JP2023012668A - 故障予測装置、故障予測方法、及びプログラム - Google Patents

Abstract

【課題】物理モデル及び統計モデルの個々の予測結果を補正して、予測対象の故障に関するリスクを精度よく予測することができる故障予測装置を提供する。【解決手段】故障予測装置は、予測対象の故障に関するデータに基づいて生成された統計モデルを用いて、前記予測対象の偶発故障の確率を表す故障率を評価する第１評価部と、前記予測対象の設計データに基づいて生成された物理モデルを用いて、前記予測対象の経年劣化による故障の確率を表す故障確率を評価する第２評価部と、前記予測対象を予め決められた評価項目毎に定性的に評価した定性評価結果を取得する取得部と、前記故障率及び前記故障確率それぞれに対し、前記定性評価結果に基づく補正係数を乗じた補正故障率及び補正故障確率を算出する補正部と、を備える。【選択図】図２

Description

本開示は、故障予測装置、故障予測方法、及びプログラムに関する。

製品のリスクマネジメントで重要となる機器や構造の故障確率、故障率の評価には、一般に定量的な故障物理モデルや故障統計データが用いられる。定量的予測の精度は、機器及び構造の物理モデルの精度、計測データの充実度、製品又は事業分野の経験の有無などに大きく影響を受ける。したがって、十分な経験、計測データなどが蓄積されていない新製品などでは、故障確率、故障率の予測精度が低くなる可能性がある。

例えば、特許文献１には、設備の点検・保守情報、プラントデータ、モニタリングデータ等が十分に蓄積されている設備については統計的劣化モデルを用いて耐用年数を予測し、データを十分に取得できない設備については法定耐用年数に基づき劣化診断を行う技術が記載されている。

特許第５８０２６１９号公報

しかしながら、製品の故障を引き起こす要因には、定量的な評価が困難な要因など、経年劣化による故障確率を予測する物理モデル、偶発故障を予測する統計モデル等の数理モデルでは想定することが困難なものがある。このため、従来の技術では、物理モデル及び統計モデルによる故障確率及び故障率の予測精度が低減する可能性がある。

本開示は、このような課題に鑑みてなされたものであって、物理モデル及び統計モデルの個々の予測結果を補正して、予測対象の故障に関するリスクを精度よく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。

本開示の一態様によれば、故障予測装置は、予測対象の故障に関するデータに基づいて生成された統計モデルを用いて、前記予測対象の偶発故障の確率を表す故障率を評価する第１評価部と、前記予測対象の設計データに基づいて生成された物理モデルを用いて、前記予測対象の経年劣化による故障の確率を表す故障確率を評価する第２評価部と、前記予測対象を予め決められた評価項目毎に定性的に評価した定性評価結果を取得する取得部と、前記故障率及び前記故障確率それぞれに対し、前記定性評価結果に基づく補正係数を乗じた補正故障率及び補正故障確率を算出する補正部と、を備える。

本開示の一態様によれば、故障予測方法は、予測対象の故障に関するデータに基づいて生成された統計モデルを用いて、前記予測対象の偶発故障の確率を表す故障率を評価するステップと、前記予測対象の設計、製造データや運転、保全履歴データに基づいて生成された物理モデルを用いて、前記予測対象の経年劣化による故障の確率を表す故障確率を評価するステップと、前記予測対象を予め決められた評価項目毎に定性的に評価した定性評価結果を取得するステップと、前記故障率及び前記故障確率それぞれに対し、前記定性評価結果に基づく補正係数を乗じた補正故障率及び補正故障確率を算出するステップと、を有する。

本開示の一態様によれば、プログラムは、予測対象の故障に関するデータに基づいて生成された統計モデルを用いて、前記予測対象の偶発故障の確率を表す故障率を評価するステップと、前記予測対象の設計データに基づいて生成された物理モデルを用いて、前記予測対象の経年劣化による故障の確率を表す故障確率を評価するステップと、前記予測対象を予め決められた評価項目毎に定性的に評価した定性評価結果を取得するステップと、前記故障率及び前記故障確率それぞれに対し、前記定性評価結果に基づく補正係数を乗じた補正故障率及び補正故障確率を算出するステップと、を故障予測装置のコンピュータに実行させる。

本開示に係る故障予測装置、故障予測方法、及びプログラムによれば、予測対象の故障に関するリスクを精度よく予測することができる。

本開示の第１の実施形態に係る故障予測装置の全体構成を示す図である。 本開示の第１の実施形態に係る故障予測装置の機能構成を示す図である。 本開示の第１の実施形態に係る定性評価を説明するための図である。 本開示の第１の実施形態に係る故障予測装置の処理の例を示すフローチャートである。 本開示の第１の実施形態に係る補正故障率の例を示す第１の図である。 本開示の第１の実施形態に係る補正故障率の例を示す第２の図である。 本開示の第１の実施形態に係る補正故障確率の例を示す第１の図である。 本開示の第１の実施形態に係る補正故障確率の例を示す第２の図である。 本開示の第１の実施形態に係る補正故障確率の例を示す第３の図である。 本開示の第２の実施形態に係る故障予測装置の機能構成を示す図である。 本開示の第２の実施形態に係る故障予測装置の処理の例を示すフローチャートである。 本開示の第２の実施形態に係る第１調整部の機能を説明するための第１の図である。 本開示の第２の実施形態に係る第１調整部の機能を説明するための第２の図である。 本開示の第２の実施形態に係る第２調整部の機能を説明するための第１の図である。 本開示の第２の実施形態に係る第２調整部の機能を説明するための第２の図である。 本開示の第２の実施形態に係る第２調整部の機能を説明するための第３の図である。 本開示の第３の実施形態に係る故障予測装置の機能構成を示す図である。 本開示の第３の実施形態に係る故障予測装置の処理の例を示すフローチャートである。

＜第１の実施形態＞
以下、本開示の第１の実施形態に係る故障予測装置について、図１～図９を参照しながら説明する。

（全体構成）
図１は、本開示の第１の実施形態に係る故障予測装置の全体構成を示す図である。
本実施形態に係る故障予測装置１は、予測対象３０の故障に関するリスクを予測する。予測対象３０は、例えば、産業プラント（発電プラント、化学プラント等）、船舶、冷凍機などの製品３（施設、設備等を含む）を構成する機器、構造体等である。

上記したように、故障予測モデルによる定量的な故障率及び故障確率の評価では、例えばモデルを生成するためのデータが不足している場合、定量的な評価が困難な不確定要素がある場合など、予測精度が低下する可能性がある。このような予測精度の低下を抑制するため、本実施形態では、図１に示すように、ユーザＡが各予測対象３０について定性的な評価を行い、故障予測装置１に評価結果を入力する。また、故障予測装置１は、ユーザによる評価結果に基づいて、故障予測モデルによる予測結果を補正する。

（機能構成）
図２は、本開示の第１の実施形態に係る故障予測装置の機能構成を示す図である。
図２に示すように、故障予測装置１は、ＣＰＵ１０と、メモリ１１と、ストレージ１２と、接続インタフェース１３と、通信インタフェース１４とを備える。

メモリ１１は、いわゆる主記憶装置であって、ＣＰＵ１０がプログラムに基づいて動作するための命令及びデータが展開される。

ストレージ１２は、いわゆる補助記憶装置であって、例えば、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等である。ストレージ１２は、故障予測装置１が取得、生成したデータや、故障の予測に用いるデータ等を記憶する。

接続インタフェース１３は、表示装置２Ａ、入力装置２Ｂ等との接続を行うためのインタフェースである。表示装置２Ａは、情報を視認可能に表示する表示デバイスであって、例えば、液晶ディスプレイや有機ＥＬディスプレイなどである。入力装置２Ｂは、故障予測装置１のユーザの操作を受け付ける入力デバイスであって、例えば、一般的なマウス、キーボード、タッチセンサなどである。

通信インタフェース１４は、故障予測装置１と外部機器との通信接続用のインタフェースである。本実施形態に係る故障予測装置１は、通信インタフェース１４を介して予測対象３０と通信可能に接続されており、予測対象３０から運転データ（センサ計測値、制御指令値、保全履歴等）を受信する。また、故障予測装置１は、通信インタフェース１４を介して各種データベース（故障統計ＤＢ５０、設計・製造・運転ＤＢ５１、評価ＤＢ５２、メンテナンス計画ＤＢ５３、費用ＤＢ５４等）と通信可能に接続されていてもよい。

ＣＰＵ１０は、故障予測装置１の全体の動作を司るプロセッサである。ＣＰＵ１０は、所定のプログラムに従って動作することにより、設定部１００、第１評価部１０１、第２評価部１０２、取得部１０３、補正部１０４、第１判定部１０５、第２判定部１０６、及び提案部１０７としての機能を発揮する。

設定部１００は、複数の予測対象３０それぞれの故障の予測に用いる故障予測モデルの選定を行う。また、設定部１００は、メンテナンス計画ＤＢ５３に記録された予測対象３０の予防保全計画、費用ＤＢ５４に記録されたメンテナンス費用等を参照して、予測対象３０の信頼性、稼働率、メンテナンスコスト等の目的関数、及び、予測対象３０の信頼性、稼働率、総費用等の制約条件の設定を行う。

故障予測モデルは、統計モデルと、物理モデルとを含む。統計モデルは、評価期間（例えば、１０年間）において予測対象３０の偶発故障がどのくらい発生するかを示す故障率を出力する。統計モデルは、故障統計ＤＢ５０に蓄積された予測対象３０の故障に関するデータに基づいて予め生成されたものである。故障に関するデータは、例えば、予測対象３０、或いは、その類似製品の運用履歴データ、故障履歴データ、メンテナンス履歴データ等である。また、故障予測モデルは、故障率データベースを直接参照して生成されたものであってもよい。故障率データベースは、各予測対象３０の故障率に関するデータを格納するデータベースであり、設計時に実施されたＦＭＥＡ（Failure Mode and Effect Analysis）によって求められた予測対象３０の故障リスクに関するデータを含む。また、故障率データベースは、公開信頼性データベース、独自に用意したプライベートデータベース、公開データ及びプライベートデータを重み付けして結合したものなどから得られるデータを含んでいてもよい。

物理モデルは、予測対象３０の経年劣化を模擬し、評価期間（例えば、１０年）における予測対象３０の故障確率の時系列を出力する。物理モデルは、設計・製造・運転ＤＢ５１に蓄積された予測対象３０の設計データ、製造データ、運転データ、保全履歴データ等に基づいて予め生成されたものである。

なお、故障率と故障確率は、以下の式（１）で関連付けられる。なお、以下の式において、λ（ｔ）は時間ｔにおける故障率、ｆ（ｔ）は故障寿命の確率密度関数、Ｒ（ｔ）は時間ｔにおける信頼度、Ｆ（ｔ）は時間ｔにおける故障確率を表す。故障確率Ｆ（ｔ）は、信頼度Ｒ（ｔ）の余事象である。

第１評価部１０１は、統計モデルを用いて予測対象３０の偶発故障の確率を表す故障率を評価する。

第２評価部１０２は、物理モデルを用いて予測対象３０の経年劣化による故障の確率を表す故障確率を評価する。

取得部１０３は、予測対象３０を予め決められた評価項目毎に定性的に評価した定性評価結果を取得する。

補正部１０４は、故障率及び故障確率それぞれに対し、ユーザＡによる予測対象３０の定性評価の評価結果に基づく補正係数を乗じた補正故障率及び補正故障確率を算出する。

第１判定部１０５は、補正故障率に基づいて、予測対象３０の補用品条件が予測対象３０に対し予め設定された制約条件を満たすか判定する。メンテナンス計画ＤＢ５３には、予め各予測対象３０の補用品条件が記録されている。補用品条件には、例えば、補用品（故障時の交換用の部品等）の数量が含まれる。

第２判定部１０６は、補正故障確率に基づいて、予測対象３０の予防保全計画が予測対象３０に対し予め設定された制約条件を満たすか判定する。メンテナンス計画ＤＢ５３には、予め各予測対象３０の予防保全計画が記録されている。予防保全計画には、例えば、予測対象３０の点検、補修、交換等の実施回数、実施範囲、実施時期等が含まれる。

提案部１０７は、第１判定部１０５及び前記第２判定部１０６の少なくとも一方が制約条件を満たさないと判定した場合に、少なくとも一つの評価項目に対応する故障対策の見直しを提案する。

（予測対象の定性評価について）
図３は、本開示の第１の実施形態に係る定性評価を説明するための図である。
図３には、予測対象３０の定性評価の配点表の一例が示されている。配点表には、予測対象３０の故障頻度補正係数（以下、「補正係数」とも記載する。）の因子（Subfactor）毎に、評価項目及び評価点（Point）が予め規定されている。因子（Subfactor）は故障に関連する「不安・不確定要素」を定性評価に結び付けるものである。評価項目は、複数の予測対象３０全てに共通のものであってよい。ユーザは、予測対象３０それぞれについて、図３に示す評価項目の確認を行い、確認結果に応じた評価結果（各評価項目の評価点）を故障予測装置１に入力、又は、評価ＤＢ５２に記録する。なお、図３の例では、評価点が高いほどは故障が発生しやすいことを示す。

また、定性評価の内容について説明する。図３の例では、予測対象３０の故障頻度補正係数の因子として、「Universal Subfactor」、「Design Subfactor」、「Stability and Matureness Subfactor」、「Structural Subfactor」、「Monitoring Subfactor」の５つが設定される。

（１）Universal Subfactore
Universal Subfactorは、全ての予測対象３０に共通する一般的な故障頻度補正係数の因子である。例えば、Universal Subfactorは、「Appearance」、「Natural Environment」、「Uncertain Natural Load」等の評価項目を含む。

Appearanceは、予測対象３０の外観（汚れ、塗装の剥がれ等）を、予測対象３０を運用している事業分野における標準的な状態と比較して評価する項目である。汚れ等が放置されている場合は、予測対象３０の管理状態が悪く、故障が発生しやすい状態にあると考えられる。このため、ユーザＡは、予測対象３０の外観の状態が悪いほど評価点が高くなるように評価する。例えば、ユーザは、図３に示すように、予測対象３０の外観を「標準より良い（評価点：－１）」、「標準（評価点：０）」、「標準より悪い（評価点：＋１）」の三段階で評価する。なお、評価点の値は一例である。これにより、予測対象３０の管理状態のように定量的なデータを収集しづらい要因を、ユーザＡの目視確認により定量的な評価結果として得ることができる。また、予測対象３０の外観を他の標準的な状態と比較して三段階で評価するのみであるので、ユーザＡによる評価時間を低減することができる。なお、Appearanceについては、ユーザの主観による評価結果のばらつきを防ぐため、複数のユーザの合意で評価結果を決定するようにしてもよい。また、予め標準的な状態を示す画像を複数準備しておき、ユーザが撮影した予測対象３０の画像との比較、評価を故障予測装置１に行わせてもよい。

Natural Environmentは、予測対象３０を運用する地域において恒常的に受ける環境の過酷度を評価する項目である。例えば、予測対象３０が寒冷地、熱帯地で運用する場合は、温度に起因する故障（低気温による破砕、高気温によるオーバーヒート等）が発生しやすくなる。また、予測対象３０が船舶である場合、波の高さ、風の強さ、水温、腐食成分（硝酸態窒素等）が多く含まれる地域で運用される船舶は、他の地域で運用される船舶よりも故障（疲労損傷、腐食等）が発生しやすくなる。ユーザは、設計・製造・運転ＤＢ５１等に記録された環境（気温、水温等）に関する統計データを参照して、予測対象３０の運用地域の過酷度が高いほど評価点が高くなるように評価する。また、ユーザは、予測対象３０が環境に応じた対策（例えば、塗装を厚く塗る、高耐久性の塗装を定期的に行う等）を実施している場合、評価点を減じてもよい。

Uncertain Natural Loadは、予測対象３０を運用する地域で確率的に発生する極大自然荷重（地震、津波、火山、台風、ハリケーン等の自然災害、異常気象等）を評価する項目である。例えば、予測対象３０が火山噴火のリスクのある地域に設置されているとする。ユーザは、噴火時の火山灰の降灰量の統計データ等に基づいて、予測対象３０の運用地域における降灰量が多いほど評価点が高くなるように評価する。また、ユーザは、火山灰の他、台風やハリケーン等の巨大な風荷重の大きさ及び発生頻度、気温や湿度の増加に伴う材料の劣化、豪雨等の巨大な流体荷重の大きさ及び発生頻度を評価してもよい。

なお、故障予測装置１は、設計・製造・運転ＤＢ５１等に記録された各地域の環境及び自然荷重に関する統計データや、予測対象３０の環境に応じた対策の実施状況を示すデータを読み出して、Natural Environment及びUncertain Natural Loadを自動的に評価してもよい。

（２）Design Subfactor
Design Subfactorは、予測対象３０それぞれの設計に関連する故障頻度補正係数の因子である。例えば、Design Subfactorは、「Complexity」、「Standard and Code」、「Life Consumption」等の評価項目を含む。

Complexityは、予測対象３０が複雑な構造を有しているかを評価する項目である。図３の例では、ユーザは、予測対象３０が複雑であるほど評価点が高くなるように評価する。構造が複雑であるかは、例えば、予測対象３０のノズル数、配管の分岐数等により評価する。

Standard and Codeは、設計規格に準拠している機器、構造体は信頼性が高く、故障が生じにくいという観点から、予測対象３０が設計規格に準拠しているかを評価する項目である。ユーザは、設計規格に準拠している予測対象３０については、評価点が低くなるように評価する。また、ユーザは、設計規格が存在しない、又は、設計規格に準拠していない予測対象３０については、評価点が高くなるように評価する。

Life Consumptionは、予測対象３０の設計寿命の消費量を評価する項目である。図３の例では、予測対象３０の設計寿命の消費量（設計寿命に対する使用時間）を４つの区間（区間１：ｎ１％未満、区間２：ｎ１％以上ｎ２％未満、区間３：ｎ２％以上ｎ３％未満、区間４：ｎ３％以上）に分割して、各区間に対応する故障頻度で重み付けした評価点が設定されている。各区間の故障頻度は、設計・製造・運転ＤＢ５１に記録されている、予測対象３０の時間経過に応じた故障率を示すデータ（バスタブ曲線）から得る。ユーザは、予測対象３０の使用時間から設計寿命の区間を特定して、評価点を決定する。

なお、故障予測装置１は、設計・製造・運転ＤＢ５１に記録されている予測対象３０の設計データ、運転データを読み出して、Design Subfactorの各評価項目を自動的に評価してもよい。

（３）Stability and Matureness Subfactor
Stability and Matureness Subfactorは、予測対象３０の安定性及び成熟性に関連する故障頻度補正係数の因子である。例えば、Stability and Matureness Subfactorは、「Unexpected Damage Detection」、「Unplanned Failure Detection」、「Specialty and Matureness」、「Similarity」、「Measures」等の評価項目を含む。

Unexpected Damage Detectionは、定期検査等で予測対象３０の運転停止には至らない程度の想定外損傷を検出した頻度を評価する項目である。ユーザＡは、検出頻度が少ないほど評価点が低くなるように評価する。

Unplanned Failure Detectionは、定期検査等で予測対象３０の運転停止が必要な致命的な故障を検出した頻度を評価する項目である。ユーザＡは、検出頻度が少ないほど評価点が低くなるように評価する。

Specialty and Maturenessは、予測対象３０の特殊性及び成熟性を評価する項目である。予測対象３０が複数の事業分野で長期間運用されている量産品である場合、又は、予測対象３０と類似した設計の機器、構造体が一定数以上、運用されている場合は、予測対象３０の故障に関する統計データが十分蓄積されており、故障予測の不確かさが小さい。このため、ユーザＡは、このような特殊性が低く、かつ成熟性が高い予測対象３０については、特定産業のみで運用される非量産品（特殊性が高い）、類似設計品の運用実績が一定数未満である（成熟性が低い）ものよりも評価点が低くなるように評価する。また、予測対象３０の設計者又は製造者、運用者（オペレータ）等の経験に応じて、評価点を増減させてもよい。製品に用いられる機器、構造体が新規開発されたもの、特殊なものである場合、初期故障による不具合が生じやすい。本実施形態では、Specialty and Maturenessの評価項目において、予測対象３０の特殊性、成熟性の評価結果を補正係数に反映させることにより、故障予測装置１においてこのような初期故障のリスクを加味した故障率及び故障確率を評価することができる。

Similarityは、予測対象３０について、過去に発生した損傷又は故障の原因又は条件の類似性を評価する項目である。予測対象３０に隣接する構造体が負荷により損傷した場合、予測対象３０にも同じような負荷がかかって損傷が生じる可能性がある。また、予測対象３０と類似する箇所（例えば、船舶の反対舷に設けられた対応構造）や、同一機種が損傷した場合には、予測対象３０にも同じような損傷が生じる可能性がある。このため、ユーザＡは、過去に損傷又は故障した機器等と類似する原因又は条件を有する予測対象３０について、検査又は対策が終わっていない予測対象３０の評価点が、検査又は対策が終わったものよりも高くなるように評価する。また、過去に損傷した機器等に類似する場合と、過去に故障した機器等に類似する場合とで、評価点を異ならせてもよい。

Measuresは、予測対象３０が過去に損傷又は故障した原因が特定され、対策されているかを評価する項目である。ユーザＡは、損傷又は故障の対策がされていない予測対象３０の評価点を、対策済みのものよりも高くなるように評価する。また、対策内容が恒久的なものであるか、一時的な応急対策であるかに応じて、評価点を異ならせてもよい。

なお、故障予測装置１は、故障統計ＤＢ５０に記録されている予測対象３０の故障履歴データ、メンテナンス履歴データを読み出して、Stability and Matureness Subfactorの各評価項目を自動的に評価してもよい。

従来の技術では、例えば予測対象の故障発生時に故障対策を行ったとき、「対策したので再発しない」と評価され、予測モデルに反映されない場合がある。しかしながら、実際には、故障発生個所や故障対策の内容によっては、同一の箇所又は隣接する箇所で故障が再発する可能性があり、予測モデルの予測精度を低下させる一因となっていた。これに対し、本実施形態では、Stability and Matureness Subfactorの各評価項目（特に、Unexpected Damage Detection、Unplanned Failure Detection、Similarity、Measures）において、故障や損傷等不具合発生個所（機器、構造）の不具合状況、発生頻度やその対策、及び、その類似箇所や隣接箇所の検査、強度検討状況を評価している。これにより、過去の故障発生個所、故障内容、対策内容や、隣接又は類似箇所の状況を、定性評価において適切に評価することができる。故障予測装置１は、故障率及び故障確率に対し、この定性評価結果に基づく補正係数を適用することにより、過去の故障やその対策内容を加味した故障リスクを精度よく予測することが可能となる。

（４）Structural Subfactor
Structural Subfactorは、構造体特有の事象に関連する故障頻度補正係数の因子である。例えば、Structural Subfactorは、「Structural Criticality」、「Damage Rate」等の評価項目を含む。

Structural Criticalityは、予測対象３０（構造体）の損傷が他の構造体へ及ぼす影響を評価する項目である。例えば、ユーザＡは、予測対象３０にき裂が生じたときに隣接する構造体に影響を与えてしまう場合、この予測対象３０の評価点を、影響を与えない場合と比べて高くなるように評価する。

Damage Rateは、予測対象３０（構造体）の疲労、腐食、摩耗、クリープなどの進行性損傷の進展性を評価する項目である。例えば、ユーザＡは、予測対象３０がき裂の進展を鈍化させる構造、部材を用いていない場合、この予測対象３０の評点を、き裂の進展を鈍化させる構造、部材を用いているものよりも高くなるように評価する。

なお、故障予測装置１は、設計・製造・運転ＤＢ５１に記録されている予測対象３０の設計データを読み出して、Structural Subfactorの各評価項目を自動的に評価してもよい。

例えば予測対象３０が構造体である場合、部位ごとにき裂などの損傷発生、き裂の進展に関する危険性は異なる。例えば、ある部位にき裂が生じたときに、このき裂が進展する先の部位においてき裂を開く方向の力が働くか、閉じる方向の力が働くかによって、危険性の大小が変化する。このため本実施形態では、Structural Subfactorの各評価項目で構造体特有の損傷危険性を部位ごとに評価する。故障予測装置１は、この評価結果を補正係数に反映することにより、予測対象３０の構造、隣接する構造体への影響等を加味した故障リスクを精度よく予測することが可能となる。

（５）Monitoring Subfactor
Monitoring Subfactorは、検査、モニタリングに関連する故障頻度補正係数の因子である。例えば、Monitoring Subfactorは、「Discrepancy Factor」、「Monitoring and Inspection (Time)」、「Monitoring and Inspection (Space)」、「Detectability (Visibility)」、「Detectability (Accessibility)」等を含む。

Discrepancy Factorは、設計データで想定された状態量と、実運転中に計測された状態量との乖離度合いを評価する項目である。例えば、複数の状態量のうち、予測対象３０の損傷や故障に最も大きく寄与する状態量（例えば、温度等）を選定する。そして、ユーザＡは、予測対象３０の設計条件と運転条件との比率が大きいほど、評価点が高くなるように評価する。

Monitoring and Inspection (Time)は、検査、モニタリングの間隔を評価する項目である。ユーザＡは、予測対象３０のモニタリング間隔が長いほど評価点が高く、モニタリング間隔が短いほど評価点が低くなるように評価する。予測対象３０の検査や監視の範囲を広げたり、インターバルを短くとることで、故障予測の不確実性を低減させることができる。

Monitoring and Inspection (Space)は、検査、モニタリングの網羅性を評価する項目である。ユーザＡは、予測対象３０を複数の部位に分割し、検査数が多いほど評価点が低く、検査数が少ないほど評価点が高くなるように評価する。

Detectability (Visibility)は、予測対象３０の検査の容易さを評価する項目である。ユーザＡは、予測対象３０の目視検査が困難であるほど、評価点が高くなるように評価する。

Detectability (Accessibility) は、予測対象３０の検査の容易さを評価する項目である。ユーザＡは、予測対象３０に接近して検査を行うことが困難であるほど、評価点が高くなるように評価する。

なお、故障予測装置１は、設計・製造・運転ＤＢ５１に記録された設計データ及び運転データ、メンテナンス計画ＤＢ５３に記録された予防保全計画等に基づいて、Monitoring Subfactorの各評価項目を自動的に評価してもよい。

なお、図３に示した評価項目、評価段階、及び配点は一例であり、これに限られることはない。これらの内容は、予測対象３０の機種、予測対象３０の運用目的（事業分野）等に応じて任意に変更してもよい。また、統計モデル又は物理モデルに組み込み済みの評価項目については、ユーザＡが定性評価の対象から除外するようにしてもよい。若しくは、故障予測装置１の補正部１０４は、補正係数を算出する際に、統計モデル又は物理モデルに組み込み済みの評価項目の評価点を除外するようにしてもよい。補正部１０４が補正係数を算出する際にどの評価項目を使用するかは、例えばユーザＡが任意に設定可能である。

（処理フロー）
図４は、本開示の第１の実施形態に係る故障予測装置の処理の一例を示すフローチャートである。
以下、図４を参照しながら、故障予測装置１を用いて故障率及び故障確率を評価する方法、並びに、補用品条件及び予防保全計画を評価する方法について説明する。

まず、設定部１００は、製品３の全ての予測対象３０それぞれについて、故障率及び故障確率の予測に用いる故障予測モデルを選定する（ステップＳ１００）。例えば、設定部１００は、入力装置２Ｂを通じたユーザＡの操作に従って故障予測モデルを選定する。

また、設定部１００は、予測対象３０のメンテナンスに関する目的関数、及び制約条件を設定する（ステップＳ１０１）。目的関数は、例えば、製品３の信頼性、稼働率、メンテナンスコスト等である。また、制約条件は、製品３の信頼性及び稼働率の下限値、総費用の上限値等である。例えば、設定部１００は、入力装置２Ｂを通じたユーザＡの操作に従って目的関数及び制約条件を設定する。

次に、故障予測装置１は、予測対象３０の故障率及び故障確率それぞれの評価及び補正を行う。

まず、故障率の評価及び補正を行う方法について説明する。第１評価部１０１は、設定部１００により選定された統計モデルに基づいて予測対象３０の故障率を算出する（ステップＳ１０２）。予測対象３０が複数ある場合、第１評価部１０１は、全ての予測対象３０の故障率をそれぞれ算出する。

次に、取得部１０３は、ユーザＡによる予測対象３０の定性評価結果を取得する（ステップＳ１０３）。例えば、取得部１０３は、ユーザＡが入力装置２Ｂを通じて入力した定性評価結果を取得する。また、ユーザＡが定性評価結果を評価ＤＢ５２に記録した場合、取得部１０３は評価ＤＢ５２から予測対象３０の定性評価結果を読み出すようにしてもよい。

補正部１０４は、ステップＳ１０２で算出した故障率に、定性評価結果に基づく補正係数を乗じて、補正故障確率を算出する（ステップＳ１０４）。本実施形態に係る補正部１０４は、定性評価における各評価項目の評価点の合計値を補正係数として用いる。なお、他の実施形態では、補正部１０４は、評価点の合計値が負値となった場合、評価点の絶対値の逆数、又は、指数を補正係数として用いてもよい。

図５は、本開示の第１の実施形態に係る補正故障率の例を示す第１の図である。
図５に示すグラフＧ１０は、ある評価期間（例えば、現在から１０年間）における故障率及び補正故障率の例である。グラフＧ１０の実線は、第１評価部１０１が算出した故障率（補正前故障率）を示す。また、グラフＧ１０の破線は、補正部１０４が補正前故障率に補正係数を乗じて算出した補正故障率を示す。補正部１０４は、このようにすることで、例えば予測対象３０個々の管理状態、運用実績、モニタリング間隔のような統計モデルでは考慮できない要素を加味した補正故障率を算出することができる。

図６は、本開示の第１の実施形態に係る補正故障率の例を示す第２の図である。
補正部１０４は、図６のグラフＧ１１に示すように、予測対象３０のバスタブ曲線を模擬することにより、設計寿命の消費量に応じて補正係数を変えてもよい。例えば、図３に示すように、Life Consumptionの評価点は、予測対象３０の使用時間の区間（区間１～区間４）に応じて｛１，０，１，２｝のように異なる値が設定されているとする。補正部１０４は、Life Consumptionの区間毎に、Life Consumptionの評価点及び他の評価点を合計して、各区間に対応する４つの補正係数を求める。補正部１０４は、Life Consumptionの区間１の評価点「１」と、他の評価項目の評価点とを合計して、区間１の補正係数を求める。また、補正部１０４は、Life Consumptionの区間２の評価点「０」と、他の評価項目の評価点とを合計して、区間２の補正係数を求める。補正部１０４は、区間３～４についても同様に補正係数を求める。グラフＧ１１の破線は、補正部１０４が補正前故障率に区間１～４それぞれの補正係数を乗じて算出した補正故障率を示す。このようにすることで、補正部１０４は、予測対象３０の設計寿命の消費量（使用時間）に応じたより正確な補正故障率を求めることができる。

また、予測対象３０が複数ある場合、補正部１０４は、全ての予測対象３０の補正故障率をそれぞれ算出する。

次に、第１判定部１０５は、補正故障率と、現状の予測対象３０の補用品条件（補用品数）と評価期間に基づいて、予測対象３０の信頼性、稼働率、及び予測対象３０の補用品保有費用を含む総費用の評価を行う（ステップＳ１０５）。

また、第１判定部１０５は、ステップＳ１０５で評価した信頼性、稼働率、及び総費用が、ステップＳ１０１で設定した制約条件を満足するか判定する（ステップＳ１０６）。

第１判定部１０５により信頼度、稼働率、及び総費用の何れも制約条件を満足すると判定された場合（ステップＳ１０６：ＹＥＳ）、故障予測装置１は処理を終了する。

一方、第１判定部１０５により信頼度、稼働率、及び総費用の少なくとも一つが制約条件を満足しないと判定された場合（ステップＳ１０６：ＮＯ）、提案部１０７は、予測対象３０の故障対策の見直しを提案する（ステップＳ１０７）。

そうすると、ユーザＡは、少なくとも一つの評価項目の評価点が変化するように、故障対策の見直しを行った上で、定性評価を再度実施する。例えば、予測対象３０の信頼性が制約条件を下回っている場合には、ユーザＡは、信頼性が制約条件を満たすように、すなわち、補正係数（定性評価の評価点）が小さくなるように、故障対策の見直しを行う。具体的には、予測対象３０が新たに開発される機器であり、設計変更の余地がある場合、予測対象３０を構成する部品を成熟性の高い量産品に変更する対策を行うことにより、Specialty and Maturenessの評価点を下げることができる。また、予測対象３０のモニタリング間隔を短くする、モニタリングする箇所を増やす対策を行うことにより、Monitoring and Inspectionの評価点を下げることができる。さらに、設計・製造前であれば、予測対象３０を設計規格に準拠したものにすることでDesignの評価点を下げたり、設計条件を変更して荷重を低減したり、材料強度を向上することで元々の故障確率を下げることもできる。

次に、取得部１０３は、ユーザＡによる予測対象３０の定性評価結果を再取得する（ステップＳ１０８）。そうすると、第１評価部１０１は、再取得した定性評価結果に基づく補正係数を使って、補正故障率を再計算する（ステップＳ１０９）。これらの処理は、ステップＳ１０３～Ｓ１０４と同様である。

また、ユーザＡは、制約条件（信頼性、稼働率、総費用）の見直しを行ってもよい。設定部１００は、ユーザＡにより変更後の制約条件が入力されると、制約条件の再設定を行う（ステップＳ１１０）。

第１判定部１０５は、ステップＳ１０８で再計算した各予測対象３０の補正故障率と、現状の予測対象３０の補用品条件とに基づいて、製品３の信頼性、稼働率、及び総費用の再評価を行う（ステップＳ１１１）。その後、ステップＳ１０６に戻り、第１判定部１０５は、再評価した信頼性、稼働率、及び総費用が制約条件を満足するか判定する。故障予測装置１は、制約条件を満足するまで、ステップＳ１０７～Ｓ１１１の処理を繰り返し実行する。

次に、故障確率の評価及び補正を行う方法について説明する。第２評価部１０２は、設定部１００により選定された物理モデル基づいて予測対象３０の故障確率を算出する（ステップＳ１１２）。予測対象３０が複数ある場合、第２評価部１０２は、全ての予測対象３０の故障確率をそれぞれ算出する。

次に、取得部１０３は、ユーザＡによる予測対象３０の定性評価結果を取得する（ステップＳ１１３）。当該処理は、ステップＳ１０３と同様である。

補正部１０４は、ステップＳ１１１で算出した故障確率に、定性評価結果に基づく補正係数を乗じて、補正故障確率を算出する（ステップＳ１１４）。本実施形態に係る補正部１０４は、ステップＳ１０４と同様に、評価点の合計値を補正係数として求める。また、他の実施形態では、補正部１０４は、評価点の合計値が負値となった場合、評価点の絶対値の逆数、又は、指数を補正係数として用いてもよい。

図７は、本開示の第１の実施形態に係る補正故障確率の例を示す第１の図である。
図７に示すグラフＧ２０は、ある評価期間（例えば、現在から１０年間）における故障確率及び補正故障確率の時系列の一例である。グラフＧ２０の実線は、第２評価部１０２が算出した故障確率（補正前故障確率）の時系列を示す。また、グラフＧ２０の破線は、補正部１０４が補正前故障確率に補正係数を乗じて算出した補正故障確率の時系列を示す。補正部１０４は、このようにすることで、例えば予測対象３０個々の管理状態、運用実績、モニタリング間隔のような物理モデルでの考慮が難しい要素を加味した補正故障確率を算出することができる。

図８は、本開示の第１の実施形態に係る補正故障確率の例を示す第２の図である。
予測対象３０は、評価期間の途中で新品に交換される場合がある。図８の例では、時間ｔ１において予測対象３０の交換を行うとする。このとき、物理モデルから予測される故障確率（補正前故障確率）は、グラフＧ２１の実線で示すように、交換時（時間ｔ１）で一旦下がるが、時間の経過とともに再び上昇する。補正部１０４は、この補正前故障確率に補正係数を乗じることにより、グラフＧ２１の破線で示すような補正故障確率の時系列を算出する。このように、補正部１０４は、評価期間中に交換、修理等が実施される予測対象３０の補正故障確率についても、補正係数を使って算出することができる。

図９は、本開示の第１の実施形態に係る補正故障確率の例を示す第３の図である。
補正部１０４は、図９のグラフＧ２２に示すように、予測対象３０のバスタブ曲線を模擬することにより、設計寿命の消費量に応じて補正係数を変えてもよい。例えば、補正部１０４は、Life Consumptionの区間毎に、Life Consumptionの評価点及び他の評価点を合計して、各区間に対応する４つの補正係数を求める。グラフＧ２２の破線は、補正部１０４が補正前故障確率に区間毎の補正係数を乗じて算出した補正故障確率を示す。図９の例のように、予測対象３０が評価期間の途中で交換される場合、補正部１０４は、交換前後の期間（時間ｔ１より前の期間、及び、時間ｔ１以降の期間）それぞれについて、区間毎の補正係数を乗じた補正故障確率を求める。なお、補正部１０４は、図７の例のように交換が実施されない場合には、評価期間全体を４つの区間に分割して、それぞれの区間毎の補正係数を乗じて補正故障確率を求める。経年劣化による故障確率を予測する物理モデルでは、バスタブ曲線で表される初期故障（区間１における故障確率）を模擬することが難しい。しかしながら、補正部１０４は、このように、予測対象３０のバスタブ曲線を加味することにより、物理モデルでは予測しづらい初期故障を反映した補正故障確率を算出することができる。

また、予測対象３０が複数ある場合、補正部１０４は、全ての予測対象３０の補正故障確率をそれぞれ算出する。

次に、第２判定部１０６は、補正故障確率と、現状の予測対象３０の予防保全計画（予測対象３０の点検、補修、交換等の実施回数、実施時期等の予防保全計画）とに基づいて、予測対象３０の信頼性、稼働率、及び総費用の評価を行う（ステップＳ１１５）。

また、第２判定部１０６は、ステップＳ１１５で評価した信頼性、稼働率、及び総費用が、ステップＳ１０１で設定した制約条件を満足するか判定する（ステップＳ１１６）。

第２判定部１０６により信頼度、稼働率、及び総費用の何れも制約条件を満足すると判定された場合（ステップＳ１１６：ＹＥＳ）、故障予測装置１は処理を終了する。

一方、第２判定部１０６により信頼度、稼働率、及び総費用の少なくとも一つが制約条件を満足しないと判定された場合（ステップＳ１１６：ＮＯ）、提案部１０７は、予測対象３０の故障対策の見直しを提案する（ステップＳ１１７）。この処理はステップＳ１０７と同様である。ユーザＡは、少なくとも一つの評価項目の評価点が変化するように、故障対策の見直しを行った上で、定性評価を再度実施する。

次に、取得部１０３は、ユーザＡによる予測対象３０の定性評価結果を再取得する（ステップＳ１１８）。そうすると、第２評価部１０２は、再取得した定性評価結果に基づく補正係数を使って、補正故障確率を再計算する（ステップＳ１１９）。これらの処理は、ステップＳ１１３～Ｓ１１４と同様である。

また、ユーザＡは、制約条件（信頼性、稼働率、総費用）の見直しを行ってもよい。設定部１００は、ユーザＡにより変更後の制約条件が入力されると、制約条件の再設定を行う（ステップＳ１２０）。

第２判定部１０６は、ステップＳ１１９で再計算した各予測対象３０の補正故障確率と、現状の予測対象３０の予防保全計画とに基づいて、製品３の信頼性、稼働率、及び総費用の再評価を行う（ステップＳ１２１）。その後、ステップＳ１１６に戻り、第２判定部１０６は、再評価した信頼性、稼働率、及び総費用が制約条件を満足するか判定する。故障予測装置１は、制約条件を満足するまで、ステップＳ１１７～Ｓ１２１の処理を繰り返し実行する。

補正部１０４は、定性評価結果から、故障率及び故障確率で共通の補正係数を算出してもよいし、異なる補正係数を算出してもよい。例えば、定性評価の評価項目（図３）のうち、物理モデル又は統計モデルに組み込み済みの評価項目がある場合、補正部１０４は、この評価項目の評価点を補正係数から除外してもよい。具体的には、故障率が予測対象３０と同程度の複雑性を備えた機器、設備の故障統計から算出されている場合、補正部１０４は、Complexityの評価点を除外して故障率の補正係数を算出する。或いは、ＦＥＭ（Finite Element Model）等の構造解析モデル（物理モデル）において予測対象３０の構造の複雑性が考慮されている場合、補正部１０４は、Complexityの評価点を除外して故障確率の補正係数を算出する。また、例えば、Natural Environmentの評価内容（波の高さ等）が物理モデルで考慮されている場合は、Natural Environmentの評価点を除外して故障確率の補正係数を算出してもよい。これにより、補正部１０４は、故障率及び故障確率をより精度よく補正することができる。

（作用効果）
以上のように、本実施形態に係る故障予測装置１は、統計モデルを用いて予測対象３０の故障率を評価する第１評価部１０１と、物理モデルを用いて予測対象３０の故障確率を評価する第２評価部１０２と、予測対象３０を予め決められた評価項目毎に定性的に評価した定性評価結果を取得する取得部１０３と、故障率及び故障確率それぞれに対し、定性評価結果に基づく補正係数を乗じた補正故障率及び補正故障確率を算出する補正部１０４と、を備える。

このようにすることで、故障予測装置１は、故障率及び故障確率それぞれの予測結果を補正して、予測対象３０の故障に関するリスクを精度よく予測することができる。また、故障予測装置１は、予測対象３０の定性評価結果に基づく補正係数を故障率及び故障確率の双方に適用することにより、偶発故障及び経年劣化による故障の双方を、故障の蓋然性という共有の観点で評価することができる。

また、故障予測装置１は、補正故障率に基づいて予測対象３０の補用品条件が制約条件を満たすか判定する第１判定部１０５と、補正故障確率に基づいて予測対象３０の予防保全計画が制約条件を満たすか判定する第２判定部１０６と、第１判定部１０５及び第２判定部１０６の少なくとも一方が制約条件を満たさないと判定した場合に、少なくとも一つの評価項目に対応する故障対策の見直しを提案する提案部１０７と、を更に備える。

このようにすることで、故障予測装置１は、定性評価結果による補正後の故障率及び故障補正率を使って、予測対象３０が制約条件を満たしているかをより正確に評価することができる。また、故障予測装置１は、予測対象３０が制約条件を満足しない場合には、ユーザＡに対し、予測対象３０の故障対策の見直しを提案することができる。

＜第２の実施形態＞
次に、本開示の第２の実施形態に係る故障予測装置１について、図１０～図１６を参照しながら説明する。第１の実施形態と共通の構成要素には同一の符号を付して詳細説明を省略する。

（機能構成）
図１０は、本開示の第２の実施形態に係る故障予測装置の機能構成を示す図である。
図１０に示すように、本実施形態に係る故障予測装置１のＣＰＵ１０は、第１調整部１０８、及び第２調整部１０９の機能を更に有している。

第１調整部１０８は、補正故障率に基づいて補用品条件を調整する。

第２調整部１０９は、補正故障確率に基づいて予防保全計画を調整する。

（処理フロー）
図１１は、本開示の第２の実施形態に係る故障予測装置の処理の例を示すフローチャートである。
以下、図１１を参照しながら、故障予測装置１を用いて故障率及び故障確率を評価する方法、並びに、補用品条件及び予防保全計画を評価する方法について説明する。

まず、設定部１００は、故障予測モデルの選定（ステップＳ２００）と、目的関数及び制約条件の設定（ステップＳ２０１）とを行う。これらの処理は、第１の実施形態（図４のステップＳ１００～Ｓ１０１）と同じである。

次に、故障予測装置１は、ステップＳ２０２～Ｓ２０４において、予測対象３０の故障率の評価及び補正を行う。なお、ステップＳ２０２～Ｓ２０４の処理は、第１の実施形態（図４のステップＳ１０２～Ｓ１０４）と同じである。

次に、第１調整部１０８は、予測対象３０の補用品条件を調整する（ステップＳ２０５）。例えば、製品３は生産に使用される設備であるとする。予測対象３０が故障したとき、スペアとなる補用品が用意されていないと、製品３の稼働を停止する期間が長くなり、生産ロスによる損益額が大きくなる。十分な数の補用品が準備されていれば、生産ロスを小さくすることができる。一方で、補用品を多く持つほど、補用品に係るコストが増加する。したがって、第１調整部１０８は、補用品のコストの増加を抑制しつつ、生産ロス削減額を最大化することができる（すなわち、補用品による利益を最大化することができる）補用品数を決定する。

図１２は、本開示の第２の実施形態に係る第１調整部の機能を説明するための第１の図である。
図１２に示すように、第１調整部１０８は、補正故障率に基づいて、予測対象３０の評価期間（例えば、１０年間）における故障回数の確率分布Ｇ３０を求める。

図１３は、本開示の第２の実施形態に係る第１調整部の機能を説明するための第２の図である。
また、第１調整部１０８は、故障回数の確率分布Ｇ３０に基づいて、補用品数を評価する指標（ＫＰＩ）として、生産ロス削減額、補用品コスト、及び補用品による利益を表す関数を求める。図１３のグラフＧ３１は、補用品数に応じた、生産ロス削減額、補用品コスト、及び補用品による利益の予測金額を表している。図１３の例では、補用品数が１２個の場合に利益額が最大となるので、第１調整部１０８は、予測対象３０の補用品条件（補用品数）を「１２個」に設定する。

次に、第１判定部１０５は、補正故障率と、ステップＳ２０５で調整した予測対象３０の補用品条件（補用品数）とに基づいて、予測対象３０の信頼性、稼働率、及び予測対象３０のメンテナンスに係る総費用の評価を行う（ステップＳ２０６）。以降のステップＳ２０７～Ｓ２１２の処理は、第１の実施形態（図４のステップＳ１０６～Ｓ１１１）と同じである。

また、故障予測装置１は、ステップＳ２１３～Ｓ２１５において、予測対象３０の故障確率の評価及び補正を行う。なお、ステップＳ２１３～Ｓ２１５の処理は、第１の実施形態（図４のステップＳ１１２～Ｓ１１４）と同じである。

次に、第２調整部１０９は、予防保全計画（予測対象３０の点検、補修、交換等の実施回数、実施時期等）を調整する（ステップＳ２１６）。第２調整部１０９は、例えば、ＲＢＭ（Risk-Based Maintenance）の手法を使って、予測対象３０の故障リスクを算出し、メンテナンス周期（例えば、交換周期）を調整する。

図１４は、本開示の第２の実施形態に係る第２調整部の機能を説明するための第１の図である。
図１４に示すグラフＧ４０は、予測対象３０に生じる劣化の進行度について想定されるワーストケースからベストケースまでの不確実性を確率分布として設定して、予測対象３０の損傷量のシミュレーションを行ったものである。図１４の例では、予測対象３０は、評価期間（サービス提供期間）中に所定間隔で２回の交換が行われる。また、各交換周期において、予測対象３０の損傷量が破損限界を超過する確率Ｐｆは、予測対象の故障確率を表す。第２調整部１０９は、この故障確率Ｐｆに補正係数を乗じた補正故障確率を使って、予測対象３０の評価期間中の故障回数の期待値を求める。

図１５は、本開示の第２の実施形態に係る第２調整部の機能を説明するための第２の図である。
第２調整部１０９は、予測対象３０の故障回数の期待値に基づいて、予測対象３０の予防保全費と、事後保全費の期待値とを求める。予防保全費は、予測対象３０の交換に要する費用である。事後保全費は、実際の事後保全に要するコストに補正故障確率を乗算することで、期待値として求められる。図１５のグラフＧ４１は、予測対象３０の交換周期の長さと、予測対象３０の予防保全費、事後保全費、及びこれらの合計である総保全費との関係の一例を示すものである。交換周期が長くなるほど、予防保全費は小さくなる。一方で、予測対象３０の交換周期が長くなるほど、事後保全費が大きくなる。第２調整部１０９は、予防保全費と事後保全費とを合計した総保全費が最小となる交換周期を、最適交換周期として設定する。

また、例えば予測対象３０が複数の部材からなる構造体である場合、交換周期毎に予測対象３０の一部を交換するメンテナンスを行ってもよい。この場合、第２調整部１０９は、交換周期毎の交換部位（メンテナンス範囲）を設定してもよい。例えば、第２調整部１０９は、予測対象３０を構成する部材のうち、各回の交換周期では、故障確率が高い上位Ｘ％の部材を交換すると設定する。なお、交換された部材は故障確率が下がるため、各回で交換される部材は変わる。これにより、第２調整部１０９は、予測対象３０が破損限界を超えないようにしつつ、交換周期毎に全ての部材を交換するよりも予防保全費用を低減することが可能な予防保全計画を設定することができる。

図１６は、本開示の第２の実施形態に係る第２調整部の機能を説明するための第３の図である。
第２調整部１０９は、ユーザＡによるメンテナンスメニュー（予防保全周期、メンテナンス範囲）の選択を受け付けるようにしてもよい。このとき、第２調整部１０９は、例えば図１６に示すように、メンテナンスメニュー毎のパレート効率性を示すグラフＧ４２をユーザＡに提示する。グラフＧ４２は、メンテナンスメニュー毎の予防保全費と信頼性との関係を表した例である。信頼性の閾値、メンテナンス費用の閾値は、ステップＳ１０１で設定された制約条件を示す。なお、他の実施形態では、グラフＧ４２は、信頼性及び総費用、総費用及び予防保全費の関係を表すものであってもよい。総費用は、予防保全費用と事故の影響度を合計したものであり、事故の影響度には、復旧工事費用、事故調査費用、故障停止期間中の生産損失なども含む。ユーザＡは、このグラフＧ４２を参照して、信頼性及びメンテナンス費用の両方の制約条件を満たすメンテナンスメニューを選択する。また、ユーザＡは、制約条件を満たすメンテナンスメニューの内容を確認して、最適なものを選択するようにしてもよい。第２調整部１０９は、ユーザＡにより選択されたメンテナンスメニューに基づいて、予防保全計画を設定する。

次に、第２判定部１０６は、補正故障確率と、ステップＳ２１７で調整した予測対象３０の予防保全計画とに基づいて、予測対象３０の信頼性、稼働率、及び予測対象３０のメンテナンスに係る総費用の評価を行う（ステップＳ２１７）。以降のステップＳ２１８～Ｓ２２３の処理は、第１の実施形態（図４のステップＳ１１６～Ｓ１２１）と同じである。

（作用効果）
以上のように、本実施形態に係る故障予測装置１は、補正故障率に基づいて補用品条件を調整する第１調整部１０８を更に備える。

このようにすることで、故障予測装置１は、補正故障率に基づいて、最適な補用品条件を精度よく設定することができる。

また、故障予測装置１は、補正故障確率に基づいて予防保全計画を調整する第２調整部１０９を更に備える。

このようにすることで、故障予測装置１は、補正故障確率に基づいて、最適な予防保全計画を精度よく設定することができる。

＜第３の実施形態＞
次に、本開示の第２の実施形態に係る故障予測装置１について、図１７～図１８を参照しながら説明する。第１～第２の実施形態と共通の構成要素には同一の符号を付して詳細説明を省略する。

（機能構成）
図１７は、本開示の第３の実施形態に係る故障予測装置の機能構成を示す図である。
図１７に示すように、本実施形態に係る故障予測装置１のＣＰＵ１０は、第３調整部１１０の機能を更に有している。

第３調整部１１０は、複数の予測対象３０それぞれの補正故障率、補正故障確率、補用品条件、及び予防保全計画に基づいて、製品３全体について予め設定された制約条件を満たすように、複数の予測対象それぞれの補用品条件及び予防保全計画を調整する。

（処理フロー）
図１８は、本開示の第３の実施形態に係る故障予測装置の処理の例を示すフローチャートである。
以下、図１８を参照しながら、故障予測装置１を用いて故障率及び故障確率を評価する方法、並びに、補用品条件及び予防保全計画を評価する方法について説明する。

まず、設定部１００は、複数の予測対象３０それぞれの故障予測モデルの選定（ステップＳ３００）と、製品３全体の目的関数及び制約条件の設定（ステップＳ３０１）とを行う。これらの処理は、第１の実施形態（図４のステップＳ１００～Ｓ１０１）と同じである。

次に、故障予測装置１は、ステップＳ３０２～Ｓ３０４において、予測対象３０の故障率の評価及び補正を行い、ステップＳ３０５において補用品条件の調整を行う。ステップＳ３０２～Ｓ３０５の処理は、第２の実施形態（図１１のステップＳ２０２～Ｓ２０５）と同じである。

また、故障予測装置１は、ステップＳ３０６～Ｓ３０８において、予測対象３０の故障確率の評価及び補正を行い、ステップＳ３０９において予防保全計画の調整を行う。ステップＳ３０６～Ｓ３０９の処理は、第２の実施形態（図１１のステップＳ２１３～Ｓ２１６）と同じである。

次に、第３調整部１１０は、第１調整部１０８及び第２調整部１０９が補用品条件及び予防保全計画の調整を行う際に算出した各種パラメータ（図１２～図１６）に基づいて、製品３の全ての予測対象３０の目的変数（信頼度又は総費用）の感度を算出する（ステップＳ３１０）。

例えば、第３調整部１１０は、各予測対象３０について、図１６に示すパレート効率性のグラフＧ４２を作成する。また、第３調整部１１０は、予測対象３０の信頼性、又はメンテナンスの総費用のうち、予め設定された方、又は、ユーザＡに指定された方を目的変数として設定する。そして、第３調整部１１０は、予測対象３０の予防保全費を説明変数Ｍ_ｉとして、予測対象３０の目的変数（信頼性Ｒ_ｉ、又は総費用Ｔ_ｉ）に対する回帰式を作成する。製品３がｎ個の予測対象３０を有している場合、ｉは１からｎまでの整数である。

また、第３調整部１１０は、初期メンテナンス計画における予防保全費Ｍ_ｉ，ｊ（ｊ＝０）における、予測対象３０の信頼性感度及び総費用感度を算出する。初期メンテナンス計画は、予めユーザＡにより設定されたメンテナンス計画である。また、初期メンテナンス計画は複数設定されていてもよい。信頼性感度は、以下の式（２）で表される。また、総費用感度は、以下の式（３）で表される。ここで、ｉは機器ＩＤを表し、ｊは機器、設備に対するメンテナンス条件ＩＤを表す。

第３調整部１１０は、製品３を構成する全ての予測対象３０について、信頼性感度及び総費用感度を算出する。

次に、第３調整部１１０は、算出した信頼性感度及び総費用感度に基づいて、製品３全体のメンテナンスメニューを設定する（ステップＳ３１１）。

具体的には、第３調整部１１０は、目的変数を大きく向上させる説明変数（予防保全費Ｍ_ｉ）である高感度変数と、目的変数への影響が小さい説明変数である低感度変数を抽出する。そして、第３調整部１１０は、高感度変数を増加（予防保全費を増加）させるように、製品３のメンテナンスメニューを設定する。また、第３調整部１１０は、低感度変数を現状維持、又は低下させるように、製品３のメンテナンスメニューを設定してもよい。

例えば目的変数が信頼性である場合、第３調整部１１０は、信頼性を高くする影響が大きい説明変数（予防保全費Ｍ_ｉ）のうち上位Ｘ％（例えば１０％）を高感度変数として抽出し、信頼度への影響が小さい説明変数のうち上位Ｙ％（例えば１０％）を低感度変数として抽出する。なお、Ｘ、Ｙは任意の値であり、それぞれ異なる値が設定されてもよい。第３調整部１１０は、信頼性を大きく向上させる予防保全費Ｍ_ｉが増加するように、すなわち、予防保全費Ｍ_ｉに関連する予測対象３０の予防保全を優先するように、メンテナンスメニューを設定する。また、第３調整部１１０は、信頼性への影響が小さい予防保全費Ｍ_ｉに関連する予測対象３０については、予防保全の優先度を現状維持、又は低下させてもよい。

また、例えば目的変数が総費用である場合、第３調整部１１０は、総費用を低くする影響が大きい説明変数（予防保全費Ｍ_ｉ）のうち上位Ｘ％を高感度変数として抽出し、総費用への影響が小さい説明変数のうち上位Ｙ％を低感度変数として抽出する。第３調整部１１０は、総費用を大きく低減させる予防保全費Ｍ_ｉが増加するように、すなわち、予防保全費Ｍ_ｉに関連する予測対象３０の予防保全を優先するように、メンテナンスメニューを設定する。また、第３調整部１１０は、総費用への影響が小さい予防保全費Ｍ_ｉに関連する予測対象３０については、予防保全の優先度を現状維持、又は低下させてもよい。

次に、第１判定部１０５（又は、第２判定部１０６）は、各予測対象３０の補正故障率及び補正故障確率と、ステップＳ３１１で設定したメンテナンスメニューとに基づいて、製品３全体の信頼性、稼働率、及び総費用の評価を行う（ステップＳ３１２）。この処理は、第２の実施形態（図１１のステップＳ２０６、Ｓ２１７）と同じである。また、以降のステップＳ３１３～Ｓ３１８の処理は、第２の実施形態（図１１のステップＳ２０７～Ｓ２１２、Ｓ２１８～Ｓ２２３）と同じである。

また、第３調整部１１０は、更新されたメンテナンス計画（メンテナンスメニュー）における予防保全費Ｍ_ｉ，ｊ（ｊ＝１，２，…）における感度を計算しながら、制約条件を満たす範囲で信頼性最大、或いは、総費用最小のメンテナンスメニューを探索するようにしてもよい。

（作用効果）
以上のように、本実施形態に係る故障予測装置１は、複数の予測対象３０それぞれの補正故障率、補正故障確率、補用品条件、及び予防保全計画に基づいて、製品３全体について予め設定された制約条件を満たすように、製品３全体の補用品条件及び予防保全計画を調整する第３調整部１１０を更に備える。

このようにすることで、故障予測装置１は、製品３全体のメンテナンス計画を最適化することができる。

以上、本開示の実施形態について詳細に説明したが、本発明の技術的思想を逸脱しない限り、これらに限定されることはなく、多少の設計変更等も可能である。

＜付記＞
上述の実施形態に記載の故障予測装置、故障予測方法、及びプログラムは、例えば以下のように把握される。

（１）本開示の第１の態様によれば、故障予測装置（１）は、予測対象（３０）の故障に関するデータに基づいて生成された統計モデルを用いて、予測対象（３０）の偶発故障の確率を表す故障率を評価する第１評価部（１０１）と、予測対象（３０）の設計データに基づいて生成された物理モデルを用いて、予測対象（３０）の経年劣化による故障の確率を表す故障確率を評価する第２評価部（１０２）と、予測対象（３０）を予め決められた評価項目毎に定性的に評価した定性評価結果を取得する取得部（１０３）と、故障率及び故障確率それぞれに対し、定性評価結果に基づく補正係数を乗じた補正故障率及び補正故障確率を算出する補正部（１０４）と、を備える。

このようにすることで、故障予測装置は、故障率及び故障確率それぞれの予測結果を補正して、予測対象の故障に関するリスクを精度よく予測することができる。また、故障予測装置は、予測対象の定性評価結果に基づく補正係数を故障率及び故障確率の双方に適用することにより、偶発故障及び経年劣化による故障の双方を、故障の蓋然性という共有の観点で評価することができる。

（２）本開示の第２の態様によれば、第１の態様に係る故障予測装置（１）は、補正故障率に基づいて、予測対象（３０）の補用品条件が予測対象（３０）に対し予め設定された制約条件を満たすか判定する第１判定部（１０５）と、補正故障確率に基づいて、予測対象（３０）の予防保全計画が予測対象（３０）に対し予め設定された制約条件を満たすか判定する第２判定部（１０６）と、第１判定部（１０５）及び第２判定部（１０６）の少なくとも一方が制約条件を満たさないと判定した場合に、少なくとも一つの評価項目に対応する故障対策の見直しを提案する提案部（１０７）と、を更に備える。

このようにすることで、故障予測装置は、定性評価結果による補正後の故障率及び故障補正率を使って、予測対象が制約条件を満たしているかをより正確に評価することができる。また、故障予測装置は、予測対象が制約条件を満足しない場合には、ユーザに対し、予測対象の故障対策の見直しを提案することができる。

（３）本開示の第３の態様によれば、第２の態様に係る故障予測装置（１）は、補正故障率に基づいて補用品条件を調整する第１調整部（１０８）を更に備える。

このようにすることで、故障予測装置は、補正故障率に基づいて、最適な補用品条件を精度よく設定することができる。

（４）本開示の第４の態様によれば、第２又は第３の態様に係る故障予測装置（１）は、補正故障確率に基づいて予防保全計画を調整する第２調整部（１０９）を更に備える。

このようにすることで、故障予測装置は、補正故障確率に基づいて、最適な予防保全計画を精度よく設定することができる。

（５）本開示の第５の態様によれば、第１から第４の何れか一の態様に係る故障予測装置（１）は、複数の予測対象（３０）それぞれの補正故障率、補正故障確率、補用品条件、及び予防保全計画に基づいて、複数の予測対象（３０）からなる製品（３）全体について予め設定された制約条件を満たすように、製品（３）全体における補用品条件及び予防保全計画を調整する第３調整部（１１０）を更に備える。

このようにすることで、故障予測装置は、製品全体のメンテナンス計画を最適化することができる。

（６）本開示の第６の態様によれば、故障予測方法は、予測対象（３０）の故障に関するデータに基づいて生成された統計モデルを用いて、予測対象（３０）の偶発故障の確率を表す故障率を評価するステップと、予測対象（３０）の設計データに基づいて生成された物理モデルを用いて、予測対象（３０）の経年劣化による故障の確率を表す故障確率を評価するステップと、予測対象（３０）を予め決められた評価項目毎に定性的に評価した定性評価結果を取得するステップと、故障率及び故障確率それぞれに対し、定性評価結果に基づく補正係数を乗じた補正故障率及び補正故障確率を算出するステップと、を有する。

（７）本開示の第７の態様によれば、プログラムは、予測対象（３０）の故障に関するデータに基づいて生成された統計モデルを用いて、予測対象（３０）の偶発故障の確率を表す故障率を評価するステップと、予測対象（３０）の設計データに基づいて生成された物理モデルを用いて、予測対象（３０）の経年劣化による故障の確率を表す故障確率を評価するステップと、予測対象（３０）を予め決められた評価項目毎に定性的に評価した定性評価結果を取得するステップと、故障率及び故障確率それぞれに対し、定性評価結果に基づく補正係数を乗じた補正故障率及び補正故障確率を算出するステップと、を故障予測装置（１）のコンピュータに実行させる。

１ 故障予測装置
１０ ＣＰＵ
１００ 設定部
１０１ 第１評価部
１０２ 第２評価部
１０３ 取得部
１０４ 補正部
１０５ 第１判定部
１０６ 第２判定部
１０７ 提案部
１０８ 第１調整部
１０９ 第２調整部
１１０ 第３調整部
１１ メモリ
１２ ストレージ
１３ 接続インタフェース
１４ 通信インタフェース
２Ａ 表示装置
２Ｂ 入力装置
３ 製品
３０ 予測対象

Claims (7)

1. 予測対象の故障に関するデータに基づいて生成された統計モデルを用いて、前記予測対象の偶発故障の確率を表す故障率を評価する第１評価部と、
   前記予測対象の設計データに基づいて生成された物理モデルを用いて、前記予測対象の経年劣化による故障の確率を表す故障確率を評価する第２評価部と、
   前記予測対象を予め決められた評価項目毎に定性的に評価した定性評価結果を取得する取得部と、
   前記故障率及び前記故障確率それぞれに対し、前記定性評価結果に基づく補正係数を乗じた補正故障率及び補正故障確率を算出する補正部と、
   を備える故障予測装置。
2. 前記補正故障率に基づいて、前記予測対象の補用品条件が前記予測対象に対し予め設定された制約条件を満たすか判定する第１判定部と、
   前記補正故障確率に基づいて、前記予測対象の予防保全計画が前記予測対象に対し予め設定された制約条件を満たすか判定する第２判定部と、
   前記第１判定部及び前記第２判定部の少なくとも一方が前記制約条件を満たさないと判定した場合に、少なくとも一つの前記評価項目に対応する故障対策の見直しを提案する提案部と、
   を更に備える、請求項１に記載の故障予測装置。
3. 前記補正故障率に基づいて前記補用品条件を調整する第１調整部を更に備える、
   請求項２に記載の故障予測装置。
4. 前記補正故障確率に基づいて前記予防保全計画を調整する第２調整部を更に備える、
   請求項２又は３の何れか一項に記載の故障予測装置。
5. 複数の前記予測対象それぞれの前記補正故障率、前記補正故障確率、前記補用品条件、及び前記予防保全計画に基づいて、複数の前記予測対象からなる製品全体について予め設定された制約条件を満たすように、前記製品全体における補用品条件及び予防保全計画を調整する第３調整部を更に備える、
   請求項２から４の何れか一項に記載の故障予測装置。
6. 予測対象の故障に関するデータに基づいて生成された統計モデルを用いて、前記予測対象の偶発故障の確率を表す故障率を評価するステップと、
   前記予測対象の設計データに基づいて生成された物理モデルを用いて、前記予測対象の経年劣化による故障の確率を表す故障確率を評価するステップと、
   前記予測対象を予め決められた評価項目毎に定性的に評価した定性評価結果を取得するステップと、
   前記故障率及び前記故障確率それぞれに対し、前記定性評価結果に基づく補正係数を乗じた補正故障率及び補正故障確率を算出するステップと、
   を有する故障予測方法。
7. 予測対象の故障に関するデータに基づいて生成された統計モデルを用いて、前記予測対象の偶発故障の確率を表す故障率を評価するステップと、
   前記予測対象の設計データに基づいて生成された物理モデルを用いて、前記予測対象の経年劣化による故障の確率を表す故障確率を評価するステップと、
   前記予測対象を予め決められた評価項目毎に定性的に評価した定性評価結果を取得するステップと、
   前記故障率及び前記故障確率それぞれに対し、前記定性評価結果に基づく補正係数を乗じた補正故障率及び補正故障確率を算出するステップと、
   を故障予測装置のコンピュータに実行させるプログラム。

Images