現在でこそ高効率・高精度を実現している同社のデータ活用ですが、導入当初から効果を上げていた訳ではありません。初めは故障予知の精度が低く、異常の前段階であることを警告する「お知らせデータ」に基づいて出動しても「空振り」が多かったそうです。この精度を高めたのはデータ収集項目の見直しや判定ロジックの見直しなど、地道な改善努力を継続したことです。

　データ収集項目に関しては、例えば、監視対象をボイラ本体だけでなく給水や電源など関連するユーティリティ部分に拡大しています。水処理設備のトラブルによってボイラに負担がかかりトラブルの原因になりますが、従来はボイラ本体に異常が現れるまで検知することができませんでした。監視対象を給水部分に拡大することにより、ボイラ用水の変化や劣化を検知し、ボイラ本体のトラブルにつながる発生原因をなくすことで故障なく運転できるように改善したのです。

　一方、判定ロジックに関しては、例えば、「お知らせデータ」を出すスケールの厚さを見直し、0.3mmに設定しています。スケールとは、ボイラ水に含まれるカルシウム・マグネシウムなどが、熱交換を行う配管内に付着してつくる硬い皮膜のことです。この付着は、ボイラの熱効率を悪くなるだけでなく、配管の温度が高くなり故障につながるので、事前保守の重要な判断要素となっているのです。

　しかし、このような地道な取り組みを行っても、さまざまな要素が複雑に絡み合うケースをすべて網羅できるものではありません。このような場合、判定精度の向上は、収集したさまざまなデータを見て最終的に判断する人の能力に依存します。メンテナンスの基本は「人」なのです。三浦工業のすごいところは、収集したデータを分析し、ワンストップでトラブルを解決できる総合的知識・スキルを持ち、顧客ごとに最適な保守計画を策定することができるサービスエンジニアの育成が必須だと認識し、これを育成する社内教育制度と社内機種資格制度を創設し、これを積極的に活用していることです。これらの制度を通して生まれたスキルの高いエンジニアの存在が、データ活用の効用を高めているのです。

　さらに同社は収集したデータをメンテナンスの改善に使うだけでなく、商品品質の向上や新商品開発にも活用しています。これは、トラブルそのものの減少にもつながります。例えば、異物混入による給水の逆流がとまらなくなるトラブルが多いことをデータから発見し、これを防止する弁を技術開発し、このトラブルを激減させています。

　このように小さな改善や改良を積み重ね、また、これを実施する人材を組織的に育成することで、メンテナンス事業の効率を少しずつ高めていったのです。

４． 新しい技術への挑戦が今後の課題

　このように大きな成功を収めている三浦工業の予防保全ですが、さらなる高度化に向けていくつかの課題が出てきています。その一つは、今までの成功体験からの脱皮です。同社のIoT活用では、IoT向けの新しい通信システムの導入、クラウド活用や機械学習導入などが必要となっています。同社はオンラインメンテナンスで大きな成功を収めているだけに、新しいツールの導入には高いハードルが待っていると想定されます。従来のやり方で大きな効果を実現しているので、新しいツールを導入しても今まで以上の成果をあげることが簡単ではないからです。しかし、グローバル市場で成功を収めるためには、最新技術の利用は避けては通れない課題です。

　同社のボイラは多品種少量生産の典型で、一機種当たりのデータ量は多くはありません。一般に多くのデータを必要とする機械学習や深層学習を活用するには、適切な適用領域の発見や少量データに向いた手法の採用などの工夫が必要となります。例えば、適用領域に関しては、メンテナンス作業の一層の効率化を図る、より正確な判断を支援するなどの活用が考えられるでしょう。また、単にデータ分析に頼るだけでなく、故障に至るまでのパターンを人工的に再現し、これに関する詳細なデータ収集を行い、知見を得ることが有効な場合もあります。要は、新しいツールの出現により、これらの活用を含めた最適なメンテナンスのやり方を再検討する時期に来ているのです。

　しかし、この場合も基本となるのは最先端のツールを使いこなし、データを読み解く「人」となります。同社が新しいツールに対応できる人材育成を推進し、ボイラ分野のIoT活用に新しい可能性を切り拓くことを期待したいと思います。