突発停止を兆候の段階で防ぐ
予告なく止まっていた設備を兆候の段階で捉え、計画外停止を減らします。
主なメリット
保全をスケジュールに変える
故障後の修理ではなく、兆候を見て保全スケジュールを組みます。
危険と兆候を分けて見る
基準値は明らかな危険を、AIはわずかな兆候を捉えます。
現場で基準を合わせる
誤検知と見逃しを現場のフィードバックで修正しながら運用します。
誰が使うか
保全、生産、工場の責任者がともに見ます
設備 · 保全担当者
警告が出た設備のセンサー推移と異常の程度を見て、点検の要否とタイミングを決めます。
生産管理者
保全スケジュールを生産計画に事前に反映し、計画外停止を減らします。
工場長 · 品質責任者
設備の状態と品質履歴をあわせて見ながら、設備投資と更新のタイミングを判断します。
機能
収集し、学習し、知らせる
01
センサーを接続
振動 · 電流 · 温度センサーとPLCの値を、LINKER SERVERでリアルタイムに収集します。
02
まず正常な状態を学習させる
故障記録がなくても大丈夫です。正常運転の区間を選び、AIが通常の状態を学習します。
03
危険は基準値ですぐに捉える
センサーごとに正常範囲を決めておき、外れたら即座に危険として通知します。
04
わずかな兆候はAIが捉えます
通常のパターンから少しずつずれていく度合いをAIがスコア化し、故障の前に知らせます。
05
警告と危険を分けて通知
兆候は警告、明らかな危険は危険と分けて担当者に通知します。
06
現場で基準を合わせていく
誤報と見逃した兆候を現場の意見で修正しながら、精度を高めます。
画面
設備の状態を画面でご確認ください
画面1 · 設備別健全性スコア、振動・電流・温度、故障リスクの原因、点検推奨
設備別AI健全性スコア
実際の導入画面です。設備ごとにAI健全性スコアを表示し、スコアが下がった設備はセンサーグラフと故障リスクの原因、点検推奨へすぐにつながります。
- 健全性スコア
- リスク原因
- 点検推奨
画面2 · 設備別・時間帯別のAI健全性スコア、正常・注意・危険の色、設備状態サマリー
健全性スコアのヒートマップ
実際の導入画面です。設備ごとに時間帯別の健全性スコアを色で表示するため、どの設備がいつから悪化したかがひと目でわかります。
- 時間帯別スコア
- 注意・危険区間
- 設備サマリー
画面3 · AI健全性スコア、電流・振動・温度の現在値とグラフ
設備の詳細分析
実際の導入画面です。一台の設備の健全性スコアと電流・振動・温度の推移をあわせて見ながら、原因を絞り込みます。
- 健全性スコア
- センサー別グラフ
- 原因確認
活用事例
よく止まる設備から適用しましょう
回転設備
粉砕機、ポンプ、モーターの振動と電流の変化から、ベアリングや軸の異常兆候を捉えます。
加熱設備
加熱器の温度推移が通常のパターンと異なる区間を見つけます。
遠心分離設備
回転数と負荷が同時に揺らぐパターンを異常の兆候とみなします。
自動化ライン
ライン設備の稼働・停止記録とセンサー値を組み合わせ、故障の兆候を予測します。
導入事例
設備の前で、すでに監視しています
食品製造 · 飲料
設備が止まる前にお知らせします
- 課題
- 主要設備が予告なく止まると、生産計画と品質がともに崩れていました。保全は故障してから始まっていました。
- 方法
- 振動・電流・温度センサーを接続し、二重に監視します。正常運転データからセンサーごとの上下限を設定して明らかな危険は即座に検知し、AIが正常パターンを学習して、時間とともに少しずつずれていく兆候を捉えます。警告と危険の基準を分け、誤検知・見逃しは現場で調整していきます。
- 変わった点
- 故障後の修理から、兆候を見て計画する保全へ変わります。ダッシュボードと通知で保全担当者が先に動けます。
二次電池材料
環境設備の異常はまずSMSで、故障原因はデータで
- 課題
- バグフィルター · スクラバー · 集じん機などの環境設備が工場のあちこちに分散しているため、停止や異常が起きても巡回点検のときまで気づけませんでした。なぜ止まったのかも記録に残りませんでした。
- 方法
- Linker Serverで設備ごとに前段 · 後段温度、レベル、送風電流、循環温度、積算電力量をリアルタイムに収集します。設備ごとに警告 · 注意 · 管理の3段階の条件を設定し、条件に該当すると担当者にSMSを送信します。稼働 · 非稼働時間とアラーム履歴を蓄積し、故障原因と停止パターンを分析します。
- 変わった点
- 異常が起きると、まず担当者のスマートフォンが鳴ります。設備別の稼働率と停止履歴が週単位で蓄積され、同じ故障を繰り返す設備を見つけて先に手を打ちます。
製造設備
モニタリングデータで故障の兆候を予測します
- 課題
- 設備のモニタリング画面は現在の状態を表示するだけで、いつ故障するかはわかりませんでした。
- 方法
- Linker Serverが集めた設備データを学習データとしてそのまま使える構成をつくり、故障兆候の予測モデルを組み込みました。
- 変わった点
- 収集サーバーが、そのままAI学習データの倉庫になります。別途データを移行することなく予測を始められます。
適用シナリオ
LINKER、MESとつなげば、保全が生産計画になります
必要なときに製品を一つずつ加え、このように広げていきます。
- LINKER センサー値を収集します。
- Predict 異常スコアを計算します。
- LinkerFlow ダッシュボードに警告を表示します。
- Predict 警告が発生します。
- オーケストレーター 保全履歴と点検項目を整理します。
- TEAMS 保全担当者にメッセージを送ります。
- Predict 保全スケジュールを組みます。
- MES 生産計画に保全時間を反映します。
- 作業指示を調整します。
既存システムとともに
センサー値は工場の外に出ません
設置環境
工場内部のサーバーに設置するため、設備データは外部に出ません。
既存システムとの連携
既に設置されているPLCとセンサーはLINKERでそのまま受け取り、通知はメッセンジャーとダッシュボードに送ります。
オープンスタンダード
OPC UA、Modbus、MQTTのセンサーとPLCのデータを使います。
FAQ
よくあるご質問
故障データがほとんどなくても大丈夫ですか?
できます。故障データではなく正常運転データを学習し、正常からどれだけ外れているかを見ます。
センサーを新たに取り付ける必要がありますか?
既存のPLCの値とセンサーからまず始めます。振動のように欠かせない値がない場合は、センサーの追加もあわせて設計します。
誤検知が多い場合はどうしますか?
警告と危険の基準を分けておき、現場のフィードバックで基準を見直しながら誤検知を減らします。
導入期間はどれくらいかかりますか?
データ分析、正常区間の定義、モデル構築、試験運用、展開の順に進め、設備の台数とデータの状態によって期間が変わります。