「分析・予測支援サービス」 ディープラーニング

「学習モデル」構築

「分析・予測支援サービス」は、ディープラーニングを利用した波形データ分析に「教師あり学習」技術を採用しました。 「教師あり学習」は、問題と答えがセットになって学習する方法です。 「学習モデル」を構築するにあたり、「予測材料」と「予測対象」をペアとする大量の「学習データ」が必要となります。

本件では、「学習データ」として、以下を使用します。

学習データ:

• 予測材料 = 波形データ画像:

  製造機械設備のセンサーから稼働状況の連続データをグラフ化して波形化します。 これを「波形データ画像」とします。

• 予測対象 = 正常・異常ステータス:

  製造機械設備のセンサーから稼働状況の連続データと関連付けされた正常・異常の状況を、「正常・異常ステータス」とします。

前述の「予測材料」と「予測対象」をもとに、ディープラーニングの学習を実施し、波形データ画像から正常・異常を判断する「学習モデル」を構築します。

一旦、「学習モデル」が構築できれば、実際の解析が可能となります。

「学習モデル」を利用した解析 - 製造機械設備の健康状態と予防措置

通常運転されている製造機械設備のセンサーから稼働状況の連続データを取得し、これをグラフ化し「波形データ画像」にします。 この「波形データ画像」をディープラーニングの「学習モデル」に与えることで、製造機械設備の正常・異常を判断します。 ディープラーニングの判断時間はごく短時間であるため、製造機械設備の稼働にあわせて判断を出力することができます。

またこの判断は正常・異常の確率で出力されます。 たとえば、「正常波形確率 20%、異常波形確率 80%」といった形式で出力されます。

製造機械設備を稼働中に、ほぼリアルタイムに出力される正常・異常の確率を監視することで、製造機械設備の健康状態を判断することができます。 これにより、稼働停止や整備実施など、適切な予防措置が取れるようになります。 製造機械ラインの健全化

また、予防措置を中心とした製造機械設備の保守は、製造ライン停止の損失を防ぐことにもつながるため、稼働率の向上と運用コストの削減が期待できます。