SFI正式版への道＃４　その条件、明日試せますか？

多目的最適化と聞くと、「何個の目的を同時に扱えるか」に目が行きがちです。でも、SFI正式版で一番時間をかけたのは、そこではありません。返ってきた条件を、明日、現場で本当に試せるか。つまり、説明変数の「現実性」です。本記事は全6回の連載「SFI正式版への道」の第４回となります。

みなさん、こんにちは。Vertysの山本です。

今日は、多目的最適化の話です。先に結論を書いておきます。

大事なのは「目的」の側ではない。

返ってくる条件が現実に試せるか──「説明変数」の側だ。

現場は「1つの指標」だけでは動かない

---

工程	同時に見たい指標	よくある板挟み
射出成形	寸法精度／ヒケ／ サイクルタイム	冷却を延ばすと寸法は安定するが、生産量が落ちる
熱処理	硬度／変形量／ エネルギー	温度を上げれば硬くなるが、変形と電気代が増える
塗装・印刷	膜厚／色ムラ／ 塗料使用量	厚く塗れば色ムラは減るが、コストが増える

SFIのBackcastは、こうした複数の目的を同時に扱い、目的値から逆算して条件を出します。目的ごとに「狙い値に合わせる」「最大化する」を決め、優先度（％）で重み付けするだけです。

ここまでは、「目的」の側の話です。

「計算上の最適」は、そのままでは試せない

---

ツールが「温度195℃、保持時間75秒で、全目標を満たします」と返してきた。

──でも、そのラインで195℃は一度もやったことがない。

計算上は最適でも、量産ラインの責任者はこのボタンを押せません。実績のない条件は、外れたときの被害の見当がつかないからです。

最適化ツールが現場で使われなくなる理由は、たいてい「説明変数」の側にあります。だから、SFIでは次の6つに一番時間をかけました。

#	作り込んだこと	現場の問い
①	探索範囲の絞り方を選べる	どこまで動かしていいか
②	出発点（基準値）の取り方を選べる	「いつもの条件」はどこか
③	すべての条件の分布を自動で可視化	提案値は、実績のどのあたりか
④	マハラノビス距離で、条件全体を判定	1つずつは大丈夫でも、 組み合わせとしてはどうか
⑤	動かした量と目的変数のリニアリティを可視化	少しずれたら、暴れないか
⑥	最大10パターンの答えを並列で比較	号機ごと・品種ごとに、 答えはどう違うか

①②　探索範囲と出発点：探す場所を、いつもの条件の延長に限る

ベテランには「この辺りなら大丈夫」という感覚があります。SFIでは、それを 「柵」（探索範囲） と 「出発点」（基準値） として数値で置き、柵の外は探しません。

図：探索範囲と基準値

柵の置き方	向いている場面
四分位50％範囲 （Q1〜Q3）	一番慎重に攻めたい。外れ値が多い、分布が歪んでいる
±1σ	標準的な条件出し。まずはここから
±2σ	改善の余地をもう少し探りたい
実績の最大・最小／ 設備の上下限	実績が十分にあり、広く探しても安全と分かっている

出発点の取り方	向いている場面
最頻値（既定）	一番よくやっている条件。分布が歪んでいても「いつもの条件」に近い
中央値	外れ値に引っ張られたくない
平均値	分布がきれいな単峰
手動	現行レシピの値から始めたい

図のように分布が歪んでいると、最頻値・中央値・平均値は違う場所を指します。だから、既定は最頻値にしました。

出発点が「いつもの条件」なので、提案値との差が、そのまま現場で変える量として読めます。どこまでリスクを取るかを、エンジニアが自分で決められる。ここをツールの都合で固定しないことが大事でした。

③　すべての条件の分布を、自動で並べる

すべての説明変数について、実績の分布・柵・基準値・提案値を重ねたヒストグラムを自動で並べます。

提案値が分布の真ん中にあるのか、端ぎりぎりにあるのかが、ひと目で分かります。端にある変数があれば、試作の前に現場で可否を確認すればいい。

④　1つずつは妥当でも、全体としてはどうか

ここが、一番こだわった部分です。

図：マハラノビス距離

この例では、実績に「温度が高いときは、時間を短くする」という関係があります。

提案Aは、温度も時間も、変数ごとの柵（緑の箱）の中です。1つずつ見れば妥当。 でも組み合わせは「高温×長時間」で、実績の山からは大きく外れています。

これを判定するのがマハラノビス距離です。変数どうしの相関を織り込んで、「その組み合わせが実績の山からどれだけ離れているか」を1つの数字にします。SFIでは、提案条件が実績の山のどこにあるかを、グラフで確かめられます。

1つずつ大丈夫でも、全体として大丈夫とは限らない。

⑤　ピーキーな条件になっていないか

量産では、条件は必ずばらつきます。だから、少しずれても暴れない条件でないと使えません。

図：リニアリティ

SFIでは、提案条件を1〜20％動かしたときに、目的変数がどう変わるかを表示します。

• 直線的で帯が細い（提案B）：素直に応答する。管理しやすい
• ある量を超えると急落する（提案A）：ピーキー。量産には要注意

⑥　10パターンの答えを並列で比べる

号機ごとに「クセ」は違います。全データをまとめて最適化すると、返ってくるのは 「全ラインの平均的な条件」 です。どの号機にも、ぴったりは合いません。

SFIでは、装置IDなどを指定すると、パターンごとに別モデルを学習し、それぞれの最適条件を一括で出します（最大10パターン）。

ライン	実績件数	膜厚の予測（狙い15.00）
PR-01	150件	14.05
PR-02	149件	15.14
PR-03	128件	15.76
PR-04	73件	15.18

横並びで比べれば、どの号機が狙いに届きにくいかも同時に分かります。作業指示は号機単位で出るので、ここは外せませんでした。

最後に選ぶのは、根拠を見たエンジニア

---

①〜⑥は、どれも「計算を賢くする」話ではありません。「この条件、明日試していいか」を人が判断するための材料です。

提示された条件は、予測画面で現場の事情に合わせて書き換え、試算もできます。最終的な1点を選ぶのは、根拠のグラフを見たエンジニアです。だから、品質保証部門にも経営にも説明できる。

AIに任せきりにしない。机上の空論を返さない。装置ごとの個性を無視しない。

今日のまとめ

---

• 多目的最適化で本当に大事なのは、「説明変数」の現実性
• 探索範囲（四分位50％・±1σ・±2σ・上下限）と出発点（最頻値・中央値・平均値・手動）を選べる
• 分布・マハラノビス距離・リニアリティで、使える条件かを目で確かめる
• 最大10パターンの答えを並列で比べる

「発見はしない。でも、絶対に外さない」。この立ち位置を、多目的最適化でも貫きました。

次回は、称号・ランクシステムです。なぜ解析ツールにゲームのような仕組みを入れたのかを書きます。

それでは、また次回。