膨大な数のセンサーが機械やプラントのデータを記録しています。これらのデータを正しく分析することで、製造工程を改善し、高品質の製品を保証できます。Industrial Analytics事業部では、お客様と密接に連携してそのために必要なモデルを開発し、お客様ご自身がデータやモデルの開発に関わることができます。
特徴量と呼ばれるさまざまなデータセットは、機械やプラントのデータから抽出できます。人工知能(AI)を使用して、こうしたデータを自動的に評価できます。例えば、温度、圧力、消費電力、振動などがこれに該当します。過去のプロジェクトの経験から、機械とプラントは通常、すべての重要なデータをすでに記録していることが分かります。ほとんどの場合、追加のセンサーは必要ありません。実際の課題は、データから隠れた情報を復元し、関連する相関関係を認識することです。そこで役に立つのが、ワイドミュラーの産業分析です。
異常の検出と分類
プラントの円滑な運転を妨げる原因は数多くあります。例えば、冷却回路内の気泡が原因で冷却能力が低下することや、ギアのバックラッシュが原因で動きが不正確になることがあります。ワイドミュラーのデータサイエンティストは、人工知能を用いたモデルを開発し、リアルタイムデータの正常な動作からの逸脱、つまり異常を認識しています。科学者たちは、過去のデータを参考にして、一定期間の機械の動作の典型的なパターンを提供します。
異常の分類では、認識された異常を重要なものから重要ではないものまでのカテゴリーに分類し、重要な異常はエラーの原因に割り当てられます。機械オペレータは、この情報を使用して問題に迅速に対応し、これまで検出できなかった誤動作を認識することもできるようになります。診断を迅速に行うことで、最終的にダウンタイムが短縮され、コストの削減や生産量の最適化につながります。
特徴量エンジニアリングは複雑なパターンを認識します
ワイドミュラーは、Industrial Analyticsの統合アプローチが評価され、「Excellence in Business to Business」部門において、2018年ドイツ・イノベーション・アワードを受賞しました。Industrial Analytics事業部門の研究開発責任者であるDr Markus Köster(左)とIndustrial Analytics事業部の責任者であるTobias Gaukstern(右.)がベルリンで受賞しました。
特徴量エンジニアリングは、信頼性の高いAIモデルを開発するための重要な技術です。このアプローチでは、測定値を複雑な統計的相関関係で考慮します。そのために、例えば、時間の経過に伴う2つ以上の特長量の相互関連変化を表す相関係数を形成します。データサイエンティストは、過去の機械のデータを使用して新しい特長量を開発しています。目標は、単に生データを使用する場合よりも、さらに優れた信頼性の高い逸脱した逸脱パターンを認識することです。例えば、数学的手法に基づいて出力信号の対応するコンポーネントを使用し、振動測定や周波数変換器などの高周波数信号を異なる周波数範囲に分割することができます。モデルは、機械の通常の動作に対する信号コンポーネントの特徴を学習します。こうしたコンポーネントは、元の信号よりも誤動作の可能性を示す優れた指標になります。
それは私たち全員にかかっています
データセットは具体的な機械やプロセスの挙動に基づいて解釈および評価する必要があるため、特徴量エンジニアリングには包括的なアプリケーション知識が必要です。データサイエンティストの専門知識、機械エンジニアまたは機械オペレータのアプリケーションノウハウ、すでに習得した知識はすべて、実用的なソリューションとなる答えを見つけるためにすべて同じくらい重要です。異常が実際に機械のエラーであるかどうかを評価できるのは、アプリケーションの専門家だけです。専門家は、データのスペシャリストが正常な動作状態だけでなく、起こり得る逸脱や異常を正しく記述するアルゴリズムを構築するの支援します。
現在、AIをベースにしたモデルは、梱包機械、充填技術、原材料の取り扱い、ロボットなど多くのアプリケーションですでに使用されています。ワイドミュラーでは、これらのモデルから、個々のユーザーに合わせたソフトウェアを提供しています。ソフトウェアを使用して機械の挙動を常にモニタリング・予測し、データとその分析結果を視覚化しています。UIの専門家がユーザーインターフェイスを個別にデザインし、すべてのお客様がそれぞれの用途に合ったソリューションを得られるようにします。
視覚化することで、現在のマシンの状態を把握しやすくなります。このために、個々の時間範囲を表示し、将来のデータ評価に含める必要がある情報でタグ付けすることができます。この例では、黄色くハイライトされた部分に、アルゴリズムがユーザーに対して特定した異常の可能性が示されています。ユーザーはこの部分を見て、これが本当に異常なのかどうかを判断することもできます。このようにして、モデルは学習を続け、将来のステータスをより正確に分類することができるようになります。
ただし、新しいAIベースのモデルでは、特に過去のデータに含まれていない、あるいはほとんど含まれていない場合、将来起こり得るミスやプラントの状態をすべて描き出すことはできません。したがって、Industrial Analyticsモジュールは、ユーザーが時間の経過とともにモデル自体を更新、拡張、改良できるように設計されています。もちろん必要に応じて、ワイドミュラーのデータサイエンティストがお客様をサポートします。
成功のための特徴量の活用
特徴量エンジニアリングは、分析ソリューションの成功の鍵です。ワイドミュラーは、物理的な相関関係に関する必要なアプリケーション知識と技術的専門知識をデータサイエンスのノウハウと組み合わせています。AI ベースのモデルを独自に開発するオプションのおかげで、機械エンジニアや機械オペレータは、その専門知識を明らかにすることなく、モデルのパフォーマンスを大幅に向上させることができます。