JP2015529813A

JP2015529813A - 遺伝的プログラミングを用いて発見された前兆的特徴からの、残存耐用寿命の推定

Info

Publication number: JP2015529813A
Application number: JP2015525470A
Authority: JP
Inventors: リヤオリンシア; エドモンドソンザカリー
Original assignee: Siemens Corp
Current assignee: Siemens Corp
Priority date: 2012-08-02
Filing date: 2013-07-26
Publication date: 2015-10-08
Also published as: CN104620248A; KR20150038356A; US20140039806A1; EP2880578A2; WO2014022204A3; EP2880578A4; WO2014022204A2

Abstract

システムの残存耐用寿命を推定する方法は、システム内にて使用されている複数のセンサからのセンサデータを監視するステップ（Ｓ２１）を含む。前記センサデータから複数の特徴を抽出し（Ｓ２２）、数学的演算子と特徴とをノードとして含むツリー図を生成し、当該ツリー図を数式に変換することにより各ツリー図から高度化特徴を生成する（Ｓ２３）。各高度化特徴の適合度の解析（Ｓ２４）と、当該ツリー図に交差／突然変異を実行するステップ（Ｓ２６）と、変化したツリー図から高度化特徴を生成するステップと、少なくとも１つの高度化特徴を生成することについての当該変化したツリー図の適合度の解析とを含む再帰的演算を実施する（Ｓ２７）。前記少なくとも１つの最終的高度化特徴に基づいて、システムの残存耐用寿命を計算する（Ｓ２９）。

Description

関連出願の相互引用
本願は、２０１２年８月２日に出願された仮出願第６１／６７８，７４２号に基づいており、その記載内容はすべて、引用により本願の開示内容に含まれることとする。

技術分野
本発明は、残存耐用寿命（ＲＵＬ）の推定に関し、具体的には、遺伝的プログラミングを用いて発見された前兆的特徴からのＲＵＬの推定に関する。

関連分野の説明
電気機械装置の構成部品は時々、保守または交換する必要があることが多い。保守および交換を行う頻度が過度に多いと、保守コストが高くなって、回避できるはずのサービス介入が多くなり、他方、保守や交換を行う時期が過度に遅くなると、潜在的に重大な結果を招く可能性のある不具合になることがある。したがって、保守／交換を行うべき時期を高精度で推定できることが重要となる。

部品の保守を行うべき時期の特定では、しばしば、残存耐用寿命（ＲＵＬ）を推定することが多い。ＲＵＬとは、保守する必要が生じるまで、部品が更にどの程度の使用に耐えられるかを示す尺度である。ＲＵＬは一般的に、種々の部品の動作を監視し、当該監視中に収集されたデータから種々の特徴を計算することにより推定される。たとえば、部品内部の複数の異なる場所に温度センサと振動センサとを設置し、これらのセンサにより定期的なデータストリームが提供されるようにすることができる。その後、このデータを処理することにより、たとえば温度変化や振動のパターン等の特徴を計算することができる。このように、この特徴を監視することにより、予め定められた不具合閾値を当該特徴が超える時期を特定することができる。このようにして、不具合が生じそうな部品に保守を施すことができる。

一般的に、監視対象であるセンサ測定、算出される特徴、および不具合閾値は、専門家が工業的判定に基づいて手動で求める。ＲＵＬの推定に際してどの特徴に基づけば良いかは、専門家が一目で分かる場合もあるが、特に、ＲＵＬの推定にどの特徴が良好に適しているかを特定することは難しい場合が多い。以下、将来生じ得る不具合のエビデンスを示すことができる特徴を「前兆的特徴」という場合がある。しかし、一度判定がなされても、その後、不具合が生じるその瞬間までは、この前兆的特徴から不具合に発展する時期を正確に判断するのは非常に困難であることが多い。したがって、主に工学的判定に基づいて特徴の選定を行うと、部品の全寿命にわたってＲＵＬを正確に推定するのが困難である場合がある。

発明の概要
システムの残存耐用寿命を推定する方法は、システム内にて使用されている複数のセンサからのセンサデータを監視するステップを含む。これらの監視対象のセンサデータから、複数の単純特徴を抽出する。各単純特徴は、センサデータから計算される関数を表すものである。複数の個体のツリー図を含む母集団を生成する。各ツリー図は、非終端ノードとしての数学的演算子と、前記複数の単純特徴のうち、終端ノードとしての少なくとも２つの単純特徴とを含む。前記数学的演算子を演算子とし、かつ、前記少なくとも２つの単純特徴をオペランドとする数式へ、前記ツリー図を変換することにより、前記母集団の各個体ツリー図に由来する高度化特徴が生成される。システムを評価するための前兆的特徴として機能させるための各高度化特徴の適合度の解析と、交差または突然変異を実施することによるツリー図の変化と、変化させた当該ツリー図からの高度化特徴の生成と、少なくとも１つの最終的高度化特徴を生成するための前記変化させたツリー図の適合度の解析と含む再帰的演算を実施する。この少なくとも１つの最終的高度化特徴に基づいて、システムの残存耐用寿命を計算する。

複数の単純特徴のうちいずれも、システムの残存耐用寿命を計算するための十分な適合度を有していないことが判明した後に、上述の方法を実施することができる。
前記システムは、電気機械システムまたは産業用設備とすることができる。
前記センサデータは、温度センサまたは振動センサを含むことができる。
前記複数の単純特徴は、２乗平均平方根の特徴を含むことができる。
各個体ツリー図は、固定の深さとすることができる。
各個体ツリー図の初期深さは固定とすることができ、その後、再帰を行いながら各ツリー図の深さを増大させることができる。
前記数学的演算子は、加算、減算、乗算、除算および／または平方根を含むことができる。

ツリー図を数式に変換する際には、各数式の配列順は当該ツリー図の階層構造によって定められる。
システムを評価するための前兆的特徴として機能するための、各高度化特徴の適合度を解析する際には、単調度を計算することができる。
各個体ツリー図の構造は、ランダムに生成することができる。
各ツリー図の母集団の生成に際しては、数学的演算子と、前記複数の単純特徴のうち少なくとも２つとを、ランダムに選択することができる。
各ツリー図に交差または突然変異を行うべきか否か、および、どのように行うべきかの決定は、各ツリー図についてランダムに行うことができる。
解析した適合度を低下させる変化は行わず、解析した適合度を上昇させる変化を確保することができる。
反復を実施する回数が最大回数に達するまで、再帰を続行することができる。
高度化特徴のうち少なくとも１つの高度化特徴の適合度が最大になるまで、再帰を続行することができる。

コンピュータシステムは、プロセッサと、有形の不揮発性プログラム記憶媒体とを有し、当該プログラム記憶媒体は前記コンピュータシステムにより読出し可能であり、システムの残存耐用寿命を推定するための方法の各ステップを実施するために当該プロセッサにより実行可能な命令のプログラムを実装する。前記方法は、システム内にて使用される複数のセンサからのセンサデータを監視することを含む。これらの監視対象のセンサデータから、複数の単純特徴を抽出する。各単純特徴は、センサデータから計算される関数を表すものである。遺伝的プログラミングを用いて、前記複数の単純特徴から少なくとも１つの高度化特徴を生成する。この少なくとも１つの高度化特徴に基づいて、システムの残存耐用寿命を計算する。

遺伝的プログラミングを用いて前記複数の単純特徴から少なくとも１つの高度化特徴を生成することは、
非終端ノードとしての数学的演算子と、前記複数の単純特徴のうち終端ノードとしての少なくとも２つの単純特徴とをそれぞれ含む複数の個体ツリー図を有する母集団を生成すること、
前記数学的演算子を演算子とし、かつ、前記少なくとも２つの単純特徴をオペランドとする数式へ、前記母集団のツリー図を変換することにより、前記母集団の複数の個体ツリー図それぞれから、高度化特徴の候補を生成すること、
前記システムを評価するための前兆的特徴として機能するための、前記高度化特徴の各候補の適合度を解析すること、
交差または突然変異を行うことにより、前記ツリー図を変化させること、
変化させた前記ツリー図から、高度化特徴の候補を生成すること、
前記少なくとも１つの高度化特徴を生成するための、前記変化させたツリー図を解析すること
を再帰的に行うことを含むことができる。

システムの残存耐用寿命を推定する方法は、システム内にて使用されている複数のセンサからのセンサデータを監視するステップを含む。各単純特徴セットを用いて、システムの残存耐用寿命の予測を試みる。各単純特徴は、センサデータから計算される関数を表す。単純特徴のうちいずれも、システムの残存耐用寿命を予測するのに十分な適合度を有していないと判定された場合には、遺伝的プログラミングを用いて前記複数の単純特徴から少なくとも１つの高度化特徴を生成する。この少なくとも１つの高度化特徴に基づいて、システムの残存耐用寿命を計算する。

遺伝的プログラミングを用いて前記複数の単純特徴から少なくとも１つの高度化特徴を生成することは、非終端ノードとしての数学的演算子と、前記単純特徴のうち終端ノードとしての少なくとも２つの単純特徴とをそれぞれ含む複数の個体ツリー図を有する母集団を生成することを含むことができる。前記数学的演算子を演算子とし、かつ、前記少なくとも２つの単純特徴をオペランドとする数式へ、ツリー図を変換することにより、前記母集団の各個体ツリー図から高度化特徴の候補を生成することができる。以下のステップは、再帰的に実施することができる：
システムを評価するための前兆的特徴として機能するための、前記高度化特徴の各候補の適合度を解析するステップ
交差または突然変異を行うことによりツリー図を変化させるステップ
変化させた前記ツリー図から、高度化特徴の候補を生成するステップ
前記少なくとも１つの高度化特徴を生成するための、前記変化させたツリー図の適合度を解析するステップ。

添付図面を参照しながら以下の詳細な説明を参酌すれば、本発明と、これに付随する実施態様とを、より詳しく容易に理解することができる。

本発明の一実施例の、遺伝的プログラミングを用いて発見された前兆的特徴からＲＵＬを推定するためのシステムを示す概略図である。本発明の一実施例の、遺伝的プログラミングを用いて発見された前兆的特徴からＲＵＬを推定するための手法を示すフローチャートである。本発明の実施例の、新規の前兆的特徴の自動発見に適用される遺伝的プログラミングを示すツリー図例である。本発明の実施例の方法および装置を実装することができるコンピュータシステムの一例を示す。

図面の詳細な説明
図面に示した本発明の実施例の説明に際し、明確に説明するために特定の用語を用いるが、本発明は、この実施例の説明にて選択した特定の用語に限定されるものではなく、各特定の要素は、同様に動作するあらゆる等価的要素を含むと理解すべきである。

本発明の実施例は、電気機械装置の部品の全耐用寿命にわたって残存耐用寿命（ＲＵＬ）を正確に推定するのに用いることができる前兆的特徴の選択を自動的に行うものである。この選択は遺伝的プログラミングの原理に基づくことができ、これにより、前兆的特徴候補を試してみて、当該前兆的特徴候補の適合度を測定し、測定された適合度として再帰的に修正された特徴候補を最適化する。しかし、相当の回数の再帰的修正を行っても、これらの特徴候補のうち、予め定められた適合度閾値に達するものが無い場合には、本発明の実施例では、実施された測定の結果から、および／または、既に検討された特徴候補から、特徴候補の新規のセットを選択するための手法を提供することができる。

図１は、本発明の一実施例の、遺伝的プログラミングを用いて発見された前兆的特徴からＲＵＬを推定するためのシステムを示す概略図であり、図２は、本発明の一実施例の、遺伝的プログラミングを用いて発見された前兆的特徴からＲＵＬを推定するための手法を示すフローチャートである。

テスト対象のシステムは電気機械装置１１を含むことができるが、本発明の実施例は、他の形態のシステムにおいてＲＵＬを予測するために用いることもでき、また、化学的プロセスを監視したり、化学的プロセスの終了を予測するのに用いることもできる。しかし、説明を簡素化するため、ここでは電気機械装置を参照して実施例を説明する。

電気機械装置１１は、電子部品および／または機械部品を含む１つまたは複数のシステムを包含することができる。「電気機械装置」との文言は、ここでは広い意味で用いており、当該文言には、１つの機械から複雑な産業用設備までに及ぶ全てのものを含むことができる。また、電気機械装置１１は電子部品のみを含むことも可能であり、必ずしも可動部品を含む必要はない。

電気機械装置１１全体で１つまたは複数のセンサ１２を設置することができる。センサには、温度センサ、振動センサ、光センサ、圧力センサ、湿度センサ、および、他の種々の状態センサを含めることができる。センサにはさらに、たとえばＣＰＵ使用率センサ、空き記憶領域センサ等の、デジタル電子デバイスのパフォーマンスを監視することができる論理センサを含むこともできる。コンピュータシステム内部にて実行されて当該コンピュータシステムの状態を監視および報告するルーティンとして、論理センサをインスタンス化することも可能であると解すべきである。

図１には、３つのセンサ１２ａ，１２ｂおよび１２ｃを示しているが、電気機械装置１１に設置されるセンサの数は任意とすることができる。センサ１２からの出力は、解析のためにコンピュータシステム１３へ送信することができる。論理センサのデータは、１つのコンピュータから他のコンピュータへ伝送することができ、または、１つのコンピュータ内において１つのプログラムから他のプログラムへ引き渡すこともできる。コンピュータシステム１３は、センサデータから特徴を計算して、前兆的特徴の発見を実施するように構成することができる。これについては、以下詳細に説明する。発見された前兆的特徴は、後で使用するためにデータベース１４に記憶することができる。

前兆的特徴の使用には、電気機械装置１１内に設置されたセンサ１２ａ，１２ｂおよび１２ｃからセンサデータを受信すること、および、発見されてデータベース１４に記憶された前兆的特徴に基づき、前記コンピュータシステム１３または他のコンピュータシステムにおける前兆的特徴を計算することを含むことができる。ＲＵＬをこの前兆的特徴に基づいて計算することができ、たとえば、保守が計画されている時期を示す警報として、ＲＵＬ値を表示装置１５上に表示することができる。

図２から明らかであるように、そのプロセスは、１つまたは複数のセンサ１２ａ，１２ｂおよび１２ｃからのセンサデータを監視することで開始することができる（ステップＳ２１）。前兆的特徴を発見するために監視される前記センサデータは、ＲＵＬを推定するための監視対象と同一である電気機械装置１１から取得することができる。したがって、まさにテスト対象である装置の前兆的特徴が発見されることになる。しかし、これに代えて択一的に、本発明の実施例では、同様の電気機械装置であるが同一ではない電気機械装置１１上にて前兆的特徴を発見することもできる。

センサデータを連続監視することにより（ステップＳ２１）、当該センサデータをデータストリームとすることができる。センサデータを監視しながら、センサデータストリームから特徴を抽出することができる（ステップＳ２２）。これに代えて択一的に、予め定められた長さの期間にわたってセンサデータを取得して、当該センサデータから特徴を抽出することもできる（ステップＳ２２）。

特徴抽出（ステップＳ２２）は、評価対象であるシステムの状態を示すことができる値を生成するために、１つまたは複数のセンサから出力されたデータに基づく計算の実行を伴う。このようにして、１つの特徴の計算に複数のセンサからのデータを用いたり、複数の特徴を計算するために１つのセンサからのデータの複数の一部分を用いることができる。良好な前兆的特徴とは、評価対象である装置の全寿命を通じて安定的な進行と明白な傾向とを示す前兆的特徴である。このようにして、発生直前の不具合を予測できるだけでなく、全寿命を通じて正確なＲＵＬを予測することも可能になる。

特徴の抽出では、１つまたは複数のセンサからのセンサデータに、任意の数学的および／または統計的関数を実行することができる。たとえば、振動センサの２乗平均平方根（ＲＭＳ）を計算することにより特徴を求めることができる。温度を特徴とすることもでき、また、センサデータとすることもできる。しかし、熱電対に流れる電流を検証対象のセンサデータとし、電流から計算した温度を特徴とみなすこともでき、もしかしたらこちらの方が一般的であるかもしれない。

一般的には、大部分の特徴が単純特徴となる。この単純特徴は、１つまたは複数のセンサの出力データに関数を実行することにより得られる結果として定義される。たとえば、特定の周波数の振動を分離および定量化するために、または、時間軸上における振動の周波数分布の変化を解析するために、振動データにフーリエ変換を実行するときと同様、振動ＲＭＳが単純特徴となる。単純特徴を生成するためにバンドパスフィルタおよびウェーブレットフィルタを用いることもできる。単純特徴は一般的に知られ、かつ理解されているものであり、ある程度の論理学的基盤を有しているので、技術的な理解に基づくことができる。単純特徴は一般的には人間によって設計され、科学的および／または工学的な知識および／または経験に基づいている。

単純特徴は前兆を示すものとなり得るが、たとえば、不具合が生じるその瞬間まで前兆的な値を提供しないことも多い。したがって、本発明の実施例は、単純特徴がＲＵＬの推定を実現するのに不十分である場合に、前兆的な値の高度化特徴を発見しようというものである。ここで用いられている高度化特徴とは、特徴群の数学的な組み合わせであったり、または、込み入った数学的計算であったりする場合もあるので、数学的計算の検査だけでは特徴の前兆的な値を想定するのが困難になる場合がある。技術的な基盤を有する単純特徴とは異なり、高度化特徴は一般的には知られていないものであり、ランダム要素を含めて自動生成されるものであり、科学的および／または工学的な知識に基づいて設計されるものではない。

特徴抽出（ステップＳ２２）は本発明の実施例では、種々の信号処理アルゴリズムを用いて、装置の健康状態に関する特徴空間に、複数のセンサデータを分解することができる。たとえば、波形データを解析するために用いられる特殊な技術を用いることができ、たとえば、振動信号の時間領域解析、ＲＭＳ、平均値、尖度、波高率およびひずみ度等を用いることができる。このような特徴をセンサデータから抽出するためには、種々の数式を用いることができる。たとえば、センサデータからの波形信号を周波数成分およびその振幅成分のスペクトルに分解するために、高速フーリエ変換（ＦＦＴ）を用いることができる。それぞれ特定の周波数（たとえば、回転周波数とその高調波、および／または、外側レースにおける軸受の通過周波数）を中心とする複数の周波数帯域における各エネルギー（たとえば、各振幅の２乗の和として定義される）を計算して特徴とすることができる。たとえば、部品の回転周波数が５０Ｈｚであり、その周波数帯域幅が５Ｈｚに選択されている場合、ＦＦＴスペクトルにおける５０±５Ｈｚの周波数範囲に及ぶ複数の振幅の各２乗の和を計算してエネルギー特徴とすることができる。このステップでは、たとえばウェーブレット解析等の他の信号処理手法を更に用いて、特徴を抽出することができる。実際、このステップにおいて使用できる一般的な特徴抽出技術は、他にも数多く存在する。

十分な前兆値を有する特徴を得ることができる公知の特徴抽出技術が無い場合に、本発明の実施例を用いることができ、本発明の実施例を用いて、遺伝的プログラミングを用いた新規の前兆的特徴の発見を続行することができる。

遺伝的プログラミングは、数に適用することができる単純な数学的関数（たとえば、＋、−、÷、×、√ 等）のセットである関数セットを定義することと、数学的オペランドのセットである終端セットを定義することと、その後、各ノードを数学的関数とし、かつ各終端ノードをオペランドとするツリー図をランダムに確立することとを含む。このツリーは、ランダムに作成された新規の数学的関数を表現するものである。

遺伝的プログラミングは、既存の特徴から新規の特徴をランダム生成して、当該新規の特徴が再帰的に修正されたときに当該新規の特徴の前兆値を評価することにより、新規の前兆的特徴の自動発見に適用することができる。新規の前兆的特徴の自動発見に遺伝的プログラミングを適用するに際しては、終端ノードのオペランドを、ステップＳ２２において抽出された特徴とすることができ、たとえばＦ_ｉ（ｉ＝１，２，３・・・）とすることができる。これらの特徴は、当該分野において、特定のシステムに関しては前兆値を有するが、目下の解析中である現システムのＲＵＬの評価には残念ながら特に有効というわけではないと解される特徴にもなり得る。

図３は、本発明の実施例の、新規の前兆的特徴の自動発見に適用される遺伝的プログラミングを示すツリー図例である。同図中の実施例では、第１のノード３１に除算が割り当てられており、第２のノード３２に加算が割り当てられており、第３のノード３３に平方根が割り当てられており、各終端ノード３４，３５および３６には３つの特徴Ｆ_１，Ｆ_３およびＦ_２がそれぞれ割り当てられている。その結果として得られるツリー図は、以下の数式として解することができる：

上記にて説明したように、特徴Ｆ_ｉ（ｉ＝１，２，３，・・・）は、ステップＳ２２において公知の特徴抽出技術により抽出された特徴とすることができる。

複数の初期ツリー図を作成することができる。各ツリー図を個体とみなし、ツリー図の群を母集団とみなすことができる。各個体の初期ツリー図の母集団の構造は、母集団初期設定とすることができる（ステップＳ２３）。ここで、関数セットおよび終端セットと、所望の深さレベルとから、初期ツリー図を確立することができる。ここでは説明を簡略にするため、所望の深さレベルを３に設定したものを示しているが、任意の数の深さレベルを用いることができる。ツリー構造の深さは固定でなくてもよく、遺伝的プログラミングを順次繰り返し行ううちに成長することができる。

このようにして母集団の初期設定に際しては、単純特徴Ｆ_１，Ｆ_２およびＦ_３のセットから高度化特徴Ｆ（各個体のツリー図につき１つ）がランダムに定義される。

次に、高度化特徴を評価する（ステップＳ２４）。高度化特徴の評価は、各個体のＲＵＬの推定についての当該高度化特徴の能力を表す適合度スコアを決定するためのフィトネス関数を計算することを含むことができる。前兆的特徴を発見することの目的はＲＵＬを推定することであるから、解析対象のシステムが劣化していく間に不具合が生じる過程で、予測可能な連続的進行を示すことができるものを、最適な特徴とすることができる。特徴の適合度を表すことができる、その傾向を表す尺度として、数学的な基準である単調度を使用することができる。単調度は以下の数式により定義することができる：

ここでｎは、ある期間における観察回数であり、Ｆは、テストされている最中の特徴であり、ｄ／ｄＦはその導関数である。上記関数には絶対値記号が与えられているので、特徴が単調に増加または減少している場合のみ、単調度の最大値は１に等しくなる。

特徴がノイズを含んでいると、上述のようにして確立される単調度は常に低くなる。したがって、ノイズを回避して特徴の傾向をより良好に表すことができる、平滑な、より高次の多項式関数が望ましい。

作成した特徴の単調性を評価した後（ステップＳ２４）、終了条件が満たされたか否かを判定することができる（ステップＳ２５）。終了条件は、予め定めた繰り返し回数、および、母集団に含まれる少なくとも１つの個体が最大適合度値に達したときの両方とすることができ、この最大適合度値に達することの方が早期に生じることもあり得る。

終了条件が満たされていない場合には（Ｎｏ、ステップＳ２５）、交差／突然変異を行うことにより各個体のツリー図を修正することができる（ステップＳ２６）。交差は、同じ母集団の中で１つのノードを他の個体の他のノードに入れ替えることである。入れ替えられているノードから分岐しているノードも入れ替えることが可能である。このようにして、ツリー図のすべての分岐を入れ替えることができる。どの分岐を入れ替えるかは、ランダムに決定することができる。

突然変異は、各ノードまたはノードの各分岐を他の値に変化させることであり、この他の値は、初期に選択しておくことが可能である。突然変異は、母集団のうち１つの個体のみに関与するものである。このようにして、非終端ノードを他の演算子に置換することができ、かつ、終端ノードを他の単純特徴に置換することができる。この置換も、ランダムに行うことが可能である。実際、交差または突然変異のいずれを行うべきかは、ランダムに決定することが可能である。

交差／突然変異を繰り返すごとに（ステップＳ２６）、母集団に含まれる各個体ごとに評価を繰り返すことができる（ステップＳ４）。改善した適合度を示す個体はそのまま保持することが可能であり、かつ、低下した適合度を示す個体は以前の態様に戻すことができる。終了条件を再度検査し、終了条件が満たされるまで上記プロセスを繰り返すことができる（Ｙｅｓ、ステップＳ２５）。終了条件が満たされた場合（Ｙｅｓ、ステップＳ２５）、最も高い適合度を有する１つまたは複数の特徴を前兆的特徴として供給することができる（ステップＳ２７）。その後、この前兆的特徴に関してセンサデータを監視し（ステップＳ２８）、これからＲＵＬを推定することができる（ステップＳ２９）。

ＲＵＬの予測は、発見された特徴を用いて行うことができる。これについては、多くの適切な統計学的データ駆動型手法を用いることができる。たとえば、発見された特徴のアンダーライン分布が指数関数的分布であると仮定して、連続的なベイズ更新を用いてＲＵＬを推定することができる。この指数関数的分布のパラメータ推定を解いた後、当該パラメータを時間軸上に投影すること、および／または、当該パラメータを用いて特徴の将来の投影を推定することが可能である。予測開始時から、予測したパフォーマンス偏差が、予め定められた不具合閾値に達する時期までの時間を、残存耐用寿命（ＲＵＬ）の指標として出力することができる。パラメータ推定は、任意の適切な手法を用いて行うことが可能であり、たとえば、粒子フィルタ手法を用いることが可能である。

図４は、本発明の方法およびシステムを具現化できるコンピュータシステムの一例を示す。本発明のシステムおよび方法は、コンピュータシステム上にて実行されるソフトウェアアプリケーションの形態で具現化することができ、たとえば、メインフレーム、パーソナルコンピュータ（ＰＣ）、ハンドヘルド型コンピュータ、サーバ等にて実行されるソフトウェアアプリケーションとして具現化することができる。前記ソフトウェアアプリケーションは、前記コンピュータシステムによりローカルでアクセス可能であり、かつ、ネットワークから固定配線接続または無線接続を介してアクセス可能である記録媒体上に記憶することができ、前記ネットワークはたとえば、ローカルエリアネットワークまたはインターネット等である。

前記コンピュータシステムは、ここでは一般化してシステム１０００と称し、このシステム１０００はたとえば、中央処理ユニット（ＣＰＵ）１００１、ランダムアクセスメモリ（ＲＡＭ）１００４、プリンタインタフェース１０１０、ディスプレイユニット１０１１、ローカルエリアネットワーク（ＬＡＮ）データ転送コントローラ１００５、ＬＡＮインタフェース１００６、ネットワークコントローラ１００３、内部バス１００２、および、１つまたは複数の入力装置１００９を含むことができ、当該入力装置１００９はたとえば、キーボード、マウス等である。同図に示しているように、システム１０００はリンク１００７を介して、たとえばハードディスク等のデータ記憶装置１００８に接続することができる。

ここで説明した実施例は例示的なものであり、本発明の思想や添付の特許請求の範囲から逸脱することなく多くの変更を実施することが可能である。たとえば、本発明および添付の特許請求の範囲の中で、複数の異なる実施例の要素および／または構成を相互に組み合わせ、および／または置換することができる。

Claims

システムの残存耐用寿命を推定する方法であって、
システム内にて使用されている複数のセンサからのセンサデータを監視するステップと、
前記センサデータから計算された関数をそれぞれ表す複数の単純特徴を、監視対象の前記センサデータから抽出するステップと、
非終端ノードとしての数学的演算子と、前記複数の単純特徴のうち終端ノードとしての少なくとも２つの単純特徴とをそれぞれ含む複数の個体のツリー図を有する母集団を生成するステップと、
前記数学的演算子を演算子とし、かつ、前記少なくとも２つの単純特徴をオペランドとする数式へ、前記母集団のツリー図を変換することにより、前記母集団の複数の個体のツリー図の各々から、高度化特徴を生成するステップと、
前記システムを評価するための前兆的特徴として機能させるための、前記各高度化特徴の適合度を解析し、交差または突然変異を行うことにより前記ツリー図を変化させ、変化させた当該ツリー図から高度化特徴を生成し、少なくとも１つの最終的な高度化特徴を生成するための、当該変化させたツリー図の適合度を解析することを再帰的に実施するステップと、
前記少なくとも１つの最終的な高度化特徴に基づいて、前記システムの残存耐用寿命を計算するステップと
を含むことを特徴とする方法。
前記複数の単純特徴のうちいずれも、前記システムの残存耐用寿命を計算するための十分な適合度を有していないことが判明した後に、前記方法を実施する、
請求項１記載の方法。
前記システムは、電気機械システムまたは産業用設備である、
請求項１記載の方法。
前記センサデータは温度センサまたは振動センサを含む、
請求項１記載の方法。
前記複数の単純特徴は、２乗平均平方根の特徴を含む、
請求項１記載の方法。
前記各個体のツリー図は、固定の深さである、
請求項１記載の方法。
前記各個体のツリー図の初期深さは固定であり、その後、再帰を行ううちに各ツリー図の深さが増大していく、
請求項１記載の方法。
前記数学的演算子は、加算、減算、乗算、除算または平方根を含む、
請求項１記載の方法。
前記ツリー図を数式に変換する際に、各数式の配列順は当該ツリー図の階層構造によって定められる、
請求項１記載の方法。
前記システムを評価するための前兆的特徴として機能するための、前記各高度化特徴の適合度を解析する際に、単調度を計算する、
請求項１記載の方法。
前記各個体のツリー図の構造を、ランダムに生成する、
請求項１記載の方法。
前記個体のツリー図の母集団の生成に際し、前記数学的演算子と、前記複数の単純特徴のうち前記少なくとも２つの単純特徴とを、ランダムに選択する、
請求項１記載の方法。
前記各ツリー図に交差または突然変異を行うべきか否か、および、どのように行うべきかの決定を、各ツリー図についてランダムに行う、
請求項１記載の方法。
解析した適合度を低下させる変化は行わず、解析した適合度を上昇させる変化を確保する、
請求項１記載の方法。
反復を実施する回数が最大回数に達するまで、再帰を続行する、
請求項１記載の方法。
前記高度化特徴のうち少なくとも１つの高度化特徴の適合度が最大になるまで、再帰を続行する、
請求項１記載の方法。
プロセッサと、
有形の不揮発性プログラム記憶媒体と
を有するコンピュータシステムであって、
前記プログラム記憶媒体は前記コンピュータシステムにより読出し可能であり、システムの残存耐用寿命を推定するための方法の各ステップを実施するために当該プロセッサにより実行可能な命令のプログラムを実装する、コンピュータシステムにおいて、
前記方法は、
システム内にて使用される複数のセンサからのセンサデータを監視するステップと、
前記センサデータから計算された関数をそれぞれ表す複数の単純特徴を、監視対象の前記センサデータから抽出するステップと、
遺伝的プログラミングを用いて前記複数の単純特徴から少なくとも１つの高度化特徴を生成するステップと、
前記少なくとも１つの高度化特徴に基づいて前記システムの残存耐用寿命を計算するステップと
を含むことを特徴とするコンピュータシステム。
遺伝的プログラミングを用いて前記複数の単純特徴から少なくとも１つの高度化特徴を生成するステップは、
非終端ノードとしての数学的演算子と、前記複数の単純特徴のうち終端ノードとしての少なくとも２つの単純特徴とをそれぞれ含む複数の個体のツリー図を有する母集団を生成するステップと、
前記数学的演算子を数式の演算子とし、かつ、前記少なくとも２つの単純特徴をオペランドとする数式へ、前記母集団のツリー図を変換することにより、前記母集団の各個体のツリー図から、高度化特徴の候補を生成するステップと、
前記システムを評価するための前兆的特徴として機能させるための、前記高度化特徴の各候補の適合度を解析し、交差または突然変異を行うことにより前記ツリー図を変化させ、変化させた当該ツリー図から高度化特徴の候補を生成し、前記少なくとも１つの高度化特徴を生成するための、当該変化させたツリー図の適合度を解析することを再帰的に実施するステップと
を含む、
請求項１７記載の方法。
システムの残存耐用寿命を推定する方法であって、
システム内にて使用される複数のセンサからのセンサデータを監視するステップと、
前記センサデータから計算された関数をそれぞれ表す複数の単純特徴の各セットを用いて、システムの残存耐用寿命の予測を試行するステップと
を有し、
前記単純特徴のうちいずれも、当該システムの残存耐用寿命を予測するのに十分な適合度を有していないと判断される場合には、
・遺伝的プログラミングを用いて、前記複数の単純特徴から少なくとも１つの高度化特徴を生成し、
・前記少なくとも１つの高度化特徴に基づいて、前記システムの残存耐用寿命を計算する
ことを特徴とする方法。
前記遺伝的プログラミングを用いて前記複数の単純特徴から少なくとも１つの高度化特徴を生成する前記ステップは、
非終端ノードとしての数学的演算子と、前記複数の単純特徴のうち終端ノードとしての少なくとも２つの単純特徴とをそれぞれ含む複数の個体のツリー図を有する母集団を生成するステップと、
前記数学的演算子を数式の演算子とし、かつ、前記少なくとも２つの単純特徴をオペランドとする数式へ、前記母集団のツリー図を変換することにより、前記母集団の各個体のツリー図から、高度化特徴の候補を生成するステップと、
前記システムを評価するための前兆的特徴として機能するための、前記高度化特徴の各候補の適合度を解析し、交差または突然変異を行うことにより前記ツリー図を変化させ、変化させた当該ツリー図から高度化特徴の候補を生成し、前記少なくとも１つの高度化特徴を生成するための、当該変化させたツリー図の適合度を解析することを再帰的に実施するステップと
を含む、
請求項１９記載の方法。