JR西日本が自動改札機の故障をAIで予測、点検3割減・故障2割減を両立

自動改札機1台につき、定期点検は年に7回、故障による呼び出しは年に2回。これに約2,000台という数が掛かると、年間で約14,000回の点検と約4,000回の緊急対応になります。JR西日本が抱えていたのは、この点検回数と故障発生件数を同時に下げたいという、一見すると噛み合わない二つの要求でした。

編集部の見立てでは、困りごとの本質は作業量の多さそのものではなく、点検を「どこに」向けるかを決める材料がなかったことにあります。台数と回数で保守計画を組む限り、まだ元気な機器にも傷みかけた機器にも同じ頻度で人が向かうことになり、点検を減らせば取りこぼしが増え、故障を減らそうとすれば回数が膨らむ。二つの要求が衝突しているように見えたのは、機器の状態が分からないまま暦だけで保守が動いていたからではないでしょうか。

予測の材料に、券詰まりの回数や切符の搬送速度といった、機器が日々吐き出している動作ログとセンサデータを選んだ点が、この取り組みの土台になっています。改札機は毎日大量の乗車券を処理しており、その処理の様子は特別な計測をしなくても記録として残ります。それを故障履歴と突き合わせ、どんな挙動の変化が故障の前触れになるのかを機械学習で学ばせる。新たに何かを測りに行くのではなく、すでに手元にある記録を予測の資源として読み替えた設計です。

もう一つの柱は、故障確率を押し上げた要因を機器ごとに示す解釈機能を独自に作り込んだところにあります。予測モデルの出力が「この機器は危ない」という数字だけであれば、保守担当者は結局どこを見ればよいのか分からず、従来どおりの一通りの点検に戻ってしまいます。要因まで提示されるからこそ、点検に向かうかどうかだけでなく、行った先で何を確認するかまで決められる。予測を判断材料として使える形に落とし込んだことが、現場で回る仕組みになった理由だと考えられます。

運用のリズムを週に一度のデータアップロードと推論に置いた点も見逃せません。故障予測は常時監視でなければ意味がないと思われがちですが、点検の計画を組み替える単位が週や月であるなら、予測の更新もその周期に合わせれば足ります。いきなり全線に広げず神戸エリアで試し、試行エリアと対象外エリアを1台あたりで比べる形で効果を確かめてから展開に進んだ段取りは、効果が目に見えにくい予測の仕組みを組織に受け入れさせるうえで理にかなった進め方。

2020年6月から神戸エリアで試行し、試行エリアと対象外エリアの自動改札機を1台あたりで比較したところ、総点検回数は約3割、故障発生件数は約2割減りました。少ない点検で故障も抑えるという相反する目標が同時に成り立つことが確かめられ、JR西日本管内へ展開され、券売機や精算機にも適用されています。現場からも、保守業務が効率的になったという評価が出ています。同じ予知保全の技術は2024年4月から東洋紡の製造ラインの一部でも使われ、故障による製造ラインのタイムロスが累計で約10時間短くなったと評価されています。