音のデジタル信号処理の基礎

音のデジタル信号処理（DSP）とは何か——原理から整理する

「デジタル信号処理」という言葉は広く使われるが、調達・生産技術の現場でこの言葉が出てくる文脈は大きく二つに分かれる。ひとつはセンサーで拾った設備の振動音を解析して異常を早期発見するケース、もうひとつは完成品の音響特性を数値で合否判定する品質検査ケースだ。

どちらも根底にあるのは同じ原理——アナログ信号（空気の圧力変化や機械振動）を、コンピュータが扱えるデジタルデータへ変換し、数学的演算を施して意味のある情報を取り出す技術である。この変換の精度が低ければ、どれほど高性能なAIモデルを後段に積んでも結果は信頼できない。調達購買の視点から言えば、センサー仕様書に記載された「サンプリング周波数」「ビット深度」「SNR（信号雑音比）」が何を意味するのかを理解せずに部材選定を行うのは、材質表を読まずに金属素材を発注するようなものだ。

アナログからデジタルへ——サンプリングと標本化定理の本質

音を含むアナログ信号をコンピュータに取り込む最初のステップが「サンプリング（標本化）」だ。連続する波形を一定時間間隔で区切り、その瞬間の振幅値を記録する。このとき、どの程度の頻度でサンプルを取るかを示す指標がサンプリング周波数（fs）であり、単位はHz（毎秒何回サンプリングするか）で表される。

信号の帯域幅をfBとしたとき、サンプリング周波数 fs＝2fB であればデジタルデータから元のアナログ信号を正確に復元できることが知られており（標本化定理）、この下限周波数 fs＝2fB を「ナイキストレート」と呼ぶ。
^[1] つまり人間の聴覚がカバーする上限（約20kHz）を正確に再現するには、少なくとも40kHz以上のサンプリング周波数が必要になる。CD音質が44.1kHzを採用しているのはこの定理に基づいた設計だ。

製造設備の監視では、軸受の損傷音が数kHz〜数十kHzに及ぶことがある。
ナイキストレートを超える周波数でのサンプリングを「オーバーサンプリング」といい、オーバーサンプリング比（OSR）として定義される。
^[1] 高精度な異音検知を狙う場合、設備音の最高周波数成分の2倍以上のサンプリング周波数を持つセンサーを選定する必要がある。この基準を押さえていないと、サプライヤーから提案されたセンサーが「測定対象の周波数をそもそも捉えられない」という根本的な問題が発生する。

量子化とビット深度——数値精度が検査精度を決める

サンプリングで取り出した瞬間の振幅値は、まだ「アナログ量」のままだ。これをデジタルコードに変換するのが「量子化」の工程である。
アナログ信号をサンプリングして得られたサンプル値は振幅として任意の大きさをとるアナログ量であり、これを四捨五入などの操作で離散的な値に近似させることを量子化といい、このときの近似誤差を量子化誤差という。
^[2]

量子化の精度を示す指標が「ビット深度（量子化ビット数）」だ。
AD変換器が出力するデジタル値は量子化された信号が想定した入力範囲の中で何番目の量子化レベルにあるかを調べてデジタルコードで表わしたものであり、「分解能8bitのAD変換器」などの言いまわしが広く使われている。
^[2] 16bitであれば65,536段階、24bitなら16,777,216段階に振幅を分割できる。段階数が増えるほど微細な音の変化を捉えられるが、データ容量も増大する。

量子化は連続分布する標本値を離散的な値で表現する操作であり、入力と量子化出力との差は「量子化雑音」と呼ばれ、量子化において信号の劣化・情報の欠落は不可避である。
^[3] この量子化雑音を抑制する手法として「ディザ量子化」がある。
画像処理や音声処理にディザ量子化が用いられる際には、人間の目や耳が感知できる周波数帯域に含まれる量子化ノイズが少なくなるために活用される。
^[3]

製造現場の品質検査では、微小な音の異変（例：ベアリングの初期摩耗音）を拾うには24bit以上のAD変換器を搭載したシステムが推奨される。8bitや12bitのシステムで「異常なし」と判定されても、その判定が量子化精度の限界に起因している可能性を否定できない。

フーリエ変換とFFT——「音を分解する」技術の実務的意味

時系列で記録された音のデータは「時間領域の信号」だ。これを「周波数領域の信号」に変換することで、どの周波数成分がどの程度の強さで含まれるかを可視化できる。これがフーリエ変換であり、その高速計算アルゴリズムがFFT（Fast Fourier Transform）だ。

高速フーリエ変換に基づく多点同時入出力の振動および音響実験モード解析や、過渡的な現象の把握に時間-周波数解析などを行うことで、構造物の振動挙動を算出し、振動騒音を予測した後、解析音の再生やフィルタリングなどから音質評価が可能となる。
^[4]

製造設備の保全においてFFTが果たす役割は決定的だ。モーターの軸受が摩耗し始めると、正常時には目立たなかった特定の周波数帯（例：回転数の整数倍の周波数）に高いピークが現れる。この「スペクトルのピーク変化」を正常時のデータと比較することで、肉眼や耳では気づけない初期劣化を数値で検出できる。

ノイズスペクトルをFFTやスペクトルアナライザで解析することはノイズ対策として有効な手段であり、フィルタの設計やノイズの原因究明に役立つ。
^[5] 現場では「何Hz付近のピークが問題なのか」を特定することで、原因設備（ポンプ・コンプレッサー・ギアボックスなど）を絞り込める。

デジタルフィルタリング——目的の信号だけを取り出す技術

現実の製造現場で収録された音には、必要な信号以外にも無数のノイズが混入している。これを取り除き、あるいは特定の成分だけを強調するのがフィルタリングだ。

デジタル信号処理において、フィルタ設計（必要な信号を抽出する処理）は標本化・量子化・スペクトル解析と並ぶ基本要素のひとつである。
^[6] フィルタの種類は大きく4タイプに分かれる。

FIRフィルタは出力信号の位相スペクトルが周波数に対して線形に変化する「線形位相特性」をもつため、複数の周波数帯の信号が混合した信号を入力してもフィルタを通過して出力される信号に歪みが生じない利点がある。一方、IIRフィルタは線形位相特性を持つことができないが、同様の振幅特性をFIRフィルタよりも少ない次数で実現できる利点がある。
^[6]

製造設備の異音診断では、対象周波数帯を絞り込むバンドパスフィルタ、低周波の機械振動を除去するハイパスフィルタ、高周波ノイズを除去するローパスフィルタが頻繁に組み合わせて使われる。センサー選定の際は「フィルタ設計の柔軟性（カットオフ周波数の変更が可能か）」をサプライヤーに確認することが重要だ。

製造設備の異音検知——DSPが予知保全を変えた現場の実態

DSP技術が製造現場で最も存在感を発揮しているのが、設備の予知保全（Predictive Maintenance）領域だ。

製造業では製品の品質検査の自動化や設備の予防保全にAIが活用されており
^[7]、音響センサーとDSPを組み合わせた異音検知システムはその中心技術の一つになっている。

具体的な処理フローは次のとおりだ。マイクロフォンや加速度センサーで設備音・振動を収録 → AD変換でデジタルデータ化 → FFTによって周波数スペクトルを抽出 → 正常時データとの差異を機械学習モデルで評価 → 異常スコアが閾値を超えたらアラート発報。このパイプラインにおいて、DSP処理の品質（サンプリング精度・フィルタリングの適切さ・FFTの精度）が後段の機械学習モデルの性能を直接規定する。

MFCC（メル周波数ケプストラム係数）は少ない情報量でスペクトルの概形を表すことができるため、熟練したオペレータが「機械が発する音」から異常・正常の診断を行えることから、人の音声知覚に近い情報を有する特徴量として異常検出に採用される。
^[8] MFCCは音声認識で広く使われていた特徴量だが、設備音の異常診断にも適用範囲が広がっている。

タイヤ製造工程において、設備の稼働状態や品質検査の情報等をAIが学習し、品質不良の予兆検知とその対応を自動で行う自律制御を活用することで、設備の不具合による停止を大幅に削減し、生産性向上につながった事例がある。
^[9]

金属加工・樹脂成形・化学・電気電子・組立完成品の5ジャンルを横断して観察すると、異音検知システムの導入効果は業種・設備タイプによって大きく異なる。特に高速回転部品（スピンドル、軸受、ポンプ）を持つ設備で効果が高く、コンベヤや圧縮機でも実績が蓄積されている。一方、多品種少量生産ラインでは「正常音のベースライン構築」に要する学習データが不足しやすく、異常判定の閾値設計が難しい課題が残る。

完成品音響検査へのDSP活用——官能評価を数値に置き換える

DSPのもうひとつの主要用途が、完成品の音響品質検査だ。モーター、ポンプ、電動工具、車載部品など、駆動音や動作音が品質指標になる製品では、従来は熟練検査員の聴覚（官能評価）に依存していた。この属人的なプロセスをDSPと数値化指標で置き換えることで、検査の再現性と客観性が飛躍的に高まる。

検査の基本的な手順は、製品動作時の音をサンプリングしてFFT処理し、基準品のスペクトル包絡線と比較するというものだ。逸脱した周波数成分の有無・強度を定量的に評価し、合否判定の根拠として記録できる。

実際に中国・東南アジアのサプライヤー網で典型的に見られるのは、出荷前検査の「主観的判断」に起因する品質ばらつきだ。同じ設計図から製造された製品でも、検査担当者が変わると合否判定が変わるケースは多い。音響DSP検査システムを導入したサプライヤーに切り替えたことで、受入不良率が半減した事例を複数確認している。

主要DSP技術の比較——製造現場での選択基準

以下に、製造業で使われる主要なデジタル信号処理技術を、用途・特性・現場適用のポイントから比較する。

AI×DSPの組み合わせが製造現場に持ち込む新しい課題

DSPとAI（機械学習）を組み合わせた異音検知・品質検査システムは、製造現場に確かな価値をもたらしている。しかしその導入過程で、調達購買部門が直面する新しい課題も浮上してきた。

サプライチェーンにおいては、デジタル化により匠の技の継承を容易にする「技能継承」、設備・機器の「予知保全」「遠隔保守」などへのデジタル技術活用が進んでいる。
^[10] 音響DSPはその中でも技能継承と予知保全の両面に直結する技術だ。

課題の第一は学習データの質・量の問題だ。AI異音検知モデルの精度は、正常音と異常音のサンプル数に依存する。特に「異常音データ」は設備が実際に壊れかけているときしか収録できない希少データであり、導入初期には偽陽性（正常なのに異常と判定）が多発しやすい。このリスクをサプライヤーに正直に開示させることが、調達仕様として重要になる。

課題の第二はリアルタイム処理の遅延許容値だ。
光伝送装置内においてデジタル信号の高速処理を担うDSP（デジタル・シグナル・プロセッサ）は、膨大な信号を低遅延で処理するために設計されている。
^[11] 製造ラインでは、異常検知から設備停止信号の発行までのレイテンシが数十ミリ秒以内に収まらないと、故障が進行してから止まるという本末転倒な結果になる。「リアルタイム処理の遅延保証値」を仕様書に明記することを強く推奨する。

課題の第三は環境変化への対応力だ。製造ラインでは季節・負荷条件・原材料ロットの違いによって正常音のベースラインが変化する。固定した閾値や静的なモデルでは誤検知が増える。継続的な再学習（オンライン学習）に対応しているかどうかが、長期運用のコストを大きく左右する。

調達購買部門が主導すべきDSP導入の評価軸

音響DSPシステムを調達する際、単純な価格比較では本当の価値は見えない。以下に、当社が複数のDSP導入プロジェクトで確立してきた評価軸を示す。

① センサー仕様の適切性：サンプリング周波数が対象設備の監視周波数帯をカバーしているか。ビット深度は検査精度の要件を満たしているか。防塵・防水のIP規格が現場環境に合致しているか。

② DSP処理の透明性：FFT点数・ウィンドウ関数・フィルタ設計がブラックボックスになっていないか。処理パラメータを現場技術者が調整できるUIが提供されているか。

③ データ出口の柔軟性：処理済みの特徴量データをCSVやAPIで外部システムに連携できるか。既存のMES・SCADAとの統合が可能か。

④ 保守・更新のコスト：モデル再学習の費用体系は明確か。サプライヤーが撤退した場合に自社でシステムを継続運用できるか（ベンダーロックインリスク）。

⑤ 実証データの提示：類似設備・類似環境での導入実績データ（誤検知率・見逃し率）を具体的な数値で開示できるか。

製造現場におけるデジタル技術やデータの利活用が進み、利益の獲得手段を拡大する事業者が登場する等、製造業のビジネスモデルそのものにも変化が生じており、日本の製造業が競争力を維持・強化する上で取り組むべき課題は、依然として多く存在している。
^[9] DSP技術の調達もその課題の一つであり、技術的理解を持った調達担当者の存在が今後の競争優位を形成する。

DSP技術の今後——エッジAIとの融合が現場を変える

従来の音響DSPシステムは、センサー→クラウドサーバー→判定という構成が一般的だった。しかし近年、DSP処理をエッジデバイス（センサー近傍のマイコン）上でリアルタイム実行するアーキテクチャへのシフトが加速している。

フィジカルAIの実現によって製造業等の生産性向上やエネルギー消費の効率化が期待され、現場データを守りながら将来も安心して活用できる国産の基盤モデルの必要性が高まっている。
^[12]

エッジDSPの利点は3点に集約される。第一に通信遅延が発生しないため、リアルタイム性が求められる設備停止制御に直結できる。第二にデータをクラウドに送らないため、生産ノウハウを含む音響データの社外流出リスクが低い。第三に通信コストとクラウドサーバーコストを削減できる。

一方、エッジデバイスの演算性能には制約があるため、FFTの点数を減らすか、MFCCのような軽量特徴量で代替するか、モデルを量子化・プルーニングで軽量化する必要がある。これらの技術選択が適切かどうかを評価するには、DSPの基礎知識が不可欠だ。

2025年版ものづくり白書が示すとおり、
製造業の就業者数は2024年に1,046万人とわずかに減少し続けており
^[9]、熟練検査員の確保はますます困難になる。音響DSPによる検査自動化は、人手不足への構造的な対応策としての位置づけが強まっている。

まとめ——調達購買がDSPを「技術の話」で終わらせないために

音のデジタル信号処理は、製造現場の予知保全と品質検査において、もはやオプション技術ではなく基盤インフラだ。しかし現状では、DSPシステムの調達仕様が曖昧なまま「AI異音検知」というラベルだけで購買判断がなされるケースが多い。その結果、現場ニーズと合わない検出精度、過剰な誤検知、高額な保守費用という問題が繰り返されている。

サンプリング定理・量子化・FFT・フィルタ設計という基礎知識を持った調達担当者は、サプライヤーとの仕様交渉で全く異なる質問ができる。「ナイキスト周波数はいくらか」「FFT点数と周波数分解能の関係をどう設計しているか」「リアルタイム処理の最大遅延保証は何ミリ秒か」——こうした問いが飛び出す場で、サプライヤーは誠実な技術情報を開示せざるを得なくなる。

DSPの基礎を調達知識として体系化することが、製造業の競争力を支える品質・コスト・デリバリーのすべてに影響する。それが本記事を通じて伝えたい核心だ。

出典

1. 信号品質を保つディジタル化技術（システム/制御/情報, Vol.61, No.2, 2017）
2. AD,DA変換（計測と制御 第45巻 第4号, 2006）
3. 音響信号のデータ変換と量子化雑音（日本音響学会誌 73巻9号, 2017）
4. 解析ツールを用いた振動・音解析（騒音制御 Vol.22, No.5, 1998）
5. 電気特性の精密な測定——FFTによるノイズスペクトル解析（応用物理 84巻4号）
6. いまさら聞けない信号処理（生体医工学 57巻2-3号）
7. 「AI」知っておきたい基礎知識（NEDO）
8. 異常音検知・機械学習・外れ値検出（産業応用工学会論文誌 9巻1号, 2021）
9. 2023年版ものづくり白書の取りまとめ（経済産業省）
10. 2020年版ものづくり白書 第1部第1章第3節（経済産業省）
11. ポスト５G情報通信システム基盤強化研究開発事業 中間評価 技術評価報告書（経済産業省, 2023）
12. AIロボット・フィジカルAIを見据えたマルチモーダル基盤モデル開発事業の公募（NEDO, 2026）

※ 出典リンクは2026年05月13日時点でリンク到達性を確認しています。