ナレッジセンター
目次

湛江:工場AI要件分析

工場AI要件分析の中核は、生産ライン上で経験によって判断されている作業を、AIが実行できる検査、予測、計画のタスクへ翻訳し、そこから必要なデータ、演算能力、タクトの余裕を逆算することにあります。湛江(ジャンジアン)を見ると、同市の製造基盤はグリーン鉄鋼、グリーン石油化学、海洋装備、水産加工の上に築かれており、半導体セグメントはパッケージ・テスト、パワーデバイスの配套生産、電子部品の受入加工に集中しているため、AI要件分析は先端ノードのプロセス制御よりも、外観検査、予知保全、ロットトレーサビリティに着地しがちです。

1. 工場AI要件分析は実際にどのような課題を解決するのか

アルゴリズム一式を買ってモデルを動かすことではなく、まず工場の中で人が目で見て、音を聞いて判断し、勘で調整している工程を洗い出し、そのうちどれが視覚、振動、温度、電流といった信号で置き換え可能かを決めることです。湛江の多くの半導体配套企業には、タクトは速くないが精度要求が高い工程があります。リードフレームの外観検査、モールド体の表面欠陥検査、端子の共平面性検査などです。こうした持ち場は人員確保が難しく、ばらつきも大きく、まさに要件分析の出発点になります。

要件分析は3つの成果物を出す必要があります。定量化した工程一覧で、各工程の判定基準、現状の見逃し率、タクトの余裕を記します。データ可用性の評価で、カメラ解像度、照明条件、設備通信プロトコルが整っているかを明確にします。投資対効果の判断で、どの工程から着手し、どれを後回しにするかを定めます。この3つがなければ、後からカメラを買ってモデルを作るのは盲目的な投資になります。

2. 中核機能と技術的な要点は何か

視覚検査の要件では、鍵となるパラメータは分解能と視野の整合です。半導体パッケージの外観検査は通常ミクロン級の単画素精度を要求します。たとえばモールド体上の幅0.05ミリの傷を検出するには、その精度からカメラとレンズの組み合わせを逆算する必要があり、先にカメラを買ってから何を検査するかを決めるのではありません。照明方式はカメラ以上に成否を決めることが多く、同軸、リング、低角度の選択が、傷、欠け、異物を検出できるかどうかに直結します。

予知保全の要件では、重要なのは信号のサンプリングレートと特徴抽出の方法です。半導体パッケージ設備のボンダやダイシングソーでは、スピンドル振動信号は軸受の初期摩耗特徴を捉えるために一般に20キロヘルツ以上のサンプリングレートが必要で、それ以下のレートではアラームはできても予測はできません。通信面では、設備データ収集は一般にOPC UA、Modbus TCP、SECS/GEMが使われ、とりわけ半導体設備はSECS/GEM対応の有無を確認しなければ、連携コストが目に見えて上がります。

計画と歩留まり分析の要件というカテゴリもあり、その本質はMES内のロットデータ、設備ログ、検査結果を相関付けることです。こうした要件は強力なデータガバナンスを前提とします。タグが統一されておらずロット番号が一致しなければ、どれほど精度の高いモデルでも実用に供せません。

3. 湛江における典型的な適用シーンはどのようなものか

パワーデバイスをパッケージする企業で、モールド後の外観検査工程が検査員3名のシフト制による目視に依存し、欠陥種別にはボイド、ショートショット、曲がりピンがあるとします。こうしたシーンはAI視覚ポカヨケに適し、受入材料の一貫性がよく、十分な欠陥サンプルを収集できることが条件です。モールド体の色がロット間で大きく変動する場合は、照明とホワイトバランスの安定性を先に検証しなければなりません。さもないとロットが変わるたびにモデルがドリフトします。

さらに、半導体設備向けの精密部品を製造する配套工場で、CNCマシニングセンタの工具摩耗を固定間隔の工具交換で処理しているとします。早く交換すると工具寿命を無駄にし、遅く交換すると不良を生みます。こうしたシーンはスピンドル電流と振動に基づく多信号融合予測に適し、サンプリングの同期精度をミリ秒レベルに管理しなければ特徴が整合しません。湛江は海洋装備や鉄鋼の産業チェーンに沿って機械加工能力が強く、地元の配套企業にもこうしたニーズは少なくありません。

見落とされやすいシーンがもう1つあります。受入検査です。半導体パッケージに使うリードフレーム、ボンディングワイヤ、モールド材は、ロット差によって歩留まりを直接左右します。AIで受入外観と寸法の迅速なスクリーニングを行い、IEC 61340静電気防護規格に基づく検査環境管理を組み合わせることで、ロット変動をラインに持ち込まずに済みます。こうしたシーンの限界は、スクリーニングとグレーディングに限られ、信頼性試験の全項目を代替できないことです。

4. 選定と導入において注意すべき点は何か

最もよく問われるのは、AI検査と従来のマシンビジョンの違いです。従来のビジョンはルールベースのしきい値に依存し、欠陥定義が明確で背景が安定したシーンに適します。AI検査はサンプル学習に依存し、欠陥形状が多様でルールで網羅できないシーンに適します。半導体の外観検査では、欠けや傷のように形状変動の大きい欠陥はAIが向き、公差が明示された寸法計測は依然として従来のビジョンが主体で、両者は同じステーションで併用されることが多いものです。

2つ目によく問われるのは連携です。既存のMESやSCADAを入れ替える必要があるのか。多くの場合不要です。AI検査ユニットは独立したステーションとして動作し、結果をOPC UAやデータベースインターフェースでMESへ書き戻せます。鍵は判定結果にタイムスタンプとロット番号が付き、トレーサビリティの連鎖と整合することです。設備がSECS/GEMのみに対応する場合は、AIユニットに対応するゲートウェイ能力があるかを確認してください。

3つ目はハードウェア条件です。視覚検査ステーションはカメラの設置スペース、光源の放熱、ラインの除振を考慮する必要があり、半導体のクリーン環境では設備材料が清浄度要件を満たすかも確認が必要です。演算能力については、単一ステーションの推論はエッジの産業用PCで十分で、学習はサーバールームかクラウドで実行します。すべてのステーションに高い演算能力を載せる必要はありません。

4つ目は導入期間とコスト構成です。1工程のAI視覚ポカヨケでは、サンプル収集とラベリングから学習、稼働検証までの道筋は通常日単位ではなく週単位で数えます。コストの大半はアルゴリズムではなく、照明の改造、治具、サンプルのラベリング、検証のためのライン停止の時間コストであることが多いものです。選定時の落とし穴は、モデル精度だけを見て製品切り替え後の安定性を見ないことです。半導体の多品種少量という性質を踏まえると、切り替え時の検証能力は単発の精度よりも重要です。

5. どのような工場が適し、どのようなシーンが適さないのか

適するシーンは明確です。工程のタクトが安定し、欠陥の判定基準が明確で、欠陥サンプルを継続的に収集でき、受入ロットの変動を制御できる工場です。半導体パッケージ・テスト、電子部品の外観検査、精密部品加工では、要件分析の投資効果を比較的説明しやすいといえます。

適さないケースも明確に述べておきます。欠陥サンプルが極端に少なく数か月に1度しか発生しない場合、AI検査のサンプルコストは高すぎ、まず検査基準を精緻化するほうが先です。反射が強く形状変動の大きいワーク、たとえばある種の研磨金属部品では、視覚方式は照明と撮像を個別に評価する必要があり、標準構成をそのまま流用できません。ラインのタクトが極端に速く検査に数十ミリ秒しか残らない場合は、まず推論の遅延を確認しなければなりません。データ基盤が弱く、設備に通信インターフェースがなく、ロット記録が紙のままという工場というカテゴリもあり、その場合はAIへ飛びつくよりデータ収集の改造のほうが現実的です。

ERP時代から数十年にわたり業界に関わり、120万社の顧客にサービスを提供し、累計数千万台の端末を導入し、国内・海外市場をカバーしてきた産業ソフトウェアベンダーは、通常、要件段階での工程の見える化とデータ可用性評価について方法論的な支援を提供できます。ただし湛江の半導体配套企業にとって、適合性の判断はあくまで自社の工程タクトとサンプル条件に基づくべきであり、テンプレートをそのまま流用することはできません。

分野: スマート工場百科