JP2015072644A - 対話型設備不良予測方法 - Google Patents

Abstract

【課題】設備不良の発生予測に用いるのに適切なデータ項目組合せを実用的な演算時間で、しかも十分な予測精度を得るように決定できる対話型設備不良予測方法を提供する。
【解決手段】保全関連データの設備不良との関連性を求め（１０１）、保全担当者からの重要関連データ項目の選択を受け付け（１０２）、該重要関連データ項目を用いて不良予測を行って組合せの固定化部を定め（１０３）、該重要関連データ項目と関連性が低いデータ項目からの組合せに加えて不良予測を行い（１０４）、残りのデータ項目を組合せに加えて不良予測を行い（１０５）、予測精度が最も高いデータ項目の組合せ（１０６）で良不良が未知の設備についての不良予測を行う（１０７）。
【選択図】 図１

Description

本発明は、配電、通信、上下水道業務における電柱（電信柱）、マンホールや、道路、鉄道業務における架橋、トンネル、舗装等の保守作業の支援を行うITシステム、及びその方法に関する。

ＩＴ技術の発達により、インフラ企業の保全業務において、大量の保全対象設備に関する設備台帳や点検作業記録に関する大量の情報が蓄積されるようになってきた。また、オープンデータ等により、保全対象設備に関係する環境情報も容易に入手できるようになると考えられる。

このような状況の下、保全対象の故障等の不良が予測された対象を優先的に点検することにより点検効率の向上、点検コストの低減を目的として、蓄積された大量の情報の中から、設備不良との因果関係を分析して不良を予測する不良予測のニーズが高まっている。

不良予測の例として、特許文献１には、過去の巡視や故障等の履歴データ、または設備の仕様や設置環境等の設備状況等を用いて最適な巡視計画を求める方法が開示されており、その中で巡視計画作成に必要な情報として不良予測結果を用いている。該特許では、設備の設置時期若しくは前回交換日からの日数と、保全対象の過去の不良発生間隔に関する統計量、及び人手で与えられた環境属性から不良を予測している。

ＰＰＣＴ／ＪＰ１１／０６６２０６

特許文献１では、設備の設置日数と過去の不良発生間隔との比較で故障予測を行っているが、設置環境等、他の要因を考慮していないため、不良を見逃さないために、過去の不良発生間隔の平均値より標準偏差の2倍分、不良発生間隔を短く見積もっており、不良が無い保全対象まで不良と予測されることにより、予測精度が低くなるという問題があった。

上記問題を解決するためには、関連するデータ項目全てを使って不良予測を行うことが考えられるが、実際には設備不良と関連性が低いデータ項目も存在するため、そのようなデータ項目のために予測精度が低くなるという問題があった。

上記問題を解決するためには、関連するデータ項目から予測精度を向上させるデータ項目のみを選択して予測に用いることが考えられるが、このようなデータ項目組合せを求めるのは、一般に組合せ最適化問題となり、計算機を用いても有効な計算時間で解を求めることができないという問題があった。

本願において開示される発明の代表的な一例を示せば以下の通りである。すなわち、過去の設備不良の有無とその他の保全関連データとの関連を求める要因分析を行い、データ項目間の関連を図示し、図示された関連図に基づき保全担当者により選択された設備不良との因果関係があるデータ項目のデータ項目組合せを用いてそれぞれ不良予測を行って予測精度を計算してその部分のデータ項目組合せを固定し、該固定したデータ項目組合せに前記選択されたデータ項目と関連が低いデータ項目を加えた種々のデータ項目組合せでそれぞれ不良予測を行って予測精度を計算して追加するデータ項目組合せを固定し、さらに残りのデータ項目を加えた種々のデータ項目組合せでそれぞれ不良予測を行って予測精度を計算し、最も高い予測精度となったデータ項目組合せを未点検設備の不良予測に用いるデータ項目組合せとする。

本発明の代表的な実施の形態によれば、保全担当者の知識に基づいた関連が深いデータ項目を用いて不良予測を行うため、精度が高い不良予測が可能となる。

また、本発明の代表的な実施の形態による不良予測に基づき点検計画を作成することにより、点検効率向上、点検コスト削減が期待できる。

更に、本発明の代表的な実施の形態によれば、保全担当者により設備不良と因果関係があるデータ項目が選択されてその部分のデータ項目組合が固定され、次に保全担当者の選択から外れた残りのデータ項目中で不良予測の精度向上の可能性が高いデータ項目から優先して追加してそれぞれのデータ項目組合せによる予測精度が確認されるため、保全担当者の因果関係に関する知識獲得ができるとともに、未点検設備の不良予測に用いるデータ項目組み合わせが現実的な計算速度で効率よく決定できる。

対話型設備不良予測処理の一例を示す図である。 対話型設備不良予測システムの例を表す図である。 重要因果関係入力処理の一例を示す図である。 保全関連データの一例を示す図である。 データ項目間関連性データの一例を示す図である。 データ項目間関連図の一例を表す図である。 因果関係データの一例を示す図である。 学習データ不良予測処理の一例を示す図である。

以下、本発明の実施形態を、図面を参照して説明する。

まず、図１、図２を用いて、本発明の方法を説明する。図１は本発明の処理のフローと入出力されるデータの一例を示す。図２は本発明の処理が実行されるシステムの一例を示している。まず、記憶部２００の入力データ記録部２０１に記録された設備不良の記録を含む保全関連データ１００を入力とし、処理部２１１によってプログラム記録部２０３に記録された要因分析プログラムが処理され、データ項目間関連性１１０が生成データ記録部２０２に出力される（ステップ１０１）。次に、データ項目間関連性１１０を入力として、処理部２１１によってプログラム記録部２０３に記録された重要因果関係入力プログラムが処理され、表示部２１２にデータ項目間関連性が表示され、ユーザ入力部２１３より因果関係１１１が入力され、生成データ記録部２０２に出力される（ステップ１０２）。次に、保全関連データ１００と因果関係１１１を入力として、処理部２１１によってプログラム記録部２０３に記録された学習データ不良予測プログラムが処理され、該因果関係に記録されたデータ項目を用いて不良予測が行われ、学習結果１１２が生成データ記録部２０２に出力される（ステップ１０３）。次に、保全関連データ１００とデータ項目関連性１１０、因果関係１１１、ステップ１０３で出力された学習結果１１２を入力として、処理部２１１によってプログラム記録部２０３に記録された学習データ不良予測プログラムが処理され、該学習結果のデータ項目組合せに、該因果関係に記録されたデータ項目と該データ項目関連性が低いデータ項目を加えた不良予測が行われ、学習結果１１２が生成データ記録部２０２に出力される（ステップ１０４）。次に、保全関連データ１００とステップ１０４で出力された学習結果１１２を入力として、処理部２１１によってプログラム記録部２０３に記録された学習データ不良予測プログラムが処理され、該学習結果のデータ項目組合せに、残りのデータ項目を加えた不良予測が行われ、学習結果１１２が生成データ記録部２０２に出力される（ステップ１０５）。次に、ステップ１０３〜１０５の処理で出力された学習結果（１１２）から予測精度最大の結果が選択され、学習結果１１２に出力される（ステップ１０６）。最後に、保全関連データ１００とステップ１０６で選択された学習結果１１２から、処理部２１１によってプログラム記録部２０３に記録された不良予測プログラムが処理され、設備不良が予測され、予測結果１１３が生成データ記録部２０２に出力される（ステップ１０７）。

次に、保全関連データの一例を図４に示す。保全データは設備毎にデータ４１１〜４２４が記録されていて、各行のデータは保全担当者が設備を点検して判断した良・不良の判定結果である設備不良データ４００並びにその他の保全データ項目４０１〜４０４から構成される。ここで、その他の保全データ項目には、設備管理台帳に記載されている設備諸元、環境条件、設備不良以外の点検記録が含まれる。また、保全関連データには、点検済で設備不良データ４００が既知の学習用データ４１１〜４１４と、点検未済で設備の良不良が未知の予測用データ４２１〜４２４が存在する。以下、要因分析（ステップ１０１）と学習データ不良予測（ステップ１０３〜１０５）では学習用データが用いられ、不良予測（ステップ１０７）では予測用データが用いられる。

次に、図４、５を用いて、要因分析（ステップ１０１）を説明する。要因分析は、保全関連データ１００を読み込み、全てのデータ項目の組み合わせ全てに対して相関係数を求めデータ項目関連性データ１１０に記録する。これらのデータから要因分析（ステップ１０１）を行ない、出力されたデータの一例を図５に示す。図４の５つのデータ項目からは１０組の組合せ５１０〜５１９が考えられ、カラム５０１と５０２に示される各々の組合せに対して相関係数（カラム５００）が記録されている。なお、本実施例では、相関係数としてピアソンの相関係数の絶対値を用い、設備不良データ項目に関しては、「良」を1、「不良」を0として計算している。

図３は本実施例の処理システムでの重要因果関係入力（ステップ１０２）の詳細フローを示す。図３、及び図５〜７を用いて、重要因果関係入力１０２を説明する。ステップ３０１の関連性表示のステップでは、図５に示すような要因分析の結果が示すデータ項目相互の関連性（１１０）からデータ項目間の関連図を処理部２１１が作成し、表示部２１２に表示する。関連図の一例を図６に示す。まず、図５の関連性の中で相関係数５００の値が所定の閾値（ここでは例えば０．７）よりも大きいデータ項目組合せ（ここでは、組合せ５１０、５１１、５１２、及び５１４）に含まれるデータ項目を島で表示し、カラム５０１，５０２のデータ項目の組合せを、それぞれ項目を示す島間を結ぶ直線（６００〜６０３）で表示する。この時、組み合わせのデータ項目に設備不良が含まれる場合には、該直線を設備不良に向かう矢印６０１、６０２、６０３・・とする。なお、本実施例では、相関係数が閾値0.7より大きい場合に関連がある、あるいは関連性が高いとみなしており、図５のカラム５００では閾値より大きい相関係数を下線で示している。次に、業務知識を持つ保全担当者が、表示された関連図（図６）上の矢印６０１、６０２、６０３・・の中から設備不良と因果関係が大と考える、つまり点検すべき設備の自動抽出に用いるのが適切と考える保全データ項目を選択する。この、保全担当者から不良設備の自動抽出に適切であるとして選択された保全データ項目の入力を受けて因果関係データ１１１に記録するのが因果関係入力ステップ３０２である。その選択された保全データ項目の一例を図７に示す。図７では、保全データ項目１、保全データ項目５、保全データ項目８が設備担当者により選択された設備不良の原因と考えられるデータ項目であり、例えば図６の表示画面上で矢印６０１をクリックすると、「保全データ項目１」が因果関係（１１１）に記録される。

次に、学習データ不良予測（ステップ１０３〜１０５）の一例を、図４、５、７、８を用いて説明する。図８はステップ１０３、１０４、１０５のどれにも対応している学習データ不良予測の詳細フローの例を示す。以下、データ項目ＩＤを番号で表す。すなわち、設備不良データ項目を0、保全データ項目NをNとする。学習データ不良予測は、保全関連データの中の学習用データ（８００）と、初期データ項目組合せ（８０１）、追加データ項目組合せ（８０２）を入力とする。ここで、データ項目組合せとは、データ項目ＩＤの集合である。初期データ項目組合せA（８０１）は設備不良データ項目を含み、{0}や{0,1}がその例である。追加データ項目組合せB（８０２）は設備不良データ項目を含まない非空集合で、{1}や{1、2}がその例である。まず、Bから1〜N_B個のデータ項目組合せを全て求める（ステップ８１１）。ここで、N_Bは集合Bの要素数である。例えば、Bが{1,2,3}である場合、{1}{2}{3}{1,2}{1,3}{2,3}及び{1,2,3}が生成される。次に、生成された組合せB_i各々に対して、以下の処理を実行する（ステップ８１０）。

まず、AとB_iの和集合をデータ組合せd（８０４）とし、学習用データから該当するデータD（８０３）を抽出する（ステップ８１２）。例えばAが{0}、B_iが{1,3}ならば、dは{0,1,3}となり、Dは図４の学習用データ（４１１〜４１４）の設備不良（４００）とデータ項目１、３（４０１，４０３）の3列分のデータになる。次に、得られたDの第1列を目的変数、残りの列を説明変数として判別分析を行う（ステップ８１３）。判別分析としては、線形判別分析、正準判別分析、ＳＶＭ等、公知の分析手法が考えられる。いずれの手法を用いた場合でも、予測を行うための判別器（８０５）が出力される。次に、Dの第1列を除くデータE（８１４）と判別器（８０５）を入力として、不良予測を行う（ステップ８１５）。次に、予測結果とDの第1列である設備不良データを比較し、判別器の予測精度（８０６）を計算する（ステップ８１６）。ここで、予測精度とは、データの中で予測が的中した割合を表し、予測結果と設備不良データが等しいデータ数を全データ数で割った値である。以上の処理をステップ８１１で生成された全ての組合せに行い、予測精度最大の組合せに関して、予測精度（８０６）、データ組合せd（８０４）、判別器（８０５）を学習結果（８２０）として記録する（ステップ８１７）。

ここで図１の処理フローに沿った説明に戻る。図３等を参照して詳述したステップ１０２の保全担当者からの重要因果関係入力が終わると、次に選択データ項目を用いた学習データ不良予測（ステップ１０３）が行われ、その次に選択データ項目と無関連データ項目を加えた学習データ不良予測（ステップ１０４）が行われる。選択データ項目を用いた学習データ不良予測（ステップ１０３）は、Aとして{0}を、Bとしてデータ項目関連性データ１１０に記録された組合せ項目間関連性のうち、因果関係データ１１１に記録された保全担当者から選択された保全データ項目を入力し、AとB_iの和集合をデータ組合せd（８０４）として学習データ不良予測を行う。例えば保全担当者から選択された保全データ項目が図７の場合、Bは{1,5,8…}となる。また、選択データ項目と関連性が低いデータ項目（無関連データ項目）を加えた学習データ不良予測（ステップ１０４）は、１０３を行った結果、学習結果に出力されたデータ組合せdをAとし、上記保全担当者から選択された保全データ項目と高い相関があるデータ項目を除いたデータ項目組合せをBとして入力し、AとB_iの和集合をデータ組合せd（８０４）として学習データ不良予測を行う。例えば図５、７のようなデータが記録されている場合、1、5、8と、データ項目１と高い相関がある保全データ項目２（図５の組み合わせ５１４を参照）、つまりデータ項目ＩＤ＝2とを除いたデータ項目組合せがBとなる。

それから更に、残りのデータ項目を加えた学習データ不良予測（ステップ１０５）が以下のように行われる。ステップ１０４を行った結果、学習結果に出力されたデータ組合せdをAとし、上記保全担当者から選択された保全データ項目と高い相関があるためにステップ１０４で除いたデータ項目組合せをBとして学習データ不良予測を行う。例えば図５、７のようなデータが記録されている場合、{2}がBとなる。

次に予測精度最大データ項目組合せ選択（ステップ１０６）と不良予測（ステップ１０７）を説明する。１０３〜１０５で3組の予測精度（８０６）、データ組合せd（８０４）、判別器（８０５）が学習結果（１１２）に記録されている。この中で予測精度が最大の学習結果を見つけ出し、それに対応するデータ組合せdを選択するのがステップ１０６の動作である。ステップ１０７では、選択されたデータ組合せdと判別器を入力として、保全関連データ１００のうち未点検である設備の、つまり良不良が未知の設備のデータ（予測用データ）を対象に不良予測を実行する。不良予測の結果は未点検の設備各々の良・不良を推定して断ずるデータであり、図１の予測結果１１３に出力する。この予測結果は、保全対象設備全体の状況把握、またとくに保守担当者による設備点検巡視計画や点検巡視ルートの策定に利用され、設備保全の効率向上に役立つ。

以上に述べた実施例の設備不良予測処理では、膨大な数となる保全データ項目の任意個数の組合せの全てについて学習データ不良予測の演算を完了してからそれらのうち最大予測精度を与える保全データ項目組合せを見つけだすのでなく、保全データ項目を３群に分け、第１段階で第１群である保守担当者から選択された保全データ項目からの組合せについての学習データ不良予測演算を実施してその部分のデータ項目組合せを固定し、次に第２段階で第２群内の保全データ項目からの組合せを追加して学習データ不良予測演算を行い、そこまでの最大予測精度を与えるデータ項目組合せを固定し、更に第３段階で第３群の、まり残りの保全データ項目からの組合背を追加して学習データ不良予測演算を行い、最大予測精度を得る保全データ項目組合せを最終的に決定する。したがって、全保全データ項目からの任意数の項目組合せの数より格段に削減した数のデータ項目組合せの学習データ不良予測演算で最大予測精度を与える組合せを決定できる。しかもその第１群は保全担当者から選択された保全データ項目であるため、保全担当者の因果関係に関する知識獲得ができ、早期に高い予測精度の保全データ項目組合せに到達する。さらに、第２群は上記保全担当者から選択された保全データ項目と高い相関があるデータ項目を除いたデータ項目、第３群は残りの保全データ項目としているので、保全データ項目の任意数の組合せ全ての学習データ不良予測を行った場合と同じ最大予測精度を与えるデータ項目組合せに到達する可能性が高い。

このように、本実施例の手順に従えば未点検設備の不良予測に用いるべき最大予測精度を与えるデータ項目組み合わせが現実的な計算速度で決定できる。ただし実際には、第１群、第２群、第３群とデータ項目組合せの候補を順次追加した学習データ不良予測演算を全てにわたり行う必要があるとは限らない。第３群の保全データ項目は保全担当者により選択された第１群の保全データ項目のいずれかと相互に関連性の高い保全データ項目なので、これらデータ項目組合せに追加して予測精度が更に高まる可能性は第２群の保全データ項目の組合せ追加に比べて低い。したがって場合によっては図１のステップ１０５の、残りのデータ項目を加えた学習データ不良予測の手順は省略してよい。図１にてステップ１０５を迂回する矢印は、このステップ１０５を省略した場合の動作フローを示す。

すなわち、以上のべた実施例において重要な点は、保守担当者から選択された保全データ項目を第１群としてそれらの組合せをまず固定し、次に第１群と相互関連性の高い保全データ項目を第２群、最後に残りの保全データ項目を第３群とするという、組合せ最適化問題の求解の優先順位にある。

なお、学習データ不良予測の手順の省略は、上記したようなステップ１０５全体の省略に限らず、種々の方法が採用できる。例えば、時間経過を監視し、ステップ１０４もしくは１０５の途中で学習データ不良予測を打ち切ってその時点までの最大予測精度を与えるデータ項目組合せに決定する方法、あるいは予め定めた満足できる予測精度のデータ項目組み合わせに到達した時点で学習データ不良予測を打ち切る方法などが可能である。また、上記実施例のステップ１０５で組合せに追加する保全データ項目（第３群の保全データ項目）をさらに２群に分ける方法も効果を有する。すなわち第１群、第２群と学習データ不良予測演算で予測精度を確認した残りのデータ項目のうち、保全担当者からは選択されたもののステップ１０３の学習結果に残らなかった保全データ項目との関連性が高い保全データ項目を第３群の保全データ項目とし、まだ残っている保全データ項目、つまりステップ１０３で最初に固定されたデータ項目組合せ内の保全データ項目との関連性が高い保全データ項目を最後の第４群の保全データ項目として、第３群、その後に第４群という優先順位で、組合せに追加するデータ項目を決定する学習データ不良予測演算を行えば良い。またこの変形例での第３群を第２群と同じ優先度の扱いとする、つまり保全担当者から選択されないデータ項目のうちステップ１０３で最初に固定されたデータ項目組合せ内の保全データ項目と関連性が高いデータ項目を除いた全てをステップ１０４での追加組合せの候補とする別の変形も可能である。これらの変形例でも、第２群乃至第４群の学習データ不良予測演算の任意の時点で演算で打ち切り、そこまでの最大予測精度を与えるデータ項目組合せを良不良が未知の設備（点検未済の設備）の不良予測用に用いるデータ項目に決定することが可能である。

１００：保全関連データ
１０１：要因分析
１０２：要因因果関係入力
１０３：選択データ項目を用いた学習データ不良予測
１０４：選択データ項目と無関連データ項目を加えた学習データ不良予測
１０５：残りのデータ項目を加えた学習データ不良予測
１０５：予測精度最大データ項目組合せ選択
１０７：不良予測
１１０：データ項目間関連性
１１１：因果関係
１１２：学習結果
１１３：予測結果

Claims (7)

1. 保全対象に関連するデータを用いて保全対象の設備不良を予測する対話型設備不良予測方法であって、
   保全対象に関連するデータ項目間の関連性を分析、表示し、
   表示されたデータ項目中で、保全担当者による重要関連データ項目の選択を受け付けて第１群のデータ項目として記録し、
   前記第１群のデータ項目の任意数の組合せをそれぞれ用いて不良予測を行い、該第１群のデータ項目の中で最も優れた予測精度を与えるデータ項目組合せである組合せの第１固定化部を求め、
   前記重要データ項目として選択されなかった残りのデータ項目からの組合せを前記第１固定化部に追加して不良予測を行って、良不良が未知の設備の不良予測に使用するデータ項目組合せを決定することを特徴とする対話型設備不良予測方法。
2. 請求項１に記載の対話型設備不良予測方法において、
   前記良不良が未知の設備の不良予測に使用するデータ項目組合せを決定するステップは、前記表示されたデータ項目中の第２群のデータ項目からの組合せを前記第１固定化部に加えて不良予測を行い、その段階で最も優れた予測精度を与えるデータ項目組合せをデータ項目組み合わせ第２固定化部とする第１のサブステップと、残りの第３群のデータ項目からの組合せを前記第２固定化部に加えて不良予測を行う第２のサブステップを含み、
   前記第１のサブステップ、第２のサブステップを通して最も優れた予測精度を与えるデータ項目の組合せでを良不良が未知の設備の不良予測に使用するデータ項目組合せと決定することを特徴とする対話型設備不良予測方法。
3. 請求項２に記載の対話型設備不良予測方法において、前記第２群のデータ項目は、前記データ項目間の関連性の分析により前記重要関連データ項目との関連性が低いと分析されたデータ項目であることを特徴とする対話型設備不良予測方法。
4. 請求項２に記載の対話型設備不良予測方法において、前記第２群のデータ項目は、前記重要関連データ項目の中から前記組み合わせの第１固定化部として採用されたデータ項目に対して、関連性が低いと分析されたデータ項目であることを特徴とする対話型設備不良予測方法。
5. 請求項１、２のいずれかに記載の対話型設備不良予測方法において、
   前記データ項目間の関連性は、データ項目間の相関係数を指標として分析されることを特徴とする対話型設備不良予測方法。
6. 請求項３、４のいずれかに記載の対話型設備不良予測方法において、
   データ項目間の関連性は、データ項目間の相関係数を指標として分析され、
   データ項目間の関連性が低いとは、データ項目間の相関係数があらかじめ定められた値より小さいことである対話型設備不良予測方法。
7. 請求項１〜４のいすれかに記載の対話型設備不良予測方法において、
   データ項目の組合せを用いた不良予測とは、該保全対象に関連するデータ項目の中で、設備の不良に関するデータ項目を目的変数とし、該データ項目の複数の組合せを目的変数として、判別分析を行うことであることを特徴とする対話型設備不良予測方法。

Images