CBM（状態基準保全）ガイド｜仕組み・AI活用・導入事例

CBM（状態基準保全／Condition Based Maintenance）とは、設備の状態をセンサーで常時監視し、劣化や異常の兆候が現れた段階で保全を実施する手法です。
時間で区切るTBMや、故障してから対応するBDMと異なり、過剰保全と突発停止の両方を同時に抑えられる点が最大の特徴です。

本記事では、2026年4月時点の最新情報をもとに、CBMの仕組み・計測技術・保全方式比較・メリット/課題・導入ステップ・事例・費用ROIまでを体系的に整理します。
あわせて、振動解析やエッジAI、AIエージェントによる業務フロー自動化といった次世代トレンドと、現場で詰まりやすい論点の見極め方まで一気通貫で解説します。

CBM（状態基準保全）とは？

CBM（Condition Based Maintenance／状態基準保全）とは、設備や部品の状態をセンサーや点検で継続的に監視し、劣化や異常の兆候が検出された段階で保全を実施する手法です。時間で区切る定期保全や、故障してから対応する事後保全と異なり、「実際の状態」に合わせて最適なタイミングで保全を行う点が特徴です。

この節では、CBMの定義、現場での位置づけ、2026年時点で注目されている背景を整理します。

CBMの定義と狙い

CBMは、設備から取得したデータ（振動・温度・電流・音響・油分析など）を分析し、「まだ壊れていないが、放置すれば壊れる」状態を早期に把握することを狙いとします。オムロンの解説ページでは、CBMを「設備の状態を根拠にメンテナンスの要否を判断する保全方式」と位置づけており、時間基準保全で生じる「壊れていない部品の交換」と、事後保全で生じる「突発停止による生産ロス」の両方を抑えられる点が最大の価値だとしています。

なぜ今CBMが注目されているのか

CBMの概念自体は古くから存在しましたが、近年一気に普及フェーズに入った背景には、3つの環境変化があります。

• IoTセンサーの低価格化
  振動センサーや温度センサーが数千円〜数万円レベルまで下がり、1台の設備に複数センサーを付けても投資回収が成立するようになりました。
  
  

• エッジAIとクラウド分析の成熟
  現場側で一次処理を行い、クラウドに学習済みモデルを持つ構成が一般化。大量データを低遅延で扱える基盤が整ったことで、異常予兆の検知が実用レベルに達しました。
  
  

• 熟練保全員の退職と人手不足
  経験に基づいていた「音が違う」「揺れが増えた」という判断を、センサーとAIで代替する必要性が高まっています。保全ノウハウのデジタル化という文脈でも、CBMは有力な受け皿です。
  
  

単に新しい技術だから注目されているのではなく、投資回収の前提条件が整ったこと、現場の構造的な人材課題が深まったことの2点がCBM普及を後押ししている、という理解が実態に近いです。

---

CBMの仕組みと計測技術

CBMは「計画 → 監視 → 判断 → 実施」の4段階で機能します。この節では、実際に現場で動かすときの流れと、中心となる計測技術を整理します。

CBMの4ステップ

CBMの一般的な運用サイクルは、次のような流れになります。各ステップで何を決め、どこでAI・IoTが関わるかを意識すると、後の導入検討がスムーズになります。

• 計画
  対象設備と監視指標（振動・温度など）、正常範囲・警告閾値、アラート発報時のアクションを定義する段階です。
  
  

• 監視
  センサーと通信基盤でデータを収集し、ダッシュボード・アラート・機械学習モデルに流します。
  
  

• 判断
  閾値超過やAIモデルの異常スコアをもとに、交換・点検・継続運用のどれかを判断します。
  
  

• 実施
  判断結果に応じて作業指示を発行し、実際の保全作業を行い、結果を再学習に回します。
  
  

4段階のうち、特にAI・IoT化で差が出るのは「監視」と「判断」です。逆に「計画」と「実施」は組織・業務フロー設計の世界で、ここを甘く設計したままセンサーだけ入れても、アラートが鳴るだけで誰も動かない運用に陥りやすい点は注意が必要です。

主な計測対象と用途

CBMの計測対象は設備の種類と故障モードで決まります。代表的な組み合わせを、現場でよく使われる順に整理すると次のとおりです。

計測対象	主な用途	代表的な適用設備
振動	軸受・歯車の摩耗、アンバランス検知	モーター、ポンプ、回転機械
温度	過熱、潤滑不足、絶縁劣化の検知	モーター、変圧器、冷凍機
電流・電圧	負荷変動、巻線異常の検知	電動機、インバータ
音響・超音波	リーク、異音、キャビテーション検知	配管、バルブ、圧縮機
油分析	摩耗粉、劣化成分、水分混入	油圧機器、ギアボックス、エンジン
画像	外観異常、計器読取、サーモ変化	生産ライン全般、電気盤

この表の6指標の中で、導入の初手として選ばれやすいのは振動です。Macnicaの解説でも、回転機械の劣化は最初に振動として現れるため、同じ設備予算をかけるなら振動センサーから入れるのが最も早く異常を捉えやすい、と整理されています。温度や電流は後段で組み合わせる補助指標として追加していくのが現実的な運用パターンです。

データ基盤とIoT・AIの役割

CBMを現場で回すには、センサー単体ではなく「センサー → 通信 → データ基盤 → 分析・通知 → 業務フロー」までを1本の流れにする必要があります。とくにAI活用の観点では、どのレイヤーで何を担わせるかを最初に決めておくとブレません。

• エッジ層
  センサー直近でノイズ除去・特徴量抽出・一次異常判定を行う。通信量削減とリアルタイム性に効く。
  
  

• ネットワーク層
  ワイヤレスメッシュやLPWAで現場から集約点まで運搬する。電源・配線の制約を受ける工場では特に設計が重要。
  
  

• クラウド／データ基盤層
  時系列データを蓄積し、AIモデルの学習・再学習、ダッシュボード表示、他システム連携の起点になる。
  
  

• 業務アプリ層
  保全管理システム（CMMS）や作業指示、購買、品質管理など、実際のアクションを発火する層。
  
  

AI総研の導入支援経験では、最初から全層を内製しようとすると人材・期間の両方でボトルネックになりやすい傾向があります。小規模に始めるなら、エッジAI付きセンサー統合モジュール（TDKは2024年のi3 CbM Solutionを経て、2026年時点では後継のedgeRXシリーズへ移行）のようなハード＋ソフト一体型から入り、データ基盤と業務アプリ側だけを自社要件で整備するのが詰まりにくい進め方です。

---

CBMとTBM・BDMの違い（保全方式の比較）

保全方式は大きくCBM・TBM・BDMの3つに整理されます。この節では、それぞれの定義と適用場面の違いを比較し、どれをどの設備に当てるかの判断軸を示します。

3方式の定義と特徴

まず3方式の基本的な考え方を比較表で整理します。実務では「全設備をCBMに切り替える」のではなく、設備の重要度と故障モードに応じて使い分けることになります。

方式	基準	典型的な運用	長所	短所
CBM（状態基準保全）	実際の状態	振動・温度等で監視し閾値超過時に保全	過剰保全を削減、突発停止も抑制	初期投資大、データ品質に依存
TBM（時間基準保全）	稼働時間・周期	3ヶ月ごとに交換、1年ごとにOH	計画が立てやすい、実装が単純	壊れていない部品も交換、過剰コスト
BDM（事後保全）	故障発生	壊れてから修理・交換	事前コスト最小	突発停止による損失が大きい

この比較から見えるのは、CBMは万能の上位互換ではなく、「突発停止の損失がセンサー投資を上回る設備」にフィットする方式だという点です。製造業関連メディアNikken→Tsunaguの整理でも、BDMは安価な汎用部品、TBMは消耗パターンが安定した部品、CBMは停止コストが高い主要設備、と使い分ける構図が現実的だと解説されています。

予防保全・予知保全との関係

CBMは「予防保全の1手法」であり、さらに深く異常の芽を予測する領域を「予知保全」と呼ぶことが多い、という関係も押さえておくと情報整理が楽になります。

• 予防保全の上位概念として、TBMとCBMがぶら下がる構造
• 予知保全は、CBMをベースにAIで故障時期を予測するより高度な領域
• BDMは予防保全ではなく事後保全として別枠

予知保全とCBMを同義で使っている記事もありますが、実務では「CBMは状態監視までで判断は人」「予知保全は状態データ＋AI予測まで含む」という線引きの方が混乱が少ないです。予知保全AIとは？仕組み・導入事例・ツール比較を解説もあわせて参照すると、両者の役割分担が見えやすくなります。

ケース別の使い分け

どの設備に何を当てるか、実務でよく使う判断軸を3つ示します。この判断を飛ばして一律CBM化すると、投資対効果が合わない設備にまでセンサーを付けてしまい、プロジェクトが座礁しやすい点は要注意です。

• 突発停止1回の損失が100万円を超える主要設備
  CBM第一候補。センサー投資とデータ基盤構築が十分回収できる。
  
  

• 消耗パターンが安定し故障モードが限定的
  TBM継続。CBM化しても情報量がほぼ増えない。
  
  

• 壊れても他設備でカバーでき、部品も安価
  BDMで割り切る。監視コストの方が高くつく。
  
  

全設備を対象に保全方式を棚卸しする「保全方式マトリクス」を最初に作ると、後段のCBM対象選定が一気にブレなくなります。

---

CBM導入のメリットと課題

CBMは正しく設計されれば大きな効果を生みますが、導入段階で詰まるポイントも明確です。この節では、メリットを整理しつつ、同時に対になる課題まで踏み込みます。

主なメリット

CBMの効果は「コスト削減」「稼働率向上」「人材依存の解消」の3方向に整理できます。単に故障を減らすだけでなく、保全業務全体の構造を変える点が本質です。

• 過剰保全の削減
  TBMで画一的に行っていた部品交換を、実際の劣化に応じた交換に置き換えることで、部品コストと作業工数の両方が縮む。
  
  

• 突発停止と生産ロスの回避
  主要設備の突発停止を事前に捉えられれば、数時間〜数日単位のライン停止とその逸失利益を防げる。
  
  

• 熟練保全員のノウハウ継承
  「音がおかしい」「温度が高い」という感覚的判断をデータ化し、経験年数が浅い保全員でも同じ判断ができる状態を作れる。
  
  

• 安全性・品質の向上
  設備異常に起因する事故・不良流出のリスクが低減し、ISO9001等の品質マネジメントとも親和性が高い。
  
  

メリットを語るときは「故障予知ができる」といった機能論で止めず、保全コスト・ダウンタイム損失・品質不良コストのどれがどの程度減るか、という事業KPIの言葉で整理すると経営層の投資判断に乗りやすくなります。

導入判断で詰まる論点

一方で、CBMは以下の4点で必ずと言っていいほど詰まります。事前に論点を認識しておけば、PoC段階で軌道修正が効きます。

• 初期投資の大きさ
  センサー、ゲートウェイ、通信、クラウド、分析ツール、導入支援を合算すると、小規模でも数百万円単位になる。ROI試算と対象設備の絞り込みが最重要。
  
  

• 異常データの不足
  故障が稀な設備ほど、AIモデルを学習させる異常データが集まらない。「教師なし異常検知」「物理モデルと組み合わせる」等の技術的な対処が必要。
  
  

• アラート疲れ
  閾値を厳しくすると誤報が増え、現場がアラートを無視するようになる。閾値のチューニングと、アラートから業務アクションまでをつなぐフロー設計が重要。
  
  

• 既存設備との統合
  古い制御機器や独自プロトコルが残っている現場では、データ取得自体にゲートウェイ開発コストがかかる。既存資産の棚卸しを初手で行う。
  
  

毎日30分以上、保全員が巡回で振動や温度を目視記録しているなら、それはCBMとセンサー化で置き換えやすい業務の典型です。最初のPoC対象として浮かべる設備として、巡回負荷の高い箇所から選ぶと社内説得もしやすくなります。

---

AI・IoTによるCBMの高度化（2026年の最新動向）

2026年時点のCBMは、従来の「閾値監視＋アラート」から大きく進化しています。この節では、押さえておきたい4つのトレンドを整理します。

振動・音響のAI解析

従来の振動CBMは「加速度の実効値が閾値を超えたらアラート」という単純な設計が主流でした。近年は、時系列波形そのものをディープラーニングで学習し、特定の故障モードに紐づく微細な変化を検出する方式が一般化しています。異音についても同様で、異音検知AIとは？に整理しているとおり、人の耳では気づけない周波数帯の変化を捉える事例が増えています。

エッジAIモジュールの普及

現場側で一次処理するエッジAIの重要性が高まっています。TDKが2024年に発表したi3 CbM Solutionは、振動・温度センサー、エッジAI、ワイヤレスメッシュを1モジュールに統合した先行例で、配線工事なしでCBMを始められる点が評価されました（i3 CbM Solutionは2025年11月に新規販売終了、現在はTDK公式で後継のEdgeRXシリーズへ移行）。同様のセンサー統合モジュールが各社から出ており、「まず小さく試す」段階のハードルが年々下がっています。

生成AI・VLMによる診断支援

2026年時点で注目されているのが、生成AIや視覚言語モデル（VLM）を使った診断支援です。センサーデータの時系列パターンを自然言語で要約し、過去事例との類似度から原因推定の候補を提示する、といった使い方が試されています。熟練保全員の頭の中にある「この振動パターンはたぶん軸受の外輪」といった暗黙知を、AIが補助輪として再現する方向性です。

AIエージェントによる保全業務の自動化

もっとも大きな変化は、異常検知で止まらず、保全業務のワークフロー全体をAIエージェントに任せる設計が現実的になってきた点です。具体的には、異常スコアの上昇を検知したAIエージェントが、CMMSに作業指示を起票し、担当者にTeamsで通知し、必要に応じて部品在庫を確認して発注までつなぐ、といった流れを自動化できます。CBMを単体システムではなく、製造業のAIエージェント活用の一部として位置づけると、保全業務全体の生産性にインパクトが出ます。

---

CBM導入の進め方と詰まりポイント

CBMは「いきなり全社展開」ではなく、段階的な導入が鉄則です。この節では、実務で推奨される4段階と、各段階で詰まりやすい点を整理します。

段階的導入の4ステップ

投資を分散させつつ効果検証をしながら進める、標準的な導入フェーズは次のとおりです。

• ① 対象設備の選定
  突発停止の損失コストが大きく、かつ故障モードが既知の設備1〜2台を選ぶ。いきなりライン全体は狙わない。
  
  

• ② PoC（概念実証）
  選定設備にセンサーを取り付け、3〜6ヶ月データを取得。閾値・AIモデルの精度を検証し、ROI試算を具体化する。
  
  

• ③ 段階的展開
  PoCで効果が出たら、同種設備・同じ工場内へ段階的に横展開。ここで業務フロー連携（CMMS・Teams通知・部品発注）の設計も行う。
  
  

• ④ 本格運用・継続改善
  全対象設備に展開後、AIモデルの再学習サイクル、閾値メンテナンス、熟練者ノウハウの組み込みを継続運用に乗せる。
  
  

この4段階のうち、失敗が多いのは③から④への移行です。PoCで技術的に成立しても、「誰がアラートに応答するか」「作業履歴をどこに残すか」を詰めずに展開すると、次第にアラートが形骸化していきます。製造業のAI PoCの進め方とあわせて、PoC段階から本番化を意識した設計を推奨します。

導入で詰まる論点

現場で繰り返し相談を受ける論点を4つ挙げます。いずれも技術課題ではなく、業務設計の課題である点が共通しています。

• どの設備から始めるか
  「一番故障が多い設備」を選びがちだが、正解は「故障は多くないが止まると影響が大きい設備」。頻度ではなく影響度で選ぶ。
  
  

• 誰がアラートを受けるか
  保全員個人のスマホにアラートを飛ばすと属人化する。CMMSやTeamsチャネルで組織として受ける設計が定着しやすい。
  
  

• AIモデルの精度を誰が評価するか
  現場任せだと「最近アラート減ったね」で終わる。保全企画・情シス・ベンダーの3者で月次レビューを入れる運用が有効。
  
  

• 既存TBMをどう段階的に減らすか
  TBMとCBMを併存させ、CBMデータが蓄積した部品から順にTBM周期を延長・廃止する。いきなりTBM廃止は事故リスク。
  
  

CBMは「導入して終わり」の製品ではなく、運用設計と組織の受け入れ体制まで整えて初めて成果が出る仕組みです。製造業のAI導入が失敗する理由とは？に整理した失敗パターンも、CBM文脈ではほぼそのまま当てはまります。

---

製造業におけるCBM導入事例

CBMの実事例は、センサー種別と業種の組み合わせで理解すると整理しやすくなります。この節では、公開情報から確認できる代表的な3事例を紹介します。

冷凍機の故障予知（前川製作所／YE DIGITAL）

AI Marketの事例紹介によれば、産業用冷凍機を手掛ける前川製作所は、YE DIGITALのIoTソリューションを使い、冷凍機の故障予知にCBMを導入しました。機械学習モデルで冷凍機の運転データから異常兆候を検出し、保守コストの削減と、計画的保守による製造ロス抑制を両立した事例として紹介されています。24時間稼働の設備における「突発停止損失の大きさ」がCBM投資回収を後押しした典型例です。

化学製品製造の異常予兆検知（花王／アズビル）

花王の工場では、アズビルのオンライン異常予兆検知システム「BiG EYES」を導入し、ケミカル製品の生産工程を常時監視しています。複数プロセス変数の相関からいつもと違う挙動を検知する方式で、人では気づけない微細なズレを拾える点が特徴です。化学プロセスのように故障モードが複雑な領域では、単純な閾値監視ではなくAI/統計モデルによる「普段と違う」検知が有効、という示唆が得られます。

廃水処理プラントのIoT遠隔監視（京葉興業）

京葉興業では、廃水処理プラントを対象にコネクシオのIoTソリューションを用いた実証実験を行い、遠隔での稼働状況の可視化と点検業務の標準化を進めています。突発停止に直結しやすい24時間稼働プラントで、まずは「見える化→遠隔把握→予兆保全」という段階設計を取った事例で、CBM的アプローチのPoC段階として参考になる構成です。

3事例に共通するのは、いずれも「止まると損失が大きい主要設備」に絞ってCBMを適用している点です。全設備への網羅的な導入ではなく、投資対効果が成立する対象を峻別するアプローチが現場では定着しています。

---

CBM導入の費用とROIの考え方

CBMの費用はハード・ソフト・導入支援の3領域に分解できます。この節では、費用構造とROI試算の考え方を整理します。

費用の内訳

CBM導入にかかる費用の代表的な構成は次のとおりです。金額幅はベンダーと規模で大きく変動するため、目安として捉えてください。

• ハードウェア（センサー／ゲートウェイ）
  1設備あたりセンサー2〜5個で、合計数万円〜数十万円。エッジAI統合モジュールは1個数万円〜。
  
  

• ネットワーク・データ基盤
  工場内Wi-Fi／LPWA整備、クラウドサービス利用料で、初期数百万円＋運用月額数万〜数十万円。
  
  

• 分析ソフト／AIモデル
  SaaS型CBMサービスは月額数万円〜、カスタムAI開発は数百万〜数千万円。
  
  

• 導入支援／PoC費用
  ベンダーによる要件定義・PoC実施で、数百万円規模が一般的。
  
  

• 現場運用の内部コスト
  保全企画・情シス・現場担当の工数で、外注費と同等かそれ以上になる場合もある。
  
  

SaaS型・サブスクリプション型のCBMサービスが2026年時点で増えており、初期費用を抑えて月額で始められるプランも各社が提供しています。料金は2026年4月時点の公開情報ベースで、具体額はサービス・構成により変動するため、ベンダーからの見積もりで最終確認する前提です。

ROI試算の考え方

CBMのROIは、効果側を「過剰保全コストの削減」と「突発停止損失の回避」の2軸で積み上げるのが実務的です。Deloitteの予知保全ポジションペーパーでも、保全コスト削減・設備稼働率向上・在庫削減など、複数レンジでの効果が示されています。具体数値は設備・業種・導入スコープで大きく振れるため、自社設備での試算が前提です。

• 過剰保全コスト削減
  （TBM周期での部品交換点数 × 単価 × 延長率）で試算
  
  

• 突発停止損失の回避
  （1回あたり損失額 × 年間発生件数 × 削減率）で試算
  
  

• 保全工数削減
  （巡回点検時間 × 単価 × 自動化率）で試算
  
  

• 品質損失の削減
  設備異常起因の不良率 × 売上影響、で試算
  
  

試算で重要なのは、削減効果を「楽観値・中央値・悲観値」の3シナリオで置くことです。単一シナリオだけで意思決定にかけると、PoC段階で現実値とのギャップが出た際にプロジェクトが停止しやすくなります。

ケース別の投資規模の目安

投資規模は「何をどこまで自動化したいか」で大きく変わります。実務でよく見る3パターンを整理します。

• スモールスタート（PoC段階）
  1設備にセンサー2〜3個＋SaaS分析。総額数十万〜数百万円。3〜6ヶ月で効果検証。
  
  

• ライン単位の展開
  10〜30設備＋データ基盤＋CMMS連携。総額1,000万〜数千万円。1〜2年で全ライン展開。
  
  

• 全社基盤化（AIエージェント連携含む）
  複数工場＋業務フロー自動化＋AIエージェント連携。総額数千万〜数億円。2〜3年で全社展開。
  
  

最初から全社基盤を狙うと意思決定が長期化します。スモールスタートで数値を作り、その数値を根拠に次段階の投資承認を取る、という段階設計が現場では最も通りやすい進め方です。

---

CBM活用を設備保全の自動化までつなぐなら

CBMは「設備の異常を早く捉える」ところで止めず、そこから先の保全業務フローまで自動化して初めて本来の価値が出ます。異常アラートだけが現場に届き、作業指示・部品発注・報告がすべて手作業のままだと、CBMで得た数秒の先回りが、業務側で数時間・数日単位の遅延に吸われてしまいます。

AI Agent Hubは、Teams・SAP等の既存システムと連携し、バックオフィス業務をAIエージェントで自動化するエンタープライズAI基盤です。要件に応じたカスタマイズに対応しているため、「監視はできているのに業務側がつながらない」という現場の停滞にも、自社フローに合わせて踏み込めます。

• 既存システム連携を前提に構築
  Teams・SAP等の既存システムと連携するエンタープライズAI基盤として、現場の業務フローに合わせた接続設計・構築を要件ベースで進められます。
  
  
• データは100%自社テナント内で完結
  企業テナント内で動作する設計のため、社外に出せない業務データも自社資産として保持したままAIエージェントを運用できます。
  
  
• 戦略策定から開発・運用まで伴走支援
  構想フェーズから本番運用まで、AI総合研究所の専任チームが一貫して伴走。単発のPoCで止まらないAIエージェント運用基盤を整備できます。

AI総合研究所の専任チームが、AIエージェントの導入構想から開発・運用まで伴走支援します。まずは無料の資料で、AI Agent Hubの全体像をご確認ください。

---

まとめ

本記事では、CBM（状態基準保全）の仕組み・保全方式比較・メリット/課題・AI活用・導入ステップ・事例・費用ROIまでを体系的に整理しました。要点をあらためて振り返ります。

• CBMは「設備の状態に応じて保全する」方式で、TBM・BDMと使い分けるのが実務の基本
• 振動・温度・電流の3指標から始めるスモールスタートが、投資対効果を作りやすいルート
• 2026年時点の最新トレンドは、エッジAIモジュールと生成AI診断、そしてAIエージェントによる業務フロー自動化
• 導入は対象設備の選定 → PoC → 段階展開 → 本格運用の4段階で、技術課題より業務設計課題で詰まることが多い
• ROIは「過剰保全削減」と「突発停止回避」の2軸で試算し、楽観/中央/悲観の3シナリオで意思決定する

CBMを検討している読者の多くは、「どこから手を付ければよいかが見えない」という状態にあります。最初に決めるべきは技術選定ではなく、対象設備1〜2台とKPIです。巡回点検に毎日30分以上かけている主要設備が社内にあるなら、まずそこから振動センサー2個とSaaS分析の最小構成でPoCを始めてみるのが、最短で数値を作れる進め方です。その数値を根拠に、次の投資判断と業務フロー自動化まで広げていく順序で進めてください。