JP2020064515A - 機器故障診断支援システムおよび機器故障診断支援方法 - Google Patents

Abstract

【課題】センサデータに基づいて、設備・機器の故障箇所調査をおこなう際に、故障箇所の究明に要する時間を短縮して、効率的に故障箇所の究明をおこなう。【解決手段】学習診断装置は、故障データから学習して診断モデルを作成し、その機器の故障原因部位として、一定の件数に満たない場合に、レアケースデータテーブルに、その機器の機種と故障原因部位とセンサデータを格納する。次に、学習部により作成された診断モデルに基づいて、故障の発生した機器の部位毎に、故障原因となる推定確率を算出し、レアケースデータテーブルに基づいて、故障の発生した機器のセンサデータと、その機器の機種の過去のセンサデータのセンサデータ一致率を算出する。そして、診断された故障の発生した機器の故障原因部位と、その推定確率を表示し、算出された故障の発生した機器の部位毎のセンサデータ一致率を表示する。【選択図】 図１

Description

本発明は、機器故障診断支援システムおよび機器故障診断支援方法に係り、特に、センサデータに基づいて、設備・機器の故障箇所調査をおこなう際に、故障箇所の究明に要する時間を短縮して、効率的に故障箇所の究明をおこなうのに好適な機器故障診断支援システムおよび機器故障診断支援方法に関する。

近年、情報処理装置により、工場の生産設備などの機器を計測するセンサデータに基づき、機器の保守をおこなうシステムが広く活用されるようなってきている。

故障履歴情報や保守履歴情報を利用する機器の保守においては、故障が発生したときに、機器から計測されたセンサデータと、それらの故障履歴情報や保守履歴情報に基づいて、いかに短時間で故障の箇所の究明を効率的におこなう事が重要な課題となる。

例えば、特許文献１には、故障状態をカテゴリ分けして、故障状態の件数に基づいて、上位カテゴリの故障部位の故障状態を表示するか、下位カテゴリの故障部位の故障状態を表示するかを判定する故障診断装置が開示されている。

特開２０１８−２５９２８号公報

特許文献１に記載された故障診断装置は、故障状態をカテゴリ分けして、故障診断に利用できると判断した場合には、下位カテゴリの故障部位の故障状態を表示し、故障診断に利用しないと判断した場合には、上位カテゴリの故障部位の故障状態を表示している。

上記特許文献１記載の故障診断装置においては、保守履歴が十分にある場合には、下位カテゴリの故障部位の故障状態を表示し、具体的な対策をとることができるが、保守履歴が十分にはない場合に、上位カテゴリの故障部位の故障状態しか表示できず、保守員は、故障診断のための十分な情報を得ることができない。

そのため、人の経験則や勘に基づき故障箇所を調査・特定する属人的な作業となり、その際に、設計書や過去の故障実績を調査するために多大な時間を要する。

また、機械学習に基づいて、故障箇所を推定確率とともに表示する技術が知られている。しかしながら、過去の故障実績が少ないレアケースにおいては、精度の高い診断結果が得ることができず、どのような優先順位で故障箇所を調査すればよいかの具体的な指標が示すことができず、故障箇所の調査とその対策のために、多大な時間を要する結果になる。

本発明の目的は、センサデータに基づいて、設備・機器の故障箇所調査をおこなう際に、故障箇所の究明に要する時間を短縮して、効率的に故障箇所の究明をおこなうことにある。

また、その目的は、レアケースであっても、故障箇所の調査に関するプライオリティを示して、故障箇所の究明に要する時間を短縮して、効率的に故障箇所の究明をおこなうことにある。

本発明の機器故障診断支援システムの構成は、好ましくは、機器を計測したセンサの出力するセンサデータに基づいて、故障診断をおこなう機器故障診断支援システムであって、学習診断装置を備え、学習診断装置は、故障の発生した機器とセンサデータとその機器の故障原因部位を格納した故障履歴テーブルと、レアケースの場合に、機種毎、部位毎にセンサデータを格納したレアケースデータテーブルとを保持し、学習診断装置は、過去データから学習して診断モデルを作成する学習部と、学習部により作成された診断モデルに基づいて、故障診断をおこなう診断部と、診断部の診断結果を表示する表示部とを有し、学習部は、故障履歴テーブルに格納されたデータから学習して診断モデルを作成し、故障履歴テーブルから、その機器の故障原因部位として、一定の件数に満たない場合に、レアケースデータテーブルに、その機器の機種と故障原因部位とセンサデータを格納し、診断部は、学習部により作成された診断モデルに基づいて、故障の発生した機器の部位毎に、故障原因となる推定確率を算出し、レアケースデータテーブルに基づいて、故障の発生した機器のセンサデータと、その機器の機種の過去のセンサデータのセンサデータ一致率を算出し、表示部は、診断部により診断された故障の発生した機器の故障原因部位と、その推定確率を表示し、算出された故障の発生した機器の部位毎のセンサデータ一致率を表示するようにしたものである。

本発明によれば、センサデータに基づいて、設備・機器の故障箇所調査をおこなう際に、故障箇所の究明に要する時間を短縮して、効率的に故障箇所の究明をおこなうことができる。また、本発明によれば、レアケースであっても、故障箇所の調査に関するプライオリティを示して、故障箇所の究明に要する時間を短縮して、効率的に故障箇所の究明をおこなうことができる。

機器故障診断支援システムの構成図である。 機器情報管理装置のハードウェア・ソフトウェア構成図である。 学習診断装置のハードウェア・ソフトウェア構成図である。 故障時センサデータテーブルの一例を示す図である。 保守履歴データテーブルの一例を示す図である。 故障履歴データテーブルの一例を示す図である。 診断モデルテーブルの一例を示す図である。 レアケースデータテーブルの一例を示す図である。 モデル精度データテーブルの一例を示す図である。 機器番号学習診断結果テーブルの一例を示す図である。 レアケース診断結果テーブルの一例を示す図である。 対象機毎発生頻度テーブルの一例を示す図である。 学習診断の診断精度を説明する図である。 学習部がおこなう学習処理を示すフローチャートである。 診断部がおこなう診断処理を示すフローチャートである。 表示部がおこなう表示処理を示すフローチャートである。 機械学習に基づく推定結果表示画面の一例を示す図である。 レアケースセンサ状態情報表示画面の一例を示す図である。 過去実績表示画面の一例を示す図である。 過去実績グラフ表示画面の一例を示す図である。

以下、図１ないし図２０を用いて本発明の一実施形態について説明する。

先ず、図１ないし図３を用いて機器故障診断支援システムの構成について説明する。
機器故障診断支援システムは、図１に示されるように、センサ５、設備・機器１０、センサデータ管理装置４００、機器情報管理装置１００、学習診断装置２００からなり、センサデータ管理装置４００と機器情報管理装置１００は、ネットワーク６により、学習診断装置２００は、ネットワーク７によりそれぞれ接続されている。

設備・機器１０は、工場、オフィス、病院、商業施設などに設置される故障診断対象となる機器である。センサ５は、設備・機器１０の状態に関する情報を検知する機器であり、例えば、温度センサ、速度センサ、位置センサなどである。センサデータ管理装置４００は、センサ５のデータを管理する装置である。機器情報管理装置１００は、設備・機器１０に関するセンサデータや保守履歴などの情報を管理する装置である。学習診断装置２００は、センサデータや保守履歴などの情報を学習して、故障に関する診断情報を表示する装置である。

センサデータ管理装置４００は、センサデータ取得部４１０、故障データ出力部４２０からなる。
センサデータ取得部４１０は、センサデータ管理装置４００とセンサ５が有線で接続されている場合には、その有線のインタフェースにより、あるいは、センサデータを、別の記憶装置（図示せず）から取り込む機能部である。センサデータ出力部４２０は、機器情報管理装置１００にセンサデータを出力する機能部である。

機器情報管理装置１００は、センサデータ入出力部１１０、保守履歴管理部１２０、保守履歴入出力部１３０、センサデータ・保守履歴マージ部１４０、故障履歴データ出力部１５０、記憶部１６０からなる。
センサデータ入出力部１１０は、センサデータ管理装置４００からネットワーク６を介して、センサデータを取り込み、また、表示装置にセンサデータの内容を表示する。

保守履歴管理部１２０は、入力された保守履歴をデータベースとして管理する機能部である。保守履歴入出力部１３０は、保守履歴の入力と出力をおこなう機能部である。保守履歴入出力部１３０は、入力装置によりセンサデータを取り込むか、別の記憶装置（図示せず）から取り込み、表示装置に保守履歴を出力する。

センサデータ・保守履歴マージ部１４０は、機器の故障時のセンサデータと入力された保守履歴をマージして、故障履歴データテーブル（後述）を作成する機能部である。故障履歴データ出力部１５０は、故障履歴データテーブルのデータを、ネットワーク７を介して、学習診断装置２００に出力する機能部である。記憶部１６０は、機器情報管理装置１００で利用するデータを記憶する機能部である。

記憶部１６０には、故障時センサデータテーブル３００、保守履歴データテーブル３１０、故障履歴データテーブル３２０が保持される。なお、各々のデータテーブルの詳細は、後に説明する。

学習診断装置２００は、学習部２１０、診断部２２０、表示部２３０、故障履歴データ入力部２４０からなる。

学習部２１０は、設備・機器に関するセンサデータや保守履歴を学習して、故障診断の学習モデルを作成する機能部である。ここで、学習モデルとは、学習するデータセットから規則や関連性を導出して、適切な解を導くための基準とするデータモデルである。診断部２２０は、学習部２１０により作成された学習モデルと、設備・機器に関するセンサデータや保守履歴に基づいて、機器の故障診断をおこなう機能部である。表示部２３０は、診断部２２０の故障診断の結果を表示する機能部である。故障履歴データ入力部２４０は、ネットワーク７を介して、故障履歴データテーブル３２０を取り込む機能部である。記憶部２５０は、学習診断装置２００で利用するデータを記憶する機能部である。

記憶部２５０には、診断モデルテーブル３３０、レアケースデータテーブル３４０、モデル精度データテーブル３５０、機械学習診断結果テーブル３６０、レアケース診断結果テーブル３７０、対象機毎発生頻度テーブル３８０を保持する。なお、各々のデータテーブルの詳細は、後に説明する。

次に、図２を用いて機器故障情報管理装置のハードウェア・ソフトウェア構成について説明する。
機器情報管理装置１００のハードウェア構成としては、例えば、図２に示されるパーソナルコンピュータのような一般的な情報処理装置で実現される。

機器情報管理装置１００は、ＣＰＵ（Central Processing Unit）５０２、主記憶装置５０４、ネットワークＩ／Ｆ５０６、表示Ｉ／Ｆ５０８、入出力Ｉ／Ｆ５１０、補助記憶Ｉ／Ｆ５１２が、バスにより結合された形態になっている。

ＣＰＵ２０２は、機器情報管理装置１００の各部を制御し、主記憶装置５０４に必要なプログラムをロードして実行する。
主記憶装置５０４は、通常、ＲＡＭなどの揮発メモリで構成され、ＣＰＵ５０２が実行するプログラム、参照するデータが記憶される。

ネットワークＩ／Ｆ５０６は、ネットワーク６、ネットワーク７と接続するためのインタフェースである。
表示Ｉ／Ｆ５０８は、ＬＣＤ（Liquid Crystal Display）などの表示装置５２０を接続するためのインタフェースである。

入出力Ｉ／Ｆ５１０は、入出力装置を接続するためのインタフェースである。図２の例では、キーボード５３０とポインティングデバイスのマウス５３２が接続されている。

補助記憶Ｉ／Ｆ５１２は、ＨＤＤ（Hard Disk Drive）５５０やＳＳＤ（Solid State Drive）などの補助記憶装置を接続するためのインタフェースである。

ＨＤＤ５５０は、大容量の記憶容量を有しており、本実施形態を実行するためのプログラムが格納されている。機器情報管理装置１００のＨＤＤ５５０には、センサデータ入出力プログラム５５１、保守履歴管理プログラム５５２、保守履歴入出力プログラム５５３、センサデータ・保守履歴マージプログラム５５４、故障履歴データテーブル出力プログラム５５５がインストールされている。

センサデータ入出力プログラム５５１、保守履歴管理プログラム５５２、保守履歴入出力プログラム５５３、センサデータ・保守履歴マージプログラム５５４、故障履歴データテーブル出力プログラム５５５は、それぞれ、センサデータ入出力部１１０、保守履歴管理部１２０、保守履歴入出力部１３０、センサデータ・保守履歴マージ部１４０、故障履歴データ出力部１５０の機能を実行するプログラムである。

また、ＨＤＤ５５０は、故障時センサデータテーブル３００、保守履歴データテーブル３１０、故障履歴データテーブル３２０を格納している。

次に、図３を用いて学習診断装置のハードウェア・ソフトウェア構成図について説明する。
学習診断装置２００も、図２に示した機器情報管理装置１００と同様に、ハードウェア構成としては、例えば、図３に示されるパーソナルコンピュータのような一般的な情報処理装置で実現される。
個々のハードウェアの構成要素は、図２に示した機器情報管理装置１００と同様である。

学習診断装置２００の場合、ＨＤＤ６５０には、学習プログラム６５１、診断プログラム６５２、表示プログラム６５３、故障履歴データテーブル入力プログラム６５４がインストールされている。

学習プログラム６５１、診断プログラム６５２、表示プログラム６５３、故障履歴データテーブル入力プログラム６５４は、それぞれ、学習部２１０、診断部２２０、表示部２３０、故障履歴データ入力部２４０の機能を実行するプログラムである。

また、ＨＤＤ６５０は、診断モデルテーブル３３０、レアケースデータテーブル３４０、モデル精度データテーブル３５０、機械学習診断結果テーブル３６０、レアケース診断結果テーブル３７０、対象機毎発生頻度テーブル３８０を格納している。

次に、図４ないし図１３を用いて本実施形態の機器故障診断支援システムで用いられるデータ構造について説明する。
図４の故障時センサデータテーブル３００、図５の保守履歴データテーブル３１０、図６の故障履歴データテーブル３２０は、設備・機器１０の故障の学習診断の元となるデータに関するテーブルである。図７の診断モデルテーブル３３０、図８のレアケースデータテーブル３４０、図９のモデル精度データテーブル３５０は、学習診断装置２００の学習の結果として出力されるデータに関するテーブルである。図１０の機械学習診断結果テーブル３６０、図１１のレアケース診断結果テーブル３７０、図１２の対象機毎発生頻度テーブル３８０は、学習診断装置２００の診断の結果として出力されるデータに関するテーブルである。

故障時センサデータテーブル３００は、設備・機器１０の故障時のセンサデータを格納するテーブルであり、図４に示されるように、発報日時、機種、機器番号、センサＡ、…、センサＸの各フィールドから構成される。

発報日時は、故障発生が報告された日時を格納するフィールドである。機種は、故障した機器の種類を表す識別子を格納するフィールドである。機器番号は、故障した機器の番号を格納するフィールドである。センサＡ、…、センサＸは、それぞれのセンサデータ値を格納するフィールドである。

保守履歴データテーブル３１０は、設備・機器１０に関する保守情報を格納するテーブルであり、図５に示されるように、発報日時、機種、機器番号、故障原因部位から構成される。

発報日時は、故障発生が報告された日時を格納するフィールドである。機種は、故障した機器の種類を表す識別子を格納するフィールドである。機器番号は、故障した機器の番号を格納するフィールドである。故障原因部位は、保守時に、機器の故障の原因であると認定された部位を格納するフィールドである。

故障履歴データテーブル３２０は、故障時センサデータテーブル３００の情報と保守履歴データテーブル３１０の情報をマージしたテーブルであり、図６に示されるように、発報日時、機種、機器番号、センサＡ、…、センサＸ、故障原因部位の各フィールドから構成される。

発報日時、機種、機器番号、センサＡ、…、センサＸは、故障時センサデータテーブル３００の発報日時、機種、機器番号、センサＡ、…、センサＸに対応するフィールドである。故障原因部位は、保守履歴データテーブル３１０の故障原因部位に対応するフィールドである。

診断モデルテーブル３３０は、故障診断の学習モデルに関する情報を格納するテーブルであり、図７に示されるように、機種、診断モデル格納先の各フィールドから構成される。

機種は、故障診断の対象となる機種を格納するフィールドである。診断モデル格納先は、その機種に対応した学習モデルの記憶先を格納フィールドである。

レアケースデータテーブル３４０は、レアケース（まれにしかおこらないと認定される故障のケース、したがって、その故障に関するデータの蓄積は少ない）に関する情報を格納するテーブルであり、図８に示されるように、機種、故障原因部位、センサＡ、…、センサＸの各フィールドから構成される。

機種は、レアケースの故障時の対象とされた機種を格納するフィールドである。故障原因部位は、レアケースの故障時にその機種に関する故障の原因であるとされた故障原因部位を格納するフィールドである。センサＡ、…、センサＸは、レアケース時のそれぞれのセンサデータ値を格納するフィールドである。

モデル精度データテーブル３５０は、故障診断の診断精度に関する情報を格納するテーブルであり、図９に示されるように、機種、件数、発生頻度、適合率、再現率の各フィールドから構成される。件数、発生頻度、適合率、再現率は、その機種の部位ごとに繰り返し、記載される。
本実施形態の学習の診断精度としては、適合率と再現率を採用する。

適合率（precision）とは、システムの診断結果において、本当に正しかったものの割合であり、故障診断の正確性を示す指標となる。図１３の表の記号を使うと、適合率は、ｔｐ／（ｔｐ＋ｆｐ）で表される。再現率（recall）とは、診断結果として出てくるべきもののうち、実際に出てきたものの割合であり、故障診断の網羅性に関する指標となる。図１３の表の記号を使うと、再現率は、ｔｐ／（ｔｐ＋ｆｎ）で表される。

件数は、学習期間内、その機種に故障が発生した件数を格納するフィールドである。発生頻度（故障原因部位）は、一定期間内に、その機種のその故障原因部位（アーム、冷却部、プリント板など）に関して、故障が発生した頻度を格納するフィールドである。適合率（故障原因部位）は、その機種のその故障原因部位に関する適合率を格納するフィールドである。再現率（故障原因部位）は、その機種のその故障原因部位に関する再現率を格納するフィールドである。

機械学習診断結果テーブル３６０は、機械学習による故障診断の結果を格納するテーブルであり、図１０に示されるように、発報日時、機器番号、センサＡ、…、センサＸ、推定部位ｉ（ｉ＝１，…）、推定確率ｉ（ｉ＝１，…）の各フィールドからなる。

発報日時は、故障発生が報告された日時を格納するフィールドである。機器番号は、故障した機器の番号を格納するフィールドである。センサＡ、…、センサＸは、故障時のそれぞれのセンサデータ値を格納するフィールドである。推定部位ｉは、機械学習による故障診断の機器の部位を示す文字列を格納するフィールドである。推定確率ｉは、推定部位ｉの格納された部位に対する故障診断による推定確率を格納するフィールドである。

レアケース診断結果テーブル３７０は、レアケースに関する情報を格納するテーブルであり、図１１に示されるように、発報日時、機器番号、センサＡ、…、センサＸ、一致率（部位）の一例を示す図である。発報日時は、レアケースでの故障発生が報告された日時を格納するフィールドである。機器番号は、レアケースでの故障した機器の番号を格納するフィールドである。センサＡ、…、センサＸは、レアケースでの故障時のそれぞれのセンサデータ値を格納するフィールドである。一致率（部位）は、機器の部位（プリント板、床設置部、…、コネクタなど）のセンサデータ一致率を格納するフィールドである。センサデータ一致率とは、故障時のセンサデータが、過去に蓄積されているレアケースの故障原因部位のときのセンサデータとどの程度一致するかを示す指標（０〜１）であり、例えば、ある測定期間中にある範囲をとる時間がどの程度一致するか、異常値の出現回数が一致するなどを計算することにより、求めることができる。一致率（部位）が、１に近いほど、過去のレアケースの故障原因部位のセンサデータと一致して、その部位が故障原因に近いことを示している。

対象機毎発生頻度テーブル３８０は、一定期間（例えば、一年間）内に、部位ごとに故障がおこった頻度を格納するテーブルであり、図１２に示されるように、機種、機器番号、部位（アーム、冷却部、…、プリント板など）の各フィールドからなる。ここで、例えば、年ごとの頻度は、過去の故障発生件数／統計年数で表される。

機種は、故障した機器の種類を表す識別子を格納するフィールドである。機器番号は、故障した機器の番号を格納するフィールドである。部位は、その部位が故障原因となった期間中における頻度を格納するフィールドである。

次に、図１４ないし図１６を用いて学習診断装置が実施する処理について説明する。

先ず、図１４を用いて学習診断装置２００の学習部２１０がおこなう学習処理について説明する。
先ず、学習部２１０は、学習のための診断期間を設定する（Ｓ１００）。
次に、Ｎ（整数）を初期化するために、０を代入する（Ｓ１０１）。Ｎは、故障実績がレアケースであるか否かの判定のために使われるカウンタである。
次に、ＴＯＰ５の正答率が、８０％未満なら、Ｓ１０３〜Ｓ１０９の処理を繰り返す（Ｓ１０２〜Ｓ１１０）。ＴＯＰ５というのは、例であり、ＴＯＰ３、ＴＯＰ１０などと学習の目的に沿って、適当な正答率を見出すために変更してもよい。また、８０％という基準も学習の目的に沿って、別の基準としてもよい。

先ず、Ｎを１インクリメントする（Ｓ１０３）。
次に、故障原因部位分、Ｓ１０５〜Ｓ１０７の処理を繰り返す（Ｓ１０４〜Ｓ１０８）。

その故障原因部位の故障実績が、Ｎ件以上か否かを判定し（Ｓ１０５）、故障原因部位の故障実績が、Ｎ件以上であるときには（Ｓ１０５：ＹＥＳ）、Ｓ１０６に進み、故障原因部位の故障実績が、Ｎ件以上でないときには（Ｓ１０５：ＮＯ）、Ｓ１０７に進む。

故障原因部位の故障実績が、Ｎ件以上であるときには、故障履歴データテーブル３２０から、学習対象の機種、発報日時、故障原因部位をキーに、故障データを表すレコードを取得する（Ｓ１０６）。

故障原因部位の故障実績が、Ｎ件以上でないときには、故障履歴データテーブル３２０から、学習対象の機種、発報日時、故障原因部位をキーに、故障データを表すレコードを取得し、内部データとして保持する（Ｓ１０７）。

次に、取得した故障原因部位で、学習／診断し、その推定確率のＴＯＰ５の正答率を評価する（Ｓ１０９）。
ＴＯＰ５の正答率が、８０％以上の正答率が得られたときには、学習した機種をキーに、診断モデルテーブル３３０に診断モデル格納先を追加し、その診断モデル格納先に、学習により作成した診断モデルを格納する（Ｓ１１１）。
Ｓ１０７で保持した内部データを、レアケースデータテーブル３４０に記録する（Ｓ１１２）。

機種毎に、故障原因部位毎の実績件数と診断モデルの診断精度（適合率、再現率）、機種毎の発生頻度をモデル精度データテーブル３５０に追加する（Ｓ１１３）。

次に、図１５を用いて学習診断装置２００の診断部２２０がおこなう診断処理について説明する。
先ず、故障履歴データテーブル３２０から、診断対象のレコードを選択する（Ｓ２００）。

次に、診断モデルテーブル３３０の診断モデル格納先を参照し、機種をキーに診断モデルを取得する（Ｓ２０１）。
次に、診断モデルにより故障原因部位を推定し、推定確率と共に、機械学習診断結果テーブル３６０に格納する（Ｓ２０２）。
次に、機種をキーにレアケースデータテーブル３４０から、レアケースデータのレコードを取得する（Ｓ２０３）。
次に、各レコードのセンサデータ一致率を算出する（Ｓ２０４）。

次に、機種毎、故障原因部位毎に、センサデータ一致率の平均値を求め、その機種に属する機器番号のレアケース診断結果テーブル３７０のレコードの一致率（部位）のフィールドに格納する（Ｓ２０５）。

次に、機器番号をキーに、故障履歴テーブルから学習期間のレコードを取得し、各故障原因部位毎に、発生頻度(回／機・年)を算出し、対象機毎発生頻度テーブル３８０に格納する（Ｓ２０６）。

次に、図１６を用いて学習診断装置２００の表示部２３０がおこなう表示処理について説明する。
保守員から表示の要求された画面が、機械学習に基づく推定結果表示画面のときには（Ｓ３００：機械学習に基づく推定結果表示画面）、機器番号と故障の発報日時をキーに、機械学習診断結果テーブル３６０からレコードを取得し、故障の推定部位と推定確率を表示する（Ｓ３０１）。

保守員から表示の要求された画面が、レアケースセンサ状態表示画面のときには（Ｓ３０２：レアケースセンサ状態表示画面）、機器番号と故障の発報日時をキーに、レアケース診断結果テーブル３７０からレコードを取得し、ＴＯＰ５とＷＯＲＳＴ５の故障原因部位とその部位のセンサデータ一致率を表示する（Ｓ３０２）。

保守員から表示の要求された画面が、過去実績表示画面のときには（Ｓ３０３：過去実績表示画面）、機種をキーに、モデル精度データテーブル３５０からレコードを取得し、部位毎の実績件数と、診断精度（適合率、再現率）を表示する（Ｓ３０３）。

次に、機器番号をキーに、対象機毎発生頻度テーブル３８０のレコードを取得し、機器番号毎の発生頻度(回/機・年)を表示し、同じ機種の機械番号の発生頻度の和を取り、機種毎の発生頻度を求めて、発生頻度（回／機種・年）を表示する（Ｓ３０４）。

保守員から表示の要求された画面が、過去実績グラフ表示画面のときには（Ｓ３０３：過去実績グラフ表示画面）、機種をキーに、モデル精度データテーブル３５０からレコードを取得し、部位別の実績件数と、診断精度（適合率、再現率）をグラフ表示する（Ｓ３０５）。
なお、各表示のユーザインタフェースの具体例については、後に詳説する。

次に、図１７ないし図２０を用いて学習診断装置のユーザインタフェースについて説明する。
機械学習に基づく推定結果表示画面７００は、学習診断の結果として、故障のおこった機器の各部位が故障とされる推定確率を表示する画面であり、図１７に示されるように、故障情報表示欄７０１、推定確率表示欄７０２からなる。

故障情報表示欄７０１は、故障診断の対象とする故障情報を表示する欄である。推定確率表示欄７０２は、故障の発生した機器の各部位の故障の推定確率がグラフで表示する欄である。
保守員は、このグラフの表示に基づき、上位から故障の調査を実施することにより、調査時間を短縮することができる。

レアケースセンサ状態表示画面８００は、今回の故障のセンサデータと、レアケースの場合のセンサデータの一致率を表示する画面であり、図１８に示されるように、故障情報表示欄８０１、レアケースセンサ状態一致率ＴＯＰ５表示欄８０２、レアケースセンサデータ一致率ＷＯＲＳＴ５表示欄８０３からなる。
故障情報表示欄８０１は、故障診断の対象とする故障情報を表示する欄である。

レアケースセンサ状態一致率ＴＯＰ５表示欄８０２は、今回の故障のセンサデータと、レアケースの場合の蓄積されたセンサデータ一致率が、ＴＯＰ５にあたる故障原因部位に関して、そのセンサデータ一致率をグラフとして表示する欄である。

レアケースセンサ状態一致率ＷＯＲＳＴ５表示欄８０３は、今回の故障のセンサデータと、レアケースの場合の蓄積されたセンサデータ一致率が、ＷＯＲＳＴ５にあたる故障原因部位に関して、そのセンサデータ一致率をグラフとして表示する欄である。

レアケースとは、学習のために用いる過去実績が少なく、有意な診断のための学習モデルが得られないか、学習モデルを作成できない場合である。そのようなレアケースの場合においても、センサデータ一致率から見て、ＴＯＰ５にあたる故障原因部位を調査することにより、比較的可能性の高い故障原因部位から調査することができるので、保守員は、故障箇所の調査の能率を向上させることができる。一方、センサデータ一致率から見て、ＷＯＲＳＴ５にあたる故障原因部位は、レアケースの場合であり、かつ、センサデータ一致率が低い場合であるので、調査を要しないか、調査を一番後回しにすればよいことが分かる。したがって、不要な機器の部位を調査しなくてよくなるので、保守員は、故障箇所の調査の能率を向上させることができる。

過去実績表示画面９００は、過去の故障診断の実績と診断精度に関する情報を表示する画面であり、図１９に示されるように、故障情報表示欄９０１、過去実績表示欄９０２からなる。故障情報表示欄９０１は、故障診断の対象とする故障情報を表示する欄である。なお、ここでは、故障を発生した機器番号とその機種に関する情報が表示されている。過去実績表示欄９０２は、過去の学習した故障データに基づいた情報を表示する欄であり、機器の部位毎に、サンプル数、診断精度（適合率、再現率）、一定期間における機種毎の故障の発生頻度、一定期間における対象機毎の故障の発生頻度が表示される。

この過去実績表示画面９００により、保守員は、機器の部位毎のサンプル数、診断精度（適合率、再現率）と、機種毎、対象機毎の故障の発生頻度を確認することができる。

過去実績グラフ表示画面１０００は、図２０に示されるように、過去の故障診断の実績と診断精度に関する情報をグラフ形式で表示する画面であり、図２０に示されるように、故障情報表示欄１００１、過去実績グラフ表示欄１００２からなる。故障情報表示欄１００１は、故障診断の対象とする故障情報を表示する欄である。過去実績グラフ表示欄１００２は、過去の学習した故障データに基づいた情報をグラフ表示する欄であり、機器の部位毎に、サンプル数が棒グラフで、診断精度（適合率、再現率）が折れ線グラフで表示される。

この過去実績グラフ表示画面１０００により、保守員は、機器の部位毎サンプル数と診断精度（適合率、再現率）をグラフ形式で確認することができる。

なお、本実施形態では、学習診断装置２００の故障診断の画面を、図１７の機械学習に基づく推定結果表示画面、図１８に示すレアケースセンサ状態情報表示画面、図１９に示す過去実績表示画面、図２０に示す過去実績グラフ表示画面のように、四画面で表示したが、保守員に見やすくするため、一つの故障診断画面として、表示される情報をまとめた画面で表示してもよい。

以上、本実施形態によれば、保守員は、機械学習に基づく推定結果表示画面６００に表示された情報に基づいて、調査することにより、過去の蓄積されたデータに基づいた学習によって推定された確率の高い機器から順に調査できるため調査時間を短縮することができる。

また、保守員は、レアケースセンサ状態表示画面７００に表示された情報に基づいて、調査することにより、機械学習の結果で調査原因がわからない、あるいは、機械学習の診断精度が悪い場合に、故障頻度の低い機器の中で調査する必要性の低い機器と高い機器に切り分けることができ、調査時間を短縮することができる。

また、保守員は、過去実績表示画面８００と過去実績グラフ表示画面９００に表示される情報により、現状のデータレベルと診断精度が俯瞰できるため、作業員が診断精度を考慮した上で調査優先度を決定できる。例えば、機械学習に基づく推定結果表示画面６００の推定確率が高いものであっても、診断精度が悪いときには、レアケースの故障原因部位の調査を優先するなどの対応をとることができる。

さらに、学習数と診断精度が比例していることが俯瞰できるため、より学習データを追加することで作業員の調査負荷が軽減できることが予想でき、作業員が故障調査実績の入力に積極的になるような意識を醸成することができる。

５…センサ、１０…設備・機器、１００…機器情報管理装置、２００…学習診断装置、４００…センサデータ管理装置、
１１０…センサデータ入出力部、１２０…保守履歴管理部、１３０…保守履歴入出力部、１４０…センサデータ・保守履歴マージ部、１５０…故障履歴データ出力部、１６０…記憶部、
２１０…学習部、２２０…診断部、２３０…表示部、２４０…故障履歴データ入力部、２５０…記憶部、
３００…故障時センサデータテーブル、３１０…保守履歴データテーブル、３２０…故障履歴データテーブル、３３０…診断モデルテーブル、３４０…レアケースデータテーブル、３５０…モデル精度データテーブル、３６０…機械学習診断結果テーブル、３７０…レアケース診断結果テーブル、３８０…対象機毎発生頻度テーブル

Claims (8)

1. 機器を計測したセンサの出力するセンサデータに基づいて、故障診断をおこなう機器故障診断支援システムであって、
   学習診断装置を備え、
   前記学習診断装置は、故障の発生した機器とセンサデータとその機器の故障原因部位を格納した故障履歴テーブルと、
   レアケースの場合に、機種毎、部位毎にセンサデータを格納したレアケースデータテーブルと、を保持し、
   前記学習診断装置は、
   過去データから学習して診断モデルを作成する学習部と、
   前記学習部により作成された診断モデルに基づいて、故障診断をおこなう診断部と、
   前記診断部の診断結果を表示する表示部と、を有し、
   前記学習部は、
   前記故障履歴テーブルに格納されたデータから学習して診断モデルを作成し、
   前記故障履歴テーブルから、その機器の故障原因部位として、一定の件数に満たない場合に、前記レアケースデータテーブルに、その機器の機種と故障原因部位とセンサデータを格納し、
   前記診断部は、
   前記学習部により作成された診断モデルに基づいて、故障の発生した機器の部位毎に、故障原因となる推定確率を算出し、
   前記レアケースデータテーブルに基づいて、故障の発生した機器のセンサデータと、その機器の機種の過去のセンサデータのセンサデータ一致率を算出し、
   前記表示部は、
   前記診断部により診断された故障の発生した機器の故障原因部位と、その推定確率を表示し、
   算出された故障の発生した機器の部位毎のセンサデータ一致率を表示することを特徴とする機器故障診断支援システム。
2. 前記センサデータ一致率の表示は、上位ｎ（ｎは整数）位、下位ｍ（ｍは整数）位を表示することを特徴とする請求項１記載の機器故障診断支援システム。
3. 機器を計測したセンサの出力するセンサデータに基づいて、故障診断をおこなう機器故障診断支援システムであって、
   学習診断装置を備え、
   前記学習診断装置は、故障の発生した機器とセンサデータとその機器の故障原因部位を格納した故障履歴テーブルと、
   機種毎、部位毎に、故障発生件数と、診断精度を格納したモデル精度データテーブルとを保持し、
   前記学習診断装置は、
   過去データから学習して診断モデルを作成する学習部と、
   前記学習部により作成された診断モデルに基づいて、故障診断をおこなう診断部と、
   前記診断部の診断結果を表示する表示部とを有し、
   前記学習部は、
   前記故障履歴テーブルに格納されたデータから学習して診断モデルを作成し、
   前記故障の発生した機器の部位毎に、故障発生件数と故障原因となる場合の診断精度を算出し、前記モデル精度データテーブルに格納し、
   前記診断部は、
   前記学習部により作成された診断モデルに基づいて、故障の発生した機器の部位毎に、故障原因となる推定確率を算出し、
   前記表示部は、
   前記診断部により診断された故障の発生した機器の故障原因部位と、その推定確率を表示し、
   前記モデル精度データテーブルを参照し、故障の発生した機器の機種の部位毎に、故障発生件数と故障原因となる場合の診断精度を表示することを特徴とする機器故障診断支援システム。
4. 前記診断精度は、適合率と再現率であることを特徴とする請求項３記載の機器故障診断支援システム。
5. 前記故障発生件数と故障原因となる場合の診断精度は、数値表示されることを特徴とする請求項３記載の機器故障診断支援システム。
6. 前記故障発生件数と故障原因となる場合の診断精度は、グラフ表示されることを特徴とする請求項３記載の機器故障診断支援システム。
7. 前記故障の発生した機器の部位毎に、一定期間における機種毎の故障の発生頻度と、前記故障の発生した機器毎の故障の発生頻度を表示することを特徴とする請求項３記載の機器故障診断支援システム。
8. 機器を計測したセンサの出力するセンサデータに基づいて、故障診断をおこなう機器故障診断支援方法であって、
   学習診断装置は、故障の発生した機器とセンサデータとその機器の故障原因部位を格納した故障履歴テーブルと、
   レアケースの場合に、機種毎、部位毎にセンサデータを格納したレアケースデータテーブルと、
   機種毎、部位毎に、故障発生件数と、診断精度を格納したモデル精度データテーブルとを保持し、
   学習診断装置が、前記故障履歴テーブルに格納されたデータから学習して診断モデルを作成するステップと、
   学習診断装置が、前記故障の発生した機器の部位毎に、故障発生件数と故障原因となる場合の診断精度を算出し、前記モデル精度データテーブルに格納するステップと、
   学習診断装置が、作成された診断モデルに基づいて、故障の発生した機器の部位毎に、故障原因となる推定確率を算出するステップと、
   学習診断装置が、前記故障履歴テーブルから、その機器の故障原因部位として、一定の件数に満たない場合に、前記レアケースデータテーブルに、その機器の機種と故障原因部位とセンサデータを格納するステップと、
   学習診断装置が、前記レアケースデータテーブルに基づいて、故障の発生した機器のセンサデータと、その機器の機種の過去のセンサデータのセンサデータ一致率を算出するステップと、
   学習診断装置が、診断された故障の発生した機器の故障原因部位と、その推定確率を表示するステップと、
   学習診断装置が、算出された故障の発生した機器の部位毎のセンサデータ一致率を表示するステップと、
   学習診断装置が、前記モデル精度データテーブルを参照し、故障の発生した機器の機種の部位毎に、故障発生件数と故障原因となる場合の診断精度を表示するステップとを有することを特徴とする機器故障診断支援方法。

Images