PFMEA 自動作成 AI ｜ ご提案デモ
3D CADデータと過去の不良情報をインプットし、工程リスクと対策案を自動抽出 → 汎用フォーマットのExcelでPFMEA草案を出力。社内で閉じたセキュアな環境での運用を前提とした構成です。
閉域/社内完結
AI草案70-80%＋人が確定
Excel出力
コア機能（受注要件） 運用・精度向上 環境・連携
上のタブで機能を切り替えられます。青いボタンや「実行」を押すと、AIの処理イメージが動きます。本デモの数値・社名・部品名はすべて説明用の仮データ（あくまで仮定）で、実データではありません。

「モノができる前に、データ上でリスクと対策を洗い出す」を自動化する

新商品の設計段階で、3D CADと過去の不良情報からAIが工程リスク（PFMEA）の草案を作成。ベテランの暗黙知を仕組みに落とし込み、誰が担当しても同じ件数・品質でリスク抽出できる状態を目指します。

現状：手作業で属人化・新人とベテランで抽出漏れや精度に差 目標：平準化された草案をAIが生成、人は確認・修正に集中
本デモの対象範囲：3D CAD＋過去不良データの取込 → 構造リスクの自動抽出 → PFMEA草案生成 → Excel出力。すべて社内ネットワーク内で完結する前提の構成です。
▲ 70%
PFMEA 1件あたり作成工数（仮定）
調査・転記をAIが下書き
均一化
担当者による抽出件数のバラつき
新人でもベテラン水準の草案
70-80%
AI草案の目標精度（人が確定）
最終判断は必ず技術者
0件
社外へのデータ送信
閉域/社内承認AIで完結
処理の全体フロー
クリックで各工程へ
① 入力3D CAD＋過去不良Excel＋基幹連携
② AI解析構造リスクを自動抽出
③ 草案生成工程×故障モード×対策
④ 人が確認信頼度でレーン分け
⑤ Excel出力汎用フォーマット
ポイントは「AIに100点を求めない」設計です。AIは7〜8割の草案と根拠（過去の類似不良）を提示し、技術者が最後の2〜3割を判断・加筆する分業にすることで、属人化を解きつつ品質を担保します。
今回いただいた課題

・担当者が手作業で調べながらPFMEAを作成しており属人化している

・ベテランと新人でリスク抽出漏れ・対策案の精度に差が出る

・誰が対応しても同じ件数・品質で抽出できる平準化・効率化をしたい

・外部の生成AIにデータを出せないセキュリティ制約がある

本提案の考え方

・既製のFMEAソフトは「作成の器・管理」が主で、3Dから自動でリスクを書き出すものは市場に見当たらない（タブ7の比較参照）

・そこで社内で導入済みのCopilot/Azure OpenAI等を基盤に、御社専用に学習・カスタム開発する方式を提案

・過去の不良情報を「知識ベース」化し、類似のリスクをAIが根拠付きで提示

・まずは小さくPoC（1機種）で精度を確認してから展開

① インプット：3D CAD ＋ 過去不良データ ＋ 基幹からの自動連携

設計データ（3D CAD）と、社内に蓄積された過去の不良情報（Excel等）を取り込みます。手動のデータ移行をなくすため、基幹システムに登録されたら自動でツールへ連携する構成も想定します。

3D CADデータ
STEP / CATIA / JT 等
クリックして3Dデータを読み込む（デモ）
assembly_RoomAircon_IndoorUnit.step
過去の不良情報（Office系）
Excel / CSV
不良情報ファイルを読み込む（デモ）
過去不良_市場クレーム_2019-2025.xlsx
基幹システムからの自動連携（手動データ移行をなくす）
基幹/PLMに図面・部品情報を登録
連携ワークフローが検知
PFMEAツールへ自動取込
担当者に通知
「自動連携をシミュレート」を押すと、基幹登録→自動取込の流れを再生します。
連携方式（API / フォルダ監視 / RPA 等）は御社の基幹・PLM環境に合わせて設計します。どの仕組みが最適かは現行システムの確認後に決定（仮定）です。

② AI構造リスク解析：3D形状から「噛み込み」「付け忘れ」を自動検出

3D CADの構造と過去不良の知識ベースを突き合わせ、リード線の噛み込みによる断線リスクや部品の付け忘れといった構造上のリスクを、信頼度付きで抽出します。

3Dビュー（室内機 内部・模式図）
室内機アセンブリ（模式） 熱交換器 送風ファン 制御基板 ドレンパン 1 2 3
高リスク（要対策） 中リスク（要確認） リード線（配線経路）
抽出されたリスク
— 件
「解析実行」を押すと、3D構造と過去不良からAIがリスクを抽出します。

③④ PFMEA草案の自動生成 ＋ 人による確定

抽出したリスクを、工程×故障モード×影響×原因×現行管理×推奨対策の形に整形。RPN（危険優先度）も試算します。AIの自信度でレーン分けし、低信頼のものは必ず人が確認する運用です。

PFMEA 草案（工程FMEA）
高信頼 要確認 低・要加筆
工程故障モード影響S原因O現行管理DRPN推奨対策（AI案）信頼度確認
「草案を自動生成」を押すと、抽出リスクからPFMEA表が埋まります。
S=影響度 / O=発生頻度 / D=検出難易度 / RPN=S×O×D。数値と対策は「過去の類似不良」を根拠にAIが提示する草案で、最終的な評点と採否は技術者が確定します（精度目標70-80%・あくまで仮定）。

⑤ Excel出力：一般的な製造業フォーマットに準拠

確定したPFMEAを、御社で現在お使いの様式（またはAIAG-VDA様式）のExcelファイルで出力します。既存の帳票運用・承認フローをそのまま活かせます。

出力プレビュー
PFMEA_室内機_2026機種.xlsx Sheet1
No工程/機能故障モード影響S原因O現行管理（検出）DRPN推奨対策
1基板・配線組付リード線の噛み込み断線→運転停止・発熱8配線経路と筐体リブの干渉4外観目視6192配線ガイド追加／経路をCADで固定、治具で保持
2基板実装コネクタ半挿し・未接続通電不良・間欠動作7挿入力不足・感触のみで確認4導通チェック4112嵌合確認のポカヨケ、全数導通検査
3部品組付固定ネジ／部品の付け忘れ異音・脱落・性能未達6手順の属人化・員数管理不足3最終目視590締付トルク記録、部品キット化と員数カウント
4ドレン組立ドレンパン勾配不足水漏れ・結露滴下7組付位置ばらつき3水張り試験（抜取）5105位置決め治具、水張り試験の全数化を検討
上表の内容は説明用の仮データです。列構成・評点基準・様式は御社の現行PFMEAに合わせて再現します。

人の修正を学習し、御社専用に精度を高め続ける

AIの草案を技術者が修正した結果を知識ベースへ還元。使うほど御社の製品・工程に合った提案になり、抽出漏れが減っていく設計です（精度は人の確定前提の70-80%を目標・あくまで仮定）。

改善ループ
AIが草案
技術者が確定・修正
修正を知識ベース化
次回の精度向上
学習は社内の知識ベース（RAG）への蓄積が中心で、外部の生成AIモデルを再学習させて社外へデータを出すものではありません。
精度イメージ（仮定）
PoC時点 → 運用で過去不良・修正履歴を蓄積するほど改善
PoC初期約60%
知識ベース拡充後約70%
運用定着・目標70-80%
数値は目安（仮定）です。実際の精度は対象機種・過去データの質と量に依存し、PoCで実測して評価します。
「AIに任せすぎない」ための運用設計
信頼度レーン低信頼の項目は人の確認を必須化。見落としを防ぐ。
根拠の明示各リスクに「どの過去不良を根拠にしたか」を併記。
変更履歴誰がいつ何を修正したかを記録し、監査性を確保。

閉域・社内完結のセキュアな構成 ／ システム連携の全体像

社内データが外部に出ない構成を前提に設計します。導入済みのMicrosoft 365 Copilot／Azure OpenAI（テナント内・学習非利用）等を基盤に、基幹〜PFMEAツール〜保管までを連携します。

セキュリティ構成（データは社内境界の内側で完結）
社内ネットワーク / 契約テナント内
基幹 / PLM図面・部品・不良データ
連携基盤取込・加工（社内）
AI基盤Azure OpenAI / Copilot（テナント内・学習非利用）
PFMEA / 保管Excel・共有フォルダ
この線より外へデータを出さない
一般の外部生成AIサービス（社外）へは送信しない
学習に使われない：Azure OpenAI等はプロンプト/データがモデル再学習に利用されない設定で運用。
閉域ネットワーク：VNet/プライベート接続で、社内から外部へデータが流出しない構成。
権限管理：既存のEntra ID等で、閲覧・編集の権限を部門・役割で制御。
最終的な構成は御社の情報システム部門の基準に合わせて決定（仮定）します。既存のCopilot契約・Azureテナントを活かすか、オンプレ寄りにするかも含めて協議の上で設計します。
システム連携 全体像（クリックで説明）

中央：PFMEA自動作成AI

各システムを束ねるハブです。周囲のノードをクリックすると、役割と連携内容を表示します。
パナソニック HVAC&CC株式会社 様 ご提案デモ ／ PFMEA自動作成AI
※本デモの社名以外の数値・部品名・不良内容・精度はすべて説明用の仮データ（あくまで仮定）です。機能・構成・費用対効果は実製品調査に基づく範囲で、実運用の詳細はヒアリング後に確定します。
詳細