JP6275070B2 - 設備点検順位設定装置及びプログラム - Google Patents

Description

本発明は、設備点検順位設定装置及びプログラム、特に冷熱設備などの設備から収集される故障履歴に基づいて保守点検を行う設備の優先順位の決定に関する。

従来から、複数の冷熱設備などの設備を、監視センタから監視する遠隔監視サービスがある。この遠隔監視サービスでは、稼動中の設備の温度、圧力等各設備の稼動の状態を示す設備状態データを各設備から収集している。収集した設備状態データの解析により設備の異常が検知されると、保守員は、作成された点検スケジュールに従って異常が検知された設備に対する点検を実施する。

近年では、異常が検知されなくても故障の予兆が発生された設備も点検対象とすることで、異常の発生を未然に防ぐように点検スケジュールを作成する場合がある。異常の発生をより確実に防ぐためには、予兆が発生した設備に対して、早期に故障すると予測される設備、換言すると故障が発生する確率の高い設備を優先して点検するよう点検スケジュールを作成し、故障の発生を低減することが好ましい。

例えば、特許文献１では、故障履歴を予め定められた条件に従ってクラスタリングを行い、クラスタリングした故障履歴のグループ（以下、「故障グループ」）毎に、故障確率分布を作成し、いずれかの故障グループに属することになる設備に対し、当該故障グループに対して作成した故障確率分布に基づき当該設備の保守点検を行う優先度を算出する技術が提案されている。特許文献１では、更に保守員を出動させなければならない設備が故障する限界の時間（出動限界時間）を算出し、この出動限界時間に基づいて保守員を出動させることで設備の故障を一層低減させる技術が提案されている。

特開２０１４−１６７６６７号公報 特開２００３−３０７４６９号公報 特開２０１０−９７３９２号公報 特開２０１４−８４７７４号公報 特開２００５−３８０９８号公報 特開２０１３−２５４６１号公報

従来においては、故障履歴を現場の特性を示すどの特性情報に基づきクラスタリングするかという、その特性情報をクラスタリングするための条件として予め定めていた。そして、予め定められた特性情報に基づきクラスタリングを行って故障グループを形成し、故障グループ毎に故障確率分布を作成していた。保守点検を行う各設備の優先度は、故障グループ毎に求める故障確率分布に基づき算出するので、優先度の精度は故障グループの形成に依存すると考えられる。

本発明は、保守点検を行う各設備の優先度の算出単位となる故障履歴情報のグループを、優先度が高精度となるよう形成することを目的とする。

本発明に係る設備点検順位設定装置は、複数の設備それぞれの設置に関する設置環境情報と、当該設備における故障の予兆の発生状況及び予兆後に当該設備に発生した故障に関する発生状況情報と、を含む故障履歴情報を、現場の特性を示す特性情報のうち予め設定された１又は複数の特性情報が指定された複数の分類条件それぞれに従ってグループ化することで複数のグループモデルを作成するグループモデル作成手段と、前記グループモデル作成手段により作成された複数のグループモデルそれぞれに対して、予め設定された評価方法に基づき評価を行い、その評価結果に基づき前記複数のグループモデルの中から、前記故障履歴情報を分類するために用いるグループモデルを決定するグループモデル決定手段と、前記グループモデル決定手段により決定されたグループモデルを作成したときの分類条件に従って前記故障履歴情報を分類することでグループ化し、そのグループ化により形成したグループ毎に、予兆発生から故障するまでの経過時間に伴って変化する故障確率を算出する故障確率算出手段と、前記故障確率算出手段により算出された故障確率に基づいて保守点検を行う設備の優先度を算出する優先度算出手段と、を有するものである。

また、前記グループモデル候補作成手段は、第１のグループモデルを作成したときの分類条件に従って分類することで形成されるグループに含まれる前記故障履歴情報を包含するグループを形成するための第２のグループモデルを作成するものである。

また、前記グループモデル決定手段は、予め決められた１又は複数の評価指標に基づいてグループモデルを決定するものである。

また、前記グループモデル決定手段は、複数の評価指標を用いてグループモデルを決定する場合、評価指標に重み付けをするものである。

また、前記グループモデル決定手段が各グループモデルの候補を評価する際に出動限界時間と故障確率との関係を評価指標として用いる場合、出動限界時間に従って保守員を出動させるよう運用を開始した後に得られた故障履歴情報に基づく出動限界時間と故障確率との関係を示すデータのうち故障確率が所定の閾値以上に増加しなくなった出動限界時間以降のデータを、実際の故障確率より高くなるよう補正する補正手段を有するものである。

また、所定期間における故障履歴情報に基づき得られる故障した設備の数が閾値を超えた場合に前記故障履歴情報を分類するために用いるグループモデルを更新させる更新手段を有するものである。

また、前記閾値は、時間の経過に伴い小さい値になるよう更新されるものである。

本発明に係るプログラムは、コンピュータを、複数の設備それぞれの設置に関する設置環境情報と、当該設備における故障の予兆の発生状況及び予兆後に当該設備に発生した故障に関する発生状況情報と、を含む故障履歴情報を、現場の特性を示す特性情報のうち予め設定された１又は複数の特性情報が指定された複数の分類条件それぞれに従ってグループ化することで複数のグループモデルを作成するグループモデル作成手段、前記グループモデル作成手段により作成された複数のグループモデルそれぞれに対して、予め設定された評価方法に基づき評価を行い、その評価結果に基づき前記複数のグループモデルの中から、前記故障履歴情報を分類するために用いるグループモデルを決定するグループモデル決定手段、前記グループモデル決定手段により決定されたグループモデルを作成したときの分類条件に従って前記故障履歴情報を分類することでグループ化し、そのグループ化により形成したグループ毎に、予兆発生から故障するまでの経過時間に伴って変化する故障確率を算出する故障確率算出手段、前記故障確率算出手段により算出された故障確率に基づいて保守点検を行う設備の優先度を算出する優先度算出手段、として機能させるためのものである。

本発明によれば、保守点検を行う各設備の優先度の算出単位となる故障履歴情報のグループを、優先度が高精度となるよう形成することができる。

また、第１分類条件に従い作成された複数のグループモデルを包含するようグループモデルを作成することで第１分類条件に従い作成されたグループモデルより多くの故障履歴情報を含むグループモデルを作成することができる。

また、本発明適用後において得られた出動限界時間と累積故障確率との関係を、累積故障確率を高くなるよう補正することによってグループモデルを変更する際に適切なグループモデルが選ばれるように調整することができる。

また、優先度を精度の高い状態に維持することができる。

本発明に係る設備点検順位設定装置の実施の形態１を示したブロック構成図である。 実施の形態１における故障履歴データベースに蓄積される故障履歴を示す故障履歴情報のデータ構成例を示した図である。 実施の形態１における設備点検順位設定装置を形成するコンピュータのハードウェア構成図である。 実施の形態１における分布特性値抽出部の処理を示したフローチャートである。 実施の形態１において分布特性値の抽出のための故障累積確率分布を示すグラフ図である。 実施の形態１における分布特性値抽出部により分布特性値蓄積部に蓄積された分布特性値の一例を示す図である。 実施の形態２における設備点検順位設定装置のブロック構成図である。 実施の形態２において実施の形態１における設備点検順位設定装置の適用前後の出動限界時間と累積故障確率との関係を示したグラフ図である。 図８Ａに対し、更に設備点検順位設定装置の適用後の出動限界時間と累積故障確率との関係を補正した後のグラフを示した図である。 実施の形態３における設備点検順位設定装置のブロック構成図である。 実施の形態３において時間（月）と故障設備率との関係を示した図である。

以下、図面に基づいて、本発明の好適な実施の形態について説明する。

実施の形態１．
図１は、本発明に係る設備点検順位設定装置の一実施の形態を示したブロック構成図である。図１には、冷熱設備２、稼動履歴受信部３、故障履歴データベース（ＤＢ）４及び設備点検順位設定装置１０が示されている。図１に示すように、設備点検順位設定装置１０には、稼動履歴受信部３と故障履歴データベース４とを介して複数の契約先施設に設置された複数の冷熱設備２が接続されている。本実施の形態では、冷熱設備２を点検対象の設備として図示しているが、点検が必要となるその他の設備でもよい。

設備点検順位設定装置１０、稼動履歴受信部３及び故障履歴データベース４は、例えば監視センタに設置されている。稼動履歴受信部３は、冷熱設備（以下、単に「設備」と称する）２から設備状態を示す設備状態データを受信し、予兆及び異常が発生したときの設備状態データ、また受信した設備状態データを必要により集計するなどして故障履歴情報を生成し故障履歴データベース４に蓄積する。稼動履歴受信部３は通信機能を有するコンピュータにより、故障履歴データベース４はデータベースサーバによりそれぞれ実現してよい。設備状態データを受信して故障履歴データベース４に蓄積する方法としては、設備２の制御装置（図示省略）に搭載された通信ソフトウェアにより、電話回線およびインターネット回線を経由してオンラインで送信する方法などがある。

図２は、本実施の形態における故障履歴データベース４に蓄積される故障履歴を示す故障履歴情報のデータ構成例を示した図である。故障履歴情報は、故障の予兆が発生した日時を示す予兆発生日時に、故障時間間隔、設置環境情報及び発生状況情報が対応付けして構成される。予兆発生日時は、稼動履歴受信部３が設備２から送信されてくる設備状態データを参照することにより予兆の発生が検知された日時である。故障時間間隔は予兆の発生から設備２が故障するまでの時間間隔であり、異常発生日時と予兆発生日時との差分を示した値である。本実施の形態では、日数で示しているが時間でもよい。ここで、「異常」とは、１つの設備状態データが正常範囲内の値を示す正常状態から逸脱した場合をいう。「故障」とは、設備状態データが異常の発生により設備２が停止することをいう。また、「予兆」とは、設備状態データが正常範囲内であっても異常状態に近い状態であることを示す閾値を超えた場合をいう。

設置環境情報は、設備２の仕様及び設置場所に関する情報であり、設備２を特定する設備番号、設備２が設置された建物を特定する建物番号、設備２が備え付けられた住所を示す据付先、据え付けた年度を示す据付開始、設備２の型名及び建物内において設備２が設置された方角を示す設置方向に関する各種情報を含む。本実施の形態では、建物番号と設備番号との組合せを設備２が設置された現場を識別する情報として用いる。

発生状況情報は、予兆及び異常が発生したときの発生状況に関する情報であり、発生した予兆の内容を示す予兆内容、予兆が発生した時点の気温と湿度、予兆が発生した時点の気温と設定温度との温度差、カウントが開始されてから予兆が発生するまでに設備２のサーモスタットがＯＮ／ＯＦＦされた切替回数を示す発停回数、カウントが開始されてから予兆が発生するまでの間に設備２が稼動しているときの時間が積算された運転時間、カウントが開始されてから予兆が発生するまでに設備２のサーモスタットがＯＮのときの時間が積算されたサーモＯＮ時間、運転時間当たりの発停回数を示す発停回数割合、運転時間当たりのサーモＯＮ時間を示すサーモＯＮ時間割合、カウントが開始されてから予兆が発生するまでの間に設備２の室内温度が設定温度に到達する平均時間を示す目標温度到達時間、異常の発生により設備２が停止したときの日時を示す異常発生日時及び発生した異常の内容を示す異常内容に関する各種情報を含む。なお、図２には、上記記載した発生状況情報の一部を図示している。

図３は、本実施の形態における設備点検順位設定装置１０を形成するコンピュータのハードウェア構成図である。本実施の形態において設備点検順位設定装置１０を形成するコンピュータは、従前から存在する汎用的なパーソナルコンピュータ（ＰＣ）のハードウェア構成で実現できる。すなわち、コンピュータは、図３に示したようにＣＰＵ２１、ＲＯＭ２２、ＲＡＭ２３、ハードディスクドライブ（ＨＤＤ）２４を接続したＨＤＤコントローラ２５、入力手段として設けられたマウス２６とキーボード２７、及び表示装置として設けられたディスプレイ２８をそれぞれ接続する入出力コントローラ２９、通信手段として設けられたネットワークコントローラ３０を内部バス３１に接続して構成される。

図１に戻り、設備点検順位設定装置１０は、分布特性値抽出部１１、優先度算出部１２、出動限界時間算出部１３及び分布特性値蓄積部１４を有している。なお、本実施の形態の説明に用いない構成要素については図１から省略している。

分布特性値抽出部１１は、複数の設備２から収集され故障履歴データベース４に蓄積された故障履歴情報を、現場の特性を示す特性情報に基づき分類（クラスタリング）することで、予兆発生状況および設置環境の条件が類似する故障履歴情報毎にグループ化し、そのグループ化された故障履歴情報（故障グループ）毎に予兆発生から故障するまでの経過時間に伴って変化する故障確率を算出して故障累積確率分布を作成し、当該故障累積確率分布から分布特性値を抽出する。本実施の形態における分布特性値抽出部１１は、グループモデル作成部１１１、グループモデル決定部１１２、故障確率算出部１１３、グループモデル蓄積部１１６及びグループモデル記憶部１１７を有している。

グループモデル作成部１１１は、グループモデル候補作成手段として設けられ、故障履歴データベース４に蓄積された故障履歴情報を、予め設定された１又は複数の特性情報が指定された分類条件に基づきグループ化することで、複数のグループモデルを、故障確率算出部１１３が故障確率を算出するグループの候補として作成する。グループモデル蓄積部１１６には、グループモデル作成部１１１により作成されたグループモデルの候補が記憶される。グループモデル決定部１１２は、グループモデル決定手段として設けられ、グループモデル作成部１１１により作成された複数のグループモデルそれぞれに対して、予め設定された評価方法に基づき評価を行い、その評価結果に基づき複数のグループモデルの候補の中から故障確率算出部１１３に故障確率を算出させるグループモデルを決定する。グループモデル記憶部１１７には、グループモデル決定部１１２により決定されたグループモデル及び当該グループモデルを形成した分類条件が記憶される。故障確率算出部１１３は、故障確率算出手段として設けられ、グループモデル決定部１１２により決定されたグループモデルを作成したときの分類条件に従って分類することで故障履歴データベース４に蓄積された故障履歴情報をグループ化し、そのグループ化により形成したグループ毎に故障確率を算出する。

優先度算出部１２は、優先度算出手段として設けられ、分布特性値抽出部１１により算出された故障確率に基づいて予兆が発生した各設備に対して保守点検を行う優先度を算出する。例えば、あるタイミング（例えば、４月１日の６時）に予兆が発生している設備２に対して点検を実施するための点検スケジュールを作成する場合、優先度算出部１２は、このときに各設備２に対して故障確率に基づき得られる分布特性値を参照して優先度を算出することになる。出動限界時間算出部１３は、優先度算出部１２により算出された優先度に基づいて出動限界時間を算出する。保守員は、支社等に待機しており、必要により保守点検先となる建物に向かうことになる。基本的には、故障の予兆が発生した場合、その予兆が発生した設備に対して故障の発生を未然に防ぐために故障が発生すると予測される時間の前に保守点検を実施するのが好適である。「出動限界時間」とは、保守員を出動させなければ設備２が故障する限界の時間のことである。分布特性値蓄積部１４には、分布特性値抽出部１１により抽出された分布特性値が蓄積される。

設備点検順位設定装置１０における各構成要素１１１〜１１３，１２，１３は、設備点検順位設定装置１０を形成するコンピュータと、コンピュータに搭載されたＣＰＵ２１で動作するプログラムとの協調動作により実現される。また、各記憶手段１１６，１１７，１４は、設備点検順位設定装置１０に搭載されたＨＤＤ２４にて実現される。あるいは、ＲＡＭ２３又は外部にある記憶手段をネットワーク経由で利用してもよい。

また、本実施の形態で用いるプログラムは、通信手段により提供することはもちろん、ＣＤ−ＲＯＭやＤＶＤ−ＲＯＭ等のコンピュータ読み取り可能な記録媒体に格納して提供することも可能である。通信手段や記録媒体から提供されたプログラムはコンピュータにインストールされ、コンピュータのＣＰＵがプログラムを順次実行することで各種処理が実現される。

次に、本実施の形態における設備点検順位設定装置１０の動作について説明する。なお、以降の説明では、現場と設備２とは１対１の関係にあるものとし、「設備」と「現場」とをほぼ同義に用いることにする。すなわち、予兆が発生するのは設備２だが、説明の便宜上、予兆が発生するのは現場であるように記載する場合がある。

設備２が稼動している間、稼動履歴受信部３には、予兆又は異常が発生した設備２から故障履歴情報の生成に必要な情報が含まれる設備状態データが送信されてくる。稼動履歴受信部３は、受信した設備状態データを解析することで予兆の発生を検知すると、設備状態データに基づき予兆発生日時、設置環境情報、発生状況情報に含まれる予兆内容、気温、湿度、温度差、発停回数、運転時間、サーモＯＮ時間、発停回数割合、サーモＯＮ時間割合及び目標温度到達時間を設定して故障履歴情報を生成する。また、稼動履歴受信部３は、受信した設備状態データを解析することで異常の発生を検知すると、予兆の発生により生成された故障履歴情報の中から設置環境情報等を参照して異常が発生した設備２に対応する故障履歴情報を特定し、受信した設備状態データに基づき、故障履歴情報の異常発生日時及び異常内容を設定登録する。更に、稼動履歴受信部３は、予兆の発生から異常の発生までの時間間隔を算出して故障時間間隔を設定登録する。

以上のようにして予兆及び故障の発生に伴い稼動履歴受信部３により故障履歴情報が生成されて故障履歴データベース４に蓄積される。

続いて、本実施の形態における分布特性値抽出部１１が実施する処理について図４に示したフローチャートを用いて説明する。

グループモデル作成部１１１は、故障履歴データベース４に蓄積された故障履歴情報を取得し（ステップ１０１）、次のようにして１又は複数の特性情報が指定された分類条件に基づき故障確率算出部１１３が故障確率を算出する単位となるグループモデルの候補を作成する（ステップ１０２）。なお、クラスタリング対象とする故障履歴情報を特定するために期間を指定してもよい。そして、グループモデル作成部１１１は、特性情報として、例えば据付先という属性が設定されている場合、兵庫県、大阪府という属性の項目値（属性値）毎にクラスタリングを行ってグループモデルを作成する。また、予兆発生日時という属性が設定されている場合、時間を例えば１ヶ月などの所定期間に区切って例えば２０１３年４月というグループモデルを作成する。そして、据付先でのクラスタリングにより作成されたグループをグループモデル１、予兆発生日時でのクラスタリングにより作成されたグループをグループモデル２、などのようにして複数のグループモデルの候補を作成する。

上記例では、１つの属性が指定された分類条件によってグループモデルを作成する例を示したが、例えば据付先が兵庫県でかつ予兆発生日時が２００９年３月の故障履歴情報というように複数の属性によるＡＮＤ（論理積）をとって、あるいはＯＲ（論理和）をとってグループモデルを作成してもよい。例えば、１１月に予兆が発生して作成された故障履歴情報というグループモデルではなく、１１月の寒冷地域（北海道及び東北地方）、１１月の温暖地域などとクラスタリングすることで、時節の異なる地域を別のグループモデルに分類することが可能になる。

また、上記のように属性値毎にクラスタリングを行うことで排他的なグループモデルを作成してもよいし、グループモデルに含まれる故障履歴情報の数が増えるようにグループモデルを作成してもよい。例えば、据付先であれば兵庫県、大阪府等据付先の最小単位である属性値毎のクラスタリングにより作成されたグループをグループモデル１に対し、グループモデル１を包含するように拡げ、最小単位である属性値（都道府県、例えば大阪府）に隣接した都道府県（兵庫県、京都府、奈良県、和歌山県）というように、最小単位（属性値）を組み合わせて構成される隣接都道府県毎のクラスタリングにより作成されたグループをグループモデル２、さらにグループモデル２を拡げ、兵庫県、大阪府等を含む近畿地方、静岡県、愛知県等を含む中部地方などと地方毎のクラスタリングにより作成されたグループをグループモデル３として作成する。

このように、狭い範囲となる第１分類条件（上記例の都道府県毎）に従って作成された複数のグループモデル１を包含する第２分類条件（上記例の隣接県）を作成してもよい。なお、グループモデルの範囲を拡げる関係において、グループモデル１とグループモデル２のように包含関係を持たせなくても、グループモデル２とグループモデル３との関係のようにしてもよい。具体的には、兵庫県と広島県との関係のように隣接県ではあるものの異なる地方であるため、都道府県の数は増えることによってグループモデル３に含まれる故障履歴情報の数は増えるものの、グループモデル２に分類される全ての故障履歴情報が含まれるわけではない。

後述するように、故障確率を算出するグループモデルを分類する分類条件を絞り込むと優先度を精度良く算出できる。例えば、大阪府に設置された設備２に予兆が発生すると、大阪府で発生した故障に基づく故障履歴情報を参照することで優先度を精度良く算出することができると考えられる。据付先が大阪府という同じ属性値のみの故障履歴情報を参照するからである。ただ、据付先が大阪府という同じ属性値に絞り込むと、故障履歴情報の数が少なすぎて、ある１つの設備２の故障の影響を多大に受けてしまう可能性が生じうる。つまり、優先度を精度良く算出できているとは言えなくなってくる。

一方、据付先が大阪府の隣接県まで拡げる（つまり、類似した属性値を持つ特性情報に拡げる）分類条件に従いグループモデルを作成すると、優先度の精度が若干低下すると考えられるが、類似する属性値（関連性のある属性値）の故障履歴情報をまとめ情報数を増やすことによって優先度を精度良く算出することができるようになるかもしれない。

本実施の形態では、このように故障履歴情報の数を増やすような分類条件を設定するなどして複数のグループモデルの候補を作成し、後述するようにグループモデル決定部１１２によって各グループモデルの候補を評価し、その中から故障履歴情報の分類に最適なグループモデル、すなわち故障履歴情報をグループ化するのに最適な特性情報を決定するようにしたことを特徴としている。

さらにグループモデルの候補に作成について、予兆発生年月を例にして説明する。２０１５年４月１日の保守点検の優先順位を設定する場合、予兆発生年月が前年同月である２０１４年４月あるいは３月１６日〜４月１５日という１月間に含まれる故障履歴情報にてグループモデル１を作成する。続いて、属性値の範囲を少し広げて、予兆発生年月が前年同月である２０１４年４月±１月（３月〜５月）あるいは２月１６日〜５月１５日という３月間に含まれる故障履歴情報にてグループモデル２を作成する。更に、属性値の範囲を広げて、予兆発生年月が前年同月である２０１４年４月±２月（２月〜６月）あるいは１月１６日〜６月１５日という５月間に含まれる故障履歴情報にてグループモデルを作成する。

このように、他のグループモデルに対してより多くの故障履歴情報が含まれるようにグループモデルを作成する。この際、同じグループモデルに含まれる故障履歴情報には、地域性とか時節性とか、何らかの関連性のある特性情報が含まれるようにするのが好適である。

グループモデル作成部１１１は、以上のようにして複数のグループモデルの候補を作成すると、故障履歴情報と各故障履歴情報が属することになるグループモデルとの対応関係がわかるようにグループモデル蓄積部１１６に登録する。以上の例から明らかなように、グループモデルに含まれる故障履歴情報は、いずれか１つのグループモデルのみに属するというわけではなく、複数のグループモデルに含まれる場合もある。

複数のグループモデルの候補が作成されると、グループモデル決定部１１２は、各グループモデルを評価し、その評価結果に従いグループモデルの中から故障確率を算出し、故障確率分布を求めるためのグループモデルを決定する（ステップ１０３）。上記据付先の例の場合、グループモデル決定部１１２は、都道府県毎、隣接県毎、地方毎のいずれの分類条件に従い故障履歴情報をクラスタリングするのが最適であるかを評価することになる。

本実施の形態におけるグループモデル決定部１１２によるグループモデルの評価指標として、本実施の形態では、５種類の評価指標を提案する。これらのうち、グループモデルを形成する分類条件等に合わせて適正な評価指標を適宜選択すればよい。場合によっては、複数の評価指標を用いて評価し、その評価結果の平均若しくは適宜重み付けをして各グループモデルを評価してもよい。

グループモデルを評価するに当たり、本実施の形態では、保守員は出動限界時間になった時点で予兆が発生した設備２に出動して保守点検を実施するものと仮定する。ここで、グループモデル決定部１１２が評価の際に用いる出動限界時間について説明する。

グループモデル決定部１１２は、評価の際にグループモデル毎に出動限界時間を求めるが、以下に説明する３通りの方法のうち所望の方法にて出動限界時間を求めればよい。

第１に、出動限界時間算出部１３と同じ計算方法にて算出する。これは、本願と同一出願人による特許出願（特開２０１４−１６７６６７号公報（特許文献１）、発明の名称「設備点検順位設定装置」）の明細書に記載されたのと同じ方法にて算出する。

第２に、当該グループモデルに含まれる故障履歴情報の故障時間間隔の平均値又は中央値を出動限界時間として算出する。このとき、例えば、グループモデル１を２０１４年４月、グループモデル２を２０１４年４月±１月、グループモデル３を２０１４年４月±２月として作成されている場合、グループモデル１の故障時間間隔に重み３、グループモデル２の故障時間間隔に重み２、グループモデル３の故障時間間隔に重み１を設定し、中心に近い故障履歴情報に含まれる故障時間間隔ほど重み付けをして算出するようにしてもよい。

第３に、累積故障確率のうち特定の確率（例えば、０．８）に対応した時間を出動限界時間として設定する。なお、累積故障確率については後述する。

グループモデル決定部１１２は、以上のいずれかの方法にて出動限界時間を求めておく。そして、以下の５種類の評価指標を用いてグループモデルの候補毎に評価結果を算出する。本実施の形態では、故障設備数数、故障停止時間、出動回数、不快度及び苦情数を評価指標として用いる。

まず、第１の故障グループモデルの評価指標として故障設備数を用いる。図２に示した故障履歴情報を参照すると、各設備２に対し故障時間間隔が算出されている。ここで、設備２が故障したということは、保守員が出動限界時間に出動したけれども間に合わず故障が発生したということである。従って、グループモデル決定部１１２は、当該グループモデルにおける出動限界時間と当該グループモデルに含まれる故障履歴情報の各故障時間間隔とをそれぞれ比較し、出動限界時間が故障時間間隔以上の数を求める。つまり、保守員が故障の発生前に到着できずに故障を発生させてしまったと仮定される数を求める。

故障設備数は少ないほどよいと考えられる。従って、グループモデル決定部１１２は、グループモデル毎に算出した故障設備数を比較し、その中から最小値となるグループモデルが最適なクラスタリングであると評価し、故障履歴情報を分類するために用いるグループモデルとして決定する。

第２の故障グループモデルの評価指標として故障停止時間を用いる。故障停止時間というのは、設備２が故障していて停止していた時間、換言すると故障から復旧するまでに要した時間である。故障停止時間は、保守点検の履歴情報が蓄積されている記憶手段（図示せず）から取得した当該設備２の復旧日時から当該設備２の故障履歴情報に含まれる異常発生日時を減算して得られる時間である。当該グループモデルに含まれる設備毎に得られた故障停止時間の平均値を算出し、これを当該グループモデルの故障停止時間とする。このとき、前述した第２の出動限界時間の算出方法と同様に各故障履歴情報に重み付けをして故障停止時間を算出するようにしてもよい。

故障停止時間は短いほどよいと考えられる。従って、グループモデル決定部１１２は、グループモデル毎に算出した出動回数を比較し、その中から最小値となるグループモデルが最適なクラスタリングであると評価し、故障履歴情報を分類するために用いるグループモデルとして決定する。

第３の故障グループモデルの評価指標として出動回数を用いる。出動限界時間は、設備２において予兆が発生した時点を始期とし、保守員が出動しなければならない日時を終期としているが、この終期が来る前に当該設備２に対して予兆がさらに発生する場合がある。例えば、出動限界時間が１０時間の場合、直前の保守点検実施後、予兆が最初に発生してから１０時間経過後に保守員は当該設備２の保守点検のために出動することになるが、予兆が最初に発生してから１０時間を経過する前に２回目、３回目と予兆が更に発生する場合もありうる。この場合、予兆が最初に発生してから１０時間経過後に保守員が出動すれば、保守員は１０時間を経過する前に発生した予兆に対して改めて出動する必要はない。従って、グループモデル決定部１１２は、直前の保守点検実施後、保守員は予兆が最初に発生してから出動限界時間が経した時点で出動し、出動限界時間が経過する前に発生した予兆に対しては出動しないものと仮定して、保守員の出動回数をカウントする。このようにして保守員の出動回数をグループモデルの候補毎に積算する。

出動回数は少ないほどよいと考えられる。従って、グループモデル決定部１１２は、グループモデル毎に算出した出動回数を比較し、その中から最小値となるグループモデルが最適なクラスタリングであると評価し、故障履歴情報を分類するために用いるグループモデルとして決定する。

第４の故障グループモデルの評価指標として不快度を用いる。不快度というのは、不快指数に上記第２の評価方法で算出した故障停止時間を乗算して得られる指標値である。故障停止時間が長いほど、不快度は高くなると考えられる。不快指数は、一般的な計算式、例えば、
不快指数＝０．８１Ｔｄ＋０．０１Ｈ（０．９９Ｔｄ−１４．３）＋４６．３
にて算出すればよい。但し、Ｔｄは外気温度（℃）、Ｈは湿度（％）である。グループモデル決定部１１２は、当該グループモデルに含まれる設備毎に不快度を算出し、これらの不快度の平均値を算出し、これを当該グループモデルの不快度とする。

不快度は小さいほどよいと考えられる。従って、グループモデル決定部１１２は、グループモデル毎に算出した不快度を比較し、その中から最小値となるグループモデルが最適なクラスタリングであると評価し、故障履歴情報を分類するために用いるグループモデルとして決定する。

第５の故障グループモデルの評価指標として苦情数を用いる。設備２が故障の発生により停止してから一定時間経過すると設備管理者等から苦情が発生されると仮定する。従って、グループモデル決定部１１２は、当該グループモデルに含まれる設備に対して発生したと仮定した苦情の数を積算し、これを当該グループモデルの苦情数とする。

苦情数は少ないほどよいと考えられる。従って、グループモデル決定部１１２は、グループモデル毎に積算した苦情数を比較し、その中から最小値となるグループモデルが最適なクラスタリングであると評価し、故障履歴情報を分類するために用いるグループモデルとして決定する。

以上の評価指標に従って各グループモデルの候補の評価を数値化し、この評価結果に基づいてグループモデルを決定し、故障履歴情報をグループ化するために最適な分類条件（特性情報）を決定する。上記例に従うと、都道府県毎、隣接県毎、あるいは地方毎のいずれによって故障履歴情報をクラスタリングするのが最適であるかが決定される。

以上のようにして、グループモデルが決定されると、故障確率算出部１１３は、決定されたグループモデルの作成に用いられた分類条件に指定された特性情報に従い故障履歴情報を分類（クラスタリング）することでグループ化する（ステップ１０４）。そして、故障確率算出部１１３は、故障履歴情報のグループ（故障グループ）毎に故障確率を算出し（ステップ１０５）、故障累積確率分布を作成する（ステップ１０６）。

図５は、ある故障グループの故障確率と累積故障確率（分布特性値の抽出のための故障累積確率分布）との関係を示すグラフ図である。図５において、横軸は時間、縦軸は確率を示す。本実施の形態では、図５に示したように累積故障確率を、予兆発生後、時間ｔ以内に故障する確率Ｐ（ｔ）として定義する。ある故障グループに含まれる全ての故障履歴情報の数に対する所定の時間間隔ｘでの故障履歴情報の数の割合（故障確率）をｐ（ｘ）として累積故障確率を以下の数式で求める。

続いて、故障確率算出部１１３は、作成した故障累積確率分布を参照して分布特性値を抽出し、分布特性値蓄積部１４に登録する（ステップ１０７）。分布特性値の一例として、予兆が発生してからｔ３時間（例えば６時間）経過した時点での故障累積確率のように一定時間経過した時点での故障累積確率ｂ、予兆が発生してからｔ１時間経過した時点における故障累積確率の立ち上がり度（傾き）、故障累積確率の上昇率が初めて所定の値（ｋ）％以下になるなどの特徴的な上昇がみられなくなる時間（収束時間）ｔ２、その収束時間における故障累積確率ａ、故障グループ毎の故障件数、故障グループ毎の故障件数の順位などがある。

図６は、本実施の形態における分布特性値抽出部１１により分布特性値蓄積部１４に蓄積された分布特性値の一例を示す図である。分布特性値蓄積部１４には、故障グループ１〜４毎にステップ１０７で抽出された複数の分布特性の分布特性値が蓄積されており、複数の分布特性としては、故障累積確率フィールド、傾きフィールド、収束時間フィールド、収束時間における故障累積確率フィールドなどが含まれる。

以上のようにして分布特性値抽出部１１により分布特性値が作成されると、優先度算出部１２は、その分布特性値に基づき予兆が発生している各設備２に対して優先度を算出する。この優先度の算出方法は、上記特許文献１と同じ方法にて算出するので説明を省略する。また、優先度算出部１２により算出された優先度に基づく出動限界時間算出部１３における出動限界時間の算出方法も上記特許文献１と同じ方法にて算出するので説明を省略する。

以上説明したように、本実施の形態によれば、保守点検を行う各設備の優先度の算出に適した故障履歴のグループ形成することができるので、優先度を精度良く算出することができる。

実施の形態２．
図７は、本実施の形態における設備点検順位設定装置１０のブロック構成図である。なお、実施の形態１と同じ構成要素には同じ符号を付け説明を省略する。本実施の形態における設備点検順位設定装置１０は、実施の形態１の分布特性値抽出部１１に出動限界時間補正部１１４を加えた構成を有している。出動限界時間補正部１１４は、補正手段として設けられ、グループモデル決定部１１２が各グループモデルの候補を評価する際に出動限界時間と故障確率との関係を評価指標として用いる場合、出動限界時間に従って保守員を出動させるよう運用を開始した後に得られた故障履歴情報に基づく出動限界時間と故障確率との関係を示すデータのうち故障確率が所定の閾値以上に増加しなくなった後のデータを、実際の故障確率より高くなるよう補正する。

図８Ａには、実施の形態１における設備点検順位設定装置１０が適用される前のグラフ３１と適用後のグラフ３２とが示されている。図８Ａでは、実施の形態１における設備点検順位設定装置１０が適用されることによって出動限界時間が５時間から８時間に長期化したことを示している。

実施の形態１における設備点検順位設定装置１０が適用される後は、優先度が高精度に算出されることになる。その優先度に基づき算出される出動限界時間に従って保守員が出動するようになると、予兆は発生するものの故障の発生は未然に抑えることができる可能性が高くなる。このため、故障の発生回数が減少した設備２の優先度は下がることになるが、これに伴い、図８Ａに例示したように出動限界時間が長期化する可能性が生じてくる。出動限界時間が長期化すると保守員の出動間隔があくことになるので、今度は故障が発生しやすい状況になってくる。グループモデル決定部１１２が故障確率に基づき出動限界時間を算出する第３の方法を採用する場合、前述した現象が発生しうる。

そこで、本実施の形態では、出動限界時間に従って保守員を出動させるよう運用を開始する後、すなわち実施の形態１における設備点検順位設定装置１０の適用後に得られた故障履歴情報に基づく出動限界時間と故障確率との関係を示すデータ（すなわち、グラフ３２）のうち故障確率が所定の閾値以上に増加しなくなった（図８Ｂでは、「６時間」）以降のデータ（図８Ｂでは、６時間以降のグラフ３２ａ）を、出動限界時間に従って保守員を出動させるよう運用を開始する前、すなわち実施の形態１における設備点検順位設定装置１０の適用前に得られた故障履歴情報に基づく出動限界時間と故障確率との関係を示すデータ（すなわち、グラフ３１）のうちグラフ３２ａに対応するグラフ３１ａで補正することを特徴としている。図８Ｂでは、補正部分をと二点鎖線のグラフ３２ｂで表しているが、グラフ３２ｂは、グラフ３１ａを平行移動して形成されると言える。

このように、実際の累積故障確率はグラフ３１（グラフ３２ａを含む）のように表されるが、本実施の形態では、故障確率が所定の閾値以上に増加しなくなった以降は、補正したグラフ３２ｂを適用することで、グループモデルを変更する際に適切なグループモデルが選ばれるように調整することができる。

なお、本実施の形態では、故障確率が所定の閾値以上に増加しなくなった以降のデータを、実施の形態１における設備点検順位設定装置１０の適用前に得られたデータを少なくとも参照し、グラフ３１ａの部分をそのまま用いるようにした。ただ、本実施の形態における作用効果を奏するには、故障確率が所定の閾値以上に増加しなくなった以降の累積故障確率をグラフ３２ａで表される実際のデータより高くなるように補正すればよい。一方、累積故障確率を本装置適用前のグラフ３１ａより高くなるように補正する必要はない。つまり、グラフ３２ｂは、グラフ３１ａとグラフ３２ａとの間に補正後のグラフが形成されればよい。従って、前述したようにグラフ３１ａ部分をそのまま平行移動して使用しなくても、例えば、グラフ３１とグラフ３２との平均値を算出するなどして補正後のグラフ３２ｂを求めるようにしてもよい。

実施の形態３．
図９は、本実施の形態における設備点検順位設定装置１０のブロック構成図である。なお、実施の形態１と同じ構成要素には同じ符号を付け説明を省略する。本実施の形態における設備点検順位設定装置１０は、実施の形態１に示した構成に、モデル更新指示部１５を加えた構成を有している。モデル更新指示部１５は、更新手段として設けられ、所定期間（本実施の形態では、月単位）における故障履歴情報に基づき得られる故障した設備の数が閾値を超えた場合に故障確率を算出するグループモデルを更新させるように分布特性値抽出部１１に指示する。

図１０は、時間と故障設備率との関係を示した図である。故障設備率とは、保守点検対象の全設備を占める、当該月内において故障した設備の割合である。図１０では、月毎に算出した故障設備率がプロットされている。グラフ３４は閾値であるが詳細は後述する。

設備点検順位設定装置１０は、決定したグループモデルに基づく故障グループ毎に算出された優先度や出動限界時間に基づき保守点検のスケジュールが作成され運用される。故障確率情報は、最適なクラスタリングが実行されたことで、設備２の故障の発生数は抑えられ、図１０に例示したように減少することになる。ただ、時間の経過に伴い、決定したグループモデルに基づく故障履歴情報のグループ分けが適切でなくなってくる可能性が生じてくる。

そこで、本実施の形態では、モデル更新指示部１５を設け、閾値３４を設定し、故障設備率がその閾値３４を超えた場合にグループモデルの更新、すなわち図４に示した処理の再実行を分布特性値抽出部１１に指示するようにした。これにより、算出される優先度の精度を高い状態に維持することができる。

ところで、閾値３４は、固定値として予め設定しておいてもよいが、本実施の形態では、図１０に例示したように閾値３４を右下がりに設定した。つまり、直前の所定期間（本実施の形態では、前月）の閾値に所定の減少期待率ｐ（０＜ｐ＜１）を乗算して当月の閾値を算出するようにした。これは、高精度の優先度が算出される本装置適用後においては、故障する設備の数（つまり、設備故障率）が一定未満であればよいというだけでなく、改善により減少することが期待されるはずである。そこで、本実施の形態では、時間の経過に伴い閾値３４が小さい値になるよう更新するようにした。

なお、当月の閾値を直前の期間（同年前月）に限らず、例えば前年同月、当月の予測故障設備数等に減少期待率を乗算するようにして算出してもよい。

２ 冷熱設備、３ 稼動履歴受信部、４ 故障履歴データベース、１０ 設備点検順位設定装置、１１ 分布特性値抽出部、１２ 優先度算出部、１３ 出動限界時間算出部、１４ 分布特性値蓄積部、１５ モデル更新指示部、、２１ ＣＰＵ、２２ ＲＯＭ、２３ ＲＡＭ、２４ ハードディスクドライブ（ＨＤＤ）、２５ ＨＤＤコントローラ、２６ マウス、２７ キーボード、２８ ディスプレイ、２９ 入出力コントローラ、３０ ネットワークコントローラ、３１ 内部バス、１１１ グループモデル作成部、１１２ グループモデル決定部、１１３ 故障確率算出部、１１４ 出動限界時間補正部、１１６ グループモデル蓄積部、１１７ グループモデル記憶部。

Claims (8)

1. 複数の設備それぞれの設置に関する設置環境情報と、当該設備における故障の予兆の発生状況及び予兆後に当該設備に発生した故障に関する発生状況情報と、を含む故障履歴情報を、現場の特性を示す特性情報のうち予め設定された１又は複数の特性情報が指定された複数の分類条件それぞれに従ってグループ化することで複数のグループモデルを作成するグループモデル作成手段と、
   前記グループモデル作成手段により作成された複数のグループモデルそれぞれに対して、予め設定された評価方法に基づき評価を行い、その評価結果に基づき前記複数のグループモデルの中から、前記故障履歴情報を分類するために用いるグループモデルを決定するグループモデル決定手段と、
   前記グループモデル決定手段により決定されたグループモデルを作成したときの分類条件に従って前記故障履歴情報を分類することでグループ化し、そのグループ化により形成したグループ毎に、予兆発生から故障するまでの経過時間に伴って変化する故障確率を算出する故障確率算出手段と、
   前記故障確率算出手段により算出された故障確率に基づいて保守点検を行う設備の優先度を算出する優先度算出手段と、
   を有することを特徴とする設備点検順位設定装置。
2. 前記グループモデル候補作成手段は、第１のグループモデルを作成したときの分類条件に従って分類することで形成されるグループに含まれる前記故障履歴情報を包含するグループを形成するための第２のグループモデルを作成することを特徴とする請求項１に記載の設備点検順位設定装置。
3. 前記グループモデル決定手段は、予め決められた１又は複数の評価指標に基づいてグループモデルを決定することを特徴とする請求項１に記載の設備点検順位設定装置。
4. 前記グループモデル決定手段は、複数の評価指標を用いてグループモデルを決定する場合、評価指標に重み付けをすることを特徴とする請求項３に記載の設備点検順位設定装置。
5. 前記グループモデル決定手段が各グループモデルの候補を評価する際に出動限界時間と故障確率との関係を評価指標として用いる場合、出動限界時間に従って保守員を出動させるよう運用を開始した後に得られた故障履歴情報に基づく出動限界時間と故障確率との関係を示すデータのうち故障確率が所定の閾値以上に増加しなくなった出動限界時間以降のデータを、実際の故障確率より高くなるよう補正する補正手段を有することを特徴とする請求項１に記載の設備点検順位設定装置。
6. 所定期間における故障履歴情報に基づき得られる故障した設備の数が閾値を超えた場合に前記故障履歴情報を分類するために用いるグループモデルを更新させる更新手段を有することを特徴とする請求項１に記載の設備点検順位設定装置。
7. 前記閾値は、時間の経過に伴い小さい値になるよう更新されることを特徴とする請求項６に記載の設備点検順位設定装置。
8. コンピュータを、
   複数の設備それぞれの設置に関する設置環境情報と、当該設備における故障の予兆の発生状況及び予兆後に当該設備に発生した故障に関する発生状況情報と、を含む故障履歴情報を、現場の特性を示す特性情報のうち予め設定された１又は複数の特性情報が指定された複数の分類条件それぞれに従ってグループ化することで複数のグループモデルを作成するグループモデル作成手段、
   前記グループモデル作成手段により作成された複数のグループモデルそれぞれに対して、予め設定された評価方法に基づき評価を行い、その評価結果に基づき前記複数のグループモデルの中から、前記故障履歴情報を分類するために用いるグループモデルを決定するグループモデル決定手段、
   前記グループモデル決定手段により決定されたグループモデルを作成したときの分類条件に従って前記故障履歴情報を分類することでグループ化し、そのグループ化により形成したグループ毎に、予兆発生から故障するまでの経過時間に伴って変化する故障確率を算出する故障確率算出手段、
   前記故障確率算出手段により算出された故障確率に基づいて保守点検を行う設備の優先度を算出する優先度算出手段、
   として機能させるためのプログラム。

Images