機械学習を利用して高度な状態監視を実現

産業用モノのインターネット (IIoT) やその他のデジタル変革戦略に関して、状態監視の分野で何が起こっているのかをよく耳にします。状態監視の形式として機械学習 (ML) と人工知能 (AI) を利用することで期待される成果は、さまざまな業界の多くの組織にデータ サイエンスの活用を奨励しています。

このようにして、メンテナンス作業の効率を高め、重要な資産の継続的な健全性を保証したいと考えています。人間と同様、コンピュータも過去の経験から学習して、潜在的な将来の結果について情報に基づいた予測を作成できます。

しかし、状態監視は本当にそんなに簡単なのでしょうか?

答えはノーです。 

マシンを少なくとも 3 回故障させれば特定の故障モードを特定できると組織に伝え、データから学習してその特定の故障モードのパターンを特定できるようにすることを想像してください。そうなると、おそらくあなたは敷地外に連行され、あなたのテクノロジーが嘲笑されることになるでしょう。したがって、機械学習に問題があります。

機械学習

初期セットアップ段階以降は人的介入をほとんど行わずに、差し迫った資産障害などの将来の結果を予測するデータ ソフトウェア プログラムの能力を強化する人工知能データ テクノロジ。
出典:信頼できる植物

個々の故障モード レベルを認識するようにモデルをトレーニングする必要はなく、特定の資産が確立された標準から逸脱するデータを示した場合にのみ通知を受ければよいと主張する人もいるでしょう。機械学習はこれに関して素晴らしい仕事をすることができます。ただし、数十年にわたって使用されており、追加の設備投資を必要としないトレンド データも同様です。

状態監視における機械学習の価値

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るなら、それほど大したことはありません。しかし、私たちには、私たちを助け、サポートしてくれる膨大な量のデータがあります。このようにして、機械学習モデルをトレーニングして、許容できない条件と比較して許容できる条件がどのようなものかを理解することができます。

この戦略にマルチテクノロジーとプロセスデータを適用することもでき、そうすることで、どのデータまたはどの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できます。これは、分析チームの焦点となる可能性があります。

しかし、これを行うことにどのような価値があるのでしょうか?

過去のデータによると、ほとんどの施設では資産の約 80% が健全であり、これは資産の約 20% に特定可能な欠陥が存在することを意味します。このプロセスを利用することで、アナリストが必要とするデータ レビュー時間の 80% 近くを効果的に削減できます。

これによりスケジュールが解放され、より高レベルのデータや、解決するために機器、プロセス、ドメイン知識の組み合わせが必要なより複雑な問題に集中できるようになります。そうすることで、正常な機器の割合を増やし、特定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、問題を見つけるために一連のデータをめくることを好みません。ほとんどの場合、彼らの本当の喜びは、問題の原因を解明することにあります。機械学習を利用すると、アナリストの時間を最大限に活用できるため、メンテナンスと信頼性への対応の取り組みが強化され、追加の資産やテクノロジーを追加することでプログラムを拡張できるようになります。

知っていましたか?

「機械学習アルゴリズムは 92% の精度で機器の故障を予測できるため、資産の信頼性と製品の品質が向上します。」
出典:ITConvergence

前述したように、故障モード レベルに至るまで異常を特定するアルゴリズムを生成できますが、機械、電気、固定機器を優先するなど、いくつかの分野にまたがる堅牢なドメイン知識が必要です。対象分野の専門家は、機器と測定デバイスについての基本的な理解を持っている必要があります。

このプロセスは気の弱い人向けではありません。これらの正確なモデルを構築するにはソフトウェア エンジニア、データ サイエンティスト、状態監視ドメインの専門家の協力が必要ですが、その利点は非常に大きいです。

アルゴリズムを生成することの利点は次のとおりです。

• 状態ベースのメンテナンス対象モデルを拡大することでダウンタイムを短縮
• 監視対象資産あたりのコストを削減することで支出を削減。 
• 時間ベースの PM を排除することで支出を削減
• 生産性の向上
• 従業員の生産性の向上
• 機器の信頼性の向上
• ローカル モデルとしきい値を調整することによる、障害と障害の早期検出
• すべての関係者の生活の質の向上

たとえば、石油分析を考える場合、アルゴリズムには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る必要があります。

さらに、ソース材料を特定のテスト スレートにマッピングすることは必須であり、潤滑解析用の適切な機械学習モデルを作成するには、適切なしきい値の知識が不可欠です。

同様に、振動解析においても、対象領域を定義し、波形および高速フーリエ変換 (FFT) 内のパターンを発見することは、チームの出発点にすぎません。この基本レベルの知識には、特定の障害モードと障害の理由に関連するメタデータとその固有の計算の理解が含まれます。

チームは次の知識と基本的な理解を持っている必要もあります。

• 固有の障害モード。
• 固有の故障モードを特定できるデータは何か。
• どのセンサーが最も機能的で、使用に適しているか。
• データ内で障害モードが特定される場所。

これらは、現在入手可能な既製製品のすべてではないにしても、ほとんどに欠けていることがよくあります。この基本的な知識を取り除き、単純な線形回帰のみに依存すると、偽陽性と偽陰性の両方を含む不正確な測定値の数が大幅に増加します。これは機械学習テクノロジーに悪い評判を与えるだけです。

結論

状態監視アナリストの役割は時間の経過とともに発展し、進化しますが、これは前向きな移行と見なすべきです。これらの機械学習アプリケーションの作成と保守への関与、およびモデルを継続的に更新する取り組みは、組織にとって非常に貴重なものとなります。

こうしたデータベースの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、あらゆる機械学習と人工知能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。