AIを活用した航空機MRO：予知保全のリードタイムが重要な理由

時速55マイルで走行する100両編成の貨物列車が、ブレーキを全開にして停止するには、少なくとも1マイルの距離が必要です。 

したがって、鉄道の信号は赤になるずっと前から注意を促すようになっている。制動距離の範囲内で赤信号が現れても、何も防ぐことはできない――ただ、何に衝突しようとしているかを教えてくれるだけだ。

航空機の整備も同様の仕組みです。ただ、距離の単位が「時間」や「飛行サイクル」に置き換わっているだけです。

部品が予告なく故障し、航空機がAOG（航空機地上待機）状態になると、修理はあくまで始まりに過ぎません。フライトは欠航または振り替えとなり、乗客の予約も変更されます。誰かが、しばしば割高な価格で予備部品を手配しなければなりません。 整備士は予定されていた作業から引き離され、乗務員は勤務制限の限界に近づき、本来なら収益を生むはずの航空機は遊休状態になります。この混乱は波及していきます。欧州では、2024年の遅延総時間の46％が先行便からの連鎖的な遅延によるもので、これは他のどの原因よりも高い割合でした（EUROCONTROL）。

こうした事態は航空宇宙業界にとって決して新しいことではありません。変化したのは、その一部を事前に予測できるようになったという点です。 今日の航空機は、状態や性能データを継続的に送信しており、AI、機械学習、データエンジニアリング、そしてコネクテッドシステムにより、これらのシグナルをはるかに豊かな文脈の中で読み取ることが可能になりました。これによりすべての故障を未然に防げるわけではありませんが、整備チームに、すべての列車運転士が最も必要としているもの――「余裕」――をもたらします。私たちの世界において、それは「行動する時間」を意味します。

予知保全のリードタイムが航空機のAOGリスクを低減する仕組み

信頼性エンジニアは、この期間を「P-F間隔」と呼んでいます。これは、トラブルの最初の検知可能な兆候（P）と故障そのもの（F）との間の間隔を指す概念であり、 1970年代のユナイテッド 航空による信頼性中心の整備（RCM）の取り組みに由来するものです 。 したがって、予知保全の真の価値は、より適切な保全判断を下すためのリードタイムを生み出す点にあります。

AIはこの間隔を延長します。センサーデータに加え、故障履歴、整備記録、部品の挙動、運用条件などを分析することで、モデルは性能低下が運用上重大な問題となる前にそれを検知することができます。この警告があれば、チームは計画されたダウンタイム中に調査を行い、航空機の目的地に予備部品を準備し、適切な技術者と工具を手配することができます。 場合によっては、技術的な根拠から継続運用が可能であると判断されるため、正常な部品を翼に取り付けたままにしておくことが最善の判断となることもあります。

予測は、何が起こる可能性があるかを示します。 リードタイムがあれば、それに基づいて行動する機会が得られます。予測分析が、航空機の稼働率、整備の経済性、および機隊のパフォーマンスを向上させ始めるのは、まさにこの時点です。デルタ航空は、 整備による欠航が2010年の5,600件以上から2018年にはわずか55件に減少した要因の一つとして、自社の予測プログラムを挙げています。

図1. 早期のシグナルは、対応の余地を広げる。この概念は、信頼性中心保全（RCM）におけるP-F間隔を参考にしたものである。

航空機のヘルスモニタリングが、データを具体的な行動につながるシグナルに変換する方法

現代の航空機エコシステムは、データに溢れている一方で、依然として適切なシグナルが不足している。センサーの測定値や故障コードだけでは、ほとんど何も語らない。 しかし、運用状況、過去の整備履歴、コンポーネントの履歴、および同型機全体における当該部品の挙動と照らし合わせて分析すれば、多くのことが読み取れる。そのため、航空機ヘルスモニタリングは予知保全（MRO）の基盤となっている。システムや航空機全体でパターンが浮かび上がるため、かつて故障に先立って発生していた異常が、別の場所で再発した際には早期警告となる。

OEMやティア1サプライヤーにとって、こうした運用中のエビデンスは、信頼性工学、製品改良、将来の設計にも活かされます。運用中の航空機から得た知見は、次世代機の設計改善に役立つはずです。

デジタルツインを活用した、予測型から処方型への航空機整備の進化

アラートが発生しても、エンジニアには依然として疑問が残ります。その緊急度はどの程度か？ 残存耐用年数はどれくらいか？ いつ介入すべきか、また対応を先送りした場合どうなるのか？ 

ここでデジタルツイン が役立ちます。デジタルツインは、資産の設計仕様と、実際の運用履歴、使用状況、環境、点検データ、整備記録を結びつけるのです。さらに大きな可能性は、その考え方をコンポーネントから運用全体へと広げることにあるのです。整備要請は、コンポーネントの状態だけで決まることはめったにありません。 フライトスケジュール、格納庫の収容能力、整備士の空き状況、工具、予備部品、サプライチェーンのリードタイムなど、あらゆる要素が影響を及ぼしており、現時点ではその影響が特に大きい。IATAの推計によると 、2025年にはサプライチェーンの問題により航空会社は110億ドル以上の損失を被ると見込まれており、その大部分は整備、エンジンリース、予備部品に関連するものだ。 こうした状況を予測インテリジェンスと結びつけることで、処方型メンテナンスへと移行することができます。 

課題は、「何に注意を払うべきか」から、「運用への影響を最小限に抑えつつ、いつ、どのように行動すべきか」へと移行します。

図2. AIを活用したMROの連携ループ：航空機データ、技術的知見、運用状況が、整備の意思決定において融合する。

AIを活用した航空機点検がデジタル整備記録を構築する仕組み

目視検査は今後も基本であり続け、経験豊富なエンジニアや技術者の判断も同様に不可欠です。テクノロジーは、その判断をより的確なものにすることができます。 コンピュータビジョン、ドローン、高解像度画像、ロボティクスを活用することで、へこみ、ひび割れ、腐食、その他の表面損傷を発見し、記録することができる。例えばデルタ航空では現在、落雷を受けた航空機をドローンで撮影しており、整備士が画像を評価した上で、航空機を運航に復帰させている。

さらに大きなメリットは、その記録をデジタルで保存できる点にあります。技術者は、メンテナンスサイクルを通じて同じパネルを比較し、欠陥が拡大しているかどうかを確認し、過去の修理履歴や運用状況と関連付けることができます。点検は単発のイベントではなくなり、航空機の健康記録の一部となり、次回の判断材料の一つとなります。

GenAIが航空機整備エンジニアの信頼できる知識へのアクセスをどのように支援するか

MRO（整備・修理・オーバーホール）の問題のすべてが予測の問題というわけではありません。時には、適切な情報を十分に迅速に見つけることが難しい場合もあります。エンジニアは、整備マニュアル、サービス速報、エンジニアリングオーダー、トラブルシューティングガイド、修理履歴、規制要件、そして主に人々の頭の中に蓄積された長年の経験といった情報を横断して作業を行います。解決困難な不具合に対する答えは、すでにそのどこかに存在するかもしれません。

ここでGenAIが活躍の場を見出す可能性があります。例えば、夜間シフトで間欠的な不具合を追跡している技術者を考えてみましょう。問うべきことは単純です。「このような症状は以前にも見られたか？」「それを解決したのは何だったか？」「どの承認済みデータが適用されるか？」といった点です。専門分野に根差したアシスタントがあれば、これらの答えをはるかに迅速に導き出せるでしょう。

しかし、航空宇宙業界の基準は厳しい。「もっともらしい」答えだけでは不十分であり、信頼できる技術情報源に遡及可能で、適切に管理され、人間の監督下に置かれていなければならない。これは規制当局（EASA、FAA）も求めている条件である。 

したがって、GenAIの活用は、エンジニアリング上の判断に取って代わるのではなく、その判断力をさらに研ぎ澄ますものでなければなりません。

AIを活用した航空機MROエコシステムの構築

警告は、対応するための十分な余裕がある段階で届いて初めて意味を持ちます。 MROにおいて、それは航空機データ、エンジニアリングのノウハウ、部品、人材、そして計画を一元化することを意味します。そうすることで、問題が運航の混乱に発展する前に、チームが適切な判断を下せるようになります。LTTSでは、エンジニアリング・インテリジェンスが、メンテナンスを事後対応型から予測型へ、そして最終的にはより先を見越した意思決定へと移行させる助けになると考えています。