予測メンテナンス (PdM) のメリットを理解する
予測メンテナンス戦略に AI を使用することで、生産性の損失、修理コスト、納期の遅れや顧客の期待に応えられないといった、機器の故障や計画外のダウンタイムに起因する損失額の大きい問題を、工場で回避することに役立ちます。
予測メンテナンスは、古いレガシーシステムを使用する企業に蔓延している、高額の損失につながる「故障するまで運転する」という考え方に代わる、費用対効果の高い代替手段をもたらします。また、メンテナンスが厳密な固定単位で実施される、旧来の労働集約型の予防的メンテナンスのアプローチも改善します。
対照的に、データ駆動型のアプローチでは、コスト負担の大きいダウンタイムが発生する前に介入できます。最新のソフトウェア・デファインド・プラント・フロアのインフラストラクチャーを通じて、工場全体の物理機器の複数の障害ポイントから、運用データが収集されます。多くの場合、生産設備、エンジン、その他高価値の資産です。
例えば、自動車メーカーは、センサーデータを使用して、過熱を起こしやすい溶接ガンの状態を監視できます。機械の動作状況に基づいて将来の障害を予測するためにアナリティクスが使用され、閾値に近づくとアラートを発します。
AI を活用した予測メンテナンス戦略を用いることで、お客様の組織では以下のことが可能になります。
- 予測アプローチを採用することで、アップタイムが最大化する。センサーデータは、潜在的な障害を事前に通知し、より効果的な意思決定を促進し、修理を迅速化します。機械の故障が運用に与える影響を最小限に抑えるため事前に計画を立て、長期間にわたる生産の中断を回避するためメンテナンスのスケジュールを積極的に事前設定し、また保守中の機器の負担を別の機器に振り分けることが可能になります。
- 機器が故障するタイミングを予測することで、運用効率を向上させる。機器を効率的に稼働させることは、生産と利益率にとって中心的な要因です。総合設備効率 (OEE) の最大化、主要業績評価指標 (KPI) の達成、投資収益率 (ROI) の最適化を実現できます。
- 履歴データを使用して重要なコンポーネントの摩耗や破損を予測することで、製品品質の一貫性を実現する。異常が予測された場合にメンテナンスを指示し、機器を理想的なパラメーター内に維持することで、欠陥率をゼロに近づけることができます。
これと密接に関連しているのが AI ベースのマシン状態の監視です。これは類似するインダストリー 4.0 の手法であり、デジタルツインによる運用成果のシミュレーション、破局的な障害の前兆となる異常の検出、製品の欠陥の検出、安全コンプライアンス規制を満たすためのコンピューター・ビジョンを使用した従業員のモニタリングなどを実行できます。
工場におけるインテリジェント検出の利点が分かったら、導入の計画を始める準備ができました。ここでは、予測メンテナンスの導入を成功させるために取るべき手順について説明します。
リスクレベルを評価する
最初のステップは、組織のリスクレベルを評価することです。製造メーカーは、機器の故障と欠陥、安全性、コンプライアンスなど無数のリスクに晒されていますが、予測メンテナンスと AI をい活用したマシン状態の監視を、その軽減に役立てることができます。潜在的なリスクに関するレポートをまとめることで、特定の AI ソリューションの先行投資に値するかどうかを判断できます。
- 内部リスクの評価は、実際の運用リスクに関する洞察を得るために実施する必要があります。考慮すべき重要なデータポイントは、次のとおりです。
- ハザード分析
- 機器のダウンタイム・ログ
- 製品の品質調査
- 安全インシデントの審査
- プロセス逸脱に関する記録と履歴データ
- 欠陥率
- コンプライアンスの問題
- ISO 認証取得状況
- 外部リスクの評価と予期しないダウンタイムの財務上の影響に関する調査も実施する必要があります。生産停止がサプライチェーンのボトルネックとなり、商品価格の変動を引き起こす可能性について調査し、ダウンタイムが顧客満足度にどのような影響を及ぼすかについても調査を実施します。AI ソリューションは、運用を円滑に維持することで、ビジネスリスクの軽減に役立ちます。
お客様の組織が直面する具体的なリスクは、サブセクターごとに異なります。 -
- ディスクリート製造メーカー (自動車、家電製品、エレクトロニクス・メーカー) は、機械の故障による品質低下やサプライチェーンの混乱の影響を受けやすくなります。
- プロセス製造メーカー (医薬品、食品および飲料会社) は、処方エラー、規制遵守、プロセス制御に関連する問題に対して、より脆弱です。
また、競合分析や業界レポートなどの外部調査を参考にして、自社と同様の工場やプラントにおけるデジタル変革を比較する必要があります。例えば、BMW がインダストリー 4.0 ソリューションを使用して、工場の重要な品質管理プロセスを自動化および強化した方法について、成功事例を読むことができます。
AI ソリューション・プロバイダーと提携する
導入を進める準備ができたら、難しい部分に社外の力を借りることを検討してください。テクノロジー・パートナーとの連携により、計画から実装までのプロセス全体が簡素化され、時間の節約、コストの削減、複雑さの抑制、実装のハードル克服の支援が受けられます。インテルは、AI と産業ソリューション・プロバイダーおよびシステム・インテグレーター (SI) の世界的ネットワークと協力し、パートナーのソリューションがインテル® ハードウェア向けに最適化され、インテル製品搭載システムが高パフォーマンスと円滑な運用を実現するよう設計されていることを保証します。
例えば、Prescient Technologies は、30 日以内にデータの影響を確認できる、柔軟なデジタルツイン・ソリューションを提供します。産業向けインテル® エッジ・インサイト・プラットフォームと OpenVINO™ ツールキット上に構築されたこのツールは、お客様のオペレーターが散在する運用データソースを迅速に処理し、視覚的で実用的なデータインサイトを提供するのに役立ちます。こちらからお問い合わせください。
インテルのエコシステム・パートナーが、製造業全体でインダストリー 4.0 ソリューションを導入する方法については、最近のケーススタディーをお読みください。
AI ソリューションを実装する
次のステップは、工場全体に AI 機能を導入し、機器を監視できるようにすることです。そのためには、AI 対応テクノロジーを各機器のデータを収集するために物理的に設置することと、収集したデータをリアルタイムで分析してメンテナンス、コンプライアンス、生産性に関連した問題を特定・防止する AI アルゴリズムの導入が必要となります。
ここでは、工場に AI ソリューションを導入するうえで必要なことを詳しくまとめています。
- 機器に AI 対応テクノロジーを設置 して、運用データと故障履歴を収集し、マシン固有の特性を定義します。運用データは、予測メンテナンスの基礎となるもので、具体的には機械の正常動作のデータとエラーデータを示します。このデータの収集には、通常センサーが使用されます。例えば、油圧ポンプを監視する場合、センサーは振動速度、油圧、流体の速度、その他の関連パラメーターを捉えることができます。また、機器がソフトウェア・デファインド・コントロール (SDC) システムの一部である場合、テレメトリー・エージェントがインストールされ、機器の特性をリアルタイムで取得します。
- エッジまたはクラウドで機器のデータを準備 します。分析用の生データを保存するには、データベースを使用します。データ・サイエンティストは、データを前処理して、アルゴリズムに適したフォーマットに変換します。前処理ステップにより、データの精度が向上し、アルゴリズムがデータを効率的に処理できるようになります。
- 前処理したデータで AI アルゴリズムをトレーニング して、機器の運用データに特化したモデルを作成します。データ・サイエンティストは、データの性質と、レイテンシー、モデルのサイズ、精度などの主要業績評価指標に基づいて、使用すべき適切なアルゴリズムを特定します。
- トレーニングした AI モデルをエッジデバイスに導入 するか、さまざまな機器からのストリーミング・データを収集する中央サーバーに導入し、まとめて予測を実行します。お客様の組織にとって最適な選択肢は、前述のリスクレベルにより異なります。リアルタイム予測を必要とする運用では、エッジデバイスにモデルを導入する必要がありますが、障害の予測に余裕がある場合は、中央サーバーを使用できます。
しかし、検討が必要なトレードオフがあります。エッジデバイスでリアルタイムにデータを読み取るには、より小さなモデルの使用が必要となることがあります。すると、大規模なモデルよりも精度が低下するため、予測にばらつきが生じやすくなります。
エッジのユースケースには、AI アクセラレーションを搭載したエッジデバイスが推奨されます。AI モデルの最適化と導入に適したオープンソースのツールキットである OpenVINO™ ツールキットを使用すると、AI アプリケーションをエッジで効率よく実行できます。
さらに、oneAPI を搭載したインテル® AI Tool は、PyTorch、Modin、scikit-learn、XGBoost などの一般的なフレームワークとライブラリー向けに最適化されたパッケージにより、インテル® アーキテクチャー上のマシンラーニング・ワークロードを高速化するのに役立ちます。
インテル® ソリューションの選択と導入
AI 導入を成功させるには、適切なテクノロジーの組み合わせの活用が不可欠です。インテルは、強力なエンドツーエンドの AI プラットフォームにより、産業用 AI ソリューションの導入に必要な以下のコンポーネントを提供します。
- 低レイテンシーを実現する Time-Sensitive Networking (TSN) などの機能を備えた AI 対応プロセッサーや、産業環境向けの堅牢で耐熱性のあるハードウェアといったハードウェア・ソリューション1
- 産業に特化した開発プラットフォームなどのソフトウェア・ソリューション
- すぐに導入できるカスタム・ソリューション、システム統合の専門知識を提供し、インテル製品搭載ソリューションの導入とシステムの複雑さの最小化を支援するパートナー
予測メンテナンス・ソリューションに役立つインテル製品の一部を以下に紹介します。
- インテル® Xeon® スケーラブル・プロセッサーは、工場の現場で高度な分析を進めるためのパフォーマンスを提供します。これらのプロセッサーには、AI ワークロードを大規模に高速化するインテル® AI エンジンが組み込まれているため、CPU コア上のディープラーニングのトレーニングと推論タスクのパフォーマンスを高め、運用データに関して迅速に洞察を提供します。2
- 産業向けインテル® エッジ・インサイト・プラットフォームは、工場データを活用して運用を改善する基盤をもたらします。ビデオと時系列データの取得をサポートしているため、このオープンですぐに導入できるソフトウェア・パッケージには、産業用 AI の導入を加速する、事前検証済みのソフトウェア・コンポーネントが付属しています。AI 分析を含み、ローカル・アプリケーションまたはクラウドに公開でき、カスタマイズされたソリューションに対応できる柔軟性を発揮します。
- インテルのエコシステム・パートナーが提供するインテル® IoT マーケット・レディー・ソリューション (インテル® IMRS) は、インテルのハードウェアとソフトウェアを組み合わせて、ダウンタイムのリスクの排除、運用効率の向上、作業員の安全性の向上を実現する、すぐに導入可能な産業用ソリューションです。すぐに導入できるこれらの Industry 4.0 ソリューションは、インテル® プロセッサー上で AI アプリケーションを実行するために最適化されており、エッジおよびオンプレミスでのパフォーマンスを強化します。
予測メンテナンスの最適化を開始する
予測メンテナンスと AI ベースのマシン状態の監視ソリューションにより、お客様の組織はアップタイムを最大化し、運用効率の向上を実現できます。インテル® ハードウェア、ソフトウェア、インテルのパートナー・ネットワークは、市場にすぐ対応できる AI ソリューションを導入し、理想的な運用エンドステートの実現を支援します。まず、インテル担当者またはインテル® テクノロジー・パートナーに相談して、今すぐお客様の組織で AI を活用しましょう。