工場 AI 要件分析の中核は、熟練者の勘で回っている部分を、定量化でき、収集でき、モデル化できるデータフローに分解し、どの工程に AI を適用する価値があり、どの種類の AI が適合するかを判断することにある。威海の家庭用テキスタイル、木製家具、釣具向け供給といった労働集約型の製造クラスターでは、その切実さは流行ではなく、採用難と受注の小ロット多品種化から来ている。家具製造はとくに典型的で、板取り、エッジ貼り、研磨、塗装、組立、梱包はそれぞれ自動化の基盤が異なり、AI の入り口もまったく違う。先に要件分析を行えば、外観検査システムをいきなり買うより費用を節約できる。
1. 工場 AI 要件分析とは実際に何か、どのような課題を解決するか
それは設備の購入リストでも、IT 部門の情報化計画でもない。工場 AI 要件分析は判断のプロセスである。まず四つの次元、すなわち工程のタクト、歩留り損失の分布、人手への依存度、データの利用可能性を確認し、そのうえで AI 介入の投資効果を工程ごとに評価する。解決する中核課題は、AI を使うべき場所と使うべきでない場所を明らかにし、データ基盤の整っていない工程に無理にモデルを当てはめることを避けることである。
家具業界でよくある誤判断は、AI を品質検査と同一視することである。実際には、板取りのネスティング最適化、塗装の膜厚制御、組立の部品キット検証はいずれも AI 要件の範囲に入り、しばしば最終検査の外観検査よりも経済性が明確である。要件分析が行うべきは、すべての工程にデータ成熟度と経済性のタグを付け、優先順位を定めることである。
2. 工場 AI 要件分析の中核機能と技術的要点
機能的には通常四つのブロックからなる。現状の工程データ収集の棚卸し、AI 適用性のスコアリング、連携方式の設計、実施パスと受入指標の定義である。
技術的要点としては、まずデータ基盤を見る。家具工場は設備のブランドが混在し、エッジバインダー、CNC 板取り機、サンダーのコントローラのプロトコルは統一されておらず、OPC UA、Modbus TCP、Profinet が混在し、旧式機はリレー出力しかなく IO モジュールやエッジゲートウェイでデータを取り出す必要があるものもある。要件分析は、主要な機械ごとに収集可能なパラメータの一覧を出す必要があり、主軸電流、送り速度、真空クランプ圧力、塗料流量といった項目が後のモデリングの原材料になる。
次にモデル選択の境界を見る。設備電流の時系列のような構造化データは、工具摩耗や材料詰まりの警告のための異常検知アルゴリズムに適し、板材表面の画像のような非構造化データだけがビジョン方式の対象になる。業界で検証可能な参照標準には、ISO 9001 の工程トレーサビリティ要件や木工機械の粉塵爆発防止規則があり、AI の方式はこうした既存のコンプライアンス枠組みと衝突してはならない。精度の指標は特定の工程に結び付ける必要がある。たとえばエッジ貼りの接着剤量の制御では、ビジョン方式の分解能が接着剤ラインの 0.1mm の途切れを識別できなければならず、このパラメータは要件分析の段階で受入条件に書き込むべきである。
3. 威海の家具製造における典型的な AI 応用シーン
威海の家具産業は無垢材家具、軟体家具(張り地家具)、輸出向けアウトドア家具を中心とし、中小企業が多く工程の自動化水準は一様でない。月に数千台の無垢材のダイニングテーブルと椅子を製造し、ロットが多くライン切り替えが頻繁な工場を例に取ると、いくつかのシーンを優先的に評価する価値がある。
第一に、板取りの板材利用率の最適化。従来はネスティングソフトと人の経験に頼り、端材の廃棄は 3 から 8 パーセントの間で変動する。要件分析では、既存のネスティングソフトにオープンなインターフェースがあるか、受注の構造がモデルを学習できるほど安定しているか、下流の工程が端材を引き取れるかを判断しなければならない。条件が整わない場合は、データの収集と廃棄の帰属分析を先に行うほうが、最適化アルゴリズムに直接進むより現実的である。
第二に、塗装の膜厚の閉ループ制御。塗装ラインに往復塗装機があるが膜厚はサンプリングと手吹き調整に頼っており、過剰塗布も補修も塗料を浪費する輸出アウトドア家具企業を例に取る。AI の前提は、ガンの流量、微粒化エア圧、コンベアチェーン速度をリアルタイムに収集でき、膜厚計のデータをラベルとして使えることである。このシーンの経済性は通常良好だが、要件分析では塗料の種類の切り替え頻度を確認しなければならない。色の切り替えが頻繁だとモデル保守のコストが大きく上がる。
第三に、組立における部品キットの揃いの目視検証。張り地家具や板物家具で金物やコネクタの欠品・誤品は、アフターサービスのクレームの高頻度な原因である。組立ステーションに産業用カメラを追加してキットを照合するのは技術的に成熟しているが、制約はタクトである。ステーションのタクトが 45 秒なら、ビジョンシステムの一回の認識と判定は三秒以内に終わらなければ、ラインのバランスが崩れる。タクトの余裕は要件分析の段階で計算しておくべきである。
第四に、研磨工程のインライン表面欠陥検査。無垢材の白身の研磨後は、研磨痕、接着剤の染み、凹みが多く、現在は主に目視に頼っている。高反射の塗装面や濃色の木材はビジョン方式にとって難題であり、要件分析では照明方式の実現性と誤検出の許容度を評価し、こうしたシーンは稼働前に小ロットでオフライン検証すべきである。
4. 選定と導入で注意すべき点
よくある疑問はいくつかの領域に集中する。
連携の方式はどう定義すべきか。設備層とシステム層を分けて見る。設備層では、まず OPC UA や Modbus TCP に対応しているかを確認し、対応していなければエッジ収集ゲートウェイを追加する実現性を評価する。システム層では、既存の MES や ERP とのインターフェースの境界を明確にしなければならない。AI システムは判定結果と工程パラメータを出力し、受注や材料マスタは業務システムが管理し続けるという形で、責任の重複を避ける。
ハードウェアの要求は高いのか。ビジョンのシーンでは主なコストは光源とレンズの選定にあり、カメラの解像度は検査精度から逆算するのであって、高ければよいというものではない。時系列のシーンは計算要求が低く、軽量モデルを載せたエッジの産業用 PC で足り、クラウドで学習して推論するといった複雑な構成は不要である。要件分析はステーションごとにハードウェアの一覧と設置場所を示す必要がある。
導入期間はどう見積もるか。要件分析から単一シーンの稼働まで、データ基盤のよい工程なら通常は数か月で、うちデータの収集と注釈が最も大きな割合を占め、モデル学習そのものは小さい。一つのライン、一つの工程から始め、検証してから横展開すれば、全工場への一斉展開を避けられる。
よくある誤りは何か。第一に、AI を万能の品質検査と見なし、入荷の一貫性という前提を無視すること。第二に、データを十分に収集する前にモデルを作り急ぎ、説明できないモデルが残ること。第三に、受入指標を「精度 95 パーセント」のような曖昧な表現にし、特定の欠陥種別や流出率と過剰検出率のバランスに結び付けないこと。流出率に重点を置くべきで、家具はアフターサービス費が高いため過剰検出のほうが流出よりましだが、過剰検出率が高すぎるとライン効率を押し下げる。この二つは要件分析の段階でラインの管理者とすり合わせておくべきである。
コスト構造はどう見るか。主にデータ収集のハードウェア、ソフトウェアライセンスまたは開発、導入サービス、継続的なモデル保守からなる。保守費は軽視されがちで、色の変更、板材の変更、金物サプライヤの変更がいずれもモデルの反復を引き起こすため、要件分析でこのための予算と担当者を確保しておかなければならない。
5. この分析が適する工場と適さないシーン
適するシーン。多品種小ロットで、人手の経験への依存度が高く、品質損失が定量化でき、主要設備にすでにデータインターフェースがあるか収集装置を後付けできる家具メーカー。MES は稼働しているが AI の適用が分散しており、体系的な優先順位付けが必要な工場も同様である。採用難と顧客の工場監査による工程データ要求に直面する威海の輸出アウトドア家具や無垢材家具の企業にとって、一度の要件分析は通常、十分な価値をもたらす。
適さないシーン。工程のタクトが極端に不安定で、入荷の一貫性がひどく悪く、設備台帳や歩留り統計すらない工場では、基本管理とデータ収集が先でなければ分析の結論も歪む。反射が強く、変形が大きく、粉塵濃度が極端に高い工程では、ビジョン方式は別途の実現性検証が必要で、一般的な結論を当てはめることはできない。さらに、単一品種を大量生産し、工程パラメータが何年も変わらないラインでは、従来の自動化と SPC のほうが AI より経済的なことが多く、AI のために AI を導入すべきではない。
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てきた産業ソフトウェアベンダーは、要件分析の方法論を蓄積しているが、威海の家具業界の具体的な工程になると、やはり一つのラインの一つの工程から始め、タクト、流出率、塗料消費といった検証可能な指標を判断の根拠として、展開のペースを決めるのが望ましい。