課題
設備が故障してから修理する事後保全中心の運用でした。計画外の停止が繰り返され、非稼働時間が増えて生産性が低下していました。故障が起きる前に検知する仕組みが必要でした。
収集データ
締結設備と検査設備から発生する運転データを収集し、どの信号がどの状態と結び付くかデータ現況を分析しました。
適用モジュール
E²で設備データをリアルタイムに監視し、A²で異常検知モデルを構築しました。締結設備にはAuto-encoderモデル、検査設備には深層ニューラルネットワーク(CNN)モデルを適用しています。
成果
リアルタイム異常検知と事前整備の実施により、業務プロセスが事後保全から予知保全へ変わりました。設備異常の発生と交換周期を事前に予測でき、停止のタイミングを計画できるようになりました。
設備ごとに異なるモデルを使いました
同じラインの中でも設備の性格が異なれば、アプローチも変わります。
締結設備 — Auto-encoder 正常な運転状態を学習し、そこからどれだけ離れているかを見る方式です。故障事例を十分に集めにくい設備に適しています。
検査設備 — 深層ニューラルネットワーク(CNN) 信号パターン自体を分類する方式で、異常の種類を区別する必要がある設備に適用しました。
通知の「その後」が重要です
「異常を検知しました」という通知が出ても、誰が何をするかが決まっていなければ何も起きません。本プロジェクトでは、リアルタイム異常検知 → 事前検討 → 事前整備という業務プロセスを併せて設計しました。システムより先にこの手順を整えるほうが効果は大きくなります。