予知保全における機械学習

機械学習（ML）が、従来の予知保全モデルを混乱させ、資産中心の組織全体で新しいレベルの機器の生産性とパフォーマンスを促進するのにどのように役立っているかを見ていきます。

機械学習（ML）の予知保全

予期しない機器のダウンタイムは、資産中心の組織にとってますます高いオペレーショナルリスクを表し、IoTや従来の予知保全が促進できる資産の健全性に関するより深い洞察を必要とします。

このような背景から、従来のコンピューター化された保守管理システム（CMMS）が、エンタープライズ資産管理（EAM）、資産パフォーマンス管理（APM）、そして最近ではまったく新しい世代の予知保全に焦点を当てたツールに取って代わられています。資産の信頼性とパフォーマンスは順調に進んでおり、真に議題に上っていると言っても過言ではありません。

ただし、これは変化のペースであり、これらの予知保全ツールは、今日のビジネスの粒度とパフォーマンスの要件をすでに実現できていません。より包括的でリアルタイムのデータ取得を提供するIoTとクラウドの統合によって中断されたMachineLearningPredictive Maintenanceは、フラグを立てるずっと前に潜在的な機器の障害を特定できます。同様に、通常の使用法に基づく厳格な時間枠に固執するのではなく、専用の監視と保守を通じて資産の残りの耐用年数（RUL）を延長できます。

レガシー予知保全と機械学習予知保全

従来の予知保全機械学習モデルは、特徴工学に基づいています。これらのモデルは、経験、専門知識、および標準のメトリックと方法に基づいて手動で作成されます。このアプローチは、特に製造業務において非常に効果的ですが、モデルは組織内のマシンに固有であるため、そのマシンを交換すると冗長になります。ネットワークは、機械学習を大規模に適用することで、データから適切な機能を自動的に抽出し、最も一般的な障害パターンを特定し、新しい資産が導入されるたびにモデルを手動で再作成する必要をなくします。

機械学習予知保全は、アルゴリズムを適用して履歴データから学習し、ライブデータを使用して障害パターンを分析します。データは、多くの組織にまたがる資産のネットワーク全体で時間の経過とともに収集されるため、機器の障害を予測するパターンを検出し、ディープラーニングアルゴリズムを適用できます。

機械学習は、リアルタイムデータを過去の傾向や現在の環境要因などの変数と組み合わせることで、アクションを実行する必要がある時期を決定し、そのアクションを提案することができます。制作チームは、必要なアルゴリズムを実際に理解していなくても、適切なアクションを実行できます。

機械学習の予知保全により、現場のエンジニアは、不正確さのリスクやアップロードに時間がかかるだけでなく、温度や圧力などの主要な指標を手動で収集するのではなく、障害の発生を防ぐために必要なデータを取得できます。人員への安全上のリスク。戦略的には、このアプローチにより、エンジニアは自分のスキルを最も重要な場所、つまり保守計画と注意が必要な資産に完全に集中させることができます。

ベストプラクティスの例

バスの1つが故障したことを知らされた運送会社を考えてみましょう。レガシー予知保全は、そのエンジンがサービスのために稼働しているという事実を示している可能性があるため、推奨されるアクションは、このサービスを促進し、問題を特定することです。機械学習の予知保全は、その豊富な洞察を活用して、バスで使用されているエンジンのタイプが一般的な障害の影響を受けていることを特定し、問題を解決するための迅速な診断、適切なスキルの展開、および是正措置を可能にします。これにより、車両の「ダウンタイム」が最小限に抑えられるだけでなく、リソースの使用率が最小限に抑えられ、信頼性に対する企業の評判に貢献します。

期限切れの混乱;継続的なイノベーション

機械学習を使用すると、スループットを向上させて特定の領域での需要の増加に対応したり、供給または需要の落ち込みや変化が発生した場合にジャストインタイムの生産に適応したりするなど、新しい目標をすばやく達成できます。重要なのは、これはデータサイエンスチームへの投資ではなく、スイッチで実現できるため、かなりの投資とトレーニングが必要になることです。

近年私たちが慣れ親しんでいる不確実な時代を考えると、将来のイベントを予測するためにデータのパターンを見つけるためにアルゴリズムを使用することに根付いているそのアプローチが幅広い業界で採用されているのも不思議ではありません。機械学習の予知保全には、従来の予知保全セクターを混乱させる明確な理由があります。

機械学習の世界市場は2021年の171億ドルから2026年までに901億ドルに成長するだけでなく、この混乱の背後にある勢いは、2026年までにIoT対応の予知保全ソリューションの60％が企業の一部として提供されることです。資産管理製品。

成功の予測

すべての組織がアクセスでき、セットアップまたは継続的な監視に必要な最小限のスタッフリソースと、必要に応じて拡張できる柔軟性を備えているため、この方法で影響を与えるための障害となるのは、従来のマニュアルから離れるという組織の野心だけです。オペレーション。

機械学習を工場に持ち込むことで、その資産と主要な状態指標の可能性が解き放たれます。機械学習には、監視するアセットの最大数がありません。機械学習には、投入されたデータを最小限または多く管理できます。また、追加のデータによってモデリングと分析のエクスペリエンスが向上するため、時間が経つにつれて洞察がより正確になります。プラントエンジニアは、しきい値を直接監視するのではなく、洞察を提供することで、最も時間が必要な場所に集中でき、計画外のダウンタイムの削減と機械の寿命の延長により効率的になります。

資産管理に対するこの詳細な知識ベースのアプローチの利点は、影響がスタッフに新しい機会を特定して受け入れるように力を与え、挑戦するため、組織の隅々まで広がります。

ホワイトペーパー：機械学習による人間の専門知識の強化

無料のホワイトペーパーをダウンロードして、システムユーザーを常に把握することの重要性、概念としてのAsset Healthが誤解を招く理由、およびAttentionIndexが生産性を大幅に向上させて資産に優先順位を付けるより効果的な方法を提供する方法について学びます。