JP5643387B2 - 対象装置のベースライン予知保全方法及びそのコンピュータプログラム製品 - Google Patents

Description

本発明は、予知保全（Ｐｒｅｄｉｃｔｉｖｅ Ｍａｉｎｔｅｎａｎｃｅ；ＰｄＭ）方法及びそのコンピュータプログラム製品に関し、特に、仮想計測技術に基づく対象装置（Ｔａｒｇｅｔ Ｄｅｖｉｃｅ；ＴＤ）のベースライン予知保全（Ｂａｓｅｌｉｎｅ Ｐｒｅｄｉｃｔｉｖｅ Ｍａｉｎｔｅｎａｎｃｅ；ＢＰＭ）方法及びそのコンピュータプログラム製品に関する。

生産機械は、如何なる製造工場にも欠かせない部分である。生産機械におけるユニット、モジュール又は装置（例えば、ヒーター、圧力モジュール、スロットルバルブ（Ｔｈｒｏｔｔｌｅ Ｖａｌｖｅ）等）の故障は、生産異常を引き起こし、不具合な製品品質及び／又は生産能力の低下を引き起こすため、重大な損失をもたらす。

一般的に、上記問題を解決する最もよく使われる方法は、定期的な予防保全（Ｐｒｅｖｅｎｔｉｖｅ Ｍａｉｎｔｅｎａｎｃｅ；ＰＭ）である。即ち、プリセット時間間隔で保全の関連作業を実行する。このプリセット時間間隔は、基本的に対象装置（ＴＤ）の平均故障時間間隔（Ｍｅａｎ Ｔｉｍｅ ｂｅｔｗｅｅｎ Ｆａｉｌｕｒｅ；ＭＴＢＦ）により決められる。従って、適宜なＰＭ計画を如何に手配するかは、常に工場における肝心な議題である。適宜でない定期的ＰＭ計画は、修理コストを増加させたり生産能力を低下させたりする。

機械の保全計画を改善してウェハ工場のパフォーマンスを高めるために、国際半導体技術製造協会（Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｅｍａｔｅｃｈ Ｍａｎｕｆａｃｔｕｒｉｎｇ Ｉｎｉｔｉａｔｉｖｅ；ＩＳＭＩ）は、予知予防保全（Ｐｒｅｄｉｃｔｉｖｅ ａｎｄ Ｐｒｅｖｅｎｔｉｖｅ Ｍａｉｎｔｅｎａｎｃｅ；ＰＰＭ）の指標を提出する。ＩＳＭＩに定義されるように、ＰＰＭは、予防保全（ＰＭ）、状態監視保全（Ｃｏｎｄｉｔｉｏｎ−ｂａｓｅｄ Ｍａｉｎｔｅｎａｎｃｅ；ＣｂＭ）、予知保全（Ｐｒｅｄｉｃｔｉｖｅ Ｍａｉｎｔｅｎａｎｃｅ；ＰｄＭ）、事後保全（Ｂｒｅａｋｄｏｗｎ Ｍａｉｎｔｅｎａｎｃｅ；ＢＤＭ）を含む。ＩＳＭＩは、ＣｂＭ及びＰｄＭの技術が開発されるべきであり、単一のモジュール又は複数のモジュールの形で用いられることにより、エンドユーザーにこれらの技術を効果的に利用させることを主張する。ＣｂＭは、「機械が間もなく廃棄になること、又は機械の性能が悪化しつつあることを指摘する１つ又は複数の指標が現れる場合に保全を行う」と定義される。障害検出・分類（Ｆａｕｌｔ Ｄｅｔｅｃｔｉｏｎ ａｎｄ Ｃｌａｓｓｉｆｉｃａｔｉｏｎ；ＦＤＣ）は、ＣｂＭに関連する方法であり、「機械及び工場のデータを監視・制御して機械の健康状態を評価し、障害が検出される時に警報を発し、及び／又は機械のスイッチを切る」と定義される。一方、ＰｄＭは、予測モデルを適用する技術として、設備の状態情報と保全情報との間の繋がりを調べて、機械又は対象装置（ＴＤ）の残存耐用年数（Ｒｅｍａｉｎｉｎｇ Ｕｓｅｆｕｌ Ｌｉｆｅ；ＲＵＬ）を予測して、計画外のシャットダウンによる保全事件を減らす目標を達する。

従来のＦＤＣ方法のほとんどは、まず、監視・制御される必要のある対象装置（ＴＤｓ）及び対象装置に関連するキーパラメータを探し、そして、統計的プロセス制御（Ｓｔａｔｉｓｔｉｃａｌ Ｐｒｏｃｅｓｓ Ｃｏｎｔｒｏｌ；ＳＰＣ）方法を適用して障害を検出する。図１を参照されたい。図１は、プラズマ強化化学蒸着（Ｐｌａｓｍａ Ｅｎｈａｎｃｅｄ Ｃｈｅｍｉｃａｌ Ｖａｐｏｒ Ｄｅｐｏｓｉｔｉｏｎ；ＰＥＣＶＤ）機械のスロットルバルブ（Ｔｈｒｏｔｔｌｅ Ｖａｌｖｅ）角度を示すＳＰＣ管理図であり、監視・制御される対象装置（ＴＤ）が、スロットルバルブの角度である。しかしながら、実際の状況において、異常は、単に対象装置（即ち、スロットルバルブ）そのものに起因するだけでなく、他の対象装置（即ち、スロットルバルブ）に関連するプロセスパラメータの影響により引き起こす可能性もある。図１に示すように、スロットルバルブの角度は、中心点が２７度であり、修理エンジニアに定義されるように、その上方管理限界（Ｕｐｐｅｒ Ｃｏｎｔｒｏｌ Ｌｉｍｉｔ；ＵＣＬ）及び下方管理限界（Ｌｏｗｅｒ Ｃｏｎｔｒｏｌ Ｌｉｍｉｔ；ＬＣＬ）がそれぞれ３２度、２２度であり、合計で４５０個のサンプルが監視・制御される。この従来のＳＰＣ方法は、範囲１、２、４におけるサンプルが外れ値（Ｏｕｔｌｉｅｒ）であり、範囲３におけるサンプルが管理限界内にあると推定する。詳しく点検された結果、範囲２、４におけるサンプルは、確かに異常であり、その異常は、スロットルバルブの故障により引き起こされる。範囲１におけるサンプルということになると、その異常は、スロットルバルブでなく、関連プロセスパラメータである「アンモニア（Ａｍｍｏｎｉａ；ＮＨ_３）」により引き起こされる。範囲３におけるサンプルの外れは、関連プロセスパラメータである「圧力」に起因する。従って、従来のＳＰＣ方法は、範囲１、３におけるサンプルの障害を検出し診断することができない。

従って、上記従来技術の欠点を克服する対象装置のベースライン予知保全方法及びそのコンピュータプログラム製品を必要とする。

従って、本発明は、仮想計測技術に基づく対象装置のベースライン予知保全方法及びそのコンピュータプログラム製品を提供することを目的として、これにより、対象装置の健康状態を推論し、対象装置（ＴＤ）の残存耐用年数（ＲＵＬ）を予測して、従来技術の欠点を克服する。

本発明の一態様によると、対象装置のベースライン予知保全方法を提供する。この対象装置のベースライン予知保全方法において、まず、対象装置の、保全された直後に複数のワークピースを産出する際に発生する複数の新たなサンプルを集める。次に、対象装置が新しいワークピースを産出する際に発生する新しいワークピースのサンプルを集め、各新たなサンプル及び新しいワークピースのサンプルは、複数のパラメータを含む一組のＴＤ関連プロセスパラメータデータ（Ｘ）と対象装置が発生する実際代表値（ｙ_Ｔ）からなるペアデータを備える。次に、モデリングサンプルを用い推定アルゴリズムによりＴＤベースラインモデルを構築し、これらのモデリングサンプルは、複数の新たなサンプルと、新しいワークピースのサンプルと、を備える。そして、ＴＤベースラインモデルにより新しいワークピースを産出する対象装置の健康ベースライン値（

）を算出する。健康ベースライン値は、対象装置（ＴＤ）が健康な場合に、あるべき健康な実際代表値（ｙ_Ｔ）の推定値である。次に、装置の健康指数（Ｄｅｖｉｃｅ Ｈｅａｌｔｈ Ｉｎｄｅｘ；ＤＨＩ）、ベースライン誤差指数（Ｂａｓｅｌｉｎｅ Ｅｒｒｏｒ Ｉｎｄｅｘ；ＢＥＩ）、ベースライン個体類似度指数（Ｂａｓｅｌｉｎｅ Ｉｎｄｉｖｉｄｕａｌ Ｓｉｍｉｌａｒｉｔｙ Ｉｎｄｅｘｅｓ；ＩＳＩ_Ｂ）を算出する。最後、判断論理及びｙ_Ｔと

の比較を通じて、障害検出・分類（ＦＤＣ）及び予知保全（ＰｄＭ）の目標を達する。

一実施例において、前記推定アルゴリズムは、ニューラルネットワーク（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＮＮ）アルゴリズム、重回帰（Ｍｕｌｔｉ−Ｒｅｇｒｅｓｓｉｏｎ；ＭＲ）アルゴリズム、サポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ；ＳＶＭ）アルゴリズム又は部分最小二乗（Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ；ＰＬＳ）アルゴリズムである。

一実施例において、前記対象装置のベースライン予知保全方法は、変換式で対象装置（ＴＤ）の実際代表値（ｙ_Ｔ）を装置の健康指数（Ｄｅｖｉｃｅ Ｈｅａｌｔｈ Ｉｎｄｅｘ；ＤＨＩ）に変換するステップを更に含み、変換式は、

は、新たなサンプルの実際代表値（ｙ_Ｔ）の平均値であり、

は、

が対応する変換値である。

Ｍａｘ ｙ_Ｔは、新たなサンプルの最大の実際代表値であり、Ｍａｘ ｙ_{Ｔ＿ｍａｐｐｉｎｇ}は、Ｍａｘ ｙ_Ｔが対応する変換値である。

Ｍｉｎ ｙ_Ｔは、新たなサンプルの最小の実際代表値であり、Ｍｉｎ ｙ_{Ｔ＿ｍａｐｐｉｎｇ}は、Ｍｉｎ ｙ_Ｔが対応する変換値である。

ＬＳＬは、下方規格限界であり、ＬＣＬは、下方管理限界であり、ＵＣＬは、上方管理限界であり、ＵＳＬは、上方規格限界であり、ＬＳＬ_{＿ｍａｐｐｉｎｇ}は、ＬＳＬが対応する変換値であり、ＬＳＬ_{＿ｍａｐｐｉｎｇ}は、ＬＣＬが対応する変換値であり、ＵＣＬ_{＿ｍａｐｐｉｎｇ}は、ＵＣＬが対応する変換値であり、ＵＳＬ_{＿ｍａｐｐｉｎｇ}は、ＵＳＬが対応する変換値である。

一実施例において、

である場合、対象装置（ＴＤ）は、健康で正常に動作し、ＵＣＬ_{＿ｍａｐｐｉｎｇ}＞ＤＨＩ＞ＵＳＬ_{＿ｍａｐｐｉｎｇ}（又はＬＣＬ_{＿ｍａｐｐｉｎｇ}＞ＤＨＩ＞ＬＳＬ_{＿ｍａｐｐｉｎｇ}）である場合、対象装置（ＴＤ）は、既に病気になり、対象装置（ＴＤ）の残存耐用年数（Ｒｅｍａｉｎｉｎｇ Ｕｓｅｆｕｌ Ｌｉｆｅ；ＲＵＬ）が切れた後では、対象装置（ＴＤ）が動作できなくなり、ＵＳＬ_{＿ｍａｐｐｉｎｇ}＞ＤＨＩ＞Ｍａｘ ｙ_{Ｔ＿ｍａｐｐｉｎｇ}（又はＬＳＬ_{＿ｍａｐｐｉｎｇ}＞ＤＨＩ＞Ｍｉｎ ｙ_{Ｔ＿ｍａｐｐｉｎｇ}）である場合、ＴＤは、既に死亡しており、直ちに修理される必要がある。

一実施例において、前記対象装置のベースライン予知保全方法は、変換式で対象装置（ＴＤ）の実際代表値（ｙ_Ｔ）及び健康ベースライン値（

）をベースライン誤差指数（ＢＥＩ）に変換するステップを更に含み、変換式は、

Ｓｐｅｃは、対象装置（ＴＤ）の規格であり、ＨａｒｄＳｐｅｃは、ＴＤの厳格な規格であり、Ｍａｘ ｙ_Ｅは、新たなサンプルが変換された後のｙ_Ｅの最大値であり、ＺＥＲＯ_{＿ｍａｐｐｉｎｇ}は、ｙ_Ｅがゼロである場合に対応する変換値であり、Ｓｐｅｃ_{＿ｍａｐｐｉｎｇ}は、Ｓｐｅｃが対応する変換値であり、

が対応する変換値であり、Ｍａｘ ｙ_{Ｅ＿ｍａｐｐｉｎｇ}は、Ｍａｘ ｙ_Ｅが対応する変換値である。

一実施例において、ＺＥＲＯ_{＿ｍａｐｐｉｎｇ}＞ＢＥＩ＞Ｓｐｅｃ_{＿ｍａｐｐｉｎｇ}である場合、対象装置（ＴＤ）は、健康で正常に動作し、

である場合、対象装置（ＴＤ）は、既に病気になり、対象装置（ＴＤ）の残存耐用年数（ＲＵＬ）が切れた後では、対象装置（ＴＤ）が動作できなくなり、

である場合、対象装置（ＴＤ）は、既に死亡しており、直ちに修理される必要がある。

一実施例において、前記対象装置のベースライン予知保全方法は、複数の新たなサンプルのＴＤ関連プロセスパラメータデータ（Ｘ）の各パラメータに対して、その平均値及び標準偏差を計算し標準化の動作をして、新しいワークピースのサンプルのＴＤ関連プロセスパラメータの各パラメータのベースライン個体類似度指数（Ｂａｓｅｌｉｎｅ Ｉｎｄｉｖｉｄｕａｌ Ｓｉｍｉｌａｒｉｔｙ Ｉｎｄｅｘｅｓ；ＩＳＩ_Ｂ）を得るステップを更に含む。

一実施例において、ＤＨＩ≧ＤＨＩ_Ｔで且つ対象装置（ＴＤ）関連プロセスパラメータにおける各ＩＳＩ_Ｂの何れもそのＩＳＩ_Ｂ＿Ｔより小さい場合、対象装置（ＴＤ）が健康であり、且つＴＤ関連プロセスパラメータが対応する素子の何れも正常に動作することを表し、ＤＨＩ≧ＤＨＩ_Ｔで且つＴＤ関連プロセスパラメータのＩＳＩ_Ｂの少なくとも１つがそのＩＳＩ_Ｂ＿Ｔより大きいか又は等しい場合、対象装置（ＴＤ）は、正常であるが、その関連プロセスパラメータが対応する素子の少なくとも１つが異常で検査すべきであり、ＤＨＩ＜ＤＨＩ_Ｔで且つＢＥＩ≧ＢＥＩ_Ｔであり、又はＤＨＩ＜ＤＨＩ_Ｔで且つ対象装置（ＴＤ）関連プロセスパラメータにおけるＩＳＩ_Ｂの少なくとも１つがそのＩＳＩ_Ｂ＿Ｔより大きいか又は等しい場合、対象装置（ＴＤ）が正常であるが、対象装置（ＴＤ）関連プロセスパラメータが対応する値の少なくとも１つが異常であるため、管理外れ（Ｏｕｔ Ｏｆ Ｃｏｎｔｒｏｌ；ＯＯＣ）となることを表し、検査すべきであり、ＤＨＩ＜ＤＨＩ_ＴでＢＥＩ＜ＢＥＩ_Ｔで且つ対象装置（ＴＤ）関連プロセスパラメータにおけるＩＳＩ_Ｂの何れもそのＩＳＩ_Ｂ＿Ｔより小さい場合、対象装置（ＴＤ）が異常であり、且つその異常がそれ自身に起因することを表し、修理の動作を直ちにすべきである。ＤＨＩ_Ｔは、ＤＨＩ閾値であり、ＢＥＩ_Ｔは、ＢＥＩ閾値であり、ＩＳＩ_Ｂ＿Ｔは、ＩＳＩ_Ｂ閾値である。

一実施例において、前記対象装置のベースライン予知保全方法は、モデリングサンプルから前記新しいワークピースのサンプルを削除するステップを更に含む。

一実施例において、前記対象装置のベースライン予知保全方法は、対象装置が次の新しいワークピースを産出する際に発生する、その前の新しいワークピースのサンプルと組成元素が同じである次の新しいワークピースのサンプルを集めるステップと、次の新しいワークピースのサンプルをモデリングサンプルに加え、モデリングサンプルを用いて推定アルゴリズムによりＴＤベースラインモデルを新たに構築するステップと、ＴＤベースラインモデルにより、次の新しいワークピースを産出する対象装置の健康ベースライン値（

）を算出するステップと、次の新しいワークピースのサンプルの

を計算するステップと、を更に含み、連続する２つの新しいワークピースのサンプル（前記ワークピースのサンプルと次のワークピースのサンプル）のｙ_Ｅの何れも閾値（ｙ_Ｅ＿Ｔ）より大きい場合、予測アルゴリズムによって対象装置の残存耐用年数（ＲＵＬ）を予測し、この予測アルゴリズムは、線形カーブフィッティング（Ｌｉｎｅａｒ Ｃｕｒｖｅ Ｆｉｔｔｉｎｇ；ＬＣＦ）法又は回帰に基づく指数カーブフィッティング（Ｅｘｐｏｎｅｎｔｉａｌ Ｃｕｒｖｅ Ｆｉｔｔｉｎｇ；ＥＣＦ）法のようなカーブフィッティング法、或いは自己回帰統合移動平均法（Ａｕｔｏ−Ｒｅｇｒｅｓｓｉｖｅ Ｉｎｔｅｇｒａｔｅｄ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ；ＡＲＩＭＡ）又は残存耐用年数の予測能力を有する他のアルゴリズムのような時系列予測法を採用してよい。

一実施例において、前記対象装置のベースライン予知保全方法は、前記対象装置（ＴＤ）が発生する健康な複数のヒストリカルサンプルを集めるステップと、ヒストリカルサンプルをモデリングサンプルに加えるステップと、を更に含み、これらのヒストリカルサンプルは、この対象装置が健康状態にある場合にそれぞれ複数のヒストリカルワークピースを産出してから発生するものであり、新たなサンプルと組成元素が同じである。

一実施例において、前記対象装置のベースライン予知保全方法は、例えばダイナミックムービングウィンドウ（Ｄｙｎａｍｉｃ Ｍｏｖｉｎｇ Ｗｉｎｄｏｗ；ＤＭＷ）方法によってこれらのヒストリカルサンプルから、簡潔で健康な複数のヒストリカルサンプルを選別するステップを更に含む。

本発明のさらに他の態様によると、コンピュータプログラム製品を提供する。コンピュータはこのコンピュータプログラム製品をロードし実行すると、前記対象装置のベースライン予知保全方法を完成させることができる。

従って、本発明の実施例を適用すると、対象装置（ＴＤ）の健康状態を効果的に推論し、その残存耐用年数（ＲＵＬ）を予測することができる。

下記図面の説明は、本発明の前記又は他の目的、特徴、メリット、実施例をより分かりやすくするためのものである。

プラズマ強化化学蒸着（ＰＥＣＶＤ）機械のスロットルバルブ角度を示すＳＰＣ管理図である。 本発明のＢＰＭ方法を実施するＢＰＭシステム仕組みを示す模式図である。 本発明の一実施例によりＴＤベースラインモデルの構築に必要なサンプルを集めるステップを示すフロー図である。 本発明の別の実施例によりＴＤベースラインモデルの構築に必要なサンプルを集めるステップを示すフロー図である。

を中間基準値とするｙ_ＴのＳＰＣ管理図の構造を示す。
０を底基準値とするｙ_ＥのＳＰＣ管理図の構造を示す。 本発明の実施例によりＴＤベースラインモデル１０４を生じ、ＦＤＣ部分を行うのに必要な情報であるＤＨＩ、ＢＥＩ、ＩＳＩ_Ｂ、

を算出することを示すフロー図である。
本発明による対象装置を示す状態図である。 本発明の実施例によるＲＵＬ予測モデルを示す動作模式図である。 本発明の一適用例によりＦＤＣ部分を行う結果を示す。 本発明の適用例による予防保全（ＰＭ）期間全体のベースライン予知保全（ＢＰＭ）関連データ及び指標値を示す。 本発明の適用例において簡潔で健康な複数のヒストリカルサンプルを採用する場合のＰＭ期間全体のＢＰＭ関連データ及び指標値を示す。 本発明の適用例において簡潔で健康な複数のヒストリカルサンプルを採用しない場合のＰＭ期間全体のＢＰＭ関連データ及び指標値を示す。

ここで本発明の実施例を詳しく参照し、その例は、図面とともに説明される。図面で用いられる同じ素子符号は、なるべく同じ又は類似のユニットを指す。

本発明は、仮想計測技術に基づく装置の健康なベースライン予知保全（ＢＰＭ）方法及びそのコンピュータプログラム製品を提出する。このＢＰＭ方法は、ＦＤＣという能力だけでなく、ＰｄＭという能力も有する。図２を参照されたい。図２は、本発明のＢＰＭ方法を実施するＢＰＭシステム仕組みを示す模式図である。このＢＰＭシステムは、ＦＤＣ部分と、ＰｄＭ部分と、を具備する。ＦＤＣ部分は、健康なベースラインモデル１００と、装置の健康指数（Ｄｅｖｉｃｅ Ｈｅａｌｔｈ Ｉｎｄｅｘ；ＤＨＩ）機構１１０と、ベースライン誤差指数（Ｂａｓｅｌｉｎｅ Ｅｒｒｏｒ Ｉｎｄｅｘ；ＢＥＩ）機構１１２と、ＦＤＣ論理１２０と、を備える。健康なベースラインモデル１００は、対象装置（ＴＤ）のベースラインモデル１０４と、ベースライン個体類似度指数（Ｂａｓｅｌｉｎｅ Ｉｎｄｉｖｉｄｕａｌ Ｓｉｍｉｌａｒｉｔｙ Ｉｎｄｅｘ；ＩＳＩ_Ｂ）モデル１０８と、を含む。ＰｄＭ部分は、残存耐用年数（ＲＵＬ）の予測１３０を備える。以下にそれぞれ各モジュール及びモデルを説明する。

ＴＤベースラインモデル１０４
ＴＤベースラインモデル１０４は、主に対象装置（例えば、スロットルバルブ）の健康ベースライン値（

）を生じることに用いられる。対象装置の「健康ベースライン値」は、一組の対象装置（ＴＤ）関連プロセスパラメータ（Ｘ、例えば、「アンモニア」、「シラン（ＳｉＨ_４）」、「圧力」、「無線周波数（ＲＦ）パワー」等）を用いて新しいワークピース（Ｗｏｒｋｐｉｅｃｅ）を産出する場合、対象装置（ＴＤ）が健康な場合に、あるべき実際代表値の予測値を表すが、実際代表値（例えば、スロットルバルブの角度）が、ｙ_Ｔで示される。つまり、対象装置（ＴＤ）により新しいワークピースを産出する実際代表値（ｙ_Ｔ）と

との間の偏差が大きすぎる場合、対象装置（ＴＤ）が異常であり、この異常の原因を調べる必要があることを表す。「ＴＤ関連プロセスパラメータ」とは、対象装置（ＴＤ）そのものの実際代表値でなく、対象装置（ＴＤ）と因果関係のあるプロセスパラメータを指す。

図３Ａ、図３Ｂ及び図６を参照されたい。図３Ａ、図３Ｂは、それぞれ本発明の２つの実施例によりＴＤベースラインモデル１０４の構築に必要な複数のモデリングサンプルを集めるステップを示すフロー図である。図６は、本発明の実施例によりＴＤベースラインモデル１０４を生じ、ＦＤＣ部分を行うのに必要な情報であるＤＨＩ、ＢＥＩ、ＩＳＩ_Ｂ及び

を算出することを示すフロー図である。図３Ａには、オフライン操作２００及びオンライン操作２１０を行うが、図３Ｂには、オンライン操作２１０のみを行う。本発明において、ＴＤベースラインモデルの構築に必要なモデリングサンプルは、簡潔で健康な複数のヒストリカルサンプル（オフライン操作２００）、複数の新たなサンプル（オンライン操作２１０）及び新しいワークピースのサンプル（ステップ３０２）のような三種類の源から得られて、そのうち、簡潔で健康な複数のヒストリカルサンプルが、モデリングサンプルとなるように選択的に加えられてよい。簡潔で健康な複数のヒストリカルサンプルを採用する目的は、モデリングサンプルの動作空間（Ｏｐｅｒａｔｉｎｇ Ｓｐａｃｅ）を強化するとともにモデリングデータのノイズを低下させて、予測精度の向上を可能にすることにある。しかしながら、簡潔で健康な複数のヒストリカルサンプルが取得しにくいため、まだ簡潔で健康な複数のヒストリカルサンプルがない際に、複数の新たなサンプルを採用して行ってもよい。つまり、オンライン操作２１０を選択的に行って、ヒストリカルサンプルをモデリングサンプルとするかどうか選択してよい。

図３Ａに示すように、本実施例のＴＤベースラインモデル１０４の構築に必要な複数のモデリングサンプルを集めるステップは、「重要なサンプルの保存（Ｋｅｅｐ−Ｉｍｐｏｒｔａｎｔ−Ｓａｍｐｌｅ；ＫＩＳ）」方法を行うことで簡潔で健康な複数のヒストリカルサンプルを選び取るオフライン操作２００と、対象装置（ＴＤ）の、保全された直後に発生する複数の新たなサンプルを集めるオンライン操作２１０と、２つの段階を備える。各組の簡潔で健康なヒストリカルサンプルも新たなサンプルも、対象装置（ＴＤ）の実際代表値（ｙ_Ｔ）とそれに対応する対象装置（ＴＤ）関連プロセスパラメータデータ（Ｘ）とのペアデータを含む。オフライン操作２００において、ＫＩＳ方法は、ステップ２０２と２０４を有する。ステップ２０２は、各ヒストリカルサンプルの適宜性を確保して、健康なヒストリカルサンプルを集めることに用いられる。健康なヒストリカルサンプルは、対象装置が健康状態にある場合に発生され、且つそのデータ品質が優れた。「健康状態」とは、対象設備が正常に動作する場合に表れる行動ということであり、これは、本分野の専門家に相談して分かれる。「データ品質が優れた」とは、集められる対象設備及びこれと因果関係のあるパラメータが正常に動作する場合に表れる行動データ品質が優れたということであり、即ち、人為的な過失又は他の異常状況のある場合に集められるデータがない。注意すべきなのは、オンライン操作２１０において、保全された直後の集める対象装置（ＴＤ）は、「健康状態」にあるため、この時に発生する新たなサンプルの何れも健康なサンプルとみなされてよい。

そして、オフライン操作２００は、多すぎるサンプルでモデリングすることによりモデル精度に影響を与えることを避けるように、ステップ２０４を選択的に行って、ステップ２０２で選び取られた多くの健康なヒストリカルサンプルから、代表的な簡潔で健康な複数のヒストリカルサンプルを選んでよい。ステップ２０４は、ダイナミックムービングウィンドウ（ＤＭＷ）方法を用いてサンプル選別を行ってよいが、他のサンプル選別方法を用いてもよいため、本発明の実施例は、これに限定されない。このＤＭＷ方法において、ＤＭＷに新たなサンプルデータが加えてある場合、まず、ウィンドウ内の全てのサンプルデータに対して群分けという分析を行って、特性の近いサンプルデータを同一の群に分類させる。そして、それぞれの群におけるサンプルデータの数を点検する。最大の群におけるサンプルデータの数がプリセット閾値より大きい場合は、最大の群に特性の近いサンプルデータが多すぎることを示すため、この最大の群における最も古いサンプルデータを廃棄してよい。最大の群のサンプルデータの数がプリセット閾値より小さいか又は等しい場合は、最大の群におけるサンプルデータがかなり独特であることを示すため、保留されて予測モデルの構築又は更新に用いなければならない。このＤＭＷ方法は、発明者の論文（Ｗ．−Ｍ．Ｗｕ，Ｆ．−Ｔ．Ｃｈｅｎｇ ａｎｄ Ｆ．−Ｗ．Ｋｏｎｇ，「Ａ Ｄｙｎａｍｉｃ−Ｍｏｖｉｎｇ−Ｗｉｎｄｏｗ Ｓｃｈｅｍｅ ｆｏｒ Ｖｉｒｔｕａｌ−Ｍｅｔｒｏｌｏｇｙ Ｍｏｄｅｌ Ｒｅｆｒｅｓｈｉｎｇ，」ＩＥＥＥ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｓｅｍｉｃｏｎｄｕｃｔｏｒ Ｍａｎｕｆａｃｔｕｒｉｎｇ，ｖｏｌ．２５，ｐｐ．２３８−２４６，Ｍａｙ ２０１２）を参考して、この論文が、ここで引用の方式で本発明に合併される。また、モデリングに用いようとする簡潔で健康な複数のヒストリカルサンプルも複数の新たなサンプルも、標準化モジュール１０２と１０６を介してそのＸ及びｙ_Ｔを標準化する必要がある（Ｚ分数）。

オンライン操作２１０は、対象装置（ＴＤ）が保全された直後に行われる。オンライン操作２１０は、対象装置（ＴＤ）の、保全が完了した直後に発生する新たなサンプルを集めるステップ２１２を行うステップと、集められた新たなサンプルの数がモデリングに足りるかどうか検査するステップ２１４を行うステップと、ステップ２１４の結果が「はい」である場合、集められた複数の新たなサンプルを簡潔で健康な複数のヒストリカルサンプルに加えてモデリングサンプルとするステップ２１６を行うが、ステップ２１４の結果が「いいえ」である場合、ステップ２１２を繰り返し行うステップと、を含む。ここまで一部分のモデリングサンプルの集めが完了する。

経験法則によると、ＴＤの健康なベースラインモデル１００の構築に必要なモデリングサンプルの数量は、約ＴＤ関連プロセスパラメータデータ（Ｘ）におけるパラメータの数の１０倍となり、簡潔で健康な複数のヒストリカルサンプルと複数の新たなサンプルの数量比率は、約３：１となる。ステップ２１６において発生する全てのモデリングサンプル（複数の新たなサンプル及び簡潔で健康な複数のヒストリカルサンプル）は、何れもＴＤベースラインモデル１０４を構築することに用いられる。従って、ＴＤベースラインモデル１０４は、簡潔で健康な複数のヒストリカルサンプルの情報だけでなく、対象装置（ＴＤ）の、保全が完了した直後に発生する複数の新たなサンプルの情報も含む。

上述したように、複数の新たなサンプルが健康なサンプルとみなされてよいため、簡潔で健康な複数のヒストリカルサンプルが取得しにくい場合、本発明の別の実施例は、複数の新たなサンプル及び新しいワークピースのサンプルのみをＴＤベースラインモデルの構築に必要なモデリングサンプルとする。図３Ｂに示すように、ステップ２１４の結果が「はい」である場合、集められた複数の新たなサンプルをモデリングサンプルとするステップ２１８を行う。

ＴＤベースラインモデル１０４の構築及び実行ということになると、後で説明される。

ＩＳＩ_Ｂモデル１０８
ＩＳＩ_Ｂモデル１０８は、主に以前の米国特許文献第７，５９３，９１２号に教示されるＩＳＩ技術を参考して構築され、それは、新しいワークピースの産出に用いられる対象装置（ＴＤ）関連プロセスパラメータデータ（Ｘ）における各パラメータを、複数の新たなサンプルの対象装置（ＴＤ）関連プロセスパラメータデータ（Ｘ）における対応するプロセスパラメータの平均値及び標準偏差に対して標準化ステップを行って、各プロセスパラメータの個体類似度指数（Ｉｎｄｉｖｉｄｕａｌ Ｓｉｍｉｌａｒｉｔｙ Ｉｎｄｅｘｅｓ；ＩＳＩ）が得られ、プロセスパラメータの変動の大きさを把握する。以前の米国特許文献第７，５９３，９１２号は、ここで引用の方式で本発明に合併され、本発明と同じ譲受人を有する。注意すべきなのは、本実施例は、対象装置（ＴＤ）の、保全が完了した直後に発生する複数の新たなサンプルの情報のみを用いてＩＳＩ_Ｂモデル１０８を構築するため、所定の保全周期のＩＳＩ_Ｂの健康ベースラインを生じる。

ＤＨＩ機構１１０
一般的には、オンラインＳＰＣ方法は、生産期間の製品の品質状態の検出に用いられ、プロセスが統計の管理外れとなる場合に必要な行動を取る。ＤＨＩ機構１１０は、オンラインＳＰＣの概念を適用して

をＤＨＩに変換し、

は、全ての複数の新たなサンプル（ステップ２１２で得られた）のｙ_Ｔの平均値を表し、ｙ_Ｔは、対象装置（ＴＤ）が新しいワークピースを産出する際に発生する実際代表値である。注意すべきなのは、本実施例は、対象装置（ＴＤ）の、保全が完了した直後に処理される複数の新たなサンプルの情報のみを用いてＤＨＩ機構１１０を構築して、所定の保全周期のＤＨＩの健康ベースラインを生じることを可能にする。

図４を参照されたい。図４は、

を中間基準値とするｙ_ＴのＳＰＣ管理図の構造を示し、対象装置（ＴＤ）により発生する実際代表値の最小ｙ_Ｔ（Ｍｉｎ ｙ_Ｔ）、下方規格限界（Ｌｏｗｅｒ Ｓｐｅｃ Ｌｉｍｉｔ；ＬＳＬ）、下方管理限界（Ｌｏｗｅｒ Ｃｏｎｔｒｏｌ Ｌｉｍｉｔ；ＬＣＬ）、

、上方管理限界（Ｕｐｐｅｒ Ｃｏｎｔｒｏｌ Ｌｉｍｉｔ；ＵＣＬ）、上方規格限界（Ｕｐｐｅｒ Ｓｐｅｃ Ｌｉｍｉｔ；ＵＳＬ）及び対象装置（ＴＤ）により発生する実際代表値の最大ｙ_Ｔ（Ｍａｘ ｙ_Ｔ）がそれぞれ対応する値であるＭｉｎ ｙ_{Ｔ＿ｍａｐｐｉｎｇ}、ＬＳＬ_{＿ｍａｐｐｉｎｇ}、ＬＣＬ_{＿ｍａｐｐｉｎｇ}、

、ＵＣＬ_{＿ｍａｐｐｉｎｇ}、ＵＳＬ_{＿ｍａｐｐｉｎｇ}、Ｍａｘ ｙ_{Ｔ＿ｍａｐｐｉｎｇ}は、それぞれ０、０．３、０．７、１、０．７、０．３、０であることを指し示めす。上記ＵＣＬ、ＬＣＬ、ＵＳＬ、ＬＳＬ等の４つの規格の定義は、対象装置（ＴＤ）の物理特性によって異なる。スロットルバルブにとって、ＵＣＬ及びＬＣＬは、基準点±５度であり、ＵＳＬは、５０度であり、ＬＳＬは、２０度である。物理特性について言えば、スロットルバルブの開度が５０より大きいか又は２０より小さい場合、その抽気の効率は、悪くなるが、スロットルバルブの開度が基準点＋５度より大きいか又は基準点−５度より小さい場合、その健康状況に注意する必要がある。ＵＣＬ、ＬＣＬ、ＵＳＬ、ＬＳＬは、従来のＳＰＣのよく使われる技術手段であるため、ここで繰り返して説明しない。
Ｍｉｎ ｙ_{Ｔ＿ｍａｐｐｉｎｇ}、ＬＳＬ_{＿ｍａｐｐｉｎｇ}、ＬＣＬ_{＿ｍａｐｐｉｎｇ}、

、ＵＣＬ_{＿ｍａｐｐｉｎｇ}、ＵＳＬ_{＿ｍａｐｐｉｎｇ}、Ｍａｘ ｙ_{Ｔ＿ｍａｐｐｉｎｇ}の数値（それぞれが０、０．３、０．７、１、０．７、０．３、０）を前記公式（１）に代入して、図４の上半分のｙ_ＴをＤＨＩに変換できる公式は、下記の通りである。

同様の方式で前記公式（２）により、図４の下半分のｙ_ＴをＤＨＩに変換できる公式は、下記の通りである。

本実施例において、ＵＣＬ／ＬＣＬ及びＵＳＬ／ＬＳＬは、対象装置（ＴＤ）のプロセス規格（Ｐｒｏｃｅｓｓ Ｓｐｅｃ）及び厳格な規格（Ｈａｒｄ Ｓｐｅｃ）に対応し、そのＤＨＩに関連する値がそれぞれ０．７、０．３である。上記定義によって、下記の記述が得られる。

である場合、対象装置（ＴＤ）は、健康で正常に動作する。

ＵＣＬ_{＿ｍａｐｐｉｎｇ}（例えば、０．７）＞ＤＨＩ＞ＵＳＬ_{＿ｍａｐｐｉｎｇ}（例えば、０．３）（又はＬＣＬ_{＿ｍａｐｐｉｎｇ}（例えば、０．７）＞ＤＨＩ＞ＬＳＬ_{＿ｍａｐｐｉｎｇ}（例えば、０．３）である場合、対象装置（ＴＤ）は、既に病気になり、その残存耐用年数（ＲＵＬ）が切れた後では、対象装置（ＴＤ）が動作できなくなる。

ＵＳＬ_{＿ｍａｐｐｉｎｇ}（例えば、０．３）＞ＤＨＩ＞Ｍａｘ ｙ_{Ｔ＿ｍａｐｐｉｎｇ}（例えば、０）（又はＬＳＬ_{＿ｍａｐｐｉｎｇ}（例えば、０．３）＞ＤＨＩ＞Ｍｉｎ ｙ_{Ｔ＿ｍａｐｐｉｎｇ}（例えば、０）である場合、対象装置（ＴＤ）は、既に死亡しており、直ちに修理される必要がある。

ＢＥＩ機構１１２
ＢＥＩ機構１１２は、ｙ_Ｔと

との間の差分

をＢＥＩ値に変換することに用いられる。図５を参照されたい。図５は、０を底基準値とするｙ_ＥのＳＰＣ管理図の構造を示し、ｙ_Ｅ＝０、Ｓｐｅｃ（規格）、

、最大ｙ_Ｅ（Ｍａｘ ｙ_Ｅ）がそれぞれ対応する変換値であるＺＥＲＯ_{＿ｍａｐｐｉｎｇ}、Ｓｐｅｃ_{＿ｍａｐｐｉｎｇ}、

、Ｍａｘ ｙ_{Ｅ＿ｍａｐｐｉｎｇ}は、それぞれ１、０．７、０．３、０であることを指し示めす。Ｓｐｅｃ及びＨａｒｄＳｐｅｃは、対象装置の物理特性によって異なる。スロットルバルブにとって、Ｓｐｅｃは、５であり、ＨａｒｄＳｐｅｃは、５０であり、この２つの値は、本分野の専門家に相談することで取り決められることができる。Ｓｐｅｃ及びＨａｒｄＳｐｅｃは、従来のＳＰＣのよく使われる技術手段であるため、ここで繰り返して説明しない。ＺＥＲＯ_{＿ｍａｐｐｉｎｇ}、Ｓｐｅｃ_{＿ｍａｐｐｉｎｇ}、

、Ｍａｘ ｙ_{Ｅ＿ｍａｐｐｉｎｇ}を前記公式（３）に代入して、ｙ_ＥをＢＥＩに変換する公式は、下記の通り獲得できる。

上記定義によって、下記記述が得られる。

ＺＥＲＯ_{＿ｍａｐｐｉｎｇ}（例えば、１）＞ＢＥＩ＞Ｓｐｅｃ_{＿ｍａｐｐｉｎｇ}（例えば、０．７）である場合、対象装置（ＴＤ）は、健康で正常に動作する。

である場合、対象装置（ＴＤ）は、既に病気になり、その残存耐用年数（ＲＵＬ）が切れた後では、対象装置（ＴＤ）が動作できなくなる。

である場合、対象装置（ＴＤ）は、既に死亡しており、直ちに修理される必要がある。

ＦＤＣ論理１２０
図２の右半分に示すように、ＦＤＣ論理１２０は、前記ＤＨＩ、ＢＥＩ、ＩＳＩ_Ｂを対象装置（ＴＤ）の健康状態に変換することに用いられる。ＦＤＣ論理１２０を適用する前に、まず、ＤＨＩ、ＢＥＩ及びＩＳＩ_Ｂの閾値（ＤＨＩ_Ｔ、ＢＥＩ_Ｔ、ＩＳＩ_Ｂ＿Ｔ）を指定すべきである。図４及び図５に示すように、ＤＨＩ及びＢＥＩの健康の区間は、０．７と１との間に介在するため、ＤＨＩ、ＢＥＩの閾値ＤＨＩ_Ｔ、ＢＥＩ_Ｔが０．７と指定され、即ち、ＤＨＩ_Ｔ、ＢＥＩ_Ｔは、ＬＣＬ／ＵＣＬ及びＳｐｅｃによって決められる。本実施例において、複数の新たなサンプルのＴＤ関連プロセスパラメータデータ（Ｘ）における各プロセスパラメータの６倍の標準偏差をＩＳＩ_Ｂの閾値と指定し、即ち、ＩＳＩ_Ｂ＿Ｔ＝６となる。ＦＤＣ論理１２０は、下記の通りである。

ＤＨＩ≧ＤＨＩ_Ｔ（ステップ１２２の結果が「いいえ」）で且つ全てのＩＳＩ_ＢがそのＩＳＩ_Ｂ＿Ｔより小さい（ステップ１２４の結果が「はい」）場合、対象装置（ＴＤ）が健康であり、且つその関連プロセスパラメータデータ（Ｘ）においてパラメータが対応する素子の何れも正常に動作することを表す。

ＤＨＩ≧ＤＨＩ_Ｔ（ステップ１２２の結果が「いいえ」）で且つ少なくとも１つのＩＳＩ_ＢがそのＩＳＩ_Ｂ＿Ｔより大きいか又は等しい（ステップ１２４の結果が「いいえ」）場合、対象装置（ＴＤ）が正常であるが、その関連プロセスパラメータデータ（Ｘ）においてパラメータが対応する素子の少なくとも１つが異常であることを表し、検査すべきである。

ＤＨＩ＜ＤＨＩ_Ｔ（ステップ１２２の結果が「はい」）で且つＢＥＩ≧ＢＥＩ_Ｔ（ステップ１２６の結果が「いいえ」）、或いは、ＤＨＩ＜ＤＨＩＴ（ステップ１２２の結果が「はい」）で且つ少なくとも１つのＩＳＩ_ＢがそのＩＳＩ_Ｂ＿Ｔより大きいか又は等しい（ステップ１２６の結果が「いいえ」）場合、対象装置（ＴＤ）が正常であるが、そのＴＤ関連プロセスパラメータデータ（Ｘ）においてパラメータが対応する素子の少なくとも１つが異常であるため、管理外れ（Ｏｕｔ Ｏｆ Ｃｏｎｔｒｏｌ；ＯＯＣ）となることを表し、検査すべきである。

ＤＨＩ＜ＤＨＩ_Ｔ（ステップ１２２の結果が「はい」）で且つＢＥＩ＜ＢＥＩ_Ｔで全てのＩＳＩ_ＢがそのＩＳＩ_Ｂ＿Ｔより小さい（ステップ１２６の結果が「はい」）場合、対象装置（ＴＤ）が異常であり、且つその異常がそれ自身の異常に起因することを表し、修理の動作を直ちにすべきである。

以下にＴＤベースラインモデル１０４の構築フロー、及びＦＤＣ部分の実行フローを説明する。

図２及び図６を続けて参照されたい。オフライン操作２００及び／又はオンライン操作２１０（図３Ａ又は図３Ｂ）、並びにＩＳＩ_Ｂモデル１０８の構築が完了した後、まず、ステップ３０２を行って、対象装置が新しいワークピースを産出する際に発生する新しいワークピースのサンプル、即ち、新しいワークピースに対応するＴＤ関連プロセスパラメータデータ（Ｘ）、及びこの新しいワークピースの産出する際に発生する対象装置（ＴＤ）の実際代表値（ｙ_Ｔ）を集める。次に、成功に集めるかどうか確認するステップ３０４を行う。ステップ３０４の結果が「いいえ」である場合、ステップ３０２を再び行う。ステップ３０４の結果が「はい」である場合、ステップ３０６を行って、標準化モジュール１０２及び１０６によりそれぞれ新しいワークピースのＸ及びｙ_Ｔを標準化した後、複数のモデリングサンプルに加えて、推定アルゴリズムによりＴＤベースラインモデル１０４を新たに構築する。この推定アルゴリズムは、例えばニューラルネットワーク（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＮＮ）アルゴリズム、重回帰（Ｍｕｌｔｉ−Ｒｅｇｒｅｓｓｉｏｎ；ＭＲ）アルゴリズム、サポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ；ＳＶＭ）アルゴリズム、部分最小二乗（Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ；ＰＬＳ）アルゴリズム又は予測能力を有する他のアルゴリズムであってよい。ＴＤベースラインモデル１０４を構築するステップ３０２〜３０６は、主に以前の米国特許文献第８，０９５，４８４号に教示される全自動化型仮想計測（Ａｕｔｏｍａｔｉｃ Ｖｉｒｔｕａｌ Ｍｅｔｒｏｌｏｇｙ；ＡＶＭ）技術を参考して構築され、米国特許文献第８，０９５，４８４号は、ここで引用の方式で本発明に合併される。注意すべきなのは、この以前の米国特許文献は、本発明と同じ譲受人を有する。

また、ステップ３０４の結果が「はい」である場合、本実施例は、ステップ３１２も行って、ＤＨＩ機構１１０によりこの新しいワークピースのＤＨＩ値を算出する。ステップ３０６が完了した後、ステップ３０８を行って、新たに構築された後のＴＤベースラインモデル１０４により新しいワークピースの

を算出し、ＩＳＩ_Ｂモジュール１０８により新しいワークピースのＩＳＩ_Ｂ値を算出し、ＢＥＩ機構１１２により新しいワークピースのＢＥＩ値を算出する。新しいワークピースの

、ＤＨＩ、ＩＳＩ_Ｂ、ＢＥＩが得られた後、工程３１４を行って、ＦＤＣ論理１２０により対象装置（ＴＤ）の健康状態を推論する。ステップ３１４が完了した後、ステップ３１０を行って、モデリングサンプルから新しいワークピースのサンプルを取り除いて、元のモデリングサンプルの新しさを保つ。つまり、ＴＤベースラインモデル１０４を「新たに構築する」とは、モデリングデータとして、毎回の新しいワークピースのサンプル、一定の簡潔で健康な複数のヒストリカルサンプル、及び複数の新たなサンプルを用いて、ＴＤベースラインモデル１０４を構築することを指す。

本発明は、対象装置（ＴＤ）の健康状態を推論することができるだけでなく、対象装置（ＴＤ）の残存耐用年数（ＲＵＬ）を予測することができる。以下に図２に示すようなＲＵＬ予測１３０を説明する。

ＲＵＬ予測１３０
ＲＵＬ予測１３０は、検出仕組み１３２と、ＲＵＬ予測モデル１３４と、を含む。検出仕組み１３２は、ｙ_Ｅがｙ_Ｅ＿Ｓより大きいかどうか検査することに用いられる。

であり、ｙ_Ｅ＿Ｓは、対象装置（ＴＤ）の病気（Ｓｉｃｋ）状態を検出するためのｙ_Ｅの閾値を表す。図７を参照されたい。図７は、本発明による対象装置を示す状態図であり、「最初」、「動作」、「動作しない」、「病気」、「死亡」の５種類の状態を含む。一般的に、対象装置（ＴＤ）は、「動作」状態にある。しかしながら、ｙ_Ｅ＞ｙ_Ｅ＿Ｓである場合、対象装置（ＴＤ）は、「病気」状態に入る。もしｙ_Ｅが再びｙ_Ｅ＿Ｓより小さいくなると、対象装置（ＴＤ）は、「動作」状態に戻る。逆に、対象装置（ＴＤ）の症状がより悪くなり、対象装置（ＴＤ）の得られる資源が消耗し尽くす場合、対象装置（ＴＤ）は、「死亡」状態に入り、即ち、対象装置（ＴＤ）は、既にシャットダウンする。検出仕組み１３２は、主に対象装置（ＴＤ）が「病気」状態にあるかどうか検出することに用いられる。誤認警報を避けるために、本実施例は、連続して２回ｙ_Ｅ＞ｙ_Ｅ＿Ｓとなることが必要とし、即ち連続する２つのワークピースのｙ_Ｅの何れもｙ_Ｅ＿Ｓより大きければ、対象装置（ＴＤ）が「病気」状態に入ると断定して、ＲＵＬ予測モデル１３４を発動して対象装置（ＴＤ）のＲＵＬ（残存耐用年数）を予測しなければならない。ＲＵＬ予測モデル１３４には、予測アルゴリズムを用いられる。その予測アルゴリズムとして、線形カーブフィッティング（Ｌｉｎｅａｒ Ｃｕｒｖｅ Ｆｉｔｔｉｎｇ；ＬＣＦ）法又は回帰に基づく指数カーブフィッティング（Ｅｘｐｏｎｅｎｔｉａｌ Ｃｕｒｖｅ Ｆｉｔｔｉｎｇ；ＥＣＦ）法のようなカーブフィッティング法、或いは自己回帰統合移動平均法（Ａｕｔｏ−Ｒｅｇｒｅｓｓｉｖｅ Ｉｎｔｅｇｒａｔｅｄ Ｍｏｖｉｎｇ Ａｖｅｒａｇｅ；ＡＲＩＭＡ）又は残存耐用年数の予測能力を有する他のアルゴリズムのような時系列予測法を採用してよい。

昔の研究によると、大部分の電子製品の故障率関数曲線は、常に、（１）早期故障期間、（２）偶発故障期間、（３）磨耗故障期間の３つの段階がある典型的なバスタブ曲線（Ｂａｔｈｔｕｂ Ｃｕｒｖｅ）を明らかに示すことを見出す。一般的に、対象装置（ＴＤ）の故障は、磨耗故障期間の段階に発生し、その故障の速度率は、時間につれて指数関数的に増加する。従って、本実施例は、回帰に基づく指数カーブフィッティング（Ｅｘｐｏｎｅｎｔｉａｌ−Ｃｕｒｖｅ−Ｆｉｔｔｉｎｇ；ＥＣＦ）法を例としてＲＵＬ予測モデル１３４を構築する。

図８を参照されたい。図８は、本発明の実施例によるＲＵＬ予測モデルを示す動作模式図である。まず、

を定義し、

は、対象装置（ＴＤ）が保全の直後に発生する複数の新たなサンプルのｙ_Ｅの平均値及び標準偏差を表す。また、ｙ_Ｅ＿Ｓ及びｙ_Ｅ＿Ｄでそれぞれ対象装置（ＴＤ）が「病気」及び「死亡」状態に入る場合のｙ_Ｅ値を表す。図５に示すように、ｙ_Ｅ＿Ｓ＝Ｓｐｅｃであり、

以下にＲＵＬ予測モデルの動作ステップを説明する。

ステップ１：ｙ_Ｅ＿Ｂを計算し、ｙ_Ｅ＿Ｂに対応するサンプル番号であるｋ_Ｂを探してから、またｙ_Ｅ＿Ｓ及びｙ_Ｅ＿Ｄを定義する。

ステップ２：連続する２つのワークピースのｙ_Ｅの何れもｙ_Ｅ＿Ｓより大きい場合、対象装置（ＴＤ）は、「病気」状態に入り、ステップ３を行う。

ステップ３：ｙ_Ｅ＿Ｂ及びｙ_Ｅ＿Ｓを集めＥＣＦ公式を適用して、下記のように磨耗故障の方程式を得る。

磨耗故障方程式

が得られた後、上限（Ｕｐｐｅｒ−Ｂｏｕｎｄ；ＵＢ）方程式

及び下限（Ｌｏｗｅｒ−Ｂｏｕｎｄ；ＬＢ）方程式

を下記のように導出することもできる。

ステップ４：

値がｙ_Ｅ＿Ｄより大きいか又は等しいまで、故障方程式

を適用してｋ_ｉ＝ｋ_Ｓ＋１から始まる

値を予測し、対応するサンプル番号が

と示される。そして、両側９５％予測区間（ｔｗｏ−ｓｉｄｅ ９５％ ｐｒｅｄｉｃｔｉｏｎ−ｉｎｔｅｒｖａｌ（ＰＩ） ｆｏｒｍｕｌａ）公式を用いて、下記方程式によってｋ_ｉ＝ｋ_Ｓ＋１か

までの９５％上限及び下限値を算出する。

ｋ_ｉ＝ｋ_Ｓ＋１から

までの全ての９５％ＵＢ及びＬＢが得られた後で、故障方程式

に適用する同じＥＣＦ公式及び方法によりＵＢ方程式である

及びＬＢ方程式である

を得ることができる。

ステップ５：故障方程式（４）、ＵＢ方程式（１４）、ＬＢ方程式（１５）を適用してｙ_Ｅ＿Ｄに対応するＲＵＬ、

を求め、それらの方程式は、それぞれ下記の通りである。

上記実施例は、コンピュータプログラム製品によって実現されることができ、コンピュータをプログラミング（ｐｒｏｇｒａｍｍｉｎｇ）して上記実施例におけるステップを行うことができる複数の指令が保存される機械読み取り可能媒体を含んでよい。機械読み取り可能媒体は、フロッピーディスク、光ディスク、読み出し専用ディスク、光磁気ディスク、読み出し専用メモリ、ランダムアクセスメモリ、消去可能なプログラマブル読み出し専用メモリ（ＥＰＲＯＭ）、電気的消去可能なプログラマブル読み取り専用メモリ（ＥＥＰＲＯＭ）、光カード（ｏｐｔｉｃａｌ ｃａｒｄ）又は磁気カード、フラッシュメモリ、又は如何なる電子指令の保存に適する機械読み取り可能媒体であってよいが、これらに限定されない。なお、本発明の実施例は、コンピュータプログラム製品としてダウンロードされることもでき、通信接続（例えば、ネットワーク接続のような接続）によるデータ信号を用いることでリモートコンピュータから請求のコンピュータに本発明のコンピュータプログラム製品を転移することができる。

以下に一適用例によって本発明を説明する。

本適用例は、太陽電池から製造されるＰＥＣＶＤ機械のスロットルバルブを採用する三種類の状況がある。従って、スロットルバルブは、本適用例の対象装置（ＴＤ）である。関連分野の知識に基づいて、ＴＤの角度は、「アンモニア」、「シラン」、「圧力」、「無線周波数パワー」の関連プロセスパラメータに影響される。

図３Ａ及び図６に示すステップを行ってＴＤベースラインモデルの構築に必要な重要なモデリングサンプルを集める。本適用例において、ＴＤの角度は、ｙ_Ｔと示され、ＴＤに関連するプロセスパラメータデータ（Ｘ）は、「アンモニア」、「シラン」、「圧力」、「無線周波数パワー」を含む。ＴＤ関連プロセスパラメータデータ（Ｘ）のパラメータの数は、４つであるため、４０（４×１０）個のサンプルを用いてＴＤベースラインモデルを構築する必要がある。従って、２６０２個の健康なヒストリカルサンプルに対してダイナミックムービングウィンドウ（ＤＭＷ）方法を行って、約３０組の簡潔で健康なヒストリカルサンプルを選ぶ。保全の後に、オンライン操作を発動して１０組の新たなサンプルを集める。３０組の簡潔で健康なヒストリカルサンプル、１０組の新たなサンプル、毎回集められる新しいワークピースのサンプルとともにＴＤベースラインモデルを構築するモデリングサンプルとして用いられる。各組のモデリングサンプルは、ｙ_Ｔ及び対応するＸを含む。１０組の新たなサンプルは、ＩＳＩ_Ｂモデル、ＤＨＩ機構、ｙ_Ｅ＿Ｂ値を構築することに用いられる。

本適用例において、ｙ_ＴをＤＨＩに変換するためのＭｉｎ ｙ_Ｔ、ＬＳＬ、ＬＣＬ、

、ＵＣＬ、ＵＳＬ、Ｍａｘ ｙ_Ｔは、それぞれ０、５、２２、２７、３２、５０、９０であり、ｙ_ＥをＢＥＩに変換するためのＳｐｅｃ、

、Ｍａｘ ｙ_Ｅは、それぞれ５、２３、６３である。

ＴＤ関連プロセスパラメータデータ（Ｘ）における各パラメータの最大許容偏差は、基準値（Ｎｏｍｉｎａｌ Ｖａｌｕｅ）の１０％である。従って、基準値の１０％をＩＳＩ_Ｂの６倍に指定することで、ＩＳＩ_Ｂ＿Ｔ値は、６となる。なお、ＤＨＩ_Ｔ及びＢＥＩ_Ｔを、ＴＤが「病気」状態に入る閾値として０．７に指定する。

比較しやすいようにするために、本適用例は、また図１に示す４５０個のサンプルを用いる。図９を参照されたい。図９は、本発明の一適用例によるＦＤＣ部分を行う結果を示す。図９において、ｙ_Ｔの他、ＴＤの健康ベースライン値（

）も表示され、ｙ_Ｔと

の下に、ＤＨＩ、ＢＥＩ、ＴＤ関連プロセスパラメータデータ（Ｘ）の全てのパラメータ値及びそのＩＳＩ_Ｂ＿Ｔが表示される。図９に示す範囲１１におけるサンプルを見て分かれるように、そのＤＨＩ＜ＤＨＩ_Ｔで且つプロセスパラメータ「アンモニア」のＩＳＩ_Ｂ（＝１２０）は、ＩＳＩ_Ｂ＿Ｔ（＝６）より大きく、これは、ＴＤそのものが異常であり、且つパラメータ「アンモニア」のＩＳＩ_Ｂの急上昇のせいで、そのＯＯＣとなることを表し、従って、プロセスパラメータ「アンモニア」を検査すべきである。

範囲１２と１４における全てのサンプルは、ＤＨＩ＜ＤＨＩ_ＴでＢＥＩ＜ＢＥＩ_Ｔで且つ全てのＩＳＩ_ＢがそのＩＳＩ_Ｂ＿Ｔより小さい条件を満たし、これは、ＴＤそのものが異常であり、且つこの異常がＴＤそのものに起因することを表す。

範囲１３におけるサンプルは、何れもＤＨＩ＞ＤＨＩ_Ｔで且つプロセスパラメータ「圧力」のＩＳＩ_ＢがそのＩＳＩ_Ｂ＿Ｔより大きい条件に該当し、これは、ＴＤが正常であるが、プロセスパラメータ「圧力」が異常であることを表し、従って、プロセスパラメータ「圧力」を検査すべきである。

図１０を参照されたい。図１０は、本発明の適用例による全体の予防保全（ＰＭ）期間のベースライン予知保全（ＢＰＭ）関連データ及び指標値を示す。本適用例で採用されるＰＭ期間全体は、３９０個のサンプルを含み、このうちの前の１０組の新たなサンプルは、ＩＳＩ_Ｂモデル、ＤＨＩ機構、ｙ_Ｅ＿Ｂ値を構築することに用いられ、本発明の各モデルにより後の３８０個のサンプルのＢＰＭ関連データ及び指標値を算出する。図１０に示すように、老化現象のせいで、ＴＤの角度（ｙ_Ｔ）が次第に増加し、それに関連するプロセスパラメータデータ（「アンモニア」、「シラン」、「圧力」、「無線周波数パワー」）の何れもかなり安定しているため、ＴＤの健康ベースライン値（

）も比較的に安定している。２１３個目のサンプルの近傍にＤＨＩ＜ＤＨＩ_ＴでＢＥＩ＜ＢＥＩ_Ｔで且つ全てのＩＳＩ_ＢがそのＩＳＩ_Ｂ＿Ｔより小さい条件が発生するため、ＴＤが２１３個目のサンプルを生じる際に「病気」状態に入り、この事件は、前記ＲＵＬ予測プログラムを発動させる。前記ＲＵＬ予測モデルの動作ステップが行われた後、ＲＵＬ＝６０、

のような結果が得られ、即ち、ＴＤの予知の残存耐用年数（ＲＵＬ）は、６０個のサンプル周期であり、本適用例の各サンプル周期が約１時間である。実際に、ＴＤは、２８９個目のサンプルを生じる際に「死亡」状態に入るため、ＴＤの実際の残存耐用年数（ＲＵＬ）が７６（２８９−２１３）個のサンプル周期である。従って、本適用例は、かなりの程度でＴＤの残存耐用年数（ＲＵＬ）を予測することができる。

以下に、簡潔で健康な複数のヒストリカルサンプルを採用してＴＤベースラインモデルを構築して、モデリングサンプルの動作空間（Ｏｐｅｒａｔｉｎｇ Ｓｐａｃｅ）を強化するとともにモデリングデータのノイズを低下させて、予測精度の向上を可能にする状況を説明する。図１１及び図１２を参照されたい。図１１は、本発明の適用例において簡潔で健康な複数のヒストリカルサンプルを採用する場合のＰＭ期間全体のＢＰＭ関連データ及び指標値を示し、図１２は、本発明の適用例において簡潔で健康な複数のヒストリカルサンプルを採用しない場合のＰＭ期間全体のＢＰＭ関連データ及び指標値を示す。即ち、図１１は、３０組の簡潔で健康なヒストリカルサンプル及び１０組の保全された直後の新たなサンプルを採用し、図１２は、４０組の保全された直後の新たなサンプルを採用して、それら何れも試験用の２９６−３８０個目のサンプルのＴＤの角度（ｙ_Ｔ）、ＴＤの健康ベースライン値（

）、それに関連するプロセスデータ（「アンモニア」、「シラン」、「圧力」、「無線周波数パワー」）が表示される。図１１と図１２のＴＤの健康ベースライン値（

）を比較して、図１２のＴＤの健康ベースライン値（

）の曲線は、変動が比較的に激しく、それが正確ではない。これは、図１２が簡潔で健康な複数のヒストリカルサンプルを採用してＴＤベースラインモデルを構築しないため、そのモデルの動作空間（Ｏｐｅｒａｔｉｎｇ Ｓｐａｃｅ）が不十分となるからである。図１１及び図１２の左半分に示すように、図１２に比べて、図１１においてＴＤに関連するプロセスパラメータデータのピーク値の変化がより大きいため、図１２のモデルの代表性が弱く、従って、簡潔で健康な複数のヒストリカルサンプルを採用してＴＤベースラインモデルを構築することで予測の正確性を高めることができる。

上記説明から分かれるように、本発明の実施例を適用すると、対象装置の健康状態を効果的に推論し、対象装置（ＴＤ）の残存耐用年数（ＲＵＬ）を予測することができる。

本発明を実施例によって上記の通りに開示したが、これは本発明を限定するものではなく、当業者であれば、本発明の精神と範囲から逸脱しない限り、多様の変更や修飾を加えることができるため、本発明の保護範囲は、下記請求の範囲で指定した内容を基準とする。

１、２、３、４、１１、１２、１３、１４ 範囲
１００ 健康なベースラインモデル
１０２、１０６ 標準化モジュール
１０４ ＴＤベースラインモデル
１０８ ＩＳＩ_Ｂモデル
１１０ ＤＨＩ機構
１１２ ＢＥＩ機構
１２０ ＦＤＣ論理
１２２ ＤＨＩ＜ＤＨＩ_Ｔ
１２４ 全てのＩＳＩ_ＢがそのＩＳＩ_Ｂ＿Ｔより小さい
１２６ ＢＥＩ＜ＢＥＩ_Ｔで且つ全てのＩＳＩ_ＢがそのＩＳＩ_Ｂ＿Ｔより小さい
１３０ ＲＵＬ予測
１３２ 検出仕組み
１３４ ＲＵＬ予測モデル
２００ オフライン操作
２０２、２０４、２１２、２１４、２１６、２１８、３０２、３０４、３０６、３０８、３１０、３１２、３１４ ステップ
２１０ オンライン操作

Claims (11)

1. 対象装置（Ｔａｒｇｅｔ Ｄｅｖｉｃｅ；ＴＤ）の、保全された直後に複数のワークピースを産出する際に発生する複数の新たなサンプルを集めるステップと、
   前記対象装置が新しいワークピースを産出する際に発生する新しいワークピースのサンプルを集めるステップと、
   前記複数の新たなサンプルと、前記新しいワークピースのサンプルと、を含む複数のモデリングサンプルを用い、推定アルゴリズムによりＴＤベースラインモデルを構築するステップと、
   前記ＴＤベースラインモデルにより前記新しいワークピースを産出する前記対象装置の健康ベースライン値（
   

   

   ）を算出するステップと、
   を備え、前記新たなサンプルと前記新しいワークピースのサンプルのいずれも、複数のパラメータを含む一組のＴＤ関連プロセスパラメータデータ（Ｘ）及び前記対象装置により発生する実際代表値からなるペアデータを含み、前記健康ベースライン値は、前記対象装置（ＴＤ）が健康な場合に、あるべき健康の実際代表値の推定値である対象装置のベースライン予知保全方法。
2. 前記推定アルゴリズムは、ニューラルネットワーク（Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＮＮ）アルゴリズム、重回帰（Ｍｕｌｔｉ−Ｒｅｇｒｅｓｓｉｏｎ；ＭＲ）アルゴリズム、サポートベクターマシン（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅｓ；ＳＶＭ）アルゴリズム又は部分最小二乗（Ｐａｒｔｉａｌ Ｌｅａｓｔ Ｓｑｕａｒｅｓ；ＰＬＳ）アルゴリズムである請求項１に記載の対象装置のベースライン予知保全方法。
3. 一組の第１変換式で前記新しいワークピースのサンプルの実際代表値（ｙ_Ｔ）を装置の健康指数（Ｄｅｖｉｃｅ Ｈｅａｌｔｈ Ｉｎｄｅｘ；ＤＨＩ）に変換するステップを更に含み、前記第１変換式は、
   

   

   Ｍａｘ ｙ_Ｔは、前記新たなサンプルの最大の実際代表値であり、Ｍａｘ ｙ_{Ｔ＿ｍａｐｐｉｎｇ}は、Ｍａｘ ｙ_Ｔが対応する変換値であり、
   Ｍｉｎ ｙ_Ｔは、前記新たなサンプルの最小の実際代表値であり、Ｍｉｎ ｙ_{Ｔ＿ｍａｐｐｉｎｇ}は、Ｍｉｎ ｙ_Ｔが対応する変換値であり、
   ＬＳＬは、下方規格限界であり、ＬＣＬは、下方管理限界であり、ＵＣＬは、上方管理限界であり、ＵＳＬは、上方規格限界であり、ＬＳＬ_{＿ｍａｐｐｉｎｇ}は、ＬＳＬが対応する変換値であり、ＬＣＬ_{＿ｍａｐｐｉｎｇ}は、ＬＣＬが対応する変換値であり、ＵＣＬ_{＿ｍａｐｐｉｎｇ}は、ＵＣＬが対応する変換値であり、ＵＳＬ_{＿ｍａｐｐｉｎｇ}は、ＵＳＬが対応する変換値である）請求項１に記載の対象装置のベースライン予知保全方法。
4. 

   である場合、前記対象装置（ＴＤ）は、健康で正常に動作し、
   ＵＣＬ_{＿ｍａｐｐｉｎｇ}＞ＤＨＩ＞ＵＳＬ_{＿ｍａｐｐｉｎｇ}（又はＬＣＬ_{＿ｍａｐｐｉｎｇ}＞ＤＨＩ＞ＬＳＬ_{＿ｍａｐｐｉｎｇ}）である場合、前記対象装置（ＴＤ）は、既に病気になり、その残存耐用年数（Ｒｅｍａｉｎｉｎｇ Ｕｓｅｆｕｌ Ｌｉｆｅ；ＲＵＬ）が切れた後では、動作できなくなり、
   ＵＳＬ_{＿ｍａｐｐｉｎｇ}＞ＤＨＩ＞Ｍａｘ ｙ_{Ｔ＿ｍａｐｐｉｎｇ}（又はＬＳＬ_{＿ｍａｐｐｉｎｇ}＞ＤＨＩ＞Ｍｉｎ ｙ_{Ｔ＿ｍａｐｐｉｎｇ}）である場合、前記対象装置（ＴＤ）は、既に死亡しており、直ちに修理される必要がある請求項３に記載の対象装置のベースライン予知保全方法。
5. 一組の第２変換式で前記新しいワークピースのサンプルの実際代表値（ｙ_Ｔ）及び前記新しいワークピースを産出する前記対象装置の健康ベースライン値（
   

   

   ）をベースライン誤差指数（Ｂａｓｅｌｉｎｅ Ｅｒｒｏｒ Ｉｎｄｅｘ；ＢＥＩ）に変換するステップを更に含み、前記第２変換式は、
   

   

   である
   （ただし、Ｓｐｅｃは、前記対象装置の規格であり、ＨａｒｄＳｐｅｃは、前記対象装置の厳格な規格であり、Ｍａｘ ｙ_Ｅは、前記新たなサンプルが変換された後の最大ｙ_Ｅ値であり、Ｚｅｒｏ_{＿ｍａｐｐｉｎｇ}は、ｙ_Ｅがゼロである場合に対応する変換値であり、Ｓｐｅｃ_{＿ｍａｐｐｉｎｇ}は、Ｓｐｅｃが対応する変換値であり、
   

   

   が対応する変換値であり、Ｍａｘ ｙ_{Ｅ＿ｍａｐｐｉｎｇ}は、Ｍａｘ ｙ_Ｅが対応する変換値である）請求項３に記載の対象装置のベースライン予知保全方法。
6. Ｚｅｒｏ_{＿ｍａｐｐｉｎｇ}＞ＢＥＩ＞Ｓｐｅｃ_{＿ｍａｐｐｉｎｇ}である場合、前記対象装置は、健康で正常に動作し、
   

   

   である場合、前記対象装置は、既に病気になり、その残存耐用年数（ＲＵＬ）が切れた後では、動作できなくなり、
   

   

   である場合、前記対象装置は、既に死亡しており、直ちに修理される必要がある請求項５に記載の対象装置のベースライン予知保全方法。
7. 前記新たなサンプルのＴＤ関連プロセスパラメータデータ（Ｘ）の各前記パラメータに対して、その平均値及び標準偏差を計算し標準化の動作をして、前記新しいワークピースのサンプルのＴＤ関連プロセスパラメータの各前記パラメータのベースライン個体類似度指数（Ｂａｓｅｌｉｎｅ Ｉｎｄｉｖｉｄｕａｌ Ｓｉｍｉｌａｒｉｔｙ Ｉｎｄｅｘｅｓ；ＩＳＩＢ）を得るステップを更に含み、
   ＤＨＩ≧ＤＨＩ_Ｔで且つ前記新しいワークピースのサンプルのＴＤ関連プロセスパラメータデータ（Ｘ）における各前記パラメータの前記ＩＳＩ_Ｂの何れもそのＩＳＩ_Ｂ＿Ｔより小さい場合、前記対象装置が健康であり、且つＴＤ関連プロセスパラメータが対応する素子の何れも正常に動作することを表し、
   ＤＨＩ≧ＤＨＩ_Ｔで且つ前記新しいワークピースのサンプルのＴＤ関連プロセスパラメータデータ（Ｘ）の前記パラメータのＩＳＩ_Ｂの少なくとも１つがそのＩＳＩ_Ｂ＿Ｔより大きいか又は等しい場合、前記対象装置（ＴＤ）は、正常であるが、その関連プロセスパラメータが対応する素子の少なくとも１つが、異常であり、検査すべきであり、
   ＤＨＩ＜ＤＨＩ_Ｔで且つＢＥＩ≧ＢＥＩ_Ｔであり、又はＤＨＩ＜ＤＨＩ_Ｔで且つ前記新しいワークピースのサンプルのＴＤ関連プロセスパラメータデータ（Ｘ）の前記パラメータのＩＳＩ_Ｂの少なくとも１つがそのＩＳＩ_Ｂ＿Ｔより大きいか又は等しい場合、前記対象装置（ＴＤ）が正常であるが、対象装置（ＴＤ）関連プロセスパラメータが対応する素子の少なくとも１つが異常であるため、管理外れ（Ｏｕｔ Ｏｆ Ｃｏｎｔｒｏｌ；ＯＯＣ）となることを表し、検査すべきであり、
   ＤＨＩ＜ＤＨＩ_ＴでＢＥＩ＜ＢＥＩ_Ｔで前記新しいワークピースのサンプルのＴＤ関連プロセスパラメータデータ（Ｘ）の各前記パラメータの前記ＩＳＩ_Ｂの何れもそのＩＳＩ_Ｂ＿Ｔより小さい場合、前記対象装置（ＴＤ）が異常であり、且つその異常がそれ自身に起因することを表し、修理の動作を直ちに行うべきである（ただし、ＤＨＩ_Ｔは、ＤＨＩ閾値であり、ＢＥＩは、ＤＨＩ閾値であり、ＩＳＩ_Ｂ＿Ｔは、ＩＳＩ_Ｂ閾値である）請求項５に記載の対象装置のベースライン予知保全方法。
8. 前記対象装置が次の新しいワークピースを産出する際に発生する、その前記新しいワークピースのサンプルと組成元素が同じである次の新しいワークピースのサンプルを集めるステップと、
   前記次の新しいワークピースのサンプルを前記モデリングサンプルに加え、前記モデリングサンプルを用いて前記推定アルゴリズムにより前記ＴＤベースラインモデルを新たに構築するステップと、
   前記ＴＤベースラインモデルにより、前記次の新しいワークピースを産出する前記対象装置（ＴＤ）の健康ベースライン値（
   

   

   ）を算出するステップと、
   前記次の新しいワークピースのサンプルの
   

   

   を計算するステップと、を更に含み、
   前記新しいワークピースのサンプル及び前記次のワークピースサンプルのｙ_Ｅの何れも閾値より大きい場合、予測アルゴリズムによって前記対象装置の残存耐用年数（ＲＵＬ）を予測する請求項１に記載の対象装置のベースライン予知保全方法。
9. 前記予測アルゴリズムは、カーブフィッティング法又は時系列予測法である請求項８に記載の対象装置のベースライン予知保全方法。
10. 前記対象装置が発生する健康な複数のヒストリカルサンプルを集めるステップと、
    ダイナミックムービングウィンドウ（Ｄｙｎａｍｉｃ Ｍｏｖｉｎｇ Ｗｉｎｄｏｗ；ＤＭＷ）方法によって前記ヒストリカルサンプルから簡潔で健康なヒストリカルサンプルを選別するステップと、
    前記簡潔で健康なヒストリカルサンプルを前記モデリングサンプルに加えるステップと、を更に含み、
    前記ヒストリカルサンプルは、前記対象装置が健康状態にある場合にそれぞれ複数のヒストリカルワークピースを産出してから発生するものであり、前記新たなサンプルと組成元素が同じである請求項１に記載の対象装置のベースライン予知保全方法。
11. コンピュータはこのコンピュータプログラムをロードし実行すると、請求項１〜１０のいずれかに記載の対象装置のベースライン予知保全方法を完成させることができるコンピュータプログラム。

Images