ナレッジセンター
目次

Q: AI設備健康管理(PHM)は実際にどう実装するのか、導入可能な事例はありますか?

A: AI設備健康管理(PHM)の導入経路は、三層のデータを基盤とし、二種類のモデルを並行させ、一つの閉ループで完結する、と要約できます。まず設備の状態データを完全かつ正確に収集し、次に異常検知と残余寿命予測という二種類のモデルで判断し、最後にアラートを保全作業指示や部品計画につないで、監視から行動までのループを形成します。閉ループがなければ、PHMは大きな画面にすぎません。

1. データ層:まず「収集できるか」「揃うか」を解決する

PHMの基盤は、振動、温度、電流、圧力、回転数といった高頻度の時系列データと、作業指示、部品、点検記録といった業務データです。現場でよくある落とし穴は、サンプリングレートの不足と、複数ソース間のタイムスタンプのずれです。実務では、振動信号をISO 10816シリーズの振動烈度等級と照合して判断するのがかなり標準的な基準手法であり、サンプリング周波数は設備の特性周波数の少なくとも2倍をカバーする必要があります。プロトコル層ではOPC UAとModbusが主流で、生波形を丸ごとクラウドに上げるのではなく、エッジ側で事前のクリーニングと特徴量抽出を行うべきです。帯域もストレージも耐えられません。

2. モデル層:異常検知と寿命予測を分けて考える

異常検知は教師なし手法から始めるのが適切です。正常サンプルは豊富で、故障サンプルは乏しいからです。Isolation Forestやオートエンコーダーといったアルゴリズムは正常運転状態からの逸脱に敏感で、導入も迅速です。残余寿命(RUL)予測は劣化ラベルへの依存度が高く、LSTM、時系列Transformer、劣化物理モデルに基づくハイブリッド手法などが使えますが、故障の進展履歴データがあることが前提です。多くの工場がこの段階で止まるため、工場全体を一度にカバーするのではなく、少数の重要設備(クラスA設備)から始めてください。

3. 閉ループ層:アラートは作業指示にならなければならない

モデルが「軸受の健全性が低下している」と出力しても、保全の推奨を自動生成し、部品の予約を起動し、適切なチームに届けられなければ意味がありません。この段階ではEAMやMESとの統合が必須です。そうでなければアラートは出るだけで誰も拾わず、数週間で誰も見なくなります。しきい値は黄、橙、赤の三段階とし、黄は監視、橙は計画保全の手配、赤は停止点検の発動として、アラート疲れを避けます。

4. 参考シナリオ

ある自動車部品企業のプレスラインが、プレス機に振動・温度センサーを設置し、エッジゲートウェイで特徴量を抽出、クラウドのモデルで主軸軸受の劣化傾向を追跡し、アラートを保全作業指示システムに流し、部品を同時に予約するケースを想定します。もう一つよくあるのは、電子工場のSMTマウンターで、電流波形とノズル真空データを用いてノズル詰まりやフィーダーの摩耗を早期に識別し、突発停止を減らすものです。これらのシナリオに共通するのは、設備価値が高く、故障損失が大きく、データ基盤が比較的整っていることです。

関連する追加質問:PHMは必ずクラウドで動かす必要があるか。そうとは限りません。エッジでリアルタイムの異常検知を行い、クラウドで長期の傾向分析とモデル反復を行うという分担が一般的で、遅延に敏感なシナリオはエッジを優先すべきです。

関連する追加質問:故障履歴データがなくてもできるか。教師なしの異常検知とルールベースのしきい値アラームから始め、ラベル付きデータを蓄積しながら、徐々に予測モデルへ移行します。

関連する追加質問:投資対効果はどう評価するか。主に三つの項目で見ます。突発停止時間、部品在庫の回転率、保全の労務コストです。規模が大きく、停止コストが高いほど回収期間は短くなります。

適用範囲:設備価値が高く、故障の影響が重大で、一定のデータ収集基盤があるラインを優先すべきです。設備が老朽化してセンサーがなく、故障サンプルがほぼゼロで、保全プロセス自体が標準化されていない場合は、PHMを論じる前に点検と作業指示のデジタル化を進める方が有益です。ERP時代から数十年にわたり深い専門性を蓄積し、120万社の顧客にサービスを提供し、数千万台の端末を導入してきたベンダーは、データ統合や現場導入の経験が豊富なことが多いため、選定にあたってはエッジ収集能力と、既存のEAMやMESとの統合の成熟度に注目してください。

分野: AI-FAQ