複合機の保守会社が機械のカウンターと部品の交換の記録から Python で部品ごとの交換の時期を予測し、まとめて替える部品と技術員ごとの訪問の計画の案を作る
複合機のカウンターと部品の交換の記録から、Python で部品ごとの寿命のモデルを作り、翌月中に交換の目安に達する部品を確率付きで洗い出します。まとめて替える部品を束ね、技術員ごとの訪問の順番の案まで出します。
- 連携・自動化
- Python
- 対象業界
- IT・SaaS/その他/商社
- 対象部門
- カスタマーサポート
- 対象業務
- 比較検討/集計・分析
- 主な課題
- 人手が足りない/判断に時間がかかる/属人化している
- AIで行う処理
- 予測
- 主な効果
- 判断支援/工数削減/機会損失防止
- 導入難易度
- ★★★★☆
- 実装レベル
- 本格構成
- 費用感
- 個別開発(大)
- 人間の確認
- 条件付き
01導入前 / 導入後の業務フロー
- 月の半ばに、保守の管理の仕組みから全台のカウンターと、部品ごとの前回の交換のカウンターを書き出す
- 部品ごとに「前回からの枚数」を出し、交換の目安の枚数の8割を超えたものに印を付ける
- 印の付いた機械と部品を1件ずつ見て、機種と使われ方から、翌月替えるか、次の月に回すかを決める
- 同じ機械で近いうちに替える部品があれば、まとめて替えるかを決める
- 客先の地域と受付の時間を見て、技術員ごとに訪問の日を割り振る
- 倉庫に部品の出庫の依頼を出す
- 自動毎月の締めでカウンターが入った翌朝、Python の処理が保守の管理の仕組みの CSV を読み込む
- 自動部品の種類ごとの寿命のモデルで、いま付いている部品について、翌月末までに交換の目安に達する確率と、残りの枚数の見込みを出す
- 自動機械ごとの直近の刷る速さで、残りの枚数を日付に直す
- 自動確率が基準を超えた部品を候補にし、同じ機械で一定の期間内に達する部品をまとめて替える組に束ねる
- 自動客先の受付の時間と技術員の人数から、OR-Tools で技術員ごとの訪問の順番の案を作る。回りきれない訪問は、確率の低いものから外れる
- 人計画の担当が、候補の一覧と訪問の案を見て手直しし、客先と日程を調整して確定する
- 人技術員が現地で部品の状態を見て、替えるかを決め、交換の理由とカウンターを記録する
- 自動翌月の締めで、替えた・替えなかったの記録をモデルの学習に戻す
各工程の詳しい説明を読む
- 月の半ばに、保守の管理の仕組みから全台のカウンターと、部品ごとの前回の交換のカウンターを書き出す
- 部品ごとに「前回からの枚数」を出し、交換の目安の枚数の8割を超えたものに印を付ける
- 印の付いた機械と部品を1件ずつ見て、機種と使われ方から、翌月替えるか、次の月に回すかを決める
- 同じ機械で近いうちに替える部品があれば、まとめて替えるかを決める
- 客先の地域と受付の時間を見て、技術員ごとに訪問の日を割り振る
- 倉庫に部品の出庫の依頼を出す
(a)目安の8割で一律に印を付けている。 機種や使われ方で部品のもちが違うのに、印の基準は1つです。 印の付いた600件を1件ずつ見て、経験で絞り込んでいます。
(b)前回からの枚数しか見ていない。 1日に何枚刷る機械かを見ないと、残りの枚数が同じでも、翌月中に達するのか3か月先なのかが分かりません。 担当はカウンターの前月との差を暗算して補っています。
(c)まとめて替えるかの判断が、訪問の後に分かる。 定着器を替えに行った翌月に、同じ機械の給紙のローラーで呼ばれることがあります。1回で替えていれば、移動の時間が1回分減っていました。
(d)訪問の割り振りが、地図と受付の時間を見ながらの手作業。 技術員24名の翌月の訪問を、担当3名が数日かけて組んでいます。
- 【自動】 毎月の締めでカウンターが入った翌朝、Python の処理が保守の管理の仕組みの CSV を読み込む
- 【自動】 部品の種類ごとの寿命のモデルで、いま付いている部品について、翌月末までに交換の目安に達する確率と、残りの枚数の見込みを出す
- 【自動】 機械ごとの直近の刷る速さで、残りの枚数を日付に直す
- 【自動】 確率が基準を超えた部品を候補にし、同じ機械で一定の期間内に達する部品をまとめて替える組に束ねる
- 【自動】 客先の受付の時間と技術員の人数から、OR-Tools で技術員ごとの訪問の順番の案を作る。回りきれない訪問は、確率の低いものから外れる
- 【人】 計画の担当が、候補の一覧と訪問の案を見て手直しし、客先と日程を調整して確定する
- 【人】 技術員が現地で部品の状態を見て、替えるかを決め、交換の理由とカウンターを記録する
- 【自動】 翌月の締めで、替えた・替えなかったの記録をモデルの学習に戻す
7番目が、モデルを育てる工程です。 現地で「まだ替えなくてよい」と判断した部品は、その時点の枚数までもったという打ち切りの記録になります。 替えた理由が「故障」か「予防」かで、学習の扱いが変わるので、理由の入力を省かないことが要です。
6番目で人が見るのは、確率の高い順に並んだ候補です。 600件を同じ重さで見るのではなく、上位から見ていき、下位は案のまま通す形にします。
02今回想定するシステム構成
保守の管理の仕組み(機械の台帳・カウンター・作業の記録 CSV) ▼【トリガー】毎月のカウンターの締めの翌朝 Python(pandas) ├──▶ 部品ごとの「前回の交換からの枚数」と、交換の理由から事象・打ち切りを決める ├──▶ 機械ごとの直近90日の1日あたりの枚数、カラーの比率 ▼ lifelines WeibullAFTFitter(部品の種類ごと、枚数を時間の軸に) │ いま付いている部品:conditional_after で残りの枚数の分布 ▼ Python ── 翌月末までに達する確率、日付への換算、まとめて替える組 ▼ Google OR-Tools(時間枠付きの配車、確率に応じた外す罰則) ▼ 候補の一覧・技術員ごとの訪問の案・部品の出庫の一覧 ▼ 【計画の担当が手直し・客先と調整して確定】→ 現地で技術員が判断・記録
| 役割 | 想定する製品 | 代替候補 |
|---|---|---|
| 実行環境 | Python(pandas・lifelines・OR-Tools) | R(survival) |
| 処理エンジン | lifelines の WeibullAFTFitter(打ち切りを含む生存時間の回帰) | lifelines の CoxPHFitter、scikit-survival |
| 集計 | Python(確率と日付の換算、まとめて替える組、出庫の一覧) | 表計算の計算式 |
| 保管 | 社内のファイルサーバー(学習の記録、候補の一覧、訪問の案、当たり方の記録) | - |
新しく足すのは、Python の処理と、交換の理由の入力の徹底です。 保守の管理の仕組みには書き込みません。この構成が出すのは、候補の一覧と訪問の案までです。
寿命のモデルは、lifelines の WeibullAFTFitter にします。 fit に観測した長さの列(duration_col)と、事象が起きたかの列(event_col、起きたら1、打ち切りなら0)を渡します。時間の軸に日数ではなく、前回の交換からの枚数を入れます。 部品の摩耗は日数より枚数で進むからです。
いま付いている部品の残りは、conditional_after で出します。 lifelines の説明では、すべての予測の関数で conditional_after を指定でき、ある時点まで生き残った対象について、その時点を条件とした生存の確率(その後の時点の生存の確率を、その時点の生存の確率で割ったもの)を返すとされています。predict_median の結果は残りの長さで、全体の寿命はそれに conditional_after を足したものです。
訪問の順番は、Google OR-Tools の時間枠付きの配車(VRPTW)で組みます。 客先ごとに訪問できる時間の枠を持たせ、技術員を車両に見立てて、移動の時間の合計が小さくなる順番を探します。 回りきれないときに訪問を外せるように、罰則付きの選択(AddDisjunction)を使います。
03どうやって実装するのか
処理の起点を決める
毎月、カウンターの締めが終わった翌朝に、計画の担当が処理を実行します。 カウンターの読みは請求のために集めているので、締めの日が決まっており、その翌朝には全台の読みがそろっています。 時刻で自動に動かすより、締めの完了を担当が確かめてから実行するほうが、読みの欠けた機械を混ぜずに済みます。
寿命のモデルの学習し直しは、3か月に1回にします。 部品の交換の記録は1か月で数百件しか増えず、毎月学習し直しても形はほとんど変わりません。 新しい機種が入ったときと、メーカーが部品の改良品を出したときは、臨時で学習し直します。
月の途中で呼び出しの修理が入って部品を替えたときは、次の締めの実行で反映されます。 月の途中で予測をやり直す必要はありません。
入力データを集める
| データ | 中身 | 取得元 |
|---|---|---|
| 機械の台帳 | 機械の番号、機種、設置の日、客先の番号、保守契約の種類 | 保守の管理の仕組みの CSV |
| カウンターの読み | 機械の番号、読んだ日、白黒の累計、カラーの累計、読みの経路(遠隔・客先の報告) | 同上 |
| 部品の交換の記録 | 機械の番号、部品の種類、交換の日、交換したときのカウンター、交換の理由(故障・予防・定期・その他)、技術員 | 同上 |
| 客先の情報 | 客先の番号、所在地(地域の区分と緯度経度)、受付の時間の枠 | 客先の台帳 |
| 技術員の情報 | 技術員の番号、拠点、翌月の勤務の日、扱える機種 | サービス課の勤務の表 |
| 規則の表 | 部品の種類ごとのメーカーの交換の目安の枚数、まとめて替える期間、候補にする確率の基準 | サービス課が作る表 |
質を決めるのは、交換の理由の列です。 「故障」と「予防」が区別されていないと、予防で早めに替えた部品まで「その枚数で寿命が来た」と学び、 寿命を短く見積もります。導入の前に、直近2年の記録の理由の列がどれだけ埋まっているかを数えます。
交換したときのカウンターも欠かせません。 交換の日しか無い記録は、その日に近いカウンターの読みから補えますが、 補った値には印を付け、学習でどう扱うかを決めます。
データの取得方法を決める
保守の管理の仕組みから、台帳・カウンター・作業の記録の3つの CSV を書き出し、pandas で読みます。
| 取るもの | どこから | 何に使うか |
|---|---|---|
| 前回の交換からの枚数 | 交換の記録のカウンターと、次の交換(または最新のカウンター)との差 | 寿命のモデルの時間の軸 |
| 事象・打ち切り | 交換の理由 | event_col |
| 刷る速さ | 直近90日のカウンターの読みの差 ÷ 日数 | 枚数を日付に直す |
| カラーの比率 | カラーの累計の増え ÷ 全体の増え | 寿命のモデルの共変量 |
| 受付の時間・所在地 | 客先の台帳 | 訪問の時間枠と移動の時間 |
部品ごとに数える枚数を決めておきます。 定着器や給紙のローラーは全体の枚数で、カラーの現像器はカラーの枚数で摩耗します。どの累計を時間の軸にするかを規則の表に部品ごとに持たせ、 処理はその表に従って枚数を出します。
移動の時間は、拠点と客先の緯度経度から概算します。 実際の道路での時間を取るには地図のサービスが要りますが、最初は直線の距離に係数を掛けた概算で始めます。 訪問の案は人が手直しするので、概算で足ります。
AIへ渡す前に整形する
- 事象と打ち切りを決める … 交換の理由が「故障」は事象(1)、「予防」「定期」「その他」は打ち切り(0)、いま付いている部品も打ち切り(0)にします
- カウンターの戻りを弾く … 機械の入れ替えや基板の交換でカウンターが戻った機械は、戻った前後で別の機械として扱います
- 枚数が0以下の行を除く … 同じ日に同じ部品を2回替えた記録などで、差が0以下になる行は除いて記録に残します
- 刷る速さが出ない機械に印を付ける … 直近90日に読みが1回しかない機械は、速さを出さずに印を付けます
- 機種をまとめる … 台数の少ない機種は、同じ系列の機種とまとめて1つの区分にします
- 学習と検証の期間を分ける … 直近の6か月に起きた交換を検証に使い、それより前の記録で学習します
1番目が、この構成でいちばん大事な決めごとです。 「定期」の交換を事象にすると、定期に替えていた部品の寿命は、定期の間隔そのものになります。 定期の間隔はサービス課が決めた値で、部品のもちではありません。
2番目を怠ると、数十万枚もった部品が記録に現れます。 カウンターが戻った機械では、前回の交換のカウンターが今のカウンターより大きくなり、差がおかしな値になります。
6番目では、期間で分けたうえで、検証の期間の始まりの時点でまだ付いていた部品を対象にします。 その時点の枚数を conditional_after に入れて6か月以内に故障する確率を出し、実際に故障した部品の確率が高く出ていたかを見ます。
AIに処理させる
させるのは、いま付いている部品1つずつについて、翌月末までに交換の目安に達する確率と、残りの枚数の見込みを出すことです。
| 出すもの | 出し方 | 使い道 |
|---|---|---|
| 翌月末までに故障する確率 | 翌月末の見込みの枚数での条件付きの生存の確率を1から引く | 候補にするかの基準 |
| 残りの枚数(中央) | predict_median に conditional_after | 日付への換算 |
| 残りの枚数(早めの見込み) | predict_percentile で生存の確率が高い水準(例:0.8) | まとめて替えるかの判断 |
| 交換の見込みの日 | 残りの枚数 ÷ 1日あたりの枚数 | 訪問の束ね |
共変量は、機種の区分、1日あたりの枚数、カラーの比率の3つから始めます。 1日あたりの枚数を入れるのは、よく刷る機械ほど1枚あたりの摩耗の仕方が違う可能性を、モデルに確かめさせるためです。効かなければ外します。
predict_percentile は、生存の曲線がその水準を横切らないと無限大を返します。 長持ちする部品や、打ち切りの多い部品の種類で起きます。無限大は「翌月中には達しない」として扱い、 日付への換算から外します。
| させないこと | 理由 |
|---|---|
| 現地で替えるかの判断 | 部品の状態は技術員が見て決める |
| 客先との日程の決定 | 客先の都合はサービス課が調整する |
| 交換の目安の枚数の書き換え | メーカーの目安は規則の表に人が入れる |
| 刷る速さの将来の変化の推測 | 直近90日の速さをそのまま使い、変化は当たり方で見る |
指示内容を固定する
この構成の中心は生成AIではなく寿命のモデルなので、プロンプトの代わりに、学習と予測の設定を示します。
import numpy as np
import pandas as pd
from lifelines import WeibullAFTFitter
# 部品の種類ごとに学習(例:定着器)。duration は前回の交換からの枚数(千枚単位)
d = spans[spans["part"] == "fuser"][["kpages", "failed", "daily_pages",
"color_ratio", "model_group"]]
X = pd.get_dummies(d, columns=["model_group"], drop_first=True, dtype=float)
aft = WeibullAFTFitter(penalizer=0.01)
aft.fit(X, duration_col="kpages", event_col="failed")
# いま付いている部品:これまでの枚数を条件に、残りの枚数の分布を出す
now = installed[installed["part"] == "fuser"]
Xn = pd.get_dummies(now[["daily_pages", "color_ratio", "model_group"]],
columns=["model_group"], drop_first=True, dtype=float)
Xn = Xn.reindex(columns=X.columns.drop(["kpages", "failed"]), fill_value=0.0)
used = now["kpages_used"].to_numpy()
rem_mid = aft.predict_median(Xn, conditional_after=used)
rem_early = aft.predict_percentile(Xn, p=0.8, conditional_after=used)
翌月末までに故障する確率は、条件付きの生存の曲線から読みます。
sf = aft.predict_survival_function(Xn, conditional_after=used) # 行:枚数、列:部品
days = (month_end - today).days # 翌月末までの日数
reach = used + now["daily_pages"].to_numpy() * days / 1000 # 翌月末の見込みの枚数
prob = np.array([1 - np.interp(reach[j], sf.index, sf.iloc[:, j])
for j in range(len(reach))])
beyond = reach > sf.index.max() # 曲線の範囲の外
lifelines の説明では、conditional_after を指定したとき、その時点より前は確率1.0として扱われます。曲線の横の軸は前回の交換からの枚数のままなので、 翌月末の見込みの枚数(これまでの枚数+翌月末までに刷る枚数)の位置で読みます。曲線の範囲の外に出る部品は、読んだ値を使わずに印を付け、 計画の担当が見ます。
枚数を千枚単位にしているのは、数値の桁を小さくして学習を安定させるためです。 単位は規則の表に書き、日付への換算で元に戻します。
予測の側の列を学習の側の列に合わせる行(reindex)を省かないでください。 翌月の予測の対象に、学習のときに無かった機種の区分が入ると、列の並びがずれて、別の機種として計算されます。 学習に無かった区分は0で埋め、候補の一覧に「学習に無い機種」の印を付けます。
出力形式を固定する
候補の一覧は、機械と部品の組ごとに次の形で書き出します。
| 機械の番号 | 客先 | 部品 | これまでの枚数 | 故障の確率(翌月末まで) | 残り(中央) | 残り(早め) | 見込みの日 | 束ね | 注意 |
|---|---|---|---|---|---|---|---|---|---|
| M-01842 | C-0331 | 定着器 | 248千枚 | 0.42 | 31千枚 | 12千枚 | 12月上旬 | 束ね1 | - |
| M-01842 | C-0331 | 給紙ローラー | 205千枚 | 0.18 | 64千枚 | 28千枚 | 1月中旬 | 束ね1 | まとめて替える候補 |
| M-02210 | C-0517 | 現像器(シアン) | 96千枚 | 0.07 | - | - | - | - | 学習に無い機種 |
「束ね」の列は、同じ機械で一定の期間内(規則の表の値、例:60日)に達する部品を同じ番号でまとめたものです。 確率の基準を超えた部品が1つでもあれば、同じ束ねの部品も一緒に候補として並べます。替えるかどうかは、現地で技術員が状態を見て決めます。
訪問の案と、OR-Tools に渡す材料は JSON で持ちます。
{
"month": "2026-12",
"visits": [
{ "visit_id": "V-0412", "machine_id": "M-01842", "customer_id": "C-0331",
"bundle": ["fuser", "feed_roller"], "priority_prob": 0.42,
"time_window": ["09:30", "17:00"], "service_minutes": 60,
"assigned_tech": "T-07", "planned_date": "2026-12-03", "dropped": false }
],
"parts_pick_list": [ { "part": "fuser", "model_group": "", "qty": 0 } ]
}
priority_prob は、OR-Tools で訪問を外すときの罰則の大きさに使います。 罰則付きの選択では、訪問を外すと罰則が移動の合計に足され、罰則が小さい訪問ほど外れやすくなります。 確率の高い束ねほど罰則を大きくし、回りきれない月は確率の低い訪問から外れるようにします。OR-Tools の説明では、罰則が拠点間の距離の合計より大きければ、実行できる解にするのに必要な訪問だけが外れ、小さいと必要以上に外れうるとされています。罰則の下限を、移動の合計の目安より大きく取ります。
システムへ連携する
| つなぎ先 | 方式 | 内容 |
|---|---|---|
| 保守の管理の仕組み | CSV の書き出し(読み取りのみ) | 台帳、カウンター、交換の記録 |
| 客先の台帳・勤務の表 | ファイルの読み取り | 受付の時間、所在地、技術員の勤務 |
| 候補の一覧・訪問の案 | ファイルへの書き出し | 計画の担当が見て手直しする |
| 部品の出庫の一覧 | ファイルへの書き出し | 倉庫が翌月の出庫の準備に使う |
保守の管理の仕組みには書き込みません。 確定した訪問は、計画の担当がこれまでどおり訪問の予定の表に入れます。モデルの案が客先への連絡になる経路を作らないことで、 予測の誤りが客先に届かないようにします。
訪問の時間枠は、OR-Tools の時間の次元で表します。 説明の例では、時間の次元を AddDimension で足し、各訪問先の到着の時刻を CumulVar(index).SetRange(...) で枠に収めます。客先の受付の時間を枠に入れ、作業の時間(束ねの部品の数で変える)を訪問先での滞在として足します。 最初の解の探し方には、説明の例と同じ PATH_CHEAPEST_ARC を使います。
組むのは1日ずつ、拠点ずつです。 24名・1か月の訪問を1回で組むと問題が大きくなるので、束ねの見込みの日で日を決め、拠点ごとに1日分ずつ組みます。 日を決める段で客先の都合が分かっているものは、その日に固定します。
人が確認する
- 確率の高い順に候補を見る … 上位から、機種・客先の事情と照らします。下位は案のまま通します
- 「学習に無い機種」「刷る速さが出ない」の印 … 経験で判断し、必要なら目安の枚数で決めます
- 束ねを見る … まとめて替える部品が多すぎる束ねは、部品の在庫と照らして減らします
- 外れた訪問を見る … 回りきれずに外れた訪問のうち、客先の事情で外せないものを戻します
- 客先と日程を調整して確定する
1番目で「下位は案のまま通す」と決めておくのが、工数を減らす要です。 600件すべてを同じ重さで見直すと、6分が2分にはなりません。上位の1〜2割を見て、残りは案を信じる運用を、導入の最初の3か月で当たり方を見ながら固めます。
技術員の現地の判断は、計画の確認とは別にあります。 計画の段で候補に入れた部品を、現地で状態を見て替えないこともあり、その記録がモデルの打ち切りの情報として戻ります。
例外に対処する
| 起きること | 対応 |
|---|---|
| カウンターの読みが届いていない機械 | 予測をせず「読みなし」の印。前月の速さで代用しない |
| カウンターが戻った機械 | 戻った前後で別の機械として扱う |
| 学習に無い機種の区分 | 0で埋めて予測し、「学習に無い機種」の印を付ける |
predict_percentile が無限大 | 「翌月中には達しない」として候補から外す |
| 交換の理由が空の記録 | 学習から外し、空の件数を毎回数える |
| 刷る速さが極端に変わった(客先の移転・増設) | 直近30日と90日の速さの差が大きければ印を付ける |
| OR-Tools が時間内に解を出さない | 拠点の1日分をさらに午前・午後に分けて組み直す |
| 部品の在庫が足りない | 出庫の一覧で不足に印を付け、確率の低い束ねから翌月へ回す |
1行目で前月の速さで代用しないのは、読みが届かない機械に事情があることが多いからです。 撤去の予定、客先の休業、遠隔の通信の不具合のどれかで、どれも訪問の計画を変える事情です。 予測で埋めずに人へ回します。
記録を残す
- 学習に使った期間、部品の種類ごとのモデルの係数、検証の結果
- 毎月の候補の一覧(確率、残りの枚数、見込みの日、束ね)
- 訪問の案と、計画の担当が手直しした箇所、外れた訪問を戻した記録
- 現地で技術員が替えた・替えなかったの記録と、そのときのカウンターと理由
- 呼び出しの修理で替えた部品と、その部品が前月の候補にあったか
4つ目の記録が、次の学習の材料になります。 替えなかった部品は打ち切り、故障で替えた部品は事象として学習に戻ります。
5つ目は、当たり方のいちばん大事な見方です。 呼び出しの修理で替えた部品が、前月の候補に高い確率で載っていたなら、計画の段で拾えていたのに訪問に入らなかったということです。 載っていなかったなら、モデルか共変量に足りないものがあります。
04実装レベルの3段階
本記事の想定は本格構成です。 1件6分が2分になる見込みで、残るのは上位の候補の確認と、客先との日程の調整です。 半自動化だけでも、①の時間は大きく減ります。 確率の高い順に並ぶので、見る順番が変わるだけで、下位の件に時間を使わなくなります。 訪問の割り振りの③は残ります。 段階を飛ばさないでください。 半自動化の候補の一覧を3か月使い、呼び出しの修理で替えた部品が候補に載っていたかを数えてから、訪問の案に進むほうが、外れた訪問の扱いで迷いません。
05工数削減シミュレーション
導入後 600件 × 2分 ÷ 60 = 20 時間/月
自社条件で導入効果を整理したい方へ
このユースケースを自社に当てはめた場合の前提値と削減見込みを、業務ヒアリングをもとに整理します。
06向いている企業・向いていない企業
- 複合機・プリンターの保守契約を数千台持ち、技術員が十数人から数十人いる販売・保守の会社。カウンターの読みを毎月集めており、部品の交換を「メーカーの交換の目安の枚数」とサービス課の経験で決めている場合。同じ客先に短い間隔で何度も訪問している、あるいは目安より早く壊れて呼び出しの修理になる部品が多い場合。部品の交換の記録に、交換したときのカウンターが2〜3年分残っている場合。
- 保守契約の台数が数百台以下で、サービス課の担当が機械ごとの状態を覚えていられる場合。部品の交換をメーカーの遠隔の保守の仕組みに任せており、交換の時期を自社で決めない場合。交換の記録にカウンターが残っておらず、何枚で替えたかが分からない場合。なお、現地で部品を替えるかどうか、客先との日程の調整は、この構成では代替できません。
07最小構成で試す方法
- 保守の管理の仕組みから、主な部品1種類(例:定着器)の直近2年の交換の記録を書き出す
- 交換の理由の列がどれだけ埋まっているか、交換したときのカウンターが残っているかを数える
- 理由が「故障」の記録だけで、前回の交換からの枚数の分布を表計算のヒストグラムにする
- 同じ部品のいま付いている機械について、これまでの枚数の分布を重ねる
- 機種ごと、カラーの比率の高い・低いで分けて、分布の違いを見る
ここで見たいのは、記録が寿命のモデルに使える状態かと、機種や使われ方で寿命が違うかです。
| 出てきた内容 | 判断 |
|---|---|
| 理由とカウンターが8割以上埋まり、機種で分布がはっきり違う | Python での寿命のモデルに進む |
| 理由が空の記録が多い | 入力の徹底が先。 3か月ためてから進む |
| 機種や使われ方で分布がほとんど違わない | メーカーの目安の枚数で足りる。この構成の効果は小さい |
4番目の重ね合わせは必ず見てください。 いま付いている部品が故障の分布の右側に多く並んでいれば、記録だけで見た寿命が短すぎるということで、 打ち切りを扱うモデルが要る理由がそこで見えます。
08実装時につまずきやすいポイント
| 問題 | 対策 |
|---|---|
| 交換の記録だけで寿命を学んだ | いま付いている部品を打ち切りとして入れる |
| 予防・定期の交換を故障として学んだ | 理由が「故障」だけを事象にする |
| 交換の理由が空の記録が多い | 入力の選択肢を絞り、空の件数を毎月数えて技術員に返す |
| カウンターが戻った機械で枚数がおかしい | 戻った前後で別の機械として扱う |
| 予測の列の並びが学習とずれた | reindex で学習の列に合わせ、無い区分は印を付ける |
predict_percentile が無限大を返した | 翌月中には達しないとして扱う |
| 日数を時間の軸にした | 部品ごとに決めた累計の枚数を軸にする |
| 罰則が小さすぎて訪問が外れすぎる | 罰則の下限を移動の合計の目安より大きくする |
| 1か月分を1回で組んで解が出ない | 拠点ごと・1日ごとに分けて組む |
| 下位の候補まで全件見直している | 上位の範囲を決め、下位は案のまま通す |
上の2行が、寿命を短く見積もる失敗です。 短く見積もると候補が増え、まだ使える部品を替えに行く訪問が増えます。 計画の担当の工数は減っても、技術員と部品の費用が増える形で表に出ます。
09セキュリティ・AIガバナンス上の注意点
この構成で扱うデータ: 機械の番号と機種、客先の番号・所在地・受付の時間、カウンターの読み、部品の交換の記録、技術員の番号と勤務です。
- 客先の名前を学習のデータに入れない … 寿命のモデルに要るのは機種と使われ方で、客先の名前は要りません。 客先は番号で持ち、訪問の案を見る段で台帳と結びます
- カウンターの読みを請求以外に使うことを客先に説明できるようにする … カウンターは保守料金の請求のために集めているものです。保守の品質を上げるために使うことを、保守契約の説明や約款の範囲で説明できるかを、契約の担当と確かめておきます
- 技術員の評価に使わない … 交換の記録には技術員の番号が残りますが、寿命のモデルの共変量に技術員を入れないでください。 入れると「この技術員が替えた部品は早く壊れる」という形の数字が出て、作業の評価と混ざります。部品のもちを見る目的から外れます
- 予測で現地の判断を縛らない … 候補に入った部品を替えるかは、技術員が状態を見て決めます。「確率が高いから替える」を現地の基準にしないでください
誤りが起きた場合のリスクは、替えに行く必要のない訪問が増えることと、呼び出しの修理が増えることの2つです。 前者は寿命を短く見積もると、後者は長く見積もると起きます。どちらに外れているかは、現地で替えなかった件数と、候補に無かった呼び出しの件数で見えます。
10まず何から始めるか
1週目:交換の記録を数える
主な部品の直近2年の交換の記録について、交換の理由と交換したときのカウンターがどれだけ埋まっているかを数えます。理由の空が多ければ、技術員の入力の選択肢を「故障・予防・定期・その他」の4つに絞るところから始めます。
2週目:分布を重ねる
定着器について、故障の枚数の分布と、いま付いている部品の枚数の分布を重ねます。機種ごとに分けて、寿命の違いが見えるかを確かめます。
3週目:寿命のモデルを作る
Python で定着器の WeibullAFTFitter を学習し、直近6か月で検証します。検証の期間に実際に故障した部品が、確率の高いほうに並んでいたかを見ます。
4週目:候補の一覧を計画の担当と見る
翌月の候補の一覧を作り、計画の担当がこれまでのやり方で選んだ候補と並べます。食い違った件について、どちらが妥当かを担当と話します。
2か月目: 部品の種類を主なものに広げ、束ねを足します。3か月目以降: OR-Tools で訪問の案を作り、1件6分が何分になったかを実測します。呼び出しの修理で替えた部品のうち、前月の候補に載っていたものの割合が上がった時点で、この構成は完成です。
11関連ユースケース
12この仕組みを理解するための記事
13技術仕様の確認日・参考情報
| 確認した内容 | 情報源 | 確認日 |
|---|---|---|
WeibullAFTFitter の引数(alpha・penalizer・l1_ratio・fit_intercept)。predict_percentile が既定で中央値を返し、生存の曲線が水準を横切らないと無限大を返すこと | lifelines: WeibullAFTFitter | 2026-11-02 |
fit に duration_col と event_col(起きたら1、打ち切りなら0)を渡すこと。conditional_after で、ある時点まで生き残った対象の条件付きの生存の確率を出し、その時点より前を確率1.0として扱うこと。predict_survival_function に conditional_after を渡す例。predict_median の結果が残りの長さであること | lifelines: Survival Regression | 2026-11-02 |
時間枠付きの配車(VRPTW)で、AddDimension で時間の次元を足し、CumulVar(index).SetRange(...) で到着の時刻を枠に収めること。最初の解の探し方に PATH_CHEAPEST_ARC を使う例 | Google OR-Tools: Vehicle Routing Problem with Time Windows | 2026-11-02 |
AddDisjunction で訪問を外せるようにし、外すと罰則が移動の合計に足されること。罰則が距離の合計より大きければ必要な訪問だけが外れ、小さいと必要以上に外れうること | Google OR-Tools: Penalties and Dropping Visits | 2026-11-02 |
本記事は、上記のページで確認できた範囲だけを扱っています。 部品の交換の目安の枚数は、各メーカーの保守の資料に従ってください。
実装ステータス:構成例。 公開仕様に基づいて設計した構成であり、当社で実際に構築・検証したものではありません。工数の数値はモデル条件による試算です。
自社の業務に使えるAI活用候補を整理します
このユースケース(UC-2541)についてのご相談はこちらから。
