製造業のAI活用とは？予知保全・外観検査・生産計画の使い分けと導入手順を解説

製造業のAI活用は、予知保全・外観検査・生産計画の3領域に大別できます。どの領域も「データがあれば何かできる」と語られがちですが、実際に何が作れるかは判定したい事象が何件発生しているかでほぼ決まります。

本記事では、この判断基準を軸に3領域を整理し、導入手順、体制と費用の目安、KPIの置き方までを解説します。

製造業のAI活用とは？

製造業のAI活用とは、設備の稼働データ・検査画像・生産実績といった既存データから、これまで熟練者の経験で判断していた事象を、機械が事前に、または一次判定として示す仕組みを指します。

重要なのは、AIが扱えるのは「過去に起きたことがある事象」だという点です。一度も起きていない故障モードは予測できませんし、見たことのない不良は検出できません。この制約を理解しているかどうかで、プロジェクトの成否が分かれます。

3領域の使い分け｜何ができるかは事象の件数で決まる

この表の意味するところは明確です。「3年分のデータがあります」という説明はプロジェクトの成否を判断する材料になりません。その3年間に何回壊れたか、何個の不良が出たかを数えることが、最初の作業になります。

異常検知から始めるべきケース

故障事例がほとんど記録されていない場合、まず取り組めるのは異常検知です。正常時のデータから通常の変動範囲を学習し、そこから外れた状態を知らせる仕組みで、故障のラベルを必要としません。

異常検知の価値は、故障の予測そのものではなく、故障事例を蓄積する仕組みが手に入ることにあります。異常が出たときに現場が確認し、実際に何が起きていたかを記録すれば、1年後には故障モードの分類に進むためのデータが揃います。この順序を踏まずに、いきなり寿命推定を目指して行き詰まるケースは非常に多く見られます。

外観検査は「良否判定」を目標にしない

外観検査AIで最も多い失敗は、検査員と同等の良否判定を求めることです。この設定では、見逃し（不良を良品と判定する誤り）が1件でも出た時点で導入判断が止まります。

現実的なのは、判定を3段階に分ける構成です。

この設計であれば、AIは「自信のある良品」だけを通過させればよく、判断に迷うものは全て人に回せます。検査員の負荷は確認対象の削減分だけ確実に下がり、見逃しリスクは従来と変わりません。

さらに実務上の利点として、通過させた品と回した品の記録が残るため、後から「どの条件で判断が難しかったか」を分析できます。これが次の改善サイクルの入力になります。

撮影条件の固定が精度の8割を決める

外観検査の精度は、モデルよりも撮影条件で決まります。導入前に固定すべき条件は次のとおりです。

• 照明の色温度と角度（外光の影響を遮断できているか）
• ワークの位置決め精度（±何mmまで許容するか）
• カメラの解像度（検出したい最小欠陥の何倍の画素数を確保するか）
• 撮影タイミング（振動が収まった状態で撮れているか）

このうち解像度は事前計算が可能です。検出したい欠陥が0.5mmで、最低でも欠陥が5×5画素で写る必要があるとすれば、1画素あたり0.1mm以下の分解能が要求されます。視野が100mmなら1000画素以上が必要、という計算になります。この計算をせずにカメラを選定すると、モデルをいくら改善しても検出できません。

生産計画は「説明できない最適化」が使われなくなる

生産計画の最適化は、計算上の最適解を出すことより、現場が納得して実行できるかで成否が決まります。

総段取り時間が最小になる順序を提示しても、「なぜこの順番なのか」が説明できなければ、現場は従来の経験則で組み直します。上書きが常態化すれば、最適化の効果は消えます。

有効なのは、計画とともに次の情報を提示することです。

• どの制約が効いてこの順序になったか（納期、金型の共有、乾燥時間など）
• 従来計画と比べて何がどれだけ改善したか（段取り回数、残業時間）
• 現場が手直しできる余地（数件の入れ替えを許容する）

3つ目が重要です。100%自動で確定させるのではなく、担当者が数件だけ差し替えられる設計にすると、上書きのログが「制約条件の抜け」を見つける材料になります。上書きの理由を蓄積し、モデルの制約条件に反映していくと、半年ほどで上書き件数が下がっていきます。

導入手順と期間の目安

製造業で特に注意すべきなのは、Phase 2（評価データの整備）で不良品や故障事例の現物・記録を集める工程が発生することです。良品はいくらでも集まりますが、不良品は保管されていないことが多く、ここで数か月かかる場合があります。

対策としては、プロジェクト開始と同時に「今後発生する不良品を捨てずに保管する」運用を始めることです。過去分が足りなくても、半年間の蓄積で必要件数に届くケースは珍しくありません。

体制と費用の目安

※金額は一般的な相場観です。撮像環境の整備は機械要素が絡むため、ソフトウェア費用より大きくなることもあります。

見落とされやすいのは製品切り替え時の追従コストです。新製品が追加されるたびに学習データを追加する必要があるため、年間何品種の切り替えが発生するかを事前に確認し、その分の運用工数を見込んでおく必要があります。

既存データの棚卸し｜新規センサーの前に確認すること

「データがない」という前提で新規センサーの見積もりから入るプロジェクトは多いのですが、実際には既存システムに使えるデータが残っていることがほとんどです。着手前に次の5か所を確認します。

とくに3番目の保全記録は価値が高い一方、紙やExcelで散在していることが多い領域です。ここに「いつ、どの設備が、どう壊れ、何を交換したか」が残っていれば、故障事例のラベルとして使えます。テキストで書かれていても、故障モードの分類は後から人手で付与できます。

新規センサーの追加は、既存データで説明できない部分が特定できてからで十分です。順序を逆にすると、取得しても使わないデータにコストを払うことになります。

停止理由コードの粒度が分析の限界を決める

生産実績システムに停止理由コードが登録されている工場は多いのですが、そのコードが「設備故障」「段取り替え」「材料待ち」といった大分類のみの場合、分析はそこで止まります。

改善の余地が大きいのは、大分類の中で件数の多い項目を、3か月だけ細分化して記録するという進め方です。恒久的に細かいコードを運用しようとすると現場の負荷が上がって形骸化しますが、期間を区切れば協力を得られます。

例えば「設備故障」が停止時間の40%を占めているなら、その内訳を3か月だけ「搬送部」「加熱部」「制御系」に分けて記録します。この程度の粒度でも、どこに投資すべきかの判断は十分に可能になります。分析のためのデータ整備は、期間限定であれば現場が受け入れやすいという性質があります。

現場が使い続けるためのインターフェース設計

製造現場でAIの出力を届ける先は、大きく3つに分かれます。どこに出すかで、必要な精度も運用コストも変わります。

導入初期に制御系への直結を選ぶと、誤りがそのまま生産停止や不良に直結するため、要求される精度が跳ね上がります。まず現場端末への通知から始め、実績を積んでから制御連携に進むのが安全な順序です。

レポート出力は軽視されがちですが、投資判断の材料としては最も扱いやすい形式です。異常検知の的中率や、点検を前倒しした件数が週次で見えると、経営層への説明が容易になります。

内製化を見据えるなら、どこから社内に持つか

外部委託でPoCを行った後、どこまで内製化するかは論点になります。全てを社内に持つ必要はなく、優先順位があります。

1. 判定基準の定義と評価：これは外注できません。基準が社外にあると、モデルの良し悪しを自社で判断できなくなります
2. データの整備と管理：自社の資産です。ここを外部に依存すると、ベンダーの切り替えが実質不可能になります
3. モデルの学習・改善：ツールが整備されており、社内人材の育成対象になりやすい領域です
4. インフラの構築・運用：外部サービスの活用で十分なことが多く、優先度は下がります

順序としては1と2を先に社内へ持ち、3は運用しながら段階的に移行、4は外部に任せる形が現実的です。最初から全て内製しようとすると、着手が1年遅れます。

KPIの置き方

予知保全のKPIとして「計画外停止時間」と「緊急対応の人時」を挙げているのは、多くの工場でこの2つが既に記録されているためです。新しい指標を作らずに済むことが、効果を証明するうえで決定的に有利になります。

他社の導入事例をどう読むか

導入検討では他社の事例が参考になりますが、公開されている数値はそのまま自社に当てはまりません。事例を読むときに確認すべき点を整理します。

とくに1行目と2行目は差が出やすい部分です。「検査工数90%削減」が「AIが判定した分の再確認を除いた数字」であることは珍しくありません。事例の数値を自社の稟議に転記する前に、同じ計算方法で自社の現状値を出せるかを確認してください。

そのうえで、自社に近い条件かを次の4点で判定します。

1. 事業規模と対象範囲（全社か1拠点か）
2. データの蓄積状況（何年分・何件の事例があるか）
3. 体制（専任者の有無、外部委託の範囲）
4. 対象業務の標準化の度合い

この4点が大きく違う事例は、数値ではなく進め方の順序を参考にするほうが実務的です。

補助金・支援制度をどう調べるか

導入費用の検討では補助金の活用が選択肢になります。ただし制度の要件・金額・公募時期は年度ごとに変わるため、この記事の数字を当てにせず、必ず公募要領の原本を確認してください。実務で押さえるべきは、どの制度を見に行けばよいかという入口です。

申請を検討する場合、実務上の注意点は次の3つです。

• 交付決定前の発注は対象外になるのが原則。着手のスケジュールを補助金の採択時期と合わせて組む必要があります
• 事業計画に効果の根拠を書く必要があるため、本記事で触れた現状値（工数、停止時間、在庫金額など）の実測が前提になります
• 補助対象になる費目とならない費目が分かれます。ソフトウェア費用は対象でも、運用の人件費は対象外といった線引きを事前に確認してください

補助金の有無で導入可否を決めるより、補助金がなくても回収できる範囲を先に見極め、採択されたら範囲を広げるという順序のほうが、計画が破綻しません。

よくある誤解の整理

最後の項目は、外観検査の要件定義で必ず確認すべき点です。精度の数値ではなく、1日あたり何件の誤りが発生し、それを誰がどう処理するかまで落として議論する必要があります。

まとめ

製造業のAI活用は、「どんなデータがあるか」ではなく「判定したい事象が何件あるか」から逆算すると、実現できる範囲と必要な期間が見通せます。故障事例が少なければ異常検知から入り、外観検査は良否判定ではなく要確認の抽出に目標を下げ、生産計画は説明可能性と手直しの余地を残す。この3点が、現場で使われ続ける仕組みの共通条件です。

工場全体をどの順序でデジタル化していくかはスマートファクトリーの段階別ロードマップ、設備からのデータ取得はIoTセンサー導入の判断基準で解説しています。

Pactomでは、既存データの棚卸しから適用領域の見極め、PoC設計、本番運用の定着までを一貫して支援しています。

関連記事

• 予知保全と異常検知の違い｜故障事例の件数から導入可否を判断する方法
• 外観検査の自動化はどこまで可能か｜撮像設計と検出限界の決め方
• 生産計画の自動化｜制約条件のモデル化と現場の上書きへの向き合い方
• スマートファクトリーとは？段階別ロードマップと投資判断の基準

参考

• 独立行政法人情報処理推進機構（IPA）「DXの推進」https://www.ipa.go.jp/digital/dx/index.html
• IPA「DX動向調査」https://www.ipa.go.jp/digital/chousa/dx-trend/index.html
• 国立研究開発法人新エネルギー・産業技術総合開発機構（NEDO）https://www.nedo.go.jp/