JR西日本が点検30%削減した予知保全システムの全体像と費用感

深夜0時15分。工場の保全担当者のスマホが鳴る。

コンプレッサーの電流異常アラート。現場に駆けつけると、モーターの軸受けがすでに熱を持っている。部品は取り寄せに3日かかる。月曜朝の出荷ラインは止まる。

「なんで事前に気づかなかったんだ」——

でも、これはあなたの責任じゃないんですよね。

月1回の定期点検はやっていた。チェックシートも埋めていた。問題は、「決まった間隔で見に行く」という保全方式が、その間に進む劣化を原理的に拾えないことにあります。何かがおかしくなっても、次の点検日まで誰も気づけない設計になっているんです。

この記事では、予知保全システムの仕組みから費用感、2026年現在の最新事例まで、一次情報ベースで整理します。上位記事では「3層構造」「Prescriptive Maintenanceへの進化」が書かれているけれど、「どの設備クラスにどの手法を当てるか」はほぼどこにも書かれていない。 その空白を埋めるのが、今日のゴールです。

---

「どの設備に何を当てるか」が書かれていない、その正体

先日、tomastc.comの記事を読んでいて唸ったんですよ。「予知保全の導入事例は業種と削減額が書かれている一方で、どの設備クラスにどの手法を当てたのかまでは明確にされていないことが多い」という指摘です。参考

これ、現場担当者が一番知りたい情報じゃないですか。

「コスト◯◯%削減！」より「回転設備90台には振動センサー、冷凍・冷蔵設備8台には温度センサー」という粒度で書かれた記事が、圧倒的に少ない。同記事では、ラヨン県の日系食品・飲料原料工場（回転設備90台・冷凍冷蔵設備8台・連続プロセス設備1系統）をモデルケースとして挙げていますが、この具体性こそが参考になるんです。参考

設備クラスによって「どこで劣化が起きるか」が違う。だから測るべき物理量も、選ぶセンサーも変わります。まずここを整理しておくと、3層構造の話がぐっと実感を持ちます。

---

予知保全を支える3層構造：センサーからAIまで

AI予知保全はIoTセンサー層・データ基盤層・AI/ML分析層の3層で動きます。参考

① IoTセンサー層

設備に取り付けて、振動・温度・電流・超音波のデータを連続収集する。取付だけなら工事不要の製品もあります。ただし「センサーを選ぶ」のではなく「設備クラスに合った物理量を決めてからセンサーを選ぶ」が正しい順序です。ここを逆にすると、後段がすべて崩れます。

② データ基盤層

収集したデータをリアルタイムに蓄積・整理する仕組みです。近年はメダリオンアーキテクチャ（ブロンズ→シルバー→ゴールドの3段階でデータを精製する設計）が製造業でも広がっています。導入コストと期間の大半がここに集中する。「センサーを取り付けたのに効果が出ない」という失敗談の多くは、データ基盤を後回しにしていることが原因です。

③ AI/ML分析層

蓄積データを学習し、異常検知・故障予測を行います。手法は主に3種類で、使い分けが重要です。

• 教師あり学習：過去の故障・正常データから学習。精度は高いが、データが必要
• 教師なし学習（異常検知）：正常パターンから逸脱を検知。新設備や故障データが少ない設備に向いている
• 時系列予測：センサー値の推移から将来値を予測。劣化の進行速度を見積もる

故障データが少ない新設備には教師なし学習から始めるのが、現実的な入口だと思っています。完璧なデータが揃うのを待っていたら、いつまでも動き出せません。

---

2026年の変化点：ロボットが巡回し、AIが修理指示を出す

導入前後の1日を比べてみる

Aさん（導入前）の1日

6:00　出勤。昨夜のログをざっと確認。特に異常なし。

8:30　第3ラインのポンプから異音。点検すると振動値が大きい。

10:00　部品を発注。ライン半休止を決断。月曜の出荷計画が白紙になる。

15:00　上司から「なぜ事前に報告がなかったか」と問われる。答えられない。

Bさん（導入後）の1日

（前日17:00）AIが「第3ラインポンプ、振動値が正常範囲を逸脱。7日以内の点検を推奨」とアラート。

6:00　出勤。アラート確認済みで、今日の保全スケジュールに組み込まれている。

8:30　計画通りポンプ点検。早期交換で突発停止ゼロ。ラインへの影響なし。

15:00　上司への報告：「先週のアラートを受けて今日の朝イチで対処済みです」。

JR西日本はこの仕組みを自動改札機に適用し、点検回数を約30%削減しています。参考

---

ロボット巡回が商用サービスになった

先日、コスモ石油が四足歩行ロボット「Spot」による自律型設備点検のPoC（概念実証）を開始したというニュースを読んで、正直声が出ました。参考 犬型ロボットが深夜の石油施設を歩き回って点検する——3年前には絵空事だった話が、実証実験の段階に入っている。

2026年7月、ロボット巡回点検・バルブ遠隔診断を含む予知保全の実装が民間サービスとして提供開始されました。参考 NTT西日本は「おまかせ点検ロボパック」を月額234,080円で提供開始しています。夜間・危険エリアの巡回を人ではなくロボットに任せる選択肢が、実務者の手の届く価格帯に入ってきました。参考

また、2026年はAgentic AIとPrescriptive Maintenance（処方的保全）への注目が高まり、関連技術や事例が出始めた段階です。参考 従来の予知保全が「あと2週間でベアリングが壊れる可能性が高い」と通知するだけなら、Prescriptive Maintenanceは「今週木曜の停止時間帯に交換し、部品番号XX-4421を2個発注してください」と処方箋まで出す。まだ事例が出始めた段階ですが、方向性として押さえておく価値があります。

---

費用感：月額数万円から8,000万円まで、何が変わるのか

費用の幅はとても大きいです。参考

見積もりの罠：この金額にセンサー設置工事費・データ基盤構築費・保守運用費が含まれるかどうかは、サービスによってまったく違います。

僕が匠座の記事生成パイプラインを組んだとき、同じ落とし穴にはまりました。「月額◯万円で動く」という数字にAPI利用料とインフラ費が含まれていなくて、実稼働後に費用が倍近くになった。予知保全の見積もりも全く同じ構造で罠が潜んでいます。最初の打ち合わせで「この金額に何が含まれて何が含まれないか」を確認することが、後の摩擦を防ぐ一番の手です。

---

コピペで使えるプロンプト2選

プロンプト① 設備クラス分類と手法マッピング

あなたは工場設備の保全エンジニアです。
以下の設備リストについて、予知保全の優先クラスをA/B/Cで評価してください。

【設備リスト】
[設備名・型番・稼働年数・月次停止損失額（万円）を列記]

【評価基準】
Aクラス：突発停止の損失が大きく、センサー取付が容易
Bクラス：停止影響は中程度、または工事が必要
Cクラス：影響小、または消耗品交換で十分

各設備について、クラス判定・判定理由・推奨センサー種別
（振動／温度／電流／超音波）を出力してください。

使いどころ：自社設備リストをExcelから貼り付けて、最初の投資優先順位を固める場面。

出力を検証する観点：「Aクラスが多すぎる」と感じたら、停止損失額の根拠を聞き返すこと。数字なしで分類すると全部Aになりがちです。

---

プロンプト② ROI試算

予知保全システムの費用対効果を試算してください。

【入力情報】
・対象設備台数：[台数]台
・現在の年間保全費用（部品費＋人件費合計）：[金額]万円
・年間の計画外停止回数：[回数]回
・1回の停止損失（生産損失＋復旧費の合計）：[金額]万円
・検討中のシステム月額費用（センサー・基盤・運用込みの総額）：[金額]万円

【出力形式】
・現状の年間損失合計
・導入後の想定削減額（保守的な見積もりで）
・初年度ROIと投資回収期間
・「最初に導入すべき設備クラス」の提言1行

使いどころ：経営層への提案資料を作る前に、数字の骨格を固める。

出力を検証する観点：「削減率30〜50%」の数字が出てきたら、JR西日本の30%削減参考と照らして過大見積もりを弾く。

---

正直な限界：失敗しやすいパターンと向かない会社

予知保全システムが万能かというと、そうじゃないです。率直に書きます。

うまくいかないケース

• 故障データが少ない新設備：教師あり学習には過去の故障パターンが必要です。稼働3年未満の設備は教師なし学習から入るか、業界標準モデルを当てることになります
• 個体差が大きい老朽設備：同型機でも劣化パターンが違いすぎて、共通モデルが精度を出しにくくなります
• データ基盤が未整備の状態でシステムだけ入れる：センサーを取り付けても「数字は出るけど何もわからない」状態になります。3層の②が最も重要なのに、最も後回しにされがちです

向かない会社

• 設備停止のダメージが小さく、消耗品の定期交換で十分対応できる
• センサーを取り付けられる設備が5台未満で費用対効果が合わない
• IT担当が社内におらず、導入後の運用を継続的に担える人がいない

ベンダー選定でよくある失敗

「他社で◯◯%削減できました」と言われたとき、「どの設備クラスで、センサーは何を使ったか」を必ず聞き返してください。 横河電機とENEOSマテリアルがCO2排出量を40%削減したのは参考、連続プロセス設備に対する適用です。回転設備主体の工場にそのまま当てはまる数字ではありません。

---

よくある質問に先に答えます

Q1. 中小企業でも始められますか？費用はどれくらい？

始められます。月額数万円のSaaSサービスが存在し、まず1台の設備から試すことが可能です。参考 ただし「月額数万円」にセンサー費・データ基盤費が含まれていない場合があるため、必ず総額で試算してください。

Q2. どのくらいのデータ量があれば動きますか？

教師あり学習の場合、過去の故障・正常データが数十件以上必要です。データが少ない場合は教師なし学習（正常パターンからの逸脱検知）から始めるのが現実的です。完璧なデータを待つより、まず動かしながら積み上げる方が早い。

Q3. 社内にエンジニアがいなくても使えますか？

マネージドサービス型であれば可能です。NTT西日本の「おまかせ点検ロボパック」（月額234,080円）は運用込みで提供されています。参考 自前でモデル構築するケースにはデータサイエンティストが必要になりますが、その場合はベンダーへの外部委託も選択肢です。

Q4. 導入から効果が出るまでどのくらいかかりますか？

センサー設置からデータ蓄積・モデル学習・本番稼働まで、データ基盤が整っていれば最短3〜6か月が目安です。ゼロから基盤整備をする場合は1年以上を見てください。ベンダーによってスコープ定義が大きく異なるため、「いつから予測が動き始めるか」を契約前に確認することが重要です。

Q5. 工場のデータをクラウドに上げて大丈夫ですか？

工場IoTデータをクラウドへ上げる際は、ネットワーク経路と保存先の確認が必要です。閉域網（プライベートネットワーク）で完結するオンプレ型と、クラウド型の両方があります。情報漏洩リスクと運用コストのトレードオフで選びますが、機密性の高い生産データを扱う場合はオンプレを優先して検討してください。

---

---

ここまで読んで「自社だけでやるには手が足りない」と感じた方は、『AI鬼管理｜Claude Code業務自動化トレーニング』（Claude Codeで日々の業務を自動化する実践トレーニング（無料の業務効率化診断あり））のような外部サービスという選択肢もあります。急ぎでなければ、まずは無料のチェックリストで足元を固めるのがおすすめです。

AI鬼管理｜Claude Code業務自動化トレーニング ↗

今日やること：30分でできる最初の3ステップ

ステップ1（10分）：設備リストを作る

自社の主要設備を10台でいいのでリストアップしてください。設備名・稼働年数・過去1年の停止回数・1回の損失額（概算でOK）を横に並べます。この10行が、次のステップのプロンプトの入力になります。

ステップ2（15分）：プロンプト①で優先順位をつける

このページのプロンプト①をコピーして、ステップ1のリストを貼り付けてClaudeや任意のLLMツールに投げてみてください。「Aクラス」と判定された設備が、最初に予知保全を当てるべき候補です。AIの判断はあくまで参考ですが、自分の直感と比較するだけでも整理になります。

ステップ3（5分）：ベンダーに1問だけ投げる

気になるサービスに問い合わせるとき、この1文を送ってみてください。

「提示いただいた費用に、センサー工事費・データ基盤構築費・運用サポートは含まれますか？含まれない場合、それぞれ別途いくらかかりますか？」

この質問への返答の速さと詳しさで、そのベンダーの誠実さが透けて見えます。答えが曖昧なら、次の候補に進んでいい。

---

編集長メモ：ヘリックス（執筆者について）

「3層構造の解説」で終わる記事は多い。この記事は「設備クラス別の手法選択」を軸に組み直しました。まず設備リストを10行書くことから動いてみてください。それだけで、会議の質が変わります。