総合情報サイト / AI活用事例・AI導入事例 / 製造業でのAIによる異常検知と原因の特定

製造業でのAIによる異常検知と原因の特定

製造業において、日々稼働している生産ラインの中には、製品を作るためのさまざまな機器があります。これらの機器が突然、なんの前触れもなく故障し、停止してしまうと、生産ライン全体の停止、修理にかかる費用、新しい機器のリース代など、さまざまなコストがかかり、製造する上でのデメリットとなります。 上記から、異常検知は製造業においてクリティカルな問題です。また、異常検知の実施にあたっては現場の長い経験や、高度な技術も求められるため、工場や生産管理の現場担当者から見ると、異常検知は頭を悩ませる課題のひとつとなります。 今回は、そのような異常検知について、その概要、方法、さらには最新のAI・機械学習を活用した異常検知の方法についてもご紹介します。

  • まず、製造業における異常検知とは?

    「異常検知」とは、機器や工場内で稼働しているシステムの異常を把握することを指します。製造業では、製造過程においてさまざまな異常が生じる可能性があります。それらの異常を放置していると、不具合のある原料や材料を製品へ使用してしまい、最悪の場合は完成した品物の回収トラブルに発展するケースも考えられるでしょう。

    異常の方法としては、熟練工の目視や、音、振動による鋭い勘、もしくは機器にあるセンサー等から取得したデータから、異常状態を把握する方法が一般的です。

    特に、最近では熟練工の人手不足による人件費の高騰や、製品の品質向上のため、製造業においてAI・機械学習を活用した異常検知システムが注目を集めています。当システムの導入により、これまで人の目や手で行っていた作業の多くを自動化でき、異常検知の精度のばらつきを改善することができ、さらに検知の精度を高めることが期待できます。

    なぜ、製造業において異常検知が重要なのか?予防保全ではダメなのか?

    異常検知を行う目的としては、機器を正常に稼働させ、工場や生産設備・サービスをストップさせず安定的に供給させ続けることがあります。
    一旦工場を停止させてしまうと、
    ・供給ができないことによる売上の機会損失
    ・工場を停止させることによる原価
    が同時に発生し、事業に大きな損失を与えることとなります。そのため、機器を高い稼働率で保つことは非常に重要となります。

    従来では、異常検知よりも予防保全が主に行われていました。予防保全とは定期的に機器の診断を行うことで、故障を未然に防ぐ手法を指します。この予防保全については、次のデメリットがありました。
    ・定期的に診断を行うため、まだ故障の予兆がないにもかかわらず点検を行うコストが発生する
    ・点検の間隔が長い場合、故障の予兆を察知できず機器が故障する

    このような問題から、異常検知を行い未然に故障を防ぐという、予知保全アプローチの重要性が増しています。

    製造業における、異常検知のパターン

    機器の故障には、以下の3つのパターンがあることが知られています。

    ❶初期故障期:設計の不備や制作時の不手際による故障
    ❷偶発故障期:安定した時期に起こる偶発的な故障
    ❸磨耗故障期:やがて寿命を迎えるための故障

    出典:職場のあんぜんサイト:バスタブ曲線(故障率曲線)[安全衛生キーワード]|厚生労働省

    製品のライフサイクルにおける故障率をグラフに表すと、ちょうど上に示した図のようにお風呂の浴槽(バスタブ)のような形の曲線が現れることから、バスタブ曲線(故障率曲線)と呼ばれています。

    製造業では、これらのそれぞれのフェーズにおける故障を精度よくスピーディに検知する異常検知システムの開発が急務となっています。

  • AIを活用した精度の高い異常検知システムの構築・方法

    AIによる異常検知とは、通常、日々蓄積したビックデータをもとに、異常な場合のデータと正常な場合のデータにカテゴリ分けを行います。その手法として、一般的には大きく次の3つの方法が挙げられます。
    ・k近傍法(k-Nearest Neighbor)
    ・ホテリング理論
    ・LOF(局所外れ値因子法)法
    データをAIに学習させ、リアルタイムで実際のデータの分類を行い、異常を判定することで、スピーディに精度の高い異常検知が可能です。
    また、AIを活用することで、さまざまな要因が絡む複雑な状況からパターンを分類・抽出し、人間では判断が難しい傾向を見出すことができるため、異常の原因の特定し、再度異常を起こさないよう、具体的な対策まで可能となります。
    AIを使うことで、原因となる機器のセンサデータをリアルタイムにモニタリングすることで、異常をいち早く検知し、将来の故障も予測できるというメリットがあります。

    k近傍法(k-Nearest Neighbor)

    k近傍法は、異常・正常含むデータを空間上に表示し、あるデータから距離が近い順に任意のk個のデータをクラスを判定する方法です。正常・異常の距離が近い順に分類を行っていきます。

    ホテリング理論

    ホテリング理論とは、異常検知において最も一般的に行われている手法です。
    正常・異常含むデータを取得し、平均や分散等の基本的な統計情報から導き出された外れ値を、異常状態とします。

    LOF(局所外れ値因子法)法

    LOF法(局所外れ値因子法)も、取得されたデータから外れ値を見つけ出す、いわば外れ値検知アルゴリズムです。

    LOF法では、空間におけるデータの密度、特に、ある点から最も距離が近い k 個の点といかに密かであるかを示す局所密度に注目して、外れ値の検出を行います。

    LOF法は、特定の基準を設定しづらい複雑な要素で構成されるデータにおける外れ値検知にも強いという利点があります。

    AI、機械学習を活用した異常検知の手法としては、上記3点以外にも多くの手法があります。データの状態や特性に応じて、最適な手法を導き出して実行する必要があり、高度なテクニックが求められます。

  • MatrixFlowでリアルタイムに異常検知が実現

    MatrixFlowはノンプログラミングで誰でも簡単にすばやくAIを作成することができる、AI活用プラットフォームです。
    MatrixFlowで異常検知AIを作成することで、センサデータを使った異常検知をはじめ、従来人の手で行っていた機器の検査などの自動化も、ボタンをクリックしていくだけでスピーディに実現可能です。

    以下のチュートリアルでは、「故障すると予測される機械を分類するAIの作成方法」を紹介しています。
    ぜひ一度操作いただき、MatrixFlowで精度の高い異常検知AIがスピーディに作成できることをお確かめください。

  • AIを活用して精度の高い異常検知を実現しましょう

    AIを活用することで、精度の高い異常検知が可能であることをご紹介しました。
    MatrixFlowでは、異常検知AIを素早く簡単に作成することができます。

    MatrixFlowは精度の高い異常検知AIの作成だけではなく、需要予測、在庫最適化、生産計画立案、人員配置など、製造業でのさまざまな課題も解決することができます。
    MatrixFlowは実際に操作する際に役立つマニュアルや、AIの作り方や結果の見方、精度の高め方などAIコンサルタントに相談できるサポート体制もありますので安心です。

    MatrixFlowに関するご質問や、ご自身の持つ課題を解決することができるのか?といったご質問・ご相談がありましたら、右のお問い合わせ欄からお気軽にお問い合わせください。

関連した事例