工作機械の予知保全とは？センサ・AIモデル・導入ステップを解説

更新日：2026年09月4日 (2024年07月16日公開)

製造現場では、主軸の突発停止や加工精度の劣化が、稼働率の低下だけでなく不良品のコストに直結します。こうした課題へのアプローチとして近年注目が高まっているのが、工作機械の予知保全です。CNC内蔵信号や後付けセンサからデータを取得し、主軸・送り軸・工具の状態をリアルタイムで推定することで、故障が起きる前に手を打つことができます。

一方で、センサの選定・AIモデルの種類・エッジとクラウドの役割分担・セキュリティ設計など、実装に際して検討すべき要素は多岐にわたります。

この記事では、製造業の保全担当者・生産技術担当者向けに、工作機械の予知保全の定義から、センシング設計、機械学習モデルの選び方、導入アーキテクチャ、セキュリティ対応まで体系的に解説します。

工作機械の予知保全とは

工作機械の予知保全とは、主軸・送り軸・工具・熱変位などの劣化を継続的に計測・推定し、故障や品質不良が発生する前に保全アクションを起こす仕組みです。「故障を事前に当てる」だけでなく、加工品質・精度・稼働率・保全費のバランスを取りながら、止まる前に・不良を出す前に対策を打つ運用設計が核心です。

状態監視の一般手順はISO 17359が示しており、データ処理・通信・提示のソフトウェア仕様はISO 13374が規定しています。工作機械に当てはめると、CNC/PLCの内部信号と外付けセンサ・保全履歴・加工条件・ジョブ情報を組み合わせて部品・工具・機械の健康状態を推定し、異常兆候・故障確率・RUL（残存寿命）・推奨保全時期を現場の意思決定に接続する仕組みです。

故障が精度劣化・不良率上昇として先に現れる

工作機械で予知保全が重要な理由は、故障が突然の停止よりも精度劣化や不良率の上昇として先に現れやすいからです。主軸の熱誤差は高精度加工の主要な変動要因であり、機械加工精度に影響する総誤差の40〜70%を占めます。工具状態の監視では、摩耗・欠け・折損・びびり・表面粗さ悪化を一体で監視する必要があります。

予知保全の目的は突発停止回避にとどまらない

工作機械の予知保全の目的は、突発停止の回避にとどまらず、加工精度の維持・品質保証・保全時期の最適化・部品在庫の最適化・技能依存の緩和まで含みます。これが、工作機械の予知保全を一般産業機械のそれよりも複雑にしている要因です。

主な故障モードとセンサ選定の考え方

主軸・送り軸・工具系に分けて整理する

工作機械特有の故障モードは、「加工品質に直結する摩耗・変形・振動」と「制御系の微細な劣化」の比重が高い点が特徴です。代表的なものとして、主軸ベアリング摩耗や振れ増大、送り軸のボールねじ摩耗、リニアガイド損傷、回転軸ベアリング摩耗、駆動回路異常、工具摩耗・欠け・折損、びびり、主軸熱変位などがあります。工具・加工プロセス由来の故障は部品故障より短い時間軸で変化するため、センサの選定と設置場所がとくに重要です。

センサの特性と限界を把握した上で選ぶ

主要センサと信号の特性を以下の表に整理します。

センサ・信号源	主な検知対象	推奨設置場所	強み	主な限界	向く導入形態
振動センサ	主軸ベアリング、びびり、工具摩耗、表面粗さ悪化	主軸ハウジング、主軸前後ベアリング近傍、工具ホルダ	比較的安価で設置しやすく、ダイナミクスに敏感	伝播経路と切削液の影響を受けやすい	後付けセンサ型、主軸診断型
AEセンサ	摩耗、欠け、折損、切りくず生成、微小損傷	主軸近傍、切削点に近い構造部、固定側治具	高周波帯域で異常感度が高い	取り付け位置・反射面・校正の影響が大きい	高感度工具監視型
電流・電力	工具負荷、折損、主軸・送り軸駆動異常	主軸モータ電源ライン、サーボドライブ	非接触で低侵襲、安価、既設設備に使いやすい	高周波力変動に弱い	既存設備のスモールスタート
温度センサ・熱画像	主軸熱変位、軸受発熱、モータ過熱	主軸ハウジング、コラム、ベッド、モータ	熱変位や冷却異常との相関が高い	熱慣性が大きく、切削点直近は実装難度が高い	精度維持重視、熱誤差補償型
可聴音・マイク	異常音、加工条件逸脱	エンクロージャ外、保護ケース内固定点	非常に安価で導入容易	周囲騒音の影響が大きい	PoC、低予算、補助監視
画像・ビジョン	工具外観、加工状態、稼働状態	エンクロージャ外／内カメラ	直接観測が可能でレガシー機にも使いやすい	ミスト・遮蔽・照明・切削液の影響が大きい	レガシー機監視
CNC内蔵信号	主軸・送り軸負荷、軸同期、稼働履歴、アラーム	CNC／サーボ制御内、NCログ、PLC	追加センサ不要で開始しやすい	物理現象を直接見ていないため解釈に文脈が必要	ブラウンフィールド、全機横展開

振動センサ：主軸・工具系のダイナミクスを広く捉える

主軸ベアリングの摩耗・びびり・工具摩耗・表面粗さ悪化など幅広い異常を検知できます。主軸ハウジングや主軸前後ベアリング近傍に設置するのが基本で、比較的安価かつ設置しやすく、機械のダイナミクスの変化に敏感に反応します。一方で、構造体を伝播する際にノイズが混ざりやすく、切削に由来する振動と機械本体に由来する振動を分離するフィルタリング設計が必要です。後付けセンサ型や主軸診断型の導入に向いています。

AEセンサ：微細な工具異常を高感度で検知する

工具の摩耗・欠け・折損・切りくず生成・微小損傷に伴う高周波成分を捉えます。振動センサでは拾いにくい微細な変化を早期に感知できるため、工具監視の感度が高い選択肢です。ただし、設置位置と反射面の影響を強く受けるため、切削点にできるだけ近い構造部への設置と、校正の精度管理が重要になります。高感度の工具監視が必要な現場に向いています。

電流・電力：低侵襲に既存設備へ組み込める

主軸モータの電源ラインやサーボドライブから取得する電流・電力信号は、工具負荷・折損・送り軸の駆動異常を監視するのに有効です。非接触で低侵襲に取り付けられ、コストも低いため、既存設備へのスモールスタートに最も向いているセンサです。モータ系の慣性によるローパス特性があり、高周波の力変動の検知には弱い点が限界です。

温度センサ・熱画像：熱変位と冷却異常を捉える

主軸の熱変位・軸受の発熱・モータの過熱・冷却系の異常を検知します。熱変位や潤滑・冷却異常との相関が高く、精度維持が重要な加工現場や熱誤差補償用途に適しています。熱慣性が大きいため応答は遅く、切削点直近への設置は難易度が高いという特性があります。

可聴音・マイク：安価に補助監視を追加できる

工具の異常音や加工条件の逸脱を低コストで検知できます。エンクロージャ外や保護ケース内への設置だけで使用できるため、PoCや補助監視用途としての導入ハードルが低い選択肢です。工場内の周囲騒音の影響が大きく、再現性の高い計測条件を確保することが課題になります。

画像・ビジョン：直接観測でレガシー機にも対応できる

カメラを用いた工具外観の観察・加工状態のモニタリング・稼働状態の把握は、直接的な観測が可能なため客観性が高く、古い機種でも導入しやすい手法です。工具マガジン周辺や表示器前へのカメラ設置で、目視確認の自動化に活用できます。切削液・ミスト・遮蔽・照明条件の影響を強く受けるため、安定した撮影環境の確保が不可欠です。

CNC内蔵信号：追加センサ不要でブラウンフィールドから始める

追加センサを使わず、CNCやサーボ制御の内蔵信号だけで異常の前兆を捉える手法です。主軸・送り軸の負荷・軸同期・稼働履歴・アラーム情報などはNCログやPLCから取得でき、ブラウンフィールド導入の初手として最も有力な出発点です。物理現象を直接観測していないため、信号の変化が何を意味するかを加工文脈と合わせて解釈する必要があります。

設計の手順は「故障モード→伝播経路→設置制約→意思決定時間」

センサ選定の実務では、「故障モード→伝播経路→取り付け制約→必要な意思決定時間」の順で設計すると失敗しにくくなります。たとえば主軸ベアリング異常であれば、主軸ハウジング振動・主軸温度・主軸電流・ランアップ/ランダウン時の内蔵信号を組み合わせる構成が合理的です。ボールねじやリニアガイドには軸トルク・位置偏差・送り軸振動が有効で、工具折損にはAE・電流・振動を機械構造と加工材に合わせて選びます。切削力は研究では有効ですが、テーブルダイナモメータは高価で侵襲的なため、工場実装では主役になりにくいです。

データ収集と通信設計の基本

データは4つの層で整理する

工作機械の予知保全データは、波形データ・制御信号・イベントログ・文脈データの4層に整理できます。波形データには振動・AE（アコースティックエミッション）・電流・音・温度の連続信号が入り、制御信号には主軸速度・負荷・サーボトルク・位置偏差などが含まれます。イベントログにはアラーム・停止・保全実績・部品交換・NCプログラム名などが入り、文脈データには加工材・工具種・送り・回転数・切込み・段取り条件が入ります。

機械の異常は文脈依存性が強く、「どのジョブの・どの工具で・どの条件で起きたか」が波形データと同じくらい重要です。OPC UA for Machine Tools（OPC統一アーキテクチャの工作機械向け仕様）は、監視・ジョブ管理・ツールデータの双方向交換まで含めて情報をモデル化しており、この文脈付けに適しています。

通信プロトコルは用途に応じて使い分ける

既設設備を素早くつなぐにはMTConnect（製造設備向けの語彙とデータモデルを標準化したプロトコル）が有力です。設備間・上位系とのモデル整合性を重視するならOPC UA for Machine Tools、帯域制約や遠隔接続にはMQTT（軽量なPub/Sub方式の通信プロトコル）、産業用の状態管理まで含めるならスパークプラグ（Sparkplug：MQTTにデータ定義と状態管理を付加したIIoT向けプロトコル）が選択肢となります。Modbus TCP（産業用機器の通信に広く使われているシリアル通信規格のTCP/IP版）は補助センサや周辺機器の取り込みで依然有効です。

エッジとクラウドの役割を分ける

高周波振動やAEの一次処理・異常の即時判定・低遅延なアラート・制御盤近傍でのデータ同期はエッジに置くべきです。長期保管・機械群横断の比較・モデル再学習・MLOps（機械学習モデルの運用管理）・ダッシュボードはクラウドまたはオンプレ基盤に置くのが一般的です。

前処理で重要なのは、単なるノイズ除去よりも「比較可能性」を確保することです。DTW（動的時間伸縮法）によるサイクルセグメンテーション、無負荷の定常条件で実施するフィンガープリント運転（基準値取得）などを活用すると、プロセス変動を抑えた上で異常を検出できます。

機械学習モデルの選び方と評価指標

故障ラベルの量が手法選択を左右する

機械学習の手法選択は、「故障ラベルの量」と「運転条件のばらつき」でほぼ決まります。故障事例と正解ラベルが十分であれば監視学習が有効ですが、実際には故障データが希少なため、正常データ中心に学習する異常検知が現実的な選択になります。保全タイミングの最適化まで狙うなら、RULや劣化指標の予測が必要です。

目的	代表手法	強み	弱み	向く適用場面
故障分類・状態識別	ランダムフォレスト、XGBoost、SVM	少量データでも扱いやすく解釈しやすい	時系列依存や条件変動への追従に限界	初期導入、説明性重視、ラベルあり
異常検知	正常学習型、One-Class SVM、Autoencoder	故障ラベル不足に強い	閾値設定と誤報管理が難しい	故障事例が少ないブラウンフィールド
工具摩耗の時系列推定	LSTM、GRU、CNN-LSTM	劣化の時間依存を扱いやすい	学習・再学習コストが高い	工具寿命管理、ロット内時系列監視
時間周波数画像による識別	CNN、ResNet	波形の局所パターンを強く表現できる	前処理設計に依存しやすい	びびり・折損の高感度識別
RUL・劣化回帰	LSTM、CNN、Transformer	保全時期最適化に直結	教師データ整備と不確実性評価が難しい	主軸・ベアリングの寿命予測
ハイブリッド・デジタルツイン	物理モデル＋ML、仮想センサ	少データでも一般化しやすい	モデル構築に専門知識が必要	高精度加工、熱誤差、既設機の高度化

実務的な進め方は、まず既存のCNC信号と履歴データで異常検知のPoC（概念実証）を行います。前兆が十分に見えない場合に限って振動・温度・AEを追加し、さらに交換時期を最適化したい設備だけRULや劣化回帰へ進めるのが合理的です。

評価はオフライン精度と運用指標の両方で行う

評価指標は目的によって変えます。故障分類では適合率・再現率・F1・ROC-AUCを、工具摩耗回帰やRULではMAE（平均絶対誤差）・RMSE・R²を使います。異常データが少ない場合、高い精度は正常データに引きずられて簡単に出てしまうため、バランス精度や誤報・見逃しの内訳を確認しないと危険です。

現場で本当に見るべき評価は、「予測精度」だけでなく「何時間前に警報できたか」「誤報で何回止めたか」「保全が実際の停止回避につながったか」まで含む運用指標です。予知保全アラームは、保全計画・部品手配・作業指示・作業完了・再発防止までのワークフローに接続されて初めて価値を持ちます。

導入アーキテクチャと3段階の進め方

第1段階：既存CNC信号から始める低侵襲型

実装アーキテクチャは3段階で考えると整理しやすいです。第1段階は、既存CNC・PLC・監視ソフトの信号だけを使う低侵襲型です。主軸速度・主軸トルク・サーボトルク・位置偏差・アラーム履歴・加工時間・軸同期ずれなどは、追加ハードなしで取得できる場合が多く、ブラウンフィールド（既存設備環境）導入の初手として有力です。

第2段階：後付けセンサで重点設備を強化する

第2段階は、主軸・送り軸・工具系に後付けセンサを必要最小限追加する設備重点型です。電流・振動・温度センサを重要設備に絞って後付けすることで、第1段階では取りきれなかった物理現象を直接観測できます。

第3段階：CMMS連携・全社展開へ

第3段階は、複数機種・複数拠点をデータ基盤で統合し、CMMS（コンピュータ化保全管理システム）/EAM（設備資産管理システム）・在庫・保全計画・品質情報まで接続する全社型です。

現場主導で成功しやすい体制は、設備保全がオーナーとなり、製造技術が工程文脈を補い、OT/ITが接続と権限管理を担当し、OEMやデータサイエンス要員がモデルを支援する形です。モデル運用ではドリフト管理が不可欠です。加工条件・工具材質・工作物材質・段取り・主軸交換後の機械状態は必ず変わるため、フィンガープリント運転による基準化・条件別モデル・作業結果フィードバックを通じてモデルの鮮度を保ちます。

セキュリティ・標準規格への対応

OTセキュリティはITと優先順位が違う

予知保全の実装で見落とされやすいのが、OTセキュリティはITセキュリティと優先順位が異なるという点です。NIST SP 800-82 Rev.3は、OTでは性能・信頼性・安全要求を保ちながらセキュリティを実装すべきだと定めています。工場システムでのサイバー攻撃は安全確保・品質・納期・事業継続に直結するため、IoT化の進展とあわせて工場固有の対策が必要です。

読み取り専用・ゾーン分離が最低条件

OPC UAは暗号化・電子署名・証明書・認証・認可を備えています。MTConnectは読み出し専用のデータ取得を基本とし、制御への書き込み経路は厳格に分けるべきです。IEC 62443はIACS（産業用オートメーション・制御システム）全体の要求を定義しており、最小原則は「読み取り優先・書き込み最小・ゾーン分離・証明書管理・遠隔保守の統制」です。

規格の体系は、状態監視の一般論にISO 17359、データ処理仕様にISO 13374、工作機械情報モデルにOPC UA for Machine Tools、設備データ標準化にMTConnect、OTセキュリティにIEC 62443とNIST SP 800-82を配置すると整理しやすくなります。

加工不良の未然防止にはメトロールのエアマイクロセンサDPA2シリーズを活用

予知保全の取り組みと並行して見直したいのが、加工前の工程内品質保証です。治具とワークの間に切粉が挟まると、主軸や送り軸の状態が正常でも加工不良が発生してしまいます。この着座不良をμmレベルで確実に検知するのが、メトロールのエアマイクロセンサ DPA2-SR1/LR1シリーズです。

DPA2シリーズは、シリーズ最高の繰返し精度±0.2μm・分解能0.1μmを実現した空圧式デジタル着座スイッチです。従来のギャップスイッチでは検知が難しかった10μm以下の隙間も高精度に捉え、切粉によるワークの着座不良を確実に防止します。RS-232CによるPLCやパソコンへのデータ出力にも対応しており、着座ギャップの数値を履歴として記録することで、トレーサビリティ強化や予知保全のデータ収集にも役立てられます。IP68防水対応のため、切削液が飛び交う環境でも安定して使用できます。

詳細はこちら：エアマイクロセンサ DPA2-SR1/LR1シリーズ