ナレッジセンター
目次

柳州:工場AIの要件分析

工場AI要件分析の本質は、ライン上で人が見守り、経験で判断し、事後に追いかけるしかなかった課題を、モデルが認識・処理できる信号に翻訳することです。柳州は中国南西部の重要な自動車・設備製造基地であり、近年は新エネルギー電池とその材料プロジェクトの導入が集中しています。電池ラインは、電極の塗布厚み、溶接品質、化成データに対する一貫性の要求が従来の自動車部品よりはるかに厳しく、人の抜き取りと班長の巡回ではタクトをカバーできなくなっており、工場AI要件分析が頻繁に話題になる背景はここにあります。

1. 工場AI要件分析は何を分析するのか

アルゴリズムを買ってラインに取り付けることではありません。工場AI要件分析とは、ラインの計画や改造の段階で、品質、設備、物流、エネルギーの問題のうち、画像認識、時系列予測、異常検知に適したものをまず選び出し、そのうえでデータが十分か、計算能力をどこに置くか、既存のMESやPLCとどう接続するかを判断することです。要するに、技術選定会議ではなく、需要側の健康診断です。

従来のリーン改善やシックスシグマのプロジェクトと比べた違いは、対象にあります。リーンは工程の無駄を見ますが、AI要件分析はどの判断をモデルに引き継げるかを見ます。一般的なデジタルコンサルティングと比べると、より深く、特定のステーション、特定の不具合種別、特定のサンプリング頻度まで踏み込みます。ある新エネルギー電池工場が電極塗布工程について1回の分析を行い、最終的に絞り込んだ価値の高い場面は3つだけでした。塗布面密度のオンライン推定、タブ溶接のコールドジョイント検出、化成工程の容量異常選別です。他に十数個のアイデアは、データのサンプリングレートが不足しているなどの理由でいったん棚上げされました。この絞り込みこそが要件分析の価値です。

2. 主な機能モジュールと技術的な要点

完全な分析フレームワークは通常、いくつかの部分をカバーします。まずデータ可用性の評価で、PLCの収集周期、外観検査ステーションの照明安定性、MESの不具合コードの粒度を確認します。多くの電池工場では、MESの不具合コードが外観不良の一種類しかなく、その粒度でモデルに与えても何も与えないのと同じです。

2つ目は場面の優先順位付けです。一般的な方法は、頻度×1回あたりの損失×介入可能性の度合いで採点し、コールドジョイント、断帯、厚み偏差といった高頻度・高損失の項目を優先します。3つ目は技術ルートのマッチングです。外観の不具合はエッジボックス上で動く軽量なCNNや蒸留した小型モデルを使い、化成の容量予測はエッジサーバー上の時系列モデルを使います。最初から大規模モデルで始めないでください。

4つ目はシステム統合の計画です。電池ラインは設備ブランドが混在し、塗布機、巻取機、化成・グレーディングキャビネットの通信プロトコルが統一されていないため、OPC UAゲートウェイとエッジコンピューティングノードの配置を要件段階で明確に描く必要があります。5つ目は組織と運用です。モデルが稼働した後、誰がアラームを見るのか、誤検出率がどの水準になったらロールバックするのか。こうしたルールを要件定義書に書かなければ、後で必ず争いになります。

3. 新エネルギー電池における典型的な適用場面

柳州の企業がリン酸鉄リチウムセルを製造し、増産を終えたばかりで、最大の悩みが塗布面密度の一貫性だとします。人の抜き取り検査は各ロールの先頭と末尾だけを測り、中間は塗布機自身の閉ループに完全に依存しているため、スラリー粘度が変動するとロール全体が廃棄になります。要件分析では、オンライン厚み計と塗布機PLCの間隙データから面密度予測モデルを構築し、アラームを巻取りより前に前倒しすることを提案します。スリット後に問題を見つけるのではなく、という考え方です。

逆に、電池モジュールパックを製造し、バスバーのレーザー溶接ステーションで、熟練作業者が溶融池の映像を見てコールドジョイントを判断しており、シフト交代後に判定基準がぶれる工場の場合はどうでしょうか。こうした場面は、画像と溶接電流の時系列を融合したモデルを判断支援として使うのに適しており、要件分析の段階で、カメラのフレームレートが溶接工程全体をカバーしているか、過去のコールドジョイントのサンプルが保管されているかを確認しなければなりません。化成工程の容量選別も別の例です。ある電池工場では、同一バッチのセルの充放電曲線が特定の電圧域でわずかに分岐することを見つけ、人の確認前に異常検知モデルで事前スクリーニングすることで、グレーディング工程の再検査工数を明確に削減しました。これらの場面はいずれも既存ラインを作り直す必要はなく、既存の自動化の上に追加するものです。

4. 選定と導入のアドバイス

広く展開するのではなく、1本のライン、1つの工程から始めてください。データ基盤が比較的良好なステーションを優先します。たとえばオンライン検査装置がすでにあり、PLCの収集が整っている塗布や溶接の工程です。ベンダーが電池業界で工程データガバナンスの経験を持っているかに注目してください。画像アルゴリズムだけを知り、セルの工程ウィンドウを知らないベンダーは、導入時に正常な工程変動を不具合として報告しがちです。

進め方としては、要件分析報告書に4つの内容を必ず含めます。場面リスト、データギャップリスト、統合トポロジー、受入指標です。受入指標は、精度95パーセントといった曖昧な表現ではなく、誤検出率と見逃し率の二重の制約で定めます。15以上の業種で120社以上、3,200以上の拠点での実績を持つベンダーは、業種横断のデータガバナンスについて再利用可能な方法論を持っていることが多いものの、電池業界の工程ノウハウには顧客側の深い関与が依然として必要です。もう一点の注意として、運用の責任者を要件分析の段階で決めてください。モデルは一度きりの納品物ではなく、化成曲線のドリフトには定期的な再学習が必要です。

5. 今後の展望

柳州の新エネルギー電池チェーンは、上流の材料、下流のリサイクルへと延び続けており、工場AI要件分析の焦点は単点の不具合検出から、全工程の品質トレーサビリティとエネルギー最適化へ移っていきます。エッジコンピューティングのコストは下がり、少数サンプル学習は電池の不具合場面で実用性を増しているため、今後2〜3年でデータが足りないというボトルネックはいくらか緩みます。しかし工程メカニズムとデータモデルの組み合わせは変わらず、セルを理解する人に要件定義に関わってもらうことが、こうしたプロジェクトを軌道に乗せる前提条件であり続けます。

分野: スマート工場百科