ギャップを埋める：機械学習とエッジ接続を活用して、旧式の機械と新しいシステムを連携させる

多くの製造現場では、レガシーシステムや旧式のデバイス、古い機械が依然として広く普及しており、当面の間はそれらの使用が続くと予想されます。正常に動作している古い機械を、単に接続性やデータ収集を目的として新しいものに置き換えることの正当性を説明するのは難しい場合があります。 しかし、機械の状態を把握すること、そしてこれらの古い機械を、現場の活動を監視・アラート・トレーサビリティ・透明性を提供する新しいシステムに接続することの価値と重要性は、誰もが認識している。この認識は、私たちに新たな気づきを与えてくれる。

では、私たちが直面している課題とは何でしょうか？一方では、接続性を求め、これらの機械から引き続き価値を引き出したいと考えています。他方では、これらは古い機械であり、OPC UAやMQTTといった最新のプロトコルに対応していないことが多く、中にはどんなに努力しても直接接続することさえできないものもあります。 さらに、ポンプやファンといったより単純な機械については、読み取るべきデータそのものが存在しないにもかかわらず、それらがいつ、どのように稼働しているか、どれだけのエネルギーを消費しているかを確認し、さらには故障を予測したいと考えています。

旧式の機械を刷新することには、製品の品質向上、生産スループットの向上、効果的な監視やデータ収集の実現など、数多くのメリットがあります。しかし、新型モデルへのアップグレードなど、機械設備の変更を導入するプロセスは決して単純なものではありません。既存のワークフローに支障をきたし、従業員の研修が必要となり、多額のコストも伴います。 さらに、投資の観点から見ると、機械への初期投資を回収するには相当な時間を要します。その結果、即座に買い替えるのではなく、創造性を発揮し、老朽化した機械を活用するための代替案を模索することが不可欠となります。

意外なことに、こうした問題は新しいアプローチや技術によって解決することができ、その解決策の一つとして、センサーの力を活用してデータを生成する方法があります。旧式の機械と最新のプラットフォームとの隔たりを埋めることは、一見したほど困難なことではありません。 産業用IoT（IIoT）が登場する以前に製造された古い機械を例に考えてみましょう。こうした機械は、従来の監視やデータ収集方法では接続することができません。このような場合、答えはシンプルで費用対効果の高いソリューション、すなわち、汎用性が高く、幅広い機械に対応可能な電流・振動測定センサーにあります。このセンサーが生成するデータの可能性を最大限に引き出すために、機械学習（ML）の手法を活用します。

[予告：カメラやOCRを使って機械の画面に接続することも可能です。詳細については、こちらのブログをご覧ください。]

機械学習は20年近くにわたりセンサーデータを活用してきており、その中でも予知保全が最もよく知られた応用例です。しかし、他にも数多くの応用例が存在します。本稿の議論において、私たちの目的は、機械の状態が「オン」か「オフ」か、あるいはそれよりもさらに微妙な状態にあるかを予測することです。例えば、射出成形機やCNC機械を監視する際には、任意の時点におけるその状態を判断できる必要があります。 それでは、詳細について掘り下げていきましょう。

センサーを組み込むことで、老朽化した機械から貴重なデータを収集できるようになります。さまざまな工程段階における電流や振動レベルの変化は、有益な情報を提供してくれます。センサーは「今」という瞬間を映し出す窓のような役割を果たし、リアルタイムのデータをもたらしてくれます。例えば、射出成形機の加熱段階では、（電流センサーによって測定される）高いエネルギー消費量が観測されることが予想されます。同様に、CNC工作機械の荒削り段階では、振動センサーが著しい動作を検知することになります。

素晴らしい！これで、旧式のマシンからデータを抽出する手段が確立されました。次のステップは、このデータを、そこから有意義な知見を引き出せるプラットフォームへと送り込むことです。

ここで、Tulip Tulip 極めて重要な役割を果たします。

センサーはデータを生成することで、物理世界とデジタル世界の架け橋となります。次のステップは、センサーからのデータストリームをデジタルシステムに接続することですが、Tulip デバイスを用いて実現できます。このデバイスは、センサーTulip シームレスな統合を可能にします。幅広いセンサーに対応する複数のポートをTulip、検討する価値のある強力なツールであるNode-REDも組み込まれています。 本質的に、Node-REDは、モノのインターネット（IoT）の分野において、ハードウェアデバイス、API、オンラインサービスを接続するために使用されるフローベースの開発ツールです。そのWebブラウザベースのフローエディタにより、ユーザーはデータ処理に役立つJavaScript関数を作成することができます。

センサーを一方では機械に、もう一方ではEdgeIOに接続したら、Node-REDでデータフローを定義し、Tulipデータを保存できるようにします。次のステップでは、このデータを活用して洞察を導き出し、レポートを作成し、リアルタイムのダッシュボードを構築し、アラートを設定します。

機器の配線とデータフローの確立が完了したら、次の重要なステップは、それをリアルタイムで活用することです。ほとんどのセンサーは時系列データを生成します。これは、時間軸に沿って均一にサンプリングされたアナログ信号を、離散的なデジタルデータに変換したものです。このデータは、センサーからEdgeIOを経て、当社のクラウドデータベースへとリアルタイムで流れ込みます。この段階で、ロジックを適用して貴重な知見を抽出することが可能になります。ロジックとしては、単純な閾値ベースのアプローチから、より高度な機械学習モデルまで多岐にわたります。

時系列データ向けの機械学習ソリューションの構築に関する詳細なチュートリアルをこのブログで紹介することは、本記事の範囲を超えています。しかし、その実現方法に関するいくつかのアイデアや概念については、ここで紹介したいと思います。

機械学習ソリューションは、データサンプルを入力として受け取り、予測を出力として提供する「箱」のようなものと捉えることができます。今回のケースでは、入力は時系列データから抽出した数個のサンプル（約5～10秒分の信号）で構成され、出力は機械の状態となります。簡略化のため、ここでは「オフ」と「オン」の2つの状態を想定しますが、このソリューションは複数の状態にも一般化可能です。 本番環境では、MLモデルまたはアルゴリズムがデータサンプルを受け取り、機械の状態を予測します。これを実現するには、まずモデルを学習させて、所望のタスクを実行できるようにする必要があります。

モデルの学習や構築はデータサイエンティストの役割であり、彼らは過去のデータを活用してモデルを学習させます。モデルの学習には主に2つのアプローチがあり、ここではその2つ、すなわち「教師なし学習」と「教師あり学習」について紹介します。

教師なし学習の手法、具体的にはクラスタリングでは、センサーからデータを収集し、それを短い時間単位（通常は数秒、機器によって異なる）に分割します。その目的は、データポイントをクラスタリングし、「オフ」と「オン」のサンプルが、その統計的特徴に基づいて別々のクラスターにグループ化されるようにすることです。 クラスタリングでは、ラベル付けは不要であり、サンプルはその特性のみに基づいてグループ化されます。クラスタにラベルを割り当てるには、ユーザーが少数のサンプルにアノテーションを付ける必要がある場合があり、モデルはこれを利用してクラスタのラベルを決定します。本番環境では、新しいデータサンプルが投入されると、そのサンプルと各クラスタとの距離が計算され、最も近いクラスタのラベルが、その新しいサンプルの予測状態となります。

教師なし学習の手法は強力ですが、特に機械の状態が類似している問題においては、精度や複雑さの面で限界がある場合があります。そのため、ラベル付きデータを利用し、一般的に学習が容易である教師あり学習の手法が広く用いられています。ラベル付きデータを収集するために、データサンプリング期間中にユーザーに機械の状態にラベルを付けるよう依頼します。数百件のラベル付きデータサンプルが集まれば、ニューラルネットワークなどのモデルを学習させ、与えられたデータサンプルを分析して機械の状態を予測できるようになります。 学習済みのモデルは、本番環境で機械の現在の状態を分類するために使用できます。ちなみに、ラベル付きデータは本番環境における機械の挙動を反映している必要があるため、単純な「オン／オフ」のみの機械であれば、数個のサンプルで十分です。一方、異なる製造工程を経る場合や、材料の変更、あるいは外部要因がデータに影響を与える場合は、大量のラベル付きデータが必要になる可能性があります。

どちらのアプローチにおいても、モデルは過去のデータを用いて学習されます。クラスタリングのような教師なし学習のアプローチでは、ラベル付けは必要ありませんが、精度が低く、処理できるデータの複雑さが限られる場合があります。一方、教師あり学習のモデルは学習が容易で、多くの場合、優れた性能を発揮します。ただし、ラベル付けは複雑で、時間がかかる場合があります。

コネクティビティは、デジタルトランスフォーメーションを成功させる上で不可欠な要素であり、現場ではしばしば「産業用IoT（IIoT）」という概念として具現化されています。この概念は、機械やその他の対象をインターネットと統合することを中核としており、今日の世界では一見単純なアイデアのように思えます。しかし、効果的なコネクティビティを実現することは、複雑な取り組みです。Tulip 。Tulip 、APIやSQLクエリといった最新のソフトウェアインターフェース、さらにはネットワーク、USB、シリアル、アナログインターフェースなどの物理的な接続を通じて、機械データの収集を可能にする多様な接続機能を提供しています。さらに、Tulip 、機械の接続を容易にするために特別に設計されたOPC-UAやMQTTといった標準プロトコルTulip 。これらのコネクタは、物理領域とデジタル領域の架け橋となり、シームレスなデータ転送を実現します。

とはいえ、機器の接続が困難で、革新的な解決策が必要となるケースもあるかもしれません。そのような場合、Tulip 多機能なツールボックスとしてTulip 、ユーザーがデジタル化の分野において創造性を探求し、発揮できるよう支援します。

EdgeIOは、アプリケーションへのデバイス入出力の組み込みを可能にし、トリガーの作成や時間短縮につながるワークフローの構築を容易にするデバイスです。機械、デバイス、センサーによって記録されたイベントや測定値を収集します。

前述の構成要素が整ったことで、EdgeIOでは以下の3つの原則が機能します：

• オープン性： センサーやカメラを用いて、ネットワーク接続された機器、アナログ機器、および独自仕様の機器からデータを収集します 。一般的なプロトコルに対応し、追加データの入力をユーザーに促すための直感的なインターフェースを提供します。

• 俊敏性とセルフサービス：運用現場に最も近いエンジニアが、コーディングや専門知識を必要とせずにデバイスの追加や変更の実施を行えるようにします。Tulip Devicesはコストパフォーマンスに優れ、セットアップも簡単で、さまざまなユースケースに対応可能です。

• 統合と連携：データを自動的に収集し、リアルタイムのガイダンスを提供する、直感的で効率的なワークフローを構築します。Tulip 他のシステムと統合Tulip 、HTTP API、SQLデータベース、OPC UAサーバーと連携Tulip 。

こうしたセンサーを導入することで、Tulip のような最前線の運用プラットフォームTulip 極めて有用Tulip 。Tulip 、これらのセンサーに簡単に接続できる接続デバイス「EdgeIO」Tulip 。EdgeIOデバイスでは、IoT ハードウェアデバイス、API、オンラインサービスを連携させるためのフローベースの開発ツール「Node-RED」を実行できます。 Node-REDはWebブラウザベースのフローエディタを提供しており、ユーザーはJavaScript関数を作成できます。Node-RED、センサー、およびEdgeIOデバイスを活用することで、リアルタイムかつ継続的な時系列データを収集できます。機械から取得したこのデータはTulip に保存され、機械学習モデルのトレーニングに使用できます。しかも、これらはコードを1行も記述することなく実現可能です。