WORKING SAMPLE

設備保全・故障調査AI自社の業務に置き換えて、試す。

公開の合成設備データを、実際に学習した決定木で分類。

下の入力と条件を変更すると、処理結果を確認できます。サンプルデータと出力は保存できます。

INTERACTIVE SAMPLE

設備保全・故障調査AI

公開の合成設備データを、実際に学習した決定木で分類。

01 / 入力サンプル

入力データを編集

air_K,process_K,rpm,torque_Nm,wear_min,failure_label
298.3,309.2,1783.0,28.3,130.0,0
298.4,309.7,1419.0,41.3,159.0,0
297.1,307.8,1454.0,50.6,94.0,0
299.5,310.9,1496.0,38.5,162.0,0
300.9,311.4,1532.0,41.5,126.0,0
300.2,309.8,1650.0,29.6,13.0,0
304.2,313.2,1464.0,44.9,37.0,0
299.3,310.6,1480.0,45.1,107.0,0
304.3,313.5,2643.0,12.7,21.0,0
301.7,310.1,1743.0,27.3,210.0,0
299.0,310.3,1483.0,39.2,153.0,0
302.6,311.6,1227.0,68.2,187.0,1
303.7,312.4,1404.0,46.6,119.0,0
298.1,308.7,1581.0,47.4,51.0,0
300.7,310.2,1364.0,65.3,208.0,1
297.2,308.5,1604.0,34.9,200.0,0
303.3,311.6,1301.0,45.1,219.0,1
303.2,311.4,2102.0,19.0,5.0,0
300.2,309.8,1466.0,45.7,41.0,0
301.0,312.2,1510.0,39.9,61.0,0
300.4,310.1,1614.0,33.5,191.0,0
303.0,312.4,1627.0,37.1,168.0,0
300.7,311.9,1462.0,39.7,181.0,0
299.5,309.2,1590.0,35.9,22.0,0
302.4,311.2,1448.0,50.5,53.0,0
298.6,309.5,1366.0,55.0,65.0,0
298.3,308.6,1447.0,38.1,146.0,0
304.2,313.4,1568.0,37.6,25.0,0
302.6,312.0,1447.0,45.5,173.0,0
299.5,310.8,1374.0,48.3,154.0,0
300.6,310.7,1438.0,48.5,78.0,1
299.5,310.0,1594.0,35.1,54.0,0
301.2,310.4,1516.0,44.4,53.0,0
298.8,308.6,1535.0,41.2,40.0,0
297.2,307.9,1309.0,49.6,167.0,0
301.3,310.3,1313.0,55.6,127.0,0
300.6,311.9,1425.0,44.9,224.0,0
297.3,308.5,1520.0,42.4,171.0,0
302.5,311.9,1452.0,47.4,77.0,0
299.6,309.2,1651.0,30.8,92.0,0

予測確率の確認対象しきい値 0.5

02 / 処理結果

対象行: 40
要確認: 3

行	回転数（rpm）	工具使用（min）	モデル出力	確認対象	正解ラベル
1	1783.0	130.0	0.002	しきい値未満	0
2	1419.0	159.0	0.002	しきい値未満	0
3	1454.0	94.0	0.002	しきい値未満	0
4	1496.0	162.0	0.002	しきい値未満	0
5	1532.0	126.0	0.002	しきい値未満	0
6	1650.0	13.0	0.002	しきい値未満	0
7	1464.0	37.0	0.002	しきい値未満	0
8	1480.0	107.0	0.002	しきい値未満	0
9	2643.0	21.0	0.867	要確認	0
10	1743.0	210.0	0.083	しきい値未満	0
11	1483.0	153.0	0.002	しきい値未満	0
12	1227.0	187.0	0.909	要確認	1
13	1404.0	119.0	0.002	しきい値未満	0
14	1581.0	51.0	0.002	しきい値未満	0
15	1364.0	208.0	0.909	要確認	1
16	1604.0	200.0	0.002	しきい値未満	0
17	1301.0	219.0	0.228	しきい値未満	1
18	2102.0	5.0	0.002	しきい値未満	0
19	1466.0	41.0	0.002	しきい値未満	0
20	1510.0	61.0	0.002	しきい値未満	0
21	1614.0	191.0	0.002	しきい値未満	0
22	1627.0	168.0	0.002	しきい値未満	0
23	1462.0	181.0	0.002	しきい値未満	0
24	1590.0	22.0	0.002	しきい値未満	0
25	1448.0	53.0	0.002	しきい値未満	0
26	1366.0	65.0	0.006	しきい値未満	0
27	1447.0	146.0	0.002	しきい値未満	0
28	1568.0	25.0	0.002	しきい値未満	0
29	1447.0	173.0	0.002	しきい値未満	0
30	1374.0	154.0	0.006	しきい値未満	0
31	1438.0	78.0	0.002	しきい値未満	1
32	1594.0	54.0	0.002	しきい値未満	0
33	1516.0	53.0	0.002	しきい値未満	0
34	1535.0	40.0	0.002	しきい値未満	0
35	1309.0	167.0	0.006	しきい値未満	0
36	1313.0	127.0	0.006	しきい値未満	0
37	1425.0	224.0	0.083	しきい値未満	0
38	1520.0	171.0	0.002	しきい値未満	0
39	1452.0	77.0	0.002	しきい値未満	0
40	1651.0	92.0	0.002	しきい値未満	0

モデル出力は学習時の葉ノード内の故障割合です。実設備に校正された故障確率ではありません。

合成データで学習した小規模モデル。実設備の故障予測性能を示すものではありません。

入力はブラウザ内で処理します。外部のAIや業務システムへ送信しません。再読み込みで編集内容は消えます。

データ出典・モデル評価を見る

公開の合成データ10,000件を使用。固定シード42で8,000件を学習、2,000件を検証に使用。画面は検証データの先頭40件です。

AI4I 2020 Predictive Maintenance Dataset (2020), UCI Machine Learning Repository · DOI · CC BY 4.0

検証結果（しきい値0.5）：故障67件のうち28件を検出し、39件を見逃し。正常1,933件のうち8件を誤検知しました。実設備への適用には追加の検証が必要です。

元データ全件 CSV ↓学習済みモデル JSON ↓出典・利用条件

この見本を自社データで試したい ↗

この見本から導入まで

サンプルで操作を確認

処理内容・必要な入力・出力の形を確認します。未対応の形式や要件も整理します。

自社データで小規模検証

利用許諾のあるデータで精度・処理時間・修正工数を評価します。機密データの受け渡し方法は事前に合意します。

承認・連携・運用を実装

権限、確認担当、既存システム連携、保守条件を決めて本導入します。費用と納期は対象データと要件に応じて提示します。

設備保全・故障調査AI自社の業務に置き換えて、試す。

設備保全・故障調査AI

01 / 入力サンプル

02 / 処理結果

この見本から導入まで

サンプルで操作を確認

自社データで小規模検証

承認・連携・運用を実装

関連する見本

設備保全・故障調査AI

点検記録・報告書自動化

映像による外観検査・異常検知

部品需要・在庫最適化

お問い合わせ