ここ数年、インダストリー4.0とビッグデータが製造業に与える影響と応用はますます増え、より一層深まっています。工場の品質管理にとって、影響を受ける具体的な項目について、筆者の経験からいくつかの応用例を挙げてみましょう。
1、ある工程（通常はIQCまたはOQC）でAOI全数検査を行い、全工場の他の工程検査についてはSPCを用いてどのように応用すべきかを見ます。この種の応用にはいくつかの特徴があります。

A.通常この工程はデータ量が非常に大きく、たとえば他の工程は1ロットあたり5個抜き取るのに対し、この工程は全数検査（1ロット25000個、1日10ロット生産、つまり250000Pcs/日）であり、1か月さらには1年のデータ量は膨大になります。
全数検査であるため、SPCの統計理論はあまり適用できませんが、全工場の品質という観点では一緒に整理する必要があり、効率が悪く干渉も生じやすいです。

B.顧客はRaw dataを見たいだけでなく、各ロットのMax、Min、Avg、PPK、Sigma……といったトレンドも見たいと考えます。しかし実際に本当に見るべきものはRaw dataではありません（ここ数年の複数の顧客での実証を経て、本当に見るべきは異常が発生したロットのRaw Dataであり、それこそ分析が必要なのです）。

C.異常を検出した管理項目について、どの製造プロセスパラメータに問題が出たのかを知りたい、すなわちP🡪Qです。
これらは筆者の実際の指導経験の中で、すでに標準的な解法があり、関連ツールも応用してこれらの問題を解決できます。

たとえば、全数検査の各ロットについて、検査分析だけを行えばよい場合は、SPCの中の先導的なRaw Dataを各ロットのPPK、MAX、MIN、AVG……に処理してスクリーニングし、さらに上述のようにTrend Chartを作成すれば、他の工程の抜き取り検査データとも結合できます。もしRaw Dataの分布を見る必要がある場合は、特定のロットの元データを単独で取得して分析するだけでよいのです（通常は異常のあるデータ分布です）。

製造プロセスパラメータ分析を行いたい場合は、まずその検査工程より前の製造工程と最も関連性の高いパラメータを収集しなければなりません（これらのパラメータは科学的・工学的手法で相関性を検出し、相関性が最も高い項目をクラスター分析できます）。
クラスター化したのちに、関連データを継続的に収集し、これらの相関するP&Qの関係を検証し、数学モデルで分析してP-🡪Qを予測し、その工学モデルがP製造プロセスの最適な組み合わせパラメータとして品質と生産量の両立を実現する最適な組み合わせを作れるかどうかを見ることができます。これらはすでに実現できた事例があり、ご興味のある方は連絡先を残していただければ別途お時間を取って議論いたします。

 
2、すでに製造プロセスパラメータ（複数）と検査結果があり、おおよその相関性も把握できており、現在では複数の製造プロセスパラメータを出力できる自動設備も、品質結果を収集できる自動設備もあります。顧客は精度をさらに高めることを求めていますが、どうするのが最善か分かりません。たとえば、台X電がサプライヤーに対し、めっき厚さの規格を100〜110umの間に収めるよう求めます（一般的なめっきTHICKの合格品は80〜140ですが、TSXCが提示する利益は通常の2倍です）。同社が10000個製作しても100〜110の間に入るのは1500個だけで、台X電は7000個を必要とし、他社合計では3000個しか必要としません。いったい生産すべきでしょうか。生産すれば売れ残り品が多く出ますし、生産しなければ利益のある注文を逃してしまいます。

解法：AIQシステムを利用し、PパラメータとQ結果の関連と数学モデルを構築し、一定期間の実データを収集して数学モデルを検証・調整します。このAI数学モデルは自己修正でき、データの増加に伴ってニューラルネットワークと人工知能モデルで自己成長できます。適切な数学モデルを構築したのち、システムは100〜110の間の規格に収まる製品を最大数生産するにはどのPの組み合わせを用いるべきかを提案できます。こうして最適解が得られ、このような科学的データは複製可能であり、かつ継続的に活用できるのです。

 
皆さんも考えてみてください。私たちが工場のビッグデータ応用において精進できる、どのような応用ニーズの可能性があるでしょうか。先ほどの2つの例はあくまで叩き台にすぎません。2023年は毎四半期AIQの無料オンラインセミナーを開催します。ご興味のある方はぜひお申し込みいただき、質問を残して一緒に議論し進歩していきましょう！