予知保全 VS 予防保全

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。

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3000km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。予防保全の場合ですと、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。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

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。

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

予知保全のユーザー事例

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、過去のデータからクラスタリングや分類などの教師なし学習の技術を用いて、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。

自己学習形式トレーニング: MATLABによる機械学習

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）

また、状態変化に関する時系列モデルを作成して、今後正常に機能する時間（残存耐用時間）の予測も行うことも出来ます。

事前に設定した閾値を超えるまでの時間を確率分布で求めた例（ベアリングデータの故障予測 – ドキュメンテーションより）

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、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。

予知保全システムの構築

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開発環境は大きなメリットとなります。

MATLABで開発したアルゴリズムのデバイスへの組み込み実装。 デスクトップ、Web、およびエンタープライズ システムへの実装もプログラムを書き直すことなくサーバー環境に実施できます。

MATLABによる予知保全開発

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４項目に落とし込むことができます。それぞれMondiのケースに当てはめると：

  • データへのアクセス：データが蓄積されるデータベースへアクセスしデータを吸い出す作業
  • データの前処理：異常値削除・変数選定・時刻の同期処理
  • 予測モデルの構築： 複数の機械学習アルゴリズムの適用・評価
  • システムへの統合：アプリケーション化して工場に展開

予知保全システム構築に必要なワークフローをカバーするMATLABプラットフォーム

異なる形式の様々なデータを解析に使えるデータに整えるまでの処理作業をマニュアル作業で行うのではなく、自動化することで工数を大幅に削減し、精度の良いモデルを構築することに注力できる環境が重要です。MATLABはデータの読み込みから予知保全に必要な最適なアルゴリズムの選定、そしてシステムへの実装に至るまでの行程を効率よく行うことが出来るプラットフォームです。

* D. Frederick, J. DeCastro, and J. Litt, "User’s Guide for the Commercial Modular Aero-Propulsion System Simulation (CMAPSS),” NASA/ARL, Technical Manual TM2007-215026, 2007

予知保全の関連リソース

予知保全、故障予測のための解析技術

予知保全システムの構築

ソフトウェア リファレンス

参考: 予測モデリング, 異常検知

5 ビデオ
MATLAB/Simulink による予知保全ビデオシリーズ (5 ビデオ)

予知保全・異常検知を可能にする特徴量

～ AI の実践的活用例 に向けて～

ホワイトペーパーをダウンロード