保全×AIニュース｜2026年9月20日～9月27日（5本選定）

対象期間：2026年9月20日12時〜9月27日12時（日本時間）／2026年9月27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4件・論文1件）。

1. シャープと首都高技術、道路損傷のAI検知を10月から実証

9月24日／日本／実証計画の発表

シャープと首都高技術は、走行中のカメラ映像から落下物や舗装穴を検知し、管制所へ通知するシステムの実証計画を発表した。検知時の画像、時刻、位置をクラウドで共有し、巡回車両と遠隔の管理者が同じ情報を確認できるようにする。既存の巡回点検支援システム「インフラパトロール」の追加機能として開発中である。[1]

実証は首都高速道路で10〜11月に行う予定で、雨天などの条件での検知精度、発生位置の把握、管理者への通知を確認する。本格導入の目標は2028年度以降である。発表には検証段階で約80〜90％の検知精度とあるが、評価件数や指標の定義は詳しく示されておらず、雨天を含む実証結果はこれからとなる。[1]

保全実務への視点： 検知した画像だけでなく、場所と時刻を対応担当者へ渡す設計が参考になる。工場構内の巡回に応用を考える場合も、対象物の見え方に加えて、通知を受ける人、現地確認までの時間、誤検知の取り消し方法を評価項目にしたい。

2. 日立、電力設備の予兆検知を現場業務に定着させた事例を公開

9月24日／日本／既存システムの運用事例公開

日立は、東北電力ネットワークと共同で取り組んだ、引込線以下の設備不良を予測するシステムの運用事例を公開した。スマートメーターのイベント情報を分析し、予測結果に対して現場が確認した不良の有無や写真を戻すことで、予測と実際の状態を照合してきた。対応予定の案件を繰り返し通知しない仕組みや、対応状況の入力機能も整えたという。[2]

本格運用の開始は2024年4月であり、今週の新規稼働ではない。今回の記事では、設備不良ありと予測した対象のうち、実際に不良が確認された割合が92％と紹介している。これは全不良のうち何件を拾えたかを示す割合ではなく、記事ではカバー率向上の成果を今後実装する計画も説明している。[2]

保全実務への視点： 予兆検知を導入すると、停止後の対応に加え、まだ動いている設備を確認する仕事が生じる。警報の精度だけでなく、確認結果を分析側へ戻す手順と、対応中の案件を重ねて通知しない管理が、現場の負担を抑えるうえで重要になる。

3. Siemens MobilityとDLR、予知保全を含む鉄道研究で協定

9月24日／ドイツ／共同研究開発の枠組み合意

Siemens Mobilityとドイツ航空宇宙センター（DLR）は、InnoTrans 2026で共同研究開発の枠組み協定を結んだ。列車の自動運転、制御・信号システムによる輸送容量の改善に加え、予知保全も協力範囲に含める。研究機関の成果を実用的な製品・用途へつなぐ、長期的な協力の枠組みとしている。[3]

今回確認できるのは研究協力の合意であり、特定の故障診断製品の提供開始ではない。発表には、予知保全の対象部品、検証用データ、診断精度や実装時期の詳細は示されていない。個別成果の評価には、今後の実証発表を確認する必要がある。[3]

保全実務への視点： 鉄道のように運用を止めにくい設備では、診断技術と運行・制御側の条件を一緒に扱うことが重要である。技術動向として追う際は、どの部品をどの運転条件で評価したか、異常を検知してから保守作業へどう結び付けるかに注目したい。

4. QAD、製造現場と業務システムをつなぐAI構想を発表

9月22日／米国／先行披露・2027年春の市場投入予定

QAD | Redzoneは、製造データ、業務手順、AIを組み合わせる「Manufacturing Intelligence」を発表した。ERP、現場作業者向けのシステム、サプライチェーンなどを横断し、変化の把握から対応の実行までを支援する構想である。自社製品だけでなく、異なるベンダーの既存システムもつなぐ設計としている。[4]

9月21〜23日の同社イベントで先行披露し、市場投入は2027年春を予定している。今回の発表には、現場向けAI機能など別の新機能も含まれるが、Manufacturing Intelligence全体がすでに利用可能になったと解釈することはできない。保全現場での停止時間削減など、個別の効果を示す検証結果も今回の発表では確認できない。[4]

保全実務への視点： 設備の異常に対応するには、点検記録だけでなく、生産予定や部品在庫も必要になる。システムをまたぐAIを検討する際は、設備IDの対応、情報の更新頻度、提案を承認する担当者を先に整理すると、接続した後にどこまで業務を進められるかを判断しやすい。

5. 論文：少ない故障ラベルで振動を分類する小型モデルを検証

9月23日06時24分UTC初回投稿／米国／公開振動データによる比較評価

筆頭著者：Mainak Mallick／所属：Georgia Institute of Technology（ジョージア工科大学、論文原文の所属表記）

Mallickらは、異なる時間・周波数の細かさで捉えた振動情報を組み合わせる「DualRes」を提案した。故障状態を人が付けたデータが少ない状況を想定し、軸受の6データセットと主評価用の歯車箱データなどで比較している。同じ記録から切り出した似た波形が学習と評価の両方に混じらないよう、元の記録単位で分割した。arXivの掲載情報では査読済みの掲載先を確認できない。[5]

主評価の歯車箱データでは、各クラス約6秒分のラベル付き波形を使う条件で、比較対象中の次点に対しmacro-F1が16.1ポイント高かったと報告する。macro-F1は各クラスの分類性能を等しく重み付けする指標であり、あらゆる設備の正解率が同じ幅だけ上がるという意味ではない。公開された計測波形を使う比較で、工場への新規導入実証ではない。[5]

処理時間の比較はデスクトップGPU上で行っており、小型の現場端末での速度を直接示すものではない。連続監視への対応や、別の機械・独立に収集した運転条件への適用は今後の課題である。[5]

保全実務への視点： 少量データでの高精度を評価するときは、波形の切り出し数より、何台・何条件から集めた記録かを確認したい。同じ設備の似た波形を大量に増やしても、未経験の設備や負荷への対応力を確かめたことにはならない。

参考文献・出典

[1] シャープ、2026年9月24日。道路損傷自動検知システムの実証計画

[2] 日立、2026年9月24日。引込線以下設備不良予兆検知システムの運用事例

[3] Siemens、2026年9月24日。Siemens MobilityとDLRの共同研究協定

[4] QAD、2026年9月22日。Manufacturing Intelligenceの発表

[5] Mainak Mallick, Seung-Kyum Choi. “When Labels Are Scarce: An Oscillatory State Space Model for Vibration Diagnosis.” arXiv:2609.27411v1・投稿情報／論文原文・著者所属・評価条件