JP2024040655A - 故障予測システムおよび故障予測方法 - Google Patents

Abstract

【課題】機器故障の予測精度に優れた故障予測技術を提供する。【解決手段】故障予測システム１は、複数回の作動を繰り返す機器１０の故障予測を行うものであり、機器１０の起動から停止までに要した作動時間ｔを１回毎に検出する作動時間検出部２１と、作動時間検出部２１で検出された作動時間ｔに基づいて機器１０の任意の第ｎ回目から第（ｎ＋２）回目までの作動時間ｔの推移情報Ｉを導出する推移情報導出部２２と、推移情報導出部２２で導出された推移情報Ｉに基づいて作動時間ｔが第ｎ回目から第（ｎ＋２）回目まで連続して上昇したと判定したときに機器１０の故障発生時期が近いと予測する故障予測部２３と、を備える。【選択図】図１

Description

本発明は、機器の故障を予測する技術に関する。

車両の生産設備では、繰り返し作動する多数の機器が使用されている。このため、各機器の故障は、生産設備の長時間停止の要因に成り得る。設備故障を管理するために、例えば、下記特許文献１には、設備故障診断方法が開示されている。この設備故障診断方法は、設備の１サイクルの動作状況に基づいて故障の発生を判定したときに、この設備故障に関与した機器を特定して表示する技術である。この設備故障診断方法によれば、故障の発見に要する労力を低減させることができる。

特開平５－１８９０２６号公報

生産設備の長時間停止を避けるためには、機器故障が発生する前に異常を把握して対処する技術が求められる。これに対して、上記の設備故障診断方法は、既に故障に至った機器を特定する技術であって機器が故障に至る前の異常を判定するものではないところ、上述の問題を解決するための対策として採用するのが難しい。また、各機器を事前にメンメンテナンスし、その後の累積作動時間の管理上限値を定めて稼働保証を実施するようにしても、各機器の故障は、累積作動時間の管理上限値に到達するまでの期間であっても関係なく発生し得るため、設備管理上の本質的な問題解決に成り得ない。

本発明は、かかる課題に鑑みてなされたものであり、機器故障の予測精度に優れた故障予測技術を提供しようとするものである。

本発明の一態様は、
複数回の作動を繰り返す機器の故障予測を行う故障予測システムであって、
上記機器の起動から停止までに要した作動時間を１回毎に検出する作動時間検出部と、
上記作動時間検出部で検出された上記作動時間に基づいて上記機器の任意の第ｎ回目から第（ｎ＋２）回目までの上記作動時間の推移情報を導出する推移情報導出部と、
上記推移情報導出部で導出された上記推移情報に基づいて上記作動時間が上記第ｎ回目から上記第（ｎ＋２）回目まで連続して上昇したと判定したときに上記機器の故障発生時期が近いと予測する故障予測部と、
を備える、故障予測システム、
にある。

本発明の別の態様は、
複数回の作動を繰り返す機器の故障予測を行う故障予測方法であって、
上記機器の起動から停止までに要した作動時間を作動時間検出部によって１回毎に検出する作動時間検出ステップと、
上記作動時間検出ステップで検出した上記作動時間に基づいて上記機器の任意の第ｎ回目から第（ｎ＋２）回目までの上記作動時間の推移情報を推移情報導出部によって導出する推移情報導出ステップと、
上記推移情報導出ステップで導出した上記推移情報に基づいて上記作動時間が上記第ｎ回目から上記第（ｎ＋２）回目まで連続して上昇したと判定したときに上記機器の故障発生時期が近いと故障予測部によって予測する故障予測ステップと、
を有する、故障予測方法、
にある。

上述の各態様では、複数回の作動を繰り返す機器の作動時間が１回毎に検出される。また、検出された作動時間に基づいて機器の任意の第ｎ回目から第（ｎ＋２）回目までの作動時間の推移情報が導出される。そして、導出した推移情報に基づいて作動時間が第ｎ回目から第（ｎ＋２）回目まで３回連続して上昇したと判定したときに機器の故障発生時期が近いと予測する。これにより、機器の直近の連続３回分の作動時間の推移を比較して機器の故障発生を予測することができ、機器の仕様上の保証上限値や、機器のメンテナンス時に設定された保証上限値などに頼らない精度の高い故障予測を行うことが可能になる。その結果、機器の故障発生前に異常に対処することができ、複数の機器を備える生産設備の長時間停止の発生を抑制できる。

以上のごとく、上述の各態様によれば、機器故障の予測精度に優れた故障予測技術を提供することができる。

実施形態１の故障予測システムの構成図。 図１中の故障予測部における故障予測処理の考え方について説明するための図。 図２を部分的に拡大して示す図。 実施形態１の故障予測方法のフローチャートを示す図。 実施形態２について図２に対応した図。

上述の態様の好ましい実施形態について以下に説明する。

上述の態様の故障予測システムにおいて、上記推移情報導出部は、上記機器の作動回数を横軸とし上記作動時間の累積値である累積作動時間を縦軸とする散布図を上記推移情報として導出するように構成され、上記故障予測部は、上記推移情報導出部で導出された上記散布図において上記累積作動時間の上記第ｎ回目から上記第（ｎ＋２）回目まで３点データが上昇曲線で結ばれるときに上記機器の故障発生時期が近いと予測するように構成されているのが好ましい。

この故障予測システムによれば、機器の作動時間から導出された散布図を使用して累積作動時間の第ｎ回目から第（ｎ＋２）回目まで３点データと上昇曲線との関係に基づいて機器の故障予測を行うことができる。

上述の態様の故障予測システムにおいて、上記推移情報導出部は、上記機器の作動回数を横軸とし上記作動時間の累積値である累積作動時間を縦軸とする散布図を上記推移情報として導出するように構成され、上記故障予測部は、上記推移情報導出部で導出された上記散布図において上記累積作動時間の上記第ｎ回目から上記第（ｎ＋２）回目まで３点データが上昇曲線で結ばれ、且つ上記上昇曲線の延長線上にくると推定される上記第（ｎ＋３）回目の上記累積作動時間が予め定められた管理上限値を超えるときに上記機器の故障発生時期が近いと予測するように構成されているのが好ましい。

この故障予測システムによれば、機器の直近の連続３回分の作動状況に加えて、管理上限値をもその故障予測に反映させることができ、機器の直近の連続３回分の作動状況のみに基づいて分析する場合に比べて、故障予測精度を高めることができる。

上述の態様の故障予測システムにおいて、上記上昇曲線は、二次曲線或いは二次曲線で近似される近似曲線を構成するものであるのが好ましい。

この故障予測システムによれば、上昇曲線を比較的単純な二次曲線或いはその近似曲線とすることで、累積作動時間の第ｎ回目から上記第（ｎ＋２）回目まで３点データが上昇曲線で結ばれるか否かを判定する処理を簡素化することができる。

上述の態様の故障予測システムは、上記故障予測部による予測結果をユーザに対して報知出力する報知出力部を備えるのが好ましい。

この故障予測システムによれば、機器の故障発生時期が近いことを生産設備の現場のユーザに速やかに知らせることができる。

上述の態様の故障予測方法において、上記推移情報導出ステップでは、上記機器の作動回数を横軸とし上記作動時間の累積値である累積作動時間を縦軸とする散布図を上記推移情報として導出し、上記故障予測ステップでは、上記推移情報導出ステップで導出した上記散布図において上記累積作動時間の上記第ｎ回目から上記第（ｎ＋２）回目まで３点データが上昇曲線で結ばれるときに上記機器の故障発生時期が近いと予測するのが好ましい。

この故障予測方法によれば、散布図において累積作動時間の第ｎ回目から上記第（ｎ＋２）回目まで３点データと上昇曲線との関係に基づいて機器の故障予測を行うことができる。

上述の態様の故障予測方法において、上記推移情報導出ステップでは、上記機器の作動回数を横軸とし上記作動時間の累積値である累積作動時間を縦軸とする散布図を上記推移情報として導出し、上記故障予測ステップでは、上記推移情報導出ステップで導出した上記散布図において上記累積作動時間の上記第ｎ回目から上記第（ｎ＋２）回目まで３点データが上昇曲線で結ばれ、且つ上記上昇曲線の延長線上にくると推定される上記第（ｎ＋３）回目の上記累積作動時間が予め定められた管理上限値を超えるときに上記機器の故障発生時期が近いと予測するのが好ましい。

この故障予測方法によれば、機器の直近の連続３回分の作動状況に加えて、管理上限値をもその故障予測に反映させることができ、機器の直近の連続３回分の作動状況のみに基づいて分析する場合に比べて、故障予測精度を高めることができる。

上述の態様の故障予測方法において、上記上昇曲線は、二次曲線或いは二次曲線で近似される近似曲線を構成するものであるのが好ましい。

この故障予測方法によれば、上昇曲線を比較的単純な二次曲線或いはその近似曲線とすることで、累積作動時間の第ｎ回目から上記第（ｎ＋２）回目まで３点データが上昇曲線で結ばれるか否かを判定する処理を簡素化することができる。

上述の態様の故障予測方法は、上記故障予測ステップによる予測結果を報知出力部によってユーザに対して報知出力する報知出力ステップを有するのが好ましい。

この故障予測方法によれば、機器の故障発生時期が近いことを生産設備の現場のユーザに速やかに知らせることができる。

以下、複数回の作動を繰り返す機器の故障予測を行う技術を具現化するための実施形態について図面を参照しつつ説明する。

（実施形態１）
図１に示されるように、実施形態１にかかる故障予測システム１は、車両の生産設備に設けられるものであり、制御盤１１と、データサーバー１４と、設備管理装置２０と、を備えている。

各制御盤１１は、制御対象である機器１０に電気的に接続されている。機器１０として典型的には、モータ、シリンダなどの作動機器が挙げられる。制御盤１１には、機器１０の起動及び停止を検知する複数のセンサ１２が搭載されている。複数のセンサ１２によるデータＤは、入出力時間計測器１３（以下、単に「計測器１３」という。）で計測される。計測器１３が計測したデータＤは、データサーバー１４に伝送されて蓄積される。このデータＤには、機器１０の実際の起動及び停止のタイミングを特定できるセンサ情報（例えば、センサ１２から機器１０への入力信号の出力時刻、機器１０からセンサ１２への出力信号の検出時刻、各センサ１２のＯＮ時間及びＯＦＦ時間など）が含まれている。データサーバー１４に蓄積されたデータＤは、無線方式或いは有線方式の通信回線ＮＴを介して設備管理装置２０に伝送される。

設備管理装置２０は、既知のＣＰＵ（Central Processing Unit）、ＲＯＭ、ＲＡＭ、外部機器との間での入出力を行うインターフェース等を有するコンピュータ装置である。この設備管理装置２０は、デスクトップ型若しくはノート型のパーソナルコンピュータ（ＰＣ）、タブレット端末、モバイル端末などによって構成されるのが好ましい。

設備管理装置２０は、計測器１３が計測したデータＤに基づいて、故障予測システム１の本質的な機能、すなわち複数回の作動を繰り返す機器１０の故障予測を行う機能を果たすものである。この設備管理装置２０は、作動時間検出部２１と、推移情報導出部２２と、故障予測部２３と、報知出力部２４と、を備えている。

計測器１３によれば、機器１０の起動から停止までに要した作動時間ｔに関する情報が作動１回毎に計測される。ここでいう「１回」を「１サイクル」ということもできる。このときの作動時間ｔは、作動時間検出部２１が前述のデータＤを用いて演算処理することによって検出される。すなわち、作動時間検出部２１は、計測器１３との協働によって、機器１０の起動から停止までに要した作動時間ｔを１回毎に検出するように構成されている。推移情報導出部２２は、作動時間ｔの推移情報Ｉｔ（後述の散布図Ｓ）を導出するように構成されている。故障予測部２３は、後述の所定の判定結果に基づいて、機器１０の故障発生時期が近いと予測するように構成されている。報知出力部２４は、故障予測部２３による予測結果をユーザに対して報知出力するように構成されている。

次に、設備管理装置２０による具体的な処理内容を、図２～図４を参照しつつ説明する。なお、実施形態１の故障予測方法は、機器１０の故障予測を行う方法であり、図４の第１ステップＳ１０１から第４ステップＳ１０４までのステップを順次実行することによって可能になる。本形態では、これらのステップの全てを設備管理装置２０が実行するのが好ましい。

作動時間検出部２１は、図４中の第１ステップＳ１０１（作動時間検出ステップ）によって、機器１０の作動時間ｔを検出する。推移情報導出部２２は、引き続いて、図４中の第２ステップＳ１０２（推移情報導出ステップ）によって、作動時間検出部２１で検出された作動時間ｔに基づいて連続した任意の３回分の作動時間ｔの推移情報Ｉｔを導出する。推移情報導出部２２は、機器１０の任意の第ｎ回目から第（ｎ＋２）回目までの作動時間ｔの推移情報Ｉｔとして散布図Ｓ（図２を参照）を導出する。そして、故障予測部２３は、図４中の第３ステップＳ１０３（故障予測ステップ）によって、散布図Ｓを用いて故障予測処理を行う。

ここで、図２中の散布図Ｓについて説明する。この散布図Ｓは、機器１０の作動回数Ｎを横軸とし作動時間ｔの累積値である累積作動時間Ｔを縦軸とするものである。この散布図Ｓにおいて、横軸の作動回数Ｎの間隔は一定である。本形態では、機器１０の第（ｎ－１）回目から第（ｎ＋３）回目までの作動回数Ｎについて、作動回数Ｎと累積作動時間Ｔとの相関を示す散布図Ｓが例示されている。

この散布図Ｓにおいて、機器１０が異常のない正常な状態で運転されているときには、その機器１０の可動部分（図示省略）のあたりが付くまでの初期状態を除いて、各回の累積作動時間Ｔを結ぶと右肩上がりの直線である基準線Ｌｒになる。すなわち、機器１０の作動時間ｔが全ての回で概ね一定となる。ところが、機器１０に異常が出始めると、次回までの累積作動時間Ｔの上昇分（すなわち、実際に要した作動時間ｔ）が増える。この場合、累積作動時間Ｔの前回と次回との時間差が正常時の時間差ΔＴを上回る。図２では、累積作動時間Ｔ（ｎ＋１）と累積作動時間Ｔ（ｎ）の時間差Ａと、累積作動時間Ｔ（ｎ＋２）と累積作動時間Ｔ（ｎ＋１）の時間差Ｂはいずれも、正常時の時間差ΔＴを上回っている。

故障予測部２３による故障予測処理は、図２の散布図Ｓに基づいて作動時間ｔが第ｎ回目から第（ｎ＋２）回目まで３回連続して上昇したと判定したときに機器１０の故障発生時期が近いと予測する処理である。作動時間ｔが連続して上昇したことの判定は、具体的には、散布図Ｓにおいて累積作動時間Ｔの第ｎ回目から第（ｎ＋２）回目まで３点データが上昇曲線Ｌで結ばれるか否かによって行われる。そして、これら３点データが上昇曲線Ｌで結ばれるときに機器１０の故障発生時期が近いと予測し、そうでない場合には機器１０がその後直ぐには故障に至らないと予測する。

ここでいう「上昇曲線Ｌ」とは、第ｎ回目から第（ｎ＋２）回目までの範囲で実質的に下に凸であり且つ微分係数（各プロット点における接線に傾きが）が常に正の曲線をいう。このとき、微分係数は一定でもあっても一定でなくてもよい。この上昇曲線Ｌは、典型的には、係数が正の二次曲線或いはこの二次曲線で近似される近似曲線を構成するものであるのが好ましい。上昇曲線Ｌを比較的単純な二次曲線或いはその近似曲線とすることで、上記３点データが上昇曲線Ｌで結ばれるか否かを判定する処理を簡素化することができる。一方で、上昇曲線Ｌは、二次曲線やその近似曲線のみに限定されるものではなく、必要に応じてその他の曲線を適用してもよい。

上記３点データがこのような上昇曲線Ｌで結ばれるときには、この上昇曲線Ｌの延長線上（すなわち、図２中の二点鎖線で示される曲線上）に第（ｎ＋３）回目の累積作動時間Ｔ（ｎ＋３）がプロットされると推定される（図２中の□プロットを参照）。したがって、累積作動時間Ｔが第（ｎ＋３）回目に大幅に増えて、予め定められた管理上限値ＵＬを超える可能性が高い。管理上限値ＵＬとして、典型的には、機器１０の仕様上の保証上限値、或いは機器１０のメンテナンス時に設定された保証上限値が挙げられる。このため、累積作動時間Ｔが管理上限値ＵＬを超えると機器１０が実際に故障に至る可能性が高い。

そこで、本形態は、上記３点データと上昇曲線Ｌとの関係に基づいて機器１０の故障予測を行うものであり、上記３点データが上昇曲線Ｌで結ばれるときに、機器１０の故障発生時期が近いと予測するようにしている。そして、直近の連続３回分の累積作動時間Ｔを１セットとして予測を継続する。これにより、管理上限値ＵＬを使用することなく、機器１０の直近の連続３回分の作動状況を常時に分析して、その分析結果を機器１０の故障予測に反映させることができる。

また、これに代えて、上記３点データが上昇曲線Ｌで結ばれ、且つ上昇曲線Ｌの延長線上にくると推定される第（ｎ＋３）回目の累積作動時間Ｔ（ｎ＋３）と第（ｎ＋２）回目の累積作動時間Ｔ（ｎ＋２）との時間差が時間差Ｂ（図２を参照）の２倍以上であるときに、機器１０の故障発生時期が近いと予測するようにしてもよい。これにより、機器１０の故障予測の精度を高めるのに有効である。

或いは、上記３点データが上昇曲線Ｌで結ばれ、且つ上昇曲線Ｌの延長線上にくると推定される第（ｎ＋３）回目の累積作動時間Ｔ（ｎ＋３）が管理上限値ＵＬを超えるときに、機器１０の故障発生時期が近いと予測するようにしてもよい。これにより、機器１０の直近の連続３回分の作動状況に加えて、管理上限値ＵＬをもその故障予測に反映させることができる。この場合、機器１０の直近の連続３回分の作動状況のみに基づいて分析する場合に比べて、故障予測精度を高めることができる。

これに対して、図２の一部である図３に示されるように、上記３点データが上昇曲線Ｌで結ばれない例として、例えば、直線Ｌａで結ばれる第１比較例、曲線Ｌｂで結ばれる第２比較例、曲線Ｌｃで結ばれる第３比較例などが挙げられる。

第１比較例では、累積作動時間Ｔが第ｎ回目から第（ｎ＋２）回目まで３回連続して上昇しているものの上記３点データが直線Ｌａで結ばれるため、本形態の上昇曲線Ｌとは本質的に異なる。作動時間Ｔは第ｎ回目から第（ｎ＋２）回目まで一定である。この場合、累積作動時間Ｔの上昇率は、第ｎ回目の前後で変化しており、第ｎ回目以降で大きくなってはいるが、第ｎ回目から第（ｎ＋２）回目まで一定の上昇率で推移しているため、機器１０が一義的に異常状態であるとはいえない。

第２比較例では、曲線Ｌｂは、上に凸の曲線であり、本形態の上昇曲線Ｌに該当しない。また、第３比較例では、曲線Ｌｃは、上昇曲線Ｌと同様に下に凸の曲線であるものの、第ｎ回目から第（ｎ＋１）回目までの範囲で曲線Ｌｃ微分係数（各プロット点における接線に傾きが）が負であるため、本形態の上昇曲線Ｌと差別化される。

なお、特に図示しないものの、散布図Ｓにおいて上記３点データが上昇曲線Ｌで結ばれるか否かの判定は、設備管理装置２０に予め実装された既知のプログラムや人工知能によるＡＩモデル（学習済みモデル）などを使用して自動的に行うのが好ましい。また、これに代えて或いは加えて、ユーザが散布図Ｓを視認して直に判定するようにしてもよい。

報知出力部２４は、図４中の第４ステップＳ１０４（報知出力ステップ）によって、故障予測部２３による予測結果を報知出力する。ここでいう「報知出力」には、画面表示出力、音声出力、警報出力、印字出力などの各種の出力形態が広く包含される。これにより、機器１０の故障発生時期が近いことを生産設備の現場のユーザに速やかに知らせることができる。

次に、上述の実施形態１の作用効果について説明する。

実施形態１では、複数回の作動を繰り返す機器１０の作動時間ｔが１回毎に検出される。また、検出された作動時間ｔに基づいて機器１０の任意の第ｎ回目から第（ｎ＋２）回目までの作動時間ｔの推移情報Ｉｔが導出される。そして、導出した推移情報Ｉｔ（散布図Ｓ）に基づいて作動時間ｔが第ｎ回目から第（ｎ＋２）回目まで３回連続して上昇したと判定したときに機器１０の故障発生時期が近いと予測する。これにより、機器１０の直近の連続３回分の作動時間ｔの推移を比較して機器１０の故障発生を予測することができ、機器１０の仕様上の保証上限値ＵＬや、機器のメンテナンス時に設定された保証上限値ＵＬなどに頼らない精度の高い故障予測を行うことが可能になる。その結果、機器１０の故障発生前に異常に対処することができ、複数の機器１０を備える生産設備の長時間停止の発生を抑制できる。

なお、連続２回分の作動時間ｔの推移を比較するようにすると、異常であるか誤差変動であるかの判別が難しく、また連続４回分以上の作動時間ｔの推移を比較するようにすると、累積作動時間Ｔが大きく上昇して機器１０が既に故障に至っている可能性が高い。このため、いずれも機器１０の故障前に異常を把握する有効な対策に成り得ない。

以上のように、実施形態１によれば、機器故障の予測精度に優れた故障予測システム１及び故障予測方法を提供することができる。

以下、上述の実施形態１に関連する他の実施形態について図面を参照しつつ説明する。他の形態において、実施形態１の要素と同一の要素には同一の符号を付しており、当該同一の要素についての説明は省略する。

（実施形態２）
実施形態２の故障予測システム及び故障予測方法は、実施形態１のものと基本的に同じである。一方で、図５に示されるように、推移情報導出部２２が推移情報Ｉｔ（図１を参照）として導出する散布図Ｓ’が実施形態１の散布図Ｓ（図２を参照）とは異なる。

散布図Ｓ’は、機器１０の作動回数Ｎを横軸とし作動時間ｔを縦軸とするものである。この散布図Ｓ’において、横軸の作動回数Ｎの間隔は一定である。本形態では、機器１０の第（ｎ－１）回目から第（ｎ＋３）回目までの作動回数Ｎについて、作動回数Ｎと累積作動ｔとの相関を示す散布図Ｓ’が例示されている。

この散布図Ｓ’において、機器１０が異常のない正常な状態で運転されているときには、機器１０の作動時間ｔが全ての回で概ね一定であり、各回の作動時間ｔを結ぶと水平な基準線Ｍｒになる。ところが、機器１０に異常が出始めると、実際に要した作動時間ｔが増える。この場合、作動時間ｔの前回と次回との時間差が正の値になる。図２では、作動時間ｔ（ｎ＋１）と作動時間ｔ（ｎ）の時間差Ａと、作動時ｔ（ｎ＋２）と作動時間ｔ（ｎ＋１）の時間差Ｂはいずれも、正の値になっている。

故障予測部２３（図１を参照）による故障予測処理は、図５の散布図Ｓ’に基づいて作動時間ｔが第ｎ回目から第（ｎ＋２）回目まで３回連続して上昇したと判定したときに機器１０の故障発生時期が近いと予測する処理である。作動時間ｔが連続して上昇したことの判定は、具体的には、散布図Ｓ’において作動時間ｔの第ｎ回目から第（ｎ＋２）回目まで３点データが上昇曲線Ｍで結ばれるか否かによって行われる。そして、これら３点データが上昇曲線Ｍで結ばれるときに機器１０の故障発生時期が近いと予測し、そうでない場合には機器１０がその後直ぐには故障に至らないと予測する。

ここでいう「上昇曲線Ｍ」とは、実施形態１の上昇曲線Ｌと同様に、第ｎ回目から第（ｎ＋２）回目までの範囲で実質的に下に凸であり且つ微分係数（各点における接線に傾きが）が常に正の曲線をいう。上記３点データがこのような上昇曲線Ｍで結ばれるときには、この上昇曲線Ｍの延長線上（すなわち、図５中の二点鎖線で示される曲線上）に第（ｎ＋３）回目の作動時間ｔ（ｎ＋３）がプロットされると推定される（図５中の□プロットを参照）。

本形態では、実施形態１の場合と同様に、上記３点データが上昇曲線Ｍで結ばれるときに、機器１０の故障発生時期が近いと予測するようにしている。また、これに代えて、上記３点データが上昇曲線Ｍで結ばれ、且つ上昇曲線Ｍの延長線上にくると推定される第（ｎ＋３）回目の累積作動時間Ｔ（ｎ＋３）と第（ｎ＋２）回目の累積作動時間Ｔ（ｎ＋２）との時間差が時間差Ｂ（図５を参照）の２倍以上であるときに、機器１０の故障発生時期が近いと予測するようにしてもよい。或いは、上記３点データが上昇曲線Ｍで結ばれ、且つ上昇曲線Ｍの延長線上にくると推定される第（ｎ＋３）回目の累積作動時間Ｔ（ｎ＋３）が管理上限値ＵＬを超えるときに、機器１０の故障発生時期が近いと予測するようにしてもよい。

その他の構成及び方法は、実施形態１と同様である。

実施形態２によれば、機器１０の作動時間から導出された散布図Ｓ’を使用して作動時間ｔの第ｎ回目から第（ｎ＋２）回目まで３点データと上昇曲線Ｍとの関係に基づいて機器１０の故障予測を行うことができる。

その他、実施形態１と同様の作用効果を奏する。

本発明は、上述の形態のみに限定されるものではなく、本発明の目的を逸脱しない限りにおいて種々の応用や変形が考えられる。例えば、上述の各形態を応用した次の各形態を実施することもできる。

上述の形態では、故障予測部２３（故障予測ステップ）による予測結果を報知出力部２４（報知出力ステップ）でユーザに報知出力する場合について例示したが、これに代えて、予測結果を単にデータ出力するようにしてもよい。

上述の形態では、車両の生産設備で用いる故障予測システム１及び故障予測について例示したが、生産設備の種類は特に限定されるものではなく、これらの技術を車両以外の生産設備における機器故障の予測技術に適用できることは勿論である。

１ 故障予測システム
１０ 機器
２１ 作動時間検出部
２２ 推移情報導出部
２３ 故障予測部
２４ 報知出力部
ｔ，ｔ（ｎ－１），ｔ（ｎ），ｔ（ｎ＋１），ｔ（ｎ＋２），ｔ（ｎ＋３） 作動時間
Ｉｔ 作動時間の推移情報
Ｌ 上昇曲線
Ｎ 作動回
Ｓ，Ｓ’ 散布図（推移情報）
Ｓ１０１ 作動時間検出ステップ
Ｓ１０２ 推移情報導出ステップ
Ｓ１０３ 故障予測ステップ
Ｓ１０４ 報知出力ステップ
Ｔ，Ｔ（ｎ－１），Ｔ（ｎ），Ｔ（ｎ＋１），Ｔ（ｎ＋２），Ｔ（ｎ＋３） 累積作動時間
ＵＬ 管理上限値

Claims (10)

1. 複数回の作動を繰り返す機器の故障予測を行う故障予測システムであって、
   上記機器の起動から停止までに要した作動時間を１回毎に検出する作動時間検出部と、
   上記作動時間検出部で検出された上記作動時間に基づいて上記機器の任意の第ｎ回目から第（ｎ＋２）回目までの上記作動時間の推移情報を導出する推移情報導出部と、
   上記推移情報導出部で導出された上記推移情報に基づいて上記作動時間が上記第ｎ回目から上記第（ｎ＋２）回目まで連続して上昇したと判定したときに上記機器の故障発生時期が近いと予測する故障予測部と、
   を備える、故障予測システム。
2. 上記推移情報導出部は、上記機器の作動回数を横軸とし上記作動時間の累積値である累積作動時間を縦軸とする散布図を上記推移情報として導出するように構成され、
   上記故障予測部は、上記推移情報導出部で導出された上記散布図において上記累積作動時間の上記第ｎ回目から上記第（ｎ＋２）回目まで３点データが上昇曲線で結ばれるときに上記機器の故障発生時期が近いと予測するように構成されている、
   請求項１に記載の故障予測システム。
3. 上記推移情報導出部は、上記機器の作動回数を横軸とし上記作動時間の累積値である累積作動時間を縦軸とする散布図を上記推移情報として導出するように構成され、
   上記故障予測部は、上記推移情報導出部で導出された上記散布図において上記累積作動時間の上記第ｎ回目から上記第（ｎ＋２）回目まで３点データが上昇曲線で結ばれ、且つ上記上昇曲線の延長線上にくると推定される上記第（ｎ＋３）回目の上記累積作動時間が予め定められた管理上限値を超えるときに上記機器の故障発生時期が近いと予測するように構成されている、
   請求項１に記載の故障予測システム。
4. 上記上昇曲線は、二次曲線或いは二次曲線で近似される近似曲線を構成するものである、請求項２または３に記載の故障予測システム。
5. 上記故障予測部による予測結果をユーザに対して報知出力する報知出力部を備える、請求項２または３に記載の故障予測システム。
6. 複数回の作動を繰り返す機器の故障予測を行う故障予測方法であって、
   上記機器の起動から停止までに要した作動時間を作動時間検出部によって１回毎に検出する作動時間検出ステップと、
   上記作動時間検出ステップで検出した上記作動時間に基づいて上記機器の任意の第ｎ回目から第（ｎ＋２）回目までの上記作動時間の推移情報を推移情報導出部によって導出する推移情報導出ステップと、
   上記推移情報導出ステップで導出した上記推移情報に基づいて上記作動時間が上記第ｎ回目から上記第（ｎ＋２）回目まで連続して上昇したと判定したときに上記機器の故障発生時期が近いと故障予測部によって予測する故障予測ステップと、
   を有する、故障予測方法。
7. 上記推移情報導出ステップでは、上記機器の作動回数を横軸とし上記作動時間の累積値である累積作動時間を縦軸とする散布図を上記推移情報として導出し、
   上記故障予測ステップでは、上記推移情報導出ステップで導出した上記散布図において上記累積作動時間の上記第ｎ回目から上記第（ｎ＋２）回目まで３点データが上昇曲線で結ばれるときに上記機器の故障発生時期が近いと予測する、
   請求項６に記載の故障予測方法。
8. 上記推移情報導出ステップでは、上記機器の作動回数を横軸とし上記作動時間の累積値である累積作動時間を縦軸とする散布図を上記推移情報として導出し、
   上記故障予測ステップでは、上記推移情報導出ステップで導出した上記散布図において上記累積作動時間の上記第ｎ回目から上記第（ｎ＋２）回目まで３点データが上昇曲線で結ばれ、且つ上記上昇曲線の延長線上にくると推定される上記第（ｎ＋３）回目の上記累積作動時間が予め定められた管理上限値を超えるときに上記機器の故障発生時期が近いと予測する、
   請求項６に記載の故障予測方法。
9. 上記上昇曲線は、二次曲線或いは二次曲線で近似される近似曲線を構成するものである、請求項７または８に記載の故障予測方法。
10. 上記故障予測ステップによる予測結果を報知出力部によってユーザに対して報知出力する報知出力ステップを有する、請求項７または８に記載の故障予測方法。

Images