Skip to content
K
KGAIT Solutions
制作実績一覧
IoT / 製造Research

KOJO — エッジ推論IoT監視基盤

KOJO — Edge-inference IoT Monitoring

Raspberry Pi / Jetson Nano 級のエッジデバイス上で振動・温度センサーデータから異常検知を行い、クラウドには特徴量と検知イベントのみを送るIoT監視基盤。帯域とコストを抑えながら工場の稼働可視化を実現する。

2026 R&D プロトタイプ 2026-03
#Edge AI#IoT#TinyML#Time-series#3D Visualization#OTA

ライブデモ

実際のアプリケーション画面のプレビュー

DEMO
app.kojo.jp/dashboard
稼働率
74.3%
本日生産数
2,847
アラート
5件
総消費電力
247kW

設備ステータス

MC-01

CNCフライス盤 A

稼働中

稼働率98.2%
温度42°C
MC-02

射出成形機 B

稼働中

稼働率95.7%
温度68°C
MC-03

レーザー溶接機 C

メンテナンス中

稼働率87.1%
温度25°C
MC-04

プレス機 D

停止

稼働率0%
温度22°C

工場フロアマップ（俯瞰図）

MC-01CNCフライス盤
MC-02射出成形機
MC-03レーザー溶接機
MC-04プレス機
稼働中
メンテナンス
停止
第1工場 - B棟

センサー読取値

温度
42°C
080°C
湿度
58%
0100%
振動
3.2mm/s
010mm/s
電力
247kW
0400kW

アラートログ

直近24時間
時刻設備レベルメッセージ
14:32:08MC-04異常モーター過負荷検出 - 緊急停止実行
14:28:15MC-02警告温度上限接近 (68°C / 上限75°C)
14:15:42MC-03情報定期メンテナンス開始 - 作業者: 山田
13:58:30MC-01情報生産ロット #A-2847 完了 (500個)
13:45:12MC-04警告振動値上昇検出 (4.8mm/s)
13:30:00MC-02情報生産ロット #B-1293 開始
12:55:18MC-01警告切削油残量低下 (残15%)

課題

従来の工場監視は全センサーデータをクラウドに送信し、後段で分析するため帯域・ストレージコストが膨大になる。また異常検知までのレイテンシも大きく、予知保全にはリアルタイム性が不足していた。

ソリューション

エッジ側でTinyML(Isolation Forest / Autoencoder)を実行し、異常スコアとFFT特徴量だけをMQTT経由でクラウドへ送信。クラウドではTimescaleDBで時系列を保管し、3Dフロアマップ上で設備状態を可視化。エッジモデルはOTA更新に対応。

成果

  • エッジ推論レイテンシ 18ms、帯域使用量を 94% 削減
  • 合成異常データに対する F1 スコア 0.92
  • モデルOTA更新を 3分以内 にロールアウト可能
  • Grafanaダッシュボードを40種類以上のメトリクスで構成
Key Metrics

Measured Impact

推論レイテンシ

18ms

帯域削減

94%

異常検知 F1

0.92

OTA ロールアウト

<3分

Features

What it does

推論

エッジ異常検知

デバイス上で18ms以内に異常スコアを算出。

OTA更新

新モデルを安全にロールアウトし、障害時は自動ロールバック。

可視化

3Dフロアマップ

工場レイアウト上で設備状態をリアルタイム可視化。

メトリクス相関

温度・振動・電流などを時間軸で相関表示。

運用

アラート最適化

P99スパイクとトレンド乖離を区別した多段アラート。

デバイスフリート管理

証明書ローテーションと健康状態管理を自動化。

Architecture

System Layers

Layered architecture showing components, responsibilities, and data flow.

L1

Layer

エッジデバイス

Rustによる低消費電力ファームウェアとONNX Runtimeでの推論。

Rust (Embassy)ONNX RuntimeMQTT クライアント
L2

Layer

エッジモデル

周波数領域の特徴量に対する異常検知を軽量モデルで実施。

Isolation ForestAutoencoderFFT
L3

Layer

メッセージング

TLS + クライアント証明書でデバイス認証。

MosquittoMQTT QoS1TLS
L4

Layer

データ

センサー時系列をTimescaleで効率的に保持し、継続的集約で高速ダッシュボードを提供。

TimescaleDBContinuous AggregatesS3
L5

Layer

可視化

3Dフロアマップでリアルタイム状態を把握可能に。

ReactThree.jsD3Grafana
Development Process

How we built it

01

Discovery

町工場のヒアリングから代表的な故障モードと計測点を選定。

Deliverables

  • 計測要件
  • 故障モードカタログ
02

センサー実験

振動・温度・電流センサーの計測精度とサンプリング周波数を検証。

Deliverables

  • データセット
  • 計測レポート
03

モデル設計

Isolation ForestとAutoencoderを比較し、ハイブリッド構成を選定。

Deliverables

  • ベンチマーク
  • モデル成果物
04

実装

Rustファームウェアとクラウドバックエンド、可視化UIを並行開発。

Deliverables

  • ファームウェア
  • Backend
  • Web UI
05

負荷試験

仮想デバイス10,000台を模擬しメッセージブローカのスループットを検証。

Deliverables

  • 負荷試験レポート
06

フィールド試験

協力工場1社でのセンサー設置と2週間運用。

Deliverables

  • 運用日誌
07

改善

誤検知傾向に応じてモデルを再学習し、OTA配布。

Deliverables

  • 再学習モデル
Roadmap

Delivery Timeline

  • P0Done2026-03-08

    プロトタイピング

    Jetson Nano上でONNX推論を動かすベースラインを検証。

  • P1Done2026-03-26

    異常検知モデル

    Isolation ForestとAutoencoderをFFT特徴量で比較し、ハイブリッド構成を採用。

  • P2In Progress2026-04-14

    時系列基盤

    TimescaleDB + 継続的集約で長期保管と高速クエリを両立。

  • P3Planned2026-05

    3D可視化

    Three.jsによる工場フロアマップに設備状態を重ねるUIを開発予定。

  • P4Planned2026-06

    OTA 更新基盤

    モデル差分更新と自動ロールバックを含むOTAシステムを構築予定。

Team

Who built it

2engineers

Roles

  • 組み込みエンジニア
  • MLエンジニア
技術スタック

Tools & Platforms

Frontend

React

Backend

RustPython

Data

PostgreSQL

Infrastructure

GrafanaPrometheusKubernetes

Other

EmbassyTinyMLONNX RuntimeMQTTTimescaleDBThree.jsD3.js
前のプロジェクト次のプロジェクト
Build with KGA

同様のプロジェクトをお考えですか？

お客様のビジネスに最適なソリューションをご提案いたします。

プロジェクトを相談する