ダイカストの工場がショットの記録と補修の履歴から Python で金型ごとの不具合の補修が要る時期を予測し、翌月の計画補修に入れる型の候補を出す

処理の起点を決める

毎月の末日の夜に1回動かします。 補修の計画の会議が翌月の第1営業日の午後なので、係長が朝のうちに一覧を見て、型の点検の結果と照らせる時刻にします。事務所のパソコンの定時実行の仕組み（Windows ならタスク スケジューラ）で Python のスクリプトを起動します。

動かすのは、生産の計画の翌月の分が確定したあとです。 計画が確定していないと、日付への置き換えができません。確定が遅れた月は、前の月の計画の同じ週の数で仮に置き換え、一覧の上に「生産の計画は仮」と印字します。

モデルの作り直しは半年に1回にします。 不具合の補修は月に数件から十数件の規模で、毎月作り直しても学習の材料はほとんど増えません。 作り直す前と後で、直近半年の不具合が「80％の日付より前に起きた割合」を比べ、悪くなっていれば前のモデルのまま使います。

結果の一覧には、作った日時とモデルの作成日を必ず印字します。

入力データを集める

質を決めるのは、補修の履歴の「補修の区分」と「不具合の種類」です。 これが無いと、どの区切りが不具合で、どれが打ち切りかを決められません。多くの工場では、補修の履歴は「補修」「ヒートチェック補修」「窒化」のような自由な書き方で残っています。 導入の最初の仕事は、過去2〜3年分の補修に区分を付け直すことです（第14章）。

ヒートチェックと大きな割れは、分けて持ちます。 ヒートチェックはショットを重ねると少しずつ広がり、大きな割れは急に来ます。 最初は両方を合わせて「不具合の補修」として学習し、件数がたまったら種類ごとにモデルを分けるかを検討します。

鋳造の条件は、設定の値を使います。 実際の鋳造のショットごとの温度の記録があれば精度は上がりますが、ショットごとの記録を型ごとの期間にまとめるには、別の仕組みが要ります。 最初は条件の表の設定の値で始めます。

データの取得方法を決める

ショットの数は、生産管理の仕組みの数と、鋳造機のカウンターの数がずれることがあります。 試し打ちや捨て打ち（型を温めるためのショット）を生産の数に入れない仕組みでは、型が受けた熱の上げ下げの数は、生産の数より多くなります。 どちらで数えるかを最初に決め、型の傷みに合うのは捨て打ちを含めた鋳造機のカウンターの数であることが多いので、取れるならそちらを使います。

型番号は、補修の履歴と生産管理の仕組みで書き方がそろっているかを最初に確かめます。 「D-1203-2」と「D1203-02」のような違いがあると、ショットの数が型に結び付きません。対応の表を作っておきます。

AIへ渡す前に整形する

1. 補修の区切りをつくる … 型ごとに、新しく使い始めた日または前の補修の日から、次の補修の日までを1つの区切りとします
2. 区切りの長さをショットの数にする … その区切りのあいだの、捨て打ちを含めたショットの数を足します
3. 事象を付ける … 次の補修が不具合の補修なら1、計画の補修なら0（打ち切り）、まだ使っている型の最後の区切りも0（打ち切り）とします
4. 型の項目を付ける … 品番の系統、型材、型の大きさの区分、入れ子の数、鋳造の条件の設定、区切りの始まりの時点の累計ショット、それまでの不具合の補修の回数
5. 区分を数の列にする … 品番の系統と型材は、ダミーの列（0と1の列）にします
6. 予測の対象をつくる … いま使っている型ごとに、前の補修からのショットの数を conditional_after の値として持ちます

3番目が、この構成の肝です。 計画の補修で区切られた期間を「不具合が起きた」として1にすると、計画の補修を早めに入れる型ほど寿命が短く出て、さらに早めの補修を勧めることになります。逆に、計画の補修の期間を学習から外すと、第1章のとおり丈夫な型が抜け落ちます。0として入れることが、この記録を正しく使う唯一の方法です。

4番目の「区切りの始まりの累計ショット」は、型の年齢です。 同じ型でも、新しいうちは長くもち、補修を重ねるごとに次までのショットの数が短くなるのが普通です。年齢と補修の回数を項目に入れると、その傾きをモデルが拾えます。

型の更新（新しく作り直した型）は、型番号が同じでも別の型として扱います。 台帳に「2代目」のように書いてあれば、そこで年齢を0に戻します。

AIに処理させる

させるのは、型ごとに「いまのショットの数まで不具合が無かった」ことを条件に、この先のショットの数ごとの、不具合の補修が要らずに済む確率の曲線を出すことだけです。

80％の線は、「この時点までに5回に1回は不具合の補修が要る」ことを表します。 計画補修の候補にするかは、この日付が翌月に入るかで決めます。線の高さは係長と生産の計画の担当で決めます。 急な停止が客先への納入に響く品番の型は、90％の線にしてもかまいません。

4行目は、とくに気を付けてください。 確率が低い型でも、点検で大きな割れが見つかれば、使い続けてはいけない場合があります。確率の高さを、点検で見つかった割れを使い続ける理由にしないでください。 高い圧力で溶湯を押し込む型の割れは、作業者の安全に関わります。

指示内容を固定する

生成AIを使わないので、プロンプトはありません。 かわりに、学習と日付への置き換えの中身を示します。

from lifelines import WeibullAFTFitter
import numpy as np

COLS = ["shots", "event", "age_kshots", "past_defect_repairs",
        "melt_temp", "die_temp_set", "cycle_sec", "spray_sec",
        "insert_count", "family_A", "family_B", "steel_X"]  # family_*・steel_* はダミーの列

aft = WeibullAFTFitter(penalizer=0.01)
aft.fit(intervals[COLS], duration_col="shots", event_col="event")
aft.print_summary()          # 項目ごとの効き方の向きを、係長の経験と照らす

grid = np.arange(0, 120_001, 500)   # この先のショットの数（500ショット刻み）
sf = aft.predict_survival_function(
    current[COLS[2:]], times=grid,
    conditional_after=current["shots_since_repair"])

def first_below(curve, level):
    hit = np.where(curve.values < level)[0]
    return grid[hit[0]] if len(hit) else None   # None は「計画の範囲では下回らない」

current["remain80"] = [first_below(sf[c], 0.8) for c in sf.columns]
current["remain50"] = [first_below(sf[c], 0.5) for c in sf.columns]

print_summary() で、項目ごとの効き方の向きを最初に確かめます。 型の温度の設定が高いほど寿命が短い、補修の回数が多いほど短い、といった向きが係長の経験と逆なら、区分の付け直しか、型番号の結び付けに誤りがあることが多いです。

日付への置き換えは、翌月の生産の計画の日ごとのショットの数を積み上げ、remain80 を超える最初の日を探すだけです。 計画にその型の生産が無い日は、ショットが増えないので日付も進みません。翌月にその型を使う予定が無ければ、一覧には「翌月の使用なし」と出します。

Cox のモデル（CoxPHFitter）ではなくワイブルの AFT を本命にしているのは、ショットの数の先の曲線をそのまま出せるからです。 型の傷みはショットを重ねるほど進むので、寿命の分布の形を決めて置くワイブルが合いやすいと考えます。両方を学習し、第8章の過去の月で当たり方が良いほうを使うのが確実です。

曲線の点を自分で探しているのは、意味をはっきりさせるためです。 「確率が0.8を下回る最初のショットの数」と書いておけば、係長にも「5回に1回は要る」という読み方で説明できます。

出力形式を固定する

係長に渡すのは、次の一覧です。 印刷して会議の前に見ることを前提にします。

【2026年11月分 計画補修の候補（10/31 23:10 作成／モデル作成 2026-07-01）】

「80％の日付」と型替えの予定を並べて、係長が計画補修の日を考えます。 赤の D-1203-2 は11月9日ごろまでに5回に1回は不具合の補修が要る見込みで、その前の型替えの機会に計画補修を入れるかを、点検の結果と照らして決めます。

表の一番下には、注意の印を並べます。 補修の履歴の区分が空の型には「区分未入力」、量産を始めて最初の区切りの型には「履歴が短い」、生産の計画が仮の月には「計画は仮」を出します。

機械で読む用には、同じ内容を CSV でも残します。 列は、型番号、前の補修からのショットの数、80％と50％のショットの数と日付、印、不良率の印、モデルの作成日です。翌月に、実際の補修と並べて当たり方を見るのは、この CSV です。

システムへ連携する

生産の計画には書き込みません。 計画補修の日は、型替えの予定と納入の期日を合わせて会議で決めるもので、一覧の日付をそのまま計画に入れると、点検の結果を見ないまま補修の日が決まります。

人が確認する

1. 作った日時とモデルの作成日を見る … 一覧の上の日付が前の月の末日であることを確かめます
2. 赤と橙の型の点検の結果を照らす … 直近の点検でヒートチェックがどこまで広がっているかを見ます
3. 不良率の印を品質管理課と確かめる … 不良の増えが型の傷みか、条件のずれかを聞きます
4. 計画補修の候補を決める … 型替えの予定と補修の係の段取りを見て、会議に出す候補を決めます

2番目で、点検の結果が一覧と食い違ったら、点検の結果を優先します。 一覧で赤でも表面がきれいなら見送り、一覧で印が無くても割れが見つかれば候補に入れます。 食い違った型と理由は記録に残します。

目標は、90面をならして1件4分です。 印の無い型は一覧で流し見るだけで、時間を使うのは赤と橙の型の点検の結果を照らすところです。

例外に対処する

1行目は、導入の初めにいちばん多く出ます。 区分の付け直しが終わっていない型は、学習にも予測にも使えません。区分未入力の型が多い品番から、付け直しを進めます。

記録を残す

• 実行の日時、使ったモデルの作成日、読み込んだ記録の期間
• 型ごとの前の補修からのショットの数、80％・50％のショットの数と日付、印、不良率の印
• 係長が候補に入れた・見送った型と、点検の結果と理由
• 実際の補修（日付、計画か不具合か、不具合の種類、その時点のショットの数）
• 半年ごとの当たり方（不具合が80％の日付より前に起きた割合、50％の日付より前に起きた割合）と、モデルの作り直しの結果

3つ目と4つ目を並べると、点検の結果と一覧のどちらが当たったかが分かります。 係長が見送った赤の型が翌月に割れていれば、点検で見落とした傷みの出方を、点検の手順に足す材料になります。

80％の日付より前に起きた不具合の割合が、2割前後なら曲線は合っています。 大きく上回るなら、モデルが寿命を長く見すぎています。