故障を予測できても、なぜ設備を止められないのか？――予知保全AIの始め方
設備停止を減らしたい。
突発故障を防ぎたい。
保全員の経験に頼った判断を減らしたい。
こうした課題を抱える工場では、予知保全AIに期待が寄せられています。
しかし、予知保全AIはPoCで止まりやすいテーマでもあります。理由は明確です。AIが「壊れそうです」と言っても、現場はそれだけでは動けないからです。
本当に必要なのは、故障確率ではありません。いつ、誰が、どの設備を、どのレベルで、どの生産影響を受け入れて止めるのかという判断です。
製造業では品質管理、予知保全、スキル不足対応がAI活用の重要テーマとして挙げられる一方、現場適応やレガシーシステム、データ活用不足が障壁になりやすいとされています。
アラートだけでは保全は動かない
予知保全AIのPoCで、設備の異常兆候を検知できたとします。振動、温度、電流、音、圧力などのデータから、通常と違う状態が見つかり、AIがアラートを出しました。
しかし現場では、そこで必ず止められるわけではありません。
今止めれば納期に影響するため、週末の定期停止まで待てないかと考えることもあります。部品の在庫がなかったり、保全員が別の対応に追われていたりする場合もあります。
過去に同じようなアラートが出ても、問題が起きなかった設備もあります。一方で、軽い兆候でも止めるべき設備もあるのです。
保全の判断は、故障確率だけではなく、生産影響、設備重要度、部品手配、作業員の空き、顧客納期、安全リスクを見て決まります。
予知保全AIで決めるべき判断レベル
予知保全AIを使うには、アラートを何段階に分けるかを決める必要があります。
「注意」は通常と違う兆候がある状態、「警戒」は劣化が進行する可能性がある状態です。「要対応」は故障・停止リスクが高い状態、「緊急」は安全・品質・停止リスクが高い状態として、次の対応につなげます。
このレベル設計がないと、AIアラートは現場のノイズになります。アラートが多すぎれば無視されます。少なすぎれば信用されません。
故障予測より重要な「保全アクション」
予知保全AIの価値は、故障を当てることだけではありません。故障前に適切なアクションを取れることです。
点検を前倒しする
部品を手配する
生産計画を組み替える
予備設備を準備する
保全員を割り当てる
安全確認を実施する
AIの出力がこれらのアクションにつながらなければ、現場では使われません。
特に重要なのは、保全部門だけで完結しないことです。設備を止める判断は、生産管理、製造、品質、営業に影響します。予知保全AIは、保全部門のツールではなく、工場全体の意思決定支援として設計する必要があります。
データがあっても判断できない理由
多くの工場には、センサーやPLC（設備の制御装置）のデータ、点検記録、故障履歴、作業日報があります。それでも、AIに使おうとすると、思ったより難しいことがあります。
理由は、データが「判断」に結びついていないからです。
たとえば故障履歴に「モーター交換」とだけ書かれていても、その前にどんな兆候があったのか、いつ異常に気づいたのか、なぜそのタイミングで止めたのか、どの部品が決め手だったのかは分かりません。点検記録に数値はあっても、保全員が「いつもと違う」と感じた理由が残っていない。
AIに必要なのは、データの量だけではありません。判断の前後関係です。異常兆候、解釈、判断、アクション、結果。この流れが残っていないと、AIは現場で使える助言を出しにくくなります。
最初のPoCは対象設備を絞る
予知保全AIを始めるなら、対象設備を絞るべきです。
全設備の故障を予測しようとすると、故障モードもデータもアクションも違いすぎます。最初は、生産影響が大きく、故障履歴があり、点検データがあり、保全アクションが明確な設備を選ぶのがよいです。
選定基準は次の通りです。
止まると生産影響が大きい
故障・劣化の兆候がデータに出やすい
過去の故障履歴がある
点検・保全アクションが決まっている
部品手配や計画停止の余地がある
現場がAIアラートを試せる運用余地がある
この条件を満たす設備から始めると、PoCが単なる検知精度の確認で終わらず、業務運用まで検証できます。
評価指標を変える
予知保全AIの評価指標も、故障予測精度だけでは足りません。
突発停止が減ったか
計画停止に置き換えられたか
部品手配のリードタイムを確保できたか
保全作業の優先順位づけが改善したか
アラート対応工数が増えすぎていないか
生産計画との調整が早くなったか
現場がアラートを信用できるようになったか
予知保全AIの目的は、故障を当てることではなく、止まり方を変えることです。突発停止を計画停止へ、場当たり的な対応を事前に準備した保全へ変えていきます。この観点で評価する必要があります。
現場が信用するアラートとは
現場が信用するアラートには、理由と行動があります。単に「異常です」と表示されるだけでは、判断材料が足りません。どのデータが通常と違うのか。過去のどの状態に似ているのか。放置すると何が起きる可能性があるのか。次に何を確認すべきか。
この情報があると、保全員は判断できます。逆に理由がなければ、アラートは増えるほど無視されます。
保全員の判断を記録する
予知保全AIで重要なのは、AIが出したアラートに対して保全員がどう判断したかを記録することです。
「様子見でよい」と判断したのか。「次回停止時に交換」としたのか。「即時停止」としたのか。その理由は振動値なのか、音なのか、過去経験なのか、生産計画なのか。
この判断記録が残ると、AIは現場に近づきます。データだけでなく、人が何を見てどう動いたかが学習材料になるからです。
予知保全AIの選定基準
予知保全AIをユースケースとして選ぶときは、設備重要度だけでなく、アクション可能性を見るべきです。
予測できても止められない設備や、部品を手配できない設備では、PoCで苦戦します。故障履歴がほとんどない設備や、アラートが出ても確認する方法がない設備も同様です。
逆に、劣化兆候があり、点検方法があり、部品手配や計画停止に余地がある設備は、AIの価値を出しやすくなります。予知保全AIは、故障しやすい設備ではなく、予測後に行動できる設備から始めるべきです。
生産計画との接続を最初に設計する
予知保全AIは、保全部門だけで閉じると効果が限定されます。設備を止める判断は、生産計画と必ずぶつかります。
だからこそ、アラートが出たときに生産管理へ何を渡すかを決める必要があります。停止推奨時期、想定作業時間、必要部品、放置した場合のリスク、代替ラインの可能性。これらがあれば、生産管理は計画変更を検討できます。
AIが保全アラートを出し、保全が判断し、生産管理が計画を変える。この流れが設計されて初めて、予知保全AIは突発停止削減につながります。
アラート疲れを防ぐ
予知保全AIでよくある失敗が、アラート疲れです。異常の可能性を広く拾いすぎると、現場は毎日多くのアラートを見ることになります。最初は丁寧に確認しても、そのうち見なくなります。
これを防ぐには、アラートの優先順位づけが必要です。設備重要度、故障影響、兆候の強さ、対応可能性を組み合わせ、対応すべき順番を示します。すべてを同じ重みで通知しないことが重要です。
効果をどう説明するか
予知保全AIの効果は、故障件数の減少だけでは測りにくい場合があります。故障はそもそも頻繁には起きないからです。
そこで、計画停止化率、緊急対応件数、部品手配リードタイム、点検優先順位の改善、アラート対応時間、設備停止による生産影響額などを併せて見る必要があります。
これにより、AIが「故障を当てたか」だけでなく、「保全業務と生産影響をどう変えたか」を評価できます。
業務成果から考える力を、実践で身につける
この記事で扱った論点は、単独のAIツール選定では終わりません。実務では、業務部門、DX部門、データ部門、現場責任者が同じテーブルで議論し、どのユースケースを先に検証するかを決める必要があります。
そのときに必要なのは、AIの機能説明ではなく、業務成果から逆算して問いを立てる力です。どのKPI（成果を測る指標）を変えるのか。どの判断を支援するのか。どのデータが必要か。どこに人の確認を残すのか。PoCでは何を合意し、本導入では何を変えるのか。
AIを使える人材ではなく、AIを業務成果に接続できる人材を育てることが、製造業のAI活用では決定的です。
保全ナレッジをどう残すか
予知保全AIでは、センサーデータだけでなく、保全員の判断記録が重要です。異常値を見たとき、経験者は数値だけを見ているわけではありません。設備の音、振動の出方、直近の負荷、前回点検時の違和感、季節要因、製品切替後の変化などを合わせて判断しています。
この判断を残すには、点検記録の書き方を変える必要があります。「異常なし」「部品交換」だけでは不十分です。何を見て異常なしと判断したのか。交換を決めた決め手は何か。次回見るべきポイントは何か。こうした情報を残すことで、AIは現場の判断に近づきます。
PoCで現場に聞くべき問い
予知保全AIのPoCでは、保全員に次の問いを聞くと、実装論点が見えます。
このアラートが出たら、実際に何を確認するか
どの設備ならすぐ止め、どの設備なら様子を見るか
部品手配に何日必要か
生産計画との調整は誰に相談するか
過去に似た兆候で何が起きたか
アラートが多すぎる場合、どの条件なら無視するか
これらの問いは、モデル改善以上に重要です。なぜなら、AI出力を現場アクションに変える条件そのものだからです。
小さな成功の作り方
予知保全AIの最初の成功は、大規模な停止削減でなくても構いません。たとえば、点検の優先順位をつけやすくなったり、部品の手配が早くなったりすることです。停止前に生産管理へ相談できたことや、保全会議で設備の状態を説明しやすくなったことも成果になります。
こうした小さな成功を積み上げることで、現場の信頼が生まれます。予知保全AIは、最初から完全自動化を狙うより、保全判断の質を上げる支援として始める方が定着しやすいのです。
まとめ
予知保全AIが現場で使われない理由は、故障予測が弱いからだけではありません。AIの出力が保全アクション、生産計画、責任分界に接続していないからです。
故障確率を出すだけでは、現場は動けません。必要なのは、アラートレベル、対応アクション、対象設備、判断責任、評価指標を設計することです。
求められる人材は、AIモデルを見る人ではなく、現場が動けるユースケースに落とし込める人です。予知保全AIこそ、その力が問われるテーマです。
参考情報
AIの活用を、テーマ選びから実践へ
自社のどの業務にAIを活かすか。選んだテーマをどう実現し、現場で使い続けられるようにするか。
AILでは、人材育成、実践知の蓄積・活用、導入に向けたコンサルティング、プロダクトの提供を通じて、企業のAI活用を支援しています。自社の課題に合った支援を、サービス紹介ページでご覧いただけます。
AI Librariumについて
本記事は、AI Librarium（アイブリウム）株式会社が発信しています。
AILは、専門家の知見や判断基準を、実務で使えるAI Skillとして届け、研修やコンサルティングを通じて企業の業務変革を支援します。その実践で得られた成果や課題を、AI Skillの改善と人材育成に活かし、次の変革につなげていくことを目指しています。
