JP7466788B2 - 機器保守支援装置及びその動作方法 - Google Patents

Description

本開示は、ビルに設置される機器の故障時に故障原因と交換部品を提示する機器保守支援装置の構成及び機器の保守作業の支援方法に関する。

ビルに設置される空調装置等の機器が故障した場合には、作業員が現場に出動して部品交換等の保守作業を行うことが必要になる。近年、このような保守作業を効率化することが求められている。

このため、機器の運転情報や異常コードなどに基づいて異常個所を特定し、部品交換や保守作業を効率化する方法が提案されている（例えば、特許文献１参照）。

また、機器運転情報、機器情報及び機器利用者情報、機器現象情報、保守作業の作業内容情報を入力し、交換部品を出力する部品判定モデルを生成し、実際に交換した部品を教師データとして機械学習を行い、学習済部品判定モデルを生成し、生成した学習済部品判定モデルに、機器運転情報と、機器現象情報とを入力して交換すべき部品情報を推論し、出力した交換部品情報を現場に出動する作業者に提示する装置が提案されている（例えば、特許文献２参照）。

特開２００４－２６５１５９号公報 特開２０２０－１５４６６２号公報

ところで、特許文献２に記載された部品判定モデルを機械学習する場合に、機器運転情報、機器現象情報、保守作業の作業内容情報等を十分に収集することができない場合がある。このため、学習済モデルの推論精度が不十分で、適切な交換部品を作業者に提示できない場合がある。

一方、機器の運転情報や異常コードなどに基づいて予め定めたルールに基づいて交換部品や保守作業を決定する方法も検討されている。しかし、交換部品や保守作業の内容は、作業者や対象建物等に依存する場合があり、精度よく交換部品等を特定できない場合がある。

そこで、本開示は、様々な条件の下で精度よく故障原因や交換部品を特定して保守作業の効率化を図ることを目的とする。

本開示の機器保守支援装置は、ビルに設置される機器の故障時に、現地作業者が作成した点検報告書のデータに基づいて、故障原因と交換部品を提示する機器保守支援装置であって、前記点検報告書から機器属性情報と、機器主要運転情報とのデータを読み出す点検報告データ取得部と、前記機器属性情報と、前記機器主要運転情報と、推定故障原因と推定交換部品とを含む推定保守情報と、優先度ランクとを関連付けた特定ルールを複数格納した特定ルールデータベースと、前記点検報告データ取得部が読みだした前記機器属性情報と、前記機器主要運転情報との組み合わせが一致する前記特定ルールを選定し、選定した前記特定ルールを用いて前記故障原因と前記交換部品とを特定して出力する演算部とを含み、前記優先度ランクは、前記特定ルールの特定精度の高低を示し、前記演算部は、選定した前記特定ルールの前記優先度ランクが所定のランク以上の場合に選定した前記特定ルールを用いて前記故障原因と前記交換部品とを特定すること、を特徴とする。

このように、優先度ランクが所定のランク以上の場合に選定した特定ルールを用いて故障原因と交換部品とを特定するので、故障原因と交換部品とを精度よく特定できる。

本開示の機器保守支援装置において、前記点検報告データ取得部は、前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む機器運転情報と、点検情報と含む点検報告データを読みだして点検報告データベースに格納し、前記点検報告データベースから前記機器属性情報と、前記機器主要運転情報を含む前記機器運転情報と、前記点検情報とを読みだして、これらの情報に基づいて熟練者が入力した前記推定故障原因と前記推定交換部品と前記優先度ランクとを組み合わせて点検報告分析データを生成して点検報告分析データベースに格納する点検報告分析部と、前記点検報告分析データベースから、前記点検報告分析データの中の前記機器属性情報と、前記機器主要運転情報と、前記推定故障原因と前記推定交換部品とを含む前記推定保守情報と、前記優先度ランクとを抽出し、これらを関連付けた前記特定ルールを生成し、前記特定ルールデータベースに格納する特定ルール生成部と、を備えてもよい。

このように、点検報告データの機器属性情報と、機器運転情報と、点検情報とに基づいて熟練者が推定故障原因と推定交換部品と優先度ランクとを入力して特定ルールを生成するので、特定ルールを熟練者の経験を反映させたものとでき、特定ルールを用いて故障原因と交換部品とを精度よく特定できる。

本開示の機器保守支援装置において、現地作業者が作成した保守報告書から実故障原因と実交換部品とを含む保守報告データを読みだし、保守報告データベースに格納する保守報告データ取得部と、前記保守報告データベースから前記機器属性情報と、前記機器主要運転情報とを読み出し、その組み合わせが一致する前記特定ルールを更新対象特定ルールとし、前記保守報告データベースから読み出した前記実交換部品と前記更新対象特定ルールの規定する前記推定交換部品との比較に基づいて、前記特定ルールデータベースの前記更新対象特定ルールの前記優先度ランクを更新する優先度更新部と、を備えてもよい。

このように、実交換部品と特定ルールの規定する推定交換部品とを比較して優先度ランクを更新するので、特定ルールの推定精度を向上させることができる。

本開示の機器保守支援装置において、前記特定ルールの前記特定精度は、正解率によって規定され、前記特定ルールは、前記機器主要運転情報と、前記推定故障原因と前記推定交換部品とを含む前記推定保守情報と、前記優先度ランクと、正解回数と不正解回数と前記正解率とを含む特定ルール情報とを関連付けたものであり、前記優先度更新部は、前記保守報告データベースから前記実交換部品を読み出し、読み出した前記実交換部品が前記更新対象特定ルールの規定する前記推定交換部品と一致する場合には、前記正解回数を１だけインクレメントし、一致しない場合には、前記不正解回数を１だけインクレメントして前記更新対象特定ルールの前記正解率を算出し、前記正解率に応じて前記更新対象特定ルールの前記優先度ランクを更新して、前記特定ルールデータベースに格納してもよい。

このように、実交換部品に基づいた学習により特定ルールの優先度ランクを更新するので、特定ルールの推定精度を向上させることができる。

本開示の機器保守支援装置において、前記優先度更新部は、前記保守報告データベースから前記実交換部品を読み出し、読み出した前記実交換部品が前記更新対象特定ルールの規定する前記推定交換部品と一致しない場合には、前記保守報告データベースから読み出した前記機器属性情報と、前記機器主要運転情報と、前記保守報告データベースから読み出した前記実故障原因と、前記実交換部品と、前記優先度ランクと、前記正解回数と、前記不正解回数と、前記正解率とを関連付けた新たな前記特定ルールを前記特定ルールデータベースに格納してもよい。

これにより、実交換部品に応じた特定ルールを生成することができ、特定ルールで推定可能なケースを増やすことができる。

本開示の機器保守支援装置において、前記点検報告データ取得部は、前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む機器運転情報と、点検情報とを読みだし、前記機器属性情報と、前記機器運転情報と、前記点検情報とを入力とし、前記推定故障原因と前記推定交換部品を出力とする学習済推論モデルを格納した推論モデルデータベースを備え、前記演算部は、選定した前記特定ルールの前記優先度ランクが所定のランクよりも低い場合、又は、前記点検報告データ取得部が読みだした前記機器属性情報と、前記機器主要運転情報との組み合わせが一致する前記特定ルールがない場合には、前記学習済推論モデルに前記点検報告データ取得部が読みだした前記機器属性情報と、前記機器運転情報と、前記点検情報とを入力し、前記故障原因と前記交換部品とを出力してもよい。

このように、特定ルールの前記優先度ランクが所定のランクよりも低い場合、又は、機器属性情報と、前記機器主要運転情報との組み合わせが一致する特定ルールがない場合に、学習済推論モデルを用いて故障原因と交換部品とを出力するので、適当な特定ルールがない場合でも故障原因と交換部品とを精度よく推定できる。

本開示の機器保守支援装置において、前記演算部は、前記学習済推論モデルを用いて複数の前記故障原因と複数の前記交換部品と、各前記故障原因と各前記交換部品の予測確率とを演算し、前記予測確率の高い前記故障原因と前記交換部品を抽出して出力してもよい。

これにより、現地作業者が容易に交換部品の判断を行うことができる。

本開示の機器保守支援装置において、前記推論モデルデータベースは、機器種別、論理形式、必要メモリ容量の組によって区分される複数の前記学習済推論モデルを格納し、前記点検報告書から読みだした前記機器属性情報、又は、ハードウェア構成に基づいて、複数の前記学習済推論モデルの中から１つの前記学習済推論モデルを選択するモデル選択部を備え、前記演算部は、前記モデル選択部が選択した前記学習済推論モデルを用いて前記故障原因と前記交換部品とを演算してもよい。

これにより、保守作業の対象機器、或いは、機器保守支援装置の演算能力に応じて選択した学習済推論モデルを用いて故障原因と交換部品とを演算するので、短時間で精度よく故障原因と交換部品とを出力できる。

本開示の機器保守支援装置において、前記点検報告データ取得部は、前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む前記機器運転情報と、前記点検情報とを含む点検報告データを読みだして点検報告データベースに格納し、前記点検報告データベースから前記機器属性情報と、前記機器運転情報と、前記点検情報とを読みだして、これらの情報に基づいて熟練者が入力した前記推定故障原因と前記推定交換部品と前記優先度ランクとを組み合わせて点検報告分析データを生成して点検報告分析データベースに格納する点検報告分析部と、前記点検報告分析データベースから読み出した前記機器属性情報と、前記機器運転情報と、前記点検情報を入力とし、前記点検報告分析データベースから読み出した前記推定故障原因と前記推定交換部品とを含む前記推定保守情報を出力とする教師データを生成して教師データデータベースに格納する教師データ生成部と、前記教師データデータベースに格納した前記教師データに基づいて推論モデルに学習を行わせて前記学習済推論モデルを生成して前記推論モデルデータベースに格納する推論モデル学習部と、現地作業者が作成した保守報告書から実故障原因と実交換部品とを含む保守報告データを読み出し、前記点検報告データベースから保守作業の対象機器の点検結果を読み出して前記保守報告データと合わせて保守点検報告データを生成して保守点検報告データベースに格納する保守点検報告データ生成部と、前記保守点検報告データベースから前記実交換部品を読み出し、読み出した前記実交換部品と前記学習済推論モデルが出力した前記交換部品とに基づいて前記学習済推論モデルの精度指標を算出する推論モデル精度判定部と、を備え、前記教師データ生成部は、前記推論モデル精度判定部が算出した前記精度指標が所定の閾値以下の場合には、前記点検報告分析データに基づいて前記教師データを更新して前記教師データデータベースに格納し、前記推論モデル学習部は、更新された前記教師データに基づいて前記推論モデルの再学習を行い、前記学習済推論モデルを更新して前記推論モデルデータベースに格納してもよい。

このように、学習済推論モデルの正解率を算出しておき、正解率が所定の閾値以下となった場合に、教師データを更新して更新した教師データを用いて再学習を行うことにより学習済推論モデルを更新するので、学習済推論モデルの正解率を高く保つことができ、精度よく故障原因と交換部品を特定することができる。

本開示の機器保守支援装置において、前記学習済推論モデルの前記精度指標は、前記学習済推論モデルの正解率であり、前記推論モデルデータベースは、前記学習済推論モデルの機器種別と、論理形式と、必要メモリ容量と、前記学習済推論モデルを用いて前記交換部品の推定を行った際の正解回数と、不正解回数と、正解率とを関連付けて格納し、前記推論モデル精度判定部は、前記保守点検報告データベースから読み出した前記実交換部品と前記推論モデルが出力した前記交換部品とが一致する場合には、前記学習済推論モデルの前記正解回数を１だけインクレメントし、一致しない場合には前記学習済推論モデルの前記不正解回数を１だけインクレメントして前記学習済推論モデルの前記正解率を算出してもよい。

このように、正解回数と不正解回数とをカウントし、これによって学習済推論モデルの正解率を算出するので、学習済推論モデルの正解率を的確に計測することができる。

本開示の機器保守支援装置において、前記推論モデルデータベースは、機器種別、論理形式、必要メモリ容量の組によって区分される複数の前記学習済推論モデルを格納し、前記推論モデルデータベースに格納された前記学習済推論モデルの前記論理形式、又は、ハードウェア構成に基づいて、複数の前記学習済推論モデルの中から１つの前記学習済推論モデルを選択するモデル選択部を備え、前記推論モデル学習部は、更新された前記教師データに基づいて前記モデル選択部が選択した前記学習済推論モデルの再学習を行い、前記学習済推論モデルを更新して前記推論モデルデータベースに格納してもよい。

これにより、論理形式の異なる学習済推論モデルを選択してそれぞれ再学習を行い、正解率を計測して精度の高い方の学習済推論モデルを用いるようにすることができる。また、論理形式の異なる学習済推論モデルを選択してそれぞれ再学習を行い、推論時間の短い学習済推論モデルを用いることができる。これにより、短時間で故障原因と交換部品とを特定できる。

本開示の機器保守支援装置において、前記点検報告分析データは、機器の設置場所、前記機器属性情報、点検年月日を含み、前記教師データ生成部は、前記点検報告分析データベースから前記点検報告分析データを読み出す際に、前記設置場所、前記機器属性情報、前記点検年月日に基づいて、前記教師データを生成する際に抽出する前記点検報告分析データを選択してもよい。

このように、推論対象の特性を示す教師データを選択することで交換部品の推定精度を高めることができる。

本開示の機器保守支援装置において、前記学習済推論モデルの前記精度指標は、前記学習済推論モデルの正解率であり、前記推論モデル精度判定部は、算出した前記学習済推論モデルの前記正解率が再学習禁止閾値よりも低い場合には、警報を発報し、前記教師データ生成部は、前記教師データの更新を行わず、前記推論モデル学習部は、前記学習済推論モデルの再学習を行わなくてもよい。

このように、正解率が再学習禁止閾値よりも低い場合には、推論モデルや学習パラメータを見直す必要があるので、警報を発報して再学習を禁止する。これにより、推論モデルの平均修理時間を短く抑えることができる。

本開示の機器保守支援装置において、前記推論モデル学習部は、前記演算部が、前記学習済推論モデルを用いて演算を実行している場合には、前記推論モデルデータベースの前記学習済推論モデルの更新を行わなくてもよい。

これにより、学習済推論モデルを用いて演算中に学習済推論モデルが更新されて想定していない交換部品が出力されることや、演算が中断されてしまうことを抑制できる。

本開示の機器保守支援装置において、前記点検報告データ取得部は、前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む前記機器運転情報と、前記点検情報とを含む点検報告データを読みだして点検報告データベースに格納し、前記点検報告データベースから前記機器属性情報と、前記機器運転情報と、前記点検情報とを読みだして、これらの情報に基づいて熟練者が入力した前記推定故障原因と前記推定交換部品と前記優先度ランクとを組み合わせて点検報告分析データを生成して点検報告分析データベースに格納する点検報告分析部と、前記点検報告分析データベースから読み出した前記機器属性情報と、前記機器運転情報と、前記点検情報を入力とし、前記点検報告分析データベースから読み出した前記推定故障原因と前記推定交換部品とを含む前記推定保守情報を出力とする教師データを生成して教師データデータベースに格納する教師データ生成部と、前記教師データデータベースに格納した前記教師データに基づいて推論モデルに学習を行わせて前記学習済推論モデルを生成して前記推論モデルデータベースに格納する推論モデル学習部と、を備え、過去に発生した故障の前記機器属性情報と、前記機器運転情報と、前記点検情報と、実故障原因と実交換部品とを含む保守情報と、を関連付けた過去故障データを複数格納する過去故障事例データベースと、前記機器属性情報と前記機器主要運転情報が前記点検報告データと一致する前記過去故障データを抽出して前記教師データ生成部に出力する過去故障事例抽出部と、を備え、前記教師データ生成部は、前記過去故障事例抽出部から入力された前記過去故障データの前記機器属性情報と、前記機器運転情報と、前記点検情報を入力とし、前記過去故障データの前記実故障原因と前記実交換部品とを含む前記保守情報を出力とする追加教師データを前記教師データデータベースに追加してもよい。

これにより、学習用の教師データを増やすことができ、学習済推論モデルの故障原因、交換部品の推定精度を高めることができる。

本開示の機器保守支援装置において、前記点検報告データ取得部は、前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む機器運転情報と、点検情報とを読みだし、前記機器属性情報と、前記機器運転情報と、前記点検情報と、前記演算部が前記特定ルールを用いて特定した前記故障原因と前記交換部品とを入力とし、付帯的交換部品を出力とする学習済付帯的交換部品推論モデルを格納した付帯的交換部品推論モデルデータベースを備え、前記演算部は、前記学習済付帯的交換部品推論モデルに前記点検報告データ取得部が読み出した前記機器属性情報と、前記機器運転情報と、前記点検情報と、前記演算部が前記特定ルールを用いて特定した前記故障原因と前記交換部品とを入力し、前記付帯的交換部品を出力してもよい。

このように、特定ルールによる故障原因の特定と学習済付帯的交換部品推論モデルによる付帯的交換部品の推定とを組み合わせることにより、場合によって交換されることがある付帯的交換部品を効果的に推定して表示することができ、現地作業者の作業、準備効率を向上させることができる。

本開示の機器保守支援装置において、前記点検報告データ取得部は、前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む前記機器運転情報と、前記点検情報とを含む点検報告データを読みだして点検報告データベースに格納し、前記点検報告データベースから前記機器属性情報と、前記機器運転情報と、前記点検情報とを読みだして、これらの情報に基づいて熟練者が入力した前記推定故障原因と前記推定交換部品と前記優先度ランクとを組み合わせて点検報告分析データを生成して点検報告分析データベースに格納する点検報告分析部と、前記点検報告分析データベースから読み出した前記機器属性情報と、前記機器運転情報と、前記点検情報と、前記推定故障原因と前記推定交換部品とを含む前記推定保守情報とを入力とし、前記点検報告分析データベースから読み出した情報組に基づいて熟練者が入力した付帯交換部品を出力とする付帯的交換部品教師データを生成して付帯的交換部品教師データデータベースに格納する付帯的交換部品教師データ生成部と、前記付帯的交換部品教師データデータベースに格納した前記付帯的交換部品教師データに基づいて付帯的交換部品推論モデルに学習を行わせて前記学習済付帯的交換部品推論モデルを生成して前記付帯的交換部品推論モデルデータベースに格納する付帯的交換部品推論モデル学習部と、を有してもよい。

これにより、効率的に付帯的交換部品の学習を行い、学習済付帯的交換部品推論モデルを生成することができる。

本開示の機器保守支援装置において、前記機器の点検マニュアル情報と図面情報とを含む機器構造情報データベースを含み、前記付帯的交換部品推論モデル学習部は、前記付帯的交換部品推論モデルに学習を行わせる際に、前記機器構造情報データベースから取得した前記点検マニュアル情報と前記図面情報とを参照してもよい。

これにより、学習済付帯的交換部品推論モデルの付帯的交換部品の推定精度を向上させることができる。

本開示の機器保守支援装置の動作方法は、情報処理を行うプロセッサを含み、ビルに設置される機器の故障時に、現地作業者が作成した点検報告書のデータに基づいて、故障原因と交換部品を提示する機器保守支援装置の動作方法であって、前記プロセッサは、前記点検報告書から機器属性情報と、機器主要運転情報とのデータを読み出し、前記機器属性情報と、前記機器主要運転情報と、推定故障原因と推定交換部品とを含む推定保守情報と、特定精度の高低を示す優先度ランクとを関連付けた特定ルールを複数生成し、前記点検報告書から読みだした前記機器属性情報と、前記機器主要運転情報との組み合わせが一致する前記特定ルールを選定し、選定した前記特定ルールの前記優先度ランクが所定のランク以上の場合に選定した前記特定ルールを用いて前記故障原因と前記交換部品とを特定して出力すること、を特徴とする。

本開示の機器保守支援装置の動作方法において、前記プロセッサは、前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む機器運転情報と、点検情報と含む点検報告データを読みだし、読み出した前記機器属性情報と、前記機器運転情報と、前記点検情報とに基づいて熟練者が入力した前記推定故障原因と前記推定交換部品と前記優先度ランクとを組み合わせて点検報告分析データを生成し、生成した前記点検報告分析データの中の前記機器属性情報と、前記機器主要運転情報と、前記推定故障原因と前記推定交換部品とを含む前記推定保守情報と、前記優先度ランクとを抽出し、これらを関連付けた前記特定ルールを生成してもよい。

本開示の機器保守支援装置の動作方法において、前記プロセッサは、現地作業者が作成した保守報告書から実故障原因と実交換部品とを含む保守報告データを読み出し、前記保守報告データの中の前記機器属性情報と、前記機器主要運転情報の組み合わせが一致する前記特定ルールを更新対象特定ルールとし、前記保守報告データの中の前記実交換部品と前記更新対象特定ルールの規定する前記推定交換部品との比較に基づいて、前記更新対象特定ルールの前記優先度ランクを更新してもよい。

本開示の機器保守支援装置の動作方法において、前記特定ルールの前記特定精度は、正解率によって規定され、前記特定ルールは、前記機器主要運転情報と、前記推定故障原因と前記推定交換部品とを含む前記推定保守情報と、前記優先度ランクと、正解回数と不正解回数と前記正解率とを含む特定ルール情報とを関連付けたものであり、前記プロセッサは、前記保守報告データの中の前記実交換部品が前記更新対象特定ルールの規定する前記推定交換部品と一致する場合には、前記正解回数を１だけインクレメントし、一致しない場合には、前記不正解回数を１だけインクレメントして前記更新対象特定ルールの前記正解率を算出し、前記正解率に応じて前記更新対象特定ルールの前記優先度ランクを更新してもよい。

本開示の機器保守支援装置の動作方法において、前記点検報告書から読み出した前記機器属性情報と、前記機器主要運転情報を含む機器運転情報と、点検情報とを入力とし、前記推定故障原因と前記推定交換部品を出力とする学習済推論モデルを準備し、前記プロセッサは、選定した前記特定ルールの前記優先度ランクが所定のランクよりも低い場合、又は、前記点検報告書から読みだした前記機器属性情報と、前記機器主要運転情報との組み合わせが一致する前記特定ルールがない場合には、前記学習済推論モデルに前記点検報告書から読み出した前記機器属性情報と、前記機器運転情報と、前記点検情報とを入力し、前記故障原因と前記交換部品とを出力してもよい。

本開示の機器保守支援装置の動作方法において、前記プロセッサは、前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む前記機器運転情報と、前記点検情報とを含む点検報告データを読みだし、前記機器属性情報と、前記機器運転情報と、前記点検情報とに基づいて熟練者が入力した前記推定故障原因と前記推定交換部品と前記優先度ランクとを組み合わせて点検報告分析データを生成し、生成した前記点検報告分析データの中の前記機器属性情報と、前記機器運転情報と、前記点検情報を入力とし、前記点検報告分析データの中の前記推定故障原因と前記推定交換部品とを含む前記推定保守情報を出力とする教師データを生成し、生成した前記教師データに基づいて推論モデルに学習を行わせて前記学習済推論モデルを生成し、現地作業者が作成した保守報告書から実故障原因と実交換部品とを含む保守報告データを読み出し、前記点検報告データから保守作業の対象機器の点検結果を読み出して前記保守報告データと合わせて保守点検報告データを生成し、生成した前記保守点検報告データの中の前記実交換部品と前記学習済推論モデルが出力した前記交換部品とに基づいて前記学習済推論モデルの精度指標を算出し、前記精度指標が所定の閾値以下の場合には、前記点検報告分析データに基づいて前記教師データを更新し、更新された前記教師データに基づいて前記推論モデルの再学習を行い、前記学習済推論モデルを更新してもよい。

本開示の機器保守支援装置の動作方法において、前記学習済推論モデルの前記精度指標は、前記学習済推論モデルの正解率であり、前記プロセッサは、前記学習済推論モデルの機器種別と、論理形式と、必要メモリ容量と、前記学習済推論モデルを用いて前記交換部品の推定を行った際の正解回数と、不正解回数と、正解率とを関連付けて格納し、前記保守点検報告データの中の前記実交換部品と前記推論モデルが出力した前記交換部品とが一致する場合には、前記学習済推論モデルの前記正解回数を１だけインクレメントし、一致しない場合には前記学習済推論モデルの前記不正解回数を１だけインクレメントして前記学習済推論モデルの前記正解率を算出してもよい。

本開示の機器保守支援装置の動作方法において、前記点検報告書から読み出した前記機器属性情報と、前記機器主要運転情報を含む機器運転情報と、点検情報と、前記特定ルールを用いて特定した前記故障原因と前記交換部品とを入力とし、付帯的交換部品を出力とする学習済付帯的交換部品推論モデルを準備し、前記プロセッサは、前記学習済付帯的交換部品推論モデルに前記機器属性情報と、前記機器運転情報と、前記点検情報と、前記特定ルールを用いて特定した前記故障原因と前記交換部品とを入力し、前記付帯的交換部品を出力してもよい。

本開示の機器保守支援装置の動作方法において、前記プロセッサは、前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む前記機器運転情報と、前記点検情報とを含む点検報告データを読みだし、読み出した前記機器属性情報と、前記機器運転情報と、前記点検情報とに基づいて熟練者が入力した前記推定故障原因と前記推定交換部品と前記優先度ランクとを組み合わせて点検報告分析データを生成し、生成した前記点検報告分析データの中の前記機器属性情報と、前記機器運転情報と、前記点検情報と、前記推定故障原因と前記推定交換部品とを含む前記推定保守情報とを入力とし、前記点検報告分析データの中の情報組に基づいて熟練者が入力した付帯的交換部品を出力とする付帯的交換部品教師データを生成し、前記付帯的交換部品教師データに基づいて付帯的交換部品推論モデルに学習を行わせて前記学習済付帯的交換部品推論モデルを生成してもよい。

本開示の機器保守支援装置の動作方法において、前記プロセッサは、前記付帯的交換部品推論モデルに学習を行わせる際に、前記機器の点検マニュアル情報と図面情報とを参照してもよい。

本開示は、様々な条件の下で精度よく故障原因や交換部品を特定して保守作業を効率化できる。

実施形態の機器保守支援装置の構成を示す機能ブロック図である。 図１に示す点検報告データベースに格納される点検報告データを示す図である。 図１に示す点検報告分析データベースに格納される点検報告分析データの生成を示す説明図である。 図１に示す点検報告分析データベースの構成を示す図である。 図１に示す点検報告分析データベースから特定ルールに抽出するデータを示す図である。 図１に示す特定ルールデータベースの構成を示す図である。 図１に示す教師データデータベースの構成を示す図である。 図１に示す推論モデルデータベースの構成を示す図である。 汎用コンピュータの構成を示す系統図である。 図１に示す実施形態の機器保守支援装置の特定ルールの生成動作を示すフローチャートである。 図１に示す実施形態の機器保守支援装置の学習済推論モデルの生成動作を示すフローチャートである。 図１に示す実施形態の機器保守支援装置の故障原因、交換部品の特定動作を示すフローチャートである。 他の実施形態の機器保守支援装置の機能ブロック図である。 他の実施形態の機器保守支援装置の機能ブロック図である。 他の実施形態の機器保守支援装置の構成を示す機能ロック図である。 図１５に示す実施形態の機器保守支援装置の保守報告データベースの構成を示す図である。 図１５に示す実施形態の機器保守支援装置の特定ルールデータベースの構成を示す図である。 図１５に示す実施形態の機器保守支援装置の特定ルールの優先度ランクの更新動作を示すフローチャートである。 他の実施形態の機器保守支援装置の機能ブロック図である。 図１９に示す実施形態の機器保守支援装置の保守点検報告データベースの構成を示す図である。 図１９に示す実施形態の機器保守支援装置の教師データデータベースの構成を示す図である。 図１９に示す実施形態の機器保守支援装置の推論モデルデータベースの構成を示す図である。 図１９に示す実施形態の機器保守支援装置の学習済推論モデルの更新動作を示すフローチャートである。 図２３に示すフローチャートの続きのフローチャートである。 他の実施形態の機器保守支援装置の構成を示す機能ブロック図である。 他の実施形態の機器保守支援装置の構成を示す機能ブロック図である。 図２６に示す実施形態の機器保守支援装置の過去故障事例データベースの構成を示す図である。 他の実施形態の機器保守支援装置の構成を示す機能ブロック図である。 他の実施形態の機器保守支援装置の構成を示す機能ブロック図である。 図２９に示す付帯的交換部品教師データデータベースの構成を示す図である。 図２９に示す機器保守支援装置の学習済付帯的交換部品推論モデルの生成動作を示すフローチャートである。 図２９に示す機器保守支援装置の特定ルールを用いた故障原因、交換部品の特定動作と、学習済付帯的交換部品推論モデルによる付帯的交換部品の推定動作とを示すフローチャートである。 図３２に示すフローチャートの続きである。

以下、図面を参照しながら実施形態の機器保守支援装置１００について説明する。図１に示すように、実施形態の機器保守支援装置１００は、点検報告データ取得部１０と、点検報告データベース１１と、点検報告分析部１２と、表示部１３と、入力部１４と、点検報告分析データベース１５と、特定ルール生成部１６と、特定ルールデータベース１７ａと、教師データ生成部２０と、教師データデータベース２１と、推論モデル学習部２２と、推論モデルデータベース２３ａと、演算部３１と、故障原因及び交換部品表示部３２の各機能ブロックを備えている。

点検報告データ取得部１０は、現地作業者８１が作成した図２に示すような点検報告書７１が入力され、入力された点検報告書７１から機器属性情報と、機器主要運転情報を含む機器運転情報と、点検情報と含む点検報告データを読みだして点検報告データベース１１に格納する。

図２に示すように、点検報告書７１は、建物名、住所、電話番号、点検年月日、点検時間、点検者、お客様への連絡事項、コール年月日、コール内容、エラーコード、発生状況、推定原因、処置内容、修理機器の型名、号機、製造番号、特記事項、機器、状況、原因、故障、処置、数量の各コードが記入されている書類である。点検報告書７１は、現地作業者８１が、例えば、タブレット端末等で作成し、インターネット回線等の通信回線を介して機器保守支援装置１００の点検報告データ取得部１０に入力されてもよいし、現地作業者８１が作成した紙の書面をサービスセンタにおいてスキャナ等で読み取って入力してもよい。

点検報告データ取得部１０は、点検報告書７１の各記載事項をテキストデータとして読み出し、図２に示すような点検報告データを生成する。点検報告データの生成に際し、点検報告データ取得部１０は、点検報告書７１の機器のコードに該当する機器種別を入力する。図２では空調機の機器種別を示す機器のコード“Ｆ”が記載されている。そのため、機器種別には“空調機”を入力する。そして、コール内容を機器運転情報の症状の欄に入力し、処置内容を点検結果の欄に入力する。これ以外の項目は、点検報告書７１の各項目に対応する欄に入力する。点検報告データは、コール年月日、建物名と住所とを含む設置場所、機器種別と機器型番と製造番号とを含む機器属性情報、症状とエラーコードと発生状況とを含む機器運転情報、点検年月日と点検時間と作業者と点検結果とを含む点検情報とを関連付けたデータセットである。また、点検報告データベース１１は、点検報告データを複数格納したデータベースである。

点検報告分析部１２は、点検報告データベース１１から機器属性情報と、機器主要運転情報を含む機器運転情報と、点検情報とを読みだして、これらの情報に基づいて熟練者８２が入力した推定故障原因と推定交換部品と優先度ランクとを組み合わせて図３に示す点検報告分析データを生成して点検報告分析データベース１５に格納する。

表示部１３は、点検報告データを熟練者８２に表示し、入力部１４は、熟練者８２が表示された点検報告データに基づいて推定故障原因と推定交換部品と優先度ランクとを入力する。表示部１３と、入力部１４とは、例えば、熟練者８２が携帯しているタッチパッドであって構成されてもよい。

図３、図４に示すように、点検報告分析データは、点検報告データのコール年月日と設置場所、機器属性情報、機器運転情報、点検情報に、これらの情報に基づいて熟練者８２が入力した推定故障原因と推定交換部品を推定保守情報とし、熟練者８２が入力した優先度ランクを特定ルール情報の優先度ランクとして関連付けたデータセットである。ここで、熟練者８２が入力した優先度ランクは、熟練者８２が入力した推定故障原因と推定交換部品の特定精度の高低のランクを示し、図３に示す例では、特定精度が高いものランクＡ、特定精度が低くなるにつれてランクＢ，Ｃが入力されている。

特定ルール生成部１６は、図５に示すように点検報告分析データベース１５から、点検報告分析データの中の機器種別と機器型番とを含む機器属性情報と、症状とエラーコードを含む機器主要運転情報と、推定故障原因と推定交換部品とを含む推定保守情報と、優先度ランクとを抽出し、図６に示すようにこれらを関連付けた特定ルールを生成し、特定ルールデータベース１７ａに格納する。ここで、特定ルール生成部１６は、点検報告分析テータ中の優先度ランクを特定ルールによって交換部品を推定する際の特定精度の高低を示す特定ルール情報として特定ルールを生成する。

教師データ生成部２０は、図７に示すように、点検報告分析データベース１５から読み出した機器種別と機器型番とを含む機器属性情報と、症状とエラーコードと発生状況とを含む機器運転情報と、点検情報を入力とし、点検報告分析データベース１５から読み出した推定故障原因と推定交換部品とを含む推定保守情報を出力とする教師データを生成して教師データデータベース２１に格納する。

推論モデル学習部２２は、教師データデータベース２１に格納した教師データに基づいて推論モデルに学習を行わせて学習済推論モデルを生成して推論モデルデータベース２３ａに格納する。推論モデルデータベース２３ａは、図８に示すように、機器種別、論理形式、必要メモリ容量の組によって区分される複数の学習済推論モデルを格納する。

演算部３１は、点検報告データ取得部１０が読みだした機器種別と機器型番とを含む機器属性情報と、症状とエラーコードを含む機器主要運転情報との組み合わせが一致する特定ルールを選定し、選定した特定ルールを用いて故障原因と交換部品とを特定して出力する。また、演算部３１は、学習済推論モデルに点検報告データ取得部１０が読みだした機器種別と機器型番とを含む機器属性情報と、症状とエラーコードと発生状況とを含む機器運転情報と、点検情報とを入力し、故障原因と交換部品とを出力する。

故障原因及び交換部品表示部３２は、演算部３１から入力された故障原因と交換部品を現地作業者８１に表示する。故障原因及び交換部品表示部３２は、例えば、現地作業者８１が携帯するタブレット端末であり、故障原因及び交換部品表示部３２は、インターネット等の通信回線を介して現地作業者８１が携帯するタブレット端末に故障原因と交換部品とを表示してもよい。

図１に示す各機能ブロックは、図９に示すような汎用コンピュータ１５０によって実現することができる。図９に示すように、汎用コンピュータ１５０は、情報処理を行うプロセッサであるＣＰＵ１５１と、情報処理の際にデータを一時的に記憶するＲＯＭ１５２、ＲＡＭ１５３と、プログラムやユーザのデータ等を格納するハードディスクドライブ（ＨＤＤ）１５４と、入力手段として設けられたマウス１５５と、キーボード１５６、ＵＳＢポート１５９及び表示装置として設けられたディスプレイ１５７を含んでいる。ＣＰＵ１５１とＲＯＭ１５２とＲＡＭ１５３とＨＤＤ１５４とはデータバス１６２によって接続されている。また、マウス１５５とキーボード１５６とディスプレイ１５７とは入出力コントローラ１５８を介してデータバス１６２に接続されている。また、データバス１６２には通信手段として設けられたネットワークコントローラ１６０が接続されている。

図１に示す点検報告データ取得部１０、点検報告分析部１２、特定ルール生成部１６、教師データ生成部２０、推論モデル学習部２２、演算部３１は、図９に示す汎用コンピュータ１５０のハードウェアとＣＰＵ１５１で動作するプログラムとの協調動作により実現される。点検報告データベース１１、点検報告分析データベース１５、特定ルールデータベース１７ａ、教師データデータベース２１、推論モデルデータベース２３ａは、図９に示す汎用コンピュータ１５０のＨＤＤ１５４にそれぞれデータを格納することにより実現される。なお、ＨＤＤ１５４に代えて、外部の記憶手段をネットワーク経由で利用することによって実現してもよい。また、表示部１３、入力部１４、点検報告データ取得部１０の中の点検報告書７１の入力を行う部分、故障原因及び交換部品表示部３２は、熟練者８２、現地作業者８１が携帯するタッチパッドで構成してもよい。また、表示部１３、入力部１４を図９に示すディスプレイ１５７、マウス１５５とキーボード１５６で構成してもよい。また、点検報告データ取得部１０の中の点検報告書７１の入力を行う部分を図９に示すＵＳＢポート１５９に接続した入力機器、或いは点検報告書７１のデータを記録した記憶装置で構成してもよい。更に、故障原因及び交換部品表示部３２を図９に示すディスプレイ１５７で構成してもよい。

次に図１０～図１２を参照しながら実施形態の機器保守支援装置１００の動作について説明する。最初に図１０を参照しながら特定ルールの生成動作について説明する。

図１０のステップＳ１０１に示すように、点検報告データ取得部１０は、現地作業者８１が作成した点検報告書７１のデータを取得する。点検報告データ取得部１０は、先に説明したように、現地作業者８１がタブレット端末等で作成した点検報告書７１のデータをインターネット回線等の通信回線を介して取得してもよい。

次に、図１０のステップＳ１０２に示すように、点検報告データ取得部１０は、図２に示すように点検報告書７１の各欄の記載事項をテキストデータとして読み出す。そして、点検報告データ取得部１０は、図２に示すように、コール年月日、建物名と住所とを含む設置場所、機器種別と機器型番と製造番号とを含む機器属性情報、症状とエラーコードと発生状況とを含む機器運転情報、点検年月日と点検時間と作業者と点検結果とを含む点検情報とを関連付けたデータセットである点検報告データを生成する。そして、点検報告データ取得部１０は、生成した点検報告テータを点検報告データベース１１に格納する。

図１０のステップＳ１０３に示すように、点検報告分析部１２は、点検報告データベース１１から点検報告データを読み出して表示部１３に表示する。ここで、表示部１３は熟練者８２の携帯するタッチパッドでもよい。

図１０のステップＳ１０４に示すように、熟練者８２は、表示部１３に表示された点検報告データを確認し、機器の故障原因と交換部品とを予測し、入力部１４から推定故障原因と推定交換部品とを入力する。また、熟練者８２は、推定故障原因と推定交換部品とを入力する際に、その推定故障原因と推定交換部品の推定精度の高低のランクを示す優先度ランクを入力する。

図１０のステップＳ１０５、図３に示すように、点検報告分析部１２は、点検報告データと熟練者８２の入力した推定故障原因と推定交換部品と優先度ランクとを関連付けたデータセットである点検報告分析データを生成し、図４に示すように点検報告分析データベース１５に格納する。

図１０のステップＳ１０６、図５に示すように、特定ルール生成部１６は、点検報告分析データベース１５から点検報告分析データを取得し、点検報告分析データの中の機器種別と機器型番とを含む機器属性情報と、症状とエラーコードを含む機器主要運転情報と、推定故障原因と推定交換部品とを含む推定保守情報と、優先度ランクとを抽出し、図６に示すようにこれらを関連付けた特定ルールを生成し、特定ルールデータベース１７ａに格納する。

次に図１１を参照しながら学習済推論モデルの生成動作について説明する。先に説明した図１０のステップＳ１０１，Ｓ１０２と同様、図１１のステップＳ２０１，Ｓ２０２において、点検報告データ取得部１０は、点検報告書７１のデータを取得し、点検報告書７１の記載事項を読み出して点検報告データを生成して点検報告データベース１１に格納する。次に図１０のステップＳ１０３～Ｓ１０５と同様、図１１のステップＳ２０３～Ｓ２０５で点検報告分析部１２は点検報告データを表示部１３に表示し、熟練者８２が入力した推定故障原因と推定交換部品と優先度ランクとを合わせて点検報告分析データを生成して点検報告分析データベース１５に格納する。

図１１のステップＳ２０６、図７に示すように、教師データ生成部２０は、点検報告分析データベース１５から読み出した機器種別と機器型番とを含む機器属性情報と、症状とエラーコードと発生状況とを含む機器運転情報と、点検情報を入力とし、点検報告分析データベース１５から読み出した推定故障原因と推定交換部品とを含む推定保守情報を出力とする教師データを生成して教師データデータベース２１に格納する。

図１１のステップＳ２０７に示すように、推論モデル学習部２２は、教師データデータベース２１から教師データを読み出し、読みだした教師データで推論モデルを学習させて学習済推論モデルとする。

推論モデル学習部２２は、推論の対象となる機器の機器種別、論理形式毎に複数の推論モデルを格納している。例えば、図８に示すように、対象機器が空調機で、論理形式がロジスティック回帰、ニューラルネットワーク、或いは、決定木の推論モデルを格納している。各推論モデルは、実行させる際に必要なメモリ容量等が決まっている。そこで、推論モデル学習部２２は、教師データデータベース２１から読み出した教師データに含まれる機器種別に基づいて、推論モデルを選択する。例えば、図７に示すように、教師データに含まれる機器種別が空調機の場合には、対象機器が空調機の推論モデルを選択する。そして、今までの学習実績、或いは、機器保守支援装置１００のハードウェアの構成などに基づいて、学習に最適な推論モデルを選択する。

そして、推論モデル学習部２２は、選択した推論モデルに教師データの機器種別と、機器型番と、症状と、エラーコードと、発生状況と、点検情報とを入力し、推論モデルから故障原因と交換部品を出力させる。そして、推論モデルが出力した故障原因と交換部品と教師データ中の推定故障原因と推定交換部品とを比較して、両者が一致するように、推論モデルの中の複数のパラメータを変化させる。そして、両者が略一致するようになったら推定モデルの学習を終了し、学習済推定モデルとする。

そして、図１１のステップＳ２０８で推論モデル学習部２２は、学習済推論モデルを図８に示すように、学習済推論モデルを機器種別、論理形式、必要メモリ容量の組によってして推論モデルデータベース２３ａに格納する。

次に図１２を参照しながら、機器保守支援装置１００によって点検報告書７１のデータに基づいて、故障原因、交換部品を特定して表示する動作について説明する。

図１２のステップＳ３０１に示すように、演算部３１は、点検報告データベース１１から点検報告データを読みだす。そして、図１２のステップＳ３０２に進んで、読み出した点検報告データの機器種別、機器型番、症状、エラーコードの組み合わせが特定ルールの一つと一致するかどうか判断する。

例えば、演算部３１が図３に示す点検報告データを読みだした場合、読み出した点検報告データの機器種別、機器型番、症状、エラーコードの組み合わせは、空調機、ＡＢＣ０１、異常停止、１２３４の組である。図６に示す特定ルールデータベース１７ａを参照すると、Ｎｏ．１の特定ルールは、機器種別、機器型番、症状、エラーコードの組み合わせが空調機、ＡＢＣ０１、異常停止、１２３４と一致とする。この場合、演算部３１は、図１２のステップＳ３０２でＹＥＳと判断して図１２のステップＳ３０３に進む。

そして、図１２のステップＳ３０３で演算部３１は、機器種別、機器型番、症状、エラーコードの組み合わせが一致するＮｏ．１の特定ルールを選択して図１２のステップＳ３０４に進む。

図１０２のステップＳ３０４で演算部３１は、選定した特定ルールの優先度ランクが所定のランク以上かどうか判断する。ここで、所定のランクは自由に定めることができ、例えば、所定のランクをＢとすると選定した特定ルールの優先度ランクがＡ又はＢの場合には、演算部３１は、図１２のステップＳ３０４でＹＥＳと判断する。先の例のように、Ｎｏ．１の特定ルールを選定した場合には、優先度ランクはＡであるから、演算部３１は図１２のステップＳ３０４でＹＥＳと判断する。一方、図６に示すＮｏ．５の特定ルールを選択した場合には、演算部３１は、図１２のステップＳ３０４でＮＯと判断する。

演算部３１は、図１２のステップＳ３０４でＹＥＳと判断した場合には、図１２のステップＳ３０５に進んで選定した特定ルールによって故障原因と交換部品とを特定し、故障原因及び交換部品表示部３２に表示する。

一方、演算部３１は、図１２のステップＳ３０２でＮＯと判断した場合、或いは、図１２のステップＳ３０４でＮＯと判断した場合には、図１２のステップＳ３０６に進んで推論モデルデータベース２３ａから学習済推論モデルを読み出す。この際、演算部３１は、対象機器が点検報告データから読みだした機器種別と一致する学習済推論モデルを選択して選択した学習済推論モデルを読み出してもよい。また、演算部３１は、点検報告データから読みだした機器種別と、機器保守支援装置１００のハードウェア構成に基づいて学習済推論モデルを選択し、選択した学習済推論モデルを読み出してもよい。

そして、演算部３１は、図１２のステップＳ３０７で学習済推論モデルに読み出した点検報告データの機器種別、機器型番、症状、エラーコード、発生状況、点検結果を入力し、学習済推論モデルから故障路原因と交換部品を出力させる。そして、出力した故障原因、交換部品を故障原因及び交換部品表示部３２に表示する。

以上説明した実施形態の機器保守支援装置１００は、点検報告データの機器属性情報と、機器運転情報と、点検情報とに基づいて熟練者８２が推定故障原因と推定交換部品と優先度ランクとを入力して特定ルールを生成するので、特定ルールを熟練者８２の経験を反映させたものとできる。そして、優先度ランクが所定のランク以上の場合に選定した特定ルールを用いて故障原因と交換部品とを特定するので、故障原因と交換部品とを精度よく特定できる。

また、特定ルールの優先度ランクが所定のランクよりも低い場合、又は、機器属性情報と、機器主要運転情報との組み合わせが一致する特定ルールがない場合には、学習済推論モデルを用いて故障原因と交換部品とを出力するので、適当な特定ルールがない場合でも故障原因と交換部品とを精度よく推定できる。

このように、実施形態の機器保守支援装置１００は、様々な条件の下で精度よく故障原因や交換部品を特定して保守作業の効率化を図ることができる。

また、学習済推論モデルは、点検報告データの機器種別、機器型番、症状、エラーコード、発生状況、点検結果を入力し、複数の故障路原因と複数の交換部品と各故障原因と各交換部品の予測確率とを出力してもよい。ここで、予測確率は、学習の際に複数の教師データを入力して推論を実行した際に教師データの規定する故障原因と交換部品とを出力する確率でもよい。この際、演算部３１は、予測確率の高い故障原因と交換部品を抽出し、故障原因及び交換部品表示部３２に表示させてもよい。また、予測確率の高い複数の故障原因と交換部品を抽出して故障原因及び交換部品表示部３２に表示させてもよい。これにより、現地作業者８１が容易に交換部品の判断を行うことができる。

以上の説明では、演算部３１が点検報告データから読みだした機器種別、機器保守支援装置１００のハードウェア構成に基づいて読み出す学習済推論モデルを選択することとして説明したが、これに限らない。

例えば、図１３に示す機器保守支援装置２００のように、点検報告データから読み出した機器種別、又は、機器保守支援装置２００のハードウェア構成に基づいて、複数の学習済推論モデルの中から１つの学習済推論モデルを選択するモデル選択部２４ａを備え、演算部３１は、モデル選択部２４ａが選択した学習済推論モデルを用いて故障原因と交換部品とを演算するように構成してもよい。

また、図１４に示す機器保守支援装置３００のように、機器保守支援装置３００の装置管理者の入力に基づいて学習済推論モデルを選択するモデル選択部２４ｂを備えるように構成してもよい。

次に図１５から図１８を参照しながら他の実施形態の機器保守支援装置４００について説明する。先に、図１から図９を参照して説明した機器保守支援装置１００と同様の部位には、同様の符号を付して説明は省略する。

図１５に示す機器保守支援装置４００は、図１から図９を参照して説明した機器保守支援装置１００に、保守報告データ取得部４１、保守報告データベース４２、優先度更新部４３を追加した構成である。その他の機能ブロックは、先に説明した機器保守支援装置１００を構成する各機能ブロックと同一であるから説明は、省略する。

保守報告データ取得部４１は、現地作業者８１の作成した保守報告書７２から実故障原因と実交換部品とを含む保守報告データを読み出し、保守報告データベース４２に格納する。

保守報告書７２は、現地作業者８１が現地で機器の部品交換等の保守作業を行った後に作成する書類で、実際の故障原因と実際に交換した部品等が記入されている書類である。図１６に示すように、保守報告書７２は、建物名、住所、電話番号、作業年月日、作業時間、作業者、お客様への連絡事項、コール年月日、コール内容、エラーコード、発生状況、原因、処置内容、修理機器の型名、号機、製造番号、特記事項、機器、状況、原因、故障、処置、数量の各コードが記入されている書類である。保守報告書７２は、現地作業者８１が、例えば、タブレット端末等で作成し、インターネット回線等の通信回線を介して機器保守支援装置１００の点検報告データ取得部１０に入力されてもよいし、現地作業者８１が作成した紙の書面をサービスセンタにおいてスキャナ等で読み取って入力してもよい。

保守報告データ取得部４１は、保守報告書７２の各記載事項をテキストデータとして読み出し、図１６に示すような保守報告データを生成する。保守報告データの生成に際し、保守報告データ取得部４１は、保守報告書７２の機器のコードＦから機器種別に空調機を入力し、コール内容を機器運転情報の症状の欄に入力し、原因の記載内容を実故障原因の欄に入力し、処置内容を実交換部品の欄に入力する。これ以外の項目は、保守報告書７２の各項目に対応する欄に入力する。保守報告データは、コール年月日、建物名と住所とを含む設置場所、機器種別と機器型番と製造番号とを含む機器属性情報、症状とエラーコードと発生状況とを含む機器運転情報、作業年月日と作業時間と作業者と実故障原因と実交換部品と保含む保守情報とを関連付けたデータセットである。また、保守報告データベース４２は、保守報告データを複数格納したデータベースである。

優先度更新部４３は、保守報告データベース４２から読み出した実交換部品と特定ルールの規定する推定交換部品との比較に基づいて、特定ルールデータベース１７ｂの優先度ランクを更新する。

図１７に示すように、機器保守支援装置４００の特定ルールデータベース１７ｂが格納する複数の特定ルールは、図６を参照して説明した機器保守支援装置１００の特定ルールデータベース１７ａが格納する特定ルールの特定ルール情報にその特定ルールを用いて特定した交換部品と現地作業者８１が実際に現地で交換した実交換部品とが一致する正解回数と、一致しない不正解回数と、正解回数と不正解回数との合計回数に対する正解回数の割合である正解率とを関連付けたデータセットである。正解率は、特定ルールの特定精度を規定する指標である。

優先度更新部４３は、その特定ルールを用いて特定した交換部品と現地作業者８１が実際に現地で交換した実交換部品に一致する場合には正解回数を１だけインクレメントし、一致しない場合には不正解回数を１だけインクレメントして正解率を算出し、正解率に応じて優先度ランクを更新する。

次に図１８を参照しながら、特定ルールの優先度ランクを更新する動作について説明する。

図１８のステップＳ４０１に示すように、保守報告データ取得部４１は、保守報告書７２のデータを取得し、図１８のステップＳ４０２、図１６に示すように、保守報告書７２の各欄の記載事項 をテキストデータとして読み出し、保守報告データを作成し、保守報告データベース４２に格納する。

図１８のステップＳ４０３に示すように、優先度更新部４３は、保守報告データベース４２から保守報告データを読みだす。そして、優先度更新部４３は、図１８のステップＳ４０４で、読み出した保守報告データの機器種別、機器型番、症状、エラーコードの組み合わせと一致する機器種別、機器型番、症状、エラーコードの組み合わせを含む特定ルールがあるかどうかを判断する。

図１８のステップＳ４０４でＹＥＳと判断した場合には、図１８のステップＳ４０５に進んで、優先度更新部４３は読み出した保守報告データの機器種別、機器型番、症状、エラーコードの組み合わせと一致する機器種別、機器型番、症状、エラーコードの組み合わせを含む特定ルールを更新対象特定ルールとする。

そして、図１８のステップＳ４０６に進んで、更新対象特定ルールに規定されている推定交換部品と保守報告データに規定されている実交換部品とが一致するかどうか判断する。そして、推定交換部品と実交換部品とが一致する場合には、図１８のステップＳ４０７に進んで更新対象特定ルールの正解回数を１だけインクレメントして図１８のステップＳ４０８に進む。

そして、優先度更新部４３は、図１８のステップＳ４０８に進んで更新対象特定ルールの正解率を算出し、図１８のステップＳ４０９に進んで正解率に基づいて更新対象特定ルールの優先度ランクを更新する。

一方、図１８のステップＳ４０６でＮＯと判断した場合には、図１８のステップＳ４１０に進んで、更新対象特定ルールの不正解回数を１だけインクレメントする。そして、優先度更新部４３は、図１８のステップＳ４１１に進んで、更新対象特定ルールの機器種別、機器型番、症状、エラーコードと実際の故障原因と実際に交換した部品により１つの特定ルールを生成して特定ルールデータベース１７ｂに登録する。例えば、図１７に示すＮｏ．６の特定ルールが更新対象特定ルールで、推定故障原因が温度センサ異常、推定交換部品が温度センサの場合に、実故障原因がリモコン異常で実際の交換部品がリモコンの場合、優先度更新部４３は、Ｎｏ．６の特定ルールの推定故障原因、推定交換部品を実故障原因、実交換部品に置き換えたＮｏ．１００の特定ルールを生成し、特定ルールデータベース１７ｂに追加する。

そして、優先度更新部４３は、図１８のステップＳ４０８に進んで更新対象特定ルールの正解率を算出し、図１８のステップＳ４０９において、正解率に基づいて優先度ランクを更新する。

また、優先度更新部４３は、図１８のステップＳ１０４でＮＯと判断した場合には、更新対象特定ルールがないと判断して特定ルールの更新動作を終了する。

優先度ランクの更新は、いろいろな方法をとることができるが、例えば、優先度ランクごとに正解率の範囲を定めておき、その範囲を越えたに優先度ランクを更新するようにしてもよい。例えば、優先度ランクのＡは、正解率が８０％以上、Ｂは正解率が７０％以上８０％未満、Ｃは正解率が６０％以上７０％未満、Ｄは正解率が５０％以上６０％未満、Ｅは正解率が５０％未満のように規定しておき、正解率が７９％から８１％に上がった場合には、優先度ランクをＢからＡに更新し、正解率が７１％から６８％に下がった場合には、優先度ランクをＢからＣ゜に下げ、各ランクの正解率の範囲内で正解率が変動した場合には、優先度ランクを更新しないようにしてもよい。

以上説明した実施形態の機器保守支援装置４００は、保守報告データに規定されている実交換部品と更新対象特定ルールの規定する推定交換部品とが一致する場合に更新対象特定ルールの正解回数を１だけインクレメント、一致しない場合には、不正解回数を１だけインクレメントする学習動作によって更新対象特定ルールの優先度ランクを更新するので、特定ルールの推定精度を向上させることができる。

また、優先度更新部４３は、保守報告データに規定されている実交換部品と更新対象特定ルールの規定する推定交換部品とが一致しない場合に、更新対象特定ルールの推定故障原因、推定交換部品を実故障原因、実交換部品に置き換えた新たな特定ルールを生成し、特定ルールデータベース１７ｂに追加する。これにより、特定ルールの適用範囲を広げることでき、様々な条件の下で精度よく故障原因や交換部品を特定して保守作業の効率化を図ることができる。

尚、以上の説明では、特定ルールの特定精度は、正解率で規定されることとして説明したが、これに限らず、正解に近い結果を近似正解として近似正解率で規定してもよし、他の指標で規定してもよい。

次に、図１９から図２４を参照しながら他の実施形態の機器保守支援装置５００について説明する。先に図１から図９、図１５から図１８を参照して説明した機器保守支援装置１００、４００と同一の機能ブロックには同一の符号を付して説明は省略する。

図１９に示すように、機器保守支援装置５００は、図１から図９を参照して説明した機器保守支援装置１００に、保守点検報告データ生成部４４と、保守点検報告データベース４５と、推論モデル精度判定部４６とを追加した構成である。

保守点検報告データ生成部４４は、現地作業者８１の作成する保守報告書７２から実故障原因と実交換部品とを含む保守報告データを読み出し、点検報告データベース１１から保守作業の対象機器の点検結果を読み出して保守報告データと合わせて保守点検報告データを生成して保守点検報告データベース４５に格納する。

保守点検報告データ生成部４４は、先に図１５から１８を参照して説明した機器保守支援装置４００の保守報告データ取得部４１と同様、保守報告書７２の各記載事項を図１６に示すような保守報告データとして読み出す。また、保守点検報告データ生成部４４は、点検報告データベース１１から設置場所、機器属性情報等を読み出して保守報告書７２に記載されている保守作業の対象機器を特定し、その対象機器の点検結果を読みだす。そして、保守報告データに点検結果を合わせて図２０に示すような保守点検報告データを生成して保守点検報告データベース４５に格納する。

推論モデル精度判定部４６は、保守点検報告データベース４５から実交換部品を読み出し、読み出した実交換部品と学習済推論モデルが出力した交換部品とに基づいて学習済推論モデルの精度指標を算出する。以下の説明では、精度指標は、学習済推論モデルを用いて交換部品の推定を行った際の正解率として説明する。

ここで、図２２に示すように、機器保守支援装置５００の推論モデルデータベース２３ｂは、学習済推論モデルの機器種別と、論理形式と、必要メモリ容量と、学習済推論モデルを用いて交換部品の推定を行った際の正解回数と、不正解回数と、正解率とを関連付けて格納したものである。そして、推論モデル精度判定部４６は、保守点検報告データベース４５から読み出した実交換部品と推論モデルが出力した交換部品とが一致する場合には、学習済推論モデルの正解回数を１だけインクレメントし、一致しない場合には学習済推論モデルの不正解回数を１だけインクレメントして学習済推論モデルの正解率を算出する。

教師データ生成部２０は、推論モデル精度判定部４６が算出した正解率が所定の閾値以下の場合には、点検報告分析データに基づいて教師データを更新して教師データデータベース２１に格納し、推論モデル学習部２２は、更新された教師データに基づいて推論モデルの再学習を行い、学習済推論モデルを更新して推論モデルデータベース２３ｂに格納する。ここで、所定の閾値は自由に設定することができ、例えば、９０％としてもよいし、７０％としてもよい。

次に、図２３，２４を参照しながら、機器保守支援装置５００の動作について説明する。

図２３のステップＳ５０１に示すように、保守点検報告データ生成部４４は、保守報告書７２のデータを取得する。そして、保守点検報告データ生成部４４は、図２３のステップＳ５０２で、保守報告書７２の各記載事項から図１６に示すような保守報告データを読みだす。また、保守点検報告データ生成部４４は、点検報告データベース１１から保守報告書７２に記載されている保守作業の対象機器を特定し、その対象機器の点検結果を読みだす。そして、保守報告データに点検結果を合わせて図２０に示すような保守点検報告データを生成して保守点検報告データベース４５に格納する。

図２３のステップＳ５０３に示すように、推論モデル精度判定部４６は、演算部３１から使用した学習済推論モデルの番号、学習済推論モデルに入力した入力データ、学習済推論モデルが算出した故障原因と交換部品とを取得する。そして、推論モデル精度判定部４６は、図２３のステップＳ５０４で保守点検報告データベース４５の中から、機器種別、機器型番、症状、エラーコード、発生状況、点検結果が、学習済推論モデルに入力した入力データと一致する保守点検報告データを抽出する。

そして、推論モデル精度判定部４６は、図２３のステップＳ５０５で抽出した保守点検報告データの中から図２０に示すように実故障原因、実交換部品を抽出して図２３のステップＳ５０６に進む。

図２３のステップＳ５０６において、推論モデル精度判定部４６は、学習済推論モデルが算出した故障原因と交換部品とは、保守点検報告データから抽出した実故障原因と実交換部品と一致するかを判断する。

そして、推論モデル精度判定部４６は、図２３のステップＳ５０６でＹＥＳと判断した場合には、図２３のステップＳ５０７に進んで、図２２に示す学習推論モデルの正解回数を１だけインクレメントする。

そして、推論モデル精度判定部４６は、図２４のステップＳ５０８に進んで学習済推論モデルの正解率を算出し、図２４のステップＳ５０９に進んで、正解率が所定値以下かどうかを判断する。

図２４のステップＳ５０９でＹＥＳと判断した場合には、図２４のステップＳ５１０において、教師データ生成部２０は、点検報告分析データベース１５から点検報告分析データを再取得し、機種種別、機種型番、症状、エラーコード、発生状況、点検結果、推定故障原因、推定交換部品の欄を抽出して、機種種別、機種型番、症状、エラーコード、発生状況、点検結果を入力とし、推定故障原因、推定交換部品を出力とする教師データを生成して教師データデータベース２１に追加して教師データを更新する。

そして、図２４のステップＳ５１１において、推論モデル学習部２２は、教師データデータベース２１から更新した教師データを読み出し、読み出した更新した教師データで推論モデルを学習させて、学習済推論モデルを更新する。そして、図２４のステップＳ５１２で推論モデル学習部２２は、更新した学習済推論モデルを推論モデルデータベース２３ｂに格納する。

また、図２３のステップＳ５０６でＮＯと判断した場合には、推論モデル精度判定部４６は図２３のステップＳ５１３に進み、学習済推論モデルの不正解回数を１だけインクレメントして図２３のステップＳ５１４に進む。

図２３のステップＳ５１４で推論モデル精度判定部４６は、実際に交換した部品に基づいて教師データを修正、追加する。例えば、図２１に示すように、Ｎｏ．６の教師データを学習済推論モデルに入力した際に出力される故障原因と交換部品とが図７に示す教師データＮｏ．６の推定故障原因、推定交換部品の温度センサ異常、温度センサであり、実故障原因がリモコン異常で実交換部品がリモコンの場合、図２１に破線で囲むように、図７に示すＮｏ．６の教師データの推定故障原因と推定交換部品とを実故障原因と実交換部品とに入れ替えてＮｏ．６の教師データを修正し、教師データを更新する。

そして、図２３のステップＳ５０６でＹＥＳと判断した場合と同様、図２４のステップＳ５０８で学習済推論モデルの正解率を算出し、正解率が所定値以下の場合には、図２４のステップＳ５１０で教師データを更新し、図２４のステップＳ５１１で推論モデルを再学習させて学習済推論モデルを更新し、図２４のステップＳ５１２で更新した学習済推論モデルを推論モデルデータベース２３ｂに格納する。

以上説明したように、機器保守支援装置５００は、学習済推論モデルの正解回数と不正解回数とをカウントし、これによって学習済推論モデルの正解率を算出するので、学習済推論モデルの正解率を的確に計測することができる。

そして、機器保守支援装置５００は、算出した学習済推論モデルの正解率が所定の閾値以下となった場合に、教師データを更新し、更新した教師データを用いて再学習を行うことにより学習済推論モデルを更新するので、学習済推論モデルの正解率を高く保つことができ、精度よく故障原因と交換部品を特定することができる。

尚、以上の説明では、学習済推論モデルの精度指標として正解率を用いることとして説明したが、これに限らず、正解に近い結果を近似正解として近似正解率を用いてもよいし、他の指標を用いてもよい。

以上説明した機器保守支援装置５００では、学習済推論モデルの正解率が所定の閾値以下となった場合に学習済推論モデルを更新することとして説明したがこれに限らない。例えば、推論モデル精度判定部４６は、算出した学習済推論モデルの正解率が再学習禁止閾値よりも低い場合には、警報を発報し、教師データ生成部２０は、教師データの更新を行わず、推論モデル学習部２２は、学習済推論モデルの再学習を行わないように構成してもよい。ここで、再学習禁止閾値は、自由に設定することができ、例えば、６０％に設定してもよいし、５０％に設定してもよい。

このように、正解率が再学習禁止閾値よりも低い場合には、推論モデルや学習パラメータを見直す必要があるので、警報を発報して再学習を禁止する。これにより、推論モデルの平均修理時間を短く抑えることができる。

また、推論モデル学習部２２は、演算部３１が、学習済推論モデルを用いて演算を実行している場合には、推論モデルデータベース２３ｂの学習済推論モデルの更新を行わないように構成してもよい。

これにより、学習済推論モデルを用いて演算中に学習済推論モデルが更新されて想定していない交換部品が出力されることや、演算が中断されてしまうことを抑制できる。

また、点検報告分析データは、機器の設置場所、機器属性情報、点検年月日を含み、教師データ生成部２０は、点検報告分析データベース１５から点検報告分析データを読み出す際に、設置場所、機器属性情報、点検年月日に基づいて、教師データを生成する際に抽出する点検報告分析データを選択してもよい。

このように、推論対象の特性を示す教師データを選択することで交換部品の推定精度を高めることができる。

更に、図２５に示す機器保守支援装置６００に示すように、推論モデルデータベース２３ｂに格納された学習済推論モデルの論理形式、又は、機器保守支援装置６００のハードウェア構成に基づいて、複数の学習済推論モデルの中から１つの学習済推論モデルを選択するモデル選択部２４ｃを備え、推論モデル学習部２２は、更新された教師データに基づいてモデル選択部２４ｃが選択した学習済推論モデルの再学習を行い、学習済推論モデルを更新して推論モデルデータベース２３ｂに格納してもよい。

これにより、論理形式の異なる学習済推論モデルを選択してそれぞれ再学習を行い、正解率を計測して精度の高い方の学習済推論モデルを用いるようにすることができる。また、論理形式の異なる学習済推論モデルを選択してそれぞれ再学習を行い、推論時間の短い学習済推論モデルを用いることができる。これにより、短時間で故障原因と交換部品とを特定できる。

次に図２６、図２７を参照しながら実施形態の機器保守支援装置７００について説明する。先に図１から図９を参照して説明した機器保守支援装置１００と同一の機能ブロックには同一の符号を付して説明は省略する。

図２６に示すように、実施形態の機器保守支援装置７００は、先に図１から図９を参照して説明した機器保守支援装置１００に過去故障事例抽出部５１と、過去故障事例データベース５２を追加したものである。

過去故障事例データベース５２は、図２７に示すように、過去に発生した故障の機器種別と機器型番とを含む機器属性情報と、症状とエラーコードと発生状況を含む機器運転情報と、点検結果を含む点検情報と、実故障原因と実交換部品とを含む保守情報と、を関連付けた過去故障データを複数格納している。

過去故障事例抽出部５１は、図２７に示すように、機器属性情報と、症状とエラーコードを含む機器主要運転情報が点検報告データと一致する過去故障データを抽出して教師データ生成部２０に出力する。教師データ生成部２０は、過去故障事例抽出部５１から入力された過去故障データの機器属性情報と、機器運転情報と、点検情報を入力とし、過去故障データの実故障原因と実交換部品とを含む保守情報を出力とする追加教師データを教師データデータベース２１に追加する。

推論モデル学習部２２は、追加教師データが追加された教師データを用いて推論モデルの学習を行なわせて学習済推論モデルとし、推論モデルデータベース２３ａに格納する。

これにより、機器保守支援装置７００は、点検報告分析データベース１５に格納している点検報告分析データの数が少ない場合でも、教師データの数を増やすことができ、学習済推論モデルの故障原因、交換部品の推定精度を高めることができる。

次に図２８を参照しながら実施形態の機器保守支援装置８００について説明する。先に図１から図９、図１５から図１８を参照して説明した機器保守支援装置１００，４００と同一の機能ブロックには同一の符号を付して説明は省略する。

図２８に示すように、機器保守支援装置８００は、図１５から図１８を参照して説明した機器保守支援装置４００の教師データ生成部２０と教師データデータベース２１と、推論モデルデータベース２３ａを有さず、特定ルールによって故障原因と交換部品とを特定する。特定ルールを用いて故障原因と交換部品とを特定する動作と、特定ルールの優先度ランクを更新する動作は、機器保守支援装置４００と同一である。

機器保守支援装置８００は、簡便な構成で故障原因と交換部品の特定とを行うことができる。

次に、図２９から図３３を参照しながら、実施形態の機器保守支援装置９００について説明する。先に図１から図９を参照して説明した機器保守支援装置１００と同一の機能ブロックには同一の符号を付して説明は省略する。

図２９に示すように、機器保守支援装置９００は、図１から９を参照して説明した機器保守支援装置１００に、付帯的交換部品教師データ生成部９１と、付帯的交換部品教師データデータベース９２と、機器構造情報データベース９３と、付帯的交換部品推論モデル学習部９４と、付帯的交換部品推論モデルデータベース９５と、表示／入力部１４ａとを追加した装置である。

機器保守支援装置９００は、演算部３１が特定ルールを用いて故障原因と交換部品とを特定し、学習済付帯的交換部品推論モデルを用いて特定した交換部品の交換を行う際に付帯的に交換する付帯的交換部品の推定を行い、故障原因、交換部品ともに、付帯的交換部品を故障原因及び交換部品表示部３２に表示する。

付帯的交換部品教師データ生成部９１は、図５に示す点検報告分析データベース１５から読み出した機器属性情報と、機器運転情報と、点検情報と、推定故障原因と推定交換部品とを含む推定保守情報とを入力とし、点検報告分析データベース１５から読み出した情報組に基づいて熟練者８２が図２９に示す表示／入力部１４ａから入力した付帯交換部品を出力とする図３０に示すような付帯的交換部品教師データを生成して付帯的交換部品教師データデータベース９２に格納する。

図３０に示す付帯的交換部品教師データデータベース９２において、網掛けとなっている「機器種別、機器型番、症状、エラーコード、推定故障原因、推定交換部品」の各セルは、図６に示す特定ルールデータベースの「機器種別、機器型番、症状、エラーコード、推定故障原因、推定交換部品」と同一のデータとなっている。

付帯的交換部品推論モデル学習部９４は、付帯的交換部品教師データデータベース９２に格納した付帯的交換部品教師データに基づいて付帯的交換部品推論モデルに学習を行わせて学習済付帯的交換部品推論モデルを生成して付帯的交換部品推論モデルデータベース９５に格納する。

機器構造情報データベースは、機器種別、機器型番などの機器属性情報と、各機器の図面情報、点検マニュアル情報とを関連付けて格納したデータベースである。

機器保守支援装置９００の付帯的交換部品教師データ生成部９１と、付帯的交換部品推論モデル学習部９４と、表示／入力部１４ａとは、図９に示す汎用コンピュータ１５０のハードウェアとＣＰＵ１５１で動作するプログラムの協調動作により実現される。また、付帯的交換部品教師データデータベース９２と、機器構造情報データベース９３と、付帯的交換部品推論モデルデータベース９５は、図９に示す汎用コンピュータ１５０のＨＤＤ１５４にそれぞれデータを格納することにより実現される。

次に図３１～３２を参照しながら、機器保守支援装置９００の動作について説明する。最初に図３１を参照しながら学習済付帯的交換部品推論モデルの生成動作について説明する。

図３１のステップＳ６０１に示すように、付帯的交換部品教師データ生成部９１は、図５に示す点検報告分析データベース１５から点検報告分析データを取得し、機器種別、機器型番を含む機器属性情報、症状、エラーコード、発生状況を含む機器運転情報と、点検結果を含む点検情報と、推定故障原因、推定交換部品を含む推定保守情報の欄を抽出する。そして、抽出したこれらの情報を表示／入力部１４ａに表示する。熟練者８２は、表示されたこれらの情報組に基づいて 、表示／入力部１４ａから推定交換部品の交換を実行する際に付帯的に交換される付帯的交換部品を入力する。

ここで、付帯的交換部品とは、推定交換部品を交換する際に付帯的に交換する部品や雑部品等である。例えば、冷媒の交換を行う際に付帯的に交換が必要となる配管フランジガスケットや、ボルト等である。また、圧縮機を交換する際に付帯的に交換する冷媒ガス等である。付帯的交換部品は、交換される場合と交換の必要がない場合がある部品である。

付帯的交換部品教師データ生成部９１は、抽出した各情報と、付帯的交換部品とを関連付けて、「機器種別、機器型番、症状、エラーコード、発生状況、点検結果、推定故障原因、推定交換部品」を入力とし、「付帯的交換部品」を出力とする付帯的交換部品教師データベースを生成して付帯的交換部品教師データデータベース９２に格納する。

図３１のステップＳ６０２に示すように、付帯的交換部品推論モデル学習部９４は、図３０に示す付帯的交換部品教師データデータベース９２から付帯的交換部品教師データを読み出すとともに、機器構造情報データベース９３から機器の点検マニュアル情報、図面情報等のデータを取得し、これらに基づいて付帯的交換部品推論モデルを学習させて、学習済付帯的交換部品推論モデルとする。

付帯的交換部品推論モデル学習部９４は、付帯的交換部品推論モデルの学習を終了したら、図３１のステップＳ６０３に進んで付帯的交換部品推論モデルを学習済付帯的交換部品推論モデルとして付帯的交換部品推論モデルデータベース９５に格納する。

次に図３２～図３３を参照しながら、付帯的交換部品推論動作について説明する。図３２において、先に図１２を参照して説明した機器保守支援装置１００の
故障原因、交換部品の特定動作と同様のステップには、同一の符号を付して説明は省略する。

図３２のステップＳ３０１～ステップＳ３０４に示すように、演算部３１は、点検報告データベース１１から点検報告データを読みだし、特定ルールを選定し、選定した特定ルールの優先度ランクが所定ランク以上の場合には、図３２のステップＳ７０１に進んで、選定した特定ルールに基づいて故障原因、交換部品を特定し、図３２のステップＳ７０２進む。

演算部３１は、図３２のステップＳ７０２で付帯的交換部品推論モデルデータベース９５から学習済付帯的交換部品推論モデルを読み出し、図３２のステップＳ７０３に進む。

演算部３１は、図３２のステップＳ７０３において、図３２のステップＳ３０１で読み出した点検報告データの「機器種別、機器型番、症状、エラーコード、発生状況、点検結果」と、図３２のステップＳ７０１において選定した特定ルールによって特定した「故障原因、交換部品」を学習済付帯的交換部品推定モデルに入力する。先に説明したように、図３０に示す付帯的交換部品教師データの網掛けとなっている「機器種別、機器型番、症状、エラーコード、推定故障原因、推定交換部品」の各セルは、図６に示す特定ルールデータベースの「機器種別、機器型番、症状、エラーコード、推定故障原因、推定交換部品」と同一のデータとなっている。このため、特定ルールを用いて特定した故障原因、交換部品は、付帯的交換部品教師データの推定故障原因、推定交換部品と同一となる。従って、図３０に示す付帯的交換部品教師データの「推定故障原因」と「推定交換部品」とを特定ルールを用いて特定した故障原因、交換部品としても、付帯的交換部品教師データの入力データと同一の構成の入力データとなる。従って図３２のステップＳ３０１で読み出した点検報告データの「機器種別、機器型番、症状、エラーコード、発生状況、点検結果」と、図３２のステップＳ７０１において選定した特定ルールによって特定した「故障原因、交換部品」を学習済付帯的交換部品推定モデルに入力することにより、「付帯的交換部品」を出力させることができる。

演算部３１は、図３２のステップＳ７０３で付帯的交換部品を出力させたら、図３２のステップＳ７０４に進んで、特定ルールで特定した故障原因、交換部品と学習済付帯的交換部品推論モデルが出力した付帯的交換部品を故障原因及び交換部品表示部３２に表示する。

尚、演算部３１は、図３２のステップＳ３０２又はステップＳ３０４でＮＯと判断した場合には、先に図１２を参照して説明した機器保守支援装置１００と同様、図３３のステップＳ３０６、Ｓ３０７に進んで、推論モデルを用いて故障原因、交換部品を出力させて、故障原因及び交換部品表示部３２に表示する。

以上、説明した機器保守支援装置９００は、特定ルールによる故障原因の特定と学習済付帯的交換部品推論モデルによる付帯的交換部品の推定とを組み合わせることにより、場合によって交換されることがある付帯的交換部品を効果的に推定して表示することができ、現地作業者の作業、準備効率を向上させることができる。

以上の説明では、機器保守支援装置１００、２００、３００、４００、５００、６００、７００、８００、９００は、汎用コンピュータ１５０のハードウェアによって実現される各機能ブロックを備え、各機能ブロックが動作することで故障原因、交換部品の特定を行うこととして説明したが、以下に示すような保守支援方法を実行できれば、他の機能ブロックで装置を構成してもよい。

実施形態の保守支援方法は、ビルに設置される機器の故障時に、現地作業者８１が作成した点検報告書７１のデータに基づいて、故障原因と交換部品を提示する保守支援方法であって、点検報告書７１から機器属性情報と、機器主要運転情報とのデータを読み出し、機器属性情報と、機器主要運転情報と、推定故障原因と推定交換部品とを含む推定保守情報と、特定精度の高低を示す優先度ランクとを関連付けた特定ルールを複数生成し、点検報告書７１から読みだした機器属性情報と、機器主要運転情報との組み合わせが一致する特定ルールを選定し、特定ルールの優先度ランクが所定のランク以上の場合に選定した特定ルールを用いて故障原因と交換部品とを特定して出力すること、を特徴とする。

実施形態の保守支援方法において、点検報告書７１から機器属性情報と、機器主要運転情報を含む機器運転情報と、点検情報と含む点検報告データを読みだし、読み出した機器属性情報と、機器運転情報と、点検情報とに基づいて熟練者８２が入力した推定故障原因と推定交換部品と優先度ランクとを組み合わせて点検報告分析データを生成し、生成した点検報告分析データの中の機器属性情報と、機器主要運転情報と、推定故障原因と推定交換部品とを含む推定保守情報と、優先度ランクとを抽出し、これらを関連付けた特定ルールを生成してもよい。

実施形態の保守支援方法において、現地作業者８１が作成した保守報告書７２から実故障原因と実交換部品とを含む保守報告データを読み出し、保守報告データの中の実交換部品と特定ルールの規定する推定交換部品との比較に基づいて、特定ルールの優先度ランクを更新してもよい。

実施形態の保守支援方法において、特定ルールの特定精度は、正解率によって規定され、特定ルールは、機器主要運転情報と、推定故障原因と推定交換部品とを含む推定保守情報と、優先度ランクと、正解回数と不正解回数と正解率とを含む特定ルール情報とを関連付けたものであり、
優先度ランクの更新は、保守報告データの中の機器属性情報と、機器主要運転情報の組み合わせが一致する特定ルールを更新対象特定ルールとし、保守報告データの中の実交換部品が更新対象特定ルールの規定する推定交換部品と一致する場合には、正解回数を１だけインクレメントし、一致しない場合には、不正解回数を１だけインクレメントして更新対象特定ルールの正解率を算出し、正解率に応じて更新対象特定ルールの優先度ランクを更新してもよい。

実施形態の保守支援方法において、点検報告書７１から読み出した機器属性情報と、機器主要運転情報を含む機器運転情報と、点検情報とを入力とし、推定故障原因と推定交換部品を出力とする学習済推論モデルを準備し、選定した特定ルールの優先度ランクが所定のランクよりも低い場合、又は、点検報告書７１から読みだした機器属性情報と、機器主要運転情報との組み合わせが一致する特定ルールがない場合には、学習済推論モデルに点検報告書７１から読み出した機器属性情報と、機器運転情報と、点検情報とを入力し、故障原因と交換部品とを出力してもよい。

実施形態の保守支援方法において、点検報告書７１から機器属性情報と、機器主要運転情報を含む機器運転情報と、点検情報とを含む点検報告データを読みだし、機器属性情報と、機器運転情報と、点検情報とに基づいて熟練者８２が入力した推定故障原因と推定交換部品と優先度ランクとを組み合わせて点検報告分析データを生成し、生成した点検報告分析データの中の機器属性情報と、機器運転情報と、点検情報を入力とし、点検報告分析データの中の推定故障原因と推定交換部品とを含む推定保守情報を出力とする教師データを生成し、生成した教師データに基づいて推論モデルに学習を行わせて学習済推論モデルを生成し、現地作業者８１が作成した保守報告書７２から実故障原因と実交換部品とを含む保守報告データを読み出し、点検報告データから保守作業の対象機器の点検結果を読み出して保守報告データと合わせて保守点検報告データを生成し、生成した保守点検報告データの中の実交換部品と学習済推論モデルが出力した交換部品とに基づいて学習済推論モデルの精度指標を算出し、精度指標が所定の閾値以下の場合には、点検報告分析データに基づいて教師データを更新し、更新された教師データに基づいて推論モデルの再学習を行い、学習済推論モデルを更新してもよい。

実施形態の保守支援方において、学習済推論モデルの精度指標は、学習済推論モデルの正解率であり、学習済推論モデルの機器種別と、論理形式と、必要メモリ容量と、学習済推論モデルを用いて交換部品の推定を行った際の正解回数と、不正解回数と、正解率とを関連付けて格納し、保守点検報告データの中の実交換部品と推論モデルが出力した交換部品とが一致する場合には、学習済推論モデルの正解回数を１だけインクレメントし、一致しない場合には学習済推論モデルの不正解回数を１だけインクレメントして学習済推論モデルの正解率を算出してもよい。

実施形態の保守支援方法において、点検報告書７１から読み出した機器属性情報と、機器主要運転情報を含む機器運転情報と、点検情報と、特定ルールを用いて特定した故障原因と交換部品とを入力とし、付帯的交換部品を出力とする学習済付帯的交換部品推論モデルを準備し、学習済付帯的交換部品推論モデルに機器属性情報と、機器運転情報と、点検情報と、特定ルールを用いて特定した故障原因と交換部品とを入力し、付帯的交換部品を出力してもよい。

実施形態の保守支援方法において、点検報告書７１から機器属性情報と、機器主要運転情報を含む機器運転情報と、点検情報とを含む点検報告データを読みだし、読み出した機器属性情報と、機器運転情報と、点検情報とに基づいて熟練者８２が入力した推定故障原因と推定交換部品と優先度ランクとを組み合わせて点検報告分析データを生成し、生成した点検報告分析データの中の機器属性情報と、機器運転情報と、点検情報と、推定故障原因と推定交換部品とを含む推定保守情報とを入力とし、点検報告分析データの中の情報組に基づいて熟練者８２が入力した付帯的交換部品を出力とする付帯的交換部品教師データを生成し、付帯的交換部品教師データに基づいて付帯的交換部品推論モデルに学習を行わせて学習済付帯的交換部品推論モデルを生成してもよい。

実施形態の保守支援方法において、前記付帯的交換部品推論モデルに学習を行わせる際に、前記機器の点検マニュアル情報と図面情報とを参照してもよい。

１０ 点検報告データ取得部、１１ 点検報告データベース、１２ 点検報告分析部、１３ 表示部、１４ 入力部、１４ａ 表示／入力部、１５ 点検報告分析データベース、１６ 特定ルール生成部、１７ａ，１７ｂ 特定ルールデータベース、２０ 教師データ生成部、２１ 教師データデータベース、２２ 推論モデル学習部、２３ａ，２３ｂ 推論モデルデータベース、２４ａ，２４ｂ，２４ｃ モデル選択部、３１ 演算部、３２ 故障原因及び交換部品表示部、４１ 保守報告データ取得部、４２ 保守報告データベース、４３ 優先度更新部、４４ 保守点検報告データ生成部、４５ 保守点検報告データベース、４６ 推論モデル精度判定部、５１ 過去故障事例抽出部、５２ 過去故障事例データベース、７１ 点検報告書、７２ 保守報告書、８１ 現地作業者、８２ 熟練者、９１ 付帯的交換部品教師データ生成部、９２ 付帯的交換部品教師データデータベース、９３ 機器構造情報データベース、９４ 付帯的交換部品推論モデル学習部、９５ 付帯的交換部品推論モデルデータベース、１００，２００，３００，４００，５００，６００，７００，８００，９００ 機器保守支援装置、１５０ 汎用コンピュータ、１５１ ＣＰＵ、１５１ ＣＰＵ、１５２ ＲＯＭ、１５３ ＲＡＭ、１５４ ＨＤＤ １５５ マウス、１５６ キーボード、１５７ ディスプレイ、１５８ 入出力コントローラ、１５９ ＵＳＢポート、１６０ ネットワークコントローラ、１６２ データバス。

Claims (28)

1. ビルに設置される機器の故障時に、現地作業者が作成した点検報告書のデータに基づいて、故障原因と交換部品を提示する機器保守支援装置であって、
   前記点検報告書から機器属性情報と、機器主要運転情報とのデータを読み出す点検報告データ取得部と、
   前記機器属性情報と、前記機器主要運転情報と、推定故障原因と推定交換部品とを含む推定保守情報と、優先度ランクとを関連付けた特定ルールを複数格納した特定ルールデータベースと、
   前記点検報告データ取得部が読みだした前記機器属性情報と、前記機器主要運転情報との組み合わせが一致する前記特定ルールを選定し、選定した前記特定ルールを用いて前記故障原因と前記交換部品とを特定して出力する演算部とを含み、
   前記優先度ランクは、前記特定ルールの特定精度の高低を示し、
   前記演算部は、選定した前記特定ルールの前記優先度ランクが所定のランク以上の場合に選定した前記特定ルールを用いて前記故障原因と前記交換部品とを特定すること、
   を特徴とする機器保守支援装置。
2. 請求項１に記載の機器保守支援装置であって、
   前記点検報告データ取得部は、前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む機器運転情報と、点検情報と含む点検報告データを読みだして点検報告データベースに格納し、
   前記点検報告データベースから前記機器属性情報と、前記機器主要運転情報を含む前記機器運転情報と、前記点検情報とを読みだして、これらの情報に基づいて熟練者が入力した前記推定故障原因と前記推定交換部品と前記優先度ランクとを組み合わせて点検報告分析データを生成して点検報告分析データベースに格納する点検報告分析部と、
   前記点検報告分析データベースから、前記点検報告分析データの中の前記機器属性情報と、前記機器主要運転情報と、前記推定故障原因と前記推定交換部品とを含む前記推定保守情報と、前記優先度ランクとを抽出し、これらを関連付けた前記特定ルールを生成し、前記特定ルールデータベースに格納する特定ルール生成部と、を備えること、
   を特徴とする機器保守支援装置。
3. 請求項１または２に記載の機器保守支援装置であって、
   現地作業者が作成した保守報告書から実故障原因と実交換部品とを含む保守報告データを読み出し、保守報告データベースに格納する保守報告データ取得部と、
   前記保守報告データベースから前記機器属性情報と、前記機器主要運転情報とを読み出し、その組み合わせが一致する前記特定ルールを更新対象特定ルールとし、前記保守報告データベースから読み出した前記実交換部品と前記更新対象特定ルールの規定する前記推定交換部品との比較に基づいて、前記特定ルールデータベースの前記更新対象特定ルールの前記優先度ランクを更新する優先度更新部と、を備えること、
   を特徴とする機器保守支援装置。
4. 請求項３に記載の機器保守支援装置であって、
   前記特定ルールの前記特定精度は、正解率によって規定され、
   前記特定ルールは、前記機器主要運転情報と、前記推定故障原因と前記推定交換部品とを含む前記推定保守情報と、前記優先度ランクと、正解回数と不正解回数と前記正解率とを含む特定ルール情報とを関連付けたものであり、
   前記優先度更新部は、
   前記保守報告データベースから前記実交換部品を読み出し、読み出した前記実交換部品が前記更新対象特定ルールの規定する前記推定交換部品と一致する場合には、前記正解回数を１だけインクレメントし、一致しない場合には、前記不正解回数を１だけインクレメントして前記更新対象特定ルールの前記正解率を算出し、
   前記正解率に応じて前記更新対象特定ルールの前記優先度ランクを更新して、前記特定ルールデータベースに格納すること、
   を特徴とする機器保守支援装置。
5. 請求項４に記載の機器保守支援装置であって、
   前記優先度更新部は、
   前記保守報告データベースから前記実交換部品を読み出し、読み出した前記実交換部品が前記更新対象特定ルールの規定する前記推定交換部品と一致しない場合には、前記保守報告データベースから読み出した前記機器属性情報と、前記機器主要運転情報と、前記保守報告データベースから読み出した前記実故障原因と、前記実交換部品と、前記優先度ランクと、前記正解回数と、前記不正解回数と、前記正解率とを関連付けた新たな前記特定ルールを前記特定ルールデータベースに格納すること、
   を特徴とする機器保守支援装置。
6. 請求項１から５のいずれか１項に記載の機器保守支援装置であって、
   前記点検報告データ取得部は、前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む機器運転情報と、点検情報とを読みだし、
   前記機器属性情報と、前記機器運転情報と、前記点検情報とを入力とし、前記推定故障原因と前記推定交換部品を出力とする学習済推論モデルを格納した推論モデルデータベースを備え、
   前記演算部は、選定した前記特定ルールの前記優先度ランクが所定のランクよりも低い場合、又は、前記点検報告データ取得部が読みだした前記機器属性情報と、前記機器主要運転情報との組み合わせが一致する前記特定ルールがない場合には、前記学習済推論モデルに前記点検報告データ取得部が読みだした前記機器属性情報と、前記機器運転情報と、前記点検情報とを入力し、前記故障原因と前記交換部品とを出力すること、
   を特徴とする機器保守支援装置。
7. 請求項６に記載の機器保守支援装置であって、
   前記演算部は、前記学習済推論モデルを用いて複数の前記故障原因と複数の前記交換部品と、各前記故障原因と各前記交換部品の予測確率とを演算し、
   前記予測確率の高い前記故障原因と前記交換部品を抽出して出力すること、
   を特徴とする機器保守支援装置。
8. 請求項６又は７に記載の機器保守支援装置であって、
   前記推論モデルデータベースは、機器種別、論理形式、必要メモリ容量の組によって区分される複数の前記学習済推論モデルを格納し、
   前記点検報告書から読みだした前記機器属性情報、又は、ハードウェア構成に基づいて、複数の前記学習済推論モデルの中から１つの前記学習済推論モデルを選択するモデル選択部を備え、
   前記演算部は、前記モデル選択部が選択した前記学習済推論モデルを用いて前記故障原因と前記交換部品とを演算すること、
   を特徴とする機器保守支援装置。
9. 請求項６又は７に記載の機器保守支援装置であって、
   前記点検報告データ取得部は、前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む前記機器運転情報と、前記点検情報とを含む点検報告データを読みだして点検報告データベースに格納し、
   前記点検報告データベースから前記機器属性情報と、前記機器運転情報と、前記点検情報とを読みだして、これらの情報に基づいて熟練者が入力した前記推定故障原因と前記推定交換部品と前記優先度ランクとを組み合わせて点検報告分析データを生成して点検報告分析データベースに格納する点検報告分析部と、
   前記点検報告分析データベースから読み出した前記機器属性情報と、前記機器運転情報と、前記点検情報を入力とし、前記点検報告分析データベースから読み出した前記推定故障原因と前記推定交換部品とを含む前記推定保守情報を出力とする教師データを生成して教師データデータベースに格納する教師データ生成部と、
   前記教師データデータベースに格納した前記教師データに基づいて推論モデルに学習を行わせて前記学習済推論モデルを生成して前記推論モデルデータベースに格納する推論モデル学習部と、
   現地作業者が作成した保守報告書から実故障原因と実交換部品とを含む保守報告データを読み出し、前記点検報告データベースから保守作業の対象機器の点検結果を読み出して前記保守報告データと合わせて保守点検報告データを生成して保守点検報告データベースに格納する保守点検報告データ生成部と、
   前記保守点検報告データベースから前記実交換部品を読み出し、読み出した前記実交換部品と前記学習済推論モデルが出力した前記交換部品とに基づいて前記学習済推論モデルの精度指標を算出する推論モデル精度判定部と、を備え、
   前記教師データ生成部は、前記推論モデル精度判定部が算出した前記精度指標が所定の閾値以下の場合には、前記点検報告分析データに基づいて前記教師データを更新して前記教師データデータベースに格納し、
   前記推論モデル学習部は、更新された前記教師データに基づいて前記推論モデルの再学習を行い、前記学習済推論モデルを更新して前記推論モデルデータベースに格納すること、
   を有することを特徴とする機器保守支援装置。
10. 請求項９に記載の機器保守支援装置であって、
    前記学習済推論モデルの前記精度指標は、前記学習済推論モデルの正解率であり、
    前記推論モデルデータベースは、前記学習済推論モデルの機器種別と、論理形式と、必要メモリ容量と、前記学習済推論モデルを用いて前記交換部品の推定を行った際の正解回数と、不正解回数と、正解率とを関連付けて格納し、
    前記推論モデル精度判定部は、
    前記保守点検報告データベースから読み出した前記実交換部品と前記推論モデルが出力した前記交換部品とが一致する場合には、前記学習済推論モデルの前記正解回数を１だけインクレメントし、一致しない場合には前記学習済推論モデルの前記不正解回数を１だけインクレメントして前記学習済推論モデルの前記正解率を算出すること、
    を特徴とする機器保守支援装置。
11. 請求項９または１０に記載の機器保守支援装置であって、
    前記推論モデルデータベースは、機器種別、論理形式、必要メモリ容量の組によって区分される複数の前記学習済推論モデルを格納し、
    前記推論モデルデータベースに格納された前記学習済推論モデルの前記論理形式、又は、ハードウェア構成に基づいて、複数の前記学習済推論モデルの中から１つの前記学習済推論モデルを選択するモデル選択部を備え、
    前記推論モデル学習部は、更新された前記教師データに基づいて前記モデル選択部が選択した前記学習済推論モデルの再学習を行い、前記学習済推論モデルを更新して前記推論モデルデータベースに格納すること、
    を有することを特徴とする機器保守支援装置。
12. 請求項９から１１のいずれか１項に記載の機器保守支援装置であって、
    前記点検報告分析データは、前記機器の設置場所、前記機器属性情報、点検年月日を含み、
    前記教師データ生成部は、前記点検報告分析データベースから前記点検報告分析データを読み出す際に、前記設置場所、前記機器属性情報、前記点検年月日に基づいて、前記教師データを生成する際に抽出する前記点検報告分析データを選択すること、
    を特徴とする機器保守支援装置。
13. 請求項９から１２のいずれか１項に記載の機器保守支援装置であって、
    前記学習済推論モデルの前記精度指標は、前記学習済推論モデルの正解率であり、
    前記推論モデル精度判定部は、算出した前記学習済推論モデルの前記正解率が再学習禁止閾値よりも低い場合には、警報を発報し、
    前記教師データ生成部は、前記教師データの更新を行わず、
    前記推論モデル学習部は、前記学習済推論モデルの再学習を行わないこと、
    を特徴とする機器保守支援装置。
14. 請求項９から１３のいずれか１項に記載に機器保守支援装置であって、
    前記推論モデル学習部は、前記演算部が、前記学習済推論モデルを用いて演算を実行している場合には、前記推論モデルデータベースの前記学習済推論モデルの更新を行わないこと、
    を特徴とする機器保守支援装置。
15. 請求項６又は７に記載の機器保守支援装置であって、
    前記点検報告データ取得部は、前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む前記機器運転情報と、前記点検情報とを含む点検報告データを読みだして点検報告データベースに格納し、
    前記点検報告データベースから前記機器属性情報と、前記機器運転情報と、前記点検情報とを読みだして、これらの情報に基づいて熟練者が入力した前記推定故障原因と前記推定交換部品と前記優先度ランクとを組み合わせて点検報告分析データを生成して点検報告分析データベースに格納する点検報告分析部と、
    前記点検報告分析データベースから読み出した前記機器属性情報と、前記機器運転情報と、前記点検情報を入力とし、前記点検報告分析データベースから読み出した前記推定故障原因と前記推定交換部品とを含む前記推定保守情報を出力とする教師データを生成して教師データデータベースに格納する教師データ生成部と、
    前記教師データデータベースに格納した前記教師データに基づいて推論モデルに学習を行わせて前記学習済推論モデルを生成して前記推論モデルデータベースに格納する推論モデル学習部と、を備え、
    過去に発生した故障の前記機器属性情報と、前記機器運転情報と、前記点検情報と、実故障原因と実交換部品とを含む保守情報と、を関連付けた過去故障データを複数格納する過去故障事例データベースと、
    前記機器属性情報と前記機器主要運転情報が前記点検報告データと一致する前記過去故障データを抽出して前記教師データ生成部に出力する過去故障事例抽出部と、を備え、
    前記教師データ生成部は、前記過去故障事例抽出部から入力された前記過去故障データの前記機器属性情報と、前記機器運転情報と、前記点検情報を入力とし、前記過去故障データの前記実故障原因と前記実交換部品とを含む前記保守情報を出力とする追加教師データを前記教師データデータベースに追加すること、
    を特徴とする機器保守支援装置。
16. 請求項１から５のいずれか１項に記載の機器保守支援装置であって、
    前記点検報告データ取得部は、前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む機器運転情報と、点検情報とを読みだし、
    前記機器属性情報と、前記機器運転情報と、前記点検情報と、前記演算部が前記特定ルールを用いて特定した前記故障原因と前記交換部品とを入力とし、付帯的交換部品を出力とする学習済付帯的交換部品推論モデルを格納した付帯的交換部品推論モデルデータベースを備え、
    前記演算部は、前記学習済付帯的交換部品推論モデルに前記点検報告データ取得部が読み出した前記機器属性情報と、前記機器運転情報と、前記点検情報と、前記演算部が前記特定ルールを用いて特定した前記故障原因と前記交換部品とを入力し、前記付帯的交換部品を出力すること、
    を特徴とする機器保守支援装置。
17. 請求項１６に記載の機器保守支援装置であって、
    前記点検報告データ取得部は、前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む前記機器運転情報と、前記点検情報とを含む点検報告データを読みだして点検報告データベースに格納し、
    前記点検報告データベースから前記機器属性情報と、前記機器運転情報と、前記点検情報とを読みだして、これらの情報に基づいて熟練者が入力した前記推定故障原因と前記推定交換部品と前記優先度ランクとを組み合わせて点検報告分析データを生成して点検報告分析データベースに格納する点検報告分析部と、
    前記点検報告分析データベースから読み出した前記機器属性情報と、前記機器運転情報と、前記点検情報と、前記推定故障原因と前記推定交換部品とを含む前記推定保守情報とを入力とし、前記点検報告分析データベースから読み出した情報組に基づいて熟練者が入力した付帯的交換部品を出力とする付帯的交換部品教師データを生成して付帯的交換部品教師データデータベースに格納する付帯的交換部品教師データ生成部と、
    前記付帯的交換部品教師データデータベースに格納した前記付帯的交換部品教師データに基づいて付帯的交換部品推論モデルに学習を行わせて前記学習済付帯的交換部品推論モデルを生成して前記付帯的交換部品推論モデルデータベースに格納する付帯的交換部品推論モデル学習部と、
    を有することを特徴とする機器保守支援装置。
18. 請求項１７に記載の機器保守支援装置であって、
    前記機器の点検マニュアル情報と図面情報とを含む機器構造情報データベースを含み、
    前記付帯的交換部品推論モデル学習部は、前記付帯的交換部品推論モデルに学習を行わせる際に、前記機器構造情報データベースから取得した前記点検マニュアル情報と前記図面情報とを参照すること、
    を特徴とする機器保守支援装置。
19. 情報処理を行うプロセッサを含み、ビルに設置される機器の故障時に、現地作業者が作成した点検報告書のデータに基づいて、故障原因と交換部品を提示する機器保守支援装置の動作方法であって、
    前記プロセッサは、
    前記点検報告書から機器属性情報と、機器主要運転情報とのデータを読み出し、
    前記機器属性情報と、前記機器主要運転情報と、推定故障原因と推定交換部品とを含む推定保守情報と、特定精度の高低を示す優先度ランクとを関連付けた特定ルールを複数生成し、
    前記点検報告書から読みだした前記機器属性情報と、前記機器主要運転情報との組み合わせが一致する前記特定ルールを選定し、
    選定した前記特定ルールの前記優先度ランクが所定のランク以上の場合に選定した前記特定ルールを用いて前記故障原因と前記交換部品とを特定して出力すること、
    を特徴とする機器保守支援装置の動作方法。
20. 請求項１９に記載の機器保守支援装置の動作方法であって、
    前記プロセッサは、
    前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む機器運転情報と、点検情報と含む点検報告データを読みだし、
    読み出した前記機器属性情報と、前記機器運転情報と、前記点検情報とに基づいて熟練者が入力した前記推定故障原因と前記推定交換部品と前記優先度ランクとを組み合わせて点検報告分析データを生成し、
    生成した前記点検報告分析データの中の前記機器属性情報と、前記機器主要運転情報と、前記推定故障原因と前記推定交換部品とを含む前記推定保守情報と、前記優先度ランクとを抽出し、これらを関連付けた前記特定ルールを生成すること、
    を特徴とする機器保守支援装置の動作方法。
21. 請求項１９または２０に記載の機器保守支援装置の動作方法であって、
    前記プロセッサは、
    現地作業者が作成した保守報告書から実故障原因と実交換部品とを含む保守報告データを読み出し、
    前記保守報告データの中の前記機器属性情報と、前記機器主要運転情報の組み合わせが一致する前記特定ルールを更新対象特定ルールとし、前記保守報告データの中の前記実交換部品と前記更新対象特定ルールの規定する前記推定交換部品との比較に基づいて、前記更新対象特定ルールの前記優先度ランクを更新すること、
    を特徴とする機器保守支援装置の動作方法。
22. 請求項２１に記載の機器保守支援装置の動作方法であって、
    前記特定ルールの前記特定精度は、正解率によって規定され、
    前記特定ルールは、前記機器主要運転情報と、前記推定故障原因と前記推定交換部品とを含む前記推定保守情報と、前記優先度ランクと、正解回数と不正解回数と前記正解率とを含む特定ルール情報とを関連付けたものであり、
    前記プロセッサは、前記保守報告データの中の前記実交換部品が前記更新対象特定ルールの規定する前記推定交換部品と一致する場合には、前記正解回数を１だけインクレメントし、一致しない場合には、前記不正解回数を１だけインクレメントして前記更新対象特定ルールの前記正解率を算出し、
    前記正解率に応じて前記更新対象特定ルールの前記優先度ランクを更新すること、
    を特徴とする機器保守支援装置の動作方法。
23. 請求項１９から２２のいずれか１項に記載の機器保守支援装置の動作方法であって、
    前記点検報告書から読み出した前記機器属性情報と、前記機器主要運転情報を含む機器運転情報と、点検情報とを入力とし、前記推定故障原因と前記推定交換部品を出力とする学習済推論モデルを準備し、
    前記プロセッサは、
    選定した前記特定ルールの前記優先度ランクが所定のランクよりも低い場合、又は、前記点検報告書から読みだした前記機器属性情報と、前記機器主要運転情報との組み合わせが一致する前記特定ルールがない場合には、前記学習済推論モデルに前記点検報告書から読み出した前記機器属性情報と、前記機器運転情報と、前記点検情報とを入力し、前記故障原因と前記交換部品とを出力すること、
    を特徴とする機器保守支援装置の動作方法。
24. 請求項２３に記載の機器保守支援装置の動作方法であって、
    前記プロセッサは、
    前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む前記機器運転情報と、前記点検情報とを含む点検報告データを読みだし、
    前記機器属性情報と、前記機器運転情報と、前記点検情報とに基づいて熟練者が入力した前記推定故障原因と前記推定交換部品と前記優先度ランクとを組み合わせて点検報告分析データを生成し、
    生成した前記点検報告分析データの中の前記機器属性情報と、前記機器運転情報と、前記点検情報を入力とし、前記点検報告分析データの中の前記推定故障原因と前記推定交換部品とを含む前記推定保守情報を出力とする教師データを生成し、
    生成した前記教師データに基づいて推論モデルに学習を行わせて前記学習済推論モデルを生成し、
    現地作業者が作成した保守報告書から実故障原因と実交換部品とを含む保守報告データを読み出し、前記点検報告データから保守作業の対象機器の点検結果を読み出して前記保守報告データと合わせて保守点検報告データを生成し、
    生成した前記保守点検報告データの中の前記実交換部品と前記学習済推論モデルが出力した前記交換部品とに基づいて前記学習済推論モデルの精度指標を算出し、
    前記精度指標が所定の閾値以下の場合には、前記点検報告分析データに基づいて前記教師データを更新し、
    更新された前記教師データに基づいて前記推論モデルの再学習を行い、前記学習済推論モデルを更新すること、
    を特徴とする機器保守支援装置の動作方法。
25. 請求項２４に記載の機器保守支援装置の動作方法であって、
    前記学習済推論モデルの前記精度指標は、前記学習済推論モデルの正解率であり、
    前記プロセッサは、
    前記学習済推論モデルの機器種別と、論理形式と、必要メモリ容量と、前記学習済推論モデルを用いて前記交換部品の推定を行った際の正解回数と、不正解回数と、正解率とを関連付けて格納し、
    前記保守点検報告データの中の前記実交換部品と前記推論モデルが出力した前記交換部品とが一致する場合には、前記学習済推論モデルの前記正解回数を１だけインクレメントし、一致しない場合には前記学習済推論モデルの前記不正解回数を１だけインクレメントして前記学習済推論モデルの前記正解率を算出すること、
    を特徴とする機器保守支援装置の動作方法。
26. 請求項１９から２２のいずれか１項に記載の機器保守支援装置の動作方法であって、
    前記点検報告書から読み出した前記機器属性情報と、前記機器主要運転情報を含む機器運転情報と、点検情報と、前記特定ルールを用いて特定した前記故障原因と前記交換部品とを入力とし、付帯的交換部品を出力とする学習済付帯的交換部品推論モデルを準備し、
    前記プロセッサは、
    前記学習済付帯的交換部品推論モデルに前記機器属性情報と、前記機器運転情報と、前記点検情報と、前記特定ルールを用いて特定した前記故障原因と前記交換部品とを入力し、前記付帯的交換部品を出力すること、
    を特徴とする機器保守支援装置の動作方法。
27. 請求項２６に記載の機器保守支援装置の動作方法であって、
    前記プロセッサは、
    前記点検報告書から前記機器属性情報と、前記機器主要運転情報を含む前記機器運転情報と、前記点検情報とを含む点検報告データを読みだし、
    読み出した前記機器属性情報と、前記機器運転情報と、前記点検情報とに基づいて熟練者が入力した前記推定故障原因と前記推定交換部品と前記優先度ランクとを組み合わせて点検報告分析データを生成し、
    生成した前記点検報告分析データの中の前記機器属性情報と、前記機器運転情報と、前記点検情報と、前記推定故障原因と前記推定交換部品とを含む前記推定保守情報とを入力とし、前記点検報告分析データの中の情報組に基づいて熟練者が入力した付帯的交換部品を出力とする付帯的交換部品教師データを生成し、
    前記付帯的交換部品教師データに基づいて付帯的交換部品推論モデルに学習を行わせて前記学習済付帯的交換部品推論モデルを生成すること、
    を特徴とする機器保守支援装置の動作方法。
28. 請求項２７に記載の機器保守支援装置の動作方法であって、
    前記プロセッサは、
    前記付帯的交換部品推論モデルに学習を行わせる際に、前記機器の点検マニュアル情報と図面情報とを参照すること、
    を特徴とする機器保守支援装置の動作方法。

Images