JP7512230B2 - 設備故障予測システム、設備故障予測方法、および、設備故障予測プログラム - Google Patents

Description

本発明の実施形態は、設備故障予測システム、設備故障予測方法、および、設備故障予測プログラムに関する。

従来、道路（高速道路等）には、道路の付帯設備として、車両と通信する路側機や、走行車両に対して情報を表示する情報板や、照明装置、トンネル内の換気設備などの各種設備が設けられている。それらの道路付帯設備については、故障等の予防として、定期点検などが行われている。

一般に、高速道路の施設管制制御システムの運用業務では、高速道路上に設置された各種設備（情報板やトンネルの換気設備など）の稼動状態を監視し、障害や故障の発生時に現地保守員に連絡し、障害復帰の対応を行っている。

また、定期点検や定期設備交換などの基本的な保守業務は、「時間基準保全（ＴＢＭ：Ｔｉｍｅ Ｂａｓｅｄ Ｍａｉｎｔｅｎａｎｃｅ）」が中心で実施されるが、実際は各種設備の動作環境（屋内、屋外など）や経年によって障害や故障の発生の頻度に差が生じており、必ずしもＴＢＭが適切な保守業務であるとは限らない。本来であれば、設備毎の状態に応じて保守を行う「状態基準保全（ＣＢＭ：Ｃｏｎｄｉｔｉｏｎ Ｂａｓｅｄ Ｍａｉｎｔｅｎａｎｃｅ）」を行うべきであるが、設備の状態監視と保守業務が連携できていない現状がある。

このため、リアルタイムで機器の故障状態を検知する施設制御システムと、各種設備の稼働状態を管理している設備管理システムを人が確認し、設備の点検・修理で対処可能なものは即時処理を行い、そうではないものは設備の交換・更新を行うといった運用を行っている。

しかし、リアルタイムな機器の故障状態監視を保守業務のトリガーとする従来の保守業務では、限られた保守業務の担当者でそれら全ての対処を迅速に行うことが困難である。そして、状況によっては夜間や休日にも緊急対応を行う必要があるなど、限られたリソースの最適化に限界が生じる課題に直面している。

この課題に対し、以下の特許文献１の技術では、路側機の通信性能の劣化を検知し、故障して通信不能となる前にメンテナンスを可能としている。この技術では、高速道路の本線上に設置された車両感知器から得られる交通状況（車両台数）とその車両に搭載されている車載器から発信された無線信号と、路側機が所定時間内に受信する受信予定回数とを比較し、予定回数に対する実際の通信回数との差分から、路側機の通信性能の劣化を推定している。

しかし、この技術では監視対象設備（路側機）に応答する車載器が存在することが前提となっており、スタンドアロン（単独）で動作を行う（応答相手の存在しない）情報板や換気設備に応用するのは困難で、限られた設備に対してのみの言及しかされていない点に課題が残る。また、この技術では、個別の路側機ごとの劣化を推定できるが、実際の劣化発生を前提としており、交通量や設備の稼働状況や動作環境などに基づいて設備の故障の時期を予測するものではない。

特開２０１０－１３４６６２号公報 特開２０１０－１１７８３７号公報 特開２０２０－２８０５４号公報 特開２０１６－２０７１１８号公報

そして、従来技術における設備の定期点検などでは、設備の故障の時期が交通量や設備の稼働状況や動作環境などによってばらばらであることが考慮されておらず、改善の余地がある。

そこで、本実施形態の課題は、道路に設けられた設備の故障の時期を高精度に予測することができる設備故障予測システム、設備故障予測方法、および、設備故障予測プログラムを提供することである。

実施形態の設備故障予測システムは、道路に設けられた設備の異常状態の変化に関するデータである異常状態変化データと、前記設備の故障の時期に関係し前記道路に関する所定の履歴のデータである設備故障時期データと、を教師データとして、入力を前記設備故障時期データとし、出力を前記設備の故障の時期とする設備故障時期モデルを機械学習により生成する設備故障時期学習部と、リアルタイムの前記設備故障時期データを入力データとして、前記設備故障時期モデルを用いて、前記設備の故障の時期を予測して出力する予測処理部と、を備える。

図１は、第１実施形態の道路施設管制システムの概略を示す全体構成図である。 図２Ａは、異常状態変化データの例を示す図である。 図２Ｂは、異常頻度データの例を示す図である。 図３は、交通量データの例を示す図である。 図４は、設備稼働時間データの例を示す図である。 図５は、設備修理情報データの例を示す図である。 図６Ａは、動作環境データ（気象データ）の例を示す図である。 図６Ｂは、動作環境データ（地震データ）の例を示す図である。 図７Ａは、第１実施形態の設備故障予測システムにおける設備故障時期モデルの学習処理を示すフローチャートである。 図７Ｂは、第１実施形態の設備故障予測システムにおける設備故障時期モデルの検証処理を示すフローチャートである。 図８Ａは、第１実施形態の設備故障予測システムにおける設備故障要因モデルの学習処理を示すフローチャートである。 図８Ｂは、第１実施形態の設備故障予測システムにおける設備故障要因モデルの検証処理を示すフローチャートである。 図９は、第１実施形態の設備故障予測システムにおける予測処理を示すフローチャートである。 図１０は、第２実施形態の道路施設管制システムの概略を示す全体構成図である。 図１１は、第２実施形態において、動作環境が類似する設備についての説明図である。 図１２Ａは、第２実施形態の設備故障予測システムにおける設備劣化推定モデルの学習処理を示すフローチャートである。 図１２Ｂは、第２実施形態の設備故障予測システムにおける設備劣化推定モデルの検証処理を示すフローチャートである。 図１３は、第２実施形態の設備故障予測システムにおける設備故障時期モデルの学習処理を示すフローチャートである。 図１４は、第２実施形態の設備故障予測システムにおける設備故障要因モデルの学習処理を示すフローチャートである。

以下、添付の図面を用いて、本実施形態（第１実施形態、第２実施形態）にかかる設備故障予測システム、設備故障予測方法、および、設備故障予測プログラムについて説明する。なお、本実施形態では、道路として高速道路の場合を例にとって説明する。

（第１実施形態）
図１は、第１実施形態の道路施設管制システムＳの概略を示す全体構成図である。
道路施設管制システムＳは、施設制御システム１と、設備管理システム３と、設備修理情報システム４と、動作環境システム５と、設備故障予測システム６と、を備える。また、道路施設管制システムＳと連携する構成として、交通管制システム２、計測器７、観測局９等を有している。

計測器７は、例えば、車両感知器、監視カメラ、火災感知器、その他の各種センサ等である。
車両感知器は、高速道路の路側に設置され、交通量［台／ｈ］、平均速度［ｋｍ／ｈ］、車両密度［台／ｋｍ］、占有率（オキュパンシー）［％］などの情報を収集する感知器であり、感知した情報を交通管制システム２に送信する。

監視カメラは、高速道路の路側に設置され、高速道路を撮影するカメラであり、撮影した映像を施設制御システム１や交通管制システム２に送信する。

火災感知器は、高速道路の本線上、トンネル内、サービスエリア、パーキングエリア等に設置され、火災を感知すると感知した情報を施設制御システム１、設備管理システム３や、交通管制システム２に送信する。

各種センサは、検出した各種センサ値を外部装置に送信する。

なお、各システム１～６は、すべて別々のコンピュータ装置である必要はなく、それらのうち２つ以上が同じコンピュータ装置で実現されてもよい。

その場合、各システム１～６は、例えば、情報交換サーバや中央処理装置等の複数のコンピュータ装置によって実現される。なお、各システム１～６に関し、説明を簡潔にするために、処理部、記憶部、入力部、表示部、通信部等についての図示や説明を適宜省略する。

施設制御システム１は、道路の付帯設備である、情報板、照明装置、トンネル（換気設備等）、電源装置他を監視制御するシステムで、異常状態変化データ抽出部１１と、異常頻度データ生成部１２と、を備える。また、施設制御システム１は、計測器７からデータを受信する。

異常状態変化データ抽出部１１は、計測器７からのデータに基づいて、道路に設けられた付帯設備の異常状態の変化に関するデータである異常状態変化データを抽出する。

図２Ａは、異常状態変化データの例を示す図である。異常状態変化データは、ＩＤ（Identifier）、発生日時、管理事務所、場所、設備、（道路の）方向、（設備の）異常状態、動作、処理状況の各項目から構成される。ここでは、換気設備の駆動部に故障が発生したこと等を示している。
異常状態変化データ抽出部１１で抽出された異常状態変化データは、管理事務所８に駐在する作業者８１にも提供され、また、必要な時に閲覧できるようになっている。

図１に戻って、異常頻度データ生成部１２は、計測器７からのデータに基づいて、設備の異常状態の頻度に関するデータである異常頻度データを抽出する。

図２Ｂは、異常頻度データの例を示す図である。異常頻度データは、ＩＤ、期間、管理事務所、場所、設備、（道路の）方向、異常状態、動作、頻度の各項目から構成される。ここでは、対象期間内に図２Ａに示す換気設備の駆動部の故障が１２回発生したこと等を示している。

図１に戻って、設備管理システム３は、設備稼働時間データ作成部３１を備える。設備稼働時間データ作成部３１は、計測器７からのデータに基づいて、設備稼働時間データを作成する。

図４は、設備稼働時間データの例を示す図である。設備稼働時間データは、ＩＤ、施設名、（道路の）方向、設備名、環境、竣工年月、製造会社、経過年数、保守期限の各項目から構成される。ここでは、図２Ａに示す換気設備の保守期限等について示している。

図１に戻って、設備修理情報システム４は、設備修理情報データ作成部４１を備える。設備修理情報データ作成部４１は、管理事務所８に駐在する作業者８１による設備の修理や保守に関する入力情報（保守点検や作業の日報データ等の情報）に基づいて、設備修理情報データを作成する。

図５は、設備修理情報データの例を示す図である。設備修理情報データは、ＩＤ、施設名、（道路の）方向、設備名、発生日時、故障種別、故障内容、処理内容の各項目から構成される。ここでは、図２Ａに示す換気設備について、駆動部ユニットの交換によって復旧したこと等を示している。

図１に戻って、動作環境システム５は、動作環境データ作成部５１を備える。動作環境データ作成部５１は、観測局９からのデータに基づいて、道路の区間ごとの設備の動作環境データを作成する。
観測局９は、例えば、気象情報（天候、気温、路温、風向、風速、雨量等）や地震情報（震度、ＳＩ値、加速度等）の観測局である。

図６Ａは、動作環境データ（気象データ）の例を示す図である。動作環境データ（気象データ）は、ＩＤ、発生日時、管理事務所、（道路の）区間、設備、（道路の）方向、天候、気温、路温、風向、風速、雨量の各項目から構成される。ここでは、図２Ａに示す換気設備が存在する区間についての気象データ等を示している。

図６Ｂは、動作環境データ（地震データ）の例を示す図である。動作環境データ（地震データ）は、ＩＤ、発生日時、管理事務所、（道路の）区間、設備、（道路の）方向、震度、ＳＩ値、加速度の各項目から構成される。ここでは、図２Ａに示す換気設備が存在する区間についての地震データなどを示している。

図１に戻って、交通管制システム２は、走行する車両の状況を監視することで、交通流を制御するシステムで、交通量データ作成部２１を備える。交通量データ作成部２１は、計測器７からのデータに基づいて、交通量データを作成する。

図３は、交通量データの例を示す図である。交通量データは、ＩＤ、発生日時、管理事務所、（道路の）区間、設備、（道路の）方向、交通量、速度、時間占有率の各項目から構成される。ここでは、図２Ａに示す換気設備の駆動部の故障が発生したときの交通量等を示している。

図１に戻って、設備故障予測システム６は、処理部６１と、記憶部６２と、入力部６３と、表示部６４と、を備える。

処理部６１は、機能部として、設備故障時期学習部６１１と、設備故障要因学習部６１２と、予測処理部６１３と、出力制御部６１４と、を備える。

処理部６１は、例えば、ＭＰＵ（Micro Processing Unit）と、ＲＯＭ（Read Only Memory）と、ＲＡＭ（Random Access Memory）と、を備える。
ＲＯＭは、各種プログラムや各種データを記憶する記憶媒体である。ＲＡＭは、各種プログラムを一時的に記憶したり、各種データを書き換えたりするための記憶媒体である。
ＭＰＵは、設備故障予測システム６の動作を統括的に制御する。そして、ＭＰＵは、ＲＡＭをワークエリア（作業領域）としてＲＯＭ、記憶部６２等に格納されたプログラムを実行する。

設備故障時期学習部６１１は、設備故障時期モデル６２２を機械学習により生成する学習部である。設備故障時期学習部６１１は、道路に設けられた設備の異常状態の変化に関するデータである異常状態変化データと、設備の故障の時期に関する所定の履歴のデータである設備故障時期データと、を教師データとして、機械学習により後述する設備故障時期モデル６２２を生成する。設備故障時期データは、道路の交通量データ、設備稼働時間データ、設備修理情報データの少なくともいずれかを含む。設備故障時期モデル６２２の学習処理については、図７Ａを用いて後述する。

設備故障要因学習部６１２は、設備故障要因モデル６２３を生成する学習部である。設備故障要因学習部６１２は、設備の異常状態の頻度に関するデータである異常頻度データと、設備の故障の要因に関係し道路に関する所定の履歴のデータである設備故障要因データと、を教師データとして、機械学習により、後述する設備故障要因モデル６２３を生成する。設備故障要因データは、交通量データ、設備稼働時間データ、設備修理情報データ、設備の動作環境データの少なくともいずれかを含む。設備故障要因モデル６２３の学習処理については、図７Ｂを用いて後述する。

記憶部６２は、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）などの記憶装置である。記憶部２２は、各種プログラム、各種データを記憶する。記憶部６２は、例えば、設備故障予測モデル６２１を記憶する。設備故障予測モデル６２１は、例えば、設備故障時期モデル６２２と、設備故障要因モデル６２３と、から構成される。

設備故障時期モデル６２２は、特定の状況下（交通量・設備稼働時間・設備修理情報（履歴）など）における設備の故障発生傾向に基づいて、どのような時にどの設備が壊れやすいかを推定するための学習モデルである。具体的には、設備故障時期モデル６２２は、設備故障時期データと入力とし、設備の故障の時期を出力するモデルとなる。

設備故障要因モデル６２３は、特定の状況下（交通量、設備稼働時間、設備修理情報（履歴）、動作環境など）における設備の故障発生傾向に基づいて、どのような時になぜ壊れやすいか（要因）を推定するための学習モデルである。設備故障要因モデル６２３は、設備故障要因データを入力をとし、設備の故障の要因を出力とするモデルとなる。

予測処理部６１３は、設備故障時期モデル６２２と設備故障要因モデル６２３を用いて、設備故障を予測する予測部である。予測処理部６１３は、設備故障時期モデル６２２を用いて、リアルタイムの設備故障時期データを入力データとして、設備の故障の時期を予測して出力する。また、予測処理部６１３は、さらに、設備故障要因モデル６２３を用いて、リアルタイムの設備故障要因データを入力データとして、設備の故障の要因を予測して出力する。なお、予測処理部６１３は、設備故障時期モデル６２２と設備故障要因モデル６２３のそれぞれについて、予測処理と同様の処理と正解データを用いて検証処理を実行することもできる（詳細は後述）。

出力制御部６１４は、予測処理部６１３による予測結果を表示部６４に表示させたり、記憶部６２に記憶させたり、外部装置に送信したりする。

入力部６３は、設備故障予測システム６に対するユーザの操作を受け付ける入力装置であり、例えば、キーボード、マウス、タッチパネル等である。

表示部６４は、情報を表示する装置であり、例えば、液晶表示装置（ＬＣＤ（Liquid Crystal Display））、有機ＥＬ（Electro-Luminescence）表示装置等である。

以下、本実施形態の動作を発明する。
まずは、設備故障時期モデル６２２の学習処理と検証処理について、説明する。
図７Ａは、第１実施形態の設備故障予測システム６における設備故障時期モデル６２２の学習処理を示すフローチャートである。
ステップＳ１１において、設備故障予測システム６の処理部６１は、施設制御システム１の異常状態変化データ抽出部１１から異常状態変化データ（図２Ａ）を抽出（入力）する。

次に、ステップＳ１２において、処理部６１は、設備の故障が短時間で復旧しているか否かを判定し、Ｙｅｓの場合はステップＳ１３に進み、Ｎｏの場合はステップＳ１１に戻る。ここでは、設備の故障が短時間で復旧している場合の異常状態変化データについては学習ノイズとなるため排除することを意図している。

ステップＳ１３において、処理部６１は、交通管制システム２の交通量データ作成部２１から交通量データ（図３）を入力する。

次に、ステップＳ１４において、処理部６１は、設備管理システム３の設備稼働時間データ作成部３１から設備稼働時間データ（図４）を入力する。

次に、ステップＳ１５において、処理部６１は、設備修理情報システム４の設備修理情報データ作成部４１から設備修理情報データ（図５）を入力する。

次に、ステップＳ１６において、設備故障時期学習部６１１は、ステップＳ１１、Ｓ１３、Ｓ１４、Ｓ１５で入力した各データを教師データとして、記憶部６２の設備故障時期モデル６２２に学習させる。
このように、異常状態変化データを繰り返し学習させることで、機械学習により設備故障時期モデル６２２を生成していく。

図７Ｂは、第１実施形態の設備故障予測システム６における設備故障時期モデル６２２を使った検証処理を示すフローチャートである。
ステップＳ２１において、設備故障予測システム６の処理部６１は、状態変化リアルタイムデータ（ステップＳ１１、Ｓ１３、Ｓ１４、Ｓ１５の各データのリアルタイムデータ）を入力する。

次に、ステップＳ２２において、予測処理部６１３は、ステップＳ２１で入力したデータと設備故障時期モデル６２２を用いて設備故障の時期を予測し、予測結果を出力する。

次に、ステップＳ２３において、予測処理部６１３は、予め記憶部６２に記憶されている設備故障情報データ（正解データ）を入力する。

次に、ステップＳ２４において、予測処理部６１３は、予測結果と正解データに基づいて評価、検証を行う。あるいは、ユーザによる評価、検証の結果を設備故障予測システム６に入力してもよい。

次に、ステップＳ２５において、予測処理部６１３は、正解率等を算出する。ユーザは、例えば表示部６４を介してこの正解率等を確認することで、設備故障時期モデル６２２の改善のための対応を行うことができる。

次に、設備故障要因モデル６２３の学習処理と検証処理について、説明する。
図８Ａは、第１実施形態の設備故障予測システム６における設備故障要因モデル６２３の学習処理を示すフローチャートである。
ステップＳ３１において、設備故障予測システム６の処理部６１は、施設制御システム１の異常頻度データ生成部１２から異常頻度データ（図２Ｂ）を抽出（入力）する。

ステップＳ３２において、処理部６１は、交通管制システム２の交通量データ作成部２１から交通量データ（図３）を入力する。

次に、ステップＳ３３において、処理部６１は、設備管理システム３の設備稼働時間データ作成部３１から設備稼働時間データ（図４）を入力する。

次に、ステップＳ３４において、処理部６１は、設備修理情報システム４の設備修理情報データ作成部４１から設備修理情報データ（図５）を入力する。

次に、ステップＳ３５において、処理部６１は、動作環境システム５の動作環境データ作成部５１から動作環境データ（図６Ａ、図６Ｂ）を入力する。

次に、ステップＳ３６において、設備故障要因学習部６１２は、ステップＳ３１～Ｓ３５で入力した各データを教師データとして、設備故障要因モデル６２３を機械学習により生成し、記憶部６２に記憶する。

図８Ｂは、第１実施形態の設備故障予測システム６における設備故障要因モデル６２３の検証処理を示すフローチャートである。
ステップＳ４１において、設備故障予測システム６の処理部６１は、状態変化リアルタイムデータ（ステップＳ３１～Ｓ３５の各データのリアルタイムデータ）を入力する。

次に、ステップＳ４２において、予測処理部６１３は、ステップＳ４１で入力したデータと設備故障要因モデル６２３を用いて設備故障の要因を予測し、予測結果を出力する。

次に、ステップＳ４３において、予測処理部６１３は、予め記憶部６２に記憶されている設備故障情報データ（正解データ）を入力する。

次に、ステップＳ４４において、予測処理部６１３は、予測結果と正解データに基づいて評価、検証を行う。あるいは、ユーザによる評価、検証の結果を設備故障予測システム６に入力してもよい。

次に、ステップＳ４５において、予測処理部６１３は、正解率等を算出する。ユーザは、例えば表示部６４を介してこの正解率等を確認することで、設備故障要因モデル６２３の改善のための対応を行うことができる。

次に、予測処理部６１３で行われる設備故障の予測処理について説明する。
図９は、第１実施形態の設備故障予測システム６における予測処理を示すフローチャートである。ここでは、図７Ａ、図７Ｂの処理によって設備故障時期モデル６２２の作成と、図８Ａ、図８Ｂの処理によって設備故障要因モデル６２３の作成が完了しているものとする。

ステップＳ５１において、設備故障予測システム６の処理部６１は、状態変化リアルタイムデータ（ステップＳ３１～Ｓ３５の各データのリアルタイムデータ）を入力する。

次に、ステップＳ５２において、予測処理部６１３は、ステップＳ５１で入力したデータと設備故障時期モデル６２２、設備故障要因モデル６２３を用いて設備故障の時期、要因を予測し、予測結果を出力する。

次に、ステップＳ５３において、出力制御部６１４は、ステップＳ５２による予測結果を出力する。つまり、出力制御部６１４は、予測結果を、表示部６４に表示させたり、記憶部６２に記憶させたり、外部装置に送信したりする。

このように、第１実施形態の設備故障予測システム６によれば、設備故障時期モデル６２２を作成して用いることで、道路に設けられた設備の故障の時期を高精度に予測することができる。また、設備故障要因モデル６２３を作成して用いることで、設備の故障の要因を高精度に予測することができる。なお、設備故障を予測する対象時期としては、例えば、数時間後～数日後程度であってもよいし、あるいは、数か月後～１年後程度であってもよい。

ユーザは、これらの予測結果に基づいて設備の点検や交換を行うこと等によって対応することができる。したがって、高速道路の各種設備の停止時間（ダウンタイム）を減らすことができる。また、高速道路の各種設備の更新計画を検討する上で定量的な根拠データとすることができる。さらに、保守業務を行う担当者が、夜間・休日の突発対応を行う頻度を減らすことができる。

（第２実施形態）
次に、第２実施形態について説明する。第１実施形態と同様の事項については、重複する説明を適宜省略する。

図１０は、第２実施形態の道路施設管制システムＳａの概略を示す全体構成図である。図１０では、図１と比べて、道路施設管制システムＳａと連携する構成として、設備環境センサ９１、ＣＣＴＶ（Closed-Circuit Television）カメラ２０２、料金収受システム１００、ＥＴＣ（Electronic Toll Collection System）装置１０２、ＣＣＴＶシステム２００、が追加されている。なお、図１０における矢印は、主な情報の流れを示すもので、矢印のない部分で情報の流れがあってもよい。

設備環境センサ９１は、設備に対して設置されている。設備環境センサ９１は、例えば、設備の周辺温度を計測する温度センサ、設備の周辺湿度を計測する湿度センサ、設備に対する振動を計測する振動センサなどである。設備環境センサ９１は、計測データを動作環境システム５に送信する。

動作環境システム５の動作環境データ作成部５１は、設備環境センサ９１からの計測データに基づいて、設備の動作環境データを作成し、動作環境データを設備故障予測システム６ａに送信する。

ＣＣＴＶカメラ２０２は、高速道路の路側に設置され、高速道路を撮影し、撮影した映像をＣＣＴＶシステム２００に送信する。

ＣＣＴＶシステム２００は、画像処理データ作成部２０１を備える。画像処理データ作成部２０１は、ＣＣＴＶカメラ２０２から取得した映像に所定の画像処理を行い、画像処理後のデータ（画像処理データ）を設備故障予測システム６ａに送信する。

ＥＴＣ装置１０２は、走行車両から通行料金を収受するために、料金所等に設けられている装置である。ＥＴＣ装置１０２は、通過する車両の車載器と通信し、車両に関する各種のデータを取得し、データを料金収受システム１００に送信する。

料金収受システム１００は、車両種別データ作成部１０１を備える。車両種別データ作成部１０１は、ＥＴＣ装置１０２から取得したデータに基づいて、道路を走行する車両の車両種別データ（大型車、普通車などを示すデータ）を作成し、車両種別データを設備故障予測システム６ａに送信する。

なお、本実施形態の道路設備には、設備環境センサ９１が設置されている設備（以下、「センサあり設備」ともいう。）と、設備環境センサ９１が設置されていない設備（以下、「センサなし設備」ともいう。）の２種類がある。

センサあり設備については、動作環境システム５から設備故障予測システム６ａに動作環境データが送信される。そして、設備故障予測システム６ａは、その動作環境データを用いて、設備劣化推定モデル６２４を生成することができる。一方、センサなし設備については、動作環境データに代わる情報を用いて、設備劣化推定モデル６２４を生成する（詳細は後述）。

設備故障予測システム６ａは、図１の設備故障予測システム６と比べて、処理部６１ａに振動推定部６１５と劣化影響度学習部６１６が追加され、記憶部６２ａに設備劣化推定モデル６２４が追加されている。

劣化影響度学習部６１６は、設備劣化推定モデル６２４を機械学習により記憶部６２ａに生成する学習部である。
まず、センサあり設備の場合は、劣化影響度学習部６１６は、動作環境システム５から取得した動作環境データと、施設制御システム１から取得した異常状態変化データと、を教師データとして、機械学習により、設備劣化推定モデル６２４を記憶部６２ａに生成する。なお、設備劣化推定モデル６２４は、動作環境データを入力とし、設備の劣化への影響の度合いを示す劣化影響度を出力とするモデルである。ここで、予め、異常状態変化データなどに基づいて、劣化影響度の正解データは作成されているものとする。

また、センサなし設備について、劣化影響度学習部６１６は、動作環境データの代わりに動作環境推定データなどを用いて、機械学習により、設備劣化推定モデル６２４を生成する。そして、設備劣化推定モデル６２４を用いて、設備の故障の時期を予測して出力する。ここで、劣化影響度学習部６１６は、当該設備の動作環境に関係し少なくとも交通状況、道路に関するイベント、気象状況（雨、雪、日照条件など）のいずれかに関する所定の履歴のデータである動作環境関連データを用いて当該設備の動作環境を推定して動作環境推定データを生成し、動作環境データの代わりに動作環境推定データを用いるようにしてもよい。

ここで、動作環境関連データとしては、例えば、交通管制システム２から取得した交通データや、観測局９から動作環境システム５を経由して取得した気象データや、施設制御システム１から取得した火災、大雨等のイベントデータなどが挙げられる。

また、センサなし設備について、劣化影響度学習部６１６は、動作環境データの代わりに、設備環境センサが設置されていて動作環境が類似する設備の動作環境データを用いるようにしてもよい。これについて、図１１を用いて説明する。

図１１は、第２実施形態において、動作環境が類似する設備についての説明図である。図１１（ａ）に示すように、長大トンネル４００Ａの近傍に、情報板３００ＡとＣＣＴＶカメラ２０２Ａが設置されている。

情報板３００Ａには、設備環境センサ９１（計測用センサ）として、湿度センサと、温度センサと、振動センサと、が設置されている。また、この位置での交通イベントとして、交通量と雨と雪に関する情報が設備故障予測システム６ａで得られる。

また、ＣＣＴＶカメラ２０２Ａには、設備環境センサ９１（計測用センサ）が設置されていない。この場合、ＣＣＴＶカメラ２０２Ａの動作環境と、ＣＣＴＶカメラ２０２Ａの近隣の情報板３００Ａの動作環境は類似していると考えられる。したがって、情報板３００Ａの動作環境データを、ＣＣＴＶカメラ２０２Ａの動作環境データとして用いることができる。

また、図１１（ｂ）に示すように、長大トンネル４００Ｂの近傍に、情報板３００ＢとＣＣＴＶカメラ２０２Ｂが設置されている。

情報板３００Ａには、設備環境センサ９１（計測用センサ）が設置されていない。また、この位置での交通イベントとして、交通量と雨と雪に関する情報が設備故障予測システム６ａで得られる。そして、情報板３００Ａの交通イベントと情報板３００Ｂの交通イベントは同じかあるいは類似している。よって、両者の動作環境は類似していると考えられる。したがって、情報板３００Ａの動作環境データを、情報板３００Ｂの動作環境データとして用いることができる。

また、ＣＣＴＶカメラ２０２Ｂには、設備環境センサ９１（計測用センサ）が設置されていない。この場合、ＣＣＴＶカメラ２０２Ｂの動作環境と、ＣＣＴＶカメラ２０２Ｂの近隣の情報板３００Ｂの動作環境は類似していると考えられる。したがって、情報板３００Ｂの動作環境データ（つまり、情報板３００Ａの動作環境データ）を、ＣＣＴＶカメラ２０２Ｂの動作環境データとして用いることができる。

このようにして、センサなし設備については、動作環境が類似するセンサあり設備の動作環境データを用いることができる。なお、この設定は、ユーザにより手動で行ってもよいし、あるいは、処理部６１ａによって自動で行ってもよい。

また、動作環境が類似するか否かの判断には、道路構造や地形について考慮してもよい。道路構造とは、例えば、橋の上、トンネルの中や入口、坂道などである。地形とは、例えば、平野、山、谷などである。道路構造や地形が類似しているほど、動作環境も類似している可能性が高い。

また、センサなし設備について、劣化影響度学習部６１６は、ＣＣＴＶカメラ２０２の映像を解析して気象状況データを生成し、動作環境データの代わりに気象状況データを用いるようにしてもよい。

図１０に戻って、設備故障時期学習部６１１ａは、設備故障時期モデル６２２ａを記憶部６２ａに生成する学習部である。
設備故障時期学習部６１１ａは、異常状態変化データと、設備故障時期データと、動作環境データと、を教師データとして機械学習させることで、設備劣化推定モデル６２４を用いて、設備故障時期モデル６２２ａを記憶部６２ａに生成する。ここで、設備故障時期モデル６２２ａは、設備故障時期データおよび動作環境データを入力とし、設備の故障の時期を出力とするモデルである。

また、予測処理部６１３ａは、設備の故障の時期を予測する処理部である。予測処理部６１３ａは、リアルタイムの設備故障時期データおよび動作環境データを入力データとして、設備故障時期モデル６２２ａおよび設備劣化推定モデル６２４を用いて、設備の故障の時期を予測して出力する。

また、振動推定部６１５は、センサなし設備について、ＣＣＴＶカメラ２０２の映像を用いて道路を走行する車両の大きさを認識して設備に対する振動を推定して振動推定データを生成するようにしてもよい。そして、劣化影響度学習部６１６は、動作環境データの代わりに振動推定データを用いる。

また、振動推定部６１５は、センサなし設備について、料金収受システム１００から取得した道路を走行する車両の車両種別データを用いて設備に対する振動を推定して振動推定データを生成するようにしてもよい。そして、劣化影響度学習部６１６は、動作環境データの代わりに振動推定データを用いる。

以下、第２実施形態の設備故障予測処理について、説明する。記憶部６２ａに生成される、モデル毎に学習処理と検証処理について、それぞれ説明する。
まず、設備劣化推定モデル６２４の学習処理について、説明する。
図１２Ａは、第２実施形態の設備故障予測システム６ａにおける設備劣化推定モデル６２４の学習処理を示すフローチャートである。
ステップＳ６１において、設備故障予測システム６ａの処理部６１ａは、施設制御システム１の異常状態変化データ抽出部１１から異常状態変化データ（図２Ａ）を入力する。

次に、ステップＳ６２において、処理部６１ａは、施設制御システム１の異常頻度データ生成部１２から異常頻度データ（図２Ｂ）を入力する。

次に、ステップＳ６３において、処理部６１ａは、交通管制システム２の交通量データ作成部２１から交通量データ（図３）を入力する。

次に、ステップＳ６４において、処理部６１ａは、予め記憶部６２ａに記憶されている設備故障情報データを入力する。

次に、ステップＳ６５において、処理部６１ａは、設備管理システム３の設備稼働時間データ作成部３１から設備稼働時間データ（図４）を入力する。

次に、ステップＳ６６において、処理部６１は、動作環境システム５の動作環境データ作成部５１から動作環境データ（図６Ａ、図６Ｂなど）を入力する。
なお、センサあり設備に関しては、設備環境センサ９１からの計測データに基づいて動作環境データ作成部５１によって作成された動作環境データを入力する。

また、センサなし設備に関しては、観測局９からのデータに基づいて動作環境データ作成部５１によって作成された動作環境データを入力する。

次に、ステップＳ６７において、処理部６１ａは、センサなし設備に関して、振動推定部６１５から振動推定データを入力する。

次に、ステップＳ６８において、処理部６１ａは、センサなし設備に関して、ＣＣＴＶシステム２００の画像処理データ作成部２０１から画像処理データを入力する。

次に、ステップ６９において、劣化影響度学習部６１６は、設備劣化推定モデル６２４を機械学習により生成する。具体的には、例えば、センサあり設備について、劣化影響度学習部６１６は、ステップＳ６６で取得した動作環境データと、ステップＳ６１～Ｓ６５で取得した各データを用いて、設備劣化推定モデル６２４を機械学習により生成する。

また、例えば、センサなし設備について、劣化影響度学習部６１６は、設備の動作環境に関係し少なくとも交通状況、道路に関するイベント、気象状況（雨、雪、日照条件など）のいずれかに関する所定の履歴のデータである動作環境関連データを用いて当該設備の動作環境を推定して動作環境推定データを生成し、動作環境データの代わりに動作環境推定データを用いるようにしてもよい。

また、例えば、センサなし設備について、劣化影響度学習部６１６は、動作環境データの代わりに、設備環境センサが設置されていて動作環境が類似する設備の動作環境データを用いるようにしてもよい。

また、例えば、センサなし設備について、劣化影響度学習部６１６は、動作環境データの代わりに、振動推定部６１５によって作成された振動推定データを用いるようにしてもよい。

また、例えば、センサなし設備について、劣化影響度学習部６１６は、ＣＣＴＶカメラ２０２の映像を解析して気象状況データを生成し、動作環境データの代わりに気象状況データを用いるようにしてもよい。

次に、設備劣化推定モデル６２４の検証処理について、説明する。
図１２Ｂは、第２実施形態の設備故障予測システム６ａにおける設備劣化推定モデル６２４の検証処理を示すフローチャートである。
まず、ステップＳ７１において、設備故障予測システム６ａの処理部６１ａは、状態変化リアルタイムデータ（ステップＳ６１～Ｓ６８の各データのリアルタイムデータ）を入力する。

次に、ステップＳ７２において、予測処理部６１３ａは、ステップＳ７１で入力したデータと設備劣化推定モデル６２４を用いて劣化影響度を推定し、推定結果を出力する。

次に、ステップＳ７３において、予測処理部６１３ａは、予め記憶部６２に記憶されている劣化影響度データ（正解データ）を入力する。

次に、ステップＳ７４において、予測処理部６１３ａは、予測結果と正解データに基づいて評価、検証を行う。あるいは、ユーザによる評価、検証の結果を設備故障予測システム６ａに入力してもよい。

次に、ステップＳ７５において、予測処理部６１３ａは、正解率等を算出する。ユーザは、例えば表示部６４を介してこの正解率等を確認することで、設備劣化推定モデル６２４の改善のための対応を行うことができる。

次に、設備故障時期モデル６２２ａの学習処理について、説明する。
図１３は、第２実施形態の設備故障予測システム６ａにおける設備故障時期モデル６２２ａの学習処理を示すフローチャートである。
まず、ステップＳ１１において、設備故障予測システム６ａの処理部６１ａは、施設制御システム１の異常状態変化データ抽出部１１から異常状態変化データ（図２Ａ）を入力する。

次に、ステップＳ１２において、処理部６１ａは、設備の故障が短時間で復旧しているか否かを判定する。ここで、Ｙｅｓの場合はステップＳ１３に進み、Ｎｏの場合はステップＳ１１に戻る。

ステップＳ１３において、処理部６１ａは、交通管制システム２の交通量データ作成部２１から交通量データ（図３）を入力する。

次に、ステップＳ１４において、処理部６１ａは、設備管理システム３の設備稼働時間データ作成部３１から設備稼働時間データ（図４）を入力する。

次に、ステップＳ１５において、処理部６１ａは、設備修理情報システム４の設備修理情報データ作成部４１から設備修理情報データ（図５）を入力する。

次に、ステップＳ１０１において、処理部６１ａは、動作環境システム５の動作環境データ作成部５１から動作環境データ（図６Ａ、図６Ｂなど）を入力する。
なお、センサあり設備に関しては、設備環境センサ９１からの計測データに基づいて動作環境データ作成部５１によって作成された動作環境データを入力する。
また、センサなし設備に関しては、動作環境データの代わりに使用する上述の各種データ（動作環境推定データ、動作環境が類似するセンサあり設備の動作環境データ、振動推定データ、気象状況データ）を入力する。

次に、ステップＳ１６ａにおいて、設備故障時期学習部６１１は、ステップＳ１１、Ｓ１３、Ｓ１４、Ｓ１５、Ｓ１０１で入力した各データを教師データとして、また、さらに設備劣化推定モデル６２４を用いて、設備故障時期モデル６２２を機械学習により生成し、記憶部６２に記憶する。

次に、設備故障要因モデル６２３ａの学習処理について説明する。
図１４は、第２実施形態の設備故障予測システム６ａにおける設備故障要因モデル６２３ａの学習処理を示すフローチャートである。
ステップＳ３１において、設備故障予測システム６の処理部６１ａは、施設制御システム１の異常頻度データ生成部１２から異常頻度データ（図２Ｂ）を入力する。

ステップＳ３２において、処理部６１ａは、交通管制システム２の交通量データ作成部２１から交通量データ（図３）を入力する。

次に、ステップＳ３３において、処理部６１ａは、設備管理システム３の設備稼働時間データ作成部３１から設備稼働時間データ（図４）を入力する。

次に、ステップＳ３４において、処理部６１ａは、設備修理情報システム４の設備修理情報データ作成部４１から設備修理情報データ（図５）を入力する。

次に、ステップＳ３５ａにおいて、処理部６１ａは、動作環境システム５の動作環境データ作成部５１から動作環境データ（図６Ａ、図６Ｂなど）を入力する。
なお、センサあり設備に関しては、設備環境センサ９１からの計測データに基づいて動作環境データ作成部５１によって作成された動作環境データを入力する。
また、センサなし設備に関しては、動作環境データの代わりに使用する上述の各種データ（動作環境推定データ、動作環境が類似するセンサあり設備の動作環境データ、振動推定データ、気象状況データ）を入力する。

次に、ステップＳ３６ａにおいて、設備故障要因学習部６１２は、ステップＳ３１～Ｓ３５ａで入力した各データを教師データとして、また、さらに設備劣化推定モデル６２４を用いて、設備故障要因モデル６２３を機械学習により生成し、記憶部６２に記憶する。

このように、第２実施形態の設備故障予測システム６ａによれば、設備劣化推定モデル６２４を用いて設備の劣化影響度を推定し、その劣化影響度と、設備故障時期モデル６２２ａや設備故障要因モデル６２３ａを用いることで、道路に設けられた設備の故障の時期や要因をさらに高精度に予測することができる。

また、センサあり設備については、設備環境センサ９１からの出力データに基づく動作環境データを用いて、劣化影響度を高精度に推定できる。

また、センサなし設備については、設備環境センサ９１からの出力データに基づく動作環境データの代わりに、上述の動作環境推定データや、動作環境が類似するセンサあり設備の動作環境データや、ＣＣＴＶカメラ２０２の映像に基づく振動推定データや、ＣＣＴＶカメラ２０２の映像に基づく気象状況データや、料金収受システム１００から取得した車両種別データに基づく振動推定データなどを用いることで、劣化影響度を高精度に推定できる。

本実施形態において、設備環境センサ９１によって計測するのは、上述の温度、湿度、振動に限定されず、ほかに、例えば、トンネル内の一酸化炭素濃度や煙霧透過率などであってもよい。トンネル内では、一酸化炭素濃度や煙霧透過率によって、換気設備の稼働の有無が決まるので、それらを劣化影響度の推定に用いることができる。

なお、本実施形態の設備故障予測システム６で実行されるプログラムは、ＲＯＭ等に予め組み込まれて提供される。当該プログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ－ＲＯＭ、フレキシブルディスク（ＦＤ）、ＣＤ－Ｒ、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録して提供するように構成してもよい。

さらに、当該プログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成しても良い。また、当該プログラムをインターネット等のネットワーク経由で提供または配布するように構成しても良い。

当該プログラムは、上述した設備故障予測システム６の処理部６１における各部６１１～６１６を含むモジュール構成となっている。つまり、ＣＰＵが上記ＲＯＭからプログラムを読み出して実行することにより、各部６１１～６１６が主記憶装置上にロードされる。

本発明の実施形態を説明したが、この実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。この新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。この実施形態は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

例えば、対象の道路は、高速道路に限定されず、一般道路等の他の道路に設置された道路付帯設備にも同様に適用できる。

Ｓ…道路施設管制システム、１…施設制御システム、２…交通管制システム、３…設備管理システム、４…設備修理情報システム、５…動作環境システム、６…設備故障予測システム、７…計測器、８…管理事務所、９…観測局、１１…異常状態変化データ抽出部、１２…異常頻度データ生成部、２１…交通量データ作成部、３１…設備稼働時間データ作成部、４１…設備修理情報データ作成部、５１…動作環境データ作成部、６１…処理部、８１…作業者、９１…設備環境センサ、１００…料金収受システム、１０１…車両種別データ作成部、１０２…ＥＴＣ装置、２００…ＣＣＴＶシステム、２０１…画像処理データ作成部、２０２…ＣＣＴＶカメラ、６１１…設備故障時期学習部、６１２…設備故障要因学習部、６１３…予測処理部、６１４…出力制御部、６１５…振動推定部、６１６…劣化影響度学習部、６２１…設備故障予測モデル、６２２…設備故障時期モデル、６２３…設備故障要因モデル、６２４…設備劣化推定モデル

Claims (13)

1. 道路に設けられた設備の異常状態の変化に関するデータである異常状態変化データと、前記設備の故障の時期に関係し前記道路に関する所定の履歴のデータである設備故障時期データと、を教師データとして、入力を前記設備故障時期データとし、出力を前記設備の故障の時期とする設備故障時期モデルを機械学習により生成する設備故障時期学習部と、
   前記設備の異常状態の頻度に関するデータである異常頻度データと、前記設備の故障の要因に関係し前記道路に関する所定の履歴のデータである設備故障要因データと、を教師データとして、入力を前記設備故障要因データとし、出力を前記設備の故障の要因とする設備故障要因モデルを機械学習により生成する設備故障要因学習部と、
   リアルタイムの前記設備故障時期データを入力データとして、前記設備故障時期モデルを用いて、前記設備の故障の時期を予測して出力するとともに、リアルタイムの前記設備故障要因データを入力データとして、前記設備故障要因モデルを用いて、前記設備の故障の要因を予測して出力する予測処理部と、
   を備える設備故障予測システム。
2. 道路に設けられた設備に対して設置された設備環境センサによる出力データに基づいて作成される動作環境データと、前記設備の異常状態の変化に関するデータである異常状態変化データと、を教師データとして、入力を前記動作環境データとし、出力を前記設備の劣化への影響の度合いを示す劣化影響度とする設備劣化推定モデルを機械学習により生成する劣化影響度学習部と、
   前記異常状態変化データと、前記設備の故障の時期に関係し前記道路に関する所定の履歴のデータである設備故障時期データと、前記動作環境データと、を教師データとして、さらに、前記設備劣化推定モデルを用いて、入力を前記設備故障時期データおよび前記動作環境データとし、出力を前記設備の故障の時期とする設備故障時期モデルを機械学習により生成する設備故障時期学習部と、
   リアルタイムの前記設備故障時期データおよび前記動作環境データを入力データとして、前記設備故障時期モデルおよび前記設備劣化推定モデルを用いて、前記設備の故障の時期を予測して出力する予測処理部と、
   を備える設備故障予測システム。
3. 前記設備故障時期データは、前記道路の交通量データ、設備稼働時間データ、設備修理情報データの少なくともいずれかを含む、
   請求項１または請求項２に記載の設備故障予測システム。
4. 前記設備故障要因データは、前記道路の交通量データ、設備稼働時間データ、設備修理情報データ、前記設備の動作環境データの少なくともいずれかを含む、
   請求項１に記載の設備故障予測システム。
5. 前記劣化影響度学習部は、前記設備環境センサが設置されていない前記設備に関し、当該設備の動作環境に関係し少なくとも交通状況、前記道路に関するイベント、気象状況のいずれかに関する所定の履歴のデータである動作環境関連データを用いて当該設備の動作環境を推定して動作環境推定データを生成し、前記動作環境データの代わりに前記動作環境推定データを用いて前記設備劣化推定モデルを機械学習により生成する、請求項２に記載の設備故障予測システム。
6. 前記劣化影響度学習部は、前記設備環境センサが設置されていない前記設備に関し、前記動作環境データの代わりに、前記設備環境センサが設置されていて動作環境が類似する前記設備の前記動作環境データを用いて前記設備劣化推定モデルを機械学習により生成する、請求項２に記載の設備故障予測システム。
7. 前記設備環境センサが設置されていない前記設備に関し、前記道路に対して設置されたカメラの映像を用いて前記道路を走行する車両の大きさを認識して前記設備に対する振動を推定して振動推定データを生成する振動推定部を、さらに備え、
   前記劣化影響度学習部は、前記設備環境センサが設置されていない前記設備に関し、前記動作環境データの代わりに前記振動推定データを用いて前記設備劣化推定モデルを機械学習により生成する、請求項２に記載の設備故障予測システム。
8. 前記劣化影響度学習部は、前記設備環境センサが設置されていない前記設備に関し、前記道路に対して設置されたカメラの映像を解析して気象状況データを生成し、前記動作環境データの代わりに前記気象状況データを用いて前記設備劣化推定モデルを機械学習により生成する、請求項２に記載の設備故障予測システム。
9. 前記設備環境センサが設置されていない前記設備に関し、前記道路の料金収受システムから取得した前記道路を走行する車両の車両種別データを用いて前記設備に対する振動を推定して振動推定データを生成する振動推定部を、さらに備え、
   前記劣化影響度学習部は、前記設備環境センサが設置されていない前記設備に関し、前記動作環境データの代わりに前記振動推定データを用いて前記設備劣化推定モデルを機械学習により生成する、請求項２に記載の設備故障予測システム。
10. 道路に設けられた設備の異常状態の変化に関するデータである異常状態変化データと、前記設備の故障の時期に関係し前記道路に関する所定の履歴のデータである設備故障時期データと、を教師データとして、入力を前記設備故障時期データとし、出力を前記設備の故障の時期とする設備故障時期モデルを機械学習により生成する設備故障時期学習ステップと、
    前記設備の異常状態の頻度に関するデータである異常頻度データと、前記設備の故障の要因に関係し前記道路に関する所定の履歴のデータである設備故障要因データと、を教師データとして、入力を前記設備故障要因データとし、出力を前記設備の故障の要因とする設備故障要因モデルを機械学習により生成する設備故障要因学習ステップと、
    リアルタイムの前記設備故障時期データを入力データとして、前記設備故障時期モデルを用いて、前記設備の故障の時期を予測して出力するとともに、リアルタイムの前記設備故障要因データを入力データとして、前記設備故障要因モデルを用いて、前記設備の故障の要因を予測して出力する予測処理ステップと、
    を含む設備故障予測方法。
11. 道路に設けられた設備に対して設置された設備環境センサによる出力データに基づいて作成される動作環境データと、前記設備の異常状態の変化に関するデータである異常状態変化データと、を教師データとして、入力を前記動作環境データとし、出力を前記設備の劣化への影響の度合いを示す劣化影響度とする設備劣化推定モデルを機械学習により生成する劣化影響度学習ステップと、
    前記異常状態変化データと、前記設備の故障の時期に関係し前記道路に関する所定の履歴のデータである設備故障時期データと、前記動作環境データと、を教師データとして、さらに、前記設備劣化推定モデルを用いて、入力を前記設備故障時期データおよび前記動作環境データとし、出力を前記設備の故障の時期とする設備故障時期モデルを機械学習により生成する設備故障時期学習ステップと、
    リアルタイムの前記設備故障時期データおよび前記動作環境データを入力データとして、前記設備故障時期モデルおよび前記設備劣化推定モデルを用いて、前記設備の故障の時期を予測して出力する予測処理ステップと、
    を含む設備故障予測方法。
12. コンピュータに、
    道路に設けられた設備の異常状態の変化に関するデータである異常状態変化データと、前記設備の故障の時期に関係し前記道路に関する所定の履歴のデータである設備故障時期データと、を教師データとして、入力を前記設備故障時期データとし、出力を前記設備の故障の時期とする設備故障時期モデルを機械学習により生成する設備故障時期学習ステップと、
    前記設備の異常状態の頻度に関するデータである異常頻度データと、前記設備の故障の要因に関係し前記道路に関する所定の履歴のデータである設備故障要因データと、を教師データとして、入力を前記設備故障要因データとし、出力を前記設備の故障の要因とする設備故障要因モデルを機械学習により生成する設備故障要因学習ステップと、
    リアルタイムの前記設備故障時期データを入力データとして、前記設備故障時期モデルを用いて、前記設備の故障の時期を予測して出力するとともに、リアルタイムの前記設備故障要因データを入力データとして、前記設備故障要因モデルを用いて、前記設備の故障の要因を予測して出力する予測処理ステップと、
    を実行させるための設備故障予測プログラム。
13. コンピュータに、
    道路に設けられた設備に対して設置された設備環境センサによる出力データに基づいて作成される動作環境データと、前記設備の異常状態の変化に関するデータである異常状態変化データと、を教師データとして、入力を前記動作環境データとし、出力を前記設備の劣化への影響の度合いを示す劣化影響度とする設備劣化推定モデルを機械学習により生成する劣化影響度学習ステップと、
    前記異常状態変化データと、前記設備の故障の時期に関係し前記道路に関する所定の履歴のデータである設備故障時期データと、前記動作環境データと、を教師データとして、さらに、前記設備劣化推定モデルを用いて、入力を前記設備故障時期データおよび前記動作環境データとし、出力を前記設備の故障の時期とする設備故障時期モデルを機械学習により生成する設備故障時期学習ステップと、
    リアルタイムの前記設備故障時期データおよび前記動作環境データを入力データとして、前記設備故障時期モデルおよび前記設備劣化推定モデルを用いて、前記設備の故障の時期を予測して出力する予測処理ステップと、
    を実行させるための設備故障予測プログラム。

Images