工場AIの要件分析とは、要するに、工場の中で熟練者の経験、人の目による監視、事後の責任追及に頼っている部分を、AIが理解し、計算し、事前に介入できるモデルの言語へ翻訳することである。西安ではこの命題がとくに具体的になっている。航空宇宙・設備製造の国家的な重要拠点として、西安の造船関連産業には船舶動力システム、航海機器、船室補機が含まれ、小ロット、多品種、高い工程障壁という納品圧力に直面している。船主の要求は厳しく、熟練者は採用しにくく、トレーサビリティ要件は細かくなる一方であり、工場はAIが実際にどの具体的な問題を解決できるかを慎重に考えることを迫られている。
1. 工場AIの要件分析は何を分析するのか
複雑に考えすぎないこと。工場AIの要件分析は大規模モデルのパラメータを研究するものではなく、三つのことを行う。データ資産を可視化し、業務上の課題を分解し、AIの能力の境界と突き合わせるのである。
西安の船舶関連工場では、データはPLC、SCADA、MES、紙の作業票、さらには熟練者の頭の中に分散していることが多い。要件分析の第一歩は、どの工程にリアルタイムデータがあり、どこが結果記録しかなく、どこが完全に人の判断に依存しているかを明らかにすることである。たとえば舶用ディーゼルエンジンのシリンダブロック加工では、工具摩耗は現在、音を聞き切りくずの色を見て判断しており、これは典型的な経験のブラックボックスであり、まさにAIが入るべき領域である。
第二のステップは課題の分解である。舶用機器は溶接品質、寸法公差、材料バッチのトレーサビリティについて、一般機械よりはるかに厳しい要求を持つ。配管フランジの溶接にブローホールが発生すれば、配管区全体を手直しし、ドックのマイルストーンを遅らせる可能性がある。この課題に対応するAI要件は、溶接工程パラメータと欠陥の関係をモデル化し、溶接後の目視による一次スクリーニングを加えることである。
第三のステップは能力との突き合わせである。すべての問題がAIを適用する価値を持つわけではない。明確なルールは従来の自動化に属し、曖昧な推論だけをAIに任せるべきである。工場AIの要件分析の中核的な成果物は、優先順位を付けた場面のリストであり、アルゴリズム用語の山ではない。
2. 主要な機能モジュールと技術的な要点
完全な工場AI要件分析の方案は、通常次のモジュールを含む。自社のラインに欠けているものを確認するとよい。
1. データ収集とエッジ前処理モジュール
造船の現場は電磁干渉が強く、油や粉塵も多く、一般のセンサーでは耐えられない。このモジュールは産業用カメラ、振動センサー、変流器で重要工程の物理量を取得し、エッジ側でフィルタリング、整列、圧縮を行う。技術的な要点は、OPC UAやModbus TCPなどのプロトコルに対応し、輸入PLC/DCSシステム、Fanuc、輸入PLCシステムを備えた古い設備とも通信できることである。
2. 工程品質予測モジュール
これは造船所が最も受け入れやすい部分である。たとえば舵板の溶接ひずみ予測では、板厚、開先角度、溶接電流、電圧、速度、周囲温度を入力とし、溶接後のひずみ範囲を出力する。回帰モデルでも時系列モデルでもよく、鍵は学習用の過去の工程パラメータと実測ひずみデータがあることである。西安の一部の船舶関連企業は、同様のアプローチでプロペラ翼の加工取り代を最適化している。
3. 画像検査と欠陥認識モジュール
船用ケーブルハーネスの端子圧着品質、配管付属品の表面傷、鋳物の砂穴は、いずれもマシンビジョンによる目の代替に適している。技術的な要点は少数ショット学習である。造船の注文はロットが小さく、欠陥サンプルはさらに少ないため、データ拡張と転移学習が必要になる。配備はライン上の産業用PCと産業用カメラでも、エッジボックスでもよい。
4. 設備健康管理と予知保全
造船で使う門形フライス盤、床型中ぐり盤、大型曲げロールは、停止すると損失が大きい。振動と電流の信号から軸受故障を早期に警告したり、主軸動力の変化から工具摩耗を判定したりするのは成熟した応用である。このモジュールの難しさはアルゴリズムではなく、ラベル付きの故障データを十分に取得できるかどうかにある。
5. 段取り・配車最適化モジュール
船舶関連部品は種類が多く、工程ルートが長く、注文の割込みも頻繁である。AI段取りはERPを置き換えるためではなく、ERPの週間計画の上で制約解決や強化学習を用い、機械と人の日次のローリング割当を行うためのものである。西安の船用補機工場の想定場面では、毎月200種類のフランジや配管付属品を旋盤、フライス、穴あけ、溶接で加工しており、AIの動的段取りが段取り替えの回数を減らせる。
3. 造船における典型的な適用場面(想定)
西安の船舶動力システムのサプライヤーが、主に舶用ディーゼルエンジンのコンロッドとシリンダヘッドを製造していると想定する。課題はコンロッドのボルト穴の位置公差が外れ、組立時にフィッティング調整が必要になることが多く、納品に影響することである。工場AI要件分析からの方案は、細穴中ぐり工程の後に産業用カメラを追加し、ボルト穴を撮影して、ビジョンアルゴリズムで実測座標と理論座標の偏差を計算し、マシニングセンターへリアルタイムで工具補正としてフィードバックするものである。この場面に大規模モデルは不要で、軽量なエッジAIボックスで動くが、効果は直接的である。後工程の組立でのフィッティング作業が減る。
さらに、船室用防火ドアを製造する企業を想定する。防火ドアの充填材の均一性は手作業の計量と目視に頼っており、密度の偏りで耐火試験に不合格になることがある。AI要件分析は、混合・プレス工程で圧力、温度、時間の曲線を収集し、分類モデルでそのバッチが不合格になりそうかを判定し、事前に止められるようにすることを提案する。この場面のデータ基盤はすでに存在する。プレス機自体が曲線を記録しているので、データを引き出してラベル付けするだけでよい。
もう一つの場面は船用配管の溶接である。西安の配管付属品工場で溶接者の技量にばらつきがあり、アルゴンアーク溶接のルートパスの品質が不安定だと想定する。AIソリューションは、溶接機に電流・電圧の収集モジュールを追加し、マイクでアーク音を取得し、音のスペクトルと電気パラメータの融合モデルで溶込み状態を判定する。このアプローチはすでに業界で検証されており、空想ではない。
4. 選定と実施のための助言
西安で工場AIソリューションを選ぶ際、すぐに壮大で包括的なパッケージを求めてはいけない。実践的な提案をいくつか挙げる。
第一に、データの健康診断を行うこと。2週間をかけて、重要設備の通信インターフェース、データ頻度、履歴保存を明らかにする。PLCのデータすら取得できないなら、まず収集の問題を解決し、AIの話はしない。
第二に、単一の場面から入ること。造船の工程は長く、全フローのAIは非現実的である。品質損失が最も大きくデータ基盤が最もよいステーション、たとえば溶接品質予測や画像による寸法検査を選ぶ。機能したら横展開する。
第三に、エッジ配備の能力に注意すること。西安の多くの船舶関連工場のネットワーク環境は平均的であるため、AIモデルはクラウドに依存せず産業用PCやエッジボックスで動くのが望ましい。ベンダーがDockerやONNXのモデル配備パッケージを提供できるかは厳格な判断基準である。
第四に、無人化よりも人と機械の協働が現実的であること。初期段階では、AIの欠陥判定は経験ある作業者がレビューしなければならない。システムはレビュー結果を記録して学習へフィードバックし、クローズドループを形成する必要がある。一部のベンダーのソフトウェアは、AIによる一次スクリーニングと人による確認というこのパターンに対応している。
第五に、投入と成果を明確に計算すること。すべてのAIプロジェクトが元を取れるわけではない。検査員2人を1つの画像検査ステーションで置き換える場合、西安の労務コストでは投資回収期間が2年を超えるなら慎重にすべきである。しかし1隻分の手直しや船主からの違約金を1回回避できるなら、計算はまったく変わる。
現在、業界では3200台以上の端末が、造船、航空宇宙、自動車部品など15以上の業種、120社超の顧客を含む各工場で、同様のAI品質・設備モジュールを配備している。これらの数字は一つのことを示している。工場AIは概念ではなく、すでに稼働している工学である。
5. 今後の展望
今後3年間で、西安の造船分野における工場AIの需要は二つの方向へ進む。一つは軽量モデルであり、ますます小さくなり、追加のサーバーなしでPLCや産業用PC上で直接推論する。もう一つは工程知識の融合であり、熟練者が音で品質を判断する能力を説明可能な特徴量設計に変え、AIが結果を示すだけでなく、どの周波数帯、どのパラメータが悪かったのかも教えるようにする。
船舶関連企業にとって、工場AIの要件分析を早く行うことは流行を追うことではなく、次の受注の入札時に船主を納得させる品質データの連鎖を提示できるようにすることである。西安には確かな製造基盤と船舶関連作業における深い工程の蓄積があり、足りないのは多くの場合、データを活用する薄い一層だけである。そこを突破すれば、多くの問題に新しい解が見つかる。