スマートファクトリー
Smart Factory
スマートファクトリーとは?
- IoT・AI・データで生産を知能化
- 自ら感知・判断・最適化
- 製造DXの象徴
スマートファクトリーを導入して最初に変わるのは、設備ではなく意思決定の根拠です。これまでは「あのプレスは音がこうなったらすぐ止まる」という20年目の班長の勘に頼っていた判断が、振動・電流・温度の値の傾向へ移っていきます。判断の時点も前倒しされます。故障後に夜通し直す事後対応から、兆候が見えたら計画された時間に止める事前対応へ移るのです。そのため導入効果は、稼働率よりも「計画対比の実績」の誤差が縮まることから先に表れます。
現場では通常、段階に分けて取り組みます。手作業やバーコード管理を脱して生産実績を自動で集める基礎、設備データで工程をリアルタイムに制御する中間段階、条件を自ら調整する高度化の段階へと進みます。国内の中小製造業の大半は、基礎と中間段階の間にあり、実際に効果の大部分もその区間で生まれています。工場自動化(FA)とも区別する必要があります。ロボットやコンベヤーで人の手を減らすのがFAなら、スマートファクトリーはその設備が生み出したデータを戻して条件を変えることです。MESやERPはデータを入れる器であり、それ自体が目的ではありません。
導入の前提条件も検討する必要があります。予知保全は故障履歴が最低でも数十件たまらないとパターンが見えず、モーターやベアリングのように前兆がはっきりした回転体で効果が大きくなります。逆に多品種少量のラインでは、予測より生産計画と実績を合わせることが先です。投資規模もばらつきが大きく、ライン1か所にセンサーと収集用サーバーを付ければ数千万ウォン、全社のMESまで載せると数億ウォン規模になります。1ラインと1つの指標に絞り、6か月以内に数字を出してみることが、失敗を減らす近道です。
最もよくある誤解は「機械さえ買えばいい」という考えです。センサーを付けても、設備ごとに通信規格がばらばらなのでデータがつながらないことが多く、つないでも現場が見なければ、事務所の壁にかかったダッシュボードで終わります。支援事業の期間に構築したものの、維持費と担当人員がなく、1〜2年後には画面すら点かない工場も少なくありません。さらに危険なのはデータの品質です。作業者が不良コードを面倒がって「その他」と入力してきた工場では、その上に載せたAIが誤った答えを非常に自信満々に出します。まず直すべきは記録する習慣であり、技術はその次です。
ドイツの「インダストリー4.0」(2011年頃)政策で概念が確立され、IoT・AIの発展とともに広がりました。
仮想の事例で見てみましょう。自動車部品を作る2次協力会社のA社は、役職員180名、年間売上420億ウォン(約502,278万円)規模のインジェクション・プレス工場です。プレスが予告なく止まるのは月4〜5回、工程不良率は3.2%で、発注元の品質監査で2回連続して指摘を受けました。代表が「8か月以内に数字で示してほしい」と明言したことで、プロジェクトが始まりました。
- 生産管理チームのキム チーム長は、プレス12台すべてに手を入れるのではなく、停止の多い4台だけに振動・電流センサーを取り付けて3か月分のデータを集めました。対象範囲を絞ったことが、このプロジェクトの最初の判断でした。
- 設備保全担当のパク課長が、過去の停止履歴1,100件を一つずつラベリングした結果、ベアリング摩耗の前兆が停止の約48時間前の電流波形に現れるというパターンを見つけました。
- 品質チームは射出成形の条件(金型温度・射出圧力・保圧)を不良判定と結び付け、全体不良の62%が3号機の金型温度のばらつきに起因することを突き止めました。
- 現場の班長たちが「タブレット入力が増えただけだ」と反発すると、キム チーム長は手入力の項目を14件から3件に減らし、残りは設備から自動で取り込む仕組みに変えました。
- 8か月後、不良率は3.2%から1.4%に、計画外停止は月4.6回から1.2回に減り、納期遵守率は88%から97%になりました。投資した2億4,000万ウォン(約478万円)は約2年で回収できる見込みと整理されました。
チョン・イリョン
金鍾赫(キム・ジョンヒョク)