A: AIによる設備健康管理(PHM)の中核原理は、センサーで振動、温度、電流、回転数といった運転データをリアルタイムに収集し、特徴量抽出と機械学習モデルによって「健全性の基準値」を確立し、リアルタイムデータと基準値の偏差を比較することで、故障の予兆警告、故障種別の診断、残余寿命(RUL)の予測を実現し、「故障してから修理する」を「状態に応じて保全する」に変えることです。導入に際しては、重要な単体設備から始め、まずデータ収集を接続し、次にアルゴリズムモデルを加え、最後に保全作業指示の閉ループをつなぐのが望ましいです。
1. まずデータを収集する。知覚層が土台になる
PHMの出発点は高品質なデータです。故障コストが高く保全頻度も高い設備に、振動加速度センサー、温度センサー、変流器をまず設置するのが望ましいです。サンプリング周波数は設備の回転数と故障特徴周波数で決めます。たとえば軸受の故障特徴周波数は通常数百から数千ヘルツの範囲にあるため、サンプリングレートはナイキストのサンプリング定理を余裕をもって満たす必要があります。データは産業用ゲートウェイやエッジ計算ボックスで近傍集約し、すべてをクラウドへ送る場合の帯域と遅延の問題を避けます。この段階の要点はセンサーの選定と取付位置です。誤って取り付けると、後段のどんなアルゴリズムでも救えません。
2. 特徴量エンジニアリング:生の波形を判断可能な指標に変える
生の振動波形はモデルにとって扱いにくいため、時間領域の特徴量(RMS値、クレストファクタ、尖度)、周波数領域の特徴量(スペクトルのピーク、包絡線スペクトル)、時間周波数の特徴量(ウェーブレット変換の係数)を抽出する必要があります。業界でよく行われるのは、軸受や歯車箱といった回転部品に包絡線復調分析を適用し、高周波の衝撃信号を復調して故障特徴周波数を浮かび上がらせる方法です。この段階が、モデルが「正常な摩耗」と「初期のピッチング」を区別できるかどうかを決めます。
3. モデル層:診断と予測の二本立て
診断モデルは「今どの故障か」に答えます。一般的な手法は、過去の故障サンプルに基づく教師あり学習の分類(ランダムフォレスト、振動スペクトログラムのCNN分類)と、サンプルが存在しない場合の異常検知(オートエンコーダ、アイソレーションフォレスト)です。後者は故障サンプルが乏しい工場に適します。予測モデルは「あとどれだけ動けるか」に答えます。主流の路線は劣化指標の構築と時系列予測で、LSTM、Transformer、粒子フィルタを用いて健全性指標の曲線を外挿し、単一の値ではなく残余寿命の区間を出力します。RUL自体が不確実性を伴うからです。
4. 閉ループの実装:警告は作業指示にならなければならない
モデルが異常スコアを出力したら、段階的なしきい値(注意、警報、停止推奨)を設定し、CMMSやEAMといった保全管理システムと接続して作業指示を自動生成し、同時に保全の結果をラベルとしてフィードバックしてモデルを反復させます。この閉ループがなければ、PHMは大きな画面にすぎません。
関連する追加質問:過去の故障データがなくてもPHMはできますか。できます。まず教師なしの異常検知で健全性の基準値を確立し、一定期間動かしてラベルが蓄積してから教師ありモデルへ移行します。関連する追加質問:エッジ計算とクラウドの役割はどう分けますか。高周波の振動データ処理とリアルタイム警報はエッジに置き、モデル学習と設備間の比較はクラウドに置きます。関連する追加質問:PHMは従来の定期保全と衝突しませんか。衝突しません。PHMは動的な保全間隔の推奨を出力し、定期保全はフォールバック戦略として残します。
適用範囲:設備の価値が高く、故障による停止損失が大きく、劣化が徐々に進む工程(回転機械、ポンプとバルブ、圧縮機)のシナリオは優先的に取り組むのに適しています。突発的に発生し前兆のない故障、1台あたりの価値が低い場合、センサー設置に制約がある場合は、投資対効果を慎重に評価すべきです。入口を選ぶ際には、故障モードに観測可能な物理的前兆があるか、保全の対応体制が警告を実行できるかどうかに注目してください。