SAILESS 異常予兆検知システム構築サービス

異常検知システム導入における課題点

企業にとって異常検知システムの導入は一定のハードルが存在します。中でも「データ」「精度」「運用」にまつわる課題を抱いている企業は多いようです。

異常データが無い・少ない

異常データを必要とする手法の場合、特に製造業では異常データが少なく、AIに学習ができない問題があります。また、データの蓄積が現場止まりになっており、利活用できていないという課題もあります。

誤検知が多い（精度が低い）

そもそも検知モデルの精度が低かったり、適切な閾値が設定されておらず、誤検知が多発したり取りこぼしが生じます。

現場で使いにくい

オペレーターの監視・操作の手間が逆に増えてしまう状況が起きやすい。また、システムの説明力が低く「ブラックボックス」となっており、現場から敬遠されてしまう傾向にあります。

SAILESSの概要

導入・運用ハードルが低い「SAILESS」は使えるAIサービスです

SAILESSは正常時の製造運転データをAIに学習させることで、過去に経験していないトラブルを検知でき、現場エンジニアに寄り添ったシステムを提供します。

正常データを利用したシステム構築

SAILESSでは、各種センサーから得られた正常稼働時のデータによって構築された検知モデルを用いて「異常度」を算出し、アラートするシステムです。

未経験トラブルも予兆検知可能

SAILESSでは、正常時データだけで検知モデルを構築するため、これまで未経験のトラブルでも予兆検知することが可能です。

ユーザーによる運用や横展開が可能

導入後、AIモデルのチューニングや、同一傾向がある他の機器への横展開をユーザー様ご自身で実施出来る仕組みをご用意します。

SAILESSの特徴

事前ヒアリングとPoC（Proof of Concept：事前検証）

SAILESSではジャストフィットした予兆検知システムを提供するため、目的や課題、検知したい異常、現状のデータ取得状況のヒアリングから始め、PoCを実施いたします。

ヒアリング概要

対象データが現場止まり、蓄積されていない場合でも問題ありません。データの蓄積部分からご支援いたします。

正常データを用いた異常検知アルゴリズム

SAILESSでは正常からの外れ具合(距離)を異常度とし閾値を設け、正常状態と異常状態を判定。これにより正常データから異常検知が可能であり、未知のトラブルでも回避が可能となります。

正常データの分布に基づいた手法

対象物に関する複数の変数でグルーピングし、過去の正常時データから、分布・特徴を学習します。現在値が正常データの分布から離れている距離を異常度として算出します。

ソフトセンサーを応用した手法

測定不能箇所/測定頻度の低い箇所に対し、周辺センサー値を使って予測します。過去の正常時データを使って予測モデルを構築した後、現在値を用いて目的変数の値を予測し、予測値と実測値の差を異常度として算出します。

ディープラーニングを使った手法

オートエンコーダーと呼ばれており、入力に対し、全変数を出力するモデルです。正常データでモデル構築し、現在値を入力して判定します。出力層と入力層の差を異常度として算出します。

ユーザ自身によるモデル追加・再学習ツール

導入後、他工場への横展開(モデル追加)や、モデルの経年劣化改善のための再学習をお客さま自らが実施できる仕組みをご提供。

モデル追加・再学習ツール（AIトレーナー）

装置のオーバーホールなどにより、正常データの特徴が変わった際、お客さま自らが簡単・迅速にAIモデルの更新が可能なため、運用費用の削減に貢献いたします。

製造・保全業務の課題解決で収益改善に貢献

異常予知により、製造・保全業務の課題解決で収益改善に貢献します

製造部門（緊急停止回避 生産ロス低減）

SAILESS™を導入することで、これまで起こっていなかったトラブルの予兆を事前に検知できるようになり、製造ラインの緊急停止を回避することが可能です。また、設備の異常をいち早く検知することで歩留まりを低減するコストメリットが生まれます。

保全部門（保全費用削減 重大事故防止）

SAILESS™を導入することで、工場内の機械・設備の状態をデータで監視することが可能となり、状態基準保全(CBM)を取り入れることができます。

企業全体（収益改善）

SAILESS™は、製造部門や保全部門の課題解決をすることで、最適なプラント・ファクトリー運営に寄与します。

状況にマッチした機能を選択できる

さまざまなお客様の状況や課題に対し、ジャストフィットした検知システムをご提供するため、BTO(Build to Order)モデルを採用しています。

例）PIMSをベースにしたパッチプラントへの導入ケース

時系列データベースを既に導入済みの企業に異常検知システムを構築する場合

導入事例のご紹介

大阪ガスリキッド株式会社様による、SAILESSの導入事例をご紹介します。

SAILESS システム構成例

構成例1	PIMSなど時系列DB（書込み可）の環境が既に構築されているお客さまへの導入例 ・異常検知システム用PCを新設 ・既設のDBへ異常検知システムの解析結果を登録し、運転データと併せて監視する仕組みを構築 ・ 監視画面は既存の監視ツールの利用か、Webアプリによる可視化ツールをご提供
構成例2	DB(書込み不可)の環境が既に構築されているお客さまへの導入例 ・異常検知システムが動く&解析結果を蓄積するDBを新設 ・ 既設DBの運転データと新設DBの解析結果を併せて監視する仕組みを構築します。 ・ 監視画面は既存の監視ツールの利用か、Webアプリによる可視化ツールをご提供します。
構成例3	DBや可視化環境がないお客さまへの導入例 サーバー機を1台新設し、以下の構築 ・運転データと異常検知システムの解析結果を蓄積する時系列DB ・ 異常検知システムの計算プログラム ・ 監視画面(Webアプリ)用Webサーバー

導入の流れ

さまざまな現場で抱える課題に対し、ジャストフィットした異常予兆検知システムをご提供するため、BTO（Build to Order）モデルを採用しており、事前ヒアリングからPoCを経て、導入いたします。

会社概要