KR102097953B1 - 고장 리스크 지표 추정 장치 및 고장 리스크 지표 추정 방법 - Google Patents

고장 리스크 지표 추정 장치 및 고장 리스크 지표 추정 방법 Download PDF

Info

Publication number
KR102097953B1
KR102097953B1 KR1020197015852A KR20197015852A KR102097953B1 KR 102097953 B1 KR102097953 B1 KR 102097953B1 KR 1020197015852 A KR1020197015852 A KR 1020197015852A KR 20197015852 A KR20197015852 A KR 20197015852A KR 102097953 B1 KR102097953 B1 KR 102097953B1
Authority
KR
South Korea
Prior art keywords
failure
information
failure risk
parameter
estimation
Prior art date
Application number
KR1020197015852A
Other languages
English (en)
Other versions
KR20190071812A (ko
Inventor
도모야 후지노
Original Assignee
미쓰비시덴키 가부시키가이샤
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 미쓰비시덴키 가부시키가이샤 filed Critical 미쓰비시덴키 가부시키가이샤
Publication of KR20190071812A publication Critical patent/KR20190071812A/ko
Application granted granted Critical
Publication of KR102097953B1 publication Critical patent/KR102097953B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

모델 식 구축부(4a)가, FMEA 결과 DB(2)로부터 읽어낸 FMEA 결과와 통계 평가용 정보 A에 근거하여, 통계적 분포에 따른 고장 리스크 지표의 추이를 나타내는 모델 식을 구축한다. 파라미터 추정부(4b)가, FMEA 결과 DB(2)와 이미 결정된 작업 간격 DB(3)로부터 읽어낸 정보에 근거하여, 모델 식으로부터 산출한 보수 작업 간격과 이미 결정된 보수 작업 간격의 차분이 가장 작아지는 모델 식의 파라미터 값을 통계적으로 추정한다.

Description

고장 리스크 지표 추정 장치 및 고장 리스크 지표 추정 방법
본 발명은, 설비에 고장이 발생하는 리스크의 지표를 추정하는 고장 리스크 지표 추정 장치 및 고장 리스크 지표 추정 방법에 관한 것이다.
고장 모드 영향 해석(이하, FMEA라고 기재한다)은, 고장이 대상 설비에 주는 영향을 고장에 관한 항목마다 레벨을 부여한 결과를 얻는 해석 수법이다. 고장에 관한 항목에는, 예컨대, 설비에 고장이 발생하는 빈도, 고장이 설비에 주는 영향의 크기 등이 있다. 또한, 설비의 가동 데이터가 충분히 축적되어 있지 않기 때문에, 가동 데이터로부터 설비의 보수 또는 수리의 필요성을 평가하는 것이 어려운 경우, 이것을 평가할 때에 FMEA의 해석 결과가 참조되는 일이 있다.
예컨대, 특허문헌 1에는, FMEA를 이용하여, 예측 대상 기계 시스템의 가동률을 예측하는 가동률 예측 장치가 기재되어 있다. 상기 가동률 예측 장치는, 고장률에 관련되는 복수의 평가 항목의 레벨과 고장 계수의 대응 관계가 규정된 맵을 구비하고 있고, 이 맵을 참조하여, 예측 대상 기계 시스템의 구성 요소의 평가 항목의 레벨에 대응하는 고장 계수를 특정한다. 상기 가동률 예측 장치는, 특정한 고장 계수로부터 구성 요소의 고장률을 추정하여, 복수의 구성 요소의 각각에서 추정한 고장률에 근거하여 예측 대상 기계 시스템의 가동률을 예측한다. 또, 상기 맵은, 유사 기계 시스템의 가동률의 실적에 맞도록 피팅된 것이다.
한편, 대상 설비에 고장이 발생하는 리스크를 정확하게 평가하려고 하는 단계에서는, 그 설비의 보수 관리가 이미 실시 중이고, 그 설비의 상황에 따른 보수 작업 간격이 정해져 있는 경우가 많다. 이 때문에, 종래로부터, 대상 설비의 구성 부품마다의 고장 요인에 근거하여, 구성 부품마다 기대되는 보수 작업 간격을 산출하는 기술이 제안되어 있다.
예컨대, 특허문헌 2에 기재되는 가동 관리 장치에서는, 정지 상태에 있는 설비의 구성 부품의 고장 요인과 고장의 영향도를 고려하여 그 구성 부품의 부품 랭크 계수를 선정하고, 그 구성 부품의 예측 수명을 고려하여 그 구성 부품의 열화 랭크 계수를 선정하고 있다. 선정한 부품 랭크 계수와 열화 랭크 계수에 근거하여, 상기 가동 관리 장치는, 구성 부품에 기대되는 검사 주기를 산출하고, 산출한 검사 주기에 근거하여 그 구성 부품의 유효 보전 주기, 즉 보수 작업 간격을 결정하고 있다.
특허문헌 1 : 일본 특허 공개 2016-126728호 공보 특허문헌 2 : 일본 특허 공개 2004-252549호 공보
특허문헌 1에 기재된 가동률 예측 장치에서는, 상기 맵을 얻기 위해, 예측 대상의 기계 시스템에 유사한 기계 시스템의 가동률의 실적을 정밀하게 재현할 수 있을 만큼의 실적 데이터가 필요했다.
또한, 상기 가동률 예측 장치에서는, 평가 항목의 서로 상이한 레벨 사이에서 고장률의 대소 관계밖에 고려되어 있지 않다. 예컨대, 고장의 빈도 레벨이 높은 고장이 발생하는 고장률보다, 고장의 빈도 레벨이 낮은 고장이 발생하는 고장률이 낮아지도록 하는 제약 조건의 아래에서, 가동률이 예측되고 있다. 이 때문에, 실제의 기계 시스템에 있어서의 고장률의 변동을 적절히 평가할 수 없다.
특허문헌 2에 기재된 가동 관리 장치에서는, 구성 부품에 기대되는 검사 주기가 현행 검사 주기의 상수배인 것을 전제로 하여 유효 보전 주기를 결정하고 있지만, 이 전제는, 고장의 리스크가 경과 시간에 대하여 선형으로 추이하지 않으면 성립하지 않는다.
실제의 설비에서 고장이 발생하는 리스크는 일반적으로 비선형으로 추이하기 때문에, 상기 가동 관리 장치를 실제의 설비에 그대로 적용할 수는 없다.
본 발명은 상기 과제를 해결하는 것이고, 설비의 보수 실적 데이터가 없거나 또는 적은 경우에도, 설비에 고장이 발생하는 리스크의 지표를 적절히 추정할 수 있는 고장 리스크 지표 추정 장치 및 고장 리스크 지표 추정 방법을 얻는 것을 목적으로 한다.
본 발명과 관련되는 고장 리스크 지표 추정 장치는, 모델 식 구축부, 파라미터 추정부, 범위 축소부, 지표 추정부 및 병합부를 구비한다. 모델 식 구축부는, 설비를 구성하는 부품의 점검 항목마다의 FMEA 결과를 나타내는 정보 및 고장 리스크 지표의 추정에 이용하는 통계적 분포를 나타내는 정보에 근거하여, 통계적 분포에 따른 고장 리스크 지표의 추이를 나타내는 모델 식을 구축한다. 파라미터 추정부는, 설비를 구성하는 부품의 점검 항목마다의 FMEA 결과를 나타내는 정보 및 부품의 점검 항목마다 이미 결정된 보수 작업 간격을 나타내는 정보에 근거하여, 모델 식으로부터 산출한 보수 작업 간격과 이미 결정된 보수 작업 간격의 차분이 가장 작아지는 모델 식의 파라미터 값을 통계적으로 추정한다. 범위 축소부는, 설비, 설비를 구성하는 부품 및 부품마다의 점검 항목을 포함하는 설비 정보, 설비를 구성하는 부품의 점검 항목마다의 보수 작업의 실적 데이터 및 설비를 구성하는 부품마다의 고장의 실적 데이터를, 고장 모드 영향 해석 결과마다 대응하는 정보로 분류한다. 지표 추정부는, 범위 축소부에 의해 분류된 정보에 근거하여, 보수 작업의 실적 데이터와 고장의 실적 데이터의 관계에 따른 고장 리스크 지표의 추정치를 추정한다. 병합부는, 파라미터 추정부에 의해 추정된 파라미터 값인 제 1 추정치와 지표 추정부에 의해 추정된 추정치인 제 2 추정치를 안분하여, 최종적인 고장 리스크 지표의 추정치를 산출한다.
본 발명에 따르면, 통계적 분포에 따른 고장 리스크 지표의 추이를 나타내는 모델 식을 구축하고, 모델 식의 파라미터 값을 고장 리스크 지표의 추정치로서 통계적으로 추정한다. 이와 같이 함으로써, 설비의 보수 실적 데이터가 없거나 또는 적은 경우에도, 설비에 고장이 발생하는 리스크의 지표를 적절히 추정할 수 있다.
도 1은 본 발명의 실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치의 기능 구성을 나타내는 블록도이다.
도 2a는 FMEA 결과 데이터베이스(이하, DB라고 기재한다)에 기억되는 정보의 항목을 나타내는 도면이다. 도 2b는 이미 결정된 작업 간격 DB에 기억되는 정보의 항목을 나타내는 도면이다. 도 2c는 통계 평가용 정보를 나타내는 도면이다.
도 3은 실시의 형태 1에 있어서의 제 1 기억부에 기억되는 정보의 항목을 나타내는 도면이다.
도 4a는 실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치의 기능을 실현하는 하드웨어 구성을 나타내는 블록도이다. 도 4b는 실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치의 기능을 실현하는 소프트웨어를 실행하는 하드웨어 구성을 나타내는 블록도이다.
도 5는 실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치의 동작을 나타내는 플로차트이다.
도 6은 고장 리스크 지표와 중간 평가 지표의 관계를 나타내는 도면이다.
도 7은 FMEA 결과의 평가 항목과 중간 평가 지표의 관련성을 나타내는 도면이다.
도 8은 모델 식 구축부 및 파라미터 추정부의 동작을 나타내는 플로차트이다.
도 9는 FMEA 결과 DB와 이미 결정된 작업 간격 DB의 테이블 데이터를 병합한 결과를 나타내는 도면이다.
도 10은 FMEA 결과의 평가 항목에 중간 평가 지표의 파라미터를 할당한 결과를 나타내는 도면이다.
도 11은 모델 식으로부터 산출되는 보수 작업 간격을 나타내는 도면이다.
도 12는 본 발명의 실시의 형태 2와 관련되는 고장 리스크 지표 추정 장치의 기능 구성을 나타내는 블록도이다.
도 13a는 설비 정보 DB에 기억되는 정보의 항목을 나타내는 도면이다. 도 13b는 보수 실적 DB에 기억되는 정보의 항목을 나타내는 도면이다. 도 13c는 고장 실적 DB에 기억되는 정보의 항목을 나타내는 도면이다.
도 14a는 범위 축소 데이터 기억부에 기억되는 정보의 항목을 나타내는 도면이다. 도 14b는 제 2 기억부에 기억되는 정보의 항목을 나타내는 도면이다. 도 14c는 고장 리스크 지표의 추정치를 나타내는 도면이다.
도 15는 실시의 형태 2와 관련되는 고장 리스크 지표 추정 장치의 동작을 나타내는 플로차트이다.
도 16은 실시의 형태 2에 있어서의 범위 축소부의 동작을 나타내는 플로차트이다.
도 17은 실시의 형태 2에 있어서의 지표 추정부의 동작을 나타내는 플로차트이다.
도 18은 실시의 형태 2에 있어서의 병합부의 동작을 나타내는 플로차트이다.
이하, 본 발명을 보다 상세하게 설명하기 위해, 본 발명을 실시하기 위한 형태에 대하여, 첨부된 도면에 따라 설명한다.
실시의 형태 1.
도 1은 본 발명의 실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치(1)의 기능 구성을 나타내는 블록도이다. 고장 리스크 지표 추정 장치(1)는, 설비의 고장 리스크 지표를 추정하는 장치이고, FMEA 결과 DB(2), 이미 결정된 작업 간격 DB(3), 지표 추정부(4) 및 제 1 기억부(5)를 구비한다. 지표 추정부(4)는, FMEA 결과 DB(2) 및 이미 결정된 작업 간격 DB(3)의 각각으로부터 읽어낸 정보와 통계 평가용 정보 A에 근거하여 설비의 고장 리스크 지표를 추정한다. 고장 리스크 지표란, 설비를 구성하는 부품에 고장이 발생하는 리스크의 크기를 정량화한 정보이다.
FMEA 결과 DB(2)는, 설비를 구성하는 부품의 점검 항목마다의 FMEA 결과를 기억하는 DB이다. FMEA 결과 DB(2)에는, 예컨대, 도 2a에 나타내는 바와 같은 항목의 정보가 기억된다. "부품 ID"의 항목에는, 부품의 식별 정보가 설정된다. "점검 항목 ID"의 항목에는, 점검 항목의 식별 정보가 설정된다. 점검 항목에는, 예컨대, 외관 검사, 통전 검사, 절연 검사, 마찰 검사 등이 있다. 통전 검사와 절연 검사는, 모두 전기의 도통 상태를 검사하는 것이기 때문에, 유사한 점검 항목이라고 할 수 있다.
"고장의 빈도 레벨"과 "영향의 크기 레벨"과 "검출 가능성 레벨"은 FMEA의 평가 항목이다. "고장의 빈도 레벨"의 항목에는, 고장의 빈도에 관한 FMEA의 평가 레벨이 설정된다. "영향의 크기 레벨"의 항목에는, 고장이 부품에 주는 영향의 크기에 관한 FMEA의 평가 레벨이 설정된다. "검출 가능성 레벨"의 항목에는, 고장의 검출의 용이함에 관한 FMEA의 평가 레벨이 설정된다.
이미 결정된 작업 간격 DB(3)는, 부품의 점검 항목마다 이미 결정된 보수 작업 간격을 나타내는 정보를 기억하는 DB이다. 이미 결정된 작업 간격 DB(3)에는, 예컨대, 도 2b에 나타내는 바와 같은 항목의 정보가 기억된다. "부품 ID" 및 "점검 항목 ID"에 대해서는, 도 2a에 나타낸 것과 동일하다. "이미 결정된 작업 간격 월수(月數)"의 항목에는, 부품의 점검 항목마다 이미 결정된 보수 작업 간격의 월수가 설정된다.
통계 평가용 정보 A는, 고장 리스크 지표의 통계적 추정에 이용되는 통계적 분포를 나타내는 정보이다. 통계 평가용 정보 A에는, 예컨대, 도 2c에 나타내는 바와 같은 항목의 정보가 기억된다. "통계적 분포"의 항목에는, 고장 리스크 지표의 통계적 추정에 이용되는 통계적 분포의 종류가 설정된다. 통계적 분포의 종류에는, 와이블 분포, 감마 분포, 로그 정규 분포 등의 이론적으로 유도된 분포를 들 수 있다.
"허용 오차"의 항목에는, 지표 추정부(4)에 의해 추정된 고장 리스크 지표의 추정치가 표준 편차에 대하여 허용되는 오차의 비율이 설정된다.
"신뢰율"의 항목에는, 지표 추정부(4)에 의해 추정된 고장 리스크 지표의 신뢰율이 설정된다. 고장 리스크 지표의 추정치가 허용 오차 이내에 들어간다고 평가된 결과가 어긋날 확률 P1과, 고장 리스크 지표의 추정치가 허용 오차에 들어가지 않는다고 평가된 결과가 어긋날 확률 P2의 양쪽이 "신뢰율"로 설정된 값 α 이상이 된다(P1≥α, P2≥α).
또, "허용 오차"와 "신뢰율"은, 실시의 형태 2에서 후술하는 병합 처리에 이용하는 정보이기 때문에, 실시의 형태 1에 있어서의 통계 평가용 정보 A에는, 이들 정보가 없더라도 좋다.
지표 추정부(4)는, 모델 식 구축부(4a) 및 파라미터 추정부(4b)를 구비한다.
모델 식 구축부(4a)는, FMEA 결과 DB(2)로부터 읽어낸 FMEA 결과와 통계 평가용 정보 A에 근거하여, 고장 리스크 지표의 추이(시간 변화)를 나타내는 모델 식을 구축한다.
파라미터 추정부(4b)는, FMEA 결과 DB(2)와 이미 결정된 작업 간격 DB(3)로부터 읽어낸 정보에 근거하여, 모델 식으로부터 산출한 보수 작업 간격과 이미 결정된 보수 작업 간격의 차분이 가장 작아지도록 상기 모델 식의 파라미터 값을 통계적으로 추정한다.
상기 모델 식은, 통계 평가용 정보 A가 나타내는 통계적 분포에 따른 고장 리스크 지표의 추이를 모델화한 것이고, 이 모델 식의 파라미터 값이 제 1 추정치가 된다.
제 1 기억부(5)는, 지표 추정부(4)에 의해 추정된 파라미터 값인 제 1 추정치를 기억한다. 제 1 기억부(5)에는, 예컨대, 도 3에 나타내는 바와 같은 항목마다의 정보가 기억된다. "부품 ID" 및 "점검 항목 ID"는 도 2a에 나타낸 것과 동일하고, "통계적 분포"는 도 2c에 나타낸 것과 동일하다.
"통계적 분포 파라미터"의 항목에는, 제 1 추정치의 통계적 추정에서 이용된 통계적 분포를 규정하는 파라미터가 설정된다. 통계적 분포가 와이블 분포에 따르는 경우, 와이블 분포를 규정하는 누적 밀도 함수의 형상 파라미터 γ와 척도 파라미터 φ가 설정된다.
"시간 스케일 계수"와 "리스크 가중 계수"와 "안전 마진"은, 상기의 모델 식의 파라미터이고, 지표 추정부(4)에 의해 추정된 파라미터 값이 설정된다.
"시간 스케일 계수"는, 상기 모델 식에 있어서, 고장 리스크가 증가하는 속도에 관한 파라미터이다. "리스크 가중 계수"는, 상기 모델 식에 있어서, 고장 리스크의 가중의 정도에 관한 파라미터이다. "안전 마진"은, 상기 모델 식에서 추정된 작업 간격에서의 보수 작업 일시로부터 거슬러 올라가는 시간 간격을 나타내는 파라미터이다. 이 파라미터에 의해 부품의 보수 작업이 앞당겨서 실행된다.
FMEA 결과 DB(2) 및 이미 결정된 작업 간격 DB(3)는, 도 4a 및 도 4b에 나타내는 데이터베이스(100)이다. FMEA 결과 DB(2) 및 이미 결정된 작업 간격 DB(3)의 각각에 기억된 정보는, DB 입출력 인터페이스(101)를 통해 지표 추정부(4)에 입력된다.
통계 평가용 정보 A는, 정보 입력 인터페이스(102)를 통해 고장 리스크 지표 추정 장치(1)에 입력된다. 고장 리스크 지표의 추정치는, 정보 출력 인터페이스(103)를 통해 고장 리스크 지표 추정 장치(1)로부터 출력된다.
제 1 기억부(5)는, 데이터베이스(100)가 있는 기억 장치에 마련하더라도 좋지만, 도 4a에 나타내는 처리 회로(104)의 내부 메모리에 마련하더라도 좋다. 또한, 제 1 기억부(5)는, 도 4b에 나타내는 메모리(105)에 마련하더라도 좋다.
고장 리스크 지표 추정 장치(1)에 있어서의 모델 식 구축부(4a) 및 파라미터 추정부(4b)의 각 기능은, 처리 회로에 의해 실현된다.
즉, 고장 리스크 지표 추정 장치(1)는, FMEA 결과 DB(2)로부터 읽어낸 FMEA 결과와 통계 평가용 정보 A에 근거하여, 고장 리스크 지표의 추이를 나타내는 모델 식을 구축하고, FMEA 결과 DB(2)와 이미 결정된 작업 간격 DB(3)로부터 읽어낸 정보에 근거하여, 모델 식으로부터 산출한 보수 작업 간격과 이미 결정된 보수 작업 간격의 차분이 가장 작아지는 모델 식의 파라미터 값을 통계적으로 추정하기 위한 처리 회로를 구비한다.
처리 회로는, 전용 하드웨어이더라도, 메모리에 기억된 프로그램을 실행하는 CPU(Central Processing Unit)이더라도 좋다.
처리 회로가, 도 4a에 나타내는 바와 같은 전용 하드웨어인 경우, 처리 회로(104)는, 예컨대, 단일 회로, 복합 회로, 프로그램화한 프로세서, 병렬 프로그램화한 프로세서, ASIC(Application Specific Integrated Circuit), FPGA(Field-Programmable Gate Array), 또는, 이들을 조합한 것이 해당한다.
모델 식 구축부(4a) 및 파라미터 추정부(4b)의 각각의 기능을 각각의 처리 회로로 실현하더라도 좋고, 이들의 기능을 합하여 1개의 처리 회로로 실현하더라도 좋다.
처리 회로가, 도 4b에 나타내는 바와 같은 프로세서(106)인 경우, 모델 식 구축부(4a) 및 파라미터 추정부(4b)의 각 기능은, 소프트웨어, 펌웨어, 또는 소프트웨어와 펌웨어의 조합에 의해 실현된다.
소프트웨어 또는 펌웨어는 프로그램으로서 기술되고, 메모리(105)에 기억된다. 프로세서(106)는, 메모리(105)에 기억된 프로그램을 읽어내어 실행하는 것에 의해 각 부의 기능을 실현한다.
즉, 고장 리스크 지표 추정 장치(1)는, 프로세서(106)에 의해 실행될 때에, 도 5에 나타내는 스텝 ST1, 스텝 ST2가 결과적으로 실행되는 프로그램을 기억하기 위한 메모리(105)를 구비한다. 또한, 이들 프로그램은, 모델 식 구축부(4a) 및 파라미터 추정부(4b)의 수순 또는 방법을 컴퓨터에 실행시키는 것이다.
메모리(105)에는, 예컨대, RAM(Random Access Memory), ROM(Read Only Memory), 플래시 메모리, EPROM(Erasable Programmable Read Only Memory), EEPROM(Electrically-EPROM) 등의 비휘발성 또는 휘발성의 반도체 메모리, 자기 디스크, 플렉서블 디스크, 광 디스크, 콤팩트 디스크, 미니 디스크, DVD 등이 해당한다.
또, 모델 식 구축부(4a) 및 파라미터 추정부(4b)의 각 기능에 대하여, 일부를 전용 하드웨어로 실현하고, 일부를 소프트웨어 또는 펌웨어로 실현하더라도 좋다. 예컨대, 모델 식 구축부(4a)에 대해서는 전용 하드웨어로서의 처리 회로로 그 기능을 실현하고, 파라미터 추정부(4b)에 대해서는, 프로세서(106)가 메모리(105)에 기억된 프로그램을 읽어내어 실행하는 것에 의해 그 기능을 실현하더라도 좋다.
이와 같이, 처리 회로는, 하드웨어, 소프트웨어, 펌웨어 또는 이들의 조합에 의해 상기 기능의 각각을 실현할 수 있다.
다음으로 동작에 대하여 설명한다.
도 5는 고장 리스크 지표 추정 장치(1)의 동작을 나타내는 플로차트이고, 고장 리스크 지표의 추정치를 구하여 제 1 기억부(5)에 기억할 때까지의 일련의 처리를 나타내고 있다. 도 6은 고장 리스크 지표 R(t)와 중간 평가 지표 S, W, M의 관계를 나타내는 도면이고, 보수 작업 후의 경과 시간에 있어서의 고장 리스크 지표 R(t)의 추이를 나타내고 있다. 도 7은 FMEA 결과의 평가 항목 C, E, D와 중간 평가 지표 S, W, M의 관련성을 나타내는 도면이다.
이하, 고장 리스크 지표 추정 장치(1)의 동작을, 도 6과 도 7을 참조하면서, 도 5를 따라 설명한다.
우선, 지표 추정부(4)는, FMEA 결과 DB(2)로부터 읽어낸 FMEA 결과와 통계 평가용 정보 A에 근거하여, 고장 리스크 지표의 모델 식을 구축한다(스텝 ST1).
고장 리스크 지표 R(t)는, 하기 식 (1)에 나타내는 바와 같이, 통계적 분포 f(t)에 따라 추이(시간 변화)한다. 하기 식 (1)에 있어서, 시간 스케일 계수 S는, R(t)의 시간 방향의 변화를 조정하기 위한 계수이고, 고장 리스크가 증가하는 속도에 관한 파라미터이다. 리스크 가중 계수 W는, R(t)의 크기를 조정하기 위한 계수이고, 고장 리스크의 가중의 정도에 관한 파라미터이다.
Figure 112019056509526-pct00001
지표 추정부(4)에 의한 R(t)의 통계적 추정에서는, 도 6에 나타내는 바와 같이, R(t)가 허용 상한 임계치인 "1.0"을 넘는 작업 간격을, 다음에 보수 작업을 행하는 적정 간격 TE로 했을 때, 안전을 위해 보수 작업을 앞당겨 행하는 작업 간격을 구한다. 예컨대, 지표 추정부(4)가, 안전 마진 M을 설정하고, 모델 식으로부터 산출되는 작업 간격 T를, 하기 식 (2)로부터 산출한다. 안전 마진 M은, 적정 간격 TE에서의 경과 시간으로부터 거슬러 올라가는 시간 간격이다.
Figure 112019056509526-pct00002
지표 추정부(4)에 의한 R(t)의 통계적 추정에 있어서, 시간 스케일 계수 S, 리스크 가중 계수 W, 및 안전 마진 M은, 고장 리스크 지표의 추정치가 얻어질 때까지 값이 변동되는 파라미터이다. 여기서는, 이들을 중간 평가 지표라고 부른다.
통계적 분포 f(t)가 와이블 분포에 따르는 경우, 통계적 분포 f(t)는, 하기 식 (3)에 나타내는 와이블 분포의 누적 밀도 함수로 나타낼 수 있다. 여기서, 형상 파라미터 γ와 척도 파라미터 φ는, 와이블 분포의 누적 밀도 함수에 있어서의 통계적 분포 파라미터이다.
또한, 상기 식 (1)은, 형상 파라미터 γ와 척도 파라미터 φ를 이용하여, 하기 식 (4)로 나타낼 수 있다. 하기 식 (4)에 있어서, 척도 파라미터 φ는, 시간 스케일 계수 S의 곱으로서만 등장하므로, φ=1로 하여 S만을 추정해야 할 파라미터로 하고 있다.
Figure 112019056509526-pct00003
경과 시간 t가 적정 간격 TE일 때, 고장 리스크 지표 R(TE)=1.0인 것으로부터, 적정 간격 TE는, 상기 식 (4)를 이용하여 하기 식 (5)로 나타낼 수 있다. 하기 식 (5)에 있어서, ln은 자연로그를 나타낸다.
Figure 112019056509526-pct00004
도 7에 나타내는 바와 같이, FMEA 결과의 평가 항목에는, 고장의 빈도 레벨과, 영향의 크기 레벨과, 검출 가능성 레벨이 있고, 이후에는, 고장의 빈도 레벨을 C, 영향의 크기 레벨을 E, 검출 가능성 레벨을 D로 한다. FMEA 결과의 평가 항목과 중간 평가 지표의 사이에는, 도 7에 나타내는 관련성이 있다.
고장의 빈도 레벨 C는, 평가 대상의 부품에 고장이 발생하는 빈도의 지표가 될 수 있으므로, 고장 리스크의 증가 속도에 관한 시간 스케일 계수 S와 관련성이 있다.
영향의 크기 레벨 E는, 평가 대상의 부품에 고장이 주는 영향의 크기의 지표가 될 수 있으므로, 고장 리스크의 가중의 정도에 관한 리스크 가중 계수 W와, 보수 작업을 앞당기는 정도에 관한 안전 마진 M의 양쪽에 관련성이 있다.
검출 가능성 레벨 D는, 평가 대상의 부품에 발생한 고장의 검출의 용이함의 지표가 될 수 있으므로, 보수 작업을 앞당기는 정도에 관한 안전 마진 M에 관련성이 있다.
지표 추정부(4)는, 모델 식으로부터 산출된 보수 작업 간격 T와 이미 결정된 보수 작업 간격 TS의 차분이 최소가 되도록 모델 식의 파라미터 S, W, M, γ, φ의 값을 통계적으로 추정한다(스텝 ST2). 척도 파라미터 φ가 "1"로 고정되어 있으므로, 지표 추정부(4)는, 모델 식의 파라미터 S, W, M, γ의 값을 부품마다 및 점검 항목마다 산출하여, 부품 및 점검 항목에 대응시켜 제 1 기억부(5)에 기억한다.
다음으로, 지표 추정부(4)의 상세한 동작에 대하여 설명한다.
도 8은 모델 식 구축부(4a) 및 파라미터 추정부(4b)의 동작을 나타내는 플로차트이다. 이하에서는, 통계적 분포가 와이블 분포인 것으로 한다.
모델 식 구축부(4a)가, FMEA 결과 DB(2)와 이미 결정된 작업 간격 DB(3)의 각 테이블 데이터를 병합한다(스텝 ST1a). 테이블 데이터는, 도 2a 및 도 2b에 나타낸 바와 같은 항목마다의 정보로 구성되는 데이터이고, 테이블 데이터 중, 부품 ID, 점검 항목 ID 및 이것에 계속되는 옆쪽으로의 정보가 레코드 데이터이다.
예컨대, 도 2b에 나타낸 이미 결정된 작업 간격 DB(3)의 정보에서는, 부품 ID 및 점검 항목 ID와 이것에 계속되는 이미 결정된 작업 간격 월수가 테이블 데이터를 구성하는 정보가 된다.
모델 식 구축부(4a)는, 이미 결정된 작업 간격 DB(3)로부터 테이블 데이터를 읽어내고, 이 테이블 데이터에 있어서의 부품 ID 및 점검 항목 ID에 근거하여 동일한 부품 ID 및 점검 항목 ID를 갖는 FMEA 결과 DB(2)의 테이블 데이터를 검색한다.
모델 식 구축부(4a)는, 이 검색에 의해 특정된 테이블 데이터의 FMEA 결과를, 이미 결정된 작업 간격 DB(3)로부터 읽어낸 테이블 데이터에 조합하는, 이른바 병합을 실행한다.
모델 식 구축부(4a)는, 이미 결정된 작업 간격 DB(3)에 있어서의 모든 테이블 데이터에 상기 처리를 실행하고, 이미 결정된 보수 작업 간격과 FMEA 결과가 조합된 정보를 생성한다. 이 조합 정보를 도 9에 나타낸다. 도 9에서는, 이미 결정된 보수 작업 간격 TS를, 작업 간격의 월수로 나타내고 있다.
FMEA 결과 DB(2)의 테이블 데이터 중, 이미 결정된 작업 간격 DB(3)의 테이블 데이터와 동일한 부품 ID 및 점검 항목 ID를 갖지 않는 테이블 데이터에 대해서도, 도 9에 나타내는 조합 정보에 그대로 추가된다.
모델 식 구축부(4a)는, 부품 ID마다 및 점검 항목 ID마다, FMEA 결과의 평가 항목 및 평가 레벨에 따라, 이 FMEA 결과에 관련되는 중간 평가 지표의 파라미터를 할당한다(스텝 ST2a).
모델 식 구축부(4a)는, 상기 조합 정보의 FMEA 결과 중, FMEA의 고장에 관한 평가 항목과 이 평가 항목에서의 평가 레벨이 동일한 것에 대하여, 공통의 중간 평가 지표의 파라미터를 할당하여 모델 식을 구축한다.
공통의 파라미터에는, 부품 ID 및 점검 항목 ID가 상이한 데이터 사이의 상기 모델 식에 있어서도 동일한 값이 설정된다. 이것에 의해, 상이한 부품 또는 점검 항목에서 공통하여 작용하는 고장의 영향을 평가할 수 있다.
도 10은 FMEA 결과의 평가 항목에 중간 평가 지표의 파라미터를 할당한 결과를 나타내는 도면이다. 예컨대, 도 9에 있어서, (부품 ID, 점검 항목 ID)=(EQ001, MT001)에 대응하는 FMEA 결과의 평가 항목인 고장의 빈도 레벨 C는, 평가 레벨이 "2"이다. 도 9에 나타내는 조합 정보의 FMEA 결과 중, 고장의 빈도 레벨 C의 평가 레벨이 "2"인 것의 1개에, (부품 ID, 점검 항목 ID)=(EQ002, MT002)가 있다. 모델 식 구축부(4a)는, 도 10에 나타내는 바와 같이, 고장의 빈도 레벨 C에 관련성이 있는 시간 스케일 계수 S의 파라미터에 대하여, 공통의 파라미터 S2를 할당한다.
(부품 ID, 점검 항목 ID)=(EQ001, MT001)에 대응하는 FMEA 결과의 평가 항목인 영향의 크기 레벨 E는, 평가 레벨이 "3"이다.
상기의 조합 정보의 FMEA 결과 중, 영향의 크기 레벨 E의 평가 레벨이 "3"인 것의 1개에, (부품 ID, 점검 항목 ID)=(EQ001, MT002)가 있다. 모델 식 구축부(4a)는, 도 10에 나타내는 바와 같이, 영향의 크기 레벨 E에 관련성이 있는 리스크 가중 계수 W의 파라미터에 대하여 공통의 파라미터 W3을 할당한다.
(EQ001, MT001)의 데이터와 (EQ001, MT002)의 데이터에서는, FMEA 결과의 평가 항목인 검출 가능성 레벨 D도 평가 레벨이 함께 "3"이다. 이 때문에, 모델 식 구축부(4a)는, 도 10에 나타내는 바와 같이, 검출 가능성 레벨 D에 관련성이 있는 안전 마진 M의 파라미터에 대하여 공통의 파라미터 M3, 3을 할당한다.
모델 식 구축부(4a)는, (부품 ID, 점검 항목 ID)=(EQ001, MT001)의 데이터에 대한 중간 평가 지표의 파라미터의 할당을 완료하면, 상기 식 (2) 내지 상기 식 (5)에 근거하여, 작업 간격 T, 고장 리스크 지표 R(t) 및 적정 간격 TE를, 고장 리스크 지표의 모델 식으로서 구축한다.
(EQ001, MT001)의 데이터에 대한 중간 평가 지표의 파라미터는, S2, W3, M3, 3이므로, 모델 식은 하기와 같이 된다.
Figure 112019056509526-pct00005
안전 마진 M을, 영향의 크기 레벨 E에 의한 계수 인자 ME와 검출 가능성 레벨 D에 의한 계수 인자 MD의 곱 ME×MD로 표현하더라도 좋다. 이것에 의해, 안전 마진 M이 고정의 값이 되므로, 추정 대상의 파라미터의 수를 삭감할 수 있다.
다음으로, 파라미터 추정부(4b)가, 모델 식 구축부(4a)에 의해 할당된 파라미터에 근거하여 상기 모델 식으로부터 작업 간격 T를 산출하고, 작업 간격 T와 미리 결정된 작업 간격 TS의 차분이 최소가 되는 파라미터를 통계적으로 추정한다(스텝 ST3a).
통계적 분포 f(t)가 와이블 분포에 따르므로, 작업 간격 T는, 도 11에 나타내는 바와 같이, 중간 평가 지표의 파라미터에 의해 결정되는 변수의 형태로 구하여진다. 도 11에 있어서, Zi는, 하기 식 (6)으로 나타내어지는 파라미터이다.
Figure 112019056509526-pct00006
파라미터 추정부(4b)는, 상기 조합 정보에 있어서의 모든 부품 ID 및 점검 항목 ID에 대하여, 작업 간격 T와 이미 결정된 작업 간격 TS의 차분의 제곱합이 최소가 되도록 중간 평가 지표의 파라미터 S, W, M 및 형상 파라미터 γ를 추정한다. 또, 전술한 바와 같이, 척도 파라미터 φ는 "1"이다.
이들 파라미터의 추정 방법으로서는, 예컨대, 공역 방향법을 들 수 있다. 단, 이미 결정된 작업 간격 TS와의 오차가 최소가 되는 파라미터를 추정할 수 있는 방법이면, 공역 방향법으로 한정되는 것이 아니다.
파라미터 추정부(4b)는, 전술과 같이 하여 추정한 결과를, 부품 ID마다 및 점검 항목 ID마다 분류하고, 부품 ID 및 점검 항목 ID에 대응시켜 제 1 기억부(5)에 기억한다(스텝 ST4a). 통계적 분포 f(t)가 와이블 분포에 따르는 것으로부터, 도 3에 나타낸 "통계적 분포"의 항목에 "와이블 분포"가 설정되고, "통계적 분포 파라미터"의 항목에는, 형상 파라미터 γ의 값이 설정된다.
파라미터 추정부(4b)는, 서로 유사한 점검 항목 사이의 한쪽에 대한 파라미터 값의 통계적 추정에서 이용한 정보를, 점검 항목 사이의 다른 쪽에 대한 파라미터 값의 통계적 추정에 이용하더라도 좋다. 예컨대, 통전 검사와 절연 검사는, 모두 전기의 도통 상태를 검사하는 것이기 때문에, 유사한 점검 항목이라고 할 수 있다. 그래서, 파라미터 추정부(4b)가, 통전 검사에 대한 파라미터 값의 통계적 추정에서 이용한 정보를, 절연 검사에 대한 파라미터 값의 통계적 추정에 이용한다. 이와 같이 함으로써, 통계적 추정에 이용한 정보를 재이용할 수 있고, 추정에 요하는 처리 부하를 경감할 수 있다.
이상과 같이, 본 실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치(1)에 있어서, 모델 식 구축부(4a)가, FMEA 결과 DB(2)로부터 읽어낸 FMEA 결과와 통계 평가용 정보 A에 근거하여, 통계적 분포에 따른 고장 리스크 지표의 추이를 나타내는 모델 식을 구축한다. 파라미터 추정부(4b)가, FMEA 결과 DB(2)와 이미 결정된 작업 간격 DB(3)로부터 읽어낸 정보에 근거하여, 모델 식으로부터 산출한 보수 작업 간격과 이미 결정된 보수 작업 간격의 차분이 가장 작아지는 모델 식의 파라미터 값을 통계적으로 추정한다. 이와 같이 구성함으로써, 설비의 보수 실적 데이터가 없거나 또는 적은 경우에도, 설비에 고장이 발생하는 리스크의 지표를 적절히 추정할 수 있다.
실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치(1)에 있어서, 모델 식 구축부(4a)가, FMEA의 고장에 관한 평가 항목과 그 평가 항목에서의 평가 레벨이 동일한 경우에, 평가 항목에 관련되는 모델 식의 파라미터에 공통의 파라미터를 할당한다. 이와 같이 함으로써, 상이한 부품 또는 점검 항목에서 공통으로 작용하는 고장의 영향을 평가하는 것이 가능하다.
또한, 실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치(1)에 있어서, 파라미터 추정부(4b)가, 서로 유사한 점검 항목 사이의 한쪽에 대한 파라미터 값의 통계적 추정에서 이용한 정보를, 점검 항목 사이의 다른 쪽에 대한 파라미터 값의 통계적 추정에 이용한다.
이와 같이 함으로써, 통계적 추정에 이용한 정보를 재이용할 수 있고, 추정에 요하는 처리 부하를 경감할 수 있다.
실시의 형태 2.
도 12는 본 발명의 실시의 형태 2와 관련되는 고장 리스크 지표 추정 장치(1A)의 기능 구성을 나타내는 블록도이다. 도 12에 있어서, 도 1과 동일 구성 요소에는 동일 부호를 붙여서 설명을 생략한다. 고장 리스크 지표 추정 장치(1A)는, 실시의 형태 1에서 나타낸 구성에 더하여, 설비 정보 DB(6), 보수 실적 DB(7), 고장 실적 DB(8), 범위 축소부(9), 범위 축소 데이터 기억부(10), 지표 추정부(11), 제 2 기억부(12) 및 병합부(13)를 구비한다.
설비 정보 DB(6)는, 설비, 설비를 구성하는 부품, 및 부품마다의 점검 항목을 포함하는 설비 정보를 기억하는 DB이다. 설비 정보 DB(6)에는, 예컨대, 도 13a에 나타내는 바와 같은 항목의 정보가 기억된다. "설비 ID"의 항목에는 설비의 식별 정보가 설정된다. "부품 ID" 및 "점검 항목 ID"에 대해서는, 도 2a에 나타낸 것과 동일하다.
"보수 개시 일시"의 항목에는, 부품의 점검 항목마다의 보수 계약이 개시된 일시가 설정된다. 또, 보수 계약 중에, 개별적으로 행하여지는 보수 작업의 실시 일시가, 도 13b를 이용하여 후술하는 보수 작업 실시 일시이다.
보수 실적 DB(7)는, 설비를 구성하는 부품의 점검 항목마다의 보수 작업의 실적 데이터를 기억하는 DB이다. 보수 실적 DB(7)에는, 도 13b에 나타내는 바와 같은 항목의 정보가 기억된다. "보수 실적 ID"의 항목에는, 보수 작업의 실적 데이터의 식별 정보가 설정된다.
"설비 ID", "부품 ID" 및 "점검 항목 ID"에 대해서는, 도 13a와 도 2a에 나타낸 것과 동일하다. "보수 작업 실시 일시"의 항목에는 부품마다의 보수 작업의 실시 일시가 설정된다.
고장 실적 DB(8)는, 설비를 구성하는 부품마다의 고장의 실적 데이터를 기억하는 DB이다. 고장 실적 DB(8)에는, 도 13c에 나타내는 바와 같은 항목의 정보가 기억된다. "고장 실적 ID"의 항목에는, 고장의 실적 데이터의 식별 정보가 설정된다. "설비 ID"와 "부품 ID"에 대해서는, 도 13b에 나타낸 것과 동일하다. "고장 발생 일시"의 항목에는, 부품에 고장이 발생한 일시가 설정된다. "관련 점검 항목 ID"의 항목에는, 발생한 고장에 관련되는 점검 항목의 식별 정보가 설정된다.
범위 축소부(9)는, 설비 정보 DB(6), 보수 실적 DB(7) 및 고장 실적 DB(8)에 기억된 정보를, FMEA 결과 DB(2)의 FMEA 결과마다 대응하는 정보로 분류한다.
예컨대, 범위 축소부(9)는, 보수 실적 데이터마다 보수 작업 실시 후의 무고장(無故障)의 간격을 집계하고, 집계한 무고장의 간격을 나타내는 정보를 FMEA 결과마다 분류하여 범위 축소 데이터 기억부(10)에 기억한다.
범위 축소 데이터 기억부(10)는, 범위 축소부(9)에 의해 분류된 정보를 기억하는 DB이다. 범위 축소 데이터 기억부(10)에는, 도 14a에 나타내는 바와 같은 항목의 정보가 기억된다.
도 14a에 있어서, "고장의 빈도 레벨"과 "영향의 크기 레벨"과 "검출 가능성 레벨"은, FMEA의 평가 항목이고, 도 2a에 나타낸 것과 동일하다.
"부품 ID" 및 "점검 항목 ID"는, 도 2a에 나타낸 것과 동일하다. "보수 작업 실시 일시"는, 도 13b에 나타낸 것과 동일하다.
"무고장 계속 월수"의 항목에는, 보수 작업 후에 무고장으로 다음의 보수 작업에 도달한 월수, 보수 작업 후에 고장이 발생할 때까지의 월수 및 보수 작업 후에 무고장으로 현재에 도달할 때까지의 월수 중 어느 하나가 설정된다. "고장 발생 플래그"의 항목에는, 부품에 고장이 발생했는지 여부를 나타내는 값이 설정된다. 예컨대, 부품에 고장이 발생하면, "1"이 설정되고, 고장이 발생하지 않았으면, "0"이 설정된다.
지표 추정부(11)는, 범위 축소부(9)에 의해 분류된 정보에 근거하여, 보수 작업의 실적 데이터와 고장의 실적 데이터의 관계에 따른 고장 리스크 지표의 제 2 추정치를 추정한다.
예컨대, 지표 추정부(11)는, 범위 축소 데이터 기억부(10)로부터 처리 대상의 FMEA 결과에 대응하는 정보를 읽어내고, 읽어낸 정보에 근거하여 부품마다 및 점검 항목마다 고장 리스크 지표를 통계적으로 추정한다. 이 추정에 의해 얻어진 고장 리스크 지표의 추정치는, 추정에 이용된 실제 데이터 수와 함께 제 2 기억부(12)에 기억된다.
제 2 기억부(12)는, 지표 추정부(11)에 의해 추정된 고장 리스크 지표의 추정치를, 부품마다 및 점검 항목마다 기억한다. 제 2 기억부(12)에는, 도 14b에 나타내는 바와 같은 항목의 정보가 기억된다. 도 14b에 있어서, "부품 ID" 및 "점검 항목 ID"는, 도 2a에 나타낸 것과 동일하다. "통계적 분포" 및 "통계적 분포 파라미터"는, 도 3에 나타낸 것과 동일하다. "시간 스케일 계수"와 "리스크 가중 계수"와 "안전 마진"은, 고장 리스크 지표의 제 2 추정치가 되는 파라미터이고, 도 3에 나타낸 것과 동일하다. "실제 데이터 수"의 항목에는, 지표 추정부(11)에 의한 고장 리스크 지표의 통계적 추정에 이용된 데이터의 수가 설정된다.
병합부(13)는, 파라미터 추정부(4b)에 의해 추정된 제 1 추정치와 지표 추정부(11)에 의해 추정된 제 2 추정치를 안분하여 최종적인 고장 리스크 지표의 추정치를 산출한다.
예컨대, 병합부(13)는, 제 1 추정치의 추정에서 상정한 데이터 수와 제 2 추정치의 추정에 이용한 실제 데이터 수에 따라 제 1 추정치와 제 2 추정치를 안분하여, 최종적인 고장 리스크 지표의 추정치를 산출한다. 고장 리스크 지표의 추정치를 나타내는 정보 B는 병합부(13)로부터 출력된다.
고장 리스크 지표의 추정치를 나타내는 정보 B는, 도 14c에 나타내는 항목의 정보로 구성된다. 도 14c에 있어서, "부품 ID" 및 "점검 항목 ID"는, 도 2a에 나타낸 것과 동일하다. "통계적 분포" 및 "통계적 분포 파라미터"는, 도 3에 나타낸 것과 동일하다. "시간 스케일 계수"와 "리스크 가중 계수"와 "안전 마진"은, 고장 리스크 지표의 제 2 추정치가 되는 파라미터이고, 도 3에 나타낸 것과 동일하다.
고장 리스크 지표 추정 장치(1A)에 있어서의 FMEA 결과 DB(2), 이미 결정된 작업 간격 DB(3), 설비 정보 DB(6), 보수 실적 DB(7) 및 고장 실적 DB(8)는, 도 4a 및 도 4b에 나타내는 데이터베이스(100)이다. FMEA 결과 DB(2) 및 이미 결정된 작업 간격 DB(3)의 각각에 기억된 정보는, DB 입출력 인터페이스(101)를 통해 지표 추정부(4)에 입력된다.
설비 정보 DB(6), 보수 실적 DB(7) 및 고장 실적 DB(8)의 각각에 기억된 정보는, DB 입출력 인터페이스(101)를 통해 범위 축소부(9)에 입력된다.
통계 평가용 정보 A는, 정보 입력 인터페이스(102)를 통해 고장 리스크 지표 추정 장치(1A)에 입력된다. 최종적인 고장 리스크 지표의 추정치를 나타내는 정보 B는, 정보 출력 인터페이스(103)를 통해 병합부(13)로부터 출력된다.
제 1 기억부(5), 범위 축소 데이터 기억부(10) 및 제 2 기억부(12)는, 데이터베이스(100)가 있는 기억 장치에 마련하는 것을 생각할 수 있지만, 도 4a에 나타내는 처리 회로(104)의 내부 메모리에 마련하더라도 좋다. 또한, 제 1 기억부(5), 범위 축소 데이터 기억부(10) 및 제 2 기억부(12)는, 도 4b에 나타내는 메모리(105)에 마련하더라도 좋다.
고장 리스크 지표 추정 장치(1A)에 있어서의 지표 추정부(4), 범위 축소부(9), 지표 추정부(11) 및 병합부(13)의 각 기능은, 처리 회로에 의해 실현된다.
즉, 고장 리스크 지표 추정 장치(1A)는, 전술한 각 부의 기능에서의 처리를 행하기 위한 처리 회로를 구비한다. 처리 회로는, 전용 하드웨어이더라도, 메모리에 기억된 프로그램을 실행하는 CPU이더라도 좋다.
처리 회로가, 도 4a에 나타내는 바와 같은 전용 하드웨어인 경우, 처리 회로(104)는, 예컨대, 단일 회로, 복합 회로, 프로그램화한 프로세서, 병렬 프로그램화한 프로세서, ASIC, FPGA, 또는, 이들을 조합한 것이 해당한다.
지표 추정부(4), 범위 축소부(9), 지표 추정부(11) 및 병합부(13)의 각각의 기능을 각각의 처리 회로로 실현하더라도 좋고, 이들의 기능을 합하여 1개의 처리 회로로 실현하더라도 좋다.
처리 회로가, 도 4b에 나타내는 바와 같은 프로세서(106)인 경우, 지표 추정부(4), 범위 축소부(9), 지표 추정부(11) 및 병합부(13)의 각 기능은, 소프트웨어, 펌웨어, 또는 소프트웨어와 펌웨어의 조합에 의해 실현된다.
소프트웨어 또는 펌웨어는 프로그램으로서 기술되고, 메모리(105)에 기억된다. 프로세서(106)는, 메모리(105)에 기억된 프로그램을 읽어내어 실행하는 것에 의해 각 부의 기능을 실현한다.
즉, 고장 리스크 지표 추정 장치(1A)는, 프로세서(106)에 의해 실행될 때에, 도 15에 나타내는 스텝 ST1b로부터 스텝 ST8b까지의 처리가 결과적으로 실행되는 프로그램을 기억하기 위한 메모리(105)를 구비한다.
또한, 이들 프로그램은, 지표 추정부(4), 범위 축소부(9), 지표 추정부(11), 및 병합부(13)의 수순 또는 방법을 컴퓨터에 실행시키는 것이다.
지표 추정부(4), 범위 축소부(9), 지표 추정부(11) 및 병합부(13)의 각 기능에 대하여 일부를 전용 하드웨어로 실현하고, 일부를 소프트웨어 또는 펌웨어로 실현하더라도 좋다. 예컨대, 지표 추정부(4) 및 범위 축소부(9)에 대해서는 전용 하드웨어로서의 처리 회로로 그 기능을 실현하고, 지표 추정부(11) 및 병합부(13)에 대해서는, 프로세서(106)가 메모리(105)에 기억된 프로그램을 읽어내어 실행하는 것에 의해 그 기능을 실현하더라도 좋다. 이와 같이, 처리 회로는, 하드웨어, 소프트웨어, 펌웨어 또는 이들의 조합에 의해 상기 기능의 각각을 실현할 수 있다.
다음으로 동작에 대하여 설명한다.
도 15는 고장 리스크 지표 추정 장치(1A)의 동작을 나타내는 플로차트이고, 고장 리스크 지표의 제 1 추정치와 제 2 추정치를 구하여 최종적인 추정치를 출력할 때까지의 일련의 처리를 나타내고 있다.
범위 축소부(9)는, 설비 정보 DB(6), 보수 실적 DB(7) 및 고장 실적 DB(8)에 기억된 정보를, FMEA 결과마다 대응하는 정보로 분류한다(스텝 ST1b).
범위 축소부(9)에 의해 분류된 정보는, 범위 축소 데이터 기억부(10)에 기억된다.
지표 추정부(11)는, 범위 축소 데이터 기억부(10)로부터 처리 대상의 FMEA 결과에 대응하는 정보를 읽어내고, 읽어낸 정보에 근거하여 부품마다 및 점검 항목마다 고장 리스크 지표를 통계적으로 추정한다(스텝 ST2b).
지표 추정부(11)는, 상기 추정에서 얻어진 제 2 추정치와 실제 데이터 수를, 부품 ID 및 점검 항목 ID에 대응시켜 제 2 기억부(12)에 기억한다(스텝 ST3b).
FMEA 결과 DB(2)에 기억되어 있는 모든 FMEA 결과를 처리하지 않은 경우(스텝 ST4b; 아니오), 스텝 ST1b로부터의 처리가 반복된다.
FMEA 결과 DB(2)에 기억되어 있는 모든 FMEA 결과를 처리한 경우(스텝 ST4b; 예), 스텝 ST5b의 처리로 이행한다.
스텝 ST5b에 있어서, 지표 추정부(4)는, 실시의 형태 1과 마찬가지로 하여 제 1 추정치인 파라미터 값을 추정한다.
지표 추정부(4)는, 추정한 제 1 추정치를, 부품 ID 및 점검 항목 ID에 대응시켜 제 1 기억부(5)에 기억한다(스텝 ST6b).
병합부(13)는, 제 1 기억부(5)에 기억된 제 1 추정치와, 제 2 기억부(12)에 기억된 제 2 추정치를 읽어내고, 읽어낸 제 1 추정치와 제 2 추정치를 안분하여 최종적인 고장 리스크 지표의 추정치를 산출한다(스텝 ST7b). 이후, 병합부(13)는, 산출한 고장 리스크 지표의 추정치를 나타내는 정보 B를 출력한다(스텝 ST8b).
또, 도 15에서는, 지표 추정부(11)에 의한 제 2 추정치의 추정을, 지표 추정부(4)에 의한 제 1 추정치의 추정보다 먼저 행하는 경우를 나타냈지만, 이것으로 한정되는 것이 아니다.
예컨대, 지표 추정부(4)에 의한 제 1 추정치의 추정을, 지표 추정부(11)에 의한 제 2 추정치의 추정보다 먼저 행하더라도 좋다. 또한, 지표 추정부(4)에 의한 제 1 추정치의 추정과 지표 추정부(11)에 의한 제 2 추정치의 추정을 병행하여 행하더라도 좋다.
다음으로, 범위 축소부(9)의 동작을 상세하게 설명한다.
도 16은 범위 축소부(9)의 동작을 나타내는 플로차트이고, 설비 정보 DB(6), 보수 실적 DB(7) 및 고장 실적 DB(8)에 기억된 정보를 분류하여 범위 축소 데이터 기억부(10)에 기억할 때까지의 일련의 처리를 나타내고 있다.
우선, 범위 축소부(9)는, FMEA 결과 DB(2), 설비 정보 DB(6) 및 보수 실적 DB(7)의 각 테이블 데이터를 병합한다(스텝 ST1c).
예컨대, 범위 축소부(9)는, 설비 정보 DB(6)로부터 읽어낸 테이블 데이터의 설비 ID, 부품 ID 및 점검 항목 ID에 근거하여, 동일한 설비 ID, 부품 ID 및 점검 항목 ID를 갖는 보수 실적 DB(7)의 테이블 데이터를 검색한다. 범위 축소부(9)는, 이 검색에 의해 특정된 테이블 데이터의 "보수 작업 실시 일시"의 항목에 설정된 정보를, 설비 정보 DB(6)로부터 읽어낸 테이블 데이터에 병합한다.
또, 범위 축소부(9)는, 설비 정보와 동일한 설비 ID, 부품 ID 및 점검 항목 ID의 보수 실적 데이터가 없는 경우, 검색에 이용한 설비 ID, 부품 ID 및 점검 항목 ID의 레코드 데이터를 삭제하지 않고 병합 후의 테이블 데이터에 남긴다.
계속하여, 범위 축소부(9)는, 병합 후의 테이블 데이터에 있어서의 설비 ID, 부품 ID 및 점검 항목 ID에 근거하여, 동일한 설비 ID, 부품 ID 및 점검 항목 ID를 갖는 FMEA 결과 DB(2)의 테이블 데이터를 검색한다. 범위 축소부(9)는, 이 검색에 의해 특정된 테이블 데이터에 있어서의 FMEA 결과를, 상기 병합 후의 테이블 데이터에 병합한다.
범위 축소부(9)는, 설비 정보 DB(6)에 있어서의 모든 테이블 데이터에 상기 처리를 실행함으로써, 설비 정보와 보수 실적 데이터가 FMEA 결과마다 분류된 정보를 생성한다.
다음으로, 범위 축소부(9)는, 전술과 같이 병합한 테이블 데이터 중, 평가 대상의 FMEA 결과에 대응하는 레코드 데이터만으로 범위를 축소한다(스텝 ST2c).
범위 축소부(9)는, 상기 병합한 테이블 데이터의 레코드 데이터에 대하여 "무고장 계속 월수" 및 "고장 발생 플래그"의 항목을 추가한다.
스텝 ST3c에 있어서, 범위 축소부(9)는, 평가 대상의 FMEA 결과에 대응하는 설비 ID 및 부품 ID에 근거하여, 이 부품 ID에 대응하는 부품에 대한 보수 작업을 실행하고 나서 다음의 보수 작업까지의 사이에 가장 빨리 발생한 고장 실적 데이터를 고장 실적 DB(8)로부터 검색한다. 또, 보수 작업이 실행되지 않았으면, 보수 개시 일시 이후에서 다음의 보수 작업까지의 사이에 가장 빨리 발생한 고장 실적 데이터를 검색한다.
범위 축소부(9)는, 검색 결과의 고장 실적 데이터에 근거하여, 부품에 고장이 발생하지 않았던 무고장 계속 월수를 산출하여, 산출한 월수를 "무고장 계속 월수"의 항목에 설정하고, 고장이 발생한 것을 나타내는 값인 "1"을 "고장 발생 플래그"의 항목에 설정한다.
한편, 상기 검색에서 고장 실적이 없으면, 범위 축소부(9)는, 다음의 보수 작업 일시까지의 시간 간격을 산출하여, 이 월수를 "무고장 계속 월수"의 항목에 설정하고, 고장이 발생하지 않은 것을 나타내는 값인 "0"을 "고장 발생 플래그"의 항목에 설정한다.
또, 다음에 보수 작업의 일시가 정해져 있지 않은 경우는, 현시점까지의 간격이 "무고장 계속 월수"의 항목에 설정된다.
범위 축소부(9)는, 스텝 ST1c에서 병합한 테이블 데이터에 있어서의 모든 레코드 데이터에 대하여 상기 처리를 실행한다. 이것에 의해, 설비 정보와 보수 실적 데이터와 고장 실적 데이터가, FMEA 결과마다 분류된 정보가 생성된다.
범위 축소부(9)는, 처리 결과의 테이블 데이터를 범위 축소 데이터 기억부(10)에 기억한다(스텝 ST4c). 상기 테이블 데이터는, 도 14a에 나타낸 바와 같이, "고장의 빈도 레벨", "영향의 크기 레벨", "검출 가능성 레벨", "설비 ID", "부품 ID", "점검 항목 ID", "보수 작업 실시 일시", "무고장 계속 월수" 및 "고장 발생 플래그"라고 하는 항목으로 이루어지는 데이터이다.
다음으로, 지표 추정부(11)의 동작을 상세하게 설명한다.
도 17은 지표 추정부(11)의 동작을 나타내는 플로차트이고, 제 2 추정치를 추정하고 나서 제 2 기억부(12)에 기억할 때까지의 일련의 처리를 나타내고 있다.
스텝 ST1d에 있어서, 지표 추정부(11)는, 범위 축소 데이터 기억부(10)에 기억된 테이블 데이터로부터, 처리 대상의 부품 ID 및 점검 항목 ID가 동일한 레코드 데이터를 검색한다. 지표 추정부(11)는, 검색한 레코드 데이터에 있어서 "무고장 계속 월수"의 항목에 설정된 값이, 보수 작업 후의 경과 시간 t(t=1, 2, …) 이하의 레코드 데이터의 수를 산출한다. 이와 같이 산출된 레코드 데이터의 수가, 보수 작업 후의 경과 월수에 따른 부품의 총 대수가 된다.
지표 추정부(11)는, 범위 축소 데이터 기억부(10)에 기억되어 있는 테이블 데이터로부터, "고장 발생 플래그"의 항목에 "1"이 설정된 레코드 데이터를 검색한다.
지표 추정부(11)는, 검색한 레코드 데이터에 근거하여, 부품 ID마다 및 점검 항목 ID마다의, 보수 작업 후의 경과 월수에 따른 고장 건수를 산출한다(스텝 ST2d).
다음으로, 지표 추정부(11)는, 상기 보수 작업 후의 경과 월수에 따른 고장 건수를 상기 총 대수로 나눈 값인 실적 고장률을 산출한다(스텝 ST3d).
계속하여, 지표 추정부(11)는, 스텝 ST3d에서 산출한 실적 고장률의 추이를 근사하는 통계적 분포를 특정하고, 이 통계적 분포에 따르는 모델 식의 파라미터 값을 통계적으로 추정한다(스텝 ST4d). 예컨대, 실적 고장률의 추이를, 상기 식 (4)에서 리스크 가중 계수 W와 1로 한 경우의 고장 리스크 지표 R(t)에 의해 근사하는 시간 스케일 계수 S 및 형상 파라미터 γ가 추정된다.
파라미터의 추정에는 공역 방향법을 이용하는 것을 생각할 수 있지만, 와이블 분포의 파라미터를 추정하는 기존의 방법이더라도 좋다.
리스크 가중 계수 W의 값은, FMEA 결과마다 설정된다. 예컨대, 유저로부터 접수한 값을 설정하더라도 좋고, 실적 데이터로부터 구한 고장 발생시의 손실액×고장률과의 차분이 가장 작아지는 계수의 값을 설정하더라도 좋다. 안전 마진 M의 값은, 유저로부터 접수한 값을 설정하더라도 좋고, M=0으로 하더라도 좋다.
또, 통계적 분포로서 와이블 분포를 사용했지만, 감마 분포, 로그 정규 분포 등의 통계적 분포이더라도 좋고, 실적 데이터와의 오차가 최소가 되는 통계적 분포이면 된다.
지표 추정부(11)는, 범위 축소 데이터 기억부(10)에 기억되어 있는 테이블 데이터의 부품 ID 및 점검 항목 ID의 조합 중, 처리하지 않은 조합이 있는지 여부를 확인한다(스텝 ST5d).
범위 축소 데이터 기억부(10)에 기억되어 있는 테이블 데이터의 부품 ID 및 점검 항목 ID의 조합 중, 처리하지 않은 조합이 있는 경우(스텝 ST5d; 아니오), 스텝 ST1d로 돌아가서, 전술한 처리를 반복한다.
부품 ID 및 점검 항목 ID의 모든 조합을 처리한 경우(스텝 ST5d; 예), 지표 추정부(11)는, 추정한 파라미터 값인 제 2 추정치를, 부품 ID 및 점검 항목 ID에 대응시켜 제 2 기억부(12)에 기억한다(스텝 ST6d).
통계적 분포가 와이블 분포에 따르는 것으로부터, 도 14b에 나타낸 "통계적 분포"의 항목에 "와이블 분포"가 설정되고, "통계적 분포 파라미터"의 항목에는, 형상 파라미터 γ의 값이 설정된다.
다음으로, 병합부(13)의 동작을 상세하게 설명한다.
도 18은 병합부(13)의 동작을 나타내는 플로차트이고, 제 1 추정치와 제 2 추정치로부터 최종적인 고장 리스크 지표의 추정치를 산출하여 출력할 때까지의 일련의 처리를 나타내고 있다. 병합부(13)는, 처리 대상의 부품 ID 및 점검 항목 ID, 이들에 대응하는 제 2 추정치 및 실제 데이터 수를 제 2 기억부(12)로부터 읽어낸다(스텝 ST1e).
다음으로, 병합부(13)는, 처리 대상의 부품 ID 및 점검 항목 ID 및 이들에 대응하는 제 1 추정치를 제 1 기억부(5)로부터 읽어낸다(스텝 ST2e).
제 1 기억부(5)에 기억되어 있는 제 1 추정치 중, 제 2 기억부(12)로부터 읽어낸 제 2 추정치에 대응하는 부품 ID 및 점검 항목 ID와 동일한 부품 ID 및 점검 항목 ID를 갖지 않는 레코드 데이터에 대해서는, 제 1 기억부(5)로부터 그대로 읽어내어진다.
제 2 기억부(12)로부터 읽어내어진 레코드 데이터에 설정되어 있는 실제 데이터 수를 NA로 하고, 보수 작업 후의 경과 시간마다의 부품의 총 대수를 항상 NA로 하고, 고장 건수를 NA×RA(t)로 가정한다. 병합부(13)는, 제 1 기억부(5)로부터 읽어내어진 동일한 부품 ID 및 점검 항목 ID를 갖는 레코드 데이터에 있어서, 제 1 추정치의 통계적 추정에서 상정되는 데이터의 수인 NI를 구한다(스텝 ST3e).
예컨대, 병합부(13)는, 통계 평가용 정보 A에 있어서의 허용 오차 Δ 및 신뢰율 α를 사용하여, 하기 식 (7)로부터 NI를 산출한다. 하기 식 (7)에 있어서, z(α)는, 표준 정규 분포의 위쪽 100α％를 나타낸다. Δ=0.1, α=0.99(99%)이면, z(α)=2.326이고, NI=2168이 된다.
Figure 112019056509526-pct00007
제 1 기억부(5)로부터 읽어내어진 동일한 부품 ID 및 점검 항목 ID를 갖는 레코드 데이터에 있어서, 보수 작업 후의 경과 시간마다의 부품의 총 대수는, 항상 상기 식 (7)에 의해 산출한 NI이고, 고장 건수를 NI×RI(t)로 가정한다.
병합부(13)는, 제 2 기억부(12)로부터 읽어낸 레코드 데이터가 나타내는 고장 리스크 지표 RA(t)와, 제 1 기억부(5)로부터 읽어낸 동일한 부품 ID 및 점검 항목 ID를 갖는 레코드 데이터가 나타내는 고장 리스크 지표 RI(t)를 안분한다(스텝 ST4e).
병합부(13)는, 보수 작업 후의 경과 시간마다의 부품의 총 대수를 NA+NI로 하고, 고장 건수를 NA×RA(t)+NI×RI(t)로 하여 고장 리스크 지표 RF(t)를 다시 통계적으로 추정한다. 추정 방법에는, 예컨대, 공역 방향법이 이용된다. 여기까지의 처리가 안분 처리이다. 이와 같이, 병합부(13)가, 제 1 추정치의 통계적 추정에서 상정된 데이터 수인 NI를 제 2 추정치와의 안분에 이용한다. 이것에 의해, 제 1 추정치와 제 2 추정치를 적절히 안분할 수 있다.
병합부(13)는, 제 1 기억부(5) 및 제 2 기억부(12)의 각각에 기억된 정보 중, 안분하지 않은 부품 ID 및 점검 항목 ID의 조합이 있는지 여부를 확인한다(스텝 ST5e).
제 1 기억부(5) 및 제 2 기억부(12)의 각각에 기억된 정보 중, 안분하지 않은 부품 ID 및 점검 항목 ID의 조합이 있으면(스텝 ST5e; 아니오), 처리하지 않은 조합에 대하여 스텝 ST1e로부터의 처리를 반복한다.
모든 부품 ID 및 점검 항목 ID의 조합을 안분한 경우(스텝 ST5e; 예), 병합부(13)는, 고장 리스크 지표 RF(t)의 파라미터 값으로부터, 최종적인 고장 리스크 지표의 추정치를 나타내는 정보 B를 생성하여 출력한다(스텝 ST6e).
이상과 같이, 실시의 형태 2와 관련되는 고장 리스크 지표 추정 장치(1A)에 있어서, 범위 축소부(9)가, 설비 정보 DB(6), 보수 실적 DB(7), 및 고장 실적 DB(8)의 각각에 기억된 정보를, FMEA 결과마다 대응하는 정보로 분류한다. 지표 추정부(11)가, 범위 축소부(9)에 의해 분류된 정보에 근거하여, 보수 작업의 실적 데이터와 고장의 실적 데이터의 관계에 따른 고장 리스크 지표의 추정치를 추정한다. 병합부(13)가, 지표 추정부(4)에 의해 추정된 제 1 추정치와 지표 추정부(11)에 의해 추정된 제 2 추정치를 안분하여, 최종적인 고장 리스크 지표의 추정치를 산출한다. 이와 같이 구성함으로써, 설비의 보수 실적 데이터가 적은 경우에도, 설비에 고장이 발생하는 리스크의 지표를 적절히 추정할 수 있다.
또한, 실시의 형태 2와 관련되는 고장 리스크 지표 추정 장치(1A)에 있어서, 병합부(13)가, 제 1 추정치의 통계적 추정에서 상정된 데이터 수를 제 2 추정치와의 안분에 이용한다. 이와 같이 구성함으로써, 제 1 추정치와 제 2 추정치를 적절히 안분할 수 있다.
또, 본 발명은 그 발명의 범위 내에 있어서, 각 실시의 형태의 자유로운 조합 혹은 각 실시의 형태의 임의의 구성 요소의 변형, 또는 각 실시의 형태에 있어서 임의의 구성 요소의 생략이 가능하다.
(산업상 이용가능성)
본 발명과 관련되는 고장 리스크 지표 추정 장치는, 설비의 보수 실적 데이터가 없거나 또는 적은 경우에도 설비에 고장이 발생하는 리스크의 지표를 적절히 추정할 수 있으므로, 예컨대, 다양한 기계 시스템에 적용 가능하다.
1, 1A : 고장 리스크 지표 추정 장치
2 : FMEA 결과 DB
3 : 이미 결정된 작업 간격 DB
4, 11 : 지표 추정부
4a : 모델 식 구축부
4b : 파라미터 추정부
5 : 제 1 기억부
6 : 설비 정보 DB
7 : 보수 실적 DB
8 : 고장 실적 DB
9 : 범위 축소부
10 : 범위 축소 데이터 기억부
12 : 제 2 기억부
13 : 병합부
100 : 데이터베이스
101 : DB 입출력 인터페이스
102 : 정보 입력 인터페이스
103 : 정보 출력 인터페이스
104 : 처리 회로
105 : 메모리
106 : 프로세서

Claims (7)

  1. 설비를 구성하는 부품의 점검 항목마다의 고장 모드 영향 해석 결과를 나타내는 정보 및 고장 리스크 지표의 추정에 이용하는 통계적 분포를 나타내는 정보에 근거하여, 상기 통계적 분포에 따른 상기 고장 리스크 지표의 추이를 나타내는 모델 식을 구축하는 모델 식 구축부와,
    설비를 구성하는 부품의 점검 항목마다의 고장 모드 영향 해석 결과를 나타내는 정보 및 부품의 점검 항목마다 이미 결정된 보수 작업 간격을 나타내는 정보에 근거하여, 상기 모델 식으로부터 산출한 보수 작업 간격과 상기 이미 결정된 보수 작업 간격의 차분이 가장 작아지는 상기 모델 식의 파라미터 값을 통계적으로 추정하는 파라미터 추정부와,
    설비, 설비를 구성하는 부품 및 부품마다의 점검 항목을 포함하는 설비 정보, 설비를 구성하는 부품의 점검 항목마다의 보수 작업의 실적 데이터 및 설비를 구성하는 부품마다의 고장의 실적 데이터를, 고장 모드 영향 해석 결과마다 대응하는 정보로 분류하는 범위 축소부와,
    상기 범위 축소부에 의해 분류된 정보에 근거하여, 상기 보수 작업의 실적 데이터와 상기 고장의 실적 데이터의 관계에 따른 상기 고장 리스크 지표의 추정치를 추정하는 지표 추정부와,
    상기 파라미터 추정부에 의해 추정된 파라미터 값인 제 1 추정치와 상기 지표 추정부에 의해 추정된 추정치인 제 2 추정치를 안분하여, 최종적인 상기 고장 리스크 지표의 추정치를 산출하는 병합부
    를 구비한 것을 특징으로 하는 고장 리스크 지표 추정 장치.
  2. 제 1 항에 있어서,
    상기 병합부는, 상기 제 1 추정치의 통계적 추정에서 상정된 데이터 수를 상기 제 2 추정치와의 안분에 이용하는 것을 특징으로 하는 고장 리스크 지표 추정 장치.
  3. 제 1 항에 있어서,
    상기 모델 식 구축부는, 고장 모드 영향 해석의 고장에 관한 평가 항목과 그 평가 항목에서의 평가 레벨이 동일한 경우, 상기 평가 항목에 관련되는 상기 모델 식의 파라미터에 공통의 파라미터를 할당하는 것을 특징으로 하는 고장 리스크 지표 추정 장치.
  4. 제 1 항에 있어서,
    상기 파라미터 추정부는, 서로 유사한 점검 항목 사이의 한쪽에 대한 파라미터 값의 통계적 추정에서 이용한 정보를, 점검 항목 사이의 다른 쪽에 대한 파라미터 값의 통계적 추정에 이용하는 것을 특징으로 하는 고장 리스크 지표 추정 장치.
  5. 모델 식 구축부가, 설비를 구성하는 부품의 점검 항목마다의 고장 모드 영향 해석 결과를 나타내는 정보 및 고장 리스크 지표의 추정에 이용하는 통계적 분포를 나타내는 정보에 근거하여, 상기 통계적 분포에 따른 상기 고장 리스크 지표의 추이를 나타내는 모델 식을 구축하는 스텝과,
    파라미터 추정부가, 설비를 구성하는 부품의 점검 항목마다의 고장 모드 영향 해석 결과를 나타내는 정보 및 부품의 점검 항목마다 이미 결정된 보수 작업 간격을 나타내는 정보에 근거하여, 상기 모델 식으로부터 산출한 보수 작업 간격과 상기 이미 결정된 보수 작업 간격의 차분이 가장 작아지는 상기 모델 식의 파라미터 값을 통계적으로 추정하는 스텝과,
    범위 축소부가, 설비, 설비를 구성하는 부품 및 부품마다의 점검 항목을 포함하는 설비 정보, 설비를 구성하는 부품의 점검 항목마다의 보수 작업의 실적 데이터 및 설비를 구성하는 부품마다의 고장의 실적 데이터를, 고장 모드 영향 해석 결과마다 대응하는 정보로 분류하는 스텝과,
    지표 추정부가, 상기 범위 축소부에 의해 분류된 정보에 근거하여, 상기 보수 작업의 실적 데이터와 상기 고장의 실적 데이터의 관계에 따른 상기 고장 리스크 지표의 추정치를 추정하는 스텝과,
    병합부가, 상기 파라미터 추정부에 의해 추정된 파라미터 값인 제 1 추정치와 상기 지표 추정부에 의해 추정된 추정치인 제 2 추정치를 안분하여, 최종적인 상기 고장 리스크 지표의 추정치를 산출하는 스텝
    을 구비한 것을 특징으로 하는 고장 리스크 지표 추정 방법.
  6. 삭제
  7. 삭제
KR1020197015852A 2016-12-09 2016-12-09 고장 리스크 지표 추정 장치 및 고장 리스크 지표 추정 방법 KR102097953B1 (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2016/086738 WO2018105104A1 (ja) 2016-12-09 2016-12-09 故障リスク指標推定装置および故障リスク指標推定方法

Publications (2)

Publication Number Publication Date
KR20190071812A KR20190071812A (ko) 2019-06-24
KR102097953B1 true KR102097953B1 (ko) 2020-04-07

Family

ID=62490824

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020197015852A KR102097953B1 (ko) 2016-12-09 2016-12-09 고장 리스크 지표 추정 장치 및 고장 리스크 지표 추정 방법

Country Status (5)

Country Link
JP (1) JP6501982B2 (ko)
KR (1) KR102097953B1 (ko)
CN (1) CN110023967B (ko)
TW (1) TWI646476B (ko)
WO (1) WO2018105104A1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7213637B2 (ja) * 2018-08-07 2023-01-27 日鉄テックスエンジ株式会社 整備管理装置、整備管理方法及びプログラム
JP7265128B2 (ja) * 2019-03-04 2023-04-26 日本製鉄株式会社 設備管理支援装置、設備管理支援方法、プログラム及びコンピュータ読み取り可能な記録媒体
WO2020188636A1 (ja) * 2019-03-15 2020-09-24 三菱電機株式会社 すべり量予測装置及びすべり量予測方法
CN110376982B (zh) * 2019-07-11 2021-06-29 江南大学 一种基于改进fmea的控制分析方法
CN111582751B (zh) * 2020-05-19 2022-06-14 国网吉林省电力有限公司 一种时间加权的购电风险预警方法
CN111651933B (zh) * 2020-05-22 2023-09-26 宁波诺丁汉新材料研究院有限公司 基于统计推断的工业锅炉故障预警方法及系统
JP2023012668A (ja) * 2021-07-14 2023-01-26 三菱重工業株式会社 故障予測装置、故障予測方法、及びプログラム
KR102489119B1 (ko) 2021-10-21 2023-01-18 김지예 스마트 고장형태 영향분석 시스템 및 이를 이용한 공정관리 시스템 및 방법
CN115982960B (zh) * 2022-12-08 2023-09-01 国家管网集团北方管道有限责任公司 用于管道输油站的智能风险防控能力评价方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005011327A (ja) 2003-05-29 2005-01-13 Tokyo Electric Power Co Inc:The 修繕計画立案支援装置及び方法
JP2005085178A (ja) 2003-09-11 2005-03-31 Mitsubishi Electric Corp 設備運用計画作成システム
JP2008009990A (ja) 2006-06-29 2008-01-17 Toshiba Corp 保守計画システム、保守計画方法
JP2009140022A (ja) 2007-12-03 2009-06-25 Nippon Steel Corp 設備メンテナンス計画作成支援装置、方法、プログラム、及びコンピュータ読み取り可能な記録媒体
JP2009251822A (ja) 2008-04-03 2009-10-29 Toshiba Corp 複合診断・保守計画支援システム及びその支援方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6223143B1 (en) * 1998-08-31 2001-04-24 The United States Government As Represented By The Administrator Of The National Aeronautics And Space Administration Quantitative risk assessment system (QRAS)
JP2004252549A (ja) 2003-02-18 2004-09-09 Hokkaido Sekiyu Kyodo Bichiku Kk 可動（べきどう）管理方法及び可動管理装置
JP4237610B2 (ja) * 2003-12-19 2009-03-11 株式会社東芝 保守支援方法及びプログラム
JP4967430B2 (ja) * 2006-04-11 2012-07-04 オムロン株式会社 不具合管理装置、不具合管理プログラム、およびこれを記録した記録媒体
US8620514B2 (en) * 2011-02-24 2013-12-31 Bae Systems Plc Reliability centered maintenance
CN102208028B (zh) * 2011-05-31 2013-06-19 北京航空航天大学 一种适用于动态复杂系统的故障预测和诊断方法
CN102810122A (zh) * 2011-06-02 2012-12-05 鸿富锦精密工业（深圳）有限公司 电子产品设计的验证系统和方法
FR2989500B1 (fr) * 2012-04-12 2014-05-23 Airbus Operations Sas Procede, dispositifs et programme d'ordinateur d'aide a l'analyse de la tolerance aux pannes d'un systeme d'un aeronef, utilisant des graphes d'evenements redoutes
CN104076809B (zh) * 2013-03-26 2017-01-04 三菱电机株式会社 数据处理装置以及数据处理方法
AT514680A2 (de) * 2013-08-05 2015-02-15 Uptime Engineering Gmbh Prozess zur Optimierung der Wartung technischer Systeme
JP2016004279A (ja) * 2014-06-13 2016-01-12 株式会社日立製作所 保守システム及び保守方法
CN104166800A (zh) * 2014-08-11 2014-11-26 工业和信息化部电子第五研究所 基于失效机理的元器件fmea分析方法与系统
JP6301791B2 (ja) * 2014-09-17 2018-03-28 株式会社東芝 配電網の故障予兆診断システムおよびその方法
CN104463421B (zh) * 2014-11-06 2017-09-01 朱秋实 一种基于实时状态的大数据建模的设备动态优化维护方法
JP6251201B2 (ja) 2015-01-08 2017-12-20 三菱重工業株式会社 稼動率予測装置及び稼動率予測方法
CN105956789A (zh) * 2016-05-24 2016-09-21 国网四川省电力公司 一种基于状态评价的电力设备定量风险评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005011327A (ja) 2003-05-29 2005-01-13 Tokyo Electric Power Co Inc:The 修繕計画立案支援装置及び方法
JP2005085178A (ja) 2003-09-11 2005-03-31 Mitsubishi Electric Corp 設備運用計画作成システム
JP2008009990A (ja) 2006-06-29 2008-01-17 Toshiba Corp 保守計画システム、保守計画方法
JP2009140022A (ja) 2007-12-03 2009-06-25 Nippon Steel Corp 設備メンテナンス計画作成支援装置、方法、プログラム、及びコンピュータ読み取り可能な記録媒体
JP2009251822A (ja) 2008-04-03 2009-10-29 Toshiba Corp 複合診断・保守計画支援システム及びその支援方法

Also Published As

Publication number Publication date
CN110023967A (zh) 2019-07-16
TWI646476B (zh) 2019-01-01
TW201822080A (zh) 2018-06-16
JPWO2018105104A1 (ja) 2019-03-28
KR20190071812A (ko) 2019-06-24
CN110023967B (zh) 2022-12-23
JP6501982B2 (ja) 2019-04-17
WO2018105104A1 (ja) 2018-06-14

Similar Documents

Publication Publication Date Title
KR102097953B1 (ko) 고장 리스크 지표 추정 장치 및 고장 리스크 지표 추정 방법
US20150067648A1 (en) Preparing an optimized test suite for testing an application under test in single or multiple environments
US20120151276A1 (en) Early Detection of Failing Computers
US11360873B2 (en) Evaluation device, evaluation method, and evaluation program
US20160041848A1 (en) Methods and Apparatuses for Determining a Leak of Resource and Predicting Usage Condition of Resource
CN109714201B (zh) 网络系统可靠性评估方法、装置、计算机设备和存储介质
US20090138860A1 (en) Program analysis method amd apparatus
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
JP6737277B2 (ja) 製造プロセス分析装置、製造プロセス分析方法、及び、製造プロセス分析プログラム
US20130173215A1 (en) Adaptive trend-change detection and function fitting system and method
JP6289273B2 (ja) 保守作業間隔適正化装置および保守作業間隔適正化方法
WO2017150286A1 (ja) システム分析装置、システム分析方法、及び、コンピュータ読み取り可能な記録媒体
CN105278966B (zh) 基于失效模式分析的卫星星载制导与导航软件的设计与测试方法
CN110084476B (zh) 案件调整方法、装置、计算机设备和存储介质
JP5793228B1 (ja) 欠陥数予測装置及び欠陥数予測プログラム
JP2007164346A (ja) 決定木変更方法、異常性判定方法およびプログラム
US10255128B2 (en) Root cause candidate determination in multiple process systems
US20210365189A1 (en) Performance analysis apparatus and performance analysis method
CN112882854B (zh) 一种请求异常的处理方法及装置
CN114020971A (zh) 一种异常数据检测方法及装置
CN113127804B (zh) 确定车辆故障次数的方法、装置、计算机设备和存储介质
CN116610484B (zh) 一种模型训练方法、故障预测方法、系统、设备以及介质
CN112817948B (zh) 数据检测的方法、装置、可读存储介质以及电子设备
YAMADA et al. Quantitative assessment for software safety integrity level with functional safety standards and risk costs
CN116848513A (zh) 数据分析装置、数据分析系统和程序

Legal Events

Date Code Title Description
A201 Request for examination
A302 Request for accelerated examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant