予知保全（プレディクティブメンテナンス）とは？

製造現場において、稼働率を左右する最大の要因は設備の突発停止（ダウンタイム）です。1時間あたりの生産停止損失が数百万円に達する主要ラインでは、故障を未然に防ぐ設備保全が工場の収益性を直接左右します。この課題に対処するためのアプローチは、「事後保全」「予防保全（TBM：時間基準保全）」「予知保全（CBM：状態基準保全）」の3つに大別され、それぞれ異なるコスト構造とリスクを抱えています。

設備保全の3大アプローチ「事後・予防（TBM）・予知（CBM）」の完全比較

違いが一目でわかる「保全コスト」と「ダウンタイム」の比較マトリクス

それぞれのアプローチは、実施のタイミングや必要な投資、そして想定されるリスクが大きく異なります。自社の設備環境においてどのアプローチを最適配置すべきかを判断するために、4つの評価軸で比較したマトリクスが以下となります。

評価項目	事後保全	予防保全（TBM）	予知保全（CBM）
定義	設備が故障・停止した後に修理や部品交換を行う手法。	稼働時間やカレンダー期間を基準に、定期的に部品交換や点検を行う手法。	センサーデータ等で稼働状態を監視し、異常の予兆を検知して都度保全する手法。
実施タイミング	故障発生時（突発的）	あらかじめ定めた周期（計画的）	故障の予兆検知時（オンデマンド）
コスト構造	初期投資は最小。ただし、突発停止時の修繕費や機会損失は最大。	初期投資は中規模（計画策定や部品在庫）。部品の過剰交換による運用コストは高い。	初期投資は高額（センサー、解析システム）。一方で部品寿命の最大化により運用コストは最小化。
ダウンタイムリスク	高（修繕マニュアルや代替部品の手配遅れによる長期化リスクあり）	中（計画停止は発生するが、突発的な停止は大幅に抑えられる）	低（生産スケジュールを考慮した最適なタイミングで最小限の停止に留める）

予防保全（TBM：時間基準保全）の限界と過剰整備が招くコストの浪費

従来の定期点検を中心とする予防保全（TBM：時間基準保全）は、突発的なダウンタイムを回避するための実用的なアプローチとして長く採用されてきました。しかし、稼働状況に関わらず「一定期間が経過したから交換する」という一律の運用ルールは、結果として莫大な無駄を生み出しています。

予防保全（TBM）と予知保全（CBM）の違いを検討する上で避けて通れないのが、この過剰整備にともなう部品・人件費の浪費です。産業用機器や保全業務の調査を行うARC Advisory Groupの分析によると、製造業における予定されたメンテナンス（予防保全）作業のうち、実際には行う必要のなかった不要な作業や過剰整備が占める割合は約30%に達していることが指摘されています。本来であればまだ継続使用が可能なベアリングやシール類といった部品が、メーカー推奨の交換サイクルに従うだけで早期に廃棄されているのが実態です。

また、頻繁な分解点検は新たなリスクも誘発します。分解・再組立時のボルトの締め忘れや配線の接触不良といった「人為的ミス（作業起因の故障）」が、全体のメンテナンス障害の一定割合を占めているという調査もあります。TBMは一定の安心をもたらす一方で、部品寿命の使い残しという経済的損失と、人手不足の現場における不要な保全工数という二重の課題を抱えています。

予知保全（CBM：状態基準保全）への移行がもたらす財務インパクト

これらの課題を解決し、スマート工場におけるIoTを活用したメンテナンスを実現するために有効なのが、予知保全（CBM：状態基準保全）へのシフトです。CBMは、設備に後付けした振動センサーや電流センサーなどから、稼働中の細微な変化をリアルタイムで取得します。そして、得られたデータから定常時とは異なる「アノマリー検知」をAIで行うことにより、故障に至る前兆を高い精度で捕捉します。

このCBMへの移行がもたらす財務メリットは、初期のシステム投資やセンサー配備費用を早期に回収できるほどのインパクトを持ちます。マッキンゼー・アンド・カンパニー（McKinsey & Company）の調査レポート「The Internet of Things: Catching up to an accelerating opportunity」によると、予知保全（CBM）の導入によって、設備メンテナンス全体のコストは最大10%から40%削減され、突発的なダウンタイムは最大50%削減、さらに設備投資額（機器の寿命延長によるもの）が最大3%から5%削減されるという試算が示されています。

具体的なAIによる設備保全の事例を挙げると、コンプレッサーやモーターなどの回転体に振動センサーを設置し、特定の周波数領域における振幅の増大を検知する仕組みが一般化しています。異常を検知した段階で初めて、あらかじめ用意された修繕マニュアルに基づき保全を実施するため、不要な交換はゼロになり、部品寿命を限界まで使い切ることが可能になります。

CBMの推進には、初期段階での「どの設備に適用するか」という対象の選定や、データの閾値設定などの標準化作業が必要です。しかし、熟練技術者の勘や経験に頼っていた「異音の検知」や「触診」をデジタル技術で代替し、保全基準を標準化することは、ベテランの退職に伴う技術承継問題に対しても強力な解決策となります。費用対効果と持続可能性の両面から、CBMへの取り組みは今後の製造業において極めて合理的な選択肢と言えます。

予知保全を実現するIoTセンサーとAI異常検知の技術的メカニズム

IoTを活用したスマート工場メンテナンスの推進において重要となるのは、時間基準保全（TBM：予防保全）と状態基準保全（CBM：予知保全）の技術的な違いを理解し、適切なハードウェアおよびソフトウェアを組み合わせることです。これら双方の課題を解決するのが、状態監視を基盤とした「予知保全」であり、その心臓部となるのがIoTセンサーによる物理データの取得と、AIを用いた高精度な解析アルゴリズムです。

物理量（振動・温度・電流・圧力）を捉える各種IoTセンサーの選定基準

監視対象とする回転体（モーター、ギヤ、コンプレッサーなど）や往復運動機器の故障予兆を正確に捉えるには、適切なセンサーの選定と配置が不可欠です。異常の発生プロセスにおいて、最初に現れる「微小な振動の変化」や「電気的な歪み」を捉えるためのセンサー仕様、および設置基準を以下の通り整理しました。

物理量	主な検知対象	センサー選定の指標	最適な設置基準
振動	ベアリングの損傷、軸のアンバランス、ミスアライメント	測定帯域（10Hz〜10kHz以上）、感度、3軸検知能力	軸受ハウジングの直上。振動伝達ロスをゼロにするため、ネジ固定または金属用エポキシ接着
温度	巻線の絶縁劣化、摺動部の潤滑不良、摩擦熱	応答速度、測定範囲（-40℃〜200℃）、非接触（赤外線）か接触（熱電対）か	軸受の近傍やハウジング表面。ファンなどによる冷却風の影響を受けないシールド位置
電流	ローターバーの断線、巻線のショート、過負荷	CT（カレントトランスフォーマ）の測定電流容量、クランプ式、サンプリング周波数	制御盤内の対象モーター給電線。センサー用の設置スペースが装置側にない場合に有効
圧力	油圧シリンダーのシール磨耗、配管の詰まり・漏れ	耐圧性、応答時間、出力信号形式（4-20mAなど）	流体の乱流や急激なウォーターハンマーの影響を避けるため、バルブから一定の距離を離した配管部

例えば、オムロンが提供するモータ状態監視機器「K6CM」シリーズでは、振動センサーと温度センサーを一体化し、ベアリングの初期傷から発生する12.5kHzまでの高周波振動を検知する技術が採用されています。このように、センサーは単に「取り付ける」だけではなく、検知したい故障モード（剥離、摩擦、断線など）に応じた測定帯域と、機械的振動が最も直接伝わる箇所へ配置することが、有意なデータを取得するための前提条件です。

収集データから「いつもと違う状態（アノマリー）」を検出するAI・機械学習の仕組み

センサーから集約された時系列データから、故障に至る前兆現象であるアノマリー（異常兆候）を検出するには、AI・機械学習を用いたアノマリー検知アルゴリズムが必要となります。従来の固定された閾値による判定（例：振動が〇〇Gを超えたらアラート）では、運転負荷の変動による正常な変動を異常と誤検知したり、微小な異常変化を見落としたりするためです。

時系列データからアノマリー検知を行うための主な処理フローは、以下の3つのステップで構成されます。

• 特徴量抽出（前処理）: 振動センサーなどから得られる生波形データ（タイムドメイン）から、RMS（実効値）、ピーク値、歪み度（スキューネス）といった時間領域の特徴量を抽出。さらに、FFT（高速フーリエ変換）処理を施し、特定の周波数成分（ベアリングの異常通過周波数など）の振幅変化を周波数領域の特徴量として抽出します。
• 正常モデル（ベースライン）の構築: 設備が完全に正常稼働しているデータのみを学習させ、「正常状態」の多次元的な範囲を定義します。アルゴリズムには、正常データのみで境界を学習できる「One-Class SVM（サポートベクターマシン）」や、ディープラーニングを用いた「オートエンコーダー（自己符号化器）」が用いられます。
• 異常スコアの算出と動的閾値判定: 新たに入力されたデータが正常モデルからどれほど乖離しているかを「再構成誤差」や「マハラノビス距離」として算出します。オートエンコーダーを用いる場合、正常データを圧縮・復元するネットワークを構築します。正常データが入力された場合は正確に復元（再構成誤差が微小）できますが、異常データが入力されると復元精度が著しく低下（再構成誤差が急増）するため、この誤差の急増をアノマリーとして検出します。

実際の設備保全におけるAI導入事例として、横河電機のデータ解析ソリューションでは、複数台のセンサーから得られる「圧力・流量・温度」といった相関関係を多変量解析（MT法：マハラノビス・タグチ法）によって監視しています。これにより、「温度だけ」「圧力だけ」を見ると異常値ではないものの、「温度が高い割に圧力が低すぎる」といった変数の不整合をアノマリーとして検出し、突発的なダウンタイムを回避することに成功しています。

これらの高度な検知アルゴリズムを現場に適用する際は、センサーの取り付けトルクや配線経路、データのサンプリング周期、さらには異常判定時の連絡ルートに至るまでを標準化し、保全業務の実行「マニュアル」に明文化して組み込むことで、現場の混乱を防ぎ安定した運用体制を構築します。

製造業における設備保全のAI・IoT活用事例と投資対効果（ROI）の実態

熟練技術者の不足を補う「振動データ×AI解析」の設備保全活用事例

熟練技術者の勘や経験に頼っていた「異音の聞き分け」や「手で触れたときの微小な振動の検知」といった技術承継が限界を迎える中、スマート工場におけるIoTメンテナンスの導入による業務の標準化が進められています。その中核となるのが、振動センサーや電流センサーを用いた、実用性の高い設備保全へのAI導入事例です。

具体例として、24時間連続稼働が求められる製造ラインのポンプやファンなどのモーターおよび軸受（ベアリング）におけるアノマリー検知が挙げられます。従来の設備保全は、突発故障に対応する事後保全や、あらかじめ設定したスケジュールに準じて部品交換を行う時間基準保全（TBM）が主流でした。しかし、これらは部品の「過剰交換によるコスト増加」や、交換時期を迎える前に予期せぬ故障が発生する「ダウンタイムのリスク」を排除できないという課題を抱えています。

この課題を解決するのが、状態監視保全（CBM）をベースにした予知保全です。ベアリングのハウジング部に超高周波に対応した圧電式の振動センサーを常時設置し、収集した時系列データをAIでリアルタイム解析します。例えば、旭化成の「振動解析プラットフォーム」や、オムロンの「モーター状態監視機器（K6CM）」などの市場に実装されている製品では、ベアリング内部の傷や剥離によって生じる特有の振動周波数を自動抽出し、故障の予兆を早期に検出します。

現場へ導入するにあたり、意思決定で重要となるのが、予防保全と予知保全の特性の違いの正確な理解です。時間基準の予防保全がスケジュールに依存するのに対し、予知保全は機械の実状態に追従します。しきい値判断の基準をマニュアルとして明確に落とし込み、属人的な判断を廃して標準化することにより、保全経験の浅い担当者であっても、AIの検知結果から計画的な部品交換ができるようになります。

導入費用（センサー代・PoCコスト）に対する投資回収期間（ROI）の算出モデル

予知保全システムを実導入するにあたり、最も大きな障壁となるのが投資対効果（ROI）の定量的な算出です。経済産業省が示す製造業におけるDX推進ベンチマークや、一般的な産業用機械の稼働停止損失データを基に、具体的な導入コストとダウンタイム削減額のROIシミュレーションモデルを提示します。

ここでは、「稼働率95%が求められる重要組立ラインにおいて、大型ACサーボモーターおよび直結ギヤボックス計10台を状態監視の対象とする」という具体的な製造現場の想定を用いて試算します。

費用・効果項目	算出内訳（詳細）	金額（初年度）	2年目以降（年間）
初期導入費用（イニシャル）	振動センサー10台（1台25万円）＋ゲートウェイ・中継器一式 50万円＋PoC（データ検証・アルゴリズム適合）300万円	6,000,000円	0円
システム運用費用（ランニング）	AI解析・状態監視クラウド利用料（月額8万円）＋現地ハードウェア保守サポート（年24万円）	1,200,000円	1,200,000円
突発停止の回避（ダウンタイム削減）	年平均2回発生していた突発停止（1回あたり平均4時間、1時間損失150万円として計算）をアノマリー検知により100%回避	12,000,000円	12,000,000円
過剰部品交換コストの最適化	TBMからCBMへの移行により、従来一律で年1回実施していたベアリング等の予防交換を2年に1回（状態に応じた交換）へ削減	1,000,000円	1,000,000円

このシミュレーションモデルにおける投資回収期間（Payback Period）の計算式は以下の通りです。

初年度のネット削減効果（投資回収額）：
（突発停止回避効果 12,000,000円 ＋ 部品代最適化効果 1,000,000円） － （初期導入費用 6,000,000円 ＋ システム運用費用 1,200,000円） ＝ ＋5,800,000円

投資回収期間：
初期導入費用 6,000,000円 ÷ （年間削減効果合計 13,000,000円 － 年間運用費用 1,200,000円） ≒ 0.51年（約6.1ヶ月）

この試算モデルが示すように、1時間あたりの生産停止損失（機会損失、ライン復旧に関わる人件費、不良仕掛品の廃棄コストなど）が大きい主要設備にターゲットを絞ってIoTメンテナンスを適用することで、PoCコストを含めても1年未満での投資回収が可能です。突発停止を1回未然に防ぐだけで初期投資の大部分が回収できるという算段を立ち上げることが、工場の決裁権者に対する強力な説得材料となります。

予知保全を現場に定着させる4ステップの実装ロードマップ

予防保全（時間基準保全：TBM）から予知保全（状態監視保全：CBM）への移行は、単に高精度なシステムを導入するだけでは完了しません。突発故障による工場のダウンタイムを防ぎ、事後保全の手間や予防保全による過剰な部品交換コストを削減するためには、現場の運用プロセスに組み込むための実践的なアプローチが不可欠です。以下に、システム導入から現場定着までの具体的な4ステップの実行手順を解説します。

【ステップ1・2】ボトルネック設備の選定とデータ収集環境の構築

ステップ1：ボトルネック設備（対象）の選定

最初のステップは、工場内のすべての設備を一度にスマート化するのではなく、故障時の損失額（ダウンタイムコスト）が最も大きい「ボトルネック設備」に焦点を絞ることです。具体的には、月間2万時間を稼働する自動車用プレス成形ラインのメインサーボモーターや、24時間連続運転を行う化学プラントの主要コンプレッサーなどが対象となります。全設備への一斉導入は、初期投資を肥大化させてROI（投資対効果）を悪化させる最大の要因です。まずは故障1回あたりの機会損失額が数百万円から数千万円に達する重要設備を特定し、スモールスタートを切ることが定着への近道となります。

ステップ2：スマート工場におけるIoTメンテナンス環境の構築

選定した重要設備に対し、状態を正確に可視化するための物理的なセンサーを設置し、ネットワークを構築します。例えば、回転体設備（ベアリングや減速機など）であれば、異常の初期兆候である微細な異常振動を捉えるために「振動センサー」を装着します。具体的には、オムロン社製のモーター状態監視機器「K6CM」や、アナログ・デバイセズ社の高精度な産業用3軸加速度センサーなどをモーター軸受に直接取り付けます。振動の「加速度」「速度」「変位」データを常時監視し、現場のPLC（シーケンサー）やゲートウェイを経由して上位の解析システムへシームレスにデータ送信する、スマート工場におけるIoTメンテナンスの基盤を整えます。

【ステップ3・4】異常検知モデルの調整と現場用保全マニュアルの標準化

ステップ3：設備保全へのAI活用によるアノマリー検知モデルの調整

データを蓄積した後は、設備保全へのAI活用による「アノマリー検知」モデルを構築・チューニングします。正常運転時の振動・温度・電流データをAIモデル（One-Class SVMやオートエンコーダーなど）に学習させ、そこから乖離した「いつもと違う動き」を異常予兆として検知する仕組みです。しかし、工場内の環境温度の季節変動や、製造する製品の品種切り替えに伴う一時的な負荷変動によって、導入初期は誤検知（偽陽性）が発生します。この課題を解決するためには、現場の熟練技術者が「この一時的な振動上昇は品種Aの加工に伴うもので、異常ではない」といったドメイン知識をAIモデルにフィードバックし、閾値を繰り返し微調整（チューニング）するプロセスが不可欠です。実際に、日立製作所が提供する設備予兆診断サービスなどの現場運用例でも、導入後3〜6か月間のチューニング期間を設けることで、誤検知率を実用レベルである5%以下に抑え込む運用が行われています。

ステップ4：現場用保全マニュアルの「標準化」と教育

AIが異常予兆（アノマリー）を検知しても、現場の作業員が「次に具体的にどのような点検・修理を行うべきか」を即座に判断できなければ、重大なダウンタイムを未然に防ぐことはできません。AIシステムのアラート（黄信号）をトリガーとして、現場が迷わず動けるための「標準保全マニュアル」を作成し、業務プロセスを標準化します。具体的には、以下の3つの運用ルールを整備し、手順書に明記します。

• アラートレベルに応じた対応フローの策定：「レベル1（要注意）：次回シフト交代時に点検」「レベル2（要対応）：ラインを計画停止し部品交換」など、緊急度に応じたアクションを明確にします。
• 検知部位ごとの点検手順の具体化：振動センサーが異常を検知したベアリングに対し、規定のグリスアップを行う手順や、摩耗基準を超えた場合の交換作業手順をイラスト付きでマニュアル化します。
• AIへのフィードバック手順の確立：保全作業を行った結果、「実際に部品が摩耗していたか」「空振りの誤検知だったか」を現場作業者がシステムに入力し、AIの再学習に活かす運用サイクルを回します。

ISO 13374（機械の状態監視及び診断に関する規格）などの国際標準に準拠した運用手順をベースに、定期的な避難訓練のように「アラート検知時の模擬訓練」を現場で実施することで、システムは「一部の専門家だけが使うツール」から「現場全員が使いこなせるインフラ」へと定着していきます。

自社の保全レベルを診断する「スマート保全移行チェックリスト」と次のアクション

自社の設備保全が現在どの段階にあり、どの設備からスマート化を進めるべきかを客観的に判断するための「スマート保全移行チェックリスト」です。以下の10項目について、自社の運用に当てはまるか確認してください。

• 1. 突発的な設備停止（ダウンタイム）の発生件数と損失金額が、毎月定量的に把握できている
• 2. 定期シャットダウン時の部品交換基準が、メーカーの推奨値（時間基準保全：TBM）だけでなく、実状態に基づいて判断されている
• 3. 現場の熟練作業者が持つ「音や振動の違和感」が言語化、または数値として可視化されている
• 4. 主要なモーターやポンプに、後付けの振動センサーや電流センサーが設置されている
• 5. センサーデータの収集環境（PLC、ゲートウェイ、ローカルネットワーク）が整備されている
• 6. 収集したデータを解析し、アノマリー検知（異常兆候の早期発見）ができるシステムやツールがある
• 7. 「予防保全」と「予知保全」の違いを理解し、設備ごとにCBM（状態基準保全）とTBMの使い分けができている
• 8. トラブル発生時の対応手順（マニュアル）がデジタル化され、現場で即座に参照できる
• 9. 保全業務の標準化が進んでおり、特定の熟練技術者に依存しない体制が構築されている
• 10. 予知保全システムの導入に向けた、投資対効果（ROI）の評価基準（例：削減できるダウンタイム費用 vs 導入コスト）が社内で定義されている

チェック数が0〜3個の場合は「事後保全・初期予防保全フェーズ」、4〜7個の場合は「部分的・予防保全（TBM）フェーズ」、8個以上の場合は「状態監視（CBM）・予知保全フェーズ」に位置します。自社の現在地を把握した上で、次のステップへ進みましょう。

設備特性（故障頻度・停止損失）に応じた保全手法のセグメンテーション

すべての設備に一律でスマート工場におけるIoTメンテナンスを導入することは、過剰な初期投資を招き、費用対効果を悪化させます。時間基準の予防保全（TBM）と状態基準の予知保全（CBM）の違いを理解し、適切な投資配分を行うための「設備ポートフォリオ選定マトリクス」を以下に示します。

設備カテゴリ	特徴・停止損失	推奨される保全手法	具体的な管理手法とツール
Tier 1（最重要設備）	停止時の損失が極めて大きい、代替機がない	予知保全（CBM・状態監視保全）	振動センサー、電流監視、AIによるアノマリー検知
Tier 2（重要設備）	予備機がある、停止損失は中規模	予防保全（TBM・時間基準保全）	メーカー推奨周期での定期部品交換、簡易テスター測定
Tier 3（汎用設備）	代替や交換が容易、停止時の影響が小さい	事後保全（故障後対応）	故障発生時の迅速な交換体制、標準化されたマニュアル

Tier 1に分類される代表例は、自動車製造ラインの溶接ロボット用サーボモーターや、化学プラントの大型送風ファン（ブロワー）です。これらは突発停止が数時間のラインダウンタイムを引き起こし、1回のアセンブリ停止で数百万円から数千万円規模の損失を生むため、リアルタイムの監視（CBM）が不可欠となります。

一方、Tier 3に属する汎用コンベアのベルトや小型油圧シリンダーなどは、故障時の交換が容易であり、予備品を在庫管理しておくことで、事後保全のほうがライフサイクルコストを低く抑えられます。日本能率協会コンサルティングによる設備保全の実態ベンチマークでも、設備特性に応じた保全手法の適正化により、保全費全体を最大で約20%削減できた実例が示されています。すべての設備をセンサー化するのではなく、このマトリクスに基づいて優先順位を決定してください。

保全DXを成功に導く「スモールスタート」推進アプローチ

予知保全の導入において、最初から工場全体のすべての設備を接続しようとすると、PoC（概念実証）の段階で投資対効果が見出せず、プロジェクトが頓挫するケースが多発します。まずは「1つの重要ライン、1つのセンサー」から始めるスモールスタートが極めて有効です。

最初のステップとして、工場内で最も突発停止の頻度が高く、かつボトルネックとなっている箇所の「モーター」や「ベアリング」を1点だけ選定します。ここに、配線工事が不要なマグネット取り付け式の「産業用ワイヤレス振動センサー」（例：オムロンの「K6PM-TH」やアズビルのワイヤレス振動・温度センサーなど）を1台設置します。

具体的な導入手順は以下の3ステップです。

• ステップ1：基準データの収集と可視化
  まずは正常に稼働している状態の振動（速度・加速度）や温度データを2週間〜1ヶ月間蓄積し、定常状態における「閾値」を測定します。
• ステップ2：アノマリー検知の適用
  収集した時系列データに変化が現れた際、自動でアラートを発報する簡易的なデータ解析ツールを適用します。これにより、ベアリングの剥離や軸受の摩耗といった「故障の一歩手前」の段階を検知します。
• ステップ3：保全業務の標準化とマニュアル更新
  アラートが鳴った際の点検項目と、部品発注、交換手順を記載したマニュアルを事前に作成し、業務を標準化します。現場の作業者が「どの値を超えたら、どの部品をいつ交換すべきか」を迷わずに判断できるようにすることで、技術の属人化を防ぎます。

製造現場における具体的な設備保全へのAI導入事例として、製紙プラントの抄紙機（長さ数百メートルにおよぶ巨大設備）に設置されたローラーのベアリング部分に、振動センサーを後付けしたケースが挙げられます。この事例では、ベアリングの異常振動を2週間前にアノマリー検知し、週末の定期シャットダウン時にピンポイントで部品交換を実施しました。これにより、突発ダウンタイムによる数千万円規模の操業停止損失を未然に防ぐことに成功しています。

スモールスタートで得られた「ダウンタイム削減額」という明確な投資対効果を社内で提示することで、他ラインへの横展開に向けた予算と人員の確保がスムーズになります。まずは明日の稼働シフトから、現場で最も突発停止が懸念されている設備を1台特定することから始めてください。

よくある質問（FAQ）