予兆保全AIや設備の異常検知を導入したものの、「アラートが多すぎて現場で使いにくい」という問題が起こることがあります。
異常スコアが閾値を超えたため設備を確認しても、特に故障や劣化が見つからない。確認してみると、高負荷運転や起動直後など、特定の条件でアラートが集中していたというケースです。
このような誤報は、AIモデルや閾値だけが原因とは限りません。
設備のセンサーデータは、設備の健康状態だけでなく、負荷、回転数、生産品種、運転モード、設定値などの正常な運転条件によっても変化します。
そのため、「異常スコアが高い＝設備異常」とすぐ判断するのではなく、その変化が設備状態によるものなのか、正常な運転条件の違いで説明できるものなのかを切り分けることが重要です。
予兆保全AIで誤報が起きる理由
設備の異常検知では、正常時の振動、電流、温度、圧力等を基準として、そこから大きく外れた状態を異常候補として扱う方法があります。
しかし、工場設備は常に同じ条件で動いているとは限りません。
- 負荷が40％から90％へ上がる
- 回転数が変化する
- 生産品種やレシピが変わる
- 設定温度や圧力が変わる
- 停止状態から起動する
- 周囲温度が季節によって変化する
といった変化だけでも、正常設備のセンサーデータは変わります。
時間とともに運転条件が変化する設備では、運転条件による応答と設備状態による応答が同じセンサーデータへ含まれるため、両者を区別することが異常検知上の課題になります（Liu et al., 2025）。
「正常状態は一つ」と考えると何が起きるか
例えば、通常負荷で運転しているデータを中心に正常状態を定義したとします。
通常負荷ではモーター電流や振動が一定範囲に収まっていても、高負荷運転では故障していない設備でも電流や振動が大きくなる可能性があります。
この高負荷状態が正常データに十分含まれていなければ、モデルから見ると「これまでの正常状態とは違うデータ」に見え、異常スコアが高くなることがあります。
連続的に運転条件が変わる機械では、固定的な正常分布を前提とすると誤報や見逃しが生じ得ることが報告されており、運転条件に応じて正常性を捉える必要性が研究されています（Hu et al., 2025）。
ここで重要なのは、必ず負荷帯ごとに別々のAIモデルを作るということではありません。運転条件ごとに正常状態が異なり得ることを判定設計へ反映する、という考え方です。
高負荷時だけ異常スコアが上がる架空例
説明用の架空の回転設備を考えます。
設備からモーター電流、振動、温度、負荷率、回転数、運転モード、生産品種、異常スコアを取得しています。
| 状態 | 負荷 | 電流・振動等 | 異常スコア | 点検結果 |
|---|---|---|---|---|
| 通常運転 | 中程度 | 通常範囲 | 低い | 異常なし |
| 高負荷運転 | 高い | 電流・振動・温度が上昇 | 閾値超過 | 異常なし |
| 通常運転 | 中程度 | 通常範囲へ戻る | 低下 | 異常なし |
この結果だけを見て、「高負荷時に設備故障が発生している」と断定することはできません。
まず確認したいのは、正常モデルが通常負荷のデータを中心に作られており、高負荷時の正常状態を十分に表現できていない可能性です。
そこで、異常スコアを負荷率、回転数、運転モード、生産品種と並べ、どの条件でアラートが集中しているかを確認します。
高負荷条件だけで繰り返しスコアが上がり、同じ条件での現場点検でも異常が確認されていないのであれば、設備故障だけでなく正常状態の定義を見直す材料になります。
誤報が多いときに確認する5つのポイント
1. 誤報がどの運転条件に偏っているか確認する
まず、誤報と判断されたアラートの発生時刻を一覧化します。
その時刻について負荷、回転数、品種、運転モード、設定値、周囲条件等を並べます。
「負荷80％以上で多い」「起動後数分に集中する」「特定品種だけ多い」といった偏りが見つかれば、誤報原因を絞りやすくなります。
2. 負荷・回転数・品種・運転モードを記録する
設備状態を示す振動や温度だけを保存していても、なぜ値が変わったのか説明できない場合があります。
負荷、回転数、品種、設定値、起動・停止状態など、設備の運転文脈を示すデータも同時に記録します。
3. 運転条件ごとの正常状態を確認する
低負荷・高負荷、低速・高速、品種A・品種Bなど、代表的な正常条件でセンサーデータがどのように変化するか確認します。
ここで「正常値は○以下」のような単一基準だけでなく、「この条件ならこの程度の変化は正常範囲」と考えられるかを整理します。
4. 運転条件を考慮した判定方法を検討する
正常状態の違いが分かったら、判定へ反映します。
- 運転モードごとに判定対象を分ける
- 負荷帯ごとに正常範囲を確認する
- 負荷や回転数を条件情報として利用する
- 現在の運転条件から期待される値を求め、実測値との差を見る
- 起動・停止など過渡状態を定常運転と別に扱う
方法は一つではありません。設備の運転パターン、取得できるデータ、説明性、現場での管理方法に合わせて選びます。
5. 現場点検結果を判定改善へ戻す
アラート後に現場確認をしたのであれば、その結果を残します。
「異常なし」「軸受に異音あり」「センサー不良」「負荷変更直後」など、実際の確認結果を記録することで、どのアラートが有用で、どのアラートが不要だったかを評価できます。
予兆保全AIはモデルを作って終わりではなく、現場確認を通じて判定方法を改善していく運用まで含めて考える必要があります。
起動・停止などの過渡状態はどう扱うか
設備の起動直後や停止直前は、定常運転とはセンサーデータの特性が大きく異なる場合があります。
例えば起動時には電流が一時的に大きくなったり、回転数の上昇に伴って振動特性が変化したりします。
このような過渡状態を定常運転と同じ正常基準で監視すると、誤報の原因になる場合があります。
対策としては、起動・停止・定常運転などの運転モードを識別し、同じ状態同士で比較する方法があります。重要なのは「起動中は監視しない」と一律に決めることではなく、どの運転状態で何を検知したいのかを整理することです。
閾値を上げるだけでは解決しない
誤報が多いと、まず異常判定の閾値を高くしたくなります。
確かに閾値を高くすればアラート数は減る可能性があります。しかし、本当に検知したい小さな状態変化まで判定対象から外れ、見逃しが増える可能性があります。
そのため、閾値を変更する前に、誤報が特定の負荷やモードへ偏っていないか確認する方がよいでしょう。
誤報と見逃しには一般にトレードオフがあります。評価では単純なモデル精度だけでなく、アラート件数、点検工数、見逃しの影響、アラート後に取れる保全行動等も考慮します。
長期運用では正常状態自体も変化する
正常状態を一度定義した後も、将来ずっと同じデータ分布が続くとは限りません。
設備の経年変化、部品交換、設定変更、工程変更、原料や品種の変更等によって、以前の正常データと現在の正常データの関係が変わる場合があります。
このような時間的なデータ・関係性の変化は、機械学習分野ではConcept Drift（概念ドリフト）として扱われます。製造現場の状態監視でも、データ分布が時間とともに変化することが実運用上の課題とされています（Zhu et al., 2024）。
ただし、データ分布が変わったからといって自動的に再学習すればよいわけではありません。設備故障によって分布が変わった可能性もあるため、工程変更・保全履歴・点検結果等と合わせて原因を確認します。
誤報が多いときの確認チェックリスト
| 確認項目 | 確認内容 |
|---|---|
| 負荷 | 誤報が特定の負荷帯に集中していないか |
| 回転数 | 特定速度で異常スコアが高くならないか |
| 運転モード | 起動・停止・アイドル等に偏っていないか |
| 生産条件 | 特定品種・レシピ・設定値で増えていないか |
| 環境条件 | 外気温等の変化と関係していないか |
| 正常学習データ | 現在の運転条件を十分含んでいるか |
| 現場確認 | アラート後の点検結果を記録しているか |
| 設備変更 | 部品交換・設定変更・工程変更後から増えていないか |
| 閾値 | 原因確認をせず閾値だけ変更していないか |
| 保全行動 | アラートが具体的な点検・保全判断につながっているか |
誤報が多い場合は、まず異常スコアの閾値を変更する前に、アラートが発生した時刻の「負荷」「回転数」「運転モード」「生産品種」「起動・停止状態」を並べてみてください。
特定の正常運転条件にアラートが集中している場合、設備異常だけでなく、正常状態の定義に原因がある可能性があります。
まとめ
予兆保全AIの誤報が多い場合、モデル精度や閾値だけを見るのではなく、正常な運転条件の違いを確認することが重要です。
設備のセンサーデータは、故障・劣化だけでなく、負荷、回転数、生産品種、設定値、起動・停止等によっても変化します。
そのため、誤報時刻と運転条件を対応付け、同じまたは近い条件下で正常状態を確認し、それでも説明できない変化を異常候補として評価する方法があります。
また、単純に閾値を高くすると、誤報を減らす代わりに故障兆候の見逃しを増やす可能性があります。現場点検結果も利用しながら、誤報と見逃し、点検負担、保全判断への有用性を合わせて評価する必要があります。
SCI総合研究所株式会社のMIRASENTでは、予兆保全AIの異常スコアだけを見るのではなく、設備データ、負荷、回転数、工程条件、運転モード、点検・保全履歴等を合わせて確認し、設備状態の変化と正常な運転条件の変化を整理します。
「高負荷時だけアラートが増える」「誤報が多く現場で使われなくなっている」「閾値を変更するだけでよいのか判断できない」といった段階から、分析・運用上の論点を整理できます。
参考文献
- Hu et al. 2025. Unified Flowing Normality Learning for Rotating Machinery Anomaly Detection in Continuous Time-Varying Conditions. IEEE Transactions on Cybernetics. Vol. 55. Issue 1. pp. 221-233. DOI: 10.1109/TCYB.2024.3481871.
- Liu et al. 2025. Anomaly detection of machinery under time-varying operating conditions based on state-space and neural network modeling. Advanced Engineering Informatics. Vol. 65. Article 103285. DOI: 10.1016/j.aei.2025.103285.
- Zhu et al. 2024. Data-driven long-term condition-based maintenance using anomaly detection under concept drift: A case study of an ultrasonic sieve machine. Procedia CIRP. Vol. 126. pp. 128-133. DOI: 10.1016/j.procir.2024.08.312.