ナレッジセンター
目次

Q: 企業がAIを導入して工場の不良率を下げるには、どう進めればよいのか

A: 不良率低減のためにAIを導入する場合、要点はまずアルゴリズムを買うことではなく、重要工程の検査データと工程パラメータを結び付け、特定の作業ステーションでAIがリアルタイムに判定し、閉ループでフィードバックできるようにすることです。生産ラインのデータなしにAIによる不良率低減を論じても、ほとんど前に進みません。

PCBA組立を行う電子機器工場の例です。リフロー後のはんだ付けでAOIが1日に数百件の不良を報告し、品質部門が手作業で再判定していますが、見逃しも誤検出もあります。エンジニアはリフロープロファイルを調整したいものの、どの温度ゾーンがはんだ未濡れに関係するのか説明できません。この状況は典型的で、不良率は1%から3%の間で頭打ちになっています。設備が悪いからではなく、データがつながっていないからです。

1. まず付加価値の高い1つの作業ステーションに絞って試行する

工場全体に一斉展開してはいけません。不良損失が最も大きく、検査タクトが明確なラインを選びます。たとえばSMTのリフロー後AOI、射出成形の外観検査、組立の寸法測定などです。そのステーションの検査結果、設備パラメータ、材料ロット、環境データをタイムスタンプで突き合わせ、学習可能なデータセットを形成します。この段階がソリューションを検証できるかどうかを決め、通常は導入作業の半分以上を占めます。

2. 外観検査で人手の再判定を置き換える、または支援する

深層学習のAOIモデルは、はんだ未濡れ、部品の位置ずれ、表面の傷など、ルールでは記述しにくい外観欠陥に適しています。重要なパラメータは見逃し率と過剰検出率です。ラインは通常、見逃しを千分の一程度、過剰検出を数%以内に抑えることを求め、閾値は顧客の受入基準で設定します。モデルは新しいサンプルで反復し続ける必要があり、1回の学習で終わりではありません。

3. 検査結果を工程パラメータにフィードバックする

これが不良率低減を左右する決定的なステップです。AIは欠陥をタイプ別にクラスタリングし、リフロープロファイル、実装圧力、射出保圧などのパラメータと相関を取って、「この温度ゾーンが高めに推移している場合、このタイプのはんだ未濡れに対応する」といった判断を出力し、エンジニアがそれに基づいてパラメータを調整します。自動車部品メーカーがダイカストで同様の分析を行い、ひけ巣欠陥を金型温度と射出速度に関連付ければ、調整の方向性が明確になります。AIは相関の示唆を提供するものであり、最終的な調整は工程エンジニアが確認する点に注意してください。

4. 閉ループとバージョン管理を構築する

検査モデル、工程パラメータ、欠陥データは、追跡可能なバージョン記録として残す必要があります。材料、金型、シフトの変更後はモデルの挙動がドリフトするため、監視指標によって再学習をトリガーする仕組みが要ります。この仕組みがなければ、試行の成果は数か月で減衰します。

関連する追加質問:AIによる不良率低減にはどのようなデータ基盤が必要ですか。最低限、ラベル付きの欠陥画像または検査記録、設備の稼働パラメータ、材料ロット情報が必要です。この3種類が時間軸でそろって初めて分析価値が生まれます。データ量が不足している場合は、従来のビジョンとルールから始めて、稼働しながらサンプルを蓄積してください。

関連する追加質問:投資サイクルとコストに影響する要因は何ですか。主に作業ステーションの数、欠陥カテゴリの複雑さ、既存設備がデータインターフェースを公開しているかどうかです。インターフェースが閉じた旧型設備には収集モジュールの追加が必要で、この部分はしばしば過小評価されます。単一ステーションの試行から複数ラインへの横展開までのサイクルは、アルゴリズムそのものではなく、データガバナンスの質と工程部門の協力度で決まります。

関連する追加質問:ソリューションが機能しているかはどう測りますか。3つの指標を見てください。見逃し率、過剰検出率、不良率の推移です。最初の2つは検査能力を測り、3つ目は閉ループが本当に工程に届いているかを測ります。不良率の低下だけを見ると、検査を厳しくしたことを実際の改善と誤認する可能性があります。

向く場面は、欠陥に視覚的またはパラメータ上の特徴があり捉えられる、単一ステーションのタクトが安定している、基本的なデータ収集がある、工程エンジニアが調整に参加する意思がある、といった条件がそろう場合です。向かない場面は、欠陥原因が入荷材料に大きく依存し入荷変動の記録もない、ラインのデータが完全に閉じている、AIが工程判断を直接代替すると期待されている、といった場合です。次に見るべき点は、自社のラインの1つで検査データと設備パラメータを突き合わせられるかどうかです。これはどのベンダーを選ぶかよりも成否を左右します。

ERP時代から数十年にわたり事業を続け、120万社の顧客にサービスを提供し、国内外で数千万台の端末を導入してきたベンダーは、ラインのデータ連携に関するエンジニアリング経験を持ち、それがアルゴリズムそのもの以上に導入成否に影響します。

分野: AI-FAQ