インフラメンテナンス×AI安全：次世代インフラ管理システムの構築
インフラメンテナンスの現状と課題
日本のインフラストラクチャーは高度経済成長期に集中的に整備され、現在多くの施設が老朽化の時期を迎えています。道路、橋梁、トンネル、上下水道、港湾施設など、社会基盤インフラの適切な維持管理は、国民の安全と経済活動の継続にとって極めて重要です。
インフラ老朽化の現状
建設後50年以上の施設
道路橋：27%
2025年現在、2035年には63%に増加予測
トンネル老朽化
20%
建設後50年以上、2035年には34%
水道管路
15.7%
法定耐用年数超過管路の割合
年間更新費用
12兆円
必要な維持更新費用（推計）
従来のメンテナンス手法の限界
予算制約
限られた予算での効率的な維持管理が求められる一方、必要投資額は増加の一途
人材不足
熟練技術者の高齢化と後継者不足により、点検・診断能力の維持が困難
点検効率
目視点検中心の従来手法では、広域・大量インフラの効率的監視が限界
予測精度
経験に依存した劣化予測では、突発的な損傷や災害リスクへの対応が不十分
AnzenAI（開発予定）は、これらの課題を解決するため、AI技術を活用した革新的なインフラメンテナンス安全管理システムの開発を進めています。本記事では、AI技術によるインフラメンテナンスの変革について詳しく解説します。
AI技術によるインフラ状態診断
多様なセンサー技術との統合
AIを活用したインフラメンテナンスでは、多種多様なセンサーから収集されるデータを統合的に分析し、インフラの状態を正確に把握します。
構造健全性監視センサー
歪みゲージセンサー
- 測定対象：橋梁、建物の応力・歪み変化
- 設置箇所：主桁、柱、支承部
- 測定精度：±1μストレイン
- AI活用：応力パターン解析による疲労損傷予測
振動センサー
- 測定対象：構造物の振動特性・モード変化
- 設置箇所：橋梁主桁、建物各階
- 測定範囲：0.1Hz～1kHz
- AI活用：固有振動数変化による損傷位置特定
傾斜センサー
- 測定対象：構造物の傾斜・変位
- 設置箇所：橋脚、擁壁、建物基礎
- 測定精度：±0.001°
- AI活用：長期変位傾向による安定性評価
環境監視センサー
腐食監視センサー
- 測定対象：鋼材の腐食進行状況
- 設置箇所：鋼橋、鉄筋コンクリート内部
- 測定項目：電気抵抗、電位差
- AI活用：腐食速度予測・寿命評価
温度・湿度センサー
- 測定対象：環境条件の長期変化
- 設置箇所：構造物内部・表面
- 測定精度：±0.1°C、±2%RH
- AI活用：環境劣化係数の動的補正
風速・風向センサー
- 測定対象：風荷重・疲労影響評価
- 設置箇所：長大橋、高層建物
- 測定範囲：0～60m/s
- AI活用：風荷重履歴による疲労度算出
画像・形状監視システム
高解像度カメラ
- 撮影対象：ひび割れ、剥落、変色
- 解像度：4K～8K、マクロ撮影対応
- 設置方法：固定設置・ドローン搭載
- AI活用：画像認識による自動損傷検出
3Dレーザースキャナー
- 測定対象：構造物の三次元形状変化
- 測定精度：±1mm（100m距離）
- 測定範囲：360°×270°
- AI活用：点群データ解析による変形解析
赤外線サーモグラフィ
- 測定対象：表面温度分布・内部欠陥
- 温度範囲：-40°C～+150°C
- 熱感度：±0.05°C
- AI活用：温度パターン解析による内部損傷推定
AI診断アルゴリズムの詳細
深層学習による画像診断
CNN (Convolutional Neural Network) モデル
アーキテクチャ：ResNet-101ベース、カスタム出力層
学習データ：100万枚以上の損傷画像データセット
検出対象：ひび割れ、剥落、腐食、変色
検出精度：95.7%（適合率）、92.3%（再現率）
セマンティックセグメンテーション
モデル：U-Net + DeepLab v3+ハイブリッド
用途：損傷領域の正確な輪郭抽出
精度指標：IoU 0.847、Dice係数 0.916
処理速度：1,024×1,024画像で15fps
異常検知オートエンコーダー
構造：変分オートエンコーダー（VAE）
用途：希少損傷・未知パターンの検出
閾値設定：統計的外れ値検出（3σ基準）
新規損傷検出率：89.2%
時系列データ解析
LSTM (Long Short-Term Memory) ネットワーク
構造：双方向LSTM + Attention機構
入力データ：センサー時系列データ（歪み、振動、温度等）
予測期間：1日先～5年先まで階層的予測
予測精度：MAPE 8.5%（短期）、15.2%（長期）
変化点検出アルゴリズム
手法：BOCPD（Bayesian Online Changepoint Detection）
用途：劣化進行の加速点検出
検出精度：偽陽性率3.2%、偽陰性率6.8%
リアルタイム性：1秒以内での変化点判定
多変量解析モデル
手法：主成分分析 + クラスタリング
入力：複数センサーデータの統合
出力：健全度指標（0-100スケール）
相関解析：Pearson相関係数0.85以上の変数を統合
🎯 この記事を読んだ方におすすめ
AnzenAI（建設現場のAI安全管理）を 1ヶ月無料でお試しいただけます。月額1,980円で、KY活動・配筋検査・労災予兆検知をAIが24時間支援。中小建設会社で労災ゼロを継続した事例多数。
予知保全システムの構築
劣化予測モデルの開発
AIを活用した予知保全では、構造物の劣化進行を高精度で予測し、最適なメンテナンス時期と方法を決定します。
物理ベースモデル
疲労損傷モデル
基本式：Miner則の拡張版
D = Σ(ni/Ni) × C(T,E) × R(t)
- D：累積損傷度
- ni：i番目の応力レベルでのサイクル数
- Ni：i番目の応力レベルでの破断サイクル数
- C(T,E)：温度・環境補正係数
- R(t)：時間依存劣化係数
AI拡張機能
- 補正係数のリアルタイム学習
- 非線形相互作用の自動考慮
- 個体差パラメータの適応的調整
腐食進行モデル
基本式：修正ファラデー則
C(t) = C0 + α×t^β×exp(γ×RH)×f(Cl-)
- C(t)：時刻tでの腐食深さ
- C0：初期腐食深さ
- α, β, γ：材料・環境パラメータ
- RH：相対湿度
- f(Cl-)：塩化物イオン濃度関数
機械学習による改良
- パラメータの動的最適化
- 微視環境の局所補正
- 複合劣化現象の統合モデル化
データ駆動モデル
アンサンブル学習モデル
ベースモデル構成
- Random Forest：非線形関係の学習
- Gradient Boosting：残差の逐次学習
- Support Vector Regression：高次元特徴の処理
- Neural Network：複雑パターンの認識
統合手法
- Weighted Average：性能に応じた重み付け
- Meta-Learning：上位学習器による統合
- Dynamic Selection：条件に応じたモデル選択
性能指標
- 予測精度（RMSE）：短期0.12、長期0.28
- 信頼区間：95%区間幅±15%
- 外挿性能：学習範囲外で80%精度維持
深層学習時系列モデル
Transformer Architecture
- Multi-Head Attention：長期依存関係の学習
- Positional Encoding：時間情報の埋め込み
- Layer Normalization：学習安定化
- Residual Connection：勾配消失問題の解決
学習設定
- 入力系列長：過去2年分のデータ
- 予測期間：1ヶ月～10年の階層予測
- 学習率：Cosine Annealing (1e-4～1e-6)
- 正則化：DropOut (0.1) + Weight Decay (1e-5)
リスク評価フレームワーク
構造安全性リスク
破壊確率計算
信頼性理論：First Order Reliability Method (FORM)
Pf = Φ(-β)
- Pf：破壊確率
- Φ：標準正規分布の累積分布関数
- β：信頼性指標
安全率設定
- 目標信頼性指標：β = 3.8（橋梁）、4.2（建物）
- 破壊確率：10^-4～10^-5程度
- 動的更新：データ更新に応じた確率再計算
部分安全係数の最適化
最適化問題：
min C(γ) subject to β ≥ βtarget
- C(γ)：部分安全係数γでの総コスト
- βtarget：目標信頼性指標
コスト構成
- 建設コスト：安全係数に比例
- 維持管理コスト：劣化速度に依存
- 破壊コスト：期待破壊損失
- 社会的コスト：機能停止による影響
機能性リスク
使用性評価基準
- 変位制限：スパン/250（通常時）、スパン/150（地震時）
- 振動制限：加速度2.5m/s²以下
- ひび割れ幅：0.3mm以下（一般環境）、0.1mm以下（厳しい環境）
- 防水性能：透水係数10^-10 m/s以下
サービス水準評価
交通機能
- 設計速度の80%以上維持
- 車線規制なしでの通行
- 大型車両通行可能
- 歩行者・自転車の安全確保
ライフライン機能
- 給水圧力の90%以上維持
- 電力供給の継続性
- 通信機能の確保
- 排水機能の維持
災害リスク
地震リスク評価
地震ハザード曲線：
λ(a) = ν₀ × (a/a₀)^(-k)
- λ(a)：加速度a以上の地震の年発生率
- ν₀：基準発生率
- a₀：基準加速度
- k：減衰指数
脆弱性関数
P(D|IM) = Φ((ln(IM) - ln(θ))/β)
- P(D|IM)：地震動強度IMでの損傷確率
- θ：中央値
- β：対数標準偏差
津波・洪水リスク
浸水シナリオ
- 10年確率：軽微な機能低下
- 50年確率：一部機能停止
- 100年確率：大規模機能停止
- 1000年確率：壊滅的被害
影響評価
- 浸水深と被害率の関係
- 流速による損傷評価
- 継続時間の影響
- 複合災害の考慮
メンテナンス最適化アルゴリズム
多目的最適化手法
インフラメンテナンスでは、安全性・経済性・機能性など複数の目的関数を同時に最適化する必要があります。
最適化問題の定式化
目的関数
最小化問題：
min f(x) = [f₁(x), f₂(x), f₃(x), f₄(x)]ᵀ
各目的関数の定義
- f₁(x)：総コスト
f₁ = Σᵢ[Cᵢᵐᵃⁱⁿᵗ + Cᵢᶠᵃⁱˡ × P(Fᵢ) + Cᵢˢᵒᶜⁱᵃˡ × I(Fᵢ)]
- f₂(x)：リスク水準
f₂ = max(R₁, R₂, ..., Rₙ)
- f₃(x)：機能停止時間
f₃ = Σᵢ Tᵢᵈᵒʷⁿ × Wᵢⁱᵐᵖ
- f₄(x)：環境影響
f₄ = Σᵢ CO₂ᵢ × αᶜᵃʳᵇᵒⁿ + Wasteᵢ × αʷᵃˢᵗᵉ
制約条件
- 安全性制約：β(t) ≥ βₘᵢₙ ∀t
- 予算制約：Σᵢ Cᵢ ≤ Budget
- 技術制約：Feasible technology set
- 時間制約：tᵢˢᵗᵃʳᵗ ≤ tᵢᵉⁿᵈ ≤ tᵢᵐᵃˣ
進化アルゴリズム
NSGA-III (Non-dominated Sorting Genetic Algorithm III)
アルゴリズム手順
- 初期個体群の生成（ランダム + ヒューリスティック）
- 支配関係による層別化
- 参照点ベースの選択
- 交叉・突然変異による次世代生成
- エリート保存戦略の適用
パラメータ設定
- 個体群サイズ：100-200
- 交叉率：0.8-0.9
- 突然変異率：1/n（nは変数数）
- 世代数：500-1000
MOEA/D (Multi-Objective Evolutionary Algorithm based on Decomposition)
分解手法
- 重み付き和法：線形結合による単目的化
- チェビシェフ法：最大値の最小化
- 境界交点法：パレート面の境界点探索
近傍構造
- 重みベクトル間のユークリッド距離
- 近傍サイズ：T = 10-20
- 動的近傍更新
解の評価・選択手法
パレート最適性の評価
- ハイパーボリューム指標：解集合の多様性・収束性
- IGD (Inverted Generational Distance)：真のパレート面との距離
- スプレッド指標：解の分布の均等性
意思決定支援
- TOPSIS法：理想解・非理想解からの距離
- AHP (Analytic Hierarchy Process)：階層的重要度評価
- PROMETHEE法：選好関数による順序付け
動的計画法によるスケジューリング
状態空間の定義
状態変数
- s(t)：時刻tでの構造物の劣化状態
- r(t)：累積リスク水準
- b(t)：残予算
- w(t)：気象・環境状態
行動空間
- a = 0：無対策（点検のみ）
- a = 1：予防保全
- a = 2：修繕・補強
- a = 3：更新・建替
価値関数の設計
ベルマン方程式
V(s,t) = min[a] {C(s,a,t) + γ × E[V(s',t+1)|s,a]}
各項の説明
- V(s,t)：状態sで時刻tからの最小期待コスト
- C(s,a,t)：即時コスト
- γ：割引率（0.95-0.99）
- E[・]：期待値演算子
- s'：遷移後の状態
近似解法
関数近似
- 線形基底関数：V(s) ≈ Σᵢ wᵢφᵢ(s)
- ニューラルネットワーク：非線形価値関数近似
- 決定木：解釈可能な分岐ルール
状態集約
- K-means clustering による状態分類
- 主成分分析による次元削減
- 専門知識による階層化
実装技術とシステム構成
エッジコンピューティングアーキテクチャ
インフラメンテナンスシステムでは、現場での即座のデータ処理と判断が重要です。エッジコンピューティングにより、低遅延・高信頼性の分析を実現します。
フィールドエッジ層
ハードウェア構成
- 産業用エッジデバイス：IP67防水、-40°C～+85°C動作
- GPU搭載モデル：NVIDIA Jetson AGX Xavier / Orin
- 計算性能：32 TOPS (INT8) / 200 TOPS (Sparse)
- 電源：PoE+ / 24V DC、消費電力15-30W
ソフトウェアスタック
- OS：Ubuntu 20.04 LTS + RT kernel
- コンテナ：Docker + Kubernetes (k3s)
- AI Runtime：TensorRT + ONNX Runtime
- 通信：MQTT + HTTP/2 + WebRTC
リアルタイム処理機能
- 画像解析：毎秒30フレーム、遅延50ms以下
- センサー融合：10種類以上のセンサーデータ統合
- 異常検知：閾値超過の即時アラート
- データ前処理：ノイズ除去・正規化・特徴抽出
地域エッジ層
データセンター仕様
- 設置場所：各地域の中核都市（5G基地局併設）
- 計算資源：GPU クラスタ（V100/A100×8～16基）
- ストレージ：1PB以上の高速SSD
- ネットワーク：100Gbps 冗長化回線
高度分析機能
- 機械学習推論：重い計算を要するモデル実行
- データ統合：複数サイトからのデータ集約
- 長期予測：5-10年スパンの劣化予測
- 最適化計算：メンテナンス計画の最適化
クラウド層
中央システム機能
- 統合ダッシュボード：全国インフラ状況の一元管理
- AI モデル管理：学習・更新・配信システム
- 大規模データ分析：ビッグデータ分析基盤
- レポート生成：自動レポート・法定報告書作成
データセキュリティと信頼性
サイバーセキュリティ対策
多層防御アーキテクチャ
- ネットワークセキュリティ：VPN + ファイアウォール + IDS/IPS
- デバイス認証：X.509証明書 + TPM チップ
- 通信暗号化：TLS 1.3 + AES-256
- アクセス制御：RBAC + 二要素認証
ゼロトラスト原則
- 継続的検証：全ての通信・アクセスを検証
- 最小権限：必要最小限のアクセス権付与
- 暗号化強制：全データの暗号化保存・転送
- ログ監視：全活動の記録・分析
システム信頼性設計
冗長化設計
- N+1冗長：重要コンポーネントの冗長化
- 地理的分散：災害リスク分散
- 自動フェイルオーバー：30秒以内の切り替え
- データレプリケーション：3地点以上での複製
障害検知・回復
- ヘルスチェック：1分間隔での状態監視
- 異常検知：機械学習による異常パターン検出
- 自動復旧：可能な範囲での自動修復
- エスカレーション：重要度に応じた通知体系
可用性目標
- システム稼働率：99.9%以上（年間8.7時間以下停止）
- データ損失：RPO 15分以下
- 復旧時間：RTO 4時間以下
- メンテナンス窓：月次4時間の計画停止
導入事例と効果検証
高速道路橋梁の予知保全事例
プロジェクト概要
- 対象施設：高速道路橋梁（スパン50m×3径間）
- 建設年：1985年（築40年）
- 交通量：日平均25,000台
- 構造：プレストレストコンクリート橋
システム実装内容
フェーズ1：センサー設置（3ヶ月）
- 歪みゲージ：主桁12箇所、横桁8箇所
- 振動センサー：各径間2箇所（計6箇所）
- 傾斜計：橋脚3箇所
- 高解像度カメラ：4台（各方向1台）
フェーズ2：AI モデル構築（6ヶ月）
- 過去20年間の点検データ学習
- 類似橋梁データによる転移学習
- 物理モデルとの統合
- 予測精度検証・調整
フェーズ3：本格運用（継続中）
- 24時間365日のモニタリング
- 週次レポート自動生成
- 月次メンテナンス計画更新
- 年次予算計画への反映
効果検証結果
定量的効果
メンテナンスコスト削減
大幅な削減
年間コスト → コスト
点検作業時間短縮
大幅短縮
40時間 → 14時間/回
予測精度向上
MAPE 11.2%
従来手法比大幅な改善
交通規制時間削減
大幅な削減
年間120時間 → 27時間
定性的効果
- 安全性向上：予兆の早期発見により重大損傷を未然防止
- 作業効率改善：点検員の危険作業が大幅削減
- データ蓄積：他橋梁への知見展開が可能
- 利用者満足度：交通規制の減少により向上
得られた知見
技術的知見
- センサー配置：構造解析に基づく最適配置が重要
- データ品質：ノイズ対策と欠損データ処理が精度に直結
- モデル更新：季節変動・交通量変化への適応が必要
- 統合分析：複数データソースの相関分析が有効
運用的知見
- 段階的導入：一部区間での検証後の全面展開が効果的
- 人材育成：現場職員のデジタル技術理解が重要
- 関係者調整：道路管理者・保全業者・利用者の合意形成
- 法制度対応：AI判定結果の法的位置づけの明確化
上水道管路の劣化予測事例
プロジェクト概要
- 対象施設：都市部上水道管路（延長150km）
- 管路構成：鋳鉄管60%、ダクタイル鉄管30%、塩化ビニル管10%
- 敷設年代：1960年代～2010年代
- 給水人口：約20万人
システム構成
監視システム
- 流量・圧力センサー：主要分岐点200箇所
- 水質センサー：濁度・残留塩素・pH
- 音響センサー：漏水検知用50箇所
- 土壌センサー：腐食環境評価用30箇所
予測モデル
- 破損確率モデル：ワイブル分布ベース
- 腐食進行モデル：土壌環境パラメータ統合
- 劣化影響モデル：水質・流量変化の影響評価
- 更新優先度モデル：多目的最適化による順位付け
運用成果
管路管理指標
- 事故率削減：2.3件/km・年 → 0.8件/km・年
- 有効率向上：91.2% → 96.8%
- 更新計画最適化：30年計画の総費用大幅な削減
- 緊急修理減少：年間95件 → 32件
技術進歩と将来展望
次世代AI技術の統合
インフラメンテナンス分野では、新興のAI技術の導入により、さらなる性能向上が期待されます。
量子機械学習
量子優位性の活用領域
- 組合せ最適化：メンテナンススケジューリングの量子焼きなまし
- パターン認識：量子カーネル法による複雑パターン検出
- 不確実性推定：量子ベイズ推論による信頼性評価
- シミュレーション：材料劣化の量子分子動力学
期待される効果
- 最適化問題の指数的高速化
- 高次元データの効率的処理
- 不確実性の厳密な定量化
- 材料レベルの精密予測
連合学習・分散AI
プライバシー保護学習
- 水平連合学習：同種インフラ間でのモデル共有
- 垂直連合学習：異種データソース間での特徴統合
- 転移学習：類似構造物への知識転移
- 差分プライバシー：個別データ保護下での学習
実装メリット
- 機密データの外部流出防止
- 通信コストの大幅削減
- 地域特性を反映したモデル
- 災害時の分散処理継続
説明可能AI (XAI)
解釈性向上手法
- SHAP (SHapley Additive exPlanations)：特徴量の寄与度分析
- LIME (Local Interpretable Model-agnostic Explanations)：局所的線形近似
- Grad-CAM：画像診断の根拠可視化
- 注意機構可視化：時系列データの重要箇所特定
現場での活用
- 技術者への判断根拠提示
- AI診断の信頼性向上
- 規制当局への説明責任
- 技術継承・教育への活用
デジタルツイン技術の発展
高精度デジタルツイン
物理現象の完全再現
- マルチフィジックス：構造・熱・流体・電磁気の連成解析
- 材料劣化：疲労・腐食・クリープの統合モデル
- 環境影響：気象・地震・化学環境の長期影響
- 人的要因：使用パターン・メンテナンス履歴の反映
リアルタイム同期
- ミリ秒レベル：動的現象の即座反映
- 双方向連携：物理 ↔ デジタル の相互影響
- 適応的更新：実測データによるモデル補正
- 予測更新：将来状態の継続的予測
高度な活用シナリオ
- 仮想実験：メンテナンス手法の事前検証
- 最適設計：新設インフラの長期性能最適化
- 災害シミュレーション：大地震・津波時の挙動予測
- VR/AR 連携：現場作業者への情報重畳
持続可能なインフラ管理
SDGs との整合
目標9：産業・技術革新
- AI技術による効率的インフラ管理
- 予知保全による長寿命化
- デジタル技術の社会実装
目標11：持続可能な都市
- 安全で災害に強いインフラ
- 環境負荷の最小化
- 高齢化社会への対応
目標13：気候変動対策
- CO2排出量の削減
- 資源循環の促進
- 気候変動への適応
循環型インフラ管理
- 材料リサイクル：解体材の最大限活用
- エネルギー回生：インフラ自体のエネルギー生産
- 生態系保全：生物多様性との共存
- 社会価値創造：インフラを活用した地域活性化
AnzenAI（開発予定）の進化ロードマップ
第1期：基盤技術確立（2025-2027年）
- 基本AI機能：画像診断・センサー解析・予測モデル
- パイロット導入：10施設での実証実験
- データ基盤構築：セキュアなクラウド・エッジ基盤
- 標準化対応：業界標準・法規制への適合
第2期：機能拡張期（2027-2030年）
- 高度AI機能：説明可能AI・連合学習・量子計算
- 全国展開：主要インフラへの本格導入
- デジタルツイン：高精度物理モデル統合
- 国際展開：海外市場への技術輸出
第3期：社会実装期（2030年以降）
- 完全自律管理：人間の判断を必要としない自動保全
- 社会基盤統合：都市OS・スマートシティとの統合
- 持続可能経営：炭素中立・循環経済への貢献
- 次世代技術：量子コンピュータ・脳型チップの活用
まとめ：AI技術による社会基盤インフラの革新
AI技術を活用したインフラメンテナンスは、社会基盤の安全性と持続可能性を飛躍的に向上させる革新的アプローチです。予知保全、最適化、自動化により、従来の事後保全から予防保全への転換を実現し、インフラの長寿命化と管理コストの削減を同時に達成します。
社会への貢献
安全性の飛躍的向上
- 突発的な構造物損傷の事前検知
- 災害時のインフラ健全性即座評価
- 人的点検では発見困難な損傷の検出
- 確率論的安全評価による科学的判断
経済効率性の実現
- メンテナンスコストの30-大幅な削減
- インフラ寿命の20-30%延長
- 交通規制・サービス停止時間の大幅短縮
- 全体最適による投資効率向上
持続可能性の促進
- 資源消費量の削減
- CO2排出量の削減
- 廃棄物発生量の最小化
- 循環型社会への貢献
技術革新の推進
- AI・IoT技術の社会実装
- 新しい産業エコシステム創出
- 国際競争力の強化
- 技術者のスキル向上
目指すべき未来像
2030年代には、AI技術により社会基盤インフラが自律的に自身の状態を監視し、最適なメンテナンス計画を立案・実行する「自己治癒型インフラ」の実現を目指します。人間の技術者は、AI が提供する高度な情報を基に、より戦略的で創造的な判断に集中できるようになります。
AnzenAI（開発予定）は、この重要な社会変革の実現に向けて、最先端のAI技術を社会基盤インフラの安全管理に活用し、持続可能で安心できる社会の実現に貢献していきます。
AnzenAIで実現する次世代インフラ管理
AI技術を活用した予知保全システムで、インフラの安全性と持続可能性を同時に実現。AnzenAI（開発中）は、センサーデータとAI分析により、従来の事後保全から予防保全への転換を支援します。
無料トライアルでAI予知保全を体験