製造業のプレス加圧波形AI異常検知導入｜タイ工場のRFP・受入試験

「プレスの最大荷重は規格内だった。それでも組付け後に抜けや変形が見つかる」。このような工程では、ピーク値だけでなく、荷重がストロークまたは時間に沿ってどう変化したかを見る必要があります。製造業でプレス加圧波形のAI異常検知を導入するなら、最初に決めるべきことはモデル名ではありません。どの波形を、どの品番・金型・材料ロット・工程条件と結び、誰が保留品の最終処置を決めるかです。本稿では、タイ工場の圧入・かしめ・成形工程を例に、計測からRFP、FAT/SAT、運用までの設計を示します。

この記事で扱う異常と、扱わない予測

対象は一回のプレス動作で得られる荷重―変位（または荷重―時間）波形の形状です。正常品の条件別波形と比べ、接触が早過ぎる、立ち上がりが急、途中で荷重が抜ける、終端の保持が不安定といった兆候を検査候補として示します。製品不良をAIが確定するという意味ではありません。現物検査、寸法測定、破壊試験、工程確認などの結果と照らして品質保証が処置します。

プレス実績を個体IDと結んで「いつ、どの設備・金型で加工したか」を追うトレーサビリティは基盤です。しかし履歴があるだけでは、波形の異常判定ができるわけではありません。また、金型寿命予測は工具の摩耗や交換時期を長期のトレンドで扱います。本稿の判定単位は一ショットの加工挙動であり、寿命の残り日数を予測しません。金型寿命の設計は金型寿命予測AIの記事を参照してください。

圧入設備そのものの方式・荷重と位置の仕様を比較する段階なら、サーボプレスと圧入設備の選定ガイドが先です。波形AIは設備の定格、治具の剛性、既存の安全機能を置き換えません。導入の目的は、既存の検査で見つけにくい工程変化を早く発見し、疑わしい対象を適切に保留することです。

なぜ最大荷重だけではプレス品質を説明できないのか

同じ最大荷重でも、波形がその値に至る経路は異なります。圧入であれば、初期接触の位置、摩擦が増える区間、最後の座り込みが異なる可能性があります。かしめでは工具の接触、材料の変形、終端の押し込みが異なり得ます。Kistlerのメーカー資料は、力センサーと変位センサーで取得した力―変位曲線を工程の品質評価に使う方法を説明しています。bursterのプレス工程用機器資料も、曲線が評価ウィンドウを外れることを初期接触領域などで監視する例を示します。これは「AIなら必ず検出できる」という証拠ではなく、波形にはピーク値以外の工程情報があることを示す一次情報です。

たとえばピーク荷重が20 kNの二つのショットを考えます。片方は接触後に滑らかに上昇し、所定位置で終わる。もう片方は早い位置で一度17 kNに達し、いったん落ちてから20 kNへ戻る。後者は斜め挿入、異物、治具の動きなどを疑うきっかけになります。ただし原因は波形だけで決まりません。部品形状や材料、センサーの固定、位置原点のずれでも似た形を作り得ます。異常スコアは原因名でも不良確定でもないという前提を、画面と作業標準に明記します。

横軸はストロークか、時間か

荷重―変位は、工具とワークの相対位置に対して荷重がどう変わるかを見やすくします。圧入、かしめ、座り込みのように接触位置が重要な工程に適しています。一方、保持時間や速度、油圧の応答が重要なら荷重―時間も必要です。時間軸しか取れない設備で速度が変動すると、同じ位置の現象が波形上の別時刻に現れます。時間波形を機械的に揃えて「異常」と決める前に、速度・サイクル・開始トリガーの変化を検証します。

両軸を取得できる場合は、力、位置、時刻、開始・終了イベントを同じショットIDで保存します。いずれか一つの軸だけを残して他の生データを捨てると、後で「位置ずれなのか速度変動なのか」を検証しにくくなります。サンプリング周波数は装置の応答、注目する短い異常の幅、通信・保存能力から決め、RFPに測定点の要件として書きます。万人共通のHz値を根拠なく指定することは避けます。

波形の前に測定系を確かめる

荷重センサーのレンジ・分解能・校正、変位センサーの取り付け、治具とフレームのたわみ、トリガーの再現性を確認します。同じ良品を同条件で測っても波形が大きく揺れるなら、AIは測定系の揺れを「異常」と学ぶ恐れがあります。AIAGのMSA資料は、繰り返し性が不十分な測定系でバイアスを議論すると誤解を招くと指摘しています。工程の許容差と検出したい波形差に対し、測定の変動が小さいかを先に評価するのが筋です。

保全後のセンサー交換、金型の再取り付け、治具の増し締めを「データ条件の変更」として記録します。交換前後の波形を無条件に同じ正常母集団へ混ぜれば、正常な設備変更を異常と呼んだり、実際のずれを見逃したりします。現場で見るべき最初のダッシュボードはAIスコアではなく、欠測率、ショットID結合率、測定レンジ超過、トリガー遅れ、原点ずれです。

品番・金型・材料ロットを結ばない波形AIが危険な理由

品番Aと品番Bで必要な圧入力が違えば、一つの「正常曲線」に混ぜると境界が広くなります。同じ品番でも、金型番号、改修履歴、材料ロット、板厚、熱処理、潤滑、治具、設備、レシピ、シフトで波形は変わり得ます。NISTの産業AI研究は、設備・設計・実行・部品品質・人のフィードバックなど複数の製造情報を扱う必要を示しています。本稿ではそれをプレス工程に具体化し、比較可能な条件だけを同じグループで評価する設計を推奨します。

最小の結合キーは「ショットID、時刻、設備ID、品番、レシピ版、金型ID、部品または箱・ロットID、品質処置」です。工程によっては一ショットに複数個取りがあり、個体IDを一つに決められません。その場合は取り数とキャビティ、箱・トレーの対応を明示します。金型交換後に旧金型IDのまま波形だけ記録される状態は、見かけ上データが揃っていても使えません。

結合率は「総ショットのうち、必要な文脈と品質結果まで所定時間内に結べた割合」と定義します。分母から欠測を除くと良く見えるため、再加工、試打ち、段取り中、通信断の扱いを別区分として報告します。品質結果が数日後に判明する場合は、判定時点で未確定だったことと、後日ラベルが確定した時刻を両方残します。教師データの上書きは監査履歴を失わせます。

条件の切り方を細かくし過ぎない

すべての品番×金型×ロット×シフトに専用モデルを作ると、正常データが不足します。逆に全部をまとめると重要な差が埋もれます。まず品番・工程・レシピのような物理的に大きな差で分け、金型やロットを層別の監視変数として扱うか、基準曲線を別にするかを実データで検討します。モデルを分ける基準、未知の組み合わせの扱い、条件変更後の再評価をRFPに書きます。

閾値やモデルは、評価に使う期間より後のデータを学習に混ぜてはいけません。ロット単位で似たショットが連続するため、ランダムにショットを分けるだけでは実運用より良い成績が出ます。金型交換後、別ロット、別シフト、停止からの再起動を独立した試験条件に入れます。データが少ない状態で高精度と宣言するより、未知条件では保留する設計の方が品質部門に説明しやすくなります。

まずルールで可視化し、AIの追加価値を比べる

既存の荷重上限・下限、位置ウィンドウ、終端荷重、傾きなどのルールは残します。メーカー製の波形監視器だけで必要な不良モードが十分に捕まるなら、AIを追加する理由は弱いからです。導入前に「現行ルールが見逃すが、追加検査で確認できた問題」を列挙します。そこで初めて、複数区間の形状や微小な順序の違いを扱うAIの価値を測れます。

比較する三つの候補は、①ピーク・終端値とウィンドウの明示ルール、②基準波形との距離・区間特徴量、③異常検知モデルです。各候補に同じ時系列分割と同じ品質ラベルを使い、見逃しと過剰保留を条件別に比べます。モデルが複雑になるほど保守費用、説明負担、変更時の再検証が増えます。AIを採用する条件は「総合精度が高い」ではなく、重要な欠陥の捕捉や保留負荷に実務上の改善があり、その改善が新しいロットや金型条件でも続くことです。

特徴量は、初期接触位置、規定区間の傾き、局所的な荷重降下、積分面積、終端荷重、保持中の変動など、工程技術者が意味を説明できるものから始めます。ただし特徴量を異常の原因と断定しません。例えば傾き変化は材料差、潤滑差、位置検出のずれのいずれでも起こり得ます。AIの出力には、異常スコア、該当区間、比較した正常群、適用したモデル・閾値版、入力欠損の有無を示します。

閾値を決める単位は「ショット数」だけではない

連続する10件の警報と、月に一度の警報は同じ10件でも現場負荷が違います。評価では、重大不良の見逃し、良品の過剰保留、1シフト当たりの警報件数、処置に要した時間、保留中の仕掛量を並べます。可能なら不良モード、品番、金型、材料ロット、シフト別に示します。良品が圧倒的に多い場合の「正解率99%」は、まれな重大不良の検出を説明しません。

一例として、1日1,000ショット、AI保留率2%なら20件/日を確認する必要があります。これは効果の予測ではなく作業量の計算例です。1件5分なら100分/日の確認工数となり、さらに現物の隔離・再測定や原因調査が必要です。RFPでは、許容できる保留件数と確認可能な体制を先に定め、閾値を後から合わせます。重要欠陥を見逃す代わりに警報を減らす調整は、品質責任者の承認なしに行いません。

AI判定の後に、誰が製品を動かすか

工程での運用状態を「正常候補」「要確認」「計測不能」に分けます。正常候補でも、既存の必須検査や顧客要求を省略する根拠にはなりません。要確認は対象のショット・部品・箱を特定し、定義した範囲を保留します。計測不能ではAIが何も検出しないため、正常扱いにしてはいけません。バックアップ検査、全数保留、設備停止のどれを選ぶかは製品リスクと既存の安全・品質計画によります。

AIは「この区間の波形が比較群と違う」と提案します。品質保証担当は現物、寸法、画像、追加試験、金型・材料履歴を確認して、合格、再検、手直し、廃却、影響範囲拡大を決めます。製造担当は設備状態と条件変更を確認し、保全担当はセンサー・治具・金型の状態を調べます。異常スコアだけで不良品を自動確定したり、逆にスコアが低いだけで隔離解除したりしません。

NIST AI RMFは、人とAIの役割・監督の定義と記録、運用中の監視を扱っています。したがって承認者、代行者、異議申立て、解除条件、監査ログを画面仕様まで落とします。判断画面には「対象ID、波形比較、AI版、理由候補、品質判定、判定者、時刻、根拠、処置」を一連で表示・保存します。担当者がAIに同意しなかった事例も消さず、ラベル見直しとモデル改善の材料にします。NISTが2026年に公表した運用中AI監視に関する報告も、人とAIのフィードバックや継続監視の難しさを指摘しています。

機械安全の機能と品質判定を混同しない

危険な荷重でプレスを止める安全機能は、安全関連制御の要求・検証で扱う領域です。品質用AIのスコアを、そのまま非常停止や安全インターロックの代わりに使いません。ISO/TR 22100-5:2021は機械システムにおけるAI/機械学習の安全上の影響を扱う一方、AIを使った安全システム自体は対象外と明記しています。本稿の提案は品質の保留と調査の流れであり、安全機能の適合を保証するものではありません。設備停止信号を追加する場合は、別途、機械安全の責任者が適用規格とリスクアセスメントを確認します。

RFPに書くべきプレス加圧波形AIの要求事項

「AIで異常を検知すること」だけでは見積りも検収もできません。以下の表を、対象工程と顧客要求に合わせて埋めてください。数値欄はサプライヤーの標準値を転記せず、現場の測定結果と許容リスクから合意します。

RFPでは生波形の所有権と可搬性も確認します。サプライヤー専用形式だけに依存すると、後で品質調査や別装置への移行が難しくなります。生波形、前処理済み波形、判定、最終品質処置、モデル・閾値版を関連づけた形でエクスポートできることを求めます。タイ工場と日本本社でデータを共有するなら、アクセス権、保存場所、保持期間、顧客契約の制約も見積り段階で決めます。

受入基準に「モデル精度95%以上」だけを書くのは避けます。どの不良モードの何件を、どの条件で検査し、見逃しを何件まで許すかが欠けています。希少不良の標本が足りない場合、検出率を保証値として書く代わりに、サンプル不足を明示し、保留運用と追加データ収集の条件を決めます。評価期間中に閾値を何度も動かしたら、その後の独立データで再試験します。

FATで波形取得から保留までを再現する

FAT（工場出荷前試験）では、対象センサー、収集器、エッジ端末、PLC/MES/QMS接続をできるだけ本番構成に近づけます。良品と既知の異常サンプルを通し、波形取得、ID結合、判定、保留指示、操作者画面、ログ保存までを追います。金型や部品を破損させる再現は行わず、模擬波形や安全な試験片を使う条件を事前に合意します。

合否判定には、何を測ったか、サンプル数、測定器、時刻同期、試験波形、期待結果、実結果、未解決事項を添えます。FATで再現できない振動、温度、実材料ロット、段取り替え、夜勤での手順はSATへ持ち越し、責任者と期限を記録します。「FAT合格＝本番品質保証完了」とは扱いません。

SATではタイ工場の実条件で誤警報と見逃しを測る

SAT（現地受入試験）では、実際の品番・金型・材料ロットとシフトを跨いで、まず既存検査と並行するシャドー運用を行います。AIは提案だけを出し、品質処置は従来手順で決めます。取得できなかったショットを分母から消さず、欠測と未結合を別に報告します。異常候補の現物があれば、既存の検査で確認し、真の不良か、工程差か、測定差かを分類します。

段取り替え直後の試打ち、停止・再起動、センサー交換、金型清掃、材料ロット切替えを試験します。未知品番を流したとき、AIが既知品番の正常として通さないことも確認します。タイ語の警報文と作業標準が、夜勤の担当者にも具体的な行動を示すかを現場で観察します。ネットワーク断中の生波形保存と復旧後の重複排除、時刻の逆転、未処置品の一覧復元も受入範囲です。

SATの終了条件は、特定の「総合精度」ではなく、①対象条件でデータが揃う、②重要な異常の評価方法が合意できる、③保留件数を現場が処理できる、④計測不能時の代替手順が動く、⑤品質部門が解除権限と記録を管理できる、の組合せです。希少な不良モードがSAT期間中に出なければ、検証済みと書かず、適用範囲を限定します。モデルが推奨する条件と未検証条件を区別して引き渡します。

導入費用と投資対効果をどう見積もるか

費用はAIライセンスだけではありません。センサー・位置計測器、信号収集、PLC接続、ID付与、MES/QMS連携、生波形保存、ラベル付け、現物確認、教育、モデル監視、変更管理を含めます。既存の波形監視器が生波形を出せるなら流用余地がありますが、データの取得粒度、時刻、ライセンス条件を確認します。設備停止時間とサンプル準備も初期費用に入れます。

便益は流出不良の予防、選別・再加工の減少、原因調査時間の短縮、立上げ条件の見直しなどに分け、実際に測れる項目だけを採用します。異常警報だけで不良が減るわけではなく、処置が機能して初めて効果になります。仮に月間の追加確認工数が40時間、選別削減が20時間なら、工数だけを見る限り増負担です。重大な流出リスクを減らす価値を検討する場合も、発生確率と損失額に根拠が必要です。根拠がない数字を「AI導入で30%改善」のように掲載しません。

段階的な発注なら、まず一設備・一品番・一つの不良モードで波形と品質処置を結び、ルール基準とAI候補を比較します。次の段階で金型・ロット・シフトを拡張し、運用負荷とモデル更新手順を確かめます。初期PoCの成功を全ラインの投資効果へ直線的に外挿しないことが重要です。

導入後の監視と変更管理

本番化後は、警報率だけでなく、欠測、未結合、保留の未処置時間、品質担当の上書き、現物で確認された不良、金型・材料・レシピの変更を監視します。データ分布が変わっても、すぐ自動再学習しません。変更理由、学習対象、除外条件、旧版との比較、承認、ロールバックを記録します。新しい正常条件が増えたときも、従来の不良を見逃さない回帰試験を行います。

モデル監視は設備保全と品質保証の定例会に組み込みます。現場の「この警報はいつも段取り直後に出る」「この形は金型の清掃後に変わった」という説明を、単なるノイズとして消さず検証します。警報抑制を提案する場合、同じ条件で過去の不良を再生し、見逃しが増えないか確認します。担当者が変わっても判定基準を追えるよう、代表波形、境界事例、処置理由を残します。

タイ工場で日本本社がモデル変更を承認する体制なら、時差よりも変更の引継ぎが問題になります。誰が現場データを確認し、誰が品質リスクを受け入れ、どの版をいつ適用したかを双方で見られるようにします。障害時に一つ前の版へ戻せること、戻した後の保留対象を再照合できることも、納品物の一部です。

波形と品質ラベルをつなぐためのデータ定義書

AIの性能を評価する前に、一行のデータが何を表すかを現場で合意します。「ショット」と書かれた行が、実際には一回の下降動作なのか、一つの部品への一連の加圧なのか、複数個取りの一サイクルなのかが曖昧なら、検査結果との対応は揺れます。設備から得る連番とMESの製造番号が違う場合は、変換表だけでなく、再起動で連番が戻ったときの衝突処理も必要です。夜勤を跨ぐ日付切替え、PLCとサーバーの時計差、手入力した品番の確定時刻も定義します。時刻が近いという理由だけで波形と検査結果を結ぶ方式は、タクトが短い工程ほど取り違えを起こします。

波形の状態は「有効」「欠測」「途中切れ」「飽和」「トリガー不明」「原点不明」に分けます。有効以外を学習から除外するだけでなく、運用時には計測不能として扱う条件を決めます。たとえば途中切れの波形の前半に異常が見えなかったとしても、終端が正常だったとは言えません。金型が二段動作する設備なら、第一段だけ測れた記録を一ショットの完了と誤認しないよう、開始・終了イベントと動作段数を照合します。データがないことを「異常なし」と表す表示やAPI応答は、受入試験で排除します。

品質ラベルも「OK/NG」だけでは足りません。現物で確定した不良、追加検査待ち、寸法は合格だが外観は未確認、手直し後に合格、顧客承認の特採などは別の状態です。AIに学習させる正例・負例の範囲を決める前に、品質保証が各状態を定義します。手直し後の合格を元の一回の加圧の正常例に混ぜれば、モデルの評価が歪みます。工程内でNGになった製品が廃却され、最終検査DBには現れない場合もあります。その製品を「最終不良なし」と見なさず、工程で止まった理由と物理的な保管先を追跡します。

不良分類は原因分類とも分けます。「圧入深さ不足」は観測した結果で、「潤滑不足」は原因候補です。金型摩耗、部品寸法差、異物、センサーずれのどれも同じ結果に至り得ます。AIが異常を提案した直後に原因欄へ「金型摩耗」と自動入力すると、後の分析がその仮説に引っ張られます。判定時に既知だった事実、後で追加した検査結果、原因解析で確定した結論を、それぞれ時刻と担当者付きで保存します。ラベルを修正する場合も旧値を残し、誰がどの証拠で変えたかを記録します。

代表データと境界事例をどう集めるか

初期データ収集では、平均的な良品だけを並べません。正常な範囲の端にある材料ロット、温度変化、段取り直後、治具清掃後、金型整備後を含めます。同時に、過去の不良品が残っていれば、当時の波形、検査記録、設備状態が同じ対象を指しているかを確認します。古い波形だけで現物がない場合は「異常形状の参考」として使えても、「不良を検出した証拠」とは分けます。安全に再現できない欠陥を無理に作らず、模擬波形で通信と画面の動作を試し、実際の検出性能については未検証と表記します。

境界事例は品質部門と製造部門が共同で見るべきです。良品だが極端な波形、検査不良だが波形が正常に近いもの、計測器の故障で異常に見えるものを並べると、AIに任せられる領域と人が残すべき判断が明確になります。特に「波形が正常に近い不良」は、センサー位置や測定した物理量ではその不良を表せない可能性があります。その場合、モデルを大きくしても解決しないことがあり、画像、寸法、電気試験など別の検査が必要です。RFPでは対象不良だけでなく、波形だけでは判定しない不良も明記します。

一設備から本番へ進める段階判定

最初の段階は、設備と品番を一つに絞り、生波形と必要な文脈が欠けずに取れるかを見ることです。この段階の完了条件はモデル精度ではなく、ショットIDの重複がなく、品番・金型・ロットと品質処置に結べること、欠測を数えられることです。取れないデータを予測で埋める前に、センサー、PLC、MES、検査DBのどこで情報が途切れるかを調べます。波形を取得するために生産タクトが変わったり、PLCの安全ロジックに影響したりしないことも確認します。

次の段階では、現行の閾値・ウィンドウを基準として固定し、AI候補をシャドー運用します。同じショットに対して、現行ルールの結果、AIの提案、現物検査の結果を並べます。AIが拾ったが現行ルールが通した事例を優先的に確認し、その逆も確認します。検査で真偽が分からない事例は、都合よく正解にも不正解にも算入せず「未確定」とします。モデルの閾値調整に使った期間と最終評価期間を分け、評価結果には対象外条件を添えます。

その後、品質部門の承認が得られた範囲だけで、AI提案から保留指示までを実運用に接続します。保留対象の部品が物理的に搬出されるより前に通知が届くか、箱替えや再加工でIDが変わったときに追えるかを検査します。画面に警報が出ても、現場で対象を見つけられなければ封じ込めは成立しません。保留を解除する画面は検査証拠と品質担当の承認を要求し、期限超過の未処置品を次のシフトへ引き継ぎます。工程を止める権限と品質保留の権限は、必要に応じて別々に設定します。

拡大段階では、別の金型、材料ロット、シフト、保全後の状態を一つずつ追加し、追加前の基準で何が変わったかを示します。新条件に合わせて閾値を緩めるなら、旧条件で検出できていた不良を再生します。別ラインへの横展開では、同じ型式のプレスでもセンサー位置、治具剛性、制御周期、レシピが異なる可能性を確認します。最初の一台で得た波形の平均値やモデルを、校正と比較試験なしにコピーしません。段階ごとに「進む」「条件を限定して進む」「測定へ戻る」の判断を記録すれば、PoCの成功と全工場展開を混同せずに済みます。

受入後の責任分担も段階判定に入れます。設備担当はセンサーの校正と故障時の交換、情報システム担当は通信と保存、製造担当は段取りと保留対象の隔離、品質担当は検査結果と最終処置を管理します。AI担当だけに全ての警報を集める運用では、夜勤や休日に判断が止まります。各担当が不在のときの代行者、記録の確認頻度、未処置を上位者に知らせる条件を、試運転の時点で実演します。月次会議では警報件数の増減だけでなく、見逃しの可能性、測定不能、保留解除の根拠、条件変更を確認し、必要なら適用範囲を縮めます。検知できない不良が明らかになった場合は、AIの閾値を調整するだけで済ませず、測定点または検査方法を見直します。

よくある質問

プレス加圧波形のAI異常検知はピーク荷重監視と何が違いますか？

ピーク監視は最大値など少数の値を規格と比べます。波形監視は初期接触、立ち上がり、局所的な荷重低下、終端の形を区間として見ます。AIはその比較を複数条件で補助できますが、まず既存のウィンドウ・しきい値方式と同じデータで比べて追加価値を確認します。

荷重―時間だけでも導入できますか？

可能ですが、速度や開始トリガーが変わると同じ加工位置が別の時刻に現れます。接触位置が品質に重要なら変位も取得し、時間軸しかない場合は速度条件を記録して評価範囲を限定します。波形の形だけで設備や製品の不良を断定しません。

良品ばかりで不良サンプルが少ない場合は？

正常波形からの逸脱を候補として示す設計はできます。ただし希少不良の検出率を、未確認のまま保証することはできません。重要不良については安全な模擬条件、過去データ、現物検査を用い、未検証範囲を明記して保留運用を続けます。

プレス加圧波形AIの費用は何で決まりますか？

対象設備・品番、既存センサーと波形データの有無、ショットIDと品質結果の結合方法、保存量、現場確認と変更管理の範囲で変わります。モデル費用だけで比較せず、RFPで測定・接続・運用の作業範囲を揃えて見積もります。

AIの異常判定を使ってプレスを自動停止してよいですか？

品質保留の通知と、機械安全上の停止は別の設計です。停止が必要なら設備・安全担当が適用規格、信号遅延、故障時動作、検証方法を定めます。品質用AIのスコアだけで安全機能を代替しません。

まとめ

プレス加圧波形AIの成否は、複雑なモデルよりも、再現性のある荷重・変位測定、ショットと品番・金型・ロットの結合、既存ルールとの公平な比較、保留後の品質判断、条件変更時の再評価で決まります。一ショットの異常候補を示す用途を明確にし、金型寿命予測や単なる履歴保存と混同しないことが、RFPとFAT/SATの合否を明瞭にします。

タイ工場で対象工程を選ぶ段階でも、既存のセンサー・波形・品質記録から「どこまで判定できるか」を一緒に整理できます。TOMAS TECHへのお問い合わせでは、設備、品番、困っている不良モード、保留後の現行手順が分かる範囲でお知らせください。

参考情報

• Kistler, Force-displacement measurement — 力・変位センサーから曲線を取得し工程を評価するメーカー一次資料。
• burster, DIGIFORCE 9311 operating manual — 評価ウィンドウと初期接触領域の監視例。
• AIAG, Measurement Systems Analysis errata — 繰り返し性とバイアス評価の注意点。
• NIST, Industrial Artificial Intelligence Management and Metrology — 製造AIで扱う設備・工程・品質・人の情報。
• NIST, AI Risk Management Framework Core — 人の監督、役割、運用監視の枠組み。
• NIST, Challenges to the Monitoring of Deployed AI Systems (2026) — 導入後の監視と人・AIのフィードバック。
• ISO, ISO/TR 22100-5:2021 — 機械システムでAIを扱う際の安全上の適用範囲。