JP6359960B2 - 故障予測装置、故障予測方法及び故障予測プログラム - Google Patents

Description

本発明は、故障予測装置、故障予測方法及び故障予測プログラムに関する。

現代社会は、様々な設備及び構造物等によって支えられている。設備及び構造物等は、時間の経過とともに様々な要因によって劣化し、その機能を失っていく。設備及び構造物等は、適切なメンテナンス、更改等の計画に基づき、管理される。例えば、劣化が進み、破損又は故障に至ると社会的影響度が大きい設備及び構造物の場合、破損又は故障を極力回避できるように、破損又は故障に至る前に、劣化予測に基づいた予防保全が実施されることが望まれる。

劣化予測の方法の一つとして、ワイブル解析により、ワイブル分布に従う故障率曲線の関数式を求め、故障率曲線の関数式を用いて、個々の設備及び構造物等の故障率を予測する手法がある。ここで、ワイブル分布は、ワイブル（W. Weibull）が、１９３９年に金属材料の疲労寿命についての研究を行った際に、「脆性材料の破壊は、材料中に分布する互いに独立な欠陥の存在が原因となって起こる」という仮定のもとに提案したモデルである。ワイブル分布は、信頼性工学において頻出する「システムの最も脆弱な箇所が故障することによりシステム全体が使用できなくなるというモデル」に対しても適用できることから、故障の発生確率の確率分布モデルとして採用される。

ワイブル分布において、故障率は以下の（式１）で定義される。

このとき、ｍは形状パラメータ、ηは尺度パラメータ（または特性寿命）と呼ばれ、いずれもワイブル分布のパラメータである。この両パラメータを決定することが、故障率を定めることに等しい。また、両パラメータが決まれば、将来の故障率を使用時間（または使用頻度など）ｔのみで予測できる。

田中 健次、"入門信頼性 技術者がはじめて学ぶ"、日科技連出版社、２００８年１２月２５日 外間 正浩、澤田 孝、"鋼管柱の地際部腐食に関する信頼性分析"、日本信頼性学会第２５回秋季信頼性シンポジウム発表報文集pp.21-24、２０１２年１１月２日

しかし、実環境において使用されている設備及び構造物等は、さまざまな環境要因に影響され、最新の設備点検時において、使用時間が同一であっても、劣化状態が必ずしも同一ではない。例えば、屋外に設置されている設備であれば、気象要因の影響を受ける。すなわち、最新の設備点検時では同一の使用時間の設備や構造物でも、劣化状態が深刻であるものほど、故障の発生確率がより大きくなると考えられる。このように、最新の設備点検時における劣化状態を考慮したうえで、予防保全を実施するため、劣化状態を加味した故障の発生確率を算出することが望まれる。

本願が開示する実施形態の一例は、上記に鑑みてなされたものであって、劣化状態を加味した故障の発生確率を算出することを目的とする。

本願が開示する実施形態の一例は、第１の導出部、推定部、第２の導出部、算出部を備える。第１の導出部は、３以上の劣化状態に段階的にレベル分けされている各管理対象物の点検結果を蓄積したデータから、管理対象物のある使用時間における平均故障率を予測する平均故障率曲線の関数式を導出する。推定部は、各管理対象物が非故障状態に該当する各劣化状態から故障状態に該当する各劣化状態に至るまでの各平均使用時間を推定する。第２の導出部は、前記第１の導出部により導出された平均故障率曲線の関数式における使用時間に、前記推定部により推定された各平均使用時間を加算することにより、各劣化状態に該当する各管理対象物のある使用時間における故障率を予測する故障率曲線の関数式を導出する。算出部は、前記第２の導出部により導出された故障率曲線の関数式を用いて、各劣化状態に該当する各管理対象物がある使用時間において故障する各故障率を算出する。

本願が開示する実施形態の一例によれば、例えば、劣化状態を加味した故障の発生確率を算出することができる。

図１は、故障予測装置の構成の一例を示す図である。 図２は、点検情報データの一例を示す図である。 図３は、故障予測装置の各部の処理の詳細の一例を示す図である。 図４は、劣化状態１を故障とする場合のワイブルプロットの一例を示す図である。 図５は、劣化状態１乃至２を故障とする場合のワイブルプロットの一例を示す図である。 図６は、劣化状態１乃至３を故障とする場合のワイブルプロットの一例を示す図である。 図７は、各パラメータの一例を示す図である。 図８は、故障予測処理を示すフローチャートである。 図９Ａは、従来技術により算出した故障率の順位を示す図である。 図９Ｂは、実施形態の技術により算出した故障率の順位を示す図である。 図１０は、各プログラムが実行されることにより、故障予測装置が実現されるコンピュータの一例を示す図である。

［実施形態］
以下、本願が開示する故障予測装置、故障予測方法及び故障予測プログラムの実施形態を説明する。以下の実施形態では、屋外に設置される鋼管柱を故障率予測の対象とする。すなわち、実施形態は、鋼管柱の予防保全、例えば、設備更改や設備点検の優先順位の決定を行う際に、実使用時間だけでは把握できない使用環境の違いなどに由来する劣化状態の違いも簡易に統計的に考慮できる故障予測の手法を提示する。しかし、故障率予測の管理対象物は、経年劣化とともに設置環境等の経年劣化以外の要因により劣化が進行し、故障又は要交換状況に至る機器、設備等であって、同一又は同様の規格のものが様々な地理条件下あるいは気象条件下に多数設置されるものであればよい。なお、以下の実施形態は、一例を示すに過ぎず、本願が開示する技術を限定するものではない。また、以下に示す実施形態及びその変形例は、矛盾しない範囲で適宜組合せてもよい。

（故障予測装置の構成）
図１は、故障予測装置の構成の一例を示す図である。故障予測装置１０は、点検情報データベース１、出力装置２が接続される。点検情報データベース１は、少なくとも鋼管柱の識別情報、建設年月、最新点検年月、少なくとも３段階で劣化の進行程度を示す劣化状態が、鋼管柱毎に対応付けられたレコードを有する。点検情報データベース１は、十分な数のレコード（データ数）を蓄積している。出力装置２は、故障予測装置１０による故障予測結果を出力するディスプレイ、プリンタ等の出力装置である。

故障予測装置１０は、第１の導出部１１、使用時間推定部１２、第２の導出部１３、将来故障率算出部１４を有する。第１の導出部１１は、点検情報データベース１からの点検情報を入力とし、点検情報の全てのレコードから、点検情報に基づく各鋼管柱の各使用時間における故障率を、使用時間ｔを変数とする関数で表す関数式を導出する。

使用時間推定部１２は、点検情報データベース１からの点検情報を入力とし、鋼管柱が各劣化状態まで劣化する平均使用時間を推定する。すなわち、使用時間推定部１２は、点検情報を入力とし、点検情報の全てのレコードのうち、各劣化状態以上まで進行した劣化を示す全ての劣化状態を故障状態と見なす。そして、使用時間推定部１２は、各劣化状態まで進行していない劣化を示す全ての劣化状態を非故障状態と見なす。各劣化状態以上まで進行した劣化を示す劣化状態を見なし故障状態と呼び、各劣化状態まで進行していない劣化を示す劣化状態を見なし非故障状態と呼ぶ。そして、使用時間推定部１２は、点検情報に基づいて、鋼管柱が各見なし非故障状態から各見なし故障状態に至るまでに要する平均使用時間を推定する。

第２の導出部１３は、第１の導出部１１により導出された各鋼管柱の各使用時間における故障率を表す関数式の変数である時刻ｔに、使用時間推定部１２により推定された劣化状態毎の各平均使用時間を加算する。劣化状態毎の各平均使用時間は、各見なし非故障状態から各見なし故障状態に至るまでに要する時間である。これにより、第２の導出部１３は、最新点検時の『劣化状態』を反映させた、より適切な平均故障率曲線の関数式が導出される。

将来故障率算出部１４は、第２の導出部１３により導出された平均故障率曲線の関数式に対し、将来のある予測時点Ｔ１における『使用年数』及び『劣化状態』を入力とし、『使用年数』及び『劣化状態』に応じた鋼管柱の予測故障率を算出する。

（点検情報データ）
図２は、点検情報データの一例を示す図である。点検情報データ１ａは、点検情報データベース１に格納される。点検情報データベース１は、少なくとも鋼管柱の基本属性情報及び最新の点検結果を記録したデータベースである。ここで、点検結果である劣化状態の評価結果は少なくとも３状態以上である。点検情報データベース１は、点検情報データ１ａの一例として、鋼管柱の地際部腐食状況を記録する。

図２に一例を示すように、点検情報データ１ａは、『県域』『設備番号』『建設年月』『最新点検年月』『劣化状態』のカラムを有する。『県域』は、例えば、当該レコードに該当する鋼管柱が設置されている地域を示す情報である。『県域』に代えて、緯度及び経度等の『位置情報』を採用してもよい。『設備番号』は、例えば、当該レコードに該当する鋼管柱を一意に識別する識別情報である。『建設年月』は、例えば、当該レコードに該当する鋼管柱が設置された年月を示す時刻情報である。『最新点検年月』は、例えば、当該レコードに該当する鋼管柱が、点検作業員により最後に点検された年月を示す時刻情報である。『劣化状態』は、例えば、当該レコードに該当する鋼管柱が、点検作業員により最後に点検された際に、所定の評価項目に従って定量的及び／又は定性的に評価された結果を段階的に示す情報である。

『劣化状態』は、例えば、“１”〜“４”までの状態がある。『劣化状態』“１”は、最も劣化が進行した状態を示す。『劣化状態』“２”は、『劣化状態』“１”に次いで劣化が進行した状態を示す。『劣化状態』“３”は、『劣化状態』“２”に次いで劣化が進行した状態を示す。『劣化状態』“４”は、最も劣化が進行していない状態又は非劣化状態を示す。図２に示す例では、例えば『県域』“Ａ”、『設備番号』“○○１”、『建設年月』“１９７９０４（１９７９年４月）”の鋼管柱は、『最新点検年月』“２０１１１１（２０１１年１１月）”、『劣化状態』“１”である。

（故障予測装置の各部の処理の詳細）
図３は、故障予測装置の各部の処理の詳細の一例を示す図である。故障予測装１０の第１の導出部１１は、平均故障率曲線の関数式導出の際に、点検情報データベース１から鋼管柱の「使用時間」及び『劣化状態』を抽出する。なお、「使用時間」は、点検情報データベース１の各レコードの『最新点検年月』から『建設年月』を差し引いた差である「年数」を採用するとしてもよい。「年数」未満の差は、四捨五入等の所定の丸めルールに従い処理してもよい。なお、「使用時間」の時間単位は、『建設年月』及び『最新点検年月』に応じて「年数」又は「月数」としてもよく、『建設年月』及び『最新点検年月』に、より詳細な時刻が規定される場合には、その詳細な時刻に沿った時間単位としてもよい。

そして、第１の導出部１１は、『劣化状態』“２”〜“４”から『劣化状態』“１”に達する故障確率を示す関数式を導出する。第１の導出部１１は、最も劣化が進んでいる『劣化状態』“１”のデータを故障データとして設定し、故障に達成していない劣化状態のデータをすべて未故障データ（打ち切りデータ）として設定する。そして、第１の導出部１１は、ワイブル分析（累積ハザード型）により、平均故障率曲線の関数式（式２）を導出する。この際に求めたη_ａｖｇは、特性寿命と呼ばれ、劣化なしの状態、つまり『劣化状態』“２”〜“４”から『劣化状態』“１”に達する使用時間（すなわち、寿命）と考えてよい。

また、使用時間推定部１２は、『劣化状態』“３”〜“４”から『劣化状態』“２”に達する使用時間を推定する。先ず、使用時間推定部１２は、点検情報データベース１から、各鋼管柱の「使用時間」及び『劣化状態』を抽出し、『劣化状態』“１”及び“２”のデータを故障データとして設定し、『劣化状態』“３”及び“４”のデータを未故障データとして設定する。未故障データは、打ち切りデータである。そして、使用時間推定部１２は、ワイブル分析（累積ハザード型）により、特性寿命（尺度パラメータ）η_２を推定する。特性寿命η_２は、『劣化状態』“３”〜“４”から『劣化状態』“２”に達する使用時間である。

同様に、使用時間推定部１２は、点検情報データベース１から、各鋼管柱の「使用時間」及び『劣化状態』を抽出し、『劣化状態』“１”〜“３”のデータを故障データとして設定し、『劣化状態』“４”のデータを未故障データとして設定する。未故障データは、打ち切りデータである。そして、使用時間推定部１２は、ワイブル分析（累積ハザード型）により、特性寿命（尺度パラメータ）η_３を推定する。特性寿命η_３は、『劣化状態』“４”から『劣化状態』“３”に達する使用時間である。

また、第２の導出部１３は、使用時間推定部１２により推定された特性寿命η_２、η_３を用いて、上記の（式２）に示す平均故障率曲線の関数式を補正する。すなわち、第２の導出部１３は、以下の（式３）に示すように、使用時間ｔのみならず、最新点検時の『劣化状態』をも反映した将来故障率曲線の関数式を導出する。つまり、最新点検時の『劣化状態』が“２”〜“４”の未故障のデータに対して、平均故障率曲線の関数式における使用時間ｔに、『劣化状態』“４”からさらに劣化が進んでいた寿命特性η_２又はη_３を加算する。

つまり、現在以降の将来時点の故障率を予測する際に、最新点検時の『劣化状態』が劣化なし以外の劣化状態の未故障のデータに対して、平均故障率曲線の関数式における使用時間ｔに、劣化なし状態から最新点検時の『劣化状態』へ劣化する平均時間を加算する。これにより、最新点検時の『劣化状態』を反映させたより妥当な故障率が予測できる。

そして、将来故障率算出部１４は、鋼管柱の、現時点以降の予測時点Ｔ１における実使用年数と最新点検時の『劣化状態』を入力とし、現時点以降の予測時点Ｔ１の故障率を算出する。そして、将来故障率算出部１４は、例えば、各鋼管柱について予測した現時点以降の予測時点Ｔ１の故障率の降順で各鋼管柱を順序付けて、出力装置２等を制御して出力する。

（ワイブル分析（累積ハザード型）について）
以下、ワイブル分析（累積ハザード型）について説明する。累積ハザード関数Ｈ（ｔ）は、以下の（数４）に示すワイブル分布の故障率を、以下の（式５）に示すように、時刻区間［０，ｔ］（ｔ＞０）で積分したものである。

そして、上記の（式５）の両辺の自然対数を取ると、以下の（式６）のようになる。

そして、上記の（式６）の左辺における“ｌｎ（Ｈ（ｔ））”及び右辺における“ｌｎ（ｔ）”について、ランダム打ち切りに基づく累積ハザード解析により、“ｌｎ（ｔ）”を横軸及び“ｌｎ（Ｈ（ｔ））”を縦軸とするグラフへワイブルプロットを行う。ここで、ｘ＝ｌｎ（ｔ）とおき、ｙ＝ｌｎ（Ｈ（ｔ））とおく。そして、ワイブルプロットを最小自乗法等により直線近似した場合の直線の傾きが、上記の（式４）における形状パラメータｍの推定値である。また、直線近似した場合の直線において、推定された形状パラメータｍに対して、ｌｎ（Ｈ（ｔ））＝０とした場合のｌｎ（ｔ）から尺度パラメータ（または特性寿命）ηが推定される。ランダム打ち切りに基づく累積ハザード解析については、「田中 健次、“入門信頼性 技術者がはじめて学ぶ”、日科技連出版社、２００８年１２月２５日、pp.102-105」等の既存の手法を用いることができる。

（ワイブルプロットの一例）
図４〜図６を参照して、ワイブルプロットの一例について説明する。図４は、劣化状態１を故障とする場合のワイブルプロットの一例を示す図である。図４は、『劣化状態』“１”を故障と見なし、『劣化状態』“２”〜“４”を故障なしと見なし、上述したランダム打ち切りに基づく累積ハザード解析を行い、ワイブルプロットを行った場合を示す。図４に示すように、ワイブルプロットは、“ｙ＝５．３０７ｘ−２３．２９”と直線近似できる。ここで、“ｙ＝ｌｎ（Ｈ（ｔ））”“ｘ＝ｌｎ（ｔ）”である。よって、図４に示すワイブルプロットにより、上記の（式２）に示す平均故障率曲線の関数式の形状パラメータｍ_ａｖｇ及び尺度パラメータ（または特性寿命）η_ａｖｇが推定できる。ｍ_ａｖｇ＝５．３０７であり、η_ａｖｇ＝８０．５２である。なお、『劣化状態』“１”を故障と見なし、『劣化状態』“２”〜“４”を故障なしと見なした場合の、ワイブル分布に基づく平均故障率曲線の関数式は、以下の（式７）のとおりである。

図５は、劣化状態１乃至２を故障とする場合のワイブルプロットの一例を示す図である。図５は、『劣化状態』“１”及び“２”を故障と見なし、『劣化状態』“３”及び“４”を故障なしと見なし、上述したランダム打ち切りに基づく累積ハザード解析を行い、ワイブルプロットを行った場合を示す。図５に示すように、ワイブルプロットは、“ｙ＝４．６７９ｘ−１９．６３”と直線近似できる。ここで、“ｙ＝ｌｎ（Ｈ（ｔ））”“ｘ＝ｌｎ（ｔ）”である。よって、図５に示すワイブルプロットにより、上記の（式４）に示す平均故障率曲線の関数式の形状パラメータｍ（ここではｍ_２とおく）及び尺度パラメータ（または特性寿命）η（ここではη_２とおく）が推定できる。ｍ_２＝４．６７９であり、η_２＝６６．３７である。なお、『劣化状態』“１”及び“２”を故障と見なし、『劣化状態』“３”及び“４”を故障なしと見なした場合の、ワイブル分布に基づく平均故障率曲線の関数式は、以下の（式８）のとおりである。

図６は、劣化状態１乃至３を故障とする場合のワイブルプロットの一例を示す図である。図６は、『劣化状態』“１”乃至“３”を故障と見なし、『劣化状態』“４”を故障なしと見なし、上述したランダム打ち切りに基づく累積ハザード解析を行い、ワイブルプロットを行った場合を示す。図６に示すように、ワイブルプロットは、“ｙ＝３．６０１ｘ−１４．０６”と直線近似できる。ここで、“ｙ＝ｌｎ（Ｈ（ｔ））”“ｘ＝ｌｎ（ｔ）”である。よって、図６に示すワイブルプロットにより、上記の（式４）に示す平均故障率曲線の関数式の形状パラメータｍ（ここではｍ_３とおく）及び尺度パラメータ（または特性寿命）η（ここではη_３とおく）が推定できる。ｍ_３＝３．６０１であり、η_３＝４９．６２である。なお、『劣化状態』“１”乃至“３”を故障と見なし、『劣化状態』“４”を故障なしと見なした場合の、ワイブル分布に基づく平均故障率曲線の関数式は、以下の（式９）のとおりである。

なお、図７は、上述のようにして、ワイブルプロットにより求めた各形状パラメータｍ及び尺度パラメータ（または特性寿命）ηの組合せを示す。図７における“ケース１”は、『劣化状態』“１”を故障と見なし、『劣化状態』“２”〜“４”を故障なしと見なした場合である。また、図７における“ケース２”は、『劣化状態』“１”及び“２”を故障と見なし、『劣化状態』“３”及び“４”を故障なしと見なした場合である。また、図７における“ケース３”は、『劣化状態』“１”乃至“３”を故障と見なし、『劣化状態』“４”を故障なしと見なした場合である。

（故障予測処理）
図８は、故障予測処理を示すフローチャートである。故障予測装置１０の第１の導出部１１は、点検情報データベース１から使用時間及び劣化状態の情報を抽出し、ワイブル解析（累積ハザード型）によって、形状パラメータｍ_ａｖｇと尺度パラメータη_ａｖｇを求める。そして、第１の導出部１１は、形状パラメータｍ_ａｖｇ及び尺度パラメータη_ａｖｇに基づく平均故障率曲線の関数式を導出する（ステップＳ１１）。

次に、故障予測装置１０の使用時間推定部１２は、点検情報データベース１から使用時間及び劣化状態の情報を抽出し、ワイブル解析（累積ハザード型）によって、各劣化状態までに達する使用時間を推定する（ステップＳ１２）。

次に、故障予測装置１０の第２の導出部１３は、平均故障率曲線の関数式と各劣化状態までに達する使用時間を用いて、最新点検時の劣化状態を反映できる現在から将来にわたる将来故障率曲線の関数式を導出する（ステップＳ１３）。

次に、故障予測装置１０の将来故障率算出部１４は、各鋼管柱について、現在以降の予測時点Ｔ１における実使用年数と、最新点検時の劣化状態とに基づき、現時点以降の予測時点Ｔ１の故障率を算出する（ステップＳ１４）。

（実施形態による効果）
実施形態によれば、各劣化状態に達するまでの使用時間を用いて平均故障率曲線の関数式を補正することにより、実使用年数のみで表現しきれない、最新点検時の劣化状態の違いが考慮された、より妥当な設備故障率の予測が可能となる。延いては、故障（劣化）予測の精度を高めることができ、効率的なメンテナンスやその計画、決定支援が可能となる。

（実施形態の変形例）
実施形態では、時刻ｔのベキ関数で表現できるワイブル分布に基づく将来故障率曲線の関数式を導出するとした。しかし、時刻ｔのベキ関数に限らず、時刻ｔの指数関数、時刻ｔの対数関数、バスタブ曲線等、将来故障率を表現可能ないずれの関数式を導出するとしてもよい。そして、将来故障率を表現可能ないずれかの関数式に対して、最新点検時の劣化状態に応じた時刻ｔへ加算する定数を算出する。そして、現在以降の予測時点Ｔ１における実使用年数と、最新点検時の劣化状態とに基づき、現時点以降の予測時点Ｔ１の故障率を算出するとしてもよい。

実施形態では、最新点検時の劣化状態のランク分けは、３段階としたが、４段階以上であってもよい。４段階以上へ劣化状態をより細かくランク分けすることにより、最新点検時の劣化状態の違いが考慮された、より妥当な設備故障率の予測が可能となる。

（実施形態の適用例）
以下に、実施形態の適用例を示す。図９Ａは、従来技術により算出した故障率の順位を示す図である。また、図９Ｂは、実施形態の技術により算出した故障率の順位を示す図である。図９Ａ及び図９Ｂは、ある県域の鋼管柱の点検結果のデータ数が、例えば１６，２３９個であるとする。そして、点検結果の各『劣化状態』を“１”〜“４”の４ランクに分け、『劣化状態』“１”は、劣化が最も進んでいる状態であり、更改対象となるとする。『劣化状態』“２”、“３”、“４”の順で劣化の程度が軽減され、『劣化状態』“４”は劣化なしと見なすとする。

『劣化状態』“１”のデータを故障として扱い『劣化状態』“２”、“３”、“４”のデータを未故障とする場合のワイブルプロット（ケース１）は、図４に示すとおりである。また、『劣化状態』“１”及び“２”のデータを故障として扱い、『劣化状態』“３”及び“４”のデータを未故障とする場合のワイブルプロット（ケース２）は、図５に示すとおりである。また、『劣化状態』“１”乃至“３”のデータを故障として扱い、『劣化状態』“４”のデータを未故障とする場合のワイブルプロット（ケース３）は、図６に示すとおりである。ワイブルプロットにより求めた各ケースにおける各形状パラメータｍ及び尺度パラメータ（または特性寿命）ηの組合せは、図７に示すとおりである。

例えば１６，２３９個の全データから、例えば２００件程度のデータをランダムに取り出して、既存技術の方法と実施形態の方法による現時点の故障率の算出及び設備点検の優先順位付けを行う。最新の点検結果が『劣化状態』“４”の場合、上記の（式２）に基づき、以下の（式１０）により故障率を求める。また、最新の点検結果が『劣化状態』“２”の場合、上記の（式３）に基づき、以下の（式１１）より故障率を求める。最新の点検結果が『劣化状態』“３”の場合も同様に、以下の（式１２）により故障率を求める。

図９Ａに示す既存方法による結果では、故障率が使用年数のみに依存するため、使用年数が長い鋼管柱ほど上位に順位付けされる。使用年数が同じである鋼管柱が多い場合は、同一の故障率となる鋼管柱が多いことになる。よって、多くの鋼管柱に対して保守リソース（人的資源、機器資源、時間、資金等）が限られ、すべてを一斉に点検できない場合では、既存方法では、保守すべき鋼管柱の優先順位をつけることが困難である。

しかし、図９Ｂに示すように、実施形態の方法を適用すれば、既存方法で優先順位をつけられない鋼管柱に対しても、順位を付けられるケースが多くなることが確認できる。図９Ｂに示す実施形態による結果では、故障率が使用年数及び劣化状態に依存するため、使用年数が長い鋼管柱であっても劣化状態によっては上位に順位付けされない場合がある。また、使用年数が短い鋼管柱であっても劣化状態によっては上位に順位付けされる場合がある。すなわち、使用年数が同じである鋼管柱が多い場合であっても、劣化状態を加味することにより、異なる故障率となる場合が多いことになる。よって、多くの鋼管柱に対して保守リソースが限られ、すべてを一斉に点検できない場合であっても、実施形態では、保守すべき鋼管柱の優先順位をつけることができる。

（故障予測装置の装置構成について）
図１に示す故障予測装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示のように構成されていることを要しない。すなわち、故障予測装置１０の機能の分散および統合の具体的形態は図示のものに限られず、全部又は一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的又は物理的に分散又は統合して構成することができる。

また、故障予測装置１０において行われる各処理は、全部又は任意の一部が、ＣＰＵ（Central Processing Unit）及びＣＰＵにより解析実行されるプログラムにて実現されてもよい。また、故障予測装置１０において行われる各処理は、ワイヤードロジックによるハードウェアとして実現されてもよい。

また、実施形態において説明した各処理のうち、自動的におこなわれるものとして説明した処理の全部又は一部を手動的に行うこともできる。若しくは、実施形態において説明した各処理のうち、手動的に行われるものとして説明した処理の全部又は一部を公知の方法で自動的に行うこともできる。この他、上述及び図示の処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて適宜変更することができる。

（プログラムについて）
図１０は、各プログラムが実行されることにより、故障予測装置が実現されるコンピュータの一例を示す図である。コンピュータ１０００は、例えば、メモリ１０１０、ＣＰＵ１０２０を有する。また、コンピュータ１０００は、ハードディスクドライブインタフェース１０３０、ディスクドライブインタフェース１０４０、シリアルポートインタフェース１０５０、ビデオアダプタ１０６０、ネットワークインタフェース１０７０を有する。コンピュータ１０００において、これらの各部はバス１０８０によって接続される。

メモリ１０１０は、ＲＯＭ（Read Only Memory）１０１１及びＲＡＭ（Random Access Memory）１０１２を含む。ＲＯＭ１０１１は、例えば、ＢＩＯＳ（Basic Input Output System）等のブートプログラムを記憶する。ハードディスクドライブインタフェース１０３０は、ハードディスクドライブ１０３１に接続される。ディスクドライブインタフェース１０４０は、ディスクドライブ１０４１に接続される。例えば磁気ディスクや光ディスク等の着脱可能な記憶媒体が、ディスクドライブ１０４１に挿入される。シリアルポートインタフェース１０５０は、例えばマウス１０５１、キーボード１０５２に接続される。ビデオアダプタ１０６０は、例えばディスプレイ１０６１に接続される。

ハードディスクドライブ１０３１は、例えば、ＯＳ１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３、プログラムデータ１０９４を記憶する。すなわち、故障予測装置１０の各処理の規定するプログラムは、コンピュータ１０００によって実行される指令が記述されたプログラムモジュール１０９３として、例えばハードディスクドライブ１０３１に記憶される。例えば、故障予測装置１０における機能構成と同様の情報処理を実行するためのプログラムモジュール１０９３が、ハードディスクドライブ１０３１に記憶される。

また、上述した実施形態での処理で用いられる設定データは、プログラムデータ１０９４として、例えばメモリ１０１０やハードディスクドライブ１０３１に記憶される。そして、ＣＰＵ１０２０が、メモリ１０１０やハードディスクドライブ１０３１に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてＲＡＭ１０１２に読み出して実行する。

なお、プログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０３１に記憶される場合に限らず、例えば着脱可能な記憶媒体に記憶され、ディスクドライブ１０４１等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、プログラムモジュール１０９３やプログラムデータ１０９４は、ネットワーク（ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等）を介して接続された他のコンピュータに記憶されてもよい。そして、プログラムモジュール１０９３やプログラムデータ１０９４は、ネットワークインタフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。

以上の実施形態並びにその変形例は、本願が開示する技術に含まれると同様に、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ものである。

１ 点検情報データベース
２ 出力装置
１０ 故障予測装置
１１ 第１の導出部
１２ 使用時間推定部
１３ 第２の導出部
１４ 将来故障率算出部
１０００ コンピュータ
１０１０ メモリ
１０２０ ＣＰＵ

Claims (7)

1. ３以上の劣化状態に段階的にレベル分けされている各管理対象物の点検結果を蓄積したデータから、管理対象物のある使用時間における平均故障率を予測する平均故障率曲線の関数式を導出する第１の導出部と、
   各管理対象物が非故障状態に該当する各劣化状態から故障状態に該当する各劣化状態に至るまでの各平均使用時間を推定する推定部と、
   前記第１の導出部により導出された平均故障率曲線の関数式における使用時間に、前記推定部により推定された各平均使用時間を加算することにより、各劣化状態に該当する各管理対象物のある使用時間における故障率を予測する故障率曲線の関数式を導出する第２の導出部と、
   前記第２の導出部により導出された故障率曲線の関数式を用いて、各劣化状態に該当する各管理対象物がある使用時間において故障する各故障率を算出する算出部と
   を備えることを特徴とする故障予測装置。
2. 前記データは、各管理対象物の実使用時間と、第１〜第ｎの劣化状態（但し、ｎは、ｎ≧３を満たす自然数）のうちの各管理対象物の劣化状態とが対応付けられており、
   前記第１の導出部は、第１の劣化状態を故障状態と設定し、第２〜第ｎの劣化状態を非故障状態と設定し、前記データにおいて該非故障状態に該当する管理対象物が、該故障状態に該当するに至る故障率を使用時間の関数で表す前記平均故障率曲線の関数式を導出し、
   前記推定部は、第１〜第ｋの劣化状態（但し、ｋは、１＜ｋ＜ｎを満たす自然数）を故障状態と設定し、第（ｋ＋１）〜第ｎの劣化状態を非故障状態と設定し、前記データにおいて該非故障状態に該当する管理対象物が、該故障状態に該当するに至るまでの第ｋの平均使用時間を推定し、
   前記第２の導出部は、前記平均故障率曲線の関数式における使用時間に前記第ｋの平均使用時間を加算して、前記データにおいて第ｋの劣化状態に該当する管理対象物が、第１の劣化状態に該当するに至る前記故障率を使用時間の関数で表す前記故障率曲線の関数式を導出する
   ことを特徴とする請求項１に記載の故障予測装置。
3. 前記第１の導出部は、ワイブル解析に基づき前記平均故障率曲線の関数式を導出し、
   前記推定部は、ワイブル解析に基づき前記平均使用時間を推定する
   ことを特徴とする請求項１又は２に記載の故障予測装置。
4. 故障予測装置の第１の導出部が、３以上の劣化状態に段階的にレベル分けされている各管理対象物の点検結果を蓄積したデータから、管理対象物のある使用時間における平均故障率を予測する平均故障率曲線の関数式を導出し、
   前記故障予測装置の推定部が、各管理対象物が非故障状態に該当する各劣化状態から故障状態に該当する各劣化状態に至るまでの各平均使用時間を推定し、
   前記故障予測装置の第２の導出部が、前記第１の導出部により導出された平均故障率曲線の関数式における使用時間に、前記推定部により推定された各平均使用時間を加算することにより、各劣化状態に該当する各管理対象物のある使用時間における故障率を予測する故障率曲線の関数式を導出し、
   前記故障予測装置の算出部が、前記第２の導出部により導出された故障率曲線の関数式を用いて、各劣化状態に該当する各管理対象物がある使用時間において故障する各故障率を算出する
   こと含むことを特徴とする故障予測方法。
5. 前記データは、各管理対象物の実使用時間と、第１〜第ｎの劣化状態（但し、ｎは、ｎ≧３を満たす自然数）のうちの各管理対象物の劣化状態とが対応付けられており、
   前記第１の導出部が、第１の劣化状態を故障状態と設定し、第２〜第ｎの劣化状態を非故障状態と設定し、前記データにおいて該非故障状態に該当する管理対象物が、該故障状態に該当するに至る故障率を使用時間の関数で表す前記平均故障率曲線の関数式を導出し、
   前記推定部が、第１〜第ｋの劣化状態（但し、ｋは、１＜ｋ＜ｎを満たす自然数）を故障状態と設定し、第（ｋ＋１）〜第ｎの劣化状態を非故障状態と設定し、前記データにおいて該非故障状態に該当する管理対象物が、該故障状態に該当するに至るまでの第ｋの平均使用時間を推定し、
   前記第２の導出部が、前記平均故障率曲線の関数式における使用時間に前記第ｋの平均使用時間を加算して、前記データにおいて第ｋの劣化状態に該当する管理対象物が、第１の劣化状態に該当するに至る前記故障率を使用時間の関数で表す前記故障率曲線の関数式を導出する
   ことを含むことを特徴とする請求項４に記載の故障予測方法。
6. 前記第１の導出部が、ワイブル解析に基づき前記平均故障率曲線の関数式を導出し、
   前記推定部が、ワイブル解析に基づき前記平均使用時間を推定する
   ことを含むことを特徴とする請求項４又は５に記載の故障予測方法。
7. 請求項１〜３の何れか１つに記載の故障予測装置としてコンピュータを機能させる故障予測プログラム。

Images