AIが自動車品質管理を革新：欠陥検出をより速く、より正確に

機械が工程内およびライン末端で異常を学習検出

新車がラインを離れる際、一部の自動車メーカーは仮想的な「目」で最終検査を行い、品質を確保し、傷、へこみ、漏れがないかをチェックしています。

それらの「目」の裏側には、人工知能（AI）とそのサブセットである機械学習（ML）があります。これらの技術は、イスラエル・テルアビブのUVeye社の自動コンピュータ画像技術にも導入されています。AIに加え、同社の独自アルゴリズム、クラウドアーキテクチャ、センサーフュージョンが、数秒で車両全体を検査し、欠陥を指摘します。

「機械学習とAIはすでに訓練済みです」と、同社チーフストラテジーオフィサーのデビッド・オーレン氏は語り、MLアルゴリズムが1兆枚の画像で開発されたことを指摘します。「ただし、オペレーターがエラーを手動で修正する必要があります。」

製造現場では、UVeyeの深層学習駆動型検査サービス統合プラットフォームがインライン検査も可能ですが、現在はライン末端の品質チェックに注力しているとオーレン氏は述べます。

製造業でのAI活用が進むにつれ、UVeyeのようなビジョン検査システムがオペレーターに問題を警告することで、より高品質な部品製造に貢献しています。一部のソリューションは、問題検知時にマシンに停止信号を送ることも可能です。

しかし、ラインの一部からのみデータを収集・分析する断片的なソフトウェア製品、異種データフォーマット、統合が困難な異なるベンダーの技術など、克服すべき課題も残っています。と、リンク・エレクトリック&セーフティ・コントロール社のイノベーションストラテジスト兼セールスエンジニア、ディーン・フィリップス氏は指摘します。

「おそらく最も難しいのは、このような多様な製品を統合することです」とフィリップス氏。「現在、最大の課題はそれらがすべてスタンドアロンシステムだということです。まだ完全にスコープを網羅していません。それが来ないとは言いませんが、現時点では最大の課題の一つです。」

ドメイン知識の代替にはまだならない

シンシナティのPredictronics社は、その予測品質ソリューションがオーブンメーカーにどう役立ったかを例示します。薄鋼板ロールが成形機をゆっくり通過する中、オーブンメーカーはプロセスの品質問題に悩んでいました。この機械の役割は、オーブン庫内にスライドするラックを支えるリブをプレス成形することです。問題は、成形プロセス中にリブに亀裂が入り始めたことです。原因究明と解決のため、メーカーはPredictronicsに相談しました。

Predictronicsのデータサイエンティストたちは、機械からの関連情報を分析し、ヒートマップを用いてリブ亀裂とプロセス温度の関係を特定しました。亀裂が、成形鋼板が健全な範囲外の、より低いシステム熱で発生しやすいことを実証しました。

Predictronicsソリューションの一導入では、オーブンメーカーは88％の精度（予測された亀裂が実際に亀裂だった割合）と66％の再現率（実際の亀裂が予測された割合）で問題を検出できました。

「予測品質で顧客と仕事をする際、プロセスデータを分析し、それらのパラメータを経時的に測定するヘルスモデルを開発し、潜在的な問題トレンドが発生した際に認識し、何らかの予兆を提供できるようにします」と、PredictronicsのCFOパトリック・ブラウン氏。「過剰なテストや目視検査を避け、プロセスパラメータに基づいて製品品質を推論できるよう支援します。」

このプロセスは、スクラップ削減、不良品への無駄な生産時間削減、品質不良による保証請求削減にも役立ちます。

通常、プロセスパラメータ（位置、流量、圧力、温度など）を見るとき、正常な振る舞いからの逸脱を探します。異常な振る舞いは、あるパラメータの大きさが典型値を超えて増加することかもしれません。または、2つのパラメータ間の関係性の変化かもしれません。

「例えば、通常は温度が圧力とともに上昇するのに、突然温度だけが上昇し圧力が下がるといったケースです」と、PredictronicsのCTOデビッド・シーゲル氏。「典型値を超えるトレンドだけでなく、圧力と温度の例のような相関関係の変化もあり得ます。関係性を見つけ、プロセスを経時的に監視することで、それらの異常を、不良品質をもたらすプロセス上の問題に関連付けられます。」

いつAIを適用すべきか？

Predictronicsのアプローチは、クリティカリティ分析を行うことです。予測品質では、最もスクラップや品質関連の問題が多い機械を探します。エンジニアリングと製造の観点から、どのプロセスが最も問題かを理解するため、顧客と手を携えて取り組みます。顧客の経験とデータの両方を活用することもできます。

「一部の顧客はライン末端でのみ品質を測定している場合があります」とシーゲル氏。「その場合、どのプロセスが品質の観点から最も重要か、顧客の経験に頼らざるを得ません。」

新しいラインや問題のないラインには、少なくとも2つのアプローチがあります。

新しいラインの場合、データサイエンティストは類似のラインやプロセスを探し、それらのオペレーターの経験を活用して、どの問題が最も厄介だったかを把握します。

「または、IoTシステムの成熟度に基づくこともできます」とシーゲル氏。「どのプロセスが最もデータを持っているか？そこから始めるのも良いでしょう。他の部分よりも正確にそのプロセスを監視できるだけのデータがあるからです。」

または、ドメイン知識に基づく判断も可能です。例えば、一部のプロセスには大きな変動があります。機械がデータを生成し、科学者が分析しても、ドメイン知識は依然として非常に重要です。

「ある顧客は、パラメータがどうあるべきかを正確に知っていました」とブラウン氏。「どの閾値をどこに設定し、どのパラメータを見るべきかを熟知していました。そんなメンバーがチームにいることは非常に貴重です。」

Predictronicsは、経験豊富な世代が製造現場を去り、新世代が追いつこうとしている中、ドメイン知識をモデルに組み込もうとしています。

新しいラインの場合、プロセスのどの部分が計装可能か、最も機会がありそうな箇所にAIを適用するアプローチがあります。

「過去には、製造プロセスの設計上、機械やプロセスが計装を許容しないケースがありました」と、PredictronicsのCEOエドゼル・ラピラ氏。

異種システムからのデータ統合には、様々な方法があるとラピラ氏。「最も簡単なのはデータベース統合です。データソースからデータレイクへデータを強制するプロトコルがいくつかあります。工作機械にはOPC-UAやMTConnectのようなプロトコルがすでにあり、機械からデータを取得し、弊社のようなアプリケーションやダッシュボードに送ることができます。」

機械トラブルの予測が品質向上に貢献

オハイオ州ブラズタウンのBC Machining LLCは、CNC工作機械とデータ収集、機械学習、エッジコンピューティングなどの技術を用いる金属加工業者ですが、大量のスクラップが発生していました。生産目標を達成するため、機械を200％の能力で稼働させ、大量の折損エンドミルがスクラップ山に加わっていました。

「シフトの3分の1の部品を失うことがよくあり、スクラップを特定するために少なくとも1時間費やしていました」と、BC Machiningの製造エンジニア、マイク・ドリスケル氏はケーススタディで語ります。

同社は、マサチューセッツ州ノーサンプトンのMachineMetrics社の適応工具監視ソリューションに助けを求めました。

「適応的であるとは、オペレーターの介入なしに、スクラップを防ぐために機械上で変化が起こることを意味します」と、MachineMetricsの共同創業者兼CEO、ビル・ビザー氏。「これにより、お客様は数十万ドルを節約し、無人運転を可能にしました。」

MachineMetricsのAI駆動ソフトウェアは、BC MachiningのSTARマシンで、工作機械の故障を予測、診断、防止するために自律的にフィードホールドを実装するよう訓練されました。部品故障が差し迫った際にCNCを停止させ、不良品が出る前にエンドミルを予防的に交換できるようにしました。

「MachineMetricsの予測工具破損技術を導入以来、その無駄がなくなりました」とドリスケル氏。「スイス型旋盤での節約効果は、まさに莫大です。」

MachineMetricsは、一部の顧客とともに、内部工具交換装置の代わりにロボットアームで損傷・摩耗工具を交換する検討を進めています。自動交換の手頃な技術が出現しつつあります。ただし、現時点では特定の機械タイプに限定されるとビザー氏。

「お客様は非常に関心を持っていますが、コストに見合うかどうかはギリギリのラインです」と同氏。「現在は2年契約なら価値があるかもしれませんが、価格が高いため。将来的には一般的になると見ています。」

MachineMetricsの工具監視ソリューションは、BC MachiningのStar SR-20 CNCで、壊滅的な工具故障の前に信号を特定しました。また、予測可能なパターンも検出し、工作機械が故障しそうなタイミングをほぼ完璧な精度で示しました。

何より、BC Machiningは高品質な部品を生産しています。「機械上の問題予測の主なユースケースは品質だと信じています」とビザー氏。「予知保全もありますが、品質に関する問題検出の方が、より高い価値提案になることが多いと見ています。」

節約の一部は、エンドミルを寿命いっぱいまで使い、交換頻度を減らしたことによるもので、工作機械の稼働率向上という副次効果もあります。「多くのメーカーは、加工部品数に基づいて工具を交換しています」とビザー氏。「多くの顧客で見られるのが、まだ50％以上寿命が残っている工具を捨てていることです。」

同社のソリューションは、1秒間に1,000〜10,000回という非常に高い周波数で取得したデータで動作します。一般的な機械監視システムは1Hz、つまり1秒に1回データを取得すると同氏。

「1秒間に1,000回は、より多くの能力、処理、分析を必要とします」とビザー氏。

同社のソリューションは、機械の各モーターからデータを収集し、情報を「切削トルク」と呼ぶコアコンポーネントに正規化します。

「切削トルクにより、CNC切削工具の摩耗を見ることができます」とビザー氏。「このデータ項目をCNC工作機械で利用可能にすることで、加工プロセスに異常があるかどうか、工具の亀裂、摩耗、切削動作で見られるあらゆる問題を検出できます。故障を予測する場合もあれば、部品生産時に即座にスクラップかどうかを判定する場合もあります。」