結論から言う。工程内検査・SPCのAI活用は、「最後に不良を見つける」ためではなく、「工程が崩れ始めた時点で止める」ための仕組みだ。 外観検査AIが画像で不良品を見つける道具なら、SPC×AIは寸法・重量・圧力・温度などの工程データから、まだ不良になっていない異常の芽を検知する道具になる。

本記事は、製造業のAI活用ガイド2026のうち、品質管理を工程中に寄せるための実務ガイドだ。既に外観検査AIのデータ準備ガイドでは画像検査を、受入検査AI導入ガイドでは購入部品・原材料のIQCを扱っている。本記事はそれらと違い、「自社工程の途中で測るデータ」を主役にする。

この記事の要点

  • 工程内検査・SPC×AIの目的は、不良品の検出ではなく工程異常の早期検知。
  • 管理図、工程能力、測定値の時系列をAI/異常検知に渡せる形で残す必要がある。
  • AIアラートは作業停止・条件確認・初品再確認などの現場アクションとセットで設計する。
  • PoCは寸法ばらつき、設備条件、材料ロットの影響が大きい1工程から始める。

工程内検査は外観検査・受入検査と何が違うか

工程内検査は「作っている途中の工程が安定しているか」を見る。外観検査や受入検査とは、見る対象も判断のタイミングも違う。

検査見る対象タイミング主な目的
受入検査購入部品・原材料工程投入前他社品質を見極める
工程内検査・SPC自社工程の測定値・条件加工・組立の途中工程異常を早く止める
外観検査完成品・半製品の画像工程後・出荷前不良品を検出する
トレーサビリティロット・工程履歴問題発生時・監査時原因追跡と説明

工程内検査の価値は、最終検査で不良が出る前に工程の崩れを掴めることだ。寸法が規格内でも中心値からじわじわズレている、温度条件がいつもより高い、特定ロットだけ測定値が揺れる。こうした兆候を早く見つけられれば、不良の山を作る前に条件確認や設備点検に入れる。

SPCの基本をAIに渡せる形にする

SPCをAI化する前に、測定値・規格値・管理限界・工程条件を同じ単位で残す必要がある。紙の管理図を眺める運用のままではAIは使えない。

SPC（統計的工程管理）は、測定値のばらつきから工程が安定しているかを判断する考え方だ。AIを組み込む場合も、この基本は変わらない。AIに渡すべきデータは、単なる合否ではなく連続した測定値である。

データ例使い道
測定値寸法、重量、膜厚、トルク、圧力ばらつき・傾向の検知
規格値上限・下限、目標中心値合否と余裕度の判断
管理限界UCL/LCL、警告ライン工程異常の判定
工程条件温度、速度、圧力、設備番号異常原因の推定
ロット情報材料ロット、作業者、班偏りの切り分け

ここでよくある失敗は、「OK/NGだけ」をデータとして残すことだ。OK/NGだけでは、規格内で中心値からズレていく兆候を捉えられない。AIが異常予兆を検知するには、時系列の測定値と工程条件が必要になる。

AIでできること

SPC×AIで狙うべきは、異常予兆の検知、原因候補の提示、検査頻度の見直しの3つだ。

AI活用具体例注意点
異常予兆検知管理限界に入る前の傾向変化を検知する誤検知時の現場負荷を見積もる
原因候補の提示設備条件、材料ロット、作業者差との相関を見る相関と原因を混同しない
検査頻度の最適化安定工程は頻度を下げ、不安定工程は厚く見る品質保証上の承認が必要

アラート設計では、「通知して終わり」にしないことが重要だ。アラートが出たら、誰が、何分以内に、何を確認するのかを決める。たとえば「連続5点で中心値から上振れしたら、設備条件を確認し、初品再測定を行う」「材料ロット切替後にばらつきが増えたら、ロット隔離と追加測定に入る」といった現場アクションまで落とし込む。

PoCの対象工程をどう選ぶか

最初の対象は、不良損失が大きく、測定値が既にデジタルで取れる工程がよい。紙記録の工程を最初に選ぶと、AI以前のデータ化で止まりやすい。

候補工程は次の観点で選ぶ。

  • 不良損失が大きい：手直し・廃棄・納期遅れの影響が大きい工程
  • 測定値がある：寸法・重量・圧力・温度などが時系列で取れる工程
  • 工程条件が取れる：設備番号、条件値、材料ロットなど原因候補が残る工程
  • 現場が動ける：アラート後に条件確認・停止判断ができる体制がある工程

PoCの指標は、不良率だけにしない。工程異常の検知リードタイム、アラートの的中率、追加検査の工数、手直し・廃棄の削減額をセットで見る。品質保証部門と製造部門で、誤検知をどこまで許容するかも事前に合意しておきたい。

工程内検査AIのPoC条件を整理する

測定値・工程条件・ロット情報が揃っているか、どの工程から始めるべきかを確認し、PoCの検収条件まで整理します。

工程内検査AIの進め方を相談する

よくあるつまずき

SPC×AIの失敗は、統計の問題というより運用設計の問題で起きる。アラート後に現場が動けなければ、検知精度が高くても成果にならない。

  • 紙の管理図のまま：測定値がデータベース化されておらず、AIが使える時系列になっていない
  • OK/NGしか残していない：規格内のズレや傾向変化が見えない
  • 工程条件が紐付かない：異常が出ても設備条件・材料ロット・作業者差を追えない
  • アラートが多すぎる：現場が無視するようになり、品質活動として定着しない
  • 停止権限が曖昧：異常検知後に誰が止めるか決まっていない

SPC×AIは、品質保証だけのプロジェクトではなく、製造現場の停止判断を含む業務設計だ。検査データ、設備条件、現場アクションを同じ設計図に載せることが成功条件になる。

90日PoCの設計例

工程内検査AIは、90日で「異常を早く見つけたか」「現場が止められたか」「不良損失が減る見込みがあるか」を確認する。

期間やること成果物
1〜2週目対象工程を1つ選び、測定値と規格値を棚卸しする測定項目一覧、規格上限/下限
3〜4週目過去3ヶ月〜12ヶ月の測定値を集める時系列データ、欠損一覧
5〜6週目管理図とAI異常検知を並べて比較するアラート候補、誤検知候補
7〜8週目現場アクションを定義する停止、追加測定、条件確認の手順
9〜10週目実運用でアラートを試す的中率、現場対応時間
11〜12週目検収判断を行う検知リードタイム、不良損失削減見込み

数値目標は工程により変わるが、PoCでは「異常検知の的中率80％」のようなモデル指標だけにしない。たとえば、異常を最終検査の2時間前に検知できる、追加検査の工数を1日30分以内に収める、手直し・廃棄の対象ロットを月5件から2件に減らす、といった業務指標を置く。

要件定義で決めるべき項目

SPC×AIをシステム開発にするなら、管理図の電子化、異常検知、現場アクション、監査ログを一体で要件化する。ダッシュボードだけでは品質保証の業務にならない。

要件決める内容
データ取得測定機、PLC、MES、Excel、紙帳票のどこから取るか
データ粒度1個単位、ロット単位、時間単位のどれで見るか
異常判定管理限界、傾向変化、急変、ロット偏りをどう扱うか
通知誰に、何分以内に、どのチャネルで知らせるか
現場対応停止、追加測定、条件確認、品質保証承認の流れ
監査ログアラート、確認、判断、再開承認を誰が行ったか

品質保証では「後から説明できること」が重要になる。AIがなぜ異常と出したか、誰が確認し、なぜラインを止めた/止めなかったかをログとして残す。ここまで含めて初めて、SPC×AIは品質システムとして使える。

AIアラートの段階設計

アラートは1種類にしない。注意、警告、停止検討の3段階に分けると、現場の負荷を抑えやすい。

レベル条件例アクション
注意中心値からのズレが連続3点次回測定を増やす
警告管理限界に近づく、ばらつきが急増設備条件・材料ロットを確認
停止検討規格外予兆、同一異常が連続ライン停止、品質保証承認

この段階設計がないと、アラートが多すぎて現場が無視するか、逆に止めすぎて生産性を落とす。PoCでは、1日あたりのアラート件数、1件あたり確認時間、停止判断に至った件数を必ず測る。

費用感と補助金の考え方

工程内検査AIの費用は、測定値が既にデジタルで取れているかで大きく変わる。測定機やPLCから自動取得できる工程と、紙帳票から始める工程では、初期費用も期間も別物だ。

費用を左右する要素は4つある。第一に、測定データの取得方法。測定機からCSVが出るのか、PLC/MESに接続するのか、紙帳票をAI-OCRで読むのかで難度が変わる。第二に、工程条件の取得範囲。温度・圧力・速度・設備番号・材料ロットまで取るほど、原因候補は出しやすいが連携範囲は広がる。第三に、アラート後のワークフロー。通知だけなら軽いが、停止承認・品質保証承認・再開ログまで入れると業務システム開発になる。第四に、監査・品質保証で必要な証跡の粒度だ。

段階内容判断ポイント
データ化紙・Excel・測定機データを時系列化欠損率、品番/ロット紐付け
PoC1工程で異常検知とアラートを試す的中率、現場負荷、検知リードタイム
小規模導入MES/品質DBと連携し、日次運用に入れるログ、承認、再開判断
横展開類似工程へ展開し、品質会議に組み込む標準化、教育、保守体制

補助金を使う場合は、単に「AIで品質管理」ではなく、不良率、手直し時間、廃棄額、検査工数、停止損失の削減を数値で示す。3ヶ月で不良流出を何件減らすのか、検査工数を1日何時間削減するのか、といった効果指標があると稟議・申請の説明がしやすい。

発注前チェックリスト

SPC×AIの発注前には、品質保証と製造現場が同じ前提で話せる資料を揃える。測定値の意味をベンダーだけで判断することはできない。

  • 対象工程の工程フローと検査ポイント
  • 測定項目、規格上限/下限、目標値、管理限界
  • 直近3ヶ月〜12ヶ月の測定データ
  • 不良・手直し・廃棄の発生履歴
  • 設備条件、材料ロット、作業者、班の紐付け可否
  • アラート後に現場が取れる行動
  • ライン停止権限と品質保証承認のルール
  • PoC検収条件（的中率、誤検知件数、対応時間、不良損失削減見込み）

この資料がない場合、まずはデータ棚卸しから始める。AIモデルの選定を急ぐより、測定値と現場アクションの関係を整理する方が、後のシステム開発の成功率を上げる。

まとめ

工程内検査・SPCのAI活用は、出荷前に不良を見つける発想から、工程中に異常を止める発想への転換だ。測定値を時系列で残し、工程条件と紐付け、AIアラートを現場アクションに接続する。まずは1工程で、検知リードタイムと不良損失の削減を見に行くのが現実的だ。

関連記事

参考資料