予知保全とは｜故障予測AIの仕組みと導入ROIの計算方法
設備が突然止まる。その一報が現場に走るたびに、生産計画は崩れ、復旧要員が駆け回り、原因のわからないまま「とりあえず部品を交換した」で幕を閉じる。この繰り返しに心当たりのある保全担当者は少なくないはずだ。
予知保全は、この「止まってから動く」保全のあり方を、「壊れる前に手を打つ」へと転換するアプローチである。ただし、センサーを付けてAIを導入すれば自動的に効果が出るわけではない。投資に見合うリターンが出るかどうかは、自社の計画外停止コストを正しく把握し、ROIを計算できるかにかかっている。本記事では、故障予測AIの仕組みから予防保全との違い、そして導入ROIの具体的な計算方法までを、製造現場の実務目線で解説する。
1. 予知保全とは――定義と保全方式の全体像
予知保全とは、設備の状態をセンサーで常時監視し、故障の兆候をデータから予測して、実際に壊れる前に対処する保全方式である。英語ではPredictive Maintenance（PdM）と呼ばれ、IoTセンサーとデータ分析を前提とする点が特徴だ。
設備保全の方式は、大きく次の3つに整理できる。
| 保全方式 | タイミング | 判断基準 | 主な弱点 |
|---|---|---|---|
| 事後保全（BM） | 故障してから | 壊れたら直す | 計画外停止・二次被害が大きい |
| 予防保全（TBM） | 一定周期ごと | 時間・稼働時間 | 過剰整備・部品の早期廃棄 |
| 予知保全（PdM） | 兆候が出たとき | 設備の実際の状態 | 初期投資・データ基盤が必要 |
事後保全は「壊れるまで使う」方式で、設備が止まった瞬間に生産も止まる。予防保全は「3か月ごとに点検・交換」のように時間基準で先回りするが、まだ使える部品まで捨てる過剰整備や、周期の隙間で起きる突発故障を防げない。予知保全はこの中間にあり、設備の実際の劣化状態を見て「あと何日もつか」を判断する。状態を基準にするため、状態基準保全（CBM：Condition-Based Maintenance）と並べて語られることも多い。
設備の停止原因を「なぜ止まったか」まで掘り下げて、組織のナレッジに残せていますか？
WhyTrace Plus は、設備停止やトラブルの根本原因をAIが対話形式で深掘りし、なぜなぜ分析・FTAをツリー図で可視化する根本原因分析プラットフォームである。予知保全で拾った異常の「真因」を記録に残せる。
2. 予知保全と予防保全の違い――時間基準から状態基準へ
予知保全と予防保全の最大の違いとは、保全のタイミングを「時間」で決めるか「状態」で決めるか、である。どちらも故障を未然に防ぐ点では同じだが、判断の根拠がまったく異なる。
予防保全（TBM：Time-Based Maintenance）は、メーカー推奨や経験則にもとづいて「稼働1,000時間ごとにベアリング交換」のように周期を決める。シンプルで運用しやすい反面、2つのムダが生まれる。
- 過剰整備: まだ十分使える部品を周期が来たという理由だけで交換する
- 突発故障の取りこぼし: 周期の途中で異常が進行しても、次の点検まで気づけない
予知保全は、振動・温度・電流などの実データから劣化の進み方を読み、「この設備は周期どおりではなく、あと2週間で交換すべき」といった個別判断を可能にする。同じ機種でも、設置環境や負荷によって劣化速度は変わる。その差を吸収できるのが状態基準の強みだ。
ただし、すべての設備を予知保全にする必要はない。安価で交換が容易な部品まで監視するとコストが見合わない。重要なのは、止まると生産・安全・品質への影響が大きい設備を選別し、そこに予知保全を集中させる切り分けである。残りは予防保全や事後保全のままでよい。この優先順位づけは、後述するROI計算の前提にもなる。
3. 故障予測AIの仕組み――データ取得から異常検知まで
故障予測AIとは、設備から集めたセンサーデータの「いつもと違う」パターンを学習し、故障の兆候を検知する仕組みである。中核にあるのは、正常な状態を基準として、そこからの逸脱を捉える異常検知の考え方だ。
予知保全のデータ処理は、おおむね次の流れで進む。
- データ取得: 振動センサー・温度センサー・電流計・マイクなどで設備状態を計測する
- データ収集・蓄積: エッジ機器やゲートウェイ経由でデータをクラウドや社内基盤に集める
- 特徴量抽出: 生データから周波数成分・実効値・ピーク値など意味のある指標を取り出す
- モデルによる判定: 正常時の挙動を学習したモデルが、現在の状態の異常度をスコア化する
- アラート・通知: しきい値を超えたら担当者へ通知し、点検・交換の判断につなげる
何のデータを見るのか
設備の劣化は、特定の物理量に予兆として現れる。代表的なものを挙げる。
| 計測対象 | 主に捉えられる異常 | 適した設備例 |
|---|---|---|
| 振動 | ベアリング摩耗、軸の偏心、アンバランス | 回転機械、モーター、ポンプ |
| 温度 | 過熱、潤滑不良、過負荷 | モーター、軸受、電気盤 |
| 電流・電力 | 負荷異常、絶縁劣化 | モーター、駆動系全般 |
| 音（異音） | 初期段階の機械的異常 | 回転機械、コンプレッサー |
なかでも異音は、人間のベテランが「いつもと音が違う」と感じる感覚知に近く、AIによる検知と相性がよい領域だ。
AIである必然性
しきい値を超えたら警告する、という単純な監視なら従来から行われてきた。故障予測AIが価値を持つのは、複数のセンサーの相関や、時間とともに変化するパターンといった、人間が見抜きにくい兆候を捉えられる点にある。たとえば「温度は正常範囲内だが、振動と電流の組み合わせが過去の故障直前と似ている」といった複合的な予兆は、単一しきい値の監視では拾えない。
なお、AIが「異常あり」と判定しても、それは原因そのものを教えてくれるわけではない。「なぜ振動が増えたのか」を突き止めるのは人間側の分析であり、ここに後述する根本原因分析が組み合わさる。
4. 計画外停止のコスト――予知保全が解決する損失の正体
予知保全の効果を語るうえで欠かせないのが、計画外停止（突発故障による停止）が生む損失の大きさである。予知保全とは、突き詰めれば「この損失をいくら減らせるか」という投資判断にほかならない。
計画外停止のコストは、復旧費用だけではない。次のように多層的に発生する。
- 生産機会の損失: 止まっている間に作れたはずの製品の利益
- 復旧コスト: 緊急対応の人件費、特急手配の部品費、外注修理費
- 二次被害: 連鎖停止、仕掛品の廃棄、品質トラブル
- 納期遅延の波及: 顧客対応コスト、信用低下
業界調査によれば、産業界における計画外ダウンタイムのコストは中央値で1時間あたり12.5万ドルを超え、自動車製造では1時間あたり230万ドルに達するとされる（2026年時点。出典：Infodeck: Unplanned Downtime）。金額そのものは業種・規模で大きく変わるが、「設備が止まっている1時間」に想像以上のコストが積み上がっている点は共通する。
そして予知保全の導入効果について、複数の業界調査では、計画外ダウンタイムの35〜50%削減、保全コストの25〜30%削減といった水準が報告されている（2026年時点。出典：WorkTrek: Predictive Maintenance Cost Savings）。あわせて、予知保全を導入した企業の95%が投資に対してプラスのROIを報告したという調査結果もある。これらは前提条件の異なる海外調査であり、自社にそのまま当てはまる数値ではないが、「効果が出るかどうか」ではなく「自社ではいくらの効果になるか」を計算する出発点として有用だ。
課題：止まってから動く保全から抜け出せない
突発故障のたびに復旧に追われ、なぜ壊れたのかを振り返る余裕がない。同じトラブルが半年後にまた起きる。
解決：兆候の検知と、真因の記録をセットにする
予知保全で「壊れる前」を捉え、止まった事象は WhyTrace Plus でなぜなぜ分析して真因まで掘り下げる。分析結果は組織のナレッジとして蓄積され、再発防止と次の故障予測の精度向上につながる。
5. 導入ROIの計算方法――投資対効果を数式で見える化する
予知保全のROI（投資対効果）とは、予知保全への投資額に対して、削減できた損失がどれだけ上回るかを示す指標である。経営層への説明でも、現場での優先順位づけでも、この計算が判断の軸になる。
基本式はシンプルだ。
ROI（%） ＝（年間の削減効果 − 年間の投資・運用コスト）÷ 年間の投資・運用コスト × 100
ステップ1：現状の年間損失額を出す
まず、対象設備で過去1年に発生した計画外停止の実績を集計する。
- 年間の突発停止回数
- 1回あたりの平均停止時間
- 1時間あたりの損失額（生産機会損失＋復旧費＋二次被害）
たとえば、突発停止が年12回、1回平均4時間、1時間あたりの損失30万円なら、年間損失は「12 × 4 × 30万円 ＝ 1,440万円」となる。
ステップ2：予知保全による削減見込みを出す
ステップ1の損失に、想定削減率をかける。前述のとおり海外調査では計画外停止の35〜50%削減が報告されているが、初年度は保守的に見積もるのが現実的だ。仮に30%削減とすると、削減効果は「1,440万円 × 30% ＝ 432万円」となる。
ステップ3：投資・運用コストを積む
| コスト項目 | 内容 |
|---|---|
| 初期投資 | センサー、ゲートウェイ、設置工事 |
| ソフト・システム費 | 監視・分析ツールの導入費、月額利用料 |
| 運用コスト | データ確認・対応の工数、保守費 |
このコストを年間換算でまとめる。仮に初期投資200万円を3年で按分（年約67万円）、年間運用費を100万円とすると、年間コストは約167万円となる。
ステップ4：ROIを算出する
上記の例で計算すると、
ROI ＝（432万円 − 167万円）÷ 167万円 × 100 ＝ 約159%
回収期間は「年間コスト ÷ 月あたり削減効果」で概算でき、この例なら導入から半年強で投資を回収できる計算になる。
重要なのは、削減率を楽観的に置かないことと、対象設備を「止まると損失が大きい設備」に絞ることだ。安価な設備に高価なセンサーを付ければ、いくら削減率が高くてもROIはマイナスになる。第2章で触れた設備の優先順位づけが、ここで効いてくる。
6. 予知保全の導入ステップ――スモールスタートで失敗を避ける
予知保全の導入とは、全設備への一斉展開ではなく、対象を絞ったスモールスタートから始める段階的なプロセスである。最初から完璧なシステムを目指すと、コストばかりかさんで効果検証ができない。
現実的な進め方は次のとおりだ。
- 対象設備の選定: ROI計算で効果の大きい設備を1〜2台に絞る
- データの取得開始: 該当設備にセンサーを設置し、まず正常時のデータを蓄積する
- 異常検知のチューニング: 過検知・見逃しのバランスを現場とすり合わせる
- 運用フローへの組み込み: アラートが出たら誰が点検し、どう判断するかを決める
- 効果測定と横展開: 削減効果を実数で確認し、他設備へ広げる
つまずきやすいのは3と4だ。アラートが頻発して「またか」と無視されるようになると制度は形骸化する。逆に検知を緩めすぎれば見逃す。この調整は一度では決まらず、現場のベテランの感覚とすり合わせながら詰めていく必要がある。
また、アラートが出た後に「結局なぜ壊れかけたのか」を検証しないと、予知保全は「交換通知装置」で終わってしまう。検知された異常に対して根本原因分析を行い、設計や運転条件にさかのぼった改善につなげることで、故障そのものの発生頻度を下げられる。この「異常検知 → 真因分析 → 恒久対策」の循環は、設備の安全管理にも直結する。設備起因のトラブルが労災や品質事故へ波及するのを防ぐ観点については、現場の安全管理にAIを活用する方法も参考になる。
よくある質問（FAQ）
Q. 予知保全と予防保全は、どちらを導入すべきですか？
両者は排他的ではなく、設備ごとに使い分けるのが基本である。止まると損失が大きく劣化の兆候を捉えやすい設備は予知保全、安価で交換が容易な部品は予防保全や事後保全で十分だ。すべてを予知保全にするとコストが見合わないため、ROI計算で優先順位をつけるとよい。
Q. 中小製造業でも予知保全は導入できますか？
導入できる。近年は安価な後付けセンサーやサブスクリプション型の監視サービスが増え、初期投資のハードルは下がっている。重要設備1台からのスモールスタートで効果を確認し、段階的に広げる進め方が現実的だ。日本では経済産業省がスマート保安の推進や中小企業向けの支援策を整備しており、補助金の活用も選択肢になる。
Q. AIが「異常あり」と判定すれば、原因もわかりますか？
わからない。故障予測AIが示すのは「正常な状態から外れている」という事実であり、なぜ外れたのかという真因は人間側の分析で突き止める必要がある。異常検知と根本原因分析を組み合わせて初めて、再発を防ぐ恒久対策にたどり着ける。
Q. 導入してどのくらいで効果が出ますか？
センサー設置後、正常時のデータをある程度蓄積する期間（数週間〜数か月）を経てから本格的な検知が始まる。ROIの観点では、対象設備の選定が適切であれば導入から1年以内に投資を回収する例も報告されている。ただし削減率は楽観視せず、初年度は保守的に見積もるべきだ。
まとめ
予知保全は、設備の実際の状態をデータで捉え、壊れる前に手を打つ保全方式である。本記事の要点を整理する。
- 予知保全とは: 時間基準の予防保全に対し、センサーデータで設備の状態を見て判断する状態基準の保全方式
- 故障予測AIの仕組み: データ取得 → 蓄積 → 特徴量抽出 → 異常度判定 → アラートの流れ。複数センサーの相関で人間が見抜けない兆候を捉える
- 計画外停止のコスト: 復旧費だけでなく生産機会損失・二次被害・納期波及を含む。これを減らすことが予知保全の本質
- ROIの計算: 年間損失額 × 削減率 で効果を出し、投資・運用コストと比較する。対象設備の選別が成否を分ける
- 導入の進め方: 全設備一斉ではなくスモールスタート。異常検知と真因分析をセットにして故障の発生頻度そのものを下げる
予知保全で検知した異常の「なぜ」を掘り下げ、組織のナレッジとして残したい場合は、WhyTrace Plusを活用いただきたい。なぜなぜ分析・FTA・対策管理を一体で運用でき、設備トラブルの真因を蓄積する基盤が整う。
関連サービス
設備保全・予知保全の知見を深めるために、姉妹サービスの関連記事もご活用いただきたい。
- 設備故障の前兆となる異音パターン（PlantEar）
- 低コストで始める予知保全ガイド（PlantEar）
- ベテランの保全ノウハウを形式知化する方法（know-howAI）
著者
國分 良太
制御設計エンジニア → AI・IoT・DX推進｜AIコンサルタント｜東京の製造業メーカー開発部門
製造業の現場で設備設計・改善プロジェクト・品質向上施策に従事。なぜなぜ分析（RCA）やリスクアセスメントの実務経験をもとに、現場DXを支援するアプリケーションの開発と情報発信に取り組んでいます。AIコンサルタントとして、企業のAI・生成AI活用や現場DX導入の支援も行っています。
※ 本サイトは所属企業とは関係のない個人活動です。記載の見解は筆者個人のものです。