WO2019225652A1

WO2019225652A1 - 寿命予測のためのモデル生成装置、寿命予測のためのモデル生成方法、及び、寿命予測のためのモデル生成プログラムが格納された記録媒体

Info

Publication number: WO2019225652A1
Application number: PCT/JP2019/020289
Authority: WO
Inventors: 宗一朗高田; 裕文井上; 純一郎又賀
Original assignee: 日本電気株式会社
Priority date: 2018-05-25
Filing date: 2019-05-22
Publication date: 2019-11-28
Also published as: EP3806008A1; US20210048811A1; JPWO2019225652A1; EP3806008A4

Abstract

モデル生成装置３０は、寿命を予測する対象の障害履歴情報３０１に基づいて、順序統計量算出方法３１０を用いて、対象に関する使用時間と信頼度との関係を表す実績情報３１１を生成する実績情報生成部３１と、使用時間を１以上の期間に分割する分割数を設定したのち、設定した分割数に分割した期間ごとに、実績情報３１１を近似する確率分布モデル３２１を生成する確率分布モデル生成部３２と、分割数ごとに、実績情報３１１に対する確率分布モデル３２１の適合度３３１を、情報量基準３３０を用いて算出する算出部３３と、適合度が最も高くなる分割数における確率分布モデル３２１を決定する決定部３４と、を備えることによって、信頼度に関する確率分布モデルを利用して、対象の寿命を予測する場合に、その予測精度を向上させる。

Description

寿命予測のためのモデル生成装置、寿命予測のためのモデル生成方法、及び、寿命予測のためのモデル生成プログラムが格納された記録媒体

　本願発明は、信頼度に関する確率分布モデルを利用して、対象の寿命を予測する技術に関する。

　社会インフラを構築するシステム（例えば、水道管や橋梁等の構造物、電子機器等）が時間の経過とともに劣化することによって、そのシステムの信頼性が基準を満たさなくなった（即ちそのシステムが寿命を迎えた）後も、そのシステムがそのまま継続して使用された場合、事故の発生によって社会に大きな影響を与える虞がある。したがって、社会インフラを構築するシステム等の対象の寿命を高い精度で予測することが、現代社会における大きな課題である。

　信頼性用語の日本工業規格であるJIS Z 8115によれば、システムの信頼性は「アイテムが与えられた条件の下で、与えられた期間、要求機能を遂行できる能力」と定義されている。そして、信頼性を表す特性値として、信頼度、不信頼度、故障率などがあり、例えば信頼度は、「アイテムが与えられた条件の下で、与えられた時間間隔(t1,t2)に対して，要求機能を実行できる確率」と定義されている。

　このように定義されている信頼度は、システムの寿命を統計的に評価できる特性値であり、過去の故障や事故履歴を表す情報に基づいて予測可能な値である。そして、対象の信頼度や寿命を予測する代表的な手法の一つとして、ワイブル分布モデル等の確率分布モデルを利用した手法が知られており、様々な分野において実用化されている。これは、時間（対象の使用時間）を確率変数とする信頼度に関するワイブル分布等の母数パラメータを、順序統計量を用いて求めることによって、対象の信頼度や寿命を予測する手法である。

　このような手法に関連する技術として、特許文献１には、少ない実績データに基づいて高い精度で稼動率を予測するようにした稼動率予測装置が開示されている。この装置は、故障率に関連する評価項目のレベルと故障係数との対応関係を規定した初期故障用リスクマトリクスを記憶している。この装置は、構成要素の評価項目に関するレベルから、初期故障用リスクマトリクスに基づいて構成要素の故障係数を設定し、その故障係数を用いて構成要素の故障率を推定する。そしてこの装置は、複数の構成要素のそれぞれの故障率に基づいて、予測対象機械システムの稼動率を推定する。但し、初期故障用リスクマトリクスは、推定した類似機械システムの稼動率の実績に合うようにフィッティングされている。

　また、特許文献２には、少ない試験サンプルにより、実際の製品の信頼性を高い精度で見積もるようにした電気光学装置の検査方法が開示されている。この方法では、画素毎に蓄積容量を備えた素子基板を有する電気光学装置において、当該素子基板において、蓄積容量に試験電圧を印加する。この方法では、次に、その試験電圧の印加によって破壊された蓄積容量を画素毎に検出する。そしてこの方法では、試験電圧を印加された蓄積容量のうち、破壊された蓄積容量の割合の経時変化からワイブルプロットを作成する。

特開２０１６－１２６７２８号公報特開２００８－１９０８８６号公報

　寿命を予測する対象において障害が発生する要因は、一般的に複数存在することが多い。即ち、対象に関する故障モードは、一般的に複数存在する。そして、異なる故障モードに対しては、信頼度に関するワイブル分布モデル等の確率分布モデルも異なることが多いので、例えば単体の確率分布モデルを利用することによって対象の寿命を予測した場合、寿命の予測に関して高い精度が得られないという問題がある。特許文献１及び２は、この問題については特に言及していない。本願発明の主たる目的は、この問題を解決するモデル生成装置等を提供することである。

　本願発明の一態様に係る寿命予測のためのモデル生成装置は、寿命を予測する対象の障害履歴情報に基づいて、順序統計量算出方法を用いて、前記対象に関する使用時間と信頼度との関係を表す実績情報を生成する実績情報生成手段と、前記使用時間を１以上の期間に分割する分割数を設定したのち、設定した前記分割数に分割した期間ごとに、前記実績情報を近似する確率分布モデルを生成する確率分布モデル生成手段と、前記分割数ごとに、前記実績情報に対する前記確率分布モデルの適合度を、情報量基準を用いて算出する算出手段と、前記適合度が最も高くなる前記分割数における前記確率分布モデルを決定する決定手段と、を備える。

　上記目的を達成する他の見地において、本願発明の一態様に係る寿命予測のためのモデル生成方法は、情報処理装置によって、寿命を予測する対象の障害履歴情報に基づいて、順序統計量算出方法を用いて、前記対象に関する使用時間と信頼度との関係を表す実績情報を生成し、前記使用時間を１以上の期間に分割する分割数を設定したのち、設定した前記分割数に分割した期間ごとに、前記実績情報を近似する確率分布モデルを生成し、前記分割数ごとに、前記実績情報に対する前記確率分布モデルの適合度を、情報量基準を用いて算出し、前記適合度が最も高くなる前記分割数における前記確率分布モデルを決定する。

　また、上記目的を達成する更なる見地において、本願発明の一態様に係る寿命予測のためのモデル生成プログラムは、寿命を予測する対象の障害履歴情報に基づいて、順序統計量算出方法を用いて、前記対象に関する使用時間と信頼度との関係を表す実績情報を生成する実績情報生成処理と、前記使用時間を１以上の期間に分割する分割数を設定したのち、設定した前記分割数に分割した期間ごとに、前記実績情報を近似する確率分布モデルを生成する確率分布モデル生成処理と、前記分割数ごとに、前記実績情報に対する前記確率分布モデルの適合度を、情報量基準を用いて算出する算出処理と、前記適合度が最も高くなる前記分割数における前記確率分布モデルを決定する決定処理と、をコンピュータに実行させる。

　更に、本願発明は、係る寿命予測のためのモデル生成プログラム（コンピュータプログラム）が格納された、コンピュータ読み取り可能な、不揮発性の記録媒体によっても実現可能である。

　本願発明は、信頼度に関する確率分布モデルを利用して、対象の寿命を予測する場合に、その予測精度を向上させることを可能とする。

本願発明の第１の実施形態に係るモデル生成装置１０の構成を示すブロック図である。本願発明の第１の実施形態に係るモデル生成装置１０によって生成されたワイブルプロット１５３、及びワイブルプロット１５３に最も適合するワイブル分布モデルを例示するグラフである。本願発明の第１の実施形態に係る適合度算出結果１５６が表す、使用時間の分割数（モデル次数）とＡＩＣとの関係を例示するグラフである。本願発明の第１の実施形態に係るモデル生成装置１０によって決定されたワイブル分布モデルに基づいて、対象の寿命予測を行なった結果を例示するヒストグラムである。本願発明の第１の実施形態に係るモデル生成装置１０の動作を示すフローチャートである。本願発明の第２の実施形態に係るモデル生成装置３０の構成を示すブロック図である。本願発明の各実施形態に係るモデル生成装置を実行可能な情報処理装置９００の構成を示すブロック図である。

　以下、本願発明の実施の形態について図面を参照して詳細に説明する。

　＜第１の実施形態＞
　図１は、本願発明の第１の実施の形態に係るモデル生成装置１０の構成を示すブロック図である。モデル生成装置１０は、社会インフラを構築するシステム等の対象の寿命を、対象の信頼度（故障しない確率）に関する確率分布モデルとしてワイブル分布モデルを用いることにより予測することを支援する情報処理装置である。

　モデル生成装置１０は、管理端末装置２０と通信可能に接続されている。管理端末装置２０は、ユーザがモデル生成装置１０に対して情報を入力する、あるいは、モデル生成装置１０から出力された情報をユーザが確認する際に使用される、例えばパーソナルコンピュータ等の端末装置である。

　モデル生成装置１０は、ワイブルプロット生成部１１（実績情報生成部）、ワイブル分布モデル生成部１２（確率分布モデル生成部）、算出部１３、決定部１４、及び、記憶部１５を備える。記憶部１５は、例えば、電子メモリや磁気ディスク等の記憶デバイスである。記憶部１５は、障害履歴情報１５１、順序統計量算出方法情報１５２、ワイブルプロット１５３、ワイブル係数算出結果１５４、情報量基準情報１５５、及び、適合度算出結果１５６を記憶している。記憶部１５に記憶されたこれらの情報の詳細については後述する。

　障害履歴情報１５１は、例えば対象における障害の発生時間を含む障害履歴を表す情報である。障害履歴情報１５１は、例えば、対象を識別可能な識別情報と、障害履歴とが関連付けられた情報である。障害履歴情報１５１は、あるいは、対象の特性を表す情報と、障害履歴とが関連付けられた情報であってもよい。但し、対象の特性を表す情報とは、例えば対象が水道管路である場合、水道管路の口径、あるいは、管厚、あるいは、材質等の少なくともいずれかを表す情報である。即ち、障害履歴情報１５１は、対象ごとの、あるいは対象の種別ごとの、障害の発生状況を表す情報である。

　次に、対象の信頼度に関する確率分布モデルとしてワイブル分布モデルを用いる場合における、対象に関する使用時間と信頼度との関係について説明する。

　この場合、信頼度Ｒ（ｔ）は、式１の通りに表すことができる。

　但し、式１において、「ｔ」は対象の使用時間を表し、「η」はワイブル分布の尺度パラメータを表し、「ｍ」はワイブル分布のワイブル係数（形状パラメータ）を表し、「ｅｘｐ」は自然指数関数を表す。

　この場合、対象の不信頼度（故障する確率）Ｆ（ｔ）は、式２の通りに表すことができる。

　そして式２に対して、対数による変換を行なうことより、式３が得られる。

ｌｎ（ｌｎ（１／（１－Ｆ（ｔ））））＝ｍｌｎｔ－ｍｌｎη　・・・・・・（式３）

　但し、式３において、「ｌｎ」は自然対数を表す演算子であり、「／」は除算を表す演算子である。

　式３は、対象の信頼度に関する確率分布モデルとしてワイブル分布モデルを用いる場合、「ｌｎ（ｌｎ（１／（１－Ｆ（ｔ））））」と「ｌｎｔ」とは、線形の関係にあることを示している。式３はまた、「ｌｎｔ」をＸ軸とし、「ｌｎ（ｌｎ（１／（１－Ｆ（ｔ））））」をＹ軸としたグラフ（後述する図２を参照）において、その傾きは、ワイブル係数ｍであることを表している。

　ワイブルプロット生成部１１は、対象の障害履歴情報１５１と、順序統計量算出方法情報１５２とに基づいて、対象に関する使用時間と信頼度との関係を表すワイブルプロット１５３（実績情報）を生成する。

　図２は、本実施形態に係るワイブルプロット１５３、及び、モデル生成装置１０によって後述する通りに生成された、ワイブルプロット１５３に最も適合するワイブル分布モデルを例示するグラフである。尚、図２、及び、後述する図３及び図４は、本願発明者が、口径が１５０ｍｍ（ミリメートル）であり、基準管厚が１１ｍｍである普通鋳鉄管（Cast Iron）に関する標本データを使用して、本実施形態に係るモデル生成装置１０の動作を評価した結果を表している。

　対象の信頼度あるいは不信頼度は、対象の障害履歴情報１５１が表す障害履歴に基づいて、順序統計量算出方法情報１５２が表す順序統計量の算出方法を用いて求められる値である。順序統計量算出方法情報１５２が表す順序統計量の算出方法としては、例えば、平均ランク法、メディアンランク法、モードランク法などがある。平均ランク法、メディアンランク法、モードランク法等は、順序統計量の算出方法として周知であるので、本願ではその詳細の説明を省略する。

　ワイブルプロット生成部１１は、対象の障害履歴情報１５１と、順序統計量算出方法情報１５２とに基づいて求めた、対象の不信頼度（故障する確率）に関して、ｌｎｔとｌｎ（ｌｎ（１／（１－Ｆ（ｔ））））との関係を、図２に「○」として例示するワイブルプロット１５３を生成する。

　図１に示すワイブル分布モデル生成部１２は、対象の使用時間を１以上の期間に分割する分割数Ｍ（Ｍは１以上の任意の整数）を設定したのち、設定した分割数Ｍに分割した期間ごとに、ワイブルプロット１５３を近似するワイブル分布モデルを生成する。尚、分割数Ｍは、対象の信頼度に関する確率分布が、複数のワイブル分布モデルが混合した混合ワイブル分布モデルによって表されることを想定したときの、ワイブル分布モデルの数（モデル次数）を表している。

　ワイブル分布モデル生成部１２は、図２に例示するグラフの横軸として表されるｌｎｔ（使用時間の自然対数を表す値）を、Ｍ個の期間に分割する。ワイブル分布モデル生成部１２は、この際例えば、ｌｎｔを等間隔あるいは略等間隔にＭ個の期間に分割する。ワイブル分布モデル生成部１２は、あるいは、ワイブルプロット１５３に対して所定の演算を行なうことによって求められる、より複雑な分割ルールに基づいて、ｌｎｔをＭ個の期間に分割してもよい。

　ワイブル分布モデル生成部１２は、上述したＭ個の期間におけるｉ番目（ｉは１乃至Ｍのいずれかの整数）の期間（期間ｉ）の両端において、図２に例示するワイブルプロット１５３が示す値（ｘ_ｉ，ｙ_ｉ）と（ｘ_ｉ＋１，ｙ_ｉ＋１）とを線形補間した直線が表す、ワイブルプロット１５３を近似するワイブル分布モデルを生成する。即ち、ワイブル分布モデル生成部１２は、式４に行列式で示す連立方程式に基づいて、当該線形補間した直線の傾きｍ_ｉ（即ち、期間ｉにおいてワイブルプロット１５３を近似するワイブル分布モデルのワイブル係数）を求める。

　ワイブル分布モデル生成部１２は、Ｍ個の期間の個々について、ワイブル係数ｍ_ｉを算出する。ワイブル分布モデル生成部１２はさらに、分割数Ｍを１から増加させながら、分割数Ｍごとに上述したワイブル係数ｍ_ｉを算出した結果を表すワイブル係数算出結果１５４を、記憶部１５に格納する。

　図１に示す算出部１３は、ワイブル係数算出結果１５４に基づいて、分割数Ｍごとに、ワイブル係数ｍ_ｉによって表されるワイブル分布モデルの、ワイブルプロット１５３に対する適合度（尤度）を、情報量基準情報１５５を用いて算出する。但し、情報量基準情報１５５が示す情報量基準は、この適合度を定量的に評価するための指標であり、例えば、赤池情報量基準（ＡＩＣ：Akaike's Information Criterion）やベイズ情報量基準（ＢＩＣ：Bayesian Information Criterion）等が知られている。

　例えば、赤池情報量基準によって算出される値ＡＩＣは、式５に示す通り算出される。

ＡＩＣ＝Ｎｌｎσ^２＋２Ｍ＋Ｎｌｎ２π　・・・・・・（式５）

　但し、式５において、Ｎはワイブルプロット１５３の標本サイズ（データ数）を表し、πは円周率を表す。式５において、σ^２は、ワイブル係数ｍ_ｉによって表されるワイブル分布モデルとワイブルプロット１５３との差分（予測誤差）に関する分散を表す。即ち、ＡＩＣはその値が小さくなればなるほど、ワイブル係数ｍ_ｉによって表されるワイブル分布モデルの、ワイブルプロット１５３に対する適合度が高いことを表す。

　算出部１３は、ワイブル係数算出結果１５４が表す、分割数Ｍごとのワイブル係数ｍ_ｉとワイブルプロット１５３とに基づいて、例えば式５に示すＡＩＣを分割数Ｍごとに算出し、その算出結果を表す適合度算出結果１５６を、記憶部１５に格納する。

　図３は、本実施形態に係る適合度算出結果１５６が表す、使用時間の分割数（モデル次数）ＭとＡＩＣとの関係を例示するグラフである。図３に示す通り、ＡＩＣは、使用時間の分割数Ｍが増加するとともに減少し、分割数Ｍが６のときに最小となる。そしてＡＩＣは、分割数Ｍが６を超えると増加する。

　図１に示す決定部１４は、ワイブル係数ｍ_ｉによって表されるワイブル分布モデルの、ワイブルプロット１５３に対する適合度が最も高くなる分割数Ｍにおけるワイブル分布モデルを決定する。即ち、決定部１４は、図３に例示する適合度算出結果１５６に基づいて、ＡＩＣが最小となるのは、分割数Ｍが６のときであることを検出する。そして決定部１４は、分割数Ｍが６のときのワイブル分布モデルのワイブル係数ｍ_ｉを、例えば管理端末装置２０を介してユーザに提示してもよい。

　図４は、本実施形態に係るモデル生成装置１０によって決定された、ワイブルプロット１５３に対する適合度が最も高くなる分割数Ｍにおけるワイブル分布モデルに基づいて、モデル生成装置１０あるいは外部の装置を用いて対象の寿命予測を行なった結果を例示するヒストグラムを表す。このヒストグラムは、対象の使用時間が１００年になるまでに、５０件程度の障害が発生し、使用時間が１５０年のあたりで、多数の障害が発生することが予測されることを表している。

　次に図５のフローチャートを参照して、本実施形態に係るモデル生成装置１０の動作（処理）について詳細に説明する。

　ユーザによる管理端末装置２０に対する入力操作によって、管理端末装置２０からモデル生成装置１０に対して、寿命予測を行なう対象の特性情報、あるいは、対象の識別子が入力される（ステップＳ１０１）。ワイブルプロット生成部１１は、入力された特性情報あるいは識別子によって示される障害履歴情報１５１と、順序統計量算出方法情報１５２とに基づいて、ワイブルプロット１５３を生成し、生成したワイブルプロット１５３を記憶部１５に格納する（ステップＳ１０２）。

　ワイブル分布モデル生成部１２は、分割数Ｍ（その初期値は０とする）に１を加算する（ステップＳ１０３）。ワイブル分布モデル生成部１２は、対数変換された使用時間をＭ個の期間に分割し、分割した期間ごとに、その両端におけるワイブルプロット１５３が示す値に基づいて線形補間を行なうことによって、ワイブル係数ｍ_ｉを算出し、その算出結果を表すワイブル係数算出結果１５４を記憶部１５に格納する（ステップＳ１０４）。

　算出部１３は、ワイブルプロット１５３に対する、ワイブル分布モデル生成部１２によって算出されたワイブル係数ｍ_ｉが表すワイブル分布モデルの適合度を、ワイブル係数算出結果１５４と情報量基準情報１５５とに基づいて算出し、その算出結果を表す適合度算出結果１５６を記憶部１５に格納する（ステップＳ１０５）。決定部１４は、適合度算出結果１５６が表す、分割数がＭのときの適合度と、分割数がＭ－１のときの適合度とを比較する（ステップＳ１０６）。

　分割数がＭ－１のときよりも、分割数がＭのときの適合度が増加した場合（ステップＳ１０７でＹｅｓ）、処理はステップＳ１０３へ戻る。分割数がＭ－１のときよりも、分割数がＭのときの適合度が増加しない（即ち、減少した、あるいは変化しない）場合（ステップＳ１０７でＮｏ）、決定部１４は、分割数がＭ－１のときのワイブル係数算出結果１５４が表すワイブル分布モデルを、ワイブルプロット１５３に最も適合するワイブル分布モデルとして決定し（ステップＳ１０８）、全体の処理は終了する。

　本実施形態に係るモデル生成装置１０は、信頼度に関する確率分布モデルを利用して、対象の寿命を予測する場合に、その予測精度を向上させることができる。その理由は、モデル生成装置１０は、対象の使用時間を分割する分割数Ｍを設定したのち、分割した期間ごとに、ワイブルプロット１５３を近似するワイブル分布モデルを生成し、分割数Ｍごとに、ワイブルプロット１５３に対するワイブル分布モデルの適合度を算出し、適合度が最も高くなる分割数Ｍにおけるワイブル分布モデルを決定するからである。

　以下に、本実施形態に係るモデル生成装置１０によって実現される効果について、詳細に説明する。

　寿命を予測する対象において障害が発生する要因は、一般的に複数存在することが多い。即ち、対象に関する故障モードは、一般的に複数存在する。そして、異なる故障モードに対しては、信頼度に関するワイブル分布モデル等の確率分布モデルも異なることが多いので、例えば単体の確率分布モデルを利用することによって対象の寿命を予測した場合、寿命の予測に関して高い精度が得られないという問題がある。

　このような課題に対して、本実施形態に係るモデル生成装置１０は、ワイブルプロット生成部１１（実績情報生成部）と、ワイブル分布モデル生成部１２（確率分布モデル生成部）と、算出部１３と、決定部１４と、を備え、例えば図１乃至図５を参照して上述した通り動作する。即ち、ワイブルプロット生成部１１は、寿命を予測する対象の障害履歴情報１５１に基づいて、順序統計量算出方法情報１５２が示す順序統計量算出方法を用いて、対象に関する使用時間と信頼度との関係を表すワイブルプロット１５３（実績情報）を生成する。ワイブル分布モデル生成部１２は、使用時間を１以上の期間に分割する分割数Ｍを設定したのち、設定した分割数Ｍに分割した期間ごとに、ワイブルプロット１５３を近似するワイブル分布モデル（確率分布モデル）を生成する。算出部１３は、分割数Ｍごとに、ワイブルプロット１５３に対するワイブル分布モデルの適合度を、情報量基準情報１５５が示す情報量基準を用いて算出する。そして、決定部１４は、適合度が最も高くなる分割数Ｍにおけるワイブル分布モデルを決定する。

　即ち、本実施形態に係るモデル生成装置１０は、信頼度に関するワイブル分布モデルが、複数の分布モデルを含む混合ワイブル分布モデルであることを前提として、ワイブルプロット１５３に最も適合する混合ワイブル分布モデルのワイブル係数を求めるので、対象の寿命を予測する精度を向上させることができる。

　図２に例示する太線の折れ線は、標本データに関して、本実施形態に係るモデル生成装置１０によって求められた、ワイブルプロット１５３に最も適合する混合ワイブル分布モデルを表している。また、図２に例示する細線の直線は、当該標本データに関して、一般的なモデル生成装置によって求められた、ワイブルプロット１５３に適合する単体のワイブル分布モデルを表している。図２は、本実施形態に係るモデル生成装置１０によって求められた混合ワイブル分布モデルが、一般的なモデル生成装置によって求められた単体のワイブル分布モデルよりも、ワイブルプロット１５３に対する適合度が高いことを示している。

　また、本実施形態に係るワイブル分布モデル生成部１２は、分割数Ｍを順次増加させながら、分割数Ｍごとにワイブル分布モデルを生成し、決定部１４は、分割数Ｍが増加するのに伴って、適合度が増加から減少に転じる（ＡＩＣが減少から増加に転じる）分割数Ｍを検出する。適合度は、通常、分割数Ｍが増加するのに伴って増加から減少に転じるので、本実施形態に係るモデル生成装置１０は、適合度が最大となる（ＡＩＣが最小となる）分割数Ｍを効率的に検出することができる。

　また、本実施形態に係るモデル生成装置１０が用いる、信頼度に関する確率分布モデルはワイブル分布モデルに限定されない。モデル生成装置１０は、例えばガンマ分布モデル等の他の確率分布モデルを用いてもよい。

　また、本実施形態に係るモデル生成装置１０は、順序統計量算出方法として、平均ランク法、あるいはメディアンランク法、あるいはモードランク法等を使用することができる。即ちモデル生成装置１０は、対象の信頼性（劣化）に関する時間推移の特性に応じて、適切な順序統計量算出方法を使用することによって、対象の寿命を予測する精度を向上させることができる。

　また、本実施形態に係るモデル生成装置１０は、情報量基準として、赤池情報量基準、あるいはベイズ情報量基準等を使用することができる。即ちモデル生成装置１０は、対象の信頼性（劣化）に関する時間推移の特性に応じて、適切な情報量基準を使用することによって、対象の寿命を予測する精度を向上させることができる。

　また、本実施形態に係る障害履歴情報１５１は、対象の特性を表す情報、及び、対象を識別可能な識別情報の少なくともいずれかと、対象の障害履歴とが関連付けられた情報である。即ち、障害履歴情報１５１は、対象毎に、あるいは、対象の種別毎に障害履歴を管理する情報である。これにより本実施形態に係るモデル生成装置１０は、対象物毎に、あるいは、対象の種別毎にその寿命を予測するといった、柔軟な予測を行なうことを支援することができる。

　＜第２の実施形態＞
　図６は、本願発明の第２の実施形態に係るモデル生成装置３０の構成を示すブロック図である。

　本実施形態に係るモデル生成装置３０は、実績情報生成部３１、確率分布モデル生成部３２、算出部３３、及び、決定部３４を備えている。

　実績情報生成部３１は、寿命を予測する対象の障害履歴情報３０１に基づいて、順序統計量算出方法３１０を用いて、その対象に関する使用時間と信頼度との関係を表す実績情報３１１を生成する。

　確率分布モデル生成部３２は、使用時間を１以上の期間に分割する分割数を設定したのち、設定した分割数に分割した期間ごとに、実績情報３１１を近似する確率分布モデル３２１を生成する。

　算出部３３は、分割数ごとに、実績情報３１１に対する確率分布モデル３２１の適合度３３１を、情報量基準３３０を用いて算出する。

　決定部３４は、適合度３３１が最も高くなる分割数における確率分布モデル３２１を決定する。

　本実施形態に係るモデル生成装置３０は、信頼度に関する確率分布モデルを利用して、対象の寿命を予測する場合に、その予測精度を向上させることができる。その理由は、モデル生成装置３０は、対象の使用時間を分割する分割数を設定したのち、分割した期間ごとに、実績情報３１１を近似する確率分布モデル３２１を生成し、分割数ごとに、実績情報３１１に対する確率分布モデル３２１の適合度３３１を算出し、適合度３３１が最も高くなる分割数における確率分布モデル３２１を決定するからである。

　＜ハードウェア構成例＞
　上述した各実施形態において図１、及び、図６に示したモデル生成装置における各部は、専用のＨＷ（ＨａｒｄＷａｒｅ）（電子回路）によって実現することができる。また、図１、及び、図６において、少なくとも、下記構成は、ソフトウェアプログラムの機能（処理）単位（ソフトウェアモジュール）と捉えることができる。
・ワイブルプロット生成部１１、及び、実績情報生成部３１、
・ワイブル分布モデル生成部１２、及び、確率分布モデル生成部３２、
・算出部１３及び３３、
・決定部１４及び３４、
・記憶部１５における記憶制御機能。

　但し、これらの図面に示した各部の区分けは、説明の便宜上の構成であり、実装に際しては、様々な構成が想定され得る。この場合のハードウェア環境の一例を、図７を参照して説明する。

　図７は、本願発明の各実施形態に係るモデル生成装置を実行可能な情報処理装置９００（コンピュータ）の構成を例示的に説明する図である。即ち、図７は、図１、及び、図６に示したモデル生成装置を実現可能なコンピュータ（情報処理装置）の構成であって、上述した実施形態における各機能を実現可能なハードウェア環境を表す。

　図７に示した情報処理装置９００は、構成要素として下記を備えている。
・ＣＰＵ（Ｃｅｎｔｒａｌ＿Ｐｒｏｃｅｓｓｉｎｇ＿Ｕｎｉｔ）９０１、
・ＲＯＭ（Ｒｅａｄ＿Ｏｎｌｙ＿Ｍｅｍｏｒｙ）９０２、
・ＲＡＭ（Ｒａｎｄｏｍ＿Ａｃｃｅｓｓ＿Ｍｅｍｏｒｙ）９０３、
・ハードディスク（記憶装置）９０４、
・通信インタフェース９０５、
・バス９０６（通信線）、
・ＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ＿Ｄｉｓｃ＿Ｒｅａｄ＿Ｏｎｌｙ＿Ｍｅｍｏｒｙ）等の記録媒体９０７に格納されたデータを読み書き可能なリーダライタ９０８、
・モニターやスピーカ、キーボード等の入出力インタフェース９０９。

　即ち、上記構成要素を備える情報処理装置９００は、これらの構成がバス９０６を介して接続された一般的なコンピュータである。情報処理装置９００は、ＣＰＵ９０１を複数備える場合もあれば、マルチコアにより構成されたＣＰＵ９０１を備える場合もある。

　そして、上述した実施形態を例に説明した本願発明は、図７に示した情報処理装置９００に対して、次の機能を実現可能なコンピュータプログラムを供給する。その機能とは、その実施形態の説明において参照したブロック構成図（図１、及び、図６）における上述した構成、或いはフローチャート（図５）の機能である。本願発明は、その後、そのコンピュータプログラムを、当該ハードウェアのＣＰＵ９０１に読み出して解釈し実行することによって達成される。また、当該装置内に供給されたコンピュータプログラムは、読み書き可能な揮発性のメモリ（ＲＡＭ９０３）、または、ＲＯＭ９０２やハードディスク９０４等の不揮発性の記憶デバイスに格納すれば良い。

　また、前記の場合において、当該ハードウェア内へのコンピュータプログラムの供給方法は、現在では一般的な手順を採用することができる。その手順としては、例えば、ＣＤ－ＲＯＭ等の各種記録媒体９０７を介して当該装置内にインストールする方法や、インターネット等の通信回線を介して外部よりダウンロードする方法等がある。そして、このような場合において、本願発明は、係るコンピュータプログラムを構成するコード或いは、そのコードが格納された記録媒体９０７によって構成されると捉えることができる。

　以上、上述した実施形態を模範的な例として本願発明を説明した。しかしながら、本願発明は、上述した実施形態には限定されない。即ち、本願発明は、本願発明のスコープ内において、当業者が理解し得る様々な態様を適用することができる。

　この出願は、２０１８年５月２５日に出願された日本出願特願２０１８－１００５５１を基礎とする優先権を主張し、その開示の全てをここに取り込む。

　１０　　モデル生成装置
　１１　　ワイブルプロット生成部
　１２　　ワイブル分布モデル生成部
　１３　　算出部
　１４　　決定部
　１５　　記憶部
　１５１　　障害履歴情報
　１５２　　順序統計量算出方法情報
　１５３　　ワイブルプロット
　１５４　　ワイブル係数算出結果
　１５５　　情報量基準情報
　１５６　　適合度算出結果
　２０　　管理端末装置
　３０　　モデル生成装置
　３０１　　障害履歴情報
　３１　　実績情報生成部
　３１１　　実績情報
　３２　　確率分布モデル生成部
　３２１　　確率分布モデル
　３３　　算出部
　３３０　　情報量基準
　３３１　　適合度
　３４　　決定部
　９００　　情報処理装置
　９０１　　ＣＰＵ
　９０２　　ＲＯＭ
　９０３　　ＲＡＭ
　９０４　　ハードディスク（記憶装置）
　９０５　　通信インタフェース
　９０６　　バス
　９０７　　記録媒体
　９０８　　リーダライタ
　９０９　　入出力インタフェース

Claims

　寿命を予測する対象の障害履歴情報に基づいて、順序統計量算出方法を用いて、前記対象に関する使用時間と信頼度との関係を表す実績情報を生成する実績情報生成手段と、
　前記使用時間を１以上の期間に分割する分割数を設定したのち、設定した前記分割数に分割した期間ごとに、前記実績情報を近似する確率分布モデルを生成する確率分布モデル生成手段と、
　前記分割数ごとに、前記実績情報に対する前記確率分布モデルの適合度を、情報量基準を用いて算出する算出手段と、
　前記適合度が最も高くなる前記分割数における前記確率分布モデルを決定する決定手段と、
　を備える寿命予測のためのモデル生成装置。
　前記確率分布モデル生成手段は、前記分割数を順次増加させながら、前記分割数ごとに前記確率分布モデルを生成し、
　前記決定手段は、前記分割数が増加するのに伴って、前記適合度が増加から減少に転じる前記分割数を検出する、
　請求項１に記載の寿命予測のためのモデル生成装置。
　前記確率分布モデル生成手段は、分割した前記期間の両端における前記実績情報が示す値に基づいて、線形補間を行なうことによって、前記確率分布モデルを表す係数を算出する、
　請求項１または請求項２に記載の寿命予測のためのモデル生成装置。
　前記確率分布モデル生成手段は、対数変換した前記使用時間を、等間隔あるいは略等間隔に分割する、
　請求項１乃至請求項３のいずれか一項に記載の寿命予測のためのモデル生成装置。
　前記確率分布モデルは、ワイブル分布モデル、あるいは、ガンマ分布モデルである、
　請求項１乃至請求項４のいずれか一項に記載の寿命予測のためのモデル生成装置。
　前記実績情報生成手段は、前記順序統計量算出方法として、平均ランク法、あるいはメディアンランク法、あるいはモードランク法を使用する、
　請求項１乃至請求項５のいずれか一項に記載の寿命予測のためのモデル生成装置。
　前記算出手段は、前記情報量基準として、赤池情報量基準、あるいはベイズ情報量基準を使用する、
　請求項１乃至請求項６のいずれか一項に記載の寿命予測のためのモデル生成装置。
　前記対象の障害履歴情報は、前記対象の特性を表す情報、及び、前記対象を識別可能な識別情報の少なくともいずれかと、前記対象の障害履歴とが関連付けられた情報である、
　請求項１乃至請求項７のいずれか一項に記載の寿命予測のためのモデル生成装置。
　情報処理装置によって、
　　対象の障害履歴情報に基づいて、順序統計量算出方法を用いて、前記対象に関する使用時間と信頼度との関係を表す実績情報を生成し、
　　前記使用時間を１以上の期間に分割する分割数を設定したのち、設定した前記分割数に分割した期間ごとに、前記実績情報を近似する確率分布モデルを生成し、
　　前記分割数ごとに、前記実績情報に対する前記確率分布モデルの適合度を、情報量基準を用いて算出し、
　　前記適合度が最も高くなる前記分割数における前記確率分布モデルを決定する、
　寿命予測のためのモデル生成方法。
　対象の障害履歴情報に基づいて、順序統計量算出方法を用いて、前記対象に関する使用時間と信頼度との関係を表す実績情報を生成する実績情報生成処理と、
　前記使用時間を１以上の期間に分割する分割数を設定したのち、設定した前記分割数に分割した期間ごとに、前記実績情報を近似する確率分布モデルを生成する確率分布モデル生成処理と、
　前記分割数ごとに、前記実績情報に対する前記確率分布モデルの適合度を、情報量基準を用いて算出する算出処理と、
　前記適合度が最も高くなる前記分割数における前記確率分布モデルを決定する決定処理と、
　をコンピュータに実行させるための寿命予測のためのモデル生成プログラムが格納された記録媒体。