コンベヤベルトに関するリアルタイムの異常検出の実装

Azure Machine Learning

Azure IoT Hub

Azure Data Factory

Azure Databricks

Azure Data Lake

AI と機械学習によって実現されるスマートファクトリの作業場を採用する企業が増えるにつれて、製造業は革命的な変化を遂げています。この記事では、コンベヤベルトに対するリアルタイムの異常検出を有効にするアーキテクチャの概要について説明します。

アーキテクチャ

このアーキテクチャの Visio ファイルをダウンロードします。

ワークフロー

データソース

高度なデータ収集センサーは、重要なモノのインターネット (IoT) のコンポーネントです。センサーは、物理的な世界からアナログデータを収集し、デジタルデータ資産に変換します。センサーは、物理的な世界のほとんどすべてのアスペクトを測定できます。センサーを調整して、センサーをアプリケーション固有の機能に合わせることができます。このデータセットでは、温度と振動を正確に測定するようにセンサーが調整されます。

ほとんどの工場の作業場では、コンベヤベルトはスケジュールに従って稼働します。コンベヤベルトの稼働時には、温度と振動の異常検出が必要です。 Time Series API は、コンベヤベルトの状態をキャプチャして中継するために使用されます。
取り込み

IoT センサーからデータをストリーミングしたり IoT デバイスを接続したりするには、Azure IoT Hub をお勧めします。 Time Series API とデータのオーケストレーションからデータを取り込むには、Azure Data Factory をお勧めします。
ストア

IoT センサーから収集されるデータ (温度と振動) も、Time Series API から収集されるデータ (コンベヤベルトの状態) も、すべて時系列です。時系列データは、時間の経過につれて測定を繰り返して得られる一連の観測値です。このデータは、フラットファイルとして収集されます。各フラットファイルには、IoT センサー ID と収集日時がタグ付けされ、Azure Data Lake に保存されます。
AI / 機械学習 - データ準備とトレーニング

データ準備 は、機械学習モデル、ビジネスインテリジェンス (BI)、分析アプリケーション、データの可視化アプリケーションのビルドにデータを使用できるように、データの収集、結合、構造化、整理を行うプロセスです。

Azure Databricks は、データを使用してモデルをビルドする前にデータを準備するために使用します。 Azure Databricks には、データエンジニア、データサイエンティスト、機械学習エンジニアの間のコラボレーションを可能にする対話的なワークスペースが用意されています。分析ワークフローでは、Azure Databricks を使用して、Azure Data Lake からデータを読み取り、データラングリングとデータ探索を実行します。

モデルトレーニング は、機械学習アルゴリズムを使用して、データに基づいてパターンを学習し、予測を行うのに適したモデルを選ぶプロセスです。

Azure Machine Learning は、モデルのトレーニングに使用します。 Azure Machine Learning は、機械学習プロジェクトのライフサイクルを加速したり管理したりするためのクラウドサービスです。このライフサイクルには、トレーニング、モデルのデプロイ、機械学習の運用 (MLOps) の管理が含まれます。
AI / 機械学習 - 推論

機械学習推論 は、以前にはなかったデータポイントを機械学習モデルにフィードして、数値スコアなどの出力を計算するプロセスです。この事例では、入力データが異常かどうかを判断するために使用されます。

モデルレジストリが Azure Machine Learning に組み込まれます。このレジストリは、Azure でのモデルの保存とバージョン管理に使用されます。モデルレジストリにより、トレーニングしたモデルの整理と追跡を容易に行えます。

機械学習モデルをトレーニングした後、新しく使用可能になったデータを推論のためにこのモデルに送り込めるように、このモデルをデプロイする必要があります。推奨されるデプロイターゲットは、Azure マネージドエンドポイントです。
分析ワークロード

モデルスコアリングの結果は、分析システムに戻されて保存されます。この事例では、入力データが収集された Azure Data Lake です。これは、フロントエンドへの結果のソーシングや、モデルのモニターと再トレーニングに役立ちます。
フロントエンドモデルの使用

スコアリングされた結果は、アプリで使用したり、Power BI プラットフォーム上で使用したりできます。このシナリオ (異常が検出されると即時にリアルタイムの推論が提供される) では、Azure またはその他でホストされるカスタムの Microsoft またはサードパーティのイベント管理 API により、利害関係者にアラートをルーティングできます。

コンポーネント

Azure IoT Hub は、何十億もの IoT 資産の接続、モニター、コントロールを行う、Microsoft によって管理される一連のクラウドサービスです。
Azure Data Factory は、データの移動や変換を自動化するクラウドベースのデータ統合サービスです。
Azure Data Lake は、さまざまなシェイプや形式のデータを収容するための無制限のデータストレージサービスです。 Azure 内の分析ツールと簡単に統合できます。エンタープライズレベルのセキュリティとモニターがサポートされています。アーカイブ、データレイク、ハイパフォーマンスコンピューティング、機械学習、クラウドネイティブワークロードに使用できます。このソリューションは、機械学習データ用のローカルデータストアと、機械学習モデルをトレーニングするための高品質のデータキャッシュを提供します。
Azure Databricks は、Azure プラットフォーム用に最適化された Data Analytics プラットフォームです。 Azure Databricks には、Databricks SQL、Databricks Data Science & Engineering、Databricks Machine Learning という、データ集中型アプリケーションを開発するための 3 つの環境が用意されています。
Azure Machine Learning は、広範囲な機械学習のターゲットのコンピューティングに対するモデルの開発とデプロイを容易に行えるようにする、エンタープライズレベルの機械学習サービスです。このサービスは、ローコードデザイナー、自動機械学習、さまざまな統合開発環境をサポートするホストされた Jupyter Notebook 環境を、あらゆるスキルレベルのユーザーに提供します。
Azure Machine Learning エンドポイントは、トレーニング済みモデルの推論 (スコアリング) 出力を受信するためにクライアントが呼び出すことができる HTTPS エンドポイントです。エンドポイントは、キートークン認証を使用して安定したスコアリング URI を提供します。
Power BI は、ビジネス分析用および視覚的にイマーシブかつインタラクティブな分析情報用の、Azure のサービスとしてのソフトウェア (SaaS) です。さまざまなデータソースへの豊富なコネクタのセット、簡単な変換機能、高度な視覚化が提供されます。

代替

Azure Machine Learning で、このソリューションでのデータのモデリングとデプロイが提供されます。コード優先の方法を使用して、Azure Databricks でソリューションをビルドすることもできます。
Azure Event Hubsは、ビッグデータを取り込むための、IoT Hub の適切な代替手段です。 Event Hubs と IoT Hub のどちらも、大量のデータインジェストに対応する設計になっています。
Data Lake の代わりに、Azure Cosmos DB または Azure SQL Database でデータをステージできます。 Data Factory をデータのステージングと解析に使用できます。
Azure Databricks の代わりに Azure Synapse Analytics をデータ探索に使用できます。
Power BI の代わりに Grafana を視覚化に使用できます。
コンピューティング層をより詳細にコントロールする場合は、マネージドエンドポイントの代わりに Azure Kubernetes Service (AKS) を使用できます。

シナリオの詳細

スマートファクトリの作業場では、コラボレーションシステムで、供給ネットワーク全体で変化する状況や顧客の需要にリアルタイムで対応できます。

AI と機械学習は、製造部門全体で独自の方法で使用されます。これらのアプリケーションの中で最も影響が大きいのは、予測メンテナンスと故障防止です。具体的には、コンベヤベルトに取り付けられたモーターの温度や振動の異常を検出すると、メンテナンスのコスト、修理とオーバーホールの時間、予備部品の在庫の必要性が削減されます。また、機械の稼働時間が増加します。予測メンテナンスと故障防止を導入すると、年間数百万ドルのコストを節約し、場合によっては危険な状況から人員を排除することで命を救うことになります。

規則ベース、監視あり、監視なしの機械学習など、いくつかの方法で予測メンテナンスを実現できます。規則ベースの機械学習には、既知のしきい値レベルが必要です。異常に対してラベルを使用できる場合は、監視ありの機械学習が最も有効なオプションです。異常なビヘイビアーの検出にラベルを使用できない場合は、監視なしの異常検出が最適な方法です。手法が何であれ、モデルの結果は、着信データが異常かどうかの予測です。

センサーはリアルタイムでデータをキャプチャするので、異常検出により異常を即時に検出できるはずです。これを行わなければ悪化しないうちに検出されない潜在的なリスクに対処できます。

温度、振動、コンベヤベルトの状態のサンプルデータ

コンベヤベルトに取り付けられたモーターの予測メンテナンスを行うために必要なデータは、温度、振動、コンベヤベルトの状態です。以下にサンプルデータを示します。

コンベヤベルトの状態: ほとんどの工場の作業場では、コンベヤベルトは特定のスケジュールで稼働します。温度と振動の異常検出は、コンベヤベルトの稼働時のみ必要です。コンベヤベルトの値が 0 の場合は、コンベヤベルトが静止していることを示します。値が 1 の場合は、動いています。次のサンプルグラフは、コンベヤベルトの状態を記録する方法を示しています。

温度： コンベヤベルトと工場の作業場に取り付けられたセンサーは、モーターの温度を記録し、大気温度をベースラインにすることができます。温度は、日照やエアコンの設定などの多くの要因のために季節的な影響を受けます。温度の季節的なアスペクトに対処する必要があります。対処するには多くの方法があります。モーターの温度を例にすると、この方法の 1 つに、次のようにモーターの温度から工場の作業場のベースラインの大気温度を減算する方法があります。

(調整された温度 = モーターの温度 - 大気温度)

次のサンプルグラフは、モーターから記録された温度とベースラインの大気温度を示しています。

次のサンプルグラフは、工場の作業場の大気温度を使用して、コンベヤベルトモーターからの温度を季節に合わせて調整する方法を示しています。また、この記事で提案されているアーキテクチャを使用するモデルで検出された異常が、赤で示されています。

振動： センサーは、半正弦波の RMS (2 乗平均平方根) として振動を収集します。 RMS はピーク値ではなく領域を表しているので、異常についてテストする前に RMS をピークに変換する必要があります。次のサンプルグラフは、モーターに取り付けられたセンサーにより振動ピークのデータがどのように収集されるかを示しています。

次のサンプルグラフでは、この記事で提案されているアーキテクチャを使用するモデルで検出された振動の異常が、赤で示されています。

考えられるユースケース

このソリューションを次のシナリオに適用できます。

製造。 コンベヤベルトの予測メンテナンスと故障防止。
エネルギー業界。 鉱石採掘用のコンベヤベルトの予測メンテナンス。特に地下鉱石採掘、露天掘りの鉱石採掘、選鉱関連。
医療。 医薬品や医療包装に使用されるコンベヤベルトの予測メンテナンス。
食品業界、旅行業、サービス業。 食品の製造と包装に使用されるコンベヤベルトの予測メンテナンス。

考慮事項

これらの考慮事項は、ワークロードの品質向上に使用できる一連の基本原則である Azure Well-Architected Framework の要素を組み込んでいます。詳細については、「Microsoft Azure Well-Architected Framework」を参照してください。

このアーキテクチャのテクノロジは、コストの管理とコントロールを目的として、スケーラビリティと可用性を考慮して選択されました。

Azure Industrial IoT は、コネクテッドファクトリの最新化を推進するのに役立ちます。また、Azure Digital Twins は、製造機構内の接続された物理環境をモデル化するのに役立ちます。詳細については、次のリソースを参照してください。

[信頼性]

信頼性により、顧客に確約したことをアプリケーションで確実に満たせるようにします。詳細については、「信頼性の重要な要素の概要」を参照してください。

このアーキテクチャのコンポーネントで高可用性を実現できます。しかし、機械学習と分析のタスクは、トレーニングと運用環境デプロイという 2 つの部分で構成されています。

トレーニングに必要なリソースには、通常は高可用性は必要ありません。運用環境デプロイの場合、高可用性は Azure Machine Learning エンドポイントで完全にサポートされています。

セキュリティ

セキュリティは、重要なデータやシステムの意図的な攻撃や悪用に対する保証を提供します。詳細については、「セキュリティの重要な要素の概要」を参照してください。

このシナリオでは、コンポーネントに組み込まれているセキュリティが強化されます。また、Microsoft Entra 認証またはロールベースのアクセス制御を利用して管理できるアクセス許可も提供されます。適切なセキュリティレベルを確立するには、「Azure Machine Learning のエンタープライズセキュリティに関するベストプラクティス」を考慮してください。

「Azure IoT Hub 用の Azure セキュリティベースライン」のベースラインのガイダンスに従って、IoT センサーと対話する IoT ハブに関するセキュリティとアクセスを管理します。

このアーキテクチャに関するセキュリティフィーチャーの詳細については、次のリソースを参照してください。

コストの最適化

コストの最適化とは、不要な費用を削減し、運用効率を向上させる方法を検討することです。詳しくは、コスト最適化の柱の概要に関する記事をご覧ください。

コストを最適化するために、リソースのスケーラビリティは、分析ワークロードおよびトレーニングとデプロイのワークロードに基づいています。
IoT ハブに該当する価格レベルと、機械学習およびデータ処理コンポーネントに該当するコンピューティングサイズを選択します。
このソリューションの実装コストを見積もるには、Azure の料金計算ツールを使用し、この記事で記述されているサービスを入力します。「コスト最適化の柱の概要」も役立ちます。

オペレーショナルエクセレンス

オペレーショナルエクセレンスは、アプリケーションをデプロイし、それを運用環境で実行し続ける運用プロセスをカバーします。詳細については、「オペレーショナルエクセレンスの重要な要素の概要」を参照してください。

MLOps のガイドラインに従って、複数のワークスペース間でスケーラブルな、エンドツーエンドの機械学習のライフサイクルを標準化し管理します。運用環境に移行する前に、実装されたソリューションが、モデルの再トレーニングサイクルと自動再デプロイを使用して継続的な推論をサポートしていることを確認します。考慮すべきリソースを次に示します。

パフォーマンス効率

パフォーマンス効率とは、ユーザーによって行われた要求に合わせて効率的な方法でワークロードをスケーリングできることです。詳細については、「パフォーマンス効率の柱の概要」を参照してください。

このシナリオのほとんどのコンポーネントは、解析アクティビティのレベルに基づいてスケールアップまたはスケールダウンできます。
Azure Machine Learning は、データサイズとモデルトレーニングに必要なコンピューティングリソースに基づいてスケーリングできます。デプロイでは、予想される負荷およびスコアリングサービスと、AKS サービス使用時の待機時間の要件に基づいて、コンピューティングリソースをスケーリングできます。
IoT ハブと Azure Data Factory のスケーリングと調整を行って、大規模なデータインジェストを処理できます。
スケーラブルなソリューションの設計の詳細については、「パフォーマンス効率のチェックリスト」を参照してください。

共同作成者

この記事は、Microsoft によって更新および保守されています。当初の寄稿者は以下のとおりです。

プリンシパルの作成者:

Manasa Ramalinga | プリンシパルクラウドソリューションアーキテクト、米国ナショナル CSA チーム

その他の共同作成者:

Mick Alberts | テクニカルライター
Charitha Basani | シニアクラウドソリューションアーキテクト、米国ナショナル CSA チーム

パブリックでない LinkedIn プロファイルを表示するには、LinkedIn にサインインします。

次の方法で共有

コンベヤベルトに関するリアルタイムの異常検出の実装