仮想のポンプセンサーデータを使った検証（Python）

仮想のポンプセンサーデータを使った検証（市販ソフト）

AVEVA社のPRiSMやMathworks社のPredicitive Maintainance toolbox、GE社のSmart Signal、アズビル社のBiG EYES等、多くのベンダーから異常予知に関するソフトが出されています。

ここではMathworks社のPredictive Maintainance toolboxを使って検証してみたいと思います。

異常予知に用いられるセンサー

異常予知を行う際に、どのセンサーデータを用いるか、センサーデータが足りない場合にどのように不足データを補うかをまとめていきます。

AVEVA社のPRiSM

AVEVA社のPRiSMでは高度パターン認識を用いた異常予知に加え、なぜその異常が発生するのかという要因分析を行うことが可能です。また、異常予知に用いるデータの統計データ表示やデータクレンジングをGUI上で簡単に行うことができます。

ここでは、保全最適化に関する考え方をまとめていきます。

信頼性中心保全：RELIABILITY-CENTERED MAINTENANCE(RCM)

NASAのReliability-Centered Maintenance Guide (RCM) Guideによると、RCMは以下の２点を同時に達成することを目標としています。

1. Life-Cycle Cost(LCC)を最小に抑えること

2. 各設備が必要な信頼性と機能を維持すること

故障モード影響解析：Root Cause Analysis (RCA)

根本原因解析：Failure Mode and Effects Analysis（FMEA）

予防保全から予知保全への移行

AVEVA社のASO

AVEVA社のASO(Asset Strategy Optimization)では上述のFMEA、RCAに加え予備品在庫の最適化や過剰あるいは不足保全の洗い出しから最適化を行うことができます。