エンジニアのための製造業入門 — ライン・タクトタイム・現場データをつなぐ

Webシステムでは、リクエストが失敗すれば再試行できます。工場では、材料を加工した後にrollbackできません。設備停止は生産計画へ波及し、検査の遅延はラインを詰まらせます。製造業向けシステムでは、データベースやAIの前に物が流れる制約を理解する必要があります。

この記事では、ソフトウェアエンジニアが工場の会話へ入るために必要な、ライン、タクトタイム、ロット、設備階層、現場データの地図を作ります。2026年版ものづくり白書でもAI・デジタル技術活用は競争力強化の論点として扱われています[1]が、価値を出す入口は現場の判断を理解することです。

まず「何をどう作る工場か」を聞く

製造業は一つの業務ではありません。工程の性質で、システム要件が変わります。

生産形態	例	データ設計で効く点
離散製造	自動車部品、電子機器	個体・部品表・組立順序・シリアル
バッチ製造	食品、化学、医薬品	ロット・配合・切替・洗浄・追跡
連続製造	鉄鋼、紙、エネルギー	時系列・運転条件・区間の切り出し

同じ「品質データ」でも、離散製造では製品1個、バッチではロット、連続製造では時間区間が主キーになります。この単位を決めずにデータレイクを作ると、センサー値と品質結果を後から結合できません。

最初の現場ヒアリングでは、製品が何を単位に識別され、どの工程をどの順で通り、どこで合流・分岐するかを図にします。

タクトタイムとサイクルタイムを分ける

製造現場で速度を表す言葉は一つではありません。

• タクトタイム: 顧客需要を満たすために、何秒ごとに1個完成させる必要があるか
• サイクルタイム: 一つの工程が実際に1個を処理する時間
• リードタイム: 材料投入から完成・出荷までにかかる全時間
• スループット: 単位時間あたりに完成した量

たとえば要求タクトが60秒、ある工程のサイクルタイムが75秒なら、その工程がボトルネック候補です。ただし、設備を高速化するだけでは、前後工程の在庫や検査能力が詰まることがあります。局所のモデル精度や処理速度ではなく、ライン全体の流れで評価します。

AI外観検査も同じです。推論が200ミリ秒でも、撮像、搬送、判定、排出まで含めてタクトに収まる必要があります。外観検査AIが定着した構造では、この運用制約まで含めて整理しています。

工場システムの階層をつかむ

工場には、応答時間と責任の異なるシステムが重なっています。ISA-95は、物理プロセスから企業業務までを階層として整理します[2]。

階層	主な役割	代表的な要素
Level 0	実際の物理プロセス	加工、搬送、加熱、冷却
Level 1	計測と操作	センサー、アクチュエーター
Level 2	リアルタイム制御	PLC、DCS、制御盤、SCADA
Level 3	製造オペレーション	MES/MOM、品質、保全、在庫移動
Level 4	企業計画	ERP、受注、購買、原価、生産計画

クラウドAPIが一時停止しても、PLCの安全制御は止められません。逆にPLCは、顧客注文や原価計算を知りません。各層の責任を保ったまま、必要な情報だけを上下へ渡します。

AI推論をどこへ置くかも、この階層で考えます。ミリ秒単位の制御へ直接入れるのか、Level 3で作業指示を出すのか、ERP側で翌日の計画を変えるのかで、安全性、遅延、可用性の要件が変わります。

現場データは5種類に分ける

工場データを「時系列」と一括りにせず、役割で分けます。

1. マスタ: 設備、品種、工程、レシピ、部品表、作業者資格
2. 計画・指示: 生産オーダー、数量、納期、投入順
3. イベント: 開始、停止、アラーム、段取り替え、保全作業
4. 連続値: 温度、圧力、振動、電流、速度
5. 実績・品質: 完成数、不良理由、検査値、廃棄、手直し

分析で最も困るのは、データがないことより結合キーがないことです。センサー値が取れても、その時刻にどの品種・ロットを加工し、どの工具を使い、最終品質がどうだったかを結べなければ改善へ使えません。

最低限そろえるキーは、設備ID、時刻、製品・ロットID、工程ID、オーダーIDです。時計ずれ、IDの手入力揺れ、設備交換時の引き継ぎも設計対象です。

設備メーカーごとにデータ名や形式が異なる問題には、共通語彙と情報モデルを定めるMTConnectのような標準があります。MTConnectではAdapterがメーカー固有データを翻訳し、Agentが標準形式で提供します[3]。ただし標準接続だけで、品質結果との意味的な結合まで完成するわけではありません。

KPIは局所最適にしない

製造の代表的なKPIには、生産量、不良率、停止時間、納期遵守、仕掛在庫などがあります。一つだけを最大化すると、別の場所へ負担が移ります。

• 生産速度を上げると、不良や設備負荷が増える
• 見逃しゼロを狙うと、過検出と再検査が増える
• 予備品を厚くすると、停止リスクは減るが在庫費用が増える
• 稼働率を上げ続けると、段取り・保全の時間を失う

そのためAIテーマは、「精度を上げる」ではなく「欠陥流出を保ちながら再検査を何件減らす」「突発停止を減らし、計画保全へ何時間移す」のように、制約と効果を対にして定義します。

NISTも、製造データ分析を、計測・伝送・分析・伝達・行動のフィードバックループとして捉え、分析手法の選択とデータ取得・意思決定の統合を課題に挙げています[4]。ダッシュボードを作るだけでなく、数字を見た人が何を変えるかまで設計します。

AIプロジェクトの始め方

工場AIは、データ収集基盤から始めるより、現場の一つの判断から逆算します。

1. 判断を選ぶ: 検査する、止める、保全する、順序を変える
2. 現在の基準を知る: 誰が何を見て、どの頻度で判断しているか
3. 誤りコストを決める: 見逃し、誤報、停止、遅延の影響
4. 必要データを結ぶ: センサーだけでなく品種・ロット・保全・品質を結合
5. 小さく並走する: 既存運用を残し、AIの提案と人の判断を比較
6. 変更を運用化する: 品種追加、設備変更、しきい値更新の責任者を決める

正常品画像から異常を見つける具体例はMVTec ADハンズオン、設備データから保全判断へつなぐ流れは予知保全入門へ続きます。

まとめ

• 製造業システムは、データより先に物の流れ、生産形態、識別単位を理解する
• タクトタイム、サイクルタイム、リードタイムを分け、ライン全体で評価する
• ISA-95の階層で、制御・製造オペレーション・企業計画の責任を分ける
• 現場データはマスタ、指示、イベント、連続値、品質実績を共通キーで結ぶ
• KPIは速度、品質、停止、在庫のトレードオフとして設計する
• AI導入は「どの判断を変えるか」から逆算し、既存運用と並走して検証する

最初の一歩は、対象ラインの工程図に、設備ID・製品ID・時刻・品質結果がどこで発生するかを書き込むことです。そこにAIが使えるデータと、まだ欠けている接続が現れます。