[論文レビュー] Predictive Maintenance using Machine Learning

Archit P. Kane, Ashutosh S. Kore+3 more|arXiv (Cornell University)|May 19, 2022

Industrial Vision Systems and Defect Detection被引用数 11

ひとこと要約

本論文では、履歴的な機器データを活用して故障パターンを検出し、故障が発生する前に部品の故障を予測する機械学習ベースの予知保全（PdM）フレームワークを提案する。センサーや運用データに監視学習モデルを適用することで、早期の故障検出が実現され、計画外の停止や保守コストが削減されるとともに、製造環境における機器の利用率が向上する。

ABSTRACT

Predictive maintenance (PdM) is a concept, which is implemented to effectively manage maintenance plans of the assets by predicting their failures with data driven techniques. In these scenarios, data is collected over a certain period of time to monitor the state of equipment. The objective is to find some correlations and patterns that can help predict and ultimately prevent failures. Equipment in manufacturing industry are often utilized without a planned maintenance approach. Such practise frequently results in unexpected downtime, owing to certain unexpected failures. In scheduled maintenance, the condition of the manufacturing equipment is checked after fixed time interval and if any fault occurs, the component is replaced to avoid unexpected equipment stoppages. On the flip side, this leads to increase in time for which machine is non-functioning and cost of carrying out the maintenance. The emergence of Industry 4.0 and smart systems have led to increasing emphasis on predictive maintenance (PdM) strategies that can reduce the cost of downtime and increase the availability (utilization rate) of manufacturing equipment. PdM also has the potential to bring about new sustainable practices in manufacturing by fully utilizing the useful lives of components.

研究の動機と目的

• 製造業における従来の定期的・反応的保全の高コストかつ非効率な点に対処すること。
• データ駆動の手法を用いて、故障が発生する前に故障を予測することで、計画外の機器停止を低減すること。
• 知的な保守スケジューリングにより、部品の寿命を延長することで、機器の利用率と持続可能性を向上させること。
• インダストリー4.0スマート製造インfraに準拠したスケーラブルでデータ駆動型のPdMシステムの開発

提案手法

• フレームワークは、長期間にわたり製造機器からの時系列的センサーおよび運用データを収集する。
• 故障の前兆を示す機器の挙動に関するパターンや相関関係を特定するために、監視学習モデルを適用する。
• 生のセンサーデータから特徴量を抽出し、機器の健全状態や劣化トレンドを表現する。
• 残存耐用期間（RUL）または故障確率を予測する分類または回帰モデルを訓練する。
• 履歴的な故障事象および正確性、再現率、F1スコアなどのパフォーマンス指標を用いて、モデルを検証する。
• 継続的な機器健全状態評価が可能なリアルタイム監視システムへの統合を支援する。

実験結果

リサーチクエスチョン

• RQ1 機械学習モデルは、履歴的なセンサーおよび運用データを用いて、機器の故障を効果的に予測できるか？
• RQ2 予知保全は、定期的または反応的保全と比較して、計画外の停止をどの程度低減できるか？
• RQ3 センサーデータから得られるどの特徴量が、近い将来の機器故障を最も効果的に予測できるか？
• RQ4 産業現場において、PdMは機器の利用率をどの程度向上させ、保守コストをどの程度削減できるか？

主な発見

• 提案されたPdMフレームワークは、センサーデータ内の微細なパターンを検出することで、故障の兆候を的確に特定できた。
• 機械学習モデルは、実際の故障発生前に機器の故障を高い精度で予測した。
• システムは、必要なときにのみ保守作業をスケジューリングできるため、計画外の停止を低減した。
• 固定間隔での保守と比較して、不要な部品交換や運用コストの削減が実現された。
• フレームワークは、部品の寿命を最大限に延長し、リソースの無駄を最小限に抑えることで、持続可能な製造を支援した。