閾値アラートが60%の故障を見逃す理由——その対策とは

午前3時の電話

午前3時14分、電話が鳴ります。冷却ループのポンプ7Aが突然停止しました。生産ライン3が停止し、保全チームが駆けつけます。誰かが監視ダッシュボードを開くと——壊滅的な故障が起きるその直前まで、すべてのアラームはグリーンのままでした。

これはどういうことでしょうか。状態監視の設定に何か月もかけたはずです。振動センサー、温度プローブ、電流センサーも備えています。ISO 10816に基づいて閾値も設定しました。すべて正常に見えていました。

しかし実際には正常ではありませんでした。ポンプは3週間かけてゆっくりと劣化していたのです。閾値にはそれが見えていませんでした。

閾値の問題：動的な世界における静的なルール

典型的な設定はこうです。ポンプ軸受に振動センサーを取り付け、ISOの規格またはOEMマニュアルに基づいて4.5 mm/s RMSでアラームを設定します。振動がその値を超えると、アラートが発報されます。

これは機能します——ときには。軸受が数時間で正常から壊滅的な状態に移行する突発的な故障は検知できます。しかし、ほとんどの産業機器の故障はそのようなパターンをたどりません。

実際のパターンを考えてみましょう。ポンプ軸受が1.8 mm/sの基準振動値から始まり、6週間をかけて2.1、2.4、2.9 mm/sへと徐々に上昇します。同時に軸受温度が摂氏3度上昇し、起動時のモーター電流もわずかに不規則になります。各信号はそれぞれの閾値内に収まっており、アラームは発報されません。そしてある火曜日、何かが変化し——振動が6.2 mm/sに急上昇し、軸受は数時間で故障します。

この故障は予測可能でした。しかし閾値はそれを見逃しました。なぜなら、閾値はパターンではなく絶対値を見ていたからです。

第2のシナリオ：インバーター駆動ファン

閾値が常に見逃すもう一つのパターンがあります。可変周波数ドライブ（VFD）が空調ファンを制御し、プロセス需要に応じて600〜1,800 RPMの間で速度を変化させる場合です。ファンの軸受に外輪欠陥が生じています。

課題：振動振幅は速度の二乗に比例します。1,800 RPMでは、軸受は3.2 mm/sを示し——ISO 10816の「良好」ゾーン内です。600 RPMでは、同じ軸受が0.4 mm/sを示し——ノイズフロアをわずかに超える程度です。全速用に設定された固定閾値は部分速度では発報されず、部分速度用に設定された閾値は全速では常に誤報を出し続けます。

その一方で欠陥は進行しています。軸受の振動は一定速度における値が毎週0.1 mm/sずつ増加しています。しかし運転速度が数分ごとに変化するため、生の時系列データではこのトレンドが見えません。「900 RPMでの2.1 mm/sは、1,800 RPMでの3.0 mm/sが正常であっても異常だ」と運転速度で振動を正規化して学習するモデルだけがこれを検知できます。

インバーター駆動機器は産業設備の増大する割合を占めており（現代の施設では推定30〜40%のモーターが対象）、そのすべてが静的閾値では対応できない同じ速度依存ベースラインの問題を抱えています。

検知手法の比較

故障の種類によって、検知アプローチの性能は大きく異なります。一般的な手法の比較を示します。

| 検知手法 | 突発的故障 | 軸受の漸進的摩耗 | 速度依存劣化 | 複数センサーパターン | 標準的なリードタイム | |---|---|---|---|---|---| | 静的閾値 | 70%検知 | 20〜30%検知 | 10%未満の検知 | 非適用 | 数時間 | | エンベロープ解析 | 50%検知 | 60〜70%検知 | 40%検知 | 非適用 | 数日〜数週間 | | LSTM オートエンコーダー | 85%検知 | 85〜90%検知 | 80〜85%検知 | 90%以上の検知 | 2〜4週間 | | TranAD（Transformer） | 90%検知 | 90〜95%検知 | 90%検知 | 95%以上の検知 | 2〜6週間 |

重要な洞察：閾値ベースの手法は、単一センサー・固定ベースラインという構造的限界があります。ML手法はデータ量とともに改善され、実際の故障の大部分を占めるクロスセンサー・速度依存パターンを捉えることができます。

機械がルール通りに故障しない理由

産業機器は複雑です。静的閾値がほとんどの故障を捉えられない根本的な理由が3つあります。

漸進的な摩耗は固定限界に対して見えない。 軸受は「正常」から「破損」へと急に移行しません。数週間または数か月かけて劣化します。初期の兆候は微細です——振動の0.3 mm/s増加、半度の温度変化、スペクトル高調波のわずかな変化。個別に見ればノイズですが、総合すると明確なシグナルです。

故障パターンは複数のセンサーにまたがる。 ポンプは一つの次元だけで故障しません。外輪欠陥は振動、温度、電流、場合によっては流量に——同時に、しかし微妙に現れます。いかなる単一の閾値も多次元パターンを捉えられません。クロスセンサーのルールを何百も書いたとしても、想定外のパターンは見逃してしまいます。

正常値は運転条件とともに変化する。 涼しい月曜日の午前中に1,800 RPMで運転するモーターと、暑い金曜日の午後に3,600 RPMで満負荷で運転する同じモーターとでは「正常」が異なります。季節的な温度変化、製品の切り替え、負荷変動がすべてベースラインをシフトさせます。固定閾値は常に誤報を出すか、あるいは高すぎて本当の問題を見逃すかのいずれかになります。

業界データもこれを裏付けています。マッキンゼーおよびさまざまな信頼性工学の調査によると、従来の閾値ベース監視が予防可能な故障を検知するのは半数以下——多くの推定では約40%とされています。残りは突発的な問題として現れるか、何かがおかしいと偶然気づいた人間によって発見されます。

AIベース検知が実際に捉えるもの

代替手段はより多くのルールではありません。それは各機械の特定の運転条件下での「正常」な状態を学習し、現実がその学習済みベースラインから逸脱し始めたときにフラグを立てるシステムです。

これがLSTMオートエンコーダーの行うことです。LSTM（Long Short-Term Memory）ネットワークは、センサーが生成するような時系列データのパターンを学習することに特に優れたAIモデルの一種です。オートエンコーダーは正常な動作を再構成するように訓練されます。機械が健全であれば、モデルの再構成は現実とほぼ一致します。何かが問題になり始めると、たとえ個別のセンサーがすべて閾値内に収まっていても、再構成誤差が急増します。

こう考えてみてください。あなたは自分の車のエンジン音を知っています。「正常」を定義する正確な周波数スペクトルを書き下すことはできませんが、何かがおかしいときにはすぐに気づきます。LSTMオートエンコーダーはセンサーデータで同じことをします——ただし10〜20個のセンサーを同時に、24時間365日、疲れることなく。

モデルは機械ごとに学習します。同じ型であっても、ポンプ7Aの正常値はポンプ7Bの正常値とは異なります。負荷、速度、周囲環境に適応します。そして閾値では到底捉えられないような、ゆっくりとした多センサー劣化を検知します。

説明可能性のギャップ

ここでほとんどのAIソリューションが躓きます。モデルが異常を検知してアラートを発報します。「ポンプ7A——異常検知、信頼度94%」

素晴らしい。では次は？

信頼性エンジニアがそのアラートを受け取り、当然の疑問を提起します。なぜか？ どのセンサーか？何が変化したのか？軸受の問題かシールの問題か？停止を計画すべきかそれとも監視を続けるべきか？

答えが「モデルがそう言っている」であれば、そのアラートは無視されます。当然です——経験豊富なエンジニアがブラックボックスの数値だけを根拠に生産重要ポンプを停止するはずがありません。

ここで特徴量寄与度（feature attribution）が状況を変えます。Prevlyのモデルは、各入力特徴量（各センサーの読み値、各計算済みメトリクス）がどれだけ意思決定に貢献したか——どのシグナルがアラートを引き起こし、どの程度の影響があったか——を正確に報告します。（勾配ブーストRULモデルにはSHAP、深層学習の異常・故障モデルにはIntegrated Gradientsを使用しており、どちらも同じ種類の特徴量ごとの寄与度分解を生成します。）

14日間の警告——根拠付きで

軸受外輪故障検知の具体的な例を示します。AIベースのシステムが、軸受が故障する14日前に遠心ポンプの異常にフラグを立てます。アラートは「異常」と言うだけでなく、特徴量寄与度を含みます。

vibration_x_rms: +0.34 ——最大の寄与因子、径方向の振動が上昇
temperature_delta: +0.21 ——軸受温度がハウジング温度より速く上昇
current_kurtosis: +0.12 ——モーター電流のわずかなスパイク、断続的な機械的抵抗を示す

エンジニアはこれを読んで即座に仮説を立てます。径方向振動の上昇と温熱上昇と電流スパイク——これは典型的な外輪欠陥パターンです。次回の計画停止時に点検をスケジュールし、超音波で欠陥を確認し、壊滅的な故障と18時間の計画外停止に対処する代わりに、2時間の作業窓で軸受を交換します。

閾値システムは？まだグリーンのままです。さらに12日間グリーンであり続けたでしょう。

リアクティブからプレディクティブへ

閾値アラートからAIベース異常検知への移行は、既存の監視インフラを置き換えることではありません。センサー、ヒストリアン、SCADAシステムはまったくそのままです。違いは何がその上に乗るか——静的なルールの代わりに、学習し、適応し、説明するシステムです。

移行は一夜にして起こらず、そうである必要もありません。ほとんどのプラントは、計画外停止のコストが最も高い10〜20の最重要設備にMLベース検知を重ねることから始めます。既存の閾値アラートは安全網として残ります。2〜4週間で、MLモデルは各機械の正常な運転パターンを学習します。2〜3か月後には、検知率を比較するのに十分なデータが得られます。MLモデルが閾値で見逃した異常をいくつ検知したか？私たちの経験では、答えは一貫して誤報60〜80%減少とともに3〜5倍多い検知数です。

経済性は明快です。重要な生産ラインでの単一の計画外停止の防止——午前3時ではなく2週間前に検知——は、通常、施設全体の予知保全の年間費用を賄います。AIベース検知が閾値より優れているかどうかは問題ではありません。問題は、決断する間に何件の故障を見逃しても構わないかです。

プラントマネージャーにとって、これは直接数字に換算されます。計画外停止の減少、スペアパーツ在庫の削減（故障前に何が故障するかわかるため）、そして保全スケジュールの最適化です。信頼性エンジニアにとっては、誤報の追跡に費やす時間が減り、本当に重要な故障——すべての判断を裏付けるデータとともに——に集中できることを意味します。

御社のデータで試してみてください

Prevlyは、データサイエンスチームを必要とせずに、組み込みの特徴量寄与度説明可能性を備えたAIベース異常検知を産業機器にもたらします。センサーデータを接続するだけで、数日以内に閾値アラートが見逃しているものが見えてきます。

prevly.orgで無料トライアルを開始する——機械があなたに伝えようとしていることを発見してください。