この記事のポイント
振動解析AIは回転機械の軸受・ギア・アンバランスの異常兆候を早期に検知できる主要手段- Amazon Monitronは2024-10-31で新規受付停止、代替はAWS推奨パートナー（Factory AI・Tactical Edge・IndustrAI）が筆頭
- センサーはMEMS加速度型がIoT用途の第一候補、低ノイズ領域はピエゾ型を併用
- ISO 20816の4評価ゾーンを閾値設計の初期基準に使うとAI学習前の誤検知を抑制可能
- PoCは単一ライン×1設備タイプから3〜6か月で段階導入するのが実務的な進め方
Microsoft MVP・AIパートナー。LinkX Japan株式会社 代表取締役。東京工業大学大学院にて自然言語処理・金融工学を研究。NHK放送技術研究所でAI・ブロックチェーンの研究開発に従事し、国際学会・ジャーナルでの発表多数。経営情報学会 優秀賞受賞。シンガポールでWeb3企業を創業後、現在は企業向けAI導入・DX推進を支援。
振動解析AIとは、加速度センサーやMEMSセンサーで取得した振動波形データをAIモデルが解析し、回転機械の異常兆候を早期に検知する技術です。
従来は熟練保全員の聴打診や定期巡回に頼っていた劣化判定を、常時監視＋自動アラートに置き換えられる点が実務上の大きな変化です。
本記事では、2026年4月時点の最新情報をもとに、振動解析AIの仕組み・センサー選定・ISO 20816の評価基準・主要サービス・導入事例・料金相場・PoCステップを体系的に整理します。
あわせて、2024年10月末に新規受付を終了したAmazon Monitron後の代替選定、国内パナソニックのAI設備診断サービスまで、製造業の保全現場で押さえるべき論点を一気通貫で解説します。
目次
AWSが推奨する代替（Factory AI / Tactical Edge / IndustrAI）
Microsoft系（既存Azure資産がある場合の選択肢）
国内メーカー系（パナソニック インダストリー「AI設備診断サービス」）
Phase 2: センサー設置とベースライン取得（1〜2か月目）
Phase 3: 閾値チューニングと運用ルール定義（3〜4か月目）
振動解析AIとは？基礎と仕組み
振動解析AIとは、回転機械や往復運動する設備に取り付けた振動センサーから得られる波形データを、機械学習モデルが解析して異常兆候を検知する技術です。従来は熟練保全員の経験と定期巡回で担っていた劣化判定を、データとAIに基づく常時監視へ置き換える点に最大の特徴があります。
具体的には、加速度・速度・変位といった物理量をセンサーで時系列に取得し、FFT（高速フーリエ変換）や包絡線解析で周波数領域に変換したうえで、正常時のパターンからの逸脱をAIが学習・判定する流れになります。
振動データの時間領域と周波数領域
振動解析AIは、時間領域と周波数領域の両方を組み合わせて判定する点に技術的な肝があります。時間領域では振動の大きさ（RMS値、Peak値）や波形の揺らぎを捉え、周波数領域では回転数の整数倍（1X、2X成分）や軸受内部の異常周波数（BPFO/BPFI/BSF/FTF）を捉えます。
軸受内部の異常周波数は、転動体・内輪・外輪・保持器それぞれで計算式が異なるため、周波数領域への変換ができると「どの部位に異常が出ているか」まで踏み込んだ推定が可能になります。時間領域だけの監視ではここまでの粒度が出ないため、多くの商用AIサービスはFFT・包絡線解析とセットで提供されます。
振動解析とAIを組み合わせる意義
振動解析そのものは数十年前から存在する技術ですが、AIとの組み合わせで「人の経験に依存しない異常判定」と「大量設備の同時監視」が可能になりました。従来手法の中心であった巡回点検は、点検者のスキル・担当設備数・巡回頻度で品質がばらつきがちでしたが、AI化によりこのばらつきを大幅に縮小できます。
振動解析AIが予知保全に使われる理由
振動解析AIが予知保全の中核に据えられるのは、回転機械の劣化が振動という形で早期に現れやすいためです。温度上昇や電流異常が現れるよりも先に、微細な振動変化として劣化の兆候が観測できるケースが多く、保全計画の前倒しに直結します。
予知保全AIとは？仕組み・導入事例・ツール比較を解説 で整理しているとおり、予知保全の本丸は「故障する前に計画的に修理する」ことです。振動解析はそのなかでも取得しやすく扱いやすいデータ源として、センサー導入の第一歩として選ばれる傾向があります。
従来手法（TBM・定期巡回）との違い
予知保全との対比で整理すると、保全方式の違いは次の表のとおりです。この比較を頭に置くと、振動解析AIが「どの穴を埋める技術なのか」が見えやすくなります。
| 保全方式 | 判断根拠 | 強み | 弱み |
|---|---|---|---|
| 事後保全（BM） | 故障後に対応 | 初期投資ゼロ | 生産停止リスク最大 |
| 時間基準保全（TBM） | 経過時間で一律交換 | 計画が立てやすい | 健全品まで交換する無駄が出る |
| 定期巡回＋聴打診 | 保全員の感覚 | 追加設備が少ない | 属人的でばらつきが大きい |
| 振動解析AI（CBM/PdM） | 常時センサー＋AI判定 | 兆候段階で発見可能 | センサー投資と運用設計が必要 |
この比較から分かるのは、振動解析AIは「初期投資は増えるが、生産停止リスクと過剰保全の両方を同時に減らせる」位置づけだという点です。TBMを敷いている工場が1歩踏み込む先として選ばれることが多い理由もここにあります。
2026年の「予測から予防へ」トレンド
もう一つ押さえておきたいのが、振動解析だけに依存しない多変量監視の流れです。IoT Business News (2026-01-26) は「振動が出た時点で劣化はすでに進んでいる」という論点を提示し、電流波形・超音波・油分析などの前段指標との組み合わせを推奨しています。
振動解析AIを入口としつつ、回転数・温度・電流などの多変量データをまとめてAIが判定する構成に広げるのが、2026年時点の実務的なゴールです。
振動センサーの種類と選定基準
振動解析AIの出力精度は、入口となるセンサー選定でおおむね決まります。AIモデル側の工夫より、センサー種類と設置位置の方が影響が大きい局面が多いため、ここをまず固めるのが実務の鉄則です。
加速度・速度・変位の違い
振動センサーは測定対象の物理量でまず分かれます。3種類の使い分けを整理したのが次の表です。
| 種類 | 測定対象 | 得意な周波数帯 | 主な用途 |
|---|---|---|---|
| 加速度センサー | 加速度（G） | 中〜高周波（10Hz〜数十kHz） | 軸受・ギア・モータ全般 |
| 速度センサー | 速度（mm/s） | 中周波（10〜1,000Hz） | 回転機械の総合判定 |
| 変位センサー | 変位（μm） | 低周波（〜数百Hz） | 大型軸（タービン・圧縮機）の軸振動 |
この表から分かるとおり、一般的な回転機械の予知保全では加速度センサーが第一候補となり、大型軸の軸振動監視では変位センサーが選ばれます。速度センサーはISO 20816-1 の評価指標（mm/s）と直結するため、規格準拠の監視計画を作る場合に有利です。
MEMS加速度センサーとピエゾ式の使い分け
加速度センサー内部の方式は、MEMS（微小電気機械システム）とピエゾ（圧電）に大別されます。この選定が投資額とカバー範囲を大きく左右します。
- MEMS加速度センサー
価格がピエゾ式の1/3以下の帯域で流通し、IoT用途の主流となっています。低〜中周波の軸受・モータ診断、スクリーニング用途には十分な性能です。
- ピエゾ式加速度センサー
低ノイズ・広帯域が特長で、数kHz以上の高周波成分を捉える必要がある精密診断（ギアのマイクロクラックなど）では依然として第一候補です。ただし単価はMEMSより1桁高くなる傾向があります。
MEMSの低コスト化により「まずMEMSで広く面展開し、精密診断が要る局所だけピエゾに置き換える」という2段階構成が、2026年時点でのコスト最適解になりつつあります。
設置方式（有線／無線／マグネット／接着）
センサーの固定方式も測定精度に直結します。ネジ止め（スタッドマウント）が周波数特性的には最良ですが、後付け工事のコストが課題になります。マグネット固定は工事不要で手軽ですが、高周波帯で減衰が大きくなる点に注意が必要です。
無線型センサー（バッテリー駆動）は配線工事が不要な反面、電池寿命（一般的に数年）と通信帯域の制約があるため、1〜数分ごとのスナップショット送信が中心です。連続波形を取りたい場合は有線型を選ぶ判断軸になります。
振動解析AIで何がわかるか（異常パターン別）
振動解析AIは、回転機械で起こる典型的な異常を周波数パターンから切り分けます。ここを知っておくと「このサービスが検知できると言っている異常は実務で重要か」を自分で評価できるようになります。
代表的な4つの異常パターン
回転機械で頻出する異常パターンと、振動解析で現れる特徴を整理します。
- アンバランス（不釣り合い）
回転1次成分（1X）の振動が大きくなる単純な症状。試運転時のチェックに加え、経年変化でも発生するため、長期監視が有効です。
- ミスアライメント（軸芯ずれ）
回転2次成分（2X）が特徴的に増大。カップリング接続部での発生が多く、定期点検では見逃しやすい異常です。
- 軸受（ベアリング）異常
転動体・内輪・外輪・保持器それぞれに固有周波数があり、包絡線解析で分離できる。軸受は回転機械の故障原因トップクラスのため、振動解析AIで最重要視される監視対象です。
- ギア摩耗・歯欠け
噛み合い周波数（GMF）とその側帯波が異常のサイン。高周波帯の成分が必要なため、ピエゾ式または広帯域MEMSが望ましい対象です。
これらを組み合わせて「どの部位の、どの異常モードが進行しているか」を推定できるのが振動解析AIの強みであり、単純な「しきい値超え」だけではたどり着けない情報です。
AIモデルの種類と特徴
振動解析に使われるAIモデルは、教師あり学習・教師なし学習・深層学習の3系統に大別できます。それぞれの使い分けを押さえておくと、ベンダー提案の中身が読めるようになります。
| モデル系統 | 代表手法 | 長所 | 適用条件 |
|---|---|---|---|
| 教師あり | SVM、XGBoost | 高精度・判定根拠が追いやすい | 正常/異常のラベル付きデータが必要 |
| 教師なし | オートエンコーダ、iForest | 正常データのみで学習可能 | 異常パターンが未知でも使える |
| 深層学習 | CNN、LSTM、Transformer | 波形の時系列パターンを直接学習 | 大量データとGPU計算資源が必要 |
実装で選ばれやすいのは、データが少ない初期フェーズでの教師なし学習です。異常が発生したら随時ラベル付けして教師ありにハイブリッド化していく、という進め方が現実的なパスです。
ISO 20816／ISO 10816による振動評価基準
振動解析AIを設計するうえで、最初に押さえるべき国際規格が ISO 20816 シリーズです。AIが「異常」と判定する閾値を独自に決めるのではなく、まずは規格に沿ったゾーン判定で初期設計を作り、AIで微調整するのが誤検知を抑える近道になります。
ISO 20816とISO 10816の関係
ISO 20816 は、軸振動を対象とした ISO 7919 シリーズと、非回転部（軸受ハウジング等）の振動を対象とした ISO 10816 シリーズを統合した規格です。2026年4月時点で Part 1〜5・8・9・21 が ISO 20816 として発行済（ISO 20816-1公式、ISO 20816-21公式）、Part 6・7 は ISO 10816 として現行のまま残っています。
4つの評価ゾーン
ISO 20816 は機械振動の健全度を4つのゾーンで判定します。AIの初期閾値はここから引くのが実務的な出発点です。
| ゾーン | 意味 | 実務的対応 |
|---|---|---|
| A | 新規据付機の受入合格水準 | 異常なし、常時監視継続 |
| B | 長時間の無制限運転可能 | 通常運転、振動トレンドを観察 |
| C | 長時間運転は不可、短期のみ許容 | 計画的な対策を検討 |
| D | 損傷リスクが高い | 即時停止または緊急整備 |
AIが「異常」と通知する基準を初期段階でC〜Dゾーンに合わせると、PoC期のアラーム過多を抑制できます。運用しながら自社設備の特性に合わせて閾値を微調整していく進め方が、現場に受け入れられやすいやり方です。
規格準拠で詰まりやすい論点
ISO 20816 は機械種別（定格電力・軸高さ・基礎剛性）ごとに評価ゾーンの数値が変わるため、1つの工場でも設備ごとにゾーン値が異なります。AIベンダーが「ISO準拠」と言う場合でも、自社設備のゾーン値が正しく反映されているかは個別確認が必要です。
【2026年最新】振動解析AIの主要サービス
2026年4月時点で振動解析AIを導入する場合の選択肢を、大手クラウド系・国内メーカー系・代替パッケージ系の3系統で整理します。Amazon Monitronの新規受付終了という大きな変化が起きたため、この節の情報は保全計画に直接影響します。
Amazon Monitron（新規受付終了）
AWSは2024年10月31日をもってAmazon Monitronの新規受付を終了しました。既存顧客向けにはデバイス販売を2025年7月まで継続、ハードウェアの5年保証と基本サービスサポートは維持される方針です。新機能追加は計画されておらず、セキュリティ・可用性・パフォーマンスの維持のみが継続対象です。
Monitronは無線型3軸MEMS加速度センサー＋ゲートウェイ＋クラウド自動ML の一体提供でスモールスタートの定番だった製品ですが、これから新規導入を検討する場合は代替サービスへ切り替える判断が必要です。
AWSが推奨する代替（Factory AI / Tactical Edge / IndustrAI）
AWS自身が公式ブログで後継として推奨しているのは、AWS Marketplace上のパートナーソリューション3社です。
- Factory AI
- Tactical Edge
- IndustrAI
AWS公式の案内はこの3社を「Amazon Monitronのユースケース・業種をカバーする代替」として挙げているところまでで、個別製品の特徴・対応範囲・料金は各社の公式資料を直接確認するのが安全です。導入検討時は自社設備との適合（無線・有線センサー／対応帯域／クラウド連携仕様）を、各社のデータシートや引合いベースで裏取りしてから比較に乗せてください。
Microsoft系（既存Azure資産がある場合の選択肢）
Microsoftは振動解析専用の一体製品を持たず、2026年4月時点では構成を新規に組む場合の推奨系統が切り替わっています。
従来の Azure Anomaly Detector は2023年9月20日以降に新規リソース作成ができなくなっており、2026年10月1日にサービス廃止予定です。Microsoft公式は移行先として Microsoft Fabric（Real-Time Intelligence のデータ異常検知） もしくは OSS版 anomaly-detector を案内しています。既存のAzure Anomaly Detectorリソースを使って運用中のケース以外では、新規採用の主軸に据えるのは避ける判断が安全です。
新規にAzure上で振動予知保全基盤を組む場合は、IoT Hub・Stream Analytics・Azure Machine Learningを土台にしつつ、異常検知のレイヤーは Microsoft Fabric か OSS anomaly-detector を使う構成が現実的です。既存のAzure IoT基盤との統合が容易で、振動以外の温度・圧力・電流なども同じ仕組みで扱える点は引き続き強みですが、構築工数は一体型パッケージより大きくなるため、自社にクラウド人材がいるか、SIerと組める体制があるかが採用判断の分かれ目になります。
国内メーカー系（パナソニック インダストリー「AI設備診断サービス」）
国内の代表例がパナソニック インダストリーの「AI設備診断サービス」です。振動センサーに加えて独自の「高調波センサ」で電流内の高調波波形変動を取得し、クラウド上のAIが機械要素部品の状態変化を検知する構成になっています。
診断対象はサーボモータ・インバータ駆動モータで稼働する搬送ロボット・ポンプ・ファン・巻き取り機・コンベヤなど。診断対象部品としてボールねじ・ベアリング・ギアが明示されているのが特徴です。電流経由で情報を取るため、外乱振動の影響を受けにくい点もメーカー側が強調する差別化要素です。
国内パートナー系（丸文 MANUFACIA など）
商社・SIer経由で導入される国内向けパッケージも存在します。丸文MANUFACIA は振動観測AIの実装例として、ポンプ異常検知などを紹介しています。国内サポート重視・専任ベンダー対応が必要な場合の選択肢になります。
振動解析AIの導入事例
ここでは、公表情報が確認できる一次ソース起点の事例を取り上げます。具体的な数値は個社事例の参考値として扱い、同じ効果が自社で出るかはPoCで検証すべきものとして読んでください。
パナソニック「AI設備診断サービス」テスト事例
パナソニック インダストリーのプレスリリースでは、半導体工場のウエハー搬送ロボット監視で、高調波データの変化度上昇をトリガーにモジュール交換を行い、交換後のギアから摩耗を示す鉄粉が検出されたケースが紹介されています。ギア摩耗による故障前に異常を捉えた、というストーリーです。
飲料工場では搬送コンベアの状態監視がテスト対象に選ばれ、電流由来の波形で軸受周辺の状態変化をトラッキングする運用が進められています。
Amazon Monitron活用事例（既存顧客）
Amazon Monitronの公式顧客事例ページでは、GE Gas Power、RS コンポーネンツ等が活用事例として紹介されています。AWS公式ブログによれば、既存顧客向けのデバイス販売は2025年7月まで継続された措置で、サービス継続の範囲内であれば引き続き運用可能です。
新規導入については前述のとおりAWS推奨の代替パートナー（Factory AI/Tactical Edge/IndustrAI）に切り替える必要がある点に注意してください。
事例読み解きの注意点
一般論として「振動解析AIで保全工数XX%削減」といった記述を見る機会はありますが、効果の幅は設備種類・既存運用水準・PoC条件で大きく変わります。自社導入の参考にする場合は、同種の設備・同規模のラインでの事例に絞って数値を引用し、断定的な期待値ではなく参考レンジとして扱うのが安全です。
振動解析AIの導入ステップ
振動解析AIは「センサーを付けて終わり」ではなく、閾値設計・アラート運用・保全計画への統合まで一連の運用設計が必要です。SIer視点で進めるなら、次の4ステップを目安にしてください。
Phase 1: 対象設備の選定とPoC設計（1か月目）
まず全設備を対象にせず、停止影響が大きい回転機械1ライン分（ポンプ・ファン・モータ群など）を選んでPoCを設計します。目的は「振動解析AIが自社環境で機能するかの検証」であって、全社展開ではない点がポイントです。
対象設備を絞ることで、センサー数・工事費・運用工数がPoC予算で吸収できる範囲に収まりやすくなります。
Phase 2: センサー設置とベースライン取得（1〜2か月目）
センサー設置後、まずはベースラインデータの取得に充てます。Amazon Monitronの公式ドキュメントでは、機械学習モデルによる異常閾値の確立に14〜21日程度を要すると案内されており、AIに「正常状態」を覚え込ませる時間が短いと誤検知の原因になります。
この期間中でも、ISO 20816に基づく規格ベースのアラーム（Warning/Alarm）は通常のアラームとして確認・レビューを行う運用が推奨されています。AIの学習期間だからといって一律に無視するのではなく、規格系アラームは即時確認、機械学習系アラームは学習完了後に運用開始、という切り分けを明確化しておくと現場の混乱を避けられます。
Phase 3: 閾値チューニングと運用ルール定義（3〜4か月目）
ベースラインが取れた段階で、ISO 20816 のゾーン値を初期基準として設定し、誤検知・見逃しをカウントしながら閾値を調整します。このフェーズは現場の保全員の協力が必須で、AIが出したアラートを「実際に異常だったか」でラベル付けする作業を並行して進めます。
運用ルールの核は「アラート受信→現地確認→対応→結果ラベル付け→AI再学習」のループ化です。ここが回ると振動解析AIは「使えるシステム」に変わります。
Phase 4: 対象拡大とAIエージェント連携（5〜6か月目以降）
PoCで運用が安定した段階で、同種設備への横展開と、他データ（温度・電流・油分析）との統合を検討します。ここまで来ると、AI Agent Hub のような製造業のAIエージェント活用との連携で、アラート発報から作業指示・台帳更新までを自動化する次のフェーズに入れます。
導入判断で詰まる論点
振動解析AIの導入判断で現場が詰まりやすいのは、次の4点です。先に意識して準備しておくとPoCの立ち上がりが速くなります。
- センサー設置位置の妥当性
どこに付ければ異常を捉えられるかは機械設計の知識が必要。ベンダーや設備メーカーと事前にすり合わせる - ベースラインの正常度
学習期間中に実は既に劣化が進んでいると、異常状態を「正常」として学習してしまう - 誤検知の許容水準
現場が対応できる件数を超えるアラートは「使えない」と判定される原因。初期は保守的な閾値で運用する - 既存CMMS/保全台帳との連携
アラートが単発通知で終わらず、保全計画・作業指示・台帳更新に流れる設計が必要
最後の論点は後回しにされがちですが、保全管理システム（CMMS） との連携設計が甘いと「AI導入したのに現場の手間が増えた」という結果になりがちです。
振動解析AIの料金相場
振動解析AIの料金は、センサー・ゲートウェイ・クラウド分析の3要素で構成されます。2026年4月時点の参考レンジを示しますが、構成・契約形態・ボリュームで大きく変動するため、必ず個別見積で確認してください。
料金体系の構成要素
料金は大きく次の4項目に分解できます。
- センサー単体
MEMS無線型：1台あたり数万円〜十万円台前半の帯域が参考レンジ。ピエゾ有線型は単価1桁高くなる傾向 - ゲートウェイ／データ収集装置
1拠点あたり十万円前後〜数十万円。無線規格（LoRa・Wi-Fi・独自）で差がある - クラウド分析サービス
センサー台数ベースで月額数千円〜1万円/台程度が参考レンジ - PoC支援・運用支援（SIer費用）
PoC規模により数百万円〜。本格運用では月額保守費用が加算される
ここで示した数値はあくまで参考レンジであり、実際の見積は対象設備の種類・センサー密度・既存インフラの有無で変動します。複数ベンダーから相見積を取り、自社構成での実勢価格を確認するのが実務上の鉄則です。
価格の注記
- 2026年4月時点の参考値
- 国内クラウドサービスはリージョン概念が限定的なため時点表記のみ。AWS・Azure系は東日本（Tokyo）リージョン採用時の目安
- 各社価格は頻繁に更新されるため、具体値は必ず公式最新ページで確認すること
投資対効果の考え方
振動解析AIの投資対効果は、①計画外停止の削減、②過剰な時間基準交換の削減、③保全員の巡回工数削減の3つで測るのが標準的です。自社のKPIに紐づけて年間金額換算すると、投資判断の議論が噛み合いやすくなります。
金額換算のベースラインとして有用なのが「1日のライン停止で失う売上＋機会損失」と「1設備あたりの年間交換部品コスト」です。この2つを対象設備ぶん積み上げると、振動解析AIのPoC予算が妥当かどうかの一次判断ができます。
振動解析AIを保全業務全体のAIエージェント化へ広げるために
設備保全×AIエージェントで工数と熟練依存を同時に削減
振動解析AIを導入しても、アラート対応・作業指示・台帳更新などの周辺業務が人手のままでは保全工数は減りません。AI Agent Hubの設備保全エージェントは、異常検知から点検計画・作業指示・実績記録までを一連のワークフローとして自動化し、振動解析の投資効果を組織全体に広げます。
まとめ
振動解析AIとは、加速度・MEMSセンサーで取得した振動波形をAIが解析し、回転機械の異常兆候を早期に検知する技術です。アンバランス・ミスアライメント・軸受・ギアといった典型的な異常モードを周波数パターンから切り分けられるため、従来の巡回点検や時間基準保全では届かなかった領域で予知保全の精度を引き上げられます。
2026年の状況整理では、Amazon Monitronが2024年10月末で新規受付を終了し、AWS推奨の代替（Factory AI・Tactical Edge・IndustrAI）が筆頭候補に入れ替わっています。Azure側はAnomaly Detectorが2026年10月廃止予定のため、新規構成では Microsoft Fabric もしくは OSS anomaly-detector を組み合わせる方向に移っています。国内ではパナソニック インダストリー「AI設備診断サービス」や丸文MANUFACIAも選択肢になります。自社のクラウド戦略・既存ベンダー資産・国内サポート要件の3点を軸に選定するのが現実的です。
導入で成果を出す鍵は、ISO 20816 の評価ゾーンを初期閾値の基準に据え、単一ラインのPoCからベースライン取得→閾値調整→対象拡大へと段階的に進めることです。あわせて、製造業のAIエージェント活用 と故障予知AI の文脈を押さえ、アラート受信から作業指示・台帳更新までを自動化する運用設計まで視野に入れておくと、振動解析AIの投資効果を保全業務全体に広げられます。
