製造業は「現場の勘と経験がものを言う世界」というイメージが根強い業界です。しかし近年、その現場でこそAI活用が着実に成果を上げています。今回は代表的な2つの領域を紹介します。
AI外観検査:24時間、同じ精度でチェックし続ける
AI外観検査とは、カメラで撮影した製品画像をAIが解析し、傷・汚れ・形状不良などの欠陥を自動で検出する仕組みです。人の目視検査には、どうしても疲労による見落としや、検査員ごとの判断のばらつきという課題がありました。ディープラーニングを用いたAI検査であれば、24時間態勢で安定した精度を維持できます。
アズビル湘南工場では、圧力伝送器「AT9000」のはんだ付け部(1台あたり16カ所)の検査にAI画像検査を導入しています。この工程の不良率はもともと0.数%と極めて低く、不良品の画像サンプルがほとんど集まらないという課題がありました。そこで良品画像だけを学習させる独自のアルゴリズムを開発し、約1年をかけてAIモデルを育て上げ、後工程への不良品流出をゼロにしつつ、過剰判定(本当は良品なのに不良と誤判定してしまうこと)の発生率を従来の10分の1以下に抑えることに成功しています。
従来の画像認識AIは、「良品の画像」と「不良品の画像」の両方を大量に見せて、その違いを学習させる方法(教師あり学習)が主流でした。しかし製造現場では、不良品はもともと数が少なく、しかも欠陥の種類も傷・汚れ・変形などさまざまで、あらゆるパターンを網羅した不良サンプルを揃えるのは現実的ではありません。そこで使われるのが「異常検知」という手法です。AIに良品の画像だけをひたすら覚えさせ、「正常な状態とはこういうものだ」という基準を作り込みます。検査対象の画像がその基準から外れていればいるほど「異常の疑いが強い」と判定する仕組みで、事前に不良のパターンを教える必要がないのが特徴です。裏を返せば、「これまで見たことのない新種の欠陥」にも対応しやすいという利点があります。
予知保全:壊れる前に気づく仕組み
もう一つの注目領域が「予知保全」です。製造ラインの機械や設備から収集したデータをAIが分析し、故障の予兆を検知する仕組みです。「壊れてから直す」のではなく、「壊れる前に手を打つ」という発想の転換です。
コマツのKOMTRAX予知保全システムは、追加の外付けセンサーを一切使わないのが特徴です。機械にもともと搭載されているCNC・PLC(制御装置)からモーターのサーボ制御情報を自動収集し、クラウド上のAIが部品の劣化度・残存寿命を算出します。市場の機械から集めた劣化時・故障時の実データをAIに学習させて構築した「劣化部位判定AIモデル」により、新たなセンサーを取り付けるコストをかけずに予知保全を実現しています。
| 取り組み | 企業 | ポイント |
|---|---|---|
| AI外観検査 | アズビル(湘南工場) | 良品画像のみで学習。不良流出ゼロ・過剰判定は1/10以下に |
| 予知保全 | コマツ(KOMTRAX) | 追加センサー不要。既存のCNC・PLC情報から劣化度を予測 |
ROIが出やすい3領域
製造業のAI活用の中でも、特に「品質検査」「設備保全」「調達・在庫管理」の3領域は、導入事例が豊富で投資対効果(ROI)が出やすい分野とされています。いきなり工場全体を刷新するのではなく、この3領域のどこかひとつから着手し、成果を確認してから広げていくという進め方が現実的です。
PIMOAでも、製造現場の業務フローを整理した上で、どの工程からAI化に着手すべきかをご提案しています。
参考記事
製造業のAI活用【2026年版】|工程別ユースケース・導入事例・失敗しない進め方を解説 - SmartMat Cloud
はんだ付けの良否をAIが判断、アズビル湘南工場、「人に依存しない生産」 - 日経クロステック
予知保全システム - Komtrax - コマツ産機