不良率の計算方法と改善アプローチ：製造業の品質管理をデータで変える
不良率の計算方法と改善アプローチ：製造業の品質管理をデータで変える
「不良率を下げたいが、どこから手をつけるべきか分からない」——品質管理部門や生産技術部門の方から、こうした相談をいただくことが少なくありません。
不良率は、製造業における品質の最も基本的な指標です。しかし、単に数値を把握するだけでなく、正しく計算し、適切に分析し、具体的な改善につなげるところまで一貫して取り組めている現場は、実はそう多くありません。
本記事では、不良率の基本的な計算方法から、ppmでの表現、業界水準との比較、そしてAI外観検査を含む改善アプローチまでを体系的に解説します。
1. 不良率とは？基本定義と計算式
不良率の定義
不良率とは、生産した製品のうち、品質基準を満たさなかった製品（不良品）の割合を示す指標です。
基本計算式:
不良率（%）＝ 不良品数 ÷ 総生産数 × 100
具体的な計算例
ある検査工程で、1日に10,000個の部品を生産し、そのうち50個が不良品だった場合：
不良率 ＝ 50 ÷ 10,000 × 100 ＝ 0.5%
この0.5%という数字が、改善の出発点になります。
歩留まりとの関係
不良率と対になる指標が**歩留まり（良品率）**です。
歩留まり（%）＝ 100 − 不良率（%）
上記の例では、歩留まりは99.5%です。歩留まりが高いほど、生産効率が良いことを意味します。
2. ppm（百万分率）での不良率表現とその使い分け
ppmとは
不良率が1%を大きく下回る水準になると、パーセント表記では桁が小さくなり、直感的に把握しづらくなります。そこで使われるのが**ppm（parts per million：百万分率）**です。
ppmへの換算式:
不良率（ppm）＝ 不良品数 ÷ 総生産数 × 1,000,000
換算の具体例
| パーセント表記 | ppm表記 | 意味 |
|---|---|---|
| 1% | 10,000 ppm | 100個中1個が不良 |
| 0.1% | 1,000 ppm | 1,000個中1個が不良 |
| 0.01% | 100 ppm | 10,000個中1個が不良 |
| 0.001% | 10 ppm | 100,000個中1個が不良 |
使い分けの目安
- 社内の日常管理: パーセント表記が分かりやすい（「今日の不良率は0.3%」）
- 顧客への品質報告・取引先との仕様書: ppm表記が一般的（「出荷品質 50ppm以下」）
- シックスシグマ: DPMO（Defects Per Million Opportunities）として百万分率ベースで管理
3. 不良率の業界水準
「うちの不良率は高いのか低いのか」を判断するには、業界の一般的な水準を知っておくことが重要です。以下は業界で広く参照される水準の目安です。
| 業界・製品カテゴリ | 一般的な不良率水準 | 補足 |
|---|---|---|
| 自動車部品（安全部品） | 数ppm～数十ppm | 顧客要求で1桁ppmが求められることも |
| 自動車部品（一般部品） | 数十～数百ppm | ティア1サプライヤの一般的水準 |
| 電子部品・半導体 | 数百ppm～数千ppm | 工程の複雑さにより幅がある |
| 食品製造 | 0.1%～1%程度 | 異物混入・重量不足など基準が多岐 |
| 樹脂成形品 | 0.5%～2%程度 | 外観不良が主因であることが多い |
これらはあくまで一般的な目安です。同じ業界でも製品の複雑さや工程数によって大きく異なるため、自社の過去データとのトレンド比較が最も重要です。
4. 不良率を下げるための5つのアプローチ
不良率の改善には、体系的なアプローチが必要です。ここでは、現場で実績のある5つの手法を紹介します。
アプローチ1: 4M分析による原因特定
品質不良の原因を**4M（Man・Machine・Material・Method）**の観点で整理し、真因を特定します。
- Man（人）: 作業者のスキル差、ヒューマンエラー
- Machine（機械）: 設備の精度劣化、メンテナンス不足
- Material（材料）: ロット間のばらつき、受入検査の基準
- Method（方法）: 作業手順の曖昧さ、工程条件の最適化不足
4M分析をパレート図と組み合わせることで、「どのMに起因する不良が最も多いか」を定量的に把握できます。影響の大きい要因から順に対策を打つことで、効率的に不良率を下げられます。
アプローチ2: SPC（統計的工程管理）の導入
**管理図（Control Chart）**を使い、工程のばらつきをリアルタイムに監視します。
SPCの基本的な流れは以下の通りです：
- 工程の主要パラメータ（寸法、温度、圧力など）を定期的に測定
- 管理図上にプロットし、管理限界線（UCL/LCL）を設定
- 異常パターン（トレンド、シフト、管理限界逸脱）を検知
- 異常発生時に即座に原因調査・対策を実施
SPCの導入により、不良品が発生する前にプロセスの異常を検知できるようになります。「事後の検査」から「予防的な管理」への転換です。
アプローチ3: AI外観検査・画像処理の導入
従来の目視検査やルールベースの画像検査に代わり、ディープラーニングを活用した外観検査が製造現場で普及しつつあります。
AI外観検査が特に有効なケース：
- 傷・打痕・異物など、パターンが多様で定型化しにくい不良
- 検査員による判定のばらつきが大きい外観検査工程
- 検査速度がボトルネックになっているライン
- 夜勤や長時間勤務で検査精度が低下する工程
外観検査以外の画像処理技術も不良率低減に貢献します。非接触の寸法計測を導入すれば、人手の測定に比べてばらつきが減り、寸法不良の流出を防止できます。また、コードリーダー（バーコード ・QRコード読み取り） による自動照合は、部品やロットの取り違えによる誤出荷を防ぐ有効な手段です。
アプローチ4: 工程FMEAによる予防管理
**FMEA（故障モード影響解析）**は、不良が発生する前にリスクを洗い出し、予防的に対策を講じる手法です。
各工程について、以下の3つの観点でスコアリングします：
- 深刻度（S）: 不良が発生した場合の影響の大きさ
- 発生頻度（O）: 不良が発生する確率
- 検出度（D）: 現行の検査で不良を見つけられる確率
RPN（リスク優先度数）= S × O × D を算出し、RPNの高い項目から優先的に対策を打ちます。
アプローチ5: IoTデータ活用による予知保全
設備の振動、温度、電流値などのセンサーデータをリアルタイムに収集・分析し、設備故障や品質異常を事前に検知するアプローチです。
設備起因の不良は、突発的な故障だけでなく、徐々に進行する精度劣化によっても発生します。IoTデータを活用した予知保全により、「壊れてから直す」から「壊れる前に手を打つ」への転換が可能になります。
5. AI外観検査による不良率改善の具体例
AI外観検査の導入によって、どの程度の改善効果が見込めるのでしょうか。製造業の現場で報告されている一般的な改善パターンを紹介します。
改善効果の典型的なパターン
| 指標 | 導入前（目視検査） | 導入後（AI外観検査） |
|---|---|---|
| 見逃し率（検出漏れ） | 2～5%程度 | 0.1～0.5%程度 |
| 過検出率（良品を不良と判定） | 5～15%程度 | 1～3%程度 |
| 検査速度 | 作業者のペースに依存 | ラインタクトに合わせて安定 |
| 判定のばらつき | 作業者・時間帯で変動 | 一定基準で安定 |
「自働化」の思想とAI外観検査
AI外観検査の原点は、トヨタ生産方式（TPS）の根幹をなす「自働化（ニンベンのある自動化）」の思想にあります。豊田佐吉が発明した自動織機は、経糸が1本でも切れると機械が自動的に停止する仕組みを備えていました。「機械に良し悪しの判断をさせる」ことで、不良品をつくらない——大野耐一氏が『トヨタ生産方式』で体系化したこの考え方は、まさに現代のAI外観検査が目指すところと同じです。人が常時監視しなくても、異常を検知したら即座にラインを止め、不良の流出を防ぐ。AIによる画像認識は、この「自働化」を21世紀のテクノロジーで実装したものと言えます。
改善が生まれるメカニズム
AI外観検査による不良率改善は、主に2つの経路で実現されます。
1. 流出不良の削減（見逃し率の低減）
目視検査では、疲労や集中力の低下により検査精度が変動します。特に夜勤帯や長時間勤務後には、見逃し率が上昇する傾向があります。AIは24時間一定の基準で検査を行うため、時間帯や作業者に依存しない安定した検出が可能です。
2. 過検出の削減による歩留まり向上
熟練の検査員ほど「迷ったら不良にする」傾向があり、本来良品である製品を不良と判定してしまう過検出が発生します。AIモデルを適切に学習させることで、良品と不良品の境界をより精密に判定でき、不要な廃棄を減らすことができます。
ROI（投資対効果）の考え方
AI外観検査の導入を検討する際は、以下の要素を総合的に試算することが重要です：
- 流出不良削減による顧客クレーム対応コストの低減
- 過検出削減による歩留まり向上（材料費・加工費の削減）
- 検査工数の削減（省人化・配置転換）
- 品質保証体制の強化による取引機会の拡大
自社の現状データで試算してみたい方は、インダストリエイトのROI計算ツールをご活用ください。不良率、生産量、製品単価などを入力するだけで、AI外観検査導入による改善効果の概算をシミュレーションできます。
6. 不良コスト（Cost of Poor Quality）の計算方法
不良率を経営指標として捉えるには、不良によって発生するコストを金額で把握することが不可欠です。これを**COPQ（Cost of Poor Quality：品質不良コスト）**と呼びます。
COPQの構成要素
COPQは大きく4つのカテゴリに分類されます。
| カテゴリ | 内容 | 具体例 |
|---|---|---|
| 内部失敗コスト | 出荷前に発見された不良の処理費用 | 手直し、廃棄、再検 査、スクラップ処理 |
| 外部失敗コスト | 出荷後に発見された不良の対応費用 | クレーム対応、返品処理、リコール、補償 |
| 評価コスト | 不良を検出するための検査費用 | 受入検査、工程内検査、出荷検査、測定器の校正 |
| 予防コスト | 不良を未然に防ぐための費用 | 教育訓練、工程改善、品質計画、予防保全 |
COPQの計算例
以下のような製造ラインを例に、COPQを試算してみましょう。
前提条件:
- 月間生産数: 100,000個
- 不良率: 1.0%（= 1,000個/月）
- 製品単価（製造原価）: 500円/個
- うち手直し可能: 60%（手直しコスト: 200円/個）
- うち廃棄: 40%（スクラップ価値: 50円/個）
- 流出不良率: 不良品の5%が出荷後に発覚
- 外部失敗1件あたりの対応コスト: 50,000円
月間COPQの試算:
| 項目 | 計算 | 金額 |
|---|---|---|
| 手直しコスト | 600個 × 200円 | 120,000円 |
| 廃棄損失 | 400個 × (500円 - 50円) | 180,000円 |
| 外部失敗コスト | 50件 × 50,000円 | 2,500,000円 |
| 月間COPQ合計 | 2,800,000円 |
この例では、月間約280万円、年間では約3,360万円の品質不良コストが発生しています。注目すべきは、外部失敗コスト（出荷後のクレーム対応）が全体の約89%を占めている点です。
不良を出荷前に食い止めるだけで、大幅なコスト削減が見込めるということが、この数字から読み取れます。
7. まとめ：データに基づく品質改善の第一歩
不良率の改善は、一朝一夕に実現できるものではありません。しかし、正しい計測から始め、データに基づいて一つひとつ手を打っていくことで、着実に成果を積み上げることができます。
品質改善を始めるためのステップ
- 現状の不良率を正確に把握する — 工程別・不良モード別に分類し、パレート図で可視化する
- COPQを試算する — 不良率を金額に換算し、経営層と共通の言語で議論できる土台を作る
- 改善対象を絞り込む — 4M分析やFMEAを活用し、投資対効果の高い工程から着手する
- SPCで工程を安定化する — 管理図による継続的な監視体制を構築する
- AI・IoTの活用を検討する — 人手では限界がある検査工程や、データ量が膨大な分析にテクノロジーを活用する
品質管理のデジタル化やAI外観検査の導入について、自社の状況に合わせた具体的なアドバイスが必要な場合は、お気軽にお問い合わせください。現状のデータをもとに、改善の優先順位と期待効果を一緒に整理いたします。
外観検査プログラム作成や検査条件の検討を進めたい方は、インダストリエイトのVisual Inspection AI Agentをご覧ください。サンプル画像と検査仕様をもとに、外観検査プログラム草案の生成方法を確認できます。AI導入の投資対効果を試算したい方はROI計算ツールもご活用ください。