A: 核心原理はひと言で言えます。保全を故障後の修理から故障直前の修理へ移すことです。振動、温度、電流といった状態データをリアルタイムに収集し、劣化の傾向を早期に捉え、故障が実際に起きる前に介入を段取りすることで、計画外停止を計画停止に変えます。
1. まず停止がどこから来るかを理解する
工場の設備停止は大きく2種類に分かれます。突発故障による停止と、計画保全による停止です。従来のやり方は、故障が起きてから動く事後修理(停止時間がまったく制御できない)か、状態に関係なく定期で機械を開けて点検する定期保全(過剰保全になりやすく、2回の保全の間に突発故障が起きることもある)かのどちらかです。ある電子工場のSMTラインはまさにこれに直面しました。スピンドル軸受の摩耗は徐々に進むもので、作業者が異音に気づいて機械がアラームを出す頃には、たいてい焼き付いており、部品交換とデバッグで丸1日近くかかります。露呈した問題は、設備の内部状態が見えないことです。
2. 予知保全の技術的な道筋
平たく言えば3つの段階です。第1はデータ収集で、主要設備に振動センサー、温度プローブ、変流器を取り付け、高頻度の時系列データを収集します。サンプリングレートは設備種別で決め、回転機器の振動信号は軸受の特性周波数を捉えるため通常kHzレベルのサンプリングが必要です。第2は特徴量の抽出とモデリングで、生信号からRMS値、尖度、包絡線スペクトルといった指標を計算し、過去の故障サンプルでモデルを訓練して、特徴量から残余寿命への写像を確立します。実務ではこの段階が本当の力量を問われます。故障サンプルは不足しがちで、ベンダーは通常、転移学習や物理モデルで補うからです。第3は警告と意思決定で、劣化傾向が閾値を超えたとモデルが判断すると、警告レベルと推奨対応枠を出力し、保全チームがそれに従って段取りします。
3. 停止時間削減の鍵はリードタイムと介入の窓
この手法の価値は、どれだけ正確に予測するかではなく、実行可能なリードタイムを提供することにあります。ある自動車部品会社のプレス機を例にします。システムが1週間前に油圧ポンプの効率低下を警告し、修理を週末の計画停止枠に組み込めるため、停止時間は突発故障時の十数時間から計画内の2〜3時間に圧縮されます。もう1つ見落とされやすいのは予備品の連動です。警告が出た時点で同時に予備品の照会を起動し、「直すべき箇所は分かっているのに部品が届かない」という二度目の停止を避けます。
関連する追加質問:予知保全システムはクラウドに置く必要がありますか。必ずしもそうではありません。一般的な構成は、エッジの計算ボックスが設備側でリアルタイム推論を行い、クラウドがモデル訓練を担う形で、ネットワークが切れてもエッジがアラームを出せます。センサーはいくつあれば足りますか。設備の重要度と故障モード次第です。回転機器なら駆動端と非駆動端の振動を測り、多ければよいというものではありません。冗長なデータはクレンジングのコストを増やすだけです。モデルはどの頻度で再学習しますか。稼働条件の変化の頻度次第で、季節の変わり目、製品切り替え、オーバーホール後に検証することを勧めます。
向くケースと向かないケース:設備価値が高く、故障の影響が大きく、連続的な稼働データがあるシナリオに向きます。圧縮機、ファン、ポンプ設備、スピンドル系の設備などです。故障モードが非常にランダムな旧設備、単価が低い設備、履歴データがまったく蓄積されていない設備には向かず、まず点検巡回のデジタル化を進めるほうが現実的です。判断では、機能一覧ではなく、使える状態データがあるか、故障のメカニズムが明確かを重視してください。