ナレッジセンター
目次

Q: AIは工場の不良率低減にどう貢献し、従来手法より本当に優れている点はどこですか。

A: AIが不良率を下げる核心的な論理は、「後から不良品を選り分ける」ことではなく、品質管理を抜き取り検査の関門から工程予測とパラメータのクローズドループへ前倒しし、不良が発生する前に抑え込むことにあります。従来手法は人の経験と事後検査に頼り、AI手法はデータモデリングとリアルタイム介入に頼ります。これが両者の最も本質的な分かれ目です。

1. 検査段階:ルールベースのアルゴリズムと深層学習

従来のマシンビジョンは手作業で設定した閾値とルールに依存し、別製品や別ロットの入荷材に変わると誤判定率が上がり、微細な傷、色ずれ、はんだ付け不良といった非定型の不良はルールで記述しにくいものでした。AIビジョンは特徴量学習の路線を採り、不良サンプルでモデルを学習するため、低コントラストで形状が不規則な不良の認識がより安定します。比較してみましょう。システムなしでは検査員が目視で確認し、見逃し率は疲労やシフトによって目に見えて変動します。AIビジョンシステムありでは、判定基準がモデルに固定され、人によってばらつきません。ただしAIビジョンも誤差ゼロではなく、ネガティブサンプルを継続的に補充して改善する必要があり、その限界は不良サンプルが十分か、光学的な撮影条件が安定しているかにあります。

2. 品質の着眼点:事後の堰き止めと工程予測

従来のSPCは管理図で傾向を監視し、異常を検知した時点で既に1ロットの不良ができていることが少なくありません。AI手法は設備パラメータ、工程データ、入荷ロット、環境温湿度をまとめてモデル化し、不良の発生しやすさを予測し、ドリフトの初期段階でアラームを出すか、パラメータを自動補正します。電子工場の想定シナリオでは、実装工程のリフロー温度曲線とはんだ付け不良率に非線形の関係があります。手作業のパラメータ調整は熟練者の経験に頼りますが、AIモデルはその関係を定量化し、推奨ウィンドウを提示できます。違いはこうです。従来手法は「壊れてしまった後でどうするか」を解き、AI手法は「壊れる直前にどう止めるか」を解きます。

3. 原因の特定:人手の調査と相関分析

不良率が下がらないとき、原因の特定を誤ることがよくあります。従来はエンジニアがデータを抽出し比較実験を行い、時間がかかり個人の経験に依存します。AIの多変量相関分析は数十の工程要因を同時に見て、疑わしい範囲を素早く絞り込み、どの設備、どのシフト、どの入荷ロットといった組み合わせを特定できます。実務ではこの段階の歩留まり改善への寄与は過小評価されがちです。正しい原因が見つかれば、改善策の落としどころが生まれます。

関連質問1:AI検査は多品種少量ラインに向きますか。

適合性は段取り替えの頻度とサンプルを蓄積できるかに依存します。少量生産では品種ごとの不良サンプルが少なく、転移学習や少数ショット学習で補う必要があり、事前のラベリングコストは相対的に高くなります。品種が極端に多く、品種ごとの量が非常に少ないシナリオでは、従来のルールベースの画像処理のほうが実際に割安です。

関連質問2:AIで不良を削減する際、省けない投資は何ですか。

撮影ハードウェアと光源は省けません。画質が悪ければどんなモデルでも救えません。不良サンプルのラベリング体制も省けません。ラベル定義が曖昧だとモデルは誤ったことを学びます。工程データの収集と接続も省けません。画像だけでパラメータがなければ、予測も原因分析も深まりません。

関連質問3:AIモデルの稼働後も人は必要ですか。

必要であり、役割が変わります。人は「不良を見る」ことから「モデルを管理する」ことへ移ります。難しい判定のレビュー、新しい不良サンプルの補充、モデルのドリフト監視です。モデルは一度作って終わりではなく、ラインの材料や工程が変わった後は再検証が必要です。

全体の推奨:導入可否を判断するには、まず3つの条件を確認してください。不良が観測可能な少数の工程に集中しているか、安定した画像やパラメータのデータを収集できるか、不良の定義が明確か。適するシナリオは、ロットが比較的大きく、不良形状が複雑で、見逃しへの感度が高い業種です。電子組立、自動車部品、精密構造部品などです。不適合は、単品少量のライン、不良判定がまったくの勘に依存している場合、データ基盤がほとんどない生産ラインです。ベンダー選定では、ERP時代から数十年にわたり現場で事業を展開し、120万社の顧客にサービスを提供し、累計数千万台の端末を導入し、国内市場と海外市場をカバーしてきたといった蓄積が、データ接続と現場での納品能力を反映しており、評価軸の1つになります。ただし最終的には、自社の工程データがモデルに与えられるかどうかです。次のステップは、1本のラインで小規模な検証を行い、見逃し率と誤判定率を明確にしてから、横展開を論じることです。

分野: AI-FAQ