「AIで故障を予測したい」と考え、センサーや分析サービスの比較から始める企業があります。しかし、何の故障を、どの兆候で、いつ検知し、検知後に誰が何をするかが決まっていなければ、グラフと通知だけが増えます。
予知保全はAI導入プロジェクトではありません。設備の変化を、間に合う保全行動へ変える運用プロジェクトです。
1. 予知保全は故障と保全行動を先に決める
この記事が答えるAIへの質問(質問者: 製造業の経営者)
「AI予知保全を提案された。中小工場でも導入効果があるか、何を見て判断すればいい?」
予知保全の導入は、停止影響が大きく、故障前に測定可能な兆候があり、検知後に点検・部品手配・計画停止を行う時間がある設備から検討します。先に対象故障、判断、行動、責任者、合格条件を定め、その判断に必要なデータだけを集めます。故障データが少ない段階では、AIモデルを急がず、正常状態の可視化、ルールベースの閾値、点検記録の整備から始めます。
| 導入判断 | 向いている状態 | 見送る・先に整える状態 |
|---|---|---|
| 事業影響 | 停止損失・安全・品質影響が大きい | 故障してもすぐ交換・代替できる |
| 兆候 | 振動、温度、電流など変化を測れる | 突発で兆候がない、信号が不明 |
| 行動時間 | 検知後に手配・停止が間に合う | 警報後すぐ破損し対応不能 |
| データ | 測定条件と履歴をそろえられる | 欠損・時刻ずれ・設備ID不明 |
| 運用 | 判断者、対応、記録、見直しがある | 通知を見る人・権限がない |
| セキュリティ | 接続・権限・更新を管理できる | 接続機器の台帳や責任者がない |
対象設備を選ぶ前に、製造業の設備保全で設備重要度と保全方針を整理し、繰り返す故障は製造業の設備故障分析で故障モードと確認すべき証拠を分けます。予知保全は、設備台帳や故障分析を置き換えるものではなく、そこへ時間軸のデータを加える取り組みです。
2. 予防保全・状態基準保全・予知保全を比較する
| 方式 | 主な判断材料 | 強み | 注意点 |
|---|---|---|---|
| 時間基準の予防保全 | 日数、稼働時間、回数 | 計画しやすい | 過剰交換・周期ずれ |
| 状態基準保全 | 現在の測定値、点検結果 | 状態に応じて対応できる | 閾値と測定条件が必要 |
| 予知保全 | 時系列や複数信号による予測 | 将来の異常を計画へつなげる可能性 | データ、評価、誤警報、運用が必要 |
予知保全が上位互換とは限りません。低影響設備には事後保全、劣化周期が明確なら時間基準、単純な閾値で十分なら状態基準が適します。
製造業の予防保全で定期交換や点検周期が安定している設備は、まず現行方式の記録精度を上げます。予知保全へ切り替える理由は「AIを使えるから」ではなく、固定周期では早過ぎる交換や突発停止を十分に抑えられず、状態変化から行動時間を確保できるからです。
3. AIより先にデータの意味をそろえる
必要なデータは「取れるもの」ではなく「判断に使うもの」から決めます。
- 設備ID、部位、センサー位置、単位、校正
- 時刻同期、測定間隔、稼働・停止・段取りの状態
- 製品、材料、負荷、速度、環境など運転条件
- 点検、部品交換、設定変更、清掃、修理の履歴
- 故障モード、発生時刻、影響、暫定・恒久処置
- 欠損、外れ値、センサー交換、通信停止の記録
正常運転と停止中の値を混ぜたり、製品条件の違いを無視したりすると、モデルは設備異常ではなく運転条件を学ぶ可能性があります。
データ項目ごとに、測る目的、取得元、単位、周期、設備ID、欠損時の扱い、変更責任者を定義します。センサー値だけでなく、現場が行った清掃、増締め、給油、部品交換などの介入履歴も同じ時系列で追える状態が必要です。介入履歴がなければ、値が正常へ戻った理由をモデル改善と誤認する恐れがあります。
| データの状態 | そのまま分析する危険 | 先に行うこと |
|---|---|---|
| 設備IDが統一されていない | 別設備の履歴が混ざる | 台帳とセンサーを同じIDで接続する |
| 測定条件が変わっている | 条件変更を異常と判定する | 位置・周期・校正・交換日を残す |
| 故障時刻が曖昧 | 兆候との前後関係を評価できない | 停止・発見・処置・復旧を分けて記録する |
| 正常データだけが多い | 見逃し評価ができない | 判定保留条件と追加観測期間を決める |
製造業の点検基準と同じく、数値は記録するだけでは足りません。正常、注意、停止と、誰がどの確認を行うかまでつなげます。
4. 誤警報と見逃しを事業影響で評価する
| 判定 | 実際は異常 | 実際は正常 | 管理すること |
|---|---|---|---|
| 異常通知 | 正しく検知 | 誤警報 | 点検負荷、不要停止、信頼低下 |
| 正常判定 | 見逃し | 正しく正常 | 安全・品質・重大停止リスク |
正解率だけでは判断できません。見逃しが重大な設備では安全側に設定し、誤警報が多い場合は通知レベル、追加確認、測定条件を分けます。AIが「異常」と出した後の手順がなければ価値になりません。
評価期間中は、通知件数だけでなく、通知から現物確認までの時間、追加点検で異常を再現できたか、部品や停止枠を確保できたか、現場が通知を無視し始めていないかを記録します。製造業の保全KPIへつなぎ、モデル精度だけでなく安全・品質・納期と保全負荷を同じ判断表で確認します。
5. 小さな実証で合格条件を決める
- 重要設備一台と故障モード一つに絞る 停止影響と兆候、検知後に取れる行動を一枚にまとめます。
- 既存点検・故障・停止・品質データを確認する 欠損や定義違いを隠さず、利用可能な範囲を決めます。
- 正常状態と運転条件を一定期間記録する 製品、負荷、速度、段取り、周囲環境の違いも残します。
- ルールベースとAI候補を同じデータで比較する 複雑なモデルが本当に追加価値を生むかを確認します。
- 通知後の点検・停止・部品手配を試行する 製造業の保全予備品管理も確認し、予兆が出ても部品不足で動けない状態を防ぎます。
- 見逃し、誤警報、対応時間、現場負担を評価する 安全・品質・納期への影響と、運用を続けられるかを分けて見ます。
- 継続・修正・停止・判定保留を決める 合格条件、反証条件、次の確認日を残し、全設備への展開を急ぎません。
故障が発生しなかっただけでは効果を確認できません。対象故障の母数が少ない場合は判定保留とし、運用成立やデータ品質を先に評価します。
6. IIoT接続はセキュリティとライフサイクルを含める
IPAのIIoT機器ライフサイクル管理手引きは、IIoTが生産性や稼働率、予知保全へ役立つ一方、OTとITをまたぐことで新しいセキュリティリスクを生む点を示しています。
| 段階 | 確認事項 |
|---|---|
| 導入 | 機器台帳、接続構成、初期設定、認証、責任者 |
| 運用 | 権限、ログ、時刻、更新、脆弱性、通信監視 |
| 変更 | センサー・クラウド・モデル・閾値の変更履歴 |
| 障害 | オフライン時の運転、手動判断、復旧手順 |
| 廃止 | データ消去、アカウント、通信停止、機器処分 |
設備の可用性と安全を守るため、ネットワーク障害時も現場が判断できる代替手順を残します。
7. 役割別に予知保全の問いを分ける
| 質問者 | AIへの質問例 | 人が確認すること |
|---|---|---|
| 経営者 | 「対象設備の停止影響と投資案を比較して」 | 投資、事業影響、代替案 |
| 工場長 | 「通知後の点検・停止・生産調整を整理して」 | 生産計画、納期、権限 |
| 保全担当 | 「測定値と保全履歴の変化候補を抽出して」 | 現物、測定条件、故障モード |
| 情報担当 | 「IIoT機器の接続・権限・更新台帳を確認して」 | 実構成、契約、セキュリティ |
| 品質担当 | 「設備異常と製品影響の確認項目を整理して」 | ロット、検査、顧客要求 |
製造業のAI投資対効果で整理した通り、AI導入そのものを成果にせず、現場の判断と事業成果へつなげます。
AIは異常候補、似た波形、欠損データ、点検すべき設備の優先候補を整理できます。一方で、安全上の停止、製品の出荷可否、保全実施、モデルの本番反映、設備投資は人が決めます。提案者、確認者、承認者を分け、モデルや閾値を変更した日、理由、検証結果を残してください。自動化するのは候補抽出であり、現場責任までAIへ渡すわけではありません。
まとめ
製造業の予知保全は、センサーやAIから始めません。重要設備、対象故障、兆候、検知後の行動を先に決め、必要なデータだけをそろえます。ルールベースも比較し、小さな実証で誤警報、見逃し、対応時間、現場負担を確認してください。
「データは取っているが保全行動へつながらない」「AI提案を投資判断へ落とせない」という場合は、お問い合わせからご相談ください。株式会社Move Forward Marketingは、AI導入を目的化せず、設備・人・データ・経営判断をつなぐ実行設計を支援します。初回相談は無料で、通常2営業日以内にご連絡します。
よくある質問
予知保全は何から始めればよいですか?
停止影響が大きい設備を選び、対象故障、故障前の兆候、検出後に取る保全行動を定義します。その後に必要なデータとセンサーを決めます。
予知保全と予防保全の違いは何ですか?
予防保全は時間や使用回数などで計画的に保全し、予知保全は設備状態のデータから異常兆候や故障時期を推定して行動します。実務では併用します。
故障データが少なくてもAIを導入できますか?
導入可否は対象次第ですが、故障例が少ないと学習・評価が難しくなります。まず正常データ、点検、故障モード、ルールベースの閾値から始める選択があります。
センサーを付ければ故障を予測できますか?
センサーだけでは足りません。故障に関連する信号、測定位置・周期、正常範囲、誤警報、保全行動、データ欠損を管理する必要があります。
予知保全の効果は何で判断しますか?
故障回避だけでなく、検知から保全までの時間、誤警報、見逃し、計画停止化、品質・納期影響、保全費、現場負担を比較します。
根拠・確認先
- 経済産業省「製造業へのAI予知保全の導入」(2026年11月15日確認)
- IPA「IIoT機器ライフサイクル管理構築手引き」(2026年11月15日確認)
- IPA「Cloud-Edge-IoT連携:ユースケース」(2026年11月15日確認)
