Media > AI活用ユースケース > 生産 > 板金の工場が、レーザー加工機のアラームの履歴と稼働の記録から Python で、レンズ・ノズルの汚れや部品の交換が要りそうな時期を見込み、保守の予定の案を作る

板金の工場が、レーザー加工機のアラームの履歴と稼働の記録から Python で、レンズ・ノズルの汚れや部品の交換が要りそうな時期を見込み、保守の予定の案を作る

実装ステータス:構成例 技術的に実現可能な構成として設計したもの。自社未検証

レーザー加工機のアラームの履歴・稼働の記録・保守の記録から、機械と部位ごとに、次の10稼働日のうちに清掃や交換が要る確率を Python で見込み、翌週の保守の予定の案を作ります。履歴を1台ずつ読む時間が減ります。

サマリー
連携・自動化
Python
対象業界
建設/製造
対象部門
生産
対象業務
台帳・マスタ管理/集計・分析
主な課題
判断に時間がかかる/属人化している/期限・対応漏れが起きる
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
現在工数
24h/月
AI導入後
8h/月
想定削減
67%
年間削減
192h
モデル条件による試算値です。実在企業の実績ではありません。

01導入前 / 導入後の業務フロー

導入前(Before)
  1. 保全の担当が、機械ごとにアラームの履歴の画面を開き、ここ数日の部位に関わるアラームを数える
  2. 保守の記録のスプレッドシートで、その部位の前回の清掃・交換の日を確かめる
  3. 生産管理のシステムで、前回の交換からの加工の量と、亜鉛めっき鋼板・アルミの割合を見る
  4. オペレーターに、切断面の荒れやドロス(裏に付く溶けた金属)の様子を聞く
  5. 部品の在庫の表を見て、替える部品があるかを確かめる
  6. 翌週の保守の予定を表にし、生産の計画の担当に機械を止める時間を伝える
導入後(After)
  1. 自動毎朝6時、Python のスクリプトが前日分のアラームの履歴・加工の実績・保守の記録を読み込む
  2. 自動アラームの番号を、自社の対応表で部位に振り分ける。短い時間に続いた同じアラームは1回にまとめる
  3. 自動機械と部位ごとに、前回の交換からの加工の時間、直近のアラームの件数と増え方、材料の割合を計算する
  4. 自動学習済みのモデルで、次の10稼働日のうちに清掃・交換が要る確率を出す
  5. 自動毎週木曜の朝、確率と保守の枠と部品の在庫から、翌週の保守の予定の案を作る
  6. 人保全の担当が、確率の高い部位と予定の案を見て、オペレーターに様子を聞き、予定を決める
  7. 人生産の計画の担当に、機械を止める時間を伝える
  8. 人実際に清掃・交換したら、保守の記録に日付と理由と部品の状態を入れる
各工程の詳しい説明を読む
  1. 保全の担当が、機械ごとにアラームの履歴の画面を開き、ここ数日の部位に関わるアラームを数える
  2. 保守の記録のスプレッドシートで、その部位の前回の清掃・交換の日を確かめる
  3. 生産管理のシステムで、前回の交換からの加工の量と、亜鉛めっき鋼板・アルミの割合を見る
  4. オペレーターに、切断面の荒れやドロス(裏に付く溶けた金属)の様子を聞く
  5. 部品の在庫の表を見て、替える部品があるかを確かめる
  6. 翌週の保守の予定を表にし、生産の計画の担当に機械を止める時間を伝える

(a)判断がベテランの勘に寄っている。 アラームの履歴をどう読むかは、担当によって違います。ベテランは「この機種でこのアラームが1日3回を超えたら、保護ガラスが近い」と分かりますが、それは頭の中にしかありません。 ベテランが休むと、予定が「前回から何日たったか」だけで決まります。

(b)履歴を読むのに時間がかかる。 機種ごとに履歴の画面が違い、アラームの番号も違います。8台の画面を行き来して、部位に関わるアラームだけを拾う作業が、判断そのものより長くかかります。

(c)汚れに気づくのが止まってから。 金曜に「来週はまだ大丈夫」と決めた部位が、水曜にアラームで止まり、夜勤の時間帯なら翌朝まで機械が止まったままになります。 保護ガラスの汚れを放っておくと、レンズまで傷めることがあります。

(d)早すぎる交換もある。 止まるのが怖くて、まだ使える保護ガラスやノズルを予定の日に替えることがあります。部品の費用と、交換のために止める時間が、毎月少しずつ余分にかかっています。

  1. 【自動】 毎朝6時、Python のスクリプトが前日分のアラームの履歴・加工の実績・保守の記録を読み込む
  2. 【自動】 アラームの番号を、自社の対応表で部位に振り分ける。短い時間に続いた同じアラームは1回にまとめる
  3. 【自動】 機械と部位ごとに、前回の交換からの加工の時間、直近のアラームの件数と増え方、材料の割合を計算する
  4. 【自動】 学習済みのモデルで、次の10稼働日のうちに清掃・交換が要る確率を出す
  5. 【自動】 毎週木曜の朝、確率と保守の枠と部品の在庫から、翌週の保守の予定の案を作る
  6. 【人】 保全の担当が、確率の高い部位と予定の案を見て、オペレーターに様子を聞き、予定を決める
  7. 【人】 生産の計画の担当に、機械を止める時間を伝える
  8. 【人】 実際に清掃・交換したら、保守の記録に日付と理由と部品の状態を入れる

6番目で人が見るのは、確率の高い部位と案だけです。 48件すべての履歴を開く必要はありません。確率の低い部位は一覧で流し見て終わりにし、高い部位と、案に入った部位だけを確かめます。

8番目が、この構成を育てます。 交換の理由と、外したときの部品の状態(汚れていた・まだ使えた)を残すと、見込みが当たったか外れたかが分かり、次の学習の材料になります。 理由が残らないと、衝突による交換と汚れによる交換を分けられません。

02今回想定するシステム構成

構成図
アラームの履歴(機械ごとの CSV)/加工の実績(生産管理)/保守の記録/部品の在庫
   ▼【トリガー】毎朝6時(社内のサーバーの定時実行)
Python(pandas)
   ├──▶ アラームの番号を部位に振り分け(自社の対応表)
   ├──▶ 続けて出た同じアラームを1回にまとめる
   ├──▶ 前回の交換を日ごとに引き当て(merge_asof)
   └──▶ 機械・部位・日ごとの特徴(加工の時間・アラームの件数と増え方・材料の割合)
   ▼
scikit-learn(HistGradientBoostingClassifier)
   │   次の10稼働日のうちに清掃・交換が要る確率
   ▼【毎週木曜】
Python ── 保守の枠・部品の在庫と照らして、翌週の保守の予定の案
   ▼
【保全の担当が確率の高い部位と案を確かめ、予定を決める】
   ▼
生産の計画の担当へ/保守の記録への入力(日付・理由・部品の状態)
役割想定する製品代替候補
実行環境Python(pandas・scikit-learn)R
処理エンジンscikit-learn の HistGradientBoostingClassifier(次の10稼働日の確率)LightGBM、ロジスティック回帰
集計Python(特徴の計算、保守の予定の案)表計算の計算式
保管社内のファイルサーバー(特徴の表、確率の履歴、予定の案、当たり外れの記録)-

新しく足すのは、Python の処理と、アラームの番号を部位に振り分ける対応表です。 加工機の NC や生産管理のシステムには書き込みません。この構成が出すのは、確率の一覧と保守の予定の案までです。

モデルは、scikit-learn の HistGradientBoostingClassifier にします。 公式のページでは、欠けた値(NaN)をそのまま扱え、学習のときに欠けた値をどちらの枝に送るかを決めるとされています。機種によって取れない特徴があり、交換の直後は増え方を計算できない日もあるので、欠けた値を埋めずに渡せることが効きます。 predict_proba で確率を返せます。

生成AIは使いません。 この構成の判断は、数字の履歴からの見込みと、保守の枠への当てはめの規則で足ります。予定の案の文面も、表の形で出せば十分です。

03どうやって実装するのか

Step1

処理の起点を決める

毎朝6時に、社内のサーバーの定時実行でスクリプトを起動します。 朝の始業の前に前日までの確率を更新しておけば、保全の担当は朝いちばんに、その日の段取り替えの時間で清掃できる部位を確かめられます。

保守の予定の案は、毎週木曜の朝に作ります。 生産の計画の担当が翌週の計画を金曜に固めるので、その前日に案があれば、機械を止める時間を計画に織り込めます。 これまで金曜に保全の担当が予定を決めていた流れを、1日前に倒します。

モデルの学習は、月に1回、月初にやり直します。 前の月の清掃・交換の記録が増えた分を学習に入れます。毎日学習し直すと、たまたまの数日の出方に引っ張られます。

Step2

入力データを集める

データ中身取得元
アラームの履歴日時、機械、アラーム番号、アラームの文機械ごとに書き出した CSV(書き出せる項目は機種とメーカーの仕組みで違う)
加工の実績日、機械、加工の時間、材料の種類、板厚生産管理のシステム
保守の記録日、機械、部位、作業(清掃・交換)、理由(汚れ・摩耗・衝突・定期)、外した部品の状態保全のスプレッドシート
アラームの対応表機種ごとのアラーム番号 → 部位保全の担当が取扱説明書を見て作る
保守の枠週ごとの段取り替えの時間、週末の保守の時間生産の計画の担当の表
部品の在庫部位ごとの交換部品の在庫の数部品の在庫の表

質を決めるのは、アラームの対応表と、保守の記録の「理由」の列です。 アラームの番号は機種ごとに違い、同じ番号が別の意味のこともあります。番号を部位に振り分ける対応表が無ければ、どのアラームが保護ガラスの話なのかが分かりません。 対応表は、取扱説明書のアラームの一覧を見ながら保全の担当が作ります。

保守の記録の理由は、学習の答えそのものです。 「汚れ」「摩耗」による清掃・交換を答えとし、「衝突」は答えから外し、「定期」は答えに入れません。理由が空欄の記録が多いと、何を見込んでいるのかが分からなくなります。 導入の前に、過去の記録の理由を埋め直す作業が要ることがあります。

アラームの履歴の書き出し方は、機種とメーカーの仕組みによって違います。 機械の画面から USB に書き出す、メーカーの稼働の監視の仕組みから CSV でダウンロードする、などの方法があります。どの項目が、どの期間まで書き出せるかを、機種ごとにメーカーに確かめます。 自動で取れない機種は、週に1回、オペレーターが書き出して共有のフォルダに置く運用でも構いません。

Step3

データの取得方法を決める

取るものどこから何に使うか
アラームの行共有のフォルダの CSV部位ごとの件数と増え方
加工の時間と材料生産管理のシステムの書き出し前回の交換からの加工の時間、材料の割合
清掃・交換の行保守の記録前回の交換の日、学習の答え
枠と在庫生産の計画の表、在庫の表予定の案

前回の交換は、pandas の merge_asof で日ごとに引き当てます。 公式のページでは、merge_asof はキーが等しい行ではなく近い行で結び付ける左結合に近いもので、direction の既定の backward は左のキー以下で最後の右の行を選び、by で機械と部位ごとに結び付けられるとされています。日ごとの表に、その日以前で最後の交換を付ければ、「前回の交換から何時間」が計算できます。

# 日ごとの表(機械・部位・日)に、その日以前で最後の交換を付ける
daily = daily.sort_values("date")
changes = changes.sort_values("date")          # 両方ともキーで昇順に並べておく
daily = pd.merge_asof(
    daily, changes[["date", "machine", "part", "change_date"]],
    on="date", by=["machine", "part"], direction="backward",
)
daily["hours_since_change"] = cum_hours(daily)  # 交換の日からの加工の時間の累計

並べ替えを忘れると、結び付けがエラーになります。 公式のページでは、両方の表を結び付けのキーで昇順に並べておく必要があり、キーは日時や数値の列でなければならないとされています。by の列での並べ替えは要らないとされています。

Step4

AIへ渡す前に整形する

  1. アラームを部位に振り分ける … 対応表で番号を部位に変えます。対応表に無い番号は「部位不明」として件数だけ残します
  2. 続けて出た同じアラームをまとめる … 同じ機械で同じ番号が数分のうちに何度も出たものは1回に数えます
  3. 衝突の後のアラームを外す … 保守の記録で「衝突」の交換があった日の、その部位のアラームは数えません
  4. 特徴を作る … 機械・部位・日ごとに、前回の交換からの加工の時間、直近3日と7日のアラームの件数、直近3日の件数とその前の7日の1日あたりの件数の比(増え方)、直近7日の亜鉛めっき鋼板・アルミの加工の時間の割合、平均の板厚を計算します
  5. 答えを付ける … その日の翌日から10稼働日のうちに、その部位で「汚れ」「摩耗」の清掃・交換があれば1、無ければ0とします
  6. 機種を特徴に入れる … 機種の列を pandas のカテゴリの型にします

2番目を省くと、増え方が意味を持ちません。 1回の出来事で同じアラームが数十回続けて出ることがあり、それを数十回と数えると、その日だけ増え方が跳ね上がります。 汚れが進んでいるのではなく、1回つまずいただけです。

6番目でカテゴリの型にするのは、公式のページの既定の動きに合わせるためです。 HistGradientBoostingClassifier の categorical_features は既定で "from_dtype" で、データフレームのカテゴリの型の列だけがカテゴリとして扱われるとされています。機種を数字の番号のまま渡すと、番号の大小に意味があるものとして扱われます。

特徴は、その日までのデータだけで作ります。 5番目の答えは先の10日を見ていますが、特徴に先の日のデータが1行でも混ざると、見込みが実際より当たって見えます。 増え方の計算の窓は、その日を最後の日とします。

Step5

AIに処理させる

させるのは、機械・部位・日ごとの特徴から、次の10稼働日のうちに清掃・交換が要る確率を出すことだけです。 ここでの AI は、過去の履歴から学んだ予測のモデルです。

見るもの使い方判断できないときの扱い
前回の交換からの加工の時間長いほど確率が上がる傾向を学ぶ前回の交換の記録が無ければ欠けた値のまま
アラームの件数と増え方増え方が大きいほど確率が上がる傾向を学ぶ交換の直後で窓が足りなければ欠けた値のまま
材料の割合と板厚スパッタの多い材料が続くと早まる傾向を学ぶ加工の実績が無い日は加工の時間0
機種機種ごとの違いを学ぶ学習に無い新しい機種は対象外

学習の設定で、時間の漏れを防ぎます。 公式のページでは、HistGradientBoostingClassifier の early_stopping は既定の 'auto' だとサンプルが1万を超えると有効になり、学習の材料の一部(既定で1割)を検証に取り分けるとされています。8台・6部位・3年分なら1万行を超えます。取り分けは日付と無関係に行われるので、先の日の行で学習を止める判断をすることになります。 early_stopping=False にするか、日付で分けた検証の行を X_val と y_val で渡します。

検証は、日付で前後に分けて行います。 公式のページでは、TimeSeriesSplit は未来のデータで学習して過去で評価することを避けるための分け方で、比べられる指標にするにはサンプルが等しい間隔で並んでいる必要があるとされ、gap は学習の末尾から除く行の数とされています。この構成の表は1日に48行(8台 × 6部位)並ぶので、行の数ではなく日付で分ける自前の分け方にし、答えの窓の10稼働日の分を学習と評価のあいだに空けます。

させないこと理由
部品を替えるかの最終の判断現場で部品を見て、保全の担当が決める
衝突による故障の見込み前触れが無く、履歴から見込めない
学習に無い新しい機種の見込み機種ごとの違いを学んでいない
予定の自動の確定と機械の停止生産の計画と人の段取りに関わる
加工の条件の自動の変更品質と安全に関わる。メーカーの手順で人が行う

2行目を明記しておくのは、期待のずれを防ぐためです。 「予測の仕組みを入れたのに、ノズルが割れて止まった」という話は、この構成の外のことです。 衝突は、加工のプログラムや材料の反りの側の対策で減らします。

Step6

指示内容を固定する

この構成では、生成AIへの指示文は使いません。 その代わりに、モデルの学習と予定の案づくりの設定を、指示の文書として残します。

【学習の設定】
- 答え:翌日から10稼働日のうちに、その部位で理由が「汚れ」「摩耗」の
        清掃・交換があれば1。「衝突」「定期」は答えに含めない
- 特徴:前回の交換からの加工の時間/直近3日・7日の部位のアラーム件数/
        増え方(直近3日の1日あたり ÷ その前7日の1日あたり)/
        直近7日の亜鉛めっき鋼板・アルミの割合/平均の板厚/機種(カテゴリの型)
- モデル:HistGradientBoostingClassifier
          early_stopping=False(または日付で分けた X_val, y_val を渡す)
          class_weight="balanced"(答えが1の日は少ないため)
- 検証:日付で前後に分け、学習と評価のあいだに10稼働日を空ける
- 学習のやり直し:毎月の月初

【予定の案の規則】
- 確率0.6以上 … 翌週の保守の枠に入れる候補
- 確率0.3以上0.6未満 … 段取り替えの時間に点検する候補
- 0.3未満 … 一覧に出すだけ
- 同じ機械の候補は、同じ枠にまとめる
- 交換の部品の在庫が無い部位は「在庫なし」と書き、案に入れない
- 数値はすべて、導入の後3か月の当たり外れを見て保全の担当が決め直す

class_weight="balanced" を入れるのは、答えが1の日が少ないためです。 公式のページでは、"balanced" はクラスの出現の数に反比例する重みを自動で付けるとされています。1の日が全体の数%しか無いと、何もしなければモデルは「いつも0」に寄ります。

確率の境目の数値は、仮の値です。 0.6と0.3は、始めるための目安で、根拠のある値ではありません。 3か月の当たり外れを見て、早すぎる交換と止まってからの交換の両方が減る値に、保全の担当が決め直します。

Step7

出力形式を固定する

毎朝、機械・部位ごとの確率の一覧を CSV で書き出します。 1行分の項目を JSON の形で示すと次のとおりです。

{
  "date": "2026-11-19",
  "machine": "L-03",
  "model_type": "機種B",
  "part": "nozzle",
  "probability": 0.64,
  "hours_since_change": 182.5,
  "alarms_3d": 9,
  "alarm_growth": 2.4,
  "galvanized_aluminum_share_7d": 0.55,
  "stock": 6,
  "note": ""
}

木曜の朝には、これを予定の案の表にします。

機械部位確率前回の交換から直近3日のアラーム増え方案在庫
L-03ノズル0.64182.5時間9件2.4倍月曜の段取り替えで交換6
L-03保護ガラス0.58140.0時間7件1.8倍同じ枠で点検3
L-06集光レンズ0.41610.0時間2件1.1倍水曜の段取り替えで点検0(在庫なし)

1行目と2行目のように、同じ機械の候補を同じ枠にまとめるのが要です。 3号機のノズルの交換で機械を止めるなら、そのときに保護ガラスも見れば、止める回数が1回で済みます。 3行目は在庫が無いので、点検だけを案にし、部品の手配を保全の担当に促します。

確率だけでなく、根拠の数字を並べる理由は2つあります。 1つ目は、保全の担当が自分の勘と照らせることです。「前回から182時間で増え方2.4倍なら、そろそろだ」と納得できれば、案を採りやすくなります。

2つ目は、外れたときに理由を追えることです。 確率は高かったのに部品がきれいだった、という外れが続くなら、どの特徴が確率を押し上げていたかを数字で見直せます。 対応表の振り分けの誤りが見つかることもあります。

Step8

システムへ連携する

つなぎ先方式内容
共有のフォルダCSV の読み込み機械ごとのアラームの履歴
生産管理のシステム書き出したファイルの読み込み加工の時間・材料・板厚
保守の記録スプレッドシートの読み込み前回の交換と、学習の答え
生産の計画の表・在庫の表読み込み保守の枠と部品の在庫
社内のファイルサーバー書き出し確率の一覧、予定の案、当たり外れの記録

加工機の NC と生産管理のシステムには書き込みません。 加工の条件を変えたり、機械を止めたりする経路を作らないことで、見込みが外れても生産が乱れません。 予定を決めて伝えるのは、今までどおり保全の担当です。

保守の記録も、この構成からは書き換えません。 交換の理由と部品の状態は、作業をした人が入れます。自動で「予測どおり交換」と書き込むと、当たり外れの記録の意味がなくなります。

Step9

人が確認する

人が見るのは、保全の担当1名が、1件あたり約10分です。

  1. 確率の高い部位を見る … 一覧の上から、根拠の数字と自分の見立てが合うかを確かめます
  2. オペレーターに様子を聞く … 切断面の荒れやドロスの様子を確かめます。数字に出ない変化は現場にあります
  3. 案を直して予定を決める … 枠と在庫を見て、案を採るか、ずらすかを決めます
  4. 外した部品の状態を記録する … 清掃・交換したら、汚れていたか、まだ使えたかを保守の記録に入れます

4番目を省かないでください。 当たり外れの記録が残らないと、確率の境目の数値を決め直す材料がありません。 「まだ使えた」の記録が多い部位は、境目を上げる材料になります。

現場での見極めを、確率で置き換えません。 確率が低くても、オペレーターが「切断面がおかしい」と言えば点検します。この構成は、見落としを減らすためのもので、現場の判断を後回しにするためのものではありません。

Step10

例外に対処する

起きること対応
アラームの CSV が届かない機械があるその機械は「データなし」と出し、確率を出さない。前日の値を流用しない
対応表に無いアラーム番号が出た「部位不明」として件数を一覧に出し、保全の担当が対応表に足す
NC の更新でアラーム番号が変わった対応表を機種と NC の版ごとに持ち、更新の日から新しい表を使う
新しい機械が入った学習に無い機種は対象外とし、半年ほど記録をためてから学習に入れる
交換の記録の理由が空欄学習の答えから外す。保全の担当に理由を入れてもらう
機械が長く止まっていた加工の時間の累計は進まないので、日数ではなく加工の時間で見る
衝突による交換があった答えから外し、その日の部位のアラームも数えない
確率が毎日大きく上下する3日の移動平均を並べて出し、1日の値だけで案を決めない

上から3行目は、気づかないと長く効きます。 メーカーの更新で番号の意味が変わると、対応表の古い振り分けのまま、ある部位のアラームが急に0になったり増えたりします。 「部位不明」の件数が急に増えたら、まず NC の更新を疑います。

Step11

記録を残す

  • 日ごとの特徴の表(機械・部位・日)と、使ったアラームの対応表の版
  • 毎日の確率の一覧
  • 毎週の予定の案と、保全の担当が決めた予定(採った・ずらした・やめた)
  • 清掃・交換の実績と、外した部品の状態
  • モデルの学習の記録(学習の日、使った期間、検証の結果、設定)
  • 当たり外れの記録 … 確率の高かった部位が実際に汚れていたか、低かった部位が止まらなかったか

最後の行が、この構成の価値を測る材料です。 導入の前の3か月と後の3か月で、アラームで止まってからの交換の件数と、まだ使える部品を替えた件数を比べます。どちらかだけが減っているなら、確率の境目がずれています。

04実装レベルの3段階

最小構成:1台・2部位のアラームと交換の記録を表計算のファイルで並べ、前触れの形を見る / 前触れがあるかの確認
半自動化:上記+Python で8台のアラームを部位に振り分け、特徴の一覧(前回からの時間・件数・増え方)を毎朝出す / 履歴の集計と一覧化
本格構成:上記+scikit-learn で次の10稼働日の確率を出し、保守の枠と在庫から翌週の予定の案を作る / 見込みと予定の案づくり

半自動化で、①の履歴を数える時間がほぼ無くなります。 特徴の一覧があれば、保全の担当は8台の画面を行き来せずに済みます。本格構成で確率と案が出て、1件10分になります。この段階が本記事の想定です。 段階を飛ばさないでください。 半自動化の一覧を2〜3か月見ると、対応表の振り分けの誤りと、理由が空欄の記録が先に見つかります。そこを直してから学習に進むほうが、見込みが安定します。

05工数削減シミュレーション

前提値(モデル条件)
対象人数
3 名
月間件数
48 件
1件あたり現在時間
30 分
1件あたり導入後時間
10 分
現在  48件 × 30分 ÷ 60 = 24 時間/月
導入後 48件 × 10分 ÷ 60 = 8 時間/月
月間削減時間
16h
削減率
67%
年間削減時間
192h
年間金額換算(時間単価3,500円)
67万円
モデル条件による試算であり、実際の効果は業務内容・運用方法によって異なります。

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。

AI活用について相談する

06向いている企業・向いていない企業

向いている
  1. レーザー加工機を数台以上持つ板金・鉄骨・建築金物の工場で、保護ガラスやノズルの汚れによる加工の不良やアラームでの停止が月に何度も起き、清掃や交換の時期をベテランの保全の担当の勘で決めている場合。機械のアラームの履歴を CSV などで書き出せ、交換と清掃の記録を1〜2年分以上、日付と理由付きで残している場合。社内に Python を動かせる環境と、スクリプトを保守できる担当がいる場合。
向いていない
  1. レーザー加工機が1〜2台で、保全の担当が毎日機械を見て状態を把握できる場合。アラームの履歴を書き出せない、または交換と清掃の記録が残っていない場合。保守をメーカーの保守契約にすべて任せていて、清掃や交換の時期を自社で決めない場合。なお、現場での部品の状態の見極め、部品を替えるかの最終の判断、レーザーの安全に関わる作業の判断は、この構成では代替できません。

07最小構成で試す方法

  1. 停止の多い機械を1台選び、過去1年分のアラームの履歴と保守の記録を集める
  2. その機種のアラームの番号を、取扱説明書を見て部位に振り分けた表を作る(まず保護ガラスとノズルの2部位だけ)
  3. 表計算のファイルで、日ごとに「前回の交換からの日数」と「直近3日のアラームの件数」を並べる
  4. 過去の「汚れ」「摩耗」の交換の日の前に、アラームの件数がどう動いていたかをグラフで見る
  5. ベテランの保全の担当に見せ、勘と合っているかを聞く

学習のモデルを作る前に、「増え方に前触れがあるか」を確かめます。 前触れが見えなければ、モデルを作っても見込めません。

出てきた内容判断
交換の前にアラームが増えていく形が見えたPython で特徴を作り、モデルの学習に進む
増える形はあるが、記録の理由が空欄で分けられない保守の記録の理由を埋め直すのが先
アラームの件数と交換の日に関係が見えない対応表の振り分けを見直す。それでも見えなければ、その部位は対象から外す

3行目が出ることもあります。 失敗ではなく、その部位はアラームでは前触れが出ない、ということが分かったということです。その部位は、加工の時間による定期の点検のままにします。

08実装時につまずきやすいポイント

問題対策
1万行を超えて早期終了が自動で有効になり、日付と無関係に検証の行が抜かれるearly_stopping=False か、日付で分けた X_val・y_val を渡す
TimeSeriesSplit の gap を日数のつもりで渡すgap は行の数。1日48行なので日付で分ける自前の分け方にする
機種を数字のまま渡すカテゴリの型にする(既定の "from_dtype" はカテゴリの型だけを扱う)
特徴に先の日のデータが混ざる窓はその日を最後の日にし、答えの窓とのあいだを空ける
merge_asof でエラーになる両方の表を日付で昇順に並べてから結び付ける
1回の出来事の連続のアラームで増え方が跳ねる数分のうちの同じアラームを1回にまとめる
衝突による交換が答えに混ざる保守の記録の理由で分け、答えから外す
理由が空欄の記録が多い導入の前に埋め直し、空欄は答えから外す
NC の更新で番号が変わる対応表を版ごとに持ち、「部位不明」の急増を見張る
答えが1の日が少なく、いつも0に寄るclass_weight="balanced" を使う
確率の境目を最初の値のまま使い続ける3か月ごとに当たり外れで決め直す

上の4行が、この構成の失敗のほとんどです。 どれも見込みが実際より当たって見える方向の誤りで、検証の数字が良いのに現場で外れる、という形で表に出ます。検証の数字が良すぎるときは、まず時間の漏れを疑ってください。

中ほどの3行は、データの整備の失敗です。 同じアラームの連続、衝突の混入、理由の空欄は、どれもモデルではなく記録の側で直すものです。 保全の担当と一緒に、最初の1か月で決まりを作ってください。

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: 加工機のアラームの履歴、加工の実績(材料・板厚・時間)、保守の記録、部品の在庫です。個人の情報は、保守の記録の作業者の名前くらいで、見込みには使いません。

  1. 作業者の名前を特徴に使わない … 保守の記録の作業者の欄は学習に入れません。「誰が交換すると早く汚れる」のような見方を作らないためです。 見込みは機械と部位と使い方の話にとどめます
  2. 加工の実績は取引先の情報を含みうる … 生産管理のシステムの書き出しに、取引先や図番の名前が入っていることがあります。見込みに要るのは材料・板厚・時間だけなので、それ以外の列は読み込む段階で落とします
  3. 機械を止める・条件を変える経路を作らない … この構成は確率と案を出すだけで、加工機の NC に書き込む経路を作りません。 見込みの誤りが生産と品質に直接及ばないようにします
  4. レーザーの安全に関わる作業は、メーカーの手順で行う … 保護ガラスやレンズの清掃・交換は、レーザーの安全とヘッドの精度に関わります。予定の案は作業の時期を示すだけで、作業の手順と安全の判断はメーカーの取扱説明書と社内の決まりに従います
  5. 確率を、人の点検の代わりにしない … 確率が低くても、現場が異常を感じたら点検します。一覧に「確率が低い=点検不要」とは書きません
  6. メーカーの保守契約との関係を確かめる … 部品の交換の時期を自社で決めることが、メーカーの保守の条件と食い違わないかを確かめておきます

誤りが起きた場合のリスクは、要る清掃を見落として止まることと、要らない交換をすることの2つです。 前者は確率を過信すると起き、後者は境目を下げすぎると起きます。どちらも当たり外れの記録で見つけられるので、その記録だけは毎回残します。

10まず何から始めるか

1週目:アラームの書き出し方を確かめる

8台それぞれで、アラームの履歴をどう書き出せるか、どの項目がどの期間まで取れるかを確かめます。自動で取れない機種は、週に1回オペレーターが書き出す運用を決めます。

2週目:1台・2部位で前触れを見る

停止の多い1台の過去1年分で、保護ガラスとノズルのアラームを部位に振り分け、交換の日の前の件数の動きを表計算のファイルで見ます。ベテランの保全の担当の勘と合うかを最優先で確かめます。

3週目:保守の記録の理由をそろえる

過去の清掃・交換の記録で理由が空欄のものを、分かる範囲で埋めます。これからの記録では「汚れ・摩耗・衝突・定期」と外した部品の状態を必ず入れる決まりを作ります。

4週目:8台の特徴の一覧を出す

Python で8台のアラームを部位に振り分け、前回からの時間・件数・増え方の一覧を毎朝出すところまで作ります。この時点では確率を出さず、一覧だけで金曜の予定を決めてみます。

2か月目: scikit-learn で確率を出し、日付で分けた検証で当たり方を確かめます。3か月目以降: 木曜の予定の案を足し、止まってからの交換と、まだ使える部品を替えた件数を導入の前と比べます。両方が減り、確率の境目を一度決め直した時点で、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

技術仕様確認日:2026-11-18/最終更新:2026-11-18
確認した内容情報源確認日
HistGradientBoostingClassifier が欠けた値(NaN)をそのまま扱えること。early_stopping の既定の 'auto' はサンプルが1万を超えるか X_val・y_val を渡すと有効になり、validation_fraction の既定が0.1であること。categorical_features の既定が "from_dtype" で、データフレームのカテゴリの型の列だけがカテゴリとして扱われること(1.6 で既定が変わった)。class_weight="balanced" がクラスの出現の数に反比例する重みを付けること。predict_proba で確率を返すこと(scikit-learn 1.9.1)scikit-learn: HistGradientBoostingClassifier2026-11-18
TimeSeriesSplit が未来のデータで学習して過去で評価することを避ける分け方で、比べられる指標にはサンプルが等しい間隔で並んでいる必要があること。gap が学習の末尾から除くサンプルの数であることscikit-learn: TimeSeriesSplit2026-11-18
merge_asof がキーの近い行で結び付けること。両方の表を結び付けのキーで昇順に並べておく必要があり、キーは日時や数値の列であること。direction の既定が backward で、左のキー以下で最後の右の行を選ぶこと。by の列で先に結び付け、by の列での並べ替えは要らないこと(pandas 3.1.1)pandas: pandas.merge_asof2026-11-18

レーザー加工機の清掃・交換の手順と安全の決まりは、各メーカーの取扱説明書と保守の窓口に確かめてください。 本記事は上の公開情報で確認できた範囲だけを扱っています。

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-3878)についてのご相談はこちらから。

AI活用について相談する
目次