固德の技術と理念

回転設備管理におけるAIスマートモニタリング

スマート製造の急速な発展に伴い、設備の信頼性と安定性は企業の競争力を左右する重要な要素となっています。特に回転設備は、半導体、石油化学、発電などの業界で広く使用されており、その運転状態は生産効率と安全性に直接影響を与えます。

しかし、従来の設備モニタリング手法（定期メンテナンスやISO振動基準に基づく監視）には、データの単一性や初期異常検出能力の不足といった課題があり、過剰なメンテナンスや予期せぬ故障のリスクが生じることがあります。
これらの課題に対応するため、固徳科技は人工知能（AI）、予知保全（PHM）、信頼性中心保全（RCM）を組み合わせ、業界をリードする回転設備モニタリングソリューションを開発しました。

応用説明

本AIモニタリングモデルは、ワイヤレスセンサーを通じて25種類の特徴量を取得し、ISO規格の4段階（優良・正常・警告・危険）で設備の健康状態を評価します。AIの主な機能は以下の通りです：

1. 健康状態評価：特徴量の組み合わせを基に、設備運転の状態確率を分析。
2. トレンドモニタリング：信号灯を用いた結果表示により、異常や劣化傾向を特定。
3. 予防的提案：警告または危険状態を検出した場合、保守や修理の提案を提供し、ダウンタイムリスクを低減。

回転設備の品質はどの規格に基づいているか？

技術説明

現在、本AI回転設備モニタリングモデルは固徳科技が事前にトレーニングを完了しており、基礎データはワイヤレスセンサーの25種類の特徴量から収集されています。AIの予測ターゲットは回転設備の品質状態を分類することであり、ISO規格と同様に4段階（優良・正常・警告・危険）に分けられます。

AIの基盤となるトレンドグラフは、各センサーが取得した特徴量を変換し、各データセットがどの状態であるかの「確率」を示します。このため、色ブロックの割合を見ることで、現在の監視ポイントの健康状態を判断することができます。

上図の例のように、AIの結果はこの回転設備が正常に稼働できる確率を91.2%と予測。

Y方向の振動値をISO振動規格に適用した結果、警告（オレンジランプ）と表示されました。 この警告状態は、メンテナンス計画の策定を推奨するものです。 しかし、他の振動特徴量を追加しAIモデルによる予測結果が「正常 - 良好」となる場合、 設備は引き続き正常に稼働できることを意味します。

ISO振動規格に適用し、警告を表示

これらの比較結果は、ISO振動規格が不正確であることを示しているのではなく、 むしろISO規格が厳格な基準を持っていることを示しています。

その理由は、従来ISO振動管理が主に石油化学業界、発電所、さらには原子力発電所など、 高価値な設備が多く、安全リスクを伴う環境で採用されてきたためです。 これらの専門家たちは、長年にわたる大規模な回転設備データの研究と実務経験を基に、 より厳格な基準を定めました。

この設定原則は、予知保全の目的と精神にも完全に適合します。 本ケースにおいて、ISO振動管理の数値が基準を超えた際、AI品質状態のトレンドも劣化傾向を示しており、 両者の管理方法を比較することで、より正確な判断が可能となります。

AI最適化モニタリング

上図は、AI最適化モニタリングの別の例です。 上記の2つのモニタリングモデルを比較すると、機械の異常が振動速度だけでは検出されない場合でも、 AI最適化モニタリングモデルを使用することで異常状態を検出できることがわかります。

本ケースでは、異常設備のAI検出状態が「警告 - 危険」と明確に表示されていましたが、 1ヶ月後に修理・再稼働した際には、振動値に大きな変化は見られなかったものの、 AIの検出モデルは「優良」状態へと変化しました。

この事例から、コンピューターの機能が進化し、より多くの振動特徴値や計算アルゴリズムを組み込めば、 従来の国際的な振動専門家たちが定めた振動規格をさらに最適化できることが示され、 予知保全の能力が向上することが明確になりました。

PHM と RCM の回転設備管理への応用

予知保全（PHM）と信頼性重視保全（RCM）の統合：
PHM（Prognostics and Health Management）： 設備の健康状態を予測し、異常の早期警告を実現。
RCM（Reliability-Centered Maintenance）： 経済性と安全性のバランスを取りながら、設備の最適な性能を維持。

PHM（予知保全）の AI モデルへの統合

PHM の核心は、設備の健康状態の予測と管理を実現することにあり、その理念は以下の点に反映されます。

1. 健康状態評価とトレンド予測：
AI モデルは、多数の特徴量データとトレンド分析を活用し、設備の健康状態を予測します。トレンドグラフ（色帯など）を用いて、各状態の確率分布を可視化し、健康状態の変化を迅速に判断できます。
標準化されたモデリング手法を活用し、異なる設備タイプに基づいた健康状態モデルを構築することで、結果の比較可能性を確保します。

データの多様性を強化し、センサーのデータソース（温度、圧力、環境条件など）を拡張することで、健康状態評価の精度を向上させます。

2. 異常検出と早期警告：
AI モデルは、わずかながら重要な特徴の変化を検出し、故障の可能性を事前に警告します。これにより、設備が完全に故障してからの対応を回避できます。例えば、ISO 振動基準は厳格ですが、AI はその他のデータも組み合わせることで、従来の方法では検出できない異常を特定します。

過去のデータを活用し、各設備ごとの異常ベースラインを生成することで、個別最適化された早期警告を提供します。また、異常のレベルを複数階層に分け、軽微な異常と深刻な異常を区別することで、誤警報による影響を最小限に抑えます。さらに、ユーザー向けに異常対応の標準作業手順（SOP）を提供し、巡回点検・診断・保全スケジュールを策定できます。

3. 動的最適化と継続学習：
PHM はデータの蓄積とモデルの動的な更新を重視しています。AI モデルは、実際の使用状況に応じて継続的に学習を行い、予測精度を向上させます。
設備メーカーやユーザーと協力し、モデルの検証と最適化を実施することで、より信頼性の高い予測を可能にします。さらに、新たなデータを自動的に学習に活用できる継続学習プラットフォームを構築し、AI の進化を促します。

4. 意思決定のサポート：
例えば、AI が「警告」状態を検出した場合、即時の停止ではなく、スケジュール型の保全を推奨することで、設備の稼働効率を最大化します。これにより、管理者にとっての意思決定の参考情報を提供し、よりスマートな運用プロセスを実現します。

RCM（信頼性重視保全）の AI モデルへの統合

RCM の目標は、システム的な分析を通じて適切な保全戦略を選択し、設備の信頼性を向上させることです。その理念は以下の点に反映されます。

1. 機能重視の分析：
AI モデルは回転設備の監視において、設備の機能要件から出発し、機械の運転が使用目的（例：安定した振動データ）に適合していることを保証します。単一の部品に焦点を当てるのではなく、設備全体の主要機能の健康状態を優先します。
重要な性能指標を定義し、各設備の主要機能ごとに異なる KPI（例：振動速度、加速度）を設定し、異なる産業シナリオに適応するクロスシナリオモデルを構築します。

2. 故障モードと分析：
AI は特徴データを活用し、設備の潜在的な故障モードをモデル化し、生産への影響度を特定します。例えば、Y 方向の振動が異常である場合、AI は他の特徴値と組み合わせて総合的に分析し、片面的な判断を避けます。
異なる故障特性を統合し、共有故障データベースを構築することで、一般的な故障モードの予測と分析を強化します。

3. 保全戦略の最適化：
RCM は、最も適切な保全手法（予防保全、状態基準保全、事後保全など）を選択することを推奨しています。
AI は健康状態の評価とトレンド分析を組み合わせ、即時の修理が必要か、定期点検を計画すべきかを動的に判断します。
保全モデルを階層化し、健康状態レベルに応じた修理戦略フレームワークを確立します。さらに、異なる保全方法が生産に与える影響をシミュレーションし、最適な選択肢を導き出します。
リアルタイム監視データを基に、修理計画を自動更新することも可能です。

4. コストと効果のバランス：
AI の高精度な予測を活用し、過剰なメンテナンスを防ぎ（保全コストの削減）、同時に設備の監視不足による故障停止を防止し（生産ロスの削減）、設備保全の総コストを最小化します。
また、リソース配分の最適化を行い、健康状態と保全ニーズに基づいて、メンテナンススタッフや部品の配置を動的に調整します。
半導体、石油化学、電力などの異なる産業分野に適した健康状態監視モデルを設計し、最適な適応性を確保します。