予知保全AIの事例5選|異常検知との違いと必要なデータ・始め方

予知保全AIの事例5選|異常検知との違いと必要なデータ・始め方

記事の要約

  • 予知保全とは、設備の状態データから故障の兆候をつかみ、壊れる前の適切な時期に保全する方式で、異常検知はそれを支える手段の一つです。
  • 公表事例では、デンカ青海工場でライン全体を止める回転機械の重大トラブルが年20件から11件に減るなど、効果はトラブル件数や検査時間で示されています。
  • 始め方は、停止損失が大きく兆候を測れる設備を1種類選び、導入前の停止件数と点検時間を実測したうえで、検知後の判断と作業指示まで含めて小さく試すことです。

予知保全とは、振動や温度などのデータから設備の故障の兆候をつかみ、壊れる前に保全する方式です。予兆保全とも呼ばれます。「突発停止のたびに夜間の呼び出しがかかる」現場の悩みに応えます。

本記事では、予知保全AIの事例を企業の公式発表とNEDOの資料から5件取り上げ、異常検知との違い、必要なデータとセンサ、効果の目安を整理します。

東京大学松尾研発のAIスタートアップとして製造業・エネルギー分野のAI開発を手がける弊社の視点も交えて解説します。

予知保全とは?予防保全・事後保全との違い

予知保全とは?予防保全・事後保全との違いの解説図

予知保全とは、設備の状態データから故障の兆候をつかみ、壊れる前に保全する方式です。状態に応じて保全の時期を決めるため、状態基準保全(CBM)とも呼ばれます。

保全の方式は、手を入れる時期の決め方で3つに分かれます。JIS Z 8115の用語では、状態を見て行う保全も予防保全の一種に分類されます。本記事では分かりやすさのため、時間基準を予防保全、状態基準を予知保全と呼び分けます。

方式時期の決め方向く設備弱点
事後保全故障してから修理する止まっても影響が小さい設備突発停止と緊急対応が起きる
予防保全(時間基準)稼働時間や期間で定期的に点検・交換する劣化が安定した設備、法定点検過剰な交換と、周期の間の故障
予知保全(状態基準)振動・温度などのデータで兆候を検知して決める止まると損失が大きい設備センサと判断ルールの整備が要る

時間基準で時期がずれるのは、同じ型式でも劣化の速さが負荷や環境で変わるためです。周期を短くすれば過剰な交換が増え、長くすれば周期の間に壊れる設備が出てきます。

現場では「点検では異常なしだったのに翌週に軸受が焼き付いた」「交換した部品にほとんど摩耗がなかった」という形で表れます。

ただし、全設備を予知保全に切り替える必要はありません。影響の小さい設備は事後保全、法定点検は時間基準のまま残し、停止損失の大きい設備から状態基準に移すのが現実的です。

予知保全と異常検知の違い|異常検知は手段、予知保全は運用

予知保全と異常検知の違い|異常検知は手段、予知保全は運用の解説図

予知保全と異常検知は、目的と手段の関係にあります。異常検知は「いつもと違う」を見つける手段で、予知保全はその結果で保全の時期と内容を決める運用です。

弊社の整理では、予知保全はデータの収集、異常の検知、原因の診断、残り寿命の見積もり、保全計画への反映という順に進みます。異常検知はこの2段目にあたり、検知だけでは保全のやり方は変わりません。

従来のしきい値監視は、1つの値が上限を超えたら知らせます。運転条件で正常値が動く設備では上限を高めに取るため、超えた時点では劣化が進んでいます。

AI(機械学習)は正常時の複数の値の関係を学習し、どの値も上限内でも関係が崩れた段階で知らせます。1つの値で兆候が読める設備はしきい値監視で足り、AIは複数の値を見る設備に使います。

検知だけを導入した現場では、アラームが鳴っても誰が何を判断するか決まっていないことがあります。通知が積み上がるうちに現場が見なくなり、定期点検に戻ることもあります。

そのため予知保全AIを選ぶときは、検知精度だけでなくアラーム後の判断と作業指示までの流れを同時に設計します。

異常検知の手法の違いは「異常検知AIとは?手法の比較・導入事例5社と失敗しない進め方」で解説しています。

予知保全AIの導入事例5選|製造・鉄道・電力・プラント

予知保全AIの導入事例5選|製造・鉄道・電力・プラントの解説図

導入事例は、デンカの回転機械、東京メトロの変電所、関西電力の火力発電所、東芝エネルギーシステムズが実証した地熱発電所、大阪ガスリキッドの水素製造装置の5件で、公表された効果は停止・トラブルの件数と検査時間で測られています。

このうちデンカの事例は発表にAIの語がなく、東京メトロは検証の段階です。製造業の工場はデンカの1件ですが、ほかの事例も監視の対象は受変電設備や連続運転する設備なので、工場の同じ種類の設備に置き換えて読めます。

1. デンカ青海工場:回転機械の重大トラブルを年20件から11件へ45%削減

デンカは新潟県の青海工場で、モーターやポンプなど回転機械の状態を無線センサで継続的に監視しています。導入前は時間基準と事後保全が中心で、設備の状態を連続して見られないことが突発停止の原因でした。

ABBの発表にAIの語はなく、センサで集めた振動などのデータを分析して異常の兆候を捉える予知保全の例です。防爆認証のある無線センサを既存設備に後付けして配線工事を避け、監視対象は2022年の試験導入8台から2026年時点で277台に広がりました。

ライン全体を止める重大トラブルは、導入前の年20件から2025年は11件に減りました。監視対象設備では計画外停止の約90%を防いだとされています。

11件のうち監視対象の設備で起きたのは1件だけです。効果は監視している設備に表れることを示しており、対象を段階的に広げる判断の根拠になります。

2. 東京メトロ:変電所の保守をCBM化し、検査時間を最大60%程度削減する見込み

東京メトロは2026年5月、鉄道変電所・電気室の保守を遠隔化・CBM化すると発表しました。背景には、人手による定期の現地検査を続けにくくなっている事情があります。映像・温湿度・部分放電(=絶縁劣化で起きる微小な放電)などをセンサで集め、AIで予兆を分析します。

2026年度は千代田線代々木変電所の周辺を重点地域として各種検証を進め、現地作業と移動の削減で検査時間を最大60%程度短縮する見込みです。工場でいえば、離れた受変電設備の巡回点検にかかる時間です。

3. 関西電力:火力発電所4か所で異常予兆検知システムが稼働

関西電力とアズビルは、大規模プロセスへのAI導入で構築・維持管理の手間と機器の多様さを課題に挙げ、2021年9月に共同開発を始めました。

2023年6月に、異常予兆検知システム「BiG EYES」の拡張ソフトで、火力発電の運用ノウハウを集約した「BiG EYES plus」の販売開始と業務提携を発表しました。

関西電力は、運転データを常時監視する「BiG EYES」を火力発電所4か所に導入し、2025年1月から稼働させています。効果の数字は公表されていません。

4. 東芝エネルギーシステムズ(NEDO事業):地熱発電所のトラブル発生率を20%以上抑制

地熱発電は、設備の老朽化やスケール(=蒸気の成分が固まった付着物)の除去で停止が多い電源です。東芝エネルギーシステムズはNEDO事業として、インドネシアのパトハ地熱発電所で運転データを解析する予兆診断システムを2019年10月から2021年2月まで実証しました。

実証では、過去のトラブル事例に当てはめた評価で、トラブル発生率を20%以上抑制できることを確認し、2022年7月に有償サービスとして実用化されました。稼働後の実測ではなく、過去の停止を何件事前に捉えられたかにあたる数字です。

5. 大阪ガスリキッド:水素製造装置8か所14台に正常データ学習型の予兆検知を導入

大阪ガスリキッドは2020年4月から、水素製造装置「HYSERVE」の8か所14台にAIによる異常予兆検知を導入しています(宇部情報システム・大阪ガスとの共同発表)。

特徴は、トラブル時のデータではなく正常時の運転データだけで学習する方式です。故障の実例が少ない設備でも始められ、利用者が自ら再学習(=新しいデータでAIを学習し直すこと)できます。効果の数字は公表されていません。

5件のうち効果の数字が公表されているのは、次の3件です。

事例指標公表された数字
デンカ回転機械の重大トラブル件数年20件から11件(45%減)
東京メトロ変電所・電気室の検査時間最大60%程度の削減見込み
東芝エネルギーシステムズ地熱発電所のトラブル発生率20%以上抑制できることを確認

対象設備も測り方も異なるため、自社の目標値にそのまま置き換えることはできません。導入前の停止件数や点検時間を先に実測しておくことが、効果を示す前提です。

参照元:ABB株式会社「重大トラブルを45%削減:デンカ社がデータを最も強力な保全ツールへと転換した方法」(2026年10月)/東京メトロ「鉄道変電所・電気室の保守を遠隔化・CBM化します」(2026年5月)/アズビル株式会社「BiG EYESを関西電力の火力発電所4カ所に納入」(2025年6月)、「関西電力との業務提携に合意」(2023年6月)/NEDO「地熱発電所のトラブル発生率を20%以上抑制した予兆診断システムを完成」(2022年8月)/宇部情報システム「AIによる異常予兆検知システムの開発」(2022年3月)

予知保全に必要なデータとセンサ

予知保全に必要なデータとセンサの解説図

予知保全に必要なのは、劣化が最初に表れる物理量と、運転条件・保全履歴のデータです。この物理量は設備で異なるため、まず設備ごとに「どこに兆候が出るか」を調べます。たとえば軸受は、傷がつくと回転のたびに傷が当たり、振動の出方が変わります。

データ分かること向く設備の例
振動軸受の損傷、アンバランス、芯ずれモーター、ポンプ、減速機
温度過熱、潤滑不良、接触不良軸受、電気設備、制御盤
電流負荷の変化、駆動部の異常モーター駆動の搬送設備
音・超音波漏れ、摩擦、放電配管、バルブ、受変電設備
運転データ(圧力・流量など)運転状態のずれプラント、発電設備
保全履歴過去の故障と処置全設備(判断ルールの根拠)

プラントや発電所では、制御システムに蓄積済みの運転データから始められる場合があります。単体の回転機械は、センサの後付けが必要になりやすい設備です。

現場でよくある問題は、故障時のデータと保全記録がひも付いていないことです。部品交換の記録が紙の点検表にしか残っていないと、兆候と故障の関係を後から確かめられません。

故障の実例が少ない設備では、正常データで学習する異常検知から始めるのが向いています。検知後の点検結果を記録として積み上げるほど、診断や残り寿命の見積もりへ進む材料がそろいます。

製造現場のデータ活用の全体像は「製造業のAI・生成AI活用事例|失敗しない導入とROIの考え方」で整理しています。

予知保全AIの始め方|小さく試す3ステップ

予知保全AIの始め方|小さく試す3ステップの解説図

予知保全AIは、1種類の設備と1つの判断ルールから小さく始めるのが進めやすい方法です。全設備を一度に対象にすると、センサ費用とアラーム対応の負荷が先に膨らみ、効果が見える前に運用が止まりやすくなります。

次の3ステップは、事例を踏まえて弊社が勧める進め方です。対象を決めないと検証の合格条件も決まらないため、この順に進めます。

ステップ1. 停止損失が大きく、兆候を測れる設備を選ぶ

対象は、止まったときの損失が大きく、兆候を測れる設備から選びます。損失が小さいと費用を回収しにくく、兆候を測れないと検知できないためです。

この絞り込みを飛ばして広く始めると、どの設備で効果が出たのかを説明できず、次の投資判断ができなくなります。候補が複数あれば、突発停止で生産を止めた回数の多い設備を優先します。

ステップ2. 導入前の停止件数と点検時間を実測し、合格条件を決める

過去の記録から計画外停止の件数・停止時間・点検時間を集計し、PoC(=本番開発の前に小さく行う技術検証)の合格条件を数値で決めます。導入前の値が無いと、件数が減っても効果を示せません。

合格条件には検知精度だけでなく、停止の何日前に検知できれば計画に組み込めるかという業務側の条件も入れます。直前の検知では、部品の手配や計画停止に間に合わないためです。

感度を上げると見逃しは減りますが誤報が増え、誤報が続くと現場は通知を見なくなります。そのため「見逃してはいけない故障」と「許容できる誤報の頻度」を、保全担当者と先に決めておきます。

指標の決め方は「PoC評価指標の決め方|成功基準・KPI例と3層モデル2026」で解説しています。

ステップ3. アラーム後の判断と作業指示までを運用に組み込む

検知の通知を誰が受け、どの基準で点検・停止を決め、結果をどこに記録するかを決めます。現場で再学習できる仕組みにしておくと、設備の更新や運転条件の変化にも追随できます。

担当と基準が無いと、夜間の通知で設備を止める判断ができません。検証の期間中から、保全担当者が実際の通知で判断する場を設けることをおすすめします。

予知保全は設備データでの小さな検証から始めるのが近道だと弊社は考えています。この検証を支援するため、AI PoCサービス「ココロミ」(スリムプラン月々99万円〜・スタンダードプラン月々250万円〜)を提供しています。

Cyto-Factoとの取り組みでは、製造現場の機器画面をAI-OCRで読み取って記録を自動化する仕組みの開発を進めており、サンプル画像では認識精度100%を達成しています。センサを後付けしにくい設備でも、表示値をデータとして集める方法があります。

参照元:株式会社EQUES「Cyto-Facto 導入事例」

予知保全AIに関するよくある質問

予知保全AIに関するよくある質問

Q. 故障データがほとんど無い設備でも予知保全は始められますか?

始められます。正常時の運転データだけで学習し、外れた状態を兆候として捉える方式があり、大阪ガスリキッドの事例もこの方式です。

Q. 予知保全を導入すれば、定期点検はなくせますか?

すべてはなくせません。法定点検は時間基準で続け、予知保全では自主的に決めている点検周期や部品の交換時期を見直します。

Q. パッケージ製品と個別開発のどちらを選ぶべきですか?

汎用の回転機械はセンサと分析がセットのパッケージで始めやすく、独自の装置や、複数の運転データを組み合わせて判断する設備は個別開発が必要になる場合があります。

まとめ

まとめ

本記事の要点は次のとおりです。

  • 予知保全は状態データで保全時期を決める運用で、異常検知はその手段の一つにあたる
  • 公表事例の効果は停止・トラブル件数や検査時間で示され、デンカは回転機械の重大トラブルを45%減らした
  • 停止損失の大きい設備を1種類選び、導入前の値の実測と検知後の運用設計から小さく始める

自社設備のデータで予知保全を試せるか確かめたい段階でも、お気軽にご相談ください。最後までお読みいただき、ありがとうございました。

設備データでの予知保全を、小さく検証しませんか

AI PoCサービス「ココロミ」はスリムプラン月々99万円〜・スタンダードプラン月々250万円〜の月額制です。まずは無料相談からどうぞ。

一覧に戻る

まずはお気軽にご相談ください

お問い合わせはこちら