予知保全AIの出力は3段階、多くの工場は1段目で元が取れる

予知保全（状態基準保全、CBM）は、振動・電流・温度・音などの稼働データから設備の状態を判断し、壊れる前に保全行動を選ぶ方式です。壊れてから直す事後保全や、一定期間ごとに部品を替える時間基準の予防保全とは区別されます。

AIに期待するアウトプットは、段階的に次の3つに分かれます。

  1. 異常検知：いつもと違う状態を見つける（どこが悪いかまではわからない）
  2. 故障診断：どの部位の、どの故障モードかを推定する（軸受の外輪傷、アンバランス、ミスアライメントなど）
  3. 余寿命推定（RUL）：あと何時間・何サイクルで機能を失うかを推定する

段階が上がるほど、必要な故障データと専門知識が増えます。特に余寿命推定は、故障まで運転したデータが前提になり、実工場ではほとんど手に入りません。現実には、1段目の異常検知を保全計画（点検の前倒し、部品手配、停止計画）と連動させるだけで、停止損失の多くを抑えられます。ここを飛ばして余寿命推定を目標にしたプロジェクトは、データ不足で止まりやすくなります。

システム構成はISO 13374の6ブロックで考える

状態監視システムの構成は、ISO 13374（OSA-CBM）が定める6つの機能ブロックで整理できます。センサやクラウド分析、保全管理システムをどのベンダーが担うかを決めるときの共通言語として使えます。

データ取得、データ処理、状態検知、健全性評価、予後評価、保全推奨の6ブロックの流れ データ取得センサ・PLC データ処理FFT・特徴量 状態検知閾値・異常検知 健全性評価故障診断 予後評価余寿命推定 保全推奨作業指示・計画 AIが主に担う範囲（段階1→2→3） CMMS・MES連携 データ基盤・エッジ 出典：ISO 13374/OSA-CBMの機能ブロック（Ran et al.のサーベイより）をもとに編集部作成
ISO 13374の6ブロックと予知保全AIの3段階の対応。AIが担うのは中段、成果が出るかは最後のブロックで決まる。

AIが担うのは中段の状態検知・健全性評価・予後評価です。しかし成果が出るかどうかは、最後の保全推奨が保全管理システム（CMMS）やMESの作業指示につながっているかで決まります。アラームが保全担当者のスマートフォンに届くだけで、誰が・いつ・何をするかが決まっていない仕組みは、数か月で無視されるようになります。ブロックごとの詳細は予知保全システムの構成で解説しています。

公的調査の数字で見る効果と、その読み方

予知保全の効果は、ベンダーの事例値よりも公的機関の調査で全体像をつかむ方が安全です。

事後保全依存が低い層の計画外停止の少なさ
52.7%
NIST Thomas & Weiss（米国製造業の調査、2021年）
予知保全依存が高い群の計画外停止の少なさ（予防保全中心の群との比較）
18.5%
NIST Thomas & Weiss（2021年）
ランダムに起きる故障の割合
82%
ARC Advisory Group（Reliable誌のまとめ、2026年）

NIST（米国国立標準技術研究所）の調査では、事後保全への依存が低い上位層は高い層に比べて計画外停止が52.7%少なく、予知保全への依存が高い群は予防保全中心の群に比べて計画外停止が18.5%少なかったとされます。これは相関で、予知保全を入れれば自動的にその差が出るという意味ではありません。予知保全に取り組める工場は、もともと保全記録やデータ管理が整っている傾向がある点も考慮が必要です。

ARC Advisory Groupは故障の82%がランダムに起きるとしており、時間基準の部品交換だけでは大半の故障を防げない根拠として引用されます。一方、Deloitteが2017年の文書で示した「故障−70%」などの見出しの数字は出所が示されておらず、Reliable誌は信頼度を低いと評価しています。数字を稟議に使う場合は、出所と比較対象を必ず確認してください。費用対効果の計算方法は予知保全のROI試算で扱っています。

導入6ステップ

  1. 対象設備と故障モードを決める：止まると損失が大きい設備を重要度で選び、FMEA（故障モード影響解析）で主要な故障モードを洗い出す
  2. 故障モードごとにセンシングを選ぶ：回転機の軸受は振動、モータの電気的異常は電流、潤滑不良は温度や油分析など。取付位置とサンプリング周期もここで決める
  3. 正常運転のベースラインを集める：数週間から数か月。品種・負荷・回転数など運転条件を一緒に記録する
  4. 閾値と異常検知で運用を始める：ISO 20816の振動評価ゾーンのような固定閾値で一次アラームを出し、運転条件の変動が大きい設備だけ機械学習で補う
  5. 保全記録と照合してアラームを評価する：アラームが出た設備で実際に何が見つかったかを記録し、誤報率と見逃しを数える
  6. 診断・余寿命推定と作業指示連携へ広げる：故障事例が溜まった設備から診断へ進み、CMMSやMESの作業指示に自動でつなぐ

つまずきやすい点はデータより運用

予知保全AIが止まる理由は、故障事例が少なく評価できない、保全記録が自由記述で故障ラベルが作れない、センサの取付位置やサンプリング周期が不適切、アラームが多すぎて無視される、アラーム後の作業指示につながっていない、の5つにほぼ集約されます。技術選定よりも、保全部門の記録ルールとアラームの受け手を先に決める方が成功率は上がります。失敗の構造は予知保全AIが失敗する6つの理由で掘り下げています。

データ基盤の観点では、振動の生波形は数kHz以上と高頻度で、ヒストリアンの圧縮設定のまま保存すると特徴が失われます。高頻度データはエッジで特徴量に変換して送り、異常時だけ生波形を残す設計が一般的です。

よくある質問

予知保全と予防保全はどちらが良いのですか？

どちらかを選ぶものではありません。故障が経年で予測しやすい部品は予防保全、ランダムに起きる故障が多く停止損失が大きい設備は予知保全、止まっても影響が小さい設備は事後保全と、設備の重要度と故障モードで使い分けます。

故障データがほとんどない設備でも始められますか？

始められます。正常データだけで学習する異常検知から始め、アラームの結果を記録していくことで、診断に使える故障データが少しずつ溜まります。最初から故障分類や余寿命推定を目指さないことが前提です。

どのくらいの期間で効果がわかりますか？

ベースライン収集に数週間から数か月、その後アラームの有効性を評価するのに数か月が目安です。故障の頻度が低い設備では、回避した停止を実際に確認できるまで1年以上かかることもあるため、誤報率や点検工数など先行指標も合わせて追います。

この記事に出てくる用語

用語集（日・英・中）をすべて見る

この記事のテーマ
#予知保全#AI基礎#導入戦略

この記事を書いた人

株式会社サオス

株式会社サオス 製造DX部

DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。

運営者情報　編集方針　株式会社サオスのサイト