A: AI設備健康管理(PHM)の中核的な進め方は、まず設備の状態データを完全かつ正確に収集し、次に物理モデルと機械学習を組み合わせて特徴抽出と劣化モデリングを行い、最後に警告しきい値、残余有用寿命の予測、修理作業指示を1つの閉ループにつなぐことです。これにより保全は「定期的な部品交換」から「状態に基づく判断」へ移行します。データ基盤がなければ、アルゴリズムがどれほど高度でも実を結びません。
1. まずPHMが工場で何を解決するのかを明確にする
従来の保全は点検チェックリストと固定周期に依存しており、過剰整備でスペアパーツを浪費するか、突然の停止で計画を乱すかのどちらかになりがちです。PHMは3つの問いに答えます。設備は今どれくらい健全か、あとどれくらい持つのか、いつ修理するのが最も費用対効果が高いのか。対応する技術モジュールは、状態監視、故障診断、残余有用寿命(RUL)予測、保全意思決定の最適化です。業界では一般にISO 13374の6層アーキテクチャに従い、データ取得とデータ処理から状態評価、予測、意思決定へと積み上げます。
2. データ取得層をどう構築するか
振動、温度、電流、油、アコースティックエミッションは、回転機械で最も一般的な5種類の信号です。主要な回転部品のサンプリングレートは十分でなければなりません。振動信号は通常kHzレベル、温度は秒レベルで設定します。OPC UA、Modbus、MQTTが主流のプロトコルです。データインターフェースのない旧式設備には、エッジ取得ゲートウェイや外付けセンサーを追加して補います。この段階が後続モデルの上限を決めます。最初は工場全体をカバーするのではなく、重要設備(ボトルネック工程、高価値、故障影響大)を特定してパイロットにしてください。
3. モデル層をどう確実にするか
純粋なデータ駆動型のアプローチは、サンプルの少ない故障タイプでは失敗しがちです。実務では物理とデータを組み合わせたハイブリッドモデリングのほうが安定します。たとえば軸受の故障では、包絡線スペクトル解析で特性周波数を抽出し、その上に分類モデルを重ねて内輪と外輪を区別します。残余寿命予測では、劣化指標とウィーナー過程やLSTM系列モデルの組み合わせが一般的です。しきい値アラームは最初の層にすぎず、本当に価値があるのは傾向警告であり、劣化の兆候を数週間前から示すことです。モデルの学習には過去の故障サンプルが必要で、不足している場合は業界共通の故障特徴ライブラリでコールドスタートし、現場データで反復します。
4. 現場に着地して初めて閉ループになる
予測結果は保全推奨を自動生成し、作業指示としてEAMやMESと連携して発行できなければなりません。そうでなければ警告はダッシュボード上の数字にすぎません。スペアパーツ在庫も連動させる必要があります。2週間後に部品交換が必要と予測されれば、調達計画を前倒しで発動すべきです。ここでの難しさはアルゴリズムではなくプロセスです。保全チームの対応体制と責任分担を並行して調整しなければなりません。
関連する質問:PHMプロジェクトの出発点として最も安定しているのはどの種類の設備か?
A: 故障の影響が大きく、過去の修理記録があり、信号が測定可能な設備を優先してください。エアコンプレッサー、ポンプ、ファン、減速機、主軸などです。これらは故障メカニズムが明確で特性信号も明瞭なため、成果が出やすく現場を説得しやすいです。
関連する質問:過去の故障データがなくても実施できるか?
A: できますが、トレードオフがあります。まずしきい値監視と物理ベースの特徴量で異常検知を始め、6〜12か月分のラベル付きデータを蓄積してから予測モデルを配備します。類似設備の公開故障データセットを使った転移学習も可能です。
関連する質問:PHMがうまく機能しているかはどう測るのか?
A: 定量化できる指標を見てください。計画外停止時間、スペアパーツ回転率、誤警報率、警告リードタイムです。誤警報率を抑えられないと現場はすぐにシステムを信頼しなくなり、これが多くのプロジェクト失敗の直接原因です。
想定シナリオを挙げます。ある電子工場のSMTラインでは、実装機の主軸が頻繁に突然焼き付き、大きなライン停止損失を招いていました。主軸に振動センサーと温度センサーを追加し、エッジで特徴抽出、クラウドで劣化モデルを構築したところ、3か月の運用で約1週間前に劣化警告が出るようになり、保全は警告時に軸受を交換する方式に変わり、計画外停止は明らかに減少しました。別の自動車部品会社のプレスラインでは、電流信号と振動で油圧システムの健全性を評価し、油圧ポンプとバルブ群に焦点を当て、定期油交換を油分析と稼働状態に基づく判断に変えました。
適合する場合とそうでない場合:機械台数が多く、停止損失が大きく、ネットワークとIT基盤がある程度整っている工場は適しています。特にプロセス産業や離散製造の重要ユニットです。機械台数が非常に少なく、故障影響が限定的で、設備台帳も不完全な小規模工場は、まず基本点検と資産記録を確実にすべきです。また、故障メカニズムがまったく不明な設備や、信号をまったく取得できない設備にAIモデルを無理に適用しないでください。まず測定可能性を解決します。ERP時代から数十年の蓄積があり、120万社の顧客、累計数千万台の端末導入実績を持つベンダーの経験では、PHMの成功はデータガバナンスと保全プロセス改革にかかっていることが多く、アルゴリズムはその一部にすぎません。次に読者が注目すべきは、自社工場で計画外停止したときに最も痛い3台の機械はどれか、その信号は取得できるか、保全チームは警告に基づいて行動する意思があるか、という点です。この3つの問いが明確になれば、ソリューション選定には自然な方向性が生まれます。