機械学習による予知保全: 資産維持の再発明

あらゆる業界において、企業は伝統的に定期メンテナンスに依存してきました。一定の間隔で機械の内部を調べることで、機械は稼働し続けます。しかし、それは本当に、望ましくないダウンタイムを削減する最もコスト効率の高い方法なのでしょうか?あまり。

多くの研究によると、機器の故障のうち経年劣化によるものはわずか 20%であり、80% はランダムに発生します。

さまざまな分野の企業があらゆる AI に向けて取り組んでいる中、機械学習の予知保全が注目を集めています。

機器の問題を発生前に予測し、必要なときに正確にメンテナンスを実行することで、コストの削減と生産性の向上が約束されます。実際、CXP グループが実施した調査によると、機械学習ベースの予知保全を導入したメーカーの 90% が修理時間と計画外のダウンタイムを削減することができました。

このブログ投稿では、 AI ソフトウェア コンサルティングの経験を共有し、予知保全システムの内部を掘り下げ、インスピレーションとなる成功事例を共有し、AI 予知保全ソリューションを導入する際の課題にも触れます。

まず最初に: 予知メンテナンスとは何ですか?

予知保全は、機械学習を使用して潜在的な障害を予測する、機器の保守に対する予防的なアプローチです。これにより、コストのかかるダウンタイムを防ぐことができます。

これは、機器が会話し、何か問題が発生する直前に、注意が必要なタイミングを正確に通知するものだと考えてください。

予知保全システムは、機器を 24 時間 365 日監視する検査員のチームのように機能し、大量のデータをリアルタイムで収集して処理します。

これらの「検査官」は、人間の目には見えない小さな異常やパターンを検出し、大きな問題になる前に潜在的な障害について警告します。

次に、この概念が実際にどのように機能するかを例で見てみましょう。業務を継続するために多数の産業用ロボットに依存している製造工場を想像してみてください。

従来、これらのロボットのメンテナンスは一定の間隔でスケジュールされるか、最悪の場合、実際に故障が発生したときにスケジュールされ、ダウンタイムや経済的損失が発生していました。

機械学習の予知保全により、機械に戦略的に埋め込まれたセンサーを利用して装置が常に監視されます。収集されるデータは、温度、振動、消費電力、その他の指標に及びます。

これらすべてのデータは、機械学習アルゴリズムを利用してシステムの頭脳に送信されます。過去の破損データ、修理履歴、環境要因、およびリアルタイムで収集されたパフォーマンス指標を利用して、脳は今後の故障の兆候を示す可能性のあるパターンを探します。

これらの貴重な洞察を備えたメンテナンス チームは、急襲して必要な修正を実行し、差し迫った故障の発生を防ぐことができます。これらすべてを最小限のダウンタイムで行い、コストのかかる中断は発生しません。

そしてまさにここに、機械学習の予知保全によるコスト削減の可能性が生まれます。

そのプロアクティブな性質により、完全に問題のない機器の対応にリソースを浪費するのではなく、本当に注意が必要な機器に労力と予算を集中させることができます。

一方、先見の明を活用すれば、問題が拡大する前に行動することができ、機器を長期間にわたって最高のパフォーマンスで動作させることができます。

セクターにわたる AI 予知保全のユースケース

AI を活用した予知保全は、機器に依存する業界の運営方法を根本的に変えています。以下に、予知保全がもたらす影響を示す例を示します。

製造業

ディスクリート製造およびプロセス製造において、AI 予知保全は、フライス盤、油圧プレス、コンベア システム、ロボット アームなどを含む幅広い機器にとって非常に貴重であることが証明されています。原材料を精密部品に成形するフライス盤を考えてみましょう。

これらの機械に振動センサーを装備し、過去の故障データに対してセンサーの読み取り値を分析することは、機械のスピンドルの位置ずれや摩耗の兆候を検出するのに役立ちます。また、温度を追跡すると、故障の可能性を示す過熱の兆候が見つかる場合があります。

機械学習ベースの予知保全の威力はそれだけではありません。油圧プレスでは、故障に関する信号を送る詰まりや漏れがないか監視できます。

さらに、予知保全ソリューションは、一定の温度監視を通じて、油圧システム内の差し迫った問題に対する危険信号である過熱の兆候を検出する可能性があります。

また、サイクルをカウントする機能により、機械学習の予測メンテナンスにより、特定のコンポーネントにいつ注意が必要になるかを正確に予測できるため、タイムリーなメンテナンス介入が可能になり、潜在的な故障を防ぐことができます。

コンベヤ ベルトに関しては、予知保全ソフトウェアでベルトの張力を測定し、早期の摩耗を防ぐことができます。また、モーター負荷を監視することで効率を確保し、予期せぬダウンタイムを引き起こす可能性のあるトラブルの兆候を発見することができます。

予知保全を使用しているメーカーの 1 つとして、パルプと無垢材の最大手メーカーの 1 つである Mercer Celgar があります。予知保全は、同社の生産戦略の重要な部分となっています。さまざまなオプションを検討した結果、Mercer Celgar は既製の予測メンテナンス ソリューションを実装しました。

この AI を活用したソフトウェアは、新しい CMMS システムとシームレスに統合され、以前の自動機械健全性診断ソフトウェアに置き換わりました。 3 つのパイロットを通じて、導入により貴重な洞察と学習が得られました。

AI ベースの予知保全プラットフォームを導入することで、Mercer Celgar は複数の生産ラインを監視し、単一のプラットフォーム内でマシン タイプごとに個別のレポートを取得できるようになりました。

これにより、潜在的な故障や障害に関する早期の洞察をメンテナンス チームに提供しながら、パフォーマンスを追跡および比較できるようになりました。この実装により、Mercer Celgar の業務が変革され、特定の職務が作成され、複数のソースからのマシン パフォーマンス データが 1 つのプラットフォームに集中されました。

その結果、マシンのパフォーマンスに関する唯一の信頼できる情報源が得られ、効率的な監視と大規模なデータ処理が容易になります。

自動車

自動車業界は、信頼性を高め、保証コストを削減するために、機械学習ベースの予知保全に大きく依存しています。たとえば、自動車メーカーは、現場で車両からのセンサー データを監視することで、重大な障害になる前に潜在的な問題を検出できます。

配送用トラックの艦隊を考えてみましょう。エンジンの性能、タイヤの状態、燃費を継続的に監視することで、企業は予知保全によりメンテナンス スケジュールを最適化し、故障を防ぎ、車両の寿命を延ばすことができます。

多くの自動車会社は、メンテナンスの機会を予測して顧客を維持するために予知保全に注目し、自動車メーカーの公式ネットワークからメンテナンス サービスを求めることを奨励しています。

そのような企業の 1 つであるオペルは、過去のデータを分析して最適な検査スケジュールを提案する予知保全ツールを自社の車両に搭載しています。

このシステム導入の主な目的は顧客維持率の向上であるため、システムはメンテナンスの期限をドライバーに通知し、オペルの公式ネットワークとの予約を手配し、顧客がサードパーティの修理業者に頼るのを妨げます。

健康管理

機械学習の予知保全は医療業界に革命をもたらし、重要な医療機器のスムーズな運用を保証します。病院にある MRI 装置を想像してみてください。

温度、圧力、電磁界強度などのセンサー データを分析することにより、予知保全アルゴリズムは、潜在的な問題を示す異常、逸脱、およびパターンを検出できます。

これにより、病院は需要の低い期間にメンテナンス活動を積極的にスケジュールし、患者ケアの中断を最小限に抑えることができます。このアプローチは、運用効率の向上、機器のダウンタイムの削減、および患者の転帰の向上につながります。

このようなアプローチを採用している医療機関の 1 つが、柏ヘルスチェッククリニックです。彼らは日立と提携して、MRI 装置の故障を防ぐための予知保全システムを導入しました。

この技術パートナーは、100 台の MRI システムからの 3 年分のセンサー データを分析し、デバイスの故障につながる原因パターンを調査するメカニズムを作成しました。

機械学習は、通常の動作状態を定義し、異常を予測し、検出するのに役立ちました。

失敗につながる変化。

その結果、組織はMRI 装置のダウンタイムを 16.3% 削減しました。

石油ガス

複雑で高価な機器で知られる石油・ガス部門は、機械学習ベースの予知保全から大きな恩恵を受けています。多数のポンプ、コンプレッサー、タービンを備えた海洋掘削装置を想像してください。

圧力、温度、流量などのパラメータを継続的に監視することで、予知保全アルゴリズムにより異常を検出し、差し迫った故障を予測できます。

積極的なアプローチをとることで、企業はコストのかかる計画外のシャットダウンを回避し、機器のパフォーマンスを最適化し、従業員の安全を確保することができます。

製造業の大手企業であるアラムコは、予知保全の力を活用して、石油やガスとともに井戸から出る過剰な水によって引き起こされる機器やパイプラインの腐食、スケール、その他の損傷を防止しています。

AI を活用した流量計を導入したことで、同社は井戸内の水の流れをリアルタイムで把握できるようになりました。このメーターは、AI を活用したデジタル ツイン モデルを採用してパイプの流れを予測し、それを実際の測定値と比較します。

このプロセスにより、メーターはさまざまな動作条件にわたって自動的に調整できるようになり、再校正の必要性が大幅に最小限に抑えられます。

予知保全ソリューションを構築するにはどうすればよいですか?

機械学習ベースの予知保全ソリューションを導入する場合、組織は既製のソフトウェアを選択するか、カスタム構築のソリューションに投資するかの決断を迫られます。

それぞれのアプローチには明確な利点と考慮事項があり、選択はいくつかの基準によって決まります。

• 利用可能な予算: 既製のソフトウェア (IBM Maximo、Microsoft Azure IoT Suite、GE Predix、PTC ThingWorx、Siemens MindSphere など) は一般に初期費用が低くなりますが、カスタム ソリューションの構築には初期投資が高くなる可能性があります。 。予算が限られている企業は、既製のソフトウェアの方が魅力的であると感じるかもしれませんが、十分なリソースがある企業は、カスタマイズされた機能のためのカスタム ソリューションを好む可能性があります。

• 導入までの時間: 既製のソフトウェアは事前に構築されテストされているため、迅速に導入できます。対照的に、カスタム ソリューションの開発は、プロジェクトの複雑さと範囲によっては、より長い時間がかかる場合があります。

• 業界固有の要件: さまざまな業界には、特定の機能を備えた予知保全ソリューションを必要とする独自のニーズやワークフローがあることがよくあります。既製のソフトウェアはこれらの要件を完全には満たしていないため、カスタマイズが必要です。

  
  

  したがって、高度に専門化されたニーズを持つ企業や、オーダーメイドのソリューションを通じて競争力を求めている企業は、カスタム ルートを選択することを好む可能性があります。

• 既存のインフラストラクチャと統合: 予知保全ソフトウェアを既存のシステムおよび機器と統合することは、シームレスな運用にとって重要です。

  
  

  既製のソリューションは、限られた数の一般的な機器やテクノロジーとの互換性が優れている場合がありますが、カスタム ソリューションは組織の確立されたインフラストラクチャに適合するように正確に調整できます。

• スケーラビリティ: ビジネスが成長し拡大するにつれて、予測メンテナンスのニーズも進化する可能性があります。既製のソフトウェアは、変化する要件に適応できるスケーラブルなオプションを提供する場合があります。カスタム ソリューションを適切に設計すれば、拡張性と柔軟性も提供できますが、これには追加の開発作業が必要になる場合があります。

• サポートとアップデート: 既製のソフトウェアには、ベンダー提供のサポートと定期的なアップデートが付属していることが多く、ソリューションが常に最新の状態に保たれます。カスタム ソリューションでは、継続的な機能を確保するために継続的なメンテナンスとサポートの取り組みが必要になる場合があります。

AI ベースの予知保全ソリューションをゼロから構築する

カスタムの機械学習ベースの予知保全ソリューションを最初から構築すると、最大限の柔軟性が得られ、独自のニーズに合わせてシステムを正確に調整できます。それでも、カスタム ソフトウェアが完全にカスタム化されることはほとんどありません。

オープンソースのライブラリとフレームワーク (例: Scikit-learn、TensorFlow、PyTorch、Keras、XGBoost など)、SDK および API (例: AWS SDK、Azure SDK、Google Cloud SDK、IBM Watson SDK、 ThingWorx SDK など) だけでなく、カスタムの予測メンテナンス ソリューションの開発プロセスを高速化し、簡素化する事前トレーニング済みモデル (Amazon SageMaker、Azure Stream Analytics など) を含むフルマネージドの機械学習サービスも提供します。

以下では、 ML コンサルティング会社としての運営経験を共有し、AI ベースの予知保全ソフトウェアの開発プロセスがどのように展開するかを説明します。

予知メンテナンスは、状態監視と予測分析という 2 つのサブタスクに分割できるタスクです。したがって、予知保全ソリューションの構築は、本質的には、検出モデルと予測モデルをトレーニングし、それらを本格的なソリューションに統合することになります。このようなモデルをトレーニングするには、次の手順を実行します。

• データ収集

  予知保全アルゴリズムを作成する場合、最初のステップは、モデルをトレーニングするために十分なデータを収集することです。収集するデータの種類は次のとおりです。

  
  

  • マシンの状態とパフォーマンスに関するリアルタイムの洞察を提供するセンサー データ。これには、機械に取り付けられたあらゆる種類のセンサー (温度、圧力、振動、電圧、ノイズなど) から収集された時系列情報が含まれます。

    
    

  • 日付、時刻、障害の性質など、過去の機器の障害に関する情報を含む障害データ。

    
    

  • メンテナンス記録、サービスレポート、作業指示書、および機器のメンテナンス履歴に関連するその他の文書。

    
    

  • 開始時間と停止時間、生産率、スループット、使用パターンなど、マシンの動作ステータスに関する情報を取得する動作データ。

    
    

  • 周囲温度、湿度レベル、機器の健全性に影響を与える可能性のあるその他の外部条件などの要素にわたる環境データ。

    
    

  • 障害パターンに関する追加の洞察を提供する可能性のあるその他の関連データ (エネルギー消費量やメンテナンスコストのデータなど)。

    
    

• 情報処理

  データの前処理は、カスタム AI 駆動の予知保全ソリューションを構築する上で不可欠なステップです。これには、欠損値の処理から外れ値の削除など、さまざまなテクニックが含まれます。

  
  

  適切な処理手法の選択はデータの特性に依存しますが、処理を適切に実行するための鍵はマシンを理解することです。ノイズの多い振動データがあるとします。障害のマーカーが含まれる周波数範囲を知ることで、最適な前処理戦略を選択することができます。

  
  

• 特徴量エンジニアリング

  特徴エンジニアリングとは、生のデータを、正常な動作と誤った動作を区別するのに役立つ特徴に変換することを意味します。目標は、データから関連情報を抽出し、機械学習アルゴリズムがパターンと関係を識別しやすくすることです。

  
  

  たとえば、振動データを使用してギアボックスの状態を監視できます。ギアボックスの故障により、振動の周波数と大きさが変化します。したがって、ピークの周波数と大きさは、ギアボックスの状態を監視するために使用できます。

  
  

  特徴量エンジニアリングで使用される一般的な手法には、次のようなものがあります。

  • 集約: 複数の生データ ポイントを結合して集約された特徴を作成すると、機器の動作をより高いレベルで表示できます。

    
    

  • 時間ベースの分析: 時系列データには、多くの場合、貴重な時間パターンが含まれています。時刻、曜日、季節パターンなどの時間ベースの特徴を作成すると、モデルが繰り返し発生する行動を捕捉するのに役立ちます。

    
    

  • 信号分析: 信号処理技術を適用すると、周波数成分を抽出したり、時系列データ内のパターンを検出したりすることができます。

    
    

  • 相関分析: どのデータが予測の精度に最も影響を与えるかを評価し、モデルのトレーニングに関して重要性が低いデータ ポイントをデータ セットから削除することで、トレーニングにかかる時間を短縮できます。

    
    

  • ドメイン固有の特徴抽出手法: 場合によっては、ドメインの知識が特殊な特徴変換につながる可能性があります。たとえば、回転機器の場合、振動次数解析に基づく機能が役立ちます。

    
    

特徴エンジニアリングは、複数回の反復を伴うプロセスになる可能性があります。最適なパフォーマンスを得るために予測モデルの最初のトレーニングとテストを行った後、このステップに戻るのが一般的です。

• モデルの選択とトレーニング

  次のステップとして、最適な機械学習モデルを選択し、収集したデータに基づいてトレーニングします。

  
  

  機種選定

  特定の予知保全のユースケースには、適切な機械学習アルゴリズムまたは予測モデルを選択することが不可欠です。モデルが異なれば長所と短所も異なり、選択はデータの性質、問題の複雑さ、望ましい解釈可能性レベルなどの要因によって異なります。

  
  

  予知保全に一般的に使用されるモデルには次のものがあります。

  • ロジスティック回帰: 機器の一部が故障するかどうかを予測するなど、二項分類問題に適しています。

    
    

  • デシジョン ツリー: カテゴリ データと数値データの両方の処理に効果的です。特徴間の非線形関係を捉えることができます。

    
    

  • ランダム フォレスト: 精度と堅牢性を向上させるために複数のデシジョン ツリーを組み合わせるアンサンブル手法。

    
    

  • サポート ベクター マシン (SVM): 特に高次元データを扱う場合の分類タスクに役立ちます。

モデルのトレーニング

モデルのトレーニングには、履歴データを使用して機械学習の予知保全モデルに、特徴と機器の故障などのターゲット変数の間のパターンと関係を認識させることが含まれます。データセットは、トレーニング セットとテスト セットの 2 つの部分に分かれています。

モデルはトレーニング データから学習し、トレーニング プロセス中に特定したパターンに基づいて予測できるようになります。

トレーニングが完了すると、モデルはテスト データ セットでテストされます。モデルの検証は、目に見えないデータに対してモデルがどの程度うまく機能するかを評価し、その予測力を推定するための重要なステップです。

• 統合と展開

  適切なモデルを特定し、トレーニングし、正確な予測を生成したら、システムに統合して実行に移します。機械学習予測メンテナンス ソフトウェアの詳細に応じて、いくつかの導入オプションがあります。

  
  

  • クラウド実装: クラウドに保存されている大量のデータを扱う場合は、クラウドベースの展開を選択します。機械学習アルゴリズムをクラウドで直接実行することで、予測や健全性の監視のためにローカル マシンとクラウドの間でデータをやり取りする必要がなくなります。これにより、メンテナンス プロセスが合理化され、効率が向上します。

    
    

  • エッジ実装: あるいは、機器の近くにある組み込みデバイスでアルゴリズムを実行することもできます。このアプローチにより、機器の健全性に関する更新と通知を遅滞なく即時に行うことができます。

    
    

  • ハイブリッド実装: クラウドとエッジを組み合わせて使用することもできます。前処理と特徴抽出に組み込みデバイスを利用し、クラウドで予測モデルを実行します。こうすることで、エッジ展開に伴う効率とクラウドベースの処理能力の両方の長所を活用できます。

    
    

    これは、石油掘削や航空機エンジンなどのシステムで特に有効に機能します。連続稼働により膨大な量のデータが生成され、帯域幅とコストの制限により機内ストレージや送信が困難になります。

途中で対処すべき課題

AI 予知保全ソリューションの導入には、特定の課題が伴う場合があります。一般的な障害には次のようなものがあります。

• レガシー機器: 古い機器や互換性のない機器に接続してデータを収集するのは困難な場合があります。必要なデータを収集するには、センサーの改造や IoT ゲートウェイの利用が必要になる場合があります。

• 正しいパラメータの確立: 各機器の監視に最も関連するパラメータを特定することが重要です。正確な予測を保証するには、機械とその故障モードを深く理解する必要があります。

• データの品質と可用性: 正確な予測には、データの品質と可用性を確保することが重要です。不完全なデータまたは信頼性の低いデータは、誤ったメンテナンスの決定につながる可能性があります。データ ガバナンスの実践を確立し、データ インフラストラクチャに投資することは、この課題を克服するために不可欠なステップです。

まとめると

AI を活用した予知保全は、設備を大量に使用する業界または設備に依存する業界で活動する企業にとって、状況を一変させる機会を提供します。

メンテナンスに対するプロアクティブなアプローチを採用することで、組織はダウンタイムを大幅に削減し、メンテナンス コストを最適化し、運用効率を向上させることができます。

既製のソフトウェアをカスタマイズする場合でも、カスタム ソリューションを最初から構築する場合でも、機械学習の予測メンテナンスは、機器の可能性を最大限に引き出すのに役立ちます。

機械学習の予知保全の可能性を探り、情報に基づいた意思決定を行うことで、貴社を新たな高みへ押し上げるために、当社のチームにお問い合わせください。