1/7ページ

このカタログをダウンロードして
すべてを見る

ダウンロード(4.2Mb)

予知保全をはじめるための時系列データ分析基本ガイド

ホワイトペーパー

予知保全は、ダウンタイムの最小化、設備状態にあった保全を可能にし、生産性向上、コスト削減が見込めます。

IoTは、あらゆる業種業界の企業において、さまざまな用途で活用され始めています。日本国内のIoT市場は前 年比約17%ずつの伸長を続けており、2021年には11兆円市場になると予測されています。特にIoT市場を牽引しているのは製造業であり、工場内のさまざまな用途でIoTシステムが活用され始めています。特に製造業では、 工場の生産設備の『稼働率向上』『メンテナスコストの削減』『品質改善』などのため、予知保全(Predictve Maintenance)システム実現への期待が高まっています。

【掲載内容】
◆製造業で期待が高まる予知保全
◆ビジネスの課題整理からはじめる
◆収集できるデータと分析目的設定
◆時系列データ分析(正常・異常判別)の作業ステップ
◆予知保全システム実現に必要な2ステップ
◆自社にあったデータ分析ツール選び
◆データ分析の新しい選択肢 ”CX-M”

◆詳細は、カタログをダウンロードしてご覧ください。

このカタログについて

ドキュメント名 予知保全をはじめるための時系列データ分析基本ガイド
ドキュメント種別 ホワイトペーパー
ファイルサイズ 4.2Mb
登録カテゴリ
取り扱い企業 東京エレクトロン デバイス株式会社 (この企業の取り扱いカタログ一覧)

この企業の関連カタログ

生産設備のクイックAI監視ソフトウェア「CX-W」
製品カタログ

東京エレクトロン デバイス株式会社

物流ピッキング業務の課題解決ガイドブック
ホワイトペーパー

東京エレクトロン デバイス株式会社

Cassia ロケーショニングキット with Azure
製品カタログ

東京エレクトロン デバイス株式会社

このカタログの内容

Page1

予知保全をはじめるための 時系列データ分析基本ガイド
Page2

製造業で期待が高まる予知保全 IoTは、あらゆる業種業界の企業において、さまざまな用途で活用され始めています。日本国内のIoT市場は前 年比約17%ずつの伸長を続けており、2021年には11兆円市場になると予測されています。特にIoT市場を牽引し ているのは製造業であり、工場内のさまざまな用途でIoTシステムが活用され始めています。特に製造業では、 工場の生産設備の『稼働率向上』『メンテナスコストの削減』『品質改善』などのため、予知保全(Predic�ve Maintenance)システム実現への期待が高まっています。 設備の稼働率の向上 メンテナスコスト削減 予知 保全 工場生産技術者 生産品質の改善 現状では、故障が発生した後に対応する事後保全(Reac�ve Maintenance)や、計画的にメンテナンスを行う予 防保全(Time Base Maintenance)が一般的です。予防保全は、設備の状態を考慮せず、期間や稼働時間という指 標から実施するため、メンテナンス時期が来る前に故障してしまったり、健全に利用できている状況にもかかわ らず部品交換や設備停止を行うなど過剰なメンテナンスとなる場合もあります。 予知保全は、設備の状態を継続的かつ定量的に監視し、設備の状態変化から異常の発生を事前に予兆、または早 期に検知する事で、ダウンタイムの最小化、設備状態にあった保全(Condi�on Based Maintenance)を可能にし、 生産性向上、コスト削減が見込めます。 【予防保全】 【予知保全】 予知保全の実現には、設備のデータを収集、分析しその結果を業務に活用できるようにするためのシステム化が 必要です。その実現のためには、具体的にどこから、どのように取り組むべきか、どういう作業が必要かなど疑 問や課題をもった企業が増えています。本ガイドでは、予知保全の実現プロセスとその中で特に課題となるデー タ分析作業ステップについてご紹介します。
Page3

ビジネスの課題整理からはじめる 予知保全は、ビジネス目標そのものではなく、あくまで目標を達成するための手段にすぎません。そのため、ま ず取り組むべき事はビジネス目標を再確認し、予知保全システムによって解決したい事、想定するビジネス価値 を整理することが重要です。これにより、経営戦略とプロジェクトの関係が明確になり、想定する投資対効果の 算出、関与するステークホルダー、対象とすべき工場や設備の検討が進めやすくなります 例) ビジネス目標 解決すべきテーマ 想定するビジネス価値 ビジネスプロセス改善 設備の稼働率向上 設備稼働時間(予知保全) 最大化 新規ビジネス創出 生産品質改善 メンテナンスコスト(生産最適化) 削減 工程作業の自動化 生産品質のばらつき 省人化 改善 収集できるデータと分析目的設定 予知保全は、設備の日々の稼働データ(時系列データ)から設備状態の変化を定量的な視点で判断します。その ため、設備状態を判断するために有効だと考えらえれるデータの収集と分析の目的設定が必要です。分析の目的 は、収集できているデータに合わせて繰り返し見直し、最終的に予知保全が可能な分析成果へとつなげていくこ とが重要です。 稼働設備 収集したデータ 分析の目的 装置からのログ 正常時のデータ 状態変化を検出する 設置したセンサーログ 正常時と異常時のデータ 異常を検知する 正常時から異常発生 までの時系列データ 予兆を検知する
Page4

時系列データ分析(正常・異常判別)の作業ステップ 時系列データ分析は、必要に応じて一連のプロセスを繰り返し行っていく仮説検証型の作業となります。 今回は、データから設備の正常と異常を判別するための分析ステップ概要を見ていきましょう。 1 データを集める 現場の方の経験や知識をもとに設備の状態を診断するために必 要なデータ項目を洗い出し具体的な収集方法を検討します。同 じ現象を異なる角度で観察するために、データ収集時にはデー タ項目間の結合や欠損値対応も検討すると良いでしょう。 ここが ポイント “データ種類と収集方法“ 2 データを見る 収集したデータについて、横軸に時間、縦軸に各項目の値を取 り、折れ線グラフ等により可視化することで、傾向を確認しま す。設備の状態(正常・異常)とデータとの関係性から、状態 を識別できそうであるか等、データについて理解を深めます。 ここが ポイント “データを可視化し把握” 3 きれいにする 詳細なデータ分析作業を進める前に、データのファイル形式や データ型などフォーマットを揃えます。また、データの正規化 や標準化により、複数のデータ項目間の目盛りの単位を揃え、 比較可能な形式へ変更します。データに対してのラベル付けや、 収集時に対応できなかった欠損値対応もこの工程で対応します。 ここが ポイント “比較可能な形式に変換” 4 データを選ぶ データの可視化を行った結果から、正常と異常とで差異が無い データ項目を除外します。方法は様々ありますが、例えば、相 関の高いデータ項目を確認し、統合や除外を行うことで、可能 な限り独立したデータ項目を選択します。 ここが ポイント “不要なデータの除外”
Page5

5 見方を変える 可視化した結果を基に、データの特性を定量的に扱える値(特 徴量)を求めます。データの特性が周期的な場合はフーリエ解 析、トレンドを持つ場合は滑走窓単位の統計情報などを利用し ます。特徴量を可視化することで、正常と異常の差異を確認し ます。 ここが ポイント “特徴量を求めて確認” 6 データを判断する 正常、異常の特徴量から、これらを定量的に判別できる閾値、 ルール、数式などを求め、判別基準とします。 この判別基準を基に、データが正常状態もしくは異常状態を表 現しているかを判断します。この判別基準に従って状態判別す るプログラムをモデルと呼びます。 ここが ポイント “判別基準モデルを作成” 7 結果を評価する 作成した判別基準モデルを利用して、モデル作成過程で利用し なかったデータをテスト(推測)します。テスト結果は、4象 限(モデルが推測した状態/実際の状態の比較︓正/正、正/異、 異/異、異/正)に整理し、ここまで実施してきた分析内容と判 別精度を評価します。 ここが ポイント “モデル精度を検証” 8 現象を理解する モデル精度の検証結果について確認でき、十分な精度であれば、 実際の物理現象と突合せ、データ項目、データの特性が判断基 準にどのように影響を与えたか考察し、理解を深めます。以上 の過程を経て、この作成したモデルを予知保全システムへ利用 することができます。 ここが ポイント “妥当性を最終確認” 分析テーマ毎に、上記の1から8の分析作業ステップを実施します。
Page6

予知保全システム実現に必要な2ステップ 予知保全システムの実現のためには、前ページに記載したように蓄積したデータに対して分析作業を実施し、判 別基準モデルの作成や検証を実施する「オフライン分析」と、オフライン分析で得た判別基準モデルを実際の現 場で利用する「オンライン診断」の2ステップが必要です。オンライン診断の仕組みは、分析技術だけでなく、 システム化技術やプログラム開発も求められる場合があるため、プロジェクトを開始する際には、こうした点を 考慮して、システム化構想を検討しましょう。 1 Step 2 Step オフライン分析 オンライン診断 ・蓄積済みデータの分析 ・診断システムの構築 ・分析結果の検証 ・運用と効果検証 自社にあったデータ分析ツール選び データ分析方法には、データ分析の専門家向けのプロフェッショナルツールから、データ分析の知識がな くても利用できる自動化ツールまで様々です。自社の要件や人材にあったものを選定することも目的達成に は重要なポイントです。 【自社に合う分析ツールの区分を選定】 生産技術者 技術者向け・クラウド活用 技術者向け・オンプレツール 生産技術者が、クラウド環境を 生産技術者が社内で利用できる 活用して成果を出す ツールを活用して成果を出す クラウド環境 オンプレ環境 プロ向け・クラウド活用 プロ向け・オンプレツール データ分析の専門家が、クラウド データ分析の専門家が、社内で利用 環境を活用して成果を出す できるツールを活用して成果を出す データ分析専門家
Page7

データ分析の新しい選択肢 ”CX-M” CX-Mは、従来データ分析専門家が行っていた分析作業を自動化することで、分析時間、コストを大幅に削減 し予知保全システムの実現課題を解決します。分析に必要なデータの前処理(クレンジング)、特徴抽出、 機械学習によるモデル作成、作成したモデルプログラムの出力までを全て自動で行います。また作成したモ デルをオンライン診断として利用することも簡単に実現できます。これにより、予知保全システムを素早く 実現することができますので、是非ご活用ください。 まずは『無償分析診断サービス』から お客様の持っているデータからどのような分析結果がでるのか、実際にデータをお預かりしCX-Mを使っ て無償分析診断をします。これにより製品をご購入いただく前に、期待できる成果やご利用イメージを 持っていただけます。(無償診断は1社1回となります) 数十社 実績あり 評価用 データ TEDエンジニア お客様 報告書 無償分析診断サービスのお申込みはこちらから︓https://cxm.tokyo 記載された会社名、ロゴ、ブランド名、システム名、製品名。サービス名は各社の商標または登録商標です。 【本資料に関するお問い合わせ先】 TED REAL IoT CN BU CNビジネス開発室 https://www.teldevice.co.jp/ted_real_iot/ E-Mail: minlab@teldevice.co.jp