AI/MLは何をもたらすのか
人工知能(AI)またはコンピュータやコンピュータ制御ロボットが人間に通常関連するタスクを実行する能力、MLまたは機械がインテリジェントな人間の行動を模倣する能力を使用することで、製造メーカは次のようなパフォーマンスを向上させることができます。
ダウンタイムを最大10%削減 – 後対応型メンテナンスではなく予測型メンテナンスを使用して機器の故障を予測し、機器が通常の範囲外で動作しているときに警告を受取る
品質を最大12%向上 – プロセスまたは材料の故障を早期に検出
生産性を最大30%向上 – 手直しやスクラップの削減、効率的なメンテナンス計画、プロセスの問題に対する認識の向上
TT PSC社のシニアビジネスおよびソリューションアーキテクトであるランディ･トンプソン氏によると、MLアルゴリズムは、明示的にプログラムされなくても、利用可能なデータに基づいて予測や決定を行なう数学モデルを構築します。モデル構築プロセスでは、履歴データがモデルをトレーニングするための入力として使用されます。通常、70%がトレーニングに使用され、30%がモデルの評価と確認のために保持されます。
優れたMLの使用事例とはどのようなものか
優れたMLの使用事例は、測定可能な予測目標、多くの変数、利用可能な履歴データで構成されます。企業は通常、大量のデータを持っていますが、達成したい目標を予測するために必要なデータがないことがよくあります。このため、追加のセンサ入力や予測目標の変更が必要になる場合があります。これは、経験豊富なパートナが役立つ領域です。
MLの優れた使用事例の1つは、木材を特定の水分含有量にすることを目的とした木材乾燥プロセスです。MLを使用すると、プロセスから測定可能なすべての変数を入力して、適切な乾燥レベルを達成するために乾燥機をどの速度で操作すればよいかを予測できます。機械学習の優れた点は、必要なデータを追加した後はモデルが作業を行なってくれることだとトンプソン氏は語ります。決定すべきその他の質問には、次のものがあります。
- これは対処する価値のある問題ですか? 予想されるビジネス上のメリットは何ですか?
- 問題はどのくらいの頻度で発生しますか? 最良のシナリオは、モデルを作成して結果を確認するのに十分なデータが得られるほど定期的に発生することです。
- ダウンタイムのコストはいくらですか?
- この予測が得られたら、何を変えますか?
最後に、モデルを構築するために必要なデータはありますか? それは仮説から始まります。すべてのデータを入力するのではなく、重要だと思うものを選択してください。次に、どのようなデータが利用可能か、正確な予測を行なうのに十分なデータがあるかどうかを尋ねます。
Analytics Accelerator for FactoryTalk Historianの使用
Analytics Accelerator for FactoryTalk Historianは、製造メーカが独自のモデリングを行なうのを支援するためにロックウェル･オートメーションが開発したツールの組み合わせです。
これは、FactoryTalk Historianデータアーカイブに保存されているデータにMLを簡単に適用できるようにするためにThingWorx®を使用して構築された統合ポートフォリオソリューションです。このソリューションは、ユーザインターフェイスを構成する複数のサービスとThingWorxマッシュアップで構成されています。