AI > 
異常予兆検知ソリューション
異常予兆検知ソリューション

予知保全で製造ライン・設備・装置の稼働率をより高く維持!

オーダーメイドの異常予兆検知で予知保全を実現。設備故障・不良の発生抑止、良品率・歩留まりの向上など生産性向上やコスト削減に貢献

予知保全のDXは進んでいますか?

製造業をはじめ、サービス業、IT業界など、さまざまな業種において、設備や装置を正常な状態で稼働させ続け、高い稼働率を維持することは、重要な経営課題の1つです。たとえば、製造業では、設備の故障や誤動作は製造ラインの停止や歩留まり低下を引き起こし、原材料費や生産コストの増加、利益の圧迫につながります。いかに稼働率を向上させるかが、競争力の源泉となっています。
近年では、設備や装置の稼働率向上に向けて、AIデータ分析を活用した予知保全の導入が進んでいます。しかし、保全活動を熟練工の経験や勘にお任せであったり、古い設備や装置の異常予兆検知は難しいとあきらめていたりしませんか? その課題をNTT-ATのデータサイエンティストチームが解決します。稼働状況の可視化から、予兆検知モデルを組み込んだ異常予兆検知システムの実装まで、お客さまと一緒に課題を解決します。
今後の労働人口減少への対策、業務の属人化予防、ヒューマンエラーの防止に、異常予兆検知ソリューションを是非ご検討ください。

「異常予兆検知ソリューション」の特長

ポイント1オーダーメイドの異常予兆検知で
異常要因を特定

多様な業界・業種への対応には、特化した知見や知識を要し、さらに、お客さま固有、特有の問題が関わる場合が多くあります。単にツールや手法を利用しただけでは十分な解決にはならず、お客さまの製造ライン・設備・機器等に適した「異常予兆検知モデル」を構築することが重要です。NTT-ATのデータサイエンティストチームでは、現場の必要な知識を吸収し、業界・分野の特徴、お客さまの状況を踏まえた解決策を提供します。

ポイント2熟練工の「経験と勘」を
高度AIデータ分析で承継

NTT-ATデータサイエンティストチームでは、製造業、情報通信ネットワークをはじめ、多様な業界・業種におけるさまざまな故障、異常に長年向き合ってきた豊富な経験、実績があります。熟練工の「経験や勘」といった属人的な知見による従来型保全活動を統計解析、機械学習・AIなどの高度なデータ分析技術を用いて継承を行います。このことにより、業務の属人化予防、ヒューマンエラーの防止も実現します。

ポイント3システム開発から保守まで
ワンストップで実現

異常予兆検知モデルの構築のみではなく、お客さまでの運用を可能とする可視化機能やお客さまの持つデータとの連携など、必要とする形態で分析システムの開発から保守までワンストップで対応します。また、既存システムに予兆検知機能を追加したい、といった様々なご要望にもお応えします。
 

ヒアリングから課題解決までの流れ

製造業の保全活動の効率化を例に、ヒアリングから課題解決までの基本的な流れを紹介します。設備・装置に取り付けたセンサーなどのデータ、部品などの情報と故障・障害履歴により、設備・装置の劣化状態を把握・予知し、点検・交換・修理稼働の削減を実現します。

ソリューションの流れ。ヒアリング後、設計、PoC、システム導入を経て課題解決を実現します。

ヒアリング

お客さまの目標や課題を伺います。予知保全に活用可能なデータとして、どのようなデータ(装置・センサーログなど)が収集されているかを合わせて伺います。

可視化・特徴量設計

収集したデータをもとに、BIツールなどを活用してデータの可視化、特徴、パターン、傾向変動、予兆検知すべき異常とデータの関係性を把握します。業界・業種に特化した知見や知識を獲得し、また、お客さま固有の問題を理解いたします。収集したデータにはほとんどの場合、欠損や重複などの不備があります。モデルの精度に影響を及ぼすため、データに不備があった場合、データを分析できる状態に加工するため前処理を行います。
続いて、特徴量の設計を行います。特徴量の設計は、精度の高い予兆検知モデルを作るためには重要なプロセスです。高いレベルの情報を捉えた 「特徴量」に変換する必要があります。
精度の高い異常予兆検知モデル構築に向けて、当社の高度スキルを持ったデータサイエンティスト人材が、データの理解、加工から特徴量の設計までを効率的に行います。

異常予兆検知モデルの構築

特徴量の設計につづき、異常予兆検知モデルを構築します。適用すべき統計分析手法、AI・機械学習の手法を検討し、有効な手法について効果や精度について評価を行います。予兆の傾向やパターンを発見し、異常予兆検知モデルを構築します。たとえば、機械学習、ディープラーニングなどを用いて、過去データから設備・装置のさまざまな状態を学習・推論することで、異常の予知や部品交換時期の判断をするための異常予兆検知モデルを構築します。

解決手段の提案

必要なデータ、異常予兆検知モデル、検証結果を中心に、目的に対する実現性を整理し、導入システムを提案します。

システム導入

お客さまの環境でご利用頂けるよう、BIツールを用いた可視化パッケージや統計分析手法、AI・機械学習の異常予兆検知モデル、システムを提供します。これらを用いることで、お客さま自ら適切な部品交換・修理時期の予兆をとらえ、予知保全を実現することが可能となります。

AI・機械学習

AI異常予兆検知ソリューション @DeAnoS のリンク
AI・機械学習に特化した「AI異常予兆検知ソリューション @DeAnoS」をご覧ください。

@DeAnoSは、NTT研究所が開発したディープラーニング技術に基づく異常予兆検知技術「DeAnoS®」を搭載し、システムや設備のさまざまな異常を事前に検知するAIツールです。閾値ルールなどの保守者の経験や、設計に基づく従来の異常検知方式では難しかった「異常予兆の判断」や「異常要因の推定」、「これまで発生したことのない障害の検出」を実現します。

適用事例

適用事例の一部をご紹介します。

事例① 製造設備の稼働状況モニタリングによる歩留まり向上

  • 製造設備の不具合、異常をいち早く発見し、不良率を削減し歩留まりを向上させるため、設備の稼働状況の可視化や検査データの分析を行い、AI・機械学習を活用して、製造設備の異常予兆検知を実現しました。

事例② 製造プロセスの操業データ分析による歩留まり向上

  • 製造プロセスにおいて、マニュアル、ガイドラインがあっても、実際の工程の中で考慮・判断すべき点が多く暗黙知となりがちなため、作業員パフォーマンスのバラつきが大きくなる課題がありました。
  • BIツールを駆使して作業員の操業データを分析・評価することで、高パフォーマンス作業員のノウハウ展開を可能とし、製造品質向上に寄与しました。

事例③ 水質浄化システムの水圧データ分析による作業効率向上

  • 水質浄化システムの点検作業量削減のため、フィルタの品質劣化を予測して点検対象を絞り込むためのデータ分析を行いました。
  • フィルタ品質に関連するデータ収集は可能でしたがさまざまな状態を示し、閾値設定やルール設定による品質劣化の判定が難しい状況にありました。関連データを可視化し、仔細に観察・分析することで、品質劣化を簡単に表現するための法則を見出しました。

事例④ プラント設備の画像データ分析による稼働率向上

  • プラント設備の点検において、クラック、腐食など、センサーの利用が困難となる課題がありました。
  • 画像データの収集が可能であったため、画像データの解析によりクラック、腐食の識別、判定について評価を行い、可能性を見出しました。

AIデータ分析シリーズ

※DeAnoSは日本電信電話株式会社の登録商標です。
※当社とNTTコム オンライン・マーケティング・ソリューション(株)は、TIBCO Spotfireの販売契約を締結しています。
※TIBCOおよびSpotfireは、米国およびその他の国におけるCloud Software Group, Inc.およびその子会社の商標または登録商標です。

Twitterでシェア Facebookでシェア
当サイトでは、お客さまに最適なユーザー体験をご提供するためにCookieを使用しています。当サイトをご利用いただくことにより、お客さまがCookieの使用に同意されたものとみなします。詳細は、「プライバシーポリシー」をご確認ください。