シート・繊維製品の生産現場は、
AIでどう変わるか

生産工程の、どの業務を支えているか

合成皮革メーカーの共和レザーは、老朽設備の更新による生産効率向上を長期ビジョンの主要施策に挙げている。近接する繊維産業では技能や機械保守のノウハウ継承、化学プラントでは設備の高経年化と労働力不足が課題として示されている。[33][31][32]

本調査では、合成皮革・シート材料の生産と関連する業務に着目し、不織布、テープ、合成繊維、染色加工、化学品、自動車内装部品の事例を取り上げた。対象の素材や設備は異なるが、検査、品質判断、設備保全、生産計画という業務から、共通する処理と運用の違いを整理できる。

図表は掲載事例の対象業務による整理。合成皮革メーカー自身のAI導入実績を示すものではなく、近接業界の事例を含む。工程の順番や技術の優劣を表す分類ではない。

画像から欠点を判別し、目視で確認する範囲を絞る

東洋紡エムシーの不織布製造ラインでは、検査装置が検出した全ての画像を作業員が目視していた。画像には欠点ではないものも多数含まれ、確認の負担が大きかった。同社はJR西日本と共同開発した画像解析AIを、2024年8月から岩国の工場で運用している。[1][2]

同社の公表値では、一部銘柄の欠点画像確認件数が96％減少した。導入前の2024年5月と導入後の2025年5月について、一般的な銘柄の原反ロール1本あたりの平均件数を比較した結果である。さらに、手書きだった欠点記録も自動で作成できるようになった。[1]

検査装置の後段に加える方式と、装置を置き換える方式

養生テープのダイヤテックスでも、既存の欠点探知機による過検出が課題だった。探知レベルを上げると、場合によっては実際の異常の100倍以上を検出し、目視による再検査が発生していた。同社はラミネート工程の検査装置をAI外観検査装置「TESRAY Rシリーズ」に置き換え、2022年から本格稼働した。[3][4]

ダイヤテックスの装置は、品質上問題のない繊維のよれを正常と判定し、キズや異物を検出する。三井化学のシート状製品でも、誤検知のアラームを受けて運転員が現場へ出向く負担に対し、AIによる良否判定を導入している。いずれも、欠点を検出する処理と、検出後に人が確認する業務がつながっている。[3][5][6]

正常・異常の基準は製品によって異なる。ダイヤテックスでは一時的な繊維のよれが過検出の対象だった一方、東レの原糸検査では毛羽自体が検出対象である。画像を使う処理が共通していても、学習させる判定と、装置が担う検査の範囲は同じではない。[3][8]

熟練者の判定を数値化し、担当者の判断を支える

染色加工の艶金では、染め上がりの色味の合否が工場の稼働に直結し、担当者の精神的な負担が重かった。判断に迷うと1回の検査に5〜10分かかることもあり、ベテランの引退に備えた技能継承も課題となっていた。[30]

同社が導入した色味検査システムは、約2,000件の合否判定をAIに学習させ、色見本と染色後の布を比較する。結果を5秒以内に表示し、不合格の場合は、色相・彩度・明度のどこがどれだけ異なるかを数値で示す。日本公庫の2024年6月資料では、従業員の判断を補助する道具として活用されている。[30]

同資料は、検査時間の短縮、若手だけでの判断、勤務シフトの組みやすさを報告している。取引先からの染め直し要求も、以前の約1割から減少傾向にある。ただし、減少後の割合は示されていない。5秒という値は判定結果の表示時間であり、検査工程全体の所要時間ではない。[30]

合否判定の自動化と、過去事例による作業支援

三井化学は、製品の3次元形状を人が目視していた全数検査を、形状データの数値化と機械学習による合否判定へ変更した。検査工数の削減と、一律の判定基準の確立を効果として挙げている。[6] 艶金のように判定結果を担当者が参照する運用と、判定そのものを自動化する運用の双方がある。

一方、旭化成が製造現場の危険予知に使う生成AIは、合否を判定する仕組みではない。過去事例のデータから、作業前に想定されるリスクと対応策を洗い出す。2024年12月の発表では、経験の浅い従業員によるリスクの洗い出しと技術伝承を支援していると説明している。[20]

異常の予兆を捉える仕組みと、故障後の診断を支える仕組み

花王の和歌山工場では、エステル設備の約800品種・約30設備を数名のオペレータが監視していた。少人数で多くの運転状況を把握する負担に対し、正常な運転パターンからのずれを検知する「BiG EYES」を導入し、2020年12月に本格稼働した。[21][22]

検証では、オペレータが発見する約5時間前に予兆を検知した。導入後は、ライン閉塞やスチームトラップの動作不良などを未然に捉え、対象設備のトラブル件数が半減したと報告されている。2023年の発表資料では、6設備52モデルが稼働している。[21]

予兆を、洗浄停止や在庫の準備につなぐ

JFEケミカルの東日本製造所は、蒸留塔の熱交換器の閉塞に事後保全で対応していた。2023年に導入した仕組みは、流量・温度・圧力のデータから異常度を示し、感度の異なる3つのモデルで注意の段階を設けている。[23]

担当者は、詰まり具合を予兆できることで洗浄停止のタイミングが明確になり、製品在庫の事前準備や清掃業者への手配が容易になったと説明している。異常を知らせる機能が、停止に向けた生産調整に使われている事例である。[23]

故障後の原因調査には、図面・保全記録を使う

三菱ケミカルと日立が2025年12月に開始した共同検証は、設備の故障を発見した後の原因特定と対策を支援する。図面、保全記録、運転履歴を関連付け、生成AIのエージェントが技術者に原因と対策を提示する。熟練技術者と同等以上の速さ・正確さは検証の目標である。[24]

熟練者が担ってきた計画作成と、部門間の調整を支援する

東レの石川工場では、ポリエステル繊維の生産計画を熟練者が丸1日かけて作成していた。2026年5月の報道は、数理最適化によって膨大な組み合わせから計画を自動生成するシステムの導入を伝えている。公開部分に導入後の作成時間の記載はなく、技術も「AI」ではなく数理最適化と表記されている。[29]

住友化学の千葉工場では、生産計画部門とエネルギー管理部門で意思決定の流れが異なり、工場全体のエネルギー効率を考慮した計画を作ることが難しかった。合成樹脂の生産計画と変更の調整は、熟練者の手作業に依存していた。[28]

日立と住友化学が検証する仕組みは、生産計画とエネルギー計画を連携させ、契約電力の上限や廃熱の再利用も考慮した調整案を提示する。過去1年分の実績データによる事前検証で、従来の計画に対する一定量のエネルギー消費削減を確認し、2025年3月から実工場での検証を開始した。削減量は公表されていない。[28]

東レの事例は計画の組み合わせを生成する処理、住友化学の事例は生産とエネルギーという二つの計画の調整を扱っている。後者では、計画を作る速さに加え、部門ごとに扱っていた条件を同時に反映することが検証の対象となっている。[28][29]

確認件数、判断の担当、対処の時期に変化が表れている

公表された成果には、検査の確認件数や作業時間の削減に加え、若手の判断支援、設備停止に向けた準備の改善がある。数値だけでなく、どの工程が変わったかを合わせて整理すると、各事例の効果の範囲が明確になる。

AIの出力が、現場のどの作業につながっているか

東洋紡エムシーでは、AIが選んだ候補を作業員が最終確認する。艶金では、AIの一次判定を担当者の判断に使う。花王では、予兆通知を受けた現場リーダーとオペレータが対応を検討する。いずれもAIの出力の後に、人が確認・判断する工程がある。[1][30][22]

運用を継続するための作業も、資料から確認できる。東洋紡エムシーはモデルの再学習機能を備え、ダイヤテックスは生産ラインと別の装置で追加学習を行う。花王では、製造現場が監視モデルを作成・維持している。これらの事例は、判定・検知の利用に加え、導入後のデータ・モデルの更新までを公表している。[1][3][22]

一方、計画や研究段階にある事例では、導入後の業務効果まで確認できるとは限らない。住友化学の事前検証、三菱ケミカルの診断支援の共同検証、国島の織機音による異常検知の研究は、それぞれ確認された段階が異なる。[28][24][25]