機械学習を活用した高度な状態監視の実現

産業用IoT（IIoT）やその他のデジタル変革戦略に関連して、状態監視の分野で何が起きているかについて多く語られています。機械学習（ML）と人工知能（AI）を状態監視の一形態として活用することで約束される成果に期待し、様々な業界の多くの組織がデータサイエンスを自社のメンテナンスに取り入れようとしています。

その狙いは、メンテナンス活動の有効性を高め、重要資産の継続的な健全性を保証することです。人間と同様に、コンピュータも過去の経験から学習し、将来の潜在的な結果について情報に基づいた予測を立てることができます。

しかし、状態監視は本当にそれほど単純なのでしょうか？

答えは「ノー」です。

「特定の故障モードを特定するために、機械を少なくとも3回故障させてデータから学習し、その故障モードのパターンを識別させてください」と組織に提案する場面を想像してみてください。おそらくあなたは敷地外へ追い出され、その技術は嘲笑されるでしょう。ここに機械学習の根本的な問題があります。

機械学習（ML）

データソフトウェアの将来予測能力（差し迫った資産故障など）を、初期セットアップ以外の人間の介入をほぼ必要とせずに高める人工知能データ技術。
出典：Reliable Plant

個々の故障モードレベルを認識するモデルを訓練する必要はなく、特定の資産が基準から逸脱したデータを示した際に通知を受け取るだけで十分だと主張することもできます。機械学習はこの目的を素晴らしく果たします。しかし、数十年前から使用されているトレンドデータでも同じことが可能であり、追加の設備投資を必要としません。

状態監視における機械学習の真の価値

では、これらの機械学習モデルを作成する本当の価値は何でしょうか？

ここで話を終わらせれば、価値はほとんどありません。しかし、我々を助け支える膨大なデータが利用可能です。このデータを用いて、「許容可能な状態」と「許容不可能な状態」を機械学習モデルに理解させることができます。

さらに、マルチテクノロジーおよびプロセスデータをこの戦略に適用できます。これにより、どのデータや特定のセンサーが外れ値を生成しているかを正確に特定し、それを分析チームの重点ターゲットとすることができます。

この価値とは何でしょうか？

過去のデータによれば、ほとんどの施設では資産の約80%が健全な状態にあり、約20%に識別可能な欠陥が存在します。このプロセスを活用することで、アナリストが必要とするデータレビュー時間のほぼ80%を効果的に削減できます。

これによりアナリストのスケジュールが空き、装置、プロセス、ドメイン知識の組み合わせを必要とするより高度なデータや複雑な問題に集中できるようになります。その結果、健全な設備の割合を増やし、識別可能な欠陥の数を減らすことができます。

分析のための機械学習

ほとんどのエンジニアやアナリストは、問題を見つける希望でデータセットをめくることを楽しみません。彼らの本当の喜びは、問題の原因を突き止めることにあります。機械学習を活用してアナリストの時間を最大化すれば、より多くのメンテナンスと信頼性向上の取り組みが可能になり、追加の資産や技術を導入してプログラムを拡張できます。

ご存知ですか？

「機械学習アルゴリズムは、資産信頼性と製品品質を向上させながら、設備故障を92%の精度で予測できます。」
出典：ITConvergence

前述の通り、アルゴリズムは故障モードレベルまで異常を特定するように生成できますが、これには機械、電気、静止設備など複数の分野にわたる強固なドメイン知識が伴わなければなりません。専門家は設備と計測デバイスの基礎的理解を持つ必要があります。

このプロセスは容易ではありません。ソフトウェアエンジニア、データサイエンティスト、状態監視ドメイン専門家の協力を得て精密なモデルを構築する必要がありますが、そのメリットは計り知れません。

アルゴリズム生成のメリットには以下が含まれます。

• 状態基準保全カバレッジモデルの拡大によるダウンタイム削減
• 監視対象資産あたりのコスト低減による支出削減
• 時間ベースの予防保全（PM）排除による支出削減
• 生産性の向上
• 従業員生産性の向上
• 設備信頼性の向上
• ローカルモデルと閾値の改善による早期故障・障害検知
• 全利害関係者のクオリティ・オブ・ライフ向上

例えばオイル分析では、アルゴリズムに資産の個々のコンポーネント、部品、メタデータに関する情報と知識が含まれていなければなりません。

さらに、ソース素材を特定の試験スレートにマッピングすることは必須であり、適切な閾値の知識は潤滑分析のための適切な機械学習モデルを作成する上で極めて重要です。

同様に振動分析では、関心領域の定義と波形および高速フーリエ変換（FFT）内のパターン発見は、チームにとっての出発点に過ぎません。この基礎知識には、メタデータとその固有の計算（特定の故障モードと故障原因に結びついている）の理解が含まれます。

チームはまた、以下の知識と基礎理解も持つ必要があります。

• 固有の故障モード
• 固有の故障モードを特定できるデータ
• 最も適切で能力の高いセンサー
• データ内で故障モードが特定される場所

これらは、現在市場に出回っているほぼすべてのオフザシェルフ製品に欠けていることが多い要素です。この基礎知識を剥ぎ取り、単純な線形回帰のみに頼ると、偽陽性と偽陰性の両方を含む不正確な読み取りの数が著しく増加します。これは機械学習技術の評判を悪化させるだけです。

結論

状態監視アナリストの役割は時間とともに発展・進化していきますが、これはポジティブな移行と見なすべきです。彼らがこれらの機械学習アプリケーションの作成と維持に関わり、モデルを継続的に更新する努力は、組織にとって不可欠なものとなるでしょう。

これらのデータベース作成と維持の取り組みは、あらゆる状態監視プログラムの中心となり、すべての機械学習およびAIアルゴリズムの精度は、アナリストのスキル、粘り強さ、知識に依存します。