データサイエンスで産業資産メンテナンスに真のビジネス価値を：実装の壁を越えて

産業資産の状態とメンテナンス要件を予測して故障を防ぐことは、巨大な挑戦です。データサイエンスの世界には、現実環境で結果を出せずに苦闘するモデルが溢れています。では、最良のアプローチとは？

理論と実践

理論上では理論と実践は同じです。実践では、違います。これがこれほど真実なのは、産業資産モデルを行動可能な洞察に変換し、現場で改善をもたらそうとするとき以外にありません。データサイエンスの学術論文には、特定アルゴリズムが他を数パーセント改善することを示す分析が含まれるかもしれませんが、工場環境では、ノイズだらけの信号を切り抜けて何らかのパターンを発見すること自体が挑戦です。

しかし、これはDIYモデル開発者が克服しなければならない最初の大きな障害に過ぎません。彼らの努力が予知保全や他のビジネス成果を可能にすることを期待しているなら。実世界の条件下で機能する堅牢なモデルを開発できた人々は、即座に次の大きな問題に直面します：有用なモデルは開発されるだけでなく、展開されなければならないのです。

展開は自然とモデルをスケールで実行することを意味します。しかし、結果をフレンドリーに提示し、異なるグループがアラートを優先し、フィードバックを収集できるようユーザーを満足させるインターフェース提供も意味します。主要プラントで20,000台のロボットが働いているなら、それすべてのインタラクティブチャートを表示するユーザーインターフェースを展開することさえ、決して些細ではありません。実際、DIYモデラーは往々にして、自分たちが実際にやろうとしているのは独自アプリ開発だということに気づきます。これは極めてリソース集約的で高コストです。

専門家と組む

これらの理由から、独自のデータサイエンス専門知識と、現場ユーザーが必要な情報に容易にアクセスできるよう展開サポートを持つ専門プロバイダーと組むのが、ほぼ常により良い選択です。企業は自社のカスタムモデルがサプライヤーの汎用アルゴリズムより優れると考えるかもしれません。しかし、差はしばしば僅少で、独りでやることの負の側面に大きく上回られる可能性があります。

例えば、Senseyeの予知保全ソリューション「Senseye PdM」で使用されるモデルは、カスタムモデルと同等か、それ以上に性能を発揮することがよくあります。独自の機械学習アルゴリズムがデータを、製造資産の残存耐用年数（RUL）の精度高い予測――プログノスティクスと呼ばれる技術――へ変換します。

Senseye PdMが期待を上回る性能を日常的に発揮する理由の一つは、アルゴリズムがすべての機械をユニークとして扱うことです――同一メーカー・同一モデルでも。同じように始まった機械も、直近環境の違いや実行する作業の違いにより、時間とともに異なる振る舞いと摩耗を見せます。各資産をユニークな「行動フィンガープリント」を持つ個体として扱うことで、Senseye PdMのプログノスティクス精度を大幅に向上させ、生産資産担当チームが稼働率を最大化するのをより良く支援します。

実証済みアルゴリズムの確かな性能提供に加え、Senseyeと組むことは、堅牢な性能、スケーリング、展開、ユーザビリティ、セキュリティの周辺のすべての頭痛の種を取り除きます。

潜在ユーザーがすでにカスタムモデルを開発しており、それを使用したい場合、SenseyeはAPI経由でシステムに統合できます。カスタムモデル自体がSenseye PdMに統合されなくても、ソリューションはカスタムモデルの結果を有用な入力として受け入れられます。

しかし、Senseye独自の洗練された汎用アルゴリズムを展開する方がはるかに一般的です。Senseyeのデータサイエンティストは、あるべき姿ではなく、現実の世界をそのまま扱うことに焦点を当てているため、モデルは最もノイズの多いデータ環境でも極めて堅牢です。

プログノスティクスと予知保全の実装を目指すユーザーにとって、この堅牢なアプローチは特に故障データ取得時に重要です。比較的混沌とした瞬間において、ノイズの下から意味のある情報を抽出し、システムが接近する故障を特定し、資産が再び故障する前にアラートを上げることが不可欠だからです。

共に働く

外部専門知識を導入するのが、コンディションモニタリングと予知保全のためのモデル展開において最もリソース効率の良い方法であるとしても、ユーザーは汎用データモデルから最大限の価値を引き出す上で重要な役割を果たします。

まず、汎用モデル展開時には常に学習曲線があります。例えば、Senseye PdMは初期に14日を要し、正常運転条件下での各資産のユニークな振る舞いの「フィンガープリント」を構築します。

コンディションモニタリングスペシャリストや機械エンジニアを含むお客様チームの社内専門知識と経験を、我々の技術エキスパートと組み合わせることで、このプロセスにフィードインし、システムを事前設定して、ユーザーが最も関心を持つデータとイベントを優先させられます。これによりアルゴリズムの初期学習プロセスが加速します。長期的には、定期的なフィードバックシステムにより、アルゴリズムがユーザーにとって重要なイベントとトレンド、無関係なものを学習し、汎用モデルが各機械の振る舞いを時間とともにますます精度高く予測するよう適応する際に役立ちます。

実世界の成果

正しくやれば、ビジネスメリットは極めて印象的です。Senseye PdMは典型的に、計画外機械ダウンタイムを50%削減、メンテナンススタッフ生産性を55%向上、ダウンタイム予測精度を85%向上させます。

これらメリットはカスタムアルゴリズムでは匹敵するのが難しいことが多く、傑出したアプローチが実世界の成果達成に強く推奨されます。

詳細については、ホワイトペーパー「Harness The Power of Prediction」をお読みいただくか、ROI計算ツールをお試しください。