予知保全はAIだけで進む？米国の新調査と日本のモーター監視から考える

工場の機械にセンサーを付け、AIで故障の兆候を見つける。それだけで、必要な点検や修理が予定どおり進むのでしょうか。異常を捉える技術と、担当者が作業し、その結果を次に残す仕組みは、分けて考える必要があります。

米国の保全管理ソフト会社Limbleが2026年10月7日に発表した調査を入口に、日本のモーター監視機器と計画保全の考え方を比べます。日米の進み具合を順位付けする比較ではなく、設備の突発停止を減らすための仕事を、測定・判断・実行・記録へ分けて見るための比較です。

米Limbleの調査は、システムの導入と利用の差を示した

Limbleの発表では、予定された予防保全の完了率を、リーダーは54％と推定しています。また、回答者の82％が所属組織で保全管理システムを保有・運用していると答えた一方、チーム全体が一貫して利用しているという回答は39％でした。ソフトが導入されていることと、日々の仕事で使われることの間には差があります。

調査は2026年7月29日～8月6日、保全・運用に直接関わる米国のフルタイム従業員686人を対象に実施されました。製造業だけでなく、卸・流通、設備を多く使うサービス、インフラ、公共部門も含みます。54％は管理者側の推定であり、全設備の作業ログを監査した実測値ではありません。82％と39％は回答者の割合で、完了率54％とは分母も意味も違います。

今回読んだ公開発表だけでは、製造業に限定した結果や、回答者の抽出方法の詳細までは確認できません。したがって「米国の工場は点検を半分しかしていない」と一般化したり、日本の工場に同じ数値を当てはめたりはできません。

CMMSと呼ばれる保全管理システムは、設備や作業指示、点検予定、履歴などを管理するソフトです。センサーが測る機械の状態とは、扱う情報が異なります。Limbleの公開レポート紹介も、現場で記録の基準をそろえ、チームで利用することを課題に挙げています。AIを使うかどうかの前に、何が測れ、何が記録され、誰が利用しているかを確かめる余地があります。

定期点検、状態の監視、故障の予測は役割が違う

予知保全を理解するには、一定の間隔で点検することと、現在の状態を測ること、将来の故障を予測することを区別すると見通しがよくなります。電子情報技術産業協会（JEITA）の2025年7月『予知保全技術に関する調査報告書 第3版』は、保全の方式をこうした違いで整理しています。

方式	判断の主な手がかり	確かめたいこと
定期保全	あらかじめ決めた期間や計画	予定した点検・交換を実行できたか
状態監視保全	現在の状態や変化の傾向	測定結果に応じた判断ができるか
予知保全	データ等から予測する将来の故障	何を、どの条件で予測できるか

この表の最後の列は、各方式の違いを仕事の確認事項へ置き換えたものです。数値がしきい値を超えたら知らせる機能と、「あと何日で壊れる」と予測する機能は同じではありません。製品説明で「予知保全」と書かれていても、測る量と出力する判断を具体的に見る必要があります。

JEITAの報告書も、すべてを一つの方式で済ませるのではなく、設備の重要度などに応じて組み合わせる考え方を示しています。全設備へ同じ監視機器を付けることが、必ずしも合理的な出発点ではありません。

ここで米国の調査が示す予定作業の完了率と、日本側の技術分類がつながります。精度のよい検知手段を追加しても、必要な作業の実行まで自動的に済むわけではないからです。逆に、予定作業をすべて終えていても、監視していない種類の異常を捉えられるとは限りません。

オムロンのモーター監視では、異常に合わせて測る量を選ぶ

日本企業の具体例として、オムロンのモータ状態監視機器「K6CM」を見てみます。公式情報では、電流総合診断、振動・温度、絶縁抵抗の各タイプを用意しています。モーターのどの変化を知りたいかによって、測定の入り口が変わる仕組みです。

写真は回転する軸を支える玉軸受の一例です。オムロンは、軸受の異常を振動の加速度で監視する方法などを説明しています。一方、電気を絶縁する部分の劣化を知るには、別の量である絶縁抵抗が関わります。「モーターの調子」という一つの言葉の中にも、異なる部品と故障の起こり方があります。

オムロンの公開事例集には、飲料品メーカーA社で、振動監視では捉えられなかったモーターの異常を、電流総合診断による劣化度で把握した例が載っています。部品をいつも同じ周期で手入れする運用から、劣化の状態に合わせた計画へつなげたというメーカー側の報告です。

この事例は「電流を測れば、振動計より何でもよくわかる」という証明ではありません。企業名は匿名で、測定条件の全体や、同条件の比較試験、故障削減率までは確認できないためです。読み取れるのは、捉えたい異常に合わせて測定方法を選ぶ必要があるということです。

米Limbleの調査は人と記録の利用状況、K6CMの例は設備の状態を捉える方法を扱います。対象も調べ方も違うため、数字を並べて日米の優劣は比べられません。ただし、同じ保全業務の中で、前者は作業の管理、後者は状態の把握を考える材料になります。

検知した後の仕事と記録までつなぐ

日本プラントメンテナンス協会（JIPM）が示す計画保全は、技術力だけでなく、保全を継続するマネジメントも対象にします。現状を把握し、重点を付け、日常の仕事として続けられる仕組みを作る考え方です。状態を測る機器を選んだ後にも、この仕事が残ります。

たとえば、工場で水を送るポンプのモーターを監視する場合を考えてみます。以下は特定工場の導入実績ではなく、必要な情報の違いを示す仮の場面です。異常の通知が出ても、通知を確認する担当、生産側と作業時期を調整する人、必要な部品が分からなければ、測定結果だけでは作業の予定を決められません。

作業後の記録も、「対応済み」の一言と、対象設備、確認した現象、行った処置、再確認の結果が残る場合では、次の担当者が使える情報が違います。これは新しいソフトを必ず買うべきだという話ではなく、いま残している記録が次の判断に使えるかという問いです。

ここまでの日米の資料を合わせると、導入説明で確かめたいことが具体的になります。「AIを搭載しているか」に加え、対象の故障をどの測定量で捉えるのか、通知後の判断を誰が担うのか、実施できなかった作業とその理由も履歴に残るのかを見ると、技術と運用の両方を比較できます。設備の操作や点検条件そのものは、メーカーの指示と現場の安全手順に従う領域です。

今回の米国調査は、AIの効果を比較実験で証明したものではありません。日本の製品・事例も、日本全体の保全水準を示す統計ではありません。それでも、異常を見つけることと、必要な仕事を終えて知識を残すことを分けると、設備保全の説明を一段具体的に読めます。今後の導入事例では、検知精度だけでなく、予定作業の実施や履歴の利用までどう変わったかが、確かめたい点です。