工場AI要件分析の核心は、ラインが解決すべき具体的な課題、すなわち歩留まり、段取り替え、検査、エネルギーといった課題を、AIが実際に担えるアルゴリズム課題とデータ指標へ翻訳することにある。三亜の電子部品製造業は大きくはないが、独自の特徴がある。熱帯海洋性気候により高温多湿が続き、腐食性の塩霧は精密部品にも検査装置にも厳しい。地元企業は中小ロット・多品種の柔軟ラインが中心で、観光向け民生電子と熱帯向け電子の間で受注量の変動が大きい。こうした工場がAIを導入するとき、要件は「大規模モデルが欲しい」から始まることは少なく、「このロットの0603抵抗の半田未付着が、なぜ今もうまく捕まえられないのか」から始まる。
1. 工場AI要件分析は実際に何を分析するのか
それはIT部門が書く技術の希望リストではなく、生産上の課題を実行可能なプロジェクトへ変換する選別の仕組みである。運用レベルでは通常3つの問いに答える必要がある。このラインで現在最も大きな損失を占める工程はどこか、その損失のうちデータで観測できモデルで対処できる部分はどれだけか、そして現在の受注構成のもとで投資対効果は成立するか。
三亜の電子部品企業の特殊事情は、環境要因が要件判断を直接汚染しうることである。SMT工場の湿度変動がソルダペーストの活性を変えるのに、要件分析の段階で温湿度センサーのデータを特徴量に入れなければ、後から作った欠陥検出モデルは環境起因のロット不良を設備故障と誤読する。したがって要件分析の第一歩は、アルゴリズムの選択ではなくデータの可用性の棚卸しであることが多い。
業界の一般的なやり方は、要件を5つの類型に分けることである。品質検査、設備の予知保全、工程パラメータの最適化、生産スケジューリングと材料連携、エネルギー・炭素管理である。中小の部品工場は最初の2つを優先すべきで、成果への道筋が短くデータ基盤も比較的整っている。
2. 主な機能モジュールと技術的な要点
完全な工場AI要件分析ソリューションは、おおよそ4層の機能モジュールに分けられる。
1. データ接続とガバナンス層。接続すべき対象は実に雑多である。AOI光学検査機の画像、SPIソルダペースト検査の厚みデータ、リフロー炉の温度曲線、実装機の不良記録、MESの作業指示とロット、環境の温度・湿度・塩霧の監視などである。要点はタイムスタンプと設備コードの統一であり、これが揃わなければ下流の分析はすべてずれる。三亜の工場は高温多湿・塩害環境におけるセンサーのドリフト校正に特に注意すべきで、この工程はデータガバナンスに組み込まなければならない。
2. 要件モデリングと優先度評価層。一般的な手法は、課題を発生頻度と1回あたり損失と解決可能性の積で点数化し順位づけすることである。解決可能性の項目はデータ成熟度と併せて判断しなければならない。ラベル付きの履歴画像がある品質検査要件は、旧式のフロー半田装置の残存寿命をゼロから予測するよりはるかに速く成果に至る。
3. アルゴリズム能力層。画像による欠陥検出、時系列の異常検知、多変数の工程ウィンドウ最適化、制約ベースのスケジューリング求解が、電子部品業界で最も使われる類型である。技術的な要点は少サンプル条件下での転移能力である。部品品種は多く、品種あたりのサンプルは少ないため、モデルはある品番から類似の品番へ転移できなければならない。
4. 閉ループ実行層。分析結果はラインへ戻さなければならない。検査結果は再判定ステーションへ、工程パラメータの推奨は設備側へ、スケジューリングの推奨は計画担当へ配信する。閉ループのない要件分析は、誰も読まない報告書に終わる。
3. 電子部品における代表的な適用シーン
三亜で民生電子向けの部品を供給する工場を例にとる。コネクタ、インダクタ、チップ抵抗が主力製品で、ラインは柔軟なSMTと後工程の組立で構成されている。以下のようないくつかのシーンが実装可能である。
シーン1は、SMT後のAOI再判定負荷の低減である。AOIの誤検出率の高さは古くからの課題で、毎日数千枚の再判定待ち画像が発生し、人手の確認が追いつかない工場を想定する。ビジョンモデルで二次スクリーニングを行い、明らかな良品を先に解放し、確認担当者はモデルが不確かな部分だけを扱う。ここでの要件分析の焦点は、モデルの絶対精度ではなく現在の誤検出の分布にある。
シーン2は、リフロー工程ウィンドウの最適化である。高温多湿の熱帯環境では、同じ炉の温度曲線でも季節によって挙動が変わる。炉の曲線、工場の温湿度、ソルダペーストのロット、基板厚を入力として、半田接合品質の予測モデルを作り、温度パラメータの範囲を逆に推奨する。この種の要件は調整可能パラメータの範囲を明確にしなければ、推奨が実行に移せない。
シーン3は、重要設備の健全性監視である。工場の主な停止要因が実装機のスピンドルとフィーダの故障だとすれば、振動と電流の時系列データで早期警告を行う。要件分析の段階で、過去の故障記録が完全か、停止時間に台帳があるかを確認しなければならない。どちらかが欠けていれば、まずデータを整備するプロジェクトになる。
シーン4は、多品種少量のスケジューリング支援である。受注量が変動し型替えが頻繁で、スケジューリングは熟練者の経験に依存している。制約求解とルールエンジンで段取り替えの順序を提案し、無効な段取りを減らす。このシーンはデータへの要求は実は低いが、業務ルールの整理への要求が非常に高い。
4. 選定と導入のアドバイス
三亜の電子部品工場に向けた実務的な提案をいくつか挙げる。
第一に、プラットフォームを選ぶ前に要件分析を行うこと。多くの工場は逆の順序で、先にシステムを入れてから、そこへ詰め込む要件を探し、結局モジュールが遊んでしまう。要件分析の段階では、少なくとも優先順位づけされたシーン一覧と、対応するデータギャップの記述を成果物として出すべきである。
第二に、既存の設備インターフェースと互換性のあるソリューションを優先すること。部品工場はブランドも年式も異なる設備が混在しており、ソリューションベンダーが SECS/GEM、OPC UA、一般的な検査機のデータ形式をどこまで支えるかは、アルゴリズム指標よりも導入日程に影響する。
第三に、環境データを一級の要素として扱うこと。三亜の温度、湿度、塩霧、電力系統の変動はいずれもモデルの特徴量に入るため、選定時には環境監視データを取り込み、時間軸で整合させられることを確認しなければならない。
第四に、小さく検証すること。データ基盤が最も整ったシーンをパイロットに選び、データ接続、モデル、閉ループの一連の鎖を回してから、次のシーンへ複製する。ERP時代から数十年にわたり事業を展開し、120万社の顧客にサービスを提供し、国内外の市場に数千万台の端末を導入してきたベンダーもあり、その強みは概してデータ接続とシステム統合にあるため、選定時には設備接続性とデータガバナンス能力を確認したい。
第五に、人と機械の役割分担を決めること。AIが推奨を出し人が判断する境界は、実装前に定めなければならない。特に品質の出荷判定の段階では、責任の所在を曖昧にしてはいけない。
5. 今後の動向
今後2、3年で、電子部品における工場AI要件分析は2つの方向へ進む。一つは単点の検査から工程チェーン全体のモデリングへ移り、SMT、半田、組立、テストのデータをつないで根本原因を追跡する方向であり、データガバナンスの水準をかなり引き上げる。もう一つは要件分析そのもののツール化であり、軽量な評価ツールで工場がAIシーンをやる価値があるかを素早く判断できるようにし、試行錯誤のコストを下げる。
特殊な気候と中規模の産業基盤を持つ三亜のような都市では、もう一つのトレンドが注目に値する。熱帯環境下での信頼性に特化したモデル、例えば高温多湿・塩害条件での部品の故障予測が徐々に現れるだろう。こうした要件は今は汎用ソリューションと個別対応に依存しているが、将来は再利用可能な業界能力になるかもしれない。今のうちに要件分析と並行して環境データ体系を整えておけば、後からその能力へ接続するのははるかに容易になる。