工場のフロアに響く機械の駆動音が、ふと途切れる瞬間。現場を預かる皆さんにとって、これほど胃が痛くなる瞬間はないのではないでしょうか。
「またチョコ停か……」
操作盤のリセットボタンを押せばすぐに復旧するものの、原因は特定できない。ログを見ても異常は見当たらない。しかし、1回数分の停止も、1日10回起きれば大きな生産ロスになります。さらに、頻発するチョコ停は、やがて来る重大な故障（ドカ停）の予兆であることも少なくありません。
「AI導入で予知保全を」という提案書を経営層に見せても、「数千万円もかけて効果が出るのか？」「現場のオペレーションを変えるな」と却下される──そんな悔しい思いをしている生産技術担当者の方も多いはずです。
エッジからクラウドまで一貫したIoTプラットフォームを設計するアーキテクトの視点から言えるのは、「AIによる異常検知は、もっと泥臭く、もっと手軽に始められる」ということです。
最新鋭のスマートファクトリーを建てる必要はありません。30年前のプレス機でも、アナログなコンベアでも、AIの恩恵を受けることは可能です。しかも、現場の負担を最小限に抑えながら。
この記事では、AIやデータサイエンスの専門用語を並べるのではなく、現場の「困った」をどう解決するかという視点で、既存設備を活用した稼働率改善のアプローチを解説します。魔法のような話ではなく、明日から検討できる「現実解」を一緒に見ていきましょう。
なぜ「チョコ停」は従来の閾値管理では防げないのか
「ちゃんと監視設定はしているはずなのに、なぜ止まるまで気づけないんだ？」
上層部からそう詰められた経験はありませんか？ 多くの現場では、PLC（Programmable Logic Controller）やSCADA（監視制御システム）を使って、温度や圧力、電流値などの監視を行っています。一般的には、「温度が80℃を超えたらアラート」「電流が5Aを下回ったら停止」といった具合に、上限・下限の閾値（しきい値）を設定して管理しているはずです。
しかし、チョコ停の多くは、この「閾値の網」をすり抜けて発生します。なぜでしょうか。
稼働率を押し下げる「見えない停止」の正体
チョコ停の原因となる不具合の多くは、完全に壊れる直前まで、数値上は「正常範囲内」に収まっていることが多いのです。
例えば、モーターのベアリングが摩耗してきても、回転数や電流値が即座にレッドゾーンに飛び込むわけではありません。しかし、微細な振動パターンが変わったり、電流の波形にわずかなノイズが乗ったりします。これらは、単純な「上限・下限」の設定では検知できません。
閾値を厳しく設定すれば（例えば80℃のリミットを70℃にする）、今度は誤検知による停止が頻発し、かえって稼働率を下げてしまいます。これを嫌って閾値を緩めれば、異常を見逃してしまう。これが、従来型の閾値管理が抱えるジレンマです。
熟練工が「音」や「振動」で感じ取っている違和感の正体
一方で、現場のベテラン作業員の方は、計器を見なくても「あ、この機械、そろそろ調子悪くなるな」と言い当てることがあります。
「いつもより音が甲高い気がする」
「床に伝わる振動が少しビリビリする」
彼らは、単一のパラメータ（温度だけ、電流だけ）を見ているのではありません。音、振動、匂い、温度など、複数の要素が絡み合った「全体の雰囲気」を感じ取り、過去の膨大な経験（正常な状態の記憶）と比較して、「違和感」を検知しているのです。
この「なんとなく違う」という感覚こそが、チョコ停を未然に防ぐ鍵です。しかし、熟練工は24時間機械に張り付いているわけにはいきませんし、その感覚を若手に継承するのも至難の業です。
閾値（しきい値）設定のジレンマと限界
従来のエッジ側での単純な閾値処理は「点」での監視にとどまりますが、チョコ停の予兆は「波形」や「相関関係」の中に潜んでいます。
例えば、Aという値が上がったときにBという値も連動して上がるのが正常だとします。しかし、予兆段階では「Aは上がっているのにBは変わらない」といったバランスの崩れが生じることがあります。それぞれの値が正常範囲内であっても、この「関係性の崩れ」は異常です。
人間がルールベースで記述するには複雑すぎるこの「関係性の崩れ」や「波形の違和感」を、熟練工の代わりに24時間監視し続ける役割。それこそが、今回ご紹介するAI（ディープラーニング）の得意領域なのです。
現状分析：あなたの工場のデータは「診断」に使えるか
「AIを使うには、ビッグデータが必要なんでしょう？」
「ウチの設備は古いから、データなんて取れないよ」
そう思って諦めている方が非常に多いのですが、実はここが最大の誤解ポイントです。AI異常検知を始めるのに、テラバイト級のデータも、最新のIoT対応設備も必須ではありません。
必要なのは、「設備の健康状態を表す、解像度の高いデータ」です。
稼働率監視に必要な「データの解像度」とは
PLCに蓄積されているデータは、多くの場合、制御のためのデータです。「1秒に1回」や「1分に1回」といった周期で記録されていることが多いでしょう。生産管理やトレーサビリティにはこれで十分ですが、設備の「健康診断」には粗すぎます。
異常の予兆、特に回転機器（モーター、ポンプ、ファンなど）の不調は、ミリ秒単位の電流波形や振動の変化に現れます。1秒に1回のデータ収集は、パラパラ漫画のページを100枚に1枚しか見ないようなもの。その間に起きた重要な変化（スパイクや微細な振動）を見逃してしまいます。
AIに診断させるなら、少なくともサンプリング周期が短い（高周波な）データをエッジ側で適切に処理する仕組みが必要です。
PLCデータだけでは見えない設備の健康状態
「じゃあ、PLCのプログラムを書き換えて、もっと細かくデータを取ろう」と考えると、泥沼にはまります。
稼働中の設備のPLCを触るのはリスクが高すぎます。ラダーロジックの解析、サイクルタイムへの影響調査、メーカー保証の問題……。生産技術担当者としては、安定稼働している設備の「脳みそ」には極力触れたくないのが本音でしょう。
そこで推奨したいのが、「制御系（OT）とは切り離した、後付けセンサーによる計測」です。
後付けセンサー（電流・振動）が救世主になる理由
センサーネットワークの設計において、コストパフォーマンスと導入のしやすさから推奨されるのが、「クランプ式電流センサー（CTセンサー）」と「外付け振動センサー」の組み合わせです。
- クランプ式電流センサー: 配線を切断することなく、電源ケーブルをパチンと挟むだけで設置できます。モーターの負荷変動は電流波形に如実に現れます。機械的なガタつきや過負荷も、電流の乱れとして検知可能です。
- 振動センサー: モーターやギアボックスの筐体にマグネットやネジで貼り付けるだけです。ベアリングの傷や芯ズレなどは、特定の周波数の振動として現れます。
これらは既存の制御システム（PLC）とは独立して設置できるため、設備を止める時間も最小限で済みますし、もしセンサーシステムがダウンしても、工場のライン自体は止まりません。この「疎結合（そけつごう）」な構成こそが、現場に安心感をもたらし、スモールスタートを可能にするのです。また、IoTセキュリティの観点からも、制御系ネットワーク（OT）と情報系ネットワーク（IT）を物理的・論理的に分離してデータを収集できる点は、サイバー攻撃のリスクを低減する大きなメリットとなります。
最適化アプローチ①：ディープラーニングによる「正常」の定義
データが取れるようになったら、次はいよいよ分析です。「AIに異常を学習させる」と聞くと、過去の故障データを大量に集めて、「これが故障パターンだ」と教え込む（教師あり学習）イメージを持つかもしれません。
しかし、製造現場でそれは不可能です。なぜなら、「滅多に壊れないから」です。故障データは圧倒的に少なく、しかも壊れるたびに原因が違うため、十分な量の「教師データ」が集まりません。
そこで、製造業の現場で主流となっているのが、「教師なし学習（正常データ学習）」というアプローチです。
「異常」を教えるのではなく「いつも通り」を学習させる
発想を逆転させましょう。異常な状態を知らなくても、「正常な状態」なら毎日大量にデータが取れますよね。
この手法では、AIに「これがいつもの正常な稼働データだよ」とひたすら教え込みます。AIは「正常な波形」「正常な振動パターン」を徹底的に学習し、そのモデル（基準）を構築します。
そして、新しいデータが入ってきたときに、「学習した『いつもの状態』とどれくらいズレているか」を計算します。このズレの大きさを「異常スコア（Anomaly Score）」として出力するのです。
これなら、過去に起きたことのない未知のトラブルであっても、「なんかいつもと違う」として検知することができます。まさに、熟練工の「違和感」を再現するアプローチです。
オートエンコーダ（Autoencoder）による異常検知の仕組み
ここで少しだけ技術的な話をしますが、数式は使いません。この「正常データ学習」によく使われるのが、ディープラーニングの一種であるオートエンコーダ（Autoencoder）です。
オートエンコーダは、入力されたデータを一度ギュッと圧縮（特徴を抽出）し、それを元通りに復元しようとするAIモデルです。
- 学習フェーズ: 正常なデータだけを使って、「圧縮→復元」の練習を繰り返します。正常なデータなら、ほぼ完璧に元通りに復元できるようになります。
- 推論（運用）フェーズ: ここに「異常を含んだデータ」を入力するとどうなるでしょうか？ AIは正常なパターンの復元しか練習していないので、異常な部分はうまく復元できず、入力と出力の間に大きな「誤差」が生まれます。
この「復元できなかった誤差の大きさ」こそが、異常の度合いを示します。エッジコンピューティング環境でも比較的軽量に推論を実行できるため、リアルタイムな異常検知に適した強力なメカニズムです。
タグ付け作業（アノテーション）不要というメリット
この手法の最大の利点は、面倒な「タグ付け（アノテーション）」作業が不要なことです。
「教師あり学習」の場合、何万件ものデータに対して人間が「これは正常」「これはベアリング摩耗」「これはベルト緩み」とラベルを貼る必要があり、これだけで数ヶ月かかってしまいます。
しかし、「正常データ学習」なら、直近1ヶ月分のトラブルなく稼働していた期間のデータを「学習用データ」として放り込むだけで済みます。データサイエンティストがいなくても、現場のエンジニア主導でモデル構築が進められる理由がここにあります。
最適化アプローチ②：予兆検知から保全アクションへの接続
AIが「異常スコア」をはじき出すようになっても、それだけでは稼働率は上がりません。その情報が現場のアクションに繋がって初めて価値が生まれます。
「壊れてから直す」から「止まる前に手入れする」へ
従来の事後保全（Breakdown Maintenance）では、機械が止まってから慌てて修理部品を手配し、復旧までラインが停止していました。
AIによる予兆検知が可能になれば、状態基準保全（CBM: Condition Based Maintenance）へとシフトできます。
「異常スコアが徐々に上がってきている。来週の計画停止のタイミングで、このモーターのベアリングを交換しよう」
このように、突発的な停止（チョコ停・ドカ停）を、コントロール可能な「計画保全」に変えることができます。部品も事前に発注でき、休日の緊急呼び出しも減るでしょう。これは現場のワークライフバランス改善にも直結します。
異常スコアの推移を可視化するダッシュボード設計
現場に見せる画面（ダッシュボード）は、シンプルであるべきです。複雑な波形や分析グラフを見せても、忙しいオペレーターは見てくれません。
推奨するのは、信号機のような表示です。
- 緑: 異常スコアが低く安定している（いつも通り）。
- 黄: 異常スコアが上昇傾向にある（注意・点検推奨）。
- 赤: 異常スコアが閾値を突破した（即時確認が必要）。
そして重要なのは、エッジで収集したデータをクラウド上で統合し、「トレンド（推移）」を見せることです。瞬発的に高い値が出たのか、それとも1週間かけてじわじわ上がってきているのか。この傾向が見えるだけで、現場は「あ、これはノイズだな」「これは摩耗が進んでいるな」と判断しやすくなります。
現場作業員が直感的に理解できるアラートの出し方
PCの画面だけでなく、現場の物理的な環境へのフィードバックも有効です。既存のパトライト（積層信号灯）を制御して、AIが検知した「注意レベル」に応じて点灯させたり、保全担当者のスマートウォッチやタブレットに「ラインB、コンプレッサー振動異常検知」とプッシュ通知を送ったりします。
ただし、通知の出しすぎには注意が必要です。次章で触れますが、頻繁すぎるアラートは「オオカミ少年」になり、無視されるようになります。
トレードオフと注意点：AIは万能ではないことを知る
ここまでAI導入のメリットを強調してきましたが、プロジェクトを成功に導くためには、AIの限界とリスクについても客観的に把握しておく必要があります。このトレードオフを理解せずに進めると、「期待していたほど使えない」と現場の失望を招くことになりかねません。
検知精度と過検知（誤報）のバランス調整
異常検知において、「見逃し（異常なのに正常と判断）」と「過検知（正常なのに異常と判断）」は常にトレードオフの関係にあります。
見逃しをゼロにしようとしてシステムの感度を上げすぎると、ごくわずかな負荷変動（例えば、加工する材料の硬さが少し変わった程度の変化）でも「異常」としてアラートを出す過敏なAIになってしまいます。これでは、頻発する確認作業に追われる現場が疲弊してしまいます。
導入初期は、「過検知は許容するが、見逃しは最小限に抑えたい」のか、あるいは「重大な異常だけを確実に捉えたい」のか、現場の運用要件に合わせて慎重にチューニングを行う必要があります。運用開始直後は、AIのアラートが出ても即座にラインを停止するのではなく、「点検のきっかけ」として活用する評価期間を設けるのが、システム導入における定石です。
現場の納得感を得るためのスモールスタート戦略
いきなり全工場の全ラインへ大規模に導入するのは、リスクが高すぎます。まずは、「最もチョコ停が頻発し、課題となっている1つの設備」、または「構造がシンプルで効果測定がしやすい1つのライン」に的を絞って導入を進めてください。
そこで「AIの予測によって、ベアリングの破損を未然に防げた」といった成功事例（クイックウィン）を早期に1つ作ることが何より重要です。現場の担当者が「これは日常業務に役立つツールだ」と実感できれば、その後の他ラインへの横展開は驚くほどスムーズに進む傾向があります。
ブラックボックス化を防ぐための説明可能性
ディープラーニングの最大の弱点としてよく指摘されるのが、「なぜ異常と判断したのか」という根拠が人間に分かりにくいという「ブラックボックス問題」です。現場で「AIが異常を示しています」と報告しても、熟練の保全担当者から「具体的にどこが悪いのか？ その根拠は？」と問われ、答えに窮するケースは珍しくありません。
この課題に対し、近年では「説明可能なAI（Explainable AI：XAI）」の技術実装が急速に進んでいます。市場調査の予測によれば、GDPRなどの規制強化に伴うAIの透明性への需要を背景に、XAI関連市場は今後数年で年間20%以上の成長率（CAGR）で拡大するとされています。また、膨大なデータの蓄積と高度な分析処理を両立させるため、エッジで一次処理を行い、クラウドで詳細な要因分析を行うハイブリッドなアーキテクチャが主流となっています。
具体的には、単に「異常スコアが高い」と通知するだけでなく、以下のような根拠を提示できるツールやアルゴリズム（SHAP、Grad-CAM、What-if Toolsなど）を選ぶことが重要になります。
- 寄与度の可視化: どのセンサーの数値が異常検知に最も強く影響したかを、ランキングやグラフを用いて明確に表示します。
- ヒートマップ表示: 時系列データの中で、どの瞬間のどの周波数帯が通常と異なる動きをしているかを色分けして直感的に示します。
例えば、「電流値の50Hz付近の成分が、通常より20%増大しているため異常と判断しました」といった具体的な根拠が提示されれば、保全担当者も「それなら電源周りのノイズか、インバータの不調の可能性がある」と、自身の経験と照らし合わせて迅速に対策を打つことができます。
また、XAIに関する最新のベストプラクティスや実装手法については、利用するAIプラットフォームの最新のガイドラインを参照することをおすすめします。AIはあくまで「気づき」を与える強力なツールであり、最終的な診断と判断を下すのは現場の人間であることを忘れないでください。
継続的な改善：データとともに現場も進化するサイクル
AIモデルは一度作ったら終わりではありません。設備は生き物のように変化しますし、季節によって温度や湿度が変われば、機械の挙動も変わります。
モデルの再学習タイミングと運用体制
設備の部品交換やオーバーホールを行ったら、機械の挙動（振動や音）はガラリと変わります。AIにとってそれは「未知のデータ」＝「異常」に見えてしまいます。
そのため、メンテナンス直後には「再学習」が必要です。「今の状態が新しい正常だよ」とAIに教え直すプロセスです。これを運用フロー（標準作業手順書）に組み込んでおくことが、長期運用の鍵です。
エッジからクラウドまで統合されたIoTプラットフォームであれば、クラウド側で再学習した最新のAIモデルを、セキュアな通信経路を通じてエッジデバイスへ自動配信（OTAアップデート）する仕組みを構築することも可能です。
稼働率向上によるROI（投資対効果）の試算例
導入効果を測る指標は明確にしておきましょう。
- チョコ停回数の減少率: 月間50回から10回へ（80%減）
- 平均復旧時間（MTTR）の短縮: 原因特定にかかる時間が減るため
- 保全コストの削減: 定期交換（TBM）から状態監視保全（CBM）への移行による部品代・工賃の最適化
例えば、月間の停止損失が100万円だったラインで、AI導入により損失を20万円に抑えられれば、月80万円の利益創出です。初期投資が300万円でも、半年足らずで回収できる計算になります。スモールスタートなら、この試算もしやすくなります。
次なるステップ：品質管理への応用
設備の異常検知ができるようになれば、そのデータは「品質管理」にも応用できます。
「設備の振動がこのパターンのときは、不良品が発生しやすい」という相関が見えてくるからです。設備の健康を守ることは、製品の品質を守ることと同義です。
まとめ
「チョコ停」対策としてのAI導入は、決して遠い未来の話でも、大企業だけの特権でもありません。むしろ、古い設備を抱え、熟練工不足に悩む現場にこそ、必要なソリューションです。
- 後付けセンサーで、設備を止めずにセキュアなセンサーネットワークを構築する。
- 正常データ学習で、アノテーションの手間なくエッジ推論モデルを作る。
- スモールスタートで、まずは1台から成功体験を作る。
この3ステップなら、リスクを最小限に抑えて始められます。AIは現場を乗っ取るものではなく、熟練工の「聴診器」をデジタル化し、24時間365日代わりに聞き耳を立ててくれる頼もしいパートナーです。
まずは、現場にある「一番手のかかる機械」に、電流センサーを一つ付けるところから始めてみませんか？ エッジからクラウドまで、データの通り道を一貫して設計することで、その波形に隠された機械の「声」を確実に捉えることができるはずです。
あなたの工場の「カイゼン」が、データという新しい武器でさらに加速することを応援しています。
コメント