SHOWCASE

設備保全のためのIoTセンサ提案と、AI学習モデルの作成(通信規格:LoRa)

  • 2017/04/01
  • 事例
    • センサデバイス
    • 通信システム
    • データ蓄積クラウド
    • AI分析・学習モデル

「SkyAI(スカイエーアイ)」を活用して、電力供給施設での設備機器保全予兆のためのAI学習モデルを作成しました。
すでに電力供給施設では多様なセンサを活用し、設備保全のIoT化が進められていますが、モーターやポンプ、変圧器などの設備については、コストの面からも従来の”人”による保全業務が行われていました。
よって、故障の予兆がない設備機器に関しても、全て一律に定期的な点検や運転監視をする必要がありました。また、徹底した保全業務を実施しているにも関わらず、原因不明で突発的に故障が発生してしまう機器もあり、見えない不安との戦いが尽きない状態でした。

このような課題を解決するために、まずは故障の予兆を検知するために必要なIoTセンサデバイスの提案をしました。すでに電力供給施設で利用されていたセンサに加え、当社の「振動」と「音」データが収集できるセンサデバイスを組み合わせ、稼働状態を可視化しました。
次に、収集した時系列データを、波形解析や周波数解析によってAI用の学習データ(整形データ)に変換し、故障の予兆となる変化を検知するAI実運用モデルを生成しました。
これにより、モーターベアリングの異常を一定の精度で検知することができるようになり、故障の予兆のない設備機器を点検する時間を短縮することができるようになりました。
さらに、テータを蓄積することで、従来の”人”による保全業務ではわからなかった、異常の原因(※)も突き止めることができました。
※「油切れ」、「軸受(すべり軸受)に傷」、「ベアリング(転がり軸受)に傷」

これにより、今まで起こってしまった故障に対して原因を見つけ処置を施すしかなく、数時間の損失があったところを、原因となる箇所とタイミングを事前に把握した上で故障を未然に防げるようになり、最短数分に短縮し、損失を最小限に抑えることができるようになりました。

さらに、継続してAI学習モデルを使い続けることによって、故障の予兆検知の精度を向上させることができました。

スカイディスクならではの強み

上記のサービスを継続するにあたり、センサから確実にデータを送受信するために最適な通信規格として、周波数、伝達距離、消費電力、および費用の観点から、LPWA(Low Power Wide Area)のLoRaが最適だということがわかったものの、データの送信スピードが遅いという課題がありました。

その課題に対して、今までワンストップでサービスを行ってきた当社では、AIに必要な整形データのみをクラウド上に送るデバイスを開発し、スムーズなデータ送信を実現することができました。

このように、センサデバイス側で、振動や音といった物理データを整形し、クラウド上のAIで処理しやすいデータが蓄積されたことで、LoRaのような低速・小データ量通信規格でも異常予兆検知が可能となりました。

実施ステップのまとめ

1. 「振動」と「音」のデータをセンサデバイスで収集し、モーターやポンプなどの設備機器の通常稼働状況をデータ化
2. 時系列解析(波形解析や周波数解析)によってAI用学習データである整形データに変換
3. モーターベアリングの異常など、故障の予兆となる変化を検知するAI実運用モデルを生成
4. データを蓄積することで、異常の原因となる油切れやすべり軸受の傷といった具体的な内容を検知

ポイント

● 振動や音などの物理データを取得し、稼働状況の可視化ができる
● デバイス側でAIが処理しやすいデータに整形するため、スムーズにデータを送信できる
● PoCによって得られた学習モデルがすでにある(=より精度の異常判定を得られる)
● パラメーターのチューニングに関する知見がある
● IoT時系列データの解析に強い整形プログラムがある
● ”人”が検知できない異常の原因を検知することができる

※お手持ちのセンサデータだけでは判定結果が得られない可能性がある場合には、センサデバイスのご提案からさせていただくことができます。

Pocket

一覧へ戻る