可視化と予知保全のPoCで大切な7つのポイント ―製造業のデジタル化において今やるべきこと【第2回】[Premium]

製造業のデジタル化をテーマとして、全3回で解説する。第1回では、昨今、デジタル化の主なテーマとなっている設備の稼働状況の可視化と産業機械の予知保全によって具体的にどのようなメリットが得られるのか、事例を交えながら解説した。

第1回で見てきたように、工場のデジタル化により、生産性の改善に成功した企業の事例は数多くある。また、ベンダーもノウハウを蓄積し、IoTプラットフォームなどのソリューションも充実してきている。

しかしそれでも、PoC(Proof of Concept:概念実証)をやってみたが「うまくいかなかった」、「効果がなかった」という企業も多いという。

そこで第2回では、PoCで失敗しないために知っておくべき7つのポイントについて解説する。前半の3つは、現場のPDCAをうまく回すために必要なことだ。後半の4つでは、データの取得から活用までにおいて重要となるポイントをまとめた。

可視化と予知保全、導入時のポイント

PoCでは、どのようなツールを使うかということ以上に、現場のPDCAをうまく回す仕組みを早期につくっておくということが重要だ。そのような観点で、以下3つのポイントを順に解説していく。

  1. ROIを問われる前にPoV(Proof of Value:価値実証)を実現する
  2. デジタル化された工場の全体像を明確にすること
  3. 現場の負担を増やさない

1. ROIを問われる前にPOVを実現する

まずは、「スモールスタート」で始めることが大切だ。これまで取材してきた多くのIoTベンダーが声をそろえていることだ。限られた予算でもよいので、設備何台かでまずやってみる。それがうまくいけば、徐々にスケールアウトしていくのがいい。

その際のポイントは、「どの情報を、どう見える化すれば、どのような効果が期待できるか?」というPoV(Proof of Value:価値実証)をできるだけ早く実現することだ。

PoCは当然、ROI(Return on Investment:投資利益率)を問われる。しかしPoCは、可視化や予知保全といったコンセプトの実現可能性を実証することが目的であって、ROIに反映するのはなかなか難しい。

そのため、マネジメントから「ビジネスとして成立していない」として打ち切りを余儀なくされるケースが、製造業問わずとても多いのだという。

現場として、せっかくPoCがうまく進んでいた実感がありながら、ROIの判断によって事業計画を立てられないということになってしまっては、勿体ない。そこで、PoVを早期に実現し、「ROIはまだ見えないが、POVはこのような状況だ。ここからスケールすれば、これだけのROIが期待できる」とマネジメントを説得するべきだ。

第1回でも紹介した、東洋ビジネスエンジニアリング(B-EN-G)の可視化ソリューションを活用した海外工場では、まず設備3台からスタートし、1週間で設備の異常停止をゼロにした。それから全台へ展開し、1か月後には設備異常を3分の1に削減したということだ。

このように、小さなスケールでスタートし、「稼働状況の見える化により、1週間で設備の異常停止がゼロになった」といったPoVの実証をまずは目指すべきだろう。

2. デジタル化された工場の全体像を明確にすること

PoCをスタートする理由として、「上司にやれと言われたから」、「予算はないけどとりあえずやってみろ」というケースが実際にあるという。しかし、そのような理由だけでなんとなく始めてはきっとうまくいかないだろう。

まず限られた設備でスモールスタートをするにしても、その結果として何を実現するのかという、課題を明確にしておくことが重要だ。

たとえば、現地スタッフに任せている海外工場で、夜勤中に設備の異常停止が頻発しているような場合であれば、「異常停止を撲滅する」という明確な課題に向かって、まずはPoCを進めていくことができるだろう。

しかし、その課題を解決したら、次はどうするのだろうか。次の目的が明確でなければ、ここでストップしてしまう。最初のサイクルでせっかく得られた気づきやノウハウを、他の課題に向かってスピード感を持って拡張していかなければもったいない。

そこで、足元の課題だけではなく、その次の課題。そして、最終的に目指すデジタル化の全体像まであらかじめ描いたうえで、PoCの計画を立てておくべきだ。

取り組むべきテーマはたくさんあるはずだ。第1回で紹介したように、稼働状況だけではなくヒトや搬送機の可視化、AIを使った予知保全。点検業務や日報もタブレットで入力して稼働状況などと一緒に見える化することなどだ。

これらは単体で使うだけでなく、プラットフォームを通じて他のツールと連携することで相乗効果を発揮できるものだ。たとえば、稼働状況、ヒトの動線、点検業務のデータがすべて可視化されていれば、トラブルがあった際に、何が起こったのか、どうして対応が遅れたのか、ということを詳しく特定することができる。

さらには、可視化や予知保全といった「製造」のプロセスで活用したプラットフォームは、やがて「物流」や「マーケティング」のプロセスともつながっていかなくてはならない。

稼働状況の「チョコ停」から「ドカ停」の予兆をつかみ、異常停止を削減するといったわかりやすい課題であれば問題ないが、スケールが大きくなった場合に全体像が見えていないと、目的がどんどん曖昧になってしまう。

従って、あらかじめデジタル化で何を解決し、どのような工場を目指すのかという全体像を現場とマネジメントが共有しておくことが理想だ。そうすることで、前述のROIによる投資判断のマネジメントと現場のギャップも解消されるかもしれない。

3. 現場の負担を増やさない

PoCは、忙しい現場で、製品をつくるという本来の業務と同時に進めていかなければいけないため、いかに現場のモチベーションを保つかということが重要になる。そのためには、何よりも現場の負担をかけないことが重要だ。

たとえば、データを可視化したり分析したりするには、データの前処理が必要だ。以降のパートで詳しく説明するが、この工程がかなりの負担になる。データの処理をプログラミングして行うということは、現場としては避けたいとこっろだろう。

そのようなデータの前処理工程もプラットフォーム化し、「適切なデータだけを取ってこれる状態」をうまく提供してくれるベンダーもある。優れたプラットフォームはそのつくりこみもしっかりされているので、慎重に選びたいところだ。

また、現場では両手がふさがっていたり、汚れてしまうケースが多い。そのため、タブレットは便利だが、できれば持ちたくないなどのニーズもあるだろう。それについては、マイクを通して声で日報を作成できるといった便利な製品を提供しているベンダーもある。

魔法の箱というものはないが、できるだけ現場目線で設計された製品やサービスを活用したいものだ。また、使いやすい製品というものは、これからどんどんアップデートされていくことが予想される。そのため、「こんなツールはないのか?」と要望をぶつけてみるのもいいかもしれない。
 

また、PoCがうまくいかない理由の一つに、現場はデータの分析などITに関連した作業が得意ではないが、一方でベンダーは現場に詳しくない場合が多いということだ。

PoCをはじめてしばらく経ち、現場だけで運用するようになると、集まってきたデータを現場スタッフがどう分析していいかわからず、そのまま放置してしまうケースもあるのだという。

不得意なことを任されていても、それは負担になるのでうまくいかない。データの分析もしっかりサポートしてくれるベンダーを選び、役割分担しながらうまく連携することが重要だ。

たとえば、安川情報システムはAIを活用し、ある企業の産業用冷凍機の予知保全を支援していた。40個のセンサーから得られた温度や圧力などのデータを分析していると、当初は温度の正常値からの乖離が見られたのだが、次第に圧力の方に異常がみられるようになった。

データ分析のプロである安川情報システムのデータサイエンティストはそれを見て傾向がおかしいと思い、現場の技術者に確認した。すると、その機械では経験上、異常がある場合は温度から圧力の順に異常状態になるということだった。

このようなデータの分析そのものは、現場の技術者はできない。一方で、そこから得られた知見の根拠は、データサイエンティストは持っていない。そのため、うまく連携していくことが大切なのだ。

データを取得するときのポイント

次は、可視化や予知保全のPoCにおいて、工場の設備からデータを取得するときのポイントだ。

4. 古い設備でもデータはとれる

PoCをスタートするにあたり、まずは産業機械の稼働状況のデータを取りたいというケースが多いのではないだろうか。

産業機械の場合、コントローラが装備されていればイーサネット回線などでデータが取れる。しかし、旧式の設備ではそうもいかない。PLCを新たに購入して接続するのもお金がかかる。

しかし、最近では古い設備でも、配線なし・改造なしでデータを取れるソリューションがそろっているので、問題ないだろう。

具体的には、設備の稼働状況を示す信号灯に光センサーをつける、あるいはその配線にセンサーをクランプするだけで、稼働状況のデータが取得できる。データは無線通信を使えばよいので、配線も要らない。

無線通信については、最近では工場でも導入が進んできている。従来から、2.4GHzの無線周波数帯が工場で使われていたが、情報システム側の無線LANと干渉するなどの問題で広がってはいなかった。しかし、最近では障害物の回り込みや長距離通信に優れる920MHz帯が産業用途でも使われ始めたことから、工場内のネットワークとして、無線通信も導入が進んでいくと考えられている。

電圧のメーターや温度計などのアナログ機器はどうだろう。これらは従来、現場の担当者が目視で管理し、点検した内容を紙に記録するなどの対応を行っている。

それらの点検内容をすべてタブレットで入力し、データ化することで、設備の稼働状況などの一緒に分析に活用するという方法がある。センサーをつけて自動で可視化するという方法ではないが、実際にこの方法で成果を出している企業もある。

ある自動車部品メーカーは、タブレットで点検業務のデジタル化を開始して4か月で、設備異常率を4分の1に削減したという。また、「タブレットに入力する」という業務の定着率は、3か月で100%になった。

メーターをカメラで監視するという方法もあるが、これまではカメラに映ったメーターを結局は人がチェックするというのが普通だった。またその場合、異常を発見した際は「人が走って止めに行く」などの対応が必要だ。

しかし、最近では技術の進歩により、それもすべて機械が自動で行えるシステムが登場してきた。

IoTベンダーのFAプロダクツは、ソニーのCMOSセンサーを応用し、アナログ機器の自動監視システムを開発した。これは複数のアナログ機器を一つのカメラでリアルタイム監視でき、異常があった場合は管理者に通知するだけでなく、装置自身で自動停止もできるというものだ。

また、日立システムズは最近、アナログ機器の自動読み取りサービスを開始した。

「レトロフィット無線センサー」というカメラでメーター1日1回などの頻度で撮影し、その画像をセンサー内に搭載されたAIで画像解析する。そして、そのデジタル信号を定期的に無線通信で管理システムに飛ばすというものだ。レポート作成や異常通知サービスも込みだという。

このように、旧式のさまざまな機械でも、データを取得できるソリューションが充実してきている。
 

一方、コントローラが装備された工作機械やNC制御のロボットなど、比較的新しい産業機械からデータを取得するときの注意点は、導入したIoTのシステムが、各機械の通信プロトコルに対応しているかということだ。

CC-Link IE、Ethernet/IP、EtherCAT、PROFINET、OPCなど、メーカー仕様によってプロトコルが異なるので、ベンダーが提供するシステムがそれらに対応するのかどうかは確認しておかなければならない。

基本的には、さまざまな通信プロトコルの機械が接続する場合であったとしても、マルチプロトコル対応のゲートウェイを使って変換すれば問題はないはずだ。

ただ、たとえば採用したシステムがOPC-UAというプロトコルでデータを取得する場合に、すでに持っていたゲートウェイがOPC-UAへの変換に対応していないということであれば問題なので、きちんと確認することが必要だ。

なお、最近ではIoTのプラットフォーム化が進み、通信プロトコルの垣根も解消されつつある。たとえば、これまで工場内ネットワークに「CC-LINK IE」を採用してきた三菱電機も、あらゆる通信プロトコルに対応するオープンプラットフォーム「Edgecross」を今年の4月からリリースする予定だ。

それにより、あらゆる産業機械が「Edgecross」という共通のソフトウェアを通して、さまざまなメーカーの産業用PCやコントローラと接続できることになるのだ。

データを集め・活用するときのポイント

これまで、データを取得する時のポイントについて述べてきた。しかし、データを取得できる状態をつくったとしても、そこから上がってくるデータは今すぐ活用できるようなものではない。

そのデータを「使える状態」にする次のステップが、可視化や予知保全において重要だ。

5. 用途に最適なセンサーを選定すること

設備の「稼働状況」など比較的シンプルなデータであれば、そのあとデータの加工は必要だとしても、センサーの選定や設置場所を見直すということはほとんどないだろう。

しかし、軸受やモータ、切削工具などに直接センサーをつけてデータを取得する場合は、注意が必要だ。センサーを取りつけ、データがたくさん上がってきたとしても、そのセンサーの種類や位置からは有効な知見が得られないという可能性がある。

たとえば、ある大手センサーメーカーは、工作機械の工具摩耗の予兆を検知しようとして、当初は電流値のデータを集めていたが、結局有効な知見が得られなかったという。そのあと振動センサーをとりつけ、「振動データ」を集めることでうまくいった。しかし、振動センサーもどこに取り付けるかで検討を重ね、最終的に有効なデータが得られるまで2年ほどかかったということだ。

振動センサーは、周波数や用途などによって選定が変わってくるので注意が必要だ。たとえば、一般的な振動センサーは一軸方向のみだが、モーターはx、y、zの3軸、またそれぞれの回転軸も加味しなければならないので、合計6軸のセンサーが必要になる。

また、工場の構内を移動するフォークリフトの危険運転などの挙動を可視化する場合も、6軸センサーのセンサーを使用するのがよいという(設置場所は、後部のピラーと呼ばれる柱部分)。

自動車やトラックの場合は3軸センサーで危険運転を認識できるが、フォークリフトのスケートをすべるような特徴的な動きを認識するには、6軸が必要だということだ。

センサーの選定を誤れば、無駄なデータばかりを集めることになってしまう。センサーをつけたら、狙っていたデータが得られているのかどうか、早期に確認すべきだ。

6. IoTではデータの前処理が重要なプロセス

財務データや購買データなど、ITで扱うデータは基本的に人間が生み出すものなので、人はそれを見てすぐに理解できる場合が多い。

しかし、IoTの場合はそうではない。特に工場の場合、さまざまな機械から一方的に、ノイズや欠損を含めた粒度の荒いデータが次から次へと上がってくる。

それらを「使える状態」にするには、データの前処理(クレンジング)が重要だ。

たとえば、温度のデータ一つとっても、華氏と摂氏で単位が異なる。華氏でデータを吸い上げるセンサーを使った場合は、きちんと変換しなければならない。モニターで可視化した後に、「華氏だから何度なのかよくわからない」となっては意味がない。

稼働のデータにしても、変化がないデータをミリ秒単位でひたすら取り続けても、不要なデータがサーバにひたすらたまっていくだけだ。そのため、変化点だけを取る、また定期的なタイミングでは元データも取る、などのこまかい設定をする必要があるのだ。

AIを活用して機械の予知保全をする場合も、データの前処理は重要だ。AIを使う場合は、データを入力して学習モデルを作成する必要があるが、その学習モデルを作成するプロセスの約8割がデータの前処理だと言われる。

なぜなら、空欄や欠損値も学習モデルのデータとして反映させてしまうと、精確な学習モデルがつくれなくなってしまう。ただそれらを除けばいいということではなく、異常に外れた値であっても、学習モデルから外すべきなのか、入れるべきなのかはしっかり吟味しなければならない。

現場としては、これらのステップをできるだけ避け、欲しいデータだけが手に入る状態にしたいと考えるだろう。また、その「欲しいデータ」というのも、現場が分析に使うのか、AIの学習モデルに使うのか、マネジメントが経営に使うのかで、状態が変わってくるはずだ。

そのように、ユーザーの用途、ニーズに合わせ、「欲しいデータ」の形に向け、可能なかぎり簡単にデータ処理できるIoTプラットフォームを選ぶのが好ましい。

7. エッジとクラウド、どちらを使うべきか

工場のIoTシステムに関して、エッジとクラウドのどちらを使うべきかという議論をよく耳にする。それらは何を意味しているのか。

これまで、IoTシステムのデータ処理や分析は、その手軽さからクラウドで行うのが一般的だった。しかし、IoTデバイスの量が増えることで扱うデータ量は膨大になり、クラウドでは対処しきれなくなってきた。

特に工場では、設備から上がってくるストリーミングデータをリアルタイムに解析し、異常を検知することが求められる。また、工場では「データを外に出したくない」というセキュリティの観点からもクラウドの活用は抵抗があった。

そのようなニーズから、これまでクラウドでしかできなかったような機能がIoTゲートウェイなどのエッジ側でも実装できるようになってきた。それが、エッジとクラウドのどちらを使うべきかという議論が登場してきた背景だ。

最近では、データの前処理までは、すべてエッジ側で行うのが一般的になってきたと言える。一方、稼働監視やデータの分析、産業機械の予知保全といったアプリケーションもエッジとして実装するか、クラウドと連携するかということについては、プラットフォームによって異なる。

昨年から運用が開始されたファナックの「Field System」は、早くから「エッジヘビー」をコンセプトとしていた。データのリアルタイム処理は可能な限り現場に近い「エッジ」で行い、稼働監視やデータ分析、予知保全などのアプリケーションも産業用PC「FIELD BASE PRO」などで実行する。

そして、マネジメント向けのKPIの見える化などの上位のアプリケーションや、世界中にある工場のデータ比較などにおいては、クラウドとシームレスに連携できるといったものだ。

三菱電機やアドバンテックらによって今年の4月から始動する製造業向けプラットフォーム「Edgecross」も同様だ。

一方で、「使える状態のデータ」にするところまではエッジ側で行い、それ以降のアプリケーションはすべてクラウドで行うといったプラットフォームも数多くある。これについては、プラットフォーマーによって考え方や特長が違うのでどちらがよいという判断は難しい。

ユーザーとしても、何をしたいかによって選択が変わってくる。たとえば、リアルタイム性の観点で言うと、確かにクラウド(レイテンシ:数百ミリ~数秒)よりはエッジ(数ミリ~数十ミリ)の方が好ましいと言える。

しかし、それはどこまでのリアルタイム性が必要なのかによる。たとえば、数秒間隔のデータがあれば稼働監視には問題ないという場合であれば、クラウドで十分だ。

従って、現場としてはデータを活用して何を見たいかを明確にしておく必要がある。そのうえで、ユーザーのニーズに応じてエッジとクラウドがシームレスに連携できるようなプラットフォームを選べば間違いないだろう。

 

ここまで、PoCを進めていくうえで重要なポイントをいくつか述べてきた。これから製品やサービスを検討する際の参考にしていただければ幸いだ。

さて、かりに可視化や予知保全PoCが成功し、生産性の改善を達成したとする。しかしそれは、サプライチェーン全体から見れば、「製造」という一部分の最適化である。

一方で、インダストリー4.0で言われるような世界のデジタル化では、サプライチェーン全体を最適化するビジネスモデルの変化が起きている。次回は、それらのグローバルの動向をふまえ、メーカーがとるべきデジタル化戦略について解説する。

製造業のデジタル化において今やるべきこと

Previous

ソフトバンク、デジタルドアロックの遠隔管理サービス「スマカギ」を提供開始

電池寿命を約10倍に改善、芳和システムデザインの新ビーコン「BLEAD-TAG」

Next