A: AIによる設備健全性管理(PHM)を導入するには、まず設備台帳、測定点データ、故障ラベルという3点を明確にすることが核心です。そのうえで、データ収集層、特徴量エンジニアリング層、モデル層、業務の閉ループ層という4層アーキテクチャで段階的に着地させます。最初から大きくすべてを包含するAIプラットフォームを追わないことです。PHMはソフトウェアを1本買うことではなく、設備の状態データを実行可能な保全の意思決定に変えることです。
1. まずデータ基盤を棚卸しし、モデルに急がない
PHMソリューションの最初のレンガはデータです。3種類を整理する必要があります。静的な設備台帳(機種、BOM、修理履歴)、稼働状態データ(振動、温度、電流、回転数、油など)、故障・修理記録です。ある自動車部品会社のプレスラインが、過去の故障作業指示すら構造化して記録していなかったとします。その状態では、どんなアルゴリズムでも使える残余寿命予測は出せません。実務的な助言は、まず測定点を計画し、重要設備の重要ポイントを特定することです。回転機器なら振動と温度を優先し、電気設備なら電流の高調波に注目します。業界でよく使われる振動解析の規格、たとえばISO 10816シリーズは、初期のアラーム閾値を決める参考になります。
2. PHMの技術アーキテクチャを層で構築する
1) データ収集層:エッジゲートウェイ経由でPLC、センサー、SCADAのデータを収集します。サンプリング周波数は故障の特性周波数に合わせる必要があり、振動信号は通常kHzレベル、温度は秒レベルで足りる点に注意してください。
2) 特徴量エンジニアリング層:時間領域(RMS、尖度)、周波数領域(FFT、包絡線スペクトル)、時間周波数領域(ウェーブレット)の特徴量を抽出します。この段階がモデルの上限を決めます。
3) モデル層:ルールベースの閾値から始め、異常検知(アイソレーションフォレストなど)、分類モデル(故障種別の識別)、回帰モデル(残余寿命の予測)を段階的に導入します。いきなり深層学習に飛ぶ必要はなく、多くのシナリオでは従来の機械学習とメカニズム特徴量で十分です。
4) 業務の閉ループ層:モデルの出力は作業指示システム、予備品管理、点検計画に接続する必要があります。そうでなければ、誰も対応しない警告は死んだデータです。
3. 関連する追加質問:PHMソリューションの予算に影響する要因は何ですか。
主に4つの変数です。測定点の数と種類(振動センサーは温度センサーより高価)、エッジ計算ハードウェアの要否、モデルを購入するか内製するか、既存システムとの統合作業量。コストを抑えるには、まず1本の重要ラインまたはAクラス設備から始め、ROIを検証してから横展開します。削ってはいけないのはデータ収集の品質とラベル体系で、これを削ると後に手戻りになります。
4. 関連する追加質問:故障サンプルが足りない場合、モデルはどう作りますか。
これはPHM導入でよくある行き詰まりです。3つの道があります。転移学習で類似設備の公開データセットや物理モデルを借りて事前学習する。正常状態のデータだけで基準を作る半教師ありの異常検知を用いる。物理とデータのハイブリッド・モデリングで、故障メカニズムによってモデル出力を制約する。サンプルが少ないときは、精密な診断よりも異常の警告から始めるほうが現実的です。
5. 関連する追加質問:PHMと従来の点検巡回、EAMの関係は何ですか。
PHMは点検巡回やEAMを置き換えるものではなく、それらに判断の材料を提供します。従来の点検巡回は「誰が行ったか、見たか」に答え、PHMは「いつ見るか、どこを先に見るか」に答えます。EAMは作業指示と予備品を管理し、PHMの出力はEAMの保全作業指示を起動すべきです。この3つのデータがつながって初めて、状態監視から保全実行までの閉ループが形成されます。
向くケースと向かないケース:機械台数が多く、故障による停止損失が大きく、一定程度の自動化基盤があるプロセス型または個別受注生産の製造業は、PHMを先行して進めるのに適しています。機械台数が少なく停止の影響が小さく、データが主に手書きで記録されている小さな現場は、まず基礎台帳と点検巡回のデジタル化を進めるほうが効果的です。次に注目すべきこと:自問してください。重要設備の測定点データを安定して収集できるか。過去の故障記録を構造化できるか。警告が出たときに閉ループする人がいるか。この3つに答えられないなら、まだアルゴリズムの話はしないことです。