機械学習の専門知識不要：予知保全の導入手法
エンジニアの間で、「予知保全は今やAI技術の専売特許であり、機械学習スキルの習得が必須だ」という認識が広がりつつあります。しかし、MathWorksのエキスパートによれば、深いML知識がなくても堅牢な予知保全システムを構築することは十分可能です。
最近、EDNとのインタビューで、シニア・プロダクト・マーケティング・マネージャーのアディティア・バル氏が、4ステップのワークフローと各フェーズをカバーする専用ツールについて解説しました。
1. データ処理
データサイエンティストでないエンジニアにとって、風力タービン、発電機、ポンプ、モーターなどの産業資産が生成する膨大な生センサーデータを精査するのは困難です。ジェットエンジンや石油探査用ポンプでは、1日でテラバイト単位のデータが容易に生成されるため、こうした大量データから故障を検出することは一見不可能に思えます。
バル氏は、エンジニアは着信データストリームの微細な変化を監視し、劣化の初期兆候を特定し、異常動作の根本原因を特定することから始められると説明します。例えば、連続回転するポンプのスペクトル分析により、正常動作と切迫した故障を区別する故障周波数が明らかになります。
2. 状態指標
100サンプルの時系列データに直面したとき、目標はそれらを単一の情報豊富な数値、すなわち「状態指標」に削減することです。このデータ削減ステップでは、大規模データセットを関連ダイナミクスをすべて取得した管理可能な特徴セットに凝縮します。
ダイムラー・メルセデスとの最近の協業では、MathWorksツールを用いて製造ラインからの大量時系列データを、パターン、時間遅延、その他の統計量からなるコンパクトな特徴セットに蒸留し、データフットプリントを250分の1に縮小しました。
3. 予測モデル
元のデータを忠実に表現する凝縮データセットがあれば、エンジニアは時系列、統計、確率ベースの古典的モデリング手法を、深いAI/MLの専門知識なしで活用できます。これらの手法はエンジニアリングコミュニティで確立されており、MATLABのPredictive Maintenance Toolboxでサポートされています。
バル氏は、航空宇宙企業サフランがMATLABの信号調整技術を活用してコンポーネント故障を予測している事例を挙げ、従来のエンジニアリング手法が依然として高い効果を発揮することを実証しています。
4. アルゴリズムの導入
最後かつおそらく最も重要なステップは、予測モデルを本番環境に導入することです。エンジニアには複数の選択肢があります：モデルを機器にローカルに組み込む、近くのエッジコンピューターで実行する、接続が許せばデータをクラウドサービスにストリーミングする。
この4ステップワークフローによる予知保全の実装により、エンジニアは機械を90%の時間稼働させる保全サービスを提供できるようになります。各ステップを効率的に管理するための専用ツールスイートが利用可能です。
>> この記事はもともと姉妹サイトのEDNで公開されました。
モノのインターネットテクノロジー