ものづくりの現場では、品質を確認する目的でさまざまな検査が行われてきた。その検査がこのところ、大きく進化しようとしている。新しい測定技術やAI(人工知能)などを活用して検査の方法自体を変革する。

SUBARU群馬製作所大泉工場内の様子
SUBARU群馬製作所大泉工場内の様子

 SUBARU(以下、スバル)は富士通などと共同で、カムシャフト(エンジンの燃焼室に出入りする空気を制御する部品)の研削加工における全加工品の品質をリアルタイムで予測し、良否を判定する人工知能(AI)モデルを開発した。2019年12月からの実証試験を経て、22年1月末からスバル群馬製作所大泉工場(群馬県大泉町)の量産ラインで本格稼働している。

 従来は加工後の検査工程で、全数に対しては検査員による目視検査を、抜き取りでは測定による検査を、実施していた。AIモデル導入後は、加工中に全数の品質を予測して保証する。抜き取り検査は今後も実施するものの、品質を確認するためではなく、測定した値とAIの予測値を比較してAIモデル精度を評価するための「校正」へと目的が変わる。

カム研削が抱えていた課題

 今回、品質予測の対象となったカムシャフトは、断面が卵形の部品(カム)を複数取り付けた軸である。エンジン用カムシャフトは、吸気・排気バルブを開閉する役割があり「カムの寸法精度が燃費性能や排ガス性能に影響を及ぼし、表面性状が悪いと異音発生の原因となる場合がある」(同社製造本部群馬製作所電動車両生産技術部DX主査兼生産技術統括部DX企画主査の大庭卓氏)。

 カムに求められる精度は、表面粗さを示すRa(算術平均粗さ)でコンマ台(1マイクロメートル未満程度。マイクロは100万分の1、μm)、真直度は数μmなど、肉眼での不良判断が難しい。そのため、抜き取り検査で捕捉しきれず後工程に流れてしまうなどの課題を抱えていた。

 これに対しスバルは、加工中に得られる情報から加工後の品質を予測し、全数保証する方法に目を付けた。この予測にAIを活用。研削設備から収集する加工データと、加工品の形状や表面粗さなどを示す品質データをひも付け、機械学習させてAIモデルを構築した。

 加工データと品質データのひも付けとは、例えば、砥石を回転させるモーターの電流値(加工データ)と加工品の表面のRa値を1つのセットにしたものである。「Ra値は砥石表面の状態に大きく影響を受ける。砥石が劣化するなどして表面が粗くなるとRa値も大きくなる。砥石の表面が粗いと加工品を削る際のひっかかりが大きくなる。すると、モーター負荷が増えて電流値が大きくなる。つまり、電流値はRa値を予測する要素の一つとなる」(大庭氏)。そのために、あえて劣化した砥石で研削するなど、特徴的な不良を持つカムシャフトを100本程度試作してAIに学習させたという。

 こうして予測した品質は、実測で確認した品質と高い精度で一致。例えば、Ra値を加工中にリアルタイムで予測した値は、加工後の実測値と100分の数μm程度のずれに収まるほどの精度だった。

 AIモデルによる品質の予測は、砥石の寿命延長についても効果をもたらす。

 通常、加工数が増えると砥石が摩耗するなどして切れ味が落ちるため、ドレッシング(研削砥石の表面を研いで切れ味を取り戻す作業)により切れ味を復活させる。従来はドレッシングを一定の加工数ごとに行っていたが、品質データがあれば最適なタイミングで実施できる。「実験の結果、1.3倍の砥石の寿命延長が見込める」(同社)という。

 従来は加工後に全数検査と抜き取り検査を実施して品質を確認していた。AIモデルによって加工データから全数の品質を予測できるようになった。抜き取り検査は、AIモデルの精度を評価する目的で継続している
従来は加工後に全数検査と抜き取り検査を実施して品質を確認していた。AIモデルによって加工データから全数の品質を予測できるようになった。抜き取り検査は、AIモデルの精度を評価する目的で継続している
[画像のクリックで拡大表示]

次ページ 造りながら品質を予測