---
title: "設備の予知保全へのAIの使い方：センサーのデータで故障の兆しをつかむ｜AI-Ready.jp"
url: https://www.ai-ready.jp/guide/ai-predictive-maintenance/
description: "設備の予知保全にAIを使うときは、止まると損失の大きい設備から始め、正常時と故障時の両方のデータを集め、AIの判定を人が確かめる運用にすることが要になります。経済産業省のガイドブックにそって整理しました。"
updated: 2026-11-12
publisher: "フロレンティナ株式会社"
---
広げる[柱：ユースケースと効果](https://www.ai-ready.jp/about-ai-ready/use-cases/)[柱：データ](https://www.ai-ready.jp/about-ai-ready/data/)

# 設備の予知保全へのAIの使い方：センサーのデータで故障の兆しをつかむ

執筆：[石田誠](https://www.ai-ready.jp/about/authors/#ishida)更新 2026-11-12最終確認 2026-11-12出典 5件[図解 2点](https://www.ai-ready.jp/zukai/)

この記事の結論

設備の予知保全にAIを使うときは、止まると損失の大きい設備に絞り、正常時と故障時の両方のセンサーのデータを集め、AIの判定を保全の担当者が確かめる運用にすることが要で、小さな検証で効果と費用を比べてから広げるのが現実的です。

自社の「ユースケースと効果」の準備度は？[10問・約3分で確かめる（無料・登録不要）](https://www.ai-ready.jp/diagnosis/quick/)

設備が突然止まると、生産の遅れや急な修理の費用につながります。壊れてから直す、決まった周期で部品を替える、といった従来の保全に加えて、設備の状態を表すデータから故障の兆しをつかむ「予知保全」にAIを使う取り組みが広がっています。この記事では、経済産業省の「AI導入ガイドブック」の予知保全の巻を中心に、進め方と注意点を整理します。

この記事でわかること

- 予知保全でAIが担うことと、始める設備の選び方
- 集めるデータと、検証から運用までの手順
- 運用で気をつけたい点と、設備をネットワークにつなぐときの注意

## 予知保全で、AIは何をするのですか？

経済産業省のガイドブックは、予知保全を「製造機械の故障の予兆を捉えて故障を予知し、適切に対応することで、故障への対応の費用を抑えること」という趣旨で説明しています。AIは、設備から集めたデータのわずかな変化から、故障に向かう兆しを見つける役を担います。

保全の担当者は、これまでも音や振動の変化から異常に気づいてきました。ガイドブックは、こうした従来から見ている情報に加え、温度や電流など、故障の兆しと関わりがありそうなデータもあわせて使うことを挙げています。**ベテランが五感でとらえてきた変化を、データとして残し、AIで見つけやすくする**ことが、予知保全のAIの役割といえます。

経済産業省の「構想ステージ」のガイドブックも、AIの取り組みの候補の例として「機械・施設の予知保全」を挙げています。

## どの設備から始めればよいですか？

ガイドブックは、次のような機械を優先する考え方を示しています。

- **ラインが止まったときの損失が大きい機械**
- **保守や故障の回数が多い機械**

始める設備を選ぶときは、次の点もあわせて確かめておくと進めやすくなります。

| 確かめること | 理由 |
|---|---|
| 故障したときの損失が大きいか | 効果の大きさの見込みに関わる |
| 故障の記録が残っているか | 故障時のデータが学習と検証に必要になる |
| センサーを付けられるか、すでに付いているか | データを集める費用と期間に関わる |
| 担当者が異常を判断できるか | AIの判定を確かめる人が必要になる |

ベテランの保全担当者の知見は、どのデータを集めるか、どの変化が異常のしるしかを決める場面で役立ちます。知見の引き継ぎの考え方は「[ベテラン社員の知見をAIで引き継ぐ](https://www.ai-ready.jp/guide/veteran-knowledge-transfer/)」もあわせてご覧ください。

## どんなデータを集めればよいですか？

ガイドブックは、データについて次の点を挙げています。

- **種類**：音・振動に加え、温度・電流など、故障の兆しと関わりがありそうなデータ
- **時点**：正常に動いているときと、故障したときの両方の時系列のデータ
- **期間**：数か月から数年分（季節による変化がある場合は数年分）

故障したときのデータが少ないことは、予知保全でよく起きる悩みです。ガイドブックは、故障したときの判定の情報がない場合に、**後から判定の情報を書き加える方法**や、**故障に近い状態を作ってデータを集める方法**を紹介しています。

データを集めるときは、いつ・どの設備で・どんな作業をしていたかの記録もあわせて残すと、後で異常の原因を確かめやすくなります。センサーやIoTのデータの扱い方は「[現場のセンサー・IoTデータの活かし方](https://www.ai-ready.jp/guide/iot-data-use/)」で詳しく扱っています。

予知保全のAIに使うデータ

- **種類**：音・振動（従来から見ている情報）に加え、温度・電流など、故障の兆しと関わりがありそうなデータ
- **時点**：**正常に動いているときと、故障したときの両方**の時系列のデータ
- **期間**：数か月から数年分（季節による変化がある場合は数年分）
- **故障時の情報がないとき**：後から判定の情報を書き加える方法や、故障に近い状態を作ってデータを集める方法が紹介されています

読みながら、自社の現在地を確かめませんか

クイック診断は10問・約3分・登録不要です。7つの柱ごとの目安と、「ユースケースと効果」を含めて次に取り組むことがわかります。

[無料で診断する](https://www.ai-ready.jp/diagnosis/quick/)[結果の解説（30分・無料）](https://www.ai-ready.jp/consult/review/)

## どんな手順で進めればよいですか？

ガイドブックは、構想・設計・検証（PoC）・実装と運用の4つの段階で進める流れを示しています。

① **構想**：解きたい課題と対象の設備を決めます。

② **設計**：集めるデータ、AIの判定をどう使うか、効果をどう測るかを決めます。ガイドブックは、目標を決めるときは、いまの人の手による見分けの精度を比べる基準にすることを勧めています。

③ **検証（PoC）**：手元のデータで、故障の兆しを見つけられるかを確かめます。ガイドブックは、検証の期間を2〜3か月程度が一般的としています。

④ **実装と運用**：AIの判定を保全の業務に組み込みます。運用が安定したら、対象の範囲やほかのシステムとの連携の範囲を段階的に広げます。

ガイドブックは、**初期の費用を必要な分に抑え、まず手元のデータから小さく始める**ことを勧めています。効果は、作業の時間の削減、稼働率の向上による売上の増加、属人化の解消などを、費用と比べて評価する考え方が示されています。

試す段階の計画には「[PoC計画書](https://www.ai-ready.jp/templates/poc-plan-template/)」も使えます。

## 運用では、何に気をつければよいですか？

ガイドブックが挙げる運用の注意点を整理します。

### 定期的に結果を確かめる

月に一度など、定期的に予測の結果を評価し、精度の低下や環境の変化があれば学習し直します。その際、**誰が評価するか、いつ評価するか、何と比べるか**を前もって決めておくことが勧められています。評価する人は、予測の結果を判断できる業務の担当者です。

設備の改造や部品の変更、生産する品目の変化があると、データの傾向が変わり、AIの判定がずれることがあります。

### AIの判定をそのまま使わない

AIの結果をそのまま業務に使わず、人が確かめる工程を設けます。たとえば、AIが異常のおそれを示したら、保全の担当者が点検の要否を判断する、という形です。

### 失敗の例から学ぶ

ガイドブックは、検証の結果、導入の効果が見込めず、費用のほうが大きくなって断念した例を挙げています。検証の前に期待する効果を試算し、続ける・やめるの判断の条件を決めておくと、判断をしやすくなります。

予知保全のAIを進める4つの段階

**構想**：解きたい課題と対象の設備を決める

**設計**：いまの人の手による見分けの精度を、目標の基準に

**検証（PoC）**：2〜3か月程度が一般的。期待する効果と費用を比べる

**実装と運用**：人が確かめる工程を設け、定期的に評価して学習し直す

運用が安定したら、対象の範囲やほかのシステムとの連携の範囲を段階的に広げます。

### 安全に関わる設備では、AIの品質を確かめる考え方も参考にする

石油・化学プラントなどの保安の分野では、総務省消防庁・厚生労働省・経済産業省による石油コンビナート等災害防止3省連絡会議が「プラント保安分野AI信頼性評価ガイドライン」をまとめています（第2版は2021年3月改訂）。このガイドラインは、AIが安全性・生産性の向上のために期待どおりの品質を果たすことを「信頼性」とし、それを評価する考え方を示しています。プラント保安に特化した内容ですが、安全に関わる設備にAIを使う会社にとって、AIの品質をどう確かめるかを考える参考になります。

## 設備をネットワークにつなぐときの注意はありますか？

予知保全では、設備のデータを集めるために、工場の機器をネットワークやクラウドにつなぐことが多くなります。経済産業省の「工場システムにおけるサイバー・フィジカル・セキュリティ対策ガイドライン」（Ver 1.0、2022年11月）は、工場のネットワークをインターネットなどにつなぐ必要や機会が増えることで、新たなセキュリティ上のリスクの源も増えていると指摘しています。

このガイドラインには、次のような考え方が示されています。

- 機器を購入するときに、保守の範囲に脆弱性の情報や修正プログラムの提供が含まれているか、脅威が起きたときに対応できる体制があるかを確かめる
- 納品された装置で見つかった脆弱性に修正を当てる場合に備え、トラブルが起きたときの責任などをはっきりさせておく
- 機器の型番・メーカー・脆弱性の情報などを整理し、修正プログラムの情報の収集と適用の状況を管理する
- 工場・IT部門などの役割と連携の方法をはっきりさせておく

取引先を含めた備えは「[取引先を含めたサプライチェーンのセキュリティ](https://www.ai-ready.jp/guide/supply-chain-security/)」もあわせてご覧ください。

## チェックリスト

## 関連するひな形・ガイド・用語

ひな形

- [PoC計画書](https://www.ai-ready.jp/templates/poc-plan-template/)

ガイド

- [現場のセンサー・IoTデータの活かし方](https://www.ai-ready.jp/guide/iot-data-use/)
- [製造業のAI活用：始め方と注意](https://www.ai-ready.jp/guide/ai-in-manufacturing/)
- [ベテラン社員の知見をAIで引き継ぐ：聞き取り・記録・確認・共有の進め方](https://www.ai-ready.jp/guide/veteran-knowledge-transfer/)
- [PoCの進め方：成功と撤退の条件の決め方](https://www.ai-ready.jp/guide/poc-planning/)
- [AIの効果の測り方：時間・費用・品質の指標](https://www.ai-ready.jp/guide/measuring-ai-impact/)
- [取引先を含めたサプライチェーンのセキュリティ：委託先・取引先・ソフトウェアの備え](https://www.ai-ready.jp/guide/supply-chain-security/)
- [データの品質を高める手順](https://www.ai-ready.jp/guide/data-quality-improvement/)

コラム

- [デジタルツインとは何か。企業で使うときの考え方](https://www.ai-ready.jp/column/digital-twin-overview/)
- [エッジAIとは：手元の機器で動くAI](https://www.ai-ready.jp/column/edge-ai-overview/)

用語

- [異常検知](https://www.ai-ready.jp/glossary/anomaly-detection/)
- [センサーデータ](https://www.ai-ready.jp/glossary/sensor-data/)
- [IoT](https://www.ai-ready.jp/glossary/iot/)
- [時系列分析](https://www.ai-ready.jp/glossary/time-series-analysis/)
- [ドリフト（モデルの劣化）](https://www.ai-ready.jp/glossary/model-drift/)

## よくあるご質問

Q故障の記録があまりなくても、予知保全のAIは作れますか？

A経済産業省のガイドブックは、正常に動いているときと故障したときの両方の時系列のデータが必要としています。故障したときの判定の情報がない場合は、後から書き加える方法や、故障に近い状態を作ってデータを集める方法が紹介されています。

Qどの設備から始めればよいですか？

Aガイドブックは、ラインが止まったときの損失が大きい機械や、保守・故障の回数が多い機械を優先する考え方を示しています。効果を確かめやすい設備から始めると、次に広げる判断もしやすくなります。

QAIが異常と判定したら、すぐに設備を止めるべきですか？

AAIの判定をそのまま業務に使わず、人が確かめる工程を設けることがガイドブックで勧められています。判定の結果を、保全の担当者が点検の必要性を判断する材料として使う形から始めると安心です。

Q設備をネットワークにつなぐときの注意はありますか？

A経済産業省のガイドラインは、工場のネットワークをインターネットなどにつなぐ機会が増えるほど、新たなセキュリティ上のリスクの源も増えると指摘しています。機器を購入するときに脆弱性の情報や修正プログラムの提供が保守の範囲に含まれるかを確かめ、トラブルが起きたときの責任をはっきりさせておくことが挙げられています。

## この記事に出てくる用語

- [温度（Temperature）](https://www.ai-ready.jp/glossary/temperature/)
- [IoT](https://www.ai-ready.jp/glossary/iot/)
- [PoC（概念実証）](https://www.ai-ready.jp/glossary/proof-of-concept/)
- [属人化](https://www.ai-ready.jp/glossary/person-dependency/)
- [クラウド](https://www.ai-ready.jp/glossary/cloud/)
- [脆弱性](https://www.ai-ready.jp/glossary/vulnerability/)
- [デジタルツイン](https://www.ai-ready.jp/glossary/digital-twin/)
- [エッジAI](https://www.ai-ready.jp/glossary/edge-ai/)
- [時系列分析](https://www.ai-ready.jp/glossary/time-series-analysis/)
- [センサーデータ](https://www.ai-ready.jp/glossary/sensor-data/)
- [ドリフト（モデルの劣化）](https://www.ai-ready.jp/glossary/model-drift/)
- [異常検知](https://www.ai-ready.jp/glossary/anomaly-detection/)

## 「ユースケースと効果」のほかの記事

[この柱の解説 →](https://www.ai-ready.jp/about-ai-ready/use-cases/)

[広げる／ユースケースと効果AIの効果の測り方：時間・費用・品質の指標桐谷彰人2026-10-25](https://www.ai-ready.jp/guide/measuring-ai-impact/)[定着させる／ユースケースと効果AIの効果を測り続ける：全社に広げた後の指標の見直しと、続ける・広げる・やめるの判断嵐保憲2026-10-26](https://www.ai-ready.jp/guide/sustaining-ai-impact/)[はじめる／ユースケースと効果AIを使う業務の選び方：業務の棚卸しから優先順位まで石田誠2026-10-25](https://www.ai-ready.jp/guide/choosing-ai-use-cases/)

## 出典

1. [経済産業省「AI導入ガイドブック製造業へのAI予知保全の導入」](https://www.meti.go.jp/policy/it_policy/jinzai/AIguidebook_PredictiveMaintenance_FIX.pdf)
2. [経済産業省「AI導入ガイドブック構想ステージ」（2022年3月）](https://www.meti.go.jp/policy/it_policy/jinzai/1_AI_guidebook_mihiraki_FIX.pdf)
3. [消防庁「プラント保安分野におけるAI信頼性評価ガイドライン等」（2020年11月17日）](https://www.soumu.go.jp/menu_news/s-news/01shoubo01_02000370.html)
4. [石油コンビナート等災害防止3省連絡会議「3省共同運営サイト」（プラント保安分野AI信頼性評価ガイドライン第2版ほか）](https://www.fdma.go.jp/neuter/topics/fieldList4_16/jisyuhoan_shiryo.html)
5. [経済産業省「工場システムにおけるサイバー・フィジカル・セキュリティ対策ガイドライン Ver 1.0」（2022年11月16日）](https://www.meti.go.jp/policy/netsecurity/wg1/factorysystems_guideline_ver1.0.pdf)

最終確認日：2026-11-12

## 次の一歩

[測るAI-Ready診断（無料）いまの準備状況を、7つの柱で確かめられます。](https://www.ai-ready.jp/diagnosis/) [相談する結果の解説（30分・無料）診断の結果をもとに、オンラインでご説明します。](https://www.ai-ready.jp/consult/review/) [窓口ご相談のお申し込み経営・M&A・事業承継・上場・バリューアップはフロレンティナ、AIの導入・開発・データ・セキュリティ・研修はアメリア・テクノロジーがお受けします。](https://www.ai-ready.jp/consult/apply/)

目次

1. 予知保全で、AIは何をするのですか？
2. どの設備から始めればよいですか？
3. どんなデータを集めればよいですか？
4. どんな手順で進めればよいですか？
5. 運用では、何に気をつければよいですか？
6. 設備をネットワークにつなぐときの注意はありますか？
7. チェックリスト
8. よくあるご質問

この記事が扱う柱

主に「ユースケースと効果」、あわせて「データ」

[ユースケースと効果の解説](https://www.ai-ready.jp/about-ai-ready/use-cases/)[データの解説](https://www.ai-ready.jp/about-ai-ready/data/)

自社の準備度を確かめる

10問・約3分・登録不要。7つの柱ごとの目安がわかります。

[無料で診断する](https://www.ai-ready.jp/diagnosis/quick/)

---

出典：フロレンティナ株式会社「設備の予知保全へのAIの使い方：センサーのデータで故障の兆しをつかむ｜AI-Ready.jp」 https://www.ai-ready.jp/guide/ai-predictive-maintenance/