Power biで気づく！現場機器の異常監視システム on azure
Download as PPTX, PDF•0 likes•1,151 views
2021/9/30 IoTビジネス共創ラボ 第20回オンライン勉強会 ブレインズテクノロジー株式会社 佐々木 瞭太
Power biで気づく！現場機器の異常監視システム on azure
- 2. Copyright (c) Brains Technology, Inc. Japan 講演者自己紹介：佐々木瞭太 1 ● 農学部を修了し、新卒で当時約20名のブレインズに入社。入社４年目 ○ Python, JavaScript, Scalaでの開発経験 ○ Kubernetesを用いた大規模クラスタの導入サポート経験 ○ 現在は、Impulseの導入標準化・ソリューション開発を中心に従事 ● 趣味 ○ 畑いじり ○ IoTな自動水やり機 ○ 登山
- 3. Copyright (c) Brains Technology, Inc. Japan 講演の趣旨 2 IoTソリューションの企画・開発者が ● システム構成のアイディアを得る ● 技術選定の参考にする ことをゴールとする 経験に基づく架空の案件を通して、設計のポイント等を共有・議論します 発表：18分、質疑：6分 要件定義 ・ニーズの整理 ・ソリューションの 基本設計 ・アーキテクチャパター ン ・技術選定 システムテスト ・活用イメージ ・実際のあれこれ
- 4. Copyright (c) Brains Technology, Inc. Japan 会社紹介 3 ● ブレインズテクノロジー株式会社 ○ ミッション：企業活動の継続性と生産性の劇的な向上に貢献する ○ 設立2008年・社員50名強 ○ 平均年齢：30代前半 ● 製品 ○ Impulse - 異常検知ソリューション ○ Neuron - エンタープライズサーチ（企業内検索エンジン） ブレインズテクノロジー株式会社 ロボ ティクス 制御・ 自律化 IoT 機械学習 エッジ コンピュー ティング 画像認識 パターン 認識 クラウド コンピュー ティング
- 5. Copyright (c) Brains Technology, Inc. Japan Impulse - 異常検知ソリューション 4 予知保全・保守 ＜異常検知・故障予兆検知・劣化診断＞ 品質管理・改善 ＜不良品検出・不具合要因分析・最適化＞ ■ データ加工・整理からモデル運用まで、AI分析の全プロセスをサポートす るオールインワンのAIプラットフォーム。 ■ 2014年、市場に先駆けサービス提供を開始し、製造業・建設業・IT業の大 手企業を中心に100社、12,000を超える機械学習のモデル運用を支えていま す。 製造業 建築業 IT
- 6. Copyright (c) Brains Technology, Inc. Japan 本題へ！の前に、、吹き出し脚注 5 技術選定ワンポイント 要件チェック
- 7. Copyright (c) Brains Technology, Inc. Japan 要件定義 6
- 8. Copyright (c) Brains Technology, Inc. Japan 司令〜全国の工事現場の機器を監視せよ！ 7 ● 全国に散らばる工事機 器の稼働データを収集 ● リアルタイムで異常検 知・故障予知をして、 現場が止まるのを防ぎ たい オフィス 故障予知 整備手配 現場 100人×5万=500万 10機械×10万=100万 …?
- 9. Copyright (c) Brains Technology, Inc. Japan データ収集・蓄積 8 ● データ取得元は機器を制御するPLC ● 現場は各地に散らばっている ● 最大で100現場・1000機器程度まで拡大予定 ● 集めたデータはクラウドの統合基盤に集約 ● データの可視化・分析、機械学習モデルの作成での利用
- 10. Copyright (c) Brains Technology, Inc. Japan 機械学習による異常検知 9 ● 複数の測定値の正常稼働パターンからの逸脱を検知 ○ 力がかかっているのに、動いていない etc. ○ 実際に起こってみないとわからない複雑なパターン ● 同じ機器に対し、複数の観点（故障の原因）ごとにモデルを作成 ● 現場が変わった等で動作パターンが大きく変わり、誤検知が多発した場合 には最新のデータでモデルを自動更新する ● 同じ機器種別のデータに対しては、新たに連携されたものに対してモデル を自動構築 モータ異常 ベルト異常
- 11. Copyright (c) Brains Technology, Inc. Japan リアルタイム異常検知結果確認 10 ● 機器ごとに見せ方をお客様自身でカ スタマイズ ○ 各機器の状態をダッシュボードで リアルタイム確認 ○ 異常があった場合はメール通知 ○ 異常スコアの時系列グラフ ○ 測定値の散布図 ● リアルタイム数値確認 ○ ニュルニュル動くグラフで機器の 動作に合わせた測定値・異常スコ アの動きを確認
- 12. Copyright (c) Brains Technology, Inc. Japan 設備のマスタ管理との連携 11 ● お客様自身でのカスタマイズ ○ 現場や機器の追加 ○ 機器の移動 ○ GW端末と認証情報 ○ データの論理名の管理 ● バックエンドとの柔軟な連携 ○ 画面からの読み書き ○ バックエンドプログラムからの読み書き
- 13. Copyright (c) Brains Technology, Inc. Japan 基本設計 12
- 14. Copyright (c) Brains Technology, Inc. Japan まずは全体をラフに設計 13 異常検知モデル管理 データ収集・蓄積 リアルタイム 異常検知結果確認 設備のマスタ管理との連携 生データ マスタデ ータ 検知結果 データ どれくらいのリア ルタイム性が必 要？ 対象が増えた場合 のスケールアウト ユーザによる変更可 能範囲・柔軟性は？ モデル作成の単位と 手法は？自動更新必 要？
- 15. Copyright (c) Brains Technology, Inc. Japan データ収集・蓄積 14 ● 開発工数の削減とスピードUP ○ Black BearやarmadilloといったIoT Gatewayを活用 ● スケーラブル＆データロストしないストリーミング処理 ○ IoT Hub→Event Hub ○ AKSによる取り込み・推論処理 ● 0スケールで費用対効果高いデータ保存 ○ Cosmos DB AKS IoT Hub Event Hub Azure Cosmos DB IoT Gateway リリース時の柔軟性や Dockerによるモジュール管 理が利点。単純な連携の場合 はFunctionsの方が良いかも 自前でスケール調整しな くて良いのが最大の利点
- 16. Copyright (c) Brains Technology, Inc. Japan 機械学習による異常検知 15 ● 実績ある機械学習プラットフォーム ○ Impulseの利用 ○ 豊富な機械学習アルゴリズムと自動モデリング機能 ○ オンライン推論へのシームレスな適用
- 17. Copyright (c) Brains Technology, Inc. Japan リアルタイム検知結果確認 16 ● ユーザ自身でカスタマイズ可能なダッシュボード ○ Power BIレポート＆ダッシュボード ■ ノーコードでお客様自身でカスタマイズ ■ Streaming Datasetでニュルニュル動くグラフ ■ Reportによる中長期データの表示 ● リアルタイム＆蓄積データ連携 ○ Azure Streaming Analytics vs. AKSで実装 Event Hub Power BI Streaming dataset Azure Cosmos DB 結果集約・ ステータス更新 Power BI Streaming dataset データ転送 Power BI 試験運用段階のコスト、処理 の柔軟性（Streaming Datasetのエンドポイントを ユーザで設定する等）を考慮 すると自前で実装する必要 データセットごとにURL の払い出し、POST
- 18. Copyright (c) Brains Technology, Inc. Japan 設備のマスタ管理との連携 17 ● ユーザ自身で拡張可能な画面 ○ Power Appsでノーコード開発 ○ Microsoft Dataverse（Common Data Service） vs. Azure SQL database ○ Model Driven App vs. Canvas App Power Apps ノーコードで直接 編集可能 バックエンド処理との連携 を考慮するとAzure SQL database（CDSではプログ ラムアクセス用の認証方式 は使えない？） データソースがCDS以外で はCanvas Appが必須
- 19. Copyright (c) Brains Technology, Inc. Japan 全体アーキテクチャ 18 異常検知 IoT Hub Event Hub Azure Cosmos DB IoT Gateway Impulse 異常検知モデル管理 Event Hub Power BI Streaming dataset Azure Cosmos DB 結果集約・ ステータス更新 Power BI Streaming dataset データ転送 Power BI 異常検知結果連携 データ収集・蓄積 リアルタイム ダッシュボード& 中長期データの表示 Power Apps バックエンド処理と連携した マスタ管理
- 20. Copyright (c) Brains Technology, Inc. Japan システムテスト 19
- 21. Copyright (c) Brains Technology, Inc. Japan 活用イメージ 20 初期設定・機器追加 ● Power Appsで現場・機器マスタ登録作業 ● 現場にGWを設置＆連携開始 ● Impulseで異常検知モデル作成 ● Power BIでダッシュボード作成・日常監視 ● Power BIレポートでデータ可視化・傾向分析 現場移動 ● Power Appsで紐付けを変更 ● Power BIで傾向分析 ● Impulseでモデル更新・適用
- 22. Copyright (c) Brains Technology, Inc. Japan ありがちな不具合・障害 21 ● データが歯抜け、、 ○ IoT Gatewayの設定 ○ ミドルウェアのスループット設定 ○ 各処理の不具合 etc… ○ →まずはどの時点でロストしたのか突き止めることが大事 ● リアルタイム処理遅延 ○ アプリケーションログの丁寧な確認 ○ 検証環境での再現 ○ →原因に応じて、アプリの改修orスケール設定を変更 ホットパス vs. コールドパス ホットパスは保守メンテも大変。要件を吟味し、 必要最小限にとどめる
- 23. Copyright (c) Brains Technology, Inc. Japan まとめ 22
- 24. Copyright (c) Brains Technology, Inc. Japan Take Home Message 23 ● 骨：初めに最小限の要件を整理し、骨組みとなるデータの流れを決め →スケーラビリティを意識したマネージドサービスを活用 ● 肉：既存のサービス・ソリューションを上手に繋げて、徐々に肉付けしていく →ノーコードツールの活用 骨＋肉＝現場で役立つ 現場をお助け！