製造業のAI異常検知：異常データ不要の「教師なし学習」で予知保全を成功させる5つのステップ

製造業の生産技術やDX推進の現場において、頻繁に耳にする悩みがあります。

「予知保全AIを作りたいが、故障データが集まらない」
「PoC（概念実証）を行っても、精度の証明ができずに終わってしまう」

自動車部品メーカーなどの製造現場の事例では、過去3年間の稼働データのうち、明確な「故障データ」と呼べるものは全体のわずか0.001%にも満たない状況が珍しくありません。日本の製造現場は非常に優秀です。設備は堅牢に設計され、定期的なメンテナンスが行き届いています。そのため、AIの学習に必要な「異常データ（故障時の波形やログ）」は、そう簡単には手に入らないのです。

皮肉なことに、現場が優秀であればあるほど、従来の「教師あり学習」によるAI開発は困難を極めます。

しかし、ここでプロジェクトを止めてしまうのは早計です。「異常データがないからAIが作れない」というのは、AIのアプローチを一つしか知らない場合に陥りやすい誤解です。

製造現場には「正常データ」なら山のように存在します。このあふれかえる正常データを武器に変える手法こそが、今回解説する「教師なし学習」による異常検知、すなわち「正常性の定義」によるアプローチです。

本記事では、エンジニアリングの視点から「なぜこの手法が現場に馴染むのか」「どうすれば実運用に乗るのか」というロジックとプロセスを分かりやすく深掘りします。AIを魔法の杖としてではなく、現場の道具として効率的に使いこなすための現実的な解決策をお伝えしましょう。

なぜ、製造現場のAIプロジェクトは「異常データ不足」で頓挫するのか

多くのAIプロジェクトがPoCの段階で壁にぶつかる根本的な原因は、技術力不足ではなく「手法のミスマッチ」にあります。特に、画像認識や一般的な分類タスクで成功を収めている「教師あり学習」のアプローチを、そのまま予知保全に適用しようとすることで歪みが生じています。

「故障データ待ち」という本末転倒な状況

教師あり学習では、「正常なデータ」と「異常なデータ」の両方をAIに大量に学習させ、「これは正常、これは異常」と分類させるモデルを作ります。猫と犬の画像を分類するAIを作るには、猫と犬それぞれの画像が大量に必要なのと同じ理屈です。

しかし、製造現場において「異常」は極めてレアなイベントです。数ヶ月、あるいは数年に一度しか起きない重大故障のデータを、AIが学習できる量（数百〜数千件）だけ集めようとすれば、何十年も待たなければなりません。これでは、いつまで経ってもプロジェクトは進みません。

さらに、無理にかき集めた少数の異常データだけで学習させると、AIは「その特定の異常パターン」しか覚えられません。現場で起こるトラブルは多種多様です。ベアリングの焼き付き、ギアの欠け、潤滑油の劣化など、故障モードは無数にあります。過去に起きたことのない「未知の異常」が発生した瞬間、特定の異常パターンしか学習していないAIは無力化してしまいます。

精度99%のモデルが現場で使われない「偽陽性」の壁

データ不足の問題に加え、現場運用を阻む大きな壁が「不均衡データ」による精度のパラドックスです。

例えば、100万件のデータのうち、異常データが10件しかないと仮定します（異常発生率0.001%）。この状況で、AIが「全てのデータを正常である」と判定するだけのモデルを作ったとしても、計算上の正解率（Accuracy）は99.999%になります。しかし、これでは異常を一つも見つけられないので、予知保全としては役に立ちません。

逆に、異常を見逃さないように感度を上げすぎると、今度は「異常検知」を連発するようになります。現場のオペレーターにとって、最もストレスなのは「AIが異常だと騒いだが、点検したら何も問題がなかった」という偽陽性（フォールスポジティブ）です。

「またAIが嘘をついた」「これなら自分の勘の方がマシだ」。こうして信頼を失ったAIシステムは、やがて通知音を消され、使われなくなっていきます。現場が求めているのは、単なる正解率の高さではなく、「納得感のある検知」と「無駄な工数を増やさない信頼性」なのです。

発想の転換：「異常」を探すのではなく「正常」を定義する

ここで視点を180度変えてみましょう。入手困難な「異常」を探すモデルを作るのではなく、手元にある大量のデータを使って「正常とは何か」を徹底的にAIに教え込むのです。これが教師なし学習、特にオートエンコーダ（自己符号化器）などを活用したアプローチです。

教師なし学習（Autoencoder等）が製造現場に適している理由

オートエンコーダの仕組みは非常にシンプルかつ強力です。このモデルは、入力されたデータを一度圧縮（特徴抽出）し、再度元通りに復元（再構成）するように学習します。

正常データのみを大量に学習させたオートエンコーダは、「正常な波形」を圧縮・復元することに関してはプロフェッショナルになります。入力されたデータが正常であれば、ほぼ完璧に元の形を再現できます。

しかし、ここに「学習したことのない異常な波形」が入力されるとどうなるでしょうか。AIは正常なパターンしか知らないため、うまく復元できず、入力と出力の間に大きなズレが生じます。このズレを再構成誤差（Reconstruction Error）と呼びます。

「うまく復元できなかった（再構成誤差が大きい）＝何かおかしい（異常）」

この論理を使えば、過去に一度も起きたことのない未知の故障であっても、「正常ではない」ことさえ検知できればアラートを出すことが可能になります。これこそが、異常データ不足に悩む現場にとっての突破口となります。

熟練工の「なんかいつもと音が違う」を数式化するアプローチ

この「正常からの逸脱」を見るアプローチは、実はベテランの熟練工が日常的に行っている判断プロセスとよく似ています。

熟練工は、モーターの故障パターンを全て暗記しているわけではありません。「いつもの回転音」「いつもの振動」を体で覚えており、そこから外れたときに「ん？ 今日の音はなんか違うな」と違和感を抱きます。その違和感の正体がベアリングの磨耗なのか、軸のズレなのかは、その後の点検で特定します。

教師なし学習による異常検知は、この「熟練工の違和感」を数式（再構成誤差）に置き換える試みと言えます。特定の病名を当てる診断医ではなく、健康状態からの変化を察知する「健康診断」のような役割をAIに担わせるのです。

失敗しないモデル構築の5段階プロセス

理論を理解した上で、現場で確実に機能するモデルを構築するための実践的なステップを解説します。ここではコードの記述詳細よりも、各フェーズにおいてエンジニアと現場担当者がどのような判断を下すべきか、その要点に焦点を当てます。

Step 1: センサー選定と「意味のあるノイズ」の切り分け

「取得可能なデータを手当たり次第にAIへ投入する」というアプローチは、プロジェクトを失敗させる典型的な要因です。物理法則に基づき、監視対象の事象（振動、温度、電流など）と因果関係や明確な相関を持つデータを慎重に選定する必要があります。

特に重要なのがサンプリングレートの設計です。例えば、モーターのベアリング異常といった回転体の予兆を捉える場合、振動データに対して数kHz（1秒間に数千回）以上の高速サンプリングが求められるケースが一般的です。対照的に、温度データは熱容量の影響で変化が緩やかなため、数秒に1回の取得間隔でも十分な情報量となる場合があります。

また、環境ノイズ（隣接する機械の振動など）と設備固有のノイズを明確に区別することも、設計段階で不可欠です。よくある失敗例として、近くをフォークリフトが通過する振動を異常として検知してしまうケースが報告されていますが、これは事前の環境調査とノイズの切り分けが不十分であることが原因です。

Step 2: 前処理における「定常状態」の抽出テクニック

工場の設備は、段取り替え、始動直後、停止直前など、状態が刻一刻と変化します。これら全ての変動を含めて「正常」として学習させると、モデルの判断基準が広がりすぎ、異常検知の感度が著しく低下します。

まずは、設備が安定稼働している「定常状態」のデータのみを切り出して学習させるアプローチを推奨します。PLC（Programmable Logic Controller）からの稼働信号とデータを紐付け、「生産中フラグ」がONかつ「負荷が一定範囲内」の期間のみを抽出するなどの前処理を行うことで、モデルの精度は劇的に向上します。

Step 3: シンプルなモデル（Autoencoder/LSTM）からのスモールスタート

最初から複雑なTransformerモデルや、巨大なディープラーニングモデルを導入する必要はありません。特に製造現場のエッジデバイスなど、計算リソースが厳しく制限された環境で推論を行う場合、計算コストの低いモデルが圧倒的に有利です。

まずは基本的なオートエンコーダや、時系列処理に適したモデルからスモールスタートを切ることをお勧めします。従来から活用されているLSTM（Long Short-Term Memory）は依然として強力な選択肢であり、最近ではその拡張版であるxLSTMや、より計算効率に優れた軽量モデルも登場しています。

ただし、将来的に異常検知の精度向上のため、より高度なTransformer系モデルへステップアップする可能性を見据えたフレームワーク選定が重要です。例えば、Hugging Face Transformersの最新バージョンでは内部設計がモジュール型アーキテクチャへと刷新され、PyTorch中心の最適化が進んだ一方で、TensorFlowやFlaxのサポートは終了しています。そのため、初期のシンプルなモデル構築時からPyTorchをベース環境として選択しておくと、将来的な最新アーキテクチャへの移行や、相互運用性の高い量子化モデルの導入が極めてスムーズになります。

モデルがシンプルであれば、学習や推論が高速であるだけでなく、「なぜ異常と判定されたか」という根拠の説明性も確保しやすくなります。現場への導入初期段階では、過度なブラックボックス化を避け、解釈可能なシンプルさと将来の拡張性を両立させることが成功への近道です。

Step 4: 現場知見と統計値を組み合わせた「閾値」の設計

再構成誤差（異常スコア）が出力された際、どの値を境に「異常」と判定してアラートを発報するか。この閾値（しきい値）設定こそが、運用の成否を分ける最大の難所です。

統計的に「3シグマ（標準偏差の3倍）を超えたら異常」とする手法は一般的ですが、現場の実証データには適合しないことが多々あります。実際のセンサーデータは、きれいな正規分布に従わない複雑な分布を示すことが多いからです。

ここでは、過去の保全記録と照らし合わせ、「このスコアが出た時に実際にチョコ停（小停止）が発生していたか」を検証するプロセスが不可欠です。現場オペレーターの肌感覚とAIのスコアをすり合わせ、「スコア0.8なら様子見、1.2を超えたら即点検」といった具体的な運用ルールを、現場と共に作り上げることが重要です。

Step 5: 運用しながら育てる「再学習」ループの構築

設備は経年劣化します。導入当初の「正常」データと、3年稼働した後の「正常」データは異なります。このデータの性質が変化する現象を概念ドリフト（Concept Drift）と呼びます。

一度構築したモデルを固定して使い続けるのではなく、定期的に直近の正常データを再学習させ、モデルを設備の現状に合わせてアップデートする仕組み（MLOps）を設計段階から組み込んでおく必要があります。

最新のトレンドでは、工場内のエッジデバイスで推論を行いながら、データの管理や再学習のパイプラインをクラウドやオンプレミスサーバーで一元管理する「エッジAI分散管理」の手法が主流になりつつあります。「モデルは鮮度が命である」という前提のもと、継続的な学習パイプラインを運用フローに組み込むことが、長期的な安定稼働の鍵となります。

現場導入の壁を越える：AIを「新人オペレーター」として扱う

どれほど優れたアルゴリズムも、現場に使われなければ無価値です。導入を成功させる鍵は、技術ではなく「組織のマインドセット」にあります。

100%の検知を目指さない運用設計

「AIなら100%予知できるんでしょ？」という過度な期待は、導入初期の小さなミスで失望に変わります。導入時には、「このAIは配属されたばかりの新人オペレーターのようなものです」と捉えることが重要です。

新人は最初は間違えます。しかし、教育すれば成長します。AIも同様に、誤検知をした際に人間が「これは異常じゃないよ」とフィードバックを与えることで賢くなります。このHuman-in-the-loop（人間がループに入った学習）の体制を作れるかどうかが、定着の分かれ目です。

「AIが異常と言っています」ではなく「点検推奨」と伝えるUI

アラートの伝え方も工夫が必要です。画面に赤字で「異常発生！故障の可能性あり」と表示されると、現場は身構えます。そして何もなかった場合、「AIの誤報」として処理されます。

これを、「振動データに変化あり。念のため点検を推奨します」という表現に変えるだけで、現場の受け止め方は変わります。「AIが故障だと断定した」のではなく、「AIが気づきを与えてくれた」という位置付けにするのです。これにより、空振りだった場合も「念のため見ておいてよかった、異常なくて安心だね」というポジティブな結果に着地させることができます。

【事例紹介】正常データ学習のみで突発停止を30%削減した企業の取り組み

最後に、実際にこのアプローチで成果を上げた自動車部品メーカーの事例を紹介します。

背景と課題：
この企業の金属加工ラインでは、マシニングセンタの切削工具（ドリルやエンドミル）の摩耗による突発的な品質不良と設備停止（ドカ停）が月平均で4回ほど発生していました。センサーデータは取得していたものの、明確な「破損データ」は年に数回しか取れず、従来の教師あり学習によるAI開発は精度60%程度で停滞していました。

取り組み：
そこで、アプローチを「正常性定義」に切り替えました。工具交換直後の「理想的な正常状態」の電流波形と振動データのみを学習させたLSTMオートエンコーダを導入。そこからの乖離度（再構成誤差）をリアルタイムでモニタリングするシステムを構築しました。

成果：
導入から3ヶ月後、AIが再構成誤差の急上昇を検知しました。まだ閾値には達していませんでしたが、現場担当者が確認したところ、工具に微細なチッピング（欠け）が発生しているのを発見。不良品が大量発生する前に交換を行うことができました。

この予兆検知システムの運用により、以下の成果が得られました。

• 設備停止（ドカ停）の削減： 前年比で約30%削減。
• 工具コストの適正化： これまで「使用回数」で一律交換していた工具を、AIスコアに基づいた状態基準保全（CBM）へ移行し、まだ使える工具の廃棄ロスを15%削減。
• 現場の意識変革： 「AIがアラートを出したらまず音を聞きに行く」という新しい保全ルーチンが定着。

まとめ

製造現場におけるAI活用は、「データがないからできない」と諦める必要はありません。むしろ、現場にあふれる「正常データ」こそが、予知保全を実現する最大の資産です。

1. 教師あり学習に固執せず、正常性定義（教師なし学習）へシフトする
2. 熟練工の「違和感」を再構成誤差として可視化する
3. スモールスタートで始め、現場と共に閾値を調整する
4. AIを「新人」として扱い、育てながら運用する

このプロセスを踏むことで、AIは現場にとって「口うるさい狼少年」ではなく、「頼れる相棒」へと成長していきます。まずは手元の正常データを活用し、小さな「違和感」を見つけるところから始めてみてはいかがでしょうか。

より具体的な導入事例や、自社に近い課題解決のヒントを得たい場合は、専門家に相談することをおすすめします。