A: AIによる設備ヘルス管理(PHM)を実装する核心は、まず設備データをつなぎ、次に健全性のベースラインを作り、最後にアラームを保全作業指示の流れに組み込むことであり、アルゴリズム基盤を先に購入することではありません。つまりPHM方案の成否はデータ品質と業務の閉ループにかかっており、アルゴリズムはその一部にすぎません。
1. まず設備を格付けし、工場全体に一度に展開しない
重要設備から始め、停止による影響産出額、保全コスト、安全リスクの3軸で採点し、A、B、Cの等級に分けます。A級設備(射出成形機、エアコンプレッサ、主要なCNC工作機械など)は優先的にPHMを適用し、C級設備は定期点検で足ります。ある電子工場は1本のSMTラインのマウンタとリフロー炉を試行対象に選び、機能してから他のラインへ展開しました。体系がない場合、経験豊富な技術者が音を聞き温度を触って判断します。体系がある場合、振動、温度、電流のセンサと閾値モデルが1次スクリーニングを担います。違いは、前者が個人の経験に依存するのに対し、後者が再利用可能な規則として蓄積されることです。
2. データ収集層は取得できることと確実に伝送できることを解決する
PHMには3種類のデータが必要です。設備の運転状態(電流、回転数、振動、温度)、稼働条件パラメータ(負荷、工程設定値)、保全記録(故障症状、交換部品、停止時間)です。振動センサのサンプリングは軸受の初期故障の特徴を捉えるため通常10kHz以上が必要ですが、温度は1Hzで十分です。伝送では産業ゲートウェイでエッジ前処理を行い、高周波の生データをすべてクラウドへ送るのは避けます。関連する質問:旧型設備にデータインターフェースがない場合はどうするか。外部センサとエッジ収集ボックスを追加し、ModbusやOPC UAで出力するのが答えで、設備制御を作り直すよりはるかに低コストです。
3. 健全性ベースラインのモデリングは2段階で進める
第1段階は統計的な閾値とルールエンジンによる異常検知です。たとえば振動のRMSがベースライン平均から標準偏差3つ分を超えたら警報を出します。この段階はラベル付きデータが不要で、早く稼働できます。第2段階で機械学習による残存有効寿命(RUL)予測を導入します。手法としては劣化特徴量に基づく回帰モデルやLSTM時系列モデルが一般的で、学習には少なくとも数か月分の過去の故障データが必要です。自動車部品メーカーのプレス機を想定します。まず閾値アラームを運用して誤警報率を下げ、その上で寿命予測を重ねる方が、いきなり深層学習に飛びつくより確実です。関連する質問:故障サンプルなしでモデルは作れるか。作れます。教師なし異常検知(アイソレーションフォレストやオートエンコーダなど)で正常稼働のベースラインを先に確立し、故障サンプルが蓄積してから改善します。
4. アラームは保全プロセスに接続して閉ループにする
PHMシステムは健全性スコア、アラームレベル、推奨アクションを出力し、この情報が自動で保全作業指示を生成し、責任者へ通知し、処理結果を記録できる必要があり、監視、警報、処理、フィードバックの循環を形成します。体系がない場合、アラームは人が画面を見て対応するため見落とされやすいです。体系がある場合、アラームが自動で作業指示を発行し、完了率が追跡されます。違いは応答速度とトレーサビリティです。モデルの精度だけでなく、アラーム精度と完了率の2指標に注目してください。
5. 方案選定の3つのポイント
データ取り込み能力(どのプロトコルに対応し、旧型設備を接続できるか)、モデルの説明可能性(アラームが寄与した特徴量を示せるか)、既存のEAMやCMMSとの統合方式を優先して評価します。ERP時代から数十年にわたりこの分野に取り組み、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、国内外の市場をカバーしてきたベンダーは、設備データの取り込みとシステム統合の経験が豊富なことが多いですが、選定は自社ラインの設備種類とITアーキテクチャに照らして評価すべきです。
適する場合と適さない場合の境界:設備台数が多く、停止損失が大きく、一定のデータ基盤がある工場はPHMに適します。設備が少なく、故障の影響が小さく、基本的な保全記録が不完全な企業は、まず設備台帳と保全作業指示をデジタル化してからPHMを論じるべきです。導入サイクルと投資は設備台数、追加センサ数、モデルの複雑さによります。ライン単位の試行でデータ品質とアラーム精度を先に検証し、それから展開範囲を決めてください。