この記事の要点・目次
  • Siemensは実物の試作基板を待たずに画像をつくり、検査の準備を前倒しする事例を発表しました。
  • オムロンは表面と内部の検査データなどを使い、不良の原因調査や製造条件の検討を支援します。
  • モデルへ渡す条件を整え、実物と結果を照合することが、現場の経験を生かす接点になります。

新製品の図面はできているのに、試作品が届かないと検査の準備が進まない。受注が変わるたびに、材料と設備の空きを見ながら生産計画を組み直す。工場の仕事にはこうした「つくる前」の手間もあります。

ドイツのSiemensと米国のNVIDIAが2026年10月19日に発表したのは、この準備を仮想空間で先に進める取り組みです。ドイツ・Erlangenの電子機器工場で、AIを使う基板検査の準備と生産計画の事例を示しました。検査では実物の試作基板を待たずに学習用の画像をつくり、生産計画ではAIが出した複数の案を担当者が比較します。

日本のオムロンも、NVIDIAの技術を使った基板検査の取り組みを発表しています。ただし、力を入れるのは、表面と内部の検査データをつないだ原因の調査などです。何を入力し、何を判断する仕組みなのか。二つの事例を比べると、工場AIと現場の仕事の接点が見えてきます。

実物の基板を待たず、検査を準備する

電子基板は配線を通じて電子部品をつなぐ土台です。部品が正しく取り付けられているかを画像で調べるには、検査装置が良品と不良品を見分けられるよう、プログラムを準備する必要があります。

Siemensの説明によると、従来、新しい基板の検査を立ち上げるには、実物の試作品が届くまで数週間待ち、その後、サンプルを使って装置の設定に何時間もかけることがありました。検査装置が速くても、検査を始めるまでの準備が追いつかないわけです。

そこで使うのが、現実の製品や設備をデータと結び付けて再現する「デジタルツイン」です。今回の検査準備では、基板の仮想モデルから写真のように見える画像を生成します。正しくできた基板だけでなく、起こり得る不良の画像も大量につくり、検査用AIの学習に使います。こうして仮想的につくる画像は「合成データ」の一種です。

同社の「Process Preparation X」を使う事例は、基板ができてから学習する順番を、基板ができる前の学習へと変えます。最初の実物が流れてくる時点で、検査のプログラムを用意しておく。その分、試作品待ちだった期間を準備に使える仕組みです。

Erlangen工場の設備と、その設備を再現したデジタルモデル
Erlangen工場の設備とデジタルモデルを並べた同社の配布写真。今回の基板検査用アプリケーションの画面を示すものではありません。写真・画像:Siemens AG / Siemens press pictures:編集・報道目的での利用、加工可。Siemens AGのクレジット必須

Siemensは、この方式を広げることで検査準備のエンジニアリング工数を最大85%減らせると説明しています。工場全体の人員や費用が85%減ったという数字ではありません。公表資料だけでは、対象となった基板の種類や、同じ条件で繰り返した検証の詳しい結果まではわかりません。

ここで生産技術や品質の担当者が確認したいのは、「合成画像を何枚つくれるか」だけではありません。自社で起こる不良が画像に含まれているか、実物の照明や表面の見え方でも判定できるかが重要になります。仮想空間で準備を早めることと、実物で性能を確かめることは、別々に考える必要があります。

生産計画は、AIの案を比べて選ぶ

もう一つの事例は、生産計画です。Erlangen工場では、Siemensの「Intelligence Center X」のAIエージェントが、受注量、材料の用意、ラインの構成、費用などを踏まえて複数の生産シナリオをつくります。AIエージェントとは、ここでは与えられた条件から計画案の作成や評価を進めるソフトウェアを指します。

担当者は、それぞれの案が生産の指標にどう影響するかを比較し、適した案を選びます。選んだ案は、実際の工場の動きを再現するデジタルツインで検証してから運用に移すとしています。発表で掲げる「自律工場」に向けた事例にも、人が選択し、検証する工程が残っています。

たとえば、ある部品の入荷が一日遅れる場面を考えます。これは仕組みを説明するための仮の例です。作る順番を変える案と、別のラインを使う案が出ても、どちらがよいかは納期や設備の余力で変わります。別ラインへ移すために段取り替えが増えるなら、その時間も条件に含めなければ、画面の上だけで成立する計画になりかねません。

Erlangen工場で搬送車のそばに立ち、端末を使う作業者
Erlangen工場で材料を運ぶ搬送車。生産計画は、こうした現物の流れとも整合させる必要があります。写真は計画用AIの効果を示すものではありません。写真・画像:Siemens AG / Siemens press pictures:編集・報道目的での利用、加工可。Siemens AGのクレジット必須

この例では、材料の所在や設備の稼働状況を、現実に合わせて入力しておくことも欠かせません。古い在庫情報を前提にすれば、精巧なモデルでも、使えない材料を使う計画を提案する可能性があります。

案をつくる作業、条件を整える作業、採用を判断する作業。この三つに分けると、AIに任せる部分と、担当者が確かめる部分を具体的に考えられます。

日本のオムロンは、検査データをつないで原因を探る

同じ基板の領域でも、オムロンが2026年7月16日に発表した取り組みは、異なる課題に答えています。同社はNVIDIAとの協業を拡張し、電子部品の反りの可視化、表面と内部の検査データの重ね合わせ、AIによる検査業務の支援を説明しました。

部品は、製造中に熱が加わることで反る場合があります。反りが生じると、部品を基板につなぐはんだの接合に不具合が起きることがあります。そこで、部品の変形や、その変形に抵抗する力を仮想空間で再現します。オムロンは、これにより加熱・冷却の温度が時間とともにどう変わるかを事前に調整し、不良の予測・防止につなげられると説明しています。

もう一つは、外側と内側の情報を一緒に見る方法です。外観検査装置のAOIが測った表面の立体データと、3D-CT X線検査装置のAXIが取得した内部構造を重ねます。外から見えた部品のずれについて、内部の微細な気泡なども調べられるため、表面の画像だけでは見えなかった原因を探る手掛かりになります。

さらに、画像と言葉を扱うAIなどを使い、過去の似た反りの画像と要因を探して、利用者に説明する機能も紹介しています。過去の検査結果を、次の調査に参照しやすくする発想です。

比較する項目 Siemensの検査準備 オムロンの検査支援
主な問い 実物の試作基板が来る前に、検査を準備できるか 反りや表面の異常を、内部構造も含めて説明できるか
使う情報 仮想の基板モデルと、良品・不良品の合成画像 部品の物理モデル、表面と内部の検査データ、過去の事例
つなげる仕事 検査用AIの事前学習とプログラムの準備 加熱・冷却条件の検討、異常の原因調査
確認したいこと 実際の基板でも必要な不良を見分けられるか 重ねたデータと説明が、実物の状態を捉えているか

この表は発表された用途の比較です。今回参照した両社の資料には、同じ基板を同じ条件で測った比較試験の結果はなく、性能の優劣は判断できません。また、オムロンの方法も、検査後の調査だけでなく、熱による変形の予測を生産条件の事前調整に使います。

違いを生むのは「海外か日本か」よりも、検査を始める準備に困っているのか、不良の理由を調べることに困っているのか、という目的です。同じNVIDIAの技術を使っていても、必要なデータと、その先の仕事は変わります。

現場の経験を、モデルの条件と検証に使う

二つの事例を自分の仕事に置き換えるなら、AI製品の名前より先に、確認したい三つのことがあります。

  • 何を前倒ししたいか。 試作品を待つ検査準備なのか、受注が変わったときの計画比較なのか。時間がかかっている作業を特定します。
  • 判断に必要な情報があるか。 不良の種類、実際の検査データ、設備の能力、材料の用意など、目的に合う情報がそろっているかを確かめます。
  • 実物と照合する方法があるか。 見逃してはいけない不良や、守るべき生産条件を決め、モデルの答えを採用できる範囲を確認します。

米国の標準・計測を担うNISTの研究者らも、デジタルツインを判断に使うには、目的に合っているかの検証と、結果にどの程度の不確かさがあるかの評価が必要だと論じています。見た目が本物に似ていることだけでは、仕事の判断に使える証拠にはならないのです。

設備の癖を知っている、過去の不良がどの条件で起きたかを説明できる、計画変更でどこに負担が出るかを把握している。こうした経験は、モデルに渡す条件や、結果を確かめる項目として具体化できます。プログラミングに加え、現場の条件を説明できることも、AIを使う仕事への接点になります。

担当部門との関係を整理したいときは、工場DXに関わる仕事と役割も参考になります。生産技術と製造技術の仕事を読む際も、「どんな設備を扱うか」に加え、「どの条件を決め、何をもって確認完了とするか」に注目すると、経験を伝える材料が増えます。

今後の発表で確かめたいのは、対象となる基板や工程が広がったときも検査の性能を保てるか、現場で条件が変わった後にモデルを更新できるかです。準備を速くする仕組みが日々の生産の変化にも対応できて初めて、現場で使い続けられるものになります。

出典・参考資料

  1. Siemens:NVIDIAとの自律工場に向けた新事例(2026年10月19日) ↗(新しいタブで開く)確認日:2026.10.20
  2. Siemens:Erlangen工場・検査準備・生産計画のファクトシート(2026年10月) ↗(新しいタブで開く)確認日:2026.10.20
  3. オムロン:NVIDIAとの基板検査技術の協業(2026年7月16日) ↗(新しいタブで開く)確認日:2026.10.20
  4. NIST:製造業のデジタルツインの信頼性を評価する研究 ↗(新しいタブで開く)確認日:2026.10.20
  5. NIST:製造業のデジタルツインと検証の課題 ↗(新しいタブで開く)確認日:2026.10.20
  6. カバー写真・本文写真:Siemens AG/Erlangen工場の公式配布素材 ↗(新しいタブで開く)確認日:2026.10.20
  7. カバー写真・本文写真の利用条件:Siemens報道用写真規約(カバーはトリミング・文字追加) ↗(新しいタブで開く)確認日:2026.10.20

画像の出典・利用条件

以下は元画像の説明と利用条件です。配信用に縮小・形式変換を行い、一覧では表示枠に合わせて一部を切り取って表示しています。

カバー画像

SiemensのErlangen工場の生産ライン。同社の報道向け配布写真を加工。

トップ・一覧・関連記事・特集のカバーにも、ここに記載した説明・利用条件が適用されます。

  1. Siemens AG:Erlangen工場の設備と、その設備を再現したデジタルモデル ↗(新しいタブで開く)

    Siemens press pictures:編集・報道目的での利用、加工可。Siemens AGのクレジット必須(ライセンス(新しいタブで開く))。縦横比を保持して縮小、WebP変換。トリミングなし。確認日:2026.10.20

  2. Siemens AG:Erlangen工場で搬送車のそばに立ち、端末を使う作業者 ↗(新しいタブで開く)

    Siemens press pictures:編集・報道目的での利用、加工可。Siemens AGのクレジット必須(ライセンス(新しいタブで開く))。縦横比を保持して縮小、WebP変換。トリミングなし。確認日:2026.10.20

この記事を共有する