使用场景
因为是无模型的诊断算法，所以即使在设备系统的运行状态发生较大变动的情况下，也不需要对每个迁移的状态进行模型构筑和模拟。应用该算法，可以在以下各种场合灵活运用。
（1）故障预兆（机器学习法）
通过在设备故障前检测预兆，通过避免预想外的停止和缩短停机时间，为提高运转率做出贡献
（2）质量管理（机器学习法）
通过确定不良品发生的检测及原因，通过半成品阶段的品质管理，有助于降低工损费
（3）减少维护费（机器学习法）
时间基准的定期检查（TBM）是更换检查项目中规定的全部部件，但通过转移到状态基准（CBM），在设备通知故障时进行检查，为了更换部件，有助于降低维护费用
（4）分类估计（估计法）
根据特征量数据将产品用AI自动分类，有助于减少检查员的人数、量化品质
案例分析
预兆诊断技术对设备的持续稳定运转和维护成本的削减有效。我们将通过多年维护服务培养的OT和IT技术相结合的预兆诊断解决方案来帮助您的业务。通过在适当的时机进行检查，降低维护成本，避免设备破损和长期停止等重大事故，实现客户设备的稳定运转和生产效率的提高。
案例1：发电设备
在拥有发电设备的顾客中，如果发生预想外的停止，不仅会影响事业，除了恢复时昂贵的零件费之外，还有很多维护工程师在行动而且，还存在产生停止部分的电力购买费等巨大成本的课题。
导入预兆诊断系统“HiPAMPS”后，通过收集、解析设置在各设备上的温度、压力、转速等传感器数据，在适当的时机进行维护和部件更换，避免了预想之外的停止，缩短了停机时间，提高了运转率。维护作业和设备停止部分的电力购买费等的损耗费也降低了。另外，通过零件的品质提高等各种各样的改善和预兆诊断，故障发生率降低了约45%（2013年度本公司比）。
案例2：生产设备
在制造业客户中，生产设备的故障直接影响生产计划。因此，作为预防保全的每天的设备巡回检查的业务负担，制造厂推荐的定期检查（TBM:Time-based Maintenance）等的维护费用的增加成为课题。
导入预兆诊断系统“HiPAMPS”后，通过转移到根据设备的状态进行适当保护的状态监视保护（CBM:Condition-based Maintenance），能够在适当的时机应对故障部位、更换部件，优化维护周期实现了维护费用的削减。
同时，由于维护业务的效率化（巡回监视时间的削减等），进一步的费用削减也成为可能，长期约30%*的费用削减能期待。
- *
- 数值是基于本公司的运用、适用实绩等的效果估算用的设定值及结果值。
