OEEの数字が改善につながらない理由
OEE（Overall Equipment Effectiveness、設備総合効率）は、時間稼働率×性能稼働率×良品率で、設備がどれだけ価値を生む時間に使われたかを表す指標です。日次や週次で集計すれば、ラインの調子は分かります。しかし「先週より3ポイント下がった」という数字からは、何をすればよいかは出てきません。
改善策を出すには、OEEのロスを中身に分解する必要があります。
| ロスの区分 | OEEの要素 | 中身の例 | 分析に必要なデータ |
|---|---|---|---|
| 停止ロス | 時間稼働率 | 故障、段取り替え、材料待ち、計画停止 | 停止の開始・終了時刻と理由コード |
| チョコ停 | 性能稼働率 | 数秒〜数分の短時間停止（ワークの詰まり、センサの誤検知） | 秒単位の稼働状態ログ |
| 速度低下 | 性能稼働率 | 標準サイクルより遅い運転 | サイクルごとの実績時間と標準時間 |
| 不良・手直し | 良品率 | 工程内不良、立上げ時の不良 | ロット・時刻と紐付いた不良数と不良コード |
チョコ停と速度低下は、日次の集計では「性能稼働率が低い」という1つの数字に埋もれます。これらは件数が多く1件あたりは短いため、作業者が記録しないことがほとんどで、設備のログからしか拾えません。
必要なデータの粒度
AIで要因を分析するには、次の3つの粒度が必要です。
- 稼働状態ログは秒単位で取る：PLCの運転信号や積層灯の状態を、状態が変わった時刻で記録します。1分ごとの集計値では、30秒のチョコ停が見えません。古い設備で信号が取れない場合の方法は古い設備をつなぐレトロフィットで扱っています
- 停止理由は2階層以上で記録する：「故障」「その他」だけでは分析できません。大分類と、部位や原因の中分類を持たせ、「その他」が多いコードは見直します。設計の原則は不良コード・停止理由コードの設計を参照してください
- 停止と不良をMESの作業指示に紐付ける：どの品番・材料ロット・作業者のときに停止や不良が起きたかが分かれば、層別で要因を絞れます
AIで何を分析するか
粒度の揃ったデータがあれば、AIや統計で次のような分析ができます。いずれも、MESの文脈（品番・ロット・作業者・段取り）と設備のログの結合が前提です。
- 停止：理由別の頻度と時間をパレートで並べ、品番・シフト・設備の層別で偏りを見る。故障の前に出ているアラームの組合せを見つける
- チョコ停：停止の前後数分の信号のパターンを比べ、詰まりや誤検知の前兆を見つける。同じ箇所で繰り返す停止は、設備の調整で解決できることが多い
- 速度低下：サイクル時間の分布を品番・材料ロット・作業者別に比べ、標準から外れる条件を探す
- 不良：段取り替えや立上げの直後に不良が集中していないか、材料ロットとの関係を見る
旭鉄工は、生成AIを使った「AIキムテツ」が毎朝約200の製造ラインを巡回し、停止・サイクルタイムの悪化・設備異常を自動で分析して、管理者に確認すべきラインと改善の検討内容を文章で伝える仕組みを公開しています。判断と責任は人が持つと明記しています（同社発表）。中国の亿纬锂能（荆门）は、40超のソリューションで品質診断と予知保全を行い、OEE 88%を達成したとWEFが報告しています（WEF、2026年1月）。どちらも、稼働データを細かく取り続ける仕組みが先にある点が共通しています。
進め方
3の段階で改善が進むことも多く、AIを使わずに済む場合もあります。それは失敗ではなく、データの粒度を整えたことの成果です。OEEをAI導入のKPIとして使う設計はAI導入のKPI設定で扱っています。
よくある質問
OEEの計算方法が工場ごとに違う場合はどうすればよいですか？
計画停止を含めるか、標準サイクル時間をどう決めるかで、OEEの値は変わります。工場間で比べる前に、定義を揃えます。定義は、データガバナンスの台帳に所有者と一緒に書いておくと、後から変わりにくくなります。
チョコ停の検出にAIは必要ですか？
停止の検出自体は、稼働信号の変化を見ればルールで十分にできます。AIが役に立つのは、チョコ停の前兆（停止の数分前の信号の変化）を見つけたり、多数の要因の組合せから原因の候補を絞ったりする段階です。
MESがない場合でもOEEを分析できますか？
稼働状態と生産数は設備から取れるため、時間稼働率と性能稼働率は分析できます。ただし、品番や材料ロット別の層別ができないため、要因の絞り込みには限界があります。作業指示の切替時刻だけでも記録すると、品番別の分析ができるようになります。
この記事に出てくる用語
AIは「データ基盤」で決まる
PoCは成功したのに本番で止まる。原因の多くはモデルではなく、MESと設備データの側にある 全130本
- MESとAIの関係：ロット・作業指示・品質判定がAIの精度を決める理由
- 製造業AIが本番で止まる7つの理由：PoCは成功したのにラインに載らない構造
- 製造業のAI-OCR：紙の検査記録・点検表・ミルシートをデータ化する手順
- データ基盤の段階的導入ロードマップ：ユースケースから逆算する8ステップ
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
