予測メンテナンスと資産の可用性の最適化

リアルタイムのインサイトによる資産メンテナンスの強化

予測メンテナンスは、インダストリー4.0の重要なコンポーネントです。メンテナンス戦略の不備は、産業メーカーの業務効率や収益性に大きく影響する可能性があります。資産集約型産業の企業は、競争力を高めるために、計画外ダウンタイムの最小化とメンテナンス・コストの最適化を行う必要があります。

• 82%の企業が過去3年間に計画外ダウンタイムを経験しており、1時間あたり26万米ドルものコストが発生し、停電は平均で4時間継続しました。
• 資産集約型の組織にとって、メンテナンスの成熟度は、信頼性の高い、中断のない、収益性の高い事業を行う能力を決定する重要な要素です。メンテナンス実務、プロセス、システムを改善することで、大きな投資収益を得ることができます。
• 組織は予測分析を利用して、資産の故障や信頼できる寿命を予測し、実用的なインサイトをリアルタイムで生成することができます。

データを使用して予測メンテナンスを有効化および改善することは、コンピュータ数値制御（CNC）インフラストラクチャ、サプライチェーンや倉庫システム、物流および試験システムなど、あらゆる種類の製造生産システムに適用可能なユースケースであるため、製造業には特に有意義です。

特定のアプリケーションに応じて様々なデータ・ソースを利用することができますが、予防メンテナンスから予測メンテナンスに移行するための鍵は、MQTT（IoTメッセージング標準）ブローカーを介して送受信される、またはオペレーティング・インテリジェンス・システムのヒストリアンが提供するモノのインターネット（IoT）データ・ストリームやマシンツー・マシン（M2M）メッセージです。これらは、メンテナンスの必要性を評価するために必要な生データのソースですが、適切な予測メンテナンス・システムを確立するためには、他のソースからのデータが必要です。たとえば、メンテナンス管理システムにはメンテナンス・レポートといった機器そのものに関する情報が含まれます。その他のデータソースとしては、監視制御およびデータ取得（SCADA）システム、メディア・ファイル（写真やビデオ・ストリームなど）を含む特別なリポジトリ、メンテナンス・マニュアル、天気予報などがあります。予測メンテナンスに活用できるデータの種類は膨大です。

予測メンテナンスの微調整によるコスト削減と効率化

ここで紹介するアーキテクチャは、オラクルの推奨コンポーネントを組み合わせて、発見からアクション、測定までのデータ分析ライフサイクル全体をカバーする完全な分析アーキテクチャを構築し、上記の幅広いビジネス上のメリットを提供する方法を示します。

この図は、製造業向けOracle Data Platformを使用して、予測メンテナンスと資産の可用性最適化をサポートする方法を示しています。このプラットフォームは、以下の5つの柱を掲げています。

• データソース、検出
• 取込み、変換
• 永続化、キュレーション、構築
• 分析、学習、予測
• 測定、行動

データソース、検出の柱には、2つのカテゴリーのデータが含まれます。

ビジネス・レコード・データは、MES、WHM、CMM（保守および資産管理）、IoT、SCADAシステム、ヒストリアンおよびオペレーターの入力（故障、品質、観察など）のデータで構成されます。

技術的な入力データとしては、IIoT、画像、Eメール、動画、紙文書（OCR）、個別のイベント（生産ラインの緊急停止など）などがあります。

取込み、変換の柱は、4つの機能で構成されます。

バッチ取り込みには、OCI Data Integration、Oracle Data Integrator、DBツールなどを使用します。

一括転送には、OCI FastConnect、OCI Data Transfer、MFT、OCI CLIを使用します。

変更データの取得にはOCI GoldenGateを使用します。

ストリーミングの取り込みにはKafka Connectを使用します。

4つの機能はすべて、永続化、キュレーション、構築の柱の中で、サービング・データストア、トランザクション・データストア、クラウド・ストレージに一方向に接続されます。

さらに、ストリーミングの取り込みは、分析、学習、予測の柱の中で、ストリーム処理に接続されます。

永続化、キュレーション、構築の柱は、5つの機能で構成されます。

サービング・データストアには、Autonomous Data WarehouseとExadata Cloud Serviceを使用します。

トランザクション・データストアには、ATP、MySQL、Oracle NoSQLおよびExadata Cloud Serviceを使用します。

クラウド・ストレージにはOCI Object Storageを使用します。

バッチ処理にはOCIデータ・フローを使用します。

ガバナンスにはOCI Data Catalogを使用します。

こうした機能は、柱の中で接続されています。クラウド・ストレージは、サービング・データストアとトランザクション・データストアに一方向に接続され、バッチ処理にも双方向に接続されています。

2つの機能は、分析、学習、予測の柱につながります。サービング・データストアは、分析機能と可視化機能、そしてデータ製品とAPI機能の両方に接続します。クラウド・ストレージは、機械学習機能に接続します。

分析、学習、予測の柱は、5つの機能で構成されます。

分析および可視化には、Oracle Analytics Cloud、GraphStudio、およびISVを使用します。

データ製品、APIにはOCI API GatewayとOCI Functionsを使用します。

機械学習には、OCI Data ScienceとOracle Machine Learningを使用します。

AIサービスには、OCI Anomaly Detection、OCI Forecasting、OCI Language、OCI Visionを使用します。

ストリーミング処理には、GoldenGate Stream Analyticsとサードパーティーのストリーム分析を使用します。

測定、行動の柱:は、データ分析が人やパートナー、アプリケーションやモデルによってどのように利用される可能性があるか、具体的には、AIサービス・モデルのアップデートに利用されるかを把握します。

人とパートナーは、状態監視とセンサーデータ分析、不良モード影響解析（FMEA）で構成されます。

アプリケーションは、資産パフォーマンス管理（APM）、根本原因分析、信頼性を中心とするメンテナンス（RCM）で構成されます。

モデルは、更新されたAIサービスモデル、予測分析および機械学習モデルで構成されます。

3つの中心的な柱である、取り込み、変換と永続化、キュレーション、構築と分析、学習、予測は、インフラ、ネットワーク、セキュリティ、IAMでサポートされます。

データの接続、取込み、変換

オラクルのソリューションは、それぞれが特定のデータ・プラットフォーム機能をサポートする3つの柱で構成されます。最初の柱は、データの接続、取り込み、変換の機能を提供します。

製造業の組織が予防メンテナンスから予測メンテナンスに移行するためにアーキテクチャにデータを取り込む方法は、主に4つあります。

• プロセスを開始するために、オペレーション・トランザクション・データの一括転送を有効にします。一括転送サービスは、既存のオンプレミスの分析リポジトリや他のクラウド・ソースからのデータなど、大量のデータを初めてOracle Cloud Infrastructure（OCI）に移動させる必要がある場合に使用します。具体的にどのような一括転送サービスを利用するかは、データの保存場所や転送頻度によって決まります。例えば、OCI Data TransferサービスやOCI Data Transfer Applianceは、過去の計画や データウェアハウス・リポジトリからの大量のオンプレミス・データのロードに利用できます。大量のデータを継続的に移動させる必要がある場合は、お客様のデータセンターとOCIの間を広帯域の専用プライベート・ネットワークで接続するOCI FastConnectの利用を推奨しています。
• 通常、リアルタイムまたはほぼリアルタイムの抽出が頻繁に必要とされ、OCI GoldenGateを使用して倉庫管理、スケジューリング、受注管理システムから定期的にデータを取り込みます。OCI GoldenGateは、変更データの取得を使用して、サービスが必要なシステムの基本構造の変更イベント（たとえば、新しいコンポーネントの追加、メンテナンス作業の完了、天候の変化など）を検出し、そのデータを永続性レイヤーやストリーミング・レイヤーにリアルタイムで送信します。
• 製造業にとって、複数のソースからのリアルタイムでデータ分析を行うことは、業務効率や全体的なパフォーマンスに関する貴重なインサイトの提供につながります。このお客様事例では、ストリーミングの取り込みにより、IoTやM2M通信などを通じてセンサーから読み取ったデータをすべて取り込みます。データ・ストリームをリアルタイムで取得し、分析する機能は、メーカーが資産の予測メンテナンスを行う上で極めて重要です。ストリームは、SCADAシステム、プログラマブル・ロジック・コントロール、バッチ・オートメーション・システムなど、複数のISA-95レベル2システムからの発信が可能です。データ（イベント）が取り込まれ、OCIオブジェクト・ストレージに保存される前に、基本的な変換と集計がいくつか行われることになります。相関するイベントを特定するために追加のストリーミング分析の利用が可能であり、特定されたパターンは、生データのデータ・サイエンス調査のために（手動で）フィードバックすることができます。
• この高頻度なストリーミング・データをリアルタイムに分析するために、ストリーミング処理を使用して高度な分析を実現します。従来の分析ツールが保存されているデータから情報を抽出する一方で、ストリーミング分析は稼働中つまりリアルタイムのデータの価値を評価します。そして、メリットはそれだけではありません。ストリーミング分析は高度に自動化できるため、メーカーの運用コスト削減に役立つ可能性があります。例えば、ストリーミング分析により、電気や水道などの基本的な光熱費のデータをリアルタイムで提供することができます。工場やプラントはそこで、自動ストリーミング分析ツールを使用し、エネルギー・コスト削減のために最適化できる分野に関するインサイトに即座にアクセスし、人工知能を用いた特定のオペレーション・イベントへの適切な対応をとることができます。ストリーミング分析は、今後の機器のメンテナンスの必要性をリアルタイムで予測することも可能で、企業が今後の修理や定期的なメンテナンスに十分に備える上で役立ちます。
• 発電所や太陽光発電所のような遠隔地にあるOracle Roving Edge Deviceと組み合わせて使用できるOCI Roving Edge Infrastructureは、アーキテクチャの重要なオプションのコンポーネントになり得ます。OCI Roving Edge Infrastructureは、OCIのすべてのサービスを提供しているので、予測メンテナンスのアーキテクチャを再現することができます。OCI Roving Edge Infrastructureは、クラウドでストリーミングの取り込みや処理をする前のストリーミング・データのデータ・ハブとしても利用することができます。
• リアルタイムのニーズは進化していますが、ERP、計画、倉庫管理、輸送管理システムからの抽出は、ETLプロセスにを用いたなんらかのバッチ取り込みが最も一般的です。バッチ取り込みは、データ・ストリーミングをサポートできないシステム（たとえば、古いSCADAや保守管理システム）からデータをインポートするために使用します。こうした抽出は、10分や15分といった頻度で行うことができますが、個々のトランザクションではなく、トランザクションのグループを抽出して処理するため、性質的にはあくまでバッチ処理です。OCIは、ネイティブのOCI Data Integrationサービスや、OCI Computeインスタンス上で動作するOracle Data Integratorなど、バッチ取り込みを処理するさまざまなサービスを提供しています。サービスの選択は、主に技術的な要件よりもお客様の嗜好に基づいて行われることになります。

データの維持、処理、キュレート

データの永続化と加工は、3つの（オプションとしては4つの）コンポーネントの上に構築されています。お客さまによっては、そのすべてを使用する場合も、サブセットで使用する場合もあります。データの量や種類によっては、オブジェクト・ストレージにロードしたり、構造化されたリレーショナル・データベースに直接ロードして永続的に保存することが可能です。データ・サイエンス機能の適用を想定する場合は、データ・ソースから生の状態（未処理のネイティブ・ファイルや抽出物）で取得したデータをトランザクション・システムからクラウド・ストレージにロードすることがより一般的です。

• クラウド・ストレージは、オラクルのデータ・プラットフォームで最も一般的なデータ永続性レイヤーです。構造化データと非構造化データの両方に使用することができます。OCI Object Storage、OCI Data Flow、Oracle Autonomous Data Warehouseが基本的な構成要素です。データソースから生の状態で取得したデータを取り込み、OCI Object Storageにロードします。OCI Object Storageはプライマリ・データ永続性層で、OCI Data FlowのSparkはプライマリ・バッチ処理エンジンです。バッチ処理には、基本的なノイズ処理、欠損データ管理、定義されたアウトバウンド・データセットに基づくフィルタリングなど、複数の作業が含まれます。結果は、必要な処理と使用されたデータ・タイプに基づいて、さまざまな層のオブジェクト・ストレージまたは永続的なリレーショナル・リポジトリに書き戻されます。
• 生と処理済の両フォーマットで保存されたすべてのデータ・タイプは、トランザクション・データストアで保持されます。Oracle Autonomous Databaseのようなオラクルのデータベースは、すべてのお客様事例で効率的に機能しますが、一部のデータはNoSQLデータベースで保存した方が良いと考える方がいるかもしれません。しかし、それは必ずしも正しいとは言えません。Exadataの上で最適化されたオラクル・データベースは、NoSQLデータベースよりも書き込み速度が速く、NoSQLデータベースを使うことで、すべてのデータを単一のリポジトリで統一的に見ることができるという利点が失われます。また、運用分析やダッシュボードの多くは最新のデータを使用するため、ハイブリッド・パーティションを活用して、一部のパーティションだけをExadataストレージで管理し、残りのデータをオブジェクト・ストレージで管理することも可能です。
• ここでは、サービング・データストアを使用して、クエリのパフォーマンスのために最適化された形でキュレートされたデータを保持します。サービング・データストアは、質の高いキュレートされたデータをSQLベースのツールでエンド・ユーザーに直接提供するために使用される、永続的なリレーショナル・データ層です。このソリューションでは、Oracle Autonomous Data Warehouseは、エンタープライズ・データウェアハウスと、必要に応じてより専門的なドメイン・レベルのデータマートのためのサービング・データストアとしてインスタンス化されます。また、データ・サイエンス・プロジェクトのデータソースや、Oracle Machine Learningに必要なリポジトリとなることもあります。サービング・データストアは、Oracle MySQL HeatWave、Oracle Database Exadata Cloud Service、Oracle Exadata Cloud@Customerなど複数ある形式のいずれかを取ることができます。

データの分析、予測、行動

分析、予測、行動をする機能は、3つのテクノロジー・アプローチにより促進されます。

• 高度な分析機能は、メンテナンスの最適化に不可欠です。このお客様事例では、分析と可視性を提供するために、Oracle Analytics Cloudを活用します。これにより、組織は記述的分析（ヒストグラムやチャートで現在の傾向を説明）、予測的分析（将来のイベントを予測し、傾向を特定し、不確実な結果の確率を決定）、処方的分析（最適な意思決定を導く、適切な行動を提案）を使用することができます。
• 高度な分析に加えて、データ・サイエンス、機械学習、人工知能が異常の検出、故障の発生箇所の予測、ソーシングプロセスの最適化に活用されることが増えています。データベースには、OCI Data Science、OCI AI Services、Oracle Machine Learningを使用することができます。機械学習やデータ・サイエンスの手法を用いて、予測メンテナンス・モデルを構築およびトレーニングしています。これらの機械学習モデルはその後、APIを介してスコアリング用に導入したり、GoldenGateストリーム分析パイプラインの一部として組み込むことができます。場合によっては、Oracle Machine Learning Services REST APIを使用して、これらのモデルをデータベースに導入することも可能です（これを行うには、モデルがOpen Neural Network Exchange形式であることが必要です）。さらに、Jupyterや Python中心のノートブック用のOCI Data Scienceや、Zeppelinノートブックおよび機械学習アルゴリズム用のOracle Machine Learningを、サービング・データストアまたはトランザクション・データトア内に導入することができます。同様に、Oracle Machine LearningとOCI Data Scienceを単体または組み合わせて、推奨および決定モデルを開発することができます。これらのモデルはサービスとして導入することができるので、OCI API Gatewayの背後に導入して「データ製品」や「サービス」として提供することが可能です。最後に、構築された機械学習モデルは、分散制御システムの一部であるアプリケーションへの導入（許可されている場合）や、Oracle Roving Edge Deviceなどを介したエッジへの導入が可能です。

データサイエンスと機械学習で特定したパターンを組み合わせて作成した複数のモデルは、AIサービスが提供する応答システムや意思決定システムに適用することができます。

• OCI Anomaly Detectionは、サプライチェーンのパフォーマンス指標（例えば、原材料の在庫、生産スループット、仕掛品、通過時間、在庫回転率など）をリアルタイムで監視し、混乱を特定し対処する上で役立ちます。複雑なサプライチェーンにおいて、特定された異常の重大度スコアは、観測されたビジネスの障害に優先順位をつけて対処する上で役立ちます。
• OCI Forecastingは、需要、供給、リソース容量などのサプライチェーンの指標を予測し、事前に準備するための適切なアクションを取る上で役立ちます。
• OCI VisionとOCI Languageは、発送する製品の品質レポートや製品欠陥レポートなどのドキュメントを理解し、サプライチェーンのデータを充実させる上で役立ちます。

最後に重要な要素として、データ・ガバナンスがあります。これは、データ・プラットフォーム・エコシステム内のすべてのデータ・ソースに対して、データ・ガバナンスとメタデータ管理（技術メタデータとビジネス・メタデータの両方）を提供する無料サービスであるOCI Data Catalogによって実現されます。また、OCI Data Catalogは、Oracle Autonomous Data WarehouseからOCI Object Storageへのクエリにおいて、保存方法に関係なくデータを迅速に検出する方法を提供する極めて重要なコンポーネントです。これにより、エンド・ユーザー、開発者、データ・サイエンティストは、アーキテクチャ内のすべての永続データストアで共通のアクセス言語（SQL）を使用することができます。

データを活用した製造業務の改善と収益性の向上

予測メンテナンスにより、機器の整備が必要なときだけ行われるため、予期せぬ停止が減ります。これにより、定期修理や交換の頻度が低下し、スペアパーツや消耗品を含むメンテナンス資源が節約でき、同時に故障が減少するなどのメリットがあります。このような予防的な予測により、機器の寿命を延ばし、機器の交換とそれに伴うダウンタイムを最小限に抑えて、潜在的な製品の遅延リスクを低減することができます。

計画外のダウンタイムが削減されることで、効率性、生産性、スピードが向上し、適切な部品を適切な場所に適切なタイミングで届けることができるようになり、ビジネスの最適化を支援します。一方、メンテナンス、人件費、材料費を削減し、資産のライフサイクル・コストを最適化することで、収益性が向上します。