知識蒸留を用いた能動検査による製造プロセスの費用対効果の高い故障予測

不良品を早期に見つけることが重要な理由

スマートフォンから電気自動車まで、私たちは何千もの小さな部品から構成される複雑な製品に依存しています。そのうちの一部品でも欠陥があれば、工場での高額な手直しや製品回収、さらには顧客の安全に関わる問題につながる可能性があります。したがって製造業者は問題を早期に検出するために多数の検査を行いますが、最も徹底した検査ほど遅くコストも高くなります。本稿は、工場が人工知能を活用してどの製品が故障しやすいかを予測しつつ、検査コストを抑える方法を探ります。

工場の検査には二種類ある

現代の生産ラインでは、すべての品目が同じレベルの精査を受けるわけではありません。すべての製品に対して実施される単純で高速な検査を著者らは「基本検査」と呼びます。一方、特別な装置や厳しい条件を要する詳細な検査は高価で時間がかかるため、より小さなサンプルに対してのみ行われます。これを「高度検査」と呼びます。将来の故障を予測するコンピュータモデルは、基本検査と高度検査の両方の結果を見ることで精度が上がりますが、それは高価な検査を増やすことを意味します。基本検査のみを使うモデルは運用コストは低いものの、通常は精度が劣ります。

安価な検査に高価な検査の“思考”を教える

研究者らは知識蒸留という機械学習の考え方をこの製造現場に適用します。まず、基本検査と高度検査の両方のデータにアクセスできる高度モデルを訓練し、各製品が最終検査で不合格になるかどうかを予測させます。次に、低コストの検査結果のみを見る基本モデルを訓練しますが、その学習を高度モデルの予測を模倣するように導きます。結果的に、基本モデルは展開時に低コストな測定値だけに依存しつつ、高度モデルが持つより豊かな理解を近似するよう教えられます。

いつ追加検査に投資するかを決める

このようにして改善された基本モデルを、著者らは能動検査の枠組みに組み込みます。各製品はまず基本検査を受け、改良された基本モデルで評価されます。このモデルは判断に対する自身の信頼度も出力します。製品が明らかに良品または明らかに不良品であるとモデルが高い確信を持つ場合、工場は高価な高度検査を省略できます。不確実な予測の品目のみが高度検査に回され、高度モデルで評価されます。この選択的戦略は、高価な検査が最も効果を発揮する製品に対してのみ割り当てられるようにすることを目指しています。

半導体製造での検証

このアプローチが実務でどれほど有効かを確かめるため、研究チームは半導体メーカーの実データを分析しました。チップ製造ではウエハーに多くの電気試験が行われ、その一部はすべてのチップに対して実施され、他の一部は厳しい条件下でごく一部にのみ適用されます。著者らは2種類の異なる機械学習アルゴリズムを用いて基本モデルと高度モデルの両方を構築し、知識蒸留を用いた場合と用いない場合のモデルを比較しました。また、どのチップを高度検査に回すか決めるための予測不確実性の測り方をいくつか検討し、モデルが良品と不良品をどれだけ識別できるかを示す標準的な指標で性能を評価しました。

低コストで向上する品質

実験の結果、知識蒸留で訓練された基本モデルは通常の基本モデルより一貫して高精度であり、あるデータセットではわずかに高度モデルを上回ることさえありました。これらの強化された基本モデルを能動検査戦略と組み合わせることで、工場はすべての製品を高度検査する場合とほぼ同等の故障検出性能を達成しつつ、はるかに少ない品目だけを高コストの検査に回すことができました。簡単に言えば、この手法は製造業者がすべてを最高レベルで検査することなく、より多くの欠陥を早期かつ確実に検出できるようにし、実用的な高品質化とコスト削減の道を提供します。

引用: Heo, J., Son, M. & Shim, J. Active inspection with knowledge distillation for cost-effective fault prediction in manufacturing process. Sci Rep 16, 8613 (2026). https://doi.org/10.1038/s41598-026-39412-8

キーワード: 製造品質, 故障予測, 検査コスト, 知識蒸留, 半導体生産