A: 核心となる進め方は、まず基盤を作り、次にアルゴリズムを適用し、最後に制御ループを閉じるという段階的な推進である。AIモデルを1つ現場に放り込めば電気代が下がる、とは考えないこと。具体的には、工場のエネルギー最適化は単点の技術課題ではなく、データ、設備、工程にまたがる協働のエンジニアリングである。
1. まずエネルギーデータを完全かつ正確に収集する
データはAIエネルギー最適化の前提である。多くの工場はメータをネットワーク化すらしておらず、あるいは総合メータしかなく、どのライン、どのコンプレッサ、どのシフトが無駄を使っているか分からない。導入の第一歩は、スマートメータ、流量計、温度センサーを設置し、配電、水、ガス、蒸気のサブメータリングを構築することだ。自動車部品企業にプレス、溶接、塗装、組立の4工場があるとして、計測は少なくとも工場単位と主要設備単位まで届く必要がある。収集頻度は分単位を推奨する。粗すぎると負荷変動が見えず、細かすぎると保存とガバナンスのコストが上がる。この段階は通常プロジェクト全体の半分以上の期間を占めるが、避けて通れない。
2. エネルギーデータ基盤を構築し、ベースラインをモデル化する
データが揃ったら、集約してクレンジングする場所が必要だ。エッジゲートウェイでPLC、メータ、センサーのデータを構内サーバーやクラウドへ送り、設備、ライン、工場、全社の4階層のエネルギーモデルを構築する。次にエネルギーベースラインを確立する。この機械やラインが、決まった生産量、決まったシフト、決まった外気温度でどれだけ電力を消費すべきかという基準である。ベースラインは当て推量ではなく、履歴データから回帰して求める。ある電子工場がSMT工場のベースラインを構築した際、リフロー炉の待機消費が1日のエネルギー使用の18%を占めていることが分かり、これがAIが取り組むべき課題になった。
3. 何もかも狙わず、シナリオを選んでAI最適化を行う
工場のエネルギー最適化シナリオは多いが、リターンで順位を付け、成果が出やすい3〜4個から始めるのが望ましい。よくあるのは、AIが空気需要を予測して運転台数と負荷配分を動的に調整するコンプレッサ群制御、外気温湿度と工場の熱負荷に応じて冷水送水温度とポンプ周波数を調整するセントラル空調の冷凍機室最適化、射出成形機やダイカスト機の保圧・加熱期間の最適化、ピーク・オフピーク料金下での蓄電池の充放電戦略などである。実務ではエアコンプレッサ室と冷凍機室が最も取り組みやすい2つのシナリオで、負荷変動が大きく手動調整が粗いからだ。AIモデルは強化学習やモデル予測制御を使い、料金、負荷予測、設備効率曲線を入力として、設定値をPLCへ出力して実行する。
4. 閉ループ制御と継続的な反復
AIがダッシュボードで提案するだけでは、オペレーターは無視することがある。AIとSCADAまたはPLCの間に書き込み権限を開き、閉ループまたは半閉ループ制御を行う。初期は安全境界を設定し、AIの調整が手動の上下限内に収まるようにする。稼働後はA/Bテストの考え方で、例えば日によってAIと手動の戦略を切り替えてエネルギー使用を比較する。システムは自ら学習し、季節や受注構成の変化の後に再学習できる必要がある。3,200台以上の端末と120社以上(15以上の業界)での実践では、この方式は通常3〜6か月で安定した効果が出て、最初の2か月は主にデータガバナンスとベースライン校正に使う。
注意点: 工程制約を無視しないこと。AIが歩留まりを犠牲にして節電してはいけない。計測を飛ばしてアルゴリズムに直行しないこと。ゴミを入れればゴミが出る。エネルギー最適化をITプロジェクトとして扱わないこと。設備、電力、生産がすべて関与する必要がある。省エネ性能保証(EPC)モデルでは、節電量の計算境界を事前に合意しておく。まず1工場か1つのエネルギーサブステーションから始め、機能してから横展開する。