1台の設備で異常検知・予兆保全のPoCを実施し、一定の有用性を確認できた後、「同じ型式の設備にも同じモデルを展開できないか」という課題が出てきます。
例えば、複数の工場やラインに同型ポンプが20台ある場合、20台それぞれにモデルを構築・管理するより、1つのモデルを共通利用できれば運用は整理しやすく見えます。
しかし、設備の型式が同じだからといって、正常時のセンサーデータまで同じとは限りません。設置条件、負荷、流量、配管、センサー位置、摩耗状態などによって、正常時の振動や温度にも設備ごとの差が生じることがあります。
一方で、設備差があるからといって、20台すべてに完全独立したモデルが必要とも限りません。実務では、設備群の共通部分を利用しながら、設備固有の差だけを補正・調整する構成も検討できます。
本記事では、多拠点に設置された同型ポンプ20台を仮想例として、完全共通モデル、設備別モデル、共通モデル＋設備別補正の3つを比較し、予兆保全モデルを複数設備へ横展開するときの考え方を整理します。
同型設備でも「まったく同じ状態」にはならない
同じメーカー・同じ型式の設備であれば、基本構造や定格仕様は共通しています。そのため、複数設備のデータをまとめて利用できる可能性があります。
ただし、設備型式の同一性と、センサーデータの分布が同一であることは別です。
例えば同型ポンプでも、配管抵抗や流量、吐出圧力が違えば運転点が変わります。基礎や固定方法が異なれば、振動の伝わり方も変わる可能性があります。さらにセンサーの取付位置や方向が少し違うだけでも、測定される振動レベルに差が出ることがあります。
つまり、ポンプAの正常状態とポンプBの正常状態が数値上完全に一致しないからといって、どちらかが異常という意味ではありません。
複数設備へモデルを展開する際には、まず設備間の正常な個体差と、設備内で発生する異常変化を分けて考える必要があります。
同型ポンプ20台へ1つのモデルを適用する仮想例
説明用として、複数拠点に同型ポンプが20台設置され、すべてに同種の振動センサーが同じ取得周期で設置されているケースを考えます。
20台を確認すると、次のような違いがあったとします。
- ポンプ1〜12：負荷条件が近く、正常時の振動分布も比較的似ている
- ポンプ13〜17：流量・負荷が異なり、正常時の振動レベルがやや高い
- ポンプ18〜20：設置基礎や配管条件が異なり、通常時から一部の周波数特性に違いがある
これは説明用の仮想例であり、特定設備の実測結果ではありません。
この20台すべてへポンプ1だけで作った異常検知モデルを適用すると、ポンプ13〜20では正常運転にもかかわらず異常スコアが高くなる可能性があります。
逆に20台すべてをまとめて一つの正常状態として学習すると、設備ごとの差まで正常範囲として広く取り込み、個別設備の小さな変化を捉えにくくなる可能性もあります。
設備間で正常データが違う6つの理由
1．製造・組立による個体差
同じ型式でも、部品や組立状態には一定のばらつきがあります。正常な範囲内の個体差が、振動・温度・電流等の基準値の差として現れる場合があります。
2．設置・配管・基礎条件
ポンプであれば、配管構成、固定方法、基礎、周辺設備との接続状態などが異なります。設備本体が同じでも、設置系全体として見れば条件は同一とは限りません。
3．負荷・流量・速度等の運転条件
負荷、流量、圧力、回転数、運転モードが違えば、正常時のセンサー値も変化します。設備間比較では、異なる運転条件をそのまま比較しないことが重要です。
4．センサー位置・感度・取付状態
特に振動では、センサーの設置位置や方向によって観測される成分が変わります。センサー仕様だけでなく、計測条件をそろえることも横展開では重要です。
5．稼働年数・摩耗状態
新品に近い設備と長期間稼働した設備では、どちらも正常運転中であっても基準状態が異なる可能性があります。設備差をすべて補正対象とすると、こうした経年変化まで消してしまうことがあります。
6．整備・部品交換履歴
軸受交換、モータ交換、芯出し、オーバーホール等によって設備の基準状態が変化する場合があります。同型設備の比較では、保全履歴もあわせて確認します。
共通モデルを使いやすい設備の条件
共通モデルを検討しやすいのは、型式だけでなく、設備を取り巻く条件にも共通性がある場合です。
- 主要な設備仕様が同じ
- センサー種類・設置位置・取得方法がそろっている
- 運転条件の範囲が近い
- 正常時のデータ分布・変動幅が近い
- 設備の役割や運転モードが共通している
- 異常として捉えたい現象が共通している
フリート型の状態監視では、複数の類似設備を一つの集合として扱い、設備同士の比較から逸脱設備を検出する研究も行われています（Hendrickx et al., 2020）。
ただし、類似設備を扱うこと自体が共通モデルの妥当性を保証するわけではありません。モデルを展開する前に、実際のデータで共通性を確認します。
共通モデルをそのまま使いにくいケース
同型設備であっても、次のような場合には一つのモデルをそのまま適用しにくくなります。
- 拠点ごとに運転条件が大きく違う
- センサーの設置位置や仕様が異なる
- 正常時の平均・ばらつきが設備ごとに大きく異なる
- 一部設備だけ構造・部品仕様が変更されている
- 整備状態や経年状態の違いが大きい
- 同じ異常スコア閾値では一部設備だけ誤警報が多い
このとき重要なのは、共通モデルを諦めてすぐ20個の個別モデルを作ることでも、すべての設備差を強制的に消すことでもありません。
どの差が単なる計測・運転条件の違いで、どの差が設備状態そのものを示す情報なのかを整理します。
共通モデル＋設備ごとの補正という考え方
設備間に共通性がある一方で一定の個体差も存在する場合には、共通モデルを基本としながら設備ごとの差を個別に扱う構成が考えられます。
ここでいう「共通モデル＋設備別補正」は一つの決まった機械学習手法を指す言葉ではありません。
- 正常時の基準値を設備ごとに確認する
- 必要に応じて設備ごとにスケールを調整する
- 運転条件別に正常範囲を分ける
- 異常スコアの判定閾値を設備ごとに検証する
- 共通モデルを一部設備のデータで追加調整する
研究分野でも、フリート内のデータが豊富な設備から、データの少ない別設備へモデルの知識を移す転移学習が検討されています。Wang et al.（2026）は、同じフリートのsource systemで事前学習した異常検知モデルを、データ量の少ないtarget systemへ適応する枠組みを報告しています。
ただし、転移学習を使えば設備差が自動的に解決するという意味ではありません。設備間にどの程度の共通性があり、どのデータで適応・検証できるかによって結果は変わります。
設備固有差を扱いやすい。
設備数とともに管理対象も増える。
モデル構成を統一しやすい。
設備差が大きい場合は個別性能を確認する。
共通部分を利用しながら設備差を個別に扱う。
何を共通化し、何を調整するかの検証が必要。
共通モデル・個別モデル・補正型モデルを比較する
| 観点 | 設備別モデル | 完全共通モデル | 共通＋設備別調整 |
|---|---|---|---|
| モデル構成 | 設備単位 | 全設備共通 | 共通部分＋個別設定 |
| 設備差への対応 | 個別に扱いやすい | 差が小さいことを確認 | 残る差を個別に扱う |
| 管理対象 | 設備数に応じて増える | 比較的まとめやすい | モデルと設備別設定を管理 |
| 新設備追加 | 個別構築を検討 | 共通モデル適合性を確認 | 共通モデル＋必要な調整を評価 |
| 主な注意点 | モデル数の増加 | 設備固有差の見落とし | 補正内容の管理 |
どの方式が常に優れているというものではありません。設備差、利用できるデータ量、異常検知の目的、管理体制などから選択します。
新しい設備へモデルを横展開する手順
1台のPoCから複数設備へ展開する場合には、いきなりすべての設備へモデルを適用するのではなく、段階的に確認すると整理しやすくなります。
- 設備型式・主要仕様を整理する
- センサー種類・設置位置・取得周期を比較する
- 負荷・速度・流量等の運転条件を比較する
- 設備ごとの正常データ分布を比較する
- 共通性が高い設備群を整理する
- 共通モデルを適用して設備別に結果を確認する
- 必要な設備だけ基準値・閾値等を調整する
- 新設備追加後も設備別の挙動を継続確認する
特に重要なのが、全設備をまとめた平均結果だけではなく、設備ごとの結果を見ることです。
全体では問題なく見えても、一部設備だけ誤警報が多い、特定の運転条件だけスコアが偏る、といったケースがあります。
新しい設備への一般化性能を確認したい場合には、モデル構築に利用していない設備を残し、その設備で性能を評価する方法も有効です。
多拠点運用でモデル数を増やしすぎないためのポイント
多拠点へ展開する場合には、分析精度だけでなくモデルを継続的に管理できるかも重要です。
設備ごとに完全独立モデルを作ると、設備追加やセンサー交換、モデル更新のたびに管理対象が増えます。一方、無理に一つへまとめると設備差を扱えなくなる可能性があります。
そのため、設備単位より上位に「設備群」という単位を設ける方法もあります。例えば、設備仕様だけではなく運転条件・設置条件まで近いポンプ群を一つの管理単位として扱い、必要な設備だけ個別設定を持たせます。
多拠点展開では、モデルだけでなく、センサー名称、単位、設備ID、取得周期、運転条件の定義などをそろえておくことも重要です。データ定義が拠点ごとに異なると、同じモデルを利用できるか以前に入力データの整合を取る作業が必要になります。
複数設備への展開前チェックリスト
| 観点 | 確認項目 |
|---|---|
| 設備仕様 | 型式・主要仕様は同じか |
| 部品構成に変更はないか | |
| 設備の用途・役割は共通しているか | |
| 計測条件 | センサー種類は同じか |
| 取付位置・方向は近いか | |
| 取得周期は同じか | |
| 単位・スケールは統一されているか | |
| 運転条件 | 負荷範囲は近いか |
| 回転数・流量・圧力等は近いか | |
| 運転モードは同じか | |
| 周囲環境に大きな差はないか | |
| 正常データ | 正常時の平均レベルを比較したか |
| ばらつき・分布を比較したか | |
| 時間変動パターンを比較したか | |
| 必要に応じて周波数特性を比較したか | |
| 運用 | 設備別にモデル結果を評価できるか |
| 新設備追加時の検証方法があるか | |
| 設備・センサー交換時の再確認方法があるか | |
| モデル・設定値のバージョンを管理できるか |
このチェックリストの該当数だけで、共通モデルを利用できるか自動的に判断するものではありません。
同じ型式の設備でも、まず正常時データを設備別に比較します。設備間の差が小さければ共通モデルを検討できますが、負荷・設置・センサー条件等による系統的な差がある場合には、設備グループの分割や基準値・閾値の個別調整を検討します。
まとめ
同型設備が複数台あるからといって、異常検知モデルをそのまま共有できるとは限りません。設備型式が同じでも、運転条件、設置条件、センサー条件、経年状態などによって正常時のデータ分布は異なる可能性があります。
一方、設備ごとの差があるからといって、すべてに独立したモデルを構築する必要があるとも限りません。
まず設備間の正常データを比較し、共通性の高い設備群を整理します。そのうえで、完全共通モデルで目的を満たせるのか、設備別モデルが必要なのか、共通モデルを基本として設備別の基準・閾値等を調整するのかを検討します。
特に多拠点へ展開する場合には、全設備をまとめた平均性能ではなく、設備別の誤警報・見逃し・異常スコア分布を確認し、新規設備についても既存モデルが適用可能か個別に検証することが重要です。
SCI総合研究所株式会社のMIRASENTでは、「1台で構築した異常検知モデルを他の同型設備へ展開できるか確認したい」「設備ごとにモデルを作るべきか、共通化できるか判断したい」「複数拠点の設備データを共通モデル＋個別補正で管理できるか検討したい」といった段階から、設備仕様、運転条件、センサー構成、正常時データ、保全履歴等を整理しながら横展開方法を検討します。
共通モデルありき、個別モデルありきとはせず、設備間の共通性と個体差を確認したうえで、継続的に運用可能なモデル構成を整理します。
参考文献
- Wang, B., Baraldi, P., Zio, E., Brown, J., and Gauthier, S. 2026. Fleet-based transfer learning for anomaly detection in industrial systems. Mechanical Systems and Signal Processing. Vol. 244. Article 113725. DOI: 10.1016/j.ymssp.2025.113725
- Hendrickx, K. et al. 2020. A general anomaly detection framework for fleet-based condition monitoring of machines. Mechanical Systems and Signal Processing. Vol. 139. Article 106585. DOI: 10.1016/j.ymssp.2019.106585