JP2018147080A - 情報処理装置及び情報処理プログラム - Google Patents
情報処理装置及び情報処理プログラム Download PDFInfo
- Publication number
- JP2018147080A JP2018147080A JP2017039232A JP2017039232A JP2018147080A JP 2018147080 A JP2018147080 A JP 2018147080A JP 2017039232 A JP2017039232 A JP 2017039232A JP 2017039232 A JP2017039232 A JP 2017039232A JP 2018147080 A JP2018147080 A JP 2018147080A
- Authority
- JP
- Japan
- Prior art keywords
- failure
- data
- maintenance data
- repair
- maintenance
- 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.)
- Pending
Links
Images
Landscapes
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】故障予測を行い、故障箇所を特定することができるモデルを構築するための学習データを生成するようにした情報処理装置を提供する。【解決手段】情報処理装置の作成手段は、複数の機器又は設備における部品の経過日数の情報を含む保守データから修理直前の保守データを抽出し、当該修理直前の保守データ中で取り換えた部品の経過日数を０とした保守データを修理直後の保守データとして作成し、生成手段は、前記複数の機器又は設備における稼働データと保守データを用いて、機器又は設備の故障予測を行うモデルを構築するための学習データを生成する。【選択図】図１
Description
本発明は、情報処理装置及び情報処理プログラムに関する。
特許文献１には、設備の診断をより的確に行うことができることを課題とし、現象パターン抽出部は、設備の過去のセンサ信号の現象パターンを抽出し、関連情報紐付部は、センサ信号を保守履歴情報に基づいて紐付し、現象パターン分類基準作成部は、抽出された現象パターンと、現象パターンのもととなるセンサ信号を紐付けた保守履歴情報に含まれる作業キーワードとに基づいて、現象パターンを分類するための分類基準を作成し、現象パターン分類部は、分類基準に基づいて、現象パターンを分類し、診断モデル作成部は、分類された現象パターンと、作業キーワードとに基づいて、保守作業者に提示する作業キーワードを推定するための診断モデルを作成することが開示されている。
特許文献２には、全世界の作業機械を一元的に管理し、故障の原因推定及び故障予測をする管理システムを提供することを課題とし、複数の作業機械を管理する作業機械の管理システムにおいて、各作業機械には、作業機械の稼働状態を稼働データとして検出する稼働センサと、検出した稼働データを、定期的に作業機械から所定のサポートセンタに送信する稼働データ送信装置とを備え、サポートセンタには、作業機械の稼働データを記録するメインデータベースと、稼働データ送信装置から稼働データを受信してメインデータベースに記録し、この稼働データに基づいて作業機械の故障発生の有無を予測すると共に、予測結果のレポートを自動作成する演算処理部とを備えたことが開示されている。
機器又は設備の故障予測を行うモデルを構築することが行われている。その故障予測モデルを生成するためには、学習を行わせる必要がある。
基本的に、故障予測モデル１つで予測できるのは、そのモデルの対象（機器又は設備）において故障が起こるか否か、である。機器又は設備単位でモデルを生成した場合は、その機器又は設備に故障が起こるか否かを予測することはできるが、具体的な故障箇所までは特定できない。機器又は設備のうちの具体的な故障箇所を特定するためには、故障を特定したい部分（部品又はユニット）ごとに故障予測モデルを生成する必要があり、この場合、故障予測にかかる処理量が増大する。
そこで、本発明は、故障予測を行い、故障箇所を特定することができるモデルを構築するための学習データを生成するようにした情報処理装置及び情報処理プログラムを提供することを目的としている。
基本的に、故障予測モデル１つで予測できるのは、そのモデルの対象（機器又は設備）において故障が起こるか否か、である。機器又は設備単位でモデルを生成した場合は、その機器又は設備に故障が起こるか否かを予測することはできるが、具体的な故障箇所までは特定できない。機器又は設備のうちの具体的な故障箇所を特定するためには、故障を特定したい部分（部品又はユニット）ごとに故障予測モデルを生成する必要があり、この場合、故障予測にかかる処理量が増大する。
そこで、本発明は、故障予測を行い、故障箇所を特定することができるモデルを構築するための学習データを生成するようにした情報処理装置及び情報処理プログラムを提供することを目的としている。
かかる目的を達成するための本発明の要旨とするところは、次の各項の発明に存する。
請求項１の発明は、複数の機器又は設備における部品の経過日数の情報を含む保守データから修理直前の保守データを抽出し、当該修理直前の保守データ中で取り換えた部品の経過日数を０とした保守データを修理直後の保守データとして作成する作成手段と、前記複数の機器又は設備における稼働データと保守データを用いて、機器又は設備の故障予測を行うモデルを構築するための学習データを生成する生成手段とを有する情報処理装置である。
請求項１の発明は、複数の機器又は設備における部品の経過日数の情報を含む保守データから修理直前の保守データを抽出し、当該修理直前の保守データ中で取り換えた部品の経過日数を０とした保守データを修理直後の保守データとして作成する作成手段と、前記複数の機器又は設備における稼働データと保守データを用いて、機器又は設備の故障予測を行うモデルを構築するための学習データを生成する生成手段とを有する情報処理装置である。
請求項２の発明は、前記保守データは、前記複数の機器又は設備における部品について正常か異常かの状態を示す情報も含むものであり、前記作成手段は、前記修理直後の保守データについて、前記取り換えた部品は正常であるものとして作成する、請求項１に記載の情報処理装置である。
請求項３の発明は、前記作成手段は、修理を行った後、予め定められた期間に前記取り換えた部品に再び故障が発生していないことを条件として、修理直前の保守データと修理直後の保守データを作成する、請求項１に記載の情報処理装置である。
請求項４の発明は、修理を行った後、予め定められた期間に前記取り換えた部品に再び故障が発生した場合は、前記作成手段が作成した前記修理直後の保守データを削除する削除手段をさらに有する請求項１に記載の情報処理装置である。
請求項５の発明は、前記生成手段は、第１の時点から当該第１の時点よりも後の第２の時点までの第１の期間において前記機器又は設備において故障がなかった場合は、第２の時点から予め定められた第２の期間前を基準日とし、該基準日以前の第３の時点から該基準日までの第３の期間における稼働データを、正常を示す稼働データとしてモデル構築に用いる、請求項１に記載の情報処理装置である。
請求項６の発明は、前記生成手段は、保守データとして、前記基準日における保守データを、正常を示す保守データとしてモデル構築に用いる、請求項５に記載の情報処理装置である。
請求項７の発明は、請求項１から６のいずれか一項に記載の情報処理装置によって作成された学習データを用いて構築されたモデルによって、機器又は設備の故障予測を行う予測手段と、前記故障予測が故障ありとなった場合に、前記モデルに対して、複数の部品のうち第１の部品の経過日数を予め定められた数値に変更した保守データを入力して、正常との予測となった場合に、該第１の部品を故障箇所として特定する特定手段とを有する情報処理装置である。
請求項８の発明は、コンピュータを、複数の機器又は設備における部品の経過日数の情報を含む保守データから修理直前の保守データを抽出し、当該修理直前の保守データ中で取り換えた部品の経過日数を０とした保守データを修理直後の保守データとして作成する作成手段と、前記複数の機器又は設備における稼働データと保守データを用いて、機器又は設備の故障予測を行うモデルを構築するための学習データを生成する生成手段として機能させるための情報処理プログラムである。
請求項１の情報処理装置によれば、故障予測を行い、故障箇所を特定することができるモデルを構築するための学習データを生成することができる。
請求項２の情報処理装置によれば、修理直後の保守データについて、取り換えた部品は正常であるものとして扱うことができる。
請求項３の情報処理装置によれば、修理直前の保守データと修理直後の保守データを作成するのに、修理を行った後、予め定められた期間に取り換えた部品に再び故障が発生していないことを条件とすることができる。
請求項４の情報処理装置によれば、修理を行った後、予め定められた期間に取り換えた部品に再び故障が発生した場合は、作成された修理直後の保守データを削除することができる。
請求項５の情報処理装置によれば、基準日以前の第３の時点から基準日までの第３の期間における稼働データを、正常を示す稼働データとして学習モデルに用いることができる。
請求項６の情報処理装置によれば、基準日における保守データを、正常を示す保守データとして学習モデルに用いることができる。
請求項７の情報処理装置によれば、モデルを用いて故障箇所を特定することができる。
請求項８の情報処理プログラムによれば、故障予測を行い、故障箇所を特定することができるモデルを構築するための学習データを生成することができる。
以下、図面に基づき本発明を実現するにあたっての好適な一実施の形態の例を説明する。
図１は、本実施の形態の構成例についての概念的なモジュール構成図を示している。
なお、モジュールとは、一般的に論理的に分離可能なソフトウェア（コンピュータ・プログラム）、ハードウェア等の部品を指す。したがって、本実施の形態におけるモジュールはコンピュータ・プログラムにおけるモジュールのことだけでなく、ハードウェア構成におけるモジュールも指す。それゆえ、本実施の形態は、それらのモジュールとして機能させるためのコンピュータ・プログラム（コンピュータにそれぞれの手順を実行させるためのプログラム、コンピュータをそれぞれの手段として機能させるためのプログラム、コンピュータにそれぞれの機能を実現させるためのプログラム）、システム及び方法の説明をも兼ねている。ただし、説明の都合上、「記憶する」、「記憶させる」、これらと同等の文言を用いるが、これらの文言は、実施の形態がコンピュータ・プログラムの場合は、記憶装置に記憶させる、又は記憶装置に記憶させるように制御するという意味である。また、モジュールは機能に一対一に対応していてもよいが、実装においては、１モジュールを１プログラムで構成してもよいし、複数モジュールを１プログラムで構成してもよく、逆に１モジュールを複数プログラムで構成してもよい。また、複数モジュールは１コンピュータによって実行されてもよいし、分散又は並列環境におけるコンピュータによって１モジュールが複数コンピュータで実行されてもよい。なお、１つのモジュールに他のモジュールが含まれていてもよい。また、以下、「接続」とは物理的な接続の他、論理的な接続（データの授受、指示、データ間の参照関係等）の場合にも用いる。「予め定められた」とは、対象としている処理の前に定まっていることをいい、本実施の形態による処理が始まる前はもちろんのこと、本実施の形態による処理が始まった後であっても、対象としている処理の前であれば、そのときの状況・状態にしたがって、又はそれまでの状況・状態にしたがって定まることの意を含めて用いる。「予め定められた値」が複数ある場合は、それぞれ異なった値であってもよいし、２以上の値（もちろんのことながら、全ての値も含む）が同じであってもよい。また、「Ａである場合、Ｂをする」という記載は、「Ａであるか否かを判断し、Ａであると判断した場合はＢをする」の意味で用いる。ただし、Ａであるか否かの判断が不要である場合を除く。
また、システム又は装置とは、複数のコンピュータ、ハードウェア、装置等がネットワーク（一対一対応の通信接続を含む）等の通信手段で接続されて構成されるほか、１つのコンピュータ、ハードウェア、装置等によって実現される場合も含まれる。「装置」と「システム」とは、互いに同義の用語として用いる。もちろんのことながら、「システム」には、人為的な取り決めである社会的な「仕組み」（社会システム）にすぎないものは含まない。
また、各モジュールによる処理ごとに又はモジュール内で複数の処理を行う場合はその処理ごとに、対象となる情報を記憶装置から読み込み、その処理を行った後に、処理結果を記憶装置に書き出すものである。したがって、処理前の記憶装置からの読み込み、処理後の記憶装置への書き出しについては、説明を省略する場合がある。なお、ここでの記憶装置としては、ハードディスク、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、外部記憶媒体、通信回線を介した記憶装置、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）内のレジスタ等を含んでいてもよい。
図１は、本実施の形態の構成例についての概念的なモジュール構成図を示している。
なお、モジュールとは、一般的に論理的に分離可能なソフトウェア（コンピュータ・プログラム）、ハードウェア等の部品を指す。したがって、本実施の形態におけるモジュールはコンピュータ・プログラムにおけるモジュールのことだけでなく、ハードウェア構成におけるモジュールも指す。それゆえ、本実施の形態は、それらのモジュールとして機能させるためのコンピュータ・プログラム（コンピュータにそれぞれの手順を実行させるためのプログラム、コンピュータをそれぞれの手段として機能させるためのプログラム、コンピュータにそれぞれの機能を実現させるためのプログラム）、システム及び方法の説明をも兼ねている。ただし、説明の都合上、「記憶する」、「記憶させる」、これらと同等の文言を用いるが、これらの文言は、実施の形態がコンピュータ・プログラムの場合は、記憶装置に記憶させる、又は記憶装置に記憶させるように制御するという意味である。また、モジュールは機能に一対一に対応していてもよいが、実装においては、１モジュールを１プログラムで構成してもよいし、複数モジュールを１プログラムで構成してもよく、逆に１モジュールを複数プログラムで構成してもよい。また、複数モジュールは１コンピュータによって実行されてもよいし、分散又は並列環境におけるコンピュータによって１モジュールが複数コンピュータで実行されてもよい。なお、１つのモジュールに他のモジュールが含まれていてもよい。また、以下、「接続」とは物理的な接続の他、論理的な接続（データの授受、指示、データ間の参照関係等）の場合にも用いる。「予め定められた」とは、対象としている処理の前に定まっていることをいい、本実施の形態による処理が始まる前はもちろんのこと、本実施の形態による処理が始まった後であっても、対象としている処理の前であれば、そのときの状況・状態にしたがって、又はそれまでの状況・状態にしたがって定まることの意を含めて用いる。「予め定められた値」が複数ある場合は、それぞれ異なった値であってもよいし、２以上の値（もちろんのことながら、全ての値も含む）が同じであってもよい。また、「Ａである場合、Ｂをする」という記載は、「Ａであるか否かを判断し、Ａであると判断した場合はＢをする」の意味で用いる。ただし、Ａであるか否かの判断が不要である場合を除く。
また、システム又は装置とは、複数のコンピュータ、ハードウェア、装置等がネットワーク（一対一対応の通信接続を含む）等の通信手段で接続されて構成されるほか、１つのコンピュータ、ハードウェア、装置等によって実現される場合も含まれる。「装置」と「システム」とは、互いに同義の用語として用いる。もちろんのことながら、「システム」には、人為的な取り決めである社会的な「仕組み」（社会システム）にすぎないものは含まない。
また、各モジュールによる処理ごとに又はモジュール内で複数の処理を行う場合はその処理ごとに、対象となる情報を記憶装置から読み込み、その処理を行った後に、処理結果を記憶装置に書き出すものである。したがって、処理前の記憶装置からの読み込み、処理後の記憶装置への書き出しについては、説明を省略する場合がある。なお、ここでの記憶装置としては、ハードディスク、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、外部記憶媒体、通信回線を介した記憶装置、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）内のレジスタ等を含んでいてもよい。
本実施の形態である情報処理装置１００は、故障予測モデルを構築し、その故障予測モデルを用いて故障予測を行うものであって、図１の例に示すように、稼働データ記憶モジュール１１０、保守データ記憶モジュール１２０、学習データ生成モジュール１３０、故障予測モデル構築モジュール１４０、故障予測モデル蓄積モジュール１５０、予測データ生成モジュール１６０、故障予測処理モジュール１７０、故障箇所特定モジュール１８０を有している。
稼働データ記憶モジュール１１０は、学習データ生成モジュール１３０、予測データ生成モジュール１６０と接続されている。稼働データ記憶モジュール１１０は、複数の機器又は設備における稼働データを記憶している。なお、機器又は設備として、例えば、複写機、ファックス、スキャナ、プリンタ、複合機（スキャナ、プリンタ、複写機、ファックス等のいずれか２つ以上の機能を有している画像処理装置）等の事務機器、情報家電、ロボット、鉄道における改札機や券売機、銀行のＡＴＭ（Ａｕｔｏｍａｔｅｄ Ｔｅｌｌ
ｅｒ Ｍａｃｈｉｎｅ）、建物内のエレベータやエスカレータ等がある。以下では、主に、複合機を例示して説明する。
保守データ記憶モジュール１２０は、学習データ生成モジュール１３０、予測データ生成モジュール１６０と接続されている。保守データ記憶モジュール１２０は、複数の機器又は設備における保守データを記憶している。
ｅｒ Ｍａｃｈｉｎｅ）、建物内のエレベータやエスカレータ等がある。以下では、主に、複合機を例示して説明する。
保守データ記憶モジュール１２０は、学習データ生成モジュール１３０、予測データ生成モジュール１６０と接続されている。保守データ記憶モジュール１２０は、複数の機器又は設備における保守データを記憶している。
学習データ生成モジュール１３０は、稼働データ記憶モジュール１１０、保守データ記憶モジュール１２０、故障予測モデル構築モジュール１４０と接続されている。学習データ生成モジュール１３０は、稼働データ記憶モジュール１１０と保守データ記憶モジュール１２０から機器又は装置の過去におけるデータを取得する。そして、故障予測モデル構築モジュール１４０で故障予測モデルの構築に使うデータ形式に加工することで学習データを生成する。つまり、学習データ生成モジュール１３０は、複数の機器又は設備における稼働データと保守データ（具体的には、後述する「作成した保守データＡ」）を用いて、機器又は設備の故障予測を行う故障予測モデルを構築するための学習データを生成する。これによって、過去の機器又は設備の稼働状況や保守状況を正確にモデリングするためのデータを生成できる。もちろんのことながら、故障予測の対象である機器又は設備は、稼働データと保守データを取得した複数の機器又は設備に含まれていなくてもよいが、含まれている場合を排除するわけではない。
そのために、学習データ生成モジュール１３０は、複数の機器又は設備における保守データから修理直前の保守データと修理直後の保守データを作成する。そして、学習データ生成モジュール１３０は、この作成した保守データＡを用いて、機器又は設備の故障予測を行う故障予測モデルを構築するための学習データを生成する。ここで学習データ生成モジュール１３０は、修理直後の保守データとして、取り換えた部品の経過日数を０としてもよい。
つまり、学習データ生成モジュール１３０は、複数の機器又は設備における部品の経過日数の情報を含む保守データから修理直前の保守データを抽出し、その修理直前の保守データ中で取り換えた部品の経過日数を０とした保守データを修理直後の保守データ（保守データＡ）として作成する。なお、ここでの経過日数は、「最後に部品が交換された時点を始点とし、データの記録した時点を終点とした日数」である。
ここでの保守データは、複数の機器又は設備における部品について正常か異常かの状態を示す情報も含むものである。
また、学習データ生成モジュール１３０は、修理直後の保守データについて、取り換えた部品は正常であるものとして作成するようにしてもよい。つまり、修理直後の保守データでは、部品の状態も異常（故障）から正常に変更している。
また、学習データ生成モジュール１３０は、修理を行った後、予め定められた期間に前記取り換えた部品に再び故障が発生していないことを条件として、修理直前の保守データと修理直後の保守データを作成するようにしてもよい。
また、学習データ生成モジュール１３０は、修理を行った後、予め定められた期間に前記取り換えた部品に再び故障が発生した場合は、作成した修理直後の保守データを削除するようにしてもよい。つまり、「故障から予め定められた期間が過ぎてから修理直後の保守データを作成」してもよいが、「故障が起きたらとりあえず修理直後の保守データを作成し、再び故障が起きたら削除」してもよい。
ここでの保守データは、複数の機器又は設備における部品について正常か異常かの状態を示す情報も含むものである。
また、学習データ生成モジュール１３０は、修理直後の保守データについて、取り換えた部品は正常であるものとして作成するようにしてもよい。つまり、修理直後の保守データでは、部品の状態も異常（故障）から正常に変更している。
また、学習データ生成モジュール１３０は、修理を行った後、予め定められた期間に前記取り換えた部品に再び故障が発生していないことを条件として、修理直前の保守データと修理直後の保守データを作成するようにしてもよい。
また、学習データ生成モジュール１３０は、修理を行った後、予め定められた期間に前記取り換えた部品に再び故障が発生した場合は、作成した修理直後の保守データを削除するようにしてもよい。つまり、「故障から予め定められた期間が過ぎてから修理直後の保守データを作成」してもよいが、「故障が起きたらとりあえず修理直後の保守データを作成し、再び故障が起きたら削除」してもよい。
また、学習データ生成モジュール１３０は、機器又は設備において故障がなかった場合は、現時点から予め定められた期間Ａ前を基準日とし、その基準日以前の期間Ｂにおける稼働データを用いるようにしてもよい。より具体的には、学習データ生成モジュール１３０は、第１の時点からその第１の時点よりも後の第２の時点までの第１の期間において機器又は設備において故障がなかった場合は、第２の時点から予め定められた第２の期間前を基準日とし、その基準日以前の第３の時点からその基準日までの第３の期間における稼働データを、正常を示す稼働データとしてモデル構築に用いるようにしてもよい。この第３の期間における稼働データは「故障なし（正常）」を示すものとして故障予測モデル構築モジュール１４０に入力されることになる。
また、学習データ生成モジュール１３０は、保守データとして、基準日における保守データを、正常を示す保守データとしてモデル構築に用いるようにしてもよい。
また、学習データ生成モジュール１３０は、保守データとして、基準日における保守データを、正常を示す保守データとしてモデル構築に用いるようにしてもよい。
故障予測モデル構築モジュール１４０は、学習データ生成モジュール１３０、故障予測モデル蓄積モジュール１５０と接続されている。故障予測モデル構築モジュール１４０は、学習データ生成モジュール１３０によって生成された学習データをもとに故障予測モデルを構築する。これによって、故障予測を行うための故障予測モデルを構築することができる。例えば、教師あり学習アルゴリズム等を用いればよい。また、故障予測の分類には、サポートベクタマシン等の識別器を用いるようにしてもよい。
故障予測モデル蓄積モジュール１５０は、故障予測モデル構築モジュール１４０、故障予測処理モジュール１７０と接続されている。故障予測モデル蓄積モジュール１５０は、故障予測モデル構築モジュール１４０によって構築された故障予測モデルを記憶している。記憶している故障予測モデルを故障予測処理モジュール１７０に提供する。
故障予測モデル蓄積モジュール１５０は、故障予測モデル構築モジュール１４０、故障予測処理モジュール１７０と接続されている。故障予測モデル蓄積モジュール１５０は、故障予測モデル構築モジュール１４０によって構築された故障予測モデルを記憶している。記憶している故障予測モデルを故障予測処理モジュール１７０に提供する。
予測データ生成モジュール１６０は、稼働データ記憶モジュール１１０、保守データ記憶モジュール１２０、故障予測処理モジュール１７０と接続されている。予測データ生成モジュール１６０は、稼働データ記憶モジュール１１０、保守データ記憶モジュール１２０内のデータ（稼働データ、保守データ）を用いて、故障予測処理モジュール１７０に入力するためのデータを生成する。つまり、これから予測したい機器又は装置のデータを稼働データ記憶モジュール１１０と保守データ記憶モジュール１２０から取得する。故障予測処理モジュール１７０で故障予測を行うためのデータ形式に加工することで予測データを生成する。例えば、現在から予め定められた期間内の稼働データ、保守データを、稼働データ記憶モジュール１１０、保守データ記憶モジュール１２０から抽出してもよい。
故障予測処理モジュール１７０は、故障予測モデル蓄積モジュール１５０、予測データ生成モジュール１６０、故障箇所特定モジュール１８０と接続されている。故障予測処理モジュール１７０は、故障予測モデル蓄積モジュール１５０内の故障予測モデルを用いて、機器又は設備の故障予測を行う。予測データ生成モジュール１６０から受け取った予測データを、故障予測モデルに入力し、故障予測を行う。これによって、現時点の機器又は設備の稼働状況、保守状況から故障予測ができる。ここで故障予測モデル蓄積モジュール１５０内の故障予測モデルとは、故障予測モデル構築モジュール１４０によって構築された故障予測モデルである。そして、故障予測モデル構築モジュール１４０は、学習データ生成モジュール１３０によって作成された学習データを用いて故障予測モデルを構築している。
故障箇所特定モジュール１８０は、故障予測処理モジュール１７０と接続されている。故障箇所特定モジュール１８０は、故障予測処理モジュール１７０によって故障と予測された場合、故障箇所を特定する。これによって、故障箇所を特定することができる。つまり、故障箇所特定モジュール１８０は、保守データ内の稼働日数を変更したデータを複数パターン作成し、故障予測モデルに入力することで故障箇所を特定する。より具体的には、故障箇所特定モジュール１８０は、故障予測処理モジュール１７０の処理によって故障予測結果が故障ありとなった場合に、故障予測モデルに対して、複数の部品のうち第１の部品の経過日数を予め定められた数値に変更した保守データを入力して、正常（故障なし）との予測となった場合に、その第１の部品を故障箇所であるとする特定を行う。故障箇所特定モジュール１８０の処理内容については、図１６の例を用いて後述する。
図２は、本実施の形態を利用したシステム構成例を示す説明図である。
情報処理装置１００、学習装置２００、故障予測装置２１０、データ記憶装置２２０、ユーザー端末２３０Ａ、ユーザー端末２３０Ｂ、機器２４０Ａ、機器２４０Ｂ、機器２４０Ｃ、装置２５０Ａ、装置２５０Ｂ、装置２５０Ｃは、通信回線２９０を介してそれぞれ接続されている。通信回線２９０は、無線、有線、これらの組み合わせであってもよく、例えば、通信インフラとしてのインターネット、イントラネット等であってもよい。また、情報処理装置１００、学習装置２００、故障予測装置２１０、データ記憶装置２２０による機能は、クラウドサービスとして実現してもよい。
学習装置２００は、学習データ生成モジュール１３０、故障予測モデル構築モジュール１４０、故障予測モデル蓄積モジュール１５０を有している。学習装置２００は、情報処理装置１００から学習機能だけを取りだしたものである。
故障予測装置２１０は、予測データ生成モジュール１６０、故障予測処理モジュール１７０、故障箇所特定モジュール１８０を有している。故障予測装置２１０は、情報処理装置１００から故障予測機能だけを取りだしたものである。
データ記憶装置２２０は、稼働データ記憶モジュール１１０、保守データ記憶モジュール１２０を有している。データ記憶装置２２０は、機器２４０又は装置２５０の稼働データ、保守データを記憶している。
情報処理装置１００、学習装置２００、故障予測装置２１０、データ記憶装置２２０、ユーザー端末２３０Ａ、ユーザー端末２３０Ｂ、機器２４０Ａ、機器２４０Ｂ、機器２４０Ｃ、装置２５０Ａ、装置２５０Ｂ、装置２５０Ｃは、通信回線２９０を介してそれぞれ接続されている。通信回線２９０は、無線、有線、これらの組み合わせであってもよく、例えば、通信インフラとしてのインターネット、イントラネット等であってもよい。また、情報処理装置１００、学習装置２００、故障予測装置２１０、データ記憶装置２２０による機能は、クラウドサービスとして実現してもよい。
学習装置２００は、学習データ生成モジュール１３０、故障予測モデル構築モジュール１４０、故障予測モデル蓄積モジュール１５０を有している。学習装置２００は、情報処理装置１００から学習機能だけを取りだしたものである。
故障予測装置２１０は、予測データ生成モジュール１６０、故障予測処理モジュール１７０、故障箇所特定モジュール１８０を有している。故障予測装置２１０は、情報処理装置１００から故障予測機能だけを取りだしたものである。
データ記憶装置２２０は、稼働データ記憶モジュール１１０、保守データ記憶モジュール１２０を有している。データ記憶装置２２０は、機器２４０又は装置２５０の稼働データ、保守データを記憶している。
機器２４０、装置２５０は、通常運転、修理等において、それ自身の稼働データ、保守データを収集する。そして、機器２４０、装置２５０から稼働データ、保守データが、情報処理装置１００（データ記憶装置２２０）に送信される。
ユーザー端末２３０Ａからの指示にしたがって、情報処理装置１００（学習装置２００）が故障予測モデルを構築し、情報処理装置１００（故障予測装置２１０）が故障予測を行い、その結果（故障有無の予測、故障箇所の特定結果等）をユーザー端末２３０Ａに提示する。なお、ユーザー端末２３０Ｂは、故障予測装置２１０を有しており、ユーザー端末２３０Ｂが故障予測を行ってもよい。また、機器２４０Ｃは、故障予測装置２１０を有しており、装置２５０Ｃは、故障予測装置２１０を有しており、機器２４０Ｃ、装置２５０Ｃが自分自身の故障予測を行ってもよい。
ユーザー端末２３０Ａからの指示にしたがって、情報処理装置１００（学習装置２００）が故障予測モデルを構築し、情報処理装置１００（故障予測装置２１０）が故障予測を行い、その結果（故障有無の予測、故障箇所の特定結果等）をユーザー端末２３０Ａに提示する。なお、ユーザー端末２３０Ｂは、故障予測装置２１０を有しており、ユーザー端末２３０Ｂが故障予測を行ってもよい。また、機器２４０Ｃは、故障予測装置２１０を有しており、装置２５０Ｃは、故障予測装置２１０を有しており、機器２４０Ｃ、装置２５０Ｃが自分自身の故障予測を行ってもよい。
機器２４０、装置２５０が通信回線２９０につながり、機器２４０、装置２５０が出力する稼働データ、保守データを、情報処理装置１００（データ記憶装置２２０）がリモートで収集する。この稼働データ、保守データを利用して、情報処理装置１００（故障予測装置２１０）が故障予測することで、メンテナンスコストを削減できる。
この故障予測は、機器２４０、装置２５０の過去の稼働データ、保守データを用いて、情報処理装置１００（学習装置２００）が故障予測モデルを構築する（学習フェーズ）。その後、故障予測モデルに対して、予測したい機器２４０、装置２５０の稼働データ、保守データを入力し、その機器２４０、装置２５０が近々「故障する」か「故障しない」かを、出力結果として求めることができる（予測フェーズ）。
故障の有無を予測できる一方で、故障時に実施すべき作業（例えば、機器のどの部品を交換すればよいか）を特定することができる。従来技術では、稼働データだけを用いて故障予測モデルを構築していたので、部品ごとに故障予測モデルを構築する必要があり、現実的でない。
この故障予測は、機器２４０、装置２５０の過去の稼働データ、保守データを用いて、情報処理装置１００（学習装置２００）が故障予測モデルを構築する（学習フェーズ）。その後、故障予測モデルに対して、予測したい機器２４０、装置２５０の稼働データ、保守データを入力し、その機器２４０、装置２５０が近々「故障する」か「故障しない」かを、出力結果として求めることができる（予測フェーズ）。
故障の有無を予測できる一方で、故障時に実施すべき作業（例えば、機器のどの部品を交換すればよいか）を特定することができる。従来技術では、稼働データだけを用いて故障予測モデルを構築していたので、部品ごとに故障予測モデルを構築する必要があり、現実的でない。
図３から図８の例を用いて、保守データを用いないで稼働データだけを用いて学習データを作成する場合（従来技術）について説明する。
図３は、稼働データだけを用いたシステム構成例を示す説明図である。機器２４０Ａと機器２４０Ｂは、通信回線２９０を介して稼働データ記憶モジュール１１０と接続されている。
稼働データ記憶モジュール１１０は、機器２４０が出力する稼働データを通信回線２９０越しにリアルタイムで収集する。
稼働データ記憶モジュール１１０内のデータは、稼働データを加工することで故障予測など様々な用途で利用できる。加工として、例えば、一日単位で集計すること等が行われる。
図３は、稼働データだけを用いたシステム構成例を示す説明図である。機器２４０Ａと機器２４０Ｂは、通信回線２９０を介して稼働データ記憶モジュール１１０と接続されている。
稼働データ記憶モジュール１１０は、機器２４０が出力する稼働データを通信回線２９０越しにリアルタイムで収集する。
稼働データ記憶モジュール１１０内のデータは、稼働データを加工することで故障予測など様々な用途で利用できる。加工として、例えば、一日単位で集計すること等が行われる。
例えば、データ記憶装置２２０からは、稼働データテーブル４００が送信され、稼働データ記憶モジュール１１０に記憶される。図４は、稼働データテーブル４００のデータ構造例を示す説明図である。
稼働データテーブル４００は、機器名欄４０５、日付欄４１０、部品Ａ回転数欄４１５、部品Ｂ出力枚数欄４２０、部品Ｃ残量（ｍｍ）欄４２５、部品Ａエラー数欄４３０、部品Ｂエラー数欄４３５、部品Ｃエラー数欄４４０を有している。機器名欄４０５は、機器名（又は装置名）を記憶している。なお、その機器（又は装置）を、本実施の形態において一意に識別するための情報（ＩＤ：ＩＤｅｎｔｉｆｉｃａｔｉｏｎ）を用いてもよい。日付欄４１０は、日付（日時（年、月、日、時、分、秒、秒以下、又はこれらの組み合わせであってもよい））を記憶している。部品Ａ回転数欄４１５は、部品Ａの回転数を記憶している。部品Ｂ出力枚数欄４２０は、部品Ｂの出力枚数（部品Ｂから出力された紙の枚数）を記憶している。部品Ｃ残量（ｍｍ）欄４２５は、部品Ｃの残量（ｍｍ）を記憶している。部品Ａエラー数欄４３０は、部品Ａのエラー数を記憶している。部品Ｂエラー数欄４３５は、部品Ｂのエラー数を記憶している。部品Ｃエラー数欄４４０は、部品Ｃのエラー数を記憶している。
稼働データテーブル４００は、機器名欄４０５、日付欄４１０、部品Ａ回転数欄４１５、部品Ｂ出力枚数欄４２０、部品Ｃ残量（ｍｍ）欄４２５、部品Ａエラー数欄４３０、部品Ｂエラー数欄４３５、部品Ｃエラー数欄４４０を有している。機器名欄４０５は、機器名（又は装置名）を記憶している。なお、その機器（又は装置）を、本実施の形態において一意に識別するための情報（ＩＤ：ＩＤｅｎｔｉｆｉｃａｔｉｏｎ）を用いてもよい。日付欄４１０は、日付（日時（年、月、日、時、分、秒、秒以下、又はこれらの組み合わせであってもよい））を記憶している。部品Ａ回転数欄４１５は、部品Ａの回転数を記憶している。部品Ｂ出力枚数欄４２０は、部品Ｂの出力枚数（部品Ｂから出力された紙の枚数）を記憶している。部品Ｃ残量（ｍｍ）欄４２５は、部品Ｃの残量（ｍｍ）を記憶している。部品Ａエラー数欄４３０は、部品Ａのエラー数を記憶している。部品Ｂエラー数欄４３５は、部品Ｂのエラー数を記憶している。部品Ｃエラー数欄４４０は、部品Ｃのエラー数を記憶している。
稼働データテーブル４００を加工して、例えば、学習用稼働データテーブル５００を生成する。ここでの加工は、現時点から過去３０日以内の期間において、一日単位で各部品の稼働データを集計することである。図５は、学習用稼働データテーブル５００のデータ構造例を示す説明図である。学習用稼働データテーブル５００は、３０日前部品Ａ回転数欄５０５、２９日前部品Ａ回転数欄５１０、３０日前部品Ｂ出力枚数欄５２５、２９日前部品Ｂ出力枚数欄５３０、故障欄５９５等を有している。３０日前部品Ａ回転数欄５０５は、３０日前における部品Ａの回転数を記憶している。２９日前部品Ａ回転数欄５１０は、２９日前における部品Ａの回転数を記憶している。３０日前部品Ｂ出力枚数欄５２５は、３０日前における部品Ｂの出力枚数を記憶している。２９日前部品Ｂ出力枚数欄５３０は、２９日前における部品Ｂの出力枚数を記憶している。故障欄５９５は、故障の有無を記憶している。
学習用稼働データテーブル５００内の１レコード（３列目の１行）のパラメータとして、１つの機器３０日分の稼働値として、３０日前の部品Ａ回転数、２９日前の部品Ａ回転数、・・・、３０日前の部品Ｂからの出力枚数、２９日前の部品Ｂからの出力枚数、・・・、そして、現時点（３０日後）における結果（故障あり／故障なし）がある。
学習用稼働データテーブル５００内の１レコード（３列目の１行）のパラメータとして、１つの機器３０日分の稼働値として、３０日前の部品Ａ回転数、２９日前の部品Ａ回転数、・・・、３０日前の部品Ｂからの出力枚数、２９日前の部品Ｂからの出力枚数、・・・、そして、現時点（３０日後）における結果（故障あり／故障なし）がある。
図６は、学習用稼働データテーブル５００を用いた処理例を示す説明図である。稼働データ記憶モジュール１１０内の稼働データテーブル４００から学習用稼働データテーブル５００に加工する。この学習用稼働データテーブル５００は、故障予測モデル構築に使用する３０日分のデータ（いわゆる学習データ）である。この学習用稼働データテーブル５００によって機械学習することによって、故障予測モデル６１０を構築する。つまり、機器２４０（又は装置２５０）ごとに取得される過去の学習用データを入力することによって学習を行い、故障予測モデル６１０を構築している。
ここで構築された故障予測モデル６１０に対して、例えば、予測用稼働データテーブル７００を入力して、故障予測を行う。図７は、予測用稼働データテーブル７００のデータ構造例を示す説明図である。予測用稼働データテーブル７００は、３０日前部品Ａ回転数欄７０５、２９日前部品Ａ回転数欄７１０、３０日前部品Ｂ出力枚数欄７２５、２９日前部品Ｂ出力枚数欄７３０等を有している。３０日前部品Ａ回転数欄７０５は、３０日前における部品Ａの回転数を記憶している。２９日前部品Ａ回転数欄７１０は、２９日前における部品Ａの回転数を記憶している。３０日前部品Ｂ出力枚数欄７２５は、３０日前における部品Ｂの出力枚数を記憶している。２９日前部品Ｂ出力枚数欄７３０は、２９日前における部品Ｂの出力枚数を記憶している。
予測用稼働データテーブル７００内の１レコード（３列目の１行）のパラメータとして、１つの機器３０日分の稼働値として、３０日前の部品Ａ回転数、２９日前の部品Ａ回転数、・・・、３０日前の部品Ｂからの出力枚数、２９日前の部品Ｂからの出力枚数、・・・がある。つまり、データ構造としては、図５の例に示した学習用稼働データテーブル５００と違い、故障欄５９５がないデータ構造となっている。
予測用稼働データテーブル７００内の１レコード（３列目の１行）のパラメータとして、１つの機器３０日分の稼働値として、３０日前の部品Ａ回転数、２９日前の部品Ａ回転数、・・・、３０日前の部品Ｂからの出力枚数、２９日前の部品Ｂからの出力枚数、・・・がある。つまり、データ構造としては、図５の例に示した学習用稼働データテーブル５００と違い、故障欄５９５がないデータ構造となっている。
図８は、予測用稼働データテーブル７００を用いた処理例を示す説明図である。
稼働データ記憶モジュール１１０内の稼働データから予測用稼働データテーブル７００に加工する。予測用稼働データテーブル７００は、これから予測したい機器２４０（装置２５０）における３０日分のデータである。図６の例で示した学習フェーズで構築した故障予測モデル６１０に対して、予測したい機器２４０（装置２５０）の予測用稼働データテーブル７００を入力する。そして、近々の故障の有無が予測結果８９０として出る。予測結果８９０として、例えば、「『故障する』又は『故障しない』」がある。
この例では、故障の箇所まで把握するためには、部品ごとに故障予測モデルを作成する必要がある。
稼働データ記憶モジュール１１０内の稼働データから予測用稼働データテーブル７００に加工する。予測用稼働データテーブル７００は、これから予測したい機器２４０（装置２５０）における３０日分のデータである。図６の例で示した学習フェーズで構築した故障予測モデル６１０に対して、予測したい機器２４０（装置２５０）の予測用稼働データテーブル７００を入力する。そして、近々の故障の有無が予測結果８９０として出る。予測結果８９０として、例えば、「『故障する』又は『故障しない』」がある。
この例では、故障の箇所まで把握するためには、部品ごとに故障予測モデルを作成する必要がある。
前述した特許文献に記載した技術では、稼働データをもとにモデルを構築しているが、稼働データと保守データの関連付けを行っている。モデルに入力する稼働データに故障の予兆があると判定された場合、過去の類似する稼働データと関連付いた保守作業を保守データから抽出している。
しかしながら、これらの技術では、故障の兆候が明確に出ない場合、例えば、経年劣化で部品が突然壊れる場合には予測が難しい。
一方で、稼働データだけでなく、保守データを合わせた統合データでモデルを構築することで、経年劣化など保守に関係する故障を予測する手法も考えられる。例えば、最後に部品を交換してからの稼働日数を稼働データに合わせておくことによって、経年劣化の要素を組み込んだモデルを作成できる。予測フェーズで、部品の稼働日数を変更した複数の入力パターンで故障の有無をシミュレートすることで、交換すべき部品を特定することができる。
しかしながら、前述したように保守データの変更によるシミュレーションで予測を行う場合、モデル作成時にデータの変更と故障の関係性をモデルに反映し、予測精度の向上をはかる必要がある。
つまり、部品の稼働日数を「０」に変更することで予測が「故障あり」から「故障なし」に変わることが「修理により故障が直る」ことを表すようにモデルを学習する必要がある。
本実施の形態の情報処理装置１００では、保守データを使用した学習データを作成する。
しかしながら、これらの技術では、故障の兆候が明確に出ない場合、例えば、経年劣化で部品が突然壊れる場合には予測が難しい。
一方で、稼働データだけでなく、保守データを合わせた統合データでモデルを構築することで、経年劣化など保守に関係する故障を予測する手法も考えられる。例えば、最後に部品を交換してからの稼働日数を稼働データに合わせておくことによって、経年劣化の要素を組み込んだモデルを作成できる。予測フェーズで、部品の稼働日数を変更した複数の入力パターンで故障の有無をシミュレートすることで、交換すべき部品を特定することができる。
しかしながら、前述したように保守データの変更によるシミュレーションで予測を行う場合、モデル作成時にデータの変更と故障の関係性をモデルに反映し、予測精度の向上をはかる必要がある。
つまり、部品の稼働日数を「０」に変更することで予測が「故障あり」から「故障なし」に変わることが「修理により故障が直る」ことを表すようにモデルを学習する必要がある。
本実施の形態の情報処理装置１００では、保守データを使用した学習データを作成する。
図９は、本実施の形態による処理例（学習フェーズ）を示すフローチャートである。
ステップＳ９０２では、学習データ生成モジュール１３０は、学習データを生成する。ステップＳ９０２の詳細な処理については、図１１の例に示すフローチャートを用いて後述する。
ステップＳ９０４では、故障予測モデル構築モジュール１４０は、故障予測モデルを構築する。
ステップＳ９０６では、故障予測モデル構築モジュール１４０は、故障予測モデル蓄積モジュール１５０に、故障予測モデルを格納する。
ステップＳ９０２では、学習データ生成モジュール１３０は、学習データを生成する。ステップＳ９０２の詳細な処理については、図１１の例に示すフローチャートを用いて後述する。
ステップＳ９０４では、故障予測モデル構築モジュール１４０は、故障予測モデルを構築する。
ステップＳ９０６では、故障予測モデル構築モジュール１４０は、故障予測モデル蓄積モジュール１５０に、故障予測モデルを格納する。
図１０は、本実施の形態による処理例（故障予測フェーズ）を示すフローチャートである。
ステップＳ１００２では、予測データ生成モジュール１６０は、予測対象である機器（又は装置）の稼働データ、保守データを取得する。
ステップＳ１００４では、予測データ生成モジュール１６０は、予測データを作成する。
ステップＳ１００６では、故障箇所特定モジュール１８０は、故障予測モデルを用いて、故障予測を行う。
ステップＳ１００８では、故障箇所特定モジュール１８０は、予測結果を提示する。
ステップＳ１００２では、予測データ生成モジュール１６０は、予測対象である機器（又は装置）の稼働データ、保守データを取得する。
ステップＳ１００４では、予測データ生成モジュール１６０は、予測データを作成する。
ステップＳ１００６では、故障箇所特定モジュール１８０は、故障予測モデルを用いて、故障予測を行う。
ステップＳ１００８では、故障箇所特定モジュール１８０は、予測結果を提示する。
図１１は、本実施の形態による処理例（ステップＳ９０２での処理例）を示すフローチャートである。
ステップＳ１１０２では、機器（又は装置）の数分ステップＳ１１１４までの処理を行う。
ステップＳ１１０４では、故障があるか否かを判断し、ある場合はステップＳ１１０６へ進み、それ以外の場合はステップＳ１１１２へ進む。
ステップＳ１１０６では、故障の数分ステップＳ１１１０までの処理を行う。
ステップＳ１１０８では、学習データ生成処理Ａを行う。ステップＳ１１０８の詳細な処理については、図１２の例に示すフローチャートを用いて後述する。
ステップＳ１１１０では、故障の数分ステップＳ１１０６からの処理を行う。
ステップＳ１１１２では、学習データ生成処理Ｂを行う。ステップＳ１１１２の詳細な処理については、図１３の例に示すフローチャートを用いて後述する。
ステップＳ１１１４では、機器の数分ステップＳ１１０２からの処理を行う。
ステップＳ１１０２では、機器（又は装置）の数分ステップＳ１１１４までの処理を行う。
ステップＳ１１０４では、故障があるか否かを判断し、ある場合はステップＳ１１０６へ進み、それ以外の場合はステップＳ１１１２へ進む。
ステップＳ１１０６では、故障の数分ステップＳ１１１０までの処理を行う。
ステップＳ１１０８では、学習データ生成処理Ａを行う。ステップＳ１１０８の詳細な処理については、図１２の例に示すフローチャートを用いて後述する。
ステップＳ１１１０では、故障の数分ステップＳ１１０６からの処理を行う。
ステップＳ１１１２では、学習データ生成処理Ｂを行う。ステップＳ１１１２の詳細な処理については、図１３の例に示すフローチャートを用いて後述する。
ステップＳ１１１４では、機器の数分ステップＳ１１０２からの処理を行う。
図１２は、本実施の形態による処理例（ステップＳ１１０８での処理例）を示すフローチャートである。
ステップＳ１２０２では、修理後Ｘ日間で故障があったか否かを判断し、あった場合は処理を終了し（ステップＳ１２９９）それ以外の場合はステップＳ１２０４へ進む。
ステップＳ１２０４では、故障前のＹ日分の稼働データを取得する。
ステップＳ１２０６では、保守データを取得する。
ステップＳ１２０８では、修理直前の学習データを作成する。
ステップＳ１２１０では、修理直後の学習データを作成する。
ステップＳ１２０２では、修理後Ｘ日間で故障があったか否かを判断し、あった場合は処理を終了し（ステップＳ１２９９）それ以外の場合はステップＳ１２０４へ進む。
ステップＳ１２０４では、故障前のＹ日分の稼働データを取得する。
ステップＳ１２０６では、保守データを取得する。
ステップＳ１２０８では、修理直前の学習データを作成する。
ステップＳ１２１０では、修理直後の学習データを作成する。
図１３は、本実施の形態による処理例（ステップＳ１１１２での処理例）を示すフローチャートである。
ステップＳ１３０２では、現時点からＺ日前を基準日とする。
ステップＳ１３０４では、基準日前のＹ日分の稼働データを取得する。
ステップＳ１３０６では、基準日時点の保守データを取得する。
ステップＳ１３０８では、基準日時点の学習データを作成する。
なお、Ｘ、Ｙ、Ｚは、予め定められた値であり、それぞれ異なっていてもよいし、同じ値であってもよい。
ステップＳ１３０２では、現時点からＺ日前を基準日とする。
ステップＳ１３０４では、基準日前のＹ日分の稼働データを取得する。
ステップＳ１３０６では、基準日時点の保守データを取得する。
ステップＳ１３０８では、基準日時点の学習データを作成する。
なお、Ｘ、Ｙ、Ｚは、予め定められた値であり、それぞれ異なっていてもよいし、同じ値であってもよい。
具体例を用いて説明する。保守データ記憶モジュール１２０内に保守データテーブル１４００が記憶されている。なお、前述したように、稼働データ記憶モジュール１１０内には稼働データテーブル４００が記憶されている。
図１４は、保守データテーブル１４００のデータ構造例を示す説明図である。保守データテーブル１４００は、日付欄１４０５、機器欄１４１０、作業内容欄１４１５、担当者欄１４２０を有している。日付欄１４０５は、日付を記憶している。機器欄１４１０は、機器名（又は装置名）を記憶している。作業内容欄１４１５は、作業内容（修理内容）を記憶している。担当者欄１４２０は、その作業を行った担当者を記憶している。
図１４は、保守データテーブル１４００のデータ構造例を示す説明図である。保守データテーブル１４００は、日付欄１４０５、機器欄１４１０、作業内容欄１４１５、担当者欄１４２０を有している。日付欄１４０５は、日付を記憶している。機器欄１４１０は、機器名（又は装置名）を記憶している。作業内容欄１４１５は、作業内容（修理内容）を記憶している。担当者欄１４２０は、その作業を行った担当者を記憶している。
稼働データと保守データを合わせたデータの一例として、統合データテーブル１５００を説明する。図１５は、統合データテーブル１５００のデータ構造例を示す説明図である。
統合データテーブル１５００は、機器名欄１５０５、日付欄１５１０、部品Ａ回転数欄１５１５、部品Ｂ出力枚数欄１５２０、部品Ａエラー数欄１５２５、部品Ｂエラー数欄１５３０、部品Ａ稼働日数欄１５３５、部品Ｂ稼働日数欄１５４０を有している。機器名欄１５０５は、機器名を記憶している。日付欄１５１０は、日付を記憶している。部品Ａ回転数欄１５１５は、部品Ａの回転数を記憶している。部品Ｂ出力枚数欄１５２０は、部品Ｂの出力枚数を記憶している。部品Ａエラー数欄１５２５は、部品Ａのエラー数を記憶している。部品Ｂエラー数欄１５３０は、部品Ｂのエラー数を記憶している。部品Ａ稼働日数欄１５３５は、部品Ａの稼働日数を記憶している。部品Ｂ稼働日数欄１５４０は、部品Ｂの稼働日数を記憶している。部品Ａ稼働日数欄１５３５、部品Ｂ稼働日数欄１５４０内のデータについては、最後にその部品を交換してから何日稼働しているかを示す情報であり、保守データをもとに算出すればよい。
部品Ａ回転数欄１５１５から部品Ｂエラー数欄１５３０は、稼働データから作成している。そして、部品Ａ稼働日数欄１５３５、部品Ｂ稼働日数欄１５４０は、保守データから作成している。
統合データテーブル１５００は、機器名欄１５０５、日付欄１５１０、部品Ａ回転数欄１５１５、部品Ｂ出力枚数欄１５２０、部品Ａエラー数欄１５２５、部品Ｂエラー数欄１５３０、部品Ａ稼働日数欄１５３５、部品Ｂ稼働日数欄１５４０を有している。機器名欄１５０５は、機器名を記憶している。日付欄１５１０は、日付を記憶している。部品Ａ回転数欄１５１５は、部品Ａの回転数を記憶している。部品Ｂ出力枚数欄１５２０は、部品Ｂの出力枚数を記憶している。部品Ａエラー数欄１５２５は、部品Ａのエラー数を記憶している。部品Ｂエラー数欄１５３０は、部品Ｂのエラー数を記憶している。部品Ａ稼働日数欄１５３５は、部品Ａの稼働日数を記憶している。部品Ｂ稼働日数欄１５４０は、部品Ｂの稼働日数を記憶している。部品Ａ稼働日数欄１５３５、部品Ｂ稼働日数欄１５４０内のデータについては、最後にその部品を交換してから何日稼働しているかを示す情報であり、保守データをもとに算出すればよい。
部品Ａ回転数欄１５１５から部品Ｂエラー数欄１５３０は、稼働データから作成している。そして、部品Ａ稼働日数欄１５３５、部品Ｂ稼働日数欄１５４０は、保守データから作成している。
故障箇所特定モジュール１８０が、統合データを活用して故障箇所を特定する手法について説明する。図１６は、本実施の形態（主に、故障箇所特定モジュール１８０）による処理例を示す説明図である。
故障予測処理モジュール１７０は、図１６（１）の例に示すように実統合データ１６０１を、故障予測モデル１６１０に入力して予測結果１６２０として「故障あり」１６２１を得たとする。実統合データ１６０１として、例えば、「３０日前 部品Ａ：１００００回、部品Ｂ：１５０００回……、部品Ａ稼働日数：６０日、部品Ｂ稼働日数：４５日、部品Ｃ稼働日数：８０日」である。
ここで、どの部品が故障するかを特定するために、図１６（２）から（４）の例に示すように仮想統合データ１６０２、仮想統合データ１６０３、仮想統合データ１６０４を生成して、それぞれを故障予測モデル１６１０に入力して予測結果１６２０を得る。
仮想統合データ１６０２として、例えば、「３０日前 部品Ａ：１００００回、部品Ｂ：１５０００回……、部品Ａ稼働日数：０日、部品Ｂ稼働日数：４５日、部品Ｃ稼働日数：８０日」である。つまり、実統合データ１６０１と比較すると、部品Ａの稼働日数を０日としている。
仮想統合データ１６０３として、例えば、「３０日前 部品Ａ：１００００回、部品Ｂ：１５０００回……、部品Ａ稼働日数：６０日、部品Ｂ稼働日数：０日、部品Ｃ稼働日数：８０日」である。つまり、実統合データ１６０１と比較すると、部品Ｂの稼働日数を０日としている。
仮想統合データ１６０４として、例えば、「３０日前 部品Ａ：１００００回、部品Ｂ：１５０００回……、部品Ａ稼働日数：６０日、部品Ｂ稼働日数：４５日、部品Ｃ稼働日数：０日」である。つまり、実統合データ１６０１と比較すると、部品Ｃの稼働日数を０日としている。
このように、実統合データ１６０１における各部品の稼働日数を０日と変更した仮想統合データを生成する。
故障予測処理モジュール１７０は、図１６（１）の例に示すように実統合データ１６０１を、故障予測モデル１６１０に入力して予測結果１６２０として「故障あり」１６２１を得たとする。実統合データ１６０１として、例えば、「３０日前 部品Ａ：１００００回、部品Ｂ：１５０００回……、部品Ａ稼働日数：６０日、部品Ｂ稼働日数：４５日、部品Ｃ稼働日数：８０日」である。
ここで、どの部品が故障するかを特定するために、図１６（２）から（４）の例に示すように仮想統合データ１６０２、仮想統合データ１６０３、仮想統合データ１６０４を生成して、それぞれを故障予測モデル１６１０に入力して予測結果１６２０を得る。
仮想統合データ１６０２として、例えば、「３０日前 部品Ａ：１００００回、部品Ｂ：１５０００回……、部品Ａ稼働日数：０日、部品Ｂ稼働日数：４５日、部品Ｃ稼働日数：８０日」である。つまり、実統合データ１６０１と比較すると、部品Ａの稼働日数を０日としている。
仮想統合データ１６０３として、例えば、「３０日前 部品Ａ：１００００回、部品Ｂ：１５０００回……、部品Ａ稼働日数：６０日、部品Ｂ稼働日数：０日、部品Ｃ稼働日数：８０日」である。つまり、実統合データ１６０１と比較すると、部品Ｂの稼働日数を０日としている。
仮想統合データ１６０４として、例えば、「３０日前 部品Ａ：１００００回、部品Ｂ：１５０００回……、部品Ａ稼働日数：６０日、部品Ｂ稼働日数：４５日、部品Ｃ稼働日数：０日」である。つまり、実統合データ１６０１と比較すると、部品Ｃの稼働日数を０日としている。
このように、実統合データ１６０１における各部品の稼働日数を０日と変更した仮想統合データを生成する。
故障予測モデル１６１０による実統合データ１６０１の予測結果１６２０として、「故障あり」１６２１が出力される。
故障予測モデル１６１０による仮想統合データ１６０２の予測結果１６２０として、「故障あり」１６２２が出力される。
故障予測モデル１６１０による仮想統合データ１６０３の予測結果１６２０として、「故障なし」１６２３が出力される。
故障予測モデル１６１０による仮想統合データ１６０４の予測結果１６２０として、「故障あり」１６２４が出力される。
図１６（１）の予測結果１６２０の「故障あり」１６２１とは異なる結果となっている図１６（３）の仮想統合データ１６０３に対する「故障なし」１６２３に着目する。仮想統合データ１６０３は、図１６（１）の実統合データ１６０１に対して、部品Ｂの稼働日数を「０」に変更した組み合わせである。つまり、部品Ｂの稼働日数を「０」にすると、「故障なし」１６２３に変わるので、図１６（１）の状況で、部品Ｂを交換すればよいことが判明する。逆に、図１６（２）、（４）の例に示すように、部品Ａ、部品Ｃの稼働日数を「０」に変更した組み合わせでは、予測結果１６２０は変わらないので、その部品Ａ、部品Ｃは、故障原因ではないことになる。
なお、ここでは、部品の稼働日数を「０」に変更しているが、実統合データ１６０１における稼働日数未満の値であればよい。ただし、「０」に変更することは、その部品を交換した直後であることを示しているので、その部品の交換による効果が最も現れやすいことになる。
故障予測モデル１６１０による仮想統合データ１６０２の予測結果１６２０として、「故障あり」１６２２が出力される。
故障予測モデル１６１０による仮想統合データ１６０３の予測結果１６２０として、「故障なし」１６２３が出力される。
故障予測モデル１６１０による仮想統合データ１６０４の予測結果１６２０として、「故障あり」１６２４が出力される。
図１６（１）の予測結果１６２０の「故障あり」１６２１とは異なる結果となっている図１６（３）の仮想統合データ１６０３に対する「故障なし」１６２３に着目する。仮想統合データ１６０３は、図１６（１）の実統合データ１６０１に対して、部品Ｂの稼働日数を「０」に変更した組み合わせである。つまり、部品Ｂの稼働日数を「０」にすると、「故障なし」１６２３に変わるので、図１６（１）の状況で、部品Ｂを交換すればよいことが判明する。逆に、図１６（２）、（４）の例に示すように、部品Ａ、部品Ｃの稼働日数を「０」に変更した組み合わせでは、予測結果１６２０は変わらないので、その部品Ａ、部品Ｃは、故障原因ではないことになる。
なお、ここでは、部品の稼働日数を「０」に変更しているが、実統合データ１６０１における稼働日数未満の値であればよい。ただし、「０」に変更することは、その部品を交換した直後であることを示しているので、その部品の交換による効果が最も現れやすいことになる。
したがって、故障箇所の特定精度を向上させるためには、「交換（取り換え）」と「稼働日数」の関係を正確に故障予測モデル１６１０に反映させる必要がある。そのために、学習用データとして、保守データを含めており、修理直前の保守データ中で取り換えた部品の経過日数を「０」とした保守データを修理直後の保守データとして作成している。
そのために、学習データ生成モジュール１３０は、以下の方法で学習データを作成する。
（Ａ１）機器又は装置に保守作業（故障）があった場合、保守作業を行う直前の状態（故障状態）と適切な保守作業を行った直後の保守データ（正常な状態）を学習データとして作成する。
これによって、保守作業の有効性（稼働日数を「０」にすることと「交換」の関係性）を学習することができる。
なお、適切な保守作業であったか否かについては、保守作業後の予め定められた期間故障が再発したか否かで判断する。これによって、保守作業の有効性が疑わしいデータで学習しないようにできる。
具体例として、図１７、図１８を用いて後述する。
（Ａ２）機器に保守作業（故障）がなかった場合、予め定められた期間前の日を基準日とし、基準日の保守データを学習データとして作成する。これによって、学習データ作成後、すぐに故障が発生する可能性があるデータを排除できる。
具体例として、図１９、図２０を用いて後述する。
そのために、学習データ生成モジュール１３０は、以下の方法で学習データを作成する。
（Ａ１）機器又は装置に保守作業（故障）があった場合、保守作業を行う直前の状態（故障状態）と適切な保守作業を行った直後の保守データ（正常な状態）を学習データとして作成する。
これによって、保守作業の有効性（稼働日数を「０」にすることと「交換」の関係性）を学習することができる。
なお、適切な保守作業であったか否かについては、保守作業後の予め定められた期間故障が再発したか否かで判断する。これによって、保守作業の有効性が疑わしいデータで学習しないようにできる。
具体例として、図１７、図１８を用いて後述する。
（Ａ２）機器に保守作業（故障）がなかった場合、予め定められた期間前の日を基準日とし、基準日の保守データを学習データとして作成する。これによって、学習データ作成後、すぐに故障が発生する可能性があるデータを排除できる。
具体例として、図１９、図２０を用いて後述する。
（Ａ１）の処理について説明する。図１７は、本実施の形態による処理例を示す説明図である。
過去が左である時間軸１７００上で、「故障前３０日間」１７０５、故障１７１０、故障中１７１５、修理１７２０、「修理後３０日間」１７２５、「修理後３０日間」１７３０がある。
なお、「故障前３０日間」１７０５は、故障１７１０が発生した時点で判明する。また、故障中１７１５がなく、故障中１７１５と修理１７２０を同時としてもよい。
このような状況から、学習データテーブル１８００を生成する。図１８は、学習データテーブル１８００のデータ構造例を示す説明図である。学習データテーブル１８００は、３０日前部品Ａ欄１８０５、２９日前部品Ａ欄１８１０、部品Ａ経過日数欄１８２５、部品Ｂ経過日数欄１８３０、故障の有無欄１８９５等を有している。３０日前部品Ａ欄１８０５は、３０日前の部品Ａを記憶している。２９日前部品Ａ欄１８１０は、２９日前の部品Ａを記憶している。部品Ａ経過日数欄１８２５は、部品Ａの経過日数を記憶している。部品Ｂ経過日数欄１８３０は、部品Ｂの経過日数を記憶している。故障の有無欄１８９５は、故障の有無を記憶している。
過去が左である時間軸１７００上で、「故障前３０日間」１７０５、故障１７１０、故障中１７１５、修理１７２０、「修理後３０日間」１７２５、「修理後３０日間」１７３０がある。
なお、「故障前３０日間」１７０５は、故障１７１０が発生した時点で判明する。また、故障中１７１５がなく、故障中１７１５と修理１７２０を同時としてもよい。
このような状況から、学習データテーブル１８００を生成する。図１８は、学習データテーブル１８００のデータ構造例を示す説明図である。学習データテーブル１８００は、３０日前部品Ａ欄１８０５、２９日前部品Ａ欄１８１０、部品Ａ経過日数欄１８２５、部品Ｂ経過日数欄１８３０、故障の有無欄１８９５等を有している。３０日前部品Ａ欄１８０５は、３０日前の部品Ａを記憶している。２９日前部品Ａ欄１８１０は、２９日前の部品Ａを記憶している。部品Ａ経過日数欄１８２５は、部品Ａの経過日数を記憶している。部品Ｂ経過日数欄１８３０は、部品Ｂの経過日数を記憶している。故障の有無欄１８９５は、故障の有無を記憶している。
機器又は装置に故障があった場合の学習データの生成処理として、以下を行う。
（Ａ１−１）故障日を基準に予め定められた稼働日分の稼働データと故障直前の保守データを学習データとする。図１７の例では、「故障前３０日間」１７０５における稼働データと故障１７１０直前における保守データを用いる。
具体的には、学習データテーブル１８００の１行目（図１８では（１）で示す行）を生成する。
学習データテーブル１８００内の前半部分では、「故障前３０日間」１７０５におけるデータを用いて、３０日前部品Ａ欄１８０５、２９日前部品Ａ欄１８１０等を作成する。
学習データテーブル１８００内の後半部分では、故障１７１０における保守データを用いて、部品Ａ経過日数欄１８２５、部品Ｂ経過日数欄１８３０等（修理直前の保守データ１８５１）を作成する。そして、故障の有無欄１８９５として「故障あり」を生成する。
（Ａ１−１）故障日を基準に予め定められた稼働日分の稼働データと故障直前の保守データを学習データとする。図１７の例では、「故障前３０日間」１７０５における稼働データと故障１７１０直前における保守データを用いる。
具体的には、学習データテーブル１８００の１行目（図１８では（１）で示す行）を生成する。
学習データテーブル１８００内の前半部分では、「故障前３０日間」１７０５におけるデータを用いて、３０日前部品Ａ欄１８０５、２９日前部品Ａ欄１８１０等を作成する。
学習データテーブル１８００内の後半部分では、故障１７１０における保守データを用いて、部品Ａ経過日数欄１８２５、部品Ｂ経過日数欄１８３０等（修理直前の保守データ１８５１）を作成する。そして、故障の有無欄１８９５として「故障あり」を生成する。
（Ａ１−２）修理後の予め定められた日数故障が起きない場合、修理日を基準に予め定められた稼働日分の稼働データと修理直後の保守データを学習データに加える。図１７の例では、「故障前３０日間」１７０５における稼働データと修理１７２０直後における保守データを用いる。
具体的には、学習データテーブル１８００の２行目（図１８では（２）で示す行）を生成する。
学習データテーブル１８００内の前半部分では、「故障前３０日間」１７０５におけるデータを用いて、３０日前部品Ａ欄１８０５、２９日前部品Ａ欄１８１０等を作成する。学習データテーブル１８００の１行目（図１８では（１）で示す行）と同じデータになるので、１行目の値を複写すればよい。つまり、通常、故障１７１０から修理１７２０までの期間、機器又は装置は稼働しないため、図１８での（１）と（２）における稼働データは同じになる。
学習データテーブル１８００内の後半部分では、修理１７２０における保守データを用いて、部品Ａ経過日数欄１８２５、部品Ｂ経過日数欄１８３０等（修理直後の保守データ１８５２）を作成する。ここでは、部品Ｂの交換が行われたので、部品Ｂ経過日数欄１８３０を「０」としている。交換が行われなかった部品については、学習データテーブル１８００の１行目（図１８では（１）で示す行）と同じデータになるので、１行目の値を複写すればよい。そして、故障の有無欄１８９５として「故障なし」を生成する。
なお、「修理後３０日間」１７２５内で故障が再発した場合は、修理後のデータ（学習データテーブル１８００の２行目（図１８では（２）で示す行））は加えない。つまり、「修理後３０日間」１７２５において故障がないことを確認した後に、修理後のデータを生成している。また、修理後のデータを生成した後に、「修理後３０日間」１７２５内で故障が再発した場合は、その修理後のデータを削除してもよい。
具体的には、学習データテーブル１８００の２行目（図１８では（２）で示す行）を生成する。
学習データテーブル１８００内の前半部分では、「故障前３０日間」１７０５におけるデータを用いて、３０日前部品Ａ欄１８０５、２９日前部品Ａ欄１８１０等を作成する。学習データテーブル１８００の１行目（図１８では（１）で示す行）と同じデータになるので、１行目の値を複写すればよい。つまり、通常、故障１７１０から修理１７２０までの期間、機器又は装置は稼働しないため、図１８での（１）と（２）における稼働データは同じになる。
学習データテーブル１８００内の後半部分では、修理１７２０における保守データを用いて、部品Ａ経過日数欄１８２５、部品Ｂ経過日数欄１８３０等（修理直後の保守データ１８５２）を作成する。ここでは、部品Ｂの交換が行われたので、部品Ｂ経過日数欄１８３０を「０」としている。交換が行われなかった部品については、学習データテーブル１８００の１行目（図１８では（１）で示す行）と同じデータになるので、１行目の値を複写すればよい。そして、故障の有無欄１８９５として「故障なし」を生成する。
なお、「修理後３０日間」１７２５内で故障が再発した場合は、修理後のデータ（学習データテーブル１８００の２行目（図１８では（２）で示す行））は加えない。つまり、「修理後３０日間」１７２５において故障がないことを確認した後に、修理後のデータを生成している。また、修理後のデータを生成した後に、「修理後３０日間」１７２５内で故障が再発した場合は、その修理後のデータを削除してもよい。
（Ａ２）の処理について説明する。図１９は、本実施の形態による処理例を示す説明図である。
過去が左である時間軸１９００上で、「基準日前３０日間」１９０５、基準日１９１０、「現時点前３０日間」１９１５、現時点１９２０、近い将来１９２５がある。基準日１９１０は第１の時点の例であり、「現時点前３０日間」１９１５は第１の期間、第２の期間、期間Ａの例であり、現時点１９２０は第２の時点の例であり、「基準日前３０日間」１９０５は第３の期間、期間Ｂの例である。
このような状況から、学習データテーブル２０００を生成する。図２０は、学習データテーブル２０００のデータ構造例を示す説明図である。学習データテーブル２０００は、３０日前部品Ａ欄２００５、２９日前部品Ａ欄２０１０、部品Ａ経過日数欄２０２５、部品Ｂ経過日数欄２０３０、故障の有無欄２０９５等を有している。３０日前部品Ａ欄２００５は、３０日前の部品Ａを記憶している。２９日前部品Ａ欄２０１０は、２９日前の部品Ａを記憶している。部品Ａ経過日数欄２０２５は、部品Ａの経過日数を記憶している。部品Ｂ経過日数欄２０３０は、部品Ｂの経過日数を記憶している。故障の有無欄２０９５は、故障の有無を記憶している。
過去が左である時間軸１９００上で、「基準日前３０日間」１９０５、基準日１９１０、「現時点前３０日間」１９１５、現時点１９２０、近い将来１９２５がある。基準日１９１０は第１の時点の例であり、「現時点前３０日間」１９１５は第１の期間、第２の期間、期間Ａの例であり、現時点１９２０は第２の時点の例であり、「基準日前３０日間」１９０５は第３の期間、期間Ｂの例である。
このような状況から、学習データテーブル２０００を生成する。図２０は、学習データテーブル２０００のデータ構造例を示す説明図である。学習データテーブル２０００は、３０日前部品Ａ欄２００５、２９日前部品Ａ欄２０１０、部品Ａ経過日数欄２０２５、部品Ｂ経過日数欄２０３０、故障の有無欄２０９５等を有している。３０日前部品Ａ欄２００５は、３０日前の部品Ａを記憶している。２９日前部品Ａ欄２０１０は、２９日前の部品Ａを記憶している。部品Ａ経過日数欄２０２５は、部品Ａの経過日数を記憶している。部品Ｂ経過日数欄２０３０は、部品Ｂの経過日数を記憶している。故障の有無欄２０９５は、故障の有無を記憶している。
機器又は装置に故障がなかった場合の学習データの生成処理として、以下を行う。
現時点から予め定められた日数前を基準日とし、予め定められた稼働日分の稼働データと基準日時点の保守データを学習データとする。
現時点１９２０から過去に「現時点前３０日間」１９１５以上、故障が発生していないならば、基準日１９１０では、正常な状態であると判断している。なお、現時点１９２０を基準日１９１０とはしていない。もしも、近い将来１９２５で故障が発生した場合、現時点１９２０の保守データと「現時点前３０日間」１９１５における稼働データは故障なしのデータとして学習データとすることは妥当でないため、現時点１９２０から予め定められた期間遡った日を基準日１９１０にしている。
「基準日前３０日間」１９０５における稼働データ（３０日前部品Ａ欄２００５、２９日前部品Ａ欄２０１０、・・・、部品Ａ経過日数欄２０２５、部品Ｂ経過日数欄２０３０、・・・）と基準日１９１０における保守データ（故障の有無欄２０９５における「故障なし」）を用いて、学習データテーブル２０００を生成する。
現時点から予め定められた日数前を基準日とし、予め定められた稼働日分の稼働データと基準日時点の保守データを学習データとする。
現時点１９２０から過去に「現時点前３０日間」１９１５以上、故障が発生していないならば、基準日１９１０では、正常な状態であると判断している。なお、現時点１９２０を基準日１９１０とはしていない。もしも、近い将来１９２５で故障が発生した場合、現時点１９２０の保守データと「現時点前３０日間」１９１５における稼働データは故障なしのデータとして学習データとすることは妥当でないため、現時点１９２０から予め定められた期間遡った日を基準日１９１０にしている。
「基準日前３０日間」１９０５における稼働データ（３０日前部品Ａ欄２００５、２９日前部品Ａ欄２０１０、・・・、部品Ａ経過日数欄２０２５、部品Ｂ経過日数欄２０３０、・・・）と基準日１９１０における保守データ（故障の有無欄２０９５における「故障なし」）を用いて、学習データテーブル２０００を生成する。
なお、本実施の形態（情報処理装置１００、学習装置２００、故障予測装置２１０）としてのプログラムが実行されるコンピュータのハードウェア構成は、図２１に例示するように、一般的なコンピュータであり、具体的にはパーソナルコンピュータ、サーバーとなり得るコンピュータ、スーパーコンピュータ等である。つまり、具体例として、処理部（演算部）としてＣＰＵ２１０１を用い、記憶装置としてＲＡＭ２１０２、ＲＯＭ２１０３、ＨＤ２１０４を用いている。ＨＤ２１０４として、例えばハードディスク、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）を用いてもよい。学習データ生成モジュール１３０、故障予測モデル構築モジュール１４０、予測データ生成モジュール１６０、故障予測処理モジュール１７０、故障箇所特定モジュール１８０等のプログラムを実行するＣＰＵ２１０１と、そのプログラムやデータを記憶するＲＡＭ２１０２と、本コンピュータを起動するためのプログラム等が格納されているＲＯＭ２１０３と、稼働データ記憶モジュール１１０、保守データ記憶モジュール１２０、故障予測モデル蓄積モジュール１５０としての機能を有する補助記憶装置（フラッシュ・メモリ等であってもよい）であるＨＤ２１０４と、キーボード、マウス、タッチスクリーン、マイク等に対する利用者の操作に基づいてデータを受け付ける受付装置２１０６と、ＣＲＴ、液晶ディスプレイ、スピーカー等の出力装置２１０５と、ネットワークインタフェースカード等の通信ネットワークと接続するための通信回線インタフェース２１０７、そして、それらをつないでデータのやりとりをするためのバス２１０８により構成されている。これらのコンピュータが複数台互いにネットワークによって接続されていてもよい。
前述の実施の形態のうち、コンピュータ・プログラムによるものについては、本ハードウェア構成のシステムにソフトウェアであるコンピュータ・プログラムを読み込ませ、ソフトウェアとハードウェア資源とが協働して、前述の実施の形態が実現される。
なお、図２１に示すハードウェア構成は、１つの構成例を示すものであり、本実施の形態は、図２１に示す構成に限らず、本実施の形態において説明したモジュールを実行可能な構成であればよい。例えば、一部のモジュールを専用のハードウェア（例えば特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）等）で構成してもよく、一部のモジュールは外部のシステム内にあり通信回線で接続している形態でもよく、さらに図２１に示すシステムが複数互いに通信回線によって接続されていて互いに協調動作するようにしてもよい。また、前述したコンピュータの他、携帯情報通信機器（携帯電話、スマートフォン、モバイル機器、ウェアラブルコンピュータ等を含む）、情報家電、ロボット、複写機、ファックス、スキャナ、プリンタ、複合機（スキャナ、プリンタ、複写機、ファックス等のいずれか２つ以上の機能を有している画像処理装置）などに組み込まれていてもよい。
なお、図２１に示すハードウェア構成は、１つの構成例を示すものであり、本実施の形態は、図２１に示す構成に限らず、本実施の形態において説明したモジュールを実行可能な構成であればよい。例えば、一部のモジュールを専用のハードウェア（例えば特定用途向け集積回路（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ：ＡＳＩＣ）等）で構成してもよく、一部のモジュールは外部のシステム内にあり通信回線で接続している形態でもよく、さらに図２１に示すシステムが複数互いに通信回線によって接続されていて互いに協調動作するようにしてもよい。また、前述したコンピュータの他、携帯情報通信機器（携帯電話、スマートフォン、モバイル機器、ウェアラブルコンピュータ等を含む）、情報家電、ロボット、複写機、ファックス、スキャナ、プリンタ、複合機（スキャナ、プリンタ、複写機、ファックス等のいずれか２つ以上の機能を有している画像処理装置）などに組み込まれていてもよい。
なお、説明したプログラムについては、記録媒体に格納して提供してもよく、また、そのプログラムを通信手段によって提供してもよい。その場合、例えば、前記説明したプログラムについて、「プログラムを記録したコンピュータ読み取り可能な記録媒体」の発明として捉えてもよい。
「プログラムを記録したコンピュータ読み取り可能な記録媒体」とは、プログラムのインストール、実行、プログラムの流通等のために用いられる、プログラムが記録されたコンピュータで読み取り可能な記録媒体をいう。
なお、記録媒体としては、例えば、デジタル・バーサタイル・ディスク（ＤＶＤ）であって、ＤＶＤフォーラムで策定された規格である「ＤＶＤ−Ｒ、ＤＶＤ−ＲＷ、ＤＶＤ−ＲＡＭ等」、ＤＶＤ＋ＲＷで策定された規格である「ＤＶＤ＋Ｒ、ＤＶＤ＋ＲＷ等」、コンパクトディスク（ＣＤ）であって、読出し専用メモリ（ＣＤ−ＲＯＭ）、ＣＤレコーダブル（ＣＤ−Ｒ）、ＣＤリライタブル（ＣＤ−ＲＷ）等、ブルーレイ・ディスク（Ｂｌｕ−ｒａｙ（登録商標） Ｄｉｓｃ）、光磁気ディスク（ＭＯ）、フレキシブルディスク（ＦＤ）、磁気テープ、ハードディスク、読出し専用メモリ（ＲＯＭ）、電気的消去及び書換可能な読出し専用メモリ（ＥＥＰＲＯＭ（登録商標））、フラッシュ・メモリ、ランダム・アクセス・メモリ（ＲＡＭ）、ＳＤ（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ）メモリーカード等が含まれる。
そして、前記のプログラムの全体又はその一部は、前記記録媒体に記録して保存や流通等させてもよい。また、通信によって、例えば、ローカル・エリア・ネットワーク（ＬＡＮ）、メトロポリタン・エリア・ネットワーク（ＭＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、インターネット、イントラネット、エクストラネット等に用いられる有線ネットワーク、又は無線通信ネットワーク、さらにこれらの組み合わせ等の伝送媒体を用いて伝送させてもよく、また、搬送波に乗せて搬送させてもよい。
さらに、前記のプログラムは、他のプログラムの一部分若しくは全部であってもよく、又は別個のプログラムと共に記録媒体に記録されていてもよい。また、複数の記録媒体に分割して記録されていてもよい。また、圧縮や暗号化等、復元可能であればどのような態様で記録されていてもよい。
「プログラムを記録したコンピュータ読み取り可能な記録媒体」とは、プログラムのインストール、実行、プログラムの流通等のために用いられる、プログラムが記録されたコンピュータで読み取り可能な記録媒体をいう。
なお、記録媒体としては、例えば、デジタル・バーサタイル・ディスク（ＤＶＤ）であって、ＤＶＤフォーラムで策定された規格である「ＤＶＤ−Ｒ、ＤＶＤ−ＲＷ、ＤＶＤ−ＲＡＭ等」、ＤＶＤ＋ＲＷで策定された規格である「ＤＶＤ＋Ｒ、ＤＶＤ＋ＲＷ等」、コンパクトディスク（ＣＤ）であって、読出し専用メモリ（ＣＤ−ＲＯＭ）、ＣＤレコーダブル（ＣＤ−Ｒ）、ＣＤリライタブル（ＣＤ−ＲＷ）等、ブルーレイ・ディスク（Ｂｌｕ−ｒａｙ（登録商標） Ｄｉｓｃ）、光磁気ディスク（ＭＯ）、フレキシブルディスク（ＦＤ）、磁気テープ、ハードディスク、読出し専用メモリ（ＲＯＭ）、電気的消去及び書換可能な読出し専用メモリ（ＥＥＰＲＯＭ（登録商標））、フラッシュ・メモリ、ランダム・アクセス・メモリ（ＲＡＭ）、ＳＤ（Ｓｅｃｕｒｅ Ｄｉｇｉｔａｌ）メモリーカード等が含まれる。
そして、前記のプログラムの全体又はその一部は、前記記録媒体に記録して保存や流通等させてもよい。また、通信によって、例えば、ローカル・エリア・ネットワーク（ＬＡＮ）、メトロポリタン・エリア・ネットワーク（ＭＡＮ）、ワイド・エリア・ネットワーク（ＷＡＮ）、インターネット、イントラネット、エクストラネット等に用いられる有線ネットワーク、又は無線通信ネットワーク、さらにこれらの組み合わせ等の伝送媒体を用いて伝送させてもよく、また、搬送波に乗せて搬送させてもよい。
さらに、前記のプログラムは、他のプログラムの一部分若しくは全部であってもよく、又は別個のプログラムと共に記録媒体に記録されていてもよい。また、複数の記録媒体に分割して記録されていてもよい。また、圧縮や暗号化等、復元可能であればどのような態様で記録されていてもよい。
１００…情報処理装置
１１０…稼働データ記憶モジュール
１２０…保守データ記憶モジュール
１３０…学習データ生成モジュール
１４０…故障予測モデル構築モジュール
１５０…故障予測モデル蓄積モジュール
１６０…予測データ生成モジュール
１７０…故障予測処理モジュール
１８０…故障箇所特定モジュール
２００…学習装置
２１０…故障予測装置
２２０…データ記憶装置
２３０…ユーザー端末
２４０…機器
２５０…装置
２９０…通信回線
１１０…稼働データ記憶モジュール
１２０…保守データ記憶モジュール
１３０…学習データ生成モジュール
１４０…故障予測モデル構築モジュール
１５０…故障予測モデル蓄積モジュール
１６０…予測データ生成モジュール
１７０…故障予測処理モジュール
１８０…故障箇所特定モジュール
２００…学習装置
２１０…故障予測装置
２２０…データ記憶装置
２３０…ユーザー端末
２４０…機器
２５０…装置
２９０…通信回線
Claims (8)
- 複数の機器又は設備における部品の経過日数の情報を含む保守データから修理直前の保守データを抽出し、当該修理直前の保守データ中で取り換えた部品の経過日数を０とした保守データを修理直後の保守データとして作成する作成手段と、
前記複数の機器又は設備における稼働データと保守データを用いて、機器又は設備の故障予測を行うモデルを構築するための学習データを生成する生成手段と
を有する情報処理装置。 - 前記保守データは、前記複数の機器又は設備における部品について正常か異常かの状態を示す情報も含むものであり、
前記作成手段は、前記修理直後の保守データについて、前記取り換えた部品は正常であるものとして作成する、
請求項１に記載の情報処理装置。 - 前記作成手段は、修理を行った後、予め定められた期間に前記取り換えた部品に再び故障が発生していないことを条件として、修理直前の保守データと修理直後の保守データを作成する、
請求項１に記載の情報処理装置。 - 修理を行った後、予め定められた期間に前記取り換えた部品に再び故障が発生した場合は、前記作成手段が作成した前記修理直後の保守データを削除する削除手段
をさらに有する請求項１に記載の情報処理装置。 - 前記生成手段は、第１の時点から当該第１の時点よりも後の第２の時点までの第１の期間において前記機器又は設備において故障がなかった場合は、第２の時点から予め定められた第２の期間前を基準日とし、該基準日以前の第３の時点から該基準日までの第３の期間における稼働データを、正常を示す稼働データとしてモデル構築に用いる、
請求項１に記載の情報処理装置。 - 前記生成手段は、保守データとして、前記基準日における保守データを、正常を示す保守データとしてモデル構築に用いる、
請求項５に記載の情報処理装置。 - 請求項１から６のいずれか一項に記載の情報処理装置によって作成された学習データを用いて構築されたモデルによって、機器又は設備の故障予測を行う予測手段と、
前記故障予測が故障ありとなった場合に、前記モデルに対して、複数の部品のうち第１の部品の経過日数を予め定められた数値に変更した保守データを入力して、正常との予測となった場合に、該第１の部品を故障箇所として特定する特定手段と
を有する情報処理装置。 - コンピュータを、
複数の機器又は設備における部品の経過日数の情報を含む保守データから修理直前の保守データを抽出し、当該修理直前の保守データ中で取り換えた部品の経過日数を０とした保守データを修理直後の保守データとして作成する作成手段と、
前記複数の機器又は設備における稼働データと保守データを用いて、機器又は設備の故障予測を行うモデルを構築するための学習データを生成する生成手段
として機能させるための情報処理プログラム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017039232A JP2018147080A (ja) | 2017-03-02 | 2017-03-02 | 情報処理装置及び情報処理プログラム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017039232A JP2018147080A (ja) | 2017-03-02 | 2017-03-02 | 情報処理装置及び情報処理プログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2018147080A true JP2018147080A (ja) | 2018-09-20 |
Family
ID=63592145
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017039232A Pending JP2018147080A (ja) | 2017-03-02 | 2017-03-02 | 情報処理装置及び情報処理プログラム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2018147080A (ja) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020071039A1 (ja) * | 2018-10-01 | 2020-04-09 | 三菱電機株式会社 | 劣化検知システム |
| WO2020110208A1 (ja) * | 2018-11-27 | 2020-06-04 | 富士通フロンテック株式会社 | 原因推定装置、原因推定出力方法及び紙葉類取扱システム |
| JP2020170333A (ja) * | 2019-04-03 | 2020-10-15 | パナソニックＩｐマネジメント株式会社 | 情報処理装置、情報処理方法、および、学習装置 |
| JP2020170952A (ja) * | 2019-04-04 | 2020-10-15 | セイコーエプソン株式会社 | 画像処理装置、機械学習装置、画像処理方法 |
| JP7442310B2 (ja) | 2019-12-11 | 2024-03-04 | 西日本旅客鉄道株式会社 | 学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデル |
| JP7483341B2 (ja) | 2019-09-26 | 2024-05-15 | キヤノン株式会社 | 情報処理方法、情報処理装置、機械設備、物品の製造方法、プログラム、記録媒体 |
-
2017
- 2017-03-02 JP JP2017039232A patent/JP2018147080A/ja active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020071039A1 (ja) * | 2018-10-01 | 2020-04-09 | 三菱電機株式会社 | 劣化検知システム |
| CN112771462A (zh) * | 2018-10-01 | 2021-05-07 | 三菱电机株式会社 | 劣化检测系统 |
| CN112771462B (zh) * | 2018-10-01 | 2023-06-09 | 三菱电机株式会社 | 劣化检测系统 |
| WO2020110208A1 (ja) * | 2018-11-27 | 2020-06-04 | 富士通フロンテック株式会社 | 原因推定装置、原因推定出力方法及び紙葉類取扱システム |
| JPWO2020110208A1 (ja) * | 2018-11-27 | 2021-05-13 | 富士通フロンテック株式会社 | 原因推定装置、原因推定出力方法及び紙葉類取扱システム |
| JP2020170333A (ja) * | 2019-04-03 | 2020-10-15 | パナソニックＩｐマネジメント株式会社 | 情報処理装置、情報処理方法、および、学習装置 |
| JP7329753B2 (ja) | 2019-04-03 | 2023-08-21 | パナソニックＩｐマネジメント株式会社 | 情報処理装置、情報処理方法、および、学習装置 |
| JP2020170952A (ja) * | 2019-04-04 | 2020-10-15 | セイコーエプソン株式会社 | 画像処理装置、機械学習装置、画像処理方法 |
| US11117762B2 (en) | 2019-04-04 | 2021-09-14 | Seiko Epson Corporation | Image processing apparatus, machine learning device, and image processing method |
| JP7036082B2 (ja) | 2019-04-04 | 2022-03-15 | セイコーエプソン株式会社 | 画像処理装置、機械学習装置、画像処理方法 |
| JP7483341B2 (ja) | 2019-09-26 | 2024-05-15 | キヤノン株式会社 | 情報処理方法、情報処理装置、機械設備、物品の製造方法、プログラム、記録媒体 |
| JP7442310B2 (ja) | 2019-12-11 | 2024-03-04 | 西日本旅客鉄道株式会社 | 学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデル |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2018147080A (ja) | 情報処理装置及び情報処理プログラム | |
| US10025657B2 (en) | Information processing system and failure diagnosis method | |
| US20050165822A1 (en) | Systems and methods for business process automation, analysis, and optimization | |
| JP2019159730A (ja) | 保守システム、保守サーバ、保守方法 | |
| JP6201792B2 (ja) | 情報処理装置及び情報処理プログラム | |
| JP6468099B2 (ja) | 情報処理システム、故障原因診断方法及びプログラム | |
| JP6888415B2 (ja) | 情報処理装置及び情報処理プログラム | |
| US11972398B2 (en) | Machine learning powered anomaly detection for maintenance work orders | |
| US11619923B2 (en) | Digital twin management system and method | |
| JP6285371B2 (ja) | 業務仕様再生システム、業務仕様再生方法 | |
| JP6575077B2 (ja) | 表示制御装置及び表示制御プログラム | |
| US11481164B2 (en) | System and method for modeling and implementing predictive device maintenance | |
| JP2008198123A (ja) | 障害検知システム及び障害検知プログラム | |
| JP2017162142A (ja) | 情報処理装置及び情報処理プログラム | |
| JP2021196981A (ja) | 教育コンテンツ作成システム及び方法 | |
| JP5716400B2 (ja) | 情報処理装置及び情報処理プログラム | |
| JP2020044824A (ja) | 音情報処理装置、音情報処理システム及び音情報処理プログラム | |
| JP2016045840A (ja) | 情報処理装置及び情報処理プログラム | |
| JP6872118B2 (ja) | 情報処理装置及び情報処理プログラム | |
| JP2016042290A (ja) | 情報処理装置及び情報処理プログラム | |
| JP6547341B2 (ja) | 情報処理装置、方法及びプログラム | |
| JP6872120B2 (ja) | 情報処理装置及び情報処理プログラム | |
| JP6601014B2 (ja) | 情報処理システム及びプログラム | |
| JP2018185601A (ja) | 情報処理装置及び情報処理プログラム | |
| JP2022049036A (ja) | 情報処理装置及び情報処理プログラム |