㈱MAZINが、東京都立産業技術研究センターの公募型共同研究（2020年）で行った「AIによる成形条件自動調整システム」について共有化しておきます。これは、ベイズ最適化とAIを使った最適成形条件探索方法の開発です。
《概要》良品成形（熟練者による条件）と同じ品質になるように、ベイズ最適化とAIを使って成形条件を自動調整するシステム。
金型内部の圧力データを活用した動的ベイズ学習モデルによる状態推定を行うことで不具合原因の究明を効率化する「金型内部状態推定方法の開発」。
《効果》非熟練者への技能伝承が十分に行われていない現場であっても、成形条件の設定時間（段取り時間）を短縮することができる。また、金型内部状態推定方法を適用することにより、不具合原因の究明を効率化させることができる。
【珈琲ブレイ句】このシステムは、熟練者により設定された条件によって得られた金型内の圧力波形を基準とします。新たに、別の人が成形段取りを繰り返すと、AIが自動的に学習して調整条件を見つけてくれます。この新たな最適条件で生産を始めればOKというわけです。人だけでなく、成形機が変わっても同じ品質の成形体が得られるというものです。
これにより、熟練者がいなくとも、４Mが少し異なっても、瞬時に成形条件をチューニングしてくれるという素晴らしい開発です。
ただ、気になるところがあります。初期値（基準値）を用意する必要があり、量産後の段取り時間短縮・リードタイム短縮が目的ということです。 それは、量産前、試作段階の条件出しは対象としていません。熟練者に頼らない条件出しの最適化が望まれます。
これを解決するのが、品質工学（タグチメソッド）パラメータ設計ですね。試作研究段階で、ロバスト性の高い最適条件を設計できます。
さらに、その先には、Taguchi-Bayesian Optimization（タグチ・ベイズ最適化）の世界が待っています。
情報元：株式会社MAZIN「動的ベイズ学習モデルによる射出成形機のloT化」～射出成形の日々の条件調整でお困りの方へ～
関連BLOG: タグチメソッド・パラメータ最適化とベイズ最適化の比較
関連BLOG: タグチメソッド・パラメータ最適化とベイズ最適化②