設備が止まってから慌てるのではなく、電気の使われ方の変化から「そろそろ危ない」を早めに掴みたい。この記事では、電流・電力データのベースライン比較と保全記録との突き合わせで、故障予兆の候補をどう整理するかを、現場の手触りと限界の両方から考えます。
設備が突然止まる。ラインが停止し、原因調査に人が張り付き、部品の手配待ちで数日流れる——保全担当なら誰しも避けたい状況です。定期点検で防げるものもありますが、モーターやポンプ、コンプレッサ、送風機のような回転機は、劣化が静かに進み、点検の谷間で兆候が現れることも少なくありません。人手不足で点検周期を延ばさざるを得ない現場も増え、「壊れる前に気づきたい」という切実さは年々強まっていると考えられます。
同時に、電気代の高騰と省エネ法・GXといった制度的背景から、多くの工場ですでに電力の計測点が増えつつあります。これは省エネのための投資ですが、集めた電力データは設備の「状態」も映しているはずだ——そう考える保全担当者が、故障予兆への転用に関心を持つのは自然な流れです。振動計や温度センサを新設しなくても、すでにある電力データから予兆の手がかりを引き出せないか、という発想です。
回転機の劣化は、多くの場合その消費電力に痕跡を残します。ベアリングの摩耗や潤滑不良で回転抵抗が増えれば負荷電流が上がり、羽根への異物付着や配管の詰まりで運転点がずれれば消費パターンが変わります。ヒーターの断線やリレーの接触不良、ベルトの緩みなども、電流の絶対値や波形の形に変化として現れうるものです。つまり電力データは、後付けで機械内部を覗く窓になりうるのです。
ただし、ここで正直に言っておきたいことがあります。電力の変化は故障だけが原因ではありません。生産品目、外気温、負荷率、運転モードでも消費は動きます。だからこそ「値が上がった＝故障」と短絡すると誤検知の山に埋もれます。予兆検知の難しさの本質は、センサを付けることではなく、正常な変動と異常な変化を切り分ける設計にあると考えられます。
最初に整理したいのは、「何を測るか」と「何と比べるか」を分けて考えることです。測る対象は、電力（kW）だけでなく電流（A）、力率、可能であれば三相それぞれの電流バランスまで見られると解像度が上がります。相間の電流アンバランスはモーター巻線や電源側の異常の手がかりになりうるためです。一方で、単に測るだけでは意味を持ちません。比較の基準がなければ、その値が高いのか低いのか判断できないからです。
サンプリング周期は目的で変わります。緩やかな劣化トレンドを追うなら分単位でも足りますが、起動時の突入電流の形や、断続運転のオンオフの切れ味を見たいなら秒単位、あるいはそれより細かい計測が要ることもあります。加えて重要なのが、電力データに「その時どんな運転をしていたか」を同期させることです。運転/停止、品目、負荷条件のタグが電力波形に紐づいていないと、後から見返しても『なぜこの値だったか』が分からず、予兆判断ができません。
予兆検知で効いてくるのは、絶対値の大小より「同じ運転条件どうしの比較」です。同じ品目・同じ負荷・同じ起動シーケンスのとき、先月と今月で消費がどう変わったか。この条件を揃えた比較（apples-to-apples）ができて初めて、じわじわ増える負荷電流のような予兆が見えてきます。逆に、条件バラバラのデータを平均してしまうと、肝心の変化が生産変動に埋もれます。ここは工場の電力異常を検知するうえで最初につまずきやすい論点です。詳しくは工場の電力異常を検知する考え方も参考になると考えます。
予兆検知の中核は「正常時のベースライン」を持つことです。ベースラインとは、健全な状態でその設備がどう電気を使うかの基準像で、これがなければ何が異常かを定義できません。作り方の基本は、正常だと分かっている期間の電力・電流を、運転条件ごとに数週間ためること。品目Aを流すときの消費帯、起動時のピーク、アイドリング時の待機電力——条件別に『いつもの姿』を数値と幅で押さえます。
ベースラインができると、単純には「基準＋一定幅を超えたら警報」というしきい値判定に進みたくなります。これは分かりやすく、まず試す価値があります。ただししきい値を厳しくすれば誤検知が増え、緩めれば予兆を見逃す——このトレードオフからは逃れられません。実務では、瞬間値のスパイクではなく『同一条件での移動平均がベースラインから乖離し続けているか』というトレンドで見るほうが、緩やかな劣化を掴みやすいと考えられます。
絶対値だけでなく、消費パターンの『形』の変化も予兆の手がかりになりえます。起動時の立ち上がりが鈍くなった、定常運転中の細かな変動が増えた、オンオフの間隔が不規則になった——こうした形の崩れは、平均値には現れにくい兆候です。ここまで来ると人の目視だけでは追いきれなくなり、正常波形との差分を機械的に評価する仕組みが助けになりますが、その前段として『何を正常とするか』を人が定義しておくことが前提になると考えます。
なお、ここで挙げた手順はいずれも「そのままで必ず効く」ものではありません。設備の種類・使い方・電源環境で見え方は大きく変わるため、自分たちの現場でどの指標が予兆をよく映すかは、現物で確かめながら絞り込む必要があります。この検証の重さこそ、外部の一般論では代替できない部分だと考えられます。
電力の異常を検知しても、それだけでは「何かが起きているらしい」以上のことは言えません。予兆候補として意味を持たせるには、電力データを保全記録・故障履歴と突き合わせる設計が要になります。過去にベアリング交換をした前後で電力トレンドがどう動いていたか、詰まり除去の直前に消費がどう変化していたか——この対応づけができると、『この波形の崩れ方は、過去のあの故障の前兆と似ている』という経験知が蓄積されます。
多くの現場では、故障の予兆はベテランの『音が違う』『振動が増えた』という感覚に頼っています。この暗黙知は貴重ですが、属人的で継承が難しい。電力データにイベント（点検・部品交換・異常停止・所見）を注記として残していくと、感覚的な予兆と客観的なデータが少しずつ結びつきます。完璧なラベル付けを目指すより、まず日々の保全所見を電力トレンドの横に並べて見られる状態を作ることが、実務では効いてくると考えられます。
設備の稼働・故障・生産に関わるデータは機微な情報を含むため、クラウドへ送ることに慎重な現場も多いはずです。計測から一次処理・判定までを工場内で完結させるエッジAIによる工場内データ処理の構成なら、生データを外に出さずに予兆分析を回しやすくなります。また既存設備を改造せず計測点だけ足したい場合は、既存設備への後付けセンシングという選択肢もあり、電流クランプ等で稼働を止めずに始められる可能性があります。
予兆検知は一度作って終わりではなく、継続して回してこそ価値が出ます。ベースラインは設備の経年や更新で少しずつずれるため、定期的な見直しが必要です。季節で外気温が変われば冷却系の消費も変わる——こうした『正常な変化』でベースラインを更新しつつ、真の劣化トレンドは残す、という調整を運用の中で続けることになります。ここを放置すると誤検知が増え、警報が信頼されなくなって形骸化する、というのはよくある失敗です。
正常波形からの逸脱を検知する異常検知モデルは、人がしきい値を一つずつ決めきれない多変量・複雑波形の監視で助けになりえます。ただしAIは『正常を学んだ範囲でしか異常を測れない』ため、学習データに含まれない運転条件では誤警報を出しがちです。導入すれば自動で当たる魔法ではなく、正常データの整備と現場での検証がむしろ主作業になる、と理解しておくのが誠実だと考えられます。
検知そのものより、検知後の『説明』でローカルLLMが役立つ余地があります。どの設備が、いつから、どの条件で、どれだけベースラインから外れたかを日次の所見文にまとめる、過去の類似イベントを引いて『前回はベアリング交換で解消』と添える——こうした報告・引き当ての手間を減らす使い方です。判断そのものを委ねるのではなく、人が判断しやすい形に情報を整える補助と位置づけるのが現実的だと考えます。
手法自体は理にかなっていても、運用の細部でつまずくことが多いのが予兆検知です。着手前に知っておきたい代表的な落とし穴を挙げます。
最初から全設備を対象にすると、データも運用も破綻しがちです。現実的なのは、過去に止まって痛い思いをした設備や、更新コストの大きい回転機など『予兆を掴めたら効果が大きい対象』を1〜数台に絞ることです。そこで数週間、正常時の電力・電流を条件別にため、自分たちの現場のクセを掴む。この地道な観察が、しきい値やAIを載せる前の土台になると考えられます。
『何をもって予兆検知が機能したと言えるか』を先に決めておくことも大切です。過去の故障前後の波形で兆候が見えるか遡って確かめる、しばらく運用して警報の的中率と見逃しを記録する——こうした効果検証の設計があると、投資判断も社内説明もぶれません。対象設備を絞った検証設計は、小規模PoCから始める相談として外部の知見を借りるのも一案だと考えます。
Nsightは、元キーエンス画像処理事業部の現場知見に、Jetsonエッジ・産業用センシング・ローカルLLMを組み合わせ、設備データを工場内で処理する構成を扱ってきました。電力データからの予兆検知も、まずは対象を絞ったPoCで『自分たちの現場で予兆が見えるか』を現物で確かめるところから始めるのが、遠回りのようで確実だと考えています。方針に迷う段階からでも相談することができます。
回転機の劣化などは負荷電流や消費パターンの変化として現れることがあり、手がかりになりうると考えられます。ただし電力は生産品目や負荷、外気温でも動くため、電力単独では正常な変動と区別しづらい面があります。運転条件で層別し、保全記録と突き合わせて初めて予兆候補として意味を持つと考えます。効果は設備や環境で変わるため、現物での検証が前提になります。
電力データはすでに省エネ用途で計測されていることが多く、後付けの窓として活用できる可能性があります。一方で、電力に現れにくい故障モードもあるため、電力が振動・温度を完全に代替するわけではないと考えられます。まず電力で掴める範囲を見極め、必要に応じて他の計測を足す段階的な進め方が現実的だと考えます。
設備の運転パターンによりますが、主要な品目や負荷条件を一通り含む数週間分をためて、条件別の『いつもの姿』を押さえるのが出発点になると考えられます。季節変動の影響が大きい設備では、より長い期間の観察が要ることもあります。期間より『代表的な運転条件を網羅できているか』を基準に判断するのが実務的だと考えます。
異常検知モデルは複雑な波形の監視を助けえますが、正常として学んだ範囲でしか異常を測れないため、未学習の運転条件では誤警報が出やすいのが実情です。導入すれば自動で当たるものではなく、正常データの整備と現場での検証がむしろ主作業になります。AIは人の判断を助ける道具と位置づけるのが誠実だと考えます。
省エネのために増えた電力計測データを設備の状態把握に転用する発想は、投資を二重に活かす意味で理にかなう面があると考えられます。ただし制度上の義務や適用範囲、数値要件は所管省庁の最新の公表資料でご確認ください。制度対応と予兆検知は目的が異なるため、まずは効果の大きい設備に絞って小さく検証するのが現実的だと考えます。
設備故障の予兆を電力データで掴めるかは、設備の種類や使い方によって大きく変わります。まずは対象を1〜数台に絞り、正常時のデータをためて現物で見え方を確かめるところから始めるのが確実だと考えます。方針に迷う段階からでもご相談いただけます。
電力データでの故障予兆検知について相談する