予知保全・故障予兆検知

故障予知による予知保全により、ダウンタイムをなくし、稼働率の向上を実現します。

資料ダウンロード

予知保全・故障予兆検知

Impulseの予知保全・故障予兆検知は、AI技術を用いて設備の異常を早期に検出し、未然に故障を防ぐための解析アプリケーションです。計画外の停止やダウンタイムを減少させ、設備の稼働率の向上を実現します。

Impulseによる予知保全・故障予兆検知

センサーやPLC、検査機器などから数値データ（温度や圧力、振動、音など）を取得し、その傾向や関係性を学習し変化を検知することで、設備の故障予兆検知につなげます。

主な分析対象

センサーやPLCからの数値データ

  • 圧力

  • 流量

  • 回転数

  • 振動

  • 温度

  • 電流値

    など

音声データ

  • 回転音

  • 振動音

  • ガス漏れ音

    など

動画データ

  • 定点カメラによる設備の稼働状況撮影

    など

ユースケース

プラント・エンジニアリング：熱交換器(リボイラー)の閉塞の予兆検知

蒸留塔の熱交換器(リボイラー)における閉塞の予兆検知システムとして「Impulse」を導入。 設備の洗浄停止タイミングの明確化が可能となり、日々の生産調整に貢献。

課題

  • 操業変化による管理指標の見直し工数や、解析対象に含まれない現象は予兆検知できない。
  • チューブ内の閉塞トラブル(詰まり)に関しては、事後保全的な対応しか取れていない。

取り組み内容

  • DCSからのデータをクラウド連携。クラウド側でImpulseによる学習・推論を実施。
  • 異常度スコアの定義や取得した各種データのクレンジング作業(前処理作業)、変数(パラメータ)の追加といった作業をPoCの段階で行い、アルゴリズムの精度(判定精度)を上げるための工夫も行った。

導入効果

  • 設備における詰まり具合を事前に予兆できることで、設備の洗浄停止タイミングの明確化が可能となった。

インフラ・エネルギー業界：風力発電機における故障回避・状態監視

風力発電機のヨー旋回部の故障回避と状態監視を目的に、風力発電機の故障予防と寿命延長を達成。

課題

風力発電機は多くの部品から構成され、設置環境も特殊で保守が困難。特にヨー旋回部の故障は、乱流や吹上風による振動や過大荷重によって頻繁に発生し、発電停止や高額な損失を引き起こすことがあった。

取り組み内容

  • AI・IoT技術を活用してセンサーデータから故障予兆を検知し、風力発電機のヨー旋回部の状態監視と故障回避を実現するためにImpulseを導入。
  • 実際のデータを用いてImpulseで検知可能かの検証を実施し、良好な結果が得られたため、製品・サービス化につなげることができた。

導入効果

  • 「Impulse」の導入により、短期間での製品化と新規事業の立ち上げが可能になり、ヨー旋回部の負荷状態をリアルタイムで可視化し、過去に発生した異常状態の詳細な履歴確認が可能に。
  • この技術により、風力発電機の故障回避、状態監視が効率的に行えるようになり、長寿命化と保守の負担軽減に貢献。

情報通信：基地局設備におけるサイレント障害の予兆検知

Impulseを導入することで基地局のサイレント障害の予兆を早期に検出し、通信障害のリスクを抑え、運用の効率性と顧客サービスの質を高めた。

課題

  • 基地局設備のサイレント障害は、通信障害を引き起こすリスクがあり、不具合が発覚しにくいため、予兆検知が困難。
  • 従来の閾値監視という仕組みの中ではシビアな検知を採用していたが、結果として膨大な誤検知（正常な状態を異常と判定してしまう）が発生してしまっていた。

取り組み内容

  • 実現性検証で過去のデータを用いて検証した結果、Impulseは誤検知の大幅な抑止、検知漏れが無し、異常発生を10分以内に検知、という極めて高い精度を発揮。
  • Impulse導入後、適用範囲を拡げながら精度向上を実施し、高い精度を備えた監視基盤を作り上げることに成功。

導入効果

  • サイレント障害の早期発見により、大規模な通信障害の予防が可能となり、サービスの信頼性が向上。

飲料・食品：ビール製造設備の故障前検知

ビール製造業界において、製造プロセスにおける異常予兆検知プラットフォームにImpulseを採用

課題

  • 設備の異常予兆発見を人に依存しており、発見漏れや属人化が課題だった。
  • 設備稼働率を向上させるため、迅速な異常検知が必要だった。

取り組み内容

  • AWS上にクラウドデータ解析プラットフォームを構築し、AI異常検知システム「Impulse」を導入した。
  • 「Impulse」を利用して設備データをリアルタイムで解析し、異常予兆を検知した。

導入効果

  • 異常予兆検知により、計画的な設備停止と事前対策が可能となり、安定した操業が実現した。
  • 現場担当者が自らシステムを変更できるようになり、コストと時間の削減が図られた。

参考URL：

基本機能

分析可能なデータ

動画や静止画などの画像データの他に、センサーやPLCからの数値データ、マイクからの音声データを組み合わせることで、より包括的な予知保全が実現できます。

  • 様々なセンサーから取得した数値データ

  • 音声データ

  • 動画・静止画データ

解析結果（アウトプット）

静止画や動画内の数値の読み取りから異常部分の検知。数値データや音声データの記録と蓄積ができます。

解析結果（アウトプット）

基本的なシステム構成

基本的なシステム構成

よくある質問

  • Q. 評価や検証を進めたい場合、どのような準備が必要ですか？
    A.
    分析対象の具体的なテーマ（解決したい課題）と関連するデータのご準備をお願い致します。データがない場合でもご相談頂けます。
  • Q. 異常検知のために準備するデータには必ず異常時のデータが必要ですか？
    A.
    学習モデルは正常データから生成しますが、異常検知の精度を評価するために異常データを利用することがあります。異常データが作成できないという場合でもご相談ください。
  • Q. 評価にはどれくらいのデータ量が必要ですか？
    A.
    データを取得する間隔によっても異なりますが、1〜2ヶ月分程度のデータをご準備いただくのが一般的です。
  • Q. データ収集からお願いすることはできますか？
    A.
    要件に応じて、弊社からのアドバイスやパートナー企業様のご紹介なども可能です。ぜひ一度ご相談くださいませ。
  • Q. 評価にあたりハードウェアの用意は必要ですか？
    A.
    実現性検証（PoC）では不要です。本番導入時については内容次第となるため、お取り組みの中で随時ご相談くださいませ。
  • Q. 本番導入までにかかる期間はどれくらいですか？
    A.
    実現性検証（PoC）におよそ2ヶ月、導入までに3ヶ月程度が一般的です。ただしお取組みの内容によって変動致します。
  • Q. 環境の構築に制約はありますか？（オンプレ、クラウドなど）
    A.
    お客様の要件に基づき、導入構成をご提案いたします。Impulseはオンプレミス・クラウド、どちらでも構築することが可能です。
  • Q. AIによる学習モデルの作成、更新はユーザー自身で行うことは可能ですか？
    A.
    もちろんお客様自身でのモデル生成なども行っていただけます。導入フェーズにおいて一連のモデル運用に関する技術説明をいたします。
  • Q. 導入後のサポートは行っていただけますか？
    A.
    導入後の保守やサポートももちろん行っております。具体的な内容については別途お伝えさせて頂きます。

導入の流れ

※横にスクロールしてご確認ください

  1. step1課題の明確化
    お問い合わせ
  2. step2プレ分析 or
    実現性検証（PoC）
  3. step3精度向上と
    トライアル運用
  4. step4本番稼働

導入事例