図面 (/)

技術 モデル生成装置、モデル生成方法、及びプログラム

出願人 日本電気株式会社
発明者 比嘉亮太
出願日 2018年9月10日 (2年3ヶ月経過) 出願番号 2018-169077
公開日 2020年3月19日 (9ヶ月経過) 公開番号 2020-042515
状態 特許登録済
技術分野
  • -
主要キーワード 稼働機器 故障予兆 各予測モデル 予測分布 正則化項 部品グループ 使用経過 サブモデル
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(2020年3月19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 (11)

課題

個々の部品故障に関するデータが少ない場合でも、部品の故障数を精度良く予測できる技術を提供することである。

解決手段

モデル生成装置2000は、使用状況と部品の故障の実績とを対応づけた部品故障データを取得する。モデル生成装置2000は、複数の部品グループそれぞれについて、その部品グループに属する部品に関する部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する。この予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する。

概要

背景

部品故障予測する技術が開発されている。例えば特許文献1には、稼働機器から得られたセンサ情報を利用して故障予兆のある部品を特定し、故障予兆のある部品の必要数を予測する技術が開示されている。ここで、特許文献1では、個々の部品について故障率が予め定められており、その故障率に基づく予測モデルポワソン分布)を利用して、各部品の必要数が予測されている。

概要

個々の部品の故障に関するデータが少ない場合でも、部品の故障数を精度良く予測できる技術を提供することである。モデル生成装置2000は、使用状況と部品の故障の実績とを対応づけた部品故障データを取得する。モデル生成装置2000は、複数の部品グループそれぞれについて、その部品グループに属する部品に関する部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する。この予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する。

目的

本発明は、上記課題に鑑みてなされたものであり、その目的の一つは、個々の部品の故障に関するデータが少ない場合でも、部品の故障数を精度良く予測できる技術を提供する

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

該当するデータがありません

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

使用状況部品故障実績とを対応づけた部品故障データを取得する取得部と、複数の部品グループそれぞれについて、その部品グループに属する部品に関する前記部品故障データを用いて、その部品グループに含まれる各部品の故障数予測する予測モデルを生成する予測モデル生成部と、を有し、前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、モデル生成装置

請求項2

前記予測モデルは、使用状況から、その部品グループに属する部品の総故障数を予測する第1サブモデルを含み、前記予測モデル生成部は、複数の前記部品グループそれぞれについて、その部品グループに含まれる各部品に関する前記部品故障データを用いて、前記第1サブモデルのパラメータ推定を行うことにより、前記第1サブモデルを生成する、請求項1に記載のモデル生成装置。

請求項3

前記予測モデルは、前記第1サブモデルによって予測された総故障数から、対応する部品グループに属する各部品の故障数を予測する第2サブモデルを含み、前記第2サブモデルは、前記予測された総故障数と、各部品の故障数又は故障率分布である予測分布とを用いて、各部品の故障数の予測値を算出する、請求項2に記載のモデル生成装置。

請求項4

複数の前記部品グループは、複数の部品を部品間の関連に関するドメイン知識を用いて分類することで生成される、請求項1乃至3いずれか一項に記載のモデル生成装置。

請求項5

前記ドメイン知識は、配置の幾何学的構造に基づく各部品間相関、又は運用状況に基づく各部品の相関に関するものである、請求項4に記載のモデル生成装置。

請求項6

使用状況を表す使用状況データを取得する取得部と、前記取得した使用状況データと、部品グループごとの予測モデルとを用いて、各部品の故障数の予測値を算出する故障数予測部と、を有し、前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、予測装置

請求項7

前記取得部は、各部品の在庫数を示す在庫データをさらに取得し、部品ごとに、前記故障数予測部によって算出されたその部品の故障数の予測値と、前記在庫データに示されるその部品の在庫数とに基づいて、その部品の推奨発注数を算出する発注数算出部を有する、請求項6に記載の予測装置。

請求項8

各部品について算出された推奨発注数を用いて、各部品の発注を行う発注部を有する、請求項7に記載の予測装置。

請求項9

コンピュータによって実行されるモデル生成方法であって、使用状況と部品の故障の実績とを対応づけた部品故障データを取得する取得ステップと、複数の部品グループそれぞれについて、その部品グループに属する部品に関する前記部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する予測モデル生成ステップと、を有し、前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、モデル生成方法。

請求項10

コンピュータによって実行される予測方法であって、使用状況を表す使用状況データを取得する取得ステップと、前記取得した使用状況データと、部品グループごとの予測モデルとを用いて、各部品の故障数の予測値を算出する故障数予測ステップと、を有し、前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、予測方法。

請求項11

請求項9に記載のモデル生成方法の各ステップをコンピュータに実行させるプログラム

請求項12

請求項10に記載の予測方法の各ステップをコンピュータに実行させるプログラム。

技術分野

0001

本発明は、故障予測に関する。

背景技術

0002

部品故障予測する技術が開発されている。例えば特許文献1には、稼働機器から得られたセンサ情報を利用して故障予兆のある部品を特定し、故障予兆のある部品の必要数を予測する技術が開示されている。ここで、特許文献1では、個々の部品について故障率が予め定められており、その故障率に基づく予測モデルポワソン分布)を利用して、各部品の必要数が予測されている。

先行技術

0003

特開2010−113672号公報

発明が解決しようとする課題

0004

個々の部品の故障率を正確に定めるためには、各部品の故障に関する実績データが十分に蓄積される必要がある。しかしながら一般に、部品は短期間で大量に故障するものではないことが多いため、故障の実績データが蓄積されるためには長い時間を要する。よって、特許文献1の技術は、長期間利用されて故障実績が十分蓄積された部品について利用しないと、必要数を正確に予測することができない。

0005

本発明は、上記課題に鑑みてなされたものであり、その目的の一つは、個々の部品の故障に関するデータが少ない場合でも、部品の故障数を精度良く予測できる技術を提供することである。

課題を解決するための手段

0006

本発明のモデル生成装置は、1)使用状況と部品の故障の実績とを対応づけた部品故障データを取得する取得部と、2)複数の部品グループそれぞれについて、その部品グループに属する部品に関する部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する予測モデル生成部と、を有する。
予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する。

0007

本発明の予測装置は、1)使用状況を表す使用状況データを取得する取得部と、2)取得した使用状況データと、部品グループごとの予測モデルとを用いて、各部品の故障数の予測値を算出する故障数予測部と、を有する。
予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する。

0008

本発明のモデル生成方法は、コンピュータによって実行される。当該モデル生成方法は、1)使用状況と部品の故障の実績とを対応づけた部品故障データを取得する取得ステップと、2)複数の部品グループそれぞれについて、その部品グループに属する部品に関する部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する予測モデル生成ステップと、を有する。
予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する。

0009

本発明の予測方法は、コンピュータによって実行される。当該予測方法は、1)使用状況を表す使用状況データを取得する取得ステップと、2)取得した使用状況データと、部品グループごとの予測モデルとを用いて、各部品の故障数の予測値を算出する故障数予測ステップと、を有する。
予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する。

0010

本発明の第1のプログラムは、本発明のモデル生成方法が有する各ステップをコンピュータに実行させる。

0011

本発明の第2のプログラムは、本発明の予測方法が有する各ステップをコンピュータに実行させる。

発明の効果

0012

本発明によれば、個々の部品の故障に関するデータが少ない場合でも、部品の故障数を精度良く予測できる技術が提供される。

図面の簡単な説明

0013

本実施形態のモデル生成装置の概要を例示する図である。
モデル生成装置の機能構成を例示するブロック図である。
モデル生成装置を実現するための計算機を例示する図である。
実施形態1のモデル生成装置によって実行される処理の流れを例示するフローチャートである。
部品故障データをテーブル形式で例示する図である。
予測装置の動作を例示する図である。
予測装置の機能構成を例示するブロック図である。
予測装置によって実行される処理の流れを例示するフローチャートである。
第2算出部を有する予測装置の機能構成を例示するブロック図である。
発注部を有する予測装置の機能構成を例示するブロック図である。

実施例

0014

以下、本発明の実施の形態について、図面を用いて説明する。尚、すべての図面において、同様な構成要素には同様の符号を付し、適宜説明を省略する。また各ブロック図において、特に説明がない限り、各ブロックは、ハードウエア単位の構成ではなく機能単位の構成を表している。
[実施形態1]
<概要>
図1は、本実施形態のモデル生成装置2000の概要を例示する図である。モデル生成装置2000は、複数種類の部品それぞれについて、使用状況に応じた故障数を予測する予測モデルを生成する。後述するように、故障数の予測は、部品の発注支援などに有用である。

0015

予測モデルは、複数の部品それぞれについて使用状況と故障の実績を対応づけたデータ(以下、部品故障データ)を利用して生成される。ここで、設計上の欠陥などといった根本的な問題がない限り、短い時間に大量の部品が故障することは無いと言える。そのため故障データは、ほとんどの部品について故障が無いことを示す。よって、部品の故障数をその部品の故障の有無だけに基づいて予測しようとすると、故障の実績が十分に蓄積されるまでの間は、故障数を精度良く予測することが難しい。

0016

そこでモデル生成装置2000が生成する予測モデルは、部品の故障数をその部品の故障だけに基づいて予測するのではなく、部品の故障を部品のグループ単位解析することで、スパースな故障データから精度良く部品の故障数を予測する。具体的には、以下のように予測モデルが生成される。

0017

まずモデル生成装置2000は、複数の部品それぞれについて、使用状況と故障の実績を対応づけた部品故障データを取得する。そしてモデル生成装置2000は、複数の部品グループそれぞれについて、その部品グループに属する各部品に関する部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する。

0018

ここで、予測モデルは、1)部品の使用状況に基づいて、対応する部品グループに含まれる部品の総故障数を予測し、2)予測した総故障数に基づいて、その部品グループに属する各部品の故障数を予測するように生成される。

0019

作用効果
前述した様に、設計上の欠陥などといった根本的な問題がない限り、短い時間に大量の部品が故障することは無いと言え、部品の故障数をその部品の故障の有無だけに基づいて予測しようとすると、故障の実績が十分に蓄積されるまでの間は故障数を精度良く予測することが難しい。この点、本実施形態のモデル生成装置2000によれば、部品グループごとに、その部品グループに属する各部品に関する部品故障データを用いて、予測モデルが生成される。すなわち、各部品の故障実績に関するデータを部品グループ単位にまとめた上で、予測モデルが生成される。こうすることにより、予測モデルの生成に利用できる実績データの数を多くすることができる。そのため、個々の部品については故障の実績が十分蓄積されていないような状況であっても、部品の故障数を精度良く予測できる予測モデルを生成することができる。

0020

以下、本実施形態についてさらに詳細を述べる。

0021

<機能構成の例>
図2は、モデル生成装置2000の機能構成を例示するブロック図である。モデル生成装置2000は、取得部2020及び生成部2040を有する。取得部2020は、使用状況と部品の故障の実績とを対応づけた部品故障データを取得する。生成部2040は、複数の部品グループそれぞれについて、その部品グループに属する部品に関する部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する。

0022

<モデル生成装置2000のハードウエア構成の例>
モデル生成装置2000の各機能構成部は、各機能構成部を実現するハードウエア(例:ハードワイヤードされた電子回路など)で実現されてもよいし、ハードウエアとソフトウエアとの組み合わせ(例:電子回路とそれを制御するプログラムの組み合わせなど)で実現されてもよい。以下、モデル生成装置2000の各機能構成部がハードウエアとソフトウエアとの組み合わせで実現される場合について、さらに説明する。

0023

図3は、モデル生成装置2000を実現するための計算機1000を例示する図である。計算機1000は任意の計算機である。例えば計算機1000は、Personal Computer(PC)やサーバマシンなどの据え置き型の計算機である。その他にも例えば、計算機1000は、スマートフォンタブレット端末などの可搬型の計算機である。計算機1000は、モデル生成装置2000を実現するために設計された専用の計算機であってもよいし、汎用の計算機であってもよい。

0024

計算機1000は、バス1020、プロセッサ1040、メモリ1060、ストレージデバイス1080、入出力インタフェース1100、及びネットワークインタフェース1120を有する。バス1020は、プロセッサ1040、メモリ1060、ストレージデバイス1080、入出力インタフェース1100、及びネットワークインタフェース1120が、相互にデータを送受信するためのデータ伝送路である。ただし、プロセッサ1040などを互いに接続する方法は、バス接続に限定されない。

0025

プロセッサ1040は、CPU(Central Processing Unit)、GPU(Graphics Processing Unit)、FPGA(Field−Programmable Gate Array)などの種々のプロセッサである。メモリ1060は、RAM(Random Access Memory)などを用いて実現される主記憶装置である。ストレージデバイス1080は、ハードディスクSSD(Solid State Drive)、メモリカード、又は ROM(Read Only Memory)などを用いて実現される補助記憶装置である。

0026

入出力インタフェース1100は、計算機1000と入出力デバイスとを接続するためのインタフェースである。例えば入出力インタフェース1100には、キーボードなどの入力装置や、ディスプレイ装置などの出力装置が接続される。

0027

ネットワークインタフェース1120は、計算機1000を通信網に接続するためのインタフェースである。この通信網は、例えば LAN(Local Area Network)やWAN(Wide Area Network)である。ネットワークインタフェース1120が通信網に接続する方法は、無線接続であってもよいし、有線接続であってもよい。

0028

ストレージデバイス1080は、モデル生成装置2000の各機能構成部を実現するプログラムモジュールを記憶している。プロセッサ1040は、これら各プログラムモジュールをメモリ1060に読み出して実行することで、各プログラムモジュールに対応する機能を実現する。

0029

<処理の流れ>
図4は、実施形態1のモデル生成装置2000によって実行される処理の流れを例示するフローチャートである。取得部2020は、複数の部品故障データを取得する(S102)。生成部2040は、複数の部品グループそれぞれについて予測モデルを生成する(S104)。

0030

<部品故障データについて>
部品故障データは、使用状況と、その使用状況における部品の故障の実績とを対応づけたデータである。図5は、部品故障データをテーブル形式で例示する図である。図5に示すテーブルを、テーブル200と表記する。テーブル200は、観測識別子202、観測時点204、使用状況206、及び部品208を示す。観測識別子202は、対応するレコードの識別子を示す。観測時点204は、対応するレコードに示されるデータが観測された時点を示す。使用状況206は、使用状況を表す様々な情報を示す。例えば使用状況の例としては、実稼働時間、起動回数、及び使用経過時間などがある。実稼働時間は、その部品を含む装置等が実際に稼働した総時間を意味し、使用経過時間は、その部品を含む装置等が導入されてからの総時間を意味する。すなわち、後者には、装置等が稼働していない時間も含まれる。部品208は、各部品の故障の有無を示す。「1」は故障していることを示し、「0」は故障していないことを示している。

0031

テーブル200(すなわち、部品故障データ)が記憶されている記憶装置は、モデル生成装置2000の内部に設けられてもよいし、モデル生成装置2000の外部に設けられてもよい。

0032

各部品の故障の有無を把握する方法には、既存の技術を利用することができる。例えば、部品の故障を検出するセンサを設け、そのセンサから得られる情報を利用することで、部品が故障したことを把握することができる。

0033

ここで、部品故障データは、繰り返し生成されることが好適である。例えば、故障データは、1日に1回や1週間に1回などの頻度で、繰り返し生成される。そして、図5に例示したテーブル200の各レコードの様に、観測時点を示す故障データが生成される。

0034

<部品故障データの取得:S102>
取得部2020は、部品故障データを取得する。部品故障データを取得する方法は様々である。例えば取得部2020は、部品故障データが記憶されている記憶装置にアクセスすることで、部品故障データを取得する。その他にも例えば、取得部2020は、他の装置によって送信される部品故障データを受信することで、部品故障データを取得してもよい。

0035

<部品グループについて>
部品グループは予め定めておく。例えば部品グループは、ドメイン知識に基づいて生成される。ここでいうドメイン知識とは、故障数予測の対象である部品についての知識である。より具体的には、例えばドメイン知識は、各部品が利用される装置等における、各部品の配置の幾何学的構造における部品間の相関や、運用状況に関する部品間の相関である。例えば配置の幾何学的構造については、互いに近くに配置される部品や、互いに連結される部品などは、故障するタイミングが近いことが予想される。また、運用状況については、動作するタイミングが同じ又は類似している部品同士は、故障するタイミングが近いことが予想される。

0036

例えば、部品がどの部品グループに属するのかを決定する決定木を、ドメイン知識に基づいて作成しておく。そして、その決定木を用いて、各部品が属する部品グループを決定しておく。

0037

<予測モデルの生成:S106>
生成部2040は、部品グループごとに予測モデルを生成する。前述した通り、予測モデルは、1)部品の使用状況に基づいて、対応する部品グループに含まれる部品の総故障数を予測し、2)予測した総故障数に基づいて、その部品グループに属する各部品の故障数を予測する。以下、予測モデルのうち、1)の処理を行う部分を第1サブモデルと呼び、2)の処理を行う部分を第2サブモデルと呼ぶ。以下、第1サブモデルと第2サブモデルそれぞれについて説明する。

0038

<<第1サブモデルについて>>
生成部2040は、部品故障データを用いて第1サブモデルを生成する。ここで、第1サブモデルの種類については予め定めておく。第1サブモデルの種類には、線形モデルサポートベクトルマシン、又はニューラルネットワークなど、任意の回帰モデルを採用できる。

0039

生成部2040は、予め定められている種類の第1サブモデルについて、対応する部品グループに属する各部品に関する部品故障データを用いたパラメータ推定を行うことにより、第1サブモデルを生成する。言い換えれば、生成部2040は、予め定められている種類の第1サブモデルについて、対応する部品グループに属する各部品の故障の実績及びその部品の使用状況に基づくパラメータ推定を行うことにより、第1サブモデルを生成する。

0040

例えば、第1サブモデルの種類を線形モデルとして定めておく。この場合、生成部2040は、対応する部品グループに属する各部品の故障の実績及びその部品の使用状況に基づく重回帰分析を行うことで線形モデルの重み(パラメータ)を決定することにより、第1サブモデルを生成する。重回帰分析の具体的な方法には、既存の種々の方法を採用できる。例えば、最尤推定MAP(Maximum a Posteriori)推定などの手法を利用できる。また、パラメータの推定は点推定に限られず、ベイズ推定であってもよい。ただし、MAP 推定やベイズ推定のように、パラメータの事前分布を必要とする手法を採用する場合には、予めパラメータの事前分布を設定しておく。

0041

ここでは例として、最小二乗法を利用した最尤推定について、具体的に説明する。各部品グループにおける第1サブモデルを、以下の式(1)の様に仮定する。



ここで、j は部品グループの識別子であり、i は使用状況の識別子である。

0042

各使用状況i に対応するベクトルxi は、実稼働時間、起動回数、及び使用経過時間などといった、各使用状況の特徴を記述した特徴ベクトルである。θij は、部品グループj の使用状況 i について与えられる重みである。

0043

部品グループjごとの第1サブモデルのパラメータは、例えば以下の式(2)で定式化される最適化問題解くことによって得られる。すなわち、(使用状況Xk、使用状況 Xkにおける部品グループjの部品の総故障数yj(Xk))というペアを複数利用し、これら複数のペアそれぞれについて算出される予測値と実測値との距離の総和を最小化することにより、部品グループjの第1サブモデルのパラメータを得ることができる。



ここで、yj(Xk) は、部品グループ j に属する部品の使用状況 Xk における故障数の実測値(グループ故障データに示される故障数)である。fj(Xk) は、部品グループ j についての第1サブモデル fj(X) に対して使用状況 Xk を入力して得られる故障数の予測値である。Θjは部品グループ j の第1サブモデル fj(X) に含まれるパラメータθijの集合を表すベクトルである。また、gj(Θj) は L1正則化項や L2 正則化項などの任意の正則化項である。

0044

ここで、式(2)では yj(X) と fj(X) の距離を L2ノルムで表しているが、これらの距離の尺度には、L2 ノルム以外の任意の尺度を用いることができる。

0045

<<第2サブモデルについて>>
第2サブモデルは、対応する部品グループについて算出された総故障数から、各部品の故障数を予測する。例えば第2サブモデルは、予め定めておいた各部品の故障数や故障確率分布(以下、予測分布)を用いて、各部品の故障数を予測する。

0046

例えば故障数の予測分布として、一様分布を定めておく。この場合、第2サブモデルは、対応する部品グループについて予測された総故障数を、その部品グループに含まれる部品の種類の総数で割ることで、各部品の故障数の予測値を算出する。その他にも例えば、故障確率の予測分布として、一様分布を定めておく。この場合、第2サブモデルは、対応する部品グループについて算出された総故障数を、各部品の利用数に応じた比で按分することにより、各部品の故障数の予測値を算出する。なお、予測分布は一様分布に限定されず、任意の分布とすることができる。

0047

<出力について>
モデル生成装置2000は、生成した予測モデルを任意の方法で出力する。例えばモデル生成装置2000は、算出した予測モデルを記憶装置に記憶させたり、他の装置に送信したりする。ここで、予測モデルを記憶させる記憶装置は、モデル生成装置2000の内部に設けられてもよいし、モデル生成装置2000の外部に設けられてもよい。

0048

<予測モデルの更新について>
モデル生成装置2000は、生成した予測モデルの更新を行ってもよい。具体的には、取得部2020が新たに部品故障データを取得したら、生成部2040がその部品故障データを用いて、第1サブモデル及び第2サブモデルのいずれか一方又は双方の更新を行う。なお、第1サブモデルの更新は、前述した線形モデルなどのパラメータを更新することを意味し、第2サブモデルの更新は、前述した予測分布を更新することを意味する。

0049

例えばモデル生成装置2000は、予測モデルを生成した後も定期的に部品故障データを取得し、取得した部品故障データを用いて、予測モデルの更新を行う。なお、生成済みの予測モデルを、新たに得られた観測データを用いて更新する技術には、既存の技術を利用することができる。

0050

[実施形態2]
図6は、予測装置3000の動作を例示する図である。予測装置3000は、モデル生成装置2000によって生成された予測モデルを用いて、各部品の故障数を予測する。具体的には、予測装置3000は、使用状況を表す使用状況データを取得し、使用状況データを予測モデルに入力することで、その使用状況における各部品の故障数の予測値を算出する。

0051

ここで、実施形態1で説明した通り、予測モデルは部品グループごとに用意されている。各予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する。

0052

<作用・効果>
本実施形態の予測装置3000によれば、モデル生成装置2000によって生成される予測モデルを利用して、特定の使用状況における各部品の故障数の予測値が得られる。ここで実施形態1で説明した様に、モデル生成装置2000は、個々の部品の故障数に関する実績が十分に得られていない場合であっても、各部品の故障数を精度良く予測することができる予測モデルを生成できる。よって、モデル生成装置2000によって生成された予測モデルを用いて予測を行う予測装置3000によれば、個々の部品の故障数に関する実績が十分に得られない場合であっても、各部品の故障数を精度良く予測することができる。

0053

<機能構成の例>
図7は、予測装置3000の機能構成を例示するブロック図である。予測装置3000は、取得部3020及び第1算出部3040を有する。取得部3020は、使用状況を表す使用状況データを取得する。第1算出部3040は、取得した使用状況データと、部品グループごとの予測モデルとを用いて、各部品の故障数の予測値を算出する。

0054

<ハードウエア構成の例>
予測装置3000のハードウエア構成には、実施形態1で説明したモデル生成装置2000と同様に、種々のハードウエア構成を採用することができる。例えば予測装置3000のハードウエア構成は、モデル生成装置2000のハードウエア構成と同様に、図3で表すことができる。ただし、予測装置3000のハードウエア構成は、モデル生成装置2000のハードウエア構成と同一でなくてもよい。

0055

<処理の流れ>
図8は、予測装置3000によって実行される処理の流れを例示するフローチャートである。取得部3020は、使用状況データを取得する(S202)。第1算出部3040は、使用状況データを予測モデルに入力することで、各部品の故障数の予測値を算出する(S204)。

0056

<使用状況データの取得:S202>
取得部3020は、使用状況データを取得する。例えば使用状況データは、実稼働時間、起動回数、及び使用経過時間などといった使用状況の特徴が記述された特徴ベクトルである。ただし、使用状況データは、特徴ベクトルのように、予測モデルに直接入力可能な形式である必要はなく、任意の形式とすることができる。取得部3020は、使用状況データが予測モデルに対して直接入力できるデータ形式ではない場合、適宜データ形式の変換を行う。

0057

使用状況データの取得方法は任意である。例えば取得部3020は、使用状況データが記憶されている記憶装置にアクセスすることで、使用状況データを取得する。この記憶装置は、予測装置3000の内部に設けられていてもよいし、予測装置3000の外部に設けられていてもよい。その他にも例えば、取得部3020は、他の装置から送信される使用状況データを受信することで、使用状況データを取得してもよい。

0058

<故障数の予測:S204>
第1算出部3040は、使用状況データを予測モデルに入力することで、各部品の故障数の予測値を算出する(S204)。各部品の故障数の予測値は、部品グループごとに用意された各予測モデルに対して使用状況データを入力することで算出される。なお、予測モデルは、予測装置3000からアクセス可能な任意の記憶装置に記憶させておく。この記憶装置は、予測装置3000の内部に設けられていてもよいし、予測装置3000の外部に設けられていてもよい。

0059

ここで、部品の故障数の予測は、全ての部品グループについて行われてもよいし、特定の部品グループについてのみ行われてもよい。後者の場合、予測装置3000は、予測対象とする部品グループを表す情報(例えば、部品グループの識別子)を取得し、取得した情報によって特定される部品グループに対応する予測モデルに対して使用状況を入力することで、その部品グループに属する各部品の故障数の予測値を算出する。

0060

<結果の出力>
予測装置3000は、各部品の故障数の予測値を示す出力情報を出力する。例えば出力情報は、各部品の故障数をリストやテーブルなどで示す情報である。

0061

出力情報の出力方法は任意である。例えば予測装置3000は、記憶装置に記憶させる、ディスプレイ装置に表示する、他の装置に送信するなどの方法で、出力情報を出力する。

0062

<予測装置3000のその他の機能>
予測装置3000は、各部品の在庫数を示す在庫データを取得し、各部品について予測された故障数と各部品の在庫数とに基づいて、各部品の推奨発注数を算出してもよい。各部品の推奨発注数を算出する機能構成部を、第2算出部3060と呼ぶ。また、在庫データは、取得部3020によって取得される。図9は、第2算出部3060を有する予測装置3000の機能構成を例示するブロック図である。

0063

ここで、第2算出部3060が推奨発注数を算出する方法は様々である。例えば第2算出部3060は、部品の故障数の予測値と部品の在庫数との差分を、その部品の推奨発注数とする。その他にも例えば、部品の在庫を余分に確保することを考慮し、第2算出部3060は、部品の故障数の予測値と部品の在庫数との差分に余分量を加算した値を、その部品の推奨発注数としてもよい。

0064

ここで、上記余分量は、全ての部品について共通の値であってもよいし、部品ごとに定められてもよい。後者の場合、例えば予測装置3000は、部品ごとに予測モデルの精度を算出し、予測モデルの精度が低い部品ほど、余分量を大きくする。ここで、予測モデルの精度は、RMSE(Root Mean Square Error)などの種々の指標を用いて表すことができる。

0065

さらに予測装置3000は、各部品の推奨発注数に基づいて、その部品の発注を行う機能を有していてもよい。この機能を有する機能構成部を発注部3080と呼ぶ。図10は、発注部3080を有する予測装置3000の機能構成を例示するブロック図である。なお、部品の発注を自動的に行う技術については、既存の技術を利用することができる。

0066

以上、図面を参照して本発明の実施形態について述べたが、これらは本発明の例示であり、上記各実施形態の組み合わせ、又は上記以外の様々な構成を採用することもできる。

0067

上記の実施形態の一部又は全部は、以下の付記のようにも記載されうるが、以下には限られない。
1.使用状況と部品の故障の実績とを対応づけた部品故障データを取得する取得部と、
複数の部品グループそれぞれについて、その部品グループに属する部品に関する前記部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する予測モデル生成部と、を有し、
前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、モデル生成装置。
2. 前記予測モデルは、使用状況から、その部品グループに属する部品の総故障数を予測する第1サブモデルを含み、
前記予測モデル生成部は、複数の前記部品グループそれぞれについて、その部品グループに含まれる各部品に関する前記部品故障データを用いて、前記第1サブモデルのパラメータ推定を行うことにより、前記第1サブモデルを生成する、1.に記載のモデル生成装置。
3. 前記予測モデルは、前記第1サブモデルによって予測された総故障数から、対応する部品グループに属する各部品の故障数を予測する第2サブモデルを含み、
前記第2サブモデルは、前記予測された総故障数と、各部品の故障数又は故障率の分布である予測分布とを用いて、各部品の故障数の予測値を算出する、2.に記載のモデル生成装置。
4. 複数の前記部品グループは、複数の部品を部品間の関連に関するドメイン知識を用いて分類することで生成される、1.乃至3.いずれか一つに記載のモデル生成装置。
5. 前記ドメイン知識は、配置の幾何学的構造に基づく各部品間の相関、又は運用状況に基づく各部品の相関に関するものである、4.に記載のモデル生成装置。

0068

6.使用状況を表す使用状況データを取得する取得部と、
前記取得した使用状況データと、部品グループごとの予測モデルとを用いて、各部品の故障数の予測値を算出する故障数予測部と、を有し、
前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、予測装置。
7. 前記取得部は、各部品の在庫数を示す在庫データをさらに取得し、
部品ごとに、前記故障数予測部によって算出されたその部品の故障数の予測値と、前記在庫データに示されるその部品の在庫数とに基づいて、その部品の推奨発注数を算出する発注数算出部を有する、6.に記載の予測装置。
8. 各部品について算出された推奨発注数を用いて、各部品の発注を行う発注部を有する、7.に記載の予測装置。

0069

9.コンピュータによって実行されるモデル生成方法であって、
使用状況と部品の故障の実績とを対応づけた部品故障データを取得する取得ステップと、
複数の部品グループそれぞれについて、その部品グループに属する部品に関する前記部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する予測モデル生成ステップと、を有し、
前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、モデル生成方法。
10. 前記予測モデルは、使用状況から、その部品グループに属する部品の総故障数を予測する第1サブモデルを含み、
前記予測モデル生成ステップにおいて、複数の前記部品グループそれぞれについて、その部品グループに含まれる各部品に関する前記部品故障データを用いて、前記第1サブモデルのパラメータ推定を行うことにより、前記第1サブモデルを生成する、9.に記載のモデル生成方法。
11. 前記予測モデルは、前記第1サブモデルによって予測された総故障数から、対応する部品グループに属する各部品の故障数を予測する第2サブモデルを含み、
前記第2サブモデルは、前記予測された総故障数と、各部品の故障数又は故障率の分布である予測分布とを用いて、各部品の故障数の予測値を算出する、10.に記載のモデル生成方法。
12. 複数の前記部品グループは、複数の部品を部品間の関連に関するドメイン知識を用いて分類することで生成される、9.乃至11.いずれか一つに記載のモデル生成方法。
13. 前記ドメイン知識は、配置の幾何学的構造に基づく各部品間の相関、又は運用状況に基づく各部品の相関に関するものである、12.に記載のモデル生成方法。

0070

14.コンピュータによって実行される予測方法であって、
使用状況を表す使用状況データを取得する取得ステップと、
前記取得した使用状況データと、部品グループごとの予測モデルとを用いて、各部品の故障数の予測値を算出する故障数予測ステップと、を有し、
前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、予測方法。
15. 前記取得ステップにおいて、各部品の在庫数を示す在庫データをさらに取得し、
部品ごとに、前記故障数予測部によって算出されたその部品の故障数の予測値と、前記在庫データに示されるその部品の在庫数とに基づいて、その部品の推奨発注数を算出する発注数算出ステップを有する、14.に記載の予測方法。
16. 各部品について算出された推奨発注数を用いて、各部品の発注を行う発注ステップを有する、15.に記載の予測方法。

0071

17. 9.乃至13.いずれか一つに記載のモデル生成方法の各ステップをコンピュータに実行させるプログラム。

0072

18. 14.乃至16.いずれか一つに記載の予測方法の各ステップをコンピュータに実行させるプログラム。

0073

200 テーブル
202観測識別子
204観測時点
206使用状況
208部品
1000計算機
1020バス
1040プロセッサ
1060メモリ
1080ストレージデバイス
1100入出力インタフェース
1120ネットワークインタフェース
2000モデル生成装置
2020 取得部
2040 生成部
3000予測装置
3020 取得部
3040 第1算出部
3060 第2算出部
3080発注部

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

該当するデータがありません

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

この 技術と関連性が強い技術

該当するデータがありません

この 技術と関連性が強い法人

該当するデータがありません

この 技術と関連性が強い人物

該当するデータがありません

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