発表ビデオ　https://youtu.be/b_sJYQuHgWs 2020年度にJPS社工場の製造ラインにおいて実施された地理空間インテリジェンス技術を用いた作業分析に関する事例について報告する．まず，本事例で対象とした作業現場と分析の目的，ならびに分析に用いられたデータの種類について概説する．次に，分析の準備段階で開発した分析用データの処理手法について述べ，最後に作業分析結果とその考察について報告する．

1. 地理空間インテリジェンス技術を用いた
製造ラインでの作業分析
蔵田武志1,5,6 原田宗玄2 中平勝子2
前畠貴3 伊藤良典4 麻生秀樹4
1国立研究開発法人 産業技術総合研究所 人間拡張研究センター
2長岡技術科学大学 工学部 〒940-2188 新潟県長岡市上富岡町1603-1
3住友電気工業株式会社 IoT研究開発センター 〒554-0024 大阪市此花
区島屋1-1-3
4株式会社ジェイ・パワーシステムズ IoT推進室
5筑波大学 システム情報系 応用サービス工学研究室
6名古屋大学 未来社会創造機構
B-2-3 口頭発表：12/15 (水) B-2: ロケーション・インフォマティクス
インタラクティブ発表: 12/16 (木)

2. • QoW (Quality of Working): 産業競争力懇談会（COCN）の2016年度の事業提言の１つ
• QWL (Quality of Working Life): 欧米で1960年代後半から注目され、70年代に国際労働機関（ILO）、ヨーロッパ共同体（EC）、経済協力開発機構
（OECD）等が積極的に関与
• Decent Work: 1999年の第87回ILO総会において初めて用いられた概念
• EPM (Health and Productivity Management): 健康経営
• SDGs (Sustainable Development Goals): 持続可能な開発目標
Kurata, T. (2021). Geospatial Intelligence for Health and Productivity Management in Japanese
Restaurants and Other Industries, APMS 2021, 9 pages.
生産性+QoW=健康経営
2

3. 地理空間インテリジェンス（GSI）
• GSI: 位置情報を含む地理空間情報と他の情報とを連携させて課題解決を
支援する手段・技術・ツール
• GEOINTは国防寄りのニュアンスが強いため、ここではGSIと記載
• ロケーションインテリジェンスと呼ばれることも（GeoAIとも関連）
• IE: Industrial Engineering, OR: Operations Reserach
• UI: User Interface, XR: VR, AR, MR等の総称, AR: Augmented Reality, VR: Virtual Reality, MR: Mixed Reality
3
製造業の６M
GSIの概念図
Kurata T. et al., IoH Technologies into Indoor Manufacturing Sites,
APMS2019, pp.372-380.

4. 開発と評価
4

5. JPS社工場の製造ライン
5
Potorti, F., et al., Off-line Evaluation of Indoor Positioning Systems in Different Scenarios: The Experiences from IPIN 2020 Competition,
IEEE Sensors Journal，doi: 10.1109/JSEN.2021.3083149. (2021)
一刈ら, 従業員とフォークリフトの屋内測位国際競技会を通じた精度評価指標の設計 ～ xDR Challenge in Manufacturing 2020 ～,
HCGシンポジウム2020, B-1-5.

6. 測位精度評価
6
• 屋内測位システム（住友電工製）
• BLE測位，PDR (Pedestrian Dead Reckoning)，マップマッチングで構成
• xDR Challenge in Manufacturing 2020のデータを利用して評価
• コンペデータの再利用(作業者3名、計7試行（2～7時間/試行）)
• 本事例と同じ現場で収集
• CE50: 4.39m（参考：産総研製測位プログラム CE50: 2.73m）
• 考察
• ソーラーBLEビーコン（富士通社製PulsarGum）を設置
• メリット：メンテナンスフリー
• デメリット：アドバタイズ発信間隔: 最短で1.28秒
• ソーラーによる発電量に伴って発信間隔が延びていく
• 暗い場所では作業者側の端末で受信できない（通り過ぎる）場合
が発生
• 物流倉庫：至る所で視作業が必要 ⇒ 全体的に明るい
• 製造現場：視作業をする作業場所は明るい、それ以外は暗い
• メリハリのある構成がベター
• 電源（電池）駆動のビーコン：作業分類に要所となるエリア
• ソーラービーコン：それ以外のエリア

7. 時間軸：設備軸と作業者軸
7

8. 時系列作業分類データの種類と精度
8
全区間: 2020/2/1-2020/7/31
PLC (Programmable Logic Controller): 製造装置等のコントローラ

9. 材料補充作業検出処理
9

10. 準正解データ生成手法精度評価
10

11. LSTMに基づく作業分類自動推定
11

12. 準正解データと推定結果との比較
12

13. 作業分析
13

14. 作業分類（設備軸）の状態遷移図
（作業プロセスモデル）
14
・作業プロセスを見える化
・主な停止要因：材料補充
・主な段取り：
1. BC -> {BA or BD} -> BE
2. BE
・本モデルに基づくシミュ
レーションによる事前評価が
可能に

15. 稼働率と１回あたりの稼働時間
15
稼働率 [%]
一回の稼働時間
[S]
平均47%
平均1600s
pred =25.839 × 稼働率 + 368.286
決定係数：0.1295
一回の稼働時間を
60秒伸ばすと
稼働率が2%UP
• 稼働率と一回の稼働時間に弱い正の相関（相関係数：0.36）
• 一回の稼働時間が長いほど、稼働率が高くなる
• 稼働率に直接関連する指標と、一回の稼働時間に関連する指標をそれぞれ
検討する価値あり

16. 材料補充と駆けつけ（稼働率関連指標）
16
受動的 能動的
稼働率
[%]
能動・計画的材料補充
（一回の稼働時間関連指標）
材料補充に占める駆けつけ時間
能動的にすることで
稼働率3%UP

17. 設備軸と人軸の対応付け
17

18. 稼働中の主要作業：仕掛出力調整(DA)
18
• 稼働中のDAの割合：平均47%，最低35%，最高60%
• 作業スキル依存？！：シフト４は高スキル、シフト２は新人
• 他の作業がない場合は、とりあえずDAをしている可能性あり
• 稼働時間の47%はDAに専念（機械化は？）
• 稼働時間の9%（DA余剰時間）で別の作業が可能
シフト 1 2 3 4 5
日付 24(水) 25(木) 25(木) 25(木) 26(金)
勤務 夕～夜 夜～朝 朝～夕 夕～夜 夜～朝
作業者 A B C A B

19. 稼働中・段取り中の双方でできる作業
19
• 稼働中の主要作業であるDAが長いと稼働中の他の作業が短くなる
• DA余剰時間に稼働中・段取り中の双方でできる作業を組み込み
• 記録作業（E）とDAに強い負の相関（相関係数：-0.72）
• 清掃・ゴミ捨て時間（L）とDAにも負の相関（相関係数：-0.5）
• シフト1,2,3,5において，シフト4と同じ割合で，稼働中にE, Lを行うとすると，
その平均時間は稼働時間の8%に相当（DA余剰時間の9%以内）

20. まとめ
20