異音検知（異常音検知）AIとは？その仕組みやメリットを事例付きで詳しく紹介！

昨今のAIの進化は目まぐるしく、製造業からサービス業まで、あらゆる分野でAIが一線で活躍する時代が到来しています。もはやAIは「導入できたら良いもの」ではなく、企業の競争力を左右する「必須戦略」となりました。

本記事では、産業用AIの代表的な活用事例である「異音検知」に焦点を当て、その基本的な仕組みから実際の導入事例、さらには今後の展望まで、ビジネス現場で求められる実践的な知識を解説します。

異音検知とは

異音検知は、機械や設備、建造物などが発する音を解析する技術で、正常稼働時の音と異常時の音を区別する役割を果たします。この技術は、製造業や鉄道、エネルギー分野、建設業など多岐にわたる分野で利用されており、安全性の向上やメンテナンス作業の効率化に大きく貢献しています。

異音検知へのAI導入の機運は高まっている

近年、異音検知にAIを活用した事例の成功数は日に日に増え続け、設備保全だけでなく直接品質検査に活用することもできるようになってきています。なぜAIがここまでトレンドになっているのか。現場の問題と技術の進化の二つの観点に分けて見ていきましょう。

現場の問題

高精度な異音検知を自動で行いたい。そのニーズが高まっている背景には様々な問題がありますが、従来から存在する問題としては、環境ノイズが大きいことと暗黙知の見える化が難しいことが上げられます。工場内は、モーターやコンベアーといった機械の正常な稼働音や人の声など、様々なノイズが混在する環境です。ノイズの中から、本当に異常な音を正確に検出することはもちろん容易ではありません。従来はこれらの異常の発見は、長年の経験と勘に基づいた熟練工の判断に大きく依存していましたが、こういった暗黙知の言語化は難しく、効率的なノウハウ継承は常に課題となっています。

さらに近年新たに問題となっているのが、異常音の多様化と熟練工の引退、そして若者の労働力不足です。多品種少量生産のニーズの高まりと技術の進化にともなって設備も多様化し、設備の種類、故障の種類、進行段階などによって多種多様な異常音を判別する難易度は高くなっています。そんな中、製造現場の高齢化は進行し続けており、長年製造現場を支えノウハウを培ってきた熟練工が続々と引退しています。一刻も早く若者にノウハウを継承したいところですが、先述の暗黙知の見える化が難しいことに加えて若者の労働力不足も問題となっており、限られた時間の中で効率的に知識や技術を伝承することが求められる状況です。

技術の進化

異音検知技術の進化の背景には、データ収集技術とデータ解析技術のそれぞれが進化したことがあります。

まずデータ収集に関しては、IoTセンサーの急速な普及と低価格化により、工場の生産ラインや設備に多数のマイクロフォンを設置し、24時間体制で音データを収集できる環境が整ってきました。例えば、一台の工作機械に対して複数のセンサーを取り付けることで、モーターの回転音や切削音、ベアリングの振動音など、様々な箇所から発生する音を同時にモニタリングできます。

そして、これらのセンサーから集められる膨大なデータはクラウドまたはオンプレミスのサーバーで一元管理することが可能です。製造現場では、1台の設備から1日あたり数ギガバイトの音データが生成され、大規模な工場では数百台の設備から毎日テラバイト規模のデータが蓄積されます。この大量のデータを効率的に保存し、分析に活用できるようになったことが従来の環境との大きな違いです。

クラウド環境を選択した場合、AWSやAzureなどのクラウドサービスを活用することで、データ保存容量を柔軟に拡張できます。一方、オンプレミス環境では社内ネットワークでデータの管理を完結させることができ、外部接続を必要としない高いセキュリティを実現できます。特に、自動車や航空機部品などの製造では、品質管理データの機密性確保のため、オンプレミス環境が選択されることも多くなっています。どちらも一長一短でどちらを選択するかは導入する環境次第です。

次にデータ解析について。データ解析については記事後半でもう少し詳しく紹介しますが、異音検知におけるデータ解析手法は、AIの手法の一種である深層学習の発展により劇的な進化を遂げています。

従来の解析手法では、音の特徴を表す周波数スペクトルなどの特徴量を人手で設計し、それらに基づいて異常を判定していました。しかし現在では、CNN（畳み込みニューラルネットワーク:機械学習のモデルの一種）などを用いることで、スペクトログラムから直接的に特徴を学習できるようになりました。人間が設定するのと同等以上の特徴量を自動で設定できるようになったことは大きなポイントです。

また近年は生成AIを活用して異常音の擬似データを生成することができるようになりつつあります。異常音のデータは発生する機会が少なく、種類も多様であるため十分な数を用意するのが難しいという課題がありました。

少量の異常音のデータから本物に限りなく近い擬似データを増やすことができれば異音検知AIの学習に使うことができるデータが大幅に増え、高い精度を出すことができるようになります。

さらにデータ解析環境の進化も重要です。その一例としてエッジコンピューティング(コンピュータネットワークの周縁（エッジ）部分でデータを処理するネットワーク技術)があります。

一般的なクラウドコンピューティングでは、全ての情報をクラウドに集約しクラウド上の高性能サーバーでデータ処理を行いますが、エッジコンピューティングでは、データ加工や分析など一部の処理をネットワーク末端のIoTデバイス、あるいはその周辺領域に配置したサーバーで行い、加工されたデータのみをクラウドに送信します。エッジデバイスでの軽量モデル実行により、ミリ秒単位でのリアルタイム検知が実現しました。

以上のように現場での問題は数多くあり、解決策としてAIなどの技術が急速に進化していることによってAI導入の機運は高まり続けています。

異音検知システムの導入メリット

異音検知システムの導入メリットは以下の通りです。

保守・メンテナンスの効率化

従来の定期点検に基づく保守管理では、熟練作業者が定められた時間に現場で点検を行う必要があり、人的リソースの制約や見落としのリスクが存在していました。

しかし、AIによる異音検知システムの導入により、24時間365日の継続的な設備監視が実現し、異常の早期発見と迅速な対応が可能になります。夜間無人稼働時でも異常を即時に検知し、必要に応じて遠隔で設備を停止させることで、重大な故障を防ぐことが可能です。

また、遠隔監視機能の実装により、世界各地に設置された製造設備の状態を中央管理センターでまとめて監視し、異常の予兆を検知した際には現地の保守要員に即時に通知するシステムが構築されつつあります。

結果として設備の定期点検の工数を減らし、人的資源をより高付加価値な業務に当てながら、今まで以上に迅速に異常を発見し対処することが可能です。

属人性を排除できる

従来の異音検知はベテラン技術者の経験や勘に依存してきましたが、AIシステムの導入により、この状況が大きく変わりつつあります。AIは音データを数値化し、統計的手法を用いて異常度を定量的に評価することが可能です。これにより、感覚的な判断から脱却し、客観的な基準に基づく判定が可能となりました。

特に重要なのは、技術者が持つ暗黙知を形式知へ変換することです。例えば、ベテラン技術者の「耳が覚えている音」という説明できない感覚を、AIが数値やパターンとして記録します。これにより、「なんとなくおかしい」という勘を、「この周波数が通常より20%上昇している」といった具体的な判断基準に置き換えることができるのです。つまり、技術者の長年の経験から得た感覚を、誰もが理解し活用できる形に変換します。

以上のようにして熟練者の判断基準をAIモデルに組み込むことで、パターン認識による異常検知を自動化することができます。判断ロジックを見える化し、ナレッジベース（業務に関する知見をまとめたデータベース）として蓄積することで、技術の継承も容易です。

検査精度の向上

AIを活用した異音検知は、従来の人間の聴覚に頼った検査と比較して、より客観的かつ高精度な検査を実現します。従来の検査では、経験豊富な職人の経験や勘に頼るところが大きかったため、検査結果に個人差が生じたり、見落としが発生したりする可能性がありました。

学習済みのAIモデルは、人間の主観的な要素を排除し常に一定の基準に基づいて判断するため、再現性の高い安定した検査を実現します。例えば離れた場所に位置する工場でも同一の基準で検査を行うことが可能です。

また膨大なデータを事前に学習させたAIは周辺のノイズを効果的に除去し、人間の耳では聞き取れないような微細な異常音も検出できます。CNNなど新しい手法の活用により、ベアリングの摩耗による高周波成分の微細な変化などを検出したり、工場特有の環境音に対するノイズ耐性を向上させ、誤検知率を大幅に低減したりすることができるようになりました。

微細な異常を安定して検出できるようになったことで設備の異常の早期発見だけでなく、直接品質検査分野に実装することも可能になり、多方面で品質の向上につながっています。

早期検知、予測によるリスク管理の向上

AIは現在の異常を早期に発見するだけでなく未来の異常も予測することができ、近年では機械設備の故障やシステム障害といった予期せぬ事態に対する予測は、企業の生産性向上や安全確保に不可欠な要素となっています。

機器の異常を早期に検知することで、大規模な故障に発展する前に必要なメンテナンスを実施することができ、検知が遅れていたら発生していたはずの修理費用や生産停止による損失を大幅に削減したり、大規模な事故の発生を未然に防いだりすることが可能です。これはただ損害を減らすだけでなく従業員の安全を確保し、安心して働ける環境を作ることにも繋がります。

また予測技術を活用することで万が一故障が発生してしまった場合の緊急対応や部品の急ぎ発注に伴う追加コストを軽減することが可能になりました。故障発生を見据えて必要な部品や工具を準備しておくことで、迅速な対応が可能となり、生産ラインの停止時間を最小限に抑えることができます。

さらに予測技術によって、機械設備の寿命を延ばし、投資対効果を向上させることができることも大きなメリットです。従来は一定の頻度でメンテナンスを行う方式が多く、設備それぞれに適した時期にメンテナンスができているかどうか微妙な部分が多くありました。予測を活用することで、過去の故障のデータを反映した最適な時期にメンテナンスを行って設備の寿命を延ばし、より長く活用することができます。

異音検知のメカニズム

異音検知は、データ収集・データ処理・AIによる学習によって成り立っています。

データ収集

異音検知には、マイクロフォンなどのセンサーを用いて取得したデータを使用します。AIに学習させるデータについては以下の2パターンがあります。

①正常音のみを使用する場合

②正常音と異常音どちらも使用する場合

「①正常音のみを使用する場合」では正常音のみを使用し、「外れ値検知」という手法を用いて「正常音以外の音」を異常とみなすよう異音検知AIに学習させます。異常音も学習させた方が簡単に精度が良くなりそうな気がしますが、そう単純な話ではありません。

正常音と異常音のデータそれぞれを用意して区別させるというやり方で誤検知が少なく、感度の良い異音検知AIを作るためには正常音と異常音それぞれのデータをバランスよく、十分な数学習させることが必要です。しかし、機器が故障する頻度は低く、また故障の仕方や壊れ方もさまざまであるため、機械の異常音データを十分な数収集することは困難となっています。

その点、正常音のみをAIの学習に用いる場合は正常音からの乖離の大きさに基づいて異音を検知するため異音の種類に大きく影響されることなく判別することができます。

では「②正常音と異常音どちらも使用する場合」の場合はどうするのでしょうか。異常音のデータも活用する場合は、検知したい特定の異常音に絞って音を集音し判別させます。例えば動物のくしゃみや人の足音、モーターの異常音など頻発する具体的な異常にあらかじめ絞ることでその異常音については十分な数のデータを確保し、学習させることができます。

データ処理と特徴量抽出

集音した音データ（信号波形）をそのままAIに学習させることは現状困難な場合が多いです。生のデータは周波数、大きさ、位相、時間など多くの情報を含んでおり、人間はそのデータを図示して波形などから異常を見抜くことができるかもしれませんが、AIにはできません。

また生のデータには分析の邪魔になるノイズや外れ値が多く含まれています。AIに学習させる際に支障が出るようであれば、特徴量の抽出に移る前に前処理を行うことが重要です。フィルタリングや異常値検出、正規化などの手法を用いて前処理を行いましょう。

AIが信号波形から直接異常を検出することは難しいため「特徴量」を用いて数値情報に変換し、正常値と異常値の境界となる閾値を設定してやる必要があります。特徴量とは、データから抽出した分析や学習に役立つ数値情報のことです。人を例にすると身長や体重、年齢などが特徴量になりえます。

音データについても音の大きさを表すパワーや人の聴覚特性を考慮しながらスペクトルの概形を表現するMFCC（Mel-Frequency Cepstrum Coefficient, メル周波数ケプストラム係数）など代表的な特徴量がいくつかあります。検知したい異常や使用するモデルとの兼ね合いなど多くの要素が絡むため一概にどの特徴量がいいとは言えませんが、様々な要素を考慮して設定することが重要です。

また冒頭でも触れましたが、近年は画像処理でよく用いられるCNNなどのAIモデルを応用することで特徴量の設定すらもAIに任せられるようになってきています。必要なデータの数と計算コストは増加しますが、AIで特徴量を設定することで自動で多様な異音に対して高精度な検出が期待できます。

AIモデルの学習

機械学習は教師あり学習、教師なし学習、強化学習の大きく３つの手法に分けることができ、教師あり学習、教師なし学習は異音検知においてよく用いられます。先述したCNNは教師あり学習の一種です。

抽出した特徴量を用いて異音検知を行う際、使用するモデルの候補はいくつもありますが、以下では教師なし学習手法のオートエンコーダ（AutoEncoder）を用いる場合について簡単に紹介します。今回扱うのはオートエンコーダを用いて正常音のデータのみを学習させる場合です。

データを一度低次元の潜在空間に圧縮し、モデルは圧縮されたデータから元のデータを再構築します。正常音のデータのみを学習に用いているため、再構築したデータの元データとの誤差は正常音に比べて異常音を入力した時の方が大きくなるはずです。事前に誤差の閾値を決定し、閾値を上回ったら異常と判定することで異音の種類に大きく左右されず検知を行うことができます。

異音検知システム導入の手順

異音検知システムの導入は、以下の手順に従って進めることが重要です。

現状分析と目標設定

まず、自社の現状を分析し、異音検知システムを導入する目的や目標を明確にします。現在の設備の状態や過去の故障履歴を評価し、どのような課題を解決したいのかを具体的に定義しましょう。

この工程を中途半端にしてしまうと実用性のないデータばかりを大量に収集してしまったり、導入の段階になって導入予定のAIが当初の目的とずれているといったトラブルが考えられます。まずは現状分析を徹底し、解決したい経営課題を特定しましょう。

次にプロジェクトマネージャーを中心として課題解決のための目標を定性的かつ定量的に設定します。目標達成度を測るための測定可能な指標を設定することで、計画の具体性が増し、プロジェクトに着手してからのトラブルを大幅に減らすことができるため、この工程を曖昧なままにしないことが非常に重要です。

目標が定まったらAIモデルを含むシステムの要件定義を行います。AI の仕様や必要データの部分については、エンジニアやデータサイエンティストが担当することが多いです。プロジェクトマネージャーとエンジニアが密に連携することが、より良いシステムの導入に繋がります。

AIに関する知見を持った人材がチームにいない場合は、ヒアリングまでは0円で受け付けている企業も多く存在するため積極的に外部のAI企業に相談しましょう。

エムニでもAIの活用に関する無料相談を承っております。異音検知システムを含め、AIの知識が豊富なメンバーが多数在籍しており、実際にこれまでご相談いただいた企業様からもご好評いただいております。以下のフォームから簡単にお申し込みいただけますのでぜひ気軽にご相談ください。

製造業へのAI導入について相談する

システム開発の検討

次に、ニーズに合った異音検知システムを開発します。まずシステムを内製するのか外注するのかを検討しましょう。

内製は、自社のニーズに合わせたシステムを開発できるという大きなメリットがあります。自社のデータや業務フローに精通した社員が開発に携わるため、より効率的なシステムを構築できる可能性が高いでしょう。また、開発過程で得られたノウハウは、今後のシステム開発にも活かすことができます。

一方で、初期投資や開発期間が長引く可能性があること、専門知識を持った人材の確保が難しいといったデメリットも存在します。内製を検討する際に重要なことは多くありますが、特に知見の有無と人材の確保は詳細に検討しましょう。社内で音データの分析をしたことがあったり、分析経験のあるメンバーが参画している場合は内製のハードルはかなり下がります。

しかしそういった知見がない場合はまず人材の確保が必要です。長期的なシステムの運用と既存システムからの移行にどのくらいの工数が必要なのかも視野に入れて十分な人材確保の見通しを立てましょう。

一方、外注は、短期間で高品質なシステムを導入できるというメリットがあります。専門企業が持つノウハウや技術を活用することで、最先端の技術を取り入れたシステムの構築が可能です。

また、自社で開発を行うためのリソースを他の業務に回すことができるため、コスト削減にもつながります。しかし、外部企業に開発を委託するため、自社に知見がたまりにくく、また情報漏洩のリスクも高まる可能性があります。

これらのメリット、デメリットを総合的に考えて内製か外注かを決定しましょう。外注する場合は複数のベンダーから提案を受け、比較検討することが重要です。技術力やシステム導入後のカスタマイズ性が求める基準に達しているかを確認したり、費用対効果の試算を行ったりして総合的に判断しましょう。

内製、外注のどちらを選ぶにしても社内にあまり知見がない場合は専門家の意見を聞くことが非常に重要です。

PoC検証と実装

構想が固まったらPoC検証を行います。PoCとはProof of Concept（概念検証）の略です。構想段階で検討されたAIが技術的にも実現可能なのか、実際に検証を行って確認します。

「PoC検証」のステップでは、AIの仮モデルの開発を通して機械学習・深層学習（ディープラーニング）を正しく活用していく上で必要となるデータの質・量が確保できているかどうか、システムが求める機能を満たす見込みがあるかどうかを検証します。具体的にはデータを蓄積したAIが高い精度を出せるか、費用対効果に見合う処理スピードを実現できているかといった要素の確認です。

PoC検証によってAIの実現性を確認することができたら、実装に移ります。要件にしたがって段階的に開発を進めていきましょう。

試験運用と本格的な導入

システムの実装を終えたら、試験運用を行います。この段階では実際の環境でシステムが求める機能要件を満たしているか、運用上の問題はないかなどを確かめ、必要に応じて調整を行います。いきなり全てを試そうとするのではなく十分な検証期間を設けて、基本的な機能から段階的に試しましょう。

システムの機能検証に関しては、目標設定の段階で設定した目標に基づいて異音検出の精度や誤検知率、処理速度など必要な項目を定量的に評価します。試験環境の再現性や試験データの多様性を確保することで、より客観的な評価が可能になるでしょう。

運用上の問題については操作性や異常発生時のアラート機能がうまく機能するかどうかを確認します。システム開発者にとってのみ操作しやすい状態だと実際に導入する際に混乱を招いてしまうため初めてシステムに触れるユーザーでも直感的に操作できるインターフェースになっているか、操作手順が複雑すぎないかなどを念入りに確認しましょう。

検証によってAIの実現性を確認することができたら、次のステップとして「本格的な導入」を行います。

システム導入後の運用

異音検知AIを導入後、その性能を最大限に引き出すためには、継続的な最適化が不可欠です。システム導入後は、運用データを分析し改善の余地があるポイントについて分析しましょう。

例えば誤検知率を改善したい場合は、誤検知が発生する原因についてデータの偏り、特徴量の選択、モデルの複雑さなど要因を多角的に分析することが重要です。問題に対する改善策としては主にデータの追加、修正、特徴量の調整、モデルの再学習、ハイパーパラメータのチューニングなどがあります。

定期的にメンテナンスやアップデートを行い、短期的にだけでなく長期的にも導入効果を最大化することを目指しましょう。

異音検知システムの導入コスト

異音検知システムの導入コストは、さまざまな要因によって変動しますが、以下に主なコスト要素とその範囲を示します。

初期導入コスト

異常音検知システムの導入には、規模にもよりますが、100万円以上の初期コストがかかることが一般的です。この金額には、マイクロフォンや音声収録装置などハードウェアの購入、ソフトウェアのライセンスなどが含まれます。

例えば音データを集音するマイクロフォンやセンサーは一台当たり数千円から数万円、AIモデルの商用利用のためのライセンス費用は年10~100万円以上かかることが多いです。これらのコストに加えて教師データが整っておらずデータ作成から依頼する場合はデータセットの作成費がおよそ100万円以上かかります。

エンジニアの人件費

システム導入に伴い、最も費用がかかるのがエンジニアや技術者の人件費です。ヒアリングまでは無料で受け付けている企業が多くありますが、コンサルティングを依頼する場合は約40~80万円ほどかかります。またPoC検証の段階に入るとシステムの規模にもよりますが一般的に100~400万円ほどかかります。

また開発の段階に入るとより多額の費用がかかります。システムの開発には大きく分けて機械学習エンジニア、データサイエンティスト、システムエンジニア、プロジェクトマネージャー の４つの職種が必要です。以下にそれぞれの人材にかかる費用を示しますが、人材のスキルや経験によって大きく変動するためあくまで目安です。ここで人月というのは一人のエンジニアが一ヶ月フル稼働した場合に発生する費用のことを指します。

※費用はあくまでも目安です

さらに先述した通りAIシステムは開発して終わりではありません。運用にも人件費がかかります。開発に比べると必要なエンジニアの人数は減りますが、月額60万円〜200万円前後×人月ほどの費用がかかるため決して小さな費用ではありません。

人材確保のための費用

システムを内製する場合は人材を採用、教育するための費用が追加でかかります。例えば採用費用として求人広告費や人材紹介会社への手数料、採用選考にかかる社員の時間的なコストなどがあげられます。特に経験豊富な人材はどこの企業も獲得したいため多額な広告費と紹介量を費やす必要があります。

また教育費用としては外部研修への参加費用や教育担当者の時間的なコストなどがあげられるでしょう。教育によって実際の業務に参加できるレベルになるには外注に比べて長い時間がかかることにも注意しなければなりません。内製によって得られる開発の柔軟性やノウハウといったメリットは大きいものの、このように多額の費用と時間が追加でかかることを覚悟する必要があります。

異音検知の応用事例

最後にさまざまな産業で幅広く応用されている異音検知技術について、製造業を中心に具体的な応用例を示します。

株式会社日立製作所

日立の発電所では、軸冷水ポンプのモーターの摩耗の進行を抑えるための定期的なグリス注入のタイミングを、聴診棒でモーター回転音を聞き、異常を発見することによって判断していました。

しかし、「メーカーや使い方などで、タイミングが異なる」「経験の浅い担当者は判断ができない」などの課題がありました。

そこでAIを用いた設備点検自動化サービスを活用し、音の異常度を可視化する検証を行ったところ、熟練者による音の変化の感知とAIによる異常度の上がり方がほぼ一致。稼働音からグリスの注入時期を把握できるため、作業者の経験によらずグリス注入の適切なタイミングの判断が可能になりました。

トヨタ自動車九州株式会社

トヨタ九州宮田工場は、世界随一のレクサス製造拠点として各工程に熟練工を配し、世界トップレベルの品質を守り続けています。レクサス完成車の検査項目のひとつである走行中に車内で異音がしないか最終確認する「車内異音検査」は検査員の聴覚で「音」を聞き分ける官能検査であるため、個人の聴力に影響を受けやすい工程となっていました。

そこで検査走行中の車内の音データを人の聴覚特性に基づいて分類し、抽出された約1万個以上の特徴量から異音を判定するAIモデルを導入することで、検査員の聴覚に依存していた検査工程の属人化解消・品質安定化を実現しました。また、検査作業者の耳の負担や凹凸のある検査路面を運転する際の身体的負担を低減することにも成功しています。

竹内製菓株式会社

竹内製菓株式会社では『極上柿の種』をはじめ、もち米を主原料とした菓子の製造を手がけています。同社の工場では、製造設備のチェーンコンベアの故障の低減が長年の課題でした。

そこで、正常時のコンベア動作音を基本データとして、異音が現れた際にそれを検知する手法を用いてAIモデルを構築し、全てのチェーンコンベアに異音検知を導入しました。異音を検知すると向上の管理者にメールで通知が届く仕組みとなっており、四六時中機械を監視する必要がなくなり、見周り作業の削減、損害の帽子、関係者の心理的な負担の軽減に成功しています。

実際に異音検知システムを導入したおかげで、放置すれば設備を止めて 3 日間ほど修理しなくてはならないような損傷を、稼働時間外のわずか 2 時間のメンテナンスで修復できたという成果も見られ、今後の活躍も大いに期待できるでしょう。

まとめ：人間の耳を超える機械の耳、異音検知AIで不良故障を激減

AIによる異音検知は、まさに「人間の耳を超える機械の耳」として、製造現場に革新をもたらしています。人手不足や技能継承の課題に直面する製造業において、異音検知AIの導入は、単なる省人化ツールではなく、むしろ人と機械の新しい協働の形を示しています。人間の感覚を遥かに超える「機械の耳」と、その検知結果を適切に判断し対処する人間の専門性が組み合わさることで、より安全で効率的な製造現場の実現が可能となるのです。

製造業へのAI導入について相談する