図面 (/)

技術 稼働データ分類装置

出願人 株式会社日立ハイテクノロジーズ
発明者 石川昌義北田滋巳
出願日 2015年7月9日 (4年0ヶ月経過) 出願番号 2015-137390
公開日 2017年1月26日 (2年6ヶ月経過) 公開番号 2017-021502
状態 特許登録済
技術分野 検索装置 特定用途計算機 学習型計算機
主要キーワード 稼働範囲 線形変換行列 擬似故障 機械故障 疑似故障 類似機種 予兆検知 波形特徴
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2017年1月26日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (17)

課題

機械故障時の稼働データ過去事例の稼働データの比較によって故障原因分類を行う。このような方法では、過去事例の稼働データ量が故障原因の分類性能を左右する。しかしながら、例えば新機種発売開始時では、十分な量の故障時稼働データを用意する事が難しいため、故障原因分類を行う事が困難であった。

解決手段

本発明では、機械故障発生時の稼働データが十分用意されている分析済み機種の稼働データを、稼働データが十分存在しない未分析機種の稼働データと挙動が一致するように変換し未分析機種用故障発生時疑似稼働データを構築する。構築された未分析機種の故障発生時の疑似稼働データを用いて、未分析機種で発生した故障の原因を分類する。

概要

背景

物流を担う商用車においては、商用車の故障業務停止直結するため、商用車の稼働率事業損益を左右する。そこで、商用車の保守作業の効率化を行うことによって、稼働率を上げることが行われている。保守作業の効率化は、例えば車両故障時の稼働データから故障原因分類する事で、保守の効率化を図ろうとしている。しかし、人手による稼動データの故障原因分類は専門家にしかできないため、保守作業に活用できるほど短時間での分類は困難である。
そのため、機械によって自動的に故障原因の分類を行う。従来では、機械故障時の稼動データを故障原因が判明している過去事例の稼動データを比較することで、故障原因の分類が行われてきた。例えば特許文献1では、波形特徴出現時刻を故障原因毎に学習し、分類する。

また、機種毎の稼働データの差を考慮した分類方法に関する検討もおこなわれてきた。例えば特許文献2では、機種毎の特徴を考慮して分類モデルパラメータを変更する方法が述べられている。ここで、分類モデルは故障原因を分類するモデルである。

概要

機械故障時の稼働データと過去事例の稼働データの比較によって故障原因の分類を行う。このような方法では、過去事例の稼働データ量が故障原因の分類性能を左右する。しかしながら、例えば新機種発売開始時では、十分な量の故障時稼働データを用意する事が難しいため、故障原因分類を行う事が困難であった。 本発明では、機械故障発生時の稼働データが十分用意されている分析済み機種の稼働データを、稼働データが十分存在しない未分析機種の稼働データと挙動が一致するように変換し未分析機種用故障発生時疑似稼働データを構築する。構築された未分析機種の故障発生時の疑似稼働データを用いて、未分析機種で発生した故障の原因を分類する。

目的

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

機械稼働データ分類する装置であって、過去事例蓄積されている第1の機種の過去事例を入力する第1の入力部と、前記第1の機種の過去事例の稼働データを変換関数によって変換するデータ変換部と、過去事例が蓄積されていない第2の機種の稼働データを分類するために前記データ変換部で変換された稼働データの学習を行う学習部と、前記学習部の学習結果によって第2の機種の稼働データを分類する分類部と、を有することを特徴とする稼働データ分類装置

請求項2

請求項1記載の稼働データ分類装置において、前記第1の機種の稼働データと前記第2の機種の稼働データを入力する第2の入力部と、前記第2の入力部に入力された2つの機種の稼働データをクラスタリングし、2つの機種のクラスタリング結果動作範囲を合わせ、動作範囲を合わせた2つの機種のクラスタリング結果の中から異なる機種で距離が小さいクラスタの組を変換点の候補とし、同じ機種で距離が大きいクラスタの組を変換点とし、前記変換点に含まれる第1の機種のクラスタの変換後の座標と前記変換点に含まれる第2の機種のクラスタの座標の差を小さくする前記変換関数のパラメータを求める変換関数算出部と、を有することを特徴とする稼働データ分類装置。

請求項3

請求項2記載の稼働データ分類装置において、前記第2の入力部に入力された2つの機種の稼働データから抽出動作パターンテーブルに基づいて特定の動作パターンの稼働データを抽出し、2つの機種の前記抽出動作パターンテーブルによって抽出された稼働データをクラスタリングしクラスタリング結果を得る事を特徴とする稼働データ分類装置。

請求項4

請求項3記載の稼働データ分類装置において、前記第2の入力部に入力する稼働データは前記第1の機種の正常事例および前記第2の機種の正常事例であることを特徴とする稼働データ分類装置。

請求項5

請求項4記載の稼働データ分類装置において、前記変換関数、前記変換点、前記変換関数によって変換された第1の機種の稼働データの少なくとも1つ以上を表示する表示部を有することを特徴とする稼働データ分類装置。

技術分野

0001

本発明は、センサ等から得られた時系列データを解析するための装置及び方法に関する。

背景技術

0002

物流を担う商用車においては、商用車の故障業務停止直結するため、商用車の稼働率事業損益を左右する。そこで、商用車の保守作業の効率化を行うことによって、稼働率を上げることが行われている。保守作業の効率化は、例えば車両故障時の稼働データから故障原因分類する事で、保守の効率化を図ろうとしている。しかし、人手による稼動データの故障原因分類は専門家にしかできないため、保守作業に活用できるほど短時間での分類は困難である。
そのため、機械によって自動的に故障原因の分類を行う。従来では、機械故障時の稼動データを故障原因が判明している過去事例の稼動データを比較することで、故障原因の分類が行われてきた。例えば特許文献1では、波形特徴出現時刻を故障原因毎に学習し、分類する。

0003

また、機種毎の稼働データの差を考慮した分類方法に関する検討もおこなわれてきた。例えば特許文献2では、機種毎の特徴を考慮して分類モデルパラメータを変更する方法が述べられている。ここで、分類モデルは故障原因を分類するモデルである。

先行技術

0004

特開平8-221113
特開2010−287011

発明が解決しようとする課題

0005

従来、故障原因の分類は、機械故障時の稼動データと過去事例の稼動データの比較によって行っていた。そのため、機械故障発生時の稼働データを適切に分類するためには、類似する過去事例のデータがデータベース上に存在する必要がある。よって、このような方法の課題は、過去事例の稼働データの量が故障原因の分類性能を左右するため、従来は過去事例の稼働データを十分に用意する事が必要であった。

0006

しかしながら、機械の故障発生時の稼働データが十分存在しない場合もある。例えば、新機種発売直後には、機械故障発生時の稼働データを十分用意する事は困難である。新機種では設計や制御ロジックが異なるために、従来の類似機種とは異なる稼働データの挙動を示すことがある。そのため、新機種の故障発生時の稼働データが十分取得できるまで、新機種の故障原因分類を行うことができない。

0007

特許文献1では、新機種等のデータが存在しない点が考慮されていない。また、特許文献2では、機種毎の特徴を考慮して分類モデルのパラメータを変更する方法が述べられているが、機種毎の特徴が得られない場合については考慮されていない。

0008

よって従来の方法では、機種毎の特徴が得られない場合に新機種の分類モデルを生成することができない。

課題を解決するための手段

0009

本発明は、機械の稼働データを分類する装置であって、過去事例が蓄積されている第1の機種の過去事例を入力する第1の入力部と、前記第1の機種の過去事例の稼働データを変換関数によって変換するデータ変換部と、過去事例が蓄積されていない第2の機種の稼働データを分類するために前記データ変換部で変換された稼働データの学習を行う学習部と、前記学習部の学習結果によって第2の機種の稼働データを分類する分類部と、を有することを特徴とする稼働データ分類装置

発明の効果

0010

本発明によれば、機械の故障発生時の稼働データが得られない場合であっても、故障原因分類を行うことが可能となる。

図面の簡単な説明

0011

本実施例のシステムを示した図である。
原因分類サーバの構成を示した図である。
正常事例データベースの構成を示した図である。
稼働データの説明を示した図である。
機種による稼働データの差を示した図である。
分析機種で分類できない稼働データを示した図である。
クラスタリングイメージを示した図である。
変換関数算出部で行う処理のイメージを示した図である。
変換関数算出部の構成を示した図である。
変換関数算出部の処理フローを示した図である。
変換関数パラメータ記憶部の構成を示した図である。
故障事例データベースの構成を示した図である。
データ変換部の処理フローを示した図である。
表示部の構成を示した図である。
表示部の画面例を示した図である。
分類結果表示部の構成を示した図である。

0012

以下、図面を用いて本発明の実施例について説明する。

0013

図1は本実施例のシステムを説明する図である。本実施例のシステムは、車両101、通信拠点102、原因分類サーバ103、保守拠点105を含み、分析者104は原因分類サーバ103を操作する。なお、本実施例においては、原因分類サーバ103は故障原因情報に基づいて機械の稼働データを分類する方法について記載しているが、保守情報に基づいて稼働データを分類する方法であっても同様の方法を実現できる。

0014

車両101の内部には多数のセンサが内蔵されている。故障時にセンサが検出した稼働データは車両101から通信拠点102を経由して原因分類サーバ103によって受信される。ここで、稼働データとは、車両101に内蔵されているセンサが検出したセンサデータである。

0015

原因分類サーバ103は、受信した稼働データの故障の原因分類を行い、分類結果を保守拠点105に送信する。原因分類のための設定は分析者104によってあらかじめ行われている。保守拠点105は送信されてきた故障の原因分類情報を用いて、効率的な保守作業を行う。車両101、通信拠点102、原因分類サーバ103、保守拠点105、分析者104が操作するインターフェース規格化された高速ネットワークにより相互に通信が可能である。この高速ネットワークは有線、及び無線の少なくとも1つを含みうる。

0016

ここで故障の原因分類は一般に教師あり学習と呼ばれる手法によって行われる。この教師あり学習は、一般に分類問題に用いられる。分類問題では入力データと出力データの組合せを学習させる。その後、入力データのみを与えた際に、出力データを予測する。本実施例における稼働データ分類装置では、入力データが車両故障時の稼働データに相当し、出力データが故障原因に相当する。教師あり学習と呼ばれる手法には、種々のアルゴリズムが存在する。例えば、サポートベクターマシンランダムフォレストといったアルゴリズムがこれに当たる。

0017

図2は原因分類サーバ103の構成を説明する図である。原因分類サーバ103は、未分析機種正常事例DB201、分析済み機種正常事例DB202、変換関数算出部203、変換関数パラメータ記憶部204、分析済み機種故障事例DB205、データ変換部206、未分析機種疑似故障事例DB207、表示部208、分類器学習部209、分類器記憶部210、未分析故障データ211、原因分類部212、分類結果表示部213によって構成される。

0018

未分析機種正常事例DB201には、未分析機種の正常時の稼動データが格納されている。この正常時稼動データは、事前に分析者104によって格納されている。また、未分析機種とは、新機種など故障時の稼動データが十分になく、故障原因分類のための分析が完了していない機種である。また、正常時の稼動データとは、あらかじめ設定されている故障判定条件を満たしていないときの稼動データである。

0019

分析済み機種正常事例DB202は、分析済み機種の正常時の稼動データが格納されている。この正常時稼動データは、未分析機種正常事例DB201と同様に、事前に分析者104によって格納されている。また、分析済み機種とは、故障時の稼動データが十分存在し、故障原因分類のための分析が完了している機種である。

0020

変換関数算出部203は、未分析機種正常事例DB201と分析済み機種正常事例DB202の稼動データを比較し、分析済み機種の稼動データの挙動を未分析機種の稼動データの挙動と一致させるための変換関数を算出する。変換関数算出部203は前記変換関数を算出後、算出された変換関数のパラメータを変換関数パラメータ記憶部204に書き込む。本実施例では、未分析機種の正常時稼動データと分析済み機種の正常時稼動データの挙動を一致させる場合について記載する。しかしながら、正常時稼動データでなくとも同じ試験時の稼動データなど、機械専門家が類似の挙動が含まれると判定する稼動データを用いてもよい。変換関数算出部203は分析者104によって変換関数の算出が指示された際に実行される。

0021

分析済み機種故障事例DB205には、分析済み機種の故障時の稼動データが格納されている。この故障時稼動データは、事前に分析者104によって格納されている。また、故障時の稼動データとは、例えばあらかじめ設定されている故障判定条件を満たした際の稼動データである。

0022

データ変換部206は、変換関数パラメータ記憶部204に格納されている変換関数パラメータを用いて、分析済み機種故障事例DB205に格納されている故障時稼動データを変換し、未分析機種の擬似故障事例を生成する。データ変換部206は、擬似故障事例を生成後、未分析機種擬似故障事例DB207に書き込む。データ変換部206は、分析者206は、分析者104によってデータ変換が指示された際に実行される。

0023

表示部208は、データ変換部206で変換された稼動データなどを表示する。分析者104は、表示部208を使って変換された稼動データを確認する。

0024

分類器学習部209は、未分析機種疑似故障事例DB207に格納されている稼働データを用いて、故障原因分類を行うための分類モデルを生成する。ここで、分類モデルの生成は、サポートベクターマシンなどの教師あり学習と呼ばれる手法で行わる。また、分類モデルとは、教師あり学習の学習結果である。分類器学習部209は、分析者によって学習が指示されたタイミングで実行される。分類器学習部209によって生成された分類モデルは、分類器学習部209によって学習が終了した時点で分類器記憶部210に書き込まれる。

0025

未分析機種故障データ211は、未分析機種で実際に発生した故障の稼働データである。これは、車両101から通信拠点102を経由して原因分類サーバ103に送信された稼働データである。

0026

原因分類部212は、未分析機種故障データが入力された際に、分類器記憶部210から該当する機種、故障に関する分類モデルを読み込む。その後、読み込んだ分類モデルに従って故障原因分類を行う。故障原因分類が完了した後に、分類結果表示部213に分類結果を出力する。

0027

このような構成によれば、故障事例などの比較的取得困難な稼働データを未分析機種について収集することなく、正常事例などの比較的取得容易な稼働データによって、分析済み機種の稼働データから未分析機種の稼働データへの変換関数を算出し、分析済み機種の比較的取得困難な稼働データを変換し、未分析機種の学習用稼働データとすることで、未分析機種の比較的取得困難な稼働データを分類する事ができる。

0028

また本実施例では、故障原因分類について記載するが、同様の方法によって異常予兆検知の場合にも精度を向上することが可能である。異常予兆検知の精度向上のためには、十分な正常時稼働データを事前に収集する必要がある。しかし、例えば温度などの季節変動するデータは、運用開始時に十分収集することは困難である。そのような場合には、例えば夏場の稼働データで変換関数を算出し、分析済み機種の冬場の稼働データを変換し学習する事で、季節変動や入手困難な事例の稼働データも精度よく正常、異常の分類をおこなうことが可能となる。

0029

図3に正常事例DBの構成を示す。ここで、正常事例DBとは未分析機種正常事例DB201及び分析済み機種正常事例DB202を示す。機種層301には、正常事例が格納されている機種の情報が格納されている。稼働データ層302には、正常時の稼働データが格納されている。稼働データ1、稼働データ2はそれぞれ異なる時刻のデータである。 正常事例DBの構成は、未分析機種正常事例DB201と分析済み機種正常事例DB202に適用される。

0030

図4に稼働データの説明を示す。時間列401は故障が発生した際の時間情報が記憶されている。アクセル列402、エンジン回転数列403など、車両に関するセンサデータが時間と同期して格納されている。原因分類サーバ103は、故障原因と稼働データの情報を組み合わせて学習し、故障発生時の稼働データ211の原因を分類する。

0031

図5は機種による稼働データの差を示した図である。ここではあるセンサ1、センサ2による平面を示している。センサ1、センサ2とは例えばアクセルやエンジン回転数などであり、車両101に内蔵されているセンサである。また、センサ1、及びセンサ2は機械の専門家が類似の挙動を示すと判定するセンサである。データ点501aは機種M1のある稼働データを示す。データ点502bは機種M2のある稼働データを示す。機種M1は十分に稼働データが集まっている分析済み機種であり、機種M2は新機種であるなどの理由で十分稼働データが集まっていない未分析機種である。

0032

図5に示すように、機種M1の稼働データと機種M2の稼働データでは、データが存在する領域が異なる。これは、機械の設計、制御が変更されたことや、稼働データの蓄積量の大小によるものである。

0033

図6は未分析機種で分類できない稼働データを示した図である。図6図5と同様に、あるセンサ1、センサ2による平面を示している。データ点601a、601bはそれぞれ機種M1、機種M2のある稼働データを示している。領域602a、602bは機種M1、機種M2で類似の稼働データの取る領域である。

0034

十分稼働データが蓄積されている機種M1の領域602aにはデータ点が含まれるが、稼働データが十分ない機種M2の領域602bにはデータ点が含まれていない。このような領域が故障の特徴である場合には、機種M2では正しく故障原因分類ができない。これは教師あり学習による故障原因分類では類似のデータ点の故障原因に分類するが、領域602bのように類似のデータ点が存在しない場合には分類を行うことができないためである。領域603a、603bも領域602a、602bと同様に機種M2ではデータ点が含まれないため、正しく分類できない可能性がある例である。

0035

反対に領域604a、604bは機種M1のデータ点は含まれるが、機種M2のデータ点は含まれない。これは、設計や制御の変更により、機種M2が機種M1より広いデータ範囲で使用される場合に起こる。このような事象は新機種で例えば高圧や高電流高温を扱う場合に起こる。領域604a、604bのような領域がない場合、つまり機種M1と機種M2でほぼ同等の範囲で機械が稼働する場合には、機種M1で学習した分類モデルを活用して機種M2の故障事例を分類することも可能である。

0036

しかし、領域604a、604bのような領域がある場合には、機種M2の故障事例を機種M1の分類モデルで正しく分類できない可能性が高い。このような課題に対しては、例えば稼働データの各センサに対する最大値最小値によって補正を行う事で、機種M1と機種M2の稼働範囲を共通化させることも可能である。

0037

しかし、実際の稼働データには外れ値605a、605bのようなデータが存在する事が多い。このような外れ値が存在する場合には、各センサの最大値、最小値による補正はむしろ悪影響となる。これは、各センサの最大値、最小値は外れ値の影響を受けやすいためである。本発明では、このような外れ値の影響を受けづらく、機種毎の稼働データの範囲の違いを吸収するための方法を与える。

0038

図7はクラスタリングのイメージを示した図である。ここでは、図5で示した稼働データに対してクラスタリングを行った結果を示している。ここでクラスタリングとは、クラスタ解析クラスタ分析とも呼ばれる手法であり、データ集合部分集合切り分けるための手法である。クラスタリングには例えば、k−means法やmeanshiftといった手法がある。

0039

クラスタ中心701a、701bはそれぞれ機種M1、機種M2に対してクラスタリングを行った際のクラスタ中心を示している。クラスタリングは、周辺のデータ点を代表するクラスタ中心を1つ以上決定する手法であるため、外れ値の影響を受けづらい。本発明では、このクラスタリングを活用することで外れ値に対して頑強な方法を与える。

0040

また、本報告では以後クラスタリングによって得られるクラスタ中心を用いて説明を行うが、ベクトル量子化におけるコードブックといった量子化手法によって得られる点や自己組織化マップで得られる値を、クラスタ中心の代わりにしてもよい。

0041

図8は変換関数算出部203で行う処理のイメージを示した図である。クラスタ中心801は機種M1のクラスタ中心である。これは図7での機種M1のクラスタ中心701aに対して、機種M2のクラスタ中心とデータの範囲が一致するように補正をかけたものである。

0042

クラスタ中心802は、機種M2のクラスタ中心である。これは図7での機種M2のクラスタ中心701bと同じものである。変換点803、804は、変換関数算出に用いる変換点を示す。これは機種M1と機種M2で近い距離にあるクラスタ中心を同じ特徴を表すクラスタとする。同じ特徴を表すクラスタ中心の内距離が大きくなるものを抽出する。この変換点803、804の破線枠内の機種M1、機種M2のクラスタ中心が一致するように変換関数を算出する。

0043

このように変換関数算出部203では、未分析機種の稼働データと分析済み機種の稼働データをクラスタリングし、2機種のクラスタ中心の稼働範囲を一致させ、更に2機種間で近いクラスタ中心で、機種内では大きく離れるクラスタ中心の組を変換点として抽出し、変換点として抽出されたクラスタ中心が一致するような変換関数を算出する。クラスタ中心は外れ値の影響を受けづらく、稼働データの特徴を反映するため、本発明によれば外れ値に対して頑強であり2機種の稼働データの特徴を一致させる変換関数を算出する事が可能となる。

0044

また、こうして求められた変換関数によれば、分析済み機種で発生した故障時稼働データを変換し、未分析済み機種で故障が発生した際の疑似稼働データを生成する事が可能となる。この疑似稼働データを学習する事で、未分析機種には存在しない故障原因の分類が可能となる。

0045

図9は変換関数算出部203の構成を示した図である。変換関数算出部203は動作パターン抽出部901a、901b、抽出動作パターン902、未分析機種抽出動作パターンデータ903a、分析済み機種抽出動作パターンデータ903b、クラスタリング部904a、904b、未分析機種クラスタリング結果905a、分析済み機種クラスタリング結果905b、機種間クラスタ関連付け部906、変換点決定部907、変換関数パラメータ算出部908、変換関数パラメータ書き込み部909によって構成される。

0046

動作パターン抽出部901a、901bはそれぞれ未分析機種正常事例DB201、分析済み機種正常事例DB202から特定の動作パターンを示している稼働データを抽出し、未分析機種抽出動作パターンデータ903a、分析済み機種抽出動作パターンデータ903bを生成する。

0047

ここで、抽出する特定の動作パターンは、分析者104によってあらかじめ抽出動作パターンテーブル902に記載されている。抽出動作パターンとは、対象となる機械の代表的な動作である。対象機械が車両の場合には、例えば停止状態から所定の時間で所定の速度に達するまで加速する動作であったり、所定の速度から停止する動作であったりする。また、一定の速度で運転している動作であったり、所定の速度パターンに従って運転している動作であったりする。この他にも変速時といった動作状態切り替える動作でもよい。

0048

変換関数算出部203では、変換関数を算出する前に特定の動作パターンを抽出する事で、分析済み機種の稼働データを未分析済み機種の学習用に変換した際に、類似の動作を行った際に類似の稼働データを生成する事が可能となる。

0049

クラスタリング部904a、904bはそれぞれ未分析済み機種抽出動作パターンデータ903a、分析済み機種抽出動作パターン903bに対してクラスタリングを行い、それぞれ未分析機種クラスタリング結果905a、分析済み機種クラスタリング結果905bを生成する。

0050

機種間クラスタ関連付け部906では、未分析機種クラスタリング結果905aと分析済み機種クラスタリング結果905bを比較することで、未分析機種と分析済み機種で類似の挙動と考えられるクラスタを求める。機種間クラスタ関連付け部906は、未分析機種と分析済み機種の動作範囲の変換と未分析機種と分析済み機種のクラスタ同士の距離の計算を行う。
動作範囲の変換は、未分析機種と分析済み機種のクラスタ中心の最大値、最小値を一致させることで行う。ここでは、未分析機種の動作範囲に分析済み機種の動作範囲を一致させるように変換する。変換式次式で表される

0051

0052

ここでCはクラスタ中心の座標を表す。上添え字のa、bはそれぞれ未分析機種、分析済み機種を表し、上添え字btは分析済み機種から未分析機種へ変換した後の分析済み機種のクラスタ中心であることを示す。下添え字のiはi番目のクラスタ中心を表し、jはj番目のセンサを表す。max(Cj)は各クラスタ中心のj番目のセンサの最大値を表し、min(Cj)は各クラスタ中心のj番目のセンサの最小値を表す。また数1はi番目のクラスタのj番目のセンサに関する変換式である。そのため、数1を分析済み機種のすべてのクラスタ、すべてのセンサに対して適用する。

0053

未分析機種と分析済み機種のクラスタ同士の距離の計算は、数2で示すユークリッド距離を用いる。

0054

0055

数2の左辺は未分析機種クラスタリング結果のia番目のクラスタ、分析済み機種クラスタリング結果のib番目のクラスタとの距離を示す。機種間クラスタ関連付け部906では、未分析機種クラスタリング結果のクラスタ905aに対して数2で示す距離がもっとも小さくなる分析済み機種クラスタリング結果905bの動作範囲を変換した後のクラスタを求める。その後、クラスタ同士の距離が閾値以下となる未分析機種のia番目のクラスタと分析済み機種のib番目のクラスタの組み合わせを、機種間で関連の高いクラスタの組み合わせとして変換点の候補とする。ここで、クラスタ同士の距離の閾値は、分析者104によってあらかじめ与えられている。

0056

ここでは、分析済み機種の動作範囲を未分析機種の動作範囲と一致するように変換したが、反対に未分析機種の動作範囲を分析済み機種の動作範囲と一致するように変換してもよい。また、未分析機種と分析済み機種のクラスタ中心の各センサの最小値が0、最大値が1になるように変換してよい。

0057

また、変換点の候補は未分析機種の各クラスタとの距離が小さい分析済み機種のクラスタを求める例を記載したが、反対に分析済み機種の各クラスタとの距離が小さい未分析機種のクラスタを求め、閾値以下の距離のクラスタの組を変換点の候補としてもよい。

0058

変換点決定部907は、変換関数パラメータを算出するための変換点を決定する。変換点の決定には数3で示す指標を用いる。

0059

0060

変換点は関数f(*)の最大値と最小値の差を大きくするi1、i2番目のクラスタ中心が変換点として選ばれる。関数f(*)は数4で表される。

0061

0062

ここでCjはクラスタ中心Cのj番目のセンサの値である。数4で表される関数f(*)はクラスタ中心の1番目のセンサの値と、2〜d番目のセンサの値の加算または減算の組み合わせである。ここでdはクラスタ中心の次元の数である。そのため、d次元のクラスタ中心の場合には、2*(d−1)通りのf(*)が存在する。

0063

変換点決定部907は、2*(d−1)通り存在するf(*)のすべてに対して数3の評価式を大きくする2つのクラスタi1、i2を求め、変換点とする。ここで求められるi1、i2は数3の評価式を最大化する組み合わせであってもよいし、数3の評価式がある閾値以上となる組み合わせの集合であってもよい。この評価式の閾値は事前に分析者104によって与えられる。また、数3の評価式を最大化するf(*)に対してのみ変換点を決めてもよいし、複数のf(*)に対して変換点を決めてもよい。本実施例では、数3の評価式を最大化させるf(*)のときに数3の評価式を最大化させるクラスタ番号i1、i2を変換点とする。変換関数パラメータ算出部908では、変換点と変換関数のパラメータを決定する。変換関数パラメータを数5によって求められる。

0064

0065

ここでpが変換関数パラメータである。g(C,p)はパラメータpによるクラスタ中心Cの変換を表す。また、Itは変換点決定部907で決められた変換点の集合であり、ipは変換点として求められた未分析機種のi番目のクラスタと機種間クラスタ関連付け部906で変換点の候補として組み合わせとなっている分析済み機種のクラスタ番号である。また、||*||は*の大きさを表す。そのため、数5は変換関数g(C,p)による変換後の分析済み機種のip番目のクラスタ中心と未分析機種のi番目のクラスタ中心の差を最小化するパラメータp'を変換関数のパラメータとして決定することを示している。

0066

本実施例では、変換関数の例としてアフィン変換を採用した場合について記載する。数6にアフィン変換について示す。

0067

0068

ここでT1は線形変換行列であり、T2は平行移動ベクトルである。パラメータpはT1、T2を示す。

0069

変換関数パラメータ書き込み部909では、変換関数パラメータ算出部908で求められた変換関数のパラメータを変換関数パラメータ記憶部204に書き込む。

0070

図10に変換関数算出部203の処理フローを示す。

0071

分析者104によって変換関数の算出が実行されたときに、ステップ1001から処理フローが開始される。

0072

ステップ1002では、変換関数算出部203が変換関数を算出する機種を未分析機種、分析済み機種からそれぞれ1機種ずつ決定する。変換関数を算出する機種は、分析者104から与えられた機種をそのまま選択してもよいし、複数の機種が存在する場合には順番に1機種ずつ処理する機種を決めていく。

0073

ステップ1003では、動作パターン抽出部901a、901bが抽出動作パターンテーブル902から抽出動作パターンを読み込む。

0074

ステップ1004では動作パターン抽出部901aがステップ1003で読み込んだ抽出動作パターンに該当するデータを未分析機種正常事例DB201から抽出し、未分析機種抽出動作パターンデータ903aを生成する。

0075

ステップ1005では動作パターン抽出部901bがステップ1003で読み込んだ抽出動作パターンに該当するデータを分析済み機種正常事例DB202から抽出し、分析済み機種抽出動作パターンデータ903bを生成する。

0076

ステップ1006では、クラスタリング部904aが未分析機種抽出動作パターンデータ903aを分析し、未分析機種クラスタリング結果905aを生成する。

0077

ステップ1007では、クラスタリング部904bが分析済み機種抽出動作パターンデータ903bを分析し、分析済み機種クラスタリング結果905bを生成する。

0078

ステップ1008では、機種間クラスタ関連付け部906が未分析機種クラスタリング結果905aのクラスタに対して、 最も関連の高い分析済み機種クラスタリング結果905bのクラスタを決定する 。

0079

ステップ1009では、変換点決定部907が変換点を決定する。

0080

ステップ1010では、変換関数パラメータ算出部908が変換点決定部907で決定された変換点に基づいて変換関数のパラメータを決定する。

0081

ステップ1011では、変換関数パラメ−タ書き込み部909が決定された変換関数のパラメータを変換関数パラメータ記憶部に書き込む。

0082

ステップ1012で、変換関数算出部203は処理フローを終了する。

0083

図11に変換関数パラメータ記憶部204の構成を示す。変換関数パラメータ記憶部204は、変換先機種階層1101、変換元機種階層1102、変換関数パラメータ階層1103によって構成されている。

0084

変換先機種階層1101には、変換関数の変換によって稼動データが得られる機種情報が格納される。変換元機種階層1102には、変換関数で変換を行う稼動データの機種情報が格納される。変換関数パラメータ階層1103には、変換関数のパラメータ情報と変換関数算出部で求められた変換点の集合の情報が格納される。

0085

図12は故障事例データベースの構成を示した図である。故障事例DBは、機種階層1201、故障種別階層1202、故障原因階層1203、稼動データ階層1204によって構成されている。

0086

機種階層1201には、故障事例が格納されている機種の情報が格納されている。故障種別階層1202には、機種階層1201に格納されている機種情報ごとに、故障種別の情報が格納されている。故障原因階層1203には、故障種別階層1202に格納されている故障種別ごとに、故障原因の情報が格納されている。稼動データ階層1204には、故障原因階層1203に格納されている故障原因ごとに、稼動データが格納されている。

0087

故障事例データベースの構成は、分析済み機種故障事例DB205と未分析機種擬似故障事例DB207に適用される。

0088

図13に、データ変換部206の処理フローを示す。

0089

ステップ1301で、データ変換部206は分析者104からデータ変換を実行された際に処理フローを開始する。また、あらかじめ分析者104から与えられている日付変更時などの特定のタイミングで処理フローを開始してもよい。

0090

ステップ1302で、データ変換部206はデータ変換を行う機種を未分析機種、分析済み機種から決定する。データ変換を行う機種は、分析者104によってあらかじめ与えられた機種を選択する。

0091

ステップ1303で、データ変換部206はステップ1302で決定された機種に関連する変換関数パラメータを変換関数パラメータ記憶部204から読み込む。ここで読み込むパラメータは、変換先機種階層1101が未分析機種で、変換元機種階層1102が分析済み機種のものである。

0092

ステップ1304で、データ変換部206は分析済み機種故障事例DB205からデータ変換を行う分析済み機種の故障事例を読み込む。ここで読み込む故障事例とは、故障種別、故障原因、稼動データの3種類である。

0093

ステップ1305で、データ変換部206はステップ1304で読み込んだ故障事例ごとにステップ1303で読み込んだ変換関数パラメータを用いてデータ変換を行い擬似故障事例を生成する。ここで使用する変換関数は、変換関数算出部203で用いた変換関数を用いる。

0094

ステップ1306で、データ変換部206はステップ1305で生成した擬似故障事例を未分析機種擬似故障事例DB207に書き込む。

0095

ステップ1307で、データ変換部206は処理フローを終了する。

0096

図14に表示部208の構成を示す。表示部208は、選択対象表示部1401、分析済み機種表示部1402、変換関数表示部1403、データ表示部1404、変換点表示部1405、変換関数算出部実行部1406、データ変換部実行部1407によって構成される。

0097

選択対象表示部1401は、変換関数の変換先となる機種を表示する。分析済み機種表示部1402は、変換関数の変換元となる機種を表示する。変換関数表示部1403は、変換元となる機種ごとに変換関数を表示する。データ表示部1404は、変換先、変換元となる機種の正常事例、故障事例と変換元機種の変換後の稼動データを表示する。表示形式は、時系列データや散布図などを選択可能である。また、1つ以上の稼動データを同時に表示できる。変換点表示部1405は、変換関数の変換点として選択されている変換点を表示する。変換関数算出部実行部1406は、分析者104によって選択された際に、変換関数算出部203を実行する。データ変換実行部1407は、分析者104によって選択された際に、データ変換部206を実行する。

0098

図15は表示部208の画面例を示した図である。図15は、選択対象表示部1501、分析済み機種表示部1502、変換関数表示部1503、データ表示部1504、変換点表示部1505、変換関数算出部実行部1506、データ変換部実行部1507によって構成されている。

0099

選択対象表示部1501は、変換関数の変換先となる機種情報を表示する。

0100

分析済み機種表示部1502は、変換元となる機種と変換される稼動データ、各稼動データの故障原因、使用判定が表示される。分析者104は、ここで稼動データを選択することでデータ表示部1504に稼動データを表示できる。また、分析者104は表示した稼動データを確認することで、変換関数の評価や、各稼動データを変換して未分析機種へのデータ変換に使用するか、使用しないかを選択できる。

0101

変換関数表示部1503は、変換元となる機種、各機種の事例がある故障原因、変換関数、使用判定が表示される。分析者104は、各機種に含まれる故障原因を参考にして、未分析機種にデータ変換を行った際に、未分析機種で発生しうる故障原因がすべて含まれるようにデータ変換を行う機種を決定する。また、分析者104は変換関数表示部1503に表示される各機種ごとの変換関数を直接変更することも可能である。ここで変更された変換関数のパラメータは変換関数パラメータ記憶部204に書き込まれる。

0102

データ表示部1504は、変換先、変換元となる機種の正常事例、故障事例と変換元機種の変換後の稼動データを表示する。表示形式は、時系列データや散布図などを選択可能である。また、1つ以上の稼動データを同時に表示できる。
変換点表示部1505は、変換関数表示部1503で選択されている機種の変換点を表示する。分析者104は変換点表示部105で変換点を選択することもできる。選択された変換で変換関数算出部203は変換関数パラメータを算出し、変換関数パラメータ記憶部204に変換関数パラメータを書き込む。

0103

変換関数算出部実行部1506は、分析者104に選択された際に、変換関数算出部203を実行する。

0104

データ変換実行部1507は、分析者104に選択された際に、データ変換部206を実行する。

実施例

0105

図16は分類結果表示部211の構成を示した図である。分類結果表示部211は車両情報表示部1601と故障種別表示部1602、データ情報表示部1603、分類原因表示部1604、処置方法表示部1605によって構成されている。
車両情報表示部1601では、故障原因を分類した稼働データが発生した車両に関する情報を表示する。ここで車両に関する情報とは、車両の個体情報走行距離、車体やエンジン等の型式などである。
故障種別表示部1602では故障種別を表示する。データ情報表示部1603は未分析機種故障データ211の情報を表示する。これは各センサの値の特徴や、各センサの時系列データである。分類原因表示部1604は、原因分類部212から出力された各故障原因を表示する。処置方法表示部1605では、あらかじめ登録されている各故障原因に対する処置方法を表示する。保守拠点105においては、表示された故障原因の確率とその処置方法を参考にして、効率的な保守作業を行う。 以上、本発明は実施例に限定されるものではなく様々な変形例が含まれる。車両は商用車である必要はないし、本発明の思想は車両以外の船舶航空機に例示される移動体、移動体以外の機械の保守に適用してもよい。上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

0106

101・・・車両
102・・・通信拠点
103・・・原因分類サーバ
104・・・分析者
105・・・保守拠点

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ