JP2020042705A - 故障予測装置、故障予測方法及びプログラム - Google Patents
故障予測装置、故障予測方法及びプログラム Download PDFInfo
- Publication number
- JP2020042705A JP2020042705A JP2018171344A JP2018171344A JP2020042705A JP 2020042705 A JP2020042705 A JP 2020042705A JP 2018171344 A JP2018171344 A JP 2018171344A JP 2018171344 A JP2018171344 A JP 2018171344A JP 2020042705 A JP2020042705 A JP 2020042705A
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- measurement data
- failure
- vehicle
- probability
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】所望の期間内に車両が故障する蓋然性を予測する。【解決手段】故障予測装置12は、車両Tが故障する蓋然性を予測する対象となる予測期間の設定を受け付ける第2設定受付部121と、故障予測の対象となる車両の状態を測定して得られた複数の測定データを含む測定データセットを取得する第2データ取得部122と、測定データセットが入力された場合に、入力された測定データセットに含まれる複数の測定データが測定された車両Tが予測期間内に故障する蓋然性の予測結果を出力する複数の故障予測モデルのうち、予測期間に対応する故障予測モデルに測定データセットを入力するデータ入力部123と、故障予測モデルから出力された予測結果に基づいて、データ取得部が測定データセットを取得してから予測期間内に車両Tが故障する蓋然性を示す予測情報を出力する情報出力部124と、を有する。【選択図】図4
Description
本発明は、車両の故障を予測するための故障予測装置、故障予測方法及びプログラムに関する。
従来、装置の故障を予測するシステムが知られている。特許文献1には、故障を予測する対象となる装置の状態を示すデータを定期的に取得し、取得したデータに基づいて故障する時期を予測する技術が開示されている。
車両は定期的に点検が行われる。車両の運転手や車両を管理する会社には、次回の点検までに故障しないかどうかを把握したいというニーズがある。点検が行われる時期は、車両や車両を管理する会社ごとに異なるので、従来のシステムを用いる場合、次回の点検までに車両が故障する蓋然性を車両の運転手や車両を管理する会社が把握することは困難であった。
そこで、本発明はこれらの点に鑑みてなされたものであり、所望の期間内に車両が故障する蓋然性を予測することができる故障予測装置、故障予測方法及びプログラムを提供することを目的とする。
本発明の第1の態様の故障予測装置は、車両が故障する蓋然性を予測する対象となる予測期間の設定を受け付ける設定受付部と、故障予測の対象となる車両の状態を測定して得られた複数の測定データを含む測定データセットを取得するデータ取得部と、前記測定データセットが入力された場合に、入力された前記測定データセットに含まれる前記複数の測定データが測定された前記車両が前記予測期間内に故障する蓋然性の予測結果を出力する複数の故障予測モデルのうち、前記予測期間に対応する故障予測モデルに前記測定データセットを入力するデータ入力部と、前記故障予測モデルから出力された予測結果に基づいて、前記データ取得部が前記測定データセットを取得してから前記予測期間内に前記車両が故障する蓋然性を示す予測情報を出力する情報出力部と、を有する。
前記情報出力部は、複数の前記予測期間のそれぞれに関連付けて、複数の前記故障予測モデルから出力された複数の前記予測結果に基づく前記予測情報を出力してもよい。
前記情報出力部は、前記複数の予測結果が矛盾した結果を示している場合に、前記複数の予測結果のうち、少なくとも誤っている蓋然性が最も高い予測結果を訂正した後の予測結果に基づいて前記予測情報を出力してもよい。
前記データ取得部は、複数の異なる日に測定された前記複数の測定データを含む複数の前記測定データセットを取得し、前記データ入力部は、前記複数の測定データセットを、前記故障予測モデルに複数回入力し、前記情報出力部は、前記故障予測モデルから出力される複数の前記予測結果に基づく前記予測情報を出力してもよい。
前記情報出力部は、前記複数の予測結果のうち、より新しい前記測定データセットに対応する前記予測結果に、より大きな重み付けをして前記予測情報を作成してもよい。
本発明の第2の態様の故障予測方法は、車両が故障する蓋然性を予測する対象となる予測期間の設定を受け付けるステップと、故障予測の対象となる車両の状態を測定して得られた複数の測定データを含む測定データセットを取得するステップと、前記測定データセットが入力された場合に、入力された前記測定データセットに含まれる前記複数の測定データが測定された前記車両が前記予測期間内に故障する蓋然性の予測結果を出力する複数の故障予測モデルのうち、前記予測期間に対応する故障予測モデルに前記測定データセットを入力するステップと、前記故障予測モデルから出力された予測結果に基づいて、前記測定データセットを取得してから前記予測期間内に前記車両が故障する蓋然性を示す予測情報を出力するステップと、を有する。
本発明の第3の態様のプログラムは、コンピュータを、車両が故障する蓋然性を予測する対象となる予測期間の設定を受け付ける設定受付部、故障予測の対象となる車両の状態を測定して得られた複数の測定データを含む測定データセットを取得するデータ取得部、前記測定データセットが入力された場合に、入力された前記測定データセットに含まれる前記複数の測定データが測定された前記車両が前記予測期間内に故障する蓋然性の予測結果を出力する複数の故障予測モデルのうち、前記予測期間に対応する故障予測モデルに前記測定データセットを入力するデータ入力部、及び前記故障予測モデルから出力された予測結果に基づいて、前記データ取得部が前記測定データセットを取得してから前記予測期間内に前記車両が故障する蓋然性を示す予測情報を出力する情報出力部、として機能させる。
本発明によれば、所望の期間内に車両が故障する蓋然性を予測することができるという効果を奏する。
[故障予測システム1の概要]
図1は、本実施形態に係る故障予測システム1の概要を説明するための図である。車両管理システムSは、車両Tから取得した車両Tの状態を示す各種のデータに基づいて、車両Tの異常状態を検出したり、車両Tの部品が故障する蓋然性を予測したりするためのシステムである。車両Tは例えば商用車であるが、車両管理システムSを商用車以外の車両に適用してもよい。本明細書においては、車両管理システムSが有する機能のうち、主に、車両Tの部品が故障する蓋然性を予測したりする機能を提供する故障予測システム1について説明する。
図1は、本実施形態に係る故障予測システム1の概要を説明するための図である。車両管理システムSは、車両Tから取得した車両Tの状態を示す各種のデータに基づいて、車両Tの異常状態を検出したり、車両Tの部品が故障する蓋然性を予測したりするためのシステムである。車両Tは例えば商用車であるが、車両管理システムSを商用車以外の車両に適用してもよい。本明細書においては、車両管理システムSが有する機能のうち、主に、車両Tの部品が故障する蓋然性を予測したりする機能を提供する故障予測システム1について説明する。
車両Tのそれぞれには各種の部品の状態によって出力値が変化する各種のセンサーが搭載されている。車両Tは、例えばエンジンの温度を検出するセンサー、エンジンの回転数を検出するセンサー、及び排気の温度を検出するセンサー等を搭載している。車両Tは、各種のセンサーの出力値を、無線通信ネットワーク及びインターネット等のネットワークNを介してデータ収集サーバ2に送信する。車両Tは、日時を示す日時情報に関連付けて各種のセンサーの出力値を送信する。
以下の説明では、各種のセンサーの出力値を示すデータを測定データという。1つのセンサーからは、時間の経過とともに複数の測定データが出力される。本明細書においては、1つのセンサーから異なる複数の日時に出力される複数の測定データを測定データセットという。データ収集サーバ2は、複数の車両Tから、1つのセンサーに対応する測定データセットを複数受信する。すなわち、データ収集サーバ2は、複数の車両Tから複数の測定データセットを受信する。
図2は、車両Tのセンサーが出力する測定データについて説明するための図である。図2における横軸は、車両Tが製造されてから経過した時間を示し、縦軸は測定データに対応する変数の値を示している。図2(a)は、故障が発生した車両Tにおいて、当該車両Tが製造された時点から取得された複数の測定データに対応する変数の値を示している。図2(b)は、故障が発生していない車両Tにおいて、当該車両Tが製造された時点から取得された複数の測定データに対応する変数の値を示している。変数は、例えば所定の条件で走行中のエンジンの温度のように、経年変化し得る部品の特性を示す数値である。図2(a)に示す車両においては、D2の時点で故障が発生している。
故障予測システム1は、図2に示すような複数の測定データを含む測定データセットを、測定データの種別に関連付けて取得する。測定データの種別は、測定データセットに含まれる測定データを出力したセンサーの名称、又は測定データに関連する部品の名称等により表される。故障予測システム1は、取得した複数の測定データセットに基づいて、所定の予測期間内に車両Tの部品が故障する蓋然性を予測する。所定の予測期間は、車両Tを所有する会社又は車両Tを整備する会社の職員(以下、ユーザという場合がある)により設定され、例えば車両Tの点検間隔よりも長い日数に定められている。車両Tの点検間隔が90日である場合、所定の予測期間は例えば180日である。
図1に示すように、車両管理システムSは、故障予測システム1と、データ収集サーバ2と、コンピュータ3とを備える。
故障予測システム1は、車両Tの故障を予測するためのシステムであり、一以上のコンピュータを含んで構成されている。故障予測システム1は、指定された車両Tが所定の予測期間内に故障が発生する蓋然性を予測するために用いられる機械学習モデルである故障予測モデルを作成し、作成した故障予測モデルに基づいて、車両Tが所定の期間内に故障が発生する蓋然性を予測した結果を出力する。故障予測システム1は、モデル作成装置11及び故障予測装置12を有する。モデル作成装置11及び故障予測装置12の詳細については後述する。
故障予測システム1は、車両Tの故障を予測するためのシステムであり、一以上のコンピュータを含んで構成されている。故障予測システム1は、指定された車両Tが所定の予測期間内に故障が発生する蓋然性を予測するために用いられる機械学習モデルである故障予測モデルを作成し、作成した故障予測モデルに基づいて、車両Tが所定の期間内に故障が発生する蓋然性を予測した結果を出力する。故障予測システム1は、モデル作成装置11及び故障予測装置12を有する。モデル作成装置11及び故障予測装置12の詳細については後述する。
データ収集サーバ2は、ネットワークNを介して複数の車両Tから測定データを収集するコンピュータである。コンピュータ3は、例えば、車両Tを所有する会社又は車両Tを整備する会社に設置されている。コンピュータ3は、これらの会社の職員がデータ収集サーバ2にアクセスして特定の車両Tの測定データを参照したり、特定の車両Tが所定の予測期間内に故障が発生する蓋然性を予測する要求をしたりするために使用される。故障予測システム1は、コンピュータ3において入力された予測期間の設定を受け付けて、設定された予測期間内に車両Tが故障する蓋然性を示す故障予測情報を出力する。
以下、図1を参照しながら、故障予測システム1が故障予測モデルを作成し、作成した故障予測モデルに基づいて車両Tが所定の予測期間内に故障する蓋然性を予測する手順の概要を説明する。
まず、データ収集サーバ2は、例えば所定の時間間隔、又は車両Tの入庫時等の所定のタイミングで各車両Tから測定データを取得し、車両Tを識別するための車両識別情報に関連付けて、複数の測定データを記憶する(図1における(1))。データ収集サーバ2は、故障予測システム1からの要求に応じて、記憶した複数の測定データを故障予測システム1に提供する。データ収集サーバ2は、例えば、故障予測システム1からの要求に応じて、故障予測システム1が故障予測モデルを作成するタイミングで、測定データセットを故障予測システム1に送信する(図1における(2))。モデル作成装置11は、データ収集サーバ2から取得した測定データセットを教師データとして、故障予測モデルを作成する(図1における(3))。
その後、コンピュータ3のユーザが、コンピュータ3にインストールされたアプリケーションソフトウェア、又は故障予測システム1が提供するウェブアプリケーションソフトウェアを介して、故障予測を要求する操作をすると、コンピュータ3は、ネットワークNを介して、故障予測をする対象となる車両Tの車両識別情報を含む故障予測要求メッセージをデータ収集サーバ2に送信する(図1における(4))。データ収集サーバ2は、故障予測要求メッセージを受信すると、故障予測要求メッセージに含まれている車両識別情報に関連付けられた測定データセットを含む故障予測指示を故障予測装置12に送信する(図1における(5))。
故障予測装置12は、故障予測指示を受信すると、故障予測指示に含まれている測定データセットを、モデル作成装置11が作成した故障予測モデルに入力することにより、コンピュータ3を介してユーザにより設定された予測期間内に車両Tに故障が発生する蓋然性を算出する。故障予測装置12は、算出した蓋然性の値である予測結果を含む故障予測情報をデータ収集サーバ2に送信する(図1における(6))。データ収集サーバ2は、故障予測装置12から受信した故障予測情報を含む予測結果報告をコンピュータ3に送信する(図1における(7))。
コンピュータ3は、受信した予測結果報告を、コンピュータ3のユーザが視認できるように出力する(図1における(8))。以上の手順により、車両Tを所有する会社又は車両Tを整備する会社の職員等が、所望の予測期間内に車両の部品が故障する蓋然性を把握することができる。
以下、故障予測システム1の構成及び動作について詳細に説明する。
以下、故障予測システム1の構成及び動作について詳細に説明する。
[故障予測システム1の構成]
モデル作成装置11は、取得した複数の測定データセットそれぞれに含まれる複数の測定データの変化パターンを教師データとして、故障を予測する対象となる車両Tから取得された測定データセットが入力されたことに応じて当該車両Tが所定の予測期間内に故障する蓋然性を出力する機械学習モデルである故障予測モデルを生成するコンピュータである。
モデル作成装置11は、取得した複数の測定データセットそれぞれに含まれる複数の測定データの変化パターンを教師データとして、故障を予測する対象となる車両Tから取得された測定データセットが入力されたことに応じて当該車両Tが所定の予測期間内に故障する蓋然性を出力する機械学習モデルである故障予測モデルを生成するコンピュータである。
故障予測システム1は、図2(a)に示す測定データセットに含まれる複数の測定データのうち、故障が発生した日(図2(a)におけるD2)から所定の日数(例えば図2(a)における期間A)以内の複数の測定データを、所定の予測期間内に故障が発生する可能性があることを示す教師データとして使用する。故障予測システム1は、図2(a)に示す測定データセットに含まれる複数の測定データのうち、故障が発生した日から所定の日数より前、例えば図2(a)における期間Bに取得された複数の測定データを、所定の予測期間内に故障が発生する可能性がないことを示す故障非発生の教師データとして使用する。故障予測システム1は、図2(b)に示す測定データセットに含まれる複数の測定データを、所定の予測期間内に故障が発生する可能性がないことを示す故障非発生の教師データとして使用する。
故障予測装置12は、故障を予測する対象となる車両Tから取得した測定データセットに基づいて、当該車両Tが所定の予測期間内に故障する蓋然性を示す予測結果に基づく故障予測情報を出力するコンピュータである。故障予測装置12は、データ収集サーバ2から取得した測定データセットをモデル作成装置11に入力し、モデル作成装置11から出力される故障発生の蓋然性を示す値である予測結果を含む故障予測情報を出力する。故障予測装置12は、故障予測情報をディスプレイに表示したり、紙に印刷したり、他のコンピュータに送信したりすることにより予測結果を出力する。
以下、モデル作成装置11の動作の詳細を説明する。
以下、モデル作成装置11の動作の詳細を説明する。
[モデル作成装置11の機能構成及び動作]
図3は、モデル作成装置11の機能構成を示す図である。モデル作成装置11は、交換情報取得部111と、第1データ取得部112と、第1設定受付部113と、モデル作成部114と、記憶部115とを有する。交換情報取得部111、第1データ取得部112、第1設定受付部113及びモデル作成部114は、例えば、プログラムを実行するCPU(Central Processing Unit)により構成される。
図3は、モデル作成装置11の機能構成を示す図である。モデル作成装置11は、交換情報取得部111と、第1データ取得部112と、第1設定受付部113と、モデル作成部114と、記憶部115とを有する。交換情報取得部111、第1データ取得部112、第1設定受付部113及びモデル作成部114は、例えば、プログラムを実行するCPU(Central Processing Unit)により構成される。
交換情報取得部111は、交換された車両Tの部品を特定するための交換部品情報と、部品が交換された日を示す交換日情報と、部品が交換された車両Tを特定するための車両特定情報と、を取得する。交換情報取得部111は、例えば、車両Tの販売会社、車両Tを所有する会社又は車両Tを整備する会社のコンピュータ3から送信されたクレーム情報、交換部品情報、交換日情報、及び車両特定情報を、ネットワークNを介して取得する。交換情報取得部111は、故障予測システム1が設置されている会社の職員が、コンピュータ3のキーボード又はタッチパネルを用いて入力した交換部品情報、交換日情報、及び車両特定情報を取得する。
交換部品情報は、例えば交換された部品の名称を示すテキスト情報、交換された部品に割り当てられた番号、又は交換された部品の形状を示す画像情報である。車両特定情報は、例えば車両Tの製造時に車両Tに付与された製造番号、又は陸運局において車両Tに付与された車両番号のように、車両Tに固有の情報である。交換情報取得部111は、取得した交換部品情報及び交換日情報を車両特定情報に関連付けて記憶部115に記憶させる。
第1データ取得部112は、車両Tの状態を測定して得られた複数の測定データを含む測定データセットを、車両Tの車両特定情報に関連付けて複数の車両Tから取得する。第1データ取得部112は、車両Tが製造された時点以降に得られた複数の測定データセットを車両Tから取得する。第1データ取得部112は、例えばデータ収集サーバ2を介して、測定データセットに含まれる複数の測定データが何を測定したデータであるかを特定するためのデータ識別情報に関連付けて、測定データセットを取得する。データ識別情報は、例えば、測定データが関連する部品の名称を示すテキスト情報、測定データを出力したセンサーの名称を示すテキスト情報、又は部品若しくはセンサーに割り当てられた番号である。第1データ取得部112は、取得した測定データセットを車両特定情報に関連付けて記憶部115に記憶させる。
第1設定受付部113は、故障予測システム1を管理する会社の職員がキーボード又はタッチパネルを用いて入力した各種の設定を受け付ける。一例として、第1設定受付部113は、故障が発生する蓋然性の大きさを故障予測システム1に出力させる対象となる期間である予測期間の設定を受け付ける。第1設定受付部113は、例えば、「90日」、「180日」、「270日」、「360日」といった予測期間の候補をディスプレイに表示させ、職員により選択された候補を予測期間に設定する。第1設定受付部113は、職員により予測期間の設定が行われない場合は、デフォルト値(例えば180日)を予測期間として設定してもよく、全ての候補を予測期間に設定してもよい。
[故障予測モデルの作成]
モデル作成部114は、特定の車両Tが所定の予測期間内に故障する蓋然性を予測するために用いられる故障予測モデルを作成する。具体的には、モデル作成部114は、故障予測の対象となる車両Tから取得された測定データセットが入力された場合に、当該車両Tが所定の予測期間内に故障する蓋然性の予測結果を出力する故障予測モデルを作成する。モデル作成部114が学習に使用するアルゴリズムは任意であるが、モデル作成部114は、周知の特徴抽出アルゴリズムや周知の特徴選択アルゴリズムに多数の測定データセット(例えば10万種類の測定データセット)を入力することにより測定データセットを絞り込み、絞り込んだ後の測定データセットに基づいて故障予測モデルを作成する。
モデル作成部114は、特定の車両Tが所定の予測期間内に故障する蓋然性を予測するために用いられる故障予測モデルを作成する。具体的には、モデル作成部114は、故障予測の対象となる車両Tから取得された測定データセットが入力された場合に、当該車両Tが所定の予測期間内に故障する蓋然性の予測結果を出力する故障予測モデルを作成する。モデル作成部114が学習に使用するアルゴリズムは任意であるが、モデル作成部114は、周知の特徴抽出アルゴリズムや周知の特徴選択アルゴリズムに多数の測定データセット(例えば10万種類の測定データセット)を入力することにより測定データセットを絞り込み、絞り込んだ後の測定データセットに基づいて故障予測モデルを作成する。
記憶部115は、ハードディスク、ROM(Read Only Memory)、及びRAM(Random Access Memory)等の記憶媒体である。記憶部115は、交換情報取得部111が取得した交換部品情報及び交換日情報、並びに第1データ取得部112が取得した測定データセットを車両特定情報に関連付けて記憶する。また、記憶部115は、モデル作成部114が作成した故障予測モデルを記憶する。さらに、記憶部115は、交換情報取得部111、第1データ取得部112、第1設定受付部113及びモデル作成部114として機能するCPUが実行するプログラムを記憶する。
モデル作成部114は、交換情報取得部111が取得した複数の車両特定情報に対応する複数の測定データセットのうち、交換日情報が示す交換日以前の所定の予測期間内に得られた複数の測定データセット(例えば図2(a)における期間Aにおける測定データセット)を故障発生の教師データとして使用する。
また、モデル作成部114は、所定の予測期間より前に得られた複数の測定データセット(例えば図2(a)における期間Bにおける測定データセット)を故障非発生の教師データとして使用する。また、モデル作成部114は、第1データ取得部112が取得した複数の車両Tに対応する複数の測定データセットのうち、交換情報取得部111が交換部品情報を取得していない車両Tに対応する測定データセットを故障非発生の教師データとしてさらに使用する。
モデル作成部114は、車両Tの使用態様ごとに故障予測モデルを作成してもよい。使用態様は、例えば、1日あたりの平均走行距離、平均荷重、走行地域等のように、車両Tの部品の寿命に影響を与える可能性がある車両Tの使われ方である。モデル作成部114が使用態様ごとに故障予測モデルを作成できるように、第1データ取得部112は、車両特定情報に関連付けて、車両Tの使用態様を示す使用態様データを取得する。
モデル作成部114は、使用態様データに基づいてクラスタリングした複数の測定データセットを教師データとして使用することにより、複数種類の使用態様データのそれぞれに対応する故障予測モデルを作成する。このように、モデル作成部114が使用態様ごとに故障予測モデルを作成することで、使用態様ごとに部品の寿命が異なる場合であっても、故障予測システム1は、所定の予測期間内に故障が発生する蓋然性を高い精度で予測することが可能になる。
モデル作成部114は、車両Tが有する複数の部品の少なくとも一部の部品のそれぞれに対応する故障予測モデルを作成してもよい。この場合、モデル作成部114は、第1データ取得部112が取得した測定データセットに含まれる複数の測定データセットのうち、故障予測モデルに対応する部品に関連付けられた複数の測定データセットを教師データとして使用する。モデル作成部114が、例えば車両Tのエンジンに対応する故障予測モデルを作成する場合、エンジンの温度を示す測定データセット及びエンジンの回転数を示す測定データセット等のように、エンジンの状態を示す測定データセットを教師データとして使用する。
モデル作成部114は、ユーザにより設定された所望の予測期間内に故障が発生する蓋然性を算出できるように、複数の予測期間に関連付けて故障予測モデルを作成する。モデル作成部114は、例えば、予め設定された複数の予測期間のそれぞれに対して、予測期間が経過するまでの間に故障する蓋然性を出力する故障予測モデルを作成する。モデル作成部114は、ユーザにより設定された複数の予測期間のそれぞれに対して故障予測モデルを作成してもよい。
モデル作成部114は、例えばX日の予測期間に対応する故障予測モデルを作成する場合、故障が発生した日の直前のX日間の測定データセット(例えば、図2(a)における期間Aの間に取得された複数の測定データ)を、故障発生の教師データとして使用する。モデル作成部114は、故障が発生した日からX日より前の測定データセット(例えば、図2(a)における期間Bの間に取得された複数の測定データ)、及び故障が発生していない車両Tの測定データセット(例えば、図2(b)における期間Cの間に取得された複数の測定データ)を、故障非発生の教師データとして使用する。モデル作成部114は、予測期間に関連付けて、作成した故障予測モデルを記憶部115に記憶させる。
モデル作成部114は、作成した故障予測モデルを用いて、予測期間内に車両Tが故障する蓋然性を算出する機能も有する。モデル作成部114は、例えば故障予測装置12から故障予測をする指示を受けたことに応じて、故障を予測する対象となる車両Tの測定データセットを例えばデータ収集サーバ2から取得し、取得した測定データセットを、作成した故障予測モデルに入力する。モデル作成部114は、測定データセットを入力したことに応じて故障予測モデルから出力された故障が発生する蓋然性を示す値を、車両Tが所定の予測期間内に故障する蓋然性の予測結果として、故障予測装置12に対して出力する。
なお、モデル作成部114は、故障を予測する対象として取得した測定データセットを、故障予測モデルを更新するための教師データとして用いてもよい。モデル作成部114は、例えば取得した測定データセットに対応する車両Tの過去の部品交換の履歴を示す情報を測定データセットに関連付けて取得し、履歴を示す情報に基づいて、部品交換が発生した履歴がある測定データセットにおける部品交換が発生した日の直前の予測期間内の複数の測定データを、故障発生の教師データとして使用する。また、モデル作成部114は、部品交換が発生した履歴がない測定データセットに含まれる複数の測定データを、故障非発生車両の教師データとして使用する。
また、モデル作成部114は、車両Tの故障を予測してから予測期間が経過した後に、交換情報取得部111を介して、当該車両Tが予測期間の間に部品の交換が発生したか否かを示す情報を取得し、取得した情報と予測結果とを比較してもよい。モデル作成部114は、多数の車両Tに対して比較した結果に基づいて、予測期間内に故障した確率を算出し、算出した確率と予測結果が示す蓋然性との差が所定の閾値以上である場合に、新たな測定データセットを教師データとして用いて故障予測モデルを更新してもよい。モデル作成部114がこのように故障予測モデルを更新することで、故障予測モデルの精度を向上させることができる。
[故障予測装置12の機能構成]
続いて、故障予測装置12の機能構成について説明する。図4は、故障予測装置12の機能構成を示す図である。故障予測装置12は、第2設定受付部121と、第2データ取得部122と、データ入力部123と、情報出力部124とを有する。
続いて、故障予測装置12の機能構成について説明する。図4は、故障予測装置12の機能構成を示す図である。故障予測装置12は、第2設定受付部121と、第2データ取得部122と、データ入力部123と、情報出力部124とを有する。
第2設定受付部121は、車両Tが故障する蓋然性を予測する対象となる予測期間の設定を受け付ける。第2データ取得部122は、例えばデータ収集サーバ2から送信された故障予測指示に含まれている予測期間を取得する。当該予測期間は、例えばコンピュータ3のユーザがコンピュータ3において設定した日数である。第2データ取得部122は、故障予測装置12を管理する会社の職員が設定した日数を予測期間として取得してもよい。
第2データ取得部122は、故障予測の対象となる車両Tの状態を測定して得られた複数の測定データを含む測定データセットを取得し、取得した測定データセットをデータ入力部123に入力する。第2データ取得部122は、故障予測の指示とともに、故障予測をする対象である車両Tの測定データセットを、ネットワークNを介して取得する。第2データ取得部122は、測定データセットをデータ収集サーバ2から取得してもよく、コンピュータ3から取得してもよい。
データ入力部123は、第2データ取得部122から測定データセットが入力された場合に、入力された測定データセットをモデル作成部114に入力する。データ入力部123は、例えば、故障を予測する対象となる車両Tの車両識別情報に関連付けて、測定データセットをモデル作成部114に入力する。モデル作成部114が複数のクラスタに対応する複数の故障予測モデルを有している場合、データ入力部123は、第2データ取得部122から取得した測定データセットに対応するクラスタを特定し、特定したクラスタの故障予測モデルに測定データセットを入力する。
データ入力部123は、第2設定受付部121が受け付けた予測期間内に車両Tが故障する蓋然性を予測するように、モデル作成部114に指示する。データ入力部123は、例えば、入力された測定データセットに含まれる複数の測定データが測定された車両Tが予測期間内に故障する蓋然性の予測結果を出力する複数の故障予測モデルのうち、予測期間に対応する故障予測モデルに測定データセットを入力する。
情報出力部124は、例えばモデル作成部114を介して、故障予測モデルから出力された予測結果に基づいて、予測期間内に車両Tが故障する蓋然性を示す故障予測情報を出力する。情報出力部124は、複数のクラスタに対応する複数の故障予測モデルのうち、例えばデータ入力部123が測定データセットを入力したクラスタに対応する故障予測モデルから予測結果を取得する。情報出力部124は、取得した予測結果を含む故障予測情報を、故障予測の指示の送信元(例えばデータ収集サーバ2又はコンピュータ3)に送信する。情報出力部124は、故障予測装置12が有するディスプレイに予測結果を表示させたり、紙に予測結果を印刷したりしてもよい。情報出力部124は、予測結果の取得に用いられた故障予測モデルに対応するクラスタの名称を予測結果とともに出力してもよい。
故障予測装置12は、時間の経過とともに車両Tが故障する蓋然性がどのように変化するかをユーザが把握できるようにするために、複数の予測期間のそれぞれに対して、故障が発生する蓋然性を特定してもよい。このようにするために、第2設定受付部121は、車両Tが故障する蓋然性を予測する対象となる複数の予測期間の設定を受け付ける。データ入力部123は、モデル作成部114に複数の予測期間を通知する。データ入力部123は、複数の予測期間のそれぞれに対応する複数の故障予測モデルに車両Tの測定データセットを入力してもよい。
情報出力部124は、複数の予測期間のそれぞれに関連付けて、複数の故障予測モデルから出力された複数の予測結果に基づく予測情報を出力する。情報出力部124は、例えば、横軸が予測期間であり、縦軸が予測期間内に車両Tが故障する蓋然性であるグラフの形式で予測情報を出力する。
このように、情報出力部124が複数の予測期間に対応する複数の予測結果をモデル作成部114から取得する場合、長い予測期間に対応する蓋然性の方が、短い予測期間に対応する蓋然性よりも低いといった矛盾した予測結果が得られることが想定される。そこで、情報出力部124は、複数の予測結果が矛盾した結果を示している場合に、複数の予測結果のうち、少なくとも誤っている蓋然性が最も高い予測結果を訂正した後の予測結果に基づいて予測情報を出力してもよい。
図5は、情報出力部124が矛盾した予測結果を訂正する方法について説明するための図である。図5(a)は、正常な場合の予測結果を示している。図5(a)においては、長い予測期間に対応する蓋然性の方が、短い予測期間に対応する蓋然性よりも高いということを示している。
これに対して、図5(b)は、矛盾が生じている場合の予測結果を示している。図5(b)においては、予測期間270日に対応する蓋然性が、予測期間180に対応する蓋然性よりも低くなっている。このような場合、情報出力部124は、k近傍法等の外れ値検出アルゴリズムを用いて、誤りが発生していると推定される蓋然性の値を検出する。情報出力部124は、予測期間270日に対応する蓋然性が、予測期間180日に対応する蓋然性と予測期間360日に対応する蓋然性との間の値になるように、すなわち、図5(a)に示す値と同等の値になるように、予測期間270日に対応する蓋然性を訂正してもよい。
情報出力部124は、訂正が必要であると判定した予測期間をモデル作成部114に通知してもよい。モデル作成部114は、新たに測定データセットを取得し、訂正が必要であるという通知を受けた予測期間に対応する故障予測モデルを更新してもよい。
[複数の異なる日の測定データを使用する方法]
故障予測装置12は、予測精度を向上させるために、それぞれ異なる日の測定データを組み合わせた複数の測定データセットを用いて、複数の予測結果を取得してもよい。例えば、第2データ取得部122は、複数の異なる日に測定された複数の測定データを含む複数の測定データセットを取得する。複数の異なる日が、例えば奇数の日と偶数の日である場合、第2データ取得部122は、奇数の日に取得された複数の測定データを含む第1測定データセットと、偶数の日に取得された複数の測定データを含む第2測定データセットとを取得する。第2データ取得部122は、奇数の日と偶数の日とを区別しないで測定データを取得し、第2データ取得部122が、複数の測定データを第1測定データセットと第2測定データセットとに分けてもよい。
故障予測装置12は、予測精度を向上させるために、それぞれ異なる日の測定データを組み合わせた複数の測定データセットを用いて、複数の予測結果を取得してもよい。例えば、第2データ取得部122は、複数の異なる日に測定された複数の測定データを含む複数の測定データセットを取得する。複数の異なる日が、例えば奇数の日と偶数の日である場合、第2データ取得部122は、奇数の日に取得された複数の測定データを含む第1測定データセットと、偶数の日に取得された複数の測定データを含む第2測定データセットとを取得する。第2データ取得部122は、奇数の日と偶数の日とを区別しないで測定データを取得し、第2データ取得部122が、複数の測定データを第1測定データセットと第2測定データセットとに分けてもよい。
データ入力部123は、複数の測定データセットを、故障予測モデルに複数回入力する。第2データ取得部122が第1測定データセットと第2測定データセットとを取得した場合、データ入力部123は、第1測定データセットをモデル作成部114に入力し、かつ第2測定データセットをモデル作成部114に入力する。
モデル作成部114は、第1測定データセットに基づいて、予測期間内に故障が発生する第1蓋然性を算出し、第2測定データセットに基づいて、予測期間内に故障が発生する第2蓋然性を算出する。モデル作成部114は、第1蓋然性を示す第1予測結果及び第2蓋然性を示す第2予測結果を故障予測装置12に出力する。
情報出力部124は、故障予測モデルから出力される複数の予測結果に基づく予測情報を出力する。具体的には、情報出力部124は、第1予測結果及び第2予測結果を含む予測情報を出力する。情報出力部124は、第1蓋然性と第2蓋然性との平均値又は中央値等の統計値を含む予測情報を出力してもよい。このように、故障予測装置12が異なる日の測定データを組み合わせた複数の測定データセットを用いることで、一部の測定データに誤りが生じていたことにより一つの測定データセットを用いて算出された蓋然性の精度が低い場合であっても、精度が低い蓋然性の影響を緩和することができる。
故障予測装置12は、異なる日の測定データを組み合わせた3つ以上の測定データセットを用いて、3つ以上の予測結果をモデル作成部114から取得してもよい。この場合、故障予測装置12は、3つ以上の予測結果が示す蓋然性の平均値又は中央値からの乖離量が所定の値以内の蓋然性に対応する予測結果を出力する。このようにすることで、故障予測装置12は、精度が低いと考えられる予測結果を出力しないようにすることができる。
情報出力部124は、複数の予測結果のうち、より新しい測定データセットに対応する予測結果に、より大きな重み付けをして予測情報を作成してもよい。車両Tから測定データが送信される頻度が低く、例えば1週間ごとに測定データが送信される場合も想定される。このような場合、奇数の週(第1週又は第3週)の測定データを含む第1測定データセットに基づく第1蓋然性と、偶数の週(第2週又は第4週)の測定データを含む第2測定データセットに基づく第2蓋然性とのうち、より新しい測定データを含む測定データセットに基づく蓋然性の方が、信頼性が高いと考えられる。そこで、情報出力部124は、複数の蓋然性の重みつき平均値(加重平均値)を予測情報として出力することで、予測結果の精度を高めることができる。なお、情報出力部124は、複数の測定データセットのうち、より新しい測定データセットのみに基づく予測結果に基づいて予測情報を作成してもよい。
[故障予測モデルを作成する処理の流れ]
図6は、故障予測システム1において故障予測モデルを作成する処理の流れを示すフローチャートである。まず、第1データ取得部112は、データ収集サーバ2を介して、多数の車両Tから複数の測定データセットを取得する(S11)。続いて、モデル作成部114は、第1データ取得部112が取得した複数の測定データセットをクラスタリングする(S12)。モデル作成部114は、例えば車両Tの使用態様、測定データセットが関連する部品の種別、又は車種に基づいて、複数の測定データセットをクラスタリングする。モデル作成部114は、クラスタリングした後の複数の測定データセットのそれぞれに対してS13以降の処理を実行することにより、クラスタごとに故障予測モデルを作成する。
図6は、故障予測システム1において故障予測モデルを作成する処理の流れを示すフローチャートである。まず、第1データ取得部112は、データ収集サーバ2を介して、多数の車両Tから複数の測定データセットを取得する(S11)。続いて、モデル作成部114は、第1データ取得部112が取得した複数の測定データセットをクラスタリングする(S12)。モデル作成部114は、例えば車両Tの使用態様、測定データセットが関連する部品の種別、又は車種に基づいて、複数の測定データセットをクラスタリングする。モデル作成部114は、クラスタリングした後の複数の測定データセットのそれぞれに対してS13以降の処理を実行することにより、クラスタごとに故障予測モデルを作成する。
モデル作成部114は、複数の測定データセットから1つの測定データセットを選択し、選択した測定データセットに対応する車両Tに部品の交換が発生したか否かを特定する(S13)。モデル作成部114は、部品の交換が発生していた場合、部品の交換日も特定する。
モデル作成部114は、S13において、部品の交換が発生していたと判定した場合(S13におけるYES)、測定データセットに含まれる複数の測定データのうち、部品の交換日以前の所定の予測期間内の複数の測定データを選択する(S14)。モデル作成部114は、選択した複数の測定データを故障発生の教師データに使用することを決定する(S15)。
モデル作成部114は、S13において、部品の交換が発生していたと判定した場合(S13におけるYES)、測定データセットに含まれる複数の測定データのうち、部品の交換日に対して所定の予測期間よりも前の複数の測定データを選択する(S16)。モデル作成部114は、S16で選択した複数の測定データを故障非発生の教師データに使用することを決定する(S17)。モデル作成部114は、S13において、部品の交換が発生していなかったと判定した場合にも(S13におけるNO)、選択した測定データセットを故障非発生の教師データに使用することを決定する(S17)。
モデル作成部114は、S15及びS17で決定したように複数の測定データを故障発生の教師データ又は故障非発生の教師データとして使用することにより、故障予測モデルを作成する(S18)。モデル作成部114は、新たな測定データセットを取得するたびに、S11からS17の処理を実行し、故障予測モデルを更新してもよい。
[予測情報を出力する処理の流れ]
図7は、故障予測装置12が予測情報を出力する処理の流れを示すフローチャートである。まず、第2設定受付部121は、例えばコンピュータ3から、故障が発生する蓋然性を算出する対象となる予測期間の設定を受け付ける(S21)。続いて、第2データ取得部122は、測定データセットを取得する(S22)。第2データ取得部122は、例えば、故障を予測する対象となる車両Tの車両識別情報を取得し、取得した車両識別情報に対応する測定データセットをデータ収集サーバ2から取得する。
図7は、故障予測装置12が予測情報を出力する処理の流れを示すフローチャートである。まず、第2設定受付部121は、例えばコンピュータ3から、故障が発生する蓋然性を算出する対象となる予測期間の設定を受け付ける(S21)。続いて、第2データ取得部122は、測定データセットを取得する(S22)。第2データ取得部122は、例えば、故障を予測する対象となる車両Tの車両識別情報を取得し、取得した車両識別情報に対応する測定データセットをデータ収集サーバ2から取得する。
データ入力部123は、例えば、それぞれ異なる予測期間に対応する複数の故障予測モデルに測定データセットを入力する(S23)。情報出力部124は、複数の予測期間に対応する複数の予測結果をモデル作成部114から取得する(S24)。
情報出力部124は、複数の予測結果が矛盾する場合(S25においてYES)、すなわち、いずれか一方の予測結果が誤っている蓋然性が所定値以上である場合、誤っている蓋然性が所定値以上の予測結果を訂正する(S26)。情報出力部124は、例えば、図5(b)に示すように、270日以内に故障する蓋然性に誤りがあると判定した場合、270日に対応する蓋然性の値が図5(a)に示す値に近づくように予測結果を訂正する。その後、情報出力部124は、予測結果を含む予測情報を出力する。
[変形例]
以上の説明においては、故障予測システム1が、データ収集サーバ2を介して測定データセットを取得することが想定されていた。また、故障予測システム1がモデル作成装置11及び故障予測装置12を有することが想定されていた。しかしながら、モデル作成装置11及び故障予測装置12の構成はこれに限らない。
以上の説明においては、故障予測システム1が、データ収集サーバ2を介して測定データセットを取得することが想定されていた。また、故障予測システム1がモデル作成装置11及び故障予測装置12を有することが想定されていた。しかしながら、モデル作成装置11及び故障予測装置12の構成はこれに限らない。
図8は、変形例に係るモデル作成装置11及び故障予測装置12の構成を示す図である。図8に示すモデル作成装置11は、ネットワークNを介して複数の車両Tから測定データを取得し(図8における(1))、取得した測定データに基づいて故障予測モデルを作成する(図8における(2))。
また、図8における故障予測装置12はモデル作成装置11と異なる場所に設定されている。故障予測装置12は、例えば、車両Tを所有する会社又は車両Tを整備する会社に設置されたコンピュータにインストールされた故障予測のためのアプリケーションプログラムを実行することにより、故障予測機能を実行する。故障予測装置12は、ユーザの操作に応じて、故障予測要求をモデル作成装置11に送信し(図8における(3)及び(4))、モデル作成装置11から出力された予測結果報告を受信すると(図8における(5)及び(6))、予測結果を出力する(図8における(7))。このように、モデル作成装置11及び故障予測装置12の設置場所、及び接続関係は任意である。
[故障予測装置12による効果]
以上説明したように、故障予測装置12は、車両Tが故障する蓋然性を予測する対象となる予測期間の設定を受け付けて、受け付けた予測期間に対応する故障予測モデルに測定データセットを入力する。そして、故障予測装置12は、故障予測モデルから出力された予測結果に基づいて、予測期間内に車両Tが故障する蓋然性を示す予測情報を出力する。故障予測装置12がこのような構成を有することで、故障予測装置12は、第2設定受付部121が受け付けたユーザが所望する予測期間内に車両が故障する蓋然性を予測することができる。
以上説明したように、故障予測装置12は、車両Tが故障する蓋然性を予測する対象となる予測期間の設定を受け付けて、受け付けた予測期間に対応する故障予測モデルに測定データセットを入力する。そして、故障予測装置12は、故障予測モデルから出力された予測結果に基づいて、予測期間内に車両Tが故障する蓋然性を示す予測情報を出力する。故障予測装置12がこのような構成を有することで、故障予測装置12は、第2設定受付部121が受け付けたユーザが所望する予測期間内に車両が故障する蓋然性を予測することができる。
なお、以上の説明においては、モデル作成装置11が、車両Tが所定の期間内に故障する蓋然性の予測結果を出力する故障予測モデルを作成したが、モデル作成装置11は、蓋然性の予測結果の一例として、車両Tが所定の期間内に故障する可能性の有無を予測結果として出力する故障予測モデルを作成してもよい。この場合、故障予測装置12は、故障を予測する対象となる車両Tが所定の期間内に故障する可能性の有無を示す情報を予測結果として出力する。
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されず、その要旨の範囲内で種々の変形及び変更が可能である。例えば、装置の分散・統合の具体的な実施の形態は、以上の実施の形態に限られず、その全部又は一部について、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果を合わせ持つ。
1 故障予測システム
2 データ収集サーバ
3 コンピュータ
11 モデル作成装置
12 故障予測装置
111 交換情報取得部
112 第1データ取得部
113 第1設定受付部
114 モデル作成部
115 記憶部
121 第2設定受付部
122 第2データ取得部
123 データ入力部
124 情報出力部
2 データ収集サーバ
3 コンピュータ
11 モデル作成装置
12 故障予測装置
111 交換情報取得部
112 第1データ取得部
113 第1設定受付部
114 モデル作成部
115 記憶部
121 第2設定受付部
122 第2データ取得部
123 データ入力部
124 情報出力部
Claims (7)
- 車両が故障する蓋然性を予測する対象となる予測期間の設定を受け付ける設定受付部と、
故障予測の対象となる車両の状態を測定して得られた複数の測定データを含む測定データセットを取得するデータ取得部と、
前記測定データセットが入力された場合に、入力された前記測定データセットに含まれる前記複数の測定データが測定された前記車両が前記予測期間内に故障する蓋然性の予測結果を出力する複数の故障予測モデルのうち、前記予測期間に対応する故障予測モデルに前記測定データセットを入力するデータ入力部と、
前記故障予測モデルから出力された予測結果に基づいて、前記データ取得部が前記測定データセットを取得してから前記予測期間内に前記車両が故障する蓋然性を示す予測情報を出力する情報出力部と、
を有する故障予測装置。 - 前記情報出力部は、複数の前記予測期間のそれぞれに関連付けて、複数の前記故障予測モデルから出力された複数の前記予測結果に基づく前記予測情報を出力する、
請求項1に記載の故障予測装置。 - 前記情報出力部は、前記複数の予測結果が矛盾した結果を示している場合に、前記複数の予測結果のうち、少なくとも誤っている蓋然性が最も高い予測結果を訂正した後の予測結果に基づいて前記予測情報を出力する、
請求項2に記載の故障予測装置。 - 前記データ取得部は、複数の異なる日に測定された前記複数の測定データを含む複数の前記測定データセットを取得し、
前記データ入力部は、前記複数の測定データセットを、前記故障予測モデルに複数回入力し、
前記情報出力部は、前記故障予測モデルから出力される複数の前記予測結果に基づく前記予測情報を出力する、
請求項1から3のいずれか一項に記載の故障予測装置。 - 前記情報出力部は、前記複数の予測結果のうち、より新しい前記測定データセットに対応する前記予測結果に、より大きな重み付けをして前記予測情報を作成する、
請求項4に記載の故障予測装置。 - 車両が故障する蓋然性を予測する対象となる予測期間の設定を受け付けるステップと、
故障予測の対象となる車両の状態を測定して得られた複数の測定データを含む測定データセットを取得するステップと、
前記測定データセットが入力された場合に、入力された前記測定データセットに含まれる前記複数の測定データが測定された前記車両が前記予測期間内に故障する蓋然性の予測結果を出力する複数の故障予測モデルのうち、前記予測期間に対応する故障予測モデルに前記測定データセットを入力するステップと、
前記故障予測モデルから出力された予測結果に基づいて、前記測定データセットを取得してから前記予測期間内に前記車両が故障する蓋然性を示す予測情報を出力するステップと、
を有する故障予測方法。 - コンピュータを、
車両が故障する蓋然性を予測する対象となる予測期間の設定を受け付ける設定受付部、
故障予測の対象となる車両の状態を測定して得られた複数の測定データを含む測定データセットを取得するデータ取得部、
前記測定データセットが入力された場合に、入力された前記測定データセットに含まれる前記複数の測定データが測定された前記車両が前記予測期間内に故障する蓋然性の予測結果を出力する複数の故障予測モデルのうち、前記予測期間に対応する故障予測モデルに前記測定データセットを入力するデータ入力部、及び
前記故障予測モデルから出力された予測結果に基づいて、前記データ取得部が前記測定データセットを取得してから前記予測期間内に前記車両が故障する蓋然性を示す予測情報を出力する情報出力部、
として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018171344A JP2020042705A (ja) | 2018-09-13 | 2018-09-13 | 故障予測装置、故障予測方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018171344A JP2020042705A (ja) | 2018-09-13 | 2018-09-13 | 故障予測装置、故障予測方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020042705A true JP2020042705A (ja) | 2020-03-19 |
Family
ID=69798450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018171344A Pending JP2020042705A (ja) | 2018-09-13 | 2018-09-13 | 故障予測装置、故障予測方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020042705A (ja) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112395178A (zh) * | 2020-11-18 | 2021-02-23 | 河南辉煌城轨科技有限公司 | 一种设备故障预测方法 |
CN113837477A (zh) * | 2021-09-27 | 2021-12-24 | 西安交通大学 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
CN113888775A (zh) * | 2020-06-19 | 2022-01-04 | 比亚迪股份有限公司 | 车辆预警方法、服务器、存储介质、车辆预警系统和车辆 |
DE112021003814T5 (de) | 2020-09-23 | 2023-05-11 | Isuzu Motors Limited | Lebensdauer-vorhersagevorrichtung und lebensdauer-vorhersageverfahren |
CN117370848A (zh) * | 2023-12-08 | 2024-01-09 | 深圳市明心数智科技有限公司 | 设备故障预测方法、装置、计算机设备及存储介质 |
JP7449771B2 (ja) | 2020-05-08 | 2024-03-14 | 東芝ライフスタイル株式会社 | 家電システム |
-
2018
- 2018-09-13 JP JP2018171344A patent/JP2020042705A/ja active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7449771B2 (ja) | 2020-05-08 | 2024-03-14 | 東芝ライフスタイル株式会社 | 家電システム |
CN113888775A (zh) * | 2020-06-19 | 2022-01-04 | 比亚迪股份有限公司 | 车辆预警方法、服务器、存储介质、车辆预警系统和车辆 |
DE112021003814T5 (de) | 2020-09-23 | 2023-05-11 | Isuzu Motors Limited | Lebensdauer-vorhersagevorrichtung und lebensdauer-vorhersageverfahren |
CN112395178A (zh) * | 2020-11-18 | 2021-02-23 | 河南辉煌城轨科技有限公司 | 一种设备故障预测方法 |
CN112395178B (zh) * | 2020-11-18 | 2022-09-30 | 河南辉煌城轨科技有限公司 | 一种设备故障预测方法 |
CN113837477A (zh) * | 2021-09-27 | 2021-12-24 | 西安交通大学 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
CN113837477B (zh) * | 2021-09-27 | 2023-06-27 | 西安交通大学 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
CN117370848A (zh) * | 2023-12-08 | 2024-01-09 | 深圳市明心数智科技有限公司 | 设备故障预测方法、装置、计算机设备及存储介质 |
CN117370848B (zh) * | 2023-12-08 | 2024-04-02 | 深圳市明心数智科技有限公司 | 设备故障预测方法、装置、计算机设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020042705A (ja) | 故障予測装置、故障予測方法及びプログラム | |
US11209811B2 (en) | Diagnostic device, diagnostic method, and program | |
US10878385B2 (en) | Computer system and method for distributing execution of a predictive model | |
US8275735B2 (en) | Diagnostic system | |
CN113168172B (zh) | 模型生成装置、模型生成方法及程序 | |
US20110137697A1 (en) | Automated corrective and predictive maintenance system | |
EP2492771B1 (en) | Apparatus, system and method for correcting measurement data | |
JPWO2013136739A1 (ja) | 運用管理装置、運用管理方法、及び、プログラム | |
US20160371406A1 (en) | Dynamic Execution of Predictive Models & Workflows | |
US20190278527A1 (en) | System and method for machine learning optimization of human resource scheduling for device repair visits | |
US11733688B2 (en) | System and method for recognizing and forecasting anomalous sensory behavioral patterns of a machine | |
Ma et al. | Version-based microservice analysis, monitoring, and visualization | |
US20160110653A1 (en) | Method and apparatus for predicting a service call for digital printing equipment from a customer | |
US20150326446A1 (en) | Automatic alert generation | |
JP2020042708A (ja) | モデル作成装置、モデル作成方法及びプログラム | |
US20100177359A1 (en) | Maintenance work support device, maintenance work support method, and program | |
JP6880560B2 (ja) | 故障予測装置、故障予測方法及び故障予測プログラム | |
JPWO2012029500A1 (ja) | 運用管理装置、運用管理方法、及びプログラム | |
JPWO2020136859A1 (ja) | 推定装置、推定方法、及びプログラム | |
US11657321B2 (en) | Information processing device, non-transitory storage medium and information processing method | |
US20140176345A1 (en) | System and method for monitoring and alerting on equipment errors | |
US20240146054A1 (en) | Methods, devices, and systems for distributed monitoring based adaptive diagnosis of power anomalies in a power network | |
JP6381122B2 (ja) | 故障推定装置、故障推定データベース装置、故障推定プログラム、故障推定データベースプログラム、および故障推定システム | |
WO2022130789A1 (ja) | 原因推定システムおよび原因推定方法 | |
EP3873747A1 (en) | Printing device component status classification |