ブログ一覧に戻る
品質管理2026/11/2014分で読めます

ワイブル解析入門|故障データから寿命と故障率を読む方法

ワイブル解析ワイブル分布故障率信頼性工学形状パラメータバスタブ曲線MTBF設備保全寿命予測

「部品の寿命は何年か」「いつ交換すべきか」――保全や品質の現場で、この問いに自信を持って数字で答えられる人は意外と少ない。故障の記録は台帳に溜まっているのに、「平均すると3年くらい」という肌感覚で交換周期を決めている現場は珍しくない。

ワイブル解析は、その溜まった故障データを「寿命」と「故障率の傾向」という読み取れる形に変える統計手法である。データの裏に「初期不良なのか、摩耗による寿命なのか」という故障のメカニズムが見えてくると、打つべき対策がまるで変わる。本記事では、数式の暗記ではなく「形状パラメータをどう読むか」を軸に、品質管理・設備保全の担当者が現場の故障データから寿命と故障率を読む手順を解説する。

故障データを「いつ・なぜ壊れるか」の判断材料に変える――それがワイブル解析の出発点である。


1. ワイブル解析とは――故障データから寿命を読む統計手法

ワイブル解析とは、製品や部品の故障時間(寿命)のばらつきをワイブル分布という確率分布にあてはめ、寿命と故障率の傾向を読み取る信頼性工学の手法である。スウェーデンの技術者ワロディ・ワイブルが提唱した分布に由来し、現在では機械部品・電子部品・設備の信頼性評価で標準的に使われている。

ワイブル分布が現場で重宝されるのは、たった2〜3個のパラメータで「故障が時間とともに増えるのか、減るのか、一定なのか」を表現できる柔軟さにある。同じ故障データでも、平均値(MTBF)だけを見ていては「初期不良が多い」のか「寿命が来て摩耗している」のかは区別できない。ワイブル解析はこの違いを数値で切り分ける。

ワイブル解析でわかること

ワイブル解析からは、主に次の3点が読み取れる。

読み取れる項目 意味 実務での使いどころ
形状パラメータ m(β) 故障率が増加・一定・減少のどれか 故障メカニズムの判別(初期/偶発/摩耗)
尺度パラメータ η(特性寿命) 約63.2%が故障するまでの時間 部品寿命の目安・交換周期の設定
B10ライフ・信頼度 10%が故障するまでの時間など 保証期間・予防交換タイミングの根拠

数式の詳細を覚える必要はない。実務で本質的に重要なのは、形状パラメータ m を読んで「この故障はどの段階にあるのか」を判断することである。

なぜ平均値(MTBF)だけでは足りないのか

MTBF(平均故障間隔)は便利な指標だが、「いつ壊れるか」のばらつきの形までは教えてくれない。たとえばMTBFが同じ「3年」の2つの部品でも、一方は導入直後にバラついて故障し、もう一方は3年目に集中して故障するなら、取るべき対策は正反対になる。前者は初期不良の作り込み対策、後者は予防交換の前倒しだ。ワイブル解析はこの「故障の出方」を可視化する。


2. 形状パラメータ m が示す3つの故障パターン

形状パラメータ m(記号はβやmで表記される)とは、故障率が時間とともにどう変化するかを示す数値であり、ワイブル解析で最も重要な読み取り対象である。この値が1を境にして、故障の性質がはっきり分かれる。

2026年時点で、信頼性工学の標準的な解説でも、形状パラメータと故障パターンの対応は次のように整理されている(参考:ワイブル分布と故障率の関係 St-Hakky、What the Weibull Shape Parameter Tells You About Failure – Engineer Fix)。

m の値 故障率の傾向 故障パターン 主な原因
m < 1 時間とともに減少 初期故障(初期不良) 製造欠陥・組立不良・選別漏れ
m ≒ 1 ほぼ一定 偶発故障(ランダム) 偶発的な外的要因・運用ミス
m > 1 時間とともに増加 摩耗故障(経年劣化) 摩耗・疲労・腐食などの劣化

m < 1:初期故障期――作り込み品質の問題

m が1未満のとき、故障率は時間とともに下がっていく。導入直後に集中して壊れ、生き残った個体はその後あまり壊れないという出方だ。これは部品本来の寿命ではなく、製造欠陥や組立不良といった「作り込み」の問題を示唆する。対策は予防交換ではなく、初期不良を出荷前に潰す検査・エージング(慣らし運転)の強化に向かう。

m ≒ 1:偶発故障期――寿命とは無関係なランダム故障

m が1に近いとき、故障率はほぼ一定になる。このときワイブル分布は指数分布と一致し、「古い部品も新しい部品も同じ確率で壊れる」状態を表す(参考:ワイブル分布とバスタブ曲線 木暮仁)。経年劣化が主因ではないため、予防交換しても故障率は下がりにくい。原因は運用方法・外的ストレスなど、部品の年齢以外にあることが多い。

m > 1:摩耗故障期――寿命が来ている

m が1を超えると、故障率は時間とともに増えていく。摩耗・疲労・腐食といった劣化が進行しているサインだ。この領域こそ、予防交換が最も効く。特性寿命やB10ライフを根拠に交換周期を設定すれば、突発故障を計画的な交換に置き換えられる。設備保全で「いつ交換するか」を数字で決めたい場合、まず m > 1 を確認することが出発点になる。


3. バスタブ曲線とワイブル分布の対応関係

バスタブ曲線とは、製品の故障率が一生を通じてどう推移するかを表したグラフで、初期故障期・偶発故障期・摩耗故障期の3区間からなる曲線である。形が浴槽(バスタブ)に似ていることからこう呼ばれる。

このバスタブ曲線の3区間は、前章で見た形状パラメータ m の3区分とそのまま対応する。つまりワイブル解析は、バスタブ曲線のどの位置に故障データがあるかを数値で特定する手段といえる。

バスタブ曲線の区間 時期 形状パラメータ 故障率の動き
初期故障期 使用初期 m < 1 減少
偶発故障期 安定使用期 m ≒ 1 一定
摩耗故障期 寿命末期 m > 1 増加

なぜこの対応が実務で効くのか

故障台帳のデータをワイブル解析にかけて m を求めれば、その設備・部品が「バスタブのどこにいるか」が分かる。導入直後に壊れているのに「寿命が短い部品だ」と諦めて高頻度で交換していたら、それは見当違いだ――m < 1 なら本来やるべきは初期不良対策である。逆に m > 1 と出れば、堂々と予防交換のロジックを組める。

半導体や電子部品の分野でも、バスタブ曲線は信頼性設計の基本概念として定着している(参考:バスタブ曲線 SEMI-NET 半導体用語集)。同じ部品でも、出荷前のスクリーニングで初期故障期を「焼き切って」から市場投入する、といった設計判断もこの考え方に基づく。


4. ワイブル確率紙とMTBFを使った実務手順

ワイブル確率紙とは、故障データをプロットすると分布が直線で表れるように目盛りを設計した専用グラフ用紙であり、直線の傾きから形状パラメータ m を読み取るための古典的な道具である。今日では表計算ソフトや信頼性解析ソフトで同じ計算ができるが、手順の本質を理解するには確率紙の流れを押さえておくとよい。

ステップで見る実務の流れ

  1. 故障データを集める:各個体が「いつ故障したか」(稼働時間・回数)を記録する。まだ故障していない個体(打ち切りデータ)も寿命情報として扱える。
  2. 故障時間を昇順に並べ、累積故障率を計算する:メジアンランク法などで各データ点の累積故障確率を求める。
  3. 確率紙またはソフトにプロットする:点がほぼ一直線に乗れば、ワイブル分布によく適合している。
  4. 直線の傾きから m を読む:傾きが形状パラメータ m に対応する。1未満か、1付近か、1超かを確認する。
  5. 特性寿命 η を読む:累積故障率63.2%に対応する時間が特性寿命(尺度パラメータ)になる。
  6. B10ライフなど必要な指標を読む:10%が故障する時間を予防交換の根拠にする、といった使い方をする。

MTBFとの併用で説得力を持たせる

MTBF(平均故障間隔)は経営層や他部門への説明で通じやすい指標だが、単独では「いつ壊れ始めるか」を語れない。実務では、MTBFで全体像を示しつつ、ワイブル解析の m で「故障の性質」、η や B10ライフで「具体的な交換タイミング」を補強する組み合わせが効果的だ。「平均寿命は5年だが、B10ライフは3年なので予防交換は3年目に設定する」という形で、根拠のある数字に落とし込める。

データが少ないときの注意

ワイブル解析は故障件数が少ないと推定のばらつきが大きくなる。一般に、信頼できる傾向を読むには複数件以上の故障データが望ましく、データが極端に少ない段階では「傾向の仮説」として扱い、データが溜まるたびに再評価する姿勢が現実的である。裏付けの乏しい少数データで断定的な寿命を一人歩きさせないことが、誤った交換投資を防ぐ。


5. ワイブル解析と予知保全AIの使い分け

ワイブル解析と予知保全は、どちらも設備故障に先手を打つ手法だが、拠って立つデータと答えられる問いが異なる。混同せず役割を分けると、両者は補完関係になる。

ワイブル解析は「過去の故障データ(時間)の統計」から集団としての寿命傾向を読む手法だ。一方の予知保全AIは、センサーが拾う振動・温度・異音などの「個体のいまの状態」から、その1台が故障に近づいているかを推定する。前者は「この部品は何年で交換すべきか(集団の寿命設計)」、後者は「この1台が今あぶないか(個体の状態監視)」に強い。

観点 ワイブル解析 予知保全AI
入力データ 過去の故障時間(寿命データ) リアルタイムの状態データ(振動・温度等)
答えられる問い 集団としての寿命・故障率の傾向 特定個体の異常兆候・残存寿命
主な用途 予防交換周期の設計・信頼性評価 突発故障の予兆検知・状態基準保全
適する故障 摩耗故障(m > 1)の交換計画 偶発・劣化問わず兆候が出る故障

組み合わせの考え方

実務では、まずワイブル解析で「この部品群は m > 1 の摩耗故障型で、交換周期は3年が妥当」という時間基準の土台を作る。そのうえで、特に重要な設備には予知保全AIを載せ、平均的な寿命より早く劣化する個体を状態監視で捕まえる。時間基準(ワイブル)と状態基準(予知保全)の二段構えにすれば、過剰交換と突発故障の両方を抑えられる。

予知保全AIの仕組み・予防保全との違い・導入ROIの考え方については、予知保全とは|故障予測AIの仕組みと導入ROIの計算方法で詳しく解説している。ワイブル解析で寿命設計の土台を作ったうえで、状態監視をどう重ねるかの判断材料になるはずだ。


6. 故障率の「読み」を対策につなげる

ワイブル解析で m を読み取ったら、そこで終わりにせず「ではなぜそのパターンになるのか」へ踏み込むことで、初めて対策に結びつく。形状パラメータは故障の性質を示すが、その背後にある根本原因までは語らないからだ。

m の値で対策の方向が決まる

  • m < 1(初期故障):原因は製造・組立工程にある可能性が高い。出荷前検査の強化、エージング、サプライヤー工程の見直しに向かう。予防交換しても無駄になりやすい。
  • m ≒ 1(偶発故障):部品の年齢が原因ではないため、運用方法・環境ストレス・人的要因を疑う。なぜなぜ分析で偶発故障の引き金を掘り下げると効果的だ。
  • m > 1(摩耗故障):寿命が来ている。B10ライフを根拠に予防交換周期を設定しつつ、より長寿命な部材への置換も検討する。

統計の「読み」と根本原因分析をつなぐ

たとえば m > 1 と出た軸受が、想定より早く摩耗故障期に入っているとする。ワイブル解析は「摩耗が早い」とまでは教えてくれるが、「なぜ早いのか」――潤滑不足なのか、芯ずれなのか、過負荷なのか――は教えてくれない。ここでなぜなぜ分析やFMEAといった原因分析手法を重ねることで、交換周期の調整という対症療法を超え、摩耗そのものを遅らせる根本対策にたどり着ける。

統計が示す「傾向」と、原因分析が示す「メカニズム」。この2つをセットで回すことが、故障データを継続的な改善資産に変える鍵になる。


故障の「なぜ」をデータと一緒に掘り下げていますか?

ワイブル解析で「摩耗故障が早い」と分かっても、その根本原因が潤滑なのか芯ずれなのかは別の分析が要る。WhyTrace Plus は、なぜなぜ分析とFTA(故障の木解析)をAIが支援する根本原因分析プラットフォームだ。故障事象を登録すると、AIが「なぜ?」を対話形式で掘り下げ、因果関係をツリー図で可視化する。統計の「傾向」と原因の「メカニズム」を一気通貫でつなげる。

WhyTrace Plusを無料で試してみる →


よくある質問(FAQ)

Q. ワイブル解析を始めるには何件くらいの故障データが必要ですか?

明確な絶対基準はないが、推定のばらつきを抑えるにはある程度まとまった件数の故障データが望ましい。データが少ない段階では結果を「確定値」ではなく「仮説」として扱い、データが増えるたびに再評価するのが安全である。打ち切りデータ(まだ故障していない個体)も寿命情報として活用できる。

Q. 形状パラメータ m が1未満だったのに予防交換していました。問題ですか?

m < 1 は初期故障期を意味し、故障率は時間とともに減少する。この状態で予防交換しても故障率の改善効果は薄く、むしろコストの無駄になりやすい。対策は予防交換ではなく、製造・組立工程の品質改善や出荷前検査の強化に振り向けるべきである。

Q. ワイブル解析とMTBFはどちらを使えばよいですか?

両者は競合せず併用するものである。MTBFは平均的な寿命の全体像を示すのに向くが、「故障の出方」までは語れない。ワイブル解析で形状パラメータと特性寿命を読み、MTBFで全体像を補えば、説明力と実務判断の両方を満たせる。

Q. ワイブル解析と予知保全AIはどちらを導入すべきですか?

役割が異なるため、状況による。集団としての寿命設計や予防交換周期を決めたいならワイブル解析、特定の重要設備の突発故障を兆候段階で捕まえたいなら予知保全AIが向く。理想は両者の二段構えで、ワイブルで時間基準の土台を作り、予知保全で個体の状態を監視する組み合わせである。


まとめ

本記事では、故障データから寿命と故障率を読むワイブル解析の基礎を、実務目線で解説した。要点を整理する。

  1. ワイブル解析とは:故障時間のばらつきをワイブル分布にあてはめ、寿命と故障率の傾向を読む信頼性工学の手法。MTBFだけでは分からない「故障の出方」を可視化する。
  2. 形状パラメータ m が核心:m < 1 で初期故障、m ≒ 1 で偶発故障、m > 1 で摩耗故障。この値で故障の性質と対策の方向が決まる。
  3. バスタブ曲線との対応:3つの故障パターンはバスタブ曲線の3区間にそのまま対応し、ワイブル解析はデータがどの区間にあるかを数値で特定する。
  4. 実務手順:故障データを並べて累積故障率を計算し、確率紙やソフトで m・特性寿命・B10ライフを読み、MTBFと併用して交換タイミングの根拠にする。
  5. 予知保全との使い分け:ワイブルは集団の寿命設計、予知保全AIは個体の状態監視。時間基準と状態基準を二段構えにする。
  6. 対策につなげる:m の読みで対策方針を定め、なぜなぜ分析やFMEAで根本原因まで掘り下げることで、対症療法を超えた改善につながる。

故障台帳に眠っているデータは、読み方ひとつで「いつ・なぜ壊れるか」を語る資産に変わる。ワイブル解析でその第一歩を踏み出してほしい。

故障の「なぜ」をAIとツリー図で深掘りしたい場合は、WhyTrace Plusをぜひお試しいただきたい。なぜなぜ分析・FTA・対策管理を一体で運用でき、分析ナレッジを組織全体で共有できる。


Sources:


関連サービス

設備保全・予知保全の知見を広げるために、姉妹サービスの関連記事もご活用ください。

國分 良太

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。

WhyTrace Plusを無料で始める

メールアドレスだけで登録可能。クレジットカード不要。月10回のAI分析を無料でお試しいただけます。

あわせて読みたい基礎ガイド

関連記事

ワイブル解析入門|故障データから寿命と故障率を読む方法 | WhyTrace Plus ブログ | WhyTrace Plus