1 予測保全の概要
予測保全は、設備の運転データや状態に関する観測情報を基に、故障の発生時期や不具合の進行度を推定し、故障が顕在化する前に点検・整備・部品交換などを計画する保全手法である。従来の「時間（あるいは稼働回数）で区切る保全」や「壊れてから修理する保全」と比べ、計画の精度を高めて、無駄な作業を抑えつつ、突発停止や品質逸脱のリスクを低減することを狙う。
近年は、センサーの低コスト化、状態監視の標準化、データ解析基盤、エッジ処理の普及によって、導入の現実性が高まっている。推定結果はアラートとして現場に提示されることが多いが、最終的な判断と作業実行は人の運用に依存する部分が大きく、データ解析と保全業務の接続設計が成否を左右する。
1.1 目的と期待効果
予測保全の主目的は、故障に伴う損失を最小化し、設備稼働の継続性を高めることである。典型的な期待効果として、(1) 故障や劣化の兆候を早期に捉えることで計画停止に切り替えやすくなる、(2) 本当に必要なときに点検・交換を実施でき、過剰な予防交換を減らせる、(3) 予備品や作業人員の手配を計画的に行える、(4) 不具合原因の再発防止につながる知見を蓄積できる、などが挙げられる。
また、品質面では、故障の前段階で状態が崩れる場合に、製品のばらつきや不良発生を抑制しやすい。安全面では、危険な破損が起きる前に点検を回すことで、事故リスクを低減する方向に働く。コスト面では、保全費だけでなくダウンタイム損失や機会損失を含めた総合最適化を目指す考え方が一般的である。
1.2 保全方式との比較
予測保全は、保全判断の根拠を「時間」「故障の事後」「状態の推定」に置く点で他方式と区別される。同じ保全でも、データの扱い方と意思決定の流れが異なるため、期待効果も現れ方が変わる。
1.2.1 定期保全との違い
定期保全は、設備の寿命や故障頻度を統計的に見積もり、経過時間や稼働回数に基づいて点検・交換を実施する。予測保全が前提とするのは、同種設備であっても使用条件や運転環境の差により劣化の進み方が異なるという不均一性である。結果として、定期保全は安全側に倒れて過剰作業になりやすい一方、予測保全は状態に応じた作業タイミングの調整を可能にする。
ただし、定期保全は運用ルールが比較的単純で、データ基盤が不要である場合も多い。予測保全の導入では、センサー設置やデータ収集の立ち上げ、モデルの維持にコストがかかるため、対象の重要度や改善余地を見極める必要がある。
1.2.2 事後保全との違い
事後保全は、故障が起きてから修理する方式であり、設備が突然停止する可能性が高い。予測保全では、劣化の進行を推定することで「故障の前」に介入するため、突発停止の頻度や発生タイミングの不確実性を下げる方向に働く。
一方で、予測保全は「常に正しく当てる」ことを保証する設計ではない。誤警報による無駄な点検や、見逃しによる事故リスクなど、意思決定の誤差を管理する枠組みが必要となる。したがって事後保全との差は、単に故障を減らすことだけでなく、運用上のリスク配分を変えることにある。
1.2.3 状態基盤保全との関係
状態基盤保全は、設備の状態を直接または間接的に観測し、保全判断に活用する考え方である。予測保全はその一種として扱われることが多く、観測値から「状態」を評価するだけでなく、将来の故障時期や残存寿命の見積もりまで行う点が特徴である。
実装面では、状態指標の閾値で運用する段階から、機械学習や物理モデルで進行度を推定する段階まで幅がある。予測保全は、より踏み込んだ推定により計画性を高めるが、その分データと検証の負荷も増える傾向がある。
1.3 予測保全の基本概念
予測保全の中核は、(1) 状態に関するデータの取得、(2) データから故障に関する情報を抽出、(3) 将来のリスクを数値化、(4) 保全行動に結び付ける判断運用、の連鎖である。ここで重要なのは、解析モデルの出力をそのまま作業指示にするのではなく、設備の特性、停止条件、作業制約に合わせて意思決定へ変換する点である。
また、予測の対象は「完全な故障の予言」ではなく、故障が起きる確率や、劣化の進行度を示す指標である場合が多い。これにより、現場が取りうる手段（点検のみ、分解点検、交換、運転条件の変更など）に応じた階層的な対応が設計できる。
2 調査・設計（導入プロセス）
導入プロセスでは、技術の選定以前に「どの設備に」「何を目的として」「どんな精度と運用で」実装するかを定めることが重要である。ここを曖昧にすると、データ収集やモデル構築が目的から外れ、現場導入が成立しにくくなる。
2.1 対象設備の選定
予測保全の効果は対象設備の性質に強く依存する。すべての設備に同一のアプローチを適用するのではなく、優先順位付けを行い、改善インパクトが見込める範囲から開始するのが一般的である。
2.1.1 重要度評価（ダウンタイム・安全・品質）
対象設備の重要度は、(1) 停止した際の損失（生産停止、納期遅延、復旧コスト）、(2) 安全に対する影響、(3) 品質や顧客要件への影響、(4) 故障の発生頻度と予測可能性、などの観点で評価する。特に予測保全は、突発停止による損失が大きい領域で費用対効果が出やすい。
評価では、故障モードごとの影響度を整理し、単に故障件数の多い設備を選ぶだけでなく「故障したときの重さ」を重視する。さらに、観測可能な信号が既に存在するか（センサー有無、ログの整備状況）も現実的な可否に直結する。
2.1.2 故障モードと影響の整理
故障モードは、同一の部品でも複数の劣化経路があり得るため、分類と関連付けが必要である。例えば回転体では、アンバランス、摩耗、潤滑不良など異なる原因が似た症状を生む場合がある。予測保全では、目的の故障モード（あるいは故障カテゴリ）を明確にし、それに対する兆候信号を特定することが設計の出発点になる。
影響整理では、設備の停止が必要か、運転継続が可能か、品質逸脱がどの程度起きるかを決める。これにより、誤警報が許容できる範囲や、見逃し時の重大度が見積もれるため、後段の閾値設計や運用ルールが具体化される。
2.2 データ戦略の策定
予測保全の性能は、データの量だけでなく品質に左右される。データ戦略では、必要な情報を定め、収集の現実性と整合性を検証し、前処理の方針まで決める。
2.2.1 必要データの洗い出し
必要データには、運転状態（回転数、負荷、温度、圧力など）、環境条件、保全履歴、故障発生時刻、作業内容、交換部品の記録などが含まれる。どの項目が「兆候」につながるかは設備ごとに異なるため、過去の点検記録や不具合レポートを参照し、因果的に関係しうる変数を優先して選ぶ。
また、ラベル（故障の定義）も重要である。故障時刻の粒度、どの時点を「故障」とみなすか、同時期の複数作業がある場合の切り分けなど、学習データの整合性に直結する。
2.2.2 データ収集方法（センサー・ログ・履歴）
データ収集方法としては、新規にセンサーを追加する場合と、既存の制御データ・計測値・保全システムのログを活用する場合がある。加速度や電流などの振動・電気系は兆候を捉えやすい一方、取り付け位置やサンプリング条件の影響を受けやすい。ログ系は導入が速いことがあるが、取得頻度や欠損、時刻同期の問題が出やすい。
履歴データは、故障記録の欠落や表記ゆれが課題になりやすい。収集段階では、データのタイムスタンプ統一、設備識別子の整備、欠測や異常値の扱いルールの仮決めを行うと後工程が安定する。
2.2.3 データ品質と前処理
前処理では、欠測補完、外れ値処理、単位統一、時系列の整列、スケーリングなどを扱う。品質指標としては、欠損率、ノイズレベル、センサーのドリフト、イベント前後のデータ密度などが用いられる。
予測保全では、故障時点の前後にデータが欠けていると学習や評価が成立しにくい。さらに、運転条件の切替が混入すると、同じ劣化でも信号が変わって見えるため、運転モード別の分離や条件付き学習の設計が検討される。
2.3 評価指標と導入要件
モデルや運用の評価は、単なる予測精度に留まらない。コスト、ダウンタイム、人的負担を含めて、実務で意思決定が成立するかを判定する。
2.3.1 成功指標（精度・再現率・コスト）
成功指標は、(1) 再現率（見逃しを減らす観点）、(2) 適合率（無駄な介入を減らす観点）、(3) 予測のリードタイム（作業準備が可能な時間）、(4) コスト指標（点検回数、交換費、停止損失の合算）、(5) 性能の安定性（期間を跨いだ劣化）などで構成する。
予測保全は「最適な閾値」が現場の損失関数に依存するため、評価指標はビジネス目標と結びつける必要がある。例えば、安全上の制約が強い場合は見逃しを極小化する設計になり、多少の誤警報は許容されることがある。
2.3.2 運用要件（稼働停止の制約）
運用要件には、点検や交換が実施できる時間帯、停止の許容範囲、作業のリードタイム（部品調達や段取り）、現場の人員数と当日対応可否などが含まれる。予測が早すぎると無駄な保全が増え、遅すぎると停止回避ができないため、リードタイムの要件は特に重要である。
さらに、運転を続ける間に品質リスクが増大するかどうかを確認する必要がある。停止禁止に近い運用では、交換ではなく条件緩和や軽微点検など段階的な対応設計が求められる。
3 解析・予測手法
解析・予測手法は、データ駆動とモデル駆動、両者の組合せに大別できる。実装では対象設備の特性、データ量、物理的な知見の有無に応じて選択される。
3.1 機械学習による故障予測
機械学習は、故障に関連する特徴をデータから学習し、残存寿命や故障確率を推定するために用いられる。学習にはラベル（故障の定義と時刻）が必要であり、データ分布の変化に追随できるよう運用を前提とした設計が重要になる。
3.1.1 回帰による残存寿命推定
回帰では、対象の劣化指標や故障までの残り時間（残存寿命）を連続値として推定する。これにより、劣化の進行度を連続的に扱え、交換時期の計画に結びつけやすい。
ただし残存寿命は観測が難しく、故障まで観測できないデータ（打ち切り）を含む場合がある。学習設計では打ち切りの取り扱いを考慮し、推定結果を運用上の判断に変換する際の誤差幅を見積もることが重要である。
3.1.2 分類による故障確率推定
分類では、一定期間内に故障が起きるか、あるいは故障モードに属するかといった離散的な判定を行う。故障確率として出力できれば、リスクに応じて行動を階層化しやすい。
分類の利点は、ラベルの要件を相対的に満たしやすいケースがある点である。一方で、期間の切り方や正例・負例の比率によって性能が変動するため、評価設計と閾値の調整が不可欠となる。
3.2 兆候検知（アラート設計）
兆候検知では、特徴量やスコアの変化を監視し、アラートを出す仕組みを設計する。ここでの目的は、単にモデルを高精度にすることだけでなく、現場が扱える形に出力を整えることである。
3.2.1 特徴量抽出
特徴量抽出は、原データから兆候に関連する情報を要約する工程である。例として、統計量（平均、分散、歪度）、時間遅れに基づく指標、振動信号の周波数帯別エネルギー、温度の立ち上がり速度などが挙げられる。
特徴量は、故障の物理メカニズムに沿って設計することも、データから学習することも可能である。どの方式でも、特徴量の安定性（運転条件が変わっても意味が保たれるか）を検討する必要がある。
3.2.2 閾値・スコアリング
閾値・スコアリングでは、特徴量やモデル出力をアラート判定へ変換する。単一の固定閾値では誤警報が増える場合があるため、運転モード別や季節・環境条件別の補正、移動平均による平滑化、複数シグナルの統合などが用いられる。
スコアは解釈性と運用性が重要である。現場が理解しやすい形でリスクを段階化し、点検・交換のいずれに相当するかが明確になるほど、導入後の運用停滞が減る。
3.3 物理モデル・データ同化の考え方
物理モデルは、設備の力学・熱・流体などの関係式に基づき状態推定を行う。データ同化は、観測情報を物理モデルに取り込んで推定精度を高める考え方である。データが限られる場合に有効であり、解釈可能性が高まることがある。
3.3.1 モデルベース推定
モデルベース推定では、劣化や負荷に関する状態変数を設定し、測定値から状態を逆算する。例えば摩耗量や熱劣化の進行度などを状態として扱い、観測との整合性を用いて推定する。
利点は、学習に必要なデータ依存度を下げられる場合があること、また推定結果に物理的な意味を持たせやすい点である。課題としては、モデルパラメータの同定や、現実の運転条件の複雑さにより誤差が蓄積しやすい点が挙げられる。
3.3.2 ハイブリッドアプローチ
ハイブリッドアプローチは、物理モデルの知見とデータ駆動の推定を組み合わせる方法である。例えば、物理モデルで大まかな劣化進行を表しつつ、残差を機械学習で補正する、あるいは異なる信号源を統合して状態推定精度を上げる、といった設計が可能である。
現場では、センサーの欠測や運転条件の変動が避けられないため、ハイブリッドは頑健性を高める狙いで採用されることがある。ただし複雑さが増えるため、導入時の検証計画と運用負荷を見積もる必要がある。
3.4 異常検知と信号処理
異常検知は、故障ラベルが十分でない場合にも適用されやすい。正常データとの距離や逸脱度を指標化し、異常が疑われる区間を特定することで、予兆として活用する。
3.4.1 周波数・スペクトル解析
周波数・スペクトル解析では、振動や音響、電流などの時系列データを周波数領域へ変換し、特徴的な成分やエネルギー分布の変化を追跡する。回転機械では特定の次数に対応する成分が増減するため、兆候として利用されることが多い。
解析には、フーリエ変換やスペクトログラム、帯域フィルタリングなどが用いられる。信号処理では、サンプリング周波数や窓関数の選択、回転数の変動の扱いが結果に影響するため、前提条件の整備が重要である。
3.4.2 異常度の定義
異常度の定義では、統計的な距離、確率モデルに基づく逸脱スコア、教師なし学習による再構成誤差など、さまざまな方法がある。異常度は閾値でアラート化されるため、分布の理解とスコアの較正が必要になる。
運用では、異常度が高いことと「直ちに作業が必要であること」は同義ではない場合がある。そこで、異常度の時間的な継続や変化率を条件に加え、短時間のノイズ反応で点検が増えないよう設計するのが一般的である。
4 運用・改善（現場実装）
現場実装では、モデル精度だけでなく、判断プロセスと運用定着が鍵となる。アラートが出た後に誰が何をするか、どの記録が必要か、モデル更新をどう回すかを明確にする。
4.1 判断基準と保全計画
判断基準は、アラートを保全行動へ変換するルールである。現場の制約を踏まえ、点検や交換の優先順位、対応の段階を決める。
4.1.1 アラートから作業指示への手順
手順設計では、アラート受領から始まり、一次確認（追加データ確認や運転条件照合）、原因切り分けのための簡易点検、必要に応じた計画作業の起票、実施記録の回収、の流れを決める。単発アラートで即交換としない方針は、誤警報による損失を抑えることに寄与する。
また、アラートの優先度付けも重要である。リードタイムが短い場合や、設備重要度が高い場合は上位キューへ回し、対応遅延の影響を最小化する。連絡経路や通知頻度も含め、運用負荷を適正化する。
4.1.2 交換時期・点検頻度の最適化
交換時期の最適化では、推定された故障リスクと作業可能なタイミングを突き合わせる。例えば、交換には材料調達や停止計画が必要なため、リスクが閾値を超えた時点で即実施できないことがある。その場合、点検頻度を上げる、運転条件を抑制する、準備期間を先に確保するなど段階的対応を採る。
点検頻度は誤警報や人手の制約とも関係する。頻度が上がりすぎると現場の負担が増えるため、リスクの減衰や改善効果を考慮した運用設計が求められる。
4.2 モデルの検証と更新
予測保全は時間とともに性能が変化しうる。運転条件の変化、センサーの劣化、設備の更新などが原因である。検証と更新の仕組みを設けないと、モデルは「当たらなくなる」状態を放置することになりかねない。
4.2.1 学習データの妥当性確認
妥当性確認では、学習に用いたデータが設備の状態を適切に反映しているかを確認する。具体的には、故障ラベルの正確性、時刻同期、欠測の偏り、運転モードの混在、外れ値の扱いなどを再点検する。
加えて、学習データと運用データのギャップ（ドメインシフト）を評価する。運転条件が変わった場合に、従来の関係がそのまま成り立つとは限らないため、データ分布の差を検知し、必要なら再学習や手法変更を検討する。
4.2.2 モデルの性能監視と再学習
性能監視では、指標（誤警報率、見逃し率、アラートの分布、リードタイム達成率など）を定期的に観測する。運用開始後に「当たり始めたが徐々に外れる」場合、兆候の抽出が変化している可能性がある。
再学習は、一定期間ごと、あるいはデータの変化が閾値を超えたときに実施する。更新時には、過去のテスト期間での比較、モデルの解釈性維持、既存運用ルールへの影響を考慮し、急な挙動変化を避けるのが望ましい。
4.3 組織連携と業務フロー
予測保全は複数部門の連携で成立する。データ部門、保全、品質、生産計画、現場管理などの役割が噛み合わないと、モデルはあっても実作業へ到達しない。
4.3.1 現場・保全・品質・生産の役割分担
役割分担では、現場が一次確認や状況報告を行い、保全が点検手順や部品交換の判断を担い、品質が不良や工程条件への影響を評価し、生産が停止計画やスケジュール調整を担当する、といった整理が考えられる。責任範囲と意思決定権限を明確にし、アラート時の判断が迷わないようにする。
また、データの正当性を担保する担当も必要である。センサーの状態管理や計測設定の変更記録など、データの前提が壊れると解析結果が歪むため、運用側のガバナンスが求められる。
4.3.2 チケット管理と記録の整備
チケット管理では、アラートに紐づく作業依頼、実施結果、原因推定、交換部品、作業時間、再発有無などを一貫した形式で記録する。これにより、次のモデル改善の学習材料となるだけでなく、監査や説明責任にも対応しやすくなる。
記録の粒度は、作業判断の差異を後で再現できる程度に設定する。たとえば「点検したが異常なし」と「点検したが部分交換した」では意味が異なるため、結果分類の設計が重要である。
4.4 コスト・リスク管理
予測保全の運用は、誤警報と見逃しのトレードオフを管理する活動でもある。コストとリスクを見える化し、閾値や運用ルールに反映させることが必要となる。
4.4.1 誤警報と見逃しのバランス
誤警報（アラートが出るが故障しない）は点検負担を増やす。見逃し（故障前の警告が出ない）は停止や品質逸脱につながり得る。したがって閾値は一律の最適化ではなく、損失の重み付けによって決める。
運用上は、段階的対応によってバランスを調整することが多い。例えば、低リスクは簡易確認、高リスクは計画作業、極高リスクは優先停止準備といった階層化により、全アラートを同じ重さで扱わない設計が可能になる。
4.4.2 安全・品質への影響評価
安全・品質への影響評価では、故障前の状態がどの程度危険であり、どの品質指標に影響するかを把握する。危険度が高い設備や、工程が品質に直結する設備では、見逃しの許容が小さいため、性能目標が変わる。
また、予測保全による介入が品質に影響することもある。例えば交換や分解点検の作業自体がリスクやばらつきを生む場合があるため、作業方法の標準化や実施条件の管理を併せて行う必要がある。
4.5 よくある失敗と対策
導入で起こりやすい問題を前もって把握し、対策を用意することで、失敗の確率を下げられる。
4.5.1 データ不足・偏りへの対応
データ不足では、故障例が少なく学習が成立しにくい。対策としては、類似設備からの知見活用、寿命の近い期間の整理、異常検知の比重を上げる、データ拡張やシミュレーションを用いるなどが検討される。
データ偏りでは、特定運転条件のみデータが多い、特定の季節に偏っている、故障が特定の年次に偏っているなどが起こる。運用では、条件別にモデルを分ける、あるいは補正変数を導入することで、汎化性能を改善できる場合がある。
4.5.2 現場運用が続かない問題の解消
現場運用が続かない要因として、アラートが多すぎる、優先度が不明で判断が迷う、記録が面倒で学習に回らない、などがある。対策として、アラート頻度の抑制（平滑化や継続条件の導入）、意思決定手順の明文化、チケットの入力負担を減らすテンプレート化、教育とフィードバックの仕組み化が挙げられる。
また、導入初期の成功体験を作ることも有効である。まずは対象を絞り、小さな改善を積み重ねることで、現場が「使える」感覚を持ちやすくなる。運用定着はモデル精度と同程度に、設計と改善の継続で決まる。