ナレッジセンター
目次

成都:工場AIの要件分析

工場AIの要件分析の本質は、生産ラインのうち経験に頼った判断が必要な手順を、定量化可能なデータ課題に分解し、どの工程がAIに向き、どの工程が従来の自動化のほうが費用対効果が高いかを見極めることにあります。成都では電子情報産業が基幹クラスターであり、高新区から双流、郫都にかけて電子部品製造が密集し、SMT実装、挿入、試験、包装の各工程でAIへの要求は大きく異なります。そのため、粗い要件分析では、後から導入する画像処理や予測モデルが飾りにしかなりません。

1. 工場AIの要件分析が解決する課題

AIを導入すべきか、どの工程で、どの程度までかを答えるものです。多くの工場は逆の順序で進めます。まずAI検査装置を一式購入し、それから使える職場を探すのです。要件分析がなすべきことは、データの取得可否、サイクルタイムの許容度、不良定義の明確さによって工程を層別することです。たとえば電子部品では、外観不良の判定基準にベテランの技術者同士でも意見が分かれる場合、その時点では深層学習よりもルールベースのアルゴリズムのほうが信頼できます。

要件分析の成果物は通常、優先順位リストです。どの工程がAI画像処理に向き、どれが時系列予測に向き、どれがSPC(統計的工程管理)と単純なしきい値警報だけで足りるのか。モデルを作るわけではありませんが、その後の投資がどこに着地するかを決めます。

2. 中核機能と技術的な要点

第一に、工程データを収集できるかを見極めることです。設備にデータインターフェースがあるか、PLC、SCADA、MESの間でプロトコルがつながっているか、OPC UAやModbusといったプロトコルが現場でミリ秒レベルのデータを供給できるかを確認します。電子部品の実装では、吸着ミス率やノズル状態を実装機からリアルタイムに取得できて初めて、予測保全に根拠が生まれます。できなければ、AIよりも設備接続の改修が優先です。

第二に、不良定義とラベリング能力を見極めることです。AI画像処理の上限はラベリングの一貫性で決まります。IPC-A-610のような電子組立の合否基準を参照し、まず不良の等級を明確に定義し、そのうえでラベリングの工数を継続的に確保できるかを判断します。ある電子工場のコネクタ外観検査では、当初は軽微な傷と許容される傷を一緒にラベリングしていたため、モデルの精度が向上しませんでした。基準どおりに等級を分けて再ラベリングして初めて収束しました。

第三に、サイクルタイムと演算能力の整合を分析することです。ラインのサイクルタイムは厳格な制約です。1個の外観検査が職場のサイクルタイムより長ければ、精度がどれほど高くても稼働できません。要件段階で、解像度、露光時間、推論時間の関係を明確にし、推論をエッジで行うか集中で行うかは、1ラインあたりのカメラ台数とリアルタイム要件によって決めます。

第四に、既存システムとの統合経路です。AIは孤立したシステムではありません。検査結果は追跡のためにMESへ書き戻し、警報はSCADAへ届ける必要があります。統合方式は要件段階で決めるべきで、データベースの中間テーブルを使うのかインターフェースサービスを使うのかが、後の導入期間の長さを左右します。

3. 電子部品における典型的な適用シナリオ

電子工場がチップ部品を製造し、要件分析がいくつかの具体的な職場に着地したとします。SMTラインのリフロー後AOIでは、はんだ接合部の不良分類にAIが向きます。未はんだ、ブリッジ、位置ずれといった不良は形態が比較的安定しており、入荷材料のばらつきが小さいラインではモデルの転用コストも低くなります。ただし反射の強いはんだ面やフレキシブル基板の変形を伴う場面では、光学系の追加評価が必要で、AIが当然にカバーできると決めつけてはいけません。

挿入工程のピン曲がり検査は、ルールベースの画像処理と軽量なAIの組み合わせが向きます。純粋な深層学習は少サンプルでは不安定だからです。試験工程の異常波形認識は、時系列モデルによる判定支援が向き、人手による再判定の量を減らせます。包装工程のラベル文字認識やラベルの欠落・誤りの検出は、比較的成熟したAI画像処理のシナリオで、サイクルタイムが速く背景も管理しやすい領域です。

もう一つ見落とされやすいのが、設備の予知保全です。実装機のノズル詰まりやガイドレールの摩耗といった課題は、電流や振動の時系列データに基づく異常検知が有効ですが、過去の故障サンプルが十分に必要です。新しい工場はデータが少ないため、要件段階で「データの蓄積がモデル導入に先行する」ことを明確にすべきです。

4. 選定と導入での注意点

よくある質問をここにまとめます。

AI外観検査と従来のルールベース画像処理をどう選ぶか。不良の形態が固定され、背景が安定し、サンプルが少ない場合は、ルールベースのほうが速く安価です。不良の形態が多様で、しきい値では記述しにくい場合に初めて深層学習の出番となります。電子部品では両者を併用することが多く、どちらか一方を選ぶ必要はありません。

導入に必要なハードウェア条件。エッジ側には通常、産業用カメラ、照明、産業用PCまたはエッジコンピューティングボックスが必要で、演算能力はカメラ台数と推論フレームレートから逆算します。現場の電磁干渉、振動、温湿度はカメラの安定性に強く影響するため、アルゴリズムの指標だけでなく環境条件も要件分析に書き込まなければなりません。

導入期間の内訳。データ収集とラベリングが半分以上の時間を占めることが多く、モデル学習自体は速いものです。統合と現場検証も主要な時間消費要因です。詳細な要件分析があって初めて、期間の見積もりが信頼できるものになります。

よくある誤解は、実験室の精度をラインの精度と取り違えることです。生産ラインには入荷材料のばらつき、機種切替、環境光の変化があり、要件段階で、切替後に誰がモデルを保守するのか、再ラベリングをどう回すのかを合意しておく必要があります。

コスト構成は主に五つです。カメラや照明などのハードウェア、演算設備、ラベリング工数、統合開発、継続保守。ラベリングと保守は、最も過小評価されやすい長期的な費用です。

5. 向く工場と向かない場面

向く場面。ラインのサイクルタイムが比較的安定し、入荷材料のばらつきが小さく、不良定義を業界標準に合わせられる電子部品製造の工程。たとえばリフロー後のSMT検査、ラベル認識、試験波形の判定支援などです。すでにMESと設備接続が整い、データが取得できる工場にも向いており、要件分析が速やかにソリューションへ移行できます。

向かない場面。不良基準そのものが議論の対象で、人手の再判定でも一貫性が低い工程では、AIの導入よりも基準の統一が先です。反射が強く、変形が大きく、サンプルが少なく、変更が頻繁な場面は、光学系と転用のソリューションを追加評価する必要があり、標準シナリオとして見積もることはできません。サイクルタイムが極端に速く、AIの推論時間を短縮できない職場も同様で、現段階では従来手法のほうが現実的です。

成都の電子部品産業には厚い製造基盤があり、工場AIの要件分析の価値は技術の流行を追うことではなく、各工程のデータ条件と工程標準を理解することにあります。この方法論は業界に長い実務蓄積があり、ERP時代から数十年にわたり、120万社のお客様にサービスを提供し、数千万台の端末を導入してきたベンダーの経験も、要件分析を先行させれば、後のシステム導入で手戻りが繰り返されにくいことを示しています。

分野: スマート工場百科