テーマ8：設備と保全の理解

学習週：Week 11
優先度：支援（品質・納期に直結する隠れた要因）

1. 設備台帳の設計

設備台帳に含める情報：
  ① 設備番号（一意の識別子）
  ② 設備名称・型式・メーカー
  ③ 導入年月・設置場所
  ④ 担当工程・対応品番
  ⑤ 定格能力（精度・速度・負荷）
  ⑥ 主要部品の交換サイクル
  ⑦ 保全担当者
  ⑧ 保全マニュアル参照先

故障記録：
  発生日時 / 発見者 / 設備番号 / 故障内容 /
  停止時間 / 対応者 / 処置内容 / 再発防止策 /
  部品交換の場合：交換部品名・数量・費用

① 故障（予期しない停止）
② 計画保全（予定された停止）
③ 段取り・調整（品種切替）
④ 材料待ち（上流の問題）
⑤ 品質不良による停止
⑥ 操作ミス

OEE = 可用率 × 性能率 × 品質率

可用率 = （計画稼働時間 − 停止時間）÷ 計画稼働時間
性能率 = 実際の生産量 × 標準サイクルタイム ÷ 実稼働時間
品質率 = 良品数 ÷ 総生産数

世界クラスの目安：OEE ≥ 85%

設備劣化が品質に与える影響の例：

スピンドル軸受の摩耗 → 主軸の振れ増大 → 加工径のばらつき増大
刃物の摩耗 → 切削力増大 → 寸法変化・表面粗さ悪化
クランプ力の低下 → 加工中のワーク動き → 寸法誤差
温度管理不良 → 熱変位 → 高精度加工の精度低下

① センサー設置：振動・温度・電流・音響
② データ収集：IoT GatewayでPLCデータを取得
③ 正常モデル作成：正常稼働時のデータでベースライン設定
④ 異常検知：ベースラインからの逸脱を検出
⑤ アラート通知：保全担当者への自動通知
⑥ 保全指示：CMRSへの作業指示作成

種別	タイトル	用途
書籍★	Introduction to TPM Seiichi Nakajima（1988）	TPMの原典。OEEの概念もここから
論文	Integrating AI and IoT for Predictive Maintenance（MDPI 2025）	最新の予知保全技術論文
論文	Predictive maintenance survey（PMC 2024）	ML手法と計画モデルのサーベイ

このテーマを「理解した」と言えるための確認項目

ETO製造では段取り替えの頻度が高いため、OEEの「可用率」低下の主因が段取り時間になりやすい。SMEDの考え方（内段取りの外段取り化：設備を止めている間にしかできない作業を最小化する）が特に効果的。段取り時間の削減はETO工場でのOEE改善において最大のレバーになることが多い。

多品種少量のため「設備別の稼働データ収集」が後回しにされがちだが、センサー+IoTによるリアルタイムOEE計算はDX化後の効果測定に不可欠。「DX投資後に設備稼働率が何%改善したか」を示せなければ、追加投資の承認を得ることが難しくなる。

予知保全（PdM）の適用対象は「突発停止による影響が大きい設備（ボトルネック工程・長いリードタイムの工程）」から優先すると費用対効果が高い。全設備に一律に適用しようとすると、導入コストが膨大になる。スコアリングによる優先設備の選定が重要だ。

ETO特有の課題として、設備の使用パターンが案件ごとに大きく異なるため、「設備の異常状態」の定義が難しい。正常時のデータが案件ごとに異なるため、異常検知モデルの学習データを案件をまたいで収集・整理する仕組みが必要となる。