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。
-
ビジネスのためのAI活用プラットフォームMatrixFlowについての詳細はこちら
MatrixFlowの製品情報ページ -
AI活用・導入の実現方法についてのご質問ご相談はこちら
お問い合わせ
関連した事例
-
AIを活用した在庫管理とは?メリットや導入方法、事例を紹介
在庫管理を行う場合、次のような課題を抱えている企業は多いのではないでしょうか。 ・担当者の知識や経験によって管理品質にバラツキがある ・データ入力や作業のミスが起こりやすい ・正確な需要予測ができずに在庫不足、在庫余剰が発生する こうした課題も、AIを活用した在庫管理を導入することで解決できます。 この記事ではAIを活用した在庫管理のメリットや、導入方法、実際に導入している業界の事例などをご紹介します。
-
売上予測にAIを活用するメリット7点!やり方・導入事例を紹介
「AI」を使って売上予測ができることをご存じですか?在庫を抱える小売業にとって、売上予測を正確に行うことは大きな課題です。なぜなら多くの在庫を抱えることは経営にとって大きなリスクとなるからです。大量に仕入れた在庫の多くが売れ残ってしまった場合、企業は大きな損害を被ります。その誤差をできるだけ少なくする技術として、注目を集めているのがAIによる売上予測です。この記事では、売上予測にAIを活用した場合のメリット、やり方、導入事例などについて紹介します。
-
AI・機械学習で必ず必要なデータの前処理とは?簡単にできる加工方法をご紹介
業務効率化や売上拡大のため、ビジネスでのAI活用が進んでいます。 ですが、AI活用に「データ前処理」が重要であることはあまり知られていません。 データ前処理は、AI実装までの作業工程の8割を占めるとも言われるほど重要な工程です。 本記事では、AIにおけるデータ前処理とは何なのか、具体的なデータの前処理方法を解説していきます。
-
AI・機械学習を用いた画像分類とは?その方法、実活用例を徹底解説
AIや機械学習を活用した画像分類は広がりを見せています。最近では、次のような活用事例があります。 1. パン屋さんのレジ業務への画像認識AI活用 2. バスケットボールなどスポーツ関連への画像認識AI活用 3. 運送会社の安全運行や防災分野への画像認識AI活用 4. 電車やバスの改札・空港の認証ゲートでの画像認識AI活用 5. 音楽フェスなどイベントでの画像認識AI活用 6. 製鉄所における作業者の安全管理業務への画像認識AI活用 7. Eコマースサイトへの画像認識AI・検索技術への画像認識AI活用 8. マグロの検品業務への画像認識AI活用 9. ワイン検査業務への画像認識AI活用 AI・人工知能の技術が積極的に活用されている分野の一つに画像認識があります。画像認識は、画像(動画)データからパターンを認識して、その特徴から対象物を特定します。画像認識はディープラーニングにより精度が飛躍的に向上したため、現在、さまざまな業種・業界で導入が進んでいます。 本記事では、AI・人工知能・機械学習を活用した画像分類について概観し、その方法、実際の活用例について、AIを活用した画像分類のおすすめツールを紹介します。
-
製造業でのAIによる需要予測の活用事例
製造業ではビックデータを使ったAIによる需要予測を行うことにより作業の自動化が進み、人手不足問題の解消や生産ロスの解消にも貢献します。
-
担当者の経験に頼った需要予測を時系列予測で改善
商品やサービスの需要をAIによる時系列分析でより正確に予測していきます。 高精度な需要予測ができれば、データに基づいた仕入れや生産の計画ができます。
-
時系列予測でコールセンターの業務効率化
コールセンターの業務効率化を、AIを活用した時系列予測を用いて、解決します。 日々の入電(問い合わせ)数から対応するオペレーター数を適切に配置することで、コストの削減と業務の効率化に繋がります。
-
SNSの投稿に含まれる感情をテキストマイニングで分析する
SNSの投稿から感情を分析するなどのマーケティングのための作業を、AIによるテキストマイニングで効率化します。 AIによるテキストマイニングは業務効率化を実現するだけでなく、分析結果を用いて、商品開発や広告・宣伝をすることができます。
-
売上最大化のための在庫予測
近年、小売業や通販業界で問題になっている在庫管理の課題を、AIを活用した在庫予測の手法を用いて、解決に導きます。 AIを活用した在庫予測は、従来の需要予測より精度が高く、信頼性の高い予測を実現でき、適切な在庫予測による売上最大化が見込めるようになるメリットがあります。