WO2021100800A1 - 故障確率評価システム - Google Patents

故障確率評価システム Download PDF

Info

Publication number
WO2021100800A1
WO2021100800A1 PCT/JP2020/043161 JP2020043161W WO2021100800A1 WO 2021100800 A1 WO2021100800 A1 WO 2021100800A1 JP 2020043161 W JP2020043161 W JP 2020043161W WO 2021100800 A1 WO2021100800 A1 WO 2021100800A1
Authority
WO
WIPO (PCT)
Prior art keywords
maintenance
failure probability
load
item
failure
Prior art date
Application number
PCT/JP2020/043161
Other languages
English (en)
French (fr)
Inventor
洋輔 植木
隆秀 新家
Original Assignee
株式会社日立製作所
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社日立製作所 filed Critical 株式会社日立製作所
Priority to US17/636,606 priority Critical patent/US12019595B2/en
Priority to AU2020389306A priority patent/AU2020389306A1/en
Priority to EP20889132.5A priority patent/EP4064141A4/en
Publication of WO2021100800A1 publication Critical patent/WO2021100800A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/219—Managing data history or versioning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/254—Extract, transform and load [ETL] procedures, e.g. ETL data flows in data warehouses

Definitions

  • the present invention relates to a technique for evaluating a failure probability for a device to be maintained. Failures include defects such as so-called failures. In addition, maintenance is also included before and after, and repairs are also included.
  • Patent Document 1 describes an invention for identifying a failure probability function by performing survival time analysis in consideration of such a time-varying operating state. As described above, in Patent Document 1, sensor data is used for estimating the number of failures and the remaining life, and an appropriate load factor is automatically searched.
  • the classification of maintenance is not limited to the distinction between preventive maintenance and post-maintenance defined by the timing of implementation.
  • At least one of “cumulative operating time” and “cumulative load” is corrected in consideration of maintenance of the device or its constituent elements (hereinafter referred to as items). Perform life prediction.
  • the “cumulative operating time” means the operating time during maintenance.
  • correction includes pseudo-returning time, delaying deterioration, and changing the load. Further, in order to give these changes, it is also one aspect of the present invention to make corrections according to the maintenance type (maintenance method) of the maintenance to be considered.
  • the maintenance to be considered includes the maintenance carried out and the planned maintenance.
  • the configuration described in the claims is adopted. That is, it is a failure probability evaluation system that evaluates the failure probability of an item, and maintenance event data including the maintenance method for maintenance of the item and the time of the maintenance, the state related to the failure of the item, and the failure including the time of occurrence of the state.
  • It is a failure probability evaluation system having a means for calculating a function.
  • the present invention also includes a method using the present system and a program product for executing this method.
  • Configuration diagram of an example of the failure probability evaluation system in the embodiment of the present invention The figure which shows the failure event data 4 and maintenance event data 3 used in the Example of this invention.
  • the figure which shows the survival time data in the Example of this invention Schematic diagram showing the relationship between failure occurrence and maintenance implementation in the embodiment of the present invention and operating time. Schematic diagram illustrating the calculation of the equivalent cumulative operating time based on the residual damage amount in the embodiment of the present invention.
  • Configuration diagram of an example of the display unit in the embodiment of the present invention Configuration diagram of an example of the failure probability evaluation system in the embodiment of the present invention
  • FIG. 1 shows an example of the configuration of the failure probability evaluation system based on this embodiment.
  • the failure event database 5 stores failure event data 4 including the time when an item failure occurs.
  • the maintenance event database 6 records maintenance event data 3 in which maintenance execution time data and maintenance method data are paired. In some cases, as shown in FIG. 2, the information of the operator in charge of maintenance may also be recorded.
  • the maintenance types are set as three types here, this embodiment does not impose any limitation on the number of maintenance types.
  • a method may be adopted in which the operator 2 manually inputs data to both databases (5, 6) based on the item monitoring result and the maintenance implementation.
  • the survival time data generation unit 7 generates the following data based on the failure event data 4 data stored in the failure event database 5 and the maintenance event data 3 stored in the maintenance event database 6. It is the survival time data 8 in which the cumulative operating time of the item, the state (outcome) after the lapse of the operating time, and the maintenance method are paired as shown in FIG.
  • the outcome is a label indicating whether the item has failed or was alive at the time when a certain cumulative operating time has elapsed. If the item is operated while being maintained, it will be labeled as alive (pre-maintenance) because the item has not failed at that point when pre-maintenance is performed.
  • the dataset used for normal survival analysis it is sufficient for the dataset used for normal survival analysis to include a pair of cumulative uptime and outcomes.
  • the maintenance method is included in the data set at the same time. As described above, when there is a high possibility that the maintenance effect will differ depending on the operator who performed the maintenance, the information of the operator who performed the maintenance may be included as shown in FIG.
  • Figure 4 schematically shows the relationship between the cumulative operating time of items and the occurrence of failures and the timing of maintenance. For example, at time t 0 , after a new item is replaced for maintenance, the life of the item can be expected to be relatively long. On the other hand, after disassembling and cleaning (t 2 ) and simple cleaning (t 1 ) as maintenance, the life of the item is expected to be relatively short.
  • the failure probability density function obtained by the survival time analysis must be a probability density function with a large degree of dispersion represented by indicators such as variance, standard deviation, and fluctuation error.
  • FIG. 5 schematically shows an example of a method for correcting the cumulative operating time.
  • the degradation cleaning was performed at the time t 2 in FIG. 5, consider the fault that occurred subsequent time t 3.
  • the damage corresponding to the operating time X 1 remains immediately after the disassembly and cleaning is performed (this is defined as the residual damage amount).
  • the damage residual amount X i defined for each of the i types of maintenance methods is a parameter (maintenance effect parameter 11) that quantitatively expresses the maintenance effect.
  • the equivalent cumulative operating time Te, n cannot be calculated concretely at this stage. Therefore, the corrected survival time data 10 is generated after temporarily giving an initial value set by using a random number or the like to the damage residual amount X i.
  • the corrected survival time data 10 is survival time data including the corrected equivalent cumulative operating time and outcome as shown in FIG.
  • the failure probability function identification unit 12 identifies the failure probability function 13 based on the method of survival time analysis.
  • Survival time analysis is a statistical method for identifying a survival curve (reliability function) and a failure probability function from survival time data as shown in FIG. 3 or FIG. This can be broadly divided into non-parametric methods such as the Kaplan-Meier method and parametric methods that assume some kind of probability distribution.
  • the method is not limited, but since the calculation focusing on the degree of dispersion of the failure probability function is performed, the calculation of the degree of dispersion is performed on the probability distribution using indexes such as variance, standard deviation, and coefficient of variation. It is desirable to adopt a parametric method that can be easily performed below.
  • the failure probability function identification unit 12 uses the dispersion degree index calculated based on the corrected survival time data 10 as the objective function, and continuously performs the optimization calculation to minimize it. Based on the calculation result of the dispersion degree index and the optimization calculation algorithm, the damage residual amount X i , which is an unknown parameter, is changed and passed to the maintenance effect correction unit 9. Subsequently, based on the corrected survival time data obtained again from the maintenance effect correction unit 9, the failure probability function is identified again, and the dispersion degree index is calculated and evaluated.
  • the effect of conservation is modeled as the residual damage amount X i , but this embodiment does not limit the modeling method.
  • the calculation by the maintenance effect correction unit 9 changes accordingly, but the failure probability function identification unit 12 uses the maintenance effect parameter 11 as an explanatory variable. Since the optimized calculation is performed, the calculation flow inside it does not change.
  • the maintenance effect duration is taken as an example, and the failure probability function 13 is identified while correcting the cumulative operating time as the equivalent cumulative operating time by these maintenance effect parameters. explained.
  • the method of modeling the conservation effect is not limited to these. Even with a maintenance effect modeling method other than those illustrated here, according to this embodiment, it is only necessary to change the calculation inside the maintenance effect correction unit 9.
  • both of the plurality of types of conservation effect parameters based on the modeling method of the plurality of types of conservation effects may be used in combination.
  • the survival time data generation unit 7, the maintenance effect correction unit 9, and the failure probability function identification unit 12 described above are each implemented as a computer program, but the implementation form on a specific computer is not limited. For example, it is an example of this embodiment that these programs are stored in the main storage device of a computer and the calculation according to each program is executed by a processor such as a CPU. However, since the failure probability function identification unit 12 needs to perform calculation processing having a relatively large calculation cost while repeatedly calling the maintenance effect correction unit 9, both of them may be implemented in the same computer. Ideal.
  • the display unit 14 is specifically composed of a computer and a display device on which a screen drawing program is mounted, but the computer used here is different from each of the analysis units (7, 9, 12) described above. It doesn't matter.
  • FIG. 8 shows an example of the display unit 14.
  • the display unit 14 includes a failure probability function display unit 18 that displays the failure probability function 13 identified by the failure probability function identification unit 12, a failure probability display unit 19 that displays the current failure probability, and maintenance for each estimated maintenance item. It is composed of a maintenance item display unit 20 that displays effect parameters, an operation information display unit 21 that displays the current cumulative operating time and the last maintenance item performed, and the like.
  • the failure probability function (F (t)) is displayed to make it easier to understand the possibility of failure of the item at the present time.
  • the item failure probability function is useful information not only for calculating the failure probability and reliability, but also for predicting the remaining life and managing the appropriate parts inventory. Therefore, it is also effective to connect the failure probability evaluation system based on this embodiment to the remaining life prediction system 15, the parts inventory management system 16, and the operation maintenance plan management system 17), which are lower systems having these functions. That is, it is also possible to analyze the calculation result by utilizing AI or the like and apply it to some service. For example, by connecting to the remaining life prediction system 15, it is possible to realize a service for notifying the life of an item. Further, by connecting to the parts inventory management system 16, highly accurate management of parts used for item maintenance (part replacement) becomes possible. Further, by connecting the operation maintenance plan management system 17, appropriate operation management (including maintenance schedule creation) of items becomes possible. In addition, it can also be applied to asset management of items.
  • Example 1 the damage recovery effect of maintenance was reflected in the failure probability function in the form of correcting the cumulative operating time.
  • the cumulative damage to the item is constant over time.
  • Patent Document 1 describes an invention for identifying a failure probability function by performing survival time analysis in consideration of such a time-varying operating state.
  • a system for identifying a damage model composed of each physical quantity is described so that a failure probability function with a low degree of dispersion can be obtained based on a plurality of physical quantities measured by sensors attached to the device.
  • FIG. 9 shows the configuration of an example of a failure probability evaluation system that can consider both the time-varying operating state and the maintenance effect.
  • the cumulative damage here is a virtual amount obtained by accumulating the damage obtained by combining the time-series measurement data obtained by the measurement by the sensor over time.
  • the damage model generation unit 25 generates a damage model based on the time-series operation data 24 recorded in the time-series operation database 23, and the cumulative operation time is converted into cumulative damage.
  • the survival time data generation unit 7 generates survival time data based on the cumulative damage.
  • Example 1 the cumulative damage is corrected based on the maintenance effect, and then the failure probability function is identified.
  • the optimization calculation for minimizing the dispersal degree index of the failure probability function 13 was carried out with the maintenance effect parameter 11 as a variable.
  • the damage model parameter (load parameter) 26 that defines the damage model is also added as a variable to perform the optimization calculation. With such a configuration, it is possible to obtain a failure probability function 13 with a smaller degree of dispersion while identifying the damage model and quantifying the maintenance effect.
  • wind power generator is illustrated as an item in this embodiment, the application target of the present invention is not limited to this.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Quality & Reliability (AREA)
  • Human Resources & Organizations (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本発明の課題は，保全を受けながら運用される機器やその構成要素の故障発生を定義づける故障確率関数を，保全の効果を考慮した上で同定するところにある。保全を受ける機器またはその構成要素(以下，アイテムとする)を対象とした故障確率評価システムであって，累積稼働時間と故障状態の関係として表される生存データに基づいてアイテムの故障確率関数を計算する故障確率関数同定部１２を有し，前記の生存データにおける累積稼働時間を，保全によるアイテムの損傷回復効果または損傷蓄積抑制効果を定義づける保全効果パラメータに基づいて補正する保全効果補正部９を有し，前記故障確率関数同定部１２は前記故障確率関数の散布度指標が小さくなるように前記保全効果パラメータを最適化する最適化機能を有することを特徴とする故障確率評価システム。

Description

故障確率評価システム
　本発明は，保全を受ける機器を対象とした故障確率を評価する技術に関する。なお，故障には，いわゆる障害など不具合が含まれる。また，保全についても事前，事後と問わず，また，修理も含む。
　発電機器や輸送機器といった機械システムにおいて，システムが正常に所定の機能を発揮できるようにするためには，各部品の寿命を適切に把握・管理し，各部品の修理や交換といった保全を適切なタイミングで実施することが肝要である。例えば，過去に発生した故障や保全の記録を統計的に分析すれば，将来に発生する故障事象の回数を予測したり，現在稼働中のシステムの故障までの時間(余寿命)を予測したりすることが可能となる。
　ここで，機械システムによっては，各部品や構造物が受ける負荷は，稼働状態に応じて時々刻々変化することがなる。特許文献1には，このような時間変化する稼働状態を考慮した上で，生存時間解析を行って故障確率関数を同定する発明が記載されている。このように，特許文献１では，故障回数や余寿命の推定にセンサデータを活用し，かつ適正な負荷因子を自動探索している。
特開２０１９－１６０１２８号公報
　背景技術の項で述べたように，生存時間解析を用いることで，保全を実施しながら運用される機器の寿命を統計的に分析することが可能である。しかしながら保全の分類は，実施タイミングによって定義される予防保全と事後保全の区別だけではない。
　例えば，対象アイテムを新品に交換する場合，分解清掃を行う場合，簡易清掃を行う場合など，アイテムの状態回復を目的とする場合であっても，複数の保全方式が存在する。
このように，単一のアイテムに対して複数種類の保全方式が適用される場合，保全方式によってアイテムの状態回復の程度(保全効果)が異なることは明らかである。或いは，同一の保全方式であっても，作業者の熟練度によっても同様に保全効果が異なることがあり得る。仮に保全効果を定量的に表現することが可能であれば，なんらかの補正を行うことによって生存時間解析を適用することも可能である。しかし，実際には状態回復効果を保全内容毎に定量的に表現することは難しい。
　したがって，これらの保全の効果を故障確率関数に反映させることができないため，散布度の比較的大きな故障確率関数しか得ることができなかった。故障確率関数の散布度はアイテムの寿命のばらつきに相当するため，結果的にアイテムの寿命予測の精度を向上させることができなかった。そのような背景から，複数種類の保全が適用されながら運用される機器の寿命に対する統計的分析システムの出現が待たれていた。
　上記課題を解決するために，本発明では，機器またはその構成要素（以下，アイテムとする）に対する保全を考慮して「累積稼働時間」および「累積負荷」の少なくとも一方の補正を行うことで，寿命予測を実行する。ここで，「累積稼働時間」とは，保全間の稼働時間を意味する。
　また，補正とは，疑似的に時間を戻すこと，劣化を遅らせること，負荷を変化させることとみなすことを含む。また，これらの変化を与えるために，考慮する保全の保全種別（保全方式）に応じた補正を行うことも本発明の一態様である。なお，考慮する保全については，実施された保全や予定される保全を含む。
　その具体的な一例として，例えば特許請求の範囲に記載の構成を採用する。つまり，アイテムにおける故障確率を評価する故障確率評価システムであって，前記アイテムに対する保全の保全方式および当該保全の時期を含む保全イベントデータおよび前記アイテムの故障に関する状態および当該状態の発生時期を含む故障イベントデータを受け付ける手段と，前記保全イベントデータおよび前記故障イベントデータを用いて，前記アイテムの保全間の稼働時間を示す累積稼働時間，前記状態および前記保全方式を関連付けた生存時間データを生成する手段と，前記累積稼働時間を，関連付けられた保全方式に基づいて補正して等価累積稼働時間を生成し，生成された前記等価累積稼働時間および前記関連付けられた保全方式を用いて前記アイテムの故障確率関数を算出する手段とを有する故障確率評価システムである。また，本発明には，本システムを用いた方法やこの方法を実行するためのプログラム製品も含まれる。
　保全効果を反映する機能を具備することにより，より高精度な故障回数や寿命の推定を可能にする。
本発明の実施例における故障確率評価システムの一例の構成図 本発明の実施例で用いられる故障イベントデータ４および保全イベントデータ３を示す図 本発明の実施例における生存時間データを示す図 本発明の実施例における故障発生および保全実施と，稼働時間の関係を表す模式図 本発明の実施例におけるダメージ残留量に基づく等価累積稼働時間の計算を説明する模式図 本発明の実施例における補正を施した生存時間データを示す図 本発明の実施例における保全効果持続時間に基づく等価累積稼働時間の計算を説明する模式図 本発明の実施例における表示部の一例の構成図 本発明の実施例における故障確率評価システムの一例の構成図
　以下，本発明の実施例を，図面を用いて説明する。
　ここでははじめに，配管中に設けられたフィルタを想定したアイテムに対し，ダメージ回復効果の異なる3種類（方式）の保全(交換，分解清掃，簡易清掃)を実施するアイテムを対象とした故障確率評価システムを例にとり，本発明の実施例を説明する。
　図1に本実施例に基づく故障確率評価システムの構成の一例を示す。故障イベントデータベース５には，アイテムの故障の発生時刻を含む故障イベントデータ４が蓄積されている。次に保全イベントデータベース６には，保全の実施時刻データと実施した保全方式データが対となった保全イベントデータ３が記録されている。場合によっては，図２に示すがごとく，保全を担当したオペレータの情報も記録する方式としてもよい。なお，ここでは，保全種別を3種類として設定しているが，その数について本実施例はなんら限定を加えるものではない。また，双方のデータベース(５,６)に対して，オペレータ２がアイテムの監視結果や保全実施に基づいて手動でデータを入力する方式を採用する方式を採用してもよい。但し，特に故障イベントデータベース５については，センサによる状態監視結果に基づき記録システム１によって自動的に故障イベントデータ４を入力する方式を採用することが望ましい。
　次に，生存時間データ生成部７について説明する。生存時間データ生成部７では，故障イベントデータベース５に格納された故障イベントデータ４データと保全イベントデータベース６に格納された保全イベントデータ３に基づき，以下のデータを生成する。それは，図３に示すような，アイテムの累積稼働時間と，稼働時間経過後の状態(アウトカム)と，保全方式が対となった生存時間データ８である。ここでアウトカムとは，ある累積稼働時間が経過した時点において，アイテムが故障したのか，あるいは生存していたのかを表すラベルである。保全を実施しながら運用されるアイテムであれば，事前保全を実施した場合にはその時点でアイテムは故障に至っていないので生存(事前保全)としてラベル付けされる。通常の生存時間解析に用いるデータセットは累積稼働時間とアウトカムの対が含まれれば十分である。但し，本実施例においては，着目する累積稼働時間がゼロの時点において実施された保全に関する情報が重要となるため，これらに合わせて保全方式を同時にデータセットに含める。前述のように，保全を実施したオペレータによって，保全効果に差異が生じる可能性が大きい場合には，図３に示したように保全を実施したオペレータの情報を含めてもよい。
　次に，保全効果補正部９について併せて説明する。図４に，アイテムの累積稼働時間と，故障発生および保全実施タイミングの関係を模式的に示した。例えば時刻t0において，保全として新品交換を実施した後は，アイテムの寿命は比較長くなることが期待できる。
一方，保全として分解清掃(t2)や簡易清掃(t1)を実施した後には，アイテムの寿命は相対的には短くなると期待される。通常の生存時間解析を行う場合，故障に至る以前にどのような保全が実施されたのかは考慮されない。したがって，必然的に生存時間解析によって得られる故障確率密度関数は，分散や標準偏差，変動誤差といった指標によって表される散布度の大きい確率密度関数とならざるを得ない。
　そこで，本実施例では，故障発生または事前保全実施の前に，最後に実施した保全の内容に基づいて，累積稼働時間を補正することにより，保全の効果を生存時間解析に反映させる。図５に累積稼働時間を補正する方法の一例を模式的に示す。例えば，図５中の時刻t2に分解清掃を実施し，その後時刻t3に発生した故障について考える。このとき，分解清掃を実施した直後の時点で，稼働時間X1に相当するダメージが残留していると仮定する(これをダメージ残留量と定義する)。次に，分解清掃を行った後に故障に至るまでの累積稼働時間をT1(=t3-t2)とし，これにX1を加算して累積稼働時間を補正する。すなわち，等価累積稼働時間Te,3= X1+T3を新たに導入する。ここで，i種類の保全方式毎に定義づけられるダメージ残留量Xiは，保全効果を定量的に表現するパラメータ(保全効果パラメータ１１)である。但し，保全方式毎の保全効果が定量的に明らかにならない限り，未知のパラメータとして扱わざるを得ない。したがって，等価累積稼働時間Te,nをこの段階では具体的に計算することができない。そこで，ダメージ残留量Xiには乱数などを用いて設定した初期値を仮に与えた上で，補正済み生存時間データ１０を生成する。補正済み生存時間データ１０とは，図６に示すような，補正を施された等価累積稼働時間とアウトカムを含む生存時間データである。
　次に，故障確率関数同定部１２について説明する。故障確率関数同定部１２では，生存時間解析の手法に基づいて，故障確率関数１３を同定する。生存時間解析とは，図３または図６に示したような生存時間データから，生存曲線(信頼度関数)や故障確率関数を同定する統計的手法である。これには，Kaplan-Meier法に代表されるノンパラメトリックな方法と，なんらかの確率分布を仮定したパラメトリックな方法に大別される。本実施例は，その方法を限定するものではないが，故障確率関数の散布度に着目した計算を実施するので，分散，標準偏差，変動係数といった指標を用いて散布度の計算が確率分布の下に簡便に行えるパラメトリックな手法を採用することが望ましい。
　パラメトリックな手法では，例えばワイブル分布などの確率分布を仮定し，最尤推定法などによって確率分布パラメータを同定していく。一度，確率分布パラメータが定義されれば，散布度を表す指標を簡便に得ることができる。故障確率関数同定部１２では，補正済み生存時間データ１０に基づいて計算された散布度指標を目的関数として，これを最小化するための最適化計算を続けて行う。散布度指標の計算結果と最適化計算アルゴリズムに基づいて，未知パラメータであるダメージ残留量Xiを変化させ，これを保全効果補正部９に引き渡す。続いて，保全効果補正部９より再度得られる補正済み生存時間データに基づき，再び故障確率関数の同定を行って散布度指標の計算と評価を行う。この繰り返しによって，より確からしいダメージ残留量Xiを同定しながら，より散布度の小さい故障確率関数１３を得ることができる。本実施例では，ここで用いる最適化計算アルゴリズムになんらの制限を加えるものではないが，例えば遺伝的アルゴリズムや粒子群最適化などの進化的計算アルゴリズムを用いれば，広範な問題設定に汎用的に対応することができる。
　以上の説明では，保全の効果をダメージ残留量Xiとしてモデル化したが，本実施例はモデル化の手法を限定するものではない。軸受や歯車といった機械要素の保全を行う場合を考えた場合には，保全によるダメージの回復をモデル化するよりも，保全による保全後のダメージ蓄積の抑制効果をモデリングしたほうがよい場合もある。
　これらの機械要素は摩耗や疲労き裂の進展によって故障に至ることがある。部品を交換すれば，これらのダメージ蓄積は回復する。但し，例えば注油やグリスアップといった保全が実施される場合，摩耗やき裂といった物理的なダメージが回復する訳ではなく，潤滑状態の回復によってこれらのダメージの進展が抑制されると表現するほうが妥当であるといえる。この場合には，図７に示すように保全実施後には稼働時間の累積が見かけ上，一時的に抑制されるようにモデル化するほうが妥当である。したがって，例えば時刻t1に注油を行った後，時刻t3に発生した故障に着目すると，等価累積稼働時間Te,3はTe,3=T3-Tcとモデリングされる。ここで，Tcは保全効果持続時間であり，保全効果パラメータ１１の一種である。
　等価累積稼働時間の計算式は，保全効果のモデル化方法によって異なるので，保全効果補正部９での計算はそれに応じて変化するが，故障確率関数同定部１２は保全効果パラメータ１１を説明変数とした最適化計算を行うので，その内部での計算フローは変化しない。本実施例では，ダメージ残留量に加えて，保全効果持続時間を例にとり，これらの保全効果パラメータによって累積稼働時間を等価累積稼働時間として補正しながら，故障確率関数１３を同定していく方法について説明した。しなしながら，本実施例では保全効果のモデル化方法をこれらに限定するものではない。ここで例示した以外の保全効果のモデル化方法であっても，本実施例によれば，保全効果補正部９内部の計算を変更するのみでよい。また，複数種類の保全効果のモデル化方法に基づく，複数種類の保全効果パラメータの両方を組み合わせて用いてもよい。
　以上で述べた生存時間データ生成部７，保全効果補正部９および故障確率関数同定部１２は，それぞれが計算機プログラムとして実装されるが，具体的な計算機への実装形態を限定するものではない。例えば，これらのプログラムをコンピュータの主記憶装置に格納し，各プログラムに従った計算をＣＰＵも如きプロセッサで実行することも本実施例の一例である。ただし故障確率関数同定部１２は，保全効果補正部９を繰り返し呼び出しながら，比較的計算コストの大きい計算処理を行う必要があるので，その双方が同一の計算機に実装されている形態とすることが理想的である。
　次に，表示部１４の例について説明する。表示部１４は，具体的には画面描画プログラムを実装した計算機および表示装置から構成されるが，ここで用いられる計算機は，上述した各分析部(７,９,１２)とは異なるものであっても差し支えない。
　図８に，表示部１４の一例を示す。表示部１４は，故障確率関数同定部１２によって同定された故障確率関数１３を表示する故障確率関数表示部１８，現時点における故障確率を表示する故障確率表示部１９，推定された保全項目ごとの保全効果パラメータを表示する保全項目表示部２０，現時点における累積稼働時間および最後に実施した保全項目を表示する稼働情報表示部２１などから構成される。この例では，現時点でのアイテムに故障が生じる可能性を理解しやすくするために，故障確率関数(F(t))を表示している。但し，信頼度関数(R(t)=1-F(t))の表示とすれば，現時点でアイテムがどの程度の信頼性の下で運用されているのか直感的に理解しやすくなる。例えば，表示する関数をプルダウンメニュー２２で切り替えられるようにすれば，ユーザが目的に応じた表示内容を簡便に切り替えることが可能になる。
　アイテムの故障確率関数は，故障確率や信頼度を計算するだけでなく，余寿命の予測や，適切な部品在庫の管理を行う上で，有用な情報である。したがって，本実施例に基づく故障確率評価システムをこれらの機能を有する下位のシステムである余寿命予測システム１５，部品在庫管理システム１６，運用保全計画管理システム１７）と接続することも有効である。つまり，ＡＩなどを活用して演算結果を分析し，何らかのサービスに適用することも可能である。例えば，余寿命予測システム１５と接続することでアイテムの世寿命通知するサービスを実現可能である。また，部品在庫管理システム１６と接続することで，アイテムの保全（部品交換）に用いる部品の高精度な管理が可能になる。さらに，運用保全計画管理システム１７を接続することで，アイテムの適切な運用管理（保全スケジュール作成を含む）が可能になる。その他，アイテムの資産管理などへの適用も可能である。
　なお，アイテムに対するダメージは，過去の保全の影響を受けることもある。このため，等価累積稼働時間の計算において，少なくとも直近を含む複数のダメージ残留量の算出をまとめて行うことが好適である。
　実施例1では，保全によるダメージの回復効果を，累積稼働時間を補正する形で故障確率関数に反映させていた。この場合，アイテムに対するダメージの累積は，時間に対して一定であるという仮定をおいていることになる。しかし，例えば風力発電機２７を例にとると，各部品や構造物が受ける負荷は，稼働状態に応じて時々刻々変化することになる。
特許文献1には，このような時間変化する稼働状態を考慮した上で，生存時間解析を行って故障確率関数を同定するための発明が記載されている。この発明では，機器に取り付けられたセンサによって計測された複数の物理量に基づき，散布度の少ない故障確率関数が得られるように各物理量から構成されるダメージモデルを同定するシステムが記載されている。つまり，アイテムに対する負荷とその発生時期を含む負荷イベントデータを用いて，負荷パラメータを有するダメージモデルを生成していると表現できる。したがって，本実施例に基づく図１のシステムと，特許文献1に記載されたシステムを組み合わせれば，時々刻々変化するダメージの累積と，保全によるダメージの回復効果や蓄積抑制効果の双方を考慮した，より実用的な故障確率関数の同定が実現できる。
　図９に，時間変化する稼働状態と保全効果の双方を考慮できる故障確率評価システムの一例の構成を示す。ここでは，まず特許文献1に記載のように，稼働時間に対する故障確率関数を累積ダメージに対する故障確率関数におきかえて考える。ここでの累積ダメージ（累積負荷）とは，センサによる計測によって得られた時系列計測データの組合せによって得られたダメージを，時間累積した仮想的な量である。ダメージモデル生成部２５では，時系列稼働データベース２３に記録された時系列稼働データ２４を元に，ダメージモデルが生成され，累積稼働時間は累積ダメージへと変換される。続いて生存時間データ生成部７において累積ダメージを基準とした生存時間データが生成される。このあとは，実施例1と同様に，累積ダメージに対して保全効果に基づく補正を行った上で，故障確率関数の同定を行う。ここで，実施例1では保全効果パラメータ１１を変数として故障確率関数１３の散布度指標を最小化する最適化計算を実施していた。但し，本実施例では，保全効果パラメータ１１に加えて，ダメージモデルを定義づけるダメージモデルパラメータ（負荷パラメータ）２６も変数として加えた最適化計算を行う。このような構成とすることで，ダメージモデルの同定と保全効果の定量化を行いながら，より散布度の小さい故障確率関数１３を得ることができる。
　なお，本実施例では，アイテムとして風力発電機を例示したが，本発明の適用対象はこれに限定されない。
1…記録システム
2…オペレータ
3…保全イベントデータ
4…故障イベントデータ
5…故障イベントデータベース
6…保全イベントデータベース
7…生存時間データ生成部
8…生存時間データ
9…保全効果補正部
10…補正済み生存時間データ
11…保全効果パラメータ
12…故障確率関数同定部
13…故障確率関数
14…表示部
15…余寿命予測システム
16…部品在庫管理システム
17…運用保全計画管理システム
18…故障確率関数表示部
19…故障確率表示部
20…保全項目表示部
21…稼働情報表示部
22…プルダウンメニュー
23…時系列稼働データベース
24…時系列稼働データ
25…ダメージモデル生成部
26…ダメージモデルパラメータ
27…風力発電機

Claims (12)

  1. 　アイテムにおける故障確率を評価する故障確率評価システムであって，
    　前記アイテムに対する保全の保全方式および当該保全の時期を含む保全イベントデータおよび前記アイテムの故障に関する状態および当該状態の発生時期を含む故障イベントデータを受け付ける手段と，
    　前記保全イベントデータおよび前記故障イベントデータを用いて，前記アイテムの保全間の稼働時間を示す累積稼働時間，前記状態および前記保全方式を関連付けた生存時間データを生成する手段と，
    　前記累積稼働時間を，関連付けられた保全方式に基づいて補正して等価累積稼働時間を生成し，生成された前記等価累積稼働時間および前記関連付けられた保全方式を用いて前記アイテムの故障確率関数を算出する手段とを有することを特徴とする故障確率評価システム。
  2. 　請求項１に記載の故障確率評価システムであって，
    　前記故障確率関数を算出する手段は，前記保全方式での保全によるアイテムの損傷回復効果または損傷蓄積抑制効果を定義付ける保全効果パラメータを用いて，前記等価累積稼働時間を生成することを特徴とする故障確率評価システム。
  3. 　請求項２に記載の故障確率評価システムであって，
    　さらに，前記故障確率関数の散布度を変化させることで，前記保全効果パラメータに対する最適化処理を実行する手段を有することを特徴とする故障確率評価システム。
  4. 　請求項３に記載の故障確率評価システムであって，
    　故障イベントデータを受け付ける手段は，前記アイテムに対する負荷および当該負荷の発生時期を含む負荷イベントデータを受け付け，
    　前記生存時間データを生成する手段は，前記負荷イベントデータを用いて，前記アイテムに対する負荷を定義付ける負荷パラメータを有するダメージモデルを生成し，前記生存時間データとして，前記負荷イベントデータを用いて，前記アイテムに対する累積負荷と前記状態を関連付けた生存時間データを生成し，
    　前記最適化処理を実行する手段は，さらに前記負荷パラメータに対する最適化処理を実行することを特徴とする故障確率評価システム。
  5. 　請求項２乃至４のいずれかに記載の故障確率評価システムであって，
    　前記故障確率関数を算出する手段は，前記累積稼働時間に対して，前記保全効果パラメータによって定義づけられる時間分の減算もしくは加算を行うことで等価累積稼働時間を算出することを特徴とする故障確率評価システム。
  6. 　請求項４に記載の故障確率評価システムであって，
    　前記故障確率関数を算出する手段は，前記累積負荷を，前記負荷パラメータによって定義づけられる負荷の分だけ減算または加算することを特徴とする故障確率評価システム。
  7. 　アイテムにおける故障確率を評価する故障確率評価システムを用いた障確率評価方法であって，
    　前記アイテムに対する保全の保全方式および当該保全の時期を含む保全イベントデータおよび前記アイテムの故障に関する状態および当該状態の発生時期を含む故障イベントデータを受け付けるステップと，
    　前記保全イベントデータおよび前記故障イベントデータを用いて，前記アイテムの保全間の稼働時間を示す累積稼働時間，前記状態および前記保全方式を関連付けた生存時間データを生成するステップと，
    　前記累積稼働時間を，関連付けられた保全方式に基づいて補正して等価累積稼働時間を生成し，生成された前記等価累積稼働時間および前記関連付けられた保全方式を用いて前記アイテムの故障確率関数を算出するステップとを有することを特徴とする故障確率評価方法。
  8. 　請求項７に記載の故障確率評価方法であって，
    　前記故障確率関数を算出するステップは，前記保全方式での保全によるアイテムの損傷回復効果または損傷蓄積抑制効果を定義付ける保全効果パラメータを用いて，前記等価累積稼働時間を生成することを特徴とする故障確率評価方法。
  9. 　請求項８に記載の故障確率評価方法であって，
    　さらに，前記故障確率関数の散布度を変化させることで，前記保全効果パラメータに対する最適化処理を実行するステップを有することを特徴とする故障確率評価方法。
  10. 　請求項９に記載の故障確率評価方法であって，
    　故障イベントデータを受け付けるステップは，前記アイテムに対する負荷および当該負荷の発生時期を含む負荷イベントデータを受け付け，
    　前記生存時間データを生成するステップは，前記負荷イベントデータを用いて，前記アイテムに対する負荷を定義付ける負荷パラメータを有するダメージモデルを生成し，前記生存時間データとして，前記負荷イベントデータを用いて，前記アイテムに対する累積負荷と前記状態を関連付けた生存時間データを生成し，
    　前記最適化処理を実行するステップは，さらに前記負荷パラメータに対する最適化処理を実行することを特徴とする故障確率評価方法。
  11. 　請求項８乃至１０のいずれかに記載の故障確率評価方法であって，
    　前記故障確率関数を算出するステップは，前記累積稼働時間に対して，前記保全効果パラメータによって定義づけられる時間分の減算もしくは加算を行うことで等価累積稼働時間を算出することを特徴とする故障確率評価方法。
  12. 　請求項１０に記載の故障確率評価方法であって，
    　前記故障確率関数を算出するステップは，前記累積負荷を，前記負荷パラメータによって定義づけられる負荷の分だけ減算または加算することを特徴とする故障確率評価方法。
PCT/JP2020/043161 2019-11-21 2020-11-19 故障確率評価システム WO2021100800A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/636,606 US12019595B2 (en) 2019-11-21 2020-11-19 Failure probability evaluation system
AU2020389306A AU2020389306A1 (en) 2019-11-21 2020-11-19 Failure probability evaluation system
EP20889132.5A EP4064141A4 (en) 2019-11-21 2020-11-19 FAILURE PROBABILITY ASSESSMENT SYSTEM

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2019210295A JP7339861B2 (ja) 2019-11-21 2019-11-21 故障確率評価システム
JP2019-210295 2019-11-21

Publications (1)

Publication Number Publication Date
WO2021100800A1 true WO2021100800A1 (ja) 2021-05-27

Family

ID=75965321

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/043161 WO2021100800A1 (ja) 2019-11-21 2020-11-19 故障確率評価システム

Country Status (5)

Country Link
US (1) US12019595B2 (ja)
EP (1) EP4064141A4 (ja)
JP (1) JP7339861B2 (ja)
AU (1) AU2020389306A1 (ja)
WO (1) WO2021100800A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024106483A1 (ja) * 2022-11-18 2024-05-23 日立建機株式会社 寿命予測システム
CN117993220B (zh) * 2024-03-18 2024-07-23 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） 融合加速寿命及加速退化的产品综合试验方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005085178A (ja) * 2003-09-11 2005-03-31 Mitsubishi Electric Corp 設備運用計画作成システム
JP2019160128A (ja) 2018-03-16 2019-09-19 株式会社日立製作所 故障確率評価システム及び方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7124059B2 (en) 2000-10-17 2006-10-17 Accenture Global Services Gmbh Managing maintenance for an item of equipment
JP2004191359A (ja) * 2002-10-24 2004-07-08 Mitsubishi Heavy Ind Ltd リスクマネージメント装置
US7769568B2 (en) * 2004-07-09 2010-08-03 The United States Of America As Represented By The Secretary Of The Army Employing a dynamic lifecycle condition index (CI) to accommodate for changes in the expected service life of an item based on observance of the item and select extrinsic factors
WO2014118049A1 (en) * 2013-02-01 2014-08-07 Tetra Laval Holdings & Finance S.A. A method for providing maintenance data
US20160292652A1 (en) * 2015-04-03 2016-10-06 Chevron Pipe Line Company Predictive analytic reliability tool set for detecting equipment failures
US20190147413A1 (en) 2017-11-13 2019-05-16 Ge Energy Power Conversion Technology Ltd Maintenance optimization system through predictive analysis and usage intensity

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005085178A (ja) * 2003-09-11 2005-03-31 Mitsubishi Electric Corp 設備運用計画作成システム
JP2019160128A (ja) 2018-03-16 2019-09-19 株式会社日立製作所 故障確率評価システム及び方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4064141A4

Also Published As

Publication number Publication date
US20220300470A1 (en) 2022-09-22
AU2020389306A1 (en) 2022-03-17
EP4064141A4 (en) 2023-11-29
JP7339861B2 (ja) 2023-09-06
EP4064141A1 (en) 2022-09-28
US12019595B2 (en) 2024-06-25
JP2021082107A (ja) 2021-05-27

Similar Documents

Publication Publication Date Title
CN111542846B (zh) 故障预测系统和故障预测方法
JP6356304B2 (ja) 保守有効性推定に基づく保守推奨システム
JP6865189B2 (ja) 故障確率評価システム及び方法
US10521490B2 (en) Equipment maintenance management system and equipment maintenance management method
CN104966141B (zh) 更新用于生成工业资产健康状况简档的模型的方法和系统
US20170350789A1 (en) Operating Wind Motors and Determining their Remaining Useful Life
US6684349B2 (en) Reliability assessment and prediction system and method for implementing the same
KR101044744B1 (ko) 신뢰도 기반 배전기자재 유지보수 시스템과 방법
US20160292652A1 (en) Predictive analytic reliability tool set for detecting equipment failures
JP7145821B2 (ja) 故障確率評価システムおよびその方法
WO2021100800A1 (ja) 故障確率評価システム
US20130041783A1 (en) System and method for dynamic spare part management
CN107992410B (zh) 软件质量监测方法、装置、计算机设备和存储介质
US9665842B2 (en) Supply chain management anomaly detection
KR20140038265A (ko) 고장관리장치 및 이의 고장관리방법
JP2009086896A (ja) コンピュータの障害予測システムおよび障害予測方法
JP6975086B2 (ja) 品質評価方法および品質評価装置
WO2023286659A1 (ja) 故障予測装置、故障予測方法、及びプログラム
Kaiser A simulation study of predictive maintenance policies and how they impact manufacturing systems
JP7138727B2 (ja) 品質管理装置、品質管理システム、品質管理方法、及び品質管理プログラム
JP2024057316A (ja) 故障確率評価システムおよび故障確率評価方法
CN117093504A (zh) 一种面向缺陷度量的软件质量控制方法
CN118575143A (zh) 异常判定方法以及生产管理系统
CN118541655A (zh) 异常判定方法以及生产管理系统
Babaei et al. A new approach for constraining failure probability of a critical deteriorating system

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: 20889132

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020389306

Country of ref document: AU

Date of ref document: 20201119

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020889132

Country of ref document: EP

Effective date: 20220621