JP6232498B2

JP6232498B2 - 装置劣化の発生原因推定方法、及びその装置

Info

Publication number: JP6232498B2
Application number: JP2016537646A
Authority: JP
Inventors: 鵜沼　宗利; 宗利鵜沼; 崇佐伯; 晋也湯田
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 2014-07-30
Filing date: 2014-07-30
Publication date: 2017-11-15
Anticipated expiration: 2034-07-30
Also published as: WO2016016956A1; US20170212012A1; US10234360B2; JPWO2016016956A1

Description

本発明は、稼働中に装置が受ける劣化原因を推定する方法、及びその装置に関する。

本技術分野の関連技術として、〔特許文献１〕がある。この公報には、車両の部材や部位の疲労損傷度を推定し、車両の部材や部位を適切にメンテナンスすることができるようにした車両の疲労損傷度診断システムが記載されている。更に、その明細書中には段落〔００８６〕において、「疲労による損傷以外の破損要因としての大入力データを、車両１の走行状態データと関連付けられた疲労損傷度Ｄとともに表示又は出力することができる。」と記載されている。つまり、疲労損傷度Ｄと疲労損傷以外の損傷要因としての大入力データ、走行状態データ（例えば、選択変速段等の変速機の状態、エンジントルク、エンジン回転数）を関連付けて表示出力する技術が述べられている。

特開2013-79920号公報

本発明の目的は、稼働中に装置が受けた劣化量、例えば特許文献１では、繰り返し応力による疲労損傷度を検出する手段を設け、またその発生原因を装置内外のセンサ情報或いは装置の制御及び操作情報をもとに推定する手段を設け、装置劣化の発生原因を特定する事である。

特許文献１では、劣化量の１つである疲労損傷度を検出する手段及び車両の変速機の状態やエンジントルクなどの装置内のセンサ情報及び装置の操作情報を関連付けて表示出力する事に関しては述べられている。従って、疲労損傷度とセンサ情報及び装置の操作情報を対比させて表示することを行っている。

しかし、どのセンサ値あるいはどのような操作が劣化（疲労損傷）に影響を与えたのか。更には、複数のセンサ・制御・操作情報をもとに機械の置かれている環境状態や操作状況などを認識し、劣化（疲労損傷）の発生要因を推定する手段に関しては述べられていない。

上記課題を解決するために、本発明は装置劣化の発生原因推定装置において、
装置が受ける劣化の大きさを検出する劣化検出手段と、前記装置内部部位の観測値、或いは外部からの観測値や装置の制御・操作情報を検出する装置状況観測手段と、前記劣化検出手段の出力値より劣化を受ける区間を検出する劣化区間検出手段と、劣化区間における装置状況観測を用いて劣化の発生要因を推定する発生要因推定手段とを備え、劣化区間における発生要因を出力することを特徴とするものである。

更に、本発明は装置劣化の発生要因推定装置において、前記劣化区間は、劣化の大きさが決められた閾値以上の大きさである時間、或いは、空間上の移動経路区間であることを特徴とするものである。

更に、本発明は装置劣化の発生要因推定装置において、前記劣化区間は、要素分離されたサイクルカウント法で抽出した劣化振幅の波長区間であることを特徴とするものである。

更に、本発明は装置劣化の発生要因推定装置において、前記発生要因毎の劣化の大きさの頻度分布を作成し、発生要因毎の劣化の大きさの発生分布を表示することを特徴とするものである。

更に、本発明は装置劣化の発生要因推定装置において、前記製品の耐久試験で発生させる劣化の要因の大きさを発生要因の頻度分布と同様の頻度分布になるように作成、或いは、作成したタイプテストの劣化要因の妥当性を評価することを特徴とするものである。

また、上記課題を解決するために、本発明は装置劣化の発生原因推定方法において、
装置が受ける劣化の大きさを検出すること、前記装置内部部位の観測値、或いは外部からの観測値や装置の制御・操作情報を検出すること、前記装置が受ける劣化の大きさの出力値より劣化を受ける劣化区間を検出すること、前記劣化区間における装置状況観測を用いて劣化の発生要因を推定すること、劣化を受ける区間における発生要因を出力することを特徴とするものである。

更に、本発明は装置劣化の発生要因推定方法において、前記劣化区間は、劣化の大きさが決められた閾値以上の大きさである時間、或いは、空間上の移動経路区間であることを特徴とするものである。

更に、本発明は装置劣化の発生要因推定方法において、前記劣化区間は、要素分離されたサイクルカウント法で抽出した劣化振幅の波長区間であることを特徴とするものである。

更に、本発明は装置劣化の発生要因推定方法において、前記発生要因毎の劣化の大きさの頻度分布を作成し発生要因毎の劣化の大きさの発生分布を表示することを特徴とするものである。

更に、本発明は装置劣化の発生要因推定方法において、前記製品の耐久試験で発生させる劣化の要因の大きさを発生要因の頻度分布と同様の頻度分布になるように作成、或いは、作成した耐久試験の劣化要因の妥当性を評価することを特徴とするものである。

本発明によれば、どのセンサ値あるいはどのような操作が劣化（疲労損傷）に影響を与えたのかを推定することが実現できる。

更には、複数のセンサ・制御・操作情報をもとに機械の置かれている環境状態や操作状況などを認識し、劣化（疲労損傷）の発生要因を推定することが実現できる。

本発明の実施例の装置劣化の発生原因推定装置の構成図本発明の実施例の推定処理の処理ブロック図本発明の実施例の処理フロー本発明の実施例の測定した応力波形と尖頭値へ間引いた後の関係本発明の実施例の応力振幅値の抽出方法本発明の実施例の応力振幅の開始時刻と終了時刻を描画した図本発明の実施例の劣化発生要因の推定処理の処理フロー実施例の経過時間と繰り返し応力振幅と各センサデータの対比図実施例の経過時間と応力振幅と各センサデータの対比図実施例の変化量と空間データを用いた表示例実施例の発生要因毎の劣化量のヒストグラムを作成する処理ブロック実施例の特定の発生要因による劣化とその頻度分布実施例のタイプテストの評価を行う装置の処理ブロック図実施例のタイプテスト項目を実施した場合の劣化のヒストグラム実施例の劣化要因項目のヒストグラムを重ねた図

以下、本発明の実施例を図面を用いて説明する。

本実施例では、装置劣化の発生原因を推定しその結果を表示、或いは出力を行う装置を説明する。

図１は、本実施例の装置劣化の発生原因推定装置の構成図である。

情報検出部1は、劣化要因推定対象の装置16の内外センサ情報或いは装置の制御及び操作情報を収集する。装置16の例として車両9、電動装置11、回路基板10を装置16の一例として示しているが、これらの装置に限定しているわけではない。

情報検出部1は、各種センサ13、制御信号検出部14、操作信号検出部15などにより構成される。

各種センサ１３は、装置の内部（各部品や部位）或いは外界の状態を検出するセンサである。内部のセンサの位置例として車両9の例では、エンジンの回転数や冷却水温度、車速・油圧、車体に取り付けた加速度・歪センサなどである。外界センサとしては、車両9から外部を撮影しているカメラ（画像を用いた外界センサ）、走行路に取り付けられた路面温度センサ、車両位置近辺の雨量・風速などの気象データなどをネットワーク経由で情報を検出してもかまわない。

制御信号検出部14は、装置の制御を行うための制御信号の受信を行う。制御信号とは車両9の例では、自動変速機の減速比を変更するための制御信号やラジエターバルブの開閉信号など、制御用コントローラ或いはセンサ値の閾値を用いて装置動作を制御している信号を受信した信号である。

操作信号検出部15は、装置の動作を操作者（人や装置の操作をコントロールする制御装置）が操作した場合の操作信号を検出する。車両９の例では、ステアリングの操作角度やスロットルバルブの開閉量、ブレーキペダルの操作量などである。

情報検出部１で検出された信号は、情報収集部２により情報が収集される。情報収集部2では、各種センサ１３がアナログセンサであれば、情報収集部２に内蔵されたA/Dコンバータを用いてアナログデータをサンプリングしてデジタルデータに変換し、各種センサ13, 制御信号検出部14, 操作信号検出部15の情報がCANなどの車載ネットワーク内を流れているのであれば、CANに流れている情報から必要な情報を切り出ししたりする。なお、情報検出部１から情報収集部２への情報は、アナログ信号やCANラインのような有線通信以外に、無線通信やインターネット回線或いは携帯電話網を用いた通信手段を用いてもかまわない。

図１の発生原因推定演算部12は装置劣化の発生原因推定演算を行う。情報収集部2,蓄積部3,劣化検出部4,劣化区間検出部5, 劣化区間の発生要因推定部6, 装置状況情報8の処理ブロックが描かれているが、このすべてを１つの演算処理装置（例えば、パーソナルコンピュータ）で処理を行う事も可能であるし、各ブロック毎に独立な演算処理装置で処理を行い、処理結果を有線或いは無線の通信手段を用いて伝送してもかわない。

発生原因推定演算部12に関しては、以下に処理ブロック毎の概要を示し、その後処理の詳細を述べる。

情報収集部2で収集された情報は、蓄積部３に蓄積される。なお、蓄積部3は後に述べる劣化検出演算部4から劣化区間の発生要因推定部6において情報収集部2で収集した時系列データをある時間区間蓄積する必要がある場合に必要になる構成ブロックであり、時間蓄積区間が必要とならない逐次処理の場合であれば蓄積部３は必須ではない。

劣化検出部4は情報蓄積部3の蓄積データを用いて劣化量を検出する。繰り返し応力による疲労劣化（疲労損傷）を検出する場合には、繰り返し応力を検出するサイクルカウント法を用いたり、絶縁劣化や半導体素子の劣化の場合には印加された電圧の大きさや絶縁材の温度に閾値を設定したりして検出を行う。

劣化区間検出部5は、劣化を受けた時間区間を検出する。劣化を受けた区間とは、疲労劣化の場合であれば、１回の繰り返し応力の開始時刻から終了時刻までの区間である。絶縁劣化や半導体素子の劣化の場合は、印加電圧或いは温度が閾値を越えた時刻を開始時刻とし、閾値よりも値が下がった時刻を終了時刻とした時間区間である。

劣化区間の発生要因推定部6は、情報蓄積部3に記憶されている装置状況情報8を劣化区間検出部5で検出した劣化区間を参照情報として劣化の発生要因の推定処理を行う。

推定した結果は、発生要因の表示、出力手段及び記憶部７を用いて表示・出力される。

次に、図２に推定処理の詳細を処理フローを用いて説明する。

(1)処理ステップ20
装置のセンサ・制御・操作・環境などの装置状況情報を図１の情報検出部１を用いて収集する。

(2)処理ステップ21
収集した情報に時刻情報を対応付けて図１の蓄積部3に蓄積する。時刻情報と対応付ける事により他の収集情報との比較や劣化区間との対応付けが可能になる。

(3)処理ステップ22及び処理ステップ23
劣化検出に関連する装置状況情報を用いて装置が受けた劣化量を検出し、劣化を受けた時間区間（劣化区間）を検出する。処理ステップ22及び23の処理に関して、疲労劣化を例とした場合の処理フローを図３を用いて説明する。図３は、応力波形から繰り返し応力を抽出するために利用されているレインフロー法を応用し疲労劣化時間区間を検出するための手順を説明している。
先ず、各種センサ(応力関連のセンサ)１３でサンプリングされ時刻情報を付加されたデータ（測定した時系列応力データ30）は、尖頭値への間引き処理３１が行われる。

測定した応力波形と尖頭値へ間引いた後の関係を図4に示す。図４で点線で描いた曲線が測定した応力波形40、点A,B,C,D,E,F,Gが尖頭値41である。尖頭値とは、計測データの極大値あるいは極小値を表す極値である。疲労被害の大きさは応力波形の極大値から極小値までの差である応力範囲に依存し、極大値から極小値まで変化した時間はあまり依存しない。従って、図4の尖頭値Ａ及び尖頭値Ｂの応力の値及びその差分が重要であり、尖頭値Ａから尖頭値Ｂまで変化した応力波形の形は重要でない。従って、レインフロー法では尖頭値データに変換した後のデータを用いる事が前提となっている。そこで、処理31ではこの尖頭値への間引き処理を行う。

処理ステップ32ではレインフロー法を用いて閉じた応力振幅値の抽出処理を行う。

応力振幅値の抽出方法を図示したものを図5に示す。図５の上半分が尖頭値に変換した応力波形、図５の下半分が抽出した応力振幅を示す。レインフロー法では、尖頭値Cの値が尖頭値Aよりも小さい場合、尖頭値BとCの差分を閉じた応力振幅とし、尖頭値BとCの応力差を応力範囲或はその1/2を応力振幅とし抽出し出力する。閉じた応力とは応力変化の開始地点の応力値と終了地点の応力値が等しい応力変化である。この閉じた応力振幅により発生した疲労被害が１サイクル疲労被害である。出力時に尖頭値B及びCを尖頭値リストから削除し、尖頭値応力波形をA-D-E-D-Gとして処理を続行する。つまり、ここで抽出された閉じた応力振幅は、A’-B-Cとなる。

閉じた応力振幅の時刻を記憶する処理ステップ33では、応力振幅の最終値である尖頭値Cの時刻T_afを記憶する。これにより、応力振幅の終了時刻が判明する。

次に、処理34では閉じた応力振幅の開始時刻を算出する。開始時刻はA’であるが、A’は尖頭値ではない。しかし、閉じた応力であるのでA’の応力値は尖頭値Cと同じ値である。そこで、尖頭値Cより線50に示すように等応力線を引き尖頭値A及びBを結んだ直線の交点を求める事により開始時刻T_asを求める事ができる。なお、算出した開始時刻を用いた場合、後で説明する状態情報との対応付けが困難になる場合があるので、尖頭値に間引く前の測定した時系列応力データ30のなかで一番近い測定時刻をT_asとしてもかまわない。

処理ステップ35では、抽出した閉じた応力振幅の（応力振幅値a,開始時刻T_as、終了時刻T_af）を対応付けて記憶する。

処理ステップ32から処理ステップ３６までの処理を閉じた応力振幅が無くなるまで実行し、処理ステップ３７において抽出した（応力振幅値,開始時刻、終了時刻）の列｛この実施例では応力振幅a,b,c及びそれに対応付けられた時刻｝を出力する。
図６は応力振幅の開始時刻と終了時刻を描画した図である。応力振幅A’-B-Cを始点・終点時刻及び応力振幅aによる長方形60 を用いて表している。図６により応力振幅の発生範囲が検出できる事がわかる。

このようにして疲労劣化時間区間が検出される。なお、検出された結果をデータベース等に一時記憶してもよい。
(4)処理ステップ24
装置状況情報を用いて劣化区間における劣化発生要因の推定処理を行う。

図7に劣化発生要因の推定処理の処理フローを示す。

記憶装置70には図3の処理ステップ３７で出力された疲労劣化区間が記憶されている。記憶装置73には蓄積部3に記憶されている装置状況情報8が記憶されている。図8は、記憶装置70及び記憶装置73の一例としてダンプトラックの例を示す。時刻86以前が空荷でダンプトラックが移動している区間。時刻86から時刻87の区間がショベルカーを用いてダンプトラックに土砂を荷積みしている区間。時刻87から時刻800までが積載状態でダンプトラックが移動している区間。時刻800から時刻801がダンプボディを持ち上げて積載した土砂を放土している区間である。グラフ80はダンプボディ角度（放土のためにダンプボディを持ち上げた角度）、グラフ81はダンプトラックの車速度、グラフ82は積載物を含めたダンプトラックの重量、グラフ83はダンプトラックのある部位に取り付けた歪センサの出力、グラフ84は歪センサの出力から図3の手法を用いて抽出した繰り返し応力の応力値とその区間（劣化区間）を表わしたものである。

従って、図8の例の場合、記憶装置70にはグラフ84の繰り返し応力と劣化区間の情報が、記憶装置73にはグラフ80,グラフ81,グラフ82の情報が格納されている。

処理ステップ71では推定対象の劣化区間を選択する。例えば、図8のグラフ85は劣化区間の１つであるが、マウスポインタなどを使ってグラフ85部分を利用者が選択しても良いし、記憶装置70に蓄積されている複数の劣化区間を処理を行う演算装置が順次選択してもかまわない。

処理ステップ72では推定処理に必要な項目から劣化区間に対応する区間を記憶装置73の装置状況情報より切り出す。図8の例では、選択したグラフ85は時刻86を始点、時刻87を終点とする劣化区間であるので、グラフ80,グラフ81,グラフ82を時刻86-時刻87で切り出す。

処理ステップ74では劣化区間の装置状況情報を用いて劣化要因推定処理を実行する。劣化要因推定処理には様々な処理が考えられる。例えば、区間内で一番変化量の大きなセンサ値を抽出し、そのような事象が発生した場合に想定される発生原因を紐付ける手法、複数のセンサ値の値があらかじめ設定した値以内に入った場合、そのような事象が発生した場合に想定される発生原因を紐付ける手法など様々な手法が考えられる。本実施例ではその推定手法そのものは規定せず、推定する項目に応じて最適な推定手法を選択する。

図8の例では、グラフ80,グラフ81,グラフ82の時刻86-時刻87において変化量が大きいのはグラフ82の重量変化である。重量変化が大きく、その変化の傾きが増加方向にある場合それを「積載中」と紐付けておけば、グラフ85の劣化区間は荷積み開始から終了までの間に発生する重量変化により車体が受けた１回の繰り返し応力と推定する事ができる。また、重量変化の大きさにも対応付けをして、劣化区間の変化量がダンプトラックの積載限界に近いような値であれば、荷積み開始から終了までの間に発生する重量変化、ショベルカーの１回のバケット量に近い値であれば、１回のバケットによる荷積みによる応力変化として推定する事も可能である。図８の例では劣化区間88と同じ時間区間で変化量が大きなセンサはグラフ82の重量を示すグラフ89であり、これは、１回のバケットによる荷積みによる重量変化による応力変化による劣化であると推定できる。

また、別の例として劣化区間804では、グラフ80とグラフ82の値の変化が大きい。グラフ80ではダンプボディを持ち上げ(角度が大きくなり)、その後持ち上げを解除してもとの位置に戻している(水平に戻っている)。また、車両重量も荷積みの状態から空荷の状態に変化している。従って、このようなセンサの変化がある場合「放土」と紐付けしておけば、劣化区間804の劣化の発せ御要因は「放土」による重量変化により１回の繰り返し応力により劣化であると推定する事ができる。

本実施例では、図3の手法を用いて劣化区間を抽出し、その時間区間に限定して発生要因の推定処理を行っている。そのため、推定区間に特化した処理を行う事ができるため単純な推定処理でも精度の高い推定結果を期待できる。
(５)処理ステップ25 このようにして推定した結果は処理ステップ75で出力される。
また、この推定した結果は図２の処理ステップ25で劣化区間における劣化の発生要因を表示或いは出力する。

(６)処理ステップ2６
出力結果は処理ステップ26で、データベースなどに記憶される。

最後に、図１の発生要因の表示、0出力及び記憶部7では、処理ステップ75及び処理ステップ25により出力された結果を画面上に表示したり、他の処理向けに出力したりする。

本実施例により、劣化区間の発生要因を推定する事が可能になる。

本実施例では、図１の発生要因の表示、出力及び記憶部7による表示例を説明する。

図９は時系列データを用いた表示例である。図９の横軸は経過時間、図９上半分がサスペンション圧力及び車両の移動速度を表わしている。車両の移動速度91、サスペンションの圧力変化90を表わしている。下半分は、図３の処理フローにより求めた劣化の大きさ（劣化量と比例する応力振幅を図では表示）と劣化区間を表わしたものである。例えば、グラフ92は抽出された１つの劣化区間を表わしており、縦軸方向の大きさが応力振幅値、時刻95が劣化区間の開始時刻を時刻96が劣化区間の終了時刻を表わしている。このように、図９には複数の劣化区間が描画されている。

図９の実施例では、複数描かれた劣化区間のそれぞれの発生要因を表示する。例えば、マウスポインタをグラフ93の位置に置きクリックする。すると、マウスポインタが選択している劣化区間の１つが選択されて太線表示に変化する。この操作により発生要因対象となる劣化区間が特定できる。特定された劣化区間における発生要因をＩＤ情報などの特定手段を用いて発生要因の表示、出力及び記憶部7より抽出する。抽出結果を例えば吹き出し図形９７を用いて「荷積み：100%」のように表示する。この実施例では、劣化区間の発生要因推定部6に、発生要因の寄与度などを出力するアルゴリズムを利用した場合の例を示している。寄与度とは、ある事象が発生した場合の発生要因を、１種類の発生要因とするのではなく、事象発生の寄与度を発生要因毎の重みで表現した手法であり、多変量解析などの手法で一般的に利用されている手法である。吹き出し図形97の例では、この劣化区間の発生要因は「荷積み」だけによるものと推定される。マウスポインタをグラフ94の位置に置いた場合には吹き出し図形98のように表示され、「路面荒れ：60%」、「ブレーキ操作:40％」のように表示され、この劣化要因は路面荒れとブレーキ操作によるものでありその寄与度は60%、40%であると事が分かる。

なお、本実施例では応力波形から応力振幅を抽出しているため、大きな劣化区間の中に小さな劣化区間が入れ子状に抽出されているが、絶縁劣化診断で用いる電圧値の閾値による抽出の場合このような入れ子状態とはならない。入れ子状態でなくても同様な操作で劣化区間を抽出は可能である。

本実施例により、劣化区間が複数抽出された場合でも、それぞれの劣化区間の発生要因が判別することが可能になる。

図１０は空間データ（地理空間）を用いた表示例である。表示例において軸102が経度方向、軸101が緯度方向を、縦軸100が劣化量を表わしている。軸102,軸101を経度・緯度方向としているが、地図や図面固有のローカル座標系を用いて表現してもかまわない。グラフ106は、車両の移動経路上における劣化量を描画したものである。図９で示した時系列データと同一時刻における車両の位置情報（空間データ）を対応付ける事により図１０が描画可能である。

図10の吹き出し図形103,104,105は図９と同様に劣化量の波形上でマウスポインタをクリックした時にその劣化要因を表示した例である。どのような場所で劣化量が大きくなり、その発生要因をマウスポインタの操作により表示できるようになる。
本実施例により、空間データと対応付けることにより、場所による劣化の発生要因を判別することが可能になる。

本実施例では、図１の発生要因の表示、出力及び記憶部7による出力結果を利用し発生

要因毎の劣化量のヒストグラムを作成する例を説明する。

図11は、発生要因毎の劣化量のヒストグラムを作成するための処理ブロックである。

情報検出部1及び装置劣化の発生要因推定部12は図1で説明した同じ符号の構成と同じ物である。

発生要因及び劣化量の蓄積部110である。例えば、図9の実施例であれば、劣化量とは劣化区間93における応力振幅値、発生要因は推定処理部で推定した「荷積み」である。

発生要因毎のヒストグラムを作成する処理部111、その結果を表示或いは出力するヒストグラムの表示及び出力部である。

図12に処理後の表示例を示す。図１２において、車両の移動経路120が表示され、車両の移動経路120の中には劣化が多く発生する区間121、122がある。

グラフ123は移動経路全区間で受けた劣化の大きさの頻度分布を示す。移動経路上では劣化が多く発生する区間と少ない区間が存在する。従って、全区間において発生した劣化の大きさの頻度分布はグラフ123のような分布となる。グラフ123では、全区間に受けた劣化の大きさの頻度分布は分かっても、どのような発生要因によりこのような分布になったのかは判定が難しい。

グラフ124及びグラフ125は全区間の劣化から特定の発生要因による劣化を抜き出しその頻度分布を作成したものである。グラフ124は発生要因が路面の荒れによるもの、グラフ125はブレーキ減速によるものである。このように、発生要因毎の劣化の大きさの頻度分布を作成する事により、発生要因毎の劣化の大きさ及びその発生頻度の分布を読み取る事が可能になる。これにより、この移動経路中で受ける劣化の発生要因（グラフ125に比べてグラフ124の方が大きな劣化の頻度が多い）が何によるものなのかが明らかにする事が可能になる。大きな劣化を与えている要因は装置の寿命を短くしている要因であり利用者は、この表示結果をもとに、大きな劣化を与えている発生要因を少なくするような対策（グラフ124の場合、路面の整備）を行う事により装置の寿命を延ばすことが可能になる。なお、本実施例では図12を表示させ利用者が目視判断して劣化要因の対策を行う説明を行ったが、大きな劣化の頻度が高い発生要因を自動抽出する処理を図11のヒストグラムを作成する処理部111の後に設け、自動的に劣化発生要因を表示させる装置の製作も可能である。

本実施例により、装置稼働中に受ける様々な劣化要因のなかから、装置の寿命に影響を及ぼす劣化要因を抽出できるようになり、抽出された結果をもとに劣化要因の対策を行うことにより装置の寿命を延ばす事が可能になる。

本実施例では、図11で説明した劣化要因毎の劣化の大きさのヒストグラムの結果をもとに装置のタイプテストの妥当性を評価するための装置に関して説明する。

タイプテストとは、装置が正常な動作を行えるか、設計時に想定した装置寿命があるかを、決められた装置の動作パターンを用いて評価検証するテストである。従って、装置の動作パターンが実際の現場環境を反映しているのであれば正確な装置評価を行う事ができる。従来は、設計者が現場環境を想定し、それをもとに動作パターンを作成していたし、その動作パターンの妥当性を評価する手段も存在しなかった。そのため、実際の現場環境を反映していない場合もある。本実施例では、作成した動作パターンの妥当性評価や作成した動作パターンの修正を行う装置に関して説明を行う。

図13はタイプテストの評価を行う装置の処理ブロック図を示す。処理ブロック図において、現場で収集した発生原因毎のヒストグラムを蓄積したデータベース132を備えている。例えば、全世界で稼働する装置から収集した発生原因毎のヒストグラムを蓄積しても良いし、地域毎・装置の使用目的ごとに分類して蓄積しても良い。つまり、実際の現場での使用状況が蓄積されたデータである。

点線133までの処理ブロックは、タイプテストを行った時に装置から収集したデータを処理する流れであり図11の実施例と同様の処理を行う。

比較検証部１３０では、タイプテストで行ったテストパターン項目（例えば：「ブレーキ操作」「不整地走行」）とそれに対応する劣化の発生要因項目（図10の項目では「ブレーキ操作」「路面荒れ」）のヒストグラムを比較する。タイプテストで収集したヒストグラムの傾向と実現場で収集したヒストグラムの傾向が類似していれば想定したタイプテストのテスト動作内容は、現場での使用状況を模擬していると判断できるし、類似していなければ、類似するようにタイプテストのテスト動作内容を変更する。その様子を図14及び図15に示す。

図14はあるタイプテスト項目を実施した場合の劣化のヒストグラムである。グラフ141があるテスト項目のヒストグラムを表わしている。図1５は、図14にタイプテスト項目に対応する実現場での劣化要因項目のヒストグラムを重ねたものである。グラフ140が実現場での劣化要因項目のヒストグラムである。これにより、実現場では劣化の大きさが大きい部分の頻度が大きい事が分かる（領域142部分）。例えばこのテスト項目が「不整地走行」とすると、現場の不整地道路はタイプテストで利用する不整地走行路よりも荒れている事が想定され、タイプテストで利用する不整地走行路の修正が必要である事がこの結果から判明する。

なお、ヒストグラムの類似度比較は、評価者が目視判断しても良いし、評価装置内に波形の相関・類似度比較処理部を設け自動検出してもかまわない。

本実施例によりタイプテストの妥当性を評価する事が可能になる。

Claims

装置が受ける劣化の大きさを検出する劣化検出手段と、
前記装置内部部位の観測値、或いは外部からの観測値や装置の制御・操作情報を検出する装置状況観測手段と、
前記劣化検出手段の出力値より劣化を受ける区間を検出する劣化区間検出手段と、
劣化区間における装置状況観測を用いて劣化の発生要因を推定する発生要因推定手段とを備え、
劣化区間における発生要因を出力することを特徴とする
装置劣化の発生要因推定装置。
請求項1の装置劣化の発生要因推定装置において、
前記劣化区間は、劣化の大きさが決められた閾値以上の大きさである時間、或いは、空間上の移動経路区間であることを特徴とする
装置劣化の発生要因推定装置。
請求項1の装置劣化の発生要因推定装置において、
前記劣化区間は、要素分離されたサイクルカウント法で抽出した劣化振幅の波長区間であることを特徴とする
装置劣化の発生要因推定装置。
請求項1の装置劣化の発生要因推定装置において、
前記発生要因毎の劣化の大きさの頻度分布を作成し
発生要因毎の劣化の大きさの発生分布を表示することを特徴とする装置劣化の発生要因推定装置。
請求項1の装置劣化の発生要因推定装置において、
前記
製品の耐久試験（タイプテスト）で発生させる劣化の要因の大きさを
発生要因の頻度分布と同様の頻度分布になるように作成
或いは、作成したタイプテストの劣化要因の妥当性を評価することを特徴とする
装置劣化の発生要因推定装置。
装置が受ける劣化の大きさを検出すること、
前記装置内部部位の観測値、或いは外部からの観測値や装置の制御・操作情報を検出すること、
前記装置が受ける劣化の大きさの出力値より劣化を受ける劣化区間を検出すること、
前記劣化区間における装置状況観測を用いて劣化の発生要因を推定すること、
劣化を受ける区間における発生要因を出力することを特徴とする装置劣化の発生要因推定方法。
請求項６の装置劣化の発生要因推定方法において、
前記劣化区間は、劣化の大きさが決められた閾値以上の大きさである時間、或いは、空間上の移動経路区間であることを特徴とする
装置劣化の発生要因推定方法。
請求項6の装置劣化の発生要因推定方法において、
前記劣化区間は、要素分離された劣化振幅（サイクルカウント法で抽出した応力振幅）の波長区間であることを特徴とする
装置劣化の発生要因推定方法。
請求項6の装置劣化の発生要因推定方法において、
前記発生要因毎の劣化の大きさの頻度分布を作成し
発生要因毎の劣化の大きさの発生分布を表示することを特徴とする装置劣化の発生要因推定方法。
請求項6の装置劣化の発生要因推定方法において、
前記製品の耐久試験で発生させる劣化の要因の大きさを発生要因の頻度分布と同様の頻度分布になるように作成、或いは、作成した耐久試験の劣化要因の妥当性を評価することを特徴とする装置劣化の発生要因推定方法。