JP7224133B2 - インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム - Google Patents

Description

本発明は、インフラ設備の点検を行なう際、各インフラ設備に対する点検の優先度を示し、点検の計画立案を支援するインフラ設備点検支援システム、インフラ設備点検支援方法及びプログラムに関する。

インフラ設備の保守業務としては、所定の策定方法により策定した保守計画に基づいて、インフラ設備の点検の業務を行なっている。
ここで、策定方法としては、大きく分類した場合、一定の期間内において保守対象の設備を順番に巡回するように決定する手法１と、過去のデータや担当者の経験に基づいて、優先すべきインフラ設備を選定して巡回する手法２とがある。

手法１は、各インフラ設備の不良発生状況及び点検リソース（点検に必要な資材及び人材など）の観点から、保守対象のインフラ設備の全てを点検する周期（点検周期）の期間を決定する。
この手法１の場合において、資材及び人材などの点検リソースと、点検対象のインフラ設備の数とにより、各インフラ設備の点検の順番を設定した点検計画を策定し、この点検計画に従った点検が行なわれる。
このとき、点検周期となるごとに順次点検が行なわれ、例えば、点検周期が１０年であれば、点検を行なった直後のインフラ設備に対する次の点検は１０年後となる。

一方、手法２の場合において、インフラ設備の不良予測技術として、点検対象のインフラ設備の不良となる時期を、ＩｏＴ（Internet of Things）に対応したスマートセンサなどのデータ収集装置の計測データにより予測する技術がある（例えば、特許文献１参照）。
また、手法２の場合において、インフラ設備の不良予測技術として、点検対象のインフラ設備の経時劣化と環境情報との対応関係に基づき、各インフラ設備の経時劣化の度合いを、遠隔地から監視して予測する技術がある（例えば、特許文献２参照）。
また、手法２の場合において、インフラ設備の不良の発生件数の結果と、インフラ設備の不良となった際の影響度とのマトリクスを生成し、このマトリクスに対してインフラ設備の各々を分類し、分類毎の点検の優先度を点検計画の策定に用いる技術がある（例えば、特許文献３参照）。

特開２０１６－１８４２３７号公報 特開２０１６－２０３９３１号公報 特開２０１３－０８８８２８号公報

しかしながら、手法１は、点検の順番が策定された点検計画に沿って行なわれるため、不良となるリスクの高いインフラ設備と、リスクの低いインフラ設備が同等に扱われる。このため、次の点検まで不良となるリスクが高いインフラ設備が、点検が必要な劣化状態となっても、決められた点検の順番に従い、リスクの低いインフラ設備の後に点検が行なわれる。
この結果、点検周期に達するまでに、リスクの高いインフラ設備が不良となる場合があり、インフラ設備毎の経時劣化の状態を加味せずに作成した点検計画では、リスクの高いインフラ設備の不良の発生を未然に防ぐことが難しい。

一方、手法２において特許文献１の予測技術は、スマートセンサをインフラ設備に単数あるいは複数設ける必要がある。このため、点検対象のインフラ設備が多い場合、全てのインフラ設備にスマートセンサを配設するためコストが膨大となってしまう。

また、特許文献２の予測技術は、外部環境としての気象データを元に不良予測を行なっているが、インフラ設備が配置されている地域の違いを考慮していない。
このため、特許文献２の予測技術は、点検計画を策定を行う際に、インフラ設備の不良予測の精度が悪く用いることができない。

また、特許文献３の点検計画策定技術は、不良となった場合の影響度と不良予測ではなく不良の発生件数とのマトリクスによりインフラ設備の各々を分類している。
このため、インフラ設備が多い地域の場合、不良の発生件数も他より多くなり、不良による影響度も大きく、インフラ設備の不良予測としての精度は低い。このため、都市部ほど点検の優先度が上がり、地方部ほど点検の優先度が低くなり、点検の頻度に偏りが発生してしまう。

本発明は、このような事情に鑑みてなされたもので、インフラ設備の不良予測が高い精度で行なえ、インフラ設備の点検計画を容易に策定する支援を行なうインフラ設備点検支援システム、インフラ設備点検支援方法及びプログラムを提供することを目的とする。

この発明は上述した課題を解決するためになされたもので、本発明のインフラ設備点検支援システムは、土地種別属性毎にエリアが分類されたエリアグループ毎に設けられ、前記エリアにおけるインフラ設備の設備属性情報及び気象データの入力により、当該インフラ設備の不良予測を行なう不良予測モデルが記憶された不良予測モデル記憶部と、前記不良予測モデルに対して、前記インフラ設備の前記設備属性情報及び当該インフラ設備の属する前記エリアの気象データとを入力し、前記インフラ設備の所定の周期内における不良発生の予測を行なう不良予測部とを備えることを特徴とする。

本発明のインフラ設備点検支援システムは、前記土地種別属性である前記エリアの各々における土地種別毎の占有面積比の組合せにより、前記エリアの各々をエリアグループに分類するエリア分類部と、学習用データとして、前記エリアグループに含まれる前記エリアにおける前記インフラ設備の各々の不良の発生の有無を予測値とし、当該インフラ設備の前記設備属性情報、属するエリアの気象データを説明変数として、前記不良予測モデルの生成を行なう不良予測モデル生成部とをさらに備えることを特徴とする。

本発明のインフラ設備点検支援システムは、前記不良発生の予測の数値を示す指標の不良発生リスク指標、不良発生時の前記エリアにおける社会的影響の度合いを示す指標の社会的影響度指標及びインフラ設備の点検の能率を示す指標である点検能率指標の各々の重み付けした加算結果により、前記インフラ設備の各々の点検における優先度を設定する優先度生成部をさらに備えることを特徴とする。

本発明のインフラ設備点検支援システムは、前記不良予測モデルがロジスティック回帰分析モデルであることを特徴とする。

本発明のインフラ設備点検支援方法は、不良予測部が、土地種別属性毎にエリアが分類されたエリアグループ毎に設けられ、前記エリアにおけるインフラ設備の設備属性情報及び気象データの入力により、当該インフラ設備の不良予測を行なう不良予測モデルが記憶された不良予測モデル記憶部から、評価対象の前記インフラ設備が位置する前記エリアに対応した前記不良予測モデルを読み出す過程と、前記不良予測部が、前記不良予測モデルに対して、前記インフラ設備の前記設備属性情報及び当該インフラ設備の属する前記エリアの気象データとを入力し、前記インフラ設備の所定の周期内における不良発生の予測を行なう過程とを含むことを特徴とする。

本発明のプログラムは、コンピュータを、土地種別属性毎にエリアが分類されたエリアグループ毎に設けられ、前記エリアにおけるインフラ設備の設備属性情報及び気象データの入力により、当該インフラ設備の不良予測を行なう不良予測モデルが記憶された不良予測モデル記憶部から、評価対象の前記インフラ設備が位置する前記エリアに対応した前記不良予測モデルを読み出す読出手段、前記不良予測モデルに対して、前記インフラ設備の前記設備属性情報及び当該インフラ設備の属する前記エリアの気象データとを入力し、前記インフラ設備の所定の周期内における不良発生の予測を行なう不良予測手段として機能させるためのプログラムである。

この発明によれば、インフラ設備の不良予測が高い精度で行なえ、インフラ設備の点検計画を容易に策定する支援を行なうインフラ設備点検支援システム、インフラ設備点検支援方法及びプログラムを提供することができる。

本発明の一実施形態によるインフラ設備点検支援システムの構成例を示す図である。 エリア面積比データベース１５に記憶されているエリア面積比テーブルの一例を示す図である。 インフラ設備データベース１６に記憶されているインフラ設備テーブルの一例を示す図である。 エリア気象データベース１７に記憶されているエリア気象データテーブルの一例を示す図である。 不良予測モデル記憶部１８に記憶されている不良予測モデルテーブルの一例を示す図である。 社会的影響度データベース２４の社会的影響度指標テーブルの一例を示す図である。 点検能率データベース２５の点検能率指標テーブルの一例を示す図である。 不良発生リスク指標値、社会的影響度指標値及び点検能率指標値の各々と、生成される優先度の表示形態を説明する図である。 本実施形態のインフラ設備点検支援システムの不良予測部による不良の予測値を算出する処理の動作例を示すフローチャートである。 本実施形態のインフラ設備点検支援システムの優先度生成部によるインフラ設備の点検における優先度を求める処理の動作例を示すフローチャートである。 図１０のフローチャートにおけるステップＳ２４及びステップＳ２７の社会的影響度指標値及び点検能率指標値の算出する処理の動作例を示すフローチャートである。

以下、図面を参照して、本発明の一実施形態によるインフラ設備点検支援システムについて説明する。図１は、本発明の一実施形態によるインフラ設備点検支援システムの構成例を示す図である。
図１において、本実施形態におけるインフラ設備点検支援システム１は、不良予測部１０及び優先度生成部２０の各々を備えている。

不良予測部１０は、所定の予測期間（例えば１年間）における、点検対象のインフラ設備の各々がそれぞれ不良（インフラ設備の故障も含む）を発生する予測値（予測値、すなわち不良が発生する程度を示す数値）を、この点検対象のインフラ設備が設置されているエリアの地域特性に対応した不良予測モデルにより求める。この不良予測モデルに対して、インフラ設備の属性情報（設備属性情報）と、直前の所定の期間における気象データとを説明変数として供給し、不良予測モデルから出力される予測値を、インフラ設備が所定の予測期間内に発生する予測値として出力する。

優先度生成部２０は、不良予測部１０から供給される予測値と、事故発生時の社会的影響度と、点検時における点検能率との各々を、優先度を求める目的指標としている。そして、いずれの目的に対応した優先度を算出するかにより、それぞれの目的指標の重み付けを調整して、インフラ設備の点検の優先度を求めている。

＜不良予測部１０の説明＞
不良予測部１０は、エリア分類部１１、データ正規化部１２、モデル生成部１３、不良予測値算出部１４、エリア面積比データベース１５、インフラ設備データベース１６、エリア気象データベース１７及び不良予測モデル記憶部１８の各々を備えている。

エリア分類部１１は、点検する領域が所定の面積に分割されたエリアの各々を、そのエリアにおける土地種別（土地の種類で任意に設定）の土地各々の占有比率を土地種別属性として、例えば、k-menas法（hartiganルール）に基づく分析手法で上記占有比率に基づいてクラスタリングし、所定数のエリアグループに分類する。本実施形態においては、点検対象のエリアとして、地域メッシュ（総務省の「統計に用いる標準地域メッシュおよび標準地域メッシュ・コード」）における３次メッシュ、すなわち緯度経度に基づき１ｋｍ四方のメッシュとした基準地域メッシュ（または、第３次地域区画）を用いている。しかしながら、エリアとしては上述した３次メッシュに限らず、各エリアの面積が同一であれば、任意の形状あるいは面積の土地をエリアとして設定しても良い。

図２は、エリア面積比データベース１５に記憶されているエリア面積比テーブルの一例を示す図である。図２のエリア面積比テーブルは、レコード毎に、エリア識別情報、田面積、他農地面積、建物用地面積、荒地面積、海浜面積、森林面積、鉄道面積、…、グループ識別情報の各々の欄が設けられている。ここで、田、他農地、建物用地、荒地、海浜、森林及び鉄道の各々は、土地種別を示している。

ここで、エリア識別情報は、各エリアを識別するための識別情報であり、エリアが３次メッシュで設定されている場合には３次メッシュコードが用いられる。田面積は、エリア内にある全ての田圃の面積を加算した加算面積である。他農地面積は、エリア内にある田圃以外の農地、例えば畑などの全ての農地の面積を加算した加算面積である。建物用地面積は、エリア内にある全ての建物の敷地の面積を加算した加算面積である。荒地面積は、エリア内にある全ての荒地（使用目的が決まっていない未使用の土地）の面積を加算した加算面積である。海浜面積は、エリア内にある全ての砂浜の面積を加算した加算値である。森林面積は、エリア内にある全ての森林の面積を加算した加算面積である。鉄道面積は、エリア内にある全ての鉄道施設の面積を加算した加算面積である。グループ識別情報は、エリア分類部１１が行なうクラスタリングによりエリアの各々が分類されたグループの識別情報である。

図１に戻り、エリア分類部１１は、エリア面積比データベース１５のエリア面積比テーブルを参照し、エリア毎に、エリアの総面積における田面積、他農地面積、建物用地面積、荒地面積、海浜面積、森林面積及び鉄道面積の各々の面積比を求める。
そして、エリア分類部１１は、エリア全体の面積における土地種別の各々の土地の占有面積の比（占有面積比）それぞれの組合せを特徴ベクトルとして、エリアそれぞれの座標点を特徴空間に分布させ、すでに述べたk-menas法などに従ったクラスタリングを行ない、各エリアを特徴が近似するグループに分類する。
また、エリア分類部１１は、エリア面積比データベース１５のエリア面積比テーブルにおけるグループ識別情報の欄に対して、エリアがクラスタリングにより分類されたグループのグループ識別情報を書き込む。

データ正規化部１２は、インフラ設備の属性情報及び気象データの属性情報のおのおのの正規化（標準化）を行い、不良予測モデル（本実施形態においてはロジスティック回帰分析モデルを用いている）を作成する際に用いるデータマートの作成を行なう。

図３は、インフラ設備データベース１６に記憶されているインフラ設備テーブルの一例を示す図である。図３のインフラ設備テーブルは、レコード毎に、インフラ設備識別情報、エリア識別情報、不良フラグ、経年、材質、直径、高さ、…などの欄が設けられている。ここで、経年、材質、直径、高さ、…は、インフラ設備の属性情報を示している。この図３のインフラ設備テーブルは、例えば電信柱の属性情報を示している。本実施形態においては、インフラ設備の種類毎に対応した不良予測モデルが生成される。したがって、図３のインフラ設備テーブルは、電信柱の不良予測モデルを生成する際に用いられる。

ここで、インフラ設備識別情報は、各インフラ設備を識別するための識別情報である。エリア識別情報は、このインフラ設備が配置されているエリアのエリア識別情報である。不良フラグは、所定の予測周期（例えば、１年）内に不良が発生したか否かを示すフラグであり、例えば不良が発生している場合に「１」が書き込まれ、不良が発生していない場合に「０」が書き込まれている。経年は、設置あるいは不良が発生して修理してから起算される年数であり、不良が発生していない場合、起算してから予測周期が終了するまでの年数となる。一方、経年は、不良が発生している場合、起算してから不良が発生するまでの年数となる。材質は、木、コンクリート及び鋼管などの複数の構造の異なる材質が存在するため、例えば、木、コンクリート、鋼管それぞれに所定の数値を付与してパラメータとしている。直径は、電信柱の円柱部分で最も太い部分の直径が示される。高さは、電信柱の地上からの高さが示される。

図４は、エリア気象データベース１７に記憶されているエリア気象データテーブルの一例を示す図である。図４のエリア気象データテーブルは、レコード毎に、エリア識別情報、気温、降水量、風速、湿度、日射量、積雪量、…などの欄が設けられている。ここで、気温、降水量、風速、湿度、日射量、積雪量、…は、気象データの属性情報を示している。

ここで、エリア識別情報は、各エリアを識別するための識別情報である。気温は、対応するエリアの所定の予測期間における平均気温である。降水量は、対応するエリアの所定の予測期間における総降水量である。風速は、対応するエリアの所定の予測期間における平均風速である。湿度は、対応するエリアの所定の予測期間における平均湿度である。日射量は、対応するエリアの所定の予測期間における総日射量である。積雪量は、対応するエリアの所定の予測期間における総積雪量である。

図１に戻り、データ正規化部１２は、経年の正規化を行なう際、点検を行なう全てのインフラ設備（本実施形態においては電信柱）の経年の年数の規格化を行なう。このとき、データ正規化部１２は、以下の（１）式を用いて、平均０として、分散（及び標準偏差）１とする正規化を行なう。

Ｙ＝（Ｘ－μ）／σ …（１）

この（１）式において、Ｙは経年の年数が規格化された数値であり、Ｘは規格化する前の経年の年数であり、μは全てのインフラ設備の経年の年数の平均値であり、σはインフラ設備の経年の年数の標準偏差である。データ正規化部１２は、他のインフラ設備の属性情報のデータである経年、材質、直径、高さと、気象データの属性情報のデータである気温、降水量、風速、湿度、日射量、積雪量とも、上述した経年と同様に規格化を行なう。

モデル生成部１３は、データ正規化部１２における規格化により生成された、インフラ設備の属性情報及び気象データの属性情報の各々のデータマートにおけるエリア毎の規格化されたデータを用いて、下記（２）式の不良予測モデル（本実施形態におけるロジスティック回帰分析モデル）の生成を、エリア毎に行なう。

上記（２）式において、予測値Ｙはインフラ設備に不良が発生する予測値を示している。また、説明変数ｘ_１、ｘ_２、…、ｘ_ｐの各々は、それぞれインフラ設備の属性情報と気象データの属性情報との規格化された数値（データマートの数値）を示している。回帰係数ａ_１、ａ_２、…、ａ_ｐの各々は、それぞれ説明変数ｘ_ｉ（１≦ｉ≦ｐ、ｉは整数）のロジスティック回帰係数である。定数ｂは、ロジスティック回帰分析モデルの生成過程で得られる所定の数値である。

ここで、モデル生成部１３は、不良発生の予測値（発生する度合いあるいは確率を示す数値）を求める予測期間の直前の予測期間におけるエリア毎のインフラ設備各々のデータマートを参照し、このデータマートを学習用データとし、エリア毎の（２）式の不良予測モデルの生成を行なう。学習用データとしては、エリアに属するインフラ設備の一部を用いて行なう。この際、学習用データとして用いる不良ビットが「０」のインフラ設備と不良ビットが「１」のインフラ設備との各々の数は、エリアにおける「０」のインフラ設備の数と不良ビットが「１」のインフラ設備の数との比と均等の比で抽出することが望ましい。

以下の不良予測モデルの生成は、各エリアに属するインフラ設備のデータマートを用いてエリア毎に行なわれる。すなわち、モデル生成部１３は、エリア毎に、学習用データにおけるインフラ設備（不良予測モデルの生成の対象であるインフラ設備、本実施形態においては電信柱）の規格化されたインフラ設備の属性情報と気象データの属性情報を読み出し、応答変数としての予測値及び説明変数に代入する。

このとき、モデル生成部１３は、予測値Ｙに対し、不良フラグの数値（「０」または「１」）を代入する。また、モデル生成部１３は、説明変数ｘ_ｉの各々に対し、説明変数ｘ_１に経年の規格化されたデータ、説明変数ｘ_２に材質の規格化されたデータ、…、ｘ_ｐに積雪量の規格化されたデータを代入する。
すなわち、モデル生成部１３は、全ての学習に用いたインフラ設備毎に、インフラ設備の属性情報の経年、材質、直径、高さの規格化されたデータと、属性情報の気温、降水量、風速、湿度、日射量、積雪量の規格化されたデータとの各々を、説明変数ｘ_１、ｘ_２、…、ｘ_ｐのそれぞれに代入し、各不良設備の不良フラグの数値に最も近くなる予測値Ｙが得られる回帰係数ａ_１、ａ_２、…、ａ_ｐの各々を求める（回帰係数のフィッティング処理）。

そして、モデル生成部１３は、上述のように求めた不良予測モデルの各々を、それぞれエリア識別情報に対応させて、不良予測モデル記憶部１８に書き込んで記憶させる。
図５は、不良予測モデル記憶部１８に記憶されている不良予測モデルテーブルの一例を示す図である。図５の不良予測モデルテーブルは、レコード毎に、エリア識別情報及び不良予測モデルの各々の欄が設けられている。ここで、気温、降水量、風速、湿度、日射量、積雪量、…は、気象データの属性情報を示している。ここで、エリア識別情報は、各エリアを識別するための識別情報である。不良予測モデルは、モデル生成部１３により生成されたエリア識別情報の示すエリアに対応したロジスティック回帰分析モデルである。

図１に戻り、不良予測値算出部１４は、各インフラ設備の予測値を算出する際に、このインフラ設備と、このインフラ設備の設置されているエリアの気象データとの規格化されたデータ（予測期間の直前の予測期間におけるデータ）をインフラ設備データベース１６及びエリア気象データベース１７の各々から読み出す。また、不良予測値算出部１４は、予測値を算出する対象のインフラ設備の属するエリアに対応した不良予測モデルを、不良予測モデル記憶部１８の不良予測モデルテーブルから読み出す。

そして、不良予測値算出部１４は、対応する不良予測モデルの説明変数ｘ_１、ｘ_２、…、ｘ_ｐの各々に対し、それぞれ説明変数の各々に対して、インフラ設備及び気象データの属性情報が規格化されたデータを代入し、インフラ設備の予測期間における不良の予測値である予測値Ｙの算出を行なう。
上述したように、本実施形態においては、例えば、１年を予測期間とし、ｎ年内におけるインフラ設備の不良の予測値を求める場合、ｎ－１年のインフラ設備及び気象データの属性情報を学習用データとして用い、ｎ年内の予測値の算出に用いる不良予測モデルを生成し、この不良予測モデルに対してｎ－１年の各インフラ設備のインフラ設備及び気象データの属性情報を代入し、各エリアのインフラ設備のｎ年内における不良の予測値を算出する。

また、本実施形態においては、不良予測モデルをロジスティック回帰分析モデルとして説明したが、他の機械学習モデルを予測モデルとして用い、上述した学習用データにより、不良の予測値を求める学習を行ない不良予測モデルを生成する構成としても良い。

＜優先度生成部２０の説明＞
優先度生成部２０は、パラメータ設定部２１、データ正規化部２２、優先度算出部２３、社会的影響度データベース２４、点検能率データベース２５及び優先度データベース２６の各々を備えている。本実施形態においては、すでに述べたように、優先度を求めるための目的指標として、不良発生リスク指標、不良発生時の社会的影響度指標及び点検能率指標の各々を設定している。この不良発生リスク指標の指標値（パラメータ）としては、すでに説明した不良予測部１０が求めた各インフラ設備の不良の予測値が用いられる。
本実施形態においては、優先度生成部２０により、以下の（３）式により、優先度が求められる。

Ｑ ＝ α×不良発生リスク指標値＋β×社会的影響度指標値＋γ×点検能率指標値
…（３）

上記（３）式において、Ｑは優先度数値であり、αは不良発生リスク指標値に対する重み係数であり、βは社会的影響度指標値に対する重み係数であり、γは点検能率指標値に対する重み係数である。
（３）式においては、重み係数を調整することにより、不良発生リスク、社会的影響度及び点検能率のいずれを点検の優先度を決める目的とするかを設定する。

すなわち、α＞β、α＞γとした場合、不良発生リスクを最小とすることが点検の目的となるため、不良発生リスクの高い点検対象の優先度が高くなる。また、β＞α、β＞γとした場合、社会的影響度を最小とすることが点検の目的となるため、社会的影響度の高い点検対象の優先度が高くなる。さらに、γ＞α、γ＞βとした場合、点検能率を最大とすることが点検の目的となるため、点検能率の高い点検対象の優先度が高くなる。

上述した重み係数α、β及びγの各々は、加算値が一定となる範囲で任意に設定され、本実施形態の場合、α＋β＋γ＝１０としている。この加算値が一定であれば、重み係数α、β及びγの各々は、「０」としても良い。例えば、α＝３、β＝６、γ＝１などと設定する。この場合、点検の優先度を算出する際、優先度の算出における点検能率の要素を低くし、社会的影響度の要素を高くし、不良発生リスクの要素も考慮に入れた優先度を得ることができる。
また、重み係数が「０」とされた指標値は、（３）式の構成から判るように優先度の設定には寄与しない。

パラメータ設定部２１は、重み係数α、β及びγの各々の設定値を入力す入力欄と、重み係数の設定値を入力することを促す通知とを、図示しない表示部の表示画面に対して表示する。
そして、パラメータ設定部２１は、入力欄に入力された重み係数α、β及びγの各々を、優先度算出部２３に対して出力する。

また、パラメータ設定部２１は、点検対象の優先度の算出を、点検対象としてインフラ設備単体とするか、エリア単位（エリア内の点検を一括して行なう）とするかの選択を行なう選択欄と、インフラ設備単体及びエリア単位のいずれかの選択を促す通知とを上記表示画面に表示する。
そして、パラメータ設定部２１は、表示画面の選択欄から選択結果を読み込み、インフラ設備単体及びエリア単位のいずれが選択されたかを示す通知を、データ正規化部２２及び優先度算出部２３の各々に対して出力する。

また、パラメータ設定部２１は、社会的影響度指標の複数の種類、及び点検能率指標の複数の種類の各々を選択する選択欄と、優先度を求めるために用いる社会的影響度指標と点検能率指標との選択を促す通知とを表示画面の選択欄に表示する。
そして、パラメータ設定部２１は、表示画面の選択欄から選択結果を読み込み、選択された社会的影響度指標の複数の種類、及び点検能率指標の複数の種類の各々を示す通知を、データ正規化部２２及び優先度算出部２３の各々に対して出力する。

データ正規化部２２は、上記（３）式の不良発生リスク指標値の規格化を行なうが、優先度の算出対象をインフラ設備単位とするか、エリア単位とするかにより、指標値の正規化における算出処理が異なる。
・インフラ設備単体の場合
データ正規化部２２は、点検対象の全てのエリアに属するインフラ設備の不良の予測値を（１）式により、平均が「０」となり、分散が「１」となる正規化を行ない、これを（３）式における不良発生リスク指標値とする。

・エリア単位の場合
データ正規化部２２は、点検対象の全てのエリア毎に、各エリアに属するインフラ設備の不良の予測値の総和を求め、点検対象の全てのエリアの総和それぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行ない、これを（３）式における不良発生リスク指標値とする。

また、データ正規化部２２は、不良発生時の社会的影響度指標値を求める際、社会的影響度指標には複数種類あるため、指標を一つとした場合と、複数とした場合とにより社会的影響度指標値の算出処理が異なる。
図６は、社会的影響度データベース２４の社会的影響度指標テーブルの一例を示す図である。図６の社会的影響度指標テーブルは、レコード毎に、エリア識別情報、昼間人口、夜間人口、住宅密度、エリア種別、道路面積、…の各々の欄が設けられている。

ここで、昼間人口、夜間人口、住宅密度、エリア種別、道路面積、…の各々は、社会的影響度指標値である。昼間人口は、単位が人数であり、エリア識別情報が示すエリアに、昼間（例えば、０６：００から１８：００）に存在する人数である。夜間人口は、単位が人数であり、エリア識別情報が示すエリアに、夜間（例えば、１８：００から０６：００）に存在する人数である。

住宅密度は、単位が軒数であり、エリア識別情報が示すエリアに存在する住宅の数である。エリア種別は、エリアの土地種別であり、土地種別毎に設定された数値が書き込まれている。例えば、農業地帯、住宅地帯、商業地帯、工業地帯の順に、影響度が高くなると想定されるため、それぞれ順次大きくなる所定の数値が設定され、この数値がエリア種別の欄に予め書き込まれている。また、例えば、土地種別において、住宅地帯及び工業地帯を「１」、農業地帯及び商業地帯を「０」とする影響度の大きい地域と小さい地域とをバイナリ情報として示しても良い。道路面積は、単位が平方メートルであり、エリア識別情報が示すエリアにおける道路の総面積である。

図１に戻り、データ正規化部２２は、上記（３）式の社会的影響度指標値の規格化を行なうが、社会的影響度指標が一つ選択された場合と、複数の社会的影響度指標が選択された場合とにより、社会的影響度指標値の正規化における算出処理が異なる。
・社会的影響度指標が一つ選択された場合
データ正規化部２２は、点検対象の全てのエリアにおける、選択された社会的影響度指標の数値それぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行ない、これを（３）式における社会的影響度指標値とする。例えば、社会的影響度指標として、昼間人口が選択された場合、データ正規化部２２は、点検対象の全てのエリアの昼間人口のそれぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行なう。

・社会的影響度指標が複数選択された場合
データ正規化部２２は、点検対象の全てのエリアにおける、選択された社会的影響度指標の数値それぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行なう。そして、データ正規化部２２は、全てをエリア毎に正規化後の複数種類の社会的影響度指標値を加算して、加算結果を再度（１）式により、平均が「０」となり、分散が「１」となる正規化を行ない、（３）式で用いる社会的影響度指標値を求める。

例えば、社会的影響度指標として、昼間人口と夜間人口との２個が選択された場合、データ正規化部２２は、点検対象の全てのエリアの昼間人口、夜間人口それぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行なう。そして、データ正規化部２２は、昼間人口と夜間人口とのそれぞれの規格化を行なった後、エリア毎に、規格化を行なった昼間人口の社会的影響度指標値と夜間人口の社会的影響度指標値とを加算して、加算結果を（１）式により再度正規化を行ない、（３）式で用いる社会的影響度指標値とする。

データ正規化部２２は、上記（３）式の点検能率指標値の規格化を行なうが、点検能率指標が一つ選択された場合と、複数の点検能率指標が選択された場合とにより、点検能率指標値の正規化における算出処理が異なる。
図７は、点検能率データベース２５の点検能率指標テーブルの一例を示す図である。図７の点検能率指標テーブルは、レコード毎に、インフラ設備数（個数）、顧客数（社数）、道路面積（平方ｍ）、鉄道面積（平方ｍ）、…の各々の欄が設けられている。

ここで、インフラ設備数、顧客数、道路面積、鉄道面積、…の各々は、点検能率指標値である。インフラ設備数は、単位が個数であり、エリア内において設置されているインフラ設備の数を示している。顧客数は、単位が社数であり、エリア内に存在する顧客（会社など）の数を示している。道路面積は、単位が平方ｍであり、エリア識別情報が示すエリアにおける道路の総面積である。鉄道面積は、単位が平方ｍであり、エリア識別情報が示すエリア内にある全ての鉄道施設の面積を加算した加算面積である。

・点検能率指標が一つ選択された場合
データ正規化部２２は、点検対象の全てのエリアにおける、選択された点検能率指標の数値それぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行ない、これを（３）式における点検能率指標値とする。例えば、点検能率指標として、昼間人口が選択された場合、データ正規化部２２は、点検対象の全てのエリアの昼間人口のそれぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行なう。

・点検能率指標が複数選択された場合
データ正規化部２２は、点検対象の全てのエリアにおける、選択された点検能率指標の数値それぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行なう。そして、データ正規化部２２は、全てのエリア毎に正規化後の複数種類の点検能率指標値を加算して、加算結果を再度（１）式により、平均が「０」となり、分散が「１」となる正規化を行ない、（３）式で用いる点検能率指標値を求める。

例えば、点検能率指標として、インフラ設備数と顧客数との２個が選択された場合、データ正規化部２２は、点検対象の全てのエリアにおけるインフラ設備数、顧客数それぞれを（１）式により、平均が「０」となり、分散が「１」となる正規化を行なう。そして、データ正規化部２２は、インフラ設備数と顧客数とのそれぞれの規格化を行なった後、規格化を行なったインフラ設備数の点検能率指標値と顧客数の点検能率指標値とをエリア毎に加算して、加算結果を（１）式により再度正規化を行ない、（３）式で用いる点検能率指標値とする。

優先度算出部２３は、（３）式において、データ正規化部２２が正規化した不良発生リスク指標値、社会的影響度指標値及び点検能率指標値の各々に対して、重み係数α、β、γのそれぞれを乗算し、各乗算結果を加算することにより、インフラ設備単位あるいはエリア単位の優先度数値Ｑを算出する。

図８は、不良発生リスク指標値、社会的影響度指標値及び点検能率指標値の各々と、生成される優先度の表示形態を説明する図である。図８は、優先度がエリア単位で設定されているため、エリアの各々が自身の優先度を示す色により表示されている。この表示画面に対する画像の表示処理は、優先度算出部２３により行なわれる。
表示画像２０１は、各エリアの不良発生リスク指標値の大きさを示している。また、表示画像２０２は、各エリアの社会的影響度指標値の大きさを示している。表示画像２０３は、各エリアの点検能率指標値の大きさを示している。表示画像２０１、２０２及び２０３の各々は、濃い色ほど指標値が大きく、薄い色ほど指標値が低く表示されている。

表示画像２００は、表示画像２０１の不良発生リスク指標値と、表示画像２０２の社会的影響度指標値と、表示画像２０３の点検能率指標値との各々から、（３）式を用いて生成した、各エリアの優先度を示している。表示画像２００は、濃い色ほど指標値が大きく、薄い色ほど優先度が低く表示されている。表示画像２００Ａは、優先度の色と、優先度数値Ｑとの対応を示すテーブルである。
表示画像２００、２００Ａ、２０１、２０２及び２０３の各々が表示画面に表示され、優先度の計算に用いた不良発生リスク指標値、社会的影響度指標値及び点検能率指標値の各々と、これらから導出された優先度との対応がビジュアルに確認できる。

次に、図９を用いて、本実施形態のインフラ設備点検支援システムの不良予測部による不良の予測値を算出する処理の流れを説明する。図９は、本実施形態のインフラ設備点検支援システムの不良予測部による不良の予測値を算出する処理の動作例を示すフローチャートである。

ステップＳ１１：エリア分類部１１は、点検する領域が分割されたエリアの各々を、エリア面積比データベース１５のエリア面積比テーブルを参照して、そのエリアにおける土地種別の土地種別属性に基づくクラスタリングを行い、エリアそれぞれを土地種別属性が類似するエリアグループに分類する。

ステップＳ１２：データ正規化部１２は、インフラ設備データベース１６のインフラ設備テーブル及びエリア気象データベース１７の気象データテーブルの各々を参照し、インフラ設備の属性情報及び気象データの属性情報のそれぞれの正規化を（１）式により行う。
そして、データ正規化部１２は、この正規化によって不良予測モデルの作成する際に用いる、学習用データとしてのデータマートの作成を行なる。データ正規化部１２は、この作成したデータマートをモデル生成部１３に対して出力する。

ステップＳ１３：モデル生成部１３は、データ正規化部１２から、インフラ設備の属性情報及び気象データの属性情報の各々が規格化されたデータからなるデータマートを入力する。
そして、モデル生成部１３は、このデータマートにおけるエリア毎の規格化されたデータを用いて、不良予測モデル（上記（２）式）の生成を、それぞれのエリア単位に行なう。モデル生成部１３は、生成した不良予測モデルの各々を、対応するエリアのエリア識別情報に対応させて、不良予測モデル記憶部１８の不良予測テーブルに書き込んで記憶させる。

ステップＳ１４：データ正規化部１２は、インフラ設備データベース１６のインフラ設備テーブル及びエリア気象データベース１７の気象データテーブルの各々を参照し、不良の予測値を算出する対象のインフラ設備の属性情報と、このインフラ設備が設置されているエリアの気象データの属性情報とのそれぞれを検索する。
そして、データ正規化部１２は、対象のインフラ設備の属性情報と、対象のインフラ設備が設置されているエリアの気象データの属性情報とのそれぞれを読み出し、これら属性情報におけるデータの規格化を行なう。

この際、データ正規化部１２は、学習用のデータマートを作成した際の平均値μ及び分散値σを用いて、（１）式により対象のインフラ設備及び気象データの各々の正規化を行なう。データ正規化部１２は、正規化したインフラ設備及び気象データの各々の属性情報のデータを不良予測値算出部１４に対して出力する。
正規化された属性情報が供給されると、不良予測値算出部１４は、不良の予測値を算出する対象のインフラ設備が設置されているエリアに対応する不良予測モデルを、不良予測モデル記憶部１８の不良予測モデルテーブルから読み出す。

そして、不良予測値算出部１４は、読み出した不良予測モデルの説明変数の各々に、データ正規化部１２から供給される規格化された属性情報のデータを代入し、点検対象のインフラ設備の不良の予測値を算出する。
この処理により、不良予測部１０は、点検の対象となっている全てのインフラ設備の不良の予測値を算出する。

次に、図１０及び図１１を用いて、本実施形態のインフラ設備点検支援システムの優先度生成部によるインフラ設備の点検における優先度を求める処理の流れを説明する。図１０は、本実施形態のインフラ設備点検支援システムの優先度生成部によるインフラ設備の点検における優先度を求める処理の動作例を示すフローチャートである。図１１は、図１０のフローチャートにおけるステップＳ２４及びステップＳ２７の社会的影響度指標値及び点検能率指標値の算出する処理の動作例を示すフローチャートである。
以下、図１０のフローチャート、図１１のフローチャートの順番で説明する。

・図１０のフローチャート
ステップＳ２１：パラメータ設定部２１は、表示画面の入力欄から、重み係数α、β及びγの各々の数値を読み込み、読み込んだみ係数α、β及びγの各々の数値を、優先度算出部２３に対して出力する。
また、パラメータ設定部２１は、表示画面の選択欄から、優先度の計算対象がインフラ設備単位か、あるいはエリア単位とするかの選択情報を読み込み、データ正規化部２２及び優先度算出部２３の各々に出力する。
また、パラメータ設定部２１は、表示画面の選択欄から、社会的影響度指標及び点検能率指標の各々の種類を入力し、入力した社会的影響度指標、点検能率指標のそれぞれをデータ正規化部２２及び優先度算出部２３の各々に出力する。

ステップＳ２２：データ正規化部２２は、パラメータ設定部２１から供給される優先度の選択情報において、計算対象がインフラ設備単位であるか否かの判定を行なう。
このとき、データ正規化部２２は、計算対象がインフラ設備単位である場合、処理をステップＳ２３へ進める。一方、データ正規化部２２は、計算対象がエリア単位である場合、処理をステップＳ２６へ進める。

ステップＳ２３：データ正規化部２２は、不良予測部１０から供給される点検対象の全てのエリアに属するインフラ設備の各々の不良の予測値を、（１）式により正規化して、正規化された不良の予測値を（３）式における不良発生リスク指標値とする。

ステップＳ２４：データ正規化部２２は、社会的影響度指標値及び点検能率指標値に算出を行なう。この算出の詳細な処理については、図１０のフローチャートにより説明する。

ステップＳ２５：優先度算出部２３は、（３）式る不良発生リスク指標値に対して、データ正規化部２２が正規化した不良発生リスク指標値をパラメータとして代入し、これに重み係数αを乗算する。
また、優先度算出部２３は、（３）式の社会的影響度指標値に対して、データ正規化部２２が正規化した社会的影響度指標値をパラメータとして代入し、これに重み係数βを乗算する。
また、優先度算出部２３は、（３）式の点検能率指標値に対して、データ正規化部２２が正規化した点検能率指標値をパラメータとして代入し、これに重み係数γを乗算する。
そして、優先度算出部２３は、不良発生リスク指標値に重み係数αを乗算した結果と、社会的影響度指標値に重み係数βを乗算した結果と、点検能率指標値に重み係数γを乗算した結果とを加算し、インフラ設備単位の優先度数値Ｑを算出する。

ステップＳ２６：データ正規化部２２は、点検対象の全てのエリア毎に、不良予測部１０から供給される点検対象の全てのエリアにおいて、それぞれのエリアに属するインフラ設備の不良の予測値の総和を算出する。
そして、データ正規化部２２は、全てのエリアの予測値の総和を（１）式により正規化して、正規化された不良の予測値を（３）式における不良発生リスク指標値とする。

ステップＳ２７：データ正規化部２２は、社会的影響度指標値及び点検能率指標値に算出を行なう。この算出の詳細な処理については、図１０のフローチャートにより説明する。

ステップＳ２８：優先度算出部２３は、ステップＳ２５と同様に、（３）式る不良発生リスク指標値に対して、データ正規化部２２が正規化した不良発生リスク指標値をパラメータとして代入し、これに重み係数αを乗算する。
また、優先度算出部２３は、（３）式の社会的影響度指標値に対して、データ正規化部２２が正規化した社会的影響度指標値をパラメータとして代入し、これに重み係数βを乗算する。
また、優先度算出部２３は、（３）式の点検能率指標値に対して、データ正規化部２２が正規化した点検能率指標値をパラメータとして代入し、これに重み係数γを乗算する。
そして、優先度算出部２３は、不良発生リスク指標値に重み係数αを乗算した結果と、社会的影響度指標値に重み係数βを乗算した結果と、点検能率指標値に重み係数γを乗算した結果とを加算し、エリア単位の優先度数値Ｑを算出する。

・図１１のフローチャート
ステップＳ１０１：データ正規化部２２は、社会影響度指標が一つか否かの判定を行なう。このとき、データ正規化部２２は、社会影響度指標が一つの場合、処理をステップＳ１０２へ進める。
一方、データ正規化部２２は、社会影響度指標が複数（二つ以上）の場合、処理をステップＳ１０３へ進める。

ステップＳ１０２：データ正規化部２２は、点検対象の全てのエリアにおける、選択された社会的影響度指標の数値それぞれを（１）式によって正規化し、正規化した社会的影響度指標の数値を（３）式における社会的影響度指標値とする。

ステップＳ１０３：データ正規化部２２は、点検対象の全てのエリアにおける、選択された社会的影響度指標の数値それぞれを（１）式によって正規化する。
そして、データ正規化部２２は、全てをエリア毎に正規化後の複数種類の社会的影響度指標値を加算して、加算結果を再度（１）式により正規化し、この正規化の結果を（３）式で用いる社会的影響度指標値とする。

ステップＳ１０４：データ正規化部２２は、点検能率指標が一つか否かの判定を行なう。このとき、データ正規化部２２は、点検能率指標が一つの場合、処理をステップＳ１０５へ進める。
一方、データ正規化部２２は、点検能率指標が複数の場合、処理をステップＳ１０３へ進める。

ステップＳ１０５：データ正規化部２２は、点検対象の全てのエリアにおける、選択された点検能率指標の数値それぞれを（１）式によって正規化し、正規化した点検能率指標の数値を（３）式における点検能率指標値とする。

ステップＳ１０６：データ正規化部２２は、点検対象の全てのエリアにおける、選択された点検能率指標の数値それぞれを（１）式によって正規化する。
そして、データ正規化部２２は、全てをエリア毎に正規化後の複数種類の点検能率指標値を加算して、加算結果を再度（１）式により正規化し、この正規化の結果を（３）式で用いる点検能率指標値とする。

本実施形態によれば、エリア毎にそのエリアの土地種別に対応する不良予測モデルを生成して、この不良予測モデルにより各エリアに設置されているインフラ設備の不良の予測値を算出するため、点検対象のインフラ設備が設置されているエリアの環境及び気象の影響を考慮した予測値（不良発生の予測値）の算出が可能となるため、インフラ設備の不良の予測値を高い精度で求めることができる。

また、本実施形態によれば、インフラ設備の不良の予測値のみから点検の優先度を求めるのではなく、不良の予測値を指標とする不良発生リスク指標、不良が発生した際の社会的影響度指標、及び点検処理の能率を示す点検能率指標の各々を用いて、それぞれ点検の優先度を設定する目的に対応して、不良発生リスク指標値、社会的影響度指標値、点検能率指標の各々に乗ずる重み係数α、β、γのそれぞれを任意に設定することにより、目的に対応して柔軟に優先度の算出が行なえ、目的毎の点検計画の策定を容易に行なうことができる。

また、図１に示すインフラ設備点検支援システムのインフラ設備の不良の予測値を算出する処理と、この予測値からなる不良発生リスク指標値、社会的影響度指標値及び点検能率指標値の反映度を制御して優先度を算出する処理と行なう機能を実現するためのプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することにより、インフラ設備の不良の発生の予測値の算出及び各指標値による点検の優先度の算出の処理を行ってもよい。なお、ここでいう「コンピュータシステム」とは、ＯＳや周辺機器等のハードウェアを含むものとする。

また、「コンピュータシステム」は、ＷＷＷシステムを利用している場合であれば、ホームページ提供環境（あるいは表示環境）も含むものとする。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。

以上、この発明の実施形態を図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

１…インフラ設備点検支援システム
１０…不良予測部
１１…エリア分類部
１２，２２…データ正規化部
１３…モデル生成部
１４…不良予測値算出部
１５…エリア面積比データベース
１６…インフラ設備データベース
１７…エリア気象データベース
１８…不良予測モデル記憶部
２０…優先度生成部
２１…パラメータ設定部
２３…優先度算出部
２４…社会的影響度データベース
２５…点検能率データベース
２６…優先度データベース

Claims (6)

1. 土地種別属性毎にエリアが分類されたエリアグループ毎に設けられ、前記エリアにおけるインフラ設備の設備属性情報及び気象データの入力により、当該インフラ設備の不良予測を行なう不良予測モデルが記憶された不良予測モデル記憶部と、
   前記不良予測モデルに対して、前記インフラ設備の前記設備属性情報及び当該インフラ設備の属する前記エリアの気象データとを入力し、前記インフラ設備の所定の周期内における不良発生の予測を行なう不良予測部と
   を備えることを特徴とするインフラ設備点検支援システム。
2. 前記土地種別属性である前記エリアの各々における土地種別毎の占有面積比の組合せにより、前記エリアの各々をエリアグループに分類するエリア分類部と、
   学習用データとして、前記エリアグループに含まれる前記エリアにおける前記インフラ設備の各々の不良の発生の有無を予測値とし、当該インフラ設備の前記設備属性情報、属するエリアの気象データを説明変数として、前記不良予測モデルの生成を行なう不良予測モデル生成部と
   をさらに備えることを特徴とする請求項１に記載のインフラ設備点検支援システム。
3. 前記不良発生の予測の数値を示す指標の不良発生リスク指標、不良発生時の前記エリアにおける社会的影響の度合いを示す指標の社会的影響度指標及びインフラ設備の点検の能率を示す指標である点検能率指標の各々の重み付けした加算結果により、前記インフラ設備の各々の点検における優先度を設定する優先度生成部
   をさらに備えることを特徴とする請求項１または請求項２に記載のインフラ設備点検支援システム。
4. 前記不良予測モデルがロジスティック回帰分析モデルである
   ことを特徴とする請求項１から請求項３のいずれか一項に記載のインフラ設備点検支援システム。
5. 不良予測部が、土地種別属性毎にエリアが分類されたエリアグループ毎に設けられ、前記エリアにおけるインフラ設備の設備属性情報及び気象データの入力により、当該インフラ設備の不良予測を行なう不良予測モデルが記憶された不良予測モデル記憶部から、評価対象の前記インフラ設備が位置する前記エリアに対応した前記不良予測モデルを読み出す過程と、
   前記不良予測部が、前記不良予測モデルに対して、前記インフラ設備の前記設備属性情報及び当該インフラ設備の属する前記エリアの気象データとを入力し、前記インフラ設備の所定の周期内における不良発生の予測を行なう過程と
   を含むことを特徴とするインフラ設備点検支援方法。
6. コンピュータを、
   土地種別属性毎にエリアが分類されたエリアグループ毎に設けられ、前記エリアにおけるインフラ設備の設備属性情報及び気象データの入力により、当該インフラ設備の不良予測を行なう不良予測モデルが記憶された不良予測モデル記憶部から、評価対象の前記インフラ設備が位置する前記エリアに対応した前記不良予測モデルを読み出す読出手段、
   前記不良予測モデルに対して、前記インフラ設備の前記設備属性情報及び当該インフラ設備の属する前記エリアの気象データとを入力し、前記インフラ設備の所定の周期内における不良発生の予測を行なう不良予測手段
   として機能させるためのプログラム。

Images