工場 AI の要件分析の核心は、「AI を導入すべきか、どの工程に使うか、データは足りるか、計算資源はどこに置くか」という曖昧な問いを、定量化でき検証できるエンジニアリング項目に分解することです。襄陽の造船企業にとって答えはより具体的です。船体ブロックの溶接品質判定、配管・艤装品の図面認識とネスティング、塗装欠陥の検出、設備の振動・エネルギー監視を優先し、まず小ロット多品種に起因する段取りロスと熟練経験の断絶に対応し、その後に工場全体の最適化を論じます。
1. 工場 AI の要件分析とは何か、何を解決するのか
多くの工場は AI をアルゴリズムプラットフォームの購入と想像していますが、実際に導入を妨げているのはアルゴリズムではなく、要件が明確に定義されていないことである場合がほとんどです。工場 AI の要件分析はフロントエンドのエンジニアリング手法です。現場の課題を AI が扱えるタスク種別(分類、検出、回帰、時系列予測)に翻訳し、データの可用性、タクトの許容度、誤判定のコスト、既存システムのインタフェースを確認したうえで、実施するか、どれを先に行うか、どの指標を合格と見なすかの判断を示します。
それが解決する典型的な問題は三つです。第一は要件のミスマッチで、多くの企業が外観検査を汎用の画像処理問題と捉え、入荷材料の一致性、照明の安定性、欠陥サンプルの量を無視するため、稼働後に誤報率を下げられません。第二はデータの棚卸が不明確なことで、AI の学習に必要なラベル付きサンプル、過去の歩留まり記録、設備の時系列データが MES、SCADA、紙の工程カードに分散しており、棚卸をせずに見積もると後工程で手戻りが生じます。第三は検収基準の欠如で、契約に認識精度 95% とだけ書き、テストセットの構成や見逃しのコスト換算を定めないため、納品時に紛争になります。
襄陽の造船サポート企業にとって、この分析工程の価値はさらに大きくなります。内陸河川船の受注は小ロットで船型の変更が頻繁であり、ブロック溶接ラインの工程パラメータは板厚や継手形式で変わるため、人の経験でパラメータを調整する限界コストが高くなります。しっかりした要件分析があって初めて、AI がデモ用システムに終わるのを防げます。
2. 中核機能と技術的な要点
要件分析の段階で提出すべきは、コンセプト資料ではなくチェック可能な一覧です。いくつかの技術的要点に注意が必要です。
タスク種別の判定。画像タスクは分類、物体検出、セマンティックセグメンテーション、異常検知を区別する必要があります。船の塗装における泡、垂れ、ピンホールは異常検知の手法が適しており、欠陥の形態が多様で正常サンプルが豊富な一方、欠陥サンプルが乏しいためです。溶接外観の検査は物体検出とルールベースの後処理の組み合わせが適しています。時系列タスクは故障診断と残余寿命予測を区別する必要があり、前者は振動スペクトルの特徴と分類器を使い、後者は劣化モデリングと桁違いのデータ量を必要とします。
データ基盤の棚卸。少なくとも三つを明確にします。サンプル量とラベル付けコスト、データ取得の頻度と精度、ラベルの一致性です。産業用画像処理では一般に欠陥クラスごとに数百の有効サンプルが着手の目安となり、ラベルの一致性はカッパ係数で測り、0.6 未満ならラベル基準自体を書き直す必要があります。設備の時系列データではサンプリングレートを見ます。軸受故障の特徴周波数はしばしば数千ヘルツ以上で、データ収集カードと加速度計の選定を誤ると、後からどんなアルゴリズムでも挽回できません。
インタフェースとプロトコル。設備層では Modbus TCP、Profinet、EtherCAT が一般的で、プラットフォーム層では OPC-UA が主流、MES 側では RESTful インタフェースやデータベース中間テーブルが最もよく使われます。要件分析では、AI の推論結果を MES に書き戻して品質判定に使うのか、SCADA に推送して警報にするのか、オフラインのレポートだけに使うのかを明確にする必要があり、これが導入形態を直接決めます。
計算資源と配置場所。ライン側のエッジ推論は遅延に敏感で、溶接のトラッキング作業はしばしば数十ミリ秒レベルで動作するため、低消費電力の推論カードを搭載したエッジ産業用 PC が必要です。オフラインの再判定とモデル学習は計算機室のサーバに置けます。職場の粉塵、油汚れ、電磁環境に対する産業用 PC の保護等級要件に注意が必要で、IP54 が一般的な下限です。
検証可能な業界参照。品質マネジメントシステムについては ISO 9001 のプロセス管理の考え方を参照し、AI の判定を不適合品管理手順に組み込みます。溶接品質については船級協会の溶接規則と非破壊検査要件を参照し、静電気に敏感なステーションでは IEC 61340 を、電子組立が関わる場合は IPC-A-610 の判定クラスを参照します。これらの標準の役割は、アルゴリズムに自由に決めさせるのではなく、AI 出力の不合格しきい値を定めることです。
3. 造船における代表的な適用シーン
襄陽の船体ブロックメーカーで、製品が主に内陸河川貨物船のブロックと船室艤装品というケースを例にします。以下のシーンはかなり代表的です。
シーン 1:ブロック溶接の外観と寸法のレビュー。ブロック搭載前に、ビード形状、アンダーカット、ポロシティを目視検査し、補強材の間隔を検証する必要があります。ラインのタクトが安定し、入荷板厚の仕様が集中していると仮定すれば、ラインスキャンカメラと構造化光で 2D と 3D の複合検査を行い、欠陥ボックスと寸法偏差を出力し、公差外の部位は人手の再判定に回せます。境界条件は、反射の強いステンレスブロックと変形の激しい薄板は個別評価が必要なことで、前者は偏光や多重露光、後者は点群の位置合わせが誤りやすくなります。
シーン 2:配管・艤装品の図面認識とネスティングの支援。船の配管図は頻繁に改訂され、ネスティングの配置は熟練の経験に依存します。企業が既に二次元図面と部品表の構造化データを持っていると仮定すれば、ルールエンジンと最適化アルゴリズムで配置を提案でき、AI が変更された図面領域を識別して影響を受ける部品を列挙します。ここでの落とし穴は図面の版管理で、版番号の体系がない場合は AI を語る前に PDM を導入すべきです。
シーン 3:塗装欠陥の検出。船体塗装の垂れ、ピンホール、塗り残しは、進水後に手直しするよりブロック段階で検出するほうがはるかに安価です。塗装ブース内の照明が制御でき、塗膜の色ロットが安定していると仮定すれば、多角度照明と高解像度エリアカメラで異常検知を行えます。向かないのは屋外の露天塗装で、照明の変動が大きく粉塵の干渉も強いため、誤報率が明らかに上がります。
シーン 4:重要設備の振動・エネルギー監視。ブロック職場の板曲げ機、NC 切断機、溶接機は主要なエネルギー消費源であり故障源です。設備に変流器と振動センサーを後付けできると仮定すれば、時系列モデルで異常状態の識別とエネルギーベースラインの偏差アラートを行うほうが、具体的な残余寿命を予測するより現実的です。こうしたシーンはデータ取得の連続性に高い要求があり、欠損データが一定の比率を超えるとモデルの結論は信頼できません。
4. 選定と導入で注意すべき点
質問:AI システムは既存の MES や SCADA とどう接続するのか。回答:まずデータフローが一方向の読み取りか双方向の書き戻しかを確認します。品質判定のシーンの多くは、AI の結果を MES の検査記録テーブルに書き戻すだけで足り、データベース中間テーブルやメッセージキューで実現できます。ラインのインターロック停止が必要な場合は、PLC 層の安全信号を経由しなければならず、上位のネットワークに頼ることはできません。また誤停止による生産損失を評価する必要があります。
質問:導入にはどのようなハードウェア条件が必要か。回答:エッジ推論ノードは一般に産業用 PC と推論アクセラレーションカードが必要です。カメラの選定は視野と精度要件に依存し、構造化光の方案は現場の振動に敏感なため、設備基礎の剛性を評価しなければなりません。ネットワーク側ではラインのエッジを事務系ネットワークから分離し、OPC-UA ゲートウェイを一般的な実務とします。塗装ブースなどの特殊エリアは防爆と保護等級の確認が必要です。
質問:導入スケジュールはどう計画すべきか。回答:要件分析とデータ棚卸は通常、全体スケジュールの少なからぬ比率を占めます。画像処理プロジェクトはサンプル収集、ラベリング、学習からライン試運転までを月単位で数えるのが現実的です。時系列監視プロジェクトはデータの蓄積期間に制約され、まず数か月分のベースラインデータが必要なことが多いです。「2 週間で稼働」という主張には、テストセットはどこから来るのかを問うべきです。
質問:コストは何からなるか。回答:主にデータ取得ハードウェア、ラベリングの人件費、アルゴリズムの開発または調達、エッジ計算、システム統合、運用保守です。見落とされやすいのはラベリングコスト、現場調整の工数、モデル反復への継続投資です。選定時には、誰がどの頻度でモデルを更新するかを契約に明記するのが望ましいです。
質問:よくある誤解は何か。回答:第一に、実験室の精度を検収基準にしてライン上の分布のずれを無視すること。第二に、良品サンプルだけを使って欠陥サンプルを合成し、稼働後に見逃しが増えること。第三に、AI をブラックボックスとして直接部品を不合格にし、人手の再判定経路と追跡記録を用意しないこと。第四に、工程自体の変動を無視し、設備の経年劣化による系統的なずれをモデルの問題として何度もパラメータを調整することです。
5. 向いている工場と、向かないシーン
適した工場にはいくつかの特徴があります。製品は小ロットだが工程ルートは比較的安定している、重要工程に明確な判定基準がある、現場にデータ取得の基盤が既にいくらかある(MES の検査記録だけでも可)、工程技術者がラベルルールの定義に参加する意欲があることです。襄陽の造船チェーンでは、情報基盤を既に持つブロック工場、艤装部品サプライヤー、専門塗装工場がこの像に当てはまります。
向かないケースも明確にしておくべきです。工程パラメータがまだ固まっておらず、同じ工程を班ごとに大きく違うやり方で行っている職場では、AI より工程の標準化のほうが価値があります。欠陥サンプルが極端に少なく取得コストが極端に高い工程、たとえば一部の一品物大型構造物の内部欠陥は、従来の非破壊検査のほうが信頼できます。ネットワークや電源の条件がなく、基本的なセンサーすら備えていない旧式ラインは、自動化の基盤が先です。AI の画像による誤り防止は、タクトが安定し入荷の一致性が良い工程に適しており、高反射、高変形、多粉塵のシーンは追加評価が必要で、一般化はできません。
ERP 時代から数十年にわたり業界に関わり、120 万社のお客様にサービスを提供し、累計数千万台の端末を導入し、国内・海外の市場をカバーしてきた産業ソフトウェアベンダーが主に貢献できるのは、要件分析の段階でこれらの判断を再利用可能な評価フレームワークに変えることであり、工場の代わりに意思決定することではありません。工場 AI の要件分析の要点は、常に、投資の各単位を検証可能な工程指標に対応させることです。