機械学習だけでは、故障は予測できない
機械学習で設備の故障を予測する。 一見よさそうですが、ここには重要な落とし穴があります。
機械学習は、設備診断にも入ってきている
画像認識、音声認識、チャットボット。そして自動運転。機械学習の応用範囲は広がり続けています。
設備診断の分野でも研究が進み、すでに導入されている設備もあります。 機械学習で、設備の健康状態を評価しようという試みです。
データを集めれば、なんらかの相関は取れます。 そして相関にもとづく「比較」から、評価をすることも可能です。
問題は、その先にあります。
ビッグデータから得られるのは「相関関係」
ここが核心です。
| 意味 | 条件が変わると | |
|---|---|---|
| 相関関係 | AとBが一緒に動いている、という観察 | 崩れる |
| 因果関係 | AがBを引き起こしている、という仕組み | 成り立つ |
機械の種類、個体差、使う環境が異なれば、相関関係は崩れます。
同じ型番の機械でも、置かれている場所、稼働の仕方、担当者の癖で挙動は変わります。別の現場で作られたモデルが、自分の現場で当たる保証はありません。
だから、物理モデルが必要になる
設備診断で本当に必要なのは、機械の状態を教えてくれる本質的な物理モデルです。
なぜなら、得られる情報と、機械の種類・個性・環境との因果関係が明確になるから。
そして、因果関係が分かっていれば、種類や環境が違っても、起こる現象を予測できます。
トライボロジー（摩擦・摩耗・潤滑を扱う分野）は、この物理モデルを立てるうえで、非常に有効な武器になります。
トライボロジーそのものについては、これが、機械を健康にする方法だで、人の血液検査にたとえて説明しています。
決定的な違いは「未来」
具体的に比べます。
機械学習だけの場合
ビッグデータ → 相関 → 今、健康か不健康かの判定 ◯
→ いつ不健康になるかの予測 ✕現在の状態は分かっても、未来は分からない。 これが限界です。
物理モデルを使う場合
機械の故障は、可動部の不具合が原因であることが多いと言われています。ベアリングなど、滑ったり転がったりしている摩擦面の潤滑状態が本質だとしましょう。
このとき、摩擦面から出てくる目に見えないほど細かい金属粉の量や大きさが、指標になります。
金属粉の量と大きさの変化 → 潤滑状態の変化 → 物理モデル → 未来予測 ◯指標の変化が、健康状態の変化を教えてくれる。 そしてトライボロジーを用いれば、その変化にもとづく物理モデルを作れます。
つまり、未来予測が可能になります。
AIを否定しているのではありません
順番の話です。
✕ とりあえずデータを集める → AIに学習させる → 何か分かるはず
◯ 何の現象を捉えたいか決める → 測る指標を選ぶ → その蓄積にAIを使う物理で現象を理解したうえで指標を選び、その指標の蓄積と判定にAIを使う。 これなら、条件が変わっても崩れません。
中小企業が気をつけること
データを集める前に、何を知りたいのかを決めてください。
目的が曖昧なまま大量のデータを集めても、条件が変わった途端に使えなくなります。 そして、集めるコストだけが残ります。
まず現場で何が起きているのかを理解する。 これはAIには代われません。現場を知っている人にしかできない仕事です。
今日やること
設備でも業務でも構いません。「予測したいこと」を1つ選んで、こう問いかけてください。
① それは、なぜ起きるのか（仕組みを説明できるか）
② その仕組みを表す指標は何か
③ その指標は、今 測れているか①が説明できないなら、データを集めるのはまだ早いです。②が決まって初めて、AIの出番になります。
あわせて読みたい: 機械の保全コストを簡単に下げられる方法をご存じですか？ / ほぼ100文字 ～トライボロジーのつぶやき～
相関は過去を語り、因果は未来を語ります。 応援しています！
よくある質問
機械学習で設備の故障は予測できないのですか？
現在の状態が健康か不健康かの判定はできます。しかし、いつ不健康になるかの予測は困難です。ビッグデータから得られるのは相関関係であり、機械の種類や個体差、使用環境が変われば相関は崩れるからです。未来を予測するには、因果関係を示す物理モデルが必要になります。
相関関係と因果関係は、何が違うのですか？
相関関係は「AとBが一緒に動いている」という観察であり、因果関係は「AがBを引き起こしている」という仕組みの説明です。相関は条件が変われば崩れますが、因果は条件が変わっても成り立ちます。だから因果が分かっていれば、未経験の状況でも予測ができます。
物理モデルとは、具体的にどういうものですか？
現象がなぜ起きるかを、物理法則で説明した式や仕組みのことです。設備診断の例では、摩擦面から出る金属粉の量と大きさが、潤滑状態の変化を示す指標になります。この指標がどう変化すればどの段階に進むのかを、トライボロジーの知見で組み立てたものが物理モデルです。
中小企業がAIを設備保全に使うとき、何に注意すべきですか？
データを集める前に、何の現象を捉えたいのかを決めてください。目的が曖昧なまま大量のデータを集めても、条件が変わった途端に使えなくなります。まず現場で何が起きているのかを物理で理解し、それを測る指標を選んでから、その指標の蓄積にAIを使うのが順序です。
小さな会社の売上アップ・利益改善のご相談を承っています。
お問い合せはこちら