A: AIでOEEを改善する鍵は、アルゴリズムがどれだけ進んでいるかではなく、データ基盤が「速度、稼働率、品質」という3本柱を支えられるかどうかです。データが整っていなければ、強いモデルでも空回りします。多くの工場はすぐにAI基盤を購入しますが、OEEはまったく変わらず、問題はほぼ必ずデータ層にあります。
1. まず3つのよくある誤解を避ける
1. PLCのデータで足りると考えること。PLCは設備が動いているか止まっているかは分かりますが、停止の理由、どれだけ続いたか、軽微な停止だったかは、しばしば正確に取得されていません。OEEの稼働損失の大部分は分単位の短時間停止と段取り替えから生じ、単一の信号からはまったく復元できません。
2. データは多ければよいと考えること。センサーを積み上げてもタイムスタンプが揃わず、設備Aはローカル時計、設備Bはゲートウェイ時刻を使っているため、算出した停止時間がマイナスになります。データ品質はデータ量よりもはるかに重要です。
3. AIが欠けた情報を自動で埋められると考えること。停止理由が記録されておらず作業指示も紐付いていなければ、AIは推測するしかなく、その推測によるOEE改善提案はほぼ実行できません。
2. 本当の落とし穴はどこにあるか
ある電子工場が一巡の試行を行いました。SMTラインのデータ収集は丁寧でしたが、実装機の材料交換記録はMESに、停止信号はSCADAに、品質判定はAOIにありました。3つのシステムがそれぞれ違うことを語り、OEEは3つの版で出てきて、現場はすべて受け入れませんでした。もう1つの落とし穴は粒度です。シフト単位で集計したデータでは原因分析を支えられず、AIは「このシフトは効率が悪かった」としか言えず、どの設備やどの工程が足を引っ張ったかを示せません。さらに設備の状態コードが統一されておらず、同じ「材料待ち」が、あるラインでは停止、別のラインでは計画外として記録され、ライン間の比較が直接歪みます。
3. 回避策: データ基盤を4層で構築する
1. デバイス層: 稼働、待機、警報、段取り替えを含む状態信号を秒単位または分単位で取得し、計画停止と計画外停止を区別します。軽微な停止には、電流やタクトといったプロセス変数を使って判定を補助し、離散信号だけに頼らないようにします。
2. 作業指示層: 設備状態を作業指示、製品機種、ロットに紐付ける必要があります。そうでなければ段取り替えの損失を計算できず、機種別のOEE比較も不可能です。
3. 品質層: 一発合格率、手直し、廃棄のデータを特定の設備と時間帯まで追跡できるようにし、品質損失をOEE分析に織り込めるようにします。
4. 時間の基準: 工場全体で統一した時計源を持ち、システム間でタイムスタンプを整合させます。最も見落とされやすく、最も致命的な環です。
4. ベストプラクティスの姿
AIを導入する前にデータの健康診断を行います。1本のラインを2週間動かし、状態信号の完全性、停止理由の入力率、作業指示との紐付け率という3つの指標を見ます。いずれかが90%を下回るなら、まずデータを直します。そのうえでボトルネック設備の単一箇所から入り、停止予測と原因分類にAIを使い、効果を検証してからライン全体へ横展開します。選定時には、既存のMES、SCADA、PLCと接続できるか、統一された状態コード標準があるかを確認します。ERP時代から数十年にわたり取り組み、120万社にサービスを提供し、数千万台の端末を導入し、国内外の市場をカバーしてきたベンダーは、データ取り込みとプロトコル互換性が成熟していることが多いのですが、自社の特定ラインについては実際のデータで検証する必要があります。OEEの改善はデータエンジニアリングの仕事であり、AIは最後の加速層です。基盤がしっかりしていなければ、加速は偏差を増幅するだけです。