【事例】設備保全におけるAIエージェント活用とは？故障診断・予兆保全・修理支援を解説

製造業の設備保全では、日常点検、異常監視、原因調査、修理、部品手配、復旧確認、再発防止まで、多くの情報処理と判断が連続します。センサーや監視システムが異常を知らせても、そのアラートだけで原因や対応方法が決まるわけではありません。保全担当者は、設備図面、マニュアル、保全履歴、アラーム、稼働条件、予備品在庫などを確認しながら、現場の状態に合う対応を選びます。

そこで注目されるのが、設備保全におけるAIエージェントです。AIエージェントは、目的に応じて複数の情報源を参照し、故障原因の候補、確認すべき箇所、修理手順、必要部品、報告書の下書きなどを提示する仕組みとして活用できます。単に異常を検知するだけでなく、検知後の調査や判断準備までをつなげられる点が特徴です。

ただし、AIが故障診断を支援できることと、設備の停止や復旧をAIへ任せられることは別です。停止による生産影響、安全上の危険、品質への影響、要員や部品の状況を踏まえ、いつ止め、どう直し、いつ再稼働するかは、設備と現場を理解する人が判断する必要があります。

この記事では、設備保全におけるAIエージェントの役割、予兆保全との違い、現在公表されている「取り組み事例」、今後の「広がる用途」、人が担う停止・復旧判断、導入に必要なデータと運用設計までを解説します。

設備保全では、異常を見つけることよりも、その後の原因調査や対応判断に多くの時間がかかります。設備情報や過去事例を横断的に活用する必要があることから、AIエージェントへの期待が高まっています。以下では、その主な背景を見ていきます。

異常を検知しても、原因調査と対応判断に時間がかかる

設備監視システムが温度、振動、電流、圧力などの異常を検知しても、現象と原因が一対一で対応するとは限りません。同じアラームでも、センサー不良、摩耗、詰まり、設定変更、周辺設備の影響など、複数の原因が考えられます。担当者は現物を確認し、関連する履歴や図面を探し、原因候補を絞り込みます。

AIエージェントの価値は、アラートを増やすことではありません。設備ID、発生時刻、運転条件、直前の保全、類似故障などを横断して整理し、担当者が次に確認する対象を絞りやすくする点にあります。

保全情報が分散し、必要な知識へ到達しにくい

設備台帳は保全管理システム、図面はファイルサーバー、マニュアルはメーカーごとのPDF、アラームは監視システム、作業記録は紙や表計算ファイルというように、情報が分散している現場は少なくありません。設備名や部品名の表記が統一されていなければ、過去に同じ故障があっても検索で見つけられないことがあります。

AIエージェントは、自然言語の質問を入口に、設備・部品・故障現象の関係をたどって関連情報を探す支援に向いています。ただし、最新版の文書や対象設備に適用できる情報だけを参照させるため、設備ID、版数、承認状態、権限の整備が前提になります。

ベテランの判断順序が共有されにくい

熟練した保全担当者は、音、におい、振動、温度、製品の状態、直前の作業などを手掛かりに、確認する順序を組み立てます。この判断過程が記録されず、修理結果だけが残っている場合、若手担当者は同じ調査を再現できません。

AIエージェントは熟練者そのものを置き換えるのではなく、確認観点や過去事例を再利用しやすい形に整える役割を担います。AIが候補を提示し、担当者が現物で確かめ、結果と判断理由を記録する循環をつくることが重要です。

設備保全におけるAI活用では、異常検知、予兆保全、故障診断、AIエージェントが混同されることがあります。以下では、それぞれの役割と違いを整理します。

ポイント

• AIエージェントは、異常検知や予兆保全の結果を利用できるが、それらの代替ではない
• 設備停止・修理・復旧の判断責任は、設備と現場条件を理解する人が持つ

AIエージェントは設備保全業務そのものを代行するのではなく、調査や情報整理、判断準備を支援する役割を担います。以下では、保全業務の中で活用しやすい代表的な領域を整理します。

保全履歴やマニュアルの検索

設備番号、故障現象、アラームコード、部品名などを手掛かりに、過去の修理記録、点検結果、メーカー資料、作業標準を検索します。単語が完全一致しなくても、意味が近い記録を候補として提示できれば、調査の入口をつくりやすくなります。担当者は、対象設備、型式、文書の版、適用条件を確認して利用します。

設備異常時の原因候補と確認順序の整理

アラーム、センサーデータ、運転条件、直前作業、過去故障をまとめ、考えられる原因と切り分け手順を提示します。重要なのは、AIに原因を断定させることではなく、「何を確認すれば候補を除外できるか」を示すことです。感電、挟まれ、漏えいなどの危険がある確認作業は、安全手順と有資格者の判断を優先します。

故障対応手順と必要部品の提示

原因候補に応じて、関連する作業標準、ロックアウト・タグアウトなどの安全手順、交換部品、工具、技能要件を一覧化します。部品在庫や調達情報と連携すれば、修理準備の抜け漏れを減らす支援も考えられます。ただし、互換部品の採否や作業方法の変更は、設備仕様と安全性を確認したうえで承認します。

点検報告・故障報告の下書き

発生日時、現象、停止時間、確認結果、原因、処置、交換部品、復旧確認を所定の様式へ整理します。音声メモや現場入力から下書きを作る構成も考えられます。AIが作成した記録は、事実関係と専門用語を担当者が確認し、推測と確定事項を区別して保存します。

保全計画と作業優先順位の比較

点検期限、劣化傾向、設備重要度、予備品、要員、生産計画をまとめ、複数の保全案と影響を比較します。AIは候補の整理に使えますが、優先順位の確定には、安全、品質、納期、法定点検、停止損失などの判断が必要です。

再発防止と標準化の支援

故障原因と処置が確定した後、点検項目、周期、作業標準、予備品、教育資料などの更新候補を示します。類似設備への水平展開候補も抽出できますが、設備ごとの差異を確認せず一律に適用してはいけません。

ここでは、企業が公開している導入・実証・試験運用を「取り組み事例」として紹介します。設備保全分野でAIがどのように活用されているのかを見ていきます。

ダイキン工業と日立製作所：設備故障診断AIエージェントを試験運用

ダイキン工業と日立製作所は、2025年4月からダイキン工業の堺製作所臨海工場で、設備故障診断を支援するAIエージェントの実用化に向けた試験運用を開始したと公表しました。保全技術者がポンプやバルブなどの故障を発見した際、AIエージェントが原因と対策を提示する取り組みです。

公表内容では、工場設備の図面を生成AIが扱えるナレッジグラフへ変換し、保全記録などのOTデータと、日立の設備故障原因分析プロセスを組み合わせています。事前の実証実験では、5種類の設備について各5件の故障状況を対象とし、熟練保全技術者2名が推定結果を評価した条件で、10秒以内、90％以上の精度で原因と対策を回答できることを確認したとされています。

取り組み事例から読み取れるポイント

• 過去の修繕履歴だけでなく、設備図面や原因分析プロセスを組み合わせている
• AIの回答は保全技術者の故障診断を支援する位置づけである
• 実証結果は対象設備、件数、評価者などの条件とともに読む必要がある
• 設備の知識をAIが参照できる形へ構造化することが導入の重要工程になる

設備保全におけるAI活用は、故障診断や履歴検索だけにとどまりません。異常検知、保全管理、ナレッジ共有などを組み合わせることで、さまざまな応用が考えられます。以下では、その代表例を紹介します。

異常アラートから初動確認を組み立てる

異常アラートを受けて、設備重要度、直前の運転条件、関連する故障履歴を確認し、現場で見るべき箇所を提示する使い方が考えられます。担当者は安全を確保したうえで現物を確認し、AIの候補が妥当かを判断します。

複数工場の保全ナレッジを共有する

同型設備を持つ複数拠点の故障事例や対策を横断検索し、別拠点での初動対応へ生かす用途が期待されます。ただし、設備改造、周辺機器、使用条件、安全規程が異なる場合があるため、他拠点の手順をそのまま適用せず、現地責任者が適用可否を確認します。

遠隔保全支援と組み合わせる

現場担当者が撮影した画像や動画、アラーム、計測値をAIが整理し、遠隔地の専門家へ共有する使い方も考えられます。AIが事前に確認事項をそろえることで、専門家は現場状況を把握しやすくなります。危険作業や復旧判断は、遠隔支援だけで完結させず、現地の安全管理と責任体制に従います。

保全記録から教育教材を作成する

承認済みの故障事例をもとに、原因、切り分け、確認結果、処置を学べる教材や確認問題を作る用途が考えられます。AIは反復説明を支援できますが、実技、安全教育、技能評価は指導者が担います。

保全計画と生産計画の調整を支援する

設備の劣化傾向、保全期限、要員、予備品、生産負荷をまとめ、停止候補日と影響を比較する用途が期待されます。どの計画を採用するかは、設備リスクだけでなく、品質、納期、顧客影響、代替設備の有無を踏まえて管理者が決定します。

AIが多くの情報を整理できるようになっても、設備保全には人が責任を持つべき判断が残ります。以下では、特に人の判断が重要となる代表的な場面を整理します。

設備を停止するかどうか

停止判断では、故障拡大、人身安全、品質影響、火災や漏えいの危険、生産への影響を考慮します。AIが異常度や候補を示しても、現場で確認できていない情報やモデルの適用範囲外があり得ます。緊急停止条件、連絡先、承認者を事前に定め、AIの提案とは独立して安全側へ判断できる運用が必要です。

いつ、どの範囲を修理するか

応急処置で運転を継続するか、部品交換を行うか、オーバーホールするかは、劣化状態、予備品、作業時間、再発リスクによって変わります。AIは選択肢と参照情報を整理できますが、作業範囲と優先順位は保全責任者が決定します。

設備を復旧・再稼働してよいか

修理が終わったことと、安全に再稼働できることは同じではありません。工具や部品の置き忘れ、ガード復旧、設定値、試運転結果、製品品質、関係者への周知などを確認し、定められた手順で復旧を承認します。AIはチェックリストを提示できますが、現物確認と承認を代替しません。

設備更新や投資を行うか

故障頻度や保全費が増えても、設備更新が常に最適とは限りません。更新費用、能力、品質、エネルギー、安全、部品供給、将来の生産計画を比較する必要があります。AIによる集計やシナリオ比較は判断材料であり、投資決定は経営・製造・保全が責任を持って行います。

設備保全で成果を出すためには、AIと人がそれぞれの得意分野を活かすことが重要です。AIは情報整理と候補提示を担い、人は現場確認と意思決定を担います。以下に主な役割分担を整理します。

ポイント

• AIは検知結果、履歴、図面、手順をつなぎ、原因・確認・対応の候補を提示する
• 人は現場と現物を確認し、停止、修理、復旧、安全、投資を判断する
• AIの出力を承認するだけでなく、AIを使う範囲、レビュー条件、停止条件も人が設計する

設備保全AIエージェントの有用性は、生成AIモデルだけでは決まりません。設備を特定するID、正しい版の図面、事実が分かる保全記録、時刻をそろえた稼働データが利用できる状態になっていることが重要です。

設備保全は対象範囲が広く、すべてを一度にAI化することは現実的ではありません。検索や報告書作成などの支援業務から始め、段階的に適用範囲を広げることが重要です。以下では導入時のポイントを紹介します。

1. 保全業務を「検知」「調査」「判断」「実行」「記録」に分ける

設備保全全体を一度に自動化しようとせず、時間がかかる作業と判断責任がある作業を分けます。文書検索や報告書下書きのような読み取り中心の用途から始めると、効果と誤りを確かめやすくなります。

2. 設備IDと文書の適用範囲を整える

AIが正しい設備の正しい資料へ到達できなければ、文章が自然でも危険な回答になり得ます。設備、部品、図面、履歴を共通の識別子で関連付け、旧版や他機種の資料を誤って使わない仕組みを整えます。

3. 回答には根拠と不確実性を表示する

原因候補や手順を提示するときは、参照した図面、マニュアル、履歴、該当箇所を確認できるようにします。情報が不足している場合は推測で埋めず、追加確認、人への引き継ぎ、処理停止を選べる設計にします。

4. 直接制御へ急いで接続しない

設備からデータを読み取ることと、PLCや制御システムへ書き込むことではリスクが異なります。初期段階は読み取りと提案に限定し、更新や制御が必要な場合は、最小権限、承認、操作ログ、取り消し方法、異常時の停止を設計します。

5. 検証条件を設備・故障モードごとに定める

「精度」という一つの数値だけで評価せず、どの設備、どの故障、どの運転条件で有効かを確認します。重大故障の見逃し、誤った修理手順、根拠のない回答など、業務上のリスクに沿った評価項目を設けます。

6. 保全・製造・安全・ITを横断するチームをつくる

設備構造を理解する人、運転と品質を理解する人、安全を管理する人、データとAIを設計する人が協力します。一人にすべての能力を求めず、誰がデータを整備し、誰が回答を評価し、誰が停止・復旧を承認するかを明確にします。

小さく始める場合の候補

• 承認済みの図面・マニュアル・作業標準の検索
• 過去の故障・修理・交換部品の検索
• 点検報告・故障報告の下書き
• 異常アラートと関連履歴の一覧化
• 定期点検前の必要資料・部品・注意事項の整理

AIが検索や情報整理を支援するほど、保全担当者の価値は、資料を探す作業から、現場を確認し、原因を検証し、安全と生産影響を踏まえて判断する役割へ移ります。必要なのは、全員がAI開発者になることではありません。設備知識を持ち、AIの出力が自社設備へ適用できるかを見極められることが重要です。

• 設備構造、故障モード、劣化メカニズムを理解する力
• 図面、履歴、センサーデータの信頼性と適用範囲を確認する力
• 原因候補を現物・現場で検証するトラブルシューティング力
• 安全、品質、生産影響を踏まえて停止・修理・復旧を判断する力
• 判断理由と証跡を残し、別拠点や次世代へ共有する力
• 保全、製造、生産技術、安全、ITの間をつなぐコミュニケーション力

設備保全におけるAIエージェントとは何ですか？

保全履歴、設備データ、図面、マニュアルなどを参照し、異常原因の候補、確認項目、修理手順、保全計画、報告書の下書きなどを提示して保全業務を支援する仕組みです。設備停止や復旧の最終判断は、設備と現場を理解する人が行います。

AIエージェントと予兆保全は何が違うのですか？

予兆保全は、設備データから劣化傾向や故障の兆候を捉え、保全時期を検討する考え方です。AIエージェントは、その結果に保全履歴、図面、手順、在庫などを組み合わせ、原因調査や対応準備を支援します。両者は組み合わせて活用できます。

AIだけで設備停止や修理判断を行えますか？

推奨されません。停止や修理には、人身安全、故障拡大、品質、生産計画、納期、要員、部品など複数の条件が関係します。AIは候補と影響を整理し、最終判断と承認は担当者が行う設計が基本です。

どのような設備データが必要ですか？

設備台帳、保全履歴、図面、マニュアル、アラーム、センサーデータ、運転条件、部品情報、生産・品質情報などが候補です。量だけでなく、設備IDで関連付けられること、版数と承認状態が分かること、時刻や単位がそろっていることが重要です。

古い設備でも活用できますか？

リアルタイムのセンサーデータを取得できない設備でも、承認済みマニュアルの検索、過去故障の検索、報告書の下書きなど、既存文書を使う用途から検討できます。設備制御へ接続しなくても、保全担当者の情報収集を支援できます。

AIエージェントは保全担当者の仕事をなくしますか？

AIは検索、整理、候補提示、下書きを支援できますが、現物確認、原因確定、安全措置、停止、修理、復旧、設備投資の判断は人の役割として残ります。AIの出力を現場条件で検証できる保全人材の重要性は高まります。

導入するなら何から始めるべきですか？

承認済み文書の検索、過去故障の検索、点検・故障報告の下書きなど、設備を直接操作しない用途から始める方法が現実的です。対象設備、利用データ、人の確認点、誤りが出た際の対応を限定して評価します。

設備監視システムとは何が違いますか？

設備監視システムは、設備状態の表示やアラート通知を主な役割とします。AIエージェントは、アラートを起点に履歴、図面、手順などを検索し、原因候補や次の確認事項を整理することで、検知後の業務を支援します。

導入時に特に注意すべきことは何ですか？

AIの回答を鵜呑みにしないこと、根拠を追跡できること、旧版資料を除外すること、読み取りと更新・制御の権限を分けること、操作ログを残すこと、人の承認と緊急停止の手順を維持することが重要です。

将来的にはどのような活用が考えられますか？

複数工場の保全ナレッジ共有、遠隔保全支援、教育教材作成、保全計画と生産計画の調整などへの応用が考えられます。ただし、拠点や設備ごとに仕様、安全規程、運転条件が異なるため、段階的な検証が必要です。

設備保全におけるAIエージェントは、異常を検知するだけの仕組みではありません。アラート、保全履歴、設備図面、マニュアル、稼働条件、部品情報をつなぎ、原因候補、確認順序、修理準備、報告書、保全計画の作成を支援する仕組みです。

一方、AIが提示するのは判断材料です。設備を止めるか、いつ修理するか、どの作業を行うか、安全と品質を確認して復旧できるかは、設備と現場を理解する人が担います。とくに制御システムへの書き込みや設備操作は、読み取り・提案とは分け、権限、承認、ログ、停止条件を慎重に設計しなければなりません。

導入では、AIモデルの選定より先に、設備ID、図面の版管理、保全記録の質、センサーデータの時刻と単位、根拠表示、人のレビュー条件を整えることが重要です。まずは文書検索や報告書下書きなど、判断を自動化せず、判断材料を整える用途から始めると進めやすいでしょう。

AIエージェントが普及するほど、設備知識、現場理解、安全、データ活用、AI評価を結び付けられる人材・チームの価値は高まります。AIで保全担当者の判断をなくすのではなく、担当者がより速く、根拠を持って停止・修理・復旧を判断できる体制をつくることが重要です。

参考情報
https://www.hitachi.com/ja-jp/press/articles/2025/04/0422/
https://www.daikin.co.jp/press/2025/20250422
https://www.hitachi.co.jp/products/infrastructure/product_site/fieldsupportainavi/
https://www.nist.gov/itl/ai-risk-management-framework
https://www.microsoft.com/en-us/ai/manufacturing