設備から「いつもと違う音がする」と気づいたとき、専用の診断機器を呼び寄せるまでに時間がかかり、その間に故障が拡大した——そのような経験は多くの現場に存在する。八千代ソリューションズの2025年調査によると、製造業における設備の突発停止による年間損失額は平均1,892万円に上る。一方で、効果的な早期検知の仕組みを持つ企業は全体の4割に満たない。
「設備異常音の検知に専用機器が必要」という常識が崩れつつある。スマートフォンで録音するだけでAIが異常を診断するアプローチが現実的な選択肢となった今、その仕組みとメリットを整理する。
なぜ設備の異常音を見逃しやすいのか
設備の異常音が見逃される背景には、いくつかの構造的な要因がある。
熟練者の減少と技術伝承の断絶
設備の異常音を耳で判別する「聴診棒診断」は、熟練した保全技術者が持つ固有のスキルである。ミスミグループの技術情報によると、軸受（ベアリング）の劣化はキリキリ音、ゴト音、唸り音といった特有の音として現れるが、これを正確に識別するには長年の経験が必要だ。
現場の実態はさらに厳しい。2025年の調査では保全従業員の約2割が60歳以上であり、技術伝承に必要な期間として「5年以上必要」と回答した担当者が全体の4割を占めている。引き継ぎが完了する前に熟練者がいなくなる危機的状況が迫っている。
騒音環境における人間の聴覚限界
製造現場は常時騒音にさらされている。周囲の機械音に埋もれた微細な異常音は、たとえ経験豊富な技術者であっても聞き逃す可能性がある。また、人間の可聴域を超えた高周波数帯域での異常は、そもそも耳では検知できない。
点検の非効率と属人化
従来の設備点検は、担当者が聴診棒を持って設備を巡回するオフライン方式が主流だ。この方式は点検頻度に限界があり、「点検していない時間帯」に進行した異常を捕捉できない。また、点検担当者が変わると診断精度が変動するという属人化リスクも抱えている。
従来の音響・振動診断とその課題
設備診断の専門手法として、振動センサーを用いたオンライン監視システムが従来型の主流である。この方式の精度は高い一方、導入に際していくつかの現実的な障壁が存在する。
| 診断方式 | 特徴 | 導入コスト | 適した現場 |
|---|---|---|---|
| 聴診棒による人的診断 | 経験依存・即時判断可能 | 工具代のみ | 熟練者がいる大規模工場 |
| 振動センサー（オンライン） | 連続監視・精度高い | 数百万〜数千万円規模 | 大規模設備・基幹ライン |
| 振動センサー（セミオンライン） | 定期計測・ケーブル工事不要 | 数十万〜百万円程度 | 中規模設備 |
| スマートフォンAI音響診断 | 専用機器不要・即日開始可能 | 月額数千円〜 | 中小規模の多様な設備 |
振動センサーによるオンライン監視は、センサー本体の費用に加え、電源ケーブル・信号ケーブルの敷設工事費が必要となる。設備1台あたりのセンサーコストだけで5万〜30万円、IoTプラットフォームの構築まで含めると100万〜500万円以上の初期投資が一般的だ（村田製作所・無線センシングソリューション参照）。
また、AEセンサー（アコースティックエミッションセンサー）のような超音波診断機器は、精度こそ高いものの価格は「数十万円以上」が相場であり（EE Times Japan、2023年10月）、中小製造業が複数設備に展開するには現実的なコストではない。
スマートフォンAI音響診断の仕組み
スマートフォンのマイクで収録した設備音を、機械学習で訓練されたAIモデルが解析して異常を判定する——これがスマートフォンAI音響診断の基本的な仕組みである。
従来のAI異音検知は、AIに正常音と異常音のペアデータ（教師データ）を大量に学習させる「教師あり学習」が主流だった。ただし近年では、正常時の音のみを学習させて「正常の範囲」を定義し、そこから外れた音を異常として検知する「異常検知型」のアプローチが実用段階に達している。後者は異常音のサンプルが少ない現場設備に向いており、導入ハードルが大幅に低い。
AIsmileyの解説によると、音響診断AIの処理フローは以下のとおりである。
- マイクで設備音を収録
- 音声データから周波数・振幅・時系列的なパターンを特徴量として抽出
- 正常時の特徴量との差異をAIが定量的にスコアリング
- 閾値を超えた場合に異常アラートを発報
スマートフォンのマイク精度については、設備診断への応用において注意点がある。騒音計としての絶対精度は専用機器に劣るが、同一条件下での相対的な変化の検知（「いつもと違う」の検出）には十分な性能を発揮できる。また、録音設定や収音距離を統一することで、診断の再現性を担保できる。
スマホ録音との組み合わせが現場に与えるメリット
AI音響診断をスマートフォン運用と組み合わせることで生まれるメリットは複数ある。
専用機器・ケーブル工事が一切不要
持っているスマートフォンがそのまま診断機器になる。新規設備への対応も、センサー追加工事なしに即時対応できる。工場の設備レイアウト変更や増設に柔軟に追随できる点は、固定センサーにはない強みだ。
だれでも一定品質で点検できる
聴診棒診断のような熟練スキルが不要になる。アプリの指示に従ってスマートフォンを設備に近づけて録音するだけで、AIが定量的な診断結果を返す。若手作業者でも熟練者と同水準の「音の異常判定」が実行できる。
データが記録として蓄積される
音声データと診断結果がクラウドに蓄積されるため、設備ごとの音響変化の履歴が可視化できる。「3か月前から数値が上昇していた」という傾向を遡って確認でき、計画的な保全の判断材料になる。
早期検知によるコスト削減効果
Deloitteの2022年レポートによると、予知保全の導入によりダウンタイムを最大15%削減し、予備部品の在庫を最大30%削減できるとされている。突発停止による年間損失1,892万円と対比すれば、月額数千円〜のサブスクリプション費用の投資対効果は明確だ。
GenbaCompassが提供するPlantEarは、このスマートフォンAI音響診断を現場で実践するためのプラットフォームである。スマートフォンで設備音を録音するだけでAIが即時診断し、異常の予兆を検知する。専用センサーもケーブル工事も不要で、無料プランから試すことができる（有料プランは月額¥2,980〜）。「まず1台の重要設備から試したい」という現場に最適なスタート手段だ。
従来手法とのコスト比較
コスト面での違いを、設備5台を対象に1年間で概算してみる（規模・業種によって変動するため参考値として示す）。
| コスト項目 | 従来型振動センサー方式 | スマホAI音響診断 |
|---|---|---|
| 初期導入費（センサー・工事含む） | 約500万〜2,500万円 | ほぼゼロ |
| 月額ランニングコスト | 保守費用・通信費など | 月額数千円〜（設備数に応じて） |
| 点検人件費 | 専門技術者の工数 | 一般作業者でも実施可能 |
| 拡張コスト（設備追加時） | センサー・工事費の追加発生 | アプリ内の設備追加のみ |
| 年間総コスト目安 | 数百万〜数千万円規模 | 年間数万〜数十万円規模 |
大規模な生産設備や基幹ラインでは、振動センサーによる高精度な連続監視が依然として有効な場面もある。一方、多品種少量生産で設備の種類が多い工場、または予知保全を初めて導入する段階の企業においては、スマートフォンベースのAI音響診断がコスト対効果の観点で優位性を持つ。
音響診断を成功させる3つの運用ポイント
スマートフォンAI音響診断を現場で定着させるには、技術的な精度だけでなく、運用設計が重要になる。
ポイント1：録音条件の標準化
同じ設備を同じ条件で計測することが、精度維持の前提条件だ。「設備から30cmの距離」「運転開始後10分後に計測」など、現場ごとの録音手順書を整備する。担当者が変わっても同条件で計測できる仕組みが、データの信頼性を保証する。
ポイント2：正常音ベースラインの蓄積
設備導入時や大規模メンテナンス直後の「正常な状態」の音を基準データとして登録しておく。このベースラインと比較することで、経時変化を定量的に追跡できる。新設設備への展開も、ベースライン収録から始めるだけでよい。
ポイント3：異常アラートへの対応フロー整備
AIが異常スコアを検知した際に、誰がどう判断してどう対応するかのフローを事前に決めておく。「スコアが閾値を超えたら保全担当へ通知→48時間以内に目視確認→必要に応じて専門診断へエスカレーション」といった連携フローがあることで、アラートが「鳴りっぱなし」になるリスクを防げる。
まとめ｜設備異常音検知のDXを始める最小コスト
設備の異常音を「勘」や「経験」に頼らず、定量的かつ継続的に監視する仕組みを持つことは、製造現場のリスク管理において不可欠な課題となっている。
重要なポイントをまとめると以下のとおりだ。
- 突発停止の年間損失は平均1,892万円（八千代ソリューションズ調査、2025年）
- 振動センサーによる従来型システムの初期費用は数百万〜数千万円規模
- スマートフォンAI音響診断なら専用機器・工事不要で月額数千円〜から開始可能
- 誰でも一定品質の診断が可能になり、熟練技術者不足を補完できる
- まず1台の重要設備からスモールスタートし、効果を確認してから展開することが成功の鍵
「専用機器がないと始められない」という時代は終わっている。手元のスマートフォンを起点に、設備保全のDXを小さく、確実に進めることができる。
姉妹サービスの関連記事
GenbaCompassの姉妹サービスでも、現場改善に役立つ記事を公開している。
現場改善に役立つ関連アプリ
GenbaCompassでは、PlantEar以外にも現場のDXを支援するアプリを提供している。
| アプリ名 | 概要 | こんな課題に |
|---|---|---|
| PlantEar | AI音響診断 | 設備異音検知・予兆保全 |
| WhyTrace Plus | AI原因分析 | 故障原因のなぜなぜ分析 |
| AnzenAI | AI安全書類自動生成 | リスクアセスメント・KY活動 |
| 安全ポスト+ | ヒヤリハット報告AI | 設備トラブル報告の効率化 |
| 技術伝承AI | 暗黙知の形式知化 | 保全ノウハウの継承・共有 |
| DXスコープ診断 | 無料DX課題診断 | DX導入の優先順位確認 |
参考資料
- 八千代ソリューションズ株式会社「製造業の突発停止に関する調査」（2025年）https://yachiyo-sol.com/20250620-2/
- AIsmiley「異音検知AIとは？注目される背景や検知メカニズム、開発事例をご紹介」https://aismiley.co.jp/ai_news/what-is-noise-detection-ai/
- EE Times Japan「予知保全の概念を変える！超音波センサーの課題を克服」（2023年10月）https://eetimes.itmedia.co.jp/ee/articles/2310/02/news001.html
- 村田製作所「無線振動センサによる振動監視で予知保全を実現」https://solution.murata.com/ja-jp/service/wireless-sensor/manufacturing-industry-dx/vibration-monitoring/
- ミスミ「音によるベアリングの異常検知（装置故障の事前対応）」https://jp.misumi-ec.com/tech-info/categories/machine_design/md05/g0014.html
- Deloitte「Predictive Maintenance Report」（2022年）
- サステナビリティアクション「日本の予知保全市場規模予測」https://sustainability-action.jp/1042/
