予知保全AI導入の進め方｜対象設備選定・データ収集・モデル運用・効果測定の実装ステップ

予知保全にAIを使う意味と現実

設備の突発故障による生産停止コストは、年間数千万〜数億円規模に達することがあります。時間基準保全（TBM）では防ぎきれない故障パターンが存在し、状態基準保全（CBM）の延長として予知保全（PdM）への移行が求められています。

予知保全は「壊れてから直す」「定期で交換する」から「兆候を捉えて最適なタイミングで対応する」への転換です。しかし「AIを入れれば予知保全ができる」は誤解です。データ収集設計から運用定着まで、段階的なステップが必要です。

本記事では、予知保全AI導入の全体ステップを5段階で整理します。対象設備の選定から、データ収集、モデル運用、効果測定までの実装手順を、現場で詰まりがちなポイントとあわせて解説します。技術導入のためのチェックリストとしてご活用ください。

Step 1：目的定義と対象設備の選定

全設備を一度に対象にするのは非現実的です。「故障時のインパクトが大きい設備」から優先的に着手するのが原則です。選定基準は「故障頻度 × 停止コスト × データ取得可能性」の3軸で評価します。

対象設備選定で陥りがちな落とし穴

「停止コストが大きいから」という理由だけで対象を決めると、データが取れない設備を選んでしまうケースがあります。データ取得性を選定基準に含めることで、実装段階での詰まりを未然に防げます。逆に、データ取得性ばかりを優先すると、ROIが見えづらいスモールスタートに留まり、経営層の支持を失うこともあります。3軸のバランスで判断することが重要です。

Step 2：データ収集とラベリング設計

予知保全AIの精度を決めるのは、モデルのアルゴリズムよりもデータの質と量です。どのセンサーから、どのような頻度でデータを収集するかの設計が、プロジェクト全体の成否を左右します。

代表的なセンサーデータと取得設計

ラベリング設計と「不均衡データ問題」

ラベリング設計では「不均衡データ問題」への対応が重要です。正常データは大量に取得できますが、異常データは故障発生時にしか得られません。最低6ヶ月〜1年のデータ蓄積期間を計画に組み込む必要があります。

• 正常データ：定常運転中のセンサー値。蓄積は容易だが、運転条件の多様性を網羅する必要がある
• 異常データ：故障前後のセンサー値。希少なため、過去の故障記録と保全ログを遡って収集することが重要
• 中間状態（劣化進行中）：最も価値が高いが取得困難。専門家のヒアリングで「あの頃から兆候があった」を特定し、過去ログから抽出する

Step 3：異常検知モデルの選定と構築

予知保全に使うモデルのアプローチは、大きく3つに分類できます。データ量と解釈性の要求度に応じて選定します。最初から最先端の手法に飛びつくと、現場の信頼を得られず頓挫するケースが多くなります。

段階的高度化のアプローチ

推奨は「まず統計的手法で始め、段階的に高度化する」アプローチです。最初から深層学習を導入すると、データ不足やブラックボックス性で現場の信頼を得にくくなります。

段階的高度化のメリットは、現場と一緒に学習曲線を上がれることです。統計的手法の管理図で「閾値超過＝注意」を体験した現場は、機械学習が出すスコアの意味も理解しやすくなります。逆に、いきなり深層学習のスコアだけを見せられた現場は「ブラックボックスが何か言っている」状態になり、アラートを無視する習慣が形成されます。

Step 4：アラート設計と現場運用

モデルの出力をそのまま現場に流すと、誤報の多さで信頼を失います。感度と誤報率のトレードオフを考慮したアラート設計が不可欠です。アラートは「3段階＋対応アクション付き」の設計が実務的です。

「オオカミ少年」を防ぐアラート設計

アラートを受け取る現場作業者が「何をすべきか」まで定義しておくことが重要です。アラートだけ出して対応が曖昧では、現場は「オオカミ少年」として無視するようになります。

導入初期は誤報率が高くなりがちです。最初の3ヶ月は「誤報も含めて全件記録し、運用しながら閾値を調整する」期間として設計します。誤報を減らすことを優先するあまり閾値を緩めすぎると、本物の故障を見逃すリスクが増えます。閾値調整の判断は、保全担当者と分析担当者の合議で行うのが望ましいです。

Step 5：効果測定とROI設計

予知保全AIの効果を測定するKPIは、故障予測精度だけではありません。経営判断に必要なROIを算出するための指標を事前に設計します。導入前にベースラインを測定しておくことが、効果証明の前提条件です。

ROI測定で押さえるべき2つのポイント

• **ベースラインの事前測定**：導入前に「計画外停止」の実績コストを記録しておく。比較のベースラインがなければ効果を証明できない。少なくとも導入12ヶ月前のデータが必要
• **間接効果の織り込み**：直接的な保全コスト削減だけでなく、生産機会損失の回避、部品在庫の最適化、保全担当者の工数削減なども総合的に評価する。これらを定量化できないと、経営層への投資継続提案が弱くなる

導入時の典型的なつまずきと対策

①データが足りない

最低6ヶ月のデータ蓄積期間を計画に組み込みます。蓄積期間中は統計的手法でベースラインを構築し、データが貯まった段階で機械学習に移行します。「データが揃ってからAIを始める」ではなく、「AI導入の準備としてデータ収集から始める」と位置付けることで、現場の納得感も高まります。

②モデルの精度が出ない

まず統計的手法（管理図等）で始め、段階的に高度化します。最初から深層学習を投入すると、データ不足でかえって精度が出ません。また、精度を上げるために過剰なチューニングを行うと、特定の条件にだけ適合する「過学習」状態になり、本番運用で精度が崩れます。

③現場が使わない

アラートの意味と対応アクションを現場と共同設計します。「AIが判断した」ではなく「この数値がこう変化したから」という根拠を示す設計が信頼獲得の鍵です。現場メンバーをモデル設計の初期から巻き込み、特徴量や閾値の合意形成を行うことで、「自分たちのモデル」として運用される状態をつくれます。

④ROIが見えない

導入前に「計画外停止」の実績コストを計測しておきます。比較のベースラインがなければ効果は証明できません。経営層への報告は「精度が向上した」ではなく「年間X万円の生産損失を回避した」という金額換算で行うことで、追加投資の議論につなげられます。

まとめ：予知保全は技術導入ではなく業務変革

• 予知保全AIは「壊れてから直す」から「兆候で対応する」への転換
• 対象設備は故障頻度×停止コスト×データ取得可能性の3軸で選定
• データ収集設計がプロジェクトの成否を左右する。最低6ヶ月の蓄積期間を計画に組み込む
• モデルは統計的手法から段階的に高度化。最初から深層学習に飛びつかない
• アラート設計は「何をすべきか」まで定義し、現場と共同設計する
• ROI設計は導入前のベースライン測定が前提。効果測定のKPIを事前に設定する

予知保全AIの導入は、アルゴリズムの選定よりも「データ収集設計」「現場運用設計」「効果測定設計」の3つの設計が成否を分けます。技術導入ではなく業務変革として取り組むことが、予知保全を定着させる条件です。

AIを使った予知保全は、単なる自動化ではなく、保全業務そのものの構造を変える取り組みです。本記事の5ステップを起点に、自社の対象設備とデータ環境を棚卸しすることから始めていただければと思います。