ギャップを埋める：機械学習とエッジ・コネクティビティで古いマシンを新しいシステムに接続

レガシーシステム、時代遅れのデバイス、そして古いマシンは、いまだに多くの工場フロアで普及しており、その使用は近い将来も続くと予想されます。接続とデータ収集のためだけに、機能している古い機械を新しい機械に置き換えることを正当化するのは難しいかもしれません。しかし、機械の状態を理解し、古い機械を新しいシステムに接続することで、モニタリング、アラート、トレーサビリティ、現場の活動の透明性を提供することの価値と重要性は、誰もが認識しています。この認識は、目からウロコです。

では、私たちが直面している課題とは何でしょうか？一方では、私たちは接続性と、これらのマシンから価値を引き出し続ける能力を望んでいます。一方で、これらの機械は古いもので、OPC UAやMQTTのような最新のプロトコルをサポートしていないことが多く、どんなに努力しても直接接続できないものもあります。さらに、ポンプやファンのような単純な機械は、単に読み取るものがないだけです。それでも、いつどのように稼動しているのか、どれだけのエネルギーを消費しているのか、さらには故障を予測しているのかを確認したいのです。

旧式の機械を刷新することで、製品品質の向上、生産スループットの向上、効果的なモニタリングとデータ収集の実現など、多くのメリットが得られます。しかし、新機種へのアップグレードのような機械加工現場の変更導入プロセスは、一筋縄ではいきません。既存のワークフローを破壊し、従業員のトレーニングが必要で、多額のコストがかかります。さらに、投資の観点からは、最初の機械投資を回収するには、かなりの時間が必要です。そのため、すぐに買い替えるのではなく、創造性を育み、老朽化した機械に接続するための代替アプローチを模索することが不可欠です。

驚くことに、これらの問題は新しいアプローチと技術で解決することができます。そのような解決策の1つは、データを生成するセンサーの力を活用することです。旧式の機械と最新のプラットフォームとのギャップを埋めることは、見た目ほど難しいことではありません。産業用モノのインターネットIIoT）以前の古い機械で、従来のモニタリングやデータ収集方法では接続できない場合を考えてみましょう。このような場合、答えはシンプルで費用対効果の高いソリューションにあります。センサ、特に汎用性が高く、さまざまな機械と互換性のある電流・振動測定センサです。このセンサーが生成するデータの可能性を活用するために、私たちは機械学習（ML）の技術を採用します。

[ティーザー：カメラやOCRを使ってマシンのスクリーンに接続することもできます。］

機械学習は20年近く前からセンサーデータを活用しており、予知保全が最もよく知られた応用例です。しかし、他にも数多くのアプリケーションがあります。今回の議論では、機械の状態を予測することが目的です。機械の状態が「オン」なのか「オフ」なのか、あるいはもっと微妙な状態なのか。例えば、射出成形機やCNCマシンを監視する場合、いつでもそのステータスを判断できなければなりません。では、詳細を掘り下げてみましょう。

センサーを組み込むことで、老朽化した機械から貴重なデータを収集することができます。さまざまなプロセス段階における電流と振動レベルの変化は、洞察に満ちた情報を提供します。センサーは現在を知る窓として機能し、リアルタイムのデータを提供します。例えば、射出成形機の加熱段階では、（電流センサーによって測定される）高いエネルギー消費が観察されることが予想されます。同様に、振動センサーは、CNCマシンの粗削り段階で大きな活動を検出します。

素晴らしい！これで古いマシンからデータを抽出する手段が確立されました。次のステップは、このデータを意味のあるインサイトを導き出せるプラットフォームに流すことです。

、これがTulip エッジ・デバイスと Tulip プラットフォームが非常に貴重であることを証明するところです。

センサーはデータを生成することで、物理的領域とデジタル領域のギャップを埋めます。次のステップでは、センサーからのデータストリームをデジタルシステムに接続しますが、これはTulipEdgeIOのようなエッジデバイスを使って実現できます。このデバイスは、センサーとTulip プラットフォームのシームレスな統合を容易にします。さまざまなセンサーに適した複数のポートを備えたTulipEdgeIOには、探索する価値のある強力なツール、Node-RED組み込まれています。Node-RED 要するに、モノのインターネットIoT）の領域でハードウェア機器、API、オンラインサービスを接続するために使用されるフローベースの開発ツールです。ウェブブラウザベースのフローエディタにより、ユーザーはデータ処理を支援するJavaScript関数を作成することができます。

一方ではセンサーをマシンに、もう一方ではEdgeIOに接続したら、Node-RED上でデータフローを定義し、データをTulip保存できるようにします。次のステップでは、このデータを活用して洞察を導き出し、レポートを作成し、リアルタイムのダッシュボードを作成し、アラートを設定します。

マシンを配線し、データの流れを確立した後、次の重要なステップはそれをリアルタイムで活用することです。ほとんどのセンサーは、時系列データを生成します。これは、時間にわたって一様にサンプリングされたアナログ信号を表し、離散的なデジタルデータを作成します。このデータはセンサーからEdgeIO、そしてクラウドデータベースへとリアルタイムで流れます。この時点で、価値ある洞察を抽出するためのロジックを採用することができます。ロジックには、単純な閾値ベースのアプローチから、より洗練された機械学習モデルまで、さまざまなものがあります。

時系列データの機械学習ソリューションの構築に関する詳細なチュートリアルを提供することは、このブログの範囲を超えています。しかし、どのようにそれを行うことができるかについて、いくつかのアイデアとコンセプトを紹介したいと思います。

機械学習ソリューションは、入力としてデータサンプルを受け取り、出力として予測を提供する箱として見ることができます。私たちの場合、入力は時系列からの数サンプル（5～10秒程度の信号）からなり、出力は機械の状態となります。簡単のため、2つの状態を仮定しましょう：「ただし、解は複数の状態に一般化できます。本番環境では、MLモデルやアルゴリズムはデータサンプルを受け取り、機械の状態を予測 します。これが達成される前に、モデルは目的のタスクを実行するように訓練される必要があります。

モデルの学習や構築はデータサイエンティストの仕事であり、過去のデータを活用してモデルを訓練します。モデルの学習には、主に教師なし学習と教師あり学習の2つのアプローチがあります。

教師なし学習のアプローチ、特にクラスタリングでは、センサーからデータを収集し、それを小さな時間チャンク（マシンにもよりますが、通常は数秒）に分割します。目的はデータポイントをクラスタリングし、「オフ」と「オン」のサンプルが統計的特徴に基づいて別々のクラスタにグループ化されるようにすることです。クラスタリングでは、ラベル付けは必要なく、サンプルはその特徴のみに基づいてグループ化されます。クラスタにラベルを割り当てるために、ユーザは少数のサンプルに注釈を付ける必要があります。生産では、新しいデータサンプルが導入されると、そのクラスタへの距離が計算され、最も近いクラスタのラベルが新しいサンプルの予測状態になります。

教師なし手法は強力ですが、精度と複雑さにおいて限界があります。このため、ラベル付きデータを利用し、一般的に学習が容易な教師あり手法が普及しています。ラベル付きデータを収集するために、ユーザはデータサンプリング期間中にマシンの状態にラベルを付けるよう求められます。数百のラベル付きデータサンプルが集まれば、与えられたデータサンプルを分析し、マシンの状態を予測するために、ニューラルネットワークのようなモデルを訓練することができます。トレーニングされたモデルは、実稼働時にマシンの現在の状態を分類するために使用することができます。余談ですが、ラベル付けされたデータは本番でのマシンの動作を反映する必要があります。逆に、生産工程が異なったり、材料が変化したり、外的要因がデータに影響したりする場合は、多くのラベル付きデータが必要になります。

どちらのアプローチでも、モデルは過去のデータを使用してトレーニングされます。クラスタリングのような教師なしアプローチは、ラベリングを必要としませんが、精度が低く、複雑さが制限される場合があります。一方、教師ありモデルは学習が容易で、しばしば優れたパフォーマンスを達成します。しかし、ラベリングは複雑で時間がかかる場合があります。

コネクティビティは、デジタルトランスフォーメーションを成功させるために不可欠な要素であり、多くの場合、産業用モノのインターネットIIoT）のコンセプトによって現場で具現化されます。この考え方は、機械やその他の存在とインターネットとの統合を中心に展開され、今日の世界では一見単純なアイデアに見えます。しかし、効果的な接続を実現するのは複雑な作業です。そこでTulip 、APIやSQLクエリなどの最新のソフトウェア・インターフェースや、ネットワーク、USB、シリアル、アナログ・インターフェースなどの物理的接続を通じて、機械データの収集を可能にする多様な接続機能を提供します。さらに、Tulip OPC-UAやMQTTなどの標準プロトコルをサポートしており、機械との接続を容易にするために特別に設計されています。これらのコネクターは、物理ドメインとデジタルドメイン間のブリッジとして機能し、シームレスなデータ転送を促進します。

とはいえ、機械の接続が困難な場合もあり、革新的なソリューションが必要になることもあります。そのような場合、Tulip 多用途のツールボックスとして機能し、ユーザーがデジタル化の領域で創造性を発揮できるようにします。

EdgeIOは、アプリケーションにデバイスを入出力として組み込むことを可能にするデバイスであり、トリガーの作成や時間節約ワークフローの作成を容易にします。機械、デバイス、センサーによって記録されたイベントや測定値をキャプチャします。

前述のコンポーネントが揃ったことで、EdgeIOでは3つの原則が実行に移されます：

• オープン性： センサーやカメラを使って、ネットワーク接続された機械、アナログ機械、独自の機械からデータを収集します。一般的なプロトコルをサポートし、人間に追加データを求めるための直感的なインターフェースを提供します。

• 俊敏性とセルフサービス：運用に最も近いエンジニアが、コーディングや専門知識を必要とせずにデバイスを追加し、変更を実装できます。Tulip エッジデバイスは、コスト効率が高く、セットアップが簡単で、複数のユースケースに使用できます。

• 統合と接続：データを自動的に収集し、リアルタイムのガイダンスを提供する直感的で合理的なワークフローを作成します。Tulip 、HTTP API、SQLデータベース、OPC UAサーバーに接続し、他のシステムと統合できます。

このようなセンサーを設置することで、Tulip ような最前線のオペレーション・プラットフォームは非常に便利になります。Tulip 、これらのセンサーに簡単に接続できる接続デバイス「EdgeIO」を提供しています。EdgeIOデバイスは、IoT 領域のハードウェアデバイス、API、オンラインサービスを配線するためのフローベースの開発ツール、Node-RED実行できます。Node-RED 、Webブラウザベースのフローエディタを提供し、ユーザーはJavaScript関数を作成することができます。Node-RED、センサー、EdgeIOデバイスを活用することで、リアルタイムの連続時系列データを収集することができます。このマシンからのデータをTulip テーブルに保存し、機械学習モデルの学習に使用することができます。しかも、コードを1行も書かずにこれを実行できます。