1

一般社団法人 日本鉄鋼協会 技術講演

『ビッグデータを用いた

スマートメンテナンスの世界』

- 概要 -

2014.6.13

広島工業大学

電子情報工学科

前田 俊二

Confidential

エスカレータ保守http://peac.jp/hbs2013me/mailmagazine/0006.html

1無断転載、無断コピー禁止 Confidential 2

『ビッグデータを用いたスマートメンテナンスの世界』

流行の予測など様々な分野でビッグデータが注目され、新規ビジネスの契機になっています。データ取得のハードル低下、分析ツールの大衆化により、M2Mの領域でもビッグデータの活用が加速され、設備の保守サービスといった旧来の分野においても変化が見られます。

本講演では、これらビッグデータの登場を背景に、工場の製造設備や商業施設の発電設備などを対象にしたスマートメンテナンスのための異常予兆の予測技術を紹介します。

Confidential 3

【目次】

保守とは事後保全、計画保全、状態保全

状態監視対象設備センサデータによる状態監視と診断ビッグデータと新たな展開

ビッグデータによるスマートメンテナンスセンサネットによる異常監視異常予兆検知（機械学習）余寿命推定（予測）

Confidential 4

人間ドック定期点検

保守とは

過剰保全⇒生産性低下⇒経営圧迫

Condition Based Maintenanceいじり壊しが多発・ミスアライメント・締結不具合・異物挟み込み・部品の装着不具合 予防保全対象を事後修理

Confidential 5

http://www.nmij.jp/~nmijclub/shindo/docimgs/toshiba_20090831.pdf#search='%E8%A8%AD%E5%82%99+%E6%8C

%AF%E5%8B%95+%E7%8F%BE%E8%B1%A1+%E5%88%86%E6%9E%90'

設備の保守と医療の関係

保全の種類 内容・影響 医療では

状態監視保全センサを付けて常時計測

血圧、心拍を常時計測

時間計画保全

一定時間経過後の検査いじり壊しが多い

人間ドックにて、心電図や超音波診断装置による診断

オーバーホール 病院にて、輸血や臓器移植

事後保全膨大な生産損失膨大な保全予算

倒れて、病院に運ばれる医療費が膨張

http://www.uniontool.co.jp/product/sensor/Confidential 6

状態監視保全に至る変化点

１．データの通信コスト低下、セキュリティの進化により、データの収集に対する抵抗感が薄れ、さらにデータの活用でビジネスチャンスを広げたいという認識の変化。

２．『パターン認識・機械学習』の導入、特に大衆化により、予兆検知・診断技術が向上。

３．予兆検知に必要な投資は一般に高くなく、導入ハードルが低下。

４．生産設備では、ダウンタイム最小化、工具費削減などが重要であり、予兆検知が重要との認識。一方で、海外生産では、専門家不在のため、診断も重要との認識。

2

Confidential 7

【目次】

保守とは事後保全、計画保全、状態保全

状態監視対象設備センサデータによる状態監視と診断ビッグデータと新たな展開

ビッグデータによるスマートメンテナンスセンサネットによる異常監視異常予兆検知（機械学習）余寿命推定（予測）

Confidential 8

状態監視保全の対象設備

インターネット網

監視センタ（24時間監視）

保守員

警報

病院 工場大規模商業施設

データ収集

Confidential 9

ガスタービン（三菱重工）

http://www.jsa.or.jp/event/siryo/006.pdfhttps://www.mhps.com/news/20140411.html

Confidential 10

状態監視の方法

センサデータ

異常検知 対策信号処理 診断

非接触変位センサ

時間波形 周波数

軌跡・対象データ種類の拡大・パターン認識・機械学習

の導入

Confidential 11

状態監視：診断

異常検知（異常の有無）

診断（病名の分類）

異常特定（場所、時刻）

余寿命診断

対処方法決定（スケジュール、措置）

研究の適用例が出てきた

Confidential 12

センサデータと履歴（カルテ）

センサデータ出荷時検査結果据付け時検査結果運転状況稼働時間運転負荷設置環境

部品表（Bills of materials）

保守作業・部品交換履歴

数値データ

テキストデータ

200

400600

800

10001200

1400

16001800

2000

22002

46

810

1214

-0.5

-0.4

-0.3

-0.2

-0.1

0

0.1

0.2

0.3

0.4

0.5

センサデータ

2012.1.12 警報Aが発生した。現地で調

査したところ、・・・に異常が認められ、部品Bを交換した。しかし、3日後に再び警報Cが発生したため、ユニットDを交換し、修復した。ユニットDは持帰り、品質保証部にて原因特定。

3

13

ビッグデータによる新たな展開- 大きなトレンド -

設備の保守

スケジューリング生産計画運行

機器のパフォーマンス向上エネルギ消費低減安全性の向上サービスの質向上

センサデータ出荷時検査結果据付け時検査結果運転状況稼働時間運転負荷設置環境

部品表（Bills of materials）

保守作業・部品交換履歴

数値データ

テキストデータ

“ビッグデータ”

“顧客サービスの拡大・質向上”

設備の保守だけではない！Confidential 14

ビッグデータとは

1冊でわかるビッグデータ (日経BPムック), 日経BP社 (2012/6/12)ビッグデータの衝撃――巨大なデータが戦略を決める, 東洋経済新報社 (2012/6/29)

既存の一般的な技術では管理するのが困難なデータ群・Volume：データ量（数十テラバイト）・Variety：多様なデータ（センサデータ、画像、ログデータ、テキストデータ、・・・）・Velocity：データ生成頻度（数十件/秒）

Volume（データ量、数十テラバイト以上）

Variety（多様なデータ） Velocity

（データ生成頻度、数十件/秒以上）

ビッグデータ

文章、音声、動画：非構造化データ

Confidential 15

建設機械の状態監視（小松製作所）

Confidential 16

建設機械の状態監視（小松製作所）

データから何が実現できるのか？

・建機の稼働時間が分かれば、事前に摩耗の可能性が高い部品を特定でき、計画外停止を回避できる。・燃料の消費量が分かれば、運転の仕方の違いを明らかにでき、顧客にアドバイスできる。・世界のどの地域で稼働時間が増し、どの地域で稼働時間が減少しているかを把握でき、地域需要を予測できる。・姿勢センサデータなどにより、ブルドーザの刃先の位置を制御し、初心者でも楽に整地作業がこなせる。

・・・http://www.komatsu.co.jp/CompanyInfo/ir/annual/html/2013/special/02.html

長内、榊原、アフターマーケット戦略、白桃書房(2012)

Confidential 17

いすゞ自動車 運行情報システム みまもりくん

トラックの運行にとって重要なのは、「安全に走る」「燃費が良く、環境に優しく走る」「荷物を約束した時間に、良い状態のまま届ける」

トラックに携帯電話を積み、運行状況をリアルタイムで運送会社に送信。どれぐらいのスピードか、急加速や急発進などアクセル操作はどうか、高速道路では適切なギアで安定した速度で走っているかを自動的に記録。ドライバが「安全」で「燃費の良い」走り方をしているかどうかをモニタ。

http://www.isuzu.co.jp/cv/cost/mimamori/ Confidential 18

【目次】

保守とは事後保全、計画保全、状態保全

状態監視対象設備センサデータによる状態監視と診断ビッグデータと新たな展開

ビッグデータによるスマートメンテナンスセンサネットによる異常監視異常予兆検知（機械学習）余寿命推定（予測）

4

Confidential 19

すべての部品をメーカ自らが作ってはいない⇒ ブラックボックス部品が多数存在（入出力の特性は分かる？）⇒ モデル化に限界⇒ データドリブンで、予兆パターンの認識が必要

異常データが常に取得できるとは限らない？⇒ 正常データを用いて判断

専用センサがないと、効果は限定？⇒ ビッグデータでは、間接的だが傍証として捉えられる事象が多いただし、何を見つけるのか目的の明確化が前提

余寿命が分からないと、保守のタイミングが分からない⇒ 技術は発展途上 （モデルを構築可能なものは先行）

ビッグデータ活用スマートメンテナンスの課題（１）

Confidential 20

すべての異常が判定可能なセンサは存在せず、複数のセンサを同時に監視

監視すべきセンサが多く、組合せは爆発的に増加

センサデータにはノイズが重畳し、外乱（季節変動）による変動やセンサ劣化もある

⇒

『センサネット』で、

設備がもつ状態（電動機の出力、トルク、回転数など）を監視

設備の稼働に伴い生じる振動、温度などの付随的な状態を監視

残る問題を『パターン認識・機械学習』により解決！？

主効果パラメータは、設備が本来の目的を遂行する際に観測される状態パラメータであり、電動機では出力パワーやトルク、回転数がこれに相当し、ポンプでは吐出圧力や吐出流量などが相当します。主効果パラメータを利用して設備の状態監視をすることは、性能監視あるいは挙動監視と呼ばれます。この方法は一般に特別なセンサを必要とせず、設備の状態を簡便に把握できるという利点があります。二次効果パラメータとは、設備が稼働することにより変化する振動や音響、温度などの付随的な状態パラメータをいいます。診断のために専用のセンサが必要であることや、通常は複雑な信号処理を必要とするなどの欠点はありますが、異常の早期発見および異常の原因や発生位置を正確に同定するにはこの方法による診断が適しています。したがって、主効果パラメータは主に簡易診断に利用され、二次効果パラメータは簡易診断、精密診断の双方に利用されるのが一般的です。

ビッグデータ活用スマートメンテナンスの課題（２）

Confidential 21

ひずみセンサ

受信モジュール送信モジュール

加速度センサ

25×25mm5×17mm

“センサネット”を用いた状態監視

センサネット

日立パワーソリューションズから情報提供 Confidential 22

動作開始～終了の1サイクル

センサネットを用いた工場設備の状態監視- プレス機 -

日立パワーソリューションズから情報提供

＜特徴＞４～６秒毎に１回のプレスリアルタイムでセンシング・診断加速度(３軸)×１ひずみ×２

診断装置

受信ﾓｼﾞｭｰﾙ

場内詰所内送信モジュール(加速度ｾﾝｻ内臓)

ひずみセンサフィードバー

ﾌｨｰﾄﾞﾊﾞｰの状態監視が可能

http://www2.nhk.or.jp/school/movie/bangumi.cgi?das_id=D0005120029_00000

Confidential 23

状態監視のための識別とは- 一般的な考え方 -

センサデータ学習データ生成

特徴抽出

0.8

0.85

0.9

0.95

1

複数の時系列

Time (seconds)

0

0.1

0.2

0.3

0.4

0

0.1

0.2

0.3

0.4

0

0.1

0.2

0.3

0.4

0 500 1000 1500 2000 2500 3000 3500 4000 45000

0.1

0.2

0.3

0.4

RS-LSC法

PDM法

観測データ（冷却水圧力）

LAC法

RS-PDM法

学習時・特徴抽出・学習データ生成

過去の正常時のセンサデータを記憶(異常事例は収集せず)検知時

・識別学習データと観測データを比較し、相違度を異常測度として出力

センサデータ 学習データ 異常測度特徴抽出 識別

学習時

検知時

観測データ

Confidential 24

マハラノビス距離を用いた異常の測り方

MTS法（マハラノビス・田口システム）アンナ カレーニナ：「幸福な家庭はすべて似通ったものであり、不幸な家庭はどこもその不幸のおもむきが異なっている」にヒントを得た⇒ 正常な分布のみを扱い、均一と想定

✚

マハラノビス距離：基準からの距離 Ｄ

単位空間

観測データA不幸な度合が大きい

正常データ（正規分布）

D = (x − μ)TΣ−1(x − μ)

分かりやすく書くと、𝑥 − 𝜇

𝜎

ここで、μは平均、 σは標準偏差

𝑥 − 𝜇 は中心からの距離𝑥−𝜇

𝜎はそれを正規化したもの

観測データB

http://anna.gaga.ne.jp/story.html

http://anna.gaga.ne.jp/index.html

http://kageki.hankyu.co.jp/revue/backnumber/08/star_bow_anna/

5

Confidential 25http://www.jsa.or.jp/event/siryo/006.pdf

マハラノビス距離を用いた異常検知（三菱重工）

Confidential 26

複数の状態にも対応できる

機械学習の基本紹介

みかん 八朔

どっちだろう？

Confidential 27

複数の状態にも対応できる

機械学習の基本紹介

みかん 八朔

どっちだろう？

(C)1999初稿/04/05/06/07/08/09.3改版 28

【機械学習】k近傍決定則：k-NN

みかんclassA

八朔classB

学習パターン

未知パターンに近い順にｋ個数えて、多いクラスに分類

ｋ＝5

①

②⑤

③

④

classBの方が多い ⇒ classB

原点O（クラス共通）

特徴 α

特徴 β

http://www.ja-mis.iijan.or.jp/directsales/2009/08/post_44.php

分類したい未知パターン

(C)1999初稿/04/05/06/07/08/09.3改版 29

k近傍決定則：k-NNの異常検知への応用

正常

異常

学習パターン

観測データ

観測データに近いｋ個の平均距離を求める

ｋ＝2

①

②

原点O（クラス共通）

特徴 α

特徴 β

シンプルなモデルと膨大なデータの組合せは、データ量がわずかで手の込んだモデルを凌駕する（グーグル）

(C)1999初稿/04/05/06/07/08/09.3改版 30

【機械学習】部分空間法：CLAFIC

ｒ次元部分空間への投影距離が短いクラスに分類dA <dB ⇒ classA

classA

classB

学習パターン

原点O（クラス共通）

dA

dB

classAの部分空間（ｒ=１）

classBの部分空間

u1

u2特徴 α

特徴 β

分類したい未知パターン

6

(C)1999初稿/04/05/06/07/08/09.3改版 31

部分空間法：CLAFICの異常検知への応用

正常部分空間までの距離を求める

学習パターン

観測データ

原点O（クラス共通）

dA

dB

正常の部分空間（ｒ=１）

異常の部分空間

u1

u2特徴 α

特徴 β

Confidential 32

Subspace L

Projection d = anomaly measure

k-nearest data

q

Xb

Training data x

Observed data

)()( XQXQC T

n

T

n

n

1IC1

1ICb

1

1

X

a : regularization parameter

Q : matrix with element q

X : matrix with k-nearest vector x

qb d

“局所部分空間法 LSC”による異常の測り方- LSC : Local Subspace Classifier -

解釈は簡単！ データqに近いデータ３点を選ぶと、これが載る面が決まる。この面へデータqから垂線を下ろし、垂線の足Xbとデータｑの距離を異常の度合とする。

Confidential 33

-1

-0.8

-0.6

-0.4

-0.2

00 0.1 0.2 0.3 0.4 0.5 0.6 0.7

-0.5

-0.4

-0.3

-0.2

-0.1

0

0.1

正常(March 22th)

-0.4

-0.1

0

0.1

-0.2

-0.3

-0.5

0 0.1 0.2 0.3 0.4 0.5 0.6 0.7

0

-0.4

-0.2

-0.6

-1

-0.8April 1st

アラーム基準

赤：１日以内ﾏｾﾞﾝﾀ：２日ｼｱﾝ：３日黄：４日青：５日黒：６日赤：７日ﾏｾﾞﾝﾀ：８日緑：８日以前

前田：部分空間法に基づく残差ベクトル軌跡による異常検知手法の検討，精密工学会論文誌2012.12

局所部分空間法 LSCによる異常検知- LSC : Local subspace classifier -

Confidential 34尾崎, 渋谷, 前田, 和田，Gaussian Processesに基づく異常予兆検出への多重解像度解析の導入，PRMU(2012.1)

発電設備の異常予兆検知（アニメ）

発電設備（日経ものづくり 2013.7)複数センサのなかの一つ

Confidential 35

識別技術・ツールの大衆化

R言語の例

One class SVMによるはずれ値（異常値）検出

>classifier <- ksvm(x,type="one-svc",kernel="rbfdot",kpar=list(sigma=0.1),nu=0.05)

>result_<-predict(classifier, x)

#これだけで、はずれ値が検知できる

One class SVMでは、データを入力空間から特徴空間に写像すると、孤立データは特徴空間内の原点近くに写像されるため、超平面より原点側にあるデータをはずれ値とみなせる。

http://machinelearning.wustl.edu/mlpapers/paper_files/ManevitzY01.pdf

はずれ値

Confidential 36

ビッグデータの正体（講談社 2013）

『ビッグデータの正体』・すべてのデータを対象に・分析ツールの大衆化因果から相関の世界へ答えが分かれば、理由はいらない

工業界 M2M目的志向仮説検証説明必須

（従来の考え方）

見込み違いが起きやすい仮説検証型と違い、ビッグデータによる相関分析はデータ主導型。この相関に基づく予測分析が、ビッグデータの根幹。

理由説明なしでは、対策不能（私見）⇒ドメイン知識とデータサイエンスの融合が必要

7

Confidential 37

センサ信号の散布図- 相関関係 -

R言語> X <- read.table(“data.csv”, header=TRUE, sep=“,”);> plot(X,col= ifelse(data[,15]>th,"blue","red"))

分析ツールの大衆化！

『ビッグデータ』すべてのデータを対象に相関の世界へ

But、組合せは？ 因果は？

Confidential 38

【目次】

保守とは事後保全、計画保全、状態保全

状態監視対象設備センサデータによる状態監視と診断ビッグデータと新たな展開

ビッグデータによるスマートメンテナンスセンサネットによる異常監視異常予兆検知（機械学習）余寿命推定（予測）

Confidential 39

状態監視：診断

異常検知（異常の有無）

診断（病名の分類）

異常特定（場所、時刻）

余寿命診断

対処方法決定（スケジュール、措置）

真実はいつもひとつ？

研究の実用化が加速

Confidential 40

余寿命（RUL）の推定- リチウムイオンバッテリ -

Datong Liu, Lithium-ion Battery Remaining Useful Life Estimation Based on Nonlinear AR Model Combined with Degradation Feature, Annual Conference of Prognostics and Health Management Society 2012

Confidential 41

テキストマイニングによる保守コストの推定-修理作業レポート分析（機械学習） -

製品修理作業レポート

・メーカー製品の修理作業のレポート- 各文書は短い- 9675文書,3306語彙

・作業費用コストが付随

（Webのテキストとは異なる）

分析

回帰分析：コストをより説明できるようなモデルを探索単語抽出：コストや保守時間に大きな影響を与える単語を抽出⇒保守コストや保守時間の推定

山本,吉田,中川(東大),渋谷,前田(日立)、製品修理作業レポートと付随する数値データの関係性分析、第15回情報論的学習理論ワークショップ, 2012.11.7〜9 Confidential 42

課題

１．技術の勘所が存在し、産学連携で、目的の明確化、効果試算、

目的に合致したセンシング・前処理を検討要。

２．上記は、顧客により事情が異なり、個別の対応が必要。 分析に

基づく文脈把握と可視化が必要

（可視化：information visualization ≠ 表示）

３．保守履歴の活用が有無が性能を左右。

（見えないところで設備の調整がされているケースもある）

４．既存の異常検知手段がある場合は、それらとの関係を把握し、

共存も検討要

５．付加価値（新機能）を創生するための並行検討がmust。

例えば、条件自動設定、トレーサビリティ、パフォーマンス評価、

試し加工レス、品質の管理など

8

43

まとめ

保全とは事後保全、計画保全、状態保全

状態監視対象設備センサデータによる状態監視と診断ビッグデータと新たな展開

ビッグデータによるスマートメンテナンスセンサネットによる異常監視（データ拡大）異常予兆検知（機械学習導入）余寿命推定（予測）

安全、安心な社会の実現に向けて、データの扱いが鍵。一方で、目的を明らかにしないと混乱。

無断転載、無断コピー禁止 Confidential 44

メモ