設備の寿命予測｜ワイブル分析の基本と活用
設備の寿命予測｜ワイブル分析の基本と活用
「設備がいつ壊れるか予測できれば、保全計画を立てやすいのに」
設備の故障時期を予測するには、ワイブル分析が有効だ。故障データを分析することで、いつ、どのくらいの確率で故障するかを推定できる。
この記事では、ワイブル分析の基本と設備保全への活用方法を解説する。
ワイブル分析とは
ワイブル分析は、設備の故障時期や製品の寿命を統計的に予測する手法だ。
ワイブル分布の特徴
ワイブル分布は、スウェーデンの技術者ワロディ・ワイブルが提案した確率分布だ。
主な特徴：
- 時間に対する劣化現象をモデル化できる
- 様々な故障パターンを表現できる
- 信頼性工学で広く使われている
活用分野：
- 機械部品の寿命予測
- 設備の故障率推定
- 予防保全計画の策定
重要なパラメータ
ワイブル分布には2つの重要なパラメータがある。
| パラメータ | 記号 | 意味 |
|---|---|---|
| 形状パラメータ | β（ベータ） | 故障パターンを決定 |
| 尺度パラメータ | η（イータ） | 特性寿命（約63.2%が故障する時間） |
形状パラメータ（β）と故障パターン：
| β値 | 故障パターン | 意味 |
|---|---|---|
| β < 1 | 故障率減少 | 初期故障（時間とともに減る） |
| β = 1 | 故障率一定 | 偶発故障（ランダム） |
| β > 1 | 故障率増加 | 摩耗故障（時間とともに増える） |
バスタブカーブとの関係
設備の故障率は「バスタブカーブ」と呼ばれる特徴的なパターンを示す。
バスタブカーブの3つの領域
| 領域 | 名称 | 特徴 | β値 |
|---|---|---|---|
| A | 初期故障域 | 使い始めに故障が多い | β < 1 |
| B | 偶発故障域 | 故障がランダムに発生 | β ≈ 1 |
| C | 摩耗故障域 | 使い込むと故障が増える | β > 1 |
ワイブル分布は、この3つの領域すべてを一つの式で表現できる点が優れている。
形状パラメータの活用
形状パラメータ（β）の値から、適切な保全方法を判断できる。
| β値 | 故障モード | 推奨される保全方法 |
|---|---|---|
| β < 1 | 初期故障 | 初期点検の強化、慣らし運転 |
| β ≈ 1 | 偶発故障 | 状態監視保全（CBM） |
| β > 2 | 摩耗故障 | 時間基準保全（TBM） |
ワイブル分析の進め方
ワイブル分析の基本的な進め方を紹介する。
ステップ1：データ収集
故障データを収集する。
必要なデータ：
- 故障発生日時
- 運転時間または稼働回数
- 故障内容・部位
- サンプル数（できれば10件以上）
データ品質のポイント：
- 同じ部品・同じ条件のデータを集める
- 打ち切りデータ（未故障のもの）も記録する
ステップ2：ワイブルプロット
データをワイブル確率紙にプロットする。
プロット方法：
- 故障データを小さい順に並べる
- 累積故障確率を計算する
- ワイブル確率紙にプロットする
- 直線を引いて傾きと切片を読み取る
ツールの活用：
- Excel（Solver機能）
- Python（SciPyライブラリ）
- 市販の信頼性解析ソフト
ステップ3：パラメータ推定
プロットから形状パラメータ（β）と尺度パラメータ（η）を求める。
推定方法：
- 最尤法：最も一般的な方法
- 回帰法：ワイブル確率紙から直線近似で求める
ステップ4：寿命予測
求めたパラメータを使って寿命を予測する。
予測できる指標：
- B10ライフ：10%が故障する時間
- MTTF：平均故障時間
- 信頼度：特定時間後に動作している確率
保全計画への活用
ワイブル分析の結果を保全計画に活用する方法を紹介する。
予防保全の時期決定
TBM（時間基準保全）の場合：
β > 2の摩耗故障型部品に有効だ。
交換時期の決め方：
- 許容できる故障確率を設定（例：5%）
- その故障確率に達する時間を計算
- 安全率を考慮して交換時期を決定
例：
- B10ライフが10,000時間の部品
- 10%故障前に交換したい
- →8,000〜9,000時間で予防交換
保全コストの最適化
ワイブル分析で保全コストを最適化できる。
コスト比較：
| 保全方式 | コスト要素 | ワイブル分析の活用 |
|---|---|---|
| 事後保全 | 故障損失+修理費 | 故障頻度の予測 |
| 予防保全 | 部品費+作業費 | 最適交換時期の決定 |
| 状態監視保全 | 監視費+部品費 | 監視対象の選定 |
在庫管理への活用
故障予測に基づいて補修部品の在庫を最適化できる。
活用方法：
- 今後1年間で故障する部品数を予測
- 必要な補修部品数を算出
- 過剰在庫と欠品を防止
📱 設備の異常を早期発見
「PlantEar」は、設備の音をAIで解析し、異常の予兆を検知するアプリ。
ワイブル分析と組み合わせることで、より精度の高い予知保全が実現できる。
まとめ
ワイブル分析は、設備の寿命予測と保全計画に有効なツールだ。
ワイブル分布の特徴：
- 形状パラメータ（β）で故障パターンを表現
- 尺度パラメータ（η）で特性寿命を示す
- バスタブカーブの全領域をモデル化
形状パラメータの意味：
- β < 1：初期故障（故障率減少）
- β ≈ 1：偶発故障（故障率一定）
- β > 1：摩耗故障（故障率増加）
ワイブル分析の進め方：
- 故障データの収集
- ワイブルプロットの作成
- パラメータの推定
- 寿命予測と活用
保全計画への活用：
- 予防保全の最適時期決定
- 保全コストの最適化
- 補修部品の在庫管理
データに基づいた保全計画で、設備の信頼性を高めよう。
現場改善に役立つ関連アプリ
GenbaCompassでは、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 | 設備異音検知AIで予兆保全 | 設備の突発故障を防ぎたい |
| 安全ポスト＋ | QRコードで簡単報告、AI自動4M分析 | ヒヤリハット報告が少ない |
| WhyTrace | 5Why分析で根本原因を究明 | 同じ問題が繰り返される |
| AnzenAI | KY活動記録・安全書類作成を効率化 | 安全書類の作成に時間がかかる |
| DX診断 | 現場のDX成熟度をチェック | DXの進め方が分からない |
詳しくは GenbaCompass をチェック。