製造現場や施設の保全部門では、「突発故障による生産停止」「過剰な予防保全によるコスト増」「ベテラン依存の設備診断」が共通の課題です。私もこれまで複数の製造業のお客様とお話しする中で、設備の劣化兆候を早期に捉えられず、計画外停止が繰り返される現場を多く見てきました。近年注目されている予知保全は、センサーデータを AI で解析して故障を予測する手法ですが、実装には専門的なデータ分析スキルと継続的な改善体制が必要になります。本記事では、Claude Code を活用した予知保全の構築プロセスを、データ準備から運用定着まで段階的に解説します。
本記事の結論: Claude Code は対話でセンサーデータ解析ロジックを構築でき、既存の設備管理システムと連携しながら段階的に予知保全を導入できる
予知保全における AI 活用の現状と課題
従来の時間基準保全（TBM）は定期交換部品の管理には有効ですが、設備の実稼働状況を反映できず、「まだ使える部品の交換」や「交換直後の突発故障」が発生します。一方、状態基準保全（CBM）は振動・温度・電流値などのセンサーデータをもとに設備状態を監視しますが、異常判定の閾値設定や傾向分析には専門知識が必要です。
予知保全では、機械学習モデルで過去の故障パターンを学習し、正常範囲からの逸脱や劣化トレンドを早期検出します。しかし多くの現場では次の壁があります。
1. データ整備の負荷 — センサーの時系列データを設備ごと・部位ごとに整理し、故障履歴と紐付ける作業が膨大
2. 分析スキルの不足 — Python や R でのデータ前処理・特徴量エンジニアリング・モデル選定を行える人材が限定的
3. 運用の継続性 — 初期モデルを構築しても、設備更新や製品変更で精度が劣化し、再学習や閾値調整が滞る
Claude Code は、これらの壁を「対話ベースの分析環境」として緩和します。データの前処理・可視化・統計的な異常検知ロジックを自然言語で指示し、生成されたコードを保全担当者が段階的に理解・改善できる点が特徴です。
Claude Code によるセンサーデータ解析の実装手順
予知保全のデータ分析は、大きく「データ前処理」「特徴量生成」「異常検知・予測」「結果の可視化」の4ステップで構成されます。Claude Code を使うと、各ステップを対話で進めながら、コードと解析結果を同時に確認できます。
ステップ1: データ前処理と正規化
まず既存の設備管理システムや SCADA から出力された CSV・JSON 形式のセンサーログを読み込みます。Claude Code に「設備 ID、タイムスタンプ、振動値、温度、回転数のカラムを持つ CSV を読み込み、欠損値を線形補間してください」と指示すると、pandas を用いたコードが生成されます。
時系列データ特有の課題として、サンプリング間隔の不揃いや、センサー故障による異常値の混入があります。「タイムスタンプを1分間隔にリサンプリングし、振動値が物理的にあり得ない範囲（例: マイナス値や100G超）を外れ値として除外してください」と追加指示すれば、resample() と条件フィルタが組み込まれたスクリプトに更新されます。
データの正規化も重要です。温度は0〜100℃、振動は0〜10G、回転数は0〜3000rpm といった異なるスケールを持つため、「各カラムを平均0・標準偏差1に標準化してください」と依頼します。生成されたコードには StandardScaler の適用が含まれ、後段の機械学習モデルで各特徴量が等しく評価されるようになります。
ステップ2: 特徴量エンジニアリング
単純なセンサー値の推移だけでは劣化の予兆を捉えにくい場合、「移動平均」「分散」「ピーク値の頻度」などの統計量を追加特徴量として生成します。Claude Code に「振動値の30分移動平均と、1時間窓での最大値・最小値の差（レンジ）をカラムに追加してください」と指示すると、rolling() を使った計算が即座に組み込まれます。
ベアリングの劣化検知では、振動の周波数成分（FFT 解析）が有効です。「振動値の時系列に対してFFTを実行し、1kHz〜5kHzの周波数帯のパワースペクトル合計を特徴量として追加してください」と依頼すれば、scipy.fft を使った周波数解析コードが生成されます。このとき「周波数ビンごとのパワーを横軸時刻・縦軸周波数のヒートマップで可視化してください」と追記すると、matplotlib でのスペクトログラム表示も同時に得られ、劣化の進行パターンを視覚的に確認できます。
ステップ3: 異常検知ロジックの構築
異常検知には、教師なし学習（正常データのみで学習）と教師あり学習（故障事例を含む）の2つのアプローチがあります。故障データが少ない段階では、まず「正常運転時のデータで Isolation Forest モデルを学習し、異常スコアを算出してください」と指示します。Claude Code は scikit-learn の IsolationForest を使ったコードを生成し、各時刻の異常度を数値化します。
「異常スコアが上位5%を超える時刻を抽出し、その前後1時間の振動・温度の推移をプロットしてください」と追加すると、異常検知されたタイミングの詳細グラフが出力され、保全担当者が「この時期に何が起きていたか」を設備日報と照合できます。
故障履歴が蓄積されている場合は、「故障発生前7日間のデータにラベル1、それ以外に0を付け、ランダムフォレストで故障予測モデルを学習してください。特徴量の重要度も表示してください」と依頼します。生成されたコードには RandomForestClassifier のトレーニングと feature_importances_ の可視化が含まれ、「どのセンサー値が故障予測に最も寄与しているか」が明らかになります。
ステップ4: 結果の可視化と保全計画への反映
分析結果は、現場で共有しやすい形式に整える必要があります。「設備ごとの異常スコア推移を週次でグラフ化し、閾値を超えた日をマーカーで強調してください」と指示すると、時系列プロットに保全アラートのタイミングが可視化されます。
さらに「予測される故障確率が30%を超える設備を一覧表にし、CSV 出力してください」と依頼すれば、保全優先順位リストが生成され、既存の保全管理システム（CMMS: Computerized Maintenance Management System）にインポートして保全計画を立案できます。
既存システムとの連携とデータ品質要件
予知保全の実装では、Claude Code 単体で完結するのではなく、既存のインフラと接続して継続的にデータを取り込む体制が重要です。
データ連携の代表例: SCADA システムからのリアルタイム取得、設備管理システム（SAP PM, Maximo 等）への予測結果の書き戻し、BI ツールでのダッシュボード表示
Claude Code はローカル環境で Python スクリプトを実行するため、API 経由でのデータ取得やデータベース接続が可能です。例えば「PostgreSQL データベースから設備 ID と直近30日の振動データを取得し、前述の異常検知スクリプトを実行してください」と指示すれば、psycopg2 や sqlalchemy を使った DB 接続コードが生成されます。
データ品質の要件も明確にする必要があります。予知保全モデルの精度は、入力データの網羅性と一貫性に大きく依存します。
| 項目 | 推奨基準 | 備考 |
|---|---|---|
| センサーサンプリング頻度 | 1分〜1秒間隔 | 振動・温度は高頻度が望ましい。電流値は1分でも可 |
| データ欠損率 | 5%以下 | 欠損が多いセンサーは補間の妥当性を検証 |
| 故障事例の蓄積数 | 最低10件以上 | 教師あり学習を行う場合。件数が少ない段階は異常検知から開始 |
| 設備稼働ログとの紐付け | 時刻精度±1分以内 | 故障発生時刻とセンサーデータのタイムスタンプを正確に同期 |
データ品質が基準を満たさない場合、Claude Code に「欠損率をセンサーごとに集計し、10%を超えるものをリストアップしてください」と依頼すれば、対策が必要なセンサーを特定できます。
段階的導入とパイロット運用のポイント
予知保全を全社展開する前に、特定の設備や工程でパイロット運用を行い、効果と課題を検証します。
1. 対象設備の選定 — 故障頻度が高い・停止影響が大きい・センサー整備済みの設備を優先。複数設備で横展開可能なものが望ましい
2. 初期分析と閾値設定 — Claude Code で過去1年分のデータを分析し、正常範囲と異常スコアの基準値を仮設定。保全担当者が過去の故障事例と照合して妥当性を確認
3. リアルタイム監視の試行 — 日次でセンサーデータを取り込み、異常検知スクリプトを自動実行。アラートが発生したら現場確認を実施し、誤検知・見逃しを記録
4. モデルの再学習とチューニング — 1〜3ヶ月の運用データをもとに、異常スコアの閾値や特徴量の組み合わせを見直し。Claude Code に「最新データで再学習し、精度指標（適合率・再現率）を比較してください」と依頼
パイロット期間中は、保全担当者が Claude Code の分析結果と実際の設備状態を照らし合わせ、「どのパラメータが劣化の予兆として有効か」を現場知と組み合わせて検証します。例えば「振動の移動平均は故障1週間前から上昇するが、温度は3日前からしか変化しない」といった知見が得られれば、リードタイムに応じた保全計画を立てやすくなります。
運用上の注意点: 予知保全モデルは「故障確率の高低」を示すものであり、100%の予測精度は期待できません。過信せず、定期点検や作業員の五感による確認と併用する体制が重要です
保全部門の業務プロセス変革と組織連携
予知保全の導入は、単なる技術導入ではなく、保全部門の業務フローそのものを変える取り組みです。従来は「故障が起きたら対処」「定期で部品交換」という受動的なスタイルでしたが、予知保全では「劣化兆候を検知したら計画的に介入」という能動的な保全に移行します。
この変革には、保全部門・生産部門・情報システム部門の連携が必要です。Claude Code で生成した異常検知結果を、どのタイミングで誰がレビューし、保全作業をどう計画するかのルールを明文化します。例えば「異常スコアが閾値の1.5倍を超えたら保全リーダーに通知し、2倍を超えたら翌営業日中に現場確認を実施」といったエスカレーションフローを定めます。
また、予知保全で得られた知見を標準作業手順書（SOP）や保全マニュアルに反映し、ベテラン依存の診断スキルを組織知として蓄積します。Claude Code の分析コードそのものも社内リポジトリで管理し、「どの特徴量が有効だったか」「閾値をどう調整したか」の履歴を残すことで、横展開時の試行錯誤を削減できます。
製造業全般における Claude Code の活用については、こちらの記事で基礎から解説しています。品質管理部門での AI コード生成の実践例は品質管理記事、データ分析・BI ツールとの連携手法はデータ分析記事をご参照ください。
まとめ
予知保全における Claude Code の活用は、「対話でセンサーデータ分析ロジックを構築し、既存の設備管理システムと連携しながら段階的に導入する」アプローチです。データの前処理・特徴量エンジニアリング・異常検知モデルの構築を自然言語で指示でき、保全担当者が分析プロセスを理解しながら改善を重ねられる点が特徴です。
重要なのは、技術導入と組織変革をセットで進めることです。予知保全モデルの精度向上だけでなく、保全部門の業務フローや他部門との連携ルールを整備し、継続的な改善サイクルを回せる体制を構築します。Claude Code は、その改善サイクルを「対話ベースの分析」で支援し、専門人材に依存しない予知保全の運用を可能にします。
デジライズの Claude Code 法人導入支援では、予知保全のデータ分析環境構築から、保全部門向けの研修、既存システムとの連携設計まで一貫してサポートしています。研修では実際のセンサーデータを用いたハンズオン形式で、Claude Code による異常検知ロジックの構築手順を学べます。コンサルティングでは、お客様の設備構成や故障履歴をもとに、パイロット対象設備の選定・データ品質要件の策定・運用フローの設計を支援します。予知保全の導入をご検討の方は、ぜひ無料相談でご要望をお聞かせください。初回相談では、現状の保全課題と Claude Code 活用の方向性を整理いたします。
関連記事
デジライズの実績は社内集計値です。特に明記のない数値付き事例は、匿名加工された実例をもとにしたモデルケースです。導入効果は企業や業務によって異なります。各サービスの料金・機能・提供条件は記事の公開・更新時点の情報であり、変更されるため、最新情報はAnthropic公式サイトなどの一次情報をご確認ください。
Claude Codeの法人導入・研修・業務活用を支援しています。
法人導入支援サービスを見る
