私たちは人工知能（AI）の時代に生きています。AIは変革をもたらす力として、極めて複雑でデータ集約的な半導体製造分野を含むほぼ全ての産業を再構築しています。AIの中でも最も有望な技術の一つが機械学習（ML）であり、半導体製造装置やセンサーが生成する膨大なデータから貴重な知見を抽出することを可能にします。
しかし、AIや機械学習（ML）を導入して設備データを分析することは、決して容易なことではありません。データの複雑さ、変動性、そして膨大な量により、特有の技術的課題が生じ、多くの組織が実運用可能なAI統合を実現できないでいます。本記事では、これらの課題を詳細に検証し、それらを克服するための新たな戦略を提示するとともに、 PDF Solutionsの ソリューションが、設備分析におけるAI/MLの導入を簡素化し、拡張できるように特別に設計されているかについて解説します。
AI/MLを設備データに適用する際の課題をより深く理解するためには、教師あり学習と教師なし学習を区別することが重要です。
教師あり学習
教師あり学習では、各入力と既知の出力が対応付けられたラベル付きデータセットを用いてモデルを訓練する。この手法は分類や回帰といったタスクに極めて有効であり、モデルは過去の事例に基づいて結果を予測することを学習する。製造業では、十分なラベル付きデータが利用可能であれば、教師あり学習を用いて特定の故障モードの検出、工具の摩耗予測、製品品質の分類などを行うことができる。
しかし、実際の機器データシナリオでは、以下に述べる課題により、ラベル付きデータの取得は往々にして非現実的である。これらの制約により、教師あり学習を効果的に適用することが困難となる。
教師なし学習
一方、教師なし学習はラベル付きデータに依存しない。代わりに、データ自体の中にパターン、クラスター、または異常を識別する。これにより、ラベル付き故障データが乏しい産業環境において特に有用となる。新規性検出、クラスタリング、オートエンコーダーといった技術により、特定の故障モードに関する事前知識なしに異常動作を検出することが可能となる。
設備分析における堅牢なAI/MLソリューションを設計するには、両アプローチの強みと限界を理解することが極めて重要である。
AI/MLにおける設備データの現実的な課題
ラベル付きデータの不足
機械学習を設備データに適用する際の最大の障壁の一つは、ラベル付きデータセットの不足である。 ほとんどの設備は正常な状態で稼働しており、教師あり学習にとって重要な故障イベントは稀にしか発生しません。たとえ故障が発生しても、ラベル付けされないことが多く、あるいは劣化が進行した正確な時点を特定することが困難です。例えば、半導体製造装置のユニット内でロボットを駆動するモーターは、何ヶ月も問題なく動作し続けることがあります。最終的に故障した際、ログには故障そのものが記録されるだけで、その数週間あるいは数ヶ月にわたる微妙な劣化過程は記録されないのです。
こうした事象を後からラベル付けすることは、専門知識を要する困難で時間のかかる作業である。装置の挙動に意味のある変化が生じ始めた時点を確実に特定できるのは経験豊富な技術者だけであり、彼らの時間は限られており高コストである。さらに、人間のラベル付けにはバイアスや不確実性が伴う。特に複数の変数が結果に影響する複雑なシステムでは顕著である。その結果、ラベル付きデータセットは規模が小さく、不均衡であったりノイズを含んだりするケースが多く、堅牢な教師ありモデルを訓練するには理想とは程遠い状態となる。
実際の事例では、ある製造会社がCNCフライス盤から1000万件以上のセンサー測定値を収集した。この膨大なデータセットの中で、工具破損イベントとしてラベル付けされたサンプルはわずか37件だった。このような限られた陽性例で分類器を学習させようとした結果、過学習と誤検知が発生し、最終的にシステムへの信頼が損なわれた。
機械学習ワークフローの複雑性
データが利用可能であっても、それを実用的な機械学習パイプラインに変換するには多大な労力を要する。産業環境では通常、高次元・多レート・ノイズの多いセンサーデータ（トルク、振動、温度、流量、電流など）が生成される。これらはすべて異なるサンプリングレートで記録され、遅延も様々である。このデータの整合、クリーニング、正規化、特徴抽出には、ソフトウェアの専門知識だけでなく、基盤となる設備や信号処理に関する深い知見も必要となる。
ロボットアームの予知保全に関する実例を考えてみよう。各アームはトルクセンサー、モーター温度センサー、サイクルカウンター、エンコーダーからデータを生成する可能性がある。このデータを準備するには、タイムスタンプを揃えるための補間、ノイズを低減するためのフィルタリング、そしてRMS（二乗平均平方根）やFFT（高速フーリエ変換）などの変換による意味のある特徴量生成が必要となる。これはまだ始まりに過ぎない。 次に、時系列サンプル予測にはLSTM（長短期記憶）、異常検知にはIsolation Forestなど、適切な機械学習モデルを選択し、履歴データで学習させ、慎重に選定した指標を用いて検証する必要があります。ハイパーパラメータの調整が必須であり、摩耗パターンの変化や設備のメンテナンスに伴い、モデルを定期的に再学習させる必要があります。
最後に、デプロイメントはさらなる複雑性を加える。モデルは稼働システムに組み込まれ、ドリフトを監視され、新たなデータが入手可能になるたびに更新されなければならない。このプロセスにはチーム間の連携が不可欠である：分析パイプラインを扱うデータエンジニア、モデルを構築するデータサイエンティスト、動作を解釈する機器の専門家、そしてデプロイメントインフラを管理するITチーム。専任の機械学習担当者を擁さない組織にとって、参入障壁は極めて高い。
半導体施設ではインターネット接続が一切許可されていないため、MLソリューションをより高性能なクラウドシステムで実行できない点が課題を増幅させている。このソリューションは通常、限られた演算能力しか持たない設備用PC上で動作する必要がある。
設備データ分析への機械学習適用ワークフロー
機器の種類やプロセスに関わらず、ほとんどの場合以下の手順が必要となります。基盤となるソリューションプラットフォームが存在するか、ユーザーがすべてのソリューションを一から構築する必要があるかにかかわらず、機械学習開発プロセスには時間とリソースがかかり、システムの市場投入までの時間（または本番運用までの時間）を増加させます。また、すべてのソリューションを社内で維持する場合、総所有コストも高くなります。
課題に対処するための技術的戦略
こうした困難にもかかわらず、生の機器データと実用的な機械学習モデルとの間のギャップを埋める有望な技術が数多く登場している。
新規性検出
新規性検出は、ラベル付き故障データを必要とせずに正常動作からの逸脱を識別する教師なし学習技術である。システムは正常動作の事例のみで訓練され、「正常」の統計的境界を認識することを学習する。推論時には、これらの境界外にある入力はすべて異常としてフラグ付けされる。
この手法は、ラベル付き故障データが乏しい、あるいは存在しない予測保全や早期故障検出のシナリオに最適です。特に半導体製造工場のような稼働率の高い環境で有用であり、そこでは故障は稀ですが、発生した場合のコストは甚大です。
合成データ生成
合成データ生成は、故障シナリオや限界状態をシミュレートすることで、ラベル付き故障データの不足に対処します。これは、実際の故障を生成することが高コストまたは非現実的な制御環境において特に有用です。物理ベースのシミュレーション、生成モデル、および／またはドメイン固有のルールを組み合わせることで、エンジニアはデータセットを拡張し、モデルの頑健性を向上させ、過学習を低減できます。
例えば、先述の1000万件のセンサー測定値のうち故障データが37件しかない事例では、この37件のデータポイントを種として異常データパターンを合成したり、漸進的な摩耗をシミュレートしたりできる。これにより、過去の記録では表現されにくい故障の初期兆候を認識するモデルの訓練が可能となる。
半教師ありGAN
生成的敵対ネットワーク（GAN）は、半教師あり学習フレームワークへと拡張可能であり、限られたラベル付きデータで分類性能を向上させることができる。この手法では、少数のラベル付き例と大量のラベルなしデータを用いて、GANが現実的な機器動作を生成すると同時にデータサンプルを分類するよう訓練される。
生成器は妥当なセンサーデータを生成することを学習し、判別器は実データと合成データの区別と入力の分類の両方を訓練される。この二重役割の訓練プロセスにより、高品質なラベルが乏しい場合でもモデルは良好な汎化性能を発揮する。
半教師ありGANは、複雑な機器の挙動モデリングにおいて特に有望である。多変量信号の微妙な偏差が劣化を示す可能性があるが、完全教師あり学習にはラベル付きデータが不十分であるためである。
特徴抽出のためのオートエンコーダ
オートエンコーダは入力データを圧縮・再構築することを学習するニューラルネットワークである。正常データで訓練された場合、類似入力に対しては低い再構築誤差を生成するが、異常データは正確に再現できない。この差異を異常スコアとして利用できる。オートエンコーダは高次元センサーデータや時系列ストリームのモデリングに適しており、強力な教師なし特徴抽出器として機能することが多い。
一度学習させると、入力データの圧縮された潜在表現を提供し、可視化やクラスタリング、二次モデルへの入力として有用である。オートエンコーダは新規性検出や次元削減といった他の手法とも良好に統合される。
二段階新規性検出
この構造化されたアプローチでは、モデル開発を2つのフェーズに分割する。学習フェーズでは、モデル（通常はオートエンコーダ）を正常データで訓練し、再構成誤差を用いて統計的閾値を設定する。テストフェーズでは、入力データをこれらの閾値に対して評価し、外れ値を検出する。この手法は、異常検出に対する定量化可能かつ維持可能なアプローチを提供し、再訓練がコスト高または非現実的な実稼働環境において効果を発揮する。
DEEPが設備分析におけるAI/ML導入をいかに簡素化するか
PDF Solutionsが開発したソリューション「DEEP」は、設備データへのAI/ML適用における課題を克服するために特別に設計されています。堅牢な機械学習インフラと直感的なユーザーインターフェースを組み合わせ、データ取り込みからリアルタイム推論に至る分析ライフサイクル全体をサポートします。
機械学習ワークフローの自動化
DEEPは機械学習パイプラインにおける煩雑でエラーが発生しやすい多くの工程を自動化します。これには、機器からのデータ収集、時系列データの事前処理と整列、ガイド付きテンプレートによる機械学習ワークフローの設定が含まれます。ユーザーが手動でモデルを設計・訓練する必要はなく、DEEPは特定の機器やセンサーパターンに適応可能な事前設定済みユースケースのライブラリを提供します。
以下の図は、DEEPが機械学習プロセス全体を通じてどのように支援を提供するか示しています。
ガイド付きテンプレートとユースケースライブラリ
このソリューションは、DEEPのデータサイエンティストが厳選したモデルテンプレートのコレクションを提供します。これらのテンプレートは一般的な機器の挙動に合わせて設計されており、例えばヒーター出力と温度、あるいはポンプ流量と圧力といった特定の関係性を対象としています。これらのテンプレートにより、機械学習の知識がないユーザーでも、組み込みのガイダンスとドメインのベストプラクティスを活用してモデルの作成、トレーニング、検証が可能になります。
ユースケーステンプレートをコピーしてユースケースを作成する
次元削減と時系列アライメント
センサーデータの複雑さを処理するため、DEEPは主成分分析（PCA）、t-分布確率的近傍埋め込み（t-SNE）、均一多様体近似と投影（UMAP）などの次元削減技術をサポートしています。これらの手法は高次元データ内の構造を明らかにし、可視化やクラスタリングを容易にします。 DEEPはまた、再サンプリングと効率的なインデックス付けによる時系列アラインメントをサポートし、マルチレートセンサーストリーム間の一貫性を保証します。
継続的な再学習とモデル適応
装置の動作は、摩耗、メンテナンス、またはプロセスのドリフトにより時間とともに変化します。DEEPには自動再学習とモデルバージョン管理の仕組みが含まれており、手動介入なしに展開システムが適応することを可能にします。これにより、動的な環境においてもモデルの精度と堅牢性を持続的に維持できます。
データセキュリティとガバナンス
データプライバシーは、あらゆる生産環境において最優先事項です。DEEPはgRPC（リモートプロシージャコール用のオープンソースフレームワーク）と暗号化技術を用いてデータを安全に送信し、権限ベースのシステムを通じてアクセス制御を実施します。これにより、機密性の高い設備データが保護され、顧客のポリシーに準拠した状態が維持されます。
最終的な所感
半導体および先端製造分野において、AI/MLを設備データと統合することは、大きなインパクトをもたらす機会であると同時に、技術的に困難な課題でもあります。ラベル付きデータの不足からリアルタイム展開の複雑さに至るまで、障壁は現実のものですが、適切なツールと戦略を用いれば、これらは解決可能な課題でもあります。
Cimetrix DEEPは、自動化、専門家が厳選したテンプレート、高度な分析技術、安全な導入を統合ソリューションとして組み合わせることで、そのギャップを埋めます。参入障壁を低くすることで、DEEPはエンジニアリングチーム、データサイエンティスト、製造メーカーがAIの力を活用することを可能にし、生の設備データを実用的な知見と競争優位性へと変えます。