JP2020160528A - 劣化推定装置、学習装置、劣化推定方法、学習方法、劣化推定プログラム、および、学習プログラム - Google Patents

Abstract

【課題】保全対象の設備の劣化ランクを従来よりも高精度に推定する技術を提供する。【解決手段】劣化推定装置は、保全対象の設備の点検結果を取得するための点検結果取得部と、保全対象の設備の属性データを取得するための属性データ取得部と、保全対象の設備の点検結果と保全対象の設備の属性データとを入力として、学習用データセットを用いた学習処理により予め得られている推定用パラメータに基づいて、保全対象の設備の劣化ランクを推定するための推定部とを備える。学習用データセットは、保全対象の他の設備の点検結果と、当該他の設備の属性データとの特徴量に対して、当該他の設備の劣化ランクをラベル付けした学習用データを複数含む。【選択図】図１

Description

本開示は、保全対象の設備の劣化ランクを推定するための技術に関する。

電力会社での電気を送電する送変電設備や工場の生産設備などの設備については、正常に稼働し続けるように保全作業が定期的に行われる。保全作業において、作業者は、予め決められた点検項目に従って保全対象の設備を点検する。保全作業により何らかの異常が発見された場合には、設備の修理が行われる。

保全作業による点検結果から、設備の劣化度合いを推定する技術が普及している。当該技術に関し、特開２０１０−０９７３９２号公報（特許文献１）は、各種設備の劣化を予測する設備劣化予測システムを開示している。当該設備劣化予測システムは、地域特性や稼働状態などに基づいて、類似の設備をグルーピングし、グルーピングされた設備の故障情報履歴と巡視点検結果との関連性から、同一グループに属する設備に関しては巡視点検結果のみで機器の設備劣化予測を行う。

特開２０１０−０９７３９２号公報

特許文献１に開示される設備劣化予測システムは、設備の巡視点検結果のみで設備の劣化を予測しているが、設備の巡視点検結果のみでは設備の劣化を推定することが難しい。実際には、熟練作業員は、設備の点検結果だけではなく、設備の機種や型式などの種々の情報を総合的に考慮して、設備の劣化ランクを推定する。このような熟練作業員が行っている劣化診断方法を機械的に実現することが望まれている。

本開示は、上記のような問題に鑑みてなされたものであって、ある局面における目的は、保全対象の設備の劣化ランクを従来よりも高精度に推定することが可能な技術を提供することである。

ある局面に従うと、保全対象の設備の劣化ランクを推定する劣化推定装置は、上記保全対象の設備の点検結果を取得するための点検結果取得部と、上記保全対象の設備の属性データを取得するための属性データ取得部と、上記保全対象の設備の上記点検結果と上記保全対象の設備の上記属性データとを入力として、学習用データセットを用いた学習処理により予め得られている推定用パラメータに基づいて、上記保全対象の設備の劣化ランクを推定するための推定部とを備える。上記学習用データセットは、保全対象の他の設備の点検結果と、当該他の設備の属性データとの特徴量に対して、当該他の設備の劣化ランクをラベル付けした学習用データを複数含む。

保全対象の設備についての劣化ランクの推定処理に用いられる推定用パラメータを出力する学習装置は、学習用データセットを生成するための学習用データ生成部を備える。上記学習用データセットは、保全対象の設備の点検結果と、当該保全対象の設備の属性データとの特徴量に対して、当該保全対象の設備の劣化ランクをラベル付けした学習用データを複数含む。上記学習装置は、さらに、上記学習用データセットに含まれる複数の上記特徴量と、上記学習用データセットに含まれる複数の上記劣化ランクとの間の相関関係を学習し、当該相関関係を上記推定用パラメータとして出力するための学習部を備える。

他の局面に従うと、保全対象の設備の劣化ランクを推定する劣化推定方法は、上記保全対象の設備の点検結果を取得するステップと、上記保全対象の設備の属性データを取得するステップと、上記保全対象の設備の上記点検結果と上記保全対象の設備の上記属性データとを入力として、学習用データセットを用いた学習処理により予め得られている推定用パラメータに基づいて、上記保全対象の設備の劣化ランクを推定するステップとを備える。上記学習用データセットは、保全対象の他の設備の点検結果と、当該他の設備の属性データとの特徴量に対して、当該他の設備の劣化ランクをラベル付けした学習用データを複数含む。

他の局面に従うと、保全対象の設備についての劣化ランクの推定処理に用いられる推定用パラメータを生成するための学習方法は、学習用データセットを生成するステップを備える。上記学習用データセットは、保全対象の設備の点検結果と、当該保全対象の設備の属性データとの特徴量に対して、当該保全対象の設備の劣化ランクをラベル付けした学習用データを複数含む。上記学習方法は、さらに、上記学習用データセットに含まれる複数の上記特徴量と、上記学習用データセットに含まれる複数の上記劣化ランクとの間の相関関係を学習し、当該相関関係を上記推定用パラメータとして出力するステップを備える。

他の局面に従うと、保全対象の設備の劣化ランクを推定する劣化推定プログラムは、コンピュータに、上記保全対象の設備の点検結果を取得するステップと、上記保全対象の設備の属性データを取得するステップと、上記保全対象の設備の上記点検結果と上記保全対象の設備の上記属性データとを入力として、学習用データセットを用いた学習処理により予め得られている推定用パラメータに基づいて、上記保全対象の設備の劣化ランクを推定するステップとを実行させる。上記学習用データセットは、保全対象の他の設備の点検結果と、当該他の設備の属性データとの特徴量に対して、当該他の設備の劣化ランクをラベル付けした学習用データを複数含む。

他の局面に従うと、保全対象の設備についての劣化ランクの推定処理に用いられる推定用パラメータを生成するための学習プログラムは、コンピュータに、学習用データセットを生成するステップを実行させる。上記学習用データセットは、保全対象の設備の点検結果と、当該保全対象の設備の属性データとの特徴量に対して、当該保全対象の設備の劣化ランクをラベル付けした学習用データを複数含む。上記学習プログラムは、コンピュータに、さらに、上記学習用データセットに含まれる複数の上記特徴量と、上記学習用データセットに含まれる複数の上記劣化ランクとの間の相関関係を学習し、当該相関関係を上記推定用パラメータとして出力するステップを実行させる。

ある局面において、保全対象の設備の劣化ランクを従来よりも高精度に推定することができる。

実施の形態に従う劣化推定装置の機能構成の一例を示す図である。 点検結果の一例を示す図である。 属性データ一例を示す図である。 実施の形態に従う劣化推定システムの装置構成の一例を示す図である。 実施の形態に従う学習装置のハードウェア構成の一例を示す図である。 実施の形態に従う劣化推定装置のハードウェア構成の一例を示す図である。 実施の形態に従う学習装置の機能構成の一例を示す図である。 学習用データの生成に用いられる点検結果表示画面を示す図である。 学習用データセットの一例を示す図である。 数値化ルールの一例を示す図である。 学習部による学習機能の一例を説明するための図である。 推定用パラメータのデータ構造の一例を示す図である。 マハラノビス距離を示す図である。 推定された劣化ランクの出力画面の一例である点検結果表示画面を示す図である。 変形例に従う学習処理を概略的に示す図である。 変形例に従う劣化推定装置の機能構成の一例を示す図である。 故障履歴の一例を表わす図である。 学習用データの生成処理の流れを示すフローチャートである。 学習処理の流れを示すフローチャートである。 劣化ランクの推定処理の流れを示すフローチャートである。

以下、図面を参照しつつ、本発明に従う各実施の形態について説明する。以下の説明では、同一の部品および構成要素には同一の符号を付してある。それらの名称および機能も同じである。したがって、これらについての詳細な説明は繰り返さない。なお、以下で説明される各実施の形態および各変形例は、適宜選択的に組み合わされてもよい。

＜Ａ．概要＞
図１〜図３を参照して、劣化推定装置２００による劣化ランクの推定処理の概要について説明する。図１は、劣化推定装置２００の機能構成の一例を示す図である。

劣化推定装置２００は、保全対象の設備（以下、「保全設備」ともいう。）の劣化ランクを推定する。当該保全設備は、たとえば、電力会社での電気を送電する送変電設備や工場での物を生産する生産設備などの各種電力機器である。

保全設備については、予め決められた点検項目に従って定期点検が行われる。作業員は、当該定期点検結果に基づいて保全対象の劣化ランクを判断する。このとき、熟練作業員は、保全設備についての定期点検結果だけでなく、保全設備の機種や型式などの属性データを総合的に考慮して、保全設備の劣化ランクを推定する。そこで、本実施の形態に従う劣化推定装置２００は、熟練作業員のノウハウを機械化するために、保全設備についての点検結果と、保全設備の属性データとの両方に基づいて、保全設備の劣化ランクを推定する。これにより、熟練作業員が行っている劣化診断方法を機械的に実現することができる。その結果、劣化推定装置２００は、保全対象の設備の劣化ランクを従来の劣化推定装置よりも高精度に推定することが可能になる。

このような推定処理を実現するための機能構成として、劣化推定装置２００の制御装置２０１は、点検結果取得部２５０と、属性データ取得部２５２と、推定部２６０とを含む。

点検結果取得部２５０は、保全設備の点検結果２３０Ａを取得する。点検結果２３０Ａは、予め決められた各点検項目についての測定値を示すデータである。

点検結果２３０Ａの取得先は、任意である。ある局面において、点検結果２３０Ａは、劣化推定装置２００に格納されている点検結果データベース２３０から取得される。他の局面において、点検結果２３０Ａは、外部サーバーに格納されている点検結果データベースから取得される。他の局面において、点検結果２３０Ａは、劣化推定装置２００に接続される入力デバイスに手動で入力され、点検結果取得部２５０は、劣化推定装置２００の入力デバイスから点検結果２３０Ａを取得する。

図２は、取得された点検結果２３０Ａの一例を示す図である。図２に示されるように、典型的には、１つの保全設備の識別情報（たとえば、設備名や設備ＩＤなど）に対して、複数の点検項目が対応付けられる。また、各点検項目には、当該点検項目の種別を示す点検種別と、点検実施日と、測定値と、測定値の単位とが対応付けている。

再び図１を参照して、属性データ取得部２５２は、保全設備の属性データ２３２Ａを取得する。属性データ２３２Ａは、保全設備の特徴を表わす保全設備固有の設備情報である。一例として、属性データ２３２Ａは、保全設備の機種、保全設備の型式、保全設備の型名、保全設備の製造年度、保全設備の設置年月日・保全設備の稼働開始年月日、保全設備の電圧階級、保全設備の容量などを含む。

属性データ２３２Ａの取得先は、任意である。ある局面において、属性データ２３２Ａは、劣化推定装置２００に格納されている属性データベース２３２から取得される。他の局面において、属性データ２３２Ａは、外部サーバーに格納されている属性データベースから取得される。他の局面において、属性データ２３２Ａは、劣化推定装置２００に接続される入力デバイスに手動で入力され、属性データ取得部２５２は、劣化推定装置２００の入力デバイスから属性データ２３２Ａを取得する。

図３は、属性データ２３２Ａの一例を示す図である。図３の例では、属性データ２３２Ａは、保全設備の機種を示す識別情報（たとえば、機器ＩＤや機器名）と、保全設備の型式と、保全設備の仕様と、保全設備の製造番号とを含む。

再び図１を参照して、推定部２６０は、保全設備の点検結果２３０Ａと保全設備の属性データ２３２Ａとを入力として、学習用データセットを用いた学習処理により予め得られている推定用パラメータ２３６に基づいて、保全設備の劣化ランクを推定する。当該学習用データセットは、他の保全設備の点検結果と、当該他の保全設備の属性データとに対して、当該他の保全設備の劣化ランクをラベル付けした学習用データを複数含む。推定用パラメータ２３６の学習処理の詳細については後述する。

以上のように、推定部２６０は、保全設備についての点検結果と、保全設備の属性データとの両方に基づいて、保全設備の劣化ランクを推定する。このように、点検結果と属性データとの両方が劣化ランクの判断指標として用いられることで、劣化推定装置２００は、保全対象の設備の劣化ランクを従来の劣化推定装置よりも高精度に推定することが可能になる。

＜Ｂ．劣化推定システム１０＞
図４を参照して、劣化推定システム１０について説明する。図４は、劣化推定システム１０の装置構成の一例を示す図である。

図４に示されるように、劣化推定システム１０は、学習装置１００と、劣化推定装置２００とを含む。

学習装置１００は、ノート型のパソコン、デスクトップ型のパソコン、タブレット端末、または、その他の情報処理端末である。学習装置１００は、予め定められた学習処理により上述の推定用パラメータ２３６（図１参照）を生成する。

劣化推定装置２００は、ノート型のパソコン、デスクトップ型のパソコン、タブレット端末、または、その他の情報処理端末である。劣化推定装置２００は、学習装置１００によって生成された推定用パラメータ２３６を用いて、保全設備の劣化ランクを推定する。

このように、劣化推定システム１０で実行される処理は、学習装置１００による推定用パラメータ２３６の学習工程と、劣化推定装置２００による劣化ランクの推定工程とに分けられる。

以下では、図４を参照して、学習工程から推定工程までの処理の流れについて概略的に説明する。

ステップＳ１において、学習装置１００は、種々の保全設備についての点検結果を情報通信端末から受信する。図４の例では、学習装置１００は、情報通信端末２０Ａ〜２０Ｃから点検結果２１Ａ〜２１Ｃをそれぞれ収集している。点検結果２１Ａ〜２１Ｃのデータ構造は、上述の点検結果２３０Ａ（図２参照）と同じまたは略同じであるので、その説明については繰り返さない。

学習装置１００は、収集した情報通信端末２０Ａ〜２０Ｃを後述の点検結果データベース１３０（図５参照）に格納する。なお、点検結果は、必ずしも情報通信端末から受信する必要はなく、学習装置１００に対して手動で入力されてもよい。

その後、学習装置１００は、収集した点検結果２１Ａ〜２１Ｃに基づいて、学習用データセット１３６を生成する。より具体的には、学習装置１００は、収集した点検結果２１Ａ〜２１Ｃの各々に対して劣化ランクの入力を受け付ける。また、収集した点検結果２１Ａ〜２１Ｃの各々には、点検対象の保全設備の識別情報が対応付けられており、学習装置１００は、当該識別情報をキーとして、後述の属性データベース１３２（図５参照）から対応の属性データを取得し、点検結果２１Ａ〜２１Ｃの各々に属性データを対応付ける。これにより、点検結果と属性データとの特徴量に対して劣化ランクがラベル付けされた複数の学習用データが学習用データセット１３６として生成される。ここでいう特徴量とは、劣化ランクと相関のある指標のことをいう。

ステップＳ２において、学習装置１００は、学習用データセット１３６に含まれる複数の特徴量と、学習用データセット１３６に含まれる複数の劣化ランクとの間の相関関係を学習し、当該相関関係を推定用パラメータ２３６として出力する。推定用パラメータ２３６の学習手法には、種々の学習アルゴリズムが採用され得る。一例として、学習アルゴリズムとして、マハラノビスタグチメソッド（ＭＴ法）、ディープラーニング、またはサポートベクターマシンなどが採用される。推定用パラメータ２３６の学習手法の詳細については後述する。

ステップＳ３において、学習装置１００は、ステップＳ２で生成した推定用パラメータ２３６を劣化推定装置２００に送信する。劣化推定装置２００は、学習装置１００から受信した推定用パラメータ２３６を劣化推定装置２００の記憶装置に保存する。

ステップＳ４において、劣化推定装置２００は、劣化ランクの推定対象の保全設備について、点検結果と属性データとを入力として、推定用パラメータ２３６に基づいて、当該保全設備の劣化ランクを推定する。推定された劣化ランクは、たとえば、劣化推定装置２００の表示デバイスなどに表示される。

＜Ｃ．ハードウェア構成＞
図５および図６を参照して、学習装置１００および劣化推定装置２００のハードウェア構成について順に説明する。

（Ｃ１．学習装置１００のハードウェア構成）
まず、図５を参照して、学習装置１００のハードウェア構成について順に説明する。図５は、学習装置１００のハードウェア構成の一例を示す図である。

学習装置１００は、制御装置１０１と、ＲＯＭ（Read Only Memory）１０２と、ＲＡＭ（Random Access Memory）１０３と、通信インターフェイス１０４と、表示インターフェイス１０５と、入力インターフェイス１０７と、記憶装置１２０とを含む。これらのコンポーネントは、バス１１０に接続される。

制御装置１０１は、たとえば、少なくとも１つの集積回路によって構成される。集積回路は、たとえば、少なくとも１つのＣＰＵ（Central Processing Unit）、少なくとも１つのＧＰＵ（Graphics Processing Unit）、少なくとも１つのＡＳＩＣ（Application Specific Integrated Circuit）、少なくとも１つのＦＰＧＡ（Field Programmable Gate Array）、またはそれらの組み合わせなどによって構成され得る。

制御装置１０１は、学習用データ生成プログラム１２２や学習プログラム１２４などの各種プログラムを実行することで学習装置１００の動作を制御する。制御装置１０１は、各種プログラムの実行命令を受け付けたことに基づいて、記憶装置１２０またはＲＯＭ１０２からＲＡＭ１０３に実行対象のプログラムを読み出す。ＲＡＭ１０３は、ワーキングメモリとして機能し、プログラムの実行に必要な各種データを一時的に格納する。

通信インターフェイス１０４には、ＬＡＮ（Local Area Network）やアンテナなどが接続される。学習装置１００は、通信インターフェイス１０４を介して、外部機器との間でデータをやり取りする。当該外部機器は、たとえば、上述の情報通信端末２０Ａ〜２０Ｃ（図４参照）、上述の劣化推定装置２００（図４参照）、およびサーバーなどを含む。

表示インターフェイス１０５には、表示デバイス１０６が接続される。表示インターフェイス１０５は、制御装置１０１などからの指令に従って、表示デバイス１０６に対して、画像を表示するための画像信号を送出する。表示デバイス１０６は、たとえば、液晶表示デバイス、有機ＥＬ（Electro Luminescence）表示デバイス、またはその他の表示機器である。なお、表示デバイス１０６は、学習装置１００と一体的に構成されてもよいし、学習装置１００とは別に構成されてもよい。

入力インターフェイス１０７には、入力デバイス１０８が接続される。入力デバイス１０８は、たとえば、マウス、キーボード、タッチパネル、またはユーザの操作を受け付けることが可能なその他の装置である。なお、入力デバイス１０８は、学習装置１００と一体的に構成されてもよいし、学習装置１００とは別に構成されてもよい。

記憶装置１２０は、たとえば、ハードディスクやフラッシュメモリなどの記憶媒体である。記憶装置１２０は、たとえば、学習用データ生成プログラム１２２と、学習プログラム１２４と、点検結果データベース１３０と、属性データベース１３２と、学習用データセット１３６と、数値化ルール１３８と、推定用パラメータ２３６とを格納する。点検結果データベース１３０は、各種の保全設備について点検結果の履歴情報を格納する。属性データベース１３２は、各種の保全設備について属性データを格納する。数値化ルール１３８の詳細については後述する。学習用データ生成プログラム１２２と、学習プログラム１２４と、点検結果データベース１３０と、属性データベース１３２と、学習用データセット１３６と、後述の数値化ルール１３８と、推定用パラメータ２３６との格納場所は、記憶装置１２０に限定されず、制御装置１０１の記憶領域（たとえば、キャッシュメモリなど）、ＲＯＭ１０２、ＲＡＭ１０３、外部機器（たとえば、サーバー）などに格納されていてもよい。

なお、学習用データ生成プログラム１２２は、単体のプログラムとしてではなく、任意のプログラムの一部に組み込まれて提供されてもよい。この場合、学習用データ生成プログラム１２２による学習処理は、任意のプログラムと協働して実現される。このような一部のモジュールを含まないプログラムであっても、本実施の形態に従う学習用データ生成プログラム１２２の趣旨を逸脱するものではない。さらに、学習用データ生成プログラム１２２によって提供される機能の一部または全部は、専用のハードウェアによって実現されてもよい。さらに、少なくとも１つのサーバーが学習用データ生成プログラム１２２の処理の一部を実行する所謂クラウドサービスのような形態で学習装置１００が構成されてもよい。

同様に、学習プログラム１２４は、単体のプログラムとしてではなく、任意のプログラムの一部に組み込まれて提供されてもよい。この場合、学習プログラム１２４による学習処理は、任意のプログラムと協働して実現される。このような一部のモジュールを含まないプログラムであっても、本実施の形態に従う学習プログラム１２４の趣旨を逸脱するものではない。さらに、学習プログラム１２４によって提供される機能の一部または全部は、専用のハードウェアによって実現されてもよい。さらに、少なくとも１つのサーバーが学習プログラム１２４の処理の一部を実行する所謂クラウドサービスのような形態で学習装置１００が構成されてもよい。

（Ｃ２．劣化推定装置２００のハードウェア構成）
次に、図６を参照して、劣化推定装置２００のハードウェア構成について順に説明する。図６は、劣化推定装置２００のハードウェア構成の一例を示す図である。

劣化推定装置２００は、制御装置２０１と、ＲＯＭ２０２と、ＲＡＭ２０３と、通信インターフェイス２０４と、表示インターフェイス２０５と、入力インターフェイス２０７と、記憶装置２２０とを含む。これらのコンポーネントは、バス２１０に接続される。

制御装置２０１は、たとえば、少なくとも１つの集積回路によって構成される。集積回路は、たとえば、少なくとも１つのＣＰＵ、少なくとも１つのＧＰＵ、少なくとも１つのＡＳＩＣ、少なくとも１つのＦＰＧＡ、またはそれらの組み合わせなどによって構成され得る。

制御装置２０１は、劣化ランクの劣化推定プログラム２２２などの各種プログラムを実行することで劣化推定装置２００の動作を制御する。制御装置２０１は、各種プログラムの実行命令を受け付けたことに基づいて、記憶装置２２０またはＲＯＭ２０２からＲＡＭ２０３に実行対象のプログラムを読み出す。ＲＡＭ２０３は、ワーキングメモリとして機能し、プログラムの実行に必要な各種データを一時的に格納する。

通信インターフェイス２０４には、ＬＡＮ（Local Area Network）やアンテナなどが接続される。劣化推定装置２００は、通信インターフェイス２０４を介して、外部機器との間でデータをやり取りする。当該外部機器は、たとえば、上述の学習装置１００やサーバーなどを含む。

表示インターフェイス２０５には、表示デバイス２０６が接続される。表示インターフェイス２０５は、制御装置２０１などからの指令に従って、表示デバイス２０６に対して、画像を表示するための画像信号を送出する。表示デバイス２０６は、たとえば、液晶表示デバイス、有機ＥＬ表示デバイス、またはその他の表示機器である。なお、表示デバイス２０６は、劣化推定装置２００と一体的に構成されてもよいし、劣化推定装置２００とは別に構成されてもよい。

入力インターフェイス２０７には、入力デバイス２０８が接続される。入力デバイス２０８は、たとえば、マウス、キーボード、タッチパネル、またはユーザの操作を受け付けることが可能なその他の装置である。なお、入力デバイス２０８は、劣化推定装置２００と一体的に構成されてもよいし、劣化推定装置２００とは別に構成されてもよい。

記憶装置２２０は、たとえば、ハードディスクやフラッシュメモリなどの記憶媒体である。記憶装置２２０は、たとえば、劣化推定プログラム２２２と、点検結果データベース２３０と、属性データベース２３２と、学習装置１００によって生成された推定用パラメータ２３６と、故障履歴２３８とを格納する。点検結果データベース２３０は、各種の保全設備について点検結果の履歴情報を格納する。属性データベース２３２は、各種の保全設備について属性データを格納する。故障履歴２３８の詳細については後述する。点検結果データベース２３０、属性データベース２３２、推定用パラメータ２３６、および故障履歴２３８の格納場所は、記憶装置２２０に限定されず、制御装置２０１の記憶領域（たとえば、キャッシュメモリなど）、ＲＯＭ２０２、ＲＡＭ２０３、外部機器（たとえば、サーバー）などに格納されていてもよい。

なお、劣化推定プログラム２２２は、単体のプログラムとしてではなく、任意のプログラムの一部に組み込まれて提供されてもよい。この場合、劣化推定プログラム２２２による学習処理は、任意のプログラムと協働して実現される。このような一部のモジュールを含まないプログラムであっても、本実施の形態に従う劣化推定プログラム２２２の趣旨を逸脱するものではない。さらに、劣化推定プログラム２２２によって提供される機能の一部または全部は、専用のハードウェアによって実現されてもよい。さらに、少なくとも１つのサーバーが劣化推定プログラム２２２の処理の一部を実行する所謂クラウドサービスのような形態で劣化推定装置２００が構成されてもよい。

＜Ｄ．学習装置１００の機能構成＞
図７〜図１２を参照して、学習装置１００の機能について説明する。図７は、学習装置１００の機能構成の一例を示す図である。

学習装置１００は、主要なハードウェア構成として、制御装置１０１と、記憶装置１２０とを含む。制御装置１０１は、機能構成として、学習用データを生成する学習用データ生成部１５２と、学習処理を実行する学習部１５４とを含む。

以下では、学習用データ生成部１５２および学習部１５４の機能構成について順に説明する。

（Ｄ１．学習用データ生成部１５２）
まず、図８〜図１０を参照して、学習用データ生成部１５２の機能について説明する。図８は、学習用データの生成に用いられる点検結果表示画面３０を示す図である。

制御装置１０１は、上述の学習用データ生成プログラム１２２が実行されたことに基づいて、学習用データ生成部１５２として機能し、学習装置１００の表示デバイス１０６に点検結果表示画面３０を表示する。点検結果表示画面３０に対する操作は、たとえば、上述の入力デバイス１０８（図５参照）によって受け付けられる。

点検結果表示画面３０は、設備選択欄３１と、マップ表示欄３４と、属性データ表示欄３６と、点検結果表示欄４０と、劣化ランク入力欄４２とを有する。

設備選択欄３１は、保全設備を指定するための入力を受け付ける。一例として、設備選択欄３１は、保全設備の場所を指定するための入力と、保全設備の種別を指定するための入力とを受け付ける。設備選択欄３１に入力された情報に基づいて、保全設備が一意に特定される。

マップ表示欄３４は、設備選択欄３１で指定された保全設備の設置場所をマップ上に表示する。

属性データ表示欄３６は、設備選択欄３１で指定された保全設備についての属性データを一覧で表示する。属性データ表示欄３６に表示される属性データは、設備選択欄３１で指定された保全設備の識別情報（たとえば、保全設備名や保全設備のＩＤ）をキーとして、属性データベース１３２（図５参照）から取得される。

点検結果表示欄４０は、設備選択欄３１で指定された保全設備についての点検結果を表示する。点検結果表示欄４０に表示される点検結果は、設備選択欄３１で指定された設備の識別情報（たとえば、保全設備名や保全設備のＩＤ）をキーとして、点検結果データベース１３０（図５参照）から取得される。これにより、点検結果データベース１３０に含まれている一の点検結果が点検結果表示欄４０に表示される。

点検結果表示欄４０に表示される点検結果は、複数の点検項目と、各点検項目に対する測定値とを含む。点検結果表示欄４０は、表示されている点検項目の内から表示対象の点検項目を絞るためのフィルタリング条件を受け付けるように構成される。一例として、表示対象のフィルタリングは、点検種別や点検日などに基づいて行われる。

点検種別に基づくフィルタリングは、たとえば、プルダウンメニュー４１Ａを用いて実現される。より具体的には、プルダウンメニュー４１Ａが押下されたことに基づいて、点検種別の選択欄が一覧で表示される。一覧表示されている点検種別の選択欄の中から１つ以上の点検種別が選択されたことに基づいて、選択された点検種別に対応する点検結果のみが、点検結果表示欄４０に表示される。換言すれば、選択されなかった点検種別に対応する点検結果は、点検結果表示欄４０に表示されない。

点検日に基づくフィルタリングは、たとえば、数値入力欄４１Ｂによって実現される。数値入力欄４１Ｂは、開始日の入力と終了日の入力とを受け付ける。当該数値入力欄４１Ｂにおいて、開始日および終了日が入力されたことに基づいて、当該開始日から当該終了日までの間に含まれる点検日に対応する点検項目のみが、点検結果表示欄４０に表示される。換言すれば、当該開始日から当該終了日までの間に含まれない点検日に対応する点検項目は、点検結果表示欄４０に表示されない。

劣化ランク入力欄４２は、設備選択欄３１で指定された保全設備についての劣化ランクの入力を受け付ける。一例として、劣化ランク入力欄４２は、プルダウンメニュー４３と、登録ボタン４４とを有する。作業者がプルダウンメニュー４３を押下すると、劣化ランクの選択肢が一覧で表示される。

劣化ランクは、たとえば、数値で示される。一例として、「劣化ランク１」は、保全設備が正常であることを示し、今後も継続して使用可能なことを示す。「劣化ランク２」は、保全設備の劣化の進行がある程度進んでおり、保全設備の内部点検が必要であることを示す。「劣化ランク３」は、保全設備の劣化の進行が著しく、保全設備の修繕が必要であることを示す。

作業者は、表示された劣化ランクの選択肢から一の劣化ランクを選択する。劣化ランクの選択操作は、たとえば、上述の入力デバイス１０８（図５参照）を用いて実現される。

作業者が登録ボタン４４を押下したことに基づいて、学習用データ生成部１５２は、点検結果表示欄４０に表示されている点検結果と、属性データ表示欄３６に表示されている属性データと、劣化ランク入力欄４２に入力された劣化ランクとを対応付けて学習用データを生成する。生成された学習用データは、学習用データセット１３６（図５参照）に追加される。このように、保全設備の点検結果と保全設備の属性データと保全設備の劣化ランクとを紐付けるユーザインターフェイスが提供されることで、学習用データが容易に収集される。

図９は、生成された学習用データセット１３６の一例を示す図である。図９に示されるように、学習用データセット１３６は、学習用データの識別ＩＤと、保全設備が属する設備グループと、保全設備についての特徴量（たとえば、点検結果および属性データ）と、保全設備の劣化ランクとを対応付けて格納する。

各保全設備が属する設備グループは、たとえば、属性データの組み合わせに基づいて決定される。一例として、学習用データ生成部１５２は、属性データが類似している保全設備ごとにグルーピングする。より具体的には、属性データの組み合わせごとに設備グループを規定しているグルーピングルールが予め準備されており、学習用データ生成部１５２は、当該グルーピングルールに基づいて、各保全設備が属する設備グループを決定する。当該グルーピングルールに規定される各設備グループは、たとえば、機種（たとえば、遮断器、変圧器など）、電圧階級、製造年度などの属性データの組み合わせに基づいて定義される。

学習用データセット１３６に含まれる点検結果および属性データは、それぞれ、数値列で表わされる。一例として、ＩＤ「１」の学習用データには、点検結果および属性データを数値列で表わした特徴量ベクトル「Ｘ_１」が対応付けられている。

なお、ガス圧や分解ガス濃度などに係る点検項目は、測定値として数値化され得るが、油漏れや発錆などの程度を表わす点検項目は、数値化され得ない。このような数値化され得ない点検項目については、油漏れや発錆などの程度や場所に応じた階級で数値化が行われる。一例として、数値化できない点検項目については、予め定められた数値化ルールに従って数値化が行われる。

図１０は、数値化ルール１３８の一例を示す図である。数値化ルール１３８には、各点検項目について階級が対応付けられている。学習用データ生成部１５２は、数値化できない各点検項目について階級レベルを特定する。特定された階級は、測定値として学習用データセット１３６に書き込まれる。

また、数値化できない属性データについても同様に、予め定められた数値化ルールに基づいた数値化が行われる。

（Ｄ２．学習部１５４）
次に、図１１および図１２を参照して、学習部１５４による学習機能について説明する。図１１は、学習部１５４による学習機能の一例を説明するための図である。

制御装置１０１は、上述の学習プログラム１２４を実行することで学習部１５４として機能し、学習用データセット１３６（図９参照）に対して予め定められた学習処理を実行する。

学習部１５４によって実行される学習手法には、種々の学習アルゴリズムが採用され得る。一例として、学習アルゴリズムとして、マハラノビスタグチメソッド、ディープラーニング、またはサポートベクターマシンなどが採用される。以下では、マハラノビスタグチメソッドについて説明を行うが、採用される学習手法は、これに限定されない。

学習部１５４は、学習用データセット１３６に規定される設備グループごと、かつ、学習用データセット１３６に規定される劣化ランクごとに学習処理を実行し、各特徴量の平均ベクトルと、各特徴量の分散共分散行列とを学習結果として出力する。

図１１には、学習用データセット１３６の一部である学習用データセット１３６Ａが示されている。学習用データセット１３６Ａは、学習用データセット１３６に含まれる学習データの内、設備グループ「Ａ」に属し、かつ、劣化ランク「１」である学習データの集合である。

図１１の例では、学習用データセット１３６Ａにおいて、ｎ個の保全設備の各々について、ｍ個の特徴量の数値列が対応付けられており、同種の特徴量の数値列「ｘ_１ｊ」〜「ｘ_ｎｊ」が特徴量ベクトル「Ｘ_ｊ」として示されている。図１１に示される「ｊ」は、特徴量の番号（種別）を示す。図１１に示される「ｉ」は、保全設備の番号（種別）を示す。すなわち、「ｘ_ｉｊ」は、「ｉ」番目の保全設備についての「ｊ」番目の特徴量の値を表わす。

学習部１５４は、特徴量ベクトル「Ｘ_１」〜「Ｘ_ｍ」に基づいて、平均ベクトル「μ_Ａ１」を算出するとともに、分散共分散行列「Σ_Ａ１」を算出する。図１１には、算出された平均ベクトル「μ_Ａ１」および分散共分散行列「Σ_Ａ１」が推定用パラメータ２３６Ａとして示されている。平均ベクトル「μ_Ａ１」は、特徴量ベクトル「Ｘ_１」〜「Ｘ_ｍ」のそれぞれの平均値「μ_１」〜「μ_ｍ」からなる。分散共分散行列「Σ_Ａ１」は、特徴量ベクトル「Ｘ_１」〜「Ｘ_ｍ」から算出される分散共分散群である。より具体的には、分散共分散行列「Σ_Ａ１」に含まれる「σ_ｉｊ」は、特徴量ベクトル「Ｘ_ｉ」と、特徴量ベクトル「Ｘ_ｊ」との共分散を表わす。分散共分散行列「Σ_Ａ１」に含まれる「σ_ｉｉ」は、特徴量ベクトル「Ｘ_ｉ」の分散を表わす。

このような平均ベクトル「μ_Ａ１」および分散共分散行列「Σ_Ａ１」の算出処理が、設備グループごと、かつ劣化ランクごとに行われる。その結果、図１２に示される推定用パラメータ２３６が生成される。図１２は、推定用パラメータ２３６のデータ構造の一例を示す図である。

図１２に示されるように、推定用パラメータ２３６において、設備グループおよび劣化ランクの組み合わせに対応付けて、平均ベクトルおよび分散共分散行列が対応付けられている。当該平均ベクトルおよび当該分散共分散行列は、学習用データセット１３６に含まれる特徴量群についての分布を表わす分布指標である。当該推定用パラメータ２３６は、劣化推定装置２００に送信される。

なお、点検項目や属性データは、保全設備ごとに異なる可能性がある。この場合、学習用データセット１３６に含まれる特徴量の数を各保全設備間で揃えた上で学習処理を実行する。すなわち、学習部１５４は、保全設備間で同種の特徴量のみを用いて推定用パラメータ２３６を生成する。

＜Ｅ．劣化ランクの推定処理＞
引き続き図１２を参照しつつ、図１３を参照して、上述の推定部２６０による劣化ランクの推定処理について説明する。

上述したように、図１２に示される推定用パラメータ２３６には、設備グループおよび劣化ランクの組み合わせに対応付けて、平均ベクトルおよび分散共分散行列などの分布指標が対応付けられている。推定部２６０は、劣化ランク別の当該分布指標に基づいて、推定対象の保全設備の点検結果と推定対象の保全設備の属性データとが属する劣化ランクを判別し、当該判別された劣化ランクを推定結果として出力する。

より具体的には、まず、推定部２６０は、入力された属性データの組み合わせに基づいて、推定対象の保全設備が属する設備グループを特定する。次に、推定部２６０は、特定した設備グループに対応する分布指標を推定用パラメータ２３６から取得する。その結果、設備グループに対応する分布指標が劣化ランク別に得られる。推定部２６０は、劣化ランク別の分布指標に基づいて、推定対象の保全設備の点検結果と、推定対象の保全設備の属性データとの特徴量が属する劣化ランクを判別し、当該判別された劣化ランクを推定結果として出力する。

典型的には、推定部２６０は、下記の式（１）に基づいて、劣化ランク別にマハラノビス距離を算出する。

式（１）に示される「ＭＤ_Ｚ」は、劣化ランク「Ｚ」についてのマハラノビス距離を表わす。「Ｘ_ｉｎ」は、推定対象の保全設備についての点検結果および属性データの数値列（すなわち、特徴量ベクトル）を表わす。「Ｔ」は、転置行列を意味する。「μ」は、推定用パラメータ２３６に規定されている平均ベクトルを表わす。「Σ」は、推定用パラメータ２３６に規定されている分散共分散行列を表わす。「Σ^−１」は、分散共分散行列「Σ」の逆行列を表わす。

図１３を参照して、マハラノビス距離の算出処理の具体例について説明する。図１３は、マハラノビス距離「ＭＤ_１」〜「ＭＤ_３」を示す図である。説明の便宜のために、図１３の例では、特徴量の次元数が「ｘ_ｋ１」，「ｘ_ｋ２」の２次元で表わされているが、実際には、特徴量の次元数は、学習時に用いられた特徴量の次元数と同数である。すなわち、特徴量ベクトル「Ｘ_ｉｎ」は、以下の式（２）で示される。式（２）に示される「ｘ_ｋｊ」は、保全設備「ｋ」の「ｊ」番目の特徴量を示す。

マハラノビス距離「ＭＤ_１」は、劣化ランク「１」に対応する平均ベクトル「μ_Ａ１」と、特徴量ベクトル「Ｘ_ｉｎ」との間の距離を分散共分散行列「Σ_Ａ１」で正規化したものに相当する。マハラノビス距離「ＭＤ_２」は、劣化ランク「２」に対応する平均ベクトル「μ_Ａ２」と、特徴量ベクトル「Ｘ_ｉｎ」との間の距離を分散共分散行列「Σ_Ａ２」で正規化したものに相当する。マハラノビス距離「ＭＤ_３」は、劣化ランク「３」に対応する平均ベクトル「μ_Ａ３」と、特徴量ベクトル「Ｘ_ｉｎ」との間の距離を分散共分散行列「Σ_Ａ３」で正規化したものに相当する。

推定部２６０は、算出されたマハラノビス距離の内から、最短のマハラノビス距離を特定する。図１３の例では、マハラノビス距離「ＭＤ_１」〜「ＭＤ_３」の内から最短のマハラノビス距離「ＭＤ_２」が特定される。そして、推定部２６０は、特定したマハラノビス距離「ＭＤ_２」に対応する劣化ランク「２」を推定結果として出力する。このように、推定部２６０は、劣化ランク別の分布指標に基づいて、保全対象の設備の点検結果と、保全対象の設備の属性データとが属する劣化ランクを判別し、当該判別された劣化ランクを推定結果として出力する。

好ましくは、最短のマハラノビス距離が予め定められた閾値よりも大きい場合は、推定部２６０は、推定された劣化ランクの信頼性が低いものとみなし、エラーを出力してもよい。この場合、劣化ランクは、作業員によって手動で入力される。

なお、上述では、推定対象の保全設備が属する設備グループを特定した上で、劣化ランクを推定する例について説明を行ったが、設備グループは、必ずしも特定される必要はない。

＜Ｆ．劣化ランクの出力画面＞
図１４を参照して、推定された劣化ランクの出力画面の一例について説明する。図１４は、推定された劣化ランクの出力画面の一例である点検結果表示画面３０Ａを示す図である。

劣化推定装置２００は、上述の劣化推定プログラム２２２（図６参照）が実行されたことに基づいて、劣化推定装置２００の表示デバイス２０６に点検結果表示画面３０Ａを表示する。点検結果表示画面３０Ａに対する操作は、たとえば、上述の入力デバイス２０８（図６参照）によって受け付けられる。

基本的には、図１４に示される点検結果表示画面３０Ａは、図８に示される点検結果表示画面３０と同じである。図１４に示される点検結果表示画面３０Ａは、劣化ランク表示欄４２Ａを有する点で、図８に示される点検結果表示画面３０と異なる。点検結果表示画面３０Ａのその他の点については、点検結果表示画面３０と同じであるので、それらの説明については繰り返さない。

設備選択欄３１において、推定対象の保全設備が指定されたことに基づいて、劣化推定装置２００は、指定された保全設備に対応する点検結果を上述の点検結果データベース２３０（図６参照）から取得するとともに、指定された保全設備に対応する属性データを上述の属性データベース２３２（図６参照）から取得する。その後、劣化推定装置２００は、取得した点検結果と属性データとに基づいて、上述の推定処理を実行し、当該保全設備の劣化ランクを推定する。推定された劣化ランクは、劣化ランク表示欄４２Ａの結果表示欄４５に表示される。

推定された劣化ランクは、手動で上書きすることができる。より具体的には、作業者がプルダウンメニュー４３を押下すると、作業者は、表示された劣化ランクの選択肢から一の劣化ランクを選択する。その後、作業者が登録ボタン４４を押下したことに基づいて、推定された劣化ランクが作業者によって選択された劣化ランクで上書きされる。上書き結果は、劣化ランクの評価結果データベース（図示しない）に書き込まれる。

＜Ｇ．学習処理の変形例＞
図１５を参照して、学習部１５４による学習処理の変形例について説明する。図１５は、変形例に従う学習処理を概略的に示す図である。

上述の図８で説明したように、保全設備の劣化ランクは、点検結果表示画面３０に表示された点検結果や属性データを総合的に考慮することによって作業者によって入力される。このとき、作業者は、プルダウンメニュー４１Ａや数値入力欄４１Ｂを用いて表示する点検結果を絞り、劣化ランクの付与に直接的に関係しない余分な情報を省いた状態で劣化ランクを判断する。すなわち、劣化ランクを入力した際に表示されている点検項目は、劣化ランクを判断する指標としては重要と言える。

そこで、本変形例に従う学習装置１００は、入力デバイス１０８が劣化ランクの入力を受け付けた際に表示デバイス１０６に表示されている点検項目と測定値とを推定用パラメータ２３６の学習に用いる。これにより、作業者が劣化ランクの判断時に用いた点検結果のみが学習処理に用いられるので、劣化ランクの推定精度がさらに改善される。さらに、学習処理時や劣化ランクの推定処理時における計算量が削減される。

図１５を参照して、本変形例に従う学習処理の具体例について説明する。図１５に示されるように、ある保全設備について劣化ランクが入力された際、点検項目「１」〜「５」の内、フィルタリング条件「１」によって、点検項目「１」，「３」，「５」が表示されていたとする。この場合、学習部１５４は、点検項目「１」，「３」，「５」に対応する特徴量ベクトル「Ｘ_１」，「Ｘ_３」，「Ｘ_５」を学習処理に用い、推定用パラメータを生成する。すなわち、学習部１５４は、点検項目「２」，「４」に対応する特徴量ベクトル「Ｘ_２」，「Ｘ_４」については学習処理に用いない。

同様に、他の保全設備について劣化ランクが入力された際、点検項目「１」〜「５」の内、フィルタリング条件「２」によって、点検項目「２」〜「４」が表示されていたとする。この場合、学習部１５４は、点検項目「２」〜「４」に対応する特徴量ベクトル「Ｘ_２」〜「Ｘ_４」を学習処理に用い、推定用パラメータを生成する。すなわち、学習部１５４は、点検項目「１」，「５」に対応する特徴量ベクトル「Ｘ_１」，「Ｘ_５」については学習処理に用いない。

その後、学習部１５４は、各条件で生成された推定用パラメータの内、評価結果が最良となる推定用パラメータを最終的な学習結果として出力する。より具体的には、学習部１５４は、学習用データセット１３６に含まれる各学習用データについて、生成された推定用パラメータごとに、劣化ランクの推定処理を行う。これらの学習用データには、正解値としての劣化ランクがラベル付されているため、推定結果と正解値とを比較することで、推定用パラメータの精度が評価され得る。学習部１５４は、正解率が最も高くなった推定用パラメータ２３６を学習結果として出力する。

なお、上述では、劣化ランクを入力した時点で表示されていた点検項目が学習処理に用いられる例について説明を行ったが、学習処理に用いる点検項目の絞り方は、これに限定されない。たとえば、学習装置１００は、予め定められた時間の間、表示対象の点検項目を監視し、表示対象の点検項目の組み合わせを順次保存する。その後、学習装置１００は、保存された点検項目の各組み合わせについて上述の学習処理を行う。

＜Ｈ．劣化ランクの推定処理の変形例１＞
図１６および図１７を参照して、劣化ランクの推定処理の変形例について説明する。図１６は、変形例に従う劣化推定装置２００Ａの機能構成の一例を示す図である。

変形例に従う劣化推定装置２００Ａは、機能構成として、点検結果取得部２５０と、属性データ取得部２５２と、推定部２６０と、故障履歴取得部２６２と、補正部２６４とを含む。劣化推定装置２００Ａは、故障履歴取得部２６２および補正部２６４さらに備える点で、上述の劣化推定装置２００とは異なる。故障履歴取得部２６２および補正部２６４以外の機能構成については上述の通りであるので、以下ではそれらの説明については繰り返さない。

故障履歴取得部２６２は、推定対象の保全設備について故障履歴２３８を取得し、当該故障履歴２３８を補正部２６４に出力する。点検結果２３０Ａの取得先は、任意である。ある局面において、故障履歴２３８は、劣化推定装置２００内の記憶装置２２０から取得される。他の局面において、故障履歴２３８は、外部サーバーから取得される。

図１７は、故障履歴２３８の一例を表わす図である。図１７に示されるように、故障履歴２３８において、保全設備の識別情報（たとえば、設備名や設備ＩＤ）と、故障日時と、故障種別とが対応付けられている。

再び図１６を参照して、補正部２６４は、取得した故障履歴２３８が予め定められた補正条件を満たす場合、推定部２６０によって推定された劣化ランクを、当該劣化ランクよりも劣化が進んでいることを示す劣化ランクに補正する。一例として、推定結果としての劣化ランクは、補正処理により、劣化が進んでいる方向に１段階上げられる。

当該予め定められた補正条件は、たとえば、下記の条件（１）〜（３）の少なくとも１つが成り立った場合に満たされる。

（１）推定対象の保全設備についての故障がａ回以上発生している
（２）推定対象の保全設備についての直近Ｐ年での故障がｂ回以上発生している
（３）推定対象の保全設備についての直近Ｑ年での同種の故障がｃ回以上発生している
但し、条件（１）〜（３）に示されるａ，ｂ，ｃ，Ａ，Ｂは、予め定められた正の正数であり、ｃ＜ｂ＜ａおよびＱ＜Ｐの関係を有する。

条件（１）〜（３）の少なくとも１つが成り立った場合には、劣化が進んでいる可能性が高い。そのため、このような条件が満たされる保全設備については、劣化ランクが上げられる。これにより、劣化が進んでいる保全設備をより確実に抽出することができる。

なお、上述では、推定された劣化ランクの補正用に故障履歴２３８が用いられる例について説明を行ったが、故障履歴２３８の利用方法は、これに限定されない。たとえば、故障履歴２３８は、劣化ランクの推定処理に用いられてもよい。この場合、推定部２６０は、保全設備の点検結果２３０Ａと保全設備の属性データ２３２Ａと故障履歴２３８の入力を受けて、学習用データセットを用いた学習処理により予め得られている推定用パラメータ２３６に基づいて、保全設備の劣化ランクを推定する。当該学習用データセットは、他の保全設備の点検結果と、当該他の保全設備の属性データと、当該他の保全設備の故障履歴と特徴量に対して、当該他の保全設備の劣化ランクをラベル付けした学習用データを複数含む。これらの特徴量が用いられて学習処理が行われることで、保全設備の劣化ランクがより高精度に推定される。

＜Ｉ．学習用データの生成フロー＞
図１８を参照して、学習装置１００による学習用データの生成処理のフローについて説明する。図１８は、学習用データの生成処理の流れを示すフローチャートである。

図１８に示される処理は、学習装置１００の制御装置１０１が上述の学習用データ生成プログラム１２２（図５参照）を実行することにより実現される。他の局面において、処理の一部または全部が、回路素子またはその他のハードウェアによって実行されてもよい。

ステップＳ１１０において、制御装置１０１は、学習用データ生成プログラム１２２が実行されたか否かを判断する。制御装置１０１は、学習用データ生成プログラム１２２が実行されたと判断した場合（ステップＳ１１０においてＹＥＳ）、制御をステップＳ１１２に切り替える。そうでない場合には（ステップＳ１１０においてＮＯ）、制御装置１０１は、ステップＳ１１０の処理を再び実行する。

ステップＳ１１２において、制御装置１０１は、上述の点検結果表示画面３０（図８参照）を学習装置１００の表示デバイス１０６に表示する。

ステップＳ１２０において、制御装置１０１は、一の保全設備が指定されたか否かを判断する。一例として、保全設備を指定するための入力は、点検結果表示画面３０の設備選択欄３１（図８参照）において受け付けられる。制御装置１０１は、一の保全設備が指定されたと判断した場合（ステップＳ１２０においてＹＥＳ）、制御をステップＳ１２２に切り替える。そうでない場合には（ステップＳ１２０においてＮＯ）、制御装置１０１は、制御をステップＳ１３０に切り替える。

ステップＳ１２２において、制御装置１０１は、ステップＳ１２０で指定された保全設備に対応する点検結果を上述の点検結果データベース１３０（図６参照）から取得する。取得された点検結果は、点検結果表示画面３０に表示される。

ステップＳ１２４において、制御装置１０１は、ステップＳ１２０で指定された保全設備に対応する属性データを上述の属性データベース１３２（図６参照）から取得する。取得された属性データは、点検結果表示画面３０に表示される。

ステップＳ１３０において、制御装置１０１は、劣化ランクの登録指示を受け付けたか否かを判断する。一例として、劣化ランクの登録指示は、たとえば、劣化ランク入力欄（図８参照）の登録ボタン４４が押下されたことに基づいて発せられる。制御装置１０１は、劣化ランクの登録指示を受け付けたと判断した場合（ステップＳ１３０においてＹＥＳ）、制御をステップＳ１３２に切り替える。そうでない場合には（ステップＳ１３０においてＮＯ）、制御装置１０１は、制御をステップＳ１４０に切り替える。

ステップＳ１３２において、制御装置１０１は、点検結果表示画面３０に表示されている点検結果と、点検結果表示画面３０に表示されている属性データと、点検結果表示画面３０において入力された劣化ランクとを対応付けて学習用データを生成し、当該学習用データを学習用データセット１３６に追加する。

ステップＳ１４０において、制御装置１０１は、学習用データ生成プログラム１２２の終了指示を受け付けたか否かを判断する。当該終了指示は、たとえば、点検結果表示画面３０を閉じる操作を受け付けたことに基づいて発せられる。制御装置１０１は、学習用データ生成プログラム１２２の終了指示を受け付けたと判断した場合（ステップＳ１４０においてＹＥＳ）、図１８に示される処理を終了する。そうでない場合には（ステップＳ１４０においてＮＯ）、制御装置１０１は、制御をステップＳ１２０に戻す。

＜Ｊ．学習フロー＞
図１９を参照して、学習装置１００による学習処理のフローについて説明する。図１９は、学習装置１００による学習処理の流れを示すフローチャートである。

図１９に示される処理は、学習装置１００の制御装置１０１が上述の学習プログラム１２４（図５参照）を実行することにより実現される。他の局面において、処理の一部または全部が、回路素子またはその他のハードウェアによって実行されてもよい。

ステップＳ１５０において、制御装置１０１は、学習プログラム１２４が実行されたか否かを判断する。制御装置１０１は、学習プログラム１２４が実行されたと判断した場合（ステップＳ１５０においてＹＥＳ）、制御をステップＳ１５２に切り替える。そうでない場合には（ステップＳ１５０においてＮＯ）、制御装置１０１は、ステップＳ１５０の処理を再び実行する。

ステップＳ１５２において、制御装置１０１は、学習装置１００の記憶装置１２０から学習用データセット１３６を取得する。

ステップＳ１５４において、制御装置１０１は、上述の学習部１５４（図７参照）として機能し、ステップＳ１５２で取得した学習用データセット１３６に対して予め定められた学習処理を実行し、劣化ランクの推定処理に用いられる推定用パラメータ２３６を生成する。学習処理については上述の「Ｄ２．学習部１５４」などで説明した通りであるので、その説明については繰り返さない。

ステップＳ１５６において、制御装置１０１は、ステップＳ１５４で生成した推定用パラメータ２３６を劣化推定装置２００に送信する。

＜Ｋ．学習処理のフローチャート＞
図２０を参照して、劣化推定装置２００による劣化ランクの推定処理のフローについて説明する。図２０は、劣化ランクの推定処理の流れを示すフローチャートである。

図２０に示される処理は、劣化推定装置２００の制御装置２０１が上述の劣化推定プログラム２２２（図６参照）を実行することにより実現される。他の局面において、処理の一部または全部が、回路素子またはその他のハードウェアによって実行されてもよい。

ステップＳ２１０において、制御装置２０１は、劣化推定プログラム２２２が実行されたか否かを判断する。制御装置２０１は、劣化推定プログラム２２２が実行されたと判断した場合（ステップＳ２１０においてＹＥＳ）、制御をステップＳ２１２に切り替える。そうでない場合には（ステップＳ２１０においてＮＯ）、制御装置２０１は、ステップＳ２１０の処理を再び実行する。

ステップＳ２１２において、制御装置２０１は、上述の点検結果表示画面３０Ａ（図１４参照）を劣化推定装置２００の表示デバイス２０６に表示する。

ステップＳ２２０において、制御装置２０１は、一の保全設備が指定されたか否かを判断する。一例として、保全設備を指定するための入力は、点検結果表示画面３０Ａの設備選択欄３１（図１４参照）において受け付けられる。制御装置２０１は、一の保全設備が指定されたと判断した場合（ステップＳ２２０においてＹＥＳ）、制御をステップＳ２２２に切り替える。そうでない場合には（ステップＳ２２０においてＮＯ）、制御装置２０１は、制御をステップＳ２４０に切り替える。

ステップＳ２２２において、制御装置２０１は、上述の点検結果取得部２５０（図１参照）として機能し、ステップＳ２２０で指定された保全設備に対応する点検結果を上述の点検結果データベース２３０（図６参照）から取得する。取得した点検結果は、点検結果表示画面３０Ａに表示される。

ステップＳ２２４において、制御装置２０１は、上述の属性データ取得部２５２（図１参照）として機能し、制御装置２０１は、ステップＳ２２０で指定された保全設備に対応する属性データを上述の属性データベース２３２（図６参照）から取得する。取得された属性データは、点検結果表示画面３０Ａに表示される。

ステップＳ２２６において、制御装置２０１は、上述の推定部２６０（図１参照）として機能し、ステップＳ２２２で取得した点検結果と属性データとの特徴量を入力として、学習装置１００で生成された推定用パラメータ２３６に基づいて、ステップＳ２２０で指定された保全設備の劣化ランクを推定する。劣化ランクの推定方法については図１３で説明した通りであるので、その説明については繰り返さない。

ステップＳ２２８において、制御装置２０１は、上述の故障履歴取得部２６２（図１６参照）として機能し、制御装置２０１は、ステップＳ２２０で指定された保全設備に対応する故障履歴２３８（図１７参照）を劣化推定装置２００の記憶装置２２０（図６参照）から取得する。取得された故障履歴は、点検結果表示画面３０Ａに表示される。

ステップＳ２３０において、制御装置２０１は、上述の補正部２６４（図１６参照）として機能し、ステップＳ２２８で取得した故障履歴が予め定められた補正条件を満たすか否かを判断する。当該補正条件については上述の通りであるので、その説明については繰り返さない。制御装置２０１は、ステップＳ２２８で取得した故障履歴が予め定められた補正条件を満たすと判断した場合（ステップＳ２３０においてＹＥＳ）、制御をステップＳ２３２に切り替える。そうでない場合には（ステップＳ２３０においてＮＯ）、制御装置２０１は、制御をステップＳ２４０に切り替える。

ステップＳ２３２において、制御装置２０１は、上述の補正部２６４（図１６参照）として機能し、ステップＳ２２６で推定された劣化ランクを、当該劣化ランクよりも劣化が進んでいることを示す劣化ランクに補正する。

ステップＳ２３４において、制御装置２０１は、ステップＳ２３２の補正処理が実行されていない場合、ステップＳ２２６で推定された劣化ランクを点検結果表示画面３０Ａに表示する。一方で、制御装置２０１は、ステップＳ２３２の補正処理が実行されている場合、補正後の劣化ランクを点検結果表示画面３０Ａに表示する。

ステップＳ２４０において、制御装置２０１は、劣化推定プログラム２２２の終了指示を受け付けたか否かを判断する。当該終了指示は、たとえば、点検結果表示画面３０Ａを閉じる操作を受け付けたことに基づいて発せられる。制御装置２０１は、劣化推定プログラム２２２の終了指示を受け付けたと判断した場合（ステップＳ２４０においてＹＥＳ）、図２０に示される処理を終了する。そうでない場合には（ステップＳ２４０においてＮＯ）、制御装置２０１は、制御をステップＳ２２０に戻す。

＜Ｌ．まとめ＞
以上のようにして、劣化推定装置２００は、保全設備の点検結果と保全設備の属性データとを入力として、学習用データセットを用いた学習処理により予め得られている推定用パラメータ２３６に基づいて、保全設備の劣化ランクを推定する。このように、点検結果と属性データとの両方が劣化ランクの判断指標として用いられることで、劣化推定装置２００は、保全対象の設備の劣化ランクを従来の劣化推定装置よりも高精度に推定することが可能になる。

また、保全費用、保全員、保全機器などの限られた企業資源で保全設備の保守保全を行うためには、保全設備の劣化度合いの差を考慮して保全処置の優先度を決める必要がある。劣化推定装置２００によって高精度に推定された劣化ランクは、保全処置の優先度を決める上で有効な指標になり得る。結果として、保全費用や人件費などを削減することができる。

今回開示された実施の形態は全ての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内での全ての変更が含まれることが意図される。

１０ 劣化推定システム、２０Ａ〜２０Ｃ 情報通信端末、２１Ａ，２１Ｃ，２３０Ａ 点検結果、３０，３０Ａ 点検結果表示画面、３１ 設備選択欄、３４ マップ表示欄、３６ 属性データ表示欄、４０ 点検結果表示欄、４１Ａ，４３ プルダウンメニュー、４１Ｂ 数値入力欄、４２ 劣化ランク入力欄、４２Ａ 劣化ランク表示欄、４４ 登録ボタン、４５ 結果表示欄、１００ 学習装置、１０１，２０１ 制御装置、１０２，２０２ ＲＯＭ、１０３，２０３ ＲＡＭ、１０４，２０４ 通信インターフェイス、１０５，２０５ 表示インターフェイス、１０６，２０６ 表示デバイス、１０７，２０７ 入力インターフェイス、１０８，２０８ 入力デバイス、１１０，２１０ バス、１２０，２２０ 記憶装置、１２２ 学習用データ生成プログラム、１２４ 学習プログラム、１３０，２３０ 点検結果データベース、１３２，２３２ 属性データベース、１３６，１３６Ａ 学習用データセット、１３８ 数値化ルール、１５２ 学習用データ生成部、１５４ 学習部、２００，２００Ａ 劣化推定装置、２２２ 劣化推定プログラム、２３２Ａ 属性データ、２３６，２３６Ａ 推定用パラメータ、２３８ 故障履歴、２５０ 点検結果取得部、２５２ 属性データ取得部、２６０ 推定部、２６２ 故障履歴取得部、２６４ 補正部。

Claims (10)

1. 保全対象の設備の劣化ランクを推定する劣化推定装置であって、
   前記保全対象の設備の点検結果を取得するための点検結果取得部と、
   前記保全対象の設備の属性データを取得するための属性データ取得部と、
   前記保全対象の設備の前記点検結果と前記保全対象の設備の前記属性データとを入力として、学習用データセットを用いた学習処理により予め得られている推定用パラメータに基づいて、前記保全対象の設備の劣化ランクを推定するための推定部とを備え、前記学習用データセットは、保全対象の他の設備の点検結果と、当該他の設備の属性データとの特徴量に対して、当該他の設備の劣化ランクをラベル付けした学習用データを複数含む、劣化推定装置。
2. 前記推定用パラメータは、前記学習用データセットに含まれる複数の前記特徴量についての分布を設備の劣化ランク別に表わす分布指標を含み、
   前記推定部は、劣化ランク別の前記分布指標に基づいて、前記保全対象の設備の前記点検結果と、前記保全対象の設備の前記属性データとが属する劣化ランクを判別し、当該判別された劣化ランクを推定結果として出力する、請求項１に記載の劣化推定装置。
3. 前記劣化推定装置は、さらに、
   前記保全対象の設備の故障履歴を取得するための故障履歴取得部と、
   前記故障履歴が予め定められた条件を満たす場合には、前記推定部によって推定された劣化ランクを、当該劣化ランクよりも劣化が進んでいることを示す劣化ランクに補正するための補正部とを備える、請求項１または２に記載の劣化推定装置。
4. 保全対象の設備についての劣化ランクの推定処理に用いられる推定用パラメータを出力する学習装置であって、
   学習用データセットを生成するための学習用データ生成部を備え、前記学習用データセットは、保全対象の設備の点検結果と、当該保全対象の設備の属性データとの特徴量に対して、当該保全対象の設備の劣化ランクをラベル付けした学習用データを複数含み、さらに、
   前記学習用データセットに含まれる複数の前記特徴量と、前記学習用データセットに含まれる複数の前記劣化ランクとの間の相関関係を学習し、当該相関関係を前記推定用パラメータとして出力するための学習部を備える、学習装置。
5. 前記学習装置は、さらに、
   複数の保全対象の設備の各々についての点検結果を格納するデータベースと、
   表示デバイスを接続するための表示インターフェイスとを備え、前記表示デバイスは、前記データベースに含まれている一の点検結果を表示し、さらに、
   入力デバイスを接続するための入力インターフェイスとを備え、前記入力デバイスは、前記表示デバイスに表示されている一の点検結果に対して劣化ランクの入力を受け付け、さらに、
   前記学習用データ生成部は、前記表示デバイスに表示されている一の点検結果と、当該一の点検結果に対応する設備の属性データと、前記入力デバイスが受け付けた劣化ランクとを対応付けた学習用データを前記学習用データセットに追加する、請求項４に記載の学習装置。
6. 前記データベース含まれる各点検結果は、複数の点検項目と、各前記点検項目に対する測定値とを含み、
   前記表示デバイスは、前記一の点検結果に含まれる複数の点検項目と、当該複数の点検項目の各々に対する測定値とを表示し、
   前記入力デバイスは、さらに、前記表示デバイスに表示されている複数の点検項目の内から表示対象の点検項目を絞るためのフィルタリング条件の入力を受け付け、
   前記学習部は、前記入力デバイスが劣化ランクの入力を受け付けた際に前記表示デバイスに表示されている点検項目と測定値とを前記推定用パラメータの学習に用いる、請求項５に記載の学習装置。
7. 保全対象の設備の劣化ランクを推定する劣化推定方法であって、
   前記保全対象の設備の点検結果を取得するステップと、
   前記保全対象の設備の属性データを取得するステップと、
   前記保全対象の設備の前記点検結果と前記保全対象の設備の前記属性データとを入力として、学習用データセットを用いた学習処理により予め得られている推定用パラメータに基づいて、前記保全対象の設備の劣化ランクを推定するステップとを備え、前記学習用データセットは、保全対象の他の設備の点検結果と、当該他の設備の属性データとの特徴量に対して、当該他の設備の劣化ランクをラベル付けした学習用データを複数含む、劣化推定方法。
8. 保全対象の設備についての劣化ランクの推定処理に用いられる推定用パラメータを生成するための学習方法であって、
   学習用データセットを生成するステップを備え、前記学習用データセットは、保全対象の設備の点検結果と、当該保全対象の設備の属性データとの特徴量に対して、当該保全対象の設備の劣化ランクをラベル付けした学習用データを複数含み、さらに、
   前記学習用データセットに含まれる複数の前記特徴量と、前記学習用データセットに含まれる複数の前記劣化ランクとの間の相関関係を学習し、当該相関関係を前記推定用パラメータとして出力するステップを備える、学習方法。
9. 保全対象の設備の劣化ランクを推定する劣化推定プログラムであって、
   前記劣化推定プログラムは、コンピュータに、
   前記保全対象の設備の点検結果を取得するステップと、
   前記保全対象の設備の属性データを取得するステップと、
   前記保全対象の設備の前記点検結果と前記保全対象の設備の前記属性データとを入力として、学習用データセットを用いた学習処理により予め得られている推定用パラメータに基づいて、前記保全対象の設備の劣化ランクを推定するステップとを実行させ、前記学習用データセットは、保全対象の他の設備の点検結果と、当該他の設備の属性データとの特徴量に対して、当該他の設備の劣化ランクをラベル付けした学習用データを複数含む、劣化推定プログラム。
10. 保全対象の設備についての劣化ランクの推定処理に用いられる推定用パラメータを生成するための学習プログラムであって、
    前記学習プログラムは、コンピュータに、
    学習用データセットを生成するステップを実行させ、前記学習用データセットは、保全対象の設備の点検結果と、当該保全対象の設備の属性データとの特徴量に対して、当該保全対象の設備の劣化ランクをラベル付けした学習用データを複数含み、
    前記学習プログラムは、コンピュータに、さらに、
    前記学習用データセットに含まれる複数の前記特徴量と、前記学習用データセットに含まれる複数の前記劣化ランクとの間の相関関係を学習し、当該相関関係を前記推定用パラメータとして出力するステップを実行させる、学習プログラム。
    

Images