JP2017021502A

JP2017021502A - 稼働データ分類装置

Info

Publication number: JP2017021502A
Application number: JP2015137390A
Authority: JP
Inventors: 昌義石川; Masayoshi Ishikawa; 滋巳北田; Shigemi Kitada
Original assignee: Hitachi High Technologies Corp; Hitachi High Tech Corp
Current assignee: Hitachi High Tech Corp
Priority date: 2015-07-09
Filing date: 2015-07-09
Publication date: 2017-01-26
Anticipated expiration: 2035-07-09
Also published as: JP6499938B2

Abstract

【課題】
機械故障時の稼働データと過去事例の稼働データの比較によって故障原因の分類を行う。このような方法では、過去事例の稼働データ量が故障原因の分類性能を左右する。しかしながら、例えば新機種の発売開始時では、十分な量の故障時稼働データを用意する事が難しいため、故障原因分類を行う事が困難であった。
【解決手段】
本発明では、機械故障発生時の稼働データが十分用意されている分析済み機種の稼働データを、稼働データが十分存在しない未分析機種の稼働データと挙動が一致するように変換し未分析機種用の故障発生時の疑似稼働データを構築する。構築された未分析機種の故障発生時の疑似稼働データを用いて、未分析機種で発生した故障の原因を分類する。
【選択図】図１

Description

本発明は、センサ等から得られた時系列データを解析するための装置及び方法に関する。

物流を担う商用車においては、商用車の故障が業務停止に直結するため、商用車の稼働率が事業の損益を左右する。そこで、商用車の保守作業の効率化を行うことによって、稼働率を上げることが行われている。保守作業の効率化は、例えば車両故障時の稼働データから故障原因を分類する事で、保守の効率化を図ろうとしている。しかし、人手による稼動データの故障原因分類は専門家にしかできないため、保守作業に活用できるほど短時間での分類は困難である。
そのため、機械によって自動的に故障原因の分類を行う。従来では、機械故障時の稼動データを故障原因が判明している過去事例の稼動データを比較することで、故障原因の分類が行われてきた。例えば特許文献１では、波形特徴の出現時刻を故障原因毎に学習し、分類する。

また、機種毎の稼働データの差を考慮した分類方法に関する検討もおこなわれてきた。例えば特許文献２では、機種毎の特徴を考慮して分類モデルのパラメータを変更する方法が述べられている。ここで、分類モデルは故障原因を分類するモデルである。

特開平８-２２１１１３特開２０１０−２８７０１１

従来、故障原因の分類は、機械故障時の稼動データと過去事例の稼動データの比較によって行っていた。そのため、機械故障発生時の稼働データを適切に分類するためには、類似する過去事例のデータがデータベース上に存在する必要がある。よって、このような方法の課題は、過去事例の稼働データの量が故障原因の分類性能を左右するため、従来は過去事例の稼働データを十分に用意する事が必要であった。

しかしながら、機械の故障発生時の稼働データが十分存在しない場合もある。例えば、新機種の発売直後には、機械故障発生時の稼働データを十分用意する事は困難である。新機種では設計や制御ロジックが異なるために、従来の類似機種とは異なる稼働データの挙動を示すことがある。そのため、新機種の故障発生時の稼働データが十分取得できるまで、新機種の故障原因分類を行うことができない。

特許文献1では、新機種等のデータが存在しない点が考慮されていない。また、特許文献２では、機種毎の特徴を考慮して分類モデルのパラメータを変更する方法が述べられているが、機種毎の特徴が得られない場合については考慮されていない。

よって従来の方法では、機種毎の特徴が得られない場合に新機種の分類モデルを生成することができない。

本発明は、機械の稼働データを分類する装置であって、過去事例が蓄積されている第１の機種の過去事例を入力する第１の入力部と、前記第１の機種の過去事例の稼働データを変換関数によって変換するデータ変換部と、過去事例が蓄積されていない第２の機種の稼働データを分類するために前記データ変換部で変換された稼働データの学習を行う学習部と、前記学習部の学習結果によって第２の機種の稼働データを分類する分類部と、を有することを特徴とする稼働データ分類装置。

本発明によれば、機械の故障発生時の稼働データが得られない場合であっても、故障原因分類を行うことが可能となる。

本実施例のシステムを示した図である。原因分類サーバの構成を示した図である。正常事例データベースの構成を示した図である。稼働データの説明を示した図である。機種による稼働データの差を示した図である。未分析機種で分類できない稼働データを示した図である。クラスタリングのイメージを示した図である。変換関数算出部で行う処理のイメージを示した図である。変換関数算出部の構成を示した図である。変換関数算出部の処理フローを示した図である。変換関数パラメータ記憶部の構成を示した図である。故障事例データベースの構成を示した図である。データ変換部の処理フローを示した図である。表示部の構成を示した図である。表示部の画面例を示した図である。分類結果表示部の構成を示した図である。

以下、図面を用いて本発明の実施例について説明する。

図１は本実施例のシステムを説明する図である。本実施例のシステムは、車両１０１、通信拠点１０２、原因分類サーバ１０３、保守拠点１０５を含み、分析者１０４は原因分類サーバ１０３を操作する。なお、本実施例においては、原因分類サーバ１０３は故障原因情報に基づいて機械の稼働データを分類する方法について記載しているが、保守情報に基づいて稼働データを分類する方法であっても同様の方法を実現できる。

車両１０１の内部には多数のセンサが内蔵されている。故障時にセンサが検出した稼働データは車両１０１から通信拠点１０２を経由して原因分類サーバ１０３によって受信される。ここで、稼働データとは、車両１０１に内蔵されているセンサが検出したセンサデータである。

原因分類サーバ１０３は、受信した稼働データの故障の原因分類を行い、分類結果を保守拠点１０５に送信する。原因分類のための設定は分析者１０４によってあらかじめ行われている。保守拠点１０５は送信されてきた故障の原因分類情報を用いて、効率的な保守作業を行う。車両１０１、通信拠点１０２、原因分類サーバ１０３、保守拠点１０５、分析者１０４が操作するインターフェースは規格化された高速ネットワークにより相互に通信が可能である。この高速ネットワークは有線、及び無線の少なくとも１つを含みうる。

ここで故障の原因分類は一般に教師あり学習と呼ばれる手法によって行われる。この教師あり学習は、一般に分類問題に用いられる。分類問題では入力データと出力データの組合せを学習させる。その後、入力データのみを与えた際に、出力データを予測する。本実施例における稼働データ分類装置では、入力データが車両故障時の稼働データに相当し、出力データが故障原因に相当する。教師あり学習と呼ばれる手法には、種々のアルゴリズムが存在する。例えば、サポートベクターマシンやランダムフォレストといったアルゴリズムがこれに当たる。

図２は原因分類サーバ１０３の構成を説明する図である。原因分類サーバ１０３は、未分析機種正常事例ＤＢ２０１、分析済み機種正常事例ＤＢ２０２、変換関数算出部２０３、変換関数パラメータ記憶部２０４、分析済み機種故障事例ＤＢ２０５、データ変換部２０６、未分析機種疑似故障事例ＤＢ２０７、表示部２０８、分類器学習部２０９、分類器記憶部２１０、未分析故障データ２１１、原因分類部２１２、分類結果表示部２１３によって構成される。

未分析機種正常事例ＤＢ２０１には、未分析機種の正常時の稼動データが格納されている。この正常時稼動データは、事前に分析者１０４によって格納されている。また、未分析機種とは、新機種など故障時の稼動データが十分になく、故障原因分類のための分析が完了していない機種である。また、正常時の稼動データとは、あらかじめ設定されている故障判定条件を満たしていないときの稼動データである。

分析済み機種正常事例ＤＢ２０２は、分析済み機種の正常時の稼動データが格納されている。この正常時稼動データは、未分析機種正常事例ＤＢ２０１と同様に、事前に分析者１０４によって格納されている。また、分析済み機種とは、故障時の稼動データが十分存在し、故障原因分類のための分析が完了している機種である。

変換関数算出部２０３は、未分析機種正常事例ＤＢ２０１と分析済み機種正常事例ＤＢ２０２の稼動データを比較し、分析済み機種の稼動データの挙動を未分析機種の稼動データの挙動と一致させるための変換関数を算出する。変換関数算出部２０３は前記変換関数を算出後、算出された変換関数のパラメータを変換関数パラメータ記憶部２０４に書き込む。本実施例では、未分析機種の正常時稼動データと分析済み機種の正常時稼動データの挙動を一致させる場合について記載する。しかしながら、正常時稼動データでなくとも同じ試験時の稼動データなど、機械専門家が類似の挙動が含まれると判定する稼動データを用いてもよい。変換関数算出部２０３は分析者１０４によって変換関数の算出が指示された際に実行される。

分析済み機種故障事例ＤＢ２０５には、分析済み機種の故障時の稼動データが格納されている。この故障時稼動データは、事前に分析者１０４によって格納されている。また、故障時の稼動データとは、例えばあらかじめ設定されている故障判定条件を満たした際の稼動データである。

データ変換部２０６は、変換関数パラメータ記憶部２０４に格納されている変換関数パラメータを用いて、分析済み機種故障事例ＤＢ２０５に格納されている故障時稼動データを変換し、未分析機種の擬似故障事例を生成する。データ変換部２０６は、擬似故障事例を生成後、未分析機種擬似故障事例ＤＢ２０７に書き込む。データ変換部２０６は、分析者２０６は、分析者１０４によってデータ変換が指示された際に実行される。

表示部２０８は、データ変換部２０６で変換された稼動データなどを表示する。分析者１０４は、表示部２０８を使って変換された稼動データを確認する。

分類器学習部２０９は、未分析機種疑似故障事例ＤＢ２０７に格納されている稼働データを用いて、故障原因分類を行うための分類モデルを生成する。ここで、分類モデルの生成は、サポートベクターマシンなどの教師あり学習と呼ばれる手法で行わる。また、分類モデルとは、教師あり学習の学習結果である。分類器学習部２０９は、分析者によって学習が指示されたタイミングで実行される。分類器学習部２０９によって生成された分類モデルは、分類器学習部２０９によって学習が終了した時点で分類器記憶部２１０に書き込まれる。

未分析機種故障データ２１１は、未分析機種で実際に発生した故障の稼働データである。これは、車両１０１から通信拠点１０２を経由して原因分類サーバ１０３に送信された稼働データである。

原因分類部２１２は、未分析機種故障データが入力された際に、分類器記憶部２１０から該当する機種、故障に関する分類モデルを読み込む。その後、読み込んだ分類モデルに従って故障原因分類を行う。故障原因分類が完了した後に、分類結果表示部２１３に分類結果を出力する。

このような構成によれば、故障事例などの比較的取得困難な稼働データを未分析機種について収集することなく、正常事例などの比較的取得容易な稼働データによって、分析済み機種の稼働データから未分析機種の稼働データへの変換関数を算出し、分析済み機種の比較的取得困難な稼働データを変換し、未分析機種の学習用稼働データとすることで、未分析機種の比較的取得困難な稼働データを分類する事ができる。

また本実施例では、故障原因分類について記載するが、同様の方法によって異常予兆検知の場合にも精度を向上することが可能である。異常予兆検知の精度向上のためには、十分な正常時稼働データを事前に収集する必要がある。しかし、例えば温度などの季節変動するデータは、運用開始時に十分収集することは困難である。そのような場合には、例えば夏場の稼働データで変換関数を算出し、分析済み機種の冬場の稼働データを変換し学習する事で、季節変動や入手困難な事例の稼働データも精度よく正常、異常の分類をおこなうことが可能となる。

図３に正常事例ＤＢの構成を示す。ここで、正常事例ＤＢとは未分析機種正常事例ＤＢ２０１及び分析済み機種正常事例ＤＢ２０２を示す。機種層３０１には、正常事例が格納されている機種の情報が格納されている。稼働データ層３０２には、正常時の稼働データが格納されている。稼働データ１、稼働データ２はそれぞれ異なる時刻のデータである。正常事例ＤＢの構成は、未分析機種正常事例ＤＢ２０１と分析済み機種正常事例ＤＢ２０２に適用される。

図４に稼働データの説明を示す。時間列４０１は故障が発生した際の時間情報が記憶されている。アクセル列４０２、エンジン回転数列４０３など、車両に関するセンサデータが時間と同期して格納されている。原因分類サーバ１０３は、故障原因と稼働データの情報を組み合わせて学習し、故障発生時の稼働データ２１１の原因を分類する。

図５は機種による稼働データの差を示した図である。ここではあるセンサ１、センサ２による平面を示している。センサ１、センサ２とは例えばアクセルやエンジン回転数などであり、車両１０１に内蔵されているセンサである。また、センサ１、及びセンサ２は機械の専門家が類似の挙動を示すと判定するセンサである。データ点５０１ａは機種Ｍ１のある稼働データを示す。データ点５０２ｂは機種Ｍ２のある稼働データを示す。機種Ｍ１は十分に稼働データが集まっている分析済み機種であり、機種Ｍ２は新機種であるなどの理由で十分稼働データが集まっていない未分析機種である。

図５に示すように、機種Ｍ１の稼働データと機種Ｍ２の稼働データでは、データが存在する領域が異なる。これは、機械の設計、制御が変更されたことや、稼働データの蓄積量の大小によるものである。

図６は未分析機種で分類できない稼働データを示した図である。図６は図５と同様に、あるセンサ１、センサ２による平面を示している。データ点６０１ａ、６０１ｂはそれぞれ機種Ｍ１、機種Ｍ２のある稼働データを示している。領域６０２ａ、６０２ｂは機種Ｍ１、機種Ｍ２で類似の稼働データの取る領域である。

十分稼働データが蓄積されている機種Ｍ１の領域６０２ａにはデータ点が含まれるが、稼働データが十分ない機種Ｍ２の領域６０２ｂにはデータ点が含まれていない。このような領域が故障の特徴である場合には、機種Ｍ２では正しく故障原因分類ができない。これは教師あり学習による故障原因分類では類似のデータ点の故障原因に分類するが、領域６０２ｂのように類似のデータ点が存在しない場合には分類を行うことができないためである。領域６０３ａ、６０３ｂも領域６０２ａ、６０２ｂと同様に機種Ｍ２ではデータ点が含まれないため、正しく分類できない可能性がある例である。

反対に領域６０４ａ、６０４ｂは機種Ｍ１のデータ点は含まれるが、機種Ｍ２のデータ点は含まれない。これは、設計や制御の変更により、機種Ｍ２が機種Ｍ１より広いデータ範囲で使用される場合に起こる。このような事象は新機種で例えば高圧や高電流、高温を扱う場合に起こる。領域６０４ａ、６０４ｂのような領域がない場合、つまり機種Ｍ１と機種Ｍ２でほぼ同等の範囲で機械が稼働する場合には、機種Ｍ１で学習した分類モデルを活用して機種Ｍ２の故障事例を分類することも可能である。

しかし、領域６０４ａ、６０４ｂのような領域がある場合には、機種Ｍ２の故障事例を機種Ｍ１の分類モデルで正しく分類できない可能性が高い。このような課題に対しては、例えば稼働データの各センサに対する最大値、最小値によって補正を行う事で、機種Ｍ１と機種Ｍ２の稼働範囲を共通化させることも可能である。

しかし、実際の稼働データには外れ値６０５ａ、６０５ｂのようなデータが存在する事が多い。このような外れ値が存在する場合には、各センサの最大値、最小値による補正はむしろ悪影響となる。これは、各センサの最大値、最小値は外れ値の影響を受けやすいためである。本発明では、このような外れ値の影響を受けづらく、機種毎の稼働データの範囲の違いを吸収するための方法を与える。

図７はクラスタリングのイメージを示した図である。ここでは、図５で示した稼働データに対してクラスタリングを行った結果を示している。ここでクラスタリングとは、クラスタ解析、クラスタ分析とも呼ばれる手法であり、データ集合を部分集合に切り分けるための手法である。クラスタリングには例えば、ｋ−ｍｅａｎｓ法やｍｅａｎｓｈｉｆｔといった手法がある。

クラスタ中心７０１ａ、７０１ｂはそれぞれ機種Ｍ１、機種Ｍ２に対してクラスタリングを行った際のクラスタ中心を示している。クラスタリングは、周辺のデータ点を代表するクラスタ中心を１つ以上決定する手法であるため、外れ値の影響を受けづらい。本発明では、このクラスタリングを活用することで外れ値に対して頑強な方法を与える。

また、本報告では以後クラスタリングによって得られるクラスタ中心を用いて説明を行うが、ベクトル量子化におけるコードブックといった量子化手法によって得られる点や自己組織化マップで得られる値を、クラスタ中心の代わりにしてもよい。

図８は変換関数算出部２０３で行う処理のイメージを示した図である。クラスタ中心８０１は機種Ｍ１のクラスタ中心である。これは図７での機種Ｍ１のクラスタ中心７０１ａに対して、機種Ｍ２のクラスタ中心とデータの範囲が一致するように補正をかけたものである。

クラスタ中心８０２は、機種Ｍ２のクラスタ中心である。これは図７での機種Ｍ２のクラスタ中心７０１ｂと同じものである。変換点８０３、８０４は、変換関数算出に用いる変換点を示す。これは機種Ｍ１と機種Ｍ２で近い距離にあるクラスタ中心を同じ特徴を表すクラスタとする。同じ特徴を表すクラスタ中心の内距離が大きくなるものを抽出する。この変換点８０３、８０４の破線枠内の機種Ｍ１、機種Ｍ２のクラスタ中心が一致するように変換関数を算出する。

このように変換関数算出部２０３では、未分析機種の稼働データと分析済み機種の稼働データをクラスタリングし、２機種のクラスタ中心の稼働範囲を一致させ、更に２機種間で近いクラスタ中心で、機種内では大きく離れるクラスタ中心の組を変換点として抽出し、変換点として抽出されたクラスタ中心が一致するような変換関数を算出する。クラスタ中心は外れ値の影響を受けづらく、稼働データの特徴を反映するため、本発明によれば外れ値に対して頑強であり２機種の稼働データの特徴を一致させる変換関数を算出する事が可能となる。

また、こうして求められた変換関数によれば、分析済み機種で発生した故障時稼働データを変換し、未分析済み機種で故障が発生した際の疑似稼働データを生成する事が可能となる。この疑似稼働データを学習する事で、未分析機種には存在しない故障原因の分類が可能となる。

図９は変換関数算出部２０３の構成を示した図である。変換関数算出部２０３は動作パターン抽出部９０１ａ、９０１ｂ、抽出動作パターン９０２、未分析機種抽出動作パターンデータ９０３ａ、分析済み機種抽出動作パターンデータ９０３ｂ、クラスタリング部９０４ａ、９０４ｂ、未分析機種クラスタリング結果９０５ａ、分析済み機種クラスタリング結果９０５ｂ、機種間クラスタ関連付け部９０６、変換点決定部９０７、変換関数パラメータ算出部９０８、変換関数パラメータ書き込み部９０９によって構成される。

動作パターン抽出部９０１ａ、９０１ｂはそれぞれ未分析機種正常事例ＤＢ２０１、分析済み機種正常事例ＤＢ２０２から特定の動作パターンを示している稼働データを抽出し、未分析機種抽出動作パターンデータ９０３ａ、分析済み機種抽出動作パターンデータ９０３ｂを生成する。

ここで、抽出する特定の動作パターンは、分析者１０４によってあらかじめ抽出動作パターンテーブル９０２に記載されている。抽出動作パターンとは、対象となる機械の代表的な動作である。対象機械が車両の場合には、例えば停止状態から所定の時間で所定の速度に達するまで加速する動作であったり、所定の速度から停止する動作であったりする。また、一定の速度で運転している動作であったり、所定の速度パターンに従って運転している動作であったりする。この他にも変速時といった動作状態を切り替える動作でもよい。

変換関数算出部２０３では、変換関数を算出する前に特定の動作パターンを抽出する事で、分析済み機種の稼働データを未分析済み機種の学習用に変換した際に、類似の動作を行った際に類似の稼働データを生成する事が可能となる。

クラスタリング部９０４ａ、９０４ｂはそれぞれ未分析済み機種抽出動作パターンデータ９０３ａ、分析済み機種抽出動作パターン９０３ｂに対してクラスタリングを行い、それぞれ未分析機種クラスタリング結果９０５ａ、分析済み機種クラスタリング結果９０５ｂを生成する。

機種間クラスタ関連付け部９０６では、未分析機種クラスタリング結果９０５ａと分析済み機種クラスタリング結果９０５ｂを比較することで、未分析機種と分析済み機種で類似の挙動と考えられるクラスタを求める。機種間クラスタ関連付け部９０６は、未分析機種と分析済み機種の動作範囲の変換と未分析機種と分析済み機種のクラスタ同士の距離の計算を行う。
動作範囲の変換は、未分析機種と分析済み機種のクラスタ中心の最大値、最小値を一致させることで行う。ここでは、未分析機種の動作範囲に分析済み機種の動作範囲を一致させるように変換する。変換式は次式で表される

ここでＣはクラスタ中心の座標を表す。上添え字のａ、ｂはそれぞれ未分析機種、分析済み機種を表し、上添え字ｂｔは分析済み機種から未分析機種へ変換した後の分析済み機種のクラスタ中心であることを示す。下添え字のｉはｉ番目のクラスタ中心を表し、ｊはｊ番目のセンサを表す。ｍａｘ（Ｃｊ）は各クラスタ中心のｊ番目のセンサの最大値を表し、ｍｉｎ（Ｃｊ）は各クラスタ中心のｊ番目のセンサの最小値を表す。また数１はｉ番目のクラスタのｊ番目のセンサに関する変換式である。そのため、数１を分析済み機種のすべてのクラスタ、すべてのセンサに対して適用する。

未分析機種と分析済み機種のクラスタ同士の距離の計算は、数２で示すユークリッド距離を用いる。

数２の左辺は未分析機種クラスタリング結果のｉａ番目のクラスタ、分析済み機種クラスタリング結果のｉｂ番目のクラスタとの距離を示す。機種間クラスタ関連付け部９０６では、未分析機種クラスタリング結果のクラスタ９０５ａに対して数２で示す距離がもっとも小さくなる分析済み機種クラスタリング結果９０５ｂの動作範囲を変換した後のクラスタを求める。その後、クラスタ同士の距離が閾値以下となる未分析機種のｉａ番目のクラスタと分析済み機種のｉｂ番目のクラスタの組み合わせを、機種間で関連の高いクラスタの組み合わせとして変換点の候補とする。ここで、クラスタ同士の距離の閾値は、分析者１０４によってあらかじめ与えられている。

ここでは、分析済み機種の動作範囲を未分析機種の動作範囲と一致するように変換したが、反対に未分析機種の動作範囲を分析済み機種の動作範囲と一致するように変換してもよい。また、未分析機種と分析済み機種のクラスタ中心の各センサの最小値が０、最大値が１になるように変換してよい。

また、変換点の候補は未分析機種の各クラスタとの距離が小さい分析済み機種のクラスタを求める例を記載したが、反対に分析済み機種の各クラスタとの距離が小さい未分析機種のクラスタを求め、閾値以下の距離のクラスタの組を変換点の候補としてもよい。

変換点決定部９０７は、変換関数パラメータを算出するための変換点を決定する。変換点の決定には数３で示す指標を用いる。

変換点は関数ｆ（＊）の最大値と最小値の差を大きくするｉ１、ｉ２番目のクラスタ中心が変換点として選ばれる。関数ｆ（＊）は数４で表される。

ここでＣｊはクラスタ中心Ｃのｊ番目のセンサの値である。数４で表される関数ｆ（＊）はクラスタ中心の１番目のセンサの値と、２〜ｄ番目のセンサの値の加算または減算の組み合わせである。ここでｄはクラスタ中心の次元の数である。そのため、ｄ次元のクラスタ中心の場合には、２＊（ｄ−１）通りのｆ（＊）が存在する。

変換点決定部９０７は、２＊（ｄ−１）通り存在するｆ（＊）のすべてに対して数３の評価式を大きくする２つのクラスタｉ１、ｉ２を求め、変換点とする。ここで求められるｉ１、ｉ２は数３の評価式を最大化する組み合わせであってもよいし、数３の評価式がある閾値以上となる組み合わせの集合であってもよい。この評価式の閾値は事前に分析者１０４によって与えられる。また、数３の評価式を最大化するｆ（＊）に対してのみ変換点を決めてもよいし、複数のｆ（＊）に対して変換点を決めてもよい。本実施例では、数３の評価式を最大化させるｆ（＊）のときに数３の評価式を最大化させるクラスタ番号ｉ１、ｉ２を変換点とする。変換関数パラメータ算出部９０８では、変換点と変換関数のパラメータを決定する。変換関数パラメータを数５によって求められる。

ここでｐが変換関数パラメータである。ｇ（Ｃ，ｐ）はパラメータｐによるクラスタ中心Ｃの変換を表す。また、Ｉｔは変換点決定部９０７で決められた変換点の集合であり、ｉｐは変換点として求められた未分析機種のｉ番目のクラスタと機種間クラスタ関連付け部９０６で変換点の候補として組み合わせとなっている分析済み機種のクラスタ番号である。また、｜｜＊｜｜は＊の大きさを表す。そのため、数５は変換関数ｇ（Ｃ，ｐ）による変換後の分析済み機種のｉｐ番目のクラスタ中心と未分析機種のｉ番目のクラスタ中心の差を最小化するパラメータｐ'を変換関数のパラメータとして決定することを示している。

本実施例では、変換関数の例としてアフィン変換を採用した場合について記載する。数６にアフィン変換について示す。

ここでＴ１は線形変換行列であり、Ｔ２は平行移動ベクトルである。パラメータｐはＴ１、Ｔ２を示す。

変換関数パラメータ書き込み部９０９では、変換関数パラメータ算出部９０８で求められた変換関数のパラメータを変換関数パラメータ記憶部２０４に書き込む。

図１０に変換関数算出部２０３の処理フローを示す。

分析者１０４によって変換関数の算出が実行されたときに、ステップ１００１から処理フローが開始される。

ステップ１００２では、変換関数算出部２０３が変換関数を算出する機種を未分析機種、分析済み機種からそれぞれ１機種ずつ決定する。変換関数を算出する機種は、分析者１０４から与えられた機種をそのまま選択してもよいし、複数の機種が存在する場合には順番に１機種ずつ処理する機種を決めていく。

ステップ１００３では、動作パターン抽出部９０１ａ、９０１ｂが抽出動作パターンテーブル９０２から抽出動作パターンを読み込む。

ステップ１００４では動作パターン抽出部９０１ａがステップ１００３で読み込んだ抽出動作パターンに該当するデータを未分析機種正常事例ＤＢ２０１から抽出し、未分析機種抽出動作パターンデータ９０３ａを生成する。

ステップ１００５では動作パターン抽出部９０１ｂがステップ１００３で読み込んだ抽出動作パターンに該当するデータを分析済み機種正常事例ＤＢ２０２から抽出し、分析済み機種抽出動作パターンデータ９０３ｂを生成する。

ステップ１００６では、クラスタリング部９０４ａが未分析機種抽出動作パターンデータ９０３ａを分析し、未分析機種クラスタリング結果９０５ａを生成する。

ステップ１００７では、クラスタリング部９０４ｂが分析済み機種抽出動作パターンデータ９０３ｂを分析し、分析済み機種クラスタリング結果９０５ｂを生成する。

ステップ１００８では、機種間クラスタ関連付け部９０６が未分析機種クラスタリング結果９０５ａのクラスタに対して、最も関連の高い分析済み機種クラスタリング結果９０５ｂのクラスタを決定する。

ステップ１００９では、変換点決定部９０７が変換点を決定する。

ステップ１０１０では、変換関数パラメータ算出部９０８が変換点決定部９０７で決定された変換点に基づいて変換関数のパラメータを決定する。

ステップ１０１１では、変換関数パラメ−タ書き込み部９０９が決定された変換関数のパラメータを変換関数パラメータ記憶部に書き込む。

ステップ１０１２で、変換関数算出部２０３は処理フローを終了する。

図１１に変換関数パラメータ記憶部２０４の構成を示す。変換関数パラメータ記憶部２０４は、変換先機種階層１１０１、変換元機種階層１１０２、変換関数パラメータ階層１１０３によって構成されている。

変換先機種階層１１０１には、変換関数の変換によって稼動データが得られる機種情報が格納される。変換元機種階層１１０２には、変換関数で変換を行う稼動データの機種情報が格納される。変換関数パラメータ階層１１０３には、変換関数のパラメータ情報と変換関数算出部で求められた変換点の集合の情報が格納される。

図１２は故障事例データベースの構成を示した図である。故障事例ＤＢは、機種階層１２０１、故障種別階層１２０２、故障原因階層１２０３、稼動データ階層１２０４によって構成されている。

機種階層１２０１には、故障事例が格納されている機種の情報が格納されている。故障種別階層１２０２には、機種階層１２０１に格納されている機種情報ごとに、故障種別の情報が格納されている。故障原因階層１２０３には、故障種別階層１２０２に格納されている故障種別ごとに、故障原因の情報が格納されている。稼動データ階層１２０４には、故障原因階層１２０３に格納されている故障原因ごとに、稼動データが格納されている。

故障事例データベースの構成は、分析済み機種故障事例ＤＢ２０５と未分析機種擬似故障事例ＤＢ２０７に適用される。

図１３に、データ変換部２０６の処理フローを示す。

ステップ１３０１で、データ変換部２０６は分析者１０４からデータ変換を実行された際に処理フローを開始する。また、あらかじめ分析者１０４から与えられている日付変更時などの特定のタイミングで処理フローを開始してもよい。

ステップ１３０２で、データ変換部２０６はデータ変換を行う機種を未分析機種、分析済み機種から決定する。データ変換を行う機種は、分析者１０４によってあらかじめ与えられた機種を選択する。

ステップ１３０３で、データ変換部２０６はステップ１３０２で決定された機種に関連する変換関数パラメータを変換関数パラメータ記憶部２０４から読み込む。ここで読み込むパラメータは、変換先機種階層１１０１が未分析機種で、変換元機種階層１１０２が分析済み機種のものである。

ステップ１３０４で、データ変換部２０６は分析済み機種故障事例ＤＢ２０５からデータ変換を行う分析済み機種の故障事例を読み込む。ここで読み込む故障事例とは、故障種別、故障原因、稼動データの３種類である。

ステップ１３０５で、データ変換部２０６はステップ１３０４で読み込んだ故障事例ごとにステップ１３０３で読み込んだ変換関数パラメータを用いてデータ変換を行い擬似故障事例を生成する。ここで使用する変換関数は、変換関数算出部２０３で用いた変換関数を用いる。

ステップ１３０６で、データ変換部２０６はステップ１３０５で生成した擬似故障事例を未分析機種擬似故障事例ＤＢ２０７に書き込む。

ステップ１３０７で、データ変換部２０６は処理フローを終了する。

図１４に表示部２０８の構成を示す。表示部２０８は、選択対象表示部１４０１、分析済み機種表示部１４０２、変換関数表示部１４０３、データ表示部１４０４、変換点表示部１４０５、変換関数算出部実行部１４０６、データ変換部実行部１４０７によって構成される。

選択対象表示部１４０１は、変換関数の変換先となる機種を表示する。分析済み機種表示部１４０２は、変換関数の変換元となる機種を表示する。変換関数表示部１４０３は、変換元となる機種ごとに変換関数を表示する。データ表示部１４０４は、変換先、変換元となる機種の正常事例、故障事例と変換元機種の変換後の稼動データを表示する。表示形式は、時系列データや散布図などを選択可能である。また、１つ以上の稼動データを同時に表示できる。変換点表示部１４０５は、変換関数の変換点として選択されている変換点を表示する。変換関数算出部実行部１４０６は、分析者１０４によって選択された際に、変換関数算出部２０３を実行する。データ変換実行部１４０７は、分析者１０４によって選択された際に、データ変換部２０６を実行する。

図１５は表示部２０８の画面例を示した図である。図１５は、選択対象表示部１５０１、分析済み機種表示部１５０２、変換関数表示部１５０３、データ表示部１５０４、変換点表示部１５０５、変換関数算出部実行部１５０６、データ変換部実行部１５０７によって構成されている。

選択対象表示部１５０１は、変換関数の変換先となる機種情報を表示する。

分析済み機種表示部１５０２は、変換元となる機種と変換される稼動データ、各稼動データの故障原因、使用判定が表示される。分析者１０４は、ここで稼動データを選択することでデータ表示部１５０４に稼動データを表示できる。また、分析者１０４は表示した稼動データを確認することで、変換関数の評価や、各稼動データを変換して未分析機種へのデータ変換に使用するか、使用しないかを選択できる。

変換関数表示部１５０３は、変換元となる機種、各機種の事例がある故障原因、変換関数、使用判定が表示される。分析者１０４は、各機種に含まれる故障原因を参考にして、未分析機種にデータ変換を行った際に、未分析機種で発生しうる故障原因がすべて含まれるようにデータ変換を行う機種を決定する。また、分析者１０４は変換関数表示部１５０３に表示される各機種ごとの変換関数を直接変更することも可能である。ここで変更された変換関数のパラメータは変換関数パラメータ記憶部２０４に書き込まれる。

データ表示部１５０４は、変換先、変換元となる機種の正常事例、故障事例と変換元機種の変換後の稼動データを表示する。表示形式は、時系列データや散布図などを選択可能である。また、１つ以上の稼動データを同時に表示できる。
変換点表示部１５０５は、変換関数表示部１５０３で選択されている機種の変換点を表示する。分析者１０４は変換点表示部１０５で変換点を選択することもできる。選択された変換で変換関数算出部２０３は変換関数パラメータを算出し、変換関数パラメータ記憶部２０４に変換関数パラメータを書き込む。

変換関数算出部実行部１５０６は、分析者１０４に選択された際に、変換関数算出部２０３を実行する。

データ変換実行部１５０７は、分析者１０４に選択された際に、データ変換部２０６を実行する。

図１６は分類結果表示部２１１の構成を示した図である。分類結果表示部２１１は車両情報表示部１６０１と故障種別表示部１６０２、データ情報表示部１６０３、分類原因表示部１６０４、処置方法表示部１６０５によって構成されている。
車両情報表示部１６０１では、故障原因を分類した稼働データが発生した車両に関する情報を表示する。ここで車両に関する情報とは、車両の個体情報や走行距離、車体やエンジン等の型式などである。
故障種別表示部１６０２では故障種別を表示する。データ情報表示部１６０３は未分析機種故障データ２１１の情報を表示する。これは各センサの値の特徴や、各センサの時系列データである。分類原因表示部１６０４は、原因分類部２１２から出力された各故障原因を表示する。処置方法表示部１６０５では、あらかじめ登録されている各故障原因に対する処置方法を表示する。保守拠点１０５においては、表示された故障原因の確率とその処置方法を参考にして、効率的な保守作業を行う。以上、本発明は実施例に限定されるものではなく様々な変形例が含まれる。車両は商用車である必要はないし、本発明の思想は車両以外の船舶、航空機に例示される移動体、移動体以外の機械の保守に適用してもよい。上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

１０１・・・車両
１０２・・・通信拠点
１０３・・・原因分類サーバ
１０４・・・分析者
１０５・・・保守拠点

Claims

機械の稼働データを分類する装置であって、
過去事例が蓄積されている第１の機種の過去事例を入力する第１の入力部と、
前記第１の機種の過去事例の稼働データを変換関数によって変換するデータ変換部と、
過去事例が蓄積されていない第２の機種の稼働データを分類するために前記データ変換部で変換された稼働データの学習を行う学習部と、
前記学習部の学習結果によって第２の機種の稼働データを分類する分類部と、
を有することを特徴とする稼働データ分類装置。
請求項１記載の稼働データ分類装置において、
前記第１の機種の稼働データと前記第２の機種の稼働データを入力する第２の入力部と、
前記第２の入力部に入力された２つの機種の稼働データをクラスタリングし、２つの機種のクラスタリング結果の動作範囲を合わせ、動作範囲を合わせた２つの機種のクラスタリング結果の中から異なる機種で距離が小さいクラスタの組を変換点の候補とし、同じ機種で距離が大きいクラスタの組を変換点とし、前記変換点に含まれる第１の機種のクラスタの変換後の座標と前記変換点に含まれる第２の機種のクラスタの座標の差を小さくする前記変換関数のパラメータを求める変換関数算出部と、
を有することを特徴とする稼働データ分類装置。
請求項２記載の稼働データ分類装置において、
前記第２の入力部に入力された２つの機種の稼働データから抽出動作パターンテーブルに基づいて特定の動作パターンの稼働データを抽出し、２つの機種の前記抽出動作パターンテーブルによって抽出された稼働データをクラスタリングしクラスタリング結果を得る事を特徴とする稼働データ分類装置。
請求項３記載の稼働データ分類装置において、
前記第２の入力部に入力する稼働データは前記第１の機種の正常事例および前記第２の機種の正常事例であることを特徴とする稼働データ分類装置。
請求項４記載の稼働データ分類装置において、
前記変換関数、前記変換点、前記変換関数によって変換された第１の機種の稼働データの少なくとも１つ以上を表示する表示部を有することを特徴とする稼働データ分類装置。