産業用 IoT が人工知能の時代へ

インテリジェンスは近年、製造業における最も重要なトレンドです。過去数年間の市場教育を経て、過去2年間で市場からの問い合わせが増加し始めました。2016年以来、IT業界は人工知能（AI）ブームを巻き起こしています。AIとモノのインターネットの統合は、将来、さまざまな垂直分野で主流のシステムになるでしょう。製造業では、AIは産業用モノのインターネットのコアコンピューティングアーキテクチャの1つにもなります。

[[228060]]

ドイツが初めてインダストリー4.0を提唱して以来、産業用IoT、ビッグデータ分析、ロボット工学などの技術開発を含め、関連技術も急速に進歩し、徐々に新しいタイプのスマート工場と新しい産業標準を生み出してきました。

特に近年、人工知能（AI）の波はインダストリー4.0に新たな発展の方向性を与え、自動化とインテリジェント自動化の違いを明確に区別しています。アルゴリズム分析を主に利用するマシンビジョンやディープラーニングなどの人工知能技術は、インダストリー4.0の今後の発展における新たなトレンドとなっています。自動化やロボット技術の精度を高めただけでなく、製造業も無人工場などの新しい技術分野に進出し始めています。

[[228061]]

図 1: 自動化は今日の産業の技術的基盤であり、AI の導入により自動化システムの効率が総合的に向上します。 (出典: BSOCH)

現在の発展状況から判断すると、インテリジェント製造には3つの大きなトレンドがあります。1つ目は生産ネットワークで、主に製造オペレーション管理（MOM）を適用して、生産バリューチェーンのサプライヤーがリアルタイムの生産情報を取得および交換できるように支援します。サプライヤーが提供するすべてのコンポーネントは、適切なタイミングで適切な順序で生産ラインに到着できます。2番目のトレンドは、仮想シミュレーションと実際の物理システムの完璧な統合です。生産および製造プロセスのすべてのステップは、仮想世界で設計、シミュレーション、最適化され、材料、製品、工場など、実際の物理世界に対して高度にシミュレーションされたデジタルツイン（デジタルツイン、ツインモデル）が確立されます。3番目のトレンドはサイバーフィジカルシステム（CPS）です。このシステムでは、製品情報は製品コンポーネント自体に入力されます。独自の生産ニーズに応じて生産システムや設備と直接通信し、次の生産プロセスの指示を出し、設備に指示して生産を自ら組織します。この自律生産モデルは、各ユーザーのカスタマイズされたニーズを満たすことができます。

ビッグデータを使ったコンピューティングモデルの構築

上記の3つのトレンドは、将来的にはある程度AIと統合されます。たとえば、生産ラインの監視、ロボット、無人輸送車両はすべてAIコンピューティング機能設計を備えています。主な理由は、マスカスタマイゼーションのトレンドです。製品の種類や生産ラインの調整など、工場が直面する必要があるさまざまな生産シナリオの難易度も大幅に増加します。管理者はすでにセンサーとビッグデータ分析を通じて意思決定に役立つより多くの情報を把握できますが、情報量の大幅な増加により、管理者に対する情報分析のプレッシャーも増加しています。さらに、市場の変化がますます速くなるにつれて、人間の分析速度は、ますます高速化するフロントエンドデータに追いつくことがますます困難になっている可能性があります。当然、製造現場の機械が顧客のニーズに迅速に対応することは難しくなります。製造業に適用されるAIは、システムがビッグデータ分析から規則的なパターンを見つけ、以前のエラーを回避することを学習し、さらには事前予測を行うことを可能にします。製造分野に適用すると、ダウンタイムを短縮できるだけでなく、生産ラインをタイムリーに調整して、陳腐化や廃棄の頻度を減らすことができます。

図 2: 接続性は産業用 IoT アーキテクチャの基盤です。将来的には、AI が機器のネットワーク化によって得られた大量のデータを分析し、インテリジェントな判断と提案を行うようになります。 (出典: Process on line)

産業用 IoT では、データの取得と分析がコアタスクであり、センサーからのデータ ポイントは複数の段階を経て実用的な洞察に変換されます。産業用 IoT プラットフォームには、即時の対応が必要なリアルタイム データだけでなく、一定期間のみ意味を持つデータも処理できるスケーラブルなデータ処理プロセスが含まれています。圧力と温度のしきい値の異常な組み合わせが検出されると、IoT プラットフォームが液化石油ガス充填機をシャットダウンするには遅すぎる可能性があります。異常は数ミリ秒以内に検出され、ルールに従って即時の応答がトリガーされる必要があります。

現在の開発の観点から見ると、AI にはいくつかのアルゴリズムがあります。たとえば、ホットスポット パス分析の中核は、異常を検出するルール エンジンです。IoT プラットフォームには、センサー データ ストリームから複雑なパターンを動的に評価できる複雑なルール エンジンが組み込まれています。パターンとデータ形式を理解しているドメイン エキスパートが、ルール エンジンのベースラインしきい値とルーティング ロジックを定義します。このロジックは、メッセージ フローを調整する際のルール エンジンの重要な入力として機能します。データ ポイントがデータ処理フローの次の段階に移動する前に、各データ ポイントに対してネストされたステートメント条件が定義されます。ルール エンジンは IoT プラットフォームの中核となり、機械学習の重要な領域の 1 つは、既存のデータ セット内のパターンを見つけ、類似のデータ ポイントをグループ化し、将来のデータ ポイントの値を予測することです。

高次の機械学習アルゴリズムは、分類や予測分析に使用できます。これらのアルゴリズムは既存のデータから学習でき、ほとんどの IoT データは時系列に基づいているため、これらのアルゴリズムは履歴データに基づいてセンサーの将来の値を予測できます。これらの複数の機械学習アルゴリズムの組み合わせは、産業用 IoT プラットフォームの従来のルール エンジンに取って代わります。ドメインの専門家は依然として条件定義に基づいてアクションを実行する必要がありますが、これらのインテリジェントなアルゴリズムはより高い精度と精度を提供します。

AI + HIで効率が大幅に向上

産業用 IoT における機械学習の最も一般的なアプリケーションの 1 つは、機器の予知保全です。これは、パターンの変化の相関と分析を通じて機器の故障を予測し、機器の残りの耐用年数などの主要な指標を報告します。予知保全は、将来、航空宇宙、製造、自動車、輸送、物流、サプライ チェーンにも適用できます。たとえば、予測モデルは自動車サービス センターに配置されています。航空業界では、予知保全ソリューションの目標は、メンテナンス履歴や飛行ルート情報などの関連データに基づいて、フライトの遅延やキャンセルの可能性を予測することです。

[[228062]]

図3：産業分野では、AIとHIが連携してシステムの最大の価値を生み出す必要があります。 (出典:ユニバーサルロボット)

モノのインターネットの開発動向を観察すると、産業用モノのインターネットは現在、すべての垂直アプリケーションの中で最も急速に成長しているカテゴリの1つです。産業用モノのインターネットにおけるAIは主に、オペレーターと管理者が多数のデバイスから取得したデータをフィルタリングして判断を下すのを支援します。ただし、現在のAIは論理的な決定を下すことができません。したがって、製造分野では、システムの最大のメリットを実現するために、AIと人間の知性を組み合わせる必要があります。