【ITニュース解説】Scheduling in High-Mix Low-Volume Manufacturing: Why Rules Break

多品種少量生産、通称HMLV（High-mix Low-volume）製造は、多くの種類の製品を少量ずつ生産する工場で行われる生産方式だ。例えば、特定の顧客向けにオーダーメイド部品を作る工場や、専門性の高い加工を行う企業などがこれに該当する。このような環境での生産スケジューリング、つまり「いつ、どの機械で、どの作業を、どの順番で行うか」を決めることは、産業界の中でも特に難しい問題の一つとされている。

なぜHMLV製造のスケジューリングはこれほど難しいのだろうか。その理由はいくつかある。まず、生産する部品の種類が数百にも及ぶ一方で、それぞれの生産量が少ない。加えて、機械の「段取り時間」が前の作業の種類に大きく左右される「順序依存性」という特徴がある。例えば、ある機械で長い部品を作った後に短い部品を作る場合、治具の交換などで2時間かかるかもしれないが、似たような部品同士なら15分で済むこともある。生産全体の段取り時間を最小限に抑えるには、何百もの作業と数十台の機械の間で最適な順序を見つける必要がある。これは「組み合わせの爆発」と呼ばれるほど、計算量が膨大で複雑な問題だ。

次に、「共有される制約資源」の問題がある。特定の高性能なCNC機械や、特定のスキルを持つ熟練作業員、または検査ステーションといった限られた資源は、しばしば生産ライン全体のボトルネックとなる。ある作業がボトルネックで遅れると、その後の関連する全ての作業が遅延し、スケジュール全体に影響が波及する。個々の作業ごとではなく、全ての作業を通して資源の競合を同時に考慮する必要があるのだ。

さらに、HMLV製造の現場は常に変化している。「動的な状況変化」が頻繁に発生する。新しい注文が突然入ったり、既存の注文の優先順位が変わったり、顧客から急ぎの依頼が入ったり、時には機械が故障したりする。朝に完璧だと思われたスケジュールも、昼には古くなってしまう。しかし、このような状況変化のたびに、全体を再計算してスケジュールを作り直すことは、計算コストが高く、現場にとっても混乱の原因となるため現実的ではない。順序依存の段取り、共有されるボトルネック資源、そして動的な状況変化といった要素が複合的に作用することで、HMLVスケジューリングは静的なルールだけでは信頼性を持って対応できない問題となる。

一般的な企業で使われているERP（Enterprise Resource Planning）システムや、より高度なAPS（Advanced Planning and Scheduling）ツールは、このHMLVスケジューリングの課題に対して十分な解決策を提供できていないのが現状だ。多くのERPシステムの生産スケジューリング機能は、繰り返し生産、つまり常に同じ製品を大量に作ることを前提として設計されている。そのため、標準的な工程ルートや予測可能なサイクルタイム、安定した需要といった仮定に基づいており、HMLV環境で頻繁に発生するイレギュラーな状況には対応しきれない。結果として、スケジューラーはERPが出すスケジュールをそのまま使うのではなく、その推奨を無視して手動で調整する作業に多くの時間を費やしている。ERPのスケジュールはあくまで「たたき台」であり、実際の作業計画としては機能していない。

APSツールはERPよりも洗練されており、順序依存の段取り時間や資源の競合を考慮できるものもある。しかし、これらのツールには、正確なマスタデータ、例えば正確な工程時間、段取り時間の一覧表、各資源の容量などの情報が不可欠となる。また、動的な環境で頻繁に再スケジューリングを行うことにも限界があり、導入や運用に高額なコストと手間がかかる。そのため、多くのHMLV工場では、APSやERPのスケジュールは、工場全体がその週にどれくらいの負荷を抱えているかという大まかな目安として使われるに過ぎず、実際の細かな作業順序の決定は、長年の経験を持つ現場監督が「経験則」に基づいて行っている。これは現場のチームが能力不足なのではなく、既存のツールがHMLVの複雑な問題に適していないことに対する合理的な対応なのだ。

ここで、AI（人工知能）を活用したスケジューリングが新しい解決策として注目されている。AIスケジューリングは、従来のルールベースや単純な最適化とは異なるアプローチでHMLVスケジューリング問題に取り組む。代表的な技術としては、強化学習、遺伝的アルゴリズム、そして機械学習で強化されたヒューリスティクスなどが挙げられる。

強化学習エージェントは、何百万ものスケジューリングシナリオをシミュレーションすることで、どの作業順序の決定がより良い結果（納期遵守率の向上、資源の稼働率向上、総段取り時間の短縮など）をもたらすかを学習する。一度学習を終えれば、機械の故障や緊急の注文といった状況変化が発生した際にも、ほぼリアルタイムで新しいスケジュールを素早く生成できるようになる。

また、機械学習で強化されたヒューリスティクスは、過去の生産データを用いて、どのような条件下（例えば、時間帯、利用可能な資源、待ち行列にある作業の種類など）でどの優先ルールが最も効果的かを学習する。これにより、一つのルールを常に適用するのではなく、状況に応じて最適なルールを動的に切り替えて適用することが可能になる。

AIスケジューリングが適切に導入されたHMLV環境では、具体的な改善効果として、より良い作業順序付けによって総段取り時間が10〜20%削減されたり、計画段階でボトルネックの競合をより早く考慮することで納期遵守率が5〜15%向上したり、さらに状況変化への対応が格段に速くなったりといった現実的な成果が期待できる。

しかし、これらのAIによる改善効果を得るためには、正確なデータが不可欠だ。信頼できる工程時間、最新の段取り時間一覧表、リアルタイムの機械稼働状況などが必要となる。AIスケジューリングはデータ品質の問題を自動的に解決してくれるわけではなく、むしろデータが不正確であれば、その問題を増幅させてしまう。不正確な工程時間に基づいて作られたAIのスケジュールは、現場でこれまでとは異なる形で失敗を引き起こすことになるだろう。

さらに、AIスケジューリングの有用性を左右する大きな課題が「制約モデリング」だ。AIは、モデル化された制約の範囲内で最適化を行う。HMLV製造の現場には、機械の能力や作業員の資格、材料の在庫といった明文化された「形式的制約」の他にも、現場の熟練監督者の頭の中にしかない「暗黙の制約」が数多く存在する。例えば、「この機械は長時間稼働すると熱を持つので、長い作業の後には冷却時間が必要だ」「この作業員は朝の方が集中力が高く効率が良い」「この顧客はいつも納期を早めるので、その作業は少し余裕を持って計画しておく」といったものだ。

これらの暗黙の制約をAIモデルに組み込むことは、データサイエンスの問題というよりは、現場で実際に作業を指揮する人々とじっくり対話し、彼らの知識を引き出す「要件定義」の作業だ。もしAIスケジューリングがこれらの暗黙の制約を無視して最適化を行うと、形式的な基準では完璧に見えるスケジュールができあがっても、実際の現場では実行不可能なものとなり、結局失敗に終わってしまう。

最後に、どのようなスケジューリング改善策であっても、それが持続的に使われるかどうかの決定的な要素は、現場のチームがその結果を信頼し、実際に従うかどうかだ。単に「これが最適な順番です」と理由を説明せずに一方的にスケジュールを提示するだけのツールは、現場監督に「なぜこの順番なのかわからない」と思われ、結局自分の経験則に戻って手動で調整されてしまう。

重要なのは、「なぜこの作業が優先されるのか（例：今週でこのボトルネックとなる固定具を使う唯一の作業だから）」「なぜこの段取り順になっているのか（例：午後の段取り時間を最小限にするため）」といった「理由」を明確に提示することだ。これにより、現場監督はAIの推奨がどのような根拠に基づいているのかを理解し、自分の持つ暗黙の知識と照らし合わせながら、その推奨を評価し、必要に応じて微調整できるようになる。目標は、現場監督のスケジューリング決定から人間を排除することではなく、彼らが頭の中で処理できる以上の複雑な要素を考慮した出発点を提供し、彼らの持つ貴重な知識をその上に適用できるようにすることなのである。