品質検査データのAI分析2026｜効くのはモデルでなく照合できる割合

AIベンダーに検査データを渡して3ヶ月、出てきたレポートには「月曜午前の不良率が高い」と書かれていました。工場長が知りたかったのは、そこではありません。ヒケが出たあのロットで、保圧が何MPaだったのかです。品質検査データのAI分析がこの問いに答えられないのは、モデルが弱いからでも学習データが少ないからでもありません。不良が出る単位と、製造条件が記録される単位が違うからです。本稿ではこのズレを照合可能率という指標で測り、タイの樹脂成形工場をモデルに費用と回収まで数字で示します。結論を先に書きます。一番細かく取るスコープが、一番速く回収できるわけではありません。

品質検査データのAI分析が当たらない本当の理由

「品質データを3年分ためてあります。これでAI分析はできますか」という相談を、タイの日系工場から受けることがあります。答えは、そのデータの中身によります。そして実際に中身を見せてもらうと、たいていは「できません」という答えになります。データが少ないからではありません。ためてあるものが、要因を説明できる形をしていないからです。

検査結果だけを学習させても要因は出ない

多くの工場で「品質データ」と呼ばれているものの正体は、検査結果の集計です。列で言えば、日付、直、号機、品番、不良項目、不良個数。よくできている工場でも、これに検査員名と時間帯が加わる程度です。

このテーブルを丸ごとAIに渡すと何が起きるか。アルゴリズムは、与えられた列の中から不良個数と相関する列を探します。使える列は日付、直、号機、品番しかありません。だから出てくる答えも、その4つの組み合わせになります。「月曜午前に多い」「3号機に多い」「品番Xに多い」。どれも事実かもしれませんが、これは分析ではなく集計です。Excelのピボットテーブルで5分あれば出ます。

なぜこうなるのか。要因分析とは、結果を説明する変数を探す作業だからです。説明変数が入っていないデータからは、どんなモデルを使っても説明は出てきません。樹脂成形でヒケが出る理由は保圧・冷却時間・樹脂温度・金型温度にあるのに、それらの列がテーブルに存在しない。存在しないものは、学習のしようがありません。

これは業界全体で繰り返されている失敗です。Gartner は、AIプロジェクトの70〜85%が当初の目的を達成できないとしています（出典）。そして失敗の根本にあるのはAIそのものの性能ではなく、入力データの品質の低さだと指摘されています。日本の製造業ではデジタル技術を活用する企業が2019年の5割弱から2023年に8割超まで増えた一方、従業員300人以下の企業では活用度が低く、企業規模による差が顕著に出ています（出典）。本稿のモデル工場は従業員320名で、ちょうどこの境目の規模にあたります。

うまくいった側の事例も見ておきます。過去3年分の検査データをAIに学習させ、「この温度・湿度・加工速度の組み合わせで不良率が上がる」という知見を抽出して製造ラインへフィードバックし、製品不良率を30%削減した事例があります。同じ事例では、検査レポートの作成時間が30分から5分へ、83%削減されています（出典）。

この事例で注目すべきは30%という数字ではありません。学習データに温度・湿度・加工速度という説明変数が、検査結果と突き合わせられる形で入っていたという点です。順序が逆なのです。AIを入れたから要因が出たのではなく、要因になりうる変数が同じ軸で揃っていたからAIが働いた。なお、この30%は他社の事例であり、本稿でこのあと試算するモデル工場の「25%削減」という想定とは別物です。混同しないでください。

ここで、隣接するテーマとの棲み分けを明示しておきます。製造業のAI活用は工程別に、品質検査（AI外観検査・異常検知）、設備保全（予知保全）、調達在庫（需要予測・在庫最適化）に整理できます（出典）。このうち画像で不良を見つける話はAI外観検査の導入ガイドで扱っています。本稿はその先です。見つかった不良の原因を、数値データで当てる話をします。カメラは「不良である」ことは教えてくれますが、「なぜ不良になったか」は教えてくれません。

不良の単位と条件の単位がずれている

現場の帳票を2枚、並べてみます。

1枚目は検査記録です。「8月12日 3号機 ヒケ 12個」。2枚目は成形条件表です。「8月12日 A直 3号機 保圧45MPa 樹脂温度240℃ 冷却18秒」。手書きで、1直に1回、班長が記入します。

この2枚を突き合わせて何が言えるか。「A直の間に、保圧45MPaで、ヒケが12個出た」。それだけです。その12個がA直のどの瞬間に出たのかは分かりません。そして保圧が本当に8時間ずっと45MPaだったのかも、実は分かりません。記録されているのは、班長が見に行った1回の値だけだからです。

モデル工場の前提で規模を確認します。成形機20台、4個取り金型、サイクルタイム30秒、2直16時間で24営業日。1台1日7,680個、日産153,600個、月産3,686,400個、年産44,236,800個です。不良率1.5%とすると、年間の不良は663,552個。1個あたりの損失を材料費と加工費で2.50 THBと置けば、年間の不良損失は1,658,880.00 THBになります。

この663,552個の1つひとつには、それが成形された瞬間が必ずあります。4個取りですから、1ショットで4個が同時に出ます。ヒケも寸法外れも、そのショットで起きています。つまり不良の発生単位はショットです。ところが条件の記録単位は直です。片方は30秒、もう片方は8時間。この2つを突き合わせろというのは、秒針しかない時計とカレンダーを重ねて時刻を読めと言っているのに近い。

そして、これは「データが足りない」問題ではありません。単位が違う問題です。同じ工場で3年分ためても、10年分ためても、単位が違えば結びつきません。データ量を増やす方向の努力は、ここでは報われないのです。

照合可能率という指標｜精度より先に測るもの

では何から手をつけるか。精度でも再現率でもなく、照合可能率から測ります。

照合可能率の定義と数え方

照合可能率とは、不良1件に対して、そのとき何が起きていたかを一意に結びつけられた割合です。分母は不良の件数、分子はそのうち条件データと一意に紐づいた件数です。

数え方は単純で、システムも要りません。直近の不良を50件、台帳から拾います。そして1件ずつ、次の4つを○×で埋めます。第1に、発生時刻が分（できれば秒）まで分かるか。第2に、その時刻の成形条件が特定できるか。第3に、どの号機・どの金型・どのショットかが分かるか。第4に、投入されていた材料ロットと乾燥バッチが分かるか。

ここで最も大事なのは、「一意に」の部分です。推論で埋めたものは×にします。「その日その品番を流していたのは3号機のはずだ」は×です。「A直の平均的な条件はこれくらい」も×です。人間が記憶と勘で埋めた欄は、機械には渡せません。渡すと、間違ったラベルのついた学習データになります。

なぜ精度より先にこれを測るのか。理由は2つあります。1つは、照合できていない不良は学習データに入らないからです。照合可能率が12%なら、663,552個の不良のうち、要因分析に使えるのはごく一部です。モデルがどれだけ優秀でも、見えていない部分については何も言えません。

もう1つの理由のほうが深刻です。照合できていないのに無理やり紐づけたデータは、間違っていることが分からない形で間違います。モデルから高い精度の数字が返ってきても、それは「ずれた紐づけの上で計算された精度」かもしれない。精度は、照合が正しいことを前提にした指標だからです。土台を測らずに屋根の品質を語ることになります。

4段階のモデル（現状・A・B・C）

投資の段階ごとに、照合可能率がどう変わるかをモデル化します。以下の数値は本稿のモデル前提であり、特定の工場の実測値ではありません。ただし段階が上がる形は、多くの成形工場で共通しています。

現状の12%は、条件が粗くても偶然たどれるケースです。材料ロットの切替時刻がたまたま日報に書かれていた、金型交換の直後にまとめて出た、といった場合です。裏を返せば、残りの圧倒的多数は「何が起きていたか分からないまま、不良として計上されている」ということになります。

注目してほしいのはAです。検査記録を電子化し、1個ごとに時刻をつけて記録できるようにしても、28%にしかなりません。分母は不良全件のままで、条件側が1直1回の手書きのままだからです。検査側だけ整えても、突き合わせる相手が粗ければ照合はできない。これが「検査データだけをベンダーに渡した」プロジェクトが停滞する構造的な理由です。

Bで76%へ跳ねます。成形機から条件を1分周期で自動収集し、検査記録と同じ時刻軸に載せるからです。ここで初めて、材料ロット起因・乾燥起因・搬送起因の不良が追える状態になります。Cで96%。ショット単位のトリガ収集とキャビティ番号が入り、ショット内の変動とキャビティ間の差まで見えるようになります。

収集周期が粗いとショット単位の要因は永久に出ない

Aで止まっている工場に「では条件を自動で取りましょう」と提案すると、次に必ず起きるのが周期の議論です。ここで安易に「1分周期でいいでしょう」と決めると、あとから取り返せない欠落が生まれます。

サイクル30秒に対して1分周期では何が消えるか

モデル工場のサイクルタイムは30秒です。1台あたり1時間で120ショット出ます。ここに1分周期の収集を当てると、2ショットに1回しか値が取れません。半分のショットについては、そのとき何度だったのか、何MPaだったのかが、永久に存在しないことになります。

これは「精度が半分になる」という話ではありません。ショット単位の追跡が原理的にできない、という話です。ヒケやショートショットは、連続して出るとは限りません。材料の噛み込みや計量のばらつきで、単発で1ショットだけ条件が外れることがあります。その外れた1ショットが記録されない周期では、外れた事実そのものが存在しません。あとからモデルを改良しても、データが無いものは復元できません。

もう1つ、周期収集には見落とされがちな罠があります。収集ユニットの設定で「その1分間の平均値」を記録している場合です。平均を取れば、単発の外れ値は必ずならされます。ピークの樹脂温度も、落ち込んだ保圧も、平均に埋もれて消えます。平均は異常を消すための演算なので、異常検知や不良要因分析に使うデータを平均で持つのは、目的と手段が逆になっています。

ショット単位で追いたいなら、周期収集ではなくトリガ収集にします。ショット完了信号を受けて1レコード書く方式です。1ショット1行なので、取りこぼしがありません。設備側の信号取り出しとPLC側の設定が要りますので、具体的な取り方はPLCデータ収集の実務を参照してください。

ただし、全台全項目をトリガ収集にする必要はありません。次章で見るとおり、ショット単位が要る不良モードは限られています。ここが本稿の後半の論点になります。

周期を上げる前に、時刻を合わせる

周期の議論より先に片づけるべき問題があります。時計です。

工場の中には、時刻を持つ機器がいくつもあります。検査工程の入力端末、成形機のコントローラ、データ収集ユニット、MESサーバ、事務所のPC。これらの時計は、放っておくと必ずずれます。時刻同期の設定がされていない機器の内蔵時計は、ドリフトが少しずつ積み上がっていきます。

サイクルタイム30秒のラインで、検査端末と成形機の時計が2分ずれていたらどうなるか。検査で「10時15分に不良を検出」と記録された個体に対して、成形条件は2分前の値が紐づきます。サイクルタイムは30秒ですから、その2分の間に何ショットも流れています。まったく別のショットの条件を、その不良の原因として学習させることになります。

厄介なのは、この誤りがエラーとして表面化しないことです。データは揃っており、行数も合っており、モデルも回ります。精度の数字も出ます。ただ、中身が全部ずれている。そして分析結果が現場感覚と合わないとき、疑われるのはたいてい時計ではなくモデルのほうです。「AIは当てにならない」という結論に、最も安く到達できる経路がこれです。

では、どれくらい合っていればよいか。本稿ではサイクルタイムの1/10、すなわち3秒以内を目安として置きます。これは本稿が実務的な目安として採用する値であり、何かの規格に定められた値ではありません。3秒に根拠を持たせるとすれば、1ショット分の時間より十分に小さいこと、という考え方です。ショットを取り違えない範囲に収まっていればよい、という発想です。

実装としては、工場内にNTPサーバを1台立て、端末・収集ユニット・サーバをそこに同期させるのが基本です。成形機コントローラが古くてNTPに対応していない場合もあります。その場合は、収集ユニット側でタイムスタンプを打つ設計にして、コントローラの時計は照合に使わないと決めてしまうのが実務的です。同期できない機器を無理に使うより、時刻の権威を1つに決めるほうが安全です。あわせて、日次でずれ量を記録するログを残しておくと、あとから「この期間のデータは信用できない」と判断できます。検査側の時刻の取り方については検査データ自動収集の設計も参考になります。

不良モード別に必要な粒度は違う｜どこまで細かくするか

ここまで読むと、「では全部ショット単位・キャビティ単位で取ればよいのでは」と思われるかもしれません。技術的にはそのとおりです。しかし投資としては、そうとは限りません。理由は、不良モードによって原因が発生する単位が違うからです。

材料ロット単位で足りる不良

表の上3つは、原因の発生単位がショットより粗いモードです。

黒点・異物を考えます。原因が材料側にある場合、原因は「そのロットに混入していた」ことです。材料ロットは1袋・1パレットの単位で、消費されるまでに何時間もかかります。だから必要なのは、材料ロット番号と、それを投入した時刻。この2つが分かれば、「ロットXを投入した10時40分以降、黒点の発生が増えた」という形で追えます。ショット単位の樹脂温度は、この判断に何も足しません。

シルバーストリークも同じ構造です。乾燥不足が疑われるとき、単位は乾燥機のバッチです。どのバッチをいつ使ったかが分かれば足ります。バッチごとの乾燥時間と温度、そして投入時刻。これらは1分周期の収集でも十分に捕まります。

取出し・搬送キズは少し性質が違い、発生単位は個体です。ただし必要な条件データは「時刻 × 工程」で、ショット単位の成形条件ではありません。取出しロボットのアーム、コンベア、箱詰め工程のどこで擦れているのかを見るには、個体がいつどの工程を通ったかが分かればよい。これもBの範囲で成立します。

この3モードに共通しているのは、原因が長い時間にわたって持続するという点です。持続する原因は、粗い記録でも捕まえられます。

ショット単位・キャビティ単位が要る不良

表の下2つは違います。

ヒケとショートショットは、条件変動が原因である場合、ショット単位で出ます。計量のばらつき、逆流防止リングの摩耗、材料の食い込み不良。これらは特定のショットだけで起き、次のショットでは正常に戻ります。前章で述べたとおり、2ショットに1回の記録では捕まりません。トリガ収集で1ショット1レコードにして、初めてその1ショットの保圧と樹脂温度が見えます。

寸法外れのキャビティ差は、さらに厄介です。4個取りの金型で、1つのキャビティだけ冷却水路が詰まりかけている、あるいはガス抜きが劣化しているとします。そのキャビティから出る個体だけ寸法が外れます。ところが検査記録にキャビティ番号が無いと、4個をひとまとめに見ることになります。1キャビだけ大きく外れていても、4個の分布として見れば「ばらつきがやや大きい」としか見えません。原因が1点に集中しているのに、全体のばらつきの問題に化けるのです。

この化け方は、対策の方向を根本的に間違わせます。ばらつきの問題だと診断されれば、成形条件全体を触ることになります。実際に必要だったのは、1つのキャビティの水路清掃だけです。キャビティ番号という1列が無いだけで、正しい対策に永久にたどりつけない。これがスコープCの存在意義です。

キャビティ番号を取るには、金型に刻印を入れ、検査工程でそれを読む仕組みが要ります。金型の改造であり、検査作業の追加でもあります。ソフトウェアの設定変更では済みません。

粒度を上げるほどコストは非線形に増える

ここまでで、粒度を上げれば見えるものが増えるのは明らかです。問題は、コストの増え方が便益の増え方と同じ形をしていない、という点です。

BからCへ上げるとき、追加で必要になるのはキャビティ識別（金型刻印と読取）が20型で1型あたり22,000 THB、それにモデル構築と運用設計が200,000 THBです。初期費用は1,660,000 THB から 2,300,000 THB へ増えます。年間費用も300,000 THB から 450,000 THB へ増えます。

増えるのは金額だけではありません。第1に、データ量です。トリガ収集は1ショット1レコードですから、1台1時間で120ショット分の行が出ます。これが20台分、2直16時間、24営業日で積み上がります。周期収集に比べて行数は跳ね上がり、保管と検索の設計をやり直す必要が出てきます。

第2に、運用負荷です。金型刻印は金型メンテナンスの対象が1つ増えることを意味します。刻印が摩耗すれば読めなくなり、読めないレコードは照合不能になります。検査工程では、個体ごとにキャビティ番号を読む作業が増えます。1個あたり数秒でも、検査員の負担としては無視できません。

第3に、モデル運用です。ショット単位のデータは、粗いデータより外れ値が多く含まれます。設備停止の直前直後、型替え後の立ち上げ、材料切替の過渡期。これらを除外するルールを作り、維持し続ける必要があります。この作業は導入時に一度やって終わりではなく、条件を変えるたびに見直しが要ります。

つまりCへの投資は、初期費用の上乗せに加えて、恒常的な運用の重さを買うことになります。この重さに見合う不良モードが自社にあるかどうか。それが判断の分かれ目です。

タイ工場のモデル試算｜前提と便益の置き方

数字に落とします。モデル工場の前提は次のとおりです。

時給の前提について補足します。タイの賃金は上昇基調にあり、日系企業の賃金上昇率は2023年3.8%、2024年4.58%、2025年は4.64%の見込みとされています。最低賃金も2025年1月1日の改定で日額337〜400THB（バンコクは372THB）となりました（出典、出典）。この記事では上昇分を織り込まず現時点の時給で計算しますが、工数削減型の便益は年を追うごとに金額が増える方向に働きます。つまり以下の試算は、便益側を保守的に見ていることになります。

便益は4本立てます。

便益1は、年間不良663,552個を25%削減する想定です。この25%は本稿のモデル前提であり、実績値ではありません。前章で紹介した他社事例の30%削減とは別の数字ですので、混ぜないでください。削減される165,888個に、1個あたりの損失2.50 THBを掛けて414,720.00 THBとしています。

便益2は、不良が出るたびに走る要因解析の工数です。年48件、つまり月に4件の解析案件を想定しています。1件あたり40時間かかっていたものが16時間になる、という置き方です。40時間の中身は、帳票を集める時間、条件表を転記する時間、Excelでグラフを作る時間が大半で、考えている時間は実はわずかです。照合済みのデータが手元にあれば、この前段が消えます。年1,152時間、技術者時給337.5 THBで388,800.00 THBです。

便益3は、日常の突合です。2直それぞれで1名が1日1.5時間、検査記録と成形条件表を突き合わせて日報にまとめている。24日×12ヶ月で年864時間。これを80%削減して691.2時間、事務スタッフ時給210.0 THBで145,152.00 THBになります。この作業は不良が出ても出なくても毎日発生するという点で、他の3つと性質が違います。

便益4は、型替え後の条件出しです。年480回の型替えごとに、良品が安定して出るまでの調整時間を0.6時間短縮する想定です。過去に同じ金型・同じ材料で良品が出ていたときの条件が、時刻付きで引ける状態になっていれば、そこを初期値にできます。年288時間、337.5 THBで97,200.00 THBです。

投資環境についても一言添えておきます。タイの2026年上半期の投資申請は前年比37%増の436億米ドル・1,299件に達し、うちデジタル分野が330億米ドルを占めました（出典）。BOIの「Smart and Sustainable Industry」施策でも、機械更新・デジタル技術導入・自動化ロボット統合を目的とする申請が132件・5億760万米ドル寄せられています（出典）。制度の適用可否は個別案件ごとの判断になりますので、以下の試算には織り込んでいません。稟議に載せる際は、自社が該当するかを別途確認してください。

便益の配分についても、前提を明示しておきます。上の4本の便益を、スコープA・B・Cにどう割り振るか。本稿では次のように置いています。

• A = 便益3（145,152.00） + 便益2の30%（116,640.00） = 261,792.00
• B = A + 便益2の残り70%（272,160.00） + 便益4（97,200.00） + 便益1の60%（248,832.00） = 879,984.00
• C = B + 便益1の残り40%（165,888.00） = 1,045,872.00

便益1をB対Cで6対4に分けているのは、前章の不良モード表で、Bまでで到達できる不良モード（黒点・異物、シルバーストリーク、搬送キズ）が金額ベースで6割を占めると置いたためです。この6割は本稿の前提であり、実測値ではありません。 自社の不良パイの内訳が違えば、この配分は変わります。そして後述するとおり、結論が変わるのはまさにこの比率です。

費用と回収｜一番当たるスコープが一番速いわけではない

3つのスコープを比較します。照合可能率で言えば、Aが28%、Bが76%、Cが96%。分析が当たる度合いはCが最も高い。では回収も最速かというと、そうはなりません。

スコープA 検査データだけをAI分析（3.39年）

検査記録の電子化に300,000 THB（端末8台と帳票設計）、BIによる可視化基盤に180,000 THB。初期は480,000 THB、年間費用は120,000 THBです。

これで実現するのは、検査結果が個体単位・時刻付きで電子的に残り、集計と可視化がその日のうちにできる状態です。日常の突合作業（便益3）はここでほぼ消えます。要因解析の工数（便益2）も、帳票を集める部分だけは軽くなるので、30%相当の116,640.00 THBを見込みます。便益合計は261,792.00 THB、年間費用を引いた純便益は141,792.00 THB。初期480,000 THBに対して回収は3.39年（40.6ヶ月）です。

ここで確認しておきたいのが、不良低減（便益1）がゼロで計上されていることです。理由は前述のとおり、照合可能率が28%にとどまるからです。条件側が1直1回の手書きのままでは、要因が特定できません。要因が特定できなければ工程条件は変えられず、工程条件が変わらなければ不良は減りません。Aは記録を速くする投資であって、不良を減らす投資ではない、というのが本稿の置き方です。

スコープB 成形条件を同じ時刻軸で取る（2.86年）

Aに、成形機のデータ収集ユニットを20台（1台42,000 THBで840,000 THB）、時刻同期とネットワークの整備に180,000 THB、データ基盤の拡張に160,000 THBを足します。初期は1,660,000 THB、年間費用は300,000 THBです。

ここで初めて、検査結果と成形条件が同じ時刻軸に載ります。照合可能率は76%へ。材料ロット起因、乾燥起因、搬送起因の不良が追えるようになり、不良低減の6割相当（248,832.00 THB）が立ちます。要因解析の残り70%（272,160.00 THB）と、型替え後の条件出し（97,200.00 THB）もここです。過去の良品条件を引くには、条件が自動で記録されている必要があるからです。

便益合計は879,984.00 THB、純便益は579,984.00 THB。初期1,660,000 THBに対して回収は2.86年（34.3ヶ月）です。初期投資はAの3倍以上ですが、回収は3.39年から2.86年へ短くなりました。

スコープC ショット・キャビティまで個体化する（3.86年）

Bに、キャビティ識別（金型刻印と読取）を20型で440,000 THB、モデル構築と運用設計に200,000 THBを足します。初期は2,300,000 THB、年間費用は450,000 THBです。

照合可能率は96%へ。ヒケ・ショートショットのショット単位の変動も、寸法外れのキャビティ差も見えるようになります。分析の当たり方という意味では、明らかにここが最も強い。

便益合計は1,045,872.00 THB、純便益は595,872.00 THB。回収は3.86年（46.3ヶ月）です。BよりもAよりも遅い。

なぜCで回収が伸びるのか

理由は、分子と分母の増え方が違うからです。

BからCへ進むとき、初期費用は1,660,000 THBから2,300,000 THBへ、年間費用は300,000 THBから450,000 THBへ増えます。一方で純便益は579,984.00 THBから595,872.00 THBへしか増えません。ほぼ横ばいです。分母が大きく増えて分子がほとんど増えないのですから、回収年数は伸びます。

なぜ分子が増えないのか。Cで新たに立つ便益が、便益1の残り40%（165,888.00 THB）だけだからです。前章の不良モード表を思い出してください。Cでしか追えない不良モードは、ヒケ・ショートショットと寸法外れの2つ。本稿の前提では、これらが金額ベースで4割です。その4割分を取りにいくために、金型20型の刻印とモデル運用の体制を丸ごと買うことになります。しかも年間費用が300,000 THBから450,000 THBへ重くなるので、増えた便益の相当部分がそこで消えます。

ここから2つのことが言えます。

1つ目。分析の当たり具合と、投資の効率は別の軸です。 照合可能率96%は技術的に正しい到達点ですが、96%を達成するために必要な追加投資が、96%で新たに取れる便益を上回れば、投資としては負けます。「もっと精度を上げましょう」という提案は、たいていこの区別をしていません。

2つ目。分かれ目は自社の不良パイの内訳です。 本稿では便益1をB対Cで6対4に置きました。これは本稿の前提であって、実測値ではありません。もし自社の不良金額の大半がヒケ・ショートショット・寸法外れで占められているなら、この比率は逆転し、Cの回収年数はBを下回る可能性があります。逆に、黒点・異物と乾燥不足で大半が説明できる工場なら、Cへ進む理由はほとんどありません。

だから結論はこうなります。粒度は「上げられるだけ上げる」ものではなく、自社の不良モードが要求する単位に合わせるものです。 そして自社の不良モードの内訳が金額ベースで分かっていない状態では、この判断そのものができません。だから最初にやることは投資ではなく、直近の不良の内訳を数えることになります。

なお、ここで比較した3つのスコープはいずれもBを経由します。AからいきなりCへ跳ぶ経路は存在しません。条件の自動収集と時刻同期という土台の上にしか、ショット単位の識別は載らないからです。段階を踏むこと自体は避けられません。判断すべきは「Bで止めるか、Cまで行くか」であって、「AとCのどちらにするか」ではありません。

90日でやること｜照合可能率を測ることから始める

いきなりスコープBの稟議を出しても、根拠を問われて止まります。90日で、判断に必要な材料をそろえます。費用はほとんどかかりません。

Day 1-30 直近の不良50件で照合可能率を数える

最初の30日は、システムの話を一切しません。数えるだけです。

直近の不良を50件、台帳から拾います。件数は50で十分です。統計的な厳密さより、全件を1つずつ手で追うことのほうが重要だからです。そして1件ずつ、発生時刻・成形条件・号機と金型・材料ロットの4つを特定できるかを○×で埋めます。推論で埋めた欄は×にする、というルールを最初に全員で確認してください。ここが緩むと、実態より高い照合可能率が出ます。

同時に、もう1枚の表を作ります。その50件を不良モード別に分類し、それぞれの金額（個数 × 1個あたり損失）を集計する表です。黒点・異物、シルバーストリーク、搬送キズ、ヒケ・ショートショット、寸法外れ。この5つでどう分かれるか。前章で述べたとおり、B到達モードとC到達モードの金額比が、Bで止めるかCまで行くかの判断を決めます。本稿の6対4という前提が自社に当てはまるかどうかは、この表でしか分かりません。

この30日で得られるのは、2つの数字です。自社の照合可能率と、不良金額のモード別内訳。稟議書に載せるとき、この2つは他社事例のどんな数字よりも強い材料になります。

Day 31-60 時刻同期と収集周期を決める

次の30日で、技術的な前提を固めます。

まず時計です。工場内で時刻を持つ機器を全部リストアップし、同じ瞬間の表示を写真に撮って比べます。検査端末、成形機コントローラ、収集ユニット、サーバ、事務所のPC。何秒ずれているかを実測します。本稿の目安である3秒以内に収まっているかを見て、収まっていないものについてNTP同期の可否を確認します。対応していない機器があれば、その機器の時刻は照合に使わないと決め、代わりに何でタイムスタンプを打つかを決めます。

次に周期です。ここでDay 1-30 のモード別内訳が効いてきます。金額の大半がB到達モードなら、1分周期で足ります。C到達モードが厚いなら、トリガ収集の可否を成形機メーカーに確認します。「とりあえず細かく」ではなく、「このモードを追うためにこの周期」と紐づけて決めてください。周期は後から粗くはできますが、取らなかったデータは後から作れません。判断の根拠を文書に残しておくことが重要です。

あわせて、記録するデータの持ち方も決めます。1レコードに何を持たせるか、時刻の粒度は秒か、キャビティ番号の列を最初から空欄で用意しておくか。全体の設計思想は品質データ管理システムの考え方で整理しています。

Day 61-90 1不良モードだけで検証する

最後の30日は、範囲を1つに絞って実際にやってみます。全モード同時に始めないでください。

選ぶのは、Day 1-30 で金額が最も大きかったB到達モードです。多くの成形工場では黒点・異物か、シルバーストリークになります。対象は成形機1〜2台。材料ロット番号と投入時刻、乾燥バッチと時刻、そして検査結果を、同じ時刻軸で30日間だけ手動でも構わないので揃えます。エクセルで構いません。

この30日で確認するのは、モデルの精度ではありません。照合可能率が実際に上がるかです。Day 1-30 で数えた値が、この運用でどこまで動くか。そして上がった照合可能率のもとで、要因の候補が本当に絞れるか。「ロットXのときだけ黒点が多い」という関係が見えれば、それで十分です。この段階でAIモデルは要りません。散布図とクロス集計で見えるはずのものが見えなければ、AIを入れても見えません。

90日を終えると、手元に「自社の照合可能率」「不良金額のモード別内訳」「1モードでの検証結果」の3つが残ります。この3つがあれば、Bで止めるかCまで行くかを、他社の事例ではなく自社の数字で議論できます。

よくある失敗4つ

検査結果だけをベンダーに渡す。 最も多いパターンです。「3年分の品質データがあります」と言って渡されるのが、日付・号機・品番・不良項目・不良個数のテーブルだけ。ベンダー側も受け取った以上は何か返さなければならないので、集計に近いレポートが返ってきます。そして「AIは大したことがない」という評価が社内に定着します。渡す前に、そのテーブルに説明変数が何列入っているかを数えてください。ゼロなら、渡しても要因は出ません。

良品データを捨てている。 不良が出たときだけ条件を記録する、という運用は珍しくありません。しかし要因分析は、不良時と良品時の条件を比べる作業です。片方しか無ければ比較になりません。「保圧45MPaで不良が出た」という記録をいくら積み上げても、良品時も45MPaだったのなら、保圧は要因ではありません。良品時のデータこそが対照群です。連続的に条件を取るというのは、大部分が良品である時間帯のデータを取るということです。ここを削ると、収集の目的そのものが崩れます。

時刻がずれたまま学習させる。 前章で述べたとおり、これは失敗として認識されにくいのが最大の問題です。行数は合い、モデルは回り、精度も出る。にもかかわらず全部ずれている。しかも分析結果が現場の感覚と合わないとき、疑われるのは時計ではなくAIです。データ収集を始める前に、必ず全機器の時刻を実測してから始めてください。後から「あの期間のデータは使えなかった」と分かるのが最悪の展開です。

出た要因を工程条件の変更につなげない。 分析が当たっても、それだけでは不良は1個も減りません。「樹脂温度が下限管理値を割った直後のショットでショートショットが増える」という結果が出たら、その下限値を見直し、作業標準を改訂し、監視のアラート条件を設定し、変更後に効果を測る。ここまでやって初めて便益1が立ちます。逆に言えば、分析結果を条件表と標準書に反映する担当と権限が決まっていないなら、便益1は最初からゼロで計上すべきです。この場合、投資判断はA相当の便益だけで成立するかを問うことになります。AIの導入で最後に効いてくるのは、モデルの性能ではなく、結果を工程に戻す社内の回路です。

FAQ

品質検査データのAI分析とは？

検査で得られた不良の結果に、そのとき製造で何が起きていたかという条件データを突き合わせ、不良の要因を数値的に特定する取り組みです。検査結果だけを集計して「いつ・どこで多いか」を見るのは分析ではなく集計にとどまります。要因を出すには、保圧・樹脂温度・材料ロットといった説明変数が、検査結果と同じ時刻軸で揃っている必要があります。本稿ではこの突き合わせ可能な割合を照合可能率と呼び、精度より先に測るべき指標として扱います。

AI品質管理とAI外観検査は何が違う？

AI外観検査は、画像から不良を「見つける」技術です。カメラと画像認識モデルで、キズ・欠け・異物を判定します。一方で本稿が扱う要因分析は、見つかった不良の「原因を当てる」領域で、使うのは画像ではなく数値データです。両者は補完関係にあり、外観検査で個体ごとの不良判定が電子的に残ることは、要因分析側の入力品質を上げます。検査そのものの自動化については別記事で扱っていますので、目的で使い分けてください。

不良要因の分析にはどれくらいのデータ量が必要？

量より単位が問題になります。3年分ためてあっても、不良の発生単位がショットで条件の記録単位が1直なら、突き合わせられないので要因は出ません。逆に、条件が同じ時刻軸で揃っていれば、比較的短い期間でも要因の候補は見えます。本稿の90日計画では、最後の30日を1不良モード・成形機1〜2台に絞った検証にあてています。まず自社の照合可能率を数えることが、データ量を増やすより先です。

品質検査データのAI分析にかかる費用は？

本稿のモデル工場（タイ・樹脂成形、従業員320名、成形機20台）では、範囲によって3通りを試算しています。検査記録の電子化とBI可視化にとどめるスコープAが初期480,000 THB・年間費用120,000 THB、成形条件の自動収集と時刻同期を加えるスコープBが初期1,660,000 THB・年間費用300,000 THB、キャビティ識別とモデル構築まで含むスコープCが初期2,300,000 THB・年間費用450,000 THBです。回収はそれぞれ3.39年、2.86年、3.86年になります。

異常検知AIと要因分析は同じもの？

別物です。異常検知は「いつもと違う状態が起きた」ことを検出する仕組みで、正常時のパターンを学習し、そこからの逸脱を知らせます。要因分析は「なぜ不良になったか」を説明変数で特定する仕組みです。異常検知が鳴っても、原因が保圧なのか材料なのかは分かりません。逆に、異常検知が鳴らない範囲の緩やかな条件変動でも不良は出ます。両方を回すなら、どちらも同じ条件データを入力に使うので、収集基盤は共通化できます。

まとめ

品質検査データのAI分析が当たらない原因は、モデルの性能でも学習データの量でもありません。不良が出る単位と、製造条件が記録される単位が違うことです。片方は30秒のショット、もう片方は8時間の直。この2つは、どれだけ蓄積しても結びつきません。

だから精度や再現率より先に測るべきは、照合可能率です。不良1件に対して、そのとき何が起きていたかを一意に結びつけられた割合。本稿のモデルでは、現状12%、検査記録を電子化したAで28%、成形条件を同じ時刻軸で自動収集するBで76%、ショット・キャビティまで個体化するCで96%としました。Aで28%にしかならないのが要点です。検査側だけ整えても、突き合わせる相手が粗ければ照合はできません。

そして収集を始める前に、時計を合わせてください。時刻がずれたまま集めたデータは、間違っていることが分からない形で間違います。本稿ではサイクルタイムの1/10、3秒以内を目安として置きました。これは本稿の目安であり、規格値ではありません。

費用の話です。分析が最も当たるのはCですが、回収が最速なのはBの2.86年です。Aは3.39年、Cは3.86年。Cへ進むと初期費用は1,660,000 THBから2,300,000 THBへ、年間費用は300,000 THBから450,000 THBへ増えるのに、純便益は579,984.00 THBから595,872.00 THBへほとんど動きません。Cでしか追えない不良モードが、本稿の前提では金額の4割にとどまるからです。この4割・6割という配分は本稿の前提であり、実測値ではありません。

したがって結論はこうなります。粒度は上げられるだけ上げるものではなく、自社の不良モードが要求する単位に合わせるものです。そして自社の不良の内訳を金額ベースで把握していなければ、その判断はできません。投資の前に、数えることです。

社内で議論の起点が欲しければ、直近の不良50件を台帳から拾って、1件ずつ「そのとき何が起きていたかを一意に言えるか」を○×で数えてみるところからで十分です。12%だったのか、40%だったのか。その1つの数字と、不良金額のモード別内訳があるだけで、BかCかの議論は自社の言葉でできるようになります。TOMAS TECH ではタイの日系製造業向けに、照合可能率の測り方、時刻同期と収集周期の決め方、1不良モードでの検証の進め方をご相談いただけます。導入を決めていない検討段階でも構いませんので、お問い合わせからお声がけください。