ナレッジセンター
目次

麗水:工場AIの要件分析

麗水のゴム製品産業で工場AIの要件分析を実施する際の中核的な結論は、汎用の大規模モデルを導入することではなく、混練、圧延、成形、加硫、検査というゴム特有の工程を軸に、工程パラメータ、設備状態、品質データ、スケジューリング論理をつなぎ、説明可能なAIモデルで四つの高頻度課題を解くことである。すなわち配合の変動、制御しにくい加硫時間、見逃される外観欠陥、効率の悪い金型交換スケジューリングである。麗水は浙江省南西部に位置し、ゴム製品産業はシール、防振部品、ホース・ベルト、各種成形雑品が主体で、中小企業が多く、受注バッチが混在し、工程の経験がベテランに依存している。まさにここにAI要件分析は入るべきである。

1. 工場AIの要件分析は何を分析するのか

工場のための要件翻訳作業と理解するとよい。ほとんどのゴム工場はデータに困っていない。インターナルミキサーにはPLCの曲線があり、加硫プレスには温度・圧力記録があり、検査には計量や目視の結果がある。しかしデータは異なる設備、班、表計算に散らばっている。工場AIの要件分析が行うのは、「AIで品質を上げたい」といった漠然とした願いを、実装可能なモデル課題に分解することである。配合重量の偏差警告なのか、加硫曲線の異常認識なのか、圧延厚みの閉ループ制御なのか。

従来のITコンサルティングとの違いは、分析の対象が業務伝票からモデルの入力と出力へ移ることである。各AI要件がどのデータソースに対応するのか、サンプリング周波数は十分か、ラベルはどこから来るのか、判定を受けて誰が動くのかを明示しなければならない。例えば加硫現場から過加硫と加硫不足を減らしたいという要望が出た場合、要件分析は次の点を追う。現在の加硫時間は作業者が経験で決めているのか配合グレードで引いているのか、機械の温度変動はどの程度か、過去の品質トレーサビリティ記録はあるか。これらの問いに答えられなければ、AIモデルには訓練の根拠がない。

システム構成としては、完全な工場AI要件分析は通常五つの部分を含む。データソースの棚卸、工程知識のレビュー、AIシーンの優先順位付け、モデル実現性評価、導入提案である。技術指標はパラメータの高さではなく、データの完全性、ラベルの正確性、シーンの説明可能性である。導入面では、ゴム産業はエッジ推論とクラウド訓練のハイブリッドが適し、加硫プレスやインターナルミキサーの脇にエッジボックスを置いてリアルタイム判定し、履歴データを戻してモデルを反復する。

2. 主な機能モジュールと技術要点

1. 工程パラメータ相関分析モジュール

ゴム加工の中核変数は温度、圧力、時間、配合である。このモジュールは、混練の排出温度、カレンダーロール温度、加硫機の温度差と、対応するバッチの品質結果との相関モデルを構築する。技術要点は強い時系列性と非線形関係の扱いであり、単純なしきい値警報ではなく、時系列特徴抽出と回帰モデルの組み合わせがよく使われる。注目すべきは、どのパラメータがどれだけずれるとムーニー粘度が範囲を外れるかといった、実行可能な結論をモデルが出せるかである。

2. 外観欠陥の画像検査モジュール

シールや防振部品の外観欠陥には、欠肉、バリ、気泡、異物、傷がある。人手の目視はシフトの疲労とともに見逃し率が上がる。AI画像モジュールの技術要点は少数サンプル学習と照明の一貫性制御である。ゴム部品の表面は黒くつや消しが多く、反射特性が金属部品とまったく異なるため、アルゴリズム以上に照明方案が重要になる。要件分析の段階で、欠陥種類の一覧、許容できる過検出率、検査タクトが加硫プレスの離型速度に追い付くかを確認しなければならない。

3. 設備の予知保全モジュール

インターナルミキサーのローター、オープンミルのロール、加硫プレスの油圧系統は故障の多い箇所である。このモジュールは振動、電流、温度の信号で異常検知を行い、技術要点は正常運転サンプルが豊富で故障サンプルが乏しい状況での教師なしまたは半教師ありモデリングである。明確に確認すべきは、設備の停止記録が完全か、保全の作業指示に故障部位が記されているかであり、これがモデルが特定部品を特定できるかを決める。

4. インテリジェントスケジューリングと金型交換最適化モジュール

ゴム製品の受注は多品種少量が明確で、加硫金型の交換が頻繁である。スケジューリングモジュールは金型の可用性、機械のトン数整合、配合の共用、納期優先度を併せて考慮しなければならない。技術要点は制約解決とヒューリスティックルールであり、ここでのAIの役割は実行可能な計画を素早く作り金型交換回数を見積もることであって、スケジューラを置き換えることではない。

3. ゴム製品における典型的な適用シーン

麗水で自動車用ウエザーストリップを製造し、混練現場から配合のムーニー粘度がバッチ間で大きく変動し、下流の押出寸法が不安定だという報告がある工場を想定する。工場AI要件分析を進めると、まずミキサーの排出温度曲線、投入重量記録、バッチごとのムーニー試験値を棚卸し、排出温度のサンプリング間隔が粗すぎることを見つけ、高周波取得を追加して温度・時間・粘度の相関モデルを構築し、バッチごとの推奨排出温度範囲を出力する。これは典型的なパラメータ最適化の要件で、全自動の閉ループを狙わず、まず作業者への提示から始める。

ゴム防振部品を製造し、加硫現場に数十台の平板加硫プレスがあり、ベテランが経験で加硫時間を決め、新人の習熟に時間がかかる企業を想定する。要件分析から、配合グレード、金型構造、実測の機械温度差を入力とし、信頼度付きの推奨加硫時間を出力する加硫時間推奨モデルが導かれる。導入はエッジ側で、結果は機械の画面に直接表示し班長が確認する。こうしたシーンは無人化ではなく経験の再利用を狙う。

もう一つのよくあるシーンは外観検査である。Oリングを製造し、人手の目視速度が生産能力に追い付かず、見逃しが時折クレームになる工場を想定する。要件分析の段階で、検査可能な欠陥種類、最小欠陥サイズ、許容する過検出率を定義し、ルールベース画像と深層学習のどちらかを決める。ゴムシールは小さく欠陥のコントラストが低いため、通常は専用照明と領域分割検査が必要で、モデルは疑わしい領域の分類のみを担い、最終確認は人が行う。この人機協働の位置づけは全自動より現実的である。

4. 選定と導入の提案

工場AI要件分析の方案を選ぶとき、まずアルゴリズムの先進性を見るのではなく、相手がゴム工程を理解しているかを見るべきである。インターナルミキシングとオープンミキシングの違いすら説明できないチームは、実装できない要件一覧を作る可能性が高い。要件分析の段階で、データ準備度、業務価値、実装難易度で採点したシーン優先マトリクスを出すこと、データ基盤が良く成果の早いシーンから始めることを求めるのが望ましい。

導入のペースは、ゴム工場は単一シーンから入るのが適する。例えば加硫時間の推奨か外観欠陥検査のどちらかを先に行い、データ取得、モデル導入、現場の使用という全連鎖を回してから、混練やスケジューリングへ広げる。最初から大きなプラットフォームを導入しないこと。中小ゴム企業はIT人員が限られ、保守の複雑さが隠れた敷居になる。

データガバナンスのルールは要件分析の段階で決めなければならない。配合グレードのコードを統一し、設備番号を保全の作業指示と一致させ、検査結果は写真でチャットグループに保存するのではなく構造化して入力する。この基礎作業がなければ、AIモデルは砂上の楼閣である。業界にはERP時代から数十年にわたり業界に取り組み、120万社の顧客にサービスを提供し、数千万台の端末を導入し、国内・海外市場をカバーしてきたベンダーもあり、その製造データガバナンスの蓄積は要件分析の段階で参考にする価値があるが、鍵は依然としてゴム工程そのものにある。

もう一点注意すべきは、加硫プレスやインターナルミキサーのデータインターフェースプロトコルが非常に多様で、旧設備はRS485しかない、あるいはネットワーク接続がまったくない場合があることである。要件分析では、データが取得可能かを一台ずつ確認し、センサの追加が必要な箇所、計器の交換が必要な箇所を洗い出し、この予算を削ってはならない。

5. 今後の展望

麗水のゴム製品産業におけるAI要件は、単点の検査から工程の閉ループへ移りつつある。初期は誰もが目視の代替に関心を持ったが、今は加硫曲線とムーニー粘度を結び付けてフィードフォワード制御できないかを問う企業が増えている。もう一つの潮流は、ゴム配合開発における少数サンプル学習の活用であり、過去の配合データと少数の試作で性能を予測し、試作サイクルを短縮する。

エッジAIボックスのコスト低下も導入の論理を変えている。以前はAIモデルをサーバで動かし、ネットワークが切れると現場は手も足も出なかったが、今は加硫プレスの脇のエッジ機器がローカルで推論しローカルで警報を出し、クラウドはモデル更新と報告集約のみを担う。この構成は中小ゴム工場にとってより親しみやすい。

もう一点は注目に値する。工場AIの要件分析は一度きりのプロジェクトではなく日常的な能力になりつつある。受注構成は変わり、設備は老朽化し、原材料バッチも変わるため、AIシーンの優先順位も変わる。企業は工程とデータの両方を理解する社内の窓口を一人か二人育て、要件分析を四半期ごとに更新する一覧にすべきであり、外部チームに渡して棚上げするものにしてはならない。ゴム産業ではベテランの経験は貴重だが、経験が再利用可能なモデルルールにならなければ、その人が去った時に工程が崩れる。AI要件分析の価値は結局、ベテランの頭の中を、機械が実行でき新人が理解できる形に翻訳する手助けをすることにある。

分野: スマート工場百科