KR20190071812A - Failure Risk Indicator Estimator and Failure Risk Indicator Estimation Method - Google Patents
Failure Risk Indicator Estimator and Failure Risk Indicator Estimation Method Download PDFInfo
- Publication number
- KR20190071812A KR20190071812A KR1020197015852A KR20197015852A KR20190071812A KR 20190071812 A KR20190071812 A KR 20190071812A KR 1020197015852 A KR1020197015852 A KR 1020197015852A KR 20197015852 A KR20197015852 A KR 20197015852A KR 20190071812 A KR20190071812 A KR 20190071812A
- Authority
- KR
- South Korea
- Prior art keywords
- failure
- unit
- information
- parameter
- item
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 31
- 238000012423 maintenance Methods 0.000 claims abstract description 99
- 230000007704 transition Effects 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 48
- 238000007689 inspection Methods 0.000 claims description 31
- 230000009467 reduction Effects 0.000 claims description 16
- 238000010276 construction Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 3
- 238000011058 failure modes and effects analysis Methods 0.000 abstract description 75
- 238000010972 statistical evaluation Methods 0.000 abstract description 14
- 238000012545 processing Methods 0.000 description 37
- 230000006870 function Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 24
- 230000015654 memory Effects 0.000 description 16
- 238000013500 data storage Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 8
- 238000007726 management method Methods 0.000 description 5
- YBJHBAHKTGYVGT-ZKWXMUAHSA-N (+)-Biotin Chemical compound N1C(=O)N[C@@H]2[C@H](CCCCC(=O)O)SC[C@@H]21 YBJHBAHKTGYVGT-ZKWXMUAHSA-N 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- FEPMHVLSLDOMQC-UHFFFAOYSA-N virginiamycin-S1 Natural products CC1OC(=O)C(C=2C=CC=CC=2)NC(=O)C2CC(=O)CCN2C(=O)C(CC=2C=CC=CC=2)N(C)C(=O)C2CCCN2C(=O)C(CC)NC(=O)C1NC(=O)C1=NC=CC=C1O FEPMHVLSLDOMQC-UHFFFAOYSA-N 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000000470 constituent Substances 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 101001016600 Equus caballus Sperm histone P2b Proteins 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
모델 식 구축부(4a)가, FMEA 결과 DB(2)로부터 읽어낸 FMEA 결과와 통계 평가용 정보 A에 근거하여, 통계적 분포에 따른 고장 리스크 지표의 추이를 나타내는 모델 식을 구축한다. 파라미터 추정부(4b)가, FMEA 결과 DB(2)와 이미 결정된 작업 간격 DB(3)로부터 읽어낸 정보에 근거하여, 모델 식으로부터 산출한 보수 작업 간격과 이미 결정된 보수 작업 간격의 차분이 가장 작아지는 모델 식의 파라미터 값을 통계적으로 추정한다.The model equation building unit 4a constructs a model equation representing the transition of the failure risk index according to the statistical distribution based on the FMEA result read from the FMEA result database 2 and the statistical evaluation information A. [ The parameter estimating unit 4b calculates the difference between the maintenance work interval calculated from the model equation and the already determined maintenance work interval based on the information read from the FMEA result DB 2 and the already determined work interval DB 3 And statistically estimates parameter values of the model expression.
Description
본 발명은, 설비에 고장이 발생하는 리스크의 지표를 추정하는 고장 리스크 지표 추정 장치 및 고장 리스크 지표 추정 방법에 관한 것이다.The present invention relates to a failure risk index estimating apparatus and an failure risk index estimating method for estimating an index of a failure in which a failure occurs in a facility.
고장 모드 영향 해석(이하, FMEA라고 기재한다)은, 고장이 대상 설비에 주는 영향을 고장에 관한 항목마다 레벨을 부여한 결과를 얻는 해석 수법이다. 고장에 관한 항목에는, 예컨대, 설비에 고장이 발생하는 빈도, 고장이 설비에 주는 영향의 크기 등이 있다. 또한, 설비의 가동 데이터가 충분히 축적되어 있지 않기 때문에, 가동 데이터로부터 설비의 보수 또는 수리의 필요성을 평가하는 것이 어려운 경우, 이것을 평가할 때에 FMEA의 해석 결과가 참조되는 일이 있다.The failure mode influence analysis (hereinafter referred to as FMEA) is an analysis technique for obtaining the result of assigning a level to each item related to failure in terms of the influence of the failure on the target equipment. The items concerning the failure include, for example, the frequency of occurrence of a failure in the facility and the magnitude of the influence of the failure on the facility. In addition, when it is difficult to evaluate the necessity of repair or repair of the equipment from the operation data because the operation data of the facility is not sufficiently accumulated, the result of analysis of the FMEA may be referred to when evaluating this.
예컨대, 특허문헌 1에는, FMEA를 이용하여, 예측 대상 기계 시스템의 가동률을 예측하는 가동률 예측 장치가 기재되어 있다. 상기 가동률 예측 장치는, 고장률에 관련되는 복수의 평가 항목의 레벨과 고장 계수의 대응 관계가 규정된 맵을 구비하고 있고, 이 맵을 참조하여, 예측 대상 기계 시스템의 구성 요소의 평가 항목의 레벨에 대응하는 고장 계수를 특정한다. 상기 가동률 예측 장치는, 특정한 고장 계수로부터 구성 요소의 고장률을 추정하여, 복수의 구성 요소의 각각에서 추정한 고장률에 근거하여 예측 대상 기계 시스템의 가동률을 예측한다. 또, 상기 맵은, 유사 기계 시스템의 가동률의 실적에 맞도록 피팅된 것이다.For example,
한편, 대상 설비에 고장이 발생하는 리스크를 정확하게 평가하려고 하는 단계에서는, 그 설비의 보수 관리가 이미 실시 중이고, 그 설비의 상황에 따른 보수 작업 간격이 정해져 있는 경우가 많다. 이 때문에, 종래로부터, 대상 설비의 구성 부품마다의 고장 요인에 근거하여, 구성 부품마다 기대되는 보수 작업 간격을 산출하는 기술이 제안되어 있다.On the other hand, in a stage where an attempt is made to accurately evaluate the risk of a failure occurring in a target facility, maintenance and management of the facility are already underway, and maintenance intervals are often determined according to the situation of the facility. Therefore, conventionally, a technique has been proposed that calculates the maintenance work interval expected for each component based on a failure factor of each component of the target facility.
예컨대, 특허문헌 2에 기재되는 가동 관리 장치에서는, 정지 상태에 있는 설비의 구성 부품의 고장 요인과 고장의 영향도를 고려하여 그 구성 부품의 부품 랭크 계수를 선정하고, 그 구성 부품의 예측 수명을 고려하여 그 구성 부품의 열화 랭크 계수를 선정하고 있다. 선정한 부품 랭크 계수와 열화 랭크 계수에 근거하여, 상기 가동 관리 장치는, 구성 부품에 기대되는 검사 주기를 산출하고, 산출한 검사 주기에 근거하여 그 구성 부품의 유효 보전 주기, 즉 보수 작업 간격을 결정하고 있다.For example, in the movable management apparatus described in
특허문헌 1에 기재된 가동률 예측 장치에서는, 상기 맵을 얻기 위해, 예측 대상의 기계 시스템에 유사한 기계 시스템의 가동률의 실적을 정밀하게 재현할 수 있을 만큼의 실적 데이터가 필요했다.In order to obtain the map, the operating rate predicting apparatus disclosed in
또한, 상기 가동률 예측 장치에서는, 평가 항목의 서로 상이한 레벨 사이에서 고장률의 대소 관계밖에 고려되어 있지 않다. 예컨대, 고장의 빈도 레벨이 높은 고장이 발생하는 고장률보다, 고장의 빈도 레벨이 낮은 고장이 발생하는 고장률이 낮아지도록 하는 제약 조건의 아래에서, 가동률이 예측되고 있다. 이 때문에, 실제의 기계 시스템에 있어서의 고장률의 변동을 적절히 평가할 수 없다.Further, in the above-described operating rate predicting apparatus, only the magnitude of the failure rate is considered between the different levels of the evaluation items. For example, the operating rate is predicted under the constraint condition that a failure rate at which a fault with low frequency level of faults occurs is lower than a failure rate at which a fault with high frequency level of faults occurs. Therefore, it is not possible to appropriately evaluate the variation of the failure rate in an actual mechanical system.
특허문헌 2에 기재된 가동 관리 장치에서는, 구성 부품에 기대되는 검사 주기가 현행 검사 주기의 상수배인 것을 전제로 하여 유효 보전 주기를 결정하고 있지만, 이 전제는, 고장의 리스크가 경과 시간에 대하여 선형으로 추이하지 않으면 성립하지 않는다.In the movable management apparatus disclosed in
실제의 설비에서 고장이 발생하는 리스크는 일반적으로 비선형으로 추이하기 때문에, 상기 가동 관리 장치를 실제의 설비에 그대로 적용할 수는 없다.Since the risk that a failure occurs in an actual facility generally changes nonlinearly, the above-described movable management apparatus can not be applied to an actual facility as it is.
본 발명은 상기 과제를 해결하는 것이고, 설비의 보수 실적 데이터가 없거나 또는 적은 경우에도, 설비에 고장이 발생하는 리스크의 지표를 적절히 추정할 수 있는 고장 리스크 지표 추정 장치 및 고장 리스크 지표 추정 방법을 얻는 것을 목적으로 한다.The present invention solves the above problems and provides a failure risk index estimating apparatus and a failure risk index estimating method capable of appropriately estimating an index of a risk that a failure occurs in a facility, .
본 발명과 관련되는 고장 리스크 지표 추정 장치는, 모델 식 구축부 및 파라미터 추정부를 구비한다. 모델 식 구축부는, 설비를 구성하는 부품의 점검 항목마다의 FMEA 결과를 나타내는 정보 및 고장 리스크 지표의 추정에 이용하는 통계적 분포를 나타내는 정보에 근거하여, 통계적 분포에 따른 고장 리스크 지표의 추이를 나타내는 모델 식을 구축한다. 파라미터 추정부는, 설비를 구성하는 부품의 점검 항목마다의 FMEA 결과를 나타내는 정보 및 부품의 점검 항목마다 이미 결정된 보수 작업 간격을 나타내는 정보에 근거하여, 모델 식으로부터 산출한 보수 작업 간격과 이미 결정된 보수 작업 간격의 차분이 가장 작아지는 모델 식의 파라미터 값을 통계적으로 추정한다.The failure risk index estimating apparatus according to the present invention comprises a model expression building unit and a parameter estimating unit. The model expression construction unit is a model expression unit that represents the transition of the failure risk index according to the statistical distribution based on the information indicating the FMEA result for each maintenance item of the components constituting the facility and the information indicating the statistical distribution used for the estimation of the failure risk index . The parameter estimating section calculates the maintenance work interval calculated from the model formula based on the information indicating the FMEA result for each maintenance item of the parts constituting the facility and the information indicating the maintenance work interval determined for each maintenance item of the part, And the parameter value of the model equation in which the difference of the interval becomes the smallest is statistically estimated.
본 발명에 따르면, 통계적 분포에 따른 고장 리스크 지표의 추이를 나타내는 모델 식을 구축하고, 모델 식의 파라미터 값을 고장 리스크 지표의 추정치로서 통계적으로 추정한다. 이와 같이 함으로써, 설비의 보수 실적 데이터가 없거나 또는 적은 경우에도, 설비에 고장이 발생하는 리스크의 지표를 적절히 추정할 수 있다.According to the present invention, a model equation representing the transition of the failure risk index according to the statistical distribution is constructed, and the parameter value of the model equation is statistically estimated as an estimate of the failure risk index. By doing so, it is possible to appropriately estimate the index of the risk that a failure occurs in the facility, even when there is no or less maintenance data of the facility.
도 1은 본 발명의 실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치의 기능 구성을 나타내는 블록도이다.
도 2a는 FMEA 결과 데이터베이스(이하, DB라고 기재한다)에 기억되는 정보의 항목을 나타내는 도면이다. 도 2b는 이미 결정된 작업 간격 DB에 기억되는 정보의 항목을 나타내는 도면이다. 도 2c는 통계 평가용 정보를 나타내는 도면이다.
도 3은 실시의 형태 1에 있어서의 제 1 기억부에 기억되는 정보의 항목을 나타내는 도면이다.
도 4a는 실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치의 기능을 실현하는 하드웨어 구성을 나타내는 블록도이다. 도 4b는 실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치의 기능을 실현하는 소프트웨어를 실행하는 하드웨어 구성을 나타내는 블록도이다.
도 5는 실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치의 동작을 나타내는 플로차트이다.
도 6은 고장 리스크 지표와 중간 평가 지표의 관계를 나타내는 도면이다.
도 7은 FMEA 결과의 평가 항목과 중간 평가 지표의 관련성을 나타내는 도면이다.
도 8은 모델 식 구축부 및 파라미터 추정부의 동작을 나타내는 플로차트이다.
도 9는 FMEA 결과 DB와 이미 결정된 작업 간격 DB의 테이블 데이터를 병합한 결과를 나타내는 도면이다.
도 10은 FMEA 결과의 평가 항목에 중간 평가 지표의 파라미터를 할당한 결과를 나타내는 도면이다.
도 11은 모델 식으로부터 상정되는 보수 작업 간격을 나타내는 도면이다.
도 12는 본 발명의 실시의 형태 2와 관련되는 고장 리스크 지표 추정 장치의 기능 구성을 나타내는 블록도이다.
도 13a는 설비 정보 DB에 기억되는 정보의 항목을 나타내는 도면이다. 도 13b는 보수 실적 DB에 기억되는 정보의 항목을 나타내는 도면이다. 도 13c는 고장 실적 DB에 기억되는 정보의 항목을 나타내는 도면이다.
도 14a는 범위 축소 데이터 기억부에 기억되는 정보의 항목을 나타내는 도면이다. 도 14b는 제 2 기억부에 기억되는 정보의 항목을 나타내는 도면이다. 도 14c는 고장 리스크 지표의 추정치를 나타내는 도면이다.
도 15는 실시의 형태 2와 관련되는 고장 리스크 지표 추정 장치의 동작을 나타내는 플로차트이다.
도 16은 실시의 형태 2에 있어서의 범위 축소부의 동작을 나타내는 플로차트이다.
도 17은 실시의 형태 2에 있어서의 지표 추정부의 동작을 나타내는 플로차트이다.
도 18은 실시의 형태 2에 있어서의 병합부의 동작을 나타내는 플로차트이다.1 is a block diagram showing a functional configuration of a failure risk index estimating apparatus according to
2A is a diagram showing items of information stored in the FMEA result database (hereinafter referred to as DB). 2B is a diagram showing items of information stored in the already determined work interval DB. 2C is a diagram showing statistical evaluation information.
3 is a diagram showing items of information stored in the first storage unit in the first embodiment.
4A is a block diagram showing a hardware configuration for realizing the function of the failure risk indicator estimating device according to the first embodiment. 4B is a block diagram showing a hardware configuration for executing software for realizing the function of the failure risk indicator estimating device according to the first embodiment.
5 is a flowchart showing the operation of the failure risk indicator estimating apparatus according to the first embodiment.
6 is a diagram showing the relationship between the failure risk index and the intermediate evaluation index.
7 is a diagram showing the relationship between the evaluation items of the FMEA result and the intermediate evaluation index.
8 is a flowchart showing the operation of the model expression building unit and the parameter estimating unit.
9 is a diagram showing the result of merging the FMEA result DB and the table data of the already determined work interval DB.
10 is a diagram showing a result of assigning the parameter of the intermediate evaluation index to the evaluation item of the FMEA result.
11 is a diagram showing the maintenance work interval assumed from the model equation.
12 is a block diagram showing the functional configuration of a failure risk indicator estimating apparatus according to
13A is a diagram showing items of information stored in the facility information DB. 13B is a diagram showing items of information stored in the maintenance record DB. 13C is a diagram showing items of information stored in the failure history DB.
14A is a diagram showing items of information stored in the reduced-size data storage unit. 14B is a diagram showing items of information stored in the second storage unit. 14C is a diagram showing an estimate of the failure risk index.
15 is a flowchart showing the operation of the failure risk indicator estimating apparatus according to the second embodiment.
16 is a flowchart showing the operation of the range reduction unit in the second embodiment.
17 is a flowchart showing the operation of the land estimating unit in the second embodiment.
18 is a flowchart showing the operation of the merging unit in the second embodiment.
이하, 본 발명을 보다 상세하게 설명하기 위해, 본 발명을 실시하기 위한 형태에 대하여, 첨부된 도면에 따라 설명한다.DESCRIPTION OF THE PREFERRED EMBODIMENTS Hereinafter, embodiments for carrying out the present invention will be described with reference to the accompanying drawings.
실시의 형태 1.
도 1은 본 발명의 실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치(1)의 기능 구성을 나타내는 블록도이다. 고장 리스크 지표 추정 장치(1)는, 설비의 고장 리스크 지표를 추정하는 장치이고, FMEA 결과 DB(2), 이미 결정된 작업 간격 DB(3), 지표 추정부(4) 및 제 1 기억부(5)를 구비한다. 지표 추정부(4)는, FMEA 결과 DB(2) 및 이미 결정된 작업 간격 DB(3)의 각각으로부터 읽어낸 정보와 통계 평가용 정보 A에 근거하여 설비의 고장 리스크 지표를 추정한다. 고장 리스크 지표란, 설비를 구성하는 부품에 고장이 발생하는 리스크의 크기를 정량화한 정보이다.Fig. 1 is a block diagram showing a functional configuration of a failure risk
FMEA 결과 DB(2)는, 설비를 구성하는 부품의 점검 항목마다의 FMEA 결과를 기억하는 DB이다. FMEA 결과 DB(2)에는, 예컨대, 도 2a에 나타내는 바와 같은 항목의 정보가 기억된다. "부품 ID"의 항목에는, 부품의 식별 정보가 설정된다. "점검 항목 ID"의 항목에는, 점검 항목의 식별 정보가 설정된다. 점검 항목에는, 예컨대, 외관 검사, 통전 검사, 절연 검사, 마찰 검사 등이 있다. 통전 검사와 절연 검사는, 모두 전기의 도통 상태를 검사하는 것이기 때문에, 유사한 점검 항목이라고 할 수 있다.The FMEA result DB (2) is a DB that stores FMEA results for each maintenance item of the components constituting the equipment. In the FMEA
"고장의 빈도 레벨"과 "영향의 크기 레벨"과 "검출 가능성 레벨"은 FMEA의 평가 항목이다. "고장의 빈도 레벨"의 항목에는, 고장의 빈도에 관한 FMEA의 평가 레벨이 설정된다. "영향의 크기 레벨"의 항목에는, 고장이 부품에 주는 영향의 크기에 관한 FMEA의 평가 레벨이 설정된다. "검출 가능성 레벨"의 항목에는, 고장의 검출의 용이함에 관한 FMEA의 평가 레벨이 설정된다."Fault frequency level" and "magnitude level of influence" and "detectability level" are evaluation items of FMEA. In the item of "fault frequency level ", an evaluation level of the FMEA regarding the frequency of failure is set. In the item of "magnitude level of influence", the evaluation level of the FMEA is set with respect to the magnitude of the influence of the failure on the component. An evaluation level of the FMEA concerning the ease of detecting a failure is set in the item of "detectability level ".
이미 결정된 작업 간격 DB(3)는, 부품의 점검 항목마다 이미 결정된 보수 작업 간격을 나타내는 정보를 기억하는 DB이다. 이미 결정된 작업 간격 DB(3)에는, 예컨대, 도 2b에 나타내는 바와 같은 항목의 정보가 기억된다. "부품 ID" 및 "점검 항목 ID"에 대해서는, 도 2a에 나타낸 것과 동일하다. "이미 결정된 작업 간격 월수(月數)"의 항목에는, 부품의 점검 항목마다 이미 결정된 보수 작업 간격의 월수가 설정된다.The already determined
통계 평가용 정보 A는, 고장 리스크 지표의 통계적 추정에 이용되는 통계적 분포를 나타내는 정보이다. 통계 평가용 정보 A에는, 예컨대, 도 2c에 나타내는 바와 같은 항목의 정보가 기억된다. "통계적 분포"의 항목에는, 고장 리스크 지표의 통계적 추정에 이용되는 통계적 분포의 종류가 설정된다. 통계적 분포의 종류에는, 와이블 분포, 감마 분포, 로그 정규 분포 등의 이론적으로 유도된 분포를 들 수 있다.The statistical evaluation information A is information indicating a statistical distribution used for statistical estimation of the failure risk index. In the statistical evaluation information A, for example, information on the item as shown in Fig. 2C is stored. In the item of "statistical distribution", the kind of statistical distribution used for the statistical estimation of the failure risk index is set. Types of statistical distribution include the theoretically derived distribution of Weibull distribution, gamma distribution, and lognormal distribution.
"허용 오차"의 항목에는, 지표 추정부(4)에 의해 추정된 고장 리스크 지표의 추정치가 표준 편차에 대하여 허용되는 오차의 비율이 설정된다.In the item of the "tolerance ", a ratio of an allowable error to the standard deviation of the estimated value of the failure risk index estimated by the
"신뢰율"의 항목에는, 지표 추정부(4)에 의해 추정된 고장 리스크 지표의 신뢰율이 설정된다. 고장 리스크 지표의 추정치가 허용 오차 이내에 들어간다고 평가된 결과가 어긋날 확률 P1과, 고장 리스크 지표의 추정치가 허용 오차에 들어가지 않는다고 평가된 결과가 어긋날 확률 P2의 양쪽이 "신뢰율"로 설정된 값 α 이상이 된다(P1≥α, P2≥α).In the item of the "reliability rate ", the reliability ratio of the failure risk index estimated by the
또, "허용 오차"와 "신뢰율"은, 실시의 형태 2에서 후술하는 병합 처리에 이용하는 정보이기 때문에, 실시의 형태 1에 있어서의 통계 평가용 정보 A에는, 이들 정보가 없더라도 좋다.Since the "tolerance" and the "reliability ratio" are information used for the merging process described later in the second embodiment, the statistical evaluation information A in the first embodiment may not include these pieces of information.
지표 추정부(4)는, 모델 식 구축부(4a) 및 파라미터 추정부(4b)를 구비한다.The
모델 식 구축부(4a)는, FMEA 결과 DB(2)로부터 읽어낸 FMEA 결과와 통계 평가용 정보 A에 근거하여, 고장 리스크 지표의 추이(시간 변화)를 나타내는 모델 식을 구축한다.The model
파라미터 추정부(4b)는, FMEA 결과 DB(2)와 이미 결정된 작업 간격 DB(3)로부터 읽어낸 정보에 근거하여, 모델 식으로부터 산출한 보수 작업 간격과 이미 결정된 보수 작업 간격의 차분이 가장 작아지도록 상기 모델 식의 파라미터 값을 통계적으로 추정한다.Based on the information read from the
상기 모델 식은, 통계 평가용 정보 A가 나타내는 통계적 분포에 따른 고장 리스크 지표의 추이를 모델화한 것이고, 이 모델 식의 파라미터 값이 제 1 추정치가 된다.The model equation is a model of a transition of the failure risk index according to the statistical distribution represented by the statistical evaluation information A, and the parameter value of this model equation is the first estimation value.
제 1 기억부(5)는, 지표 추정부(4)에 의해 추정된 파라미터 값인 제 1 추정치를 기억한다. 제 1 기억부(5)에는, 예컨대, 도 3에 나타내는 바와 같은 항목마다의 정보가 기억된다. "부품 ID" 및 "점검 항목 ID"는 도 2a에 나타낸 것과 동일하고, "통계적 분포"는 도 2c에 나타낸 것과 동일하다.The first storage unit (5) stores a first estimate value that is a parameter value estimated by the index estimation unit (4). In the
"통계적 분포 파라미터"의 항목에는, 제 1 추정치의 통계적 추정에서 이용된 통계적 분포를 규정하는 파라미터가 설정된다. 통계적 분포가 와이블 분포에 따르는 경우, 와이블 분포를 규정하는 누적 밀도 함수의 형상 파라미터 γ와 척도 파라미터 φ가 설정된다.In the item of "statistical distribution parameter ", a parameter is set which specifies the statistical distribution used in the statistical estimation of the first estimate. If the statistical distribution follows a Weibull distribution, the shape parameter γ and the measure parameter φ of the cumulative density function defining the Weibull distribution are set.
"시간 스케일 계수"와 "리스크 가중 계수"와 "안전 마진"은, 상기의 모델 식의 파라미터이고, 지표 추정부(4)에 의해 추정된 파라미터 값이 설정된다.The "time scale factor "," risk weight factor ", and "safety margin" are parameters of the above-described model equation.
"시간 스케일 계수"는, 상기 모델 식에 있어서, 고장 리스크가 증가하는 속도에 관한 파라미터이다. "리스크 가중 계수"는, 상기 모델 식에 있어서, 고장 리스크의 가중의 정도에 관한 파라미터이다. "안전 마진"은, 상기 모델 식에서 추정된 작업 간격에서의 보수 작업 일시로부터 거슬러 올라가는 시간 간격을 나타내는 파라미터이다. 이 파라미터에 의해 부품의 보수 작업이 앞당겨서 실행된다.The "time scale factor" is a parameter related to the rate at which the failure risk increases in the above model equation. The "risk weighting factor" is a parameter related to the degree of weighting of the failure risk in the above model equation. The "safety margin" is a parameter indicating a time interval arising from the maintenance work date and time in the work interval estimated in the model formula. With this parameter, the maintenance work of the part is executed ahead of time.
FMEA 결과 DB(2) 및 이미 결정된 작업 간격 DB(3)는, 도 4a 및 도 4b에 나타내는 데이터베이스(100)이다. FMEA 결과 DB(2) 및 이미 결정된 작업 간격 DB(3)의 각각에 기억된 정보는, DB 입출력 인터페이스(101)를 통해 지표 추정부(4)에 입력된다.The
통계 평가용 정보 A는, 정보 입력 인터페이스(102)를 통해 고장 리스크 지표 추정 장치(1)에 입력된다. 고장 리스크 지표의 추정치는, 정보 출력 인터페이스(103)를 통해 고장 리스크 지표 추정 장치(1)로부터 출력된다.The statistical evaluation information A is input to the failure risk
제 1 기억부(5)는, 데이터베이스(100)가 있는 기억 장치에 마련하더라도 좋지만, 도 4a에 나타내는 처리 회로(104)의 내부 메모리에 마련하더라도 좋다. 또한, 제 1 기억부(5)는, 도 4b에 나타내는 메모리(105)에 마련하더라도 좋다.The
고장 리스크 지표 추정 장치(1)에 있어서의 모델 식 구축부(4a) 및 파라미터 추정부(4b)의 각 기능은, 처리 회로에 의해 실현된다.Each function of the model
즉, 고장 리스크 지표 추정 장치(1)는, FMEA 결과 DB(2)로부터 읽어낸 FMEA 결과와 통계 평가용 정보 A에 근거하여, 고장 리스크 지표의 추이를 나타내는 모델 식을 구축하고, FMEA 결과 DB(2)와 이미 결정된 작업 간격 DB(3)로부터 읽어낸 정보에 근거하여, 모델 식으로부터 산출한 보수 작업 간격과 이미 결정된 보수 작업 간격의 차분이 가장 작아지는 모델 식의 파라미터 값을 통계적으로 추정하기 위한 처리 회로를 구비한다.That is, the failure risk
처리 회로는, 전용 하드웨어이더라도, 메모리에 기억된 프로그램을 실행하는 CPU(Central Processing Unit)이더라도 좋다.The processing circuit may be dedicated hardware or a CPU (Central Processing Unit) that executes a program stored in a memory.
처리 회로가, 도 4a에 나타내는 바와 같은 전용 하드웨어인 경우, 처리 회로(104)는, 예컨대, 단일 회로, 복합 회로, 프로그램화한 프로세서, 병렬 프로그램화한 프로세서, ASIC(Application Specific Integrated Circuit), FPGA(Field-Programmable Gate Array), 또는, 이들을 조합한 것이 해당한다.When the processing circuit is dedicated hardware as shown in Fig. 4A, the
모델 식 구축부(4a) 및 파라미터 추정부(4b)의 각각의 기능을 각각의 처리 회로로 실현하더라도 좋고, 이들의 기능을 합하여 1개의 처리 회로로 실현하더라도 좋다.The respective functions of the model
처리 회로가, 도 4b에 나타내는 바와 같은 프로세서(106)인 경우, 모델 식 구축부(4a) 및 파라미터 추정부(4b)의 각 기능은, 소프트웨어, 펌웨어, 또는 소프트웨어와 펌웨어의 조합에 의해 실현된다.When the processing circuit is the
소프트웨어 또는 펌웨어는 프로그램으로서 기술되고, 메모리(105)에 기억된다. 프로세서(106)는, 메모리(105)에 기억된 프로그램을 읽어내어 실행하는 것에 의해 각 부의 기능을 실현한다.The software or firmware is described as a program and is stored in the
즉, 고장 리스크 지표 추정 장치(1)는, 프로세서(106)에 의해 실행될 때에, 도 5에 나타내는 스텝 ST1, 스텝 ST2가 결과적으로 실행되는 프로그램을 기억하기 위한 메모리(105)를 구비한다. 또한, 이들 프로그램은, 모델 식 구축부(4a) 및 파라미터 추정부(4b)의 수순 또는 방법을 컴퓨터에 실행시키는 것이다.That is, the failure risk
메모리(105)에는, 예컨대, RAM(Random Access Memory), ROM(Read Only Memory), 플래시 메모리, EPROM(Erasable Programmable Read Only Memory), EEPROM(Electrically-EPROM) 등의 비휘발성 또는 휘발성의 반도체 메모리, 자기 디스크, 플렉서블 디스크, 광 디스크, 콤팩트 디스크, 미니 디스크, DVD 등이 해당한다.Volatile or volatile semiconductor memories such as RAM (Random Access Memory), ROM (Read Only Memory), flash memory, EPROM (Electrically-EPROM) A magnetic disk, a flexible disk, an optical disk, a compact disk, a mini disk, a DVD, and the like.
또, 모델 식 구축부(4a) 및 파라미터 추정부(4b)의 각 기능에 대하여, 일부를 전용 하드웨어로 실현하고, 일부를 소프트웨어 또는 펌웨어로 실현하더라도 좋다. 예컨대, 모델 식 구축부(4a)에 대해서는 전용 하드웨어로서의 처리 회로로 그 기능을 실현하고, 파라미터 추정부(4b)에 대해서는, 프로세서(106)가 메모리(105)에 기억된 프로그램을 읽어내어 실행하는 것에 의해 그 기능을 실현하더라도 좋다.The functions of the model
이와 같이, 처리 회로는, 하드웨어, 소프트웨어, 펌웨어 또는 이들의 조합에 의해 상기 기능의 각각을 실현할 수 있다.As such, the processing circuit can realize each of the functions by hardware, software, firmware, or a combination thereof.
다음으로 동작에 대하여 설명한다.Next, the operation will be described.
도 5는 고장 리스크 지표 추정 장치(1)의 동작을 나타내는 플로차트이고, 고장 리스크 지표의 추정치를 구하여 제 1 기억부(5)에 기억할 때까지의 일련의 처리를 나타내고 있다. 도 6은 고장 리스크 지표 R(t)와 중간 평가 지표 S, W, M의 관계를 나타내는 도면이고, 보수 작업 후의 경과 시간에 있어서의 고장 리스크 지표 R(t)의 추이를 나타내고 있다. 도 7은 FMEA 결과의 평가 항목 C, E, D와 중간 평가 지표 S, W, M의 관련성을 나타내는 도면이다.5 is a flowchart showing the operation of the failure risk
이하, 고장 리스크 지표 추정 장치(1)의 동작을, 도 6과 도 7을 참조하면서, 도 5를 따라 설명한다.Hereinafter, the operation of the failure risk
우선, 지표 추정부(4)는, FMEA 결과 DB(2)로부터 읽어낸 FMEA 결과와 통계 평가용 정보 A에 근거하여, 고장 리스크 지표의 모델 식을 구축한다(스텝 ST1).First, the
고장 리스크 지표 R(t)는, 하기 식 (1)에 나타내는 바와 같이, 통계적 분포 f(t)에 따라 추이(시간 변화)한다. 하기 식 (1)에 있어서, 시간 스케일 계수 S는, R(t)의 시간 방향의 변화를 조정하기 위한 계수이고, 고장 리스크가 증가하는 속도에 관한 파라미터이다. 리스크 가중 계수 W는, R(t)의 크기를 조정하기 위한 계수이고, 고장 리스크의 가중의 정도에 관한 파라미터이다.The failure risk indicator R (t) changes (changes with time) according to the statistical distribution f (t) as shown in the following equation (1). In the following equation (1), the time scale factor S is a coefficient for adjusting the change in R (t) in the time direction and is a parameter relating to the rate at which the failure risk increases. The risk weighting coefficient W is a coefficient for adjusting the magnitude of R (t) and is a parameter relating to the degree of weighting of the failure risk.
지표 추정부(4)에 의한 R(t)의 통계적 추정에서는, 도 6에 나타내는 바와 같이, R(t)가 허용 상한 임계치인 "1.0"을 넘는 작업 간격을, 다음에 보수 작업을 행하는 적정 간격 TE로 했을 때, 안전을 위해 보수 작업을 앞당겨 행하는 작업 간격을 구한다. 예컨대, 지표 추정부(4)가, 안전 마진 M을 설정하고, 모델 식으로부터 상정되는 작업 간격 T를, 하기 식 (2)로부터 산출한다. 안전 마진 M은, 적정 간격 TE에서의 경과 시간으로부터 거슬러 올라가는 시간 간격이다.In the statistical estimation of R (t) by the
지표 추정부(4)에 의한 R(t)의 통계적 추정에 있어서, 시간 스케일 계수 S, 리스크 가중 계수 W, 및 안전 마진 M은, 고장 리스크 지표의 추정치가 얻어질 때까지 값이 변동되는 파라미터이다. 여기서는, 이들을 중간 평가 지표라고 부른다.In the statistical estimation of R (t) by the
통계적 분포 f(t)가 와이블 분포에 따르는 경우, 통계적 분포 f(t)는, 하기 식 (3)에 나타내는 와이블 분포의 누적 밀도 함수로 나타낼 수 있다. 여기서, 형상 파라미터 γ와 척도 파라미터 φ는, 와이블 분포의 누적 밀도 함수에 있어서의 통계적 분포 파라미터이다.If the statistical distribution f (t) follows the Weibull distribution, the statistical distribution f (t) can be expressed as a cumulative density function of the Weibull distribution as shown in equation (3) below. Here, the shape parameter γ and the scale parameter φ are statistical distribution parameters in the cumulative density function of the Weibull distribution.
또한, 상기 식 (1)은, 형상 파라미터 γ와 척도 파라미터 φ를 이용하여, 하기 식 (4)로 나타낼 수 있다. 하기 식 (4)에 있어서, 척도 파라미터 φ는, 시간 스케일 계수 S의 곱으로서만 등장하므로, φ=1로 하여 S만을 추정해야 할 파라미터로 하고 있다.The above equation (1) can be expressed by the following equation (4) using the shape parameter? And the scale parameter?. In the following equation (4), the scale parameter? Appears only as a product of the time scale coefficient S, and therefore,? = 1, and only S is a parameter to be estimated.
경과 시간 t가 적정 간격 TE일 때, 고장 리스크 지표 R(TE)=1.0인 것으로부터, 적정 간격 TE는, 상기 식 (4)를 이용하여 하기 식 (5)로 나타낼 수 있다. 하기 식 (5)에 있어서, ln은 자연로그를 나타낸다.Since the failure risk indicator R (T E ) = 1.0 when the elapsed time t is the appropriate interval T E , the appropriate interval T E can be expressed by the following equation (5) using the above equation (4). In the following formula (5), ln represents a natural logarithm.
도 7에 나타내는 바와 같이, FMEA 결과의 평가 항목에는, 고장의 빈도 레벨과, 영향의 크기 레벨과, 검출 가능성 레벨이 있고, 이후에는, 고장의 빈도 레벨을 C, 영향의 크기 레벨을 E, 검출 가능성 레벨을 D로 한다. FMEA 결과의 평가 항목과 중간 평가 지표의 사이에는, 도 7에 나타내는 관련성이 있다.As shown in FIG. 7, the evaluation items of the FMEA result include the frequency level of the fault, the magnitude level of influence, and the detectability level, and thereafter, the frequency level of the fault is denoted by C, the magnitude level of influence is denoted by E Let D be the probability level. There is a relationship shown in Fig. 7 between the evaluation item of the FMEA result and the intermediate evaluation index.
고장의 빈도 레벨 C는, 평가 대상의 부품에 고장이 발생하는 빈도의 지표가 될 수 있으므로, 고장 리스크의 증가 속도에 관한 시간 스케일 계수 S와 관련성이 있다.The frequency level of failure C is related to the time scale factor S with respect to the rate of increase in failure risk since it can be an index of the frequency at which a failure occurs in the part to be evaluated.
영향의 크기 레벨 E는, 평가 대상의 부품에 고장이 주는 영향의 크기의 지표가 될 수 있으므로, 고장 리스크의 가중의 정도에 관한 리스크 가중 계수 W와, 보수 작업을 앞당기는 정도에 관한 안전 마진 M의 양쪽에 관련성이 있다.Since the magnitude level of influence E can be an index of the magnitude of the influence of the failure on the part to be evaluated, the risk weighting factor W relating to the degree of weighting of the failure risk and the safety margin M Are related to both.
검출 가능성 레벨 D는, 평가 대상의 부품에 발생한 고장의 검출의 용이함의 지표가 될 수 있으므로, 보수 작업을 앞당기는 정도에 관한 안전 마진 M에 관련성이 있다.Since the detectability level D can be an index of easiness of detection of a failure occurring in the part to be evaluated, it is related to the safety margin M about the degree to which the maintenance work is advanced.
지표 추정부(4)는, 모델 식으로부터 상정된 보수 작업 간격 T와 이미 결정된 보수 작업 간격 TS의 차분이 최소가 되도록 모델 식의 파라미터 S, W, M, γ, φ의 값을 통계적으로 추정한다(스텝 ST2). 척도 파라미터 φ가 "1"로 고정되어 있으므로, 지표 추정부(4)는, 모델 식의 파라미터 S, W, M, γ의 값을 부품마다 및 점검 항목마다 산출하여, 부품 및 점검 항목에 대응시켜 제 1 기억부(5)에 기억한다.The
다음으로, 지표 추정부(4)의 상세한 동작에 대하여 설명한다.Next, the detailed operation of the
도 8은 모델 식 구축부(4a) 및 파라미터 추정부(4b)의 동작을 나타내는 플로차트이다. 이하에서는, 통계적 분포가 와이블 분포인 것으로 한다.8 is a flowchart showing the operation of the model
모델 식 구축부(4a)가, FMEA 결과 DB(2)와 이미 결정된 작업 간격 DB(3)의 각 테이블 데이터를 병합한다(스텝 ST1a). 테이블 데이터는, 도 2a 및 도 2b에 나타낸 바와 같은 항목마다의 정보로 구성되는 데이터이고, 테이블 데이터 중, 부품 ID, 점검 항목 ID 및 이것에 계속되는 옆쪽으로의 정보가 레코드 데이터이다.The model
예컨대, 도 2b에 나타낸 이미 결정된 작업 간격 DB(3)의 정보에서는, 부품 ID 및 점검 항목 ID와 이것에 계속되는 이미 결정된 작업 간격 월수가 테이블 데이터를 구성하는 정보가 된다.For example, in the information of the already determined
모델 식 구축부(4a)는, 이미 결정된 작업 간격 DB(3)로부터 테이블 데이터를 읽어내고, 이 테이블 데이터에 있어서의 부품 ID 및 점검 항목 ID에 근거하여 동일한 부품 ID 및 점검 항목 ID를 갖는 FMEA 결과 DB(2)의 테이블 데이터를 검색한다.The model
모델 식 구축부(4a)는, 이 검색에 의해 특정된 테이블 데이터의 FMEA 결과를, 이미 결정된 작업 간격 DB(3)로부터 읽어낸 테이블 데이터에 조합하는, 이른바 병합을 실행한다.The model
모델 식 구축부(4a)는, 이미 결정된 작업 간격 DB(3)에 있어서의 모든 테이블 데이터에 상기 처리를 실행하고, 이미 결정된 보수 작업 간격과 FMEA 결과가 조합된 정보를 생성한다. 이 조합 정보를 도 9에 나타낸다. 도 9에서는, 이미 결정된 보수 작업 간격 TS를, 작업 간격의 월수로 나타내고 있다.The model
FMEA 결과 DB(2)의 테이블 데이터 중, 이미 결정된 작업 간격 DB(3)의 테이블 데이터와 동일한 부품 ID 및 점검 항목 ID를 갖지 않는 테이블 데이터에 대해서도, 도 9에 나타내는 조합 정보에 그대로 추가된다.Table data that does not have the same part ID and check item ID as the table data of the already determined work interval DB (3) among the table data of the
모델 식 구축부(4a)는, 부품 ID마다 및 점검 항목 ID마다, FMEA 결과의 평가 항목 및 평가 레벨에 따라, 이 FMEA 결과에 관련되는 중간 평가 지표의 파라미터를 할당한다(스텝 ST2a).The model
모델 식 구축부(4a)는, 상기 조합 정보의 FMEA 결과 중, FMEA의 고장에 관한 평가 항목과 이 평가 항목에서의 평가 레벨이 동일한 것에 대하여, 공통의 중간 평가 지표의 파라미터를 할당하여 모델 식을 구축한다.The model
공통의 파라미터에는, 부품 ID 및 점검 항목 ID가 상이한 데이터 사이의 상기 모델 식에 있어서도 동일한 값이 설정된다. 이것에 의해, 상이한 부품 또는 점검 항목에서 공통하여 작용하는 고장의 영향을 평가할 수 있다.The common parameters are set to the same value in the model equation between the data in which the part ID and the check item ID are different. Thus, it is possible to evaluate the influence of the failure common to different parts or maintenance items.
도 10은 FMEA 결과의 평가 항목에 중간 평가 지표의 파라미터를 할당한 결과를 나타내는 도면이다. 예컨대, 도 9에 있어서, (부품 ID, 점검 항목 ID)=(EQ001, MT001)에 대응하는 FMEA 결과의 평가 항목인 고장의 빈도 레벨 C는, 평가 레벨이 "2"이다. 도 9에 나타내는 조합 정보의 FMEA 결과 중, 고장의 빈도 레벨 C의 평가 레벨이 "2"인 것의 1개에, (부품 ID, 점검 항목 ID)=(EQ002, MT002)가 있다. 모델 식 구축부(4a)는, 도 10에 나타내는 바와 같이, 고장의 빈도 레벨 C에 관련성이 있는 시간 스케일 계수 S의 파라미터에 대하여, 공통의 파라미터 S2를 할당한다.10 is a diagram showing a result of assigning the parameter of the intermediate evaluation index to the evaluation item of the FMEA result. For example, in FIG. 9, the fault frequency level C, which is an evaluation item of the FMEA result corresponding to (part ID, inspection item ID) = (EQ001, MT001), has an evaluation level of "2". (Part ID, check item ID) = (EQ002, MT002) exists in one of the FMEA results of the combination information shown in Fig. 9 in which the evaluation level of the frequency level C of the failure is "2". Expression model construction unit (4a), as shown in Figure 10, with respect to the parameters of the time scale factor S in relation to the frequency of level C of the failure, a common allocation of parameters S 2.
(부품 ID, 점검 항목 ID)=(EQ001, MT001)에 대응하는 FMEA 결과의 평가 항목인 영향의 크기 레벨 E는, 평가 레벨이 "3"이다.The magnitude level E of the influence, which is the evaluation item of the FMEA result corresponding to (EQ001, MT001), is the evaluation level "3 ".
상기의 조합 정보의 FMEA 결과 중, 영향의 크기 레벨 E의 평가 레벨이 "3"인 것의 1개에, (부품 ID, 점검 항목 ID)=(EQ001, MT002)가 있다. 모델 식 구축부(4a)는, 도 10에 나타내는 바와 같이, 영향의 크기 레벨 E에 관련성이 있는 리스크 가중 계수 W의 파라미터에 대하여 공통의 파라미터 W3을 할당한다.(Part ID, check item ID) = (EQ001, MT002) is one of the evaluation levels of the influence magnitude level E of "3" among the FMEA results of the above combination information. The model equation construction unit (4a) is assigned to FIG. 10 shows, a common parameter with respect to the risk of the weighting coefficient W parameters that are relevant to the magnitude of the effect level E W 3 as a.
(EQ001, MT001)의 데이터와 (EQ001, MT002)의 데이터에서는, FMEA 결과의 평가 항목인 검출 가능성 레벨 D도 평가 레벨이 함께 "3"이다. 이 때문에, 모델 식 구축부(4a)는, 도 10에 나타내는 바와 같이, 검출 가능성 레벨 D에 관련성이 있는 안전 마진 M의 파라미터에 대하여 공통의 파라미터 M3, 3을 할당한다.(EQ001, MT001) and data of (EQ001, MT002), the detection level D and the evaluation level, which are evaluation items of the FMEA result, are "3" together. Therefore, as shown in Fig. 10, the model
모델 식 구축부(4a)는, (부품 ID, 점검 항목 ID)=(EQ001, MT001)의 데이터에 대한 중간 평가 지표의 파라미터의 할당을 완료하면, 상기 식 (2) 내지 상기 식 (5)에 근거하여, 작업 간격 T, 고장 리스크 지표 R(t) 및 적정 간격 TE를, 고장 리스크 지표의 모델 식으로서 구축한다.The model
(EQ001, MT001)의 데이터에 대한 중간 평가 지표의 파라미터는, S2, W3, M3, 3이므로, 모델 식은 하기와 같이 된다.Parameters of the intermediate evaluation index for the data in the (EQ001, MT001) is, because S 2, W 3, M 3 , 3, are as in the model to expression.
안전 마진 M을, 영향의 크기 레벨 E에 의한 계수 인자 ME와 검출 가능성 레벨 D에 의한 계수 인자 MD의 곱 ME×MD로 표현하더라도 좋다. 이것에 의해, 안전 마진 M이 고정의 값이 되므로, 추정 대상의 파라미터의 수를 삭감할 수 있다.The safety margin M, may be expressed as a coefficient multiplied with the coefficient factor M E M D factor by detecting potential level D M × M E D E of the effect due to the size level. As a result, the safety margin M becomes a fixed value, so that the number of parameters to be estimated can be reduced.
다음으로, 파라미터 추정부(4b)가, 모델 식 구축부(4a)에 의해 할당된 파라미터에 근거하여 상기 모델 식으로부터 작업 간격 T를 산출하고, 작업 간격 T와 미리 결정된 작업 간격 TS의 차분이 최소가 되는 파라미터를 통계적으로 추정한다(스텝 ST3a).Next, the parameter estimation by the government (4b), the difference between the model equation construction unit (4a) on the basis of a parameter assigned by calculating the working distance T from the model formula, and the operation interval T to a predetermined working distance T S The parameter that becomes the minimum is statistically estimated (step ST3a).
통계적 분포 f(t)가 와이블 분포에 따르므로, 작업 간격 T는, 도 11에 나타내는 바와 같이, 중간 평가 지표의 파라미터에 의해 결정되는 변수의 형태로 구하여진다. 도 11에 있어서, Zi는, 하기 식 (6)으로 나타내어지는 파라미터이다.Since the statistical distribution f (t) depends on the Weibull distribution, the working interval T is obtained in the form of a variable determined by the parameter of the intermediate evaluation index, as shown in Fig. In Fig. 11, Z i is a parameter represented by the following equation (6).
파라미터 추정부(4b)는, 상기 조합 정보에 있어서의 모든 부품 ID 및 점검 항목 ID에 대하여, 작업 간격 T와 이미 결정된 작업 간격 TS의 차분의 제곱합이 최소가 되도록 중간 평가 지표의 파라미터 S, W, M 및 형상 파라미터 γ를 추정한다. 또, 전술한 바와 같이, 척도 파라미터 φ는 "1"이다.Parameter estimation unit (4b) is, for all parts ID and check item ID in the combination information, the parameters of the intermediate evaluation index is the sum of the squares of the difference between the working distance T and the previously determined task intervals T S so as to minimize S, W , M, and the shape parameter gamma. As described above, the scale parameter? Is "1".
이들 파라미터의 추정 방법으로서는, 예컨대, 공역 방향법을 들 수 있다. 단, 이미 결정된 작업 간격 TS와의 오차가 최소가 되는 파라미터를 추정할 수 있는 방법이면, 공역 방향법으로 한정되는 것이 아니다.As a method of estimating these parameters, for example, a conjugate direction method can be used. However, the method is not limited to the conjugate direction method as long as it is a method capable of estimating a parameter that minimizes the error with the already determined work interval T S.
파라미터 추정부(4b)는, 전술과 같이 하여 추정한 결과를, 부품 ID마다 및 점검 항목 ID마다 분류하고, 부품 ID 및 점검 항목 ID에 대응시켜 제 1 기억부(5)에 기억한다(스텝 ST4a). 통계적 분포 f(t)가 와이블 분포에 따르는 것으로부터, 도 3에 나타낸 "통계적 분포"의 항목에 "와이블 분포"가 설정되고, "통계적 분포 파라미터"의 항목에는, 형상 파라미터 γ의 값이 설정된다.The
파라미터 추정부(4b)는, 서로 유사한 점검 항목 사이의 한쪽에 대한 파라미터 값의 통계적 추정에서 이용한 정보를, 점검 항목 사이의 다른 쪽에 대한 파라미터 값의 통계적 추정에 이용하더라도 좋다. 예컨대, 통전 검사와 절연 검사는, 모두 전기의 도통 상태를 검사하는 것이기 때문에, 유사한 점검 항목이라고 할 수 있다. 그래서, 파라미터 추정부(4b)가, 통전 검사에 대한 파라미터 값의 통계적 추정에서 이용한 정보를, 절연 검사에 대한 파라미터 값의 통계적 추정에 이용한다. 이와 같이 함으로써, 통계적 추정에 이용한 정보를 재이용할 수 있고, 추정에 요하는 처리 부하를 경감할 수 있다.The
이상과 같이, 본 실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치(1)에 있어서, 모델 식 구축부(4a)가, FMEA 결과 DB(2)로부터 읽어낸 FMEA 결과와 통계 평가용 정보 A에 근거하여, 통계적 분포에 따른 고장 리스크 지표의 추이를 나타내는 모델 식을 구축한다. 파라미터 추정부(4b)가, FMEA 결과 DB(2)와 이미 결정된 작업 간격 DB(3)로부터 읽어낸 정보에 근거하여, 모델 식으로부터 산출한 보수 작업 간격과 이미 결정된 보수 작업 간격의 차분이 가장 작아지는 모델 식의 파라미터 값을 통계적으로 추정한다. 이와 같이 구성함으로써, 설비의 보수 실적 데이터가 없거나 또는 적은 경우에도, 설비에 고장이 발생하는 리스크의 지표를 적절히 추정할 수 있다.As described above, in the failure risk
실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치(1)에 있어서, 모델 식 구축부(4a)가, FMEA의 고장에 관한 평가 항목과 그 평가 항목에서의 평가 레벨이 동일한 경우에, 평가 항목에 관련되는 모델 식의 파라미터에 공통의 파라미터를 할당한다. 이와 같이 함으로써, 상이한 부품 또는 점검 항목에서 공통으로 작용하는 고장의 영향을 평가하는 것이 가능하다.In the failure risk
또한, 실시의 형태 1과 관련되는 고장 리스크 지표 추정 장치(1)에 있어서, 파라미터 추정부(4b)가, 서로 유사한 점검 항목 사이의 한쪽에 대한 파라미터 값의 통계적 추정에서 이용한 정보를, 점검 항목 사이의 다른 쪽에 대한 파라미터 값의 통계적 추정에 이용한다.In the failure risk
이와 같이 함으로써, 통계적 추정에 이용한 정보를 재이용할 수 있고, 추정에 요하는 처리 부하를 경감할 수 있다.In this way, the information used for the statistical estimation can be reused, and the processing load required for estimation can be reduced.
실시의 형태 2.Embodiment 2:
도 12는 본 발명의 실시의 형태 2와 관련되는 고장 리스크 지표 추정 장치(1A)의 기능 구성을 나타내는 블록도이다. 도 12에 있어서, 도 1과 동일 구성 요소에는 동일 부호를 붙여서 설명을 생략한다. 고장 리스크 지표 추정 장치(1A)는, 실시의 형태 1에서 나타낸 구성에 더하여, 설비 정보 DB(6), 보수 실적 DB(7), 고장 실적 DB(8), 범위 축소부(9), 범위 축소 데이터 기억부(10), 지표 추정부(11), 제 2 기억부(12) 및 병합부(13)를 구비한다.12 is a block diagram showing the functional configuration of the failure risk
설비 정보 DB(6)는, 설비, 설비를 구성하는 부품, 및 부품마다의 점검 항목을 포함하는 설비 정보를 기억하는 DB이다. 설비 정보 DB(6)에는, 예컨대, 도 13a에 나타내는 바와 같은 항목의 정보가 기억된다. "설비 ID"의 항목에는 설비의 식별 정보가 설정된다. "부품 ID" 및 "점검 항목 ID"에 대해서는, 도 2a에 나타낸 것과 동일하다.The
"보수 개시 일시"의 항목에는, 부품의 점검 항목마다의 보수 계약이 개시된 일시가 설정된다. 또, 보수 계약 중에, 개별적으로 행하여지는 보수 작업의 실시 일시가, 도 13b를 이용하여 후술하는 보수 작업 실시 일시이다.The date and time when the repair contract is started for each maintenance item of the part is set in the item of "repair start date & time ". In addition, during the maintenance contract, the maintenance date and time of the maintenance work performed individually is the maintenance work execution date and time described later with reference to FIG. 13B.
보수 실적 DB(7)는, 설비를 구성하는 부품의 점검 항목마다의 보수 작업의 실적 데이터를 기억하는 DB이다. 보수 실적 DB(7)에는, 도 13b에 나타내는 바와 같은 항목의 정보가 기억된다. "보수 실적 ID"의 항목에는, 보수 작업의 실적 데이터의 식별 정보가 설정된다.The
"설비 ID", "부품 ID" 및 "점검 항목 ID"에 대해서는, 도 13a와 도 2a에 나타낸 것과 동일하다. "보수 작업 실시 일시"의 항목에는 부품마다의 보수 작업의 실시 일시가 설정된다.The "facility ID", "part ID" and "check item ID" are the same as those shown in FIGS. 13A and 2A. The date and time of the maintenance work for each part is set in the item "maintenance work execution date & time ".
고장 실적 DB(8)는, 설비를 구성하는 부품마다의 고장의 실적 데이터를 기억하는 DB이다. 고장 실적 DB(8)에는, 도 13c에 나타내는 바와 같은 항목의 정보가 기억된다. "고장 실적 ID"의 항목에는, 고장의 실적 데이터의 식별 정보가 설정된다. "설비 ID"와 "부품 ID"에 대해서는, 도 13b에 나타낸 것과 동일하다. "고장 발생 일시"의 항목에는, 부품에 고장이 발생한 일시가 설정된다. "관련 점검 항목 ID"의 항목에는, 발생한 고장에 관련되는 점검 항목의 식별 정보가 설정된다.The
범위 축소부(9)는, 설비 정보 DB(6), 보수 실적 DB(7) 및 고장 실적 DB(8)에 기억된 정보를, FMEA 결과 DB(2)의 FMEA 결과마다 대응하는 정보로 분류한다.The
예컨대, 범위 축소부(9)는, 보수 실적 데이터마다 보수 작업 실시 후의 무고장(無故障)의 간격을 집계하고, 집계한 무고장의 간격을 나타내는 정보를 FMEA 결과마다 분류하여 범위 축소 데이터 기억부(10)에 기억한다.For example, the
범위 축소 데이터 기억부(10)는, 범위 축소부(9)에 의해 분류된 정보를 기억하는 DB이다. 범위 축소 데이터 기억부(10)에는, 도 14a에 나타내는 바와 같은 항목의 정보가 기억된다.The range reduction
도 14a에 있어서, "고장의 빈도 레벨"과 "영향의 크기 레벨"과 "검출 가능성 레벨"은, FMEA의 평가 항목이고, 도 2a에 나타낸 것과 동일하다.In Fig. 14A, the "fault frequency level", the "influence magnitude level" and the "detectability level" are evaluation items of the FMEA and are the same as those shown in Fig. 2A.
"부품 ID" 및 "점검 항목 ID"는, 도 2a에 나타낸 것과 동일하다. "보수 작업 실시 일시"는, 도 13b에 나타낸 것과 동일하다.The "part ID" and "check item ID" are the same as those shown in FIG. The "repair work execution date" is the same as that shown in FIG. 13B.
"무고장 계속 월수"의 항목에는, 보수 작업 후에 무고장으로 다음의 보수 작업에 도달한 월수, 보수 작업 후에 고장이 발생할 때까지의 월수 및 보수 작업 후에 무고장으로 현재에 도달할 때까지의 월수 중 어느 하나가 설정된다. "고장 발생 플래그"의 항목에는, 부품에 고장이 발생했는지 여부를 나타내는 값이 설정된다. 예컨대, 부품에 고장이 발생하면, "1"이 설정되고, 고장이 발생하지 않았으면, "0"이 설정된다.The items of "number of months without breakdown" include the number of months after the maintenance work has reached the next maintenance work, the number of months until the failure occurs after the maintenance work, and the number of months Is set. In the item of "fault occurrence flag ", a value indicating whether a failure has occurred in the part is set. For example, "1" is set when a component fails, and "0" is set when no failure occurs.
지표 추정부(11)는, 범위 축소부(9)에 의해 분류된 정보에 근거하여, 보수 작업의 실적 데이터와 고장의 실적 데이터의 관계에 따른 고장 리스크 지표의 제 2 추정치를 추정한다.The
예컨대, 지표 추정부(11)는, 범위 축소 데이터 기억부(10)로부터 처리 대상의 FMEA 결과에 대응하는 정보를 읽어내고, 읽어낸 정보에 근거하여 부품마다 및 점검 항목마다 고장 리스크 지표를 통계적으로 추정한다. 이 추정에 의해 얻어진 고장 리스크 지표의 추정치는, 추정에 이용된 실제 데이터 수와 함께 제 2 기억부(12)에 기억된다.For example, the
제 2 기억부(12)는, 지표 추정부(11)에 의해 추정된 고장 리스크 지표의 추정치를, 부품마다 및 점검 항목마다 기억한다. 제 2 기억부(12)에는, 도 14b에 나타내는 바와 같은 항목의 정보가 기억된다. 도 14b에 있어서, "부품 ID" 및 "점검 항목 ID"는, 도 2a에 나타낸 것과 동일하다. "통계적 분포" 및 "통계적 분포 파라미터"는, 도 3에 나타낸 것과 동일하다. "시간 스케일 계수"와 "리스크 가중 계수"와 "안전 마진"은, 고장 리스크 지표의 제 2 추정치가 되는 파라미터이고, 도 3에 나타낸 것과 동일하다. "실제 데이터 수"의 항목에는, 지표 추정부(11)에 의한 고장 리스크 지표의 통계적 추정에 이용된 데이터의 수가 설정된다.The
병합부(13)는, 파라미터 추정부(4b)에 의해 추정된 제 1 추정치와 지표 추정부(11)에 의해 추정된 제 2 추정치를 안분하여 최종적인 고장 리스크 지표의 추정치를 산출한다.The merging
예컨대, 병합부(13)는, 제 1 추정치의 추정에서 상정한 데이터 수와 제 2 추정치의 추정에 이용한 실제 데이터 수에 따라 제 1 추정치와 제 2 추정치를 안분하여, 최종적인 고장 리스크 지표의 추정치를 산출한다. 고장 리스크 지표의 추정치를 나타내는 정보 B는 병합부(13)로부터 출력된다.For example, the merging
고장 리스크 지표의 추정치를 나타내는 정보 B는, 도 14c에 나타내는 항목의 정보로 구성된다. 도 14c에 있어서, "부품 ID" 및 "점검 항목 ID"는, 도 2a에 나타낸 것과 동일하다. "통계적 분포" 및 "통계적 분포 파라미터"는, 도 3에 나타낸 것과 동일하다. "시간 스케일 계수"와 "리스크 가중 계수"와 "안전 마진"은, 고장 리스크 지표의 제 2 추정치가 되는 파라미터이고, 도 3에 나타낸 것과 동일하다.The information B indicating the estimated value of the failure risk index is composed of the information of the items shown in Fig. 14C. 14C, "part ID" and "check item ID" are the same as those shown in FIG. 2A. The "statistical distribution" and "statistical distribution parameter" are the same as those shown in FIG. The "time scale factor "," risk weighting factor ", and "safety margin" are parameters that become the second estimate value of the failure risk indicator and are the same as those shown in FIG.
고장 리스크 지표 추정 장치(1A)에 있어서의 FMEA 결과 DB(2), 이미 결정된 작업 간격 DB(3), 설비 정보 DB(6), 보수 실적 DB(7) 및 고장 실적 DB(8)는, 도 4a 및 도 4b에 나타내는 데이터베이스(100)이다. FMEA 결과 DB(2) 및 이미 결정된 작업 간격 DB(3)의 각각에 기억된 정보는, DB 입출력 인터페이스(101)를 통해 지표 추정부(4)에 입력된다.The
설비 정보 DB(6), 보수 실적 DB(7) 및 고장 실적 DB(8)의 각각에 기억된 정보는, DB 입출력 인터페이스(101)를 통해 범위 축소부(9)에 입력된다.Information stored in each of the
통계 평가용 정보 A는, 정보 입력 인터페이스(102)를 통해 고장 리스크 지표 추정 장치(1A)에 입력된다. 최종적인 고장 리스크 지표의 추정치를 나타내는 정보 B는, 정보 출력 인터페이스(103)를 통해 병합부(13)로부터 출력된다.The statistical evaluation information A is input to the failure risk
제 1 기억부(5), 범위 축소 데이터 기억부(10) 및 제 2 기억부(12)는, 데이터베이스(100)가 있는 기억 장치에 마련하는 것을 생각할 수 있지만, 도 4a에 나타내는 처리 회로(104)의 내부 메모리에 마련하더라도 좋다. 또한, 제 1 기억부(5), 범위 축소 데이터 기억부(10) 및 제 2 기억부(12)는, 도 4b에 나타내는 메모리(105)에 마련하더라도 좋다.It is conceivable that the
고장 리스크 지표 추정 장치(1A)에 있어서의 지표 추정부(4), 범위 축소부(9), 지표 추정부(11) 및 병합부(13)의 각 기능은, 처리 회로에 의해 실현된다.Each function of the
즉, 고장 리스크 지표 추정 장치(1A)는, 전술한 각 부의 기능에서의 처리를 행하기 위한 처리 회로를 구비한다. 처리 회로는, 전용 하드웨어이더라도, 메모리에 기억된 프로그램을 실행하는 CPU이더라도 좋다.That is, the failure risk
처리 회로가, 도 4a에 나타내는 바와 같은 전용 하드웨어인 경우, 처리 회로(104)는, 예컨대, 단일 회로, 복합 회로, 프로그램화한 프로세서, 병렬 프로그램화한 프로세서, ASIC, FPGA, 또는, 이들을 조합한 것이 해당한다.When the processing circuit is dedicated hardware as shown in Fig. 4A, the
지표 추정부(4), 범위 축소부(9), 지표 추정부(11) 및 병합부(13)의 각각의 기능을 각각의 처리 회로로 실현하더라도 좋고, 이들의 기능을 합하여 1개의 처리 회로로 실현하더라도 좋다.The respective functions of the
처리 회로가, 도 4b에 나타내는 바와 같은 프로세서(106)인 경우, 지표 추정부(4), 범위 축소부(9), 지표 추정부(11) 및 병합부(13)의 각 기능은, 소프트웨어, 펌웨어, 또는 소프트웨어와 펌웨어의 조합에 의해 실현된다.When the processing circuit is the
소프트웨어 또는 펌웨어는 프로그램으로서 기술되고, 메모리(105)에 기억된다. 프로세서(106)는, 메모리(105)에 기억된 프로그램을 읽어내어 실행하는 것에 의해 각 부의 기능을 실현한다.The software or firmware is described as a program and is stored in the
즉, 고장 리스크 지표 추정 장치(1A)는, 프로세서(106)에 의해 실행될 때에, 도 15에 나타내는 스텝 ST1b로부터 스텝 ST8b까지의 처리가 결과적으로 실행되는 프로그램을 기억하기 위한 메모리(105)를 구비한다.That is, the failure risk
또한, 이들 프로그램은, 지표 추정부(4), 범위 축소부(9), 지표 추정부(11), 및 병합부(13)의 수순 또는 방법을 컴퓨터에 실행시키는 것이다.These programs cause the computer to execute a procedure or a method of the
지표 추정부(4), 범위 축소부(9), 지표 추정부(11) 및 병합부(13)의 각 기능에 대하여 일부를 전용 하드웨어로 실현하고, 일부를 소프트웨어 또는 펌웨어로 실현하더라도 좋다. 예컨대, 지표 추정부(4) 및 범위 축소부(9)에 대해서는 전용 하드웨어로서의 처리 회로로 그 기능을 실현하고, 지표 추정부(11) 및 병합부(13)에 대해서는, 프로세서(106)가 메모리(105)에 기억된 프로그램을 읽어내어 실행하는 것에 의해 그 기능을 실현하더라도 좋다. 이와 같이, 처리 회로는, 하드웨어, 소프트웨어, 펌웨어 또는 이들의 조합에 의해 상기 기능의 각각을 실현할 수 있다.Some of the functions of the
다음으로 동작에 대하여 설명한다.Next, the operation will be described.
도 15는 고장 리스크 지표 추정 장치(1A)의 동작을 나타내는 플로차트이고, 고장 리스크 지표의 제 1 추정치와 제 2 추정치를 구하여 최종적인 추정치를 출력할 때까지의 일련의 처리를 나타내고 있다.FIG. 15 is a flowchart showing the operation of the failure risk
범위 축소부(9)는, 설비 정보 DB(6), 보수 실적 DB(7) 및 고장 실적 DB(8)에 기억된 정보를, FMEA 결과마다 대응하는 정보로 분류한다(스텝 ST1b).The
범위 축소부(9)에 의해 분류된 정보는, 범위 축소 데이터 기억부(10)에 기억된다.The information classified by the
지표 추정부(11)는, 범위 축소 데이터 기억부(10)로부터 처리 대상의 FMEA 결과에 대응하는 정보를 읽어내고, 읽어낸 정보에 근거하여 부품마다 및 점검 항목마다 고장 리스크 지표를 통계적으로 추정한다(스텝 ST2b).The
지표 추정부(11)는, 상기 추정에서 얻어진 제 2 추정치와 실제 데이터 수를, 부품 ID 및 점검 항목 ID에 대응시켜 제 2 기억부(12)에 기억한다(스텝 ST3b).The
FMEA 결과 DB(2)에 기억되어 있는 모든 FMEA 결과를 처리하지 않은 경우(스텝 ST4b; 아니오), 스텝 ST1b로부터의 처리가 반복된다.FMEA result If all of the FMEA results stored in the
FMEA 결과 DB(2)에 기억되어 있는 모든 FMEA 결과를 처리한 경우(스텝 ST4b; 예), 스텝 ST5b의 처리로 이행한다.FMEA result When all the FMEA results stored in the
스텝 ST5b에 있어서, 지표 추정부(4)는, 실시의 형태 1과 마찬가지로 하여 제 1 추정치인 파라미터 값을 추정한다.In step ST5b, the
지표 추정부(4)는, 추정한 제 1 추정치를, 부품 ID 및 점검 항목 ID에 대응시켜 제 1 기억부(5)에 기억한다(스텝 ST6b).The
병합부(13)는, 제 1 기억부(5)에 기억된 제 1 추정치와, 제 2 기억부(12)에 기억된 제 2 추정치를 읽어내고, 읽어낸 제 1 추정치와 제 2 추정치를 안분하여 최종적인 고장 리스크 지표의 추정치를 산출한다(스텝 ST7b). 이후, 병합부(13)는, 산출한 고장 리스크 지표의 추정치를 나타내는 정보 B를 출력한다(스텝 ST8b).The merging
또, 도 15에서는, 지표 추정부(11)에 의한 제 2 추정치의 추정을, 지표 추정부(4)에 의한 제 1 추정치의 추정보다 먼저 행하는 경우를 나타냈지만, 이것으로 한정되는 것이 아니다.15 shows a case where the estimation of the second estimation value by the
예컨대, 지표 추정부(4)에 의한 제 1 추정치의 추정을, 지표 추정부(11)에 의한 제 2 추정치의 추정보다 먼저 행하더라도 좋다. 또한, 지표 추정부(4)에 의한 제 1 추정치의 추정과 지표 추정부(11)에 의한 제 2 추정치의 추정을 병행하여 행하더라도 좋다.For example, the estimation of the first estimate by the
다음으로, 범위 축소부(9)의 동작을 상세하게 설명한다.Next, the operation of the
도 16은 범위 축소부(9)의 동작을 나타내는 플로차트이고, 설비 정보 DB(6), 보수 실적 DB(7) 및 고장 실적 DB(8)에 기억된 정보를 분류하여 범위 축소 데이터 기억부(10)에 기억할 때까지의 일련의 처리를 나타내고 있다.16 is a flowchart showing the operation of the
우선, 범위 축소부(9)는, FMEA 결과 DB(2), 설비 정보 DB(6) 및 보수 실적 DB(7)의 각 테이블 데이터를 병합한다(스텝 ST1c).First, the
예컨대, 범위 축소부(9)는, 설비 정보 DB(6)로부터 읽어낸 테이블 데이터의 설비 ID, 부품 ID 및 점검 항목 ID에 근거하여, 동일한 설비 ID, 부품 ID 및 점검 항목 ID를 갖는 보수 실적 DB(7)의 테이블 데이터를 검색한다. 범위 축소부(9)는, 이 검색에 의해 특정된 테이블 데이터의 "보수 작업 실시 일시"의 항목에 설정된 정보를, 설비 정보 DB(6)로부터 읽어낸 테이블 데이터에 병합한다.For example, the
또, 범위 축소부(9)는, 설비 정보와 동일한 설비 ID, 부품 ID 및 점검 항목 ID의 보수 실적 데이터가 없는 경우, 검색에 이용한 설비 ID, 부품 ID 및 점검 항목 ID의 레코드 데이터를 삭제하지 않고 병합 후의 테이블 데이터에 남긴다.If there is no maintenance achievement data of the same facility ID, part ID, and maintenance item ID as the facility information, the
계속하여, 범위 축소부(9)는, 병합 후의 테이블 데이터에 있어서의 설비 ID, 부품 ID 및 점검 항목 ID에 근거하여, 동일한 설비 ID, 부품 ID 및 점검 항목 ID를 갖는 FMEA 결과 DB(2)의 테이블 데이터를 검색한다. 범위 축소부(9)는, 이 검색에 의해 특정된 테이블 데이터에 있어서의 FMEA 결과를, 상기 병합 후의 테이블 데이터에 병합한다.Subsequently, on the basis of the facility ID, the part ID, and the check item ID in the merged table data, the
범위 축소부(9)는, 설비 정보 DB(6)에 있어서의 모든 테이블 데이터에 상기 처리를 실행함으로써, 설비 정보와 보수 실적 데이터가 FMEA 결과마다 분류된 정보를 생성한다.The
다음으로, 범위 축소부(9)는, 전술과 같이 병합한 테이블 데이터 중, 평가 대상의 FMEA 결과에 대응하는 레코드 데이터만으로 범위를 축소한다(스텝 ST2c).Next, the
범위 축소부(9)는, 상기 병합한 테이블 데이터의 레코드 데이터에 대하여 "무고장 계속 월수" 및 "고장 발생 플래그"의 항목을 추가한다.The
스텝 ST3c에 있어서, 범위 축소부(9)는, 평가 대상의 FMEA 결과에 대응하는 설비 ID 및 부품 ID에 근거하여, 이 부품 ID에 대응하는 부품에 대한 보수 작업을 실행하고 나서 다음의 보수 작업까지의 사이에 가장 빨리 발생한 고장 실적 데이터를 고장 실적 DB(8)로부터 검색한다. 또, 보수 작업이 실행되지 않았으면, 보수 개시 일시 이후에서 다음의 보수 작업까지의 사이에 가장 빨리 발생한 고장 실적 데이터를 검색한다.In step ST3c, based on the equipment ID and the part ID corresponding to the FMEA result to be evaluated, the
범위 축소부(9)는, 검색 결과의 고장 실적 데이터에 근거하여, 부품에 고장이 발생하지 않았던 무고장 계속 월수를 산출하여, 산출한 월수를 "무고장 계속 월수"의 항목에 설정하고, 고장이 발생한 것을 나타내는 값인 "1"을 "고장 발생 플래그"의 항목에 설정한다.The
한편, 상기 검색에서 고장 실적이 없으면, 범위 축소부(9)는, 다음의 보수 작업 일시까지의 시간 간격을 산출하여, 이 월수를 "무고장 계속 월수"의 항목에 설정하고, 고장이 발생하지 않은 것을 나타내는 값인 "0"을 "고장 발생 플래그"의 항목에 설정한다.On the other hand, if there is no fault in the search, the
또, 다음에 보수 작업의 일시가 정해져 있지 않은 경우는, 현시점까지의 간격이 "무고장 계속 월수"의 항목에 설정된다.If the date and time of the maintenance work is not determined next, the interval to the present time is set to the item of "number of months without breakdown".
범위 축소부(9)는, 스텝 ST1c에서 병합한 테이블 데이터에 있어서의 모든 레코드 데이터에 대하여 상기 처리를 실행한다. 이것에 의해, 설비 정보와 보수 실적 데이터와 고장 실적 데이터가, FMEA 결과마다 분류된 정보가 생성된다.The
범위 축소부(9)는, 처리 결과의 테이블 데이터를 범위 축소 데이터 기억부(10)에 기억한다(스텝 ST4c). 상기 테이블 데이터는, 도 14a에 나타낸 바와 같이, "고장의 빈도 레벨", "영향의 크기 레벨", "검출 가능성 레벨", "설비 ID", "부품 ID", "점검 항목 ID", "보수 작업 실시 일시", "무고장 계속 월수" 및 "고장 발생 플래그"라고 하는 항목으로 이루어지는 데이터이다.The
다음으로, 지표 추정부(11)의 동작을 상세하게 설명한다.Next, the operation of the
도 17은 지표 추정부(11)의 동작을 나타내는 플로차트이고, 제 2 추정치를 추정하고 나서 제 2 기억부(12)에 기억할 때까지의 일련의 처리를 나타내고 있다.FIG. 17 is a flowchart showing the operation of the
스텝 ST1d에 있어서, 지표 추정부(11)는, 범위 축소 데이터 기억부(10)에 기억된 테이블 데이터로부터, 처리 대상의 부품 ID 및 점검 항목 ID가 동일한 레코드 데이터를 검색한다. 지표 추정부(11)는, 검색한 레코드 데이터에 있어서 "무고장 계속 월수"의 항목에 설정된 값이, 보수 작업 후의 경과 시간 t(t=1, 2, …) 이하의 레코드 데이터의 수를 산출한다. 이와 같이 산출된 레코드 데이터의 수가, 보수 작업 후의 경과 월수에 따른 부품의 총 대수가 된다.In step ST1d, the
지표 추정부(11)는, 범위 축소 데이터 기억부(10)에 기억되어 있는 테이블 데이터로부터, "고장 발생 플래그"의 항목에 "1"이 설정된 레코드 데이터를 검색한다.The
지표 추정부(11)는, 검색한 레코드 데이터에 근거하여, 부품 ID마다 및 점검 항목 ID마다의, 보수 작업 후의 경과 월수에 따른 고장 건수를 산출한다(스텝 ST2d).The
다음으로, 지표 추정부(11)는, 상기 보수 작업 후의 경과 월수에 따른 고장 건수를 상기 총 대수로 나눈 값인 실적 고장률을 산출한다(스텝 ST3d).Next, the
계속하여, 지표 추정부(11)는, 스텝 ST3d에서 산출한 실적 고장률의 추이를 근사하는 통계적 분포를 특정하고, 이 통계적 분포에 따르는 모델 식의 파라미터 값을 통계적으로 추정한다(스텝 ST4d). 예컨대, 실적 고장률의 추이를, 상기 식 (4)에서 리스크 가중 계수 W와 1로 한 경우의 고장 리스크 지표 R(t)에 의해 근사하는 시간 스케일 계수 S 및 형상 파라미터 γ가 추정된다.Subsequently, the
파라미터의 추정에는 공역 방향법을 이용하는 것을 생각할 수 있지만, 와이블 분포의 파라미터를 추정하는 기존의 방법이더라도 좋다.Although it is conceivable to use the conjugate direction method for the estimation of the parameter, it may be an existing method for estimating the parameter of the Weibull distribution.
리스크 가중 계수 W의 값은, FMEA 결과마다 설정된다. 예컨대, 유저로부터 접수한 값을 설정하더라도 좋고, 실적 데이터로부터 구한 고장 발생시의 손실액×고장률과의 차분이 가장 작아지는 계수의 값을 설정하더라도 좋다. 안전 마진 M의 값은, 유저로부터 접수한 값을 설정하더라도 좋고, M=0으로 하더라도 좋다.The value of the risk weighting factor W is set for each FMEA result. For example, a value received from the user may be set, or a value of a coefficient that minimizes the difference between the loss amount at the time of occurrence of a failure and the failure rate obtained from the performance data may be set. The value of the safety margin M may be set to a value received from the user or M = 0.
또, 통계적 분포로서 와이블 분포를 사용했지만, 감마 분포, 로그 정규 분포 등의 통계적 분포이더라도 좋고, 실적 데이터와의 오차가 최소가 되는 통계적 분포이면 된다.In addition, although the Weibull distribution is used as the statistical distribution, it may be a statistical distribution such as a gamma distribution or log normal distribution, and it may be a statistical distribution in which the error with the actual data is minimized.
지표 추정부(11)는, 범위 축소 데이터 기억부(10)에 기억되어 있는 테이블 데이터의 부품 ID 및 점검 항목 ID의 조합 중, 처리하지 않은 조합이 있는지 여부를 확인한다(스텝 ST5d).The
범위 축소 데이터 기억부(10)에 기억되어 있는 테이블 데이터의 부품 ID 및 점검 항목 ID의 조합 중, 처리하지 않은 조합이 있는 경우(스텝 ST5d; 아니오), 스텝 ST1d로 돌아가서, 전술한 처리를 반복한다.If there is a combination of unprocessed combinations of the part IDs and the check item IDs of the table data stored in the range reduced data storage unit 10 (step ST5d: NO), the process returns to step ST1d and the above process is repeated .
부품 ID 및 점검 항목 ID의 모든 조합을 처리한 경우(스텝 ST5d; 예), 지표 추정부(11)는, 추정한 파라미터 값인 제 2 추정치를, 부품 ID 및 점검 항목 ID에 대응시켜 제 2 기억부(12)에 기억한다(스텝 ST6d).When all the combinations of the part ID and the check item ID are processed (step ST5d; YES), the
통계적 분포가 와이블 분포에 따르는 것으로부터, 도 14b에 나타낸 "통계적 분포"의 항목에 "와이블 분포"가 설정되고, "통계적 분포 파라미터"의 항목에는, 형상 파라미터 γ의 값이 설정된다.Since the statistical distribution follows the Weibull distribution, a "Weibull distribution" is set in the item of "Statistical distribution " shown in Fig. 14B, and a value of the shape parameter y is set in the item of" Statistical distribution parameter ".
다음으로, 병합부(13)의 동작을 상세하게 설명한다.Next, the operation of the merging
도 18은 병합부(13)의 동작을 나타내는 플로차트이고, 제 1 추정치와 제 2 추정치로부터 최종적인 고장 리스크 지표의 추정치를 산출하여 출력할 때까지의 일련의 처리를 나타내고 있다. 병합부(13)는, 처리 대상의 부품 ID 및 점검 항목 ID, 이들에 대응하는 제 2 추정치 및 실제 데이터 수를 제 2 기억부(12)로부터 읽어낸다(스텝 ST1e).FIG. 18 is a flowchart showing the operation of the merging
다음으로, 병합부(13)는, 처리 대상의 부품 ID 및 점검 항목 ID 및 이들에 대응하는 제 1 추정치를 제 1 기억부(5)로부터 읽어낸다(스텝 ST2e).Next, the merging
제 1 기억부(5)에 기억되어 있는 제 1 추정치 중, 제 2 기억부(12)로부터 읽어낸 제 2 추정치에 대응하는 부품 ID 및 점검 항목 ID와 동일한 부품 ID 및 점검 항목 ID를 갖지 않는 레코드 데이터에 대해서는, 제 1 기억부(5)로부터 그대로 읽어내어진다.A part ID that is the same as the part ID corresponding to the second estimated value read from the
제 2 기억부(12)로부터 읽어내어진 레코드 데이터에 설정되어 있는 실제 데이터 수를 NA로 하고, 보수 작업 후의 경과 시간마다의 부품의 총 대수를 항상 NA로 하고, 고장 건수를 NA×RA(t)로 가정한다. 병합부(13)는, 제 1 기억부(5)로부터 읽어내어진 동일한 부품 ID 및 점검 항목 ID를 갖는 레코드 데이터에 있어서, 제 1 추정치의 통계적 추정에서 상정되는 데이터의 수인 NI를 구한다(스텝 ST3e).The number of actual data set in the record data read from the
예컨대, 병합부(13)는, 통계 평가용 정보 A에 있어서의 허용 오차 Δ 및 신뢰율 α를 사용하여, 하기 식 (7)로부터 NI를 산출한다. 하기 식 (7)에 있어서, z(α)는, 표준 정규 분포의 위쪽 100α%를 나타낸다. Δ=0.1, α=0.99(99%)이면, z(α)=2.326이고, NI=2168이 된다.For example, the merging
제 1 기억부(5)로부터 읽어내어진 동일한 부품 ID 및 점검 항목 ID를 갖는 레코드 데이터에 있어서, 보수 작업 후의 경과 시간마다의 부품의 총 대수는, 항상 상기 식 (7)에 의해 산출한 NI이고, 고장 건수를 NI×RI(t)로 가정한다.In the record data having the same part ID and the check item ID read from the
병합부(13)는, 제 2 기억부(12)로부터 읽어낸 레코드 데이터가 나타내는 고장 리스크 지표 RA(t)와, 제 1 기억부(5)로부터 읽어낸 동일한 부품 ID 및 점검 항목 ID를 갖는 레코드 데이터가 나타내는 고장 리스크 지표 RI(t)를 안분한다(스텝 ST4e).The merging
병합부(13)는, 보수 작업 후의 경과 시간마다의 부품의 총 대수를 NA+NI로 하고, 고장 건수를 NA×RA(t)+NI×RI(t)로 하여 고장 리스크 지표 RF(t)를 다시 통계적으로 추정한다. 추정 방법에는, 예컨대, 공역 방향법이 이용된다. 여기까지의 처리가 안분 처리이다. 이와 같이, 병합부(13)가, 제 1 추정치의 통계적 추정에서 상정된 데이터 수인 NI를 제 2 추정치와의 안분에 이용한다. 이것에 의해, 제 1 추정치와 제 2 추정치를 적절히 안분할 수 있다.The merging
병합부(13)는, 제 1 기억부(5) 및 제 2 기억부(12)의 각각에 기억된 정보 중, 안분하지 않은 부품 ID 및 점검 항목 ID의 조합이 있는지 여부를 확인한다(스텝 ST5e).The merging
제 1 기억부(5) 및 제 2 기억부(12)의 각각에 기억된 정보 중, 안분하지 않은 부품 ID 및 점검 항목 ID의 조합이 있으면(스텝 ST5e; 아니오), 처리하지 않은 조합에 대하여 스텝 ST1e로부터의 처리를 반복한다.If there is a combination of the unspecified part ID and the check item ID among the information stored in the
모든 부품 ID 및 점검 항목 ID의 조합을 안분한 경우(스텝 ST5e; 예), 병합부(13)는, 고장 리스크 지표 RF(t)의 파라미터 값으로부터, 최종적인 고장 리스크 지표의 추정치를 나타내는 정보 B를 생성하여 출력한다(스텝 ST6e).(Step ST5e; YES), the merging
이상과 같이, 실시의 형태 2와 관련되는 고장 리스크 지표 추정 장치(1A)에 있어서, 범위 축소부(9)가, 설비 정보 DB(6), 보수 실적 DB(7), 및 고장 실적 DB(8)의 각각에 기억된 정보를, FMEA 결과마다 대응하는 정보로 분류한다. 지표 추정부(11)가, 범위 축소부(9)에 의해 분류된 정보에 근거하여, 보수 작업의 실적 데이터와 고장의 실적 데이터의 관계에 따른 고장 리스크 지표의 추정치를 추정한다. 병합부(13)가, 지표 추정부(4)에 의해 추정된 제 1 추정치와 지표 추정부(11)에 의해 추정된 제 2 추정치를 안분하여, 최종적인 고장 리스크 지표의 추정치를 산출한다. 이와 같이 구성함으로써, 설비의 보수 실적 데이터가 적은 경우에도, 설비에 고장이 발생하는 리스크의 지표를 적절히 추정할 수 있다.As described above, in the failure risk
또한, 실시의 형태 2와 관련되는 고장 리스크 지표 추정 장치(1A)에 있어서, 병합부(13)가, 제 1 추정치의 통계적 추정에서 상정된 데이터 수를 제 2 추정치와의 안분에 이용한다. 이와 같이 구성함으로써, 제 1 추정치와 제 2 추정치를 적절히 안분할 수 있다.In the failure risk
또, 본 발명은 그 발명의 범위 내에 있어서, 각 실시의 형태의 자유로운 조합 혹은 각 실시의 형태의 임의의 구성 요소의 변형, 또는 각 실시의 형태에 있어서 임의의 구성 요소의 생략이 가능하다.In addition, the present invention can be freely combined with each embodiment, or a modification of any constituent element of each embodiment, or omitting any constituent element in each embodiment within the scope of the invention.
(산업상 이용가능성)(Industrial applicability)
본 발명과 관련되는 고장 리스크 지표 추정 장치는, 설비의 보수 실적 데이터가 없거나 또는 적은 경우에도 설비에 고장이 발생하는 리스크의 지표를 적절히 추정할 수 있으므로, 예컨대, 다양한 기계 시스템에 적용 가능하다.The failure risk index estimating apparatus according to the present invention can appropriately estimate an index of a risk that a failure occurs in a facility even if there is no or little maintenance data of the facility and thus can be applied to various mechanical systems, for example.
1, 1A : 고장 리스크 지표 추정 장치
2 : FMEA 결과 DB
3 : 이미 결정된 작업 간격 DB
4, 11 : 지표 추정부
4a : 모델 식 구축부
4b : 파라미터 추정부
5 : 제 1 기억부
6 : 설비 정보 DB
7 : 보수 실적 DB
8 : 고장 실적 DB
9 : 범위 축소부
10 : 범위 축소 데이터 기억부
12 : 제 2 기억부
13 : 병합부
100 : 데이터베이스
101 : DB 입출력 인터페이스
102 : 정보 입력 인터페이스
103 : 정보 출력 인터페이스
104 : 처리 회로
105 : 메모리
106 : 프로세서1, 1A: Failure Risk Indicator Estimator
2: FMEA Result DB
3: The already determined work interval DB
4, 11:
4a: Model expression building section
4b: parameter estimating unit
5: First storage unit
6: Equipment Information DB
7: Performance record DB
8: Failure performance DB
9:
10: Range reduction data storage unit
12: Second storage unit
13:
100: Database
101: DB Input / Output Interface
102: Information input interface
103: Information output interface
104: Processing circuit
105: Memory
106: Processor
Claims (7)
설비를 구성하는 부품의 점검 항목마다의 고장 모드 영향 해석 결과를 나타내는 정보 및 부품의 점검 항목마다 이미 결정된 보수 작업 간격을 나타내는 정보에 근거하여, 상기 모델 식으로부터 산출한 보수 작업 간격과 상기 이미 결정된 보수 작업 간격의 차분이 가장 작아지는 상기 모델 식의 파라미터 값을 통계적으로 추정하는 파라미터 추정부
를 구비한 것을 특징으로 하는 고장 리스크 지표 추정 장치.
A model equation which represents a transition of the failure risk index according to the statistical distribution, based on information indicating a failure mode influence analysis result for each maintenance item of components constituting the equipment and information indicating a statistical distribution used for estimation of the failure risk index, A model expression building unit for constructing a model expression,
Based on the information indicating the failure mode influence analysis result for each maintenance item of the parts constituting the equipment and the information indicating the maintenance work interval determined for each maintenance item of the part, A parameter estimating unit for statistically estimating a parameter value of the model formula in which a difference between the work intervals is minimized,
The failure risk index estimating apparatus comprising:
설비, 설비를 구성하는 부품 및 부품마다의 점검 항목을 포함하는 설비 정보, 설비를 구성하는 부품의 점검 항목마다의 보수 작업의 실적 데이터 및 설비를 구성하는 부품마다의 고장의 실적 데이터를, 고장 모드 영향 해석 결과마다 대응하는 정보로 분류하는 범위 축소부와,
상기 범위 축소부에 의해 분류된 정보에 근거하여, 상기 보수 작업의 실적 데이터와 상기 고장의 실적 데이터의 관계에 따른 상기 고장 리스크 지표의 추정치를 추정하는 지표 추정부와,
상기 파라미터 추정부에 의해 추정된 파라미터 값인 제 1 추정치와 상기 지표 추정부에 의해 추정된 추정치인 제 2 추정치를 안분하여, 최종적인 상기 고장 리스크 지표의 추정치를 산출하는 병합부
를 구비한 것을 특징으로 하는 고장 리스크 지표 추정 장치.
The method according to claim 1,
Equipment data including equipment and parts constituting the equipment and inspection items for each part, performance data of repair work for each inspection item of the parts constituting the equipment, and performance data of the failures of each part constituting the equipment, A range narrowing section for classifying the information into corresponding information for each effect analysis result,
An index estimator for estimating an estimate of the failure risk index according to the relationship between the performance data of the maintenance work and the performance data of the failure based on the information classified by the range reduction unit,
A first estimating unit that estimates a failure value of the failure risk indicator based on a first estimated value that is a parameter value estimated by the parameter estimating unit and a second estimated value that is an estimated value estimated by the index estimating unit,
The failure risk index estimating apparatus comprising:
상기 병합부는, 상기 제 1 추정치의 통계적 추정에서 상정된 데이터 수를 상기 제 2 추정치와의 안분에 이용하는 것을 특징으로 하는 고장 리스크 지표 추정 장치.
3. The method of claim 2,
Wherein the merging unit uses the number of data assumed in the statistical estimation of the first estimation value for the difference between the second estimation value and the second estimation value.
상기 모델 식 구축부는, 고장 모드 영향 해석의 고장에 관한 평가 항목과 그 평가 항목에서의 평가 레벨이 동일한 경우, 상기 평가 항목에 관련되는 상기 모델 식의 파라미터에 공통의 파라미터를 할당하는 것을 특징으로 하는 고장 리스크 지표 추정 장치.
The method according to claim 1,
Wherein the model expression construction unit assigns a common parameter to the parameter of the model expression related to the evaluation item when the evaluation item on the failure of the failure mode influence analysis and the evaluation level on the evaluation item are equal Fault risk indicator estimator.
상기 파라미터 추정부는, 서로 유사한 점검 항목 사이의 한쪽에 대한 파라미터 값의 통계적 추정에서 이용한 정보를, 점검 항목 사이의 다른 쪽에 대한 파라미터 값의 통계적 추정에 이용하는 것을 특징으로 하는 고장 리스크 지표 추정 장치.
The method according to claim 1,
Wherein the parameter estimating unit uses information used in statistical estimation of parameter values for one side between similar check items to statistical estimation of parameter values for the other side between the check items.
파라미터 추정부가, 설비를 구성하는 부품의 점검 항목마다의 고장 모드 영향 해석 결과를 나타내는 정보 및 부품의 점검 항목마다 이미 결정된 보수 작업 간격을 나타내는 정보에 근거하여, 상기 모델 식으로부터 산출한 보수 작업 간격과 상기 이미 결정된 보수 작업 간격의 차분이 가장 작아지는 상기 모델 식의 파라미터 값을 통계적으로 추정하는 스텝
을 구비한 것을 특징으로 하는 고장 리스크 지표 추정 방법.
Based on the information indicating the result of the failure mode influence analysis for each check item of the components constituting the equipment, and the information indicating the statistical distribution used for the estimation of the failure risk index, the model expression building unit calculates the failure risk index A step of constructing a model expression indicating a trend,
The parameter estimating section calculates the maintenance work interval calculated from the model formula based on the information indicating the failure mode influence analysis result for each maintenance item of the components constituting the facility and the information indicating the maintenance work interval already determined for each maintenance item of the component, A step of statistically estimating a parameter value of the model formula in which the difference of the already determined maintenance work interval is minimized
And estimating the failure risk index.
범위 축소부가, 설비, 설비를 구성하는 부품 및 부품마다의 점검 항목을 포함하는 설비 정보, 설비를 구성하는 부품의 점검 항목마다의 보수 작업의 실적 데이터 및 설비를 구성하는 부품마다의 고장의 실적 데이터를, 고장 모드 영향 해석 결과마다 대응하는 정보로 분류하는 스텝과,
지표 추정부가, 상기 범위 축소부에 의해 분류된 정보에 근거하여, 상기 보수 작업의 실적 데이터와 상기 고장의 실적 데이터의 관계에 따른 상기 고장 리스크 지표의 추정치를 추정하는 스텝과,
병합부가, 상기 파라미터 추정부에 의해 추정된 파라미터 값인 제 1 추정치와 상기 지표 추정부에 의해 추정된 추정치인 제 2 추정치를 안분하여, 최종적인 상기 고장 리스크 지표의 추정치를 산출하는 스텝
을 구비한 것을 특징으로 하는 고장 리스크 지표 추정 방법.The method according to claim 6,
The scope information of the parts constituting the equipment, the equipment and the equipment and the inspection items for each part, the performance data of the maintenance work for each inspection item of the parts constituting the equipment, and the performance data Into information corresponding to each of the failure mode influence analysis results,
Estimating an estimated value of the failure risk index according to the relationship between the performance data of the maintenance work and the performance data of the failure based on the information classified by the range reduction unit;
The merging unit calculates the estimated value of the failure risk index finally by subtracting the first estimated value, which is the parameter value estimated by the parameter estimating unit, and the second estimated value, which is the estimated value estimated by the index estimating unit,
And estimating the failure risk index.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2016/086738 WO2018105104A1 (en) | 2016-12-09 | 2016-12-09 | Failure risk index estimation device and failure risk index estimation method |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190071812A true KR20190071812A (en) | 2019-06-24 |
KR102097953B1 KR102097953B1 (en) | 2020-04-07 |
Family
ID=62490824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020197015852A KR102097953B1 (en) | 2016-12-09 | 2016-12-09 | Failure risk index estimation device and failure risk index estimation method |
Country Status (5)
Country | Link |
---|---|
JP (1) | JP6501982B2 (en) |
KR (1) | KR102097953B1 (en) |
CN (1) | CN110023967B (en) |
TW (1) | TWI646476B (en) |
WO (1) | WO2018105104A1 (en) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7213637B2 (en) * | 2018-08-07 | 2023-01-27 | 日鉄テックスエンジ株式会社 | Maintenance management device, maintenance management method and program |
JP7265128B2 (en) * | 2019-03-04 | 2023-04-26 | 日本製鉄株式会社 | Facility management support device, facility management support method, program, and computer-readable recording medium |
WO2020188636A1 (en) * | 2019-03-15 | 2020-09-24 | 三菱電機株式会社 | Slippage estimation device and slippage estimation method |
CN110376982B (en) * | 2019-07-11 | 2021-06-29 | 江南大学 | Control analysis method based on improved FMEA |
CN111582751B (en) * | 2020-05-19 | 2022-06-14 | 国网吉林省电力有限公司 | Time-weighted electricity purchasing risk early warning method |
CN111651933B (en) * | 2020-05-22 | 2023-09-26 | 宁波诺丁汉新材料研究院有限公司 | Industrial boiler fault early warning method and system based on statistical inference |
JP2023012668A (en) * | 2021-07-14 | 2023-01-26 | 三菱重工業株式会社 | Failure predicting device, failure predicting method, and program |
KR102489119B1 (en) | 2021-10-21 | 2023-01-18 | 김지예 | Smart FMEA system and process management system and method using thereof |
JP7511797B2 (en) | 2022-07-01 | 2024-07-05 | 三菱電機株式会社 | Maintenance support system, maintenance support method, and maintenance support program |
CN115982960B (en) * | 2022-12-08 | 2023-09-01 | 国家管网集团北方管道有限责任公司 | Intelligent risk prevention and control capability evaluation method for pipeline oil delivery station |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004252549A (en) | 2003-02-18 | 2004-09-09 | Hokkaido Sekiyu Kyodo Bichiku Kk | Rated operation management method and rated operation management device |
JP2005011327A (en) * | 2003-05-29 | 2005-01-13 | Tokyo Electric Power Co Inc:The | Repair plan making support device and method |
JP2005085178A (en) * | 2003-09-11 | 2005-03-31 | Mitsubishi Electric Corp | System for preparing equipment operation plan |
JP2008009990A (en) * | 2006-06-29 | 2008-01-17 | Toshiba Corp | Maintenance planning system and maintenance planning method |
JP2009140022A (en) * | 2007-12-03 | 2009-06-25 | Nippon Steel Corp | Unit, method, and program for supporting facility maintenance plan generation, and computer readable recording medium |
JP2009251822A (en) * | 2008-04-03 | 2009-10-29 | Toshiba Corp | Complex diagnosis maintenance plan supporting system and supporting method for same |
JP2016126728A (en) | 2015-01-08 | 2016-07-11 | 三菱重工業株式会社 | Availability factor prediction apparatus and availability factor prediction method |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6223143B1 (en) * | 1998-08-31 | 2001-04-24 | The United States Government As Represented By The Administrator Of The National Aeronautics And Space Administration | Quantitative risk assessment system (QRAS) |
JP4237610B2 (en) * | 2003-12-19 | 2009-03-11 | 株式会社東芝 | Maintenance support method and program |
JP4967430B2 (en) * | 2006-04-11 | 2012-07-04 | オムロン株式会社 | Defect management device, defect management program, and recording medium recording the same |
US8620514B2 (en) * | 2011-02-24 | 2013-12-31 | Bae Systems Plc | Reliability centered maintenance |
CN102208028B (en) * | 2011-05-31 | 2013-06-19 | 北京航空航天大学 | Fault predicting and diagnosing method suitable for dynamic complex system |
CN102810122A (en) * | 2011-06-02 | 2012-12-05 | 鸿富锦精密工业(深圳)有限公司 | Verification system and method for electronic product design |
FR2989500B1 (en) * | 2012-04-12 | 2014-05-23 | Airbus Operations Sas | METHOD, DEVICES AND COMPUTER PROGRAM FOR AIDING THE TROUBLE TOLERANCE ANALYSIS OF AN AIRCRAFT SYSTEM USING REDUCED EVENT GRAPHICS |
CN104076809B (en) * | 2013-03-26 | 2017-01-04 | 三菱电机株式会社 | Data processing equipment and data processing method |
AT514680A2 (en) * | 2013-08-05 | 2015-02-15 | Uptime Engineering Gmbh | Process for optimizing the maintenance of technical systems |
JP2016004279A (en) * | 2014-06-13 | 2016-01-12 | 株式会社日立製作所 | Maintenance system and maintenance method |
CN104166800A (en) * | 2014-08-11 | 2014-11-26 | 工业和信息化部电子第五研究所 | Component FMEA analysis method and system based on failure mechanisms |
JP6301791B2 (en) * | 2014-09-17 | 2018-03-28 | 株式会社東芝 | Distribution network failure sign diagnosis system and method |
CN104463421B (en) * | 2014-11-06 | 2017-09-01 | 朱秋实 | A kind of equipment dynamic optimization maintaining method of the big data modeling based on real-time status |
CN105956789A (en) * | 2016-05-24 | 2016-09-21 | 国网四川省电力公司 | Quantitative risk evaluation method for power equipment based on state evaluation |
-
2016
- 2016-12-09 JP JP2018555417A patent/JP6501982B2/en active Active
- 2016-12-09 WO PCT/JP2016/086738 patent/WO2018105104A1/en active Application Filing
- 2016-12-09 KR KR1020197015852A patent/KR102097953B1/en active IP Right Grant
- 2016-12-09 CN CN201680091319.7A patent/CN110023967B/en active Active
-
2017
- 2017-04-28 TW TW106114251A patent/TWI646476B/en not_active IP Right Cessation
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004252549A (en) | 2003-02-18 | 2004-09-09 | Hokkaido Sekiyu Kyodo Bichiku Kk | Rated operation management method and rated operation management device |
JP2005011327A (en) * | 2003-05-29 | 2005-01-13 | Tokyo Electric Power Co Inc:The | Repair plan making support device and method |
JP2005085178A (en) * | 2003-09-11 | 2005-03-31 | Mitsubishi Electric Corp | System for preparing equipment operation plan |
JP2008009990A (en) * | 2006-06-29 | 2008-01-17 | Toshiba Corp | Maintenance planning system and maintenance planning method |
JP2009140022A (en) * | 2007-12-03 | 2009-06-25 | Nippon Steel Corp | Unit, method, and program for supporting facility maintenance plan generation, and computer readable recording medium |
JP2009251822A (en) * | 2008-04-03 | 2009-10-29 | Toshiba Corp | Complex diagnosis maintenance plan supporting system and supporting method for same |
JP2016126728A (en) | 2015-01-08 | 2016-07-11 | 三菱重工業株式会社 | Availability factor prediction apparatus and availability factor prediction method |
Also Published As
Publication number | Publication date |
---|---|
JP6501982B2 (en) | 2019-04-17 |
TWI646476B (en) | 2019-01-01 |
JPWO2018105104A1 (en) | 2019-03-28 |
WO2018105104A1 (en) | 2018-06-14 |
KR102097953B1 (en) | 2020-04-07 |
CN110023967B (en) | 2022-12-23 |
CN110023967A (en) | 2019-07-16 |
TW201822080A (en) | 2018-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20190071812A (en) | Failure Risk Indicator Estimator and Failure Risk Indicator Estimation Method | |
US11360873B2 (en) | Evaluation device, evaluation method, and evaluation program | |
US8719636B2 (en) | Apparatus method, and storage medium for fault cause extraction utilizing performance values | |
US8712929B1 (en) | Dynamic data filtering system and method | |
JP6359960B2 (en) | Failure prediction apparatus, failure prediction method, and failure prediction program | |
US20160041848A1 (en) | Methods and Apparatuses for Determining a Leak of Resource and Predicting Usage Condition of Resource | |
US20090271235A1 (en) | Apparatus and method for generating survival curve used to calculate failure probability | |
CN110909306B (en) | Business abnormality detection method and device, electronic equipment and storage equipment | |
EP3806008A1 (en) | Model generation device for lifespan prediction, model generation method for lifespan prediction, and storage medium storing model generation program for lifespan prediction | |
US20130159242A1 (en) | Performing what-if analysis | |
CN109522180B (en) | Data analysis method, device and equipment based on monitoring operation and maintenance system service | |
KR102066868B1 (en) | Method and apparatus for simulating safety of automotive software to obtain a goal reliability index | |
JP5793228B1 (en) | Defect number prediction apparatus and defect number prediction program | |
CN115098362B (en) | Page test method, page test device, electronic equipment and storage medium | |
De Francesco et al. | Risk analysis in aviation: The forensic point of view | |
CN113127804B (en) | Method and device for determining number of vehicle faults, computer equipment and storage medium | |
CN113434823B (en) | Data acquisition task abnormity early warning method and device, computer equipment and medium | |
JP6545397B2 (en) | Causal relationship evaluation device, causal relationship evaluation system and causal relationship evaluation method | |
US20220108189A1 (en) | Graph summarization apparatus, graph summarization method and program | |
CN114328662A (en) | Abnormal data positioning method and device, electronic equipment and storage medium | |
CN114021302A (en) | Method, device and system for evaluating service life of power transmission line and storage medium | |
CN113850428A (en) | Job scheduling prediction processing method and device and electronic equipment | |
CN113343479A (en) | Method and device for calculating service life of equipment | |
CN107798173B (en) | Emergency airworthiness attention judgment method and system for predicting structural performance of airplane | |
Vesely | Quantifying maintenance effects on unavailability and risk using Markov modeling |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
A302 | Request for accelerated examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |