軸受異常診断ＡI vibGazer

特長

AIの導入で軸受メンテナンスを強力にサポート
停まらない工場作りに貢献します

＜概要＞
軸受異常診断AI 『 vibGazer 』ではモーターなどの回転駆動系の軸受振動データに注目
AIモデルが異常兆候をいち早くキャッチし機器が故障停止する前にお知らせします。
「事後保全・予防保全」から故障時期を予測する「 予知保全 」にシフトして、保全に関するコスト削減を実現します。

＜メンテナンスの課題＞
構内機器のメンテナンスは工場の稼働率を保つための重要なプロセスですが、課題もあります

機器が故障した都度、修理を行う「事後保全」では稼働率が下がってしまいますし、
まだ使える機器も含めて定期的に交換を行う「予防保全」では、費用が膨らむ場合があります。
機器の故障時期を予測した「予知保全」ができれば、故障の予兆を検知したタイミングで機器の交換ができ、費用と稼働率とのバランスのとれた運用ができます。

「予知保全」は技術的に難しかったのですが、AI-深層学習- の登場により実現可能となりました。

＜vibGazerができること＞

・高精度の正常異常判定 　
vibGazer が、振動データから故障の予兆をいち早く検知し、異常をお知らせします。振動強度のしきい値判定や、周波数解析だけではNG判定が難しいケースも、vibGazer は、振動強度、周波数、時間変化から総合的に解析して、異常を検出します。

・異常タイプを推定 　
振動データ解析による異常タイプを推定し、故障原因特定や再発防止に必要な情報を提供します。 異常タイプには、アンバランス振動、ベアリング破損、ミスアライメントなどがあります。

・予知保全：故障時期を予測
毎日データを取り続けることで、振動の変化具合から故障時期の予測が可能になります。

用途例

機械学習による軸受異常判定 （化学繊維メーカ様事例）	ベアリングに設置した加速度センサーの値から異常を判定。 異常な状態のデータは多数集めることが困難なため、教師なし学習で実現 。 正常データを学習したモデルを作り、判定対象を通した際の復元具合でNG 判定を行います。
異常タイプごとの特徴を見つけて 分類	判定したい波形の異常タイプを全て学習するとそれぞれ異なる特徴変数が計算されるようになり、エラーの分類が可能になります。（図参照） あるいは、元波形と復元波形の 差分をみると、エラーの種類毎 にパターンが現れるのでクラス 分類可能です。 例)正常波形の差分 … 無信号 　アンバランス…低周波信号 　ベアリング傷…パルス波
深層学習による軸受異常判定 （予測）	日々記録したベアリング異常の度合いから、ベアリングがあと何日で故障・破損するかを推定する寿命予測を実現。 軸受異常診断システムはオンプレミスだけでなく、クラウド版も開発。学習および推論をクラウド上(AWS)で行えます。

よくあるご質問

Q. 「学習モデル」の作成は自分たちで行うのでしょうか？

お客様から情報を提供いただき、弊社にて「学習モデル」を作成します。

現在、お客様自身で「学習モデル」を作成いただける機能【AutoML（仮称）】を準備中です。

Q. ベアリング以外では利用できないでしょうか？

一定で回転し、振動するものであれば、利用できます。

Q. 振動の「正常」／「異常」の両方のデータが必要ですか？

「正常」データだけで異常判定ができます。

さらに、「異常」データがあれば、「異常」データの分類ができます。