図面 (/)

技術 生存確率推定装置、方法、及びプログラム

出願人 日本電信電話株式会社
発明者 唐恒進松林達史青木政勝澤田宏
出願日 2016年7月1日 (3年7ヶ月経過) 出願番号 2016-132061
公開日 2018年1月11日 (2年1ヶ月経過) 公開番号 2018-005581
状態 特許登録済
技術分野 複合演算
主要キーワード 劣化故障 仮想イベント 故障発生確率 故障時期 故障件数 故障発生率 メンテナンススケジュール 耐久年数
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(2018年1月11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 (9)

課題

精度よく、対象物生存確率推定できる。

解決手段

初期化処理部30が、対象物の各々について観測されたイベントに関するデータに基づいて、i番目のデータの各々に関して、イ経過時間tにおいてイベントが発生する確率f(t)及び経過時間tまでにイベントが発生していない確率S(t)を推定するためのモデルに関するパラメータ初期化する。データ生成部32が、イベント未発生観測経過時間Ti,Nと、最終観測経過時間Tiとの区間における、j番目仮想イベント発生経過時間Ti,jの各々においてイベントが発生した件数wi,jを生成する。パラメータ推定部34が、i番目のデータの各々についてj番目の仮想イベント発生経過時間Ti,jの各々、仮想イベント発生経過時間Ti,jの各々においてイベントが発生した件数wi,j、及び最終観測経過時間Tiにより表される尤度式を最適化するように、パラメータを推定する。

概要

背景

機械耐久年数や、生物生存期間推定する代表的な技術として生存時間分析というものが広く利用されている。生存時間分析では経過時間t(例えば生物が誕生してからの生存期間(年齢))において、該当データにイベントが発生する(例えば生物の死亡)確率を算出する。生存時間分析の既存技術としては、1.カプラマイヤー、2.Cox比例ハザードモデル、3.パラメトリックモデルが存在する。

概要

精度よく、対象物生存確率を推定できる。初期化処理部30が、対象物の各々について観測されたイベントに関するデータに基づいて、i番目のデータの各々に関して、イ経過時間tにおいてイベントが発生する確率f(t)及び経過時間tまでにイベントが発生していない確率S(t)を推定するためのモデルに関するパラメータ初期化する。データ生成部32が、イベント未発生観測経過時間Ti,Nと、最終観測経過時間Tiとの区間における、j番目仮想イベント発生経過時間Ti,jの各々においてイベントが発生した件数wi,jを生成する。パラメータ推定部34が、i番目のデータの各々についてj番目の仮想イベント発生経過時間Ti,jの各々、仮想イベント発生経過時間Ti,jの各々においてイベントが発生した件数wi,j、及び最終観測経過時間Tiにより表される尤度式を最適化するように、パラメータを推定する。

目的

本発明は、上記課題を鑑みて成されたものであり、精度よく、対象物の生存確率を推定できる生存確率推定装置、方法、及びプログラムを提供する

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

イベントが発生するまで生存する対象物生存確率推定する生存確率推定装置であって、前記対象物の各々について観測されたイベントに関するデータに基づいて、i番目のデータの各々に関して、経過時間tにおいてイベントが発生する確率f(t)及び経過時間tまでにイベントが発生していない確率S(t)を推定するためのモデルに関するパラメータ初期化する初期化処理部と、前記イベントの発生が観測されたi番目のデータの各々に関して、観測が開始されてからイベントが発生していないことが最後に確認された時刻までのイベント未発生観測経過時間Ti,Nと、観測が開始されてからイベントが発生したか否かが最後に観測された時刻までの最終観測経過時間Tiとの区間における、j番目仮想イベント発生経過時間Ti,j(Ti,N+1≦Ti,j≦Ti)の各々においてイベントが発生した件数wi,jを生成するデータ生成部と、i番目のデータの各々についてj番目の前記仮想イベント発生経過時間Ti,jの各々、前記仮想イベント発生経過時間Ti,jの各々においてイベントが発生した件数wi,j、及び前記最終観測経過時間Tiにより表される尤度式を最適化するように、前記パラメータを推定するパラメータ推定部と、を含む生存確率推定装置。

請求項2

前記パラメータ推定部は、前記モデルとして、指数分布のモデルを用いる請求項1に記載の生存確率推定装置。

請求項3

前記仮想イベント発生経過時間Ti,jにおいてイベントが発生した件数wi,jは、予め定められた前記対象物の経過時間に応じたイベントが発生する確率の変化により求める請求項1又は請求項2に記載の生存確率推定装置。

請求項4

イベントが発生するまで生存する対象物の生存確率を推定する生存確率推定装置における生存確率推定方法であって、初期化処理部が、前記対象物の各々について観測されたイベントに関するデータに基づいて、i番目のデータの各々に関して、経過時間tにおいてイベントが発生する確率f(t)及び経過時間tまでにイベントが発生していない確率S(t)を推定するためのモデルに関するパラメータを初期化するステップと、データ生成部が、前記イベントの発生が観測されたi番目のデータの各々に関して、観測が開始されてからイベントが発生していないことが最後に確認された時刻までのイベント未発生観測経過時間Ti,Nと、観測が開始されてからイベントが発生したか否かが最後に観測された時刻までの最終観測経過時間Tiとの区間における、j番目の仮想イベント発生経過時間Ti,j(Ti,N+1≦Ti,j≦Ti)の各々においてイベントが発生した件数wi,jを生成するステップと、パラメータ推定部が、i番目のデータの各々についてj番目の前記仮想イベント発生経過時間Ti,jの各々、前記仮想イベント発生経過時間Ti,jの各々においてイベントが発生した件数wi,j、及び前記最終観測経過時間Tiにより表される尤度式を最適化するように、前記パラメータを推定するステップと、を含む生存確率推定方法。

請求項5

前記パラメータ推定部が推定するステップは、前記モデルとして、指数分布のモデルを用いる請求項4に記載の生存確率推定方法。

請求項6

前記仮想イベント発生経過時間Ti,jにおいてイベントが発生した件数wi,jは、予め定められた前記対象物の経過時間に応じたイベントが発生する確率の変化により求める請求項4又は請求項5に記載の生存確率推定方法。

請求項7

コンピュータを、請求項1〜請求項3のいずれか1項に記載の生存確率推定装置の各部として機能させるためのプログラム

技術分野

0001

本発明は、生存確率推定装置、方法、及びプログラム係り、特に、イベントが発生するまで生存する対象物の生存確率を推定するための生存確率推定装置、方法、及びプログラムに関する。

背景技術

0002

機械耐久年数や、生物生存期間を推定する代表的な技術として生存時間分析というものが広く利用されている。生存時間分析では経過時間t(例えば生物が誕生してからの生存期間(年齢))において、該当データにイベントが発生する(例えば生物の死亡)確率を算出する。生存時間分析の既存技術としては、1.カプラマイヤー、2.Cox比例ハザードモデル、3.パラメトリックモデルが存在する。

先行技術

0003

David M Diez.:Survival Analysis in R,インターネット,(検索日時:2016/02/01),2013.

発明が解決しようとする課題

0004

既存技術のうち、1.カプランマイヤーは入力されたデータを集計処理することで生存確率を算出し、生存確率を表す関数パラメータ推定を行わないのに対し、2.Cox比例ハザードモデル、3.パラメトリックモデルではパラメータ推定を行う違いがある。また、いずれの技術も入力データとしては「イベントの発生有無」(例えば生物の死亡が確認されたかどうか)、および「該当データの観測開始から、イベントの発生が確認されるまでの経過時間(イベントが発生していない場合は該当データの観測期間)」の情報を元に生存確率の推定を行う。しかしながら既存技術は共通してある問題を抱えている。それは既存技術の入力データとして用いている「経過時間」というのは、「イベントが実際に発生するまでの経過時間」ではなく「イベントの発生が確認されるまでの経過時間」であるため、両者が大きくずれていた場合、生存確率の推定が不正確になる(図1参照)。

0005

このようなケースは往々にして発生する。例えば非常用電源は通常通電していないため、劣化故障などが見つけにくく、メンテナンス時に故障発見されるケースがよくある。またビルのメンテナンスでも、非破壊検査が行われる頻度は非常に低いため、実際にビルに破損が発生した時期を推定することは困難である。そのため非常用電源を例にとると、潜在的な故障が発見されにくく、対象の本質的な耐用年数の推定が難しいため、適切なメンテナンス時期がわからず、実際に利用しようという段階において故障している事態が発生しやすい。

0006

本発明は、上記課題を鑑みて成されたものであり、精度よく、対象物の生存確率を推定できる生存確率推定装置、方法、及びプログラムを提供することを目的とする。

課題を解決するための手段

0007

上記目的を達成するために、第1の発明に係る生存確率推定装置は、イベントが発生するまで生存する対象物の生存確率を推定する生存確率推定装置であって、前記対象物の各々について観測されたイベントに関するデータに基づいて、i番目のデータの各々に関して、経過時間tにおいてイベントが発生する確率f(t)及び経過時間tまでにイベントが発生していない確率S(t)を推定するためのモデルに関するパラメータ初期化する初期化処理部と、前記イベントの発生が観測されたi番目のデータの各々に関して、観測が開始されてからイベントが発生していないことが最後に確認された時刻までのイベント未発生観測経過時間Ti,Nと、観測が開始されてからイベントが発生したか否かが最後に観測された時刻までの最終観測経過時間Tiとの区間における、j番目仮想イベント発生経過時間Ti,j(Ti,N+1≦Ti,j≦Ti)の各々においてイベントが発生した件数wi,jを生成するデータ生成部と、i番目のデータの各々についてj番目の前記仮想イベント発生経過時間Ti,jの各々、前記仮想イベント発生経過時間Ti,jの各々においてイベントが発生した件数wi,j、及び前記最終観測経過時間Tiにより表される尤度式を最適化するように、前記パラメータを推定するパラメータ推定部と、を含んで構成されている。

0008

また、第1の発明に係る生存確率推定装置において、前記パラメータ推定部は、前記モデルとして、指数分布のモデルを用いるようにしてもよい。

0009

また、第1の発明に係る生存確率推定装置において、前記仮想イベント発生経過時間Ti,jにおいてイベントが発生した件数wi,jは、予め定められた前記対象物の経過時間に応じたイベントが発生する確率の変化により求めるようにしてもよい。

0010

第2の発明に係る生存確率推定方法は、イベントが発生するまで生存する対象物の生存確率を推定する生存確率推定装置における生存確率推定方法であって、初期化処理部が、前記対象物の各々について観測されたイベントに関するデータに基づいて、i番目のデータの各々に関して、経過時間tにおいてイベントが発生する確率f(t)及び経過時間tまでにイベントが発生していない確率S(t)を推定するためのモデルに関するパラメータを初期化するステップと、データ生成部が、前記イベントの発生が観測されたi番目のデータの各々に関して、観測が開始されてからイベントが発生していないことが最後に確認された時刻までのイベント未発生観測経過時間Ti,Nと、観測が開始されてからイベントが発生したか否かが最後に観測された時刻までの最終観測経過時間Tiとの区間における、j番目の仮想イベント発生経過時間Ti,j(Ti,N+1≦Ti,j≦Ti)の各々においてイベントが発生した件数wi,jを生成するステップと、パラメータ推定部が、i番目のデータの各々についてj番目の前記仮想イベント発生経過時間Ti,jの各々、前記仮想イベント発生経過時間Ti,jの各々においてイベントが発生した件数wi,j、及び前記最終観測経過時間Tiにより表される尤度式を最適化するように、前記パラメータを推定するステップと、を含んで実行することを特徴とする。

0011

また、第2の発明に係る生存確率推定方法において、前記パラメータ推定部が推定するステップは、前記モデルとして、指数分布のモデルを用いるようにしてもよい。

0012

また、第2の発明に係る生存確率推定方法において、前記仮想イベント発生経過時間Ti,jにおいてイベントが発生した件数wi,jは、予め定められた前記対象物の経過時間に応じたイベントが発生する確率の変化により求めるようにしてもよい。

0013

第3の発明に係るプログラムは、コンピュータを、第1の発明に係る生存確率推定装置の各部として機能させるためのプログラムである。

発明の効果

0014

本発明の生存確率推定装置、方法、及びプログラムによれば、対象物の各々について観測されたイベントに関するデータに基づいて、i番目のデータの各々に関して、経過時間tにおいてイベントが発生する確率f(t)及び経過時間tまでにイベントが発生していない確率S(t)を推定するためのモデルに関するパラメータを初期化し、イベントの発生が観測されたi番目のデータの各々に関して、観測が開始されてからイベントが発生していないことが最後に確認された時刻までのイベント未発生観測経過時間Ti,Nと、観測が開始されてからイベントが発生したか否かが最後に観測された時刻までの最終観測経過時間Tiとの区間における、j番目の仮想イベント発生経過時間Ti,j(Ti,N+1≦Ti,j≦Ti)の各々においてイベントが発生した件数wi,jを生成し、i番目のデータの各々についてj番目の仮想イベント発生経過時間Ti,jの各々、仮想イベント発生経過時間Ti,jの各々においてイベントが発生した件数wi,j、及び最終観測経過時間Tiにより表される尤度式を最適化するように、パラメータを推定することにより、精度よく、対象物の生存確率を推定できる、という効果が得られる。

図面の簡単な説明

0015

既存技術と本発明の実施の形態の開発技術による生存確率の推定の一例を示す図である。
本発明の実施の形態に係る生存確率推定装置の機械のデータの入力例を示す図である。
本発明の実施の形態に係る生存確率推定装置による出力例を示す図である。
本発明の実施の形態に係る生存確率推定装置の構成を示すブロック図である。
故障有と故障無における経過時間Ti,N、Ti,R及び、Tiの関係を表す図である。
故障発生確率の設定列を表す図である。
本発明の実施の形態に係る生存確率推定装置における生存確率推定処理ルーチンを示すフローチャートである。
本発明の実施の形態のシミュレーション結果の一例を示す図である。

実施例

0016

以下、図面を参照して本発明の実施の形態を詳細に説明する。

0017

<本発明の実施の形態に係る概要

0018

まず、本発明の実施の形態における概要を説明する。

0019

本発明の実施の形態に係る開発技術はパラメトリックモデル、カプランマイヤー、及びCox比例ハザードモデルのいずれにも適用可能である。

0020

以下、対象物を「機械」、イベントを「機械の故障」、イベントの発生が「指数分布」に従う場合を例として説明する(他には対象データを「生物」、イベントを「生物の死亡」、イベントの発生が「ワイブル分布」に従うなどの例が考えられる)。

0021

本実施の形態の開発技術における、生存確率推定装置の入力と出力のイメージ図2、及び図3のようになる。図2の入力において着目してほしい点としては、従来技術では利用していなかった「故障無」が確認された時刻の情報を用いている点である。例えば非常用電源の場合、頻度は少ないが「試運転」を行うことや、周辺に設置したセンサ情報を確認することによって故障が発生していない時期の情報が得られることがある。開発技術ではこれらの「故障無」情報を利用することで、実際に故障が発生した時刻を絞り込み、より正確な故障発生時期の予測に役立てる。以下、本実施の形態の詳細を説明する。

0022

<本発明の実施の形態に係る生存確率推定装置の構成>

0023

次に、本発明の実施の形態に係る生存確率推定装置の構成について説明する。図4に示すように、本発明の実施の形態に係る生存確率推定装置100は、CPUと、RAMと、後述する生存確率推定処理ルーチンを実行するためのプログラムや各種データを記憶したROMと、を含むコンピュータで構成することが出来る。この生存確率推定装置100は、機能的には図4に示すように入力部10と、演算部20と、出力部50とを備えている。

0024

入力部10は、N個の機械の各々についての運転開始以降のデータに関して、以下の情報を受け付ける。

0025

入力部10は、i番目の機械のデータに関して、故障したか否かを表すci(i=1,2,...,M)を受け付ける。ci=1は故障発生観測、ci=0は故障発生未観測を表す。

0026

また、i番目の機械のデータに関して、装置が設置(製造)されてから故障か否かの情報が最後に観測された時刻までの最終観測経過時間Tiを受け付ける。

0027

また、i番目の機械のデータに関して、故障発生が観測された時(ci=1)、装置が設置(製造)されてから故障していないことが確認された最後の時刻までのイベント未発生経過時間Ti,Nを受け付ける。

0028

演算部20は、初期化処理部30と、データ生成部32と、パラメータ推定部34とを含んで構成されている。

0029

初期化処理部30は、以下に説明するように、i番目の機械のデータに関して、経過時間tにおいて故障が発生する確率f(t)及び経過時間tまでに故障が発生していない確率S(t)を推定するためのモデルに関するパラメータを初期化する。

0030

ここで、パラメータの種類は、選択するモデルによるが、本実施の形態では、モデルとして、指数分布のモデルを用いる。指数分布のモデルの場合は、パラメータはλとする。また、最終観測経過時間Ti、イベント未発生観測経過時間Ti,N、イベント発生経過時間Ti,Rは、それぞれi番目の機械のデータが観測されてからの経過時間を表す(Ti,N<Ti,R≦Ti)。図5は故障有と故障無におけるTi,N、Ti,R及び、Tiの関係を表したものである。

0031

関数である、経過時間tにおいて故障が発生する確率f(t)と経過時間tまでに故障が発生していない確率S(t)は、選択するモデルとモデルのパラメータによって定まり、以下(1)式の関係を持つ。

0032

0033

モデルによってf(t)、及びS(t)は変わりうるが、片方が定まれば他方は一意に定まる関係を持つ。例えば指数分布の場合、パラメータλによって以下(2)式、及び(3)式のように表される。

0034

0035

初期化処理部30ではパラメータλの初期値を設定する。初期値に関する制約は基本的にはないが、例えば指数分布のモデルを選択した場合、パラメータλは以下(4)式で算出するなどが考えられる。

0036

0037

データ生成部32は、故障の発生が観測されたi番目の機械のデータの各々に関して、観測が開始されてから故障が発生していないことが最後に確認された時刻までのイベント未発生観測経過時間Ti,Nと、観測が開始されてから故障が発生したか否かが最後に観測された時刻までの最終観測経過時間Tiとの区間における、j番目の仮想イベント発生経過時間Ti,j(Ti,N+1≦Ti,j≦Ti)の各々において故障が発生した件数wi,jを生成する。

0038

データ生成部32では、具体的には、故障発生が観測されていない機械のデータ(ci=0)については、入力データをそのまま用いる。一方、故障発生が観測された機械のデータ(ci=1)については、各々のデータについて、Ti,NからTiの区間において、経過時間Ti,N+1で

0039

0040

件の故障発生、経過時間Ti,N+2で

0041

0042

件の故障発生、...経過時間Tiで

0043

0044

件の故障が発生したというようなデータに置き換えて、件数wi,jを生成する。

0045

例えば、あるi番目の装置が経過時間5(=Ti,N)において故障が発生していないことが確認されていて、経過時間10(=Ti)において故障が確認された場合は以下のように置き換える。ただし、あくまで故障が確認された時間であって、実際に故障が発生した経過時間Ti,RがTiと一致するとは限らない。

0046

・経過時間6における故障件数:0.2件
・経過時間7における故障件数:0.2件
・経過時間8における故障件数:0.2件
・経過時間9における故障件数:0.2件
・経過時間10における故障件数:0.2件

0047

つまり経過時間5〜10の間にi番目の装置に故障が1件発生したという入力データを、経過時間5〜10間の各時間において故障が発生するように分割したと言える。

0048

上記で説明した方法は、本実施の形態の開発技術におけるデータ生成の最もシンプルな手法である。上記の手法は「故障が発生した可能性のある区間(Ti,NからTi)内において、各経過時間における故障発生確率は同じである」ということを暗に仮定していると言える。

0049

また、本実施の形態において提案する開発技術は必ずしも上記の仮定を満たす必要は無い。つまり故障が発生した可能性のある区間(Ti,NからTi)内において、各経過時間における故障発生確率は同じでなくても構わない。例えば、機械の経過時間に応じた故障が発生する確率の変化(例えば、生存曲線)が事前にわかっている場合には、当該確率の変化により件数wi,jを求めることができる。このように、分析対象の大まかな生存曲線の形に関する事前情報がある場合には、各経過時間における故障発生確率は生存曲線を考慮した形で設計可能である。例えば、経過時間が長くなるほど故障確率は上昇する傾向がある場合(f(T−1)≦f(T))、上記で説明したものと同じデータを用いて、以下のように件数wi,jのデータを生成することも可能である。

0050

・経過時間6における故障件数:0.16件
・経過時間7における故障件数:0.18件
・経過時間8における故障件数:0.2件
・経過時間9における故障件数:0.22件
・経過時間10における故障件数:0.24件

0051

例えばデータ生成の際の故障発生確率の設定は図6に示すように様々なものが考えられる。

0052

最後にデータ生成部32で算出されるTi,jについて説明すると、Ti,jは、故障が発生した機械(ci=1)に関してj=1,2,...,,Ti−Ti,Nの番号を持ち、Ti,j=Ti,N+j(Ti,N+1≦Ti,j≦Ti)となる。故障が発生していない機械(ci=0)についてはj=1、Ti,j=Tiとする。また、wi,jについては、0<wi,j≦1とする。

0053

パラメータ推定部34は、i番目の機械のデータの各々についてj番目の仮想イベント発生経過時間Ti,jの各々における、故障が発生する確率f(Ti,j)、仮想イベント発生経過時間Ti,jの各々において故障が発生した件数wi,j、及び故障の発生が確認されていないi番目の機械のデータの各々に関する確率S(Ti)により表される以下(5)式の尤度式を最適化するように、パラメータλを推定する。

0054

0055

例えば指数分布のモデルを選択した場合は初期化処理部30において説明したように、パラメータλとなり、以下(6)式によって、上記(5)式を最適化するパラメータλを算出することができる。

0056

0057

ただし、 ̄ciは、ciの反転を表す。

0058

0059

出力部50における出力は、経過時間tにおける生存確率S(t)の情報(グラフや式)が主な出力対象となる。また、パラメータ(指数分布の場合はλ)等も出力可能である。

0060

<本発明の実施の形態に係る生存確率推定装置の作用>

0061

次に、本発明の実施の形態に係る生存確率推定装置100の作用について説明する。入力部10において、N個の機械の各々について、故障したか否かを表すci、機械が設置(製造)されてから故障か否かの情報が最後に観測された時刻までの最終観測経過時間Ti、故障発生が観測された時(ci=1)、機械が設置(製造)されてから故障していないことが確認された最後の時刻までのイベント未発生経過時間Ti,Nを受け付けると、生存確率推定装置100は、図7に示す生存確率推定処理ルーチンを実行する。

0062

まず、ステップS100では、i番目の機械のデータ(i=1,...,N)に関して、経過時間tにおいて故障が発生する確率f(t)及び経過時間tまでに故障が発生していない確率S(t)を推定するためのモデルに関するパラメータλを上記(4)式に従って初期化する。

0063

次に、ステップS102では、故障の発生が観測されたi番目の機械のデータの各々に関して、観測が開始されてから故障が発生していないことが最後に確認された時刻までのイベント未発生観測経過時間Ti,Nと、観測が開始されてから故障が発生したか否かが最後に観測された時刻までの最終観測経過時間Tiとの区間における、j番目の仮想イベント発生経過時間Ti,j(Ti,N+1≦Ti,j≦Ti)の各々において故障が発生した件数wi,jを生成する。

0064

ステップS104では、i番目の機械のデータの各々についてj番目の仮想イベント発生経過時間Ti,jの各々における、故障が発生する確率f(Ti,j)、仮想イベント発生経過時間Ti,jの各々において故障が発生した件数wi,j、及び故障の発生が確認されていないi番目の機械のデータの各々に関する確率S(Ti)により表される上記(5)式の尤度式を最適化するように、上記(6)式に従ってパラメータλを推定する。

0065

ステップS106では、ステップS104で推定されたパラメータλを用いて算出される経過時間tの生存確率S(t)の情報(グラフや式)を出力し、処理を終了する。

0066

<シミュレーション結果>

0067

本実施の形態の効果を検証するため以下のシミュレーションを行った。本実施の形態に係る開発技術、及び既存技術を用いて以下の人工データの生存確率推定を行う。

0068

データは以下の(ci,Ti,N,Ti,R,Ti)で構成されている。
・故障発生が確認されているか否か(ci)
・機械が設置(製造)されてから故障していないことが確認された最後の時刻までのイベント未発生経過時間(Ti,N)
・機械が設置(製造)されてから故障が実際に発生した時刻までのイベント発生経過時間(Ti,R)
・機械が設置(製造)されてから故障か否かの情報が最後に観測された時刻までの最終観測経過時間(Ti)

0069

ただしTi,Rは正解データであって、通常の分析の際はわからない。

0070

本シミュレーションでは、人工データとして以下を用いる。

0071

・(1,7,9,10)
・(1,3,5,7)
・(1,6,7,8)
・(1,2,3,5)
・(1,10,12,13)
・(0,13,−,15)
・(0,4,−,8)

0072

データ生成におけるTi,NからTiの区間の故障発生率は常に同じであるものとする。また、パラメトリックモデルの一つである指数分布(分布パラメータ)をベースに、既存技術と本実施の形態の開発技術を適用するものとする。また、各技術の精度の検証のため正解データであるTi,Rを用いた場合の推定結果と比較を行う。正解データがすべて判明している場合、既存技術と開発技術は同じ結果となる。

0073

この時、既存技術を用いて推定された分布パラメータは

0074

0075

となった。

0076

また、本実施の形態の開発技術を用いて推定された分布パラメータは

0077

0078

となった。また、正解データを用いた場合における推定された分布パラメータは

0079

0080

となった。

0081

分布パラメータλの各推定結果を元に、横軸:経過時間、縦軸:生存確率としたのが図8である。図8より本実施の形態の開発技術の方が、より正解データに近い推定結果を出せていることがわかる。

0082

以上説明したように、本発明の実施の形態に係る生存確率推定装置によれば、対象物の各々について観測されたイベントに関するデータに基づいて、i番目のデータの各々に関して、経過時間tにおいてイベントが発生する確率f(t)及び経過時間tまでにイベントが発生していない確率S(t)を推定するためのモデルに関するパラメータを初期化し、イベントの発生が観測されたi番目のデータの各々に関して、観測が開始されてからイベントが発生していないことが最後に確認された時刻までのイベント未発生観測経過時間Ti,Nと、観測が開始されてからイベントが発生したか否かが最後に観測された時刻までの最終観測経過時間Tiとの区間における、j番目の仮想イベント発生経過時間Ti,j(Ti,N+1≦Ti,j≦Ti)の各々においてイベントが発生した件数wi,jを生成し、i番目のデータの各々についてj番目の仮想イベント発生経過時間Ti,jの各々、仮想イベント発生経過時間Ti,jの各々においてイベントが発生した件数wi,j、及び最終観測経過時間Tiにより表される尤度式を最適化するように、パラメータを推定することにより、精度よく、対象物の生存確率を推定できる。

0083

また、潜在的なイベント(例:機械の故障など)をモデル化し、イベント発生時期(例:故障機械の実際の故障時期)を推定することによって、対象の本質的な生存期間(例:機械の耐用年数)を測ることが可能になる。例えば機械の故障を例にとると、メンテナンスコストの増大を抑えつつ、機器が故障して利用できないリスクを削減でき、メンテナンススケジュールの最適化が見込まれる。また、機器のより本質的な耐用年数を推定することによって、機器の故障原因の推定、例えば共通部品経年劣化なのか、機器固有の原因か、人為的な原因か、などをより精度良く推定することも可能となる。

0084

なお、本発明は、上述した実施の形態に限定されるものではなく、この発明の要旨を逸脱しない範囲内で様々な変形や応用が可能である。

0085

例えば上述した実施の形態では、対象物を機械とし、イベントを故障の発生として生存確率を推定する場合について説明したが、これに限定されるものではなく、イベントが発生するまで生存する対象物であればどのようなものでもよい。

0086

10 入力部
20演算部
30初期化処理部
32データ生成部
34パラメータ推定部
50 出力部
100生存確率推定装置

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

該当するデータがありません

関連する公募課題

該当するデータがありません

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技術

関連性が強い 技術一覧

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

該当するデータがありません

この 技術と関連する公募課題

該当するデータがありません

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