JP7003159B2 - 障害予測システムおよび障害予測方法 - Google Patents

Description

本発明は、装置における障害の予兆の有無を診断し、装置の障害を予測するシステムに関する。

装置や設備が障害により停止すると、保守コストが増大し、同時に顧客満足度が毀損される。そのため装置や設備の予防保守が望まれる。予防保守は、装置や設備の動作履歴や稼動状態を記録し、この情報をもとに障害が発生する前に部品交換などの保守を行い、装置や設備の全体が停止するのを事前に防止するものである。装置の動作履歴に基づき将来の障害を予測するシステムとして、稼働ログから障害発生前の一定時間の部分を切り出して障害と対応づけ、対応づけた稼動ログと障害の情報を入力として機械学習を行ってモデルを作成し、そのモデルを用いて将来の障害を予測するものが提案されている。

近年の装置や設備は、機械機構と電子回路によって構成され、情報装置と精密装置の両面の特性を持つものが多い。機械的な消耗による障害だけでなく、電子回路の障害も想定され、障害のパターン（モード）は多岐にわたる。また、一般的に、装置や設備の障害は、機構部品の消耗や経年による電子部品などの劣化による障害と、外的要因などによる突発的な障害とに大別される。ここでは、前者を劣化障害、後者を突発障害と定義する。

劣化障害では、致命的な障害に至る前に装置の動作に変化が起こることがあり、これが障害の予兆として観測される。たとえば、回転部分のローラやベルトが経年磨耗などにより変質すると、起動時に空回りしたり、回転数にムラが出るなどする。これをセンサなどによって観測し、事前に現象を捉えることができれば、致命的な障害が生じる前に保守を行うことが可能になり、装置や設備が障害で停止するのを防止できる。

一方、突発障害は事前の予測は困難であるが、装置に対して誤った操作が行われたことで起こる負荷の増大などの現象を障害の前兆として捉えることが可能である。しかし、装置や設備のどの部分が破損するか、さらにはその後の稼動状態によって、劣化の兆候が観測されてから、劣化が進行し、致命的な障害にいたるまでの期間はさまざまである。パターン化のために切り出し、記録する稼動ログの期間は、一律に障害の前の一定期間で定義されるものではない。障害発生に先立って一律の時間差で切り出した稼動ログで学習、障害予測を行うと、必ずしもその稼動ログに障害の予兆が含まれているとは限らず、予測精度を悪化させる。

特許文献１には、学習に使用される稼動ログ期間（障害兆候期間）を、障害の事例毎に調整する技術が開示されている。

例えば、特許文献１には、画像形成装置（ファクシミリ）の動作制御に用いるパラメータを時系列情報として記憶し、障害の種別ごとにあらかじめ定められた期間の障害パターンと照合して分類し、障害予測を行う技術が開示されている。装置の稼動ログに基づく装置の使用状況についてその傾向を表す数値データと障害の種別をもとに、学習に用いるために切り出す稼動ログ（障害兆候）の障害種別による時間差および期間長が決定される。

特開２０１５－１７４２５６号公報

特許文献１に開示された技術によれば、障害種別毎に障害の兆候が生じる時間差を吸収することが可能となる。

しかしながら、特許文献１の技術は、暗黙に稼動状態が互いに類似する装置においては、予兆から一定期間後に障害が発生するという前提に基づいている。そのため、障害の兆候から実際の障害が発生するまでの期間にばらつきがある場合の対応には限界がある。

本発明の目的は、装置や設備の障害発生の予測精度を向上する技術を提供することである。

本発明の１つの態様による障害予測システムは、書き込みおよび読み出しが可能にデータを記憶する記憶装置と、記憶装置に記録されたデータを用いてソフトウェアプログラムの処理を実行するプロセッサと、を有し、記憶装置は、予測対象装置の過去の稼働状態を含む稼働ログ情報と、予測対象装置に過去に発生した障害に関する障害内容および障害発生日時を含む障害記録情報と、を記憶し、プロセッサは、障害予測実行時点に相当する基準時点から所定の第１期間長だけ遡った時点から基準時点までの期間を予兆検知期間とし、基準時点から所定の第２期間長後まで障害が発生しなければ第２期間長後までの期間を、基準時点から第２期間長後までに障害が発生すれば障害発生時点までの期間を予測対象期間として、基準時点を順次変更し、予兆検知期間の稼働ログ情報に基づく特徴量を説明変数とし、予測対象期間の障害記録情報における障害発生に対応する稼働ログ情報における特定事象の発生の有無および基準時点から障害発生時点までの期間長に基づく障害指標値を目的変数として機械学習を行うことにより、予測対象装置に将来発生する障害を予測するための障害予測モデルを生成する。

本発明の１つの態様によれば、装置の稼動ログを使用して機械学習を行い、そのモデルによって装置の障害を予測するシステムにおいて、装置の障害発生までの期間を考慮した学習を行うことで、予兆から障害発生までの期間のばらつきを学習可能にし、予兆検知精度を向上することができる。また、予兆検知期間（説明変数）と予測対象期間（目的変数）とのそれぞれについて、保守による装置の状態変化点、またはその変数の統計的変化点によって、期間を分割し、それぞれの期間で機械学習を行う稼動ログの時系列変化を特徴量化する簡便な手段を提供することで、予兆検知精度を向上することができる。

本実施形態による障害予測システムのブロック図である。 図１に示した障害予測システムを実現するためのハードウェア構成を示す図である。 図１に示した装置にて収集される稼動ログの一例を示す図である。 図１に示した障害保守記録の一例を示す図である。 図１に示した装置稼動ログ記録部、障害保守記録記憶部および障害モデル学習部の構成を示す図である。 図１に示した障害予測部および判定部の構成を示す図である。 図１に示した障害予測システムにて障害の予兆を学習するための期間の考え方を示す図である。 装置における障害発生とその障害に関連する特定事象の発生率との関係を示す図である。 図７に示した予測対象期間において基準点から障害発生までの時間を考慮した目的変数の生成を行う方法を説明するための図である。 図１に示した障害モデル学習部にて用いられる説明変数の例を示す図である。 図１に示した障害モデル学習部にて用いられる目的変数の例を示す図である。 図７に示した予兆検知期間または予測対象期間において保守が実施された場合に説明変数および目的変数の生成を行う方法を説明するための図である。 図１に示した障害予測システムにおける予兆検知期間および予測対象期間の補助期間分割について説明するための図である。 図１に示した障害予測システムにおける予兆検知期間および予測対象期間を補助期間に分割する方法について説明するための図である。 図１に示した障害予測システムにおける予兆検知期間および予測対象期間を統計的変化点で補助期間に分割する方法について説明するためのフローチャートである。 稼動ログから得られた指標を用いて期間分割を実施した例を示す図であり、（ａ）はログ項目値（偏差）の推移を示す図、（ｂ）は変化点スコアの推移を示す図である。 図１６に示した指標となる各ログ項目それぞれの区間での偏差の平均値を示す図である。

図１は、本実施形態による障害予測システムのブロック図である。図２は、図１に示した障害予測システムを実現するためのハードウェア構成を示す図である。

本形態は図１に示すように、予測対象装置となる複数の装置１０１－１～１０１－ｎから収集される稼動ログ１２０と、複数の装置１０１－１～１０１－ｎに関する障害保守記録１０４とを機械学習し、障害予測モデルを生成するものであって、装置ログ記録部１０５と、障害保守記録記憶部１０６と、障害モデル学習部１０７と、障害予測部１０９と、判定部１１１とを有している。そして、生成された障害予測モデルに装置稼動ログを入力することで、障害の発生率を予測、閾値判定し、それにより、装置１０１－１～１０１－ｎの障害リスクを判定する。

このように構成された障害予測システムは、図２に示すように、プロセッサ３１と、メインメモリ３２と、記憶装置３３と、通信装置３４と、入力装置３５と、表示装置３６とがバス３７で接続されたハードウェアで実現することが考えられる。記憶装置３３は、書込みおよび読み出しが可能にデータを記憶するものであって、この記憶装置３３によって、図１に示した装置稼働ログ記録部１０５および障害保守記録記憶部１０６が実現される。プロセッサ３１は、記憶装置３３に記憶されたデータをメインメモリ３２に読み出してソフトウェアプログラムの処理を実行するものであって、このプロセッサ３１によって、図１に示した障害モデル学習部１０７と、障害予測部１０９と、判定部１１１とが実現される。通信装置３４は、プロセッサ３１にて処理された情報を有線または無線を介して送信することができる。入力装置３５は、キーボードやマウスなどから構成され、情報を入力するためのものである。装置１０１－１～１０１－ｎの稼働ログ１２０や、保守記録１２１は、通信装置３４や入力装置３５を介して入力される。表示装置３６は、ディスプレイなどの出力手段からなり、予測モデルや保守リストなどを表示出力することができる。

装置１０１－１～１０１－ｎは、稼動ログを収集し、内部に蓄積、送信する機能を持つ（不図示）。

図３は、図１に示した装置１０１－１～１０１－ｎにて収集される稼動ログの一例を示す図である。

図１に示した装置１０１－１～１０１－ｎにて収集される稼動ログは、装置１０１－１～１０１－ｎの過去の稼働状態を含むものであって、例えば図３に示すように、当該装置をユニークに識別できる機器ＩＤ４０１と、稼動ログが記録された日時４０２にそれぞれ対応して記録された、稼動に伴う各種記録情報から構成される。稼動に伴う各種記録情報には、装置の不調などの検出記録である特定事象ごとの発生回数４０３や、装置の動作を監視するセンサの値４０４、オペレータやユーザが当該装置を操作した履歴４０５、当該装置のその時点での設定パラメータ４０６などから構成される。

図４は、図１に示した障害保守記録１０４の一例を示す図である。

図１に示した障害保守記録１０４は、装置１０１－１～１０１－ｎで発生した障害の発生日時と保守、修理などの、障害に関する障害内容および障害発生日時を含む障害記録情報が記録される。装置自身が自動的に記録するもののほか、保守作業員が作業記録として記録するものが想定され、図４に示すように、当該装置をユニークに識別できる機器ＩＤ５０１や、障害の発生日時５０２、保守実施の日時５０３、障害が発生して保守が行われた対象５０４、保守の内容５０５などから構成される。保守内容は、保守現場で作業員が手書きで記録する場合もあるため、表記のゆれや欠落が生じる場合がある。また、保守対象５０４と保守内容５０５とに応じた記号５０６を表記することで、データ処理上において、障害と保守の内容を分類、集計を容易にする場合もある。

一般的に、装置に障害が発生してから、保守が実施されるまでは時間差がある。当該装置の動作は、障害が発生したときと、保守が実施されたときとの少なくとも２回その状態が大きく変化する。

装置１０１－１～１０１－ｎから収集された稼動ログ１２０は、装置稼動ログ記録部１０５に記録、蓄積される。装置稼動ログ記録部１０５に記録、蓄積された稼動ログは、障害の予測、障害の予兆の特徴を抽出するための機械学習と、機械学習によって生成された障害のモデルによる障害発生確率の予測との２つの目的で使われる。機械学習用の稼動ログ１２３は、障害モデル学習部１０７に入力され、障害予測モデルを生成する学習が行われる。障害発生確率の予測用の稼動ログ１２２は、障害予測部１０９に入力される。

装置１０１－１～１０１－ｎまたは保守作業員から収集された保守記録１２１は、障害保守記録記憶部１０６に記録・蓄積される。障害保守記録記憶部１０６に記録・蓄積された保守記録１２１は、障害の発生日時１２４と、障害内容１２５と、保守日時１２６とに分類され、障害モデル学習部１０７に入力される。障害モデル学習部１０７では、装置１０１－１～１０１－ｎに発生した障害に先行して、装置１０１－１～１０１－ｎから収集された稼動ログに障害に関連する兆候があるかどうか、相関を分析するための機械学習を行う。

機械学習は、障害や特定事象の発生を教師信号（目的変数）として、説明変数として入力される稼動ログによって状態を分類するモデルを生成するものである。判別分析、ロジスティック回帰、決定木などさまざまな手法があり、ここでは詳述しない。一般的には、回帰式と呼ばれる多項式でモデルは表現され、説明変数に相当するデータを多項式に入力することで目的変数を予測する。障害や特定事象の発生を教師信号として学習する教師あり学習のほかに、暗黙的に正常ケースとして装置の稼動ログで学習を行い、異常データが入力されたときの状態空間の統計的距離によって異常を判定する手法もある。

障害モデル学習部１０７は、後述するように、保守を実行する予測実行時点に相当する基準時点から所定の第１期間長だけ遡った時点から基準時点までの期間を予兆検知期間とし、基準時点から所定の第２期間長後まで障害が発生しなければ第２期間長後までの期間を、基準時点から第２期間長後までに障害が発生すれば障害発生時点までの期間を予測対象期間として、基準時点を順次変更し、予兆検知期間の稼働ログ情報に基づく特徴量を説明変数とし、予測対象期間の前記障害記録情報における障害発生に対応する稼働ログ情報における特定事象の発生の有無および基準時点から障害発生時点までの期間長に基づく障害指標値を目的変数として機械学習を行うことにより、装置１０１－１～１０１－ｎに将来発生する障害を予測するための障害予測モデルを生成することになる。

障害モデル学習部１０７において機械学習によって生成された障害予測モデル１０８は、障害予測部１０９に入力される。障害予測部１０９は、装置稼働ログ記録部１０５から出力された予測用稼動ログ１２２も入力され、これら障害予測モデル１０８と予測用稼動ログ１２２とに基づいて、装置１０１－１～１０１－ｎにおける障害の発生率を予測する。このとき、目的変数として障害の発生有無を予測するモデルであっても良いし、障害に関連する特定の事象の発生率などを予測するものであってもよい。

障害予測部１０９にて予測された障害発生率１１０は、判定部１１１に入力され、判定１１１において閾値判定され、障害の可能性が高い装置のリストとして保守対象装置リスト１１２が出力される。

以下に、上述した装置稼動ログ記録部１０５、障害保守記録記憶部１０６および障害モデル学習部１０７について詳細に説明する。

図５は、図１に示した装置稼動ログ記録部１０５、障害保守記録記憶部１０６および障害モデル学習部１０７の構成を示す図である。

図１に示した装置稼動ログ記録部１０５は図５に示すように、装置稼働ログ記憶部２０１と、装置稼働ログスクリーニング部２０２と、特徴量演算部２１３とを有している。

装置１０１－１～１０１－ｎから収集された稼動ログ１２０は、装置稼動ログ記録部１０５の装置稼動ログ記憶部２０１に記録される。一般的に、機械的に収集される装置の稼動ログは、装置の稼働状況や、収集経路によって重複や欠損があると同時に、ほとんど記録のない項目や、分析に不適切なデータが含まれる場合がある。

そのため、装置稼動ログスクリーニング部２０２において、これらの不適切なデータをクレンジング（除去、補正、補完）する。また、稼動ログの種類によっては、適切な集計処理を施すことが必要な場合もある。たとえば、一定期間で平均化処理を行ったり、絶対値ではなく率や分布で参照したりする場合などである。そのため特徴量演算部２１３にて、そのような集計処理を行い、学習用稼働ログ１２３として出力する。

また、図１に示した障害保守記録記憶部１０６は図５に示すように、障害保守情報記憶部２０３と、障害保守情報ログスクリーニング部２０４と、障害発生日時記憶部２０５と、障害内容記憶部２０６と、保守実施日時記憶部２０７とを有している。

装置１０１－１～１０１－ｎまたは保守作業員から収集された保守記録１２１は、障害保守記録記憶部１０６の障害保守情報記憶部２０３に記憶される。そして、装置ログ稼働記録部１０５と同様に、障害保守情報スクリーニング部２０４によって障害保守データのクレンジング（除去、補正、補完）が行われる。

そして、障害保守情報は連続データではなくイベントであるため、障害の発生日時、障害内容、保守実施日の記録に分類され、障害発生日時記憶部２０５、障害内容記憶部２０６および保守実施日時記憶部２０７にそれぞれ記憶される。

特徴量演算部２１３から出力された学習用稼動ログ１２３と、障害発生日時記憶部２０５、障害内容記憶部２０６および保守実施日時記憶部２０７にそれぞれ記憶された、障害発生日時１２４、障害内容１２５および保守日時１２６は、障害モデル学習部１０７に入力される。

図１に示した障害モデル学習部１０７は図５に示すように、機器状態変化検出部２０７と、期間別説明変数生成部２０８と、期間変動目的変数生成部２０９と、機械学習部２１２とを有している。

このように構成された障害モデル学習部１０７では、期間変動目的変数生成部２０９において、障害に関連する稼動ログまたは障害保守情報に基づいて目的変数２１１が生成され、また、期間別説明変数生成部２０８において、障害に先立つ学習用稼動ログに基づいて障害の予兆の説明変数２１０が生成される。

このとき、説明変数２１０および目的変数２１１を生成するための、学習用稼動ログ１２３、障害発生日時情報１２４、障害内容情報１２５および保守日時情報１２６のデータ期間を、機器の状態変化によって決定することが、特徴的である。

機器の状態変化とは、装置に障害が発生する前に、装置を構成する機構部品や電子部品の消耗や損傷により、動作が変化し、稼動ログの統計的性質が変化したとき（予兆）、あるいは、装置に実際に障害が発生したとき、あるいは保守が行われて部品の交換などが行われたときのことである。

機器の状態変化は、機器状態変化検出部２０７によって検出される。機器状態変化検出部２０７では、学習用稼動ログ１２３を参照し、統計的性質が変化したとき、障害発生日時情報１２４や保守実施日時情報１２６を使って、説明変数と目的変数の期間設定を行う。期間別説明変数生成部２０８および期間変動目的変数生成部２０９は、機器状態変化検出部２０７によって検出された機器状態変化の情報をもとに説明変数２１０および目的変数２１１をそれぞれ生成し、機械学習部２１２に入力する。

機械学習部２１２は、入力された説明変数２１０および目的変数２１１を用いて障害予測モデル１０８を生成して出力する。

以下に、図１に示した障害予測部１０９および判定部１１１について詳細に説明する。

図６は、図１に示した障害予測部１０９および判定部１１１の構成を示す図である。

図１に示した障害予測部１０９は図６に示すように、障害率予測値計算部３０２を有している。障害予測部１０９は、障害率予測値計算部３０２において、障害モデル学習部１０７にて機械学習によって求められた障害予測モデル１０８に、装置稼働ログ記録部１０５から出力された予測用稼動ログ１２２を入力することで、装置１１０－１～１１０－ｎ毎に障害の発生率を予測する。一般的には、障害予測モデル１０８は多項式で構成され、これに特徴量演算部２１３により特徴量化された予測用稼動ログ１２２を入力することで、障害発生率１１０が計算される。

図１に示した判定部１１１は図６に示すように、閾値判定部３０５と、閾値決定部３０４とを有している。判定部１１１では、閾値判定部３０５において、障害予測部１０９にて計算された障害発生率１１０を閾値と比較して閾値を上回る装置を抽出し、予防保守をおこなうための保守対象機器リスト１１２として出力する。この際、閾値はあらかじめシステムに入力しておいても良いし、ターゲットなどの抽出台数などをもとに、閾値決定部３０４にて決定してもよい。

以下に、装置の状態変化に応じて説明変数と目的変数を生成するデータ区間を決定する方法について説明する。

図７は、図１に示した障害予測システムにて障害の予兆を学習するための期間の考え方を示す図である。図８は、装置における障害発生とその障害に関連する特定事象の発生率との関係を示す図である。

図７に示すように、ある基準点Ｔ６０２において、その装置の障害の予兆を検出することを考える。目的は、基準点Ｔ６０２からＴ６０３までの期間において障害が発生するかどうかを、基準点Ｔ６０２から遡ってＴ６０１までに期間の装置稼動ログを使って予測する。ここで、基準点より過去のＴ６０１からＴ６０２の期間６０４は、予兆検知期間と言ってもよい。また、基準点より未来のＴ６０２からＴ６０３までの期間６０５は、予測対象期間と言ってもよい。

機械学習では、予兆検知期間６０４の稼動ログを説明変数として、予測対象期間６０５の障害発生、また障害に関連する事象の発生率を目的変数として、繰り返し学習を行うことで、障害に関連する稼動ログの特徴がモデル化される。

つまり、図８に示すように、障害に至る固体は、障害発生の前に、障害に関連する特定事象の発生率が上昇し、さらにその前の稼動ログには障害の予兆が現れていると仮定している。しかし、一般には、装置を構成する機構部品や電子部品の消耗が生じて何らかの状態変化が起こり、障害発生に関連する特定事象の発生率の上昇が起こり、実際に障害に至るまでの期間は一律ではなく、装置のおかれた環境や稼働率などに依存して大きく変動する。

図８では、装置Ａについては障害予測を行う基準点Ｔ６０２を基準として、稼動ログに予兆７０１が現れてから、障害発生に関連する特定事象の発生率の上昇７０２、障害発生７０３が連続して起こるケースを示している。一方で、装置Ｂについては、障害予測を行う基準点Ｔ６０２を基準として、稼動ログに予兆７０４が現れてから、障害発生に関連する特定事象の発生率の上昇はしばらく起こらず、Ｔ６０３まで時間が経ってから特定事象の発生率の上昇７０５と障害発生７０６が起こる例を示している。

このように、基準点より一定期間前Ｔ６０１から基準点Ｔ６０２までの固定期間６０４を予兆検知期間とし、基準点Ｔ６０２から一定期間後Ｔ６０３までの固定期間６０５を予測対象期間として機械学習を行うと、装置Ｂの本期間については、予兆があるにもかかわらず予測期間では特定事象の発生率の上昇が起こらない学習データとなり、学習精度を悪化させてしまう。

そこで、本形態では、予測対象期間において基準点から障害発生までの時間を考慮した目的変数の生成を行う。

図９は、図７に示した予測対象期間において基準点から障害発生までの時間を考慮した目的変数の生成を行う方法を説明するための図である。

本形態における障害モデル学習部１０７においては、例えば、図９に示すように、１つの装置に対して、期間をずらしながら予兆検知期間と予測対象期間とを設定するように基準点を順次変更し、繰り返し機械学習を行うことが考えられる。

期間１は、Ｔ８１０からＴ８１１までの期間８０１を予兆検知期間とし、Ｔ８１１からＴ８１４までの期間８０２を予測対象期間として学習を行う例である。本例では、期間８０１の長さを第１期間長といい、期間８０２の長さを第２期間長と言ってもよい。このとき、予測期間８０２では障害は発生していないので、実際の予測対象期間の特定事象発生率を目的変数として学習を行う。機器が正常な場合、特定事象発生率は低いことが想定されるので、期間１については正常ケースとしての学習データとなる。

期間２は、Ｔ８１１からＴ８１２までの期間８０３を予兆検知期間とし、Ｔ８１１からＴ８１６までの期間を予測対象期間として学習を行う例である。すなわち、本例では、期間８０３の長さを第１期間長と言ってもよい。このとき、予測対象期間中のＴ８１５のタイミングで障害が起こっている。障害の前後で装置状態は大きく変わるため、装置障害を含んだ期間のデータで学習を行うことは適切ではない。そこで、本形態では、障害発生前までの、Ｔ８１２からＴ８１５までの期間を予測対象期間として学習を行う。すなわち、本例では、Ｔ８１１からＴ８１５までの期間８０４の長さを第２期間長と言ってもよい。

期間３および期間４についても、予測対象期間に相当する期間において、障害が発生しているため、予測対象期間はそれぞれＴ８１３からＴ８１５の期間８０６、Ｔ８１４からＴ８１５の期間８０８で学習を行う。

期間２、期間３および期間４において、それぞれの基準点Ｔ８１２，Ｔ８１３，Ｔ８１４から、障害発生までの期間８０４，８０６，８０８の長さが異なる。本実施形態では、基準点から障害発生までの期間の長さに応じて、目的変数である特定事象の発生率に係数を設定し、基準点から障害発生までの期間が短いほど、障害リスクが高く評価されるよう学習を行う。

このように、予測を実行している時点から障害発生の時点までの期間長に応じた値を取る係数を目的変数に含むことで、障害発生まで期間が短ければ障害リスクを大きな値として算出するということが可能となる。

図１０は、図１に示した障害モデル学習部１０７にて用いられる説明変数の例を示す図である。

図１に示した障害モデル学習部１０７にて用いられる説明変数は、図１０に示すように、装置をユニークに特定可能な機器ＩＤ１００１と、期間をユニークに識別可能な期間識別子１００２とがキーとなり、それに関係し、特徴量化された稼働ログ項目が表現される。特徴量化された稼動ログ項目として、特定の事象の発生率（事象Ａ発生率１００３）や、特定動作の記録（動作Ｂ起動回数１００４）、環境情報（筐体内温度１００５）、装置をモニタするセンサの値（センサ１値１００６）などがある。

図１１は、図１に示した障害モデル学習部１０７にて用いられる目的変数の例を示す図である。

図１に示した障害モデル学習部１０７にて用いられる目的変数は、図１１に示すように、装置をユニークに特定可能な機器ＩＤ１１０１と、期間をユニークに識別可能な期間識別子１１０２がキーとなり、それに関係する障害に関連する項目１１０３～１１０６が表現される。ここで、予測の対象となるのは、特定事象の発生確率である、障害に関連する特定の事象の発生率１１０３であるが、予測対象期間における障害までの期間１１０４に応じて目的変数の係数１１０５を変化させ、事象の発生率１１０３に係数１１０５を乗算することにより障害指標値となる目的変数１１０６を故障リスクとして算出する。障害発生までの期間ゼロは、当該期間の予測対象期間に障害が発生していないケースを示す。

このように、予測対象期間における障害までの期間に応じて目的変数の係数を変化させ、事象の発生率に係数を乗算することにより障害指標値を算出することで、障害が発生するまでの状況に応じた学習が可能となる。

図１１における期間識別子１１０１の期間１から期間４までが、図９の期間１から期間４に対応する。期間１については、予測対象期間内で障害が発生していないため、学習対象となる事象の発生率１１０３“０．１”は、そのまま目的変数１１０６として用いられる。

期間２から期間４については、予測対象期間内において障害が発生しているため、障害発生までの期間１１０４に応じて決定される目的変数の係数１１０５が“１．２”として設定される。そして、予測対象である障害に関連する事象の発生率１１０３“０．２”に、目的変数の係数１１０５を乗算した“０．２４”が、故障リスクとなる目的変数として用いられる。

障害発生までの期間１１０４に応じて決定される目的変数の係数１１０５は、障害発生までの期間が短いほど大きく設定される。これにより、予兆から障害発生までの期間にばらつきがあっても、故障リスクがより正しく評価される。

図１２は、図７に示した予兆検知期間または予測対象期間において保守が実施された場合に説明変数および目的変数の生成を行う方法を説明するための図である。

図１２に示したものにおいては、Ｔ９１２のタイミングで保守が実施されている。期間５について、Ｔ９１０からＴ９１１が予兆検知期間９０１であり、Ｔ９１１からＴ９１５が予測対象期間９０２であるが、予測対象期間中のＴ９１２にて保守が実施されている。また、期間６については、Ｔ９１１からＴ９１３が予兆検知期間であるが、予兆検知期間中のＴ９１２にて保守が実施されている。

保守によって、清掃や部品の交換、調整が行われると、保守の前後で大きく装置の状態は変化する。したがって、予兆検知期間および予測対象期間いずれについても、学習データ中に保守が含まれるものは、学習精度を悪化させる原因となる。そこで、本形態においては、障害に対応して保守を実施した保守実施時点を障害記録情報に記録しておき、目的変数および説明変数の生成にこの保守実施時点の情報を活用し、障害記録情報における保守実施時点を含む予兆検知期間や予測対象期間の稼働ログ情報を機械学習から除外する。このように、保守実施により装置の状態が変化する期間の情報を機械学習から除外することにより、ノイズを減らして、機械学習の精度を向上させることができる。

図１０に示した説明変数の例では、期間識別子１００２が期間５から期間８で示す説明変数が、図１２における期間５から期間８に対応している。期間６について予兆検知期間にて保守が実施されているため、期間６の情報を学習データから除外する。

図１１に示した目的変数の例では、期間識別子１１０２が期間５から期間８で示す説明変数が、図１２における期間５から期間８に対応している。期間５について予測対象期間にて保守が実施されているため、期間５の情報を学習データから除外する。

図１２における期間７および期間８については、予兆検知期間、予測対象期間中に保守が発生していないので、特に学習データからの除外は行わない。

また、図示は省略するが、説明変数と目的変数とは対になって学習を行うものであり、説明変数または目的変数が保守の実施によって除外された場合、対となる目的変数または説明変数も、同時に学習データから除外する必要がある。

次に、予兆検知期間または予測期間の、指標の時系列変化の学習方法について説明する。

図１３は、図１に示した障害予測システムにおける予兆検知期間および予測対象期間の補助期間分割について説明するための図である。ここで、補助期間分割とは、予兆検知期間または予測対象期間を、さらに１以上に分割し、固有の識別子を付与した上でそれぞれの期間で機械学習を行うことである。

図１３では、Ｔ１２０１からＴ１２０４で示される予兆検知期間１２１５を、Ｔ１２０１からＴ１２０２の期間１－Ａ；１２１０と、Ｔ１２０２からＴ１２０３の期間１－Ｂ；１２１１と、Ｔ１２０３からＴ１２０４の期間１－Ｃ；１２１２との３つの予兆検知補助期間に分割し、また、Ｔ１２０４からＴ１２０６で示される予測対象期間１２１６を、Ｔ１２０４からＴ１２０５の期間１－Ｄ；１２１３と、Ｔ１２０５からＴ１２０６の期間１－Ｅ；１２１４との２つの予測対象補助期間に分割した例を示している。

このように、予兆検知期間や予測対象期間を複数に分割し、それぞれ別個の情報として機械学習を行うことにより、予兆検知期間や予測対象期間における稼働ログの様相の変化を障害予測モデルに反映させ、障害予測の精度を向上させることが可能となる。なお、分割数は１以上特に制限はなく、また、予兆検知期間のみを分割、予測対象期間のみを分割するものであってもよい。

補助期間の分割方法は、装置の状態の変化点を用いるのがより望ましい構成と言えるが、単に等間隔で分割する構成であっても、後述する時系列変化を捉える効果は得られる。

図１４は、図１に示した障害予測システムにおける予兆検知期間および予測対象期間を補助期間に分割する方法について説明するための図であり、（ａ）は分割なし、（ｂ）は２分割、（ｃ）は３分割の例を示している。簡便化のため、３つの場合のいずれにおいても、データは対象とする期間１４０１中に特定の事象１４０２が離散的に６回起こる場合を示している。もちろん、対象となるデータがセンサ出力のような連続値であっても同様の効果が得られる。

図１４（ａ）に示すように、期間１４０１中に特定の事象１４０２が一定間隔で起こる場合は、期間の前後で発生頻度が変化しないため、時系列変化は生じず、事象の発生確率のみを観測すべきケースである。そのため、障害モデル学習部１０７においては、期間分割は行わない。

また、図１４（ｂ）に示すように、期間１４０１中に特定の事象１４０２の発生頻度が徐々に増加していく場合は、移動平均値１４０４を取ると、期間の後半に行くに従って傾きが増加していく。このとき、期間１４０１中の全体平均値１４０３から、移動平均値を減算した偏差１４０５を取得すると、期間前半では負の値となり、期間後半では正の値となる。そのため、傾きが増加する時点において、期間を期間Ａ；１４０１Ａと期間Ｂ；１４０１Ｂとの２つに分割し、それぞれ期間ラベルをキーにした上で説明変数または目的変数として機械学習に入力することで、期間Ｂ；１４０１Ｂにおいてより大きな値をとること、または期間Ａ；１４０１Ａにおいてより小さな値を取ることができ、それにより、本指標の増加を示す特徴が抽出されたモデルが生成されることが期待される。

また、図１４（ｃ）に示すように、期間１４０１中の特定の事象１４０２の発生頻度が一時的に上昇する場合は、移動平均値１４０４を取ると、期間の中間で上昇し、期間の前後では低下する。このとき、期間１４０１中の全体平均値１４０３から、移動平均値を減算した偏差１４０５を取得すると、期間の前よりと後よりでは負の値となり、期間中間では正の値となる。そのため、一時的な頻度の上昇の前後で、期間を期間Ａ；１４０１Ａと、期間Ｂ；１４０１Ｂと、期間Ｃ；１４０１Ｃとの３つに分割し、それぞれ期間ラベルをキーにした上で説明変数または目的変数として機械学習に入力することで、期間Ｂ；１４０１Ｂにおいてより大きな値をとること、または期間Ａ；１４０１Ａ及び期間Ｃ；１４０１Ｃにおいてより小さな値を取ることができ、本指標の一時的な上昇として特徴が抽出されたモデルが生成されることが期待される。

図１５は、図１に示した障害予測システムにおける予兆検知期間および予測対象期間を統計的変化点で補助期間に分割する方法について説明するためのフローチャートである。

図１に示した障害予測システムにおける予兆検知期間および予測対象期間を統計的変化点で補助期間に分割する場合は、まず、対象となる稼動ログ項目の、予兆検知期間または予測対象期間の平均値からの偏差を取得する（ステップ１３０１）。これにより、期間中、増加している部分が正、減少している部分が負として表現される。

次に、期間中のログ項目値を、先頭から順に期間最後まで加算した遷移（累積和）を取得する（ステップ１３０２）。累積和は、増加しているときは正の傾きを持ち、減少しているときは負の傾きを持つため、稼動ログが上昇や下降に転じる時点がピークとして観測される。

次に、対象となるログ項目を合算して、装置の状態変化を求めるため、累積和推移を、ログ項目ごとに正規化する（最大値と最小値との差で除算する）（ステップ１３０３）。これにより、変化点スコアにおいて、各ログ項目の寄与がアンバランスになることを防止する。

次に、変化点スコアを各ログ項目で求め、正規化した累積和を、全ログ項目で加算する（ステップ１３０４）。

この加算された累積和がその区間における変化点スコアであり、分割数に応じて正または負のピークを分割点として採用する（ステップ１３０５）。所望の分割数にするため、変化点スコアの絶対値のピークを、最大から順番に摘出することで分割点を決定する。

図１６は、稼動ログから得られた指標を用いて期間分割を実施した例を示す図であり、（ａ）はログ項目値（偏差）の推移を示す図、（ｂ）は変化点スコアの推移を示す図である。なお、図１６においては、横軸に日付を示し、１６年３月１９日から１６年５月２８日の推移を示している。

ログ項目値（偏差）は、図１６（ａ）に示すように、１６年３月１９日から４月２２日ころまでは一定の推移をしており、その後各指標とも上昇している。その後、５月１４日ころからは、さらに傾きを増している。

これを変化点スコアで表した場合、図１６（ｂ）に示すように、正規化された変化点スコアを加算した変化点スコア合計において、４月２２日ころに最大値ピークをとり、さらに第２のピークが５月１４日付近にあることが分かる。そのため、本形態では、４月２２日と５月１４日を分割点に決定し、期間１－Ａ；１５０１）と、期間１－Ｂ；１５０２と、期間１－Ｃ；１５０３とに分割している。

図１７は、図１６に示した指標となる各ログ項目それぞれの区間での偏差の平均値を示す図である。

図１７に示すように、たとえば、指標１の偏差では、期間１－Ａでは大きな負の値をとり、区間１－Ｂでは正の値、区間１－Ｃでは大きな正の値となっている。これは、本期間において、指標１が増加傾向にあることを示している。一方で、指標３の偏差平均値は、各期間とも大きな変化はなく、本指標は、この期間において、増減の傾向は無いことを示している。

このように、稼働ログ情報を、この稼働ログ情報からノイズや誤差を除去し、客観的な特徴量を取り出す統計処理して得られる特徴量の所定の変化点である統計的変化点にて予兆検知期間や予測対象期間を複数の期間に分割することにより、良好な障害予測モデルが得られ、障害予測精度を向上させることができる。なお、予兆検知期間や予測対象期間を統計的変化点にて複数の期間に分割するのではなく、障害発生時点や保守実施時点で分割することも考えられる。

上述したように本形態においては、予兆から障害発生までの期間長を考慮した機械学習を行うことにより、予兆から障害発生までの期間のばらつきを障害予測モデルに反映させることができ、障害予測の精度を向上させることが可能となる。

１０１－１～１０１－ｎ…装置、１０４…障害保守記録、１０５…装置稼働ログ記録部、１０６…障害保守記録記憶部、１０７…障害モデル学習部、１０９…障害予測部、１１１…判定部

Claims (14)

1. 書き込みおよび読み出しが可能にデータを記憶する記憶装置と、
   前記記憶装置に記録されたデータを用いてソフトウェアプログラムの処理を実行するプロセッサと、を有し、
   前記記憶装置は、予測対象装置の過去の稼働状態を含む稼働ログ情報と、前記予測対象装置に過去に発生した障害に関する障害内容および障害発生日時を含む障害記録情報と、を記憶し、
   前記プロセッサは、
   障害予測実行時点に相当する基準時点から所定の第１期間長だけ遡った時点から前記基準時点までの期間を予兆検知期間とし、前記基準時点から所定の第２期間長後まで障害が発生しなければ前記第２期間長後までの期間を、前記基準時点から前記第２期間長後までに障害が発生すれば障害発生時点までの期間を予測対象期間として、前記基準時点を順次変更し、
   前記予兆検知期間の前記稼働ログ情報に基づく特徴量を説明変数とし、前記予測対象期間の前記障害記録情報における障害発生に対応する前記稼働ログ情報における特定事象の発生の有無ならびに前記予測対象期間における障害の発生の有無および障害が発生した場合の前記基準時点から前記障害発生時点までの期間長に基づく障害指標値を目的変数として機械学習を行うことにより、前記予測対象装置に将来発生する障害を予測するための障害予測モデルを生成する、
   障害予測システム。
2. 前記障害指標値は、前記基準時点から前記障害発生時点までの期間長に応じた値をとる係数を含む、請求項１に記載の障害予測システム。
3. 前記障害指標値は、特定事象の発生確率に前記係数を乗算することにより算出される、請求項２に記載の障害予測システム。
4. 前記プロセッサは、前記予兆検知期間を複数の予兆検知補助期間に分割し、前記予兆検知補助期間のそれぞれの稼働ログ情報を別個の情報として前記機械学習を行う、請求項１に記載の障害予測システム。
5. 前記プロセッサは、前記稼働ログ情報を統計処理して得られる前記特徴量の所定の変化点である統計的変化点にて前記予兆検知期間を前記予兆検知補助期間に分割する、請求項４に記載の障害予測システム。
6. 前記プロセッサは、前記障害記録情報における前記障害発生時点にて前記予兆検知期間を前記予兆検知補助期間に分割する、請求項４に記載の障害予測システム。
7. 前記障害記録情報には前記障害に対応して保守を実施した保守実施時点が記録されており、
   前記プロセッサは、前記障害記録情報における前記保守実施時点にて前記予兆検知期間を前記予兆検知補助期間に分割する、請求項４に記載の障害予測システム。
8. 前記障害記録情報には前記障害に対応して保守を実施した保守実施時点が記録されており、
   前記プロセッサは、前記障害記録情報における保守実施時点を含む予兆検知補助期間の稼働ログ情報を前記機械学習から除外する、請求項４に記載の障害予測システム。
9. 前記プロセッサは、前記予測対象期間を複数の予測対象補助期間に分割し、前記予測対象補助期間のそれぞれの前記稼働ログ情報を別個の情報として前記機械学習を行う、請求項１に記載の障害予測システム。
10. 前記プロセッサは、前記稼働ログ情報を統計処理して得られる前記特徴量の所定の変化点である統計的変化点にて前記予測対象期間を前記予測対象補助期間に分割する、請求項９に記載の障害予測システム。
11. 前記プロセッサは、前記障害記録情報における前記障害発生時点にて前記予測対象期間を前記予測対象補助期間に分割する、請求項９に記載の障害予測システム。
12. 前記障害記録情報には前記障害に対応して保守を実施した保守実施時点が記録されており、
    前記プロセッサは、前記障害記録情報における前記保守実施時点にて前記予測対象期間を前記予測対象補助期間に分割する、請求項９に記載の障害予測システム。
13. 前記障害記録情報には前記障害に対応して保守を実施した保守実施時点が記録されており、
    前記プロセッサは、前記障害記録情報における保守実施時点を含む予測対象補助期間の稼働ログ情報を前記機械学習から除外する、請求項９に記載の障害予測システム。
14. 書き込みおよび読み出しが可能にデータを記憶する記憶装置と、前記記憶装置に記録されたデータを用いてソフトウェアプログラムの処理を実行するプロセッサと、を有するコンピュータが行う障害予測方法であって、
    前記記憶装置は、予測対象装置の過去の稼働状態を含む稼働ログ情報と、前記予測対象装置に過去に発生した障害に関する障害内容および障害発生日時を含む障害記録情報と、を記憶し、
    前記プロセッサは、
    障害予測実行時点に相当する基準時点から所定の第１期間長だけ遡った時点から前記基準時点までの期間を予兆検知期間とし、前記基準時点から所定の第２期間長後まで障害が発生しなければ前記第２期間長後までの期間を、前記基準時点から前記第２期間長後までに障害が発生すれば障害発生時点までの期間を予測対象期間として、前記基準時点を順次変更し、
    前記予兆検知期間の前記稼働ログ情報に基づく特徴量を説明変数とし、前記予測対象期間の前記障害記録情報における障害発生に対応する前記稼働ログ情報における特定事象の発生の有無ならびに前記予測対象期間における障害の発生の有無および障害が発生した場合の前記基準時点から前記障害発生時点までの期間長に基づく障害指標値を目的変数として機械学習を行うことにより、前記予測対象装置に将来発生する障害を予測するための障害予測モデルを生成する、
    障害予測方法。

Images