工場AIの要件分析の核心は、AIを導入するかどうかという問いを、どの工程で、どのデータを使い、どの指標まで求めるかという工学的な判断に変えることにあります。焦作の電子部品産業では答えは特に具体的です。コネクタ、PCB、センサー、磁気リング、コンデンサや抵抗といった製品はロットが大きく切替も頻繁で、外観と電気性能の判定基準が明確なため、AIの要件分析は外観検査、工程パラメータ最適化、設備の予兆保全という三種類のシナリオを優先すべきで、最初から大きなプラットフォームを敷くべきではありません。焦作は中原に位置し、電子部品企業は完成機向けの協力加工と材料加工の周辺に集まり、受注ロットの幅が広く人手の目視検査の比率が高いため、要件分析はアルゴリズムの選定からではなく、工程の課題一覧から始まります。
1. 工場AIの要件分析が実際に解決する課題
AIへの投資がラインの実際のボトルネックと噛み合わない問題を解決します。多くの工場はビジョンアルゴリズムやデータプラットフォームを買ったものの、データが集まらない、サイクルタイムに追いつかない、基準を明確に言えないといった理由で行き詰まります。要件分析が行うのは工程を分解し、工程ごとに三つのことを判断することです。この工程の判定基準を定量的な規則として書けるか、データを安定的に収集できるか、誤判定のコストはどの程度か。
電子部品工場では、これは完成機メーカーよりも細かい粒度になります。たとえばテーピング工程の極性の向きやリードの共平面性、シルク文字のかすれは基準が明確で着手に適しています。一方、成形品のヒケや、破壊検査や強い経験的判断を要するはんだ内部のボイドなどは後回しにすべき項目です。要件分析の成果物は技術提案書ではなく、各工程のデータ条件と検収基準を添えた優先順位付きのシナリオ一覧です。
2. 中核機能と技術的な要点
中核は四つから成ります。工程分解、データ可用性評価、基準の定量化、投資対効果による優先順位付けです。
工程分解は作業ステップまで降りる必要があります。SMT区分を例にすれば、はんだペースト印刷、SPI検査、実装、リフロー、AOI、分割に分解し、各ステップのサイクルタイム、検査方法、現在の誤判定の発生源を記録します。データ可用性評価では三つを見ます。センサーやカメラが存在するか、データを個体単位で追跡できるか、サンプリング周波数は十分か。外観検査は通常、最小の欠陥特徴を捉える単体画像の解像度が必要で、0201部品の外観検査なら画素精度はミクロンレベルに達する必要があり、テレセントリックレンズを付けた通常の産業用カメラでしか実現できません。
基準の定量化は、要件分析で最も曖昧にされやすい段階です。IPC-A-610ははんだ接合部の外観について等級別の基準を示していますが、特定の製品ではこれを社内の限界見本としきい値に翻訳しなければなりません。要件分析の段階で、欠陥クラスがいくつあるか、それぞれの許容境界はどこか、ゴールデンサンプルのラベルを誰が作るかを明確にする必要があります。この段階がないと、後のアルゴリズム検収は必ず紛糾します。
優先順位付けは、誤判定コストに頻度を掛けたものを概算の順位として使います。人手の目視検査ステーションが多く、見逃しによる顧客クレームが多い工程が先で、設備停止の損失が大きい工程は予兆保全が先です。技術面では、プロトコルのインターフェースを事前に確認しなければなりません。ライン設備はOPC UA、Modbus TCP、Profinetが中心で、ビジョンシステムはGigE VisionやUSB3 Visionが中心、MES側はRESTfulインターフェースかデータベース中間テーブルが一般的です。これらは要件分析の段階で制約条件として書き込み、導入時に旧式設備にデータの出口がないと気づく事態を避けます。
3. 電子部品における典型的な適用シナリオ
焦作の地元コネクタ工場が、プレス後の端子の変形とバリを検査する必要があるとします。こうした欠陥は基準が明確で背景も単純なため、ルールベースのビジョンと軽量なAI分類の組み合わせに適し、サイクルタイムは毎分数百個で、カメラのトリガは光電センサーとエンコーダで同期します。磁気リングやインダクタを製造する企業では、巻線の整列、巻数、リード長が典型的なビジョンと計数のシナリオで、難しさはエナメル線の反射にあり、リング状の無影照明か同軸照明が必要です。
さらに、AOIはあるものの誤検出が多い中小のPCB受託製造企業を想定します。ここでの要件分析の重点は新しいAIの導入ではなく、既存のAOIの誤検出データを引き出して二次分類を行い、軽量モデルで誤検出点をふるい落とすことです。こうした改修は演算要件が控えめで、入門クラスのGPUを載せた産業用PC1台で足りますが、AOI装置が欠陥サムネイルと座標をエクスポートできる必要があります。
設備の予兆保全も電子部品産業で居場所があります。射出成形機、プレス機、エアコンプレッサについて、振動と電流の信号で異常を警告でき、収集側はIEPE加速度計とデータ収集カードを使い、サンプリングレートは設備の回転周波数の10倍以上を選びます。こうしたシナリオは精密な残余寿命を追うのには向かず、異常の早期警報まで到達すれば十分に価値があります。
4. 選定と導入での注意点
最初のよくある質問はインターフェース方式です。結論としては、設備の交換を要する方案よりも、既存データを読み取る方案を優先します。旧ラインにデータインターフェースがない場合、外部センサーや産業用カメラを追加するのが一般的なやり方ですが、追加コストと保守責任は要件分析の段階で計算しておく必要があります。
第二はハードウェア条件です。ビジョンのシナリオでは、現場の照明が安定しているか、粉塵や油霧がないか、カメラを設置する空間があるかを確認する必要があります。現場の温度が高く電磁干渉が強い場合は、産業用PCとカメラを広温度モデルとし、ネットワークケーブルはシールド型にします。これは選定の細部ではなく、要件分析が現場で確認すべき項目です。
第三は導入期間です。単一工程の外観検査は、サンプル収集から稼働まで通常、データ収集、ラベリング、学習、ラインでの試運転を経て、期間は欠陥サンプルが揃っているかに依存します。サンプルの不足は遅延の最も一般的な原因であり、要件分析で誰がサンプルを提供し、誰がラベリング基準を定めるかを特定しなければなりません。
第四はコスト構成です。主に三つに分かれ、収集ハードウェア、アルゴリズムとソフトウェア、現場統合とその後の保守です。見落とされやすいのは後の保守で、材料や工程の変化に応じてモデルの再学習が必要になり、その人材を事前に見込んでおかなければなりません。
第五のよくある誤解は、AIを万能の判定者ととらえることです。電子部品の欠陥には基準が本質的に曖昧なものもあり、たとえば成形表面のわずかなフローマークは人でも安定して判断できません。これに無理にAIを適用せず、まず限界見本で基準を統一すべきです。
5. 向く工場と向かない場面
向くシナリオには共通の特徴があります。工程の基準が定量化でき、データ収集が安定し、誤判定や見逃しのコストが計算できることです。電子部品の外観検査、寸法測定、文字認識、計数の工程、そして重要設備の異常警報は、いずれもこの条件を満たします。ロットが大きく切替の少ないラインは、投資回収がより明確です。
向かないケースも明確にすべきです。内部の割れのように欠陥サンプルが極端に少なく収集も難しい工程は、まずデータを蓄積するほうがよいでしょう。反射が強く、変形が大きく、混流ラインで多品種小ロット、基準も統一されていない場面は、光学方案とラベリングコストの追加評価が必要で、標準のビジョン方案をそのまま適用すべきではありません。推論に残された時間が数ミリ秒しかない超高速工程も同様で、エッジの演算能力が追随できるかを確認しなければ、誤判定率は下がらずサイクルタイムだけが悪化します。
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、国内と海外の両市場をカバーしてきた産業ソフトウェアベンダーが要件分析の段階で提供できる価値は、主に工程データと企業の既存管理体系をつなぐ経験であり、工場の代わりに意思決定することではありません。焦作の電子部品企業がAIの要件分析を行うなら、まず1本のラインと2つの工程から始め、基準とデータをしっかり固めてから拡張を論じるのがよいでしょう。