JP6795488B2 - システム運転および性能データをモデル化に基づいた将来信頼度予測の改善 - Google Patents

Description

本出願は２０１４年４月１１日に出願された米国仮出願番号６１／９７８，６８３、「メンテナンス支出履歴に基づいた将来の信頼度の評価用のシステムおよび方法」の優先権を要求する。またその開示の全体はここに組み入れられる。

連邦による委託研究または開発に関するステートメント
適用されない。

マイクロフィッシュアペンディックスへの言及
適用されない。

開示は、一般にモデリングの分野に関し、さらに装置の生産および／または維持に伴うコストに関する現在および過去のデータのような、運転および性能データ（operational and performance data）に基づいた、測定可能なシステムの信頼性の将来予測に関する。制限するものではないが、より詳しくは、開示内の実施態様は相対的な機能解析および／またはモデル係数（model coefficients）を決定し、１以上の測定可能なシステム（measurable systems）の将来の信頼度をモデル化し評価する。

背景
典型的には、修理可能なシステムについては、修理可能なシステムの維持に使用されるプロセス、方法論、およびシステムの将来の信頼度の間には一般的な相関がある。例えば、自転車、自動車、および／または他の運搬用車両を所有したか操作した個人は、典型的には、運搬用車両の運転状況および信頼度は、運搬用車両を維持する活動の程度および質にある程度まで依存することに気づいている。しかしながら、相関はメンテナンス品質および将来の信頼度の間に存在するが、この関係をモデル化および／または定量することは困難かもしれない。修理可能なシステムに加えて、運転および／または性能データが利用可能か、そうでなければ、システムを評価するために使用されたデータが測定可能である場合、広範な測定可能なシステムで、類似関係および／または相関は同様であるかもしれない。

不運にも、メンテナンス支出の値あるいは量は、必ずしも修理可能なシステムの予測する将来の信頼度のための正確な指標ではないかもしれない。個人は、将来の信頼度の改善に比較的最小の効果があるタスク・アイテムに費やされる維持費を蓄積することができる。例えば過度のメンテナンス支出は、関連タスクの予防保守を行なうためではなく、実際のシステム故障から始まってもよい。一般に、システム故障、ブレークダウン、および／または計画されていないメンテナンスは、包括的な整備保全スケジュールを利用する予防および／または予知保全プログラム以上に費用を要することがある。そのため、モデリング用の正確さおよび測定可能なシステムの予測される将来の信頼度を改善する必要がある。

以下に、本明細書に開示した主題のいくつかの態様の基本的理解を提供するために、開示した主題の単純化された要約を提供する。この要約はここに開示した技術の網羅的な概観ではない。それは、発明のキーまたは重大な要素を特定するかあるいは発明の範囲を描写するようには意図されない。その唯一の目的は、単純化された形式で、後に議論されるもっと詳細な記述のいくつかの概念を提示することである。

１つの実施態様では、運転および性能データに基づいた設備の将来の信頼度をモデル化するためのシステムであって、以下のように構成された入力インターフェースを含むシステムが提供される；
設備に対応する維持費データを受け取ること；
設備に対応する基本的原則データ（first principle data）を受け取ること；および
設備に対応する資産信頼度データ(asset reliability data）を受け取ること。

システムは、さらに非一時的なコンピューター読取り可能なメディア（non-transitory computer readable medium）につながれたプロセッサーを含んでもよい。そこにおいては、プロセッサーによって実行された時、非一時的なコンピューター読取り可能なメディアは以下の指示を装置に与える；
設備に関連した１つ以上の比較分析モデルを得る；
少なくとも維持費データ、基本的原則データおよび１つ以上の比較分析モデルに基づいて指定の間隔によって維持費データを分類する、複数のカテゴリー値（plurality of category values）を生成する保全基準（maintenance standard）を得る；および
資産信頼度データおよび複数のカテゴリー値に基づいて設備の評価された将来の信頼度を決定する。
計算ノードは、さらに将来の信頼度の結果を表示するユーザー・インタフェースを含んでもよい。

別の実施態様では、運転および性能データに基づいた測定可能なシステムの将来の信頼度をモデル化する方法は、以下を含む：
測定可能なシステムに関連した入力インターフェースを介して維持費データを受け取ること；
測定可能なシステムに関連した入力インターフェースを介して基本的原則データを受け取ること；
測定可能なシステムに関連した入力インターフェースを介して資産信頼度データを受け取ること；
プロセッサーを使用して、測定可能なシステムに関係した１つ以上の比較分析モデルから生成される保全基準を使用して、指定の間隔で維持費データを分類する、複数のカテゴリー値を生成すること；
プロセッサーを使用して、資産信頼度データおよび複数のカテゴリー値に基づいて測定可能なシステムの評価された将来の信頼度を決定すること；および
出力インターフェースを使用して、評価された将来の信頼度の結果を出力すること。

別の実施態様では、以下を含む運転データおよび性能データに基づいた装置資産の将来の信頼度をモデル化するための装置が提供される：
以下のとおりに構成された受信装置を含む入力インターフェース：
装置資産に対応する維持費データを受け取る；
装置資産に対応する基本的原則データを受け取る；
装置資産に対応する資産信頼度データを受け取る；
非一時的なコンピューター読取り可能なメディアにつながれたプロセッサー、ここで、非一時的なコンピューター読取り可能なメディアはプロセッサーによって実行される時、以下の指示を装置に与える；
保全基準からの指定の間隔により維持費データを分類する複数のカテゴリー値を生成する；および
資産信頼度データおよび複数のカテゴリー値に基づいて、評価された将来の信頼度データを含む設備の評価された将来の信頼度を決定する；並びに
処理されたデータセットに基づいて、異なる装置財産の比較のために、コントロールセンターへ評価された将来の信頼度データを含む、処理されたデータセットを送信するように構成された送信装置を含む出力インターフェース。

図１は、たとえば発電プラントのような、測定可能なシステムに関係のある、１つ以上の各種データ・ソースからデータを受け取るデータ解析方法の実施態様のフローチャートである。 図２は、図１に述べられていたデータ解析方法のデータ編集中で生成されたデータ編集表の実施態様の略図である。 図３は、図１に述べられていたデータ解析方法の分類された時間ベースのメンテナンス・データ中で生成された、分類されたメンテナンス表（categorized maintenance table ）の実施態様の略図である。 図４は、図１に述べられていたデータ解析方法の分類された時間ベースの信頼度データ中で生成された、分類された信頼度表の実施態様の略図である。 図５は、図１に述べられていたデータ解析方法の将来の信頼度予測で生成された将来の信頼度データ表の実施態様の略図である。 図６は、図１に述べられていたデータ解析方法の将来の信頼度予測で生成された、将来の信頼度統計表の実施態様の略図である。 図７は、図１に述べられていたデータ解析方法を使用して、将来の信頼度予測を決定するために、ユーザが入力する必要がある情報を表示するように構成されたユーザー・インタフェース入力画面の実施態様の略図である。 図８は、図１に述べられていたデータ解析方法を使用して、ＥＦＯＲ予測のために構成されたユーザー・インタフェース入力画面の実施態様の略図である。 図９は、１つ以上の実施態様を遂行するためのコンピュータノードの実施態様の略図である。 図１０は、発電プラントのような測定可能なシステムの相対的な機能解析で使用されるモデル係数を決定する方法の実施態様のフローチャートである。 図１１は、図１０に述べられている主要な基本的原則特性を決定する方法の実施態様のフローチャートである。 図１２は、図１０に述べられている比較分析モデルの解決で使用される制約（constraint）を開発する方法の実施態様のフローチャートである。 図１３は、図１０−１２に述べられているモデル係数を決定するためのモデル係数行列の実施態様の略図である。 図１４は、図１０−１２に説明される相対的な機能解析で使用されるモデル係数の決定のための、流動接触分解ユニット（接触分解装置）に関するモデル係数行列の実施態様の略図である。 図１５は、図１０−１２に説明される相対的な機能解析で使用されるモデル係数を決定するための、パイプラインおよびタンクファームに関するモデル係数行列の実施態様の略図である。 図１６は、１つ以上の実施態様を遂行するためのコンピュータノードの別の実施態様の略図である。

ある実施態様が、本明細書に示された好ましい実例である実施態様に関連して記述されるが、それが発明をそれらの実施態様に制限するようには意図されないことは理解されるだろう。これに反して、この開示内に含まれている請求項によって定義される発明の趣旨および範囲内に含まれている代替、修正および等価物をすべてカバーするように意図される。図面は実寸ではない。同じ参照数字は記述および図面の全体にわたって、同じ構造を有する成分と要素について使用され、ダッシュ付きの参照数字は、ダッシュのない同じ参照数字の成分と要素と類似する機能および構成を有する成分と要素について使用される。
詳細な記述

１つ以上の実施態様の例が以下に記載されるが、様々な特定の実施態様は当業者に知られていた技術の多くの技術を使用して遂行されてもよいことが理解されるに違いない。
開示は実例となる実施態様、図面および／または以下に説明された技術、例示的な設計に限定されるものではない。更に、その開示は請求項の範囲内で修正することができ、その等価物を含む。

測定可能なシステムの将来の信頼度の評価のために１つ以上の実施態様をここに開示する。特に、１つ以上の実施態様では、目標変数(target variables)と、各目標変数のための１つ以上の特性（characteristics）の決定により、相対的な機能解析で使用されるモデル係数を得てもよい。目標変数は、測定可能なシステム用の異なるパラメーターを表わしてもよい。目標変数の特性はデータ収集分類によって集められソートされてもよい。データ収集分類は定量的に特性における違いを測定するために使用されてもよい。データを集めて有効にした後に、比較分析モデルは予測された目標変数が、１つ以上の測定可能なシステム用の実際の目標変数と比較するために開発されていてもよい。比較分析モデルは、モデル内の実際の目標変数値と予測される目標変数値との違いを最小限にすることを試みる複雑さ要因（complexity factors）のセットを得るために使用されてもよい。その後、比較分析モデルは将来の信頼度を予言するために測定可能なシステム上で周期的に行なわれた活動に対する代表的な値を開発するために使用されてもよい。

図１は、発電プラントのような測定可能なシステムに関係する、１つ以上の各種データ・ソースからデータを受け取るデータ解析方法６０の実施態様のフローチャートである。測定可能なシステムの将来の信頼度を評価するために、データ解析方法６０はユーザ、計算ノードあるいはその組み合わせによって実現されることができる。１つの実施態様では、データ解析方法６０は、最新の利用可能なデータを自動的に受け取ることができ、たとえば、運転および性能データを各種データ・ソースから受け取ることができ、受信した最新のデータを使用して１つ以上の比較分析モデルを更新し、続いて、１つ以上の測定可能なシステムについて将来の信頼度の評価上の最新版を供給する。測定可能なシステムは、性能データ、条件つきのデータ、運転データおよび／または、システムのステータスを評価するために使用される他のタイプの測定可能なデータ（例えば、定量的および／または定性的なデータ）に関係しているあらゆるシステムである。例えば、測定可能なシステムは、発電所、設備あるいは商業ビルのような測定可能なシステムの１つ以上の成分に関連した、種々のパラメーターおよび／または性能因子をモニターされてもよい。別の実施態様では、測定可能なシステムは、利用可能な性能データ（たとえば株価、安全記録、および／または会社金融）に関係していてもよい。用語「測定可能なシステム」、「設備」、「資産」あるいは「プラント」は、この開示の全体にわたって交換可能に使用されることができる。

図１に示されるように、各種データ・ソースからのデータは、測定可能なシステム用の利用可能なデータに基づいた将来の信頼度予測をモデル化および／または改善するために、異なる計算上の段階で適用されてもよい。１つの実施態様では、利用可能なデータは、測定可能なシステムの１つ以上の測定可能なパラメーターに関係のある現在および過去のメンテナンス・データであることができる。例えば、メンテナンスおよび修理可能な装置の点では、メンテナンス品質を記述する１つの方法は、測定可能なシステム（装置資産）のための毎年または周期的なコストを計算することである。毎年または定期的メンテナンス数は、与えられた期間の間に費やされる金額を表示する。それは必ずしも正確に将来の信頼度を反映しないかもしれない。例えば、自動車所有者は、自動車を毎週洗い清潔にするためにお金を使ってもよいが、たとえばタイヤ交換および／または油あるいはフィルタ交換のような自動車の将来の信頼度を潜在的に増加させるかもしれないメンテナンスに比較的またはほとんどお金を使わない。頻繁に行なわれた時、自動車を洗い清潔にするための毎年の維持費はかなり大きいかもしれないが、洗浄と洗浄の保守タスクおよび／または活動は、自動車の信頼度の改善に効果が比較的またはほとんどない。

図１は、ランキンアンドブレイトンサイクルに基づいた発電プラントのための将来の等価な強制停止割合(future Equivalent Forced Outage Rate:EFOR)評価を予言するために、データ解析方法６０が使用されてもよいことを例証する。ＥＦＯＲは、そのユニットの利用可能時間（例えば計画されていない停止、計画されていない遅延、および実動時間）の合計に対する、ユニットが使用できない時間（例えば計画されていない停止時間、および等価な計画されていない遅延時間）の割合として定義される。図１に示されるように、最初のデータ収集段階内では、データ解析方法６０は最初に資産維持費データ（asset maintenance expense data）６２および、基本的原則データあるいは測定可能なデータ・システム（たとえば発電プラント）に関係する他の資産レベルデータ６４を得てもよい。様々な設備の資産維持費データ６２は、工場設備から典型的に直接得られてもよい。資産維持費データ６２は、規定時間期間（例えば秒、分、時間、数か月および数年で）の測定可能なシステムの維持に関連したコストを表わしてもよい。例えば、資産維持費データ６２は、１つ以上の測定可能なシステムの毎年のコストまたは定期メンテナンス・コストであることができる。資産ユニット、基本的原則データあるいは他の資産レベル・データ６４は、測定可能なシステムの物理的または基本的特性を表わしてもよい。例えば、資産ユニット基本的原則データあるいは他の資産レベル・データ６４は、運転および性能データ、たとえばタービン入口温度、資産の経年、サイズ、馬力、消費された燃料の量、また実動出力が、１つの測定可能なシステムに相当するネームプレートと比較された。

第１データ収集段階中で得られたデータは保全基準６６を生成するために続いて受け取られるか入力されてもよい。１つの実施態様では、保全基準６６は、ユーザが年間での保全基準を計算する１つ以上のモデル化方程式をあらかじめ供給する年間での保全基準であることができる。
結果は、資産維持費データ６２を標準化し、かつ同様のタイプの他の発電プラントに比べて費やす妥当性を測定するためのベンチマーク指標を提供するために使用されてもよい。１つの実施態様では、因子(divisor)または標準は、資産ユニットの基本的原則データあるいは他の資産レベル・データ１０４に基づいて、計算することができる。それは図１０−１２により詳細に説明される。他の実施態様では、たとえばプラントに関連する利用可能な目標変数からのデータの単純回帰分析から、保全基準６６を生産してもよい。

通常、時間により摩耗する要素の置換用維持費が、定期メンテナンス経費における変化を引き起こす異なる時間区間で生じてもよい。潜在的な問題を扱うために、データ解析方法６０は、周期的な方式で維持の活性化に対する代表的な値を開発する保全基準６６を生成してもよい。例えば、保全基準６６を生成するために、データ解析方法６０は、他のある時間帯での維持費を標準化してもよい。別の実施態様では、データ解析方法６０は、定期メンテナンス支出因子（periodic maintenance spending divisor）を生成して、実際の定期メンテナンス支出を標準化し、それが下（実費／因子比率＜１）、あるいは上（実費／因子比率＞１）かを測定する。メンテナンス支出因子は、資産維持費データ６２、資産ユニット基本的原則データあるいは他の資産レベル・データ６４（例えば資産特性）、および／または専門家の見解を文書化したデータの半実証的分析から計算された値であることができる。この実施態様中で、資産ユニット基本的原則データあるいは他の資産レベル・データ６４、たとえば工場規模、工場のタイプ、および／またはプラント出力と共に、計算された年間の維持費を、分析で各資産に対する標準維持費（因子）値を計算するために使用してもよい。これは、米国特許７，２３３，９１０，２００６年７月１８日出願、発明の名称「産業設備の相対性能評価のために使用される効率因子を決定するためのシステムおよび装置(System and Method for Determining Equivalency Factors for use in Comparative Performance Analysis of Industrial Facilities)」に記載されており、これは本明細書で参照される。その計算は、現在の分析下の財産を含む過去のデータセットで行なわれてもよい。保全基準計算は、測定可能なシステムの将来の信頼度予測のモデル化のために１つ以上の方程式を含んでいるモデルとして適用されてもよい。保全基準因子の計算に使用されるデータは、ユーザによって供給されてもよく、遠隔ストレージ装置から転送されてもよく、および／または、遠隔のネットワーク・ノード、たとえばサーバまたはデータベースからネットワークによって受け取られてもよい。

図１は、データ解析方法６０が第２のデータ収集段階で資産信頼度データ４００を受け取ってもよいことを例証する。資産信頼度データ７０は測定可能なシステムの各々に対応してもよい。資産信頼度データ７０は、測定可能なシステムの信頼度、故障率および／または予期しない停止時間に相当するあらゆるデータである。一旦データ解析方法６０が個々の測定可能なシステムの資産信頼度データ７０を受け取れば、データ解析方法６０はコンパイルされ測定可能なシステムのメンテナンス支出比率にリンクされてもよい。それは、他の測定可能なシステムおよび時間固有データと同じライン上で関連させられるか、示されてもよい。発電プラントについては、資産信頼度データ７０は、アメリカ国立電気信頼度株式会社の発電有効性データベース（ＮＥＲＣ−ＧＡＤＳ）から得られてもよい。他のタイプの測定可能なシステムは、さらに同様のデータベースから資産信頼度データ７０を得てもよい。

データ編集６８では、データ解析方法６０は共通のファイルへ計算された保全基準６６、資産維持費データ６２および資産信頼度データ７０をコンパイルする。１つの実施態様では、データ解析方法６０は補足カラムを共通のファイル内のデータ配置に加えてもよい。補足カラムは、実際の年間維持費と個々の測定可能なシステムについての計算された標準値の比率を表わしてもよい。データ解析方法６０は、さらにいくつかのパーセンタイル間隔あるいはカテゴリーで割られたメンテナンス支出比率を分類するデータ編集６８内に別のカラムを加えてもよい。例えば、データ解析方法６０は、メンテナンス支出比率を分類するために９つの異なる間隔あるいはカテゴリーを使用してもよい。

分類された時間に基づいたメンテナンス・データ７２では、データ解析方法６０は、マトリックス（２ｘ２マトリックス、それは個々の測定可能なシステム（たとえば発電プラントとタイム・ユニット）を定義する）内にメンテナンス・カテゴリー値を入れてもよい。分類された時間に基づいた信頼度データ７４は、データ解析方法６０は、分類された時間に基づいたメンテナンス・データ７２に述べられているのと同じマトリックス構造を使用して、個々の測定可能なシステムに信頼度を割り当てる。将来の信頼度予測７６では、データは、分類された時間に基づいたメンテナンス・データ７２および分類された時間に基づいた信頼度データ７４から統計的に分析され、平均および／または他の統計計算を計算し、測定可能なシステムの将来の信頼度を決定する。将来の計算された期間あるいは年数は、利用可能なデータ、たとえば資産維持費データ６２、資産信頼度データ７０および資産ユニット基本的原則データあるいは他の資産レベル・データの関数かもしれない。例えば、将来の間隔は、利用可能なデータのために１年かもしれない。しかし、他の実施態様は、利用可能なデータセットに応じて２年か３年の選択を利用することができる。さらに他の実施態様は、利用可能なデータのグラニュアリティ(granularity)によって、年に加えて秒、分、時間、日、および／または月の他の期間を使用してもよい。

図１に関する議論が発電プラントと発電産業に特有だったが、同様のメンテナンスおよび信頼度データベースが存在する他の産業にも、データ解析方法６０が適用されてもよいことは注目されるべきである。例えば、精製と石油化学工業では、メンテナンスと信頼度のデータはプロセスプラントおよび／または長年にわたる他の測定可能なシステムのために存在する。したがって、データ解析方法６０は、さらにプロセスプラントおよび／または現在と過去の年次メンテナンス支出比率値を使用する他の測定可能なシステムのための将来の信頼度を予測できる。データ解析方法６０の他の実施態様は、パイプライン産業および建物（例えばオフィスビル）および他の構造物のメンテナンスに適用されてもよい。

当業者は、他の産業信頼度が図１に適用された電力産業のＥＦＯＲ手段と異なる資産信頼度データ７０用の種々様々のメトリックまたはパラメーターを利用してもよいことに気づくだろう。例えば、データ解析方法６０の中で使用することができた他の適切な資産信頼度データ７０は、「入手不可能」、「有効性」、「商用入手不可能」および「平均故障間隔」を含むが、これらには制限されていない。これらのメトリックまたはパラメーターには多くの場合与えられた状況に特有の定義があってもよい。しかし、それらの一般的な解釈は、信頼性解析および信頼度予測分野の当業者に知られている。

図２は、図１に述べられていたデータ解析方法６０のデータ編集６８において生成された、データ編集表(data compilation table)２５０の実施態様の略図である。データ編集表２５０は出力インターフェースを使用して、グラフィックユーザー・インタフェースあるいはプリンターに表示されるか送信されてもよい。図２は、データ編集表２５０が資産所有者を示すクライアントナンバーカラム２５２、データが集められている測定可能なシステムおよび／またはプラント名カラム２５４、および研究年カラム２５６を含むことを例証する。図２に示されるように、表２００内の資産所有者はそれぞれ単一の測定可能なシステムを所有する。言いかえれば、測定可能なシステムの各々は異なる資産所有者によって所有される。データ編集表２５０の他の実施態様は同じ資産所有者に所有される複数の測定可能なシステムを有してもよい。研究年カラム２５６は、データが測定可能なシステムから集められたかまたは分析された時期を指す。

データ編集表２５０は、データ解析方法６０を使用して計算された追加のカラムを含んでもよい。計算されたメンテナンス（Ｍｘ）標準カラム２５８は、図１の中の保全基準６６に述べられている保全基準の計算結果を表わすデータ値を含んでもよい。米国特許７，２３３，９１０に述べられているように、１つの実施態様では、保全基準６６が生成されてもよい。他の実施態様では、当業者に知られている保全基準の結果を計算してもよい。実際の年間のＭｘ費用カラム２６０は、図１の中の保全基準６６に述べられている保全基準に基づいた、標準化された実際のメンテナンス・データを表わす、計算されたデータ値を含んでもよい。実際のメンテナンス・データは数年（例えば約５年）にわたって有効な年間費用かもしれない。実際の（Ａｃｔ）Ｍｘ／標準（Ｓｔｄ）Ｍｘ比率カラム２６２は、将来の信頼度との関係する、メンテナンス支出の妥当性あるいは有効性を評価するために使用される、標準化されたメンテナンス支出比率を表わすデータ値を含んでもよい。
最後のカラム、ＥＦＯＲカラム２６６は、現在の時間間隔での信頼度あるいはこの場合には未信頼度数値を表わすデータ値を含む。ＥＦＯＲカラム２６６のデータ値は、計画されていない故障時間の合計であり、運転期間の時間で割ることにより再−割合を求めることができる。この例におけるＥＦＯＲの定義はＮＥＲＣ−ＧＡＤＳ文献に記載される記法に続く。例えば、９．７のＥＦＯＲ値は、測定可能なシステムがその運転期間の約９．７％で計画されていない故障を起こす事を示す。

ＡｃｔＭｘ／Ｓｔｄ Ｍｘ：
デシルカラム(decile column)２６４は、図１のデータ編集６８で議論されたような別個の範囲に関係する値間隔内へ分類されたメンテナンス支出比率を表すデータ値を含む。デュオ・デシル、デシル、セクシタイル(sextiles)、クインタイル(quintiles)またはクオータイル(quartiles)を使用する事ができるが、この例においてデータは、ＡｃｔＭｘ／Ｓｔｄ ｍｘカラム２６２で見られるメンテナンス支出比率データ値のパーセンタイル・ランキングに基づいて９つのカテゴリーに分類される。メンテナンス支出比率を分割する間隔またはカテゴリーの数は、データセット・サイズに依存してもよく、統計的に可能なより詳細な分割が、比較的より大きなデータセット・サイズで生成されてもよい。当業者に知られていた様々な方法あるいはアルゴリズムは、データセット・サイズに基づいて間隔の数を決定するために使用されてもよい。実際に達成された将来のＥＦＯＲ信頼度数値を割り当てるために、順番にカテゴリー内へのメンテナンス支出比率の転換は参照として有用なことがある。

図３は、図１に述べられていたデータ解析方法６０の分類された時間ベースのメンテナンス・データ７２に生成された、分類されたメンテナンス表３５０の実施態様の略図である。分類されたメンテナンス表３５０は出力インターフェースを使用して、グラフィックユーザー・インタフェース、あるいは印刷装置に表示されるか送信されてもよい。具体的には、分類されたメンテナンス表３５０は、図２のデータ編集表２５０の内に見られるメンテナンス支出比率を順番にカテゴリー・データ値に転換したものである。図３は、プラントネームカラム３５２が異なる測定可能なシステムを特定してもよいことを例証する。年カラム３５４−３８２は、測定可能なシステムの各々の異なる年あるいは期間を表わす。例として図３を使用して、プラント１および２には１９９９−２０１３のデータ値があり、プラント３および４には２００２−２０１３のデータ値がある。年カラム３５４−３８２内に見られるデータのタイプは、図２の中のＡｃｔＭｘ／Ｓｔｄ Ｍｘ：デシルカラム２６４の内のデータのタイプに本質的に似ている：特に、年カラム３５４−３８２内のデータのタイプは、メンテナンス支出比率の別個の範囲に関係する間隔を表わし、一般にメンテナンス支出比率序数カテゴリー(maintenance spending ratio ordinal category)と呼ばれることができる。例えば、１９９９年については、プラント１は「５」と分類されるメンテナンス支出比率を有し、プラント２は「１」と分類されるメンテナンス支出比率を有する。

図４は、図１に述べられていたデータ解析方法６０の分類された時間に基づいた信頼度データ７４に生成された、分類された信頼度表４００の実施態様の略図である。分類された信頼度表４００は出力インターフェースを使用して、グラフィックユーザー・インタフェース、あるいは印刷装置に表示されるか送信されてもよい。分類された信頼度表４００は、図２のデータ編集表２５０の内に見られるＥＦＯＲデータ値の転換されたものである。図４は、プラント名前カラム４５２が異なる測定可能なシステムを特定してもよいことを例証する。年カラム４０４−４３２は、測定可能なシステムの各々の異なる年を表わす。例として図４を使用して、プラント１および２には１９９９−２０１３のデータ値がある。また、プラント３および４には２００２−２０１３のデータ値がある。年カラム３５４−３８２内に見られるデータのタイプは、図２の中のＥＦＯＲカラム２６６内のデータのタイプに本質的に似ている。特に、年カラム３５４−３８２内のデータのタイプは、計画されていない故障のパーセンテージを表示するＥＦＯＲ値を表わす。例えば、１９９９年については、プラント１はＥＦＯＲ ２．４を有し、それは計画されていない故障によりその運転期間の約２．４％が停止することを示す。またプラント２にはＥＦＯＲ ５．５を有し、それは計画されていない故障によりその運転期間の約５．５％が停止することを示す。

図５は、図１に述べられていたデータ解析方法６０の将来の信頼度予測７６に生成された、将来の信頼度データテーブル５００の実施態様の略図である。将来の信頼度データテーブル５００は出力インターフェースを使用して、グラフィックユーザー・インタフェース、あるいは印刷装置に表示されるか送信されてもよい。将来の信頼度を計算する過程は、たとえば図５では約２年である、将来の信頼度間隔の選択で始まる。将来の信頼度間隔を選択した後に、図３に示されるデータは分類されたメンテナンス表３５０に基づき水平にあるいは一列づつ走査される。分類されたメンテナンス表３５０の中の選択された列へのエントリーは約１年のみ分離させられる列を決定する。例えば図３を使用して、プラント１に関連した列は、約１年のデータ分離を満たすだろうが、プラント１１はそうではない。なぜなら分類されたメンテナンス表３５０内のプラント１１は２００６年と２００８の間でデータ・ギャップがあるからである。言いかえれば、プラント１１は２００７年の値がなく、したがってプラント１１へのエントリーは約１年で分離できない。他の実施態様では、秒、分、時間、日、および／または月で測定された将来の異なる時間間隔で将来の信頼度間隔を選択してもよい。時間間隔は、データのグラニュアリティのレベルに依存する将来の信頼度を決定するために使用される。

それぞれ分離された列のメンテナンス支出比率の序数カテゴリーは、分類された信頼度データテーブル４００からの今後のＥＦＯＲ値と対にし、生成されたオーダー・ペア（order pair）は、メンテナンス支出比率序数カテゴリーと、今後のＥＦＯＲ値を含む。選択された将来の信頼度間隔が約２年であるので、メンテナンス支出比率の序数カテゴリーのある年と、生成されたオーダー・ペア対内のＥＦＯＲ値の年は、２年離れることができる。同じプラントのためのこれらのオーダー・ペアあるいは同じ列の将来を約２年前に分析するためのいくつかの例は次のとおりである：
第１のオーダー・ペア：
（１９９９年のメンテナンス支出比率序数カテゴリーおよび２００１年のＥＦＯＲ値）
第２のオーダー・ペア：
（２０００年のメンテナンス支出比率序数カテゴリーおよび２００２年のＥＦＯＲ値）
第３のオーダー・ペア：
（２００１年のメンテナンス支出比率序数カテゴリーおよび２００３年のＥＦＯＲ値）
第４のオーダー・ペア：
（２００２年のメンテナンス支出比率序数カテゴリーおよび２００４年のＥＦＯＲ値）

上に示されるように、オーダー・ペアの各々では、メンテナンス支出比率序数カテゴリーおよびＥＦＯＲ値を分離する年は、将来の信頼度間隔に基づき約２年である。オーダー・ペアを形成するために、図３および４のマトリックスは、２年（例えば１９９９年と２００１年）までに分離された可能なデータ・ペアについて走査されてもよい。この場合、中央の年データはデータ・ペアに使用されない（例えば２０００年）。このプロセスは、他の将来の信頼度間隔（例えば分析から望まれた情報とユーザの分別されたメンテナンス比率序数値より進んだ１年）について繰り返されることができる。さらに、上記のオーダー・ペアの例は、メンテナンス支出比率序数カテゴリーおよびＥＦＯＲ値が、オーダー・ペアの各々がインクリメントされる。例えば、第一のオーダーペアは１９９９年にメンテナンス支出比率序数カテゴリーを有し、第２のオーダー・ペアは２０００年にメンテナンス支出比率序数カテゴリーを有する。

異なるメンテナンス支出比率序数カテゴリー値は、対応する将来のＥＦＯＲ値を、将来の信頼度データテーブル５００内の正確なカラムの中へ入れる。
図５に示されるように、カラム５０２は「１」のメンテナンス支出比率序数カテゴリーのＥＦＯＲ値を含む；
カラム５０４は「２」のメンテナンス支出比率序数カテゴリーのＥＦＯＲ値を含む；
カラム５０６は「３」のメンテナンス支出比率序数カテゴリーのＥＦＯＲ値を含む；
カラム５０８は「４」のメンテナンス支出比率序数カテゴリーのＥＦＯＲ値を含む；
カラム５１０は「５」のメンテナンス支出比率序数カテゴリーのＥＦＯＲ値を含む；
カラム５１２は「６」のメンテナンス支出比率序数カテゴリーのＥＦＯＲ値を含む；
カラム５１４は「７」のメンテナンス支出比率序数カテゴリーのＥＦＯＲ値を含む；
カラム５１６は「８」のメンテナンス支出比率序数カテゴリーのＥＦＯＲ値を含む；
また、カラム５１８は「９」のメンテナンス支出比率序数カテゴリーのＥＦＯＲ値を含む。

図６は、図１に述べられていたデータ解析方法６０の将来の信頼度予測７６で、将来の信頼度の統計表６００を生成した実施態様の略図である。将来の信頼度の統計表６００は、出力インターフェースを使用して、グラフィックユーザー・インタフェース、あるいは印刷装置に表示されるか送信されてもよい。図６の、将来の信頼度の統計表６００は、メンテナンス支出比率序数カテゴリー・カラム６０２−６１８に対応する。図６に示されたように、メンテナンス支出比率序数カテゴリー・カラム６０２−６１８は、対応するメンテナンス支出比率序数カテゴリーに対応する。例えば、メンテナンス支出比率序数カテゴリー・カラム６０２は、メンテナンス支出比率序数カテゴリー「１」に相当する。また、メンテナンス支出比率序数カテゴリー・カラム６０４はメンテナンス支出比率序数カテゴリー「２」に相当する。メンテナンス支出比率序数カテゴリー・カラム６０２−６１８のそれぞれについてコンパイルされたデータは、将来の信頼度情報を示す様々な統計を計算するために将来の信頼度データテーブル５００内のデータを使用して分析される。図６に示されたように、列６２０、６２２および６２４は、メンテナンス比率序数値のそれぞれについての将来の信頼度データの、平均、メジアン、およびパーセンタイル分布の９０番目の値を表わす。図６では、将来の信頼度情報は、本年が特定のメンテナンス支出比率序数値を有する測定可能なシステムの将来の信頼度予測またはＥＦＯＲとして解釈される。

将来のＥＦＯＲ予測は、現在と前の年のメンテナンス支出比率を利用して計算することができる。多年の場合については、メンテナンス支出比率は、ある年の年間での経費を加えて前の年の間の保全基準の合計によって割ることにより計算される。この方法による支出比率は、含まれた年の各々について計算された基準の合計である一般的水準に関し、数年にわたるパフォーマンスを反映する。

図７は、図１に述べられていたデータ解析方法６０を使用して、将来の信頼度予測７６を決定するために、ユーザが入力する必要があるかもしれない情報を表示するように構成された、ユーザー・インタフェース入力画面７００の実施態様の略図である。ユーザー・インタフェース入力画面７００は、測定可能なシステムのタイプを選択するために、ユーザが使用する測定可能なシステム選択カラム７０２を含む。例として図７を使用して、ユーザは発電ユニットまたは測定可能なシステムのタイプとして「石炭ランキン」プラントを選択することができる。図７に示される他の選択は「ガス−ランキン」および「コンバスチョン・タービン」を含む。一旦測定可能なシステムのタイプが選択されれば、ユーザー・インタフェース入力画面７００はユーザが選択する測定可能なシステムのタイプに関連した必要なデータ項目７０４を生成することができる。ユーザー・インタフェース入力画面７００内に現われるデータ項目７０４は、測定可能なシステム選択カラム７０２内の選択された測定可能なシステムに依存して変わってもよい。図７は、ユーザが石炭ランキンのプラントを選択しており、ユーザが、下線ラインを有するブランクで示されるフィールドすべてに入力してもよいことを例証する。これは、さらに特定の年の年間での維持費を含んでいてもよい。他の実施態様では、ブランクのフィールドは、遠隔のデータ保存手段から、あるいはネットワークにより受けた情報を使用して入力されてもよい。現在のモデルはさらに、もし将来の信頼度予測のためのより多くの情報を加えることが望まれれば、前の年データを入力することをユーザに許可する。他の実施態様では、記憶メディアから、あるいはネットワークから追加情報を得てもよい。

一旦この情報が入力されれば、ユーザー・インタフェース入力画面７００の底部の計算フィールド７０６、たとえば年間の保全基準（ｋ＄）フィールドおよび危険修正要因フィールドは、ユーザによって入力された情報に基づいて自動的に生成されてもよい。毎年の保全基準（ｋ＄）フィールドは、図６に示される計算されたＭＸ標準２５８に本質的に類似して計算されてもよい。危険修正要因フィールドは、比較分析モデルの全面的な危険修正要因を表わし、計算された将来の１年の平均ＥＦＯＲと全体の平均ＥＦＯＲの比率であることができる。言いかえれば、危険修正要因フィールド内に自動的に生成されたデータ結果は、全体平均と比較して、特定の測定可能なシステムの相対的な信頼度危険を表わす。

図８は、図１に述べられていたデータ解析方法６０を使用して、ＥＦＯＲ予測のために構成された、ユーザー・インタフェース入力画面８００の実施態様の略図である。図８では、ユーザにより考慮されるいくつかの結果がある。カーブ８０２は、メンテナンス支出比率の分布を表わすランキングのカーブであり、カーブ８０２上の三角形８０４は現在の測定可能なシステム、あるいはユーザによる考慮中の測定可能なシステム（例えば図７で選択された「石炭ランキン」プラント）の位置を示す。ユーザー・インタフェース入力画面８００は、ユーザに既知のパフォーマンスの範囲、および考慮中の特定の測定可能なシステムの範囲の両方を示す。メンテナンス支出比率が５つの異なる値間隔へ分類される場合、このカーブより下の数はメンテナンス支出比率の５分の１間隔の値である。図８で示されたデータ結果は、この実施態様中の５分の１間隔のために計算された；しかしながら、利用可能なデータの量、およびアナリストとユーザの目的に基づいて、他の分割も可能である。

ヒストグラム８０６はメンテナンス支出比率が低下する特定の５分の１間隔に応ずる平均の１年の将来のＥＦＯＲを表わす。例えば将来のＥＦＯＲの最も低い１年は、第２の５分の１間隔にメンテナンス支出比率があるか、または約０．８および約０．９２のメンテナンス支出比率がある。支出のこのレベルは、ユニットが長期的な信頼度を保証するよりよい実施で資産を成功裡に管理していることを示唆する。約０から約０．８までのメンテナンス支出比率の第１の５分の１間隔は、高いＥＦＯＲ値を実際に示し、これはプラントが長期的な信頼度を生むためにオペレーターが必要または十分なメンテナンスを行なっていないことを示唆する。プラントが５番目の５分の１間隔になる場合、この１つの解釈は、オペレーターがブレークダウンのために使い過ぎたということである。計画されていないメンテナンスの故障からの維持費が計画的保守経費より大きくなりえるので、高いメンテナンス支出比率はＥＦＯＲ値を高くする。

点線８１０は、現在の測定可能なシステムのために分析されたデータのすべてのための平均ＥＦＯＲを表わす。ダイヤモンド８１２は、三角形８０４（それはメンテナンス支出比率を表わす）の上に位置した実際の１年の将来のＥＦＯＲ評価を示す。２つのシンボルは、現在のメンテナンス支出レベルと三角形８０４を、ＥＦＯＲの将来１年の評価であるダイヤモンド８１２に関連させるか連結する。

図１０は、測定可能なシステム（たとえば発電プラント）の相対的な機能解析で使用されるモデル係数を決定する方法１００の実施態様のフローチャートである。方法１００は図１に述べられていた保全基準６６内に使用される１つ以上の比較分析モデルを生成するために使用されてもよい。具体的には、方法１００は、メンテナンス品質および将来の信頼度の間の相関を説明する１つ以上の比較分析モデルに関連した使用可能な特性およびモデル係数を決定する。方法１００は、ユーザおよび／またはモデル係数の決定のために入力されたデータを受け取るように構成された計算ノードを使用して実現されてもよい。例えば、計算ノードは、最新の受信データに基づいたデータと最新版のモデル係数を自動的に受け取ってもよい。

方法１００はステップ１０２からスタートし、１つ以上の目標変数（「目標変数」）を選択する。目標変数は、測定可能なシステム（営業経費、金融結果、資本費用、運転費用、配置、製品収量、エミッション、エネルギー消費量あるいはパフォーマンスなどの計量可能な特性の合計）に関連した計量可能な特性である。目標変数は、生産、精製、石油化学製品、有機的および無機化学薬品を含む化学薬品、プラスチック、農薬および医薬品、オレフィンプラント、化学薬品生産、パイプライン敷設、発電、電力供給、また他の産業設備において存在することができる。目標変数の他の実施態様は、さらに異なる環境上の態様、建物および他の構造のメンテナンスおよび他のタイプの産業および市販の工業向けでありうる。

ステップ１０４では、方法１００は基本的原則特性を識別する。基本的原則特性は、目標変数を決定すると予想される測定可能なシステムまたはプロセスの物理的または基本の特性である。１つの実施態様では、基本的原則特性は、図１に述べられた資産ユニットの基本的原則データあるいは他の資産レベル・データ６４であることができる。共通ブレーンストーミングあるいはチーム・ナレッジ・マネジメント技術は目標変数用の可能な特性の最初のリストを開発するために使用することができる。１つの実施態様では、異なる測定可能なシステム（たとえば産業設備）を比較する場合に目標変数における変化を引き起こすかもしれない産業設備の特性はすべて、基本的原則特性であると確認される。

ステップ１０６では、方法１００はステップ１０４で識別された特徴である基本的原則のすべてからの最重要な基本的原則特性を決定する。当業者によって理解されるように、様々なオプションが主要な基本的原則特性を決定するのに利用可能である。そのような１つのオプションは図１１に示される。それはより詳細に以下に議論されるだろう。後に、方法１００は主要な特性を分類するためにステップ１０８に移る。主要な特性のための潜在的な分類は、離散性か連続的か、または順序によるものを含む。離散性の特性は、２以上の状態（例えば二成分の決定）の間の選択を使用して測定することができる特性であり、たとえば「イエス」または「ノー」である。離散性の特性の例は「二重化装置(Duplicate Equipment)」でありえる。「二重化装置」の決定は「はい、設備は二重化装置である」あるいは、「いいえ、二重化装置ではない」である。連続的な特性は直接測定可能である。それが連続変数として直接測定されるので、連続的な特性の一例は「材料キャパシティー」でありえる。順序の特性（ordinal characteristics）は容易に測定可能でない特性である。代わりに、順序の特性は直接測定可能でない身体的相違を反映する順序尺度(ordinal scale)に沿って得点付けされる場合がある。さらに、測定可能か二成分の変数用の順序の特性を作成することが可能である。順序の特性の一例は３つの典型的な主要産業オプション間で、精製所構造になるだろう。これらはユニット複雑さによって順序尺度で示される：
１．０ 常圧蒸留
２．０ 接触分解ユニット
３．０ コーキングユニット

上記の測定可能なシステムは順序の変数に基づいて、順番に格付けされ、一般に測定の任意の計量可能な品質に関する情報は含まない。上記の例で、１．０の測定可能なシステムあるいは常圧蒸留、および２．０の測定可能なシステムあるいは接触分解ユニットの間の複雑さの差は、必ずしも３．０の測定可能なシステムあるいはコーキングユニットと２．０の測定可能なシステムあるいは接触分解ユニットの間の複雑さの差と等しくない。

順序尺度に置かれた変数はモデル係数の開発用の間隔尺度(interval scale)に変換されてもよい。間隔変数への順序の変数（ordinal variables）の転換は、ユニット間の違いが測定可能な規模であることを例証するために開発された尺度を使用してもよい。順序の特性データ用の間隔尺度を開発するプロセスは、特性の科学的な操作の専門家チームの理解に依存することができる。専門家チームは、測定されているプロセスおよび科学原理（異なる物理的特性と目標変数との関係のタイプ）についてのそれらの理解に基づいて、最初に決定することができる。関係は線形、対数、べき関数、二次関数あるいは他の数学的関係であることができる。その後、専門家は、特性と目標変数における変化の関係を反映するために任意に複雑さ要因(complexity factor)を評価することができる。複雑さ要因は、間隔変数スケール(interval variable scale)に帰着する目標変数（target Variable)へ順序の変数間の関係を線形にするために使用される指数関数的な力であることができる。さらに、データが存在しない状況では、主要な特性の決定は専門家の経験に基づいてもよい。

ステップ１１０では、方法１００はデータ収集分類配置を開発してもよい。データが一貫した方法で集められるように、方法１００は、連続的なものとして分類された特性を定量してもよい。二成分のものとして分類された特性のために、単純なイエス／ノーの質問がデータを集めるために使用されてもよい。定義のシステムは一貫した方法でデータを集めるために開発されている必要があってもよい。順序のものとして分類された特性については、上に記述されるように測定スケールを開発することができる。

順序の特性のための測定スケールを開発するために、方法１００は、一致関数(consensus function)を開発する少なくとも４つの方法を使用してもよい。１つの実施態様では、専門家または専門家チームを特性と目標変数における変化の間に存在する関係のタイプを決定するために使用することができる。別の実施態様では、順序の特性は計ることができる（例えば、ｎの構成について、１、２、３、．．． ｎ）。目標値対構成のプロットによって、構成は影響の漸進的な順に置かれる。任意のスケーリング方法を利用する際に、より詳細に下に記述されるように、順序の特性と目標変数値の関係の決定は、最適化分析をしいる。この場合、式１．０に述べられていた一般的な最適化モデルは潜在的な非線形の関係に適合するように変性されてもよい。別の実施態様では、上に議論されるように順序の測定は計ることができ、次に、可能なものとして目標変数対順序の特性のプロットをほとんど線形にするためにデータに対して回帰した。一層の実施態様では、先の実施態様の組み合わせは利用可能な専門家の経験および利用可能なデータ品質およびデータのデータ量を使用するために利用することができる。

一旦方法１００が関係を築けば、方法１００はステップ１１０で測定スケールを開発してもよい。例えば、単一の特性は、５つの異なる物理的な構成の形式をとってもよい。目標変数における変化に対する最低の影響に帰着する物理的特性を備えた特性は、スケールセッティングスコア(scale setting score）を与えることができる。この値は任意の０でない値に割り当てられてもよい。この例において、割り当てられた値は１．０である。一致関数によって決定されるように、目標変数における変化に対する２番目に大きな影響を備えた特性は、スケール設定スコアの関数になるだろう。一致関数は、測定スケールを上に記述されるような順序の特性に使用することにより得られる。適用可能な物理的な構成のためのスケールが開発されるまで、これが繰り返される。

ステップ１１２では、方法１００は、データを集めるステップ１１０で開発された分類系を使用する。データ収集プロセスはデータ入力形式および指示の開発から始まる場合がある。多くの場合では、データ収集トレーニング・セミナーはデータ収集を助けるために導かれる。トレーニング・セミナーは、データ・サブミッションの一貫性および正確さを改善することができる。データ収集での考察は、測定可能なシステム（たとえば産業設備）の分析された境界の定義を含んでいてもよい。データ入力指示は、データ収集に含められる測定可能なシステムのコストおよび配置の定義を提供してもよい。データエントリーのための準備を援助するために、データ収集入力形式は報告するカテゴリーの多くにワークシートを提供してもよい。集められるデータは、既存の史料、既存の設備から新しく集められた史料およびプロセス、モデルからのシミュレーション・データを含むいくつかの源に由来することができるか、あるいは分野の専門家に由来した経験上のデータを合成してもよい。

ステップ１１４では、方法１００はデータを有効にしてもよい。方法１００が確認チェックをパスしたデータを受け取るか、またはチェックが関係当局で覆されたデータを受理してもよいように、多くのデータチェックは、方法１００のステップ１１４でプログラムすることができる。確認ルーチンはそれが集められるとともに、データを有効にするために開発されていてもよい。確認ルーチンは、次のものを含む多くの形式をとることができる：
（１）受理可能なデータの範囲は、指定された別のデータポイントに対する１つの指定されたデータポイントの比率である；
（２）適用可能なデータが、さらなる調査のためのアウトライアーデータポイント(outlier data points)を決定するために他のすべての同様のデータと照合される；および
（３）データは、専門家の任意の前のデータ・サブミッション判断が参照される。
入力データの確認が行われた後に、データは、広い「クロス研究(cross-study)」確認で、集められたすべてのデータに関して検討される。
この「クロス研究」の確認は、検査を要求するさらなるエリアを強調し、入力データへの変更を結果的にもたらすかもしれない。

ステップ１１６では、方法１００は、比較分析モデルの解決で使用される制約を開発してもよい。これらの制約は、モデル係数値の制約を含んでいるかもしれない。これらは、最小または最大値、または値のグループ化上の制約、あるいは他の数学的な制約形式でありえる。制約を決定する１つの方法は、図１２に示される。それはより詳細に以下に議論される。後で、ステップ１１８で、方法１００は、集めたデータに選択の最適化方法（たとえば線形回帰）を適用することにより、比較分析モデルを解決し、特性への目標変数に関する要因の最適のセットを決定する。１つの実施態様では、一般化された低減勾配非線形最適化方法(generalized reduced gradient non-linear optimization method)が使用された。しかしながら、方法１００は他の多くの最適化方法を利用してもよい。

ステップ１２０では、方法１００は開発された特性を決定してもよい。開発された特性は、１つ以上の基本的原則特性間に存在する数学的関係の結果であり、数学的関係によって表わされる情報を示すために使用されてもよい。さらに、線形の一般的な最適化モデルが利用される場合、特性中の非線形の情報は開発された特性の中で捕らえることができる。開発された特性形式の決定は専門家との議論、専門知識のモデル化、および試みと改良によって遂行される。ステップ１２２では、方法１００は、モデル係数を決定するために主要な基本的原則特性および開発された特性に最適化モデルを適用する。１つの実施態様の中で、開発された特性が利用される場合、ステップ１１６からステップ１２２は、方法１００がモデル精度のレベルを達成するまで、反復して繰り返されてもよい。

図１１は、図１０に述べられている主要な基本的原則特性１０６を決定する方法２００の実施態様のフローチャートである。ステップ２０２では、方法２００は、測定可能なシステム間の目標変数における変化に対する各特性の影響を決定する。１つの実施態様では、方法は反復して繰り返されてもよい。また、比較分析モデルは各特性の影響を決定するために使用することができる。別の実施態様では、方法２００は相関行列を使用してもよい。各特性の影響は、初期データ・セット中の目標変数中の全変動の割合として発現されてもよい。ステップ２０４では、方法２００は目標変数に対するその影響に基づいて、最低から最高まで各特性を格付けしてもよい。当業者は、方法２００が他の格付け基準を使用することができることに気づくだろう。

ステップ２０６では、特性は１つ以上のカテゴリーに分類されてもよい。１つの実施態様では、特性は３つのカテゴリーに分類される。最初のカテゴリーは、低いしきい値（例えば約５パーセント）未満の割合で目標変数に影響する特性を含んでいる。第２のカテゴリーは、低い割合と第２のしきい値（例えば約５％および約２０％）の間の割合を備えた１つ以上の特性を含んでもよい。第３のカテゴリーは、第２のしきい値（例えば約２０％）より上の割合を備えた１つ以上の特性を含んでもよい。方法２００の他の実施態様では、ステップ２０６は付加的またはより少数のカテゴリーおよび／または異なる範囲を含んでいてもよい。

ステップ２０８では、方法２００は、特定のしきい値より下の目標変数平均変化を有する特性をリストから取り除いてもよい。例えば、方法２００は、ステップ２０６に上に述べられた第１のカテゴリーを含んでいる特性（例えば約５パーセント未満の割合の特性）を削除することができる。当業者は、他のしきい値を使用することができるかもしれないことに気づくだろう。また特性のリストから多数のカテゴリーを取り除くことができるかもしれない。１つの実施態様の中で、特性が削除される場合、プロセスは上記のステップ２０２で繰り返してもよい。別の実施態様では、以下のステップ２１２に述べられているように、別の共変関係(co-variant relationship)が存在するかどうか判断するまで、特性はリストから取り除かれない。

ステップ２１０では、方法２００は、中程度のレベルの特性の関係を決定する。中程度のレベルの特性は、目標変数にあるレベルの効果があるが、個々に有意な方法で目標変数に影響を及ぼさない特性である。実例となるカテゴリーを使用して、第２のカテゴリーのそれらの特性は中程度のレベルの特性である。関係の例は、共変、依存、および独立である。１つの特性を修正することが、別の特性が存在する場合に限り目標変数を変わらせる場合、共変の関係が生じる。例えば、シナリオの中で特性「Ａ」が変えられる場合、特性「Ｂ」が存在する場合だけに目標変数が変わる場合、「Ａ」および「Ｂ」は共変関係がある。特性が別の特性に誘導されるかまたは直接別の特性に関係する場合、依存関係が生じる。例えば、特性「Ｂ」が存在する場合にのみ特性「Ａ」が存在する場合、ＡとＢは依存関係がある。共変でも依存でもない特性については、それらは独立した関係を持っているとして分類される。

ステップ２１２では、互いの特性表示依存性を解決するために、方法２００は依存性および高い相関を除いてもよい。依存性を解決するいくつかの潜在的な方法がある。いくつかの例は次のものを含んでいる：
（ｉ） 単一の特性へ多数の依存する特性をグループ化すること、
（ｉｉ） 依存特性のうちの１つ以外のすべての削除、および
（ｉｉｉ）依存特性のうちの１つを維持し、維持された特性と他の特性の間の違いである新しい特性を作成する。
方法２００は、依存性を除去した後、プロセスはステップ２０２から繰り返されてもよい。１つの実施態様の中で、変数の相違が些細な場合、それは繰り返されたステップ２０８で分析から取り除くことができる。

ステップ２１４では、方法２００は、相互関係(inter-relationships)の範囲を決定するために特性を分析してもよい。１つの実施態様の中で、もし前のステップのうちのどれかがプロセスの繰り返しに帰着すれば、反復はステップ２１４に先立って行なわれるだろう。いくつかの実施態様では、プロセスはステップ２１４に継続する前に複数回繰り返されてもよい。２１６で、別の特性によって引き起こされた目標変数変化への影響の最小のしきい値未満の変化を結果的にもたらす特性は、潜在的な特性のリストから落とされる。例となるしきい値は約１０パーセントでありえる。例えば、特性「Ｂ」が存在する場合、特性「Ａ」によって引き起こされた目標変数における変化が増加されれば、特性「Ｂ」の存在によって引き起こされた目標変数変化のパーセント増加が評価されなければならない。特性「Ｂ」の変化が目標変数を、特性「Ａ」によって単独で引き起こされた増加の約１０％未満で増加させると推測される場合、特性「Ｂ」は、潜在的な特性のリストから除去することができる。特性「Ａ」も目標変数に些細な影響のみを及ぼすと認めることができる。残りの特性は主要な特性であると考えられる。

図１２は、図１０のステップ１１６に述べられている比較分析モデルの解決で使用される制約を開発する方法３００の実施態様のフローチャートである。制約はステップ３０２でモデル係数上で開発されている。言いかえれば、制約はモデル係数に置かれた任意の制限である。例えば、モデル係数は目標変数への寄与に対して最高約２０％の影響との制約があってもよい。ステップ３５４では、方法３００の反対関数は、下記に述べられたように、モデル係数の初期セットを決定するために最適化される。ステップ３０６では、方法３００は、目標変数への各特性の貢献パーセントを計算してもよい。各特性の貢献パーセントを計算するいくつかの方法（米国特許７，２３３，９１０に述べられているような「平均法」）がある。

個々のパーセント貢献を開発し、方法３００はパーセント貢献がそれぞれ専門知識と比較されるステップ３０８に移る。領域専門家は、全面的な目標値に対してキー特性の相対的なインパクトのための直観的または経験的な感触を持っていてもよい。各特性の貢献はこの専門知識に対して判断される。ステップ３１０では、方法３００は個人貢献の受容性に関して決定してもよい。その貢献が承諾しがたいと分かる場合、方法３００はステップ３１２に継続する。その貢献が受理可能と分かる場合、方法３００はステップ３１６に継続する。

ステップ３１２では、方法３００は、個人貢献の承諾しがたい結果への対応または取り扱い方法を決定する。ステップ３１２では、オプションは、制約の調節を通じて選ばれた特性セットを支援することができないとの解決または決定に影響するために、モデル係数の制約を調節することを含んでいてもよい。ユーザが制約の調節を受理することを決定すれば、方法３００はステップ３１６に移る。制約の調節を通じて受理可能な結果を達成すると決定される場合、方法３００はステップ３１４に継続する。ステップ３１４では、制約は個人貢献から受理可能な結果を得るために、個々の特性のインパクトを増加させるか減少させるために調節される。方法３００は改訂された制約を備えたステップ３０２に継続する。ステップ３１６では、開発されたモデル係数のピア(peer)と専門家の調査は、開発されたモデル係数の受容性を決定するために行なわれてもよい。要因が専門家とピア・レビューをパスする場合、方法３００はステップ３２６に継続する。そのモデル係数が承諾しがたい場合、方法３００はステップ３１８に継続する。

ステップ３１８では、方法３００は、特定の領域の専門家と仕事をすることにより開発された特性の修正のために追加のアプローチおよび提案を得てもよい。これは、新規または更新された特性の生成を含んでいてもよいか、あるいは分析データセットへの新規または更新された基本的原則特性の追加を含んでいてもよい。ステップ３２０では、決定は、特性の修正のためのアプローチおよび提案の調査を支援するために、データが存在するかどうかに関してなされる。データが存在する場合、方法３００はステップ３２４に移る。データが存在しない場合、方法３００はステップ３２２に移る。ステップ３２２では、方法３００は満足な解決を得るために必要な修正をするための追加データを集める。ステップ３２４では、方法３００は、新しいアプローチおよび提案を考慮して特性のセットを改訂する。ステップ３２６では、方法４００は、特性の選択の理由を文書化してもよい。文書化はモデル係数の使用のための結果について説明するのに使用することができる。

図１３は、図１０−１２に述べられているモデル係数を決定するためのモデル係数行列１０の実施態様の略図である。様々な構成中でモデル係数行列１０を発現することができるが、特定のこの例において、モデル係数行列１０は、基本的原則特性１２、および１つの軸の上の第１の開発された特性１４、ならびにデータが別の軸上に集められた異なる設備１６で解釈されてもよい。各設備１６の各基本的原則特性１２に対して、実際のデータ値１８がある。各基本的原則特性１２および開発された特性１４に対して、最適化モデルで計算されるモデル係数２２がある。制約２０は、モデル係数２２の範囲を制限する。制約は、最小または最大値、あるいは他の数学関数または、代数の関係になりえる。さらに、制約２０はグループ化し、さらなる制約になりえる。設備データ上の追加の制約２０、およびデータ妥当性検証ステップで使用されるものに似ているデータポイントの関係と制約２０については、入力データ上のどんな数学的関係も使用することができる。１つの実施態様では、最適化中に満たされる制約２０はモデル係数にのみ当てはまる。

目標変数（実際）カラム２４は、各設備について測定される目標変数の実際の値を含む。目標変数（予測）カラム２６は、決定したモデル係数を使用して計算される目標値を含む。エラー・カラム２８は、最適化モデルによって決定される各設備の誤差値を含む。エラー合計３０はエラー・カラム２８の誤差値の合計である。最適化分析（それは目標変数方程式および反対関数（objection function）を含む）は、モデル係数がエラー合計３０を最小限にすることについて解決する。最適化分析ではモデル係数αｊは、すべての設備上のエラーεｉを最小限にするように計算される。非線形の最適化プロセスは、基本的原則特性、制約および選択された値の与えられたセットのために方程式を最小にする、モデル係数のセットを決定する。

目標変数は、特性および決定されるモデル係数の関数として計算されてもよい。
目標変数方程式は次のように表される：

ここでＴＶｉは、設備ｉのための測定された目標変数を表わす；特性変数は基本的原則特性を表わす；ｆは、基本的原則特性の値あるいは開発された原理特性を表す；ｉは設備番号を表わす；ｊは特性数を表わす；αｊはｊ番目のモデル係数を表わす。それはｊ番目の原理特性と一致している；また、εｉは、設備ｉに対する実際の目標変数値から予測された目標変数値を引いて定義される、モデルのＴＶ予測のエラーを表わす。反対関数には一般式がある：

ここでｉは設備である。ｍは、設備の総数を表わす；また、ｐは選択された値を表わす。

反対関数の一般形態の１つの一般的利用は、下に示されるようにｐ＝ｌの使用によりエラーの絶対値の合計を最小限にすることである：

反対関数の一般形態の別の一般的利用は、下に示されるようにｐ＝２に対応する最小二乗法バージョンを使用している：

分析が基本的原則特性の有限数を含んでおり、反対関数形式が数学的な標準に相当するので、分析結果はｐの特定値に依存しない。アナリストは、解決されるべき特定の問題に、あるいは反対関数の追加の統計用途に基づいて、値を選択することができる。例えば、ｐ＝２は、データ、目標変数変化、および目標変数予測誤差を測定する統計用途のためにしばしば使用される。

反対関数の第３の形式は、以下の式５に与えられるように２乗されたエラーの単純な合計を得るものである。

反対関数のいくつかの形式が示されているが、特定の目的で使用される反対関数の他の形式を使用することもできる。最適化分析の下では、決定したモデル係数は、モデルが各設備および特性を反復して移動した後、制約の対象である潜在的なモデル係数が対応する特性のデータ値に対して加えられ、特定の設備について合計された後の合計と、目標変数の実際の値の間が最小の差となるように帰着するモデル係数である。

説明の目的のために、図１０−１２に説明される相対的な機能解析で使用されるモデル係数を決定するために使用される１つ以上の実施態様のより具体的な例が、下に議論される。接触分解装置はほとんどの石油精製業の処理装置である。接触分解装置はガソリン沸点範囲およびより低温でより短い分子へ長鎖分子をクラッキングする。そのプロセスは、触媒が存在する状態で比較的高温で典型的に行なわれる。材料をクラッキングする過程で、コークスは生産され、触媒の上に置かれる。熱を回収し、かつ触媒を復活するために、コークスは触媒を焼成する。接触分解装置にはいくつかのメイン・セクションがある：リアクター、リジェネレーター、主分留装置およびエミッションコントロール装置である。解析者は、それらの接触分解装置の運転を、それらの競争者によって操作された接触分解装置の運転と比較することを望んでもよい。異なる接触分解装置例を比較する例は、接触分解装置あるいは他の産業設備にこの方法論を適用することの実際の結果を表わしていない。さらに、接触分解装置例は、測定可能なシステムを比較するために使用される多くの潜在的な実施態様の１つの例である。

例として図１０を使用する。ステップ１０２で方法１００はスタートし、また目標変数は、接触分解装置設備中の「現金運転費用(Cash Operating Costs)」あるいは「現金ＯＰＥＸ」になるだろう。ステップ１０４で、接触分解装置用の現金運転費用に影響してもよい基本的原則特性は、下記の１つ以上を含んでいてもよい：
（１） 材料品質；（２） リジェネレーター設計；（３） スタッフ経験；（４） 位置；（５）ユニット年齢；（６） 触媒タイプ；（７） 材料キャパシティー；（８） スタッフ・トレーニング；（９） 労働組合；（１０） リアクター温度；（１１） 二重化装置；（１２） リアクター設計；（１３）エミッションコントロール装置；（１４）主分留装置設計；（１５） メンテナンス実行；（１６） リジェネレーター温度；（１７）材料予熱温度の程度；（１８）スタッフレベル。

主要な特性を決定するために、方法１００は、ステップ１０６で最初の特性の影響を決定してもよい。１つの実施態様では、方法１００は図１１に示される主要な特性の決定により、ステップ１０６を実行してもよい。図１１では、ステップ２０２では、方法２００は各特性のために変化割合を割り当ててもよい。ステップ２０４では、方法２００は、接触分解装置例からの特性を評価し格付けしてもよい。表１に少なくとも特性のうちのいくつかについて相対的な影響およびランキングを示す：
表１：

この実施態様では、カテゴリーは以下の表２に示されるとおりである。
表２：

他の実施態様は、任意の数のカテゴリーを持つことができた。また、カテゴリー間を描写する百分率での値は任意の方法で変えられる。

上記の例のランキングに基づいて、方法２００はステップ２０６でカテゴリーによって特性をグループ化する。ステップ２０８では、方法２００は、小さいとしてカテゴリー３の特性を廃棄してもよい。方法２００は、それらがステップ２１０で他の特性と示す関係のタイプを決定するためにカテゴリー２の特性を分析してもよい。方法２００はステップ２１２で共変、依存あるいは独立を示すとして各特性を分類してもよい。表３は接触分解装置設備の特性を分類する例である。
表３：

ステップ２１４では、方法２００は、これらの特性の関係の程度を分析してもよい。この実施態様を接触分解装置の例に使用する：スタッフレベル（独立した関係を持っているようにこれは分類される）の配置は分析プロセスでとどまってもよい。ユニット年齢はスタッフ・トレーニングとの依存関係を持っているとして分類される。依存関係は、ユニット年齢がスタッフ経験の派生物であり、また逆も真であることを意味する。一層の考察の後、方法２００は、分析からユニット年齢特性を落とすことを決定してもよい。また、スタッフ・トレーニングのより広い特性は分析で残ってもよい。共変関係を持っていると分類された３つの特性、スタッフ・トレーニング、エミッション装置、およびメンテナンス実行は、共変の程度を決定するために検査しなければならない。

方法２００は、スタッフ・トレーニングにおける変化によって引き起こされた現金運転費用の変化が、メンテナンス実行における変化により３０％以上変性されてもよいことを決めてもよい。同じラインに沿って、エミッション装置における変化によって引き起こされた現金運転費用の変化は、分析プロセスで保持されるメンテナンス実行、スタッフ・トレーニングおよびエミッション装置を引き起こす、メンテナンス実行における変化によって３０％以上変性されことができる。方法２００は、さらにメンテナンス実行における変化によって引き起こされた現金運転費用の変化が、分析からスタッフ経験を落とすことを引き起こしたスタッフ経験における変化により３０％の選択されたしきい値を越えて修正されないことを決めてもよい。

接触分解装置例を継続し、図１０に返って、方法１００は表４に示されるステップ１０８で連続的か、順序か、二値タイプ測定として残りの特性を分類する。
表４：

この接触分解装置例において、メンテナンス実行は、現金運転費用（それは目標変数である）との「規模の経済性(economy of scale)」関係を持っていてもよい。目標変数の改良はメンテナンス実行を低減し改良する。史料と経験に基づいて、複雑さ要因は規模の経済性を反映するために割り当てられる。特定のこの例において、０．６の因子が選択されている。係数の例として、複雑さ要因はしばしば出力曲線関係（power curve relationship）により評価される。特性の例として、典型的に「規模の経済性」を示す現金運転費用を使用することによりメインテナンス実行の影響は下記で記述することができる：

ステップ１１０では、方法１００はデータ収集分類系を開発してもよい。この例において、テンキー・メインテナンス実行のいくつが各設備で常用中であるかを測定するためにアンケートが開発されていてもよい。データが一貫した方法で集められるように、システムの定義が使用されてもよい。常用でのメインテナンス実行の数のデータは、０．６の因子および表５に説明される「規模の経済性」関係を使用して、メインテナンス実行スコアに変換される。
表５：

接触分解装置例に関しての説明の目的のために、ステップ１１２で方法１００はデータを集めてもよい。また、ステップ１１４で、方法１００は表６に示されるデータを有効にしてもよい。
表６：

結果が表７に示される解決の合理的な範囲内にあるように、モデルをコントロールするために、制約範囲が専門家のチームによって各特性について開発された。
表７：

ステップ１１６で方法１００は、モデル最適化流れの結果を生む。それは表８に示される。
表８：

モデルは、エミッション装置およびメインテナンス実行が、異なる接触分解装置間の現金運転費用における変化の著しい誘因ではないことを示す。モデルは、これらの２つの特性についてのモデル係数に対する約０の値を見つけることにより、これを示してもよい。リアクター・デザイン、スタッフ・トレーニングおよびエミッション装置は、著しい誘因であると分かる。エミッション装置およびメインテナンス実行の両方の場合には、専門家は、これらの特性が現金運転費用における変化の重要な誘因ではないかもしれないことに合意してもよい。専門家は、依存効果が、エミッション装置およびメインテナンス実行のインパクトを完全に補うようには以前は識別されていなかったと決定してもよい。

図１４は、図１０−１２に説明される相対的な機能解析で使用されるモデル係数を決定するための接触分解装置に関するモデル係数行列１０の実施態様の略図である。実例となる接触分解装置例のためのサンプル・モデル構成は図１４に示される。データ１８、実際の値２４および結果として生じるモデル係数２２が示される。この例において、エラー合計３０は相対的に最小である。したがって、開発された特性は、この実例においては必要ではない。他の例において、異なる値のエラー合計は、開発された特性を決定するために有意な結果となるように決定されることができる。

追加の説明の目的のために、図１０−１２に説明される相対的な機能解析で使用されるモデル係数を決定するための別の例が、下に議論される。実施態様はパイプラインおよびタンクファームターミナルに関係する。パイプラインとタンクファームは、液体またはガス状の供給原料または生成物を格納し分配する産業によって使用される財産である。その例は次のものの等価物の開発の実例である：（１）パイプラインおよびパイプラインシステム；（２）タンクファームターミナル；および（３）パイプライン、パイプラインシステムおよびタンクファームターミナルの任意の組み合わせ。その例は説明の目的のためにあり、任意の特定のパイプラインおよびタンクファームターミナル、あるいは他の産業設備にこの方法論を適用した実際の結果を表すものではない。

例として図１０を使用して、方法１００は、ステップ１０２で、パイプライン資産中の「現金運転費用」あるいは「現金ＯＰＥＸ」である希望の目標変数を選択する。ステップ１０４については、現金運転費用に影響してもよい基本的原則特性はパイプ用に関連する特性を含んでいてもよい：（１）輸送された流体のタイプ；（２）平均流体密度；（３）入出力ステーションの数；（４）設備容量の合計；（５）合計の主ポンプ・ドライバー・キロワット（ｋＷ）；（６）パイプラインの長さ；（７）パイプラインの高度変化；（８）設備利用率の合計；（９）パイプライン置換値(pipeline replacement value）；および（１０）ポンプ・ステーション置換値。現金運転費用に影響するかもしれない基本的原則特性はタンクに関連する特性としては以下を含んでいてもよい：（１） 流体のクラス；（２）タンクの数；（３）ターミナルのバルブの総数；（４）合計の名目上のタンク容量；（５）タンク売上げ高の毎年の数；および（６）タンクターミナル置換値。

主要な基本的原則特性を決定するために、方法１００は、ステップ１０６で最初の特性の影響を決定する。１つの実施態様では、方法１００は図１１に示される主要な特性の決定により、ステップ１０６を実行してもよい。図１１では、ステップ２０２で方法１００は各特性のためにインパクト割合を割り当ててもよい。この分析は、パイプライン置換値およびタンクターミナル置換値が、産業の中で広く使用されてもよく、より多くの基本特性に依存する特性であることを示す。従って、この実例では、それらの値は主要な基本的原則特性に対する考慮から取り除かれる。ステップ２０４では、方法２００は特性を評価し格付けしてもよい。表９は、方法２００が各特性の変化割合を割り当ててもよい例示の特性の相対的なインパクトおよびランキングを示す。
表９：

この実施態様では、カテゴリーは以下の表１０に示されるとおりである。
表１０：

他の実施態様は、任意の数のカテゴリーを持つことができた。また、カテゴリー間を描写する百分率での値が任意の方法で変えられる。

上記の例のランキングに基づいて、方法２００はステップ２０６でカテゴリーによって特性をグループ化する。ステップ２０８で方法２００は、小さいとしてカテゴリー３のそれらの特性を廃棄する。方法２００は、それらがステップ２１０で他の特性で示す関係のタイプを決定するためにさらにカテゴリー２の特性を分析してもよい。方法２００は表１１に記載されるように各カテゴリーを共変、依存あるいは独立のいずれかとして分類される。
表１１：

ステップ２１２では、方法２００は依存特性を解決してもよい。この例において、方法２００が解決する必要のある依存特性はない。ステップ２１４では、方法２００は、残りの特性の共変の程度を分析し、特性が落とされないことを決めてもよい。方法２００は、ステップ２１８で主要な特性として残りの変数を認めてもよい。

パイプラインおよびタンクファームの例を継続し、図１０に返って、方法１００は表１２に示されるステップ１０８で、連続的、順序、または二成分タイプの測定として残りの特性を分類してもよい。
表１２：

ステップ１１０では、方法１００はデータ収集分類系を開発してもよい。この例において、上記の測定に参加する設備から情報を集めるためにアンケートが開発されてもよい。ステップ１１２は、方法１００はデータを集めてもよい。また、ステップ１１４で方法１００は表１３および１４に示されるデータを有効にしてもよい。
表１３：

表１４：

ステップ１１６で、方法１００は、以下の表１５に示される専門家によるモデル係数への制約を開発してもよい。
表１５：

ステップ１１６では、方法１００は、モデル最適化流れの結果を生む。それは以下の表１６に示される。
表１６：

ステップ１１８で、方法１００は、開発された特性の必要がこの例においてないことを決めてもよい。最終モデル係数は、上記の比較分析モデルのステップで決定されたモデル係数を含んでいてもよい。

図１５は、図１０−１２に説明される相対的な機能解析で使用されるモデル係数を決定するためのパイプラインおよびタンクファームに関するモデル係数行列１０の実施態様の略図である。この例は、パイプラインおよびタンクファーム産業への本発明の多くの潜在的な応用のうちの１つを示す。他の多くの異なる産業および機関に図１０−１５に述べられており説明された方法論を適用することができるかもしれない。
例えば、単一のサイクルの予測する営業経費用のモデル係数を開発し、サイクル発電所、すなわちボイラー、タービン発電機、コンバスチョン・タービン発電機および熱回収蒸気発生装置の任意の組み合わせからの電力を生成する発電産業にこの方法論を適用することができるかもしれない。別の例において、連続的なエミッションモニタリングおよびエチレン炉からの報告を伴う環境条例に従うエチレン・メーカーのための年間コストを予言するためのモデル係数を開発するために、この方法論を適用することができるかもしれない。１つの実施態様では、モデル係数は環境上の用途および化学工業用途の両方に当てはまるだろう。

図９は、図１および１０−１２に述べられている方法６０、１００、２００および３００にそれぞれ述べられていた１つ以上の実施態様を遂行するための計算ノードの実施態様の略図である。計算ノードは、コンピューターおよび／または他の計算装置、たとえば、タブレット型コンピューター、ラップトップ・コンピュータ、携帯機器、ワークステーション、サーバ、メインフレーム、スーパーコンピューター、ハンドヘルド・コンピューター、および／またはデータベースに対応するかまたはその一部であることができる。
ハードウェアは、必要な数の計算を行なうために適切なシステム・メモリ９０５を含んでいるプロセッサー９００を含む。プロセッサー９００は非一時的なコンピューター読取り可能なメディアであることができるシステム・メモリ９０５内に存在するコンピュータ・プログラムを実行し、図１および１０−１２に述べられている方法６０、１００、２００および３００を行なう。ビデオとストレージコントローラー９１０は、ディスプレイ９１５の運転を可能とし、各種情報、たとえば図２−８に述べられていた表とユーザー・インタフェースを表示することを可能にするために使用されてもよい。計算ノードは、データ入力のための各種データ記憶装置、たとえばフロッピーディスク・ユニット９２０、内部／外部ディスクドライブ９２５、内部ＣＤ／ＤＶＤ ９３０、テープユニット９３５および他のタイプの電子記憶装置メディア９４０を含んでいる。前述のデータストレージ装置は典型的な例である。

計算ノードは、さらに１つ以上の通信プロトコルを使用して電気的、光学的、および／または無線接続により、データを受け取るように構成された少なくとも１つの受信装置を含む１つ以上の他の入力インターフェース（図９に示されない）を含んでもよい。１つの実施態様では、入力インターフェースは、ネットワークを介してデータを受信および／または送信するように構成された複数の入力ポートを含むネットワーク・インターフェースであることができる。特に、ネットワークは有線リンク、無線リンクおよび／または論理的なリンクによって運転と性能データを送信してもよい。入力インターフェースの他の例は、キーボード、ユニバーサルシリアルバス（ＵＳＢ）インターフェースおよび／またはグラフィカルな入力装置（例えばスクリーンおよび／またはバーチャル・キーボード）を含むが、これらに制限されない。別の実施態様では、入力インターフェースは、図１に述べられていた基本的原則データあるいは他の資産レベル・データ６４の資産ユニットの測定のために１つ以上の測定器および／または検出装置を含んでもよい。言いかえれば、測定器および／または検出装置は測定可能なシステムの運転およびパフォーマンスに関連した様々な物理的な属性および／または特性を測定するために使用されてもよい。

これらの記憶媒体はデータセットとアウトライアー削除基準(outlier removal criteria)を計算ノードに入力し、アウトライアー削除データセットを格納し、計算された要因を格納し、システム生成トレンドライン(system-produced trend lines)およびトレンドライン反復グラフ(trend line iteration graphs)を格納するために使用される。計算は統計ソフトパッケージを適用することができるか、あるいはたとえばマイクロソフトエクセル（登録商標）でスプレッドシートフォーマットに入力されたデータから行なうことができる。１つの実施態様では、計算は個別企業に特有のシステム実施のために設計されたカスタマイズされたソフトウエアプログラムを使用して行なわれるか、あるいはマイクロソフトエクセルと互換性をもつ市販のソフトウェアの使用によりあるいは他のデータベースおよび表計算プログラムの使用により行うことができる。計算ノードは、さらに現在のメンテナンス支出方法計算に基づいた将来の信頼度に使用されるデータを提供するため、他のデータベースとリンクする第３者所有のまたは公の外部記憶装置メディア９５５と接続することができる。出力インターフェースはデータの送信のために出力装置を含む。出力装置は電気通信装置９４５、送信装置、および／または処理された将来の信頼度データ（たとえば計算データ・ワークシート、グラフおよび／または報告書）を送信するために使用される他の出力装置であり得、１以上のネットワーク、イントラネットあるいは他の計算ノードへのインターネット、ネットワーク・ノード、コントロールセンター、プリンター９５０、入力装置９２０、９２５、９３０および９３５、９４０として言及されたものに似ている電子記憶装置メディアおよび／または、所有者の記憶データベース９６０を介することができる。ここに使用されるこれらの出力装置は典型的な例である。

１つの実施態様では、ソフトウエアプログラム（たとえばオペレーティング・システム、アプリケーション・プログラム、デバイス・ドライバ、プログラム・コードを含むソフトウエアモジュールおよび／またはコンピューター実行可能な生産工程、本明細書記載の関数、例えば方法６０、１００、２００および３００）の実行の間にプロセッサー９００にシステム・メモリ９０５中に格納された情報を伝え、および／または送信するためのコンピューター・バスまたは他の接続とシステム・メモリ９０５はインターフェースする。
プロセッサー９００は最初に、ストレージ（例えばシステム・メモリ９０５、記憶メディア、除去可能なメディア・ドライブ、および／または他の非一時的な記憶装置）からコンピューター実行可能なプロセスをロードする。その後、プロセッサー９００はロードしたコンピューター実行可能なプロセスを実行するために格納されたプロセスを実行することができる。保存されたデータ（例えば記憶装置によって保存されたデータ）は、計算ノード内の１以上の成分を教えるために、コンピューター実行可能なプロセスの実行の間に、プロセッサー９００によりアクセスすることができる。

システム・メモリ９０５および／または１以上の処理装置（たとえばプロセッサーまたはマイクロプロセッサー）の実行可能な指示をプログラミングおよび／またはロードし、計算ノード４０を測定可能なシステムの将来の信頼度を推測するために使用して、モデリングを行なう特殊な特定のマシンあるいは装置にトランスフォームすることは公知である。マイクロプロセッサーおよび／またはプロセッサーに実行可能なソフトウェアをロードすることにより指示、リアルタイム監視および他の関数を実行することは、公知のデザイン・ルールによってハードウェアの実施に変換でき、および／または特定の用途のためにプログラムされたプロセッサーと一般用途のプロセッサをトランスフォームすることができる。例えば、ソフトウェア中の概念の遂行とハードウェアの決定は、設計の安定を含む多くの設計選択、生産されるユニットの数、およびソフトウェア領域からハードウェア領域へ翻訳することに関与する問題に依存してもよい。しばしば、設計はソフトウェア形式で開発され、テストされ、続いて、ＡＳＩＣ内の等価なハードウエア手段またはソフトウエアの指示がハードウエアに組み込まれている用途が特定されたハードウェアに、公知のデザイン・ルールによってトランスフォームされてもよい。新しいＡＳＩＣによってコントロールされたマシンは特定のマシンあるいは装置であり、同様に、実行可能な指示がプログラムされ、および／またロードされたコンピューターは、特殊な特定のマシンあるいは装置として見られる。

図１８は、本明細書の開示（図１および１０−１２に述べられている方法６０、１００、２００および３００）内の１つ以上の実施態様をそれぞれ遂行するための計算ノード４０の別の実施態様の略図である。計算ノード４０は、計算装置の任意の形式であることができ、たとえばコンピューター、ワークステーション、ハンドヘルド、メインフレーム、エンベッテイド計算装置、ホログラフィー計算装置、生物学的計算装置、ナノテクノロジー計算装置、仮想計算装置、あるいは分布システムであることができる。計算ノード４０は、マイクロプロセッサー４２、入力装置４４、記憶装置４６、ビデオ・コントローラー４８、システム・メモリ５０およびディスプレイ５４、および通信装置５６を含み、すべて、１以上のバスまたはワイヤー、あるいは他のコミュニケーション経路５２で相互に連結される。記憶装置４６は、フロッピー・ドライブ、ハードドライブ、ＣＤ−ＲＯＭ、オプティカルドライブ、バブルメモリーあるいは記憶装置の他の形式でありえる。さらに、記憶装置４２はフロッピーディスク、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ、メモリスティックあるいはコンピューター実行可能な指示あるいはデータを含むコンピューター判読可能なミディアムの他の形式から受信可能であることができる。さらなる通信装置５６は、モデム、ネットワークカードあるいはノードが人間あるいは他のノードと通信することを可能にする他の装置でありえる。

少なくとも１つの実施態様が開示され、当業者によって作られた実施態様の変化、組み合わせ、および／または修正は特徴は開示の範囲内である。実施態様の組み合わせ、一体化、および／または実施態様の特徴の省略による特徴も開示の範囲内である。数の範囲あるいは制限が明らかにある場合、そのような表現された範囲または制限は、明示された範囲以内にある類似の大きさの範囲あるいは制限（例えば、約１からやくは、２、３、４などを含み、０．１０よりも大きいは０．１１、０．１２、０．１３などを含む）を含むと了解される。「約」の用語は特記の無い限り、対象数字の±１０％を意味する。

請求項の任意の要素に関する「任意」の用語の使用は、要素は必要であるか、要素は必要ではなく、両方の選択肢が請求項の範囲内である。含む、含有する、有するなどの用語は、から成る、から本質的になる、実質的にから成るなどの下位概念をサポートをするものと了解される。従って、保護の範囲は上に述べられた記述によって制限されていないが、請求項によって定義される、その範囲は請求項の要素の等価物をすべて含む。さらに、全ての請求項には、明細書および請求項の中の開示を組込むことができる。

いくつかの実施態様は本明細書の開示で提供されているが、開示した実施態様は開示の精神または範囲から外れずに、他の多くの具体的形態で具体化されることができることは理解されるべきである。例となり限定的でないものとして、本発明の例は考慮される。また、企図はここに与えられた詳細に制限されるものではない。例えば、様々な要素あるいは成分は別のシステムにおいて組み合わされるか統合されることがてき、ある特徴が省略されてもよいか遂行されなくてもよい。公知の要素は本発明を不必要に詳細に記載して不明瞭にしないように詳細な記述なしで示される。大部分は、そのような詳細は当業者の知識にあるので、本発明についての完全な理解を得るのに不必要な詳細は省略された。

さらに、様々な実施態様が離散的または個別に本明細書に述べられており、それらは、本明細書の開示の範囲から外れずに、他のシステム、モジュール、技術あるいは方法と結合するか統合されてもよい。互いに組み合わされて、または直接組にされるかまたは連結されるかように議論され他のアイテムは、あるインターフェース、装置あるいは、電気的に、機械的にあるいは他の方法による媒介成分を介して連絡または組合わされることができる。変更、置換および代替えの他の例は、当業者によって確認可能で、ここに開示した精神および範囲から外れずに作られてもよい。

本明細書に記載されたシステムおよび方法は詳細に記述されたが、次の請求項によって定義されるような発明の趣旨および範囲から外れずに、様々な変更、置換および代替えを行なうことができることは理解されるに違いない。当業者は好ましい実施態様を研究し、同位置には本明細書に記載されていない発明を実行する他の方法を識別することができる。発明の変更および等価物が請求項の範囲内に含まれ、本明細書、要約書および図面が発明の範囲を制限するためには使用することができないということがこの開示の意図である。本発明は、下記の請求項およびそれらの等価物を包含することが特に意図される。

最後に、任意の参照の議論は、本発明への先行技術であるという承認（特に本用途の優先権主張日の後の発行日を有するあらゆる参照）ではないことは留意されるべきである。同時に、全ての下記の請求項は、開示の追加の実施態様としてこの詳細な記述あるいは本明細書に組み入れられる。

Claims (20)

1. 次のものを含む、運転データおよび性能データに基づいた設備の将来の信頼度をモデル化するためのシステム：
   以下を含む電子入力データを受け取る入力インターフェース：
   設備に対応する維持費データ；
   設備に対応する基本的原則データ；および
   設備に対応する資産信頼度データ；
   資産信頼度データおよび複数のカテゴリー値に基づき、以下により評価された設備の将来の信頼度を決定するプロセッサー；
   記憶装置内の１以上の設備に関連した比較分析モデルにアクセスし、
   維持費データ、基本的原則データ、および１以上の比較分析モデルの１以上を標準化することにより保全基準を記憶装置から受け取り同定すること；
   ここで保全基準は指定の間隔によって維持費データを分類する複数のカテゴリー値を含む；
   １以上の設備に関連した比較分析モデルにしたがって評価された設備の将来の信頼度をモデル化する；および
   評価された将来の信頼度の結果を表示するように構成されたユーザー・インタフェース。
2. 資産信頼度データは等価な強制停止割合データと異なる、請求項１記載のシステム。
3. プロセッサーによって実行された時、指示はさらに、装置にコンパイルデータファイルの中へ保全基準および資産信頼度データをコンパイルさせることを含む、請求項１記載のシステム。
4. プロセッサーはコンパイルデータファイルに基づいて、分類された時間ベースの維持費データを生成する；および
   プロセッサーはコンパイルデータファイルに基づいて、分類された時間ベースの信頼度データを生成する、請求項３記載のシステム。
5. 分類された時間ベースの維持費データの生成は、複数の他の設備のための１以上の時間区間によってカテゴリー値を整えることを含む、請求項４記載のシステム。
6. 分類された時間ベースの信頼度データの生成は、複数の他の設備のための１以上の時間区間によって信頼度データ値を整えることを含む、請求項４記載のシステム。
7. 維持費データの量、資産信頼度データの量および基本的原則データの量に基づいて、評価される将来の信頼度の将来の信頼度間隔が決定される、請求項１記載のシステム。
8. プロセッサーは、さらに保全基準に基づいて維持費データを標準化するように構成される、請求項１記載のシステム。
9. 維持費データの標準化が、一定期間に定期メンテナンス支出因子を生成することを含む、請求項８記載のシステム。
10. 将来の信頼度の結果の表示は、グラフ中の複数のカテゴリー値によって資産信頼度データを表示することを含む、請求項１記載のシステム。
11. 以下を含む運転データおよび性能データに基づいた測定可能なシステムの将来の信頼度をモデル化する方法：
    測定可能なシステムに関連した入力インターフェースを介して維持費データを、入力インターフェースにより受け取ること；
    測定可能なシステムに関連した入力インターフェースを介して基本的原則データを、入力インターフェースにより受け取ること；
    測定可能なシステムに関連した入力インターフェースを介して資産信頼度データを、入力インターフェースにより受け取ること；
    記憶装置内の測定可能なシステムに関連した１以上の比較分析モデルにプロセッサーによりアクセスし、
    測定可能なシステムに関連し、維持費データおよび基本的原則データを使用して１以上の比較分析モデルにより生成された保全基準を、記憶装置からプロセッサーにより受け取り同定すること；
    プロセッサーにより、保全基準を使用して指定の間隔により、維持費データを分類する複数のカテゴリー値を生成すること；
    プロセッサーにより、資産信頼度データおよび複数のカテゴリー値に基づいて、測定可能なシステムの評価された将来の信頼度を決定すること；および
    出力インターフェースを使用して、評価された将来の信頼度の結果をプロセッサーによりユーザーインターフェイスに出力すること。
12. 維持費データおよび基本的原則データを使用して、保全基準を生成することをさらに含む、請求項１１記載の方法。
13. 維持費データおよび１以上の比較分析モデルから、保全基準が、標準化された維持費データを生成する、請求項１２記載の方法。
14. 標準化された維持費を生成するために、保全基準は定期メンテナンス支出因子を使用する、請求項１３記載の方法。
15. さらに以下を含む、請求項１１記載の方法：
    プロセッサーにより、コンパイルデータファイルへ保全基準および資産信頼度データをコンパイルすること；
    プロセッサーにより、少なくともコンパイルデータファイルに基づいて、分類された時間ベースの維持費データを生成すること；および
    プロセッサーにより、少なくともコンパイルデータファイルに基づいて、分類された時間ベースの信頼度データを生成すること。
16. 分類された時間ベースの維持費データの生成は、複数の他の設備のための１以上の時間区間によってカテゴリー値を整えることを含む、請求項１５記載の方法。
17. 分類された時間ベースの信頼度データの生成は、複数の他の設備のための１以上の時間区間によって信頼度データ値を整えることを含む、請求項１５記載の方法。
18. 以下を含む、運転データおよび性能データに基づいて、装置資産の将来の信頼度をモデル化するための装置：
    以下を含む、電子入力データを受信する受信装置を含む入力インターフェース：
    装置資産に対応する維持費データ；
    装置資産に対応する基本的原則データ；および
    装置資産に対応する資産信頼度データ；
    資産信頼度データおよび複数のカテゴリー値に基づき、以下により評価された設備の将来の信頼度を決定するプロセッサー；
    記憶装置内の１以上の設備に関連した比較分析モデルにアクセスし、
    維持費データ、基本的原則データ、および１以上の比較分析モデルの１以上を標準化することにより保全基準を記憶装置から受け取り同定すること；
    保全基準からの指定の間隔により維持費データを分類する複数のカテゴリー値を生成すること；および
    １以上の設備に関連した比較分析モデルにしたがって評価された設備の将来の信頼度をモデル化すること；
    処理されたデータセットに基づいて異なる装置財産を比較するために、コントロールセンターへ評価された将来の信頼度データを含む処理されたデータセットを送信するように構成された送信装置を含む出力インターフェース。
19. プロセッサーが保全基準および１以上の比較分析モデルに基づいて維持費データから維持費データを標準化し、
    ここで、資産信頼度データは、複数の他の装置財産に対応する等価強制停止割合データである、請求項１８記載の装置。
20. プロセッサーによって実行された時、指示はさらに以下を装置に与える：
    プロセッサーにより、コンバイルデータファイルへ保全基準データおよび資産信頼度データをコンパイルする；
    プロセッサーにより、少なくともコンパイルデータファイルに基づいて、分類された時間ベースの維持費データを生成する；および
    プロセッサーにより、少なくともコンパイルデータファイルに基づいて、分類された時間ベースの信頼度データを生成する、
    ここで少なくとも装置資産に対応する基本的原則データのうちのいくつかが、１つ以上の検出装置から測定される、請求項１８記載の装置。