機械学習による資産パフォーマンスの改善

今日の業界幹部は、資産の信頼性と価値を最大化するための新しい方法を発見しています。産業用モノのインターネット（IIoT）と機械学習を活用した資産パフォーマンス管理により、企業は機器とプロセスデータの両方を活用して、資産の寿命を延ばし、最適な信頼性を実現できます。

平均して、粗利益の最大15％が計画外のダウンタイムによって消費されます。比較すると、クラス最高のパフォーマンスは5％と推定されます。これらの損失をなくすには、新しい方法で連携するためのメンテナンスと生産が必要になります。

信頼性への従来のアプローチは、資産の第一原理モデルを構築し、リアルタイムデータでモデルを調整し、修正係数を実装するか、精度のルールを作成し、モデル出力をリアルタイムデータと比較し、通常の状態からの統計的偏差を強調することでした。 。ただし、これらのモデルは資産データのみを調べます。彼らは、資産を劣化させる原因となる行動を特定するためにプロセスの上流を「見る」ことはできず、損傷の開始が明らかになったとき、つまり損傷がすでに行われているときにのみ信号を送ることができます。

パフォーマンスを予測するためのこの従来の方法は、40年前に工学方程式、統計手法、ルールエンジンに基づくモデルで開発されましたが、多くの人が今でもそれに依存しています。機械学習はごく最近登場しました。どちらの手法も同じ問題を解決するように見えることがよくありますが、人間の関与と予測の精度の領域が異なります。

適切なキャリブレーション技術を備えた豊富な経験とスキルを必要とするモデリング技術は、これまでも、そしてこれからも非常に成功しています。第一原理では、特定の動作を理解する必要があります。リアルタイムの動的モデルは、任意の時点での予測動作の予測を提供し、期待されるパフォーマンスの詳細な理解を提供します。

計画外の中断とダウンタイムの問題を解決することを非常に困難にしているのは、生産プロセスの動的な性質です。プロセス内で数千の変動が同時に発生するため、モデルがどのパターンまたは傾向が計画外のイベントにつながるかを正確に予測することは困難です。

第一原理（エンジニアリング）モデルは、衛生的にクリーンなベストケースのパフォーマンスに基づいて、推定、予想、または認識された動作のみを示します。機械設備はどのくらいの頻度でこのように稼働しますか？

30、50、100、または110パーセントのスループットでも同じですか？対照的に、機械学習は、季節変動、さまざまな運用キャンペーン、起動/シャットダウン、デューティサイクルの変更など、すべての条件下での機器の実際の動作に基づいて学習できます。また、劣化したプロセスと機械的性能を考慮に入れることもできます。

機械学習は、早期警告のためにプロセスと資産データをマイニングします。それは、将来の資産の問題を示すプロセスのパターンを見つけるという重労働を行います。劣化の根本原因であるプロセスの動作を特定することで、問題をはるかに早く特定できます。

このアプローチでは、リスク分析と機械学習が連携して、数週間または数か月前に資産の障害を継続的かつ正確に予測します。これにより、単に反応するのではなく、計画、調整、行動を起こす時間を確保できます。今回は、メンテナンスと生産が新しい方法で連携できるようにするものです。

機械学習アプリケーションは、熱/物質収支と熱力学的ポリトロープ方程式、論理と規則、および統計的解釈の従来の意味でモデルを構築しません。モデルマシンではなく、障害の兆候を測定します。

機械学習は、スキルとドメインの知識を応用して、長期間にわたって収集されたハードで測定されたセンサーとメンテナンスデータを吸収し、人間が見ることのできない微小で多変量の時間的パターンを特定します。

検出されたパターンは、通常の動作と、劣化や障害につながるエクスカーションの両方を定義する正確なシグネチャです。適合性のために、これらの署名モデルと呼ぶことができますが、概念的には工学モデルや数学モデルの概念からはほど遠いものです。

機械学習で発生した障害の兆候は、機械の種類、使用されている業界、またはその操作の背後にある工学原理を知らないか、気にしません。署名は、センサー間の学習可能な関係を含む十分なデータを提供する十分なセンサーが存在することのみを考慮して、通常の状況および劣化/障害の状況を通じて資産の動作動作を正確に宣言します。

125モデルのライブラリでさえ、保護が必要な数十万の固有の資産に近づくことはできません。ただし、機械学習は、高度なエンジニアリングスキルがなくても、パターンを迅速に評価し、これまでに見たことのない資産に数時間または数分で展開できます。クラス最高のアプローチでは、データサイエンスのスキルがなくてもこれを実行でき、インラインでリアルタイムに自動的に実行され、実用的な結果を数秒で提示できます。

まだ第一原理モデルのみに依存している場合は、近代化する時が来ました。モデルと機械学習を組み合わせて使用​​することは、危険なプロセスの動作状態を検出して回避するための最も強力な方法です。この組み合わせにより、モデルを使用していつでも明示的な条件を説明できます。機械学習では、人間によるガイダンスやプログラミングルールをあまり使用せずに、モデルを自動的に調整および微調整できます。

これは、タイムリーで正確なプロセスステータスと、より簡単なキャリブレーションの両方の長所です。また、メンテナンスチームと運用チームが最高のパフォーマンスを実現するために協力するために必要な洞察を提供します。

続きを読む：設備総合効率

作者について

Michael Brooksは、AspenTechの資産パフォーマンス管理のシニアアドバイザリーコンサルタントです。