予知保全とは｜予防保全との違い・AIやIoTの仕組みと導入の基礎

予知保全とは、稼働中の設備の状態をセンサーで継続して捉え、故障の予兆を見つけて計画的にメンテナンスする保全方式です。英語ではPredictive Maintenance（PdM）と呼ばれます。設備が完全に壊れてから直すのではなく、壊れる前の小さな変化を捉えて先回りする点が、従来の保全との大きな違いになります。

予知保全で監視するのは、主に設備から出る物理的な兆候です。回転機であれば振動や軸受の温度、モーターであれば電流値、ポンプやファンであれば稼働音などが代表的な対象になります。これらの値は、部品が摩耗したり異常が進んだりすると、故障に至る前から少しずつ変化します。その変化を捉えることで、まだ動いている設備でも「あと数週間で危ない」といった予測ができるようになります。

製造業でこの方式が注目されるのは、設備の停止が直接損失につながるためです。生産ラインが突然止まれば、生産計画の遅れだけでなく、仕掛品の廃棄や納期遅延につながることもあります。装置産業のように24時間連続で稼働する設備では、1回の突発停止の損失が大きく、予兆を捉える価値が高まります。予知保全は、こうした「止まると困る設備」をデータで見守り続ける仕組みだと捉えると分かりやすくなります。

監視の対象は設備の種類によって変わります。回転機なら振動の周波数を解析して軸受の傷を捉える、変圧器や配電盤なら温度の上昇を捉える、製造設備なら稼働音や電流の波形から異常を捉える、といった形です。重要なのは「正常な状態がどんな数値か」を先に押さえておくことで、その基準があるからこそ、わずかなずれを異常として捉えられます。予知保全は、設備ごとに何を測れば故障の前触れが見えるかを見定める作業から始まる、と理解しておくと実務に近づきます。

なお、予知保全という言葉は「予兆保全」と表記されることもあり、ほぼ同じ意味で使われます。状態を見て先回りするという点では同じで、いずれもデータにもとづいて故障の前に手を打つ考え方を指します。

予知保全の位置づけは、保全方式の発展の流れの中で捉えると整理しやすくなります。製造現場の保全は、大きく事後保全・予防保全・予知保全の順で高度化してきました。それぞれコストとリスクのバランスが異なります。

事後保全は、設備が壊れてから修理する最もシンプルな方式です。壊れるまで使い切るため部品の無駄は少ない一方、いつ止まるか分からず、突発停止による損失が大きくなります。重要度の低い設備には合理的でも、止まると困る設備には不向きです。

予防保全は、故障を未然に防ぐために計画的にメンテナンスする方式で、さらに2つに分かれます。一つは時間基準保全（TBM）で、稼働時間や経過期間を基準に、状態にかかわらず定期的に部品を交換します。もう一つが状態基準保全（CBM）で、設備の実際の状態を見て、必要になったときにメンテナンスします。TBMは管理がしやすい反面、まだ使える部品も交換するため過剰保全になりやすく、逆に交換前に壊れるリスクも残ります。

予知保全は、このCBMをさらに進めた方式と位置づけられます。CBMが「今の状態に異常があるか」を捉えるのに対し、予知保全はAIやIoTを使い「このまま使うといつ頃壊れそうか」という将来の予測まで踏み込みます。状態監視の仕組みは国際的にも標準化が進んでおり、状態監視と診断に関する規格としてISO 13374などが整備されています。予知保全は、こうした状態監視の考え方に、データ分析による予測を加えた発展形だと理解すると、予防保全との違いがはっきりします。

コストの面でも、各方式は性格が異なります。事後保全は普段の費用を抑えられる代わりに、いざ壊れたときの損失が読めません。TBMは計画が立てやすい一方、まだ使える部品の交換という形で日常的に費用がかかり続けます。予知保全は初期にセンサーやシステムへの投資が必要ですが、軌道に乗れば過剰な交換と突発停止の両方を抑えられるため、長く使う基幹設備ほど投資を回収しやすくなります。どこに費用がかかるかが方式ごとに違うと理解すると、自社のどの設備にどの方式が合うかを判断しやすくなります。

どの方式が優れているという話ではなく、設備ごとに使い分けるのが実務的です。止まっても影響が小さい設備は事後保全、消耗が予測しやすい部品はTBM、停止損失が大きく兆候が出る設備は予知保全、というように、設備の重要度とデータの取りやすさで判断します。多くの工場では、すべての設備を予知保全にするのではなく、重要な設備だけを予知保全にし、ほかは予防保全や事後保全と組み合わせる形が現実的な落としどころになります。

予知保全は、IoTでデータを集め、それを蓄積し、AIで分析・予測するという流れで成り立ちます。この3つの工程がそろって初めて、予兆の検知が回り始めます。

最初の工程がデータ収集です。設備に振動センサーや温度センサー、電流センサーなどを取り付け、稼働中の状態を継続して測ります。IoT（モノのインターネット）は、これらのセンサーをネットワークでつなぎ、データを自動で集める仕組みを指します。人が見回って記録する代わりに、設備の状態を細かく取り続けられる点が、予知保全の土台になります。

センサーから得られるデータは、そのままでは扱いにくいことが多く、前処理が必要になります。たとえば振動のデータは、波形のまま見ても判断が難しいため、周波数ごとの成分に分解して、特定の周波数の変化から軸受の傷を読み取る、といった処理を行います。この前処理の良し悪しが、予兆を捉えられるかどうかを左右します。データを集める仕組みだけでなく、それをどう加工して意味のある指標にするかまでが、予知保全の仕組みに含まれると考えておく必要があります。

次が、集めたデータの蓄積と分析です。正常に動いているときのデータをためておき、そこから外れる変化をAIが捉えます。ここで使われる手法は大きく2種類に分かれます。一つは教師あり学習による故障予測で、過去の故障データを学習させ、同じような兆候が出たときに警告します。もう一つが教師なし学習による異常検知で、正常時のパターンを学び、そこから外れた状態を「いつもと違う」と捉えます。教師ありは正解にあたる故障データが要る分だけ準備のハードルが高く、教師なしは正常データだけで始められる代わりに、捉えた異常が本当に故障につながるかの見極めを運用で重ねる必要があります。

実務で重要になるのが、この2つの使い分けです。故障データが十分にたまっている設備なら教師あり学習で精度の高い予測ができますが、めったに壊れない設備では故障データ自体が集まりません。その場合は、正常データだけで学習できる異常検知の方が現実的になります。実際、製品の中には故障データがなくても学習できる方式を強みにするものがあり、たとえばImpulse（ブレインズテクノロジー）やNECのインバリアント分析は、故障データに頼らず正常状態からのずれを捉える考え方を採っています。自社の設備にどれだけ故障の履歴があるかが、手法選びの分かれ目になります。

多くの製造現場では、重要な設備ほど壊れないように手厚く保全しているため、皮肉なことに故障データが集まりにくいという事情があります。だからこそ、正常時のデータだけで学習できる異常検知の考え方が、製造業の予知保全で広く使われています。正常な状態を基準として覚えさせ、そこから外れた振る舞いを「いつもと違う」と捉えるため、どんな壊れ方をするかをあらかじめ知らなくても異常の兆候に気づけます。一方で、過去の故障パターンが豊富にある設備や、同じ型の設備を多数持つ場合は、教師あり学習で「この兆候が出たら何日後に壊れる」といった具体的な予測に踏み込めます。両者を組み合わせ、まず異常を広く捉え、繰り返し起きる故障については予測に育てていく進め方も現実的です。

もう一つ押さえておきたいのが、データを処理する場所です。設備の近くで即座に判断するエッジ処理と、クラウドに集めて分析する方式があります。リアルタイム性が必要な制御にはエッジ、複数拠点のデータをまとめて分析するならクラウド、というように使い分けます。OMRONのi-BELTのようにエッジでのリアルタイム異常検知を重視する製品もあれば、クラウド基盤で多拠点を統合する製品もあり、現場の要件によって適した形が変わります。エッジは通信が途切れても現場で判断できる強みがあり、クラウドは拠点をまたいだ比較や大規模なデータの分析に向く、という違いを押さえておくと選びやすくなります。

AIが予兆を捉える精度は、入れるデータの質と量に左右されます。センサーの取り付け位置がずれていたり、測る間隔が粗すぎたりすると、本来見えるはずの兆候を取りこぼします。逆に、正常時のデータが十分にそろっていれば、わずかな変化でも「いつもと違う」と捉えやすくなります。予知保全は高度なAIを入れれば自動で当たるものではなく、現場で適切にデータを取る設計があって初めて機能する、という前提を理解しておくことが、過度な期待による失敗を避けるうえで欠かせません。

予知保全の最大のメリットは、突発停止を減らせることです。故障の予兆を早く捉えられれば、生産計画に支障の出ないタイミングを選んでメンテナンスでき、ラインの突然の停止を避けられます。止まると損失の大きい設備ほど、この効果が金額に表れます。

保全コストの最適化も大きな効果です。時間基準の保全では、まだ使える部品も期間が来れば交換するため、部品や作業の無駄が出ます。予知保全なら、本当に必要になったときだけ手を打てるため、過剰な点検や部品交換を減らせます。突発停止による緊急対応のコストも抑えられます。緊急対応は休日や夜間の呼び出しを伴うことも多く、計画的なメンテナンスに切り替えられれば、現場の負担そのものを軽くできます。

熟練者のノウハウを引き継ぎやすくなる点も見逃せません。これまで「音が変わったら危ない」といった判断は、経験豊富な担当者の感覚に頼っていました。その判断基準をデータと結びつけて記録できれば、経験の浅い担当者でも異常の兆候に気づけるようになります。保全人材の高齢化や採用難に直面する工場では、この平準化の価値が高まります。

さらに、いつ・どの設備に・どんな兆候が出たかをデータとして残せるため、保全履歴のトレーサビリティが高まります。後から原因を振り返ったり、同じ型の設備に横展開したりする際の手がかりになります。複数の拠点で同じ設備を使っている場合、一つの工場で見つかった予兆のパターンを他の工場にも適用できれば、横展開のスピードが上がります。

これらのメリットは、互いに連動して効いてきます。突発停止が減れば緊急対応の人手が減り、その分を分析やしきい値の調整に回せます。データが積み上がるほど予測の精度が上がり、さらに無駄な点検が減る、という良い循環が生まれます。ただし、こうした効果はすぐに出るものではなく、データをためて運用を回しながら徐々に表れる点には注意が必要です。短期の費用対効果だけで判断すると、本来得られるはずの効果を取りこぼすことになります。

予知保全には相応のコストと前提条件があり、すべての設備で効果が出るわけではありません。導入を検討する前に、限界も押さえておく必要があります。

まず、初期投資がかかります。センサーの設置、データを集めるネットワーク、分析するためのシステムが必要で、設備の数が多いほど費用は膨らみます。停止損失の小さい設備にまで一律に導入すると、投資に見合う効果が出ないこともあります。

次に、効果が出るまでにデータの蓄積期間が必要です。AIが予兆を学ぶには、正常時のデータや、できれば故障に至るまでのデータが要ります。導入してすぐに高い精度が出るわけではなく、数か月から年単位でデータをためながら精度を上げていく前提で考える必要があります。この期間を見込まずに「すぐ効果が出る」と期待すると、評価を見誤ります。

誤検知と見逃しのリスクも残ります。実際には問題ないのに警告が出れば、無駄な点検が増えて現場の信頼を失います。逆に予兆を捉えきれず故障が起きれば、システムへの不信につながります。検知のしきい値をどう設定するかは運用しながら調整する作業で、最初から完璧には決まりません。

運用を支える人材も課題です。データを見て判断し、しきい値を調整し、現場と連携する役割が要ります。専任の担当者を置けない場合は、運用をどう回すかをあらかじめ設計しておかないと、システムを入れても使われないまま終わるおそれがあります。導入そのものより、その後の運用の方が成否を分けるといえます。人材が手薄な場合は、ベンダーの運用支援やコンサルティングをどこまで受けられるかを、製品選びの段階で確認しておくと安心です。

もう一つ見落としやすいのが、既存の設備や制御システムとの相性です。古い設備にはそもそもセンサーを付けられなかったり、データを外部に取り出せなかったりすることがあります。導入を決める前に、対象設備からデータを取れる状態にできるかを確認しておかないと、計画が途中で止まります。これらのデメリットは、いずれも事前の見極めで避けられるものが多く、最初の対象選定とデータ取得の設計に時間をかけることが、結果的に近道になります。

予知保全は、設備の特性によって効果の出やすさが大きく変わります。自社のどの設備から検討すべきかを見極めるために、向き・不向きの判断軸を整理します。

向いているのは、まず停止損失が大きい設備です。連続稼働するプラントや、止まると後工程まで影響する基幹設備は、突発停止を1回防ぐだけで投資が回収しやすくなります。次に、故障の前に兆候が出る設備です。ポンプやモーター、ファンといった回転機は、軸受の摩耗などが振動や温度の変化として表れやすく、予兆を捉えやすい代表例になります。さらに、センサーを取り付けやすく、データを継続して取れる設備も向いています。

逆に向きにくいのは、突発的に壊れて予兆がほとんど出ない故障モードの設備です。前触れなく壊れるタイプは、いくらデータを集めても予測が難しくなります。また、極端に台数が少ない設備や、止まっても影響が小さい設備は、投資に見合う効果が出にくくなります。センサーが付けにくい、あるいはデータがそもそも取れない古い設備も、まずは計測の手段から検討する必要があります。電子部品のように、劣化が進まず一定の確率で突然故障するタイプの部品も、予兆を捉える前提が成り立ちにくく、予知保全の効果は限定的になります。

業種で見ると、化学・石油・電力といった装置産業は、連続稼働する大型設備が多く停止損失も大きいため、予知保全の効果が出やすい代表例です。食品や医薬品の工場でも、冷凍機や充填機など止まると製品の廃棄につながる設備で効果が見込めます。自動車や電子機器のように加工ラインを多く持つ業種では、ライン全体の中で特に止めたくない工程の設備から検討すると、投資の優先順位を付けやすくなります。同じ工場の中でも、設備ごとに向き・不向きが分かれるため、一律ではなく設備単位で判断することが現実的です。

判断に迷う場合は、停止したときの損失額と、予兆の出やすさの2軸で設備を並べてみると整理できます。損失が大きく、予兆も出やすい設備が最優先の候補です。自社に合う予知保全システムを具体的に探す場合は、ITトレンドの予知保全・故障予測システムカテゴリで、対象設備や分析手法などの条件から絞り込んで比較できます。

予知保全システムは、得意とする領域によっていくつかのタイプに分かれます。自社の規模や設備に合うタイプを知っておくと、製品選びの当たりがつけやすくなります。

一つは、設備の種類を問わず幅広く使える汎用の異常検知タイプです。ImpulseやNECのインバリアント分析のように、故障データに頼らず正常状態からのずれを捉える方式が含まれます。次に、専門知識がなくても予測モデルを作れるノーコードタイプがあり、Prediction One（ソニーネットワークコミュニケーションズ）のように手軽に試せる製品が該当します。中小規模でまず予測を試したい場合の入口になります。

FA機器と一体で導入するタイプもあります。OMRONのi-BELTのように、PLCやセンサーと組み合わせてエッジでリアルタイムに異常を捉える形で、生産設備の制御と保全を近づけたい場合に向きます。大規模にIT×OTを統合したいなら、日立のLumada Manufacturing Insightsのような包括的な基盤があります。既存設備に追加センサーを付けずに始めたい場合は、Siemens傘下のSenseyeのように既存のPLCデータを活用する製品も選択肢です。化学・石油・電力などのプロセス産業向けには、Aspen MtellやAVEVA Predictive Analytics、国内プラント向けには横河電機のOpreX Asset Health Insightsのように、重設備の状態監視に特化した製品があります。

導入は、いきなり全設備を対象にせず、段階的に進めるのが現実的です。まず停止損失と予兆の出やすさから対象設備を絞り込み、必要なセンサーを設置します。次に、正常時のデータを一定期間ためて、AIが学習できる状態を作ります。そのうえで、限られた範囲でPoC（試験導入）を行い、検知の精度や誤検知の頻度を確認します。ここで運用に耐えると判断できたら本番に移し、しきい値の調整や対象設備の拡大を続けていきます。最初から大きく構えるより、効果の見えやすい設備で実績を作ってから広げる進め方が、失敗を避けやすくなります。

PoCの段階では、どんな状態を「検知できた」とみなすかの基準を、関係者であらかじめ決めておくことが大切です。基準が曖昧なまま進めると、結果が出ても「成功なのか判断できない」という事態に陥ります。たとえば「過去に起きた故障と同じ兆候を、何日前に捉えられるか」を評価の指標にすると、効果を具体的に確認できます。あわせて、予兆を捉えたあとに誰がどう動くかという運用のルールも、本番に移る前に固めておくと、検知が現場の行動につながります。

システムを選ぶ際は、自社のデータの状況と運用体制を起点に考えると外しにくくなります。故障データがほとんどないなら異常検知型、分析の専任者を置けないならノーコードや運用支援の手厚い製品、既存のFA環境を活かしたいならその環境に対応した製品、というように、自社の前提に合うタイプから候補を絞ります。製品の機能の多さよりも、自社が無理なく運用を続けられるかどうかが、長く使ううえでは効いてきます。

予知保全とは、設備の状態をセンサーで捉え、AIで故障の予兆を予測して計画的にメンテナンスする保全方式です。「事後保全→時間基準保全→状態基準保全（CBM）→予知保全」という発展の流れの中で、データによる予測まで踏み込んだ最も高度な形にあたります。突発停止の削減や保全コストの最適化、熟練者ノウハウの平準化といったメリットがある一方、初期投資やデータ蓄積期間、誤検知のリスク、運用人材といった注意点もあわせて押さえておく必要があります。

効果が出やすいのは、停止損失が大きく、振動などの兆候が出る回転機を多く持つ設備です。逆に突発故障型の設備やデータが取れない設備には向きにくく、設備ごとの見極めが導入の前提になります。システムにも、汎用の異常検知、ノーコード予測、エッジFA統合、IT×OT大規模、プロセス産業特化など複数のタイプがあり、自社の規模と設備に合わせて選ぶことになります。

自社の設備に合うタイプが見えてきたら、次は具体的な製品の比較です。ITトレンドの予知保全・故障予測システムカテゴリで、対象設備や分析手法、価格帯などの条件から絞り込んで比較できます。