化学のバッチプロセスAI：多品種バッチの品質予測と条件最適化の進め方

バッチプロセスのデータは「軌跡」として扱う

連続プロセスでは、ある時刻の温度・圧力と、その時刻に作られた製品の品質を結びつけます。バッチプロセスでは、1バッチの仕込みから払い出しまでの温度・圧力・攪拌速度の時間変化（軌跡）全体が、そのバッチの品質を決めます。そのため、データの単位は「時刻」ではなく「バッチ番号」で、各バッチの軌跡を比べられる形に揃えることが最初の仕事です。

バッチの軌跡を揃える3つの処理

バッチごとに反応時間や昇温時間が違うため、軌跡をそのまま重ねても比較できません。次の3つの処理が要になります。

1. 段階（フェーズ）の区切り：仕込み・昇温・反応・冷却などの段階を、レシピの実行記録（バッチ制御システムやMESのステップ記録）から切り出す
2. 長さの正規化：段階ごとに時間を揃える（反応の進み具合を表す変数で揃える方法もある）
3. 特徴量の抽出：各段階の最高温度、昇温速度、保持時間、積算熱量などを計算する

段階の区切りに使うステップ記録がないと、軌跡の比較は難しくなります。バッチ制御のレシピ実行記録とラボ分析値を、同じバッチ番号で引けるようにしておくことが前提です。

終点品質の予測と多変量監視

軌跡を揃えれば、正常だったバッチ群の軌跡を基準にして、進行中のバッチがそこからどれだけ外れているかを多変量で監視できます。主成分分析で次元を圧縮し、Hotelling T²統計量（平均からの外れ）とQ統計量（相関構造の崩れ）を見るのが定石です。NIST/SEMATECHのハンドブックが指摘するとおり、多変量管理図は異常を検知しても原因までは示さないため、寄与プロットで効いている変数を確認します。

終点品質の予測は、反応段階の途中までのデータから最終の粘度・純度・分子量などを予測するものです。予測が規格から外れそうなら、保持時間の延長や添加量の調整で取り戻せる場合があります。要因分析の進め方は不良の要因分析AIで解説しています。

条件最適化はベイズ最適化で実験回数を減らす

新製品の条件出しや処方変更では、どの条件で試作するかを順に提案するベイズ最適化が使えます。射出成形の条件出しにガウス過程と期待改善量を使った研究では、単目的で16実験で済み、中心複合計画ベースの31実験からほぼ半減しました（Kariminejadほか、Scientific Reports、2024年）。化学反応の最適化でも、ベイズ最適化が専門家より少ない実験数で良い条件に到達したと報告されています（Shieldsほか、Nature、2021年）。

多品種バッチで進める5つの手順

よくある質問

バッチ数が少なくてもAIは使えますか

年に数十バッチしか作らない品種では、機械学習モデルの学習には足りないことが多いです。その場合は、多変量監視のように少数の正常バッチから作れる手法か、類似品種をまとめて扱う方法を使います。

原料ロットのばらつきはどう扱えばよいですか

原料の受入分析値（純度、水分など）を特徴量に加えると、原料起因のばらつきを分けて見られます。受入検査の値がバッチ番号と紐付いていることが前提です。

医薬品や食品のバッチにも同じ考え方は使えますか

軌跡の比較と終点予測の考え方は共通です。ただし医薬品ではGMPの変更管理とバリデーションの要求があるため、モデルの扱いを先に決める必要があります。

この記事に出てくる用語

• 製造実行システム（MES）Manufacturing Execution System ／ 制造执行系统
• 主成分分析（PCA）Principal Component Analysis ／ 主成分分析
• 管理図Control Chart ／ 控制图
• ベイズ最適化Bayesian Optimization ／ 贝叶斯优化
• 分散制御システム（DCS）Distributed Control System ／ 集散控制系统
• GMP（医薬品の製造管理・品質管理基準）Good Manufacturing Practice ／ 药品生产质量管理规范

用語集（日・英・中）をすべて見る

この記事を書いた人

株式会社サオス 製造DX部

DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。

運営者情報　編集方針　株式会社サオスのサイト