木幡計器製作所のIoT計器事例｜保全業務をAI活用につなげる

結論

保全業務をAI活用につなげるには、点検結果を紙に書き写す状態から、計測値と対応履歴をデータで残す状態へ変えることが最初の要件となります。

点検記録が紙の帳票に閉じ込められている状態のままでは、どれほど高度な分析アルゴリズムを用意しても、AIに参照させる学習データや判定材料が存在しません。

IPAの「中小規模製造業の製造分野におけるDXのための事例調査報告書」で紹介されている大阪府の株式会社木幡計器製作所の取組は、老舗の計測器メーカーが現場の保全課題に着目し、製品のデジタル化とシステムの構築を進めた参考例です。

自社の製品や保守点検業務をデータ活用につなげるためには、まず現場で取得している値と日々の点検履歴を、機械が読み取れる形式で整えていく設計が欠かせません。

木幡計器製作所の公開事例に見る取組の要点

既存機器の課題と保全業務の省力化

木幡計器製作所は、圧力計をはじめとする計測機器や制御機器のメーカーとして事業を展開してきた企業です。現場の保全業務においては、点検員が計器の目盛りを目視で読み取り、その数値を手作業で紙に書き写す運用が長らく行われてきました。

報告書では、こうした人手による確認作業の負荷や転記の手間に着目したことが示されています。同社は自社のコア技術である圧力計のIoT化を図り、現場へ足を運ばずに遠隔で確認できる仕組みや、点検業務を自動化する方向へ舵を切りました。

この取り組みは、自社製品を単なるハードウェアとして提供するだけでなく、顧客の保全業務を効率化するという新たな価値の創出を目指した点に特徴があります。

企業連携による機器開発とシステム構築

新しい機器やシステムの開発にあたり、木幡計器製作所は自社単独の開発に閉じることなく、地元企業や関西の企業連携プロジェクトを活用しました。

事例では、圧力計のIoT化に加え、既存の設備にも適用しやすい後付けIoTセンサや無線通信ユニットの開発、さらには計器・設備保全管理システムの構築に取り組んだ経緯が紹介されています。

自社に不足する通信技術やシステム開発の領域を外部連携で補いながら、長年培ってきた計測器の知見を活かして保全課題の解決に結びつけたプロセスは、製造業におけるDX推進の具体的な手本といえます。

保全業務をAI活用へつなげるデータ設計（編集部の示唆）

木幡計器製作所の事例は主にIoT機器やシステムの開発ですが、この取り組みで得られるデータ基盤は、将来的なAI活用の土台としてそのまま応用できます。

保全業務でAIを活用するためには、事前にどのようなデータ構造を整えておくべきか、実務的な観点から整理します。

保全データとして最初に整えるべき共通項目

AIを活用して異常の兆候を捉えたり、対応判断を補助したりするには、蓄積されるデータの形式が一貫していなければなりません。最初に共通仕様として定義すべき基本項目は以下の通りです。

• 設備や計器のID：どの場所にある、どの機器かを一意に特定するための識別記号
• 点検日時と計測値：いつ計測されたデータかを示す時系列情報と、取得された数値データ
• 正常範囲と異常判定：あらかじめ定められた基準値と、現場で下された良否判定の記録
• 対応内容と担当者：異常時や点検時に誰がどのような処置を行ったかを示す作業記録
• 故障や交換の履歴：部品の交換時期、故障の症状、過去に発生したトラブルの詳細履歴

これらの情報が単一の帳票や散乱したメモではなく、共通の識別子で紐づけられたデータベースとして管理されることで、初めてデータ解析の対象になります。

蓄積データが支援するAI活用の実務領域

整備されたデータが継続的に蓄積されると、保全業務の各段階でAIによる支援を取り入れる道が開けます。

第一に、時系列の計測値と過去の故障履歴を照合することで、通常とは異なる圧力変動などの異常傾向を捉える分析が考えられます。第二に、蓄積された設備の稼働状況や前回の点検結果をもとに、点検すべき設備の優先度を自動で整理する運用です。

さらに、作業者が入力した過去の対応記録を参照し、類似トラブルに対する処置方法を素早く検索したり、点検完了後の報告書ドラフトを自動生成したりする支援も期待できます。すべては正確な履歴データが揃っていることが前提となります。

自社で試す手順：保全業務のデジタル化ステップ（自社で試す手順）

木幡計器製作所のような先進的な機器開発を直ちに行うことが難しい場合でも、保全データを蓄積してAI活用へつなげる業務改善は段階的に進めることが可能です。中小企業が自社で試す際の手順を解説します。

ステップ1：記録対象の整理と識別情報の付与

まずは自社で管理している設備や計器を洗い出し、台帳を整理します。各機器に一意の識別コードや名称を付与し、点検員が迷わず同じ対象として認識できる状態を整えます。

名称の揺らぎや設置場所の曖昧さをあらかじめ排除しておくことが、将来のデータ突合作業をスムーズにする前提条件です。

ステップ2：計測値と判定基準のフォーマット化

次に、点検員が記録する用紙や入力フォームを見直します。記入者によって表現が分かれやすい自由記述欄を最小限にし、数値入力欄と選択式の判定項目を主軸に設計します。

正常範囲をあらかじめ明示し、入力された計測値が範囲内であるかをその場で確認できる形式に整えることで、記録漏れや異常の見落としを抑止します。

ステップ3：保全履歴のデータ化と過去対応の参照環境づくり

取得した点検データと、過去の修理や部品交換の記録を同一のシステムまたは共通のデータシートに集約します。

トラブルが発生した際に「どの機器で」「どのような処置を行ったか」を後から検索できる状態を作ることで、ベテラン点検員の頭の中にあったノウハウを組織のデータ資産へと移行させていきます。

ステップ4：異常検知や支援機能の段階的検証

データが一定程度蓄積された段階で、AIツールの適用を小規模に試します。

まずは過去データの検索支援や、日常点検の報告書作成の下書き生成といった業務負担の少ない領域から導入し、現場の確認を経ながら少しずつ数値の傾向監視や優先度整理の自動化へと適用範囲を広げていく進め方が堅実です。

IoTとAIを組み合わせる際の留意点（運用上の注意）

保全業務のデジタル化や自社製品のIoT化、将来的なAI導入を進める際には、実務面でいくつか注意すべきハードルがあります。

現場の運用負荷と通信環境への配慮

既存の計器をIoT化したり、後付けのセンサを設置したりする場合、機器の設置性や電源の確保、現場の通信環境が大きな課題になり得ます。

製造現場やプラント内には通信の電波が届きにくい遮蔽空間も存在します。導入先の環境で安定してデータを送信できる通信手段を選定することや、バッテリー交換などの保守頻度が現場の新たな負担にならないような配慮が求められます。

また、現場の作業者が操作に手間取らないよう、入力や確認のインターフェースをシンプルに保つ視点も大切です。

顧客データの取り扱いと権限管理の設計

自社の製品をIoT化して顧客の設備管理を請け負う場合、計測されるデータは顧客の操業状態そのものを示す重要な情報となります。

どのデータを自社のサーバーに取得し、どのデータを顧客の手元に留めるのか、データの所有権やアクセス権限の境界を事前に取り決めておく必要があります。

取得した稼働データを自社の製品改善やAI学習に利用してよいかどうかも含め、契約面および運用ルールとして合意を形成しておくことがトラブル防止につながります。

AIの判断と人の最終責任の切り分け

保全業務におけるAIの役割は、あくまで膨大なデータから傾向を整理したり、報告書の作成を支援したりする補助的な位置づけに留めるべきです。

設備の停止や部品の交換といった実際の保全判断までをシステムに任せきりにするのではなく、提示された分析結果をもとに、資格を持つ点検員や保全担当者が現地確認と最終決定を行う運用ルールを明確に定めておく必要があります。

参考にした公開事例

参考情報: IPA「中小規模製造業の製造分野におけるDXのための事例調査報告書」に掲載された木幡計器製作所の事例。中小企業で検討しやすい保全業務のデジタル化とDX推進の要点を確認できます。

次に読む記事

保守点検現場におけるAI活用の基礎や進め方については 機械保守とメンテナンス業のAI導入は点検報告から始める をご覧ください。

また、点検日程の調整や顧客連絡業務の効率化については 保守点検の案内メールと日程調整をAIで効率化する で詳しく解説しています。