JP2019212131A - 予測装置、電気機器、管理システム、予測方法、及び制御プログラム - Google Patents

Abstract

【課題】電気機器に対する故障予測の精度を高めることができる故障予測システムを提供する。【解決手段】管理システム１において、複数の電気機器２０の故障予測を行う予測装置１０であって、取得部１８は、電気機器２０に関連付けられた家電グループに区分される各電気機器から、種別情報及び時系列に沿った計測結果を示す計測情報を取得する。制御部１１は、取得部が取得した情報を入力値とし、将来的な故障の発生予測である予測情報を出力値とする予測情報生成部１２を備えている。【選択図】図１

Description

本発明は、予測装置、電気機器、管理システム、予測方法、及び制御プログラムに関する。

従来、電気機器が故障する時期を推定し、ユーザに提示可能なシステムが知られている。以下の特許文献１では、電気機器から取得した運転情報と過去の運転情報（基準データ）との乖離に基づいて、推定故障時期を提示可能な機器システムが開示されている。

特許第５６２１８８８号公報（２０１４年１０月３日公開）

しかしながら、上述のような従来技術は、電気機器の利用状況に応じた適切な基準データを選択するのが困難であるため、故障予測の精度を高めるのが難しいという課題がある。

本発明の一態様は、電気機器に対する故障予測の精度を高めることを目的とする。

上記の課題を解決するために、本発明の一態様に係る予測装置は、電気機器の故障予測を行う予測装置であって、取得部と、制御部とを備え、上記取得部は、上記電気機器に関連付けられた家電グループに区分される各電気機器から、当該電気機器の種別を示す種別情報、及び、時系列に沿った計測結果を示す計測情報を取得し、上記制御部は、上記取得部が取得した情報を入力値とし、将来的な故障の発生予測である予測情報を出力値とする予測情報生成部を備えている。

本発明の一態様によれば、電気機器に対する故障予測の精度を高めることができる。

実施形態１に係る管理システムの機能ブロック図である。 管理システムの構成を示す概略図である。 実施形態１に係る処理の流れを示すシーケンス図である。 データベースの一例を示す図である。 ニューラルネットワークにおける機械学習を示す概略図である。 ニューラルネットワークの構造を示す概略図である。 データセットと、教師信号との時系列上の関係を示す図である。 教師信号の一例を示す図である。 電気機器の故障予測の処理を示す概略図である。 ニューラルネットワークの構造を示す概略図である。 電気機器に対応するリモコンに通知を表示させた例を示す図である。 部位ごとの教師信号を示す図である。 実施形態２に係る管理システムの機能ブロック図である。 実施形態２に係る処理の流れを示すシーケンス図である。 実施形態３に係る処理の流れを示すシーケンス図である。 予測装置または電気機器として利用可能なコンピュータの構成を例示したブロック図である。

本発明の実施形態について図１〜図１６を参照して説明すれば以下の通りである。

〔実施形態１〕
以下、本発明の一実施形態について、図１〜図１１を参照して説明すれば以下の通りである。本実施形態においては、電気機器に対してサーバとして機能する予測装置において、当該電気機器の故障予測を行う構成について説明する。

〔１．管理システム１の構成〕
図１を参照して本実施形態の構成について説明する。図１は、本実施形態に係る管理システム１の機能ブロック図である。管理システム１は、予測装置１０と、電気機器２０とを備えている。なお、図１に図示された電気機器２０は単数であるが、管理システム１は、複数の電気機器２０を備えていてもよい。また、複数の電気機器２０は、同一宅内に設けられていなくともよい。図２は、管理システム１の構成を示す概略図である。図２内の点線で枠囲みされたグループに例示すように、予測装置１０に対するクライアントとして機能する各電気機器２０は、種別ごとに家電グループとして区分される。

なお、同種の電気機器２０であっても、異なる商品であれば異なる家電グループとして分類されてもよい。換言すると、家電グループは、商品ごとに設定されてもよい。また、同一の商品であっても、異なる製造ロットであれば異なる家電グループとして分類されてもよい。換言すると、家電グループは、商品の製造ロットごとに設定されてもよい。

予測装置１０は、電気機器２０の故障予測を行う装置であって、制御部１１、記憶部１７、取得部１８、及び通信部１９を備えている。制御部１１は、予測装置１０全体を統括する制御装置であって、予測情報生成部１２及び通信制御部１３を備えている。予測情報生成部１２は、電気機器２０の将来的な故障の発生予測である予測情報を生成する。また、予測情報生成部１２は、電気機器２０の故障予測に関する判断に用いられるニューラルネットワーク機構を備えている。また、上記ニューラルネットワークは、後述するＲＮＮ又はＬＳＴＭであってよい。通信制御部１３は、通信部１９による通信処理に係る制御を行う。

記憶部１７は、各種情報を保持する記憶装置であって、各電気機器２０が何れの家電グループに属するかを示す情報と、各家電機器から取得したセンサ情報、つまり、各電気機器２０が計測した計測情報とを、例えばデータベース形式で保持する。また、記憶部１７は、予測情報生成部１２が有するニューラルネットワークの各層における処理を規定するパラメータセットを格納する。また、上記ニューラルネットワークにおける機械学習とは、制御部１１が、上記パラメータセットの値を更新することに相当する。

また、上記パラメータセットを適用したニューラルネットワークは、予測情報生成部１２が電気機器２０の故障予測に用いる故障予測モデルである、とも言える。センサ情報、データベース及び故障予測モデルの詳細については後述する。

取得部１８は、通信部１９を介して、各電気機器２０から種別情報と上述したセンサ情報とを取得する。通信部１９は、電気機器２０等の外部の装置との通信処理を行う。ここで、種別情報とは、電気機器２０が、例えば、エアコン、冷蔵庫、或いはテレビ等、どのような機器に分類されるかを示す情報である。

電気機器２０は、それぞれ屋内外に設置された、又は屋内外で使用される家電等の機器であって、予測装置１０に対するクライアントとして設定された機器である。なお、管理システム１が備える各電気機器２０の所有者は、互いに異なっていてもよい。電気機器２０は、制御部２１、表示部（通知部）２８、及び通信部２９を備える。また、電気機器２０は、自装置の各箇所について故障しているか否かを検知する機能を有する。

制御部２１は、電気機器２０全体を統括する制御装置であって、表示制御部２２、及び通信制御部２３を備える。表示制御部２２は、表示部２８による画面表示に係る処理を行う。通信制御部２３は、通信部２９による通信処理に係る制御を行う。

表示部２８は、テキスト又は画像を表示可能な表示パネルである。なお、電気機器２０が、表示パネルに替わり例えばスピーカを備え、上記スピーカによって音声でユーザに情報を通知する構成でもよい。通信部２９は、予測装置１０等の外部の装置との通信処理を行う。

なお、予測装置１０及び電気機器２０が有する機能の一部が、図１に図示しない外部の装置において実現される構成でもよい。例えば、記憶部１７が、予測装置１０からアクセス可能な別のサーバによって実現されてもよいし、表示部２８が、電気機器２０を操作するリモコンに設けられていてもよい。また、予測装置１０及び電気機器２０が備える各部材は単数であることに限定されず、複数の当該部材を備える構成でもよい。

〔２．処理の流れ〕
電気機器２０が故障の予兆を提示する処理の流れについて、図１及び図３〜図１１を参照してステップごとに説明する。図３は、本実施形態に係る処理の流れを示すシーケンス図である。

（ステップＳ１０１）
ステップＳ１０１において、電気機器２０が備える通信制御部２３は、電気機器２０自身の家電ＩＤ、センサ情報、及び故障フラグを予測装置１０に送信する。ここで、家電ＩＤとは、電気機器２０の各々を識別するために各電気機器２０に割り当てられた、識別番号等の固有の情報である。また、故障フラグとは、電気機器２０が故障しているか否かを示す情報である。なお、図示していないが、電気機器２０が、予測装置１０に初めてアクセスする場合には、電気機器２０自身の種別又は製造ロット等を示す情報を予測装置１０に送信する。

（ステップＳ１０２）
続いて、ステップＳ１０２において、予測装置１０が備える取得部１８は、通信部１９を介して、ステップＳ１０１において電気機器２０が送信した各情報を取得する。次いで取得部１８は、当該情報を、記憶部１７が有するデータベースに蓄積する。

図４は、上記データベースの一例を示す図である。ここで、図４（Ａ）に示すテーブルの各レコードが、ステップＳ１０１において電気機器２０が送信した各情報に相当する。なお、図４（Ａ）に示すテーブルのフィールド「時刻」は、電気機器２０から取得した、センサ情報の計測時刻であってもよいし、予測装置１０が上記各情報を取得した時刻でもよい。

また、フィールド「瞬間消費電力計測値」「外気温計測値」及び「室内温度計測値」は、上述したセンサ情報の一例に相当する。他のセンサ情報の一例としては、地域情報、動作状態、設置場所、バージョン番号、異常発生状態、異常内容、メーカコード、事業場コード、商品コード、製造年月日、プロパティマップ、電流制限設定、節電動作設定、遠隔操作設定、積算運転時間、現在時刻設定、現在年月日設定、定格消費電力値、消費電流計測値、積算消費電力計測値、又は電力制限設定等が挙げられる。ここで、地域情報とは、電気機器２０が設けられた地域を示す情報であって、例えば気候帯ごとに区分された情報である。

なお、センサ情報は、電気機器２０の種別ごとに異なり得る。上述した「外気温計測値」及び「室内温度計測値」は、電気機器２０がエアコンである場合におけるセンサ情報の一例である。他にエアコンのセンサ情報の一例としては、運転モード設定、温度自動設定、急速動作モード設定、温度設定値、除湿モード時相対湿度設定値、冷房モード時温度設定値、暖房モード時温度設定値、除湿モード時温度設定値、室内相対湿度計測値、リモコン温度設定値、吹き出し温度計測値、相対温度設定値、風量設定、風向設定、換気・加湿モード設定、加湿量設定、搭載空気清浄方法、搭載自己洗浄方法、内部動作状態、又はタイマ予約設定等が挙げられる。

また、電気機器２０が冷蔵庫である場合におけるセンサ情報の一例としては、ドアの開閉状態、冷蔵室・冷凍室・氷温室・野菜室等の開閉状態、温度設定値、温度計測値、加湿動作設定、若しくは脱臭動作設定、ドアの開放警告状態、設定可能温度の最大値・最低値、圧縮機回転数、急速冷蔵・冷凍動作設定、製氷許可設定、製氷動作状態、又は製氷用給水タンク状態等が挙げられる。

また、電気機器２０がテレビである場合におけるセンサ情報の一例としては、表示制御設定、文字列設定受付可能状態、表示可能文字コード、伝達文字列設定、又は受付け伝達文字列長等が挙げられる。

なお当然に、電気機器２０は、上述したエアコン、冷蔵庫、テレビ以外の機器であってもよく、当該機器が計測するセンサ情報も互いに異なっていてもよい。なお、センサ情報には、上述した製造年月日のように、今後値が変化しない項目が含まれていても構わない。故に、センサ情報、つまり計測情報の各項目については、電気機器２０における計測処理が実際になされたか否かを区別しない。通常、センサ情報は、電気機器２０の種別ごとに異なるため、記憶部１７は、家電グループごとに図４（Ａ）に相当するデータベースのテーブルを有することが望ましい。

図４（Ｂ）は、各電気機器２０が何れの家電グループに分類されるかというテーブルを示す図である。図４（Ｂ）に示すテーブルを参照することにより、予測装置１０は、各電気機器２０に関連付けられた家電グループを認識し、例えば、当該家電グループに対応する、図４（Ａ）に相当するテーブルを特定することができる。

なお、図４（Ｂ）に示すテーブルには、予測装置１０が、ステップＳ１０１又は任意のタイミングで新規の電気機器２０から電気機器２０の家電ＩＤ及び種別等を示す情報を受信した場合にレコードが追加される。ただし、例えば予測装置１０と電気機器２０との製造元が同一である場合等においては、電気機器２０の家電ＩＤ及び家電グループを示す情報が、図４（Ｂ）に例示するテーブルに、電気機器２０からのアクセスを待たずして予め含まれる構成でもよい。

なお、ステップＳ１０１及びステップＳ１０２の処理は、定期的に、又は所定のタイミングで実行される。つまり取得部１８は、所定の時間間隔ごとに、電気機器２０において計測された計測情報を取得する、と言える。上記の構成によれば、予測装置１０は、所定の時間ごとに新たな計測情報を蓄積できる。

そして、ステップＳ１０１及びステップＳ１０２の処理が、１回又は複数回実行されたのちに続いてステップＳ１０３の処理が実行される。

（ステップＳ１０３）
続いて、ステップＳ１０３において、制御部１１は、ステップＳ１０２において記憶部１７に蓄積された情報を参照して、予測情報生成部１２が有するニューラルネットワークを学習させる。換言すると、制御部１１が、記憶部１７に格納された、上記ニューラルネットワークが参照するパラメータセットを更新、つまり故障予測モデルを更新する。

図５は、ニューラルネットワークにおける機械学習を示す概略図である。ここで、図５のＲＮＮ（Recurrent Neural Network）、ＬＳＴＭ（Long Short Term Memory）は、自身に対する前回までの入力値を反映した出力値を導出可能なニューラルネットワークである。

図６は、図５に示す機能と類似する機能を達成する別のニューラルネットワークの構造を示す概略図である。図６の「時刻ｔ−ｎ〜ｔにおけるセンサ情報」に例示するように、ニューラルネットワークの入力層には、対象とする家電グループｉに属する電気機器２０（家電ｊ）の各時刻におけるセンサ情報、つまり時系列に沿った計測結果が入力される。

図５及び図６における誤差検出とは、ニューラルネットワークに入力される教師情報と、現行の故障予測モデルにおいて入力値から得られる出力値との差異を検出することを示している。そして制御部１１は、当該差異が少なくなる勾配方向に、当該ニューラルネットワークのパラメータセットを更新する。

ここで、上述した教師情報とは、電気機器２０のセンサ情報等と、電気機器２０が当該センサ情報を測定してから所定の時間後に故障したか否かを示す故障情報である。なお、電気機器２０が事後的に故障したか否かは、図４（Ａ）に例示するテーブルの各レコードの時刻及び故障フラグを参照することにより導出される。

つまり、ステップＳ１０２において取得部１８は、予測情報が対象とする電気機器２０が事後的に故障したか否かを示す故障情報を取得し、本ステップにおいて制御部１１は、上記故障情報を参照して、予測情報生成部１２を学習させる、とも言える。上記の構成によれば、予測装置１０は、機械学習を行うことにより、故障予測の精度をより改善することができる。

また、図７は、ニューラルネットワークに入力される、各時刻におけるセンサ情報に相当するデータセット１〜ｎと、後述する教師信号との時系列上の関係を示す図である。図７は、各センサ情報が反映されたニューラルネットワークの出力値と、当該出力値と比較される教師信号とを示唆している。

図８は、上述した教師情報に相当する教師信号の一例を示す図である。図８に例示する教師信号においては、電気機器２０が故障した時期から、電気機器２０の回復・修理に要すると予想される期間（T_r）分、更に遡った時期から故障が生じていたものとみなしている。

なお、当該期間T_rについても、制御部１１が図４（Ａ）に例示するテーブルを参照することにより導出される。また、記憶部１７は、制御部１１が導出した当該期間を、例えば家電グループごとにデータベース形式で別途保持してもよい。また、当該期間T_rは、例えば、電気機器２０の家電グループごと又は異常内容ごと等に予め定められ、記憶部１７に格納されていてもよい。

このように、電気機器２０の回復・修理に要する期間分、先行して故障予測を行うことにより、故障の予兆が検知されてから、故障が実際に発生する前に電気機器２０の回復・修理を完了させることも可能となる。また、図８中、周期T_cとは、故障予測モデルの更新処理が実行される周期の例を示している。

ステップＳ１０３の処理は、定期的に、又は所定のタイミングで実行される。つまり、制御部１１は、例示した周期T_cのような所定の時間間隔ごとに、予測情報生成部１２が有するニューラルネットワークを学習させる、と言える。また、各学習におけるニューラルネットワークに対する入力値となるセンサ情報の供給元である各家電ｊは、故障予測の対象となる電気機器２０と同じ家電グループに属していればよく、別の個体であってもよい。

そして、ステップＳ１０３の処理が、１回又は複数回実行されたのちに続いてステップＳ１０４の処理が実行される。

なお、制御部１１による故障予測のための学習処理の具体構成は本実施形態を限定するものではなく、例えば、以下のような機械学習的手法の何れかまたはそれらの組み合わせを用いることができる。

・サポートベクターマシン（SVM: Support Vector Machine）
・クラスタリング（Clustering）
・帰納論理プログラミング（ILP: Inductive Logic Programming）
・遺伝的アルゴリズム（GP: Genetic Programming）
・ベイジアンネットワーク（BN: Baysian Network）
・ニューラルネットワーク（NN: Neural Network）
ニューラルネットワークを用いる場合、データをニューラルネットワークへのインプット用に予め加工して用いるとよい。このような加工には、データの１次元的配列化、または多次元的配列化に加え、例えば、データアーギュメンテーション（Deta Argumentation）等の手法を用いることができる。

また、ニューラルネットワークを用いる場合、畳み込み処理を含む畳み込みニューラルネットワーク（CNN: Convolutional Neural Network）を用いてもよい。より具体的には、ニューラルネットワークに含まれる１又は複数の層（レイヤ）として、畳み込み演算を行う畳み込み層を設け、当該層に入力される入力データに対してフィルタ演算（積和演算）を行う構成としてもよい。またフィルタ演算を行う際には、パディング等の処理を併用したり、適宜設定されたストライド幅を採用したりしてもよい。

また、ニューラルネットワークとして、数十〜数千層に至る多層型又は超多層型のニューラルネットワークを用いてもよい。

（ステップＳ１０４）
続いて、ステップＳ１０４において、予測情報生成部１２は、電気機器２０のセンサ情報を、上述した故障予測モデルに適用して電気機器２０の故障予測を実施、つまり電気機器２０が故障するか否かを推定する。

図９は、ステップＳ１０３において制御部１１が更新した故障予測モデルを用いた、電気機器２０の故障予測の処理を示す概略図である。また、図１０は、図９に示す機能と類似する機能を達成する別のニューラルネットワークの構造を示す概略図である。なお、センサ情報の供給元である家電ｊ、及び故障予測の対象となる電気機器２０は、同じ家電グループに属していればよく、別の個体であってもよい。また、図９及び図１０の平滑化とは、故障予測判定に用いるデータからノイズを除去する処理を示している。

ステップＳ１０４において、予測情報生成部１２は、電気機器２０の各時刻におけるセンサ情報を入力値とし、最終的に、電気機器２０が故障するか否かを推定した予測情報であって、将来的な故障の発生予測である予測情報を生成する。また、当該予測情報には、電気機器２０の故障が予想される時期を示す情報、電気機器２０の回復・修理に要すると予想される期間を示す情報、又はその両方が含まれていてもよい。上記の構成によれば、当該予測情報を参照することにより、電気機器２０の修理期間が把握可能となる。

また、ステップＳ１０２において取得部１８が、地域情報を含むセンサ情報を取得して、本ステップにおいて、予測情報生成部１２は、取得部１８が取得した上記地域情報も参照して、予測情報を生成してもよい。上記の構成によれば、予測情報生成部１２は、電気機器２０が設けられた地域の気候帯に応じた予測情報を生成できる。

（ステップＳ１０５）
続いて、ステップＳ１０５においては、ステップＳ１０４において予測情報生成部１２が、電気機器２０が故障すると推定したか否かに応じた分岐を行う。予測情報生成部１２が、電気機器２０が故障すると推定した場合は、続いてステップＳ１０６の処理が実行され、故障しないと推定した場合は、図３のシーケンス図に基づく処理を終了する。

（ステップＳ１０６）
ステップＳ１０６において、通信制御部１３は、ステップＳ１０４において予測情報生成部１２が生成した予測情報を、電気機器２０に送信する。

（ステップＳ１０７）
続いて、ステップＳ１０７において、電気機器２０が備える通信制御部２３は、ステップＳ１０６において予測装置１０が送信した予測情報を受信する。

（ステップＳ１０８）
続いて、ステップＳ１０８において、電気機器２０が備える表示制御部２２は、ステップＳ１０７において通信部２９が受信した予測情報が示す内容を表示部２８に表示する。換言すると、制御部２１は、電気機器２０の将来的な故障の発生予測である予測情報を表示部２８に通知させる。上記の構成によれば、ユーザは電気機器２０の故障の予兆を容易に把握することができる。

図１１は、電気機器２０に対応するリモコンに、電気機器２０の故障が予想される旨の通知を表示させた例を示す図である。図１１の例においては、表示部２８右上のアイコン４１が、対応する電気機器２０の故障が予想されることを示している。なお、表示制御部２２は、例えば電気機器２０の故障が予想される時期を示す情報、電気機器２０の回復・修理に要すると予想される期間を示す情報、又はその両方を、アイコン４１に付随させて表示部２８に表示させてもよい。以上が、図２のシーケンス図に基づく処理の流れである。

上述したように、本実施形態に係る予測装置１０は、電気機器２０の故障予測を行う予測装置であって、取得部１８と、制御部１１とを備え、取得部１８は、上記電気機器２０が属する家電グループ、つまり上記電気機器２０に関連付けられた家電グループに区分される各電気機器２０から、電気機器２０の種別を示す種別情報、及び、時系列に沿った計測結果を示す計測情報を取得し、制御部１１は、取得部１８が取得した情報を入力値とし、将来的な故障の発生予測である予測情報を出力値とする予測情報生成部１２を備えている。上記の構成によれば、電気機器２０に対する故障予測の精度を高めることができる。

また、本実施形態に係る予測装置１０は、利用状況に応じて選択された基準データに基づいて推定故障時期を提示する従来技術とは異なり、上述したように、一つの故障予測モデルに電気機器２０から取得したセンサ情報を適用することにより故障予測を実施することができる。故に、予測装置１０は、故障予測の度に、利用状況に応じた基準となる適切なデータを選択する、という困難な処理を行う必要がない。

また、本実施形態に係る電気機器２０は、通信部２９と、制御部２１とを備えている電気機器２０であって、制御部２１は、通信部２９を介して、電気機器２０の種別を示す種別情報、及び、時系列に沿った計測結果を示す計測情報を送信する。上記の構成によれば、故障予測に用いる各情報を送信可能な電気機器２０を実現できる。

〔実施形態１の変形例〕
実施形態１の変形例について図１及び図１２を参照して説明する。なお、既に説明した事項については重複する説明を繰り返さない。

本変形例に係る予測情報生成部１２は、電気機器２０の対象部位ごとに故障予測を行う構成である。ここで、対象部位とは、電気機器２０の一部を構成する、例えば表示部２８等の部材である。つまり本変形例に係る予測情報生成部１２は、電気機器２０の当該部位ごとに故障が予想されるか否かを示す情報を出力する。また、本変形例に係る電気機器２０は、各部位についての故障フラグか、又は自装置の故障部位を示す情報を予測装置１０に送信する。

図１２は、制御部１１がニューラルネットワークの更新において参照する、当該部位ごとの教師信号を示す図である。制御部１１は、各部位についてのニューラルネットワークの出力値と、各教師信号との差異が少なくなる勾配方向に、当該ニューラルネットワークのパラメータセットを更新する。そして予測装置１０は、当該部位ごとの予測情報を生成し、電気機器２０に送信する。なお、本変形例に係る表示制御部２２は、上述したステップＳ１０８に相当する工程において、電気機器２０の故障が予想される部位を、アイコン４１に付随させて表示部２８に表示させることが望ましい。

また、予測装置１０が、当該部位ごとに回復・修理に要する時間を導出して当該時間を示す情報を電気機器２０に送信し、電気機器２０において当該情報を表示する構成でもよいし、予測装置１０が、予め記憶部１７に格納された当該部位ごとの回復・修理に要する時間を取得して当該期間を示す情報を電気機器２０に送信し、電気機器２０において当該情報を表示する構成でもよい。上記の構成において、予測情報生成部１２は、電気機器２０の対象部位ごとに、修理に要すると予想される時間を含む予測情報を生成する。上記の構成によれば、当該予測情報を参照することにより、電気機器２０の故障が予想される個所と、修理期間とが把握可能となる。

なお、本変形例において説明した、各部位ごとに故障予測を行う構成は、以降の実施形態に対しても適用可能である。

〔実施形態２〕
本発明の第２の実施形態について、図１、図１１、図１３、及び図１４を参照して説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、重複する説明を繰り返さない。本実施形態においては、予測装置１０に対するクライアントに相当する電気機器側において故障予測を実行する構成について説明する。

〔１．管理システム１ａの構成〕
図１３を参照して本実施形態の構成について説明する。図１３は、本実施形態に係る管理システム１ａの機能ブロック図である。

管理システム１ａは、図１に示す管理システム１から、電気機器２０ａが更に記憶部２７を備える構成である。また、本実施形態に係る制御部２１は、予測装置１０の予測情報生成部１２と同様に、電気機器２０ａの故障予測に関する判断に用いられるニューラルネットワーク機構を備えている。

記憶部２７は、各種情報を保持する記憶装置であって、電気機器２０ａが計測したセンサ情報の履歴と、上記ニューラルネットワークの各層における処理を規定するパラメータセットとを格納する。また、上記パラメータセットを適用した、制御部２１が有するニューラルネットワークは、電気機器２０ａ自身の故障予測に用いる故障予測モデルに相当する。

〔２．処理の流れ〕
電気機器２０ａが故障予測を実行する処理の流れについて、図１１、図１３及び図１４を参照して説明する。図１４は、本実施形態に係る処理の流れを示すシーケンス図である。

（ステップＳ１０１〜１０３）
ステップＳ１０１〜ステップＳ１０３においては、実施形態１と同様の処理を行う。ただし、電気機器２０ａが計測したセンサ情報は、電気機器２０ａの記憶部２７にも蓄積される。ステップＳ１０３における、制御部１１によるパラメータセットの更新処理が実行されたのち、続いてステップＳ２０４の処理が実行される。

（Ｓ２０４）
続いて、ステップＳ２０４において、通信制御部１３は、ステップＳ１０３において制御部１１が更新したパラメータセットを示す情報を電気機器２０ａに送信する。

（Ｓ２０５）
続いて、ステップＳ２０５において、電気機器２０ａが備える通信制御部２３は、ステップＳ２０４において予測装置１０が送信したパラメータセットを示す情報を受信して、記憶部２７に格納する。

（Ｓ２０６）
続いて、ステップＳ２０６において、制御部２１は、時系列に沿ったセンサ情報を入力値として、記憶部２７に格納されたパラメータセットを適用したニューラルネットワークにより、電気機器２０ａの故障予測を実行する。換言すると、制御部２１は、電気機器２０ａのセンサ情報を、故障予測モデルに適用して電気機器２０ａが故障するか否かを推定する。故障予測の処理自体は、実施形態１において説明した、予測装置１０による故障予測と同様の処理であるので、重複する説明を繰り返さない。

（ステップＳ２０７）
続いて、ステップＳ２０７においては、ステップＳ２０６において制御部２１が、電気機器２０ａが故障すると推定したか否かに応じた分岐を行う。制御部２１が、電気機器２０ａが故障すると推定した場合は、続いてステップＳ２０８の処理が実行され、故障しないと推定した場合は、図１４のシーケンス図に基づく処理を終了する。

（ステップＳ２０８）
ステップＳ２０８において、表示制御部２２は、電気機器２０ａの故障が予想される旨の画面であって、例えば図１１により示した画面を表示部２８に表示させる。なお、表示制御部２２は、例えば電気機器２０ａの故障が予想される時期を示す情報、電気機器２０ａの回復・修理に要すると予想される期間を示す情報、又はその両方を表示部２８に表示させてもよい。

以上が、図１４のシーケンス図に基づく処理の流れである。本実施形態において説明した構成によれば、電気機器２０ａが、自身の故障予測を各々実行することにより、サーバである予測装置１０側における処理の負荷が軽減される。また、電気機器２０ａ、予測装置１０間において通信障害が発生した場合においても、電気機器２０ａは直近に記憶部２７に格納されたパラメータセットを参照して故障予測を実行することができる。

〔実施形態３〕
本発明の第３の実施形態について、図１、図４及び図１５を参照して説明する。なお、説明の便宜上、上記実施形態にて説明した部材と同じ機能を有する部材については、同じ符号を付記し、重複する説明を繰り返さない。本実施形態においては、通信障害等の理由によって電気機器から故障フラグ等を受信できない場合における予測装置の処理について説明する。

〔１．管理システム１の構成〕
本実施形態においても図１に示す構成を用いる。ただし、図１３に示す構成を用いても構わない。

〔２．処理の流れ〕
電気機器２０から故障フラグ等を受信できない場合における予測装置１０の処理の流れについて、図１、図４及び図１５を参照して説明する。図１５は、本実施形態に係る処理の流れを示すシーケンス図である。

（ステップＳ３０１）
ステップＳ３０１からの処理は、上述したステップＳ１０１及びＳ１０２の処理において、予測装置１０が電気機器２０からの各情報を取得できない場合に実行される。上記の場合、続いてステップＳ３０２の処理が実行される。

（ステップＳ３０２）
続いて、予測情報生成部１２は、記憶部１７に格納された、電気機器２０の直近のセンサ情報を含む当該情報を参照して、電気機器２０の故障予測を実行する。なお、上記故障予測に関して、記憶部１７に電気機器２０からの各情報を取得できない場合における故障の有無についての教師情報が蓄積され、予測情報生成部１２は、当該教師情報を参酌して故障予測を行う構成でもよい。

（ステップＳ３０３）
続いて、ステップＳ３０３においては、ステップＳ３０２において予測情報生成部１２が、電気機器２０の故障が予想されると推定したか否かに応じた分岐を行う。予測情報生成部１２が、電気機器２０が故障する、又は故障中であると推定した場合は、続いてステップＳ３０４の処理が実行され、そうでない場合は、図１５のシーケンス図に基づく処理を終了する。

（ステップＳ３０４）
ステップＳ３０４において、予測装置１０は、電気機器２０に故障が生じたものと見做す処理を行う。具体的には、制御部が、記憶部１７に格納された、図４（Ａ）に例示したテーブルに対して、電気機器２０からの各情報を取得できなかった時刻において電気機器２０の故障フラグの値を「故障」に設定したレコードを追加する。なお、上記レコードにおける各センサ情報の項目には、空の値（ＮＵＬＬ値）、或いはセンサ情報が取得できなかったことを示す規定値を設定する。以上が、図１５のシーケンス図に基づく処理の流れである。

〔実施形態４〕
上記各実施形態では、１つの予測装置１０を用いる例を説明したが、予測装置１０の有する各機能が、個別のサーバにて実現されていてもよい。そして、複数のサーバを適用する場合においては、各サーバは、同じ事業者によって管理されていてもよいし、異なる事業者によって管理されていてもよい。

〔実施形態５〕
予測装置１０および電気機器２０の各ブロックは、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。後者の場合、予測装置１０および電気機器２０のそれぞれを、図１６に示すようなコンピュータ（電子計算機）を用いて構成することができる。

図１６は、予測装置１０または電気機器２０として利用可能なコンピュータ９１０の構成を例示したブロック図である。コンピュータ９１０は、バス９１１を介して互いに接続された演算装置９１２と、主記憶装置９１３と、補助記憶装置９１４と、入出力インターフェース９１５と、通信インターフェース９１６とを備えている。演算装置９１２、主記憶装置９１３、および補助記憶装置９１４は、それぞれ、例えばプロセッサ（例えばＣＰＵ：Central Processing Unit等）、ＲＡＭ（random access memory）、ハードディスクドライブであってもよい。入出力インターフェース９１５には、ユーザがコンピュータ９１０に各種情報を入力するための入力装置９２０、および、コンピュータ９１０がユーザに各種情報を出力するための出力装置９３０が接続される。入力装置９２０および出力装置９３０は、コンピュータ９１０に内蔵されたものであってもよいし、コンピュータ９１０に接続された（外付けされた）ものであってもよい。例えば、入力装置９２０は、キーボード、マウス、タッチセンサなどであってもよく、出力装置９３０は、ディスプレイ、プリンタ、スピーカなどであってもよい。また、タッチセンサとディスプレイとが一体化されたタッチパネルのような、入力装置９２０および出力装置９３０の双方の機能を有する装置を適用してもよい。そして、通信インターフェース９１６は、コンピュータ９１０が外部の装置と通信するためのインターフェースである。

補助記憶装置９１４には、コンピュータ９１０を予測装置１０または電気機器２０として動作させるための各種のプログラムが格納されている。そして、演算装置９１２は、補助記憶装置９１４に格納された上記プログラムを主記憶装置９１３上に展開して該プログラムに含まれる命令を実行することによって、コンピュータ９１０を、予測装置１０または電気機器２０が備える各部として機能させる。なお、補助記憶装置９１４が備える、プログラム等の情報を記録する記録媒体は、コンピュータ読み取り可能な「一時的でない有形の媒体」であればよく、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブル論理回路などであってもよい。また、記録媒体に記録されているプログラムを、主記憶装置９１３上に展開することなく実行可能なコンピュータであれば、主記憶装置９１３を省略してもよい。なお、上記各装置（演算装置９１２、主記憶装置９１３、補助記憶装置９１４、入出力インターフェース９１５、通信インターフェース９１６、入力装置９２０、および出力装置９３０）は、それぞれ１つであってもよいし、複数であってもよい。

また、上記プログラムは、コンピュータ９１０の外部から取得してもよく、この場合、任意の伝送媒体（通信ネットワークや放送波等）を介して取得してもよい。そして、本発明は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

〔まとめ〕
本発明の態様１に係る予測装置１０は、電気機器２０の故障予測を行う予測装置１０であって、取得部１８と、制御部１１とを備え、取得部１８は、電気機器２０に関連付けられた家電グループに区分される各電気機器２０から、当該電気機器２０の種別を示す種別情報、及び、時系列に沿った計測結果を示す計測情報を取得し、制御部１１は、取得部１８が取得した情報を入力値とし、将来的な故障の発生予測である予測情報を出力値とする予測情報生成部１２を備えている構成である。上記の構成によれば、電気機器２０に対する故障予測の精度を高めることができる。

本発明の態様２に係る予測装置１０は、上記の態様１において、取得部１８は、所定の時間間隔ごとに計測された上記計測情報を取得する構成である。上記の構成によれば、予測装置１０は、所定の時間ごとに新たな計測情報を蓄積できる。

本発明の態様３に係る予測装置１０は、上記の態様１又は２において、取得部１８は、電気機器２０が設けられた地域を示す地域情報を取得し、予測情報生成部１２は、取得部１８が取得した上記地域情報を参照して、上記予測情報を生成する構成としてもよい。上記の構成によれば、予測情報生成部１２は、電気機器２０が設けられた地域の気候帯に応じた予測情報を生成できる。

本発明の態様４に係る予測装置１０は、上記の態様１から３までの何れかにおいて、取得部１８は、上記予測情報が対象とする電気機器が事後的に故障したか否かを示す故障情報を取得し、制御部１１は、上記故障情報を参照して、予測情報生成部１２を学習させる構成としてもよい。上記の構成によれば、予測装置１０は、機械学習を行うことにより、故障予測の精度をより改善することができる。

本発明の態様５に係る予測装置１０は、上記の態様１から４までの何れかにおいて、予測情報生成部１２は、故障が予想される電気機器２０について、修理に要すると予想される時間を含む上記予測情報を生成する構成としてもよい。上記の構成によれば、当該予測情報を参照することにより、電気機器２０の修理期間が把握可能となる。

本発明の態様６に係る予測装置１０は、上記の態様５において、予測情報生成部１２は、電気機器２０の対象部位ごとに、修理に要すると予想される時間を含む上記予測情報を生成する構成としてもよい。上記の構成によれば、当該予測情報を参照することにより、電気機器２０の故障が予想される個所と、修理期間とが把握可能となる。

本発明の態様７に係る電気機器２０は、通信部２９と、制御部２１とを備えている電気機器２０であって、制御部２１は、通信部２９を介して、電気機器２０の種別を示す種別情報、及び、時系列に沿った計測結果を示す計測情報を送信する構成である。上記の構成によれば、故障予測に用いる各情報を送信可能な電気機器２０を実現できる。

本発明の態様８に係る電気機器２０は、上記の態様７において、通知部２８を更に備え、制御部２１は、通信部２９を介して、電気機器２０の将来的な故障の発生予測である予測情報を取得し、通知部２８に上記予測情報を通知させる構成としてもよい。上記の構成によれば、ユーザは電気機器２０の故障の予兆を容易に把握することができる。

本発明の態様９に係る管理システム１は、予測装置１０と、電気機器２０とを備えた管理システム１であって、電気機器２０は、通信部２９と、機器制御部２１とを備え、機器制御部２１は、通信部２９を介して、電気機器２０の種別を示す種別情報、及び、時系列に沿った計測結果を示す計測情報を送信し、予測装置１０は、取得部１８と、装置制御部１１とを備え、取得部１８は、上記種別情報及び上記計測情報を取得し、装置制御部１１は、取得部１８が取得した情報を入力値とし、上記種別情報に含まれる電気機器２０の識別情報に関連付けられた、電気機器２０が設けられた地域を示す地域情報を参照することにより生成される予測情報であって、将来的な故障の発生予測である予測情報を出力値とする予測情報生成部１２を備えている構成である。上記の構成によれば、地域情報を参照して電気機器２０の故障予測が可能な管理システム１を実現できる。

本発明の態様１０に係る予測方法は、装置によって実行される電気機器２０の故障の予測方法であって、電気機器２０に関連付けられた家電グループに区分される各電気機器２０から、当該電気機器２０の種別を示す種別情報、及び、時系列に沿った計測結果を示す計測情報を取得する取得ステップと、上記取得ステップにおいて取得した情報を入力値とし、将来的な故障の発生予測である予測情報を出力値とする予測情報生成ステップと、を含む方法である。上記の方法によれば、電気機器２０に対する故障予測の精度を高めることができる。

本発明の各態様に係る予測装置１０は、コンピュータによって実現してもよく、この場合には、コンピュータを予測装置１０が備える各部（ソフトウェア要素）として動作させることにより予測装置１０をコンピュータにて実現させる予測装置１０の制御プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。さらに、各実施形態にそれぞれ開示された技術的手段を組み合わせることにより、新しい技術的特徴を形成することができる。

１、１ａ 管理システム
１０ 予測装置
１１ 制御部（装置制御部）
１２ 予測情報生成部
１３、２３ 通信制御部
１７、２７ 記憶部
１８ 取得部
１９、２９ 通信部
２０、２０ａ 電気機器
２１ 制御部（機器制御部）
２２ 表示制御部
２８ 表示部（通知部）
９１０ コンピュータ
９１１ バス
９１２ 演算装置
９１３ 主記憶装置
９１４ 補助記憶装置
９１５ 入出力インターフェース
９１６ 通信インターフェース
９２０ 入力装置
９３０ 出力装置

Claims (11)

1. 電気機器の故障予測を行う予測装置であって、
   取得部と、制御部とを備え、
   上記取得部は、
   上記電気機器に関連付けられた家電グループに区分される各電気機器から、当該電気機器の種別を示す種別情報、及び、時系列に沿った計測結果を示す計測情報を取得し、
   上記制御部は、
   上記取得部が取得した情報を入力値とし、将来的な故障の発生予測である予測情報を出力値とする予測情報生成部を備えている
   ことを特徴とする予測装置。
2. 上記取得部は、
   所定の時間間隔ごとに計測された上記計測情報を取得する
   ことを特徴とする請求項１に記載の予測装置。
3. 上記取得部は、
   当該電気機器が設けられた地域を示す地域情報を取得し、
   上記予測情報生成部は、
   上記取得部が取得した上記地域情報を参照して、上記予測情報を生成する
   ことを特徴とする請求項１又は２に記載の予測装置。
4. 上記取得部は、
   上記予測情報が対象とする電気機器が事後的に故障したか否かを示す故障情報を取得し、
   上記制御部は、
   上記故障情報を参照して、上記予測情報生成部を学習させる
   ことを特徴とする請求項１から３までの何れか１項に記載の予測装置。
5. 上記予測情報生成部は、
   故障が予想される電気機器について、修理に要すると予想される期間を含む上記予測情報を生成する
   ことを特徴とする請求項１から４までの何れか１項に記載の予測装置。
6. 上記予測情報生成部は、
   上記電気機器の対象部位ごとに、修理に要すると予想される時間を含む上記予測情報を生成する
   ことを特徴とする請求項５に記載の予測装置。
7. 通信部と、制御部とを備えている電気機器であって、
   上記制御部は、
   上記通信部を介して、当該電気機器の種別を示す種別情報、及び、時系列に沿った計測結果を示す計測情報を送信する
   ことを特徴とする電気機器。
8. 通知部を更に備え、
   上記制御部は、
   上記通信部を介して、当該電気機器の将来的な故障の発生予測である予測情報を取得し、
   上記通知部に上記予測情報を通知させる
   ことを特徴とする請求項７に記載の電気機器。
9. 予測装置と、電気機器とを備えた管理システムであって、
   上記電気機器は、通信部と、機器制御部とを備え、
   上記機器制御部は、
   上記通信部を介して、上記電気機器の種別を示す種別情報、及び、時系列に沿った計測結果を示す計測情報を送信し、
   上記予測装置は、取得部と、装置制御部とを備え、
   上記取得部は、
   上記種別情報及び上記計測情報を取得し、
   上記装置制御部は、
   上記取得部が取得した情報を入力値とし、
   上記種別情報に含まれる上記電気機器の識別情報に関連付けられた、上記電気機器が設けられた地域を示す地域情報を参照することにより生成される予測情報であって、
   将来的な故障の発生予測である予測情報を出力値とする予測情報生成部を備えている
   ことを特徴とする管理システム。
10. 装置によって実行される電気機器の故障の予測方法であって、
    上記電気機器に関連付けられた家電グループに区分される各電気機器から、当該電気機器の種別を示す種別情報、及び、時系列に沿った計測結果を示す計測情報を取得する取得ステップと、
    上記取得ステップにおいて取得した情報を入力値とし、将来的な故障の発生予測である予測情報を出力値とする予測情報生成ステップと、
    を含むことを特徴とする予測方法。
11. 請求項１から６までの何れか１項に記載の予測装置としてコンピュータを機能させるための制御プログラムであって、上記制御部としてコンピュータを機能させる為の制御プログラム。

Images