データベースの照会からプロセスの能力の最終評価、特殊原因の調査に至るまで、分析を標準化するための社内ツールを作成・開発する必要がありました。
開発は、シンプルな構造のデータベース（統計的な実験室検査データ）から始まり、徐々にオンラインのプロセス測定値で構成されたより大規模なデータベースへと拡張されていった。
目標は、以下のことを可能にするシンプルで迅速な社内ツールを用意することでした。
- 標準化されたデータセットを作成する。これには、グラフィカルユーザーインターフェースから最も重要なパラメータをフィルタリングおよび選択することにより、データダウンロードをカスタマイズすることが含まれる。
- 分析を自動化することで、プロセス能力分析を標準化し、管理図や主要KPIの傾向を適切に活用して、異常を迅速に検出するための効果的なグラフを作成できるようになります。
- プロセスを詳細に調査し、自動分析の結果を関連付けることで、製品特性とプロセスパラメータ間の潜在的な相関関係に焦点を当て、重要な変数を特定し、品質レベルを向上させる余地を見出すことができる。
皆さんこんにちは。マッシモ・パンプリーニです。ピレリで製造品質エンジニアとして働いています。
皆さん、こんにちは。サラ・ソレンティーノです。ピレリでプロセス品質エンジニアとして働いています。
弊社では、昨年開発したデータワークフローの統合プロジェクトについてご紹介いたします。プロジェクトの出発点として、半製品製造部門という特定の領域に着目しました。これは弊社の製造プロセスの概要です。データ分析の面で最も弱い領域である半製品製造部門から着手しました。
このプロジェクトが生まれた理由は何でしょうか？まず第一に、私たちにとって最初のステップが非常に重要だったのは、信頼性の高い実験データを収集するための独自の方法を保証する必要性があったことです。そうすることで、すべての工場が信頼できるデータ収集方法に従い、同じデータ収集方法を採用することを保証できます。これにより、ピレリ独自のグローバルデータベースを構築することが可能になります。
重要なポイントは2つあります。1つ目は、基本事項と実現要因です。2つ目は、JMPにデータを簡単にダウンロードできる機能です。これにより、ユーザーは時間間隔やプラント選択によるフィルタリングも含め、迅速かつ効率的にデータをダウンロードできます。最終的には、プロセス能力と主要な品質特性に関する管理図評価の両方について、自動分析が可能になります。
さて、どこから始めたかというと、データの標準化から始めました。これは、私たちがどこから始めたかを示す一例です。以前は、植物の計画を収集したExcelファイルが入ったフォルダしかなく、標準的なデータ収集とは言い難いデータでした。過去4年間で、視覚化とデータ処理に特化した高品質なアプリケーション、アプリケーションと同じデータソースに基づいたJMP専用ツールを開発し、現在はJMPツールへのPython統合を進めています。
JMPで開発したこのプロジェクトの目的は、主に3つの点に集約されます。まず、JMPのグラフィカルユーザーインターフェース（GUI）を用いて標準化されたデータセットを作成すること。次に、プロセス能力の結果に関する標準化されたレポートを作成するための自動分析を実現する方法、そして管理図を適切に活用することで異常を迅速に検出できるツールを開発すること。最後に、プロセスパラメータ自体をより深く調査し、オンライン生産データから最も重要な変数を把握できるツールを開発すること。
それでは、サラが先ほど示した3つの主要なポイントを簡単に見ていきましょう。まず、標準化されたデータセットをどのように構築したかについて説明します。最初のポイントは、ユーザーがどの植物とどの期間を選択して開始データセットを作成できるかを選択できるグラフィカルユーザーインターフェースを開発することです。これはデータダウンロードの直接出力です。データはすでに標準化されています。つまり、同じ基準で既にクリーニングされています。
分析の基礎となる最初のデータセットを作成した後、プラントや材料以外の主要パラメータを選択できる、特定の能力分析専用のスクリプトを統合しました。月別または材料別の分析専用のボタンも開発しました。重要なのは、ユーザーがワンクリックでこのレポートを取得できることです。これは、材料別、月別、仕様別、特性別の実際の能力を把握するために当社のプラントで使用される主要なレポートであり、短期間で真の改善を実現するための介入の優先順位付けに役立ちます。
自動分析ツールの最後の2つのボタンについてですが、プロセス安定性の分析に関連する特定のボタンを追加しました。最適な管理図を選択します。また、特別な原因が発生した場合に改善の余地を見つけるため、すべての種類の警告を有効にしました。さらに、外れ値の調査をより深く進める方法、そして、プロセス自体の平均値にドリフトや変化があったかどうかなどを把握するために、管理図の評価を毎月継続的に監視する方法も追加しました。
次に、分布に関連するもう1つの重要なボタンが追加されました。ご覧のとおり、これは特性自体の分布だけでなく、プロセス能力の結果にも常に注目したいと考えていました。プロセス能力と、シグマレポート内のCPおよびCPKの両方の観点からです。しかし、全体的なシグマ能力レポート、つまりパフォーマンス能力指標にも常に目を光らせておきたいと考えていました。
開発したツールの最後の重要なポイントは、詳細な調査を進めることができる点です。実験室データから、オンライン生産データに直接関連付けて相関関係を見つけ、利用可能なすべてのプロセスパラメータを取得し、プロセス能力と品質特性の関連性が、最も重要なプロセスパラメータの影響とどのように結びついているかを理解したいと考えました。そのためには、予測プロファイラなどのツールをより深く掘り下げます。また、この部分では、X因子と他のプロセス変数との間にも相関関係がある場合に、外挿制御を有効にするよう常に注意を払っています。
これが最後のスライドです。なぜなら、まずは概要をご説明し、今後のステップについてお伝えしたいからです。次のステップは、1つ目はPythonとの統合、そして2つ目はこれらのツールを他の分野にも拡張することです。これらは私たちが優先的に取り組んでいることです。ご清聴ありがとうございました。ディスカバリーサミットでお会いしましょう。
ご清聴ありがとうございました。また近いうちにお会いしましょう。
