JP2016212582A - Reliability evaluation device and reliability evaluation program - Google Patents
Reliability evaluation device and reliability evaluation program Download PDFInfo
- Publication number
- JP2016212582A JP2016212582A JP2015094778A JP2015094778A JP2016212582A JP 2016212582 A JP2016212582 A JP 2016212582A JP 2015094778 A JP2015094778 A JP 2015094778A JP 2015094778 A JP2015094778 A JP 2015094778A JP 2016212582 A JP2016212582 A JP 2016212582A
- Authority
- JP
- Japan
- Prior art keywords
- lower limit
- failure data
- section
- limit values
- failure
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本発明は、対象機器の信頼性を評価する信頼性評価装置及び信頼性評価プログラムに関する。 The present invention relates to a reliability evaluation apparatus and a reliability evaluation program for evaluating the reliability of a target device.
従来、プラント設備や建築設備などの設備機器の信頼性を評価するため、実測された故障時期を示す故障データを標本データとして用いて、故障時期を推定する装置が知られている(例えば、特許文献1参照)。 2. Description of the Related Art Conventionally, in order to evaluate the reliability of equipment such as plant equipment and building equipment, there is known a device that estimates failure time using failure data indicating measured failure time as sample data (for example, patents). Reference 1).
また、この種の装置では、故障時期を推定する推定手法として、例えば、ベイズ法、ゴンベルツ法、最尤法などが採用されている。 Further, in this type of apparatus, for example, a Bayes method, a Gombelz method, a maximum likelihood method, or the like is adopted as an estimation method for estimating the failure time.
ところで、上述した最尤法、ベイズ法、ゴンベルツ法などによる故障時期の推定精度は、入力される故障データのデータ数に依存する傾向があることが知られている。 By the way, it is known that the estimation accuracy of failure time by the above-mentioned maximum likelihood method, Bayes method, Gombelz method, etc. tends to depend on the number of pieces of input failure data.
具体的に、データ数が数個〜20個程度のケースでは、ベイズ法の推定精度が高くなり、データ数が20個程度〜50個程度のケースでは、ゴンベルツ法の推定精度が高くなり、データ数が50個程度〜100個以上のケースでは、最尤法の推定精度が高くなる傾向がある。このため、データ数に応じて推定精度の高い推定手法を採用することも考えられる。 Specifically, when the number of data is about several to about 20, the estimation accuracy of the Bayes method is high, and when the number of data is about 20 to about 50, the estimation accuracy of the Gombelz method is high. In the case where the number is about 50 to 100 or more, the estimation accuracy of the maximum likelihood method tends to be high. For this reason, it is also conceivable to employ an estimation method with high estimation accuracy according to the number of data.
しかしながら、故障時期の推定精度を高める上で、最適な推定手法を選定するためのデータ数の境界は、明確でない。よって、上述のように、最尤法、ベイズ法、ゴンベルツ法などの推定手法が存在するものの、最適な推定手法を選定できず、故障時期の推定精度が十分に確保できないおそれがあった。 However, the boundary of the number of data for selecting an optimal estimation method for improving the estimation accuracy of the failure time is not clear. Therefore, as described above, although there are estimation methods such as the maximum likelihood method, the Bayes method, and the Gombert method, the optimal estimation method cannot be selected, and there is a possibility that the estimation accuracy of the failure time cannot be sufficiently secured.
なお、データ数が100以上の場合には、推定手法として最尤法を選定すれば、推定精度が比較的高くなると考えられるため、このような問題は、データ数が100未満の場合に特に問題になりやすい。 Note that when the number of data is 100 or more, it is considered that the estimation accuracy is relatively high if the maximum likelihood method is selected as the estimation method. Therefore, such a problem is particularly problematic when the number of data is less than 100. It is easy to become.
本発明は、このような状況に鑑みてなされたもので、最適な推定手法を選定することによって、故障時期の推定精度を確保して、信頼性を正確に評価することが可能な信頼性評価装置及び信頼性評価プログラムを提供することを目的とする。 The present invention has been made in view of such a situation, and by selecting an optimal estimation method, reliability evaluation capable of ensuring the accuracy of failure time estimation and accurately evaluating reliability is possible. An object is to provide a device and a reliability evaluation program.
本発明に係る信頼性評価装置の特徴は、前記対象機器の故障時期を推定するための標本データである複数の故障データを取得する取得部(取得部31)と、前記複数の故障データに基づいて、ベイズ法により推定される故障時期を示すベイズ推定故障データと、ゴンベルツ法により推定される前記故障時期を示すゴンベルツ推定故障データとを算出する推定故障データ算出部(推定故障データ算出部32)と、前記ベイズ推定故障データに基づいて、所定の信頼水準によって規定される第1区間の上下限値を算出するとともに、前記ゴンベルツ推定故障データに基づいて、前記所定の信頼水準によって規定される第2区間の上下限値を算出する上下限値算出部(上下限値算出部33)と、前記第1区間の上下限値と前記第2区間の上下限値とに基づいて、前記ベイズ法、前記ゴンベルツ法、又は、最尤法の中から何れか一つの推定手法を選定する選定部(選定部34)と、前記選定部によって選定された推定手法を用いて、前記複数の故障データから前記対象機器の故障時期を推定し、前記対象機器の信頼性を評価する評価部(評価部35)と、を備えることを要旨とする。 The characteristics of the reliability evaluation apparatus according to the present invention are based on an acquisition unit (acquisition unit 31) that acquires a plurality of pieces of failure data that is sample data for estimating the failure time of the target device, and the plurality of pieces of failure data. An estimated failure data calculation unit (estimated failure data calculation unit 32) that calculates Bayes estimated failure data indicating the failure time estimated by the Bayes method and Gombelz estimated failure data indicating the failure time estimated by the Gombert method And calculating upper and lower limit values of a first interval defined by a predetermined confidence level based on the Bayesian estimated failure data, and a first range defined by the predetermined reliability level based on the Gombelz estimated failure data. An upper and lower limit value calculating unit (upper and lower limit value calculating unit 33) for calculating upper and lower limit values of two sections, an upper and lower limit value of the first section, and an upper and lower limit value of the second section, Based on the Bayes method, the Gombelz method, or a selection unit (selection unit 34) for selecting any one estimation method from the maximum likelihood method, and using the estimation method selected by the selection unit, The gist of the invention is to include an evaluation unit (evaluation unit 35) that estimates the failure time of the target device from the plurality of failure data and evaluates the reliability of the target device.
本発明に係る信頼性評価装置の他の特徴は、上記特徴に係り、前記選定部は、前記第1区間の上下限値に基づいて、前記第1区間の変動量ΔBを算出し、前記第2区間の上下限値に基づいて、前記第2区間の変動量ΔGを算出するとともに、前記第1区間の変動量ΔBが、第1変動閾値TH1以上である場合、前記ベイズ法を選定し、前記第1区間の変動量ΔBが、前記第1変動閾値TH1未満であり、かつ、前記第2区間の変動量ΔGが、前記第1変動閾値TH1よりも小さい第2変動閾値TH2以上である場合、前記ゴンベルツ法を選定し、前記第1区間の変動量ΔBが、前記第1変動閾値TH1未満であり、かつ、前記第2区間の変動量ΔGが前記第2変動閾値TH2未満である場合、前記最尤法を選定することを要旨とする。 Another feature of the reliability evaluation apparatus according to the present invention is related to the above feature, wherein the selection unit calculates a fluctuation amount ΔB of the first section based on upper and lower limit values of the first section, and Based on the upper and lower limits of the two sections, the fluctuation amount ΔG of the second section is calculated, and when the fluctuation amount ΔB of the first section is equal to or greater than the first fluctuation threshold TH1, the Bayes method is selected, The variation amount ΔB in the first section is less than the first variation threshold TH1, and the variation amount ΔG in the second section is greater than or equal to a second variation threshold TH2 that is smaller than the first variation threshold TH1. When the Gombelz method is selected, the fluctuation amount ΔB of the first section is less than the first fluctuation threshold TH1, and the fluctuation amount ΔG of the second section is less than the second fluctuation threshold TH2. The gist is to select the maximum likelihood method.
本発明に係る信頼性評価装置の他の特徴は、上記特徴に係り、前記故障データは、ベイズ型、ゴンベルツ型、対数正規型、ワイブル型、指数型、極値型の何れかに準じた乱数データであることを要旨とする。 Another feature of the reliability evaluation apparatus according to the present invention is related to the above feature, wherein the failure data is a random number according to any of a Bayes type, a Gombelz type, a lognormal type, a Weibull type, an exponent type, and an extreme value type. The summary is data.
本発明に係る信頼性評価装置の他の特徴は、上記特徴に係り、前記選定部は、新たに取得した故障データと前記第1区間の上下限値の位置関係と、新たに取得した故障データと前記第2区間の上下限値の位置関係を、チェビシェフの不等式を用いて評価するとともに、評価結果に基づいて、前記ベイズ法、前記ゴンベルツ法、又は、最尤法の中から何れか一つの推定手法を選定することを要旨とする。 Another feature of the reliability evaluation apparatus according to the present invention is related to the above feature, wherein the selection unit includes the newly acquired failure data, the positional relationship between the upper and lower limit values of the first section, and the newly acquired failure data. And the upper and lower limit values of the second interval are evaluated using Chebyshev's inequality, and based on the evaluation result, any one of the Bayesian method, the Gombelz method, or the maximum likelihood method is used. The gist is to select an estimation method.
本発明に係る信頼性評価プログラムの特徴は、上述した信頼性評価装置としてコンピュータを機能させることを要旨とする。 A feature of the reliability evaluation program according to the present invention is to make a computer function as the above-described reliability evaluation apparatus.
本発明によれば、最適な推定手法を選定することによって、故障時期の推定精度を確保して、信頼性を正確に評価することが可能な信頼性評価装置及び信頼性評価プログラムを提供することができる。 According to the present invention, it is possible to provide a reliability evaluation apparatus and a reliability evaluation program capable of ensuring the accuracy of failure timing and accurately evaluating reliability by selecting an optimal estimation method. Can do.
[第1実施形態]
(1)信頼性評価装置の構成
(1−1)信頼性評価装置の概略構成
本発明の第1実施形態に係る信頼性評価装置1の構成について、図面を参照しながら説明する。図1は、信頼性評価装置1の構成を示す機能ブロック図である。
[First Embodiment]
(1) Configuration of Reliability Evaluation Device (1-1) Schematic Configuration of Reliability Evaluation Device The configuration of the
本実施形態に係る信頼性評価装置1は、対象機器の信頼性を評価する。なお、本実施形態において、対象機器とは、プラント設備や建築設備などの設備機器が一例として挙げられるが、これに限定するものではない。
The
ここで、本実施形態において、機器の信頼性とは、機器が故障せずに安定して運転させる度合い、又は性質を示す。本実施形態では、機器の信頼性は、保全性を含む概念である。 Here, in the present embodiment, the reliability of the device indicates a degree or a property of causing the device to operate stably without failure. In the present embodiment, the reliability of the device is a concept including maintainability.
また、図1に示すように、第1実施形態に係る信頼性評価装置1は、通信部10と、記憶部20と、演算処理部30と、出力部40とを備える。なお、信頼性評価装置1は、ユーザが情報を入力するための入力部など、他の機能も備えているが、ここでは、他の機能についての説明を省略する。
As shown in FIG. 1, the
通信部10は、外部機器(不図示)との間で通信を行う。通信部10と外部機器との間の通信は、有線通信であってもよいし、無線通信であってもよく、特に限定されない。通信部10は、外部機器から送信された故障データを受信する。通信部10によって受信された故障データは、記憶部20に記憶されるとともに、演算処理部30に入力される。
The
記憶部20は、ハードディスクやメモリ等の記憶媒体によって構成される。記憶部20は、信頼性評価装置1における処理に必要な各種情報を記憶する。記憶部20は、演算処理部30が実行するプログラムを記憶すると共に、演算処理部30でのプログラム実行中にワークエリアとして使用される。また、記憶部20は、上述した故障データを記憶する。記憶部20に記憶される故障データ及びその他の情報は、演算処理部30によって参照される。
The
演算処理部30は、信頼性評価装置1における各種機能を制御する。演算処理部30は、CPUやDSP(Digital Signal Processor)等のプロセッサ、メモリ、及びその他の電子回路等のハードウェア、或いはその機能を持ったプログラム等のソフトウェア、又はこれらの組み合わせなどによって構成された演算モジュールである。この演算モジュールは、プログラムを適宜読み込んで実行することにより種々の機能モジュールを仮想的に構築し、構築された各機能モジュールによって、各部の動作制御やユーザ操作に対する種々の処理を行う。
The
出力部40は、ディスプレイとして機能し、演算処理部30から出力された出力情報を表示する。なお、出力部40は、出力情報を印刷出力するように構成されていてもよいし、出力情報を外部装置(例えば、外部のPC)に送信するように構成されていてもよい。
The
(1−2)演算処理部30の構成
次に、演算処理部30の構成について説明する。本実施形態に係る演算処理部30は、取得部31と、推定故障データ算出部32と、上下限値算出部33と、選定部34と、評価部35とを備える。
(1-2) Configuration of
取得部31は、複数の故障データを取得する。なお、取得部31は、通信部10を介して、外部機器から故障データを取得してもよいし、ユーザの入力によって故障データを取得してもよいし、記憶部20に記憶される故障データを取得してもよい。
The
ここで、複数の故障データは、対象機器の故障時期を推定するための標本データである。例えば、故障データは、対象機器と同じ仕様の機器において、実測された故障時期を示す実績データである。 Here, the plurality of pieces of failure data are sample data for estimating the failure time of the target device. For example, the failure data is performance data indicating the actually measured failure time in a device having the same specifications as the target device.
なお、故障データは、乱数データであってもよい。例えば、故障データは、ベイズ型、ゴンベルツ型、対数正規型、ワイブル型、指数型、極値型の何れかに準じた乱数データであってもよい。このような乱数データは、機器仕様や故障率曲線における時期(例えば、初期故障期、偶発故障期、摩耗故障期など)が異なる様々なケースを対象としたシミュレーションを実行する場合に有効である。 The failure data may be random number data. For example, the failure data may be random number data according to any of Bayes type, Gombelz type, logarithmic normal type, Weibull type, exponential type, and extreme value type. Such random number data is effective when executing simulations targeting various cases in which the time (for example, initial failure period, accidental failure period, wear failure period, etc.) in the device specification and failure rate curve is different.
推定故障データ算出部32は、複数の故障データに基づいて、ベイズ法により推定される故障時期を示すベイズ推定故障データと、ゴンベルツ法により推定される故障時期を示すゴンベルツ推定故障データとを算出する。
The estimated failure
また、本実施形態では、ベイズ推定故障データは、平均故障間隔(MTBF:Mean Time Between Failure)を表現する分布データであり、ゴンベルツ推定故障データは、ゴンベルツ曲線を表現する関数データである。なお、ベイズ法により推定されるベイズ推定故障データの算出方法、及び、ゴンベルツ法により推定されるゴンベルツ推定故障データの算出方法については、詳細を後述する。 In the present embodiment, the Bayesian estimated failure data is distribution data that represents a mean time interval (MTBF), and the Gombelz estimated failure data is function data that represents a Gombert curve. The details of the calculation method of Bayesian estimated failure data estimated by the Bayesian method and the calculation method of Gombeltz estimated failure data estimated by the Gombert method will be described later.
上下限値算出部33は、ベイズ推定故障データに基づいて、所定の信頼水準によって規定される第1区間の上下限値を算出するとともに、ゴンベルツ推定故障データに基づいて、所定の信頼水準によって規定される第2区間の上下限値を算出する。
The upper and lower limit
ここで、所定の信頼水準は、分布の母平均の存在する信頼区間の水準値(信頼度)(%)を示す。本実施形態に係る所定の信頼水準は、±95%(±2σ)であることとする。なお、所定の信頼水準は、±95%(±2σ)に限定されない。所定の信頼水準は、正規分布の±3σの数値で規定してもよい。例えば、所定の信頼水準は、±80%に規定してもよいし、±60%としてもよい。すなわち、所定の信頼水準は、任意に設定可能である。 Here, the predetermined confidence level indicates the level value (reliability) (%) of the confidence interval in which the population mean of the distribution exists. The predetermined confidence level according to the present embodiment is assumed to be ± 95% (± 2σ). The predetermined confidence level is not limited to ± 95% (± 2σ). The predetermined confidence level may be defined by a numerical value of ± 3σ of a normal distribution. For example, the predetermined confidence level may be defined as ± 80% or may be ± 60%. That is, the predetermined confidence level can be arbitrarily set.
また、第1区間の上下限値は、ベイズ法によって算出されるベイズ推定故障データにおける所定の信頼水準±95%の信頼区間(即ち、95%信頼区間)の上下限値を示す。同様に、第2区間の上下限値は、ゴンベルツ法によって算出されるゴンベルツ推定故障データにおける所定の信頼水準±95%の信頼区間(即ち、95%信頼区間)の上下限値を示す。 Further, the upper and lower limit values of the first interval indicate upper and lower limit values of a confidence interval (that is, a 95% confidence interval) having a predetermined confidence level of ± 95% in the Bayes estimated failure data calculated by the Bayes method. Similarly, the upper and lower limit values of the second interval indicate upper and lower limit values of a confidence interval (ie, 95% confidence interval) having a predetermined confidence level of ± 95% in the Gombelz estimated failure data calculated by the Gombert method.
上下限値算出部33は、上述のようにして算出した算出結果を記憶部20に記憶する。つまり、上下限値算出部33は、第1区間の上下限値と第2区間の上下限値とを記憶部20に記憶する。これにより、記憶部20には、上下限値算出部33によって算出された第1区間の上下限値と第2区間の上下限値とが、順次蓄積される。
The upper and lower limit
選定部34は、第1区間の上下限値と第2区間の上下限値とに基づいて、ベイズ法、ゴンベルツ法、又は、最尤法の中から何れか一つの推定手法を選定する。
The
具体的に、選定部34は、第1区間の上下限値に基づいて、第1区間の変動量ΔBを算出し、第2区間の上下限値に基づいて、第2区間の変動量ΔGを算出する。なお、第1区間の変動量ΔBは、第1区間の上限値と下限値との上下間隔(差分)の変動量であり、第2区間の変動量ΔGは、第2区間の上限値と下限値との上下間隔(差分)の変動量である。
Specifically, the
そして、選定部34は、第1区間の変動量ΔBが、第1変動閾値TH1以上である場合、ベイズ法を選定する。つまり、選定部34は、「ΔB≧TH1」の関係を満たす際に、ベイズ法を選定する。
And the
また、選定部34は、第1区間の変動量ΔBが、第1変動閾値TH1未満であり、かつ、第2区間の変動量ΔGが、第1変動閾値TH1よりも小さい第2変動閾値TH2以上である場合、ゴンベルツ法を選定する。つまり、選定部34は、「ΔB<TH1」と、「ΔG≧TH2」の関係を満たす際に、ゴンベルツ法を選定する。なお、このとき、第1変動閾値TH1>第2変動閾値TH2である。また、第1変動閾値TH1及び第2変動閾値TH2は、「TH1>TH2」の関係を満たしていれば、任意の値を適用してもよい。
Further, the
また、選定部34は、第1区間の変動量ΔBが、第1変動閾値TH1未満であり、かつ、第2区間の変動量ΔGが第2変動閾値TH2未満である場合、最尤法を選定する。つまり、選定部34は、「ΔB<TH1」と、「ΔG<TH2」の関係を満たす際に、最尤法を選定する。
The
評価部35は、選定部34によって選定された推定手法を用いて、複数の故障データから対象機器の故障時期を推定し、対象機器の信頼性を評価する。具体的に、評価部35は、選定部34によって、ベイズ法、ゴンベルツ法、又は、最尤法の中の何れかの推定手法が選定されると、選定された推定手法を用いて、複数の故障データから、対象機器の故障時期を推定する。そして、選定部34は、対象機器の故障時期が所定基準値以上であるか否か等に基づいて、対象機器の信頼性を評価する。このとき、評価部35は、例えば、平均故障間隔(MTBF)を算出してもよいし、所定期間当たりの故障率を算出してもよい。また、評価部35は、JISZ8115などに定義される信頼度を算出して、信頼性を評価してもよい。
The
(2)信頼性評価装置の動作
次に、信頼性評価装置1の動作について説明する。図2は、信頼性評価装置1が対象機器の故障時期を推定する際の動作を示すフローチャートである。
(2) Operation of Reliability Evaluation Device Next, the operation of the
ステップS10において、信頼性評価装置1では、取得部31が、故障データを取得する。取得部31によって取得された故障データは、記憶部20に逐次記憶される。
In step S10, in the
ステップS20において、信頼性評価装置1では、推定故障データ算出部32は、複数の故障データに基づいて、ベイズ法により推定される故障時期を示すベイズ推定故障データと、ゴンベルツ法により推定される故障時期を示すゴンベルツ推定故障データとを算出する。
In step S20, in the
上下限値算出部33は、ベイズ推定故障データの所定の信頼水準95%に基づく第1区間の上下限値を算出するとともに、ゴンベルツ推定故障データの所定の信頼水準95%に基づく第2区間の上下限値を算出する。そして、上下限値算出部33は、算出した第1区間の上下限値及び第2区間の上下限値を記憶部20に記憶する。
The upper and lower limit
ここで、図3には、第1区間の上下限値の一例を示すグラフ図が示されており、図4には、第2区間の上下限値の一例を示すグラフ図が示されている。図3〜4では、横軸にデータ数が示されており、縦軸にMTBFが示されている。なお、縦軸の平均故障間隔(MTBF)の値は、指数によって示されているため、例えば、「日数」を単位とする場合には、6倍した値を適用してもよい。 Here, FIG. 3 shows a graph showing an example of the upper and lower limit values of the first section, and FIG. 4 shows a graph showing an example of the upper and lower limit values of the second section. . 3 to 4, the horizontal axis represents the number of data, and the vertical axis represents MTBF. Since the value of the mean time between failures (MTBF) on the vertical axis is indicated by an index, for example, when “days” is used as a unit, a value multiplied by 6 may be applied.
図3〜4に示すように、第1区間の上下限値及び第2区間の上下限値は、故障データのデータ数に応じて、変化する。また、第1区間の変動量及び第2区間の変動量は、データ数が多くなるに従って、小さくなる。なお、図3〜4に示すように、縦軸方向において、ゴンベルツ推定故障データの第2区間の上下限値の間隔は、ベイズ推定故障データの第1区間の上下限値の間隔に比べて、狭くなることに留意すべきである。 As illustrated in FIGS. 3 to 4, the upper and lower limit values of the first section and the upper and lower limit values of the second section change in accordance with the number of pieces of failure data. Further, the variation amount in the first section and the variation amount in the second section become smaller as the number of data increases. As shown in FIGS. 3 to 4, in the vertical axis direction, the interval between the upper and lower limit values of the second section of the Gombelz estimated failure data is larger than the interval between the upper and lower limit values of the first section of the Bayes estimated failure data, It should be noted that it becomes narrower.
ステップS30において、選定部34は、第1区間の上下限値に基づいて、第1区間の変動量ΔBを算出し、第2区間の上下限値に基づいて、第2区間の変動量ΔGを算出する。
In step S30, the
具体的に、選定部34は、ステップS20において、上下限値算出部33によって算出された第1区間の上下限値(以下、今回第1区間の上下限値として示す)を取得するとともに、前回に上下限値算出部33によって算出され、記憶部20に記憶されている第1区間の上下限値(以下、前回第1区間の上下限値として示す)を参照する。そして、選定部34は、今回第1区間の上下限値の上下間隔と、前回第1区間の上下限値の上下間隔との差分を、変動量ΔBとして算出する。
Specifically, in step S20, the
また、選定部34は、上下限値算出部33によって算出された第2区間の上下限値(以下、今回第2区間の上下限値として示す)を取得するとともに、前回に上下限値算出部33によって算出され、記憶部20に記憶されている第2区間の上下限値(以下、前回第2区間の上下限値として示す)を参照する。そして、選定部34は、今回第2区間の上下限値の上下間隔と、前回第2区間の上下限値の上下間隔との差分を、変動量ΔGとして算出する。
The
ステップS40において、選定部34は、第1区間の変動量ΔBと、第2区間の変動量ΔGとに基づいて、ベイズ法、ゴンベルツ法、又は、最尤法の中から何れか一つの推定手法を選定する。なお、ステップS40の詳細な動作は、後述する(図6参照)。
In step S40, the
ステップS50において、評価部35は、選定部34によって選定された推定手法により、複数の故障データから対象機器の故障時期を推定し、対象機器の信頼性を評価する。
In step S50, the
なお、上述したステップS10〜S50の動作は、信頼性評価装置1の取得部31において、故障データが取得される度に実行される。
In addition, operation | movement of step S10-S50 mentioned above is performed every time failure data is acquired in the
次に、ステップS40における動作について具体的に説明する。図4は、ステップS40において、信頼性評価装置1が推定手法を選定する際の動作を示すフローチャートである。
Next, the operation in step S40 will be specifically described. FIG. 4 is a flowchart showing an operation when the
ステップS41において、選定部34は、第1区間の変動量ΔBが、第1変動閾値TH1以上であるか否かを判定する。
In step S41, the
ステップS42において、選定部34は、第1区間の変動量ΔBが、第1変動閾値TH1以上である場合、ベイズ法を選定する。
In step S42, the
一方、ステップS43において、選定部34は、第1区間の変動量ΔBが、第1変動閾値TH1以上でないと判定した場合、すなわち、第1区間の変動量ΔBが、第1変動閾値TH1未満である場合、第2区間の変動量ΔGが、第1変動閾値TH1よりも小さい第2変動閾値TH2以上であるか否かを判定する。
On the other hand, when the
ステップS44において、選定部34は、第2区間の変動量ΔGが、第2変動閾値TH2以上であると判定した場合、ゴンベルツ法を選定する。
In step S44, if the
一方、ステップS45において、選定部34は、第2区間の変動量ΔGが、第1変動閾値TH1よりも小さい第2変動閾値TH2以上でないと判定した場合、すなわち、第2区間の変動量ΔGが第2変動閾値TH2未満であると判定した場合、最尤法を選定する。
On the other hand, when the
以上のようにして、信頼性評価装置1では、ベイズ法、ゴンベルツ法、又は、最尤法の中から何れか一つの推定手法を選定する。
As described above, the
(3)推定手法
次に、ベイズ法、ゴンベルツ法、最尤法のそれぞれの推定手法について簡潔に説明する。
(3) Estimation Method Next, each estimation method of the Bayes method, Gombelz method, and maximum likelihood method will be briefly described.
(3−1)ベイズ法
ベイズ法は、標本データのデータ数が数個〜20個程度の時に用いられることが好ましいとされている。まず、ベイズ法の基本となるベイズの定理を下記に示す。
(3-1) Bayesian method The Bayesian method is preferably used when the number of sample data is about several to twenty. First, Bayes' theorem, which is the basis of the Bayes method, is shown below.
ベイズの定理、対象となる母数Hを一元化すると、母数Hの事前分布は、g(θ)として示され、母集団分布f(t|θ)は、f(t1、…、tn|θ)として示される。 Bayes' theorem, when the target parameter H is unified, the prior distribution of the parameter H is expressed as g (θ), and the population distribution f (t | θ) is expressed as f (t 1 ,..., T n. | Θ).
また、事前分布g(θ)及び母集団分布f(t1、…、tn|θ)からのn個のサンプルの同時分布は、下記の式(1)によって示され、母数Hの事後分布は、下記の式(2)によって示される。 Further, the simultaneous distribution of n samples from the prior distribution g (θ) and the population distribution f (t 1 ,..., T n | θ) is expressed by the following equation (1), and the posterior of the parameter H The distribution is shown by the following equation (2).
一方、母集団分布f(t1、…、tn|θ)は、母数Hによって左右されるので、条件付き分布f(T|θ)の形で与えられる。母数Hの事前分布g(θ)は、標本データTが観測された後には事後分布g(θ|T)に更新されることとなる。 On the other hand, since the population distribution f (t 1 ,..., T n | θ) depends on the parameter H, it is given in the form of a conditional distribution f (T | θ). The prior distribution g (θ) of the parameter H is updated to the posterior distribution g (θ | T) after the sample data T is observed.
したがって、ベイズの定理によって、事後分布g(θ|T)は、下記式(3)によって示される。 Therefore, according to Bayes' theorem, the posterior distribution g (θ | T) is expressed by the following equation (3).
一方、偶発故障期間を対象とした場合には、母集団分布の確率密度関数を指数分布として論理を展開する。つまり、母集団分布f(t|λ)が下記式(4)によって示される。 On the other hand, when the accidental failure period is targeted, the logic is developed using the probability density function of the population distribution as an exponential distribution. That is, the population distribution f (t | λ) is expressed by the following equation (4).
f(t|λ)=λexp(−λt) (t≧0、λ=0) ・・・式(4)
また、データT=(t1、…、tn)が観測された後のΛの事後分布(λ|T)を、ベイズの定理によって求めると、下記式(5)によって示される。
f (t | λ) = λexp (−λt) (t ≧ 0, λ = 0) (4)
Further, when the posterior distribution (λ | T) of Λ after the data T = (t 1 ,..., T n ) is observed by Bayes' theorem, it is expressed by the following equation (5).
(3−2)ゴンベルツ法
一般的に、ゴンベルツ法は、標本データのデータ数が20〜50個程度の時に用いられることが好ましい。ゴンベルツ曲線と呼ばれるグラフは、xとyの関数である下記式(6)をグラフ化したものである。
(3-2) Gombelz method In general, the Gombert method is preferably used when the number of sample data is about 20 to 50. A graph called a Gombelz curve is a graph of the following formula (6) which is a function of x and y.
y=Kbe−cx ・・・式(6)
式(6)において、xは時間を示し、yは故障累積値を示し、Kは故障累積値の増加が収束する定数値を示し、b及びcは、係数を示す。
y = Kb e-cx (6)
In Expression (6), x represents time, y represents a failure accumulation value, K represents a constant value at which the increase in the failure accumulation value converges, and b and c represent coefficients.
この式(6)は、下記式(7)によって示される微分方程式から得られる。 This equation (6) is obtained from a differential equation represented by the following equation (7).
dy/dx = Ay×e−Bx ・・・式(7)
なお、式(7)において、dy/dxは、yの増加率を示し、yの増加率は、直前のyに比例して増加する要因や時間xに伴い指数的に減少する要因に関係することを表している。
dy / dx = Ay × e −Bx (7)
In equation (7), dy / dx represents the rate of increase of y, and the rate of increase of y is related to a factor that increases in proportion to the immediately preceding y and a factor that decreases exponentially with time x. Represents that.
標本データである複数の故障データを、上述の式(6)によってグラフ化することによって、ゴンベルツ曲線を表現するゴンベルツ推定故障データを算出する。そして、K=1(100%)とした場合に、故障累積値yである所定の信頼水準(例えば、±95%)によって規定される時間xの区間が、所定の信頼水準によって規定される第2区間の上下限値として算出される。 A plurality of failure data, which are sample data, are graphed by the above-described equation (6), thereby calculating Gombelz estimated failure data expressing a Gombert curve. When K = 1 (100%), the interval of time x defined by a predetermined reliability level (for example, ± 95%) that is the cumulative failure value y is defined as a predetermined reliability level. It is calculated as the upper and lower limit values of two sections.
(3−3)最尤法
一般的に、最尤法は、標本データのデータ数が50個以上の時に適用できる手法である。これは、データ数が50個未満の場合には、誤差が大きくなることから、予測推定に向いていないためである。最尤法は、統計学において、与えられたデータからそれが従う確率分布の母数について推測するために最も用いられる手法の一つであり、尤度の概念を利用するものである。具体的に、統計的な推定を行う際、実際に得られた標本データがあるとき、それが得られる確率が最大となるような母数の値をその推定値とする。最尤法は母数の一番尤もらしい値を探す手法である。すなわちグラフは正規分布で表しつつ、故障時期を推定する手法である。なお、尤度関数は、下記式(8)のように定義される。
(3-3) Maximum Likelihood Method Generally, the maximum likelihood method is a method that can be applied when the number of sample data is 50 or more. This is because when the number of data is less than 50, the error becomes large and is not suitable for prediction estimation. The maximum likelihood method is one of the methods most used in statistics to infer the parameter of the probability distribution that it follows from given data, and uses the concept of likelihood. Specifically, when statistical estimation is performed, when there is actually obtained sample data, a parameter value that maximizes the probability of obtaining the sample data is set as the estimated value. The maximum likelihood method is a method of searching for the most likely value of the parameter. In other words, the graph is a technique for estimating the failure time while expressing it in a normal distribution. The likelihood function is defined as in the following formula (8).
lik(θ)=fD(x1,x2,…,xn|θ) ・・・式(8) lik (θ) = f D (x 1 , x 2 ,..., x n | θ) (8)
(4)作用・効果
図6には、ベイズ法、ゴンベルツ法、最尤法のそれぞれの推定手法において、データ数と推定精度との関係を表すイメージ図が示されている。図6に示すように、データ数に応じて推定精度の高い推定手法が変わることはわかっているが、最適な推定手法を選定するためのデータ数の境界は、明確でない。
(4) Action / Effect FIG. 6 shows an image diagram showing the relationship between the number of data and the estimation accuracy in each of the Bayes method, Gombert's method, and maximum likelihood method. As shown in FIG. 6, it is known that the estimation method with high estimation accuracy changes according to the number of data, but the boundary of the number of data for selecting the optimum estimation method is not clear.
そこで、本実施形態に係る信頼性評価装置1では、選定部34が、第1区間の上下限値と第2区間の上下限値とに基づいて、ベイズ法、ゴンベルツ法、又は、最尤法の中から何れか一つの推定手法を選定する。すなわち、本実施形態に係る信頼性評価装置1によれば、推定手法を選定するための新たな選定指標として、第1区間の上下限値と第2区間の上下限値とを用いて、推定精度の高い推定方法を選定する。
Therefore, in the
具体的に、選定部34は、ベイズ法により推定されたベイズ推定故障データに基づく第1区間の変動量ΔBが、第1変動閾値TH1以上である場合、ベイズ法を選定し、第1区間の変動量ΔBが、第1変動閾値TH1未満であり、かつ、ゴンベルツ法により推定されるゴンベルツ推定故障データに基づく第2区間の変動量ΔGが、第1変動閾値TH1よりも小さい第2変動閾値TH2以上である場合、ゴンベルツ法を選定し、第1区間の変動量ΔBが、第1変動閾値TH1未満であり、かつ、第2区間の変動量ΔGが第2変動閾値TH2未満である場合、最尤法を選定する。そして、評価部35は、選定部34によって選定された推定手法によって、故障データから対象機器の故障時期を推定する。
Specifically, the
このように、本実施形態に係る信頼性評価装置1によれば、推定手法を選定するための新たな選定指標として、第1区間の変動量ΔBと第2区間の変動量ΔGとを規定し、当該第1区間の変動量ΔBと第2区間の変動量ΔGとに基づいて、ベイズ法、ゴンベルツ法、又は、最尤法の中から何れか一つの推定手法を選定する。
As described above, according to the
これにより、対象機器の故障時期を推定する際に、第1区間の変動量ΔBと第2区間の変動量ΔGとに基づいて、ベイズ法及びゴンベルツ法による推定結果(算出結果)の安定性を判断しつつ、推定精度の高い推定手法を選定できる。すなわち、かかる信頼性評価装置1によれば、最適な推定手法を選定することによって、故障時期の推定精度を確保して、信頼性を正確に評価することができる。
As a result, when estimating the failure time of the target device, the stability of the estimation results (calculation results) by the Bayes method and the Gombertz method based on the fluctuation amount ΔB of the first section and the fluctuation amount ΔG of the second section While judging, an estimation method with high estimation accuracy can be selected. That is, according to the
なお、上述した第1変動閾値TH1及び第2変動閾値TH2には、任意の値を適用してもよい。但し、第1変動閾値TH1及び第2変動閾値TH2は、小さいほど、ベイズ法が選定されやすくなる一方、ゴンベルツ法及び最尤法が選定されにくくなる。このため、第1変動閾値TH1及び第2変動閾値TH2は、信頼性を評価する上で、適宜最適な値を適用することが望まれる。 Note that any value may be applied to the first variation threshold TH1 and the second variation threshold TH2. However, as the first variation threshold value TH1 and the second variation threshold value TH2 are smaller, the Bayes method is more easily selected, while the Gombert's method and the maximum likelihood method are less likely to be selected. For this reason, it is desired that the first variation threshold value TH1 and the second variation threshold value TH2 are appropriately applied appropriately in evaluating reliability.
また、本実施形態で説明した信頼性評価装置1は、コンピュータにより実現可能である。また、信頼性評価装置1を構成する各機能をプログラムとして構築し、信頼性評価装置1として利用されるコンピュータにインストールして実行させることや、通信ネットワークを介して流通させることが可能である。例えば、このプログラムは、信頼性評価装置1が備える記憶部20に記憶させることも可能であるし、磁気ディスク、光ディスク、半導体メモリ等の記録媒体に記録することや、ネットワークを通して提供することも可能である。
Moreover, the
[その他の実施形態]
次に、本発明のその他の実施形態について説明する。上述した第1実施形態では、選定部34が、第1区間の上下限値に基づいて、第1区間の変動量ΔBを算出し、第2区間の上下限値に基づいて、第2区間の変動量ΔGを算出するとともに、第1区間の変動量ΔBと第2区間の変動量ΔGとに基づいて、ベイズ法、ゴンベルツ法、又は、最尤法の中から何れか一つの推定手法を選定していたが、これに限定されない。
[Other Embodiments]
Next, other embodiments of the present invention will be described. In the first embodiment described above, the
例えば、選定部34は、新たに取得した故障データと第1区間の上下限値の位置関係と、新たに取得した故障データと第2区間の上下限値の位置関係とを、チェビシェフの不等式を用いて評価するとともに、評価結果に基づいて、ベイズ法、ゴンベルツ法、又は、最尤法の中から何れか一つの推定手法を選定してもよい。
For example, the
チェビシェフの不等式は、確率変数Xが平均値μから標準偏差σのk(k>0)倍以上離れている確率P(|X−μ|≧kσ)が、全体の1/k2以下であることを表しており、次式で示される。 According to Chebyshev's inequality, the probability P (| X−μ | ≧ kσ) that the random variable X is separated from the mean value μ by k (k> 0) times the standard deviation σ is 1 / k 2 or less. This is expressed by the following formula.
P(|X−μ|≧kσ)≦1/k2 ・・・式(9)
この場合、選定部34は、新たに取得した故障データをチェビシェフの不等式の確率変数Xに適用する。そして、新たに取得した故障データと第1区間の上下限値の位置関係を評価する。同様に、新たに取得した故障データと第2区間の上下限値の位置関係を評価する。なお、このような定量的な評価手法については、ビックデータのデータの選別、グループ化等にも適用できる。
P (| X−μ | ≧ kσ) ≦ 1 / k 2 Formula (9)
In this case, the
これにより、新たに取得した故障データが、第1〜2区間の上下限値のそれぞれにどれだけ近いのか遠いのか、その位置を定量的に評価できる。さらに、新たに取得した故障データが、第1区間内のどこに位置しているかの評価に適用するとともに、新たに取得した故障データが、第2区間内のどこに位置しているかを評価できる。 Thereby, it is possible to quantitatively evaluate how close or far the newly acquired failure data is to the upper and lower limit values of the first and second sections. Furthermore, it can be applied to the evaluation of where the newly acquired failure data is located in the first section, and it can be evaluated where the newly acquired failure data is located in the second section.
そして、選定部34は、第1区間における位置関係の評価結果を第1区間評価値とし、第2区間における位置関係の評価結果を第2区間評価値として、ベイズ法、ゴンベルツ法、又は、最尤法の中から何れか一つの推定手法を選定する。
Then, the
例えば、選定部34は、第1区間評価値が第1位置閾値以上である場合、ベイズ法を選定し、第1区間評価値が第1位置閾値未満であり、かつ、第2区間評価値が第1位置閾値よりも小さい第2位置閾値以上である場合、ゴンベルツ法を選定し、第1区間評価値が、第1位置閾値未満であり、かつ、第2区間評価値が第2位置閾値未満である場合、最尤法を選定する。
For example, when the first section evaluation value is equal to or greater than the first position threshold, the
このようにして、選定部34は、チェビシェフの不等式を用いて、ベイズ法、ゴンベルツ法、又は、最尤法の中から何れか一つの推定手法を選定する。なお、選定部34は、上述した第1区間の変動量ΔB及び第2区間の変動量ΔGに加え、チェビシェフの不等式の評価結果を組み合わせて、推定手法を選定してもよい。
上述した第1実施形態では、ベイズ推定故障データが、平均故障間隔(MTBF)の分布データであるとしたが、これに限定されない。例えば、平均故障寿命(MTTF:Mean Time To Failure)であってもよい。
In this way, the
In the first embodiment described above, the Bayesian estimated failure data is the distribution data of the mean failure interval (MTBF), but is not limited to this. For example, it may be a mean time to failure (MTTF).
また、標本データである故障データは、故障時期を示すビックデータに基づいて作成してもよい。具体的に、ビックデータを複数のグループに分類し、それぞれのグループに含まれる複数のデータによって示される故障時期の平均値を故障データとしてもよい。或いは、ビックデータからランダムに抽出した複数のデータを故障データとしてもよい。 Moreover, the failure data which is sample data may be created based on the big data indicating the failure time. Specifically, the big data may be classified into a plurality of groups, and an average value of failure times indicated by the plurality of data included in each group may be used as the failure data. Alternatively, a plurality of data randomly extracted from the big data may be used as failure data.
なお、ベイズ法及び最尤法を用いた処理は、例えば、「建築設備における信頼水準の評価に関する研究(空気調和・衛生工学会論文集No.64、1997年1月)」等に記載される技術を適用してもよい。 The processing using the Bayesian method and the maximum likelihood method is described in, for example, “Study on evaluation of confidence level in building equipment (Journal of Air Conditioning and Sanitary Engineering No. 64, January 1997)”. Technology may be applied.
このように、本発明は、ここでは記載していない様々な実施の形態などを含むことは勿論である。また、上記実施の形態に開示されている複数の構成要素の適宜な組み合せにより、種々の発明を形成できる。したがって、本発明の技術的範囲は、上述の説明から妥当な特許請求の範囲に係る発明特定事項によってのみ定められるものである。 As described above, the present invention naturally includes various embodiments that are not described herein. Various inventions can be formed by appropriately combining a plurality of constituent elements disclosed in the embodiments. Therefore, the technical scope of the present invention is defined only by the invention specifying matters according to the scope of claims reasonable from the above description.
1…信頼性評価装置
10…通信部
20…記憶部
30…演算処理部
31…取得部
32…推定故障データ算出部
33…上下限値算出部
34…選定部
35…評価部
40…出力部
DESCRIPTION OF
Claims (5)
前記複数の故障データに基づいて、ベイズ法により推定される故障時期を示すベイズ推定故障データと、ゴンベルツ法により推定される前記故障時期を示すゴンベルツ推定故障データとを算出する推定故障データ算出部と、
前記ベイズ推定故障データに基づいて、所定の信頼水準によって規定される第1区間の上下限値を算出するとともに、前記ゴンベルツ推定故障データに基づいて、前記所定の信頼水準によって規定される第2区間の上下限値を算出する上下限値算出部と、
前記第1区間の上下限値と前記第2区間の上下限値とに基づいて、前記ベイズ法、前記ゴンベルツ法、又は、最尤法の中から何れか一つの推定手法を選定する選定部と、
前記選定部によって選定された推定手法を用いて、前記複数の故障データから前記対象機器の故障時期を推定し、前記対象機器の信頼性を評価する評価部と、を備える
ことを特徴とする信頼性評価装置。 An acquisition unit for acquiring a plurality of failure data, which is sample data for estimating the failure time of the target device;
An estimated failure data calculation unit that calculates, based on the plurality of failure data, Bayesian estimated failure data indicating a failure time estimated by the Bayesian method, and Gombelz estimated failure data indicating the failure time estimated by the Gombert method; ,
Based on the Bayesian estimated failure data, upper and lower limit values of a first interval defined by a predetermined confidence level are calculated, and on the basis of the Gombert's estimated failure data, a second interval defined by the predetermined reliability level An upper and lower limit value calculating unit for calculating upper and lower limit values;
A selection unit that selects one of the estimation methods from the Bayesian method, the Gombelz method, or the maximum likelihood method based on the upper and lower limit values of the first interval and the upper and lower limit values of the second interval; ,
An evaluation unit that estimates a failure time of the target device from the plurality of failure data using the estimation method selected by the selection unit, and evaluates the reliability of the target device. Sex evaluation device.
前記第1区間の上下限値に基づいて、前記第1区間の変動量ΔBを算出し、前記第2区間の上下限値に基づいて、前記第2区間の変動量ΔGを算出するとともに、
前記第1区間の変動量ΔBが、第1変動閾値TH1以上である場合、前記ベイズ法を選定し、前記第1区間の変動量ΔBが、前記第1変動閾値TH1未満であり、かつ、前記第2区間の変動量ΔGが、前記第1変動閾値TH1よりも小さい第2変動閾値TH2以上である場合、前記ゴンベルツ法を選定し、前記第1区間の変動量ΔBが、前記第1変動閾値TH1未満であり、かつ、前記第2区間の変動量ΔGが前記第2変動閾値TH2未満である場合、前記最尤法を選定する
ことを特徴とする請求項1に記載の信頼性評価装置。 The selection unit is
Based on the upper and lower limit values of the first section, the fluctuation amount ΔB of the first section is calculated, and based on the upper and lower limit values of the second section, the fluctuation amount ΔG of the second section is calculated.
When the fluctuation amount ΔB of the first section is equal to or greater than a first fluctuation threshold TH1, the Bayes method is selected, the fluctuation amount ΔB of the first section is less than the first fluctuation threshold TH1, and the When the fluctuation amount ΔG in the second section is equal to or greater than the second fluctuation threshold TH2 that is smaller than the first fluctuation threshold TH1, the Gombelz method is selected, and the fluctuation amount ΔB in the first section is the first fluctuation threshold. 2. The reliability evaluation apparatus according to claim 1, wherein the maximum likelihood method is selected when the amount of variation ΔG in the second section is less than TH <b> 1 and less than the second variation threshold TH <b> 2.
ことを特徴とする請求項1又は2に記載の信頼性評価装置。 3. The reliability evaluation according to claim 1, wherein the failure data is random number data according to any one of a Bayes type, a Gombelz type, a lognormal type, a Weibull type, an exponent type, and an extreme value type. apparatus.
ことを特徴とする請求項1に記載の信頼性評価装置。 The selection unit uses a Chebyshev inequality for the positional relationship between the newly acquired failure data and the upper and lower limit values of the first interval, and the positional relationship between the newly acquired failure data and the upper and lower limit values of the second interval. 2. The reliability evaluation according to claim 1, wherein one of the estimation methods is selected from the Bayes method, the Gombelz method, or the maximum likelihood method based on an evaluation result. apparatus.
前記コンピュータを、
前記対象機器の故障時期を推定するための標本データである複数の故障データを取得する取得部と、
前記複数の故障データに基づいて、ベイズ法により推定される故障時期を示すベイズ推定故障データと、ゴンベルツ法により推定される前記故障時期を示すゴンベルツ推定故障データとを算出する推定故障データ算出部と、
前記ベイズ推定故障データに基づいて、所定の信頼水準によって規定される第1区間の上下限値を算出するとともに、前記ゴンベルツ推定故障データに基づいて、前記所定の信頼水準によって規定される第2区間の上下限値を算出する上下限値算出部と、
前記第1区間の上下限値と前記第2区間の上下限値とに基づいて、前記ベイズ法、前記ゴンベルツ法、又は、最尤法の中から何れか一つの推定手法を選定する選定部と、
前記選定部によって選定された推定手法を用いて、前記複数の故障データから前記対象機器の故障時期を推定し、前記対象機器の信頼性を評価する評価部として、
機能させることを特徴とする信頼性評価プログラム。
A reliability evaluation program for causing a computer to function as a reliability evaluation device,
The computer,
An acquisition unit that acquires a plurality of pieces of failure data that is sample data for estimating the failure time of the target device;
An estimated failure data calculation unit that calculates, based on the plurality of failure data, Bayesian estimated failure data indicating a failure time estimated by the Bayesian method, and Gombelz estimated failure data indicating the failure time estimated by the Gombert method; ,
Based on the Bayesian estimated failure data, upper and lower limit values of a first interval defined by a predetermined confidence level are calculated, and on the basis of the Gombert's estimated failure data, a second interval defined by the predetermined reliability level An upper and lower limit value calculating unit for calculating upper and lower limit values;
A selection unit that selects one of the estimation methods from the Bayesian method, the Gombelz method, or the maximum likelihood method based on the upper and lower limit values of the first interval and the upper and lower limit values of the second interval; ,
Using the estimation method selected by the selection unit, estimating the failure time of the target device from the plurality of failure data, as an evaluation unit for evaluating the reliability of the target device,
A reliability evaluation program characterized by functioning.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015094778A JP6618272B2 (en) | 2015-05-07 | 2015-05-07 | Reliability evaluation apparatus and reliability evaluation program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2015094778A JP6618272B2 (en) | 2015-05-07 | 2015-05-07 | Reliability evaluation apparatus and reliability evaluation program |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016212582A true JP2016212582A (en) | 2016-12-15 |
JP6618272B2 JP6618272B2 (en) | 2019-12-11 |
Family
ID=57549791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2015094778A Expired - Fee Related JP6618272B2 (en) | 2015-05-07 | 2015-05-07 | Reliability evaluation apparatus and reliability evaluation program |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6618272B2 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178713A (en) * | 2019-12-19 | 2020-05-19 | 中国航天标准化研究所 | Ka phased array antenna on-orbit reliability assessment method based on Bayesian network |
-
2015
- 2015-05-07 JP JP2015094778A patent/JP6618272B2/en not_active Expired - Fee Related
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111178713A (en) * | 2019-12-19 | 2020-05-19 | 中国航天标准化研究所 | Ka phased array antenna on-orbit reliability assessment method based on Bayesian network |
CN111178713B (en) * | 2019-12-19 | 2022-11-18 | 中国航天标准化研究所 | Ka phased array antenna on-orbit reliability assessment method based on Bayesian network |
Also Published As
Publication number | Publication date |
---|---|
JP6618272B2 (en) | 2019-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6661559B2 (en) | Error detection device, error detection method and program | |
Broennimann et al. | Measuring ecological niche overlap from occurrence and spatial environmental data | |
KR20170136593A (en) | Information recommendation method and apparatus, and server | |
US20190197435A1 (en) | Estimation method and apparatus | |
JP5354138B1 (en) | Capacity management support apparatus, capacity management method and program | |
JP5437328B2 (en) | Observation value reliability evaluation apparatus, observation value reliability evaluation method, and observation value reliability evaluation program | |
WO2013187295A1 (en) | Information processing device, information processing method, and program | |
US8612908B2 (en) | Method and system for verification of electrical circuit designs at process, voltage, and temperature corners | |
WO2018008708A1 (en) | Epicentral distance estimating device, epicentral distance estimating method, and computer-readable recording medium | |
US20210048811A1 (en) | Model generation device for life prediction, model generation method for life prediction, and recording medium storing model generation program for life prediction | |
KR101852527B1 (en) | Method for Dynamic Simulation Parameter Calibration by Machine Learning | |
JP6658507B2 (en) | Load estimation system, information processing device, load estimation method, and computer program | |
KR102294254B1 (en) | Data processing method, data processing device, and data processing program | |
JP2012226511A (en) | Yield prediction system and yield prediction program | |
CN112148557A (en) | Method for predicting performance index in real time, computer equipment and storage medium | |
US20130080125A1 (en) | Continuous prediction of expected chip performance throuhout the production lifecycle | |
JP6618272B2 (en) | Reliability evaluation apparatus and reliability evaluation program | |
CN114253605A (en) | Runtime estimation of machine learning data processing pipelines | |
JP2017227994A (en) | Human flow prediction device, parameter estimation device, method and program | |
JP2015184818A (en) | Server, model application propriety determination method and computer program | |
US20170068226A1 (en) | Hybrid estimation of transition probability values in markov decision processes | |
JP5985328B2 (en) | Storage battery residual value rating device and program | |
JP2016017917A (en) | Apparatus power consumption estimation device and computer program | |
JP2008165412A (en) | Performance-computing device | |
JP2018077656A (en) | Parameter estimation apparatus, prediction device, method and program |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20150528 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180410 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190702 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20190827 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20191105 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20191112 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6618272 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
LAPS | Cancellation because of no payment of annual fees |