予知保全は単なるAIの問題ではない

予知保全とは、最新の機械データや過去のデータを活用し、性能上の問題が発生する前にその兆候を把握・予測する手法です。高度な機械学習やAI技術を用いて現代の工場で生成されるデータを分析することで、予知分析はダウンタイムの削減、資産のパフォーマンス最適化、そして機械の寿命延長を実現します。

予知保全（PdM）には大きな期待が寄せられています。資産稼働率の2桁増。問題が発生する前に性能上の課題を検知するスマートマシン。OEE、TEEP、OPEの大幅な向上。

多くの人にとって、その世界はまだ遠い先の話だ。そして何より重要なのは、適切な予測アルゴリズムだけでは解決できないということだ。

この記事では、予知保全の全体像について解説します。なぜ予知保全が単なるAIの問題ではないのかを説明し、機械監視プログラムを最大限に活用するための具体的な手順をご紹介します。

製造業における現在の保守プログラムの多くは、予防保全を目的としています。予防保全（PM）は、定期的に予定された間隔で行われるほか、機械が所定の生産閾値を超えた際にも実施されます。

予防保全は資産の健全性を確保する上で重要ですが、その手法は画一的です。予防保全では、個々の機械が稼働する環境や、機械部品ごとの摩耗の度合いの違い、あるいは故障を予測しうるその他の要因が考慮されません。その結果、必要以上に頻繁、あるいは必要以上に間隔が空いたメンテナンススケジュールが組まれることがよくあります。（典型的な例としては、車の性能に関係なく、3000マイルごとにオイル交換を行うことが挙げられます）。

一方、予知保全では、特定の機械から生成されたデータを活用して、部品や資産のライフサイクルをより詳細に把握します。理論上、予知保全（PdM）は、メンテナンスのスケジュール策定における当て推量を排除します。特定の機械がどのように劣化していくかを可視化することで、予知保全はメーカーがメンテナンスをより効果的に管理することを可能にします。

予知保全の取り組みの成否は、学習データセットに含まれるデータの質と量にかかっている。

つまり、1）時間の経過に伴う機械の性能を適切に反映したサンプルを作成するための十分なデータ、および2）現地の環境における機械の性能と使用状況を正確に反映したデータが必要となります。

「十分なデータ」と「質の高いデータ」の双方がなぜ重要なのかを明確にするため、それぞれについて詳しく見ていきます。まずは「量」についてです。

予測アルゴリズムのトレーニングを成功させるには、ペタバイト単位の膨大なマシンデータが必要だという考えは、単なる通説に過ぎません。また、「データが多ければ多いほど良い」というのも、単なる通説です。質の悪いトレーニングデータセットでは、最適な結果が得られないことを示す「ゴミを入れれば、ゴミが出る」という言葉を、多くの皆さんが耳にしたことがあるでしょう。

PdMを行う上で必要なのは、特定の作業における機械の使用状況を反映した、機械の性能を示す代表的なサンプルとなる十分なデータです。

ある生産工学の教授によると、代表的なサンプルを作成するのは容易なことではないという。「変数が数千にも及ぶ場合、問題と根本原因の間に統計的に有意な関連性を見出すためには、通常、数十万から数百万個の部品に関するデータが必要となる。」

特に、「特定の操作における使用」といった限定的な表現を考慮に入れると、その傾向は顕著である。

その理由は次の通りです。機械のライフサイクルは、数十年とまではいかなくても、数年単位で展開します。したがって、代表的なデータセットを収集するには、長期間にわたり機械の稼働状況を観察する必要があります。あるビッグデータ研究グループが予知保全（PdM）について指摘しているように、「機械の寿命は通常、数年単位であるため、システムの劣化過程全体を観察するには、長期間にわたりデータを収集しなければならない」のです。

この数量に関する問題は、多くのメーカーが十分な過去のデータを持っていないという事実によってさらに深刻化しています。稼働時間や停止時間、生産部品数、メンテナンス記録などの情報は存在するかもしれません。しかし、その情報が正確であるというのは大きな前提であり、真に予測可能な知見を得るには、その詳細度が不十分である可能性が高いのです。

多くのメーカーは、公開されているデータセットを用いて予測アルゴリズムを学習させることで、こうしたデータ不足の課題を克服しようとしてきました。民間企業の多くは自社生産データを厳重に守っていますが、学術分野やパブリックドメインのデータ源については活発な情報交換が行われており、Googleで検索すればGitHub上に多くのデータが見つかります。

しかし、これらでさえ、製造業者がPMからPdMへと移行するには不十分である。なぜなら、それらは現場の製造実態を捉えていないからだ。データセットがどれほど大規模であっても、それらには生態学的妥当性が欠けている。

あるエンジニアは、このデータに関するジレンマを次のように的確に表現している。「実稼働環境では機器を故障するまで稼働させることは許されていないため、ほとんどの場合、機器の故障記録を入手することは困難（不可能ではないにせよ）[原文ママ]だ。さらに、定期的なメンテナンス作業によるノイズや、不正確なメンテナンス作業指示書の記載など、多くの課題に対処しなければならない……現実の現場は厳しいものだ」

そこで、次のポイントに移ります。十分なデータが必要であるだけでなく、適切な種類のデータも必要となります。

おそらく、PdMの文脈においてデータ品質を説明する別の方法として、因果関係を推論するのに十分なものであると言えるだろう。

つまり、質の高いデータとは、製造メーカーが相関関係の曖昧さを乗り越え、機械故障の根本原因に迫ることを可能にするデータのことである。

しかし、これは口で言うほど簡単なことではありません。部品や機械が故障のリスクが高まる時期を迎えるまでの速さには、数多くの生産要因が影響するからです。主軸回転数、稼働時間、温度、振動、湿度、使用状況――これらはほんの一例に過ぎませんが、これらのパラメータはそれぞれ独自の形で相互作用し、総合的には機械の寿命に様々な影響を及ぼします。

ある著者が鋭く指摘しているように、「複雑な機器の状態は、個々の測定値の分析だけでは確実に判断することはできない。むしろ、状況の真の姿を把握するためには、さまざまな測定値を総合的に考慮しなければならない。」

朗報は、センサー技術とエッジコンピューティングの進歩により、これまで以上に多様なパフォーマンス指標を追跡できるようになったことです。一方、残念なことに、ネットワーク接続が最も優れたマシンであっても、機械の性能低下の最も大きな原因を常に把握できているとは限りません。

最近の調査によると、製造上のミスの20～50％は人的ミスに起因しており、その割合は70％に達するという推計もある。

予知保全の観点から言えば、これは、機械の稼働状況を理解することと同じくらい、あるいはそれ以上に、機械の使用状況を把握することが重要であることを意味します。予知保全を最大限に効果的に機能させるためには、機械が日々どのように使用されているか、設定が適切か、切り替え作業が正しく行われているか、そしてメンテナンスが適切に実施されているかといった記録が必要です。

つまり、機械の監視には人間中心のアプローチが必要なのです。

たとえ本格的なPdMプログラムを立ち上げることはできなくても、人間中心の機械監視プログラムに向けた取り組みを始めるだけで、ほぼ即座に価値を生み出し始めることができます。小さな一歩が、大きな飛躍につながるのです。

まずは、具体的に次のようなことから始めてみましょう。

1.) できるだけ早く工場をIoT対応にしましょう。 ここで説明したように 、信頼性の高いローカルデータはPdMの基盤となります。 IoTを活用した機械データの収集を早ければ早いほど、そのデータを競争優位性につなげることができます。

一般的な認識とは異なり、IoT 導入はIoT 高額なIoT ではなく、事業全体を対象とする必要もありません。既存の機械をネットワークに接続する簡単な方法があり、センサー価格の低下により、多額の費用をかけずに環境状態の監視を開始することが可能になっています。

2.) クラウドの導入を検討しましょう。予測アルゴリズムのトレーニングや実行に必要なデータ量は、サーバーやコンピューティングリソースに大きな負荷をかける可能性があります。製造業向けのクラウドコンピューティングは、オンプレミスのインフラへの投資や維持管理を必要とせずに、予測分析に伴うストレージや計算リソースの需要に対応できる、費用対効果が高く、安全で、拡張性にも優れた選択肢として、ますます普及しています。

3.) 機械学習アルゴリズムに何が期待できるかを理解する。機械学習アルゴリズムが何を予測できるかを把握しておくことは、どの部門、機械、またはプロセスを最初に導入すべきかを優先順位付けする上で役立ちます。

一般的な予測分野としては、故障までの機械の寿命の算出、故障が発生する可能性が高い期間の特定、最も一般的な故障パターンの特定、および機械の異常動作の検知などが挙げられます。

機械学習によって何が明らかになるかを把握することは、デジタルトランスフォーメーションの優先順位を決定する上で重要な鍵となります。

4.) 機械の使用状況を把握する。機械のデータに、その使用状況に関する情報を組み合わせることで、機械のモニタリングは最大の効果を発揮します。これを実現する最善の方法は、運用アプリを通じて人と機械をつなぐことです。これにより、全体像を把握でき、よくある交絡要因の克服にも役立ちます。

工場をデジタル化し、真に予測可能なインサイトを生み出す方法にご興味はありませんか？Tulip Frontline Operations 、プロセスの可視化に必要な人と機械のデータを収集します。ぜひお問い合わせください。貴社の業務をデジタル化するお手伝いをさせていただきます！