設備稼働状況を可視化！簡単なダッシュボード作成テクニック

なぜ今、設備稼働ダッシュボードが問われているのか

製造現場の管理者が「設備が今どういう状態か」を把握するために、生産ラインを歩き回ったり、担当者に口頭で確認したりしている光景は、2020年代に入ってもまだ珍しくない。この属人的な確認業務こそが、意思決定の遅れと改善活動の停滞を生む根本原因だ。

経済産業省は製造業のDX推進において、設備データの可視化・連携をサプライチェーン全体最適化の基盤と位置づけている。^[1] スマートファクトリー実証事業においても、工場現場の機器・設備等の生産ラインと業務系アプリケーションとの情報を連携させるためのSI業務プロセス標準仕様の策定や、機器・設備等の標準的な予知保全モデルの構築が進められてきた。^[2]

2023年版ものづくり白書でも、タイヤ製造工程において設備の稼働状態・品質検査情報をAIが学習して品質不良の予兆検知を自動化した事例が紹介されている。^[3] こうした動向を背景に、ダッシュボードは「あれば便利なツール」ではなく、製造業の競争力を左右するインフラとしての性格を強めている。

「稼働率」と「可動率」—混同が招く誤った改善策

ダッシュボードに表示する指標を設計する前に、稼働率と可動率（べきどうりつ）の違いを正確に理解しておく必要がある。この2つを混同したまま画面を設計すると、現場が全く違う行動を取ることになる。

• 稼働率：設備の生産能力に対してどの程度生産性を発揮できたかを示す指標。需要・オーダーの大きさに依存するため、100%を超えることもある。例として、1日100個生産できる設備で95個作った場合は稼働率95%。
• 可動率（べきどうりつ）：設備を利用しようとしていた時間のうち、実際に利用可能であった時間の割合。故障や停止時間に左右され、100%を超えることがない。製造現場が主体的にコントロールすべき指標。^[4]

例えば、ある日7時間の稼働を予定した設備が故障で1時間使えなかった場合、可動率は6÷7≒85.7%になる。^[4] この数字を改善するのは生産計画部門ではなく、保全担当者の領域だ。

食品業界では衛生管理や高頻度の清掃作業が伴うため、可動率の目安は80〜90%程度とされる。多品種少量生産の機械加工・部品製造では、段取り替えが多くなるため70%程度を目標とする場合もある。一般的に、可動率が70%未満になると設備保全の不足やダンドリ不備など、明確な改善余地があると判断される。^[4]

さらにOEE（総合設備効率、Overall Equipment Effectiveness）は、可動率に加えて性能稼働率と良品率を掛け合わせた総合的な設備効率指標で、世界的なベンチマーク比較で使われる。ダッシュボードには、この3層の指標を同時に見せる設計が理想的だ。

ダッシュボード設計の4ステップ—目的から始めて目的で終わる

経済産業省関東経済産業局がまとめたDX・データ活用支援ナレッジ集（ブートキャンプ概要集）では、データ活用の「あるべき姿や目標の明確化」をワークショップの第一歩として位置付けており、目的設定こそが成否を分けると強調している。^[5] これは設備稼働ダッシュボードでも全く同じだ。

Step 1：目的とKPIの確定

「見える化したい」という曖昧な動機でダッシュボードを作り始めると、KPIが散漫になって誰も見ない画面ができあがる。まず「歩留まりを○%改善したい」「設備稼働率を○%引き上げたい」といった具体的な目標から逆算し、それを測定するために必要な最小限のKPIを決定する。稼働率・可動率・チョコ停回数・段取り時間・平均修復時間（MTTR）など、目的に直結する指標だけを選ぶ。

Step 2：データ収集経路の設計

PLCや各種センサーから設備データを収集する経路を確立する。古い設備でPLCへのアクセス方法が不明な場合や、機器の種類が多岐にわたる場合は、信号灯の点灯を光センサーでキャッチするアプローチが実績を持つ。赤・黄・緑の信号灯それぞれに光センサーを取り付けるだけで、稼働中/警告/停止のステータスをリアルタイムで収集できる。^[6]

Step 3：ツール選定と可視化レイヤーの構築

経済産業省関東経済産業局のDX支援ブートキャンプでは、Power BIを活用したダッシュボードの作成方法を中小企業向けに演習形式で提供している。同資料では、紙への実績記入をタブレットへのデータ入力に切り替え、Excel単一分析からPower BIによる多軸分析へ移行した製造業の事例が紹介されている。^[7]

Step 4：運用体制の設計と定着

ダッシュボードは「誰が責任を持って更新・改善し続けるか」を最初に決めないと、構築後3〜6ヶ月で形骸化する。担当者を明確にし、月次・週次でKPIレビューを行うサイクルを制度化することが定着の鍵になる。

センサー選定とデータ収集の実務—現場タイプ別の最適解

設備から何のデータをどのように取るかは、製造ジャンルによって大きく異なる。金属加工・樹脂成形・化学・電気電子・組立完成品の5ジャンル横断で見ると、設備の世代・通信規格・稼働パターンがそれぞれ異なり、一律のセンサー構成は通用しない。

工場設備の稼働監視に使われる主なセンサーは、電流センサー（稼働/停止の判別）、振動センサー（加工状態の把握・異常兆候の検出）、温度センサー（熱処理炉・モーター温度の監視）、光センサー（信号灯ステータスの取得）、電力センサー（エネルギー消費の追跡）などに大別される。^[6]

通信インフラとしては、Wi-Fi・有線LAN・LTE（セルラーIoT）・LPWANなどが選択肢となる。工場内の電磁ノイズ環境や設備レイアウト、既設ネットワークの状況を踏まえて選択する必要がある。

収集したデータをクラウドに集積することで、設備稼働状況・生産性に関するデータを複数拠点から一元的に分析できるプラットフォームが構築できる。^[3] 多拠点を持つ製造業では、クラウド化によって「どの工場のどのラインが今ボトルネックか」をリアルタイムで把握できるようになる。

ツール選定の判断軸—BIツール・IoTプラットフォーム・ERP連携の使い分け

設備稼働ダッシュボードを実現するためのツールは、大きく3系統に分類できる。それぞれに強みと限界があり、自社の現状とゴールに合わせた選定が必要だ。

経済産業省関東経済産業局のブートキャンプ事例集では、中小企業においてもPower BIを活用した多軸分析への移行が、製造部門の改善活動を経営層・営業部門・管理部門へ共有する橋渡しとして機能した事例が報告されている。^[7] BIツールは「現場の気づき」を「組織の意思決定」に変換する装置として機能する点が、単なる集計ツールとの決定的な違いだ。

ダッシュボード画面設計の実務—「見やすさ」より「使われるか」

画面設計で最も重要なのは見た目のきれいさではなく、現場で実際に使われるかどうかだ。設備稼働ダッシュボードは、①生産管理者（ラインボトルネックの把握）、②保全担当者（異常予兆・停止原因の分析）、③経営層（工場全体のKPI確認）という3つの利用者層を持つことが多く、それぞれのニーズは全く異なる。

設備の稼働状況・停止理由・アラーム履歴をダッシュボードに表示することで、現場リーダーの改善活動、保全担当者の分析、経営層の意思決定支援という幅広い活用が可能になる。^[8] 一方、1つの画面に全情報を詰め込むと視認性が著しく低下する。ユーザー層別に画面を分ける、またはドリルダウン設計で必要な人が必要な粒度まで掘り下げられる構造が現実的だ。

グラフ種類の選択については、以下が基本的な判断基準になる。

• 折れ線グラフ：稼働率・可動率の時系列推移。シフト間・曜日間の比較に有効
• 棒グラフ（積み上げ）：停止時間の内訳（計画停止・故障停止・段取り・チョコ停など）を一目で比較
• ゲージチャート：現在の稼働率・OEEのリアルタイム表示。目標値と実績値を視覚的に比較
• ヒートマップ：設備別×時間帯別の停止頻度を俯瞰的に把握
• 設備レイアウト図（稼働色分け）：工場フロア全体のステータスを直感的に把握

色使いについては、「稼働中＝緑、警告＝黄、停止＝赤」というシグナル灯ベースの配色が現場で最も直感的に機能する。色弱の作業者を考慮し、アイコンや形状でも状態を区別できる設計が望ましい。

予知保全への展開—ダッシュボードを「診断装置」に変える

設備稼働データを蓄積し始めると、次のフェーズとして「過去データの傾向から故障を予測する」予知保全への展開が見えてくる。経済産業省のスマート工場実証事業では、標準的な予知保全モデルの構築が事業テーマの一つとして取り組まれてきた。^[2]

2023年版ものづくり白書でも、産業用IoTプラットフォームが設備稼働状況や生産性データをクラウドに集積・分析することで、事故の予知保全といった幅広い製造ソリューションを提供するフェーズに至った事例が紹介されている。^[3] タイヤ製造工程では、AIが設備の稼働状態と品質検査情報を学習し、品質不良の予兆検知と対応を自動化することで設備の不具合による停止を大幅に削減した。^[3]

中小企業においては、大企業のような活発なIoT導入事例が少ないのが現状だが、限られた経営資源の中でも段階的な導入により予知保全を実現することは可能だ。^[9] まずは「チョコ停の頻度が増えている」「特定時間帯に異常が集中している」といった傾向を可視化するだけでも、保全活動の優先順位付けに大きく貢献する。

導入時の失敗パターンと対策—現場で繰り返される7つの躓き

調達購買の立場から複数の製造現場を観察してきた経験から、設備稼働ダッシュボードの導入が機能不全に陥る典型パターンを整理する。

1. 目的先行ではなくツール先行：「何が知りたいか」より「何が作れるか」が主導してしまい、画面が情報過多になる。
2. KPIが多すぎて優先順位がない：稼働率・可動率・OEE・チョコ停・MTTR・MTTF…すべてを並べた結果、「とりあえず見る画面」になる。最初は3〜5指標に絞る。
3. データ収集の精度が低い：センサーの誤検知や通信途絶を放置すると、ダッシュボードの信頼性が失われ、現場が「あのデータはあてにならない」と言い始める。
4. 更新頻度と実務ニーズが合っていない：保全担当者はリアルタイムを必要とするが、経営層の日次レポートに1秒更新は不要。利用者層に合わせた更新頻度設計が必要。
5. 現場のフィードバックを取り込まない：構築チームが「使いやすいはず」と思った画面が、実際の作業者には使いにくい。定期的なヒアリングと画面の改訂が必須。
6. 運用責任者が不明確：担当が異動するたびにダッシュボードが放置される。^[8] 「誰がオーナーか」を明文化し、引き継ぎプロセスを設計しておく。
7. 可視化で満足して改善アクションが止まる：見えるようになった瞬間にプロジェクトが終わる。データを改善サイクル（PDCA）に組み込む仕組みがなければ意味をなさない。^[10]

中小製造業における段階的アプローチ—「小さく始めて大きく育てる」設計思想

予算・人材リソースが限られる中小製造業にとって、いきなりフルスペックのIoTプラットフォームを導入することはリスクが高い。関東経済産業局のDXブートキャンプでは、段階的なデータ活用アプローチが繰り返し推奨されている。^[5]

実践的な段階設計としては、以下のフェーズ構造が機能しやすい。

フェーズ0（PoC期：1〜3ヶ月）
1ラインの3〜5指標をExcelまたはGoogleスプレッドシートで可視化。センサー不要で手入力から始めても構わない。目的は「どのデータが意思決定に役立つか」を確認すること。

フェーズ1（データ自動収集期：3〜6ヶ月）
光センサーや電流センサーを設置し、データ収集を自動化する。収集したデータをBIツールへ連携する基盤を構築。Power BIのような比較的低コストのツールを活用することで、紙や手入力からの脱却と多軸分析の両立が可能になる。^[7]

フェーズ2（多拠点・AI展開期：6ヶ月〜）
クラウドへのデータ集積を通じて多拠点の統合管理を実現。蓄積データをもとにAI・機械学習による異常予兆検知・予知保全へと高度化する。この段階ではIoT専用プラットフォームまたはMES連携の本格導入が現実的になる。

この段階設計は、経済産業省の中小企業向けIoT活用事例集でも「小さく始めて徐々に拡張する」アプローチが繰り返し推奨されていることと一致する。^[2]

導入効果の定量評価—「感覚的に良くなった」では説明責任を果たせない

ダッシュボードの導入効果を経営層に説明し、継続投資を正当化するためには、定量的な指標が不可欠だ。金属加工・樹脂成形など加工系製造業での典型的な効果指標としては以下が挙げられる。

• 可動率の変化：導入前後の月次平均可動率を比較。5〜10ポイントの改善が見えると経営層への説明が容易になる
• チョコ停回数・時間の削減：1日あたりの累積チョコ停時間を記録することで、対策効果を可視化できる
• データ集計・レポート作成時間の削減：ある食品メーカーのBIツール導入事例では、データ分析・可視化に要する時間が最大10分の1に短縮された。^[11]
• 計画外停止件数：予知保全の効果を測定する最も直接的な指標
• 生産高・売上への貢献：工作機械の稼働状況IoT化によりボトルネックが解消され、月の生産高が増加した事例が報告されている。^[12]

これらの数値を「導入前の3ヶ月平均」と「導入後の3ヶ月平均」で比較するシンプルな方法が、経営層への報告において最も説得力を持つ。

よくある質問—現場から寄せられる疑問への回答

Q. 古い設備（PLC非対応）でもIoT化できますか？
可能だ。信号灯への光センサー取り付けが最もコストが低く、実績が多い方法だ。電流センサーをコンセントや動力線に取り付けるだけで「稼働中/停止中」を判別するアプローチも有効。

Q. セキュリティリスクはどう対処すべきですか？
工場ネットワークをインターネットと直接接続することのリスクは無視できない。製造系のIoTシステムはOT（運用技術）ネットワークとIT（情報技術）ネットワークを分離する「ネットワーク分離設計」が基本だ。クラウド上のデータには多要素認証を必須とし、アクセス権限を役割別に設定する。

Q. 導入コストの目安を教えてください。
PoC段階（既存センサー活用＋Excel/BIツール）であれば月数万円以内から始められる。本格的なIoTプラットフォーム導入（センサー設置・ゲートウェイ・SaaSライセンス込み）では、設備台数やラインの規模によって数十万〜数百万円の初期投資が必要になる。ものづくり補助金等の公的支援制度を活用することで実質負担を下げられる場合がある。

Q. 内製化と外注はどちらが適切ですか？
BIツールの画面設計は内製化しやすい領域だ。経済産業省関東経済産業局のブートキャンプ事例でも、DXコーディネータが自らPower BIの操作を習得し、支援企業への技術的アドバイスを実施した事例がある。^[7] 一方、センサー選定・通信設計・セキュリティ設計は専門知識が必要なため、外部ベンダーと協働する部分と内製化する部分を明確に切り分けることが効率的だ。

出典

1. 経済産業省 製造産業戦略企画室「製造業のDXについて」
2. 経済産業省「スマートものづくり（スマート工場実証事業）」
3. 経済産業省「2023年版ものづくり白書 第1部第5章第2節 DXによる製造機能の全体最適」
4. 製造業DX基幹システムSmartF「可動率とは？計算方法、稼働率との違い、可動率低下の要因と対策事例について解説」
5. 経済産業省関東経済産業局「DX・データ活用支援ナレッジ集【ブートキャンプ概要集】（令和6年9月）」
6. 株式会社ASTINA「設備稼働状況の見える化とIoT｜事例やメリットなどの基礎知識を分かりやすく解説」
7. 経済産業省関東経済産業局「DX・データ活用支援ナレッジ集【ブートキャンプ事例集】（令和6年9月）」
8. 大塚商会「工場の『見える化』とは？メリットや現場の課題、具体的な方法、成功事例を紹介」
9. J-STAGE「中小製造業における効率的なIoT導入プロセスの提案」（2024年）
10. 経済産業省関東経済産業局「DX・データ活用支援ナレッジ集【ノウハウ集】（令和6年9月）」
11. 内田洋行「BIの活用で製造現場のデータ活用を促進！三島食品の工場見える化事例」
12. J-STAGE「可動率と稼働率による生産性の診断―継続性と即時性のためのIoT活用―」（2023年）

※ 出典リンクは2025年5月18日時点でリンク到達性を確認しています。