Media > AI活用ユースケース > 品質管理 > ビル・工場の設備の担当が、冷却塔の電気伝導率・pH の記録から Python で管理値に届く日を予測し、ブローと薬注の段取りを前もって組む

ビル・工場の設備の担当が、冷却塔の電気伝導率・pH の記録から Python で管理値に届く日を予測し、ブローと薬注の段取りを前もって組む

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

冷却塔ごとの電気伝導率・pH の記録から、ブローをしなければ自社の管理値に届く見込みの日とその幅、薬液のタンクが下限に届く日を Python で予測します。設備の担当は毎週の表を見て、ブローと薬注の段取りを前もって決めます。

サマリー
連携・自動化
Python
対象業界
不動産/医療/宿泊/製造
対象部門
品質管理/生産
対象業務
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/属人化解消/工数削減
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
48h/月
AI導入後
16h/月
想定削減
67%
年間削減
384h
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. 毎週月曜、担当者が工場ごとの点検表を開き、塔ごとに先週の電気伝導率と pH の推移を見る
  2. 補給水の水量計の検針の記録と、薬液の注入量の記録を別のファイルから探して並べる
  3. 塔ごとに、今週中に管理値に届きそうか、ブローを指示するかを決める
  4. 薬液のタンクの残りと先週の注入量から、補充の日を見当で決める
  5. 管理値に近い塔、pH が外れそうな塔について、水処理業者に連絡するかを決める
  6. 決めた内容を設備員への週の指示表に書き、点検表の備考に残す
導入後(After)
  1. 人設備員が毎日、これまでどおり点検表に電気伝導率と pH を付ける。ブローと薬液の補充をしたら、その日時を点検表の所定の欄に書く
  2. 自動毎朝6時に Python のスクリプトが動き、点検表・検針・注入量・記録計の値を1つの表にまとめる
  3. 自動塔ごとに、ブローをしなければ今後14日の電気伝導率と pH がどう動くかを、中央と早めの2本で予測する
  4. 自動管理値に届く見込みの日と、薬液のタンクが下限に届く日を計算し、塔ごとの表にする
  5. 自動早めの見込みで3日以内に管理値に届く塔、測定が2日以上抜けている塔、予測と実測が大きく外れた塔に印を付ける
  6. 人毎週月曜、担当者が表を見て、手動ブローの日、薬液の補充の日、水処理業者への連絡を決め、指示表に書く
  7. 人平日の朝は、印の付いた塔だけを見て、週の途中で指示を足すかを決める
各工程の詳しい説明を読む
  1. 毎週月曜、担当者が工場ごとの点検表を開き、塔ごとに先週の電気伝導率と pH の推移を見る
  2. 補給水の水量計の検針の記録と、薬液の注入量の記録を別のファイルから探して並べる
  3. 塔ごとに、今週中に管理値に届きそうか、ブローを指示するかを決める
  4. 薬液のタンクの残りと先週の注入量から、補充の日を見当で決める
  5. 管理値に近い塔、pH が外れそうな塔について、水処理業者に連絡するかを決める
  6. 決めた内容を設備員への週の指示表に書き、点検表の備考に残す

(a)24基を毎週並べて読むのが重い。 1基ごとに点検表と注入量と検針の記録を開き、推移を頭の中で延ばします。3つのファイルを行き来する時間が、判断する時間より長くかかります。

(b)判断が担当者の勘による。 「この塔は夏は3日で上がる」「この塔は補給水の水量が増えると下がる」といった塔ごとの癖を知っているのは、経験の長い1名です。その人が休むと、ほかの2名は安全側に倒して毎日ブローを指示し、水と薬剤を余計に使います。

(c)管理値を超えてから気づく。 週の初めに「今週は大丈夫」と見た塔が、気温の上がった週の半ばに管理値を超えていた、ということが起きます。週1回の見直しでは、週の途中の変化を拾えません。

(d)薬液の切れに気づくのが遅い。 タンクの残りを毎日見ているわけではないので、薬液が切れて数日、薬注が止まっていたことが後で分かります。

  1. 【人】 設備員が毎日、これまでどおり点検表に電気伝導率と pH を付ける。ブローと薬液の補充をしたら、その日時を点検表の所定の欄に書く
  2. 【自動】 毎朝6時に Python のスクリプトが動き、点検表・検針・注入量・記録計の値を1つの表にまとめる
  3. 【自動】 塔ごとに、ブローをしなければ今後14日の電気伝導率と pH がどう動くかを、中央と早めの2本で予測する
  4. 【自動】 管理値に届く見込みの日と、薬液のタンクが下限に届く日を計算し、塔ごとの表にする
  5. 【自動】 早めの見込みで3日以内に管理値に届く塔、測定が2日以上抜けている塔、予測と実測が大きく外れた塔に印を付ける
  6. 【人】 毎週月曜、担当者が表を見て、手動ブローの日、薬液の補充の日、水処理業者への連絡を決め、指示表に書く
  7. 【人】 平日の朝は、印の付いた塔だけを見て、週の途中で指示を足すかを決める

人が決めるのは6番目と7番目です。 予測の表は、指示表の下書きではなく、判断の材料をまとめたものです。どの塔をブローするかを表から自動で決める設計にはしません。

7番目の毎朝の確認が、第3章の(c)への答えです。 週の初めの見通しが週の途中で崩れたとき、予測と実測の外れの印で気づけます。

1番目の設備員の仕事は、ほとんど変わりません。 測り方も点検表も今のままで、増えるのはブローと補充の日時を所定の欄に書くことだけです。現場の手間を増やさないことが、記録を欠けずにためる一番の近道です。

02今回想定するシステム構成

構成図
点検表(表計算、工場ごと)  検針の記録  薬液の注入量の記録  記録計の CSV(自動ブローの塔)
   ▼【トリガー】毎朝6時の定時実行
Python(pandas)── 1つの日次の表にまとめる
   │   塔・日付ごとに、電気伝導率・pH・補給水量・ブロー・補充・運転時間
   ▼
Python(scikit-learn)── 塔ごとの予測
   │   中央(50%点)と早め(90%点)の2本、今後14日
   ▼
Python ── 管理値に届く日・薬液の下限に届く日・印
   ▼
週の段取りの表(HTML と CSV)
   ▼
【担当者がブロー・補充・業者への連絡を決める】
役割想定する製品代替候補
実行環境Python(pandas、scikit-learn)R(tidyverse)
記録の置き場表計算の点検表、検針・注入量の記録、記録計の CSV(今のもの)計測器のメーカーの記録の仕組み
定時実行社内のサーバーのタスクスケジューラクラウドの定時実行の仕組み
表の配布社内の共有フォルダに HTML と CSV を置く社内のポータル

新しく足すのは、Python のスクリプトと、それを毎朝動かす場所だけです。 点検表も計測のやり方も変えません。ただし、点検表に「ブローした日時」「補充した日時と量」の欄が無ければ足します。 これが無いと、予測は「ブローで下がったのか、自然に下がったのか」を区別できません。

予測のモデルは、scikit-learn の HistGradientBoostingRegressor を使います。 公式のページでは、この推定器は損失に quantile(ピンボール損失)を選べ、quantile で推定する分位点を0から1の間で指定します。50%点と90%点の2つのモデルを作れば、中央の見込みと早めの見込みが出ます。 損失の quantile はバージョン1.1で加わったものです。

欠けた値をそのまま扱えることも、この題材に合っています。 公式のページでは、この推定器は欠損値(NaN)をそのまま扱え、学習のときに欠損値を左右どちらの枝に送るかを学ぶとされています。土日に測っていない日を無理に埋めずに済みます。

検証には TimeSeriesSplit を使います。 公式のページでは、時間の順に並んだデータで、通常の交差検証だと未来のデータで学習して過去を評価してしまうため、時系列用の分け方を提供すると説明されています。学習と評価のあいだを空ける gap の指定もあります。

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時に動かします。 設備員が朝の測定を付けるのは8時ごろなので、6時の実行では前の日の夕方までの値で予測します。

  • 毎朝の実行 … 予測の表を作り直し、印の付いた塔を一覧の先頭に出す
  • 月曜の朝 … 上に加えて、週の段取りの表(7日分の見通し)を作る
  • 月に1回 … モデルを学び直す(直近の1か月分を足して)

学び直しを毎日にしないのは、予測を安定させるためです。 毎日学び直すと、同じ塔の見通しが日によって揺れ、担当者が表を信用しなくなります。月1回にまとめ、学び直しの前と後の精度を並べて記録します。

朝の測定の後にもう一度動かすかは、運用で決めます。 8時の測定を入れて9時に作り直すと、その日の値が反映されます。最初は6時の1回だけにし、担当者が「朝の値を見てから判断したい」と言えば足します。

Step2

入力データを集める

データ中身取得元
水質の測定値塔・日付ごとの電気伝導率(mS/m)、pH、水温点検表(工場ごとの表計算)
記録計の値自動ブローの塔の電気伝導率の連続の値記録計の CSV
ブローの記録手動ブローの日時と、開けた時間点検表の所定の欄
補給水量塔ごとの水量計の検針の値検針の記録
薬注の記録薬液の注入量、タンクの補充の日時と量、タンクの容量注入量の記録
運転の予定冷凍機・生産設備の稼働の予定の時間(日ごと)生産の計画、建物の空調の運転の予定
管理値塔ごとの電気伝導率の上限、pH の範囲、タンクの下限水処理業者と決めた一覧

質を決めるのは、ブローの記録です。 電気伝導率はブローで大きく下がり、そこからまた上がっていきます。ブローの日時が分からないと、モデルは下がった理由を気温や補給水に押し付けて学びます。 手動ブローの欄を足したら、最初の1か月は設備員が書いているかを毎日確かめます。

管理値は、塔ごとに水処理業者と決めた値を一覧にします。 同じ会社の塔でも、補給水の水質や薬剤の種類で管理値が違います。予測のプログラムに管理値を書き込まず、一覧から読みます。 業者と見直したときに、一覧を直すだけで済みます。

Step3

データの取得方法を決める

点検表は工場ごとに書き方が違うので、読み込みの処理を工場ごとに書きます。

取るものどこから何に使うか
電気伝導率・pH・水温点検表の日付の行と塔の列予測の対象と、直近の値の特徴
ブロー・補充の日時点検表の所定の欄「前回のブローからの日数」の特徴、予測の区切り
補給水量検針の記録の差分蒸発の量の目安
薬液の注入量注入量の記録タンクの残りの計算
稼働の予定生産の計画の表今後14日の負荷の見込み
管理値管理値の一覧届く日の判定

pandas で読み込み、塔・日付ごとの1行の表にそろえます。 記録計の連続の値は、日ごとの最大値と平均値にまとめます。点検表の手書きの値(携帯の計測器)と記録計の値は、同じ塔でも別の列に持ちます。 測り方が違うので、混ぜると段差ができます。

点検表の読み込みで一番崩れるのは、表の形が変わったときです。 塔が増えた、列の順を入れ替えた、年度で別のシートにした。読み込みの処理は、列の名前で塔を探し、見つからない塔があればその日の実行を止めて担当者に知らせます。 黙って空の列で予測を続けると、その塔だけ予測が出ないまま気づかれません。

Step4

AIへ渡す前に整形する

  1. 日付の行をそろえる … 測っていない日(土日・休日)も行を作り、値は空のままにします
  2. 単位の確認 … 電気伝導率が mS/m か µS/cm かを点検表の見出しで確かめ、mS/m にそろえます
  3. 外れ値の印 … 前日から急に大きく動いた値(例:前日の倍)に印を付けます。消さずに残し、学習からは外します
  4. ブローの区切り … ブローの日を区切りにし、「前回のブローからの日数」「前回のブローの直後の値」を特徴にします
  5. 特徴の作成 … 直近3日・7日の値と傾き、補給水量の7日の合計、稼働の予定の時間、月、曜日を作ります
  6. 予測の対象の作成 … 「ブローをしなかった場合の h 日後の値」を対象にするため、h 日のあいだにブローが入った行は学習から外します

6番目がこの予測の要です。 知りたいのは「ブローをしなければいつ管理値に届くか」です。ブローが入った後の値を対象に含めると、モデルは「放っておいても下がる」ことを学んでしまいます。 ブローを挟まない区間だけで学ばせます。

3番目の外れ値を消さないのは、計測器の不調の手掛かりになるからです。 同じ塔で外れ値が続くなら、計測器の校正か電極の汚れを疑います。消してしまうと、その手掛かりも消えます。

2番目の単位の確認は、工場ごとの点検表の違いで起きます。 単位をそろえずに学ぶと、ある工場の塔だけ値が1桁違い、予測が意味を持ちません。

Step5

AIに処理させる

させるのは、塔ごとに、ブローをしない場合の今後14日の電気伝導率と pH を、50%点と90%点(pH の下側は10%点)で予測することです。 管理値に届く日や薬液のタンクの日は、予測の値から規則で計算します。

させること中身
電気伝導率の予測今後1〜14日の各日の最大値の50%点・90%点
pH の予測今後1〜14日の各日の値の50%点・90%点・10%点
予測の当たり具合の記録過去の予測と実測の差(塔ごと)
予測ではなく規則で決めること理由
管理値に届く見込みの日予測の値と管理値の一覧を比べるだけ。理由を追える形にする
薬液のタンクが下限に届く日注入量の平均と残りからの割り算で足りる
印(3日以内・測定の抜け・外れ)担当者が理由を読める規則にする
させないこと理由
ブローや補充の指示判断は担当者。設備の状況は表に出ない
管理値の決定・変更水処理業者と決める
レジオネラ属菌の検査の代わり予測は電気伝導率と pH だけを見ている
法令の点検・清掃の時期の判断別の手順で管理している

1つのモデルを全部の塔で共有し、塔の番号を特徴に入れます。 塔ごとに別のモデルを作ると、記録の少ない塔の予測が不安定になります。共有のモデルに塔の違いを学ばせ、塔ごとの癖は「前回のブローからの日数」「直近の傾き」で表します。

予測の日数ごとにモデルを分けます。 1日後・2日後…14日後を、それぞれ別の対象として学ばせます。前の日の予測を次の日の入力にする形にすると、誤りが日を追って積み重なるからです。 分位点2つ × 14日 × 電気伝導率で28個、pH は分位点3つで42個のモデルになりますが、どれも小さく、学び直しは数分で終わります。

Step6

指示内容を固定する

この構成では生成AIを使わないので、プロンプトの代わりにスクリプトの設定ファイルを示します。 担当者が触るのはこのファイルだけで、プログラムの本体は変えません。

【冷却塔の予測の設定(担当者が管理する)】

【予測】
horizon_days: 14
quantiles_conductivity: [0.5, 0.9]
quantiles_ph: [0.1, 0.5, 0.9]
model: HistGradientBoostingRegressor(loss="quantile")
retrain: 毎月第1月曜

【特徴】
- 直近3日・7日の電気伝導率と pH の値と傾き
- 前回のブローからの日数、前回のブローの直後の値
- 補給水量の7日の合計
- 稼働の予定の時間(予測の対象の日)
- 塔の番号、月、曜日
欠けた値は埋めずに NaN のまま渡す

【学習から外すもの】
- 予測の対象の日までにブローが入った行
- 外れ値の印の付いた行
- 塔の運転を止めていた期間

【印の規則】
- 早めの見込み(電気伝導率の90%点)で3日以内に管理値に届く → 赤
- pH の10%点か90%点が管理範囲を外れる日が7日以内 → 赤
- 直近の測定が2日以上抜けている(土日を除く) → 黄(予測を出さない)
- 昨日の予測(1日後の50%点)と今日の実測の差が、その塔の過去の差の大きい方から1割に入る → 黄
- 薬液のタンクが下限に届く見込みが5日以内 → 赤

【検証】
TimeSeriesSplit(n_splits=5, gap=14)
評価:塔ごとの、管理値に届く日の予測と実際の日の差

学習の本体は、設定ファイルを読んで次のように回します。 予測の日数 h ごと・分位点ごとに1つのモデルを学ばせ、保存します。

import pandas as pd
from sklearn.ensemble import HistGradientBoostingRegressor
from sklearn.model_selection import TimeSeriesSplit

df = pd.read_parquet("daily_towers.parquet").sort_values("date")
FEATS = ["cond_last", "cond_slope3", "cond_slope7", "ph_last", "ph_slope7",
         "days_since_blow", "cond_after_blow", "makeup_7d",
         "run_hours_target", "tower_code", "month", "weekday"]

models = {}
for h in range(1, 15):
    # h 日後の値を対象にし、h 日のあいだにブローが入った行は外す
    d = df[(df[f"blow_within_{h}"] == 0) & (df["outlier"] == 0)]
    X, y = d[FEATS], d[f"cond_max_plus_{h}"]
    for q in (0.5, 0.9):
        m = HistGradientBoostingRegressor(loss="quantile", quantile=q,
                                          categorical_features=["tower_code"])
        # 検証:学習の最後と評価の最初を14日空ける
        for tr, te in TimeSeriesSplit(n_splits=5, gap=14).split(X):
            m.fit(X.iloc[tr], y.iloc[tr])
            # te の予測と実測の差を塔ごとに記録する(省略)
        models[(h, q)] = m.fit(X, y)

tower_code は塔の番号を数に置き換えた列で、カテゴリとして渡します。 塔の番号を大小のある数として扱うと、番号の近い塔どうしが似ていると誤って学びます。pH のモデルも同じ形で、分位点に0.1を足して作ります。

gap=14 は、学習と評価のあいだを14日空けるためです。 予測の対象が14日先まであるので、学習の最後の行の対象と評価の最初の行が重なると、評価が実際より良く見えます。 空けることで、本番の使い方に近い評価になります。

測定が抜けている塔に予測を出さないのは、古い値から延ばした予測が当たらないからです。 2日以上測っていない塔は、予測の代わりに「測定が抜けている」と出し、まず測ってもらうことを優先します。

Step7

出力形式を固定する

塔ごとの1行を、毎朝 CSV と HTML で出します。

{
  "tower_id": "F2-CT05",
  "as_of": "2026-11-19",
  "last_measured": { "date": "2026-11-18", "conductivity_mS_m": 0, "ph": 0 },
  "days_since_blow": 0,
  "conductivity_limit_mS_m": 0,
  "reach_limit_date": { "median": "2026-11-25", "early": "2026-11-23" },
  "ph_range": { "low": 0, "high": 0 },
  "ph_out_of_range_date": { "early": "" },
  "chemical_tank_low_date": "2026-11-27",
  "flags": ["red_conductivity_3days"],
  "recent_error_days": 0
}

HTML の表では、印の付いた塔を先頭に並べます。 各塔の行を開くと、直近30日の実測と、今後14日の中央と早めの見込みのグラフが出ます。グラフには管理値の線と、ブローをした日の印を重ねます。 担当者はグラフで、予測が過去の推移とつながっているかを目で確かめます。

recent_error_days は、この塔の過去の予測の当たり具合です。 過去3か月の「管理値に届く日の予測と実際の日の差」の平均を日数で出します。この値が大きい塔は予測を割り引いて読みます。 当たり具合を表に一緒に出すことで、予測を信じすぎることを防ぎます。

CSV を残す理由は、後から精度を数えるためです。 毎朝の予測を日付付きで残しておけば、実際に管理値に届いた日と突き合わせて、どの塔のどの季節に外れやすいかを数えられます。

Step8

システムへ連携する

つなぎ先方式内容
点検表(工場ごと)共有フォルダの表計算を pandas で読む測定値・ブロー・補充の記録
検針・注入量の記録同上補給水量・薬液の量
記録計記録計が書き出す CSV を読む自動ブローの塔の連続の値
生産の計画計画の表を読む稼働の予定の時間
予測の表共有フォルダに HTML と CSV を置く担当者が毎朝見る
担当者への通知社内のメールで赤の印の塔の一覧を送る赤が1つでもある朝だけ

点検表にも記録計にも書き込みません。 読むだけにします。指示表も担当者が書きます。 予測から指示表を自動で埋めると、表を見ずに指示が出る運用に流れます。

自動ブローの付いた塔も、予測の対象に含めます。 自動ブローの塔では電気伝導率は管理値の手前で止まるはずなので、予測が管理値を超えるのに実測が超えないなら正常、実測も超えるなら自動ブローの弁や電極の不調を疑えます。予測を、装置の見張りにも使います。

Step9

人が確認する

予測の表は、全部担当者が読んでから使います。

  1. 毎週月曜 … 全24基の表を見て、手動ブローの日・薬液の補充の日・業者への連絡を決め、指示表に書く
  2. 平日の朝 … 赤と黄の印の塔だけを見て、週の途中で指示を足すかを決める
  3. 黄の「外れ」の印 … 予測と実測が大きく外れた塔は、計測器・補給水・運転の変化のどれが原因かを設備員に聞く
  4. 月に1回 … 学び直しの前後の精度と、塔ごとの当たり具合を見て、予測を使わない塔を決める

4番目の「予測を使わない塔」を決めておくことが大切です。 記録の少ない塔、運転の止まりがちな塔、補給水の水源が変わった塔では予測が外れます。そうした塔は表で灰色にし、担当者の目視の判断に戻します。 全部の塔で予測を使うことにこだわりません。

予測に反して指示を出したときは、指示表の備考に理由を書きます。 「予測では余裕があるが、来週の生産の増産で負荷が上がる」など。理由がたまると、特徴に足すべき情報が分かります。

Step10

例外に対処する

起きること対応
点検表の形が変わり、塔の列が見つからないその日の実行を止め、担当者に知らせる
測定が2日以上抜けている予測を出さず黄の印。まず測ってもらう
単位が点検表の見出しで決まらないその塔を処理せず、担当者に確かめる
ブローの記録が無いのに値が大きく下がった「記録の無いブローの疑い」として印。設備員に確かめる
塔の運転を止めていた(冬季の停止など)停止の期間を一覧で持ち、学習と予測から外す
再開の直後で記録が少ない再開から7日は予測を出さない
管理値の一覧に無い塔予測は出すが、届く日は出さない
計測器の交換の直後に値の段差交換の日を一覧で持ち、段差の前後を別の区間として扱う
スクリプトが朝までに終わらない・失敗する前日の表を残したまま「更新失敗」と表の先頭に出し、担当者に知らせる

「記録の無いブローの疑い」の印は、記録の習慣を育てます。 設備員がブローを記録し忘れると、モデルの学習が崩れます。疑いの印が出るたびに確かめることで、記録の抜けが減っていきます。

Step11

記録を残す

  • 毎朝の予測の表(CSV)を日付付きで全部
  • 使ったモデルの版(学び直しの日付)と設定ファイルの版
  • 学び直しの前後の検証の結果(塔ごとの当たり具合)
  • 印の一覧と、担当者がその印にどう対応したか(指示表の備考)
  • 実行の記録(読み込んだファイル、止まった理由)

1つ目を全部残すのは、予測の当たり具合を数えるためです。 実際に管理値に届いた日、ブローをした日と、その何日前の予測が何日と言っていたかを並べれば、塔ごと・季節ごとの外れやすさが分かります。 これを毎月の学び直しの判断の材料にします。

2つ目の版は、予測が急に変わったときの手掛かりです。 学び直しの後で予測の傾向が変わったなら、モデルの変化か、塔の側の変化かを分けられます。

04実装レベルの3段階

最小構成:過去の記録からブローの区間の日数を数える / 塔ごとの癖の見える化
半自動化:上記+毎朝のスクリプトで点検表・検針・注入量を1つの表にまとめ、グラフを出す / 材料の集約
本格構成:上記+分位点の予測、届く日の計算、印、当たり具合の記録 / 見通しと印まで

半自動化だけでも、第4章の①の12分がほぼ消えます。 3つの記録が1つの表とグラフにまとまるので、担当者は材料を集めずに推移を読み始められます。 1件30分が18分ほどになります。 本格構成で、管理値に届く日の見当が予測に置き換わり、担当者は印の付いた塔と週の段取りの判断に集中して10分になります。 これが本記事の想定です。半自動化を2か月動かし、ブローの記録が欠けずにたまるのを確かめてから予測に進みます。

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
96 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  96件 × 30分 ÷ 60 = 48 時間/月
導入後 96件 × 10分 ÷ 60 = 16 時間/月
月間削減時間
32h
削減率
67%
年間削減時間
384h
年間金額換算(時間単価3,500円)
134万円
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. 工場の生産設備の冷却や事務所棟の空調のために開放式の冷却塔を十数基以上持ち、電気伝導率と pH を設備員が毎日測って表計算の点検表に付けている製造業・ビルの管理会社など。自動ブローの装置の無い塔や、薬液のタンクを人が補充する塔があり、どの塔をいつブローし、いつ薬液を足すかを経験の長い担当者の勘で決めている場合。測定の記録が1年分以上たまっていて、Python を書ける担当者が社内にいる場合。
向いていない
  1. 冷却塔がすべて電気伝導率の制御による自動ブローと自動の薬注の装置を備え、水処理業者が遠隔で見張っている場合。冷却塔が数基で、点検表を目で見て足りる場合。測定の記録が紙のままで、日付の付いた数値になっていない場合(先に記録の形を整える必要があります)。なお、レジオネラ属菌の検査、法令の点検・清掃、薬剤の種類や管理値の決定は、この構成では代替できません。

07最小構成で試す方法

  1. 記録のそろっている冷却塔を3基選ぶ(手動ブローの塔を2基、自動ブローの塔を1基)
  2. その3基の過去1年分の点検表から、電気伝導率・ブローの日を表にまとめる
  3. Python で、ブローの区間ごとに「ブローの後、何日で管理値に届いたか」を数える
  4. 季節ごと・稼働の多い週と少ない週で、その日数がどれくらい違うかを見る
  5. 担当者が勘で見当していた日数と、数えた日数を見比べる

最初はモデルを作りません。 ブローの区間の日数を数えるだけで、予測する価値があるかが分かります。

出てきた内容判断
日数が季節や稼働で大きく変わる予測のモデルを作る価値がある。 本格構成へ
日数がほぼ一定予測は要らない。「ブローから N 日で予定に入れる」規則で足りる
ブローの日が記録から分からない記録の欄を足すのが先。 3か月ためてからやり直す
手書きの値と記録計の値がずれる計測器の校正を先に確かめる

2行目が出たら、それで終わりにしてください。 日数が一定なら、予測のモデルを持つより、ブローの日から機械的に次の予定を入れるほうが簡単で確実です。

3行目は珍しくありません。 手動ブローを点検表の備考に「ブロー済」とだけ書いていて、日付の欄に紐づいていない、という形が多いからです。この場合も失敗ではなく、予測の前に記録の形を整えるべきことが分かったということです。 欄を足して3か月ためれば、同じ数え方をやり直せます。

08実装時につまずきやすいポイント

問題対策
モデルが「放っておいても下がる」と学ぶブローを挟んだ行を学習から外す
検証の精度が本番より良く出るTimeSeriesSplit の gap を予測の日数に合わせる
中央の見込みで段取りを組み、半分の塔で遅れる早めの見込み(90%点)で組む
ブローの記録が付かない点検表に欄を足し、記録の無いブローの疑いの印で確かめる
工場ごとに単位が違う見出しで単位を確かめ、mS/m にそろえる
点検表の形が変わって黙って予測が抜ける塔が見つからなければ実行を止めて知らせる
測定の抜けた塔に古い値から予測を出す2日以上の抜けは予測を出さない
冬季の停止の期間を学習に入れる停止の期間を一覧で持ち、外す
予測から指示表を自動で埋める指示は担当者が書く。 表は判断の材料
予測を全部の塔で使うことにこだわる当たり具合の悪い塔は灰色にして目視に戻す
塔の番号を数として学ぶカテゴリとして渡す(categorical_features)
計測器の交換の前後で値に段差が出る交換の日を一覧で持ち、段差の前後を別の区間にする

上の3行が、この予測の失敗のほとんどです。 どれも「予測の意味」の取り違えで、知りたいのが「ブローをしない場合」の見通しであること、評価は本番の使い方でやること、段取りは早めの見込みで組むことを、作る前に決めておきます。

下の2行は、作ってから数か月して効いてきます。 塔の番号の扱いを誤ると、塔を足したときに予測が全体にずれます。計測器の交換の段差を放っておくと、交換の後の数週間、その塔だけ予測が外れ続けます。どちらも一覧で持つ情報を増やせば防げます。

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: 冷却塔の水質の測定値、ブローと薬注の記録、補給水量、生産の稼働の予定です。個人の情報は含みません。

  1. 衛生上の管理を予測に置き換えない … 特定建築物の冷却塔・冷却水の点検(使用期間中1か月以内ごとに1回)と清掃(1年以内ごとに1回)、レジオネラ属菌の検査は、別の手順で行います。予測は電気伝導率と pH しか見ていません
  2. 管理値は水処理業者と決める … 予測のプログラムに管理値を書き込まず、一覧から読みます。業者と見直した値がそのまま反映されます
  3. 指示は担当者が出す … ブロー・補充・業者への連絡は、表を見た担当者が決め、指示表に書きます
  4. 生産の計画の扱い … 稼働の予定は社内の情報なので、予測の表を置く共有フォルダの読める人を設備の担当に絞ります
  5. 当たり具合を一緒に出す … 予測だけを出すと信じすぎます。塔ごとの過去の当たり具合を表に並べます

誤りが起きた場合のリスクは、予測を信じて手を打つのが遅れ、管理値を超えることと、予測を信じすぎて水と薬剤を余計に使わなくなることの2つです。 前者は中央の見込みで段取りを組むと、後者は当たり具合の悪い塔で予測を使い続けると起きます。早めの見込みと当たり具合の表示で、設計の側で守ります。

10まず何から始めるか

1週目:点検表に欄を足す

全部の工場の点検表に、「ブローした日時と時間」「薬液を補充した日時と量」の欄を足し、設備員に付け方を説明します。管理値の一覧も、水処理業者と確かめて作ります。

2週目:3基で過去の記録を数える

記録のそろった3基で、ブローの区間ごとに管理値に届くまでの日数を数えます。日数が季節や稼働でどれくらい変わるかを見て、予測を作る価値があるかを決めます。

3週目:集約のスクリプトを作る

工場ごとの点検表・検針・注入量を1つの表にまとめるスクリプトを書き、毎朝のグラフを出します。ここまでが半自動化です。

4週目:集約を毎朝動かす

担当者が毎週月曜にグラフで段取りを決める運用を始めます。記録の無いブローの疑いを毎朝確かめ、記録の習慣を固めます。

2か月目: 半自動化を続けながら記録をため、分位点のモデルを作って TimeSeriesSplit で検証します。3か月目以降: 予測の表と印を出し、月1回の学び直しと当たり具合の確認を担当者の定例の仕事にします。当たり具合の悪い塔が灰色に分けられ、残りの塔の段取りが早めの見込みで回るようになった時点で、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

技術仕様確認日:2026-11-19/最終更新:2026-11-19
確認した内容情報源確認日
特定建築物の空気調和設備に関する措置として、冷却塔・冷却水の汚れの状況の点検を使用開始時と使用期間中1か月以内ごとに1回(1か月を超えて使用しない場合を除く。必要に応じて清掃と換水等)、冷却塔・冷却水の水管の清掃を1年以内ごとに1回行うこと。冷却塔に供給する水を水道法の水質基準に適合させる措置厚生労働省: 建築物環境衛生管理基準について2026-11-19
HistGradientBoostingRegressor の損失に quantile(ピンボール損失)があり、quantile で0から1の間の分位点を指定すること。quantile がバージョン1.1で加わったこと。欠損値(NaN)をそのまま扱い、学習のときに欠損値を送る枝を学ぶこと。categorical_features に列の名前を渡してカテゴリとして扱えることscikit-learn: HistGradientBoostingRegressor2026-11-19
TimeSeriesSplit が時間の順に並んだデータの交差検証を提供し、通常の交差検証だと未来のデータで学習して過去を評価してしまうこと。学習と評価のあいだから除く数を gap で指定できることscikit-learn: TimeSeriesSplit2026-11-19

冷却塔の水質の管理値、薬剤、点検と清掃、レジオネラ属菌の検査は、水処理業者と所管の保健所の指導、建築物衛生法の基準に従ってください。 本記事は上記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-4122)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