「異常なのは分かる。でも原因が分からない」——現場で一番つらいのはこの状態です。この記事では、勘や記憶だけに頼らず、手元にあるデータを組み合わせて要因の候補を絞り込む考え方を、順を追って整理します。答えを断定するのではなく、切り分けの解像度を上げることを目指します。
電気代が先月より跳ね上がった。ある設備の消費電力がいつもと違う波形を描いている。深夜に何かが動いている気配がある——。現場で異常そのものに気づくことは、実はそれほど難しくありません。難しいのは、その次の「なぜ起きたのか」を突き止める段階です。会議で原因を問われても、「たぶん空調ではないか」「あの日は生産が多かったから」と推測を並べるしかなく、確証が持てない。この歯がゆさは、多くの工場・物流現場に共通する悩みだと考えられます。
背景には、電力コストの高騰と省エネ・GX対応への圧力があります。以前なら「多少電気を使っても仕方ない」で済んだ変動が、今はコストとしても報告義務としても無視できなくなっています。省エネ法やGX関連の制度は年々見直されており、具体的な適用範囲や報告要件は所管省庁の最新の公表資料でご確認いただく必要がありますが、いずれにせよ「なぜ増えたかを説明できること」が現場に求められる場面は増えていると考えられます。
意外に思われるかもしれませんが、原因が分からない現場の多くは、データが不足しているわけではありません。電力量計の値、設備の稼働ランプ、生産管理システムの生産数、日報の保全記録、外気温——これらは案外あちこちに存在します。問題は、それらが別々の場所・別々の粒度・別々の担当者のもとにあり、「同じ時間軸に並べて見比べる」ことができていない点にあると考えられます。原因が見えないのは、情報が無いからではなく、情報が分断されているから、というケースが少なくありません。
だからこそ、最初にやるべきは犯人探しではなく、突き合わせる土台を整えることです。バラバラのデータを一本の時間軸に載せるだけで、「あ、この電力の山、あの設備の起動と重なっている」と見えてくることがあります。この記事では、その切り分けの手順を、順を追って整理していきます。
切り分けで陥りやすいのは、いきなり単一の原因を決め打ちしてしまうことです。「犯人はきっと空調だ」と思い込むと、それに合う証拠だけを集めてしまい、他の可能性が視界から消えます。異常の原因は、単独ではなく複数要因の重なりで起きることも多く、決め打ちは危険だと考えられます。おすすめしたいのは、原因を当てにいくのではなく、要因の候補を並べて一つずつ消していく発想です。
切り分けの解像度を上げるために、次の4つの軸で異常を眺めると整理しやすくなります。第一に「時間の軸」——特定の時刻・曜日・シフト・季節に偏っていないか。第二に「工程・場所の軸」——特定のライン、特定の建屋、特定の受電系統に集中していないか。第三に「設備の軸」——どの設備の起動・停止・負荷と連動しているか。第四に「条件の軸」——外気温・湿度、生産品種、稼働台数、段取り替えといった条件と相関があるか。
この4軸で見ると、たとえば「毎週月曜の朝だけ電力の立ち上がりが大きい」なら、週末に停止していた設備の一斉起動という候補が浮かびます。「夏場の午後だけ」なら空調・冷却系の候補、「特定品種を流した日だけ」なら生産条件の候補、といった具合に、候補を絞る手がかりになります。ここで大切なのは、まだ結論を出さないことです。候補を残したまま、次のデータで検証していきます。
もう一つ整理しておきたいのが、異常の種類です。ひとつは「急に跳ねる」スパイク型——短時間の異常消費や瞬間的な波形の乱れで、設備の起動やトラブルと結びつきやすい傾向があります。もうひとつは「じわじわ増える」ドリフト型——数週間から数ヶ月かけて基準値がずり上がっていくもので、設備の劣化や汚れ、待機電力の蓄積などが疑われます。スパイク型は工場の電力異常を検知する視点で、ドリフト型は基準線との比較で、それぞれ見つけ方が変わってくると考えられます。
では、具体的に何と何を組み合わせれば候補を絞れるのか。現場で手に入りやすく、かつ切り分けに効くデータを挙げていきます。単独では意味が薄くても、重ねると急に情報量が増えるのがポイントです。
最も基本になるのが、消費電力と設備の稼働状態（運転/停止/待機）の突き合わせです。「電力は上がっているのに、設備は止まっているはず」という食い違いが見えれば、待機電力の増加や、消し忘れ、制御異常といった候補が一気に絞れます。稼働状態は、PLCやセンサーから取れる場合もあれば、設備の表示灯やパトライトを産業用カメラで読み取る、あるいは電流の波形そのものから運転/停止を推定する、といった手段も考えられます。既存設備を改造せずに状態を取りにいけるかどうかは、現場ごとに検討する価値があります。
電力の絶対値だけを見ていると、「生産が多かったから増えただけ」なのか「効率が悪化したのか」が区別できません。そこで生産量で割った原単位（製品1個あたり、あるいは1ロットあたりの消費電力）に落とすと、生産変動の影響を取り除いて比較できるようになります。原単位が悪化しているなら、生産量では説明できない何かが起きている、という切り分けができます。逆に原単位が横ばいなら、電力増加は生産増による正常な変動という候補が濃くなります。
見落とされがちなのが、設備の外側の条件です。外気温は空調・冷却負荷を通じて電力に効いてきますし、湿度も無視できません。そして保全記録——「いつ部品を交換したか」「いつ清掃したか」「いつ設定を変えたか」は、ドリフト型異常の起点を探す強力な手がかりになります。フィルタ清掃の直後から原単位が下がっていれば、汚れが原因だった候補が裏付けられます。これらの外部要因を時間軸に並べておくと、「設備のせいだと思っていたら、実は外気温と段取り替えの重なりだった」といった発見につながることがあります。
データを組み合わせると言っても、実務では「粒度」と「タイミング」が揃わないという壁にぶつかります。電力量計は1分ごと、生産管理は1ロットごと、保全記録は日付単位、外気温は1時間ごと——このバラバラの粒度をどう扱うかが、設計の肝になります。
まず、すべてのデータに共通のタイムスタンプ（時刻キー）を持たせ、比較したい単位（たとえば15分刻み、あるいは1シフト単位）に集約する方針を決めます。細かすぎるとノイズが増え、粗すぎると異常が埋もれます。何を切り分けたいかによって適切な粒度は変わるので、最初から完璧を狙わず、扱いやすい粒度で始めて調整するのが現実的だと考えられます。生産のロット単位で見たいのか、時間帯で見たいのかを最初に決めておくと、後の作業がぶれにくくなります。
設備の稼働データや電力データは、量が多く、また外に出しにくい情報を含むこともあります。すべてをクラウドに送って処理するのではなく、エッジAIによる工場内データ処理で現場の機器上で一次集約・前処理してしまう構成も検討に値します。通信量や遅延を抑えられ、ネットワークが不安定な現場でも取りこぼしにくく、機微なデータを工場内に留めやすいといった利点が考えられます。産業用カメラで表示灯を読む、電流波形から状態を推定するといった処理も、エッジ側で完結させやすくなります。
「まず全社のデータ基盤を整えてから」と考えると、いつまでも始められません。切り分けに必要なのは、対象を絞った数系統のデータを、同じ時間軸で見比べられる状態です。まずは怪しい1ラインや1受電系統に絞り、電力・稼働・生産・外気温・保全のうち手に入るものだけでも重ねてみる。そこから見える手応えで、次にどのデータを足すかを決めていく——この積み上げ方が、遠回りに見えて実は近道だと考えます。
データを一本の時間軸に載せられると、次はそれを日々どう回すかです。ここでAI/LLMが役に立つ場面がありますが、期待の置き方を間違えないことが大切です。AIは原因をズバリ言い当てる魔法ではありません。あくまで、人間が候補を絞る作業を速く・漏れなくするための補助だと捉えるのが健全だと考えます。
AI/LLMが比較的得意なのは、複数系統の時系列を突き合わせて「電力の山と、この設備の起動と、この外気温上昇が重なっている時間帯」を機械的に列挙すること、そして異常のパターンを過去と照合して「先月の同じような山はフィルタ清掃で解消した」といった関連情報を思い出させることです。エネルギーデータのLLM分析を使えば、こうした要因候補の整理と、それを踏まえた報告文の下書きまでを一気に支援できる可能性があります。逆に苦手なのは、現場でしか分からない事情（その日たまたま扉が開けっ放しだった等）の考慮で、ここは人間の観察が欠かせません。
見落とされがちですが、「原因が分からない」つらさの半分は、それを毎回ゼロから調べて報告書に起こす手間にあります。データが揃っていれば、AIに「今週の電力異常の候補を、時間帯・設備・条件別に整理して報告用にまとめて」と頼み、人間はその下書きを検証・修正する形にできます。ゼロから書くより、叩き台を直す方がはるかに速い。報告のための調査に追われて改善に手が回らない、という悪循環を断つ助けになりうると考えます。
どれだけAIが候補を並べても、最後に「本当にそれが原因か」を確かめるのは現物・現場です。AIが「この設備の待機電力が怪しい」と示したら、実際にその設備の前に立ち、電源を切って電力が下がるかを見る。この検証を飛ばして、AIの示唆をそのまま結論にしてはいけません。AIは候補を提示し、人間が現場で消し込む——この分業を守ることが、誤った対策で無駄なコストをかけないための歯止めになると考えます。
実際にデータを組み合わせて原因を探ろうとすると、いくつか共通のつまずき方があります。あらかじめ知っておくと回避しやすくなります。
これらはどれも、「早く原因を確定させたい」という焦りから生まれます。切り分けは、確定を急ぐより、候補を誠実に消していく作業だと捉え直すと、こうした落とし穴を避けやすくなると考えます。
最後に、どこから手をつけるかの現実的な順序を整理します。いきなり全社展開を狙わず、一番困っている1系統から始めるのが定石だと考えます。
第一段階は、対象の選定です。最も原因が分からず困っている1ライン・1設備・1受電系統を選び、そこに絞ります。第二段階は、その対象について電力・稼働・生産・外気温・保全記録のうち手に入るものを、同じ時間軸に載せて眺めること。ここまでで「候補が見えるか」を確かめます。第三段階で、見えてきた候補をAI/LLMに整理させ、報告の型を作る。第四段階で、その型が回ることを確認してから、隣のラインへ横展開する——この順です。
どの段階でも「やってみないと分からない」部分は残ります。対象設備の状態がどこまでデータで取れるか、既存設備を触らずに稼働を検知できるか、原単位で見て意味のある差が出るか——これらは現場ごとに違い、机上では確定できません。だからこそ、対象を絞った検証、すなわち小規模PoCから始める相談で、実際のデータと現物で確かめながら設計するアプローチが向いていると考えます。効果や実現性は、実際に測って初めて言えることです。
最初から大きな仕組みを作り込むより、「この1系統で、電力と稼働を突き合わせて待機電力の候補を絞れるか」といった具体的な問いを立て、それを確かめるAI PoC開発から入ると、投資判断もしやすくなります。うまくいけば型を横展開し、うまくいかなければ次に足すデータを見直す。この反復の中で、自社の現場に合った切り分けの型が育っていく——それが、原因が分からない状態から抜け出す一番堅実な道筋だと考えます。
電力・稼働・生産・外気温・保全記録が別々の場所と粒度で管理され、同じ時間軸で並べて見比べられていないことが多いためだと考えられます。情報が不足しているのではなく分断されている状態です。まず共通のタイムスタンプで突き合わせる土台を作ると、重なりが見えて候補が絞りやすくなる可能性があります。
まずは消費電力と設備の稼働状態（運転・停止・待機）の突き合わせが基本になりやすいと考えられます。「止まっているはずなのに電力が出ている」といった食い違いが見えれば候補が一気に絞れます。次に生産量で割った原単位、外気温、保全記録を足していく順序が扱いやすいと考えます。
AI/LLMは複数データの時系列を突き合わせて怪しい時間帯や組み合わせを列挙し、報告の下書きを作る支援には向きますが、原因を確定する魔法ではありません。相関は候補であって証拠ではなく、最終判断は現物・現場での確認が前提になると考えます。候補整理はAI、消し込みは人間という分業が現実的です。
電力コストの高騰や制度対応の中で「なぜ増えたかを説明できること」が求められる場面は増えていると考えられます。ただし省エネ法やGX関連制度の具体的な適用範囲・報告要件は改定されることがあるため、最新の内容は所管省庁の公表資料でご確認いただくことをおすすめします。
必ずしも改造が前提とは限りません。設備の表示灯やパトライトを産業用カメラで読み取る、電流の波形から運転・停止を推定するなど、既存設備に大きく手を入れずに状態を取りにいける手段も考えられます。どこまで取れるかは現場ごとに異なるため、対象を絞った検証で確かめるのが確実だと考えます。
全社のデータ基盤を整える前に、最も困っている1ライン・1設備に絞って、電力・稼働・生産・外気温を同じ時間軸に載せるところから始められます。効果や実現性は、実際のデータと現物で測って初めて言えること。まずは現場の困りごとを起点に、検証の設計からご一緒します。
異常の切り分けについて相談する