工場AIの要件分析とは、突き詰めれば、生産ラインの課題をAIが担える工学的課題に翻訳し、どの工程は導入する価値があり、どの工程は導入しても無駄かを判断することです。淄博のような老工業都市のPVモジュールでは、要点はアルゴリズムの先進性ではなく、ストリングはんだ付け、ラミネーション、EL検査といった工程のサイクルタイム、精度、入荷材料のばらつきを明確に説明できるかどうかにあります。結論からいえば、PVモジュールにおけるAIのニーズは7割が外観検査と工程パラメータ最適化に集中し、3割が設備の予兆保全、残りはほとんどが実現可能性の検証にすぎません。
1. 工場AIの要件分析が実際に解決する課題
ソフトを1本買うことではなく、三つの問いに答えることです。このラインのどのステーションが最もAI投資に値するのか、どの種類のAIに投資するのか、導入後にどの指標で検収するのか。多くの工場が痛い目を見ています。ベンダーがデモで99%の認識率を示しても、稼働後に現場の照明が変わって85%まで落ちる。問題は、要件分析が環境変数を検収条件に書き込めていなかったことにあります。
PVモジュール工場では、要件分析は具体的な工程に着地しなければなりません。たとえばストリングはんだ付け後のセルのマイクロクラック検出では、0.5ミリ未満のマイクロクラックを検出するのか、明らかな割れだけを選別するのかを特定する必要があります。前者は高解像度のラインスキャンカメラと特定波長の光源が必要で、後者は通常のエリアスキャンカメラで十分です。要件分析の価値は、まさにこの勘定を事前に精算し、安い課題に高級な方案を使うことを避けることにあります。
2. 中核機能と技術的な要点
完全な工場AI要件分析は通常、工程分解、データ可用性評価、モデル選定の提案、検収指標の定義という四つの動作から構成されます。
工程分解とは、モジュール生産をスクライビング、ストリングはんだ付け、レイアップ、ラミネーション、EL検査、IV検査、外観検査へと区分ごとにたどり、各ステーションの検査サイクルタイムと許容誤判定率を記すことです。データ可用性評価は最も見落とされやすく、EL検査装置が画像のエクスポートインターフェースを公開しているか、過去の欠陥画像が何枚保存されているか、等級ラベルが存在するかが、プロジェクトを開始できるかを直接左右します。業界でよくあるのは、PV工場がAI外観検査を望んだものの、過去2年分の欠陥画像がサムネイルで保存され、元の解像度が学習に足りず、まず3か月のデータ収集を追加しなければならなかった例です。
モデル選定では、欠陥検出はCNNベースのセマンティックセグメンテーションや物体検出を使うことが多く、工程パラメータ最適化はベイズ最適化を伴う回帰モデルが一般的です。技術指標は書面で確定しなければなりません。検査のサイクルタイムはラインのCTに合致する必要があり、ストリングはんだ付け機が1ストリング2〜3秒で動くなら、ビジョンシステムの単一画像推論は500ミリ秒以内に収めます。誤判定率は通常0.3%未満、見逃し率は0.1%未満が求められ、具体的な値は顧客の検収で決まります。通信面では、MESとの接続はOPC UAやMQTTが中心で、PLCとのやり取りはProfinetやEtherNet/IPを経由し、既存設備がどのプロトコルに対応しているかを要件段階で確認する必要があります。
3. PVモジュールにおける典型的な適用シナリオ
淄博のモジュール工場が年産2GWで、ラインにストリングはんだ付け、ラミネーション、EL検査があるとします。第一のシナリオはストリングはんだ付け後のセル外観検査で、主にリボンの位置ずれ、未はんだ、割れを確認します。こうした場面はサイクルタイムが速く入荷材料のばらつきも小さく、AIビジョンに適しますが、リボンの反射が撮像を妨げるため、要件分析で照明方案とカメラ角度を特定しておく必要があります。
第二のシナリオはラミネーション後のELマイクロクラック検出です。EL画像はコントラストが低く、マイクロクラックは材料欠陥と混同されやすいため、要件分析で工程起因のクラックと入荷材料起因のクラックを明確に区別しなければなりません。前者は設備パラメータの調整に属し、後者はサプライヤー管理に属します。このシナリオはデータのラベリングに高い要求を出し、通常は工程技術者がラベリング規則の定義に関与する必要があります。
第三のシナリオはIV検査後の出力ビン分け最適化です。固定のしきい値でビン分けするのではなく、AIが多パラメータの相関分析を行い、電流電圧曲線の特徴と工程パラメータを結び付け、あるバッチの低出力モジュールがはんだ付けの問題かラミネーションの問題かの判断を助けます。このシナリオは検査設備を直接置き換えるものではなく、工程側に原因分析の参考を提供するもので、ある程度のデータ蓄積がある工場に向きます。
4. 選定と導入での注意点
質問:AIシステムは既存のMESとどう接続するか。答え:主流の方法は、設備データをOPC UAで収集し、検査結果を構造化項目としてMESの品質モジュールに書き込み、画像は別のファイルサーバーに保存してURLインデックスをMESに持たせる方法です。要件段階でMESベンダーが書き込みインターフェースを公開しているかを確認し、導入時にMESの改造が必要だと気づく事態を避けます。
質問:導入にはどのようなハードウェアが必要か。答え:ビジョン検査ステーションは通常、産業用PCと推論用GPUで、RTX A2000クラスのカードで大半の2次元検査タスクを満たします。3次元や高解像度のラインスキャンでは、より多くのビデオメモリを持つモデルが必要です。エッジ配置はネットワーク遅延を減らせますがモデル更新が不便になり、集中配置は帯域に要求を出します。こうしたトレードオフは要件分析で実際のライン条件に応じて決めるべきです。
質問:導入にはどのくらいかかるか。答え:単一ステーションの外観検査は、データ収集から稼働まで通常8〜12週間で、データのラベリングが半分を占めます。複数ステーションの連携や工程パラメータ最適化を含むプロジェクトは通常3〜6か月です。詳細な要件分析がスケジュールを制御可能にし、曖昧な要件は手戻りで期間を倍にします。
質問:コストは何から成るか。答え:主に三つで、ソフトウェアのライセンスまたは開発費、ハードウェア調達、データのラベリングと導入サービスです。見落とされやすいのはラベリングのコストとライン停止の調整コストで、後者は連続稼働のPV工場ではソフト費用より高くなることがよくあります。要件分析ではこの三つをすべて俎上に載せるべきです。
よくある誤解は、消費者向けAIの精度への期待を産業の場面に当てはめることです。産業検査の難しさはモデルのアーキテクチャではなくデータ分布の変化にあります。銀ペーストのバッチが変われば、別サプライヤーのEVAフィルムに切り替われば、画像の特徴は変わります。要件分析はモデル更新の仕組みを用意すべきで、1回の学習で3年もつと期待してはいけません。
5. 向く工場と向かない場面
向くケース。ラインのサイクルタイムが安定し、入荷バッチのばらつきが小さく、過去データがある程度蓄積され、検査ステーションでの人による判断のばらつきが大きい工程です。PVモジュールのEL検査や外観検査は典型的な適した場面で、欠陥の定義が比較的明確であり、IPC-A-610のような業界標準を検収の基準にできます。
無理に導入すべきでないケース。入荷元が混在して不規則で、欠陥サンプルが極端に少なくラベリングもできない工程、ライン速度が頻繁かつ大幅に調整される工程です。反射の強い部品や変形の大きい部品の検査は光学方案を別途評価する必要があり、標準のビジョン構成を流用できません。また、設備データすら収集できない工場は、AIの要件分析を論じる前にSCADAとデータ収集を強化すべきで、順序を逆にすることはできません。
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業界経験から見ると、工場AIの要件分析の分かれ目は技術選定ではなく、業務の言葉を工学的条件に翻訳できたかどうかにあります。淄博のPVモジュール工場は、産業チェーンが揃い工程データの可用性が比較的良好という強みを持つ一方、モジュール工程とAIの限界の両方を理解する人材が乏しいという弱点があります。要件段階で外部の視点を入れることは、システムをそのまま買うよりもしばしば価値があります。