射出成形機のショットごとの条件と検査結果の記録から不良が出そうなショットを予測し、条件の調整の候補を生産の担当へ出す

処理の起点を決める

15分ごとの定時実行にします。 不良の前触れになる条件の振れは、数十ショットから数百ショットかけて進みます。サイクルタイムが30秒前後なら15分で約30ショットで、振れの傾きを見るのに十分な数がたまり、かつ不良の箱が積まれる前に知らせられる間隔です。

ショットごとの即時の判定にはしません。 1ショットごとに印を付け外しすると、現場のモニターが点滅し続けて誰も見なくなります。判定の単位は成形機で、直近50ショットの点数の集計で印を付けます。

シフトの始めには、別に一覧を出します。 前のシフトで印の付いた成形機、段取り替えの予定、材料ロットの切り替わりの予定を並べ、引き継ぎのときに見る場所を1つにします。

モデルの学び直しは週に1回、日曜の夜に行います。 金型の補修や材料の切り替えで、良品の条件の帯は少しずつ動きます。毎回学び直すと、点数の目盛りが15分ごとに変わって比べられなくなります。

入力データを集める

質を決めるのは、2行目のショット番号です。 検査の結果がショット番号で成形条件と結び付かないと、どの条件のときに不良が出たかが分かりません。 検査機と成形機で番号の数え方がずれていないか（立ち上げの捨て打ちを数えるか、取り数の多い金型で1ショットに何個できるか）を、最初に確かめます。

3行目の立ち上げのショットは、学習から外します。 段取り替えの直後は条件が安定せず、不良が多いのは当然です。ここを学ぶと、モデルは「段取り替えの直後は危ない」という分かりきったことを最も強く覚えます。

5行目の条件の変更の記録は、当たり外れを読むために要ります。 印が付いた後に担当が条件を変えて不良が出なかったのか、変えずに不良が出なかったのかで、印の評価が逆になります。

データの取得方法を決める

成形機の条件のログは、成形機のメーカーが用意する取り出し方に従います。機種によって、ファイルでの書き出し、集中管理の仕組み経由、産業用の通信規格での取り出しなどがあり、どれが使えるかは機種で決まります。 この部分は、利用する成形機に応じた個別実装が必要です。

特徴量は「いまの値」と「振れ」を分けて作ります。 不良の前触れは値の大きさよりも、同じ金型で普段の値から離れていく動きに出ます。

正解のラベルは「そのショットが外観検査で不良」とします。 不良の区分ごとに別のモデルを作ることもできますが、最初は区分をまとめて1つのモデルにします。 区分ごとにすると、ショートやバリは件数が少なすぎて学べません。

AIへ渡す前に整形する

1. ショット番号の照合 … 成形機と検査機のショット番号を突き合わせ、ずれがあれば立ち上げの捨て打ちの数で補正します。照合できないショットは学習から外します
2. 立ち上げの除外 … 段取り替えから決めた数のショットまでを外します。数は金型ごとに日報から取ります
3. 止まった時間の扱い … 成形機が止まった後の再開の数十ショットは、条件が戻るまで別の印を付けます
4. 単位とゾーンの数のそろえ … 機種によってシリンダーのゾーンの数が違います。ノズルに近い順に番号をそろえ、無いゾーンは欠けた値のままにします
5. 普段の値の計算 … 金型ごとに過去4週の良品のショットの中央値を出します。平均ではなく中央値にするのは、立ち上げの残りの外れ値に引っ張られないためです
6. 時間順の分割 … 学習と検証を時間の順に分けます
7. 区分の値の型 … 金型IDと材料グレードの列を Categorical の型にします

4番目で欠けたゾーンを0で埋めないでください。 0度のゾーンは現実にはありえず、モデルはそれを「温度が極端に低い」と読みます。HistGradientBoostingClassifier は欠けた値をそのまま扱えるので、埋めないことが正しい扱いです。

6番目の分け方には TimeSeriesSplit を使います。 時間順のデータで、ほかの分け方は未来のデータで学習して過去を評価することになるため不適切とされています。特徴量に直近50ショットを使うので、gap を空けて、検証の手前のショットを学習に入れないようにします。 空けないと、検証の答えを学習のときに見てしまい、検証だけ当たるモデルになります。

AIに処理させる

この構成の「AI」は3つの部品に分かれます。 点数を出すのは勾配ブースティングのモデル、調整の候補の帯を出すのは集計、文面を作るのが生成AIです。生成AIは点数も候補の値も作りません。

しきい値は precision_recall_curve で決めます。 この関数は、しきい値ごとに精度（印を付けたうち本当に不良だった割合）と再現率（不良のうち印を付けられた割合）を返します。現場が1シフトに見に行ける成形機の数から、精度の下限を先に決め、その中で再現率が最も高いしきい値を選びます。 再現率だけを上げると印が増えすぎ、精度だけを上げると前触れを見逃します。

どの条件が点数に効いているかは、permutation_importance で確かめます。 1つの特徴量の値をばらばらに入れ替えて、モデルの成績がどれだけ落ちるかで重要さを測る方法です。学習に使っていない検証用のデータで計算します。 ドキュメントでは、学習用のデータで重要でも検証用で重要でない特徴量は過学習の原因になりうるとされています。

ここに落とし穴が1つあります。 シリンダーの各ゾーンの温度のように互いに似た動きをする特徴量は、1つを入れ替えても残りから情報が取れるため、両方の重要さが低く出るとされています。ドキュメントは、相関の強い特徴量をまとめて1つだけ残す方法を挙げています。ゾーンの温度は「平均」と「ノズル側と供給側の差」にまとめてから重要さを見ます。

指示内容を固定する

あなたは射出成形の工場で、生産技術の担当への申し送りを書く立場です。
渡された比較表の数値だけを使って、申し送りの文面を作ってください。

【比較表の中身】
- 成形機ID、金型ID、材料グレード
- 直近50ショットの不良のおそれの点数の平均と、しきい値
- 点数に効いている条件（最大3つ）について、
  いまの値／同じ金型・材料で良品が続いたときの帯（下限〜上限）／差
- 直近の材料ロットの切り替わりと、乾燥の経過時間
- 直近の条件の変更の記録

【書き方】
- 1行目に、成形機ID・金型ID・点数の平均としきい値を書いてください。
- 次に、帯から外れている条件を、外れの大きい順に箇条書きで書いてください。
  各行は「条件名：いまの値（良品が続いた帯 下限〜上限）」の形にしてください。
- 最後に、現場で確かめることを最大3つ、問いかけの形で書いてください。
  例：「材料ロットの切り替わり後に、乾燥の経過時間は足りていたか」

【厳守事項】
- 比較表に無い数値を書かないでください。計算して新しい値を作らないでください。
- 「この値に変えれば不良が減る」「原因は〜です」と断定しないでください。
  帯との差を事実として書くだけにしてください。
- 帯の外の値を、調整の候補として書かないでください。
- 成形機の順番や点数を書き換えないでください。
- 比較表に「帯なし」とある条件は、帯を推測せず「過去の良品の記録が不足」と書いてください。
- 申し送りは300字以内にしてください。

【比較表】{comparison_table}

「帯の外の値を候補に書かない」が、この指示でいちばん大事な一文です。 生成AIに「保圧が帯の下限より低い」と渡すと、親切に「保圧を下限より少し高い値に」と書き、具体的な数値まで添えることがあります。 その数値は誰も試していない条件です。候補は帯そのもので、帯の中のどこに合わせるかは生産技術の担当が決めます。

「帯なし」の扱いを明記するのは、新しい金型で必ず起きるからです。 良品の記録が少ない金型では帯が作れず、何も言わなければ生成AIは似た金型から帯を推測します。

出力形式を固定する

次の形のJSONを、成形機ごとに作ります。 score_* と conditions は Python が埋め、handover_text を Claude API の構造化出力（output_config.format に type: "json_schema"）で受け取ります。

{
  "machine_id": "M-07",
  "mold_id": "D-1123",
  "material_grade": "PP-T20",
  "window_end_shot": 48213,
  "score_mean": 0.27,
  "threshold": 0.18,
  "flag": true,
  "conditions": [
    { "name": "cushion_mm", "current": 3.1, "band_low": 4.2, "band_high": 5.0,
      "gap": -1.1, "importance_rank": 1 },
    { "name": "metering_time_s", "current": 8.9, "band_low": 7.6, "band_high": 8.3,
      "gap": 0.6, "importance_rank": 2 }
  ],
  "material_lot_changed_min_ago": 42,
  "dryer_elapsed_h": 2.5,
  "handover_text": "",
  "human_action": { "changed": null, "detail": "", "by": "", "at": "" }
}

1つ目の理由は、数値と文面を別の層に置けることです。 conditions の数値は集計が出し、生成AIは handover_text だけを書きます。文面に出てくる数値が conditions と一致するかを、受け取った後に Python で照合できます。 一致しない数値があれば、文面を捨てて比較表だけを出します。

2つ目は、人の行動を同じ記録に残せることです。 human_action に、条件を変えたか、何を変えたかが入るので、印の後に何をしたかと、その後の不良の数を1行で結び付けられます。

3つ目は、しきい値を記録に含めることです。 学び直しでしきい値が変わっても、そのときの threshold が残っているので、過去の印の重さを読み直せます。

システムへ連携する

成形機の設定値への書き込みはつなぎません。 候補が誤っていたときに、そのまま量産に入るからです。この構成の出力は、人が成形機の前に立つきっかけまでです。

生成AIに回すのは、印の付いた成形機だけです。 20台のうち印が付くのは1シフトに数台の想定で、全台分の文面を作っても読まれません。

人が確認する

印が付いた成形機は、現場の担当が必ず見に行きます。 点数は記録から出したもので、成形機の前でしか分からないこと（金型の汚れ、ガスの抜け、材料の色の変化）があります。

1. 成形機と部品を見る … 外観検査を通った部品にも、境目の兆し（薄いヒケ、小さなバリ）が出ていないかを見ます
2. 比較表を読む … 帯から外れている条件と、材料ロットの切り替わりや乾燥の経過時間を合わせて読みます
3. 変えるかを決める … 条件を変えるのは生産技術の担当です。変えない判断も記録します
4. 印を外す … 確かめて問題がなければ、担当が印を外します。外した理由を一言書きます

3番目で「変えない」を記録することを省かないでください。 変えなかったのに不良が出なかったなら、その印は空振りだった可能性が高く、しきい値を見直す材料になります。

目標は、1台・1シフトをならして3分です。 印の付いていない成形機はモニターで点数を流し見るだけで、印の付いた成形機に時間を使います。

例外に対処する

5行目の新しい材料グレードは、点数が当てにならない典型です。 モデルは学習したことのない区分について、ほかの区分から推し量った点数を出します。その点数で印を付けると、現場は根拠のない呼び出しを受けることになります。

最後の行は、運用の最初の数週で起きます。 印が多すぎる状態を放置すると、担当は印を見ても動かなくなります。

記録を残す

• 15分ごとの成形機ごとの点数、しきい値、印の有無
• 印の付いた成形機の比較表（conditions）と、生成AIに渡した内容・返ってきた文面
• 人の行動の記録（human_action）。変えた条件と、変えなかった理由
• その後のシフトの不良の数と、印の当たり外れ
• 学習に使ったデータの期間、モデルの版、しきい値を決めたときの精度と再現率
• permutation_importance の結果（学び直しのたび）

5つ目でしきい値を決めたときの精度と再現率を残すのは、週ごとの比較のためです。 学び直しで精度が下がっていたら、金型の補修や材料の切り替えで、良品の条件そのものが動いたことを疑います。

3つ目の人の行動の記録は、ベテランの判断を残す場所になります。 どの比較表を見て、どの条件をどれだけ変えたか。数か月分たまると、ベテランが不在の日にも、似た場面の過去の判断を引けるようになります。