1～4 件を表示 ／ 全 4 件
予防保全と事後保全の違い、IoTを活用した予知保全について解説します
製造現場では、日々さまざまな設備や機械が稼働しています。 これらを管理して安定した稼働を実現するには、適切な保全活動が 欠かせません。 保全活動には予防保全・事後保全などがありますが、近年はIoTを 活用した“予知保全 も取り入れられています。 この記事では、製造現場の設備・機械を適切に管理するための予防保全 と事後保全の違い、IoTを活用した予知保全について解説します。 ※ブログの詳細内容は、関連リンクより閲覧いただけます。 詳しくは、お気軽にお問い合わせ下さい。
【動画で分かる ! 】プラントデータの常時監視ツール 【シンプル設置＆低価格で IoT実現】
無線式コンパクトモニタリングユニット「CU-30000」は、製造工場で稼働する回転機械などの振動やプロセスデータを対象とした小・中規模や仮設用途向けのオンラインモニタリングユニットです。 長距離無線の採用により広域測定が可能なうえ、簡単操作で精度の高い管理が行えます。 配線工事が削減でき、工業用途向けに耐久性に優れた機器をご提供します。 お客様のニーズに合わせた機器構成によりコストパフォーマンスにも優れています。
予知保全アルゴリズムの開発を開始できるように、用語を説明し、例やチュートリアル、評価版ソフトウェアをご紹介します
製造業のAIｘIoT化を実現する「スマートファクトリー」化等に伴い、予知保全への関心が日々高まっています。 予知保全により、機器の状態を監視して、将来の機器の故障を防ぐことができます。機器のセンサーからのデータを使用して、分類、回帰、および時系列分析を用い、故障の根本原因を特定、故障発生までの時間を予測できます。また、複雑な機械の問題を特定し、修理または交換が必要な部品を特定するのに役立ちます。これにより、ダウンタイムを最小限に抑え、機器の存続期間を最大限に延ばすことができます。 この ebook は、MATLABによる予知保全アルゴリズムの開発を開始できるように、用語を説明し、例やチュートリアル、評価版ソフトウェアへのアクセスを提供します。
AIをベースとした時系列データの中から異常と障害を特定する方法や該当パーツの残りの耐用年数の見積もりについて学びます。
■到達目標 ・時系列データを使用し、XGBoost ベースの機械学習分類モデルで成果を予測できる。 ・LSTM ベースのモデルを使用し、機器の故障を予測できる。 ・時系列オートエンコーダーによる異常検出を利用し、限られた故障例データが利用できるとき、故障を予測できる。 ■対象者 産業分野における予知保全システムを開発・提供するSEおよび開発者の方。 ■前提知識 ・「0から始めるPython入門-データ分析での活用をテーマとして-」コースを修了しているか、または同等の知識があること。 ・「NVIDIA Deep Learning Institute（DLI）認定コース ディープラーニングの基礎」コースを修了しているか、または同等の知識があること。
