Column 03予防保全から予知保全へ ― 異常検知AIが変える設備管理

「壊れてから直す」のではなく、「壊れる前に手を打つ」。設備保全の基本的な考え方は、この方向へと進化を続けてきました。近年はさらに一歩進み、データと異常検知AIを使って故障の兆候そのものを先読みする「予知保全」が現実の選択肢になりつつあります。保全の考え方の変遷を整理しながら、その意味を捉え直します。

保全のかたち ― TBMとCBM

計画的な保全（予防保全）は、大きく二つの考え方に分けられます。

• TBM（時間基準保全）：稼働時間や暦日など、あらかじめ決めた周期で点検・交換を行う方式。管理はしやすい一方、まだ使える部品を交換する「過剰保全」や、周期の合間に起きる突発故障を防ぎきれないという弱点があります。
• CBM（状態基準保全）：温度・振動・圧力などの状態量を監視し、実際の劣化状態に応じて手を打つ方式。過剰な交換を抑えつつ、状態に即したタイミングで保全できます。

TBMは分かりやすく確実ですが、コストと突発故障の両面に課題が残ります。CBMはそれを補う考え方として広がってきました。

予知保全という次のステップ

CBMをさらに進め、蓄積したデータから「いつ・どのように異常が進行しそうか」を予測して先回りするのが予知保全です。単に現在の状態を見るだけでなく、変化の傾向やパターンから将来の故障リスクを見積もる点に特徴があります。

予知保全が機能すれば、突発停止による生産ロスを抑え、部品や人員を必要なタイミングに計画的に配分できます。保全は「守りのコスト」から「稼働を支える投資」へと位置づけが変わります。

鍵を握るデータ活用

予知保全の土台は、質のよいデータをいかに継続的に集められるかにあります。点検値、稼働データ、画像、温度分布——こうした情報が時系列で蓄積されてはじめて、変化の兆候を捉える分析が可能になります。

裏を返せば、点検記録が紙のまま散在していたり、記録の頻度や精度にばらつきがあったりすれば、そこから予兆を読み取ることは困難です。点検のデジタル化・自動化は、予知保全を実現するための前提条件でもあります。

異常検知AIができること

膨大なデータから、人が経験と勘で異常を見つけ続けるのには限界があります。ここで力を発揮するのが異常検知AIです。異常検知AIは、平常時のデータの「あるべき状態」を学習し、そこからの逸脱を捉えることで、人が見落としがちな微細な変化や予兆を可視化します。

• 画像や時系列データから、通常と異なるパターンを検出する
• 複数の指標を横断的に見て、単独では気づきにくい変化を捉える
• 異常の兆候を早期にアラートし、点検・対応の判断を支援する

AIはあくまで人の判断を支える道具です。最終的な保全の意思決定は人が担いますが、「どこに注目すべきか」を早く正確に示してくれることで、限られた保全リソースを効果的に振り向けられます。

まとめ

TBMからCBM、そして予知保全へ。この流れの本質は、勘と経験に頼る保全から、データにもとづく保全への移行です。点検のデジタル化でデータを整え、異常検知AIで予兆を捉える——その積み重ねが、突発故障の少ない安定した設備稼働につながります。まずは足元の点検記録をデータ化することから、予知保全への一歩が始まります。

←コラム一覧へ戻る