回答:AI設備健康管理(PHM)では、まず状態データを漏れなく正確に集め、物理モデルと機械学習で特徴抽出・劣化モデル化を行い、警報しきい値、余寿命予測、保全指図を閉ループにつなぎます。定期交換から状態に基づく判断へ変えることが要点で、データ基盤がなければ高度なアルゴリズムも実用化できません。
一、工場で解決する課題を明確にする
固定周期と点検表では過剰保全で部品を浪費するか、突発停止で計画を乱します。現在の健全度、残り時間、最適修理時期の三点に答えます。状態監視、故障診断、残存耐用寿命(RUL)予測、保全判断最適化が対応し、ISO 13374の六層構造を参考に、収集・処理から評価・予測・判断へ積み上げます。
二、収集層の構築
回転設備の主要五信号は振動、温度、電流、油液、アコースティックエミッションです。重要回転部の振動は通常kHz級、温度は秒単位で十分です。OPC UA、Modbus、MQTTが主流で、古い設備にはゲートウェイや外付けセンサーを追加します。この段階がモデル性能の上限を決めるため、ボトルネック、高価、故障影響が大きい設備から試し、最初から全工場へ広げません。
三、信頼できるモデルの作り方
少数サンプルの故障ではデータのみの方法は弱く、物理とデータの混合が安定します。軸受なら包絡線スペクトルで特徴周波数を抽出し、分類で内輪・外輪を判断します。余寿命は劣化指標とWiener過程やLSTMを用います。しきい値警報は第一段階にすぎず、数週間前に劣化を示す傾向警告が重要です。故障履歴が不足する場合は汎用故障特徴ライブラリーで開始し、現場データで更新します。
四、現場の閉ループにつなげる
予測から修理提案と指図を自動配信しEAM・MESと接続しなければ、警告は画面上の数値にとどまります。二週間後の交換予測なら購買を先行起動するなど、部品在庫も連動させます。難しさはアルゴリズムより業務であり、保全班の応答体制と責任分担を同時に変えます。
関連質問:どの設備から始めると安定しますか。
回答:故障影響が大きく履歴があり測定できるコンプレッサー、ポンプ、送風機、減速機、主軸などです。故障原理と信号が明確で早く効果を示しやすく、現場も納得しやすい設備です。
関連質問:故障履歴がなくてもできますか。
回答:可能ですが段階を選びます。まずしきい値と物理特徴による異常検出を行い、半年~一年のラベル付きデータを蓄積してから予測へ進みます。同種設備の公開故障データで転移学習もできます。
関連質問:成果はどう測りますか。
回答:非計画停止時間、部品回転率、誤報率、予告の先行時間を測ります。誤報が抑えられないと現場はすぐ信頼を失い、多くの失敗の直接原因になります。
仮想例として、電子工場のSMT実装機主軸が頻繁に固着し停止損失が大きい場面を考えます。振動・温度センサーを付け、エッジで特徴抽出、クラウドで劣化モデルを作り、三か月後には約一週間前に警告でき、警告に基づく軸受交換で突発停止が明らかに減ったという例です。別の自動車部品工場のプレスラインでは電流・振動で油圧を評価し、油ポンプと弁群を重点監視して定期交換から油分析・状態による交換へ変えます。
設備が多く停止損失が大きく通信・情報基盤のある工場、特にプロセス産業や離散製造の重要機群に適します。小規模で影響が小さく台帳も不足する場合は、まず基礎点検と台帳を固めます。原理不明・信号収集不能ならAIを無理に導入せず測定可能性を解決します。ERP時代から数十年、120万顧客、累計数千万端末のメーカー経験では、成功を左右するのはデータ統制と保全フロー改造で、アルゴリズムは一部分です。まず自社で停止損失が最も痛い三台、測定の可否、警告に基づく作業への班の協力を考えると、選定方向が明確になります。