予知保全

 

予知保全とは?

これだけは知っておきたい3つのこと

機器に取り付けたセンサーから取得したデータを基に故障や劣化を検知し、故障が発生する前の適切なタイミングでメンテナンスを行うことを、予知保全 (Predictive Maintenance) と呼びます。予知保全は予兆保全とも呼ばれることがあります。

予知保全では、各機械設備の状態を、データを用いて監視することで、故障の可能性が高い機械から優先的にメンテナンスを行います。従来の定期メンテナンス等よりも、保守担当者のリソースを効率的に配置できることにより、メンテナンスコストの削減、故障による生産停止を防ぐことが可能となります。

予知保全と予防保全の違いとは?

機器のメンテナンスといえば、故障が発生した後に実施する事後保全(Reactive Maintenance)や、一定期間経過した時にメンテナンスを行う予防保全(Preventive Maintenance)が一般的です。予防保全では走行距離3000 kmまたは3ヶ月毎に実施する自動車のオイル交換など、状態に関わらずメンテナンスが行われる一方、予知保全は状態監視保全や状態基準保全(Condition Based Maintenance)とも呼ばれ、機器の状態に応じてメンテナンス時期を判断します。予防保全の場合では、交換タイミングより前に故障してしまうこともあるため、余裕をもったメンテナンススケジュールが組まれることが一般的です。その結果、余計なメンテナンスにつながります。場合によってはメンテナンスを行うことで機械を「いじり壊す」ということも発生します。機器の状態をデータから正しく判断しメンテナンス時期を決定する予知保全は、余計なメンテナンスを避ける事によるコスト削減だけでなく、予期しない突発的な故障を避けられ安全性の向上にも繋がると期待されています。

予知保全の3つのメリット

  1. 実際に故障が発生する前の効果的なメンテナンスの実施により、機器の稼働率が増加する
  2. これまで過剰だったメンテナンスが不要となり、メンテナンスコストを削減できる
  3. 故障原因も検知可能になり、診断の手間を掛けることなく適切なメンテナンスを実施できる

事前に学習した予測モデルでリアルタイムに機器の状態を予測する仕組みをアプリケーション化し工場に展開

予知保全の活用事例

IoT関連技術の飛躍的な発展によりセンサーデータの活用が盛んになる中で、予知保全の取り組みは様々な業界において活用され始めています。国際航空運送協会(IATA) の資料によると、予知保全を始めとした取り組みにより航空機の稼働率が最大35%向上し、さらにはメンテナンス・修理・運用(MRO)コストが15-20%削減されると試算されています。他にも自動車、製造機器、ガス/石油掘削装置などでも活用されています。

機械学習を用いた製造プロセスの予知保全システム(ユーザー事例-Mondi) 製造設備のセンサーデータを1分ごとに、品質状態を数十分間隔で収集し予測モデルを随時更新します。次の品質状態がアップデートされるまでの間は、現時点でのセンサーデータを基に設備の状態をオンライン判定します。

予知保全のはじめ方

予知保全の条件

まず、予知保全を行う前提についてご紹介いたします。これは「データにアクセスでき、取得できること」、「故障データがどのようなものか把握できること」が挙げられます。

特に、後者が課題となりやすいです。予知保全モデルを学習させるために、故障データは重要な要素となりますが、機械は頻繁に故障するわけではありません。また、故障データを得るために機械を故障させることは現実的ではありません。

この故障データの不足に対する対応策として、ソフトウェアツールを利用することが有効です。例えば、物理モデリングの手法では、さまざまな条件下で稼働している機械がどのように機能するかをシミュレーションすることで故障データを生成することができます。

予知保全の進め方、ワークフロー

データへのアクセス

最初に行うことは、機械の稼働状況の正常・異常を捉えた大規模なセンサーデータを収集することです。さまざまな稼働条件下でのデータを収集することが重要です。例えば、北海道と九州で場所は違っても同じタイプの機械を使用している場合があります。一方では粘度の高い液体を取り扱い、もう一方では粘度の低い液体を扱っているかもしれません。たとえ同じ種類の機械を使用していても、稼働条件が異なれば、一方の機械が他方より早く故障する可能性があります。高い精度で異常が検出できる信頼性の高いアルゴリズムを開発するためにも、できるだけ多くのデータを収集することが重要です。

また、正常、異常を示すデータが不足している場合もあります。この場合は、ポンプの数学的モデル(物理モデリング)を作成することで、センサーデータからパラメーターの推定が可能となります。次に、稼働条件と異常状態についての複数のパターンを用意して、モデルのシミュレーションを行います。これで異常データの生成が可能となります。このデータは、センサーデータを補足する合成データとも呼ばれます。予知保全アルゴリズムは、この合成データとセンサーデータを組み合わせることで開発ができるようになります。

データの前処理

次は、データの前処理を行います。前処理によって、正常と異常とに区別するのに役立つ特徴量である、状態インジケーターを抽出することができます。一般的な前処理の方法としては、外れ値、欠損値、ノイズの除去等があります。その他にも、追加で前処理を行うケースがあります。例えば、下記のように時間領域のデータを周波数領域へ変換する場合が考えられます。

状態インジケーターの特定

前処理が完了したら、次は、システムの劣化に合わせある特徴量の挙動が予測可能な形で変化する状態インジケーターを識別します。これらの特徴量(状態インジケーター)は、正常と異常な動作を区別する点において活用することができます。 状態インジケーターの例をご紹介します。下の図ではポンプの劣化に合わせて周波数のデータのピークが左に移動していることが分かります。このピーク周波数は状態インジケーターとして機能します。

機械学習モデルの学習

これまで、正常、異常な動作を把握するために必要となる特徴量の抽出を行いました。次に、修理すべき部品が何か、故障までの時間はどの程度かを把握します。そのために、抽出した特徴量を利用し、機械学習モデルを学習させます。詳細は、後述する予知保全の解析技術をご確認ください。

システムへの実装・統合

機械学習モデルの学習が完了したアルゴリズムは、クラウドやエッジデバイスへ実装することが可能です。クラウドは大量のデータを収集・格納する場合に有効です。

また、開発したアルゴリズムを、組み込みデバイス等の実器に近い場所へ実装することも可能です。特に、これはインターネット接続が利用できない環境などに有効な方法です。

その他にも、クラウド・デバイス両方に実装するケースもあります。大規模データで、取り扱いができるデータ量が制限される場合は、エッジデバイス側で前処理と特徴量抽出を実行し、抽出された特徴量のみをクラウド上の予測モデルに送るといったような方法も有用です。

状態インジケーターの例

予知保全の解析技術

特徴量の抽出

予知保全の実現には、設備の劣化を正確に把握することができるアルゴリズムが必要になります。センサーで取得した温度・圧力・電圧・振動データなどを、信号処理や統計処理を駆使して解析し、機器の機能低下や異常の兆候を現す特徴量を抽出します。例えば、上述のパワースペクトルのピーク周波数も特徴量として用いられます。

教師なし機械学習

故障が起きにくい機器であれば、教師なし学習の技術を応用して過去のデータからクラスタリングや場合によっては分類などの手法を用いて、故障の兆候を指し示す指標を決定し、特徴量と照らし合わせ機器の状態を診断します。

故障が起きにくい機器の予知保全・故障予測:エンジンデータへの教師なし学習の実施 (MATLABを使った予知保全・故障予測 - Webセミナーより)

教師あり機械学習

故障発生時までのセンサーデータが存在する場合には教師あり学習を使用して予測モデルを作成でき、故障が発生するという事象だけでなく故障の発生箇所も合わせて予測することも期待されています。ただ、特に実験コストが高い場合や、そもそも故障がほとんど発生しないシステムの場合にはデータの収集が困難となり、予知保全を実現する上での課題の1つとなっています。そういったケースでは、上述の物理モデルを使いシミュレーションによりデータを生成する Model-driven のアプローチ* が注目を浴びています。センサーによる実測データと合わせて、センサーでは計測が難しい現象を予測モデルの構築に活用できる点もメリットの1つです。

教師あり機械学習

24時間稼動の監視システムを実現するには、クラウドやサーバーなどの実働環境システム上への実装を考えなければなりません。複数機器の状態をサーバー上で管理する場合でも、予知保全を行うべき機器自体に開発した予測アルゴリズムを組み込み機器上において迅速な診断を実施するシステム、もしくはセンサーデータの前処理は機器上で実施し、予測に必要なデータだけをサーバーに上げ診断を実施するシステムも考えられます。計算負荷・ネットワークのバンド幅・デバイスの消費電力など、個々の状況に合わせた構成が求められます。 予知保全システム全体の最適化を追求する上で、開発の初期段階から実装までを実施できる統一されたMATLABおよびSimulinkの開発環境は大きなメリットとなります。

予知保全のユーザー事例/ビデオ

Mondi社は、コストを最小化し、生産効率を最大化するために、状態監視を可能にするアプリの開発を行いました。結果、年間、500万円を超えるコスト削減を実現しました。
Baker Hughes社は、予知保全のために、ポンプの状態監視ソフトウェアを開発しました。結果、同社は装置の稼働停止に関わるコストを40%も削減しました。10億円以上のコスト削減効果
ダイムラー社では、多数の製造パラメータをリアルタイムに監視するための効率的な手法を開発しました。
半導体製造装置メーカーASMLは、機械学習の手法を応用して半導体製造プロセスを改善しました。収集したデータを使用して、リアルタイムの重ね合わせ制御装置のプロトタイプを開発しました。
IoTの推進に伴うITとOTの融合には技術者の専門性と労力が必要とされ、効率的な開発環境が不可欠です。異常検知や故障予測からシステム実装までにおける予知保全の手法と適用例を紹介します。

MATLABによる予知保全

予知保全を実現する為に必要なステップを一般化してみると下記の5項目に落とし込むことができます。

  • データへのアクセス:データが蓄積されているデータベースへアクセスしデータを吸い出す作業

  • 機械から取得するデータについては、構造化されている場合とそうでない場合があります。また、データはローカル、クラウド (AWS® S3、Azure® Blob等)、データベース、データヒストリアンなど様々な環境に置かれています。MATLABでは、いずれの環境にデータがある場合でも、それらのデータにアクセスをすることが可能です。仮に故障データが不足しているケースでも、信号の故障要因をSimulinkモデル内に挿入することでシステム故障のダイナミクスをモデル化することが可能となります。

  • データの前処理:異常値削除・変数選定・時刻の同期処理

    1. 異なる条件で取得されたデータの欠損値と外れ値、ノイズの考慮
    2. 高度な信号処理手法を使用したノイズの除去、データのフィルター処理、過渡信号または時変信号の解析
    3. 特徴量抽出と選択のための統計および動的解析を活用したデータセットの簡略化と過学習の抑制
  • 一般的に、データは整形された状態ではないので前処理が必要となります。MATLABによって次のような前処理、次元削減、特徴量の設計が可能となります。

     

  • 状態インジケーターの特定

  • MATLAB と Predictive Maintenance Toolbox™ では、信号ベースおよびモデルベースのアプローチによって状態インジケーターを設計することができます。

    振動データでは、時間変化する特性が良く見られます。この特性を表現するために、時間-周波数モーメントを計算することも重要です。(参考:信号ベースの状態インジケーター

    非線形の特性をもつ機械の突然の異常や変化を検出するために、システムの状態の変化を追跡する位相空間再構成に基づいた特徴量も有効です。(参考:位相空間再構成に基づいた特徴量による異常診断の例

信号ベースおよびモデルベースの手法を使用して、機械の状態を監視する状態インジケーターの設計

予知保全を学びたい方へ

近年は大量のデータを容易に取得できるようになりましたが、精度よく異常検知につなげるためにはノウハウも必要です。 MATLABの機械学習機能を使い、機器の交換時期を見積もるデモを行います。
故障診断及び予兆のシステム構築は、データ前処理、可視化、アルゴリズム開発及びシステムへの実装といったワークフローで行われます。それぞれのステップにおいて、短期間で効率的に開発を行うための環境をご紹介します。
このeBookでは、基礎から高度な手法やアルゴリズムに至るまで、機械学習について段階的に学ぶことができます。
予知保全によるダウンタイムの削減と機器寿命の最大化、アルゴリズム開発におけるワークフロー(データの前処理、特徴量の抽出、予測モデルの学習)について詳細を紹介しています。
IoTの適用分野が広まる中、扱うデータ量の加速的な増加によってネットワーク負荷、消費電力といった課題が顕在化しています。IoTシステム構築にあたり、解決すべき課題と適用される技術、その実装方式を紹介します。
デジタルツインは、実際に稼働している設備を表現したものとして、現在の設備の状態を反映し、設備に関連する履歴データを含んでいます。 予知保全のためのデジタルツインモデルの作成・実装法を紹介します。
センサーデータ等の時系列一次元信号処理を題材に、異常検知や予知保全に活かせる特徴量の種類や抽出テクニックをご紹介します。また後半では、製造現場改善の第一歩としてすぐに始められる、低価格ハードウェアを用いた簡易的なIoTシステム構築の手順もご紹介します。
異常時のデータが不足している際に、シミュレーションによって故障データを模擬する物理モデルの活用法をご紹介します。また、生成された故障データを基に機械学習(のアプリ)を用いた異常検知の例をデータ解析のワークフローと共にご説明します。

予知保全の関連トピック

30日間無料トライアル