JP2018022372A - メンテナンス方法、メンテナンスシステム及びプログラム - Google Patents

メンテナンス方法、メンテナンスシステム及びプログラム Download PDF

Info

Publication number
JP2018022372A
JP2018022372A JP2016153663A JP2016153663A JP2018022372A JP 2018022372 A JP2018022372 A JP 2018022372A JP 2016153663 A JP2016153663 A JP 2016153663A JP 2016153663 A JP2016153663 A JP 2016153663A JP 2018022372 A JP2018022372 A JP 2018022372A
Authority
JP
Japan
Prior art keywords
maintenance
sensing data
abnormality
analysis
machine
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2016153663A
Other languages
English (en)
Inventor
山登 庸次
Yoji Yamato
庸次 山登
宏樹 熊崎
Hiroki Kumazaki
宏樹 熊崎
佳史 福本
Keishi Fukumoto
佳史 福本
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nippon Telegraph and Telephone Corp
Original Assignee
Nippon Telegraph and Telephone Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Nippon Telegraph and Telephone Corp filed Critical Nippon Telegraph and Telephone Corp
Priority to JP2016153663A priority Critical patent/JP2018022372A/ja
Publication of JP2018022372A publication Critical patent/JP2018022372A/ja
Pending legal-status Critical Current

Links

Images

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02PCLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • General Factory Administration (AREA)
  • Alarm Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】コストが低くより精度が高い方法で機械の異常を検知し、機械の迅速なメンテナンスを可能とする。【解決手段】分析装置1がストリーム処理によって異常が疑われるデータを検知し、異常検知情報をセンタ装置2へ送信し、センタ装置2は異常疑いルールと異常検知情報に基づいて故障予測を行い、交換部品を発注する発注データを生成する。これにより、リアルタイムで故障傾向を検知し、迅速なメンテナンスが可能となる。また、センタ装置2が分析装置1の収集した全センシングデータを取得し、全センシングデータを用いて詳細に分析して故障予測を行うことで、より精度を高く故障予測を行うことが可能となる。【選択図】図2

Description

本発明は、機械のメンテナンスを行う技術に関する。
近年、IoT(Internet of Things)の技術が進展している。IoTの適用範囲は多岐に渡るが、その中でも、製造分野及びメンテナンス分野が適用先として有力視されている。工場、機械、製品等の情報をセンサにより収集、分析することで、それらの状態を可視化し、生産把握、計画反映、物流制御、不良物品交換等のサプライチェーンの自動化、ビジネスの加速が期待されている。
IoTデータを用いたIoTアプリケーションを開発、運営するためのIoTプラットフォームも存在する。
非特許文献1のAWS IoT プラットフォームは、Amazon Web Serviceの各種機能をIoTで統合利用可能にするプラットフォームである。例えば、Amazon Kinesisを用いて、MQTT(Message Queue Telemetry Transport)プロトコルでデータを収集し、収集したデータをAmazon Machine Learningの機械学習機能により回帰やクラス分類の多彩な分析等が可能である。
NTTドコモとGE社は、GEの産業用機器向けワイヤレスルーターOrbitと、NTTドコモの通信モジュールを連携させたIoTソリューションを発表している(非特許文献2)。企業は、遠隔地の設備にNTTドコモの通信モジュールを内蔵したOrbitを設置することで、設備の稼働データを収集することができる。さらに、NTTドコモが提供するToami上でIoTアプリケーションを開発可能であり、取得データの可視化等を容易にしている。
製造業の取り組みとしては、GE社を中心としたIndustrial Internet、ドイツ政府のIndustry 4.0が著名である。これらの取り組みでは、センシング系技術で収集したデータを分析系ソフトウェアで事前に定義したルールに基づき流通手配に繋げることが議論されている。
日本では、製造のソリューション普及活動を行っている団体としてVEC(Virtual Engineering Community)があり、IoTの適用が盛んに議論されている(非特許文献3)。VECでは、製造やビル等の機器の故障をセンシングデータから、事前に定義されたルールや閾値により、自動で検出することを目指しており、復旧サポートや現場への改善提案への利用が検討されている。
"AWS IoT プラットフォームの仕組み"、[online], 2016, Amazon Web Service, Inc., インターネット〈 URL:https://aws.amazon.com/jp/iot/how-it-works/?nc1=h_ls 〉 "GE and NTT DOCOMO Sign MoU Toward Business Alliance to Provide Industrial Equipment for IoT Solutions", [online], July 8, 2015, NTT DOCOMO, INC., インターネット〈 URL:https://www.nttdocomo.co.jp/english/info/media_center/pr/2015/0708_00.html 〉 "Virtual Engineering Community", [online], Virtual Engineering Community, インターネット〈 URL:https://www.vec-community.com/en/ 〉
しかしながら、従来の技術をメンテナンスに利用する際には、以下に示す3つの課題があると考える。
第1に、現場状況をリアルタイムに分析できていないという問題があった。非特許文献1は、集約データのバッチ処理による可視化が中心であり、リアルタイムな分析に基づく部品手配などの迅速なアクションには繋がっていない。
第2に、センシングデータ収集のコストが高いという問題があった。AWS IoTでは分析のために全データをクラウドに集めるが、多くの機械のセンシングデータを各地から収集するためのネットワークが必要である。例えば、IoTによるメンテナンス事例として、移動機械のデータ収集に衛星通信を使う例があるが、コストが大きく、さらに、全てのデータを送らずにデータを間引いて送信している。
第3に、故障検知のためのルール設定のコストが高いという問題があった。様々なセンシングデータから故障を検知するために、分析アプリケーション側でルールや閾値を設定し判定することが主流である。例えば、PSPP等の統計解析ソフトウェアを用いて、その判定ルールを抽出する方法があるが、ルールや閾値の抽出、設定は高度な知識が必要であり、その設定コストは高い。
本発明は、上記に鑑みてなされたものであり、コストが低くより精度が高い方法で機械の異常を検知し、機械の迅速なメンテナンスを可能とすることを目的とする。
第1の本発明に係るメンテナンス方法は、機械のメンテナンスを手配するメンテナンス方法であって、分析装置による、前記機械に取り付けられたセンサが取得したセンシングデータを収集するステップと、前記分析装置による、前記センシングデータを学習モデルを用いたストリーム処理で分析し、異常の度合いを示すアノマリースコアを算出するステップと、前記分析装置による、前記アノマリースコアが閾値以上の場合に、前記アノマリースコアと前記センシングデータを含む異常検知情報をセンタ装置へ送信するステップと、前記センタ装置による、前記異常検知情報を受信した場合に、異常な事象を検出するための異常疑いルールと前記異常検知情報を用いて前記機械のメンテナンスの要否を判断するステップと、前記センタ装置による、前記分析装置が収集したセンシングデータを記憶手段に格納するステップと、前記センタ装置による、所定のタイミングで、前記記憶手段に格納された前記センシングデータを分析して前記機械のメンテナンスの要否を判断するステップと、前記センタ装置による、前記機械のメンテナンスが必要な場合に、当該メンテナンスに必要なリソースを手配する要求を送信するステップと、を有することを特徴とする。
第2の本発明に係るメンテナンスシステムは、機械のメンテナンスを手配するメンテナンスシステムであって、前記機械に取り付けられたセンサと分析装置とセンタ装置を備え、前記分析装置は、前記センサが取得したセンシングデータを収集する収集手段と、前記センシングデータを学習モデルを用いたストリーム処理で分析し、異常の度合いを示すアノマリースコアを算出する分析手段と、前記アノマリースコアが閾値以上の場合に、前記アノマリースコアと前記センシングデータを含む異常検知情報をセンタ装置へ送信する送信手段と、を有し、前記センタ装置は、前記異常検知情報を受信した場合に、異常な事象を検出するための異常疑いルールと前記異常検知情報を用いて前記機械のメンテナンスの要否を判断する第1解析手段と、前記分析装置が収集したセンシングデータを蓄積する記憶手段と、所定のタイミングで、前記記憶手段に格納された前記センシングデータを分析して前記機械のメンテナンスの要否を判断する第2解析手段と、前記機械のメンテナンスが必要な場合に、当該メンテナンスに必要なリソースを手配する要求を送信する手配手段と、を有することを特徴とする。
第3の本発明に係るプログラムは、上記メンテナンスシステムの分析装置又はセンタ装置としてコンピュータを動作させることを特徴とする。
本発明によれば、コストが低くより精度が高い方法で機械の異常を検知し、機械の迅速なメンテナンスを可能とすることができる。
ラムダアーキテクチャを適用したメンテナンスプラットフォームの概要を示す図である。 本実施の形態におけるメンテナンスの全体構成図である。 本実施の形態におけるメンテナンスシステムのスピードレイヤーでの異常検知処理の流れを示すシーケンス図である。 本実施の形態におけるメンテナンスシステムのバッチレイヤーでの学習モデルの更新処理の流れを示すフローチャートである。
以下、図面を参照して本発明の実施の形態について説明する。
本実施の形態では、ラムダアーキテクチャのコンセプトを用いたメンテナンスプラットフォームを提案する。ラムダアーキテクチャは、スピードレイヤー及びバッチレイヤーの両方で分析した分析結果をユーザに提供することで、細やかな分析結果と速報性の必要な分析結果を実現するアーキテクチャである(N. Marz and J. Warren, "Big Data: Principles and best practices of scalable realtime data systems," Manning Publications Co., 2015)。
図1は、ラムダアーキテクチャを適用したメンテナンスプラットフォームの概要を示す図である。図1に示すメンテナンスプラットフォームは、スピードレイヤーとバッチレイヤーに分けられる。スピードレイヤーは、メンテナンス対象の機器が設置されたエッジ側にリアルタイム分析機能を持ち、クラウド側にCEP(Complex Event Processing)機能を持つ。バッチレイヤーは、エッジ側にローカルストレージを持ち、クラウド側にデータベースを持つ。メンテナンスプラットフォームは、スピードレイヤーとバッチレイヤーのそれぞれの機能を利用してメンテナンスを行うメンテナンス機能を持つ。
メンテナンス対象の機器に取り付けられたセンサで収集されたセンシングデータは、スピードレイヤーのリアルタイム分析機能とバッチレイヤーのローカルストレージに送信される(ステップS11)。
スピードレイヤーでは、エッジ側のリアルタイム分析機能が、センシングデータをストリーム処理し、異常が疑われるデータを検知した場合は、クラウド側のCEP機能にそのデータを送信する(ステップS12)。CEP機能は、エッジ側から受信した異常が疑われるデータをメンテナンス機能に送信する(ステップS13)。メンテナンス機能は、異常疑いルール及び異常が疑われるデータを用いて故障予測等の分析をして、必要に応じて外部システム(ERP(Enterprise Resource Planning)等)と連携する(ステップS14)。外部システムによってメンテナンスに必要なリソースが手配されて機器のメンテナンスが行われる。
また、リアルタイム分析機能は、機械学習を通じて現場状況に応じたルールや閾値(異常疑いルール)を抽出してメンテナンス機能に送信する(ステップS15)。メンテナンス機能は、定期的に、受信した異常疑いルールをマージして、メンテナンス機能側の異常疑いルールをより改善する。
バッチレイヤーでは、ローカルストレージに蓄積されたセンシングデータが、夜間等のコストが安い時間に、クラウド側のデータベースに送信される(ステップS16)。メンテナンス機能は、データベースに蓄積された全データを用いて、スピードレイヤーでは対象外の詳細な分析を行う(ステップS17)。さらに、分析者が、定期的にデータベースに蓄積されたデータを分析し、より精度の高い機械学習モデルを抽出する(ステップS18)。機械学習モデルは、エッジ側のリアルタイム分析機能に配信される(ステップS19)。
このように、本実施の形態では、リアルタイム分析機能のストリーム処理によって異常が疑われるデータを検知し、交換部品発注等の即時のアクションに繋げることができる。また、本実施の形態では、バッチレイヤーで、全センシングデータを用いて詳細な分析を行うことで、リアルタイム分析機能で誤ってフィルタリングしてしまった故障を検知することができる。
さらに、リアルタイム分析機能が機械学習により現場環境に応じたルールや閾値を抽出し、クラウド側へ送信し、メンテナンス機能に反映するので、ルールや閾値を設定するための技術者の稼働を低減でき、クラウド側の分析精度を向上することが可能となる。また、メンテナンス機能が全センシングデータを用いて学習モデルを更新し、エッジ側へ送信し、リアルタイム分析機能に反映するので、エッジ側の分析精度を向上することが可能となる。
次に、本実施の形態におけるメンテナンスシステムについて説明する。
図2は、本実施の形態におけるメンテナンスの全体構成図である。図2に示すメンテナンスシステムは、エッジ側の分析装置1、メンテナンス対象機器5に取り付けられたセンサ15、及びクラウド側のセンタ装置2を備える。分析装置1とセンタ装置2は、セキュアなVPN(Virtual Private Network)を介して接続される。センタ装置2は、部品事業者サーバ3と通信可能に接続される。以下、分析装置1及びセンタ装置2について説明する。
分析装置1は、収集部11、分析部12、送信部13、及び記憶部14を備える。分析装置1が備える各部は、演算処理装置、記憶装置等を備えたコンピュータにより構成して、各部の処理がプログラムによって実行されるものとしてもよい。このプログラムは分析装置1が備える記憶装置に記憶されており、磁気ディスク、光ディスク、半導体メモリ等の記録媒体に記録することも、ネットワークを通して提供することも可能である。
収集部11は、センサ15からメンテナンス対象機器5のセンシングデータ収集する。
分析部12は、センシングデータをストリーム処理で分析し、通常時とは異なる異常を検知する。より具体的には、分析部12は、センシングデータをストリーム処理で逐次分析して異常の度合いを示すアノマリースコアを算出し、アノマリースコアが閾値以上の場合に異常と判断する。また、分析部12は、異常が疑われるデータと過去の故障時のデータとを照合し、類似する過去の故障時のグループ(事例)のラベルを付与する。過去に類似するセンシングデータのグループが無い場合は、当該事象を検出するための新たな異常疑いルールを抽出する。ラベルは、故障の種別を示すものである。
ストリーム処理は、大量に発生するデータを逐次に時系列処理する技術であり、データ発生時に、あらかじめ登録したシナリオ(学習モデルなど)にしたがってデータを分析する。本実施の形態では、ストリームデータの逐次処理に適しているJubatus(S. Hido, S. Tokui, S. Oda, "Jubatus: An Open Source Platform for Distributed Online Machine Learning," NIPS 2013 Workshop on Big Learning, 2013)の学習モデルを用いてセンシングデータを分析し、異常が疑われるデータを抽出する。Jubatusは、オンライン機械学習フレームワークであり、通常のデータ値と異なる場合を検知するアノマリー検知や分類のアルゴリズムが利用できる。アノマリー検知は、センシングデータの多次元空間上で、通常のデータからの外れ度が大きい場合に高いアノマリースコアを付けるアルゴリズムである。VECで必要な細かいルールや閾値の設定が不要である。例えば、LOF(Local Outlier Factor)等のアノマリー検知アルゴリズムを用いることができる(Markus M. Breunig, Hans-Peter Kriegel, Raymond T. Ng, and Jorg Sander, "LOF: Identifying Density-based Local Outliers," Proceedings of the 2000 ACM SIGMOD International Conference on Management of Data (SIGMOD), pp.93-104, 2000)。
送信部13は、分析部12が異常を検知したときに、異常検知情報をセンタ装置2へ送信する。異常検知情報は、例えば、アノマリースコア、異常が疑われるデータ、ラベル、及びメンテナンス対象機器5の識別情報を含む。また、送信部13は、分析部12が抽出した異常疑いルールをセンタ装置2へ送信する。
記憶部14は、分析部12が分析に用いる学習モデル、収集部11が収集したセンシングデータ、及びメンテナンス対象機器5の識別情報などが記憶される。記憶部14に蓄積されたセンシングデータは、夜間や物理的輸送などの低コストな手段でセンタ装置2に移される。
センサ15は、メンテナンス対象機器5に取り付けられて、収集したセンシングデータを分析装置1へ送信する。分析装置1とセンサ15は、有線により通信可能に接続されてもよいし、Wi−Fi(登録商標)やZigBee(登録商標)などの無線により通信可能に接続されてもよい。各種の複数のセンサ15をメンテナンス対象機器5に取り付けてもよい。
センタ装置2は、イベント処理部21、統計解析部22、メンテナンス制御部23、ERP(Enterprise Resource Planning)部24、データベース25、通信部26、モデル更新部27、及び記憶部28を備える。センタ装置2が備える各部は、演算処理装置、記憶装置等を備えたコンピュータにより構成して、各部の処理がプログラムによって実行されるものとしてもよい。このプログラムはセンタ装置2が備える記憶装置に記憶されており、磁気ディスク、光ディスク、半導体メモリ等の記録媒体に記録することも、ネットワークを通して提供することも可能である。センタ装置2をクラウドサービスを利用して構成してもよい。
まず、スピードレイヤーで用いられる各部について説明する。
イベント処理部21は、分析装置1から異常検知情報を受信し、異常検知情報をメンテナンス制御部23に受け渡すとともに、データベース25に異常検知情報を格納する。また、分析装置1から新たな異常疑いルールを受信したときは、データベース25に格納された異常疑いルールにマージする。
統計解析部22は、メンテナンス制御部23の指示により、異常疑いルール及び異常検知情報を用いてメンテナンス対象機器5の故障を予測する。具体的には、統計解析部22は、異常検知情報に含まれる識別情報から故障が疑われるメンテナンス対象機器5を特定し、異常疑いルール及び異常検知情報に含まれるアノマリースコア、ラベル、異常が疑われるデータから部品の交換が必要であるか否か、及び交換すべき部品を判定する。統計解析には、PSPP等の統計解析ソフトウェアを用いることができる。
メンテナンス制御部23は、異常検知情報を受信すると統計解析部22に故障箇所の予測を指示し、統計解析部22の予測結果に基づいてメンテナンスの要否を判別し、メンテナンスが必要なときは発注データを生成する。メンテナンスが必要であると判別した場合、メンテナンス制御部23は、発注データを生成し、データベース25に登録する。例えば部品の交換が必要な場合は、交換部品用の発注データを生成する。メンテナンス制御部23は、OpenStack、Cloud Foundryなどのプラットフォームを利用して構成できる。
ERP部24は、データベース25に登録された交換部品用の発注データを読み出し、発注データを含む発注要求を部品事業者サーバ3へ送信する。なお、基幹系部品管理システムを介して交換部品の在庫を確認し、在庫が無い場合に部品事業者サーバ3へ発注要求を送信してもよい。
データベース25は、統計解析部22、メンテナンス制御部23、及びERP部24から参照可能なデータベースであり、異常検知情報、異常疑いルール、交換部品用の発注データ、及び学習モデルなどを格納する。複数のシステム連携に関して、IoT等での可視化アプリケーションは情報系と呼ばれ、勘定・発注等の基幹系システムとデータベースが別であり、情報系と基幹系のデータのやり取りはデータベースの性能ネックのためバッチ処理が基本である。本実施の形態では、IoTのデータ分析結果を即時に基幹系(ERP部24)の発注等に反映するために、情報系と基幹系でデータベースを統合して双方から参照可能に、高速のインメモリDB(VoltDB等)を用いて構築する。データベース25を介することで、発注データ等を処理するERP部24にも、メンテナンス制御部23のIoTデータ分析結果を即時に流通させることができる。なお、データベース25は、物理サーバとしてセンタ装置2の外部に配置してもよい。
図2には図示していないが、センタ装置2は、メンテナンススタッフを手配する基幹系のシステムに対してスタッフの確保を要求するスタッフ管理手段を備えてもよい。この場合、交換部品の発注と同様に、メンテナンス制御部23がスタッフ用発注データをデータベース25に登録し、スタッフ管理手段がスタッフ用発注データを参照して外部のメンテナンス事業者にスタッフの確保を要求する。
続いて、バッチレイヤーで用いられる各部について説明する。
メンテナンス制御部23は、統計解析部22に指示して、記憶部28に格納された全センシングデータを用いて故障箇所を予測する。全センシングデータを用いた故障箇所の予測は、速報性は不要であるが、詳細な故障予測を行いたい場合に行う。例えば、定期的に行ってもよいし、オペレータからの指示により行ってもよい。全センシングデータを用いた故障予測の結果、故障の発生が予測される場合、メンテナンス制御部23は、メンテナンスの要否を判別し、メンテナンスが必要なときは発注データを生成する。
通信部26は、分析装置1との間で、即座に対応する必要の無いデータを送受信する。例えば、通信部26は、分析装置1の記憶部14に蓄積された全センシングデータを受信して記憶部28に格納する。あるいは、通信部26は、モデル更新部27によって更新された学習モデルを分析装置1へ送信する。通信部26は通信プロトコルとしてMQTTを用いてもよいし、HTTPを用いてもよい。
モデル更新部27は、記憶部28に格納された全センシングデータを用いて、より精度の高い検知ができるように学習モデルを更新する。本実施の形態では、モデル更新部27にJubatusを用いる。更新された学習モデルは通信部26によって分析装置1に配信される。
記憶部28は、分析装置1が収集した全センシングデータを蓄積する。記憶部28が蓄積する全センシングデータは、通信部26が分析装置1から受信してもよいし、物理的な記録媒体から取得してもよい。
部品事業者サーバ3は、メンテナンス対象機器5の各種部品を供給する部品事業者が運営するサーバである。部品事業者サーバ3は、センタ装置2から部品の発注要求を受信する。部品事業者は、部品事業者サーバ3が受信した発注要求に従って部品を用意して指定の場所に配送する。
次に、本実施の形態におけるメンテナンスシステムのスピードレイヤーでの異常検知処理について説明する。
図3は、本実施の形態におけるメンテナンスシステムのスピードレイヤーでの異常検知処理の流れを示すシーケンス図である。
分析装置1は、各センサ15が出力するセンシングデータを収集する(ステップS21)。収集したセンシングデータは、分析装置1が備える記憶部14に蓄積される。
分析装置1は、収集したセンシングデータをストリーム処理により分析する(ステップS22)。
分析装置1は、センシングデータの分析結果が異常を示す場合、アノマリースコア、ラベル、異常が疑われるデータを含む異常検知情報をセンタ装置2へ送信する(ステップS23)。分析装置1は、収集したセンシングデータを過去に発生した異常時のセンシングデータと比較して分類を行い、過去の最も類似するグループのラベルを異常検知情報に含める。
イベント処理部21は、受信した異常検知情報をデータベース25に格納するとともに、異常検知情報をメンテナンス制御部23に送信する(ステップS24)。
メンテナンス制御部23は、統計解析部22に故障予測を指示し、異常疑いルール及び異常検知情報を用いてメンテナンス対象機器5の故障を予測する(ステップS25)。
メンテナンス制御部23は、統計解析部22の故障予測結果に基づいてメンテナンスが必要であると判定した場合、交換部品を注文する発注データを生成し、データベース25に登録する(ステップS26)。発注データは、交換部品に関する情報(例えば、部品の識別情報など)を含む。
メンテナンス制御部23は、発注データをデータベース25に登録したことを通知する発注通知をERP部24へ送信する(ステップS27)。メンテナンス制御部23はオペレータに対してアラートを通知し、発注処理を進める了承を得た後に、発注通知を送信してもよい。
ERP部24は、データベース25に登録された発注データを取得し、必要な部品を部品事業者に発注する(ステップS28)。
部品事業者は、発注された部品を準備してメンテナンス対象機器5の設置場所または指定された場所に配送する(ステップS29)。
以上のスピードレイヤーでの処理により、分析装置1で検知された異常に基づいて、部品の発注が迅速に行われる。
なお、ステップS23において分析装置1が異常を検知し、検知した異常が過去の事象とは異なる場合、分析装置1は当該事象を検出するための新たな異常疑いルールを抽出し、異常疑いルールをセンタ装置2へ送信する。センタ装置2は、定期的に、抽出された異常疑いルールをセンタ装置2が保持する異常疑いルールにマージする。
バッチレイヤーでは、メンテナンス制御部23は、所定のタイミングで、記憶部28に格納された全センシングデータを用いて、スピードレイヤーでは対象外の詳細な分析を行って故障箇所を予測する。
次に、本実施の形態におけるメンテナンスシステムのバッチレイヤーでの学習モデルの更新処理について説明する。
図4は、本実施の形態におけるメンテナンスシステムのバッチレイヤーでの学習モデルの更新処理の流れを示すフローチャートである。
分析装置1は、各センサ15が出力するセンシングデータを収集し、記憶部14に蓄積する(ステップS31)。記憶部14には、センサ15が出力した全てのセンシングデータが蓄積される。
記憶部14に蓄積されたセンシングデータは、センタ装置2の記憶部28に送信される(ステップS32)。
モデル更新部27は、記憶部28に蓄積された全センシングデータを分析し、より精度の高い検知ができるように学習モデルを更新する(ステップS33)。
通信部26は、モデル更新部27が更新した学習モデルを分析装置1へ配信する(ステップS34)。分析装置1は分析部12で用いる学習モデルを更新する。
以上説明したように、本実施の形態によれば、分析装置1がストリーム処理によって異常が疑われるデータを検知し、異常検知情報をセンタ装置2へ送信し、センタ装置2は異常疑いルールと異常検知情報に基づいて故障予測を行い、交換部品を発注する発注データを生成することにより、リアルタイムで故障傾向を検知し、迅速なメンテナンスが可能となる。また、センタ装置2が分析装置1の収集した全センシングデータを取得し、全センシングデータを用いて詳細に分析して故障予測を行うことで、より精度を高く故障予測を行うことが可能となる。
本実施の形態によれば、分析装置1が異常が疑われるデータを学習に用いて、新たな異常疑いルールを抽出してセンタ装置2へ送信し、センタ装置2が全センシングデータを用いて学習モデルを更新して分析装置1へ送信することにより、エッジ側とクラウド側の分析精度を向上することが可能となる。
1…分析装置
11…収集部
12…分析部
13…送信部
14…記憶部
15…センサ
2…センタ装置
21…イベント処理部
22…統計解析部
23…メンテナンス制御部
24…ERP部
25…データベース
26…通信部
27…モデル更新部
28…記憶部
3…部品事業者サーバ
5…メンテナンス対象機器

Claims (7)

  1. 機械のメンテナンスを手配するメンテナンス方法であって、
    分析装置による、前記機械に取り付けられたセンサが取得したセンシングデータを収集するステップと、
    前記分析装置による、前記センシングデータを学習モデルを用いたストリーム処理で分析し、異常の度合いを示すアノマリースコアを算出するステップと、
    前記分析装置による、前記アノマリースコアが閾値以上の場合に、前記アノマリースコアと前記センシングデータを含む異常検知情報をセンタ装置へ送信するステップと、
    前記センタ装置による、前記異常検知情報を受信した場合に、異常な事象を検出するための異常疑いルールと前記異常検知情報を用いて前記機械のメンテナンスの要否を判断するステップと、
    前記センタ装置による、前記分析装置が収集したセンシングデータを記憶手段に格納するステップと、
    前記センタ装置による、所定のタイミングで、前記記憶手段に格納された前記センシングデータを分析して前記機械のメンテナンスの要否を判断するステップと、
    前記センタ装置による、前記機械のメンテナンスが必要な場合に、当該メンテナンスに必要なリソースを手配する要求を送信するステップと、
    を有することを特徴とするメンテナンス方法。
  2. 前記分析装置による、前記アノマリースコアが閾値以上の場合に前記センシングデータを分類し、分類結果が過去の事象に当てはまらない場合、当該事象を検出するための異常疑いルールを抽出して前記センタ装置へ送信するステップを有することを特徴とする請求項1に記載のメンテナンス方法。
  3. 前記センタ装置による、前記記憶手段に格納された前記センシングデータを用いて前記学習モデルを更新し、当該学習モデルを前記分析装置へ配信するステップを有することを特徴とする請求項1又は2に記載のメンテナンス方法。
  4. 機械のメンテナンスを手配するメンテナンスシステムであって、
    前記機械に取り付けられたセンサと分析装置とセンタ装置を備え、
    前記分析装置は、
    前記センサが取得したセンシングデータを収集する収集手段と、
    前記センシングデータを学習モデルを用いたストリーム処理で分析し、異常の度合いを示すアノマリースコアを算出する分析手段と、
    前記アノマリースコアが閾値以上の場合に、前記アノマリースコアと前記センシングデータを含む異常検知情報をセンタ装置へ送信する送信手段と、を有し、
    前記センタ装置は、
    前記異常検知情報を受信した場合に、異常な事象を検出するための異常疑いルールと前記異常検知情報を用いて前記機械のメンテナンスの要否を判断する第1解析手段と、
    前記分析装置が収集したセンシングデータを蓄積する記憶手段と、
    所定のタイミングで、前記記憶手段に格納された前記センシングデータを分析して前記機械のメンテナンスの要否を判断する第2解析手段と、
    前記機械のメンテナンスが必要な場合に、当該メンテナンスに必要なリソースを手配する要求を送信する手配手段と、
    を有することを特徴とするメンテナンスシステム。
  5. 前記分析装置は、前記アノマリースコアが閾値以上の場合に前記センシングデータを分類し、分類結果が過去の事象に当てはまらない場合、当該事象を検出するための異常疑いルールを抽出して前記センタ装置へ送信するルール抽出手段を有することを特徴とする請求項4に記載のメンテナンスシステム。
  6. 前記センタ装置は、前記記憶手段に格納された前記センシングデータを用いて前記学習モデルを更新し、当該学習モデルを前記分析装置へ配信する学習モデル更新手段を有することを特徴とする請求項4又は5に記載のメンテナンスシステム。
  7. 請求項4乃至6のいずれかに記載のメンテナンスシステムの分析装置又はセンタ装置としてコンピュータを動作させることを特徴とするプログラム。
JP2016153663A 2016-08-04 2016-08-04 メンテナンス方法、メンテナンスシステム及びプログラム Pending JP2018022372A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2016153663A JP2018022372A (ja) 2016-08-04 2016-08-04 メンテナンス方法、メンテナンスシステム及びプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2016153663A JP2018022372A (ja) 2016-08-04 2016-08-04 メンテナンス方法、メンテナンスシステム及びプログラム

Publications (1)

Publication Number Publication Date
JP2018022372A true JP2018022372A (ja) 2018-02-08

Family

ID=61164502

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2016153663A Pending JP2018022372A (ja) 2016-08-04 2016-08-04 メンテナンス方法、メンテナンスシステム及びプログラム

Country Status (1)

Country Link
JP (1) JP2018022372A (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019153140A (ja) * 2018-03-05 2019-09-12 Iotマネジメント株式会社 評価システム、評価装置、及び評価プログラム
JP2020053011A (ja) * 2018-09-24 2020-04-02 株式会社日立製作所 機器修理管理システム、修理方法およびコンピュータ可読媒体
JPWO2021100087A1 (ja) * 2019-11-18 2021-05-27

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019153140A (ja) * 2018-03-05 2019-09-12 Iotマネジメント株式会社 評価システム、評価装置、及び評価プログラム
JP2020053011A (ja) * 2018-09-24 2020-04-02 株式会社日立製作所 機器修理管理システム、修理方法およびコンピュータ可読媒体
JP2021022407A (ja) * 2018-09-24 2021-02-18 株式会社日立製作所 機器修理管理システム、修理方法およびコンピュータ可読媒体
JP7013547B2 (ja) 2018-09-24 2022-01-31 株式会社日立製作所 機器修理管理システム、修理方法およびコンピュータ可読媒体
US11544676B2 (en) 2018-09-24 2023-01-03 Hitachi, Ltd. Equipment repair management and execution
JPWO2021100087A1 (ja) * 2019-11-18 2021-05-27
WO2021100087A1 (ja) * 2019-11-18 2021-05-27 日本電信電話株式会社 データ処理システム、高速応答処理装置およびプログラム
JP7425954B2 (ja) 2019-11-18 2024-02-01 日本電信電話株式会社 データ処理システム

Similar Documents

Publication Publication Date Title
CN113112086B (zh) 一种基于边缘计算和标识解析的智能生产系统
KR102402680B1 (ko) 자동화 된 애플리케이션 프로그래밍 인터페이스 평가 및 마이그레이션을 위한 시스템 및 방법
US10313281B2 (en) Delivery of automated notifications by an industrial asset
CN104142664B (zh) 使用大数据的工业产品的预测维护
Yamato et al. Proposal of lambda architecture adoption for real time predictive maintenance
US9413597B2 (en) Method and system for providing aggregated network alarms
US20180006913A1 (en) Industrial internet of things data pipeline for a data lake
Ferreira et al. A pilot for proactive maintenance in industry 4.0
Yamato et al. Proposal of real time predictive maintenance platform with 3D printer for business vehicles
KR102074924B1 (ko) 스마트팩토리 원격협업 cms시스템 및 그 구동방법
Chehri et al. The industrial internet of things: examining how the IIoT will improve the predictive maintenance
US20150135312A1 (en) Service performance monitoring method
CN102713861A (zh) 操作管理装置、操作管理方法以及程序存储介质
CN106940677A (zh) 一种应用日志数据告警方法及装置
CN104142663A (zh) 云平台中的工业设备和系统证明
JP2010526352A (ja) 統計的な分析を利用した性能障害管理システム及びその方法
Cao et al. The design of an IoT-GIS platform for performing automated analytical tasks
CN104281104B (zh) 一种异常工况信息处理系统及方法
US8794513B2 (en) Self-service device servicing utilizing a hardware database
KR102338425B1 (ko) 인공지능 기반 모니터링 대상 서버의 어플리케이션 자동 설정 및 모니터링 방법, 장치 및 시스템
CN104011719A (zh) 消息跟踪和检查的方法和系统
US10938624B2 (en) Automatic integrated control loop for fault, performance and service quality management
JP2018022372A (ja) メンテナンス方法、メンテナンスシステム及びプログラム
JP2017142654A (ja) メンテナンス方法、メンテナンスシステム、および、メンテナンスプログラム
CN110347694A (zh) 一种基于物联网的设备监控方法、装置及系统