データドリブン保全の第一歩 ― センサーデータから価値を引き出すには
rosutami
はじめに
「IoT」「予知保全」「AI」「デジタルツイン」――製造業のメディアやカンファレンスでは、こうしたバズワードが毎日のように飛び交っている。ベンダーのプレゼンテーションを聞けば、センサーをつけてクラウドにデータを上げるだけで、設備の故障が予測できるように聞こえるかもしれない。
しかし、現実はそう単純ではない。センサーデータを活用して保全の意思決定を実際に改善している工場は、まだ少数派だ。多くの工場が「IoTプラットフォームを導入したが、データが溜まるだけで活用できていない」「AIモデルを試したが精度が出ない」「結局、ベテラン技術者の判断に頼っている」という状況にある。
問題の根本は、テクノロジーそのものではなく「何のためにデータを集め、どう活用するのか」という戦略の欠如にある。本記事では、データドリブン保全を段階的に成熟させるフレームワークを提示し、「テクノロジー先行」ではなく「課題先行」のアプローチを解説する。
結論（先に3行）
- データドリブン保全は「可視化→診断→予測→最適化」の4段階で成熟させるべきであり、Level 1（可視化）を飛ばしていきなりAI予知保全を目指すと失敗する。
- 全設備にセンサーをつけるのではなく、最も困っている重要設備の上位3〜5台から始め、「このデータで何の問題を解くのか」を明確にしてから技術を選定する。
- 成功の鍵はテクノロジーではなく、データを読み解き行動に変える「人」と「プロセス」の整備であり、ベテラン技術者の知見とデータの組み合わせが最も価値を生む。
データ活用の成熟度モデル ― 4つのLevel
データドリブン保全の成熟度は、4つのLevelで段階的に進化する。各Levelを飛ばすことはできず、前のLevelの基盤があってこそ次のLevelが成立する。多くの失敗事例は、Level 1すら確立していない状態でLevel 3（予知保全）を目指すことに起因している。
Level 1：可視化（What is happening?）
最初のステップは、設備の状態をリアルタイムで「見える」ようにすることだ。振動値、温度、圧力、電流値、流量などのセンサーデータをダッシュボードで表示し、現在の状態と過去のトレンドを確認できるようにする。
Level 1の段階でも、十分な価値が得られる。これまでは巡回点検で1日1回しか確認できなかったデータが、連続的にモニタリングされることで、異常の早期発見が可能になる。「昨日の巡回時は正常だったが、深夜に急激な振動上昇があり、今朝には危険域に達していた」――こうした事象が可視化によって捉えられるようになる。
Level 1で重要なのは、「見える」だけでなく「気づく」仕組みを作ることだ。閾値を設定してアラートを発報する機能があれば、24時間365日の監視が人手なしで実現する。最初のアラート閾値はメーカー推奨値やISO基準（例：振動であればISO 20816（旧 ISO 10816））を参考に設定し、運用しながら自社の設備に合わせて調整していく。
Level 1の実装において、近年はワイヤレスセンサーとクラウドベースのモニタリングプラットフォームの普及により、初期投資のハードルが大幅に下がっている。従来の有線センサーシステムでは配線工事だけで数百万円かかったものが、ワイヤレスセンサーとゲートウェイの組み合わせで数十万円から導入可能になっている。一方で、工場のネットワーク環境（WiFi電波の届きにくい金属構造物が多い環境）やセキュリティポリシー（工場ネットワークへの外部デバイス接続制限）には事前の確認が必要だ。
また、すべてのデータをクラウドに上げる必要はない。エッジコンピューティング（データ発生源の近くで処理する方式）を活用すれば、大量のデータからアラートに必要な情報だけを抽出してクラウドに送ることで、通信コストとデータ管理の負担を抑えられる。Level 1の段階ではシンプルなアーキテクチャを選択し、データ量の増加に応じて段階的にスケールアップするのが現実的だ。
Level 2：診断（Why is it happening?）
Level 2では、「何が起きているか」だけでなく「なぜ起きているか」を分析する段階に進む。複数のセンサーデータの相関分析、故障パターンの認識、過去の故障事例との照合により、異常の原因を推定する。
例えば、ポンプの振動値が上昇しているとする。Level 1では「振動が閾値を超えた」というアラートが出るだけだが、Level 2では振動の周波数スペクトルを分析し、「回転数の1倍成分が卓越しているのでアンバランスが原因」か「回転数の内輪通過周波数成分が見られるので軸受の内輪損傷」かを判別できる。原因が特定できれば、対策の精度が格段に上がる。
Level 2の実現には、データ分析のスキルを持つ人材が必要だ。必ずしもデータサイエンティストを雇う必要はなく、設備に精通した保全技術者が基本的なデータ分析手法（トレンド分析、相関分析、FFT周波数分析など）を習得することで対応できる。ベテラン技術者の「この音がおかしい」という感覚を、データで裏付けるイメージだ。
Level 3：予測（What will happen?）
Level 3は、いわゆる「予知保全（Predictive Maintenance）」の段階だ。過去のデータパターンと機械学習モデルを活用し、「あとどのくらいで故障に至るか」を予測する。RUL（Remaining Useful Life：残存有効寿命）の推定がその核心技術となる。
予知保全の魅力は大きいが、現実には多くのハードルがある。第一に、機械学習モデルのトレーニングには、「正常時のデータ」と「故障に至るまでのデータ」の両方が必要だが、後者は故障が起きなければ得られない。信頼性の高い設備ほど故障データが少なく、最も予知保全を導入したい設備ほどモデル構築が難しいというパラドックスがある。
第二に、モデルの精度が実用レベルに達するまでには、相当量のデータ蓄積と試行錯誤が必要だ。「3ヶ月でAI予知保全を導入」という計画は、ほぼ確実に楽観的すぎる。第三に、モデルのアウトプットを保全の意思決定に変換するプロセス設計が必要だ。「故障確率が70%と表示されたが、どうすればいいのか」という現場の声に応えられなければ、予知保全は機能しない。
Level 3に到達するための現実的なアプローチは、まずLevel 1とLevel 2をしっかり確立し、データの蓄積と設備理解を深めた上で、最もデータが豊富で故障パターンが明確な設備から試行することだ。回転機器（モーター、ポンプ、コンプレッサー）は振動データとの相関が高く、予知保全のパイロット対象として適している。
予知保全に過度な期待を持たないことも重要だ。現時点のAI技術で「いつ故障するか」をピンポイントで予測することは、多くの設備では困難だ。しかし、「劣化が進行しており、数週間以内に対応が必要」レベルのアラートであれば、Level 2の延長線上で十分に実現可能であり、これだけでも計画外停止の大幅な削減につながる。「AIが完璧な予測をする」ことを目指すよりも、「保全技術者の判断を支援するレベルの情報を提供する」ことを目標とした方が、現実的かつ早期に成果が出る。
Level 4：最適化（What should we do?）
Level 4は、予測結果に基づいて保全計画を自動的に最適化する段階だ。故障予測、スペアパーツの在庫状況、保全要員のスケジュール、生産計画との整合性を総合的に考慮し、「いつ、どの設備に、どの保全を実施するのが最適か」をシステムが提案する。
現時点でLevel 4に到達している工場は世界的にも少数だが、デジタルツインやAIの進化に伴い、今後5〜10年で徐々に現実味を帯びてくると考えられる。重要なのは、将来のLevel 4を見据えて、今からLevel 1〜2のデータ基盤を構築しておくことだ。
まず始めるための実践ガイド
Step 1：問題から始める、技術からではなく
最も重要な原則は「テクノロジー先行」ではなく「課題先行」で始めることだ。「IoTプラットフォームを導入しよう」からスタートするのではなく、「この設備の突発故障を減らしたい」「この故障の予兆を捉えたい」という具体的な課題から出発する。課題が明確になれば、必要なデータ、センサー、分析手法が自然と定まる。
Step 2：パイロット設備を選ぶ
全設備にセンサーをつけるのではなく、パイロットとして3〜5台の設備を選定する。選定基準は、故障頻度が高いまたは故障時の影響が大きい（ビジネスインパクト）、故障メカニズムが比較的理解されている（分析の成功確率が高い）、既存のセンサーや計測点がある程度利用できる（追加投資を最小化）、という3つだ。最も困っている設備から始めることで、成功時のインパクトが最大になる。
Step 3：小さく始めて学ぶ
パイロット設備に対して、まずはLevel 1（可視化）を実現する。既存のPLCやDCSから取得できるデータがあれば、追加投資なしで始められる場合もある。新規にセンサーを設置する場合も、振動センサー1台は数万円から入手可能だ。データの収集と可視化ができたら、保全チームと一緒にデータを眺める時間を設ける。「この振動パターンは何を意味するか」「このトレンドの変化はいつから始まったか」――ベテラン技術者の知見とデータを突き合わせることで、Level 2への移行が自然に始まる。
センサーと技術の選定 ― 何を測るべきか
データドリブン保全で最も一般的に活用されるセンサー技術は以下の通りだ。振動センサーは回転機器（モーター、ポンプ、ファン、コンプレッサー）の軸受劣化、アンバランス、ミスアライメントの検出に最も実績がある。温度センサー（サーモカップル、RTD、赤外線）は電気設備の接続部劣化、軸受の過熱、プロセス異常の検出に有効だ。電流センサーはモーターの負荷変動、巻線劣化の検出に活用できる。超音波センサーは蒸気トラップの不良、圧縮空気の漏れ検出、軸受の初期劣化検出に使われる。油分析は潤滑油中の金属粒子、水分、酸化度から機器内部の摩耗を検出する。
技術選定で最も重要なのは、「何の故障モードを検出したいか」から逆算することだ。前回の記事で解説したFMEAの結果が、ここで直接的な指針となる。FMEAでHigh（またはRPN高値）と判定され、かつ現在の検出手段が不十分な故障モードに対して、適切なセンサー技術を選定する。闇雲にセンサーをつけるのではなく、FMEAに基づく「検出性（Detection）の改善」として位置づけることで、投資の妥当性を論理的に説明できる。
投資対効果の示し方
データドリブン保全への投資を経営層に承認してもらうためには、ROIを定量的に示す必要がある。最もシンプルなアプローチは、「回避コスト」での算出だ。パイロット対象設備の過去3年間の故障実績を集計し、計画外停止による生産損失、緊急修理コスト、二次被害コストの合計を算出する。この合計のうち、状態監視で防げたと推定される割合（保守的に30〜50%）をかけた金額が、年間の期待回避コストだ。
これとセンサー・システムの導入コスト（初期費用＋年間運用費）を比較すれば、投資回収期間が算出できる。多くの場合、重要設備の状態監視は1〜2年で投資を回収できる。本シリーズ第1回で解説した「保全回避コスト」のフレームワークが、ここで再び活用できる。
データドリブン保全でよくある失敗
データの海に溺れる
とにかくデータを集めれば何かわかるだろう、というアプローチは危険だ。毎秒サンプリングで100チャンネルのデータを収集すれば、1日で数GBのデータが生成される。しかし、「何を見たいのか」が明確でなければ、データは単なるストレージのコストになる。「この設備のこの故障モードを検出するために、このパラメータを監視する」という明確な目的を持ったデータ収集が重要だ。本シリーズ第5回・第6回で解説したRCMとFMEAの故障モード分析が、ここで直接的な指針を提供する。
人材育成を怠る
どれだけ高度なツールを導入しても、それを使いこなす人材がいなければ宝の持ち腐れだ。データドリブン保全に必要なスキルは、設備の知識とデータ分析の知識の両方を持つ「ブリッジ人材」だ。外部のデータサイエンティストは設備を知らず、ベテラン保全技術者はデータ分析ツールに慣れていない。両者を橋渡しできる人材の育成、あるいは両者が協働する仕組みの構築が成功の鍵となる。
ベンダー依存の罠
IoTプラットフォームやAI予知保全のベンダーに全面依存すると、ブラックボックス化のリスクがある。「なぜこのアラートが出たのか」をベンダーに問い合わせないとわからない状態では、現場の保全技術者がデータを信頼せず、結局使われなくなる。自社でデータの意味を理解し、分析結果を解釈できる最低限の能力を内部に持つことが、ベンダー依存から脱却し、データドリブン保全を持続可能にするための条件だ。
業界別の考慮事項
製薬工場では、データインテグリティ（ALCOA+原則）がセンサーデータの管理にも適用される。GMP環境下でのデータ収集・保存・活用には、データの帰属可能性、判読性、同時性、原本性、正確性が担保される仕組みが必要だ。また、予知保全の結果に基づいて保全計画を変更する場合、変更管理（Change Control）プロセスを経る必要がある点に注意が必要だ。
食品工場ではFSSC 22000のトレーサビリティ要件に基づき、CCP設備のモニタリングデータは規定期間の保存が求められる。エネルギー業界ではISO 50001に基づくエネルギーデータ管理が同様の要件となり、設備のエネルギー効率トレンドの監視が保全と省エネの両方に活用される。化学プラントではプロセス安全管理（PSM）の文脈で、SIS（安全計装システム）のデータ監視が法的要件に近い重要性を持つ。
まとめ
データドリブン保全は、一足飛びに「AI予知保全」を目指すのではなく、可視化→診断→予測→最適化の段階を着実に上る旅だ。Level 1（可視化）だけでも、異常の早期発見と保全判断の質向上に大きな価値がある。すべてのLevelを同時に達成する必要はない。
最も重要なのは、テクノロジーではなく「問い」から始めることだ。「この設備のこの故障を防ぎたい」という明確な問いがあれば、必要なデータと技術は自然と定まる。逆に、問いなきデータ収集は、コストだけが積み上がる。そして、データの価値を最大化するのは、最終的には「人」だ。ベテラン技術者の知見とデータ分析の融合こそが、データドリブン保全の真髄である。
データドリブン保全の旅は、本シリーズで解説してきたすべての概念と連携する。第1回のKPIがデータの「何を見るか」を定義し、第2回のCMMSが故障データの蓄積基盤となり、第5回・第6回のRCMとFMEAが「どの故障モードのデータを重視するか」の指針を提供する。これらの要素が有機的に結合したとき、データドリブン保全は真の力を発揮する。
まずは最も困っている設備1台から、手元にあるデータの可視化から始めてみてほしい。そこから見えてくるインサイトが、次のステップへの道を照らすだろう。次回の最終記事では、このデータ活用の成果を組織全体で共有するための「ダッシュボード設計」について実践的に解説する。
著者について
ダリウシ ロスタミ｜イーテック合同会社 代表
製薬・食品業界で35年のオペレーショナルエンジニアリング経験を持つ。
主な経験：
- エンジニアリング部門のリーダーとして、新規施設立ち上げプロジェクトを統括
- バリデーション（IQ/OQ/PQ）、コミッショニングの管理体制構築と技術サポート
- Reliability Engineeringプログラムの導入と運用体制の確立
- エネルギー最適化戦略の策定とクロスファンクショナルチームのマネジメント
- GMP環境での変更管理・逸脱管理システムの構築
専門分野： エネルギー最適化、GMPコンプライアンス、バリデーション、Reliability Engineering、設備投資計画、工場レイアウト設計、プロセス改善、組織マネジメント
現在は東京を拠点に、製薬施設を中心とした包括的なエンジニアリングコンサルティングを提供。「技術と人をつなぐ」ことをモットーに、持続可能な改善と組織づくりを支援している。
お問い合わせ： 工場の省エネとコミュニケーション改善についてのご相談は、こちらからお気軽にどうぞ。初回相談（30分）は無料です。
