A: AIによる設備健康管理(PHM)の実施経路は4つのステップにまとめられます。データ取得、特徴抽出、モデル構築、警告の閉ループです。投資対効果は、ソフトウェアの購入価格にこだわるのではなく、計画外停止の削減、保全コストの低減、設備寿命の延長という3本の柱で全体の収支を計算して評価すべきです。
まず典型的なシナリオを見てみましょう。ある自動車部品メーカーのプレス工場では、複数の主要プレス機が定期保全と故障後修理で長年運用されていました。ある夜、主軸のベアリングが突然焼き付き、ライン全体が10時間以上停止し、納期遅延、緊急修理費、部品の航空便輸送費が積み上がり、損失は設備自体の価値をはるかに超えました。これこそPHMが解決しようとする課題です。故障後修理と時間基準の保全を、状態基準の保全へ変えることです。
具体的な進め方は4つのレベルに分けて展開できます。
1. データ層: まずデータがあるか、正確かを解決します。PHMの基礎は振動、温度、電流、回転数、油、アコースティックエミッションといった状態信号です。産業界でよく行われるのは、主要な回転設備に振動センサ(圧電式加速度計など、サンプリング周波数は設備の回転数と故障特徴周波数に応じて選定)を取り付け、PLCやDCSにある既存の工程パラメータと組み合わせ、エッジゲートウェイでローカル前処理した上でデータをアップロードする方法です。しばしば見落とされるのは、データ品質がアルゴリズムよりも重要だという点です。センサの取付位置、サンプリング方針、時刻同期がしっかりしていなければ、後段のモデルがどれほど先進的でも砂上の楼閣です。
2. 特徴とモデル層: 生波形から健康指標へ。よく使われる方法は、時間領域の特徴(実効値、尖度)、周波数領域の特徴(包絡線スペクトル、側帯波)、時間周波数領域の特徴(ウェーブレット変換)の抽出で、設備のメカニズム知識と組み合わせてベースラインを確立します。モデルでは、ルールベースのしきい値はベアリングや歯車のように故障特徴が明確な部品に適し、機械学習(ランダムフォレストやアイソレーションフォレストなど)は複数パラメータが結合した異常検知に適し、深層学習は変動する条件やサンプルが少ないシナリオで優位性がありますが、高品質なラベル付きデータが必要です。実務ではメカニズムモデルとデータ駆動を組み合わせるのが通常で、大規模モデルを目的化して追うべきではありません。
3. 警告と閉ループ層: PHMの価値は予測そのものではなく、予測の後に誰かが対応することにあります。システムは段階的な警告(トレンド警告、故障警告、残存寿命=RULの推定)を出力し、作業指示、部品、スケジューリングのシステムに接続して、保全チームがどの設備の、どの部品が、あとどれくらい持つのか、いつ停止を推奨するのかを把握できるようにしなければなりません。閉ループのないPHMはただのダッシュボードです。
4. 投資対効果の評価: 3つの部分に分けて計算します。第一に、停止損失の削減で、過去の計画外停止時間×単位時間あたりの産出価値損失×回避可能率で見積もります。第二に、保全コストの最適化で、不要な定期部品交換の削減、緊急修理の割増の低減、部品在庫の回転改善を含みます。第三に、設備寿命の延長による設備投資の先送りです。PHMの効果は設備の重要度と現在の保全水準に大きく依存する点に注意してください。主要設備の停止損失が大きく、既存の保全が粗いほど効果は明確です。まず主要設備1台でパイロットを行い、3〜6か月の履歴データでモデルの的中率をバックテストしてから展開範囲を決めるのが望ましいです。
関連する追加質問1: PHMと従来のEAMやCMMSの違いは何ですか? 従来のEAMは作業指示、部品、資産台帳の管理プロセスに焦点を当て、PHMは設備状態のセンシングと予測に焦点を当てます。両者は補完関係にあり、PHMの警告結果はEAMの作業指示に落とし込んで初めて閉ループになります。
関連する追加質問2: 過去の故障データがなくてもPHMはできますか? できますが、道筋が異なります。故障サンプルが少ない場合は、メカニズムモデル、しきい値ルール、教師なしの異常検知を優先して健康ベースラインをまず確立し、運用データの蓄積に応じて教師あり学習を徐々に導入します。
関連する追加質問3: 投資効果はどれくらいで見えますか? 設備の重要度、故障頻度、パイロットの範囲によります。通常は主要設備1台ごとに評価期間を設定し、バックテストの的中率と実際に回避できた停止事象で検証すべきで、固定の回収期間を当てはめるべきではありません。
適合する範囲と適合しない範囲: 設備台数が多く、主要設備の停止損失が大きく、一定の自動化とデータ基盤がある工場はPHMを優先するのに適しています。設備種類が混在し、単体の価値が低く、故障の影響が軽微で、基本的な稼働データの収集すら不完全なシナリオは、まずデータ取得と基本的な保全管理を整える方が費用対効果が高いです。ERP時代から数十年にわたり深く取り組み、120万社の顧客にサービスを提供し、累計数千万台の端末を導入してきたベンダーのエコシステムの中には、既存システムと接続できるPHMの道筋が見つかることがよくありますが、選定時にはアルゴリズムの宣伝だけでなく、データ取り込み能力と警告の閉ループ設計に注目すべきです。