JP2017157186A - 機器状態推定方法、機器状態推定装置及びデータ提供装置 - Google Patents

Abstract

【課題】精度の高い機器状態の推定を実現する。【解決手段】機器状態推定方法は、機器１０１の状態を示す機器データ１１１を蓄積する機器データ蓄積ステップ（Ｓ１０１）と、機器１０１のメンテナンスのために行われた作業記録１１２を蓄積する作業記録蓄積ステップ（Ｓ１０２）と、作業記録１１２を用いて、機器１０１の不具合又は対処内容の項目を推定する項目推定ステップ（Ｓ１０３）と、推定された項目と、機器データ１１１との関係を学習する学習ステップ（Ｓ１０４）とを含む。【選択図】図３

Description

本発明は、機器状態推定方法、機器状態推定装置及びデータ提供装置に関する。

大型空調機、冷凍及び冷蔵設備などのメンテナンスが必要な機器の管理において、当該機器の内部センサが取得した運転データなどを用いて機器の状態を推定する技術が知られている（例えば、特許文献１参照）。

特開平８−２９０２７号公報

しかしながら、このようなシステムでは、より精度の高い機器状態の推定を行えることが望まれている。

本発明は、精度の高い機器状態の推定を実現できる機器状態推定方法、機器状態推定装置又はデータ提供装置を提供することを目的とする。

上記目的を達成するために、本発明の一態様に係る機器状態推定方法は、機器の状態を示す機器データを蓄積する機器データ蓄積ステップと、前記機器のメンテナンスのために行われた作業記録を蓄積する作業記録蓄積ステップと、前記作業記録を用いて、前記機器の不具合又は対処内容の項目を推定する項目推定ステップと、推定された前記項目と、前記機器データとの関係を学習する学習ステップとを含む。

また、本発明の一態様に係るデータ提供装置は、機器の状態を示す機器データを取得し、前記機器データを取得する前に行なわれた前記機器の作業記録と機器データとを用いて、前記機器の不具合又は対処内容の項目を推定し、前記推定された項目に対して、緊急性が高いことを示すレベル又は緊急性が低いことを示すレベルを付与し、前記項目と前記レベルとを含む機器状態推定データをユーザの表示装置に提供する。

なお、これらの全般的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なＣＤ−ＲＯＭなどの記録媒体で実現されてもよく、システム、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせで実現されてもよい。

本発明は、精度の高い機器状態の推定を実現できる機器状態推定方法又は機器状態推定装置を提供できる。

実施の形態に係る機器状態推定システムの構成を示す図である。 実施の形態に係る機器状態推定装置のブロック図である。 実施の形態に係る機器状態推定装置による学習処理のフローチャートである。 実施の形態に係る機器データの一例を示す図である。 実施の形態に係る非定形記録の一例を示す図である。 実施の形態に係る機器状態推定装置による項目推定処理のフローチャートである。 実施の形態に係る単語リストの一例を示す図である。 実施の形態に係る不具合及び対処内容の項目及びレベルの例を示す図である。 実施の形態に係る不具合及び対処内容の項目及びレベルの推定処理方法の一例を示す図である。 実施の形態に係る不具合及び対処内容の項目及びレベルの推定結果の一例を示す図である。 実施の形態に係る学習処理を説明するための図である。 実施の形態に係る学習処理を説明するための図である。 実施の形態に係る学習処理を説明するための図である。 実施の形態に係る学習処理を説明するための図である。 実施の形態に係る学習処理を説明するための図である。 実施の形態に係る学習結果の一例を示す図である。 実施の形態に係る機器状態推定装置による機器状態推定処理のフローチャートである。 実施の形態に係る機器状態推定結果の通知例を示す図である。

（本発明の基礎となった知見）
大型空調機、冷凍及び冷蔵設備などの機器の管理においては、故障や性能劣化などの不具合、不都合を未然に防止し、質の良い長寿命運転を実現することが望まれている。本実施の形態では、機器の運転データのみならず、作業員等が行ったメンテナンス記録を用いて機器状態を推定することで、高精度の機器推定を実現できるシステム及び装置について説明する。さらに、本実施の形態では、予め決められた項目又はフォーマットに基づく定型のメンテナンス記録だけでなく、作業員の目視又は雑感なども含む、非定形のメンテナンス記録を用いることができるシステム及び装置について説明する。

本発明の一態様に係る機器状態推定方法は、機器の状態を示す第１機器データを蓄積する機器データ蓄積ステップと、前記機器のメンテナンスのために行われた作業記録を蓄積する作業記録蓄積ステップと、前記作業記録を用いて、前記機器の不具合又は対処内容の項目を推定する第１項目推定ステップと、推定された前記項目と、前記第１機器データとの関係を学習する学習ステップとを含む。

これによれば、作業記録から推定した不具合及び対処内容の項目と、機器データとの関係が自動的に学習される。これにより、予め初期設定したそれらの対応関係の精度が低い場合であっても、この対応関係の精度を高くできる。さらに、本結果に基づき作業員のノウハウを抽出したデータベースを作成することが可能である。これにより、精度の高い機器状態の推定と適切な対処内容の特定が実現できる。

例えば、前記第１項目推定ステップでは、さらに、前記作業記録を用いて、推定された前記項目の種類だけではなく状態のレベルを推定し、前記学習ステップでは、推定された前記項目及び前記レベルの組と、前記第１機器データとの関係を学習してもよい。

これによれば、不具合及び対処内容をレベル毎に機器データを対応付けることができる。よって、より詳細な学習が可能となるので、より精度の高い機器状態の推定を実現できる。

例えば、前記作業記録は、自由記述の作業記録であり、前記第１項目推定ステップでは、テキストマイニングを用いて前記作業記録から前記項目を推定してもよい。

これによれば、定型の作業記録に限らず、非定型の作業記録を用いて学習を行うことができる。これにより、事前の作業記録の項目やフォーマットの準備なく、かつ、作業員の自由な入力を得ることが出来るため、より多くの情報を用いて学習を行うことができる。

例えば、前記第１機器データは、前記機器の特性の測定値、又は前記機器の設定値を示し、前記学習ステップでは、前記測定値或いは前記設定値、又は、前記測定値或いは前記設定値から予め定められた演算式により求められる指標が予め定められた範囲であるという条件と、前記項目との関係を学習してもよい。

例えば、前記第１機器データは、前記機器の特性の測定値、又は前記機器の設定値の時間変化を示し、前記学習ステップでは、前記測定値又は設定値の時間変化のパターンと、前記項目との関係を学習してもよい。

例えば、前記作業記録は、自由記述の作業記録であり、前記第１項目推定ステップは、前記作業記録から複数の単語を抽出するステップと、前記複数の単語と、予め定められた複数の単語リストとの一致度を判定し、前記一致度が閾値より高い単語リストに対応付けられている前記項目を、前記機器の不具合又は対処内容の項目と推定するステップと、前記複数の単語が前記複数の単語リストと一致せず、かつ、前記一致度が前記閾値より高い場合、前記複数の単語を新たな単語リストとして登録するステップとを含んでもよい。

これによれば、予め登録された単語リスト以外の単語群が抽出された場合には、当該単語群を新たに登録できる。これにより、単語リストを自動的に拡張及び最適化できる。

例えば、前記機器状態推定方法は、さらに、前記機器の状態を示す第２機器データを取得する機器データ取得ステップと、前記学習ステップの学習結果と前記第２機器データとに基づいて前記機器の不具合又は対処内容の項目を推定する第２項目推定ステップと、前記推定された項目をユーザの表示装置に出力する出力ステップとを含む。

これによれば、学習結果に基づき、機器の不具合又は対処内容の項目を推定し、推定結果を出力できる。

また、本発明の一態様に係る機器状態推定装置は、機器の状態を示す機器データを蓄積する機器データ蓄積部と、前記機器のメンテナンスのために行われた作業記録を蓄積する作業記録蓄積部と、前記作業記録を用いて、前記機器の不具合又は対処内容の項目を推定する項目推定部と、推定された前記項目と、前記機器データとの関係を学習する学習部とを備える。

これによれば、作業記録から推定した不具合及び対処内容の項目と、機器データとの関係が自動的に学習される。これにより、予め設定した対応関係の精度が低い場合であっても、この対応関係の精度を高くできる。さらに、作業員のノウハウを抽出し、データベース化することが可能である。これにより、精度の高い機器状態の推定を実現できる。

また、これは各事象単位の精度だけでなく、時間経過に伴う時系列の変化にも追従することが可能となる。

また、本発明の一態様に係るデータ提供装置は、機器の状態を示す機器データを取得し、前記機器データを取得する前に行なわれた前記機器の作業記録と機器データとを用いて、前記機器の不具合又は対処内容の項目を推定し、前記推定された項目に対して、緊急性が高いことを示すレベル又は緊急性が低いことを示すレベルを付与し、前記項目と前記レベルとを含む機器状態推定データをユーザの表示装置に提供する。

これによれば、過去の作業記録と機器データに基づき、機器の不具合又は対処内容の項目を推定し、推定結果を出力できる。

例えば、前記データ提供装置は、前記表示装置の種別に応じて、前記表示装置に提供すべきデータを選択してもよい。

これによれば、表示装置の種別に応じて、適切なデータ提供を実現できる。

例えば、前記データ提供装置は、前記表示装置が固定端末である場合、緊急性が高いことを示すレベルのデータ及び緊急性が低いことを示すレベルのデータを前記表示端末に提供してもよい。

これによれば、ユーザは、緊急性の高低に関わらず、全ての状況を把握できる。

前記データ提供装置は、前記表示装置が携帯端末である場合、緊急性が高いことを示すレベルのデータ及び緊急性が低いことを示すデータのうち、緊急性が高いことを示すレベルのデータのみを前記表示端末に提供してもよい。

これによれば、管理センター等の外にいるユーザの煩わしさを軽減できる。この場合、ユーザは、緊急性の低い項目を管理センター等に行ってから確認すればよい。

なお、これらの包括的または具体的な態様は、システム、方法、集積回路、コンピュータプログラムまたはコンピュータ読み取り可能なＣＤ−ＲＯＭなどの記録媒体で実現されてもよく、システム、方法、集積回路、コンピュータプログラム及び記録媒体の任意な組み合わせで実現されてもよい。

以下、実施の形態について、図面を参照しながら具体的に説明する。

なお、以下で説明する実施の形態は、いずれも本発明の一具体例を示すものである。以下の実施の形態で示される数値、形状、材料、構成要素、構成要素の配置位置及び接続形態、ステップ、ステップの順序などは、一例であり、本発明を限定する主旨ではない。また、以下の実施の形態における構成要素のうち、最上位概念を示す独立請求項に記載されていない構成要素については、任意の構成要素として説明される。

（実施の形態１）
本実施の形態に係る機器状態推定装置は、機器の設定値、各部位の温度又は圧力などセンサにより検知された測定値、警報、機器の稼働時間、又は起動回数などの積算値など、機器の状態に関係する機器データと、作業員等が行ったメンテナンス記録等である作業記録との対応関係を学習する。これにより、当該機器状態推定装置は、精度の高い機器状態の推定を実現できる。

まず、本実施の形態に係る機器状態推定システム１００の構成を説明する。図１は、本実施の形態に係る機器状態推定システム１００の構成を示す図である。

図１に示すように、機器状態推定システム１００は、例えば、大型空調機である機器１０１と、機器１０１の状態を推定する機器状態推定装置１０２と、機器１０１のメンテナンスを行うメンテナンスサービス１０３とを含む。なお、機器１０１は大型空調機に限定されるものではなく、任意の機器でよい。例えば、メンテナンスが必要な冷凍或いは冷蔵設備、ビル内の設備機器、工場における製造機器、又は産業機器にも適用される。

また、メンテナンスサービス１０３は、カスタマーサポート部門のサービスだけでなく、機器を開発する設計部門や、利用者に応対する営業部門のサービスである場合もある。

機器状態推定装置１０２は、例えば、機器１０１及びメンテナンスサービス１０３とネットワークを介して接続されているサーバである。本サーバは、クラウドサーバ形態や、オンプレミス型のサーバなど、そのシステムアーキテクチャには限定されない。この機器状態推定装置１０２は、機器１０１から機器データ１１１を取得する。機器データ１１１は、機器の状態を示し、例えば、機器１０１の設定値、及び、機器１０１に設置されているセンサにより検知された機器の特性の測定値等を含む。また、機器状態推定装置１０２は、メンテナンスサービス１０３から作業記録１１２を取得する。作業記録１１２は、機器１０１のメンテナンスのために行われた作業記録であり、例えば、メンテナンスサービス１０３の作業員が行った、修理、一般整備、清掃などの機器１０１をメンテナンスするうえで行った作業及び目視の記録である。

機器状態推定装置１０２は、作業記録１１２に基づき不具合及び対処内容の項目及びレベルを推定し、推定結果と機器データ１１１とを対応付けることで、不具合及び対処内容の項目及びレベルと機器データ１１１との関係を学習（機械学習）し、関係づける。また、機器状態推定装置１０２は、学習結果を用いて、機器データ１１１から機器状態を推定し、推定結果１１３をメンテナンスサービス１０３に出力する。

以下、機器状態推定装置１０２の構成の詳細を説明する。図２は、機器状態推定装置１０２のブロック図である。図２に示すように、機器状態推定装置１０２は、機器データ蓄積部１２１と、作業記録蓄積部１２２と、項目推定部１２３と、学習部１２４と、学習結果蓄積部１２５と、状態推定部１２６とを備える。

機器データ蓄積部１２１は、機器１０１から機器データ１１１を順次取得し、取得した機器データ１１１を機器データ１３１として蓄積する。

作業記録蓄積部１２２は、メンテナンスサービス１０３から作業記録１１２を順次取得し、取得した作業記録１１２を蓄積する。ここで作業記録１１２には定型記録及び非定型記録が含まれ、それぞれ定型記録１３２及び非定型記録１３３として蓄積される。ここで、定型記録とは、予め項目が設定されている情報である。また、非定型記録とは自由記述の作業日誌等のフォーマットが統一されていない非定型の情報である。

項目推定部１２３は、定型記録１３２及び非定型記録１３３を用いて、不具合及び対処内容の項目及びレベルを推定する。

学習部１２４は、項目推定部１２３で推定された不具合及び対処内容の項目及びレベルと、機器データ１３１とを対応付けることで、不具合及び対処内容の項目及びレベルと機器データ１３１との関係を学習する。

学習結果蓄積部１２５は、学習部１２４による学習結果１３４を蓄積する。

状態推定部１２６は、学習結果１３４を用いて、機器データ１１１又は１３１から機器１０１の状態を推定し、推定結果１１３を出力する。

以下、機器状態推定装置１０２による、不具合及び対処内容の項目及びレベルと機器データ１３１との関係を学習する学習動作について説明する。図３は、機器状態推定装置１０２による学習動作のフローチャートである。

まず、機器データ蓄積部１２１は、機器１０１から機器データ１１１を順次取得し、取得した機器データ１１１を機器データ１３１として蓄積する（Ｓ１０１）。図４は、機器データ１３１の一例を示す図である。

図４に示すように、機器データ１３１は、時刻情報１４１と、検知データ１４２とを含む。時刻情報１４１は、検知データ１４２が検知された時刻を示す。検知データ１４２は、機器１０１の設定値又は機器１０１が備えるセンサにより検知された測定値である。つまり、機器データ１３１は、機器１０１の特性の測定値、又は機器１０１の設定値の時間変化を示す。なお、図４に示す検知データ１４２の項目は吸収式冷凍機で計測されるセンサ値の一例である。検知データ１４２の項目はこれに限定されず、任意の項目を含んでよい。機器が高性能の場合、前記設定値や測定値に対して所定の演算を施した結果を検知データ１４２とする場合もある。また、図４に示すように検知データ１４２は、機器１０１の状態（正常又は異常、及び、異常項目）を直接示す情報を含んでもよい。

次に、作業記録蓄積部１２２は、メンテナンスサービス１０３から作業記録１１２を順次取得し、取得した作業記録１１２を定型記録１３２及び非定型記録１３３として蓄積する（Ｓ１０２）。非定型記録１３３は、例えば、図５に示すように、自然言語で記載された文字データである。なお、非定型記録１３３は、音声又は画像データであってもよい。この場合、音声認識又は画像認識により、音声又は画像データが文字データ又は数値データに変換される。例えば、非定型記録１３３は、環境（天気、温度）、訪問理由、利用者のコメント、作業員による確認内容及び所見、作業員の実施内容、実施後の状況及び所見、並びに、引き継ぎ事項等を、日誌のような形態による自然言語で記載したものである。なお、非定型記録１３３には、一部項目が定型化されているような形態も含まれる。例えば、図５に示すように、非定型記録１３３には、対処時刻を示す情報が含まれてもよい。

また、定型記録１３２は、日時、設置場所、運転時間、設定値、測定データ、及び定型の対処項目等を示す。なお、これらの項目の少なくとも一部が非定型記録１３３に示されてもよい。

次に、項目推定部１２３は、定型記録１３２及び非定型記録１３３を用いて、不具合とその対処内容の項目、及び不具合と対処内容のレベルを推定する（Ｓ１０３）。なお、以下では、不具合及び対処内容の項目及びレベルを推定する例を説明するが、レベルは必ず推定されてなくてもよい。また、不具合及び対処内容の一方のみが推定されてもよい。また、不具合のレベルとは、不具合によって生じる被害の大きさ等の度合い（程度）を示し、対処内容のレベルとは、対象内容の優先度又は緊急度（程度）を示す。それらを程度で示す場合は、言語表記で、「かなり」「少々」といった場合もある。

図６は、項目推定部１２３による非定型記録１３３を用いた不具合及び対処内容の項目及びレベルの推定処理のフローチャートである。

まず、項目推定部１２３は、非定型記録１３３を取得する（Ｓ１１１）。次に、項目推定部１２３は、入力された文字列を形態素分析することで単語に分割する（Ｓ１１２）。
これにより、非定型記録１３３から複数の単語が抽出される。また、項目推定部１２３は、必要に応じて、類似探索に不要な単語を削除する前処理を行う。

次に、項目推定部１２３は、前処理後の単語に対して発生語の類似・相関探索を行う。そして、項目推定部１２３は、前記探索結果である数値結果に基づき、閾値内の単語の単純リストもしくは相関リスト、及びその組み合わせを作成する。次に、項目推定部１２３は、類似探索により得られた単語リストと、事前に不具合の項目及びレベルの組み合わせごとに生成された単語リストとを比較し、同じ又は一致度が高い（一致度が閾値以上である）単語リストの項目を、不具合の項目及びレベルとして推定する。また、項目推定部１２３は、同様の手法により、対処内容の項目及びレベルを推定する（Ｓ１１４）。つまり、項目推定部１２３は、非定型記録１３３から抽出された複数の単語と、予め定められた複数の単語リストとの一致度を判定し、一致度が閾値より高い単語リストに対応付けられている不具合又は対処内容の項目を、機器１０１の不具合又は対処内容の項目と推定する。

図７は、単語リストの一例を示す図である。図７に示すように、単語リストにおいて、各項目に対して１以上の単語が登録されている。項目推定部１２３は、非定型記録１３３から抽出された複数の単語が含まれる項目、又はより多く含まれる項目を、機器１０１の不具合又は対処内容の項目と推定する。

例えば図７の単語リストを用いて非定型記録１３３から抽出された単語の中に「冷却」という言葉が所定の数以上含まれている場合には、機器１０１において冷却水異常が発生したと推定される。

また、項目推定部１２３は、類似探索により得られた単語リストが登録済みの単語リストと一致せず、かつ、一致度が閾値以上の場合には（Ｓ１１５でＹｅｓ）、類似探索により得られた単語リストを新たな単語リストして登録してもよい（Ｓ１１６）。例えば、図７に示す「単語」の欄に新たな単語が登録される。これにより、新たな単語リストが学習される。なお、項目推定部１２３は、上記一致度の閾値を学習してもよい。

図８は、大型空調で発生する不具合と対処内容の項目、及び不具合と対象内容のレベルを推定するために利用される単語リストの一例を示す図である。例えば、図８では、大型空調機の不具合の項目例として、「冷却水異常」、「冷水異常」、「真空異常」、「オイル異常」等が登録されている。不具合のレベルは、重篤な不具合と、軽微な不具合とを含む。重篤な不具合であると判断する単語として「即日対応」、「応急対応」が、軽微な不具合であると判断する単語として「様子見」、「再現せず」等が登録されている。また、対処内容の項目としては、「測定」、「目視（触視）」、「設定値調整」、「部品交換」、「ユニット交換」等が登録されている。また、対処内容の優先度又は緊急度などのレベルを推定する項目として緊急性の高い例と、緊急性の低い例とを含む。緊急性の高い例として「即日対応」、「応急対応（後日交換）」、また緊急性の低いものとして「簡易（測定、目視）」、「基本設定」、「様子見」、「再現せず」等が示されている。各項目に対して、その主たる内容、補足内容が定型もしくは自由記述される場合もある。

また、上記推定処理の具体的な方法として、テキストマイニング処理を用いることができる。図９は、このテキストマイニング処理を説明するための図である。なお、図９は、不具合項目を推定する場合の例を示す。

項目推定部１２３は、自由記述の作業記録である非定型記録１３３から、キーワードの出現頻度と語彙間の結びつき度を用いるテキストマイニング手法を用いて、項目を推定する。例えば、項目推定部１２３は、Ｊａｃａｒｄ係数等の数値化指標を用いて共起ネットワークを生成する。項目推定部１２３は、生成した共起ネットワークを用いて結びつきの強い語彙セットを抽出する。次に、項目推定部１２３は、抽出された語彙セットがどの不具合の分野（冷却水系、冷水系等）に属するかを判定することで、不具合の項目（冷却水、冷水等）を判定する。つまり、項目推定部１２３は、抽出された語彙セットと、事前に作成された辞書との類似度マッチング処理を行うことで、不具合の項目を推定する。なお、同様の手法により、対処内容の項目、及び各項目のレベルを推定できる。

図１０は、機器１０１から送信された機器データ１３１（図４）とメンテサービス１０３が登録した作業記録（図５の非定型記録１３３）から推定された推定結果の一例を示す図である。図１０に示すように、非定型記録１３３から図８に示した不具合の項目１５２、不具合のレベル１５３、対処内容の項目１５４及び対処内容のレベル１５５が推定され、図１０の関係が推定される。

また、時刻情報１５１が推定される。なお、時刻情報１５１は、非定型記録１３３から推定されてもよいし、定型記録１３２から抽出されてもよい。例えば、時刻情報１５１は、不具合が検知された時刻である検知時刻と、不具合に対する対処が行われた時刻である対処時刻とを含む。なお、時刻情報１５１は、検知時刻及び対処時刻の一方のみを示してもよい。

再度、図３のフローチャートを用いて説明を行う。ステップＳ１０３の後、学習部１２４は、項目推定部１２３で推定された不具合及び対処内容の項目及びレベルと、機器データ１３１とを対応付けることで、不具合及び対処内容の項目及びレベルと機器データ１３１との関係を学習する（Ｓ１０４）。具体的には、学習部１２４は、推定された項目及びレベルの組と、機器データ１３１との関係を学習する。

図１１〜図１５は、推定結果と、機器データ１３１との対応付け処理を説明するための図である。

まず、学習部１２４は、機器データ蓄積部１２１に蓄積されている機器データ１３１のうち、推定結果に含まれる時刻情報１５１で示される時刻Ｔ１以降の検知データ１４２を取得する。次に、学習部１２４は、取得した検知データ１４２に含まれる複数のデータのうち、一以上が特定の条件を満たすかを判定する。例えば、図１１に示すように、学習部１２４は、条件として、例えば不具合として冷却水異常を検知した時の検知データＡの値を閾値ＴＨＡと仮設定し、冷却水異常の対処後に検知データＡが閾値ＴＨ_Ａよりも値が小さくなるかどうかを判定する。学習部１２４は、冷却水異常の対処を行うことで検知データＡが閾値ＴＨ_Ａよりも小さくなる場合には、検知データＡは冷却水異常に関係する検知データであると判断し、閾値ＴＨ_Ａを冷却水異常の判定条件として採用する。さらに、判定条件と推定結果（図１０）とを対応付けることで、図１６に示す学習結果１３４が生成される。つまり、検知データＡが閾値ＴＨ_Ａを超えた場合の不具合の項目１５２、不具合のレベル１５３、対処内容の項目１５４及び対処内容のレベル１５５が学習される。なお、冷却水異常を対処しても検知データＡが閾値ＴＨ_Ａより低くならなければ、検知データＡは不具合Ａに関係しないデータとして判断し、学習は行わない。

なお、上記条件は、検知データＡに含まれる所定の項目のデータの最大値、最小値、又は平均値が、閾値以上、閾値以下、又は予め定められた範囲内であるかであってもよい。

また、図１２に示すように、学習部１２４は、上記条件として、検知データ１４２に含まれる所定の項目のデータが、予め定められた基準パターン１４３に一致（類似）するかを判定してもよい。つまり、学習部１２４は、機器データ１３１で示される測定値又は設定値の時間変化のパターンと、不具合及び対処内容の項目との関係を学習してもよい。

また、検知データ１４２に含まれる一つの項目のデータに対して判定処理が行われるのではなく、複数の項目のデータに対して判定処理が行われてもよいし、複数の項目のデータから演算される１以上の指標に対して判定処理が行われてもよい。例えば、この指標として特許文献１に記載の異常度が用いられてもよい。また、指標として機器１０１又は機器１０１の部品の劣化の度合いを示す劣化度等が用いられてもよい。

また、図１３に示すように２つの指標で示される点が判定基準を境とした領域Ａ及び領域Ｂのいずれに含まれるかが判定されてもよい。なお、図１４に示すように非線形な判定基準が用いられてもよいし、図１５に示すように、３つの指標で示される点がどの領域に含まれるかが判定されてもよい。

また、上記を組み合わせてもよい。つまり、時刻Ｔ１からＴ２の検知データ１４２が複数の条件のいずれに該当するかが判定される。

このように、学習部１２４は、機器データ１３１で示される測定値或いは設定値、又は、当該測定値或いは設定値から予め定められた演算式により求められる指標が予め定められた範囲であるという条件と、不具合及び対処内容の項目との関係を学習してもよい。

次に、機器状態推定装置１０２による学習結果１３４を用いた機器状態推定処理について説明する。図１７は、この機器状態推定処理のフローチャートである。

まず、状態推定部１２６は、機器データ１３１から、推定対象の期間の検知データ１４２を取得する（Ｓ１２１）。

次に、状態推定部１２６は、複数のパターン（条件）のうち、推定対象の期間の検知データ１４２が満たすパターン（条件）を判定する。なお、この処理は、上述した学習部１２４における判定処理と同様である。次に、状態推定部１２６は、学習結果１３４を用いて、判定結果に合致する項目を抽出する。具体的には、状態推定部１２６は、学習結果１３４において、判定結果であるパターンに対応付けられている不具合の項目１５２、不具合のレベル１５３、対処内容の項目１５４及び対処内容のレベル１５５を取得する（Ｓ１２２）。

最後に、状態推定部１２６は、取得した不具合の項目１５２、不具合のレベル１５３、対処内容の項目１５４及び対処内容のレベル１５５を推定結果１１３として出力する（Ｓ１２３）。

以上のように、本実施の形態に係る機器状態推定装置１０２は、作業記録１１２から、不具合及び対処内容の項目及びレベルを推定し、推定結果と、機器１０１の機器データ１３１と対応付ける。これにより、高精度の機器状態の推定と適切な対処内容の特定を実現できる。

ここで、機器１０１の動作や制御方法が複雑になるほど、発生する不具合及び対処内容の項目数は増加する。これを事前に定型化して管理しておくことは困難である。

一方で、本実施の形態の手法を用いることで、作業記録から推定した不具合及び対処内容の項目と、機器データとの関係が自動的に学習される。これにより、予め設定した対応関係の精度が低い場合であっても、この対応関係の精度を高くできる。さらに、作業員のノウハウを抽出し、データベース化することが可能である。これにより、高精度の機器状態の推定を実現できる。

また、機器状態推定装置１０２の状態推定部１２６は、図１８に示すように、学習結果を基にメンテサービス１０３に対し、不具合の項目１５２と対処内容の項目１５４、及び、不具合のレベル１５３と対象内容のレベル１５５を情報端末等に表示しても良い。これにより、利用者は煩雑な操作をすることなく機器１０１の高精度の機器状態の推定と適切な対処内容の特定を行うことができる。

また、不具合のレベル１５３と対象内容のレベル１５５の内容に応じて、情報端末等への表示の可否又はタイミングの調整を行っても良い。これにより利用者側で必要とする情報の表示を調整することが可能となる。

つまり、状態推定部１２６（データ提供装置）は、機器の状態を示す機器データ１１１を取得し、機器データ１１１を取得する前に行なわれた機器の作業記録１１２と機器データ１３１とを用いて、機器の不具合又は対処内容の項目を推定し、推定された項目に対して、緊急性が高いことを示すレベル又は緊急性が低いことを示すレベルを付与し、推定された項目とレベルとを含む機器状態推定データをユーザの表示装置に提供してもよい。

また、状態推定部１２６は、表示装置の種別に応じて、表示装置に提供すべきデータを選択してもよい。例えば、表示装置が固定端末である場合、状態推定部１２６は、緊急性が高いことを示すレベルのデータ及び緊急性が低いことを示すレベルのデータを表示端末に提供する。つまり、状態推定部１２６は、全てのレベルのデータを表示端末に提供する。

これにより、固定端末を用いるユーザは、緊急性の高低に関わらず、全ての状況を把握できる。

また、表示装置が携帯端末である場合、状態推定部１２６は、緊急性が高いことを示すレベルのデータ及び緊急性が低いことを示すデータのうち、緊急性が高いことを示すレベルのデータのみを表示端末に提供してもよい。

これにより、管理センター等の外にいるユーザの煩わしさを軽減できる。この場合、ユーザは、緊急性の低い項目を管理センター等に行ってから確認すればよい。

以上、本発明の実施の形態に係る機器状態推定装置及び機器状態推定システムについて説明したが、本発明は、この実施の形態に限定されるものではない。

例えば、上記説明では、学習処理と、学習結果を用いた機器状態の推定処理との両方が、機器状態推定装置１０２で行われているが、それぞれが個別の装置で行われてもよい。

また、上記説明では、作業記録として定型記録及び非定型記録の両方が用いられる例を説明したが、いずれか一方のみが用いられてもよい。

また、本発明は、上記機器状態推定装置により行われる複数のステップを含む機器状態推定方法として実現されてもよい。例えば、当該機器推定方法は、処理部及び記録部を備えるコンピュータにより実行される。

また、上記実施の形態に係る機器状態推定装置に含まれる各処理部は典型的には、各装置、もしくは、ネットワーク接続されたサーバのソフトウェアとして実現される。ただし、その全部や一部が、装置内の集積回路であるＬＳＩとして実現される場合もある。これらは個別に１チップ化されてもよいし、一部又は全てを含むように１チップ化されてもよい。

また、集積回路化はＬＳＩに限るものではなく、専用回路又は汎用プロセッサで実現してもよい。ＬＳＩ製造後にプログラムすることが可能なＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）、又はＬＳＩ内部の回路セルの接続や設定を再構成可能なリコンフィギュラブル・プロセッサを利用してもよい。

つまり、上記各実施の形態において、各構成要素は、専用のハードウェアで構成されるか、各構成要素に適したソフトウェアプログラムを実行することによって実現されてもよい。各構成要素は、ＣＰＵまたはプロセッサなどのプログラム実行部が、ハードディスクまたは半導体メモリなどの記録媒体に記録されたソフトウェアプログラムを読み出して実行することによって実現されてもよい。

また、ブロック図における機能ブロックの分割は一例であり、複数の機能ブロックを一つの機能ブロックとして実現したり、一つの機能ブロックを複数に分割したり、一部の機能を他の機能ブロックに移してもよい。また、類似する機能を有する複数の機能ブロックの機能を単一のハードウェア又はソフトウェアが並列又は時分割に処理してもよい。

また、上記フローチャートで示す複数のステップが実行される順序は、本発明を具体的に説明するために例示するためのものであり、上記以外の順序であってもよい。また、上記ステップの一部が、他のステップと同時（並列）に実行されてもよい。

また、本発明は、上記機器状態推定装置又は機器状態推定システムにより実行される機器状態推定方法として実現されてもよい。

以上、一つまたは複数の態様に係る機器状態推定装置について、実施の形態に基づいて説明したが、本発明は、この実施の形態に限定されるものではない。本発明の趣旨を逸脱しない限り、当業者が思いつく各種変形を本実施の形態に施したものや、異なる実施の形態における構成要素を組み合わせて構築される形態も、一つまたは複数の態様の範囲内に含まれてもよい。

本発明は、機器状態推定装置及び機器状態推定システムに適用できる。例えば、本発明は、大型空調機等の機器を管理するシステムに適用できる。

１００ 機器状態推定システム
１０１ 機器
１０２ 機器状態推定装置
１０３ メンテナンスサービス
１１１、１３１ 機器データ
１１２ 作業記録
１１３ 推定結果
１２１ 機器データ蓄積部
１２２ 作業記録蓄積部
１２３ 項目推定部
１２４ 学習部
１２５ 学習結果蓄積部
１２６ 状態推定部
１３２ 定型記録
１３３ 非定型記録
１３４ 学習結果
１４１、１５１ 時刻情報
１４２ 検知データ
１４３ 基準パターン
１５２ 不具合の項目
１５３ 不具合のレベル
１５４ 対処内容の項目
１５５ 対処内容のレベル

Claims (12)

1. 機器の状態を示す第１機器データを蓄積する機器データ蓄積ステップと、
   前記機器のメンテナンスのために行われた作業記録を蓄積する作業記録蓄積ステップと、
   前記作業記録を用いて、前記機器の不具合又は対処内容の項目を推定する第１項目推定ステップと、
   推定された前記項目と、前記第１機器データとの関係を学習する学習ステップとを含む
   機器状態推定方法。
2. 前記第１項目推定ステップでは、さらに、前記作業記録を用いて、推定された前記項目のレベルを推定し、
   前記学習ステップでは、推定された前記項目及び前記レベルの組と、前記第１機器データとの関係を学習する
   請求項１記載の機器状態推定方法。
3. 前記作業記録は、自由記述の作業記録であり、
   前記第１項目推定ステップでは、テキストマイニングを用いて前記作業記録から前記項目を推定する
   請求項１又は２記載の機器状態推定方法。
4. 前記第１機器データは、前記機器の特性の測定値、又は前記機器の設定値を示し、
   前記学習ステップでは、前記測定値或いは前記設定値、又は、前記測定値或いは前記設定値から予め定められた演算式により求められる指標が予め定められた範囲であるという条件と、前記項目との関係を学習する
   請求項１〜３のいずれか１項に記載の機器状態推定方法。
5. 前記第１機器データは、前記機器の特性の測定値、又は前記機器の設定値の時間変化を示し、
   前記学習ステップでは、前記測定値又は設定値の時間変化のパターンと、前記項目との関係を学習する
   請求項１〜３のいずれか１項に記載の機器状態推定方法。
6. 前記作業記録は、自由記述の作業記録であり、
   前記第１項目推定ステップは、
   前記作業記録から複数の単語を抽出するステップと、
   前記複数の単語と、予め定められた複数の単語リストとの一致度を判定し、前記一致度が閾値より高い単語リストに対応付けられている前記項目を、前記機器の不具合又は対処内容の項目と推定するステップと、
   前記複数の単語が前記複数の単語リストと一致せず、かつ、前記一致度が前記閾値より
   高い場合、前記複数の単語を新たな単語リストとして登録するステップとを含む
   請求項１記載の機器状態推定方法。
7. 前記機器状態推定方法は、さらに、
   前記機器の状態を示す第２機器データを取得する機器データ取得ステップと、
   前記学習ステップの学習結果と前記第２機器データとに基づいて前記機器の不具合又は対処内容の項目を推定する第２項目推定ステップと、
   前記推定された項目をユーザの表示装置に出力する出力ステップとを含む
   請求項１記載の機器状態推定方法。
8. 機器の状態を示す機器データを蓄積する機器データ蓄積部と、
   前記機器のメンテナンスのために行われた作業記録を蓄積する作業記録蓄積部と、
   前記作業記録を用いて、前記機器の不具合又は対処内容の項目を推定する項目推定部と、
   推定された前記項目と、前記機器データとの関係を学習する学習部とを備える機器状態推定装置。
9. 機器の状態を示す機器データを取得し、
   前記機器データを取得する前に行なわれた前記機器の作業記録と機器データとを用いて、前記機器の不具合又は対処内容の項目を推定し、
   前記推定された項目に対して、緊急性が高いことを示すレベル又は緊急性が低いことを示すレベルを付与し、
   前記項目と前記レベルとを含む機器状態推定データをユーザの表示装置に提供する
   データ提供装置。
10. 前記表示装置の種別に応じて、前記表示装置に提供すべきデータを選択する
    請求項９記載のデータ提供装置。
11. 前記表示装置が固定端末である場合、緊急性が高いことを示すレベルのデータ及び緊急性が低いことを示すレベルのデータを前記表示端末に提供する
    請求項１０記載のデータ提供装置。
12. 前記表示装置が携帯端末である場合、緊急性が高いことを示すレベルのデータ及び緊急性が低いことを示すデータのうち、緊急性が高いことを示すレベルのデータのみを前記表示端末に提供する
    請求項１０又は１１記載のデータ提供装置。

Images