ナレッジセンター
目次

Q: AI による設備健全性管理(PHM)はどう実装し、従来の方法より具体的にどこが優れていますか。

A: AI による設備健全性管理(PHM)の核心的な進め方は、まずセンサーで設備の稼働状態をデジタル化し、次に機械学習モデルで健全性の基準を確立し、振動、温度、電流、回転数といった信号から劣化の傾向を事前に捉え、保全の行動を「故障後の修理」から「予測した時点での修理」へ移すことです。従来の定期点検+事後保全と比べると、故障の発見のタイミング、誤判定率、部品の回転、計画外停止の抑制で大きな差があります。

1. 進め方の面で、AI の PHM と従来の方法は異なる道をたどる

従来の方法は主に人手の点検、定期保全の計画、閾値アラームに頼り、本質的には決められた時期に修理するか、限界を超えたらアラームを出すものです。典型的な AI の PHM の連鎖は次のとおりです。主要な回転機器(モーター、ポンプ、ファン、減速機、コンプレッサ)に振動加速度計と温度センサーを取り付け、高頻度の波形データを収集します。エッジで特徴量を抽出し、RMS 値、尖度、包絡線スペクトルといった指標を得ます。そのうえでプラットフォーム側で異常検知と残存寿命の予測モデル(LSTM ベースの手法や劣化軌跡の当てはめなど)を用い、健全性スコアと故障確率を出力します。業界では一般に、アラームの境界を設定する際に ISO 10816 の振動の厳しさの等級や ISO 13374 の状態監視と診断の枠組みを参照するため、モデルは根拠なく判断するのではなく、標準という錨を持っています。

2. 軸の1つ目:故障をいつ発見できるか

従来の閾値アラームは、振動の厳しさが明確に限界を超えてから初めて発報することが多く、その時点で軸受の損傷はすでに進行している可能性があります。AI モデルは初期の微弱な特徴の変化、たとえば包絡線スペクトルにおける軸受故障の特徴周波数の側帯波の上昇を捉え、数週間、場合によっては数か月前から傾向の警告を出せます。実務ではここが両者の差が最も明確に現れる点です。アラームを出せるかどうかではなく、どれだけ早く出せるかです。

3. 軸の2つ目:誤判定と見逃し

固定の閾値は操業条件の変化に非常に敏感で、負荷や原料ロットが変わると誤報が発生し、現場の担当者は次第に鈍感になります。AI のソリューションは操業条件に適応する基準を用い、負荷と回転数をモデルに入れて正規化するため、誤報率は通常より制御しやすくなります。逆に、ゆっくりと劣化する故障では固定の閾値は見逃しやすく、傾向モデルは劣化の傾きを継続的に追跡できます。

4. 軸の3つ目:保全の判断と部品

従来のソリューションはアラームの一覧を出力しますが、AI の PHM は優先度と残りの使用可能時間を伴う作業指示の提案を出力し、保全の時間枠に直接組み込め、部品は予測需要に応じて事前に在庫できます。電子工場がエアコンプレッサと冷却水ポンプにこうしたソリューションを配備したとします。計画外停止を計画保全に変えることで、部品在庫の回転圧力は、故障後に慌てて発注する方式より目に見えて低くなります。

関連する質問:データインターフェースのない旧設備でもできますか。できます。無線の振動・温度センサーとエッジゲートウェイを取り付けるのが一般的な方法で、機器本来の通信プロトコルに依存しません。関連する質問:モデルにはどれくらいの履歴データが必要ですか。故障サンプルが乏しい場合は、教師なしの異常検知で基準を確立してから、ラベル付きサンプルを徐々に蓄積します。関連する質問:誤報はどう抑えますか。鍵は操業条件のラベルの正確さで、アラームには継続時間と複数回の確認の仕組みを組み合わせるべきです。

向いている場合:主要な回転機器が多く、計画外停止のコストが高く、保全のデータが一定程度蓄積されているプロセス型・離散型の工場。向かない場合:設備の価値が低く、故障の影響が軽微な場合や、操業条件の変動が極端に大きく、基本的な計測点が不足している場合。着手点を判断するには、まず2点を見てください。計画外停止による損失が改造の投資を明確に上回るか、主要設備に計測点を設置できる位置があるか、です。

分野: AI-FAQ