保全×AIニュース｜2026年10月25日～11月1日（4本選定）

対象期間：2026年10月25日12時〜11月1日12時（日本時間）／2026年11月1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3件・論文1件）。

1. 東京メトロ、夜間保守車両にAI運転支援を導入へ

発表日：2026年10月27日／地域：日本／段階：導入計画

東京メトロは、夜間の線路保守に使う車両へ、カメラとAI画像認識を組み合わせた「ポイントAI」を導入すると発表した。車両のおおよそ前方50mを撮影し、線路の進路を切り替える転てつ機が進行方向に開通していない場合や、障害物に接近した場合に、画面と音で運転者へ知らせる。[1]

装置は持ち運びができ、全117台の作業用車両の間で共用する想定である。117台すべてへの常設を意味する数字ではない。2026年度中に発注し、2027年度末までに運用を始める予定であり、現時点の発表は導入後の事故削減実績を示すものではない。人による確認を補う仕組みとして説明されている。

保全実務への視点： 夜間作業を支えるAIでは、検知後に誰が何をするかまで手順に組み込む必要がある。例えば、警告が出た際の停止・確認・再開の判断を、既存の運転手順にどう接続するかが検討点になる。共用する装置なら、車両を替えるたびにカメラの取り付け位置、視野、警告音の聞こえ方を確認する工程も必要であろう。導入評価では検出件数だけでなく、見逃しや不要な警告、確認作業の負担を分けて記録したい。

2. リコー、AIで補完した3Dモデルを建物保全に導入

発表日：2026年10月26日／地域：日本／段階：導入・運用開始の発表

リコーとリコージャパンは、360度カメラの映像から3Dモデルを作る技術を、東京電力パワーグリッドの建物保全業務に導入したと発表した。カメラの位置推定と空間構造を補完するAIを組み合わせ、白い壁や床など、画像の特徴が少ない場所で生じるモデルの欠損を抑える。[2]

同社発表では、撮影データをアップロードしてから半日程度でモデルを生成できるとしている。これは現場の撮影・準備を含めた業務全体の所要時間ではない。対象企業では2026年6月から主に事務所用途の建物で実証を進めており、今回はその生成工程に技術を導入したものだ。建物名、階数、部屋名を空間データに結び付け、現地へ行く前の状況確認や関係者間の情報共有に使う。

保全実務への視点： 遠隔で空間を確認できれば、作業前の打ち合わせに使いやすい。一方、AIが補った形状を、撮影によって直接確認できた形状と同じ確かさで扱うことは避けたい。配管の干渉や取り付け寸法を判断する場面では、必要な精度に応じて現物・図面との照合が必要である。撮影日、改修日、設備IDを合わせて管理すれば、「画面上では古い配置のまま」という行き違いも見つけやすくなる。データの結び付け方は、設備保全データの構造化とスキーマ設計でも解説している。

3. ANYbotics、防爆環境向け点検ロボットの出荷を開始

発表日：2026年10月27日／地域：スイス／段階：顧客向け出荷開始

ANYboticsは、爆発性雰囲気での点検を想定した脚式ロボット「ANYmal X」の顧客向け出荷開始を発表した。石油・ガス・化学の現場を対象とし、2023年からの先行利用プログラムで得た現場のフィードバックを製品に反映したとしている。[3]

温度、画像、音響、ガスのセンサーで巡回時の情報を取得し、設備に対応付けて記録する。運用基盤「Shift」は巡回計画や結果を管理し、APIを介して既存の保全・設備管理システムと情報をやり取りする。異常の通知を、担当者が普段使う業務システムへ渡すことも狙いに含まれる。発表内にある月間点検件数は同社の点検システム全体の説明であるため、新発売のANYmal X単独の稼働実績としては扱わない。

保全実務への視点： ロボットを導入する際は、巡回できることに加えて、結果が作業につながるかを確認したい。設備番号の対応、通知の受付担当、再点検の要否、作業指示を閉じる条件まで決めておけば、異常通知だけが蓄積する状態を避けやすい。導入候補の場所については、その場所の環境条件に機体の仕様が適合するか、停止した際にどう回収するかも確認事項になる。点検結果と作業履歴の管理を整える手順は、CMMSの導入ガイドを参照されたい。

4. LEAP、信号の一部を隠して予測する異常検知を提案

初回投稿日：2026年10月26日（UTC）／地域：スペイン／段階：arXivプレプリント。査読済み掲載先は確認できない

筆頭著者はCristhian Moya-Mota。論文掲載時の所属は、スペイン・グラナダ大学のDepartment of Computer Science and Artificial Intelligence、および同大学のAndalusian Institute of Data Science and Computational Intelligence（DaSCI）である。原文PDFの著者欄と所属番号を照合した。[4]

LEAPは、時系列信号の一部分を隠し、残りの時間帯やほかの信号から予測する異常検知手法である。入力をそのまま再現する学習では異常まで再現してしまう場合があるため、隠した箇所の予測誤差に加え、学習した特徴からの外れ方などを判定に使う。

検証は公開時系列データによるオフライン評価である。調整用と分離した多変量180系列、単変量350系列を評価し、多変量ではVUS-PRが0.5179±0.0022となった。3つの乱数シードによる結果で、これは異常検知の評価指標であり、「設備故障の検出率51.79%」という意味ではない。各系列の異常を含まない先頭区間で学習する条件があり、異常区間が混じったまま使えることを示したものでもない。

実稼働工場で新たに点検を実施した結果や、停止時間の削減実績を報告する研究ではない。論文では軽量な比較手法より計算時間が大きくなる点や、異常終了後も一部のスコアが高止まりする例も示されている。

保全実務への視点： 自社の振動・温度などに試す場合は、まず正常と確認できる学習区間を確保したい。次に、停止・起動・負荷変更を故障と取り違えないか、異常が解消した後に警報が戻るかを確認する。平均的な評価指標に加え、現場が対応できる警報頻度と計算時間を確認することが、運用可否の判断につながる。

参考文献・出典

[1] 東京メトロ（2026年10月27日）。夜間の線路保守作業用車両に、運転者支援システム「ポイントAI」を導入

[2] リコー・リコージャパン（2026年10月26日）。360度カメラ映像から3Dモデルを生成する技術を東京電力パワーグリッドに導入

[3] ANYbotics（2026年10月27日）。ANYbotics Starts Customer Deliveries of ANYmal X

[4] Moya-Mota, C. ほか（初回投稿：2026年10月26日10:44:28 UTC）。LEAP: a Latent Embedding Anomaly Patch-Transformer for time-series anomaly detection／原文PDF v1（著者・所属）／原文HTML v1（実験条件・結果）