「稼働率を上げたい」
「設備の稼働時間を見える化したい」
「稼働率が低い原因を知りたい」

といった相談がよくあります。

しかし、ひとことで稼働率と言っても、実際には複数の意味があります。

たとえば、設備が止まらずに動いていた時間を見るのか、設備本来のスピードで動いていたかを見るのか、不良や手直しまで含めて価値を生んでいた時間を見るのかによって、使う指標も改善すべき内容も変わります。

この記事では、製造業で使われる稼働率の全体像を整理し、時間稼働率・性能稼働率・良品率・設備総合効率、いわゆるOEEの違いと計算式を解説します。

時間稼働率の詳しい計算式と停止ロスの見方はこちら

また、稼働率と可動率の違い、稼働率を改善するときの注意点、現場での進め方についても紹介します。

稼働率とは？

稼働率とは、設備やライン、人が、使える時間のうちどれだけ有効に使われているかを示す指標です。

ただし、製造業で稼働率を見るときには、「動いていたかどうか」だけを見ても十分ではありません。

なぜなら、設備が動いていても、本来のスピードより遅く動いている場合があります。

また、設備が動いて製品を作っていても、不良品や手直しが多ければ、実際には価値を生んでいる時間は少なくなります。

そのため、製造業では稼働率を次のように分けて考えることが重要です。

稼働率を改善するには、まず「どの稼働率を見ているのか」を明確にする必要があります。

稼働率と可動率の違い

稼働率と混同されやすい言葉に「可動率」があります。

稼働率は、設備や人がどれだけ使われていたかを表す指標です。

一方、可動率は、動くべきときに正常に動ける状態にあるかを表す考え方です。

たとえば、仕事量が少なく、設備を1日4時間しか使っていない場合、稼働率は低くなります。

しかし、その4時間のあいだ故障せず、必要なときに確実に動いていれば、可動率は高いと言えます。

逆に、受注が多く設備を長時間使っていても、故障やチョコ停が頻発している場合は、稼働率が高く見えても可動率は低い状態です。

つまり、稼働率は「どれだけ使ったか」、可動率は「使いたいときに使えるか」を見る指標です。

現場改善では、この違いを分けて考えることが重要です。

稼働率だけを追いかけると、必要以上に設備を動かして過剰在庫を作ってしまうことがあります。

一方、可動率だけを見ていても、需要に対して設備が十分に活用されているかは分かりません。

製造業で使われる稼働率の計算式

稼働率を正しく使うには、計算式の意味を理解しておく必要があります。

代表的な計算式は次の通りです。

ここで重要なのは、稼働率は単独で見るよりも、分解して見る方が改善につながりやすいということです。

たとえば、設備総合効率が低い場合でも、原因が停止ロスなのか、速度低下なのか、不良ロスなのかによって、打つべき対策はまったく異なります。

時間稼働率とは？

時間稼働率とは、負荷時間に対して、設備が実際に稼働していた時間の割合を示す指標です。

計算式は次の通りです。

時間稼働率 ＝ 稼働時間 ÷ 負荷時間

たとえば、1日の負荷時間が8時間あり、そのうち故障、段取り、材料待ちなどで1時間停止していた場合、稼働時間は7時間です。

この場合、時間稼働率は次のようになります。

7時間 ÷ 8時間 ＝ 87.5％

時間稼働率が低い場合、主な原因は設備が止まっていることです。代表的なロスには、設備故障、段取り替え、材料待ち、作業者待ち、検査待ちなどがあります。

時間稼働率を見ることで、「そもそも設備が動けていたのか」を確認できます。

時間稼働率の計算式・停止ロスの詳しい見方はこちら

性能稼働率とは？

性能稼働率とは、設備が稼働していた時間のうち、本来の能力に対してどれだけの性能を発揮できていたかを示す指標です。

計算式は次の通りです。

性能稼働率 ＝ 正味稼働時間 ÷ 稼働時間

設備は止まっていなくても、本来のスピードより遅く動いていることがあります。また、短時間の停止、いわゆるチョコ停が頻発している場合も、見かけ上は稼働しているように見えますが、実際の生産量は落ちます。

たとえば、設備は7時間動いていたものの、チョコ停や速度低下によって、本来なら7時間で作れる量に対して実績が6時間分しかなかった場合、性能稼働率は次のようになります。

6時間 ÷ 7時間 ＝ 85.7％

性能稼働率が低い場合は、設備の速度低下、チョコ停、空運転、作業者の投入遅れ、前後工程とのバランス崩れなどを確認します。

時間稼働率が高いのに生産量が伸びない場合は、性能稼働率に問題があるかもしれません。

チョコ停・速度低下を分析する性能稼働率の詳しい解説はこちら

良品率とは？

良品率とは、正味稼働時間のうち、実際に価値を生んだ時間の割合を示す指標です。

計算式は次の通りです。

良品率 ＝ 価値稼働時間 ÷ 正味稼働時間

一般的には、良品率というと「良品数 ÷ 製造数」を思い浮かべるかもしれません。しかし、設備稼働率やOEEの文脈では、良品率を時間で考えることが重要です。

なぜなら、不良品を作っていた時間や手直しにかかった時間は、設備が動いていても、本来の価値を生んでいない時間だからです。

たとえば、正味稼働時間が6時間あり、そのうち不良や手直しによるロスが30分あった場合、価値稼働時間は5.5時間です。

この場合、良品率は次のようになります。

5.5時間 ÷ 6時間 ＝ 91.7％

良品率が低い場合は、不良の発生数だけでなく、手直し時間、再検査時間、廃棄、後工程での戻り作業なども確認する必要があります。

不良率だけを見ていると、手直しにかかっている時間や、現場で当たり前になっている修正作業を見落としてしまうことがあります。

良品率の計算式・歩留まり率との違いはこちら

設備総合効率/OEEとは？

設備総合効率、またはOEEとは、設備がどれだけ価値ある生産に使われていたかを総合的に見る指標です。

計算式は次の通りです。

OEE ＝ 時間稼働率 × 性能稼働率 × 良品率

たとえば、次のような状態だったとします。

この場合、OEEは次のようになります。

87.5％ × 85.7％ × 91.7％ ＝ 約68.8％

一つひとつの指標を見ると大きな問題がないように見えても、掛け合わせると設備全体の効率は大きく下がることがあります。

これが、設備稼働率やOEEを見る意味です。

設備が止まっていないか、本来の速度で動いているか、不良や手直しなく価値を生んでいるかを分解して見ることで、改善すべきポイントが明確になります。

OEEで設備全体のロスを見る方法はこちら

稼働率が低くなる主な原因

稼働率が低いとき、原因を一つに決めつけるのは危険です。

設備が止まっているのか、速度が落ちているのか、不良や手直しが多いのかを分けて確認する必要があります。

主な原因は次の通りです。

特に注意すべきなのは、稼働率が低いこと自体が必ずしも悪いとは限らない点です。

需要が少ないにもかかわらず、稼働率を上げるためだけに作り続けると、過剰在庫やキャッシュフロー悪化につながります。

稼働率は、単に高ければよい指標ではありません。必要なものを、必要なタイミングで、安定して作れる状態を目指すための指標として使うことが重要です。

稼働率を改善する前に決めるべきこと

稼働率改善を始める前に、まず決めるべきことがあります。

それは、「何のために稼働率を見るのか」です。

目的が曖昧なまま稼働率を測ると、数字を出すこと自体が目的になってしまいます。現場では記録作業だけが増え、改善につながらないこともあります。

稼働率を見る前に、少なくとも次の点を決めておく必要があります。

たとえば、設備の能力を把握したい場合と、生産計画の精度を上げたい場合では、見るべき稼働率が変わります。

また、同じ「停止時間」でも、段取り時間を停止ロスに含めるのか、計画停止として除外するのかによって、数字は大きく変わります。

そのため、稼働率を測る前に、社内で定義をそろえることが重要です。

稼働率改善の進め方

稼働率を改善するときは、いきなり設備投資やIoT導入を考えるのではなく、まず現場のロスを分解して把握することが大切です。

進め方は次の通りです。

1. 対象設備・対象工程を決める

まず、どの設備や工程の稼働率を見るのかを決めます。

全設備を一度に測ろうとすると、記録が大変になり、改善活動がぼやけます。最初は、ボトルネックになっている設備、残業や納期遅れに影響している工程、トラブルが多いラインなどに絞るのがよいでしょう。

2. 時間の定義をそろえる

次に、負荷時間、稼働時間、停止時間、正味稼働時間、価値稼働時間の定義をそろえます。

ここが曖昧だと、部署や担当者によって数字の意味が変わってしまいます。

3. ロスを分類する

停止ロス、性能ロス、品質ロスに分けて、何がどれだけ発生しているかを確認します。

このとき、「その他」を増やしすぎないことが重要です。その他が多いと、結局どこを改善すればよいか分からなくなります。

4. 大きいロスから対策する

すべてのロスを一度に解決しようとする必要はありません。

まずは、発生時間が長いロス、発生頻度が高いロス、現場の負担が大きいロスから優先順位をつけます。

たとえば、停止時間の大半が段取り替えであれば、外段取り化や治具改善が有効です。チョコ停が多ければ、発生箇所、発生タイミング、復旧作業を細かく見ます。不良や手直しが多ければ、作業条件、検査基準、工程設計を見直します。

5. 改善後に同じ定義で再測定する

改善活動では、対策前後を同じ定義で比較することが重要です。

途中で計算式や記録方法を変えてしまうと、改善したのか、数字の出し方が変わっただけなのか分からなくなります。

稼働率改善でよくある失敗

稼働率改善では、次のような失敗がよくあります。

稼働率100％を目標にしてしまう

稼働率100％は、一見すると良い目標に見えます。

しかし、需要以上に設備を動かせば、過剰在庫になります。また、設備や作業者に余裕がなくなり、故障、不良、労務負担が増えることもあります。

稼働率は、100％を目指すものではなく、事業や現場の目的に合わせて適正な状態を見極めるものです。

設備が動いている時間だけを見る

設備が動いている時間だけを見ると、速度低下やチョコ停、不良ロスを見落とします。

動いているように見えても、本来の能力を発揮できていなければ、生産性は上がりません。

そのため、時間稼働率だけでなく、性能稼働率や良品率も合わせて見る必要があります。

現場に記録負担だけを増やしてしまう

稼働率を見える化しようとして、細かすぎる記録を現場に求めると、記録作業が負担になります。

最初から完璧なデータを取ろうとするよりも、改善に使える粒度で始めることが大切です。

たとえば、最初は停止理由を大分類で記録し、改善テーマが見えてきたら詳細分類に分ける方法もあります。

不良や手直しを軽く見てしまう

不良率が低い現場でも、手直し時間が多い場合があります。

手直しが当たり前の作業になっていると、現場ではロスとして認識されにくくなります。しかし、手直しは本来の価値を生む時間ではありません。

良品率を見ることで、不良数だけでは見えない品質ロスを把握できます。

稼働率は「数字を出すこと」ではなく「改善につなげること」が目的

稼働率を測る目的は、数字を出すことではありません。

本当の目的は、現場のどこにロスがあり、どこから改善すべきかを明らかにすることです。

そのためには、稼働率を一つの数字として見るのではなく、時間稼働率、性能稼働率、良品率に分解して見ることが重要です。

• 設備が止まっているなら停止ロスを減らす。
• 設備は動いているが能力を発揮できていないなら性能ロスを減らす。
• 製品は作れているが不良や手直しが多いなら品質ロスを減らす。

このように分解して考えることで、改善活動は具体的になります。

まとめ

稼働率とは、設備やライン、人がどれだけ有効に使われているかを示す指標です。

ただし、製造業では稼働率を一つの数字で見るのではなく、次のように分けて考える必要があります。

稼働率を改善するには、まず定義をそろえ、対象設備や対象工程を決め、ロスを分類することが重要です。

そして、稼働率は高ければよいというものではありません。需要、在庫、納期、品質、現場負荷とのバランスを見ながら、適正な状態を目指す必要があります。

自社の稼働率を正しく把握したい場合は、まず「どの稼働率を、何のために見るのか」を明確にするところから始めてください。

製造業の稼働率改善でお困りならGEMBAコンサルティングへ

GEMBAコンサルティングでは、製造業の現場改善、生産性向上、業務改善、データ活用の支援を行っています。

「稼働率を見える化したいが、何から始めればよいか分からない」
「設備データや日報はあるが、改善に活かせていない」
「停止ロス、チョコ停、不良ロスのどこから手をつけるべきか整理したい」
「現場の記録負担を増やさずに、改善につながる指標を作りたい」

このような課題がある場合は、お気軽にご相談ください。

製造業の現場改善について相談する

また、現場メンバーや管理者向けに、稼働率・生産性・品質管理・現場改善を体系的に学びたい場合は、GEMBA SkillBridgeの活用もご検討ください。

製造業の現場改善を体系的に学べるGEMBA SkillBridgeはこちら

FAQ

稼働率とは何ですか？

稼働率とは、設備やライン、人が、使える時間のうちどれだけ有効に使われているかを示す指標です。製造業では、時間稼働率、性能稼働率、良品率、設備総合効率/OEEに分けて考えると改善につなげやすくなります。

稼働率と可動率の違いは何ですか？

稼働率は、設備や人をどれだけ使っていたかを見る指標です。可動率は、使いたいときに正常に動ける状態にあるかを見る考え方です。稼働率は需要や生産計画の影響を受けますが、可動率は設備の信頼性や保全状態に近い考え方です。

稼働率は高いほど良いですか？

必ずしも高いほど良いとは言えません。需要以上に設備を動かすと、過剰在庫や現場負荷の増加につながることがあります。稼働率は、事業の目的や生産計画に合わせて適正な状態を目指すことが重要です。

OEEとは何ですか？

OEEとは、設備総合効率のことで、時間稼働率、性能稼働率、良品率を掛け合わせて算出します。設備が止まっていないか、本来の速度で動いているか、不良や手直しなく価値を生んでいるかを総合的に見る指標です。

稼働率改善は何から始めればよいですか？

まずは、対象設備や工程を決め、負荷時間、稼働時間、停止時間などの定義をそろえることから始めます。そのうえで、停止ロス、性能ロス、品質ロスに分けて記録し、最も大きいロスから改善テーマを設定します。

The post 稼働率とは？計算式・可動率との違い・OEE改善まで製造業向けに解説 first appeared on 株式会社GEMBAコンサルティング.

人が行っていた定型作業を自動化し、入力作業や転記作業の時間を減らせる場合があります。レガシーシステムが多く、すぐにシステム連携ができない環境では、短期的な負荷軽減策として有効に働くこともあります。

一方で、製造業のDXや業務改善の現場では、RPA導入後に次のような声が出ることがあります。

「作業時間は削減できたはずなのに、現場があまり楽になっていない」
「RPAが止まるたびに、特定の担当者へ問い合わせが集中している」
「自動化したはずなのに、例外処理や保守の手間が増えている」
「結局、紙帳票や二重入力は残ったままになっている」

この状態は、本当に業務改善と呼べるのでしょうか。

株式会社GEMBAコンサルティングでは、RPAそのものを否定しているわけではありません。重要なのは、RPAを入れる前に、そもそもその業務が必要なのかを現場目線で問い直すことです。

不要な業務をそのまま自動化してしまうと、それはDXではなく、単なる「ムダの自動化」になってしまいます。

RPAは「業務改善ツール」ではなく「作業代行ツール」である

まず押さえておきたいのは、RPAの役割です。

RPAは、人が行っているパソコン上の定型操作を代行する仕組みです。たとえば、次のような作業を自動化できます。

これらは確かに便利です。

しかし、RPAは基本的に今ある作業を前提にして動く仕組みです。つまり、業務プロセスそのものを良くするわけではありません。

ムダな業務があれば、ムダな業務が速く処理されます。

悪いプロセスがあれば、悪いプロセスが温存されます。

システム同士がつながっていなければ、人間向けの画面操作をロボットに代行させることで、あたかも連携できているように見せることになります。

ここに、RPA導入の大きな落とし穴があります。

RPAは、業務をなくすツールではありません。今ある業務を代行するツールです。

だからこそ、導入前に「この作業は本当に必要か」「この転記はなぜ発生しているのか」「この帳票はまだ必要か」を確認しなければなりません。

製造業DXで起こりやすい「RPAの3つの罠」

製造業の現場では、紙帳票、Excel管理、基幹システム、SFA、会計システム、生産管理システムなど、複数の仕組みが混在していることが少なくありません。

そのため、RPAは一見すると魅力的です。

「システム改修をしなくても済む」

「既存の画面をそのまま使える」

「短期間で効果が出そう」

「現場に大きな変更を求めなくてもよい」

しかし、その手軽さが、かえって本質的な改善を遅らせることがあります。

ここでは、製造業DXで特に注意すべきRPAの3つの罠を解説します。

罠1：不要な業務をそのまま延命してしまう

RPA導入で最も注意すべきことは、なくすべき業務を自動化してしまうことです。

たとえば、製造現場で次のような業務があるとします。

この問いを飛ばしてRPAを入れると、表面的には効率化されたように見えます。

しかし実際には、不要な業務が残ったままになります。

業務改善の基本は、まず「なくせないか」を考えることです。ECRSでいえば、最初に考えるべきは Eliminate、つまり排除 です。

RPAは、このうち「簡素化」の一部として使える場合があります。

しかし、排除や結合を検討しないまま自動化すると、本来なくすべき作業を延命させることになります。

不要な仕事を速く処理しても、業務改善にはなりません。

不要な仕事は、速くする前になくすべきです。

ECRSに関する解説の詳細はこちら

罠2：画面変更で止まる、脆い仕組みになりやすい

RPAは、人間が操作する画面をロボットに操作させる仕組みです。

そのため、既存システムを大きく変えずに自動化できる一方で、画面の変更に弱いという特徴があります。

たとえば、次のような変化でRPAが止まることがあります。

製造業では、業務変更、品目追加、取引先変更、管理項目の変更、帳票改定などが日常的に発生します。

そのたびにRPAのシナリオ修正が必要になると、RPAは便利な道具ではなく、管理すべき対象になります。

本来、システム同士はデータでつながるべきです。

API連携、データベース連携、CSV連携、マスタ整備など、安定したデータの流れを設計することが本質です。

人間向けの画面をロボットに操作させる方法は、短期的には便利でも、中長期では脆い仕組みになりやすいのです。

罠3：ボトルネックが「作業者」から「RPA管理者」へ移る

RPA導入時には、よく次のような効果が示されます。

「月に30時間削減！」
「年間300時間削減！」
「手作業ミスを削減！」
「入力作業を自動化！」

これらの数字はわかりやすく、導入効果として説明しやすいものです。

しかし、RPA導入後の保守コストは見落とされがちです。

RPAは一度作れば終わりではありません。運用が始まると、次のような対応が発生します。

RPAが増えれば増えるほど、RPAを管理する仕事も増えます。

その結果、次のような状態になることがあります。

• 「作った人しか直せない」
• 「情報システム部門に依頼が集中する」
• 「現場では修正できない」
• 「仕様変更のたびに順番待ちになる」
• 「担当者が異動するとブラックボックス化する」

これは、本質的な効率化ではありません。

作業者のボトルネックが、RPA管理者のボトルネックに移っただけです。

導入前は人が業務を処理していた。

導入後は人がRPAを介護している。

この状態をDXと呼ぶのは、かなり危ういと言えます。

具体事例1：請求書処理のRPA化で、取引先の手間が増える

RPA導入の成功事例として、請求書処理の自動化が紹介されることがあります。

たとえば、毎月大量に届く請求書の処理に時間がかかっている会社があったとします。

請求書の形式は取引先ごとにバラバラです。PDF、Excel、紙、メール本文など形式も異なります。項目名や振込先の記載場所も統一されていません。

そこで、自社指定の請求書フォーマットを作り、取引先にその形式で提出してもらうようにしました。

すると、RPAで読み取りやすくなり、会計システムへの入力も自動化しやすくなります。

自社の経理担当者の作業時間は減ります。

ここだけを見ると、成功事例です。

しかし、取引先側ではどうでしょうか。

取引先がすでに会計ソフトや請求書発行サービスを使っている場合、通常の請求書発行とは別に、自社指定のExcelフォーマットへ再入力しなければならないかもしれません。

これは、効率化ではなく負担の移転です。

RPAを導入すると、自社内では作業が消えたように見えます。

しかし、サプライチェーン全体で見れば、作業は減っていないかもしれません。むしろ、取引先に余計な手間を強いている可能性もあります。

製造業のDXでは、自社だけでなく、取引先、協力会社、現場、管理部門を含めた全体最適の視点が欠かせません。

具体事例2：営業事務の転記をRPA化したが、例外処理だらけになる

次に、営業事務の転記作業を考えてみます。

営業担当がSFAに受注情報を入力し、その後、営業事務が基幹システムへ転記している会社があったとします。

この二重入力をなくすために、SFAから基幹システムへ自動転記するRPAを導入しました。

導入直後は、営業事務の作業時間が減ります。

しかし、運用が始まると例外が発生します。

この場合、本当に必要だったのはRPAだったのでしょうか。

先にやるべきことは、次のような業務改善だった可能性があります。

• 受注プロセスの整理
• 入力ルールの統一
• 顧客マスタ、商品マスタの整備
• SFAと基幹システムの連携設計
• 例外が起こりにくい業務フローへの見直し

業務ルールが整理されていない状態でRPAを入れると、混乱したプロセスをそのまま自動化することになります。

これは、改善ではありません。

混乱の自動化です。

具体事例3：紙帳票の後処理だけRPA化し、現場の負担は残る

製造現場では、紙帳票を使った管理が今も多く残っています。

たとえば、次のような流れです。

1. 現場で紙帳票に実績を記入する
2. 事務所に戻ってExcelへ入力する
3. Excelを見ながら基幹システムへ登録する
4. 管理部門が集計・確認する

このうち、最後の「Excelから基幹システムへの登録」だけをRPA化したとします。

確かに、事務担当者の転記時間は減ります。

しかし、現場全体を見るとどうでしょうか。

この場合、RPAで自動化したのは最後の転記だけです。

現場の負担はほとんど変わっていません。

本当に考えるべきなのは、次の問いです。

• 紙帳票をなくせないか
• 現場で直接デジタル入力できないか
• その入力項目は本当に必要か
• 後工程で使わないデータを集めていないか
• 入力する人にとって意味のある設計になっているか
• 現場と管理側の両方にとって自然な流れになっているか

最後の転記だけをRPA化しても、現場改善とは言えません。

製造業DXで本当に目指すべきなのは、紙の後処理を自動化することではなく、データが自然に発生し、必要な人が必要なタイミングで使える状態をつくることです。

合わせて読みたい：ペーパーレス化は業務改革！～実現するための4つのSTEP～

RPAで見るべき指標は「削減時間」だけではない

RPAの導入効果として、削減時間はよく使われます。

もちろん、削減時間は重要な指標です。

しかし、それだけで判断すると、RPA導入の成否を見誤ります。

本当に確認すべきなのは、次のような問いです。

RPAで月30時間削減できたとしても、保守や例外処理で別の担当者が20時間使っているなら、効果は限定的です。

さらに、取引先や現場に負担を移しているなら、全体最適とは言えません。

RPAの効果測定では、削減時間だけでなく、保守負荷、例外処理、属人化、全体最適への影響まで見る必要があります。

GEMBA流：自動化で失敗しないための改善ステップ

株式会社GEMBAコンサルティングでは、製造業のDXや業務改善において、いきなりツールを入れることを推奨していません。

重要なのは、現場の実態を見て、業務の流れを整理し、改善すべき順番を間違えないことです。

RPA導入を検討する前に、次のステップで確認することをおすすめします。

ステップ1：現場の業務を見える化する

まず、実際の業務フローを見える化します。

このとき、会議室でヒアリングするだけでは不十分です。

製造現場では、帳票の書き方、確認のタイミング、例外対応、暗黙の判断、担当者ごとの工夫など、現場に行かなければ見えない情報が多くあります。

確認すべきポイントは、次の通りです。

• 誰が作業しているか
• どのタイミングで作業しているか
• 何を見て判断しているか
• どこで転記が発生しているか
• どこで確認や承認が発生しているか
• 例外処理はどのくらいあるか
• 後工程で本当に使われているデータは何か

現場の実態を見ずにRPA化すると、表面的な作業だけを自動化してしまいます。

ステップ2：ECRSで「なくせる業務」を先に探す

次に、ECRSの視点で業務を見直します。

特に重要なのは、最初の「排除」です。

RPA導入前には、次の順番で考えるべきです。

1. その作業をなくせないか
2. 他の作業とまとめられないか
3. 作業の順番や担当を変えられないか
4. もっと簡単にできないか
5. それでも残る定型作業を自動化できないか

この順番を守ることで、不要な業務を自動化してしまうリスクを減らせます。

ステップ3：データの流れを設計する

RPAは画面操作を代行できますが、DXで本当に重要なのはデータの流れです。

たとえば、製造現場の実績データであれば、次のような状態を目指すべきです。

転記をRPAで自動化する前に、転記そのものをなくせないかを考える。

紙帳票を読み取る前に、紙帳票をなくせないかを考える。

画面操作をロボット化する前に、データ連携できないかを考える。

この発想が、製造業DXでは不可欠です。

ステップ4：RPAは「暫定手段」として位置づける

RPAが有効な場面もあります。

たとえば、次のようなケースです。

ただし、RPAを入れた時点で改善完了にしてはいけません。

RPAは、あくまで暫定手段です。

将来的には、業務プロセスの見直し、マスタ整備、システム連携、紙帳票の廃止、入力項目の削減など、本質的な改善へつなげる必要があります。

RPA導入前に確認したいチェックリスト

RPA導入を検討している場合は、次の項目を確認してください。

このチェックで空欄が多い場合、RPA導入を急ぐよりも、先に業務改善を進めるべきです。

RPA導入をDXと呼ぶ前に、業務そのものを問い直す

RPAで既存業務を自動化するだけでは、DXとは言えません。

DXとは、単に手作業をロボットに置き換えることではありません。

データの流れを変え、業務の仕組みを変え、価値提供の方法を変えることです。

製造業におけるDXでは、次の視点が重要です。

• 現場の入力負荷を減らす
• 紙やExcelに依存した業務を見直す
• 部門ごとの部分最適をなくす
• 必要なデータが自然に集まる仕組みをつくる
• 現場と管理部門の双方にとって使いやすい業務設計にする
• 取引先や顧客も含めた全体最適を考える

RPAは、その一部を補助することはできます。

しかし、RPAだけでDXは実現できません。

むしろ、既存業務をそのまま自動化してしまうことで、古い業務プロセスを固定化してしまう危険があります。

製造業のDXはこちらもご参考に：製造業の業務改善コンサルティング～技術情報共有化DXの事例～

現場の違和感こそ、業務改善の出発点

• RPAを導入したのに、現場が楽になっていない。
• 削減時間は出ているのに、別の担当者が忙しくなっている。
• 自動化したはずなのに、例外処理や保守に追われている。
• 紙帳票や二重入力が残ったままになっている。

こうした違和感は、決して小さな問題ではありません。

むしろ、本質的な業務改善の出発点です。

現場の違和感には、業務設計の歪みが表れます。

そして、その歪みを見つけるには、現場を知らないままツールを当てはめるのではなく、実際の作業、判断、帳票、データの流れを丁寧に見る必要があります。

株式会社GEMBAコンサルティングは、製造現場出身の元技術者の視点を活かし、現場に入り込んだ伴走型の業務改善・DX支援を行っています。

ツール導入ありきではなく、現場の実態を見える化し、ムダな業務を整理し、必要なデータが自然に流れる仕組みづくりを支援します。

まとめ：RPAで速くする前に、業務を捨てられないか考える

RPA導入で失敗しないために、最も重要な考え方はシンプルです。

自動化する前に、その業務をなくせないか考えること。

転記を自動化する前に、転記をなくす。

紙帳票を読み取る前に、紙帳票をなくす。

画面操作をロボット化する前に、データ連携を考える。

例外処理をRPAに覚えさせる前に、例外が起きにくい業務設計にする。

RPAは便利な道具です。

しかし、使う順番を間違えると、DXを進めるどころか、ムダな業務を温存し、現場をさらに苦しめる原因になります。

製造業のDXで本当に目指すべきなのは、ロボットに作業を肩代わりさせることではありません。

プロセス全体を見て、ムダな作業そのものをなくすことです。

あなたの現場のRPA、本当に業務改善につながっていますか？

「RPAを導入したのに、現場が楽になっていない」
「紙帳票や二重入力が残ったままになっている」
「RPAの保守が特定担当者に集中している」
「DXを進めたいが、何から見直せばよいかわからない」

このような課題があれば、まずは現状の業務フローを一緒に整理するところから始めませんか。

株式会社GEMBAコンサルティングでは、製造業の現場改善・業務改善・DX推進を、現場に寄り添う形で支援しています。

まずは無料相談で、貴社の現場にある「ムダの自動化」リスクを確認してください。

The post 製造業DXの落とし穴｜RPA導入が「ムダの自動化」になっていませんか？3つの罠と改善の進め方 first appeared on 株式会社GEMBAコンサルティング.

製造業のノウハウの蓄積や活用は多くの企業で抱えている課題ですが、生成AIの登場によってそれがどのような変革を遂げるのか、DXとも絡めながらその可能性を探ります。

はじめに

製造業において、ノウハウや知識の蓄積方法は長年にわたり重要な課題でした。従来では、ノウハウの蓄積は主に経験豊富な技術者の知識をマニュアルや手順書として文書化するなど記録して残し、それを後進に伝えることで行われてきました。

しかしながら、この方法にはいくつかの問題点があります。

たとえば、ノウハウや知識の情報が属人化しやすく、検索や活用が難しいことが挙げられます。そして、ノウハウや知識を持つ技術者が退職する際には、それら知識が失われてしまうリスクがあります。

そこで、弊社では新たに登場した生成AI（生成人工知能）に注目しています。生成AIが何たるか、といった解説は専門家にお任せしますが、自然言語処理技術を駆使し、膨大なデータから有用な情報を自動で生成・提供する能力を持っているものです。

このAIの技術が製造業にもたらす影響はとてつもなく大きなものであり、ノウハウの蓄積の場面においても活用しない手はないと考えています。

ノウハウをテキストや図の形式で蓄積するとともに自動生成も可能になり、従来の問題点を解決するだけでなく、ナレッジマネジメントのデジタルトランスフォーメーション（DX）を推進します。

本記事では、生成AIの登場により製造業のノウハウ蓄積方法や活用方法がどのように変わるのかを紹介します。さらに、ナレッジマネジメントのDXがもたらす利点や具体的な事例を交えながら、製造業における未来の可能性について探っていきます。

製造業におけるナレッジマネジメントの現状

製造業において、ナレッジマネジメント（知識管理）は非常に重要な課題です。製品の設計から生産、品質管理に至るまで、多くの知識やノウハウが必要とされ、それを“組織の知識”と言います。これら組織の知識を効果的に蓄積し、共有することで、製造業の効率と品質は歴史とともに向上させることができます。しかし、従来のナレッジマネジメントにはいくつかの課題があり、それらが製造業の成長を妨げていることも事実です。

従来のナレッジ蓄積方法

製造業における従来のナレッジ蓄積方法は主に以下の二つです。

①マニュアルや手順書の作成・保管

マニュアルや手順書は、製造業において標準的な作業手順や技術的なノウハウを文書化したもので、新入社員の教育や業務の標準化を目的として作成されます。

作業手順書：各工程における具体的な作業手順を詳細に記載したもので、これにより作業者は手順通りに作業を進めることができ、品質の安定化が図れます。

保守マニュアル：機械や設備の保守・点検方法を説明したもので、定期的なメンテナンスやトラブルシューティングに役立ちます。

安全マニュアル：作業現場での安全対策や緊急時の対応方法を記載したもので、従業員の安全を確保するために重要です。

②経験に基づくノウハウの伝承

長年の経験を持つ技術者や職人が、新しい世代にその知識や技術を伝えるという方法です。

OJT（オン・ザ・ジョブ・トレーニング）：職場で実際に作業を行いながら、先輩社員が新人に技術や知識を教える方法で、実践的なスキルを習得するのに効果的です。

口伝：技術者同士の会話やミーティングを通じてノウハウを共有する方法で、非公式な場での情報共有も含まれます。

ワークショップや研修：特定の技術や知識を深めるための集中講座や実技研修で、外部講師を招く場合もあります。

現状のナレッジマネジメントの問題

上記に挙げたような従来のナレッジ蓄積方法にはいくつかの問題が存在します。

問題①：情報の属人化

特定の個人にノウハウや知識が集中し、それが他の従業員に共有されにくい状況になりがちです。

経験の蓄積：長年の経験を通じて得た知識は、その人個人に依存しやすく、文書化されにくい（言語化や図表化しにくい）傾向があります。

非公式な伝承：口伝やOJTによる知識の共有は記録が残らないため、属人化傾向を助長します。

この結果、特定の技術者が退職や異動をした際に、重要な知識が失われるリスクが高まります。また、新入社員が必要な情報を得ることが難しくなり、生産性や品質に影響を与えることがあります。

問題②：検索や活用の難しさ

従来のナレッジマネジメントでは、蓄積された情報が効果的に検索・活用されにくいという問題もあります。

情報の分散：マニュアルや手順書が複数の場所に保存されている場合、必要な情報を探すのに時間がかかってしまいます。

情報の更新：古いマニュアルや手順書が更新されずに残っていることが多く、最新の情報がどこにあるのかを正しく探すことが困難です。

検索機能の不備：紙の文書や紙をPDFにしただけの簡易的なデジタルファイルでは、キーワード検索ができず、必要な情報を見つけるのが難しいです。

これらの課題を解決するために、これまでのナレッジマネジメントを支援するシステムの開発や導入では以下のようなことに注意が必要でした。

・ナレッジ入力時に正しくタグ（キーワード）をつける

・検索されるキーワードをマスター化（標準化）する

・システムに登録したキーワードを常に見直し更新する

現実問題として、ナレッジを登録する作業だけでも面倒な作業なのに、その際に多面的にナレッジを理解して正しくキーワードを選定することはものすごく難しいですし、たとえば、「デジタル化」→「DX」などキーワードも時代とともに変化するため常に見直していく必要があり、入力する人によるバラつきを極力失くすメンテナンスをする必要があり、実質的には不可能とも思えます。

生成AIがもたらすナレッジマネジメントの変革

さて、生成AI（生成型人工知能）は、製造業におけるナレッジマネジメントの変革をもたらすと述べてきましたが、その一つの大きな理由として、検索の必要性が大幅に軽減される点が挙げられます。以下に、生成AIがどのように検索の必要性を失くし、製造業のナレッジマネジメントを変革するかを詳細に説明します。

ナレッジの検索の必要性が軽減される理由

生成AIを活用することで、質問をすれば回答を返してくれるようになりました。つまり、キーワードにチェックを入れたりして検索をする必要がなくなったのです。

これらは、弊社のノウハウを入力したAIに対する質問と回答の一部の例ですが、従来のナレッジマネジメントをするITシステムと比較すると、ノウハウの検索の仕方が全く違うことが分かります。

ノウハウの構造化の必要性の変化

少し整理すると、従来のナレッジマネジメントでは、ノウハウを体系的に構造化するためにキーワードを設定し、文書化することが求められていました。しかし、生成AIの登場により、この必要性が大きく変わります。

自然な言葉での入力と出力が可能になる

生成AIは、自然な言葉での入力と出力が可能になります。これにより、ITに関する専門知識を持たない従業員でも簡単に情報を入力・取得できるようになります。

簡便なデータ入力：従業員は特別なフォーマットを使用せず、自然な言葉や文章や図表で情報を入力できます。生成AIはこの情報を自動的に解析し、必要なデータとして蓄積してくれます。

柔軟な情報出力：ユーザーの質問やリクエストに応じて、生成AIは適切な形式で情報を提供します。たとえば、特定の製造プロセスに関する詳細な説明や、トラブルシューティングの手順を自然な文章で出力してくれます。

つまり、ノウハウを登録（入力）する際の手間や、ナレッジを管理するITシステムそのものを管理する手間が大幅に削減されるのです。

これまでに行っていた、

「このナレッジの分類は、、、」

「このナレッジのキーワードは、、、」

といった作業が不要になります。

さらに、

「会社が決めた書式で書かないといけないから、PowerPointで報告してきた資料がいくつもあるけどWordにまとめ直さないといけない。。。」

といった作業も不要になるのです。

業務を進める過程で作成された資料をそのままノウハウとして蓄積することができるようになった変化は、組織の知識を蓄積する上で非常に大きなポイントであると言えます。

ナレッジマネジメントに対して生成AIを活用することは、製造業の効率化と競争力強化に大いに貢献するはずです。これからは、ノウハウの蓄積が多かった企業が生き残っていくと言っても過言ではありません。今後も生成AIの技術は進化を続け、製造業のさらなる発展を支える重要なツールとなることでしょう。

生成AI導入によるナレッジマネジメントのDX

ここで、ナレッジマネジメント領域での生成AIの活用が、DXとどのような関係性にあるのかを解説します。

DXの定義と重要性

DXの基本的な考え方

デジタルトランスフォーメーション（DX）とは、デジタル技術を駆使して業務プロセスやビジネスモデルを革新することです。DXの本質はD（デジタル）ではなくX（トランスフォーメーション）にある点に留意しましょう。

ナレッジマネジメントにおけるDX

ナレッジマネジメントにおけるDXとは、組織内の知識を効率的に蓄積し、共有することで、業務の質とスピードを向上させることで、以下のようなプロセスの変革があります。

ナレッジマネジメントのプロセスが変革していますね。

生成AIを活用することで、こうしたナレッジマネジメントのDXが可能になるのです。

生成AI活用の成功事例

生成AIの活用が製造業におけるナレッジマネジメントを大きく変革することはご理解いただけたかと思いますが、ここで具体的にどのようにナレッジマネジメントの場面で生成AIを活用したのか、具体的な導入事例を紹介します。

事例1：部品製造企業（A社）の導入事例

導入の背景と課題

A社では、以下のような課題に直面していました。

ノウハウの属人化：長年の経験を持つベテラン技術者に知識が集中し、新人が学ぶのに時間がかかる。

情報の分散：手作業で作成されたマニュアルや手順書が紙媒体や個人のPCに保存され、必要な情報を見つけるのが困難。

更新の手間：製造工程や設備の変更に伴い、マニュアルの更新が頻繁に必要で、手動での更新作業に多くの時間がかかる。

生成AI導入後の効果と成果

こんな場面で生成AIを導入したことで、以下の効果と成果が得られました。

自動マニュアル生成：個人PCに格納されていてバラバラだったマニュアルをまとめて生成AIに入力し、マニュアルのたたき台を生成しました。これにより、マニュアル作成作業が大幅に効率化されました。

迅速な情報検索：従業員がマニュアル類を登録した生成AIに質問すると、必要な情報が即座に返ってくるようになり、情報検索にかかる時間が大幅に短縮されました。

知識の共有化：知識が生成AIに一元的に管理されるようになり、新人技術者でも必要な情報に迅速にアクセスできるようになったことで、教育にかかる時間が削減され、技術の伝承が円滑に行われる土台を作りことができました。

事例2：大手自動車メーカー（B社）の取り組み

実際の生成AIの使用方法と効果

B社では、生成AIを以下のように活用し、効果を得ています。

設計図の自動生成：過去の設計データを学習した生成AIが、新しい設計要求に応じて最適な設計図を自動生成することにより、設計プロセスが迅速化されました。

品質管理レポートの自動作成：IoTシステムとの組み合わせで製造工程のデータをリアルタイムで解析し、生成AIが品質管理レポートを自動作成することができます。これにより、品質問題の早期発見と迅速な対策が可能になりました。

カスタマーサポート：生成AIが顧客からの問い合わせに対して自動応答し、迅速かつ正確な情報提供を行うことで、従業員の業務負荷軽減と顧客満足度の向上につながっています。

まとめ

いかがでしたでしょうか。

今回は、生成AIとナレッジマネジメントの領域での活用に焦点を当ててみました。

生成AIは、あらゆる場面においてDXを実現する可能性があります。

生成AIによるマニュアルや設計図の自動生成、リアルタイムのデータ解析は業務プロセスの効率化を促進し、精度の高い情報提供により品質管理も強化されます。これにより、作業のスピードと品質の両立が可能となり、従業員の作業効率が向上し、新人教育のコストも削減されるでしょう。

また、迅速な意思決定を支援することで、市場での競争力が強化されるとともに、生成AIの進化は、さらなる自動化と知識管理の向上をもたらし、新しいビジネスモデルの創出も期待されています。

しかし、生成AIの導入は一度で完了するものではなく、継続的な改善と適応が重要です。常に最新の技術を取り入れ、業務プロセスを最適化し続けることで、生成AIの恩恵を最大限に享受できます。

生成AIは製造業の未来を大きく変える可能性を秘めていますが、この生成AIを活用する企業と活用できない企業の格差はどんどん広がっていくでしょう。効率化と品質向上、競争力の強化を実現し、継続的な技術革新と改善を通じて、さらなる発展を支える重要なツールである生成AIを確実に活用してほしいと思います。

生成AIの導入を検討されている企業様や、生成AIの活用方法を模索している企業様は、ぜひ弊社にご相談ください！

関連記事はこちらから

製造業の業務改善コンサルティング～技術情報共有化DXの事例～

製造業が取り組むべき、攻めるDX！守りのDX！

製造業の文書管理に困らない！ISO審査員が教えるドキュメント作成の３つのポイント

お客様の声のご紹介

お客様へのインタビュー動画をご紹介しています。お気軽にご相談いただけますと幸いです！

一緒に読んでいただきたい関連記事

• 稼働率とは？計算式・可動率との違い・OEE改善まで製造業向けに解説
• 
  製造業DXの落とし穴｜RPA導入が「ムダの自動化」になっていませんか？3つの罠と改善の進め方
• 
  製造業のナレッジマネジメント｜DX時代のツール選びと運用設計
• 
  IoTで見える化してもダメ！？製造業の真の問題解決とは？
• 
  製造業ではAIをこう使え！～AIを制する者はものづくりを制す～
• 
  製造業における需要予測AIからの生産管理のすすめ～生産計画を精度アップ！～
• 
  製造業の革新的技術！中小企業でもできる図面から自動で見積もりを出すAI
• 
  製造業を支えるAI予知保全～AI活用と導入の事例～
• 
  製造業の業務改善コンサルティング～技術情報共有化DXの事例～

The post 製造業のナレッジマネジメント｜DX時代のツール選びと運用設計 first appeared on 株式会社GEMBAコンサルティング.

はじめに

IoT（Internet of Things）という言葉が広まってからしばらく経ちますが、近年、製造業界ではIoTの導入が急速に進んでいます。IoTは、機器やセンサーがインターネットを通じて互いに通信し、データを収集・共有する技術です。この技術により、製造現場の状況をリアルタイムで把握することが可能になり、生産効率の向上や品質管理の改善が期待されています。

しかし、IoTを導入した企業の中には、期待した効果が得られず、うまく活用できていない例も少なくありません。データを収集するだけで、そのデータをどう活用すれば良いか分からない、あるいは具体的な問題解決に結びつけることができないといった理由が背景にあります。

また、IoTの導入を検討している企業の中には、その活用イメージが湧かず、導入に踏み切れないケースも見られます。センサーを含むシステムの導入には多額の投資が必要なため、成果が不確実であれば導入を躊躇してしまうのも無理はありません。

IoT導入を盲目的に進めることにはリスクが伴います。データを集めること自体が目的となってしまい、本来の目的である「現場の問題解決」に結びつかない場合、導入コストがムダになる可能性もあります。IoTの導入は、単なる流行に乗ることではなく、具体的な目的と計画を持って進める必要があるのです。

では、IoT導入の目的は何でしょうか？

それは、現場のデータを可視化することではなく、具体的な問題を迅速に発見して解決をしていくための手段の一つとすることです。IoTは、データをただ集めるためのものではなく、そのデータを現場の実状に基づいて効果的に活用することで、初めて真価を発揮します。

IoTの関連記事ではこちらもあわせてご一読ください。

データの可視化の重要性

IoTの導入の目的は、現場のデータを可視化することではないと述べましたが、データの可視化は、製造現場における問題解決の第一歩であることに違いはありません。データをただ収集するだけではなく、それを分かりやすく表示することで、現場の状況を直感的に理解しやすくなるということです。これにより、問題の発見や対策の立案がスムーズに進むのです。

たとえば、製造業において広く知られているQC七つ道具（パレート図、ヒストグラム、特性要因図、散布図、管理図、チェックシート、層別）は、データを可視化するための基本的なツールです。これらのツールが普及した背景には、データがあることを前提に「どうやって見せるか」が重要だと認識されていることがあります。

パレート図を使えば、問題の原因を視覚的に把握でき、対策を立てる優先順位が明確になりますし、ヒストグラムを用いることで、データの分布状況を一目で理解でき、工程のバラつきや品質のバラつきを簡単に確認することができます。これらのツールは、データを見える化することで、問題の本質をより深く理解しやすくしています。

IoTにおいても、収集したデータを基にして、あの手この手で現場の“問題”を見える化する必要があるのです。

製造現場には、膨大な量のデータが存在しています。機械の稼働データ、品質データ、作業進捗データなど、さまざまな情報が日々生成されています。これらのデータを活用し、現場の状況、ひいては“問題”を正確に把握することが求められますが、膨大なデータをただ眺めるだけでは、問題の全体像を掴むのは難しいものです。

可視化だけでは解決しない理由

IoTを導入したにも関わらず、その効果を十分に発揮できない企業や、導入に踏み切れない企業が多く存在しますが、その理由の一つは、前章で述べた“データをただ眺めるだけ”になってしまっていることが挙げられます。

IoTにより取得した一次データだけを見ても、具体的なアクションに結びつけられないのです。

一次データとは、センサーや機器から直接収集された生のデータです。たとえば、温度センサーの数値、機械の稼働時間、製品の出来上がり数や不良数などが挙げられます。しかし、これらの一次データをそのまま見ても、現場の具体的な“問題”を把握するのは難しいのです。

「IoTで工場まるごと見える化！」

「作業現場がデータで見える！」

IoTシステムの販売を進める事業者は、こんなキャッチコピーでPRをしています。

こうした売り込みを受けているお客様から聞かれる声は、

「データが見えて、、だから？？」

という疑問の声です。

IoTを活用してデータを収集することは重要ですが、そのデータをどのように活用し、どのようなアクションにつなげるのかがカギとなります。

ここで、基本中の基本である製造現場のカイゼンのPDCA（Plan-Do-Check-Act）サイクルを考えてみます。このPDCAサイクルを効果的に回すためには、まずPの段階で問題を定量的に表現することが必要です。つまり、現状のデータと理想的な状態とのギャップを明確にし、そのギャップを埋めるための具体的な数値目標を設定することが重要なのです。

たとえば、ある設備の稼働率が80%であるとします。この数字自体は、負荷時間に対する稼働時間を計算した二次データですが、理想的な稼働率が95%である場合、稼働率に15%のギャップがあることが分かります。このギャップとなる15%が問題であり、これを解消するための具体的なアクションを考える必要があることが分かります。

ここでは二次データを活用した問題の定義をしましたが、実際にはさらに加工した三次データが問題の理解に役立つことが多いのです。

しかしながら、設備の稼働状況の一次データのグラフだけを見ることができることを指して「IoT！」と言っている場面をよく見かけます。たしかにIoTには違いありませんが、それでは何の問題も解決することはできない、言い換えれば、カイゼンにつながるアクションを起こすことができないのです。

したがって、IoTで取得した一次データを加工し、それぞれの現場に適した形で“問題”を表現することが必要になるのです。

自社の現場に合った数値への変換

前章で述べたように、一次データをそのまま見ても、現場の問題を具体的に把握し、解決するのは難しいことが分かりました。問題を効果的に見える化するためには、一次データを自社の現場に適した形で加工し、定量的に表現することが重要だということもご理解いただけたものと思います。さて、ここで重要なのは、現場が具体的なアクションを取れる数値を導き出すことです。

製造現場には、さまざまなデータが存在します。稼働率、不良率、歩留まり率、生産速度、生産数量、消費電力量、製品一つ当たりのエネルギー量などがその代表例です。これらのデータは、現場の状況を把握し、問題を特定するための重要な指標となります。しかし、これらのデータをそのまま使うのではなく、自社の経営方針や品質方針に合った形で加工することが求められています。

自社の現場に適した数値に変換するためには、創意工夫が必要です。以下に、具体的な例を挙げながら説明します。

指標例①：稼働率

稼働率は、機械や設備が実際に稼働している時間の割合を示します。しかし、単に稼働率を表示するだけでは不十分です。たとえば、目標稼働率と現状の稼働率を比較し、そのギャップを明確にすることで、具体的な改善点が見えてきます。また、時間帯別の稼働率を分析することで、稼働率が低下する原因となる時間帯を特定し、対策を講じることができるかもしれません。そもそも、稼働率の“分母”と“分子”をどのように定義するのかも課題だったりします。誰かが勝手に計算した数字を使うのではなく、こうした自社に合った数字を見つけて計算する創意工夫が重要です。

稼働率の詳細については、以下のブログ記事をご参照ください。

設備稼働率の悩みはこれで解決【性能稼働率・時間稼働率・良品率の3つに分類】

指標例②：不良率

不良品の割合を示す不良率は、品質管理の重要な指標です。単に不良率を表示するだけでなく、不良品の発生原因や発生場所を特定することも重要と言えるでしょう。たとえば、製品ごとの不良率を分析し、特定の製品で不良品が多発している場合、その製品の製造プロセスを見直す必要があります。単純に不良率を表現するのではなく、自社の製造プロセスを適切に区分し、製造プロセスごとの不良発生状況などもデータとして正確に取得していくことも工夫のポイントです。もちろん、不良の現象別、発生原因別などの分類も必要になります。

品質管理と品質保証の役割分担については品質管理と品質保証の違いを図解で解説もあわせてご覧ください。

指標例③：歩留まり率

歩留まり率は、投入された原材料のうち、製品として使用できた割合を示します。この数値を高めるためには、製造プロセスの中でムダに使用されてしまった材料を削減することが求められます。たとえば、製品ごとの歩留まり率を分析し、歩留まり率が低い製品の製造プロセスを改善することで、全体の歩留まり率を向上させることができます。そのためには、どのように製造プロセスを定義するのか、手直しせずに良品になった「直行率」はどのくらいなのか、手直しによるロスはどのくらいなのかなど、総合的に判断できるようなデータの取集や見せ方が重要になるでしょう。

指標例④：生産速度と生産数量

生産速度と生産数量は、製造ラインの効率を示す重要な指標です。これらのデータを基に、目標生産速度や目標生産数量を設定し、現状とのギャップを明確にすることで、具体的な改善策を立案することが可能です。ここでも、そもそもの目標をどのように設定するのかがポイントになります。ただの願いごとのような数字ではダメですし、「昨年は●●だったから今年は〇〇！」という盲目的な数字にしてしまうと現場のモチベーションは下がります。その目標とのギャップはどのくらいなのか、どのような方法でギャップを埋めるのか、そのギャップを埋めるための別の指標は何なのか、など工夫のポイントはたくさんあります。

指標例⑤：消費電力量と製品一つ当たりのエネルギー量

エネルギー消費は、製造コストに直結する重要な要素です。消費電力量や製品一つ当たりのエネルギー量を分析することで、エネルギー効率の改善点を見つけることができます。たとえば、特定の設備が他の設備に比べて多くのエネルギーを消費している場合、その設備の使用方法やメンテナンス方法を見直すことが求められます。また、設備の自動運転中や停止中の電力を明確にし、停止中の電力削減のために電源オフなどの対策をすることもできるでしょう。昨今のGX（Green Transformation）でも、こうしたデジタル技術の活用による省エネルギー化が求められています。

さて、上記で挙げた指標はほんの一例ですが、自社の現場に適した数値を導き出すことは、現場が具体的なアクションを取るための第一歩です。これには、現場の作業者や管理者が理解しやすく、かつ具体的な改善策を立てやすい数値を考えることが重要です。こうしたKPI（重要業績評価指標）を設定し、その達成度を定期的に評価することで、現場全体のパフォーマンスを向上させることができます。

IoT導入によるカイゼンサイクルのスピードアップ

製造業において、迅速に問題を発見し解決する能力は、企業の競争力を左右する重要な要素です。PDCAサイクルにおける問題の早期発見の重要さは前述したとおりですが、同時に評価も素早く定量的に行えることが重要です。IoTの導入は、この問題発見と評価のプロセスを大幅に加速させる手段として非常に有効なのです。

PDCAサイクルは、計画（Plan）、実行（Do）、評価（Check）、改善（Act）という4つのステップを繰り返し行うことで、継続的な改善を図る手法ですが、このサイクルの中で、特に重要なのが「Check（評価）」のステップです。ここでの評価が迅速かつ正確に行われることで、次の「Act（改善）」ステップでの対策が適切に講じられます。

課題設定のプロセスにおいても、迅速な問題発見は非常に重要です。課題設定プロセスは、問題の特定と定義、情報収集と分析、問題の再定義、課題の形成と優先順位付けのステップから構成されますが、このプロセスにおいて、問題を早期に発見し、正確に定義することが、適切な課題設定のカギとなります。

IoTの導入の最大の目的は、現場のデータをリアルタイムで収集・分析し、迅速に問題を発見することと、実施したカイゼンを素早く定量的に評価することにあります。

従来の方法では、問題の発見に時間がかかり、対応が遅れることが多くありました。IoTを導入することで、この時間を大幅に短縮し、問題発見から対策実施までのプロセスを迅速に行うことが可能になります。

また、計画して実施した施策を適切に評価し、次のアクションを検討するプロセスにも、データ収集から分析までに多くの時間を要していました。この点についても、IoTを活用して素早くデータを収集して評価を実施することができれば、カイゼンサイクルのスピードを速めることができます。

これこそがIoT導入の最大の目的であることを理解し、自社のカイゼンプロセスや指標を正しく理解した上で、IoT導入をすることをお勧めします。

おわりに

いかがでしたでしょうか。

IoTというバズワードに惑わされず、地に足を付けたカイゼンを進めるための土台（指標の設定とカイゼンサイクル）をしっかりと構築し、その上で、どのようにIoTを活用できるのかをイメージしてから導入を進めていただきたいと思います。

そうしたIoT導入の検討プロセスの中で、自社にとってどのような指標を掲げるのかにお悩みの方、カイゼンサイクルの構築にお困りの方は、遠慮なくご連絡ください。最初のこうした土台作りが非常に重要ですので、パッケージ的にテンプレートを押し付けるのではなく、御社が土台を構築するプロセスと、カイゼンサイクルが自走できるまで伴走いたします。

また、IoTを導入したもののうまく活用できていない企業様においても、改めてどのような指標が良いのかを再検討することや、データ収集から指標の導き出し、そしてカイゼンサイクルの構築などを進めたい方は、遠慮なくご相談ください。

今のシステムを活かしながら、進める方法を一緒に考えていきます。

カイゼンサイクルのスピードを速めて、より楽しい働き方、やりがいのある仕事を実現しましょう！

＜関連記事はこちらから＞

良品率を管理して生産性と稼働率を向上させる

お客様の声のご紹介

お客様へのインタビュー動画をご紹介しています。お気軽にご相談いただけますと幸いです！

一緒に読んでいただきたい関連記事

• 稼働率とは？計算式・可動率との違い・OEE改善まで製造業向けに解説
• 
  製造業DXの落とし穴｜RPA導入が「ムダの自動化」になっていませんか？3つの罠と改善の進め方
• 
  製造業のナレッジマネジメント｜DX時代のツール選びと運用設計
• 
  IoTで見える化してもダメ！？製造業の真の問題解決とは？
• 
  製造業ではAIをこう使え！～AIを制する者はものづくりを制す～
• 
  製造業における需要予測AIからの生産管理のすすめ～生産計画を精度アップ！～
• 
  製造業の革新的技術！中小企業でもできる図面から自動で見積もりを出すAI
• 
  製造業を支えるAI予知保全～AI活用と導入の事例～
• 
  製造業の業務改善コンサルティング～技術情報共有化DXの事例～

The post IoTで見える化してもダメ！？製造業の真の問題解決とは？ first appeared on 株式会社GEMBAコンサルティング.

はじめに

2022年に大きく広まりを見せた生成AI。今はChatGPTやGeminiなどたくさんの生成AIツールが登場し、各社間でAIの性能競争が激化しています。

詳細な背景はAIの研究者に委ねますが、投入するデータ量を増やすことでAIの性能が向上することが明確になり、かけるコストに対する成果が明確に見積もれるようになったことがAIの研究開発を加速させました。

そんな生成AIですが、弊社でもさまざまな場面で活用しており、このツールを使わない手はないものと思っています。

一方で、まだ生成AIを使っていない方も多いのが現実です。

そして、生成AIを使っている人と使っていない人の格差が大きく広がってきていることも実感しており、研究者の予測でもこの格差は今後さらに拡大するとみられています。

製造業においても例外ではなく、この生成AIを活用している企業はどんどん生産性を向上させ、AIを使っていない企業は気が付いたら太刀打ちできないほどの差が付くと考えています。

この記事では、生成AIの活用事例の一つを紹介し、各企業において業務の効率化を進めていただく一助となる情報をお伝えします。

ぜひ試してみてください。

まずは業務プロセスを客観的に示す

生成AIを活用すると言っても、特に言語化しにくい製造業の現場の業務効率化において具体的にどのように活用するのかイメージできない方も多いでしょう。

弊社のコンサルティングアプローチの一つに、業務プロセスの理解から始める手法があります。

ここで紹介するのは、この業務プロセスの理解から始めるアプローチに生成AI（ChatGPT-4o）を活用した事例です。

まずは人の力で業務プロセスを描くことから始めました。

以下の図は、とあるパイ製品の製造工程の業務プロセスです。

※記事掲載のため簡略化しています。

このような作業のプロセス図を描き生成AIに読み込ませることで、メンバー間で今の業務を共通の言語で表現することを試みました。

ここでの注意点として、まずはこの業務プロセス図がそれなりに精度高く的を射ているものである必要があります。

この作業は創造的であり、今のAIではできません。あくまでもここは人が作業をする必要があります。

業務プロセス図をAIに読み込ませる

次に、上記の業務プロセス図を生成AIに読み込ませ、こう質問をしました。

「これはパイ菓子商品の製造工程を図式化したものです。どんなことが言えますか？」

その際の回答を示します。

“この図はパイ菓子の製造工程を図示しています。各工程とその詳細が示されています。以下のことが言えます：

１．生地の準備：

生地をセットし、伸ばして包餡機へセットします。

生地送りを確認し、生地カットも確認します。

２．包餡工程：

包餡機で生地に餡を詰めます。

4秒で2個、つまり1分間で約30個のペースで生産します。

３．切り込みと塗布：

生地に切り込みを入れ、溶き卵を塗ります。

パレットに移してラックに格納します。

４．オーブン：

オーブンで焼成します。オーブンの最大容量は18段で、1段あたり56個、合計1,008個を20分で焼きます。これは1分あたり約50.4個のペースです。

５．冷却と包装：

焼成後、製品を冷却し、包装します。

金属検査を行い、箱詰めをします。

最終的な包装速度は1分あたり50個です。

６．管理項目：

各工程での管理項目として、工程数、生産高（kg）、生産高（個数）、アウト数などが記載されています。

この工程図は、製品が最初の生地の準備から最終的な包装まで、効率的に進行する様子を示しています。また、各工程での生産速度や管理項目が明確に示されており、製造プロセスの管理と改善に役立つ情報を提供しています。”

引用元：ChatGPT-4o

いかがでしょうか。

かなり詳細に説明されており、現場の作業に慣れた従業員でもここまで整然と言語化することが難しいのではないでしょうか。

さて、この業務プロセスをただ言語化しただけでは意味がありませんし、AI活用はこれだけにとどまりません。

業務プロセスにおける改善点を質問する

上記の業務プロセスの説明の後に、このように質問しました。

「改善すべき工程として優先順位が高い工程はどこなのか分かりますか？」

その際のChatGPT-4oの回答が以下の通りです。

“この工程図から、改善の優先順位が高い工程を特定するためには、以下の点に注目することが重要です：

１．ボトルネックの特定：

ボトルネックは全体の生産速度を制限する工程です。この図で言えば、各工程の生産速度を比較して、最も時間がかかる部分がボトルネックとなります。

２．生産効率：

各工程の生産効率を評価し、特に生産速度が低い、または手間がかかる工程を見つけることが重要です。

３．品質管理：

不良品の発生や検査工程での問題がある部分も改善の優先順位が高いです。

これらのポイントを踏まえ、図に示された情報から改善の優先順位が高い可能性のある工程を分析します。

＜ボトルネックの可能性がある工程＞

１．包餡工程：

生産速度が4秒で2個、つまり1分間で約30個です。これは他の工程（特にオーブン工程の50.4個/分）と比べて遅いです。この工程が全体の生産速度を制限している可能性があります。

２．オーブン工程：

最大1,008個を20分で焼成し、1分あたり約50.4個のペースです。オーブンの容量や焼成時間が制約となっている可能性があります。

＜品質管理上の問題が発生しやすい工程＞

１．切り込みと塗布：

手作業が多く、品質のばらつきが発生する可能性があります。自動化や効率化の余地があるかもしれません。

２．金属検査：

この工程での検出率や精度が低い場合、後工程での不良品発生率が高くなる可能性があります。

＜改善の優先順位が高い工程＞

１．包餡工程：

ボトルネックとなりうるため、改善することで全体の生産速度が向上する可能性が高いです。自動化や生産速度の向上を検討する価値があります。

２．切り込みと塗布工程：

手作業部分を自動化することで、品質の安定化と効率化が図れます。

３．金属検査：

精度向上のための設備更新やプロセスの見直しが必要かもしれません。不良品の減少に直結します。

これらの工程を優先的に改善することで、全体の生産効率と製品品質の向上が期待できます。”

引用元：ChatGPT-4o

いかがでしょうか。

工程におけるボトルネックになり得る工程の指摘や、品質問題が発生しうる工程の特定、さらに改善の優先順位が高い工程について、非常に精度の高い回答を示してくれています。

この回答の全てが正しいわけではないかもしれませんが、業務効率化のヒントになることは間違いないことがお分かりいただけると思います。

生産管理の重要管理項目を聞く

さらにAIを活用してみます。

実際の業務（作業）プロセスをしっかり理解できたならば、継続的に管理をして改善を行うための管理指標が必要です。

その管理指標について、ChatGPT-4oにこう聞きました。

「生産管理をすべき重要な管理指標や管理項目は何でしょうか？」

その回答が以下の通りです。

“生産管理を効果的に行うためには、いくつかの重要な管理指標（KPI）や管理項目を設定し、継続的にモニタリングすることが必要です。以下に、パイ菓子製造プロセスにおける重要な管理指標と管理項目を示します：

＜重要な管理指標（KPI）＞

１．生産高（数量ベース）：

各工程での生産数量（個数）を測定します。工程ごとの生産高を把握することで、ボトルネックの特定や生産計画の見直しが可能です。

２．生産高（重量ベース）：

生産されたパイ菓子の総重量（kg）を測定します。材料の使用量や在庫管理に役立ちます。

３．生産効率：

各工程の生産速度（例：包餡機での30個/分、オーブンでの50.4個/分）を定期的にモニタリングします。効率の低い工程を特定し、改善策を講じるための基礎データとなります。

４．歩留まり率：

良品の割合（＝総生産数に対する良品数）を測定します。不良品の発生率を低減するための重要な指標です。

５．稼働率：

設備の稼働率を測定します。設備の稼働時間を総時間で割った値です。高い稼働率は効率的な生産を示します。

６．ダウンタイム（停止時間）：

各工程の計画外の停止時間を記録します。ダウンタイムの原因分析と対策を行うことで、生産効率を向上させます。

７．欠陥率：

生産された製品のうち、欠陥品の割合を測定します。品質管理の重要な指標です。

８．原材料使用効率：

使用した原材料に対する最終製品の割合を測定します。原材料の無駄を最小限に抑えるための指標です。

＜重要な管理項目＞

１．作業工程管理：

各工程の詳細な手順と進行状況を記録します。標準作業手順書（SOP）を整備し、従業員が一貫して同じ手順で作業できるようにします。

２．設備メンテナンス：

定期的な設備の点検とメンテナンス計画を実施します。予防保全を行うことで、ダウンタイムの減少を図ります。

３．在庫管理：

原材料、半製品、最終製品の在庫レベルを管理します。過剰在庫や不足在庫を防ぎ、効率的な生産を支援します。

４．品質検査：

各工程での品質検査を実施します。特に金属検査や最終製品の品質チェックを強化し、欠陥品の市場流出を防ぎます。

５．従業員教育：

従業員の技術訓練や安全教育を定期的に実施します。作業効率の向上と安全な作業環境の確保を目指します。

６．生産計画とスケジューリング：

生産計画を立て、各工程のスケジュールを管理します。需要予測に基づいて柔軟に対応できる計画を策定します。

＜結論＞

これらの管理指標と管理項目を設定し、定期的にモニタリングすることで、パイ菓子の製造プロセスの効率化と品質向上が図れます。また、ボトルネックの特定や改善ポイントの抽出が容易になり、全体的な生産性の向上に寄与します。”

引用元：ChatGPT-4o

いかがでしょうか。

こちらの回答も、かなり精度が高く具体的に表現できていると思います。

つまり、業務プロセスを客観的にみんなが理解できるように描けさえすれば、そこから生成AIがおおよその改善のヒントを導き出してくれるということになります。

生産管理を体系的に学んだことがなかったり、慣れていない人でも、このようにAIを活用することで、業務効率化の方向性を見出すことができ、生産管理上での重要管理項目も決めていくことができます。

製造工程の業務効率化における生成AI活用

ここまでをもう一度整理すると、まずは業務プロセスを描き、そこからはAIに読み込ませながら改善点や重要管理項目を質問することで、今後の改善すべき点や管理に関する視点を導き出すことができます。

筆者が最も驚いたのは、このプロセス図を読み取る精度です。

Excel上で図形を挿入しながら描いた図ですが、正確に読み取っています。

そしてさらに、改善点や管理指標についても、的確なだけでなく多面的に漏れなく回答している点にも驚かされました。

2024年5月時点での生成AIもここまで性能が進化しています。

「ウチの製造能率をもっと上げたいけどどうしたらいいだろう。。」

と悩んでいる間に、生成AIを活用している現場ではどんどん効率化が進んでいきます。

自動化や効率化のための設備や治工具などは、こうした生成AIを活用して課題が明確になった後に解決手段として探せば良いのです。

むしろ、漠然と解決手段である設備などを探しに展示会などをウロウロしても効率が悪すぎます。生成AIはこうした活用をするべきなのです。

ここで課題になるのが、最初の業務プロセスを描く作業です。

この業務プロセスを描くことは、実際に作業をしている当事者だけで実施をすると、思った以上に難しいことが分かります。

作業の区切りがどこなのか、どの程度の細かさで書けば良いのか、どんな情報を書けば良いのか、など、ある程度のセンスが必要です。

こうした業務プロセスの定義については、弊社のような製造業の製造現場や設計開発に精通している第三者のコンサルタントに依頼すると良いでしょう。

ここで躓いていても何も始まりませんので、ぜひとも遠慮なくご相談ください。

おわりに

皆さまの企業では生成AIを活用していますか？

ここでは、活用方法の一例を紹介しましたが、ぜひご参考にしていただければ幸いです。

たとえば、議事録やメール文の清書などに活用しているとも聞きますが、それだけではただ間接業務が少し楽になる程度で、生成AIの活用としてはもったいないです。

他にも、もっと有効な活用ができる可能性もありますので、ぜひ一緒に考えていき、生産性を向上させていきましょう！

お客様の声のご紹介

お客様へのインタビュー動画をご紹介しています。お気軽にご相談いただけますと幸いです！

一緒に読んでいただきたい関連記事

• 稼働率とは？計算式・可動率との違い・OEE改善まで製造業向けに解説
• 
  製造業DXの落とし穴｜RPA導入が「ムダの自動化」になっていませんか？3つの罠と改善の進め方
• 
  製造業のナレッジマネジメント｜DX時代のツール選びと運用設計
• 
  IoTで見える化してもダメ！？製造業の真の問題解決とは？
• 
  製造業ではAIをこう使え！～AIを制する者はものづくりを制す～
• 
  製造業における需要予測AIからの生産管理のすすめ～生産計画を精度アップ！～
• 
  製造業の革新的技術！中小企業でもできる図面から自動で見積もりを出すAI
• 
  製造業を支えるAI予知保全～AI活用と導入の事例～
• 
  製造業の業務改善コンサルティング～技術情報共有化DXの事例～

The post 製造業ではAIをこう使え！～AIを制する者はものづくりを制す～ first appeared on 株式会社GEMBAコンサルティング.

はじめに：AIと製造業の現状

製造業におけるAI技術の進展は、これまで人の手によって行われてきた多くの作業を自動化し、さらには意思決定のプロセスでもAIを活用しています。例えば、生産ラインの自動制御や検査など、AIは製造業の各プロセスで革新をもたらしています。これにより、生産効率の向上だけでなく、製品の品質が向上し、最終的には顧客満足度の向上にも繋がります。

AIが特に得意な領域は予測能力の強化です。市場の需要変動を正確に予測し、それに基づいて生産計画を調整することが可能になるため、過剰生産や在庫過多の問題を減少させることができます。これは、資金繰りの改善につながるため、製造業におけるAI技術の重要性は今後さらに高まることが予想されます。

製造業にAIを導入することのメリットの一つは、データ駆動型（データドリブン）の意思決定が可能になるため、感覚や経験に頼ることなく、具体的なデータに基づいた戦略を立てることができることです。これにより、市場の急変にも柔軟かつ迅速に対応することが可能になります。

また、AIによる需要予測の精度が向上することで、生産計画の最適化が可能になります。これは、必要な時に必要な量を生産することを可能にし、在庫コストの削減や納期の短縮に直結します。さらに、AIは設備の予知保全にも利用され、機械の故障予測や保守スケジュールの最適化を行うことができ、予期せぬダウンタイムの削減にも寄与します。

→こちらの記事を参照：製造業を支えるAI予知保全～AI活用と導入の事例～

これらのメリットを通じて、製造業はより競争力のあるビジネス運営が可能になり、変化する市場環境に対して一層の強さを発揮できるようになります。人手不足が叫ばれる昨今ですが、製造業におけるAI導入はこれからの時代の必要不可欠な戦略と言えるでしょう。

AI需要予測の基本とその進化

需要予測は、将来の市場の需要を予測するプロセスで、製品やサービスの供給計画、在庫管理、経営資源の配分に大きく影響します。従来、このプロセスは過去の販売データ、経済指標、季節性、市場トレンドなどに基づいて行われてきましたが、多くの場合、直感や経験に依存する部分も大きかったものと思います。

AI技術が登場したことで、需要予測は大きく変貌を遂げています。AIは大量のデータを迅速に分析し、パターンを学習する能力を持つため、人間の直感や経験を超える精度で需要を予測することが可能です。AIモデルは、リアルタイムデータを組み込むことで、市場の変動や予期せぬ外部要因に迅速に対応し、より正確な予測を提供することができます。

AIが需要予測に革命をもたらした主な要因は、その精度と処理速度の向上にあります。機械学習アルゴリズムは過去のデータから複雑なパターンを抽出し、それを基に未来のデータを予測します。これにより、企業は生産計画をより正確に立てることができ、過剰生産や在庫不足のリスクを大幅に減少させることが可能になります。

また、AIは大量のデータを短時間で処理できるため、企業は市場の変化に即座に反応し、迅速な意思決定を行うことができます。例えば、突発的な市場の需要変動が起きた場合でも、AIはリアルタイムでデータを分析し、生産ラインの調整をすぐに提案することが可能です。

具体的な導入事例と成果

株式会社ホリゾンの事例を紹介します。

この事例は、弊社の支援事例ではなく、経済産業省で公開されている事例です。

製本機器の製造を主力事業としている企業で、スマートファクトリー化を推進しています。当社はAI技術を用いて、在庫量の削減と欠品の最小化を実現する目的で、需要予測モデルを導入しました。具体的には、AIモデルを活用してアフターパーツの需要予測を行い、従来の予測方法（直近6ヶ月の平均値を使用）と比較して、需要予測の精度が大幅に向上しました。結果として、比較対象の部品のうち75％で予測精度が改善され、在庫コストの削減とサプライチェーンの効率化が図られました​​。

AI技術を導入することで、製造業は生産プロセス全体を通じて多くのメリットがあります。特に、生産管理と在庫管理の領域において、AIは以下のようなメリットがあるでしょう。

精度の高い需要予測

AIは過去のデータと現在の市場動向を組み合わせることで、より正確な需要予測を提供します。これにより、製造業は生産量を最適化し、過剰生産や不足を防ぐことが可能になります。人の予測と比較して思考プロセスが“ブレない”ことが最大の特徴です。

リアルタイムでの在庫調整

AIモデルはリアルタイムでデータを分析し、在庫が必要以上に積み上がることなく、また欠品が発生することなく、必要な在庫レベルを維持するように調整してくれます。これにより、企業は在庫保持コストを削減し、キャッシュフローを改善することができます。

効率的な生産スケジューリング

AIは生産計画の立案を支援し、機械の稼働時間と停止時間を最適化します。これにより、生産ラインの効率が向上し、エネルギーコストの削減や生産性の向上が図られます。生産計画のたたき台作成作業はベテラン従業員に属人化しがちですが、この作業をAIが行ってくれるのです。

このようにAIは、予測から実行まで、製造業の各プロセスにおいて大きく貢献してくれます。株式会社ホリゾンの事例は、AIがどのようにして製造プロセスを最適化し、企業の競争力を高めるかを明確に示してくれています。

導入のためのステップと成功のポイント

ここまで、AI導入のメリットを中心に紹介してきましたが、AIの研究開発や導入にはそれなりの注意点があります。ここでは、AI導入のステップと成功のポイントについて紹介します。

AI導入のステップ

AI技術の導入は、製造業における効率向上と競争力の強化を目指す重要なステップですが、以下に、弊社が考える成功に導くための具体的な導入手順を説明します。

STEP1：ニーズ評価と目標設定

まず、どの業務プロセスにAIを導入するか、そしてその目的は何かを明確にします。

企業の具体的な課題と期待される成果を理解し、それに基づいてAIの目標を設定します。

STEP2：データの整備

開発するAIモデルは基となるデータに依存しています。過去の生産データ、販売記録、在庫状況など、関連するデータを収集し、整理します。そして、データクレンジングと言われるデータ整形を行い、不正確または不完全なデータを修正します。

STEP3：AIモデルの選定とカスタマイズ

現場での活用に最適なAIモデルを選定します。可能であれば、市場にある既存のソリューションを利用するか、特定の要件に基づいてカスタマイズします。また、パイロットプロジェクトを通じてモデルの有効性を評価し、必要に応じて調整しますが、このSTEPまで来ると専門家の支援が必要と思われます。弊社では、このSTEPでは大学と連携して伴走支援いたしますのでご安心ください。

STEP4：システムの統合と展開

AIソリューションを既存のシステムに統合します。これには、ハードウェアとソフトウェアの両方のアップグレードが含まれる場合があります。従業員のトレーニングとサポートを提供し、システムのスムーズな導入と運用を支援します。このSTEPにおいても、弊社がITベンダーなどとの架け橋となり、調整を行います。

STEP5：監視と最適化

開発して実装したAIシステムを常にモニタリングし、そのパフォーマンスを評価します。

フィードバックと学習を基にシステムを継続的に最適化し、予期しない問題等があればそれに対処します。

成功に導くための重要な考慮事項

次に、AIの導入が成功するポイントを見てみましょう。

ポイント①：経営層のコミットメント

AI導入をする際にはトップダウンのアプローチが効果的です。製造業が得意とする現場のカイゼンはボトムアップの活動ですが、こうした新たな技術の導入に関しては経営層の強力なサポートとリーダーシップが不可欠です。

ポイント②：従業員の関与とトレーニング

従業員が新しいシステムを受け入れ、適切に使用できるようにするためには、事前の啓蒙活動も含めて包括的なトレーニングとコミュニケーションが必要です。変更管理のプロセスを通じて、従業員の不安を払拭し、抵抗感を和らげます。

ポイント③：データの質とアクセシビリティ

AIの効果は基となるデータの質に大きく依存します。高品質で常にアクセス可能なデータを確保することが成功の最重要ポイントです。

ポイント④：リスク管理とプライバシーの保護

データセキュリティとプライバシーの問題に対処するための厳格なポリシーを実施し、導入するAIソリューションが規制や業界基準に適合していることを確認します。

この需要予測AIに限らず、これらのステップと考慮事項に注意を払いながらAI技術を導入することで、製造業における生産性の向上とコスト削減を実現できます。

弊社が提供するAI研究開発および導入支援サービス

弊社では、製造業の現場で使用できるAIの研究開発および導入のコンサルティングサービスを提供しています。企画・計画段階のニーズ分析から、AIの研究開発、開発したAIシステムの実装、運用後のサポートに至るまで、お客様のAI導入全体をサポートすることを特徴としています。

また、一般的には最もコストがかかる研究開発の段階においては、専門家である大学と連携することで研究費を最小限に抑えることができることも弊社サービスの大きな特長です。企画・研究段階から運用サポートまでを伴走支援しますので、期間としては２～３年のプロジェクトとなります。

こちらの支援事例も合わせてご覧ください。

関連記事：中小企業でも余裕でできる！AI化研究開発の事例

弊社が需要予測と生産管理に分野のAIを導入するステップ

上述した一般的なAI導入のステップに従って、弊社が需要予測と生産管理の分野におけるAI技術の導入を支援する場合には、具体的に以下のようなアプローチを取ります。

STEP1：状況分析と戦略立案

お客様のビジネスモデルと市場環境を詳細に分析し、AI技術がもたらす可能性を明確化します。そして、競争優位を確保するためのAI化の範囲を含めた戦略的AI導入計画を策定します。

STEP2：オリジナルAIの設計

お客様が具体的にどのような情報を基に需要予測をしているのか、洗い出した判断材料の要素と、その結果である需要量（生産量）を照らし合わせて分析します。そして、どの要素がどの程度結果に影響するのか、特徴量の探索とモデルの設計及び開発を行います。この段階では、統計や機械学習の専門知識が必要となるため、大学研究室に分析作業を委託します。このSTEPはAIモデルの設計およびトライ&エラーの研究期間になるため、１～３年の期間を要することになります。

STEP3：実装と統合

開発されたAIソリューションを既存のITシステムとシームレスに統合します。実装プロセス全体を管理し、現行業務への影響を最小限に抑えながら効率的に進行します。既存のITシステムを管理している部署やベンダーともコミュニケーションを密に取る架け橋の役割を果たします。

STEP4：トレーニングとサポート

お客様の従業員に向けて、AIツールの使用方法とデータ解析スキルのトレーニングを実施し、AIシステムへの正確な情報のインプットと、アウトプットの正しい理解を促進します。

そして、運用開始後の持続的なサポートとAIモデルの最適化を継続的に実施します。

需要予測から生産管理までの具体的なサポート内容

さらに、弊社ではAIを用いた需要予測が経営にもたらすメリットの精査から始まり、生産管理の最適化に至るまで、製造プロセスの各段階において以下のような具体的なサポートを提供します。

サポート①：需要予測

リアルタイムデータ分析を利用した正確な需要予測モデルの構築で、これはまさに研究開発し導入するAIを指します。開発したAIは常に学習を続けるため、経営環境の変化に基づいて、予測モデルの継続的な調整と更新も行います。

サポート②：生産計画の最適化

AIによる予測データを基にした生産計画の自動化と最適化を支援します。むしろ、需要の予測は生産計画の精度アップに直結するため、需要予測は生産計画立案の一環と捉えると、最も効果を感じていただける業務と言えます。

サポート③：在庫管理の効率化

需要予測の精度が高まれば、生産数量や保有する在庫も最適化され、過剰在庫と欠品のリスクを削減するとともに、資材の過剰発注も防げ、キャッシュフローを改善します。結果として、コスト削減と供給効率の向上を図るための在庫管理戦略も実現が可能です。

これらのサービスを通じて、弊社は製造業のお客様がAI技術を最大限に活用し、ビジネスの効率化と競争力の強化を図るための全面的なサポートを提供しています。

まとめと次のステップ

いかがでしたでしょうか。

この記事を通じて、製造業におけるAI技術の重要性、特に需要予測と生産管理の領域でのその役割と効果について詳しく解説しましたが、AIの研究開発およびAIの導入は、生産効率とコスト管理を大幅に改善することをご理解いただけるとありがたいです。実際に、株式会社ホリゾンの事例をはじめ、製造業においてもAIの導入によって具体的なビジネス成果を上げている企業が出てきています。

弊社はAIの研究開発から導入後の支援までを全面的にサポートするコンサルティングサービスを提供しており、需要予測から生産計画、在庫管理に至るまで、企業が直面する様々な課題に対応しています。

自社のどの業務領域がAIによる改善の恩恵を最も受けられるか、AI技術と市場の最新動向はどうなっているのか、実際にAIの研究開発が可能なのか、研究開発や導入は本当に可能なのか、などの技術的なご心配がありましたらぜひ弊社にご相談ください。一般的なIT企業と違い、製造業の現場を理解する弊社だからこそ、本当の伴走支援が可能だと考えています。

また、AI技術の導入には従業員の理解と協力が不可欠ですが、従業員への適切なトレーニング方法やスムーズな導入などの組織的な課題においても、現場を知る弊社だからこそ現場に寄り添った支援が可能です。

ぜひとも一緒にAIの開発と導入を実現させましょう！

お客様の声のご紹介

お客様へのインタビュー動画をご紹介しています。お気軽にご相談いただけますと幸いです！

一緒に読んでいただきたい関連記事

• 製造業向けオーダーメイド企業研修｜課題整理から企画・実施まで伴走
• 現場改善のやる気が出ない理由｜“やらされ感”を減らす管理職の関わり方
• 改善提案が通らない理由｜上司に却下される案を“通る案”に変える5つの視点
• 労務費・加工賃の価格転嫁｜製造業の値上げ交渉で使う原価資料と伝え方
• 製造業の価格改定依頼書の書き方｜文例・添付資料・出し方を解説
• 稼働率とは？計算式・可動率との違い・OEE改善まで製造業向けに解説
• 栃木県【ものづくり革新技術導入伴走支援事業】キックオフセミナーに登壇します
• 
  製造業DXの落とし穴｜RPA導入が「ムダの自動化」になっていませんか？3つの罠と改善の進め方
• 
  改善提案のネタが出ない時の発想法｜現場で再現性ある3ステップ

The post 製造業における需要予測AIからの生産管理のすすめ～生産計画を精度アップ！～ first appeared on 株式会社GEMBAコンサルティング.

関連記事：製造業を支えるAI予知保全～AI活用と導入の事例～

はじめに：AI自動見積もり技術の必要性とその効果

近年、製造業界はますますの効率化と精度の向上が求められています。特に見積もり作業は、時間がかかり、経験豊富な専門家に依存することが多く、その結果、業務の属人化が進んでいる企業も多くあります。この問題を解決するために、AI技術を活用した自動見積もりシステムが注目され、研究がされてきています。この技術は、図面から直接、必要な材料費や加工コストを計算し、見積もりを自動生成することが可能になるものです。これにより、見積もりの時間短縮と精度の向上が期待されています。

この自動見積もりAIシステムは、製造業における大きな変革をもたらす可能性を秘めています。従来、人手に頼っていた見積もりプロセスを自動化することで、属人化を解消し、より迅速で正確な見積もりを提供することができます。さらに、このシステムを導入することで、見積もりにかかっていた時間を他の業務に充てることが可能となり、全体的な生産性の向上に寄与します。

期待できる効果を具体的に見てみましょう。

時間の短縮

自動見積もりAIシステムにより、見積もりにかかる時間が大幅に削減されます。たとえば、この記事内でも紹介しますが、ある企業では見積もりの回答時間が1時間から20分に短縮されました。これは66%の時間短縮に相当します。

属人化の解消

見積もりプロセスがAIによって自動化されることで、特定の個人に依存することなく、誰でも見積もりが行えるようになります。これにより、業務の透明性が増し、人材の柔軟な運用が可能となります。

精度の向上

AIは過去の大量のデータから学習するため、従来の経験や勘に頼る方法よりもバラつきが少なく、一貫性と精度が保たれた見積もりを提供することができます。

このように、AI自動見積もり技術は、製造業における見積もりプロセスの革新を促進し、企業の効率化と競争力強化に貢献する重要な技術です。次世代の製造業をリードするためにも、この技術の導入を検討する価値は非常に大きいと言えるでしょう。

自動見積もりAIのメカニズム

AIとはいっても、「なんだかよく分からないけど自動で考えてくれる」という魔法のようなものではありません。ここでは、自動で見積もりを行うAIのメカニズムについて、図面データの読み取り方法とAIモデルの見積もりへの応用について紹介し、その効果についても考えてみます。

図面データの読み取り方法

自動見積もりAIシステムは、改めて言うまでもなく製造業において図面を基にした見積もりを自動化する技術です。このシステムは、まずCADなどの図面ファイルから必要なデータを読み取ることから始まります。読み取りには、画像認識技術や機械学習アルゴリズムが用いられ、図面に描かれた寸法、材質、加工必要部分などの情報を自動的に識別します。

このプロセスには、最先端のOCR（Optical Character Recognition）技術が活用されており、図面上の文字や数字だけでなく、形状や線の種類までをも精密に読み取ることが可能です。これにより、従来人の手によって行われていた時間のかかるデータ入力作業を短時間で、かつミスなく完了させることができます。

3DCADデータだけでなく、2DCADデータも読み取り可能ですし、ルールに則って書かれたものであれば紙図面でも対応が可能です。

AIモデルの見積もりへの応用

読み取ったデータは次に、AIモデルによって解析され、見積もり計算へと進みます。AIモデルは、過去の見積もりデータとその結果から学習しており、新しい図面データに基づいて材料費、加工費、必要時間などのコストを瞬時に算出します。この学習プロセスには、ディープラーニングや統計的予測モデルが用いられ、常にデータベースを更新することで精度は向上していきます。

AIモデルはただ単にコストを計算するだけではなく、リスク評価や効率的な生産プロセスの提案も行うこともできます。たとえば、材料の種類によるコスト変動や、特定の加工方法による時間短縮など、製造過程の最適化提案も可能です。このようにAIは、見積もりを単なる数字の提示から、戦略的な意思決定支援ツールへと進化させています。

ただし、そうした情報も合わせてデータベース化してAIモデルに学習させていく必要があることには留意が必要です。

時間短縮と精度向上の実現

自動見積もりAIシステムの導入により、最も顕著な効果は時間の短縮です。AIによる自動化によって、見積もりにかかる時間を従来の1/3以下に削減することが可能です。これにより、営業やエンジニアリングの担当者はより多くの時間を他の重要な作業に充てることができ、全体の生産性が向上します。

また、AIモデルの持つ一貫性と精度によって、見積もりの品質も向上します。従来、人に依存していた見積もりは経験や個人の判断によるバラつきがありましたが、AIを用いることで常に一定の基準に基づいた見積もりを提供することが可能になり、誤算による損失リスクを大幅に軽減します。

このように、自動見積もりAI技術は、製造業におけるコスト計算、リスク管理、生産効率の向上に革命をもたらす可能性を秘めています。これからの製造業では、この技術をいかに活用していくかが、競争力を左右する重要な要素となるでしょう。

効果に関する注意点としては、「全自動にはならない」「100%の工数削減にはならない」ことです。完璧を目指すとそれだけシステムも複雑になりますし、例外も含めた完璧はあり得ません。100%でないことを容認しながら進める必要があります。

導入事例の紹介：株式会社プラポートによるAI自動見積もりシステムの効果

株式会社プラポートの事例概要

※この事例は弊社の支援事例ではなく経済産業省が公表している事例です。

株式会社プラポートは、プラスチック精密加工を行う企業で、見積もりプロセスの効率化を目的として自動見積もりAIシステムを導入しました。従来の見積もりプロセスでは、経験豊富な営業担当者が主に担当しており、見積もり作業がその営業担当者たちに依存していました。これが業務の属人化を生じさせ、効率的な業務展開に大きな障壁となっていました。

自動見積もりAIによる成果

株式会社プラポートで開発した、AIを用いて図面から加工難易度を推定するモデルにより、以下のような成果が得られました。

見積回答時間の短縮

従来の見積もり時間は約1時間かかっていたものが、AI導入後は20分程度に短縮。これは回答時間を約66%削減したことに相当します。

見積作業の属人化解消

AIシステムの導入により、営業担当者だけでなく、他のスタッフも容易に見積もりが可能になりました。これにより、業務の柔軟性が向上し、担当者が不在の際も業務が滞ることなく進行できるようになりました。

売上の拡大と離職率の低下

見積もりの迅速化が受注機会の増加に直結し、結果的に売上の拡大に寄与しました。また、煩雑な見積もり作業からの解放が従業員の満足度を高め、離職率の低下にもつながりました。

具体的な改善点

成果の裏では、導入にあたって以下の改善点に対するチャレンジをしました。

プロセスの標準化と透明性の向上

AIモデルにより、見積もりロジックが明確に定義され、プロセスの透明性が向上。これにより、見積もりの一貫性が保たれ、誤算による損失が減少しました。

データ駆動型の意思決定の促進

AIによるデータ解析が経営判断の質を向上させ、より戦略的なアプローチが可能になりました。

この事例から明らかなように、AI自動見積もりシステムの導入は、製造業における見積もりプロセスを根本から変え、業務効率の大幅な向上を実現する道を開きます。株式会社プラポートの成功事例は、同様の課題を抱える多くの製造業にとって、その可能性と導入へのきっかけを提供してくれます。

自動見積もりAIシステムの導入プロセスと成功のポイント

それでは、実際にどのようにAI導入を進めたのか、そのプロセスを紹介し、成功のポイントを振り返ります。

導入のプロセス：検討から実装、運用までのステップ

AI自動見積もりシステムの導入は、一般的には段階的なアプローチで進めることが推奨されていて、弊社が支援する場合においても基本に忠実に以下の5段階のステップで導入支援を行っています。

STEP1：ニーズと目的の特定

AI導入の目的を明確にし、どの業務プロセスに影響を与えるかを特定します。例えば、見積もりの精度向上、プロセスの加速、属人化の解消など、具体的な目標を設定します。

STEP2：技術的要件と選定

必要な技術とツールを選定します。これには、図面データを解析できるOCR技術や、適切な機械学習モデルの選定が含まれます。

STEP3：プロトタイプの開発と検証（PoC：Proof of Concept）

小規模でプロトタイプを開発し、実際のデータを用いてテストを行います。これにより、理論上の計画が実際の環境で機能するかを検証し、必要な調整を行います。

STEP4：フルスケールでの実装

プロトタイプの検証結果を基に、全業務にわたる実装を進めます。この段階では、システムの統合、ユーザートレーニング、フィードバックの収集が含まれます。

STEP5：継続的な評価と改善

AIシステムは定期的なメンテナンスとアップデートが必要です。実運用を通じて得られるデータとフィードバックを用いて、システムを継続的に最適化します。

STEP2～STEP4は特に費用を必要としますが、弊社では大学と連携することにより、安価に研究開発を進めることが可能です。

導入のための心構えと推進体制の重要性

導入のステップとともに、心構えや組織体制も成否を握る重要なポイントになりますが、具体的にどのように進めるのが良いのかを紹介します。

ポイント①：経営層のコミットメント

AI導入の成功は、経営層の強力な支持とリーダーシップに大きく依存します。目的とビジョンを明確にし、組織全体にその重要性を伝え、プロジェクトへの理解と支援を得ることが不可欠です。

ポイント②：クロスファンクショナルチームの形成

IT専門家、プロセスオーナー、フィールドスタッフなど、異なる部門のメンバーで構成されるチームを形成し、多角的な視点からの入力を確保します。これにより、実装の際の障壁を低減し、よりスムーズな導入が可能となります。

ポイント③：変化への適応と従業員の教育

従業員にAI技術の理解を深めてもらうための研修を実施します。また、変化に対する抵抗を管理し、新しいツールへの適応をサポートすることが重要です。

ポイント④：リスク管理と期待値の設定

すべての新技術と同様に、AI導入にはリスクが伴います。投資回収期間の評価、予期せぬ障害への対処計画を事前に準備することが必要です。

これらのステップと心構えを踏まえ、AI自動見積もりシステムの導入を進めることで、製造業における業務の効率化と精度向上を実現し、競争力を高めることが可能になります。

まとめと提案：AI自動見積もり技術による製造業の革新

いかがでしたでしょうか。

自動見積もりのAI技術は、コスト削減と効率化、意思決定の高速化と精度向上、透明性と追跡可能性の向上など、製造業において単なる効率化を超えた変革をもたらす可能性を秘めています。

導入に向けたアクションプランとして、自社のニーズに最も適合するパートナー選定、従業員へのAI導入に対する理解がまずは重要になりますが、弊社では研究開発や導入後の運用支援だけでなく、計画段階からこうした計画段階からの伴走支援を行っています。

弊社は、一般的なAI研究やITの専門事業者とは異なり、ものづくりの現場の業務を理解できることが大きな特長で、専門家である大学研究室とのコネクタの役割を果たし、AI研究と実装の支援を安価で提供することができます。

新たな技術開発に取り組み、一緒に企業の未来に向かって進みましょう！

一緒に読んでいただきたい関連記事

• 製造業向けオーダーメイド企業研修｜課題整理から企画・実施まで伴走
• 現場改善のやる気が出ない理由｜“やらされ感”を減らす管理職の関わり方
• 改善提案が通らない理由｜上司に却下される案を“通る案”に変える5つの視点
• 労務費・加工賃の価格転嫁｜製造業の値上げ交渉で使う原価資料と伝え方
• 製造業の価格改定依頼書の書き方｜文例・添付資料・出し方を解説
• 稼働率とは？計算式・可動率との違い・OEE改善まで製造業向けに解説
• 栃木県【ものづくり革新技術導入伴走支援事業】キックオフセミナーに登壇します
• 
  製造業DXの落とし穴｜RPA導入が「ムダの自動化」になっていませんか？3つの罠と改善の進め方
• 
  改善提案のネタが出ない時の発想法｜現場で再現性ある3ステップ

The post 製造業の革新的技術！中小企業でもできる図面から自動で見積もりを出すAI first appeared on 株式会社GEMBAコンサルティング.

関連記事：製造業の革新的技術！中小企業でもできる図面から自動で見積もりを出すAI

はじめに～製造業の予知保全の重要性とAI技術～

製造業において、機械の故障は生産活動に重大な影響を及ぼすことは明白な事実です。突発的な故障によるダウンタイムは、製造ラインの停止を意味し、これが直接的な生産損失につながってしまいます。生産性向上に向けた製造業が直面する最大の課題の一つに、効率的な生産活動を維持しつつ、ダウンタイムを最小限に抑えることがあります。この課題に対処するために、AIによる予知保全技術が注目されています。

AIによる予知保全は、機械のデータをリアルタイムで分析し、故障が発生する前に予兆を検知する技術です。この技術を利用することで、予期せぬダウンタイムを防ぎ、計画的なメンテナンススケジュールを立てることが可能となります。結果として、製造ラインの効率が大幅に向上し、維持管理コストの削減にも寄与します。

予知保全AIの技術は、機械学習と大規模データ分析技術を駆使して、機械や設備から発生するデータ（振動、温度、音などのセンサーデータ）を分析し、故障を事前に予測します。具体的には、過去の故障データと機械の運用データを学習材料として利用し、AIがパターンを学習することで、異常の兆候を捉え、未来の故障時期や部位を予測します。

この技術の導入により、従来の経験則や定期的なチェックでは見逃されがちな問題点を事前に検知できるようになります。また、このAIは常にデータから学び続けるため、予測精度は時間とともに向上していきます。この持続的な学習能力が、製造業でのAI予知保全の効果をさらに高める要因となっています。

製造業での競争が激化し、労働人口の減少や設備の異常を見分けられる技術者の減少もある中、予知保全AIはただのオプションではなく、必要不可欠な技術へと変わりつつあります。

これまでにも、展示会などでは研究は進められているように見ることもできますが、AIが活用できる場面はまだまだ限定的であり、莫大な研究費用も必要でした。

しかしながら、弊社では、大学との連携によって研究費用を可能な限り抑えつつ、必要最小限のクリティカルなAI機能開発を提案することによって企業様特有の状況に合わせた支援をすることができます。

ぜひともお声がけください。

予知保全AIのメリット

一般的には、AIは「疲れない」「判断がぶれない」「演算が早い」などのメリットがありますが、予知保全におけるメリットについてもう一段階深く見ていきます。

ダウンタイムの削減と効率化

予知保全AI技術を導入することで最も顕著なメリットの一つが、ダウンタイムの削減です。AIは機械から発するデータをリアルタイムで分析し、故障する前に警告を発します。これにより、計画外の停止が減少し、製造ラインの稼働率と生産性が向上します。計画的なメンテナンススケジュールを立てることができ、突然の機械故障による生産の中断を避けることが可能です。この結果、生産効率が大幅に改善されるだけでなく、生産計画の精度も向上します。

故障リスクの低減と修理コストの削減

AIを搭載した予知保全システムは、故障リスクを大幅に低減します。故障が予測される前にメンテナンスを行うことで、機械の小さな問題が大きな故障へと発展するのを防ぎます。これにより、高価な部品の交換や大規模な修理が必要になる場合の数を減らすことができ、長期的には修理コストの削減につながります。また、保守作業が計画的に行えるため、緊急対応に必要な過剰な人的資源や時間を削減でき、全体の運用コストも低減します。

事例紹介: 株式会社みつわポンプ製作所様の成功事例

こちらの事例は、経済産業省が公表するガイドラインにも掲載されている事例です。

株式会社みつわポンプ製作所は、AI予知保全技術を導入し、ポンプの故障予知に成功しました。同社は、特定のポンプモデルにおいて、故障発生の兆候を9割の正確性で予測することが可能となりました。この技術を用いて、故障の兆候が見られた場合には、事前にメンテナンスを行うことで、ポンプの突然の停止を未然に防ぎます。その結果、顧客への信頼性が向上し、製品の品質保持にも寄与しました。さらに、この予知保全の取り組みにより、顧客との接点を増やし、新たなビジネスモデルへと発展させることができました。この成功事例は、予知保全AI技術が具体的にどのように企業の運用効率を改善し、コストを削減するかを示しています。

AI予知保全技術は、製造業における機械メンテナンスの新たな基準を設け、企業が直面する多くの課題を解決します。故障の予防からコスト削減、効率の向上に至るまで、そのメリットは計り知れません。株式会社みつわポンプ製作所のように、この技術を活用することで、製造プロセスの最適化と持続可能な運用が可能になるのです。

AIの導入プロセスとステップ

それでは、実際に予知保全AIを導入する際のステップを紹介します。

1. 準備段階：目標と要件の定義

まずは、目標の設定として予知保全AIを導入する主な目的を明確に定義します。これには、故障予防、メンテナンスコストの削減、生産効率の向上などが含まれるかもしれません。

そして、どの機械が予知保全AIの対象かを決定し、必要なセンサー装置やデータ収集などの要件を明確にします。

2. データ収集と分析

目標と要件が決まったら、機械に必要なセンサーを設置して、振動、温度、音などのデータを収集します。収集したデータを分析用に整理し、異常があった場合のデータと正常時のデータを区分します。

3. モデルの構築と検証

データが整ってきたらいよいよAIモデルの開発になりますが、収集したデータを使用して、機械学習モデルを構築します。このモデルは機械の状態を予測し、将来の故障を警告するものです。そして、開発したモデルの精度を検証し、必要に応じてパラメータの追加調整を行います。このステージは、モデルが現場の実際の条件に適していることを確認するために重要で、トライ&エラーを繰り返す段階になるでしょう。

4. 実装と運用

AIモデルが確立できてきたら、実際に使用するためにAIモデルを既存の製造システムと統合し、リアルタイムでの監視と警告システム機能を実装します。そして、予知保全AIシステムを稼働させ、その効果を監視します。

5. 継続的な改善とメンテナンス

運用しているAIシステムの性能を定期的に評価し、予測精度を保つために必要な調整を行います。運用から得られるフィードバックを利用して、システムの改善を継続する段階です。これには、新たなデータを使用してモデルを再訓練することも含まれます。

このプロセスを通じて、製造業はAI技術を活用して、不測のダウンタイムを減少させ、全体的な運用効率を向上させることができます。各ステップでの具体的なアクションポイントは、事業の具体的なニーズと技術的な要件に基づいて調整します。

弊社では、全てのステップを伴走するとともに、AIモデルの開発等は大学と連携して実行し、成果を常に共有しながら進める手法を取っていますので、自社でAIモデルの開発や機械学習などの専門的知識を習得する必要はありません。

また、一般企業ではAIモデルの開発に数百万円～数千万円の費用がかかることがありますが、弊社では大学に研究を委託しますので、10分の1程度の費用に抑えることが可能です。

製造業のAI導入における留意点

製造業に従事する方は、もちろんAIの専門家ではないことがほとんどですし、必ずしもAIに詳しくはないと思います。AIを導入する際に注意するべきことについて、チャレンジの観点と導入後の観点でそれぞれ考えてみます。

AI予知保全導入に伴うチャレンジとその克服方法

AIの開発や導入に関するチャレンジ要素と、その克服方法についての考え方を紹介します。

1. 技術的な障壁

技術的なチャレンジ要素としては、予知保全AIを導入する際には、適切なデータ収集、分析、モデル構築のための技術的知識が必要です。データの品質が低かったり、不適切なモデルが選択されたりすると、予測の精度が低下することが挙げられます。

その克服方法として、専門のデータサイエンティストやエンジニアを雇用するか、外部の専門企業と提携して、データ収集からモデルの訓練までを適切に管理し、定期的な技術研修を行い、内部スタッフのスキルアップを図ることが一般的です。

弊社が支援する場合には専門知識を持つ大学と連携しての伴走支援を行いますので、この課題をクリアすることができます。

2. 組織的な抵抗

組織的にもチャレンジの要素があります。新技術の導入はしばしば従業員からの抵抗に遭います。特に、AI技術は「仕事を奪う」と見なされがちで、受け入れがたい場合があったりします。

そんな状況を克服するためには、教育と透明性を重視し、AI技術がどのように業務を支援し、従業員の作業負担を軽減するかを明確に伝えます。従業員が新システムの利点を理解し、技術に対する恐れを減少させるために、実際の使い方や成功事例を共有します。事前に入念にしてく必要があるでしょう。

3. 初期投資の大きさ

費用面でのチャレンジ要素です。予知保全AIシステムの導入には、センサーの設置、データ収集・分析インフラの構築、専門スタッフの雇用など、大きな初期投資が必要です。

弊社が支援する場合においては、大学との連携によって、分析インフラの構築や専門スタッフの雇用の面で大幅なコストダウンが可能です。そして、AI開発および導入の長期的な経済的利益を示し、必要に応じて段階的な導入を検討したり、最初に小規模なパイロットプロジェクトから始めることでリスクを最小限に抑えるなどの、計画立案から伴走支援をしています。

定期的なモニタリングと精度の維持

それでは、AI導入後の注意点についても見ていきます。

1. AIモデルの継続的な評価

AIモデルを定期的に評価し、実際の運用データを用いて異常予知の検出精度を検証する必要があります。モデルのパフォーマンスが低下した場合は、再訓練またはチューニングなどを行います。

2. 取得するデータの品質管理

予測の精度はデータの品質に直接的に大きく影響されます。データ収集のプロセスを定期的に見直し、センサーの故障や異常がないかを確認し、データクレンジング（データ整形）の手順を厳格に遵守します。

3. 技術の進展に対応

AIと機械学習の分野は急速に進化しています。最新の研究や技術を継続的に監視し、可能な場合はシステムのアップグレードや新技術の統合を行う必要も出てくるでしょう。

これらの留意点に注意を払いながら、予知保全AI技術を導入することで、製造業はより効率的かつ経済的な運営を実現できるようになります。

まとめ～製造業がAIを導入し活用するために～

予知保全AI技術の導入は、製造業において必要不可欠なものになることは上述の通りですが、従来の職人のカンコツによる予防保守や反応保守の方法では見過ごされがちな問題点を、データを基にしたアプローチで解決し、故障のリスクを劇的に減少させることが可能になります。AIは大量のデータから継続的に学習し、故障の予兆を早期に検出することで、予期せぬダウンタイムを防ぎ、製造プロセスの安定性と効率性を向上させます。

AI技術は日進月歩で進化しており、予知保全だけでなく、製造プロセス全体の最適化に貢献する可能性を秘めています。将来的には、AIを活用した自動化、資源の最適配分、エネルギー効率の改善など、さらに多岐にわたる応用が期待されます。企業はこの技術進化を積極的に取り入れ、革新的な製造プロセスを追求することが求められます。

技術の進化に対応するためには、継続的な投資が必要になるでしょう。新たなセンサー技術、データ分析ツール、学習アルゴリズムの開発に対する投資を行い、常に最新の技術を導入することが重要です。また、従業員への教育も同様に重要で、AI技術の理解と適切な運用スキルを身につけるための研修を定期的に実施することが推奨されます。

弊社が支援する場合においては、計画時から導入後の運用やアップデートまでを含めた継続的な伴走支援を行い、なおかつ大学との連携によって投資も最小限に抑えることが可能です。中小企業者小規模事業者での支援事例もあります。

予知保全AIは、製造業にとってただのツールではなく、未来を形作る重要な要素ですので、ぜひ弊社と一緒にチャレンジしましょう！

お客様の声のご紹介

お客様へのインタビュー動画をご紹介しています。お気軽にご相談いただけますと幸いです！

一緒に読んでいただきたい関連記事

• 製造業向けオーダーメイド企業研修｜課題整理から企画・実施まで伴走
• 現場改善のやる気が出ない理由｜“やらされ感”を減らす管理職の関わり方
• 改善提案が通らない理由｜上司に却下される案を“通る案”に変える5つの視点
• 労務費・加工賃の価格転嫁｜製造業の値上げ交渉で使う原価資料と伝え方
• 製造業の価格改定依頼書の書き方｜文例・添付資料・出し方を解説
• 稼働率とは？計算式・可動率との違い・OEE改善まで製造業向けに解説
• 栃木県【ものづくり革新技術導入伴走支援事業】キックオフセミナーに登壇します
• 
  製造業DXの落とし穴｜RPA導入が「ムダの自動化」になっていませんか？3つの罠と改善の進め方
• 
  改善提案のネタが出ない時の発想法｜現場で再現性ある3ステップ

The post 製造業を支えるAI予知保全～AI活用と導入の事例～ first appeared on 株式会社GEMBAコンサルティング.

中小企業の社長は忙しく、業務の重要プロセスを担っていることも多いです。

結果として、社長が業務全体のボトルネックになっていることも…！？

今回は、社長がどのように忙しかったのか、そして、その忙しさをどのように解決してDXしたのか、当社のコンサルティング事例を紹介していきます。

GEMBAコンサルティングのコンサルティング事例一覧はこちらからご確認ください！

よくある！？中小企業の社長の悩み

お客様からの電話や従業員からの声かけに対応しながら、本当にやりたいことに集中することが難しい、という悩みは多くの中小企業の社長にとって共通のものでしょう。

今回は、プレス機などの製造設備を囲う防音設備をオーダーメイドで製造するA社の社長が同様の問題に直面していた経験を紹介します。

社長はお客様からの問い合わせの電話が頻繁にかかっており、その内容はほとんどが得意先（X社）からのもので、古い技術に関する質問や図面に関する要望がほとんどでした。

中小企業において、社長は通常、その会社で最も詳しい人物と見なされます。

過去のプロジェクトに関する歴史を含め、昔の案件から最近の案件まで、特に複雑な問題については社長に問い合わせることが多いのです。

A社の社長は、主にオーダーメイドで製品を製造しており、見積もり作業も社長自身が行っていました。

オーダーメイド製品の見積もりには、設計要素が大きく関わるため、高度な技術力が必要で、そのため、見積もり作業はA社では社長以外に担当者がおらず、社長に依存していました。

中小企業が生き残るためには、顧客のニーズに合わせて製品をカスタマイズすることが重要です。

これは非効率に見えるかもしれませんが、実際には中小企業の強みであり、顧客から選ばれる理由にもなっています。

しかし、このアプローチは業務の属人化を招きやすいというデメリットもあります。

具体的には、A社の場合、社長の設計業務がボトルネックとなっていました。

社長は本来、設計業務に時間を割くか、他の得意先とのやり取りなどの営業活動に専念したいと考えていましたが、問い合わせの電話が多く寄せられており、業務に集中することが難しかったのです。

実際に主要顧客X社からかかってくる電話の内容は、

「過去の製品に関する情報を提供してほしい

「図面の有無を確認し、過去の見積もりを参考にしたい」

というものでした。

このような問い合わせが一日に多い場合、社長は平均して10件の対応を行っていました。そのたびに社長は図面を検索し、事務員に協力を仰いで共有フォルダからデータを取り出し、それをX社に送付する作業を行っていました。

X社にとっては、これらの情報がなければ設計が進められません。

そのため、社長に電話して直接問い合わせて資料を取得することが最も効率的な方法でした。

しかし、社長が常にオフィスにいるわけではなく、電話に出られないこともありました。

結果的に、X社内での製図の進捗が滞ることで、A社が受注した製品の設計が進まず、業務プロセス全体の生産性が低下する原因となっていました。

社長業務の問題と課題の整理

さて、ここでA社の問題を整理してみましょう。

最も重要な問題は、業務プロセス全体の生産性が低下していることです。

企業は多くの案件を処理し、利益を上げる使命を果たす必要がありますが、現状ではそれが実現できていません。

そのため、この問題の解決策は業務プロセス全体の生産性向上につながっていなければなりません。

この問題を詳細に分析すると、全体のプロセスにおいてボトルネックとなっていたのは社長の作業でした。

すなわち、社長自身の業務改善によって社長の作業量を減らすことが課題と言えます。

この課題の解決方法はいくつか考えられますが、今回は問い合わせの電話の対応を削減することに焦点を当てました。

問い合わせの電話を減らすためには、例えば問い合わせを社長ではなく事務員に直接行わせる方法が考えられます。

しかし、図番や製作年などの詳細な情報が必要な場合、社長でないと対応できないという課題が生じるため、このアプローチは難しいと言えます。

また、お客様にとって、社長が対応してくれることから得られる安心感も考慮すると、事務員に問い合わせを委託する方法はすぐに実行可能なものではありません。

したがって、どのような仕組みを考案したかについては、次の章で詳しく紹介します。

課題を解決する製造業DXコンサルティング

結論から申し上げると、技術情報をクラウドストレージにアップロードし、X社の設計担当者がそれをダウンロードできる仕組みを新たに構築しました。

デジタル技術を活用して業務を変革したという点では、DXと呼んでも差し支えないでしょう。

このシステムは非常にシンプルでどこにでもありそうなものに聞こえるかもしれませんが、実際には以下のような検討を経て、このシステム開発をすることがベストであるとの結論に至りました。

X社の設計担当者が必要とする情報は、実際の加工に関する情報です。

これを知るためには製作年や図番を確認し、その加工情報にたどり着く必要があります。

A社の社長は、過去に製作された製品に関するメモや図面などをすべてPDFファイルとして管理しており、図番がわかれば多くの場合、必要な情報にアクセスできる状態に整理されていました。

最初に検討したのは、共有のクラウドストレージを活用することでした。

技術情報をクラウドストレージにアップロードし、X社の設計担当者にアクセス権を付与すれば、技術情報を社長に問い合わせることなく確認できるようになります。

これにより、設計者にとっては加工情報にストレスなくアクセスでき、同時にA社社長にも負担が軽減されるという両立が実現できます。

しかし、このアプローチには大きな欠点があります。

すべての情報を共有クラウドストレージにアップロードすることは、技術情報をX社に提供してしまうことを意味します。

防音設備の外形や仕様などの設計情報はX社が持っていましたが、それを具体的にどのように加工し製作するかはA社のノウハウであり、X社に公開することはできません。

極端な例では、X社はA社からの加工情報を持って別の会社に相見積もりを依頼できてしまう可能性があり、A社の強みが開示されることになり、X社との取引が難しくなります。

技術情報の提供を制御するためには、この問題を解決する必要がありました。

そこで考案したのが、検索された情報1件のみがダウンロードできる仕組みでした。

1つの情報しかアクセスできない制約を設ければ、技術情報が盗まれる心配が少なくなります。

また、ダウンロードされた情報がA社にも届くようにすることで、何の情報がいつ何回ダウンロードされたかを把握でき、技術情報のダウンロードを抑止する要因にもなります。

当時の市場には、これらの要件を全て満たすクラウドストレージサービスは存在しなかったかもしれません。

可能性としては、さまざまなオプションを活用することで対応できるかもしれませんが、その場合、費用がかさんでしまうことが予想され、A社のような小規模事業者には難しい選択肢となるでしょう。

したがって、当社は現実を受け入れ、シンプルなシステム開発が最善の選択肢であると考えました。

DXの結果得られたもの～業務改善コンサルティングの成果～

さて、上記のシステム開発によってもたらされた成果を再度整理してみましょう。

まず、最も重要な成果として注目すべきは、A社社長への問い合わせ電話が大幅に減少したことです。

X社の設計担当者は図面にアクセスすることで、問い合わせの必要がなくなりました。

これは、設計情報へのアクセスが円滑になったことを示す重要な証拠です。

もう一つの大きな成果は、設計作業の滞りがなくなり、A社に製作図面が早く届くようになったことです。

これは、A社が製作図面を迅速に受け取り、加工に着手できるようになったことを意味し、A社の工場での待ち時間が削減されたと言えます。

結果として、待ち時間の削減が稼働時間の増加につながり、A社の業務プロセス全体の生産性が向上しました。

懸念されていた技術情報の流出についても考えてみましょう。

実際にシステムを構築し運用してみると、技術情報の漏洩や受注案件の流出とは全く逆のことが起きました。

X社の設計担当者にとっては、A社の加工情報がないと設計が進められず、新しく構築したシステムがなければ設計作業が進まないという状況になりました。

技術情報はX社に集まっており、技術情報の流出ではなく、注文がA社に集中する状況が生まれました。

一般的には「オープンイノベーション」という言葉がありますが、A社の取り組みはまさにオープンイノベーションの一例と言えるでしょう。

コロナ禍では注文数が減少し、業績も大きく落ち込みました。

しかし、このような仕組みを構築しておいたことで、受注が回復した際にはX社からの注文がA社に殺到し、現在では過去最高の業績を記録しています。

なお、このシステム開発にかかった費用はトータルで25万円でした。

もし市場にあるクラウドストレージサービスを毎月何万円も支払っていた場合、数年または数ヶ月でこの費用がかかってしまうでしょう。

中小企業、特に小規模事業者には、手頃な価格で利用できる効果的な仕組みが必要です。

小規模ながらもコスト効果の高い仕組みを活用することで、業務の内容を大きく変えることができ、デジタルトランスフォーメーション（DX）を実現できた事例と言えるでしょう。

中小企業こそDXに向いている！

当社が中小の製造業向けにコンサルティングを行う際には常々、中小企業こそデジタルトランスフォーメーション（DX）に向いていると申し上げています。

その理由は、DXの本質が変革（トランスフォーメーション）にあることであり、この変化を迅速に受け入れることができるのが中小企業だからです。

A社の事例でも、システム開発という迅速な決断がこのような成果をもたらしました。

大きな組織になると、システム導入に関する多くの稟議や効果検証が必要であり、どの部署が影響を受けるかなど、さまざまな検討が行われます。

その間に、一部の部署では効果が得られず、プロジェクトが頓挫することもよくあります。

しかし、中小企業では社長が決断を下せば、すぐに実行に移すことができます。

業務プロセス変更の影響を受ける人も少ないため、中小企業はDXに適していると言えます。

現在、日本全体でDXの実現が求められていますが、私たちは日本の99.7%を占める中小企業に対して、DXを積極的に進めることをお勧めしたいと考えています。

おわりに

社長が自由に使える時間を増やすことは、中小企業の存続と成長にとって不可欠です。

ぜひ、この記事の提案を参考にしていただき、自社の日常業務に関して煩雑な部分があれば、お気軽にご相談ください。

製造業の中で業務を実施した体験を持つ当社は、新たなシステムの構築や、コスト効果の高い仕組みの開発など、業務プロセスの再構築を通じて、貴社に最適な提案をいたします。

また、自社において、デジタルトランスフォーメーション（DX）の具体的な適用方法についてお悩みやご不明点があれば、どんな些細なことでも遠慮せずにご相談ください。

我々は、貴社に合った最適なDXソリューションをご提供するために、お手伝いさせていただきます。

GEMBAコンサルティングのコンサルティング事例一覧はこちらからご確認ください！

お客様の声のご紹介

お客様へのインタビュー動画をご紹介しています。お気軽にご相談いただけますと幸いです！

一緒に読んでいただきたい関連記事

• 製造業向けオーダーメイド企業研修｜課題整理から企画・実施まで伴走
• 現場改善のやる気が出ない理由｜“やらされ感”を減らす管理職の関わり方
• 改善提案が通らない理由｜上司に却下される案を“通る案”に変える5つの視点
• 労務費・加工賃の価格転嫁｜製造業の値上げ交渉で使う原価資料と伝え方
• 製造業の価格改定依頼書の書き方｜文例・添付資料・出し方を解説
• 稼働率とは？計算式・可動率との違い・OEE改善まで製造業向けに解説
• 栃木県【ものづくり革新技術導入伴走支援事業】キックオフセミナーに登壇します
• 
  製造業DXの落とし穴｜RPA導入が「ムダの自動化」になっていませんか？3つの罠と改善の進め方
• 
  改善提案のネタが出ない時の発想法｜現場で再現性ある3ステップ
• 
  改善提案ノルマがしんどい現場へ｜「強制感」を下げる運用設計5つ
• 品質管理(QC)と品質保証(QA)の違い｜定義・役割・関係を1枚図で整理
• 
  弊社代表 大原健佑が、長野県工業会主催「記念講演会」に登壇します

The post 製造業の業務改善コンサルティング～技術情報共有化DXの事例～ first appeared on 株式会社GEMBAコンサルティング.

※研究結果を公開することはお客様及び共同研究者の了承を得ていますが、この記事内では敢えて固有名詞は伏せさせていただいています。

GEMBAコンサルティングのコンサルティング事例一覧はこちらからご確認ください！

プラスチックリサイクル造粒工程のAI化

この記事の中で紹介するのは、具体的な波形分析の手法に関する部分です。

• 「取得できるデータを活用した予測がしたい」
• 「波形分析の手法を知りたい」

という方はぜひ続きをご覧ください。

そうでない方は、「ふ～ん、こういうこともできるんだ」くらいに捉えていただいてけっこうです。
また必要なときに思い出していただければありがたいです。

簡単な事例紹介動画がありますので、こちらもご参考になさってください。

AI研究は難しいという思い込み

これをお読みの方は、「AI」と聞いてどんなものを思い浮かべますか？

• 自動運転
• Siri
• Alexa
• 画像認識
• AlphaGo（アルファ碁）
• ChatGPT
• etc…

一言で「AI」と言ってもさまざまなものがあります。
私はAIの専門家ではありませんので詳細は省かせていただきますが、AIに用いられる手法も、決定木、機械学習、深層学習などなど、たくさんの方法があります。

AIとは

AI（人工知能）とは、コンピューターやマシンに人間の知的能力を模倣させる技術や研究分野のことを指します。
具体的には、人間の知能を再現するために、機械学習、深層学習、自然言語処理、画像認識などの技術を用いて、コンピューターが人間と同じような判断や行動をできるようにすることを目指しています。

ChatGPT

しかしながら、ここではもっとシンプルに考えてみましょう。

「インプットされた情報を元に何かしらの計算や処理をして、判断した結果をしてアウトプットするもの」

と考えてみてはいかがでしょうか？

極端なことを言えば、エアコンの温度制御もAIということにします。
実際に、現在の温度を管理して設定温度に対して差があれば出力を高め、設定温度を超えていれば出力を弱めるので、実際の温度情報と設定温度の情報から判断して出力をコントロールするという点ではAIの基本的な考え方の枠組みには入ります。

製造業の現場で活用するAIは、難しく考えすぎずに、まずこのレベルから考えてみてはいかがでしょうか？

AI研究に挑んだとある中小企業A社

• 従業員数：16名
• 年間売上：2億5千万円前後
• 年間営業利益：2～5百万円
• 拠点：某地方の外れの場所

これが、実際に私とともにAI研究を実施した事業の概要です。

失礼ですが、AI研究をする超大手とは比較にならないほど小さい規模の会社ですし、手元資金も大量にはありませんし、立地も決して恵まれているとは言えません。

A社従業員も、下手をすると社長さえも、「こんなうちみたいな会社なんて。。。」と自らを卑下するような感覚にもなっていそうな雰囲気が漂っていました。

しかしながら、このような企業でもAIの研究は十分にできます。

研究費用はどうしたか

AIの研究ともなれば、数百万円は下らないと思われるでしょうが、A社が取り組んだこのAI研究に係った費用は、研究費自体では“ゼロ”円でした。
かかった費用は、

• 計測器の製作費用：25万円
• 現地実験立ち会いの旅費交通費：30万円

の合計でたったの約55万円でした。

研究は私の知り合いの大学教授を通じて、学生に研究していただきました。
論文として公開することを了承することを前提に研究費用とデータ提供の取引が成立し、結果的に研究がかかりませんでした。

いわゆる産学連携ですね。

AI研究を企業に依頼すると、研究員の工数が発生する分、当然研究費用は掛かりますし、例えば画像認識系の場合では１サンプルの研究で200万円と言われたこともありますので、この産学連携のスキームが如何に重要かが分かるかと思います。

AI研究に挑んだ効果

AI研究という最新のテクノロジーを活用することを決めてから、会社には大きく２つの側面で効果が見られました。

1. 自治体の支援機関からの見る目が変わった
2. 従業員のモチベーションアップ

ひとつずつ見ていきます。

１．自治体の支援機関からの見る目が変わった

AI化の研究をするに当たって、自治体が主管する補助金を活用しました。
また、その補助金を活用する前提として、経営革新計画を提出し、認定を得ました。

この過程において、まず経営革新計画を県に提出し、計画の認定を受ける作業を実施しましたが、県としてもこうした中小企業がAI研究に挑む例を見ることがなく、非常に興味津々で研究前に現場を視察に来たり、交流を持つようになりました。

そして、自治体の産業支援機関が主管する生産性向上を促進する補助金に申請した際にも、AI研究で申請する企業はこれまでになく、しかも計画として実現性が高いことを伺える構想を示せていたことで、大きな注目を浴びました。

こうして、自治体にとって目にも留まらぬ企業だったA社が、一躍県内でも注目の企業となったのです。

その結果、その他の補助金制度の案内など、積極的に交流を持とうとする動きが増えました。

２．従業員のモチベーションアップ

一方の現場の従業員は、実際に現場に計測器やPCを置いて、なにやらデータを取得しているらしい画面を目の当たりにし、「なんか最新のことをしている」という意識を持ってもらうことができました。

延いては、「自分たちの現場でも最新のITが導入できる」「今までにないAIの研究開発をしている」という前向きなマインドを持つメンバーも現れました。

これは、多少の時間はかかりましたが、自らを卑下していたとも思える雰囲気からの大きな変化でした。

AI研究の対象とデータ取得方法

冒頭の動画をご覧になっていない方のために、少し順を追って説明しましょう。
動画をご覧になった方は飛ばしていただいてけっこうです。

研究対象の工程

造粒工程の略図

上の図は、研究対象である造粒工程の略式図です。

砕かれたプラスチックの粒が刃の回転によって攪拌にされ、攪拌時の摩擦熱で収縮し、顆粒状の製品へと姿を変えていきます。

品質の良い顆粒状となったかどうかは、取り付けられたカメラによって映し出された映像を人が見て判断していました。

１回の攪拌作業は５～１０分程度なので、作業員がほぼ張り付いた状態で生産をしなければならず、作業負担が大きいポジションでもあります。

また、適切なタイミングを逃すと摩擦熱により過熱し、プラスチックがゲル状になってしまい、品質不良になってしまうことはもちろん、復旧作業のために生産を止めなければならなくなります。

過去の研究（工夫）

過去にも、この造粒作業を自動化するためにいくつか工夫をして実験も行ってきましたが、どれもうまくいきませんでした。

まず、攪拌する時間で制御する方法ですが、プラスチックのリサイクルの工程であるため、インプットとなる材料の品質や状態を安定化させることができません。
従って、処理バッチごとに適正な攪拌作業時間が異なりますので、時間による制御では製品品質は安定化させることができませんでした。

次に温度計を取り付けて、過熱温度を検知して造粒作業の終了を検知する方法です。
こちらは、造粒釜の側面に温度センサーを取り付けて実験しましたが、投入されたプラスチック片がセンサーにくっついてしまい、温度が正確に測れないことが分かりました。

また、同じく温度を見る方法では、上部から放射温度計で温度を観察する方法を実験しました。
ところが、こちらは造粒作業中に発生する蒸気により、またしても温度を正確に測定することができないことが分かり、断念しました。

これまでの研究により、一筋縄ではいかないことが分かってはいましたが、AI化をしようとするアプローチは全く別の方法でした。

回転モーターの電流値に注目

時間がダメ、温度がダメ、ではありましたが、私が現場を拝見させていただいたときに注目したのは、制御盤に表示されている電流値でした。

現場の担当者に聞くと、

「材料を投入してから最初は大きく振れて、だんだん落ち着いてきて、その後徐々に値が下がっていく」

ということを言っていました。
作業員は電流値がそのような挙動をすることを当たり前の景色のように思い、当たり前のように映像を目で見て作業終了ボタンを押していました。

この話を聞いたとき、私は、

「（電流値の挙動を解析すれば、造粒作業の終了が予測できるのではないか）」

と思いました。

そこで社長とお話しし、AI化できる可能性があること、労働力確保が困難な近い将来を見据えた生産工程の省力化は企業の存続のカギを握っていること、新しい技術を取り入れて淘汰されない人に選ばれる企業になることなど、技術的なところから中長期的な大きなビジョンまでを共有し、研究をスタートさせたのです。

実際の計測器

技術に詳しい人が見れば、大したことはない計測器であることが分かるかと思います。

CTで制御盤内の電流計測器を取り付け、マイコンに取り込んで数字を正規化しPCにデータを送るシステムです。

私は専門的な技術者ではないので、マイコンで数値変換や電流値の実際の値などの説明は割愛します。

CTもマイコンもPCもいずれも市販のものを活用し、製作事業者に製作を依頼しました。

得られたデータ

上の図は、実際に得られた電流値データを、横軸を時間軸にしてプロットしたものです。

一部例外はあるものの、通常に稼働した状態の電流値はおおよそこのような波形を示していました。

さて、ここからが本番です。

どのように解析を進めたのかを紹介していきます。

電流値解析方法

ここから先は、波形の解析手法を詳細に説明していきます。
数学や統計学に抵抗がない方は読み進められると思いますが、苦手な方は飛ばしていただいて、結論だけを読んでいただいても結構です。

解析の最初の一歩

造粒作業の終了を予測するためには、丸で囲った部分を何かしらの方法で検出できなければなりません。

このラインより上のエリアが無料で表示されます。

そこで、単純移動平均という分析手法を用いて計算をしてみたところ、移動平均と実際の値との差の大きさ（バラツキ）に特徴がありそうだということが分かりました。

移動平均とは、一定区間内のデータの平均値を求める方法のことです。この平均値は、一定区間ごとに更新されます。

たとえば、20日移動平均を計算する場合、最新の20日間のデータの平均値を求めます。翌日になると、最新の20日間のデータが更新され、その期間内の平均値が再計算されます。

移動平均とは

移動平均は、株価や為替レートなどの金融市場の分析に用いられることが多く、長期的なトレンドを把握するのに役立ちます。また、データの変動が大きい場合には、短期的な変動を平滑化するのにも使われます。移動平均には、単純移動平均や加重移動平均など、様々な種類があります。

ChatGPT

バラつきが大きいとは

一般的に、統計学的にバラツキを表すものとして「分散」があります。
そこでここでは、“移動平均と実際の値の差の分散”を特徴量として計算することで、そのバラツキの大きさの変化を捉えられないかと計算してみました。

特徴量とは、機械学習において、データの特徴を数値化するために抽出される要素のことです。特徴量は、データから分析に必要な情報を抽出し、機械学習アルゴリズムに入力することで、データのパターンや関係性を学習するために使われます。

特徴量とは

特徴量は、入力されるデータの種類に応じて異なる種類があります。例えば、画像データの場合、ピクセルの明るさ、色相、濃度などが特徴量となります。また、自然言語処理の場合、文書内の単語の出現頻度や文法的な構造が特徴量として抽出されます。
特徴量の選択や抽出は、機械学習の性能に大きな影響を与えます。適切な特徴量を選択することで、機械学習アルゴリズムの学習速度や精度が向上する場合があります。

ChatGPT

その結果が下の図です。

このグラフを見ると、造粒作業終了近くになると、一定の値よりもその値が小さくなる、つまり、バラつきが小さくなることを一定の計算値で区別することができると分かりました。

統計学的分散とは

統計学的分散とは、データの散らばり具合を表す指標の一つで、データの平均値からの偏差の二乗和をデータの個数で割ったものです。式で表すと以下の通りです。

s^2 = Σ(x_i – x̄)^2 / n

ここで、s^2は統計学的分散、Σは総和を表し、x_iはi番目のデータ、x̄は全データの平均値、nはデータの個数を表します。

統計学的分散は、個々のデータが平均値からどの程度離れているかを表す指標であり、数学的に扱いやすい性質を持ちます。

また、データの散らばり具合を表す指標には、他にも標準偏差や変動係数などがあります。

ChatGPT

攪拌作業終了判定ロジック

上記の結果から、取得した電流値と電流値の移動平均との差の分散（ややこしいかもしれませんがついてきてください）が一定値を下回ったときに【作業終了段階】に入ったとみなせることが分かりました。

そして、その作業終了段階に入ってから、実際には何秒後に作業終了ボタンが押されたのかを集計したデータが以下のグラフです。

実際には人が映像を見ながら判断しており、その作業終了段階の判断が必ずしも最適とは言えません。

従って、作業終了段階に入って平均の値を仮に作業終了と設定し、あとは現場での検証実験による微修正に委ねることとしました。

限界判断

この造粒作業は、適切なタイミングを逃すと摩擦熱により過熱し、プラスチックがゲル状になってしまい、品質不良になってしまうことはもちろん、復旧作業のために生産を止めなければならなくなります。と述べました。

すなわち、万が一造粒作業をやり過ぎで過熱になりそうな瞬間を検知したら、強制終了をする制御も必要です。

その特徴量は、移動平均の傾きを使用することで解決しました。

この制御が可能になることにより、万が一第一の特徴量である移動平均との差の分散を検出できなくても、過熱を防ぐ強制終了をすることができ、生産を止めることはなくなります。

研究の結論

造粒作業のAI化（電流値をリアルタイムに解析することによる作業終了判断の自動化）は可能でした。

取得した一次データの単純な閾値ではなく、統計的な手法を用いた計算をすることで可能であるため、比較的容易な計算ができる人であればアルゴリズムの設計は可能であることが分かりました。

下の動画は、リアルタイムに作業終了までの時間を予測した瞬間の動画です。

作業終了予測ができた瞬間、「作業終了まで〇〇秒」という表示がされます。

また、強制終了に関しても同様に下の画像のような画面が表示されます。

作業終了予測と強制終了の表示

システム的には、作業終了までのカウントダウンがゼロになった時点で制御をかけることもできますし、強制終了が表示された瞬間に制御をかけることもできますし、作業終了段階に入ったら大きい画面で場内の作業員わが分かるように表示をしたり音を鳴らしたりすることもできます。

電流値のリアルタイム解析によって、攪拌作業を監視する作業について、確実に省力化できることが分かりました。

おわりに

ここまでお読みいただきありがとうございます。

この記事では、AI研究は実は身近で出来るかもしれないと可能性を感じていただければありがたいです。

実際には、物品の納期や費用面や検証実験の難しさなどもあり、まだ生産システムに組み込むことはできていませんし、記事にしきれなかった内容もたくさんあります。
が、制御装置の費用が賄えて検証実験を行えれば確実に自動化は可能ですし、社長ともタイミングを計っているところです。

例えば、

• 造粒作業をする釜は実は２台あって若干の機差がある
• 造粒後の冷却装置にも制御が及ぶ
• 材料投入の制御も自動化しなければ大きな省人化にはつながらない
• 一部例外的な波形が稀に発生することがあり、制御が100%ではない
• 通常生産の造粒作業と未完成品を再造粒する再造粒工程がある
• 紹介した以外にもたくさんの特徴量を検討してトライ＆エラーをした
• 全ての研究を含めて約３年弱かかった
• 計測器の製作をお願いした会社のエンジニアが退職した
• 助教が他大学に異動し、学生が大学院を卒業した

などなど、細かいことをお話すればキリがありません。

とはいえ、知恵と工夫で現場にあるデータを取得し解析すれば予測や傾向を掴むことは可能です。

是非ご自身の現場でもトライしていただき、製造業のIT活用が遅れているなどと言われないようになっていただきたいですし、私自身も何かお力になれればと思っています。

日本産業の発展のために、製造業関係の皆さまワンチームで頑張っていきましょう！

もし、AI研究をご検討されている方、自社内でAI研究の種になるものがあると思われる方がいらっしゃいましたら、遠慮なく弊社までお問い合わせください。

GEMBAコンサルティングのコンサルティング事例一覧はこちらからご確認ください！

• 製造業向けオーダーメイド企業研修｜課題整理から企画・実施まで伴走
• 現場改善のやる気が出ない理由｜“やらされ感”を減らす管理職の関わり方
• 改善提案が通らない理由｜上司に却下される案を“通る案”に変える5つの視点
• 労務費・加工賃の価格転嫁｜製造業の値上げ交渉で使う原価資料と伝え方
• 製造業の価格改定依頼書の書き方｜文例・添付資料・出し方を解説
• 稼働率とは？計算式・可動率との違い・OEE改善まで製造業向けに解説
• 栃木県【ものづくり革新技術導入伴走支援事業】キックオフセミナーに登壇します
• 
  製造業DXの落とし穴｜RPA導入が「ムダの自動化」になっていませんか？3つの罠と改善の進め方
• 
  改善提案のネタが出ない時の発想法｜現場で再現性ある3ステップ

The post 中小企業でも余裕でできる！AI化研究開発の事例 first appeared on 株式会社GEMBAコンサルティング.