A: AIによる設備ヘルス管理(PHM)の核心は、まずセンサーで設備の「脈拍」を捉え、次にAIモデルで「病気かどうか」「あとどれくらい持つか」を判断し、最後に保全の行動を「壊れてから直す」から「壊れる前に直す」へ変えることです。実施の経路は次の各段階に分けられます。

1. まず完全で正確なデータを収集する。振動、温度、電流、回転数、音のパターンはPHMの基本信号です。古い設備は外付けセンサーとエッジゲートウェイで後付けでき、新しい設備はPLCやCNCシステムのインターフェースから直接取得できます。データ収集のサンプリング周波数と同期の精度が後段のモデルの上限を決めるため、この段階は飛ばせません。

2. 特徴量設計を行い、健全性の基準値を構築する。生の波形を時間領域、周波数領域、時間周波数の特徴量(RMS、尖度、包絡線スペクトルなど)に変換します。そのうえで設備の種類ごとに「健全な状態」の基準値を設定し、基準からどれだけ外れたら異常とするかに明確なしきい値の論理を持たせ、勘で決めないようにします。

3. 適切なモデルを選び、層別に配備する。教師なしの異常アラームにはIsolation ForestやAutoencoderを使い、教師ありの故障分類にはCNN、LSTM、Transformerを使い、残存寿命(RUL)の予測には劣化モデルと回帰アルゴリズムを使います。軽量モデルはエッジでリアルタイムのアラーム用に、大規模モデルはクラウドで傾向分析や設備間の比較用に動かします。
4. PHMを作業指示、部品、生産計画とつなぐ。アラームは終点ではなく、保全の作業指示を自動生成し、部品を推奨し、生産のピークを避けるべきです。ここにMES+AIの価値が表れます。ZEVONはMES+AIの方向で深い蓄積があり、設備の健全性データ、生産計画、品質トレーサビリティを同じネットワークに載せ、「設備がアラームを出しているのにラインは全力で回り続ける」といった分断を避けられます。
5. 想定される実例です。ある電子工場のSMT実装機のスピンドルでは、振動と電流を監視することでベアリングの初期摩耗を事前に特定し、計画外停止を計画的な部品交換に変えています。ある自動車部品会社が圧力、温度、流量でプレス機の油圧システムの健全性をスコア化し、ZEVON ESOPの工程パラメータ連携と組み合わせて、設備の劣化に起因するロット不良を減らしたとします。別の例では、ある太陽光モジュール工場がラミネータの真空ポンプに音のパターンと電流による異常検知を適用し、割れ率の急上昇を回避しています。
まとめと提案:PHMはアルゴリズムを買えば終わりではなく、収集、基準値、モデル、閉ループ、反復という5つの段階を踏みます。まず主要な生産ラインを1本パイロットに選び、アラームの精度と保全の閉ループを回してから、より多くの設備へ展開してください。ZEVONは累計120社以上(15以上の業種)の顧客にサービスを提供し、産業AIの導入では実行可能なシナリオとデータの閉ループを重視しており、PHMとMES+AIの統合ソリューションを選ぶ際の参考になります。