JP2025041228A - 故障確率評価装置 - Google Patents

Abstract

【課題】部品の故障確率関数の同定精度を向上して、部品の故障確率の評価精度を向上することができる故障確率評価装置を提供する。
【解決手段】故障確率評価装置１００は、保全履歴データベース１１、稼動データベース１２、及び演算装置１３を備える。演算装置１３は、稼動データをパラメータとするダメージモデルを用いてセンサの設置後の部品のダメージの推移を演算し、センサの設置後の部品のダメージの推移を学習してセンサの設置前の部品のダメージの推移を推定し、部品のダメージの推移に基づいて累積ダメージを演算し、累積ダメージを用いて、故障確率関数を同定する。
【選択図】図１

Description

本発明は、複数の機械で使用された部品を対象とし、部品の故障確率を機械毎に評価する故障確率評価装置に関する。

発電、輸送、又はその他の産業用の機械において、所望の機能を発揮するために、各部品の故障リスクを把握し、各部品の保全（詳細には、修理や交換等）を適切なタイミングで実施することが重要である。特許文献１は、複数の機械で使用された部品を対象とし、部品の故障確率を機械毎に評価する故障確率評価システムを開示する。

特許文献１の故障確率評価システムは、複数の機械における部品の故障履歴データを記憶する故障履歴データベースと、複数の機械のセンサで時系列的に取得された稼動データを記憶する稼動データベースと、故障履歴データベース及び稼動データベースを用いて部品の故障確率関数を同定し、同定された故障確率関数を用いて部品の故障確率を機械毎に演算する演算部とを備える。

演算部は、部品の故障履歴データから、部品の故障時間（詳細には、機械の初期又は前回の故障時から今回の故障時までの稼動時間）又は生存時間（機械の初期又は前回の故障時から現在までの稼動時間）を取得する。そして、稼動データをパラメータとするダメージモデルに対し、部品の故障時間又は生存時間に対応する期間で取得された稼動データを代入することにより、部品の累積ダメージを演算し、累積ダメージを説明変数とする故障確率関数を同定する。

特許文献１の故障確率評価システムでは、稼動データから得られた部品の累積ダメージを用いることにより、機械毎に異なる部品の負荷を考慮することで、部品の故障確率の評価精度を高めることが可能である。

特開２０１９－１６０１２８号公報

ところで、機械においては、何らかの理由により、初期に設置されなかったセンサを追加する場合がある。この場合、追加のセンサで取得された稼動データは、センサの設置後に存在するものの、センサの設置前に存在しない。

例えば、部品の故障がセンサの設置前に発生し、その後、部品を保全して現在まで故障が発生しない場合、部品の故障時間として、機械の初期から部品の故障時までの時間が得られ、部品の生存時間として、部品の故障時から現在までの時間が得られる。追加のセンサで取得された稼動データは、前述した部品の故障時間に対応しないし、前述した部品の生存時間の一部に対応しない。そのため、追加のセンサで取得された稼動データを活用することができない。したがって、故障確率関数の同定精度の点で改善の余地がある。

本発明は、上記事柄に鑑みてなされたものであり、その目的は、部品の故障確率関数の同定精度を向上して、部品の故障確率の評価精度を向上することができる故障確率評価装置を提供することにある。

上記目的を達成するために、本発明は、複数の機械で使用された部品を対象とし、前記部品の故障確率を前記機械毎に評価する故障確率評価装置において、前記複数の機械における前記部品の保全履歴データを記憶する保全履歴データベースと、前記複数の機械のセンサで時系列的に取得された稼動データを記憶する稼動データベースと、前記保全履歴データベース及び前記稼動データベースを用いて前記部品の故障確率関数を同定し、同定された前記故障確率関数を用いて前記部品の故障確率を前記機械毎に演算する演算装置とを備え、前記演算装置は、前記稼動データをパラメータとするダメージモデルを用いて、前記センサの設置後の前記部品のダメージの推移を演算し、前記センサの設置後の前記部品のダメージの推移を学習して、前記センサの設置前の前記部品のダメージの推移を推定し、前記センサの設置後の前記部品のダメージの推移と前記センサの設置前の前記部品のダメージの推移のうちの少なくとも一方に基づき、前記部品の累積ダメージを演算し、前記累積ダメージを用いて、前記故障確率関数を同定する。

本発明によれば、部品の故障確率関数の同定精度を向上して、部品の故障確率の評価精度を向上することができる。

上述した以外の課題、構成及び効果は、以下の説明によって明らかにされる。

本発明の一実施形態における故障確率評価装置の構成を表すブロック図である。 本発明の一実施形態における保全履歴データの具体例を表す図である。 本発明の一実施形態における故障確率関数を同定する処理の手順を表すフローチャートである。 本発明の一実施形態における稼動データの具体例を表すと共に、部品のダメージの推移の具体例を表す図である。 本発明の一実施形態における故障確率関数のばらつきの具体例を表す図である。 本発明の一実施形態における故障確率の表示形態の具体例を表す図である。

本発明の一実施形態を、図面を参照しつつ説明する。

図１は、本実施形態における故障確率評価装置の構成を表すブロック図である。

本実施形態の故障確率評価装置１００は、複数の機械１（本実施形態では風力発電機）で使用された部品を対象とし、部品の故障確率を機械１毎に評価するものである。故障確率評価装置１００は、保全履歴データベース１１、稼動データベース１２、演算装置１３、入力装置１４、及び通信装置１５を備える。

保全履歴データベース１１及び稼動データベース１２は、ハードディスク等の記憶装置で構成されている。演算装置１３は、プログラムに基づいて処理を実行するプロセッサと、処理の中間結果又は最終結果を一次的に記憶するメモリとを有する。入力装置１４は、キーボード及びディスプレイ等の入出力インターフェイスで構成されている。通信装置１５は、複数の機械１との通信ネットワーク（詳細には、衛星通信ネットワーク、インターネット、又はイントラネット等）に接続する通信インターフェイスで構成されている。

保全履歴データベース１１は、入力装置１４を介し入力された複数の機械１における部品の保全履歴データを記憶する。なお、機械１が部品の故障を検出してそれに関する情報を保全履歴データとして送信する機能を有すれば、保全履歴データベース１１は、通信装置１５で受信された複数の機械１における部品の保全履歴データを記憶してもよい。

保全履歴データは、例えば図２で示すように、データ項目として、保全実施日時、機械１の設置サイト（サイト名）、機械１の識別番号（号機）、保全対象の部品（部品名）、保全動機（事象）、及び保全内容を有し、それらの情報の組合せであるレコードで構成されている。保全内容の「事後保全」は、部品の故障や異常が発生して保全したことを意味し、保全内容の「事前保全」は、部品の故障や異常が発生しなくても保全したことを意味する。保全履歴データは、保全内容が「事後保全」であるレコード（言い換えれば、故障履歴データ）だけでなく、保全内容が「事前保全」であるレコードを含んでおり、それらを活用することにより、後述する故障確率関数の同定精度を高めることが可能である。

複数の機械１は、例えば温度、風速、及び発電量等をセンサで時系列的に取得し、それらを稼動データとして送信する。稼動データベース１２は、通信装置１５で受信された複数の機械１の稼働データを記憶する。

稼動データは、センサの計測値で構成されてもよいが、データ量の低減のため、所定時間（例えば１日）毎の統計値（例えば最大値、最小値、平均値、又は標準偏差等）で構成されてもよい。あるいは、後述するダメージモデルのパラメータとして用いやすいように、センサの計測値に基づいて演算された演算値で構成されてもよい。

演算装置１３は、上述した保全履歴データベース１１及び稼動データベース１２を用いて部品の故障確率関数を同定する機能を有する。演算装置１３は、前述した機能に係わる構成として、保全時間・生存時間演算部１６、ダメージモデル同定部１７、ダメージ演算・推定部１８、累積ダメージ演算部１９、及び故障確率関数同定部２０を有する。また、演算装置１３は、同定された故障確率関数を用いて部品の故障確率を機械１毎に演算する機能を有する。演算装置１３は、前述した機能に係わる構成として、故障確率演算部２１及び累積ダメージ予測部２２を有する。

まず、故障確率関数を同定する機能について、図３を用いて説明する。図３は、本実施形態における故障確率関数を同定する処理の手順を表すフローチャートである。

ステップＳ１にて、保全時間・生存時間演算部１６は、対象の部品を設定する。そして、保全履歴データベース１１で記憶された保全履歴データのうち、設定された部品名を含むレコードを抽出し、抽出されたレコードを機械１毎（詳細には、サイト名と号機の組合せ毎）に分類する。そして、機械１毎に分類されたレコードに含まれた保全実施日時に基づき、部品の事後保全時間（詳細には、機械１の初期又は前回の保全時から今回の事後保全時までの稼動時間）、事前保全時間（詳細には、機械１の初期又は前回の保全時から今回の事前保全時までの稼動時間）、又は生存時間（前回の保全時から現在までの稼動時間）を演算する。いずれかの機械１に対してレコード（言い換えれば、保全履歴）が存在しなければ、部品の生存時間として、機械１の初期から現在までの稼動時間を演算する。なお、以降、事後保全時間は、保全時間と称し、生存時間は、事前保全時間を含むものとして説明する。

ステップＳ２にて、ダメージモデル同定部１７は、設定された部品に関するダメージモデルｄ（Ｘｔ）の係数を設定する。ダメージモデルｄ（Ｘｔ）は、時間ｔでの稼働データＸｔをパラメータとして、単位時間あたりのダメージを算出するものである。時間ｔでの稼働データＸｔは、時間tでの値ｘ１，ｘ２，…，ｘｍからなると仮定すれば、ダメージモデルｄ（Ｘｔ）は、例えば下記の式（１）で示すように、値ｘ１，ｘ２，…，ｘｍを線形結合した式で表されてもよい。この場合、ダメージモデル同定部１７は、係数ｃ１，ｃ２，…，ｃｍを設定する。なお、ダメージモデルｄ（Ｘｔ）は、式（１）に限定されず、他の式（詳細には、稼動データが温度を含んでいれば、例えばアレニウスの式を組み込んだ式）で表されてもよい。

ステップＳ３に進み、ダメージ演算・推定部１８は、稼動データベース１２で記憶された各機械１の稼動データを上述したダメージモデルに代入することにより、各機械１の部品のダメージの推移を演算する。ここで、いずれかの機械１において、何らかの理由により、初期に設置されなかったセンサを追加している場合を想定する。この場合、図４（ａ）で示すように、追加のセンサで取得された値ｘ１，ｘ２，ｘ３は、センサの設置時ｔ２以降に存在するものの、それ以前に存在しない。そのため、図４（ｂ）で示すように、値ｘ１，ｘ２，ｘ３を含む稼動データをダメージモデルに代入して得られた部品のダメージの推移Ａは、センサの設置時ｔ２以降に存在するものの、それ以前に存在しない。

ステップＳ４に進み、ダメージ演算・推定部１８は、センサの設置時ｔ２以降の部品のダメージの推移Ａを回帰分析又は時系列解析等で学習して、センサの設置時ｔ２以前の部品のダメージの推移Ｂ（図４（ｂ）参照）を推定する。

ステップＳ５に進み、累積ダメージ演算部１９は、センサの設置後の部品のダメージの推移とセンサの設置前の部品のダメージの推移のうちの少なくとも一方に基づき、部品の保全時間又は生存時間に対応する部品の累積ダメージを演算する。図４（ｂ）を用いて、具体的に説明する。

部品の事後保全がセンサの設置前に実施されていれば、部品の保全時間として、機械１の初期ｔ０から部品の事後保全時ｔ１までの時間が得られ、部品の生存時間として、部品の事後保全時ｔ１から現在ｔ３までの時間が得られる。累積ダメージ演算部１９は、センサの設置時ｔ２以前の部品のダメージの推移Ｂに基づき、機械１の初期ｔ０から部品の事後保全時ｔ１までの累積ダメージＤ０１を演算し、それを前述した部品の保全時間に対応する累積ダメージとする。また、累積ダメージ演算部１９は、センサの設置時ｔ２以前の部品のダメージの推移Ｂに基づき、部品の事後保全時ｔ１からセンサの設置時ｔ２までの累積ダメージＤ１２を演算し、センサの設置時ｔ２以降の部品のダメージの推移Ａに基づき、センサの設置時ｔ２から現在ｔ３までの累積ダメージＤ２３を演算し、累積ダメージＤ１２と累積ダメージＤ２３の和を前述した部品の生存時間に対応する累積ダメージとする。

ステップＳ６に進み、故障確率関数同定部２０は、公知の最尤推定法又はベイズ推定法などにより、部品の保全時間に対応する累積ダメージと、部品の生存時間に対応する累積ダメージとを用いて、累積ダメージＤをパラメータとした故障確率関数Ｆ（Ｄ）を同定する。最尤推定法では、下記の式（２）で定義される対数尤度和Ｌを最大化するように、故障確率関数の母数を探索する。式中のｆは、故障確率関数Ｆ（Ｄ）を微分して得られた故障確率密度関数である。式の右辺第一項は、部品の保全時間に対応する累積ダメージについての尤度を、第二項は部品の生存時間に対応する累積ダメージについての尤度を表している。

ステップＳ７に進み、故障確率関数同定部２０は、故障確率密度関数ｆのばらつきが所定値以下であるかどうかにより、故障確率密度関数ｆのばらつきが最小化されたかどうかを判定する。故障確率密度関数ｆのばらつきが最小化されていない場合、ステップＳ２に戻る。すなわち、故障確率関数同定部２０は、ダメージモデルｄ（Ｘｔ）の係数を変更する指令をダメージモデル同定部１７へ出力する。ダメージモデル同定部１７は、前述した指令に応じてダメージモデルｄ（Ｘｔ）の係数を変更する。

その後、上述したステップＳ３～Ｓ６が行われ、ステップＳ７に移る。ステップＳ７にて、故障確率関数同定部２０は、故障確率密度関数ｆのばらつきが所定値以下であるかどうかにより、故障確率密度関数ｆのばらつきが最小化されたかどうかを判定する。これは、故障確率密度関数ｆのばらつきが大きい（図５で示すように、故障確率関数のばらつきが大きい）ということは、故障発生予測区間に幅があることを意味しており、予測区間幅を極小化して次回故障発生日時を精度よく推定するためにはばらつきを小さくする必要があるからである。故障確率関数のばらつきは、変動係数（故障確率関数の標準偏差と平均値の比）により評価できる（特許文献１参照）。更に、故障確率密度関数ｆのばらつきが所定値以上であっても、ばらつきの変化率が所定値以下であるかどうかにより、故障確率密度関数ｆのばらつきが最小化されたかどうかを判定する。故障確率密度関数ｆのばらつきが最小化された場合、ダメージモデル同定部１７によるダメージモデルｄ（Ｘｔ）の同定（係数の設定）や、故障確率関数同定部２０による故障確率関数Ｆ（Ｄ）の同定が完了する。

本実施形態では、ダメージモデルｄ（Ｘｔ）を定義すると、それに伴いダメージ演算・推定部１８が外挿により推定する累積ダメージ（図４（ｂ）の累積ダメージＤ０１や累積ダメージＤ１２に相当）も変化する。一般的に外挿は内挿よりも推定精度が低下するが、本発明では、外挿結果を用いて故障確率関数を同定し、その故障確率密度関数ｆのばらつきを小さくすることで対象を故障に至らしめる真のメカニズムに基づく累積ダメージモデルに近づけていくことにより、外挿結果への補正機能が働くため、推定精度を担保可能となる。

次に、同定された故障確率関数Ｆ（Ｄ）を用いて部品の故障確率を機械１毎に演算する機能について、詳細を説明する。

故障確率演算部２１は、対象の機械１や部品を設定する。そして、現在の故障確率を演算する場合に累積ダメージ演算部１９へ指令を出力する。累積ダメージ演算部１９は、前述した指令に応じて、設定された機械１や部品に関し、現在までの累積ダメージＤａを演算する。詳細には、部品の保全履歴がなければ、機械１の初期から現在までの累積ダメージＤａを演算し、部品の保全履歴があれば、前回の保全時から現在までの累積ダメージＤａを演算する。故障確率演算部２１は、故障確率関数同定部２０で同定された故障確率関数Ｆ（Ｄ）に対し、累積ダメージ演算部１９で演算された現在までの累積ダメージＤａを代入することにより、現在の故障確率Ｐａを演算する。

故障確率演算部２１は、将来（例えばユーザによって設定された期間Δｔ経過後）の故障確率を演算する場合に累積ダメージ演算部１９及び累積ダメージ予測部２２へ指令を出力する。累積ダメージ演算部１９は、前述した指令に応じて、設定された機械１や部品に関し、現在までの累積ダメージＤａを演算する。累積ダメージ予測部２２は、前述した指令に応じて、設定された機械１や部品に関し、期間Δｔの累積ダメージＤｂを予測する。詳細には、例えば、稼動データベース１２で記憶された稼動データを回帰分析又は時系列解析等で学習して、期間Δｔの稼動データを予測する。そして、ダメージモデル同定部１７で同定されたダメージモデルに対し、期間Δｔの稼動データを代入することにより、期間Δｔの部品のダメージの推移を予測する。そして、期間Δｔの部品のダメージの推移に基づき、期間Δｔの累積ダメージＤｂを予測する。故障確率演算部２１は、故障確率関数同定部２０で同定された故障確率関数Ｆ（Ｄ）と、累積ダメージ演算部１９で演算された現在までの累積ダメージＤａと、累積ダメージ予測部２２で予測された期間Δｔの累積ダメージＤｂとを用いて、将来の故障確率Ｐｂを演算する（下記の式（３）参照）。

以上のように、本実施形態の故障確率評価装置１００は、機械１に追加されたセンサで取得された稼動データを活用して、部品の故障確率関数を同定することができる。したがって、部品の故障確率関数の同定精度を向上して、部品の故障確率の評価制度を向上することができる。

本実施形態の故障確率評価装置１００は、演算装置１３で演算された部品の故障確率を含むデータを、例えばユーザインターフェイス２３、運用計画システム２４、及び部品在庫管理システム２５へ出力する。ユーザインターフェイス２３は、例えば機械１の所有者、運用会社、又は保険会社が所有している。

ユーザインターフェイス２３は、例えば携帯端末であって、演算装置１３と協働して動作する。ユーザインターフェイス２３は、例えば図６で示す画面を表示する。この画面は、部品設定部３１、期間設定部３２、及び故障確率表示部３３を有する。部品設定部３１は、機械１の構成を模式的に示すと共に、対象の部品（例えば増速機）をユーザが設定可能である。期間設定部３２は、現在からの期間Δｔをユーザが設定可能である。故障確率表示部３３は、部品設定部３１で設定された部品に関し、期間設定部３２で設定された期間Δｔ経過後の故障確率を表示する。

運用計画システム２４は、部品の故障確率に応じて、機械１の運用計画を変更可能である。例えば、次回の定期点検時における部品の故障確率が想定より高ければ、部品の延命を図るため、機械１を積極的に停止させるか、若しくは、機械１の出力を抑制する。運用計画システム２４は、運用計画を変更する場合にその情報を故障確率評価装置１００へ出力する。演算装置１３の累積ダメージ予測部２２は、前述した情報に基づき、部品の累積ダメージの予測を変更する。これに伴い、演算装置１３の故障確率演算部２１は、将来の故障確率を変更して出力する。

なお、上記一実施形態において、故障確率評価装置１００は、１つの演算装置１３を備えた場合を例にとって説明したが、これに限られず、複数の演算装置を備えてもよい。すなわち、保全時間・生存時間演算部１６、ダメージモデル同定部１７、ダメージ演算・推定部１８、累積ダメージ演算部１９、故障確率関数同定部２０、故障確率演算部２１、及び累積ダメージ予測部２２は、複数の演算装置で構成されてもよい。

また、上記一実施形態において、機械１は、風力発電機である場合を例にとって説明したが、これに限られないことは言うまでもない。

１ 機械
１１ 保全履歴データベース
１２ 稼動データベース
１３ 演算装置
１００ 故障確率評価装置

Claims (6)

1. 複数の機械で使用された部品を対象とし、前記部品の故障確率を前記機械毎に評価する故障確率評価装置において、
   前記複数の機械における前記部品の保全履歴データを記憶する保全履歴データベースと、
   前記複数の機械のセンサで時系列的に取得された稼動データを記憶する稼動データベースと、
   前記保全履歴データベース及び前記稼動データベースを用いて前記部品の故障確率関数を同定し、同定された前記故障確率関数を用いて前記部品の故障確率を前記機械毎に演算する演算装置とを備え、
   前記演算装置は、
   前記稼動データをパラメータとするダメージモデルを用いて、前記センサの設置後の前記部品のダメージの推移を演算し、
   前記センサの設置後の前記部品のダメージの推移を学習して、前記センサの設置前の前記部品のダメージの推移を推定し、
   前記センサの設置後の前記部品のダメージの推移と前記センサの設置前の前記部品のダメージの推移のうちの少なくとも一方に基づき、前記部品の累積ダメージを演算し、
   前記累積ダメージを用いて、前記故障確率関数を同定することを特徴とする故障確率評価装置。
2. 請求項１に記載の故障確率評価装置において、
   前記演算装置は、前記ダメージモデルを同定することを特徴とする故障確率評価装置。
3. 請求項２に記載の故障確率評価装置において、
   前記演算装置は、前記故障確率関数を微分して得られる故障確率密度関数のばらつきが最小化するように、前記ダメージモデルを同定することを特徴とする故障確率評価システム。
4. 請求項１に記載の故障確率評価装置において、
   現在からの期間を設定可能なユーザインターフェイスを備え、
   前記演算装置は、同定された前記故障確率関数を用いて前記期間経過後の前記部品の故障確率を演算し、前記ユーザインターフェイスに表示させることを特徴とする故障確率評価装置。
5. 請求項４に記載の故障確率評価装置において、
   前記演算装置は、
   前記機械の初期又は前記部品の保全時から現在までの前記部品の累積ダメージを演算し、
   前記稼動データを学習して前記期間の稼動データを予測し、前記ダメージモデルと前記期間の前記稼動データとを用いて前記期間の前記部品の累積ダメージを予測し、
   同定された前記故障確率関数と、前記機械の初期又は前記部品の保全時から現在までの前記部品の累積ダメージと、前記期間の前記部品の累積ダメージとを用いて、前記期間経過後の前記部品の故障確率を演算することを特徴とする故障確率評価装置。
6. 請求項５に記載の故障確率評価装置において、
   前記演算装置は、前記機械の運用計画を変更する運用計画システムからの情報に基づき、前記期間の前記部品の累積ダメージの予測を変更することを特徴とする故障確率評価装置。

Images