予知保全——設備データからAIで「止めない運用」へ（全文）

エグゼクティブ・サマリー

予知保全の成果物はモデルではなく、変わった保全計画である。 「故障を予測できた」だけでは1円の効果も出ない。予測を受けて点検周期を延ばした・部品交換を前倒しした・停止を計画停止に振り替えたという意思決定の変化が起きて初めて、効果が金額になる。
いきなり予知（Predictive）を目指さない。 事後保全→予防保全→状態基準保全（CBM）→予知保全という段階がある。多くの現場は、状態基準保全までで効果の大半を取れる。閾値監視で足りるものにAIを持ち込むのは、費用と運用負荷の無駄である。
対象設備は「止まると痛い × 予兆が出る × データが取れる」の3条件で絞る。 全設備を対象にした瞬間にプロジェクトは死ぬ。最初は1〜2設備、故障モードを1〜2種類に絞る。
センサは故障モードから逆算して選ぶ。 「とりあえず振動と温度を取る」は失敗の典型である。どの部位がどう壊れ、そのとき何の物理量が先に変わるのかを決めてから、測る対象を決める。
モデルの精度指標より、見逃しと空振りのコストのほうが重要である。 見逃し1件の損失と、空振り1件の点検コストの比率が、そのまま閾値の設定根拠になる。この比率を先に決めていない案件は、運用開始後に「アラートが多すぎる」で止まる。

保全の現場には長い蓄積がある。ベテランが音を聞いて「そろそろ危ない」と言い当てる技能は実在するし、多くの工場と物流拠点はその技能で支えられてきた。問題は、その技能が属人的であり、対象設備が増え、担い手が減っていることだ。

予知保全は、この技能を機械で代替する試みだと語られがちだが、実務的にはもう少し地味である。ベテランが見ていた変化を、測れる量として定義し、記録し、閾値やモデルで拾い、保全計画に反映する——この一連の仕組み化が本体であり、AIはその一部分でしかない。だからこそ、AIの話から始めると失敗する。

RobiZyはロボットもセンサもソフトウェアも販売しないNPO法人である。中立の立場から言えば、予知保全の提案で最も多い失敗は、手段（AI・センサ・プラットフォーム）が先に決まっていて、対象設備と保全計画の変更点が決まっていないことだ。本稿は、その順序を正すための実務ガイドである。

1. 保全の4段階——自社がどこにいるかを先に決める

段階	やり方	前提となるデータ	向いている設備
① 事後保全	壊れてから直す	不要	止まっても痛くない、予備がある設備
② 予防保全	時間・稼働量で定期交換	稼働時間、交換履歴	消耗の進み方が安定している部位
③ 状態基準保全（CBM）	測った状態が閾値を超えたら手を打つ	状態量の継続測定	予兆が単一の物理量に出る故障
④ 予知保全	状態の変化傾向から余寿命・故障確率を推定	状態量＋故障・保全の履歴	複数要因が絡む、止まると極めて痛い設備

重要なのは、④が常に優れているわけではないということだ。①〜④はコストと運用負荷が段階的に上がる。止まっても代替が効く設備を④で管理するのは過剰投資であり、逆に基幹設備を①のままにしているのは過小投資である。

まずは自社の主要設備を上の表に割り付け、「今の段階」と「あるべき段階」がずれている設備を洗い出す。予知保全のプロジェクトは、このズレの大きい設備から始める。ロボット設備の保守体制そのものの設計は保守・稼働管理——止まらない運用をつくるで扱っている。予知保全は、その体制がある前提の次の一手である。

2. 対象設備を3条件で絞る

対象の絞り込みは、次の3つがすべて成立する設備から選ぶ。ひとつでも欠けると、技術的に成立しても事業的に成立しない。

条件	確認する問い	欠けている場合
止まると痛い	1時間止まると、いくらの損失／何人の手待ちが発生するか	効果が金額にならず、投資が承認されない
予兆が出る	その故障は、突然壊れるのか、徐々に劣化するのか	突発故障は予知できない。冗長化や予備品で対処する
データが取れる	状態量を継続測定できるか。過去の保全履歴は残っているか	まず記録の整備から始める

「予兆が出るか」の判断は、保全担当者への聞き取りで大半がつく。「壊れる前に何か気づいたことはありますか」という問いに、音・振動・温度・匂い・動作の遅さ・電流の増加といった具体的な答えが返ってくる故障モードは、予知の対象になりうる。「気づいたら止まっていた」しか返ってこない故障は、まず対象から外す。

最初の対象は、1〜2設備、故障モード1〜2種類に絞る。範囲を広げるのは、1件目の効果が確認できてからでよい。小さく試して評価する進め方はPoC（実証実験）の設計と評価の考え方がそのまま使える。

3. 故障モードから逆算してセンサを選ぶ

予知保全の失敗で最も多いのが、センサ先行である。「振動センサを付けてデータを溜めれば何か見えるだろう」という進め方は、ほぼ確実に「何も見えないデータが大量に溜まる」で終わる。

正しい順序は次のとおり。

対象部位を決める（例：搬送機の駆動部ベアリング）
故障モードを言語化する（例：潤滑不良による摩耗が進み、異音・発熱を経て焼き付く）
劣化の進行に伴って先に変化する物理量を挙げる（例：振動の特定周波数成分、軸受温度、駆動電流）
その物理量を、どの位置で・どの頻度で測れば変化を捉えられるかを決める
測定できない場合の代替指標を検討する（例：直接測れないならサイクルタイムの微増、リトライ回数の増加）

ここで見落とされがちなのが、5番目の「代替指標」である。ロボットや搬送設備の場合、追加センサを付けなくても、制御系がすでに持っている情報——電流値、位置決め誤差、リトライ回数、エラー発生率、サイクルタイムのばらつき——が、劣化の代理指標になることが多い。新規センサの設置より、既にあるデータの取り出しのほうが安く早い。 データの取り出し要件を導入時に押さえておくべき理由はここにある（ロボット導入の要件定義書）。

測定設計で決めておく項目

サンプリング周期：秒単位か、分単位か、日次のサマリで足りるか。周期を細かくするほど通信・保管コストが上がる
保管期間：生データを何か月保持し、その後はサマリに落とすか
同期：複数のデータ源の時刻がずれていると、原因分析ができない。時刻同期の方式を先に決める
正常時の基準データ：導入直後の正常な状態のデータを、必ず一定期間取っておく。これが後の比較基準になる

4. 正常データしかない状態から、どう立ち上げるか

予知保全プロジェクトの現実的な最大の壁は、故障データがないことである。よく管理された設備ほど故障していないので、「壊れたときのデータ」が存在しない。教師あり学習の枠組みをそのまま持ち込もうとすると、ここで詰まる。

現場で使われている進め方は、おおむね次の3つである。

(a) 閾値・統計的管理から始める 正常時のデータから、平均と変動幅を求め、そこから外れたら知らせる。異常検知の最も素朴な形だが、単一の故障モードにはこれで十分効くことが多い。まずこれで運用を回し、拾えた事象・拾えなかった事象を記録していく。

(b) 傾向監視（トレンド）に切り替える 瞬間値ではなく、移動平均や勾配を見る。「値が高い」ではなく「じわじわ上がり続けている」を拾う。消耗性の劣化には、瞬間値の閾値より傾向監視のほうが早く反応する。

(c) 蓄積した事象データでモデル化する (a)(b) の運用で「アラートが出た→点検した→実際どうだった」という記録が溜まると、初めて学習の材料になる。この記録こそが最も価値のある資産であり、センサデータ本体より重要である。点検結果を必ず紐づけて記録する仕組みを、運用開始と同時に作ること。

つまり、予知保全は「AIから始めて運用に降ろす」のではなく、「運用から始めてAIに上げる」。この順序を守れば、初日から効果が出て、時間とともに精度が上がる。逆順にすると、精度が出ないまま費用だけが積み上がる。

現場での生成AI・AI活用の始め方全般は現場業務における生成AI活用の始め方も参照されたい。

5. 精度ではなく「見逃しと空振りのコスト」で設計する

予知保全の議論は、しばしば「精度何%か」に流れる。しかし現場の意思決定に必要なのは、次の2つのコスト比較である。

見逃し（本当は異常なのに知らせなかった）のコスト：突発停止による損失、二次破損、緊急対応の割増費用
空振り（異常ではないのに知らせた）のコスト：点検の工数、計画停止の機会損失、そしてアラートが信用されなくなること

この2つの比率が、閾値の置き方を決める。見逃しの損失が空振りの何十倍もある基幹設備なら、空振りを許容して敏感に設定する。逆に、止まっても代替が効く設備で空振りを連発させると、現場はアラートを無視するようになり、仕組み自体が死ぬ。

設計項目	決め方
検知の感度	見逃しコスト ÷ 空振りコストの比率で決める
アラートの受け手	誰の端末に、どの時間帯に届くか。夜間・休日の扱い
アラート後の標準アクション	「見に行く」ではなく「何を測り、どう判断し、誰が決裁するか」まで書く
空振り時の記録	空振りだったことも必ず記録する。これが次の改善材料になる
見直し周期	月次でアラート件数・的中・見逃しをレビューし、閾値を調整する

アラート後の標準アクションが定義されていない予知保全は、必ず形骸化する。 通知が来ても何をすべきか決まっていなければ、現場はそれを「気にしておく」で処理し、記録も残らない。

効果測定の枠組みはロボット導入のKPI設計と効果測定と揃えて設計する。予知保全のKPIは、モデルの精度ではなく、突発停止件数・突発停止時間・緊急対応費・計画停止への振替率で置くのが実務的である。

6. 費用と効果を、承認が通る形に組み立てる

予知保全の投資判断は、次の構造で整理する。

区分	項目
初期費用	センサ・取り付け工事、データ収集の仕組み、既存設備からのデータ取り出し改修、初期分析
継続費用	通信費、データ保管、ソフトウェア利用料、モデル・閾値の見直し工数、点検工数の増分
効果（削減）	突発停止時間の削減、緊急対応・割増費用の削減、二次破損の回避、過剰な定期交換の削減
効果（間接）	保全計画の平準化、属人性の低減、部品在庫の適正化

見落とされがちなのが、「過剰な定期交換の削減」である。予防保全で余裕を持った周期で交換していた部品を、状態に応じて延長できれば、部品費と交換工数が直接減る。予知保全というと「壊れる前に気づく」効果ばかり語られるが、「まだ壊れないと分かる」効果のほうが、金額として説明しやすい場合が多い。

また、継続費用に「モデル・閾値の見直し工数」を必ず計上すること。設備も環境も変わるため、一度設定した閾値は必ず陳腐化する。この工数を見積もっていない案件は、2年目に放置される。

効果の語り方の型はロボット導入の投資対効果（ROI）の語り方、資金面の選択肢は補助金・助成金でロボット導入を進めるを参照されたい。

7. 小さく始めて広げるロードマップ

導入7工程（①RXビジョン／構想策定 ②要件定義・PoC・選定・組成 ③構築スケジュール／ToBe業務設計 ④システム設計 ⑤開発・導入 ⑥定着化 ⑦運用）に沿って、予知保全は次のように配置するとよい。

段階	やること	判断ポイント
第0段階（〜1か月）	保全履歴・停止記録の棚卸し、対象設備の3条件評価、保全担当者への聞き取り	予兆が出る故障モードが特定できたか
第1段階（1〜3か月）	既存データの取り出し、正常時データの蓄積、閾値による監視の試行	追加センサなしでどこまで見えるか
第2段階（3〜6か月）	必要箇所のみセンサ追加、傾向監視、アラート運用と点検結果の記録開始	アラートに対する標準アクションが回っているか
第3段階（6〜12か月）	蓄積した事象データでモデル化、保全計画（周期・在庫）の見直し	保全計画が実際に変わったか
第4段階	他設備への横展開、複数拠点への標準化	1件目の効果が金額で示せているか

第3段階の判断ポイントを繰り返しておく。保全計画が変わらなければ、予知保全は導入されていない。 ダッシュボードができ、アラートが飛び、しかし点検周期も部品在庫も何ひとつ変わっていない——という状態は珍しくない。それは技術プロジェクトとしては成功で、事業プロジェクトとしては失敗である。

複数ベンダーの設備からデータを取り出す際の境界と責任分界点については複数ベンダー・複数機種の統合とデータ連携で扱っている。

8. 着手前チェックリスト

まとめ

予知保全は、AIの導入プロジェクトではなく、保全の意思決定を作り替えるプロジェクトである。だから成否は、モデルの精度ではなく、次の3点で決まる。

対象を絞ったか（止まると痛い × 予兆が出る × データが取れる）
運用から始めたか（閾値 → 傾向監視 → モデル化の順序）
保全計画を実際に変えたか（周期・在庫・体制のどれかが動いたか）

そして、この3点はいずれもベンダー単独では決められない。設備の痛みを知っているのはユーザーであり、劣化の物理を知っているのはメーカーであり、データの取り出しを実装するのはSIerであり、日々アラートを受けるのは運用事業者である。予知保全は、この4者が同じ設計図を見ないと成立しない領域である。

RobiZyはセンサもソフトウェアも販売しないNPO法人であり、中立のコーディネーターとして、この4者が同じ設計図を見る状態をつくることを役割としている。対象設備の絞り込み、故障モードの言語化、既存データで代替できる範囲の見極め、見逃しと空振りのコスト設計——いずれも、製品選定に入る前に決めておくべき事項である。

構想段階での無料相談を歓迎する。 「予知保全をやれと言われたが、どこから手を付けるべきか分からない」という段階が、最も相談の価値が高い。手段が決まる前であれば、対象と順序を選び直せる。

予知保全——設備データからAIで「止めない運用」へ