ナレッジセンター
目次

舟山:工場AIの要件分析

工場AI要件分析とは、工場の中で人が見張り、経験で推測し、事後に追跡している工程を、機械が理解し、計算し、事前に介入できるタスクリストに翻訳することである。舟山の自動車部品業界は近年、新エネ車向け部品、精密プレス、射出成形部品、ファスナーへと急速に高度化し、工場には設備が多く、データも蓄積されているが、AIを実際に稼働させられている工場は少ない。問題は往々にしてアルゴリズムではなく、要件が明確に分解されていないことにある。

1. 工場AI要件分析の中核概念と定義

具体的には、工場AI要件分析はAIを導入できるかを問うのではなく、どのステーション、どの工程、どの種類の判断をAIに委ねる価値があるかを答えるものである。インテリジェント製造コンサルティングとIT計画の中間に位置し、成果物は通常、優先順位付きの要件リストであり、各要件がどのデータ、どのモデル、どの受け入れ基準に対応するかを明記する。

実務上、この分析と従来のIT要件の最大の違いは、従来のERP要件が工程を通すことであるのに対し、AI要件は不確実性の下での判断を作ることにある。ダイカストのポロシティ欠陥を例に取ると、検査工程はもともと工程の中にあるが、AIが解くべきは、ダイカストマシンの曲線と金型温度から今回のショットにポロシティが出るかを事前に判断することで、これは別の話である。舟山の多くの自動車部品企業はERP時代から数十年にわたり業界に従事し、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おり、こうしたベンダーの工場業務プロセスへの理解は既存の土台になるが、AI要件分析はその上で改めて行う必要がある。

2. 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、いくつかのモジュールに分かれる。

1. データ可用性の棚卸し。最も飛ばされやすいステップである。工場のPLC、SCADA、MES、QMSはそれぞれ独自にデータを保持し、タイムスタンプのずれや項目の意味の不一致が常態である。要件分析はまず、あるラインのタクトデータが秒レベルの分解能で取得できるか、検査記録が構造化された形で入力されているかを確認する。データが取得できない要件は優先順位の最後尾へ回す。

2. シーン分類と価値の順位付け。業界では通常、要件を品質検査、設備の予知保全、工程パラメータ最適化、生産スケジューリング、エネルギー管理に分け、データ成熟度と業務価値と実装難易度で採点する。自動車部品業界では、外観欠陥検査と寸法測定の要件が通常上位に来る。画像処理ソリューションが比較的成熟し、成果が出やすいからである。

3. モデル選定と導入方式。すべての要件に深層学習が必要なわけではない。単純なしきい値判定はルールエンジンで十分であり、時系列の異常検知は統計手法のほうがニューラルネットより安定することが多い。要件分析は、どのケースがエッジ側のリアルタイム推論で、どれがクラウドでオフライン実行かを提言しなければならない。舟山の多くの自動車部品工場は現場ネットワークの条件が普通であるため、エッジ導入の実現可能性を要件段階で評価する必要がある。

4. 受け入れ指標の定義。最も曖昧に書かれやすい部分である。流出率、誤警報率、予警時間の窓、モデルの更新周期は、すべて要件文書の中で数値にしなければならない。ブレーキパッドのスチールバックを製造する工場を例に取ると、外観検査の要件に検出率を向上させると書いても意味がない。キズ系欠陥の流出率を現状から1000個あたり1個未満に下げ、誤警報率を1000個あたり3個以下に保つと書けば実行可能である。

3. 自動車部品における典型的な適用シーン

舟山の自動車部品の製品構成では、プレス部品、射出成形部品、ファスナーが大半を占め、対応するAIシーンにも強い共通性がある。

新エネ車の電池トレイ用フレームを製造する自動車部品企業で、アルミ合金押出材の溶接後に溶接品質の全数検査が必要だとしよう。従来は目視検査とX線の抜き取りで、流出リスクは微小なポロシティと融合不良に集中していた。この要件分析が答えるべきは、溶接画像の撮像ステーションで照明をどう配置するか、欠陥サンプルをどう蓄積するか、モデルをどの頻度で再学習するかである。実際の導入では通常、判定支援と人手レビューの組み合わせから始め、順調に動いてから徐々にしきい値を厳しくする。

さらに、エンジンガスケットを製造する工場で、プレス金型の寿命を定期交換で管理しており、早すぎれば金の無駄、遅すぎればバリがまとまって出るケースがある。ここでのAI要件分析は、プレスのトン数曲線、金型温度、累積ストローク数から残寿命を予測することを指す。この要件はデータ基盤が比較的良好で、難点は異なる金型間の転移にあるため、要件文書には金型タイプごとにモデルを作るのか、汎用モデルに微調整を加えるのかを明記しなければならない。

もう一つのカテゴリはスケジューリングに関係する。自動車部品業界は受注ロットが小さく金型交換が頻繁で、舟山の多くの工場は多品種少量受注を手がけている。AIスケジューリングの要件分析は、金型交換順序の最適化を解くのか、納期約束の精度を解くのか、設備稼働率を解くのかを明確に区別しなければならない。3つの目標はデータ入力もモデルの複雑さも大きく異なり、まとめて1つの要件として書くと、どれも深く掘れないのが常である。

4. 選定と導入の提言

実務では、工場AI要件分析で最もはまりやすい罠は、欲張りすぎることである。数十のシーンを並べた要件リストは、すべてを望む結果として資源が分散し、どれも完遂できない。推奨されるリズムは、まず1つのステーションを深く掘り、次に1本のラインへ横展開し、最後に工場間へ広げることである。

選定の段階では、ベンダーが要件分析をソリューションより先に置けるかを見る。モデル精度の話をいきなり始めるベンダーもあるが、工場が本当に必要なのは、どの工程にAIを適用する価値があるかを明確に答えてくれる相手である。また、要件分析文書は後続のモデル開発と受け入れに直接つながらなければならず、コンサルティングレポートで終わってはいけない。舟山の地元製造業のデジタル基盤は差が大きいため、既存システムとの連携コストの評価は現実的であるべきで、工場に専任のデータエンジニアがいると仮定してはいけない。

もう一点、AI要件分析は一度きりの仕事ではない。ラインの製品が変わり、設備が改造され、品質標準や顧客要求が変われば、要件リストはローリングで更新しなければならない。工場はこれを年次計画の一部として扱い、プロジェクト承認直前に思い出す宿題にしてはいけない。

5. トレンド展望

今後を見通すと、工場AI要件分析は2つの方向へ進む。1つは軽量化である。大規模モデルとローコードツールにより、工場自身が予備的なシーン選別と試作検証を行えるようになり、要件分析の敷居が下がる。もう1つは標準化である。自動車部品業界は品質システムの要求が厳しく、AIモデルの検証と変更管理もIATF 16949などの枠組みに取り込まれていくため、要件段階でモデルの版トレーサビリティや逸脱管理をどう文書化するかを考慮しなければならない。

舟山では、船舶・海洋工程関連と新エネ車部品のチェーンが伸び続けるにつれ、工場のAI需要は点の検査から工程間の協調へ移る。要件分析の方法論もそれに合わせて変わり、シーンを探すことから、シーン間のデータフローと意思決定チェーンを明確にすることへ進む必要がある。急ぐことはできないが、遅くやるより早くやるほうがよい。

分野: スマート工場百科