予知保全とは？
予知保全とは、新しい機械データと過去の機械データを使用して、性能の問題を理解し、問題が発生する前に予測することです。高度な機械学習とAI技術を使用して最新の工場で生成されたデータを分析することで、予測分析はダウンタイムを減らし、資産パフォーマンスを最適化し、機械の寿命を延ばすことができます。
予知保全（PdM）を代表する約束は大きい。資産利用率の2桁の向上。パフォーマンスの問題を事前に警告するスマートマシン。OEE、TEEP、OPEの大幅な向上。
ほとんどの人にとって、そのような世界はまだ先のことです。さらに重要なことは、適切な予測アルゴリズムだけで解決できるものではないということです。
この記事では、予知保全について説明します。PdMが単なるAIの問題ではない理由を説明し、機械監視プログラムを最大限に活用するための明確なステップの概要を説明します。
コンテクストにおける予知保全
製造業における現在のメンテナンスプログラムのほとんどは予防的なものです。予防保全（PM）は、定期的に予定された間隔で、または機械が所定の生産しきい値を超えたときに行われます。
予防保全は資産の健全性を確保するために重要ですが、それは鈍器です。PMは、個々の機械が稼動する条件、異なる機械部品の差 異的な消耗、または故障を予測しうる他の要因を考慮しません。その結果、メンテナンス・スケジュールが必要以上に頻繁になったり、必要以上に少なくなったりすることがよくあります。(典型的な例は、性能に関係なく3000マイルごとに車のオイルを交換することです）。
対照的に、予知保全は、特定の機械が生成するデータを使用して、部品や資産のライフサイクルをより詳細に把握します。PdMは理論上、メンテナンスのスケジューリングから当て推量を取り除きます。特定の機械がどのように劣化するかを可視化することで、PdMはメーカーがより効果的にメンテナンスを管理することを可能にします。
予知保全の成功は、トレーニングセットで利用可能なデータの質と量に依存します。
つまり、1.) マシンのパフォーマンスを長期にわたって代表するサンプルを作成するのに十分なデータ、2.) 現地の状況におけるマシンのパフォーマンスと使用状況を正確に反映したデータ、が必要です。
十分なデータを持つことと、良いデータを持つことの両方がなぜ重要なのかを明らかにするために、それぞれについて掘り下げていきます。まず量。
予知保全には適切な量のデータが必要
予測アルゴリズムの学習を成功させるには、ペタバイト単位のマシンデータが必要だというのは迷信です。また、データが多ければ多いほど良いというのも迷信です。皆さんの多くは、悪いトレーニングセットがいかに最適な結果をもたらさないかを説明する「ガベージ・イン、ガベージ・アウト」というフレーズを聞いたことがあると思います。
PdMに必要なのは、特定の作業におけるマシンの使用状況を説明するために、マシン性能の代表サンプルを提供するのに十分なデータです。
ある経営工学の教授によると、代表的なサンプルを作成するのは簡単なことではありません。「何千もの変数がある場合、問題と根本原因の間に意味のある統計的関連性を見つけるためには、通常、何十万、何百万もの部品のデータが必要です。
これは、「特定の業務における使用」という限定語を考慮する場合に特に当てはまります。
これがその理由です：マシンのライフサイクルは、何十年とまではいかなくても、何年にもわたって展開されます。そのため、代表的なデータセットを収集するには、長期間にわたってマシンを観察する必要があります。あるビッグデータ・グループがPdMについて述べているように、「マシンの寿命は通常数年単位であり、劣化プロセス全体を通してシステムを観察するためには、データを長期間収集しなければならないことを意味します。
この数量の問題は、多くのメーカーが十分な過去のデータを持っていないという事実によって、さらに深刻になっています。稼働時間やダウンタイム、生産された部品、メンテナンスログなどの情報はあるかもしれません。しかし、この情報が正確であることは大前提であり、真に予測的な洞察力を得るには、十分にきめ細かくない可能性が高いのです。
多くのメーカーは、公開されているデータセットを使って予測アルゴリズムをトレーニングすることで、このデータ不足を克服しようとしています。ほとんどの民間企業は生産データを厳重に保護していますが、科学的でパブリックドメインのソースは活発に交換されています。
しかし、PMからPdMへとメーカーを移行させるには、これらのデータでさえ十分ではありません。どんなに大規模なデータセットであっても、生態学的妥当性に欠けるのです。
あるエンジニアは、このデータのジレンマをうまく捉えて、こう書いています。その上、定期的なメンテナンス活動や不正確なメンテナンスWOの推測による多くのノイズの中で仕事をしなければなりません。
そこで次のポイントです。十分なデータが必要なだけでなく、適切な種類のデータが必要なのです。
予知保全には適切な品質データが必要です
おそらく、PdMの文脈でデータ品質を説明する別の方法が、因果関係を推論するのに十分なのでしょう。
つまり、品質データとは、相関関係の泥沼を抜け出し、機械故障の根本原因へとメーカーを向かわせるデータなのです。
これは言うは易く行うは難しで、部品や機械が故障の兆候にどれだけ早く到達するかは、多くの生産要因に影響されるからです。主軸回転数、稼働時間、温度、振動、湿度、使用状況-これらは、独自の方法で相互作用し、全体として機械寿命に様々な影響を与えるパラメータのほんの一部です。
ある作家が指摘しているように、「複雑な機器の健全性は、各測定値を単独で分析しても信頼できるものではありません。状況を正確に把握するためには、むしろさまざまな測定値の組み合わせを考慮しなければなりません。
良いニュースは、センサー技術とエッジコンピューティングの発展により、これまで以上に多様なパフォーマンス測定基準の追跡が可能になったことです。悪いニュースは、最高のコネクテッドマシンでさえ、マシンの劣化の最も重大な原因を常に把握しているわけではないということです。
最近の調査によると、製造ミスの20～50％はヒューマンエラーに起因しており、70％に達するという予測もあります。
予知保全の観点からは、機械がどのように使用されているかを理解す ることは、機械がどのように稼動しているかを理解することと同等か、それ 以上に重要であることを意味します。PdMを可能な限り効果的に機能させるためには、機械が日々どのように使用されているか、適切にセットされているか、交換は正しく行われているか、メンテナンスは正しく行われているか、などの記録が必要です。
つまり、マシンのモニタリングには人間中心のアプローチが必要なのです。
予知保全の開始
完全なPdMプログラムを立ち上げることができなくても、人間中心のマシン・モニタリング・プログラムへの一歩を踏み出すことで、ほとんどすぐに価値を生み出し始めることができます。小さな一歩が大きな飛躍をもたらすのです。
そのためにできることを具体的にご紹介します。
1.)工場をできるだけ早くオンラインに ここで説明したように、堅牢でローカルなデータはPdMの要です。 IoTマシンデータの収集が早ければ早いほど、このデータを競争優位に活用することができます。
一般に信じられているのとは異なり、IoT 始めるのに費用はかかりません。レガシーな機械をオンライン化する簡単な方法もありますし、センサーの価格が下がっているため、莫大な費用をかけずに周囲の状況の監視を開始することも可能です。
2.)クラウドを考える予測アルゴリズムのトレーニングや実行に必要な大量のデータは、サーバーやコンピューティングリソースに負担をかけます。製造業向けのクラウドコンピューティングは、オンプレミスのインフラに投資したり維持したりする必要なく、予測分析のストレージとコンピューティングの需要を処理するための、ますます手頃な価格で安全かつスケーラブルなオプションです。
3.)MLアルゴリズムに何を期待するかを理解すること。機械学習アルゴリズムが何を予測できるかを知ることは、どの部門、機械、プロセスを最初にオンライン化するかの優先順位付けに役立ちます。
より一般的な予測分野には、故障前の機械寿命の計算、故障が発生する可能性の高いウィンドウの特定、最も一般的な故障タイプの特定、機械の異常動作の検出などがあります。
機械学習によって何が明らかになるかを知ることが、デジタル変革の優先順位を決める鍵となります。
4.) 機械の使用状況の把握。機械モニタリングは、機械データが機械の使用状況に関する情報で補完される場合に最も効果的に機能します。これを行う最善の方法は、業務アプリを通じて人と機械をつなぐことです。これにより、全体的な画像が得られ、一般的な交絡を克服するのに役立ちます。
真に予測的なインサイトを生成するために工場を接続する方法を知りたいですか？Tulip フロントライン・オペレーション・プラットフォームは、プロセスを完全に可視化するために必要なヒューマンデータとマシンデータを取得します。チューリップがどのように貴社のオペレーションをオンライン化できるか、ぜひお問い合わせください。