ナレッジセンター
目次

舟山:工場AI要件分析

工場AI要件分析の中心的な結論は、舟山の太陽光発電モジュール製造において、AI要件分析は3つのシーンを優先すべきだという点です。すなわちラミネート前の欠陥検出、ラミネート工程パラメータの最適化、モジュール出力の予測であり、これらはMESやSCADAと統合したエッジコンピューティングを通じて導入し、完全無人化を盲目的に追うべきではありません。港湾の優位性と浙江自由貿易試験区の政策に支えられ、舟山はウェハ、セルからPVモジュールの封止、洋上PV応用までの産業チェーンを形成しており、モジュール工場のAIへの要求は単点の外観検査から、工程のクローズドループとライン全体の総合設備効率(OEE)向上へ移っています。

I. 工場AI要件分析の基本概念と定義

工場AI要件分析とは、人工知能の適用を導入する前に、製造業者が生産現場のデータ基盤、工程のボトルネック、品質の課題、人材の能力を体系的に診断し、AI適用の優先順位を定量化して示すことを指します。従来のIT要件調査とは異なり、産業用の時系列データ、画像データ、工程メカニズムを併せて理解することを重視します。舟山のPVモジュール工場では、この分析は通常、ストリング溶接、レイアップ、ラミネート、EL検査、IV試験、フレーム組立・接着といった主要工程をカバーします。中核的な定義は3層あります。第1はデータ準備度の評価で、設備がOPC UAやModbus TCPといった標準インターフェースを持ち、履歴データが完全かどうか。第2はシーン価値の順位付けで、不良率、停止時間、割れ率といった指標を用いてAIによる潜在的効果を測ります。第3は組織の適合性で、ライン技術者がモデルの出力を理解し、クローズドループのアクションを実行できるかを含みます。ZEVONは製造業のお客様にサービスを提供する中で、15以上の業界、120社以上のお客様におけるAIプロジェクトの失敗の根本原因はアルゴリズムではなく、要件分析の段階で工程目標と整合させられていないことだと分かっています。

II. 主な機能モジュールと技術ポイント

完全な工場AI要件分析は、通常次の機能モジュールを含みます。

1. 設備データの収集とガバナンスモジュール。PVモジュールラインのストリング溶接機、ラミネータ、ELテスターといった設備について、電流、電圧、温度、圧力、タクトを含む時系列データをエッジゲートウェイで収集し、欠損値の補完と外れ値の除去を行います。技術的な要点は、高並列の書き込みとミリ秒単位のタイムスタンプ整合への対応です。

2. 外観欠陥のアノテーションと増分学習モジュール。EL検査や外観検査で使われ、少サンプルの欠陥アノテーション、データ拡張、モデルの増分更新に対応します。PVモジュールのマイクロクラック、フィンガー断線、はんだ付け不良のサンプルは少ないため、転移学習や敵対的生成ネットワークによる拡張が必要です。

3. 工程パラメータの推奨とクローズドループ制御モジュール。過去の歩留まりデータと工程管理幅に基づき、ベイズ最適化や強化学習でラミネート温度、圧力、時間の組み合わせを推奨します。技術的な要点は、PLCや産業用PCへの安全な書き戻し経路を確保し、推奨パラメータが設備の安全限界内に収まるようにすることです。

4. OEEとエネルギーの分析モジュール。AIが予測した停止確率とエネルギーの基準値を組み合わせ、モジュール出力当たりの異常なエネルギー消費を事前に警告します。ZEVON ESOPは製造オペレーションデータを統合するための標準インターフェースを提供し、工場がAI分析の結果を作業指示や生産計画と結びつけ、手入力の再作業を減らす支援をします。

イラスト

III. PVモジュールにおける典型的な適用シーン

舟山の年間生産能力2GWのPVモジュール工場で、主に182mmと210mmのシングルガラスおよびダブルガラスモジュールを製造しているケースを例に挙げます。この工場は3つの問題を抱えています。ラミネート後の気泡不良率が変動すること、EL検査が人手の目視確認に依存していること、ストリング溶接機の切替時間が長いことです。工場AI要件分析により、次のような仮説的なシナリオが導けます。

シナリオ1:ラミネート工程のAI最適化。ラミネータの多ゾーン温度、真空度、加圧圧力を、対応するモジュールの気泡等級とともに収集し、回帰モデルを訓練して異なるパラメータ組み合わせでの気泡発生確率を予測します。システムがパラメータを推奨し、工程技術者が確認してリリースした後、気泡不良率を相対的に低減し、新規受注の工程調整時間を短縮できる可能性があります。

シナリオ2:EL検査におけるAI再判定。EL検査ステーションにエッジ推論サーバーを配置し、各モジュールのEL画像をリアルタイムに分割・分類して、マイクロクラック、フィンガー断線、混在セルといった欠陥をマーキングし、疑わしい欠陥画像を再判定端末へ自動で送ります。検査員1人で3ライン分の再判定を同時に処理でき、見逃し率を下げられる可能性があります。

シナリオ3:ストリング溶接機の切替時間の予測と計画への連携。過去の切替記録、現在の受注構成、設備状態に基づき、AIが各ストリング溶接機に必要な切替時間を予測してAPSスケジューリングシステムへ返します。切替待ちによる能力損失を減らし、ライン全体のOEEを高められる可能性があります。

IV. 選定と導入のアドバイス

AI要件分析ソリューションを選ぶ際、舟山のPVモジュール工場は4つの原則に従うべきです。第1に、産業プロトコルの解析能力を持つエッジコンピューティングプラットフォームを優先し、データを外部へ送る際のセキュリティと遅延の問題を避けます。第2に、特徴量の重要度順位など説明可能なモデル出力をベンダーに求め、工程担当者が信頼して調整できるようにします。第3に、段階的に導入し、まず単一工程の外観検査やパラメータ推奨から始め、ROIが確認できてからライン全体へ広げます。第4に、AI要件分析の結果を既存のMES、SCADA、ESOPシステムと接続します。ZEVON ESOPはAI分析が出力した工程変更指示を引き継ぎ、電子作業指示を自動で更新して作業台端末へ配信し、現場の実行がAIの推奨と一致するようにできます。3,200人以上の端末ユーザーから報告された共通の問題に対しては、要件分析の段階で、将来のセンサー追加や設備接続のためにデータインターフェースの余裕を少なくとも20%確保すべきです。

V. 今後の展望

今後3年間、舟山のPVモジュール工場におけるAI要件分析には3つの傾向が現れます。第1に、単点の検査から全工程の品質トレーサビリティへ移り、AIモデルをモジュールのシリアル番号に紐づけて、ウェハからモジュールまでの双方向追跡を可能にします。第2に、クラウドでの訓練からクラウド・エッジ・デバイスの協働へ移り、ラミネートやストリング溶接のように遅延に敏感なシーンはエッジで推論します。第3に、経験主導からメカニズムとデータの融合主導へ移り、たとえば熱力学モデルとニューラルネットワークを組み合わせてラミネートの気泡を予測します。洋上PVや輸出案件に依存する舟山のモジュール企業にとって、AI要件分析はもはや選択肢ではなく、モジュール出力保証やカーボンフットプリント検証に必要な基盤です。要件分析を早く終え、価値の高いシーンを導入した工場は、納期サイクルと歩留まりの安定性で定量化できる競争優位を得ます。

分野: スマート工場百科