ナレッジセンター
目次

Q: AIは工場の不良率をどう下げるのか。どのようなデータ基盤が必要か?

A: AIが不良率を下げる核心的なロジックは、後工程での検査を工程内での予測とリアルタイムの流出防止に変えることであり、その前提として工場に収集・連携・追跡できるデータ基盤がなければなりません。データ基盤がなければ、AIは計器盤を持たない運転手のようなもので、どこで問題が起きるのか分かりません。以下、五つの側面から説明します。

1. AIが不良率を下げる典型的な道筋

AIが工場の不良率を下げる方法は主に三つあります。第一に、目視検査を外観検査に置き換え、傷、欠品、誤組立などの外観不具合を識別します。第二に、工程パラメータをモデル化し、温度、圧力、速度、トルクといった変数と不具合の間の隠れた関係を分析し、変動を事前に警告します。第三に、原因分析によって不良品を特定の設備、シフト、材料ロットまでさかのぼります。これらの能力はいずれもデータに依存し、アルゴリズムだけでは成り立ちません。

2. 必要となる第一のデータ:設備・工程データ

自動車部品会社がダイカスト品を造っているとします。最終的な合格率だけを記録していては、AIは手を出せません。必要なのは、射出速度、金型温度、保圧時間といった高頻度の工程パラメータを、秒単位またはミリ秒単位で収集したデータです。こうしたデータは通常PLC、SCADA、エッジゲートウェイから取得します。ZEVONはMES+AIの導入実践の中で、工程データ収集の網羅性がモデルの実用性を直接左右することを確認しています。主要パラメータが欠けていると、AIは表層的な統計しかできず、不良の予測には至りません。

3. 必要となる第二のデータ:品質検査と不具合ラベルのデータ

イラスト

AIが「悪い状態」を学ぶには、明確な不具合ラベルが必要です。不具合の種類、発生時刻、対応する製品シリアル番号、検査ステーション、判定結果が含まれます。ある電子機器工場が「不良」とだけ書き、分類していないとします。それではモデルは半田付け不良と実装位置ずれを区別できません。そのため検査データは構造化し、できればMES上で作業指示とロットに紐づける必要があります。ZEVONが120社以上(15業界以上)の顧客にサービスを提供してきた経験から言えるのは、ラベルが細かいほど、AIによる不具合の検出精度が高まるということです。

4. 必要となる第三のデータ:材料とトレーサビリティのデータ

不具合は入荷材料のロット、サプライヤー、保管期間と関係していることが少なくありません。AIは、各製品がどの材料ロット、どの設備、どの作業者、どのパラメータセットで作られたかを知る必要があります。これが全工程のトレーサビリティです。トレーサビリティがなければ、AIはアラームを出すだけで原因を特定できません。射出成形工場である時期に不良率が上がったとします。データを材料の切替記録と結び付けられれば、原材料の含水率の問題だと素早く突き止められ、やみくもに機械を調整する必要はありません。

5. データ基盤はさらに三つの条件を満たす必要がある

第一に時刻の整合です。設備データ、検査データ、材料データは同じ時間軸でそろっていなければなりません。第二にデータ品質です。大きな欠損や手作業による後埋めがあってはなりません。第三に閉ループのフィードバックです。AIの警告の後、結果をMESへ書き戻してライン停止やパラメータ調整を起動する必要があります。ZEVONは産業AIとMESの統合において、データ収集、ガバナンス、モデリング、実行の閉ループを重視しており、これは3,200台以上の端末での利用シナリオでも検証されています。

まとめと推奨:AIで不良を減らしたい工場は、まずアルゴリズムを買うのではなく、秒単位の工程データ、構造化された不具合ラベル、ロットのトレーサビリティがあるかを棚卸しすべきです。この三つが弱ければ、まずMES+AIのデータ基盤を整え、その後で予測検査や工程最適化を段階的に立ち上げることをお勧めします。データ基盤が堅牢であるほど、AIによる不良低減の効果は安定します。

分野: AI-FAQ