AI駆動予知保全でゼロ・ダウンタイムを実現

2000年代半ば、ケンタッキー州ジョージタウンのトヨタ北米工場の圧縮空気システムが、年間平均1回以上クラッシュしていた。この問題を、機械学習とAIを活用した異常検知、故障特定、そして何より「迫りくる故障の予測」で解決できないか、と検討が始まった。

圧縮空気システムの予期せぬダウンタイムは、工場全体の停止を意味する。塗装工程では圧縮空気で車体を塗装し、エアツールを駆動し、研磨残渣の吹き飛ばしにも圧縮空気が不可欠だ。

3ラインで25秒ごとに1台の完成車がラインアウトする二交代制の生産体制下では、圧縮空気ユーティリティの停止は甚大な損失をもたらす。

「ラインが止まれば莫大な損失だ」と、同工場のプロジェクトマネージャー兼電気担当サブジェクトマターエキスパート、マーク・ラッカー氏は語る。「だからこそ、信頼性の高い安定したユーティリティを維持する強いインセンティブがある」

数百万ドル規模の圧縮空気システムは、小型セミトレーラーほどのサイズのインガソール・ランド製遠心式空気圧縮機12台で構成される。各圧縮機の最終段ブレードはハウジングからわずか数分の1インチの隙間で20,000rpmで回転する。ブレードがわずかに仕様外で動きハウジングに接触すれば、即座に破損し、機械全体を約10万ドルかけて再構築しなければならない。

ブレードの振れはクラッシュの原因ではなく、結果だ。

クラッシュ、すなわち「サージ（逆流）」は、圧縮機から配管への正常な空気の流れが何らかの原因で逆向きになろうとし、配管内の空気が押し返すときに起こる。

クラッシュの頻度、コスト、影響を受け、トヨタはインテリジェント・メンテナンス・システムズの創設ディレクター、ジェイ・リー氏に助けを求めた。

インダストリー4.0の先駆者、ジェイ・リー

トヨタからの連絡より前、2000年代初頭、リー氏はシンシナティ大学の工学教授として、工場のすべての機械が接続され、インテリジェントな保全のためのデータを提供するビジョンを描いていた。当時、そのビジョンを現実にするための技術の多くはまだ存在しなかった。

「20年前、それが可能だと信じていた人はごく少数だった」と、現在は教職を離れ、ウィスコンシン州のフォックスコン・テクノロジー・グループの副会長兼取締役を務めるリー氏は振り返る。

氏の産業ビジョンでは、機械は患者のようなもので、機械を監視するセンサーから収集されるデータが健康情報を提供する。専門家は収集・分析したデータを解釈して予後を導き出す。

「『機械の血を検査したらどうか』と言った。では機械の血とは何か？ データだ。問題は『どのデータを取得したいか』だ。それは何を分析したいかによる。文脈と内容を理解し、見えない未知の要素間の関係モデルをさらに構築する必要がある」

データの中には、機械やプロセスの逸脱振る舞いに関する意味が隠されている。その意味を解き明かすことで、品質予測、機械・プロセスの安定性判定、潜在的故障の防止が可能になる。「それがまさに、今日インダストリー4.0と呼ばれるものだ」とリー氏。

「インダストリー4.0」という用語が広まったのは、2013年前後のドイツ政府のイニシアチブの頃だ。

2006年以降クラッシュゼロ

トヨタ入りしたリー氏とそのデータ分析チームは、ラッカー氏と熟練保全作業員、プラントエンジニアのグループとともに、圧縮空気システムの問題に取り組んだ。

彼らの問いのシンプルさは、これからのタスクの複雑さを覆い隠していた。

「逆流問題をクラッシュ前に予測できるか？ 何か兆候を早期に捉えて対処できるか？」とラッカー氏。

2005年、数か月にわたる試行錯誤の末、チームは1台の圧縮機から高忠実度データを収集・分析し、異常を探った。時には意図的にサージやサージ直前の状態を作り出し、機械が逸脱振る舞いを始めたときのデータセットの様子を観察した。

最終的に、チームは圧縮機が通る4段階（正常圧力から120 PSIまで進行）のうち、第2段階で発生する現象が、差し迫ったサージ状態の最良の予測指標であることを突き止めた。

「その物理的背景は何か、なぜこれが予測指標になるのか？ わからないし、気にしない。これが確実に将来のサージを予測し、数秒の警告を与えてくれることがわかっただけだ」とラッカー氏。

次のステップは、各圧縮機に差圧センサーを取り付け、中央制御ユニットに機械学習アルゴリズムを実装することだった。テストにより、第2段階が「振れ」始めるとすぐに圧縮機がバックオフ（出力制御）することが確認された。

「テストするたびにトラブルを回避できた。2006年以降、クラッシュはゼロだ」

圧縮機サージ対策プロジェクトは成功したが、圧縮空気巨大機のベアリング寿命予測に焦点を当てた別のプロジェクトは失敗した。信頼できる保全データを十分に集め、機械運転データと組み合わせて有用な相関を導き出せなかったとラッカー氏。

「それがおそらくR&Dの適切なバランスだ。あれこれ試すが、うまくいくかわからない。半分の確率で元が取れれば勝ち。そして時折、サージ制御のように他のすべてのコストをペイするものが見つかる」

柔軟性が鍵

リー氏はトヨタプロジェクトについて論文を発表し、2013年にはインテリジェント・メンテナンス・システムズの従業員パトリック・ブラウン氏、大学生のデビッド・シーゲル氏、エドゼル・ラピラ氏とともにPredictronicsを共同設立した。ブラウン、ラピラ、シーゲルの3氏がPredictronicsのC-suiteを務める。

トヨタのラッカー氏がリー氏にAI支援を求めたように、企業はゼロ・ダウンタイム実現のためPredictronicsの門を叩く。

「顧客によって成熟度レベルは異なる」とCEOのラピラ氏。「データ収集構造をすでに持っているが、データをどう活用すべきかわからない顧客もいれば、ゼロから始める顧客もいる」

50〜60年物の資産を持つ顧客は、さらに早い段階からのスタートが必要だ。

近年、レガシー機械を持つ顧客からの相談が増えている。ラピラ氏ら同僚は、加速度計や変換器などのコンポーネント購入を勧める。

「それらはデータを取り出すために必要なさまざまなアナログ・デジタル変換器だ」

2013年の設立以来、Predictronicsは70以上の工場にAIソリューションを提供し、その多くはフォーチュン500企業だ。

Predictronicsはある半導体メーカーと協力し、センサー変数と測定変数の関係を学習するバーチャル・メトロロジー予測ソリューションを確立した。

半導体装置が吐き出す数百の測定信号のため、プロジェクトは困難を極めた。

しかし、可能性を絞り込むためのよく知られた統計的手法があるとシーゲル氏。

「それらの手法に加え、ここ数年は機械学習コミュニティが、変数選択機能を組み込んだ分類回帰アルゴリズムを開発してきた。これで上位10、20、30変数に絞り込める。その後、顧客と協議するか自社知見で、ソフトウェアと分析モデルに含める最も適切な変数を決定する」

過去の経験から得た知識をテンプレートベースのアプローチで適用してコストを抑えるか、社内の一部分で策定したソリューションを社内展開するか、「最も重要な課題に直接対処しつつ、他の問題にも適用できる柔軟性を持つソリューションを見つけることが鍵だ」とブラウン氏。

AI導入のデュー・ディリジェンス

トヨタが圧縮空気問題でAIソリューションプロバイダーを探したように、工場がAIソリューションプロバイダーを物色する際は、適切なパートナーを見極めるためのデュー・ディリジェンスを行うべきだ。

専門家たちが推奨する、聞くべき適切な質問：

• これまでどの現場でサービスを提供してきたか？
• ダウンタイム削減や品質向上など、ビジネス運営への明確な改善効果を実証しているか？
• 自社の業界での実績はあるか？
• チームに産業ドメイン知識があるか？
• レガシー設備と連携できるか？
• 多様なセンサーと連携できるか？
• 機械学習を使用しているか？
• モデル訓練にどれくらいのデータ量が必要か？
• 正常な機械のデータだけでなく、劣化・故障時のデータも学習に必要か？

ロボットもAIを必要としている

工作機械がAIの影響で性能を向上させているなら、ロボットが同じようにできない理由はない。

ファナック・アメリカは最近、ロボットコントローラとロボットビジョン機能「iRVision」に「AIエラープルーフィング（誤り防止）」を追加した。iRVisionは機械学習（ML）を用いて部品検査を行う。

エラープルーフィング機能により、オペレーターは画像を使ってMLを訓練し、例えば溶接ナットの有無といった2つの状況を判別し、合否を判定できる。

iRVisionは最大27台のカメラをサポートするため、エラープルーフィング機能は製造プロセスの最大27箇所で機能する。

「不良部品にさらに付加価値を加えてしまう前に、不良やエラーを特定したい」と、ファナックの機械視覚グループスタッフエンジニア、ジョシュ・パーソン氏。

「往々にして、ある段階でエラーが見えても、次の段階で隠れてしまう」

セットアップ時に、オペレーターは複数のワークサンプルを提示し、良品・不良品の2カテゴリに分類する。どちらにも分類できない場合は「未判定」と出力される。未判定サンプルを追加して学習モデルを改善できる。