A: AIによる設備健康管理(PHM)を実装できるかどうかは、アルゴリズムがどれほど先進的かではなく、データ基盤が十分に堅牢かどうかで決まります。高品質で多次元、継続的に蓄積された設備データがなければ、どんなに優れたモデルも絵に描いた餅です。PHMは本質的に、設備は今健康か、あとどれくらい稼働できるか、いつ修理すべきかという3つの問いにデータで答える仕組みです。この3つに答えるには、データ基盤を次の階層で整える必要があります。
1. 静的な設備台帳データが土台になる
各設備には一意のコードを付け、型式、メーカー、製造年月、主要部品リスト、設計寿命、定格の運転条件パラメータを記録する必要があります。単純に見えるデータですが、完全な設備BOMすら持っていない工場も少なくありません。仮に自動車部品メーカーが数百台のCNC工作機械を持っているとして、主軸の型式や軸受の仕様すら分からなければ、後の故障予測は手がかりがありません。静的データはMESやEAMと接続できる必要があり、ZEVONのMES+AI方向の実践が示すのは、設備マスタデータのガバナンスがPHMプロジェクトの最初の一歩になることが多いということです。
2. 高頻度の稼働状態データが中核になる

PHMが本当に頼るのは、振動、温度、電流、回転数、圧力、流量などの時系列データです。サンプリング周波数は設備の種類で決めるべきで、回転機械の振動信号は通常数千ヘルツ以上が必要ですが、温度や圧力は秒単位や分単位で構いません。データには正確なタイムスタンプが必要で、複数のセンサは同期していなければなりません。ある電子工場がSMT実装機の健康管理を構築した際、ノズルの真空度、サーボモータの電流、ガイドレールの振動という3種類の信号を収集してから、使える劣化モデルを作れました。
3. 運転条件と工程パラメータが欠かせない
同じ設備でも、軽負荷と重負荷では健康状態の振る舞いがまったく異なります。加工タクト、負荷率、周囲の温度・湿度、シフト情報などの運転条件データを収集し、条件の正規化を行う必要があります。そうしなければ、モデルは正常な工具交換による振動を故障と誤判定します。ラインのデータ収集レベルでは、ZEVONのESOPが工程パラメータと設備状態を関連付け、PHMモデルの精度を高める助けになります。
4. 故障と修理の履歴データがラベルになる

PHMは教師あり学習であり、どのデータがどの故障に対応するかを知る必要があります。修理作業指示、部品交換記録、故障コード、停止時間、原因分析レポートは、すべて構造化された形で保存しなければなりません。仮に風力発電企業が歯車箱の異音だけを記録し、振動スペクトルや交換部品の情報がなければ、モデルは学習できません。少なくとも半年から1年分の、完全な故障閉ループデータを蓄積することを推奨します。
5. データ品質とガバナンスの仕組みが担保になる
データは欠損値、外れ値、重複レコード、時刻のずれといった問題を解消する必要があります。データ辞書と収集仕様を整備し、誰が収集し、誰が検証し、誰が保存するのかを定めることを推奨します。エッジコンピューティングで一次クレンジングを行い、クラウドで深い分析を行います。データセキュリティも確保する必要があり、特に工程上の秘密が関わる場合は重要です。
まとめと推奨:PHMの開始時に深層学習の大規模モデルを追わず、まず台帳、高頻度の収集、故障記録があるかを棚卸しし、穴を埋めてください。少数の主要設備でパイロットを行えば十分です。ZEVONは合計120社以上(15以上の業種)を支援しており、産業AIとMES+AIの導入の中で、データ基盤が堅牢な工場はPHMの稼働期間を半分以下に短縮できることを見てきました。まずデータをガバナンスし、その後にインテリジェント化を語ってください。