設備の故障を事前に予測し、計画外停止ゼロを目指す「予知保全（Predictive Maintenance）」にAIが革命をもたらしている。振動・温度・電流などのセンサーデータをAIが分析し、故障の数日〜数週間前に異常を検知する。
予知保全の仕組みと精度
機械学習モデルは設備の正常稼働時のセンサーデータを学習し、そこからの逸脱パターンを故障の前兆として検出する。GEデジタルの「Predix」やPTCの「ThingWorx」など大手プラットフォームでは故障予測精度85〜95%を実現している。
鉄鋼メーカーでの導入効果
国内某鉄鋼メーカーでは圧延機のモーター故障をAIが5日前に予測。従来の定期交換コストと比較して年間1.2億円のメンテナンスコスト削減に成功した。計画外停止ゼロを18ヶ月連続達成し、OEE（設備総合効率）が8ポイント向上した。
Harryの着眼点
予知保全の最大の障壁は「データがない」ではなく「データが使えない状態にある」ことだ。センサーはあっても別々のシステムに閉じており、AIに食わせるデータレイクが整備されていない。まずデータの集約・標準化から着手することを強く推奨する。
出典：PTC「Predictive Maintenance Industry Report」（2020年）、日本プラントメンテナンス協会資料