はじめに モーターの異音検査はAIで置き換えられるのか
筆者はモーター生産の現場で、製品の最終検査に携わっています。その中で「官能検査」と呼ばれる、人間の感覚に頼った検査の工程があります。特に異音の検査は、ベテランの耳でないと判別が難しい部分があります。
この官能検査を、AIによる自動判定に置き換えられないか。本記事では、候補となるGoogleの音声分類モデル「YAMNet」について詳しく解説し、「本当にこの用途で使えるのか」を検証します。実践的な検証結果は次回以降の記事で報告するため、今回は構想と技術評価が中心です。
官能検査の現状と課題
官能検査とは、人の五感（視覚・聴覚・触覚・嗅覚）を使って製品の良否を判定する検査方法です。モーター生産では、回転時の異音・振動・熱などの異常を、検査員の耳や手で確認します。
この検査には、以下のような課題があります。
- 属人化：良否の判断基準がベテランの経験に依存し、技術が個人の中にしかない
- 継続性：ベテランの退職・異動で検査能力が維持できないリスク
- ばらつき：人による判断の差、体調や疲労による判定のゆらぎ
- 24時間対応の難しさ：常時監視ができず、異常を見逃す可能性
「熟練工の耳」は現場の貴重な財産ですが、人に依存した品質管理は持続可能ではありません。
YAMNetとは何か
YAMNetは、Googleが公開している音声イベント分類モデルです。TensorFlowで動作し、無料で利用できます。
521クラスの音を認識する
YAMNetは、YouTubeの音声データセット「AudioSet」（約157万件の10秒音声）で学習されており、521種類の音声イベントを分類できます。犬の鳴き声、音楽、話し声、ドリルの音、機械のハム音など、日常的な音から産業的な音までをカバーしています。
ただし、注意すべきは521クラスの内訳は日常音が中心だということです。「Electric motor running（モーター動作音）」のようなクラスは存在しますが、モーターの「正常音」と「異常音」を直接判別するクラスは用意されていません。
Embedding（特徴ベクトル）の仕組み
YAMNetの本質的な価値は、521クラスの分類そのものではなく、Embedding（音の特徴を表す数値ベクトル）を出力できる点にあります。音声を入力すると、その音の「特徴」が1024次元の数値列として出力されます。
このEmbeddingを利用すると、新しい音の分類を追加学習（転移学習）できます。TensorFlowの公式チュートリアルでも「YAMNetを用いた転移学習による環境音分類」が公開されており、設備固有の正常音と異常音の違いを学習させることが可能です。
本当にモーターの官能検査に使えるのか
ここが本記事の核心です。調査の結果、「そのままでは使えない。工夫すれば使える可能性がある」というのが現時点の結論です。
そのままでは使えない理由
YAMNetをそのまま使って「モーターの異常音を検知する」ことはできません。理由は、521クラスの中に「モーターの良品/不良品」を判別するクラスが存在しないためです。「モーター動作音」という一般クラスはあっても、それが「正常」か「異常」かは判定できません。
使えるようにするための2つの方法
実際の産業用システムは、以下の2つの方法で使われています。
方法1: 転移学習（教師あり）
YAMNetのEmbeddingを入力として、軽量な分類器を追加学習します。正常音と異常音のデータを数十件ずつ用意し、「この音は正常」「この音は異常」と学習させます。モーターごとにモデルを作り込めるため、検査対象が固定されている場合は有効です。
方法2: 正常音からの乖離検知（教師なし）
NTTコミュニケーションズやNTTデータCCSの「Monone」など、商用システムで主流の方式です。正常時の音をモデル化し、測定音がそのモデルからどれだけ乖離しているかを数値化します。異常音のサンプルが少ない現場（不良品がそもそも出ない）でも使えるのが利点です。
実運用で最大の壁は「周囲ノイズ」
技術的な仕組みよりも、実運用で最も大きな壁になるのが周囲の騒音です。実際に設備の異音検知に挑戦して失敗した事例の報告では、「静かな環境で収集した学習データが、実際の現場では全く通用しなかった」という教訓が語られています。
具体的には、学習データを昼休み（他の設備が止まっている時間）に収集したため、実際の稼働時間帯（周囲の設備が動いている）の音をすべて「異常」と誤判定してしまいました。工場の騒音は時間帯や日によって変わるため、フィルターでの除去も難しいというのが実情です。
対策としては、マイクを対象設備に密着させる、指向性マイクを使う、学習データを実際の稼働環境で収集する、などの工夫が必要になります。
検討しているシステム構成
以上の評価を踏まえ、現在検討しているのは以下のような構成です。
- USBマイク（1,000〜3,000円）：製品や設備の音を録音。可能なら対象に密着させて設置
- YAMNet（無料）：音のEmbedding（特徴ベクトル）を抽出するエンジンとして活用
- 転移学習 or 乖離検知：Embeddingを入力に、正常/異常を判定する仕組みを追加
- Pythonによる判定プログラム：データ収集・判定・通知を自動化
商用の異音検知システムは高額なものが多いですが、この構成なら部品代数千円でPoC（実証実験）を始められます。
期待できる効果
この取り組みが実現すれば、以下の効果が期待できます。
- 官能検査の自動化による、検査のばらつき解消と工数削減
- ベテランの「耳」の技術をAIに継承し、属人化を解消
- 24時間の監視体制による、異常の早期発見
- 検査データの蓄積による、品質管理の見える化
まとめ
YAMNetは「モーターの官能検査をそのまま置き換える」ツールではありません。しかし、音の特徴を抽出するEmbeddingエンジンとして活用し、転移学習や乖離検知を組み合わせることで、数千円の部品で異音検査の自動化に挑戦できる可能性があります。
最大の課題は技術ではなく、実際の稼働環境で「ちゃんとした学習データ」を集められるかどうかです。次のステップとして、実際にデータを収集し、モデルを構築して、その精度を検証する予定です。実践で得られた知見（うまくいった点・失敗した点）は、次回以降の記事で報告します。
コメント