予測メンテナンスは、エッジコンピューティングと人工知能を産業界に実装するための最短経路でしょうか?

前回の記事「かつてはインダストリアル インターネットの「キラー」アプリケーションと考えられていた予測メンテナンスが、期待通りに発展しなかったのはなぜか?」業界で大きな議論を巻き起こした。全員が、運用技術OT、情報技術IT、データ技術DTなどのさまざまな視点から予知保全の展望と課題を分析し、一緒に提案を出しました。

[[261062]]

予知保全 (PdM) はインダストリアル インターネットの重要なアプリケーションですが、新しいものではありません。 1990年代には航空機エンジンの分野でも試みられました。近年、産業用人工知能技術とエッジコンピューティング技術が徐々に進歩し成熟するにつれ、これまではハイエンド機器でのみ使用されていた予知保全が一般の人々でも使用できるようになり、大規模に適用できる経済的根拠も整ってきました。

予測保守は予防保守とは異なることを強調する必要があります。 Wikipedia ではこの 2 つを明確に区別しており、学ぶ価値があります。

予測保守 (PdM) は、稼働中の機器の状態に基づいて保守の時期を評価し、予期しない機器の故障を防止します。このアプローチは予防保守よりもコスト効率が高く、これを達成するための鍵は「適切な情報を適切なタイミングで提供すること」です。

簡単に言えば、予知保全は、平均寿命や予想寿命の統計ではなく、機器の実際の状態に基づいて、いつメンテナンスが必要になるかを予測します。

さらに一歩進んで、障害予測と健全性管理 PHM では、機器の残りの耐用年数を予測することもできるはずです。

予測保守が未来であることに疑いの余地はありません。

どうすれば予知保全市場を真に活用し、新たなビジネスチャンスを捉えることができるのでしょうか?前回の記事では、多くのやりとりやコメントが貴重なものだったので、この記事ではそれを継続し、拡張していきます。

この記事では、次の内容について説明します。

• 中国と海外の違いを詳しく見ると、国内のエンドユーザーは予知保全を利用する際にどのような懸念を抱いているのでしょうか?
• 予知保全の軍拡競争において、各社はどのような道を進んでいるのでしょうか?
• 産業用人工知能とエッジコンピューティングは、予測保守の新たなベクトルを導入しています。
• 中国で注目すべきスタートアップ企業にはどのようなものがありますか?
• 見る価値のある魅力的なレビュー。

内容量も多く、高濃度に精製しております。

1. エンドユーザーの懸念

予測メンテナンスはすべてのオブジェクトに適しているわけではありません。

ここでは、米国のインテリジェント保守システム (IMS) センターの分類を参照します。下の図を参照してください。縦軸は故障の頻度を表し、横軸は故障発生後の影響を表します。予知保全は、頻繁には発生しないが、一度発生すると大きな影響を与える障害に適しています。

• 低頻度、高影響：予知保全
• 低頻度、低影響：従来のメンテナンス方法
• 頻度が高く影響が大きい：システム設計に問題があり、設計を改善する必要がある
• 頻度は高いが影響は少ない：予備部品をもっと用意する

多くのエンドユーザーは、低頻度で影響の大きい障害を効果的に予測することを望んでいます。予知保全プログラムの実施にあたっては、国内の状況と海外の状況が若干異なります。

国内企業はシステム統合レベルでのリスクをより懸念している。

エンドユーザーの間でよくある懸念事項は次のとおりです。

（１）技術専門家の不足とモデル精度の向上の必要性

機構モデルとは、物体の内部機構、生産プロセス、物質の流れの伝達機構などに基づいて構築された正確な数学モデルを指します。このモデルは予知保全の基盤の一つですが、産業界におけるデータ思考はまだまだ定着し始めたばかりで、その仕組みを理解している専門家はやはり少数派です。

機器のメカニズムを深く理解するには、10 年以上、場合によっては数十年にわたる経験の蓄積が必要です。たとえば、工場内の重機が常に軸から外れており、それが機器の問題なのか部品の問題なのかについて長年議論が続いていましたが、解決には至りませんでした。経験豊かな老教授が見つかるまで、問題はついに発見されなかった。結局、問題は機器自体ではなく、基礎が軟弱で、それがドライブシャフトの故障の原因となっていたことが判明しました。

予知保全でどのようなデータを収集するか、センサーをどのように設置するか、収集頻度とサイクルをどのように選択するかなど、すべてはメカニズムモデルと業界のノウハウの理解に基づく必要があります。予知保全の技術的敷居は非常に高く、特に業界のノウハウ知識の敷居は高いと言えます。 IT 分野の技術だけを理解していると、自分のスキルがまったく役に立たないことがわかります。

（２）データの移植性が低い

なぜデータを移植する必要があるのか​​と疑問に思うかもしれません。データ管理戦略の基盤を形成するからです。真にデジタル化を実現したい産業企業は、保有するデータを包括的に理解し、完全かつ継続的に更新されるデータの可視性を確保し、ビジネス ニーズに基づいてオンデマンドでデータを移行する必要があります。

同時に、産業データの所有権と使用権は常にデリケートな問題でした。

産業データは、価値密度が低く、企業属性が強いという特性があるため、直接的なデータ取引が行われる可能性は低いと考えられます。しかし、産業データは非常に価値があり、すべての関係者がその使用権を取得したいと考えています。エンドユーザーはデータに基づいて生産と運用を改善できます。機器サービスプロバイダーは、データに基づいてより優れた機器メンテナンスとサービスを提供できます。機器メーカーは、データに基づいて機械のパラメータを改善し、機器の指標を最適化できます...

産業データは、分類の観点から、設備データと稼働状況データの2種類に大別できます。動作状況データには企業の内部業務情報が含まれており、エンドユーザーはそのデータを共有することを望んでいません。

予知保全の精度が高ければ高いほど価値は高まりますが、難しさも大きくなります。データ自体が資産であるため、エンドユーザーはデータのセキュリティとプライバシー保護に対する意識をますます高めています。予知保全の精度を向上させるには、アルゴリズムのトレーニングに大量のデータが不可欠です。データは利用可能、使用可能、再利用可能ですか?困難が多すぎます。

（３）サプライヤーはより大きなリスクをもたらす

予知保全が「キラー」アプリとして宣伝されて以来、多くの企業がこの分野を中心にビジネスを構築しています。中には偽物も多数あります。中には予知保全に「聴診器」を使う者もおり、慎重な診断に「CT装置」を使う者には苦笑いするしかない。

予知保全プロジェクトを実施する過程で、不必要な紛争が発生する可能性もあります。予測サービスを提供する IoT 企業は、多くの疑問に直面することがよくあります。

たとえば、デバイスに問題が予測された場合、エンドユーザーはその判断結果に疑問を抱く可能性があります。

エンドユーザーが診断結果に納得し、機器メーカーに解決策を求めた場合には、機器メーカーは、組み込みセンサーを使用した予知保全プロセス中に機器が破壊され侵入されたことが障害の原因であると判断する可能性があります。

埋め込みセンサーを使用せず、ウェアラブルセンサーに置き換えると、予測の精度に影響が出ます...

（４）潜在的な取引リスクとスイッチングリスク

エンドユーザーであれ、機器メーカーであれ、予知保全の技術パートナーを探す際には、プロトコル変換や技術的なトレードオフに直面し、その過程で技術サービスプロバイダーに縛られる可能性があります。

Uptake の例は良い例です。 2015 年 3 月、Caterpillar はテクノロジーとデータに関して Uptake と協力し、Uptake に株式投資を行いました。この提携を通じて、キャタピラーは自社の世界をリードする製品エンジニアリングおよび設計能力とアップテイクのソフトウェア、アプリケーション、データ分析スキルを効果的に組み合わせ、より効率的なソリューションを顧客に提供していきます。

2017年末、キャタピラーはUptakeへの投資を終了し、Uptakeの株式を保有せず、Uptakeとの協力分野を再調整すると発表しました。キャタピラーは、アップテイクへの投資を続けると自社の競争力が弱まることを認識している。同社は、予知保全機能を自社内に取り戻し、設備製造からサービス型製造MaaSへの変革をさらに推進していきたいと考えている。

• これについては、機器メーカーが予知保全を通じてビジネスモデルを変革するというのは誤った提案であると考える異なる意見を持つ人もいます。 (@郭云)
• しかし、予知保全は依然として行う必要がありますが、この方法ではできません...産業設備管理と産業サービスの現状と組み合わせ、診断形式の多様な組み合わせと人間の能力の共有から、産業サービスの産業化エコロジーから...（@杨明波-维修合作伙伴制+工业服务研究）
• 現在、産業界における IoT の応用シナリオは主に監視と診断であり、予測の精度とビジネス モデルについてはさらに検討する必要があります。 (@史磊)

2. 2つのエントリーパス

産業シナリオの要素には、人、機械、材料、方法、環境が含まれます。予知保全は主に「機械」に関連しています。自動車のバリュー チェーンには、自動車所有者、4S ストア、自動車メーカー、あらゆるレベルの自動車部品サプライヤーが含まれるのと同様に、「機械」のバリュー チェーンには次のものが含まれます。

• 最終アプリケーション企業（エンドユーザー）
• 機器サービスプロバイダー（エージェント、インテグレーター）
• 機器メーカー
• 上流産業オートメーションソフトウェアおよびハードウェアメーカー

[パス1]

革新的な IoT 企業に共通するアプローチは、エンドユーザーを中心とした価値を探求することです。

エンドユーザーが業界の主体であり、上流企業はすべてエンドユーザーを中心にビジネスを展開しているため、各種サービスの核となる到達点もユーザーです。

IoT 企業が行うことは、元のコントローラーのデータや通信プロトコルに干渉することなく、デバイスの周囲にセンサーや産業用ゲートウェイを追加することです。エッジとクラウド上のセンサーデータを分析してフィードバックし、「デバイスの脈動を感知」します。

センサーによって収集されたプロセス値（流量、温度、圧力など）は分析のためにエッジ クラウドに送信され、さまざまな評価チャートを表示したり、事前に定義されたアラーム メカニズムと組み合わせて、プロセス値の継続的な監視と分析を行うことができます。

センサーはどこに設置されていますか？どのような信号が収集されますか?この機械の特徴は何ですか？どのような原理が分析されるのでしょうか?収集されたデータが価値のあるものであることを確認するには、初期段階で詳細な分析が必要です。各センサーの導入とカスタマイズされた分析には時間と費用がかかるため、最も重要な障害ポイントから始めるのが理にかなっています。これは議論、試行、検証の長いプロセスです。

多くのプロジェクトは典型的な予測保守ではありません。シンプルなデータの表示とレポート分析、ステータス検出、リモート監視により、エンドユーザーのニーズをすでに満たすことができます。

[パス2]

従来の産業オートメーション大手は、プライベート プロトコルと既存の機器の利点を活かして、ソースから開始し、制御層から新しいハードウェアを直接接続し、浅いところから深いところまで予測メンテナンス サービスを提供することを選択しています。

2つの例を挙げてみましょう。

たとえば、シーメンスは 2018 年末に、インダストリアル エッジ コンセプトの一部を形成するエッジ アプリケーション用の新しいハードウェアをリリースしました。このコンパクトなエッジ デバイスは、組み込み産業用コンピューター SIMATIC IPC227E をベースにしており、生産側から生産データを直接読み取って処理できます。

このアプローチは、従来のコントローラ PLC に産業用コンピュータを追加し、制御層データを直接読み取り、分析し、産業用インターネット プラットフォーム MindSphere と連携して予測メンテナンスなどの機能を提供することに相当し、エッジ クラウド コラボレーションを通じて現場の管理レベルを向上させます。さらに、産業用アプリケーションの基盤となるフレームワーク条件が変更された場合、エッジ デバイス上のアプリケーションを同期的に調整して、デバイスの機能をリアルタイムで最新の状態に保つことができます。

ちょうど今週末の3月29日には、シーメンスはドイツのフォルクスワーゲングループとも契約を締結した。フォルクスワーゲンは、フォルクスワーゲンの122の工場と1,500のサプライヤーをカバーするシーメンスのMindSphere産業用インターネットプラットフォームを採用すると発表した。この協力によって生み出される波紋は、必然的に多国籍企業による産業用クラウド プラットフォームの導入を促進し、予知保全の実装を促進する上で一定の役割を果たすことになります。

制御レベルでの直接的な介入に加えて、モーターおよびドライブのメーカーも遅れをとることを望んでいません。三菱電機は2019年3月初旬、新世代汎用サーボドライブシステムJ5の発売を発表しました。これは次世代産業用ネットワーク技術TSNを採用した世界初のサーボ製品となるだけでなく、インテリジェント制御技術Maisartも統合します。

Maisart は、最先端のテクノロジーを生み出す三菱電機の AI の略称です。 Maisart とサーボ ドライブ システム J5 を統合すると、機械的なトランスミッション コンポーネント (ボール スクリュー、ベルト、ギアなど) とドライブの検出、診断、予測メンテナンスが組み込み方式で直接実現されます。

革新的な IoT 企業や、従来の産業オートメーション大手でさえも、予知保全、より正確には予知保全によって生み出される巨大な市場空間をめぐる軍拡競争を開始しています。

予測メンテナンス、品質管理、リモート監視、資産追跡など、その背後にある IoT テクノロジーは同じです。したがって、予知保全は水平統合機能を備えたアプリケーションです。

予知保全プロセス中に収集される機器データには、プロセス、品質、パフォーマンス、効率などの指標が含まれており、機器レベルから生産ラインレベルまで拡張できます。

予知保全が収集するデータ ポイントが増えるほど、データの価値が高まり、メカニズム モデルの理解が深まり、蓄積された経験が豊かになり、水平統合の能力が強化され、企業が新しい方法と手段でコスト削減と効率向上の問題を解決するのに役立ちます。

3. PdMの新しいベクトル

市場にある既存の予知保全ソリューションのほとんどは、クラウド コンピューティングまたはフォグ コンピューティング レベルです。エッジコンピューティング能力の向上と産業用人工知能の発展により、エッジで予測保守を完了することがより経済的に実現可能になりました。

一部の企業は、予測保守に対するユーザーのニーズを満たすために、産業用人工知能アルゴリズムを搭載した最新世代のエッジ コントローラーを開発しました。

このタイプのエッジ コントローラーには「弱い人工知能」が搭載されていることが多く、人工知能を制御プロセスにリアルタイムで統合して、機器の異常を診断および予測します。

簡単に言えば、「強い」AI とは、人間に近い、あるいは人間を超える知能を持つ AI システムを指します。 「弱い」AIは、数学とコンピュータサイエンスの手法に基づいて特定のアプリケーション問題を解決することに重点を置いており、このように開発されたシステムは自己最適化が可能です。弱い AI は、産業分野における実用的な問題を解決するのに適しています。

異常検知アルゴリズムに関しては、現在販売されているこのエッジコントローラは、「Isolation Forest」機械学習エンジンを使用して開発されました。

このアルゴリズムはメモリ要件が低く、処理速度が速いです。時間計算量も線形であるため、高速リアルタイム処理に非常に適しています。微調整により検出精度と正確性を向上させることができます。同時に、このアルゴリズムはマルチモーダルデータにも適用可能であり、2 つ以上の動作モードを必要とする混合度の高い生産ラインでも使用できます。

エッジ コントローラは、この一連のアルゴリズムに基づいて、対象オブジェクトのデータを収集して記録し、事前に設定されたアプリケーション モデルに基づいて、機器の動作の履歴傾向を分析し、機械の異常状態の可能性を予測し、適切なタイミングで電気機械システムの合理的かつ効果的な診断とメンテナンス対策、さらには JIT (ジャストインタイム) メンテナンスを実行するようにユーザーに促してガイドします。

現在、エッジ コントローラの予知保全機能は、主にシリンダー、ボールねじ、コンベア ベルト、同期ホイールなどの機械伝動部品を対象としています。

このような予防保守プログラムのパフォーマンスは、主に次の 2 つの主要な要因に依存すると予測できます。

• データ収集: 機械の動作を効果的に理解するのに役立ちます。
• アルゴリズムを適用する: 学習モデルを作成および最適化し、正確な判断を下します。

エッジ コントローラーは、産業用人工知能アルゴリズムに基づいて、プログラムでは検出できない、または人間の目では区別できない異常な状態を識別する可能性があり、デバイスの動作に関するより包括的かつ正確な学習と理解を実現します。

4. 代表的な国内企業

予知保全の分野では、中国には注目に値する企業がいくつかあります。ここに 2 つの例を示します。

（１）天澤志雲

Tianze Zhiyun は産業インテリジェンス企業です。同社の産業用ビッグデータ プラットフォームは、主に分析アルゴリズム、エンジニアリング専門家のドメイン知識、およびソフトウェア製品に基づいています。統合データ収集と分析、設備の健全性管理、障害予測と診断、メンテナンスの意思決定と最適化など、さまざまな産業用ビッグデータアプリケーションサービスを統合したカスタマイズされたソリューションを産業企業に提供します。

同社は、10年以内に安心して生産・運用できる産業シナリオを100件達成するという目標を掲げている。

現在、天澤志雲は主にエネルギー、鉄道輸送、CNC加工、産業用ロボット、設備製造などの分野に注力しており、顧客に産業用ビッグデータ応用コンサルティング、データ収集と分析、設備状態評価などのビッグデータ分析ソリューションを提供しています。

（２）西安銀聯

Xi'an Inlink は、機器の操作シナリオと機器のメカニズムに対する深い理解に基づいた完全なデータ アクセス統合ソリューションを提供します。振動信号の分析とセンシング、IoT テクノロジー、データ アルゴリズムなどのテクノロジーを組み合わせることに優れており、産業ユーザーに、より効率的で信頼性の高い予測的な設備メンテナンス ソリューションを提供します。

Inlink のインテリジェントな設備運用および保守ソリューションは、90% の障害識別精度で 3 か月前に設備の早期故障を特定できるため、企業は重大な安全事故を防止し、保守のための毎日のダウンタイムを 30% 以上削減し、保守コストを 30% 以上節約し、生産効率を効果的に向上させることができます。 Inlink は、機械インテリジェント運用・保守 SaaS プラットフォームと機械ヘルス ビッグデータ プラットフォーム製品ソリューションを開発し、鉄鋼、化学、電力、セメント、製紙、自動車、食品・飲料などの業界の顧客に利用されてきました。

最後に、素晴らしいコメントをお楽しみいただく前に、執筆プロセス中に力強いサポートをいただいた、Advantech Technology のマーケティング ディレクターである Wang Yu 氏と、Smart Manufacturing Column の創設者である Zheng Yuming 氏に心から感謝申し上げます。

5. 素晴らしいコメント

（１）清華大学の卒業生：

私が今理解しているのは、中国における予知保全の認識はまだ初期段階にあるが、大企業では徐々に認識と意欲が高まっているということだ。国は予知保全よりも早期警告の価値を強調する必要がある。コスト削減よりも安全な生産が重要というのが国の現状です。

国際的な産業界では、すでに比較的詳細な設備管理を行っているため、予知保全の定義は比較的厳格です。国内企業はまず基盤を整備する必要がある。予知保全の考え方を活用して、機器のデータ分析に注意を払うことができます。

（２）薛晨宇：

モノのインターネットの価値は、データを通じて産業チェーンを再構築することです。たとえば、予測保守を通じて、サプライチェーンファイナンスや保険サービスを開始できます。まず、資本占有率を削減でき、次に、結果に対して支払いを行い、顧客の悩みを解決できます。現在の顧客は、この変革の価値について躊躇するかもしれないが、シェアリングエコノミーやレンタルエコノミーの起業家など、既存のバリューチェーンを混乱させる「ナマズ」が出現するだろう。変化は外部からやってくることが多く、自分自身を変革する勇気を持つ人はほとんどいません。既存のバリューチェーンに留まっていると、予知保全は実現できません。シェアリングエコノミーは、実際には予知保全の応用シナリオです。

（３）マクレイジー：

予知保全は、風力発電や鉄道など、多くの分野で非常に成熟したアプリケーションとなっています。多くの人がこの技術をインターネットと結び付け、非常に高い期待を寄せているのは、より多くの分野で普及するのに役立つ可能性のある経済的利益があるからだと私は考えています。私の提案は、さまざまな製品ソリューションを研究し、それらをインターネットベースのソリューションにどのように変換できるかを確認することです。次に、企業ユーザーの実際の要求を見ると、なぜ実装サイクルがこれほど長いのかが大体わかるでしょう。物事は良いのですが、現実に直面するにはまだ忍耐が必要です... 鍵となるのは、何を予測するか、何を維持するかです... 前者は必要な投資を決定する不確実なリスクであり、後者は必要な投資予算を決定する特定のアプリケーション シナリオです。

（４）趙敏：

いわゆる「キラーアプリケーション」、いわゆる爆発的かつ驚異的なアプリケーションは、純粋に一部の人々のYYである産業分野に登場すると想像されています。

（５）タン・ドン：

予測メンテナンスの成果は素晴らしいですが、成果は高いところにあるので、まずは下の成果を収穫しましょう。

（６）クリス・ガオ：

社会環境と産業計画の推進が必要であり、ビジネスモデルは技術革新への投資を決定し、設備モデルとメカニズムの知識ベースとリアルタイムの動的閉ループ分析は予知保全を実現し、産業情報変換は不確実性リスクを排除するための人間の認知プロセスです。

（７）王氏：

2、3年前、私は予知保全について勉強しました。データを使用して、システムがどのように動作するかを示す有限状態マシン モデルを構築するという考え方です。次に、実際のデータとステートマシンの予測との偏差に基づいて予防措置が講じられます。その後、いくつかの問題が見つかりました。 1 つ目は、データの量と次元が大きすぎるため、基本的にデータを少なくとも数十次元のベクトル空間に分割する必要があることです。計算量が多すぎます。 2つ目は、実際のデータの誤差が結果に大きく影響することです。 3つ目は、多くのデバイスでデータ量が不足していることです。しかし、産業機器における予測分析の応用には依然として将来性があると考えています。産業機器の稼働条件が比較的安定しているため。やはり予知保全には適しています。

（８）シャオ・フー：

投資収益率を計算するのは困難です。インダストリアル インターネットは、まず産業用であり、次にネットワークです。産業とは、種類が多く、産業の集中度が低く、詳細が複雑であることを意味します。

ビジネスモデルの観点から言えば、お金を節約することは必ずしもお金を稼ぐことを意味するわけではありません。効果は、イベントの前か後か、アクティブかパッシブかによって異なります。

基盤がしっかりしておらず、データの量が不十分であり、インテリジェント サービスでは、ライフサイクル全体にわたってデータが自動的に流れることになります。企業のバリューチェーンがどこまで広がるのか、またそれをどのように判断するのかについては、まだ議論の余地がある。

（９）郭昭慧：

この概念が生まれて以来、私はこれに対して決して楽観的ではなく、ほとんどのアプリケーションにとってこのアイデアは非現実的で信頼できないと繰り返し批判してきました。

（10）バードマン：

予防保守を行えることは、さらに一歩進んで自己修復を行うことほど良いことではありません。機器の故障を防ぐのはそれほど簡単ではありません。たとえば、電子機器工場の設備には数万個の部品と数万本の配線があります。どうすれば監視できるのでしょうか?いくつかのチップはプログラムされており、多くの配線は隠されています。摩耗や劣化の場所をどのように特定できますか?設備予防の核心は定期的なメンテナンスですが、多くの企業はこれにあまり注意を払っていません。予知保全の可能性のある方向性は、大規模ではなく、少数の標準化された業界および標準化された機器にのみ適用されることです。

（11）レスター：

予測保守には、ビッグデータ分析だけに頼るのではなく、物理モデルのサポートも必要です。同時に、データはセンサー データとプロセス データの組み合わせである必要があります。そうでないと、得られる結論は盲人が象に触れるようなものです。

（12）リトルストーンメイソン・オールドチャン@流通ネットワーク：

機器の安全性の問題には包括的な解決策が必要です。保守計画内の単一のソリューションを、客観的なニーズから切り離されたレベルまで人為的に引き上げることは不可能です。

インターネットの魔術師の中には、破壊活動、横取り、あるいは曲線上での追い越しに夢中になっている者もいる。当社は 1998 年から設備の安全性とメンテナンスのソリューションに携わっており、状態基準メンテナンスや予測メンテナンスの問題を熟知しています。それはそんなに簡単なことではありません。もしその問題を解決できるなら、我々年寄りはとっくの昔にそれをやっていただろう。皆さんは横断する機会がありますか?

2010年に私は中国国家電網公司を訪れ、変圧器の故障予測について専門家と話をしました。いくつかの障害モードはまだ理解しています。その結果、専門家は、いくつかの主要な指標を作ることはまだ可能だが、変圧器の故障の種類が多すぎて、メカニズムが非常に複雑であり、故障モデルを洗練することはできないと語った。

現在、プロセスチェーンにおけるプロセスと機器の電気的複雑さはますます高まり、動作速度もますます速くなっています。障害モデルは扱いが難しすぎます。障害モデルがなければ、どうやって障害を予測できるのでしょうか?過去の閾値判断を今でも使えるのでしょうか?

もちろん、2年前、私は旧華能陽洛発電所の美しい専門家に、統計的手法を通じて設備の故障モデルを習得すべきだと提案しました。これは、表面的には、今日非常に流行している人工知能の反復学習に非常に似ています。

問題は、同じ機器がさまざまな複雑な作業環境で使用されているため、それがどれほど効果的であるかが誰にもわからないことです。さらに、人工知能の反復学習は実験科学に属し、強い制約のある理論はありません。今月は信頼できるかもしれませんが、来月はまったく信頼できない可能性が非常に高いです。企業のセキュリティは大きな問題ですが、そのときセキュリティの責任を負うのは誰でしょうか?

これは実験科学ではありますが、私は最近上司に、思い切って高電圧キャビネットを使って実験してみるよう提案しています。

（13）彭国華 - 産業サービス同盟：

航空機エンジンや鉄道輸送設備など、計画外のダウンタイムを 0% 以内に抑える必要がある一部の機器では、予知保全は必須のオプションですが、メーカーはすでにこれを行っています。計画外のダウンタイムが 5 ～ 10% の範囲で許容される機器の場合、予測メンテナンスは 1 つのオプションに過ぎず、ほとんどの場合、他の管理手段と比較して費用対効果が低く、非常に非経済的なオプションであるため、エンド ユーザーは積極的に取り組みません。

（14）ロジャー：

業界の特性を持つサービスプロバイダーには、明らかな機会と利点があります。プロジェクトベースでサービスを提供する一般的なサービスプロバイダは、カスタマイズ開発のため準備サイクルが長くリスクが高いだけでなく、ユーザーと機器メーカーの両方から圧迫されることになります。

（１５）大魔王羅：

設備の稼働状況検知にはセンサー分野の深い研究が必要ですが、国内のIoT企業の多くは通信技術に重点を置いています。さらに、設備状態評価モデルをどのように確立するかも技術的な難しさです。

これら 3 つのテクノロジーを完全に統合し、成熟したソリューションを育成するためのコストは、一般的な中小企業には負担できません。また、センサーや評価モデルの複製性は高くなく、ソリューションは 1 つの業界内でしか展開できません。したがって、あらゆる業界に適用できる予知保全ソリューションを開発するには、さらなる忍耐が必要です。

（16）叫ぶ：

分析が非常に徹底しています!従来の方法 (センサー、エキスパート モデル) を使用すると、コストが高く、複製が難しいという問題を解決することが難しく、純粋な IT 方法 (モノのインターネット アクセス、機械学習) を使用すると、予測が不正確になり、評価が難しくなります。広く使用する前に、低コストで、表現しやすく、比較的正確で、比較的正確な予測と評価可能なシステムを実現するための画期的なテクノロジーが必要です。現在、控えめな方法で実行されている革新的なモデルがいくつかあり、爆発する日を楽しみにしています！

（17）アンドリュー、産業インターネットの伝道者：

2008年、私はAPMを中国に戻しました。当時、SinopecとPetrochinaはまだRBI検証を行っていました。 10年が一瞬で過ぎました。

実際、機器の予測的維持は万能薬ではありません。近年、それはそれが素人のグループによって台無しにされています。

石油化学的企業を例にとると、振動モデルのみがメカニズムレベルにありますが、腐食や潤滑などの他のものは理論的な結果とはほど遠いものです。

それで、ビッグデータによる失敗の原因を決定することは可能ですか？

ハハ、これは面白いです。

優れたデバイス、輸入機器は問題ありません。

なぜ？

信頼性の問題が設計で考慮されており（設計レビュー）、主要部分の応力分布、パイプラインのさまざまな場所での腐食率の統計など、完全な信頼性の実験データ（構成されていない）があります。

「デジタルハンドオーバー」を通じて、プロセス、機器データ、プロセスパッケージは完全に統一され、視覚的に所有者に引き渡されます。所有者はプロセスデータを信頼できます。これらのデータは、理論的分布に適合し、予測回帰を実行するために使用できます...

それでも、多くの場合、ほとんどの場合、建設逸脱とスケジュールの要件により、配信されたシステムは元のデザインと同じではなくなり、所有者はCAをするのが怠けていて、悪い俳優を見つけることができ、RCMを行うことにさらに消極的です。私はPi、IP21を使用し、エンジニアの脳に高価なシステムに取って代わることを夢見ています。

これらの中国の巧妙なトリックは、中国企業のインテリジェント化プロセスを害しました。

（18）Mu Ming：

予測メンテナンスの市場はまだあります。コーナーを切ってはいけません。着実にしてください。

（19）Guo CE：

ビッグデータは、コストとテクノロジーの両方の観点からは実現できません。検出とモデリングのために従来の小さなデータを使用することは低コストであり、数十年にわたる運用と理論的基盤があり、より実用的です。パフォーマンスを毎週または毎月予測できる場合は、メイン機器と主要な補助機器を管理することは意味があります。

四半期ごとの機器メンテナンス計画と毎月のスペアパーツ調達計画を作成する際には、モデルデータを参照できます。

（20）wu yifei-shanghai yuzheng：

時間と予想される結果の間のギャップ。 「予測」の本質は、上級産業職員による既知の現象の理解と、十分なデータサンプルトレーニングに基づいてコンピューターの専門家間の衝突に基づいて数学的計算モデルを抽象化することです。十分な基本データ、プロセスへの人間の介入、およびモデルの検証と最適化はすべて、時間に基づいて必要です。期待と実際の結果の間のギャップを合理的に扱い、AIが現在効率を改善するための単なるツールであることを合理的に認識できる場合、「キラーアプリケーション」が最終的に出現すると考えています。

（21）とにかく：

予測的維持の焦点は、パイロットやドライバーなどの人間マシン相互作用プロセス中の相互の影響力にあるべきであり、手動操作の有効性の評価を提供する必要があります。その存在の基礎は、原料の故障の信頼性理論だけでなく、予測されたオブジェクトの作業環境に基づいて、熱応力、構造応力、潤滑摩耗、その他の要因などの機器の潜在的な外部応力を特定する能力でもあります。同時に、動作手順の最適化のための定量的データサポートも提供します。

予測オブジェクトの視点に立って、予測方法のカスタマイズされた設計について議論する必要があります。一般的な予測モデルの実装には、二次開発のための拡張可能なインターフェイスを提供するためにミドルウェアまたはプラグインテクノロジーを導入する必要があります...

予測的なメンテナンスは、信頼性エンジニアリングの経験と常識に基づいて、人間、機械、材料、方法、環境、測定の6つの要素をカバーするビジネスでなければなりません（専門的または特定の技術は言うまでもありません）...

まとめ：

• 予測メンテナンスは、まれに発生する障害に適していますが、発生すると大きな影響を与えます。
• 予測メンテナンス、品質管理、リモート監視、または資産追跡のいずれであっても、その背後にあるIoTテクノロジーは同じです。したがって、予測メンテナンスは、水平統合機能を備えたアプリケーションです。
• 市場にいる既存の予測メンテナンスソリューションのほとんどは、クラウドコンピューティングまたはフォグコンピューティングレベルにあります。エッジコンピューティングパワーの改善と工業人工知能の開発により、エッジで予測的なメンテナンスを完了することがより経済的に実行可能になりました。