第14回「製造業が求める『設備保全』のAI活用とは？」

製造業の現場では、設備の突発故障が生産ラインを停止させ、計画外の損失と修繕コストを同時に発生させる。従来の人手による点検では、リソースの限界から「未然防止」ではなく「事後対応」が常態化してきた。こうした課題を根本から変えるのが、センサーとAIを組み合わせたAI設備保全である。本記事では、従来の設備保全が抱える本質的な限界を整理したうえで、AI・IoT技術がどのように製造現場を変えるのかを詳しく解説する。

従来の設備保全が抱えていた限界

工場の原動力である設備を安全に維持し続ける「設備保全」は、製造業にとって最も重要な業務の一つだ。しかし従来の手法では、三つの根本的な制約が常につきまとっていた。

リソースの絶対的な不足

人・時間・労力という有限なリソースのなかで、工場内に存在する設備のすべてを精度高く点検することは物理的に不可能だった。限られた要員が広大な工場を巡回するには、必然的に確認の「深さ」を犠牲にして「広さ」をカバーするしかなかった。結果として、表層的な最低限の点検に留まる「浅く広い設備全数点検」が主流となり、設備内部の微細な異変を早期に捉える余裕は生まれなかった。

熟練技能への過度な依存

それでも現場が機能してきたのは、長年の経験を持つ熟練技術者の「勘と技」によるところが大きかった。機械の異音や振動のわずかな変化を聞き分け、予兆を察知するスキルは非常に高度である。しかし、このノウハウは属人的で文書化・共有が難しく、担当者の退職・異動とともに失われてしまうリスクを常に抱えていた。少子高齢化による熟練技術者の減少が加速する現在、この構造的課題はいっそう深刻化している。

事後対応が生む連鎖的ダメージ

予兆を捉えられないまま設備が突発的に故障すると、被害は単なる修繕コストに留まらない。生産ラインの完全停止は出荷遅延・契約違反リスクへと直結し、復旧対応のために要員が集中することで他の設備点検が疎かになるという悪循環も生じる。さらに、長時間労働が常態化した現場での緊急対応は、作業者の疲弊と安全リスクの増大をも招く。設備が完全停止しなくても、不具合による品質低下・歩留まり悪化のダメージは生産計画全体に波及する。

AIとセンサーが実現する設備保全の革新

「故障を未然に予知したい」「稼働停止の原因を可視化して生産効率を上げたい」という長年の現場ニーズに応えるのが、AIとIoTを組み合わせたスマート設備保全だ。IoT単体でも設備の稼働状態をリアルタイムで把握することはできる。しかし収集したデータを学習・分析し、「次に何が起きるか」「どこが原因か」を自律的に判断してフィードバックするシステムは、機械学習・深層学習の実用化によってはじめて実現した。

AI設備保全の仕組み：データ収集から予知までの流れ

多彩なセンサーが収集した時系列データは、AIが正常状態のパターンを学習し、そこからの逸脱を「異常の予兆」として即座に検出する。深層学習の精度向上により、人間の耳では聞き分けられない微細な異音や、数値グラフ上では気づきにくい電流波形の変化なども高精度で捉えられるようになっている。

AI設備保全が満たす二つの現場ニーズ

AI活用型の設備保全が現場に提供する価値は、大きく「自動制御」と「製造管理」の二軸に整理できる。

機能軸	具体的な内容	従来との違い
自動制御	異常検知・異音検知・工程制御・自動アラート発報	人手による巡回点検から24時間自動監視へ
製造管理	稼働状況の現状把握・遠隔計測・稼働ログ可視化	現場確認が主体から遠隔監視・データドリブンへ

現場での実開発・導入支援の経験から言えば、異常検知と異音検知はとくに導入効果が出やすい領域だ。回転機械のベアリング摩耗や、搬送設備の異音は「故障の数時間〜数日前」から特徴的なパターンを示すことが多く、AIがその微細な変化を継続的に学習・監視することで、人手ではほぼ不可能だった早期検出が実現する。また、工場内で発生するアラーム音や警報音をAIで自動検知・分類するシステムは、騒音が大きい製造環境での見逃しリスクを大幅に低減する。

外観検査とのシナジー

設備そのものの保全に加え、設備が生産する製品の品質を守る「AI外観検査」も設備保全と密接に関わる。たとえば、設備の経年劣化や刃具の摩耗は製品の表面品質の変化として現れる場合がある。AIカメラによる外観検査で不良品の発生傾向をリアルタイムにモニタリングすることで、設備の保全タイミングを製品品質のデータからも逆算できるようになる。繊維製品の糸ほつれ検出や金属部品の微細な傷の検出など、人間の目視では見落としやすい不良をAIが高精度・高速で検出する仕組みは、設備状態の間接的な指標としても機能する。

AI設備保全がもたらす現場の変化

「浅く広い点検」から「深く広い監視」へ

従来の設備保全が「浅く広い設備全数点検」であったのに対し、AI活用後は「広く深い設備全数確認」が実現する。センサーは休むことなく24時間365日稼働し続け、人間が巡回できない夜間や休日の設備状態も漏れなく記録・分析し続ける。これにより、従来は見落とされていた予兆を捉えられるだけでなく、故障が発生しやすい時間帯・条件・箇所のパターンも蓄積データから明らかになっていく。

省人化・省力化と要員の戦略的再配置

遠隔監視への移行は、現場確認に費やしていた時間・労力を大幅に削減する。保全要員は「全設備を漫然と巡回する」のではなく、「AIが予兆を検出した設備に集中して対処する」という計画的・効率的な役割分担が可能になる。浮いたリソースは、より付加価値の高い改善活動や新設備の立ち上げ対応に充当できる。長時間労働の削減にも直結するため、現場の安全性向上や人材定着率の改善にも波及効果がある。

スマート工場への道筋

センサーの種類（振動・音声・温度・電流・画像など）と設備環境の特徴（回転軸の有無・騒音レベル・温度変動の大きさなど）を適切にマッチングさせることが、AI設備保全の精度を最大化するうえで重要なポイントだ。たとえば回転機械には振動センサーと音響センサーを組み合わせ、軸振動の特徴周波数をAIが学習する構成が有効であり、一方でプレス機や射出成形機のような間欠動作設備では、動作サイクルを考慮した異常検知モデルの設計が必要になる。

こうした設備特性に合わせたAI活用が積み重なることで、工場全体がデータ駆動で自律的に最適化されていく「スマート工場」の実現に大きく近づく。設備保全のAI化は、単なるコスト削減施策ではなく、製造業のデジタルトランスフォーメーション（DX）の中核をなす取り組みといえる。

AI予知保全を「どの設備に」適用するか──全台一律導入をやめる設備の仕分け

設備保全にAIを入れるとき、最も失敗しやすいのが「工場の全設備を一律に予知保全へ切り替えよう」とする発想です。AI予知保全は劣化が徐々に進み、その予兆が物理量（振動・温度・電流など）に現れる設備で効果を発揮しやすい一方、突発的に壊れる電子部品や、そもそも安価で交換が容易な部品には投資が見合わないケースが多くあります。まず自社設備を「故障の影響度」と「予兆の観測可否」で仕分け、AIを効かせる対象を絞り込むことが、設備保全担当者が最初に検討すべき論点です。

4つの保全方式と、AIを乗せるべき設備の見分け方

保全方式	考え方	向く設備の特徴	AI活用の余地
事後保全（BM）	壊れてから直す	安価・交換容易・停止しても影響が小さい補機	低い（AI投資の優先度は低い）
時間基準保全（TBM）	一定周期で定期交換	寿命がほぼ一定・法定点検対象	中（過剰交換の削減余地）
状態基準保全（CBM）	状態を監視して閾値で判断	劣化が計測でき、閾値管理が可能	中〜高
予知保全（PdM）	劣化傾向から故障時期を予測	回転機・モーター・ポンプ・軸受など漸進劣化型	高い（AIが強みを発揮しやすい領域）

AI予知保全の対象を選ぶ3つの軸

• 停止コストの大きさ：その設備が止まるとライン全体が停止するか、迂回できるか。ボトルネック工程の単一設備ほど優先度が高い。
• 予兆が物理量に出るか：軸受の摩耗は振動に、モーターの絶縁劣化は電流や温度に前兆が現れることがあります。一方、予兆が観測しにくい突発故障（電子基板の突然死など）はAIでも予測が難しい領域です。
• データ取得コスト：センサー設置と配線・通信の費用が、削減できる停止損失や交換費用に見合うか。高価な設備1台に集中投資する方が、安価な設備100台に薄く広げるより投資回収の見通しが立てやすくなる傾向があります（実際の回収期間は設備・稼働条件により異なるため、個別に試算が必要です）。

この3軸で「停止コスト大 × 予兆が出る × データ取得が現実的」に該当する設備を数台特定し、そこにAI予知保全を集中させる。残りはTBMやCBMのまま運用する──この線引きこそが、設備保全のAI活用を投資倒れにしないための出発点です。

予知保全AIを機能させるデータ基盤と、ベテラン保全員の暗黙知の組み込み方

設備保全のAIは、センサーを付ければ動くものではありません。予測の精度を左右するのは、故障モードに合ったセンサーの選定と、「いつ・どの部位が・どう壊れたか」という保全履歴（正解ラベル）の質です。保全担当者がAI導入前に整えるべきは、この2つのデータ基盤と、ベテランが持つ「異音・振動の違和感」という暗黙知をどう機械に渡すかの設計です。

故障モードとセンサーの対応づけ

やみくもに振動センサーを付けるのではなく、その設備で実際に起きる故障モードから逆算してセンサーを選びます。

故障モード	主に見るべき物理量	代表的な取得手段
軸受・ギアの摩耗	振動（加速度）・異音	振動センサー、マイク
モーターの絶縁・巻線劣化	電流波形・温度	電流センサー、温度センサー
潤滑不良・過負荷	温度・トルク	温度センサー、電力値
潤滑油の劣化・金属摩耗粉	油中の粒子・粘度	オイル分析

「故障データが少ない」問題への現実的な対処

予知保全AIの導入で壁になりやすいのが、健全な設備ほど故障事例が少なく、教師データが集まりにくいことです。保全担当者が取りうる打ち手は以下の通りです。

• 正常データからの学習：故障例が乏しくても、正常運転時のデータを基準として「基準からの逸脱の度合い」で劣化を捉える設計にする（異常検知型のアプローチ）。
• 同型号機の横展開：同じ型式の設備が複数台あれば、故障した1台のデータを他号機の予測モデルの参考として活用し、データ不足による立ち上がりの遅さを緩和する。
• 物理モデルとの併用：軸受寿命計算などの工学的知見を組み合わせ、データが貯まるまでの予測を補う。

ベテランの暗黙知をデータに変える

熟練保全員は「この音は要注意」「この振れ方は交換時期」といった判断を経験則で行っていることが少なくありません。この暗黙知は、AI任せにせず特徴量やラベル付けの基準として明文化することで初めて活きます。点検時に「違和感の有無」を記録項目として残す、異音を感じた時点のセンサー値を保全履歴に紐づける、といった運用を積み重ねると、ベテランの感覚が学習データの質に反映されやすくなります。CMMS（設備保全管理システム）や保全台帳に故障・交換の記録を構造化して蓄積しておくことが、将来のAI予知保全の土台になります。

まとめ

従来の設備保全は、リソースの限界・熟練技能への依存・事後対応の常態化という三つの壁に阻まれてきた。AIとセンサーを組み合わせたAI設備保全は、この構造を根本から変える技術だ。24時間の自動監視・異常検知・異音検知・遠隔計測・外観検査との連携により、「広く深い設備全数確認」と「計画的な要員配置」が実現し、突発故障の予防・省人化・スマート工場化が同時に達成される。設備特性に合ったセンサー選定とAIモデル設計が成否を左右するため、現場の実態を深く理解した導入アプローチが不可欠だ。