3.2　クラウド×サブスクリプション型サービス

　最近では，既存設備にレトロフィット的に後付け可能で，センサー～可視化システムまですべてパッケージ化されたサービスがリリースされてきている．これを利用することでユーザーは自分たちでシステムを構築することなくCBMを開始することができる．

　これらのサービスが最近になって進展してきた理由は，現場でのクラウド活用の理解が進んでいることがいえるだろう．クラウドを活用することでサービスを提供する側としてはユーザーの管理がしやすくなるし，ユーザーとしてもオンプレミスで個別に構築するより大幅に導入コストも利便性も向上する．製造業でも少し前までは工場のセキュリティポリシーの観点でクラウド活用自体が断固NGである企業が多かったものの，最近ではもたらされるメリットとデータ秘匿性の観点で使い分けが進んできていると感じる．具体的には工場内の生産稼働内容に直接関係ない装置自体の異常を知らせるためのセンサーデータはクラウドに上げても問題ない，という判断が少しずつなされるようになってきている．

　これらパッケージサービスは初期費用を抑えたサブスクリプション型で展開されているものが多く，何といっても導入ハードルの低さが魅力である．地道にスクラッチでCBMシステムの構築を進めようとすると，実現できるかどうかを見極める段階のPoCフェーズですら期間として数ヵ月～長いものだと半年以上，費用も数百万円かかってしまうのが普通であり，CBMを体験することなくプロジェクトを挫折させてしまう大きな要因となっていた．これらのサービスを活用すれば汎用的ではあるものの，CBMをまず体験し，効果を見極めたうえでシステムをエンハンスするか，やめるかを判断することができるようになる．現状はまだサービスが出てきたばかりの段階であるが，今後検知精度などユーザーにより異なる個別要求への幅広い対応や，実際に効果を体感したユーザー事例の浸透などが進めば，世の中的にも広く最初の選択肢として活用されると期待している．

　なお，弊社でもサブスクリプション×クラウド型のサービスをリリースしている（図4）．弊社のサービスは広帯域振動センサーを活用しており，より故障の予兆を早期に発見できるのがポイントである．広帯域振動センサーの有用性は後述する．

4.2　最初から完璧に異常を検知できるシステムを目指さない（目指せない）

　前提として，異常を検知する判定モデルを作るために，検証段階で想定される異常時の再現を行い，データ収集が必須と思われがちであるが，この“リアルな異常時のデータ収集”は容易ではない．もはや永遠の課題ともいえる．そもそも，工程で実際に使っている高価な機械に傷をつけることはできないし，仮に検証機を用意したとして，そこに傷をつけたり，砂を混ぜたり，グリースを抜いたり，模擬的に異常時を再現することもできるが，どうしてもリアルな劣化時のデータとは差分がある．これら開発環境と本番環境との差分は判定精度に影響を及ぼすノイズとなる．これらの理由で，最初からすべて想定されるありとあらゆる異常時のデータを学習させることは不可能と考えたほうがよい．このように最初から想定されるありとあらゆる異常状態を完璧に検知できるシステム構築を前提に進めてしまうと大体のケースで失敗してしまう．

　そのため，まずは正常データを活用した教師なし学習でしっかり正常時の確立を行い，外れ値を検知できるシステムで一旦は運用を開始し，そこで新たに出くわす異常を定期的にシステムに学習させ少しずつ精度を上げていく前提でアプローチを検討するのがよい（図6）．

　もう少し補足すると，実は一言に正常時といっても，そこには数多くの外乱により生じるばらつきが存在する．測定したい事象に加え，設備の違い（機種ごと・個体ごと），測定環境の違い（センサー個体差など），電気的なノイズ，動作モードの違い，設置環境など数多くの外乱要因が収集データに影響を及ぼす．そのため，まず正常時をばらつき含めきちんと定義づけることが重要である．正常時のデータ収集は日々の工程からすぐ開始することができるので，異常時に比べハードルが低いことは言うまでもない．

4.3　目標設定の明確化

　そもそも，何をもって“異常”とするか，定性的な目標設定を最初に行うことが重要である．例えば，一言に異常といっても求められる値は認識が違うこともある．最初にプロジェクト関係者の中で異常の定義についてなるべく定性的な認識合わせを行うことで，検証を行うために必要な環境や，先に説明したばらつきもどの程度許容できるか，おのずと決まってくる．また，検証時におけるデータ収集は，その時の装置の状態をできるだけ詳細にデータと紐づけ管理することが重要である（図7）．

　回転機械異常の中でもベアリングやギアの傷や摩耗等の発生しやすい劣化を検知するためには，1kHz～10kHzといった広帯域の振動加速度センサーを選定することが有効である．実際の現場での例だが，対象機器から振動データを取っているのにもかかわらず，安価な1kHz程度までの振動センサーを用いて検知したい現象を周波数帯域が足りずに取りこぼしている，というもったいないケースも散見される．最初の検証段階ではなるべく帯域の高いセンサーを選定し，必要な帯域を見極めた上で，運用に向け必要十分なスペックに落としていくというアプローチをとることが有効である（図9）．

5.2　AI

　活用すべきデータとしては，振動やトルク，温度などの時系列データである．通常と異なる傾向が見えてきた場合に，異常発生の兆候を検知しメンテナンスすることでチョコ停・ドカ停の発生を未然に防ぐことができる．効率的な設備管理を実現することでメンテナンスコストを大幅に削減し，急な設備停止による生産性の低下を回避することが可能だ．

　予兆検知においては，教師なし学習でAIが獲得した特徴表現とどれほど乖離しているかを評価する手法を用いる．これにより，未知の異常データが入ってきても正常データがあれば対応できる．例として工作機械の工具劣化度推定が挙げられる．劣化度推定では，異常検知でも述べた前処理を振動データに適用した後，正常状態を学習させた1D Convolutional AutoEncoderを使い異常値を算出し劣化状態を推定する（図10）。

　また別の例では，大型設備の予兆検知が考えられる．この場合，トルクや温度など振動データ以外の時系列データを活用することが多い（図11）．ある一定期間内のデータを使って，次の一定期間内のデータを予測する回帰モデルを利用する．もしAIが予測した値と実際の値との差分が徐々に大きくなってきた場合，何らかの異常につながる現象が発生したと見なすことができる．モデルの種類としては，ARIMA（Autoregressive IntegratedMoving Average），AAKR（Auto-associative Kernel Regression），LSTM（Long short-term memory），FCN（Fully Convolutional Network）などがある．FCNは時系列データの分類に利用できるが，アーキテクチャの一部を変更することにより回帰モデルとして使用可能だ．

6.2　AI運用サービス “Re：Alize.macnica.ai”

　マクニカでは様々な業界における異常検知案件の実績をベースとしたAIモデルのライブラリを用意している．例えば先程説明したAutoEcndoderなどである．弊社データサイエンティストがお客様の実現したい内容やデータの質，傾向に合わせ最適なアプローチを適用し分析を行う．スクラッチでAIモデルを開発しようとすると莫大な費用がかかり，さらにそれが使い物になるかどうかはある程度の予算と期間を投じないと分からないという課題に対し，本サービスを活用いただければ効果検証までの費用，期間を大幅にミニマイズすることができる．さらに効果が見込めればそのまま運用までお使いいただくことが可能だ．その場合は運用後も必要となるAIモデル管理用のクラウド環境（精度監視，再学習，バージョン管理）を提供する（図13）．