予知保全

概要

工場設備のモーターやポンプなどに加速度・ジャイロセンサーを取り付けデータを収集し、データから故障の予兆となる情報をFFT変換による周波数を解析することで特定します。得られた結果から予知モデルを作り、日々のデータに予知モデルを適用することで故障を予知し、設備の停止、部品交換コストの増加を抑止します。

特徴

FFT変換による周波数分析で振動特徴を把握

FFT変換による周波数分析を行うことで、混在するさまざまな振動を識別することが可能です。測定対象は、モーター以外にもギア、軸受、などさまざまな機器の振動が混在していますが、FFT変換を利用することでこれらの振動を分解し、対象とする機器に絞り込んで予知保全が可能です。

劣化状態を5種類の指標で把握

機械学習したデータと取得したデータの差分結果を5種類の指標で提示します。各劣化指標にたいして閾値を設定し異常を監視します。ドライポンプでは1ヵ月前から異常の予兆が見られます。

メール通知により遠隔地にいてもケア

閾値を超えるとメール発報によりアラートを通告します。メールにより通知するため、遠隔地でも状態を把握することが可能です。(オプション機能)

効果

設備の停止抑止

故障の予兆を把握し、故障前に部品交換を行うことで設備停止によるラインストップを抑制します

保守部品コストの削減

利用期間によって交換する定期交換に比べて、状態把握により部品交換をおこなうため、状態がよければ定期交換に比べて長く部品を利用できる為、保守部品のコストを削減できます。

生産ラインの安定・品質保全

設備の状態を監視し、故障を抑止する為、生産を安定的に行い、製造製品の品質を安定させる効果もあります。 例えば加工機の刃具を監視することで、品質保全の役割を果たします。

事例

予知保全は、モーターやポンプなどの装置を中心に導入が進められています。

導入手順

  • ヒアリング
  • 機器設置
  • 劣化指標判定
  • 運用・改善
  • 予兆保全の対象とする機器を選定し、過去の故障原因や故障による影響、交換部品手配に必要なリードタイムなどを把握することで予兆のポイント・導入効果などの設定を行います。
  • 対象機器にセンサーを取り付け、振動の特徴部分を機械学習させて、正常パターンを覚えさせます。
  • 機械学習したデータと取得したデータの差分結果を5種類の劣化指標で算出し、劣化指標判定します。
  • 劣化指標の修正や新たな機器での導入をを通じて精度と効果を高めます。