A: 引き上げることはできますが、前提は「大量のデータ」ではなく「設備の状態に対応したデータ」です。AIがOEEを改善する核心的な論理は、停止、速度低下、不良という三つの損失を、事後集計からリアルタイムに介入可能な信号へ変えることにあり、そのためのデータ基盤は設備状態、生産タクト、品質結果の三系統だけで足ります。多くの工場はデータを豊富に持っていながらOEEを正確に算出できません。問題は通常、アルゴリズムではなくデータの出所と収集方法にあります。
1. まずOEEの損失が実際どこに潜んでいるかを理解する
OEEは、稼働率×性能×品質率です。AIを機能させるには、この三つの損失類型に対応づける必要があります。停止損失は、稼働、待機、故障、段取り替えといった設備状態の信号を見ます。速度損失は、実タクトと理論タクトの偏差を見ます。品質損失は、インライン検査とスクラップ記録を見ます。この三つのデータセットが揃わなければ、どんなに高度なAIモデルでも混とんとした集計しか出せません。したがって第一歩はモデルの配備ではなく、損失の分類に使う定義を統一することです。
2. 第一のデータ層:設備状態は自動収集でなければならない
手入力の報告書で組み立てたOEEは、せいぜいシフト単位の粒度にしかならず、AIには使えません。現実的に使える土台は、設備コントローラ層の信号です。PLC、CNC、射出成形機のコントローラ、ロボット盤から取得する稼働信号、アラームコード、サイクル開始信号などです。ある電子機器工場で想定されたシナリオでは、SMTラインは当初、監督者が停止時間を記録していました。AIを実装機の稼働信号に接続して初めて、材料交換待ちが停止時間の40%を占めていることが分かりました。従来は報告書に現れなかった損失です。収集頻度はミリ秒級である必要はなく、OEE分析には秒から分の単位で十分です。
3. 第二の層:タクトと出来高データは作業指示と突合できなければならない
性能は最も見落とされやすい要素です。理論タクトを知るだけでなく、実際の出来高も把握する必要があります。データは設備の計数信号、光電センサー、MESの作業実績報告から取得できます。鍵は、作業指示、設備、時間を突合できることです。自動車部品メーカーのプレスラインのように段取り替えが頻繁な場合、段取り替え時間と作業指示の切り替え記録が整合していないと、性能損失が停止損失として計上され、改善の方向が完全に外れてしまいます。
4. 第三の層:品質データは設備と時間帯まで追跡できなければならない
品質率は最終検査だけに頼ることはできません。インライン検査装置、AI外観検査、重量選別の結果を、時間帯ごとに特定の設備へひも付けする必要があります。そうして初めてAIは、あるシフトで特定の機械に品質のドリフトが現れているかを判断し、プロセスパラメータと関連づけられます。この層がなければ、AIが言えるのは「スクラップが増えた」だけで、「どの機械のどのパラメータがずれたか」ではありません。
5. 第四の層:プロセスパラメータは加点要素であり必須ではない
温度、圧力、速度、電流といったパラメータがあれば、AIは根本原因分析や予知保全を行えます。たとえばスピンドル電流の異常な上昇は、しばしば工具摩耗の前兆です。ただしこの層は発展段階のものです。最初の三層がつながれば、リアルタイムのOEE可視化と損失の要因分解はすでに機能します。最初からパラメータを全部集めようとすると、投資が重く期間も長くなり、途中で頓挫する可能性が高くなります。
6. データ量よりデータ品質が重要
タイムスタンプの統一、設備コードの統一、停止理由辞書の統一——この三つができていなければ、下流の作業はすべて手戻りになります。業界でよくある落とし穴は、ラインごとに独自の収集システムを作ってしまい、工場ごとにOEEの定義が違って出てくることです。プラットフォームを論じる前に、設備台帳と停止理由の標準を先に仕上げるのが望ましいです。
実務的な提案:ボトルネックとなっているラインを1本選んでパイロットし、設備状態、タクト計数、品質結果の三種類のデータをつなぎ、リアルタイムOEEと損失のパレート図を出力して、要因分解が正確かを検証します。それから横展開します。ベンダー選定では、既存コントローラのプロトコルに接続できるか、停止理由をカスタマイズできるか、OEEをシフト別と作業指示別の両方で分解できるかに注目してください。この進め方は、3,200以上の導入拠点と15以上の業種にわたる120社超の顧客の現場で繰り返し検証されてきました。データ基盤さえ正しければ、AIによるOEE改善はもはや紙の上の話ではありません。