めっき加工の工場が、ロットごとの液の濃度・温度・電流・時間と検査の結果から Python で不良の要因を探り、管理の範囲の見直しの案を作る
ロットごとのめっき液の濃度・温度・電流・時間と検査の結果から、Python で不良の出やすさを予測するモデルを作ります。どの条件のどの値のあたりで不良が増えるかを不良の種類ごとに示し、管理の範囲の見直しの案にします。
- 連携・自動化
- Python
- 対象業界
- その他/製造
- 対象部門
- 品質管理/生産
- 対象業務
- 内容確認・チェック/集計・分析
- 主な課題
- データ分析に時間がかかる/判断に時間がかかる/属人化している
- AIで行う処理
- 予測
- 主な効果
- 判断支援/属人化解消/工数削減
- 導入難易度
- ★★★★★
- 実装レベル
- 本格構成
- 費用感
- 個別開発(大)
- 人間の確認
- 条件付き
01導入前 / 導入後の業務フロー
- 検査で不良が出たロットの番号を、品質管理の担当が受け取る
- 生産の記録で、そのロットの品番・槽・治具・処理の時刻を調べる
- 液の分析の記録で、その日の濃度とpHを調べる
- 整流器の記録で、電流と時間を調べる
- 同じ品番の良かったロットをいくつか探し、条件を並べて見比べる
- 違いがありそうな条件を挙げ、ラインへの指示と取引先への報告を書く
- 月に1回、品質の会議で不良の多かった品番と条件をまとめる
- 人検査の担当が、不良の種類を決まった区分で入れる(焼け・ざらつき・ピット・密着・膜厚の不足・しみ)
- 自動毎日の夜、Python が生産・液の分析・整流器・検査の記録を読み、ロットごとの条件の表を作る
- 自動不良が出たロットについて、条件の表の行と、同じ品番の良かったロットの条件の分布を並べた1枚を作る
- 自動毎月の初め、不良の種類ごとに、条件から不良の出やすさを予測するモデルを作り直す
- 自動モデルから、効いている条件の順位と、条件の値ごとの不良の出やすさを出す
- 自動値の区間ごとの実際の不良の割合を、幅付きで数える
- 自動管理の範囲と比べて、範囲の中で不良が増える区間を「見直しの候補」として出す
- 人品質管理の担当が候補を読み、試しの処理で確かめるものを選ぶ
- 人試しの処理の結果を見て、品質管理の責任者が管理の範囲を変えるかを決める
各工程の詳しい説明を読む
- 検査で不良が出たロットの番号を、品質管理の担当が受け取る
- 生産の記録で、そのロットの品番・槽・治具・処理の時刻を調べる
- 液の分析の記録で、その日の濃度とpHを調べる
- 整流器の記録で、電流と時間を調べる
- 同じ品番の良かったロットをいくつか探し、条件を並べて見比べる
- 違いがありそうな条件を挙げ、ラインへの指示と取引先への報告を書く
- 月に1回、品質の会議で不良の多かった品番と条件をまとめる
(a)1件ごとに記録をさかのぼる。 2番から4番は、3つの記録を行き来してロットの条件をそろえる作業です。1件の調べのうち、半分はこの作業で終わります。
(b)疑う条件が担当によって違う。 5番でどの条件を見比べるかは、担当の経験で決まります。ベテランは温度と電流の密度を先に見て、若手は液の濃度から見ます。 担当が違えば、同じ不良にも違う原因が書かれます。
(c)1件ずつでは傾向が見えない。 1つのロットと良かったロットを数件並べても、偶然の違いと、くり返し効いている違いを分けられません。 7番の会議でまとめても、件数を数えるところまでで、条件との関係までは出せません。
(d)管理の範囲の中で出る不良が説明できない。 範囲の中に入っていたロットの不良は、「範囲内だった」と書いて終わることが多くあります。範囲の端に寄ると出やすいのか、範囲そのものが広すぎるのか、が確かめられていません。
(e)取引先への報告が根拠に乏しい。 「温度が高めだった可能性」と書いても、それがどれくらい不良を増やすのかを数字で示せません。 同じ報告をくり返すと、取引先からの信頼が下がります。
- 【人】 検査の担当が、不良の種類を決まった区分で入れる(焼け・ざらつき・ピット・密着・膜厚の不足・しみ)
- 【自動】 毎日の夜、Python が生産・液の分析・整流器・検査の記録を読み、ロットごとの条件の表を作る
- 【自動】 不良が出たロットについて、条件の表の行と、同じ品番の良かったロットの条件の分布を並べた1枚を作る
- 【自動】 毎月の初め、不良の種類ごとに、条件から不良の出やすさを予測するモデルを作り直す
- 【自動】 モデルから、効いている条件の順位と、条件の値ごとの不良の出やすさを出す
- 【自動】 値の区間ごとの実際の不良の割合を、幅付きで数える
- 【自動】 管理の範囲と比べて、範囲の中で不良が増える区間を「見直しの候補」として出す
- 【人】 品質管理の担当が候補を読み、試しの処理で確かめるものを選ぶ
- 【人】 試しの処理の結果を見て、品質管理の責任者が管理の範囲を変えるかを決める
3番目で、1件ずつの調べの材料がそろいます。 担当が記録をさかのぼる時間がなくなり、良かったロットの条件も、数件ではなく同じ品番の全部と比べられます。
8番目と9番目は人が決めます。 モデルから出るのは、過去の記録で不良と一緒に動いていた条件です。それを変えて本当に不良が減るかは、試しの処理でしか確かめられません。 管理の範囲は取引先との取り決めにも関わるので、責任者が決めます。
1番目の区分が、この構成のいちばん大事な入力です。 不良の種類が自由な文字で書かれていると、種類ごとに分けて見られません。
02今回想定するシステム構成
生産の記録(ロット・品番・槽・治具・時刻) 液の分析の記録(日ごとの濃度・pH)
整流器の記録(電流・時間) 検査の記録(不良の種類・数・膜厚)
│
▼【トリガー】毎日の夜(条件の表)/毎月の初め(モデル)
Python
├──▶ ロットごとの条件の表(時刻で液の分析を当てる、電流の密度を計算する)
▼
scikit-learn の HistGradientBoostingClassifier(不良の種類ごと)
│ 後の月のロットで当たり方を確かめる
▼
scikit-learn の permutation_importance / partial_dependence
│ 効いている条件の順位、値ごとの不良の出やすさ
▼
statsmodels の proportion_confint ── 区間ごとの不良の割合と幅
▼
見直しの候補の表 ──▶【品質管理の担当が選ぶ → 試しの処理 → 責任者が決める】| 役割 | 想定する製品 | 代替候補 |
|---|---|---|
| 実行環境 | Python(pandas・scikit-learn・statsmodels) | R |
| 処理エンジン | scikit-learn の HistGradientBoostingClassifier | LightGBM の二値分類、scikit-learn の LogisticRegression |
| 集計 | Python(permutation_importance、partial_dependence、proportion_confint、見直しの候補の表) | - |
| 保管 | 社内のファイルサーバー(条件の表、モデル、候補の表、試しの処理の記録) | - |
新しく足すのは Python の処理だけです。 生産・液の分析・整流器・検査の記録は、それぞれの書き出しの機能でファイルにします。候補の表は品質管理の担当が開く資料として書き出し、生産の記録や管理の範囲の表には書き込みません。
モデルには HistGradientBoostingClassifier を使います。 欠けた値(NaN)をそのまま扱え、分析を入れ忘れた日のある記録でも行を落とさずに学べます。 槽・治具・品番の群のような区分の列は、pandas の区分の型にしておけば、既定の categorical_features="from_dtype" で区分として扱われます。
モデルの中身を読む道具は、scikit-learn の2つです。 並べ替えの重要度(permutation importance)は、1つの条件の値をばらばらに入れ替えたときにモデルの当たりがどれだけ落ちるかで、その条件の効き方を測ります。部分依存(partial dependence)は、ほかの条件をそのままにして1つの条件の値だけを動かしたとき、予測がどう変わるかを示します。
03どうやって実装するのか
処理の起点を決める
条件の表は毎日の夜、モデルは毎月の初めに作り直します。 どちらも Windows のタスク スケジューラーから Python のスクリプトを起動します。毎日の表で1件ずつの調べを速くし、毎月のモデルで傾向を見ます。
| 時期 | すること |
|---|---|
| 毎日の夜 | その日のロットの条件の表、不良のロットの1枚 |
| 毎月の初め | 不良の種類ごとのモデル、効いている条件、見直しの候補 |
| 品質の会議の前 | 候補の表と、試しの処理の結果を並べた資料 |
| 管理の範囲を変えた後 | 変える前と後で、区間ごとの不良の割合を比べる |
入力データを集める
| データ | 中身 | 取得元 |
|---|---|---|
| 生産の記録 | ロットの番号、品番、ライン、槽、治具、掛けた数、処理の開始と終了の時刻 | 生産の記録 |
| 液の分析の記録 | 槽、分析の日時、金属の濃度、添加剤の濃度、pH、建浴からの日数 | 液の分析の記録 |
| 整流器の記録 | ロットの番号、電流、通電の時間 | 整流器の記録 |
| 温度の記録 | 槽、時刻、液の温度 | 温度の記録計 |
| 前処理の記録 | ロットの番号、脱脂・酸洗の時間、水洗の段数 | 生産の記録 |
| 品番の情報 | 品番、素材、表面積、形の群(平板・くぼみ多・細長い) | 品番の一覧 |
| 検査の記録 | ロットの番号、不良の種類、不良の数、検査した数、膜厚の測定値 | 検査の記録 |
| 管理の範囲 | 槽・項目ごとの上限と下限、液のメーカーの推奨の値、取引先の仕様 | 管理の範囲の表 |
質を決めるのは、品番の表面積です。 電流の密度は「電流 ÷ 掛けた品物の表面積の合計」で、整流器の記録にあるのは電流だけです。表面積が無いと、大きな品番と小さな品番で同じ電流が違う意味になります。 品番の一覧に表面積の列を足すのが、最初の準備です。
取引先の仕様は、管理の範囲と別の列で持ちます。 膜厚の下限や、使ってよい添加剤は取引先が決めていることがあります。見直しの案が取引先の仕様の外に出ないよう、候補を出すときの柵にします。
データの取得方法を決める
| 取るもの | 範囲 | 使い道 |
|---|---|---|
| 4つの記録と品番の情報 | 過去2年のロット | 学習と検証 |
| 同じ記録 | 当日のロット | 毎日の条件の表 |
| 検査の記録 | 過去2年 | 答え(不良の種類ごと) |
| 管理の範囲の表 | 現在の版と、変えた日の記録 | 候補の柵と、変更の前後の比べ |
液の分析は、ロットの開始の時刻より前で、いちばん近い分析を当てます。 後の分析を当てると、不良を受けて補給した後の値を見ることになります。時刻の向きを逆にすると、不良のロットほど液が整っていたように見えます。
AIへ渡す前に整形する
- ロットの行を作る … 生産の記録の1ロットを1行にします
- 液の分析を当てる … 槽が同じで、開始の時刻より前のいちばん近い分析の値を付けます。何時間前の値かも列にします
- 電流の密度を計算する … 電流 ÷(品番の表面積 × 掛けた数)。表面積の無い品番は空けます
- 温度をならす … 処理の開始から終了までの温度の平均と、最高と最低の差
- 答えを作る … 不良の種類ごとに、そのロットの不良の数 ÷ 検査した数 が決めた割合を超えたら1
- よく似た条件をまとめる … 一緒に動く条件の組を調べ、組から1つを代表に残します
6番目を飛ばすと、並べ替えの重要度が両方とも低く出ます。 scikit-learn の説明では、2つの条件が強く相関しているとき、片方を入れ替えてもモデルはもう片方から同じ情報を得られるので、両方とも重要度が低く報告されるとされています。めっきでは「電流の密度」と「通電の時間」、「建浴からの日数」と「添加剤の濃度」が一緒に動きがちです。相関の強い組から1つだけを残し、どれを残したかを記録します。
2番目と3番目は、次のように作ります(要点だけ)。
# 開始の時刻より前の、いちばん近い分析の値を槽ごとに当てる
lots = lots.sort_values("start_at")
ana = analysis.sort_values("analyzed_at")
lots = pd.merge_asof(lots, ana, left_on="start_at", right_on="analyzed_at",
by="tank", direction="backward") # 後の分析は当てない
lots["hours_since_ana"] = (lots.start_at - lots.analyzed_at).dt.total_seconds() / 3600
area = lots.part_area_dm2 * lots.pieces
lots["current_density"] = (lots.current_a / area).where(area > 0) # A/dm2
for c in ["tank", "jig", "shape_group", "line"]:
lots[c] = lots[c].astype("category") # from_dtype で区分として扱う
direction="backward" が、時刻の向きを守る指定です。 既定のまま書いても同じですが、明示しておくと、後から読む人が意図を取り違えません。
AIに処理させる
させるのは、不良の種類ごとに「この条件のロットで不良が出る確率」を予測するモデルを作り、その中身を3つの形で取り出すことです。
| 取り出すもの | 道具 | 読み方 |
|---|---|---|
| 効いている条件の順位 | permutation_importance(後の月のロットで計算) | 入れ替えたときに当たりが落ちる条件ほど効いている |
| 値ごとの不良の出やすさ | partial_dependence(平均の線と1ロットずつの線) | どの値のあたりから確率が上がるか |
| 区間ごとの実際の不良の割合 | proportion_confint(method="wilson") | モデルでなく記録そのものの割合と幅 |
3つ目を必ず並べるのは、モデルの読みを記録で確かめるためです。 部分依存の線は、条件どうしが独立だという前提で作られ、相関のある条件では現実にありえない組み合わせの点まで使って計算されると説明されています。たとえば「電流の密度が高く、通電の時間が長い」ロットは実際には無いのに、線はそこも描きます。区間ごとの実際の割合と幅で、線が記録のある範囲で言えることかを確かめます。
| させないこと | 理由 |
|---|---|
| 「原因」の断定 | 記録は試験ではない。候補と根拠の数字までを出す |
| 管理の範囲の変更 | 試しの処理と、取引先との取り決めの確認が先 |
| 取引先の仕様や液のメーカーの推奨の外の案 | 候補を出すときの柵にする |
| 取引先への報告の送信 | 品質管理の担当が書き、責任者が確かめて出す |
| 作業者ごとの不良の比べ | 品番と時間帯の割り当てで差が出る。人の評価に使わない |
1行目は、この構成の言葉づかいの決まりでもあります。 候補の表でも報告の下書きでも、「要因の候補」「不良と一緒に動いていた条件」と書き、「原因」とは書きません。
指示内容を固定する
この構成の中心は生成AIではなく予測のモデルなので、プロンプトの代わりに、学習と読み取りの設定を示します。
from sklearn.ensemble import HistGradientBoostingClassifier
from sklearn.inspection import permutation_importance, partial_dependence
from statsmodels.stats.proportion import proportion_confint
feats = ["current_density", "temp_mean", "temp_range", "metal_conc", "additive_conc",
"ph", "days_since_bath", "hours_since_ana", "degrease_min", "rinse_steps",
"tank", "jig", "shape_group", "line"]
tr = lots[lots.start_at < cut_val] # 学習
va = lots[(lots.start_at >= cut_val) & (lots.start_at < cut_test)] # 早めの打ち切り用
te = lots[lots.start_at >= cut_test] # 読み取り用(後の月)
def fit_one(y):
m = HistGradientBoostingClassifier(learning_rate=0.05, max_iter=500,
early_stopping=True, random_state=0)
m.fit(tr[feats], tr[y], X_val=va[feats], y_val=va[y]) # 検証は後の月で渡す
return m
models = {d: fit_one(f"y_{d}") for d in ["burn", "pit", "adhesion", "thin", "rough"]}
r = permutation_importance(models["burn"], te[feats], te["y_burn"],
scoring="average_precision", n_repeats=30, random_state=0)
X_val と y_val を渡しているのが、この設定の要です。 HistGradientBoostingClassifier の early_stopping の既定 "auto" は、行の数が1万を超えると有効になり、学習の行から検証の行を取り分けます。 月400ロットで2年分を超えると1万行に届き、検証の行が日付と関係なく抜かれて、後の月の様子が学習に混ざります。 1.7から fit に X_val と y_val を渡せるので、後の月のロットを明示して渡します。
並べ替えの重要度は、学習に使っていない後の月のロットで計算します。 学習の行で計算すると、モデルが覚えただけの条件まで効いているように出ます。 後の月で効かない条件は、偶然の当てはまりだったと読めます。
scoring を average_precision にしているのは、不良が少ないからです。 正解の割合で測ると、全部「良」と答えても高い点になり、入れ替えても点が落ちず、どの条件も効いていないように見えます。
値ごとの読み取りは、次のように行います。
pd_res = partial_dependence(models["burn"], te[feats], ["current_density"],
kind="both", grid_resolution=20)
bins = pd.cut(te.current_density, bins=pd_res["grid_values"][0])
g = te.groupby(bins, observed=True)["y_burn"].agg(["sum", "count"])
lo, hi = proportion_confint(g["sum"], g["count"], alpha=0.05, method="wilson")
proportion_confint の既定は method="normal" です。 不良が0件の区間では、正規分布で近づける計算だと幅が0になってしまうので、wilson を明示します。 区間の件数が少なすぎて幅が広いところは、候補から外します。
出力形式を固定する
不良の種類ごとに、効いている条件の表と、見直しの候補の表を出します。
【焼け:効いている条件(後の月のロットで計算)】
| 順 | 条件 | 重要度(平均±ばらつき) | 一緒に動くので外した条件 |
|---|---|---|---|
| 1 | 電流の密度 | 0.21 ± 0.03 | 通電の時間 |
| 2 | 形の群 | 0.09 ± 0.02 | - |
| 3 | 液の温度の平均 | 0.05 ± 0.02 | - |
【焼け:見直しの候補】
| 条件 | 現在の管理の範囲 | 不良が増える区間 | 区間の不良の割合(幅) | 区間のロット数 | 柵(推奨・仕様) | 案 |
|---|---|---|---|---|---|---|
| 電流の密度(くぼみ多の群) | 2〜6 A/dm² | 5〜6 | 18%(12〜26%) | 96 | 推奨 1〜8 | 上限を5に下げる試しの処理 |
| 液の温度 | 50〜60℃ | 50〜52 | 7%(3〜15%) | 41 | 推奨 45〜65 | 幅が広く保留 |
1つ目の理由は、根拠の数字が案の隣に並ぶことです。 1行目の案は、モデルの線だけでなく、その区間に実際にあった96ロットのうち18%で焼けが出たという記録の割合で支えられています。
2つ目は、柵との関係が一目で分かることです。 案は液のメーカーの推奨と取引先の仕様の中にあります。柵の外に出る案は、表に出す前に落とします。
2行目のように、幅が広いものは「保留」と出します。 ロットが41件では、7%という割合の幅が3〜15%に広がります。試しの処理に回す前に、もう数か月の記録を待つ候補です。
システムへ連携する
| つなぎ先 | 方式 | 内容 |
|---|---|---|
| 生産・液の分析・整流器・温度の記録 | 書き出したファイルを読む | ロットの条件 |
| 検査の記録 | 書き出したファイルを読む | 不良の種類と数、膜厚 |
| 品番の一覧・管理の範囲の表 | ファイルを読む | 表面積、形の群、範囲、柵 |
| 不良のロットの1枚・候補の表 | ファイルを書く | 毎日の調べの材料、毎月の候補 |
| 社内のファイルサーバー | ファイルの保存 | モデル、読み取りの結果、試しの処理の記録 |
管理の範囲の表には書き込みません。 範囲を変えるのは責任者の決定の後で、表の更新はこれまでどおり品質管理の担当が手で行い、変えた日を記録します。
人が確認する
- 候補の表を担当が読む … 柵の中にあり、区間のロット数が足りる候補だけを見ます
- 候補の筋を確かめる … めっきの仕組みから見て、その条件でその不良が増えることに説明がつくかを考えます
- 試しの処理を計画する … 同じ品番で、条件だけを変えたロットを決めた数だけ流し、不良を比べます
- 責任者が決める … 試しの処理の結果と取引先との取り決めを見て、管理の範囲を変えるかを決めます
2番目を省かないでください。 記録から出た候補の中には、難しい品番がたまたまある槽に集まっていた、といった割り当ての偏りが混ざります。 仕組みで説明がつかない候補は、試しの処理の前に割り当ての記録を確かめます。
管理の範囲を変えたら、変える前と後で区間ごとの不良の割合を比べます。 変えた後に不良が減っていなければ、候補は割り当ての偏りだった可能性があります。
例外に対処する
| 起きること | 対応 |
|---|---|
| 品番の表面積が無い | 電流の密度を空けて学ぶ。「表面積なし」の品番として一覧に出す |
| 当てる液の分析が24時間より前 | 値は当てるが、何時間前かの列で区別する。候補の根拠からは外す |
| 不良の種類が区分にない文字で書かれている | 「区分なし」として答えから外し、件数を数える |
| 後の月で当たりが学習のときより大きく落ちる | その種類の候補を出さない。ラインや液の変更が無かったかを確かめる |
| 区間のロット数が30未満 | 割合と幅は出すが、候補にしない |
| 候補が柵の外に出る | 表に出さない。件数だけを記録する |
| 管理の範囲を変えた日をまたぐ記録 | 変える前と後を分けて読み、まとめて学ばない |
4行目で止めるのは、モデルが古くなっているしるしだからです。 液の建て直しや、整流器の入れ替えがあると、前の記録で学んだ関係が当てはまらなくなります。 そのまま候補を出すと、いまのラインには無い関係を読むことになります。
記録を残す
- 学習・早めの打ち切り・読み取りに使ったロットの期間と数(不良の種類ごと)
- 一緒に動くのでまとめた条件の組と、残した代表
- 学習したモデルと設定、後の月での当たり(
average_precision) - 並べ替えの重要度、部分依存の線、区間ごとの割合と幅
- 担当が試しの処理に回した候補と、回さなかった候補の理由
- 試しの処理の条件と結果、責任者の決定、管理の範囲を変えた日
2つ目の記録が、読み違いを防ぎます。 「通電の時間」を外して「電流の密度」を残したなら、電流の密度の重要度には通電の時間の分も含まれています。 記録が無いと、外した条件が効いていないと読まれます。
04実装レベルの3段階
本記事の想定は本格構成です。 1件30分が12分になるのは、条件をそろえる作業と良かったロットとの見比べが自動になり、担当が行うのが材料の読み取りと、指示と報告の下書きになるからです。 半自動化だけでも効きます。 1件ずつの調べの材料がそろうので、①と②の大半が無くなります。半自動化で半年回し、記録の欠けと不良の区分の入れ方が整ってから、モデルを足します。 本格構成の先として、新しい品番を受けるときの条件の目安に使うことも考えられます。 形の群ごとに焼けが増える電流の密度の区間が分かっていれば、新しい品番の最初のロットの条件を決める材料になります。 ただし初めての品番は記録が無いので、試しの処理を省くことはできません。
05工数削減シミュレーション
導入後 120件 × 12分 ÷ 60 = 24 時間/月
自社条件で導入効果を整理したい方へ
このユースケースを自社に当てはめた場合の前提値と削減見込みを、業務ヒアリングをもとに整理します。
06向いている企業・向いていない企業
- 電気めっきの受託加工で、ロットごとの槽・液の分析の値・温度・電流・時間・前処理の記録と、外観と膜厚の検査の結果を2年分以上残している工場。不良が出るたびに品質管理の担当が記録をさかのぼって原因を探していて、担当によって見る条件が違う場合。管理の範囲が液のメーカーの推奨の値のままで、自社のラインに合っているか確かめたことがない場合。
- ロットの記録が紙の日報だけで、条件と検査の結果をロットの番号でつなげない場合。月のロットが数十で、不良がほとんど出ない場合。不良の原因が素材の受け入れの段階でほぼ決まっていて、めっきの条件では変わらない場合。なお、管理の範囲を変えるかどうかを決めるのは品質管理の責任者で、この構成は試しの処理や取引先との取り決めの確認を省くものではありません。
07最小構成で試す方法
- 過去1年で焼けの不良が多かった品番を3つ選ぶ
- その品番のロットについて、整流器の電流と品番の表面積から電流の密度を表計算で出す
- 電流の密度を5つの区間に分け、区間ごとの焼けのロットの割合を数える
- 同じことを液の温度でも行う
この段階ではモデルを作りません。 1つの不良の種類と1つの条件で、区間によって不良の割合が変わるかを記録で確かめます。
2番目で表面積を使うのが大事です。 電流のままで区間に分けると、大きな品番と小さな品番が混ざって、関係が消えるか、逆向きに出ることがあります。
| 出てきた内容 | 判断 |
|---|---|
| 区間によって焼けの割合がはっきり変わる | Python の構成に進む |
| 変わるように見えるが、区間のロット数が少ない | 対象の品番を増やして数え直す。構成は有効 |
| どの条件でも割合が変わらない | 不良が条件より素材や前の工程で決まっている。この構成は向かない |
08実装時につまずきやすいポイント
| 問題 | 対策 |
|---|---|
| どの条件も効いていないように出る | 不良の種類ごとに分ける。まとめて「不良」にしない |
| 相関する2つの条件の重要度が両方低い | 一緒に動く組から1つを代表に残す |
| 検証では当たるのに後の月で外れる | X_val・y_val に後の月を渡す。early_stopping="auto" に任せない |
| 不良のロットほど液が整っていたように見える | 分析は開始の時刻より前のものを当てる |
| 重要度の差が小さく読めない | 後の月のロットで、average_precision で計算する |
| 部分依存の線が記録のない範囲を描く | 区間ごとの実際の割合と幅を並べる |
| 件数の少ない区間で割合が極端に出る | method="wilson" を明示し、ロット数の少ない区間は候補にしない |
| 大きな品番と小さな品番が混ざる | 電流は表面積で割って電流の密度にする |
| 案が取引先の仕様の外に出る | 推奨と仕様を柵として持つ |
| 重要度の順位を原因の順位と読む | 「要因の候補」と書き、試しの処理で確かめる |
上の4行は、モデルの作り方の失敗です。 どれもエラーにならず、読み取りの結果がもっともらしく見えるという同じ症状になります。
真ん中の3行は、読み取りの道具の限界です。 scikit-learn の説明にある前提(相関のある条件、独立の仮定)を外れると、数字は出るのに意味が変わります。
下の3行は、現場の言葉とのつなぎの問題です。 特に最後の行は、取引先への報告にそのまま響きます。
09セキュリティ・AIガバナンス上の注意点
この構成で扱うデータ: ロットの処理の条件、液の分析の値、検査の結果、品番の表面積と形、管理の範囲と取引先の仕様。作業者の名前は扱いません。
- 取引先の品番と仕様を社外に出さない … 品番と仕様は、取引先との取り決めで扱いが決まっている情報です。モデルは社内のサーバーで回し、外部のサービスにデータを渡しません
- 候補を「原因」として報告しない … 取引先への報告では、記録から出た候補と、試しの処理で確かめた結果を分けて書きます
- 管理の範囲の変更を自動で行わない … 範囲の変更は責任者が決め、取引先との取り決めで届け出が要る場合はその手続きを先に行います
- 作業者ごとの比べに使わない … 担当の時間帯や品番の割り当てで不良の出方は変わります。ロットの記録に作業者の列があっても、モデルには入れません
- 自社の条件の知見を守る … 不良が増える区間の表は、自社のラインの条件そのものです。候補の表は品質管理課の共有の場所だけに置きます
誤りが起きた場合のリスクは、割り当ての偏りを原因と取り違えて管理の範囲を変え、別の不良を増やすことです。 範囲を狭めすぎると、補給や調整の手間が増え、ラインが止まることもあります。試しの処理と、変えた後の比べを省かないことで止めます。
10まず何から始めるか
1週目:品番の表面積と不良の区分をそろえる
品番の一覧に表面積と形の群の列を足します。取引の多い上位50品番から埋めます。 あわせて、検査の担当と不良の種類の6つの区分を決めます。
2週目:1つの不良と1つの条件で数える
第8章のとおり、焼けと電流の密度で区間ごとの割合を数えます。関係が見えるかを確かめます。
3週目:ロットの条件の表を作る
4つの記録を時刻の向きを守ってつなぎ、ロットごとの条件の表を作ります。つないだ行の数が、生産の記録のロットの数と合うかを毎日確かめます。
4週目:不良のロットの1枚を毎日出す
不良が出たロットについて、条件と同じ品番の分布を並べた1枚を出します。担当の調べがどれだけ速くなるかを測ります。 この時点ではまだモデルを作りません。
2か月目: 焼けとピットの2つの種類でモデルを作り、効いている条件と区間ごとの割合を出します。3か月目以降: 見直しの候補を出し、1つを選んで試しの処理を行います。試しの処理の結果で管理の範囲を1つ見直し、変えた後の不良の割合を変える前と比べられるようになった時点で、この構成は完成です。
11関連ユースケース
12この仕組みを理解するための記事
13技術仕様の確認日・参考情報
| 確認した内容 | 情報源 | 確認日 |
|---|---|---|
| 並べ替えの重要度が1つの特徴量の値を入れ替えたときのスコアの落ち方で測ること。強く相関する特徴量では両方の重要度が低く報告されること、相関する特徴量をまとめて1つを残す方法。学習に使っていない検証の組で計算すると汎化に効く特徴量が分かること。木の不純度による重要度が値の種類の多い特徴量に偏ること(scikit-learn 1.9.1) | scikit-learn: Permutation feature importance | 2026-11-16 |
部分依存がほかの特徴量について平均した予測の変化を示し、ICE が1サンプルずつの線を示すこと(kind="individual"・"both")。PDP と ICE が特徴量の独立を仮定し、相関のある特徴量ではありえない点を使って計算されること。ICE は brute の方法だけで計算できること | scikit-learn: Partial Dependence and ICE plots | 2026-11-16 |
early_stopping="auto" が行の数が10000を超えるか X_val・y_val を渡したときに有効になること。X_val・y_val が1.7で加わったこと。欠けた値をそのまま扱えること。categorical_features の既定が "from_dtype" で、区分の型の列を区分として扱うこと | scikit-learn: HistGradientBoostingClassifier | 2026-11-16 |
proportion_confint の既定の method が normal で、wilson・beta(Clopper-Pearson)・jeffreys・agresti_coull・binom_test を選べること、alpha の既定0.05(statsmodels 0.15.0) | statsmodels: proportion_confint | 2026-11-16 |
管理の範囲を変えるかどうかは、試しの処理の結果を見て品質管理の責任者が決めてください。 本記事は上の公式のページで確認できた範囲だけを扱っています。
実装ステータス:構成例。 公開仕様に基づいて設計した構成であり、当社で実際に構築・検証したものではありません。工数の数値はモデル条件による試算です。
自社の業務に使えるAI活用候補を整理します
このユースケース(UC-3324)についてのご相談はこちらから。
