Azure による予知保全を製造業で実現するために: モデルを作る前に本当に必要なもの

Azure における予知保全は、警告が早い段階で届き、チームがそれに基づいて行動できる場合にのみ効果を発揮します。iFAKT シリーズのこのエピソードでは、保全の判断から出発し、Azure 上でモデルを選ぶ前に必要な根拠、データ、プロセスを逆算して確認します。

仮想の一つの設備を取り上げ、センサーの読み取り値から承認済みの作業指示書までの流れを追い、多くのプロジェクトが見落としがちな問いを検討します。警告はどのような行動を引き起こすべきか。スペア部品、作業許可、隔離、生産計画に実際どれだけの警告期間(ウォーニング・ホライズン)が必要か。故障の兆候は、計画を変えられるほど早い段階で証拠を示せるか。

このエピソードでは、保全判断を先に定義する方法、準備時間と実作業の修理時間を切り分ける方法、故障信号が活用可能かどうかを判断する方法、そして Azure のデータと機械学習を、技術者がすでに従っている保全プロセスに結び付ける方法を学びます。

対象者: 製造業において Microsoft Azure 上での予知保全、状態監視、産業向け AI を計画している保全マネージャー、信頼性エンジニア、工場・生産部門のリーダー、OT および IT アーキテクト、データチーム。

全文の書き起こしは transcript リンクからご覧いただけます。

このポッドキャストのサポーターになる: https://www.spreaker.com/podcast/m365-fm-microsoft-365-azure-cloud-power-platform-ai--6704921/support。

このエピソードには AI 生成のコンテンツが含まれています。