品質AIは4つの問いに分かれる
品質に関わるAIは、答えようとしている問いで4つに分けると整理しやすくなります。
- 工程監視：いま工程はいつもどおりか（SPC、多変量SPC、異常検知）
- 要因分析：なぜ不良が出たのか（層別、PLS、勾配ブースティング）
- ソフトセンサー：測れない品質値をいくつと推定できるか（回帰モデル、バーチャルメトロロジー）
- 条件最適化：どの条件で作れば品質がよくなるか（ベイズ最適化、強化学習制御）
この順番は、おおむね難易度と必要なデータ量の順でもあります。監視は正常データだけで始められますが、条件最適化は実験や制御系への介入が要ります。外観検査（画像）は別の系統として外観検査AIの全体像で扱います。
4領域の比較：必要データと効果の出方
| 領域 | 主な手法 | 必要なデータ | 効果が出る指標 | 主な落とし穴 |
|---|---|---|---|---|
| 工程監視 | 管理図、Hotelling T²、Q統計量 | 正常時の工程データ | 異常の早期発見、流出防止 | 運転モードの違いを異常と誤認 |
| 要因分析 | 層別、PLS、勾配ブースティング | 不良を含む実績と工程条件の紐付け | 不良率の低減 | 相関を因果と取り違える |
| ソフトセンサー | PLS、ガウス過程、JITモデル | オンライン計測値と分析値の対 | 分析待ち時間の削減、全数推定 | ラボ値との時刻ずれ、ドリフト |
| 条件最適化 | ベイズ最適化、強化学習 | 実験結果、シミュレータ | 条件出しの実験回数削減、収率 | 安全範囲外の条件提案 |
工程監視では、変数ごとの3σ管理では相関の崩れを見逃すため、多変量の手法を使います。Hotellingが1947年に導入したT²統計量は、複数変数の平均と共分散をまとめて管理する方法で、NIST/SEMATECHのe-Handbookでも解説されています。同ハンドブックは、多変量管理図で異常を検知しても原因の特定には別途単変量の分析が要る、と注意しています。詳しくは多変量SPC入門を参照してください。
ソフトセンサーについては、Kadlecらが2009年にComputers & Chemical Engineering誌でまとめたレビューが、化学・バイオ・鉄鋼を主な適用分野として挙げています。分析値のサンプリング間隔が粗い（数時間に1回など）、プロセスがドリフトする、といった課題は今も同じです。
条件最適化では、Kariminejadらが2024年にScientific Reportsで発表した射出成形の研究で、ベイズ的な適応実験計画が単目的の条件出しを16実験で終えた（中心複合計画ベースは31実験）と報告されています。
どの領域から始めるか：3つの判断基準
着手する領域は、技術の新しさではなく次の基準で選びます。
- 不良の原因が分かっていないなら要因分析から。分かっているが流出を止めたいなら工程監視から
- 品質値の測定に時間やコストがかかる（ラボ分析、破壊検査）なら、ソフトセンサーの候補
- 新製品の立ち上げや材料変更のたびに条件出しで何十回も試作しているなら、条件最適化の候補
実務では、要因分析で効いている変数が分かってから、その変数を監視し（工程監視）、さらに最適な範囲を探す（条件最適化）という順につながることが多いです。最初の一歩としては、相関と層別から始める不良の要因分析の4段階が、データ準備の練習にもなります。
MESとの関係：品質AIのデータはどこから来るか
品質AIに必要なデータは、設備のPLCやヒストリアン、検査装置、ラボの分析システム、そしてMESに分散しています。この中でMESは、ロット・品番・工程・設備・作業者という「どの条件で作ったか」を示すキーを持っています。センサの時系列だけではどのロットのデータか分からず、検査結果だけでは条件が分からないため、両者をつなぐのがMESの役割です。
紐付けの設計は品質AIの前提となるトレーサビリティで詳しく扱います。品質AIのプロジェクトで最初の数か月がデータの紐付けに消えることは珍しくありません。その期間を見込んで計画を立ててください。
よくある質問
品質AIと外観検査AIは何が違いますか
外観検査AIは製品の画像から良否を判定するもので、出口の検査を自動化します。品質AIはこの記事で扱う工程データ側の分析で、不良の原因を探したり、不良が出る前に工程の異常を捉えたりします。両者を組み合わせると、検査で見つけた不良の原因を工程データでたどれます。
統計的品質管理（SQC）とAIは別物ですか
連続しています。多変量SPCやPLSは統計手法で、勾配ブースティングやガウス過程は機械学習の手法ですが、目的と前提は同じです。実務では統計手法で基準を作り、機械学習で非線形の関係を補う使い方が一般的です。
データがどれくらいあれば始められますか
領域によります。工程監視は正常時のデータが数週間分あれば始められます。要因分析は対象不良を含むロットが数十件以上あると傾向が見えやすくなります。ソフトセンサーは分析値とオンライン計測値の対が数百件程度あるのが望ましいです（いずれも目安で、工程によって変わります）。
- 6.3.4 What are Multivariate Control Charts?（NIST/SEMATECH e-Handbook of Statistical Methods）
- Data-driven soft sensors in the process industry（Kadlec, Gabrys, Strandt, Computers & Chemical Engineering, 2009）
- Single and multi-objective real-time optimisation of an industrial injection moulding process（Kariminejad et al., Scientific Reports, 2024年11月）
この記事に出てくる用語
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
