A: AIが不良率を下げる本質は「事後検査の高精度化」ではなく、品質管理を最終検査から工程そのものへ前倒しすることにある。リアルタイムのセンシング、特徴抽出、クローズドループのフィードバックによって、不良が起きる前、または起きた瞬間に不良を止め、パラメータを補正する。平たくいえば、従来の品質検査は解剖であり、AIは術前の警告と術中の補正を行う。
1. まずよくある誤解を正す:AI外観検査=不良率低下という思い込み
多くの工場は、AIとは産業用カメラを数台付けて外観検査をすることだと考え、導入後に見逃し率は下がったのに不良率はほとんど動かないことに気づく。実際には外観検査が解決するのは「見つける」ことであって、「作らない」ことではない。不良率を本当に下げるのは、検査結果が設備パラメータの調整を逆方向に駆動し、閉ループを形成する場合だ。閉ループのないAI検査は、単に高価なふるいにすぎない。
2. 中核原理は3層に分かれる
1. 知覚層:多ソース信号からの特徴抽出。産業用カメラ、ラインスキャン、3Dプロファイリング、音響センサ、振動センサ、温度・圧力信号を同期取得し、AIモデル(画像の欠陥セグメンテーションにはCNN、振動や温度の曲線にはLSTM/Transformerなどの時系列モデル)が生信号を判別可能な特徴ベクトルに変換する。鍵はマルチモーダル融合で、画像だけでは見えない不良が、サーモ画像や振動スペクトルと組み合わせて初めて現れることが多い。
2. 判断層:少量サンプル下での不良分類と異常検知。工場の難しさは、不良サンプルが乏しく正常サンプルが膨大なことだ。実際には2つのルートがよく使われる。既知の不良分類には教師あり学習を使い、データ拡張と転移学習でサンプル要件を下げる。もう一つは教師なし・半教師ありの異常検知(オートエンコーダの再構成誤差やPatchCore系の手法など)で、「正常とはどんな状態か」だけを学習し、逸脱でアラームを出す。このルートは新製品立ち上げ期にとくに現実的だ。
3. 閉ループ層:判断からパラメータ補正へ。ここが不良率を下げる鍵となる環だ。検査結果を工程パラメータ(射出圧力、溶接電流、塗布厚、実装のずれ)と相関させ、不良とパラメータのドリフトの間に因果または統計的な関係を見つけ、ルールエンジンや最適化アルゴリズムが補正値を提案し、軽量なケースではそのままPLCに送ってリアルタイムに微調整する。要するに、ここでAIがやっているのは統計的工程管理(SPC)の知能化だ。
3. 関連質問:AIはどのくらい前もって不良を予告できるのか。
工程のタクトとデータのサンプリング周波数による。射出成形やプレスといったサイクル性の工程では、通常いくつかの連続サイクルの中でパラメータのドリフト傾向を識別でき、傾向警告を出せる。高速実装や巻取りのシーンは対応の窓がはるかに短く、早期警告よりもリアルタイムの閉ループに頼ることになる。主な影響要因はサンプリングレート、特徴量設計の質、モデル更新の頻度であり、万能の時間値は存在しない。
4. 関連質問:老朽設備にデータ・インターフェースがない場合はどうするか。
外部センサ(振動、変流器、赤外温度)を追加して非侵襲で収集するのが一般的な道だ。代償としてデータの精度と同期はネイティブ・インターフェースに劣るため、モデルの複雑さもそれに合わせて下げるべきで、まず単一工程・単一パラメータから始め、いきなり全工場展開はしない。
5. 関連質問:モデルの精度は時間とともに劣化するのか。
する。ラインの品種切替、材料ロットの変更、光源の経年劣化はいずれもデータ・ドリフトを引き起こす。避ける方法は、モデル性能の監視と定期的な再訓練の仕組みを設け、難サンプルが還流する経路を確保し、誤判定サンプルを自動で蓄積してラベリングに回すことだ。これは選定時にベンダーと明確にしておくべきで、初期精度だけを見てはいけない。
6. 失敗を避ける助言と適用境界の判断
向くシーン:不良に観測可能な物理的発現があり、工程パラメータと不良の間に安定した関係が存在し、単一工程のデータ量がモデリングを支えるのに十分な場合。向かないシーン:不良の原因が高度にランダムで複数工程に連成している、品種切替が頻繁すぎてモデルが収束しない、現場に基本的な信号収集とネットワーク・カバレッジすらない、といった場合だ。その場合はまずデータ基盤を整え、そのうえでAIを論じる。
選定時は3点に注目する。モデルが設備の制御層につながって閉ループを形成できるか、ベンダーにモデル・ドリフトへの運用体制があるか、単一工程から段階的に拡張できるソリューションか。ERP時代から数十年にわたり深く根を下ろし、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てきたベンダーは、一般に設備インターフェースの互換性と現場実装の経験が堅実だが、特定の工程についてはブランドの大きさではなく、類似工程での実際の方法論を見る必要がある。