作業エリア遷移モデル生成と
そのクラスター分析に基づく
製造ラインの作業分析
渡邊 怜1
小木曽 里樹2 森 郁惠2 三浦 貴大2 加藤 狩夢2
芳賀 靖憲3 畠山 慎太郎3 木村 篤3
中平 勝子1 〇蔵田 武志2
1長岡技術科学大学
2産業技術総合研究所
3株式会社デンソー
1
HCGシンポジウム2022 B-2-3

本発表の流れ
• 社会背景
• 研究・分析目的
• 本事例で対象とした作業現場
• 分析に用いられたデータの種類
• 屋内測位システム
• 作業分析
• 作業エリア遷移モデル生成
• 作業パターンのクラスター分析
• 作業エリア遷移インスタンスの例外抽出
• おわりに
2

Kurata, T. (2021). Geospatial Intelligence for Health and Productivity Management in Japanese
Restaurants and Other Industries, APMS, IFIP AICT 632, pp. 206–214, 2021.
生産性+QoW=健康経営：地理空間インテリジェンス(GSI)
3
• 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
• HPM (Health and Productivity Management): 健康経営
• SDGs (Sustainable Development Goals): 持続可能な開発目標
• WB（Well-Being） : 1946年の世界保健機関（WHO）設立時に考案された憲章で言及
• PERMA: WB実現のための5要素（Positive emotion（ポジティブ感情）, Engagement（没頭）, Relationship（関係性）, Meaning（意義）, Achievement（達成））

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
4
製造業の６M
GSIの概念図
Kurata T. et al., IoH Technologies into Indoor Manufacturing Sites,
APMS2019, pp.372-380.

分析の目的
• デンソーでは，生産性向上とQoW，特に温熱環境などの労
働環境向上の両立を目的とした活動を推進
• その活動の一部を産総研との共同研究として実施
• 多様な取得データ（後述）を用いて生産性とQoWに関して
多面的に分析（屋内GSI技術を活用）
5
室温のヒートマップと
各作業者動線の例
（暴露温度・経験温度）
• 本発表：製造ラインの各作業者の作業行動の俯瞰的な実態把
握のために行われた作業者動線情報を用いた作業分析に関し
て報告

対象製造ライン
休憩室
エアシャワー
滞在プロット
本事例で対象とした作業現場
• デンソー工場の製造ライン（自動車の仕掛品製造工程）
• 主要な分析対象製造ラインは約1,400㎡の矩形内
• 計測範囲：その周辺や休憩室も含む
• 計測対象期間：5日間（2021年度9月）
• 計測対象作業者10名：
• 昼勤（前番）5名（役割：リーダー，副リーダー，受入，外観検査，内部検査）
• 夜勤（後番）5名（役割：リーダー，副リーダー，受入，外観検査，組付け）
6

分析に用いられたデータの種類
• 作業者動線データ
• 屋内測位システム（後述）
• 温湿度データ
• 温湿度センサを30個以上設置、ウェアラブルセンサも活用
• 騒音・風速・照度データ
• 定常的な操業状態で１回計測（33箇所）
• 作業者アンケートデータ
• 温熱感，倦怠感，騒音の主観評価
• 各シフトの食事休憩時と終業時の２回/シフト
7
注：本発表の分析では、作業者動線データのみ使用

屋内測位システム
1. 携帯端末により加速度，角速度，磁気，環境中へ設置したBLEビーコンの RSSI (受信信号強度)を計測
2. 加速度，角速度，磁気よりPDR (歩行者相対測位)によって相対速度と角速度を推定
3. 粒子フィルタの各粒子の予測位置を計算
4. 予測位置で期待されるRSSIと実測されたRSSIを比較し尤度を求め，位置更新
5. 粒子について周辺化した尤度が一定値を下回り，かつ最も強いBLEビーコンのRSSIが一定値を上回った
場合，当該BLEビーコンの周辺へ粒子を配置し，位置の事後分布の近似が正しくなるよう補正
• 粒子フィルタを長時間使用した場合には粒子が本来の位置の周辺に無くなる場合があるため
8
小木曽里樹ら, 少数位置での電波強度計測値を用いる歩行者相対測位及び統合測位の補正法, HCGシンポジウム (2021)
S.Ogiso, et al., “Integration of BLE-based proximity detection with particle filter
for day-long stability in workplaces,” IEEE/ION PLANS 2023
BLEビーコン：
対象製造ライン 48か所、休憩室等 8か所

屋内測位技術マップ（屋外は衛星測位（GNSS））
9
Kurata T. (2020) Sensing of Service Provision Processes. In: Shimmura T., Nonaka T., Kunieda S. (eds) Service Engineering for Gastronomic Sciences.
Springer, Singapore. https://doi.org/10.1007/978-981-15-5321-9_4
+地図制約
(マップマッチング)

送受信ペア型の測位システムとコスト
10
SB型: 設備側（Stationary Beacon）から作業者・車両側にビーコン信号を送信
MB型: 作業者・車両側（Moving Beacon）から設備側にビーコン信号を送信
IoT研測位
(SB型)
既存BLE測位
(MB型)
¥ 約300万円 約860万円
精
度
BLE設置付近:1～
3m
その他:2～10ｍ
BLE設置付近:1～
3m
その他:3～10m
性
能
動線(連続)計測, 設
置端末守備範囲外
計測、向き・速度
の計測
動線ではなく存在
範囲の計測, 設置端
末守備範囲外計測
不可
付
加
機
能
転倒検知, 歩行状
態評価(転倒予知),
タッチパネル/音/
振動でのインタラ
クション
作業者端末の充電
が不必要, 作業者へ
の端末割当が楽
(費用は、[30x30m, 10人/直]で５年使用を想定)
(2019年時点の実際の製造ラインでの見積もり)
Kurata, T. et al., IoH Technologies into Indoor Manufacturing Sites, APMS, IFIP AICT 567,
pp.372-380, 2019.

作業分析：現場固有情報の有無
11
作業者の役割やシフト情報
（現場固有情報、ある種の正解値）
作業分析
現場側の調整
事前準備の人的・時間的コスト
分析開始が遅れる可能性
計測データ
作業分析
計測データ
作業者の役割やシフト情報
（現場固有情報、ある種の正解値）
分析精緻化
(A) 現場固有情報有りで分析開始
(B) 現場固有情報無しで分析開始
• 本事例：(B)を採用
計測データのみで分析開始
正解値が揃い次第、分析に活用

作業エリア遷移モデル（マスター）の生成手順(まとめ)
12
作業エリア遷移モデル（マスター）
モデルの次元数：525（= 21 x 4 + 441）
・滞在ノード 21個（対象ライン内13、ライン外7、マップ外1）
・滞在時間長レベル 4段階
・エッジ：441本（21ノード×21ノード）
・遷移回数
動線

作業エリア遷移モデル（マスター）の生成手順
13
中央値
0.7m/s
以上
5秒以上
連続移動
ハイパスフィルタ
0.1m/s以下 ⇒ 0m/s

作業エリア遷移モデル（マスター）の生成手順
14
クラスター数：
エルボー法と
シルエット法で
複合的に判定
中央値
k-means++法

作業エリア遷移モデル（マスター）の生成手順
クラスター数：
エルボー法と
シルエット法で
複合的に判定
k-means++法
15

作業エリア遷移インスタンスの生成手順
16
作業エリア遷移
インスタンスの例

作業パターンのクラスター分析
• リーダー，副リーダー：昼勤，夜勤ともそれぞれ概ね同じ作業パターン
• 受入，外観検査：
• 昼勤と夜勤とで異なる作業パターン
• 昼勤，夜勤それぞれの中では同じ作業パターン
17
• 作業エリア遷移インスタンスのクラスタ ⇒ 作業パターン
• 全作業エリア遷移インスタンスを非階層クラスタリング（k-means++法）
• 作業パターン数 12（エルボー法とシルエット法で複合的に判定）
作業エリア遷移インスタンスのクラスタリング結果の役割との比較
（表内の番号は作業パターンID）（インスタンス数が１の作業パターン4個については、IDを0と表記）
現場固有情報
・作業者の役割
・シフト情報
現場固有情報
・作業者の役割
・シフト情報

作業パターンのクラスター分析
• 全般的には想定通りの作業パターン
• 客観・定量的な見える化
• リーダーと副リーダーが，それぞれ製造ライン
の右側と左側を主に受け持っていることを把握
• 後日，現場管理者から，そのような分担が
あることを確認
18
各役割の代表的な作業パターンに含まれる作業エリア遷移インスタンスの例の状態遷移図
現場管理者から提供された
各役割の想定された配置情報

作業エリア遷移インスタンスの例外抽出
• 作業の典型パターンに関して定量的に把握できた
非定常な作業（例外）の把握についての取り組
みを追加することに
• 作業パターン毎に基準（以下の手順では代表イン
スタンス）を決めて例外を抽出
• 全データでの統一基準より精緻に例外を抽出可能？！
19

作業エリア遷移インスタンスの例外抽出手順（まとめ）
20
個別性:
作業パターン毎の
例外指標
安定性：
全作業パターンの
多数データから
求める閾値

作業エリア遷移インスタンスの例外抽出手順
21
中央値
各次元の特徴量
の残差平方和

作業エリア遷移インスタンスの例外抽出手順
22
例外指標を小さい順に
ソートし、
第三四分位数と四分位範
囲の1.5倍の和を閾値

抽出された例外作業エリア遷移インスタンス
23
閾値

抽出された例外作業エリア遷移インスタンス
24

おわりに
• デンソー社工場の製造ラインにおいて実施されたGSI技術
を用いた作業分析に関する事例について報告
• 当該現場では、典型的な作業パターンの客観・定量化、例
外作業の把握とも初
• 幅も深さも犠牲にしない現場把握方法論（ビッグデータからの自動
スクリーニングに基づく作業者への聞き取りを含む詳細調査）が比
較的低コストで可能
• 今後の普及に期待
• 今後の課題
• 作業者毎の環境暴露データの分析，作業行動データ，業務データ，
環境暴露データ，及び主観データの統合分析
• 分析結果に基づく生産性向上とQoW，特に温熱環境などの労働環
境向上とを両立可能な工場環境設計への活用の推進
25
佐藤章博ら, "健康経営支援のための高速道路SA従業員の心身状態常時モニタリング", HCGシンポジウム2022 (2022)

作業エリア遷移モデル（マスター）と
作業エリア遷移インスタンスの生成手順
作業エリア遷移モデル（マスター）生成
(1) 動線を移動区間と滞在区間に分離
(2) 各滞在区間の空間分布の代表位置（滞在プロット）を決定
(3) 全滞在区間の滞在プロットを非階層クラスタリング
(4) 各クラスター（作業エリア）の代表位置（滞在ノード）を決定し、滞
在ノード間を結ぶエッジを生成
(5) 全滞在区間の滞在時間長のクラスタリングにより得られた各クラス
ターから滞在時間長レベルを生成
作業エリア遷移インスタンス生成手順
(6) 各滞在ノードの各滞在時間長レベルに含まれる滞在区間の割合を各滞
在ノードの特徴量として登録
(7) 各エッジに対応する遷移回数（移動区間の数）の割合を各エッジの特
徴量として登録
26

作業エリア遷移インスタンスの例外抽出
• 作業パターン毎の例外指標を用いることによる個別性と，閾値を全
作業パターンの多数データから求めることによる安定性とを両立さ
せた手順
(1) 同じ作業パターンに含まれる作業エリア遷移インスタンスの525
次元特徴それぞれの代表値を求め，それらの代表値を要素として代
表インスタンスを構成
(2) 作業エリア遷移インスタンスとそのインスタンスが属する作業パ
ターンの代表インスタンスとを比較し例外指標（各次元の特徴量の
残差平方和）を算出
(3) 全作業パターンでの統一的な閾値を決定し，例外指標の閾値処理
により例外を抽出
(4) サンプル数1の（作業エリア遷移インスタンスが１つしかない）
作業パターンも例外として抽出
27