設備の突発故障が生産停止・納期遅延・安全リスクに直結する構造を解説します。事後保全から予防保全・予知保全への段階、人手点検の限界、そしてカメラ・画像AIによる定点監視で異常予兆を早期に捉える考え方を、誇張なくまとめました。
製造現場や物流現場で「設備が止まる」という出来事は、当事者にとっては日常的なトラブルに見えるかもしれません。しかし、その一回一回の停止が積み重なると、企業の競争力そのものを削っていく構造的な問題になります。突発故障(予期しない設備停止)は、単に壊れた部品を交換する費用だけでは終わりません。停止している間に生み出せたはずの生産量、後工程への波及、納期の遅れ、そして場合によっては顧客からの信頼の低下まで、損失が連鎖的に広がっていくと考えられます。
故障対応の議論は、つい修理費や部品代といった目に見える直接費用に集中しがちです。ところが、ライン全体が止まった場合の機会損失——稼働できなかった時間に生み出せたはずの付加価値——は、修理費を大きく上回ることが少なくありません。とくに多品種少量生産や、複数工程が連動するラインでは、一台の設備停止が前後の工程を芋づる式に止めてしまい、影響が見積もりにくくなります。
さらに、突発故障は「いつ起きるか分からない」ことそのものがコストです。予定外の停止は、人員の急な手配、代替生産の段取り替え、外注への振り替えといった一連の混乱を伴います。計画的に止めるのと、予告なく止まるのとでは、同じ「停止」でも現場が払う負担がまったく異なると考えられます。
突発故障は安全面にも影響します。異常な状態のまま稼働を続けた設備が、はさまれ・巻き込まれ・飛散といった労働災害の引き金になる可能性は否定できません。また、故障の前兆を抱えたまま生産を続けると、寸法ずれや表面不良といった品質問題が増え、不良品の流出につながるおそれもあります。設備の状態と、安全・品質は地続きの関係にあるという視点が重要だと考えます。安全の論点についてはフォークリフトの接触事故とAIカメラの記事もあわせてご覧ください。
多くの現場で根強いのが、いわゆる事後保全(壊れてから直す)の発想です。これは一見すると合理的に見えます——壊れていないものに手をかけるのは無駄に思えるからです。しかし事後保全に依存している限り、損失額は事前に予測できず、制御もできません。「次にいつ・どこが・どれだけの規模で止まるか」が分からないため、経営として備えようがないのです。本記事では、この「壊れてから直す」を脱するための考え方を、誇張せずに整理していきます。
保全(メンテナンス)の考え方は、大きく事後保全・予防保全・予知保全の3段階で整理されることが一般的です。それぞれに役割と限界があり、どれか一つが絶対的に正しいわけではありません。設備の重要度やコストとのバランスを見ながら、組み合わせて使うのが現実的だと考えられます。
故障してから対応する方式です。重要度が低く、止まっても影響が小さい設備や、予備機がすぐに用意できる設備には合理的な選択になりえます。一方で、生産の中核を担う設備にこの方式を当てはめると、前述のとおり突発停止のリスクをそのまま抱えることになります。「重要度の低い設備にだけ事後保全を許す」という線引きができているかが、まず問われる点です。
故障する前に、あらかじめ手を打つ方式です。さらに大きく2つに分かれます。一つは時間基準保全(TBM)で、稼働時間や日数といった「時間」を基準に、状態にかかわらず部品を交換・点検します。もう一つは状態基準保全(CBM)で、設備の状態を測定し、その結果に応じて対応します。後者は予知保全に近い考え方で、両者の境界は連続的です。
時間基準の予防保全は分かりやすく、計画も立てやすいのが利点です。ただし弱点もあります。まだ使える部品を定期で交換してしまう「過剰保全」によるコスト増と、定期点検と点検の隙間で起きる故障を防ぎきれない点です。劣化は必ずしもカレンダーどおりには進まないため、時間だけを基準にすると、早すぎる交換と遅すぎる交換が同時に発生しうるのです。
設備の状態を継続的に監視し、異常の予兆を捉えて、故障に至る前に対応する方式です。状態基準保全(CBM)を一歩進め、「劣化の傾向」を読んで残存寿命を推定し、最適なタイミングで手を打つことを目指します。理想的には、過剰交換も突発故障も減らせる方向に働くと考えられます。
ただし予知保全は万能ではありません。状態を測るためのセンサーやカメラ、データを蓄積・分析する仕組み、そして「どの兆候が危険なのか」を判断する知見が必要になります。導入のハードルは事後保全より明らかに高く、すべての設備に一律に適用するのは現実的ではありません。重要度が高く、止まると影響が大きい設備から段階的に検討するのが妥当だと考えます。どこから手をつけるかという全体観については製造業DXはどこから始めるかも参考になります。
予知保全を考えるうえで出発点になるのが、「故障の前に、何らかの兆候が出ているのか」という問いです。多くの設備劣化は、突然ゼロから故障に飛ぶのではなく、徐々に進行する過程を経ると考えられます。その過程で現れる小さな変化を捉えられれば、致命的な停止の前に手を打てる可能性が高まります。
回転機械(モーター、ポンプ、ファン、軸受など)では、ベアリングの摩耗や軸のずれが、振動や異音という形で現れることがよく知られています。熟練の保全担当者が「音が変わった」と気づくのは、まさにこの兆候を経験的に捉えているわけです。振動センサーや音響の解析は、こうした暗黙知をデータ化する代表的な手段の一つです。
異常な発熱は、摩擦の増大、潤滑不良、電気的な接触不良など、さまざまな問題のサインになりえます。設備の特定部位の温度が普段より高い状態が続く場合、その背後で何かが進行している可能性があります。サーモグラフィや赤外線による温度監視は、目では見えない発熱を可視化する方法です。
そして、意外に見落とされがちなのが「見た目の変化」です。多くの予兆は、視覚的なサインとして現れます。たとえば次のようなものです。
これらは、本来であれば人が巡回点検で目視確認している項目です。つまり「カメラと画像で捉えうる予兆」は、現場にすでにたくさん存在しているということです。問題は、人手による目視点検が、後述するいくつかの構造的な限界を抱えている点にあります。
予兆の検知で重要なのは、ある瞬間の値そのものより、「いつもと比べてどう変わったか」という傾向です。普段の正常な状態(ベースライン)を把握しておき、そこからの逸脱を捉える——この考え方は、振動・温度・画像のいずれにも共通します。だからこそ、継続的に・同じ条件で記録し続けられる仕組みが価値を持つと考えられます。
多くの現場では、保全担当者や現場作業者による巡回点検が日常的に行われています。チェックシートを手に設備を回り、異常がないかを確認する——この地道な活動が、これまで多くの突発故障を未然に防いできたことは間違いありません。熟練した点検者の「目」は、今でも極めて重要な資産です。一方で、人手の点検だけに依存し続けることには、いくつかの構造的な限界があると考えられます。
点検は人間の注意力に支えられています。しかし、同じ作業を繰り返すうちに慣れが生じ、「いつも異常がないから今日も大丈夫だろう」という心理が働きやすくなります。微細な変化、たとえばわずかな油のにじみや、ごく小さなたるみは、忙しい巡回のなかでは見過ごされがちです。これは個人の能力や注意不足の問題というより、人間の認知の特性に起因する構造的なものだと捉えるべきです。
点検の質は、担当者の経験に大きく左右されます。ベテランは「音が少し違う」「いつもより熱い気がする」といった感覚で異常を捉えますが、その判断基準は本人の頭の中にあり、明文化されていないことが多いものです。結果として、特定の人がいないと適切な点検ができない属人化が進みます。この担当者が退職・異動すれば、その知見ごと失われるリスクを抱えることになります。検査における属人化の問題は工場検査の省人化でも触れていますが、保全の世界でも同じ構造が見られます。
巡回点検の記録は、多くの場合チェックシートへの「異常なし」のチェックで終わります。しかし、後から故障が起きたとき、「その時、本当はどんな状態だったのか」を遡って確認する手段がないことが少なくありません。微妙な変化があったとしても、それが数値や画像として残っていなければ、傾向を分析することも、原因を特定することもできません。記録が残らないという点は、改善のサイクルを回すうえで大きな制約になります。
人手の点検は、当然ながら巡回の頻度に限界があります。1日に数回見回れたとしても、その間に進行する異常を常時監視することはできません。また、慢性的な人手不足のなかで、点検にかけられる時間そのものが削られているのが多くの現場の実情です。点検を厚くしたくても、人を増やせないというジレンマがあります。ここに、人手を補う仕組みを検討する余地が生まれます。
人手による点検の限界を踏まえると、カメラと画像AIによる定点監視は、これを補完する有力な選択肢の一つになりうると考えられます。ここで強調したいのは、「人を置き換える」のではなく「人の目を補い、見落としと記録の問題を埋める」という位置づけです。前項で挙げた視覚的な予兆——油漏れ、たるみ、堆積、表示灯の状態、ずれや変形——の多くは、カメラで捉えうる対象だからです。
カメラによる定点監視の最大の特徴は、同じ場所を、同じ画角で、休みなく見続けられる点です。人の巡回が1日数回であるのに対し、定点カメラは24時間、疲れることなく同じ条件で記録し続けられます。前述の「傾向を見る」という予知保全の発想にとって、同条件での継続的な記録は相性が良いと考えられます。普段の正常な見た目をベースラインとして、そこからの逸脱を捉える、という使い方です。
近年は、画像AI——とくに従来の画像処理に加え、VLM(視覚言語モデル)のような柔軟な判定が可能な技術——の進展により、定型的でない異常も扱える可能性が広がってきました。たとえば「油のにじみが出ていないか」「表示灯が赤くなっていないか」「いつもない異物が堆積していないか」といった、言葉で記述しやすい状態の確認は、画像AIが補助しうる領域です。詳しくは予知保全AIソリューションの考え方もご覧ください。
ただし、ここでも誇張は禁物です。「どんな異常でもAIが自動で検知する」というものではありません。何を異常とみなすか、どの程度の変化で警告を出すかは、現場ごとに定義し、現物で調整していく必要があります。照明条件、撮像角度、対象の見え方によって難易度は大きく変わります。この設計の良し悪しが、実用になるかどうかを分けると考えられます。
画像による監視のもう一つの価値は、判定の根拠が画像として自動的に残ることです。「いつ・どこが・どんな状態だったか」が時系列で蓄積されるため、後から故障が起きたときに遡って状態を確認できます。これは、人手のチェックシートでは得にくい性質です。記録が残ることで、はじめて「予兆と故障の関係」をデータとして分析し、判定基準を磨いていくサイクルが回り始めます。現場全体の状態を見える化する発想は工程の見える化ソリューションとも通じます。
画像は万能ではなく、見た目に現れない異常——内部の劣化や、画角に映らない部位の変化——は捉えられません。だからこそ、振動・温度・電流といったセンサーと、画像による監視は補完関係にあると考えるのが自然です。見た目で分かるものは画像で、内部の状態はセンサーで、というように、対象に応じて手段を選び、組み合わせる設計が現実的だと考えられます。
予知保全や画像による定点監視は魅力的な方向性ですが、実際に取り組むと、いくつかの典型的なつまずきがあります。先に知っておくことで、過度な期待や手戻りを避けやすくなると考えます。
これらの落とし穴の多くは、「いきなり大きく入れる」のではなく「小さく試して確かめる」ことで避けやすくなります。机上の検討だけで判断せず、自社の設備・環境で実際に映してみる、検知させてみる、というステップを挟むことが重要だと考えます。
最後に、突発故障リスクを下げ、予知保全へ近づいていくための現実的な進め方を整理します。一足飛びに高度な予知保全を目指すのではなく、自社の状態に合わせて段階的に進めることが、結果的に近道になると考えられます。
まず、すべての設備を平等に扱うのをやめ、「止まると影響が大きい設備」を特定します。生産の中核を担い、代替がきかず、過去にも突発停止で痛い思いをした設備が候補になります。ここに保全の力を集中させることが、限られたリソースを活かす第一歩です。
対象設備について、「過去の故障の前に、どんな兆候があったか」を関係者で洗い出します。ベテランの「あの時、音が変だった」「油がにじんでいた」といった経験こそ、予知保全の設計図になります。そのうえで、その予兆が画像で捉えられるのか、センサーが向くのかを切り分けます。暗黙知を言葉にして共有するこの作業自体に、属人化を緩める価値があります。
絞り込んだ設備・予兆について、実際にカメラやセンサーを当てて記録を取り、検知できるかを小規模に検証します。この段階で、撮像条件の難しさ、正常データの必要量、誤報の傾向といった「机上では見えなかった現実」が明らかになります。ここで得られる学びが、その後の判断を大きく左右します。Nsightでは、こうした初期検証を一緒に進めるPoC・導入コンサルティングの取り組みも行っています。
検証で見込みが立ったら、検知後の対応フローとセットで運用に乗せます。重要なのは、一度作って終わりにせず、誤報・見逃しの実績を見ながらしきい値や判定基準を継続的に調整することです。記録が蓄積されるほど、判定は現場の実態に近づいていくと考えられます。
Nsightの画像検査・監視に関する取り組みは、元キーエンス画像処理事業部出身の監修者の知見を土台にしています。照明・撮像条件の設計、見たい変化を安定して捉えるための作り込み、そして「どこまでが画像で捉えられ、どこからが他の手段が向くのか」という線引きは、カタログ的な説明だけでは判断が難しい領域です。だからこそ私たちは、最初から大きな投資を勧めるのではなく、お客様の現物・現場での検証を通じて、何がどこまでできるかを一緒に確かめることを大切にしています。突発故障に悩まされている設備が思い当たるようでしたら、その一台から、現物で確かめてみることをご提案します。
ゼロにできると断言することはできません。予知保全の狙いは、故障の予兆を早期に捉えることで突発停止を減らし、できるだけ計画的な停止に近づけることにあります。すべての異常が事前に予兆として現れるわけではなく、画像やセンサーで捉えられない劣化も存在します。過度な期待ではなく、リスクを下げる手段の一つとして位置づけるのが現実的だと考えます。
画像で捉えられるのは、見た目に現れる変化——油漏れ、たるみ、異物の堆積、表示灯の状態、ずれや変形などです。一方、内部の劣化や画角に映らない部位の変化は画像では捉えられません。そのため、見た目で分かるものは画像で、内部の状態は振動・温度・電流などのセンサーで、というように補完的に組み合わせる設計が現実的だと考えられます。
不要になるとは考えていません。熟練した点検者の判断は今も重要な資産です。カメラと画像AIの役割は、人を置き換えることではなく、見落としや記録が残らないといった人手点検の構造的な弱点を補い、常時・同条件での監視を加えることにあります。人の目と機械の目を組み合わせる発想が現実的だと考えます。
可能ですし、むしろ推奨します。最初から全設備を対象にするのではなく、止まると影響が大きい設備を一台選び、その設備の予兆をカメラやセンサーで捉えられるかを現物で検証することから始めるのが現実的です。撮像条件の難しさや必要なデータ量は、実際に試してみてはじめて見えてくる部分が多いためです。
効果は対象設備の重要度や、現場の運用次第で大きく変わるため、一律の数値をお示しすることは控えています。突発故障による機会損失が大きい設備ほど、予知保全の価値は出やすい傾向があると一般的には考えられます。具体的な見込みは、対象設備の停止コストや故障履歴をもとに、現物での検証を通じて見極めることをおすすめします。
止まると痛い設備の予兆が、画像やセンサーで捉えられるかどうかは、実際に試してみないと分かりません。元キーエンス画像処理事業部出身の監修者とともに、お客様の現物・現場での小さな検証から一緒に確かめます。
予知保全の検証について相談する