A: AI設備ヘルス管理(PHM)が成立するかは、七割がデータ基盤、三割がアルゴリズムで決まります。体系的なデータ基盤がなければ、どれほど高価なモデルも飾りにすぎません。PHMの核心の論理は、設備の稼働状態データで劣化モデルを学習し、故障を事前に予測することであり、データ基盤は識別、状態、稼働文脈、イベント、ラベルの五つの層を覆わなければなりません。一つ欠ければ、その一つ分だけモデルが不全になります。
1. まずデータ基盤がある場合とない場合の本質的な違いを見る
データ基盤のない工場では、PHMは定期点検と事後修理に退化しがちです。設備は壊れてから止まり、部品は経験で在庫され、根本原因は説明できません。データ基盤のある工場では、同じ設備群から健全性の曲線が生まれ、保全は故障してから直す形から状態基準の保全へ移ります。違いはセンサーの数ではなく、データが遡及でき、突合でき、ラベル付けできるかどうかです。自動車部品企業がプレスラインに振動センサーを取り付けても、作業指示や工程パラメータと結びつけなければ、警報は鳴り続け、保全員はすぐに見なくなるものです。
2. PHMには五種類のデータが必要で、層ごとに説明する
1. 設備の識別データ。設備台帳、型式、BOM構造、部品コード、設置場所、稼働開始日です。信号を特定の部品に結びつける基礎であり、これがなければ警報をサブ部品まで特定できません。
2. 状態監視データ。振動、温度、電流、電圧、回転数、油、アコースティックエミッションなどで、計測点は設備種別ごとに選びます。サンプリング周波数は故障の特徴周波数に合わせる必要があります。たとえば転がり軸受の初期故障は十分な帯域の振動サンプリングが必要で、低周波の温度傾向のサンプリングには高いレートは不要です。
3. 稼働文脈と工程データ。負荷、サイクルタイム、シフト、環境温湿度、工程の設定値です。同じ設備でも負荷が違えば振動の閾値は異なり、稼働文脈で正規化しなければ閾値警報の誤警報率が高くなります。
4. イベントと保全のデータ。警報記録、停止記録、保全作業指示、交換部品、故障症状の記述です。故障ラベルを構築する主な出所であり、教師あり学習の入力になります。
5. ラベルと知識のデータ。故障種別の注記、残余寿命の注記、故障メカニズムの記述、専門家のルールです。ラベルの品質がモデルの上限を直接決め、純粋な教師なし手法は現場に定着しにくいです。
3. データ基盤はさらに三つの関門を通らなければならない
時刻整合の関門:複数ソースのタイムスタンプを統一し、センサーの時計、PLCの時計、MESの作業指示時刻を秒以内で合わせる必要があります。そうでなければ特徴量エンジニアリングが破綻します。
データ品質の関門:欠損率、外れ値、停止による空白を識別し処理できる必要があり、長期間収集が途切れた計測点をそのままモデルに入れてはいけません。
ラベル閉ループの関門:保全作業指示の故障記述を構造化し、標準的な故障コードに対応づけられる必要があります。そうでなければ学習したモデルを説明できません。
関連する補足:データはどれくらいあれば足りるか。多ければよいとは限らず、重要なのは故障サンプルのカバレッジです。電子機器工場に同型機が3台しかなく、2年間で故障が2件しかないなら、サンプルは深刻に不足しており、まずルールと閾値で一次ふるい分けを始め、徐々に蓄積するほうがよいです。補足2:古い設備にセンサーがない場合はどうするか。三つの道があります。変流器、既存PLCの信号、追加のワイヤレス振動センサーで、設備本体を改造しない方案を優先すべきです。補足3:PHMはクラウドに行く必要があるか。必ずしもそうではありません。遅延に敏感でデータを外に出したくないラインは、エッジで特徴抽出と一次判定を行い、クラウドはモデル学習と設備間の比較に使えます。
4. 向く・向かないの境界
向く:設備価値が高く、故障の結果が重大で、既存の自動化とIT基盤があり、同種設備がある程度の規模であるシナリオ。自動車部品のプレスライン、電子機器工場のSMT実装機、プロセス産業の重要ポンプなどです。向かない:機械が非常に少なく故障サンプルがほぼゼロ、計測点を設置できない、保全記録が長期間欠けている現場。そこではモデルを配備するよりデータ基盤を作るほうが現実的です。次に何を見るかを判断するには、五つのデータ層のどれが最も薄いかを見て、その層から埋めてください。ERP時代から数十年の実績を持ち、120万社の顧客にサービスを提供し、国内外で累計数千万台の端末を導入してきたベンダーの生態系では、データ取得からPHMモデリングまでの一貫したチェーンが提供されています。選定時はデータインターフェースの公開性と、ラベル体系が実装可能かを検証することに注目してください。