
2026年1月23日 09:00
設備保全のコストを最小化! 予知保全を実現するAI技術
AIが設備保全を先回り? 予知保全を実現する最新技術
工場で毎日休みなく働き続けている設備は、年数が経つとどうしてもガタがきてしまいます。
設備の調子が悪いと、生産が止まったり品質が低下するだけでなく、対応の遅れにより経営悪化を招いてしまうこともあります。
そこで重要となるのが、点検や修理を計画的におこなう「設備保全」です。
とはいえ、メンテナンスにはお金も手間もかかるし、現場の人手不足という現実的な問題もあります。
こうした課題への解決策として注目されているのが、AIによる「予知保全」です。
予知保全とは、「壊れてから修理する」のではなく、「壊れそうになる前に修理する」という考え方に基づく設備保全の手法です。
AIが稼働状況や過去の修理履歴などの膨大なデータを学習することで、オーバーメンテナンスを防ぎつつ、効率的に設備保全をおこなうことができます。
この記事では、工場でのAI活用の一つである、「予知保全」についてわかりやすく解説します。

「壊れたら修理する」は危険?
工場の設備に限らず、家具や家電、日用品などの「修理や交換はいつするべきなのか?」という悩みは誰しもが経験しているのではないでしょうか。
壊れていないのならわざわざお金をかけて交換したくないし、可能であればこのままずっと使い続けたい、そう考える人は少なくないでしょうし、筆者も例外ではありません。
筆者が人生で「壊れる前に換えるべきだった」とひどく後悔したのは、数年前に故障した給湯器です。
耐用年数の目安は表示されていたものの、高額な取り替えコストや、問題なく使えているという理由で見て見ぬ振りを続けていました。
そして、真冬のある日に突然お湯がでなくなり、なんとかお湯をコンロで沸かして対応したり、慌ててホテルを手配したりと大パニックに陥りました。
日常生活が送れなくなってしまっただけでなく、ホテル代や交換費用もかさみ、予想以上に大きな出費となってしまいました。
計画的に交換していれば、メーカーごとに性能やコストをじっくり比較する時間もあったでしょう。
コロナ禍では給湯器の在庫不足も話題になりましたが、もし突然の故障で数ヶ月以上待たなければいけない状況になったらと考えると、想像するだけでぞっとします。
壊れる前に計画的に交換することの重要さを、身をもって痛感した出来事です。
工場の設備や機器は、どんなに高品質で最新技術が搭載されていても、いずれ必ず壊れるものです。
家電や車などと同じように、適切な方法で使用していたとしても、寿命や故障のリスクは避けられません。

設備保全のトレンドは「AI×予知保全」
製造業で工場を安定的に稼働していくうえで重要になるのが、設備保全です。
設備保全とは、設備を常時安全に安定して稼働させるために、点検や修理を計画的におこなう取り組みです。
設備の故障を未然に防ぐことは、トラブルを回避できるだけでなく、設備自体の寿命を伸ばすことにつながります。
設備の保全方法は一般的に、「事後保全」「予防保全」「予知保全」の3つに分類されます。
事後保全とは、その言葉の通り、「壊れてから対処する」ことです。
突発的な対応になってしまうため、製造ラインをストップさせてしまうリスクもあります。
生産設備の稼働率を維持していくには、事後保全だけに頼るのではなく、故障を未然に防ぐ仕組みが重要となります。
そこで、重要視されているのが「予防保全」と「予知保全」です。*1
どちらも「壊れる前に対処する」点は共通していますが、予防保全と予知保全には、修理のトリガーや必要な技術など、以下のような違いがあります(表1)。*2
表1:予防保全と予知保全の違い

出所)経済産業省「(2)スマート保安の推進」p.18
https://www.meti.go.jp/shingikai/sankoshin/hoan_shohi/koatsu_gas/pdf/016_03_00.pdf
現在、DX推進によって、設備保全の主流は予防保全から、故障や事故のリスクをさらに低減できる予知保全へとパラダイムシフトが進んでいます。
予知保全では工場の機器や設備からさまざまなデータを取得し、AIによって分析をおこないます。
AIが機械学習するためのデータは、設備の特性によって異なり、振動や温度、電流値、圧力などの数値をセンサーが時系列に収集・解析します。
わずかな異常や変化を早めにキャッチできるので、「今どの部品にリスクがあるのか」「いつ故障の可能性が高まるのか」まで予測できるようになります。
従来の予知保全は、ベテラン技術者の経験や勘に依存することも多く、人材不足や後継者不足が課題でした。
AIを活用することによって、生産ラインの状態確認を自動化でき、人材不足の解消や人件費の削減にもつながります。*3
設備の状態をデジタル技術で管理し、データ分析をおこなう予知保全は、予防保全以上に設備の状態を安全に維持し、生産性を飛躍的に向上させることが期待されています。

予知保全システムのAI活用事例
AIを活用したさまざまな予知保全システムが開発されており、製造業での導入が進んでいます。
多品種バッチプロセスに対応するAI技術
多品種バッチプロセスとは、同じ設備で複数の種類の製品を一括して生産する方式のことです。
化粧品や洗剤などを製造する花王の工場では、膨大な品種と運転パターンをもつ設備を管理しており、多大な業務負荷がかかっていました。
そこで、多品種バッチプロセスの設備でも異常予兆検知が可能なAI技術が導入されました。
導入されたオンライン異常予兆検知システムでは、運転情報データベースから過去の運転パターンをAIが学習することで「いつもと異なる動き」を検知し、従来よりも早くアラームを発報することができます(図1)。*4

図1: オンライン異常予兆検知システム
出所)花王株式会社「先進的AI活用によるバッチプロセス異常予兆検知」p.13
https://www.nikkakyo.org/sites/default/files/2023-07/第16回RC大賞_花王(株)_先進的AI活用によるバッチプロセス異常予兆検知.pdf
予兆の段階で対処できるため、対応に必要な時間が確保でき、突発的なトラブルを未然に防ぐことが可能になります。
機械部品の寿命を予測する独自AIシステム
産業機械メーカーであるコマツ産機では、AIが機械部品の寿命を予測する予知保全システムを開発しています。
このシステムでは故障のリスクとなる外付けセンサーを使わず、すでに設備に内蔵されている制御システムを通じてデータを収集し、クラウドへ送信します。
クラウド上で収集されたデータを解析することで、AIが機械部品の残存寿命を算出します。
さらに、世の中に出回っているさまざまな機械の劣化・故障データを学習した独自AIモデルによって、機械部品の劣化状態をピンポイントで判定することができます(図2)。*5

図2: 劣化部位を判定する独自AIモデル
出所)コマツ産機株式会社「AIが機械部品の故障を予測する予知保全システム」
https://sanki.komatsu/komtrax/predictive_maintenance_system.html
このシステムでは、機械部品の残存寿命を見える化して表示できるため、設備の劣化状態を一目で把握することができます。
さらに、AIが解析した情報をもとに、適切な保全計画を立てることも可能です。
異常発生の原因も特定するAI技術
東芝デジタルエンジニアリングが開発した予知保全システムでは、機器の異常検知に加えて、異常が発生した要因まで判定できるAI技術が導入されています。
収集されたセンサ情報を分析して「いつもと違う何か」を検出するため、設備の故障だけでなく、異物混入といった品質に影響するトラブルも把握することができます。
このシステムでは機械学習技術と品質工学の2つのアプローチを組み合わせて装置の状態を監視し、高い精度で異常を検知することができます(図3)。*6

図3: 異常検知を可視化するモデル評価機能
出所)東芝デジタルエンジニアリング株式会社「「分析・予測支援サービス」 製造業向け 異常検知・予知保全」
https://www.toshiba-tden.co.jp/system/forecast/anomaly-detection.htm
解析結果の根拠が上図のように可視化されているため、「なぜ異常と判断されたのか」「どの箇所に原因があるのか」を担当者が確認でき、対策を具体的に検討することが可能です。

おわりに
AIはいつのまにか私たちの生活に入り込み、すでになくてはならない存在になりつつあります。
産業界も例外ではなく、工場でもAI活用の波が確実に広がっています。
工場の設備保全に関しては、これまで「故障してから修理する事後保全」や「定期的に点検して事前に対処する予防保全」が主流でした。
しかし近年、AIやIoTなどのデジタル技術の普及によって、設備が壊れる前の予兆を検知して対処する「予知保全」へとシフトしつつあります。
設備の状態を把握し、無駄のないメンテナンスを実現するAIを活用した予知保全は、「止まらない工場」を実現させるために欠かせない技術といえるでしょう。
参考文献
*1
出所)富士電機「予知保全・予兆保全とは?保全の種類や違い、事例を解説」
https://www.fujielectric.co.jp/about/column/detail/fa_04.html
*2
出所)経済産業省「(2)スマート保安の推進?」p.18
https://www.meti.go.jp/shingikai/sankoshin/hoan_shohi/koatsu_gas/pdf/016_03_00.pdf
*3
出所)富士電機「予知保全に最適な AIと導入のメリット・デメリット」
https://www.fujielectric.co.jp/about/column/detail/fa_07.html#002
*4
出所)花王株式会社「先進的AI活用によるバッチプロセス異常予兆検知」p.13
https://www.nikkakyo.org/sites/default/files/2023-07/第16回RC大賞_花王(株)_先進的AI活用によるバッチプロセス異常予兆検知.pdf
*5
出所)コマツ産機株式会社「AIが機械部品の故障を予測する予知保全システム」
https://sanki.komatsu/komtrax/predictive_maintenance_system.html
*6
出所)東芝デジタルエンジニアリング株式会社「「分析・予測支援サービス」 製造業向け 異常検知・予知保全」
https://www.toshiba-tden.co.jp/system/forecast/anomaly-detection.htm
石上 文
広島大学大学院工学研究科複雑システム工学専攻修士号取得。二児の母。電機メーカーでのエネルギーシステム開発を経て、現在はエネルギーや環境問題、育児などをテーマにライターとして活動中。

