製造業DX成功事例に学ぶ_AIによる_異音検知_で進める機械メンテナンスの自動化-ものづくりワールド.pdf

Transcript

1. 1 Copyright © TRUST CO., LTD. All Rights Reserved. トラストのモノ・コト・夢づくり DXサービス 製造業DX成功事例に学ぶ! AIによる「異音検知」で進める 機械メンテナンスの自動化 2025.07.09
2. T R U S T 髙宮 時生 株式会社トラスト ソリューションアーキテクト 2024 Japan AWS Top Engineers(Service) 2025 Japan AWS Top Engineers (AI/ML Data Engineer) 2025 Japan All AWS Certifications Engineers 役割 • お客様へのヒアリング、ご提案からAWSを使用したサービス開発まで • アマゾン ウェブ サービス(AWS)を駆使した新技術の研究開発 • AI/を使った異常検知システムの構築・導入・運用保守 Copyright © TRUST CO., LTD. All Rights Reserved. 2
3. T R U S T Copyright © TRUST CO., LTD. All Rights Reserved. 3 お話する内容 • 導入の背景 • ソリューション(技術的な詳細含めて) • 効果 • 実際の運用状況 【チェーンコンベアの異常検知 ～竹内製菓株式会社様～ 】 • 導入の背景 • ソリューション • 効果 • 実際の運用状況 【自動車向けホーンの検査システム】 トラストのご紹介 • 株式会社トラストについて • 中堅中小企業（製造業）の主な課題 • トラストのアプローチ • トラストの製造業向け”クラウドネイティブ”基幹システム全体像
4. T R U S T 株式会社トラストについて Copyright © TRUST CO., LTD. All Rights Reserved. 4 新潟日報（2023年11月15日） 日本経済新聞（2023年12月26日） ＜新聞掲載＞ ＜受賞＞ AWS「SI Rising Star Partner of the Year（2023年）」 トラストは中堅・中小企業向けのDX事業に注力しています! ※2023年、新たに AWS パートナーとなり、 AWS 関連システムインテグレーター事業において、 前年同期比で大幅な成⾧を遂げたパートナーを表彰するアワードです 地方の中堅・中小企業への支援評価 いただいた
5. T R U S T All Right Reserved, Copyright TRUST Inc. 2016 5 中堅中小企業（製造業）の主な課題 業務面の課題 • 部門ごとにシステムや管理方法がバラバラで、全体最適ができていない • 現場・紙・口頭に依存したアナログ業務が多く、正確性や効率に課題 • エクセルで独自に作った帳票・集計が多く、担当者依存が強い • 在庫や原価の見える化ができておらず、無駄なコストや過剰在庫が発生 人・組織の課題 • 経験や勘に頼る業務が多く、属人化している • 人手不足・高齢化により、現場のノウハウ継承が難しい • IT人材が不足しており、システム運用・改善が進まない 環境変化・技術面の課題 • 製造プロセスがノウハウの塊で、標準的なパッケージソフトやSaaSが合わない • 環境規制やトレーサビリティへの対応が負担になっている • 海外・大手取引先からのDX要請が増えている
6. T R U S T トラストのアプローチ All Right Reserved, Copyright TRUST Inc. 2023 6 規模の拡大に伴い 「足枷」となる 勤怠管理/情報共有ツールで有効 製造業の業務システムなど （自社業務に合わない=>カス タマイズ費用発生) 独自業務プロセスのIT化に最適 スモールスタート可能 失敗リスク大
7. T R U S T All Right Reserved, Copyright TRUST Inc. 2016 7 AWS IoT Core AWS IoT GreengrassAmazon SageMaker AI Amazon Timestream Amazon Simple Storage Service (Amazon S3) AWS Identity and Access Management (IAM) AWS Amplify AWS Lambda Amazon Cognito AWS AppSync Amazon DynamoDB Amazon Bedrock Amazon QuickSight Amazon Athena トラストの製造業向け”クラウドネイティブ”基幹システム全体像
8. T R U S T All Right Reserved, Copyright TRUST Inc. 2016 8 AWS IoT Core AWS IoT GreengrassAmazon SageMaker AI Amazon Timestream Amazon Simple Storage Service (Amazon S3) AWS Identity and Access Management (IAM) AWS Amplify AWS Lambda Amazon Cognito AWS AppSync Amazon DynamoDB Amazon Bedrock Amazon QuickSight Amazon Athena トラストの製造業向け”クラウドネイティブ”基幹システム全体像
9. T R U S T Copyright © TRUST CO., LTD. All Rights Reserved. 9 お話する内容 • 導入の背景 • ソリューション(技術的な詳細含めて) • 効果 • 実際の運用状況 【チェーンコンベアの異常検知 ～竹内製菓株式会社様～ 】 • 導入の背景 • ソリューション • 効果 • 実際の運用状況 【自動車向けホーンの検査システム】 トラストのご紹介 • 株式会社トラストについて • 中堅中小企業（製造業）の主な課題 • トラストのアプローチ • トラストの製造業向け”クラウドネイティブ”基幹システム全体像
10. T R U S T Copyright © TRUST CO., LTD. All Rights Reserved. 10 https://aws.amazon.com/jp/solutions/case-studies/takeuchi-case-study/ ＜AWS導入事例掲載＞
11. T R U S T 【チェーンコンベアの異常検知 ～竹内製菓株式会社様～ 】 Copyright © TRUST CO., LTD. All Rights Reserved. 11 導入の背景・お客様の抱える課題 【背景】  2か所の工場で計10機のチェーンコンベアの稼働  年に数回故障  生産ラインが止まってしまうと次の工程に進めなくなる  繁忙期には機械に空きがないため大きな影響が出る  故障の内容によっては業者に依頼して復旧までに 3 日程度  場合によってはお菓子を廃棄することも 故障⇒生産過程でゆっくりと進行して発生  熟練の社員であれば、経験と勘でその予兆をとらえることもある  ex. いつもより高音がするなど 【課題】  音の検査が熟練社員へ依存し負荷が集中してしまう  始業時と終業前にコンベアを空回しして点検  検査員の人材不足  検査員に対する精神的なプレッシャー →故障すると影響が大きい  以前、モーターの電流の変化を監視するセンサーを導入したがうまくいかず  熟練社員が音で故障を捉えることから、「音による故障予知ができないか?」 もち米を乾燥させる機械
12. T R U S T 【チェーンコンベアの異常検知 ～竹内製菓株式会社様～ 】 Copyright © TRUST CO., LTD. All Rights Reserved. 12 ご提案・ソリューション  正常な動作音を学習するアプローチで、異音を検知する仕組みをご提案  シングルボードコンピュータを機械に「後付け」し、マイクで収音  Autoencoderを使った「教師なし学習」でモデルを構築(詳細は後ほどのスライドで)  推論結果で異常判定された場合は、メールで通知  メールに異常判定された音ファイルを添付  現場に行かなくても音の確認が可能  Amazon QuickSightで可視化し、トレンドを分析  AWSのマネージドサービス、サーバレス技術を使用し堅牢で可用性の高いシステム
13. 13 どのように実現したのか? 技術的なお話を次のスライドから
14. T R U S T 【チェーンコンベアの異常検知 ～竹内製菓株式会社様～ 】 Copyright © TRUST CO., LTD. All Rights Reserved. 14 教師あり学習 •正常データと異常データで学習をする •「正確で大量のデータ」ではっきりと「正解」「不正解」が 分かる場合 •例:AWS SummitのJR東海様 •「開閉器動作音による異常検知」(電気設備の異状検知) •電気の入・切をするスイッチである開閉器の電流が流れ るときの動作音を学習 •【メリット】 1. 特定の音に対する推論の精度が高い •【デメリット】 1. 故障を模擬して作った異常データを用意する必要がある 2. 学習したデータの種類に対してしか判定できない •様々な故障モードに対応できない •例:チェーンコンベアのチェーンが空回りする音、きしむ音 など 教師なし学習 •正常データのみで学習をする •「正常とは異なるデータ(外れ値)」を異常と判定するモデルを 構築 •【メリット】 1. 故障を模擬して異常データを作成する必要がない 2. 様々な故障モードに対応可能(正常ではない音を異常 と判定するため) •例:チェーンコンベアのチェーンが空回りする音、 きしむ音など •【デメリット】 1. 推論精度を上げるのに一苦労 • (明確な「正解」「不正解」データがないため) →竹内製菓様で蓄積したノウハウで解決! 機械学習モデルのAutoencoderを活用する Autoencoderによる「教師なし学習」によって実現 機械学習モデルの構築方法は大きく分けて2つあります
15. T R U S T 【チェーンコンベアの異常検知 ～竹内製菓株式会社様～ 】 Copyright © TRUST CO., LTD. All Rights Reserved. 15 ①音データの録音 ②前処理1 (フーリエ変換) ③前処理2 (短時間フーリエ 変換(STFFT)) ④前処理3 (メル尺度に変換) ⑤AIモデル作成 (Autoencoder) Autoencoderによる「教師なし学習」の流れ
16. T R U S T 【チェーンコンベアの異常検知 ～竹内製菓株式会社様～ 】 Copyright © TRUST CO., LTD. All Rights Reserved. 16 前処理1(フーリエ変換) 音データをフーリエ変換する。縦軸は周波数の振幅、横軸は周波数[Hz]
17. T R U S T 【チェーンコンベアの異常検知 ～竹内製菓株式会社様～ 】 Copyright © TRUST CO., LTD. All Rights Reserved. 17 前処理2(短時間フーリエ変換(STFFT)) 前処理1のフーリエ変換データをもとに時間ごとの周波数の変化のデータを取得する。 縦軸は周波数、横軸は時間、色は振幅。
18. T R U S T 【チェーンコンベアの異常検知 ～竹内製菓株式会社様～ 】 Copyright © TRUST CO., LTD. All Rights Reserved. 18 前処理3(メル尺度に変換) 前処理2の縦軸を人間が理解しやすいMel Scaleに変換したものを取得する。 縦軸は周波数、横軸は時間、色は振幅。
19. T R U S T 【チェーンコンベアの異常検知 ～竹内製菓株式会社様～ 】 Copyright © TRUST CO., LTD. All Rights Reserved. 19 AIモデル作成(autoencoder) 前処理をした音データを、入力として渡し特徴量を学習、 出力として入力と同じ音データを再生成するモデルを構築 次元削減 (データを圧縮) 正常音の特徴量を 抽出・学習 正常音の特徴量をもとに音を「再生成」 正常音の特徴を理解したモデルが出来上がる ↓ 入力と出力の差分を数値化する(再生成エラー) ↓ 正常音:再生成エラー値が低くなる 異常音:再生エラー値が高くなる (うまく再生成できないため)
20. T R U S T 【チェーンコンベアの異常検知 ～竹内製菓株式会社様～ 】 Copyright © TRUST CO., LTD. All Rights Reserved. 20 検査結果 Amazon QuickSight(AWSの可視化ツール)でトレンドを分析
21. T R U S T 【チェーンコンベアの異常検知 ～竹内製菓株式会社様～ 】 Copyright © TRUST CO., LTD. All Rights Reserved. 21 実際の運用 竹内製菓様では計8台稼働
22. T R U S T 【チェーンコンベアの異常検知 ～竹内製菓株式会社様～ 】 Copyright © TRUST CO., LTD. All Rights Reserved. 22 導入効果  音検査の熟練社員への依存度低減と同時に検査工程の人件費削減につながった。  検査員の負荷低減による働き方改革にもつながった。  故障時のライン停止時間が72時間から2時間に短縮⇒故障前日にアラート受信
23. T R U S T 【自動車向けホーンの検査システム】 Copyright © TRUST CO., LTD. All Rights Reserved. 23 • 法規項目である音質については社内認定の作業者による全数聴感検査を実施 • 検査ＢＯＸ内は１０５ｄＢ以上の騒音 • 作業従事時間は１日で２時間程度に制限されている • 多くの検査作業者が必要 • 専門の資格が必要&人手不足のため人員確保が困難 • 人による官能検査であるために判定レベルにバラツキがある • 品質維持の管理に課題 効果 ご提案 お客様の抱える課題 • Autoencoderによる異常検知システムをご提案 • ①既存の音質検査設備がホーンに電圧を印加 • ②マイクで収音しエッジデバイスで録音 • ③エッジデバイスで推論(竹内製菓様ではAWSのクラウド上で推論処理) • Greengrassというサービスを使ったエッジ推論技術にチャレンジし成功 • PoC実施中、モデルが「異常」と判定したホーンがあった(検査員は正常と判定) • 工場⾧が確認したところ、「異常が正しい」とのこと • Autoencoderの効果を確認 AIの判定による完全自動化の検討を開始!
24. T R U S T 【自動車向けホーンの検査システム】 Copyright © TRUST CO., LTD. All Rights Reserved. 24 実際の運用
25. T R U S T まとめ「AWSで実現する製造業DX — 小さな一歩から大きな飛躍へ」 AWSのマネージドサービス、サーバレス、生成AIや IoTなどの最新技術を活用し、早く・安く・効果的に小 さく始めましょう トラストは、お客様の課題探索から企画・開発・運用ま でワンストップで支援します お客様と“伴走”するパートナーとして、利益のタネを見 つけ、蒔き、共に育てていきます Copyright © TRUST CO., LTD. All Rights Reserved. 25
26. 26 以上、異音検知システムのご紹介でした。 ご清聴いただきありがとうございました! 是非トラストのブースにお立ち寄りください。 株式会社トラスト 0258-81-0150 inquiry_dx@trust-coms.com 「金のタネ」紹介HP