予知保全AI入門｜振動・温度・音で異常検知の仕組み

「設備が壊れてからじゃ遅い。でも定期点検は手間がかかる。」
製造業の保全担当なら、誰もが抱えるジレンマです。

予知保全AIは、このジレンマを解決する切り札です。設備が壊れる前に「壊れそうな兆候」を捕えて、最適なタイミングで保全する。これが実現できれば、ダウンタイム激減＋保全コスト削減＋故障による事故ゼロ、という三拍子が揃います。

製造業20年の現場経験から断言します。5年後、予知保全AIを使いこなせない工場は競争力を失います。

この記事では、予知保全AIの仕組みから導入手順までを、初心者の方にもわかりやすく解説します。

読み終わるころには、こんなことがわかります。

振動・温度・音から異常を見つけるAIの仕組み
自社のどの設備に適用できるかの判断基準
失敗しない導入ステップ5段階

予知保全AIとは？従来保全との違い
予知保全AIの3大センサーと仕組み
予知保全AIが活躍する5つの設備タイプ
予知保全AI導入の5ステップ
失敗しないための3つの注意点
まとめ
よくある質問（Q&A）

予知保全AIとは？従来保全との違い

工場の保全には、大きく3つの方式があります。

1. 事後保全（Breakdown Maintenance）

壊れてから修理する方式。当然、突発停止＝大損害です。

2. 予防保全（Preventive Maintenance）

カレンダーや稼働時間ベースで「3ヶ月に1回」「2000時間ごと」と決めて点検・交換する方式。
無駄に部品を捨てたり、逆に交換前に壊れたりするデメリットあり。

3. 予知保全（Predictive Maintenance）

設備の状態をセンサーで常時監視し、AIが「異常になりそう」と予測した時だけ保全する方式。
無駄ゼロ＋故障ゼロを目指せる、究極の保全スタイルです。

業界では「PdM（Predictive Maintenance）」と呼ばれ、IoT＋AIで急速に普及しています。

予知保全AIの3大センサーと仕組み

予知保全AIで使われる主要なセンサーデータは、大きく3つです。

① 振動（Vibration）

回転機械（モーター・ポンプ・ファン）の異常を見つける最も実績ある手法。

検出できる異常：

ベアリングの摩耗・損傷
アンバランス（回転体の偏心）
ミスアラインメント（軸のずれ）
ギアの歯欠け

仕組み：振動データをFFT（高速フーリエ変換）で周波数解析し、特定周波数の異常ピークをAIが検出。
通常運転の正常波形を学習させ、異常時のパターンを判定します。

② 温度（Temperature）

電気系統や潤滑系統の異常検知に有効。

検出できる異常：

モーター巻線の絶縁劣化
ベアリングの過熱
電気端子の接続不良
油圧系統のオーバーロード

仕組み：サーモグラフィカメラや熱電対で温度変化を時系列で取得し、AIが季節変動・負荷変動を学習した上で「異常発熱」だけを検出。

③ 音（Acoustic）

人間の聴覚では捕えられない超音波領域の異常も検出可能。

検出できる異常：

配管・バルブからのリーク（漏れ）
ベアリング初期摩耗の高周波音
ギアの異音
ポンプのキャビテーション

仕組み：マイクで音を収集し、音響スペクトラム分析。AIが「正常な音」と「異常な音」のパターンを学習して判定します。

予知保全AIが活躍する5つの設備タイプ

設備タイプ①：回転機械（モーター・ポンプ・ファン・ブロワー）

最も導入しやすく効果も高い鉄板分野。振動センサーで90%以上の故障兆候が捕损できます。
ROI（投資回収）が見えやすく、PoCのスタートに最適。

設備タイプ②：CNC工作機械

主軸・送り軸・ATCの劣化を振動と電流で監視。
工具寿命予測も可能で、段取り時間の最適化に貢献。

設備タイプ③：射出成形機

油圧系統の温度＋圧力＋シリンダーの音から劣化検知。
金型保護・成形不良削減にも効きます。

設備タイプ④：搬送設備（コンベア・スタッカークレーン）

ローラーやチェーンの摩耗を振動と音で検知。物流系で導入が増加中。

設備タイプ⑤：プレス機械

プレスの打音解析でダイ（金型）の劣化、油圧異常を検出。
金型寿命管理＋安全性向上の両立。

💡 現場ノート②：中小製造業3社で見た予知保全の意外な効果

予知保全の主効果は「故障予防」だけだと思われがちですが、現場では「現場オペレーターの意識変革」が意外に大きいと感じています。A社：オペレーターが「振動データ」を見るようになり、設備を「指標で見る」意識が生まれた。B社：「この時期にこの振動」と予測できるようになったことで保全キャリアの魅力が上がり、離職率が下がった。C社：コストダウンだけでなく、「保全チームのプロ意識の向上」が長期メリット。この「意識変革効果」は経営陣に説明しにくいですが、もっと評価されて良い部分です。

予知保全AI導入の5ステップ

ステップ1：対象設備の選定（1ヶ月）

すべての設備を一度にAI化するのは無謀です。まず1台、ROIが見えやすい設備に絞るのが成功の鍵。

選定基準：

過去に高額な突発故障があった
重要度が高く、止められない
センサー設置が物理的に容易

ステップ2：センサー設置とIoTゲートウェイ構築（1～2ヶ月）

加速度センサー、温度センサー、マイクを設置。
データはエッジゲートウェイに集めて、クラウドに送信。

おすすめ製品：

振動：オムロンK6CM、エヌエスティ
温度：FLIR赤外線カメラ、Phicommサーモグラフィ
音：Sonelmics、エイブリック超音波センサー

ステップ3：データ収集（3～6ヶ月）

正常運転データを最低3ヶ月、できれば6ヶ月以上収集。季節変動や生産変動を含めるのが重要です。
この期間に故障が発生したら、その前後のデータは「金の卵」。絶対に捨てないでください。

ステップ4：AIモデルの学習・検証

クラウド側で機械学習モデルを構築。
代表的な手法：

異常検知：オートエンコーダ、Isolation Forest
故障予測：LSTM、Random Forest
残存寿命予測：Survival Analysis、RUL推定

💡 現場ノート③：半年データ収集後に判明した「データの嘘」

あるメーカーで振動データを半年収集していたところ、予期せぬ「データの嘘」が見つかりました。週末に設備を止めると、二週間の学習データに連続以上のスパイクが入り、「おかしなセンサー」としてAIが不良と値議を該意してしまう現象」。メーカー技術者と豊同して「出動・休止タイミングをデータにタグ付け」したことで解決。データは「所見」だけでは使えず、「状況タグ」が不可欠というレッスンを学びました。

社内に人材がいない場合は、メーカー（三菱・オムロン・横河）のSaaS型予知保全サービスを使うのが近道。

ステップ5：運用開始＋継続改善

アラート閾値を最初は緩めに設定し、誤検知が多すぎず／見逃しが少ないバランスを探る。
毎月モデルを再学習することで精度が向上します。

💡 現場ノート：センサー設置位置の失敗

ある中堅食品メーカーの予知保全PoC支援で、振動センサーをモーターフレームに取り付けたため、1ヶ月分のデータが使えず、多大な労力ロスを出してしまった事例があります。振動センサーは「モーター軸とベアリングに直接取り付ける」のが鉄則。フレームに付けると、他の振動や踍騒音と混ざり、データがノイズだらけになります。メーカー技術者に「設置位置を現場で一緒に決めてもらう」のが、データ品質を保つ近道です。