WO2020189374A1 - 保守作業支援装置、保守作業支援方法及び保守作業支援プログラム - Google Patents

保守作業支援装置、保守作業支援方法及び保守作業支援プログラム Download PDF

Info

Publication number
WO2020189374A1
WO2020189374A1 PCT/JP2020/010024 JP2020010024W WO2020189374A1 WO 2020189374 A1 WO2020189374 A1 WO 2020189374A1 JP 2020010024 W JP2020010024 W JP 2020010024W WO 2020189374 A1 WO2020189374 A1 WO 2020189374A1
Authority
WO
WIPO (PCT)
Prior art keywords
information
target device
maintenance work
maintenance
learning
Prior art date
Application number
PCT/JP2020/010024
Other languages
English (en)
French (fr)
Inventor
遼 松澤
Original Assignee
ダイキン工業株式会社
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
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=72520370&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=WO2020189374(A1) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by ダイキン工業株式会社 filed Critical ダイキン工業株式会社
Priority to CN202080010489.4A priority Critical patent/CN113330383A/zh
Priority to US17/439,973 priority patent/US11927945B2/en
Priority to EP20774298.2A priority patent/EP3944043B1/en
Publication of WO2020189374A1 publication Critical patent/WO2020189374A1/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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
    • 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
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • 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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06311—Scheduling, planning or task assignment for a person or group
    • 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
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24001—Maintenance, repair
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/24—Pc safety
    • G05B2219/24019—Computer assisted maintenance
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2614—HVAC, heating, ventillation, climate control
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/20—Pc systems
    • G05B2219/26—Pc applications
    • G05B2219/2638—Airconditioning

Definitions

  • This disclosure relates to a maintenance work support device, a maintenance work support method, and a maintenance work support program.
  • the operation information of the air-conditioning equipment in operation is collected, and when an abnormality occurs, the abnormality location is predicted based on the diagnostic technology for diagnosing the cause of the abnormality and the abnormality code output by the air-conditioning equipment.
  • Prediction technology has been proposed. According to these technologies, when an abnormality occurs, the maintenance worker identifies the defective part and replaces or repairs the defective part by performing inspection work according to the diagnosed cause of the abnormality and the predicted abnormal part. Maintenance work can be performed efficiently.
  • This disclosure provides a maintenance work support device, a maintenance work support method, and a maintenance work support program that support maintenance work by reducing the number of dispatches of maintenance workers.
  • the maintenance work support device is A data set including a combination of device information of the target device and operation information of the target device, or a data set including a combination of device information of the target device and phenomenon information indicating a phenomenon related to the target device is acquired.
  • Learning by associating the data set acquired by the first acquisition unit with the replaced or repaired part or a new part after replacement recorded in the work content information acquired by the second acquisition unit. It has a learning unit to do.
  • the first aspect of the present disclosure it is possible to identify a part to be replaced or repaired or a new part after replacement in the target device before dispatching, and make necessary preparations for replacement or repair before dispatching. Therefore, it is possible to reduce the number of times maintenance workers are dispatched. That is, according to the first aspect of the present disclosure, it is possible to provide a maintenance work support device that supports maintenance work by reducing the number of times maintenance workers are dispatched.
  • the maintenance work support device is A data set including a combination of device information of the target device and operation information of the target device, or a data set including a combination of device information of the target device and phenomenon information indicating a phenomenon related to the target device is acquired.
  • 1 acquisition department and A second acquisition unit that acquires work content information in which work procedures are recorded, which is the content of maintenance work performed by the maintenance worker on the target device, and It has a learning unit that learns by associating a data set acquired by the first acquisition unit with the work procedure recorded in the work content information acquired by the second acquisition unit.
  • the work procedure of the maintenance work for the target device can be specified before the dispatch, and the necessary preparations for executing the work procedure can be made before the dispatch. It is possible to reduce the number of dispatches of workers. That is, according to the second aspect of the present disclosure, it is possible to provide a maintenance work support device that supports maintenance work by reducing the number of times maintenance workers are dispatched.
  • the maintenance work support device is A calculation unit that calculates rewards based on evaluation information that evaluates the work results of maintenance work on the target device, According to a data set containing a combination of device information of the target device and operating information of the target device, or a data set including a combination of device information of the target device and phenomenon information indicating a phenomenon related to the target device. It has a learning unit for learning parts to be replaced or repaired or new parts after replacement in the target device. Based on the reward, the learning unit learns a part to be replaced or repaired in the target device or a new part after replacement.
  • the third aspect of the present disclosure it is possible to identify a part to be replaced or repaired or a new part after replacement in the target device before dispatching, and make necessary preparations for replacement or repair before dispatching. Therefore, it is possible to reduce the number of times maintenance workers are dispatched. That is, according to the third aspect of the present disclosure, it is possible to provide a maintenance work support device that supports maintenance work by reducing the number of times maintenance workers are dispatched.
  • the maintenance work support device is A calculation unit that calculates rewards based on evaluation information that evaluates the work results of maintenance work on the target device, According to a data set containing a combination of device information of the target device and operating information of the target device, or a data set including a combination of device information of the target device and phenomenon information indicating a phenomenon related to the target device. It has a learning unit that learns the work procedure of maintenance work for the target device. The learning unit learns the work procedure of the maintenance work for the target device based on the reward.
  • the work procedure of the maintenance work for the target device can be specified before the dispatch, and the necessary preparations for executing the work procedure can be made before the dispatch. It is possible to reduce the number of dispatches of workers. That is, according to the fourth aspect of the present disclosure, it is possible to provide a maintenance work support device that supports maintenance work by reducing the number of times maintenance workers are dispatched.
  • the fifth aspect of the present disclosure is the maintenance work support device according to any one of the first to fourth aspects, and the device information includes the type of the target device.
  • the sixth aspect of the present disclosure is the maintenance work support device according to any one of the first to fourth aspects.
  • the operation information includes any one of an abnormality code, an abnormality prediction data, an operation condition, an indoor temperature, an outdoor temperature, and a cumulative operating time output by the target device.
  • the seventh aspect of the present disclosure is the maintenance work support device according to the sixth aspect.
  • the target device is an air conditioner, and the operating conditions are compressor rotation speed, suction superheat degree, supercooling degree, discharge temperature, high / low pressure value, high pressure side temperature, low pressure side temperature, valve opening, and external heat exchange temperature. Including any of.
  • the eighth aspect of the present disclosure is the maintenance work support device according to any one of the first to fourth aspects.
  • the phenomenon information includes information indicating a phenomenon caused by a failure or abnormality of the target device.
  • the ninth aspect of the present disclosure is the maintenance work support device according to the first aspect.
  • a data set containing a combination of device information of the target device and operating information of the target device, or a data set including a combination of device information of the target device and phenomenon information indicating a phenomenon related to the target device is newly acquired. Further, it has an inference unit that infers a part to be replaced or repaired in the target device or a new part after replacement from the newly acquired data set based on the learning result by the learning unit.
  • the tenth aspect of the present disclosure is the maintenance work support device according to the second aspect, which is a data set including a combination of device information of the target device and operation information of the target device, or a target.
  • a data set including a combination of device information of the device and phenomenon information indicating a phenomenon related to the target device is newly acquired, and based on the learning result by the learning unit, the target device is used from the newly acquired data set. It also has an inference unit that infers the work procedure of maintenance work for.
  • a data set including a combination of device information of the target device and operation information of the target device, or a data set including a combination of device information of the target device and phenomenon information indicating a phenomenon related to the target device is acquired.
  • the eleventh aspect of the present disclosure it is possible to identify a part to be replaced or repaired or a new part after replacement in the target device before dispatching, and make necessary preparations for replacement or repair before dispatching. Therefore, it is possible to reduce the number of times maintenance workers are dispatched. That is, according to the eleventh aspect of the present disclosure, it is possible to provide a maintenance work support method for supporting maintenance work by reducing the number of times maintenance workers are dispatched.
  • a data set including a combination of device information of the target device and operation information of the target device, or a data set including a combination of device information of the target device and phenomenon information indicating a phenomenon related to the target device is acquired.
  • the work procedure of the maintenance work for the target device can be specified before the dispatch, and the necessary preparations for executing the work procedure can be made before the dispatch. It is possible to reduce the number of dispatches of workers. That is, it is possible to provide a maintenance work support method that supports maintenance work by reducing the number of times maintenance workers are dispatched.
  • a calculation process that calculates the reward based on the evaluation information that evaluates the work result of the maintenance work for the target device, According to a data set containing a combination of device information of the target device and operating information of the target device, or a data set including a combination of device information of the target device and phenomenon information indicating a phenomenon related to the target device. It has a learning process for learning a part to be replaced or repaired or a new part after replacement in the target device. In the learning step, based on the reward, a part to be replaced or repaired in the target device or a new part after replacement is learned.
  • the thirteenth aspect of the present disclosure it is possible to identify a part to be replaced or repaired or a new part after replacement in the target device before dispatching, and make necessary preparations for replacement or repair before dispatching. Therefore, it is possible to reduce the number of times maintenance workers are dispatched. That is, it is possible to provide a maintenance work support method that supports maintenance work by reducing the number of times maintenance workers are dispatched.
  • a calculation process that calculates the reward based on the evaluation information that evaluates the work result of the maintenance work for the target device, According to a data set containing a combination of device information of the target device and operating information of the target device, or a data set including a combination of device information of the target device and phenomenon information indicating a phenomenon related to the target device. It has a learning process for learning the work procedure of maintenance work for the target device. In the learning step, the work procedure of the maintenance work for the target device is learned based on the reward.
  • the work procedure of the maintenance work for the target device can be specified before the dispatch, and the necessary preparations for executing the work procedure can be made before the dispatch. It is possible to reduce the number of dispatches of workers. That is, it is possible to provide a maintenance work support method that supports maintenance work by reducing the number of times maintenance workers are dispatched.
  • a data set including a combination of device information of the target device and operation information of the target device, or a data set including a combination of device information of the target device and phenomenon information indicating a phenomenon related to the target device is acquired.
  • Learning by associating the data set acquired in the first acquisition process with the replaced or repaired part or a new part after replacement recorded in the work content information acquired in the second acquisition process. Let the computer perform the learning process.
  • the fifteenth aspect of the present disclosure it is possible to identify a part to be replaced or repaired or a new part after replacement in the target device before dispatching, and make necessary preparations for replacement or repair before dispatching. Therefore, it is possible to reduce the number of times maintenance workers are dispatched. That is, it is possible to provide a maintenance work support program that supports maintenance work by reducing the number of times maintenance workers are dispatched.
  • a data set including a combination of device information of the target device and operation information of the target device, or a data set including a combination of device information of the target device and phenomenon information indicating a phenomenon related to the target device is acquired.
  • the computer is made to execute a learning process of learning by associating the data set acquired in the first acquisition step with the work procedure recorded in the work content information acquired in the second acquisition step.
  • the work procedure of the maintenance work for the target device can be specified before the dispatch, and the necessary preparations for executing the work procedure can be made before the dispatch. It is possible to reduce the number of dispatches of workers. That is, according to the sixteenth aspect of the present disclosure, it is possible to provide a maintenance work support program that supports maintenance work by reducing the number of times maintenance workers are dispatched.
  • the maintenance work support program A calculation process that calculates the reward based on the evaluation information that evaluates the work result of the maintenance work for the target device, According to a data set containing a combination of device information of the target device and operation information of the target device, or a data set including a combination of device information of the target device and phenomenon information indicating a phenomenon related to the target device. It is a maintenance work support program for causing a computer to execute a learning process for learning a part to be replaced or repaired or a new part after replacement in the target device. In the learning step, based on the reward, a part to be replaced or repaired in the target device or a new part after replacement is learned.
  • the seventeenth aspect of the present disclosure it is possible to identify a part to be replaced or repaired or a new part after replacement in the target device before dispatching, and make necessary preparations for replacement or repair before dispatching. Therefore, it is possible to reduce the number of times maintenance workers are dispatched. That is, according to the seventeenth aspect of the present disclosure, it is possible to provide a maintenance work support program that supports maintenance work by reducing the number of times maintenance workers are dispatched.
  • the maintenance work support program A calculation process that calculates the reward based on the evaluation information that evaluates the work result of the maintenance work for the target device, According to a data set containing a combination of device information of the target device and operating information of the target device, or a data set including a combination of device information of the target device and phenomenon information indicating a phenomenon related to the target device. It is a maintenance work support program for causing a computer to execute a learning process for learning the work procedure of maintenance work for the target device. In the learning step, the work procedure of the maintenance work for the target device is learned based on the reward.
  • the work procedure of the maintenance work for the target device can be specified before the dispatch, and the necessary preparations for executing the work procedure can be made before the dispatch. It is possible to reduce the number of dispatches of workers. That is, it is possible to provide a maintenance work support program that supports maintenance work by reducing the number of times maintenance workers are dispatched.
  • FIG. 1 is a diagram showing an example of a system configuration of a maintenance work support system (learning phase).
  • FIG. 2 is a diagram showing an example of device operation information and device phenomenon information.
  • FIG. 3 is a diagram showing an example of the functional configuration of the diagnostic unit of the monitoring device.
  • FIG. 4 is a diagram showing an example of device information, device user information, and maintenance procedure information.
  • FIG. 5 is a diagram showing a specific example of the maintenance procedure manual.
  • FIG. 6 is a diagram showing an example of work content information.
  • FIG. 7 is a diagram showing an example of the hardware configuration of the maintenance work support device.
  • FIG. 8 is a diagram showing an example of the function of the learning phase realized in the maintenance work support device according to the first embodiment.
  • FIG. 9 is a diagram showing an example of the system configuration of the maintenance work support system (inference phase).
  • FIG. 10 is a first diagram showing details of the functional configuration of the inference unit.
  • FIG. 11 is a flowchart showing a flow of maintenance work support processing by the maintenance work support device according to the first embodiment.
  • FIG. 12 is a diagram showing an example of the function of the learning phase realized in the maintenance work support device according to the second embodiment.
  • FIG. 13 is a second diagram showing details of the functional configuration of the inference unit.
  • FIG. 14 is a flowchart showing a flow of maintenance work support processing by the maintenance work support device according to the second embodiment.
  • FIG. 15 is a diagram showing an example of the system configuration of the maintenance work support system (reinforcement learning phase).
  • FIG. 16 is a diagram showing details of the functional configuration of the reinforcement learning unit.
  • FIG. 17 is a flowchart showing the flow of reinforcement learning processing by the maintenance work support device according to the third embodiment.
  • FIG. 1 is a diagram showing an example of a system configuration of a maintenance work support system (learning phase).
  • the maintenance work support system 100 includes, for example, a monitoring device 110, a station 120, air conditioners 130_1 to 130_n, a maintenance device 140, and a maintenance work support device 160.
  • the monitoring device 110, the station 120, the maintenance device 140, and the maintenance work support device 160 are connected via the network 170.
  • the monitoring device 110 is a device that monitors the air conditioners 130_1 to 130_n and transmits a maintenance instruction to the maintenance device 140 when an abnormality occurs.
  • a monitoring program is installed in the monitoring device 110, and when the program is executed, the monitoring device 110 functions as an operation and phenomenon information acquisition unit 111, a diagnosis unit 113, and a maintenance instruction transmission unit 114.
  • the operation and phenomenon information acquisition unit 111 acquires "equipment operation information” and "equipment phenomenon information” from the air conditioner 130_1 to 130_n and the like at a predetermined cycle and stores them in the operation and phenomenon information storage unit 112 via the station 120. ..
  • the equipment operation information is information acquired by the air conditioner equipment 130_1 to 130_n regardless of whether it is in operation or stopped.
  • Equipment operation information includes abnormality code or abnormality prediction data output by the air conditioner when an abnormality occurs, cumulative operating time of the air conditioner, operation information during operation (compressor rotation speed, suction superheat, supercooling, etc.), Indoor temperature, outdoor temperature, etc. are included.
  • the abnormality prediction data is data output by the predetermined analysis software analyzing the equipment operation information of the air conditioner equipment 130_1 to 130_n and performing the abnormality diagnosis.
  • the device phenomenon information is information indicating a phenomenon related to the air conditioner devices 130_1 to 130_n.
  • the device phenomenon information includes not only the phenomenon that occurs in the air conditioner 130_1 to 130_n, but also the effect on the indoor or outdoor due to the failure or abnormality of the air conditioner 130_1 to 130_n ("not cold", “stop operation””. , "It makes a strange noise", etc.).
  • the diagnosis unit 113 can be used for other equipment operation information or equipment phenomenon information stored in the operation and phenomenon information storage unit 112. Based on this, the cause of the abnormality is diagnosed. Further, the diagnosis unit 113 notifies the maintenance instruction transmission unit 114 of information indicating the diagnosed abnormality cause (abnormality cause information).
  • the diagnosis unit 113 refers to a table in which the correspondence relationship between the abnormality code or abnormality prediction data and the abnormality location is defined in advance. By doing so, the abnormal part is predicted. Further, the diagnosis unit 113 notifies the maintenance instruction transmission unit 114 of information indicating the predicted abnormal portion (abnormal portion information).
  • the maintenance instruction transmission unit 114 transmits the information to the maintenance device 140.
  • the station 120 is connected to the air conditioner 130_1 to 130_n, and stores the device operation information and the device phenomenon information transmitted from the air conditioner 130_1 to 130_n at predetermined intervals (for example, 10 seconds) in the internal memory. Further, the station 120 transmits the device operation information and the device phenomenon information stored in the internal memory to the monitoring device 110 at predetermined intervals (for example, one hour).
  • the air conditioners 130_1 to 130_n are devices that operate to remove air pollution in each living room in the user's building and automatically adjust the temperature and humidity.
  • the air conditioners 130_1 to 130_n acquire the equipment operation information during operation and transmit it to the station 120. Further, the air conditioners 130_1 to 130_n acquire the device phenomenon information during operation and transmit it to the station 120.
  • a maintenance program is installed in the maintenance device 140, and when the program is executed, the maintenance device 140 serves as a maintenance instruction receiving unit 141, a maintenance information output unit 142, and a work content recording unit 146. Function.
  • the maintenance instruction receiving unit 141 receives the abnormality cause information or the abnormality location information transmitted from the monitoring device 110.
  • the maintenance instruction transmission unit 114 notifies the maintenance information output unit 142 of the received abnormality cause information or abnormality location information.
  • the maintenance information output unit 142 When the maintenance information output unit 142 is notified of the abnormality cause information or the abnormality location information, the maintenance information output unit 142 reads out the "equipment information" regarding the target air conditioner from the equipment information storage unit 143.
  • the device information is information indicating the attributes of the air conditioner.
  • the device information includes the device ID, device type, device capacity, power consumption, years of installation, and the like.
  • the maintenance information output unit 142 reads out the "equipment user information" regarding the target user of the air conditioning equipment from the equipment user information storage unit 144.
  • the device user information is information about the building used by the user of the air conditioner.
  • Equipment user information includes building usage, building heat load, total floor area, age, industry classification, and the like.
  • the maintenance procedure information output unit 142 reads out the "maintenance procedure information" that defines the maintenance work procedure from the maintenance procedure information storage unit 145.
  • the maintenance procedure information is information that describes the specific procedure contents of the maintenance work, and is the information that is classified and described for each abnormality cause and abnormality location.
  • the maintenance information output unit 142 notifies the maintenance worker 150 of the read device information, device user information, and maintenance procedure information. As a result, the maintenance worker 150 recognizes that an abnormality has occurred in the air conditioner, and after grasping the cause and location of the abnormality and the notified information, the air conditioners 130_1 to 130_n are installed. Dispatch to the scene.
  • the maintenance worker 150 inspects the target air-conditioning equipment (air-conditioning equipment 130_n in the example of FIG. 1) at the site according to the cause of the abnormality and the abnormal part, and replaces or repairs the defective part. To identify. Subsequently, the maintenance worker 150 prepares tools for replacing or repairing the specified parts and new parts for replacement, and then heads to the site again. After that, the maintenance worker 150 stops the operating air conditioner 130_n, repairs the failed part, or replaces the failed part with a new part. When the replacement or repair work of the parts is completed, the air conditioner 130_n is restarted, and the maintenance worker 150 describes the contents of the series of maintenance work in the maintenance work report 151. The maintenance work report 151 described by the maintenance worker 150 is input to the maintenance device 140.
  • the work content recording unit 146 stores the maintenance work content of the maintenance work report 151 input by the maintenance worker 150 in the work content information storage unit 147.
  • the maintenance work support device 160 is a device that operates in the learning phase.
  • a maintenance work support program (learning phase) is installed in the maintenance work support device 160, and when the program is executed, the maintenance work support device 160 functions as a learning information acquisition unit 161 and a learning unit 162. To do.
  • the learning information acquisition unit 161 is an example of a first acquisition unit and a second acquisition unit, and acquires learning information via the network 170.
  • the learning information acquired by the learning information acquisition unit 161 includes -Equipment operation information, equipment phenomenon information, stored in the operation and phenomenon information storage unit 112.
  • -Device information stored in the device information storage unit 143, -Device user information stored in the device user information storage unit 144, -Maintenance procedure information stored in the maintenance procedure information storage unit 145, -Work content information stored in the work content information storage unit 147, Etc. are included.
  • the learning unit 162 performs machine learning on a model for determining a part to be replaced or repaired or a new part after replacement based on the learning information acquired by the learning information acquisition unit 161. As a result, the learning unit 162 generates a learned model for determining a part to be replaced or repaired or a new part after replacement.
  • FIG. 2 is a diagram showing an example of equipment operation information and equipment phenomenon information, and is stored separately for each air conditioner (equipment operation information 200 shows, for example, equipment operation information and equipment phenomenon information of air conditioner 130_1. ).
  • the device operation information 200 includes "time information”, “abnormal code or abnormal prediction data”, “cumulative operating time”, “operating conditions”, and “room temperature” as information items.
  • "Outdoor temperature” is included.
  • "operating conditions” include “compressor speed”, “suction superheat”, “supercooling”, “discharge temperature”, “high / low pressure value”, “high pressure side temperature”, and “low pressure side temperature”.
  • "Valve opening”, “external heat exchange temperature” are included.
  • the "time information” stores the time when the air conditioner 130_1 acquires any of "abnormal code or abnormal prediction data" to "outdoor temperature”.
  • the contents acquired by the air conditioner 130_1 are stored in the "abnormal code or abnormal prediction code" to "outdoor temperature”.
  • the device phenomenon information 210 includes "occurrence time” and "phenomenon” as information items. Furthermore, the "phenomenon” includes not only the phenomenon that occurs in the air conditioner, but also the effect on the room caused by the failure or abnormality of the air conditioner ("not cold”, “stop operation”, “high electricity bill” "Etc.) is included.
  • FIG. 3 is a diagram showing an example of the functional configuration of the diagnostic unit of the monitoring device.
  • the diagnosis unit 113 includes a pretreatment unit 301, an abnormality cause diagnosis unit 302, and an abnormality location prediction unit 303.
  • the preprocessing unit 301 reads out the device operation information and the device phenomenon information from the operation and phenomenon information storage unit 112. Then, the preprocessing unit 301 extracts the information to be notified to the abnormality cause diagnosis unit 302 from the read device operation information and the device phenomenon information, and determines a part of the extracted information or a part of the extracted information. The value obtained based on the calculation result calculated by using the calculation formula of is acquired.
  • the pretreatment unit 301 extracts operating conditions such as outdoor temperature, discharge temperature, high pressure side temperature, and valve opening degree from the device operation information 200.
  • the preprocessing unit 301 acquires the time and the like at which these operating conditions or the calculation results obtained by calculating these operating conditions using a predetermined calculation formula reach a predetermined threshold value.
  • the preprocessing unit 301 extracts the information to be notified to the abnormality location prediction unit 303 from the read device operation information and the device phenomenon information, and notifies the abnormality location prediction unit 303.
  • the preprocessing unit 301 extracts an abnormality code or an abnormality prediction data from the device operation information 200. Further, the preprocessing unit 301 notifies the abnormality location prediction unit 303 of the extracted abnormality code or abnormality prediction data.
  • the abnormality cause diagnosis unit 302 outputs the abnormality cause information by inputting the information notified from the preprocessing unit 301 into the abnormality cause table.
  • the abnormality cause table "out of gas”, “gas leak”, “heat exchange pollution”, “air filter stain”, “discharge pipe abnormality”, “high pressure abnormality”, etc. are specified as the cause of the abnormality. Diagnostic conditions for diagnosing the cause of abnormality are specified.
  • the abnormality cause diagnosis unit 302 compares the diagnostic conditions specified in the abnormality cause table with the information notified by the preprocessing unit 301 to diagnose which abnormality cause applies and obtains the abnormality cause information. Output.
  • the abnormality location prediction unit 303 outputs the abnormality location information by inputting the abnormality code or abnormality prediction data notified from the preprocessing unit 301 into the abnormality location table.
  • abnormality location table "electric valve”, “compressor”, “heat exchange”, “refrigerant”, “solenoid valve”, etc. are specified as abnormality locations for each abnormality code or abnormality prediction code. The degree of certainty is specified for each part.
  • the abnormality location prediction unit 303 predicts an abnormality location with a high degree of certainty by referring to the abnormality location table corresponding to the abnormality code or the abnormality prediction data, and outputs it as abnormality location information.
  • FIG. 4 is a diagram showing an example of device information, device user information, and maintenance procedure information.
  • Equipment information is stored separately for each air conditioner
  • equipment user information is stored separately for each building where the air conditioner is installed
  • maintenance procedure information is stored separately for each type of air conditioner (
  • the device information 400 indicates, for example, the device information of the air conditioner 130_1).
  • the device information 400 includes "device ID”, “device type”, “device capacity”, “power consumption”, and “years of installation (elapsed years)" as information items. Is done.
  • the device information 400 is stored in the device information storage unit 143 when the air conditioner 130_1 is installed.
  • the device user information 410 includes "building use”, “building heat load”, “total floor area”, “age”, and “industry classification” as information items. Is included.
  • the device user information 410 is stored in the device user information storage unit 144, for example, when the air conditioners 130_1 to 130_n are installed.
  • the maintenance procedure information 420 includes "abnormal cause”, “abnormal part”, and “maintenance procedure manual” as information items.
  • the maintenance procedure information 420 is information according to the device type of the air conditioner 130_1, and the corresponding maintenance procedure manual is stored for each abnormality cause and abnormality location.
  • FIG. 5 is a diagram showing a specific example of the maintenance procedure manual, and shows the “maintenance procedure manual 1”.
  • the maintenance procedure manual 1 is used when the cause of the abnormality is a high-pressure pressure abnormality and the abnormal portion is an outdoor unit.
  • the maintenance worker 150 performs the work according to the work flow 500.
  • the high-voltage pressure switch, the high-pressure pressure sensor, and the substrate are checked in order. Identify as a power component (see work step 501). Further, when it is determined that an abnormality has occurred in the high pressure pressure sensor, the high pressure pressure sensor is specified as a part to be replaced (see work step 502). Further, when it is determined that an abnormality has occurred in the substrate, the substrate is specified as a component to be replaced (see work step 503).
  • the maintenance worker 150 proceeds to the next maintenance procedure manual (“Maintenance Procedure Manual 2”) and follows the work flow described in the next maintenance procedure manual. Do the work.
  • FIG. 6 is a diagram showing an example of work content information.
  • the work content information 600 as information items, "work date and time”, “work time”, “worker”, “target device ID”, “abnormal cause”, “abnormal part”, Includes “Maintenance Procedure Manual”, “Pre-Replacement Parts”, “Post-Replacement Parts", and "Site Conditions”.
  • the date and time when the maintenance worker 150 performed the maintenance work on site is stored.
  • the "working time” stores the time required when the maintenance worker 150 performs the maintenance work on site.
  • An identifier that identifies a worker who has performed maintenance work at the site is stored in the "worker”.
  • target device ID an identifier for identifying the air-conditioning device to be processed that the maintenance worker 150 has performed maintenance work on site is stored.
  • abnormal cause parts information about the abnormal cause identified by the maintenance worker 150 inspecting the actual air conditioning equipment at the site is stored.
  • component information about the abnormal location identified by the maintenance worker 150 inspecting the actual air conditioner at the site is stored.
  • the part information (part code) for the defective part identified by the maintenance worker 150 by inspecting the actual air conditioning equipment at the site and replaced or repaired is stored.
  • the "maintenance procedure manual” stores information (for example, maintenance procedure manual 1 or the like) for identifying the maintenance procedure manual used by the maintenance worker 150 when identifying a defective part.
  • the "site status" stores information about the site status noticed by the maintenance worker 150.
  • Information about the site situation is, for example, ⁇
  • the air conditioner was making noise.
  • An object was placed near the air conditioner, ⁇
  • the actual outside air temperature at the site was higher than the outside air temperature detected by the air conditioner.
  • Etc. which refers to information that cannot be understood from device operation information or device phenomenon information.
  • FIG. 7 is a diagram showing an example of the hardware configuration of the maintenance work support device.
  • the maintenance work support device 160 includes a CPU (Central Processing Unit) 701, a ROM (Read Only Memory) 702, and a RAM (Random Access Memory) 703.
  • the CPU 701, ROM 702, and RAM 703 form a so-called computer.
  • the maintenance work support device 160 includes an auxiliary storage device 704, a display device 705, an operation device 706, an I / F (Interface) device 707, and a drive device 708.
  • the hardware of the maintenance work support device 160 is connected to each other via the bus 709.
  • the CPU 701 is an arithmetic device that executes various programs (for example, a maintenance work support program (learning phase)) installed in the auxiliary storage device 704.
  • the ROM 702 is a non-volatile memory.
  • the ROM 702 functions as a main storage device, and stores various programs, data, and the like necessary for the CPU 701 to execute various programs installed in the auxiliary storage device 704.
  • the ROM 702 stores boot programs such as BIOS (Basic Input / Output System) and EFI (Extensible Firmware Interface).
  • the RAM 703 is a volatile memory such as a DRAM (Dynamic Random Access Memory) or a SRAM (Static Random Access Memory).
  • the RAM 703 functions as a main storage device and provides a work area that is expanded when various programs installed in the auxiliary storage device 704 are executed by the CPU 701.
  • the auxiliary storage device 704 stores various programs and information used when various programs are executed.
  • the display device 705 is a display device that displays the internal state of the maintenance work support device 160.
  • the operation device 706 is, for example, an operation device for the administrator of the maintenance work support device 160 to perform various operations on the maintenance work support device 160.
  • the I / F device 707 is a communication device for connecting to the network 170 and performing communication.
  • the drive device 708 is a device for setting the recording medium 710.
  • the recording medium 710 referred to here includes a medium such as a CD-ROM, a flexible disk, a magneto-optical disk, or the like that optically, electrically, or magnetically records information. Further, the recording medium 710 may include a semiconductor memory or the like for electrically recording information such as a ROM or a flash memory.
  • the various programs installed in the auxiliary storage device 704 are installed, for example, by setting the distributed recording medium 710 in the drive device 708 and reading the various programs recorded in the recording medium 710 by the drive device 708. Will be done.
  • various programs installed in the auxiliary storage device 704 may be installed by being downloaded from the network 170.
  • FIG. 8 is a diagram showing an example of the function of the learning phase realized in the maintenance work support device according to the first embodiment.
  • the maintenance work support device 160 has a learning information acquisition unit 161 and a learning unit 162.
  • the learning information acquisition unit 161 acquires information (learning information) used when the learning unit 162 performs machine learning. Specifically, the learning information acquisition unit 161 acquires device operation information and device phenomenon information from the operation and phenomenon information storage unit 112 of the monitoring device 110. Further, the learning information acquisition unit 161 acquires device information and device user information from the device information storage unit 143 and the device user information storage unit 144 of the maintenance device 140. Further, the learning information acquisition unit 161 acquires work content information from the work content information storage unit 147 of the maintenance device 140. Further, the learning information acquisition unit 161 notifies the learning unit 162 of the acquired learning information.
  • the learning unit 162 has a parts determination model 801 and a comparison / change unit 802.
  • the learning unit 162 executes the component determination model 801 by inputting the device operation information, the device phenomenon information, the device information, and the device user information among the notified learning information into the component determination model 801.
  • the component determination model 801 outputs component information (component code).
  • the part information (part code) output from the part determination model 801 is input to the comparison / change unit 802.
  • the comparison and change unit 802 -Part information (part code) output from the part judgment model 801 and -Part information (part code) (correct answer data) notified from the learning information acquisition unit 161 and To compare.
  • the comparison / change unit 802 changes the model parameters of the component determination model 801 according to the comparison result.
  • the part information notified from the learning information acquisition unit 161 refers to a failed part (part before replacement) that has been replaced or repaired, or a new part (part after replacement) that has been replaced.
  • the learning unit 162 ⁇ Equipment operation information, equipment phenomenon information, equipment information and equipment user information (data set), ⁇ Parts information (part code) and Machine learning is performed on the component determination model 801 that specifies the correspondence between the above. As a result, the learning unit 162 generates a learned part determination model for determining the part information (part code).
  • FIG. 8 shows a case where the learning unit 162 inputs device operation information, device phenomenon information, device information, and device user information into the component determination model 801. However, only a part of these information is input. , May be input to the component determination model 801.
  • the learning unit 162 ⁇ Equipment operation information, equipment information (data set), ⁇ Parts information (part code) and Parts determination model 801 that specifies the correspondence between ⁇ Device phenomenon information, device information (data set), ⁇ Parts information (part code) and Machine learning is performed on the component determination model 801 that specifies the correspondence between the above.
  • the learning unit 162 generates a learned part determination model for determining the part information (part code).
  • FIG. 9 is a diagram showing an example of the system configuration of the maintenance work support system (inference phase).
  • the difference from the maintenance work support system 100 (FIG. 1) in the learning phase is that the maintenance work support system 900 in the inference phase does not have the maintenance work support device 160 in the learning phase. Further, in the case of the maintenance work support system 900 in the inference phase, the maintenance work support device 910 in the inference phase is provided instead of the monitoring device 110.
  • the maintenance work support device 910 is a device that monitors the air conditioners 130_1 to 130_n and transmits a maintenance instruction to the maintenance device 140 when an abnormality occurs.
  • the maintenance work support program (inference phase) is installed in the maintenance work support device 910.
  • the maintenance work support device 910 functions as an operation and phenomenon information acquisition unit 111, a device-related information acquisition unit 911, an inference unit 912, and a maintenance instruction transmission unit 114.
  • the device-related information acquisition unit 911 acquires information (device-related information) used when the inference unit 912 performs inference processing from the maintenance device 140. Specifically, the device-related information acquisition unit 911 acquires device information and device user information from the device information storage unit 143 and the device user information storage unit 144 of the maintenance device 140. Further, the device-related information acquisition unit 911 notifies the inference unit 912 of the acquired device-related information (device information, device user information).
  • the inference unit 912 has a learned part determination model, and outputs the part information (part code) by executing the learned part determination model.
  • the inference unit 912 -Equipment operation information and equipment phenomenon information stored in the operation and phenomenon information storage unit 112, -Device-related information (device information, device user information) notified by the device-related information acquisition unit 911, By inputting, the trained part model is executed.
  • the maintenance instruction transmission unit 114 transmits the component information (component code) to the maintenance device 140.
  • FIG. 10 is a first diagram showing details of the functional configuration of the inference unit. As shown in FIG. 10, the inference unit 912 has a learned component determination model 1000.
  • the inference unit 912 reads out the device operation information and the device phenomenon information stored in the operation and phenomenon information storage unit 112.
  • the device operation information and the device phenomenon information read by the inference unit 912 are device operation information and device phenomenon information different from the device operation information and the device phenomenon information read when the learning unit 162 performs machine learning. is there.
  • the inference unit 912 acquires the device information and the device user information notified by the device-related information acquisition unit 911.
  • the inference unit 912 executes the learned part determination model 1000 by inputting the read device operation information, the device phenomenon information, the acquired device information, and the device user information into the learned part determination model 1000.
  • the learned component determination model 1000 infers component information (component code).
  • the inference unit 912 can infer the component information (part code) based on the current device operation information and device phenomenon information, and the device information and device user information of the air conditioner to be processed. Appropriate part information (part code) can be inferred.
  • the inference unit 912 inputs the device operation information, the device phenomenon information, the device information, and the device user information into the learned component determination model 1000.
  • the learned component determination model 1000 is generated based on the device operation information and the device information
  • the inference unit 912 inputs the device operation information and the device information into the trained component determination model 1000. It shall be.
  • the learned component determination model 1000 is generated based on the device phenomenon information and the device information
  • the inference unit 912 inputs the device phenomenon information and the device information into the learned component determination model 1000. It shall be.
  • part information (part code) inferred by the inference unit 912 is part information (part code) about a part to be replaced or repaired, or a new part after replacement.
  • FIG. 11 is a flowchart showing a flow of maintenance work support processing by the maintenance work support device according to the first embodiment.
  • step S1101 the learning information acquisition unit 161 acquires device operation information and device phenomenon information.
  • step S1102 the learning information acquisition unit 161 acquires work content information.
  • step S1103 the learning unit 162 executes the component determination model 801 by inputting the device operation information and the device phenomenon information into the component determination model 801. Then, the learning unit 162 converts the component information (part code) output from the component determination model 801 into the component information (component code) (correct answer data) included in the work content information acquired by the learning information acquisition unit 161. Machine learning is performed on the component determination model 801 so as to approach it. As a result, the learning unit 162 generates the learned component determination model. The generated learned component determination model is incorporated into the maintenance work support device 910 in the inference phase.
  • step S1104 the inference unit 912 acquires device operation information and device phenomenon information of the air conditioning device that is the target device.
  • step S1105 the inference unit 912 inputs the acquired device operation information and device phenomenon information into the learned component determination model 801 to execute the learned component determination model 801. As a result, the inference unit 912 infers the component information (component code).
  • step S1106 the inference unit 912 determines whether or not to end the maintenance work support process. If it is determined in step S1106 that the maintenance work support process is to be continued (NO in step S1106), the process returns to step S1104.
  • step S1106 determines whether the maintenance work support process is terminated (if YES in step S1106). If it is determined in step S1106 that the maintenance work support process is terminated (if YES in step S1106), the maintenance work support process is terminated.
  • FIG. 11 shows a case where the learning unit 162 performs batch learning for changing model parameters by collectively inputting device operation information and device phenomenon information into the component determination model 801.
  • the learning unit 162 may perform sequential learning to change the model parameters by inputting a predetermined number of device operation information and device phenomenon information into the component determination model 801.
  • the maintenance work support device is -Learn by associating device operation information and device information (or device phenomenon information and device information) with parts information (part code). -Based on the learning result, the part information (part code) is inferred from the newly acquired device operation information and device information (or device phenomenon information and device information).
  • part information (part code) indicating a failed part to be replaced or repaired or a new part after replacement is inferred. be able to.
  • the maintenance worker can specify the part information (part code) before dispatching, and can make necessary preparations for replacement or repair before dispatching. , It is possible to reduce the number of dispatches. That is, according to the first embodiment, it is possible to provide a maintenance work support device, a maintenance work support method, and a maintenance work support program that support maintenance work by reducing the number of dispatches of maintenance workers.
  • FIG. 12 is a diagram showing an example of the function of the learning phase realized in the maintenance work support device according to the second embodiment.
  • the difference from FIG. 8 is that, in the case of FIG. 12, the learning unit 162 has a work content determination model 1201 and a comparison / change unit 1202.
  • the learning unit 162 executes the work content determination model 1201 by inputting the device operation information, the device phenomenon information, the device information, and the device user information among the notified learning information into the work content determination model 1201.
  • the work content determination model 1201 outputs the maintenance procedure manual information.
  • the maintenance procedure manual information output from the work content determination model 1201 is input to the comparison / change unit 1202.
  • the comparison and change unit 1202 -Maintenance procedure manual information output from the work content judgment model 1201 and -Maintenance procedure manual information (correct answer data) notified from the learning information acquisition unit 161 and To compare.
  • the comparison / change unit 1202 changes the model parameters of the work content determination model 1201 according to the comparison result.
  • the maintenance procedure manual information notified from the learning information acquisition unit 161 is information for specifying the maintenance procedure manual, for example, "maintenance procedure manual 1". Alternatively, it may be a work flow (for example, work flow 500) included in the maintenance procedure manual.
  • the learning unit 162 ⁇ Equipment operation information, equipment phenomenon information, equipment information and equipment user information (data set), ⁇ Maintenance procedure manual information and Machine learning is performed on the work content determination model 1201 that specifies the correspondence between the two. As a result, the learning unit 162 generates a learned work content determination model for determining the maintenance procedure manual information.
  • FIG. 12 shows a case where the learning unit 162 inputs device operation information, device phenomenon information, device information, and device user information into the work content determination model 1201, but only a part of these information. May be input to the work content determination model 1201.
  • the learning unit 162 ⁇ Equipment operation information, equipment information (data set), ⁇ Maintenance procedure manual information and Work content determination model 1201 that identifies the correspondence between ⁇ Device phenomenon information, device information (data set), ⁇ Maintenance procedure manual information and Machine learning is performed on the work content determination model 1201 that specifies the correspondence between the two.
  • the learning unit 162 generates a learned work content determination model for determining the maintenance procedure manual information.
  • FIG. 13 is a second diagram showing details of the functional configuration of the inference unit. The difference from FIG. 10 is that in the case of FIG. 13, the inference unit 1310 has the learned work content determination model 1320.
  • the inference unit 1310 executes the learned work content determination model 1320 by inputting the read device operation information and device phenomenon information, the acquired device information, and the device user information into the learned work content determination model 1320. As a result, the learned work content determination model 1320 infers the maintenance procedure manual information.
  • the inference unit 1310 is appropriate. Maintenance procedure manual Information can be inferred.
  • the inference unit 1310 inputs the device operation information, the device phenomenon information, the device information, and the device user information into the learned work content determination model 1320.
  • the learned work content determination model 1320 is generated based on the device operation information and the device information
  • the inference unit 1310 uses the device operation information and the device information as the learned work content determination model 1320. Shall be entered in.
  • the learned work content determination model 1320 is generated based on the device phenomenon information and the device information
  • the inference unit 1310 uses the device phenomenon information and the device information as the learned work content determination model 1320. Shall be entered in.
  • the maintenance procedure manual information inferred by the inference unit 1310 is information for specifying the maintenance procedure manual or a work flow included in the maintenance procedure manual.
  • FIG. 14 is a flowchart showing a flow of maintenance work support processing by the maintenance work support device according to the second embodiment. The difference from the flowchart shown in FIG. 11 is steps S1401 and S1402.
  • step S1401 the learning unit 162 inputs the device operation information and the device phenomenon information into the work content determination model 1201 to execute the work content determination model 1201. Then, the learning unit 162 sets the work content determination model 1201 so that the maintenance procedure manual information output from the work content determination model 1201 approaches the maintenance procedure manual information (correct answer data) included in the acquired maintenance procedure information. Perform machine learning. As a result, the learning unit 162 generates the learned work content determination model. The generated learned work content determination model is incorporated into the maintenance work support device 910 in the inference phase.
  • step S1402 the inference unit 912 inputs the acquired device operation information and device phenomenon information into the learned work content determination model 1320 to execute the learned work content determination model 1320.
  • the reasoning unit 912 infers the maintenance procedure manual information indicating the maintenance procedure to be executed by the maintenance worker 150.
  • the maintenance work support device is -Learn by associating device operation information and device information (or device phenomenon information and device information) with work procedure information. -Based on the learning results, the maintenance procedure manual information is inferred from the newly acquired device operation information and device information (or device phenomenon information and device information).
  • the maintenance work support device Accordingly, according to the maintenance work support device according to the second embodiment, it is possible to infer the maintenance procedure manual information indicating the maintenance procedure to be executed by the maintenance worker when an abnormality occurs.
  • the maintenance procedure manual information can be specified before the dispatch, and the necessary preparations for executing the work procedure can be made before the dispatch. Can reduce the number of dispatches. That is, according to the second embodiment, it is possible to provide a maintenance work support device, a maintenance work support method, and a maintenance work support program that support maintenance work by reducing the number of dispatches of maintenance workers.
  • FIG. 15 is a diagram showing an example of the system configuration of the maintenance work support system (reinforcement learning phase). The difference from FIG. 1 is the maintenance work support device 1500.
  • the maintenance work support program is installed in the maintenance work support device 1500.
  • the maintenance work support device 1500 functions as an operation and phenomenon information acquisition unit 111, a reinforcement learning unit 1510, a maintenance instruction transmission unit 114, a work evaluation information acquisition unit 1520, and a reward calculation unit 1530.
  • the reinforcement learning unit 1510 reads the device operation information and the device phenomenon information from the operation and phenomenon information storage unit 112, and performs reinforcement learning on a model for determining a part to be replaced or repaired or a new part after replacement.
  • the reinforcement learning unit 1510 performs reinforcement learning so that the reward output from the reward calculation unit 1530 is maximized. Further, the reinforcement learning unit 1510 transmits the component information (part code) acquired by performing the reinforcement learning to the maintenance instruction transmission unit 114.
  • the work evaluation information acquisition unit 1520 acquires work evaluation information for calculating a reward from the maintenance device 140 via the network 170.
  • the work evaluation information is information for evaluating the work result of maintenance work for the air conditioner to be processed. Further, the work evaluation information acquisition unit 1520 notifies the reward calculation unit 1530 of the acquired work evaluation information.
  • the reward calculation unit 1530 is an example of the calculation unit, and calculates the reward used by the reinforcement learning unit 1510 when performing reinforcement learning based on the work evaluation information.
  • FIG. 16 is a diagram showing details of the functional configuration of the reinforcement learning unit.
  • the reinforcement learning unit 1510 has a component determination model 1600.
  • the reinforcement learning unit 1510 changes the model parameters of the component determination model 1600 so that the reward calculated by the reward calculation unit 1530 is maximized. Further, the reinforcement learning unit 1510 inputs the device operation information, the device phenomenon information, the device information, and the device user information read from the operation and phenomenon information storage unit 112 into the component determination model 1600 whose model parameters have been changed. Then, the part determination model 1600 is executed. As a result, the component determination model 1600 outputs component information.
  • the reinforcement learning unit 1510 performs reinforcement learning on the part determination model 1600 so that the reward calculated based on the work evaluation information when the maintenance work is performed according to the previous part information is maximized. As a result, the reinforcement learning unit 1510 can output appropriate component information.
  • FIG. 17 is a flowchart showing the flow of reinforcement learning processing by the maintenance work support device according to the third embodiment.
  • step S1701 the reinforcement learning unit 1510 acquires device operation information and device phenomenon information.
  • step S1702 the work evaluation information acquisition unit 1520 acquires the work evaluation information.
  • step S1703 the remuneration calculation unit 1530 calculates the remuneration based on the work evaluation information.
  • step S1704 the reward calculation unit 1530 determines whether or not the calculated reward is equal to or greater than a predetermined threshold value. If it is determined in step S1704 that the calculated reward is less than a predetermined threshold value (NO in step S1704), the process proceeds to step S1705.
  • step S1705 the reinforcement learning unit 1510 performs machine learning on the part determination model 1600 so that the calculated reward is maximized.
  • step S1706 the reinforcement learning unit 1510 executes the component determination model 1600 by inputting the acquired device operation information and device phenomenon information into the component determination model 1600. As a result, the reinforcement learning unit 1510 outputs the component information.
  • step S1701 the maintenance instruction transmission unit 114 transmits the component information to the maintenance device 140, and returns to step S1701.
  • step S1704 if it is determined in step S1704 that the calculated reward is equal to or greater than a predetermined threshold value (if YES in step S1704), the reinforcement learning process is terminated.
  • the maintenance work support device is -Calculate the reward for parts information based on the work evaluation information.
  • reinforcement learning is performed on the parts judgment model so that the calculated reward is maximized.
  • the component judgment model for which reinforcement learning has been performed is executed, and component information (part code) is output.
  • part information (part code) indicating a part to be replaced or repaired or a new part after replacement is output. Can be done.
  • the maintenance worker can specify the part information (part code) before dispatching and can make necessary preparations for replacement or repair before dispatching. , It is possible to reduce the number of dispatches. That is, according to the third embodiment, it is possible to provide a maintenance work support device, a maintenance work support method, and a maintenance work support program that support maintenance work by reducing the number of dispatches of maintenance workers.
  • the details of the model (parts judgment model, work content judgment model) used when performing machine learning are not particularly mentioned, but any kind of model can be used as the model used when performing machine learning. It shall be applied. Specifically, any kind of model such as an NN (Neural Network) model, a random forest model, and an SVM (Support Vector Machine) model is applied.
  • NN Neuronal Network
  • SVM Small Vector Machine
  • the details of the change method when changing the model parameters based on the comparison results by the comparison and change parts are not particularly mentioned, but the model parameters by the comparison and change parts are not particularly mentioned.
  • the method of changing is based on the type of model.
  • the details of the remuneration calculation method by the remuneration calculation unit are not particularly mentioned, but the remuneration calculation method by the remuneration calculation unit is arbitrary.
  • Maintenance work support system 110 Monitoring device 120: Station 130_1 to 130_n: Air conditioning equipment 140: Maintenance equipment 160: Maintenance work support device 161: Learning information acquisition unit 162: Learning unit 200: Equipment operation information 210: Equipment phenomenon Information 400: Equipment information 410: Equipment user information 420: Maintenance procedure information 600: Work content information 801: Parts determination model 802: Comparison and change unit 910: Maintenance work support device 911: Equipment-related information acquisition unit 912: Inference unit 1000 : Learned parts judgment model 1201: Work content judgment model 1202: Comparison and change unit 1310: Reasoning unit 1320: Learned work content judgment model 1500: Maintenance work support device 1510: Reinforcement learning unit 1520: Work evaluation information acquisition unit 1530: Reward calculation unit 1600: Parts judgment model

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援装置、保守作業支援方法及び保守作業支援プログラムを提供する。保守作業支援装置は、対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを取得する第１の取得部と、前記対象機器に対して保守作業者が行った保守作業の内容であって、交換または修理した部品あるいは交換後の新たな部品が記録された作業内容情報を取得する第２の取得部と、前記第１の取得部により取得されたデータセットと、前記第２の取得部により取得された作業内容情報に記録された、前記交換または修理した部品あるいは交換後の新たな部品とを関連付けて学習する学習部とを有する。

Description

保守作業支援装置、保守作業支援方法及び保守作業支援プログラム
　本開示は、保守作業支援装置、保守作業支援方法及び保守作業支援プログラムに関する。
　従来より、稼動中の空調機器の運転情報等を収集しておき、異常が発生した場合に、異常原因を診断する診断技術や、空調機器が出力する異常コード等に基づいて、異常箇所を予測する予測技術が提案されている。これらの技術によれば、保守作業者は、異常発生時に、診断された異常原因や予測された異常箇所に応じた点検作業を行うことで、故障部品の特定し、故障部品を交換または修理する保守作業を、効率的に行うことができる。
特開２００４－２６５１５９号公報
　一方で、異常発生時に、事前に異常原因や異常箇所を把握していたとしても、保守作業者が実際に現場に出動しない限り、故障部品を特定することまではできない。このため、従来の診断技術及び予測技術では、保守作業者の出動回数を減らすことはできない。
　本開示は、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援装置、保守作業支援方法及び保守作業支援プログラムを提供する。
　本開示の第１の態様による保守作業支援装置は、
　対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを取得する第１の取得部と、
　前記対象機器に対して保守作業者が行った保守作業の内容であって、交換または修理した部品あるいは交換後の新たな部品が記録された作業内容情報を取得する第２の取得部と、
　前記第１の取得部により取得されたデータセットと、前記第２の取得部により取得された作業内容情報に記録された、前記交換または修理した部品あるいは交換後の新たな部品とを関連付けて学習する学習部とを有する。
　本開示の第１の態様によれば、対象機器において交換または修理すべき部品あるいは交換後の新たな部品を出動前に特定することができ、出動前に交換または修理に必要な準備を行うことができるため、保守作業者の出動回数を減らすことが可能となる。つまり、本開示の第１の態様によれば、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援装置を提供することができる。
　また、本開示の第２の態様による保守作業支援装置は、
　対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを取得する第１の取得部と、
　前記対象機器に対して保守作業者が行った保守作業の内容であって、作業手順が記録された作業内容情報を取得する第２の取得部と、
　前記第１の取得部により取得されたデータセットと、前記第２の取得部により取得された作業内容情報に記録された前記作業手順とを関連付けて学習する学習部とを有する。
　本開示の第２の態様によれば、対象機器に対する保守作業の作業手順を出動前に特定することができ、出動前に作業手順を実行するのに必要な準備を行うことができるため、保守作業者の出動回数を減らすことが可能となる。つまり、本開示の第２の態様によれば、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援装置を提供することができる。
　また、本開示の第３の態様による保守作業支援装置は、
　対象機器に対する保守作業の作業結果を評価する評価情報に基づいて報酬を算出する算出部と、
　前記対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、前記対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットに従って、前記対象機器において交換または修理すべき部品あるいは交換後の新たな部品を学習する学習部と、を有し、
　前記学習部は、前記報酬に基づいて、前記対象機器において交換または修理すべき部品あるいは交換後の新たな部品を学習する。
　本開示の第３の態様によれば、対象機器において交換または修理すべき部品あるいは交換後の新たな部品を出動前に特定することができ、出動前に交換または修理に必要な準備を行うことができるため、保守作業者の出動回数を減らすことが可能となる。つまり、本開示の第３の態様によれば、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援装置を提供することができる。
　本開示の第４の態様による保守作業支援装置は、
　対象機器に対する保守作業の作業結果を評価する評価情報に基づいて報酬を算出する算出部と、
　前記対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、前記対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットに従って、前記対象機器に対する保守作業の作業手順を学習する学習部と、を有し、
　前記学習部は、前記報酬に基づいて、前記対象機器に対する保守作業の作業手順を学習する。
　本開示の第４の態様によれば、対象機器に対する保守作業の作業手順を出動前に特定することができ、出動前に作業手順を実行するのに必要な準備を行うことができるため、保守作業者の出動回数を減らすことが可能となる。つまり、本開示の第４の態様によれば、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援装置を提供することができる。
　また、本開示の第５の態様は、第１乃至第４のいずれかの態様に記載の保守作業支援装置であって、前記機器情報は、前記対象機器の種別を含む。
　また、本開示の第６の態様は、第１乃至第４のいずれかの態様に記載の保守作業支援装置であって、
　前記運転情報は、前記対象機器が出力した異常コード、異常予知データ、運転条件、室内温度、室外温度、累積稼働時間のいずれかを含む。
　また、本開示の第７の態様は、第６の態様に記載の保守作業支援装置であって、
　前記対象機器は空調機器であり、前記運転条件は、圧縮機回転数、吸入過熱度、過冷却度、吐出温度、高低圧力値、高圧側温度、低圧側温度、弁開度、外熱交温度のいずれかを含む。
　また、本開示の第８の態様は、第１乃至第４のいずれかの態様に記載の保守作業支援装置であって、
　前記現象情報は、前記対象機器の故障や異常によって発生する現象を示す情報を含む。
　また、本開示の第９の態様は、第１の態様に記載の保守作業支援装置であって、
　対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを新たに取得し、前記学習部による学習の結果に基づき、該新たに取得したデータセットから、該対象機器において交換または修理すべき部品あるいは交換後の新たな部品を推論する推論部を更に有する。
　また、本開示の第１０の態様は、第２の態様に記載の保守作業支援装置であって、対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを新たに取得し、前記学習部による学習の結果に基づき、該新たに取得したデータセットから、該対象機器に対する保守作業の作業手順を推論する推論部を更に有する。
　また、本開示の第１１の態様による保守作業支援方法は、
　対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを取得する第１の取得工程と、
　前記対象機器に対して保守作業者が行った保守作業の内容であって、交換または修理した部品あるいは交換後の新たな部品が記録された作業内容情報を取得する第２の取得工程と、
　前記第１の取得工程において取得されたデータセットと、前記第２の取得工程において取得された作業内容情報に記録された、前記交換または修理した部品あるいは交換後の新たな部品とを関連付けて学習する学習工程とを有する。
　本開示の第１１の態様によれば、対象機器において交換または修理すべき部品あるいは交換後の新たな部品を出動前に特定することができ、出動前に交換または修理に必要な準備を行うことができるため、保守作業者の出動回数を減らすことが可能となる。つまり、本開示の第１１の態様によれば、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援方法を提供することができる。
　また、本開示の第１２の態様による保守作業支援方法は、
　対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを取得する第１の取得工程と、
　前記対象機器に対して保守作業者が行った保守作業の内容であって、作業手順が記録された作業内容情報を取得する第２の取得工程と、
　前記第１の取得工程において取得されたデータセットと、前記第２の取得工程において取得された作業内容情報に記録された前記作業手順とを関連付けて学習する学習工程とを有する。
　本開示の第１２の態様によれば、対象機器に対する保守作業の作業手順を出動前に特定することができ、出動前に作業手順を実行するのに必要な準備を行うことができるため、保守作業者の出動回数を減らすことが可能となる。つまり、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援方法を提供することができる。
　また、本開示の第１３の態様による保守作業支援方法は、
　対象機器に対する保守作業の作業結果を評価する評価情報に基づいて報酬を算出する算出工程と、
　前記対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、前記対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットに従って、前記対象機器において交換または修理すべき部品あるいは交換後の新たな部品を学習する学習工程と、を有し、
　前記学習工程は、前記報酬に基づいて、前記対象機器において交換または修理すべき部品あるいは交換後の新たな部品を学習する。
　本開示の第１３の態様によれば、対象機器において交換または修理すべき部品あるいは交換後の新たな部品を出動前に特定することができ、出動前に交換または修理に必要な準備を行うことができるため、保守作業者の出動回数を減らすことが可能となる。つまり、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援方法を提供することができる。
　また、本開示の第１４の態様による保守作業支援方法は、
　対象機器に対する保守作業の作業結果を評価する評価情報に基づいて報酬を算出する算出工程と、
　前記対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、前記対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットに従って、前記対象機器に対する保守作業の作業手順を学習する学習工程と、を有し、
　前記学習工程は、前記報酬に基づいて、前記対象機器に対する保守作業の作業手順を学習する。
　本開示の第１４の態様によれば、対象機器に対する保守作業の作業手順を出動前に特定することができ、出動前に作業手順を実行するのに必要な準備を行うことができるため、保守作業者の出動回数を減らすことが可能となる。つまり、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援方法を提供することができる。
　また、本開示の第１５の態様による保守作業支援プログラムは、
　対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを取得する第１の取得工程と、
　前記対象機器に対して保守作業者が行った保守作業の内容であって、交換または修理した部品あるいは交換後の新たな部品が記録された作業内容情報を取得する第２の取得工程と、
　前記第１の取得工程において取得されたデータセットと、前記第２の取得工程において取得された作業内容情報に記録された、前記交換または修理した部品あるいは交換後の新たな部品とを関連付けて学習する学習工程と
　をコンピュータに実行させる。
　本開示の第１５の態様によれば、対象機器において交換または修理すべき部品あるいは交換後の新たな部品を出動前に特定することができ、出動前に交換または修理に必要な準備を行うことができるため、保守作業者の出動回数を減らすことが可能となる。つまり、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援プログラムを提供することができる。
　また、本開示の第１６の態様による保守作業支援プログラムは、
　対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを取得する第１の取得工程と、
　前記対象機器に対して保守作業者が行った保守作業の内容であって、作業手順が記録された作業内容情報を取得する第２の取得工程と、
　前記第１の取得工程において取得されたデータセットと、前記第２の取得工程において取得された作業内容情報に記録された前記作業手順とを関連付けて学習する学習工程と
　をコンピュータに実行させる。
　本開示の第１６の態様によれば、対象機器に対する保守作業の作業手順を出動前に特定することができ、出動前に作業手順を実行するのに必要な準備を行うことができるため、保守作業者の出動回数を減らすことが可能となる。つまり、本開示の第１６の態様によれば、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援プログラムを提供することができる。
　また、本開示の第１７の態様による保守作業支援プログラムは、
　対象機器に対する保守作業の作業結果を評価する評価情報に基づいて報酬を算出する算出工程と、
　前記対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、前記対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットに従って、前記対象機器において交換または修理すべき部品あるいは交換後の新たな部品を学習する学習工程と、をコンピュータに実行させるための保守作業支援プログラムであって、
　前記学習工程は、前記報酬に基づいて、前記対象機器において交換または修理すべき部品あるいは交換後の新たな部品を学習する。
　本開示の第１７の態様によれば、対象機器において交換または修理すべき部品あるいは交換後の新たな部品を出動前に特定することができ、出動前に交換または修理に必要な準備を行うことができるため、保守作業者の出動回数を減らすことが可能となる。つまり、本開示の第１７の態様によれば、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援プログラムを提供することができる。
　また、本開示の第１８の態様による保守作業支援プログラムは、
　対象機器に対する保守作業の作業結果を評価する評価情報に基づいて報酬を算出する算出工程と、
　前記対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、前記対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットに従って、前記対象機器に対する保守作業の作業手順を学習する学習工程と、をコンピュータに実行させるための保守作業支援プログラムであって、
　前記学習工程は、前記報酬に基づいて、前記対象機器に対する保守作業の作業手順を学習する。
　本開示の第１８の態様によれば、対象機器に対する保守作業の作業手順を出動前に特定することができ、出動前に作業手順を実行するのに必要な準備を行うことができるため、保守作業者の出動回数を減らすことが可能となる。つまり、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援プログラムを提供することができる。
図１は、保守作業支援システム（学習フェーズ）のシステム構成の一例を示す図である。 図２は、機器運転情報及び機器現象情報の一例を示す図である。 図３は、監視装置の診断部の機能構成の一例を示す図である。 図４は、機器情報、機器利用者情報、保守手順情報の一例を示す図である。 図５は、保守手順マニュアルの具体例を示す図である。 図６は、作業内容情報の一例を示す図である。 図７は、保守作業支援装置のハードウェア構成の一例を示す図である。 図８は、第１の実施形態に係る保守作業支援装置において実現される学習フェーズの機能の一例を示す図である。 図９は、保守作業支援システム（推論フェーズ）のシステム構成の一例を示す図である。 図１０は、推論部の機能構成の詳細を示す第１の図である。 図１１は、第１の実施形態に係る保守作業支援装置による保守作業支援処理の流れを示すフローチャートである。 図１２は、第２の実施形態に係る保守作業支援装置において実現される学習フェーズの機能の一例を示す図である。 図１３は、推論部の機能構成の詳細を示す第２の図である。 図１４は、第２の実施形態に係る保守作業支援装置による保守作業支援処理の流れを示すフローチャートである。 図１５は、保守作業支援システム（強化学習フェーズ）のシステム構成の一例を示す図である。 図１６は、強化学習部の機能構成の詳細を示す図である。 図１７は、第３の実施形態に係る保守作業支援装置による強化学習処理の流れを示すフローチャートである。
　以下、各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省く。
　［第１の実施形態］
　＜保守作業支援システム（学習フェーズ）のシステム構成＞
　はじめに、学習フェーズにおける保守作業支援システムのシステム構成について説明する。図１は、保守作業支援システム（学習フェーズ）のシステム構成の一例を示す図である。図１に示すように、保守作業支援システム１００は、例えば、監視装置１１０と、ステーション１２０と、空調機器１３０＿１～１３０＿ｎと、保守用装置１４０と、保守作業支援装置１６０とを有する。なお、学習フェーズにおける保守作業支援システム１００において、監視装置１１０と、ステーション１２０と、保守用装置１４０と、保守作業支援装置１６０とは、ネットワーク１７０を介して接続される。
　監視装置１１０は、空調機器１３０＿１～１３０＿ｎを監視し、異常が発生した場合に、保守用装置１４０に保守指示を送信する装置である。
　監視装置１１０には、監視プログラムがインストールされており、当該プログラムが実行されることで、監視装置１１０は、運転及び現象情報取得部１１１、診断部１１３、保守指示送信部１１４として機能する。
　運転及び現象情報取得部１１１は、ステーション１２０を介して、空調機器１３０＿１～１３０＿ｎ等から「機器運転情報」や「機器現象情報」を所定周期で取得し、運転及び現象情報格納部１１２に格納する。
　機器運転情報とは、運転中か停止中かに関わらず空調機器１３０＿１～１３０＿ｎにおいて取得される情報である。機器運転情報には、異常発生時に空調機器が出力する異常コードまたは異常予知データや、空調機器の累積稼働時間、運転中の運転情報（圧縮機回転数、吸入過熱度、過冷却度等）、室内温度、室外温度等が含まれる。なお、異常予知データとは、所定の解析ソフトが、空調機器１３０＿１～１３０＿ｎの機器運転情報を分析して、異常診断を行うことで出力されるデータである。
　また、機器現象情報とは、空調機器１３０＿１～１３０＿ｎに関する現象を示す情報である。機器現象情報には、空調機器１３０＿１～１３０＿ｎに起こる現象だけでなく、空調機器１３０＿１～１３０＿ｎの故障や異常が原因となって室内または室外に対して及ぼす影響（"冷えない"、"運転停止"、"異音がする"等）を示す情報が含まれる。
　診断部１１３は、運転及び現象情報格納部１１２に、異常コードまたは異常予知データが格納された場合に、運転及び現象情報格納部１１２に格納されている、他の機器運転情報や機器現象情報に基づいて、異常原因を診断する。また、診断部１１３は、診断した異常原因を示す情報（異常原因情報）を、保守指示送信部１１４に通知する。
　あるいは、診断部１１３は、運転及び現象情報格納部１１２に、異常コードまたは異常予知データが格納された場合に、異常コードまたは異常予知データと異常箇所との対応関係を予め規定したテーブルを参照することで異常箇所を予測する。また、診断部１１３は、予測した異常箇所を示す情報（異常箇所情報）を、保守指示送信部１１４に通知する。
　保守指示送信部１１４は、診断部１１３より、異常原因情報または異常箇所情報が通知された場合に、当該情報を、保守用装置１４０に送信する。
　ステーション１２０は、空調機器１３０＿１～１３０＿ｎと接続され、空調機器１３０＿１～１３０＿ｎから所定周期（例えば、１０秒）ごとに送信される機器運転情報や機器現象情報を、内部メモリに記憶する。また、ステーション１２０は、内部メモリに記憶した機器運転情報や機器現象情報を、所定周期（例えば、１時間）ごとに、監視装置１１０に送信する。
　空調機器１３０＿１～１３０＿ｎは、利用者の建物内の各居室の空気の汚れを除去し、温度、湿度を自動的に調整するよう動作する機器である。空調機器１３０＿１～１３０＿ｎは、運転中、機器運転情報を取得し、ステーション１２０に送信する。また、空調機器１３０＿１～１３０＿ｎは、運転中、機器現象情報を取得し、ステーション１２０に送信する。
　保守用装置１４０には、保守用プログラムがインストールされており、当該プログラムが実行されることで、保守用装置１４０は、保守指示受信部１４１、保守用情報出力部１４２、作業内容記録部１４６として機能する。
　保守指示受信部１４１は、監視装置１１０から送信された、異常原因情報または異常箇所情報を受信する。保守指示送信部１１４は、受信した異常原因情報または異常箇所情報を保守用情報出力部１４２に通知する。
　保守用情報出力部１４２は、異常原因情報または異常箇所情報が通知されると、対象となる空調機器に関する「機器情報」を、機器情報格納部１４３より読み出す。機器情報とは、空調機器の属性を示す情報である。機器情報には、機器ＩＤ、機器種別、機器能力、消費電力、設置年数等が含まれる。
　また、保守用情報出力部１４２は、異常原因情報または異常箇所情報が通知されると、対象となる空調機器の利用者に関する「機器利用者情報」を、機器利用者情報格納部１４４より読み出す。機器利用者情報とは、空調機器の利用者が利用する建物に関する情報である。機器利用者情報には、建物用途、建物熱負荷、延べ床面積、築年数、業種分類等が含まれる。
　また、保守用情報出力部１４２は、異常原因情報または異常箇所情報が通知されると、保守作業の手順を定めた「保守手順情報」を、保守手順情報格納部１４５より読み出す。保守手順情報とは、保守作業の具体的な手順内容を記載した情報であり、異常原因や異常箇所ごとに分類して記載された情報である。
　更に、保守用情報出力部１４２は、読み出した機器情報、機器利用者情報、保守手順情報を、保守作業者１５０に報知する。これにより、保守作業者１５０は、空調機器に異常が発生したことを認識するとともに、異常原因や異常箇所、及び、報知された情報を把握したうえで、空調機器１３０＿１～１３０＿ｎが設置されている現場に出動する。
　なお、保守作業者１５０は、現場にて対象となる空調機器（図１の例では、空調機器１３０＿ｎ）について、異常原因や異常箇所に応じた点検を行うことで、交換または修理すべき故障部品を特定する。続いて、保守作業者１５０は、特定した部品を交換または修理するための工具や、交換するための新たな部品を取りそろえたうえで、再度、現場に向かう。その後、保守作業者１５０は、運転中の空調機器１３０＿ｎを停止させ、故障した部品を修理したり、新たな部品に交換する作業を行う。部品の交換または修理作業が終了すると、空調機器１３０＿ｎを再稼働させるとともに、保守作業者１５０は、一連の保守作業の内容を、保守作業報告書１５１に記載する。なお、保守作業者１５０により記載された保守作業報告書１５１は、保守用装置１４０に入力される。
　作業内容記録部１４６は、保守作業者１５０により入力された、保守作業報告書１５１の保守作業内容を、作業内容情報格納部１４７に格納する。
　保守作業支援装置１６０は、学習フェーズにおいて動作する装置である。保守作業支援装置１６０には、保守作業支援プログラム（学習フェーズ）がインストールされており、当該プログラムが実行されることで、保守作業支援装置１６０は、学習用情報取得部１６１、学習部１６２として機能する。
　学習用情報取得部１６１は、第１の取得部及び第２の取得部の一例であり、ネットワーク１７０を介して学習用情報を取得する。学習用情報取得部１６１が取得する学習用情報には、
・運転及び現象情報格納部１１２に格納された機器運転情報、機器現象情報、
・機器情報格納部１４３に格納された機器情報、
・機器利用者情報格納部１４４に格納された機器利用者情報、
・保守手順情報格納部１４５に格納された保守手順情報、
・作業内容情報格納部１４７に格納された作業内容情報、
等が含まれる。
　学習部１６２は、学習用情報取得部１６１が取得した学習用情報に基づいて、交換または修理すべき部品あるいは交換後の新たな部品を判定するモデルについて機械学習を行う。これにより、学習部１６２は、交換または修理すべき部品あるいは交換後の新たな部品を判定する学習済みモデルを生成する。
　＜機器運転情報及び機器現象情報の説明＞
　次に、運転及び現象情報格納部１１２に格納される機器運転情報及び機器現象情報について説明する。図２は、機器運転情報及び機器現象情報の一例を示す図であり、空調機器ごとに別々に格納される（機器運転情報２００は、例えば、空調機器１３０＿１の機器運転情報及び機器現象情報を示す）。
　図２の２ａに示すように、機器運転情報２００には、情報の項目として、"時刻情報"、"異常コードｏｒ異常予知データ"、"累積稼働時間"、"運転条件"、"室内温度"、"室外温度"が含まれる。更に、"運転条件"には、"圧縮機回転数"、"吸入過熱度"、"過冷却度"、"吐出温度"、"高低圧力値"、"高圧側温度"、"低圧側温度"、"弁開度"、"外熱交温度"が含まれる。
　機器運転情報２００のうち、"時刻情報"には、空調機器１３０＿１が、"異常コードｏｒ異常予知データ"～"室外温度"のいずれかを取得した時刻が格納される。
　"異常コードｏｒ異常予知コード"～"室外温度"は、空調機器１３０＿１が取得した内容が格納される。
　また、図２の２ｂに示すように、機器現象情報２１０には、情報の項目として、"発生時刻"、"現象"が含まれる。更に、"現象"には、空調機器に発生する現象だけでなく、空調機器の故障や異常が原因となって室内に対し及ぼす影響（"冷えない"、"運転停止"、"電気代が高い"等）が含まれる。
　"発生時刻"には、"現象"に含まれる各現象のうち、いずれかの現象が発生した時刻が格納される。"冷えない"、"運転停止"、"電気代が高い"等には、それぞれ、各現象が発生したことを示す情報が格納される。
　＜監視装置の診断部の機能構成の詳細＞
　次に、監視装置１１０に含まれる各部のうち、診断部１１３の機能構成の詳細について説明する。図３は、監視装置の診断部の機能構成の一例を示す図である。図３に示すように、診断部１１３は、前処理部３０１、異常原因診断部３０２、異常箇所予測部３０３を有する。
　前処理部３０１は、運転及び現象情報格納部１１２より、機器運転情報及び機器現象情報を読み出す。そして、前処理部３０１は、読み出した機器運転情報及び機器現象情報より、異常原因診断部３０２に通知する情報を抽出するとともに、抽出した情報の一部、または、抽出した情報の一部を所定の演算式を用いて演算した演算結果に基づいて得られる値を取得する。
　例えば、前処理部３０１は、機器運転情報２００より、室外温度、吐出温度、高圧側温度、弁開度等の運転条件を抽出する。また、前処理部３０１は、これらの運転条件またはこれらの運転条件を所定の演算式を用いて演算した演算結果が、所定の閾値に達している時間等を取得する。また、前処理部３０１は、例えば、機器現象情報より、現象＝"冷えない"が発生したことを示す情報を抽出する。更に、前処理部３０１は、抽出した情報または取得した情報を、異常原因診断部３０２に通知する。
　あるいは、前処理部３０１は、読み出した機器運転情報及び機器現象情報より、異常箇所予測部３０３に通知する情報を抽出し、異常箇所予測部３０３に通知する。
　例えば、前処理部３０１は、機器運転情報２００より、異常コードまたは異常予知データを抽出する。また、前処理部３０１は、抽出した異常コードまたは異常予知データを、異常箇所予測部３０３に通知する。
　異常原因診断部３０２は、前処理部３０１より通知された情報を、異常原因テーブルに入力することで、異常原因情報を出力する。異常原因テーブルには、異常原因として、"ガス欠""ガス漏れ"、"熱交汚れ"、"エアフィルタ汚れ"、"吐出管異常"、"高圧異常"等が規定されており、それぞれの異常原因を診断するための診断条件が規定されている。
　異常原因診断部３０２は、異常原因テーブルに規定された診断条件と、前処理部３０１より通知された情報とを対比することで、いずれの異常原因に当てはまるかを診断して、異常原因情報を出力する。
　異常箇所予測部３０３は、前処理部３０１より通知された異常コードまたは異常予知データを、異常箇所テーブルに入力することで、異常箇所情報を出力する。異常箇所テーブルには、異常コードまたは異常予知コードごとに、異常箇所として、"電動弁"、"圧縮機"、"熱交"、"冷媒"、"電磁弁"等が規定されており、異常箇所ごとに、確信度が規定されている。
　異常箇所予測部３０３は、異常コードまたは異常予知データに応じた異常箇所テーブルを参照することで、確信度の高い異常箇所を予測し、異常箇所情報として出力する。
　＜機器情報、機器利用者情報、保守手順情報の説明＞
　次に、機器情報格納部１４３に格納される機器情報と、機器利用者情報格納部１４４に格納される機器利用者情報と、保守手順情報格納部１４５に格納される保守手順情報とについて説明する。
　図４は、機器情報、機器利用者情報、保守手順情報の一例を示す図である。機器情報は、空調機器ごとに別々に格納され、機器利用者情報は、空調機器が設置された建物ごとに別々に格納され、保守手順情報は、空調機器の種別ごとに別々に格納される（機器情報４００は、例えば、空調機器１３０＿１の機器情報を示す）。
　図４の４ａに示すように、機器情報４００には、情報の項目として、"機器ＩＤ"、"機器種別"、"機器能力"、"消費電力"、"設置年数（経過年数）"が含まれる。機器情報４００は、空調機器１３０＿１が設置された際に、機器情報格納部１４３に格納される。
　また、図４の４ｂに示すように、機器利用者情報４１０には、情報の項目として、"建物用途"、"建物熱負荷"、"延べ床面積"、"築年数"、"業種分類"が含まれる。機器利用者情報４１０は、例えば、空調機器１３０＿１～１３０＿ｎが設置された際に、機器利用者情報格納部１４４に格納される。
　また、図４の４ｃに示すように、保守手順情報４２０には、情報の項目として、"異常原因"、"異常箇所"、"保守手順マニュアル"が含まれる。保守手順情報４２０は、空調機器１３０＿１の機器種別に応じた情報であり、異常原因、異常箇所ごとに、対応する保守手順マニュアルが格納される。
　なお、図４の４ｃの例は、"異常原因"として「高圧圧力異常」が格納され、"異常箇所"として「室外ユニット」が格納され、"保守手順マニュアル"として「保守手順マニュアル１」が格納された様子を示している。図４の４ｃの例では、"異常箇所"＝「室外ユニット」に対して、１つの保守手順マニュアルのみを示しているが、実際には、多数の保守手順マニュアルが格納されているものとする。
　＜保守手順マニュアルの具体例＞
　次に、保守手順情報格納部１４５に格納される、保守手順マニュアルの具体例について説明する。図５は、保守手順マニュアルの具体例を示す図であり、「保守手順マニュアル１」を示している。上述したように、保守手順マニュアル１は、異常原因が高圧圧力異常であって、異常箇所が室外ユニットの場合に利用される。
　保守作業者１５０は、作業フロー５００に従って作業を行う。作業フロー５００の場合、高圧圧力開閉器、高圧圧力センサ、基板を順次チェックしていき、例えば、高圧圧力開閉器において異常が発生していると判定した場合には、高圧圧力開閉器を交換すべき部品として特定する（作業ステップ５０１参照）。また、高圧圧力センサにおいて異常が発生していると判定した場合には、高圧圧力センサを交換すべき部品として特定する（作業ステップ５０２参照）。更に、基板において異常が発生していると判定した場合には、基板を交換すべき部品として特定する（作業ステップ５０３参照）。
　なお、いずれの部品においても異常が発生していなかった場合、保守作業者１５０は、次の保守手順マニュアル（「保守手順マニュアル２」）に進み、次の保守手順マニュアルに記載された作業フローに従って作業を行う。
　＜作業内容情報の説明＞
　次に、作業内容情報格納部１４７に格納される作業内容情報について説明する。図６は、作業内容情報の一例を示す図である。図６に示すように、作業内容情報６００には、情報の項目として、"作業日時"、"作業時間"、"作業者"、"対象機器ＩＤ"、"異常原因"、"異常箇所"、"保守手順マニュアル"、"交換前部品"、"交換後部品"、"現場状況"が含まれる。
　"作業日時"には、保守作業者１５０が現場で保守作業を行った日時が格納される。"作業時間"には、保守作業者１５０が現場で保守作業を行った際に要した時間が格納される。"作業者"には、現場で保守作業を行った作業者を識別する識別子が格納される。
　"対象機器ＩＤ"には、保守作業者１５０が現場で保守作業を行った処理対象の空調機器を識別するための識別子が格納される。
　"異常原因"には、保守作業者１５０が現場で実際の空調機器を点検することで特定した異常原因についての部品情報が格納される。"異常箇所"には、保守作業者１５０が現場で実際の空調機器を点検することで特定した異常箇所についての部品情報が格納される。
　"交換前部品"には、保守作業者１５０が現場で実際の空調機器を点検することで特定し、交換または修理した故障部品についての部品情報（部品コード）が格納される。"交換後部品"には、保守作業者１５０が交換した、交換後の新たな部品についての情報（部品コード）が格納される。
　"保守手順マニュアル"には、保守作業者１５０が、故障部品を特定した際に用いた保守手順マニュアルを識別するための情報（例えば、保守手順マニュアル１等）が格納される。
　"現場状況"には、保守作業者１５０が気づいた現場状況についての情報が格納される。現場状況についての情報とは、例えば、
・空調機器が異音を発生していた、
・空調機器の近くに物が載置されていた、
・実際の現場の外気温度は空調機器が検出した外気温度よりも高かった、
等のように、機器運転情報や機器現象情報からではわからない情報を指す。
　＜保守作業支援装置（学習フェーズ）のハードウェア構成＞
　次に、保守作業支援システム１００を構成する各装置のハードウェア構成について説明する。なお、ここでは代表して、学習フェーズにおける保守作業支援装置１６０のハードウェア構成について説明する。
　図７は、保守作業支援装置のハードウェア構成の一例を示す図である。図７に示すように、保守作業支援装置１６０は、ＣＰＵ（Central Processing Unit）７０１、ＲＯＭ（Read Only Memory）７０２、ＲＡＭ（Random Access Memory）７０３を有する。ＣＰＵ７０１、ＲＯＭ７０２、ＲＡＭ７０３は、いわゆるコンピュータを形成する。また、保守作業支援装置１６０は、補助記憶装置７０４、表示装置７０５、操作装置７０６、Ｉ／Ｆ（Interface）装置７０７、ドライブ装置７０８を有する。保守作業支援装置１６０の各ハードウェアは、バス７０９を介して相互に接続される。
　ＣＰＵ７０１は、補助記憶装置７０４にインストールされている各種プログラム（例えば、保守作業支援プログラム（学習フェーズ）等）を実行する演算デバイスである。ＲＯＭ７０２は、不揮発性メモリである。ＲＯＭ７０２は、主記憶デバイスとして機能し、補助記憶装置７０４にインストールされている各種プログラムをＣＰＵ７０１が実行するために必要な各種プログラムやデータ等を格納する。具体的には、ＲＯＭ７０２はＢＩＯＳ（Basic Input/Output System）やＥＦＩ（Extensible Firmware Interface）等のブートプログラム等を格納する。
　ＲＡＭ７０３は、ＤＲＡＭ（Dynamic Random Access Memory）やＳＲＡＭ（Static Random Access Memory）等の揮発性メモリである。ＲＡＭ７０３は、主記憶デバイスとして機能し、補助記憶装置７０４にインストールされている各種プログラムがＣＰＵ７０１によって実行される際に展開される作業領域を提供する。
　補助記憶装置７０４は、各種プログラムや、各種プログラムが実行される際に用いられる情報を格納する。
　表示装置７０５は、保守作業支援装置１６０の内部状態を表示する、表示デバイスである。操作装置７０６は、例えば、保守作業支援装置１６０の管理者が保守作業支援装置１６０に対して各種操作を行うための操作デバイスである。Ｉ／Ｆ装置７０７は、ネットワーク１７０に接続して通信を行うための通信デバイスである。
　ドライブ装置７０８は記録媒体７１０をセットするためのデバイスである。ここでいう記録媒体７１０には、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体７１０には、ＲＯＭ、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。
　なお、補助記憶装置７０４にインストールされる各種プログラムは、例えば、配布された記録媒体７１０がドライブ装置７０８にセットされ、該記録媒体７１０に記録された各種プログラムがドライブ装置７０８により読み出されることでインストールされる。あるいは、補助記憶装置７０４にインストールされる各種プログラムは、ネットワーク１７０よりダウンロードされることで、インストールされてもよい。
　＜保守作業支援装置の機能構成（学習フェーズ）＞
　次に、学習フェーズにおける保守作業支援装置１６０の機能構成について説明する。図８は、第１の実施形態に係る保守作業支援装置において実現される学習フェーズの機能の一例を示す図である。図８に示すように、保守作業支援装置１６０は、学習用情報取得部１６１と、学習部１６２とを有する。
　学習用情報取得部１６１は、学習部１６２が機械学習を行う際に用いる情報（学習用情報）を取得する。具体的には、学習用情報取得部１６１は、監視装置１１０の運転及び現象情報格納部１１２より、機器運転情報及び機器現象情報を取得する。また、学習用情報取得部１６１は、保守用装置１４０の機器情報格納部１４３及び機器利用者情報格納部１４４より、機器情報及び機器利用者情報を取得する。また、学習用情報取得部１６１は、保守用装置１４０の作業内容情報格納部１４７より、作業内容情報を取得する。更に、学習用情報取得部１６１は、取得した学習用情報を学習部１６２に通知する。
　学習部１６２は、部品判定モデル８０１と、比較及び変更部８０２とを有する。学習部１６２は、通知された学習用情報のうち、機器運転情報、機器現象情報、機器情報及び機器利用者情報を部品判定モデル８０１に入力することで、部品判定モデル８０１を実行させる。これにより、部品判定モデル８０１は、部品情報（部品コード）を出力する。
　部品判定モデル８０１より出力された部品情報（部品コード）は、比較及び変更部８０２に入力される。比較及び変更部８０２は、
・部品判定モデル８０１より出力された部品情報（部品コード）と、
・学習用情報取得部１６１より通知された部品情報（部品コード）（正解データ）と、
を比較する。比較及び変更部８０２は、比較結果に応じて、部品判定モデル８０１のモデルパラメータを変更する。なお、学習用情報取得部１６１より通知された部品情報とは、交換または修理された故障部品（交換前部品）、あるいは、交換後の新たな部品（交換後部品）を指す。
　このように、学習部１６２は、
・機器運転情報、機器現象情報、機器情報及び機器利用者情報（データセット）と、
・部品情報（部品コード）と、
の対応関係を特定する部品判定モデル８０１について機械学習を行う。これにより、学習部１６２は、部品情報（部品コード）を判定するための学習済み部品判定モデルを生成する。
　なお、図８の例は、学習部１６２が、機器運転情報、機器現象情報、機器情報及び機器利用者情報を部品判定モデル８０１に入力する場合について示したが、これらの情報の一部のみを、部品判定モデル８０１に入力してもよい。
　例えば、学習部１６２は、
・機器運転情報、機器情報（データセット）と、
・部品情報（部品コード）と、
の対応関係を特定する部品判定モデル８０１、あるいは、
・機器現象情報、機器情報（データセット）と、
・部品情報（部品コード）と、
の対応関係を特定する部品判定モデル８０１について機械学習を行う。これにより、学習部１６２は、部品情報（部品コード）を判定するための学習済み部品判定モデルを生成する。
　＜保守作業支援システム（推論フェーズ）のシステム構成＞
　次に、推論フェーズにおける保守作業支援システムのシステム構成について説明する。図９は、保守作業支援システム（推論フェーズ）のシステム構成の一例を示す図である。学習フェーズにおける保守作業支援システム１００（図１）との相違点は、推論フェーズにおける保守作業支援システム９００の場合、学習フェーズにおける保守作業支援装置１６０を有していない点である。また、推論フェーズにおける保守作業支援システム９００の場合、監視装置１１０に代えて、推論フェーズにおける保守作業支援装置９１０を有している点である。
　保守作業支援装置９１０は、空調機器１３０＿１～１３０＿ｎを監視し、異常が発生した場合に、保守用装置１４０に保守指示を送信する装置である。
　保守作業支援装置９１０には、保守作業支援プログラム（推論フェーズ）がインストールされている。保守作業支援装置９１０は、当該プログラムが実行されることで、運転及び現象情報取得部１１１、機器関連情報取得部９１１、推論部９１２、保守指示送信部１１４として機能する。
　なお、運転及び現象情報取得部１１１、保守指示送信部１１４は、図１を用いて説明済みであるため、ここでは説明を省略する。
　機器関連情報取得部９１１は、保守用装置１４０より、推論部９１２が推論処理を行う際に用いる情報（機器関連情報）を取得する。具体的には、機器関連情報取得部９１１は、保守用装置１４０の機器情報格納部１４３及び機器利用者情報格納部１４４より、機器情報及び機器利用者情報を取得する。また、機器関連情報取得部９１１は、取得した機器関連情報（機器情報、機器利用者情報）を推論部９１２に通知する。
　推論部９１２は、学習済み部品判定モデルを有し、学習済み部品判定モデルを実行させることで、部品情報（部品コード）を出力する。推論部９１２は、
・運転及び現象情報格納部１１２に格納された機器運転情報及び機器現象情報、
・機器関連情報取得部９１１より通知された機器関連情報（機器情報、機器利用者情報）、
を入力することで、学習済み部品モデルを実行させる。なお、推論フェーズにおいて、保守指示送信部１１４は、部品情報（部品コード）を保守用装置１４０に送信する。
　＜推論部の機能構成の詳細＞
　次に、推論フェーズにおける保守作業支援装置９１０の機能構成のうち、推論部９１２の機能構成の詳細について説明する。図１０は、推論部の機能構成の詳細を示す第１の図である。図１０に示すように、推論部９１２は、学習済み部品判定モデル１０００を有する。
　推論部９１２は、運転及び現象情報格納部１１２に格納された機器運転情報及び機器現象情報を読み出す。なお、推論部９１２により読み出される機器運転情報及び機器現象情報は、学習部１６２が機械学習を行った際に読み出された機器運転情報及び機器現象情報とは異なる機器運転情報及び機器現象情報である。
　また、推論部９１２は、機器関連情報取得部９１１より通知された機器情報及び機器利用者情報を取得する。
　推論部９１２は、読み出した機器運転情報及び機器現象情報、取得した機器情報及び機器利用者情報を、学習済み部品判定モデル１０００に入力することで、学習済み部品判定モデル１０００を実行させる。これにより、学習済み部品判定モデル１０００は、部品情報（部品コード）を推論する。
　このように、現在の機器運転情報及び機器現象情報、及び、処理対象の空調機器の機器情報及び機器利用者情報に基づいて、部品情報（部品コード）を推論することで、推論部９１２は、適切な部品情報（部品コード）を推論することができる。
　なお、上記説明では、推論部９１２が、機器運転情報及び機器現象情報、機器情報及び機器利用者情報を学習済み部品判定モデル１０００に入力するものとした。しかしながら、学習済み部品判定モデル１０００が、機器運転情報及び機器情報に基づいて生成されていた場合にあっては、推論部９１２は、機器運転情報及び機器情報を、学習済み部品判定モデル１０００に入力するものとする。また、学習済み部品判定モデル１０００が、機器現象情報及び機器情報に基づいて生成されていた場合にあっては、推論部９１２は、機器現象情報及び機器情報を、学習済み部品判定モデル１０００に入力するものとする。
　また、推論部９１２により推論される部品情報（部品コード）は、交換または修理すべき部品、あるいは、交換後の新たな部品についての部品情報（部品コード）である。
　＜保守作業支援処理の流れ＞
　次に、学習フェーズにおける保守作業支援装置１６０及び推論フェーズにおける保守作業支援装置９１０による、保守作業支援処理の流れについて説明する。図１１は、第１の実施形態に係る保守作業支援装置による保守作業支援処理の流れを示すフローチャートである。
　ステップＳ１１０１において、学習用情報取得部１６１は、機器運転情報及び機器現象情報を取得する。
　ステップＳ１１０２において、学習用情報取得部１６１は、作業内容情報を取得する。
　ステップＳ１１０３において、学習部１６２は、機器運転情報及び機器現象情報を部品判定モデル８０１に入力することで、部品判定モデル８０１を実行させる。そして、学習部１６２は、部品判定モデル８０１より出力される部品情報（部品コード）が、学習用情報取得部１６１により取得された作業内容情報に含まれる部品情報（部品コード）（正解データ）に近づくように、部品判定モデル８０１について機械学習を行う。これにより、学習部１６２は、学習済み部品判定モデルを生成する。なお、生成された学習済み部品判定モデルは、推論フェーズにおける保守作業支援装置９１０に組み込まれる。
　ステップＳ１１０４において、推論部９１２は、対象機器となる空調機器の機器運転情報及び機器現象情報を取得する。
　ステップＳ１１０５において、推論部９１２は、取得した機器運転情報及び機器現象情報を、学習済み部品判定モデル８０１に入力することで、学習済み部品判定モデル８０１を実行させる。これにより、推論部９１２は、部品情報（部品コード）を推論する。
　ステップＳ１１０６において、推論部９１２は、保守作業支援処理を終了するか否かを判定する。ステップＳ１１０６において保守作業支援処理を継続すると判定した場合には（ステップＳ１１０６においてＮＯの場合には）、ステップＳ１１０４に戻る。
　一方、ステップＳ１１０６において保守作業支援処理を終了すると判定した場合には（ステップＳ１１０６においてＹＥＳの場合には）、保守作業支援処理を終了する。
　なお、図１１では、学習部１６２が、機器運転情報及び機器現象情報を、部品判定モデル８０１に一括して入力することでモデルパラメータを変更する一括学習を行う場合について示した。しかしながら、学習部１６２は、機器運転情報及び機器現象情報を、部品判定モデル８０１に所定数ずつ入力することで、モデルパラメータを変更する逐次学習を行ってもよい。
　＜まとめ＞
　以上の説明から明らかなように、第１の実施形態に係る保守作業支援装置は、
・機器運転情報及び機器情報と（または、機器現象情報及び機器情報と）、部品情報（部品コード）とを関連付けて学習する。
・学習の結果に基づき、新たに取得された機器運転情報及び機器情報（または、機器現象情報及び機器情報）から、部品情報（部品コード）を推論する。
　これにより、第１の実施形態に係る保守作業支援装置によれば、異常が発生した際に、交換または修理すべき故障部品あるいは交換後の新たな部品を示す部品情報（部品コード）を推論することができる。
　このように、第１の実施形態によれば、保守作業者は、出動前に部品情報（部品コード）を特定することができ、出動前に交換または修理に必要な準備を行うことができるため、出動回数を減らすことが可能となる。つまり、第１の実施形態によれば、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援装置、保守作業支援方法及び保守作業支援プログラムを提供することができる。
　［第２の実施形態］
　上記第１の実施形態では、作業内容情報のうち、部品情報（部品コード）を正解データとして、機械学習を行う場合について説明した。これに対して、第２の実施形態では、作業内容情報のうち、保守手順マニュアル情報を正解データとして、機械学習を行う場合について説明する。以下、第２の実施形態について、上記第１の実施形態との相違点を中心に説明する。
　＜保守作業支援装置の機能構成（学習フェーズ）＞
　はじめに、学習フェーズにおける第２の実施形態に係る保守作業支援装置１６０の機能構成について説明する。図１２は、第２の実施形態に係る保守作業支援装置において実現される学習フェーズの機能の一例を示す図である。図８との相違点は、図１２の場合、学習部１６２が、作業内容判定モデル１２０１と、比較及び変更部１２０２とを有する点である。学習部１６２は、通知された学習用情報のうち、機器運転情報、機器現象情報、機器情報及び機器利用者情報を作業内容判定モデル１２０１に入力することで、作業内容判定モデル１２０１を実行させる。これにより、作業内容判定モデル１２０１は、保守手順マニュアル情報を出力する。
　作業内容判定モデル１２０１より出力された保守手順マニュアル情報は、比較及び変更部１２０２に入力される。比較及び変更部１２０２は、
・作業内容判定モデル１２０１より出力された保守手順マニュアル情報と、
・学習用情報取得部１６１より通知された保守手順マニュアル情報（正解データ）と、
を比較する。比較及び変更部１２０２は、比較結果に応じて、作業内容判定モデル１２０１のモデルパラメータを変更する。
　なお、学習用情報取得部１６１より通知された保守手順マニュアル情報とは、例えば、"保守手順マニュアル１"のように、保守手順マニュアルを特定するための情報である。あるいは、保守手順マニュアルに含まれる作業フロー（例えば、作業フロー５００）であってもよい。
　このように、学習部１６２は、
・機器運転情報、機器現象情報、機器情報及び機器利用者情報（データセット）と、
・保守手順マニュアル情報と、
の対応関係を特定する作業内容判定モデル１２０１について機械学習を行う。これにより、学習部１６２は、保守手順マニュアル情報を判定するための学習済み作業内容判定モデルを生成する。
　なお、図１２の例は、学習部１６２が、機器運転情報、機器現象情報、機器情報及び機器利用者情報を作業内容判定モデル１２０１に入力する場合について示したが、これらの情報の一部のみを、作業内容判定モデル１２０１に入力してもよい。
　例えば、学習部１６２は、
・機器運転情報、機器情報（データセット）と、
・保守手順マニュアル情報と、
の対応関係を特定する作業内容判定モデル１２０１、あるいは、
・機器現象情報、機器情報（データセット）と、
・保守手順マニュアル情報と、
の対応関係を特定する作業内容判定モデル１２０１について機械学習を行う。これにより、学習部１６２は、保守手順マニュアル情報を判定するための学習済み作業内容判定モデルを生成する。
　＜推論部の機能構成の詳細＞
　次に、推論フェーズにおける保守作業支援装置９１０の機能構成のうち、推論部の機能構成の詳細について説明する。図１３は、推論部の機能構成の詳細を示す第２の図である。図１０との相違点は、図１３の場合、推論部１３１０が学習済み作業内容判定モデル１３２０を有している点である。
　推論部１３１０は、読み出した機器運転情報及び機器現象情報、取得した機器情報及び機器利用者情報を、学習済み作業内容判定モデル１３２０に入力することで、学習済み作業内容判定モデル１３２０を実行させる。これにより、学習済み作業内容判定モデル１３２０は、保守手順マニュアル情報を推論する。
　このように、現在の機器運転情報及び機器現象情報、及び、処理対象の空調機器の機器情報及び機器利用者情報に基づいて、保守手順マニュアル情報を推論することで、推論部１３１０は、適切な保守手順マニュアル情報を推論することができる。
　なお、上記説明では、推論部１３１０が、機器運転情報及び機器現象情報、機器情報及び機器利用者情報を学習済み作業内容判定モデル１３２０に入力するものとした。しかしながら、学習済み作業内容判定モデル１３２０が、機器運転情報及び機器情報に基づいて生成されていた場合にあっては、推論部１３１０は、機器運転情報及び機器情報を、学習済み作業内容判定モデル１３２０に入力するものとする。また、学習済み作業内容判定モデル１３２０が、機器現象情報及び機器情報に基づいて生成されていた場合にあっては、推論部１３１０は、機器現象情報及び機器情報を、学習済み作業内容判定モデル１３２０に入力するものとする。
　また、推論部１３１０により推論される保守手順マニュアル情報は、保守手順マニュアルを特定するための情報、あるいは、保守手順マニュアルに含まれる作業フローである。
　＜保守作業支援処理の流れ＞
　次に、学習フェーズにおける保守作業支援装置１６０及び推論フェーズにおける保守作業支援装置９１０による、保守作業支援処理の流れについて説明する。図１４は、第２の実施形態に係る保守作業支援装置による保守作業支援処理の流れを示すフローチャートである。図１１に示したフローチャートとの相違点は、ステップＳ１４０１、Ｓ１４０２である。
　ステップＳ１４０１において、学習部１６２は、機器運転情報及び機器現象情報を作業内容判定モデル１２０１に入力することで、作業内容判定モデル１２０１を実行させる。そして、学習部１６２は、作業内容判定モデル１２０１より出力される保守手順マニュアル情報が、取得された保守手順情報に含まれる保守手順マニュアル情報（正解データ）に近づくように、作業内容判定モデル１２０１について機械学習を行う。これにより、学習部１６２は、学習済み作業内容判定モデルを生成する。なお、生成された学習済み作業内容判定モデルは、推論フェーズにおける保守作業支援装置９１０に組み込まれる。
　ステップＳ１４０２において、推論部９１２は、取得した機器運転情報及び機器現象情報を、学習済み作業内容判定モデル１３２０に入力することで、学習済み作業内容判定モデル１３２０を実行させる。これにより、推論部９１２は、保守作業者１５０が実行すべき保守手順を示す保守手順マニュアル情報を推論する。
　＜まとめ＞
　以上の説明から明らかなように、第２の実施形態に係る保守作業支援装置は、
・機器運転情報及び機器情報と（または、機器現象情報及び機器情報と）、作業手順情報とを関連付けて学習する。
・学習の結果に基づき、新たに取得された機器運転情報及び機器情報（または、機器現象情報及び機器情報）から、保守手順マニュアル情報を推論する。
　これにより、第２の実施形態に係る保守作業支援装置によれば、異常が発生した際に、保守作業者が実行すべき保守手順を示す保守手順マニュアル情報を推論することができる。
　このように、第２の実施形態によれば、出動前に保守手順マニュアル情報を特定することができ、出動前に作業手順を実行するのに必要な準備を行うことができるため、保守作業者は、出動回数を減らすことが可能となる。つまり、第２の実施形態によれば、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援装置、保守作業支援方法及び保守作業支援プログラムを提供することができる。
　［第３の実施形態］
　上記第１の実施形態では、部品判定モデルについて機械学習を行う際、正解データを用いて機械学習を行う場合について説明した。これに対して、第３の実施形態では、部品判定モデルについて強化学習を行う場合について説明する。以下、第３の実施形態について、上記第１の実施形態との相違点を中心に説明する。
　＜保守作業支援システム（強化学習フェーズ）のシステム構成＞
　はじめに、保守作業支援システムのシステム構成について説明する。図１５は、保守作業支援システム（強化学習フェーズ）のシステム構成の一例を示す図である。図１との相違点は、保守作業支援装置１５００である。
　保守作業支援装置１５００には、保守作業支援プログラムがインストールされている。当該プログラムが実行されることで、保守作業支援装置１５００は、運転及び現象情報取得部１１１、強化学習部１５１０、保守指示送信部１１４、作業評価情報取得部１５２０、報酬算出部１５３０として機能する。
　運転及び現象情報取得部１１１及び保守指示送信部１１４は、上記第１の実施形態において図１を用いて説明済みであるため、ここでは説明を省略する。
　強化学習部１５１０は、運転及び現象情報格納部１１２より機器運転情報及び機器現象情報を読み出し、交換または修理すべき部品あるいは交換後の新たな部品を判定するモデルについて強化学習を行う。強化学習部１５１０は、報酬算出部１５３０より出力される報酬が最大となるように、強化学習を行う。また、強化学習部１５１０は、強化学習を行うことで取得される部品情報（部品コード）を、保守指示送信部１１４に送信する。
　作業評価情報取得部１５２０は、ネットワーク１７０を介して、保守用装置１４０より、報酬を算出するための作業評価情報を取得する。作業評価情報とは、処理対象の空調機器に対する保守作業の作業結果を評価する情報である。また、作業評価情報取得部１５２０は、取得した作業評価情報を、報酬算出部１５３０に通知する。
　報酬算出部１５３０は、算出部の一例であり、強化学習部１５１０が強化学習を行う際に用いる報酬を、作業評価情報に基づいて算出する。
　＜強化学習部の機能構成の詳細＞
　次に、強化学習部１５１０の機能構成の詳細について説明する。図１６は、強化学習部の機能構成の詳細を示す図である。
　図１６に示すように、強化学習部１５１０は、部品判定モデル１６００を有する。強化学習部１５１０は、報酬算出部１５３０によって算出された報酬が最大になるように、部品判定モデル１６００のモデルパラメータを変更する。また、強化学習部１５１０は、モデルパラメータが変更された部品判定モデル１６００に、運転及び現象情報格納部１１２より読み出した、機器運転情報及び機器現象情報、機器情報及び機器利用者情報を入力することで、部品判定モデル１６００を実行させる。これにより、部品判定モデル１６００は、部品情報を出力する。
　このように、強化学習部１５１０は、前回の部品情報に従って保守作業が行われた際の作業評価情報に基づいて算出された報酬が最大になるように、部品判定モデル１６００について強化学習を行う。これにより、強化学習部１５１０は、適切な部品情報を出力することができる。
　＜強化学習処理の流れ＞
　次に、第３の実施形態に係る保守作業支援装置１５００による強化学習処理の流れについて説明する。図１７は、第３の実施形態に係る保守作業支援装置による強化学習処理の流れを示すフローチャートである。
　ステップＳ１７０１において、強化学習部１５１０は、機器運転情報及び機器現象情報を取得する。
　ステップＳ１７０２において、作業評価情報取得部１５２０は、作業評価情報を取得する。
　ステップＳ１７０３において、報酬算出部１５３０は、作業評価情報に基づいて、報酬を算出する。
　ステップＳ１７０４において、報酬算出部１５３０は、算出した報酬が所定の閾値以上であるか否かを判定する。ステップＳ１７０４において、算出した報酬が所定の閾値未満であると判定した場合には（ステップＳ１７０４においてＮＯの場合には）、ステップＳ１７０５に進む。
　ステップＳ１７０５において、強化学習部１５１０は、算出した報酬が最大になるように部品判定モデル１６００について機械学習を行う。
　ステップＳ１７０６において、強化学習部１５１０は、取得した機器運転情報及び機器現象情報を部品判定モデル１６００に入力することで、部品判定モデル１６００を実行させる。これにより、強化学習部１５１０は、部品情報を出力する。
　ステップＳ１７０１において、保守指示送信部１１４は、部品情報を、保守用装置１４０に送信し、ステップＳ１７０１に戻る。
　一方、ステップＳ１７０４において、算出した報酬が所定の閾値以上であると判定した場合には（ステップＳ１７０４においてＹＥＳの場合には）、強化学習処理を終了する。
　＜まとめ＞
　以上の説明から明らかなように、第３の実施形態に係る保守作業支援装置は、
・作業評価情報に基づいて、部品情報に対する報酬を算出する。また、算出した報酬が最大になるように、部品判定モデルについて強化学習を行う。
・機器運転情報及び機器現象情報を入力することで、強化学習が行われた部品判定モデルを実行させ、部品情報（部品コード）を出力する。
　これにより、第３の実施形態に係る保守作業支援装置によれば、異常が発生した際に、交換または修理すべき部品あるいは交換後の新たな部品を示す部品情報（部品コード）を出力することができる。
　このように、第３の実施形態によれば、保守作業者は、出動前に部品情報（部品コード）を特定することができ、出動前に交換または修理に必要な準備を行うことができるため、出動回数を減らすことが可能となる。つまり、第３の実施形態によれば、保守作業者の出動回数を減らすことで保守作業を支援する保守作業支援装置、保守作業支援方法及び保守作業支援プログラムを提供することができる。
　［その他の実施形態］
　上記第２の実施形態では、作業内容判定モデルについて機械学習を行う際、正解データを用いて機械学習を行う場合について説明した。しかしながら、機械学習の方法はこれに限定されず、作業内容判定モデルについても、上記第３の実施形態と同様に、強化学習により機械学習を行うように構成してもよい。
　上記各実施形態では、機械学習を行う際に用いるモデル（部品判定モデル、作業内容判定モデル）の詳細について特に言及しなかったが、機械学習を行う際に用いるモデルには任意の種類のモデルが適用されるものとする。具体的には、ＮＮ（Neural Network）モデルや、ランダムフォレストモデル、ＳＶＭ（Support Vector Machine）モデル等、任意の種類のモデルが適用される。
　また、上記第１及び第２の実施形態では、比較及び変更部による比較結果に基づいて、モデルパラメータを変更する場合の変更方法の詳細について特に言及しなかったが、比較及び変更部によるモデルパラメータの変更方法はモデルの種類に従うものとする。
　また、上記第３の実施形態では、報酬算出部による報酬の算出方法の詳細について特に言及しなかったが、報酬算出部による報酬の算出方法は任意である。
　以上、実施形態を説明したが、特許請求の範囲の趣旨及び範囲から逸脱することなく、形態や詳細の多様な変更が可能なことが理解されるであろう。
　本出願は、２０１９年３月１９日に出願された日本国特許出願第２０１９－０５２０１９号に基づきその優先権を主張するものであり、同日本国特許出願の全内容を参照することにより本願に援用する。
１００　　　　　　　　　：保守作業支援システム
１１０　　　　　　　　　：監視装置
１２０　　　　　　　　　：ステーション
１３０＿１～１３０＿ｎ　：空調機器
１４０　　　　　　　　　：保守用装置
１６０　　　　　　　　　：保守作業支援装置
１６１　　　　　　　　　：学習用情報取得部
１６２　　　　　　　　　：学習部
２００　　　　　　　　　：機器運転情報
２１０　　　　　　　　　：機器現象情報
４００　　　　　　　　　：機器情報
４１０　　　　　　　　　：機器利用者情報
４２０　　　　　　　　　：保守手順情報
６００　　　　　　　　　：作業内容情報
８０１　　　　　　　　　：部品判定モデル
８０２　　　　　　　　　：比較及び変更部
９１０　　　　　　　　　：保守作業支援装置
９１１　　　　　　　　　：機器関連情報取得部
９１２　　　　　　　　　：推論部
１０００　　　　　　　　：学習済み部品判定モデル
１２０１　　　　　　　　：作業内容判定モデル
１２０２　　　　　　　　：比較及び変更部
１３１０　　　　　　　　：推論部
１３２０　　　　　　　　：学習済み作業内容判定モデル
１５００　　　　　　　　：保守作業支援装置
１５１０　　　　　　　　：強化学習部
１５２０　　　　　　　　：作業評価情報取得部
１５３０　　　　　　　　：報酬算出部
１６００　　　　　　　　：部品判定モデル

Claims (18)

  1. 　対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを取得する第１の取得部と、
    　前記対象機器に対して保守作業者が行った保守作業の内容であって、交換または修理した部品あるいは交換後の新たな部品が記録された作業内容情報を取得する第２の取得部と、
    　前記第１の取得部により取得されたデータセットと、前記第２の取得部により取得された作業内容情報に記録された、前記交換または修理した部品あるいは交換後の新たな部品とを関連付けて学習する学習部と
    　を有する保守作業支援装置。
  2. 　対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを取得する第１の取得部と、
    　前記対象機器に対して保守作業者が行った保守作業の内容であって、作業手順が記録された作業内容情報を取得する第２の取得部と、
    　前記第１の取得部により取得されたデータセットと、前記第２の取得部により取得された作業内容情報に記録された前記作業手順とを関連付けて学習する学習部と
    　を有する保守作業支援装置。
  3. 　対象機器に対する保守作業の作業結果を評価する評価情報に基づいて報酬を算出する算出部と、
    　前記対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、前記対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットに従って、前記対象機器において交換または修理すべき部品あるいは交換後の新たな部品を学習する学習部と、を有し、
    　前記学習部は、前記報酬に基づいて、前記対象機器において交換または修理すべき部品あるいは交換後の新たな部品を学習する保守作業支援装置。
  4. 　対象機器に対する保守作業の作業結果を評価する評価情報に基づいて報酬を算出する算出部と、
    　前記対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、前記対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットに従って、前記対象機器に対する保守作業の作業手順を学習する学習部と、を有し、
    　前記学習部は、前記報酬に基づいて、前記対象機器に対する保守作業の作業手順を学習する保守作業支援装置。
  5. 　前記機器情報は、前記対象機器の種別を含む請求項１乃至４のいずれか１項に記載の保守作業支援装置。
  6. 　前記運転情報は、前記対象機器が出力した異常コード、異常予知データ、運転条件、室内温度、室外温度、累積稼働時間のいずれかを含む、請求項１乃至４のいずれか１項に記載の保守作業支援装置。
  7. 　前記対象機器は空調機器であり、前記運転条件は、圧縮機回転数、吸入過熱度、過冷却度、吐出温度、高低圧力値、高圧側温度、低圧側温度、弁開度、外熱交温度のいずれかを含む、請求項６に記載の保守作業支援装置。
  8. 　前記現象情報は、前記対象機器の故障や異常によって発生する現象を示す情報を含む請求項１乃至４のいずれか１項に記載の保守作業支援装置。
  9. 　対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを新たに取得し、前記学習部による学習の結果に基づき、該新たに取得したデータセットから、該対象機器において交換または修理すべき部品あるいは交換後の新たな部品を推論する推論部を更に有する、請求項１に記載の保守作業支援装置。
  10. 　対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを新たに取得し、前記学習部による学習の結果に基づき、該新たに取得したデータセットから、該対象機器に対する保守作業の作業手順を推論する推論部を更に有する、請求項２に記載の保守作業支援装置。
  11. 　対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを取得する第１の取得工程と、
    　前記対象機器に対して保守作業者が行った保守作業の内容であって、交換または修理した部品あるいは交換後の新たな部品が記録された作業内容情報を取得する第２の取得工程と、
    　前記第１の取得工程において取得されたデータセットと、前記第２の取得工程において取得された作業内容情報に記録された、前記交換または修理した部品あるいは交換後の新たな部品とを関連付けて学習する学習工程と
    　を有する保守作業支援方法。
  12. 　対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを取得する第１の取得工程と、
    　前記対象機器に対して保守作業者が行った保守作業の内容であって、作業手順が記録された作業内容情報を取得する第２の取得工程と、
    　前記第１の取得工程において取得されたデータセットと、前記第２の取得工程において取得された作業内容情報に記録された前記作業手順とを関連付けて学習する学習工程と
    　を有する保守作業支援方法。
  13. 　対象機器に対する保守作業の作業結果を評価する評価情報に基づいて報酬を算出する算出工程と、
    　前記対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、前記対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットに従って、前記対象機器において交換または修理すべき部品あるいは交換後の新たな部品を学習する学習工程と、を有し、
    　前記学習工程は、前記報酬に基づいて、前記対象機器において交換または修理すべき部品あるいは交換後の新たな部品を学習する保守作業支援方法。
  14. 　対象機器に対する保守作業の作業結果を評価する評価情報に基づいて報酬を算出する算出工程と、
    　前記対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、前記対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットに従って、前記対象機器に対する保守作業の作業手順を学習する学習工程と、を有し、
    　前記学習工程は、前記報酬に基づいて、前記対象機器に対する保守作業の作業手順を学習する保守作業支援方法。
  15. 　対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを取得する第１の取得工程と、
    　前記対象機器に対して保守作業者が行った保守作業の内容であって、交換または修理した部品あるいは交換後の新たな部品が記録された作業内容情報を取得する第２の取得工程と、
    　前記第１の取得工程において取得されたデータセットと、前記第２の取得工程において取得された作業内容情報に記録された、前記交換または修理した部品あるいは交換後の新たな部品とを関連付けて学習する学習工程と
    　をコンピュータに実行させるための保守作業支援プログラム。
  16. 　対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットを取得する第１の取得工程と、
    　前記対象機器に対して保守作業者が行った保守作業の内容であって、作業手順が記録された作業内容情報を取得する第２の取得工程と、
    　前記第１の取得工程において取得されたデータセットと、前記第２の取得工程において取得された作業内容情報に記録された前記作業手順とを関連付けて学習する学習工程と
    　をコンピュータに実行させるための保守作業支援プログラム。
  17. 　対象機器に対する保守作業の作業結果を評価する評価情報に基づいて報酬を算出する算出工程と、
    　前記対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、前記対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットに従って、前記対象機器において交換または修理すべき部品あるいは交換後の新たな部品を学習する学習工程と、をコンピュータに実行させるための保守作業支援プログラムであって、
    　前記学習工程は、前記報酬に基づいて、前記対象機器において交換または修理すべき部品あるいは交換後の新たな部品を学習する保守作業支援プログラム。
  18. 　対象機器に対する保守作業の作業結果を評価する評価情報に基づいて報酬を算出する算出工程と、
    　前記対象機器の機器情報と、該対象機器の運転情報との組み合わせを含むデータセット、または、前記対象機器の機器情報と、該対象機器に関する現象を示す現象情報との組み合わせを含むデータセットに従って、前記対象機器に対する保守作業の作業手順を学習する学習工程と、をコンピュータに実行させるための保守作業支援プログラムであって、
    　前記学習工程は、前記報酬に基づいて、前記対象機器に対する保守作業の作業手順を学習する保守作業支援プログラム。
PCT/JP2020/010024 2019-03-19 2020-03-09 保守作業支援装置、保守作業支援方法及び保守作業支援プログラム WO2020189374A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202080010489.4A CN113330383A (zh) 2019-03-19 2020-03-09 维护作业辅助装置、维护作业辅助方法及维护作业辅助程序
US17/439,973 US11927945B2 (en) 2019-03-19 2020-03-09 Apparatus for assisting maintenance work, method of assisting maintenance work, and program for assisting maintenance work
EP20774298.2A EP3944043B1 (en) 2019-03-19 2020-03-09 Maintenance work assistance device

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019-052019 2019-03-19
JP2019052019A JP6897701B2 (ja) 2019-03-19 2019-03-19 保守作業支援装置、保守作業支援方法及び保守作業支援プログラム

Publications (1)

Publication Number Publication Date
WO2020189374A1 true WO2020189374A1 (ja) 2020-09-24

Family

ID=72520370

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/010024 WO2020189374A1 (ja) 2019-03-19 2020-03-09 保守作業支援装置、保守作業支援方法及び保守作業支援プログラム

Country Status (5)

Country Link
US (1) US11927945B2 (ja)
EP (1) EP3944043B1 (ja)
JP (1) JP6897701B2 (ja)
CN (1) CN113330383A (ja)
WO (1) WO2020189374A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022244625A1 (ja) * 2021-05-17 2022-11-24 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 修理内容予測方法、修理内容予測装置、プログラム、及び、修理内容予測モデルの作成方法

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7438932B2 (ja) 2020-12-25 2024-02-27 株式会社日立製作所 訓練データセット生成システム、訓練データセット生成方法、およびリペアリコメンドシステム
EP4350236A4 (en) * 2021-06-02 2024-06-12 Mitsubishi Electric Corp SYSTEM AND METHOD FOR ASSISTING AN AIR CONDITIONING SYSTEM MAINTENANCE
JP2024051545A (ja) * 2022-09-30 2024-04-11 株式会社前川製作所 状態監視システム及び状態監視方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013114636A (ja) * 2011-12-01 2013-06-10 Tokyo Gas Co Ltd 保守支援システム、保守支援方法、及びプログラム
JP2018142256A (ja) * 2017-02-28 2018-09-13 ファナック株式会社 在庫管理および予防保全を行う機能を有する在庫管理システム
JP2019052019A (ja) 2017-09-14 2019-04-04 株式会社日立プラントメカニクス コイル運搬用自動クレーンのコイル把持位置の位置決め方法
JP2019144174A (ja) * 2018-02-22 2019-08-29 ファナック株式会社 故障診断装置及び機械学習装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05101245A (ja) * 1991-01-28 1993-04-23 Brother Ind Ltd 異常診断装置
JP2002092206A (ja) * 2000-09-12 2002-03-29 Toshiba Corp 家電機器の故障診断システム
JP2003172578A (ja) 2001-12-07 2003-06-20 Hitachi Ltd ネットワーク対応家電機器、家電機器点検システム及び家電機器点検サービス
JP2003316423A (ja) 2002-04-25 2003-11-07 Daikin Ind Ltd 設備機器診断装置及び設備機器診断システム
JP3731125B2 (ja) 2003-03-03 2006-01-05 ダイキン工業株式会社 保守情報提供システム
JP5808605B2 (ja) 2011-08-17 2015-11-10 株式会社日立製作所 異常検知・診断方法、および異常検知・診断システム
JP2013069044A (ja) * 2011-09-21 2013-04-18 Seiko Epson Corp メンテナンス作業支援装置、メンテナンス作業支援システム、メンテナンス作業支援方法及びメンテナンス作業支援プログラム
JP5530020B1 (ja) 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ 異常診断システム及び異常診断方法
JP6333868B2 (ja) 2016-01-21 2018-05-30 ファナック株式会社 セル制御装置、及び製造セルにおける複数の製造機械の稼働状況を管理する生産システム
US20210157312A1 (en) * 2016-05-09 2021-05-27 Strong Force Iot Portfolio 2016, Llc Intelligent vibration digital twin systems and methods for industrial environments
JP2018077757A (ja) * 2016-11-11 2018-05-17 横河電機株式会社 情報処理装置、情報処理方法、情報処理プログラム及び記録媒体
JP7064075B2 (ja) * 2017-08-01 2022-05-10 三菱重工業株式会社 プラントの学習支援装置、およびプラントの学習支援方法
AU2020211596A1 (en) * 2019-01-24 2021-08-05 Alarm.Com Incorporated HVAC service performance
WO2022074930A1 (ja) * 2020-10-08 2022-04-14 パナソニックＩｐマネジメント株式会社 電子機器が有する記録媒体の保守サービスの提供方法及びシステム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013114636A (ja) * 2011-12-01 2013-06-10 Tokyo Gas Co Ltd 保守支援システム、保守支援方法、及びプログラム
JP2018142256A (ja) * 2017-02-28 2018-09-13 ファナック株式会社 在庫管理および予防保全を行う機能を有する在庫管理システム
JP2019052019A (ja) 2017-09-14 2019-04-04 株式会社日立プラントメカニクス コイル運搬用自動クレーンのコイル把持位置の位置決め方法
JP2019144174A (ja) * 2018-02-22 2019-08-29 ファナック株式会社 故障診断装置及び機械学習装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3944043A4

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022244625A1 (ja) * 2021-05-17 2022-11-24 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ 修理内容予測方法、修理内容予測装置、プログラム、及び、修理内容予測モデルの作成方法

Also Published As

Publication number Publication date
EP3944043A1 (en) 2022-01-26
EP3944043B1 (en) 2024-04-17
CN113330383A (zh) 2021-08-31
US20220253050A1 (en) 2022-08-11
JP6897701B2 (ja) 2021-07-07
JP2020154662A (ja) 2020-09-24
EP3944043A4 (en) 2022-05-11
US11927945B2 (en) 2024-03-12

Similar Documents

Publication Publication Date Title
WO2020189374A1 (ja) 保守作業支援装置、保守作業支援方法及び保守作業支援プログラム
US7295896B2 (en) Automated part procurement and service dispatch
US9910416B2 (en) Systems and methods for implementing automated confirmation of completion of repair services on environmental control systems in monitored buildings
CN109065135B (zh) 一种医院后勤设备全生命周期管理云平台、方法和系统
US7016742B2 (en) Decision support for operations and maintenance (DSOM) system
Braun Automated fault detection and diagnostics for vapor compression cooling equipment
CN107965918B (zh) 燃气热水器智能诊断系统
KR100354786B1 (ko) 네트워크를 이용한 공조 및 냉동/냉장 설비의통합관리시스템 및 그 제어방법
CN110500709B (zh) 空调器运行状态在线判别方法
CN109344983A (zh) 故障检测方法、装置及计算机可读存储介质
WO2021177298A1 (ja) 機器管理システム
Yang et al. HVAC equipment, unitary: Fault detection and diagnosis
CN109282424A (zh) 空调器控制方法、空调器控制装置
Breuker et al. Smart maintenance for rooftop units
CN112926756A (zh) 一种中央空调设备ai维修知识库应用方法
KR20130065844A (ko) 지능형 빌딩 에너지 설비 효율 관리 시스템 및 그 방법
Brambley et al. Diagnostics for monitoring-based commissioning
CN109323361A (zh) 空调的运行能力检测方法及系统
Haves et al. Model-based performance monitoring: Review of diagnostic methods and chiller case study
Shoukas et al. Analysis of fault data collected from automated fault detection and diagnostic products for packaged rooftop units
CN108253575B (zh) 空调箱电机烧毁故障的检测方法
KR20200121082A (ko) 장비 자산 관리를 위한 정비 예측 시뮬레이션 시스템 및 그 방법
KR102573254B1 (ko) 연합 학습을 이용한 기계설비 고장 예지 분석 시스템
JPH04184298A (ja) 運転保守統合支援システム
JP3310091B2 (ja) 空調システム異常処置最適化装置

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: 20774298

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020774298

Country of ref document: EP

Effective date: 20211019