モノのインターネット（IoT）の普及が進むにつれ、製造業者は従来のIT手法では処理しきれないほどの膨大なデータに直面している。
また、工場における技術の導入が進むにつれ、製造業者が競争力を維持するためには、こうした機械データを追跡・分析する方法を確立することが不可欠となっています。
つまり、メーカーは自社の業務に影響を与える主要な指標に焦点を当て、工場全体の生産状況を監視・最適化できるようにする必要がある。
その話に入る前に、まずは基本を簡単に振り返っておきましょう。
機械生成データとは何ですか？
製造工程における機械化部門の高度な自動化に伴い、工場内に設置された機械や装置からは膨大な量のデータが流出している。
簡単に言えば、機械生成データとは、生産ラインやその他の工場エリアにある機器から生成されるデータのことです。人間の直接的な介入なしに機械が行うあらゆる動作や判断は、システムやデータベースに記録され、機械生成データとして生成されます。
これは、工場内のデバイスから得られる多種多様な非構造化データを記録・分類するために、従来は独自開発のソフトウェアに大きく依存していた手法からの転換です。しかし、現在のようにデータが氾濫する状況では、運用を管理するチームに実用的な知見を提供するために、より高度な処理が必要となっています。
以下は、一般的な製造工場から生成される機械生成データの一例です。
機械データの種類
製造業務がますます複雑化するにつれ、工場現場で必要とされる機器の種類も多様化しています。その結果、これらの機械は、それぞれの機能に応じて多種多様なデータを生成しています。
したがって、機械生成データは、おおまかに以下の種類に分類できる：
センサーデータ：機械は予定された稼働時間中、ほぼ連続して稼働するため、さまざまな機能やプロセスを経て、貴重なデータを生成します。機械に搭載されたセンサーは、圧力、温度、湿度、振動、加速度、さらには電力レベルなどを検知します。このような機械データの収集は、総合設備効率（OEE）を通じて設備の状態を把握し、予知保全やトラブルシューティングの判断材料とする上で、極めて重要な役割を果たしています。
ログデータ：一部の機械ではデータベースが使用されており、生産現場におけるパフォーマンスやその他の重要な要素を分析する上で不可欠な、さまざまな種類のデータが記録されています。さらに、製造プロセスに含まれる各種アプリケーション、Webサーバー、ファイルシステムも、こうした機械生成データの理想的な情報源となり得ます。
ネットワークデータ：接続された機械やスマートデバイスが導入された工場現場では、生産工程においてこれらの機器が相互に通信を行うため、大量のネットワークデータが生成されます。機械はエッジデバイスを通じてワイヤレスで通信するだけでなく、ローカルネットワーク上の有線接続を介して通信することも可能です。そのため、機械データを分析することで、そのデータが伝送されるネットワークの健全性を把握しやすくなります。
機械データの収集の実装
業務にデジタル技術を取り入れているメーカーは、プロセスを最適化する体制が整っており、生産が円滑に進み、時間の経過とともに改善されるよう確保しています。企業が継続的な改善をどの程度推進できるかは、機械データの収集をどのように、またどこから実施するかによって決まります。
このデータ収集の取り組みに着手する前に、自社のビジネスプロセスを徹底的に見直し、現在の機械データ収集能力を把握するとともに、データ収集における潜在的な課題を特定することが不可欠です。
その後、自社の業務に最適なさまざまなソリューションを導入し、改善を推進するために必要なデータを収集することができます。
以下に、機械データ収集の主な情報源の例をいくつか挙げます：
現場の機械：工場現場に設置されている機械そのものが、貴重なデータの重要な情報源となります。現代の機械には、さまざまな形式のデータを送信するセンサーが搭載されています。このデータにより、各機械の稼働状況がリアルタイムで把握できるため、オペレーターは必要に応じて的確な判断を下すことができます。さらに、一部の工場ではエッジコンピューティングを導入してこのデータを分析しており、機械の最適化プロセスにおいて人手による介入が不要になっています。
連携システム：現場の機械だけでは、必ずしも全体像を把握できるとは限りません。そのため、連携型工場システム を活用することで、外部アプリケーションを統合し、機械や産業機器から生成されるデータをより包括的に把握することが可能になります。
人的入力：工作機械や関連システムだけでは、重要なデータの収集には限界があります。多くの場合、現場のオペレーターが一部のデータを手動で入力し、そのデータにさらなる文脈を与えることで、情報に基づいた意思決定が容易になります。
注目すべき主要な機械指標
以上の点を踏まえ、以下に追跡すべき主要な製造指標をいくつか挙げます：
生産量：これは、貴社の工場が生産ラインから出荷できる製品の量です。
機械の稼働時間と停止時間：稼働時間とも呼ばれ、特定の期間における機械の実際の稼働時間を指します。この指標は、停止、故障、またはシフト交代の際に無駄になる時間を明らかにします。
スループット：特定の期間内に機械が生産する製品の量。この指標は、生産ライン全体の効率を確認するためにも適用できる。
総合設備効率（OEE）：生産性を測る指標であるOEEは、機械が最高の性能で稼働している時間の割合を示す。この指標は、機械の稼働率、性能、および品質の3つの要素から算出される。
初回歩留まり： 初回歩留まりとは、生産ラインから出荷される製品のうち、欠陥がなく、修正作業を一切必要とせずに仕様を満たしている製品の割合を指します。
平均故障間隔（MTBF）：MTBFは、製造工程において機器の故障によって失われる稼働時間を示す指標です。したがって、これは機械の信頼性を示す指標でもあります。
平均ダウンタイム：MDTと呼ばれるこの指標は、修理やメンテナンスにかかる時間を包括的に示すものです。これには、交換部品の到着に要する時間に関連する遅延や、技術者のスキル不足による時間のロスが含まれます。
単位当たりのエネルギーコスト：これは、工場で特定の製品1単位を生産するために必要な電力、蒸気、石油、またはガスのコストを指します。
文脈を踏まえてデータを洞察に変える
追跡すべき重要な機械生成データを収集したら、次の重要なステップは、そのデータを価値あるものに変えることです。単に機械生成データを持っているだけでは不十分です。調査によると、業界ではデータレイクが一般的になりつつあるものの、データサイエンティストは依然として、分析の実行やアルゴリズムの改良ではなく、スプレッドシートでのデータクレンジングに時間の80％を費やしていることが分かっています。非効率的なデータレイクは、製造業者を「データは豊富だが情報は乏しい」という罠へと陥らせているのです。
「データは豊富だが情報は乏しい（DRIP）」とは、組織が豊富なデータを保有しているにもかかわらず、そのデータを活用して競争優位性を生み出すプロセスが欠如している状態を指す。残念ながら、DRIPは、テクノロジーに多額の投資を行ってきた多くの製造業者の現状を如実に表す言葉となっている。データは溢れかえっているにもかかわらず、PDFとして印刷したり、いくつかの図表を作成したりする以上のことを行う余力がないのが実情である。
DRIPの罠から抜け出すためには、製造業者は機械生成データに人間の知見を付加し、データ収集の「場所」「方法」「担当者」を明確にする必要があります。データのコンテクスト化とは、機械生成データに人間の知見を加えることで、データを単なるデータから情報へと昇華させるプロセスです。これにより、企業は実用的な意味を持つインサイトを得ることができ、予測可能かつ適応性の高い製造システムを実現するための重要な第一歩となります。
さまざまなデータソースやデータタイプを統合することで、データのコンテキスト化は現場の従業員にリアルタイムの情報と実用的な知見を提供し、現場で迅速かつ効果的な意思決定を下せるようにします。これにより、効率性、品質、生産性の向上だけでなく、組織が迅速かつ持続的に事業を拡大するための新たなレベルの俊敏性も実現されます。
機械生成データのコンテクスト化を開始し、それを真の価値へと変える方法について知りたい方は、データコンテクスト化と実装 に関する当社のウェビナーをご覧ください。
Tulipを活用して、業務全体でのデータ収集を自動化しましょう
製造業者が、自社施設内の従業員、機械、センサーからリアルタイムデータを収集するために、どのようにアプリを活用しているかをご紹介します。