保全×AIニュース｜2026年9月13日～9月20日（6本選定）

対象期間：2026年9月13日12時〜9月20日12時（日本時間）／2026年9月20日作成

調査対象：国内外の設備保全・産業AIに関する企業・公的機関の発表と研究論文（ニュース5件・論文1件）。

1. 日立、熟練者の3D操作ログを使った保守・点検の知見継承を検証

9月17日／日本／研究開発発表・模擬作業での検証

日立は、設備を三次元で再現したデジタルツイン上で、熟練者が行った確認操作を記録し、経験の浅い作業者へ提示する手法を開発した。記録するのは、設備を見る視点、部品の表示・非表示、参照した文書などである。作業者が困りごとを選ぶと、関連する文書と3D画面を示し、熟練者が確認した場面を再現する。[1]

鉄道車両の保守・点検の一部を模擬した比較では、知見を提示しない場合に比べ、非熟練者が必要な情報へ到達する時間の中央値が60％短縮されたという。保守作業全体の時間や実際の故障復旧時間を60％減らした結果ではない。蓄積した知見とAIエージェントの組み合わせは今後の展開としている。[1]

保全実務への視点： 手順書の文章だけでは伝えにくい「どの向きから、何を確認するか」を残す方法として参考になる。導入を検討する際は、3Dモデルの更新負担と、操作ログに残らない判断理由を補う方法も確認したい。

2. RTX、航空機エンジン点検のAI活用事例を公開

9月18日／米国／既存技術の活用状況・試行結果の紹介

RTXは、航空機整備でのAI活用を紹介した。傘下のPratt & Whitneyでは、エンジン内部を小型カメラで調べるボアスコープ点検にAIを使い、羽根の数の確認や再点検すべき箇所の抽出、報告書の作成を支援する。V2500エンジンで使われ、GTFとF135でも試行を終えたとしている。最終的な判断は点検担当者が行う。[2]

同社によれば、報告書作成を含む点検全体の時間を30％超削減したという。ただし、記事には評価件数や比較条件の詳細が示されていない。今週の公表は活用状況の紹介であり、技術の新規発売や全エンジンへの展開完了を示すものではない。[2]

保全実務への視点： 点検画像から候補を示し、人が判断して記録を残す役割分担が参考になる。現場で評価する際は、見落としだけでなく過剰な指摘の件数と、報告書を含む作業全体の時間を確認したい。

3. 東京建物、4棟を横断するビル保全拠点の実証運用を開始

9月16日／日本／実証運用開始

東京建物と東京不動産管理は、東京・日本橋に「BASE YNK」を開設し、複数の建物をチームで管理する実証運用を始めた。開始時の対象は八重洲・日本橋・京橋エリアの4物件である。各棟の設備情報、警報、点検記録、対応履歴を拠点へ集め、状況把握とトラブルの初動対応に使う。[3]

ダッシュボードでの情報集約に加え、設備の位置と履歴を結び付ける3Dビューアや、過去の対応方法・類似事例を探す「ナレッジAI」を整備する計画である。建物管理クラウドも活用し、日常の記録や検針値の確認を支援する。発表は管理体制の実証開始を示すもので、省人化や故障削減の効果が確定した段階ではない。[3]

保全実務への視点： 遠隔監視だけでなく、警報を受けた後に誰が調べ、誰が現地へ向かうかを一体で設計する事例である。工場内の複数棟や離れた拠点でも、設備番号と過去の対応を共通の記録で追えるようにする考え方が参考になる。

4. Treon、設備データから対応を提案する保全AIを先行提供

9月15日／米国発表／既存顧客向けの早期アクセス

Treonは、保全プラットフォーム「Treon Connect」に組み込む「Treon IQ」を発表した。設備の現在・過去のデータに、保全管理システム（CMMS）や基幹業務システム（ERP）の情報を組み合わせ、問題の診断、原因の説明、対応の提案につなげる構成としている。[4]

保全管理者向けには、設備の状況、発生中の問題、優先すべき対応をまとめて提示する。早期アクセス版の対象はTreon MakeとTreon Flowの顧客であり、追加機能は順次提供するとしている。診断や提案の効果は企業側の説明で、今回の発表には全設備に共通する診断精度や停止時間の削減実績は示されていない。[4]

保全実務への視点： アラームを増やすだけでなく、点検・修理の優先順位を決める情報へ変換する方向性に注目したい。提案の根拠となるセンサー記録や整備履歴へ戻れるか、設備停止を伴う判断を誰が承認するかが、現場での評価点になる。

5. Trane、建物データ分析と保全履歴管理をクラウドで連携

9月17日／米国／AI・デジタル製品群の発表

空調設備を手掛けるTraneは、建物向けのAI・デジタル製品群を発表した。「Trane Cloud Analytics」は、接続された設備・システムのデータからエネルギー、快適性、信頼性に関する優先課題を提示する。「Maintenance Manager」は、作業指示、設備台帳、保全履歴、文書をTrane Cloudに集約する。[5]

発表では、分析結果とサービス業務、設備の履歴をつなぎ、修理・交換や設備投資の判断を支える構成を示した。接続機器や制御の新製品も含むが、本稿では保全業務に直接関係する分析と記録管理に絞った。米国の公式発表であり、日本での提供条件や個別設備への接続可否は、この発表だけでは確認できない。[5]

保全実務への視点： 異常の発見後に、作業指示の発行と処置履歴の記録までつながるかが重要である。既存台帳との設備IDの対応や、委託先を含む更新担当を整理すると、分析用画面と実際の保全記録が分かれたままになることを防ぎやすい。

6. 論文：水中ロボットの推進器故障をモデルと機械学習で切り分け

9月13日14時25分UTC（日本時間23時25分）初回投稿／UAE／実機・水槽実験

筆頭著者：Fotis Panetsos／所属：ニューヨーク大学アブダビ校、AI・ロボティクスセンターおよび工学部門の電気工学プログラム（論文1ページの表記）

Panetsosらは、水中ロボットの推進器について、動力学モデルだけでは説明しきれない動きを機械学習で補い、故障の発生箇所と程度を推定する手法を提案した。過去の観測から状態を推定する移動ホライズン推定と、ガウス過程による学習、統計的な検定を組み合わせる。arXivにはIROS 2026への採択済みと記載されている。[6]

検証は実験室の水槽で実機を用い、水平推進器の完全停止や部分的な能力低下を与えて行った。人が操作する場合と、決められた軌道を追う自動制御の場合を評価している。同時に複数の故障が起きる場合、大きな環境外乱への対応、診断結果を使った耐故障制御との統合は今後の課題である。[6]

保全実務への視点： 点検用ロボット自体の故障を監視する研究である。運転条件による変動を故障と取り違えない設計は他の設備診断にも通じるが、水槽での結果を海中や工場設備の診断性能にそのまま当てはめることはできない。

参考文献・出典

[1] 日立製作所、2026年9月17日。3Dデジタルツインを用いた知見継承手法の発表

[2] RTX、2026年9月18日。航空機整備でのAI・データ活用事例

[3] 東京建物、2026年9月16日。BASE YNKの実証運用開始

[4] Treon、2026年9月15日。Treon IQの発表

[5] Trane、2026年9月17日。建物向けAI・デジタル製品群の発表

[6] Fotis Panetsos, Kostas J. Kyriakopoulos. “Fault Diagnosis for Underwater Vehicles using Moving Horizon Estimation and Gaussian Processes.” arXiv:2609.14539v1・投稿日時と採択情報／論文本文