Amazon Lookout for Equipment

解決する課題

工場のポンプ・コンプレッサー・モーターといった産業機器は、突発的な故障が起きると生産停止や安全リスクにつながります。決まった間隔で部品を交換する時間基準保全は無駄が多く、一方でしきい値ベースの監視では複数センサーにまたがる微妙な異常を見逃しがちです。Amazon Lookout for Equipment を使うと、設備のセンサーデータから故障の前兆となる異常を機械学習で自動的に検知できます。

• 温度・振動・圧力・回転数などのセンサーデータの組み合わせから異常パターンを学習する
• 正常な運転状態からのずれを捉え、故障に至る前の兆候を早期に知らせる
• どのセンサーが異常に寄与しているかを示し、原因の切り分けを助ける

異常検知モデルの設計・学習・運用を自前で抱えず、設備の運転データを与えるだけで予知保全を始められる点が中心的な価値です。汎用の機械学習基盤に相当する Amazon SageMaker と異なり、設備異常検知という用途に最適化されています。

主要概念と用語

• データセット: 異常検知に使うセンサー時系列データのまとまり。設備ごとのタグ（センサー）と測定値を時刻とともに保持する
• コンポーネント: データセット内で1つの設備や機器を表す単位。複数のセンサー（タグ）をまとめる
• タグ（センサー）: 温度や振動といった個々の測定項目。時系列の数値として記録される
• モデル: 過去の運転データから学習した、正常状態を表現する機械学習モデル。これからのずれを異常として検知する
• 学習データと評価データ: モデル学習に使う期間のデータと、精度を確認するための期間のデータ
• ラベル（任意）: 過去に実際に起きた故障・メンテナンス期間を示す情報。与えると学習や評価の精度向上に役立つが、必須ではない
• 推論スケジューラー: 学習済みモデルに新しいデータを定期的に与え、異常を継続的に評価する仕組み
• 異常スコア / イベント: 推論結果として返される、正常からのずれの度合いと、それを異常イベントとして検出した結果
• センサー寄与度: 検出された異常に対して、どのセンサーがどの程度寄与したかを示す内訳

仕様・制限・クォータ

• 入力は設備センサーの時系列データで、S3 に置いた CSV などを取り込んで学習する
• 学習には基本的に正常運転時のデータが必要で、ある程度の期間と複数センサーがそろっているほど精度が出やすい
• 故障やメンテナンスのラベルは任意で、与えると学習と評価を補強できる
• 推論は推論スケジューラーによる定期実行が基本で、設定した間隔で新しいデータをまとめて評価する
• 各センサーのサンプリング間隔やデータ品質（欠損・タイムスタンプの整合）が結果に影響する
• 1モデルあたりのセンサー数、データセット数、同時実行数などにアカウント単位のクォータがある場合があり、引き上げ申請ができることがある

具体的な必要データ量・対応データ形式・クォータ値は更新されるため、最新の公式ドキュメントで確認してください。

内部の仕組み

利用者から見ると、設備のセンサー時系列を渡すと AWS 側のマネージドなモデルが正常状態を学習し、新しいデータに対して異常スコアと寄与センサーを返す仕組みです。

• データ取り込み: S3 上のセンサー時系列データをデータセットとして読み込み、コンポーネントとタグの構成を定義する
• 学習: 主に正常運転時のデータからモデルを学習する。ラベルがあれば学習・評価に活用され、複数センサー間の関係も含めて正常パターンを捉える
• 評価: 評価期間のデータでモデルの検知性能を確認し、しきい値や運用方針の判断材料にする
• 推論: 推論スケジューラーを設定すると、指定間隔で新しいデータを取り込んで評価し、異常イベントと各センサーの寄与度を出力する

モデルの学習基盤・スケーリング・ハードウェア管理はすべて AWS 側が担います。利用者はデータの準備と、検知結果を業務フローへつなぐ部分に集中できます。

設計パターン / ベストプラクティス

• 正常期間を丁寧に選ぶ: 学習に使う期間は、設備が正常に動いていたと確認できる区間に絞る。異常やメンテナンス期間が混ざらないようにする
• ラベルを活用する: 過去の故障やメンテナンスの記録があれば与え、評価と精度向上に役立てる
• エッジから S3 へつなぐ: 現場のセンサーや SCADA、IoT ゲートウェイから AWS IoT などを経由してデータを S3 に集約し、推論スケジューラーで継続評価する
• 検知結果を通知・保全フローへ: 異常イベントを EventBridge や通知に連携し、作業指示やチケット起票につなげる疎結合構成にする
• 定期的に見直す: 設備の更新や運転条件の変化に合わせ、学習データを更新してモデルを作り直す

運用・監視

• 学習ジョブや推論スケジューラーの状態は CloudWatch のメトリクス・ログで監視する
• API 操作の監査証跡は CloudTrail に記録される
• 推論で検出された異常イベントを EventBridge 経由で受け取り、通知や保全システムへの連携を自動化する
• 検出結果と実際の設備状態を突き合わせ、誤検知や見逃しの傾向を確認してしきい値や運用方針を見直す
• 設備の改修や運転条件の変化があったら、学習データを更新してモデルを再構築する

コスト

• 課金は基本的に、モデルの学習、推論スケジューラーの実行、および処理したデータ量に応じた従量制で構成される傾向がある
• 推論スケジューラーを高頻度で動かすほど推論回数が増え、コストに影響する
• 使っていないモデルや推論スケジューラーは停止・削除して無駄な稼働を抑える

具体的な単価は変動するため、料金は公式の料金ページで確認してください。少数の設備で検証してから対象台数と推論頻度を見積もるのが安全です。

セキュリティ

• アクセス制御は IAM で行い、センサーデータを置く S3 バケットや学習・推論 API への最小権限のみを付与する
• 保存データは S3 側の暗号化（KMS 管理鍵を含む）、転送は TLS で保護する
• 設備の稼働データは生産状況や稼働率を示す機微な情報になり得るため、入出力バケットのアクセスポリシーを限定する
• 学習・推論に使う IAM ロールは対象バケット・プレフィックスに絞り、想定外のデータへアクセスできないようにする

関連サービス・比較

自由に機械学習モデルを構築・運用できる汎用基盤の Amazon SageMaker と、設備異常検知に特化した Amazon Lookout for Equipment は迷いやすいため比較します。

ハンズオン / CLI例

# 学習済みモデルに対して推論スケジューラーを作成し、定期的に異常を評価する
aws lookoutequipment create-inference-scheduler \
  --model-name my-pump-model \
  --inference-scheduler-name my-pump-scheduler \
  --data-upload-frequency PT5M \
  --role-arn arn:aws:iam::123456789012:role/LookoutEquipmentRole \
  --data-input-configuration '{"S3InputConfiguration":{"Bucket":"my-sensor-data","Prefix":"inference/input/"}}' \
  --data-output-configuration '{"S3OutputConfiguration":{"Bucket":"my-sensor-data","Prefix":"inference/output/"}}'