JP6753442B2 - モデル生成装置、モデル生成方法、及びプログラム - Google Patents

Description

本発明は、故障予測に関する。

部品の故障を予測する技術が開発されている。例えば特許文献１には、稼働機器から得られたセンサ情報を利用して故障予兆のある部品を特定し、故障予兆のある部品の必要数を予測する技術が開示されている。ここで、特許文献１では、個々の部品について故障率が予め定められており、その故障率に基づく予測モデル（ポワソン分布）を利用して、各部品の必要数が予測されている。

特開２０１０−１１３６７２号公報

個々の部品の故障率を正確に定めるためには、各部品の故障に関する実績データが十分に蓄積される必要がある。しかしながら一般に、部品は短期間で大量に故障するものではないことが多いため、故障の実績データが蓄積されるためには長い時間を要する。よって、特許文献１の技術は、長期間利用されて故障実績が十分蓄積された部品について利用しないと、必要数を正確に予測することができない。

本発明は、上記課題に鑑みてなされたものであり、その目的の一つは、個々の部品の故障に関するデータが少ない場合でも、部品の故障数を精度良く予測できる技術を提供することである。

本発明のモデル生成装置は、１）使用状況と部品の故障の実績とを対応づけた部品故障データを取得する取得部と、２）複数の部品グループそれぞれについて、その部品グループに属する部品に関する部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する予測モデル生成部と、を有する。
予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する。複数の前記部品グループは、複数の部品を部品間の関連に関するドメイン知識を用いて分類することで生成される。

本発明のモデル生成方法は、コンピュータによって実行される。当該モデル生成方法は、１）使用状況と部品の故障の実績とを対応づけた部品故障データを取得する取得ステップと、２）複数の部品グループそれぞれについて、その部品グループに属する部品に関する部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する予測モデル生成ステップと、を有する。
予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する。複数の前記部品グループは、複数の部品を部品間の関連に関するドメイン知識を用いて分類することで生成される。

本発明の第１のプログラムは、本発明のモデル生成方法が有する各ステップをコンピュータに実行させる。

本発明によれば、個々の部品の故障に関するデータが少ない場合でも、部品の故障数を精度良く予測できる技術が提供される。

本実施形態のモデル生成装置の概要を例示する図である。 モデル生成装置の機能構成を例示するブロック図である。 モデル生成装置を実現するための計算機を例示する図である。 実施形態１のモデル生成装置によって実行される処理の流れを例示するフローチャートである。 部品故障データをテーブル形式で例示する図である。 予測装置の動作を例示する図である。 予測装置の機能構成を例示するブロック図である。 予測装置によって実行される処理の流れを例示するフローチャートである。 第２算出部を有する予測装置の機能構成を例示するブロック図である。 発注部を有する予測装置の機能構成を例示するブロック図である。

以下、本発明の実施の形態について、図面を用いて説明する。尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。また各ブロック図において、特に説明がない限り、各ブロックは、ハードウエア単位の構成ではなく機能単位の構成を表している。
［実施形態１］
＜概要＞
図１は、本実施形態のモデル生成装置２０００の概要を例示する図である。モデル生成装置２０００は、複数種類の部品それぞれについて、使用状況に応じた故障数を予測する予測モデルを生成する。後述するように、故障数の予測は、部品の発注支援などに有用である。

予測モデルは、複数の部品それぞれについて使用状況と故障の実績を対応づけたデータ（以下、部品故障データ）を利用して生成される。ここで、設計上の欠陥などといった根本的な問題がない限り、短い時間に大量の部品が故障することは無いと言える。そのため故障データは、ほとんどの部品について故障が無いことを示す。よって、部品の故障数をその部品の故障の有無だけに基づいて予測しようとすると、故障の実績が十分に蓄積されるまでの間は、故障数を精度良く予測することが難しい。

そこでモデル生成装置２０００が生成する予測モデルは、部品の故障数をその部品の故障だけに基づいて予測するのではなく、部品の故障を部品のグループ単位で解析することで、スパースな故障データから精度良く部品の故障数を予測する。具体的には、以下のように予測モデルが生成される。

まずモデル生成装置２０００は、複数の部品それぞれについて、使用状況と故障の実績を対応づけた部品故障データを取得する。そしてモデル生成装置２０００は、複数の部品グループそれぞれについて、その部品グループに属する各部品に関する部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する。

ここで、予測モデルは、１）部品の使用状況に基づいて、対応する部品グループに含まれる部品の総故障数を予測し、２）予測した総故障数に基づいて、その部品グループに属する各部品の故障数を予測するように生成される。

＜作用効果＞
前述した様に、設計上の欠陥などといった根本的な問題がない限り、短い時間に大量の部品が故障することは無いと言え、部品の故障数をその部品の故障の有無だけに基づいて予測しようとすると、故障の実績が十分に蓄積されるまでの間は故障数を精度良く予測することが難しい。この点、本実施形態のモデル生成装置２０００によれば、部品グループごとに、その部品グループに属する各部品に関する部品故障データを用いて、予測モデルが生成される。すなわち、各部品の故障実績に関するデータを部品グループ単位にまとめた上で、予測モデルが生成される。こうすることにより、予測モデルの生成に利用できる実績データの数を多くすることができる。そのため、個々の部品については故障の実績が十分蓄積されていないような状況であっても、部品の故障数を精度良く予測できる予測モデルを生成することができる。

以下、本実施形態についてさらに詳細を述べる。

＜機能構成の例＞
図２は、モデル生成装置２０００の機能構成を例示するブロック図である。モデル生成装置２０００は、取得部２０２０及び生成部２０４０を有する。取得部２０２０は、使用状況と部品の故障の実績とを対応づけた部品故障データを取得する。生成部２０４０は、複数の部品グループそれぞれについて、その部品グループに属する部品に関する部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する。

＜モデル生成装置２０００のハードウエア構成の例＞
モデル生成装置２０００の各機能構成部は、各機能構成部を実現するハードウエア（例：ハードワイヤードされた電子回路など）で実現されてもよいし、ハードウエアとソフトウエアとの組み合わせ（例：電子回路とそれを制御するプログラムの組み合わせなど）で実現されてもよい。以下、モデル生成装置２０００の各機能構成部がハードウエアとソフトウエアとの組み合わせで実現される場合について、さらに説明する。

図３は、モデル生成装置２０００を実現するための計算機１０００を例示する図である。計算機１０００は任意の計算機である。例えば計算機１０００は、Personal Computer（PC）やサーバマシンなどの据え置き型の計算機である。その他にも例えば、計算機１０００は、スマートフォンやタブレット端末などの可搬型の計算機である。計算機１０００は、モデル生成装置２０００を実現するために設計された専用の計算機であってもよいし、汎用の計算機であってもよい。

計算機１０００は、バス１０２０、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０を有する。バス１０２０は、プロセッサ１０４０、メモリ１０６０、ストレージデバイス１０８０、入出力インタフェース１１００、及びネットワークインタフェース１１２０が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ１０４０などを互いに接続する方法は、バス接続に限定されない。

プロセッサ１０４０は、CPU（Central Processing Unit）、GPU（Graphics Processing Unit）、FPGA（Field−Programmable Gate Array）などの種々のプロセッサである。メモリ１０６０は、RAM（Random Access Memory）などを用いて実現される主記憶装置である。ストレージデバイス１０８０は、ハードディスク、SSD（Solid State Drive）、メモリカード、又は ROM（Read Only Memory）などを用いて実現される補助記憶装置である。

入出力インタフェース１１００は、計算機１０００と入出力デバイスとを接続するためのインタフェースである。例えば入出力インタフェース１１００には、キーボードなどの入力装置や、ディスプレイ装置などの出力装置が接続される。

ネットワークインタフェース１１２０は、計算機１０００を通信網に接続するためのインタフェースである。この通信網は、例えば LAN（Local Area Network）や WAN（Wide Area Network）である。ネットワークインタフェース１１２０が通信網に接続する方法は、無線接続であってもよいし、有線接続であってもよい。

ストレージデバイス１０８０は、モデル生成装置２０００の各機能構成部を実現するプログラムモジュールを記憶している。プロセッサ１０４０は、これら各プログラムモジュールをメモリ１０６０に読み出して実行することで、各プログラムモジュールに対応する機能を実現する。

＜処理の流れ＞
図４は、実施形態１のモデル生成装置２０００によって実行される処理の流れを例示するフローチャートである。取得部２０２０は、複数の部品故障データを取得する（Ｓ１０２）。生成部２０４０は、複数の部品グループそれぞれについて予測モデルを生成する（Ｓ１０４）。

＜部品故障データについて＞
部品故障データは、使用状況と、その使用状況における部品の故障の実績とを対応づけたデータである。図５は、部品故障データをテーブル形式で例示する図である。図５に示すテーブルを、テーブル２００と表記する。テーブル２００は、観測識別子２０２、観測時点２０４、使用状況２０６、及び部品２０８を示す。観測識別子２０２は、対応するレコードの識別子を示す。観測時点２０４は、対応するレコードに示されるデータが観測された時点を示す。使用状況２０６は、使用状況を表す様々な情報を示す。例えば使用状況の例としては、実稼働時間、起動回数、及び使用経過時間などがある。実稼働時間は、その部品を含む装置等が実際に稼働した総時間を意味し、使用経過時間は、その部品を含む装置等が導入されてからの総時間を意味する。すなわち、後者には、装置等が稼働していない時間も含まれる。部品２０８は、各部品の故障の有無を示す。「１」は故障していることを示し、「０」は故障していないことを示している。

テーブル２００（すなわち、部品故障データ）が記憶されている記憶装置は、モデル生成装置２０００の内部に設けられてもよいし、モデル生成装置２０００の外部に設けられてもよい。

各部品の故障の有無を把握する方法には、既存の技術を利用することができる。例えば、部品の故障を検出するセンサを設け、そのセンサから得られる情報を利用することで、部品が故障したことを把握することができる。

ここで、部品故障データは、繰り返し生成されることが好適である。例えば、故障データは、１日に１回や１週間に１回などの頻度で、繰り返し生成される。そして、図５に例示したテーブル２００の各レコードの様に、観測時点を示す故障データが生成される。

＜部品故障データの取得：Ｓ１０２＞
取得部２０２０は、部品故障データを取得する。部品故障データを取得する方法は様々である。例えば取得部２０２０は、部品故障データが記憶されている記憶装置にアクセスすることで、部品故障データを取得する。その他にも例えば、取得部２０２０は、他の装置によって送信される部品故障データを受信することで、部品故障データを取得してもよい。

＜部品グループについて＞
部品グループは予め定めておく。例えば部品グループは、ドメイン知識に基づいて生成される。ここでいうドメイン知識とは、故障数予測の対象である部品についての知識である。より具体的には、例えばドメイン知識は、各部品が利用される装置等における、各部品の配置の幾何学的構造における部品間の相関や、運用状況に関する部品間の相関である。例えば配置の幾何学的構造については、互いに近くに配置される部品や、互いに連結される部品などは、故障するタイミングが近いことが予想される。また、運用状況については、動作するタイミングが同じ又は類似している部品同士は、故障するタイミングが近いことが予想される。

例えば、部品がどの部品グループに属するのかを決定する決定木を、ドメイン知識に基づいて作成しておく。そして、その決定木を用いて、各部品が属する部品グループを決定しておく。

＜予測モデルの生成：Ｓ１０６＞
生成部２０４０は、部品グループごとに予測モデルを生成する。前述した通り、予測モデルは、１）部品の使用状況に基づいて、対応する部品グループに含まれる部品の総故障数を予測し、２）予測した総故障数に基づいて、その部品グループに属する各部品の故障数を予測する。以下、予測モデルのうち、１）の処理を行う部分を第１サブモデルと呼び、２）の処理を行う部分を第２サブモデルと呼ぶ。以下、第１サブモデルと第２サブモデルそれぞれについて説明する。

＜＜第１サブモデルについて＞＞
生成部２０４０は、部品故障データを用いて第１サブモデルを生成する。ここで、第１サブモデルの種類については予め定めておく。第１サブモデルの種類には、線形モデル、サポートベクトルマシン、又はニューラルネットワークなど、任意の回帰モデルを採用できる。

生成部２０４０は、予め定められている種類の第１サブモデルについて、対応する部品グループに属する各部品に関する部品故障データを用いたパラメータ推定を行うことにより、第１サブモデルを生成する。言い換えれば、生成部２０４０は、予め定められている種類の第１サブモデルについて、対応する部品グループに属する各部品の故障の実績及びその部品の使用状況に基づくパラメータ推定を行うことにより、第１サブモデルを生成する。

例えば、第１サブモデルの種類を線形モデルとして定めておく。この場合、生成部２０４０は、対応する部品グループに属する各部品の故障の実績及びその部品の使用状況に基づく重回帰分析を行うことで線形モデルの重み（パラメータ）を決定することにより、第１サブモデルを生成する。重回帰分析の具体的な方法には、既存の種々の方法を採用できる。例えば、最尤推定や MAP（Maximum a Posteriori）推定などの手法を利用できる。また、パラメータの推定は点推定に限られず、ベイズ推定であってもよい。ただし、MAP 推定やベイズ推定のように、パラメータの事前分布を必要とする手法を採用する場合には、予めパラメータの事前分布を設定しておく。

ここでは例として、最小二乗法を利用した最尤推定について、具体的に説明する。各部品グループにおける第１サブモデルを、以下の式（１）の様に仮定する。

ここで、j は部品グループの識別子であり、i は使用状況の識別子である。

各使用状況 i に対応するベクトル xi は、実稼働時間、起動回数、及び使用経過時間などといった、各使用状況の特徴を記述した特徴ベクトルである。θij は、部品グループ j の使用状況 i について与えられる重みである。

部品グループｊごとの第１サブモデルのパラメータは、例えば以下の式（２）で定式化される最適化問題を解くことによって得られる。すなわち、（使用状況 Xk、使用状況 Xkにおける部品グループｊの部品の総故障数 yj(Xk)）というペアを複数利用し、これら複数のペアそれぞれについて算出される予測値と実測値との距離の総和を最小化することにより、部品グループｊの第１サブモデルのパラメータを得ることができる。

ここで、yj(Xk) は、部品グループ j に属する部品の使用状況 Xk における故障数の実測値（グループ故障データに示される故障数）である。fj(Xk) は、部品グループ j についての第１サブモデル fj(X) に対して使用状況 Xk を入力して得られる故障数の予測値である。Θjは部品グループ j の第１サブモデル fj(X) に含まれるパラメータθijの集合を表すベクトルである。また、gj(Θj) は L1 正則化項や L2 正則化項などの任意の正則化項である。

ここで、式（２）では yj(X) と fj(X) の距離を L2 ノルムで表しているが、これらの距離の尺度には、L2 ノルム以外の任意の尺度を用いることができる。

＜＜第２サブモデルについて＞＞
第２サブモデルは、対応する部品グループについて算出された総故障数から、各部品の故障数を予測する。例えば第２サブモデルは、予め定めておいた各部品の故障数や故障確率の分布（以下、予測分布）を用いて、各部品の故障数を予測する。

例えば故障数の予測分布として、一様分布を定めておく。この場合、第２サブモデルは、対応する部品グループについて予測された総故障数を、その部品グループに含まれる部品の種類の総数で割ることで、各部品の故障数の予測値を算出する。その他にも例えば、故障確率の予測分布として、一様分布を定めておく。この場合、第２サブモデルは、対応する部品グループについて算出された総故障数を、各部品の利用数に応じた比で按分することにより、各部品の故障数の予測値を算出する。なお、予測分布は一様分布に限定されず、任意の分布とすることができる。

＜出力について＞
モデル生成装置２０００は、生成した予測モデルを任意の方法で出力する。例えばモデル生成装置２０００は、算出した予測モデルを記憶装置に記憶させたり、他の装置に送信したりする。ここで、予測モデルを記憶させる記憶装置は、モデル生成装置２０００の内部に設けられてもよいし、モデル生成装置２０００の外部に設けられてもよい。

＜予測モデルの更新について＞
モデル生成装置２０００は、生成した予測モデルの更新を行ってもよい。具体的には、取得部２０２０が新たに部品故障データを取得したら、生成部２０４０がその部品故障データを用いて、第１サブモデル及び第２サブモデルのいずれか一方又は双方の更新を行う。なお、第１サブモデルの更新は、前述した線形モデルなどのパラメータを更新することを意味し、第２サブモデルの更新は、前述した予測分布を更新することを意味する。

例えばモデル生成装置２０００は、予測モデルを生成した後も定期的に部品故障データを取得し、取得した部品故障データを用いて、予測モデルの更新を行う。なお、生成済みの予測モデルを、新たに得られた観測データを用いて更新する技術には、既存の技術を利用することができる。

［実施形態２］
図６は、予測装置３０００の動作を例示する図である。予測装置３０００は、モデル生成装置２０００によって生成された予測モデルを用いて、各部品の故障数を予測する。具体的には、予測装置３０００は、使用状況を表す使用状況データを取得し、使用状況データを予測モデルに入力することで、その使用状況における各部品の故障数の予測値を算出する。

ここで、実施形態１で説明した通り、予測モデルは部品グループごとに用意されている。各予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する。

＜作用・効果＞
本実施形態の予測装置３０００によれば、モデル生成装置２０００によって生成される予測モデルを利用して、特定の使用状況における各部品の故障数の予測値が得られる。ここで実施形態１で説明した様に、モデル生成装置２０００は、個々の部品の故障数に関する実績が十分に得られていない場合であっても、各部品の故障数を精度良く予測することができる予測モデルを生成できる。よって、モデル生成装置２０００によって生成された予測モデルを用いて予測を行う予測装置３０００によれば、個々の部品の故障数に関する実績が十分に得られない場合であっても、各部品の故障数を精度良く予測することができる。

＜機能構成の例＞
図７は、予測装置３０００の機能構成を例示するブロック図である。予測装置３０００は、取得部３０２０及び第１算出部３０４０を有する。取得部３０２０は、使用状況を表す使用状況データを取得する。第１算出部３０４０は、取得した使用状況データと、部品グループごとの予測モデルとを用いて、各部品の故障数の予測値を算出する。

＜ハードウエア構成の例＞
予測装置３０００のハードウエア構成には、実施形態１で説明したモデル生成装置２０００と同様に、種々のハードウエア構成を採用することができる。例えば予測装置３０００のハードウエア構成は、モデル生成装置２０００のハードウエア構成と同様に、図３で表すことができる。ただし、予測装置３０００のハードウエア構成は、モデル生成装置２０００のハードウエア構成と同一でなくてもよい。

＜処理の流れ＞
図８は、予測装置３０００によって実行される処理の流れを例示するフローチャートである。取得部３０２０は、使用状況データを取得する（Ｓ２０２）。第１算出部３０４０は、使用状況データを予測モデルに入力することで、各部品の故障数の予測値を算出する（Ｓ２０４）。

＜使用状況データの取得：Ｓ２０２＞
取得部３０２０は、使用状況データを取得する。例えば使用状況データは、実稼働時間、起動回数、及び使用経過時間などといった使用状況の特徴が記述された特徴ベクトルである。ただし、使用状況データは、特徴ベクトルのように、予測モデルに直接入力可能な形式である必要はなく、任意の形式とすることができる。取得部３０２０は、使用状況データが予測モデルに対して直接入力できるデータ形式ではない場合、適宜データ形式の変換を行う。

使用状況データの取得方法は任意である。例えば取得部３０２０は、使用状況データが記憶されている記憶装置にアクセスすることで、使用状況データを取得する。この記憶装置は、予測装置３０００の内部に設けられていてもよいし、予測装置３０００の外部に設けられていてもよい。その他にも例えば、取得部３０２０は、他の装置から送信される使用状況データを受信することで、使用状況データを取得してもよい。

＜故障数の予測：Ｓ２０４＞
第１算出部３０４０は、使用状況データを予測モデルに入力することで、各部品の故障数の予測値を算出する（Ｓ２０４）。各部品の故障数の予測値は、部品グループごとに用意された各予測モデルに対して使用状況データを入力することで算出される。なお、予測モデルは、予測装置３０００からアクセス可能な任意の記憶装置に記憶させておく。この記憶装置は、予測装置３０００の内部に設けられていてもよいし、予測装置３０００の外部に設けられていてもよい。

ここで、部品の故障数の予測は、全ての部品グループについて行われてもよいし、特定の部品グループについてのみ行われてもよい。後者の場合、予測装置３０００は、予測対象とする部品グループを表す情報（例えば、部品グループの識別子）を取得し、取得した情報によって特定される部品グループに対応する予測モデルに対して使用状況を入力することで、その部品グループに属する各部品の故障数の予測値を算出する。

＜結果の出力＞
予測装置３０００は、各部品の故障数の予測値を示す出力情報を出力する。例えば出力情報は、各部品の故障数をリストやテーブルなどで示す情報である。

出力情報の出力方法は任意である。例えば予測装置３０００は、記憶装置に記憶させる、ディスプレイ装置に表示する、他の装置に送信するなどの方法で、出力情報を出力する。

＜予測装置３０００のその他の機能＞
予測装置３０００は、各部品の在庫数を示す在庫データを取得し、各部品について予測された故障数と各部品の在庫数とに基づいて、各部品の推奨発注数を算出してもよい。各部品の推奨発注数を算出する機能構成部を、第２算出部３０６０と呼ぶ。また、在庫データは、取得部３０２０によって取得される。図９は、第２算出部３０６０を有する予測装置３０００の機能構成を例示するブロック図である。

ここで、第２算出部３０６０が推奨発注数を算出する方法は様々である。例えば第２算出部３０６０は、部品の故障数の予測値と部品の在庫数との差分を、その部品の推奨発注数とする。その他にも例えば、部品の在庫を余分に確保することを考慮し、第２算出部３０６０は、部品の故障数の予測値と部品の在庫数との差分に余分量を加算した値を、その部品の推奨発注数としてもよい。

ここで、上記余分量は、全ての部品について共通の値であってもよいし、部品ごとに定められてもよい。後者の場合、例えば予測装置３０００は、部品ごとに予測モデルの精度を算出し、予測モデルの精度が低い部品ほど、余分量を大きくする。ここで、予測モデルの精度は、RMSE（Root Mean Square Error）などの種々の指標を用いて表すことができる。

さらに予測装置３０００は、各部品の推奨発注数に基づいて、その部品の発注を行う機能を有していてもよい。この機能を有する機能構成部を発注部３０８０と呼ぶ。図１０は、発注部３０８０を有する予測装置３０００の機能構成を例示するブロック図である。なお、部品の発注を自動的に行う技術については、既存の技術を利用することができる。

以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記各実施形態の組み合わせ、又は上記以外の様々な構成を採用することもできる。

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
１． 使用状況と部品の故障の実績とを対応づけた部品故障データを取得する取得部と、
複数の部品グループそれぞれについて、その部品グループに属する部品に関する前記部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する予測モデル生成部と、を有し、
前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、モデル生成装置。
２． 前記予測モデルは、使用状況から、その部品グループに属する部品の総故障数を予測する第１サブモデルを含み、
前記予測モデル生成部は、複数の前記部品グループそれぞれについて、その部品グループに含まれる各部品に関する前記部品故障データを用いて、前記第１サブモデルのパラメータ推定を行うことにより、前記第１サブモデルを生成する、１．に記載のモデル生成装置。
３． 前記予測モデルは、前記第１サブモデルによって予測された総故障数から、対応する部品グループに属する各部品の故障数を予測する第２サブモデルを含み、
前記第２サブモデルは、前記予測された総故障数と、各部品の故障数又は故障率の分布である予測分布とを用いて、各部品の故障数の予測値を算出する、２．に記載のモデル生成装置。
４． 複数の前記部品グループは、複数の部品を部品間の関連に関するドメイン知識を用いて分類することで生成される、１．乃至３．いずれか一つに記載のモデル生成装置。
５． 前記ドメイン知識は、配置の幾何学的構造に基づく各部品間の相関、又は運用状況に基づく各部品の相関に関するものである、４．に記載のモデル生成装置。

６． 使用状況を表す使用状況データを取得する取得部と、
前記取得した使用状況データと、部品グループごとの予測モデルとを用いて、各部品の故障数の予測値を算出する故障数予測部と、を有し、
前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、予測装置。
７． 前記取得部は、各部品の在庫数を示す在庫データをさらに取得し、
部品ごとに、前記故障数予測部によって算出されたその部品の故障数の予測値と、前記在庫データに示されるその部品の在庫数とに基づいて、その部品の推奨発注数を算出する発注数算出部を有する、６．に記載の予測装置。
８． 各部品について算出された推奨発注数を用いて、各部品の発注を行う発注部を有する、７．に記載の予測装置。

９． コンピュータによって実行されるモデル生成方法であって、
使用状況と部品の故障の実績とを対応づけた部品故障データを取得する取得ステップと、
複数の部品グループそれぞれについて、その部品グループに属する部品に関する前記部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する予測モデル生成ステップと、を有し、
前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、モデル生成方法。
１０． 前記予測モデルは、使用状況から、その部品グループに属する部品の総故障数を予測する第１サブモデルを含み、
前記予測モデル生成ステップにおいて、複数の前記部品グループそれぞれについて、その部品グループに含まれる各部品に関する前記部品故障データを用いて、前記第１サブモデルのパラメータ推定を行うことにより、前記第１サブモデルを生成する、９．に記載のモデル生成方法。
１１． 前記予測モデルは、前記第１サブモデルによって予測された総故障数から、対応する部品グループに属する各部品の故障数を予測する第２サブモデルを含み、
前記第２サブモデルは、前記予測された総故障数と、各部品の故障数又は故障率の分布である予測分布とを用いて、各部品の故障数の予測値を算出する、１０．に記載のモデル生成方法。
１２． 複数の前記部品グループは、複数の部品を部品間の関連に関するドメイン知識を用いて分類することで生成される、９．乃至１１．いずれか一つに記載のモデル生成方法。
１３． 前記ドメイン知識は、配置の幾何学的構造に基づく各部品間の相関、又は運用状況に基づく各部品の相関に関するものである、１２．に記載のモデル生成方法。

１４． コンピュータによって実行される予測方法であって、
使用状況を表す使用状況データを取得する取得ステップと、
前記取得した使用状況データと、部品グループごとの予測モデルとを用いて、各部品の故障数の予測値を算出する故障数予測ステップと、を有し、
前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、予測方法。
１５． 前記取得ステップにおいて、各部品の在庫数を示す在庫データをさらに取得し、
部品ごとに、前記故障数予測部によって算出されたその部品の故障数の予測値と、前記在庫データに示されるその部品の在庫数とに基づいて、その部品の推奨発注数を算出する発注数算出ステップを有する、１４．に記載の予測方法。
１６． 各部品について算出された推奨発注数を用いて、各部品の発注を行う発注ステップを有する、１５．に記載の予測方法。

１７． ９．乃至１３．いずれか一つに記載のモデル生成方法の各ステップをコンピュータに実行させるプログラム。

１８． １４．乃至１６．いずれか一つに記載の予測方法の各ステップをコンピュータに実行させるプログラム。

２００ テーブル
２０２ 観測識別子
２０４ 観測時点
２０６ 使用状況
２０８ 部品
１０００ 計算機
１０２０ バス
１０４０ プロセッサ
１０６０ メモリ
１０８０ ストレージデバイス
１１００ 入出力インタフェース
１１２０ ネットワークインタフェース
２０００ モデル生成装置
２０２０ 取得部
２０４０ 生成部
３０００ 予測装置
３０２０ 取得部
３０４０ 第１算出部
３０６０ 第２算出部
３０８０ 発注部

Claims (6)

1. 使用状況と部品の故障の実績とを対応づけた部品故障データを取得する取得部と、
   複数の部品グループそれぞれについて、その部品グループに属する部品に関する前記部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する予測モデル生成部と、を有し、
   前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出し、
   複数の前記部品グループは、複数の部品を部品間の関連に関するドメイン知識を用いて分類することで生成される、モデル生成装置。
2. 前記予測モデルは、使用状況から、その部品グループに属する部品の総故障数を予測する第１サブモデルを含み、
   前記予測モデル生成部は、複数の前記部品グループそれぞれについて、その部品グループに含まれる各部品に関する前記部品故障データを用いて、前記第１サブモデルのパラメータ推定を行うことにより、前記第１サブモデルを生成する、請求項１に記載のモデル生成装置。
3. 前記予測モデルは、前記第１サブモデルによって予測された総故障数から、対応する部品グループに属する各部品の故障数を予測する第２サブモデルを含み、
   前記第２サブモデルは、前記予測された総故障数と、各部品の故障数又は故障率の分布である予測分布とを用いて、各部品の故障数の予測値を算出する、請求項２に記載のモデル生成装置。
4. 前記ドメイン知識は、配置の幾何学的構造に基づく各部品間の相関、又は運用状況に基づく各部品の相関に関するものである、請求項１から３いずれか一項に記載のモデル生成装置。
5. コンピュータによって実行されるモデル生成方法であって、
   使用状況と部品の故障の実績とを対応づけた部品故障データを取得する取得ステップと、
   複数の部品グループそれぞれについて、その部品グループに属する部品に関する前記部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する予測モデル生成ステップと、を有し、
   前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出し、
   複数の前記部品グループは、複数の部品を部品間の関連に関するドメイン知識を用いて分類することで生成される、モデル生成方法。
6. 請求項５に記載のモデル生成方法の各ステップをコンピュータに実行させるプログラム。

Images