株式会社羽石産業知能研究所（HIII）の佐藤です。

製造現場では、どのように機械が故障することを判断しているのでしょうか。 大抵、ベテランの設備担当者が、ラインのそばを歩きながらふと立ち止まる。そして「この機械、そろそろおかしくなるな」とつぶやく。

その翌週、本当に設備が止まる。

「なぜ分かったのですか？」と聞くと、たいてい「音が違った」「振動の感じが変わった」という答えが返ってくる。

長年その機械と向き合ってきた経験が、データにならない「異変の予兆」を捉えていたのです。

予知保全AIは、このベテランの「感覚」をデータと機械学習で再現しようとする技術です。本記事では、予知保全AIの基礎から、現場での活用事例、導入の進め方まで、製造業の実務担当者に向けて解説します。

「予知保全」を正しく理解するために、まず設備保全の3つの方式を整理しておきましょう。

予知保全（Predictive Maintenance、略してPdM）の本質は、「壊れる前に、壊れそうだと分かること」です。設備の状態をリアルタイムに計測し、正常な状態からのずれをAIが検知します。

従来の予防保全は「時間基準」でした。「3ヶ月ごとに交換する」というルールは、現場の経験則から生まれたものです。しかし、同じ設備でも稼働率や環境条件によって劣化速度は大きく異なります。AIを使えば、その設備が「今どのくらい消耗しているか」を状態基準で判断できるようになります。

データ収集：設備の「声」をセンサーで拾う

予知保全の起点は、設備の状態を数値化することです。主に使われるのは振動センサー、温度センサー、音響センサー、電流センサー、油圧・流量センサー、油分析の6種類です。

このうち最も広く使われるのが振動センサーで、軸受・ギア・モーターの異常を早期に捉えます。音響センサーはベテランの「耳」をデジタル化したものと言えます。電流センサーは後付けが容易で、既存設備への導入ハードルが低いため、最初の一歩として選ばれることが多いです。

特徴抽出：「正常」と「異常」の境界を学習させる

センサーから得られる生データは、そのままではAIが扱いにくい形をしています。振動データであればFFT（高速フーリエ変換）で周波数成分に分解し、「この周波数帯のピークが上がってきたら軸受の疲労が始まっている」といった特徴量を抽出します。

AIモデルとしては、第2回の記事で紹介した教師なし異常検知（Unsupervised Anomaly Detection）が特に有効です。外観検査の良品学習と発想は同じで、正常稼働時のデータだけを学習させ、そこからのずれを「異常の予兆」として検知します。設備の「故障データ」は本来少ないほうが良いのに、それをAIに大量に学習させることはできない——この構造的な問題を回避できる点が、製造現場の予知保全に適合している理由です。

異常検知とアラート：「いつ止まるか」を予測する

異常検知モデルが出力するのは、単純な「正常／異常」のフラグだけではありません。高度なシステムでは、残寿命推定（RUL：Remaining Useful Life）まで予測します。

RULの仕組みを簡単に説明すると、異常スコアの上昇トレンドを過去の故障パターンと照合し、「このペースで劣化が進めば、あと何日で限界閾値を超えるか」を推計するものです。「アラートが鳴った＝今すぐ止まる」ではなく、「10日後にリスクが高まる」という情報が得られるため、次の定期メンテナンスの前倒しや、部品の事前調達を計画的に行えるようになります。

以下は、国内製造業で取り組まれている予知保全AIの代表的なパターンです。

工作機械の主軸軸受の予兆検知（機械加工ライン）

工作機械の主軸軸受が突発故障すると、加工中のワークが全損するうえ、機械の修理に数日かかります。年間3〜4回の突発停止が慢性化しているケースは珍しくありません。

振動センサーを主軸に取り付け、毎秒数千点のデータを収集します。正常稼働時の振動パターンをAIに学習させ、周波数特性の変化から軸受の疲労を検知し、異常スコアが閾値を超えた時点で保全担当者にアラートを送信します。適切に構築されたシステムでは、故障の7〜14日前に予兆を検知できるようになり、計画的なメンテナンスへの切り替えが実現します。突発停止の大幅削減と、軸受を「必要なときだけ交換」する状態基準保全への移行により、保全コストの削減が実現した事例が国内で報告されています。

コンプレッサーの異常発熱検知（空調・圧縮空気設備）

工場全体に圧縮空気を供給するコンプレッサーは、止まると複数ラインに同時影響が出る急所設備です。従来は月1回の点検のみで対応していましたが、点検直後に故障するケースも少なくありません。

温度センサーと電流センサーを組み合わせ、稼働環境（外気温・負荷率）を考慮した正常モデルを構築します。このアプローチのポイントは、単純な温度閾値ではなく「気温や稼働状況」という文脈を変数として組み込んでいる点です。夏場と冬場で正常範囲が変わるような設備では、文脈を取り込まない単純な閾値設計では誤報が多発します。この問題を解消しながら真の異常を検知できる点が、現場定着の鍵になります。計画外停止の削減と、状態基準への移行による保全工数の削減が実現した事例が国内で報告されています。

射出成形機のスクリュー摩耗検知

射出成形機のスクリューは、摩耗が進むと成形品の品質が徐々に低下します。摩耗は緩やかに進行するため、外観検査で品質不良が出始めてから気づくのが従来の流れでした。

電流センサーで計測したモーターの負荷パターンと圧力センサーのデータを組み合わせると、スクリューの摩耗状態を推定できます。品質不良が出る前に「スクリューの交換時期が近い」と予測できるようになり、外観検査AIと組み合わせることで、品質と設備の両面をカバーする二重の安全網を張ることができます。

予知保全AIは確かに強力ですが、「センサーをつけてAIを動かせばすぐ使える」というものではありません。第9回の記事でPoC定着の壁について書きましたが、予知保全はその問題が特に起きやすい領域です。

落とし穴その一：「誤報」が現場の信頼を壊す

最も多い失敗パターンは、精度を追い求めすぎて異常検知の閾値を下げることです。誤報（正常なのにアラートが鳴る）が多発すると、現場の担当者が「またAIの嘘アラートだ」と感じた瞬間、システムは無視されるようになります。誤報率と見逃し率のバランス設計が現場定着の鍵で、最初は閾値を保守的に設定し、現場との対話を繰り返しながら調整していく段階的なアプローチが有効です。

落とし穴その二：センサーのノイズと設置環境を甘く見る

ラボで精度を確認したモデルが現場で機能しない最大の原因は、センサーノイズと環境変動です。製造現場には電気ノイズ、振動の干渉、温度変化が常に存在します。センサーの設置場所・固定方法・ケーブルの引き回しといった地味な作業が、モデルの精度を大きく左右します。

落とし穴その三：既存設備への後付けが想定以上に難しい

「センサーをつければいい」と言うのは簡単ですが、20〜30年前の設備にセンサーを後付けするのは一筋縄ではいきません。センサー取り付けのためにラインを止める必要がある場合、その停止コストだけでプロジェクトが頓挫することもあります。また、古い設備は設計図が残っていないことも多く、「どこに、どんなセンサーを」という設計から手探りになります。無線センサーの活用や、設備を止めずに取り付けられるクランプ式センサーの検討が現実的な選択肢です。

現実的な導入ステップ

最初に「急所設備」を1台選ぶことが出発点です。全設備への一括導入ではなく、突発停止時の影響が最も大きい設備を絞り込みます。「ここが止まると工場全体が止まる」という設備が最初の対象として最適です。

次に、正常データの収集期間として最低3ヶ月を確保します。夏冬の温度差、繁忙期と閑散期の負荷差、製品切り替え時の稼働パターン——これらを含む「多様な正常状態」をモデルに学習させるために、この期間が必要です。この工程を省略したプロジェクトはほぼ失敗します。

データ収集と並行して、ベテランの知識をモデル設計に組み込みます。「この温度上昇は問題ないが、ここに振動が重なると要注意」という現場の文脈知識を、特徴量設計やアラートロジックに反映させることが、精度の高いシステムを作る最短経路です。

システムを動かす前に、「アラートが鳴ったら何をするか」の運用フローを確定させます。誰が確認し、何を判断し、いつラインを止めるか。このフローが曖昧なままアラートだけが鳴る状態が続くと、現場は慣れて無視するようになります。

最後に、成果を数値で記録し続けます。「突発停止が月3回から0回になった」「保全コストが年間○万円削減された」という数値が、次の設備・次の工場への展開を経営に説得する唯一の根拠になります。

冒頭で紹介したベテラン担当者の話に戻ります。彼が「音が違う」と感じたとき、その頭の中では何が起きていたのでしょうか。

おそらく、何万時間という時間をかけて蓄積した「正常な音」のパターンと、今聞こえている音とを無意識に照合していたはずです。そして、その差分を「異変」として感知していた。

予知保全AIが行っていることは、構造的にはこれと同じです。大量の「正常」を学習し、そこからの逸脱を検知する。

しかし、AIにはまだできないことがあります。「今日は冷え込みが厳しいから、いつもより振動が大きくても正常だ」という文脈の判断です。機械の状態だけでなく、その日の気温、前日の稼働率、直前のメンテナンス内容——これらを統合して「異変かどうか」を判断するのは、まだ人間の領域です。

だからこそ、HIIIが予知保全AIを設計するとき、必ずベテランと対話します。「どういう状況のときに、どの音が気になりますか？」「この振動パターン、見たことありますか？」——AIが捉えた「異常スコア」の意味を解釈できるのは、現場の人間だけだからです。

予知保全AIの目標は、ベテランの感覚を置き換えることではありません。その感覚を1000台の設備に同時に宿らせることです。

予知保全AIは、「壊れてから直す」「カレンダー通りに交換する」という従来の設備管理の限界を超える技術です。センサーで設備の状態を継続的に計測し、正常からの逸脱を早期に検知することで、突発停止の防止と過剰保全の削減を同時に実現します。

一方で、誤報率の管理、センサー設置の精度、正常データ収集の期間、運用フローの設計——これらを丁寧に積み上げなければ、高性能なモデルを作っても現場では使われません。

まず1台の急所設備から、ベテランの知恵を借りながら始めること。それが、予知保全AIを現場に根付かせる最も確実な道です。

HIIIでは、センサー選定・データ設計・モデル構築・運用フロー設計まで一貫して支援しています。「自社の設備に使えるか相談したい」という段階からお気軽にどうぞ。