Amazon Web Services ブログ

機械の故障予防： フィジカル AI が機器の問題を予測する方法

このブログは、Ram Gorur、Ashish Chaurasia、Channa Samynathan によって書かれた Preventing Machine Breakdowns: How Physical AI Predicts Equipment Problems を翻訳したものです。翻訳は、ソリューションアーキテクトの戸塚智哉が担当しました。

フィジカル AI: 現実世界で機能するインテリジェンス

フィジカル AI は、物理世界と直接相互作用して操作するという点で、従来の AI とは異なります。従来の AI がデータを処理し画面上にテキストを生成するのに対し、フィジカル AI はロボット、自動運転車、スマートシステムが、実際の 3 次元環境を認識、理解、行動することを可能にします。

重要な違い: 物理 AI は、合成データと実世界のデータで学習することにより、空間的な関係性と物理的な振る舞いを理解し、デジタル知能と物理行動の溝を埋めています。

動作の仕組み: 高精度のコンピュータシミュレーションにより、工場や都市の街路などの現実の空間のデジタルツインが作成されます。そこでは、実世界の物理法則をミラーリングする仮想センサやマシンを使って、高度に特化したモデルを学習させます。

メインテナンスの変革

フィジカル AI によってメンテナンスは対応型から自律型に移行します。これらのシステムは環境を認識し、コンポーネントの関係を理解し、問題が発生する前に予防措置を講じます。自動車の予測メンテナンス (PdM) の 市場 は 2032 年までに 1000 億ドルに達し、フィジカル AI の能力により、車両の世話が革命的に変わります。

電気自動車 (EV) は フィジカル AI を実際に活用できる良い例です。EV は周囲から常に学習し、性能を最適化するために即座に判断を下し、移動中に自身の健康状態を管理できるように設計できます。このようなシステムは、部品がどのように組み合わさって動作するかを理解し、物理的な力がさまざまな部品にどのように影響するかを予測し、摩耗を減らすために運転パターンを調整します。

車の PdM と同じ原理が、他の分野にも表れています。製造ロボットは、故障が発生する前に、故障を予測して防止することができます。スマートな倉庫では、システムが最大の効率化のため、自身の保守管理をスケジューリングします。医療ロボットは、自身の精度を監視し、必要に応じてセルフキャリブレーションを行います。スマートな社会基盤インフラさえ、自らの問題を検出し、修理を自動的に調整できます。

実際の仕組み

現代の EV に搭載された AI システムは、統合されたセンサーネットワークを介して、継続的に複数の車両システムを分析し、車両の監視とメンテナンスを行う高度なアプローチを表しています。このシステムはバッテリーの健康状態、モーターの性能、ブレーキ、サスペンションコンポーネントを追跡し、各コンポーネント間の動的モデルを構築します。AI は、温度、振動、電気負荷、機械的ストレスの関係を監視し、潜在的な故障を予測して防止します。バッテリーへのストレスを軽減するための充電パターンの調整や、磨耗を最小限に抑えるための回生ブレーキの変更など、事前対応を行います。この予知保全アプローチは、従来の受動的な車両メンテナンスから、実際の条件を理解し対応する、積極的なシステムへと変容させます。ただし、利点を定量化するには、具体的な性能指標と結果データが必要です。

概要

このブログでは、フィジカル AI AI 主導の製品データ管理 (PdM) を変革している生成 AI アプリケーションの種類と、AWS サービスがこれらのイノベーションを可能にする方法について学びます。

AWS Internet of Things (IoT)、人工知能 (AI) /機械学習 (ML)、そして生成 AI は、フィジカル AI 駆動型 PdM (予知保全) のための革新的なソリューションを提供することで、コネクテッドカーの分野、特に EV の分野の状況を一変させました。これらの先進技術を統合することで、物理システムの深い理解を通じて、EV の最適なパフォーマンスと長期的な耐久性を確保するために、より効率的で効果的な EV の維持アプローチへの道が開かれました。

AWS IoT は多くの自動車顧客によって、物理 AI アプリケーション (自動運転、予防保全、インフォテインメントなど) の開発と管理に使用されています。AWS IoT により、電気自動車はクラウドに接続して、位置関係や部品間の物理的相互作用を含む状態とパフォーマンスについての リアルタイムデータを送信できます。そのデータはその後、AWS の AI / ML サービスを使って分析され、さまざまなシステムが現実世界でどのように物理的に相互作用するかを理解することで、パターンを特定し、異常を検出し、潜在的な問題を予測することができます。

フィジカル AI 駆動型 PdM における生成 AI は、次の 4 つの主要なステージで動作します。機械の優先順位付けでは、検索補完生成 (RAG) システムを使用して、構造化データと非構造化のメンテナンスデータを分析し、優先的に注意が必要な機器を特定します。故障予測では、リアルタイム分析と ML モデルを使用して機械のセンサーデータを処理し、故障が発生する前に予測します。修理計画の生成では、大規模言語モデルを利用して、複数のソースからデータを統合し、作業手順やリソース配分を含む包括的な作業指示書を作成します。メンテナンス指針の生成では、サービスメモと修理計画を生成 AI で組み合わせ、技術者向けに拡張され、実行可能な指針を提供します。

このアプローチにより、自動車メーカーは実際の物理的条件下での車両の性能に関する豊富なデータを収集できます。車両が物理環境とどのように相互作用するかを把握し、実際の物理法則と使用パターンを考慮したコンポーネントの改良について、確かな情報に基づく意思決定を行うことで、将来の車両設計を改善できるのです。

アーキテクチャの概要

EV における PdM とは、収集した洞察に基づいて監視、分析、処理を行うことを指します。EV には、バッテリー状態、車両位置、モーター状態、ブレーキ状態などのさまざまなデータを収集するためのセンサーが装備されています。運用コストを最小限に抑えるため、このパターンはセンサーデータを利用して PdM モデルを作成することで、EV の保守を強化することを目的としています。

1. データ取り込みおよび処理

コネクテッドカーは、自動車メーカーにとって車両品質、安全性、自動運転性を高める機会となります。しかし、これらの進歩には課題があり、特にコネクテッドカーから生成される膨大なデータを効果的に管理し活用することが挙げられます。車両データの収集は、さまざまなメーカーが採用する ECU (電子制御ユニット) の独自データ形式が多様であることと、データ収集体制の拡大に伴うコスト増が大きな問題となっています。

AWS IoT FleetWise は、自動車業界向けの AWS 製専用サービスです。車種、モデル、オプションにかかわらず、車両に存在する様々な形式のデータを簡単に収集・変換・転送できます。このサービスでは、データ形式を標準化するため、クラウド上で分析する際にカスタムデータ収集システムを必要としません。AWS IoT FleetWise では、インテリジェントなフィルタリング機能を利用して、データをほぼリアルタイムでクラウドに効率的に転送できます。転送するデータを選択し、天候条件、場所、車種などのパラメータに基づいてルールやイベントを定義することで、クラウドに送信するデータ量を削減できます。

このセクションでは、AWS IoT FleetWise を使用して車両データを収集し、S3 に保存します。これは、予測分析のための機械学習モデルを学習するためです。

    • 車両に AWS IoT FleetWise エッジエージェントをセットアップ – AWS IoT FleetWise の Edge Agent を作成し、車両とクラウドの間の通信を促進します。Edge Agent は、車両データ収集用に設計された C ++ で記述された完全なソフトウェアで、ほとんどの組み込み Linux プラットフォームで実行できます。IoT FleetWise は、Edge Agent から車両から収集・転送するデータを制御します。
    • シグナルカタログを作成する – シグナル は車両のデータとメタデータを個別のタイプに構造化します:
      • センサー は温度などのリアルタイム測定値を取得し、それぞれのシグナル名、データ型、単位を保存します。
      • 属性 はメーカーや製造日などの固定情報を含みます。ブランチは階層的な構造を作ります。 Vehicle ブランチから Powertrain が分かれ、さらに combustionEngine サブブランチが作成されます。センサーデータは、液体レベル、温度、振動などの車両の即時状況を追跡します。
      • アクチュエータ データはモーターやドアロックなどのコンポーネントの状態を制御します。デバイスを調整する (ヒーターのオン/オフを切り替えるなど) と、アクチュエータデータを更新します。

シグナルカタログは、あらかじめ定義されたシグナルで車両モデリングを簡素化します。AWS IoT FleetWise は Vehicle Signal Specification (VSS) を統合し、「vehicle_speed」のような標準シグナルを時速 (km/h) で定義します。この標準センサーとシグナルの中央リポジトリにより、シグナルを効率的に再利用することで、新しい車両モデル作成を加速できます。

    • 車両モデルを作成する – 車両モデルを使って、車両のフォーマットを標準化します。車両モデルにより、同じ種類の複数の車両でデータが均一になり、車両の集団からのデータ処理を効率化できます。同じ車両モデルから作成された車両は、一貫したシグナルのセットを継承します。
    • デコーダマニフェストの作成 – デコーダマニフェストには、AWS IoT FleetWise がバイナリ形式の車両データを簡単に理解できる値に変換するためのデコーディング情報が含まれています。IoT FleetWise は OBD II、CAN バス、ROS2 などの車載ミドルウェアをサポートしています。たとえば、車両が OBD ネットワークインターフェースを利用している場合、デコーダマニフェストには、メッセージ ID 11 と 0000 × 11 のようなバイナリデータを OBDCoolantTemperature に関連付けるシグナルを含める必要があります。
    • ビークルの作成 – ビークルはビークルモデルのインスタンスです。ビークルは、ビークルモデルから作成され、デコーダーマニフェストに関連付ける必要があります。ビークルは、1 つ以上のデータストリームをクラウドにアップロードします。例えば、ビークルは走行距離、バッテリー電圧、ヒーターの状態などのデータをクラウドに送信できます。
    • 車両データを収集するキャンペーンの作成とデプロイ – 車両がモデル化され、シグナルカタログが作成されると、モデル内で作成されたシグナルを使用してデータ収集キャンペーンを作成できるようになります。キャンペーンとは、データ収集ルールの指示の束です。キャンペーンでは、AWS IoT FleetWise エッジエージェントソフトウェアにデータを選択、収集、クラウドに転送する方法を指示します。すべてのキャンペーンはクラウドで作成されます。チームメンバーによってキャンペーンが承認されると、AWS IoT FleetWise は自動的にそれらを車両にデプロイします。自動車チームは特定の車両またはフリートに対してキャンペーンをデプロイするかを選択できます。稼働中のキャンペーンが車両にデプロイされるまで、エッジエージェントソフトウェアは車両のネットワークからのデータの収集を開始しません。
    • 車両データを S3 に格納する – AWS IoT FleetWise 用のエッジエージェントソフトウェアが、選択された車両データを Amazon Timestream または Amazon Simple Storage Service (Amazon S3) に転送します。データが転送先に到着したら、他の AWS サービスを使ってデータを可視化したり共有したりすることができます。

2. PdM モデルのトレーニング

機械学習 (ML) アルゴリズムは、ここで電気自動車 (EV) の故障を予測し、保守活動を最適化するための予知保全 (PdM) 分析に活用されています。予知保全は、リアルタイムのデータを使用して、故障の原因となる様々な要因を分析することで、潜在的な故障の発生を予測できます。この積極的なアプローチにより、予期しない車両の故障を効果的に最小限に抑え、EV 部品の寿命を延ばし、総修理費用を削減することができます。

EV データが AWS 環境に取り込まれると、Amazon S3 バケットに保存されます。Amazon S3 に保存されたデータを使って、学習済みでデプロイされた ML モデルから、リアルタイムの予測が生成されます。この予測は更に処理され、ダウンストリームのアプリケーションで必要なアクションを実行し、PdM アクティビティを開始するために利用されます。このソリューションは以下のセクションから構成されています。

    • モデルの訓練とデプロイ – データリポジトリから PdM データセットを使用し、SageMaker で XGBoost アルゴリズムによる機械学習モデルを訓練します。その後、訓練したモデルを SageMaker の非同期推論エンドポイントにデプロイします。
    • モデルの訓練 – モデルを訓練するために、まず EV データを Amazon S3 に保存します。これにより、扱うデータの膨大な量を安全かつ効率的に保管できます。データを保存したら、Amazon SageMaker Training を使って訓練プロセスを開始できます。このサービスは、様々な機械学習モデルを大規模に訓練できるよう設計されています。その機能により、大規模データセットを扱う場合でも、高速かつ正確なモデル訓練を実現できます。つまり、モデル訓練の効率と有効性を確保し、高品質な結果を得られます。
    • リアルタイム近くの EV データ取り込み – 車両から収集された EV データは、AWS 環境で処理された後、Amazon S3 に保存されます。このデータには、バッテリー電圧、バッテリー温度、モーター状態、位置情報などの重要なパラメータが含まれています。その後、Amazon Lambda 関数がトリガーされ、非同期の Amazon SageMaker エンドポイントを呼び出します。
    • リアルタイム近くで PdM を実行 – 非同期の Amazon SageMaker エンドポイントを利用して、デプロイされたモデルから入力 EV データに対する推論を生成します。これらのエンドポイントは、大きなペイロードサイズに対応しており、数分以内に推論を生成できるため、PdM ワークロードに適しています。モデルから生成された推論は Amazon S3 に保存されます。これらの推論を、ダッシュボードの作成、可視化、生成 AI タスクの実行などに活用できます。

予測メンテナンスソリューションが大規模展開においても効果的に機能するようにするには、機械学習に関する AWS Well-Architected フレームワークの原則 [3] を参照し、堅牢な訓練とデプロイのパイプラインを実装してください。

3. 生成 AI

    • AWS Glue クロールラー (または別の方法) を使用して AWS Glue Data Catalog を作成します。Amazon Bedrock の Titan-Text-Embeddings モデルを使って、メタデータをエンベディングに変換し、Amazon OpenSearch Serverless ベクトルストアに保存します。これが、私たちの RAG フレームワークにおけるナレッジベースとなります。この段階で、自然言語によるクエリを受け取る準備ができています。
    • ユーザーは自然言語でクエリを入力します。チャット UI を提供するためのウェブアプリケーションは任意のものを使用できます。そのため、投稿では UI の詳細については取り上げていません。
    • ソリューションは、ベクトルデータベースからのメタデータの追加コンテキストを利用してシミラリティ検索による RAG フレームワークを適用します。この表は、正しいテーブル、データベース、属性を見つけるために使われます。
    • モデルは生成された SQL クエリを受け取り、Athena に接続して構文をチェックします。
    • 最後に、Athena で SQL を実行し、出力を生成します。ここでは、出力をユーザーに提示します。アーキテクチャの単純化のため、この手順は示していません。

まとめ

生成 AI と フィジカル AI の融合は、あらゆる業界で条件に基づいた予防保全と予測保全を根本的に再構築しています。これまでの議論で探ってきたように、生成 AI は膨大なデータセットを分析し、合成的な訓練シナリオを生成し、知的なアドバイスを提供する能力を持っており、フィジカル AI システムの自己モニタリング、診断、自己保全の仕方を変革させています。バッテリー劣化を予測する電気自動車から、自らのメンテナンスをスケジューリングする産業用ロボットまで、単にタスクを実行するだけでなく、自らの運用能力を積極的に維持し最適化する知的システムへのパラダイムシフトを目の当たりにしています。

参考資料

  1. NVIDIA: 物理 AI とは何か？
  2. 予知保全: 機械が修理が必要なことを前もって知る
  3. ウェル・アーキテクトされた機械学習
  4. 複雑なクエリを生成し、自己修正し、様々なデータソースを問い合わせる堅牢なテキスト to SQL ソリューションを構築する
  5. 世界の自動車予知保全市場のコンポーネント別分析
  6. GitHub – 予知保全 MVP

著者について

Ram Gorur は、エッジ AI とコネクテッド・プロダクツにフォーカスした農業とコンサルティング・サービスを専門とする AWS のシニア・ソリューション・アーキテクトです。バージニア州を拠点とし、23 年以上にわたる包括的なIT経験を活かして、AWS のエンタープライズ顧客がエッジデバイスからクラウドインフラストラクチャに至るまで IoT ソリューションを実装できるよう支援しています。エッジコンピューティングとクラウド機能の橋渡しをするカスタマイズされたアーキテクチャフレームワークを開発しています。農業、IoT、クラウド技術に関するラムの知識を組み合わせることで、エッジからクラウドへの接続を通じて企業の業務の近代化を支援する統合ソリューションを生み出すことができます。

Ashish Chaurasia は、 AWS の シニア・テクニカル・アカウント・マネージャーとして、2020年以降、クラウド技術を戦略的なビジネス成果に結びつけるため、企業顧客と提携しています。17 年以上のソフトウェア開発経験を持ち、クラウドネイティブのトランスフォーメーション・ジャーニーを通じて組織を導くことを専門としています。IoT愛好家であり、日々のタスクを自動化するDIYプロジェクトを構築するのが趣味です。

Channa Samynathan は、AWS Edge AI & Advanced Compute のシニア・ワールドワイド・スペシャリスト・ソリューション・アーキテクトです。テクノロジー業界で 29 年以上の経験を持ち、設計エンジニアリング、システムテスト、オペレーション、ビジネスコンサルティング、製品管理など、さまざまな職務を歴任。キャリアは複数の多国籍通信企業にまたがり、営業、事業開発、技術ソリューション設計の分野で一貫して専門性を発揮してきた。26 カ国以上で働いたグローバルな経験により、深い技術的洞察力と新技術への迅速な適応能力を備えています。AWS では、顧客との協業、エッジからクラウドまでのエッジコンピュートアプリケーションの設計、AWS のバリュープロポジションに関する顧客教育、顧客向けの出版物への貢献に注力しています。