ブラックボックス化されたPLCでも、専用PCや複製PCをデータハブとして活用することで、安全かつリアルタイムな設備データの可視化を実現する方法について解説します。

製造AIは過去の生産履歴の範囲しか最適条件を提案できないため、不良率が改善しないことがあります。改善が停滞した際は、長年固定化された静的パラメータを専門家の教科書レンジで再探索し、新たな生産履歴を蓄積することで次のAIモデルが強化されます。

製造業のDXは、データの信頼性、正しく設計されたシステム、そして現場での確実な運用という3つが揃って初めて成果を生みます。多くの工場では不正確なデータやつながらないシステムが課題となり、意思決定に活かせない状況が続きます。鋳造工場での6年間の実践を通じ、可視化、工程理解に基づくシステム設計、AIによる不良低減モデル、そして現場での定着が揃って初めて、計画したROIを実現できることを学びました。

製造業の原価計算は、生産方式で「主役」が変わります。 一品生産は労務工数、量産は機械稼働が価値を生むため、 労務ベースかマシンアワーベースかで原価計算のロジックが変わる。 鋳造では注湯機の稼働と良品数が正しい単価の鍵になります。

多くの工場では不良率を可視化していますが、データが「正しく見えない」ケースが少なくありません。 同じロットでも、検査員によって不良率が 2% と 8% に分かれるなど、ばらつきが大きく、問題は製品ではなく 検査員の判断の違い にありました。 背景には、限られた検査リソースの中で設定された 「何個検査したか」だけを評価する KPI があり、スピードが優先され、判断品質が犠牲になっていたのです。 この結果、データは信頼性を失い、不要なスクラップや誤った経営判断につながります。 工場データは機械だけでなく、人の行動を映し出す。人は戦略ではなく KPI に従う。

日本の製造業ではデジタル化が進んでいるように見えて、実際には多くの工場で取り組みが停滞しています。現場支援の経験から、その主な理由は4つあります。 ① 工場がインターネット接続を避けていること、② 可視化が目的化してしまうこと、③ データが経営判断につながっていないこと、④ データ精度が疑われないこと。 デジタル化はダッシュボードを作ることではなく、より良い意思決定につなげて初めて価値を生みます。