JP2020042708A - モデル作成装置、モデル作成方法及びプログラム - Google Patents
モデル作成装置、モデル作成方法及びプログラム Download PDFInfo
- Publication number
- JP2020042708A JP2020042708A JP2018171363A JP2018171363A JP2020042708A JP 2020042708 A JP2020042708 A JP 2020042708A JP 2018171363 A JP2018171363 A JP 2018171363A JP 2018171363 A JP2018171363 A JP 2018171363A JP 2020042708 A JP2020042708 A JP 2020042708A
- Authority
- JP
- Japan
- Prior art keywords
- vehicle
- measurement data
- failure
- model
- information
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】所定の期間内に車両の部品が故障する蓋然性を予測する精度を向上させるモデル作成装置、モデル作成方法及びプログラムを提供する。【解決手段】故障予測システム1は、モデル作成装置11は、交換部品情報と部品が交換された日を示す交換日情報と車両を特定するための車両特定情報とを取得する交換情報取得部111と、車両の状態を測定して得られた複数の測定データを含む測定データセットを車両特定情報に関連付けて複数の車両から取得する第1データ取得部112と、交換情報取得部111が取得した複数の車両特定情報に対応する複数の測定データセットのうち、交換日情報が示す交換日以前の所定の予測期間内に得られた複数の測定データセットを故障発生の教師データとして使用しかつ予測期間より前に得られた複数の測定データセットを故障非発生の教師データとして使用することにより故障予測モデルを作成するモデル作成部114とを有する。【選択図】図3
Description
本発明は、車両の故障を予測するための機械学習モデルを作成するためのモデル作成装置、モデル作成方法及びプログラムに関する。
従来、装置の故障を予測するシステムが知られている。特許文献1には、故障を予測する対象となる装置の状態を示すデータを定期的に取得し、取得したデータに基づいて故障する時期を予測する技術が開示されている。
従来のシステムにおいては、線形予測法やニューロン法等を用いて故障を予測することが想定されている。これらの方法を用いることで、故障が発生する可能性の有無を予測することはできるが、例えば故障が発生する直前に挙動が変化するような場合の予測精度が不十分であるという問題があった。
そこで、本発明はこれらの点に鑑みてなされたものであり、所定の期間内に車両の部品が故障する蓋然性を予測する精度を向上させることができるモデル作成装置、モデル作成方法及びプログラムを提供することを目的とする。
本発明の第1の態様のモデル作成装置は、交換された車両の部品を特定するための交換部品情報と、前記部品が交換された日を示す交換日情報と、車両を特定するための車両特定情報と、を取得する交換情報取得部と、車両の状態を測定して得られた複数の測定データを含む測定データセットを、前記車両特定情報に関連付けて複数の車両から取得するデータ取得部と、前記交換情報取得部が取得した複数の前記車両特定情報に対応する前記複数の測定データセットのうち、前記交換日情報が示す交換日以前の所定の予測期間内に得られた前記複数の測定データセットを故障発生の教師データとして使用し、かつ前記予測期間より前に得られた前記複数の測定データセットを故障非発生の教師データとして使用することにより故障予測モデルを作成するモデル作成部と、を有する。
また、前記モデル作成部は、前記データ取得部が取得した複数の車両に対応する前記複数の測定データセットのうち、前記交換情報取得部が前記交換部品情報を取得していない車両に対応する前記測定データセットを故障非発生の教師データとしてさらに使用することにより前記故障予測モデルを作成してもよい。
前記データ取得部は、前記車両特定情報に関連付けて、前記車両の使用態様を示す使用態様データをさらに取得し、前記モデル作成部は、部品が交換されていない正常車両の前記使用態様データに基づくクラスタリングにより正常車両の前記複数の測定データセットのクラスタを作成し、部品が交換された故障車両を使用態様が最も近い正常車両の測定データで作成したクラスタに割り当てることにより作成した正常車両の測定データセット及び故障車両の測定データセットを含むクラスタ別の測定データセットを教師データとして使用することにより、複数種類の前記使用態様データのそれぞれに対応する前記故障予測モデルを作成してもよい。前記データ取得部は、例えば、前記車両が製造された時点以降に得られた前記複数の測定データセットを取得する。
前記モデル作成部は、故障予測の対象となる車両から取得された前記測定データセットが入力された場合に、当該車両が前記予測期間内に故障する蓋然性の予測結果を出力する前記故障予測モデルを作成してもよい。
前記モデル作成部は、車両が有する複数の部品の少なくとも一部の部品のそれぞれに対応する前記故障予測モデルを作成してもよい。この場合、前記モデル作成部は、前記データ取得部が取得した前記複数の測定データセットのうち、前記故障予測モデルに対応する部品に関連付けられた前記複数の測定データセットを前記教師データとして使用してもよい。また、前記モデル作成部は、前記予測期間に関連付けて前記故障予測モデルを作成してもよい。
本発明の第2の態様のモデル作成方法は、コンピュータが実行する、交換された車両の部品を特定するための交換部品情報と、前記部品が交換された日を示す交換日情報と、車両を特定するための車両特定情報と、を取得するステップと、車両の状態を測定して得られた複数の測定データを含む測定データセットを、前記車両特定情報に関連付けて複数の車両から取得するステップと、取得した複数の前記車両特定情報に対応する前記複数の測定データセットのうち、前記交換日情報が示す交換日以前の所定の予測期間内に得られた前記複数の測定データセットを故障発生の教師データとして使用し、かつ前記予測期間より前に得られた前記複数の測定データセットを故障非発生の教師データとして使用することにより故障予測モデルを作成するステップと、を有する。
本発明の第3の態様のプログラムは、コンピュータを、交換された車両の部品を特定するための交換部品情報と、前記部品が交換された日を示す交換日情報と、車両を特定するための車両特定情報と、を取得する交換情報取得部、車両の状態を測定して得られた複数の測定データを含む測定データセットを、前記車両特定情報に関連付けて複数の車両から取得するデータ取得部、及び前記交換情報取得部が取得した複数の前記車両特定情報に対応する前記複数の測定データセットのうち、前記交換日情報が示す交換日以前の所定の予測期間内に得られた前記複数の測定データセットを故障発生の教師データとして使用し、かつ前記予測期間より前に得られた前記複数の測定データセットを故障非発生の教師データとして使用することにより故障予測モデルを作成するモデル作成部、として機能させる。
本発明によれば、所定の期間内に車両の部品が故障する蓋然性を予測する精度を向上させることができるという効果を奏する。
[故障予測システム1の概要]
図1は、本実施形態に係る故障予測システム1の概要を説明するための図である。車両管理システムSは、車両Tから取得した車両Tの状態を示す各種のデータに基づいて、車両Tの異常状態を検出したり、車両Tの部品が故障する蓋然性を予測したりするためのシステムである。車両Tは例えば商用車であるが、車両管理システムSを商用車以外の車両に適用してもよい。本明細書においては、車両管理システムSが有する機能のうち、主に、車両Tの部品が故障する蓋然性を予測したりする機能を提供する故障予測システム1について説明する。
図1は、本実施形態に係る故障予測システム1の概要を説明するための図である。車両管理システムSは、車両Tから取得した車両Tの状態を示す各種のデータに基づいて、車両Tの異常状態を検出したり、車両Tの部品が故障する蓋然性を予測したりするためのシステムである。車両Tは例えば商用車であるが、車両管理システムSを商用車以外の車両に適用してもよい。本明細書においては、車両管理システムSが有する機能のうち、主に、車両Tの部品が故障する蓋然性を予測したりする機能を提供する故障予測システム1について説明する。
車両Tのそれぞれには各種の部品の状態によって出力値が変化する各種のセンサーが搭載されている。車両Tは、例えばエンジンの温度を検出するセンサー、エンジンの回転数を検出するセンサー、及び排気の温度を検出するセンサー等を搭載している。車両Tは、各種のセンサーの出力値を、無線通信ネットワーク及びインターネット等のネットワークNを介してデータ収集サーバ2に送信する。車両Tは、日時を示す日時情報に関連付けて各種のセンサーの出力値を送信する。
以下の説明では、各種のセンサーの出力値を示すデータを測定データという。1つのセンサーからは、時間の経過とともに複数の測定データが出力される。本明細書においては、1つのセンサーから異なる複数の日時に出力される複数の測定データを測定データセットという。データ収集サーバ2は、複数の車両Tから、1つのセンサーに対応する測定データセットを複数受信する。すなわち、データ収集サーバ2は、複数の車両Tから複数の測定データセットを受信する。
図2は、車両Tのセンサーが出力する測定データについて説明するための図である。図2における横軸は、車両Tが製造されてから経過した時間を示し、縦軸は測定データに対応する変数の値を示している。図2(a)は、故障が発生した車両Tにおいて、当該車両Tが製造された時点から取得された複数の測定データに対応する変数の値を示している。図2(b)は、故障が発生していない車両Tにおいて、当該車両Tが製造された時点から取得された複数の測定データに対応する変数の値を示している。変数は、例えば所定の条件で走行中のエンジンの温度のように、経年変化し得る部品の特性を示す数値である。図2(a)に示す車両においては、D2の時点で故障が発生している。
故障予測システム1は、図2に示すような複数の測定データを含む測定データセットを、測定データの種別に関連付けて取得する。測定データの種別は、測定データセットに含まれる測定データを出力したセンサーの名称、又は測定データに関連する部品の名称等により表される。故障予測システム1は、取得した複数の測定データセットに基づいて、所定の予測期間内に車両Tの部品が故障する蓋然性を予測する。所定の予測期間は、例えば車両Tの点検間隔よりも長い日数に定められている。車両Tの点検間隔が90日である場合、所定の予測期間は例えば180日である。
図1に示すように、車両管理システムSは、故障予測システム1と、データ収集サーバ2と、コンピュータ3とを備える。
故障予測システム1は、車両Tの故障を予測するためのシステムであり、一以上のコンピュータを含んで構成されている。故障予測システム1は、指定された車両Tが所定の予測期間内に故障が発生する蓋然性を予測するために用いられる機械学習モデルである故障予測モデルを作成し、作成した故障予測モデルに基づいて、車両Tが所定の期間以内に故障が発生する蓋然性を予測した結果を出力する。故障予測システム1は、モデル作成装置11及び故障予測装置12を有する。モデル作成装置11及び故障予測装置12の詳細については後述する。
故障予測システム1は、車両Tの故障を予測するためのシステムであり、一以上のコンピュータを含んで構成されている。故障予測システム1は、指定された車両Tが所定の予測期間内に故障が発生する蓋然性を予測するために用いられる機械学習モデルである故障予測モデルを作成し、作成した故障予測モデルに基づいて、車両Tが所定の期間以内に故障が発生する蓋然性を予測した結果を出力する。故障予測システム1は、モデル作成装置11及び故障予測装置12を有する。モデル作成装置11及び故障予測装置12の詳細については後述する。
データ収集サーバ2は、ネットワークNを介して複数の車両Tから測定データを収集するコンピュータである。コンピュータ3は、例えば、車両Tを所有する会社又は車両Tを整備する会社に設置されている。コンピュータ3は、これらの会社の職員(以下、ユーザという場合がある)がデータ収集サーバ2にアクセスして特定の車両Tの測定データを参照したり、特定の車両Tが所定の予測期間内に故障が発生する蓋然性を予測する要求をしたりするために使用される。
以下、図1を参照しながら、故障予測システム1が故障予測モデルを作成し、作成した故障予測モデルに基づいて車両Tが所定の予測期間内に故障する蓋然性を予測する手順の概要を説明する。
まず、データ収集サーバ2は、例えば所定の時間間隔、又は車両Tの入庫時等の所定のタイミングで各車両Tから測定データを取得し、車両Tを識別するための車両識別情報に関連付けて、複数の測定データを記憶する(図1における(1))。データ収集サーバ2は、故障予測システム1からの要求に応じて、記憶した複数の測定データを故障予測システム1に提供する。データ収集サーバ2は、例えば、故障予測システム1からの要求に応じて、故障予測システム1が故障予測モデルを作成するタイミングで、測定データセットを故障予測システム1に送信する(図1における(2))。モデル作成装置11は、データ収集サーバ2から取得した測定データセットを教師データとして、故障予測モデルを作成する(図1における(3))。
その後、コンピュータ3のユーザが、コンピュータ3にインストールされたアプリケーションソフトウェア、又は故障予測システム1が提供するウェブアプリケーションソフトウェアを介して、故障予測を要求する操作をすると、コンピュータ3は、ネットワークNを介して、故障予測をする対象となる車両Tの車両識別情報を含む故障予測要求メッセージをデータ収集サーバ2に送信する(図1における(4))。データ収集サーバ2は、故障予測要求メッセージを受信すると、故障予測要求メッセージに含まれている車両識別情報に関連付けられた測定データセットを含む故障予測指示を故障予測装置12に送信する(図1における(5))。
故障予測装置12は、故障予測指示を受信すると、故障予測指示に含まれている測定データセットを、モデル作成装置11が作成した故障予測モデルに入力することにより、所定の期間以内に車両Tに故障が発生する蓋然性を算出する。故障予測装置12は、算出した蓋然性の値を故障予測結果としてデータ収集サーバ2に送信する(図1における(6))。データ収集サーバ2は、故障予測装置12から受信した故障予測結果を含む予測結果報告をコンピュータ3に送信する(図1における(7))。
コンピュータ3は、受信した予測結果報告を、コンピュータ3のユーザが視認できるように出力する(図1における(8))。以上の手順により、車両Tを所有する会社又は車両Tを整備する会社の職員等が、所定の期間内に車両の部品が故障する蓋然性を把握することができる。
以下、故障予測システム1の構成及び動作について詳細に説明する。
以下、故障予測システム1の構成及び動作について詳細に説明する。
[故障予測システム1の構成]
モデル作成装置11は、取得した複数の測定データセットそれぞれに含まれる複数の測定データの変化パターンを教師データとして、故障を予測する対象となる車両Tから取得された測定データセットが入力されたことに応じて当該車両Tが所定の予測期間内に故障する蓋然性を出力する機械学習モデルである故障予測モデルを生成するコンピュータである。
モデル作成装置11は、取得した複数の測定データセットそれぞれに含まれる複数の測定データの変化パターンを教師データとして、故障を予測する対象となる車両Tから取得された測定データセットが入力されたことに応じて当該車両Tが所定の予測期間内に故障する蓋然性を出力する機械学習モデルである故障予測モデルを生成するコンピュータである。
故障予測システム1は、図2(a)に示す測定データセットに含まれる複数の測定データのうち、故障が発生した日(図2(a)におけるD2)から所定の日数(例えば図2(a)における期間A)以内の複数の測定データを、所定の予測期間内に故障が発生する可能性があることを示す教師データとして使用する。故障予測システム1は、図2(a)に示す測定データセットに含まれる複数の測定データのうち、故障が発生した日から所定の日数より前、例えば図2(a)における期間Bに取得された複数の測定データを、所定の予測期間内に故障が発生する可能性がないことを示す故障非発生の教師データとして使用する。故障予測システム1は、図2(b)に示す測定データセットに含まれる複数の測定データを、所定の予測期間内に故障が発生する可能性がないことを示す故障非発生の教師データとして使用する。
故障予測装置12は、故障を予測する対象となる車両Tから取得した測定データセットに基づいて、当該車両Tが所定の予測期間内に故障する蓋然性を示す予測結果を出力するコンピュータである。故障予測装置12は、データ収集サーバ2から取得した測定データセットをモデル作成装置11に入力し、モデル作成装置11から出力される故障発生の蓋然性を示す値である予測結果を含む故障予測情報を出力する。故障予測装置12は、故障予測情報をディスプレイに表示したり、紙に印刷したり、他のコンピュータに送信したりすることにより予測結果を出力する。
以下、モデル作成装置11の動作の詳細を説明する。
以下、モデル作成装置11の動作の詳細を説明する。
[モデル作成装置11の機能構成及び動作]
図3は、モデル作成装置11及び故障予測装置12の機能構成を示す図である。まず、モデル作成装置11の機能構成について説明する。
モデル作成装置11は、交換情報取得部111と、第1データ取得部112と、設定受付部113と、モデル作成部114と、記憶部115とを有する。交換情報取得部111、第1データ取得部112、設定受付部113及びモデル作成部114は、例えば、プログラムを実行するCPU(Central Processing Unit)により構成される。
図3は、モデル作成装置11及び故障予測装置12の機能構成を示す図である。まず、モデル作成装置11の機能構成について説明する。
モデル作成装置11は、交換情報取得部111と、第1データ取得部112と、設定受付部113と、モデル作成部114と、記憶部115とを有する。交換情報取得部111、第1データ取得部112、設定受付部113及びモデル作成部114は、例えば、プログラムを実行するCPU(Central Processing Unit)により構成される。
交換情報取得部111は、交換された車両Tの部品を特定するための交換部品情報と、部品が交換された日を示す交換日情報と、部品が交換された車両Tを特定するための車両特定情報と、を取得する。交換情報取得部111は、例えば、車両Tの販売会社、車両Tを所有する会社又は車両Tを整備する会社のコンピュータ3から送信されたクレーム情報、交換部品情報、交換日情報、及び車両特定情報を、ネットワークNを介して取得する。交換情報取得部111は、故障予測システム1が設置されている会社の職員が、コンピュータ3のキーボード又はタッチパネルを用いて入力した交換部品情報、交換日情報、及び車両特定情報を取得する。
交換部品情報は、例えば交換された部品の名称を示すテキスト情報、交換された部品に割り当てられた番号、又は交換された部品の形状を示す画像情報である。車両特定情報は、例えば車両Tの製造時に車両Tに付与された製造番号、又は陸運局において車両Tに付与された車両番号のように、車両Tに固有の情報である。交換情報取得部111は、取得した交換部品情報及び交換日情報を車両特定情報に関連付けて記憶部115に記憶させる。
第1データ取得部112は、車両Tの状態を測定して得られた複数の測定データを含む測定データセットを、車両Tの車両特定情報に関連付けて複数の車両Tから取得する。第1データ取得部112は、車両Tが製造された時点以降に得られた複数の測定データセットを車両Tから取得する。第1データ取得部112は、例えばデータ収集サーバ2を介して、測定データセットに含まれる複数の測定データが何を測定したデータであるかを特定するためのデータ識別情報に関連付けて、測定データセットを取得する。データ識別情報は、例えば、測定データが関連する部品の名称を示すテキスト情報、測定データを出力したセンサーの名称を示すテキスト情報、又は部品若しくはセンサーに割り当てられた番号である。第1データ取得部112は、取得した測定データセットを車両特定情報に関連付けて記憶部115に記憶させる。
設定受付部113は、故障予測システム1を管理する会社の職員がキーボード又はタッチパネルを用いて入力した各種の設定を受け付ける。一例として、設定受付部113は、故障が発生する蓋然性の大きさを故障予測システム1に出力させる対象となる期間である予測期間の設定を受け付ける。設定受付部113は、例えば、「90日」、「180日」、「270日」、「360日」といった予測期間の候補をディスプレイに表示させ、職員により選択された候補を予測期間に設定する。設定受付部113は、職員により予測期間の設定が行われない場合は、デフォルト値(例えば180日)を予測期間として設定してもよく、全ての候補を予測期間に設定してもよい。
[故障予測モデルの作成]
モデル作成部114は、特定の車両Tが所定の予測期間内に故障する蓋然性を予測するために用いられる故障予測モデルを作成する。具体的には、モデル作成部114は、故障予測の対象となる車両Tから取得された測定データセットが入力された場合に、当該車両Tが所定の予測期間内に故障する蓋然性の予測結果を出力する故障予測モデルを作成する。モデル作成部114が学習に使用するアルゴリズムは任意であるが、モデル作成部114は、周知の特徴抽出アルゴリズムや周知の特徴選択アルゴリズムに多数の測定データセット(例えば10万種類の測定データセット)を入力することにより測定データセットを絞り込み、絞り込んだ後の測定データセットに基づいて故障予測モデルを作成する。
モデル作成部114は、特定の車両Tが所定の予測期間内に故障する蓋然性を予測するために用いられる故障予測モデルを作成する。具体的には、モデル作成部114は、故障予測の対象となる車両Tから取得された測定データセットが入力された場合に、当該車両Tが所定の予測期間内に故障する蓋然性の予測結果を出力する故障予測モデルを作成する。モデル作成部114が学習に使用するアルゴリズムは任意であるが、モデル作成部114は、周知の特徴抽出アルゴリズムや周知の特徴選択アルゴリズムに多数の測定データセット(例えば10万種類の測定データセット)を入力することにより測定データセットを絞り込み、絞り込んだ後の測定データセットに基づいて故障予測モデルを作成する。
記憶部115は、ハードディスク、ROM(Read Only Memory)、及びRAM(Random Access Memory)等の記憶媒体である。記憶部115は、交換情報取得部111が取得した交換部品情報及び交換日情報、並びに第1データ取得部112が取得した測定データセットを車両特定情報に関連付けて記憶する。また、記憶部115は、モデル作成部114が作成した故障予測モデルを記憶する。さらに、記憶部115は、交換情報取得部111、第1データ取得部112、設定受付部113及びモデル作成部114として機能するCPUが実行するプログラムを記憶する。
モデル作成部114は、交換情報取得部111が取得した複数の車両特定情報に対応する複数の測定データセットのうち、交換日情報が示す交換日以前の所定の予測期間内に得られた複数の測定データセット(例えば図2(a)における期間Aにおける測定データセット)を故障発生の教師データとして使用する。
また、モデル作成部114は、所定の予測期間より前に得られた複数の測定データセット(例えば図2(a)における期間Bにおける測定データセット)を故障非発生の教師データとして使用する。また、モデル作成部114は、第1データ取得部112が取得した複数の車両Tに対応する複数の測定データセットのうち、交換情報取得部111が交換部品情報を取得していない車両Tに対応する測定データセットを故障非発生の教師データとしてさらに使用する。
モデル作成部114は、車両Tの使用態様ごとに故障予測モデルを作成してもよい。使用態様は、例えば、1日あたりの平均走行距離、平均荷重、走行地域等のように、車両Tの部品の寿命に影響を与える可能性がある車両Tの使われ方である。モデル作成部114が使用態様ごとに故障予測モデルを作成できるように、第1データ取得部112は、車両特定情報に関連付けて、車両Tの使用態様を示す使用態様データを取得する。
モデル作成部114は、故障が発生していない車両(例えば部品が交換されておらず交換部品情報を取得していない正常車両)のみを用いた使用態様データに基づくクラスタリングにより、正常車両の複数の測定データセットのクラスタを作成する。さらに、モデル作成部114は、故障が発生した車両(例えば部品が交換されており交換部品情報を取得している故障車両)を、使用態様が最も近い正常車両の測定データで作成したクラスタに割り当てることにより、正常車両の測定データセット及び故障車両の測定データセットを含むクラスタ別の測定データセットを作成する。モデル作成部114は、クラスタごとに、クラスタに属する正常車両の測定データセット及び故障車両の測定データセットを教師データとして使用することにより、複数種類の使用態様データのそれぞれに対応する故障予測モデルを作成する。
このように、モデル作成部114がクラスタごとに故障予測モデルを作成することで、使用態様ごとに部品の寿命が異なる場合であっても、故障予測システム1は、所定の予測期間内に故障が発生する蓋然性を高い精度で予測することが可能になる。さらに正常車両のみをクラスタリングに用いることにより、故障車両が持つ可能性のある使用態様の特徴を排除した使用態様クラスタを作成することが可能になる。なお、後述する部品の種類ごとに故障予測モデルを作成する態様の場合、正常車両は、モデルの作成対象の種類の部品に故障が発生していない車両となり、故障車両は、モデルの作成対象の種類の部品に故障が発生した車両となる。
モデル作成部114は、車両Tが有する複数の部品の少なくとも一部の部品のそれぞれに対応する故障予測モデルを作成してもよい。この場合、モデル作成部114は、第1データ取得部112が取得した測定データセットに含まれる複数の測定データセットのうち、故障予測モデルに対応する部品に関連付けられた複数の測定データセットを教師データとして使用する。モデル作成部114が、例えば車両Tのエンジンに対応する故障予測モデルを作成する場合、エンジンの温度を示す測定データセット及びエンジンの回転数を示す測定データセット等のように、エンジンの状態を示す測定データセットを教師データとして使用する。モデル作成部114は、周知の特徴抽出アルゴリズムや周知の特徴選択アルゴリズムを用いて部品の種類ごとに多数の測定データセットから測定データセットを絞り込み、絞り込んだ測定データセットに基づいて部品の種類ごとに故障予測モデルを作成する。
モデル作成部114は、所定の予測期間に関連付けて故障予測モデルを作成してもよい。モデル作成部114は、例えば、予め設定された複数の予測期間のそれぞれに対して、予測期間が経過するまでの間に故障する蓋然性を出力する故障予測モデルを作成する。
モデル作成部114は、例えばX日の予測期間に対応する故障予測モデルを作成する場合、故障が発生した日の直前のX日間の測定データセット(例えば、図2(a)における期間Aの間に取得された複数の測定データ)を、故障発生の教師データとして使用する。モデル作成部114は、故障が発生した日からX日より前の測定データセット(例えば、図2(a)における期間Bの間に取得された複数の測定データ)、及び故障が発生していない車両Tの測定データセット(例えば、図2(b)における期間Cの間に取得された複数の測定データ)を、故障非発生の教師データとして使用する。モデル作成部114は、予測期間に関連付けて、作成した故障予測モデルを記憶部115に記憶させる。
モデル作成部114は、作成した故障予測モデルを用いて、予測期間内に車両Tが故障する蓋然性を算出する機能も有する。モデル作成部114は、例えば故障予測装置12から故障予測をする指示を受けたことに応じて、故障を予測する対象となる車両Tの測定データセットを例えばデータ収集サーバ2から取得し、取得した測定データセットを、作成した故障予測モデルに入力する。モデル作成部114は、測定データセットを入力したことに応じて故障予測モデルから出力された故障が発生する蓋然性を示す値を、車両Tが所定の予測期間内に故障する蓋然性の予測結果として、故障予測装置12に対して出力する。
なお、モデル作成部114は、故障を予測する対象として取得した測定データセットを、故障予測モデルを更新するための教師データとして用いてもよい。モデル作成部114は、例えば取得した測定データセットに対応する車両Tの過去の部品交換の履歴を示す情報を測定データセットに関連付けて取得し、履歴を示す情報に基づいて、部品交換が発生した履歴がある測定データセットにおける部品交換が発生した日の直前の予測期間内の複数の測定データを、故障発生の教師データとして使用する。また、モデル作成部114は、部品交換が発生した履歴がない測定データセットに含まれる複数の測定データを、故障非発生車両の教師データとして使用する。
また、モデル作成部114は、車両Tの故障を予測してから予測期間が経過した後に、交換情報取得部111を介して、当該車両Tが予測期間の間に部品の交換が発生したか否かを示す情報を取得し、取得した情報と予測結果とを比較してもよい。モデル作成部114は、多数の車両Tに対して比較した結果に基づいて、予測期間内に故障した確率を算出し、算出した確率と予測結果が示す蓋然性との差が所定の閾値以上である場合に、新たな測定データセットを教師データとして用いて故障予測モデルを更新してもよい。モデル作成部114がこのように故障予測モデルを更新することで、故障予測モデルの精度を向上させることができる。
[故障予測装置12の機能構成]
続いて、故障予測装置12の機能構成について説明する。故障予測装置12は、第2データ取得部121と、データ入力部122と、情報出力部123とを有する。
続いて、故障予測装置12の機能構成について説明する。故障予測装置12は、第2データ取得部121と、データ入力部122と、情報出力部123とを有する。
第2データ取得部121は、故障を予測する対象となる車両Tの測定データセットを取得し、取得した測定データセットをデータ入力部122に入力する。第2データ取得部121は、故障予測の指示とともに、故障予測をする対象である車両Tの測定データセットを、ネットワークNを介して取得する。第2データ取得部121は、測定データセットをデータ収集サーバ2から取得してもよく、コンピュータ3から取得してもよい。
データ入力部122は、第2データ取得部121から取得した測定データセットをモデル作成部114に入力する。データ入力部122は、例えば、故障を予測する対象となる車両Tの車両識別情報に関連付けて、測定データセットをモデル作成部114に入力する。モデル作成部114が複数のクラスタに対応する複数の故障予測モデルを有している場合、データ入力部122は、第2データ取得部121から取得した測定データセットに対応するクラスタを特定し、特定したクラスタの故障予測モデルに測定データセットを入力する。
情報出力部123は、データ入力部122がモデル作成部114に入力した測定データセットに基づいてモデル作成部114が出力した予測結果を取得する。情報出力部123は、複数のクラスタに対応する複数の故障予測モデルのうち、例えばデータ入力部122が測定データセットを入力したクラスタに対応する故障予測モデルから予測結果を取得する。情報出力部123は、取得した予測結果を、故障予測の指示の送信元(例えばデータ収集サーバ2又はコンピュータ3)に送信する。情報出力部123は、故障予測装置12が有するディスプレイに予測結果を表示させたり、紙に予測結果を印刷したりしてもよい。情報出力部123は、予測結果の取得に用いられた故障予測モデルに対応するクラスタの名称を予測結果とともに出力してもよい。
[故障予測システム1における処理の流れ]
図4は、故障予測システム1において故障予測モデルを作成する処理の流れを示すフローチャートである。まず、第1データ取得部112は、データ収集サーバ2を介して、多数の車両Tから複数の測定データセットを取得する(S11)。続いて、モデル作成部114は、第1データ取得部112が取得した複数の測定データセットをクラスタリングする(S12)。モデル作成部114は、例えば車両Tの使用態様、測定データセットが関連する部品の種別、又は車種に基づいて、複数の測定データセットをクラスタリングする。モデル作成部114は、クラスタリングした後の複数の測定データセットのそれぞれに対してS13以降の処理を実行することにより、クラスタごとに故障予測モデルを作成する。
図4は、故障予測システム1において故障予測モデルを作成する処理の流れを示すフローチャートである。まず、第1データ取得部112は、データ収集サーバ2を介して、多数の車両Tから複数の測定データセットを取得する(S11)。続いて、モデル作成部114は、第1データ取得部112が取得した複数の測定データセットをクラスタリングする(S12)。モデル作成部114は、例えば車両Tの使用態様、測定データセットが関連する部品の種別、又は車種に基づいて、複数の測定データセットをクラスタリングする。モデル作成部114は、クラスタリングした後の複数の測定データセットのそれぞれに対してS13以降の処理を実行することにより、クラスタごとに故障予測モデルを作成する。
モデル作成部114は、複数の測定データセットから1つの測定データセットを選択し、選択した測定データセットに対応する車両Tに部品の交換が発生したか否かを特定する(S13)。モデル作成部114は、部品の交換が発生していた場合、部品の交換日も特定する。
モデル作成部114は、S13において、部品の交換が発生していたと判定した場合(S13におけるYES)、測定データセットに含まれる複数の測定データのうち、部品の交換日以前の所定の予測期間内の複数の測定データを選択する(S14)。モデル作成部114は、選択した複数の測定データを故障発生の教師データに使用することを決定する(S15)。
モデル作成部114は、S13において、部品の交換が発生していたと判定した場合(S13におけるYES)、測定データセットに含まれる複数の測定データのうち、部品の交換日に対して所定の予測期間よりも前の複数の測定データを選択する(S16)。モデル作成部114は、S16で選択した複数の測定データを故障非発生の教師データに使用することを決定する(S17)。モデル作成部114は、S13において、部品の交換が発生していなかったと判定した場合にも(S13におけるNO)、選択した測定データセットを故障非発生の教師データに使用することを決定する(S17)。
モデル作成部114は、S15及びS17で決定したように複数の測定データを故障発生の教師データ又は故障非発生の教師データとして使用することにより、故障予測モデルを作成する(S18)。モデル作成部114は、新たな測定データセットを取得するたびに、S11からS17の処理を実行し、故障予測モデルを更新してもよい。
[変形例]
以上の説明においては、故障予測システム1が、データ収集サーバ2を介して測定データセットを取得することが想定されていた。また、故障予測システム1がモデル作成装置11及び故障予測装置12を有することが想定されていた。しかしながら、モデル作成装置11及び故障予測装置12の構成はこれに限らない。
以上の説明においては、故障予測システム1が、データ収集サーバ2を介して測定データセットを取得することが想定されていた。また、故障予測システム1がモデル作成装置11及び故障予測装置12を有することが想定されていた。しかしながら、モデル作成装置11及び故障予測装置12の構成はこれに限らない。
図5は、変形例に係るモデル作成装置11及び故障予測装置12の構成を示す図である。図5に示すモデル作成装置11は、ネットワークNを介して複数の車両Tから測定データを取得し(図5における(1))、取得した測定データに基づいて故障予測モデルを作成する(図5における(2))。
また、図5における故障予測装置12はモデル作成装置11と異なる場所に設定されている。故障予測装置12は、例えば、車両Tを所有する会社又は車両Tを整備する会社に設置されたコンピュータにインストールされた故障予測のためのアプリケーションプログラムを実行することにより、故障予測機能を実行する。故障予測装置12は、ユーザの操作に応じて、故障予測要求をモデル作成装置11に送信し(図5における(3)及び(4))、モデル作成装置11から出力された予測結果報告を受信すると(図5における(5)及び(6))、予測結果を出力する(図5における(7))。このように、モデル作成装置11及び故障予測装置12の設置場所、及び接続関係は任意である。
[モデル作成装置11による効果]
以上説明したように、交換情報取得部111は、交換された車両Tの部品を特定するための交換部品情報と、部品が交換された日を示す交換日情報と、車両Tを特定するための車両特定情報と、を取得する。第1データ取得部112は、車両Tの状態を測定して得られた複数の測定データを含む測定データセットを、車両特定情報に関連付けて複数の車両Tから取得する。
以上説明したように、交換情報取得部111は、交換された車両Tの部品を特定するための交換部品情報と、部品が交換された日を示す交換日情報と、車両Tを特定するための車両特定情報と、を取得する。第1データ取得部112は、車両Tの状態を測定して得られた複数の測定データを含む測定データセットを、車両特定情報に関連付けて複数の車両Tから取得する。
そして、モデル作成部114は、交換情報取得部111が取得した複数の車両特定情報に対応する複数の測定データセットのうち、交換日情報が示す交換日以前の所定の予測期間内に得られた複数の測定データセットを故障発生の教師データとして使用し、かつ予測期間より前に得られた複数の測定データセットを故障非発生の教師データとして使用することにより故障予測モデルを作成する。モデル作成装置11がこのような構成を有することで、モデル作成装置11は、所定の期間内に部品の故障が発生した場合の測定データセットを用いて故障予測モデルを作成できるので、所定の期間内に車両の部品が故障する蓋然性を予測する精度を向上させることができる。
なお、以上の説明においては、モデル作成装置11が、車両Tが所定の期間内に故障する蓋然性の予測結果を出力する故障予測モデルを作成したが、モデル作成装置11は、蓋然性の予測結果の一例として、車両Tが所定の期間内に故障する可能性の有無を予測結果として出力する故障予測モデルを作成してもよい。この場合、故障予測装置12は、故障を予測する対象となる車両Tが所定の期間内に故障する可能性の有無を示す情報を予測結果として出力する。
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されず、その要旨の範囲内で種々の変形及び変更が可能である。例えば、装置の分散・統合の具体的な実施の形態は、以上の実施の形態に限られず、その全部又は一部について、任意の単位で機能的又は物理的に分散・統合して構成することができる。また、複数の実施の形態の任意の組み合わせによって生じる新たな実施の形態も、本発明の実施の形態に含まれる。組み合わせによって生じる新たな実施の形態の効果は、もとの実施の形態の効果を合わせ持つ。
1 故障予測システム
2 データ収集サーバ
3 コンピュータ
11 モデル作成装置
12 故障予測装置
111 交換情報取得部
112 第1データ取得部
113 設定受付部
114 モデル作成部
115 記憶部
121 第2データ取得部
122 データ入力部
123 情報出力部
2 データ収集サーバ
3 コンピュータ
11 モデル作成装置
12 故障予測装置
111 交換情報取得部
112 第1データ取得部
113 設定受付部
114 モデル作成部
115 記憶部
121 第2データ取得部
122 データ入力部
123 情報出力部
Claims (9)
- 交換された車両の部品を特定するための交換部品情報と、前記部品が交換された日を示す交換日情報と、車両を特定するための車両特定情報と、を取得する交換情報取得部と、
車両の状態を測定して得られた複数の測定データを含む測定データセットを、前記車両特定情報に関連付けて複数の車両から取得するデータ取得部と、
前記交換情報取得部が取得した複数の前記車両特定情報に対応する前記複数の測定データセットのうち、前記交換日情報が示す交換日以前の所定の予測期間内に得られた前記複数の測定データセットを故障発生の教師データとして使用し、かつ前記予測期間より前に得られた前記複数の測定データセットを故障非発生の教師データとして使用することにより故障予測モデルを作成するモデル作成部と、
を有するモデル作成装置。 - 前記モデル作成部は、前記データ取得部が取得した複数の車両に対応する前記複数の測定データセットのうち、前記交換情報取得部が前記交換部品情報を取得していない車両に対応する前記測定データセットを故障非発生の教師データとしてさらに使用することにより前記故障予測モデルを作成する、
請求項1に記載のモデル作成装置。 - 前記データ取得部は、前記車両特定情報に関連付けて、前記車両の使用態様を示す使用態様データをさらに取得し、
前記モデル作成部は、部品が交換されていない正常車両の前記使用態様データに基づくクラスタリングにより正常車両の前記複数の測定データセットのクラスタを作成し、部品が交換された故障車両を使用態様が最も近い正常車両の測定データで作成したクラスタに割り当てることにより作成した正常車両の測定データセット及び故障車両の測定データセットを含むクラスタ別の測定データセットを教師データとして使用することにより、複数種類の前記使用態様データのそれぞれに対応する前記故障予測モデルを作成する、
請求項2に記載のモデル作成装置。 - 前記モデル作成部は、故障予測の対象となる車両から取得された前記測定データセットが入力された場合に、当該車両が前記予測期間内に故障する蓋然性の予測結果を出力する前記故障予測モデルを作成する、
請求項1から3のいずれか一項に記載のモデル作成装置。 - 前記モデル作成部は、車両が有する複数の部品の少なくとも一部の部品のそれぞれに対応する前記故障予測モデルを作成する、
請求項1から4のいずれか一項に記載のモデル作成装置。 - 前記モデル作成部は、前記データ取得部が取得した前記複数の測定データセットのうち、前記故障予測モデルに対応する部品に関連付けられた前記複数の測定データセットを前記教師データとして使用する、
請求項5に記載のモデル作成装置。 - 前記モデル作成部は、前記予測期間に関連付けて前記故障予測モデルを作成する、
請求項1から4のいずれか一項に記載のモデル作成装置。 - コンピュータが実行する、
交換された車両の部品を特定するための交換部品情報と、前記部品が交換された日を示す交換日情報と、車両を特定するための車両特定情報と、を取得するステップと、
車両の状態を測定して得られた複数の測定データを含む測定データセットを、前記車両特定情報に関連付けて複数の車両から取得するステップと、
取得した複数の前記車両特定情報に対応する前記複数の測定データセットのうち、前記交換日情報が示す交換日以前の所定の予測期間内に得られた前記複数の測定データセットを故障発生の教師データとして使用し、かつ前記予測期間より前に得られた前記複数の測定データセットを故障非発生の教師データとして使用することにより故障予測モデルを作成するステップと、
を有するモデル作成方法。 - コンピュータを、
交換された車両の部品を特定するための交換部品情報と、前記部品が交換された日を示す交換日情報と、車両を特定するための車両特定情報と、を取得する交換情報取得部、
車両の状態を測定して得られた複数の測定データを含む測定データセットを、前記車両特定情報に関連付けて複数の車両から取得するデータ取得部、及び
前記交換情報取得部が取得した複数の前記車両特定情報に対応する前記複数の測定データセットのうち、前記交換日情報が示す交換日以前の所定の予測期間内に得られた前記複数の測定データセットを故障発生の教師データとして使用し、かつ前記予測期間より前に得られた前記複数の測定データセットを故障非発生の教師データとして使用することにより故障予測モデルを作成するモデル作成部、
として機能させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018171363A JP2020042708A (ja) | 2018-09-13 | 2018-09-13 | モデル作成装置、モデル作成方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018171363A JP2020042708A (ja) | 2018-09-13 | 2018-09-13 | モデル作成装置、モデル作成方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020042708A true JP2020042708A (ja) | 2020-03-19 |
Family
ID=69799403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018171363A Pending JP2020042708A (ja) | 2018-09-13 | 2018-09-13 | モデル作成装置、モデル作成方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020042708A (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022501241A (ja) * | 2020-04-23 | 2022-01-06 | 湖西大学校 産学協力団Hoseo University Academic Cooperation Foundation | 無人搬送車の予知保全装置及びその予知保全方法 |
WO2022210075A1 (ja) * | 2021-03-31 | 2022-10-06 | 株式会社トプコン | 情報処理装置および情報処理方法 |
JP7477365B2 (ja) | 2020-05-22 | 2024-05-01 | コンピュートロン株式会社 | 監視システム |
-
2018
- 2018-09-13 JP JP2018171363A patent/JP2020042708A/ja active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022501241A (ja) * | 2020-04-23 | 2022-01-06 | 湖西大学校 産学協力団Hoseo University Academic Cooperation Foundation | 無人搬送車の予知保全装置及びその予知保全方法 |
JP7477365B2 (ja) | 2020-05-22 | 2024-05-01 | コンピュートロン株式会社 | 監視システム |
WO2022210075A1 (ja) * | 2021-03-31 | 2022-10-06 | 株式会社トプコン | 情報処理装置および情報処理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6875179B2 (ja) | システム分析装置、及びシステム分析方法 | |
WO2020110718A1 (ja) | モデル作成装置、モデル作成方法及びプログラム | |
JP2020042705A (ja) | 故障予測装置、故障予測方法及びプログラム | |
CN111242323B (zh) | 用于修理机器次优操作的主动自动***和方法 | |
EP3361450B1 (en) | Vehicle component failure prevention | |
US20170261403A1 (en) | Abnormality detection procedure development apparatus and abnormality detection procedure development method | |
JP2019185422A (ja) | 故障予知方法、故障予知装置および故障予知プログラム | |
JP2020042708A (ja) | モデル作成装置、モデル作成方法及びプログラム | |
JP2019101495A (ja) | 診断装置、診断方法、プログラム、および記録媒体 | |
CN112700131B (zh) | 基于人工智能的ab测试方法、装置、计算机设备及介质 | |
US9860109B2 (en) | Automatic alert generation | |
US11334057B2 (en) | Anomaly detection for predictive maintenance and deriving outcomes and workflows based on data quality | |
US20160110653A1 (en) | Method and apparatus for predicting a service call for digital printing equipment from a customer | |
US20140188777A1 (en) | Methods and systems for identifying a precursor to a failure of a component in a physical system | |
JP2020052714A (ja) | 監視システム及び監視方法 | |
JP6880560B2 (ja) | 故障予測装置、故障予測方法及び故障予測プログラム | |
JP2020160528A (ja) | 劣化推定装置、学習装置、劣化推定方法、学習方法、劣化推定プログラム、および、学習プログラム | |
CN112286088A (zh) | 一种动力设备故障预测模型在线应用的方法及应用*** | |
Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
He et al. | Predicting field reliability based on two-dimensional warranty data with learning effects | |
Koukaras et al. | Proactive buildings: A prescriptive maintenance approach | |
CN112534371A (zh) | 优化用于监视工业机器操作的机器学习算法的准确度 | |
Schachinger et al. | An advanced data analytics framework for energy efficiency in buildings | |
Li et al. | Change detection in the Cox proportional hazards models from different reliability data | |
Wang et al. | Predictive maintenance and sensitivity analysis for equipment with multiple quality states |