、市場と製品の変化を強調しました。パートIIでは、視点を変え、業界内の技術開発を検討し、一般的なトレンドまたは先行する課題への対応として分類し、「新規技術と再活性化技術の両方」を網羅的に議論します。網羅的な記述は不可能であることを認めつつも、本レビューは「読者にさらなる研究のための出発点を提供する」ことを目指しています。最終章では、Special Issueへの寄稿を、議論された技術分野の文脈において位置づけます。パートIと同様に、著者の専門分野である「アルミニウム合金の高圧ダイカスト（HPDC）」に偏っている可能性があることをご了承ください。 3. 研究背景: 研究トピックの背景: 金属鋳造業界は、「e-モビリティ、ギガキャスティング技術の出現、鋳造業界への環境負荷低減圧力[1]」など、市場と製品の変化によって変化の時代を迎えています。これらの進化する要求は、分野における技術進歩の再検討を必要としています。「ガー Gartner hype cycle [2-4]」のような技術中心のモデルや、「コンドラチエフ波とその関連[5]」のような経済レベルの観察など、技術進化の周期的な性質は、新規技術と再活性化技術の両方を定期的に再評価することの重要性を強調しています。 既存研究の現状: 以前に発表された本論説のパートIでは、鋳造業界に影響を与える「変化する市場と境界条件」についてすでに「本稿のパートIで議論」しています。既存の研究には、グローバルな金属鋳造のトレンドの概要や、ギガキャスティングのような特定の技術の分析が含まれます。「半凝固金属加工」のような特定の技術への学術的および産業界の関心は、「図2」に示すように、Google ScholarやScopusのようなデータベースの出版トレンドによって証明されています。しかし、特に現在の業界の課題の文脈において、新規技術と再活性化技術の両方に焦点を当てた包括的なレビューが必要です。 研究の必要性: 「鋳造業界への環境負荷低減圧力の増大[1]」と、e-モビリティのような新しい市場の要求への適応は、鋳造所が高度な技術を探求し採用する「必要性」を生み出しています。本レビューは、この必要性に対応するために、「新規技術と再活性化技術の両方」の概要を提供し、「読者にさらなる研究のための出発点を提供」し、戦略的な技術採用の意思決定を支援することを目的としています。さらに、「新しいアイデア、新しい市場ニーズ、または制限特許の失効」により「技術の再出現」の可能性と技術の周期的な性質を理解することは、長期的な業界競争力にとって重要です。 4. 研究目的と研究課題: 研究目的: 本レビューの主な「目的」は、「業界内の技術開発を、一般的なトレンドまたは先行する課題への対応として見ることができる技術開発、言い換えれば、本稿では新規技術と再活性化技術の両方について議論する」ことを検討し、要約することです。専門家レベルのハンドブック概要をこれらの技術について提供し、金属鋳造における現在の最先端技術の文脈において位置づけることを目指しています。第二の目的は、Special Issue「Advances in Metal Casting Technology」への寄稿を、議論されたより広範な技術的展望の中に位置づけることです。 主な研究: 本レビューで探求される「主な研究」分野は以下の通りです。
This paper introduction was written based on the ‘INDUSTRY 4.0 FOUNDRY DATA MANAGEMENT AND SUPERVISED MACHINE LEARNING IN LOW-PRESSURE DIE CASTING QUALITY IMPROVEMENT’ published by ‘International Journal of Metalcasting’. 1. 概要: 2. 概要または序論 低圧ダイカスト（LPDC）は、高性能、高精度なアルミニウム合金自動車ホイール鋳物の製造に広く使用されており、気孔率欠陥などの欠陥は許容されません。LPDC部品の品質は、鋳造プロセス条件に大きく影響されます。ガスや収縮気孔率などの困難な欠陥に対する部品品質を向上させるためには、プロセス変数を最適化する必要があります。これを行うには、プロセス変数の測定値を欠陥の発生率と照らし合わせて調査する必要があります。本論文では、Industry 4.0クラウドベースのシステムを使用してデータを抽出します。これらのデータを用いて、実際の鋳造アルミニウムLPDCプロセスで欠陥を予測する条件を特定するために、教師あり機械学習分類モデルが提案されています。このプロセスの欠陥率は小さく、潜在的なプロセス測定変数が多数存在するため、根本原因の分析は困難です。XGBoost分類アルゴリズムに基づくモデルを使用して、プロセス条件と欠陥のあるホイールリムの生成との間の複雑な関係をマッピングしました。データは、特定のLPDCマシンとダイモールドから、3シフト、6日間連続で収集されました。気孔率欠陥の発生率は、かなり小さなサンプル（1077個のホイール）から収集された13のプロセス変数からの36の特徴量を使用して予測でき、非常に偏っており（欠陥品62個）、良品で87％の精度、気孔率欠陥のある部品で74％の精度でした。この研究は、欠陥を減らすための新製品の量産前段階でのプロセスパラメータ調整を支援する上で役立ちました。 3. 研究背景: 研究トピックの背景: 低圧ダイカスト（LPDC）は、高性能、高精度、大量生産が求められる金属鋳造部品、特に自動車産業におけるアルミニウム合金ホイールリムの製造において広く利用されています。気孔率の不連続性は、LPDCアルミニウム製品で最も頻繁に見られる欠陥の一つです。これらは回避が難しく、部品の完全性と性能を損なう可能性があります。したがって、気孔率欠陥の原因と防止は品質管理において重要な考慮事項であり、部品品質を向上させるためにプロセス変数を最適化する要求を生み出しています。気孔率欠陥の原因は、金属組成、水素含有量、鋳造圧力、温度、指向性凝固速度を得るための金型熱管理など、さまざまな要因に起因する可能性があります。このような鋳造欠陥が発生した場合、正確な根本原因を診断し、適切なプロセスパラメータ変更を行うことはしばしば困難です。気孔率欠陥を引き起こす可能性のあるプロセス設定と逸脱を監視および分析する手段が必要です。Industry 4.0品質管理システムは、すべてのプロセス測定ポイントから記録されたデータを、検査結果を含む個々の部品に関連付けることができます。これにより、機械学習分類器アルゴリズムを利用して、プロセス欠陥を引き起こすプロセス設定の組み合わせを特定できます。これらは、プロセス制御の調整に役立てることができます。 既存研究の現状: LPDC生産は歴史的に高い不良率を示しており、通常、すべての生産部品は気孔率欠陥についてX線検査されています。この研究は気孔率欠陥を予測するのに役立ちますが、検査のためのX線装置に取って代わることはできません。しかし、気孔率欠陥の原因を定量化するのに役立ちます。典型的な鋳造工場では、数百種類のモデルと、毎年数十種類の新製品モデルが導入されます。量産前のプロセス設定を迅速に調整することが重要です。最初のセクションでは、LPDC鋳造工場の生産運転中に欠陥の原因を特定する際の課題が提示され、その後、関連研究について議論します。「Industry 4.0 Foundry Data Collection」では、鋳造工場全体で部品と関連データをデジタルタイムスタンプで追跡するためのIndustry 4.0データ収集システムが提示されています。「LPDC Porosity Defect Prediction」では、監視された鋳造欠陥について議論します。次に、「Classification Algorithm Model」では、気孔率欠陥が発生するプロセス条件を分類する統計的機械学習モデルが提示されています。 研究の必要性: 工場データを使用して欠陥部品の発生を予測する機械学習モデルを構築することは、いくつかの理由から困難です。潜在的な因果関係の要因の数が膨大であること、これらのプロセスデータをすべて収集するために計測することが困難な場合があります。また、時系列データの特徴を特定する必要があります。これには、高低シフト、変動が大きすぎる、またはデータ対時間のジャンプなどが含まれます。欠陥の原因に関連付けられる可能性のある特徴が検討されます。さらに、収集されたプロセスデータは、実際に生産されている部品に関連付けられている必要があります。これにより、これらのプロセス条件を部品の合格または不合格の指標に関連付けることができます。プロセスデータを収集するだけでは不十分であり、プロセスデータは部品にタグ付けする必要があります。これは、どのプロセスデータをどの部品に関連付けるかを知るために、部品を鋳造工場全体で追跡する必要があることを意味します。これは、スマートファウンドリの重要なIndustry 4.0の課題の1つです。鋳造工場は過酷な条件下で操業しており、投入材料の流れの開始から最終鋳造部品まで、各部品を追跡およびマークすることは困難です。2番目の課題は、時系列データを機械学習統計分析用の特徴量に前処理することです。完全なデータセットではなく、プロセスエンジニアが理解できるエンジニアリング統計を検討することが有用です。たとえば、時系列の圧力、温度、冷却データを位相に分離し、各位相内の統計量を計算できます。これには、データを充填や凝固などの位相に分離し、位相内の平均や分散などの特徴量を計算することが含まれる場合があります。プロセスエンジニアは、さまざまな位相での平均シフトと変動の大小が歩留まりにどのように影響するかを理解したいと考えています。最後に、特徴量が与えられた場合、これらの特徴量を欠陥率に関連付けるために利用可能な代替分類手法も多数存在します。全体として、機械学習を活用して欠陥の原因と根本原因をより深く理解するための研究機会が存在します。現在の鋳造工場のプロセス制御は、一般的に検査ベースの受入手順です。投入材料、鋳造結果の品質管理、およびプロセス制御は、指定された制限内でコンプライアンスについて検査または監視されます。部品の欠陥は、気孔率ボイドの存在に関するX線画像の目視検査によって定義されます。操業上の問題は、入力が許容範囲外になった場合に定義されます。この現状では、欠陥制御が困難になっています。第一に、目視検査と手動制御は、かなりの再現性と再現性の測定誤差を伴う可能性があります。また、このアプローチでは、許容範囲内の入力の組み合わせが、気孔率欠陥を発生させることを知らずに許容してしまう可能性があります。プロチャによって導入されたように、ステップバイステップの知識ベースのアプローチを採用して、より高品質な成果を得るために、鋳造プロセスの人工知能とデータ駆動型プロセス制御を構築します。Industry
![Figure 1: In a high-speed, automatic helix in-line CT unit the gantry, which accommodates the x-ray tube and the multi-line detector arranged opposite, rotates about the specimens on the conveyor belt [6]](https://castman.co.kr/wp-content/uploads/image-1540-570x342.webp)
