製造業における人工知能の8つの応用シナリオ

人工知能の概念は、60年以上前の1950年代に初めて提案されました。しかし、モノのインターネット、ビッグデータ、クラウドコンピューティングなどの技術が成熟するにつれて、人工知能が爆発的な成長を遂げるようになったのは近年になってからのことです。

モノのインターネットにより、大量のデータをリアルタイムで取得できるようになります。ビッグデータはディープラーニングのためのデータリソースとアルゴリズムサポートを提供し、クラウドコンピューティングは人工知能のための柔軟なコンピューティングリソースを提供します。これらの技術の有機的な組み合わせにより、人工知能技術の継続的な発展が推進され、大きな進歩が達成されました。 AlphaGoとイ・セドルの人間対機械の戦いは、人工知能を最前線に押し上げ、新たな人工知能ブームを巻き起こした。

[[358142]]

それから数年経ち、人工知能の研究と応用が盛んになり始めました。スマート製造ブームの到来により、設計、生産、管理、サービスなど、製造業のあらゆる側面に人工知能アプリケーションが統合されるようになりました。

01人工知能技術の3つのレベル

人工知能の技術と製品は過去数年間にわたって実際にテストされており、現在では応用面でも比較的成熟しており、あらゆる分野への人工知能の統合が加速しています。技術的な観点から見ると、業界では人工知能の中核となる能力は計算知能、知覚知能、認知知能の 3 つのレベルに分けられると広く考えられています。

1. 計算知能

計算知能とは、機械が超大容量のストレージと超高速の計算能力を持ち、膨大なデータに基づいてディープラーニングを実行し、過去の経験を活用して現在の環境を導くことができることを意味します。計算能力の継続的な発展とストレージ方法の継続的なアップグレードにより、計算知能が実現されたと言えます。たとえば、AlphaGo は強化学習技術を使用して囲碁の世界チャンピオンに勝利しました。また、e コマース プラットフォームは、ユーザーの購買習慣のディープラーニングに基づいてパーソナライズされた製品の推奨を行っています。

2. 知覚知能

知覚インテリジェンスとは、機械が視覚、聴覚、触覚などの知覚能力を持つようにし、非構造化データを構造化し、人間的な方法でユーザーと対話できるようにすることです。さまざまな技術の発展により、より非構造化データの価値が評価・探求されるようになり、音声、画像、動画、触覚などの知覚に関わる知覚知能も急速に発展しています。自動運転車や有名なボストンダイナミクスのロボットなどは、さまざまなセンサーを使用して周囲の環境を認識および処理し、それによって操作を効果的に誘導する知覚知能を使用しています。

3. 認知知能

計算知能や知覚知能と比較すると、認知知能はより複雑です。つまり、機械も人間と同様に、知識を理解し、要約し、推論し、適用する能力を持っているということです。現在、認知知能技術はまだ研究と探究の段階にあります。例えば、公安分野では、犯罪者のミクロ行動とマクロ行動の特徴抽出とパターン分析、犯罪予測、資本浸透、都市犯罪進化シミュレーションなどの人工知能モデルとシステムの開発に使用されています。金融業界では、疑わしい取引の特定やマクロ経済変動の予測に使用されています。認知知能を開発の急速な軌道に乗せるには、まだ長い道のりが残っています。

02製造業における人工知能の応用シナリオ

アプリケーションの観点から見ると、人工知能技術のアプリケーションには、計算知能や知覚知能など、複数のレベルのコア機能が含まれる場合があります。産業用ロボット、スマートフォン、自動運転車、ドローンなどのインテリジェント製品は、それ自体が人工知能の担い手です。さまざまなソフトウェアと組み合わせたハードウェアは、ユーザーや環境をリアルタイムで認識、判断し、対話する能力を備えています。それらはすべて、複数の人工知能のコア機能を統合しています。

たとえば、製造業ではさまざまなインテリジェント ロボットが広く使用されています。仕分け/ピッキング ロボットは不規則な物体を自動的に識別してつかむことができます。協働ロボットは周囲の環境を理解して対応できます。自動追従資材カートは顔認識によって自動的に追従できます。SLAM (同時位置推定およびマッピング) テクノロジの助けを借りて、自律移動ロボットは搭載したセンサーを使用して未知の環境内の特徴マーカーを識別し、相対位置と走行距離計の読み取り値に基づいてロボットと特徴マーカーのグローバル座標を推定できます。無人運転技術では、位置決め、環境認識、経路計画、行動の意思決定、制御において、さまざまな人工知能技術とアルゴリズムも統合されています。

現在、製造企業で使用されている人工知能技術は、主にインテリジェント音声対話製品、顔認識、画像認識、画像検索、声紋認識、テキスト認識、機械翻訳、機械学習、ビッグデータコンピューティング、データ視覚化に重点を置いています。以下は、製造業における一般的な 8 つの人工知能アプリケーション シナリオをまとめたものです。

シナリオ 1: インテリジェントなソート

製造業では選別作業が必要な業務が多くありますが、手作業だとスピードが遅くコストもかかる上、適切な作業温度環境を用意する必要があります。産業用ロボットをインテリジェントな仕分けに使用すれば、コストを大幅に削減し、速度を向上させることができます。

部品の分類を例に挙げてみましょう。仕分けが必要な部品は、通常、きちんと整列されていません。ロボットには部品を見るためのカメラが付いていますが、部品をうまく拾い上げる方法がわかりません。この場合、機械学習技術を使用して、最初にロボットにランダムなピッキング動作を実行させ、次にその動作で部品を正常にピックアップできたか、ピックアップできなかったかをロボットに伝えます。複数回のトレーニングを経ると、ロボットは、どの順序でピッキングすれば成功率が高くなるか、ピッキング中にどの位置をクランプすれば成功率が高くなるか、また、どの順序でピッキングすれば成功率が高くなるかを知るようになります。数時間の学習を経て、ロボットの選別成功率は熟練労働者のレベルに匹敵する 90% に達することができます。

シナリオ 2: 機器の状態管理

設備稼働データのリアルタイム監視と特徴分析・機械学習技術の活用により、事故発生前に設備故障を予測し、計画外のダウンタイムを削減します。一方、突然の機器故障が発生した場合でも、迅速に障害を診断し、障害の原因を突き止め、適切な解決策を提供することが可能です。製造業、特に化学産業、重機、ハードウェア加工、3C製造、風力発電などの業界でよく使用されます。

CNC工作機械を例にとると、機械学習アルゴリズムモデルとインテリジェントセンサーを使用して、加工中の切削工具、スピンドル、送りモーターの電力、電流、電圧などの情報を監視し、工具の力、摩耗、損傷状態、工作機械加工の安定性状態を特定し、これらの状況に応じて加工パラメータ（スピンドル速度、送り速度）と加工指示をリアルタイムで調整し、工具の交換時期を予測することで、加工精度を向上させ、生産ラインのダウンタイムを短縮し、設備操作の安全性を向上させます。

図1 ディープラーニングによる工具摩耗状態予測

シナリオ3: 視覚ベースの表面欠陥検出

マシンビジョンに基づく表面欠陥検出は、製造業界で一般的になっています。マシンビジョンを使用すると、製品表面に汚染物質、表面損傷、ひび割れなどがあるかどうかを検出するなど、頻繁に変化する環境条件下で、製品表面のより小さく複雑な製品欠陥を数ミリ秒で迅速に識別して分類できます。現在、一部の産業インテリジェンス企業は、ディープラーニングと3D顕微鏡を組み合わせて、欠陥検出の精度をナノメートルレベルまで向上させています。検出された不良品については、システムが自動的に修理可能かどうかを判断し、修理経路と方法を計画し、その後、装置が修理アクションを実行します。

たとえば、PVC パイプは最も一般的に使用されている建築資材の 1 つであり、消費量も膨大です。製造および梱包の過程で、表面の傷、穴、水跡、あばたなどのさまざまな欠陥が発生しやすく、検査に多くの人手がかかります。表面欠陥の自動目視検査を採用した後、面積とサイズの最小値と最大値を設定することで、パイプ表面の不純物を自動検出し、最小検出精度は0.15mm²、検出率は99％以上です。パイプ表面の傷は、傷の長さと幅の最小値と最大値を設定することで自動的に検出し、最小検出精度は0.06mm、検出率は99％以上です。パイプ表面のしわは、しわの長さと幅、破片の長さ、色差の閾値の最小値と最大値を設定することで自動的に検出し、最小検出精度は10mm、検出率は95％以上です。

図2 PVCパイプ表面のしわ検出（出典：Weishi Intelligent Manufacturing）

シナリオ4: 音声による製品品質検査と故障診断

声紋認識技術は、異常音を自動的に検出し、不良品を見つけ、声紋データベースと比較して故障判定を行うために使用されます。例えば、2018年末から、フォルシア（無錫）工場はグループのビッグデータサイエンティストチームとの全面的な協力を開始し、シートアジャスターのNVH性能評価（振動・騒音試験）にAI技術を適用することに取り組んでいます。 2019年、フォルシア（無錫）工場は調整器の異常音検出にAI技術を適用し、信号取得、データ保存、データ分析から自己学習までの全プロセスの自動化を実現しました。検出効率と精度は従来の手動検査をはるかに上回りました。無錫工場ではAI（人工知能）技術に基づく騒音検知システムを導入したことで、従業員数が38人から3人に減少しました。同時に、品質管理能力が大幅に向上し、年間の経済効果は最大450万人民元に達しました。

シナリオ5: インテリジェントな意思決定

製造企業は、製品品質、運用管理、エネルギー管理、ツール管理に機械学習などの人工知能技術を適用し、ビッグデータ分析と組み合わせて、スケジュール方法を最適化し、企業の意思決定能力を向上させることができます。

例えば、FAW Jiefang Wuxi Diesel Engine Plant のインテリジェント生産管理システムには、異常および生産スケジュールのデータ収集、決定木に基づく異常原因診断、回帰分析に基づく設備ダウンタイム予測、機械学習に基づくスケジュール決定最適化などの機能があります。過去のスケジューリング決定プロセス データとスケジューリング実行後の実際の生産パフォーマンス指標をトレーニング データ セットとして使用し、ニューラル ネットワーク アルゴリズムを使用してスケジューリング決定評価アルゴリズムのパラメーターを調整し、スケジューリング決定が実際の生産ニーズを満たすようにします。

シナリオ6: デジタルツイン

デジタルツインは、仮想世界における客観的なものの鏡像です。デジタル ツインを作成するプロセスでは、人工知能、機械学習、センサー データを統合して、リアルタイムで更新でき、物理的な製品ライフサイクル全体にわたるさまざまなアクティビティの意思決定をサポートするために、強い存在感を持つ「実際の」モデルを構築します。デジタルツインオブジェクトの低次元モデリングを完成させるには、複雑で非線形なモデルをニューラルネットワークに組み込み、ディープラーニングを使用して有限の目標を設定し、この有限の目標に基づいて低次元モデリングを実行します。

たとえば、従来のモデルでは、温水パイプと冷水パイプの出口の流体と熱のシミュレーションは、16 コアのサーバーで 1 回の計算につき 57 時間かかりますが、低次元モデリングでは、1 回の計算に数分しかかかりません。

シナリオ 7: ジェネレーティブ デザイン

ジェネレーティブ デザインは、人間とコンピュータの相互作用と自己革新のプロセスです。製品を設計する際、エンジニアはシステムのガイダンスに従って、材料、重量、体積などの必要なパラメータと性能制約を設定するだけで済みます。人工知能アルゴリズムと組み合わせることで、設計者の意図に基づいて何百もの実行可能なソリューションを自動的に生成し、その後、独自に包括的な比較を行って最適な設計ソリューションを選別し、それを設計者に提示して最終決定を下すことができます。

ジェネレーティブ デザインは、コンピューターや人工知能のテクノロジーと深く統合され、高度なアルゴリズムとテクノロジーをデザインに適用する、新しい学際的なテーマとなっています。広く使用されている生成アルゴリズムには、パラメータ化システム、シェイプ文法 (SG)、L システム、セルオートマトン (CA)、トポロジー最適化アルゴリズム、進化システム、遺伝的アルゴリズムなどがあります。

図3 スポークのジェネレーティブデザイン（出典：Ansem Asia Pacific）

シナリオ8: 需要予測、サプライチェーンの最適化

当社は人工知能技術を基盤として、正確な需要予測モデルを構築し、企業の売上予測や保守資材準備予測を実現し、需要重視の意思決定を行っています。同時に、外部データの分析を通じて、需要予測に基づいた在庫補充戦略、サプライヤー評価、部品選定などを策定します。

例えば、アメリカンホンダは生産管理コストを現実的にコントロールするために、将来の顧客ニーズがいつ発生するかを把握したいと考えています。そのため、1,200 の販売店の顧客販売およびメンテナンス データを使用して、今後数年間に修理のために販売店に返却される車両の数を予測する予測モデルを確立しています。この情報はさらに、さまざまな部品の事前準備のための指標に変換されます。この変革により、American Honda は 99 パーセントの予測精度を達成し、顧客からの苦情処理時間を 3 分の 1 に短縮することができました。

03 結論

現在、ますます多くの企業、大学、オープンソース組織が人工知能の分野に参入しており、成功した人工知能のオープンソースソフトウェアとプラットフォームが大量に流入し続けており、人工知能は前例のない爆発的な成長期を迎えています。しかし、金融などの業界と比較すると、製造業における人工知能の応用シーンは多いものの、突出しているわけではなく、むしろ発展が遅いとも言えます。

その理由は主に次の 3 つの点にあります。

まず、製造プロセスにおけるデータの収集、活用、開発はいずれも非常に困難です。また、同社のデータベースは主に非公開であり、データ規模が限られています。高品質の機械学習サンプルが不足しており、機械の自律学習プロセスが制限されています。

第二に、製造業にはそれぞれ違いがあり、人工知能ソリューションには高度な複雑性とカスタマイズ性が求められます。

第三に、人工知能と製造業の深い融合という発展のトレンドをリードできる、各業界の大手企業が不足しています。

上記の 3 つの問題を解決することによってのみ、人工知能技術を製造業により効果的に適用できるようになります。