製造業ｘAI　人工知能がモノづくりを熱くする

XC-AA-18-0005-01 製造業✕ Ａ Ｉ 人工知能がモノづくりを熱くする 株式会社クロスコンパス 1

製造業におけるＡＩ適用 ➢製造業を取り巻く環境 ➢既存の機械学習からディープラーニングへ 人材不足の問題を解決し、生産性向上を目 この課題を解決できる手法がディープラー 指す一つの解決策として人工知能（ＡＩ）の ニングです。 導入が製造業において検討され始めています。 ディープラーニングは大量のデータから正 現在、日本の主要産業である製造業にも大 常/異常の特徴量を自動的に見出し、さらに きな変化のうねりが押し寄せようとしており、 データを追加されるごとに学習するため判定 グローバル競争が激化する中で日本企業の国 精度に日々改良を加えることが可能です。 際競争力は年々低下を続けています。 また、ニューラルネットワークによって一 その一因が生産年齢人口比率の減少といわ つの現象のみならず複合的な現象に基づく異 れています。 2000年以降、少子高齢化の中で 常判断ができるため、あたかも熟練者が行っ 生産人口比率は右肩下がりを続けており（下 たかのような判断を行うことが可能となりま 図）、技術者不足、熟練者の定年退職による す。製造ラインの自動化や高効率化の実現が 技術継承問題など多くの課題を抱えています。 ねらえます。 労働政策研究・研修機構「データブック国際労働比較2017」 ➢ ‘経験’による判断から定量的な判断へ ➢ディープラーニング適用の条件 AIを適用することで、今まで一部の技術者の ディープラーニングを適用するには、一定 みに会得されてきた暗黙知や判断基準を、人 の有用なデータが必要になります。有用な 工知能+マシーンによる自動工程へと進化させ データが不十分な場合、ディープラーニング ることが期待できます。 の十分な性能が発揮できない “死の谷”に直 面します。ここでは、既存の機械学習による 製造現場では、製造工程でトラブルが生じ 手法よりも性能が劣化してしまうことがあり たり製造機器に不具合が生じた場合、企業の ます。 生産活動に打撃を与える恐れがあります。少 しでもトラブルが生じないよう、製造現場で データが必要十分な場合、蓄積・整理され は振動、音、メータなどから読み取れる物理 るにつれ性能は加速度的に向上し、最終的に 情報を基に予知保全やメンテナンスを実施し 既存手法を上回る性能が期待できます。 ていますが、熟練者の勘や経験を加味しなが 長期的な視点でディープラーニングの導入 ら運用しているのが現状です。 判断を行うことが、将来的な優位性確保に繋 がるといえます。 この状況を解決するために、従来では統計 解析手法や既存の機械学習※１を 用いていまし たが、熟練者が実施してきた複合的な現象に 基づく異常判断を行うことは難しく、自動工 ※１：エンジニアが特徴量と判別式を手作りし閾値管理を行 程化実現への課題が山積していました。 う既存の機械学習 2

Manufacturing-IX (M-IX)とは？ ➢ 製造業向け人工知能の統合開発環境 M-IX クロスコンパスが開発したManufacturing-IX（M-IX)は、製造業をターゲットに製造装置 の予知保全及び製造品の異常検知を行う人工知能を簡単に生成・運用する統合開発環境です。 熟練者が判断した正常時・異常時の様々なデータを学習することで、M-IXも熟練者と同じ 判断基準で正常・異常の判断を行うことができるようになります。 また現場で作業するエンジニアに広く活用してもらえるよう、人工知能の専門的な知識を 持っていない人でも簡単に生成できるよう設計しました。 M-IXはクラウドにデータを上げる必要がなく、製造現場のみのクローズした環境で運用す ることが可能です。よって機密情報である重要なデータが漏えいすることを心配する必要もあ りません。 M-IXを導入することで、異常検知・予知保全を実現する人工知能の生成から実運用まで、 現場主導による生産性の向上を実現できます。 ➢ M-IXの活用例 3

Manufacturing-IX(M-IX) －学習・デプロイ・推論－ M-IXの特徴 M-IXは製造業向けの異常検知・予知保全が可能な人工知能を、現場ですぐにご利用頂ける統合開 発環境となっております。 従来、ディープラーニングは問題ごとに最適な構造、チューニング・パラメータの選択を必要と し開発に多くの時間を要しました。M-IXは、実証済みの多くのパラメータ構造を内蔵し、チュー ニングのための計算を自動的に行うことで、開発工数を劇的に削減することができます。 人工知能モジュールの生成機構の概要と運用時のイメージ 特長： [1]豊富な導入事例により実証されたニューラルネット ワークを内蔵 豊富な導入事例により実証確認されたニューラル ネットワーク（NN）を内蔵し、データを参照することで、 最適なニューラルネットワークを自動採択できます。 [2] AIに関する知見を必要としない簡単な生成フロー 評価用ユーザインタフェース“STEP6”で直観的にAIモ ジュール生成が可能であり、異常検出及び 閾値設定は現場担当者が容易に調整・設定可能です。 [3]簡単に様々なデバイスへ払出(デプロイ)可能 学習済みのAIニューラルネットワーク、パラメータ及び、 前・後処理を含めたニューラルネットワークモジュール を現場での機器に即座に払い出すことが可能です。 ニューラルネットワークは現場でユーザーが採択できま す。また、運用機器に向けた“Embedded IX Engine” (Embedded Linux, Windows, uITRON)を提供しており、 機器側にて推論・判定をリアルタイムに行うことができ ます。 4

Manufacturing-IX(M-IX) －学習・デプロイ・推論－ M-IXのメリット  収集したデータを第三者に開示することなく、自社の環境でAI開発が行えます。  学習済みAIをラインに設置しているPCやPLCへ搭載し推論/運用が行えます。  製造業で実証済のアルゴリズムを実装しています。  定期的にバージョンアップすることで最新のアルゴリズムを使用できます。  多様なデータ(時系列/振動/画像)に対応可能。工場内で幅広く活用できます。  学習から推論までの簡単な生成/運用フローを準備しています。 ※対応可能データが多様なので様々な現場の課題に活用できます。 ➢ M-IX操作画面イメージ 時系列/振動/画像の“教師あり/なし”に対応し ており、入力データは実際に接続されているセ ンサーからのデータ取得(AI Unit)とオフライン で取得済みのデータ(CSVファイル)を選択する ことができます。 入力データの前処理もM-IXでカスタマイズ可能 学習済NNに対し、現場で各スコア、ヒストグ (テンプレート搭載) ラム分類の表示及び閾値設定が可能 5

M-IX活用事例 ①外観検査 ➢外観検査への人工知能適用背景 ➢識別の根拠を理解する手法(Grad-CAM) 人工知能は製造ラインにおいて、現在人の Grad-CAMは、ディープラーニングの可視 目に頼っている外観検査への応用が期待され 化手法の一つであり、ある判定をしたときに ています。 どの情報が根拠となっているかをヒートマッ プで可視化することが可能です。 製造ラインにおいて検査対象となる製品の キズやへこみ、異物付着等の種類は多種多様 先ほどのペットボトルの異物検出の結果を であり、製品の複雑な立体形状から不鮮明な Gard-CAMで可視化したものが下図です。異 異常を検出することは容易ではありません。 常判定時のニューラルネットワークの内部状 態から判定結果に対する入力の寄与度を算出 また、自動外観検査装置はあらかじめ設定 し、どこを見て異物と判断したかを表示しま したルールに基づいて異常/正常の判定を実 す。 施しているため、目視と比べどうしても精度 が劣るのが実態です。そのため、自動外観検 これまでブラックボックスになりがちだっ 査装置を使用していても、最終的には作業員 たAIの判断根拠に対し「説明可能性」がもた が目視で再検査を行うという製造ラインは少 らされたことで、疑念が払拭され、AI導入に なくありません。 踏み切る企業が増えています。AIでの判断だ けではなく、ベテランの作業員が判断してい そのような自動外観検査装置が苦手とし、 るポイントも言葉で伝えることができるので、 目視に頼っている検査において注目されてい 技術の継承にも貢献が可能となっています。 るのが人工知能であり、実際様々な外観検査 への活用が進みつつあります。 ➢ペットボトルの異物検出 その一つの事例がペットボトルの異物検出 です。 従来の外観検査では、ペットボトルの影と 異物はどちらも黒く写り、自動識別すること は非常に困難でした。 そこでペットボトルに検査用のLEDを投射 し異物を｢見える化｣し、その画像をディープ ラーニングで解析することで、従来の画像処 理では難しかった異物と影の識別するモデル （学習済のニューラルネットワーク）を生成 しました。 これにより、真の異常である異物の検出を 高精度で自動的に実施することが可能となり、 飛躍的な生産性の向上が実現できました。 6

M-IX活用事例 ②製造業のプロセス異常検知 ディープラーニングを用いた人工知能が製 一方で、故障確率を従来の統計的手法で予 造装置の異常を判断することで、誤って異常 測してもうまくいかないといった課題もあり、 と検出してしまう「虚報」の発生率を1/10に 消耗品の交換基準の決定は、熟練者の経験や 抑えることに成功しました。 ノウハウに頼って行っているのが実情です。 従来の半導体工場におけるウエハプロセス ディープラーニングによって、どのセンサ 異常検知システムでは、ウエハの温度やガス データが予測に最も寄与しているのか明確化 濃度、真空度等のデータを測定し、エンジニ でき、データに裏付けられた正確な交換基準 アが特徴量と判別式を手作りして閾値設定を の決定が行えるようになりました。 行っていました。また異常検出はオフィス サーバで実施されていたため、データのサン プリング周波数は1秒～1分と非常に荒い上、 ④設備保全 異常と正常が混在するグレーゾーンが広く存 M-IXを用いることによって、モータ稼働部 在していました。 の劣化に対し、トルクデータのみで異常有無 今回、ディープラーニングを用いた人工知 の判断を行うことができるようになりました。 能が製造装置の異常を判断することでグレー 生産性を向上させるには、モータのような ゾーンを狭め高精度な検知が可能となりまし 重要な要素の設備保全（工場の機械を安全に た。 動かすために修理・点検を行うこと）もかか せません。 従来は故障後の保全である事後保全が主流 でしたが、モータの劣化や故障の予兆を検出 することで、保全費用のミニマム化・ゼロダ ウンタイム化を実現し、設備稼働率向上に貢 献することができます。 ③予知保全 ディープラーニングを適用して、一定期間 のセンサデータ及び経過時間を学習データと してモデルを生成することにより、高い確率 で故障期間を予測することが可能となりまし た。 予知保全（機器内の消耗品の故障予兆）に はメンテナンスコストの削減、機器の稼働率 増加といったメリットがあります。 7

人工知能の開発サービス ➢モデル開発の流れ ➢クロスコンパスの差異化ポイント クロスコンパスは製造業のお客様向けに豊富 様々な業界出身者の専門家と、豊富な実装 な実装経験を有しています。日頃の研究開発に 経験をもとに、顧客課題に応じた柔軟なソ 加え、ご相談頂いた案件ごとに論文調査を行う リューションを提供しています。お客様のア ことで世界基準で最先端であるソリューション イディアをビジネス価値に着地させる提案力 をご提供しています。 とそれをカタチにする技術力が当社の強みで ①実現可能性の探索 す。 最初にお客様の課題に関し議論をする際、採 人工知能統合開発環境 “M-IX” を導入頂く 取可能なデータの量・質・ラベル有無に関して ことで、開発で生成した学習済みモデルを含 も協議をし、コンサルティングフェーズへの移 めた再学習をお客様自身で実行することがで ※２ 行可否を判断します。 きます 。 ②コンサルティングフェーズ コンサルティングフェーズではご提供頂いた データを基に解析や処理方法の検討を行い、当 社知見と論文調査から導き出される最適な ニューラルネットワーク構造のご提案、簡易実 験を経ての実現可能性をレポート致します。 （準委任契約） このレポート結果に基づき、お客様と相談の 上アルゴリズム生成する実験・実証フェーズへ 移行します。 ③実証実験フェーズ 実験実証フェーズでは機能実装と実験を繰り返 し、お客様と相談の上決定する評価指標に対し てのモデルの探索を行います。（請負契約） 学習済モデルは、お客様の運用に合わせた 導入支援を致します。 推論実行においては、エッジコンピュー ティング環境（産業用パソコン・各種コント ローラ・FA機器、LSI・FPGA等）での動作を サポート致します。 お客様システムへの導入に際しては、当社 パートナーによる開発サポート体制も整えて います。 生成した学習済みモデルは、お客様工場の製 ※１：別途ライセンスが必要になります。 造装置等で導入されたり、お客様製品に組み込 ※２：現在のM-IXは分類問題を解くモデル生成に特化させており、開発で生成 まれることになります※１。 するすべてのモデルがM-IXで再学習できるとは限りません。 ➢ 主な導入事例 8

開発事例①：ロボットアーム制御 ➢開発の背景 ➢Engine 1 Deep Learningをロボット制御に活用す 対象物体の把持可能位置を推定する るアイディアは、多くの研究者が長年取り Engine1では、Faster R-CNNアルゴリズムを 組んできた課題の1つです。しかし、物体 基本としたモデル構造を使用しています（下 を掴むといった人間には簡単に思える作業 図参照）。Faster R-CNNは、画像内の物体 でも、特有の理論的な難しさを含んでおり、 にBounding Box（囲い枠）を表示すると共に、 まだ研究余地を多く残す分野となっていま その中に含まれる物体のカテゴリ（例えば人、 す。例えば複数の掴み方があったときにそ 車など）の認識を行います。 の中から最適なものを選ぶということが、 ロボット制御において思わぬ障害となるこ ともあります。目の前にある物体を取ると きには、肩、肘、手首、指の角度を適切に 組み合わせることで掴むことができるわけ ですが、同じ掴むということであれば、肘 を上げたり、手首を回転させたり、代わり に別の指を閉じたりと無数の方法がありま 今回開発したモデルではFaster R-CNNに す。最適な解決策は1つとは限らないため 改良を加え、物体全体にBounding Boxを付与 探索すべき範囲が非常に広くなります。 する代わりに把持可能な「点」を推定させる よう設計しています。 加えてそれらの組み合わせで作られる探 索空間はほとんどの場合非連続的で、掴め ➢Engine 2 る複数の姿勢の平均がまた掴める姿勢に Engine1で選定された物体を把持するため なっているとは限らないことも、問題の複 の制御コマンドを生成する機能を持ち、モ 雑性に拍車をかけています。これは、拘束 ジュール型の構造を採る独自のニューラル 条件がある状況だとより頻繁に発生する問 ネットワークモデルとして設計しています。 題になります。 ➢開発したシステム 産業ロボットのリーディングカンパニー である安川電機様と共同で、物体把持シス テムの開発を行いました。 このシステムでは、x、y、z軸およびロ GoalとActorのモジュールから構成されて ボットの軸周りの回転まですべてAIによる おり、Goalモジュールからの情報とロボット 制御を行っています。ロボットには、標準 現在位置を組み合わせ、Actorモジュールで6 的なグリッパを装着したものを使用しまし 軸それぞれに対する制御コマンドを計算して た。グリッパのすぐ上には2Dカメラを固定 います。各モジュールは、前段モジュールが し、物体認識に使用しています。 決めた制御コマンドを受け、把持可能な最適 位置・角度を推定、もしくは前の制御コマン AIモデルはEngine 1とEngine 2という2つ ドでは足りなかった分を修正するなどの処理 の要素から構成されており、前者は対象物 を行っています。 体の把持可能位置を推定・追跡する機能、 ➢まとめ 後者はそれを受けてモータの制御コマンド を生成する機能を受け持っています。 今回開発で特に重要な要素として、2Dカメ ラ利用、バルクカラン把持可能点の推定及び 追尾、6軸制御による物体把持、カスケード 構造により学習の加速があげられます。 Engine 1はDeep Learningによる把持可能 点の推定と、古典手法による追尾の組み合わ せにより実現している点が面白く、Engine 2 はモジュール化とカスケード構造という高度 な仕組みを取り入れている点がユニークです。 9

開発事例②：生産パラメータの最適化 ➢開発の背景 ➢ディープラーニングを用いた分析 化学薬品の調合は原材料濃度のバラツキや周 過去の生産時に収集したセンサーから得ら 囲環境(温度・湿度など)、製造過程の条件に影 れる多変量データと、教師データである最終 響を受けやすく、エンジニアの介在なくピンポ 製品の濃度値の大量データを用いディープ イントの製品品質を安定的に製造することは非 ラーニングで学習することで、生産中の多変 常に難しい作業です。 量データから最終製品の濃度を事前に一定の 精度で予測することができるようになりまし 現状においては熟練者の経験や勘に頼り、見 た。 た目や感触を使い材料の量や反応時間、加熱時 間などを微調整し、製品バラツキを抑え込んで います。 よって、製品の品質はエンジニアの熟練度に 影響してしまうことが多く、安定した品質確保 を行うためにはエンジニアの熟練度を向上させ ることが重要でした。 ➢今後の展開 学習で得られた製品濃度を予測するモデル を使い、生産過程のデータをモデルに入力す ることで数10分後の製品濃度を予測し、ター ゲット特性が得られるように加熱時間や薬剤 量の調整することで安定した製品品質を維持 しながら生産することが期待できます。 ➢製造条件の定量化への課題 少子高齢化の影響もあり熟練者の確保が厳し く、なおかつ少量多品種製品を製造するには、 製品ごとのレシピを熟練者が覚えコントロール することが求められます。 しかし熟練者が獲得した判断基準は定量化で きず各人の基準もまちまちであるため、安定し た製品品質を確保し続けることは難しいと考え られます。よって熟練者が判断してきた原料投 入タイミングや加熱時間、温度などの情報から、 人工知能で分析し、熟練者が実施してきた微調 整の再現ができることが望まれてきています。 製造条件(パラメータ)を人工知能へ入力する ことで定量的な結果が得られ、熟練者間で生じ る差異を吸収できたり、熟練者しかできなかっ た判断を一般エンジニアに対しても人工知能が 教師になりアシストすることが可能となります。 また基準が明確化できるため他工場や海外に 展開を行う場合でもマザー工場と同一品質生産 が実現できることが期待されています。 10

ＡＩに関する知的財産権の利活用 ➢クロスコンパスの「ＡＩ知財コンサル」 ➢ＡＩ知財をワンストップで クロスコンパスでは、AIを活用した特許権 クロスコンパスの「ＡＩ知財コンサル」で 取得に至る手続を総合的に支援する「ＡＩ知 は、お客様が開発依頼し、クロスコンパスが 財コンサル」のサービス提供を行っておりま お渡しする学習済みモデル等のＡＩの知的財 す。 産物と共に、特許共同出願の準備書類が「Ａ Ｉ知財コンサル」の成果物の一つとして納品 クロスコンパスは、これまで他社で解決で されます。その後、お客様との確認ステップ きなかったような難しい課題に対する多くの を経て、特許共同出願手続を完了させること ご相談をいただきます。お客様からいただい ができます。もちろん、特許出願後の特許審 た課題を一緒に解決し、共創した“知的財産 査対応・各種期間管理もワンストップで行い 物”は、その課題を解決した発明＝特許性のあ ます。 る発明として、広く利活用が期待できるよう 価値ある知的財産となり得るものです。 その他、ご要望に応じてお客様へのＡＩに 関する知財教育、知財相談も承りますので、 一方で、お客様の中には知的財産権の重要 お気軽にご相談ください。 性を認識されながらも「ＡＩをどうやって権 利保護するかわからない。」、「特許取得ま での手続きが煩雑そう。」という印象から、 せっかくの知的財産を保護しないままにする ケースが多く見受けられるようです。 今後、ビジネスを円滑に進めるための知的 財産権の利活用をお客様にご提案することで、 お客様と一緒に知的財産の価値を高める活動 を行っております。クロスコンパスでは、特 許庁審査官として異常監視・ロボティクス・ 制御システム・生産管理などAIの適用先とな る技術分野についての特許審査を長年経験し た弁理士が、一緒に課題を解決した成果に対 し、特許出願書類作成、共同特許出願手続、 特許審査対応などをお手伝い致します。 [お問い合わせ先] 株式会社クロスコンパス 〒104-0033東京都中央区新川2-9-11 PMO八丁堀新川ビル9F メール：info@cross-compass.com https://www.xcompass.com/ XC-AA-18-0005-01