「高価な振動センサーを全ラインに導入したのに、結局ベテランの『なんか変だぞ』という一言の方が早く故障を当てるんです」
製造現場のAI導入やデータ活用支援において、このような課題に直面するケースは少なくありません。皆さんの現場でも、似たような状況はないでしょうか。
DX（デジタルトランスフォーメーション）の波に乗り、多くの製造現場でIoT化が進みました。PLC（Programmable Logic Controller）からのデータ収集はもちろん、後付けセンサーによる常時監視も当たり前になりつつあります。しかし、データレイクに溜まっていく膨大なログとは裏腹に、予知保全の精度が期待通りに上がらず、稼働率の向上に結びつかないというケースが後を絶ちません。
なぜ、最新のAIが、経験豊富な熟練工の「勘」に及ばないことがあるのでしょうか。
その答えは、データの「量」ではなく「解釈の深さ」にあります。これまで、職人の勘を「神業」や「属人化の悪癖」として神秘化するか、あるいは排除しようとする傾向がありました。しかし、AI導入を成功させ、継続的なカイゼンを実現するために必要なのは、その勘をロジカルに因数分解し、デジタルツインという仮想空間に「文脈」として再実装することなのです。
本記事では、技術的なアルゴリズムの解説ではなく、もっと根源的な「思考の枠組み」について解説します。現場に眠る暗黙知をどう形式知化し、AIという「新しい弟子」に伝承していくか。その具体的な設計思想を紐解いていきましょう。
「データはあるのに予知できない」パラドックスの正体
「データは24時間365日取れている。AIモデルも作った。しかし、現場では使えないと言われる」
このパラドックス（逆説）に陥るプロジェクトには、共通する一つの誤解があります。それは、「異常とは、数値が閾値（しきいち）を超えた状態である」という単純な定義です。
閾値監視の限界と「正常な異常値」
従来の設備保全、特にBM（事後保全）やTBM（時間計画保全）からCBM（状態基準保全）へ移行する際、多くの現場で最初に設定されるのが「閾値」です。
例えば、モーターの温度が80度を超えたらアラートを出す、振動加速度が2.5Gを超えたら停止する、といったルールです。これは明確で分かりやすい反面、実際の故障はもっと複雑です。
一般的なプラント設備の事例では、ポンプの振動値を監視していても、故障の直前、振動値は閾値の半分以下にとどまることがあります。AIも異常検知システムも沈黙している中で、経験豊富な保全担当者は「音が変わった」と判断してラインを止め、分解点検を行います。結果、ベアリング内部に微細なクラック（亀裂）が見つかるのです。
逆に、高負荷運転時には振動値が閾値を超えることがありますが、それは「正常な高負荷」であり、故障ではありません。システムはこれを「異常」と誤検知し、現場の混乱を招く可能性があります。
つまり、数値の絶対値だけを見ても、「それが異常かどうか」は判定できないのです。ここに、データはあるのに予知できない要因があります。
ベテランが見ているのは数値ではなく「変化の波形」
では、ベテランは何を見ているのでしょうか。
現場のヒアリングでは、「いつもと違う」「波形が暴れている」「匂いが焦げ臭い」といった定性的な言葉がよく聞かれます。これをデータサイエンスの視点で翻訳すると、彼らは「時系列データの動的な変化率」や「多変量間の相関崩れ」を見ていることになります。
例えば、回転数が上がれば振動も上がるのが物理法則として「正常」です。しかし、「回転数は一定なのに振動だけが微増している」とか、「電流値は下がっているのに温度が上がっている」といった状態。これこそが、ベテランが感じる「違和感」の正体です。
彼らは無意識のうちに、脳内で高度な回帰分析を行っています。「現在の運転条件なら、温度はこのくらいのはずだ」という予測値（推論）を持ち、そこからの乖離（ズレ）を異常として検知しているのです。単一のセンサー値（スカラー量）ではなく、複数のパラメータが織りなす関係性（ベクトル空間）の変化を捉えていると言えます。
デジタルツインにおける「文脈（コンテキスト）」の欠落
多くのデジタルツイン・プロジェクトが期待通りの成果を上げられないのは、3Dモデルや数値データだけをコピーし、この「文脈（コンテキスト）」を置き去りにしているからです。
デジタルツインとは、現実世界の物理的な資産をデジタル空間に再現する技術ですが、単に形状や現在の数値を映すだけでは不十分です。MES（製造実行システム）と連携し、「今、どのような製品を作っているのか（負荷状況）」「外気温はどう変化しているか（環境要因）」「先週メンテナンスしたばかりか（履歴情報）」といった文脈情報がセットでなければ、AIは正しい判断ができません。
経験豊富な作業者は、朝礼での引き継ぎ事項、過去のトラブル、当日の天候、そして長年の経験からくる「この機械の癖」という文脈を総合して判断しています。一方、センサーデータだけのAIは、文脈を知らされないまま、数値だけを見せられている状態です。これでは太刀打ちできません。
「職人の勘」をデータ化する第一歩は、この欠落している文脈情報を、OPC UAなどの標準規格も活用しながら、いかにしてシステムに入力するかを設計することから始まります。
「職人の勘」を因数分解する：暗黙知の3層構造
「勘」という言葉は便利ですが、エンジニアリングの世界では思考停止ワードになりかねません。そこで、マイケル・ポランニーの「暗黙知」の概念を参考に、設備保全における職人の勘を3つのレイヤーに分解して定義してみましょう。
第1層：五感情報の検知（音、振動、匂いの微差）
最も基礎的なレイヤーは、人間の五感による情報収集能力です。
- 聴覚: モーターの唸り音、ギアの噛み合わせ音、エア漏れの音。
- 触覚: 筐体に触れた時の微細な振動、熱感。
- 嗅覚: 絶縁体が焼ける匂い、油の酸化臭。
- 視覚: 煙の色、油膜の光り方、ベルトのたわみ具合。
熟練工は、これらを意識的にチェックしているわけではなく、工場に入った瞬間の「空気感」として全体をスキャンしています。これをデータ化するには、単一の振動センサーだけでなく、マイク（集音）、サーモグラフィ、ガスセンサーなど、マルチモーダル（多種類の入力情報）なセンシングが必要です。
特に重要なのが「音」です。振動センサーは接触点（点）の情報しか取れませんが、音は空間（面）の情報を拾います。熟練工が「耳」で異常を感じ取るのは、音には発生源の情報がリッチに含まれているからです。
第2層：過去事例とのパターンマッチング
第2層は、脳内のデータベース検索です。
「この『キュルキュル』という音は、過去のVベルト摩耗の時と同じだ」
「この振動の出方は、軸受のグリス切れの初期症状に似ている」
ベテランの頭の中には、過去のトラブル事例が、発生時の状況や予兆と共にインデックス化されて保存されています。新しい事象に遭遇した際、瞬時に過去のライブラリと照合し、類似パターンを引き出します。
AIにおける「教師あり学習」や「事例ベース推論（CBR）」に近いプロセスですが、人間のすごいところは、完全一致でなくても「雰囲気（特徴量）」で類似性を判断できる点です。また、成功体験だけでなく、「あの時はこう判断して失敗した」というネガティブな事例も重要な学習データとして蓄積されています。
第3層：操業状況を加味した因果推論
最上位のレイヤーは、ロジカルな推論です。
「今は高粘度の製品を流しているから、ポンプの電流値が上がるのは当然だ。だからこれは異常ではない」
「昨日の夜勤で金型交換をしたばかりだ。芯出しが甘かった可能性がある」
これは、物理法則やプロセスの因果関係を理解した上での判断です。単なるパターンマッチング（相関関係）ではなく、Why（なぜ）を突き詰める因果推論の領域です。
AIが最も苦手とするのがこの部分です。ディープラーニングは相関を見つけるのは得意ですが、因果を理解しているわけではありません。この第3層を補完するためには、AIだけでなく、物理モデル（シミュレーション）やナレッジグラフといった技術の組み合わせが必要になります。
デジタルツインへの「違和感」実装プロセス
構造が見えてきたところで、具体的にどう実装していくか。ここからは、概念を技術に落とし込むプロセスを解説します。
マルチモーダルセンシングによる五感の代替
まず、第1層の「五感」をデジタル化します。ここでは「安価なセンサーを大量に」という戦略と、「高機能なセンサーをポイントに」という戦略の使い分けが重要です。
最近のトレンドは、AE（アコースティック・エミッション）センサーの活用です。これは、材料が変形や破壊する際に発する、人間には聞こえない高周波の弾性波を検知するものです。熟練工が耳で聞く「異音」の前段階、つまり微細な亀裂が入った瞬間のエネルギーを捉えることができます。これは人間の五感を超える「超感覚」の実装と言えます。
また、カメラによる画像解析も有効です。アナログメーターの針の位置、油面計のレベル、配管からの蒸気漏れなど、従来は巡回点検で人間が目で見ていた情報を、定点カメラと画像認識AIで24時間監視します。
重要なのは、これらのデータをバラバラに管理するのではなく、タイムスタンプを完全に同期させてデジタルツイン上にマッピングすることです。「振動が上がった瞬間の音はどうだったか？ その時の画像は？」といったクロスチェックができる環境こそが、職人の総合判断を再現する基盤となります。
「教師データ」としての熟練工：アノテーションの高度化
次に、第2層の「パターンマッチング」をAIに教え込ませるフェーズです。ここで課題となるのが、教師データ（正解ラベル）の不足です。
故障データというのは、本来あってはならないものですから、サンプル数が少ないことがあります（不均衡データ問題）。そこで重要になるのが、熟練工によるアノテーション（タグ付け）の高度化です。
単に「故障／正常」という2値ラベルを付けるだけでは不十分です。日常点検の中でベテランが感じた「些細な気づき」をラベル化します。
- 「いつもより音が甲高い（レベル2）」
- 「振動のリズムが不規則（レベル1）」
- 「立ち上がり時に違和感あり（要観察）」
このように、故障に至る前のグレーゾーンの状態に対して、熟練工の言語によるタグを付与します。これをAIに学習させることで、AIは「故障」ではなく「熟練工が感じる違和感」を予測できるようになります。
現場のタブレット端末に、「いいね」「気になる」「悪い」といった簡易ボタンを設置し、巡回時に感覚的に入力してもらう仕組みを構築することも考えられます。
正常逸脱モデルから「意味理解モデル」への進化
第3層の「因果推論」へのアプローチとして、最初は「正常逸脱モデル（教師なし学習）」から始めるのが一般的です。
正常な状態のデータ（電流、振動、温度など）の相関関係をAIに学習させ、「いつものパターン」というモデルを作ります。そこから外れたものを「異常（アノマリー）」として検知する手法です（マハラノビス距離やオートエンコーダなどが使われます）。
しかし、これだけでは「何がおかしいか」は分かっても「なぜおかしいか」は分かりません。そこで、先ほどの感性アノテーションや、保全記録（テキストデータ）を組み合わせます。
LLM（大規模言語モデル）の登場により、過去の保全日報やトラブル報告書といった非構造化データを解析し、数値データの異常とリンクさせることが容易になりました。
「振動値異常（スコア3.5）」＋「過去類似事例：ベアリング内輪摩耗」＋「推奨アクション：グリスアップして様子見」
このように、数値的な検知だけでなく、その意味と対策までを提示できる「意味理解モデル」へと進化させること。これがデジタルツインの目指すべき姿です。
「AIを弟子にする」人間参加型ループ（Human-in-the-loop）
システムを導入して終わりではありません。むしろ、そこからが始まりです。AIは新入社員の弟子のようなものだと考えると良いでしょう。小さく始めて成果を可視化し、段階的にスケールアップしていくアプローチが効果的です。
100%の精度を目指さない：AIによる「気づき」の提示
導入初期のAIは、誤検知をすることがあります。正常な変化を異常と言ったり、本当の異常を見逃したりします。
ここで「やっぱりAIは使えない」と判断するべきではありません。新人が間違った報告をした時、上司はどうするでしょうか。「なぜそう思ったのか？」を聞き、正しい見方を教えるはずです。
AIの役割は、最終判断を下すことではなく、膨大なデータの中から「人間が見るべきポイント」をフィルタリングすることです。「全データの99%は正常だから見なくていいです。でも、この1%だけはちょっと怪しいので、確認してください」という提案ができれば、それだけで点検工数の削減やダウンタイムの最小化といった定量的な効果が期待できます。
フィードバックループによるモデルの継続的育成
AIが提示した「怪しい波形」に対して、熟練工がフィードバックを返します。
「これは異常じゃない、ただの負荷変動だ（False Positive）」
「よく見つけたな、これは初期の摩耗だ（True Positive）」
このフィードバックこそが、AIにとって教材となります。このサイクルをHuman-in-the-loop（人間参加型ループ）と呼びます。
現場のUI（ユーザーインターフェース）は、このフィードバックが簡単に行えるように設計されていなければなりません。面倒な操作が必要だと、現場は協力してくれません。「AIを育てる」という行為自体を業務プロセスに組み込み、AIが賢くなる過程を可視化することで、現場のモチベーションを高め、継続的なカイゼンを推進することができます。
技能伝承の新しい形：AIを介した若手への教育
AIが育ってくると、今度はAIが若手の教育係になります。
熟練工の判断ロジックを学習したAIは、若手保全担当者に対して「この波形の時は、ここを点検した方がいいですよ」とアドバイスできるようになります。若手はAIのアシストを受けながら経験を積み、AIもまた若手のフィードバックを受けて成長する。
デジタルツイン上に蓄積された「熟練工の勘」モデルは、経験豊富なベテランの知恵を記録し、次世代への技能伝承の教材となる可能性があります。
結論：技術の問題ではなく「翻訳」の問題である
ここまで、職人の勘をデジタルツインに実装する手法について解説してきました。最後に強調したいのは、これは純粋な技術的問題というよりは、「翻訳」と「組織」の問題であるということです。
現場の言葉をデータの言葉に変換する通訳者の必要性
現場の職人は「エンジニアリング言語（感覚・現象）」で話します。データサイエンティストは「数学言語（統計・アルゴリズム）」で話します。この両者の間には深い溝があります。
成功するプロジェクトには、必ずこの両方の言語を理解し、翻訳できる「通訳者（トランスレーター）」が存在します。現場の「なんか変だ」という感覚を、「30Hz帯域のパワースペクトル密度の変化」というパラメータに変換できる人材です。
DX推進の担当者であれば、まずは現場に足を運び、ベテランの話を聞いてみてください。彼らの言葉の裏にあるロジックを解き明かし、それをデータサイエンティストに伝える。その翻訳作業が重要になります。
2025年の崖を越えるためのマインドセット変革
「2025年の崖」や労働人口の減少は喫緊の課題です。熟練工の大量退職により、日本の製造業が誇る「現場力」が失われる可能性があります。
しかし、悲観することはありません。デジタルツインとAI技術を正しく使えば、暗黙知を形式知化し、組織の資産として残すことができます。それは単なる現状維持ではなく、データに基づいたより高度な生産体制への進化であり、稼働率や品質の向上に直結します。
「AI対人間」という対立構造ではなく、「AIと人間」が協調する未来。職人の勘というアナログな知見を、デジタルという新しい形で活用し、次の世代へ手渡していく。それこそが、令和の時代における「匠の技」の継承です。
まずは、現場で経験豊富な人に、「何を見て、何を聞いていますか？」と尋ねることから始めてみてください。そこには、どんな高性能センサーよりも価値のあるヒントが隠されているはずです。
実践的アドバイス：明日から始める「暗黙知のデータ化」3ステップ
- 「違和感ログ」の運用開始
- 故障報告書だけでなく、日常点検で感じた「ちょっとした違和感」を記録するノート（または簡易アプリ）を用意する。「音」「匂い」「振動」などの項目を設け、フリー記述で残してもらう。
- センサーデータと保全記録の突き合わせ
- 過去の故障発生日時のセンサーデータを引っ張り出し、その時現場で何が起きていたか、日報と照らし合わせて「答え合わせ」を行う会を定期的に開催する。
- スモールスタートでのPoC
- 全工場ではなく、特定の「よく壊れる」「経験豊富な人にしか直せない」設備を1台選び、そこに集中的にセンサー（マイクや振動計）を設置して、ベテランの判断との相関を見る。
コメント