A: AIによる工程パラメータ最適化が成功するかどうかは、7割がデータ基盤、3割がアルゴリズムで決まります。適切なデータがなければ、どんなに優れたモデルもその場で空回りするだけです。
ある電子工場のSMT実装工程では、はんだ印刷で問題が繰り返し発生し、はんだ未溶融とブリッジが交互に現れていました。工程エンジニアがスキージ圧力、印刷速度、離版速度を経験で調整し、半年経っても許容限界付近をさまよっていました。AIでパラメータ最適化を行いたいと考えましたが、最初の段階で止まりました。2年分の生産データが設備のローカルストレージ、Excelシート、紙の検査票に分散し、モデリングに使える1枚の表にまとめられなかったのです。このシナリオは典型的なので、分解して説明します。
1. まずAIによる工程最適化が何をしているかを理解する
本質は写像関係を見つけることです。原材料の状態、設備の状態、環境条件といった入力を、工程パラメータの最適な組み合わせに写像し、歩留まりやエネルギー消費といった目的を最適化します。一般的な方法は2種類あります。履歴データで予測モデルを学習し、その上で最適パラメータを逆に探索する方法と、ベイズ最適化をオンラインで行い、試験しながら調整する方法です。いずれにせよ、データに依存します。
2. 第1のデータ層:工程パラメータのデータは自動収集すること
設備のPLC、SCADA、センサーにある時系列データ、すなわち温度、圧力、速度、時間、トルクが核心的な原材料です。サンプリング周波数は十分である必要があり、射出成形や溶接のような高速の工程では秒単位、場合によってはミリ秒単位が意味を持ちます。ある自動車部品会社のダイカスト工程では、当初1ショットごとのピーク値しか保存していませんでしたが、後にパラメータ調整には圧力曲線全体の形状を見る必要があると分かり、高頻度収集を追加しました。この段階の鍵は設備の接続性とデータの蓄積であり、人が計器の値を書き写すことに頼らないでください。
3. 第2の層:品質結果のデータを突き合わせること
パラメータがあっても結果がなければ、モデルは何が良い状態かを知りません。ロットまたは作業指示ごとの検査結果、すなわち寸法、強度、外観判定、電気性能を、タイムスタンプやロット番号でその時点の工程パラメータに結び付ける必要があります。現実で最も難しいのはトレーサビリティです。ある射出成形工場が品質検査をシフト単位で記録し、パラメータを機械単位で記録していたため、突き合わせができず、データが使えませんでした。だからこそ、MESとQMSのデータを接続することがアルゴリズムの選定よりはるかに重要です。
4. 第3の層:原材料と環境の変数は省略できない
工程のばらつきの多くは、実は入荷材料の差と環境変化に由来します。樹脂ペレットのロットごとの含水率、金属材料の硬さ、車間の温度と湿度、冷却水の温度。これらがモデルに入っていなければ、AIは入荷材料に起因する不良をパラメータの問題と誤って判断し、調整のたびにさらにずれていきます。可能であれば、受入検査データと環境監視データも接続してください。
5. 第4の層:データは十分なばらつきを見ていること
パラメータと結果の真の関係をモデルが学ぶには、パラメータの変動範囲が十分に広い必要があります。履歴の生産が常に同じ保守的なパラメータであれば、データ分布が狭すぎてモデルの外挿精度が悪くなります。その場合は実験計画法を追加するか、少量のオンライン探索でサンプルを広げます。サンプル数の絶対的な基準はありませんが、通常は数百から数千の有効ロットが出発点の量です。
6. 第5の層:データ品質は量より重要
欠損値、外れ値、センサーのドリフト、手入力の誤り。これらを処理しないと、モデルはノイズを学習します。実務的な方法は、1回のデータクリーニングと特徴量エンジニアリングです。明らかに不合理な点を除去し、昇温速度や保圧時間の比率といった主要な特徴量を構築します。
まとめ:AIによる工程パラメータ最適化を導入するには、まずデータを棚卸ししてください。設備パラメータは自動収集できるか、品質結果は突き合わせられるか、原材料と環境条件は記録されているか、パラメータの変動範囲は十分に広いか、データはきれいか。この5点を押さえれば、最適化の成果には確かな土台ができます。データ基盤の薄い工場は、ライン全体をカバーするのではなく、1〜2の主要工程でデータガバナンスから始めてください。15以上の業種をカバーし120社以上のお客様に対応してきた業界のベンダーは、通常、モデリングの話をする前にデータ診断を行います。この順序は逆にできません。