製造業における機械学習

機械学習と人工知能：違いは何ですか？

機械学習は人工知能のサブフィールドですが、すべての人工知能技術が機械学習としてカウントされるわけではありません。ロボット工学、自然言語処理、コンピュータービジョンなど、多くの業界で役割を果たす AI には他にもさまざまな種類があります。これらのテクノロジーが製造業にどのような影響を与えているか興味がある場合は、以下のレビューをご覧ください。

基本的に、機械学習アルゴリズムはトレーニング データを活用して、ソフトウェアが問題を解決できるようにするアルゴリズムを強化します。このデータは、工場の現場にあるリアルタイム IoT センサーから取得される場合もあれば、他の方法から取得される場合もあります。機械学習には、ニューラルネットワークやディープラーニングなど、さまざまな手法があります。ニューラル ネットワークは生物学的ニューロンを模倣してデータ セット内のパターンを発見し、問題を解決します。ディープラーニングは、ニューラル ネットワークのさまざまなレイヤーを活用します。最初のレイヤーは生データ入力を活用し、処理された情報をあるレイヤーから次のレイヤーに渡します。

箱の中の工場

まず、組み立てロボット、IoT センサー、その他の自動化機械が詰まった箱を想像してみましょう。一方では、製品を完成させるために必要な材料を提供し、他方では、製品が組立ラインから出荷されます。このデバイスに必要な唯一の介入は、内部機器の定期的なメンテナンスです。これは製造業にとって理想的な未来であり、機械学習はそこに到達する方法を完全に理解するのに役立ちます。

組み立て作業を自動化するために必要な高度なロボット工学に加えて、機械学習は品質保証、非破壊検査分析、欠陥の原因の特定などにも役立ちます。

この「箱入り工場」の例は、大規模な工場を簡素化する方法として考えることができますが、場合によっては文字通りその通りです。ノキアは、高度な自動組立設備を備えた改造された輸送コンテナの形で、移動可能な製造拠点を活用しています。これらのポータブル コンテナは必要な場所で使用できるため、製造業者は製品を長距離輸送することなく、現場で製品を組み立てることができます。

品質保証

ニューラル ネットワーク、高解像度の光学カメラ、強力な GPU を使用し、機械学習とコンピューター ビジョンを組み合わせたリアルタイム ビデオ処理により、人間よりも優れた視覚検査タスクを実行できます。 このテクノロジーにより、ボックス内の工場が適切に機能していることが保証され、システムから使用できない製品が排除されます。

これまで、ビデオ分析における機械学習の使用は、ビデオの品質を理由に批判されてきました。これは、画像がフレームごとにぼやけ、チェックアルゴリズムにエラーが多く発生する可能性があるためです。しかし、より高品質のカメラとより強力なグラフィック処理機能により、ニューラル ネットワークは人間の介入なしに、より効果的にリアルタイムで欠陥を検索できるようになります。

さまざまな IoT センサーを使用することで、機械学習は作成された製品を損傷することなくテストするのに役立ちます。アルゴリズムは、欠陥のあるユニットのバージョンに関連するパターンをリアルタイム データで検索できるため、システムは不要な可能性のある製品にフラグを立てることができます。

非破壊検査

材料の欠陥を検出するもう一つの方法は、非破壊検査です。これには、損傷を与えることなく材料の安定性と完全性を測定することが含まれます。たとえば、超音波装置を使用して、材料の亀裂などの異常を検出できます。機械はデータを測定でき、人間が分析して手動で外れ値を見つけることができます。

ただし、外れ値検出アルゴリズム、オブジェクト検出アルゴリズム、セグメンテーション アルゴリズムを使用すると、データを分析して、人間では認識できない可能性のある認識可能なパターンを効率的に見つけることで、このプロセスを自動化できます。機械学習は人間ほど間違いを犯す傾向もありません。

予測メンテナンス

製造業における機械学習の中心的な役割の 1 つは、予測保守です。 PwC は、予測保守は製造業で最も急速に成長する機械学習技術の 1 つとなり、市場価値は 2020 年から 2025 年にかけて 38% 増加すると報告しています。

出典: MobiDev

計画外のメンテナンスは企業の収益に深刻な影響を与える可能性があるため、予測メンテナンスにより、機械に高額な故障が発生する前に工場で適切な調整や修正を行うことができます。当社では、工場の稼働時間を最大化し、遅延を可能な限り少なくしたいと考えています。予測メンテナンスにより、それが可能になります。

広範な IoT センサーが機械の動作状況や状態に関する重要な情報を記録し、予測メンテナンスを可能にします。これには湿度、温度などが含まれます。

予測メンテナンスのための ML モデル

機械学習アルゴリズムは、時間の経過とともに収集されたデータのパターンを分析し、機械のメンテナンスが必要になる時期について合理的な予測を行うことができます。これを実現するにはいくつかの方法があります。

• 回帰モデル:これらのモデルは、機器の残存耐用年数 (RUL) を予測します。これは履歴データと静的データを使用し、メーカーが機械が故障するまでにあと何日残っているかを確認できるようにします。
• 分類モデル:これらのモデルは、事前に定義された期間内の障害を予測します。
• 異常検出モデル:異常なシステム動作を検出したときにデバイスにフラグを立てます。

問題の場所

予測メンテナンスをサポートする IoT センサーを使用すると、機械学習によってデータ内のパターンを分析し、故障を防ぐために機械のどの部分にメンテナンスが必要かを確認できます。特定のパターンが欠陥の傾向につながる場合、ハードウェアまたはソフトウェアの動作がそれらの欠陥の原因として特定される可能性があります。ここから、エンジニアは将来これらの欠陥を回避するためにシステムを修正するための解決策を考え出すことができます。これにより、ボックス内の工場のシナリオにおける誤差の範囲を減らすことができます。

デジタルツイン

デジタル ツインは、IoT センサーとリアルタイム データに基づく生産プロセスの仮想表現です。これらは、まだ存在しないシステムの独自の仮説的表現として作成することも、既存のシステムを再現したものとして作成することもできます。

デジタル ツインは、機械学習を使用してシミュレーションのパターンを分析し、環境を最適化できる実験用のサンドボックスです。これは、品質保証と予測保守の取り組みのサポートにも役立ちます。レイアウトの最適化には、デジタルツインを使用した機械学習を使用することもできます。これは、プラントのレイアウトの計画や既存のレイアウトの最適化に適用されます。

エネルギー消費予測のための ML モデル

植物の各部分を最適化するには、必要なエネルギーにも注意を払う必要があります。最も一般的なアプローチは、連続的なデータ測定を使用することです。データ サイエンティストは、自己回帰モデルとディープ ニューラル ネットワークを活用した機械学習アルゴリズムを使用してこれを分析できます。

• 自己回帰モデル:電力消費の傾向、周期性、不規則性、季節性を定義するのに適しています。精度を向上させるために、データ サイエンティストは生データを予測アルゴリズムのタスクを指定するのに役立つ特徴に変換できます。
• ディープ ニューラル ネットワーク:データ サイエンティストは、これを使用して大規模なデータセットを処理し、データ消費のパターンをすばやく見つけます。これらは、自己回帰モデルのような特徴エンジニアリングを必要とせずに、入力データから特徴を自動的に抽出するようにトレーニングできます。
• シーケンシャル データ用のニューラル ネットワーク: RNN (リカレント ニューラル ネットワーク)、LSTM (長期短期記憶)/GRU (ゲート付きリカレント ユニット)、以前に入力されたエネルギー使用データの情報を内部メモリに保存するためのアテンション ベース ニューラル ネットワーク。

ジェネレーティブデザイン

工場の生産プロセスを最適化するためにすでに機械学習が使用されていますが、製品自体についてはどうでしょうか? BMWはCES 2022で、車の色(より正確には色合い)を白黒間で変更できる特別な電子インクパッケージを搭載したBMW iX Flowを発表しました。 BMW は次のように説明しています。「個々のパーツが車両の特徴的なシルエットと、その結果生じる光と影の演出を反映するように、ジェネレーティブ デザイン プロセスが実装されました。」

ジェネレーティブ デザインとは、自動車、電子機器、おもちゃなど、製品のデザインを最適化するために機械学習が使用されるものです。データと目的が与えられれば、機械学習はあらゆる可能な配置を循環的に実行し、最適な設計を見つけることができます。

ML アルゴリズムをトレーニングして、デザインの重量、形状、耐久性、コスト、強度、さらには美的パラメータを最適化することができます。

ジェネレーティブ デザイン プロセスは、次のアルゴリズムに基づいています。

• 強化学習
• ディープラーニング
• 遺伝的アルゴリズム

サプライチェーン管理の改善: 認知サプライチェーン

ワンボックスの例から少し離れて、製造需要の全体像を見てみましょう。生産は単なる一つの要素にすぎません。製造センターにおけるサプライチェーンの役割も、物流ルートの最適化や倉庫在庫管理など、機械学習テクノロジーによって改善されています。これらが、製造業における進化する認知サプライ チェーンを構成します。

倉庫在庫管理

AI 駆動型物流ソリューションは、手動スキャンに代えて、バーコード検出ではなくオブジェクト検出モデルを使用します。コンピューター ビジョン システムは、不足在庫や過剰在庫を検出できます。これらのパターンを特定することで、管理者は実用的な洞察を得ることができます。在庫保管を最適化するためのアクションをコンピューターが自動的に実行することも可能です。

MobiDevでは、物流における物体検出が可能なシステムを構築するユースケースに取り組みました。物流における自動アイテムカウントのための小規模データセットを使用したオブジェクト検出の詳細をご覧ください。

需要予測

工場はどれくらいの量を生産し、出荷すべきでしょうか? これは答えるのが難しい質問です。しかし、適切なデータにアクセスできれば、機械学習アルゴリズムは工場が過剰生産することなくどれだけ生産すべきかを把握するのに役立ちます。製造業における機械学習の将来は革新的な意思決定にかかっています。