ゴム製品のメーカーが加硫成形の条件・材料のロットの受入れ検査の値・工場の気温の記録から Python でロットごとの不良の率を予測し、検査を厚くするロットと材料のロットの使い方の候補を出す

処理の起点を決める

毎朝7時に1回、その日の成形ロットの計画について予測します。 成形の始まりが8時なので、係長が一覧を見て、検査の係に抜き取りの数を伝えられる時刻にします。工場のサーバーの定時実行（Windows ならタスク スケジューラ）で Python のスクリプトを起動します。

7時に動かすのは、その日の朝の気温と湿度を使うためです。 前の日の夕方に動かすと、学習のときは成形の日の朝の値を使い、予測のときは前の日の値を使うことになり、時点がずれます。学習と予測で同じ「成形の日の朝7時の値」を使います。

計画が昼に変わったときは、担当が手で実行し直します。 材料のロットの差し替えやプレスの入れ替えで計画が変わったら、変わったロットだけを予測し直し、一覧に「計画変更」と印字します。

モデルの作り直しは3か月に1回にします。 作り直す前と後で、直近3か月の当たり方を比べ、悪くなっていれば前のモデルのまま使います。一覧には、作った日時とモデルの作成日を必ず印字します。

入力データを集める

質を決めるのは、成形ロットと材料のロットのひも付けです。 1つの成形ロットの途中で材料のロットを継ぎ足すことがあり、記録には最初のロットしか残っていない工場があります。継ぎ足したときに2つ目のロットを記録する決まりを、導入の最初に作ります（第14章）。

材料の値は、規格の幅の中での位置にして渡します。 粘度の値そのものより、「規格の下限から上限までのどのあたりか」のほうが品番をまたいで比べやすいからです。配合が違えば規格も違うので、0から1の位置に直します。

データの取得方法を決める

不良の数は、検査で「ロットの不良」と判定した数だけを使います。 検査の係が抜き取りで見つけた数を、抜き取りの数で割って率にしている工場では、抜き取りを厚くしたロットほど不良が見つかりやすくなります。 全数の外観の検査を行っている工程の数を使うか、抜き取りの数を重みにするかを、最初に決めます。

不良の種類は、最初は合計して1つのモデルにします。 欠け・バリ・気泡・流れの跡では効く条件が違うはずですが、種類ごとに分けると1つあたりの件数が少なくなり、率のばらつきが大きくなります。 合計のモデルで当たり方を確かめ、件数の多い種類（たとえば欠け）だけを別のモデルに分けるかを、半年後に決めます。異物の混入は成形の条件より作業の環境で決まるので、合計からも外して別に数えます。

成形の条件は、設定の値を使います。 プレスが型の温度の実績を残していれば精度は上がりますが、予測を作る7時の時点では、その日の実績はまだありません。 設定の値なら、学習と予測で同じものを使えます。

AIへ渡す前に整形する

1. ロットごとに不良の率を作る … 不良の数 ÷ 生産の数。生産の数が0のロットは外します
2. 重みを付ける … 生産の数を sample_weight にします
3. 材料の値を規格の中の位置にする … （値 − 下限）÷（上限 − 下限）
4. 練ってからの日数を数える … 成形の日 − 材料を練った日
5. 区分の列の型をそろえる … 品番の系統・プレス・配合を pandas の Categorical の型にします
6. 外れたロットを外す … 試し打ちのロット、設備の故障で途中で止めたロット、検査の方法を変えた期間のロット
7. 学習と確かめの期間を時間で分ける … 成形の日の順に並べ、TimeSeriesSplit で古いロットで学習し、新しいロットで確かめます

1番目と2番目が、この構成の肝です。 率を目的の値にして重みを付けないと、生産の数が50個のロットの1個の不良と、5,000個のロットの100個の不良が、同じ2％として同じ重さで学ばれます。 小さなロットの率はばらつきが大きいので、重みが無いと、そのばらつきを学んでしまいます。

4番目の練ってからの日数は、ゴムの成形でよく効く項目の候補です。 練った配合ゴムは日がたつと少しずつ性質が変わるとされ、同じ受入れ検査の値でも、練った直後と1週間後では成形のしやすさが違うことがあります。効き方の向きは、第7章の当たり方の確かめで係長の経験と照らします。

7番目でロットを無作為に分けないのは、同じ材料で作った成形ロットが学習と確かめの両方に入るのを避けるためです。 無作為に分けると、同じ日・同じ材料で作った隣のロットの結果を見ながら当てることになり、当たり方が良く見えすぎます。

AIに処理させる

させるのは、その日の成形ロットごとの不良の率を予測することだけです。

「上位1割」と「過去の平均の何倍」の両方を使うのは、日によって全体の水準が違うからです。 全部のロットが低い日でも上位1割は出てくるので、倍率の条件を重ねて、本当に高いロットだけを赤にします。 線の高さは係長と検査の係で決めます。

2行目は、とくに気を付けてください。 モデルが言えるのは「この条件の組み合わせで、過去に不良の率が高かった」ことまでで、「型の温度を上げれば不良が減る」とは言えません。 型の温度が低めの品番が、もともと不良の出やすい形の品番なだけかもしれません。

指示内容を固定する

生成AIを使わないので、プロンプトはありません。 かわりに、学習と当たり方の確かめの中身を示します。

from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.metrics import mean_poisson_deviance
import numpy as np

CAT = ["family", "press", "compound"]
NUM = ["die_temp", "cure_sec", "pressure", "visc_pos", "cure_rate_pos",
       "days_since_mix", "shots_since_clean", "temp_7am", "rh_7am"]
X_cols = CAT + NUM
lots["rate"] = lots["defects"] / lots["produced"]

m = HistGradientBoostingRegressor(loss="poisson", max_leaf_nodes=31,
                                  learning_rate=0.05, max_iter=500)
m.fit(train[X_cols], train["rate"], sample_weight=train["produced"],
      X_val=val[X_cols], y_val=val["rate"],
      sample_weight_val=val["produced"])          # 1万件未満でも早期終了を効かせる

pred = m.predict(test[X_cols])
dev = mean_poisson_deviance(test["rate"], pred, sample_weight=test["produced"])

# 並べる力：予測の高い順に並べ、上位1割に実際の不良の数の何割が入ったか
order = np.argsort(-pred)
top = order[: max(1, len(order) // 10)]
share = test["defects"].values[top].sum() / test["defects"].sum()

sample_weight に生産の数を渡すのは、公式の例と同じ形です。 公式の例では、頻度（件数 ÷ 期間）を目的の値にし、期間を sample_weight として渡し、評価の mean_poisson_deviance にも同じ重みを渡しています。 学習だけ重みを付けて評価で付けないと、小さなロットの外れが評価を引っ張ります。

X_val と y_val と sample_weight_val を渡しているのは、早期終了のためです。 公式のページでは、early_stopping の既定の auto は、件数が1万を超えるか X_val と y_val を fit に渡したときに有効になるとされています。月240ロットの3年分は8,640件で、1万に届きません。

当たり方は、2つの数で見ます。 1つは重み付きのポアソンの逸脱度で、率の水準が合っているかを見ます。もう1つは「予測の上位1割のロットに、実際の不良の数の何割が入ったか」で、検査を厚くするロットの選び方として役に立つかを見ます。公式の例でも、予測の危うさで並べて実際の値の積み上がりを描く曲線（ローレンツ曲線）で、並べる力を比べています。

水準の合い方も確かめます。 公式の例では、予測の大きさで組に分け、組ごとの実際の平均と予測の平均を並べて合い方を見ています。予測が2％の組で実際も2％前後なら、一覧の「不良の数の見込み」をそのまま検査の係の手配に使えます。

出力形式を固定する

係長に渡すのは、次の一覧です。 印刷して朝の検査の打合せで使います。

【10/29 成形ロットの不良の率の見込み（07:04 作成／モデル作成 2026-10-01）】

「主な理由」は、そのロットの値が品番の系統のいつもの値から大きく外れている項目を並べたものです。 モデルの中身を説明するものではなく、係長が型や材料を確かめに行く先の手がかりです。

材料の回し方の候補は、一覧の下に別の表で出します。 「C-6612 を Oリング（大径）でなくパッキンに回すと見込みが 3.8％→1.1％」のように、同じ配合を使う品番の中で比べた値だけを出します。

機械で読む用には、同じ内容を CSV でも残します。 列は、ロット、印、率の見込み、不良の数の見込み、順位、モデルの作成日です。検査が終わったら、実際の不良の数をこの CSV の横に入れます。

システムへ連携する

検査の指示には書き込みません。 一覧の印をそのまま抜き取りの数にすると、型の見た目や前の日の調子を見ないまま検査の厚さが決まります。

人が確認する

1. 作った日時とモデルの作成日を見る … 一覧の上の日付がその日の朝であることを確かめます
2. 赤と橙のロットの理由を見る … 材料の値、練ってからの日数、清掃からのショットの数を確かめます
3. 記録に無い事情を足す … 型の傷みの見た目、前の日のプレスの調子を足して、抜き取りの数と初物の確認の担当を決めます
4. 材料の回し方の候補を係と話す … 回すかどうかは材料と成形の係が決めます

3番目で一覧と違う判断をしたら、理由を一言残します。 「P-14 の型は先週から傷が出ている」が何度も出るなら、金型の点検の記録を項目に足す材料になります。

目標は、240件をならして1件2分です。 印の無いロットは流し見るだけで、時間を使うのは赤と橙のロットの理由を確かめるところです。

例外に対処する

2行目は、とくに大事です。 学習の記録に前例の少ない品番や配合では、モデルは似た品番から推しはかった率しか出せません。 品番の系統と配合ごとに学習の記録の件数を数え、一定の件数に満たないロットに印を付けます。

記録を残す

• 実行の日時、使ったモデルの作成日、学習に使ったロットの期間と件数、外したロットと理由
• ロットごとの率の見込み、不良の数の見込み、順位、印、主な理由
• 係長が一覧と違う判断をしたロットと、その理由
• 実際の不良の数と種類
• 月ごとの当たり方（重み付きのポアソンの逸脱度、上位1割に入った不良の数の割合、見込みの組ごとの実際の平均）

「上位1割に入った不良の数の割合」が、この構成の健康診断です。 でたらめに選べば1割しか入らないところ、3割、4割と入っていれば、検査を厚くするロットの選び方として役に立っています。 下がり続ければ、材料や工程の変化をモデルが追えていません。