メインコンテンツへスキップ
三田工場 技術サイト
undefined icon

リアルタイム生産管理システム

見える化LV.1🏭 社内サーバー

QUICK - 三田工場リアルタイム生産管理システム 開発報告

ビジョン:hntDBの生産実績データを"見える化"し、現場の意思決定を加速する


1. 現在の課題(Problem)

三田工場の生産管理で日常的に発生している課題を整理しました。

1-1. 生産状況のリアルタイム把握が困難

各ラインの稼働状況を確認するには、現場に行くか、hntDBの生データを直接参照する必要がある。管理者が複数ラインの状況を横断的に把握するのに時間がかかり、問題発生時の対応が遅れる。

1-2. 生産ロスの分析が属人的

停止時間や速度低下、段替え時間などの分析は、担当者がデータを手動で集計して行っている。分析の観点や粒度が人によって異なり、改善施策の優先度判断が難しい。

1-3. 計画と実績の乖離が見えにくい

生産計画に対する進捗をリアルタイムで確認する手段がなく、目標未達が判明するのは事後になりがち。日中の時点で「このままで目標に届くか?」を判断できない。

text
現状の業務フロー:
├── hntDB (Oracle)     ← 実績データが蓄積される
├── 現場確認 / 手動集計  ← 状況把握に時間がかかる
├── Excel分析          ← 属人的、再利用しにくい
└── → リアルタイム性がない、横断比較が困難

2. QUICKでこう変わる(Solution)

# 現状(BEFORE) 導入後(AFTER)
1 各ラインの稼働状況を現場で個別確認 ダッシュボードでリアルタイムに全ライン一覧表示
2 停止・速度低下の分析を手動集計 AI分析が自動で4軸分析し改善策を提案
3 計画達成の見通しが事後にしか分からない 予測線グラフで目標達成予測をリアルタイム表示
4 OEE指標の算出に手間がかかる 設備稼働率・性能・良品率を自動計算・グラフ化

QUICKの管理構成

text
QUICK
└── ライン一覧(109ライン)
    ├── ダッシュボード(ライン別・日別)
    │   ├── 計画 vs 実績 リアルタイムグラフ
    │   ├── 予測線(目標達成予測)
    │   ├── 設備稼働率・性能稼働率・良品率
    │   └── AI分析サイドバー
    ├── 計画管理(生産計画の登録・編集)
    ├── 実績一覧(フィルタ・CSV出力)
    └── 週別・月別分析グラフ

hntDBに蓄積された生産実績データを自動取得し、リアルタイムで可視化・分析します。


3. システム全体像

text
┌──────────┐    ┌──────────┐    ┌──────────────┐    ┌──────────┐
│  hntDB   │ ─→ │  QUICK   │ ─→ │ リアルタイム   │ ─→ │ ブラウザ  │
│ (Oracle) │    │ (Django) │    │ WebSocket更新 │    │  (PC)    │
└──────────┘    └──────────┘    └──────────────┘    └──────────┘
                     ↑ ↓
              ┌──────────────┐
              │  Snowflake   │  ← ライン・機種マスタ同期
              └──────────────┘
                     ↑ ↓
              ┌──────────────┐
              │  AWS Bedrock │  ← AI分析(Claude 3.5 Sonnet)
              └──────────────┘

技術スタック

レイヤー 技術
フロントエンド HTML / CSS / JavaScript(Bootstrap 5)
バックエンド Django 4.2 + Daphne(ASGI)
リアルタイム通信 Django Channels + Redis(WebSocket)
データベース PostgreSQL(アプリDB) + Oracle(hntDB)
外部連携 Snowflake(マスタ同期)、AWS Bedrock(AI分析)
インフラ Docker Compose on WSL2(docker-ce)

4. 主要機能の詳細

4-1. リアルタイムダッシュボード

ライン別・日別の生産状況をリアルタイムで表示。WebSocketにより自動更新される。

text
ダッシュボード構成:
├── 計画 vs 実績 時間別棒グラフ  ← 時間ごとの達成度を可視化
├── 予測線グラフ                 ← 現在ペースで目標達成できるか予測
├── 設備稼働率グラフ             ← 設備別の時間稼働率
├── 性能稼働率グラフ             ← サイクルタイム基準の性能評価
├── 良品率グラフ                 ← 品質指標
└── カスタムカード               ← ユーザーが表示項目を設定可能

4-2. AI分析(AWS Bedrock連携)

製造ロスを4軸で自動分析し、改善アクションを提案する。

text
ダッシュボードのデータ → AWS Bedrock(Claude 3.5 Sonnet)
                           ├→ 立ち上げ遅れ分析
                           ├→ 速度低下・OEE分析
                           ├→ 停止・段替え分析
                           └→ 機種別分析

                         総合分析 → 優先改善アクション(最大3つ)
  • ダッシュボード全体分析: 4軸並列分析 + 総合分析
  • グラフ別分析: 各グラフの★ボタンからストリーミングでAI分析(SSE)
  • AIキャラクター: やさしい女性アシスタントが分析結果を解説

4-3. ライン一覧(Line Overview)

全ラインの稼働状況を一画面で横断的に確認できる。各ラインの進捗率・稼働状態をカード形式で表示し、アイコンで状態を即座に判別可能。

4-4. 実績一覧・CSVエクスポート

  • 設備・機種・日時範囲のフィルタリング
  • チェックボックスドロップダウンで複数設備を選択
  • CSV出力による外部分析連携

4-5. 段替え時間管理

機種切替時の実績時間を自動計算。休憩時間を除外した実質段替え時間を記録し、改善の基礎データとして蓄積。


5. 外部システム連携

text
hntDB (Oracle)                     QUICK
┌──────────────────┐              ┌──────────────────────────┐
│ HHS001 (73ライン) │  ──実績──→  │ Result (856万件)         │
│ HHS002 (26ライン) │              │ ChangeoverRecord (944件) │
└──────────────────┘              └──────────────────────────┘

Snowflake                          QUICK
┌──────────────────┐              ┌──────────────────────────┐
│ ラインマスタ      │  ──同期──→  │ Line (109ライン)          │
│ 機種マスタ        │              │ Part (400機種)           │
└──────────────────┘              └──────────────────────────┘

AWS Bedrock                        QUICK
┌──────────────────┐              ┌──────────────────────────┐
│ Claude 3.5 Sonnet│  ←─分析──   │ AI分析サービス            │
│ (us-west-2)      │  ──結果──→  │ ストリーミング表示         │
└──────────────────┘              └──────────────────────────┘
  • Oracle接続: ライン毎に接続先サーバーを動的切替(OracleServerConfig)
  • Snowflake同期: Admin画面からワンクリックでマスタ同期
  • AWS Bedrock: プロンプトテンプレートをDB管理(AIPromptTemplate)

6. 実装済みの価値

価値 詳細
リアルタイム可視化 hntDBの実績データをWebSocketで自動更新。現場に行かずに稼働状況を把握
AI自動分析 製造ロスの4軸分析を自動化。属人的な分析から脱却し、改善の優先度を提案
目標達成予測 日中の時点で目標達成可否を予測線で表示。早期の対応判断が可能
横断比較 109ラインの稼働状況を一画面で比較。管理者の意思決定を加速
OEE自動計算 時間稼働率・性能稼働率・良品率を自動算出。手動集計の工数を削減
データ蓄積基盤 856万件の実績データを検索・フィルタ・CSV出力可能な形で整備

7. 実績データ

現時点でのデータ規模

項目
生産実績レコード 8,560,502件(856万件)
段替え実績 944件
登録ライン 109ライン(三田工場の約30%)
登録設備 1,750台
登録機種 400機種
生産計画 398件

利用状況

項目 状況
登録ユーザー 26名
Oracle接続先 HHS001(73ライン)、HHS002(26ライン)
ユーザーフィードバック 22件受領
カバー範囲 三田工場の約30%

コードベース規模

項目
Pythonファイル 190ファイル
HTMLテンプレート 43ファイル
Djangoモデル 22モデル
URLエンドポイント 40+
サービスクラス 19ファイル

8. QUICKで描く未来(Benefit)

目指す世界

text
┌──────────────────┐
  │  朝礼・巡回時     │
  └────────┬─────────┘

  ┌──────────────────┐
  │ QUICKを開く       │
  └────────┬─────────┘

  ┌─────┐ ┌─────┐ ┌─────┐
  │全ライン│ │AI分析│ │予測  │  ← すべて即アクセス可能
  │一覧  │ │結果  │ │情報  │
  └─────┘ └─────┘ └─────┘

  ┌──────────────────┐
  │ データに基づく     │
  │ 迅速な改善判断     │
  └──────────────────┘

具体的に実現したいこと

対象ラインの拡大

  • 現在の30%から三田工場全ラインへ展開
  • 他工場への横展開の可能性

アラート・通知機能

  • 異常検知時の自動通知(停止超過、目標乖離)
  • メール・Teams連携

分析の深化

  • 週次・月次トレンドのAI分析
  • ライン間の比較分析・ベストプラクティス抽出

9. 開発ロードマップ

text
Phase 1: 基盤構築 [DONE]              Phase 2: 分析強化 [DONE]              Phase 3: 展開・拡張 [NEXT]
───────────────────────              ───────────────────────              ───────────────────────
✓ ダッシュボード                      ✓ AI分析(4軸+総合)                  □ 全ライン展開(100%)
✓ WebSocketリアルタイム更新            ✓ グラフ別AI分析(SSE)               □ アラート・通知機能
✓ 計画管理・実績一覧                   ✓ 予測線グラフ                       □ 週次・月次AIトレンド分析
✓ Oracle動的接続                      ✓ OEE自動計算                        □ 他工場横展開
✓ Snowflakeマスタ同期                 ✓ ライン一覧(横断比較)              □ Teams連携
✓ 段替え時間自動計算                   ✓ 停止判定閾値のライン別設定           □ モバイル対応
✓ CSVエクスポート                     ✓ コード品質改善(モジュール分割)

まとめ

  1. hntDBの生産実績データをリアルタイムダッシュボードで可視化する仕組みを構築済み
  2. Oracle・Snowflake・AWS Bedrockとシームレスに連携し、データ収集から分析まで自動化
  3. その先に三田工場全ラインの統合管理と、データドリブンな改善文化を実現する

QUICK 生産データを、すばやく、わかりやすく。

QUICK - 三田工場リアルタイム生産管理システム 開発報告

ビジョン:hntDBの生産実績データを"見える化"し、現場の意思決定を加速する


1. 現在の課題(Problem)

三田工場の生産管理で日常的に発生している課題を整理しました。

1-1. 生産状況のリアルタイム把握が困難

各ラインの稼働状況を確認するには、現場に行くか、hntDBの生データを直接参照する必要がある。管理者が複数ラインの状況を横断的に把握するのに時間がかかり、問題発生時の対応が遅れる。

1-2. 生産ロスの分析が属人的

停止時間や速度低下、段替え時間などの分析は、担当者がデータを手動で集計して行っている。分析の観点や粒度が人によって異なり、改善施策の優先度判断が難しい。

1-3. 計画と実績の乖離が見えにくい

生産計画に対する進捗をリアルタイムで確認する手段がなく、目標未達が判明するのは事後になりがち。日中の時点で「このままで目標に届くか?」を判断できない。

text
現状の業務フロー:
├── hntDB (Oracle)     ← 実績データが蓄積される
├── 現場確認 / 手動集計  ← 状況把握に時間がかかる
├── Excel分析          ← 属人的、再利用しにくい
└── → リアルタイム性がない、横断比較が困難

2. QUICKでこう変わる(Solution)

# 現状(BEFORE) 導入後(AFTER)
1 各ラインの稼働状況を現場で個別確認 ダッシュボードでリアルタイムに全ライン一覧表示
2 停止・速度低下の分析を手動集計 AI分析が自動で4軸分析し改善策を提案
3 計画達成の見通しが事後にしか分からない 予測線グラフで目標達成予測をリアルタイム表示
4 OEE指標の算出に手間がかかる 設備稼働率・性能・良品率を自動計算・グラフ化

QUICKの管理構成

text
QUICK
└── ライン一覧(109ライン)
    ├── ダッシュボード(ライン別・日別)
    │   ├── 計画 vs 実績 リアルタイムグラフ
    │   ├── 予測線(目標達成予測)
    │   ├── 設備稼働率・性能稼働率・良品率
    │   └── AI分析サイドバー
    ├── 計画管理(生産計画の登録・編集)
    ├── 実績一覧(フィルタ・CSV出力)
    └── 週別・月別分析グラフ

hntDBに蓄積された生産実績データを自動取得し、リアルタイムで可視化・分析します。


3. システム全体像

text
┌──────────┐    ┌──────────┐    ┌──────────────┐    ┌──────────┐
│  hntDB   │ ─→ │  QUICK   │ ─→ │ リアルタイム   │ ─→ │ ブラウザ  │
│ (Oracle) │    │ (Django) │    │ WebSocket更新 │    │  (PC)    │
└──────────┘    └──────────┘    └──────────────┘    └──────────┘
                     ↑ ↓
              ┌──────────────┐
              │  Snowflake   │  ← ライン・機種マスタ同期
              └──────────────┘
                     ↑ ↓
              ┌──────────────┐
              │  AWS Bedrock │  ← AI分析(Claude 3.5 Sonnet)
              └──────────────┘

技術スタック

レイヤー 技術
フロントエンド HTML / CSS / JavaScript(Bootstrap 5)
バックエンド Django 4.2 + Daphne(ASGI)
リアルタイム通信 Django Channels + Redis(WebSocket)
データベース PostgreSQL(アプリDB) + Oracle(hntDB)
外部連携 Snowflake(マスタ同期)、AWS Bedrock(AI分析)
インフラ Docker Compose on WSL2(docker-ce)

4. 主要機能の詳細

4-1. リアルタイムダッシュボード

ライン別・日別の生産状況をリアルタイムで表示。WebSocketにより自動更新される。

text
ダッシュボード構成:
├── 計画 vs 実績 時間別棒グラフ  ← 時間ごとの達成度を可視化
├── 予測線グラフ                 ← 現在ペースで目標達成できるか予測
├── 設備稼働率グラフ             ← 設備別の時間稼働率
├── 性能稼働率グラフ             ← サイクルタイム基準の性能評価
├── 良品率グラフ                 ← 品質指標
└── カスタムカード               ← ユーザーが表示項目を設定可能

4-2. AI分析(AWS Bedrock連携)

製造ロスを4軸で自動分析し、改善アクションを提案する。

text
ダッシュボードのデータ → AWS Bedrock(Claude 3.5 Sonnet)
                           ├→ 立ち上げ遅れ分析
                           ├→ 速度低下・OEE分析
                           ├→ 停止・段替え分析
                           └→ 機種別分析

                         総合分析 → 優先改善アクション(最大3つ)
  • ダッシュボード全体分析: 4軸並列分析 + 総合分析
  • グラフ別分析: 各グラフの★ボタンからストリーミングでAI分析(SSE)
  • AIキャラクター: やさしい女性アシスタントが分析結果を解説

4-3. ライン一覧(Line Overview)

全ラインの稼働状況を一画面で横断的に確認できる。各ラインの進捗率・稼働状態をカード形式で表示し、アイコンで状態を即座に判別可能。

4-4. 実績一覧・CSVエクスポート

  • 設備・機種・日時範囲のフィルタリング
  • チェックボックスドロップダウンで複数設備を選択
  • CSV出力による外部分析連携

4-5. 段替え時間管理

機種切替時の実績時間を自動計算。休憩時間を除外した実質段替え時間を記録し、改善の基礎データとして蓄積。


5. 外部システム連携

text
hntDB (Oracle)                     QUICK
┌──────────────────┐              ┌──────────────────────────┐
│ HHS001 (73ライン) │  ──実績──→  │ Result (856万件)         │
│ HHS002 (26ライン) │              │ ChangeoverRecord (944件) │
└──────────────────┘              └──────────────────────────┘

Snowflake                          QUICK
┌──────────────────┐              ┌──────────────────────────┐
│ ラインマスタ      │  ──同期──→  │ Line (109ライン)          │
│ 機種マスタ        │              │ Part (400機種)           │
└──────────────────┘              └──────────────────────────┘

AWS Bedrock                        QUICK
┌──────────────────┐              ┌──────────────────────────┐
│ Claude 3.5 Sonnet│  ←─分析──   │ AI分析サービス            │
│ (us-west-2)      │  ──結果──→  │ ストリーミング表示         │
└──────────────────┘              └──────────────────────────┘
  • Oracle接続: ライン毎に接続先サーバーを動的切替(OracleServerConfig)
  • Snowflake同期: Admin画面からワンクリックでマスタ同期
  • AWS Bedrock: プロンプトテンプレートをDB管理(AIPromptTemplate)

6. 実装済みの価値

価値 詳細
リアルタイム可視化 hntDBの実績データをWebSocketで自動更新。現場に行かずに稼働状況を把握
AI自動分析 製造ロスの4軸分析を自動化。属人的な分析から脱却し、改善の優先度を提案
目標達成予測 日中の時点で目標達成可否を予測線で表示。早期の対応判断が可能
横断比較 109ラインの稼働状況を一画面で比較。管理者の意思決定を加速
OEE自動計算 時間稼働率・性能稼働率・良品率を自動算出。手動集計の工数を削減
データ蓄積基盤 856万件の実績データを検索・フィルタ・CSV出力可能な形で整備

7. 実績データ

現時点でのデータ規模

項目
生産実績レコード 8,560,502件(856万件)
段替え実績 944件
登録ライン 109ライン(三田工場の約30%)
登録設備 1,750台
登録機種 400機種
生産計画 398件

利用状況

項目 状況
登録ユーザー 26名
Oracle接続先 HHS001(73ライン)、HHS002(26ライン)
ユーザーフィードバック 22件受領
カバー範囲 三田工場の約30%

コードベース規模

項目
Pythonファイル 190ファイル
HTMLテンプレート 43ファイル
Djangoモデル 22モデル
URLエンドポイント 40+
サービスクラス 19ファイル

8. QUICKで描く未来(Benefit)

目指す世界

text
┌──────────────────┐
  │  朝礼・巡回時     │
  └────────┬─────────┘

  ┌──────────────────┐
  │ QUICKを開く       │
  └────────┬─────────┘

  ┌─────┐ ┌─────┐ ┌─────┐
  │全ライン│ │AI分析│ │予測  │  ← すべて即アクセス可能
  │一覧  │ │結果  │ │情報  │
  └─────┘ └─────┘ └─────┘

  ┌──────────────────┐
  │ データに基づく     │
  │ 迅速な改善判断     │
  └──────────────────┘

具体的に実現したいこと

対象ラインの拡大

  • 現在の30%から三田工場全ラインへ展開
  • 他工場への横展開の可能性

アラート・通知機能

  • 異常検知時の自動通知(停止超過、目標乖離)
  • メール・Teams連携

分析の深化

  • 週次・月次トレンドのAI分析
  • ライン間の比較分析・ベストプラクティス抽出

9. 開発ロードマップ

text
Phase 1: 基盤構築 [DONE]              Phase 2: 分析強化 [DONE]              Phase 3: 展開・拡張 [NEXT]
───────────────────────              ───────────────────────              ───────────────────────
✓ ダッシュボード                      ✓ AI分析(4軸+総合)                  □ 全ライン展開(100%)
✓ WebSocketリアルタイム更新            ✓ グラフ別AI分析(SSE)               □ アラート・通知機能
✓ 計画管理・実績一覧                   ✓ 予測線グラフ                       □ 週次・月次AIトレンド分析
✓ Oracle動的接続                      ✓ OEE自動計算                        □ 他工場横展開
✓ Snowflakeマスタ同期                 ✓ ライン一覧(横断比較)              □ Teams連携
✓ 段替え時間自動計算                   ✓ 停止判定閾値のライン別設定           □ モバイル対応
✓ CSVエクスポート                     ✓ コード品質改善(モジュール分割)

まとめ

  1. hntDBの生産実績データをリアルタイムダッシュボードで可視化する仕組みを構築済み
  2. Oracle・Snowflake・AWS Bedrockとシームレスに連携し、データ収集から分析まで自動化
  3. その先に三田工場全ラインの統合管理と、データドリブンな改善文化を実現する

QUICK 生産データを、すばやく、わかりやすく。