JP7475978B2 - 保全改善支援装置及び保全改善支援方法 - Google Patents

Description

本発明は、保全改善支援装置及び保全改善支援方法に関する。

インフラ、鉄道、産業機器、医療機器などの多くの分野では、アセットの導入後は保全を継続的に実施することで、所定の性能を維持する必要がある。保全においては対象アセットの状態や保全の実施状況を分析し、適切な保全業務設計を立案して実施する必要がある。

近年の情報技術の発達により、アセットや業務実施の状態をセンサで収集し、状態を把握や分析、あるいは将来予測を行う診断技術などのＩｏＴ技術を用いることで、保全を適切な内容・タイミングで実施することで、保全コストを低減しつつ、信頼性を向上することが可能となっている。

しかし、そのためには、ＩｏＴ（Internet of Things）技術の効果や運用を踏まえた、従来と異なる保全のプロセスを導入する必要があり、それに伴い人員数や必要な技能、器具などの保全の業務リソースが大きく変化することになる。また、新しいＩＴ技術の導入には、システムの更新が必要であり、センサや分析方式によっては、大容量ストレージや、大きな計算能力などのＩＴリソースが必要となる。

そのため、保全の業務・ＩｏＴ設計を適切に実施することが必要となっている。特に、複数のアセットやアセットの故障がある場合、どの範囲に対してどの程度の性能のＩｏＴ技術を適用するかの見極めが必要であり、導入範囲や規模が適切でない場合は、コストの増大や導入効果が得られないといった問題が出て、投資規模が課題になる一方で業務改善に繋がらないということが起こりうる。また、保全の実施形態によっても、適切なＩｏＴ技術が異なることがありうる。

従って、保全業務・ＩｏＴの企画・設計において、保全業務の特徴に沿ったＩＴ技術の導入計画を立案して、また導入したＩｏＴの効果が業務改善目標に合致するかを検証することが必要となる。

アセットの運転や保全の業務改善計画の立案と効果見積もりを支援する技術の例としては、特許文献１、２に挙げたものがある。

特許文献１は、プラントにおいてアセットの導入計画を立案するために、過去の運転データから将来の運転のコスト等をシミュレーションし、プラント導入計画立案に用いるものである。

特許文献２は、プラントにおいて、アセットを運転する運転条件と運転員の組み合わせによる運転コストと保全コストを予測し、最適な組み合わせを提示するものである。

特開２００５－２５８８１６号公報 特開２００６－２４４２８８号公報

保全業務へのＩｏＴシステムの導入計画立案・検証においては、実施上の困難が存在する。保全では多種多様なアセットを扱う必要があるため、どのアセットに対してどのようなＩｏＴを導入することで業務改善が実現可能であるか、詳細に検討する必要がある。また、その導入効果の見積もりをして、投資対効果が十分であるかを検証する必要がある。

多くの場合、ＩｏＴの適用実験による効果検証が実施される。しかし、多種多様なアセットの存在と、さらにアセットごとに発生する様々な保全業務のために、それらのすべてにＩｏＴ導入試験を行うことは極めて困難である。また、限定的な試験では、保全業務の改善効果は多数の関連業務間の関係性や、作業員など保全リソースの主観的な余剰状況まで含めて決定されるために、効果の定量見積もりを得ることができない。

そこで、保全業務のシミュレーションを構築し、それにＩｏＴの効果を組み込むことで、効果検証を行うことが考えられる。これによって、任意の保全対象アセットに様々なＩｏＴを組み込んだ場合の効果検証が可能となると期待できる。しかしその場合でも、多種多様な保全対象アセットがある場合や、利用可能なＩｏＴが多種ある場合は、それらの組み合わせを大量に試すことで最適解を見つけることは、シミュレーションの計算量が非常に大きくなる恐れがあり、効率の良いＩｏＴ導入計画の検証が必要である。

本発明は上記の課題に鑑みてなされたもので、対象となる保全業務の特徴を利用したＩｏＴ効果の検証を実現して、最適な保全業務・ＩｏＴ導入計画を立案することで、目的の保全業務改善を効率よく実現することが可能な保全改善支援装置及び保全改善支援方法を提供することにある。

上記課題を解決すべく、本発明の一つの観点に従う保全改善支援装置は、対象となる保全業務の実施記録を保存した保全業務ログデータと、保全業務に関する知識を記録した業務知識データと、保全業務の実施記録及び知識から現行の保全実施状況を再現する基本シミュレーション設定を生成するシミュレーション基本設定生成部と、利用可能性があるＩｏＴソリューションの候補やその効果と適用方法を記録したＩｏＴメニューと、ＩｏＴメニューのうち対象となる保全業務の特徴から適用可能なものを抽出し、さらに実際に適用対象とするアセット及び従業員などのシミュレーション要素を保全業務の特徴から決定あるいは優先順位付けして、基本シミュレーション設定に利用可能性のあるＩｏＴを組み込んだＩｏＴ適用シミュレーション設定を生成するＩｏＴ総合シナリオ生成部と、ＩｏＴ適用シミュレーション設定に対して実際にＩｏＴ適用評価を行うアセット及び従業員を選択しながら順次ＩｏＴ適用シミュレーションを実行するＩｏＴ調整部と、ＩｏＴを組み込んだ保全業務シミュレーションを実行する保全業務シミュレーション部と、実施済みの保全業務シミュレーションの結果を保存するシミュレーション結果保存部と、保存した保全業務シミュレーションの結果から業務改善の有無を判定して改善を最適化するようにＩｏＴ調整部に対して次のＩｏＴ適用シミュレーションの実施指示を行い、また、ＩｏＴ適用シミュレーションの完了時には改善結果を提示する評価部とを有することを特徴とする。

本発明によれば、対象となる保全業務の特徴を利用したＩｏＴ効果の検証を実現して、最適な保全業務・ＩｏＴ導入計画を立案することで、目的の保全業務改善を効率よく実現することができる。

実施例に係る保全改善支援装置の概略構成を示す図である。 実施例に係る保全改善支援装置の保全業務ログデータの一例を示す図である。 実施例に係る保全改善支援装置の業務知識データに格納された保全対象アセット一覧の一例を示す図である。 実施例に係る保全改善支援装置の業務知識データに格納された従業員一覧の一例を示す図である。 実施例に係る保全改善支援装置のＩｏＴメニューの一例を示す図である。 実施例に係る保全改善支援装置のシミュレーション基本設定生成部の動作の一例を示すフローチャートである。 実施例に係る保全改善支援装置のＨＭＩに表示される開始画面の一例を示す図である。 実施例に係る保全改善支援装置のシミュレーション基本設定生成部が生成する故障対応作業発生モデルの一例を示す図である。 実施例に係る保全改善支援装置のシミュレーション基本設定生成部が生成する作業仕様の一例を示す図である。 実施例に係る保全改善支援装置のシミュレーション基本設定生成部が生成する移動時間テーブルの一例を示す図である。 実施例に係る保全改善支援装置のシミュレーション基本設定生成部が生成する保全シミュレーション基本設定の一例を示す図である。 実施例に係る保全改善支援装置のＩｏＴ総合シナリオ部の動作の一例を示すフローチャートである。 実施例に係る保全改善支援装置における保全タイプの識別方法を説明するための図である。 実施例に係る保全改善支援装置のＩｏＴ総合シナリオ部が生成するＩｏＴ適用グループの結果の一例を示す図である。 実施例に係る保全改善支援装置のＩｏＴ総合シナリオ部が生成するＩｏＴ適用優先順位の結果の一例を示す図である。 実施例に係る保全改善支援装置のＩｏＴ総合シナリオ部が実施する診断支援エージェントの一例を示す図である。 実施例に係る保全改善支援装置のＩｏＴ総合シナリオ部が実施する故障予測エージェントの一例を示す図である。 実施例に係る保全改善支援装置のＩｏＴ総合シナリオ部が生成するＩｏＴ適用保守雛形の処理結果の一例を示す図である。 実施例に係る保全改善支援装置のＩｏＴ調整部の動作の一例を示すフローチャートである。 実施例に係る保全改善支援装置の作業員のワークフローの一例を示す図である。 実施例に係る保全改善支援装置の保全業務シミュレーション部により生成されるシミュレーション作業ログの一例を示す図である。 実施例に係る保全改善支援装置の評価部の動作の一例を示すフローチャートである。 実施例に係る保全改善支援装置の評価部による評価の評価対象ＫＰＩの一例を示す図である。 実施例に係る保全改善支援装置のシミュレーション結果保存部により保存されるシミュレーション結果保存の一例を示す図である。 実施例に係る保全改善支援装置の評価部による評価結果提示の一例を示す図である。

以下、本発明の実施形態について、図面を参照して説明する。なお、以下に説明する実施形態は請求の範囲に係る発明を限定するものではなく、また実施形態の中で説明されている諸要素及びその組み合わせの全てが発明の解決手段に必須であるとは限らない。

なお、実施例を説明する図において、同一の機能を有する箇所には同一の符号を付し、その繰り返しの説明は省略する。

また、以下の説明では、情報の一例として「ｘｘｘデータ」といった表現を用いる場合があるが、情報のデータ構造はどのようなものでもよい。すなわち、情報がデータ構造に依存しないことを示すために、「ｘｘｘデータ」を「ｘｘｘテーブル」と言うことができる。さらに、「ｘｘｘデータ」を単に「ｘｘｘ」と言うこともある。そして、以下の説明において、各情報の構成は一例であり、情報を分割して保持したり、結合して保持したりしても良い。

なお、以下の説明では、「プログラム」を主語として処理を説明する場合があるが、プログラムは、プロセッサ（例えばＣＰＵ（Central Processing Unit））によって実行されることで、定められた処理を、適宜に記憶資源（例えばメモリ）及び／又は通信インターフェースデバイス（例えばポート）を用いながら行うため、処理の主語がプログラムとされても良い。プログラムを主語として説明された処理は、プロセッサ或いはそのプロセッサを有する計算機が行う処理としても良い。

本実施例の保全改善支援装置は、一例として下記のような構成を有してもよい。

すなわち、本実施例の保全改善支援装置は、対象保全業務の実施記録を保存した保全業務ログデータと、対象業務・アセットの知識を記録した業務知識データと、ユーザからの評価設定の入力と結果の提示を行うＨＭＩ（Human Machine Interface）と、保全業務ログデータや業務知識データから現状の保全業務シミュレーションを生成するシミュレーション基本設定生成部と、適用可能なＩｏＴの詳細を一覧にしたＩｏＴメニューと、ＩｏＴをシミュレーション基本設定に組み込んだシミュレーションの基本構成を生成するＩｏＴ総合シナリオ生成部と、ＩｏＴ総合シナリオの中で実際に適用するＩｏＴやその性能を調整するＩｏＴ調整部と、ＩｏＴを組み込んだ保全シミュレーションを実行する保全業務シミュレーション部と、実施されたシミュレーション結果を保存するシミュレーション結果保存部と、シミュレーションの実行結果がユーザーの保全改善目標を満たすかを評価する評価部とを備えたものである。

図１は、本実施例の保全改善支援装置の構成図である。

図１に示す保全改善支援装置１００は、各種情報処理が可能な装置、一例としてコンピュータ等の情報処理装置である。情報処理装置は、制御部を構成するプロセッサ、データ格納部を構成するメモリを有し、さらに、必要に応じて通信インターフェース、マウス、キーボード等の入力部、ディスプレイ等の画面部を有する。

プロセッサは、例えばＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＦＰＧＡ（Field-Programmable Gate Array）等である。メモリは、例えばＨＤＤ（Hard Disk Drive）などの磁気記憶媒体、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＳＳＤ（Solid State Drive）などの半導体記憶媒体等を有する。また、ＤＶＤ（Digital Versatile Disk）等の光ディスク及び光ディスクドライブの組み合わせもメモリとして用いられる。その他、磁気テープメディアなどの公知の記憶媒体もメモリとして用いられる。

メモリには、ファームウェアなどのプログラムが格納されている。保全改善支援装置１００の動作開始時（例えば電源投入時）にファームウェア等のプログラムをこのメモリから読み出して実行し、保全改善支援装置１００の全体制御を行う。また、メモリには、プログラム以外にも、保全改善支援装置１００の各処理に必要なデータ等が格納されている。

なお、本実施例の保全改善支援装置１００は、複数の情報処理装置が通信ネットワークを介して通信可能に構成された、いわゆるクラウドにより構成されてもよい。

図１に示す保全改善支援装置１００は、保全業務ログデータ１０００、業務知識データ２０００、ＨＭＩ３０００、評価部４０００、シミュレーション結果保存部５０００、シミュレーション基本設定生成部６０００、ＩｏＴ総合シナリオ生成部７０００、ＩｏＴ調整部８０００、保全業務シミュレーション部９０００を有する。以下、各部の構成と機能を、処理の流れに従って説明する。

なお、本実施例は、特定のアセット、ＩｏＴ技術、保全業務形態に限定されるものではないが、事例として主にエレベータ、補助的に工場設備、パソコンの保全を例として、以降の説明を行う。エレベータでは地域拠点からエレベータが設置されているビルへ作業員を派遣しての保全が行われる。工場設備では工場内の保全部門が自工場内の保有設備の保全を行う。パソコンでは所有者が保全拠点にパソコンを持ち込んで、その場で保全が行われるような保全形態を想定する。

保全業務ログデータ１０００は、故障対応や定期点検などの保全の実施結果を記録している。図２に保全業務ログデータ１０００の例を示す。保全業務ログデータ１０００には、点検・故障対応といった業務の分類、保全対象となったアセットのＩＤ、設置場所、作業時間に関する情報、作業員、問題の調査・処置結果などが記載されているものとする。

業務知識データ２０００には、業務を構成するアセットや従業員のデータが保存されており、図３に示すように保全対象となっているアセットの一覧や、図４に示すように従業員の一覧が与えられているものとする。

ＩｏＴメニュー１００００の例を図５に示す。ＩｏＴメニュー１００００には、利用可能な保全改善ＩｏＴと、その効果ＫＰＩ、シミュレーション時の適用先、適用時の単位コストがリスト化されているものとする。

シミュレーション基本設定生成部６０００の処理フローを図６に示す。以下、フローに沿って説明する。

初めに、ユーザーに対して開始画面をＨＭＩ３０００に表示して、開始処理を行う。開始画面の例を図７に示す。ここでは、基本的には開始処理を行うだけだが、後に説明するＩｏＴ総合シナリオ生成部７０００での、分析の詳細度を設定したり、投資可能額に収めるような計画を生成するために、投資可能額の入力を行ったり、詳細度調整をスライダなどで行っても良い。以降、シミュレーション基本設定生成部６０００は、現在の作業を再現するシミュレーションの構築を行う。

次に、シミュレーション基本設定生成部６０００は、保全状況の再現設定ファイルを業務再現設定読み込み６００１０で受領する。再現設定ファイルは、再現に用いる保全業務ログデータ１０００の期間や、対象とするアセット、設置場所など、再現に用いるデータの範囲を示す情報が含まれているとする。この再現設定ファイルは事前に作成され、保全改善支援装置１００内に格納されているものとする。

次に、シミュレーション基本設定生成部６０００は、保全業務ログデータ読み込み６００２０において、保全業務ログデータ１０００を保全改善支援装置１００のメモリにロードする。この時、先に受領した再現設定ファイルに基づいて読み込むデータをフィルタする。

アセット設定生成６００３０では、シミュレーション基本設定生成部６０００は以下の処理を行う。まず、アセット設定生成６００３０では、保全の対象となっているアセットの故障対応作業発生モデルを、業務知識データ２０００に格納されたアセット一覧と保全業務ログデータ１０００から生成する。

ここではアセットの型ごとに、アセット１つの時間当たり故障対応作業発生率を、作業時間で分布関数を生成したものを故障対応作業発生モデルとする。図８に生成結果の例を示す。ここでは、作業時間を横軸、縦軸に作業発生率（故障率）を取り、一定時間以上の発生と、作業時間が非常に長い故障は低確率で発生するようなモデルが構成された例を示している。

業務設定生成処理６００５０では、シミュレーション基本設定生成部６０００は、保全業務ログデータ１０００から、アセット型、および作業種別ごとに作業時間の統計を取ることで、実績からの作業仕様生成を行う。図９に生成例を示す。ここではアセット型単位としたが、保全業務ログデータ１０００の記録の細分度に応じて、部品やより詳細な故障モードの単位で生成しても良い。また、保全業務ログデータ１０００から拠点間の移動時間を取得することで、図１０に示す移動時間テーブルも生成できる。

基本シミュレーション設定出力６００８０では、シミュレーション基本設定生成部６０００は、シミュレーション基本設定生成部６０００で作成されたシミュレーションのパラメータ群から、シミュレーション方式に沿った設定を生成する。

ここではシミュレーション方式としてエージェントシミュレーション方式を用いるものとする。エージェントシミュレーションでは、実世界のアセットあるいはアセットの部品など管理単位ごとに、シミュレーション世界にも対応するアセットのデータを個体ごとに生成し、それが自律的に稼働・故障などをすることで、実世界のアセットの挙動を再現する。この時の生成されたデータをエージェントと呼び、アセットの場合はアセットエージェントと呼ぶことにする。また、同様に作業員も一人ずつのエージェントをシミュレーション世界に生成し作業員エージェントと呼ぶ。それらが作業指示に対して、待機、移動、業務実行、休息などの動作をする。さらに、アセットの運用操作や問題発生時に故障対応依頼を行う、運用エージェント、作業員に作業割り当てを行う割り当てエージェントなどを生成する。エージェントシミュレーションの実行の詳細は、保全業務シミュレーション部９０００にて説明する。

このとき、基本シミュレーション設定出力６００８０では、シミュレーション基本設定生成部６０００は、業務知識データやシミュレーション基本設定生成部６０００で生成されたパラメータにしたがい、必要な個数のエージェント、各エージェントのふるまい、所在地などを設定する。また、アセットや作業員の配置場所を設定し、配置場所間の移動テーブルに従った移動可能や移動時間を設定する。

図１１に保全ミュレーション基本設定の生成例を示す。ここでは、保全ログデータや業務知識データに対応して、ビル１ ６００７１にエレベータＡを２基、ビル４ ６００７５にはエレベータＢを１基配置、拠点１ ６００７２には作業員３人を配置するなど、実世界に対応したデータを生成する。また、運用者を運用者６００７３のようにアセットが配置された各配置場所に生成し、設置されたアセットに故障が発生した場合は、割り当てエージェント６００７４に作業依頼を発行するように設定する。割り当てエージェント６００７４は、担当の作業員に対して作業依頼を発行するものである。これらの動作については後述する。

シミュレーション基本設定生成部６０００は、これらのシミュレーション設定を基本シミュレーション設定６００７０として出力する。出力は、メモリ上データ、ＸＭＬなどのファイル形式で出力される。この基本シミュレーション設定は既存の業務を再現するものであると期待される。

次に、ＩｏＴ総合シナリオ生成部７０００について説明する。ＩｏＴ総合シナリオ生成部７０００では、保全業務の特徴に基づいて、適切なＩｏＴの候補を選定し、それをシミュレーションに組み込む。図１２にＩｏＴ総合シナリオ生成部７０００のフローを示す。

ＩｏＴ総合シナリオ生成部７０００は、初めにシミュレーション基本設定生成部６０００の出力である基本シミュレーション設定６００７０を基本シミュレーション設定読み込み７００１０で読み込む。次に、ＩｏＴ総合シナリオ生成部７０００は、ＩｏＴメニュー１００００をＩｏＴメニュー読み込み７００２０で読み込む。次に、ＩｏＴ総合シナリオ生成部７０００は、保全業務読み込み７００３０で保全業務ログデータ１０００と業務知識データ２０００を読み込む。

次に、ＩｏＴ総合シナリオ生成部７０００は、保全タイプ識別処理７００５０において、対象保全業務の業務の形態を識別することで、適用するＩｏＴメニュー１００００の抽出を行う。保全タイプ識別処理７００５０では、読み込んだ保全業務ログデータ１０００と業務知識データ２０００から、保全業務の実施形態を識別することで、有効性が高いＩｏＴメニュー１００００のみをフィルタリングするか、あるいは優先度をつける。

これは、例えば保全拠点からアセットが設置されている拠点への距離が離れており、作業員を派遣することで保全が実施される場合、その移動時間が長くなる。そのため、出動の回数を減らすことが有効な施策となり、これには遠隔での診断などの保全業務の実施、現地での保全の成功率を上げるための診断の支援などの施策、アセットの故障率を下げることで出動を減らす施策などが有効である。あるいは、作業員の割り当てを最適化するための支援が有効である。典型例としてはエレベータやＡＴＭなどがあげられる。本実施例ではこの保全タイプを「派遣型保全」と呼ぶ。

しかし、工場やプラントで同床の保全作業員が保全を実施する場合、移動時間は大きな問題にならない。ただし、一つの装置の経営への影響が大きいため、不意停止を予防するための故障予測や、停止せずに点検を行える監視装置が有効である。また、一回にかかる保全時間が長くなるため、複雑・大型な装置の診断を現地で支援する高度診断支援などが有効となる。本実施例ではこの保全タイプを「集中型保全」と呼ぶ。

あるいは、パソコンやスマートフォンのように、アセットが小さく、使用者が保全拠点に持ち込むことで保全が行われる場合もありうる。この場合も移動は問題にならないが、詳細な診断よりも代替品への交換ですます例が多くみられ、一回の保全作業の時間は小さい。この場合は、アセットの故障率自体を低下させることや、遠隔診断で持ち込み量を減らすことが効果的である。本実施例ではこの保全タイプを「持ち込み型保全」と呼ぶ。

このように、本実施例の保全改善支援装置１００では、保全タイプを識別することで、有効なＩｏＴメニュー１００００を選択することが可能となる。この実現方法としては、上記議論で示したように、移動時間と一回の保全時間を識別することで実現が可能である。これらの指標は、保全業務ログデータ１０００から、平均の移動時間や平均の作業時間として取得可能である。図１３に概念図を示す。図における識別基準は、保全技術者の指定値でも各種事例からの機械学習により定めても良い。

このように識別された保全タイプに対して、適切なＩｏＴメニュー１００００を選択する。これは、ＩｏＴメニュー１００００に記載されている効果ＫＰＩと、保全タイプごとのＫＰＩの一致度から実施される。これにより選択されたＩｏＴメニュー１００００の中で有効性があるもののみを対象として、以降の処理を実施することで、最適なＩｏＴの探索範囲を絞り込むことができる。

次に、ＩｏＴ総合シナリオ生成部７０００は、各ＩｏＴ候補に対して、適用効果が高いと推定される適用範囲をグループ化する、ＩｏＴ適用グループ生成処理７００７０を行う。ここでは、ＩｏＴの適用対象となるアセットや作業員を、業務での特徴を反映したグループ単位にまとめ上げ、そのグループごとにＩｏＴの適用要否を後に実施するシミュレーションで判定することで、アセットや従業員個別に適用範囲を判定する必要をなくし、最適化での探索範囲を狭め、かつ業務特徴を反映した効果的なＩｏＴ適用の設定を生成することが可能となる。

本実施例では、この処理は、ＩｏＴメニュー中に含まれる効果ＫＰＩをアセットあるいは作業員ごとに算出して、クラスタリング処理を行うことで実現される。図１４にアセットに関するクラスタリング処理の概念図を示す。クラスタリングの方法としては例えばk-meansなどの方法が考えられる。

クラスタリング数の決定は、最適化計算での計算可能量に依存するため、使用するコンピュータの処理能力に応じてユーザーが決定するものとする。ただし、クラスタ数を大きくするとＩｏＴを適用するグループを小さく生成できることから、より詳細にＩｏＴ適用範囲の案を生成することも可能である。例えば、ある適用案を生成したときに、各ＩｏＴの適用コストはＩｏＴメニュー１００００中の単位コストから決定されるので、それがユーザーが事前に指定した投資可能金額を上回る場合は、その案を棄却し、クラスタ数を増加させて再計算させることで、ユーザーの投資可能額に見合った計画を生成することも可能である。

このとき、各ＩｏＴメニュー１００００には効果ＫＰＩが付与されているので、その情報に応じてどのクラスタにどのＩｏＴを適用しうるかを決定して優先順位をつける。この方法としては、ＩｏＴメニュー１００００ごとにＫＰＩ軸上でクラスタ中心が悪いＫＰＩを示すグループを優先する。ＫＰＩにより大小どちらが良いかは異なるので、良否の判定はそれに従う。図１５に生成例を示す。複数のＫＰＩに効果があるＩｏＴメニュー１００００に対しても、合成したＫＰＩ軸に対して同様の処理を行うなどで、優先順位を決定できる。

同様に、従業員に関しても作業員に関連する効果ＫＰＩでのクラスタリング処理を行うことで、ＩｏＴを適用するグループを生成して、優先順位を決定できる。あるいは、アセットと従業員のエージェントの組に対して作業するＩｏＴエージェントがＩｏＴメニュー１００００で設定されているときはこれらを組み合わせてクラスタリングによるグループ生成処理を行う。

次に、ＩｏＴ総合シナリオ生成部７０００は、ＩｏＴ適用保守雛形生成処理７００８０で、抽出されたＩｏＴメニュー１００００を、ＩｏＴ再現エージェンとして基本シミュレーション設定６００７０に組み込んだＩｏＴ適用シミュレーション設定７００９０を生成する。

ＩｏＴエージェントは、アセット、従業員、作業割り当てなどの各基本エージェントのどれと紐づくかは定義されており、シミュレーションに導入されていることで、各エージェントの動作を変更させることで、ＩｏＴの効果をシミュレーションで再現する。

例えば、診断支援エージェントの場合、作業員エージェントが診断作業を行う際に、診断の成功率や所要時間を変更させるように作業員エージェントの動作を変更することで、診断の成功率や所要時間を改善する効果を発揮する。図１６に実現方法の例を示す。通常時は診断実施の成功率はアセット型ごとに定まるＰ＿Ｉだが、ある従業員が診断支援エージェントを利用可能な場合、診断支援あり時の成功率Ｐ＿Ｉ'で、診断が成功するように変更する。これにより、後に示す図２０の作業員ワークフローにおいて、診断成功判定９００６０の成功率を変化させる。また、診断支援あり時の診断時間係数Ｔ'を通常の診断時間に乗じることで、診断時間の短縮効果を再現することも可能である。

遠隔診断エージェントの場合、作業員が移動を行う前に診断の実施を可能とする。これにより、作業割り当て時に移動時間が無くなることで、通常は稼働率が高く割り当てが行われない高スキルの作業員エージェントが診断を行うことで、診断の成功率や時間を短縮することを可能とする。また、その後処置作業のみを行うために作業員エージェントを派遣するが、すでに診断が行われていることで診断失敗の可能性が無いために、診断失敗と再派遣に伴う移動を抑制できる。

図２０の作業員ワークフローでは、適用アセットの場合は、移動処理である９００３０と９００９０をスキップして診断実施９００５０を実施することによって、遠隔診断が実現される。ただし、診断成功時も処置実施９０１２０には進まず、診断結果を付与した故障対応依頼を再発行することで、現地での診断を行わずに、成功済みの診断結果に基づいた処置を実現する。点検の場合も同様で、移動無しに点検実施９００７０を行い、問題があった場合のみ故障対応依頼９００８０を実施する。

故障予測エージェントの場合、故障が発生してから作業依頼を行う運用者エージェントに代わり、アセットエージェントの故障予測を行う。この模擬方法としては様々な方法が考えられるが、シミュレーションとしては、アセットエージェント内では将来の故障発生有無を故障対応作業発生モデルに従って先の時間まで計算しておき、将来の一定時間内に故障がある場合に、それを想定される故障予測の性能に従った確率で検知するといった方法で再現が可能である。

図１７に例を示す。この例では、将来時間に予定されている故障発生に対して、時間と共にそれを予測して検知できる確率が上昇する。この例では故障発生時点でも検知率は１００％ではなく８０％となっており、一定の失敗が発生する性能を再現している。また、誤報の発生を一定確率で実施するなどの故障予測性能の再現も可能である。故障を予測して検知した場合は、作業依頼を後述する作業割り当てエージェントに発行することで、故障前の故障体実施が実現する。

あるいは、より詳細なデータや工学的な知見が得られる場合は、故障対応作業発生モデルを発展させ、アセットの内部状態の劣化進展を物理モデルなどで再現して、それを想定される故障予測の性能に従って検知するといった方法も考えられる。

このように、様々なＩｏＴの効果をシミュレーションで模擬することが可能であり、ＩｏＴ効果のシミュレーションによる再現が実現可能である。

図１８に派遣型保守での生成例を示す。これは診断支援エージェントと遠隔診断エージェントを導入した例であり、拠点１の各作業員に診断支援エージェント７１０１０を適用し、ビル４のエレベータＢ対して遠隔診断エージェント７１０２０を適用することで、拠点２の作業員エージェントが遠隔診断を利用可能とした例である。

そして、ＩｏＴ総合シナリオ生成部７０００は、生成されたＩｏＴ適用シミュレーション設定７００９０をＩｏＴ調整部８０００に引き渡して、ＩｏＴ総合シナリオ生成部７０００の処理を終了する。

次に、ＩｏＴ調整部８０００は、ＩｏＴ総合シナリオ生成部７０００で生成されたＩｏＴ適用シミュレーション設定７００９０に対して、シミュレーション設定に含まれる各ＩｏＴを、その付与済みの優先順位に応じて、ＩｏＴと適用範囲のグループごとに有効化／無効化をしながらシミュレーション設定を変更し、それを保全業務シミュレーション部９０００に引き渡すことで、効果が高いと推定される順にＩｏＴを取り入れた保全業務のシミュレーションを実施する。

ＩｏＴ調整部８０００は、保全業務シミュレーション部９０００、評価部４０００との間で連携することで、最適な改善効果を得られるＩｏＴ適用シミュレーション設定を探索する。これによって、シミュレーションの回数を減らして、効率よく効果の高いＩｏＴ導入計画案を生成する。図１９にＩｏＴ調整部８０００のフローを示す。

ＩｏＴ調整部８０００は初めに、ＩｏＴ総合シナリオ生成部７０００または後述する評価部４０００から、ＩｏＴ適用シミュレーション設定７００９０を読み込む。

次に、ＩｏＴ調整部８０００は、ＩｏＴ適用設定生成処理８００２０で、ＩｏＴ適用シミュレーション設定７００９０中の、各ＩｏＴエージェントの各グループに対する有効・無効状態の切り替えを、優先順位設定に基づいて実施することで、効果が高いＩｏＴ適用設定を効率的に発見する。

この方法の例としては、初回実施ではＩｏＴ適用シミュレーション設定７００９０はＩｏＴ総合シナリオ生成部７０００から読み込むが、このときは各ＩｏＴの有効・無効状態は不定であるため、初めはランダムに選んだＩｏＴエージェントに対して、最も優先順位が高いグループのみを有効とする。２回目以降で評価部４０００から取り込んだ場合は、ランダムに選択したＩｏＴエージェントで、アクティブとなっていない最も優先順位が高いグループに対してＩｏＴエージェントを有効にするといった方法が考えられる。

このように更新されたＩｏＴ適用シミュレーション設定７００９０は、実施済みのシミュレーション結果が保存されている、後述するシミュレーション結果保存部５０００ですでに実施済みでないかを確認して、実施済みであれば再度８００２０の処理を行う。ただし、可能な組み合わせを全て実施済みの場合は終了する。未実施の場合、シミュレーション開始処理８００４０に進み、保全業務シミュレーション部９０００に実施ＩＤを付与したＩｏＴ適用シミュレーション設定７００９０を引き渡して、ＩｏＴ調整部８０００の処理を終了する。

保全業務シミュレーション部９０００では、ＩｏＴ調整部８０００より引き渡されたＩｏＴ適用シミュレーション設定７００９０に基づいて、将来の保全業務の予測シミュレーションを行う。

本実施例ではシミュレーション方式としてエージェントシミュレーションを用いる。そこで、保全業務シミュレーション部９０００は、アセットエージェントはその故障対応作業生成モデルに従って、シミュレーション内での時間警戒にともないアセットを故障させ、それにより運用者エージェントが障害対応作業依頼を割り当てエージェントに６００７４に出す、あるいは定期点検生成エージェントが、定期点検の生成設定に従って作業依頼を割り当て生成エージェントに出すことで、作業依頼を各作業員エージェントに発する。さらに作業員エージェントは図９の作業仕様や図１０の移動時間テーブルに従って業務遂行を模擬することで、シミュレーションが進行する。各エージェントは、シミュレーション時間の発展に伴って自発的に動作するが、これはステートチャートなどの方法で実現が可能である。

図２０に作業員ワークフローの例を示す。ここでは、作業員は通常は待機状態９００１０にあり、作業指示受領９００２０発生時は、指示に従いアセットに移動する。そこで、作業種別ごとに異なる作業に分岐し、点検の場合は点検実施９００７０を行い、故障発見時は故障対応依頼９００８０を行う。故障対応の場合は診断実施９００５０を行い、その結果に基づいて診断成功時は処置実施９０１２０、診断失敗時は再度の故障対応依頼９０１３０を行い、終了後に移動９００９０にて拠点に帰還する。

これらの動作は、先に論じたように、ＩｏＴエージェントの介入によって、各段階の動作が変化することで、ＩｏＴ導入効果を再現する。

シミュレーション内での作業結果は、シミュレーションによる作業ログとして得られる。得られる結果の例を図２１に示す。エージェントシミュレーションでは、各エージェントが実世界の動作を模擬して動作するため、生成されるログは保全業務ログデータ１０００とほぼ共通であり、シミュレーションの詳細度によって、詳細な対応などの情報はでないが、作業時間や結果などの保全結果評価に必要な情報は取得される。また、ＩｏＴ調整部で生成された設定に対応する設定識別ＩＤが付与される。

次に、評価部４０００は、シミュレーション実行結果からのＫＰＩ改善状況を算出し、より大きな効果が得られた場合はその設定でのＫＰＩ改善結果を記録し、さらにその設定を元にして、新たな評価シミュレーション設定を生成するようにＩｏＴ調整部８０００に指示する。図２２に評価部４０００のフローを示す。

始めに、評価部４０００は、シミュレーション作業ログ読み込み４００２０において、その回のシミュレーションに用いたＩｏＴ適用シミュレーション設定７００９０とシミュレーション作業ログ４０１２０を保全業務シミュレーション部９０００から受領する。

次に、評価部４０００は、現状ＫＰＩ算出処理４００３０において、保全業務ログデータ１０００から現在の保全業務ＫＰＩを算出する。評価対象とする保全ＫＰＩの例を図２３に示す。同一のＫＰＩを、シミュレーション作業ログ４０１２０からも算出可能であり、シミュレーションＫＰＩ算出処理４００４０において実施する。

ここで算出するＫＰＩとしては、直接の保全業務ログデータ１０００とシミュレーション結果の統計から取得できるもののほかに、作業時間に単価を乗じて人件費をコストに換算したものや、任意の単位で採集したようなより上位のＫＰＩを用いることも可能である。

つぎに、評価部４０００は、改善有無判定４００５０において、実施済みのシミュレーション結果に対して、今回のシミュレーション設定でＫＰＩに改善があったかを判定する。

あるシミュレーション設定によるＫＰＩ改善効果の算出方法としては、まずは金銭価値へ変換することが考えられる。例えば、総作業時間から人件費を、アセットの故障回数から故障への罰金支払いを、アセットの保全時間から稼働できなかったことへの機会損失を算出することが可能である。また、導入するＩｏＴの種類と規模によって、ＩｏＴメニュー１００００に記載されたコスト計算方法に応じてコストを算出することで、ＩｏＴ投資の費用対効果として、収益改善ＫＰＩを算出できる。収益改善ＫＰＩは金銭であるため、異なるシミュレーション設定間での比較が明確に可能である。

しかし、ＫＰＩ指標には金銭換算が困難なものもある。例えば、アセット故障回数や特に繰り返し出動による顧客満足度の低下は、発生が推定できるものの数値化が困難であることもあり、また、可能であっても異なる指標による計算結果を足し上げられるとは限らない。あるいは、残業時間は金銭換算も可能だが、法規制や従業員の満足度やＱＯＬのために個別に削減対象とする必要も考えられる。

そのため、金銭での比較や個別ＫＰＩの数値改善の判定に加えて、効果があったＫＰＩの種類の多寡を調べることが考えらる。各シミュレーション設定で効果があったＫＰＩの一覧を比較し、シミュレーション結果保存部５０００に保存されている実施済みシミュレーション結果と比較して、改善があったあるかを評価することで、改善有無判定が可能となる。シミュレーション結果保存部５０００のデータ例を図２４に示す。

評価部４０００は、評価結果保存部４００６０において、算出されたＫＰＩと改善評価結果をシミュレーション結果保存部５０００に保存する。この時改善が無ければ、改善結果評価には改善なしとして保存する。また、今回のシミュレーション結果に対して改善が無いと判断できる実施済みのシミュレーション結果の改善評価を改善無しに変更する。

これによって、金銭その他の数値指標に加えてＫＰＩ種類といった複数の指標を用いることで、最適なシミュレーション設定は一意ではなくなるが、ＫＰＩ効果種類の組み合わせごとに、金銭及び個別のＫＰＩ改善を最適化するようにシミュレーション実行を分岐させることで、異なる改善効果が得られる様々なＩｏＴ構成の最適化を行うことが可能となる。

次に、評価部４０００はシミュレーション終了判定４００７０を行う。ここでは、改善無しの結果が事前に指定された一定回数続いた場合はシミュレーションを終了させる。あるいは、ユーザーがあらかじめ改善目標となるＫＰＩとその数値を指定している場合は、それが満たされた場合に計算を打ち切ることも考えられる。終了の場合は結果表示処理４０１００に進み、継続の場合はＩｏＴ調整部呼び出し処理４００８０に進む。

ＩｏＴ調整部呼び出し処理４００８０では、今回の設定で改善が見られた場合は、今回の設定をＩｏＴ調整部８０００に引きわたして、新たなシミュレーション実施をＩｏＴ調整部８０００に指示する。改善が見られなかった場合は、一つ前の実行での設定をＩｏＴ調整部８０００に引き渡し、再度ＩｏＴ調整部８０００にシミューション実施を指示する。あるいは、数回にわたり改善無しの場合は、シミュレーション結果保存部５０００に保存されている設定で、改善有りとなっているものをランダムに抽出して、ＩｏＴ調整部８０００に引き渡す。

評価部４０００は、結果表示処理４０１００において、シミュレーション結果保存部５０００に記録されたシミュレーション結果のうち、改善有りとなっているものを一覧化して、ユーザである評価実施者２００（図１参照）に対してＨＭＩ３０００に提示する。提示方法の例を図２５に示す。提示されるシミュレーション結果は、業務改善が実現可能なＩｏＴ導入計画を生成して効果予測に基づく最適化を行った結果となっている。

図２５に示した表示方法の例４０２００では、図２４に示したシミュレーション結果保存例を画面に並べて表示し、ユーザーは複数のＩｏＴ適用案から、採用するものを比較検討する。さらに、採用すると決めたものに対しては、採用ボタン４０２２０を押すことで、その結果をファイルなどに出力して、保存しても良い。

また、ＩｏＴ導入計画の表示については、詳細ボタン４０２３０を押した場合は、保存されているＩｏＴ適用シミュレーション設定７００９０から、どのアセットや従業員にどのＩｏＴを適用するかの詳細を表示しても良い。最終的に終了ボタン４０２１０を押すことで、本実施例の保全改善支援装置１００での処理は終了する。

以上の処理により、保全の業務シミュレーションに基づいたＩｏＴ導入計画の立案において、対象保全業務の特性に基づいたＩｏＴ導入計画を効率よく立案する、保全改善支援装置１００を実現することができる。

言い換えれば、本実施例の保全改善支援装置によれば、対象となる保全業務の特徴を利用したＩｏＴ効果の検証を実現して、最適な保全業務・ＩｏＴ導入計画を立案することで、目的の保全業務改善を効率よく実現することが可能となる。

これにより、本実施例の目的である、保全の業務シミュレーションに基づいたＩｏＴ導入計画の立案において、対象保全業務の業務形態の抽出や、アセット・故障の特徴抽出に基づいて、導入候補となるＩｏＴの種別ごとに適用先のアセットや利用人員の候補を選定し、シミュレーションによって適用有無や性能を最適化することで、保全改善目標を実現する最適なＩｏＴ導入計画を効率よく立案することが実現できる。

なお、上記した実施例は本発明を分かりやすく説明するために構成を詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、各実施例の構成の一部について、他の構成に追加、削除、置換することが可能である。

また、上記の各構成、機能、処理部、処理手段等は、それらの一部または全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、本発明は、実施例の機能を実現するソフトウェアのプログラムコードによっても実現できる。この場合、プログラムコードを記録した記憶媒体をコンピュータに提供し、そのコンピュータが備えるプロセッサが記憶媒体に格納されたプログラムコードを読み出す。この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施例の機能を実現することになり、そのプログラムコード自体、及びそれを記憶した記憶媒体は本発明を構成することになる。このようなプログラムコードを供給するための記憶媒体としては、例えば、フレキシブルディスク、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、ハードディスク、ＳＳＤ（Solid State Drive）、光ディスク、光磁気ディスク、ＣＤ－Ｒ、磁気テープ、不揮発性のメモリカード、ＲＯＭなどが用いられる。

また、本実施例に記載の機能を実現するプログラムコードは、例えば、アセンブラ、Ｃ／Ｃ＋＋、ｐｅｒｌ、Ｓｈｅｌｌ、ＰＨＰ、Ｊａｖａ（登録商標）、Ｐｙｔｈｏｎ等の広範囲のプログラムまたはスクリプト言語で実装できる。

さらに、実施例の機能を実現するソフトウェアのプログラムコードを、ネットワークを介して配信することによって、それをコンピュータのハードディスクやメモリ等の記憶手段またはＣＤ－ＲＷ、ＣＤ－Ｒ等の記憶媒体に格納し、コンピュータが備えるプロセッサが当該記憶手段や当該記憶媒体に格納されたプログラムコードを読み出して実行するようにしてもよい。

上述の実施例において、制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。全ての構成が相互に接続されていてもよい。

１００…保全改善支援装置 ２００…評価実施者 １０００…保全業務ログデータ ２０００…業務知識データ ３０００…ＨＭＩ ４０００…評価部 ５０００…シミュレーション結果保存部 ６０００…シミュレーション基本設定生成部 ７０００…ＩｏＴ総合シナリオ生成部 ８０００…ＩｏＴ調整部 ９０００…保全業務シミュレーション部 １００００…ＩｏＴメニュー

Claims (8)

1. 対象となる保全業務の実施記録を保存した保全業務ログデータと、
   前記保全業務に関する知識を記録した業務知識データと、
   前記保全業務の前記実施記録及び前記知識から現行の保全実施状況を再現する基本シミュレーション設定を生成するシミュレーション基本設定生成部と、
   利用可能性があるＩｏＴソリューションの候補やその効果と適用方法を記録したＩｏＴメニューと、
   前記ＩｏＴメニューのうち対象となる前記保全業務の特徴から適用可能なものを抽出し、さらに実際に適用対象とするアセット及び従業員のシミュレーション要素を前記保全業務の特徴から決定あるいは優先順位付けして、前記基本シミュレーション設定に利用可能性のあるＩｏＴを組み込んだＩｏＴ適用シミュレーション設定を生成するＩｏＴ総合シナリオ生成部と、
   前記ＩｏＴ適用シミュレーション設定に対して実際にＩｏＴ適用評価を行う前記アセット及び前記従業員を選択しながら順次ＩｏＴ適用シミュレーションを実行するＩｏＴ調整部と、
   前記ＩｏＴを組み込んだ保全業務シミュレーションを実行する保全業務シミュレーション部と、
   実施済みの前記保全業務シミュレーションの結果を保存するシミュレーション結果保存部と、
   保存した前記保全業務シミュレーションの前記結果から業務改善の有無を判定して改善を最適化するように前記ＩｏＴ調整部に対して次の前記ＩｏＴ適用シミュレーションの実施指示を行い、また、前記ＩｏＴ適用シミュレーションの完了時には改善結果を提示する評価部と
   を有することを特徴とする保全改善支援装置。
2. 前記ＩｏＴ総合シナリオ生成部は、前記保全業務の特徴量を前記保全業務ログデータ又は前記業務知識データから抽出して、前記保全業務に関係する前記アセット及び前記従業員をグループ化することで、前記ＩｏＴの適用可否を前記グループごとに評価することを特徴とする請求項１に記載の保全改善支援装置。
3. 前記ＩｏＴ調整部は、前記グループ化した前記アセット及び前記従業員に対して前記ＩｏＴの適用効果見込みを評価し、この際、効果が高いと思われる前記グループから順次前記ＩｏＴ適用効果の見込みの評価を行うことを特徴とする請求項２に記載の保全改善支援装置。
4. 前記ＩｏＴ総合シナリオ生成部は、前記ＩｏＴ適用シミュレーション設定の生成を行うために、現行の前記保全業務を再現する現行保全のシミュレーションを、各保全関係要素の動作を個別に模擬するエージェントシミュレーションとして再現し、また、前記ＩｏＴの効果を再現するエージェントを、前記現行保全の前記シミュレーションの設定の前記ＩｏＴの適用可能な場所に、前記ＩｏＴの適用時の想定効果を再現するように組み込むことを特徴とする請求項１に記載の保全改善支援装置。
5. 前記評価部は、生成された前記グループが大きいために投資額が抑えたＩｏＴ導入計画が生成されない場合は、ユーザーが設定した投資可能金額にＩｏＴ投資額が収まるように、順次前記グループの分割を細分化して再評価を行うことでより適用範囲の設定を細分化した前記ＩｏＴ導入計画を生成することを特徴とする請求項２に記載の保全改善支援装置。
6. 前記ＩｏＴ総合シナリオ生成部は、前記アセットや前記従業員の前記グループ化を行う際に、利用可能な複数の前記ＩｏＴが改善効果を及ぼすと期待する前記保全業務の指標の組に対して、現行の前記保全業務での前記保全業務の前記指標の組を前記アセット及び前記従業員ごとに算出して、前記保全業務の前記指標の組の間の距離を定義して近い前記アセットや前記従業員同士をグループとして纏めるクラスタリング処理を行うことで前記グループ化を実現することを特徴とする請求項２に記載の保全改善支援装置。
7. 前記評価部は、各ＩｏＴ導入計画の評価結果に対して、各評価の実施において前記保全業務の指標の現行の前記保全業務からの変化を算出し、改善が得られた前記指標の増加または前記各指標の個別の改善を改善実現の判定基準とすることで、改善が得られる複数の前記ＩｏＴ導入計画を策定して提示することを特徴とする請求項３に記載の保全改善支援装置。
8. 対象となる保全業務の実施記録を保存した保全業務ログデータと、
   前記保全業務に関する知識を記録した業務知識データと、
   利用可能性があるＩｏＴソリューションの候補やその効果と適用方法を記録したＩｏＴメニューと、
   を有する保全改善支援装置が実行する保全改善支援方法であって、
   前記保全業務の前記実施記録及び前記知識から現行の保全実施状況を再現する基本シミュレーション設定を生成し、
   前記ＩｏＴメニューのうち対象となる前記保全業務の特徴から適用可能なものを抽出し、さらに実際に適用対象とするアセット及び従業員のシミュレーション要素を前記保全業務の特徴から決定あるいは優先順位付けして、前記基本シミュレーション設定に利用可能性のあるＩｏＴを組み込んだＩｏＴ適用シミュレーション設定を生成し、
   前記ＩｏＴ適用シミュレーション設定に対して実際にＩｏＴ適用評価を行う前記アセット及び前記従業員を選択しながら順次ＩｏＴ適用シミュレーションを実行し、
   前記ＩｏＴを組み込んだ保全業務シミュレーションを実行し、
   実施済みの前記保全業務シミュレーションの結果を保存し、
   保存した前記保全業務シミュレーションの前記結果から業務改善の有無を判定して改善を最適化するように次の前記ＩｏＴ適用シミュレーションの実施指示を行い、また、前記ＩｏＴ適用シミュレーション完了時には改善結果を提示する
   ことを特徴とする保全改善支援方法。