レーザー溶接品質をAIが高精度予測

研究の概要

レーザー溶接における「完全貫通」の達成は、欠陥のない溶接継手を実現するための根幹条件である。従来の深層学習を用いた品質判定モデルは、大量のラベル付き学習データを必要とするため、実際の製造ラインへの導入障壁が高かった。

中国の研究チームが発表したSimPhysNetは、この課題を「物理情報ニューラルネットワーク（PINN）」と「対照学習」を融合させた自己教師あり学習により克服する。溶融池やキーホールの物理的特性を事前知識としてモデルに組み込み、ラベルなしデータから意味のある特徴量を自律的に抽出する仕組みを持つ。

実験では、全ラベル付きデータセットの約5%に相当する200枚の画像のみを使用して**分類精度96.06%**を達成した。これは従来の教師あり学習が全データセットを使用した際の性能に匹敵する水準であり、データ収集・ラベリングコストの大幅削減を意味する。

ビジネスへの示唆

この技術が直接的な恩恵をもたらす産業・部門は以下の通りである。

• 自動車メーカー・Tier1サプライヤー：車体パネルやバッテリーケースのレーザー溶接工程における不良率（PPM）低減と、出荷前検査工数の削減
• 航空宇宙・防衛産業：機体構造部材の溶接品質保証工程において、非破壊検査に代わるリアルタイム判定への応用
• 電池・半導体製造：EV用リチウムイオン電池セルの封止溶接など、微細加工領域での歩留まり改善

製造部門の品質管理担当にとって最大のインパクトは、アノテーション（ラベリング）コストの削減である。溶接画像への正確なラベル付けは熟練技術者による目視判定を必要とし、大規模データセットの構築には数カ月単位の工数と高額な人件費を要する。SimPhysNetはこの依存を95%程度削減できる可能性を示しており、AI導入の初期投資回収期間（ペイバックピリオド）を大幅に短縮する。

生産技術部門においては、既存の溶接設備に取り付けたカメラ映像をリアルタイムで解析するインライン検査システムへの統合が現実的な選択肢となる。スループット（単位時間当たりの良品生産数）と不良流出率の同時改善が期待できる。

今後の展望

SimPhysNetの商用化に向けた課題として、異なる溶接材料・板厚・レーザー出力条件への汎化性能の検証が挙げられる。研究チームは今後、より多様な溶接条件下でのロバスト性評価を進める必要がある。

一方、製造業全体では「少数データによるAI学習」への需要が高まっており、SimPhysNetが示した物理則とデータ駆動の融合アプローチは溶接以外の工程検査—鋳造欠陥検出や塗装品質評価—にも応用可能な汎用フレームワークとして注目される。スマートファクトリー化を推進する製造業各社にとって、同技術の動向を注視する価値は高い。