溶接AI、工程跨いで高精度判定

研究の概要

中国の研究チームは、溶接の溶け込み状態をリアルタイムで予測するAIモデルを、異なる溶接プロセス間で転用可能にする技術を発表した。論文はarXivに掲載され、コンピュータビジョンと人工知能の分野で注目を集めている。

従来の深層学習モデルは、TIG（タングステン不活性ガス）溶接で学習させたモデルをレーザー溶接に適用しようとすると、物理的なメカニズムの違いにより精度が著しく低下するという問題があった。新たに提案された教師なしドメイン適応（UDA）フレームワークは、転送先プロセスのラベルなしデータのみを活用し、この精度劣化を克服する。さらに「段階的ソースドメイン拡張（GSDE）」戦略を組み合わせることで、学習の安定性を高めた。

評価実験では、同一プロセス内での転移でTIGデータセットにおいて90.65%、レーザーデータセットで90.72%の平均精度を達成し、教師あり学習のベースラインをそれぞれ35.83ポイント、38.87ポイント上回った。より重要な異プロセス間転移では、TIGからレーザーへの転移で80.48%、逆方向で81.13%を記録し、ベースライン比で約43ポイントの改善を実現した。

ビジネスへの示唆

この技術が実用化された場合、製造業の複数部門に直接的な影響を与える。

• 品質保証部門：溶け込み不良の見逃し率（不良流出率）を低減し、溶接品質KPIの改善に直結する
• 生産技術部門：新工程導入時のAIモデル再構築・再学習に要する工数とコストを削減できる
• 設備投資計画：レーザー溶接設備への切り替えや混流生産ラインの増設時に、既存のAI資産を継続活用できる

恩恵が特に大きい産業は自動車・航空宇宙・造船の3分野である。自動車業界ではEV（電気自動車）のバッテリーパックや車体構造部材の溶接において、TIG溶接とレーザー溶接を混在させる生産ラインが増加している。従来はラインごとに個別のAIモデルを用意し、それぞれに数千枚単位のラベル付きデータが必要だったが、本手法ではラベルなしデータのみで適応が可能なため、ラベリングコストを数十万円単位で削減できると試算される。

航空宇宙分野では、アルミニウム合金や特殊合金の精密溶接に対して厳格な品質基準が求められる。工程変更のたびにAIシステムを一から構築する必要がなくなることで、新機種開発時の立ち上げリードタイムの短縮が期待できる。

今後の展望

現時点では研究段階であり、実際の製造現場への展開には課題も残る。溶接速度・材料・板厚といった生産条件が多様化する環境での汎化性能の検証、およびリアルタイム推論に対応するための計算効率の改善が求められる。

ただし、製造業全体でAI活用の裾野が広がる中、学習済みモデルを異なる工程・設備へ横展開できる技術の経済的価値は大きい。工場のDX推進を担うシステムインテグレーターや溶接機メーカーにとっては、付加価値の高いソリューションを構築するための基盤技術となり得る。国内製造業においても、溶接工程のインテリジェント監視システムの標準化に向けた議論を加速させる可能性がある。