インダストリー4.0: AIを活用した障害検出

[[359728]]

AI の向上とマシン ビジョン制御の向上を組み合わせることで、スマート製造業界にとって極めて重要な新しいコンポーネント、つまり高精度でスケーラブルな障害検出が実現します。この技術は、効率性を高めるだけでなく、安全性を向上させ、リアルタイムの可視性を提供するという大きな可能性を秘めています。

世界のスマート製造市場は近い将来大幅に成長する見込みで、リサーチ・アンド・マーケッツ社のレポートでは、2020年から2025年の間に年平均成長率が12.4%となり、市場規模は2020年の2,147億ドルから約3,848億ドルに達すると予測されています。アナリスト会社は、この成長は製造工程における産業オートメーションと、ソフトウェアソリューションによる時間短縮とコスト削減の需要の高まりによって推進されていると述べた。

AI を活用した障害検出は、産業オートメーションにおける新たなニーズと革新の領域を示す好例です。注目を集めているトレンドの 1 つは、故障検出を自動化する機能が、製造プロセスの 2 つの主要領域、つまり予知保全プログラムの一環として工場の機械の故障を検出することと、製造出力が仕様を満たしていることを確認するための品質保証ツールとして重要であるということです。

マシンビジョン

重要な技術の共通点は、信頼性が高く、高度に構成可能なマシンビジョンの必要性です。特に、表面欠陥の検出がプロセスの重要な要素となる QA プロセスではその必要性が高まります。自動光学検査 (AOI) などの従来のマシン ビジョン ソリューションは、柔軟性のないルール、つまりいわゆる「ゴールデン イメージ」に依存して、製品の画像を既知の欠陥のない画像と比較します。しかし、ここでの問題は、誤検知があると不必要な無駄が生じ、その逆の場合は不良品が通過してしまうことです。このグレーゾーンでは、AI が効果に違いをもたらす可能性があります。場合によっては、最大 95% の改善が得られ、誤検知も排除されます。

AIマシンビジョンの課題と利点

興味深いことに、AI 障害検出環境に移行するメーカーにとっての主な課題の 1 つは、AI のトレーニングに使用されるデータがクリーンかつ明確であることを保証することです。たとえば、手動検査は主観的であることが多く、同じ欠陥に対して異なる検査員が合格または不合格を判定するため、主観的な合格/不合格データを組み込むと、曖昧または矛盾した判定につながり、不完全なモデルになる可能性があります。 AI をトレーニングするためのクリーンなデータを用意することは、プロセスのほんの一部にすぎません。実際、目視検査用の概念実証 AI モデルのトレーニングは、完全な展開にかかる時間とコスト全体のわずか 10% を占めるだけかもしれません。

もう一つの重要な課題は、材料と照明などの環境要因の一貫性を確保することでした。これらのアプローチのいずれかを変更すると、すぐにエラー率が非常に高くなり、モデルの再調整または再トレーニングが必要になる可能性があります。そのためには、環境変化検出システムを運用状態にするための正常な展開が必要です。ただし、環境変化検出システムは、障害検出以外にも幅広い利点を提供できます。たとえば、セグメンテーション システムは、作業者の安全性を向上させたり (制限区域内で動きが検出されると機械の電源を自動的に切断する)、火災、煙、ほこりやガス漏れなどの空気質の危険を監視したりすることができます。

ビジョン

AI マシンビジョンは、特に成熟し始めるにつれて、より幅広い用途に応用できるようになります。スイスのドローン企業Sulzer Schmid社とAI企業NNAISENSE社が提携し、風力タービンブレードの損傷の自動監視という興味深い取り組みを進めています。これまでのローターブレードの詳細な検査では、完全に停止した後、技術者が「タワーに登って」表面の摩耗を手作業で検査する必要がありました。

自動化システムは、Sulzer Schmid の 3DX 検査プラットフォームを使用して、高解像度の画像を継続的に取得し、人的エラーと運用リスクを最小限に抑えながら 100% のブレード カバレッジを実現します。 AI ソフトウェアはブレード表面全体を自動的にスキャンし、不一致と手動検査の懸念領域のみを強調表示します。これにより、正常に機能するブレード表面の検査に費やされる数百時間の作業時間が節約されます。

もちろん、AI を活用したマシン ビジョンの使用はタービン ブレードをはるかに超えて、現代生活のほぼすべての側面にまで広がっています。この事実は、ゲームを変える可能性のある新しいオブジェクト検出フレームワークである DETR (Detection Transformer) が最近オープンソース化されたことから明らかです。

リアルタイムコラボレーション

全体的に、AI を利用した障害検出は現在間違いなく注目の話題であり、コンポーネントとパイロット プロジェクトの成熟度が高まっていることから、今後数年間は拡大し続けることが予想されます。ドイツ政府の資金提供を受けた SPACER は、大手企業がこの概念をいかに真剣に受け止めているかを示す共同プロジェクトです。SPACER は、最先端の AI テクノロジーとインダストリー 4.0 標準を使用して、生産プロセスを最適化し、故障をリアルタイムで予測することを目指しています。 2020 年 4 月に開始され、パートナーにはシーメンス、BMW、フォーカス、マイクロソフト、フォード、ダイムラー、ツァイス、デルなどが含まれています。

初期のユースケースとしては、ツールの摩耗と交換に 1 時間あたり 50 万ユーロのコストがかかっていたドイツの中規模企業で、AI を活用して材料の変動がツールの摩耗率に与える影響を予測するというものがあります。目的は、変更とその影響をリアルタイムで分類し、それによって生産に対する全体的なリスクを軽減し、より回復力のある生産プロセスを作成することです。

リアルタイム データ (およびその時点でリアルタイムで実行可能なデータ) の検索は、自動障害検出の鍵となります。ますます強力になる AI の使用により、これまでは実現不可能だったこの展望が今日では現実のものとなり、将来的には重要なビジネス資産となります。実際、中期的には、特殊な障害検出および監視モジュールを備えた SaaS スタイルのクラウド AI プラットフォームがコモディティ化され、マシン ビジョンを備えた社内センサーやカメラ システムに活用されるようになるかもしれません。