電力の見える化を進めても、「その電気は本当に価値を生んでいるのか」までは電力波形だけでは読み切れないことがあります。この記事では、画像処理AIで捉えた設備の稼働状態と電力データを突き合わせ、空運転や待機運転、異常消費の候補を絞り込むための考え方を、できることとできないことの両面から整理します。
電力コストの上昇、省エネ法の定期報告、取引先からのCO2算定の要請──工場や物流現場の管理者には、エネルギーに関する宿題が同時に降りかかっています。多くの現場でまず取り組まれるのが「電力の見える化」で、受電点や主要ラインに電力計を付け、使用量をグラフで追えるようにするところまでは進んでいます。ところが、そのグラフを前にして「では、どこを削ればいいのか」で手が止まる、という声を数多く聞きます。
理由はシンプルで、電力の総量が下がらないのは「使いすぎ」ているからとは限らないからです。生産量が多ければ電気も多く使います。問題は、生産や価値に結びついていない電力──動いていないのに待機している設備、製品が流れていないのに回り続けるコンベアやポンプ、段取り中に空回りするモーター──がどれだけ紛れ込んでいるか、です。総量のグラフには、それらが「正当な消費」と混ざって埋もれています。
経営や環境部門は原単位（製品1個あたり、生産1時間あたりの電力）で語りたい。一方で現場が知りたいのは、もっと手触りのある問いです。「あの設備、昼休みに止まってるはずなのに電気食ってないか」「立ち上げから生産開始までの間、何にどれだけ使っているのか」。この“中身”に踏み込むには、電力量だけでなく、その瞬間に設備が何をしていたかという稼働状態の情報が要ると考えられます。
電力データは強力ですが、そこから設備の状態を推し量るには限界があります。もちろん、電流波形のパターンから「稼働／停止」をある程度推定する手法はあり、機械学習で負荷状態を分類する試みも広く行われています。それでも、波形だけでは区別が難しい状況が現場には残ります。
たとえばモーターが定格近くで回っているとき、それが「製品を加工している」のか「ワークが供給されず空回りしている」のかは、電力だけでは判別が難しいことがあります。搬送ラインが電気を使っていても、上に荷物が載っているとは限りません。ヒーターが通電していても、庫内に処理対象があるとは限りません。電力は「どれだけ」は語れても、「何のために」は語りにくい。ここが第一の論点です。
待機電力の問題も似ています。制御盤や補機、真空ポンプ、油圧ユニットなどは、生産していない間もじわじわ電気を使い続けることがあります。総量では小さく見えても、24時間×稼働日で積み上がると無視できない量になりうる。ただし、その待機が「次の生産にすぐ立ち上げるため必要」なのか「消し忘れ・切り忘れ」なのかは、消費量の大小だけでは判断できません。稼働の文脈と突き合わせて初めて意味を持つと考えられます。
つまり課題は「見える化が足りない」ことではなく、「電力という1本の物差しだけでは、消費の善し悪しを判定する材料が足りない」ことにあります。もう1本、別の角度からの物差しを重ねる発想が要ると考えます。
そこで、電力データにもう1つの軸として「画像処理AIによる稼働状態の判定」を組み合わせる設計が候補になります。カメラで設備やラインを捉え、稼働／停止、ワークの有無、搬送物の通過、段取り作業の有無といった状態を判定し、それを電力量と同じ時間軸に並べる。画像処理AIの現場適用は外観検査で使われる技術ですが、同じ枠組みは「今この設備が何をしているか」を読む状態監視にも応用できると考えられます。
組み合わせの狙いを具体的に書くと、こうなります。①「電力が高い×映像では停止／ワーク無し」→ 空運転・異常消費の候補。②「電力が一定量あり×映像では稼働無し（昼休み・夜間）」→ 待機電力・切り忘れの候補。③「電力が上がった×映像でも稼働開始」→ 正常な立ち上がりとして除外。④「電力波形が普段と違う×映像は正常稼働」→ 機械側の変調（摩耗・過負荷）の可能性。単独の物差しでは埋もれる異常が、2軸のズレとして浮かび上がる、というのが基本の発想です。
現場画像のAI判定を工場内で完結させたい場合は、エッジVLMによる画像認識のように、映像をクラウドに送らずローカルで処理する構成も選択肢になります。メーターやアナログ計器の読み取り、掲示物・状態表示ランプの読み取りといった、既存設備を改造せずに情報を拾う用途にも広がりうると考えます。異常消費そのものの検知については工場の電力異常を検知の観点も併せて参照ください。
ただし強調したいのは、画像が向く設備と向かない設備がある、という点です。動きが外から見えない（密閉された炉、配管内の流体）、遮蔽が多い、照明が激しく変化する、といった現場ではカメラの判定精度が出にくいことがあります。その場合は稼働信号（PLCの接点、生産実績、段取り記録）など別の状態データで代替すべきで、画像はあくまで「状態を捉える手段の一つ」と位置づけるのが誠実だと考えます。
設計の要は、電力と稼働状態を「同じ時間軸」で突き合わせられるようにすることです。電力計のサンプリング周期、映像判定のタイムスタンプ、生産実績の時刻──これらの時刻がずれていると、せっかくの2軸が噛み合いません。まずは対象を1〜数台の設備に絞り、時刻同期を丁寧に取ることが、分析の土台になると考えられます。
画像処理AIに何を判定させるかは、分析の前に決めておく必要があります。「稼働／停止の2値でよいのか」「ワークの有無まで見たいのか」「作業者が段取りしている状態を区別したいのか」。判定したい状態の粒度が、カメラの位置・画角・照明・学習データの作り方を決めます。逆に言えば、状態定義が曖昧なままカメラを付けても、電力と噛み合う情報は取れにくい。ここは現場観察と設計に時間をかける価値がある部分です。
映像は情報量が多く、そのままクラウドへ流すと通信量・コスト・情報管理の負担が増えます。設備の稼働状態というセンシティブな情報でもあります。エッジAIによる工場内データ処理のように、判定を現場のエッジ機器（産業用カメラ＋Jetson等）で行い、外に出すのは「稼働状態のラベルと集計値」だけにする構成は、コストと情報管理の両面で現実的だと考えられます。元キーエンス画像処理事業部の現場知見に基づく、照明・レンズ・画角の作り込みが、判定の安定性を左右する部分でもあります。
分析側では、状態ラベルと電力量を掛け合わせて「状態別の消費電力量」を集計します。稼働中◯kWh、待機中◯kWh、空運転候補◯kWh、というように分解できれば、原単位（製品あたり・生産時間あたり）の議論にも、無駄削減の議論にもつなげやすくなると考えます。
突き合わせで「候補」が絞れたら、次は改善行動です。ここで大事なのは、AIが出すのはあくまで「候補・仮説」であって、現場での確認を経て初めて対策になる、という順序です。「昼休みに待機電力が出ている」という候補が挙がったら、実際にその設備の前で電源系統を確認し、切ってよいのか、次の立ち上げに支障が出ないかを、設備担当と一緒に判断します。
改善策を打ったら、同じ突き合わせの仕組みで前後を比較します。「空運転時間が減ったか」「待機中の消費電力量が下がったか」を、状態別集計の差分で確認する。ここで、生産量の変動を考慮せず総量だけで比べると誤った結論になりがちなので、原単位や状態別の値で見ることが効果検証の肝になると考えられます。効果が出た施策は水平展開し、出なかった施策は前提を疑う。この反復こそが継続的な省エネにつながりうると考えます。
状態別に整理されたデータは、省エネ法の報告やCO2算定、取引先への説明といった「報告」の場面でも下地になります。近年はローカルLLMを組み合わせ、集計結果から報告文の草案を作らせたり、異常候補の要約を作らせたりする使い方も現実味を帯びています。ただし出力は必ず人が検証する前提で、数値の根拠を人が説明できる状態を保つことが欠かせないと考えます。制度の要件や算定係数の詳細は所管省庁の最新の公表資料でご確認ください。
どんなに良い仕組みも、現場の負担が大きければ続きません。カメラの画角がずれる、照明環境が季節で変わる、設備レイアウトが変更される──こうした変化に対して、判定モデルや閾値をどう見直すかを運用に組み込んでおく必要があります。導入時に「誰が・どの頻度で・何を確認するか」を決めておくことが、形骸化を防ぐと考えられます。
異常候補を出す仕組みは、鳴りすぎると誰も見なくなります。最初は感度を絞り、「明らかにおかしいものだけ」を拾う設定から始め、現場の信頼を得ながら少しずつ範囲を広げるのが現実的です。誤検知が多い段階で全設備に広げると、かえって「AIは当てにならない」という印象を残しかねません。狭く始めて確実に当てる、という順序を守ることが定着につながると考えます。
また、現場の人が「なぜこの候補が挙がったのか」を映像と電力波形で確認できることが、納得と改善の両方を支えます。ブラックボックスの判定だけを渡されても現場は動きにくい。突き合わせた根拠をその場で見られる設計が、継続運用の鍵になると考えられます。
この設計には、正直に共有しておくべき限界とつまずきどころがあります。導入前に想定しておくことで、遠回りを避けられると考えます。
現実的な進め方は、いきなり全社基盤を作ることではなく、無駄が疑われる代表設備を1〜数台選び、そこで電力と稼働状態の突き合わせを試すことだと考えます。ステップとしては、①対象設備の稼働実態を現物で観察し、判定したい状態を定義する、②電力計と映像（または稼働信号）を同じ時間軸で取れるようにする、③状態別に消費を分解して無駄の候補を洗い出す、④現場確認のうえ改善し、同じ仕組みで効果を検証する、という順序が無理がないと考えられます。
この最初の一歩は、小規模PoCから始める相談として、対象を絞って設計するのが向いています。適性のある設備・画角・照明の条件を現場で確かめ、電力データとの噛み合わせを小さく検証してから広げる。元キーエンス画像処理事業部の現場知見 × VLM × Jetsonエッジ × 産業用カメラ × 現場ライティングという組み合わせは、この「現物で確かめる」段階でこそ効いてくると考えます。
電力の見える化の次に何をすべきか迷っている、あるいは特定の設備の空運転・待機電力に心当たりがある──そうした具体的な課題があるほど、PoCは設計しやすくなります。まずは対象設備の実態を一緒に眺めるところから、相談する形で始めるのが確実だと考えられます。
電力波形から稼働状態をある程度推定する手法はあり、有効な場面も多くあります。ただし「モーターが回っているのが加工中か空回りか」「通電中の設備に処理対象があるか」までは電力単独では判別が難しいことがあります。稼働状態を別の物差しで捉えて突き合わせると、無駄の候補を絞り込みやすくなると考えられます。
外から動きやワークの有無が見える設備では有効な一方、密閉された炉や配管内の流体など動きが見えない設備、遮蔽や照明変化の激しい現場では判定精度が出にくいことがあります。その場合はPLCの稼働信号や生産実績など別の状態データで代替する設計が現実的です。画像は状態を捉える手段の一つと位置づけるのが誠実だと考えます。
産業用カメラとエッジ機器を組み合わせ、判定を現場で行い、外部に出すのは稼働状態のラベルや集計値だけ、という構成が候補になります。映像自体を工場内にとどめれば、通信コストや情報管理の負担を抑えやすくなると考えられます。具体的な構成は対象設備やネットワーク環境によって変わるため、現場条件に合わせた検討が前提です。
状態別・原単位で整理したデータは、報告や算定の下地として活用しうると考えられます。ただし制度が求める算定方法・係数・報告様式は改定されることがあり、適用範囲や数値の詳細は所管省庁の最新の公表資料でご確認ください。ツールの出力はあくまで補助で、根拠を人が説明できる状態を保つことが欠かせないと考えます。
いきなり全設備に広げるより、無駄が疑われる代表設備を1〜数台選び、電力と稼働状態の突き合わせを小さく試す進め方が現実的だと考えられます。対象を絞ることで時刻同期や画角・照明の作り込みに集中でき、効果検証もしやすくなります。効果と適性を現物で確かめてから水平展開する順序が、結果的に早いと考えます。
空運転や待機電力に心当たりのある設備を1台選ぶところから始められます。電力データと稼働状態を同じ時間軸で突き合わせ、無駄の候補を現物で確かめる小さなPoCを、現場条件に合わせて一緒に設計します。
設備監視のPoCについて相談する