The Doppler Quarterly (日本語) 秋 2017 | Page 10

多くの点で、 IT + OT =
IoT が成り立ちます。
例えば温度が 107 度になるごとに秒単位で記録した膨大な温
度の表など、生のデータそれ自体ではあまり有用性がありませ
ん。もちろん、 200 度まで急上昇してから 107 度に戻った場合
は懸念となる場合があります。または、誤検知の可能性もあり
ます。しかし、 107 度が数時間 130 度になったり、温度が上昇
ています。これにより、今後はより優れたメンテナンス予測が可
能となるはずです。また、何年または何十年もの間データヒスト
リアンの中で活用されずに眠っていた「ダークデータ」が、ここ
にきてついに、コスト効率の高い分析が可能なクラウドで活用
できるのです。
傾向にあったりする場合はどうでしょうか。通常、答えを出すに
はデータ全体を見てその意味を判断する必要があります。言い
換えれば、データからコンテキストを読み取るのです。
予測メンテナンスとはこれらの膨大な生のデータのプールを取
り込むことに関連する技術およびデータサイエンスであり、こ
れらのデータを使用して機械学習アルゴリズムを改善すること
でコンテキストを読み取り、高い統計的確率に基づいてパーツ
の故障を予測します。また、ダウンタイムが発生する前に積極
的にパーツを交換する推奨時期を判断します。
そして、工場の囲いが無くなりつつある現在、履歴データとリア
ルタイムデータの両方が分析のためにクラウドに移行され始め
8 | THE DOPPLER | 2017 年秋号
自治と制御
IIoT を工場または生産ラインに導入することに関して認識され
ている最も大きな障害の 1 つは、セキュリティの懸念に関連し
ています (Stuxnet を覚えていますか )。同時に、レイテンシに
基づく実際的な懸念もあります。