　同製品は、学習用と識別用の2種類のエンジンで構成される。画像情報やセンサーデータ、パターン認識、経験則によって生成される識別辞書から、リアルタイムで先の状態を予測する。異常に至ると判断した場合、警告や対策案を提示する。また、監視カメラで車両や人物の動きを識別し、先の動作・進路予測から危険な予兆を捉えて回避策を講じるなど、事故防止を支援する。

　独自開発のアルゴリズムを採用しており、深層学習で時系列パターンを学習し、動作モードごとの状態を自動で検出できる。正常状態からの逸脱を時系列で監視し、早期故障予測や予測精度向上に対応する。

　ユースケースに応じた機能タイプが提供され、「ML識別」は、画像、音声、センサーデータなどの特定パターンの認識および識別を行う。「動き予測」は、対象物の動きや変化を分析して危険や障害を予測、移動を追跡する。「状態評価」では、分析機器やシステムの潜在的な内部状態遷移を予測し、故障や障害を未然に回避する。

　ユーザーの環境やニーズに応じた柔軟なシステム構築が可能で、組み込み型は、市販の組み込みボードに搭載し、ユーザーの設備や機器へ内蔵できる。オンプレミス型は、PCサーバに搭載し、ユーザー拠点に設置し運用する。クラウド型は、クラウドサーバ上で実行し、ネットワークを介して処理結果を通知する。

　端末に近いエッジ側に識別用エンジンを置き、大量のデータ分析のためにクラウド側へ学習用エンジンを置くといった分離搭載にも対応。リアルタイム性を追求し、効率の良いシステムを実現できる。定点観測や状態診断の場合は、両エンジンをクラウド側に構築することで、リソース管理や保守運営の負担を軽減できる。

「状態予測エンジン」のイメージ（クリックで拡大）出典：日立情報通信エンジニアリング

故障予知は前提、“真の予兆保全”を実現するために必要になるもの
2017年はIoTやAI技術の進展により、大型機械や設備の故障予知や予兆保全への取り組みが加速した1年となった。2018年は故障予知などを前提とした、センシングやデータ管理などが進み、予兆保全に関する各種製品開発やソリューションが数多く登場する見込みだ。
製造業のサービス化、予兆保全は単なる「はじめの一歩」
製造業の産業構造を大きく変えるといわれている「第4次産業革命」。しかし、そこで語られることは抽象的で、いまいちピンと来ません。本連載では、そうした疑問を解消するため、第4次産業革命で起きていることや、必要となることについて分かりやすくお伝えするつもりです。第7回は、前回に引き続き「製造業のサービス化」についてご紹介します。
計画保全と品質保全で工程の信頼性と保全性を目指す
本連載「いまさら聞けないTPM」では、TPM（Total Productive Maintenance）とは何か、そして実際に成果を得るためにどういうことに取り組めばいいかという点を解説する。第4回となる今回は、「TPMの8つの活動（8本柱）」のうち計画保全と品質保全について紹介する。
AIと機械学習とディープラーニングは何が違うのか
技術開発の進展により加速度的に進化しているAI（人工知能）。このAIという言葉とともに語られているのが、機械学習やディープラーニングだ。AIと機械学習、そしてディープラーニングの違いとは何なのか。
機械学習はどうやって使うのか――意外と地道な積み重ね
前編では、AI（人工知能）と機械学習、ディープラーニングといった用語の説明から、AIを実現する技術の1つである機械学習が製造業を中心とした産業界にも徐々に使われ始めている話をした。後編では、機械学習を使ったデータ分析と予測モデル作成について説明する。
当たらない需要予測とうまく付き合う法
今日の製造業が抱えている根本問題は「大量・見込み生産の体制を残したまま、多品種少量の受注生産に移行しようとしている」ことにある。生産計画を困難にするさまざまな要因を乗り越え、より良い生産計画を実現する方法を検証してみよう。