利益:
- 予知保全の概念、振動/温度インジケーター、および典型的な故障モードを認識する能力
- AIによるセンサー時系列での異常、傾向、特性周波数分析を構成する機能
- AI の解釈と物理的な故障メカニズム、校正、現場検査をクロスチェックする機能
予知保全は、機械の状態を常に監視し、障害が発生する前に予測することで、計画的なダウンタイムを削減し、予期せぬ誤動作を防止することで、施設に最大の利益をもたらすアプリケーションの 1 つです。従来の「壊れたら修理する」または「予定どおりに交換する」というアプローチではなく、振動、温度、電流、音響などのセンサー データから機械の実際の状態を読み取ります。人工知能 (AI) は、時系列データの異常 (正常からの逸脱) 検出、傾向分析、特徴的な障害頻度の解釈、レポートの生成など、この分野で非常に強力です。ただし、AIが与える「故障の可能性」は仮説であり、診断ではありません。センサーが壊れている可能性があり、そのキャリブレーションがオフになっている可能性があり、データにノイズが含まれている可能性があり、AI が非物理的なパターンに意味を割り当てる可能性があります。メンテナンスの決定が行われる前に AI が解釈します。特性故障頻度は、センサーの校正、データ品質、現場検査と照合する必要があります。この単元では、AI を使用してセンサー データを安全に解釈する方法を学びます。
測定量と典型的な故障モード
回転機械 (モーター、ポンプ、ファン、ベアリング、ギア) の状態は、いくつかの基本的な量から読み取られます。各量は特定の故障モードの影響を受けます。
サイズ
何に対して敏感か
典型的な故障モード
振動（加速度・速度）
アンバランス、ミスアライメント、ベアリング/ギア
アンバランス、ミスアライメント、ベアリングの損傷
温度
摩擦、潤滑損失、過負荷
ベアリングの発熱、オイルの劣化
モーター電流
電気的および機械的負荷の変化
ローターバー破断、荷重異常
音響/超音波
ベアリングの早期損傷、漏れ
油膜劣化、ガス漏れ
振動解析の基本ツールは周波数スペクトルです。フーリエ変換 (FFT: 信号を周波数成分に分離する数学的プロセス) を使用して、時間信号をその周波数成分に分離します。各故障モードは、特有の周波数でピークを生成します。たとえば、アンバランスは回転周波数 (1X) で発生し、軸のずれは主に 2X で発生し、ベアリングの損傷はベアリングの形状 (BPFO、BPFI、BSF など) に応じた特殊な周波数で発生します。
ヒント: AI にスペクトルを解釈させる前に、マシンの回転速度 (RPM) とベアリング番号 (該当する場合) を入力します。この情報がなければ、特有の故障頻度を計算することはできません。これらがなければ、AI による「ベアリングの故障」の解釈は曖昧なままになります。
異常、傾向、および誤報
AI は、時系列で 2 つのことをうまく実行します。それは、異常検出 (突然の逸脱) と傾向分析 (緩やかな減衰) です。しかしそこには2つの罠があります。 1 つ目は誤検知です。ノイズ、一時的な負荷の変化、またはセンサーの振動が実際の誤動作であるように見える可能性があります。 2 つ目は偽陰性です。ゆっくりとした段階的な悪化が「正常範囲」内にとどまるため、見逃される可能性があります。優れたモニタリングでは、絶対的なしきい値ではなく、マシン自体の履歴 (ベースライン) に基づいて変更を追跡します。
注意：センサー自体が故障する場合があります。温度センサーが校正範囲外であると「過熱」アラームが発せられることがありますが、マシンは完全に正常です。または、加速度計が緩んでいると偽の振動が発生します。 AI が認識するのは単なるデータです。フィールド制御により、データのソースが信頼できるかどうかがわかります。 「最初にセンサーを検証する」は、予知保全の最初のルールです。
ステップバイステップ: AI によるセンサーデータの解釈
- コンテキストを教えてください。マシンタイプ、回転数、ベアリング/ギア情報、測定ポイント。
- データの品質を確認します。サンプリング周波数は十分ですか?欠落値や外れ値はありますか?
- ベースラインを決定します。健康な状態とはどのような状態でしょうか？
- 異常/傾向を抽出してもらいます。 AIで偏差と傾向をマークします。
- 物理的な解釈を要求します。どの故障モード、どの頻度で、なぜ?
- 現場で確認してください。校正、視覚/触覚チェック、必要に応じて 2 回目の測定。
スペクトル解釈プロンプト
役割: 振動解析 (状態監視) スペシャリスト。内容: 1450 RPM で回転する遠心ポンプ、駆動端ベアリング 6206。データ: 振動速度スペクトルのピーク周波数 [リスト、Hz および振幅]。タスク: 各ピークを考えられる故障モード (1X 不均衡、2X 軸のずれ、ベアリング BPFO/BPFI など) と関連付けます。 RPM と 6206 ジオメトリを使用して特性ベアリング周波数を計算し、表示される周波数を示します。ルール: これは仮説です。各コメントについて、フィールドでどのように検証したかを書きます。
異常/傾向分析プロンプト
次の温度時系列を分析します: [日付、値のリスト]。 - ベースライン (正常範囲) はどれくらいですか? - 異常 (突然の逸脱) はありますか? - ゆっくりとした上昇傾向はありますか、傾きはどれくらいですか? ルール: 誤検知のリスクを評価します。センサーエラーと実際の過熱を区別するために、どのような追加チェックを推奨しますか?
データ品質とセンサー検証プロンプト
このジッタ測定におけるサンプリング周波数は 2 kHz です。私が興味がある最高の障害周波数は約 800 Hz です。このサンプリングで十分ですか (ナイキスト)、コメント。データの突然のジャンプやクリッピングの症状は次のとおりです: [説明]。これらは実際の信号、またはセンサー/記録エラーの可能性があります。どうすれば区別できますか?
メンテナンス決定草案プロンプト
次の調査結果に基づいてメンテナンス推奨事項の草案を作成します: [調査結果]。推奨事項を 3 つのレベルに分けます。すぐに停止する、定期メンテナンス時に検査する、監視を継続する。各レベルの正当性とフィールド検証を書き込みます。ルール: 有能な保守エンジニアが最終決定を行います。これを述べてください。
弱いプロンプト / 強いプロンプト
弱いプロンプト:
この振動は高いですか？
マシンタイプ、RPM、測定単位、ベースライン、ベアリング情報はありません。 AIは「高い/低い」を言うことができず、たとえできたとしてもサポートされていません。
強力なプロンプト:
1450 RPM 遠心ポンプ、ベアリング 6206、ドライブエンドメータリング。振動速度スペクトルのピーク周波数: [リスト]。各ピークを考えられる故障モードに関連付け、特徴的な方位周波数を計算して表示します。各コメントは仮説であることを述べ、それを現場で検証する方法を書きます。センサーエラーの可能性も考慮してください。
2 番目のプロンプトには、マシン コンテキスト、スペクトル データ、および検証リクエストが含まれます。解釈を仮説として位置づけます。
ミニケース 3 個（番号別）
ケース 1 - 特性周波数の検証。 1 つのポンプでは、AI が「内輪故障 (BPFI)」とコメントします。エンジニアは 1450 RPM (24.2 Hz) および 6206 ベアリング形状で BPFI を計算します: ~131 Hz。スペクトルのピークは実際には約 130 Hz であり、高調波が含まれています。この解釈は特性周波数と一致しています。エンジニアは計画的なメンテナンス中にベアリングを分解し、内輪に孔食を見つけます。確認によって仮説が診断に変わります。
ケース 2 - 誤報。 1 つのファンでは、温度センサーが 95 °C のアラームを発し、AI が「ベアリングの過熱」を示します。現場チームは手作業でチェックを行います。ベッドは暖かく、正常です。センサーの接続が緩んでいて、キャリブレーションがずれています。実際の温度は約 55 °C。センサーを締めて校正すると、アラームは消えます。 AI の解釈に盲目的に従うと、固体ベッドが不必要に解体されてしまいます。教訓: まずセンサーを確認してください。
ケース 3 - 緩やかなトレンドを捉える。ギアボックスでは絶対振動しきい値を超えませんが、AI は 8 週間の傾向で振幅が 1 週間あたり最大 6% ずつ増加していることを示しています。外挿により、約 5 週間以内にしきい値を超えると予測されます。計画された停止中に、チームはオイルを分析し、金属粒子を発見し、制御された方法でギアを交換します。不意の停止を防止します。教訓: トレンドは絶対しきい値に達する前に警告します。
よくある間違い
- 文脈なしでコメントを求める: RPM および方位情報なしでスペクトルを解釈します。
- センサーを検証していない: 校正/接続エラーを実際の故障と誤解します。
- 仮説を診断と取り違える: AI の解釈を現場制御なしでメンテナンスの決定に変換する。
- 絶対しきい値のみに注目すると、緩やかな減衰の傾向が見逃されます。
- アンダーサンプリング: ナイキスト則を無視し、高周波障害を見落とします。
- 誤検知に対する過剰反応: ノイズを実際の故障と誤解し、正常なマシンを停止させます。
要約すると
- 予知保全は、振動、温度、電流などのセンサーから機械の状態を読み取り、故障を事前に予測します。
- 振動スペクトルでは、各故障モードが特有の周波数でピークを生成します。コメントには RPM とベアリングの知識が必要です。
- AI によって与えられる障害の解釈は仮説です。特性周波数は校正と現場検査によって検証する必要があります。
- センサー自体が故障する可能性があります。 「最初にセンサーを検証する」が最初のルールです。
- 傾向は絶対しきい値と同じくらい重要です。ゆっくりとした劣化は早期に警告を発します。メンテナンスの決定は有能なエンジニアに属します。
アプリケーションタスク
回転機械（ポンプ、ファン、モーター）を選択します。該当する場合は、機械の RPM とベアリング番号を書き留めます。実際またはサンプルの振動スペクトル/温度時系列を取得し、AI にそのコンテキストを含めて解釈させます。各故障仮説について、AI は次のことを示します。特性周波数を自分で確認し (軸受の場合は BPFO/BPFI 計算を検証)、センサー故障の可能性を評価し、現場でどのように検証するかを記述します。最後に、調査結果を 3 レベルの推奨事項 (直ちに停止する / スケジュールに従って検査する / 監視を継続する) に抽出し、最終的なメンテナンスの決定が資格のあるエンジニアに委ねられている理由を述べます。
チェックリスト
- [ ] 機械のコンテキスト (タイプ、RPM、ベアリング/ギア、測定点) が示されます。
- [ ] データ品質とサンプリング周波数 (ナイキスト) がチェックされました。
- [ ] AI が示す故障周波数は特性周波数計算により検証されました。
- [ ] センサーの校正/接続エラーの可能性を評価しました。
- [ ] 絶対閾値に加えて、傾向も調べました。
- [ ] コメントは現場検査によって確認されました。メンテナンスの決定は有能なエンジニアに任されていました。