三井化学 NTTコミュニケーションズ 化学プラント AI×IoT
15年の時を経て、化学プラントにAIがよみがえる
「製造業へのAI導入」を「製造業へのディープラーニング導入」と言い換えるとまた違った側面が浮上する。三井化学は15年前、同社化学プラントに試験導入したものの当時は本導入を諦めたが、2015年に再度の試験導入を行い一定の手応えを得たという。
三井化学 生産・技術本部 エンジニアリングセンター 設備技術G 十河信二氏
ここ最近よく耳にする「製造業へのAI導入」だが、実際に生産性向上やコスト削減に結びついたという具体例を耳にする機会は少ない。これはAIの定義がまだ揺れ動いていることとも無関係ではないし、製造業への導入は生産現場にあわせたカスタマイズが欠かせないという業界ならではの事情も関係している。
ただ、「製造業へのディープラーニング導入」に表現を変えるとまた違った側面が浮かび上がる。化学品や樹脂の生産を手掛ける三井化学は15年前に試行したものの、2015年に再度の試験導入を行い一定の手応えを得たという。試験導入を共同で行ったNTTコミュニケーションズの開催した説明会にて、同社化学プラントにおけるディープラーニング活用について担当者が語った。
4つの理由で頓挫した15年前のAI導入
三井科学は国内に5つの製造拠点を構える化学メーカーで、機能性樹脂やポリウレタン、工業薬品、包装フィルム、電子情報材料などを手掛けている。各種製造を行うプラントには温度計や圧力計、流量計など各種センサーが設置されており、オペレーターはその値を監視／確認しながら運転操作を行っている。
三井化学におけるデータ活用
取得したセンサー値と操作記録は1分周期でシステムに保存され、生産管理や品質管理、運転管理、設備管理業務などに利用されている。この定期的に取得する各種データを製造プロセス改善に利用できないかとニューラルネットワークの技術導入を検証したのが、約15年前のことだが、試験のみにとどまり導入には至らなかった。
この「製造過程で測定されるデータをニューラルネットワークにて処理して改善に役立てる」というのは、現在でもよく聞くアプローチだが、当時、導入に至らなかった理由として三井化学の十河信二氏（生産・技術本部 エンジニアリングセンター 設備技術G）は以下の4つを挙げる。
- 学習データ作成の手間
これについては導入検討の当時、人間が教師となってコンピュータを学習させるいわゆる「教師付き学習」が主流であり、データをコンピュータに入力するだけでも相当な手間が発生していたから。
- 過学習
これは試験的にでも現場へ導入したからこそ遭遇した現象で、学習データはマッチするものの、実際に使用してみるとあわないという事態が発生したという。
- 経年によるプロセス変化
データ入力によって作成されたモデルはデータ取得時のモデルであるため、経年によってプロセスに変化が生じた際、予測モデルの変更（つまりは再作成）を迫られることになった。十河氏によれば、数カ月でモデルの再作成を余儀なくされたこともあったという。
- 技術伝承
化学プラントでニューラルネットワークを利用した予測技術を導入するといっても、企業の新たな仕組みをいれることには変わりない。そして企業には人事異動もある。ドキュメントを残すなどの施策を試したものの、当時は技術的な成熟度など観点から専任者の常駐がベターであり、本導入は難しいとの判断が下された。
このような4つの理由があり、化学プラントという大規模な製造設備へAI技術を導入することは見送られた。しかし、2015年末から同社はNTTコミュニケーションズと共同で、再度の実験導入を試みる。そして、それは好感触を残す結果となった。
4つのダメだしから一転、プラント生産で±3％の高精度予測可能
2015年末から実験導入されたAI技術も、とりくみの大枠としては以前と変わらない。温度や圧力、流量などのデータを取得して品質の推定値をディープラーニングによる予測で求め、実測値と比較するというものだ。結果から言えば、20分後の品質について±3％の誤差にて予測可能という結果を得ることに成功している。実物を測定器で測定した際の誤差が±2％なので、ほぼ正確な予測といえるだろう。
高い精度を実現したことについてNTTコミュニケーションズ 技術開発部の伊藤浩二氏は時間変化するデータに意味を見いだす「時系列性」と複数データを用いて総合的な判断を下す「マルチモーダル性」の加味が大きく貢献したと語る。
NTTコミュニケーションズが導入支援を行った、化学プラントの運転支援システム
化学プラントの運転支援システムが予測した品質誤差。実際の測定器の誤差（±2％）に迫る精度を実現した
伊藤氏はAIの産業応用について、「解くべき課題」「必要なデータ」の明確化がなによりも必要であり、技術は改題解決に従属するものという意見を示した。その意味で三井化学のケースを語れば「プラントにて製造される物質の品質予測」という課題と、その予測に「必要なデータ」のいずれもが15年前の知見もあって明確化されていたことも、今回の高精度な予測実現に結びついたといえるだろう。
今回、製造品質の高精度予測という結果を残したディープラーニングだが、まだまだ現場からの要望は尽きない。十河氏が例として上げた要望は「系が複雑で未解決な問題への適用による原因の追及」「プラント異常の早期検知と要因のピックアップ」「機器劣化予測の精度向上による保全の最適化」の3つだが、いずれもベテランオペレーターならば自身が積んだ経験で解決できる問題でもある。
これは現在のディープラーニングが、「教わっていないことを過去の事例から推測できる（学習データではなく、未知のデータに対して正解を導ける）汎化能力」に乏しいという構造的な問題でもあり、また、入力されたデータを元にしか予測が行えないため、論理側との整合性が得られない場合もあるのも問題だといえるだろう。
ただ、現在も行われているシミュレーションとディープラーニングを組み合わせれば、実際には存在しないデータも含め、より因子の多い状態から予測を展開することが可能となる。伊藤氏は「シミュレーションは論理にそって作られているし、そのデータを使って学習すれば、論理との製造性がとれたディープラーニング学習モデルが作れるのではないか」と述べ、現場を預かる十河氏も「実際のプラントではほぼトラブルは発生しないので学習データは発生せず、故障予測のモデル作成は難しくなる。しかし、シミュレーションならばトラブル発生時の数値を生み出すことができ、そこから予測モデルを作ることも可能だろう」と同意した。
Copyright © ITmedia, Inc. All Rights Reserved.
特集（製造IT）
「製造IT」をメインテーマに、モノづくり関連セミナーのレポートやインタビューなどを多数掲載。製造現場の課題解決やカイゼン、意識改革に向けた第一歩を踏み出すためのヒントを提示します。
この記事の著者
新着ホワイトペーパー PR
-
製品資料
[株式会社 Green AI] AIで脱炭素計画を最適化、初年度からエネルギーコストとCO2を削減する方法 -
市場調査・トレンド
[スマートジャパン編集部] 「ペロブスカイト太陽電池」の普及戦略が公表 政府が目指すコスト・導入量のロードマップを解説 -
市場調査・トレンド
[スマートジャパン編集部] 導入が加速する再エネ・系統向け蓄電システム コスト・収益性の現状分析 -
技術文書・技術解説
[スマートジャパン編集部] いまさら聞けない「ペロブスカイト太陽電池」の基礎知識と政策動向 -
技術文書・技術解説
[スマートジャパン編集部] 「ペロブスカイト太陽電池」の開発動向、日本の投資戦略やコスト目標の見通しは？
関連記事
こんなメディアも見られています
TechFactoryに関連する情報をお探しであれば、こちらのメディアもお役に立てるかもしれません。
特集
- マテリアルズ・インフォマティクスの動向調査
- 研究・開発職のデジタル活用調査
- 設計・解析業務におけるAI活用
- 3Dプリンタ利用動向調査
- CAD利用動向調査
- つながる工場の現状と課題
- 製造業におけるAI開発および活用の実態
- 設計・製造現場における品質管理
ホワイトペーパーランキング PR
-
1
EE Times Japan×EDN Japan 統合電子版：フィジカルAIが生み出す新たな「設計思想」――電子版2026年8月号
-
2
半導体装置メーカー 業績まとめ【2027年3月期第1四半期】
-
3
新入社員に読んで欲しい鉄鋼材料の基礎知識まとめ（Part4）
-
4
一時は時価総額トヨタ超え キオクシア2026年度の動向
-
5
微細配線間の絶縁劣化をどう捉える？ 先端パッケージ評価の最前線
-
6
新入社員に読んで欲しい鉄鋼材料の基礎知識まとめ（Part1）
-
7
EE Times Japan×EDN Japan 統合電子版：2026年上半期の半導体業界を振り返る――電子版2026年7月号
-
8
新入社員に読んで欲しい鉄鋼材料の基礎知識まとめ（Part3）
-
9
CADツールの見直しは本当に必要？ 切り替えの理由と効果を7つの質問で検証
-
10
新入社員に読んで欲しい鉄鋼材料の基礎知識まとめ（Part2）
TechFactory SNS
@techfactory_itmをフォロー
インフォメーション
注目情報をチェック
TechFactoryをフォロー