センサーデータ分析とは?手順5ステップと失敗しない進め方

センサーデータ分析とは?手順5ステップと失敗しない進め方

設備にセンサーを取り付けたものの、集まったデータが手つかずのまま眠っている現場は少なくありません。計測の仕組みは動いていても、値が判断に使われないまま数年が過ぎているのが実情です。原因の多くは、分析技術の不足ではなく計測を始める前の設計の問題です。何を判断したいのかが決まらないまま計測点だけを増やせば、データ量が膨らむだけの結果に終わってしまいます。

センサーデータは業務システムのデータと比べて、粒度が細かく、量が桁違いに多く、しかも欠損やノイズを含みます。1秒周期で1年間計測した場合、1点あたりの記録は3,000万件を超える規模です。この特性を踏まえずに一般的な分析手順を当てはめると、前処理の工数が想定の数倍に膨らみます。成果を左右するのは、モデルの選定よりも計測設計と前処理の質です。

本記事では、センサーデータ分析の定義と活用目的を整理したうえで、目的の定義から現場運用への組み込みまでの5つのSTEPを解説します。あわせて、精度を大きく左右する前処理の判断基準と、現場で繰り返し起きる失敗パターンへの回避策も取り上げます。自社の取り組みがどの段階でつまずいているかを確かめながら読み進めてください。

センサーデータ分析とは:定義と一般的なデータ分析との違い

センサーデータ分析は、機器や環境に取り付けた計測器が出力する数値を対象に、状態の把握や異常の検知、将来予測を行う取り組みを指します。売上や受注といった業務データの分析とは、扱う値の性質も設計の勘所も大きく異なるのが実情です。ここでは対象となる計測値の種類と、連続して発生するデータとしての特性、そして業務システムのデータ分析との具体的な違いを整理します。

センサーデータの種類:温度・振動・電流・圧力・位置などの計測値

センサーデータとは、温度や振動といった物理現象を電気信号に変換し、数値として記録した値の総称です。工場や倉庫で使われる計測項目は幅広く、同じ設備でも目的によって取得すべき値が変わります。回転機器の異常を捉えたいなら振動と電流、保管品質を守りたいなら温度と湿度というように、判断したい事象から逆算して選ぶのが基本です。判断したい事象が定まらないままでは、計測項目をいくら並べても優先順位は決まりません。代表的な計測値と、そこから読み取れる内容を整理します。

  • 温度・湿度:設備の過熱や保管環境の逸脱を捉える
  • 振動・加速度:回転機器の軸受劣化やアンバランスを捉える
  • 電流・電圧:モーターの負荷変動や異常な消費を捉える
  • 圧力・流量:配管の詰まりや漏れの兆候を捉える
  • 位置・稼働信号:設備の稼働状況や搬送物の動きを捉える

計測値の種類によって、必要なサンプリング周期は大きく変わります。温度は数十秒から数分に1回で足りますが、振動は劣化の兆候を捉えるために1秒あたり1,000件以上の取得が必要な場合もあります。この差を意識せずに全項目を同じ周期で取得する設計は、通信量と保存コストを押し上げる原因です。現場でよくあるのは、振動センサーを温度と同じ1分周期で設置し、異常の兆候が平均値に埋もれてしまうつまずきです。計測項目ごとに必要な周期を先に定義しておけば、こうした手戻りは防げます。

連続的に発生する時系列データという特性

センサーデータは、一定の周期で値が生成され続ける時系列データです。1件ごとの値そのものよりも、時間方向の変化のパターンに意味があります。軸受の温度が60度という値だけでは判断できませんが、過去2週間で55度から60度へ緩やかに上昇していれば劣化の兆候として扱えます。分析の単位が1行ではなく一定の時間窓になる点が、業務データとの決定的な違いです。設計の段階では、どの長さの時間窓で値を見るのかを先に決めておく必要があります。

時系列のデータには、業務データにはない扱いづらさがあります。値が欠けた区間をそのまま平均すると、停止中の時間帯まで混ざって傾向が歪みがちです。設備の停止中と正常稼働中の値を区別せずに集計すれば、異常判定の閾値は実態より低く算出されます。実務では、稼働信号や生産実績と突き合わせて分析対象の時間帯を定義する工程を必ず挟みます。この定義を省いた分析は、後から結果の解釈が揺らぎやすいので注意が必要です。対象時間帯の定義は、分析の再現性を担保する土台になります。

業務システムのデータ分析と異なる3つの観点:粒度・鮮度・データ量

販売管理や会計のデータと比べたとき、センサーデータの扱いは3つの観点で異なります。粒度は秒単位まで細かく、鮮度は数秒以内の反映が求められ、量は年間で数億件に及ぶ規模です。この3点が揃うと、表計算ソフトで開いて中身を確認するという初動そのものが成立しません。1秒周期で20点を計測する設備1台のデータは、1か月で約5,000万件に達する量です。保存形式もCSVのままでは扱いきれず、列指向の形式やデータベースへの移行が前提になります。観点ごとの違いを具体的に押さえておきます。

観点

業務システムのデータ

センサーデータ

設計上の論点

粒度

取引や伝票の単位

秒単位から1,000分の1秒単位

集約の粒度をいつ決めるか

鮮度

日次や月次での更新

数秒以内の反映が前提

現場側で処理する範囲の線引き

データ量

年間で数十万件

年間で数億件に達する

保存期間と保存形式の設計

欠損の意味

入力漏れを示す

通信断や設備停止を示す

補完と除外を分ける判断基準

違いのなかでも見落とされやすいのが、欠損が持つ意味です。受注データの欠損は入力漏れを疑いますが、センサーデータの欠損は通信断や電源断という設備側の事象を示している場合があります。欠損そのものが異常の兆候になるため、単純に前後の値で埋める処理は情報を消してしまいます。判断の目安として、欠損区間が連続10分を超える場合は補完せずに除外し、設備ログと突き合わせて原因を確認する運用が現実的です。除外した区間は分析の対象外として記録し、後から理由を追える状態にしておきます。

センサーデータ分析で実現できること:4つの活用目的

センサーデータを取得する目的は、大きく4つに整理できます。状態監視、予知保全、品質や歩留まりの改善、エネルギーと稼働効率の最適化です。目的によって必要な計測点も分析手法も変わるため、着手の前にどれを狙うのかを明確にする必要があります。それぞれの目的で何が判断できるようになるのかを、具体的な指標とあわせて確認します。

状態監視:設備や環境の現在値を継続的に把握する

状態監視は、設備や環境の現在値を常時把握し、異常に気づくまでの時間を短縮する取り組みです。導入のハードルが最も低く、多くの企業が最初に着手します。具体的には、温度や電流の値をダッシュボードに表示し、一定の範囲を外れた時点で担当者へ通知する仕組みを作ります。ツールはGrafanaやTableau、Power BIが使われ、更新間隔は1分から5分に設定するケースが一般的です。ここまでの構築であれば、着手から稼働まで2か月前後で到達できます。

状態監視でよくあるつまずきは、表示する項目を増やしすぎることです。1画面に30以上のグラフを並べた結果、誰も見なくなった事例は各所で起きています。運用に乗せる基準として、1画面あたりのグラフは6個以内、確認にかかる時間は30秒以内を目安にします。表示する値は見たら行動が変わるものに絞り込み、参考情報は別画面へ逃がす構成が有効です。判断に使わない値をいくら並べても、監視の習慣は定着しません。表示項目を絞るほど、異常への気づきは早くなります。

予知保全:劣化の兆候を捉えて保全タイミングを判断する

予知保全は、故障が起きる前に劣化の兆候を捉え、部品交換や点検の時期を判断する取り組みを指します。時間基準で一律に交換する定期保全と比べると、部品費と停止時間の両方を削減できます。回転機器であれば振動の実効値や周波数成分、モーターであれば電流波形の乱れが代表的な兆候です。兆候を捉えてから故障に至るまでの猶予は、軸受で数週間から数か月と幅があります。この猶予期間の長さが、サンプリング周期と通知の緊急度を決める基準になります。

導入を判断する目安は、対象設備が止まったときの損失額です。1時間の停止で数十万円以上の損失が出るライン、あるいは交換部品が高額で調達に数週間かかる設備から着手すると、投資対効果を説明しやすくなります。予備機があり数時間で切り替えられる設備は、優先度を下げて構いません。現場でよくある失敗は、対象を広げすぎて全設備に振動センサーを付け、データ量と保守負荷だけが増える展開です。最初は3台から5台に絞り、兆候と実際の故障の対応関係を確認してから拡大します。

品質・歩留まり改善:工程条件と結果の関係を特定する

品質改善では、工程条件を示すセンサーデータと、検査結果や不良区分を突き合わせて関係を特定します。温度や圧力、送り速度といった条件が、どの範囲に収まっているときに良品率が高いのかを数値で示す取り組みです。分析の前提として、製品1個またはロット1件の単位で、条件データと結果データを結び付けるキーが必要になります。このキーを用意できるかどうかが、着手の可否を決める最初の分岐点です。キーがなければ、条件と結果を結び付ける作業そのものが成立しません。

実務では、製造実績システムの製造番号とセンサーデータのタイムスタンプを突合し、工程の通過時刻から対応するデータ区間を切り出します。この作業に想定外の工数がかかる点が、最大のつまずきです。設備の時計がずれていると数十秒単位で対応関係がずれ、条件と結果のつながりが見えなくなります。着手の前にNTPによる時刻同期が全設備で有効かを確認し、ずれが1秒以内に収まっているかを点検してください。確認を怠ると、分析結果の信頼性を後から検証できなくなります。

エネルギー・稼働効率の最適化:無駄な消費を数値で可視化する

電力計や流量計のデータを設備単位で取得すると、これまで工場全体の請求額でしか見えなかった消費を分解できます。稼働していない時間帯に動き続けている空調や圧縮機、待機電力の大きい設備が数値として浮かび上がります。可視化の粒度は、設備群ごとの15分値から始めるのが現実的です。全設備に個別の電力計を付けようとすると、工事費だけで数百万円規模に膨らみます。消費の大きい設備群から測り、削減余地が見えた段階で細かく分ける進め方が堅実です。

削減余地を見つける定番の手順は、稼働信号と消費データを同じ時間軸に並べ、非稼働時間帯の消費量を積算することです。この積算値が全体の10%を超えていれば、運用ルールの見直しだけで削減できる余地が大きいと判断できます。圧縮エアの漏れは、休日の消費量から推定する方法が有効です。設備を止めた状態で消費が続いていれば、その分がそのまま漏れの量を示します。改修の優先順位は、削減見込み額を工事費で割った回収年数で比較すると判断しやすくなります。

センサーデータ分析の進め方:5つのSTEP

センサーデータ分析は、目的の定義から現場運用への組み込みまでを5つのSTEPで進めます。順序を入れ替えると手戻りが発生しやすく、特に計測点の選定を先行させた取り組みは行き詰まりがちです。順序を守るだけで、後戻りの多くは避けられます。各STEPの作業内容と、次の段階へ進むための判断基準をあわせて解説します。

STEP1:分析目的と判断アクションの定義

最初に決めるのは、分析結果を見て誰が何を判断するのかという点です。設備の状態を把握したいという表現では曖昧なため、軸受の交換を2週間前に計画へ反映するといった行動の形まで具体化します。判断する人、判断のタイミング、判断の結果として起きる行動を1枚の紙に書き出すと、必要なデータの範囲が自然に決まります。この作業に要する期間は、関係者へのヒアリングを含めて2週間から1か月が目安です。目的が1文で書けない段階では、計測点の議論へ進まない判断が結果的に近道です。

目的を定義する場には、保全や生産技術の担当者を必ず同席させます。データ部門だけで要件を固めると、現場が実際に使える通知のタイミングや粒度から外れた仕様になりがちです。合意しておきたい項目は次の4点になります。とりわけ誤報の許容範囲は後の閾値設計を左右するため、週に何件までなら確認作業が回るかを数値で決めてください。合意した内容は議事録に残し、後から参照できる形にしておきます。4点が埋まらないうちは、機器の選定へ進まない判断が安全です。

  • 判断の対象とする設備と故障モード
  • 通知を受け取る担当者と受け取る手段
  • 許容できる誤報の頻度(週あたりの件数)
  • 通知を受けてから対応にかけられる時間

データ分析の基本とは「目的の明確化」である

STEP2:計測点の選定とサンプリング周期の設計

計測点は、STEP1で定めた判断アクションから逆算して選びます。故障モードごとに、どの物理量へ兆候が現れるかを整理すると候補が絞れます。回転機器の軸受劣化なら振動と温度、絶縁劣化なら漏れ電流というように、既存の保全基準や故障履歴が手がかりです。新規に追加する点は最小限にとどめ、既設の制御盤やPLCから取得できる値を優先すると、初期投資を大きく抑えられます。既設の値だけで検証できれば、投資判断そのものも通しやすくなります。

サンプリング周期を決める基準は、捉えたい現象の変化速度です。目安として、現象の周期の10分の1以下の間隔で取得すれば波形の形は保たれます。周期を細かくするほどデータ量と保存費用は増えるため、常時は粗く取得し、閾値を超えた区間だけ高速サンプリングへ切り替える設計が実務では有効です。後から周期を細かくするには機器の交換が必要になる場合もあり、迷うときは細かめに設定しておく選択が無難です。代表的な計測対象ごとの目安を整理します。

計測対象

推奨する周期

1年間の概算件数

主な用途

温度・湿度

1分から5分

約10万件から50万件

状態監視、保管品質の管理

電流・電圧

1秒から10秒

約300万件から3,000万件

負荷変動の把握、稼働の判定

振動(実効値)

1秒から1分

約50万件から3,000万件

劣化傾向の継続的な監視

振動(生波形)

1,000Hz以上で区間保存

保存する区間に依存

周波数分析による部位の特定

稼働信号

状態が変化した時点のみ

数万件

分析対象とする時間帯の切り出し

STEP3:収集基盤の構築:エッジ処理とクラウド蓄積の役割分担

収集基盤では、現場側の機器で処理するエッジ処理の範囲と、クラウドへ送って蓄積する範囲を分けて設計します。振動の生波形をすべてクラウドへ送ると通信量が膨大になるため、現場側で実効値や周波数のピークだけを算出して送る構成が一般的です。判断の基準は単純で、1秒あたりの発生件数が100件を超える計測は現場側での集約を検討します。異常と判定した前後の生波形だけを保存する仕組みにすれば、容量は10分の1以下に収まります。

両者は対立する選択肢ではなく、役割を分けて併用するのが前提です。即時の異常通知は現場側、長期の傾向分析や機種横断の比較はクラウド側という分担が扱いやすくなります。現場でよく起きるのは、通信が不安定な工場でクラウド送信に依存し、通信断のたびにデータが欠ける事態です。機器側に24時間以上のバッファを持たせ、復旧後に再送する仕組みを最初から組み込んでください。再送の設計では、時刻の重複を避ける仕組みもあわせて用意してください。

観点

現場側での処理

クラウドでの蓄積

通知までの遅延

1秒以内に判定できる

数秒から数分の遅れが出る

通信量

集約により10分の1以下

生データの量に比例して増える

分析の自由度

事前に決めた処理に限定される

条件を変えて何度でも再分析できる

運用負荷

機器ごとの更新作業が必要

一括での更新に対応しやすい

データ分析基盤とは?基盤を構築するための5つのステップ

STEP4:前処理と分析モデルの構築

前処理では、時刻の統一、欠損と外れ値の処理、必要な粒度への集約を順に実施します。この工程が全体の工数の6割から7割を占めるため、専任の担当者と期間の確保が前提です。使用するツールはPythonのpandasが標準的で、時系列の再標本化や移動平均の算出はresampleとrollingで完結します。処理内容はノートブック上に残さず、スクリプトとして保存し、同じ手順を何度でも再実行できる状態にしてください。

モデルの構築は、単純な手法から順に試すのが鉄則です。固定閾値と移動平均で検知できる範囲を確かめ、それで不足する場合に統計的手法や機械学習へ進みます。最初から複雑なモデルを組むと、現場への説明が難しくなり導入自体が止まります。精度の評価では、正解率ではなく見逃し率と誤報率の2つを個別に確認してください。全体の99%が正常データである以上、正解率はほとんど意味を持ちません。単純な手法で検知できた範囲は、そのまま運用時の基準として残せます。

STEP5:現場運用への組み込みと効果検証

分析結果は、現場の業務手順に組み込んで初めて価値を生みます。通知を受け取った担当者が次に何をするのかを、手順書のレベルまで落とし込んでください。具体的には、通知の宛先、確認する画面、判定の基準、対応後の記録方法までを1ページに定義します。この手順書がないまま通知だけを飛ばすと、数週間で誰も反応しなくなる状態に陥ります。手順書は1ページに収め、現場の掲示板へ貼れる分量にとどめる形が実務的です。運用の開始から1か月は、通知への対応状況を週次で確認します。

効果検証では、導入の前後で比較する指標を事前に決めておきます。予知保全なら計画外停止の件数と時間、品質改善なら不良率、エネルギーなら原単位が代表的な指標です。比較期間は季節変動を吸収するために最低3か月を確保し、可能であれば前年同期との比較も組み合わせます。検証結果は四半期ごとに関係部門へ共有し、通知の閾値や対象設備を見直す場を設けてください。運用を固定したまま放置すると、設備の更新や生産品目の変化に追随できなくなります。

精度を左右する前処理:センサーデータ特有の品質課題と対処法

センサーデータの分析精度は、モデルの選択よりも前処理の設計に強く依存します。前処理を省いた分析は、精度以前に結論の妥当性を説明できない状態です。どの工程も難解ではありませんが、抜けると後工程で必ず問題が表面化します。ここでは時刻同期、欠損値、外れ値、ドリフト、集約という5つの論点について、判断の基準と具体的な処理方法を示します。

時刻同期と粒度統一:複数センサーのタイムスタンプを揃える

複数のセンサーを組み合わせる分析では、最初に時刻の基準を揃えます。機器ごとに内蔵時計が動いている場合、1か月で数秒から数分のずれが生じます。振動と電流の関係を見たい場面では、数秒のずれが相関を完全に打ち消してしまう水準です。対策はNTPサーバーによる同期を全機器で有効にし、同期の状態を月に1回は点検する運用になります。同期の記録を残しておけば、ずれが疑われた際の検証も容易になります。同期が取れない古い機器は、取得時刻を受信側で付与する方式へ切り替える判断も有効です。

粒度の統一も同時に設計します。1秒周期の電流データと1分周期の温度データをそのまま結合すると、温度側が59件分欠損した表が出来上がります。実務では粗いほうの粒度に合わせ、細かいデータは平均や最大値で集約してから結合するのが定石です。集約方法は分析目的で選び分け、消費電力なら平均、兆候の検知なら最大値と標準偏差を残す判断が一般的になります。結合の前に、両者の件数と対象期間を必ず突き合わせてください。件数が想定と合わない場合は、粒度の設計そのものを見直す判断が必要です。

欠損値:通信断・電源断による抜けを補完するか除外するかの判断基準

欠損の処理で最初にすべきは、欠損の原因を分類する作業です。通信断による一時的な抜け、設備停止に伴う正常な欠損、センサー故障による恒常的な欠損では、取るべき対応が異なります。目安として、数十秒以内の短い抜けは前後の値による線形補完で問題ありません。10分を超える連続欠損は補完せずに除外し、分析の対象外の区間として明示する扱いが安全です。除外した区間は記録に残し、欠損の発生頻度を月次で振り返る運用が有効です。

判断に迷う場面では、欠損率を先に算出します。対象期間の欠損率が5%を下回るなら補完の影響は限定的ですが、20%を超える場合は分析そのものの前提が崩れている状態です。欠損が特定の時間帯に偏っていないかも確認してください。夜間だけ欠損が多いのであれば、通信機器の電源が生産終了とともに落ちている可能性が高くなります。原因別の判断基準を次に整理します。補完の有無は結果に直結するため、処理の方法を必ず記録に残してください。

欠損の状況

想定される原因

推奨する処理

留意点

数十秒以内の単発

通信の一時的な失敗

前後の値で線形補完する

補完した点にフラグを残す

10分以上の連続

通信断や電源断

補完せず分析対象から外す

設備ログと突合し原因を確認

稼働停止に伴う抜け

設備の計画停止

正常な欠損として扱う

稼働信号で区間を特定する

特定の点のみ恒常的

センサーや配線の故障

該当点を除外し交換を手配

復旧までの期間を記録する

データクレンジングとは?意味と代表手法を解説!

外れ値とノイズ:異常の兆候と計測エラーを切り分ける

センサーデータの外れ値には、捉えるべき異常の兆候と、取り除くべき計測エラーの2種類が混在します。両者を機械的に除外すると、本来検知したかった事象まで消えてしまいます。切り分けの手がかりは、持続時間と物理的な妥当性です。1点だけ跳ねて次の値が正常に戻る変化はノイズの可能性が高く、数十秒にわたって継続する変化は実際の事象と考えられます。切り分けの判断は、設備の担当者と一緒に行うと精度が上がります。判断に迷った点は、除外せず保留として扱う運用が安全です。

実務では、物理的にあり得ない範囲を先に定義して弾きます。温度センサーがマイナス200度を示した値は計測エラーと断定でき、この種の値は取得の時点で除外する処理を組み込んでおきます。残った候補は箱ひげ図で分布を確認し、四分位範囲の1.5倍を超える点を目視で点検する手順が扱いやすい方法です。除外した点は削除せず、除外フラグを立てて元データを残してください。後から異常事象だったと判明した際に、再検証ができなくなります。

箱ひげ図とは?外れ値の見方やExcelでの作成方法まで徹底解説

センサードリフト:校正履歴を踏まえて基準値のずれを補正する

センサーは使用に伴って出力が徐々にずれていきます。この現象がセンサードリフトで、温度センサーでは年間0.5度前後、圧力センサーではそれ以上のずれが生じる場合もあります。設備が正常であるにもかかわらず測定値が緩やかに上昇していれば、劣化の兆候ではなくドリフトを疑う視点が必要です。長期の傾向分析ほど影響を受けやすく、1年を超える期間を扱う際は必ず確認します。校正の周期は機器の仕様に従い、一般には1年から2年が目安です。

判別の方法は、校正履歴との突合が基本になります。校正日を境に値が不連続に跳ねていれば、それはドリフトの補正が入った痕跡です。補正の実務では、校正記録から機器ごとの補正係数を一覧化し、分析用のテーブルに機器IDと有効期間を持たせて結合します。校正記録が紙で保管されている現場も多く、電子化から着手する必要が生じる場合もあります。着手の時点で、過去2年分の校正記録が揃うかを確認しておいてください。記録が欠けている期間は、その旨を注記して分析結果に添えます。

ダウンサンプリングと集約:分析目的に応じて解像度を決める

すべての分析を生データで行う必要はありません。1秒周期のデータを1分平均に集約すれば件数は60分の1になり、処理時間も保存費用も大きく下がります。判断の基準は、捉えたい変化がどの時間スケールで起きるかという点です。数日かけて進む劣化を見るなら1時間平均で十分ですが、瞬間的な電流のピークを捉えたい場合は生データが必要になります。集約の粒度を変えた結果は元データから作り直せるため、迷えば粗い側から試す方法が効率的です。

集約する際は、平均値だけを残す設計を避けてください。平均は変動の情報を失わせ、異常の兆候を消してしまう性質があります。実務で推奨されるのは、同じ時間窓について次の5つの値を保持する構成です。この構成なら元データを破棄しても大半の分析は再現でき、保存容量は生データの10分の1程度に収まります。生データは異常区間の前後だけを残す運用が現実的です。保持する値を決めたら、集約処理をスクリプト化して毎日自動で実行します。

  • 平均値:全体の水準を把握する
  • 最大値:瞬間的なピークを逃さない
  • 最小値:下振れ側の異常を捉える
  • 標準偏差:変動の大きさを残す
  • 件数:欠損の有無を後から検証する

センサーデータの分析手法:可視化から異常検知・予測まで

分析手法は、目的とデータの状態によって選び分けます。高度な手法ほど成果が出るという関係にはなく、可視化と基礎統計だけで判断できる課題も多いのが実情です。手法の名前より、判断に必要な出力が得られるかどうかで選ぶ視点が有効です。ここでは可視化から特徴量の設計、異常の検知、予測モデルまでを段階的に整理し、最後に選定の基準をまとめます。

基礎統計と可視化:トレンド・周期性・センサー間の相関を確認する

最初に行うのは、値の分布と時間変化を目で確認する作業です。折れ線グラフで全期間の推移を描き、ヒストグラムで分布の形を見て、散布図でセンサー間の関係を確かめます。この段階で、明らかな異常区間や計測が止まっている期間の大半は発見できます。使用ツールはExcelでも十分であり、100万行を超えた時点でPythonのmatplotlibやTableauへ移行する判断が現実的です。描いたグラフは日付と条件を添えて保存しておくと、後の議論でそのまま参照できて便利です。

センサー間の相関を確認すると、計測点の重複が見つかります。相関係数が0.95を超える2点は、ほぼ同じ情報を捉えているため片方に絞れる可能性が高くなります。周期性の確認も欠かせない観点で、24時間周期や週単位の変動が見えれば、それは設備の劣化ではなく生産計画や外気温の影響です。この切り分けをせずに検知の仕組みへ進むと、毎週月曜に誤報が出るモデルが出来上がります。重複した計測点を整理すれば、通信量と運用の手間も同時に減らせます。

相関分析とは?分析初心者でもわかる解説とExcelでのやり方を紹介

特徴量設計:時間窓の切り出しと周波数領域への変換

時系列のデータをモデルに入力する際は、1行1点の値ではなく時間窓ごとの特徴量へ変換します。直近10分間の平均、標準偏差、最大値、変化率といった値を1件のレコードにまとめる方法です。窓の長さは、捉えたい現象の継続時間に合わせて決めます。数秒で終わる衝撃を見るなら1秒窓、数日かけて進む劣化なら1時間窓が出発点になります。窓ごとの件数が揃っているかを確認する工程も欠かせない手順です。長さの異なる特徴量を並行して作り、精度への寄与を比べる進め方も有効です。

振動データでは、周波数領域への変換が有効な手段になります。高速フーリエ変換を適用すると、回転数に対応する周波数の成分が抽出でき、軸受やギアの部位ごとの劣化を切り分けられます。適用の前提として、サンプリング周波数は捉えたい周波数の2倍以上が必要です。1,000Hzの成分を見たいなら2,000Hz以上での取得が条件となり、この要件は計測機器の選定段階で確定させておく必要があります。後から周期を上げることはできません。

異常検知:正常データのみで学習するアプローチと閾値方式の使い分け

異常を検知する方法には、閾値で判定する方式と、正常な状態を学習して逸脱を検出する方式があります。閾値方式は設定と説明が容易で、規格値が明確な計測には最適です。規格値がない計測でも、正常時の分布から統計的に閾値を決める方法が選択肢になります。複数の値の組み合わせで初めて異常と分かる事象は、この方式では捉えられません。正常データのみで学習する手法では、One-Class SVMやIsolation Forestが代表的な選択肢です。

使い分けの判断基準は、異常の定義が数値で明確かどうかです。規格上限が決まっている温度や圧力は、閾値方式で十分に機能します。複数のセンサーの関係性が崩れる形で現れる異常には、学習型の手法が有効です。学習に使う期間として適切なのは、設備の改造や部品交換を挟まない区間です。学習型を選ぶ場合、正常期間のデータが最低でも3か月分は必要になります。季節変動を含まない短期間のデータで学習すると、夏場に誤報が急増する事態を招きます。

予測モデル:故障確率や残存寿命を推定する

予測モデルは、現在の状態から将来の故障確率や残存寿命を推定する手法です。代表的な構成は、一定期間内に故障が起きるかどうかを判定する分類モデルと、故障までの時間を推定する回帰モデルの2種類になります。導入の前提として、過去の故障記録が学習データとして必要です。記録が10件に満たない場合、モデルの精度を検証する手段がないため、実質的に構築は困難になります。故障記録には日時だけでなく、部位と原因まで残っている状態が理想です。

故障記録が不足している現場にも、代替となる進め方があります。加速試験や過去の交換履歴から劣化曲線の形を仮定し、まずは兆候の検出だけを目標に据える方法です。残存寿命の推定は、故障データが30件から50件程度まで蓄積してから着手すると、現実的な精度に届きます。評価では、予測が外れたときの損失を金額で見積もってください。1日早く交換する損失と、1日遅れて設備が止まる損失は桁が違う場合が大半です。見積もりは、保全部門と経理部門の双方で合意しておきます。

手法の選定基準:目的・データ量・説明可能性の3軸で絞り込む

手法の選定は、目的、データ量、説明可能性の3軸で絞り込みます。目的が現状把握なら可視化、兆候の検知なら異常の検出、計画立案なら予測というように対応関係は単純です。3軸のうち1つでも条件を満たさない手法は、候補から外して構いません。データ量の観点では、学習型の手法に最低3か月分、予測モデルに故障記録30件以上という下限が目安です。説明可能性は現場の納得に直結し、保全計画を動かす判断ほど根拠の提示が求められます。

手法

主な目的

必要なデータ量の目安

説明のしやすさ

導入期間の目安

可視化・基礎統計

現状把握と課題の絞り込み

1か月分から

高い

1か月から2か月

固定閾値・移動平均

明確な逸脱の検知

3か月分から

高い

2か月から3か月

学習型の異常検知

組み合わせで現れる異常の検知

正常データ3か月分以上

中程度

3か月から6か月

予測モデル

故障確率や残存寿命の推定

故障記録30件以上

低い

6か月以上

3軸で評価すると、多くの現場では可視化と閾値方式から着手する結論に落ち着きます。学習型の手法へ進む判断は、閾値方式で誤報率が下がらない、あるいは複数の値の組み合わせでしか異常が現れないと確認できた段階で構いません。順序を飛ばして高度な手法から入った取り組みは、精度の検証で行き詰まるケースが大半です。選定に迷ったときは、現場の担当者へ結果の根拠を説明できるかどうかを最終的な判断材料にしてください。根拠を示せない手法は、現場で運用が続きません。

センサーデータ分析でよくある失敗パターンと回避策

取り組みが止まる原因には、いくつかの決まった型があります。技術的な難易度よりも、目的設定や運用設計の不備に起因する場合が大半です。どれも特別な事情ではなく、多くの現場が同じ順序でつまずきます。ここでは繰り返し起きる5つの失敗パターンを取り上げ、それぞれの回避策を具体的な手順とあわせて示します。

目的を決めずに設置し、使われないデータだけが蓄積する

最も多い失敗が、センサーを先に設置してしまう進め方です。補助金や設備更新のタイミングで導入が決まり、何を判断するかは後から考えるという順序で進みます。その結果、1年分のデータが蓄積した時点で分析を依頼され、判断に必要な計測点が入っていないと判明する展開です。追加の設置には工事の停止時間が必要なため、次の定期修理まで半年待つ事態も起こります。設置後に目的を考える進め方は、二重の投資につながる典型例です。

回避策は、STEP1の判断アクション定義を設置工事の前に終えることに尽きます。設備が決まっていない段階でも、過去3年の故障記録を集計すれば優先すべき故障モードは特定できます。着手の規模は、対象設備3台程度のスモールスタートが適切です。3台で得た知見は、横展開を判断する材料としてそのまま使えます。少数で兆候と故障の対応を確認してから広げれば、手戻りの範囲は限定されます。全設備への一斉導入は、検証の機会そのものを失う選択です。

固定閾値の運用で誤報が多発し、アラートが形骸化する

閾値を1つの固定値で運用すると、季節や生産品目の違いを吸収できません。夏場の外気温上昇で温度が全体的に上がり、正常な状態でも通知が鳴り続ける状況が典型例です。1日に10件を超える通知が出た時点で、現場は内容を確認しなくなります。形骸化したアラートは、本当の異常が起きたときにも見過ごされる危険な状態です。通知の内容を確認する時間が取れない状態では、仕組みそのものが機能しません。誤報の削減は、精度の向上より優先すべき課題です。

回避策は大きく3つに整理できます。いずれも高度な技術は不要で、運用ルールの見直しで対応できる範囲です。通知件数の目標値を先に決めておくと、設定の妥当性を判断しやすくなります。目安として、1人が1日に確認できる通知は3件から5件程度と考えてください。導入の直後は通知を絞りすぎるくらいで問題なく、運用が定着してから対象を広げます。閾値の変更履歴を残しておけば、誤報が増えた時期の原因も追えます。通知の件数は月次で集計し、推移を関係者と共有する運用が有効です。

  • 外気温や生産条件に応じて閾値を変動させ、相対的な基準へ切り替える
  • 一定時間の継続を通知の条件に加え、瞬間的な超過では通知しない
  • 通知に重要度の区分を設け、即時対応と日次確認を分ける

学習データに異常時の記録が乏しく、モデルが兆候を捉えられない

異常の検知や予測のモデルは、異常時のデータがなければ性能を検証できません。実際の現場では正常データが99%以上を占め、故障事例は年に数件という状況が普通です。この偏りを考慮せずに一般的な分類手法を適用すると、すべてを正常と判定するだけのモデルが高い正解率を示します。数値の上では優秀に見えても、実務ではまったく機能しない結果になります。異常時の記録をどう確保するかが、着手前の最大の論点です。記録の有無で、選べる手法は大きく変わります。

対策の出発点は、過去の保全記録を計測データと突き合わせ、故障が起きた日時にラベルを付ける作業です。紙の点検記録しか残っていない場合でも、交換部品の伝票から日付は特定できます。ラベル付けが済めば、正常データのみで学習する手法へ切り替える判断も可能になります。評価指標には見逃し率と誤報率を使い、正解率は参考値にとどめてください。故障が10件に満たない段階では、モデル構築より兆候の可視化を優先する判断が現実的です。

設備マスタや検査結果と突合できず、原因追跡につながらない

計測値だけを蓄積しても、原因の追跡には届きません。異常の兆候を捉えた後に必要となるのは、その設備の型式、設置年月、直近の部品交換履歴、生産していた品目といった周辺情報です。これらが別々のシステムに散在し、共通のIDで結合できない状態が追跡を止めます。設備マスタの整備は地味な作業ですが、分析の成果を左右する土台になります。結合できる状態を先に作る判断が、遠回りに見えて近道です。追跡できない分析は、改善の打ち手にはつながりません。

着手の時点で確認すべきは、設備を一意に識別するIDが全システムで共通かどうかです。実際には、保全システムでは管理番号、生産システムでは設備名称、センサー側では機器のシリアル番号という形でばらついている例が大半を占めます。対応表を1つ作るだけで結合は可能になるため、初期の段階で変換テーブルを整備してください。更新の責任部門を決めておかないと、設備更新のたびに対応表が古くなります。表記ゆれの有無は、初回のサンプル結合で必ず確認します。

マスタデータとは?具体例でクイックに解説!

PoCの精度検証で止まり、現場の業務手順に組み込まれない

精度検証まで到達しながら、本番運用に至らない取り組みは数多くあります。原因は精度の不足ではなく、運用に必要な体制や手順が設計されていない点です。誰が通知を受け、誰が設備を止める判断をし、誰が結果を記録するのかが決まっていなければ、どれほど高精度なモデルでも動きません。検証の開始時点で、本番運用の体制図まで描いておく必要があります。体制を描けない段階では、検証の開始を遅らせる選択も現実的です。運用部門の合意は、着手の前に取り付けておきます。

検証を本番へつなぐには、終了条件を先に決めておく方法が有効です。誤報率10%以下かつ見逃しゼロを3か月連続で達成したら本番へ移行するというように、数値と期間で定義します。終了条件は関係部門の合意を得たうえで、文書として残す形が前提です。条件を満たさなかった場合の扱いも同時に決め、撤退か手法変更かを判断する場を設けてください。期限のない検証は、担当者の異動とともに自然消滅する末路をたどります。期限の管理は、四半期ごとの会議体で行うと実効性が保てます。

PoCとは?意味や失敗させないポイントをわかりやすく解説

センサーデータ分析の活用事例:業種別の取り組みと成果

実際の取り組みでは、どの計測値をどう扱い、何が変わったのかを押さえると自社への適用を判断しやすくなります。ここでは製造、物流、設備管理の3分野について、着手時の課題とアプローチ、得られた成果を整理します。いずれも特別な技術ではなく、計測の設計と前処理を丁寧に進めた結果として成立した内容です。

製造業:振動データの周波数分析で回転機器の異常を早期に検知

回転機器を多数抱える工場では、軸受の突発故障がライン停止の主因になります。ある事例では、対象を5台のポンプに絞り、振動センサーを軸受部に設置しました。常時は1分ごとの実効値のみを送信し、閾値を超えた区間だけ25.6kHzの生波形を保存する構成です。この設計により、通信量を抑えながら周波数分析に必要なデータを確保できました。対象を絞ったことで、設置と検証にかけられる時間も確保できています。設置は既存の点検口を使い、半日で完了した規模です。

周波数分析では、軸受の各部位に対応する固有の周波数成分を監視します。外輪や内輪の傷は特定の周波数にピークとして現れるため、部位まで絞り込んだ保全計画が可能です。監視対象とする周波数は、機器の仕様書から算出した一覧が出発点になります。導入から8か月で2件の兆候を検知し、計画的な部品交換で突発停止を回避できた事例です。前処理では回転数の変動に応じた正規化が必須で、この処理を省いた期間は生産品目の切り替え時に誤検知が多発しました。

製造業のデータ分析はなぜ必要?解決できる課題やメリットなどを解説

物流・倉庫:温湿度の連続監視で保管品質の逸脱を未然に防止

温度管理が必要な倉庫では、保管条件の逸脱が商品の廃棄に直結します。ある取り組みでは、倉庫内40か所に無線の温湿度センサーを設置し、5分間隔で計測する構成です。設置箇所の選定では、過去の温度逸脱の記録が有力な判断材料になります。入口付近、天井付近、庫内中央というように条件の異なる位置を選び、温度分布の偏りを把握できる配置が前提です。無線方式のため工事費は抑えられ、初期費用は1か所あたり数万円の水準に収まりました。

運用では、規定温度を超えた時間の累積を管理指標に据えました。瞬間的な超過ではなく、15分以上の継続を通知の条件とする設計です。扉の開閉による一時的な変動は、この条件で除外できます。導入後は空調の故障を早期に検知できるようになり、保管品質の逸脱による廃棄が減少しました。センサーの電池残量を監視する仕組みも同時に組み込み、計測が止まったまま気づかない事態を防ぐ運用です。通知の条件は、季節ごとに見直す形としています。

設備管理:稼働ログとセンサーデータの統合で保全計画を見直し

設備の保全計画を時間基準から状態基準へ切り替えた事例もあります。この取り組みでは、制御盤から取得した稼働ログと後付けの電流センサーのデータを、設備IDで結合する構成です。稼働時間の集計には、制御盤のログを1年分さかのぼって使用しました。同じ型式の設備でも年間稼働時間に2倍以上の差があると判明しています。一律の交換周期が、稼働の少ない設備では過剰な保全になっていた状況です。対象は同一型式の設備20台で、条件を揃えた比較が可能な範囲です。

見直しの結果、稼働時間に応じた交換周期へ移行し、保全工数の削減と部品費の最適化を同時に実現しました。移行の判断では、稼働時間と故障発生の相関を確認する作業が起点になります。相関が確認できない設備は時間基準のまま残し、無理に切り替えない判断も必要です。切り替えの対象は、稼働のばらつきが大きい設備から選ぶ方針です。統合の実務では設備IDの表記ゆれが障害となり、対応表の作成に1か月程度を要しました。この工数を初期計画に織り込んでおくと、進行の遅れを避けられます。

まとめ:センサーデータ分析は前処理の設計が成果を決める

センサーデータ分析の成果を分けるのは、モデルの高度さではなく計測前の設計と前処理の丁寧さです。判断アクションを定義し、必要な計測点と周期を決め、時刻同期と欠損処理の方針まで固めてから着手します。この順序を守れば、手法の選択は自然に絞り込まれます。順序を崩した取り組みは、データ量だけが増えて判断につながらない状態に陥りがちです。

自社の状況を点検する際は、次の観点を1つずつ確認してください。空欄が残る項目が1つでもあれば、計測の設計段階へ戻る判断が安全です。すべて埋められる状態であれば、対象を3台から5台に絞った試行に進んで差し支えありません。試行で兆候と実際の故障の対応関係を確認し、そのうえで横展開の範囲を決める流れが堅実です。点検そのものは30分程度で終わります。

  • 分析結果を見て誰が何を判断するかが1文で書けるか
  • 判断に必要な計測点と周期が、故障モードから逆算できているか
  • 全機器の時刻同期が有効で、ずれが1秒以内に収まっているか
  • 欠損と外れ値の処理方針を、原因の分類とあわせて決めているか
  • 設備マスタや検査結果と結合するための共通IDが用意できているか
  • 通知を受けた担当者の対応手順と記録方法が定義されているか

「これからセンサーデータ分析の取り組みを実施したいけれど、何から手をつけたらいいかわからない」「データ専門家の知見を取り入れたい」という方は、データ領域の実績豊富な弊社、データビズラボにお気軽にご相談ください。

貴社の課題や状況に合わせて、センサーデータ活用の取り組みをご提案させていただきます。

データビズラボの実績無料相談・お見積り

このブログについて

データビズラボが運営する、データの価値を最大化するためのナレッジ共有メディアです。
戦略策定から具体的な分析手法、ツールの活用術まで、データの現場で培われた実践的な取り組みから
得られた知見や気づきを発信しています。

データのことなら、
まずはお気軽にご相談ください。

データ活用に、万能の正解はありません。
貴社の業界特性や課題に合わせて、最適な進め方を一緒に設計します。