故障予測や異常検知のための分析・予測サービス
製造現場におけるメンテナンス作業は、最適な保全サービスの実現という点で改善の余地を残しています。当社がこれまでビッグデータ分析・予測サービス「Toami Analytics」を、故障予測や異常検知といった分野に提供する中で蓄積した、AI活用や統計手法のノウハウを「Toami Analytics for 予知保全」としてパッケージ化しました。詳細はカタログをご覧ください。
このカタログについて
| ドキュメント名 | ToamiAnalytics for 予知保全 |
|---|---|
| ドキュメント種別 | 製品カタログ |
| ファイルサイズ | 1.2Mb |
| 登録カテゴリ | |
| 取り扱い企業 | NSW株式会社 (この企業の取り扱いカタログ一覧) |
この企業の関連カタログ
このカタログの内容
Page1
for 予知保全
～AIを利用した故障予測により、メンテナンスの最適化を支援～
提供イメージ
センサーデータ データ加工 データ分析 分析結果
・正規化 ・オートエンコーダー
・画像化 ・ランダムフォレスト
・時系列間の差分 ・ロジスティック回帰など
・機器間の差分
・主成分分析など
特徴
① テンプレート化されたセンサー入力から分析モデルを適用することで
「早く」 「安く」提供が可能！
② 学習済みモデルの転用で、ゼロからの学習より精度が高いモデルも提供可能！
テンプレート① テンプレート② テンプレート③
ディープラーニングで 状態変化の方向で センサー間の関連性変化で
装置の変化点を検知 故障箇所を予測 故障箇所を予測
正常 部品A故障
故障A
故障B
正常
「いつも」の正常データと 過去の故障事例を基に 各種センサーの正常時の関係性を利用
どれだけ乖離しているかを数値化 発生現象に近い事例を特定 故障時の関係性の崩れ方を基に
装置に変化が起きた事をすぐに検知 故障箇所を予測 故障箇所を予測
Page2
さまざまなテンプレート
正規化
各センサーの単位を揃える事により、
複数センサーの内容を横断的に分析が可能に
画像化
目視で確認している内容を
そのままにして適用できるようにする
時系列間の差分
前時間からどれだけの変化が起きたかに着目する
機器間の差分
同一システム内で
特出した動きをしている機器を見つける
ARモデル
センサーの動きの特徴を数式で表現する
主成分分析
複数のセンサーの内容をより少ない成分で表現する
オートエンコーダー
ディープラーニングによる
正常からの乖離度を分析する手法
ランダムフォレスト
複雑な正常/異常判定条件を表現できる手法
ロジスティック回帰
正常/異常判定のルールを数式で表現する手法
サービスソリューション事業本部 営業統括部 第一営業部
〒150-8577 東京都渋谷区桜丘町31-11 TEL:03-3770-0096 Mail:ml-iot@gw.nsw.co.jp URL:www.m2m-cloud.jp