根据装置数据，实时监控“反常”状态，并在与装置状态对应的较佳时机实现状态基准维护。
利用AI预测维护实现“停歇的设备”
通过实现状态基准维护，开启维护创新
【From事后/定期维护】由熟练技工进行事后/定期维护
根据长年培养出来的直觉、经验，执行事后/定期维护（时间基准维护）。
【To预测维护】利用AI控制器实现预测维护
根据装置数据，AI将对装置状态进行监控。
并在与装置状态对应的较佳时机执行预测维护（状态基准维护）。
【采用预测维护的预期效果】
1. 较小化停机时间，减少生产损耗
2. 在较佳时机进行维护，削减维护费用
3. 优化零件更换时机，减少维护零件的库存
4. 无需分析即可确定异常位置
5. 无需专门知识/技能，即可开展标准化的维护工作
利用AI进行预测维护的操作流程
能够实现高速高精度检测“反常”的AI控制
凭借的数据运用功能，实现了边缘控制，从而实现的装置状态可视化。
因此，AI控制器能够以微秒级精度检测出装置的“反常”状态。
AI与以往方法的检测能力比较（电压、电流等时间序列数据示例）
高速高精度检测所需的功能
搭载高速时间序列DB功能
累计与控制周期同步的时间序列数据。利用固定周期数据正确掌握装置的动作，可以生成和判断高精度的学习模型。此外，利用上位连接功能，通过上位层
装置层进行AI联合，为Factory IoT化做出贡献。
检测“反常”状态所需的数据运用流程
搭载超高速AI引擎
以适用于实时处理的机器学习引擎Isolation Forest为基础，进行欧姆龙的高精度化调谐，可以同时实现高速性与高精度检测。而且可适用于多峰数据算法，以及适用于需要执行多种动作模式的装置，如多品种生产等。
实现“停歇的设备”之AI预测维护程序库
将能够高精度检测“反常”的特征量转化为软件部件
根据目标机构的运行数据，将判断为“反常”所需的较佳特征量转化为软件部件，作为AI预测维护程序库。可轻松开启预测维护工作。
注.针对客户的装置优化学习数据、设定阈值，将由本公司进行。详情请向本公司销售窗口咨询。
将环境变化的影响控制在较低限度，实现稳定性
装置起动后经过的时间，受季节、早晚日夜等环境温度的影响，会发生变化。
为此，本公司开发出能够将该影响控制在较低限度的特征量，为客户实现稳定的预测维护工作提供支持。
※欧姆龙所定义之特定环境下的评估结果。并不保证所有环境均适用。
系统构成示例
全面支持利用AI实现的预测维护。
