予測メンテナンス (PdM) では、予定外のダウンタイムに伴うコストの発生を回避するために、メンテナンスの必要性を予測します。 デバイスに接続し、そのデバイスで生成されるデータを監視することで、潜在的な問題や障害につながるパターンを識別できます。 次に、これらの分析情報を使用して、問題の発生前に対処できます。 機器や資産のメンテナンスが必要な時期を予測するこの機能を使用すると、機器の寿命を最大限に活用し、ダウンタイムを最小限に抑えることができます。
PdM は、現場の機器によって生成されたデータから分析情報を抽出し、これらの分析情報について決定を下します。 PdM の考え方は、1990 年代初期に端を発します。 PdM では、定期的にスケジュールされた予防メンテナンスを強化します。 初期の段階では、データを生成するセンサーが入手できなかったり、データを収集して分析するための計算リソースが不足していたりしたため、PdM の実装は困難でした。 今日では、モノのインターネット (IoT)、クラウド コンピューティング、データ分析、機械学習の進歩により、PdM が主流になっています。
PdM では、機器を監視するセンサーからのデータと、その他の運用データが必要です。 PdM システムは、このデータを分析し、結果を保存します。 人間はこの分析に基づいて行動します。
この記事で背景を紹介した後に、オンプレミス データ、Azure Machine Learning、および機械学習モデルの組み合わせを使用して、PdM ソリューションのさまざまな部分を実装する方法について説明します。 PdM ではデータに大きく依存して意思決定を行うため、最初にデータ収集について見ていきます。 現在起きていることを評価し、今後より優れた予測モデルを構築するために、データを収集して使用する必要があります。 最後に、Microsoft Power BI などレポート作成ツールでの分析結果の視覚化を含め、分析ソリューションとはどのようなものかについて説明します。
メンテナンス戦略
製造の歴史をとおして、いくつかのメンテナンス戦略が登場しました。
- 事後対応型メンテナンスでは、問題の発生後に対処します。
- 予防的メンテナンスでは、以前のエラーの経験に基づいたメンテナンス スケジュールに従って、問題の発生前に対処します。
- PdM でも問題が発生する前に対処しますが、固定したスケジュールに従って作業するのではなく、機器の実際の使用状況が考慮されます。
この 3 つのうち、PdM は、データの収集、処理、および視覚化についての制限により、実現するのが最も困難でした。 これらの各戦略について、詳細に見ていきましょう。
事後対応型メンテナンス
事後対応型メンテナンスでは、資産にエラーが生じた場合にのみアセットに対する整備を実施します。 たとえば、5 軸 CNC 複合工作機械のモーターは、動作しなくなった場合のみ整備を行います。 事後対応型メンテナンスでは、コンポーネントの寿命は最大化されます。 ただし、ダウンタイムがどれほどになるかが不明であり、コンポーネントの障害によって引き起こされる予期しない付随的損害も発生します。しかも問題はそれだけにとどまらない可能性があります。
予防的メンテナンス
予防的メンテナンスでは、事前に決定された間隔で資産の整備を行います。 資産についての間隔は、資産の既知の故障頻度、履歴上のパフォーマンス、シミュレーション、および統計モデリングに通常基づいています。 予防的メンテナンスの利点は、稼働時間を増やせること、結果的に障害を減らせること、そしてメンテナンスが計画できることです。 欠点は、多くの場合、交換したコンポーネントの寿命が残っていることです。 これは、過剰なメンテナンスと無駄につながります。 その一方で、予定されたメンテナンスの前に部品が故障する可能性もあります。 予防的メンテナンスについてはおそらくよくご存じでしょう。定められた時間 (またはその他のメトリック) 運転するごとに、機械を停止して点検し、交換時期を迎えた部品をすべて交換します。
PdM
PdM では、モデルを使用して、資産にコンポーネントの故障が発生する可能性が高い時期を予測し、Just-In-Time メンテナンスをスケジュールできるようにします。 PdM では、稼働時間と資産の寿命の両方が最大化されるという点で、前述の戦略よりも改善されています。 コンポーネントの最大寿命に近い時期に機器を整備するので、動作している部品を交換してしまう費用を節約できます。 欠点は、PdM の Just-In-Time の性質により、応答性と柔軟性の高いサービス組織が必要になるため、実行が難しくなることです。 5 軸 CNC 複合工作機械の例に戻ると、PdM では、モーターの想定される故障時間に近い、都合のよいタイミングでメンテナンスをスケジュールします。
PdM のさまざまな提供方法
メーカーは、PdM を使用して、自身の製造オペレーションを監視できます。 また、新しいビジネス チャンスと収益ストリームを提供する方法に使用することもできます。 次に例を示します。
- あるメーカーでは、自社製品に PdM サービスを提供することで、顧客にとっての価値を高めています。
- あるメーカーでは、サービスとしての製品モデルの下で製品を提供しています。顧客は製品を購入するのではなく、製品をサブスクライブします。 このモデルの場合、メーカーは製品の稼働時間を最大化する必要があります。稼働していないときに製品は収益を生み出さないためです。
- ある企業では、他のメーカーによって製造された製品向けに PdM 製品とサービスを提供しています。
PdM ソリューションを構築する
PdM ソリューションを構築するには、データから開始します。 データが、機器の正常な動作と、障害の前、最中、および後の状態を示すのが望ましい状態です。 データは、センサー、機器のオペレーターが取っているメモ、動作情報、環境データ、機械の仕様などから取得されます。 記録システムには、履歴をよく知っている人、製造実行システム、エンタープライズ リソース プランニング (ERP) などがあります。 このデータはさまざまな方法で分析に利用されます。 Team Data Science Process (TDSP) を次の図に示します。 このプロセスは、製造業向けにカスタマイズされていて、機械学習モデルの構築と実行の際のさまざまな懸念事項について適切に説明しています。
最初のタスクは、予測対象となる障害の種類を特定することです。 これを念頭に、その障害の種類にまつわる関連データを含むデータ ソースを特定します。 パイプラインによって、お使いの環境からシステムへとデータを渡します。 データ サイエンティストは、好みの機械学習ツールを使用してデータを準備します。 これで、さまざまな種類の問題を識別できるモデルを作成してトレーニングを行う準備が整いました。 このモデルは次のような質問に回答します。
- "今から X 時間以内にその資産で障害が発生する確率はどのくらいですか。" 回答: 0 から 100%
- "その資産の残存耐用時間数はどのくらいですか。" 回答: X 時間
- "この資産の動作は異常ですか。" 回答: はい、いいえ
- "最も緊急に整備を必要としているのはどの資産ですか。" 回答: 資産 X
開発が終了したら、モデルは次で実行できます。
- 自己診断のための機器それ自身。
- 製造環境のエッジ デバイス。
- Azure。
デプロイ後も、PdM ソリューションの構築と保守は引き続き実行します。
Azure を使用すると、任意のテクノロジでこのモデルのトレーニングとテストを行うことができます。 GPU、フィールド プログラマブル ゲート アレイ (FPGA)、CPU、大容量メモリ マシンなどを使用できます。 Azure では、R や Python など、データ サイエンティストが使用するオープンソース ツールに完全に対応しています。 分析が完了すると、結果は、ダッシュボードの他のファセットやその他のレポートに表示できます。 これらのレポートをカスタム ツールに表示したり、Power BI などのレポート作成ツールに表示したりできます。
PdM に必要なものが何であっても、堅牢なソリューションを構築するためのツール、スケール、および機能が Azure には用意されています。
作業の開始
製造の現場にある多くの機器で、データが生成されます。 その収集はできるだけ早く始めてください。 障害が発生したら、今後の障害を検出するためのモデル作成を目的として、データ サイエンティストにデータを分析してもらいます。 障害の検出に関する知見が蓄積されたら、予測モードに移り、計画されたダウンタイムの間にコンポーネントを修理します。 PySpark を使用した予測メンテナンス では、ソリューションの機械学習部分を構築するチュートリアルを提供します。
モデルの構築について学習する必要がある場合は、「機械学習のためのデータ サイエンスの基礎」にアクセスすることをお勧めします。 「Azure Machine Learning の概要」 Learn モジュールでは、Azure ツールを紹介しています。
コンポーネント
Azure Blob Storage は、非構造化データ用のスケーラブルでセキュリティで保護されたオブジェクト ストレージです。 アーカイブ、データ レイク、ハイパフォーマンス コンピューティング、機械学習、クラウドネイティブ ワークロードに使用できます。
Azure Cosmos DB は、最新のアプリ開発用の、フル マネージドの、応答性の高い、スケーラブルな NoSQL データベースです。 これは、エンタープライズレベルのセキュリティを提供し、多くのデータベース、言語、およびプラットフォームに対応した API をサポートします。 例として、SQL、MongoDB、Gremlin、Table、Apache Cassandra などがあります。 Azure Cosmos DB のサーバーレスの自動スケーリング オプションは、アプリケーションの容量要求を効率的に管理します。
Azure Data Lake Storage は、高パフォーマンスの分析ワークロード用の非常にスケーラブルで安全なストレージ サービスです。 通常、データは、構造化データ、半構造化データ、または非構造化データを含む複数の異種ソースから取得されます。 Data Lake Storage Gen2 は、Data Lake Storage Gen1 の機能と Blob Storage を組み合わせ、ファイル システムのセマンティクス、ファイル レベルのセキュリティ、スケールを提供します。 また、Blob Storage の階層型ストレージ、高可用性、ディザスター リカバリーの機能も提供されます。
Azure Event Hubs は高度にスケーラブルなデータ ストリーミング プラットフォームであり、毎秒数百万のイベントを受け取って処理できるイベント インジェスト サービスでもあります。 Event Hubs では、分散されたソフトウェアやデバイスから生成されるイベント、データ、またはテレメトリを処理および格納できます。 イベント ハブに送信されたデータは、任意のリアルタイム分析プロバイダーやバッチ処理/ストレージ アダプターを使用して、変換および保存できます。 Event Hubs は大規模で待機時間の短いパブリッシュ/サブスクライブ機能を提供するため、ビッグ データのシナリオに適しています。
Azure IoT Edge は、標準のコンテナーを介してエッジ デバイス上で実行するクラウド ワークロードをデプロイします。 IoT Edge インテリジェント デバイスは、迅速かつオフラインで対応でき、待機時間と帯域幅の使用量を削減し、信頼性を向上させます。 必要なデータだけを前処理してクラウドに送信することで、コストを抑えることもできます。 デバイスは、AI と機械学習モジュール、Azure とサードパーティのサービス、およびカスタム ビジネス ロジックを実行できます。
Azure IoT Hub は、何百万もの IoT デバイスとクラウドベースのバックエンド間で、セキュリティで保護された信頼性のある双方向通信を実現する、フル マネージドのサービスです。 デバイスごとの認証、メッセージのルーティング、Azure サービスとの統合、デバイスを制御し構成するための管理機能を提供します。
Azure Machine Learning は、モデルをより迅速に構築し、デプロイするためのエンタープライズレベルの機械学習サービスです。 このサービスは、ローコード デザイナー、自動機械学習、さまざまな IDE をサポートするホストされた Jupyter Notebook 環境などと共に、あらゆるスキル レベルのユーザーに提供されます。
機械学習によって、コンピューターはデータと経験から学習することができ、明示的にプログラミングされていなくても動作できます。 お客様は、情報をインテリジェントに理解、処理、動作する AI アプリケーションをビルドできます。このアプリケーションは、人間の能力を強化し、速度と効率を向上させると共に、組織のさらなる成功を支援します。
Azure Service Bus は、メッセージ キューと、パブリッシュとサブスクライブのトピックを備えたフル マネージド エンタープライズ統合メッセージ ブローカーです。 これは、アプリケーション、サービス、デバイスを接続するために使用されます。 Azure Relay と共に使用することで、Service Bus はリモートでホストされているアプリケーションとサービスに接続できます。
Azure SQL は、SQL クラウド データベースのファミリです。これにより、SQL ポートフォリオ全体に統一されたエクスペリエンスを実現でき、エッジからクラウドまで幅広いデプロイ オプションが提供されます。
Azure SQL Database は、Azure SQL ファミリの一部であり、フル マネージドのサービスとしてのプラットフォーム (PaaS) データベース エンジンです。 これは、SQL Server データベース エンジンと修正プログラムの適用済みの OS の最新の安定したバージョンで常に実行されます。 これにより、アップグレード、修正プログラムの適用、バックアップ、監視などを含む、ほとんどのデータベース管理機能を、人に代わって処理します。 最も幅広い SQL Server エンジン互換性を提供するため、アプリを変更することなく SQL Server データベースを移行できます。
Power BI は、豊富な対話型データ視覚化を作成する機能を提供するビジネス分析ツールのスイートです。 関連性のないデータ ソースを、まとまりのある、実体験的な対話型の分析情報に転換できるサービス、アプリ、コネクタが含まれています。 Power BI によって、数百のデータ ソースに接続し、データの準備を簡略化し、アドホック分析を支援できます。
Azure Data Explorer は、ログと利用統計情報のための高速で拡張性に優れたデータ探索サービスです。 Azure Data Explorer を使って、時系列サービスを開発できます。 Azure Data Explorer には、準リアルタイムの監視ソリューションとワークフローによる、複数の時系列の作成、操作、分析のためのネイティブ サポートが含まれています。
Azure Data Explorer は、Azure IoT Hub、Azure Event Hubs、Azure Stream Analytics、Power Automate、Azure Logic Apps、Kafka、Apache Spark、およびその他の多くのサービスやプラットフォームからデータを取り込むことができます。 インジェストはスケーラブルであり、制限はありません。 Azure Data Explorer のインジェスト形式としては、JSON、CSV、Avro、Parquet、ORC、TXT、その他の形式がサポートされています。
Azure Data Explorer の Web UI を使用して、クエリを実行したり、データを視覚化するダッシュボードをビルドしたりできます。 Azure Data Explorer は、Power BI や Grafana などの他のダッシュボード サービスや、ODBC および JDBC コネクタを使用する他のデータ視覚化ツールとも統合されます。 最適化されたネイティブの Power BI 用 Azure Data Explorer コネクタでは、クエリ パラメーターやフィルターを含む、直接クエリまたはインポート モードがサポートされます。 詳細については、「Azure Data Explorer でのデータの視覚化」を参照してください。
まとめ
PdM では、検査および修復、または交換の対象となるコンポーネントを識別することによって、予防的メンテナンス スケジュールを改善します。 PdM ソリューションを構築するためのデータを提供するには、インストルメント化され接続されたマシンが必要です。
Microsoft のインフラストラクチャは、デバイス、エッジ、およびクラウドで実行されるソリューションを構築する際に役立てることができます。 作業の開始に役立つリソースが多数あります。
まず、防止する必要がある上位 1 から 3 の障害を選び、それらの項目の検出プロセスを開始します。 次に、その障害の識別に役立つデータを取得する方法を特定します。 そのデータを、「機械学習のデータ サイエンスの基礎」コースで習得するスキルと組み合わせて、PdM モデルを構築します。
共同作成者
この記事は、Microsoft によって保守されています。 当初の寄稿者は以下のとおりです。
プリンシパル作成者:
- Scott Seely 氏 | ソフトウェア アーキテクト
次のステップ
- Azure Blob Storage の概要
- Azure Cosmos DB のドキュメント
- Azure Data Lake Storage Gen1 のドキュメント
- Azure Event Hubs のドキュメント
- Azure IoT Edge のドキュメント
- Azure IoT Hub のドキュメント
- Azure Machine Learning のドキュメント
- Azure Service Bus メッセージングのドキュメント
- Azure Relay のドキュメント
- Azure SQL のドキュメント
- Power BI のドキュメント
- Azure データ エクスプローラーの時系列分析