ナレッジセンター
目次

Q: AIによる設備ヘルス管理(PHM)は実際にどう実装するのか、どのようなデータ基盤が必要なのか?

A: AIによる設備ヘルス管理(PHM)が軌道に乗るかどうかは、7割がデータ基盤、3割がアルゴリズムで決まります。まともなデータがなければ、どんなに高価なモデルも飾りにすぎません。PHMを実践するうえでの中核は、まず設備側のセンシング層とデータ層をしっかり構築し、そのうえでモデリングと予兆警告に進むことです。

1. まず、PHMに必要なデータの種類を明確にする

PHMは単に機械が回っているかどうかを見るものではありません。設備が健全かどうか、あとどれだけもつのかを判断する必要があります。そのためデータは少なくとも4つの層に分かれます。

1. 運転状態データ。電流、電圧、回転数、負荷、温度、圧力、流量などです。この種のデータは設備が現在どの状態で動いているかを示し、異常判断の基礎になります。

2. 状態監視データ。振動、騒音、油中の金属粒子、赤外線サーモ画像、超音波などです。このデータは故障メカニズムに最も近く、軸受の摩耗、歯車のピッチング、ミスアライメント、アンバランスは、ほとんどが振動と温度の組み合わせで特定されます。

3. イベント・保全データ。アラーム記録、停止記録、修理作業指示、部品交換記録、点検結果などです。このデータがなければ、モデルはそれが故障なのか通常の変動なのかを判別できません。

4. 資産台帳・工程データ。設備型式、工場パラメータ、設置場所、所属ライン、工程タクト、シフトなどです。これらはデータにラベルを付けるために使い、これがなければ山のような曲線は解釈できません。

2. データ収集は3つの必須条件を満たす必要がある

第一に、サンプリングレートが追いつくことです。温度や電流のような緩やかに変化する変数は、数秒から数分に1回のサンプリングで問題ありません。振動信号は違います。スペクトル解析には少なくとも数kHzから数十kHzが必要で、そうでなければ初期の軸受故障は捉えられません。

第二に、時刻が同期していることです。異なるセンサー、異なるシステムのタイムスタンプを統一する必要があります。ある電子工場の想定シナリオでは、マウンターの振動データとMESの停止記録が2分ずれており、モデルは正常な段取り替えを故障と誤判定し、誤報率がそのまま2倍になりました。

第三に、十分に長い履歴期間があることです。PHMで最も避けたいのは、稼働した瞬間を予測してしまうことです。少なくとも3~6か月の連続データを蓄積し、異なるシフト、異なる運転条件、異なる季節をカバーします。自動車部品業界のプレス機では作動油温が夏と冬で大きく異なり、通年データがなければ季節が変わるたびにモデルがドリフトします。

3. データ品質はデータ量よりも重要

多くの工場はセンサーを大量に設置していますが、データは使えない状態です。よくある問題は欠損、ドリフト、誤ラベルの3つだけです。

欠損は分かりやすい問題で、ネットワーク断やゲートウェイの再起動でデータに穴が空きます。ドリフトはより厄介で、長期間使ううちにセンサーの零点がずれ、正常に見える温度が実際には5~6度ずれていることがあります。誤ラベルは最悪で、修理作業指示に電気故障と書かれていても実際の原因が機械的な噛み込みであれば、モデルが学ぶ内容はすべて反転します。

実務的には、稼働前にデータ健全性チェックを行うことを勧めます。欠損率、外れ値の割合、ラベル分布を確認します。欠損が5%を超える測定点は、モデリングを論じる前にまず収集を直します。ラベルが乱れている場合は、まず保全チームと定義をすり合わせます。

4. データ基盤は設備種別によって大きく異なる

モーター、ポンプ、ファン、コンプレッサーなどの回転機は、振動+温度+電流に注目します。この組み合わせが最も成熟しています。プレス機や射出成形機などの往復動機は、圧力、変位、電流波形に注目し、振動は二次的な扱いです。変圧器や開閉器などの電気設備は、部分放電、赤外線、負荷電流に注目します。

ある自動車部品会社がプレスラインにPHMを導入する場合、データ基盤は次のようになります。主モーターの電流波形、油圧系統の圧力、スライド変位、金型温度、1ストロークあたりのカウントです。振動センサーを禁じるわけではありませんが、優先順位はこれらより下になります。

5. まとめの提案

PHMは、残存寿命予測のような高度な目標を追うところから始めないでください。まずデータ基盤を固めます。適切な測定点、十分なサンプリングレート、時刻同期、クリーンなラベル、十分に長い履歴です。そのうえで異常検知と故障分類から始め、それが安定して回ってからRUL予測に進みます。

ベンダー側として、3,200以上のエンドポイントと15以上の業界にわたる120社超のお客様との実践を積み重ねてきた中で、PHMプロジェクトが失敗する最も多い理由は、アルゴリズムの弱さではなく、データの土台ができる前にモデルへ飛びついてしまうことです。最初に2か月かけてデータパイプラインとラベリング体系を整えることは、後から何度もチューニングを繰り返すよりはるかに効果的です。

分野: AI-FAQ