予兆保全AIは何で評価すべき?Accuracy・Recall・誤報・Lead time・停止損失の見方 予兆保全AIはAccuracyだけで評価できません。Accuracy 99%でも故障を全件見逃す仮想例から、Recall・Precision・F1・誤報・Lead time・故障イベント単位の評価、停…
同型設備なら異常検知モデルは共通化できる?複数設備へ予兆保全を横展開する方法 同型ポンプや同一設備なら、1台で作った異常検知モデルをそのまま横展開できるのでしょうか。設備個体差、運転条件、センサー条件を整理し、完全共通モデル・個別モデル・共通モデル+設備別補正の考え方を解説しま…
異常検知と故障診断は何が違う?AIでできること・できないことを設備保全の流れで解説 AIの異常スコアが上昇しても、故障原因まで分かるとは限りません。異常検知・切り分け・故障診断・根本原因分析の違いを整理し、振動周波数、温度、電流、保全履歴を使ったアラート後の確認方法を解説します。
設備監視にAIは必要?閾値監視で十分なケースと機械学習を検討すべきケース 設備監視や予兆保全にAIは必ず必要なのでしょうか。温度80℃超を異常とする仮想例を使い、固定閾値・条件別閾値・トレンド監視・機械学習の使い分けと、AI導入で増える保守負担を解説します。
センサーデータの時刻がずれると何が起きる?設備分析で重要なタイムスタンプ統一 PLC・IoTセンサー・保全履歴の時刻がずれると、故障前データの抽出や異常検知のラベル付けを誤る可能性があります。固定オフセット、クロックドリフト、通信遅延、UTC/JSTの違いを整理し、設備データの…
IoTでデータを集めても活用できないのはなぜ?目的から考えるデータ収集の5つのポイント IoTやBIを導入してデータを集めても活用できないのはなぜか。センサーを増やす前に、経営・業務上の判断から必要なデータ、取得周期、粒度、保存条件を逆算する実務的な進め方を解説します。
データ分析の前にデータ品質はどこまで改善すべき?欠損・表記揺れ・異常値を直す優先順位 データ分析前の欠損・表記揺れ・異常値・マスタ不整合は、すべて直す必要があるのでしょうか。利用目的から必要なデータ品質を決め、旧新商品コードなど優先して改善すべき問題を見極める方法を解説します。
機械学習の精度が高すぎる?実運用前に確認したいデータリーケージと評価方法 AI・機械学習PoCで想定以上の高精度が出たときは、データリーケージを確認する必要があります。予測時点、未来情報、前処理、時系列・Group分割など、本番導入前に見直したいポイントを解説します。
売上上位顧客=優良顧客とは限らない?粗利・物流費・営業工数で見る顧客別採算の分析方法 売上1位の顧客が最も利益に貢献しているとは限りません。粗利に加え、物流・注文処理・営業工数・サポートなどのCost-to-Serveを整理し、顧客別採算を経営判断へつなげる方法を解説します。
需要予測は「精度が高いほど良い」のか?RMSEだけでは見えない欠品・在庫コストの評価方法 RMSEが低い需要予測モデルなら業務でも最適とは限りません。繁忙期の大外れ、過小・過大予測、欠品、在庫保有費、Service Levelまで含めて需要予測を評価する方法を解説します。