WO2020157927A1 - 診断システムおよび診断方法 - Google Patents

診断システムおよび診断方法 Download PDF

Info

Publication number
WO2020157927A1
WO2020157927A1 PCT/JP2019/003440 JP2019003440W WO2020157927A1 WO 2020157927 A1 WO2020157927 A1 WO 2020157927A1 JP 2019003440 W JP2019003440 W JP 2019003440W WO 2020157927 A1 WO2020157927 A1 WO 2020157927A1
Authority
WO
WIPO (PCT)
Prior art keywords
maintenance
failure probability
diagnostic system
predetermined
content
Prior art date
Application number
PCT/JP2019/003440
Other languages
English (en)
French (fr)
Inventor
隆秀 新家
逸平 沼田
隆之 永井
緋沙子 片山
洋輔 植木
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to PCT/JP2019/003440 priority Critical patent/WO2020157927A1/ja
Priority to JP2020569288A priority patent/JP7145242B2/ja
Publication of WO2020157927A1 publication Critical patent/WO2020157927A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring

Definitions

  • the present invention relates to a diagnostic system and a diagnostic method.
  • the plant such as various factories and power generation facilities, or the infrastructure such as the water supply network and the power transmission network are subject to load depending on the operation content and the surrounding environment, and may deteriorate or fail over time.
  • TBM Time Based Maintenance
  • a health management system for monitoring the health condition of mechanical equipment, sensor data acquired from a plurality of sensors installed in the mechanical equipment, or the sensor data and environmental data representing the installation environment of the mechanical equipment, A time-series data acquisition unit that acquires the time-series data, and the equipment state of the machine equipment by a statistical method using normal data that is the time-series data acquired when the machine equipment is in a normal state as learning data, and A state quantification unit that quantifies a health condition indicating the state of performance or quality of the mechanical equipment, an output unit that displays the quantified equipment condition and the quantified health condition, or/and externally,
  • a health management system see Patent Document 1 and the like characterized by including the above has been proposed.
  • an abnormality or a sign of the plant or equipment is detected, and an abnormality detection/diagnosis method for diagnosing the plant or equipment, wherein an abnormality of the plant or equipment is detected for data acquired from a plurality of sensors, Extracting a keyword from the maintenance history information of the plant or equipment, generating a diagnostic model of the plant or equipment using the extracted keyword, and diagnosing the plant or equipment using the generated diagnostic model
  • Anomaly detection/diagnosis method characterized by: (See Patent Document 2) and the like are also proposed.
  • an object of the present invention is to provide a technique capable of providing a suitable judgment material regarding the planning and execution of maintenance work or the value of maintenance target.
  • a diagnostic system of the present invention for solving the above-mentioned problems is a storage device that holds an observation value of a predetermined event regarding a maintenance object and a maintenance history regarding the maintenance object, and a predetermined machine with the observation value and the maintenance history as input. And a computing device that is applied to a learning algorithm to specify the correlation between the maintenance content indicated by the maintenance history and the variation content of the observed value of the event due to the maintenance performed in the maintenance content. To do.
  • the diagnostic system of the present invention performs the operation in the case where the predetermined maintenance target is subjected to the maintenance with one or a plurality of maintenance contents at a predetermined time, and the operation with one or a plurality of operation contents, respectively. It is characterized by comprising an arithmetic unit for displaying the estimated information of the failure probability transition of at least one of the maintenance objects in at least one of the cases when it is carried out.
  • the information processing system includes a storage device that holds an observation value of a predetermined event regarding the maintenance target object and a maintenance history regarding the maintenance target object, and inputs the observation value and the maintenance history. It is characterized in that it is applied to a predetermined machine learning algorithm to identify the correlation between the maintenance content indicated by the maintenance history and the variation content of the observed value of the event due to the maintenance performed in the maintenance content.
  • the diagnostic method of the present invention is provided when the information processing system performs maintenance on a predetermined maintenance target with one or a plurality of maintenance contents at a predetermined time, and one or a plurality of operation contents. It is characterized in that the estimated information of the failure probability transition of at least one of the maintenance objects in at least one of the cases where the operation is performed is displayed in a graph.
  • FIG. 1 is a diagram showing a network configuration example including a diagnostic system 100 of the present embodiment.
  • the diagnostic system 100 shown in FIG. 1 is a computer system for providing suitable judgment information regarding the planning and execution of maintenance work or the value of a maintenance target.
  • the diagnosis system 100 can be assumed to be, for example, an information processing system that is operated by a so-called O&M (Operation & Management) operator and is used when planning and executing a maintenance plan for a maintenance target.
  • O&M Operaation & Management
  • this operation form is an example, and it may be operated and used by other companies, such as an insurance company and a financial institution who find a business value in the maintenance target.
  • the diagnostic system 100 is connected to an appropriate network 10 such as the Internet or a dedicated line, and can perform data communication with the plant 200, the sensor unit 300, the insurance company system 400, and the financial institution system 500, which are maintenance targets.
  • the diagnostic system 100 may include the sensor unit 300.
  • the plant 200 is an example of the maintenance target as described above, and specifically, a power generation plant, a chemical plant, etc. can be assumed.
  • the sensor unit 300 is arranged at a predetermined location or its periphery of the plant 200, obtains an observation value regarding a sensing target, that is, an observation event, as measurement data 325 at regular time intervals, and provides this to the diagnostic system 100 via the network 10. It will be done.
  • the insurance company system 400 is a system of a business operator that has an insurance contract with the plant owner or the above-mentioned O&M (Operation & Management) business operator regarding the plant 200 to be maintained.
  • the insurance covered by the contract is insurance that compensates for damages due to a breakdown or accident in the plant 200, and a predetermined insurance money is paid when the corresponding event occurs.
  • the financial institution system 500 is a system of a financial institution that provides a loan to a plant owner with the above-described plant 200 as a collateral. Therefore, this financial institution needs to accurately recognize the value of the plant 200.
  • the diagnostic system 100 includes a storage device 101, a memory 103, a CPU 104 (arithmetic device), an input device 105, an output device 106, and a communication device 107.
  • the storage device 101 is composed of an appropriate nonvolatile storage element such as a hard disk drive.
  • the memory 103 is composed of a volatile storage element such as a RAM.
  • the CPU 104 is an arithmetic unit that executes the program 102 held in the storage device 101 by reading it into the memory 103 to perform overall control of the system itself and performs various determinations, calculations, and control processes.
  • the input device 105 is assumed to be a keyboard, a mouse, or a microphone that receives a user's input operation.
  • the output device 106 is assumed to be a display or speaker that outputs the processing result of the CPU 104 in an appropriate form such as an image or a sound.
  • the communication device 107 is a network interface card or the like that is connected to the network 10 and is in charge of communication processing with other devices such as the sensor unit 300, the insurance company system 400, and the financial institution system 500.
  • FIG. 3 shows an example of the sensor DB 125 according to this embodiment.
  • the sensor DB 125 is a database in which the diagnostic system 100 stores observation values obtained from the sensor unit 300, that is, measurement data 325 (FIG. 4).
  • the data structure is, for example, a set of records including data such as a sensor ID that uniquely identifies the sensor unit 300 of the data resource, an observation event, and an observation value, using the measurement date and time as a key.
  • the above-described measurement data 325 has the same structure as the record of the sensor DB 125, as shown in FIG.
  • FIG. 5 is a diagram showing a configuration example of the event DB 126 in the present embodiment.
  • the event DB 126 in the present embodiment is a database that stores information regarding various events such as a failure or an accident that has occurred in the plant 200, or maintenance work performed in the plant 200.
  • Such information is, for example, information input by the administrator of the plant 200 operating the input device 105, or a predetermined signal (corresponding to a failure or accident) transmitted from the sensor unit 300 as a diagnostic system. The thing acquired by 100, etc. can be assumed.
  • the data structure is a set of records consisting of data such as event type, occurrence location, and cost required for response, with the date and time of occurrence as a key.
  • FIG. 6 is a diagram showing a configuration example of the operation DB 127 in the present embodiment.
  • the operation DB 127 in the present embodiment is a database that accumulates information related to the operation contents actually set and operated in the plant 200.
  • the data structure is a set of records consisting of data such as the target and the content, with the target period as the key.
  • FIG. 7 is a diagram showing a configuration example of the estimation result DB 128 in the present embodiment.
  • the estimation result DB 128 in the present embodiment is a database that accumulates estimation results of failure probability transitions in the plant 200.
  • the data structure uses the device ID that uniquely identifies the estimation target device as a key, and the maintenance content or operation content assumed for the device, and the cost when the maintenance content or operation content is performed (maintenance execution cost , Cost at the time of failure, cost at the time of accident), failure probability transition, and expected cost value are a set of records.
  • failure probability transition is a mathematical expression that shows a line segment that represents the time transition of the failure probability, so in the example of FIG. 7, a file describing the mathematical expression is stored as a value.
  • the expected cost value exemplifies the expected cost value for each elapsed time on a monthly basis, for example, one month, two months from the present time. This monthly time lapse may be assumed to be the next scheduled scheduled maintenance execution date.
  • the record is in a non-stored state.
  • FIG. 8 is a diagram showing a configuration example of the incentive variation reference DB 129 in the present embodiment.
  • the incentive variation standard DB 129 in the present embodiment sets a threshold value at which the insurance premium and the insurance premium to be applied vary with respect to the insurance probability held by the operator of the plant 200 described above, that is, the failure probability of the maintenance object. This is a database accumulated as fluctuation reference values.
  • the data structure is based on data such as the insurance name, the reference value of the failure probability that becomes the threshold of insurance premium fluctuations, and the reference value of the failure probability that becomes the thresholds of insurance money fluctuations, with the security number, which is the identification information of the insurance contract, as the key. Is a collection of records.
  • the reference value of the failure probability related to insurance premium fluctuations is for each of the conditions such as “maintenance” and “10% increase”, and the reference value of the failure probability for insurance money fluctuations is “maintenance” and "10".
  • An example that specifies each condition such as “% reduction” is shown. In the case of “maintenance”, it indicates the condition that the insurance premium and insurance money at the time of contract of the insurance can be maintained. Further, in the case of “10% increase”, it indicates a condition that the insurance premium at the time of contract of the insurance is increased by 10%. Further, in the case of “10% reduction”, it indicates a condition that the insurance money at the time of contract of the insurance is reduced by 10%.
  • FIG. 9 is a diagram showing a configuration example of the credit value DB 130 in the present embodiment.
  • the credit value DB 130 in the present embodiment is a database that stores information about credit values regarding the plant 200. This credit value indicates the ratio of the failure probability to the predetermined level or less of the total operating time of the plant 200.
  • the credit value is at least one of a value calculated for the entire plant 200 and a value calculated for each device included in the plant 200.
  • the data structure is a set of records including data such as device type, target period, and credit value, with the device ID that uniquely identifies the target device as a key.
  • FIG. 10 is a diagram showing a flow example 1 of the diagnostic method in the present embodiment.
  • the sensor unit 300 in the plant 200 transmits the measurement data 325 held for its own observation target to the diagnostic system 100 (s1).
  • the diagnostic system 100 receives the measurement data 325 from the above-mentioned sensor unit 300 (s2).
  • the diagnostic system 100 also generates a record including the measurement data 325 obtained in s2d (s3), stores it in the sensor DB 125 (s4), and ends the process.
  • the sensor DB 125 is generated by the processing up to this point.
  • FIG. 11 is a figure which shows the example 2 of a flow of the diagnostic method in this embodiment. Subsequently, a flow of generating the event DB will be described.
  • the sensor unit 300 of the plant 200 transmits the measurement data 325 to the diagnostic system 100 (s5).
  • the diagnostic system 100 compares the measurement data 325 obtained from the above-mentioned sensor unit 300 with a predetermined determination rule to determine whether an event has occurred (s6).
  • the above-mentioned determination rule is, for example, a range of the observed value in a normal time, a range of a failure, and a range of an accident, which are predetermined for each observation event, and the measurement data 325 is included in any of these ranges.
  • a form in which the event occurrence status relating to the observation event is determined based on whether or not it belongs can be assumed.
  • the diagnostic system 100 ends the process.
  • the diagnostic system 100 causes the date and time of occurrence, which is the measurement date and time indicated by the measurement data 325, and the event indicated by the event determination result.
  • a record including each value of the type and the occurrence location based on the observation event indicated by the measurement data 325 is generated, stored in the event DB 126 (s8), and the process ends.
  • Event DB 126 will be generated by the processing so far.
  • FIG. 12 is a figure which shows the example 3 of a flow of the diagnostic method in this embodiment. Next, a flow for estimating the failure probability transition in the plant 200 will be described.
  • the diagnostic system 100 applies the observation value indicated by the sensor DB 125 and the maintenance history or operation content indicated by the event DB 126 to the machine learning algorithm 110 as input, and observes the operation content and the corresponding event by the operation implementation by the operation learning.
  • the correlation with the fluctuation content of the value or the correlation between the maintenance content indicated by the above-mentioned maintenance history and the fluctuation content of the observed value of the corresponding event due to the maintenance performed in the maintenance content is specified (s10).
  • the correlation specified here for example, when “maintenance A" is performed as the maintenance content, the observation event "axis temperature" of the sensor "S1" is "5% down".
  • the diagnostic system 100 applies the information on the correlation obtained in s10 to the failure probability evaluation engine 111, and at a predetermined time, for example, one month, two months from the present time, "maintenance A", “maintenance B”. At least when performing maintenance with a plurality of types of maintenance contents, and when performing a plurality of types of operation contents such as “operating rate: 75%” and “operating rate: 70%”, respectively.
  • the transition of the failure probability in any of the plants 200 after the above-described predetermined time is estimated (s11).
  • failure probability evaluation engine 111 has a failure probability evaluation algorithm that includes an explanatory variable expression that is defined in advance regarding the effect of an observation event in the sensor unit 300 on the failure probability of the plant 200 or its constituent devices in the plant 200. Applicable
  • the above-mentioned explanatory variable formula is a formula of failure probability when the variation of the life (also called the probability of failure occurrence) indicated by a predetermined learned life model is minimized.
  • This learned life model is a failure rate function expressing a distribution of occurrence probability of failures over time (eg, normal distribution).
  • This failure rate function is, for example, a function obtained by statistical processing based on the failure history and maintenance history of the maintenance target plant 200 (information on failure events and maintenance events in the event DB 126).
  • the failure probability evaluation engine 111 of the diagnostic system 100 holds in advance, for example, the time corresponding to the current time (eg, elapsed time from a predetermined time to the current time) before performing the maintenance work with each maintenance content.
  • the failure probability Y1 is obtained by substituting the latest observed value of each observed event obtained at the present time into the explanatory variable formula.
  • the failure probability evaluation engine 111 of the diagnostic system 100 specifies the fluctuation state of the observed value in each observation event, for example, when the maintenance work is performed with each maintenance content based on the above-mentioned correlation. That is, the observed value of each observed event after the maintenance work is estimated. Here, it is assumed that such a change in the observed value occurs one month after the maintenance work is performed.
  • the failure probability evaluation engine 111 of the diagnostic system 100 uses the above-described observed value in the explanatory variable formula that is held in advance for a time corresponding to, for example, one month after the present time when the maintenance work is performed with each of the above maintenance contents. Substituting (changed by maintenance work), the failure probability Y2 one month after the present time is obtained.
  • the diagnostic system 100 can estimate the transition of the failure probability by sequentially performing such estimation of the failure probability at each time.
  • the diagnostic system 100 performs maintenance on each of a plurality of types of maintenance contents such as “maintenance A” and “maintenance B” at a predetermined time, for example, one month or two months after the present time, obtained in s11.
  • a predetermined time for example, one month or two months after the present time, obtained in s11.
  • the diagnostic system 100 displays the interface 1001 on the screen 1000 to accept this user designation.
  • the interface 1001 receives each item such as an operating rate of the maintenance target plant 200, the amount of used materials, and a regular product/non-genuine product which is an attribute of a component as a user designation.
  • the diagnostic system 100 similarly executes each step of the above-described flow when the operation with the operation content defined by the user-specified condition is performed, and after performing the maintenance work or the like in the plant 200.
  • the transition of the failure probability at will be estimated.
  • FIG. 14 is a diagram showing a flow example 4 of the diagnostic method in the present embodiment. Next, the calculation flow of the expected cost value will be described.
  • the diagnostic system 100 performs the maintenance with respect to each maintenance content on the plant 200 based on the cost of performing the maintenance indicated by the maintenance history in the event DB 126 and each cost of the failure and the accident. , And a table that defines the maintenance cost, the failure cost, and the accident cost in at least one of the plants 200 when the operation is performed with each operation content (s15).
  • the average or median of the costs during maintenance indicated by the maintenance history, the average or median of the costs during failure, and the average or median of the costs during accidents are set for each device or Calculation is performed on the plant 200, and this calculated value is set in each cost column of the estimation result DB 128.
  • the diagnostic system 100 multiplies the failure probability at each time indicated by the transition of the failure probability obtained in the flow of FIG. 12 by the failure cost defined in the cost column of the estimation result DB 128 obtained in s15,
  • the maintenance execution cost in at least one of the case where the maintenance is performed for each maintenance content and the case where the operation is performed for each operation content is added to the processing result of the above multiplication.
  • the expected cost value is calculated (s16).
  • diagnosis system 100 calculates the above-mentioned expected cost value for each device in the plant 200.
  • the diagnostic system 100 displays the expected cost value obtained in s16 on the display device 106 (screen 1100 in FIG. 17) along with the transition of the failure probability (s17), and ends the process.
  • the example of the screen 1100 in FIG. 17 shows a mode in which the transition of the failure probability and the expected cost value are displayed for “device A” and “device B” in the plant 200.
  • FIG. 16 is a figure which shows the example 5 of a flow of the diagnostic method in this embodiment. Next, a calculation flow of the future value of the maintenance target plant 200 will be described.
  • the diagnostic system 100 includes an insurance company for each life of the plant 200, the production amount per unit time, the downtime during maintenance, the annual insurance premium when the failure probability of a predetermined standard is maintained, and the maintenance implementation opportunity. It is assumed that the storage device 101 holds in advance information about insurance money paid by the company.
  • the diagnostic system 100 accepts the user specification for each of the maintenance content scheduled to be performed on the plant 200 and the failure probability that triggers the maintenance with the maintenance content with the input device 105 (s20).
  • the diagnostic system 100 counts the frequency of the failure probability designated by the user in s20 described above in the transition of the failure probability estimated in the flow example of FIG. 12 described above, and the counted frequency. Is multiplied by the service life described above to calculate the maintenance execution frequency (s21). Further, the diagnostic system 100 multiplies the downtime at the time of performing maintenance with the maintenance content specified by the user in s20 from the remaining operating time from the present time to the above-mentioned useful life by the maintenance execution number obtained in s21. The value is subtracted to calculate the total operating time (s22).
  • the diagnostic system 100 also multiplies the total operating time by the above-mentioned production amount per unit time to calculate the total production amount (s23).
  • the diagnostic system 100 calculates the total maintenance cost by multiplying the above-mentioned maintenance execution cost by the maintenance execution frequency obtained in s21 (s24).
  • the diagnostic system 100 also calculates the total premium paid by multiplying the above-mentioned annual premium by the above-mentioned useful life (s25).
  • diagnosis system 100 calculates the total amount of insurance money by multiplying the above-mentioned insurance money for each maintenance execution opportunity by the number of times of maintenance execution obtained in s21 (s26).
  • the diagnosis system 100 subtracts the total maintenance cost and the total insurance premium paid obtained in s24 from the total production amount obtained in s23, and the total insurance amount obtained in s26 is added to the subtraction result.
  • the future value of the plant 200 is calculated by adding (s27).
  • the diagnostic system 100 also displays this future value on the display device 106 or transmits it to the insurance company system 400 and the financial institution system 500 (s28), and ends the processing.
  • FIG. 17 is a diagram showing a flow example 6 of the diagnostic method in the present embodiment. Next, the credit value calculation flow will be described.
  • the diagnostic system 100 determines that the failure probability of the total operating time is less than or equal to a predetermined level based on the total operating time obtained in the flow of FIG. 16 and the transition of the failure probability obtained in the flow of FIG. (Example: 10% or less) is calculated as the credit value of the maintenance target (s30). Specifically, the credit value is calculated according to the calculation formula shown in FIG.
  • the diagnostic system 100 also displays the credit value obtained in s30 on the display device 106 or transmits it to the insurance company system 400 and the financial institution system 500 (s31), and ends the process.
  • the diagnostic system 100 refers to the incentive variation standard DB 129 (FIG. 8) and pays the annual insurance to the insurance company when the failure probability of the predetermined standard is maintained in the plant 200.
  • Information and insurance money paid by an insurance company for each maintenance execution opportunity for the plant 200 are extracted, and based on this information, an annual insurance premium and an incentive fluctuation line indicating a threshold value at which the insurance money fluctuates (FIG. 18). It is preferable to display the line segments 1201 and 1202) on the screen 1200 of FIG.
  • the incentive fluctuation line 1201 in FIG. 18 indicates the one that “maintains” the insurance premium and the insurance money in the present condition among the reference values of the failure probability related to the insurance premium fluctuation.
  • the incentive fluctuation line 1202 indicates that the insurance premium is “10% increase” from the current value out of the reference value of the failure probability related to the insurance premium fluctuation, and the “10” from the current value among the reference value of the failure probability related to the insurance money fluctuation. % Reduction”.
  • the diagnosis system and the diagnosis method of the present embodiment the history of various events such as maintenance work and operation settings in the plant and the like, and sensor data relating to the relevant time are used as input, and the maintenance work and operation are performed and It is possible to estimate the relationship with the transition of the sensor data associated with, using machine learning, and present this to the user.
  • the failure probability will change in the future depending on the maintenance work and the selection of the operating method, and how much cost will be required for maintenance and failure. It will be possible to simulate, and present the result to the user.
  • the transition of the failure probability described above can be a factor for changing the insurance premium and the insurance money in the insurance contract related to the insured object, by presenting the user with the insurance premium and the insurance money fluctuation standard related to the failure probability, the user It is expected that the motivation and maintenance of maintenance work will be improved.
  • the storage device further holds the operation history of the maintenance object, and the arithmetic device inputs the observed value and at least one of the maintenance history and the operation history.
  • the arithmetic device inputs the observed value and at least one of the maintenance history and the operation history.
  • the arithmetic unit is based on a failure probability evaluation algorithm including an explanatory variable expression defined in advance for the effect of the event on the failure probability of the maintenance target, and the correlation. It is also possible to estimate the transition of the failure probability of the maintenance object after the predetermined time when the maintenance is performed for each of the plurality of maintenance contents at the predetermined time.
  • the arithmetic device performs a maintenance with one or a plurality of maintenance contents at the predetermined time based on the explanatory variable expression and the correlation, and It is also possible to estimate the transition of the failure probability of at least one of the maintenance target objects after at least the predetermined time when at least one of the operation contents is operated.
  • the arithmetic unit when estimating the transition of the failure probability, accepts a user specification of a predetermined condition defining the operation content for each of the one or more operation content, It is also possible to estimate the transition of the failure probability of the maintenance target object at least after the predetermined time when the operation with the predetermined operation content is performed at the predetermined time.
  • the arithmetic unit is to accept at least one of the operation rate of the maintenance target, the material used, and the attribute of the component as the user specification of the predetermined condition. Good.
  • the storage device further retains information of each cost required when a past failure and an accident occur in the maintenance target object, and the arithmetic unit is configured to maintain the maintenance history.
  • the arithmetic unit is configured to maintain the maintenance history.
  • the arithmetic unit multiplies the failure probability at each time indicated by the transition of the failure probability by a failure cost defined by the table, and at the predetermined time, Alternatively, the maintenance execution cost in at least one of the case where the maintenance is performed for each of the plurality of maintenance contents and the case where the operation is performed for each of the one or more operation contents is the processing result of the multiplication. And a process of calculating the expected cost value of the maintenance target object are further executed.
  • the arithmetic unit may calculate the expected cost value for a plurality of maintenance objects.
  • the storage device is an annual insurance premium when the service life of the maintenance target, the production amount per unit time, the downtime at the time of performing the maintenance, and the failure probability of a predetermined standard are maintained.
  • the arithmetic device further holds the maintenance content scheduled to be implemented with respect to the maintenance target, and a trigger for the maintenance implementation with the maintenance content.
  • the frequency of the failure probability that has received the user designation is counted, and the counted frequency is multiplied by the service life.
  • the arithmetic unit determines, based on the total operating time and the transition of the estimated failure probability, the ratio of the failure probability of the total operating time being equal to or lower than a predetermined level to the maintenance level. It may be calculated as the credit value of the object.
  • the maintenance target should be directed to an insurance company that needs to value the maintenance target as an insured, or a financial institution that considers the maintenance target as a collateral target such as movables and performs credit examination. It becomes possible to specify and present the value as the credit value from the viewpoint that the object can continuously produce goods. As a result, it is possible to provide more suitable judgment material regarding the planning and execution of maintenance work or the value of the maintenance target.
  • an observation value of a predetermined event regarding a maintenance target object, a maintenance history regarding the maintenance target object, and a storage device that holds an operation history of the maintenance target object are provided, and the arithmetic unit is the By applying an observation value and at least one of the maintenance history or the operation history to a predetermined machine learning algorithm, at least one of the operation content indicated by the operation history or the maintenance content indicated by the maintenance history, and the operation concerned.
  • the effect of the event on the failure probability of the maintenance target by identifying the correlation with the variation of the observed value of the event due to at least one of the operation operation with the content and the maintenance operation with the maintenance content.
  • At least the predetermined time in the maintenance target object when the maintenance with each of the plurality of maintenance contents is performed at the predetermined time based on the failure probability evaluation algorithm including a predetermined explanatory variable expression and the correlation.
  • the subsequent transition of the failure probability may be estimated and the information on the estimated transition of the failure probability may be graphically displayed as the information on the transition of the failure probability.
  • the arithmetic unit when estimating the transition of the failure probability, accepts a user specification of a predetermined condition defining the operation content for each of the one or more operation content, It is also possible to estimate the transition of the failure probability of the maintenance target object at least after the predetermined time when the operation with the predetermined operation content is performed at the predetermined time.
  • the arithmetic unit is to accept at least one of the operation rate of the maintenance target, the material used, and the attribute of the component as the user specification of the predetermined condition. Good.
  • the annual insurance premium to be paid to the insurance company and the maintenance target when the failure probability of the predetermined standard is maintained in the maintenance target.
  • a storage device for holding information of at least one of an insurance premium paid by an insurance company for each maintenance execution opportunity for an object, wherein the arithmetic unit displays the annual insurance premium when displaying the estimated information of the failure probability transition in a graph. Based on at least one of the information on the insurance premium and the insurance premium, the annual probability of failure and the criterion of the failure probability serving as a threshold for varying the insurance premium are displayed in the graph display as an incentive fluctuation line of the insurance. There may be.
  • network 100 diagnostic system 101 storage device 102 program 103 memory 104 CPU (arithmetic device) 105 input device 106 output device 107 communication device 110 machine learning engine 111 failure probability evaluation engine 125 sensor DB 126 Event DB 127 Operation DB 128 estimation result DB 129 Incentive fluctuation standard DB 130 Credit value DB 200 plants (maintenance target) 300 sensor unit 325 measurement data 400 insurance company system 500 financial institution system

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

【課題】保守作業の計画や実行或いは保守対象の価値に関する好適な判断材料を提供可能とする。 【解決手段】診断システム１００において、保守対象物に関する所定事象の観測値１２５、および前記保守対象物に関する保守履歴１２６を保持する記憶装置１０１と、前記観測値１２５および前記保守履歴１２６を入力として所定の機械学習アルゴリズムに適用して、前記保守履歴１２６が示す保守内容と、当該保守内容での保守実施による前記事象の観測値１２５の変動内容との相関関係を特定する演算装置１０４を含む構成とする。

Description

診断システムおよび診断方法
　本発明は、診断システムおよび診断方法に関する。
　各種工場や発電設備といったプラント、或いは水道網や送電網等のインフラは、その稼働内容や周囲環境に応じて負荷がかかり、時間経過と共に劣化や故障を生じうる。
　そのため、こうした劣化や故障に対処すべく、一定期間ごとの保守、すなわちＴＢＭ（Time Based Maintenance）が主として実施される。保守作業には、当然ながら手間やコストを要するため、その効率や精度の改善を図る種々の従来技術が提案されている。
　例えば、機械設備の健康状態を監視するヘルスマネージメントシステムであって、前記機械設備に設置された複数のセンサから取得したセンサデータ、又は前記センサデータ及び前記機械設備の設置環境を表す環境データを、時系列データとして取得する時系列データ取得部と、前記機械設備が正常な状態のときに取得した前記時系列データである正常データを学習データとして用いた統計的手法により前記機械設備の設備状態及び前記機械設備の性能又は品質の状態を示す健康状態を定量化する状態定量化部と、前記定量化した設備状態及び前記定量化した健康状態を、表示又は／及び外部に出力する出力部と、を備えることを特徴とするヘルスマネージメントシステム（特許文献１参照）などが提案されている。
　また、プラント又は設備の異常或いはその予兆を検知し、前記プラント又は設備を診断する異常検知・診断方法であって、複数のセンサから取得したデータを対象に前記プラント又は設備の異常を検知し、前記プラント又は設備の保守履歴情報からキーワードを抽出し、該抽出したキーワードを用いて前記プラント又は設備の診断モデルを生成し、この該生成した診断モデルを用いて前記プラント又は設備の診断を行うことを特徴とする異常検知・診断方法。（特許文献２参照）なども提案されている。
特開２０１５－０８８０７９号公報 特開２０１１－２２７７０６号公報
　しかしながら、種々の保守作業や稼働内容が当該保守対象に及ぼす影響を、故障確率や必要コストなどの各面で効率良く推定し、ユーザに提示する手法は提案されていない。このことは、適宜な保守作業のタイミングや内容について有用な判断材料が提供されていないことを意味する。また、上述の保守作業の実施状況やそれによる故障確率の推移は、当該保守対象に関する価値判断の材料ともなりうるが、そうした情報が提供されることもなかった。
　そこで本発明の目的は、保守作業の計画や実行或いは保守対象の価値に関する好適な判断材料を提供可能とする技術を提供することにある。
　上記課題を解決する本発明の診断システムは、保守対象物に関する所定事象の観測値、および前記保守対象物に関する保守履歴を保持する記憶装置と、前記観測値および前記保守履歴を入力として所定の機械学習アルゴリズムに適用して、前記保守履歴が示す保守内容と、当該保守内容での保守実施による前記事象の観測値の変動内容との相関関係を特定する演算装置と、を含むことを特徴とする。
　また、本発明の診断システムは、所定の保守対象物に対して、所定時期に、１または複数の保守内容それぞれでの保守を実施した場合の、および１または複数の運転内容それぞれでの運転を実施した場合の、少なくともいずれかにおける、当該保守対象物での少なくとも前記所定時期以降の故障確率推移の推定情報をグラフ表示する演算装置を備えることを特徴とする。
　また、本発明の診断方法は、情報処理システムが、保守対象物に関する所定事象の観測値、および前記保守対象物に関する保守履歴を保持する記憶装置を備え、前記観測値および前記保守履歴を入力として所定の機械学習アルゴリズムに適用して、前記保守履歴が示す保守内容と、当該保守内容での保守実施による前記事象の観測値の変動内容との相関関係を特定する、ことを特徴とする。
　また、本発明の診断方法は、情報処理システムが、所定の保守対象物に対して、所定時期に、１または複数の保守内容それぞれでの保守を実施した場合の、および１または複数の運転内容それぞれでの運転を実施した場合の、少なくともいずれかにおける、当該保守対象物での少なくとも前記所定時期以降の故障確率推移の推定情報をグラフ表示する、ことを特徴とする。
　本発明によれば、保守作業の計画や実行或いは保守対象の価値に関する好適な判断材料を提供可能となる。
本実施形態における診断システムを含むネットワーク構成図である。 本実施形態における診断システムのハードウェア構成例を示す図である。 本実施形態におけるセンサＤＢの構成例を示す図である。 本実施形態における計測データの構成例を示す図である。 本実施形態におけるイベントＤＢの構成例を示す図である。 本実施形態における運転ＤＢの構成例を示す図である。 本実施形態における推定結果ＤＢの構成例を示す図である。 本実施形態におけるインセンティブ変動基準ＤＢの構成例を示す図である。 本実施形態における信用値ＤＢの構成例を示す図である。 本実施形態における診断方法のフロー例１を示す図である。 本実施形態における診断方法のフロー例２を示す図である。 本実施形態における診断方法のフロー例３を示す図である。 本実施形態における出力例１を示す図である。 本実施形態における診断方法のフロー例４を示す図である。 本実施形態における出力例２を示す図である。 本実施形態における診断方法のフロー例５を示す図である。 本実施形態における診断方法のフロー例６を示す図である。 本実施形態における信用値の算定式例を示す図である。 本実施形態における出力例３を示す図である。
－－－ネットワーク構成－－－
　以下に本発明の実施形態について図面を用いて詳細に説明する。図１は本実施形態の診断システム１００を含むネットワーク構成例を示す図である。図１に示す診断システム１００は、保守作業の計画や実行或いは保守対象の価値に関する好適な判断材料を提供可能とするためのコンピュータシステムである。
　診断システム１００は、例えば、いわゆるＯ＆Ｍ（Operation & Management）事業者が運用し、保守対象物に関する保全計画の立案・実行に際して利用する情報処理システムを想定できる。勿論、この運用形態等は一例であって、保守対象物に事業価値を見いだしている保険会社や金融機関など、その他の事業者等が運用・利用するとしてもよい。
　こうした診断システム１００は、インターネット或いは専用線などの適宜なネットワーク１０に接続され、保守対象物たるプラント２００、センサユニット３００、保険会社システム４００、および金融機関システム５００とデータ通信可能となっている。なお、診断システム１００に、センサユニット３００が含まれるとしてもよい。
　このうちプラント２００は、上述のとおり保守対象物の一例であって、具体的には、発電プラントや化学プラントなどを想定できる。センサユニット３００は、このプラント２００の所定箇所ないし周辺に配置され、センシング対象すなわち観測事象に関する観測値を計測データ３２５として一定時間ごとに得て、これをネットワーク１０を経由して診断システム１００に提供するものとなる。
　センサユニット３００の観測事象としては、例えば、プラント２００における各種機構や加工物、搬送物等の温度、振動量、回転数、電流値、電圧値、流量、流速、など種々のものを想定可能である。
　また、保険会社システム４００は、保守対象物であるプラント２００に関して、プラント保有者や、或いは上述のＯ＆Ｍ（Operation & Management）事業者と、保険契約を締結している事業者のシステムである。ここで契約対象となる保険は、当該プラント２００での故障や事故での損害を補償する保険であり、該当イベント発生時に所定の保険金が支払われるものである。
　また、金融機関システム５００は、上述のプラント２００を担保にしてプラント保有者への融資を行う金融機関のシステムである。そのため、この金融機関は、プラント２００の価値について精度良く認識しておく必要がある。
－－－ハードウェア構成例－－－
　また、診断システム１００のハードウェア構成は、図２に示す如くとなる。すなわち、診断システム１００は、記憶装置１０１、メモリ１０３、ＣＰＵ１０４（演算装置）、入力装置１０５、出力装置１０６、および通信装置１０７を備える。
　このうち記憶装置１０１は、ハードディスクドライブなど適宜な不揮発性記憶素子で構成される。
　また、メモリ１０３は、ＲＡＭなど揮発性記憶素子で構成される。
　また、ＣＰＵ１０４は、記憶装置１０１に保持されるプログラム１０２をメモリ１０３に読み出すなどして実行しシステム自体の統括制御を行なうとともに各種判定、演算及び制御処理を行なう演算装置である。
　また、入力装置１０５は、ユーザの入力操作を受け付けるキーボードやマウス、マイクを想定する。
　また、出力装置１０６は、ＣＰＵ１０４での処理結果を画像や音声等の適宜な形態で出力するディスプレイやスピーカーを想定する。
　また、通信装置１０７は、ネットワーク１０と接続して、センサユニット３００、保険会社システム４００、および金融機関システム５００といった他装置との通信処理を担うネットワークインターフェイスカード等である。
－－－データ構成例－－－
　続いて、本実施形態の診断システム１００が用いる情報について説明する。図３に、本実施形態におけるセンサＤＢ１２５の一例を示す。
　センサＤＢ１２５は、診断システム１００がセンサユニット３００から得た観測値すなわち計測データ３２５（図４）を蓄積したデータベースである。
　そのデータ構造は、例えば、計測日時をキーとして、データリソースのセンサユニット３００を一意に特定するセンサＩＤ、観測事象、および観測値、といったデータから成るレコードの集合体である。
　なお、上述の計測データ３２５は、図４に示すように、センサＤＢ１２５のレコードと同様の構成となっている。
　また、図５は本実施形態におけるイベントＤＢ１２６の構成例を示す図である。本実施形態におけるイベントＤＢ１２６は、プラント２００で発生した故障や事故、或いは、当該プラント２００において実施した保守作業といった各種イベントに関する情報を蓄積したデータベースである。
　こうした情報は、例えば、当該プラント２００の管理者等が入力装置１０５を操作して入力したものや、或いは、センサユニット３００から発信された所定の信号（故障や事故に対応したもの）を診断システム１００が取得したもの、などを想定できる。
　そのデータ構造は、発生日時をキーとして、イベント種類、発生箇所、および対応に要したコストといったデータから成るレコードの集合体である。
　また、図６は本実施形態における運転ＤＢ１２７の構成例を示す図である。本実施形態における運転ＤＢ１２７は、プラント２００において実際に設定・運用された運転内容に関する情報を蓄積したデータベースである。
　そのデータ構造は、対象期間をキーとして、対象、および内容といったデータから成るレコードの集合体である。
　また、図７は本実施形態における推定結果ＤＢ１２８の構成例を示す図である。本実施形態における推定結果ＤＢ１２８は、プラント２００での故障確率推移の推定結果を蓄積したデータベースである。
　そのデータ構造は、推定対象の機器を一意に特定する機器ＩＤをキーとして、当該機器に対して想定する保守内容ないし運転内容、当該保守内容ないし運転内容を実施した場合のコスト（保守実施時コスト、故障時コスト、および事故時コスト）と故障確率推移、およびコスト期待値、といったデータから成るレコードの集合体である。
　なお、故障確率推移は、故障確率の時間推移を表す線分を示す数式となるため、図７の例では、当該数式を記述したファイルを値として格納している。
　また、コスト期待値は、現時点から例えば１ヶ月後、２ヶ月後、といった月単位での時間経過ごとのコスト期待値を例示している。この月単位の時間経過は、次に到来する直近の定期保守実施予定日を想定してもよい。
　また、この推定結果ＤＢ１２８は、本実施形態の診断方法を未実施の場合、レコードは未格納状態となる。
　また、図８は本実施形態におけるインセンティブ変動基準ＤＢ１２９の構成例を示す図である。本実施形態におけるインセンティブ変動基準ＤＢ１２９は、上述のプラント２００の運営者が保持する保険契約について、その保険対象すなわち保守対象物での故障確率に関して、適用すべき保険料や保険金が変動する閾値を変動基準値として蓄積したデータベースである。
　そのデータ構造は、保険契約の識別情報たる例えば証券番号をキーとして、保険名、保険料変動の閾値となる故障確率の基準値、および保険金変動の閾値となる故障確率の基準値といったデータから成るレコードの集合体である。
　このうち、保険料変動に関する故障確率の基準値については、「維持」、「１０％増」、といった各条件について、また、保険金変動に関する故障確率の基準値については、「維持」、「１０％減」、といった各条件について規定した例を示した。「維持」の場合、当該保険の契約時の保険料や保険金を維持できる条件を示している。また、「１０％増」の場合、当該保険の契約時の保険料が１０％アップしてしまう条件を示している。また、「１０％減」の場合、当該保険の契約時の保険金が１０％ダウンしてしまう条件を示している。
　また、図９は本実施形態における信用値ＤＢ１３０の構成例を示す図である。本実施形態における信用値ＤＢ１３０は、プラント２００に関する信用値に関する情報を蓄積したデータベースである。この信用値は、プラント２００の総稼働時間のうち故障確率が所定レベル以下である割合を示すものである。また、信用値は、プラント２００全体として算定したものと、当該プラント２００が含む機器ごとに算定したものの少なくともいずれかである。
　そのデータ構造は、対象機器を一意に特定する機器ＩＤをキーとして、機器の種類、対象期間、および信用値といったデータから成るレコードの集合体である。
－－－フロー例１－－－
　以下、本実施形態における診断方法の実際手順について図に基づき説明する。以下で説明する診断方法に対応する各種動作は、診断システム１００がメモリ１０３に読み出して実行するプログラムによって実現される。そして、これらのプログラムは、以下に説明される各種の動作を行うためのコードから構成されている。
　図１０は、本実施形態における診断方法のフロー例１を示す図である。この場合、まず、プラント２００におけるセンサユニット３００が、自身の観測対象に関して保持している計測データ３２５を、診断システム１００に送信する（ｓ１）。
　一方、診断システム１００は、上述のセンサユニット３００から計測データ３２５を受信する（ｓ２）。
　また、診断システム１００は、ｓ２ｄ得た計測データ３２５を含むレコードを生成（ｓ３）し、これをセンサＤＢ１２５に格納し（ｓ４）、処理を終了する。ここまでの処理でセンサＤＢ１２５が生成されることとなる。
－－－フロー例２－－－
　図１１は、本実施形態における診断方法のフロー例２を示す図である。続いて、イベントＤＢの生成フローについて説明する。
　この場合、プラント２００のセンサユニット３００は、計測データ３２５を診断システム１００に送信する（ｓ５）。
　一方、診断システム１００は、上述のセンサユニット３００から得た計測データ３２５を、所定の判定ルールに照合して、イベント発生の有無を判定する（ｓ６）。
　上述の判定ルールは、例えば、観測事象ごとに予め定めている、観測値における正常時の範囲、故障時の範囲、および事故時の範囲であって、これらのいずれかの範囲に計測データ３２５が属するか否かで、当該観測事象に関するイベント発生状況を判定する、といった形態を想定できる。
　上述の判定の結果、正常時との判定がなされた場合（ｓ７：Ｎ）、診断システム１００は処理を終了する。
　他方、上述の判定の結果、故障または事故のイベント発生が特定された場合（ｓ７：Ｙ）、診断システム１００は、当該計測データ３２５が示す計測日時である発生日時、イベントの判定結果が示すイベント種類、および当該計測データ３２５が示す観測事象に基づく発生箇所、の各値を含むレコードを生成し、これをイベントＤＢ１２６に格納し（ｓ８）、処理を終了する。
　ここまでの処理でイベントＤＢ１２６が生成されることとなる。
－－－フロー例３－－－
　図１２は、本実施形態における診断方法のフロー例３を示す図である。続いて、プラント２００における故障確率推移について推定するフローについて説明する。
　この場合、診断システム１００は、センサＤＢ１２５が示す観測値と、イベントＤＢ１２６が示す保守履歴ないし運転内容とを入力として機械学習アルゴリズム１１０に適用し、当該運転内容とそれによる運転実施による該当事象の観測値の変動内容との相関関係、または、上述の保守履歴が示す保守内容と、当該保守内容での保守実施による該当事象の観測値の変動内容との相関関係を特定する（ｓ１０）。ここで特定する相関関係としては、例えば、保守内容として「メンテＡ」を実施すると、センサ「Ｓ１」の観測事象「軸温度」が「５％ダウン」、といったものが想定される。
　続いて、診断システム１００は、ｓ１０で得た相関関係の情報を故障確率評価エンジン１１１に適用し、現時点から例えば１ヶ月後、２ヶ月後、といった所定時期に、「メンテＡ」、「メンテＢ」といった複数種の保守内容それぞれでの保守を実施した場合の、および「稼働率：７５％」、「稼働率：７０％」といった複数種の運転内容それぞれでの運転を実施した場合の、少なくともいずれかにおける、プラント２００での上述の所定時期以降における故障確率の推移を推定する（ｓ１１）。
　なお、上述の故障確率評価エンジン１１１は、プラント２００に関して、センサユニット３００での観測事象が、プラント２００ないしその構成機器の故障確率に与える影響に関して予め規定した説明変数式を含む故障確率評価アルゴリズムが該当する。
　上述の説明変数式は、各観測事象ごとの観測値を入力する変数（例：Ｘ～Ｚ）に所定の重み付け係数（例：ａ～ｃ）を付与した多項式で故障確率Ｙを定義する、Ｙ＝aＸ＋ｂＹ＋ｃＺ、といった形態を想定できる。
　なお、上述の説明変数式は、所定の学習済み寿命モデルが示す寿命（故障発生の確率とも言える）のばらつきが最小となる場合の故障確率の式である。この学習済み寿命モデルは、時間経過に伴う故障の発生確率の分布（例：正規分布）を表現した故障率関数である。
　この故障率関数は、例えば、保守対象物たるプラント２００の故障履歴や保守履歴（イベントＤＢ１２６における故障イベントや保守イベントの情報）に基づく統計処理にて得られる関数である。
　この場合、診断システム１００の故障確率評価エンジン１１１は、例えば、各保守内容で保守作業を実施する前、例えば、現時点に対応する時間（例：所定時点から現時点までの経過時間）に関して予め保持する説明変数式に、現時点で得られている最新の各観測事象の観測値を代入して故障確率Ｙ１を得る。
　また、診断システム１００の故障確率評価エンジン１１１は、上述の相関関係に基づき、例えば、各保守内容で保守作業を実施した場合の、各観測事象における観測値の変動状況を特定する。つまり、保守作業実施後における各観測事象の観測値を推定する。ここでは、こうした観測値の変動が保守作業実施から１ヶ月後に生じると仮定して説明する。
　続いて、診断システム１００の故障確率評価エンジン１１１は、上述の各保守内容で保守作業を実施するした例えば現時点から１ヶ月後に対応する時間に関して予め保持する説明変数式に、上述で推定した観測値（保守作業により変動したもの）を代入し、現時点から１ヶ月後における故障確率Ｙ２を得る。
　診断システム１００は、こうした故障確率の推定を、各時期ごとに順次実行することで、故障確率の推移を推定できる。
　続いて、診断システム１００は、ｓ１１で得た、現時点から例えば１ヶ月後、２ヶ月後、といった所定時期に、「メンテＡ」、「メンテＢ」といった複数種の保守内容それぞれでの保守を実施した場合の、および「稼働率：７５％」、「稼働率：７０％」といった複数種の運転内容それぞれでの運転を実施した場合の、少なくともいずれかにおける、プラント２００での故障確率の推移（図１３の画面１０００）を、例えば表示装置１０６に表示し（ｓ１２）、処理を終了する。
　なお、図１３の画面１０００で例示するように、ユーザとしては、故障確率の推移の推定に際し、運転内容を規定する各条件の指定を行うことも可能である。よって、診断システム１００は、このユーザ指定を受け付けるため、インターフェイス１００１を画面１０００で表示させる。
　このインターフェイス１００１は、ユーザ指定として、保守対象物たるプラント２００の稼働率、使用資材の量、および構成部品の属性である正規品／非正規品、といった各項目について受け付けるものとなる。
　この場合、診断システム１００は、当該ユーザ指定の条件で既定された運転内容での運転を実施した場合について、上述のフローの各ステップを同様に実行し、プラント２００での保守作業等の実施以降における故障確率の推移を推定することとなる。
－－－フロー例４－－－
　図１４は、本実施形態における診断方法のフロー例４を示す図である。続いて、コスト期待値の算定フローについて説明する。
　この場合、診断システム１００は、イベントＤＢ１２６における保守履歴が示す保守実施時のコストと、故障および事故の各コストとに基づき、プラント２００に対して、各保守内容それぞれでの保守を実施した場合の、および各運転内容それぞれでの運転を実施した場合の、少なくともいずれかにおけるプラント２００での保守実施時コスト、故障時コスト、および事故時コストを規定したテーブルを生成する（ｓ１５）。
　具体的には、保守履歴が示す保守実施時のコストの平均値か中央値、故障時のコストの平均値か中央値、および、事故時のコストの平均値か中央値、を各機器ごとないしプラント２００に関して算定し、この算定値を推定結果ＤＢ１２８のコスト各欄に設定する。
　続いて、診断システム１００は、図１２のフローで得ている故障確率の推移が示す各時期の故障確率に、ｓ１５で得た推定結果ＤＢ１２８のコスト欄が規定する故障時コストを乗算する処理、各保守内容それぞれでの保守を実施した場合の、および各運転内容それぞれでの運転を実施した場合の、少なくともいずれかにおける保守実施時コストを、上述の乗算の処理結果に加算し、プラント２００におけるコスト期待値を算定する（ｓ１６）。
　なお、診断システム１００は、上述のコスト期待値について、プラント２００における各機器について算定するものとする。
　続いて、診断システム１００は、ｓ１６で得たコスト期待値を、例えば、故障確率の推移と共に表示装置１０６に表示（図１７の画面１１００）させ（ｓ１７）、処理を終了する。
　図１７の画面１１００の例では、プラント２００における「機器Ａ」と「機器Ｂ」に関して、故障確率の推移と、コスト期待値とを合わせて表示させている形態を示している。
－－－フロー例５－－－
　図１６は、本実施形態における診断方法のフロー例５を示す図である。続いて、保守対象物たるプラント２００の将来価値の算定フローについて説明する。
　ここで、診断システム１００は、プラント２００における、耐用年数、単位時間当たり生産量、保守実施時のダウンタイム、所定基準の故障確率を維持した場合の年間保険料、および保守実施機会ごとに保険会社から支払われる保険金、の各情報を記憶装置１０１にて予め保持しているものとする。
　この場合、診断システム１００は、プラント２００に関して実施予定の保守内容、および当該保守内容での保守実施の契機とする故障確率のそれぞれについてのユーザ指定を入力装置１０５で受け付ける（ｓ２０）。
　続いて、診断システム１００は、上述の図１２のフロー例にて推定してある故障確率の推移において、上述のｓ２０にてユーザ指定を受けた故障確率となる頻度をカウントし、当該カウントした頻度に、上述の耐用年数を乗算して、保守実施回数を算定する（ｓ２１）。　また、診断システム１００は、現時点から上述の耐用年数までの残り稼働時間から、ｓ２０にてユーザ指定を受けた保守内容での保守実施時のダウンタイムに、ｓ２１で得た保守実施回数を乗算した値を減算して、総稼働時間を算定する（ｓ２２）。
　また、診断システム１００は、この総稼働時間を、上述の単位時間当たり生産量に乗算して総生産量を算定する（ｓ２３）。
　また、診断システム１００は、上述の保守実施時コストに、ｓ２１で得ている保守実施回数を乗算して総保守コストを算定する（ｓ２４）。
　また、診断システム１００は、上述の年間保険料に上述の耐用年数を乗算して総支払い保険料を算定する（ｓ２５）。
　また、診断システム１００は、上述の保守実施機会ごとの保険金に、ｓ２１で得ている保守実施回数を乗算して、保険金総額を算定する（ｓ２６）。
　続いて、診断システム１００は、上述のｓ２３で得た総生産量から、ｓ２４で得ている総保守コストおよび総支払い保険料を減算し、この減算結果に、ｓ２６で得ている保険金総額を加算することで、プラント２００の将来価値を算定する（ｓ２７）。
　また、診断システム１００は、この将来価値を表示装置１０６に表示するか、または保険会社システム４００、金融機関システム５００に送信し（ｓ２８）、処理を終了する。
－－－フロー例６－－－
　図１７は、本実施形態における診断方法のフロー例６を示す図である。続いて、信用値の算定フローについて説明する。
　この場合、診断システム１００は、上述の図１６のフローで得ている総稼働時間と、図１２のフローで得ている故障確率の推移とに基づき、総稼働時間のうち故障確率が所定レベル以下（例：１０％以下）である割合を、保守対象物の信用値として算定（ｓ３０）。具体的には、図１８に示す算定式にて信用値の算定を行うものとする。
　また、診断システム１００は、ｓ３０で得た信用値を、表示装置１０６に表示するか、または保険会社システム４００、金融機関システム５００に送信し（ｓ３１）、処理を終了する。
　なお、診断システム１００は、プラント２００に関して契約されている保険に関して、インセンティブ変動基準ＤＢ１２９（図８）を参照し、プラント２００において所定基準の故障確率を維持した場合の、保険会社に支払うべき年間保険料、およびプラント２００に対する保守実施機会ごとに保険会社から支払われる保険金、の情報を抽出し、この情報に基づいて、年間保険料および前記保険金が変動する閾値を示すインセンティブ変動ライン（図１８の画面１２００における、線分１２０１、１２０２）を表示するとすれば好適である。
　図１８におけるインセンティブ変動ライン１２０１は、保険料変動に関する故障確率の基準値のうち保険料および保険金を現状で「維持」するものを示している。
　また、インセンティブ変動ライン１２０２は、保険料変動に関する故障確率の基準値のうち保険料が現状から「１０％増」となるもの、また、保険金変動に関する故障確率の基準値のうち現状から「１０％減」となるものを示している。
　これによれば、保守対象物であるプラント２００の運営・保守の担当者等に対し、保険料や保険金の観点に関して、好適なタイミング、頻度での保守作業の実施、運転内容の設定等の必要性を明確に提示できる。このことは保守意識の高まりにつながることも期待しうる。
　本実施形態の診断システムおよび診断方法によれば、プラント等での保守作業や運転設定、故障などの各種イベントの履歴と、当該時期に関するセンサデータをインプットとして、当該保守作業や運転の実施とこれに伴うセンサデータの推移との関係性を、機械学習を用いて推定し、これをユーザに提示可能となる。
　また、こうした関係性を所定の故障確率評価システムに適用することで、保守作業や運転方法の選択次第で、将来どのように故障確率が変化し、保守や故障等に際しどの程度のコストが必要となるか、をシミュレーションし、その結果をユーザに提示できることとなる。
　ユーザ側では、複数の保守・運転シナリオごとの故障確率の推移やコストの上下に関して容易に認識して、保守作業のタイミングや内容に関して判断材料として活用できる。このことは、プラント等の保守管理を行うユーザにおいて、ＴＢＭからＣＢＭ（Condition Based Maintenance）への移行を果たすことにつながりうるため、結果として保守コストの低減・最適化を図れることとなる。
　また、上述の故障確率の推移は、当該保険対象に関する保険契約における保険料、保険金の変動要因となりうるため、故障確率に関する保険料、保険金の変動基準をユーザに提示することで、当該ユーザにおける保守作業の意欲向上・維持を図ることが期待される。
　また、上述の故障確率の推移に基づき、保守対象のプラント等の価値を算出して、これを保険会社や銀行等に提示し、保険商品の設計業務や融資案件の与信業務に活用させることも可能となる。
　すなわち、保守作業の計画や実行或いは保守対象の価値に関する好適な判断材料を提供可能となる。
　本明細書の記載により、少なくとも次のことが明らかにされる。すなわち、本実施形態の診断システムにおいて、前記記憶装置は、前記保守対象物の運転履歴を更に保持し、前記演算装置は、前記観測値と、前記保守履歴または前記運転履歴の少なくともいずれかとを入力として所定の機械学習アルゴリズムに適用して、前記運転履歴が示す運転内容または前記保守履歴が示す保守内容の少なくともいずれかと、当該運転内容での運転実施または当該保守内容での保守実施の少なくともいずれかによる前記事象の観測値の変動内容との相関関係を特定するものである、としてもよい。
　これによれば、プラント等への保守作業に加えて、当該プラント等の運転内容による影響を踏まえた、センサデータ等の観測値の変動の相関関係を特定可能となる。このひいては、保守作業の計画や実行或いは保守対象の価値に関するより好適な判断材料を提供可能となる。
　また、本実施形態の診断システムにおいて、前記演算装置は、前記事象が前記保守対象物の故障確率に与える影響に関して予め規定した説明変数式を含む故障確率評価アルゴリズムと、前記相関関係とに基づき、所定時期に、複数の前記保守内容それぞれでの保守を実施した場合の、前記保守対象物での前記所定時期以降における故障確率の推移を推定するものである、としてもよい。
　これによれば、保守対象物における保守作業や運転内容が観測値の変動に与える影響について、当該保守対象物における故障確率の推移という形で更に具体的に特定することが可能となる。ひいては、保守作業の計画や実行或いは保守対象の価値に関するより好適な判断材料を提供可能となる。
　また、本実施形態の診断システムにおいて、前記演算装置は、前記説明変数式と前記相関関係とに基づき、前記所定時期に、１または複数の前記保守内容それぞれでの保守を実施した場合の、および１または複数の運転内容それぞれでの運転を実施した場合の、少なくともいずれかにおける、前記保守対象物での少なくとも前記所定時期以降における故障確率の推移を推定するものである、としてもよい。
　これによれば、保守対象物における保守作業に加えて、当該保守対象物の運転内容による影響も踏まえうる形態で、故障確率の推移を推定することが可能となる。ひいては、保守作業の計画や実行或いは保守対象の価値に関するより好適な判断材料を提供可能となる。
　また、本実施形態の診断システムにおいて、前記演算装置は、前記故障確率の推移の推定に際し、前記１または複数の運転内容それぞれに関して、当該運転内容を規定する所定条件のユーザ指定を受け付け、当該条件で既定された運転内容での運転を前記所定時期に実施した場合の、前記保守対象物での少なくとも前記所定時期以降における故障確率の推移を推定するものである、としてもよい。
　これによれば、運転内容の条件を詳細に指定した形態で故障確率の推移を特定することが可能となる。ひいては、保守作業の計画や実行或いは保守対象の価値に関するより好適な判断材料を提供可能となる。
　また、本実施形態の診断システムにおいて、前記演算装置は、前記所定条件のユーザ指定として、前記保守対象物の稼働率、使用資材、および構成部品の属性の少なくともいずれかについて受け付けるものである、としてもよい。
　これによれば、運転内容のより具体的な条件を指定した形態で、故障確率の推移を特定することが可能となる。ひいては、保守作業の計画や実行或いは保守対象の価値に関するより好適な判断材料を提供可能となる。
　また、本実施形態の診断システムにおいて、前記記憶装置は、前記保守対象物での過去の故障および事故の発生に際し必要となった各コストの情報を更に保持し、前記演算装置は、前記保守履歴が示す保守実施時のコストと、前記故障および前記事故の各コストとに基づき、前記保守対象物に対して、前記１または複数の前記保守内容それぞれでの保守を実施した場合の、および前記１または複数の運転内容それぞれでの運転を実施した場合の、少なくともいずれかにおける前記保守対象物での保守実施時コスト、故障時コスト、および事故時コストを規定したテーブルを生成するものである、としてもよい。
　これによれば、保守作業や運転内容によって異なりうる各種コストを特定可能となる。ひいては、保守作業の計画や実行或いは保守対象の価値に関するより好適な判断材料を提供可能となる。
　また、本実施形態の診断システムにおいて、前記演算装置は、前記故障確率の推移が示す各時期の故障確率に、前記テーブルが規定する故障時コストを乗算する処理と、前記所定時期に、前記１または複数の前記保守内容それぞれでの保守を実施した場合の、および前記１または複数の運転内容それぞれでの運転を実施した場合の、少なくともいずれかにおける前記保守実施時コストを、前記乗算の処理結果に加算して、前記保守対象物におけるコスト期待値を算定する処理と、を更に実行するものである、としてもよい。
　これによれば、保守作業や運転内容によって異なりうるコスト期待値を特定可能となる。ひいては、保守作業の計画や実行或いは保守対象の価値に関するより好適な判断材料を提供可能となる。
　また、本実施形態の診断システムにおいて、前記演算装置は、前記コスト期待値を複数の保守対象物について算定するものである、としてもよい。
　これによれば、保守対象物ごとに異なりうる、かつ、保守作業や運転内容によっても異なりうる上述のコスト期待値を特定可能となる。ひいては、保守作業の計画や実行或いは保守対象の価値に関するより好適な判断材料を提供可能となる。
　また、本実施形態の診断システムにおいて、前記記憶装置は、前記保守対象物における、耐用年数、単位時間当たり生産量、保守実施時のダウンタイム、所定基準の故障確率を維持した場合の年間保険料、および保守実施機会ごとに保険会社から支払われる保険金、の各情報を更に保持し、前記演算装置は、前記保守対象物に関して実施予定の保守内容、および当該保守内容での保守実施の契機とする故障確率のそれぞれについてのユーザ指定を受け付ける処理と、前記推定した故障確率の推移において、前記ユーザ指定を受けた前記故障確率となる頻度をカウントし、当該カウントした頻度に前記耐用年数を乗算して、保守実施回数を算定する処理と、前記耐用年数までの残り稼働時間から、前記ユーザ指定を受けた前記保守内容での保守実施時のダウンタイムに前記保守実施回数を乗算した値を減算して、総稼働時間を算定し、当該総稼働時間を前記単位時間当たり生産量に乗算して総生産量を算定する処理と、前記保守実施時コストに前記保守実施回数を乗算して総保守コストを算定する処理と、前記年間保険料に前記耐用年数を乗算して総支払い保険料を算定する処理と、前記保守実施機会ごとの前記保険金に前記保守実施回数を乗算して、保険金総額を算定する処理と、前記総生産量から、前記総保守コストおよび総支払い保険料を減算し、前記減算の結果に、前記保険金総額を加算することで、前記保守対象物の将来価値を算定する処理と、を更に実行するものである、としてもよい。
　これによれば、ユーザ指定の保守内容や運転内容など所定条件下における保守対象物の将来価値を特定可能となり、ひいては、保守作業の計画や実行或いは保守対象の価値に関するより好適な判断材料を提供可能となる。
　また、本実施形態の診断システムにおいて、前記演算装置は、前記総稼働時間と前記推定した故障確率の推移とに基づき、前記総稼働時間のうち故障確率が所定レベル以下である割合を、前記保守対象物の信用値として算定するものである、としてもよい。
　これによれば、保守対象物を被保険物として価値評価する必要性のある保険会社や、或いは、保守対象物を例えば動産として担保対象とみなして与信審査等を行う金融機関に向け、当該保守対象物が財を継続的に生み出しうる観点での価値を信用値として特定・提示することが可能となる。ひいては、保守作業の計画や実行或いは保守対象の価値に関するより好適な判断材料を提供可能となる。
　また、本実施形態の診断システムにおいて、保守対象物に関する所定事象の観測値、前記保守対象物に関する保守履歴、および前記保守対象物の運転履歴を保持する記憶装置を備え、前記演算装置は、前記観測値と、前記保守履歴または前記運転履歴の少なくともいずれかとを入力として所定の機械学習アルゴリズムに適用して、前記運転履歴が示す運転内容または前記保守履歴が示す保守内容の少なくともいずれかと、当該運転内容での運転実施または当該保守内容での保守実施の少なくともいずれかによる前記事象の観測値の変動内容との相関関係を特定し、前記事象が前記保守対象物の故障確率に与える影響に関して予め規定した説明変数式を含む故障確率評価アルゴリズムと、前記相関関係とに基づき、複数の前記保守内容それぞれでの保守を前記所定時期に実施した場合の、前記保守対象物での少なくとも前記所定時期以降の故障確率の推移を推定し、前記推定した故障確率の推移の情報を、前記故障確率推移の情報としてグラフ表示するものである、としてもよい。
　これによれば、保守対象物であるプラント等の運営・保守の担当者、或いは金融機関や保険会社の担当者等に対し、当該保守対象物における故障確率の推移を視覚的に明示することが可能となる。ひいては、保守作業の計画や実行或いは保守対象の価値に関するより好適な判断材料を提供可能となる。
　また、本実施形態の診断システムにおいて、前記演算装置は、前記故障確率の推移の推定に際し、前記１または複数の運転内容それぞれに関して、当該運転内容を規定する所定条件のユーザ指定を受け付け、当該条件で既定された運転内容での運転を前記所定時期に実施した場合の、前記保守対象物での少なくとも前記所定時期以降の故障確率の推移を推定するものである、としてもよい。
　これによれば、運転内容の条件を詳細に指定した形態で故障確率の推移を特定し、これを上述の担当者等に視覚的に提示することが可能となる。ひいては、保守作業の計画や実行或いは保守対象の価値に関するより好適な判断材料を提供可能となる。
　また、本実施形態の診断システムにおいて、前記演算装置は、前記所定条件のユーザ指定として、前記保守対象物の稼働率、使用資材、および構成部品の属性の少なくともいずれかについて受け付けるものである、としてもよい。
　これによれば、運転内容のより具体的な条件を指定した形態で、故障確率の推移を特定し、これを上述の担当者等に視覚的に提示することが可能となる。ひいては、保守作業の計画や実行或いは保守対象の価値に関するより好適な判断材料を提供可能となる。
　また、本実施形態の診断システムにおいて、前記保守対象物に関して契約されている保険に関して、前記保守対象物において所定基準の故障確率を維持した場合の、保険会社に支払うべき年間保険料および前記保守対象物に対する保守実施機会ごとに保険会社から支払われる保険金、の少なくともいずれかの情報を保持する記憶装置を備え、前記演算装置は、前記故障確率推移の推定情報のグラフ表示に際し、前記年間保険料および前記保険金の少なくともいずれかの情報に基づき、前記年間保険料および前記保険金が変動する閾値となる前記故障確率の基準について、当該保険のインセンティブ変動ラインとして前記グラフ表示中に表示するものである、としてもよい。
　これによれば、保守対象物であるプラント等の運営・保守の担当者等に対し、好適なタイミング、頻度での保守作業の実施、運転内容の設定等の必要性を明確に提示できる。このことは保守意識の高まりにつながることも期待しうる。ひいては、保守作業の計画や実行或いは保守対象の価値に関するより好適な判断材料を提供可能となる。
１０　　ネットワーク
１００　診断システム
１０１　記憶装置
１０２　プログラム
１０３　メモリ
１０４　ＣＰＵ（演算装置）
１０５　入力装置
１０６　出力装置
１０７　通信装置
１１０　機械学習エンジン
１１１　故障確率評価エンジン
１２５　センサＤＢ
１２６　イベントＤＢ
１２７　運転ＤＢ
１２８　推定結果ＤＢ
１２９　インセンティブ変動基準ＤＢ
１３０　信用値ＤＢ
２００　プラント（保守対象）
３００　センサユニット
３２５　計測データ
４００　保険会社システム
５００　金融機関システム

Claims (18)

  1. 　保守対象物に関する所定事象の観測値、および前記保守対象物に関する保守履歴を保持する記憶装置と、
    　前記観測値および前記保守履歴を入力として所定の機械学習アルゴリズムに適用して、前記保守履歴が示す保守内容と、当該保守内容での保守実施による前記事象の観測値の変動内容との相関関係を特定する演算装置と、
    　を含むことを特徴とする診断システム。
  2. 　前記記憶装置は、
    　前記保守対象物の運転履歴を更に保持し、
    　前記演算装置は、
    　前記観測値と、前記保守履歴または前記運転履歴の少なくともいずれかとを入力として所定の機械学習アルゴリズムに適用して、前記運転履歴が示す運転内容または前記保守履歴が示す保守内容の少なくともいずれかと、当該運転内容での運転実施または当該保守内容での保守実施の少なくともいずれかによる前記事象の観測値の変動内容との相関関係を特定するものである、
    　ことを特徴とする請求項１に記載の診断システム。
  3. 　前記演算装置は、
    　前記事象が前記保守対象物の故障確率に与える影響に関して予め規定した説明変数式を含む故障確率評価アルゴリズムと、前記相関関係とに基づき、所定時期に、複数の前記保守内容それぞれでの保守を実施した場合の、前記保守対象物での前記所定時期以降における故障確率の推移を推定するものである、
    　ことを特徴とする請求項１または２に記載の診断システム。
  4. 　前記演算装置は、
    　前記説明変数式と前記相関関係とに基づき、前記所定時期に、１または複数の前記保守内容それぞれでの保守を実施した場合の、および１または複数の運転内容それぞれでの運転を実施した場合の、少なくともいずれかにおける、前記保守対象物での少なくとも前記所定時期以降における故障確率の推移を推定するものである、
    　ことを特徴とする請求項３に記載の診断システム。
  5. 　前記演算装置は、
    　前記故障確率の推移の推定に際し、前記１または複数の運転内容それぞれに関して、当該運転内容を規定する所定条件のユーザ指定を受け付け、当該条件で既定された運転内容での運転を前記所定時期に実施した場合の、前記保守対象物での少なくとも前記所定時期以降における故障確率の推移を推定するものである、
    　ことを特徴とする請求項４に記載の診断システム。
  6. 　前記演算装置は、
    　前記所定条件のユーザ指定として、前記保守対象物の稼働率、使用資材、および構成部品の属性の少なくともいずれかについて受け付けるものである、
    　ことを特徴とする請求項５に記載の診断システム。
  7. 　前記記憶装置は、
    　前記保守対象物での過去の故障および事故の発生に際し必要となった各コストの情報を更に保持し、
    　前記演算装置は、
    　前記保守履歴が示す保守実施時のコストと、前記故障および前記事故の各コストとに基づき、前記保守対象物に対して、前記１または複数の前記保守内容それぞれでの保守を実施した場合の、および前記１または複数の運転内容それぞれでの運転を実施した場合の、少なくともいずれかにおける前記保守対象物での保守実施時コスト、故障時コスト、および事故時コストを規定したテーブルを生成するものである、
    　ことを特徴とする請求項４に記載の診断システム。
  8. 　前記演算装置は、
    　前記故障確率の推移が示す各時期の故障確率に、前記テーブルが規定する故障時コストを乗算する処理と、前記所定時期に、前記１または複数の前記保守内容それぞれでの保守を実施した場合の、および前記１または複数の運転内容それぞれでの運転を実施した場合の、少なくともいずれかにおける前記保守実施時コストを、前記乗算の処理結果に加算して、前記保守対象物におけるコスト期待値を算定する処理と、を更に実行するものである、
    　ことを特徴とする請求項７に記載の診断システム。
  9. 　前記演算装置は、
    　前記コスト期待値を複数の保守対象物について算定するものである、
    　ことを特徴とする請求項８に記載の診断システム。
  10. 　前記記憶装置は、
    　前記保守対象物における、耐用年数、単位時間当たり生産量、保守実施時のダウンタイム、所定基準の故障確率を維持した場合の年間保険料、および保守実施機会ごとに保険会社から支払われる保険金、の各情報を更に保持し、
    　前記演算装置は、
    　前記保守対象物に関して実施予定の保守内容、および当該保守内容での保守実施の契機とする故障確率のそれぞれについてのユーザ指定を受け付ける処理と、
    　前記推定した故障確率の推移において、前記ユーザ指定を受けた前記故障確率となる頻度をカウントし、当該カウントした頻度に前記耐用年数を乗算して、保守実施回数を算定する処理と、
    　前記耐用年数までの残り稼働時間から、前記ユーザ指定を受けた前記保守内容での保守実施時のダウンタイムに前記保守実施回数を乗算した値を減算して、総稼働時間を算定し、当該総稼働時間を前記単位時間当たり生産量に乗算して総生産量を算定する処理と、
    　前記保守実施時コストに前記保守実施回数を乗算して総保守コストを算定する処理と、
    　前記年間保険料に前記耐用年数を乗算して総支払い保険料を算定する処理と、
    　前記保守実施機会ごとの前記保険金に前記保守実施回数を乗算して、保険金総額を算定する処理と、
    　前記総生産量から、前記総保守コストおよび総支払い保険料を減算し、前記減算の結果に、前記保険金総額を加算することで、前記保守対象物の将来価値を算定する処理と、
    　を更に実行するものである、
    　ことを特徴とする請求項９に記載の診断システム。
  11. 　前記演算装置は、
    　前記総稼働時間と前記推定した故障確率の推移とに基づき、前記総稼働時間のうち故障確率が所定レベル以下である割合を、前記保守対象物の信用値として算定するものである、
    　ことを特徴とする請求項１０に記載の診断システム。
  12. 　所定の保守対象物に対して、所定時期に、１または複数の保守内容それぞれでの保守を実施した場合の、および１または複数の運転内容それぞれでの運転を実施した場合の、少なくともいずれかにおける、当該保守対象物での少なくとも前記所定時期以降の故障確率推移の推定情報をグラフ表示する演算装置を備えることを特徴とする診断システム。
  13. 　保守対象物に関する所定事象の観測値、前記保守対象物に関する保守履歴、および前記保守対象物の運転履歴を保持する記憶装置を備え、
    　前記演算装置は、
    　前記観測値と、前記保守履歴または前記運転履歴の少なくともいずれかとを入力として所定の機械学習アルゴリズムに適用して、前記運転履歴が示す運転内容または前記保守履歴が示す保守内容の少なくともいずれかと、当該運転内容での運転実施または当該保守内容での保守実施の少なくともいずれかによる前記事象の観測値の変動内容との相関関係を特定し、
    　前記事象が前記保守対象物の故障確率に与える影響に関して予め規定した説明変数式を含む故障確率評価アルゴリズムと、前記相関関係とに基づき、複数の前記保守内容それぞれでの保守を前記所定時期に実施した場合の、前記保守対象物での少なくとも前記所定時期以降の故障確率の推移を推定し、
    　前記推定した故障確率の推移の情報を、前記故障確率推移の情報としてグラフ表示するものである、
    　ことを特徴とする請求項１２に記載の診断システム。
  14. 　前記演算装置は、
    　前記故障確率の推移の推定に際し、前記１または複数の運転内容それぞれに関して、当該運転内容を規定する所定条件のユーザ指定を受け付け、当該条件で既定された運転内容での運転を前記所定時期に実施した場合の、前記保守対象物での少なくとも前記所定時期以降の故障確率の推移を推定するものである、
    　ことを特徴とする請求項１３に記載の診断システム。
  15. 　前記演算装置は、
    　前記所定条件のユーザ指定として、前記保守対象物の稼働率、使用資材、および構成部品の属性の少なくともいずれかについて受け付けるものである、
    　ことを特徴とする請求項１４に記載の診断システム。
  16. 　前記保守対象物に関して契約されている保険に関して、前記保守対象物において所定基準の故障確率を維持した場合の、保険会社に支払うべき年間保険料および前記保守対象物に対する保守実施機会ごとに保険会社から支払われる保険金、の少なくともいずれかの情報を保持する記憶装置を備え、
    　前記演算装置は、
    　前記故障確率推移の推定情報のグラフ表示に際し、前記年間保険料および前記保険金の少なくともいずれかの情報に基づき、前記年間保険料および前記保険金が変動する閾値となる前記故障確率の基準について、当該保険のインセンティブ変動ラインとして前記グラフ表示中に表示するものである、
    　ことを特徴とする請求項１２に記載の診断システム。
  17. 　情報処理システムが、
    　保守対象物に関する所定事象の観測値、および前記保守対象物に関する保守履歴を保持する記憶装置を備え、
    　前記観測値および前記保守履歴を入力として所定の機械学習アルゴリズムに適用して、前記保守履歴が示す保守内容と、当該保守内容での保守実施による前記事象の観測値の変動内容との相関関係を特定する、
    　ことを特徴とする診断方法。
  18. 　情報処理システムが、
    　所定の保守対象物に対して、所定時期に、１または複数の保守内容それぞれでの保守を実施した場合の、および１または複数の運転内容それぞれでの運転を実施した場合の、少なくともいずれかにおける、当該保守対象物での少なくとも前記所定時期以降の故障確率推移の推定情報をグラフ表示する、
    　ことを特徴とする診断方法。
PCT/JP2019/003440 2019-01-31 2019-01-31 診断システムおよび診断方法 WO2020157927A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
PCT/JP2019/003440 WO2020157927A1 (ja) 2019-01-31 2019-01-31 診断システムおよび診断方法
JP2020569288A JP7145242B2 (ja) 2019-01-31 2019-01-31 診断システムおよび診断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/003440 WO2020157927A1 (ja) 2019-01-31 2019-01-31 診断システムおよび診断方法

Publications (1)

Publication Number Publication Date
WO2020157927A1 true WO2020157927A1 (ja) 2020-08-06

Family

ID=71842417

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/003440 WO2020157927A1 (ja) 2019-01-31 2019-01-31 診断システムおよび診断方法

Country Status (2)

Country Link
JP (1) JP7145242B2 (ja)
WO (1) WO2020157927A1 (ja)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022244306A1 (ja) * 2021-05-17 2022-11-24 ファナック株式会社 映像判別装置、映像判別システム、及び記憶媒体
WO2023074286A1 (ja) * 2021-10-29 2023-05-04 株式会社日立製作所 保険金支払業務支援装置及び保険金支払業務支援方法
WO2023132107A1 (ja) * 2022-01-07 2023-07-13 株式会社日立製作所 保険金支払い審査システム、プログラムおよび保険金支払い審査方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0922432A (ja) * 1995-07-07 1997-01-21 Hitachi Ltd 設備保全管理方法及び設備保全管理システム
JPH10283013A (ja) * 1997-04-02 1998-10-23 Mitsubishi Heavy Ind Ltd シール装置の異常診断システム
JP2004234536A (ja) * 2003-01-31 2004-08-19 Toshiba Corp プラント機器の保守管理計画支援方法および装置
JP2017016509A (ja) * 2015-07-03 2017-01-19 横河電機株式会社 設備保全管理システムおよび設備保全管理方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005190271A (ja) * 2003-12-26 2005-07-14 Mitsubishi Heavy Ind Ltd プラントの保守及び保険契約システム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0922432A (ja) * 1995-07-07 1997-01-21 Hitachi Ltd 設備保全管理方法及び設備保全管理システム
JPH10283013A (ja) * 1997-04-02 1998-10-23 Mitsubishi Heavy Ind Ltd シール装置の異常診断システム
JP2004234536A (ja) * 2003-01-31 2004-08-19 Toshiba Corp プラント機器の保守管理計画支援方法および装置
JP2017016509A (ja) * 2015-07-03 2017-01-19 横河電機株式会社 設備保全管理システムおよび設備保全管理方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022244306A1 (ja) * 2021-05-17 2022-11-24 ファナック株式会社 映像判別装置、映像判別システム、及び記憶媒体
WO2023074286A1 (ja) * 2021-10-29 2023-05-04 株式会社日立製作所 保険金支払業務支援装置及び保険金支払業務支援方法
WO2023132107A1 (ja) * 2022-01-07 2023-07-13 株式会社日立製作所 保険金支払い審査システム、プログラムおよび保険金支払い審査方法

Also Published As

Publication number Publication date
JP7145242B2 (ja) 2022-09-30
JPWO2020157927A1 (ja) 2021-09-30

Similar Documents

Publication Publication Date Title
US11086762B2 (en) Methods and systems for predicting estimation of project factors in software development
Van Horenbeek et al. Quantifying the added value of an imperfectly performing condition monitoring system—Application to a wind turbine gearbox
Alaswad et al. A review on condition-based maintenance optimization models for stochastically deteriorating system
AU2001255994B2 (en) Method of business analysis
WO2020157927A1 (ja) 診断システムおよび診断方法
US20160062820A1 (en) System and method for the dynamic analysis of event data
Xu et al. A failure-dependency modeling and state discretization approach for condition-based maintenance optimization of multi-component systems
US20090083089A1 (en) Systems and methods for analyzing failure modes according to cost
Blancke et al. A holistic multi-failure mode prognosis approach for complex equipment
JP2016038657A (ja) 診断支援システム及び診断支援方法
JP2009086896A (ja) コンピュータの障害予測システムおよび障害予測方法
US20090089112A1 (en) Service Resource Evaluation Method and System
Caesarita et al. Identifying bottlenecks and fraud of business process using alpha++ and heuristic miner algorithms (Case study: CV. Wicaksana Artha)
US8224690B2 (en) Graphical risk-based performance measurement and benchmarking system and method
Li et al. On dynamically monitoring aggregate warranty claims for early detection of reliability problems
JP2010231376A (ja) 機器品質管理方法、機器品質管理システム
JP6885321B2 (ja) プロセスの状態診断方法及び状態診断装置
JP5159919B2 (ja) ハードウェア使用状況に応じたユーザー評価装置
Lanza et al. Simulation of service costs throughout the life cycle of production facilities
JP2019211919A (ja) 監視装置、監視方法、及びコンピュータプログラム
Babakmehr et al. Data‐driven framework for warranty claims forecasting with an application for automotive components
WO2021100371A1 (ja) 保全計画支援方法および保全計画支援装置
KR20210031618A (ko) 정보 제시 장치, 정보 제시 방법, 및 정보 제시 시스템
Peng et al. The impact of gamma usage processes on preventive maintenance policies under two-dimensional warranty
WO2016163008A1 (ja) 異常診断装置および異常診断方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19912965

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020569288

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19912965

Country of ref document: EP

Kind code of ref document: A1