JP5726802B2

JP5726802B2 - 保守支援情報算出装置および方法

Info

Publication number: JP5726802B2
Application number: JP2012082677A
Authority: JP
Inventors: 矢野　亨; 亨矢野; 佐藤　誠; 佐藤　　誠; 英治木下
Original assignee: Toshiba Corp; Toshiba Elevator Co Ltd
Current assignee: Toshiba Corp; Toshiba Elevator and Building Systems Corp
Priority date: 2012-03-30
Filing date: 2012-03-30
Publication date: 2015-06-03
Anticipated expiration: 2032-03-30
Also published as: JP2013214124A

Description

本発明の実施形態は、機器保守を行う際の意思決定に利用される保守支援情報を算出する装置および方法に関する。

複数の部品から構成される機器の保守において、事後保守のみでは機器稼働率が低下する問題が生じ得ることから、一部の部品について予防保守を行って部品故障の発生を防ぐことが必要である。予防保守を行う部品に対していつ保守作業を行うかといった意思決定は重要な課題であり、部品の故障記録や交換記録のような保守履歴データを利用して部品の故障発生率を算出することにより、そのような意思決定に有用な保守支援情報を算出することが行われている。

特開２００５−１８２４６５号公報特開２００７−３２８５２２号公報特開２０１０−１６６７０２号公報特開２００７−１７９４４１号公報

保守履歴データの適切な分割に基づく寿命モデル群から保守支援情報を算出する装置および方法を提供することが望まれている。

実施形態によれば、少なくとも１つの属性値を有する保守履歴データを記憶するデータベースと、属性分割基準値により前記保守履歴データを第１の保守履歴データと第２の第１の保守履歴データとに分割し、前記第１の保守履歴データに基づいて第１の寿命モデルを算出し、前記第２の保守履歴データに基づいて第２の寿命モデルを算出するとともに、前記第１の寿命モデルと前記第２の寿命モデルの間の非類似度を算出する第１の算出部と、前記第１の寿命モデルと前記第２の寿命モデルのそれぞれから故障モード数を推定する推定部と、前記非類似度および前記故障モード数に基づいて、前記少なくとも１つの属性値から最適な属性分割基準値を算出する第２の算出部と、前記最適な属性分割基準値による前記保守履歴データの分割に基づく寿命モデル群から保守支援情報を算出する第３の算出部と、を具備する保守支援情報を算出する装置が提供される。

実施形態に係る保守支援情報算出装置のブロック図属性情報付き保守履歴データを示す図機器属性を利用した複数の寿命モデルを示す図各寿命モデルの故障モード数の推定結果を示す図寿命モデルから算出された保守支援情報を示す図寿命モデルから算出された部品交換計画を示す図実施形態に係る保守支援情報算出装置の動作手順を示すフローチャート故障モード数の推定結果図故障モード数の推定結果図

以下、実施の形態について、図面を参照して説明する。図１は、実施形態に係る保守支援情報算出装置を機能ブロック図によって表現したものである。本装置は、属性情報付き保守履歴のＤＢ１００、寿命モデルの算出部１０１、属性分割基準値の算出部１０２、故障モードの推定部１０３、保守支援情報の算出部１０４を備え、機器の属性情報に基づいて分割された保守履歴データから最適な寿命モデル群を求め、寿命モデル群における各寿命モデルから保守支援情報１０５を算出する。以下では、各ブロックの説明を行う。

図２はある部品Ｘの属性情報付き保守履歴データを表す。属性情報付き保守履歴データは、例えば機器の属性情報および部品の故障情報、計画外の交換情報などに基づいて事前に生成され、属性情報付き保守履歴のＤＢ１００に格納されている。図２に例示されるように、属性情報付き保守履歴データは、機器ＩＤ、設置日、交換日、生存日数、打ち切り情報、属性情報を表す。図２によれば、部品Ｘは機器ＩＤ「0500_001」、「0420_001」、「0100_003」に設置され、当該部品Ｘの設置日はそれぞれ「1998年11月6日」、「1997年4月1日」、「1990年5月8日」であり、当該部品Ｘの交換日はそれぞれ「2010年3月31日」、「2008年8月10日」、「2008年4月13日」であることがわかる。図２において、打ち切り情報の「Ｙ」は故障した部品であることを示し、打ち切り情報の「Ｎ」は故障ではなく「ついで交換」などの何らかの理由によって交換された部品であることを示す。例えば機器ＩＤ「0500_001」および「0100_003」に設置された部品Ｘは打ち切り情報に基づいて「ついで交換」などの何らかの理由によって交換された部品であり、機器ＩＤ「0420_001」に設置された部品Ｘは故障により交換されたことがわかる。属性情報は、複数の属性Ａ１〜ＡＮで構成される。

寿命モデルの算出部１０１は、属性情報付き保守履歴のＤＢ１００から部品の属性情報付き保守履歴データを受け取り、属性情報によって保守履歴データを分割し、分割されたそれぞれの保守履歴データに基づいて当該部品の複数の寿命モデルを算出する。

図３は、機器属性を利用しない場合の単一の寿命モデルＭｓと、機器属性を利用して分割された保守履歴データに基づく複数の寿命モデルＭ１およびＭ２を示している。後者の寿命モデルＭ１およびＭ２は、図２で示した属性情報によって保守履歴データを２つに分割して算出した場合を示したものである。

寿命モデルの算出部１０１は、属性情報付き保守履歴のＤＢ１００に格納されている保守履歴データをそれぞれの属性情報に応じて一方のグループと他方のグループのいずれかに振り分けることにより分割し、分割されたそれぞれの保守履歴データについて寿命モデルＭ１およびＭ２を算出する。寿命モデルＭ１およびＭ２は、例えば日数に対する生存確率によって表される。

本実施形態では、保守履歴データを属性値によって分割する際の基準値（「属性分割基準値」）を、属性Ａ１の「３００」という値としている。すなわち、保守履歴データは属性Ａ１の値が３００以下のグループと、属性Ａ１の値が３００より大きいグループとに分割される。なお、このような属性分割基準値は、属性分割基準値の算出部１０２により、属性情報に含まれる属性Ａ１〜ＡＮのいずれかについて、それぞれの複数の候補のなかから設定され得る。この複数の属性分割基準値の候補について、後に述べる属性分割基準値の算出部１０２によりいずれかの属性分割基準値が決定される。これは、保守履歴データの分割に基づく最適な寿命モデル群を規定する。

本実施形態において、寿命モデルの算出部１０１は、属性分割基準値によって保守履歴データを２つに分割する。これにより得られた第１の保守履歴データに基づいて第１の寿命モデルＭ１が算出され、第２の保守履歴データに基づいて第２の寿命モデルＭ２が算出される。また本実施形態では、これら第１および第２の寿命モデルＭ１およびＭ２を求める際に、寿命モデルの算出部１０１が第１および第２の寿命モデルＭ１およびＭ２間の非類似度を算出する。非類似度としては、ログ・ランク検定のｐ値としてもよい。図３に示すように、属性Ａ１の値「３００」を属性分割基準値とし、これにより保守履歴データを２つに分割して得た第１および第２の寿命モデルＭ１およびＭ２間の非類似度は例えば「０．００１２３９」であった。

寿命モデルの算出部１０１から属性分割基準値の算出部１０２へ属性分割基準値と非類似度の組が送られる。また、寿命モデルの算出部１０１において算出された寿命モデルＭ１およびＭ２は、属性および属性分割基準値ごとに故障モード数の推定部１０３に送られる。

故障モード数の推定部１０３は、寿命モデルＭ１およびＭ２のそれぞれについて故障モード数を推定する。図４は、故障モード数の推定部１０３による各寿命モデルの故障モード数の推定結果を示している。後述する推定方法に基づく故障モード数のヒストグラムにより、寿命モデルＭ１については故障モード数が「２」と推定され、寿命モデルＭ２では故障モード数が「１」と推定される。

属性分割基準値の算出部１０２は、寿命モデルの算出部１０１により算出された寿命モデル間の非類似度と故障モード数の推定部１０３により各寿命モデルについて推定された故障モード数とに基づいて、最適な属性分割基準値を算出する。

属性分割基準値の算出部１０２により算出された最適な属性分割基準値に基づく最適な寿命モデル群は、寿命モデルの算出部１０１から保守支援情報の算出部１０４に送られる。保守支援情報の算出部１０４は、寿命モデルの算出部１０１から送られてきた最適な寿命モデル群に基づいて保守支援情報１０５を算出する。例えば図５に示すように、寿命モデルＭ１における生存確率９９％点の日数Ｄ１および寿命モデルＭ２における生存確率９９％点の日数Ｄ２を保守支援情報１０５とする。このような保守支援情報１０５は、部品交換の基準値に利用したり、部品故障のモンテカルロシミュレーションを行う際の部品の故障発生確率として利用したりすることができる。

保守支援情報１０５として部品交換計画を出力してもよい。図６は、部品交換計画の例である。図６では、部品ＩＤが「0001」である部品名「aaa」の最適な属性分割基準値が属性Ａ１の「３００」という値であることが示されている。保守期間が２０年の場合、属性「Ａ1≦３００」の寿命モデルから得られる交換基準値に基づく交換回数と、属性「Ａ1＞３００」の寿命モデルから得られる交換基準値に基づく交換回数は両方とも「１回」である。これに対し、保守期間が３０年の場合、属性「Ａ1≦３００」の寿命モデルから得られる交換基準値に基づく交換回数は「１回」であるが、属性「Ａ1＞３００」の寿命モデルから得られる交換基準値に基づく交換回数は「２回」である。このように、必要な交換回数が変化することが分かる。保守支援情報１０５は本実施形態で示したものに限定されず、当業者にとって自明な種々の情報としてもよい。また、上記では属性情報付き保守履歴データを２つに分割して寿命モデルＭ１およびＭ２を作成することについて説明したが、保守履歴データの分割数は２に限定されない。保守履歴データを３以上のグループに分割してもよい。

図７は、実施形態に係る保守支援情報算出装置の動作手順を示すフローチャートである。以下、このフローチャートのステップに従って、本装置の動作手順を説明する。この動作手順では、ある一種類の部品Ｘに関して本装置が動作する場合で説明しているが、複数の部品に関して同様の動作を行うことにより、複数の部品それぞれについて保守支援情報を算出することができる。

ステップＳ１００では、保守支援情報１０５を算出する対象部品（この説明では「部品Ｘ」）を選定する。ステップＳ１０１では、属性情報付き保守履歴のＤＢ１００に格納されている部品Ｘの属性情報付き保守履歴データを寿命モデルの算出部１０１に読み込む。

寿命モデルの算出部１０１に読み込まれた属性情報付き保守履歴データから、当該保守履歴データを分割するための属性分割基準値の候補を読み込む（ステップＳ１０２）。例えば、属性として属性Ａ１、属性Ａ２、属性Ａ３の３つがあって、属性Ａ１の属性分割基準値が｛１００、２００、３００｝、属性Ａ２の属性分割基準値が｛１０、１５、２０｝、属性Ａ３の属性分割基準値が｛４５、９０、１３５｝であるとする。属性分割基準値によって保守履歴データを２分割する場合は、属性分割基準値の候補は９通りあることになる。この９通りの候補から１つずつ処理を行うため、候補を１つ選択し（ステップＳ１０３）、ステップＳ１０４とＳ１０５の処理を行う。

選択された候補の１つである属性分割基準値を利用して保守履歴データを２つに分割した上で２つの寿命モデルを求め、これら寿命モデルの間の非類似度を算出する（ステップＳ１０４）。このような寿命モデル間の非類似度の算出方法としてはログ・ランク検定を行ってそのｐ値を算出することが挙げられる。ログ・ランク検定におけるｐ値が属性分割基準値の当該候補に対して算出される。ログ・ランク検定は２つの寿命モデルに差があるかどうかを検定するものであり、ログ・ランク検定のｐ値が小さい属性分割基準値ほど、２つの寿命モデルの間に大きな差があることを期待することができる。なお、非類似度としてはログ・ランク検定のｐ値に限定されない。

さらに、分割した保守履歴データそれぞれについて故障モード数を推定する（ステップＳ１０５）。先述した図４では、故障モード数のヒストグラムによる推定を示した。ここで故障モード数の推定方法としては、例えば非特許文献（Marin et al.(2005), Using Weibull Mixture Distributions to Model Heterogeneous Survival Data, Communications in Statistics---Simulation and Computation, 34:673-684）で提案されている手法を利用することが考えられる。この文献では、保守履歴データに対して、次式（１）に示す混合ワイブル分布

によってモデル化を行う。ここで、上式（１）のw_jは混合分布の重みであり、θ_jとa_jはワイブル分布のパラメータである。ｔは生存時間を表す。kは混合分布の混合数である。上記ワイブル分布のパラメータθ_jとa_jをそれぞれ「１」とおくことによって、指数分布を得ることができるため、上式（１）の混合ワイブル分布では指数分布を組み合わせたモデル化が可能である。上記非特許文献では、上記のw_jの事前分布としてディリクレ分布を想定し、θ_jとa_jの事前分布としてそれぞれガンマ分布を想定した上でベイズ推定を行い、さらに上記の式の混合数kについてもベイズ推定の枠組のもとで推定を行う。実際の推定はマルコフ連鎖モンテカルロシミュレーション（ＭＣＭＣ）によって行われる。例えば、ＭＣＭＣを３０００回実行して２００１階から３０００回までのサンプリング結果を利用して混合数kのヒストグラムを作成し、そのヒストグラムの最頻値を混合数kの推定値と考えることができる。推定値としては平均値を利用することも考えられる。故障モードは上記混合分布の構成要素のワイブル分布に従うと仮定することによって、混合数kの推定値は故障モード数の推定値であるとみなすことができる。なお、故障モード数の推定方法はここで述べた方法に限定されない。

ステップＳ１０６では、属性分割基準値の全候補についてステップＳ１０４とＳ１０５が終わっているかどうかを確認し、終わっていない場合は属性および／または属性分割基準値を更新する（ステップＳ１０７）。

以上のステップＳ１０４とステップＳ１０５を全候補について行った後、属性分割基準値の算出部１０２では、各候補からの結果をもとに最適な属性分割基準値を決定する（ステップＳ１０８）。最適化では、ログ・ランク検定のｐ値と故障モード数の両方を考慮に入れる。

ここで、図８と図９は、同一の保守履歴データを異なる属性分割基準値によって分割して２つの寿命モデルを得た結果を示している。図８と図９には、元の保守履歴データの寿命モデルＭｓ、属性分割基準値によって保守履歴データを２つに分割して得た寿命モデルＭ１およびＭ２のそれぞれについて、故障モード数のヒストグラムを示してある。図８と図９の元の保守履歴データは同じものであるとする。

例えば、図８に示すように、ある属性情報によって分割して得た２つの寿命モデルのログ・ランク検定のｐ値が「0.0005」であり、図９に示すように、別の属性情報によって分割して得た２つの寿命モデルのログ・ランク検定のｐ値が「0.002」であるとする。

非類似度の点では、図８の場合の方が図９の場合よりも非類似度の値が大きいことから、図８の分割方法を選ぶのが妥当であると考えられる。しかし、図８に示すように、単一の寿命モデルＭｓでは故障モード数が「２」であると推定されているのに対し、属性情報によって分割して得た２つの寿命モデルＭ１およびＭ２それぞれについて故障モード数が「２」と推定されている。一方、図９に示すように、別の属性情報によって分割して得た２つの寿命モデルＭ１およびＭ２それぞれの故障モード数は「１」と推定されている。このように、非類似度のみによって最適な属性分割基準値を求めてそれに基づく２つ寿命モデルを求めた場合、故障モード数の観点では望ましくない結果が得られる可能性がある。したがって、故障モード数の総和がより少なくなる属性分割基準値を選択することが望ましい。

上記の可能性を考慮して、ログ・ランク検定のｐ値と故障モード数の両方を考慮に入れた最適な属性分割基準値の決定方法としては、例えば、分割データそれぞれから推定された故障モード数の総和が２以下の中で最も小さいｐ値を与える（非類似度が最も大きい）属性分割基準値を最適値とすることが挙げられる。また、仮に故障モード数の総和がどの候補でも２より大きい場合には、総和の最小値よりも２番目に小さい値以下を与える属性分割基準値の候補の中でｐ値が最小となるものを選べばよい。

他の最適化としては、ｐ値の最小値と桁が同じとなるｐ値を与える属性分割基準値が存在する場合には、故障モード数の総和が最小となる属性分割基準値を選ぶ方法でもよい。最適な属性分割基準値の決定方法としては、ここで挙げたものに限定されない。

また、上述の説明においては保守履歴データを２分割する例で説明したが、３以上の複数の分割も同様に行うことができる。例えば、保守履歴データを３分割する場合、まず保守履歴データを２分割した上でさらにそのデータのどちらかを２分割すればよい。

最適な属性分割基準値が決まった後に保守支援情報の算出部１０４は最適な属性分割基準値よって与えられる複数の寿命モデルから保守支援情報１０５を算出する（ステップＳ１０９）。保守支援情報１０５として、上述したようにある生存確率の日数を部品交換の基準値としたり、部品交換計画、部品故障シミュレーション用の故障発生確率などを算出することができるが、ここで述べたものに限定されない。

以上説明した実施形態によれば、機器の属性情報に基づいて適切に分割された保守履歴データから最適な寿命モデル群を求めることができる。このような最適な寿命モデル群に基づいて適正な保守支援情報１０５を算出することができる。

具体的には、機器の属性情報に基づいて分割された保守履歴データから寿命モデル群を求める際に、寿命モデル間の非類似度に加えて故障モード数が考慮される。これにより寿命モデル群が最適化されて適切な保守支援情報を算出することができる。このことは、寿命モデル間の非類似度のみを考慮した場合に比べ、より効率的な保守の実現に寄与する。

上記の実施形態は、１台のコンピュータによって実現することができるが、複数のコンピュータによって実現してもよい。例えば、属性情報付き保守履歴のＤＢ１００をデータベースサーバとし、寿命モデルの算出部１０１と属性分割基準値の算出部１０２と故障モードの推定部１０３と保守支援情報の算出部１０４とを１台のコンピュータ上で実現し、当該サーバから随時データを呼び出すという実現方法であってもよい。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１００…属性情報付き保守履歴のデータベース（ＤＢ）；
１０１…寿命モデルの算出部；
１０２…属性分割基準値の算出部；
１０３…故障モード数の推定部；
１０４…保守支援情報の算出部；
１０５…保守支援情報

Claims

少なくとも１つの属性値を有する保守履歴データを記憶するデータベースと、
属性分割基準値により前記保守履歴データを第１の保守履歴データと第２の保守履歴データとに分割し、前記第１の保守履歴データに基づいて第１の寿命モデルを算出し、前記第２の保守履歴データに基づいて第２の寿命モデルを算出するとともに、前記第１の寿命モデルと前記第２の寿命モデルの間の非類似度を算出する第１の算出部と、
前記第１の寿命モデルと前記第２の寿命モデルのそれぞれから故障モード数を推定する推定部と、
前記非類似度および前記故障モード数に基づいて、前記少なくとも１つの属性値から、前記第１の寿命モデルと前記第２の寿命モデルの前記非類似度がもっとも大きい場合の属性分割基準値を最適な属性分割基準値として算出する第２の算出部と、
前記最適な属性分割基準値による前記保守履歴データの分割に基づく寿命モデル群から保守支援情報を算出する第３の算出部と、を具備する保守支援情報の算出装置。
前記第１の算出部は、前記非類似度としてログ・ランク検定のｐ値を算出する請求項１記載の装置。
前記推定部は、混合ワイブル分布に基づいて前記故障モード数を推定する請求項１記載の装置。
前記第２の算出部は、前記第１の寿命モデルと前記第２の寿命モデルのそれぞれから推定された故障モード数の和が所定値以下であってかつ前記非類似度が最も大きい場合の属性分割基準値を最適な属性分割基準値として算出する請求項１乃至３のいずれかに記載の装置。
少なくとも１つの属性値を有する保守履歴データをデータベースに記憶するステップと、
第１の算出部が、属性分割基準値により前記保守履歴データを第１の保守履歴データと第２の保守履歴データとに分割し、前記第１の保守履歴データに基づいて第１の寿命モデルを算出し、前記第２の保守履歴データに基づいて第２の寿命モデルを算出するとともに、前記第１の寿命モデルと前記第２の寿命モデルの間の非類似度を算出するステップと、
推定部が、前記第１の寿命モデルと前記第２の寿命モデルのそれぞれから故障モード数を推定するステップと、
第２の算出部が、前記非類似度および前記故障モード数に基づいて、前記少なくとも１つの属性値から、前記第１の寿命モデルと前記第２の寿命モデルの前記非類似度がもっとも大きい場合の属性分割基準値を最適な属性分割基準値として算出するステップと、
第３の算出部が、前記最適な属性分割基準値による前記保守履歴データの分割に基づく寿命モデル群から保守支援情報を算出するステップと、を含む保守支援情報の算出方法。
前記非類似度を算出するステップは、前記第１の算出部が、前記非類似度としてログ・ランク検定のｐ値を算出するステップを含む請求項５記載の方法。
前記故障モード数を推定するステップは、前記推定部が、混合ワイブル分布に基づいて前記故障モード数を推定するステップを含む請求項５記載の方法。
前記最適な属性分割基準値を算出するステップは、前記第２の算出部が、前記第１の寿命モデルと前記第２の寿命モデルのそれぞれから推定された故障モード数の和が所定値以下であってかつ前記非類似度が最も大きい場合の属性分割基準値を最適な属性分割基準値として算出するステップを含む請求項５乃至７のいずれかに記載の方法。