「出荷前の異音検査は、ベテランの検査員がヘッドホンで聴いて合否を決めている。人によって判定が違うし、騒がしいラインで一日中聴かせるのも限界。客先から異音クレームが来るたびに8Dレポートを書いている」。タイの日系モーター工場や電動ユニット工場の品質課長から、こうした相談を受けることが増えました。そこで検討に上がるのが、異音検査のAI導入です。
先に結論を書きます。異音検査のAI導入で成否を決めるのは、AIモデルの賢さではありません。「同じ条件で録れる音」と「人の判定がそろった正解データ」です。 AIは人の耳を置き換える前に、まず人の判定のばらつきを測る道具として入れるのが近道です。導入で決めることは、①音の取り方を先に固める、②正解を人がそろえる、③受入試験で合否を決める、の3つに絞れます。
なお、本記事に登場する工場の生産台数・人数・件数・金額・回収年数は、すべて後述のモデル工場を前提にした本記事オリジナルの試算値・想定値（仮置き値）です。業界平均でも調査値でもありません。ベンダーの価格や効果の一次情報も使っていません。自社の実績と見積もりに差し替えて使う「計算の型」として読んでください。
なぜ今、タイ工場で異音検査のAI導入が問われるのか
聴感検査の自動化をうたう選択肢が増えている
モーターやギヤ、ポンプ、ファンを組み込んだ製品の出荷前検査では、今も人が耳で聴いて合否を決める工程が多く残っています。ここ数年、この「聴覚による官能検査」を自動化する製品や研究の発表が続いています。市場にある選択肢の例として、確認できたものを並べます。推奨や価格比較ではありません。性能の数値は、記載があるものも含めてすべてベンダー側の発表であり、自社ラインで同じ値が出るという意味ではありません。
| 発表元 | 時期 | 内容 | 数値と性質 |
|---|---|---|---|
| NTTデータCCS「Monone（モノネ）」 | 2026年7月（展示会で紹介） | モーターなどを搭載した製品の出荷前の聴覚官能検査の自動化を狙う。接触式の専用マイクで周囲騒音の影響を抑えて集音し、事前に登録した正常音からの乖離度で判定。PLC連携でライン組み込みが可能 | 報道によれば「最短3秒で異常判定」で、最短値。精度・必要データ数・価格は記事に記載なし |
| Hmcomm「FAST-D」 | 2018年にβ版、2022年にモニタリングエディション | AI異音検知。設備の常時監視向けのエディションと、製品・設備の品質検査向けの「良否判定エディション」がある。「職人頼りの良否判定を可視化・基準化させる」用途を掲げる | 出荷検査での効果数値は確認できず |
| 日立製作所 | 2020年10月発表 | 製品の打音検査と設備の稼働音を対象に、音響データから異常音を検知するソリューション。製品検査向けは2021年4月から提供 | 価格は個別見積。発表から年数が経っている |
| HBK「Discom」 | 2026年4月（業界誌報道） | NVH（騒音・振動）のエンドオブライン（EOL）試験ツールとトルク計測を統合。eドライブ、トランスミッション、ギアボックス、ベアリングなどが対象。「big data/AI interface」を含む | 精度の数値の記載なし |
| HEAD acoustics | 2024年11月 | 計測フロントエンド「AQuire V4」とAI対応の解析ソフト「conTEST」を組み合わせたEOL試験システム。振動と音の測定からリアルタイムで合否判定 | 精度の数値の記載なし |
| FPT（ベトナム）「SoundAI」 | 2025年11月 | 音響異常検知のニューラルネットワーク技術で米国特許を取得。製造業・自動車業界で製品の健全性検査などに導入済みとする | 同社発表を報じた記事によれば「検出率95%超」。対象製品・データ量・誤報率などの試験条件は非開示 |
研究の側でも動きがあります。2026年8月には、EVのe-トランスアクスル組立品のEOL振動データを、運転ステージごとに分けて異常検知する研究がarXivに投稿されました。異常を特定の運転条件に絞り込めるので根本原因の解析に役立つ、という報告です。ただしこれは査読前のプレプリントで、abstractに具体的な精度の数値はありません。
ここで押さえておきたいのは、これらの数字や説明は同じ物差しでは比べられないということです。「最短3秒」は判定時間の最短値、「95%超」は条件が開示されていない検出率です。どれも「自社のこの品番で、見逃しが何台、過検出が何台になるか」には答えていません。だからこそ、比べる物差しを自社で作る必要があります。その物差しが、後で説明する評価セットと受入試験です。
タイの自動車生産は持ち直しの兆し、要求は厳しくなる
タイ工業連盟（FTI）によると、2026年8月のタイの自動車生産は124,646台で、前年同月比10.93%増でした。国内販売は前年同月比25.59%増、輸出は前年同月比2.04%減です。7月の生産も117,383台で前年同月比6.12%増と、6月の前年同月比7.55%減から反転しました。一方でFTIは、中東の紛争による輸出減を理由に、2026年通年の生産を3.33%減と予測しています。
数量が戻るときは、検査員の手当てが追いつかなくなることもあります。加えて、電動化の流れで部品の動作音への要求は厳しくなっています。アイシンの技術論文は、自動車の電動化で車室内が静かになり、部品の動作音への要求が高まっていると背景を説明しています。
騒がしいラインで「聴かせる」働き方そのものが問われる
もう一つの理由は、検査員の健康です。タイには騒音ばく露を管理する省令と告示があり、8時間の平均ばく露を85 dB(A)以下とする基準があります（詳しくは後述）。騒がしいラインの中で、長時間ヘッドホンを着けて聴き続ける働き方は、品質の面でも安全衛生の面でも見直す理由があります。
異音検査AIとは：正常音を学んで「いつもと違う音」を見つける仕組み
不良品の音は集まらない、という前提
異音検査AIの考え方の土台は、音響の研究コンペ「DCASE」のタスク2にあります。2020年のタスク2「機械の状態監視のための教師なし異常音検知」では、学習用データとして正常音だけが配られました。理由は、実際の異常音は「めったに起きず、しかも種類が非常に多い」からです。このときは40チームから117件の投稿がありました。
工場の出荷検査も同じです。ベアリングの傷、ギヤの打痕、異物の噛み込み、ブラシ鳴きなど、不良の種類は多いのに、1種類あたりの不良品はほとんど手に入りません。そこでAIは、主に正常品の音をたくさん学び、「いつもの音」からどれだけ外れているかを数値（異常度）にします。異常度がしきい値を超えたらNG、という判定です。不良品の音を一つひとつ覚えさせるのではない点が、画像の外観検査で不良品画像を集めて学習させるやり方とは異なります。画像側の考え方は「AI外観検査の導入ガイド」で整理しています。
研究用のデータセットと、その中身
この分野の研究では、公開データセットが使われてきました。
- MIMII Dataset：日立製作所の研究者が公開した産業機械の音のデータセットです。バルブ、ポンプ、ファン、スライドレールの4機種で、正常音は1モデルあたり5000〜10000秒、異常音は約1000秒あります。実際の工場で録った背景雑音を混ぜ、SN比が-6 dB、0 dB、6 dBの3条件を用意しています。つまり「工場の騒音の中で異常音を聞き分ける」こと自体が研究課題になっているわけです。
- ToyADMOS：異常音のデータが集めにくいことが大規模データセット作りの壁になってきた、という問題意識から、ミニチュアの機械を意図的に壊して異常音を集めたデータセットです。正常な稼働音は180時間超、異常音のサンプルは4,000超です。
- ToyADMOS2：運転速度やマイクの配置、機種モデルの違いによる「ドメインシフト」の条件で異常音検知を評価するためのデータセットです。正常音のサンプルは27,000超、異常音は8,000超あります。
研究の焦点は「条件が変わったとき」と「初めての機種」
DCASEのタスク2は年々、工場の現実に近い条件を加えてきました。2023年には「first-shot（ファーストショット）」の問題設定が初めて導入されました。2024年には、運転条件などの属性情報が使える場合と、一部の機種で意図的に隠される場合の両方で動くことが求められました。
2025年のタスク2は、工場では異常がまれで多様なので正常音だけでモデルを学ぶ、という前提をはっきり置いています。開発データは各機種ごとに、元の条件（ソースドメイン）の正常音990クリップと、条件が変わった後（ターゲットドメイン）の正常音10クリップだけです。ドメインシフトは、運転速度、雑音の種類、機械の負荷、マイクの配置などの違いで生じるとされています。「first-shot」とは、まったく新しい機種に直面し得るので、テストデータを見てパラメータを調整できない、という設定です。主催者には日立製作所やNTTなどの研究者が名を連ねています。
工場に置き換えると、「品番が切り替わった」「マイクを交換した」「隣の設備が動き始めた」とたん、AIの判定が崩れ得るということです。そして、そのたびに大量の正常音を集め直す余裕はありません。研究の課題はそのまま、導入後の運用の課題でもあります。
研究の指標は、工場の合否基準ではない
DCASEの評価指標はAUCとpAUC（偽陽性率が0.1以下の範囲のAUC）で、2023年以降の公式スコアはその調和平均です。これは手法どうしを比べるための研究コンペの指標です。工場が知りたいのは「しきい値をここに置いたとき、既知の不良品を何台見逃し、良品を何台NGにするか」であり、AUCが高いことはその答えになりません。発注の場面では、AUCではなく、自社の評価セットで数えた見逃し台数と過検出率で合否を決めます。
AIにできること、できないこと
| 観点 | 期待できること | 期待しにくいこと |
|---|---|---|
| 判定の一貫性 | 同じ音には同じ異常度を返す。疲れや体調で判定が変わらない | 録音条件が変われば、同じ品でも異常度が変わる |
| 不良データ | 正常音中心で学習を始められる | 既知の不良品なしで「見逃さない」ことを証明する |
| 未知の不良 | 「いつもと違う」ことは拾える可能性がある | それが何の不良か（ベアリングかギヤか）を自動で言い当てる |
| 記録 | シリアル番号ごとに波形と判定を残せる | 人の記憶に頼っていた判定基準を、何もせずに再現する |
聴感による官能検査の限界と、AIの前にやる「判定一致度の測定」
熟練者の耳に頼る検査の課題
アイシンの技術論文「製品動作音の新検査法の開発」は、自動車部品の動作音検査では熟練した検査員の聴感による官能検査が広く行われており、工数、検査員への負担、技術伝承の問題から、定量的な評価と自動化が求められていると述べています。同論文は異音を7種類に分類し、従来の手法では検出が難しい「動作音の周波数が変化する異音」を、ケプストラム解析と時間-周波数リッジ解析という信号処理で検出する手法を報告しています。機械学習のAIで検出したという内容ではない点に注意してください。それでも、「何の音を、どう定義して捕まえるか」を先に決める姿勢は、AI導入でもそのまま参考になります。
人の官能評価の方法については、JIS Z 9080:2004「官能評価分析－方法」があります。2点試験法や3点試験法、順位法などの手法を定めたもので、2004年の改正ではISOの規格を基礎に国際整合が図られました。ただし、これは主に食品などの官能評価を念頭に置いた「評価の方法」の規格で、異音検査の合否基準を定めたものではありません。
人の判定がそろっていない基準は、AIにも再現できない
ここが本記事でいちばん伝えたい点です。AIを学習させたり評価したりするとき、「この品はOK、この品はNG」という正解ラベルは人が付けます。ところが、その人の判定が検査員によって違ったり、同じ人でも日によって違ったりすると、AIはどちらに合わせればよいのか分かりません。正解がぶれている状態でAIの精度を測っても、その数字には意味がありません。
なお、人の聴感検査の見逃し率や、検査員どうしの一致率について、業界の代表値として引ける信頼できる数字は確認できませんでした。だからこそ、自社の数字を自社で測るしかありません。
属性一致分析（カッパ係数）で今の検査を測る
測り方として使えるのが、品質管理で使われる「属性一致分析」です。OK/NGのような判定（属性データ）について、次の3つを評価します。
- 同じ検査員が同じ品を何度か判定したとき、同じ答えになるか（検査員内の一貫性）
- 検査員どうしで答えがそろうか（検査員間の一致）
- 基準（正解）と答えが合うか（基準との一致）
一致の度合いはカッパ係数で表します。カッパは-1から+1の値をとり、1は完全一致、0は偶然と同じ程度の一致です。統計ソフトMinitabのヘルプは、AIAG（米国の自動車産業の団体）が「カッパ値0.75以上は良好な一致を示し、0.90のようなより大きな値が望ましい」としている、と説明しています。同じヘルプは、判定が一貫していても、それが正しい判定とは限らない点にも注意を促しています。
IATF 16949では、コントロールプランに載る検査・測定・試験のシステムについて、測定システム解析（MSA）が求められます。人の耳による異音検査がコントロールプラン上の検査であれば、それも属性MSAの対象になり得る、というのが本記事の考え方です。言い換えると、AI導入の準備は、本来やっておくべき聴感検査のMSAから始まります。具体的には次の手順です。
- 正常品、限度見本（合否の境目の品）、既知の不良品を混ぜたサンプルを用意する
- 検査員3名に、順番を変えて2〜3回ずつ聴いてもらい、OK/NGを記録する
- 検査員内・検査員間・基準との一致をカッパ係数で出し、ずれた品を全員で聴き直して基準を言葉と見本で定義し直す
この作業で、「AIに何を学ばせ、何で評価するか」の正解データが初めてそろいます。画像の検査で正解ラベルを作る手順は「外観検査のアノテーション手順」でも解説していますが、音でも考え方は同じです。
音の取り方が9割：検査ブース・治具・マイク・運転条件
異音検査AIの精度の多くは、モデルを選ぶ前の「どう録るか」で決まります。AIは正常音からのずれを探すので、ずれの原因が製品ではなく周囲の騒音や置き方の違いであっても、同じように「いつもと違う」と判定してしまいます。
検査ブース：工場の騒音を入れない
隣のプレス、エアブロー、コンベヤ、フォークリフトの警告音など、工場の騒音は製品の小さな異音よりずっと大きいことがあります。遮音・防振した検査ブースに製品を入れ、外の音が録音に入らないようにするのが基本です。扉の開け閉めや、ブースの床から伝わる振動も確認します。ベンダーの中には、接触式のマイクで周囲騒音の影響を抑えるアプローチをとる製品もあります。どちらの方式にしても、「騒音条件を変えたときにどう判定が動くか」は受入試験で必ず確かめます。
治具：毎回同じ置き方にする
製品をどこに、どの向きで、どれだけの力で固定するかで、音は変わります。治具で位置と固定力をそろえ、作業者が変わっても同じ状態で録れるようにします。治具の摩耗やゴムの劣化で音が変わることもあるので、点検の周期も決めておきます。
マイク・センサー：位置と種類を固定し、校正する
マイクの種類（空気伝搬の音を拾うマイクか、接触式か、振動センサーか）、製品からの距離、向きを固定します。マイクを交換したら音の特性が変わる前提で、交換後の確認手順を決めておきます。どのセンサーを選ぶかの考え方は「異常検知センサーの選び方（振動・音・電流）」も参考になります。
運転条件：回転数・負荷・回転方向を決める
同じモーターでも、回転数や負荷、正転か逆転かで音は大きく変わります。検査の運転パターン（たとえば、立ち上がり、定速、減速、逆転）を決め、毎回同じパターンで回します。ステージごとに分けて見ると、どの条件で異常が出たかが分かり、原因の解析にもつながります。この考え方は先に紹介したe-トランスアクスルの研究とも重なります。減速機のように、ギヤのかみ合いで出る音が問題になる製品については「減速機の選定ガイド」で構造面を整理しています。
録音の条件を「仕様」として書く
ここまでの条件は、口頭の申し合わせでは長続きしません。ブースの仕様、治具の図面、マイクの型式と位置、運転パターン、サンプリング条件を、作業標準と発注仕様の両方に書きます。後で触れるRFPの12項目のうち、3つはこの「音の取り方」に関する項目です。
判定の設計：AIの一次判定と人の再判定、見逃しと過検出の考え方
見逃しと過検出は、別々に数える
異音検査の誤りには2種類あります。不良品をOKにしてしまう「見逃し」と、良品をNGにしてしまう「過検出」です。見逃しは客先クレームや市場不具合につながり、過検出は再検査や分解確認の手間を増やします。AIの異常度のしきい値を下げれば見逃しは減りますが、過検出が増えます。しきい値を上げればその逆です。「精度○%」という一つの数字ではこのトレードオフが見えないので、必ず2つを分けて数えます。
AIの役割は2段階で考える
導入の形は、大きく2つに分けられます。
- 構成A（二重判定）：人の聴感検査はそのまま残し、AIを併設して見逃しを防ぐ。人がOKにしてもAIがNGなら止める
- 構成B（一次判定）：AIが全数を一次判定し、人はAIがNGにした品だけを再判定する。人が全数を聴かなくなる分、構成B単体では構成Aより見逃しのリスクが高い。だから評価セットでの合格が前提になる
構成Bは人の工数を大きく減らせますが、AIの見逃しはそのまま流出につながります。だから構成Bに移るのは、評価セットで合格し、構成Aでしばらく運用して実績を確かめてからです。合格前にいきなり人を外すと、見逃しが増えるおそれがあります。
人の再判定ルートを必ず残す
どちらの構成でも、AIがNGにした品を人が聴き直し、波形やスペクトルを見て判断できる「再判定ステーション」と画面を用意します。人がAIの判定を覆したときは、その理由を記録し、再学習やしきい値の見直しに使います。この記録がないと、現場はAIの判定を信用しなくなり、やがて無視するようになります。
波形と判定をシリアル番号に結び付けて残す
客先から異音クレームが来たとき、その製品の出荷時の音と判定を取り出せれば、原因調査のスピードは大きく変わります。シリアル番号ごとに波形、異常度、判定、再判定の結果を保存し、MESや品質データの仕組みとつなぎます。保存の設計は「品質データ管理システムの選び方」も参照してください。出荷前の最終関門としての位置づけは「不良流出防止と出荷ゲート」で扱っています。
異音検査AIの費用とROI：モデル試算
ここからは、モデル工場での試算です。以下の数値はすべて本記事オリジナルの試算値・想定値（仮置き値）であり、業界平均でも調査値でもありません。ベンダーの価格や効果の一次情報は使っていません。
共通の前提（モデル工場N）
タイ東部（チョンブリー県）の日系の車載小型モーター工場を想定します。
| 項目 | 前提値 | 計算 |
|---|---|---|
| 異音検査ライン | 2ライン | ― |
| 生産台数 | 年1,200,000台（2ライン合計） | ― |
| 聴感検査員 | 8名（2ライン×2直×2名） | ― |
| 検査員の人件費 | 216,000 THB/人・年（月18,000 THB×12、福利費込みの仮置き） | 8×216,000＝1,728,000 THB/年 |
| 客先からの異音クレーム | 年12件、1件150,000 THB（選別・8D対応・特急輸送の合計、仮置き） | 12×150,000＝1,800,000 THB/年 |
| 過検出（良品をNGにして再検査・分解確認） | 1.0%、再検査費20 THB/台 | 1,200,000×1.0%＝12,000台、12,000×20＝240,000 THB/年 |
この出発点は、構成A・構成Bのどちらでも共通です。
構成A：AIを併設し、人の聴感検査は残す
| 区分 | 項目 | 金額（THB） |
|---|---|---|
| 初期 | 検査ブース（遮音・防振）と治具 400,000＋マイク・計測ユニット・エッジPC 250,000＝1ラインあたり650,000、×2ライン | 1,300,000 |
| 初期 | 正常音・限度見本・不良音の収集と学習（ラベル付けを含む） | 500,000 |
| 初期 | 評価セット作成とFAT/SAT、人の判定一致度の測定 | 200,000 |
| 初期 | 初期計（1,300,000＋500,000＋200,000） | 2,000,000 |
| 年間 | 運用（保守・再学習支援・マイクの点検） | 150,000 |
| 効果 | 異音クレーム50%減：12件×50%＝6件、6×150,000 | 900,000 |
| 効果 | 検査員は8名のまま（人が全数を聴く）、過検出も1.0%のまま | 0 |
年間純便益は 900,000 − 150,000 ＝ 750,000 THB/年 です。単純回収期間は 2,000,000 ÷ 750,000 ＝ 2.666… で、約2.7年 になります。
構成B：構成A＋AIが一次判定、人はAIがNGにした品だけ再判定
| 区分 | 項目 | 金額（THB） |
|---|---|---|
| 初期 | 構成Aの一式 | 2,000,000 |
| 初期 | 再判定ステーション 200,000＋MES連携（シリアル番号ごとの波形・判定結果の保存）300,000＋追加の評価（検査員3名×評価セットの属性一致分析を含む）100,000 | 600,000 |
| 初期 | 初期計（2,000,000＋600,000） | 2,600,000 |
| 年間 | 運用 | 200,000 |
| 効果 | 異音クレーム75%減（構成Aの50%を含む）：12件×75%＝9件、9×150,000 | 1,350,000 |
| 効果 | 聴感検査員8名→4名（4名は他工程へ配置転換。解雇ではない）：4×216,000 | 864,000 |
| 効果 | 過検出1.0%→0.5%：1,200,000×0.5%＝6,000台、6,000×20 | 120,000 |
| 効果 | 効果合計（1,350,000＋864,000＋120,000） | 2,334,000 |
年間純便益は 2,334,000 − 200,000 ＝ 2,134,000 THB/年 です。単純回収期間は 2,600,000 ÷ 2,134,000 ＝ 1.218… で、約1.2年 になります。
ここで注意したいのは、構成Bの効果は構成Aの効果を置き換えたものであり、Aに足したものではないという点です。クレーム削減の75%は、構成Aの50%を含んだ値です。構成Aの900,000と構成Bの1,350,000を足すと二重計上になります。また、構成Aでは人が全数を聴き続けるので、人件費と過検出の効果は0として扱っています。
感度：配置転換が実現しなかったら
構成Bの効果のうち、人件費の864,000は「4名が他工程へ配置転換できた」場合だけ実現します。配置転換先がなく、人件費の効果をゼロとした場合は、次のとおりです。
- 年間純便益：1,350,000 ＋ 120,000 − 200,000 ＝ 1,270,000 THB/年
- 単純回収期間：2,600,000 ÷ 1,270,000 ＝ 2.047… → 約2.0年
人件費の効果がなくても、構成Bの回収期間（約2.0年）は構成A（約2.7年）より短くなります。
読みどころ1：上乗せ分の回収は早いが、効果の内訳を確かめる
5年間の累計で比べます。
- 構成A：750,000 × 5 − 2,000,000 ＝ 3,750,000 − 2,000,000 ＝ 1,750,000 THB
- 構成B：2,134,000 × 5 − 2,600,000 ＝ 10,670,000 − 2,600,000 ＝ 8,070,000 THB
構成Bの上乗せ分だけを見ると、追加の初期投資は 600,000 THB、追加の年間純便益は 2,134,000 − 750,000 ＝ 1,384,000 THB/年 です。上乗せ分の回収期間は 600,000 ÷ 1,384,000 ＝ 0.433… で、約0.43年（約5か月） です。5年累計の差は 1,384,000 × 5 − 600,000 ＝ 6,320,000 THB で、これは 8,070,000 − 1,750,000 と一致します。
上乗せの600,000で買っているのは、再判定ステーション、波形と判定の保存、そして検査員3名とAIの判定一致度の評価です。つまり「判定をそろえ、記録し、人が再判定できる仕組み」への投資です。
ただし、追加の年間純便益1,384,000 THBの内訳を見ると、クレーム削減の上積みが 1,350,000 − 900,000 ＝ 450,000、検査員の配置転換が 864,000、過検出の半減が 120,000 で、ここから運用費の増加 200,000 − 150,000 ＝ 50,000 を引いた値です（450,000 ＋ 864,000 ＋ 120,000 − 50,000 ＝ 1,384,000）。上乗せ分の効果の6割強は配置転換によるものです。配置転換が実現しない場合、追加の年間純便益は 1,270,000 − 750,000 ＝ 520,000 THB/年で、上乗せ分の回収は 600,000 ÷ 520,000 ＝ 1.15… で約1.2年になります。
もう一つ注意があります。構成Bでは人が全数を聴かなくなるので、運用の形だけを見れば、構成Aより見逃しが減る理由はありません。本試算でクレーム削減を75%と置いたのは、判定一致度の測定結果を使った判定基準の定義し直し、再判定記録からの再学習、シリアル番号ごとの波形と判定の保存による原因追跡が積み上がることを想定したためです。人を全数検査から外すこと自体が見逃しを減らすわけではありません。ただし構成Bは、AIのNG判定を人が再判定する運用と、評価セットでの合格が前提です。合格前に人を外せば、この試算は成り立ちません。
読みどころ2：検査ブースを省いたら（構成A′）
初期費用を下げたくて、検査ブースを省く案が出ることがあります。構成Aからブース（1ラインあたり400,000）を外すと、初期費用は 2,000,000 − 400,000 × 2 ＝ 2,000,000 − 800,000 ＝ 1,200,000 THB になります。
ここでは、隣のプレスやエア噴射、コンベヤの騒音が録音に入り、AIのNG判定が多発する状況を想定します。現場がAIの判定を無視するようになり、クレーム削減の効果は 0 になる、という想定です。すると、年間の収支は 0 − 150,000 ＝ −150,000 THB/年 で、回収できません。
800,000を削った結果、年間純便益は750,000から−150,000に落ちます。しかもこの試算は、AIの誤ったNG判定で止めた品の再検査費を含めていません。実際の収支はこれより悪くなります。なお、構成Aで過検出を1.0%のまま置いているのも、AIのNG判定による再検査費をモデルの外に置いているためです。音を同じ条件で録れない限り、どのAIを選んでも結果は同じです。
試算のまとめ
| 構成 | 初期（THB） | 年間純便益（THB/年） | 単純回収 | 5年累計（THB） |
|---|---|---|---|---|
| A（二重判定） | 2,000,000 | 750,000 | 約2.7年 | 1,750,000 |
| B（一次判定＋人の再判定） | 2,600,000 | 2,134,000 | 約1.2年 | 8,070,000 |
| B（配置転換なしの感度） | 2,600,000 | 1,270,000 | 約2.0年 | ― |
| A′（ブースなし） | 1,200,000 | −150,000 | 回収できない | ― |
自社で計算するときは、少なくとも「生産台数」「検査員の人数と人件費」「異音クレームの件数と1件あたりの費用」「過検出率と再検査費」の4つを実績に置き換えてください。クレーム1件あたりの費用は、選別の人件費、8D対応の工数、特急輸送費などを分けて集計すると、議論がかみ合いやすくなります。
異音検査AIのRFPに書く12項目
ベンダーに見積もりを依頼するときは、「異音検査AIを導入したい」だけでは、提案の範囲がばらばらになって比べられません。次の12項目を仕様として書き、同じ条件で提案をそろえます。検査装置の発注全般の進め方は「タイでの検査装置の自動化と発注・受入」でも整理しています。
| No. | 項目 | 書く内容の例 |
|---|---|---|
| 1 | 対象品番と不良モード | 対象の品番、既知の異音の種類（ベアリング傷、ギヤ打痕、異物噛み込み、ブラシ鳴きなど）、それぞれの不良見本の有無 |
| 2 | 運転条件とタクト | 回転数、負荷、回転方向、運転パターン、1台あたりの検査時間の上限 |
| 3 | 検査ブースと治具の範囲 | ブース・治具をベンダーの範囲に含むか、遮音・防振の要求、製品の固定方法 |
| 4 | マイク・センサーの種類と校正・交換手順 | 方式（空気伝搬か接触式か）、取り付け位置、校正の方法と周期、交換後の確認手順 |
| 5 | 学習データの収集と所有権 | 誰がどれだけの正常音・不良音を集めるか、データと学習済みモデルの所有権・利用範囲 |
| 6 | 判定結果と波形の保存 | シリアル番号との連携、MESへの出力、保存期間、検索の方法 |
| 7 | 人の再判定ルートと画面 | 再判定ステーション、波形・スペクトル表示、判定を覆した理由の記録 |
| 8 | 評価セットと合格基準 | 評価セットの構成、見逃し・過検出・繰り返し性・人との一致度の合格線（工場が決める） |
| 9 | 品番追加・再学習の手順と費用 | 新品番の追加に必要な正常音の量、作業の分担、1回あたりの費用 |
| 10 | ネットワーク・セキュリティ・ログ | 工場ネットワークへの接続方法、外部接続の有無、操作ログ、モデル更新の履歴 |
| 11 | タイ語の画面・作業標準 | 操作画面、アラーム表示、作業標準、教育資料のタイ語対応 |
| 12 | 現地保守体制 | タイ国内での保守・再学習の担当、駆け付け時間、予備品 |
特に5と9は、後から揉めやすい項目です。正常音を集めたのは自社なのに、学習済みモデルはベンダーのもので、品番を追加するたびに費用が発生する、という形になっていないかを確認します。また、エッジPCで判定を完結させるのか、上位のサーバーで処理するのかは10と関わります。現場への置き方は「エッジAIの工場導入」も参照してください。
異音検査AIのFAT/SATで確認すること
評価セットを先に作る
受入試験の前に、評価に使う製品のセットを用意します。数はあくまで目標例で、規格値ではありません。
- 正常品 300台
- 限度見本（合否の境目の品）30台
- 既知の異音不良品 30台（ベアリング傷、ギヤ打痕、異物噛み込み、ブラシ鳴きなど。実物または返品品）
なお、この規模の評価セットで分かることには限りがあります。正常品300台では1台が約0.33%にあたるので、「過検出0.5%以下」は実質的に「NGは1台まで」という意味になります。不良品30台で見逃しゼロでも、統計的に保証できる範囲は狭いです。評価セットは合否の最低線と考え、稼働後の実績で確かめ続けます。
このセットを、FAT（ベンダー工場での受入試験）とSAT（自社ラインでの受入試験）の両方で同じように流します。FATで合格しても、自社ラインの騒音や電源、作業者の扱い方が加わるSATで崩れることがあるためです。
見る指標
| No. | 指標 | 確認の仕方（目標は例。工場が決める） |
|---|---|---|
| 1 | 既知不良品の検出率 | 30台の不良品を何台NGにできたか。見逃しゼロを目標例とし、見逃した品は原因を記録する |
| 2 | 正常品の過検出率 | 300台の正常品のうちNGにした割合。目標例は0.5%以下 |
| 3 | 限度見本での判定のぶれ | 同じ品を3回流して、同じ判定になるか |
| 4 | 人の判定との一致度 | 検査員3名とAIの属性一致分析。カッパ係数はAIAGの目安（Minitabの説明による0.75以上、より望ましくは0.90）を参考に、工場が合格線を決める |
| 5 | タクト内の判定 | 判定がタクトの中で終わるか |
| 6 | 騒音条件を変えたときの挙動 | ブースの扉を開けた、隣の設備が動いた、などの条件で判定がどう動くか |
| 7 | マイク交換・品番切替後の再学習手順 | 手順書どおりに戻せるか、何台の正常音で戻るか、どれだけの時間がかかるか |
異音不良品が少ないときの扱い
学習は正常音中心で始められても、受入試験には既知の不良品が必要です。「見逃さない」ことは、不良品を流してみなければ確かめられないからです。返品品や過去のクレーム品を保管しておく、意図的に傷を付けた部品を組み込んだ評価用の製品を作る、などで評価セットを補います。人工的に作った不良品と、実際の市場で出た不良とでは音が違う可能性がある点は、評価の記録に残しておきます。不良データの不足を補う考え方は「製造業AIの合成データ活用」でも扱っています。
稼働後も同じセットで劣化を見る
受入に合格しても、治具の摩耗、マイクの劣化、品番の追加などで、判定は少しずつずれていきます。稼働後も、評価セットを定期的に流して、検出率と過検出率が受入時から変わっていないかを確かめます。試験運用から本番に移す判断の基準は「AI PoCの終了基準」も参考にしてください。
タイ・ASEAN固有の論点
1. 騒音と検査員の健康
タイ労働省の省令「熱・光・騒音に関する労働安全衛生・環境の管理・運営基準を定める省令 B.E.2559（2016年）」は、衝撃音のピーク音圧レベル140 dB超や連続定常騒音115 dB(A)超へのばく露を禁じ、1日の作業時間平均を局長告示の基準以下に管理することを求めています。8時間の平均ばく露が85 dB(A)以上の職場では、告示に従って聴覚保護の措置をとることも定めています。そして労働保護福祉局の告示 B.E.2561（2018年）が、8時間の作業時間を通じた平均騒音レベルを85 dB(A)以下と定めています。
騒がしいラインで長時間「聴かせる」働き方は、それ自体を見直す理由になります。検査ブースは録音の品質のためだけでなく、検査員の環境のためにも意味があります。ここでの条文の日本語は要約です。自社の職場への適用は、所轄機関や専門家に個別に確認してください。
2. 判定基準の言語
「キーン」「ゴロゴロ」「シャー」といった日本語の擬音語は、タイ人の検査員には通じません。限度見本の説明や作業標準はタイ語で整え、異音の定義は、波形、周波数帯、実物の見本で行います。AIの導入は、この「言葉でなく見本と波形で定義する」作業を進めるきっかけにもなります。
3. 自動車生産の動向と顧客監査
前述のとおり、タイの自動車生産は2026年7月に前年同月比で増加に転じ、8月も増加しましたが、FTIの通年予測は3.33%減です。数量が読みにくいときほど、検査員の増減で対応する方式は苦しくなります。電動化で動作音への要求が高まる中、顧客の監査では、異音検査の判定基準と、その判定のばらつきをどう管理しているかを問われる場面が増えると考えられます。属性一致分析の記録は、その説明材料にもなります。
4. BOIの自動化・ロボット特別恩典
タイ投資委員会（BOI）の告示 No.4/2569（2026年3月31日に官報掲載）は、先進的な自動車製造技術の促進に向けて、自動化・ロボットシステムへの投資に対し、機械の輸入関税免除と、投資額（土地・運転資金を除く）の50%を上限とする3年間の法人所得税免除を付与するとしています。機械総額の30%以上が国内の自動化機械産業に関連・支援する場合は100%に拡大されます。最低投資額は100万バーツで、申請期限は2027年末です。
ただし、対象はカテゴリー3.6（一般自動車製造）と3.8（PHEV・HEV製造）に限られます。家電や一般機械の工場には適用されません。また、異音検査装置がこの恩典の対象になるかどうかは、BOIや専門家に個別に確認が必要です。
5. PDPAとAI法案
検査ブースのマイクに、検査員の声や会話が入ることがあります。タイの個人情報保護委員会（PDPC）は、個人情報保護法（PDPA、2019年）に基づく分野別ガイドライン案の意見募集を始めていますが、製造業の録音や従業員のモニタリングについて具体的に定めた記載は確認できていません。録音の範囲、通知、保存期間、アクセス制限などの扱いは、専門家に個別に確認してください。
また、タイ電子取引開発庁（ETDA）は2026年7月にAI法案を公開し、意見募集を行いました。EUのAI法を一部参考にしたリスクベースの規制で、成立・施行までには6〜24か月かかり得るとされています。2026年10月時点では法案の段階で、成立していません。今後の動きは所轄機関や専門家に確認してください。
6. 保守体制
マイクの点検、ブースの扉や防振材の劣化確認、品番追加時の再学習を、誰がタイ国内で行うのかを決めておきます。ベンダーの技術者が日本や欧州にしかいない場合、品番の切り替えのたびに待ちが発生します。自社のタイ人エンジニアがどこまで担当し、どこからベンダーに頼むかを、RFPの段階で線引きしておくことが大切です。
異音検査AI導入の90日計画
| 期間 | やること | 終わったときの成果物 |
|---|---|---|
| 0〜30日 | 今の聴感検査の判定一致度を測る（検査員3名、属性一致分析）。過去の異音クレームと過検出の実績を集計する。不良見本・返品品を集めて保管する | カッパ係数の結果、ずれた品の一覧、クレーム件数と1件あたり費用、過検出率、不良見本のリスト |
| 31〜60日 | 代表品番を1つ選び、検査ブースを試作して録音する。正常音を集め、試作モデルで異常度を出してみる | 録音条件の仕様案、正常音のデータ、試作モデルでの異常度の分布 |
| 61〜90日 | RFPの12項目とFAT/SATの評価セット・合格基準を決め、構成AかBかの発注判定を行う | RFP、評価セットの構成、合格基準、自社の数字で置き換えた試算 |
最初の30日でいちばん大切なのは、AIに触れる前に、人の判定のばらつきを数字で見ることです。ここで一致度が低ければ、AIの前に基準と見本を整える作業が先になります。逆に、ここで基準がそろえば、AIの学習と評価に使える正解データがすでに手元にある状態になります。設備側の異常検知（稼働中の設備の監視）と出荷検査の違いは「設備の異常検知PoCの進め方」で、全数検査そのものの自動化の考え方は「全数検査の自動化」で解説しています。
よくある質問（FAQ）
異音検査はAIで完全に自動化できますか？
すぐに人を完全に外すことはおすすめしません。まずはAIを人の聴感検査と併設し（本記事の構成A）、見逃し防止の二重判定として実績を積みます。評価セットで合格し、AIがNGにした品を人が再判定する運用（構成B）に移っても、再判定のルートは残します。新しい不良モードや品番の切り替えに対応するためにも、人の判断は必要です。
異音の不良サンプルがほとんど無くてもAIは作れますか？
学習は、正常音を中心に始められます。研究コンペのDCASEでも、正常音だけで学習する前提で課題が設定されています。ただし、受入試験には既知の不良品が必要です。「見逃さない」ことは、不良品を流してみなければ確かめられません。返品品や過去のクレーム品を保管し、評価セットを作っておきましょう。
騒がしい工場のラインでも異音検査AIは使えますか？
工場の騒音が録音に入ると、AIはそれを「いつもと違う音」として拾い、誤判定が増えます。遮音・防振の検査ブースや治具で、毎回同じ条件で録れるようにするのが基本です。接触式のマイクで周囲騒音の影響を抑える方式の製品もありますが、どの方式でも、扉を開けた、隣の設備が動いたなど騒音条件を変えた試験を受入時に行ってください。
異音検査AIの導入費用と回収期間の目安は？
本記事のモデル試算では、構成Aが初期2,000,000 THBで約2.7年、構成Bが初期2,600,000 THBで約1.2年（検査員の配置転換が実現しない場合は約2.0年）という結果でした。ただしこれは本記事オリジナルの仮置き値で、業界平均や見積もりではありません。生産台数、検査員の人数と人件費、異音クレームの件数と費用、過検出率を自社の実績に置き換えて計算してください。
異音検査AIのRFPと受入試験（FAT/SAT）では何を確認すべきですか？
RFPには、対象品番と不良モード、運転条件とタクト、ブースと治具の範囲、マイクの校正・交換手順、学習データの所有権、波形と判定の保存、人の再判定ルート、評価セットと合格基準、再学習の手順と費用、セキュリティ、タイ語対応、現地保守の12項目を書きます。FAT/SATでは同じ評価セットを流し、見逃しと過検出を分けて数え、繰り返し性、人との一致度、騒音条件を変えたときの挙動を確認します。
タイ工場で導入するとき、法規やBOIで注意することは？
騒音ばく露の基準（8時間平均85 dB(A)）、BOIの自動化・ロボット特別恩典（自動車分野に限定）、録音に検査員の声が入る場合の個人情報保護法（PDPA）上の扱い、法案段階のAI法案などが論点になります。いずれも本記事の説明は要約や一般論です。自社への適用は、所轄機関や専門家に個別に確認してください。
まとめ
- 異音検査のAI導入で成否を決めるのは、AIモデルの賢さではなく、「同じ条件で録れる音」と「人の判定がそろった正解データ」である
- 異音検査AIは、主に正常音を学んで「いつもと違う音」を見つける。研究コンペの指標（AUC/pAUC）は、工場の合否基準とは別物である
- AIの前に、今の聴感検査の判定一致度を属性一致分析（カッパ係数）で測る。人がそろっていない基準は、AIにも再現できない
- 検査ブース・治具・マイク・運転条件を仕様として固める。モデル試算では、ブースを省くと年間純便益が750,000 THBから−150,000 THBに落ち、回収できなくなった
- 構成A（二重判定）から始め、評価セットで合格してから構成B（AIの一次判定＋人の再判定）に移る。モデル試算では上乗せ分600,000 THBが約5か月で回収できる計算になった。ただしその多くは検査員の配置転換による効果で、配置転換が実現しなければ上乗せ分の回収は約1.2年になる（いずれも仮置き値）
- RFPは12項目で提案をそろえ、FAT/SATでは同じ評価セットで見逃しと過検出を分けて数える
- 騒音規制、判定基準のタイ語化、BOI、PDPA・AI法案、現地保守など、タイ固有の論点は所轄機関・専門家に個別確認しながら進める
今の聴感検査の判定一致度を測ってみたい、不良見本や返品品の整理から始めたい、という段階でも構いません。タイの工場で異音検査のAI導入を検討されている方は、検討の入り口から一緒に整理できますので、お問い合わせからお気軽にご相談ください。
参考情報
- NTTデータCCS「Monone」紹介記事（EE Times Japan、2026年7月27日）: https://eetimes.itmedia.co.jp/ee/articles/2607/27/news063.html
- Hmcomm「FAST-D」公式サイト: https://fast-d.hmcom.co.jp/
- Hmcommの沿革（EDINET DB）: https://edinetdb.jp/company/E40058/history
- 日立製作所 ニュースリリース（2020年10月22日）: https://www.hitachi.com/ja-jp/press/articles/2020/10/1022/
- HBK、トルクとNVH試験の統合（Automotive Powertrain Technology International、2026年4月21日）: https://www.automotivepowertraintechnologyinternational.com/news/testing/hbk-integrates-torque-and-nvh-testing-to-enhance-end-of-line-automotive-quality-control.html
- HEAD acoustics プレスリリース（2024年11月6日）: https://www.head-acoustics.com/news-events/press-releases/press-details/efficient-end-of-line-testing-with-head-acoustics-quality-assurance-at-the-highest-level/
- FPT、音響異常検知技術の米国特許（Viet Nam News / Bizhub、2025年11月10日）: https://bizhub.vietnamnews.vn/fpt-secures-us-patent-for-breakthrough-neural-network-technology-in-acoustic-anomaly-detection-post390252.html
- アイシン「製品動作音の新検査法の開発」（AISIN TECHNICAL REVIEW VOL.28）: https://www.aisin.com/jp/technology/technicalreview/28/pdf/10.pdf
- Stagewise Anomaly Detection for E-Transaxle Quality Monitoring（arXiv、査読前プレプリント、2026年8月27日）: https://arxiv.org/abs/2609.22172
- DCASE 2020 Task 2: https://dcase.community/challenge2020/task-unsupervised-detection-of-anomalous-sounds
- DCASE 2023 Task 2: https://dcase.community/challenge2023/task-first-shot-unsupervised-anomalous-sound-detection-for-machine-condition-monitoring
- DCASE 2024 Task 2: https://dcase.community/challenge2024/task-first-shot-unsupervised-anomalous-sound-detection-for-machine-condition-monitoring
- DCASE 2025 Task 2: https://dcase.community/challenge2025/task-first-shot-unsupervised-anomalous-sound-detection-for-machine-condition-monitoring
- MIMII Dataset（Zenodo）: https://zenodo.org/records/3384388
- ToyADMOS（arXiv）: https://arxiv.org/abs/1908.03299
- ToyADMOS2（arXiv）: https://arxiv.org/abs/2106.02369
- JIS Z 9080:2004 官能評価分析－方法（日本規格協会 プレビュー）: https://webdesk.jsa.or.jp/preview/pre_jis_z_09080_000_000_2004_j_ed10_ch.pdf
- Minitab 属性一致分析の結果の解釈: https://support.minitab.com/en-us/minitab/help-and-how-to/quality-and-process-improvement/measurement-system-analysis/how-to/attribute-agreement-analysis/attribute-agreement-analysis/interpret-the-results/key-results/
- タイ省令 B.E.2559（熱・光・騒音）官報の写し: https://ams.medsci.nu.ac.th/wp-content/uploads/2022/07/LAW2022/S14-%20กฎกระทรวงกำหนดมาตรฐานในการบริหาร%20จัดการ%20แสงสว่าง%20เสียง%202559.pdf
- タイの騒音基準に関する学術記事（Journal of SciTech-ASEAN）: https://li01.tci-thaijo.org/index.php/STJS/article/view/260269
- タイの労働安全衛生規制の概要（Enviliance ASIA）: https://enviliance.com/regions/southeast-asia/th/th-osh
- タイ自動車生産 2026年8月（Capital.com）: https://capital.com/en-gb/news/thailand-s-august-car-production-rises-10-9-on-year
- タイ自動車生産 2026年7月（New Straits Times）: https://www.nst.com.my/amp/business/economy/2026/08/1518403/thailand-car-production-rises-61pct-year-july
- BOIの自動車・HEV/PHEV向け新恩典（Tilleke & Gibbins）: https://www.tilleke.com/insights/thailand-unveils-new-incentives-for-automotive-and-hev-phev-manufacturing/8/
- タイAI法案（Rajah & Tann Asia）: https://www.rajahtannasia.com/viewpoints/thailands-proposed-ai-law-moving-towards-a-risk-based-regulatory-framework/
- タイAI法案（Tilleke & Gibbins）: https://www.tilleke.com/insights/thailand-releases-new-draft-artificial-intelligence-act/
- PDPA分野別ガイドライン案の意見募集（HLC）: https://hlc.com/en/publications/thailand-pdpc-consults-on-sectorspecific-pdpa-guidelines
