設備保全の世界で、ここ数年急速に注目を集めているのが 「AI（機械学習）による予知保全（Predictive Maintenance）」 です。「故障してから直す」事後保全、「定期的に点検する」予防保全に続く第3の保全戦略として位置付けられます。本コラムでは、ビル・工場の電気・計装設備での 予知保全の原理と現実 を整理します。

予知保全とは何か

予知保全は、設備のセンサーデータや運転履歴を継続的に分析し、「いつもと違う傾向」が現れた段階で対応を判断する 保全方式です。

保全方式対応タイミングメリットデメリット
事後保全故障してから修理計画コストゼロダウンタイム・二次被害大
予防保全定期点検・部品交換突発故障減まだ使える部品も交換、コスト過大
予知保全異常傾向を検知してからダウンタイム最小・コスト最適データ基盤・分析仕組みが必要

「使える部品はギリギリまで使い、危なくなったら交換する」という、人間の感覚を機械でやろうという発想です。

どんなデータを使うのか

予知保全の入力となるセンサーデータは、対象設備によって変わります。

電気設備（受変電・盤・モーター系）

  • 運転電流・電圧・力率
  • 内部温度（変圧器・盤内・コンタクタ表面）
  • 部分放電・絶縁抵抗（測定可能なら）
  • 動作回数・運転時間積算
  • 異音・振動（振動センサー）

空調・熱源・ポンプ系

  • 一次側／二次側の温度・流量・圧力
  • ポンプ電流・吐出圧
  • 起動回数・運転時間積算
  • 冷凍機COP・効率指標
  • 振動データ（モーター・ベアリング診断）

計装・中央監視系

  • 警報発生頻度・優先度別件数
  • 通信エラー率（IO応答時間）
  • センサー値の異常変動
  • 制御出力と実測値の乖離

代表的な分析手法

機械学習を使った予知保全では、主に次の3つの手法が組み合わされます。

手法1：閾値超過検知（最もシンプル）

「センサー値が一定範囲を超えたら警報」という従来型の手法。AIではないものの、閾値そのものを過去データから動的に決める ところに学習要素が入ります。

手法2：時系列異常検知

過去データから「正常時の運転パターン」を学習し、現在の運転がそのパターンから逸脱しているかを判定。

  • LSTM等の時系列モデル
  • 季節要因・時間帯要因の自動補正
  • マルチセンサーの相関を考慮

手法3：劣化推移モデル

複数のセンサー値から 設備の「健全度」を数値化 し、その推移から「あと何ヶ月で危険レベル」を推定。

  • 振動データ＋温度データの組合せ
  • 起動回数を考慮した寿命予測
  • 同種設備群との比較分析

「使える予知保全」と「使えない予知保全」を分ける条件

予知保全AIが実務で使えるかは、技術以前に データ基盤の3条件 で決まります。

条件1：データの「量」

機械学習モデルは、最低でも 1年以上の正常運転データ が必要です。季節要因（夏冷房・冬暖房）を学習に含めるためです。

導入直後にいきなり予知保全AIを動かしても、過去データがなければ精度は出ません。

条件2：データの「質」

センサーの精度・サンプリング間隔・欠損率・タイムスタンプの正確さ。これらが揃わないと、分析結果も信頼できません。

特に問題になりやすいのが：

  • メーカー独自仕様のBASで、データを外部に出せない
  • サンプリング間隔が長すぎて（例: 1時間毎）変動を捉えられない
  • タイムスタンプがずれている複数システム

条件3：故障事例の「ラベル付け」

「これは故障の予兆だった」と振り返ってラベル付けできる、過去の故障事例が必要です。新設備で故障実績ゼロだと、何を異常とすべきかの基準がありません。

つまり予知保全AIは、「ある程度年数が経って、故障事例も蓄積されている設備」 で最も効果を発揮します。

現実的な導入アプローチ

予知保全をビル・工場で取り入れる場合、いきなりAIを買うのではなく、次のステップが現実的です。

ステップ内容
1. データ取得基盤の整備BACnet等のオープンプロトコルで中央監視・BEMSを構築、データを外部に出せる構造に
2. データ蓄積と可視化半年〜1年データを貯め、運転パターンの可視化から開始
3. 閾値超過検知の高度化動的閾値・複合条件のアラート設計
4. 限定領域での試験導入重要設備（受変電・主要ポンプ等）から予知保全AIを限定試行
5. 効果検証と拡張「実際に予兆を捉えたか」を検証してから次の領域へ

予知保全AIが向く設備・向かない設備

すべての設備に予知保全AIが必要なわけではありません。

向く設備

  • 故障が事業継続に重大な影響を与える設備（受変電キュービクル・基幹空調・基幹ポンプ）
  • 故障の前兆が物理量に現れやすい設備（モーター・ベアリング・絶縁体・ポンプ）
  • 長期間使う高額設備（更新コストが大きいもの）

向かない設備

  • 寿命が長く故障稀な設備（基本的な配線・分電盤等）
  • センサーを後付けしにくい設備
  • 故障しても安全側に倒れる設備（小規模分岐ブレーカー等）

FDシステムの立ち位置

予知保全AIモデルそのものの開発は、AI専門ベンダーの領域です。FDシステムは、予知保全AIが活きる土台 ─ オープンプロトコル化・データ取得基盤・センサー追加工事 を、福岡で60年超の電気・計装・BAの実績で支援できます。

主力ソリューション doGATE（福岡県IoT認定）は、BACnetベースのオープンな上位通信に対応し、外部分析基盤やクラウドAIサービスと連携する際の「データ出口」を確保します。

よくあるご質問

Q. 中小規模ビルでも予知保全AIは導入できますか？ A. 「すべての設備に」は現実的でありません。基幹設備（受変電・主要空調・基幹ポンプ）に絞った導入なら、中小規模ビルでも費用対効果が出るケースがあります。

Q. AIモデルの精度はどれくらい信用できますか？ A. 学習データの質と量に依存します。「100%予測」は不可能ですが、突発故障の数日〜数週間前に異常傾向を察知できるケースは増えています。重要なのは「AIが警報を出す→人が確認・判断する」の運用フロー設計です。

Q. 予防保全と何が違うのですか？ A. 予防保全は「時期で交換」、予知保全は「状態で交換」です。予知保全のほうがコスト最適ですが、データ基盤が必要です。両者は対立せず、組み合わせて使うのが実務的です。

Q. 既設設備のセンサーを後から追加できますか？ A. 振動センサー・温度センサーは後付け可能なケースが多いです。電流・電圧計測は盤内に余裕があるかで判断します。後付けの工事は電気工事の範囲で対応できます。

Q. AIで完全自動運転にできますか？ A. 当面は「AIの示唆＋人間の最終判断」が現実的です。法定の管理責任は最終的に人にあるため、完全自動は避けるべきです。

まとめ

予知保全AIは、「AIモデル」より「データ基盤」が成否を分ける 領域です。BACnet等のオープンプロトコル化、半年〜1年のデータ蓄積、運転パターンの可視化を経て、限定領域から段階的に導入するのが現実的なアプローチです。

FDシステムでは、福岡県内・九州一円で 予知保全AIが活きる素地 ─ オープンプロトコルベースのBAS・BEMSリプレース、センサー追加工事、データ取得基盤の整備 ─ を一気通貫でご支援いたします。

関連ページ：