WO2022219997A1 - 故障予測システム - Google Patents

故障予測システム Download PDF

Info

Publication number
WO2022219997A1
WO2022219997A1 PCT/JP2022/011789 JP2022011789W WO2022219997A1 WO 2022219997 A1 WO2022219997 A1 WO 2022219997A1 JP 2022011789 W JP2022011789 W JP 2022011789W WO 2022219997 A1 WO2022219997 A1 WO 2022219997A1
Authority
WO
WIPO (PCT)
Prior art keywords
inspection
unit
failure
acquisition unit
data
Prior art date
Application number
PCT/JP2022/011789
Other languages
English (en)
French (fr)
Inventor
弘樹 高見
聡志 猪瀬
信一 奥
有司 角谷
智揮 矢田
Original Assignee
日立建機株式会社
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
Application filed by 日立建機株式会社 filed Critical 日立建機株式会社
Priority to JP2023514528A priority Critical patent/JPWO2022219997A1/ja
Priority to EP22787923.6A priority patent/EP4325313A1/en
Priority to KR1020237028320A priority patent/KR20230133365A/ko
Priority to CN202280016993.4A priority patent/CN116917824A/zh
Publication of WO2022219997A1 publication Critical patent/WO2022219997A1/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
    • G05B23/0259—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
    • 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
    • G05B23/0243—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 model based detection method, e.g. first-principles knowledge model
    • 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
    • G05B23/0267—Fault communication, e.g. human machine interface [HMI]
    • G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user

Definitions

  • the present invention relates to a failure prediction system that predicts failures of working machines such as hydraulic excavators.
  • Patent Literature 1 discloses a failure prediction system that improves prediction accuracy by learning while comparing failure prediction values and results (whether or not an event has occurred) for a predetermined period of time.
  • the present invention was made to solve such technical problems, and aims to provide a failure prediction system capable of improving the accuracy of failure prediction.
  • a failure prediction system is a failure prediction system that predicts a failure of a working machine, and includes an operation information acquisition unit that acquires operation information of the work machine, and an inspection information acquisition unit that acquires inspection information of the work machine.
  • a part replacement/repair information acquisition unit that acquires part replacement/repair information of the work machine; the operation information acquired by the operation information acquisition unit; the inspection information acquired by the inspection information acquisition unit; For each part of the work machine based on the parts replacement/repair information acquired by the information acquisition unit and the discrepancy information between the failure probability for each part of the work machine and the inspection results of the work machine stored in the storage unit It is characterized by comprising a failure prediction unit that predicts the failure probability of
  • the failure prediction unit includes operation information acquired by the operation information acquisition unit, inspection information acquired by the inspection information acquisition unit, and parts replacement/repair information acquired by the parts replacement/repair information acquisition unit. , and the failure probability for each part of the work machine is predicted based on the deviation information between the failure probability for each part of the work machine and the inspection results of the work machine stored in the storage unit. In this way, the accuracy of failure prediction can be improved by adding inspection information, parts replacement/repair information, and discrepancy information between the failure probability and inspection results to the operating information of the work machine to predict the failure probability. .
  • FIG. 1 is a schematic configuration diagram showing a failure prediction system according to an embodiment
  • FIG. 1 is a block diagram showing a failure prediction system according to an embodiment
  • FIG. It is a figure which shows an example of failure probability data. It is a figure which shows an example of inspection item data. It is a figure which shows an example of main component data.
  • 4 is a flowchart showing control processing of a server; 4 is a flowchart showing control processing regarding an inspection item screen of a mobile terminal; 4 is a flow chart showing control processing related to the main component screen of the mobile terminal; 7 is a flow chart showing control processing relating to a failure probability screen of a mobile terminal; It is a figure which shows an example of the inspection item screen of a portable terminal.
  • FIG. 11 is a schematic configuration diagram showing a modification of the failure prediction system
  • FIG. 11 is a schematic configuration diagram showing a modification of the failure prediction system
  • Part basically has a larger range than “part”.
  • the part “front” is composed of parts such as a boom, an arm and a bucket.
  • parts such as a boom, an arm and a bucket.
  • an “engine” it may be a part or a part. Therefore, depending on the contents, there are cases where the same part is referred to as a part and a part.
  • FIG. 1 is a schematic configuration diagram showing the failure prediction system according to the embodiment
  • FIG. 2 is a block diagram showing the failure prediction system according to the embodiment.
  • a failure prediction system 1 according to the present embodiment includes a plurality of hydraulic excavators 10, a server 20 configured to be able to communicate with each of these hydraulic excavators 10 via a network 40, and a server 20 and hydraulic excavators via the network 40. 10 and mobile terminals 30 capable of communicating with each other.
  • the hydraulic excavator 10 is shipped from the manufacturer's factory and used by a predetermined user (for example, the owner or user of the hydraulic excavator) at a work site where civil engineering work, construction work, demolition work, dredging work, or the like is performed. .
  • the hydraulic excavator 10 is provided with an operation data collection unit 101 .
  • the operation data collection unit 101 is, for example, a part of the control unit that controls the entire hydraulic excavator 10, and transmits the operation data of the hydraulic excavator 10 to the server 20 or the mobile terminal 30 together with its own identification number. Note that transmission to the server 20 and the mobile terminal 30 is performed periodically (for example, once a day).
  • the mobile terminal 30 is, for example, a smart phone, a tablet terminal, a mobile phone, a PDA (Personal Data Assistant), or the like, and is carried by a maintenance worker or user of the hydraulic excavator 10 .
  • a maintenance worker or a user can request information such as inspection items related to a specific hydraulic excavator 10 via the mobile terminal 30, for example.
  • the identification number of the specific hydraulic excavator 10 is directly input into the input unit 304 of the mobile terminal 30, By selecting the identification number of the specific hydraulic excavator 10 displayed on the input unit 304 , a request is made to the server 20 via the mobile terminal 30 .
  • the mobile terminal 30 has an inspection item screen 301 , a main parts screen 302 , a failure probability screen (display section) 303 and an input section 304 .
  • the inspection item screen 301, the main parts screen 302, and the failure probability screen 303 can be switched by selection by maintenance personnel or the user. A detailed description of these screens will be given later.
  • the input unit 304 is for receiving input from maintenance personnel or users, and is composed of, for example, a touch panel displayed on the display of the mobile terminal 30, a keyboard, and the like. As described above, when maintenance personnel or users desire information such as inspection items for a particular hydraulic excavator 10 , they can request the server 20 by inputting an identification number into the input unit 304 .
  • inspection information for example, inspection results
  • identification number of the hydraulic excavator 10 is sent to the server. 20.
  • a maintenance worker replaces or repairs a part of the hydraulic excavator 10
  • he/she can use the input unit 304 to obtain a work-related number as a management number along with the replacement or repair of the part.
  • data relating to the work-related number is transmitted to the server 20 as part replacement/repair information.
  • the operator when an operator performs inspection work based on a failure probability predicted by a failure prediction unit 205, which will be described later, the operator inputs the actual inspection results into the input unit 304 together with the identification number of the hydraulic excavator 10, and sends it to the server 20. can be sent.
  • the server 20 learns the results by comparing actual values and predicted values based on actual inspection results based on the input results.
  • the server 20 is a main computer that constitutes the failure prediction system 1, and is installed in the head office, branch office, factory, or management center of the manufacturer of the hydraulic excavator 10. , and these hydraulic excavators 10 are centrally managed.
  • the server 20 includes, for example, a CPU (Central Processing Unit) that executes calculations, a ROM (Read Only Memory) as a secondary storage device that stores programs for calculations, and storage of calculation progress and temporary control variables. It is composed of a microcomputer combined with a RAM (Random Access Memory) as a temporary storage device, and performs processing such as calculation and judgment by executing a stored program.
  • a CPU Central Processing Unit
  • ROM Read Only Memory
  • RAM Random Access Memory
  • the server 20 predicts the failure probability of each part of the hydraulic excavator 10 based on the operation data of the hydraulic excavator 10 to be managed, and transmits the predicted result to the mobile terminal 30 .
  • the server 20 of the present embodiment includes an operation data acquisition unit (operation information acquisition unit) 201, an inspection data acquisition unit (inspection information acquisition unit) 202, a parts replacement/repair data acquisition unit (parts replacement/repair information acquisition section) 203 , a learning section 204 , a failure prediction section 205 , an inspection item acquisition section 206 , a main part acquisition section 207 and a data storage section 210 .
  • the operation data acquisition unit 201 acquires the operation data transmitted from the hydraulic excavator 10 and stores and accumulates the acquired operation data together with the identification number of the hydraulic excavator 10 in the data storage unit 210 .
  • the operation data history 211 in FIG. 2 is operation data of the hydraulic excavator 10 accumulated for a predetermined period (for example, the period from factory shipment to the present), and is stored in the data storage unit 210 .
  • This operation data is data related to operation information, and includes, for example, operation start time, operation end time, position information, and information detected by each sensor of the hydraulic excavator 10 .
  • the inspection data acquisition unit 202 acquires inspection information of the hydraulic excavator 10 and stores the acquired result as inspection data 212 in the data storage unit 210 together with the identification number of the hydraulic excavator 10 .
  • the inspection information of the hydraulic excavator 10 is the information transmitted by inputting to the input unit 304 by the maintenance personnel as described above.
  • the inspection data 212 includes inspection date and time, inspection items, inspection work details, inspection results, and the like.
  • the parts replacement/repair data acquisition unit 203 acquires information on parts repairs and parts replacements related to the above-described "work-related number", and stores the acquired parts repair and/or parts replacement results as parts replacement/repair data 213 for the hydraulic excavator 10. is stored in the data storage unit 210 together with the identification number of the .
  • the parts replacement/repair data 213 includes parts repair details, parts replacement details, repair date and time, replacement date and time, and the like.
  • the learning unit 204 performs machine learning using well-known methods such as decision trees and gradient boosting, which is an advanced version of decision trees.
  • Machine learning uses the operating data history of other hydraulic excavators collected and accumulated at the time of the desired prediction as an explanatory variable to determine which of the inspection/repair history and parts replacement history of those hydraulic excavators has been performed.
  • a failure model that derives the failure probability is created by using business data including Note that the inspection/repair history and parts replacement history are objective variables and indicate the fact of failure. Therefore, if the operation data history includes the failure history, inspection/repair history and parts replacement history are unnecessary. On the other hand, if the operation data history does not include the failure history, the inspection/repair history and parts replacement history are necessary. In other words, data relating to inspection/repair history and part replacement history are referenced depending on whether or not the operation data history includes generating a failure model, which will be described later.
  • the failure prediction unit 205 has an operation data history 211 that is constantly collected from the hydraulic excavator 10, and inspection data 212 and parts replacement/repair data 213 that are fed back from the mobile terminal when an inspection or repair is performed on any hydraulic excavator 10.
  • the failure probability for each part of the hydraulic excavator 10 is predicted based on , and the prediction result is stored in the data storage unit 210 together with the identification number of the hydraulic excavator 10 as failure probability data 215 . Further, the failure probability data is provided to the learning unit 204, and machine learning is performed.
  • the predicted failure probability is expressed as a percentage, the higher the number, the higher the probability of failure (in other words, the more urgent the inspection).
  • the types here are divided into “aging”, “sudden”, and “general”. "aging” indicates the possibility of time-related failures such as aging deterioration and wear, and “sudden” indicates recent operating conditions. indicates the possibility that signs of failure have appeared, and “total” indicates the failure probability that takes into account both "aging” and "sudden”.
  • the inspection item acquisition unit 206 acquires the inspection item data 216 of the hydraulic excavator 10 stored in the data storage unit 210 in response to a request from the mobile terminal 30 and transmits the inspection item data 216 to the mobile terminal 30 .
  • inspection item data 216 include an exhaust pipe, a supercharger, a fuel filter, a boom, etc., as shown in FIG. 4, and these inspection items are classified by model.
  • the main parts acquisition unit 207 acquires the main parts data 217 of the hydraulic excavator 10 stored in the data storage unit 210 in response to a request from the mobile terminal 30 and transmits it to the mobile terminal 30 .
  • the main parts data 217 for example, as shown in FIG. 5, it is divided by model and inspection item.
  • step S101 at least one of the operation data history of the hydraulic excavator 10, the inspection data history, or the parts replacement/repair data history is acquired.
  • the reason why the term "history" is used is that the prediction is made based not only on the time when the data is acquired, but also on the history up to that point.
  • the operation data acquisition unit 201 acquires the operation data transmitted from the hydraulic excavator 10 together with the identification number of the hydraulic excavator 10 and stores the acquired result in the data storage unit 210 .
  • the inspection data acquisition unit 202 acquires the inspection data transmitted from the mobile terminal 30 when an arbitrary hydraulic excavator 10 is inspected, together with the identification number of the hydraulic excavator 10, and stores the acquired result in the data storage unit 210.
  • both the inspection data history and the parts replacement/repair data history are information related to failures. Since these variables are essential for failure prediction, they are not referred to when they are included in the operating data history, and are referred to when they are not included.
  • the parts replacement/repair data acquisition unit 203 acquires the parts replacement/repair data transmitted from the portable terminal 30 when repairing the hydraulic excavator 10 is performed, together with the identification number of the hydraulic excavator 10, and stores the acquired result as data. Stored in unit 210 .
  • the learning unit 204 stores the operation data history and the data storage unit 210.
  • a failure model generated based on at least one of inspection data history and parts replacement/repair data history stored in is "updated” and compared with failure probability data stored in failure prediction unit 205 .
  • Deviation data 214 is generated based on the “difference” between the failure probability data (predicted value) and the actual inspection result (actual value), and is stored in the data storage unit 210 together with the identification number of the hydraulic excavator 10 .
  • the divergence data 214 includes deviation details, divergence analysis results, correction values reflecting the analysis results, and the like, and is utilized in machine learning for predicting failure probability.
  • step S102 following step S101 the failure probability is predicted.
  • the failure prediction unit 205 acquires the operation data history, the inspection data acquired by the inspection data acquisition unit 202, the parts replacement/repair data acquired by the parts replacement/repair data acquisition unit 203, and the failure model generated by the learning unit 204. predicts the failure probability for each part of the hydraulic excavator 10 by .
  • a failure model at the time when failure prediction is desired is extracted from the data storage unit 210, and by substituting the operation data history of the hydraulic excavator for which failure prediction is desired into the model, past failures can be determined.
  • the probability of failure is predicted based on how close it is to the actual value (operation data history) of the hydraulic excavator that occurred, and failure probability data is generated.
  • step S103 the failure prediction unit 205 causes the data storage unit 210 to store the prediction result together with the identification number of the hydraulic excavator 10. This completes the series of control processes.
  • FIG. 7 is a flow chart showing control processing relating to the inspection item screen of the portable terminal.
  • the control process shown in FIG. 7 is executed by cooperation between the mobile terminal 30 and the server 20. More specifically, part of step S201 and steps S204 to S209 are executed by the server 20. , and other steps are processes executed by the mobile terminal 30 .
  • the control process shown in FIG. 7 is started by, for example, maintenance personnel or the user selecting the inspection item screen 301 displayed on the mobile terminal 30 .
  • an inspection item list is obtained.
  • the maintenance staff or the user requests the inspection item list of the excavator 10 from the server 20 by selecting (eg, tapping) the inspection item screen 301 .
  • the inspection item acquisition unit 206 of the server 20 acquires an inspection item list from the inspection item data 216 in response to the request, and transmits the inspection item list to the mobile terminal 30 .
  • the mobile terminal 30 then receives the inspection item list transmitted from the server 20 and displays the received contents on the inspection item screen 301 .
  • inspection items such as "engine”, “upper rotating body”, and “lower traveling body” are listed.
  • loop processing relating to inspection items shown in steps S202 to S210 is performed. Specifically, for example, when maintenance personnel or a user selects one of a plurality of inspection item lists displayed on the inspection item screen 301 (for example, "undercarriage" shown in FIG. 10), the portable terminal 30 The selected inspection items are sent to the server 20, and a main parts list is requested from the server 20 (see step S203).
  • step S204 the main parts acquisition unit 207 of the server 20 acquires a main parts list from the main parts data 217 in response to the request. For example, when "undercarriage" is selected as shown in FIG. 10, the main parts acquisition unit 207 acquires main parts related to "undercarriage” such as sprockets, center joints, track frames, side frames, and track links. Get list.
  • main parts related to "undercarriage” such as sprockets, center joints, track frames, side frames, and track links. Get list.
  • loop processing of failure probability acquisition shown in steps S205 to S207 is performed for these acquired main parts. That is, the acquisition of the failure probabilities of the main components acquired in step S205 is performed sequentially (see step S206).
  • the failure probability of the main component is predicted by the failure prediction unit 205 and stored in the data storage unit 210 as failure probability data 215 .
  • step S208 the failure prediction unit 205 calculates the failure probability of the selected inspection item based on the failure probabilities of the main components acquired in steps S205-S207.
  • step S209 the server 20 returns (in other words, transmits) the failure probability of the inspection item predicted in step S208 to the mobile terminal 30.
  • Such a loop process regarding inspection items shown in steps S202 to S210 is performed for each selected inspection item. For example, when “upper rotating body” and “engine” are selected in order after “lower traveling body”, steps S203 to S209 are repeated in the order of "upper rotating body” and "engine”.
  • step S211 following step S210 the mobile terminal 30 displays the received inspection item list on the inspection item screen 301 together with the failure probability of each inspection item. This completes a series of control processes relating to the inspection item screen.
  • FIG. 8 is a flow chart showing control processing relating to the main component screen of the portable terminal.
  • the control process shown in FIG. 8 is executed by cooperation between the mobile terminal 30 and the server 20. More specifically, steps S303 to S307 are processes executed by the server 20, and the other steps are This processing is executed by the mobile terminal 30 .
  • step S301 inspection items are selected. For example, when a maintenance person or user selects an inspection item such as "front” as shown in FIG. (See step S302).
  • the main parts acquisition unit 207 of the server 20 acquires a main parts list related to the inspection item from the main parts data 217 in response to the request. Since "front" is selected here, the main parts acquisition unit 207 acquires a list of main parts such as buckets and links related to "front".
  • loop processing for obtaining the failure probability of the main parts shown in steps S304 to S306 is performed for these main parts that have been obtained. That is, the acquisition of the failure probabilities of the main components acquired in step S303 is performed sequentially (see step S305).
  • the failure probability of the main component is predicted by the failure prediction unit 205 and stored in the data storage unit 210 as failure probability data 215 .
  • step S308 following step S307, the mobile terminal 30 displays the received main parts list on the main parts screen 302 together with the failure probability of each part. At this time, for example, as shown in FIG. 11, the failure probability is displayed for each target link. Then, when step S308 ends, a series of control processing relating to the main parts screen ends.
  • FIG. 9 is a flow chart showing control processing relating to the failure probability screen of the portable terminal.
  • the control processing shown in FIG. 9 is executed by cooperation between the mobile terminal 30 and the server 20. More specifically, steps S402 to S404 and steps S407 to S408 are executed by the server 20. , and other steps are processes executed by the mobile terminal 30 .
  • step S401 information about the target hydraulic excavator is transmitted.
  • the maintenance staff or the user inputs the identification number of the hydraulic excavator 10 whose failure probability is to be checked into the input unit 304 of the mobile terminal 30 to request the server 20 .
  • step S402 it is determined whether or not the specified target hydraulic excavator is included in the management target.
  • the server 20 determines whether there is a hydraulic excavator corresponding to the identification number among the plurality of hydraulic excavators under management, based on the transmitted hydraulic excavator identification number. If it is determined that there is no target hydraulic excavator, the control process ends. On the other hand, if it is determined that there is a target hydraulic excavator, the control process proceeds to step S403.
  • the server 20 determines whether or not there is inspection data for the target hydraulic excavator. If it is determined that there is no inspection data, the control process ends. On the other hand, if it is determined that there is inspection data, the control process proceeds to step S404.
  • step S404 the server 20 determines whether or not there is parts replacement/repair data for the target hydraulic excavator. If it is determined that there is no part replacement/repair data for the target hydraulic excavator, the control process ends. On the other hand, if it is determined that there is part replacement/repair data, the control process proceeds to step S405.
  • step S405 main parts are selected.
  • the mobile terminal 30 transmits the selected main parts to the server 20 and requests the related main parts list from the server 20 ( See step S406).
  • the maintenance personnel or the user selects 'buckets, links' related to 'front' as shown in FIG.
  • step S407 the server 20 acquires the failure probability list of main parts from the failure probability data 215 in response to the request.
  • step S ⁇ b>408 the server 20 returns (in other words, transmits) the acquired failure probability list of the main components to the mobile terminal 30 .
  • step S409 following step S408, the mobile terminal 30 displays the received failure probability list of the main parts on the failure probability screen 303.
  • the failure probability screen 303 for example, as shown in FIG. 11, among a plurality of bucket links, each link is classified as "A link” or "B link” and given a model number. .
  • An icon representing the degree of inspection recommendation is displayed on each target link.
  • a bell mark is used, but the bell may not be used as long as the degree of inspection recommendation can be visually recognized.
  • the "inspection recommendation level” is used instead of the failure probability (see Fig. 12).
  • the inspection recommendation level has the same meaning as the failure probability, and is an expression that has been replaced for easier understanding by the user.
  • the bell icon is preferably color-coded according to the range of inspection recommendations. For example, if the inspection recommendation level is 90% or more, the bell icon is red, if the inspection recommendation level is 60% or more and less than 90%, the bell icon is yellow, if the inspection recommendation level is 40% or more and less than 60%, the bell icon is blue.
  • the inspection recommendation level for each configured part will be displayed as a bell icon. Furthermore, when the bell icon of each part is selected, the degree of inspection recommendation for each type (that is, "general”, “aging”, and “unexpected") is displayed as a specific numerical value, as shown in FIG.
  • step S409 ends, a series of control processing relating to the failure probability screen ends.
  • the failure prediction unit 205 obtains the operation data acquired by the operation data acquisition unit 201, the inspection data acquired by the inspection data acquisition unit 202, and the parts replacement/repair data acquisition unit 203. predicts the failure probability for each part of the hydraulic excavator 10 based on the parts replacement/repair data acquired by . By adding inspection data and parts replacement/repair data to the operation data of the hydraulic excavator 10 in this manner to predict the failure probability, the accuracy of failure prediction can be improved.
  • the deviation data 214 learned by the learning unit 204 is added to the operation data, inspection data, and parts replacement/repair data of the hydraulic excavator 10, and the failure probability for each part of the hydraulic excavator 10 is predicted based on these data. Therefore, the accuracy of failure prediction can be further improved.
  • the operation data acquisition unit 201, the inspection data acquisition unit 202, the parts replacement/repair data acquisition unit 203, the learning unit 204, and the failure prediction unit 205 are provided in the server 20.
  • the inspection data acquisition unit 202, the parts replacement/repair data acquisition unit 203, the learning unit 204, and the failure prediction unit 205 are data storage units that store inspection data 212, parts replacement/repair data 213, deviation data 214, and failure probability data 215. 218 may be provided in the control unit of the hydraulic excavator 10 .
  • the operation data collection unit 101 functions as an operation data acquisition unit.
  • the hydraulic excavator 10 is provided with a display section 102 for displaying the failure probability. In this way, the failure probability can be grasped not only on the portable terminal 30 side but also on the hydraulic excavator 10 side.
  • the operation data acquisition unit (operation information acquisition unit) 220, the learning unit 204, and the failure prediction unit 205 may be provided in the portable terminal 30 together with the data storage unit 219.
  • the operation data acquisition unit 220 acquires the operation data transmitted from the hydraulic excavator 10 and stores the acquired operation data together with the identification number of the hydraulic excavator 10 in the data storage unit 219. stored and accumulated in The data storage unit 219 stores operation data history 211, inspection data 212, parts replacement/repair data 213, divergence data 214, and failure probability data 215.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Human Computer Interaction (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

故障予測システム１は、油圧ショベル１０の稼働データを取得する稼働データ取得部２０１と、油圧ショベル１０の点検データを取得する点検データ取得部２０２と、油圧ショベル１０の部品交換修理データを取得する部品交換修理データ取得部２０３と、稼働データ取得部２０１により取得された稼働データ、点検データ取得部２０２により取得された点検データ、及び部品交換修理データ取得部２０３により取得された部品交換データに基づいて、油圧ショベル１０の部位ごとの故障確率を予測する故障予測部２０５と、を備える。

Description

故障予測システム
　本発明は、油圧ショベルなどの作業機械の故障を予測する故障予測システムに関する。
　作業機械の故障予測においては、部位が多岐にわたるので、使用環境や使用頻度に応じても故障発生の確率は異なる。このため、様々な技術が提案されている。例えば特許文献１には、故障予測値と所定期間の実績（事象発生の有無）を対比しながら学習することにより、予測精度の向上につながる故障予測システムが開示されている。
特開２０１６－１５７２８０号公報
　しかし、上記特許文献１に記載の故障予測システムでは、故障予測値に対して所定期間内に予測対象の事象が発生したか否かに基づいて対比が行われるので、突発的な対応を含む所定期間外の実績が考慮されていない。このため、予測精度を向上し難い問題があった。
　本発明は、このような技術課題を解決するためになされたものであって、故障予測の精度を向上することができる故障予測システムを提供することを目的とする。
　本発明に係る故障予測システムは、作業機械の故障を予測する故障予測システムであって、前記作業機械の稼働情報を取得する稼働情報取得部と、前記作業機械の点検情報を取得する点検情報取得部と、前記作業機械の部品交換修理情報を取得する部品交換修理情報取得部と、前記稼働情報取得部により取得された稼働情報、前記点検情報取得部により取得された点検情報、前記部品交換修理情報取得部により取得された部品交換修理情報、及び、記憶部に記憶された前記作業機械の部位ごとの故障確率と前記作業機械の点検実績との乖離情報に基づいて、前記作業機械の部位ごとの故障確率を予測する故障予測部を備えることを特徴としている。
　本発明に係る故障予測システムでは、故障予測部は、稼働情報取得部により取得された稼働情報、点検情報取得部により取得された点検情報、部品交換修理情報取得部により取得された部品交換修理情報、及び、記憶部に記憶された作業機械の部位ごとの故障確率と作業機械の点検実績との乖離情報に基づいて作業機械の部位ごとの故障確率を予測する。このように作業機械の稼働情報に、点検情報、部品交換修理情報、及び故障確率と点検実績との乖離情報を更に加えて故障確率を予測することで、故障予測の精度を向上することができる。
　本発明によれば、故障予測の精度を向上することができる。
実施形態に係る故障予測システムを示す概略構成図である。 実施形態に係る故障予測システムを示すブロック図である。 故障確率データの一例を示す図である。 点検項目データの一例を示す図である。 主要部品データの一例を示す図である。 サーバの制御処理を示すフローチャートである。 携帯端末の点検項目画面に関する制御処理を示すフローチャートである。 携帯端末の主要部品画面に関する制御処理を示すフローチャートである。 携帯端末の故障確率画面に関する制御処理を示すフローチャートである。 携帯端末の点検項目画面の一例を示す図である。 携帯端末の主要部品画面の一例を示す図である。 携帯端末の故障確率画面の一例を示す図である。 故障予測システムの変形例を示す概略構成図である。 故障予測システムの変形例を示す概略構成図である。
　以下、図面を参照して本発明に係る故障予測システムの実施形態について説明する。図面の説明において同一の要素には同一符号を付し、重複説明は省略する。また、以下では、故障予測対象である作業機械として油圧ショベルを例に挙げて説明するが、作業機械は、油圧ショベルに限定されず、ホイールローダーやその他の作業機械であっても良い。
　また、以下の説明において、「部位」及び「部品」といった文言が用いられる。「部位」は基本的に「部品」よりも範囲が大きい。例えば部位である「フロント」については、ブーム、アーム及びバケットなどの部品から構成されている。しかし、例えば「エンジン」の場合、部位としても良く、部品としても良い。従って、内容によっては、部位と部品が同じものを指す場合がある。
　図１は実施形態に係る故障予測システムを示す概略構成図であり、図２は実施形態に係る故障予測システムを示すブロック図である。本実施形態に係る故障予測システム１は、複数の油圧ショベル１０と、ネットワーク４０を介してこれらの油圧ショベル１０とそれぞれ通信可能と構成されたサーバ２０と、ネットワーク４０を介してサーバ２０及び油圧ショベル１０とそれぞれ通信可能な携帯端末３０と、を備えている。
[油圧ショベルについて]
　油圧ショベル１０は、メーカーの工場から出荷され、土木作業、建設作業、解体作業、浚渫作業などが行われる作業現場において所定のユーザ（例えば、油圧ショベルの所有者または使用者）に使用されている。油圧ショベル１０には、稼働データ収集部１０１が設けられている。稼働データ収集部１０１は、例えば油圧ショベル１０全体の制御を行う制御部の一部からなり、油圧ショベル１０の稼働データを自分の識別番号とともにサーバ２０や携帯端末３０に送信する。なお、サーバ２０や携帯端末３０への送信は、定期的に（例えば１日１回の頻度で）行われている。
[携帯端末について]
　携帯端末３０は、例えばスマートフォン、タブレット端末、携帯電話、ＰＤＡ（Ｐｅｒｓｏｎａｌ　Ｄａｔａ　Ａｓｓｉｓｔａｎｔ）などからなり、油圧ショベル１０の保守員又はユーザに携帯されている。保守員又はユーザは、例えば携帯端末３０を介して特定の油圧ショベル１０に関する点検項目などの情報を求めることができる。具体的には、保守員又はユーザが特定の油圧ショベル１０の点検項目などの情報を希望した場合、例えばその特定の油圧ショベル１０の識別番号を携帯端末３０の入力部３０４に直接入力したり、入力部３０４に表示された該特定の油圧ショベル１０の識別番号を選択したりすることで、携帯端末３０を介してサーバ２０に要求する。
　図２に示すように、携帯端末３０は、点検項目画面３０１、主要部品画面３０２、故障確率画面（表示部）３０３、及び入力部３０４を有する。点検項目画面３０１、主要部品画面３０２及び故障確率画面３０３は、保守員やユーザの選択によって切り換えられるようになっている。これらの画面の詳細説明について後述する。
　入力部３０４は、保守員又はユーザからの入力を受け付けるためのものであり、例えば携帯端末３０のディスプレイに表示されたタッチパネルや、キーボードなどによって構成されている。上述したように、保守員又はユーザが特定の油圧ショベル１０の点検項目などの情報を希望するときに、該入力部３０４に識別番号を入力することによりサーバ２０に要求することができる。
　また、例えば保守員は、任意の油圧ショベル１０の点検作業を行った場合、該油圧ショベル１０の点検情報（例えば、点検結果）及び識別番号を入力部３０４に入力することで、点検情報をサーバ２０に送信することができる。
　更に、例えば保守員は、任意の油圧ショベル１０の部品を交換又は修理した場合、入力部３０４を介して該部品の交換又は修理に伴い、管理番号として作業関連番号を採ることができる。このとき、作業関連番号に関するデータが部品交換修理情報としてサーバ２０に送信される。
　更に、例えば作業員は、後述する故障予測部２０５により予測された故障確率に基づいて点検作業を行うとき、実際の点検実績を油圧ショベル１０の識別番号とともに入力部３０４に入力し、サーバ２０に送信することができる。サーバ２０は、入力結果に基づいた実際の点検実績に基づく実績値と予測値を対比してその結果を学習する。
[サーバについて]
　サーバ２０は、故障予測システム１を構成するメインのコンピュータであり、油圧ショベル１０のメーカーの本社、支社、工場或いは管理センタに設置され、複数の油圧ショベル１０から送信された稼働データなどを定期的に収集し、これらの油圧ショベル１０を集中管理している。サーバ２０は、例えば演算を実行するＣＰＵ(Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ)と、演算のためのプログラムを記憶した二次記憶装置としてのＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）と、演算経過の保存や一時的な制御変数を保存する一時記憶装置としてのＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）とを組み合わせてなるマイクロコンピュータにより構成されており、記憶されたプログラムの実行によって算出や判断などの処理を行う。
　本実施形態において、サーバ２０は、管理対象である油圧ショベル１０の稼働データなどに基づき、油圧ショベル１０の各部位の故障確率を予測し、予測した結果を携帯端末３０に送信する。これを実現するため、本実施形態のサーバ２０は、稼働データ取得部（稼働情報取得部）２０１、点検データ取得部（点検情報取得部）２０２、部品交換修理データ取得部（部品交換修理情報取得部）２０３、学習部２０４、故障予測部２０５、点検項目取得部２０６、主要部品取得部２０７、及びデータ記憶部２１０を備えている。
　稼働データ取得部２０１は、油圧ショベル１０から送信された稼働データを取得し、取得した稼働データを油圧ショベル１０の識別番号とともにデータ記憶部２１０に記憶し蓄積させる。図２中の稼働データ履歴２１１は、所定期間（例えば工場出荷してから現在までの期間）に蓄積された油圧ショベル１０の稼働データであり、データ記憶部２１０に記憶されている。この稼働データは、稼働情報に関するデータであって、例えば油圧ショベル１０の稼働開始時間、稼働終了時間、位置情報、各センサによって検出された情報などが含まれている。
　点検データ取得部２０２は、油圧ショベル１０の点検情報を取得し、取得した結果を点検データ２１２として油圧ショベル１０の識別番号とともにデータ記憶部２１０に記憶させる。油圧ショベル１０の点検情報は、上述したように保守員が入力部３０４に入力することにより送信された情報である。点検データ２１２には、点検日時、点検項目、点検作業内容、点検結果などが含まれている。
　部品交換修理データ取得部２０３は、上述した「作業関連番号」に関わる部品修理、部品交換の情報を取得し、取得した部品修理及び／又は部品交換の結果を部品交換修理データ２１３として油圧ショベル１０の識別番号とともにデータ記憶部２１０に記憶させる。部品交換修理データ２１３には、部品修理内容、部品交換内容、修理日時、交換日時などが含まれている。
　学習部２０４は、決定木やその発展形である勾配ブースティング法といった周知の手法で機械学習を行う。機械学習は、予測を希望する時点で収集・蓄積されている他の油圧ショベルの稼働データ履歴を説明変数に、それらの油圧ショベルに対して実施された点検・修理履歴、部品交換歴のうちいずれかを含む業務データを目的変数として行われ、故障確率を導く故障モデルが作成される。なお、点検・修理履歴、部品交換歴は目的変数であって、これらは故障の事実を示すものである。したがって稼働データ履歴に故障履歴が含まれている場合は、点検・修理履歴、部品交換歴は不要である。一方で、稼働データ履歴に故障履歴が含まれていない場合は、点検・修理履歴、部品交換歴は必要である。言い換えると、点検・修理履歴、部品交換歴に関するデータは後述の故障モデルを生成する際に、稼働データ履歴に故障履歴が含まれているか否かに応じて参照される。
　故障予測部２０５は、油圧ショベル１０から常時収集している稼働データ履歴２１１と、任意の油圧ショベル１０に対する点検や修理が行われると、携帯端末からフィードバックされる点検データ２１２及び部品交換修理データ２１３に基づいて、油圧ショベル１０の部位ごとの故障確率を予測し、予測結果を故障確率データ２１５として油圧ショベル１０の識別番号とともにデータ記憶部２１０に記憶させる。また、故障確率データは学習部２０４に提供され、機械学習が行われる。
　故障確率データ２１５として、例えば図３に示すように機種、号機、主要部品及び種別ごとに分けられている。予測された故障確率は、パーセントで表されており、数字が大きいほど故障の確率が高くなる（言い換えれば、点検の緊急性が高い）。なお、ここでの種別は「経年」、「突発」及び「総合」に分けられ、「経年」は経年劣化や摩耗などの時間に関わる故障の可能性を示し、「突発」は最近の稼働状況から故障の兆候が現れている可能性を示し、「総合」は「経年」及び「突発」両方を加味した故障確率を示す。
　点検項目取得部２０６は、携帯端末３０からの要求に応じて、データ記憶部２１０に記憶された油圧ショベル１０の点検項目データ２１６を取得し、携帯端末３０に送信する。点検項目データ２１６の一例として、例えば図４に示すように、排気管、過給機、燃料フィルタ、ブームなどが挙げられており、これらの点検項目は機種ごとに分けられている。
　主要部品取得部２０７は、携帯端末３０からの要求に応じて、データ記憶部２１０に記憶された油圧ショベル１０の主要部品データ２１７を取得し、携帯端末３０に送信する。主要部品データ２１７の一例として、例えば図５に示すように、機種及び点検項目ごとに分けられている。
[サーバの制御処理について]
　以下、図６を参照してサーバ２０の制御処理を説明する。図６に示す制御処理は、例えば所定の周期で繰り返し実行されている。
　まず、ステップＳ１０１では、油圧ショベル１０の稼働データ履歴と、点検データ履歴、または部品交換修理データ履歴のうち少なくともいずれかひとつの取得が行われる。なお「履歴」としているのは、データを取得した時点だけでなく、それまでの履歴に基づいて予測がされるからである。稼働データ取得部２０１は、油圧ショベル１０から送信された稼働データを油圧ショベル１０の識別番号とともに取得し、取得した結果をデータ記憶部２１０に記憶させる。点検データ取得部２０２は、任意の油圧ショベル１０に対する点検が行われた際に携帯端末３０から送信された点検データを油圧ショベル１０の識別番号とともに取得し、取得した結果をデータ記憶部２１０に記憶させる。また、上記のとおり、点検データ履歴または部品交換修理データ履歴はいずれも故障に関連する情報である。これらは故障予測に不可欠な変数であるため、稼働データ履歴に含まれている場合は参照されず、逆に含まれていない場合に参照されることとなる。
　部品交換修理データ取得部２０３は、任意の油圧ショベル１０に対する修理が行われた際に携帯端末３０から送信された部品交換修理データを油圧ショベル１０の識別番号とともに取得し、取得した結果をデータ記憶部２１０に記憶させる。
　学習部２０４は、任意の油圧ショベル１０に対する点検・修理結果のフィードバック（点検データ履歴、部品交換修理データ履歴の取得）を携帯端末３０から受信すると、その都度、稼働データ履歴と、データ記憶部２１０に記憶される点検データ履歴、部品交換修理データ履歴のうちの少なくともいずれかひとつに基づいて生成される故障モデルを「更新」し、故障予測部２０５に記憶されている故障確率データと対比する。そして故障確率データ（予測値）と実際の点検結果（実績値）の“差分”に基づいて乖離データ２１４を生成して油圧ショベル１０の識別番号とともにデータ記憶部２１０に記憶する。乖離データ２１４には、乖離内容、乖離の分析結果、分析結果を反映した補正値などが含まれており、故障確率を予測するための機械学習において活用される。
　ステップＳ１０１に続くステップＳ１０２では、故障確率の予測が行われる。このとき、故障予測部２０５は、稼働データ履歴、点検データ取得部２０２により取得された点検データ、部品交換修理データ取得部２０３により取得された部品交換修理データ、及び学習部２０４が生成した故障モデルによって油圧ショベル１０の部位ごとの故障確率を予測する。具体的には、故障予測を希望する時点での故障モデルをデータ記憶部２１０から抽出し、そのモデルに対して、故障予測を希望する油圧ショベルの稼働データ履歴を代入することで、過去故障が起きた油圧ショベルの実績値（稼働データ履歴）とどの程度近いかによって故障確率が予測され、故障確率データが生成される。
　ステップＳ１０２に続くステップＳ１０３では、故障予測部２０５は、予測した結果を油圧ショベル１０の識別番号とともにデータ記憶部２１０に記憶させる。これによって、一連の制御処理は終了する。
　次に、図７～図１２を参照して携帯端末３０の各画面に関する制御処理を説明する。
[点検項目画面について]
　まず、図７を基に携帯端末３０の点検項目画面３０１について説明する。図７は携帯端末の点検項目画面に関する制御処理を示すフローチャートである。図７に示す制御処理は、携帯端末３０とサーバ２０との協働によって実行されるものであり、より詳細には、ステップＳ２０１の一部及びステップＳ２０４～Ｓ２０９はサーバ２０により実行される処理であり、その他のステップは携帯端末３０により実行される処理である。
　図７に示す制御処理は、例えば保守員又はユーザが携帯端末３０に表示された点検項目画面３０１を選択することによって開始される。まず、ステップＳ２０１では、点検項目リストの取得が行われる。このとき、例えば保守員又はユーザは、点検項目画面３０１を選択する（例えばタップする）ことで、サーバ２０に油圧ショベル１０の点検項目リストを要求する。サーバ２０の点検項目取得部２０６は、その要求に応じて点検項目データ２１６から点検項目リストを取得し、携帯端末３０に送信する。
　そして、携帯端末３０は、サーバ２０から送信された点検項目リストを受信し、受信した内容を点検項目画面３０１に表示させる。点検項目画面３０１に表示された内容として、例えば図１０に示すように、「エンジン」、「上部旋回体」、「下部走行体」などのように一覧化された点検項目が挙げられる。
　続いて、ステップＳ２０２～Ｓ２１０に示す点検項目に関するループ処理が行われる。具体的には、例えば保守員やユーザが点検項目画面３０１に表示された複数の点検項目リストのうちの一つ（例えば図１０に示す「下部走行体」）を選択した場合、携帯端末３０は選択された点検項目をサーバ２０に送信し、主要部品リストをサーバ２０に要求する（ステップＳ２０３参照）。
　ステップＳ２０３に続くステップＳ２０４では、サーバ２０の主要部品取得部２０７は、その要求に応じて主要部品データ２１７から主要部品リストを取得する。例えば図１０に示すように「下部走行体」が選択された場合、主要部品取得部２０７は、「下部走行体」に関連するスプロケット、センタージョイント、トラックフレーム、サイドフレーム、トラックリンクなどの主要部品リストを取得する。
　次に、取得されたこれらの主要部品について、ステップＳ２０５～ステップＳ２０７に示す故障確率取得のループ処理が行われる。すなわち、ステップＳ２０５で取得した主要部品の故障確率の取得が順次に行われる（ステップＳ２０６参照）。主要部品の故障確率は、故障予測部２０５によって予測されて故障確率データ２１５としてデータ記憶部２１０に記憶されたものである。
　ステップＳ２０７に続くステップＳ２０８では、故障予測部２０５は、ステップＳ２０５～Ｓ２０７で取得した主要部品の故障確率に基づいて、上記選択された点検項目の故障確率を算出する。ステップＳ２０８に続くステップＳ２０９では、サーバ２０は、ステップＳ２０８で予測した点検項目の故障確率を携帯端末３０に返信する（言い換えれば、送信する）。
　このようなステップＳ２０２～Ｓ２１０に示す点検項目に関するループ処理は、選択された点検項目ごとに行われる。例えば、「下部走行体」の後に「上部旋回体」、「エンジン」が順次に選択された場合、「上部旋回体」、「エンジン」の順番でステップＳ２０３～Ｓ２０９が繰り返し行われる。
　ステップＳ２１０に続くステップＳ２１１では、携帯端末３０は、受信した点検項目リストを各点検項目の故障確率とともに点検項目画面３０１に表示させる。これによって、点検項目画面に関する一連の制御処理が終了する。
[主要部品画面について]
　次に、図８を基に携帯端末の主要部品画面について説明する。図８は携帯端末の主要部品画面に関する制御処理を示すフローチャートである。図８に示す制御処理は、携帯端末３０とサーバ２０との協働によって実行されるものであり、より詳細には、ステップＳ３０３～Ｓ３０７はサーバ２０により実行される処理であり、その他のステップは携帯端末３０により実行される処理である。
　図８に示す制御処理は、例えば保守員又はユーザが携帯端末３０に表示された主要部品画面３０２を選択することによって開始される。まず、ステップＳ３０１では、点検項目の選択が行われる。例えば保守員又はユーザは、図１１に示すように「フロント」といった点検項目を選択すると、携帯端末３０は選択された点検項目をサーバ２０に送信し、関連する主要部品リストをサーバ２０に要求する（ステップＳ３０２参照）。
　ステップＳ３０２に続くステップＳ３０３では、サーバ２０の主要部品取得部２０７は、その要求に応じて主要部品データ２１７から点検項目に関連する主要部品リストを取得する。ここで、「フロント」と選択されたため、主要部品取得部２０７は、「フロント」に関連するバケット、リンク類などの主要部品リストを取得する。
　次に、取得されたこれらの主要部品について、ステップＳ３０４～ステップＳ３０６に示す主要部品の故障確率取得のループ処理が行われる。すなわち、ステップＳ３０３で取得した主要部品の故障確率の取得が順次に行われる（ステップＳ３０５参照）。主要部品の故障確率は、故障予測部２０５によって予測されて故障確率データ２１５としてデータ記憶部２１０に記憶されたものである。
　ステップＳ３０６に続くステップＳ３０７では、サーバ２０は、故障確率と紐付けた主要部品リストを携帯端末３０に返信する（言い換えれば、送信する）。
　ステップＳ３０７に続くステップＳ３０８では、携帯端末３０は、受信した主要部品リストを各部品の故障確率とともに主要部品画面３０２に表示させる。このとき、例えば図１１に示すように、対象リンクごとに故障確率がそれぞれ表示される。そして、ステップＳ３０８が終わると、主要部品画面に関する一連の制御処理が終了する。
[故障確率画面について]
　次に、図９を基に携帯端末の故障確率画面について説明する。図９は携帯端末の故障確率画面に関する制御処理を示すフローチャートである。図９に示す制御処理は、携帯端末３０とサーバ２０との協働によって実行されるものであり、より詳細には、ステップＳ４０２～Ｓ４０４、ステップＳ４０７～Ｓ４０８はサーバ２０により実行される処理であり、その他のステップは携帯端末３０により実行される処理である。
　まず、ステップＳ４０１では、対象油圧ショベルの情報の送信が行われる。このとき、例えば保守員又はユーザは、故障確率を調べたい油圧ショベル１０の識別番号を携帯端末３０の入力部３０４に入力して、サーバ２０に要求する。
　ステップＳ４０１に続くステップＳ４０２は、指定した対象油圧ショベルが管理対象に含まれているか否かを判断する。このとき、サーバ２０は、送信された油圧ショベルの識別番号に基づき、管理している複数の油圧ショベルの中に該識別番号に該当する油圧ショベルがあるかを判断する。対象油圧ショベルがないと判断された場合、制御処理は終了する。一方、対象油圧ショベルがあると判断された場合、制御処理はステップＳ４０３に進む。
　ステップＳ４０３では、サーバ２０は、対象油圧ショベルの点検データがあるか否かを判断する。点検データがないと判断された場合、制御処理は終了する。一方、点検データがあると判断された場合、制御処理はステップＳ４０４に進む。
　ステップＳ４０４では、サーバ２０は、対象油圧ショベルの部品交換修理データがあるか否かを判断する。対象油圧ショベルの部品交換修理データがないと判断された場合、制御処理は終了とする。一方、部品交換修理データがあると判断された場合、制御処理はステップＳ４０５に進む。
　ステップＳ４０５では、主要部品の選択が行われる。このとき、保守員又はユーザは、携帯端末３０に表示された主要部品を選択すると、携帯端末３０は選択された主要部品をサーバ２０に送信し、関連する主要部品リストをサーバ２０に要求する（ステップＳ４０６参照）。例えば、保守員又はユーザは、例えば図１１に示すように「フロント」と関連する「バケット、リンク類」を選択して、サーバ２０に送信する。
　ステップＳ４０６に続くステップＳ４０７では、サーバ２０は、その要求に応じて故障確率データ２１５から主要部品の故障確率リストを取得する。ステップＳ４０７に続くステップＳ４０８では、サーバ２０は、取得した主要部品の故障確率リストを携帯端末３０に返信する（言い換えれば、送信する）。
　ステップＳ４０８に続くステップＳ４０９では、携帯端末３０は、受信した主要部品の故障確率リストを故障確率画面３０３に表示させる。故障確率画面３０３には、例えば図１１に示すように、複数のバケットリンクのうち、各リンクはそれぞれ「Ａリンク」又は「Ｂリンク」のように分類され、且つそれぞれの型番が付与されている。そして、対象リンクには、点検推奨度を表すアイコンがそれぞれ表示されている。なお図１１では、説明の便宜上、ベルのマークを使っているが、点検推奨度が視認できる表示であればベルでなくてもよい。
　ここでは、ユーザに分かり易くするために、故障確率に代えて「点検推奨度」が使用されている（図１２参照）。すなわち、点検推奨度は、故障確率と同じ意味をもち、ユーザにより理解し易くするために置き換えられた表現である。また、ベルのアイコンは、点検推奨度の範囲によって色分けられることが好ましい。例えば、点検推奨度９０％以上の場合、ベルのアイコンが赤色、点検推奨度６０％以上９０％未満の場合、ベルのアイコンが黄色、点検推奨度４０％以上６０％未満の場合、ベルのアイコンが青色である。このように視覚的に訴えることで、保守員又はユーザの注意喚起を促す効果を奏する。
　ここで、表示されたベルのアイコンを選択すると、構成された部品ごとの点検推奨度が更にベルのアイコンで表示される。更に、各部品のベルアイコンを選択すると、図１２に示すように種別ごと（すなわち「総合」、「経年」及び「突発」）の点検推奨度が具体的な数値で表示される。
　ステップＳ４０９が終わると、故障確率画面に関する一連の制御処理が終了する。
　以上のように構成された故障予測システム１では、故障予測部２０５は、稼働データ取得部２０１により取得された稼働データ、点検データ取得部２０２により取得された点検データ及び部品交換修理データ取得部２０３により取得された部品交換修理データに基づいて、油圧ショベル１０の部位ごとの故障確率を予測する。このように油圧ショベル１０の稼働データに、点検データ及び部品交換修理データを更に加えて故障確率を予測することで、故障予測の精度を向上することができる。
　また、油圧ショベル１０の稼働データ、点検データ及び部品交換修理データに、学習部２０４により学習された乖離データ２１４を更に加えて、これらのデータに基づいて油圧ショベル１０の部位ごとの故障確率を予測するので、故障予測の精度をより高めることができる。
　また、本実施形態において、稼働データ取得部２０１、点検データ取得部２０２、部品交換修理データ取得部２０３、学習部２０４、及び故障予測部２０５は、サーバ２０に設けられる例を挙げて説明したが、例えば図１３に示すように、油圧ショベル１０に設けられても良い。例えば、点検データ取得部２０２、部品交換修理データ取得部２０３、学習部２０４及び故障予測部２０５は、点検データ２１２、部品交換修理データ２１３、乖離データ２１４及び故障確率データ２１５を記憶するデータ記憶部２１８とともに油圧ショベル１０の制御部に設けられても良い。なお、この場合、稼働データ収集部１０１は稼働データ取得部の役割を果たすものになる。このようにすると、サーバ２０の処理を減らすことができるとともに、故障予測システム１のバリエーションを増やすことができる。更に油圧ショベル１０には、故障確率を表示する表示部１０２が設けられるのが好ましい。このようにすれば、携帯端末３０側に加えて油圧ショベル１０側においても故障確率を把握することができる。
　また図１４に示すように、稼働データ取得部（稼働情報取得部）２２０、学習部２０４及び故障予測部２０５は、データ記憶部２１９とともに携帯端末３０に設けられても良い。ここで、稼働データ取得部２２０は、上述した稼働データ取得部２０１と同様に、油圧ショベル１０から送信された稼働データを取得し、取得した稼働データを油圧ショベル１０の識別番号とともにデータ記憶部２１９に記憶し蓄積させる。データ記憶部２１９には、稼働データ履歴２１１、点検データ２１２、部品交換修理データ２１３、乖離データ２１４及び故障確率データ２１５が記憶される。なお、点検データ２１２及び部品交換修理データ２１３は、保守員の入力により直接取得できる。このようにすれば、サーバ２０の処理を減らすことができるとともに、故障予測システム１のバリエーションを増やすことができる。
　以上、本発明の実施形態について詳述したが、本発明は、上記の実施形態に限定されるものではなく、特許請求の範囲に記載された本発明の精神を逸脱しない範囲で、種々の設計変更を行うことができるものである。
１：故障予測システム、１０：油圧ショベル、２０：サーバ、３０：携帯端末、４０：ネットワーク、１０１：稼働データ収集部、１０２：表示部、２０１，２２０：稼働データ取得部（稼働情報取得部）、２０２：点検データ取得部（点検情報取得部）、２０３：部品交換修理データ取得部（部品交換修理情報取得部）、２０４：学習部、２０５：故障予測部、２０６：点検項目取得部、２０７：主要部品取得部、２１０，２１８，２１９：データ記憶部、２１１：稼働データ履歴、２１２：点検データ、２１３：部品交換修理データ、２１４：乖離データ、２１５：故障確率データ、２１６：点検項目データ、２１７：主要部品データ、３０１：点検項目画面、３０２：主要部品画面、３０３：故障確率画面（表示部）、３０４：入力部

Claims (8)

  1. 　作業機械の故障を予測する故障予測システムであって、
    　前記作業機械の稼働情報を取得する稼働情報取得部と、
    　前記作業機械の点検情報を取得する点検情報取得部と、
    　前記作業機械の部品交換修理情報を取得する部品交換修理情報取得部と、
    　前記稼働情報取得部により取得された稼働情報、前記点検情報取得部により取得された点検情報、前記部品交換修理情報取得部により取得された部品交換修理情報、及び、記憶部に記憶された前記作業機械の部位ごとの故障確率と前記作業機械の点検実績との乖離情報に基づいて、前記作業機械の部位ごとの故障確率を予測する故障予測部と、
    を備えることを特徴とする故障予測システム。
  2. 　前記故障予測部によって予測された故障確率と前記作業機械の点検実績との前記乖離情報を学習する学習部を更に備え、
    　前記故障予測部は、前記学習部により学習された前記乖離情報に基づいて、前記作業機械の部位ごとの故障確率を予測する請求項１に記載の故障予測システム。
  3. 　前記作業機械と通信可能なサーバを更に備え、
    　前記稼働情報取得部、前記点検情報取得部、前記部品交換修理情報取得部、前記故障予測部、及び前記学習部は、前記サーバに設けられている請求項２に記載の故障予測システム。
  4. 　前記サーバと通信可能な携帯端末を更に備え、
    　前記携帯端末には、前記故障予測部により予測された故障確率を表示する表示部が設けられている請求項３に記載の故障予測システム。
  5. 　前記作業機械と通信可能な携帯端末を更に備え、
    　前記稼働情報取得部、前記点検情報取得部、前記部品交換修理情報取得部、前記故障予測部、及び前記学習部は、前記携帯端末に設けられている請求項２に記載の故障予測システム。
  6. 　前記携帯端末には、前記故障予測部により予測された故障確率を表示する表示部が設けられている請求項５に記載の故障予測システム。
  7. 　前記稼働情報取得部、前記点検情報取得部、前記部品交換修理情報取得部、前記故障予測部、及び前記学習部は、前記作業機械に設けられている請求項２に記載の故障予測システム。
  8. 　前記作業機械には、前記故障予測部により予測された故障確率を表示する表示部が設けられている請求項７に記載の故障予測システム。
PCT/JP2022/011789 2021-04-14 2022-03-16 故障予測システム WO2022219997A1 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2023514528A JPWO2022219997A1 (ja) 2021-04-14 2022-03-16
EP22787923.6A EP4325313A1 (en) 2021-04-14 2022-03-16 Malfunction prediction system
KR1020237028320A KR20230133365A (ko) 2021-04-14 2022-03-16 고장 예측 시스템
CN202280016993.4A CN116917824A (zh) 2021-04-14 2022-03-16 故障预测系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-068549 2021-04-14
JP2021068549 2021-04-14

Publications (1)

Publication Number Publication Date
WO2022219997A1 true WO2022219997A1 (ja) 2022-10-20

Family

ID=83640544

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/011789 WO2022219997A1 (ja) 2021-04-14 2022-03-16 故障予測システム

Country Status (5)

Country Link
EP (1) EP4325313A1 (ja)
JP (1) JPWO2022219997A1 (ja)
KR (1) KR20230133365A (ja)
CN (1) CN116917824A (ja)
WO (1) WO2022219997A1 (ja)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005182558A (ja) * 2003-12-22 2005-07-07 Hitachi Ltd コスト予測・評価方式
JP2008165352A (ja) * 2006-12-27 2008-07-17 Toshiba Corp 定期点検データ分析装置およびその方法
JP2009087235A (ja) * 2007-10-02 2009-04-23 Toshiba Corp モデル構築装置並びにモデル構築のための方法およびプログラム
JP2016157280A (ja) 2015-02-25 2016-09-01 三菱重工業株式会社 事象予測システム、事象予測方法及びプログラム
JP2020102097A (ja) * 2018-12-25 2020-07-02 株式会社日立製作所 劣化度合予測システムおよび劣化度合予測方法
JP2020135133A (ja) * 2019-02-14 2020-08-31 三菱重工サーマルシステムズ株式会社 故障防止システム、故障防止方法及びプログラム

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005182558A (ja) * 2003-12-22 2005-07-07 Hitachi Ltd コスト予測・評価方式
JP2008165352A (ja) * 2006-12-27 2008-07-17 Toshiba Corp 定期点検データ分析装置およびその方法
JP2009087235A (ja) * 2007-10-02 2009-04-23 Toshiba Corp モデル構築装置並びにモデル構築のための方法およびプログラム
JP2016157280A (ja) 2015-02-25 2016-09-01 三菱重工業株式会社 事象予測システム、事象予測方法及びプログラム
JP2020102097A (ja) * 2018-12-25 2020-07-02 株式会社日立製作所 劣化度合予測システムおよび劣化度合予測方法
JP2020135133A (ja) * 2019-02-14 2020-08-31 三菱重工サーマルシステムズ株式会社 故障防止システム、故障防止方法及びプログラム

Also Published As

Publication number Publication date
KR20230133365A (ko) 2023-09-19
JPWO2022219997A1 (ja) 2022-10-20
EP4325313A1 (en) 2024-02-21
CN116917824A (zh) 2023-10-20

Similar Documents

Publication Publication Date Title
KR102184182B1 (ko) Super Tree 기반의 Project/Task 지능 목표관리 방법 및 플랫폼
JP4884214B2 (ja) 建設機械のメンテナンス支援システム
JP2019061614A (ja) 設計支援装置および設計支援方法
WO2010073771A1 (ja) 建設機械の診断情報提供装置
US20140032169A1 (en) Systems and methods for improving control system reliability
CN1761919A (zh) 过程工厂中的资产优化报告
EP3767563B1 (en) Work order placement/receiving system, server, and work order placement/receiving method
JP6906209B2 (ja) 建設機械稼働状況管理システム及び管理方法
Hasegan et al. Predicting performance–a dynamic capability view
JP2011065626A (ja) プラントの建設計画支援装置及び方法
JP2015522895A (ja) 制御の信頼性動作ためのシステムおよび方法
Prasad et al. A software prototype for material handling equipment selection for construction sites
JP2012160085A (ja) 建設機械のメンテナンス方法およびメンテナンスシステム
WO2020203170A1 (ja) スキル情報提示システム及びスキル情報提示方法
JP2017199128A (ja) 復旧計画管理装置、復旧計画プログラム及び復旧計画方法
JP2011170496A (ja) プラントの工事計画支援装置及び方法
Sobotka et al. Decision support system in management of concrete demolition waste
EP1571570A1 (en) Construction device information processing system and construction device information processing method
Zarghami Forecasting project duration in the face of disruptive events: A resource-based approach
JP4990877B2 (ja) 設備のリスク評価システムおよびリスク評価方法
WO2022219997A1 (ja) 故障予測システム
JP2022161342A (ja) デジタルツイン管理システムおよび方法
Alarcón et al. Impact of machine-failure costs on equipment replacement policies: tunneling company case study
JP2018085013A (ja) 企業情報システムおよび企業情報提供方法
JP2022164024A (ja) 点検支援システム

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: 22787923

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20237028320

Country of ref document: KR

Kind code of ref document: A

WWE Wipo information: entry into national phase

Ref document number: 1020237028320

Country of ref document: KR

WWE Wipo information: entry into national phase

Ref document number: 202280016993.4

Country of ref document: CN

WWE Wipo information: entry into national phase

Ref document number: 18279430

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 2023514528

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 2022787923

Country of ref document: EP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2022787923

Country of ref document: EP

Effective date: 20231114