予知保全
予知保全とは、状態データと予測モデルを用いて摩耗や故障が発生する前に捉え、決められたスケジュールや故障後ではなく、実際に必要なタイミングで保守を行えるようにする手法である。
予知保全は、2つの古い保守戦略とは一線を画す。事後保全は、機械がすでに故障してから修理が行われるものであり、計画外のダウンタイムを引き起こす。予防保全は、実際の状態にかかわらず、たとえば500稼働時間ごとといった固定のスケジュールで設備を点検する。予知保全はその代わりに、継続的に収集される状態データと予測モデルに依存し、介入すべき適切な時点を見極める。その結果、早すぎず遅すぎず、部品が実際に摩耗し始めたまさにそのときに保守が行われる。
技術的な基盤は、振動、温度、音響放射、油質といった読み取り値を機械上で継続的に追跡する一連のセンサーである。そのデータはIoT接続を通じて分析システムに流れ込み、通常の稼働からの逸脱を検知する。多くのシステムは、統計モデルや過去の故障パターンで訓練された機械学習を用いて、傾向を先へと投影する。読み取り値が重大な閾値を超えたり、傾向が故障の接近を示したりすると、システムは保守の推奨を発する。多くの場合、予想される故障までの残り稼働時間の推定値とともに。
その効果は主に、計画外の停止の減少、設備寿命の延長、そして予備部品や人員のより良い計画である。同時に、予知保全には事前の労力が必要である。センサーを後付けし、データを収集し、時間をかけてモデルを較正しなければならない。単純または重要度の低い機械では、その労力が見合わないことが多い一方で、高価で生産にとって重要な設備では、すぐに元が取れる傾向がある。あらゆる予測の精度は、基盤となるデータの質と量に完全に左右される。
実践例
12台のCNCフライス盤を稼働させる金属加工工場が、最も重要な3台の主軸に振動センサーを後付けする。6か月間のデータ収集の後、分析システムは初期の軸受故障を示唆する振動パターンの上昇を1台の機械で検知し、残り稼働時間を約18日と推定してフラグを立てる。工場は生産の少ない週末に修理を予定し、交換用の軸受を事前に発注する。この早期警告がなければ、主軸はおそらくシフトの最中に故障し、日産出力7,000ユーロとして、推定2日間の計画外ダウンタイムと約14,000ユーロの生産損失につながっていただろう。
Leanshiftの活用方法
予知保全はKaizenのマインドセットに合致する。それは推測ではなく実際の状態に基づいて意思決定を行うからであり、これはまさに継続的改善が求めているもの、すなわち問題が損失に変わる前に可視化することである。計画外のダウンタイムはプロセスにおける最もコストのかかるムダの一つであり、それを早期に捉えることで、火消しに追われるのではなく本当の改善作業のための時間が生まれる。これは、改善する人を生み出すために改善するという考え方に沿っている。安定した設備は、チームが壊れたものを常に修理し続けるのではなく、成長に集中する余地を与えてくれる。
よくある質問
予知保全が意味を持つには、企業はどれくらいの規模である必要があるか?
決まった規模の閾値はない。重要なのは企業の規模ではなく、その特定の機械の計画外の故障がどれだけコストがかかるかである。生産にとって重要な機械が1台しかない小さな工場でも、その1台だけに数個のセンサーを取り付けることから恩恵を受けられる。
これには人工知能が必要か?
いいえ、必ずしもそうではない。多くのシステムはシンプルな閾値と統計的な傾向分析だけで十分機能する。機械学習は複雑な摩耗パターンの予測精度を高めるが、始めるために必須というわけではない。
予知保全は状態基準保全とどう違うのか?
状態基準保全は、機械の現在測定された状態に反応する。予知保全はさらに一歩進み、その状態データを使って将来の傾向と故障の可能性が高い時点を予測する。