機械加工業のIoT活用ガイド｜主軸稼働率の見える化と段取り改善｜製造業・工場DX経営オンライン

機械加工業のIoT活用ガイド——主軸稼働率の見える化から段取り改善・夜間無人運転の安定化まで

■SEO設計メモ（公開時に削除）

・メインKW：機械加工 IoT

・サブKW：切削加工 稼働率／マシニングセンタ 稼働監視／機械加工 生産性向上／NC工作機械 見える化／主軸稼働率

・titleタグ案：機械加工業のIoT活用ガイド｜主軸稼働率の見える化と段取り改善｜製造業・工場DX経営オンライン

・meta description案：機械加工業に特化した工場IoTの活用法を解説。主軸稼働率の実測、段取り・条件出し・測定・待ちの7大ロス構造、NC工作機械からのデータ取得方式、夜間無人運転の安定化、見積精度の向上まで、中堅・中小の機械加工業を数多く支援してきた船井総研のコンサルタントが実践手順をまとめました。

・想定読者：多品種少量の受注加工を営む中堅・中小機械加工業の経営者・工場長

・内部リンク：ピラー記事／子記事⑤見える化／⑦レトロフィット／⑨進め方／③費用／業種別：金型製造・板金溶接・自動車部品

「うちの機械は、だいたい動いている」——機械加工の現場で、最もよく聞く言葉のひとつです。

しかし、主軸が実際に回っている時間を計測してみると、就業時間の3〜4割台にとどまる、という結果が出ることは決して珍しくありません。残りの6割は、段取り、条件出し、測定、材料待ち、そしてチョコ停に消えています。「動いている」という体感と、「削っている」という事実の間には、想像以上のギャップがあるのです。

そしてこのギャップこそが、機械加工業にとって最大の伸びしろです。設備を1台増やせば数千万円。しかし、既存設備の主軸稼働率を5ポイント引き上げれば、同じ効果を数十万円の投資で得られる可能性があります。

本記事では、中堅・中小の機械加工業を数多く支援してきた船井総合研究所の製造業コンサルタントが、機械加工業に特化した工場IoTの活用法を解説します。この業種特有のロス構造、NC工作機械からのデータ取得方式、KPIの設計、夜間無人運転の安定化、そして見積精度の向上まで——「一般論のIoT解説」ではなく、切削・研削の現場で実際に機能する内容に絞ってお伝えします。

工場IoTの全体像を先に押さえたい方は、ピラー記事「工場IoTとは？完全ガイド」をご覧ください。

機械加工業の構造的特徴——なぜIoTが効くのか

まず、機械加工業という業態が持つ構造的な特徴を整理します。IoTが効く理由は、すべてこの構造の中にあります（図1）。

▲図1：機械加工業の構造的特徴とIoTの効きどころ

機械加工業の多くは、図面をいただいて加工する受注生産です。ロットは数個から数十個、品目は年間で数百から数千に及ぶこともあります。この構造がもたらすのは、段取り替えの頻発と、実績時間が把握できないという二つの課題です。

段取りが頻繁であれば、それだけ非加工時間が増えます。そして品目ごとの実績時間が分からなければ、見積は経験と勘に頼らざるを得ず、「受けたはいいが赤字だった」という案件が紛れ込みます。IoTによる実績時間の自動収集は、この両方に直接効きます。

マシニングセンタやNC旋盤は、1台数百万円から数千万円。その設備が1時間止まれば、失われるのは時間だけでなく、その時間が生むはずだった付加価値です。時間あたり付加価値が6,000円なら、1日1時間の停止は年間で150万円近い損失に相当します。

停止損失の大きい業種ほど、稼働の見える化による改善の金額インパクトは大きくなります。機械加工業は、その典型です。

自動化・省人化のため、夜間や休日に無人運転を行う工場は少なくありません。しかし、無人であるがゆえに、途中で停止しても誰も気づかない。朝出社したら夜中の2時に止まっていた——このロスは、無人運転を採用する工場が共通して抱える悩みです。

停止の即時通知という、IoTの最も基本的な機能が、この課題に劇的に効きます。

加工そのものより、その準備に時間がかかる——これも機械加工業の特徴です。治具の交換、ワークの段取り、芯出し、原点出し、プログラムの確認、初品の試し削りと測定。小ロットになるほど、この準備時間の比率は跳ね上がります。

ここで重要なのは、段取り時間は人によって、品目によって、大きくばらつくということです。そのバラつきを実測できれば、改善の的が一気に絞れます。

「この材料なら、この工具で、この条件」——ベテランの頭の中にある知識が、加工品質と生産性を支えています。しかしその知識は、退職とともに失われます。加工条件、工具寿命、トラブル時の対処——これらをデータとして残す仕組みは、技能伝承の時間的余裕がない今、待ったなしの経営課題です。

実測して見えるもの——「主軸が回っている時間」は何割か

機械加工業でIoTを導入した工場が、最初に驚くのがこの数字です（図2）。

▲図2：就業時間の内訳の典型例

体感では70〜80％動いているつもりの設備が、実測してみると主軸稼働（実際に削っている時間）は35〜45％。残りは、段取り替え15〜25％、プログラム確認・条件出し5〜15％、測定5〜10％、材料・図面・指示待ち5〜15％、チョコ停・トラブル5〜10％——といった内訳になります。

もちろん、これは工場や品目構成によって変動します。量産に近い工場ならもっと高く、超小ロットの試作中心ならもっと低くなります。しかし共通しているのは、「体感と実測には必ずギャップがある」ことと、「そのギャップの正体を知ることが改善の出発点になる」ことです。

なお、「主軸稼働率が低い＝現場がサボっている」ではまったくありません。段取りも測定も、必要な仕事です。問題は、必要な仕事の中に潜む「なくせるムダ」——探す時間、待つ時間、やり直す時間——が見えていないことにあります。この点は、データを現場に見せる際に必ず伝えるべき重要なメッセージです。稼働率と可動率の指標の使い分けについては、子記事「設備稼働率・可動率の見える化完全ガイド」で詳しく解説しています。

機械加工業の7大ロス——どこに時間が消えているのか

実測データが示すロスを、7つに分類して対策の方向性とともに整理します（図3）。自社の現場を思い浮かべながら読んでみてください。

▲図3：機械加工業の7大ロスと対策

治具交換、ワークの脱着、芯出し、原点出し、工具のセット——。多品種少量の機械加工業では、これが最大のロスであることがほとんどです。

対策の王道は外段取り化、つまり「機械を止めている間にしかできない作業」を「機械が動いている間にできる作業」へ移すことです。次の段取りに使う治具・工具を事前に準備しておく、ワークをパレットに事前セットしておく、プログラムを事前に確認しておく——。データで段取り時間のバラつき（人による差、品目による差、時間帯による差）が見えると、どこから外段取り化すべきかの判断が容易になります。

もう一つ効くのが標準化です。段取りの手順を動画で記録し、誰でも同じ手順・同じ時間でできるようにする。データが「Aさんは30分、Bさんは50分」というバラつきを示したとき、その差の中に標準化のヒントがあります。

初品加工、プログラムの修正、試し削り——新規品や久しぶりの品目では、条件を出すまでに相当の時間がかかります。ここでのポイントは、「過去の条件を探せるか」です。

同じ品目、あるいは似た材質・形状の加工条件が過去にあるはずなのに、それを探せない、あるいは探すより自分で出したほうが早い——この状態が、条件出しロスを固定化させます。品目と加工条件、工具、実績時間を紐づけて蓄積する仕組みは、地味ですが極めて効果の高い投資です。

三次元測定機の順番待ち、検査室までの移動、測定結果を待つ間の機械停止、そして再測定。特に高精度品では、測定時間が加工時間を上回ることさえあります。

機内測定の活用、工程内での簡易検査、測定順序の見直し——対策は現場条件によりますが、まず「測定にどれだけの時間が使われているか」を実測することが出発点です。データがなければ、この問題は議論の俎上にすら上がりません。

材料待ち、図面待ち、指示待ち、前工程待ち。この待ちロスの特徴は、原因が加工現場の外にあることです。材料の手配、生産計画、前工程の進捗、営業からの情報——。

だからこそ、このロスを実測して数字で示すことに大きな意味があります。「加工現場が遅い」という漠然とした認識が、「材料待ちで月40時間止まっている」という事実に置き換わったとき、議論は工場全体の課題へと正しく移ります。私たちの支援経験でも、稼働データが最初に炙り出すのは、しばしば生産管理側の問題です。

工具交換の時間、工具を探す時間、折損によるトラブル、寿命超過による品質不良。工具の定位置化と在庫管理、寿命の記録と予備工具の整備——。加工中の主軸負荷データが取れる環境なら、工具の摩耗傾向を捉えて交換時期を最適化する、といった高度な活用も視野に入ります。

切粉の詰まり、クーラントのトラブル、アラームによる一時停止からの復帰。1回は数分でも、積み重なれば大きなロスです。そして日報には残らないため、センサーでしか捕捉できません。発生箇所をパレート分析すると、原因が少数の箇所に集中していることが分かり、清掃や調整の基準化で改善できます。

無人運転中に停止し、翌朝まで放置される時間。これは機械加工業に特有の、そして最も対策の費用対効果が高いロスです。停止の即時通知を実装するだけで、対応可能なトラブルはその夜のうちに復旧でき、夜間の実効稼働時間が大きく回復します。

KPI設計——機械加工業は何を測るべきか

ロス構造が分かったところで、追うべき指標を設計します（図4）。

▲図4：機械加工業のKPI設計

経営指標としては、人時生産性（加工付加価値÷総投入工数）が有力です。人手不足の中で「一人あたりどれだけ稼げているか」を示すこの指標は、機械加工業の競争力を端的に表します。設備集約型の工場であれば、設備1台あたりの付加価値を併用してもよいでしょう。

現場の共通言語として最も機能するのが主軸稼働率です。段取りの改善も、測定の効率化も、待ちの削減も、すべてこの指標に集約されて現れます。「今月の主軸稼働率は42％、先月比＋3ポイント」——この一言で、工場全体の改善状況が共有できます。

これに、段取り時間（品目別・人別）、夜間実効稼働時間、見積時間と実績時間の乖離率を加えると、機械加工業のKPIセットとしてはほぼ十分です。

現場が日々意識する指標としては、外段取り実施率、工具探し時間、チョコ停回数、初品OK率（条件出し1回で合格した割合）、夜間停止の平均復旧時間——といった、行動と直結するものを選びます。KPIは経営の言葉、行動指標は現場の言葉。この翻訳ができているプロジェクトほど、定着が速くなります。

KPIを設計したら、それを見る場と使う場を必ずセットで決めてください。推奨は、朝礼での前日実績の共有（1分）と、週次15分のレビュー（先週の主軸稼働率とロスワースト3の確認、対策1件の決定、前週対策の効果検証）です。

機械加工業でありがちなのが、月次の会議で「先月の稼働率は◯％でした」と報告して終わるパターンです。月次では、原因を思い出せず、対策も打てません。週次であれば「先週のあの案件で段取りに手間取った」という記憶が鮮明なうちに議論でき、対策が具体的になります。データの鮮度と記憶の鮮度が揃っている状態——これが改善の質を決めます。

データの取り方——NC工作機械という難所をどう攻略するか

機械加工業のIoTには、他業種にはない固有の難しさがあります。NC工作機械の制御系が独自仕様であり、ユーザー側で自由にデータを取り出すことが容易ではないのです。方式別に整理します（図5）。

▲図5：設備タイプ別のデータ取得方式

多くのNC工作機械には積層信号灯が装備されています。その点灯色を光センサーで検知する方式は、設備本体に一切手を加えず、メーカーも年式も問わず使えます。取得できるのは稼働／待機／異常の3状態ですが、主軸稼働率の把握という第一目的にはこれで十分です。

注意点は、信号灯の点灯ルールが設備ごとにバラバラだと判定の意味が揃わないことです。「加工中は緑、一時停止は黄、アラームは赤」といったルールを、導入前に統一しておいてください。

信号灯のない旧型機や、点灯ルールが統一できない場合は、電源線にクランプする電流センサーが有効です。主軸モーターの電流値から、実加工中か、電源は入っているが削っていないかを判定します。

機械加工業でこの方式が特に有効なのは、「主軸が回っているか」という、この業種で最も知りたい状態を直接的に捉えられるためです。年式もメーカーもバラバラな設備群を、同じ物差しで一元管理できる点も大きな利点です。方式の詳細は子記事「レトロフィットIoTで古い設備をIoT化する方法」をご覧ください。

比較的新しいNC機では、工作機械メーカー自身が稼働監視やデータ収集の機能・オプションを提供しているケースが増えています。主軸負荷、送り速度、アラームの詳細、実行中のプログラム番号——純正ならではの深いデータが取得できます。

一方で、対象は自社メーカーの、しかも対応機種に限られます。工場内に複数メーカーの設備が混在する場合、純正機能だけでは全体を俯瞰できません。実務的な構成は、「主力の新しい機械は純正、それ以外は信号灯・電流センサーによるレトロフィット」の併用です。その際、両者のデータを最終的に一つのダッシュボードへ集約できるかを、必ず事前に確認してください。

工作機械の稼働データを標準的な形式で取得するための通信規格も整備が進んでいます。対応する機械であれば、メーカーを越えたデータ収集の可能性が開けますが、対応機種や取得できる項目には制約があり、現時点では「対応していればラッキー」という位置づけで考えるのが実務的です。導入検討時に、自社設備が対応しているかを機械メーカーに確認してみる価値はあります。

そして機械加工業で決定的に重要なのが、この方式です。センサーは「機械が動いているか」は分かっても、「止まっている間に何をしているか」——段取りなのか、測定なのか、材料待ちなのか——は分かりません。

そこで、タブレットやボタン端末で作業区分を入力する運用を組み合わせます。選択肢は「段取り」「条件出し」「測定」「材料待ち」「工具交換」「トラブル」「計画停止」など10択以内に絞り、数タップで完了する設計にします。この「機械のデータ×人の入力」の組み合わせによって初めて、7大ロスの内訳が見えるようになります。

導入ステップ——機械加工業の標準3カ月モデル

実際の進め方を、時系列で整理します（図6）。

▲図6：導入ステップ（標準3カ月モデル）

対象は3〜5台に絞ります。選定基準は、①工程のボトルネックになっている機械、②設備単価・時間単価の高い機械、③夜間無人運転を行っている機械——の3つです。加えて、同型機を2台以上含めると、機械間の比較から改善のヒントが得られます。

信号灯または電流センサーを設置し、判定精度を実際の稼働と照合しながら調整します。この期間の目的は、現状の主軸稼働率を正確に知ること。目標はまだ設定せず、ありのままの実力値を測定します。

停止時間の内訳を把握するため、作業区分の入力運用を始めます。ここで現場の負担が重いと定着しません。「機械が止まったら、画面に出た選択肢を1タップ」——この程度の負担に収める設計が必須です。同時に、手書きの日報を廃止できるよう業務を組み替えると、現場は歓迎してくれます。

データが揃ったら、週1回15分のレビューを開始します。先週の主軸稼働率とロス内訳ワースト3を確認し、ワースト1位への対策を1つ決め、前週の対策の効果を検証する——この15分の反復が、投資を利益に変える装置です。

最初の目標は「主軸稼働率＋5ポイント」に置きます。段取りと待ちの2大ロスに集中すれば、3〜6カ月で十分到達可能な水準です。導入プロジェクトの進め方全般は、子記事「工場IoT導入の進め方」で体系化していますので、あわせてご参照ください。

機械加工工場でセンサーを設置する際、この業種特有の注意点があります。第一に、切削油のミストです。加工エリア近傍は油分を含む空気にさらされるため、センサーの保護等級（IP規格）と設置位置に配慮が必要です。信号灯センサーは比較的高い位置に付くため影響は小さいものの、機械の側面や下部に設置する機器は防護を検討してください。

第二に、切粉と振動です。マグネット式で取り付ける機器は、切粉の堆積や振動による位置ずれが起きないかを確認します。第三に、電波環境です。金属の塊である工作機械が林立する環境は電波にとって過酷であり、必ず現地で電波強度を実測してください。設備の陰では届かないことが珍しくありません。920MHz帯無線のように障害物を回り込みやすい方式を選ぶと、この問題は大きく緩和されます。

第四に、電気工事です。電流センサーを分電盤内に設置する場合、電気工事士等の有資格者による作業が必要になります。生産を止めずに作業できるタイミングの調整も含めて、計画に織り込んでおいてください。

機械加工業の実践事例

守秘義務に配慮して内容を一般化した、当社ご支援先の事例をご紹介します。

マシニングセンタとNC旋盤あわせて20台を保有する部品加工メーカー。増産要請に対し「設備が足りない」として新規設備の導入を検討していましたが、その前に実態を測ることを提案しました。

電流センサーで主力5台を計測した結果、主軸稼働率は38％。作業実績入力のデータからは、段取りが22％、測定待ちが11％、材料・図面待ちが13％を占めることが判明しました。特に材料待ちは、購買部門と製造現場の情報連携の遅れが原因であることが分かり、加工現場の問題ではありませんでした。

対策として、材料手配のタイミング前倒し、治具のパレット化による外段取り化、測定順序の見直しを段階的に実行。6カ月後、主軸稼働率は47％まで改善し、検討していた設備増設は見送りとなりました。数十万円の見える化投資が、数千万円の設備投資の要否を判断させた事例です。

夜間の無人運転を行う精密加工メーカーでは、朝出社すると設備が止まっており、当日の生産計画が崩れるロスが月に何度も発生していました。停止した時刻も原因も分からないため、対策の立てようがない状態でした。

稼働センサーと通知機能を組み合わせ、夜間に15分以上の停止が発生した場合、当番者のスマートフォンへ通知が届く仕組みを構築。復旧可能なトラブルはその夜のうちに対応できるようになり、夜間の実効稼働時間が大幅に改善しました。

さらに、蓄積された停止データを分析したところ、特定の加工プログラムと材料の組み合わせでトラブルが集中していることが判明。プログラム側の対策により、そもそもの停止発生自体を減らすことにも成功しています。「気づけるようになる」ことが、「起きなくなる」ことへつながった好例です。

「安く受けてしまった案件」に悩んでいた受注加工メーカーの事例です。見積は熟練者の経験に基づいて作成されていましたが、実績時間と照合する仕組みがなく、赤字案件がなぜ生まれるのか誰も説明できませんでした。

稼働データに品目情報を紐づけ、品目別の実績時間を自動集計する仕組みを構築。見積時間と実績時間を比較したところ、特定の形状・材質の品目で、実績が見積を大幅に超過していることが判明しました。原因は、段取りと条件出しの工数が見積に十分織り込まれていなかったことです。

この結果を踏まえ、見積の標準時間を実績データに基づいて改訂。あわせて、超過が慢性化していた品目については価格改定の交渉を実施しました。データという客観的な根拠があったことで、交渉は想像以上に円滑に進んだといいます。加工現場のデータが、営業と経営の意思決定に届いた事例です。

熟練工の退職を控えた小規模な加工メーカーでは、加工条件が個人の経験の中にしかありませんでした。稼働データの収集とあわせて、品目・材質・工具・加工条件・実績時間・トラブルの有無を記録する運用を開始。ベテランが日々行っている判断を、記録という形で外部化していきました。

3年後、そのベテランは退職しましたが、蓄積された条件データベースにより、若手が過去の類似案件を検索して条件を組み立てられる体制ができていました。データ化は技能の否定ではなく、技能を組織に残す手段である——このメッセージを最初に丁寧に伝えたことが、ベテラン自身の協力を引き出す鍵になりました。

投資対効果の試算——機械加工業の場合

導入判断のための試算フレームを、機械加工業の数字で示します（図7）。

▲図7：投資対効果の試算例

効果は3つのルートで積算します。第一に、主軸稼働率の改善です。5台の設備が月200時間の負荷時間を持ち、稼働率が5ポイント改善すれば、月50時間の稼働回復。時間あたり付加価値6,000円なら年間360万円相当です。

第二に、夜間停止の早期復旧による実効稼働時間の回復。月20時間の回復でも年間144万円相当になります。第三に、日報・実績集計工数の削減。1日60分の削減が年250日続けば、単価2,500円で年間62万円です。

一方の費用は、センサー・ゲートウェイ・設定を含む初期費用が50万〜80万円、クラウド利用料が月1万円程度。初年度合計62万〜92万円に対し、効果は保守的に見積もって半分としても、1年以内の回収が視野に入る構造です。

もちろん、前提となる時間単価（限界利益÷稼働時間）や負荷時間は工場ごとに異なります。必ず自社の実数で置き換えて試算し、導入後は実測値で検証してください。費用の詳細な内訳と補助金の活用については、子記事「工場IoTの導入費用と使える補助金まとめ」で解説しています。

段取り時間を人別・品目別に実測した精密部品メーカーの事例です。同じ品目の段取りに、担当者によって25分から60分までの開きがあることが判明しました。

当初、経営層は「速い人に合わせて標準時間を設定しよう」と考えましたが、現場に入って観察すると、速い人は治具と工具を事前に手元へ揃えており、遅い人は都度取りに行っていたことが分かりました。つまり差は個人の能力ではなく、準備の仕方という「手順」の違いだったのです。

対策は単純でした。段取りに必要な治具・工具をセット化し、次の品目分を事前に機械の脇へ準備しておく運用に変更。これだけで、全員の段取り時間が短い側へ収束しました。データはバラつきを示すだけですが、その原因を現場で見に行けば、たいてい環境や手順の問題に行き着きます。この事例は、データと現場観察の組み合わせがいかに強力かを示しています。

機械加工業でよくある失敗と回避策

この業種特有の失敗パターンを共有します。事前に知っておけば、いずれも避けられます。

実測データが38％といった数字を示したとき、経営層が「現場は何をしているんだ」と反応すると、プロジェクトは終わります。現場は数字をよく見せる行動（入力の回避、区分の付け替え）に走り、データの信頼性が崩壊するからです。

正しい反応は、「なぜ主軸が回らないのか、その構造を一緒に解こう」です。実際、ロスの多くは段取り、測定待ち、材料待ちといった、現場の努力だけでは解決できない構造的な問題に起因します。データは犯人捜しの道具ではなく、構造を見つける道具である——この認識を、導入前に経営層と共有しておいてください。

「正確に分析したい」という思いから、作業区分を20も30も用意すると、現場は選ぶのが面倒になり入力率が急落します。最初は「段取り」「条件出し」「測定」「待ち」「トラブル」「計画停止」程度の粗い分類で十分です。改善が進み、深掘りが必要になった項目だけを細分化する——育てる設計にしてください。

20台、30台に一度にセンサーを付けると、判定精度の調整だけで数カ月が過ぎ、改善活動に入れません。3〜5台に絞り、そこで型を作ってから展開する。この順序を守るだけで、成果までの時間は確実に短縮されます。

「どうせやるなら主軸負荷まで取りたい」と純正オプションの検討を始めると、機種ごとの対応可否、費用、他メーカー機との統合といった論点が噴出し、検討が長期化します。まず信号灯・電流センサーで全設備の稼働を見える化し、必要になった機械だけ純正機能を追加する——この順序が、最短で成果に到達します。

センサーを付け、ダッシュボードができた時点で満足してしまい、誰も画面を開かなくなる——業種を問わず最多の失敗です。週1回15分でよいので、データを見て対策を1つ決める場を、業務の中に固定してください。既存の生産会議の冒頭15分を充てるのが、最も定着しやすい方法です。

工程別の深掘り——マシニング・旋盤・研削で何が違うか

同じ機械加工でも、工程によって着目点は異なります。

段取りの比重が大きく、治具・パレットの工夫による外段取り化の効果が最も出やすい領域です。多面加工や複合加工が可能な機械では、段取り回数そのものを減らす工程集約も改善テーマになります。APC（自動パレット交換）やロボットによるワーク供給を導入している工場では、無人稼働時間の実測と、その時間帯に停止が起きていないかの監視が重要です。

サイクルタイムが比較的安定しており、量産に近い品目では稼働率が高くなる傾向があります。着目すべきは、材料供給（バーフィーダーの停止）、切粉処理、工具摩耗による寸法変化です。主軸負荷データが取れる環境なら、工具摩耗の進行を電流値の変化として捉え、交換時期を最適化する取り組みが有効です。

砥石の目立て（ドレッシング）、寸法出しの微調整、そして測定が中心となる工程です。加工時間そのものより、測定と調整の繰り返しに時間が費やされる構造が多く、機内測定や工程内測定の導入効果が大きくなります。また、温度変化による寸法変動が問題になる場合は、工場内の温湿度モニタリングとの組み合わせが有効です。

複合加工機やロボット連携のセルでは、設備単価が高い分、停止損失も大きくなります。段取りの効率化に加え、「無人で何時間連続稼働できたか」を指標として追い、連続稼働を阻害する要因（工具寿命、切粉、ワーク供給）を一つずつ潰していくアプローチが有効です。予知保全の観点からは、主軸やボールねじの状態監視も検討に値します（子記事「IoTで実現する予知保全入門」参照）。

見積精度と原価管理——機械加工業のIoT活用で最も経営に効く領域

稼働の見える化から一歩進み、機械加工業にとって最も経営インパクトの大きいテーマが、見積精度と原価管理の改善です。

受注加工業の見積は、多くの場合ベテランの経験に基づいて作成されます。「この形状なら、この材質なら、だいたい何時間」——長年の経験に裏づけられた見積は、平均的には的確です。問題は、外れ方に偏りがあることです。

典型的なのは、段取り・条件出し・測定の工数が十分に織り込まれないケースです。加工時間そのものは経験で読めても、その周辺の準備工数は品目や状況によって大きく変動し、経験則では吸収しきれません。特に、初回品、小ロット品、精度要求の厳しい品目では、この乖離が大きくなります。

稼働データに品目情報を紐づけると、品目別・工程別の実績時間が自動的に蓄積されます。これを見積時間と突き合わせることで、「どんな品目で、どれだけ乖離しているか」が明らかになります。

私たちの支援先では、この分析により「特定の材質・形状の品目で実績が見積の1.5倍になっている」といった構造的な乖離が発見されるケースが多くあります。原因を掘り下げれば、段取りの難しさ、測定の多さ、条件出しのやり直しといった具体的な要因にたどり着きます。

そこから先の打ち手は2つ。一つは見積の標準時間を実績に基づいて改訂すること。もう一つは、乖離が大きく改善余地の乏しい品目について、価格改定を交渉することです。データという客観的な根拠があると、価格交渉は驚くほど進めやすくなります。「なんとなく厳しい」ではなく「この品目は実績でこれだけの工数がかかっている」と示せるからです。

実績時間が把握できると、品目別の実際原価が計算できるようになります。すると、「売上は大きいが利益が薄い品目」「小さいが収益性の高い品目」といった構造が浮かび上がります。

この情報は、営業戦略に直結します。どの品目を伸ばすべきか、どの顧客との取引を見直すべきか、設備投資はどの分野に振り向けるべきか——。工場のセンサーから始まったデータが、経営の意思決定に届く。機械加工業のIoT活用が最終的に目指すのは、この地点です。

技能伝承への活用——加工条件をどう残すか

もう一つ、機械加工業にとって切実なテーマが技能伝承です。

加工の技能は多面的ですが、記録可能な要素に分解すると次のようになります。品目・材質・形状の情報、使用する工具（型番・メーカー）、加工条件（回転数、送り、切込み）、加工プログラム、治具・段取りの方法、実績時間、発生したトラブルとその対処、品質結果——。

これらを品目単位で紐づけて蓄積するだけで、「過去にこの品目をどう加工したか」が検索可能な資産になります。特別なシステムは必要なく、実績データの蓄積と、簡単な備考入力の仕組みがあれば始められます。

数値データだけでは伝わらない要素——治具の取り付け方、芯出しのコツ、音や切粉の見方——は、スマートフォンで撮影した短い動画で補完します。「この品目の段取り」というタグをつけて、実績データと紐づけて保存しておく。ベテランが在籍しているうちにこれを進めておくことが、数年後の生産性を守ります。

ここで重要なのが、ベテランへの伝え方です。「あなたの技術をデータ化して誰でもできるようにする」と伝えると、多くの場合、抵抗されます。自分の価値が失われると感じるからです。

私たちが推奨するのは、「あなたの技術を、会社の財産として正しく記録させてほしい」という伝え方です。実際、データ化の過程でベテランの判断が客観的に裏づけられ、「自分のやり方は正しかった」と本人が実感するケースは多くあります。そして、記録が残ることで、ベテランはより高度な仕事——難易度の高い加工、若手の指導、工程改善——に時間を使えるようになります。技能のデータ化は、技能者の価値を下げるのではなく、正しく評価し、活かすための取り組みなのです。

夜間無人運転を最大化する——機械加工業の伸びしろの本丸

人手不足が深刻化する中、夜間・休日の無人運転は、機械加工業にとって最も現実的な能力拡大策です。IoTがこの領域で果たす役割を掘り下げます。

まず測るべきは、「無人運転を計画した時間」に対する「実際に加工していた時間」の割合です。18時から翌6時までの12時間を無人運転に充てたつもりでも、22時に停止していれば実効は4時間。この差を把握していない工場は少なくありません。

稼働センサーがあれば、この実効時間は自動的に計測できます。まずは1カ月分のデータを取り、「計画12時間に対して実効7時間」といった実態を数字で把握することから始めてください。多くの場合、この数字が改善活動の強力な動機になります。

無人運転中の停止に、いかに早く気づくか。一定時間以上の停止を検知したら、当番者のスマートフォンへ通知が飛ぶ仕組みは、機械加工業のIoT活用における最短距離の成果です。

運用設計のポイントは3つあります。第一に、通知のしきい値です。数分の停止で毎回鳴っては疲弊するため、「15分以上の停止」など実務的な閾値を設定します。第二に、当番制の設計です。誰が、どの時間帯に通知を受け、どこまで対応するのか。「電話で現場に指示するだけ」「必要なら出社する」など、対応レベルを事前に決めておきます。第三に、対応記録です。通知に対して何をしたかを記録すると、停止原因の傾向分析につながります。

通知で対応が早くなったら、次は停止自体を減らす段階です。蓄積された夜間停止データを分析すると、原因が特定のパターンに集中していることが分かります。

典型的なのは、工具寿命の設定が実態と合っていない、特定の材料ロットで切粉が絡む、クーラント濃度の管理不足、特定プログラムの安定性が低い——といった要因です。これらは、データがなければ「たまたま」で片づけられていた事象ですが、パターンとして見えれば対策が打てます。

無人運転の連続稼働時間を伸ばすことは、設備を増やさずに生産能力を拡大することと同義です。機械加工業のIoT活用において、これほど直接的に経営数字へ効くテーマは他にありません。

企業規模別のアプローチ

機械加工業は、数名の工場から数百名の企業まで規模の幅が広い業種です。規模別の勘所を整理します。

この規模では、経営者自身が現場を熟知しており、意思決定も速い。センサー3台程度の小さな導入で、経営者が直接データを見て判断する体制が最も機能します。目的も絞りやすく、「夜間停止の通知」「主軸稼働率の把握」の2つに集中すれば、数十万円の投資で明確な効果が得られます。

留意点は、属人化です。経営者の頭の中だけで運用が回っていると、体調不良や不在時に止まります。簡単でよいので、運用の手順とデータの見方を文書化しておいてください。

この規模帯では、推進担当（兼務可）と現場キーマンを立てた標準的な体制が有効です。設備台数も10〜30台程度あり、機械間の比較分析から改善のヒントが得られやすくなります。段取り時間の人別・品目別分析、見積と実績の乖離分析など、データ活用の幅も広がります。

規模が大きくなると、加工現場単独ではなく、生産管理・購買・営業を含めた工程間の連携が主要テーマになります。材料待ち・図面待ちといった「加工現場の外」に原因があるロスの比重が高まるためです。稼働データを部門横断の共通言語として使い、工場全体の流れを最適化する視点が求められます。

いずれの規模でも共通するのは、「3〜5台のスモールスタートから始める」という原則です。規模が大きいほど一斉導入の誘惑が強まりますが、型を作ってから展開するほうが、結果的に速く、確実に成果に到達します。

通知と原因分析に加えて、無人運転の実効時間を伸ばすためには、そもそも止まりにくい状態を作る取り組みが欠かせません。工具寿命の管理（実績に基づく交換周期の設定と予備工具の準備）、切粉処理の自動化やコンベアの点検、クーラント濃度・液量の管理基準の明確化、そして加工プログラムの安定性検証——。

これらは従来から現場が経験的に行ってきたことですが、データがあると優先順位が明確になります。「夜間停止の原因ワースト1位は工具関連で全体の4割」という事実が見えれば、まず工具管理から手をつけるべきだと全員が納得できます。限られた改善の時間を、最も効く場所に投じるための羅針盤——それが稼働データの役割です。

周辺テーマへの展開——稼働の見える化から先に広がる領域

主軸稼働率の改善サイクルが回り始めたら、機械加工業のデータ活用はさらに広がります。発展の方向性を示します。

加工現場の稼働データに、ジョブ（受注案件）の情報を紐づけると、案件ごとの進捗が見えるようになります。「この注文は今どの工程にあり、何時間かかっていて、納期に間に合うのか」——この問いに、営業も現場も同じ画面を見て答えられる状態は、多品種少量の受注加工業にとって強力な武器です。

特に効果が大きいのは、納期回答の精度向上です。設備の負荷状況と現在の仕掛かりが見えれば、「その納期は厳しい」「この時期なら可能」という判断が、勘ではなくデータでできるようになります。無理な受注による混乱と、過度に保守的な回答による機会損失の両方を減らせます。

機械加工業では、繁忙時に外注を活用するのが一般的です。内製と外注の判断は、多くの場合「今忙しいから外に出す」という感覚で行われていますが、設備別の負荷状況が見えれば、この判断も定量化できます。

さらに、内製した場合の実績時間データがあれば、外注単価の妥当性も検証できます。「この加工を外注すると◯円、内製すると実績時間から換算して◯円」——この比較ができると、外注戦略そのものが変わります。

新規設備の導入を検討する際、稼働データは強力な判断材料になります。既存設備に稼働の余地があるなら、まず改善で対応できないかを検証する。それでも能力が足りない場合、どの加工に、どれだけの能力が必要かを、実績データから定量的に算出する——。

数千万円の設備投資の精度を、数十万円のセンサーが引き上げる。この投資対効果の構造は、機械加工業のように設備単価の高い業種で特に際立ちます。

主軸、ボールねじ、ATC（自動工具交換装置）といった機械加工設備の主要部位は、故障すると修理費も停止期間も大きくなります。稼働データの蓄積基盤ができたら、重点設備への振動・温度監視を追加し、予知保全へ発展させる道筋が見えてきます。

特に、夜間無人運転を行う設備、代替のない専用機、修理に長期間を要する高額設備は、予知保全の優先対象です。方法論は子記事「IoTで実現する予知保全入門」で詳しく解説しています。

電流センサー方式で稼働を計測している場合、同じデータからエネルギー使用量も把握できます。加工していない時間帯の待機電力、休日の電源入れっぱなし、コンプレッサーの無駄な稼働——。機械加工業は電力消費の大きい業種であり、運用ルールの整備だけで削減できる余地は少なくありません。稼働の見える化と省エネの一石二鳥は、電流センサー方式ならではの利点です。

機械加工業を取り巻く環境変化——なぜ今なのか

最後に、この業種が置かれている環境を整理し、取り組みの必然性を確認します。

第一に、人手不足の深刻化です。技能を持つ加工技術者の採用は年々難しくなり、育成にも時間がかかります。限られた人員で生産量を維持・拡大するには、設備の稼働を高め、間接業務を減らすほかありません。

第二に、多品種少量化のさらなる進行です。顧客の在庫圧縮志向により、ロットは小さく、納期は短く、品目は増える傾向が続いています。段取り回数が増えるということは、段取りロスの管理がより重要になるということです。

第三に、原価高騰と価格転嫁の必要性です。材料費、電力費、人件費のすべてが上昇する中、適正な価格転嫁は経営の生命線です。そして価格交渉の場で最も説得力を持つのは、実績データに基づく原価の根拠です。「感覚的に厳しい」ではなく「実績でこれだけかかっている」——この違いが、交渉結果を分けます。

第四に、取引先からの要求の高度化です。品質記録、トレーサビリティ、納期回答の精度——顧客が求める水準は上がり続けています。データで応えられる体制は、受注競争における差別化要因になりつつあります。

これらの環境変化はいずれも、「データを持っている工場」に有利に働きます。そして、その第一歩は決して大がかりなものではありません。設備3〜5台にセンサーを付け、主軸稼働率を測ってみる——今日から始められる、この小さな一歩が出発点です。

導入前チェックリスト

機械加工業でIoT導入を検討する際の確認事項をまとめました（図8）。

▲図8：機械加工業のIoT導入チェックリスト

このリストの中で特に重要なのは、冒頭の「主軸稼働率を実測データで答えられるか」です。答えがNOであれば、それだけで着手の理由は十分です。そして最後の「人の評価には使わない」——この約束が、正確なデータを持続的に得るための土台になります。

よくある質問（FAQ）

深いデータ（主軸負荷、プログラム情報など）をユーザー側で自由に取り出すのは、確かに容易ではありません。しかし、信号灯センサーや電流センサーによる稼働の見える化であれば、メーカー・年式を問わず、後付けで簡単に実現できます。まずこのレベルから始めるのが実務的です。

一般的な目標値より、自社の実測ベースラインからの改善幅で設定してください。実測が38％なら、最初の目標は43％。達成したら48％へ——この刻み方が現場の納得感と持続性の両面で優れています。業種平均や他社比較は参考程度に留めるべきで、負荷時間の定義や品目構成が異なるため単純比較は意味を持ちません。

その懸念は正当です。だからこそ、目的を「個人の速さを測る」ではなく「段取りしやすい環境を作る」と設定し、経営から明言してください。実際、データが示すのは多くの場合、治具が探しにくい、工具が遠い、図面が分かりにくいといった環境要因です。「あなたを測るのではなく、あなたの邪魔をしているものを探す」——この位置づけが伝われば、現場は協力者になります。

最も簡単なのは、作業開始時にタブレットで品目（またはジョブ番号）を選択する運用です。バーコードやQRコードを図面や指示書に印刷しておき、読み取る方式にすると入力負担がさらに減ります。既存の生産管理システムがあれば、そこから作業指示情報を連携する方法も検討できます。

3〜5台です。1台では比較ができず改善の議論が広がりません。10台を超えると初期調整の負荷が大きくなります。ボトルネック機、高単価機、夜間運転する機を中心に選定し、同型機を2台以上含めるのがおすすめです。

信号灯または電流センサー5台、ゲートウェイ、クラウド、初期設定を含めて初期50万〜80万円、月額1万円前後が目安です。作業実績入力用のタブレットを加えると若干上乗せされます。詳細は子記事「工場IoTの導入費用と使える補助金まとめ」をご覧ください。

始められます。むしろ、生産管理システムの導入・刷新を検討している場合は、その前に稼働の実態を把握しておくことを推奨します。実績データがあれば、システムの要件定義の精度が上がり、過剰投資も防げます。

主軸負荷データが取得できる環境であれば、電流値の変化から摩耗傾向を捉える取り組みは可能です。ただし、これは稼働の見える化が定着した後の発展テーマと位置づけるべきです。まずは稼働・段取り・停止の構造を把握し、改善サイクルを回すことから始めてください。

日報・集計工数の削減は導入直後から発生します。夜間停止の早期復旧による効果は、通知運用の開始とともに1カ月以内に現れます。主軸稼働率の改善は3〜6カ月かけて積み上がっていくのが標準的です。

中小製造業のIoT導入率は2割未満とされており（出典：総務省「令和元年版 情報通信白書」https://www.soumu.go.jp/johotsusintokei/whitepaper/index.html）、機械加工業においても取り組んでいる企業はまだ少数派です。一方、導入企業の多くは効果を実感しており、今取り組むことは先行者利益を取りに行くことに等しいと言えます。

機械加工業のIoT用語ミニ辞典

・主軸稼働率：就業時間に対して実際に主軸が回っていた（削っていた）時間の割合。この業種の中心指標。

・可動率（べきどうりつ）：動かしたい時間に対して正常に動いた割合。停止ロスの大きさを示す。

・内段取り／外段取り：機械を止めて行う段取り／機械稼働中に並行して行う段取り。外段取り化が改善の王道。

・条件出し：新規品や再開品で加工条件を決める作業。初品OK率が改善指標になる。

・チョコ停：数分以内の短時間停止。切粉詰まり等が典型。センサーでのみ捕捉可能。

・実効稼働時間：無人運転で計画した時間のうち、実際に加工していた時間。

・信号灯センサー：積層信号灯の点灯を検知する後付けセンサー。最も簡便な稼働監視手段。

・電流センサー（CTセンサー）：電源線をクランプして電流を測るセンサー。旧型機・混在環境に強い。

・MTConnect／OPC UA：工作機械等のデータを標準形式で扱う通信規格。対応機種は限定的。

・見積乖離率：見積時間に対する実績時間の比率。原価管理と価格交渉の基礎データ。

まとめ——機械加工業の伸びしろは「削っていない6割」にある

本記事の要点を整理します。

・機械加工業の実測では、主軸が回っている時間は就業時間の3〜4割台にとどまることが多い

・ロスの内訳は段取り・条件出し・測定・待ち・工具・チョコ停・夜間停止の7つ。最大は段取りと待ち

・NC機からの深いデータ取得は難しいが、信号灯・電流センサーによる稼働の見える化は後付けで容易

・「機械のデータ×人による作業区分入力」の組み合わせで、初めてロス構造が見える

・中心KPIは主軸稼働率。最初の目標は「＋5ポイント」。3〜6カ月で到達可能な水準

・夜間無人運転の停止通知は、この業種で最も費用対効果の高い一手

・実績時間データは見積精度と価格交渉、品目別収益性の把握へと発展する

設備を増やさずに生産能力を高める。人を増やさずに納期対応力を上げる。ベテランの技術を組織に残す——機械加工業が直面するこれらの課題に対して、既存設備のデータ化は最も現実的な解答です。そして、その第一歩は設備3〜5台、数十万円、3カ月から始められます。

船井総合研究所では、中堅・中小の機械加工業に特化した「工場の小規模DX」コンサルティングとして、対象設備の選定から方式選定、KPI設計、作業実績入力の運用設計、週次レビューの定着、そして見積・原価への展開までを一貫して伴走支援しています。「うちの主軸稼働率は実際どれくらいなのか」という素朴な疑問からのご相談も、無料経営相談で承っています。

なお、金型製造業のIoT活用については業種別記事「金型製造業のIoT・DX活用ガイド」、板金・溶接業については「板金・溶接業のIoT活用ガイド」で、それぞれの特有課題に踏み込んで解説しています。あわせてご参照ください。

▼無料経営相談のお申し込みはこちら

https://www.funaisoken.co.jp/form/consulting?siteno=S111