ナレッジセンター
目次

廊坊:工場 AI 要件分析

工場 AI の要件分析の核心は、生産ライン上で明確に語れず、見通せず、制御しきれない課題の山を、AI が実際に引き受けられるアルゴリズムのタスクとエンジニアリング指標に変換することにある。廊坊の電子部品クラスターは、その最も典型的な検証場である。

廊坊は北京と天津に近く、チップ抵抗器やコンデンサ、コネクタから PCB 実装、SMT 受託製造まで、電子部品製造の基盤がしっかりしており、中堅・中小の工場が密に集積している。こうした工場に共通するのは、受注ロットが小さく、ライン切り替えが頻繁で、品番が多く、歩留まりへの圧力が大きいことだが、IT 基盤は総じて薄い。ERP は何年も使っているが、MES はようやく完成したばかりで、設備データは PLC と Excel に散在している。AI を定着させるには、まずアルゴリズムを買うのではなく、要件分析をきちんと行うことである。

1. 工場 AI の要件分析が実際に分析するもの

多くの人は、AI の要件分析を、AI に解いてほしい課題を列挙することだと理解しているが、それはあまりに粗い。実際の要件分析は、業務の課題、データの可用性、アルゴリズムの実現性、投資対効果という四つの層で絞り込んでいく。

業務の課題の層では、本物の課題と疑似需要を区別する。ある電子工場が AI で検査効率を上げたいと言っても、掘り下げると本当のボトルネックは材料変更後の初品確認が遅いことで、AOI のプログラムが追いつかず、AI の外観検査そのものとはほとんど関係がないということがある。要件分析の第一の価値は、釘を求めて金槌を振り回すことを防ぐことにある。

データの可用性の層は、どの要件が今すぐ実行でき、どれが待たなければならないかを決める。電子部品は設備のブランドが混在し、プロトコルが多く、旧式機も多いという特徴がある。十年前のマウンタに RS232 ポートしかなければ、データは収集できず、どんなに優れた予知保全アルゴリズムも絵に描いた餅である。要件分析はデータ成熟度の一覧を出す必要がある。どの工程が自動で収集され、どれがまだ紙のままで、どれがデータの品質に難があるかである。

アルゴリズムの実現性の層では、業務の言葉をタスクの種類に変えなければならない。歩留まり予測は回帰問題、不具合の分類は画像分類、段取りの最適化は組み合わせ最適化、設備の異常検知は教師なし学習である。タスクの種類によって、データ量、ラベルの品質、計算資源の予算は大きく異なるため、AI の導入を総論で語っても意味がない。

投資対効果の層では、数字が合わなければならない。電子部品の利益率は薄く、技術的な洗練だけを語って回収期間を示さない AI プロジェクトは承認されにくい。要件分析の段階で、段取り時間がどれだけ減るか、誤検出率がどれだけ下がるか、手作業の再検査工数がどれだけ解放されるかの概算を出しておくべきである。

2. 主要な機能モジュールと技術的要点

工場 AI の要件分析は通常五つのモジュールをカバーし、それぞれ技術的な要点が異なる。

1. データ接続とガバナンスのモジュール。これは土台である。要点はマルチプロトコルの収集(OPC UA、Modbus、MQTT)で、SMT マウンタ、リフロー炉、AOI、SPI、電気検査装置のデータにタイムスタンプと作業指示番号を統一的に付与できることである。電子部品工場では、品番とロットの対応を揃えることにとくに注意すべきで、そうでなければ下流の歩留まり分析はすべて誤りになる。

2. 外観検査と不具合分類のモジュール。電子部品の外観不具合には、傷、酸化、位置ずれ、マンハッタン現象、半田未濡れなどがあり、不具合サンプルが少なくクラスが不均衡という特徴がある。技術的な要点は少数ショット学習と転移学習、そして既存の AOI 設備との連動である。AI は AOI を置き換えるのではなく、その誤検出率を下げ、人の再判定を減らす。

3. 設備健全性と予知保全のモジュール。マウンタのノズル詰まり、フィーダーの摩耗、リフローゾーンのドリフトが典型的なシーンである。要点は、モデルの選択よりも特徴量設計が重要だということである。振動、電流、真空圧の信号から時間周波数特徴を抽出できるかどうかが成否を分けることが多い。

4. 段取りと切り替え最適化のモジュール。電子部品工場はライン切り替えが頻繁で、切り替え時間が稼働可能能力の相当な割合を占める。要点は、切り替え順序を制約付き最適化問題としてモデル化することであり、AI の役割は大域最適を追うことではなく、実行可能な解を素早く出すことにある。

5. 品質の原因分析モジュール。歩留まりが落ちたとき、それが受入材料の問題なのか、設備の問題なのか、工程パラメータの問題なのか。要点は、MES、WMS、設備データをつないで多次元の相関分析を行うことである。このモジュールはデータガバナンスの要求が最も高く、成果が出るのは最も遅いが、生み出す価値は最も大きい。

3. 電子部品における典型的な適用シーン

廊坊でコネクタと精密プレス部品を生産する電子工場の例を挙げる。SMT ラインが六本あり、AOI の誤検出率が高く、検査工数の大部分が毎日の人手による再判定に費やされている。要件分析の結果、AI の入口として選ばれたのは AOI の誤検出フィルタリングである。過去の再判定データで学習した分類モデルが、AOI が報告した不具合を再判定し、明らかな誤検出を除外して疑わしいものだけを人に回す。このシーンはラベリングコストが低く、再判定の記録がそのままラベルになるうえ、成果も早いため、自信をつける最初の AI プロジェクトとして適している。

チップ抵抗器やコンデンサを生産し、品種が多くロットが小さくライン切り替えが頻繁で、段取りが計画担当者の経験に依存している工場を考える。要件分析により、本当の課題は切り替え順序が最適化されておらず、同じマウンタが厚みやパッケージの異なる材料の間を行き来し続けていることだと分かる。AI の段取りモジュールは、まず切り替え順序を最適化し、そのうえで日次の段取りを行うという二段階の進め方で、大きなシステムを一度に導入するリスクを避ける。

もう一つのシーンは、リフローゾーンのパラメータ推奨である。多層 PCB を実装する工場では、基板ごとに異なるゾーンプロファイルを設定する必要があり、調整は熟練技術者の試行錯誤に依存している。要件分析ではこれをパラメータ推奨タスクとして定義する。基板の特徴(層数、厚み、部品密度)を入力すると推奨ゾーン設定が出力され、実際の炉内プロファイルで閉ループ検証を行う。このシーンは熟練者の経験に大きく依存し、AI の価値は調整時間の短縮であって、人を置き換えることではない。

4. 選定と導入の提案

選定は五つの軸で評価する。一つ目はデータ接続能力で、デモ環境だけで動くのではなく、工場の既存設備のデータをすべて収集できるか。二つ目は業界テンプレートで、電子部品の不具合種別や設備種別には共通性があり、業界経験のある提供者は回り道を減らせる。三つ目は導入形態で、中堅・中小工場は最初からすべてクラウドにするのではなく、エッジ導入とクラウド学習のハイブリッド構成を優先すべきである。四つ目は既存システムとのインターフェースで、MES、ERP、WMS と接続できるかが、AI の結果を作業指示に落とし込めるかを決める。五つ目は継続的なサービス能力で、AI モデルは劣化するため、定期的な再学習と調整が必要である。

導入は三段階で進めるべきである。第一に、データ基盤がよく成果の早い単点のシーン、たとえば AOI の誤検出フィルタリングや設備異常のアラートで検証する。第二に、検証済みシーンのデータパイプラインを、再利用可能なデータ接続とガバナンスの能力として固める。第三に、段取りや原因分析といったシステム横断のシーンへ広げる。最初から大きな総合プラットフォームに着手してはならない。

もう一つの教訓として、要件分析の段階で職長や品質責任者を巻き込まなければならない。AI プロジェクトが失敗するのは、アルゴリズムが弱いからではなく、要件の翻訳を誤るからであることが多い。ERP 時代から数十年にわたりこの分野に取り組み、120 万社の顧客にサービスを提供し、数千万台の端末を導入し、国内と海外の両市場をカバーしてきたベンダーは、要件の方法論が成熟している傾向があり、選定では要件フェーズの成果物が具体的かどうかを確認するとよい。

5. 展望

廊坊の電子部品産業における AI 需要は、今後二〜三年で三つの方向に進む。一つ目は、単点の検査から全工程の品質トレーサビリティへ。AI は最終工程で判定するだけでなく、印刷、実装、リフロー、検査に組み込まれ、工程内で早期警告を行う。二つ目は、汎用の大規模モデルの能力から業界特化の小型モデルへ。電子部品は不具合サンプルが少ないため、汎用の画像モデルをそのまま適用しても効果は限定的で、微調整した業界モデルのほうが現実的である。三つ目は、要件分析そのものがツール化し、AI が要件のスコープ設定やデータ成熟度の評価を支援することで、手作業から半自動のプロセスに変わる。

廊坊の電子部品工場にとって、問いは AI を導入するかどうかではなく、どれを先に、どう導入するかである。要件分析を先に行えば、その後のすべてのステップが楽になる。それを飛ばしてアルゴリズムを直接買うのは、たいてい授業料を払うだけである。

分野: スマート工場百科