閾値で足りる設備は多い、判断基準は運転条件の変動
予知保全の第一歩は、振動や温度に上限値を決めてアラームを出す閾値管理で十分なことが多いです。ISO 20816の振動評価ゾーンや温度の上限値は、説明しやすく、導入も速く、現場が理由を理解しやすいという利点があります。
閾値管理が苦手なのは、運転条件が変わる設備です。品種によって負荷が変わる、回転数が時間帯で変わる、季節で周囲温度が変わる、といった設備では、正常時の値そのものが動くため、一つの閾値では誤報か見逃しのどちらかが増えます。機械学習が力を発揮するのは主にこの領域です。
閾値管理と機械学習の比較
| 観点 | 固定閾値 | 機械学習（正常モデル） |
|---|---|---|
| 導入の速さ | 速い。設定値を決めればすぐ運用できる | 正常データの収集に数週間〜数か月 |
| 説明のしやすさ | 高い。「振動が○を超えた」 | 低い。異常度の根拠を別途示す工夫が要る |
| 運転条件の変化 | 弱い。条件ごとに閾値を分ける必要 | 条件を入力に入れれば対応できる |
| 初期兆候の検出 | 総合値が動くまで検出できない | 複数信号の組み合わせのずれで早く捉えられることがある |
| 運用の手間 | 閾値の見直し | 再学習、正常データの代表性の維持、モデル管理 |
実務では二者択一ではなく、閾値で一次アラームを出し、機械学習の異常度で優先度を付ける併用が多く見られます。振動監視での具体的な段階分けは振動データの予知保全AIを参照してください。
機械学習が要る4つの条件
次の条件のうち1つ以上に当てはまり、かつ閾値管理で誤報や見逃しが実際に問題になっている設備から、機械学習を検討してください。
- 運転条件の変動が大きい：品種・負荷・回転数・周囲温度で正常時の値が大きく変わり、条件別の閾値設定が現実的でない
- 複数の信号の関係で異常が現れる：振動単独では正常範囲でも、温度や電流との組み合わせで見ると異常、という故障モードがある
- 同型設備が多数ある：設備ごとに閾値を手で決める工数が大きく、同型機のデータをまとめて学習した方が効率的
- 総合値が動く前の初期兆候を捉えたい：停止損失が非常に大きく、数日でも早く気づく価値がある
逆に、設備が1台で運転条件がほぼ一定、故障モードが単純な場合は、機械学習を入れても閾値管理との差はほとんど出ません。
誤報率10%の壁：効果を消すのは見逃しより誤報
予知保全の失敗で見落とされがちなのが、誤報のコストです。McKinseyが2021年に挙げた例として、誤報率10%で、ある予知保全プログラムの節約効果が消えたケースが紹介されています（Reliable誌による二次情報で、原典の詳細は確認できていません）。
誤報1件ごとに、保全担当者が現場に出向いて点検する工数、場合によっては設備を止める損失が発生します。さらに深刻なのは、誤報が続くと担当者がアラームを信用しなくなり、本当の異常を見逃すことです。音の異常検知の国際コンペDCASE2020が、評価指標に誤報率の低い範囲での検出力（pAUC）を採用したのも、誤報が多いと現場の信頼を失うという同じ理由からです。
誤報率を設計指標に置く方法
誤報を後から減らそうとするのではなく、最初から設計の目標に入れます。
- 誤報の許容件数を決める：保全担当者の人数と業務量から、1か月に対応できる空振り点検の件数を決める。設備台数で割れば、1台あたりの許容誤報率が出る
- 誤報のコストを見積もる：1件あたりの点検工数と、点検のために設備を止める場合の損失
- 許容範囲で閾値を決める：正常データで閾値を動かし、誤報件数が許容範囲に収まる閾値を探す
- 検出力を評価する：その閾値で、過去の異常事例や疑似異常をどれだけ検出できたかを数える
- 結果を記録して見直す：アラームごとに「点検で何が見つかったか」を保全記録に残し、誤報率と的中率を毎月集計する
5番目の記録がないと、誤報か的中かを判断できず、閾値の見直しもできません。保全記録の書式に「アラームの結果」欄を設け、点検結果をコードで選べるようにしておくことが欠かせません。誤報の評価方法は異常検知の誤報を減らすで詳しく扱っています。
データ基盤の観点：運転条件を一緒に残す
閾値を運転条件別に分けるにも、機械学習で条件を入力に入れるにも、センサデータと同じ時刻の品種・負荷・回転数が必要です。これらはMESの作業実績や制御系のタグにあることが多く、センサデータと同じ時刻基準・同じ設備IDで結べるかが前提になります。時刻がずれていると、品種切り替えの瞬間のデータが前の品種として扱われ、誤報の原因になります。
よくある質問
機械学習を使えば誤報はなくなりますか？
なくなりません。機械学習でも閾値を決める必要があり、誤報と見逃しのトレードオフは残ります。運転条件の変化による誤報は減らせますが、正常データに含まれていない状態（新しい品種、季節の変化）が来ると誤報が出ます。
閾値はどのくらいの頻度で見直すべきですか？
最初の3か月は毎月、その後は四半期ごとが目安です。設備の改造、部品交換、新品種の追加など、正常状態が変わるイベントがあったときは、その都度見直します。
誤報率は何%以下を目標にすればよいですか？
一律の正解はありません。設備台数と保全担当者の対応能力で決まります。設備1,000台を監視し、1台あたり月1%の誤報率なら月10件の空振り点検になります。この件数を現場が受け入れられるかで判断してください。
この記事に出てくる用語
この記事を書いた人
DELMIA Apriso を中核とした MES / 製造DX の導入・運用・人材育成と、製造業向けAIの調査・開発・教育を手がけるITコンサルティング企業。ISO 9001:2015 / ISO 27001:2022 認証取得。 日本・中国・米国で製造業のMES・データ基盤・AI導入を手がけた実務者が、欧米・中国の一次情報にあたって書いています。
