予兆保全システム

予防保全から予兆保全へ
AI による新しい保全業務をご提案します

従来の予防保全(TBM:Time Based Maintenance)から予兆保全(CBM:Condition Based Maintenance)へと管理の
主体を変えていくことで、定期点検に係わるコスト削減や機器本体の信頼性をさらに高くすることが可能となります。
弊社がご提案する予兆保全システムはそれらを人工知能(AI)を使って実現させました。

システム構成図

設置例

新しい機材も工事も不要
設置したその日からご利用いただけます

特徴

・ポンプに設置する振動センサは無線通信※対応
マグネット取付で取り外し簡単・配線工事不要
・IoTGateway は LTE SIM 内蔵。
設置したその時からクラウドと通信可能
・データ管理と解析などはクラウドで新たなサーバ機材等も不要

可能となること

・定期点検の計画を無駄なく組め、コスト削減へ
・定期点検以前に異常に気付くことができ、素早い対応が可能
・故障前に予兆することで、プラントの信頼性を高め
停止時間の最小化が見込める
・納品機器に予め組み込むことで、顧客満足度を高める

所得データ速度と加速度を取得

振動センサから低周波の速度と高周波の加速度の計測値を取得します。
速度とは、振動で復している距離 (変位)の時間単位の変化率を指します。
加速度とは、速度の時間単位の変化率を指します。

演算データ解析データの演算

取得データに種々の演算手法を利用して解析に有効な情報を算出していきます。
実効値(RMS)：振動のパワー(強さ)に相当する要素です。ISO で基準が定められており、設備診断の重要な要素です。
クレストファクタ(C.F)：ピーク値と実効値の比です。
周波数解析：高速フーリエ変換という手法を用いて、周波数帯毎の値を抽出します。機械部位毎に固有の振動周波数が存在するため、振動の部位（原因）を推定することができます。
エンベロープ処理：振幅の外形を取り出す処理です。転がり軸受など異常部位の推定に役立つと言われています。

異常検知人工知能(AI)による推論

オートエンコーダ：ニューラルネットワークのひとつで「入力されたデータを一度圧縮し、重要な特徴量だけを残した後、再度もとの次元に復元処理をするアルゴリズム」を利用して解析データを推論します。その結果「通常とは違う」度合いを「偏差」として定量的に取得できるようになります。
統計処理：正規分布、ガンマ分布などの統計手法を用いて取得した偏差の異常度合いを判断し、最終的な異常判定を行います。

実際の画面例（見える化）

機器監視

１つの機器毎に、任意の計測値を指示計やグラフをグループ化して表示する事ができます。異常判定状況により枠の色替えで注意喚起します。
ポンプ属性・保全履歴

機器類の属性情報や保全の履歴を pdf や写真情報と合わせて管理可能です。
グラフ化

「取得データ」「解析データ」「偏差データ」など様々なデータをグラフ表示します。グラフは、段組みでの表示や重ね合わせての表示が行えます。
クラウド

「見える化」の機能は、弊社が運用する AWS ベースのクラウド機能にて提供されます。それ以外にも、解析データの演算、人工知能(AI)による推論、統計処理などもクラウド上で行われます。