online seminar
いかにして「異常予知AI」 を構築できたのか
産機Komtrax の予知保全システムの技術確立を目指した取組みを紹介
【書き起こし】(2) AIを活用した生産設備の予知保全
(00:09) t [音楽] [拍手] shoo pa elf はいみなさんこんにちは日本マイクロ ソフトの畠山ですとこのセッションでは ですね6末三鬼さんのコーデですね予知 保全のプロジェクトに皆様方の方で 取り込まれたという話をしていただきます あの実は予知保全ってなかなかこうやって いるところが少なくてですねそういった中 で専門家の方がすごく筆だという話が すごく出て来るなが小松さん鞍馬砂糖車 野崎さんとこの皆さんの家からでですねを 自分たちで機械学習を使って予知保全の エンジンを作って現代のビジネスに向かっ て動いているというようなお話になりまし た非常に面白いお話だと思いますがぜひ 楽しみにしていただければと思います じゃあ雅刀さん野崎さんよろしくお願いし ます ます はいそれでは味美味しーランニングを活用 した生産設備の幼鳥前と題しまして
(01:15) コマツ産機株式会社 ict ビジネス 推進室の佐藤と尾崎が発表させていただき ます宜しくお願いします フォンセッションでは弊社の商品における よ庁前の取り組み しまして会人人工知能の専門知識がない中 でいかにしてアジェルマシーランニングを 活用した以上4地霊家横尾地区できたのか ということをお話しします 弊社は方いうことに取り組んだ狙いとして は 機械の5勝しそうなグリーンを ai が 予測して口調によって機体が動かなくなる 前に部品を交換できるように通知する システムというものを作ることによって ユーザー側のメリットとしては機体の メンテナンスにかかる時間を時間やコスト を下げるとそれから我々機体メーカーとし てはサービス業務効率化すると といった究極の補てん携帯予知保全という ものを構築を目指しているものであります ん 製造業の生産現場ではライン停止が大きな
(02:20) 損失につながります その原因となる製造設備の無心交渉では できるだけ回避すべき問題でありそのため に壊れたら交換する次号前と龍ものでは なくて先手を打って定期的に合板する定期 保全というものを導入することは珍しく ありません しかしその結果メンテナンス工数のアップ であったり部品の交換サイクルが短くなっ たりということで保全コストの最適化が 難しくなるという何もあります それに定期交換をする前に部品が壊れて しまって結果日号前になってしまうという こともあってなかなか後の保全ボスとを 下げることができません これらの課題解決をデジタル transformation によって 取り組んでいるのは弊社目の挑戦システム です 4庁前ではモーター減速機ボール スクリューといった駆動部の主要 コンポーネントの寿命をよちょっとする ことで機械の最適な
(03:25) 全景がを立ててへ また度か体を防止してを前記を低減します 設備の五将を事前に検知する取り組みとし て過去に各種センサーを設備につけて異常 監視を行ったことがあります このような手法は一般的ではありますがた 代が多くうまくいきませんでした まず監視したいところにセンサーを 取り付ける必要があるので多くのセンサー が必要になります そうするとセンサーの方がきたより早く 壊れるということがありまたセンサーが 壊れているかどうかの判断も難しい そして1003保証しても期待が多くので センサーは放置されたまま立って 結果状態監視は機能したくなります またセンサーの値は口にするために現場に 行かないといけなかったり
(04:29) 膨大な蓄積データの解説が難しいといった 点もありました そこで対応したのが3基とのたダックスの 活用による iot たです 小松は20年ほど前から遠隔から台稼働 状況を管理できるシステム コムトラックスというものを用いて建設 機械の iot たに取り組んできました 弊社では産業期待の iot 化という ことで業界ではいち早く取り組んでおり まして 2009年以降3期このたラックスを期待 に標準搭載しています 現在国内外で4000台以上の機械に搭載 されています 3期このトラックスでは開きたい稼働情報 を機会に取り付けた通信端末からガード サーバーに送りお客様はどっからでも ゲイブ画面で機械の状態を確認できます 3人を託すの標準メニューとしてはお客様 の期待保有保有機械の稼働率やアラームの 情報をひと目で確認できるかどう掲示板
(05:37) それから各機械の稼働状況を見える化する かどうかん をし部品の使用時間4残存時間を管理し 交換タイミングを知らせする補修部品館 そしてこれらの情報を1日の作業レポート をして自動で作成する作業日報機能な企業 などがあります 4挑戦システムではこの3人のドラックス のネットワークを活用し寿命予測に必要な データをロードサーバーに送信しています ドチ保全システムの構成図を簡単に説明し ます こちらは現在展開している大型サーボ プレスラインの予兆全システムです 外付けセンサーは使わない構成でデータは 各モーターのサーブ情報を cnc plc とあああーーものから収集し米処理をした 上で コムトラックス端末 クラウドへ送信しています
(06:43) 注目なのは6条店システムを導入するのに 追加した部品は fab シートをコムトラックスユニット それからアンテナだけというところです 機械設備に対して大掛かりな元気改造報じ は必要ありません それでは外付けセンサーを使わずに モーターのサーボ情報からどのように自分 を少しているのか その概要を簡単に紹介します まずステップ1としてサーブ波形で機体の 上場たが見えるのかということを時期との 突き合わせで調べました 各モーターに振動センサーを設置すると ともに さを制御情報 サーボ制御データを取得し振動レベルが 一応地になった y 軸と v 字ぷに対してモーター交換 前後で帰宅しました 結果 こちらのサーブ波形を fft 解析した データで振動センサーの値が起き立った y ジープと v 字物
(07:48) こちらで他の正常な x 軸裕二分に比べ てレベルが大きいという状態が見られまし た さらにモーターをしたは何處では レベルが低くなるという状態の確認でき ましたえっ v 字桑モーターを交換していないので レベルが変わっていません さらに実物との突き合わせということで 対象の y 軸モーターを分解調査した ところ モーターベアリング20度のフレイ金発生 しているということも確認できました 以上より 外付けセンサーがなくてもサーブ八景を 処理することでチキチ判定できるレベルの 特徴量の抽出ということができるという ことが分かりました step 2として劣化部位を特定する ための手法について検討しました プレスのプレス機械の主要駆動部には モーターベアリングタイミングベルト
(08:52) コンロッド減速し費等があります これらは機械的に結合されていることから 曲の会月波形には各部位の異常状態が含ま れているのではないかという風に考えまし た そうであれば 回月波形を 銀行知能の一つであるう ちっちゃい機械学習にかけることで レッカー部位が特定できるのではないかと いうふうに想定をしました そこで次に機械学習の実力を検証する テストを実施しました をでは稼働中の同じから式のモーターは5 台からそれぞれ100個の波形を取得し そのうち70校学習用データとして ai に学習させて残りの30個 氷塊をデータとしてどのモーターの波形 勝てるという課題を与えました 何意図の把握ということで各もう台の波形
(09:57) はこちらに示します モーター市からモーターは5までの芸が ありまして それぞれのモーター系の特徴の違いは とても小さくて人の目で判断することは 難しいということがわかります このテストを複数の機械学習ツールで実施 しました 結果すべての機械学習ツールで正答率が 90%以上という結果となり 機械学習という手法の実力の高さを実感し ました これらの実証実験を経て挑戦システムの フローは次の通りとなります まずフロー1としてタイからデータを収集 します ここでは平気な高速サンプリングを自動化 しています 次にブローにとして収集したデータを解析 して特徴量を抽出しまう 次に不老山で不調量をクラウドにある
(11:03) ちゃんとのたラックサーバに送信します ここまでがエッジ側つまり機体側で実施 するプロです そしてフロー4からクラウド r 実施 するフローとなります クラウドはマイクロソフトの azure を使用しています クラウドでは多くの期待から収集した データをもとに 多変量回月の一つである mt 4によっ て 正常異常の判断を実施しています こちら mt 4についてはこの後もう ちょっと詳しく説明していきます その後フローを5として mt 方で以上 と安定した場合以上部位を特定します 以上部位の特定ではこちらフローにで解析 した fft 波形を機械から取得して その波形を ai 解析に食べて部位を 特定します ai 解析は azure のましーなー 任務を使用していますん 最終的に保全計画としてこのトラック滑る
(12:10) 画面で残存寿命等劣化舞踊ユーザーにお 知らせしまう で重要なポイントは 解析フローである md 方と ai モデルというのをクラウド側に構築する ことで常に新しいデータを加えながら学習 を繰り返し モデルを更新できるので精度の向上維持 向上が可能となっています こちらがを庁前システムの web 画面 になります このトラックスの稼働掲示板に予知保全の 劣化バロメーターを追加しました 縦軸が発泡錠ごとのプレスライン一覧が 表示されていて 5軸にそれぞれのプレス機械の駆動部の 劣化バロメーターが用意されます 劣化バロメーターは新品状態で満帆となっ ており 劣化していくとえっピッ で結局警告レベルまで減ると背景が黄色と なって異常レベルになると背景が赤色と何
(13:17) 市とも一目で設備の劣化状態を判断でき ます タイの詳細を確認した場合には期待を選ん で残存寿命グラフを協議します こちらが残存寿命グラフ画面で選択した 期待のほう関係カプリスとと残存寿命 グラフ協議します こちら残存寿命グラフは microsoft power bi ツールで作成しています 交換計画リストでは劣化駆動部を自動 ai 快適で判定した劣化部位を表示します これにより最適な古典計画を立てて いただくことができます また残存寿命グラフでは残存寿命の推移を 時系列表でします グラフ一個一個はフェイスの各駆動部の グラフで縦軸が残存寿命を表しています 高いところが残存寿命が長くあるところで 劣化していくとだんだんと減っていって 最後
(14:20) 交換時期になるとゼロに近づくとこういっ たグラフになっています このようにカーソルを合わせればその日の 値が確認できるこれはバービー愛の レポートの機能の1つで伝えます 正常な状態から劣化していくとだんだんと 下がっていって って最後ゼロになるという風に考えてい ます 残存寿命の低下を検知したときは登録済み のメールアドレスに残存寿命低下の アラームメールを発信します メール配信には azure のロジック アプリを使い濃厚度で機能を作っています お知らせメールはアドレスごとに対象額を えら選択できるので期待の担当者ごとに 設定することが可能です メールには mt 4と ai 付きで 判定した残存寿命と劣化部位を記載してい ます
(15:24) ここまでが a 社の挑戦システムの一連 のフローとなります それでは次にプラウドで実施しているか市 吉方についてもう少し深掘りして説明して いきます は彼らはこっち参議 ict ビジネス 推進室の野崎が説明させていただきます データの正常状態非正常状態は mt 4 mahalo の vista 打ち方で 可視化しています mt 4では正常つの 集まりである大空間を設定しその中心から の距離であるマハラノビス距離が離れる ほど以上であると判断します残存寿命さ 演出するにあたり市場から集めたデータ から2つの特徴量である x ワン x 2を蓄積して 機種部位ごとに大空間を設定しています それをもとにしたマハラノビス距離から 以上度を算出してグラフ化していますここ mt 4で異常と判断されたデータの故障 部位を判定するためにアジェルマシー
(16:29) ラーニングを活用しています azure マシンラーニングデザイナー という機能では茂十郎線で結んでいくこと で全体の処理フローを感覚的に記述し実行 することができますすここれで構築例を 紹介しますまず機械学習にかけたい でたをインポートします インポートしたデータも太めモジュールが 左の列にあるので必要なモジュールを ワークスペースにおいていきます ワークスペース内のかとモジュールを処理 の流れに従って上から並べていきます してモジュールの出力と次の モジュールの入力を線で結んでいきます 第五に彼とモジュールの内部パラメータを 設定します これでモデルコーチの準備ができたので あとは実行するだけで結果が出力されます 先ほどのモデルでは制度や実際のずらすと 推論した+の規格表が結果として出力され
(17:36) ます この日カプって今日では とて軸が実際のプラス横軸が推論した キュッパクラスお勧めしており 左上から左上から右下に向かって色が濃く なるほど正答率が高いと言えます この結果を見て精度が良くなかった場合 アジェルマシンライニングではパラメータ を変え再度実行するだけなのでパラメータ 調整 隔週水路のサイクルを早く回すことができ ます 精度の高いモデルを作成するために最適 パラメーター設定は必要不可欠であり最黒 早と思わせることは重要となってきます この例ではアルゴリズムのパラメーターを 変えると 全体の精度が73%でしたが 90%まで向上したことがわかります また azure も c ラーニングの オート名キッドマシンラーニング機能の 活用も検討しています
(18:41) 大トメ edit 麻聖ラーニングでは データをインポートするだけで様々な アルゴリズムとパラメーター設定を使った 会席を自動で10本し精度の良い順に一覧 表示してくれます この事例では 防菌でアンサンブルのアルゴリズムが正答 率91%でもっとも今制度であることが わかります を さらにオート名フィット machine learning では機械学習の結果に 対して判定のポイントとなる特徴量データ を確認することができます このグラフは縦軸が6を特定する時の影響 道 横軸が周波数を示しています 例えば青色のベアリング以上はに 196.9ヘルツで最も特徴が表れている ということや緑色もモーター pg の 以上は180020.
(19:44) 3ヘルツに現れて いるという結果が可視化されます 部位ごとの波形の特徴量がわかりやすいの で不調があるところにフォーカスを当てて より精度の高い解析モデルの作成にも 役立ちます これらと本日紹介しきれなかった機能も 降って右手予知保全システムで活用して いるアジェルサービスは多数あります web サービスネットワークとして サービスっディスプレイスルーと ai 解析ではモデル作成からデプロイ までサポートする機械学習 あじゅる machine learning とコンテナーインスタンス データを安全に保存するストレージとして sql データベースいい 残存寿命チップ何度寿命グラフの作成には ノーコードでグラフ作成可能な power bi 残存寿命低下のお知らせメールの発信には こちらもノーコードで実装可能がロジック アプリを活用しています
(20:49) またがコムトラックスのようなシステムを 持ちでない場合 各種 iot アプリケーションに接続し てデータを収集するサービスとして iot 羽生も活用できると思います 詰めてアジェルで一括管理でき幅広い機能 を持っているためさまざまな用途に活用 することができます 本日の発表は以上となりますご静聴 ありがとうございました
