予知保全の導入事例2026｜効くパターンと効かないパターンの境界

予知保全の導入事例を集めてはみたものの、自社の設備に当てはめるとどれが正解なのか分からない。タイの日系工場からいただくご相談で、最も多いのがこの状態です。事例が自社に効かない理由ははっきりしています。公開されている事例の多くは「何を入れたか」と「いくら削減できたか」だけを書き、その手法がどの設備クラスに効いたのかを書いていないからです。予知保全には大きく3つの検知パターンがあり、投資額も回収年数も、そもそも検知できる異常の種類も違います。本記事ではラヨン県のモデル工場を設定し、3つのパターンをそれぞれ試算したうえで、パターンを取り違えたときに何が起きるかまで示します。数値はすべてモデル工場の仮定であり、実測値ではありません。

予知保全の導入事例｜「やるか・やらないか」ではなく「どのパターンを当てるか」が9割

予知保全の検討が止まる場所は、たいてい決まっています。技術の是非ではなく、「うちの設備で本当に効くのか」という一点です。そしてこの問いに、他社の導入事例はほとんど答えてくれません。事例に書かれているのは導入した企業の業種と削減額であって、その企業のどの設備クラスに、どの物理量を測る手法を当てたのかまでは書かれていないことが多いためです。

導入が進んでいないわけではありません。MaintainXの2026年のレポートによれば、保全チームの65%が年内のAI導入を計画している一方で、実際に部分導入または完全導入まで進んでいるのは32%にとどまるとされています。計画と実行のあいだにこれだけの差が開くのは、予算がつかないからというより、「どの設備から、どの手法で始めるか」が決められないまま検討が滞留するからです。市場そのものは拡大しており、予知保全の世界市場規模は2026年時点で133.6億ドル、2033年には543.5億ドルに達すると予測されています（CAGR 22.2%）。製造業は2026年時点でこの市場の33.2%を占める見込みです。

本記事の主張は単純です。予知保全の投資対効果を決めるのは「導入するかどうか」ではなく「どの検知パターンをどの設備クラスに当てるか」です。 設備タイプに合わない手法を選ぶと、投資はしたのに異常がほとんど検知できず、回収年数は3倍以上に悪化します。この失敗は導入後1年から2年経ってようやく発覚するため、事例を読む段階で防いでおく必要があります。

モデル工場の前提

議論を金額で行うために、次の条件のモデル工場を置きます。繰り返しますが、これは試算のための仮定であり、実在する工場の実測値ではありません。

この工場が典型的なのは、性質のまったく違う3つの設備クラスが同じ建屋の中に同居している点です。回転設備は台数が多く1台あたりの損失は小さい。連続プロセス設備は1系統しかないが1回の停止で失う金額が大きい。冷凍設備はその中間にあり、止まると製品そのものが失われます。同じ「予知保全」という言葉で括られていても、この3つに同じ手法を当てるのは無理があります。

現状維持(投資ゼロ)にも年間の損失は発生している

比較の出発点として、事後保全を1年間続けた場合の年間損失を置きます。投資はゼロですが、費用はゼロではありません。

3クラス合計の年間損失は4,140,000THBです。ここで注目していただきたいのは、件数と金額の関係が設備クラスごとにまったく違うことです。回転設備は年8件と最も頻度が高いのに年間損失は1,160,000THBにとどまり、連続プロセス設備は年2件と最も少ないのに年間損失は1,840,000THBで最大になります。「頻度が高い設備から手を付ける」でも「重要な設備から手を付ける」でもなく、頻度と1件あたり損失額の積で並べ直すことが、パターン選定の前提になります。

なお、この試算の金額は自社の実測値に置き換えて使ってください。1件あたり損失額は業種と客先によって桁が変わります。食品・飲料原料のように温度逸脱で製品を廃棄する業種では冷凍設備の1件が重くなり、自動車部品のように客先ラインを止める業種では回転設備の1件が重くなります。

なぜ同じ「予知保全」でも成果が分かれるのか｜3つの検知パターン

予知保全が成立する条件は1つだけです。故障に至る前に、測定可能な物理量が変化すること。 この条件が成り立たない設備に何を取り付けても、予知はできません。そして「どの物理量が、どのくらい早く、どのくらいはっきり変化するか」は設備タイプによって根本的に違います。ここから3つのパターンが生まれます。

パターンAが最も「事例が多い」理由

回転設備の故障、たとえばベアリングの摩耗、軸の芯ずれ、アンバランスは、振動という単一の物理量にきわめて素直に現れます。しかも回転数が分かっていれば、どの周波数成分がどの部位に対応するかを理論的に対応づけられます。だから閾値を設定でき、故障の種類まで推定できます。世の中の予知保全の導入事例が回転設備に偏っているのは、この物理的な素直さが理由であって、回転設備が最も重要だからではありません。

ただし振動で測れる故障と測れない故障には明確な境界があります。その境界は本記事の主題から外れるため、振動センサーによる設備診断で扱っている整理をご覧ください。パターンAを選ぶと決めた後、実際にどの故障モードを狙うかを詰める段階で必要になる内容です。

パターンBが難しくなるのは季節があるから

冷凍機やチラーの劣化は、単一の物理量には現れません。冷媒の漏れも、凝縮器の汚れも、圧縮機の効率低下も、「消費電流が上がっている」「圧力差が広がっている」「設定温度への到達が遅い」といった複数の値の組み合わせとして現れます。だから機械学習による異常検知、つまり正常運転時のデータを学習させ、そこからの逸脱を検出する方式が使われます。

ここで固有の難しさが出ます。チラーの消費電流は外気温に強く依存します。タイのように乾季と雨季で外気条件が変わる環境では、「電流値が上がった」だけでは劣化なのか外気温のせいなのか区別できません。したがって学習データには季節をまたぐ期間が必要になり、モデル構築の工数がパターンAより大きくなります。この工数は後述する投資額の第3層として現れます。

パターンCは「正常」を定義するところから始まる

濃縮ラインや殺菌ラインのような連続プロセス設備の異常は、振動としても、単一の温度や圧力としても現れません。現れるのは「温度が上がっているのに濃度が想定どおりに上がらない」「流量は同じなのに圧力損失が増えている」といった、変数どうしの関係の崩れです。したがって検知には多点のセンサーと、変数間の因果構造を捉える解析が要ります。

このパターンが厄介なのは、正常状態そのものが品種や仕込み条件によって変わることです。何が正常かを定義できていない設備に異常検知を載せても、誤検知の山になって現場が警報を無視するようになります。パターンCの投資額に専門家によるチューニング調整費が含まれるのは、この定義作業が必要だからです。

3つの基準で自社設備を仕分ける

導入事例を読む前に、自社の設備を次の3つの基準で並べてみてください。この仕分けができていれば、事例のどれが自社に当てはまるかは自動的に決まります。

3つ目の「検知しやすさ」を飛ばして進めるのが、最もよくある失敗です。頻度と損失額だけで着手設備を決めると、金額の大きい設備が上位に来ます。しかしその設備の故障が測定可能な物理量に現れるとは限りません。この取り違えが具体的に何を招くかは、後半のミスマッチ試算で金額として示します。

パターンA: 回転設備(モーター・ポンプ)向け振動監視｜確立された手法と費用

モデル工場の回転設備90台に振動センサーを設置し、周期解析でベアリング劣化や芯ずれの予兆を捉える構成です。3つのパターンの中で最も技術が確立されており、台数が多い分だけ単価の効きも大きくなります。

投資額の内訳

投資合計は1,800,000THBです。台数が多いため第1層と第2層、つまり物量に比例する費用が大半を占めます。逆にいえば、対象台数を絞れば投資額は素直に下がります。90台すべてに一度に付ける必要はなく、頻度と損失額の積が大きい設備から段階的に増やせるのがパターンAの実務上の利点です。

年間運用費は、センサー保守が90台×1,500THB/年で135,000THB、解析ソフトのライセンスが120,000THB、合計255,000THBです。

効果と回収年数

振動の予兆を捉えることで、年8件の突発故障のうち6件を計画停止に転換できたと仮定します。残る突発故障は年2件、残存損失は2件×145,000THBで290,000THBです。年間の削減効果は1,160,000THBから290,000THBを引いた870,000THBになります。

純便益は削減効果870,000THBから年間運用費255,000THBを引いた615,000THBです。回収年数は投資1,800,000THBを純便益615,000THBで割って2.93年になります。

ここでの「計画停止に転換できた」という表現には意味があります。予知保全は故障そのものを消す技術ではなく、故障の発生タイミングを自社の都合に合わせる技術です。同じ部品交換でも、深夜に緊急対応するのと計画停止で交換するのとでは、残業も部品の緊急調達費も違います。削減額145,000THBの中身が生産停止・緊急修理・残業対応であるのは、そのためです。

古い設備が多く、センサーを取り付ける座面やケーブル経路が確保されていない場合は、追加の工事費が発生します。既存設備へのセンサー後付けの費用構造は既存設備のIoTレトロフィットで5層に分けて整理していますので、設備年齢が高い工場ではそちらの数字を第2層に上乗せして考えてください。

パターンB: 冷凍機・チラー向け複合監視+AI異常検知｜季節変動をどう扱うか

冷凍・冷蔵設備8台に温度・圧力・電流の複合センサーキットを設置し、機械学習による異常検知を載せる構成です。台数は8台と少ないものの、1台あたりのセンサーキットも設置工事も、パターンAの単価(センサー12,000THB、設置3,000THB)から一段上がります。

投資額の内訳

投資合計は1,470,000THBです。パターンAとの構造の違いがはっきり出ているのが第3層で、パターンAの180,000THBに対してパターンBは450,000THBと大きく膨らみます。前章で述べたとおり、外気温による変動を正常な変動として学習させないと、乾季に入った途端に警報が鳴り続ける、といった事態になるためです。

年間運用費は、センサー保守が8台×8,000THB/年で64,000THB、年1回のモデル再学習・保守が140,000THBで、合計204,000THBです。ここにもパターンAとの違いがあります。パターンAの運用費はソフトウェアライセンスが中心ですが、パターンBはモデルを毎年作り直す前提の費用が入っています。機械学習を使う構成は、入れて終わりではなく、設備の経年変化や運転条件の変更に合わせてモデルを更新し続ける運用が要ります。

効果と回収年数

年3件の突発故障が年1件まで減ったと仮定します。残存損失は1件×380,000THBで380,000THB、年間の削減効果は1,140,000THBから380,000THBを引いた760,000THBです。

純便益は760,000THBから204,000THBを引いた556,000THBで、回収年数は1,470,000THB÷556,000THB=2.64年になります。パターンAの2.93年より早い結果です。

台数がわずか8台で、削減できる件数も年2件しかないのに、90台を対象とするパターンAより回収が早くなるのは、1件あたりの損失額380,000THBが効いているからです。冷凍設備の故障は、修理費より製品廃棄のほうが重くなります。冷蔵温度を逸脱した在庫は、設備が直っても戻ってきません。台数ではなく1件の重さで投資対効果が決まるというのが、パターンBの性格です。

パターンC: 連続プロセス設備向け因果分析AI｜検知は難しいが1件の損失が大きい

濃縮・殺菌ライン1系統に温度・圧力・流量のセンサーを20点増設し、因果分析AIで複数変数の相関から異常の予兆を捉える構成です。対象は1系統だけですが、投資額は3つのパターンで最大になります。

投資額の内訳

投資合計は3,160,000THBです。3つのパターンの中で唯一、センサー本体より解析側の費用が大きくなっています。第3層1,250,000THBと第4層420,000THBを合わせた解析関連が、第1層のセンサー900,000THBを上回る構造です。

この構造は見積もりの調整局面で必ず論点になります。センサーと工事は現物が残るので納得されやすい一方、モデル構築とチューニングは形が残らないため、真っ先に削減対象になります。しかしパターンCで第3層と第4層を削ると、センサーだけが付いて何も検知しない構成が残ります。連続プロセス設備の異常は変数間の関係の崩れとして現れるので、データを集めるだけでは検知にならないからです。削るなら、対象工程を絞ってセンサー点数を減らすほうが構造として健全です。

年間運用費は、センサー保守が20点×3,000THB/年で60,000THB、AIライセンスの継続費が320,000THBで、合計380,000THBです。

効果と回収年数

年2件の突発停止が年0.5件、つまり2年に1回程度の頻度まで下がったと仮定します。残存損失は0.5件×920,000THBで460,000THB、年間の削減効果は1,840,000THBから460,000THBを引いた1,380,000THBです。

純便益は1,380,000THBから380,000THBを引いた1,000,000THBで、回収年数は3,160,000THB÷1,000,000THB=3.16年です。

3つのパターンを同じ枠で並べる

3つのパターンを同一の枠で比較します。すべてモデル工場での試算値です。

この表から読み取れることは3つあります。

第一に、3パターンとも回収年数は2.64年から3.16年の範囲に収まっており、決定的な優劣はありません。設備タイプに合ったパターンを当てている限り、どれも投資として成立します。 「予知保全は回転設備でしか効かない」という言い方も、「AIを使う構成のほうが効果が大きい」という言い方も、この表の前では成立しません。

第二に、純便益の絶対額はパターンCが最大の1,000,000THBです。しかし投資額も3,160,000THBと最大で、回収年数では最も遅くなります。年間の削減額だけを見て着手順序を決めると、最も投資が重く、最も専門性を要するパターンから始めることになります。

第三に、回収年数が最も早いのは、対象台数がパターンAの90台に対して8台にとどまるパターンBです。8台のチラーに1,470,000THBという投資は、90台の回転設備に1,800,000THBという投資と比べて割高に見えますが、回収は2.93年より早い2.64年です。投資効率は、対象設備の台数の多寡では決まりません。

なお、3パターンで検知したデータをどこに集約し、保全の作業指示や部品在庫とどうつなぐかという運用基盤の話は本記事の範囲外です。異常検知だけを入れて作業管理が紙のままだと、警報は出るが誰がいつ対応したか追えない、という状態になります。この点は設備保全管理システムの選び方で扱っています。また、パターンを1つ選んだ後に何から着手するかという実装手順と費用の詳細は予知保全システムの導入ガイドにまとめていますので、本記事でパターンを決めたら次はそちらをご覧ください。

実在企業の予知保全事例｜自動車スタンピング工場・Unilever・JFEケミカル・日本製鉄

ここまではすべてモデル工場の試算です。ここからは実在企業の公表事例を紹介します。通貨も規模も前提も違うため、前章までのタイバーツ建ての試算とは切り離して読んでください。 それぞれの事例が3つのパターンのどれに近いかという観点で見ると、自社への当てはめがしやすくなります。

自動車スタンピング工場の事例｜油圧プレスの部品劣化を事前検知

従業員200名の自動車スタンピング工場が、12台の油圧プレスにセンサーを設置した事例です。投資額は145,000ドル。導入から8ヶ月以内に3台のプレスで油圧シールの劣化を事前に検知し、1件あたり約180,000ドルの緊急停止・修理費用を回避しました。初年度のROIは3.7倍と報告されています。

この事例が示しているのは、対象台数が12台と少なくても、1件の回避額が投資額を上回る設備であれば成立するということです。パターンBで見た「台数ではなく1件の重さで決まる」構造と同じ性格です。

Unilever(ブラジル・インダイアツーバ工場)の事例｜大規模展開の到達点

ユニリーバのブラジル・インダイアツーバ工場は、50,000台を超えるIoTセンサーを導入し、年間230万ドルの削減(保全費用45%削減)を達成しました。120万ドルの投資を7ヶ月未満で回収したと報告されています。

センサー50,000台という規模は、多くの日系工場が最初に目指す水準ではありません。この事例を読むときに重要なのは削減額ではなく、この規模に到達するまでに何段階を踏んだかです。50,000台のセンサーからのデータを扱うには、収集基盤も、モデルの運用体制も、警報に対応する現場の運用も同時に育っている必要があります。最初からこの構成を目指すのではなく、到達点として参照する事例と考えるのが実務的です。

JFEケミカルの事例｜蒸留塔リボイラーの閉塞を計画停止に転換

JFEケミカルは、蒸留塔リボイラーの閉塞について、従来は事後対応のみでした。ブレインズテクノロジーの異常検知ソリューション「Impulse」を導入することで、設備の洗浄・停止タイミングを事前に明確化し、計画的停止に転換しています。

これは本記事のパターンCに最も近い事例です。蒸留塔の閉塞は振動には現れません。プロセスの状態量の推移から兆候を読むほかなく、しかも「閉塞が進んでいる」ことを検知できても、それがすぐに止めるべき状態なのかどうかは別の判断になります。この事例で価値が生まれているのは、故障を防いだことではなく、停止のタイミングを自社の計画に取り込めたことです。

日本製鉄の事例｜原因究明に10日間を要していた設備で予兆検知の可能性を検証

日本製鉄は、複雑なトラブルの原因究明に従来10日間を要していました。NECの「インバリアント分析」を導入し、過去のトラブルについてオフラインデータで事前に予兆検知が可能なことを確認しています。

この事例で注目すべきは、いきなり本番運用に載せたのではなく、過去データで検知可能性を検証したという順序です。パターンCのように投資が大きく、正常状態の定義から始めなければならない構成では、この検証ステップを飛ばすと投資が空振りになります。既存の履歴データが残っているなら、センサーを増設する前に、その履歴で予兆が見えるかどうかを確認するのが安全な進め方です。

一般に報告されている効果水準

個別事例のほかに、複数の調査で報告されている効果水準も参考になります。AIを活用した予知保全では300%から500%のROI、6ヶ月から18ヶ月での投資回収が複数の導入事例で報告されています(Tech-Stack, 2025)。またAI主導の予知保全をフル活用している工場では、計画外ダウンタイムが30%から50%削減され、設備の稼働可能年数が20%から40%延伸しているとされています(McKinsey, 2025)。

これらの数字とモデル工場の試算(回収2.64年から3.16年)を比べると、モデル工場のほうが保守的です。理由は2つ考えられます。1つは、モデル工場が削減後の残存故障をゼロではなく年2件・年1件・年0.5件と置き、運用費も差し引いた純便益で回収年数を出していることです。もう1つは、フル活用に到達している工場の数字とこれから導入する工場の数字を同列に比べられないことです。導入事例の数字は「うまくいった場合の上限」として読み、自社の試算は自社の故障実績から積み上げるのが健全です。

設備タイプとパターンを取り違えるとどうなるか｜ミスマッチ事例の試算

ここまで「設備タイプに合ったパターンを当てる」と繰り返してきました。では合っていない場合、何が起きるのか。金額で示します。

想定するのは、パターンA(振動センサー)を連続プロセス設備にそのまま転用するケースです。これは机上の空論ではなく、実際に起こりやすい選択です。振動センサーは最も事例が多く、社内で説明もしやすい。回転設備で成果が出た後、「同じやり方を他の設備にも広げよう」という流れで自然に起こります。

問題は、連続プロセス設備の異常が振動として現れないことです。温度のドリフト、濃度の変化、反応の進行度合いのずれ。これらは配管の外側に取り付けた加速度センサーには映りません。センサーは正常に動作し、データも取れていて、しかし異常の予兆だけが検知範囲の外にある、という状態になります。

ミスマッチ側の投資額は650,000THBで、パターンCの3,160,000THBよりはるかに安く見えます。年間運用費も30,000THBと軽い。稟議は通りやすい構成です。ところが年間の削減効果は92,000THBしかありません。年2件の突発停止が年1.9件になっただけ、つまり実質的にほとんど減っていないからです。純便益は62,000THBにとどまり、回収年数は10.48年になります。

同じ設備に対して、正しいパターンなら3.16年、間違ったパターンなら10.48年。 投資額を大きく抑えているにもかかわらず、回収年数は3倍以上に悪化します。安い選択肢が投資効率でも有利とは限らないことが、この対比に現れています。

この失敗が厄介なのは、発覚が遅いことです。センサーは動いており、データも蓄積されており、ダッシュボードには波形が表示されている。動いていないわけではないので、問題として認識されにくい。1年後、2年後に「そういえば結局この設備の停止は減っていない」と気づいたときには、すでに投資は済み、運用も定着しています。

これを避ける方法は1つだけです。センサーを選ぶ前に、過去に実際に起きた故障をいくつか持ち出して、そのとき何が先に変化したはずかを説明できるか確認することです。説明できるなら、その物理量を測るセンサーを選べばよい。説明できないなら、その設備はまだ予知保全の対象ではなく、まずデータを取って正常状態を把握する段階にあります。日本製鉄の事例で過去データによる検証を先に行っているのは、この確認作業にあたります。

感応度分析｜前提が崩れたら回収年数はどう動くか

前章までの回収年数は、いずれも仮定の上に成り立っています。その仮定が崩れたときに結論が変わるかどうかを、パターンごとに確認します。重要な注意点として、以下の3ケースはそれぞれ1つのパターンにのみ適用され、他のパターンには影響しません。 1つの係数をすべてのパターンに一律で掛けると、結論が実態より大きく振れます。

ケース1｜検知精度が想定より低い場合(パターンA)

振動監視の検知精度が想定より低く、年8件の突発故障が年2件ではなく年4件までしか減らせなかった場合です。残存損失は4件×145,000THBで580,000THB、年間削減効果は1,160,000THBから580,000THBを引いた580,000THBになります。純便益は580,000THBから運用費255,000THBを引いた325,000THBで、回収年数は1,800,000THB÷325,000THB=5.54年です。基準の2.93年から89%延びます。

回収は倍近く遅くなりますが、投資として成立しなくなるわけではありません。パターンAは技術が確立されており、取り付け位置と閾値を見直すことで精度を後から改善できる余地もあります。5.54年という数字は、社内の投資基準によっては境界線上に来るという意味で受け止めるのが妥当です。

ケース2｜損失額の見積もりが過大だった場合(パターンB)

冷凍機1件あたりの損失見積もり380,000THBが過大で、実際は半分の190,000THBだった場合です。現状の年間損失は3件×190,000THBで570,000THB、導入後の残存損失は1件×190,000THBで190,000THB、削減効果は380,000THBになります。純便益は380,000THBから運用費204,000THBを引いた176,000THBで、回収年数は1,470,000THB÷176,000THB=8.35年です。基準の2.64年から大幅に悪化します。

パターンBが基準ケースで最も回収が早かったのは、1件あたり損失額380,000THBが効いていたからでした。裏を返せば、パターンBの回収年数はこの損失額の見積もり精度に強く依存しているということです。この見積もりを実測に近づけるには、製品廃棄の実績金額を把握しておく必要があります。過去に冷蔵温度を逸脱して廃棄した在庫の金額が記録に残っていない工場では、この数字が推定になり、回収年数の不確実性がそのまま残ります。パターンBを検討する工場が最初に確認すべき数字は、センサーの仕様ではなく過去の廃棄実績です。

ケース3｜そもそも故障頻度が低い工場の場合(パターンC)

連続プロセス設備の突発停止が、年2件ではなく年1件しか発生しない工場だった場合です。この場合はベースラインの損失自体が変わります。現状の年間損失は1件×920,000THBで920,000THB、導入後の残存損失は0.5件×920,000THBで460,000THB、削減効果は460,000THBです。純便益は460,000THBから運用費380,000THBを引いた80,000THBで、回収年数は3,160,000THB÷80,000THB=39.5年になります。

39.5年は投資判断としては成立しません。このような工場ではパターンCに着手すべきではありません。 連続プロセス設備は1件あたりの損失が大きいため、感覚的には最優先に見えます。しかし削減できるのは実際に起きている故障だけであり、もともと年1件しか止まっていない設備から年0.5件を消しても、投資3,160,000THBは回収できません。

着手順序は「頻度×損失額」の実測値で決める

3つのケースが共通して示しているのは、着手順序を設備の重要度感覚で決めてはならないということです。パターンCは1件あたりの損失が大きいため魅力的に見えますが、故障頻度が低い工場では回収年数が急激に悪化します。逆にパターンAは1件あたりの損失が小さくても、年8件という頻度が効いて成立しています。

したがって着手順序を決める材料は次の2つだけです。過去数年の設備クラス別の突発停止件数と、1件あたりの実コスト(廃棄・修理・残業・代替手配を含む)です。この2つの積で並べ、上位から検知しやすさを確認していく。この順序を守れば、本記事の試算表の数字を自社の値に置き換えるだけで判断ができます。

タイ工場で予知保全を検討する際に押さえておきたいこと

タイの日系工場で予知保全を検討する場合、日本の事例をそのまま持ち込むと前提が合わない部分がいくつかあります。技術面ではなく、運用と設備の条件の話です。

設備年齢とセンサーの取り付け条件

タイの日系工場には、日本の親工場から移設された設備が現役で稼働している例が少なくありません。移設設備は図面が更新されていなかったり、改造の履歴が現地に残っていなかったりします。振動センサーを取り付けようとして、そもそも取り付け座面が確保できない、制御盤に増設用のスペースがない、といった問題が工事段階で出てきます。

この費用は本記事の投資額の第2層(設置工事)に含まれていますが、モデル工場では標準的な条件を仮定しています。設備年齢が高い工場では、この層が想定を超える可能性があります。どこにどれだけ上乗せされるかは既存設備のIoTレトロフィットで扱っていますので、着手前に自社設備の状態と照らして確認してください。

外気条件と季節変動

パターンBで触れたとおり、チラーや冷凍機の消費電流は外気温に依存します。タイの気候条件では年間を通じた外気温の幅が学習データに影響するため、モデル構築に必要な期間の見積もりが日本の事例と変わります。乾季のデータだけで学習させたモデルは、雨季に入ると挙動が変わります。パターンBを選ぶ場合、モデルが安定するまでの期間を計画に織り込んでおく必要があります。

保全データの記録が残っているか

本記事の試算は、すべて「過去の突発停止の件数と1件あたりの損失額」から出発しています。この2つが記録として残っていない工場では、試算そのものが成立しません。実務でよく見るのは、修理の記録は残っているが停止時間と廃棄金額が紐づいていない、という状態です。この場合、予知保全の前に保全記録の構造化から始めるほうが投資効率は高くなります。記録が構造化されていれば、どの設備クラスから着手すべきかが自動的に見えてくるためです。保全記録をどう管理するかは設備保全管理システムの選び方で扱っています。

現地での運用を誰が担うか

予知保全は導入して終わりではありません。パターンAなら閾値の見直し、パターンBなら年1回のモデル再学習、パターンCならチューニングの継続が必要です。モデル工場の年間運用費に、パターンAで255,000THB、パターンBで204,000THB、パターンCで380,000THBを計上しているのはこのためです。この運用を現地の保全チームが担うのか、日本本社が遠隔で見るのか、外部に委託するのかを先に決めておかないと、警報は出るが誰も見ない状態になります。実際、導入計画の65%に対して実行が32%にとどまるという冒頭の数字は、技術の問題というより、この運用主体が決まらないことの表れである可能性が高いと考えています。

まとめ｜自社設備をパターンで仕分けることから始める

本記事の結論を整理します。予知保全は、導入するかどうかで判断する技術ではありません。設備クラスごとに、故障の予兆がどの物理量に現れるかを確認し、それに合った検知パターンを当てるかどうかで投資対効果が決まります。

モデル工場の試算では、回転設備90台に振動監視を当てるパターンAが投資1,800,000THBで回収2.93年、冷凍設備8台に複合監視とAI異常検知を当てるパターンBが投資1,470,000THBで回収2.64年、連続プロセス設備1系統に因果分析AIを当てるパターンCが投資3,160,000THBで回収3.16年でした。設備に合ったパターンを当てている限り、3つとも投資として成立します。

一方、振動センサーを連続プロセス設備に転用したミスマッチのケースでは、投資は650,000THBと大きく抑えられているにもかかわらず、年間削減効果は92,000THBにとどまり、回収年数は10.48年に悪化しました。安い選択が有利とは限りません。

さらに感応度分析では、故障頻度がそもそも年1件しかない工場でパターンCに着手した場合、回収年数が39.5年になることを示しました。1件あたりの損失が大きい設備は感覚的に最優先に見えますが、削減できるのは実際に起きている故障だけです。

そのうえで、検討を始めるときに測っていただきたい数字は3つです。1つ目は設備クラス別の年間突発停止件数、2つ目は1件あたりの実コスト(廃棄・修理・残業・代替手配を含む)、3つ目は過去の故障で何が先に変化したかを説明できるかどうか。3つ目が最も飛ばされやすく、最も高くつきます。この3つが揃えば、本記事の試算表の数字を自社の値に置き換えるだけで、どのパターンからどの設備に着手すべきかが決まります。

検討段階でのご相談について

自社の設備が3つのパターンのどれに当たるのか、そもそも予知保全の対象になる設備なのか、この線引きは仕様書だけでは決まりません。過去の故障記録と、そのとき何が先に変化したかを一緒に見る作業が要ります。TOMAS TECHではタイの日系工場向けに生産管理・OT/IoTの導入支援を行っており、どのパターンが自社設備に合うか分からない段階でのご相談も承っています。本記事の試算表に自社の故障実績を当てはめた結果だけ知りたい、という形でも構いません。お問い合わせはこちらからお気軽にご連絡ください。

よくある質問（FAQ）

予知保全の導入事例にはどんなパターンがあるのか？

大きく3つに分かれます。1つ目は回転設備(モーター・ポンプ・コンベア)に振動センサーを取り付け、周期解析でベアリング劣化や芯ずれを捉えるパターンです。最も事例が多く、技術が確立されています。2つ目は冷凍機・チラーに温度・圧力・電流の複合センサーを取り付け、機械学習で正常状態からの逸脱を検出するパターンです。3つ目は連続プロセス設備に多点のセンサーを増設し、因果分析AIで変数間の関係の崩れを捉えるパターンです。事例を読むときは、その企業がどの設備クラスにどのパターンを当てたのかを確認してください。それが分からない事例は、自社への当てはめに使えません。

予知保全はどんな設備に向いていて、どんな設備に向いていないのか？

向いているのは、故障に至る前に測定可能な物理量が変化する設備で、かつ突発停止の頻度と1件あたりの損失額の積が大きい設備です。向いていないのは、故障の前に何が変化するかを説明できない設備と、そもそも突発停止がほとんど起きていない設備です。モデル工場の感応度分析では、連続プロセス設備の突発停止が年1件しか起きない工場でパターンCに着手した場合、回収年数は39.5年になりました。1件あたりの損失が大きい設備は最優先に見えますが、予知保全が減らせるのは実際に発生している故障だけで、起きていない故障を先回りして減らすことはできません。着手順序は頻度と損失額の実測値で決めてください。

予知保全と予兆保全の違いは？

実務上、この2つはほぼ同じ意味で使われています。設備の状態を継続的に監視し、異常の兆候を捉えて故障の前に手を打つ保全方式を指す点で共通しています。区別するとすれば、予兆保全は「異常の兆候を検知する」ところに重心があり、予知保全は「いつ壊れるかを予測して計画に組み込む」ところまで含意することがあります。ただしこの区別は文脈によって揺れるため、用語の違いより、その手法が何を測って何を検知しているのかを確認するほうが実務では有用です。事後保全(壊れてから直す)や時間基準保全(TBM、一定期間ごとに交換する)との違いのほうが、投資判断上は重要な区別になります。

予知保全の導入費用はどれくらいかかる？

パターンによって桁が変わります。モデル工場の試算では、回転設備90台へのパターンAが1,800,000THB(センサー本体1,080,000THB、設置工事270,000THB、解析ソフト180,000THB、ゲートウェイ150,000THB、教育120,000THB)、冷凍設備8台へのパターンBが1,470,000THB、連続プロセス設備1系統へのパターンCが3,160,000THBでした。年間運用費はそれぞれ255,000THB、204,000THB、380,000THBです。パターンAは台数に比例するため対象を絞れば素直に下がりますが、パターンCは解析側の費用が中心なので対象を絞っても大きくは下がりません。費用の内訳と着手手順の詳細は予知保全システムの導入ガイドにまとめています。

既存の古い設備でも予知保全は導入できる？

設備が古いこと自体は障害になりません。振動も温度も圧力も、設備の年式とは無関係に測れます。問題になるのは取り付け条件のほうで、センサーを固定する座面が確保できるか、制御盤に増設スペースがあるか、配線経路をどう通すかといった工事側の制約です。タイの日系工場では日本の親工場から移設された設備が現役で動いている例が多く、図面や改造履歴が現地に残っていないことがあります。この場合、本記事の試算の第2層(設置工事)が想定を超える可能性があります。老朽設備へのセンサー後付けの費用構造は既存設備のIoTレトロフィットで整理していますので、着手前にご確認ください。

参考情報

• AIを活用した予知保全の導入事例とROI水準(自動車スタンピング工場、Unilever インダイアツーバ工場、Tech-Stack・McKinsey・MaintainXの調査を含む、英語) IIoT World 2026年8月時点で確認
• 予知保全の世界市場規模と製造業の構成比(英語) Coherent Market Insights 2026年8月時点で確認
• JFEケミカルおよび日本製鉄の予知保全導入事例 IT trend 製造業DX 2026年8月時点で確認