予知保全 時系列データ自動分析マシン

製造現場では、生産性向上、品質改善、設備保全のために設備のデータ活用が進んでいます。しかし、こうした取り組みには、モノづくりの知識や技術に加えて、ITやデータサイエンスといった新しい知識・技術が必要であり、想定以上に多くの時間とコストがかかっているのが現状です。CX-Mは、予知保全や品質改善を目的に、設備の異常検知、故障予測のための時系列データ分析作業と推論モデル（AI）生成を自動化するマシンです。データ分析の知識がない利用者でも、高度な機械学習を活用したデータ分析が可能です。

CX-Mは、製造現場のデータ活用システムの実現に必要な3つの利点を持っています。
1つ目は、データ分析作業の自動化により専門家がいなくても、自社工場内で取り組みが進められることです。2つ目は、分析作業で作成した推論モデル（AI）をプログラム開発することなく、すぐに設備監視システムで利用できることです。最後は、こうした高度な機能をコストを抑えながら利用できる契約体系（サブスクリプション）です。
これにより、利用者は素早く利用を開始でき成果を出すことができます。

1. 最適な分析方法を探索し精度の高い推論モデルを自動生成

時系列データの分析に必要な「位置合わせ」「特徴抽出」「機械学習」「交差検証」「推論モデル生成」の一連の作業を自動で行い、どの組み合わせの処理が一番精度の良い結果が得られるかを試行錯誤し見つけ出します。そのため、繰り返し行ってきた分析作業を効率化し、素早く結果を得られるようになります。また、多様なデータに対応できるよう、特徴抽出には、スケーリング、FFT（フーリエ変換）やWavelet（ウィーブレット）等、機械学習の種類もK-means、SVM（サポートベクターマシン）、RandomForest（ランダムフォレスト）、IsolationForest（アイソレーションフォレスト）、DeepForest（ディープフォレスト）など用途に合わせたアルゴリズムが実装されており、分析過程の情報も確認できます。

2. データ分析の目的や設備データに応じた分析機能

データ分析は、目的や設備データの種類によって求められる分析機能は異なります。CX-Mは、「収集したデータを特徴で分類する機能（クラスタリング）」、「正常データを学習して異常検知モデルを作る機能（教師無し学習）」、「過去の正常、異常データを学習して推論モデルを作る（教師あり学習）」が用意されています。これにより、お客様のデータ分析目的や設備データの種類に応じた柔軟分析作業が可能です。

3. 推論モデル（AI）の特性と推論理由を可視化

AI・機械学習を使った分析では、作成した推論モデルがどのような特徴や論理で判断しているのかを定量的に可視化することができず、仮説による考察しかできませんでした。CX-Mは、推論モデルが判断するモデル特性を定量化するとともに、推論モデルが判断した根拠、自信度を可視化し、仮説ではなく事実に基づいた考察を可能にします。これにより製造現場では、技術者の経験に加えて、定量的な視点で判断された情報に基づき設備の異常検知や状態変化を察知し、予防保全から予知保全への転換や、品質改善のための設備設定を見直すことができます。

4. 推論モデル（AI）は監視システムですぐに利用可能

CX-Mで分析し作成した推論モデルは、プログラム開発することなく予知保全や品質改善のための設備監視システムに導入して利用することができます。クロスコンパイル機能を搭載しているため、WindowsおよびLinuxのOS用に推論モデルを実行ファイルとして出力することが可能なため、利用者はシステム開発の時間とコストをかけずに、柔軟な監視システムを構築し推論モデルの運用（モデルの最適化）も実現できます。

5. 直観操作で誰でもデータ分析作業が可能

CX-Mの操作は、グラフィカルな専用画面が用意されているため、マウスとキーボードだけで誰でも簡単に行えます。分析メニューを選択し、分析データを登録、モデル作成を実行すれば自動で分析作業が開始されます。操作マニュアルも充実していますので安心してご利用いただけます。

■CX-Mハードウェアスペック

時系列データとは

時系列データとは、時間的な変化を、連続的に観測して得られた値のデータです。データを時系列に並べることで、過去の様子を分析することも先の事象について予測することも可能になります。製造現場では、主に製造装置やセンサから出力されたデータが該当し、予知保全、品質改善、トレーサビリティなどのために利用されます。

・データ前処理とは

データの前処理とは、得られたデータを何らかの機械学習アルゴリズムに入れる前に、そのデータに何かしら手を加えることをいいます。具体的には、分析に不要なデータの除去（列除去、工程除去、トリム処理）、データ分割（トリガ分割、スライド分割、固定長分割）、複数次元一度に扱う場合正規化（Standard スケール変換、MiniMax スケール変換、RobustScaler スケール変換）などがあります。また、生のデータのままではデータの内部構造や関係性を十分表していない場合が多くあります。そのため最大限にそのデータを活用するには、統計的処理を施す必要があります。

機械学習とは

機械学習とは、蓄積された大量のデータをコンピュータで学習し、分類や予測などのモデルを自動的に構築する技術です。機械学習には、「教師あり学習」、「教師無し学習」、「強化学習」などのカテゴリーがあり、それぞれのカテゴリには多数のアルゴリズムが存在します。（例：サポートベクターマシン（SVM）、ランダムフォレスト、ロジスティック回帰、クラスタリング）。機械学習の1つにニューラルネットワークが存在し、さらに、ニューラルネットワークのアルゴリズムの1つがディープラーニングです。

教師あり学習とは

教師あり学習は、人間があらかじめ付けた正解のラベルに基づき、機械が学習を行い、データセットに対する応答値の予測を行うモデルを構築する方法です。また、教師あり学習の問題は、結果を離散出力で予測する分類と、実際の値を予測する回帰という2つのグループに分けることができます。製造業では、設備状態が良い時のデータと、故障時のデータを用意し機械学習させてモデルを作成し、それを使って設備を監視するという利用形態（分類）や、生産計画の予測（回帰）などが考えられます。

教師なし学習とは

教師なし学習は、学習データに正解を与えない状態で学習させる手法です。教師あり学習と違い、膨大な教師データを学習せず、データが持つ構造・特徴を分析しグループ分けやデータの簡略化をします。主な方法として、データの特徴を抽出する次元圧縮（PCA）と、データを同じような集まりに分けるクラスタリングがあります。それ以外に「異常検知」あるいは「外れ値検知」を行うための、Isolation Forestというアルゴリズムもあります。