製造業におけるデジタルツイン活用：CAE連動とインフラ要件を解説｜コラム一覧

人手不足や熟練技能の継承難、多品種少量生産への対応など、製造業は多くの課題に直面しています。その解決の鍵として注目されているのが「デジタルツイン」です。工場や生産ラインを仮想空間に再現し、シミュレーションで検証してから現場に反映することで、止められない生産ラインでも仮想空間上で試行錯誤ができるようになります。

本記事では、製造業におけるデジタルツインの代表的な活用例、設計段階のCAEとの連動ポイント、それを支えるインフラ要件、そして設計データなどの機密情報を守るためのインフラ選定の考え方までを解説します。

本記事は、フィジカルAIの開発とそれを支える基盤技術を解説するシリーズ記事の一つです。ほかの記事もあわせてぜひご覧ください。

製造業におけるデジタルツインの活用

まずは、製造業の現場でデジタルツインがどのように活用されているのか、代表的なユースケースを見ていきます。なお、デジタルツインの基本概念については以下の記事で解説しています。「まずはデジタルツインについてくわしく知りたい」という方は、こちらの記事からご覧ください。

デジタルツインとは？Sim-to-RealによるAIモデル学習の仕組みと構築5ステップを解説

生産ラインの最適化

生産ラインを仮想空間に再現すれば、レイアウト変更・段取り替え・生産計画の変更といった施策を事前にシミュレーションで検証できます。とくにレイアウト検討では、いわゆる「システマティックレイアウトプランニング（SLP）」の検証の場としても活用できます。実ラインを止めずに改善策を試せるため、ダウンタイムと手戻りを最小化しながら、継続的にラインを改善できます。

たとえば新しい製品の生産を始める際も、仮想ラインで人員配置や設備の動きを検証してから現場に展開できるため、立ち上げ期間の短縮につながります。季節による需要変動に合わせた生産計画の切り替えも、仮想空間で先に検証しておけます。

高度な予知保全

設備のセンサーデータをデジタルツインに集約し、振動や温度などの変化から故障の予兆を検知します。事後保全から予知保全への転換により、突発停止と過剰なメンテナンスの両方を減らせます。

デジタルツインにより、統計的・数値解析的な異常検知にとどまらず、設備の余寿命をシミュレーション環境上で予測したり、部品交換や運転条件の変更といった対策の効果を確かめたりすることまで可能になります。

その他多様な活用例

このほかにも、AIによる外観検査の学習環境づくり、工場レイアウトの設計、作業者の教育・訓練など、デジタルツインの活用範囲は広がっています。たとえば教育・訓練の用途では、危険を伴う作業手順を仮想空間で安全に習熟できる点がメリットであり、VR技術も併用することで現実に近い形での訓練を実現できます。

CAEとデジタルツインの連動

次に、本記事の主題の一つである、設計段階の「CAE」と運用段階のデジタルツインとの連動を解説していきます。

CAEとは

CAE（Computer Aided Engineering）とは、車や機械などを対象に、力を加えたときの構造の変化や、熱の伝わり方、流体の動きといった物理現象をコンピューター上でシミュレーションし、試作の前に設計を検証する技術です。物理的な試作品の数を減らし、開発期間とコストを抑えられるため、製造業では設計段階の標準ツールとして定着しています。

CAEとデジタルツインをつなぐ意味

CAEとデジタルツインの連動は、次のような流れで進みます。

まず設計段階では、CAEを使って製品や設備を仮想的に試作し、強度や熱の問題がないかを検証します。このとき作られるシミュレーションモデルは、対象の形状や物理的な振る舞いを再現した、いわば「仮想空間上の設計図」です。

運用段階では、このモデルをベースとしてデジタルツインを構築します。稼働が始まったら、現場のセンサーから得られる実データでモデルを更新し、仮想空間の精度を高め続けます。実運用で得られたデータをCAEにフィードバックすれば、設計時の想定と実運用のギャップを埋め、次の製品・設備の設計に活かせます。このような流れで設計と運用がつながることで、両方の質が高まっていく仕組みです。

デジタルツイン化で増加する計算負荷

CAE解析はもともと計算負荷が高く、近年はGPUによる高速化が進んでいます。さらにデジタルツインとの連動によってCAEの活用シーンが設計段階から運用段階まで広がれば、シミュレーションの実行頻度も増え、GPU基盤の性能がこれまで以上に重要になります。解析の規模と頻度が上がるほど、1回あたりの解析時間の短縮が現場の生産性を高めます。デジタルツインとCAEを活用した製品設計においては、GPU基盤を確保できるかが重要な観点といえるでしょう。

製造業のデジタルツインを支えるインフラ要件

では、製造業のデジタルツインを支えるインフラには、具体的に何が求められるのでしょうか。3つの観点で整理します。

大容量データと高速ネットワーク

CADデータ、センサーの時系列データ、工場内の映像など、工場からは大容量のデータが継続的に発生します。これらを収集・転送し続けるためには、高速で安定したネットワークと大容量のストレージが必要です。

多くの製品や製造現場においては、実運用は24時間継続しておこなわわれるため、データの発生も24時間止まりません。よって、受け入れる基盤側にも継続的な処理能力が求められます。拠点が複数ある場合は、拠点間でどのようにデータを集約するかも設計上の論点となります。

シミュレーションとAI学習を支えるGPU

前述の通り、仮想工場のシミュレーション、CAE解析の高速化、予知保全AIの学習・推論など、デジタルツインの実現には大量のGPUリソースが必要になります。とくにCAE解析とAI学習を並行して回す場合、ピーク時の計算需要は非常に大きくなるため、用途と規模に応じたGPU基盤の確保が求められます。

機密データを扱うためのセキュリティー

CADで作成した図面や工場内の映像は、製品開発や生産技術において競争力を確保するためのコアとなる機密情報です。よって、データの保管場所、アクセス経路、管理主体を意識したインフラ設計が求められます。とくに海外拠点や取引先とデータをやり取りする場合は、データがどの国・地域を経由し、どこに保管されるのかにも注意が必要です。

国内データセンターを利用するセキュリティーメリット

機密データを扱う製造業にとって、「どこで処理・保管するか」はガバナンス上の重要な論点です。

設計データを国外に出さない「データ主権」の確保

海外事業者のクラウドでは、データの保管場所や適用される法制度への懸念が残る場合があります。クラウド基盤を選定する際は、データの保管場所・管理主体・適用法を確認することが重要です。一方で国産事業者が国内データセンターで運営する基盤であれば、通信・処理・保管まで国内で完結する構成を取りやすく、社内のガバナンスや監査への説明もしやすくなります。

物理的に分離された専有環境による高いセキュリティー水準

さらに、ベアメタル型のサービスを利用すれば、他の利用者とリソースを共有せず、物理的な分離によって高いセキュリティー水準を確保できます。閉域接続やVPNと組み合わせれば、工場と国内データセンターを安全につなぐ構成も可能です。

こうした要件を満たす選択肢の一つが、さくらインターネットのベアメタル型GPUクラウドサービス「高火力 PHY」です。NVIDIA B200 Tensor コア GPUを8基搭載したベアメタル型GPUクラウド※で、国内データセンターで運用され、月額固定料金でコストの見通しも立てやすいサービスです。高火力 PHYは製造業の機密データを扱うデジタルツイン基盤の選択肢になります。

※プランにより、搭載されるGPUは異なります。