AIによる振動の異常検知とは？──人が決める閾値と何が違うのか

振動診断の世界にも「AIによる異常検知」という言葉が聞かれるようになりました。人が閾値を決めて判断するこれまでのやり方と、AIが判定するやり方は何が違うのか。AIは何を根拠に「異常」と判定しているのか、統計的な仕組みまで踏み込んで整理します。

はじめに

許容値の決め方や傾向管理で見てきたとおり、これまでの振動診断は「人が基準を決めて、人が判断する」ものでした。一方で近年は「AIが異常を検知する」という言葉も聞かれるようになり、「AIなら人より正確に見抜けるのか」「結局は何を根拠に判定しているのか分からないブラックボックスなのでは」という疑問を持つ方も多いはずです。

この記事では、人がこれまで何を根拠に「異常」を判断してきたかを振り返ったうえで、AIによる異常検知が何を根拠に判定しているのかを、統計的な仕組みまで踏み込んで整理します。そのうえで「AIはブラックボックス」という印象がどこまで正しいのかも、正直に検証します。

この記事は、「AI異常検知」という言葉の中身を知りたい保全担当者・測定担当者の方に向けて書かれています。すぐに現場へ導入する話ではなく、考え方を理解するための「学び系」の記事です。

💡 この記事で得られること

• 人がこれまで何を根拠に「異常」の閾値を決めてきたかの整理
• AIによる異常検知が何を根拠に判定しているかの統計的な仕組み
• 「これは結局、統計処理では？」という素朴な疑問への答え
• 人とAI、判断の根拠を対比したときの共通点・相違点
• 「AIはブラックボックス」という印象がどこまで正しいか

1. なぜ今「AIによる異常検知」が話題になるのか

背景にあるのは、保全を担う人手が限られる一方で、扱うべきデータの量は増え続けているという事情です。IoTセンサーが安価になり常時監視がしやすくなった一方、その膨大なデータを人が四六時中見続けることは現実的ではありません。予知保全の考え方が広まるほど、「異常の兆しをいち早く、しかも自動で見つけたい」というニーズが強くなり、その担い手としてAIが注目されています。

ただし「AI」という言葉が指す中身は幅広く、単純な統計処理から複雑なニューラルネットワークまでを一括りに呼んでいることがほとんどです。まずは対比のために、人がこれまでどう「異常」を判断してきたかを整理します。

2. 人はどうやって「異常」を判断してきたか

振動の許容値はどう決める？で詳しく解説したとおり、人が異常を判断する根拠は大きく2つのルートに分かれます。

規格がない設備の場合に実際に使われるのは、傾向管理で紹介した「1.2倍〜1.5倍に増えたら要注意」のような経験則です。これは厳密な統計処理ではありませんが、発想としては「いつもの値（平均的な状態）から、どれだけ離れているか」を見ているという点で、統計学の考え方と地続きです。実際、規格の境界値自体も、元をたどれば多数の設備データの分布（平均・ばらつき）から統計的に導かれたものです。

つまり人の判断も、突き詰めれば「基準となる分布からの逸脱を見る」という統計的な発想に基づいています。ただし人が実務で扱うのは、多くの場合1つか少数の指標（速度RMS値など）に限られます。

3. AIはどうやって「異常」を判定しているのか

AIによる異常検知の基本的な発想も、実は人と同じです。正常な状態のデータだけを学習し、そこから外れたものを異常とみなす——これは「教師なし学習」と呼ばれる手法群の考え方で、「異常データを教える」のではなく「正常データの"当たり前"を学習させる」という点が特徴です。

人との違いは、この「基準からの逸脱」を測る指標が、より多くの変数・より複雑なパターンを扱えるように拡張されている点です。代表的な指標をいくつか紹介します。

これらに共通するのは、「正常」を数式やモデルで表現し、そこからの逸脱量を1つの数値（距離・統計量・誤差）に落とし込んでいるという点です。「AIが何となく怪しいと感じ取っている」わけではなく、根拠となる数値は必ず存在します。

4. そもそも「AI」とは何か──統計との境界線

ここまで読んで、「これはAIというより、ただの統計処理では？」と思われた方もいるかもしれません。実はこの疑問は、業界内でもたびたび指摘される正当なものです。

「AI（人工知能）」という言葉は、特定の計算手法の名前ではなく、「人間の知的作業を機械にやらせる」という目的を指すラベルです。この目的を達成する手段は歴史的に複数あり、ルールベースの専門知識（if-then型の判断ロジック）や探索アルゴリズム（将棋・囲碁の先読みなど）のように統計を使わないものも含まれます。しかし今日「AI」と呼ばれているものの大部分は「機械学習」であり、その中身はほぼ統計学の応用です。実際、ここまで紹介したマハラノビス距離・PCAのT²/Q統計量・オートエンコーダの再構成誤差も、数学的には統計・確率論の枠組みの中にある計算です。

統計学者のレオ・ブライマンは2001年の論文で、「データの背後にあるモデルを仮定し、パラメータの意味を解釈する」従来型の統計学と、「予測精度だけを追い、仕組みはブラックボックスでもよいとする」機械学習を、同じ数学的道具を使う"2つの文化"として整理しました。違いは数式の中身ではなく、「解釈したいのか、当てたいだけなのか」という目的側にある、というのが専門家の間でも共有された見方です。「AIは予算のついた統計学」という言い回しが業界でよく聞かれるのも、この重なりが理由です。

もっとも、生の画像・音声・文章のような構造化されていないデータから、人が特徴量を設計せずにパターンそのものを自動学習する深層学習の能力は、古典的な統計にはあまりなかった発想です。ただしこれも数学的には確率・最適化の延長線上にあり、「まったく別の原理」というより「統計の考え方を大規模・自動的に拡張したもの」に近いといえます。

この記事で扱った異常検知の手法は、まさに「AIと呼ばれているが中身は統計そのもの」に該当する部類です。次の章で見る「ブラックボックス」の話も、実はこの延長線上にあります。

5. 人とAI、共通点と相違点

ここまでを踏まえ、人の判断とAIの判断を対比します。

共通点は、どちらも「勘」ではなく「基準からの統計的な逸脱」を見ているという発想そのものです。相違点は、その基準をどれだけ多くの変数・複雑なパターンにまで拡張できるか、そしてどれだけの頻度で見続けられるかという「スケール」の違いに集約されます。AIは人の判断を置き換えるというより、人が実務上扱いきれない変数の数・組み合わせの複雑さまで手を伸ばしたもの、という位置づけに近いといえます。

6. 「AIはブラックボックス」は本当か

ここまで見てきたとおり、AIの判定根拠には必ず数式で定義された指標（マハラノビス距離・T²/Q統計量・再構成誤差など）があります。この点では「何を根拠にしているか分からない」という意味でのブラックボックスではありません。

ただし、正直に言うと「ブラックボックス」と感じられる部分もあります。それは、指標の値自体は分かっても、「なぜその値になったのか」「どのセンサー・どの周波数成分が異常判定に効いたのか」という物理的な原因の追跡が、手法によって難易度が大きく変わるという点です。

• PCAベースの手法は、どの変数がT²・Qの値に大きく寄与しているかを「寄与度プロット」として示せるため、比較的原因を追いやすい手法です
• オートエンコーダのような多層のニューラルネットワークは、内部の重みが人間には直感的に解釈しづらく、「再構成誤差が大きい」ことは分かっても「どの物理現象が原因か」を追うのは難しくなりがちです

つまり「AI＝すべてブラックボックス」ではなく、手法の複雑さに応じたグラデーションがある、というのが正確な言い方です。「AIによる異常検知」という言葉を聞いたときは、それがどちらのタイプの手法を指しているのかを意識すると、過度に不安がったり過信したりせずに済みます。

7. 中小企業の現場で使うには何が前提になるか

AIが「正常な状態」を学習するには、ある程度まとまった量の正常運転データが前提になります。異常データを大量に集める必要はありませんが、「いつもの状態」を統計的に表現できるだけのデータの蓄積が土台になるという点は、人の判断における「ベースライン作り」と本質的に同じです。

そう考えると、傾向管理で紹介したような、日々の測定値を記録・蓄積していく地道な取り組みそのものが、将来的にAIを活用する上での土台にもなります。今すぐAIを導入できなくても、記録を積み重ねておくことには意味があるということです。

まとめ

人もAIも、「基準となる分布からの逸脱を見る」という発想では同じ土俵に立っています。違いは、その基準をどれだけ多くの変数・複雑なパターンにまで扱えるか、そしてどれだけの頻度で見続けられるかというスケールの差です。そもそも「AI」という言葉自体、今日呼ばれているものの大部分は機械学習＝統計学の応用であり、「AIはただの統計処理では」という疑問は的外れではありません。AIの判定根拠には必ず数式で定義された指標がありますが、その指標がなぜその値になったのかという物理的な原因追跡のしやすさは、手法の複雑さによってグラデーションがあります。

📌 この記事のポイント3つ

1. 人もAIも「基準からの逸脱」を見るという発想は共通しており、「AI」の大部分は統計学の応用である
2. AIは変数の数・パターンの複雑さ・常時性で人の判断を拡張したものであり、判定根拠は数式で定義された指標である
3. 「ブラックボックス」は手法の複雑さによる程度問題で、すべてのAI手法が同じように説明不能なわけではない

💡 次にできること

• 自分の現場で今使っている「異常の基準」が何を根拠にしているか一度言語化してみる（規格か、経験則か）
• 傾向管理を通じて日々のデータを記録・蓄積しておく
• 「AI異常検知」という言葉を聞いたとき、どんな手法を指しているのか（単純な統計手法か、複雑なニューラルネットワークか）を確認する視点を持つ

関連記事

▶ 人の判断基準を詳しく知る: 振動の許容値はどう決める？──規格がある設備・ない設備の両方に対応する判定ガイド

▶ データの蓄積の仕方を知る: 過去と比べて見えるもの──傾向管理と違和感の可視化

▶ 人が読み解く異常振動を知る: その振動、本当に大丈夫？加速度・変位・周波数から読み解く異常振動