JP2022163608A - 保守支援システム - Google Patents

Abstract

【課題】故障が発生する前に機械の異常を検知して顧客に通知すると共に、当該異常に起因した故障を修理するための対策部品の在庫切れを防ぐことにより、その後の故障による機械の非稼働時間を短縮する保守支援システムを提供する。【解決手段】保守支援システム１において、機械１０の異常を検出した場合に、異常に起因する故障を修理するための対策部品およびその必要数量を推定するとともに、異常の内容ならびに対策部品の識別情報及び必要数量を顧客３０に通知し、対策部品の在庫予測数が受注予測数を下回る場合に、対策部品の在庫数を増やすための情報を生成する制御装置１００ａを備える。【選択図】図１

Description

本発明は、機械に対する適切な保守作業を支援する保守支援システムに関する。

建設機械や風車など長時間に亘って運転し続ける機械においては、顧客（機械のオーナー、ユーザー、代理店または営業所）の収益が最大になるように稼働率の向上が重要である。そのため、故障が起きる前に適切かつ迅速な部品交換や修理を実施できる、または、故障が起きても迅速に機械を修理して再稼働できるようなシステムが望まれる。それを実現するために、機械の状態を常時監視しながら適切な保守作業を支援する仕組みが必要である。以下、機械に対する適切な保守作業を支援するシステムを「保守支援システム」と呼ぶ。

機械の状態監視では、機械に装備しているセンサなどを使って、機械の稼働情報、および温度や加速度等の物理量を一定の頻度で収集し、収集したデータを分析処理することにより、機械の状態を監視し、正常／異常の判断を行う。最も単純なのは、物理量に閾値を設定して機械の状態を推定する手法である。近年では、人工知能技術の一分野である機械学習技術を活用して、過去に収集した機械の稼動データを学習（「トレーニング」とも呼ぶ）して、現在の状態を推定、判断する異常診断手法も開発されている。また、物理量の値と寿命低下率との関係性を求めて、それに基づいて機械の余寿命を推定する方法が開示されている（特許文献１）。

また、特許文献２に開示されているように、故障リスクの推定値に基づいて、機械または部品の保守・運用シナリオを策定する方法が提案されている。

さらに、機械の保守または修理に必要な部品に関しても適切な在庫水準に保たれていることが要望され、特許文献３に開示されているように、故障検知の結果から保守部品の需要を推定し、それに基づいて部品の在庫を調整する方法が提案されている。

特開２０１２－１８１１６９号公報 特開２０１９－１１３８８３号公報 国際公開第２０１３／１４５２０３号公報

前述のように、故障による機械の非稼働時間を最小化にするため、状態監視システムで機械の異常を検知し、その異常を早期に解消することが要望されている。そして、例えば１つのコア部品の在庫切れ、または輸送に時間を要するといった事象が発生すると、部品調達の期間によっては、機械が長期間に亘って休止しなければならない恐れがある。このような観点から、機械の保守または修理に必要な部品が迅速に調達できることが要望されている。

この課題に対して、部品の利用者側（顧客側）と、部品の提供者側（メーカー側）の両面から解決する必要がある。

部品の利用者側（顧客側）では、状態監視システムで得られた異常検知の結果を早期に受け取り、機械の保守または修理に関する準備に着手することが求められる。そのため、検知された異常の内容のみならず、保守または修理に必要な部品およびその調達時間に関する情報を顧客に通知し、保守点検のレコメンデーションをすることが重要である。特許文献２に開示されている技術では、機械の稼働データから機械の健全性指標を算出し、この健全性指標に基づいて保守シナリオを策定する方法が開示されている。しかしながら、機械の修理に必要な対策部品の在庫状況や部品の調達時間に関しては考慮されていないので、部品調達の長期化による機械停止時間増加が懸念される。

一方、部品の提供者側（メーカー側）では、欠品が無いように対策部品の在庫を調整することが望まれる。特に、特殊で代替が利かない部品や調達リードタイムが長い部品の在庫を適切に持たずに欠品となった場合、顧客の注文が受けてから部品の生産が始まるので、部品の調達に時間がかかり、機械の稼働率が低下する恐れがある。部品の在庫切れを防ぐためには、機械の保守計画のみならず、異常が生じた場合の顧客の部品購入予定を含めた部品需要予測が必要である。特許文献３に開示されている技術では、故障確率から保守部品の需要を推定し、それに基づいて部品の在庫を調整する方法が提案されている。ただし、これは前記の部品提供者側（メーカー側）のみによる対策方法であるため、部品の利用者側（顧客側）の部品購入予定については考慮されておらず、部品需要予測の精度が低下してしまう恐れがある。

本発明は、このような問題に鑑みてなされたものであり、その目的は、故障が発生する前に機械の異常を検知して顧客に通知すると共に、当該異常に起因した故障を修理するための対策部品の在庫切れを防ぐことにより、その後の故障による機械の非稼働時間を短縮することが可能な保守支援システムを提供することになる。

上記目的を達成するために、本発明は、サーバを有し、機械の保守作業を支援するための保守支援システムにおいて、前記サーバは、演算機能を有する制御装置と、前記制御装置の演算処理に必要なデータを記憶する記憶装置と、前記機械と前記制御装置との通信を可能とする通信装置とを備え、前記制御装置は、前記機械に搭載されたセンサで計測したデータを含む稼働データを前記通信装置を介して受信し、前記記憶装置に記憶させ、前記稼働データに基づいて前記機械の異常を検出し、前記異常を検出した場合に、前記機械で使用される部品のうち前記異常に起因する故障を修理するための対策部品およびその必要数量を推定するとともに、前記異常の内容ならびに前記対策部品の識別情報および必要数量を前記通信装置を介して前記機械の顧客に通知し、前記対策部品の在庫数の予測値である在庫予測数を算出し、前記異常を通知した後、前記通信装置を介して前記顧客により入力された前記対策部品の購入数を受信し、前記対策部品の購入履歴として前記記憶装置に記憶させ、前記購入履歴に基づいて前記対策部品の需要数の予測値である受注予測数を算出し、前記在庫予測数が前記受注予測数を下回る場合に、前記対策部品の在庫を増やすための情報を生成するものとする。

以上のように構成した本発明によれば、故障が発生する前に機械の異常を検知して顧客に通知すると共に、当該異常に起因する故障を修正するための対策部品の在庫切れを防ぐことにより、その後の故障による機械の非稼働時間を短縮することが可能となる。

本発明によれば、故障が発生する前に機械の異常を検知して顧客に通知すると共に、当該異常に起因する故障を修正するための対策部品の在庫切れを防ぐことにより、その後の故障による機械の非稼働時間を短縮することが可能となる。

本発明の第１の実施例における保守支援システムの物理的な構成を示す図である。 本発明の第１の実施例における制御装置の機能ブロック図である。 本発明の第１の実施例における記憶装置のデータ構成を示す図である。 本発明の第１の実施例における機械の異常度の推移および閾値の一例を示す図である。 本発明の第１の実施例における故障・修理履歴データベースのデータ構造の一例を示す図である。 本発明の第１の実施例における対策部品データベースのデータ構造の一例を示す図である。 本発明の第１の実施例における部品在庫推定部の演算結果の一例を示す図である。 本発明の第１の実施例における部品調達時間予測部の処理手順の一例を示す図である。 本発明の第１の実施例における部品調達時間予測部の演算結果の一例を示す図である。 本発明の第１の実施例におけるアラーム送信部が顧客に送信した情報のモニタ表示の一例を示す図である。 本発明の第１の実施例における部品需要予測部の構成の一例を示す図である。 本発明の第２の実施例における保守支援システムの物理的な構成を示す図である。 本発明の第３の実施例における保守支援システムの物理的な構成を示す図である。

以下、本発明の実施形態に係る保守支援システムについて、図面を参照して説明する。なお、各図中、同等の部材には同一の符号を付し、重複した説明は適宜省略する。

図１は、本発明の第１の実施例における保守支援システムの物理的な構成を示す図である。保守支援システム１は、機械１０の状態を監視して機械１０の保守作業を支援するシステムであり、サーバ１００と記憶装置２００とを備える。サーバ１００は、制御装置１００ａと通信装置１００ｂとを有する。なお、図１において、機械１０として油圧ショベルを例示しているが、機械１０は建設機械に限られない。

制御装置１００ａは、電源、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、メモリ、入出力装置等を備える１台または複数台のコンピューターで構成される。制御装置１００ａは、通信装置１００ｂを介して、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やインターネット等で構成されたネットワーク２０に接続されている。

記憶装置２００は、例えば１つまたは複数のハードディスクで構成される。記憶装置２００はサーバ１００内に設置してもよいし、ネットワーク２０介してサーバ１００と接続してもよい。記憶装置２００は、制御装置１００ａの処理に係わるデータを、電子ファイル形式またはリレーショナル・データベースなどのデータベース形式で記憶している。本実施例では、データベース形式で記憶しているものとする。

機械１０は、複数のサブユニットまたは部品から構成されており、圧力や温度等を計測する各種のセンサ１１と、制御装置１２と、通信装置１３とを備える。制御装置１２は、センサ１１で計測した圧力や温度等の情報（稼働データ）を通信装置１３を介して保守支援システム１に送信する。

その他、機械１０の顧客３０、および機械１０に使用される部品を保管する部品倉庫４０がネットワーク２０接続されている。部品倉庫４０は、部品生産者５０における部品の生産、および部品生産者５０から部品倉庫４０への部品の入荷を管理する。

図２に、制御装置１００ａの機能ブロック図を示す。図２において、制御装置１００ａは、機械状態分析部１０１と、対策部品推定部１０２と、部品在庫推定部１０３と、部品調達時間予測部１０４と、アラーム送信部１０５と、アラーム対応記憶部１０６と、部品需要予測部１０７と、部品在庫調整部１０８とを有する。

図３に、記憶装置２００のデータ構成を示す。記憶装置２００は、機械稼働データベース２０１、故障・修理履歴データベース２０２、部品生産データベース２０３、部品調達データベース２０４、営業所・代理店データベース２０５、アラーム対応データベース２０６、対策部品データベース２０７、保守計画データベース２０８、部品在庫データベース２０９、および部品受注履歴データベース２１０を記憶している。なお、各図中、データベースを「ＤＢ」と表記している。

機械状態分析部１０１は、通信装置１００ｂを介して機械１０の稼働データを取得し、機械稼働データベース２０１に保存する。機械状態分析部１０１は、データマイニングまたは機械学習、余寿命診断等のアルゴリズムを用いて、機械１０の稼働データから機械１０の健全性を示す指標値（健全性指標）を算出する。本実施例では、異常検知アルゴリズムを用いた場合の状態分析方法について説明する。

異常検知アルゴリズムでは、機械１０の稼働データから「特徴量」と呼ばれる物理量を定義し、正常な機械１０で得られた特徴量の分布を正常モデルとして作成する。特徴量は、例えば機械１０の稼働データから抽出した複数の物理量の組合せであり、ベクトル形式で記述することができる。以下、ベクトル形式で記述した複数の特徴量の組合せを特徴量ベクトルと称す。特徴量ベクトルに対応する正常モデルは、正常な機械１０で得られた特徴量ベクトルの平均（以下、平均ベクトル）および分散で記述することができる。機械１０の異常度は、新たに得られた特徴量ベクトルが平均ベクトルからどの程度乖離しているかで測定することができる。例えばマハラノビス・タグチ法という統計的アルゴリズムによれば、機械１０の異常度を以下の式で計算することができる。

ここで、ａは異常度であり、ｘは新たに得られた特徴量ベクトルであり、μは平均ベクトルであり、σは正常な機械１０で得られた特徴量ベクトルｘの標準偏差（分散の平方根）である。式（１）の左辺の分子は、新たな特徴量ベクトルｘから平均ベクトルμまでの距離の二乗を示し、右辺の分母は、平均ベクトルμの算出に用いた特徴量ベクトルｘの分散を示す。

異常度ａを機械１０の健全性指標として用いることにより、機械１０の状態を分析することができる。良く利用される分析手法としては、異常度ａに対して閾値を設定し、異常度ａが閾値以上である場合に機械１０に異常があると判定し、閾値未満である場合に機械１０が正常であると判定するものがある。異常度ａの閾値は、異常度ａとその後の故障の発生有無との関係に基づいて決定することができる。

図４に、機械１０の異常度ａの推移および閾値の一例を示す。異常度ａと閾値を用いて、機械１０の異常を判定するアルゴリズムを、次のような擬似コードで記述することができる。

対策部品推定部１０２は、機械１０の状態分析で異常が検出された場合、当該異常に起因する故障を修理するために必要な部品（対策部品）のリスト（対策部品リスト）を出力する。対策部品は、故障・修理履歴データベース２０２の情報から推定することが可能である。故障形態（故障モード）の例として、バッテリーの劣化、ツースの損傷などがある。

図５に、故障・修理履歴データベース２０２のデータ構造の一例を示す。故障・修理履歴データベース２０２は、故障事例（ケース）、分析時の健全性指標（異常度ａ）、分析時から故障までの日数、故障モード、修理時に交換された部品のリスト（交換部品リスト）等を記憶している。図５において、ケース１では、分析時の健全性指標が「Ａ１」であり、分析時点から故障に至るまでの日数が１５日であり、故障モードは「Ｍ１」であり、交換部品リストは「ＰＬ１」である。ケース２では、分析時の健全性指標が「Ａ２」であり、分析時点から故障に至るまでの日数が７日であり、故障モードは「Ｍ２」であり、交換部品リストは「ＰＬ２」である。ケースｎでは、分析時の健全性指標が「Ａｎ」であり、分析時点から故障に至るまでの日数が２８日であり、故障モードは「Ｍｎ」であり、交換部品リストは「ＰＬｎ」である。

図６に、対策部品データベース２０７のデータ構造の一例を示す。対策部品データベース２０７は、故障モード毎に、対策部品の部品番号、名称、および必要数量を記憶している。図６に示す例では、故障モードＭＡの対応には、５個の圧力センサ（部品番号：ＰＡＡＡ－０００）と３個のフィルタ（部品番号：ＰＡＡＡ－００１）が必要であり、故障モードＭＸの対応には、２０個のネジ（部品番号：ＰＸＸＸ－００３）が必要となる。

部品在庫推定部１０３は、対策部品推定部１０２で推定される各対策部品について、在庫数の時系列変化を算出する。部品在庫推定部１０３の入力データとしては、部品在庫データベース２０９、機械１０の保守計画データベース２０８、および部品生産データベース２０３の情報が使われる。部品在庫データベース２０９には、部品倉庫４０が扱う各部品の在庫数、部品の属性（部品番号、名称、重量、価格等）、過去の売上実績等の情報が含まれる。保守計画データベース２０８には、部品倉庫４０と部品供給の関係にある全ての機械１０について、現在および今後の保守計画と保守に使われる部品のリスト等の情報が含まれる。部品生産データベース２０３には、部品倉庫４０が扱う各部品の生産計画および入荷計画等の情報が含まれる。

ある部品Ａについて、推定開始日（日付Ｄａｙ_０）における在庫数をＮＡ_０とした場合、日付Ｄａｙ_ｎにおける在庫予測数ＮＡ_Ｄａｙｎは以下の式で求められる。

ここで、ＩＮ＿Ａ＿ｉは日付Ｄａｙ_ｉにおける部品Ａの入荷予定数であり、生産計画から推定することができる。ＯＵＴ＿Ａ＿ｉは日付Ｄａｙ_ｉにおける部品Ａの出荷予定数であり、保守計画データベース２０８の情報および部品需要予測から推定することができる。

図７に、部品在庫推定部１０３の演算結果の一例を示す。図７において、部品在庫推定部１０３の演算結果は、推定開始日（日付Ｄａｙ_０）から日付Ｄａｙ_ｎまでの部品Ａの入荷予定数、出荷予定数、および在庫予測数の推移を表している。

部品調達時間予測部１０４は、対策部品が発注されてから当該対策部品が顧客指定の場所（機械の現場または代理店・営業所、または機械の修理を手掛ける組織）に到着するまでの時間（調達時間）の予測値（予測調達時間）を算出する。過去の実績データが豊富な場合は、ニューラルネットワーク等の機械学習アルゴリズムを用いることで高精度な予測調達時間を算出することが可能となる。また、部品調達時間予測部１０４は、予測調達時間に応じた調達可能時期の目安（例えば、「約１週間後」、「約１ヶ月後」等）を顧客３０に通知してもよい。これにより、顧客３０は対策部品の調達可能時期を把握できるため、機械１０の稼働計画を事前に見直すことが可能となる。

図８に、本実施例における部品調達時間予測部１０４の処理手順の一例を示す。以下、各ステップを順に説明する。

ステップＳ４０１：部品在庫データベース２０９を参照し、発注日における対策部品の在庫数を確認する。

ステップＳ４０２：対策部品の在庫数が発注数以上であるか否か（対策部品の在庫が有るか否か）を判定する。対策部品の在庫数が発注数以上である（Ｙｅｓ）と判定した場合は、ステップＳ４０４を実行する。対策部品の在庫数が発注数未満である（Ｎｏ）と判定した場合は、ステップＳ４０３を実行してから、ステップＳ４０４を実行する。

ステップＳ４０３：部品生産データベース２０３の情報（対策部品の生産計画および入荷計画）に基づいて、対策部品の生産が開始されてから当該対策部品が部品倉庫に入荷するまでの時間（生産時間）の予測値（予測生産時間）を算出する。

ステップＳ４０４：部品調達データベース２０４の情報（対策部品の発送方式および発送にかかる時間等）および営業所・代理店データベース２０５の情報（各営業所・代理店の住所、好みの配送手段、過去の対策部品の調達履歴等）に基づいて、対策部品が部品倉庫４０から顧客指定の場所に届けられるまでの時間（配送時間）の予測値（予測配送時間）を算出する。

ステップＳ４０５：予測生産時間と予測配送時間とを合算し、予測調達時間を算出する。

図９に、部品調達時間予測部１０４の演算結果の一例を示す。図９において、部品調達時間予測部１０４の演算結果には、各対策部品（部品１～ｎ）の在庫状況、予測生産時間、配送手段、予測配送時間、および予測調達時間が含まれる。

アラーム送信部１０５は、通信装置１００ｂを介して、機械１０の異常情報、対策部品推定部１０２が推定した対策部品のリスト（数量、価格等を含む）、部品調達時間予測部１０４が予測した予測調達時間、および異常に対応するための点検・保守手順をアラームと共に顧客３０に送信する。アラームの形式としては、警告音、ランプ点灯、モニタ表示、メール送信、電話、ファックス等がある。

図１０に、アラーム送信部１０５が顧客３０に送信したアラーム情報のモニタ表示の一例を示す。図１０において、メインの表示枠３０１には、異常が検知された日時（異常検知日時）と、異常が検出された機械１０の識別情報（マシンＩＤ）、および異常の内容が表示されている。また、メインの表示枠３０１に配置されているボタン３０２，３０３をクリックすることにより、当該異常に対応するための点検・保守手順および対策部品リストを別の表示枠３０４，３０５で表示させることができる。なお、アラーム情報の表示項目および表示方法は、顧客３０の端末で動作するアプリケーションソフトに応じて適宜変更可能である。

アラーム対応記憶部１０６は、アラーム送信部１０５がアラーム等を送信した後に、当該アラームに対する顧客３０の対応情報（アラーム対応データ）を通信装置１００ｂを介して受信し、アラーム対応データベース２０６に蓄積する。アラーム対応データには、対策部品の発注日、対策部品の購入数、機械点検・修理の開始日と終了日等が含まれる。

図１１に、部品需要予測部１０７の構成の一例を示す。部品需要予測部１０７は、入力データ１０７ａ、学習モデル１０７ｂ、および出力データ１０７ｃで構成される。入力データ１０７ａには、アラーム対応記憶部１０６が取得したアラーム対応データ、機械１０の機種や生産年代などの機械基本データ、機械１０の稼働データ、機械１０の保守計画データ、故障モード、顧客データ（営業所・代理店データ）、部品調達データ、部品受注履歴データ等が含まれる。出力データ１０７ｃには、当該故障モードに関する対策部品の識別情報（例えば、部品名称）および受注予測数が含まれる。学習モデル１０７ｂとしては、入力データ１０７ａと出力データ１０７ｃとの関係を学習可能な、教師あり機械学習モデルを用いる。代表的な教師あり機械学習モデルとしては、例えばニューラルネットワーク、決定木、ランダムフォレスト、深層学習等が挙げられる。部品需要予測部１０７は、学習モデル１０７ｂを用いて入力データ１０７ａを出力データ１０７ｃに変換し、出力データ１０７ｃを部品需要予測として部品在庫調整部１０８にフィードバックする。

部品在庫調整部１０８は、部品在庫推定部１０３が推定した対策部品の在庫予測数と、部品需要予測部１０７が予測した対策部品の受注予測数との比較を行う。ある対策部品の受注予測数が在庫予測数を上回る場合は、当該部品の在庫切れを防ぐため、当該部品の生産時期または入荷時期が前倒しされるように部品生産データベース２０３の情報（生産計画または入荷計画）を変更する。すなわち、本実施例における部品在庫調整部１０８は、対策部品の在庫を増やすための情報として、対策部品の生産時期または入荷時期を前倒しするための入荷計画または生産計画の変更情報を生成する。なお、対策部品の在庫を増やすための情報は、在庫を増やす手段に応じて種々考えられる。一方、受注予測数が在庫予測数を大きく下回る場合は、当該部品の余剰在庫を減らすため、当該部品の入荷時期や生産時期が後ろ倒しされるように入荷計画や生産計画を変更する。

（まとめ）
本実施例では、サーバ１００を有し、機械１０の保守作業を支援するための保守支援システム１において、サーバ１００は、演算機能を有する制御装置１００ａと、制御装置１００ａの演算処理に必要なデータを記憶する記憶装置２００と、機械１０と制御装置１００ａとの通信を可能とする通信装置１００ｂとを備え、制御装置１００ａは、機械１０に搭載されたセンサ１１で計測したデータを含む稼働データを通信装置１００ｂを介して受信し、記憶装置２００に記憶させ、前記稼働データに基づいて機械１０の異常を検出し、前記異常を検出した場合に、機械１０で使用される部品のうち前記異常に起因する故障を修理するための対策部品およびその必要数量を推定するとともに、前記異常の内容ならびに前記対策部品の識別情報および必要数量を通信装置１００ｂを介して顧客３０に通知し、前記対策部品の在庫数の予測値である在庫予測数を算出し、前記異常を通知した後に、通信装置１００ｂを介して顧客３０により入力された前記対策部品の購入数を受信し、前記対策部品の購入履歴として記憶装置２００に記憶させ、前記購入履歴に基づいて前記対策部品の受注数の予測値である受注予測数を算出し、前記在庫予測数が前記受注予測数を下回る場合に、前記対策部品の在庫を増やすための情報を生成するものとする。

以上のように構成した本実施例によれば、故障が発生する前に機械１０の異常を検知して顧客３０に通知すると共に、当該異常に起因する故障を修正するための対策部品の在庫切れを防ぐことにより、その後の故障による機械１０の非稼働時間を短縮することが可能となる。

また、制御装置１００ａは、機械１０の稼働データに基づいて機械１０の健全性を示す指標値ａを算出し、指標値ａが所定の範囲内（例えば、所定の閾値未満）にある場合は、機械１０が正常であると判定し、指標値ａが前記所定の範囲外（例えば、所定の閾値以上）にある場合は、機械１０に異常があると判定する。これにより、機械１０の異常の検出精度を向上させることが可能となる。

また、記憶装置２００は、機械１０の故障・修理履歴を記憶しており、制御装置１００ａは、機械１０の異常を検出した場合に、前記故障・修理履歴に基づいて、前記異常に対応するための対策部品およびその必要数量を推定する。これにより、対策部品およびその必要数量の推定精度を向上させることが可能となる。

また、記憶装置２００は、対策部品の在庫数と、機械１０の保守計画と、対策部品の生産計画および入荷計画とを記憶しており、制御装置１００ａは、対策部品の在庫数と、機械１０の保守計画と、対策部品の生産計画および入荷計画とに基づいて対策部品の在庫予測数を算出する。これにより、在庫予測数の算出精度を向上させることが可能となる。

また、記憶装置２００は、対策部品の生産計画および入荷計画を含む部品生産データと、対策部品の発送方式および発送にかかる時間を含む部品調達データと、対策部品を扱う営業所・代理店の住所、対策部品の配送手段、および対策部品の調達履歴を含む営業所・代理店データとを記憶しており、制御装置１００ａは、機械１０の異常を検出した場合に、前記部品生産データ、前記部品調達データ、および前記営業所・代理店データに基づいて、顧客３０が対策部品を発注してから対策部品が顧客３０が指定した場所に到着するまでの時間の予測値である予測調達時間を算出し、前記予測調達時間を通信装置１００ｂを介して顧客３０に通知する。これにより、顧客３０は対策部品の調達可能時期を把握できるため、機械１０の稼働計画を事前に見直すことが可能となる。

また、制御装置１００ａは、機械１０の異常を検出した場合に、前記異常に対応するための対策部品の識別情報およびその必要数量に加えて、前記対策部品の価格および前記異常に対応するための点検・保守手順を顧客３０に通知する。また、通信装置１００ｂを介して前記異常に対する顧客３０の対応情報を受信した場合に、前記対応情報を記憶装置２００に記憶させる。このように対応情報を履歴として残すことで、顧客３０が機械１０の異常に速やかに対応することが可能になると共に、顧客３０の対応情報に基づいて当該異常に対応するための点検・保守手順を見直すことが可能となる。

また、記憶装置２００は、機械１０の機種および生産年代を含む基本データと、機械１０の稼働データと、機械１０の保守計画データと、機械１０の異常に起因する故障モードと、機械１０の顧客データと、対策部品の部品調達データと、対策部品の購入履歴を含む部品受注履歴データとを記憶しており、制御装置１００ａは、教師あり機械学習モデルを用いて、前記稼働データ、前記保守計画データ、前記故障モード、前記顧客データ、前記部品調達データ、および前記部品受注履歴データを含む入力データを基に対策部品の受注予測数を算出する。これにより、対策部品の受注予測数の算出精度を向上させることが可能となる。

また、記憶装置２００は、機械１０の異常に対応するための対策部品の生産計画および入荷計画を記憶しており、制御装置１００ａは、前記対策部品の受注予測数が在庫予測数を上回る場合に、前記対策部品の在庫を増やすための情報として、前記対策部品の生産時期または入荷時期を前倒しするための前記生産計画または前記入荷計画の変更情報を生成する。これにより、対策部品の生産計画または入荷計画に基づいて、対策部品の在庫数を増やすことが可能となる。

本発明の第２の実施例に係る保守支援システムについて、図１２を用いて説明する。図１２は、本実施例に係る保守支援システムの構成図である。以下、第１の実施例（図１に示す）との相違点を中心に説明する。

図１２において、保守支援システム１Ａは、同一現場または同一地域で稼働している複数台の機械１０のそれぞれに対して、第１または第２の実施例と同様の処理を行う。

以上のように構成した本実施例によれば、同一現場または同一地域で稼働している複数台の機械１０の異常を検知して顧客３０に通知すると共に、当該異常に起因した故障を修理するための対策部品の在庫切れを防ぐことにより、その後の故障による各機械の非稼働時間を短縮することが可能となる。

本発明の第３の実施例に係る保守支援システムについて、図１３を用いて説明する。図１３は、本実施例に係る保守支援システムの構成図である。以下、第１の実施例（図１に示す）との相違点を中心に説明する。

図１３において、保守支援システム１Ｂは、エッジ・コンピューティング技術を適用したものであり、第１の実施例におけるサーバ１００の制御装置１００ａの機能（図２に示す）の一部または全てを機械１０の制御装置１２に実装している。また、機械１０は記憶装置１４を備えている。記憶装置１４は、機械１０の制御装置１２が分担する機能に応じて、第１の実施例における記憶装置２００が記憶するデータベース２０１～２１０（図３に示す）の一部または全てを記憶する。

以上のように構成した本実施例における保守支援システム１Ｂよれば、サーバ１００の制御装置１００ａと機械１０の制御装置１２とに機能を分散させることにより、システム全体の処理効率を向上させることが可能となる。

以上、本発明の実施例について詳述したが、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は、本発明を分かり易く説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成に他の実施例の構成の一部を加えることも可能であり、ある実施例の構成の一部を削除し、あるいは、他の実施例の一部と置き換えることも可能である。

１，１Ａ，１Ｂ…保守支援システム、１０…機械、１１…センサ、１２…制御装置、１３…通信装置、２０…ネットワーク、３０…顧客、４０…部品倉庫、５０…部品生産者、１００…サーバ、１００ａ…制御装置、１００ｂ…通信装置、１０１…機械状態分析部、１０２…対策部品推定部、１０３…部品在庫推定部、１０４…部品調達時間予測部、１０５…アラーム送信部、１０６…アラーム対応記憶部、１０７…部品需要予測部、１０７ａ…入力データ、１０７ｂ…学習モデル、１０７ｃ…出力データ、１０８…部品在庫調整部、２００…記憶装置、２０１…機械稼働データベース、２０２…故障・修理履歴データベース、２０３…部品生産データベース、２０４…部品調達データベース、２０５…営業所・代理店データベース、２０６…アラーム対応データベース、２０７…対策部品データベース、２０８…保守計画データベース、２０９…部品在庫データベース、２１０…部品受注履歴データベース。

Claims (8)

1. サーバを有し、機械の保守作業を支援するための保守支援システムにおいて、
   前記サーバは、
   演算機能を有する制御装置と、
   前記制御装置の演算処理に必要なデータを記憶する記憶装置と、
   前記機械と前記制御装置との通信を可能とする通信装置とを備え、
   前記制御装置は、
   前記機械に搭載されたセンサで計測したデータを含む稼働データを前記通信装置を介して受信し、前記記憶装置に記憶させ、
   前記稼働データに基づいて前記機械の異常を検出し、
   前記異常を検出した場合に、前記機械で使用される部品のうち前記異常に起因する故障を修理するための対策部品およびその必要数量を推定するとともに、
   前記異常の内容ならびに前記対策部品の識別情報および前記必要数量を前記通信装置を介して前記機械の顧客に通知し、
   前記対策部品の在庫数の予測値である在庫予測数を算出し、
   前記異常を通知した後に、前記通信装置を介して前記顧客により入力された前記対策部品の購入数を受信し、前記対策部品の購入履歴として前記記憶装置に記憶させ、
   前記購入履歴に基づいて前記対策部品の受注数の予測値である受注予測数を算出し、
   前記在庫予測数が前記受注予測数を下回る場合に、前記対策部品の在庫を増やすための情報を生成する ことを特徴とする保守支援システム。
2. 請求項１に記載の保守支援システムにおいて、
   前記制御装置は、
   前記稼働データに基づいて前記機械の健全性を示す指標値を算出し、
   前記指標値が所定の範囲内にある場合は、前記機械が正常であると判定し、
   前記指標値が前記所定の範囲外にある場合は、前記機械に異常があると判定する
   ことを特徴とする保守支援システム。
3. 請求項１に記載の保守支援システムにおいて、
   前記記憶装置は、前記機械の故障・修理履歴を記憶しており、
   前記制御装置は、前記異常を検出した場合に、前記故障・修理履歴に基づいて前記対策部品および前記必要数量を推定する
   ことを特徴とする保守支援システム。
4. 請求項１に記載の保守支援システムにおいて、
   前記記憶装置は、前記対策部品の在庫数と、前記機械の保守計画と、前記対策部品の生産計画および入荷計画とを記憶しており、
   前記制御装置は、前記対策部品の在庫数と、前記機械の保守計画と、前記対策部品の生産計画および入荷計画とに基づいて前記在庫予測数を算出する
   ことを特徴とする保守支援システム。
5. 請求項１に記載の保守支援システムにおいて、
   前記記憶装置は、前記対策部品の生産計画および入荷計画を含む部品生産データと、前記対策部品の発送方式および発送にかかる時間を含む部品調達データと、前記対策部品を扱う営業所・代理店の住所、前記対策部品の配送手段、および前記対策部品の調達履歴を含む営業所・代理店データとを記憶しており、
   前記制御装置は、前記異常を検出した場合に、前記部品生産データ、前記部品調達データ、および前記営業所・代理店データに基づいて、前記顧客が前記対策部品を発注してから前記対策部品が前記顧客が指定した場所に到着するまでの時間の予測値である予測調達時間を算出し、前記予測調達時間を前記通信装置を介して前記顧客に通知する
   ことを特徴とする保守支援システム。
6. 請求項１に記載の保守支援システムにおいて、
   前記制御装置は、
   前記異常を検出した場合に、前記対策部品の識別情報および前記必要数量に加えて、前記対策部品の価格および前記異常に対応するための点検・保守手順を前記顧客に通知し、
   前記通信装置を介して前記異常に対する前記顧客の対応情報を受信した場合に、前記対応情報を前記記憶装置に記憶させる
   ことを特徴とする保守支援システム。
7. 請求項１に記載の保守支援システムにおいて、
   前記記憶装置は、前記機械の機種および生産年代を含む基本データと、前記稼働データと、前記機械の保守計画データと、前記異常に起因する故障モードと、前記機械の顧客データと、前記対策部品の部品調達データと、前記購入履歴を含む部品受注履歴データとを記憶しており、
   前記制御装置は、教師あり機械学習モデルを用いて、前記稼働データ、前記保守計画データ、前記故障モード、前記顧客データ、前記部品調達データ、および前記部品受注履歴データを含む入力データを基に前記受注予測数を算出する
   ことを特徴とする保守支援システム。
8. 請求項１に記載の保守支援システムにおいて、
   前記記憶装置は、前記対策部品の生産計画および入荷計画を記憶しており、
   前記制御装置は、前記受注予測数が前記在庫予測数を上回る場合に、前記対策部品の在庫を増やすための情報として、前記対策部品の生産時期または入荷時期を前倒しするための前記生産計画または前記入荷計画の変更情報を生成する
   ことを特徴とする保守支援システム。

Images