保守支援システム、保守支援方法、及びプログラム
【課題】機器の保守計画を立てる為の保守支援情報として、正確かつ十分な情報を提供する。
【解決手段】推定残存率３１、実績設置台数３２、実績修理件数３３は、それぞれ、取得処理６１ａ、６１ｂ、６１ｃによって取得されるデータである。推定残存台数算出処理６２は、推定残存率３１及び実績設置台数３２に基づき、経過期間ごとに推定残存台数４１を算出する。推定ハザード関数算出処理６３は、推定残存台数４１及び実績修理件数３３に基づき、推定ハザード関数４２を算出する。定累積修理率算出処理６４は、推定ハザード関数４２に基づき、推定累積修理率４３を算出する。予測処理６５ａは、学習期間２３の範囲内のデータを用いて、推定累積修理率４３に対して予測モデル２２を適用し、予測累積修理率５１を算出する。
【解決手段】推定残存率３１、実績設置台数３２、実績修理件数３３は、それぞれ、取得処理６１ａ、６１ｂ、６１ｃによって取得されるデータである。推定残存台数算出処理６２は、推定残存率３１及び実績設置台数３２に基づき、経過期間ごとに推定残存台数４１を算出する。推定ハザード関数算出処理６３は、推定残存台数４１及び実績修理件数３３に基づき、推定ハザード関数４２を算出する。定累積修理率算出処理６４は、推定ハザード関数４２に基づき、推定累積修理率４３を算出する。予測処理６５ａは、学習期間２３の範囲内のデータを用いて、推定累積修理率４３に対して予測モデル２２を適用し、予測累積修理率５１を算出する。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、主に一般家庭において使用される機器の保守を支援する保守支援システム等に関するものである。
【背景技術】
【０００２】
各種機器の保守業務においては、故障発生時に迅速に対応するとともに、重大な故障が発生しないように適切な保守計画を立てておくことが求められる。保守計画の具体的な内容としては、機器の販売中止、部品の保管年限、保証期間の延長、設計の変更など、多岐にわたる。
【０００３】
特許文献１には、一般家庭において使用されるガス機器の品質管理方法について開示されている。特許文献１に記載の品質管理方法では、まず、顧客所有機器データ記憶部に登録されている全ての所有機器に対し、実際に使用された単位期間の長さに応じた機器台数を機器型式別に計数して機器型式別使用期間別台数を算出する。次に、部品使用実績データに基づいて、機器型式別且つ使用期間別に使用部品毎の使用数を導出し、これを機器型式別使用期間別台数で除算することで、使用期間を経験した全ての所有機器のうち、単位期間内で使用部品が必要となる台数の割合を、同部品毎に、機器型式別使用期間別に規定した値である部品使用率を、品質管理指標として算出する。
【０００４】
特許文献２には、機器の交換時期及びメンテナンス時期の推定作業を支援する保守支援プログラムが開示されている。特許文献２の保守支援プログラムは、コンピュータに、以下の機能を実現させるためのプログラムである。
（１）出荷情報データベースに記憶されており保守対象の機器の識別情報と機器の出荷先を示す顧客識別情報とを関連付けた出荷情報に基づいて、所定の出荷先へ出荷された機器の集合であり所定の出荷先で信頼性解析時点までに故障の発生している機器と所定の出荷先で信頼性解析時点までに故障の発生していない機器とを含む母集団の台数Ｎｉを求める母集団演算機能。
（２）設備保全情報データベースに記憶されており機器の識別情報、機器を用いる顧客を示す顧客識別情報、機器の故障発生時間情報を関連付けた設備保全情報に基づいて、母集団内において信頼性解析時点までに発生している機器の故障実績である累積ハザード値（Ｈ（ｔ）＝所定の出荷先で信頼性解析時点までに故障の発生している機器の故障台数／Ｎｉ）を求め、累積ハザード値と使用環境データベースに記載されており顧客識別情報と機器の使用環境とを関連付けた環境情報に基づいて、累積ハザード関数近似、信頼度関数の演算、不信頼度関数の演算、故障発生確率密度関数の演算、ワイブル関数の演算のうちの少なくとも一つを含む信頼性解析を使用環境に応じた重み補正を実行しつつ行い、所定の出荷先についての信頼性解析の結果を示す信頼性解析情報を信頼性解析データベースに記録する解析機能。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特開２０１０−２３１３７６号公報
【特許文献２】特許第４３０９８０３号公報
【発明の概要】
【発明が解決しようとする課題】
【０００６】
ところで、特許文献１では、顧客所有機器データ記憶部に登録される「抹消日」（機器が取り外されたことを保守業者が認識した日）に基づいて、「実際に使用された単位期間の長さに応じた機器台数」等を求めている。そうすると、販売・設置後に修理などの連絡をせずに、顧客自らが機器を廃棄したり、使用せずに放置したりしている場合については、正常に稼働している機器としてカウントされてしまう。従って、特許文献１において算出される部品使用率は、正確な実態把握に基づいた品質管理指標とは言えない。更に、特許文献１では、品質管理指標として部品使用率を算出するところまでに留まり、適切な保守計画を立てるための情報としては不十分である。
【０００７】
また、特許文献２では、出荷情報から信頼性解析時点までの故障情報を差し引くことによって、信頼性解析時点の稼働台数を算出している。そうすると、前述した通り、販売・設置後に修理などの連絡をせずに、顧客自らが機器を廃棄したり、使用せずに放置したりしている場合については、正常に稼働している機器としてカウントされてしまう。従って、特許文献２において算出される信頼性解析情報も、正確な実態把握に基づいた品質管理指標とは言えない。また、特許文献２では、故障個所が異なったり、故障個所が同一であっても経過年月が異なったりする「性質が異なる故障」を切り分けて考えていないので、適切な保守計画を立てるための情報としては不十分である。
【０００８】
本発明は、前述した問題点に鑑みてなされたもので、その目的とすることは、機器の保守計画を立てる為の保守支援情報として、正確かつ十分な情報を提供することが可能な保守支援システム等を提供することである。
【課題を解決するための手段】
【０００９】
前述した目的を達成するために第１の発明は、コンピュータによって構成され、機器の保守業務を支援する保守支援システムであって、前記機器の設置時点からの経過期間ごとに、前記機器が現実に稼働している割合の推定値である推定残存率を記憶する記憶手段と、前記機器の実績設置台数を前記経過期間ごとに取得し、前記機器の実績修理件数を発生時点ごとに取得する取得手段と、前記推定残存率及び前記実績設置台数に基づき、前記経過期間ごとに、前記機器が現実に残存している台数の推定値である推定残存台数を算出する推定残存台数算出手段と、前記実績修理件数及び前記推定残存台数に基づき、前記機器のハザード関数の推定値である推定ハザード関数を算出する推定ハザード関数算出手段と、前記推定ハザード関数に基づき、前記機器の累積修理率の推定値である推定累積修理率を算出する推定累積修理率算出手段と、を具備することを特徴とする保守支援システムである。
【００１０】
第１の発明によって、保守支援システムは、機器の保守計画を立てる為の保守支援情報として、正確な情報を提供することができる。特に、記憶手段に記憶される推定残存率が、例えば、機器が設置されている一般家庭などを定期的に巡回して行う定期保安調査の結果を反映したものであれば、保守支援システムは、正確な実態把握に基づいた保守支援情報を提供することができる。
【００１１】
第１の発明は、学習期間の選択を受け付ける受付手段と、前記学習期間の範囲内のデータを用いて、前記推定累積修理率に対して所定の予測モデルを適用し、前記機器の将来の累積修理率の予測値である予測累積修理率を算出する予測処理を行う予測手段と、を更に具備することが望ましい。これによって、ユーザは、学習期間を動的に変更し、保守支援情報（例えば、予測累積修理率）を得ることができる。従って、ユーザは、過去の事例（例えば、故障や修理などの事例）等に応じて適切な学習期間を選択し、正確な保守支援情報を得ることができる。
【００１２】
第１の発明における前記予測処理では、更に、前記機器の将来の残存台数の予測値である予測残存台数、前記機器の将来のハザード関数の予測値である予測ハザード関数、前記機器の将来の修理率の予測値である予測修理率、及び、前記機器の将来の修理件数の予測値である予測修理件数を算出することが望ましい。これによって、ユーザは、保守支援情報として、様々な情報を得ることができる。
【００１３】
第１の発明における前記記憶手段は、更に、前記機器に関する保守実施情報を発生時点ごとに記憶し、前記保守実施情報を表示する表示手段、を更に具備することが望ましい。これによって、ユーザは、保守実施情報を確認しながら、適切な学習期間を選択することができる。
【００１４】
第１の発明における前記受付手段は、更に、前記保守実施情報に基づき、前記学習期間の選択可能範囲を制限する機能を有することが望ましい。これによって、保守支援システムは、過去の事例から学習期間に含めるべきではない期間を選択不可とすることができる。例えば、販売済の全ての機器を対象とした部品交換などを行い、故障や修理の発生傾向が大きく変化している場合、保守支援システムは、部品交換時期よりも前の期間を選択不可とすることによって、正確な保守支援情報を算出することができる。
【００１５】
第１の発明における前記受付手段は、更に、前記保守実施情報に基づき、最適な前記学習期間を自動的に決定する機能を有することが望ましい。これによって、保守支援システムは、ユーザの手間を省くことができるとともに、システムに精通していないユーザに対しても正確な保守支援情報を提供することができる。例えば、販売済の全ての機器を対象とした部品交換などを行い、故障や修理の発生傾向が大きく変化している場合、保守支援システムは、部品交換時期以降の期間を学習期間として決定することによって、正確な保守支援情報を算出することができる。
【００１６】
第１の発明における前記受付手段は、複数の前記学習期間の選択を受け付け、前記予測手段は、複数の前記学習期間ごとに、複数の前記予測処理を行い、予測結果を比較出力することが望ましい。これによって、ユーザは、複数の学習期間による予測結果を比較することができる。従って、ユーザは、過去に傾向変化をもたらすような保守作業が行われていることを見つけ出すことができる。
【００１７】
第１の発明における前記受付手段は、過去の予測期間の選択を受け付け、前記予測手段は、前記過去の予測期間に対する前記予測処理を行い、前記予測処理によって算出された前記過去の予測期間に対する予測値と、前記過去の予測期間と同一期間における実績値との比較を行い、前記実績値からの外れ度合を算出する外れ度合算出手段、を更に具備することが望ましい。これによって、ユーザは、実績値からの外れ度合を確認することができる。従って、ユーザは、予測処理に用いられる予測モデルや学習期間の妥当性を検証することができる。
【００１８】
第１の発明における前記外れ度合算出手段によって算出された前記外れ度合が、所定の閾値以上か否かを判定する判定手段、を更に具備し、前記判定手段によって前記外れ度合が所定の閾値以上と判定された場合には、前記受付手段が前記学習期間の再選択を受け付け、前記判定手段によって前記外れ度合が所定の閾値未満と判定された場合には、前記予測手段が、予測結果の信頼区間を算出することが望ましい。これによって、ユーザ自身は、学習期間などを変えて、更に予測処理を保守支援システムに実行させるべきか否かの判断を行う必要がない。更に、ユーザは、予測結果の信頼区間を確認することができる。従って、保守支援システムは、ユーザに対して保守支援情報に対する納得感を与えることができる。
【００１９】
第１の発明における前記予測手段は、更に、取り得る全ての期間から前記学習期間を１つずつ決定して前記予測処理を繰り返し、最適な前記学習期間を決定する機能を有することが望ましい。これによって、保守支援システムは、取り得る全ての期間に対して予測処理を行い、予測結果から最適な学習期間を自動的に決定することができる。
【００２０】
第１の発明における前記記憶手段は、更に、前記機器の故障現象、故障原因、修理箇所及び修理方法を含む修理情報を記憶し、前記受付手段は、更に、前記予測処理に用いられるデータ範囲の絞り込み条件として、前記故障現象、前記故障原因、前記修理箇所、及び前記修理方法のいずれか１つ又は複数の値の選択を受け付け、前記予測手段は、前記受付手段によって受け付けられた前記絞り込み条件に従って絞り込まれるデータを用いて前記予測処理を行うことが望ましい。これによって、ユーザは、故障現象、故障原因、修理箇所、及び修理方法のいずれか１つ又は複数の値を選択してデータ範囲を絞り込み、予測支援情報を得ることができる。ひいては、ユーザは、保守作業の目的に応じた様々な予測支援情報を得ることができる。
【００２１】
第１の発明における前記受付手段は、前記予測モデルの選択を受け付け、前記予測手段は、前記受付手段によって受け付けられた前記予測モデルを適用して、前記予測処理を行うことが望ましい。これによって、ユーザは、学習期間に加えて予測モデルも選択し、予測支援情報を得ることができる。
【００２２】
第２の発明は、コンピュータが実行し、機器の保守業務を支援する保守支援方法であって、前記コンピュータが、前記機器の設置時点からの経過期間ごとに、前記機器が現実に稼働している割合の推定値である推定残存率を記憶する記憶ステップと、前記機器の実績設置台数を前記経過期間ごとに取得し、前記機器の実績修理件数を発生時点ごとに取得する取得ステップと、前記推定残存率及び前記実績設置台数に基づき、前記経過期間ごとに、前記機器が現実に残存している台数の推定値である推定残存台数を算出する推定残存台数算出ステップと、前記実績修理件数及び前記推定残存台数に基づき、前記機器のハザード関数の推定値である推定ハザード関数を算出する推定ハザード関数算出ステップと、前記推定ハザード関数に基づき、前記機器の累積修理率の推定値である推定累積修理率を算出する推定累積修理率算出ステップと、を含むことを特徴とする保守支援方法である。第２の発明によって、機器の保守計画を立てる為の保守支援情報として、正確な情報を提供することができる。
【００２３】
第２の発明は、学習期間の選択を受け付ける受付ステップと、前記学習期間の範囲内のデータを用いて、前記推定累積修理率に対して所定の予測モデルを適用し、前記機器の将来の累積修理率の予測値である予測累積修理率を算出する予測処理を行う予測ステップと、を更に含むことが望ましい。これによって、ユーザは、学習期間を動的に変更し、保守支援情報を得ることができる。従って、ユーザは、過去の事例等に応じて適切な学習期間を選択し、正確な保守支援情報を得ることができる。
【００２４】
第３の発明は、コンピュータに、機器の保守業務を支援する保守支援方法を実行させるためのプログラムであって、前記機器の設置時点からの経過期間ごとに、前記機器が現実に稼働している割合の推定値である推定残存率を記憶する記憶ステップと、前記機器の実績設置台数を前記経過期間ごとに取得し、前記機器の実績修理件数を発生時点ごとに取得する取得ステップと、前記推定残存率及び前記実績設置台数に基づき、前記経過期間ごとに、前記機器が現実に残存している台数の推定値である推定残存台数を算出する推定残存台数算出ステップと、前記実績修理件数及び前記推定残存台数に基づき、前記機器のハザード関数の推定値である推定ハザード関数を算出する推定ハザード関数算出ステップと、前記推定ハザード関数に基づき、前記機器の累積修理率の推定値である推定累積修理率を算出する推定累積修理率算出ステップと、を含む処理を前記コンピュータに実行させるためのプログラムである。第３の発明をコンピュータにインストールすることによって、第１の発明の保守支援システムを得ることができる。ひいては、機器の保守計画を立てる為の保守支援情報として、正確な情報を提供することができる。
【００２５】
第３の発明は、学習期間の選択を受け付ける受付ステップと、前記学習期間の範囲内のデータを用いて、前記推定累積修理率に対して所定の予測モデルを適用し、前記機器の将来の累積修理率の予測値である予測累積修理率を算出する予測処理を行う予測ステップと、を更に含む処理を前記コンピュータに実行させることが望ましい。これによって、ユーザは、学習期間を動的に変更し、保守支援情報を得ることができる。従って、ユーザは、過去の事例等に応じて適切な学習期間を選択し、正確な保守支援情報を得ることができる。
【発明の効果】
【００２６】
本発明により、機器の保守計画を立てる為の保守支援情報として、正確かつ十分な情報を提供することが可能な保守支援システム等を提供することができる。
【図面の簡単な説明】
【００２７】
【図１】保守支援システム１の概要を示す図
【図２】端末２（サーバ３）のハードウエア構成図
【図３】保守支援システム１のデータの流れを示すデータフロー
【図４】機器設置情報７０の１例
【図５】推定残存率情報８０の１例
【図６】修理情報９０の１例
【図７】保守実施情報１００の１例
【図８】保守支援システム１の処理の流れを示すフローチャート
【図９】保守実施情報１００及び学習期間２３の選択可能範囲の表示例
【図１０】変形例２の処理を示すフローチャート
【図１１】変形例３の処理を示すフローチャート
【図１２】グラフデータ５６の出力例
【図１３】変形例４の処理を示すフローチャート
【図１４】変形例５の処理を示すフローチャート
【発明を実施するための形態】
【００２８】
以下図面に基づいて、本発明の実施形態を詳細に説明する。以下では、主に一般家庭において使用される機器として、ガス機器を例に挙げて説明する。但し、本発明の適用範囲はガス機器に限らない。本発明は、前述した課題がある機器に対して適用すれば、同様の効果を奏する。
【００２９】
図１は、保守支援システム１の概要を示す図である。図１に示すように、保守支援システム１は、例えば、端末２とサーバ３がネットワーク６を介して接続されている。ネットワーク６は、例えば、インターネット又はＬＡＮ（Local Area Network）等である。端末２は、例えば、ＰＣ（Personal
Computer、以下「コンピュータ」）や携帯端末（携帯電話、スマートフォン、タブレット端末等）等、ネットワーク６に接続し、データ通信（ＨＴＴＰ通信、ＴＣＰ／ＩＰ通信など）が可能であれば、どのような機器でも良い。サーバ３も、端末２と同様に、ネットワーク６に接続し、データ通信が可能であれば良いが、望ましくは高性能なサーバ用コンピュータが良い。
【００３０】
端末２には、本発明の一形態である保守支援プログラム４がインストールされている。また、サーバ３には、本発明の実施形態において利用される各種のデータを記憶するデータベース（以下「ＤＢ」）５が構築されている。本発明の実施形態では、端末２が、保守支援プログラム４に従って各種の手段として機能し、機器の保守計画を立てる為に必要な保守支援情報をユーザに提示する。端末２は、必要に応じて、データの要求命令をサーバ３に送信する。サーバ３は、データの要求に対してＤＢ５を検索し、要求されたデータを端末２に送信する。
【００３１】
尚、保守支援システム１の構成は、図１に示す例に限らない。例えば、保守支援システム１は、端末２のみで構成されても良い。つまり、端末２が、ＤＢ５を備えるようにしても良い。
【００３２】
また、保守支援プログラム４は、サーバ３にインストールされていても良い。つまり、サーバ３が、保守支援プログラム４に従って各種の手段として機能し、保守支援情報をユーザに提示するようにしても良い。この場合、端末２は、ユーザとのインタフェースの役割を果たす。つまり、端末２は、ユーザから入力されるデータをサーバ３に送信し、サーバ３から受信するデータを出力（表示や印刷など）する。
【００３３】
また、ＤＢ５に代えて、単なるファイルとしてデータを記憶しても良い。また、ＤＢ５に記憶されているデータは、外部のサーバから取得するようにしても良い。
【００３４】
図２は、端末２（サーバ３）を実現するコンピュータのハードウエア構成図である。尚、図２のハードウエア構成は一例であり、用途、目的に応じて様々な構成を採ることが可能である。
【００３５】
端末２（サーバ３）を実現するコンピュータは、制御部１１、記憶部１２、メディア入出力部１３、通信制御部１４、入力部１５、表示部１６、周辺機器Ｉ／Ｆ部１７等が、バス１８を介して接続される。
【００３６】
制御部１１は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等で構成される。ＣＰＵは、記憶部１２、ＲＯＭ、記録媒体等に格納されるプログラムをＲＡＭ上のワークメモリ領域に呼び出して実行し、バス１８を介して接続された各装置を駆動制御し、コンピュータが行う後述する処理を実現する。ＲＯＭは、不揮発性メモリであり、コンピュータのブートプログラムやＢＩＯＳ等のプログラム、データ等を恒久的に保持している。ＲＡＭは、揮発性メモリであり、記憶部１２、ＲＯＭ、記録媒体等からロードしたプログラム、データ等を一時的に保持するとともに、制御部１１が各種処理を行う為に使用するワークエリアを備える。
【００３７】
記憶部１２は、例えば、ＨＤＤ（Hard Disk Drive）であり、制御部１１が実行するプログラム、プログラム実行に必要なデータ、ＯＳ（Operating System）等が格納される。プログラムに関しては、ＯＳに相当する制御プログラムや、後述する処理をコンピュータに実行させるためのアプリケーションプログラムが格納されている。これらの各プログラムコードは、制御部１１により必要に応じて読み出されてＲＡＭに移され、ＣＰＵに読み出されて各種の手段として実行される。
【００３８】
メディア入出力部１３（ドライブ装置）は、データの入出力を行い、例えば、ＣＤドライブ（−ＲＯＭ、−Ｒ、−ＲＷ等）、ＤＶＤドライブ（−ＲＯＭ、−Ｒ、−ＲＷ等）等のメディア入出力装置を有する。通信制御部１４は、通信制御装置、通信ポート等を有し、コンピュータとネットワーク６間の通信を媒介する通信インタフェースであり、ネットワーク６を介して、他のコンピュータ間との通信制御を行う。ネットワーク６は、有線、無線を問わない。
【００３９】
入力部１５は、データの入力を行い、例えば、キーボード、マウス等のポインティングデバイス、テンキー等の入力装置を有する。入力部１５を介して、コンピュータに対して、操作指示、動作指示、データ入力等を行うことができる。表示部１６は、液晶パネル、有機ＥＬ等のディスプレイ装置、ディスプレイ装置と連携してコンピュータのビデオ機能を実現するための論理回路等（ビデオアダプタ等）を有する。尚、入力部１５及び表示部１６は、タッチパネルディスプレイのように、一体となっていても良い。
【００４０】
周辺機器Ｉ／Ｆ（インタフェース）部１７は、コンピュータに周辺機器を接続させるためのポートであり、周辺機器Ｉ／Ｆ部１７を介してコンピュータは周辺機器とのデータの送受信を行う。周辺機器Ｉ／Ｆ部１７は、ＵＳＢ等で構成されており、通常複数の周辺機器Ｉ／Ｆを有する。周辺機器との接続形態は有線、無線を問わない。バス１８は、各装置間の制御信号、データ信号等の授受を媒介する経路である。
【００４１】
図３は、保守支援システム１のデータの流れを示すデータフローである。図３では、データの流れについて説明し、データの具体例や処理内容については後述する。
【００４２】
以下では、実績値がＤＢ５に登録されている期間を「過去」とし、実績値がＤＢ５に登録されていない期間を「将来」とし、「過去」と「将来」の境界を「現在」とする。つまり、本発明の実施の形態における時間軸は、現実の時間を基準とするのではなく、ＤＢ５に実績値が登録されているか否かを基準とする。
【００４３】
予測対象（機器・部品・修理箇所等）２１、予測モデル２２、学習期間２３は、ユーザが、所望の保守支援情報を得る為に、端末２の入力部１５を介して入力するデータである。
【００４４】
予測対象２１は、予測の対象とする機器、部品、修理箇所等を含む。ユーザは、予測対象２１として、少なくとも、予測の対象とする機器（型番等の機器コードによって特定。）を入力する。
【００４５】
予測モデル２２は、端末２が予測処理６５ａにおいて用いる統計モデルである。統計モデルとしては、例えば、ワイブル分布を利用するワイブルモデル、最小二乗法を利用する線形モデル等が挙げられる。
【００４６】
学習期間２３は、端末２が予測処理６５ａにおいて予測モデル２２の当てはめを行うデータの範囲である。学習期間２３は、機器の設置時点からの経過期間（以下、単に「経過期間」と言うこともある。）として定義される。経過期間としては、１年、２年、・・・というように年単位でも良いし、１か月、２か月、・・・というように月単位でも良い。
【００４７】
推定残存率３１、実績設置台数３２、実績修理件数３３は、それぞれ、取得処理６１ａ、６１ｂ、６１ｃによって取得されるデータである。
【００４８】
推定残存率３１は、機器の設置時点からの経過期間ごとにＤＢ５に登録される、機器が現実に稼働している割合の推定値である。取得処理６１ａは、予測対象２１を検索条件としてＤＢ５を検索し、推定残存率３１を取得する。例えば、図１に示す保守支援システム１の構成であれば、端末２が予測対象２１の選択を受け付けて、サーバ３に送信する。サーバ３は、受信する予測対象２１を検索条件としてＤＢ５を検索し、推定残存率３１を端末２に送信する。
【００４９】
推定残存率３１は、例えば、機器が設置されている一般家庭などを定期的に巡回して行う定期保安調査の結果を反映したものである。これによって、保守支援システム１は、正確な実態把握に基づいた保守支援情報を提供することができる。
【００５０】
実績設置台数３２は、過去に販売または設置した機器の経過期間ごとの台数である。例えば、図１に示す保守支援システム１の構成であれば、端末２が予測対象２１の選択を受け付けて、サーバ３に送信する。サーバ３は、受信する予測対象２１を検索条件としてＤＢ５を検索し、機器の販売数を経過期間ごとに集計し、実績設置台数３２を算出する。そして、サーバ３は、実績設置台数３２を端末２に送信する。
【００５１】
実績修理件数３３は、現実に機器の修理を行った発生時点ごとの件数である。例えば、図１に示す保守支援システム１の構成であれば、端末２が予測対象２１の選択を受け付けて、サーバ３に送信する。サーバ３は、受信する予測対象２１を検索条件としてＤＢ５を検索し、機器の修理件数を発生時点（例えば、月単位）ごとに集計し、実績修理件数３３を算出する。そして、サーバ３は、実績修理件数３３を端末２に送信する。
【００５２】
推定残存台数４１、推定ハザード関数４２、推定累積修理率４３は、それぞれ、推定残存台数算出処理６２、推定ハザード関数算出処理６３、推定累積修理率算出処理６４によって算出されるデータである。特に、これらのデータは、推定値及び実績値から直接導出されるデータである。
【００５３】
推定残存台数４１は、機器が現実に残存している経過期間ごとの台数の推定値である。推定残存台数算出処理６２は、推定残存率３１及び実績設置台数３２に基づき、経過期間ごとに推定残存台数４１を算出する。推定残存台数算出処理６２の詳細は、図８を参照しながら後述する。
【００５４】
推定ハザード関数４２は、機器のハザード関数の推定値である。「ハザード関数」は統計用語である。本発明の実施の形態では、「ハザード関数」とは、時刻ｔまで正常稼働しているという仮定のもとで、時間ｔ＜ｘ＜ｔ＋△ｔで故障する確率（故障率）を示す。
【００５５】
推定ハザード関数算出処理６３は、推定残存台数４１及び実績修理件数３３に基づき、推定ハザード関数４２を算出する。推定ハザード関数算出処理６３の詳細は、図８を参照しながら後述する。
【００５６】
推定累積修理率４３は、機器の累積修理率の推定値である。推定累積修理率算出処理６４は、推定ハザード関数４２に基づき、推定累積修理率４３を算出する。推定残存台数算出処理６２の詳細は、図８を参照しながら後述する。
【００５７】
予測累積修理率５１、予測残存台数５２、予測ハザード関数５３、予測修理率５４、予測修理件数５５（以下、総称するときは「予測結果５０」）は、それぞれ、予測処理６５ａ、６５ｂ、６５ｃ、６５ｄ、６５ｅ（以下、総称するときは「予測処理６５」）によって算出されるデータである。特に、これらのデータは、予測モデル２２を用いた当てはめを行い、実績値がない範囲、或いは実績値があっても利用しない範囲のデータを予測することによって算出される。
【００５８】
予測累積修理率５１は、機器の将来の累積修理率の予測値である。尚、予測範囲が過去に設定された場合、予測累積修理率５１は、機器の過去の累積修理率の予測値となる。予測範囲が過去に設定される場合の詳細は後述するが、予測範囲を過去に設定することによって、算出された予測値と実績値とを比較することが可能となる。予測範囲が過去に設定された場合の意義については、予測残存台数５２、予測ハザード関数５３、予測修理率５４、予測修理件数５５も同様である。
【００５９】
予測処理６５ａは、学習期間２３の範囲内のデータを用いて、推定累積修理率４３に対して予測モデル２２を適用し、予測累積修理率５１を算出する。予測処理６５ａの詳細は、図８を参照しながら後述する。
【００６０】
予測残存台数５２は、機器の将来の残存台数の予測値である。予測処理６５ｂは、推定残存台数４１及び予測累積修理率５１に基づき、予測残存台数５２を算出する。予測処理６５ｂの詳細は、図８を参照しながら後述する。
【００６１】
予測ハザード関数５３は、機器の将来のハザード関数の予測値である。予測処理６５ｃは、予測累積修理率５１に基づき、予測ハザード関数５３を算出する。予測処理６５ｃの詳細は、図８を参照しながら後述する。
【００６２】
予測修理率５４は、機器の将来の修理率の予測値である。予測処理６５ｄは、予測累積修理率５１に基づき、予測修理率５４を算出する。予測処理６５ｄの詳細は、図８を参照しながら後述する。
【００６３】
予測修理件数５５は、機器の将来の修理件数の予測値である。予測処理６５ｅは、予測残存台数５２、予測ハザード関数５３、及び予測修理率５４に基づき、予測修理件数５５を算出する。予測処理６５ｅの詳細は、図８を参照しながら後述する。
【００６４】
グラフデータ５６は、予測処理６５の結果である予測結果５０をグラフ表示するためのデータである。結果出力処理６６は、予測結果５０に基づき、グラフデータ５６を出力する。出力先は、例えば、記憶部１２、メディア入出力部１３、通信制御部１４、表示部１６、周辺機器Ｉ／Ｆ部１７等である。
【００６５】
端末２が、グラフデータ５６を表示部１６に出力したり、周辺機器Ｉ／Ｆ部１７等を介してプリンタ等に出力したりすることによって、ユーザは、グラフデータ５６を確認することができる。そして、ユーザは、グラフデータ５６を確認しながら、保守支援システム１に再度予測処理を実行させるか否かを判断する。再度予測処理を実行させる場合には、ユーザは、端末２の入力部１５を介して、予測対象２１、予測モデル２２、学習期間２３等の選択を行う。
【００６６】
図４〜図７は、ＤＢ５に登録されているデータの詳細を示している。尚、説明の都合上、４つのテーブルに分けて図示したが、１つのテーブルに纏めても良いし、より多くのテーブルに分けても良い。また、図４〜図７は、本発明の実施形態の説明に必要なデータを簡略化して示しているに過ぎず、より詳細なデータを用いても良い。
【００６７】
図４は、機器設置情報７０の１例である。機器設置情報７０は、過去に機器を設置した顧客や設置時期などを示す情報である。図４に示すように、機器設置情報７０は、例えば、データを一意に識別するＮｏ７１、機器の型番等を一意に識別する機器コード７２、機器の種類を示す機種７３、顧客を一意に識別する顧客コード７４、機器を設置した日を示す設置年月日７５等を含む。尚、機種７３に代えて、機器の種類を一意に識別する機種コードとしても良い。
【００６８】
図５は、推定残存率情報８０の１例である。推定残存率情報８０は、推定残存率３１を示す情報である。図５に示すように、推定残存率情報８０は、例えば、データを一意に識別するＮｏ８１、機器の種類を示す機種８２、機器の設置時点からの経過期間を示す経過期間８３、推定残存率３１等を含む。尚、機種８２に代えて、機器の種類を一意に識別する機種コードとしても良い。
【００６９】
図６は、修理情報９０の１例である。修理情報９０は、過去に実施した機器の修理内容を示す情報である。図６に示すように、修理情報９０は、例えば、データを一意に識別するＮｏ９１、機器の型番等を一意に識別する機器コード９２、機器の種類を示す機種９３、機器を修理した日を示す修理年月日９４、機器の故障現象を示す故障現象９５、機器の修理箇所を示す修理箇所９６、機器の故障原因を示す故障原因９７、機器の修理方法を示す修理方法９８、部品交換によって修理されたときの交換された部品を示す部品コード９９等を含む。尚、機種９３に代えて、機器の種類を一意に識別する機種コードとしても良い。同様に、故障現象９５、修理箇所９６、故障原因９７、及び修理方法９８をコード化しても良い。
【００７０】
図７は、保守実施情報１００の１例である。保守実施情報１００は、過去に実施した機器に関する保守の内容を示す情報である。図７に示すように、保守実施情報１００は、例えば、データを一意に識別するＮｏ１０１、機器の型番等を一意に識別する機器コード１０２、保守を実施した時期を示す保守実施月１０３、保守の実施内容を示す保守実施内容１０４等を含む。尚、保守実施内容１０４をコード化しても良い。
【００７１】
図８は、保守支援システム１の処理の流れを示すフローチャートである。保守支援システム１では、様々なデータ加工処理を行う。図８に示す処理は、保守支援システム１における主要な処理の一部である。
【００７２】
図８に示すように、端末２の制御部１１は、予測対象２１、予測モデル２２、学習期間２３の選択を受け付ける（Ｓ１）。つまり、ユーザが、入力部１５を介して、予測対象２１、予測モデル２２、学習期間２３の選択を行うと、端末２の制御部１１は、選択された予測対象２１、予測モデル２２、学習期間２３を後述する処理に用いるデータとして入力する。
【００７３】
端末２の制御部１１は、予測対象２１に基づき、推定残存率３１、実績設置台数３２、及び実績修理件数３３を取得する（Ｓ２）。
【００７４】
まず、推定残存率３１の取得処理の１例について説明する。端末２の制御部１１は、予測対象２１として選択された機器コードをサーバ３に送信する。サーバ３の制御部１１は、端末２から受信した機器コードから機種を特定する。サーバ３は、図示しない機器基本情報（少なくとも機器コードと機種とが対応付けて記憶されている情報）などを検索することによって、機種を特定する。次に、サーバ３の制御部１１は、特定した機種を検索条件として、推定残存率情報８０を検索する。そして、サーバ３の制御部１１は、検索結果として得られた推定残存率情報８０の経過期間８３及び推定残存率８４のリストデータを端末２に送信する。例えば、推定残存率情報８０が月単位に登録されている場合、経過期間８３及び推定残存率８４のリストデータも月単位となる。端末２に送信されるデータが、経過期間（月単位）ごとの推定残存率３１である。
【００７５】
次に、実績設置台数３２の取得処理の１例について説明する。サーバ３の制御部１１は、端末２から受信した機器コードを検索条件として、機器設置情報７０を検索する。そして、サーバ３の制御部１１は、検索結果として得られたデータを、設置年月日７５を用いて、例えば月単位に集計する。そして、サーバ３の制御部１１は、集計結果として得られた月単位のデータを端末２に送信する。端末２に送信されるデータが、経過期間（月単位）ごとの実績設置台数３２である。
【００７６】
次に、実績修理件数３３の取得処理の１例について説明する。サーバ３の制御部１１は、端末２から受信した機器コードを検索条件として、修理情報９０を検索する。そして、サーバ３の制御部１１は、検索結果として得られたデータを、修理年月日９４を用いて、例えば月単位に集計する。そして、サーバ３の制御部１１は、集計結果として得られた月単位のデータを端末２に送信する。端末２に送信されるデータが、発生時点（月単位）ごとの実績修理件数３３である。
【００７７】
次に、端末２の制御部１１は、推定残存率３１及び実績設置台数３２に基づき、推定残存台数４１を算出する（Ｓ３）。
【００７８】
推定残存台数４１の算出処理の１例について説明する。例えば、２００１年１月から販売している機器について、２０１１年１月の時点の推定残存台数４１を算出する場合を考える。２００１年１月の実績設置台数３２が１万台、経過期間（月単位）が１０年の推定残存率３１が５０％の場合、端末２の制御部１１は、２０１１年１月の時点では、２００１年１月に設置された１万台の機器のうち、１万台×５０％＝５千台、が残存していると推定する。同様に、２００１年２月の実績設置台数３２が２万台、経過期間（月単位）が９年１１か月の推定残存率３１が５５％の場合、２０１１年１月の時点では、２００１年２月に設置された２万台の機器のうち、２万台×５５％＝１万１千台、が残存していると推定する。以降、２０１０年１２月まで同様の処理を繰り返し、全ての台数の総和を求めることによって、２０１１年１月の時点の推定残存台数４１を算出する。また、端末２の制御部１１は、経過期間ごとに加えて、更に、設置年月ごとに残存台数を推定し、それらの台数の総和も求め、２０１１年１月の時点の推定残存台数４１を算出する。
【００７９】
次に、端末２の制御部１１は、推定残存台数４１及び実績修理件数３３に基づき、推定ハザード関数４２を算出する（Ｓ４）。
【００８０】
推定ハザード関数４２の算出処理の１例について説明する。本発明の実施の形態では、故障しても修理されず撤去されてしまうケースを考慮しており、故障率≠修理率である。そして、本発明の実施の形態では、故障しても修理されず撤去されてしまうケースを推定残存率という形で加味していることが一つの特徴である。一般に、修理率は、経過期間ごとに、修理率＝修理件数／実績設置台数（＝初期台数）、によって求められる。但し、ここでの修理件数は、途中で設備撤去などが無い場合の件数を意味する。従って、途中撤去がある場合（或いは途中撤去を考慮する場合）、修理率は直接計算することができない。そこで、本発明の実施の形態では、まず、ハザード関数を算出し、次にハザード関数から累積修理率を推定し、最後に修理率を累積修理率の差分によって求める。そこで、例えば、端末２の制御部１１は、まず経過期間（月単位）ごとに、推定ハザード関数４２＝実績修理件数３３／（推定残存台数４１×（１−前期までの累積修理率））、を算出する。ここでのハザード関数の分母は、ある期間に残存しており、かつ前期までに故障していない機器台数の推定数となっている。
【００８１】
次に、端末２の制御部１１は、推定ハザード関数４２に基づき、推定累積修理率４３を算出する（Ｓ５）。
【００８２】
推定累積修理率４３の算出処理の１例について説明する。推定ハザード関数４２は、経過期間（月単位）ごとの前期まで健全だった機器が故障する確率なので、端末２の制御部１１は、推定ハザード関数４２の各経過期間（月単位）における値を、順次用いて推定累積修理率４３を算出する。例えば、１２０ヶ月目の推定累積修理率は、１−（１−１ヶ月目の推定ハザード関数）×（１−２ヶ月目の推定ハザード関数）×・・・×（１−１２０ヶ月目の推定ハザード関数）、のように算出できる。
【００８３】
次に、端末２の制御部１１は、推定累積修理率４３、予測モデル２２、及び学習期間２３に基づき、予測累積修理率５１を算出する（Ｓ６）。
【００８４】
予測累積修理率５１の算出処理の１例について説明する。端末２の制御部１１は、学習期間２３の範囲内のデータを用いて、推定累積修理率４３に対して予測モデル２２を適用し、予測累積修理率５１を算出する。学習期間２３の範囲内のデータとは、Ｓ５において算出された推定累積修理率４３のデータ群の中で、経過期間（月単位）が学習期間２３の範囲内に含まれるデータである。予測モデル２２としては、前述したワイブルモデルや線形モデルが挙げられる。端末２の制御部１１は、公知の統計処理によって、学習期間２３の範囲内に含まれる推定累積修理率４３のデータを予測モデル２２に当てはめて、予測期間の予測累積修理率５１を算出する。予測期間は、ユーザが特に指定しなければ、実績値がない範囲、つまり将来となる。
【００８５】
次に、端末２の制御部１１は、予測累積修理率５１及び推定残存台数４１に基づき、予測残存台数５２、予測ハザード関数５３、及び予測修理率５４を算出する（Ｓ７）。
【００８６】
まず、予測残存台数５２の算出処理の１例について説明する。端末２の制御部１１は、例えば、推定残存台数４１の算出処理に用いた推定残存率３１を用いて、予測残存台数５２を算出する。
【００８７】
次に、予測ハザード関数５３及び予測修理率５４の算出処理の１例について説明する。予測累積修理率５１から予測ハザード関数５３を求める処理は、推定ハザード関数４２から推定累積修理率４３を求める処理の裏返しになる。つまり、端末２の制御部１１は、隣り合う月同士の予測累積修理率５１を用いることによって、予測ハザード関数５３を算出する。例えば、１３０ヶ月目の予測ハザード関数は、（１−１３０ヶ月目の予測累積修理率）/（１−１２９ヶ月目の予測累積修理率）、によって算出できる。また、隣り合う月同士の予測累積修理率５１の差分値が、経過期間（月単位）ごとの予測修理率５４である。
【００８８】
次に、端末２の制御部１１は、予測残存台数５２、及び、予測ハザード関数５３又は予測修理率５４に基づき、予測修理件数５５を算出する（Ｓ８）。
【００８９】
予測修理件数５５の算出処理の１例について説明する。予測修理件数５５を求める処理は、予測したい発生時点（月単位）における経過年月（月単位）ごとの予測残存台数５２に（１−前期までの予測累積修理率５１または推定累積修理率４３）をかけて求められる予測したい発生時点の予測台数に、経過期間（月単位）ごとの予測ハザード関数５３または推定ハザード関数４２をかけ合わせて、全ての経過年月（月単位）について総和をとることで、予測したい発生時点（月単位）における予測修理件数５５を算出する。実績がある経過期間については、推定累積修理率４３および推定ハザード関数４２を用いて、それ以外の期間は予測累積修理率５１および予測ハザード関数５３を用いることが原則だが、実績が存在する期間についてもスムージングのため予測累積修理率５１および予測ハザード関数５３を用いても良い。例えば、２０１１年１月時点の予測修理件数を求めるとすると、予測修理件数＝（経過期間１ヶ月の予測ハザード関数または推定ハザード関数×２０１１年１月時点で経過期間１ヶ月の予測残存台数×（１−経過期間０ヶ月の予測累積修理率または推定累積修理率）＋（経過期間２ヶ月の予測ハザード関数または推定ハザード関数×２０１１年１月時点で経過期間２ヶ月の予測残存台数×（１−経過期間１ヶ月の予測累積修理率または推定累積修理率）＋・・・（収束する経過期間までの総和をとる）、となる。
【００９０】
次に、端末２の制御部１１は、各種グラフを表示する（Ｓ９）。例えば、端末２の制御部１１が、予測結果５０（予測累積修理率５１、予測残存台数５２、予測ハザード関数５３、予測修理率５４、予測修理件数５５）と、対応する過去実績とを同一のグラフ内に表示するように制御することによって、ユーザは、予測の妥当性を目視によって確認することができる。ユーザは、確認した後、必要に応じて、予測対象２１、予測モデル２２、及び学習期間２３の再選択を行い、当てはまりの良い予測となるように調整することができる。
【００９１】
図８に示す処理によって、保守支援システム１は、機器の保守計画を立てる為の保守支援情報として、正確な情報をユーザに提供することができる。特に、ＤＢ５に記憶される推定残存率が、例えば、機器が設置されている一般家庭などを定期的に巡回して行う定期保安調査の結果を反映したものであれば、保守支援システム１は、正確な実態把握に基づいた保守支援情報をユーザに提供することができる。
【００９２】
また、保守支援システム１は、学習期間２３の選択を受け付けて、学習期間２３の範囲内のデータを用いて、推定累積修理率４３に対して予測モデル２２を適用し、予測結果５０を算出する予測処理を行うので、ユーザは、学習期間を動的に変更し、保守支援情報を得ることができる。従って、ユーザは、過去の事例（例えば、故障や修理などの事例）等に応じて適切な学習期間を選択し、正確な保守支援情報を得ることができる。
【００９３】
また、保守支援システム１は、予測累積修理率５１に加えて、予測残存台数５２、予測ハザード関数５３、予測修理率５４、及び予測修理件数５５を算出するので、ユーザは、保守支援情報として、様々な情報を得ることができる。
【００９４】
以下では、本発明の実施の形態における各変形例を説明する。
【００９５】
＜変形例１＞
変形例１では、保守支援システム１は、保守実施情報１００を表示し、学習期間２３の選択可能範囲を表示する。図９は、保守実施情報１００及び学習期間２３の選択可能範囲の表示例である。
【００９６】
図９は、横軸が経過期間（経過月数）である。その機器の現物が設置された時点（以下、「現物設置時点」という。）を始点とし、現在は、「現物設置時点」から１２０カ月経過していることを示している。現在の時点よりも前の期間は、「実績値あり」の期間となる。一方、現在の時点よりも後の期間は、「予測期間」となる。
【００９７】
図９では、保守実施情報１００として、「現物設置時点」から６０カ月経過した時点において、「事前メンテナンス開始」が表示されている。これは、予測対象の機器に対して、「現物設置時点」から６０カ月経過した時点から、事前メンテナンスを開始したことを示している。
【００９８】
学習期間の絞り込みを行う例としては、（１）ある機器について、知見として「６０ヶ月目ごろから急激に劣化が進む」ことがわかった場合に、６０ヶ月目以降のデータのみ用いて予測を行うというような場合や、（２）ある機器について設置から６０ヶ月目時点の点検で全て予防措置を行っている場合に、６０ヶ月目以降のデータを用いて予測を行うというような場合が考えられる。
【００９９】
そこで、保守支援システム１は、例えば、保守実施情報１００に基づき、学習期間２３の選択可能範囲を制限する機能を有しても良い。これによって、保守支援システム１は、過去の事例から学習期間に含めるべきではない期間を選択不可とすることができる。例えば、販売済の全ての機器を対象とした部品交換などを行い、故障や修理の発生傾向が大きく変化している場合も、保守支援システムは、部品交換時期よりも前の期間を選択不可とすることによって、正確な保守支援情報を算出することができる。
【０１００】
また、保守支援システム１は、保守実施情報１００を端末２の表示部１６に表示するだけでも良い。これによって、ユーザは、保守実施情報１００を確認しながら、適切な学習期間を選択することができる。
【０１０１】
＜変形例２＞
変形例２では、保守支援システム１は、保守実施情報１００に基づいて学習期間２３を自動的に決定する。図１０は、変形例２の処理を示すフローチャートである。以下、図１０を参照しながら、変形例２について説明する。図８のフローチャートと同様の処理については詳細な説明を省略する。
【０１０２】
端末２の制御部１１は、予測対象２１、予測モデル２２の選択を受け付ける（Ｓ１１）。Ｓ１１の処理は、図８のＳ１の処理と同様である。
【０１０３】
次に、端末２の制御部１１は、保守実施情報１００に基づき、最適な学習期間２３を決定する（Ｓ１２）。
【０１０４】
学習期間２３の決定処理の１例について説明する。前提として、端末２の記憶部１２には、予めユーザによって指定された、学習期間２３の選択可能範囲を制限する保守実施内容１０４（以下、「制限保守実施内容」）が記憶されているものとする。例えば、ユーザが、「事前メンテナンス開始」及び「部品交換」について学習期間２３の選択可能範囲を制限したい場合、「事前メンテナンス開始」及び「部品交換」を制限保守実施内容として、端末２の記憶部１２に記憶しておく。
【０１０５】
そして、端末２の制御部１１は、予測対象２１の機器コードをサーバ３に送信する。サーバ３の制御部１１は、端末２から受信した機器コードを検索条件として、保守実施情報１００を検索する。サーバ３の制御部１１は、検索結果として得られた保守実施月１０３及び保守実施内容１０４を端末２に送信する。端末２の制御部１１は、サーバ３から受信した保守実施内容１０４と、記憶部１２に記憶されている制限保守実施内容とを比較し、一致する保守実施内容１０４については、その保守実施月１０３の時点から実績値ありの終点までの期間を、学習期間２３として決定する。このように学習期間２３を決定する理由は、故障や修理の発生傾向が異なるデータを除けば、予測処理６５に用いるデータが多い程、予測精度が上がると考えられるからである。
【０１０６】
次に、端末２の制御部１１は、実績設置台数３２及び実績修理件数３３を取得し（Ｓ１３）、推定残存台数４１、推定ハザード関数４２、及び推定累積修理率４３を算出し（Ｓ１４）、Ｓ１２において自動的に決定した学習期間２３を用いて予測処理６５を実行し（Ｓ１５）、予測結果５０を出力する（Ｓ１６）。Ｓ１３〜Ｓ１６の処理は、図８のＳ２〜Ｓ９の処理と同様である。
【０１０７】
図１０に示す処理によって、保守支援システム１は、ユーザの手間を省くことができるとともに、システムに精通していないユーザに対しても正確な保守支援情報を提供することができる。例えば、販売済の全ての機器を対象とした部品交換などを行い、故障や修理の発生傾向が大きく変化している場合、保守支援システムは、部品交換時期以降の期間を学習期間として決定することによって、正確な保守支援情報を算出することができる。
【０１０８】
＜変形例３＞
変形例３では、保守支援システム１は、複数の予測処理を行い、予測結果を比較出力する。図１１は、変形例３の処理を示すフローチャートである。図１２は、グラフデータ５６の出力例である。以下、図１１を参照しながら、変形例３について説明する。図８のフローチャートと同様の処理については詳細な説明を省略する。
【０１０９】
端末２の制御部１１は、予測対象２１、予測モデル２２の選択を受け付ける（Ｓ２１）。Ｓ２１の処理は、図８のＳ１の処理と同様である。
【０１１０】
次に、端末２の制御部１１は、複数の学習期間２３の選択を受け付ける（Ｓ２２）。尚、端末２の制御部１１は、複数の予測モデル２２の選択を受け付けるようにしても良い。
【０１１１】
次に、端末２の制御部１１は、実績設置台数３２及び実績修理件数３３を取得し（Ｓ２３）、推定残存台数４１、推定ハザード関数４２、及び推定累積修理率４３を算出する（Ｓ２４）。Ｓ２３、Ｓ２４の処理は、図８のＳ２〜Ｓ５の処理と同様である。
【０１１２】
次に、端末２の制御部１１は、Ｓ１２において選択された学習期間２３の１つを用いて予測処理６５を実行する（Ｓ２５）。Ｓ２５の処理は、図８のＳ６〜Ｓ８の処理と同様である。
【０１１３】
次に、端末２の制御部１１は、全ての学習期間２３について予測処理６５が終了したか否かを判定する（Ｓ２６）。終了していない場合（Ｓ２６のＮｏ）、端末２の制御部１１は、Ｓ２５の処理を繰り返す。終了している場合（Ｓ２６のＹｅｓ）、端末２の制御部１１は、複数の予測結果５０を比較出力する（Ｓ２７）。
【０１１４】
図１２（ａ）は、機器Ａの２００５年時点の予測累積修理率５１のグラフである。学習期間は、経過期間（月単位）が２４か月〜６０か月、発生時点（月単位）が２０００年〜２００５年である。予測期間は、経過期間（月単位）が６０カ月以降である。
【０１１５】
図１２（ｂ）は、機器Ａの２０１０年時点の予測累積修理率５１のグラフである。学習期間は、経過期間（月単位）が６０か月〜１２０か月、発生時点（月単位）が２００６年〜２０１０年である。予測期間は、経過期間（月単位）が１２０カ月以降である。
【０１１６】
図１２（ｃ）は、機器Ａの２００５年時点の予測累積修理率５１及び２０１０年時点の予測累積修理率５１を同一のグラフに比較出力したものである。
【０１１７】
図１２に示す例では、機器Ａに対して、２００５年に事前メンテナンスを開始し、２００５年の前後間で故障や修理の発生傾向が大きく変化している。しかし、図１２（ａ）及び図１２（ｂ）のように、１回ずつの結果出力では、このような傾向を読み取ることが難しい。一方、図１２（ｃ）のように比較出力することによって、両者の乖離を目視にて判断することができる。従って、２００５年における傾向変化が未知の場合であっても、ユーザは、図１２（ｃ）のような比較出力を確認することによって、過去に傾向変化をもたらすような保守作業が行われていることを見つけ出すことができる。
【０１１８】
図１１に示す処理によって、ユーザは、複数の学習期間による予測結果を比較することができる。従って、ユーザは、過去に傾向変化をもたらすような保守作業が行われていることを見つけ出すことができる。
【０１１９】
＜変形例４＞
変形例４では、保守支援システム１は、予測処理６５の外れ度合を算出し、再予測の要否判定を行う。図１３は、変形例４の処理を示すフローチャートである。以下、図１３を参照しながら、変形例４について説明する。図８のフローチャートと同様の処理については詳細な説明を省略する。
【０１２０】
端末２の制御部１１は、過去の予測期間の選択を受け付ける（Ｓ３１）。過去の予測期間とは、実績値が存在し、本来であれば予測する必要がない期間を意味する。変形例４では、予測処理６５に用いられる予測モデル２２や学習期間２３の妥当性を検証するため、敢えて過去の予測期間を選択して予測処理６５を実行し、実績値と比較する。
【０１２１】
次に、端末２の制御部１１は、予測対象２１、予測モデル２２、学習期間２３の選択を受け付ける（Ｓ３２）。Ｓ３２の処理は、図８のＳ１の処理と同様である。
【０１２２】
次に、端末２の制御部１１は、実績設置台数３２及び実績修理件数３３を取得し（Ｓ３３）、推定残存台数４１、推定ハザード関数４２、及び推定累積修理率４３を算出し（Ｓ３４）、過去の予測期間に対する予測処理６５を実行する（Ｓ３５）。Ｓ３３〜Ｓ３５の処理は、図８のＳ２〜Ｓ８の処理と同様である。
【０１２３】
次に、端末２の制御部１１は、サーバ３のＤＢ５から、過去の予測期間と同一期間の実績値を取得し（Ｓ３６）、外れ度合を算出する（Ｓ３７）。
【０１２４】
外れ度合の算出処理の１例について説明する。外れ度合は、予測値と実績値との乖離であり、統計用語で言えば、予測値と実績値との「誤差」である。例えば、予測累積修理率５１の外れ度合を算出する場合、端末２の制御部１１は、算出された予測累積修理率５１と、過去の予測期間と同一期間の実績累積修理率との誤差二乗平均の和を算出する。
【０１２５】
次に、端末２の制御部１１は、外れ度合が所定の閾値以上であるか否かを判定する（Ｓ３８）。尚、所定の閾値は、予め記憶部１２に記憶しておく。
【０１２６】
外れ度合が所定の閾値以上である場合（Ｓ３８のＹｅｓ）、端末２の制御部１１は、Ｓ３２の処理から繰り返す。外れ度合が所定の閾値未満である場合（Ｓ３８のＮｏ）、端末２の制御部１１は、公知の統計処理によって、予測結果５０の信頼区間を算出し（Ｓ３９）、予測結果５０の信頼区間とともに、予測結果５０を出力する（Ｓ４０）。
【０１２７】
図１３に示す処理において、保守支援システム１は、過去の予測期間が受け付けられた場合には、過去の予測期間に対する予測処理６５を行い、予測処理６５によって算出された過去の予測値と、過去の予測期間と同一期間における実績値との比較を行い、実績値からの外れ度合を算出する。これによって、ユーザは、実績値からの外れ度合を確認することができる。従って、ユーザは、予測処理６５に用いられる予測モデル２２や学習期間２３の妥当性を検証することができる。
【０１２８】
また、図１３に示す処理において、保守支援システム１は、算出された外れ度合が、所定の閾値以上か否かを判定し、外れ度合が所定の閾値以上と判定された場合には、学習期間２３の再選択を受け付け、外れ度合が所定の閾値未満と判定された場合には、予測結果５０の信頼区間を算出する。これによって、ユーザ自身は、学習期間２３などを変えて、更に予測処理６５を保守支援システム１に実行させるべきか否かの判断を行う必要がない。更に、ユーザは、予測結果５０の信頼区間を確認することができる。従って、保守支援システム１は、ユーザに対して保守支援情報に対する納得感を与えることができる。
【０１２９】
＜変形例５＞
変形例５では、保守支援システム１は、総当たりによって最適な予測モデル２２及び学習期間２３を決定する。図１４は、変形例５の処理を示すフローチャートである。以下、図１４を参照しながら、変形例５について説明する。図８のフローチャートと同様の処理については詳細な説明を省略する。
【０１３０】
端末２の制御部１１は、予測対象２１の選択を受け付ける（Ｓ５１）。次に、端末２の制御部１１は、取り得る全ての予測モデル２２、及び学習期間２３を取得する（Ｓ５２）。
【０１３１】
次に、端末２の制御部１１は、推定残存率３１、実績設置台数３２及び実績修理件数３３を取得し（Ｓ５３）、推定残存台数４１、推定ハザード関数４２、及び推定累積修理率４３を算出し（Ｓ５４）、予測期間に対する予測処理６５を実行する（Ｓ５５）。予測期間は、変形例４と同様、実績値が存在する過去の予測期間である。Ｓ５３〜Ｓ５５の処理は、図８のＳ２〜Ｓ８の処理と同様である。
【０１３２】
次に、端末２の制御部１１は、サーバ３のＤＢ５から、予測期間と同一期間の実績値を取得し（Ｓ５６）、実績値との誤差二乗平均の和を算出する（Ｓ５７）。
【０１３３】
次に、端末２の制御部１１は、全ての予測モデル２２及び学習期間２３について処理が終了したか否かを判定する（Ｓ５８）。処理が終了していない場合（Ｓ５８のＮｏ）、端末２の制御部１１は、Ｓ５２の処理から繰り返す。処理が終了している場合（Ｓ５８のＹｅｓ）、端末２の制御部１１は、誤差二乗平均の和が最小の予測モデル２２及び学習期間２３を最適な値として決定し（Ｓ５９）、最適な予測モデル２２及び学習期間２３を出力する（Ｓ６０）。
【０１３４】
図１４に示す処理において、保守支援システム１は、取り得る全ての期間から学習期間２３を１つずつ決定して予測処理６５を繰り返し、最適な学習期間２３を決定する。これによって、保守支援システム１は、取り得る全ての期間に対して予測処理６５を行い、予測結果５０から最適な学習期間２３を自動的に決定することができる。
【０１３５】
＜変形例６＞
変形例６では、保守支援システム１は、故障現象９５、故障原因９７、修理箇所９６、及び修理方法９８を含む修理情報９０を、予測処理６５に用いられるデータ範囲の絞り込み条件として利用する。つまり、保守支援システム１は、故障現象９５、故障原因９７、修理箇所９６、及び修理方法９８のいずれか１つ又は複数の値の選択を受け付けて、予測対象２１の絞り込み条件によって絞り込まれるデータを用いて予測処理６５を行う。
【０１３６】
変形例６における絞り込み処理は、予測対象２１の選択を受け付ける処理に含まれる。従って、変形例６における絞り込み処理は、前述した図８、図１０、図１１、図１３、及び図１４のフローチャートの全てにおいて適用可能である。
【０１３７】
変形例６における絞り込み処理によって、ユーザは、故障現象９５、故障原因９７、修理箇所９６、及び修理方法９８のいずれか１つ又は複数の値を選択してデータ範囲を絞り込み、予測支援情報を得ることができる。ひいては、ユーザは、保守作業の目的に応じた様々な予測支援情報を得ることができる。
【０１３８】
例えば、ある特定の機器に対して、故障現象９５ごとの予測支援情報を得たい場合、変形例３に対して変形例６を適用すれば良い。具体的には、保守支援システム１は、図１１のＳ２２において、複数の学習期間２３の選択を受け付けることに代えて、複数の故障現象９５の選択（例えば、故障現象９５の「全て」を選択）を受け付けて、故障現象９５ごとに変形例６における絞り込み処理を行った後、予測処理６５を実行すれば良い。
【０１３９】
また、例えば、ある特定の機器に対して、予測対象２１の絞り込み条件の中で優先順位を付けて予測処理６５を実行させ、外れ度合が所定の閾値未満になる予測支援情報を得たい場合、変形例４に対して変形例６を適用すれば良い。具体的には、図１３のＳ３２において、予測対象２１の絞り込み条件（故障現象９５、故障原因９７、修理箇所９６、及び修理方法９８）の優先順位の選択を受け付けて、優先順位に従って変形例６における絞り込み処理を行った後、予測処理６５を実行すれば良い。
【０１４０】
以上、添付図面を参照しながら、本発明に係る保守支援システム等の好適な実施形態について説明したが、本発明はかかる例に限定されない。当業者であれば、本願で開示した技術的思想の範疇内において、各種の変更例又は修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。
【符号の説明】
【０１４１】
１………保守支援システム
２………端末
３………サーバ
４………保守支援プログラム
５………データベース（ＤＢ）
６………ネットワーク
２１………予測対象
２２………予測モデル
２３………学習期間
３１………推定残存率
３２………実績設置台数
３３………実績修理件数
４１………推定残存台数
４２………推定ハザード関数
４３………推定累積修理率
５０………予測結果
５１………予測累積修理率
５２………予測残存台数
５３………予測ハザード関数
５４………予測修理率
５５………予測修理件数
５６………グラフデータ
６１ａ、６１ｂ、６１ｃ………取得処理
６２………推定残存台数算出処理
６３………推定ハザード関数算出処理
６４………推定累積修理率算出処理
６５、６５ａ、６５ｂ、６５ｃ、６５ｄ、６５ｅ………予測処理
６６………結果出力処理
【技術分野】
【０００１】
本発明は、主に一般家庭において使用される機器の保守を支援する保守支援システム等に関するものである。
【背景技術】
【０００２】
各種機器の保守業務においては、故障発生時に迅速に対応するとともに、重大な故障が発生しないように適切な保守計画を立てておくことが求められる。保守計画の具体的な内容としては、機器の販売中止、部品の保管年限、保証期間の延長、設計の変更など、多岐にわたる。
【０００３】
特許文献１には、一般家庭において使用されるガス機器の品質管理方法について開示されている。特許文献１に記載の品質管理方法では、まず、顧客所有機器データ記憶部に登録されている全ての所有機器に対し、実際に使用された単位期間の長さに応じた機器台数を機器型式別に計数して機器型式別使用期間別台数を算出する。次に、部品使用実績データに基づいて、機器型式別且つ使用期間別に使用部品毎の使用数を導出し、これを機器型式別使用期間別台数で除算することで、使用期間を経験した全ての所有機器のうち、単位期間内で使用部品が必要となる台数の割合を、同部品毎に、機器型式別使用期間別に規定した値である部品使用率を、品質管理指標として算出する。
【０００４】
特許文献２には、機器の交換時期及びメンテナンス時期の推定作業を支援する保守支援プログラムが開示されている。特許文献２の保守支援プログラムは、コンピュータに、以下の機能を実現させるためのプログラムである。
（１）出荷情報データベースに記憶されており保守対象の機器の識別情報と機器の出荷先を示す顧客識別情報とを関連付けた出荷情報に基づいて、所定の出荷先へ出荷された機器の集合であり所定の出荷先で信頼性解析時点までに故障の発生している機器と所定の出荷先で信頼性解析時点までに故障の発生していない機器とを含む母集団の台数Ｎｉを求める母集団演算機能。
（２）設備保全情報データベースに記憶されており機器の識別情報、機器を用いる顧客を示す顧客識別情報、機器の故障発生時間情報を関連付けた設備保全情報に基づいて、母集団内において信頼性解析時点までに発生している機器の故障実績である累積ハザード値（Ｈ（ｔ）＝所定の出荷先で信頼性解析時点までに故障の発生している機器の故障台数／Ｎｉ）を求め、累積ハザード値と使用環境データベースに記載されており顧客識別情報と機器の使用環境とを関連付けた環境情報に基づいて、累積ハザード関数近似、信頼度関数の演算、不信頼度関数の演算、故障発生確率密度関数の演算、ワイブル関数の演算のうちの少なくとも一つを含む信頼性解析を使用環境に応じた重み補正を実行しつつ行い、所定の出荷先についての信頼性解析の結果を示す信頼性解析情報を信頼性解析データベースに記録する解析機能。
【先行技術文献】
【特許文献】
【０００５】
【特許文献１】特開２０１０−２３１３７６号公報
【特許文献２】特許第４３０９８０３号公報
【発明の概要】
【発明が解決しようとする課題】
【０００６】
ところで、特許文献１では、顧客所有機器データ記憶部に登録される「抹消日」（機器が取り外されたことを保守業者が認識した日）に基づいて、「実際に使用された単位期間の長さに応じた機器台数」等を求めている。そうすると、販売・設置後に修理などの連絡をせずに、顧客自らが機器を廃棄したり、使用せずに放置したりしている場合については、正常に稼働している機器としてカウントされてしまう。従って、特許文献１において算出される部品使用率は、正確な実態把握に基づいた品質管理指標とは言えない。更に、特許文献１では、品質管理指標として部品使用率を算出するところまでに留まり、適切な保守計画を立てるための情報としては不十分である。
【０００７】
また、特許文献２では、出荷情報から信頼性解析時点までの故障情報を差し引くことによって、信頼性解析時点の稼働台数を算出している。そうすると、前述した通り、販売・設置後に修理などの連絡をせずに、顧客自らが機器を廃棄したり、使用せずに放置したりしている場合については、正常に稼働している機器としてカウントされてしまう。従って、特許文献２において算出される信頼性解析情報も、正確な実態把握に基づいた品質管理指標とは言えない。また、特許文献２では、故障個所が異なったり、故障個所が同一であっても経過年月が異なったりする「性質が異なる故障」を切り分けて考えていないので、適切な保守計画を立てるための情報としては不十分である。
【０００８】
本発明は、前述した問題点に鑑みてなされたもので、その目的とすることは、機器の保守計画を立てる為の保守支援情報として、正確かつ十分な情報を提供することが可能な保守支援システム等を提供することである。
【課題を解決するための手段】
【０００９】
前述した目的を達成するために第１の発明は、コンピュータによって構成され、機器の保守業務を支援する保守支援システムであって、前記機器の設置時点からの経過期間ごとに、前記機器が現実に稼働している割合の推定値である推定残存率を記憶する記憶手段と、前記機器の実績設置台数を前記経過期間ごとに取得し、前記機器の実績修理件数を発生時点ごとに取得する取得手段と、前記推定残存率及び前記実績設置台数に基づき、前記経過期間ごとに、前記機器が現実に残存している台数の推定値である推定残存台数を算出する推定残存台数算出手段と、前記実績修理件数及び前記推定残存台数に基づき、前記機器のハザード関数の推定値である推定ハザード関数を算出する推定ハザード関数算出手段と、前記推定ハザード関数に基づき、前記機器の累積修理率の推定値である推定累積修理率を算出する推定累積修理率算出手段と、を具備することを特徴とする保守支援システムである。
【００１０】
第１の発明によって、保守支援システムは、機器の保守計画を立てる為の保守支援情報として、正確な情報を提供することができる。特に、記憶手段に記憶される推定残存率が、例えば、機器が設置されている一般家庭などを定期的に巡回して行う定期保安調査の結果を反映したものであれば、保守支援システムは、正確な実態把握に基づいた保守支援情報を提供することができる。
【００１１】
第１の発明は、学習期間の選択を受け付ける受付手段と、前記学習期間の範囲内のデータを用いて、前記推定累積修理率に対して所定の予測モデルを適用し、前記機器の将来の累積修理率の予測値である予測累積修理率を算出する予測処理を行う予測手段と、を更に具備することが望ましい。これによって、ユーザは、学習期間を動的に変更し、保守支援情報（例えば、予測累積修理率）を得ることができる。従って、ユーザは、過去の事例（例えば、故障や修理などの事例）等に応じて適切な学習期間を選択し、正確な保守支援情報を得ることができる。
【００１２】
第１の発明における前記予測処理では、更に、前記機器の将来の残存台数の予測値である予測残存台数、前記機器の将来のハザード関数の予測値である予測ハザード関数、前記機器の将来の修理率の予測値である予測修理率、及び、前記機器の将来の修理件数の予測値である予測修理件数を算出することが望ましい。これによって、ユーザは、保守支援情報として、様々な情報を得ることができる。
【００１３】
第１の発明における前記記憶手段は、更に、前記機器に関する保守実施情報を発生時点ごとに記憶し、前記保守実施情報を表示する表示手段、を更に具備することが望ましい。これによって、ユーザは、保守実施情報を確認しながら、適切な学習期間を選択することができる。
【００１４】
第１の発明における前記受付手段は、更に、前記保守実施情報に基づき、前記学習期間の選択可能範囲を制限する機能を有することが望ましい。これによって、保守支援システムは、過去の事例から学習期間に含めるべきではない期間を選択不可とすることができる。例えば、販売済の全ての機器を対象とした部品交換などを行い、故障や修理の発生傾向が大きく変化している場合、保守支援システムは、部品交換時期よりも前の期間を選択不可とすることによって、正確な保守支援情報を算出することができる。
【００１５】
第１の発明における前記受付手段は、更に、前記保守実施情報に基づき、最適な前記学習期間を自動的に決定する機能を有することが望ましい。これによって、保守支援システムは、ユーザの手間を省くことができるとともに、システムに精通していないユーザに対しても正確な保守支援情報を提供することができる。例えば、販売済の全ての機器を対象とした部品交換などを行い、故障や修理の発生傾向が大きく変化している場合、保守支援システムは、部品交換時期以降の期間を学習期間として決定することによって、正確な保守支援情報を算出することができる。
【００１６】
第１の発明における前記受付手段は、複数の前記学習期間の選択を受け付け、前記予測手段は、複数の前記学習期間ごとに、複数の前記予測処理を行い、予測結果を比較出力することが望ましい。これによって、ユーザは、複数の学習期間による予測結果を比較することができる。従って、ユーザは、過去に傾向変化をもたらすような保守作業が行われていることを見つけ出すことができる。
【００１７】
第１の発明における前記受付手段は、過去の予測期間の選択を受け付け、前記予測手段は、前記過去の予測期間に対する前記予測処理を行い、前記予測処理によって算出された前記過去の予測期間に対する予測値と、前記過去の予測期間と同一期間における実績値との比較を行い、前記実績値からの外れ度合を算出する外れ度合算出手段、を更に具備することが望ましい。これによって、ユーザは、実績値からの外れ度合を確認することができる。従って、ユーザは、予測処理に用いられる予測モデルや学習期間の妥当性を検証することができる。
【００１８】
第１の発明における前記外れ度合算出手段によって算出された前記外れ度合が、所定の閾値以上か否かを判定する判定手段、を更に具備し、前記判定手段によって前記外れ度合が所定の閾値以上と判定された場合には、前記受付手段が前記学習期間の再選択を受け付け、前記判定手段によって前記外れ度合が所定の閾値未満と判定された場合には、前記予測手段が、予測結果の信頼区間を算出することが望ましい。これによって、ユーザ自身は、学習期間などを変えて、更に予測処理を保守支援システムに実行させるべきか否かの判断を行う必要がない。更に、ユーザは、予測結果の信頼区間を確認することができる。従って、保守支援システムは、ユーザに対して保守支援情報に対する納得感を与えることができる。
【００１９】
第１の発明における前記予測手段は、更に、取り得る全ての期間から前記学習期間を１つずつ決定して前記予測処理を繰り返し、最適な前記学習期間を決定する機能を有することが望ましい。これによって、保守支援システムは、取り得る全ての期間に対して予測処理を行い、予測結果から最適な学習期間を自動的に決定することができる。
【００２０】
第１の発明における前記記憶手段は、更に、前記機器の故障現象、故障原因、修理箇所及び修理方法を含む修理情報を記憶し、前記受付手段は、更に、前記予測処理に用いられるデータ範囲の絞り込み条件として、前記故障現象、前記故障原因、前記修理箇所、及び前記修理方法のいずれか１つ又は複数の値の選択を受け付け、前記予測手段は、前記受付手段によって受け付けられた前記絞り込み条件に従って絞り込まれるデータを用いて前記予測処理を行うことが望ましい。これによって、ユーザは、故障現象、故障原因、修理箇所、及び修理方法のいずれか１つ又は複数の値を選択してデータ範囲を絞り込み、予測支援情報を得ることができる。ひいては、ユーザは、保守作業の目的に応じた様々な予測支援情報を得ることができる。
【００２１】
第１の発明における前記受付手段は、前記予測モデルの選択を受け付け、前記予測手段は、前記受付手段によって受け付けられた前記予測モデルを適用して、前記予測処理を行うことが望ましい。これによって、ユーザは、学習期間に加えて予測モデルも選択し、予測支援情報を得ることができる。
【００２２】
第２の発明は、コンピュータが実行し、機器の保守業務を支援する保守支援方法であって、前記コンピュータが、前記機器の設置時点からの経過期間ごとに、前記機器が現実に稼働している割合の推定値である推定残存率を記憶する記憶ステップと、前記機器の実績設置台数を前記経過期間ごとに取得し、前記機器の実績修理件数を発生時点ごとに取得する取得ステップと、前記推定残存率及び前記実績設置台数に基づき、前記経過期間ごとに、前記機器が現実に残存している台数の推定値である推定残存台数を算出する推定残存台数算出ステップと、前記実績修理件数及び前記推定残存台数に基づき、前記機器のハザード関数の推定値である推定ハザード関数を算出する推定ハザード関数算出ステップと、前記推定ハザード関数に基づき、前記機器の累積修理率の推定値である推定累積修理率を算出する推定累積修理率算出ステップと、を含むことを特徴とする保守支援方法である。第２の発明によって、機器の保守計画を立てる為の保守支援情報として、正確な情報を提供することができる。
【００２３】
第２の発明は、学習期間の選択を受け付ける受付ステップと、前記学習期間の範囲内のデータを用いて、前記推定累積修理率に対して所定の予測モデルを適用し、前記機器の将来の累積修理率の予測値である予測累積修理率を算出する予測処理を行う予測ステップと、を更に含むことが望ましい。これによって、ユーザは、学習期間を動的に変更し、保守支援情報を得ることができる。従って、ユーザは、過去の事例等に応じて適切な学習期間を選択し、正確な保守支援情報を得ることができる。
【００２４】
第３の発明は、コンピュータに、機器の保守業務を支援する保守支援方法を実行させるためのプログラムであって、前記機器の設置時点からの経過期間ごとに、前記機器が現実に稼働している割合の推定値である推定残存率を記憶する記憶ステップと、前記機器の実績設置台数を前記経過期間ごとに取得し、前記機器の実績修理件数を発生時点ごとに取得する取得ステップと、前記推定残存率及び前記実績設置台数に基づき、前記経過期間ごとに、前記機器が現実に残存している台数の推定値である推定残存台数を算出する推定残存台数算出ステップと、前記実績修理件数及び前記推定残存台数に基づき、前記機器のハザード関数の推定値である推定ハザード関数を算出する推定ハザード関数算出ステップと、前記推定ハザード関数に基づき、前記機器の累積修理率の推定値である推定累積修理率を算出する推定累積修理率算出ステップと、を含む処理を前記コンピュータに実行させるためのプログラムである。第３の発明をコンピュータにインストールすることによって、第１の発明の保守支援システムを得ることができる。ひいては、機器の保守計画を立てる為の保守支援情報として、正確な情報を提供することができる。
【００２５】
第３の発明は、学習期間の選択を受け付ける受付ステップと、前記学習期間の範囲内のデータを用いて、前記推定累積修理率に対して所定の予測モデルを適用し、前記機器の将来の累積修理率の予測値である予測累積修理率を算出する予測処理を行う予測ステップと、を更に含む処理を前記コンピュータに実行させることが望ましい。これによって、ユーザは、学習期間を動的に変更し、保守支援情報を得ることができる。従って、ユーザは、過去の事例等に応じて適切な学習期間を選択し、正確な保守支援情報を得ることができる。
【発明の効果】
【００２６】
本発明により、機器の保守計画を立てる為の保守支援情報として、正確かつ十分な情報を提供することが可能な保守支援システム等を提供することができる。
【図面の簡単な説明】
【００２７】
【図１】保守支援システム１の概要を示す図
【図２】端末２（サーバ３）のハードウエア構成図
【図３】保守支援システム１のデータの流れを示すデータフロー
【図４】機器設置情報７０の１例
【図５】推定残存率情報８０の１例
【図６】修理情報９０の１例
【図７】保守実施情報１００の１例
【図８】保守支援システム１の処理の流れを示すフローチャート
【図９】保守実施情報１００及び学習期間２３の選択可能範囲の表示例
【図１０】変形例２の処理を示すフローチャート
【図１１】変形例３の処理を示すフローチャート
【図１２】グラフデータ５６の出力例
【図１３】変形例４の処理を示すフローチャート
【図１４】変形例５の処理を示すフローチャート
【発明を実施するための形態】
【００２８】
以下図面に基づいて、本発明の実施形態を詳細に説明する。以下では、主に一般家庭において使用される機器として、ガス機器を例に挙げて説明する。但し、本発明の適用範囲はガス機器に限らない。本発明は、前述した課題がある機器に対して適用すれば、同様の効果を奏する。
【００２９】
図１は、保守支援システム１の概要を示す図である。図１に示すように、保守支援システム１は、例えば、端末２とサーバ３がネットワーク６を介して接続されている。ネットワーク６は、例えば、インターネット又はＬＡＮ（Local Area Network）等である。端末２は、例えば、ＰＣ（Personal
Computer、以下「コンピュータ」）や携帯端末（携帯電話、スマートフォン、タブレット端末等）等、ネットワーク６に接続し、データ通信（ＨＴＴＰ通信、ＴＣＰ／ＩＰ通信など）が可能であれば、どのような機器でも良い。サーバ３も、端末２と同様に、ネットワーク６に接続し、データ通信が可能であれば良いが、望ましくは高性能なサーバ用コンピュータが良い。
【００３０】
端末２には、本発明の一形態である保守支援プログラム４がインストールされている。また、サーバ３には、本発明の実施形態において利用される各種のデータを記憶するデータベース（以下「ＤＢ」）５が構築されている。本発明の実施形態では、端末２が、保守支援プログラム４に従って各種の手段として機能し、機器の保守計画を立てる為に必要な保守支援情報をユーザに提示する。端末２は、必要に応じて、データの要求命令をサーバ３に送信する。サーバ３は、データの要求に対してＤＢ５を検索し、要求されたデータを端末２に送信する。
【００３１】
尚、保守支援システム１の構成は、図１に示す例に限らない。例えば、保守支援システム１は、端末２のみで構成されても良い。つまり、端末２が、ＤＢ５を備えるようにしても良い。
【００３２】
また、保守支援プログラム４は、サーバ３にインストールされていても良い。つまり、サーバ３が、保守支援プログラム４に従って各種の手段として機能し、保守支援情報をユーザに提示するようにしても良い。この場合、端末２は、ユーザとのインタフェースの役割を果たす。つまり、端末２は、ユーザから入力されるデータをサーバ３に送信し、サーバ３から受信するデータを出力（表示や印刷など）する。
【００３３】
また、ＤＢ５に代えて、単なるファイルとしてデータを記憶しても良い。また、ＤＢ５に記憶されているデータは、外部のサーバから取得するようにしても良い。
【００３４】
図２は、端末２（サーバ３）を実現するコンピュータのハードウエア構成図である。尚、図２のハードウエア構成は一例であり、用途、目的に応じて様々な構成を採ることが可能である。
【００３５】
端末２（サーバ３）を実現するコンピュータは、制御部１１、記憶部１２、メディア入出力部１３、通信制御部１４、入力部１５、表示部１６、周辺機器Ｉ／Ｆ部１７等が、バス１８を介して接続される。
【００３６】
制御部１１は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等で構成される。ＣＰＵは、記憶部１２、ＲＯＭ、記録媒体等に格納されるプログラムをＲＡＭ上のワークメモリ領域に呼び出して実行し、バス１８を介して接続された各装置を駆動制御し、コンピュータが行う後述する処理を実現する。ＲＯＭは、不揮発性メモリであり、コンピュータのブートプログラムやＢＩＯＳ等のプログラム、データ等を恒久的に保持している。ＲＡＭは、揮発性メモリであり、記憶部１２、ＲＯＭ、記録媒体等からロードしたプログラム、データ等を一時的に保持するとともに、制御部１１が各種処理を行う為に使用するワークエリアを備える。
【００３７】
記憶部１２は、例えば、ＨＤＤ（Hard Disk Drive）であり、制御部１１が実行するプログラム、プログラム実行に必要なデータ、ＯＳ（Operating System）等が格納される。プログラムに関しては、ＯＳに相当する制御プログラムや、後述する処理をコンピュータに実行させるためのアプリケーションプログラムが格納されている。これらの各プログラムコードは、制御部１１により必要に応じて読み出されてＲＡＭに移され、ＣＰＵに読み出されて各種の手段として実行される。
【００３８】
メディア入出力部１３（ドライブ装置）は、データの入出力を行い、例えば、ＣＤドライブ（−ＲＯＭ、−Ｒ、−ＲＷ等）、ＤＶＤドライブ（−ＲＯＭ、−Ｒ、−ＲＷ等）等のメディア入出力装置を有する。通信制御部１４は、通信制御装置、通信ポート等を有し、コンピュータとネットワーク６間の通信を媒介する通信インタフェースであり、ネットワーク６を介して、他のコンピュータ間との通信制御を行う。ネットワーク６は、有線、無線を問わない。
【００３９】
入力部１５は、データの入力を行い、例えば、キーボード、マウス等のポインティングデバイス、テンキー等の入力装置を有する。入力部１５を介して、コンピュータに対して、操作指示、動作指示、データ入力等を行うことができる。表示部１６は、液晶パネル、有機ＥＬ等のディスプレイ装置、ディスプレイ装置と連携してコンピュータのビデオ機能を実現するための論理回路等（ビデオアダプタ等）を有する。尚、入力部１５及び表示部１６は、タッチパネルディスプレイのように、一体となっていても良い。
【００４０】
周辺機器Ｉ／Ｆ（インタフェース）部１７は、コンピュータに周辺機器を接続させるためのポートであり、周辺機器Ｉ／Ｆ部１７を介してコンピュータは周辺機器とのデータの送受信を行う。周辺機器Ｉ／Ｆ部１７は、ＵＳＢ等で構成されており、通常複数の周辺機器Ｉ／Ｆを有する。周辺機器との接続形態は有線、無線を問わない。バス１８は、各装置間の制御信号、データ信号等の授受を媒介する経路である。
【００４１】
図３は、保守支援システム１のデータの流れを示すデータフローである。図３では、データの流れについて説明し、データの具体例や処理内容については後述する。
【００４２】
以下では、実績値がＤＢ５に登録されている期間を「過去」とし、実績値がＤＢ５に登録されていない期間を「将来」とし、「過去」と「将来」の境界を「現在」とする。つまり、本発明の実施の形態における時間軸は、現実の時間を基準とするのではなく、ＤＢ５に実績値が登録されているか否かを基準とする。
【００４３】
予測対象（機器・部品・修理箇所等）２１、予測モデル２２、学習期間２３は、ユーザが、所望の保守支援情報を得る為に、端末２の入力部１５を介して入力するデータである。
【００４４】
予測対象２１は、予測の対象とする機器、部品、修理箇所等を含む。ユーザは、予測対象２１として、少なくとも、予測の対象とする機器（型番等の機器コードによって特定。）を入力する。
【００４５】
予測モデル２２は、端末２が予測処理６５ａにおいて用いる統計モデルである。統計モデルとしては、例えば、ワイブル分布を利用するワイブルモデル、最小二乗法を利用する線形モデル等が挙げられる。
【００４６】
学習期間２３は、端末２が予測処理６５ａにおいて予測モデル２２の当てはめを行うデータの範囲である。学習期間２３は、機器の設置時点からの経過期間（以下、単に「経過期間」と言うこともある。）として定義される。経過期間としては、１年、２年、・・・というように年単位でも良いし、１か月、２か月、・・・というように月単位でも良い。
【００４７】
推定残存率３１、実績設置台数３２、実績修理件数３３は、それぞれ、取得処理６１ａ、６１ｂ、６１ｃによって取得されるデータである。
【００４８】
推定残存率３１は、機器の設置時点からの経過期間ごとにＤＢ５に登録される、機器が現実に稼働している割合の推定値である。取得処理６１ａは、予測対象２１を検索条件としてＤＢ５を検索し、推定残存率３１を取得する。例えば、図１に示す保守支援システム１の構成であれば、端末２が予測対象２１の選択を受け付けて、サーバ３に送信する。サーバ３は、受信する予測対象２１を検索条件としてＤＢ５を検索し、推定残存率３１を端末２に送信する。
【００４９】
推定残存率３１は、例えば、機器が設置されている一般家庭などを定期的に巡回して行う定期保安調査の結果を反映したものである。これによって、保守支援システム１は、正確な実態把握に基づいた保守支援情報を提供することができる。
【００５０】
実績設置台数３２は、過去に販売または設置した機器の経過期間ごとの台数である。例えば、図１に示す保守支援システム１の構成であれば、端末２が予測対象２１の選択を受け付けて、サーバ３に送信する。サーバ３は、受信する予測対象２１を検索条件としてＤＢ５を検索し、機器の販売数を経過期間ごとに集計し、実績設置台数３２を算出する。そして、サーバ３は、実績設置台数３２を端末２に送信する。
【００５１】
実績修理件数３３は、現実に機器の修理を行った発生時点ごとの件数である。例えば、図１に示す保守支援システム１の構成であれば、端末２が予測対象２１の選択を受け付けて、サーバ３に送信する。サーバ３は、受信する予測対象２１を検索条件としてＤＢ５を検索し、機器の修理件数を発生時点（例えば、月単位）ごとに集計し、実績修理件数３３を算出する。そして、サーバ３は、実績修理件数３３を端末２に送信する。
【００５２】
推定残存台数４１、推定ハザード関数４２、推定累積修理率４３は、それぞれ、推定残存台数算出処理６２、推定ハザード関数算出処理６３、推定累積修理率算出処理６４によって算出されるデータである。特に、これらのデータは、推定値及び実績値から直接導出されるデータである。
【００５３】
推定残存台数４１は、機器が現実に残存している経過期間ごとの台数の推定値である。推定残存台数算出処理６２は、推定残存率３１及び実績設置台数３２に基づき、経過期間ごとに推定残存台数４１を算出する。推定残存台数算出処理６２の詳細は、図８を参照しながら後述する。
【００５４】
推定ハザード関数４２は、機器のハザード関数の推定値である。「ハザード関数」は統計用語である。本発明の実施の形態では、「ハザード関数」とは、時刻ｔまで正常稼働しているという仮定のもとで、時間ｔ＜ｘ＜ｔ＋△ｔで故障する確率（故障率）を示す。
【００５５】
推定ハザード関数算出処理６３は、推定残存台数４１及び実績修理件数３３に基づき、推定ハザード関数４２を算出する。推定ハザード関数算出処理６３の詳細は、図８を参照しながら後述する。
【００５６】
推定累積修理率４３は、機器の累積修理率の推定値である。推定累積修理率算出処理６４は、推定ハザード関数４２に基づき、推定累積修理率４３を算出する。推定残存台数算出処理６２の詳細は、図８を参照しながら後述する。
【００５７】
予測累積修理率５１、予測残存台数５２、予測ハザード関数５３、予測修理率５４、予測修理件数５５（以下、総称するときは「予測結果５０」）は、それぞれ、予測処理６５ａ、６５ｂ、６５ｃ、６５ｄ、６５ｅ（以下、総称するときは「予測処理６５」）によって算出されるデータである。特に、これらのデータは、予測モデル２２を用いた当てはめを行い、実績値がない範囲、或いは実績値があっても利用しない範囲のデータを予測することによって算出される。
【００５８】
予測累積修理率５１は、機器の将来の累積修理率の予測値である。尚、予測範囲が過去に設定された場合、予測累積修理率５１は、機器の過去の累積修理率の予測値となる。予測範囲が過去に設定される場合の詳細は後述するが、予測範囲を過去に設定することによって、算出された予測値と実績値とを比較することが可能となる。予測範囲が過去に設定された場合の意義については、予測残存台数５２、予測ハザード関数５３、予測修理率５４、予測修理件数５５も同様である。
【００５９】
予測処理６５ａは、学習期間２３の範囲内のデータを用いて、推定累積修理率４３に対して予測モデル２２を適用し、予測累積修理率５１を算出する。予測処理６５ａの詳細は、図８を参照しながら後述する。
【００６０】
予測残存台数５２は、機器の将来の残存台数の予測値である。予測処理６５ｂは、推定残存台数４１及び予測累積修理率５１に基づき、予測残存台数５２を算出する。予測処理６５ｂの詳細は、図８を参照しながら後述する。
【００６１】
予測ハザード関数５３は、機器の将来のハザード関数の予測値である。予測処理６５ｃは、予測累積修理率５１に基づき、予測ハザード関数５３を算出する。予測処理６５ｃの詳細は、図８を参照しながら後述する。
【００６２】
予測修理率５４は、機器の将来の修理率の予測値である。予測処理６５ｄは、予測累積修理率５１に基づき、予測修理率５４を算出する。予測処理６５ｄの詳細は、図８を参照しながら後述する。
【００６３】
予測修理件数５５は、機器の将来の修理件数の予測値である。予測処理６５ｅは、予測残存台数５２、予測ハザード関数５３、及び予測修理率５４に基づき、予測修理件数５５を算出する。予測処理６５ｅの詳細は、図８を参照しながら後述する。
【００６４】
グラフデータ５６は、予測処理６５の結果である予測結果５０をグラフ表示するためのデータである。結果出力処理６６は、予測結果５０に基づき、グラフデータ５６を出力する。出力先は、例えば、記憶部１２、メディア入出力部１３、通信制御部１４、表示部１６、周辺機器Ｉ／Ｆ部１７等である。
【００６５】
端末２が、グラフデータ５６を表示部１６に出力したり、周辺機器Ｉ／Ｆ部１７等を介してプリンタ等に出力したりすることによって、ユーザは、グラフデータ５６を確認することができる。そして、ユーザは、グラフデータ５６を確認しながら、保守支援システム１に再度予測処理を実行させるか否かを判断する。再度予測処理を実行させる場合には、ユーザは、端末２の入力部１５を介して、予測対象２１、予測モデル２２、学習期間２３等の選択を行う。
【００６６】
図４〜図７は、ＤＢ５に登録されているデータの詳細を示している。尚、説明の都合上、４つのテーブルに分けて図示したが、１つのテーブルに纏めても良いし、より多くのテーブルに分けても良い。また、図４〜図７は、本発明の実施形態の説明に必要なデータを簡略化して示しているに過ぎず、より詳細なデータを用いても良い。
【００６７】
図４は、機器設置情報７０の１例である。機器設置情報７０は、過去に機器を設置した顧客や設置時期などを示す情報である。図４に示すように、機器設置情報７０は、例えば、データを一意に識別するＮｏ７１、機器の型番等を一意に識別する機器コード７２、機器の種類を示す機種７３、顧客を一意に識別する顧客コード７４、機器を設置した日を示す設置年月日７５等を含む。尚、機種７３に代えて、機器の種類を一意に識別する機種コードとしても良い。
【００６８】
図５は、推定残存率情報８０の１例である。推定残存率情報８０は、推定残存率３１を示す情報である。図５に示すように、推定残存率情報８０は、例えば、データを一意に識別するＮｏ８１、機器の種類を示す機種８２、機器の設置時点からの経過期間を示す経過期間８３、推定残存率３１等を含む。尚、機種８２に代えて、機器の種類を一意に識別する機種コードとしても良い。
【００６９】
図６は、修理情報９０の１例である。修理情報９０は、過去に実施した機器の修理内容を示す情報である。図６に示すように、修理情報９０は、例えば、データを一意に識別するＮｏ９１、機器の型番等を一意に識別する機器コード９２、機器の種類を示す機種９３、機器を修理した日を示す修理年月日９４、機器の故障現象を示す故障現象９５、機器の修理箇所を示す修理箇所９６、機器の故障原因を示す故障原因９７、機器の修理方法を示す修理方法９８、部品交換によって修理されたときの交換された部品を示す部品コード９９等を含む。尚、機種９３に代えて、機器の種類を一意に識別する機種コードとしても良い。同様に、故障現象９５、修理箇所９６、故障原因９７、及び修理方法９８をコード化しても良い。
【００７０】
図７は、保守実施情報１００の１例である。保守実施情報１００は、過去に実施した機器に関する保守の内容を示す情報である。図７に示すように、保守実施情報１００は、例えば、データを一意に識別するＮｏ１０１、機器の型番等を一意に識別する機器コード１０２、保守を実施した時期を示す保守実施月１０３、保守の実施内容を示す保守実施内容１０４等を含む。尚、保守実施内容１０４をコード化しても良い。
【００７１】
図８は、保守支援システム１の処理の流れを示すフローチャートである。保守支援システム１では、様々なデータ加工処理を行う。図８に示す処理は、保守支援システム１における主要な処理の一部である。
【００７２】
図８に示すように、端末２の制御部１１は、予測対象２１、予測モデル２２、学習期間２３の選択を受け付ける（Ｓ１）。つまり、ユーザが、入力部１５を介して、予測対象２１、予測モデル２２、学習期間２３の選択を行うと、端末２の制御部１１は、選択された予測対象２１、予測モデル２２、学習期間２３を後述する処理に用いるデータとして入力する。
【００７３】
端末２の制御部１１は、予測対象２１に基づき、推定残存率３１、実績設置台数３２、及び実績修理件数３３を取得する（Ｓ２）。
【００７４】
まず、推定残存率３１の取得処理の１例について説明する。端末２の制御部１１は、予測対象２１として選択された機器コードをサーバ３に送信する。サーバ３の制御部１１は、端末２から受信した機器コードから機種を特定する。サーバ３は、図示しない機器基本情報（少なくとも機器コードと機種とが対応付けて記憶されている情報）などを検索することによって、機種を特定する。次に、サーバ３の制御部１１は、特定した機種を検索条件として、推定残存率情報８０を検索する。そして、サーバ３の制御部１１は、検索結果として得られた推定残存率情報８０の経過期間８３及び推定残存率８４のリストデータを端末２に送信する。例えば、推定残存率情報８０が月単位に登録されている場合、経過期間８３及び推定残存率８４のリストデータも月単位となる。端末２に送信されるデータが、経過期間（月単位）ごとの推定残存率３１である。
【００７５】
次に、実績設置台数３２の取得処理の１例について説明する。サーバ３の制御部１１は、端末２から受信した機器コードを検索条件として、機器設置情報７０を検索する。そして、サーバ３の制御部１１は、検索結果として得られたデータを、設置年月日７５を用いて、例えば月単位に集計する。そして、サーバ３の制御部１１は、集計結果として得られた月単位のデータを端末２に送信する。端末２に送信されるデータが、経過期間（月単位）ごとの実績設置台数３２である。
【００７６】
次に、実績修理件数３３の取得処理の１例について説明する。サーバ３の制御部１１は、端末２から受信した機器コードを検索条件として、修理情報９０を検索する。そして、サーバ３の制御部１１は、検索結果として得られたデータを、修理年月日９４を用いて、例えば月単位に集計する。そして、サーバ３の制御部１１は、集計結果として得られた月単位のデータを端末２に送信する。端末２に送信されるデータが、発生時点（月単位）ごとの実績修理件数３３である。
【００７７】
次に、端末２の制御部１１は、推定残存率３１及び実績設置台数３２に基づき、推定残存台数４１を算出する（Ｓ３）。
【００７８】
推定残存台数４１の算出処理の１例について説明する。例えば、２００１年１月から販売している機器について、２０１１年１月の時点の推定残存台数４１を算出する場合を考える。２００１年１月の実績設置台数３２が１万台、経過期間（月単位）が１０年の推定残存率３１が５０％の場合、端末２の制御部１１は、２０１１年１月の時点では、２００１年１月に設置された１万台の機器のうち、１万台×５０％＝５千台、が残存していると推定する。同様に、２００１年２月の実績設置台数３２が２万台、経過期間（月単位）が９年１１か月の推定残存率３１が５５％の場合、２０１１年１月の時点では、２００１年２月に設置された２万台の機器のうち、２万台×５５％＝１万１千台、が残存していると推定する。以降、２０１０年１２月まで同様の処理を繰り返し、全ての台数の総和を求めることによって、２０１１年１月の時点の推定残存台数４１を算出する。また、端末２の制御部１１は、経過期間ごとに加えて、更に、設置年月ごとに残存台数を推定し、それらの台数の総和も求め、２０１１年１月の時点の推定残存台数４１を算出する。
【００７９】
次に、端末２の制御部１１は、推定残存台数４１及び実績修理件数３３に基づき、推定ハザード関数４２を算出する（Ｓ４）。
【００８０】
推定ハザード関数４２の算出処理の１例について説明する。本発明の実施の形態では、故障しても修理されず撤去されてしまうケースを考慮しており、故障率≠修理率である。そして、本発明の実施の形態では、故障しても修理されず撤去されてしまうケースを推定残存率という形で加味していることが一つの特徴である。一般に、修理率は、経過期間ごとに、修理率＝修理件数／実績設置台数（＝初期台数）、によって求められる。但し、ここでの修理件数は、途中で設備撤去などが無い場合の件数を意味する。従って、途中撤去がある場合（或いは途中撤去を考慮する場合）、修理率は直接計算することができない。そこで、本発明の実施の形態では、まず、ハザード関数を算出し、次にハザード関数から累積修理率を推定し、最後に修理率を累積修理率の差分によって求める。そこで、例えば、端末２の制御部１１は、まず経過期間（月単位）ごとに、推定ハザード関数４２＝実績修理件数３３／（推定残存台数４１×（１−前期までの累積修理率））、を算出する。ここでのハザード関数の分母は、ある期間に残存しており、かつ前期までに故障していない機器台数の推定数となっている。
【００８１】
次に、端末２の制御部１１は、推定ハザード関数４２に基づき、推定累積修理率４３を算出する（Ｓ５）。
【００８２】
推定累積修理率４３の算出処理の１例について説明する。推定ハザード関数４２は、経過期間（月単位）ごとの前期まで健全だった機器が故障する確率なので、端末２の制御部１１は、推定ハザード関数４２の各経過期間（月単位）における値を、順次用いて推定累積修理率４３を算出する。例えば、１２０ヶ月目の推定累積修理率は、１−（１−１ヶ月目の推定ハザード関数）×（１−２ヶ月目の推定ハザード関数）×・・・×（１−１２０ヶ月目の推定ハザード関数）、のように算出できる。
【００８３】
次に、端末２の制御部１１は、推定累積修理率４３、予測モデル２２、及び学習期間２３に基づき、予測累積修理率５１を算出する（Ｓ６）。
【００８４】
予測累積修理率５１の算出処理の１例について説明する。端末２の制御部１１は、学習期間２３の範囲内のデータを用いて、推定累積修理率４３に対して予測モデル２２を適用し、予測累積修理率５１を算出する。学習期間２３の範囲内のデータとは、Ｓ５において算出された推定累積修理率４３のデータ群の中で、経過期間（月単位）が学習期間２３の範囲内に含まれるデータである。予測モデル２２としては、前述したワイブルモデルや線形モデルが挙げられる。端末２の制御部１１は、公知の統計処理によって、学習期間２３の範囲内に含まれる推定累積修理率４３のデータを予測モデル２２に当てはめて、予測期間の予測累積修理率５１を算出する。予測期間は、ユーザが特に指定しなければ、実績値がない範囲、つまり将来となる。
【００８５】
次に、端末２の制御部１１は、予測累積修理率５１及び推定残存台数４１に基づき、予測残存台数５２、予測ハザード関数５３、及び予測修理率５４を算出する（Ｓ７）。
【００８６】
まず、予測残存台数５２の算出処理の１例について説明する。端末２の制御部１１は、例えば、推定残存台数４１の算出処理に用いた推定残存率３１を用いて、予測残存台数５２を算出する。
【００８７】
次に、予測ハザード関数５３及び予測修理率５４の算出処理の１例について説明する。予測累積修理率５１から予測ハザード関数５３を求める処理は、推定ハザード関数４２から推定累積修理率４３を求める処理の裏返しになる。つまり、端末２の制御部１１は、隣り合う月同士の予測累積修理率５１を用いることによって、予測ハザード関数５３を算出する。例えば、１３０ヶ月目の予測ハザード関数は、（１−１３０ヶ月目の予測累積修理率）/（１−１２９ヶ月目の予測累積修理率）、によって算出できる。また、隣り合う月同士の予測累積修理率５１の差分値が、経過期間（月単位）ごとの予測修理率５４である。
【００８８】
次に、端末２の制御部１１は、予測残存台数５２、及び、予測ハザード関数５３又は予測修理率５４に基づき、予測修理件数５５を算出する（Ｓ８）。
【００８９】
予測修理件数５５の算出処理の１例について説明する。予測修理件数５５を求める処理は、予測したい発生時点（月単位）における経過年月（月単位）ごとの予測残存台数５２に（１−前期までの予測累積修理率５１または推定累積修理率４３）をかけて求められる予測したい発生時点の予測台数に、経過期間（月単位）ごとの予測ハザード関数５３または推定ハザード関数４２をかけ合わせて、全ての経過年月（月単位）について総和をとることで、予測したい発生時点（月単位）における予測修理件数５５を算出する。実績がある経過期間については、推定累積修理率４３および推定ハザード関数４２を用いて、それ以外の期間は予測累積修理率５１および予測ハザード関数５３を用いることが原則だが、実績が存在する期間についてもスムージングのため予測累積修理率５１および予測ハザード関数５３を用いても良い。例えば、２０１１年１月時点の予測修理件数を求めるとすると、予測修理件数＝（経過期間１ヶ月の予測ハザード関数または推定ハザード関数×２０１１年１月時点で経過期間１ヶ月の予測残存台数×（１−経過期間０ヶ月の予測累積修理率または推定累積修理率）＋（経過期間２ヶ月の予測ハザード関数または推定ハザード関数×２０１１年１月時点で経過期間２ヶ月の予測残存台数×（１−経過期間１ヶ月の予測累積修理率または推定累積修理率）＋・・・（収束する経過期間までの総和をとる）、となる。
【００９０】
次に、端末２の制御部１１は、各種グラフを表示する（Ｓ９）。例えば、端末２の制御部１１が、予測結果５０（予測累積修理率５１、予測残存台数５２、予測ハザード関数５３、予測修理率５４、予測修理件数５５）と、対応する過去実績とを同一のグラフ内に表示するように制御することによって、ユーザは、予測の妥当性を目視によって確認することができる。ユーザは、確認した後、必要に応じて、予測対象２１、予測モデル２２、及び学習期間２３の再選択を行い、当てはまりの良い予測となるように調整することができる。
【００９１】
図８に示す処理によって、保守支援システム１は、機器の保守計画を立てる為の保守支援情報として、正確な情報をユーザに提供することができる。特に、ＤＢ５に記憶される推定残存率が、例えば、機器が設置されている一般家庭などを定期的に巡回して行う定期保安調査の結果を反映したものであれば、保守支援システム１は、正確な実態把握に基づいた保守支援情報をユーザに提供することができる。
【００９２】
また、保守支援システム１は、学習期間２３の選択を受け付けて、学習期間２３の範囲内のデータを用いて、推定累積修理率４３に対して予測モデル２２を適用し、予測結果５０を算出する予測処理を行うので、ユーザは、学習期間を動的に変更し、保守支援情報を得ることができる。従って、ユーザは、過去の事例（例えば、故障や修理などの事例）等に応じて適切な学習期間を選択し、正確な保守支援情報を得ることができる。
【００９３】
また、保守支援システム１は、予測累積修理率５１に加えて、予測残存台数５２、予測ハザード関数５３、予測修理率５４、及び予測修理件数５５を算出するので、ユーザは、保守支援情報として、様々な情報を得ることができる。
【００９４】
以下では、本発明の実施の形態における各変形例を説明する。
【００９５】
＜変形例１＞
変形例１では、保守支援システム１は、保守実施情報１００を表示し、学習期間２３の選択可能範囲を表示する。図９は、保守実施情報１００及び学習期間２３の選択可能範囲の表示例である。
【００９６】
図９は、横軸が経過期間（経過月数）である。その機器の現物が設置された時点（以下、「現物設置時点」という。）を始点とし、現在は、「現物設置時点」から１２０カ月経過していることを示している。現在の時点よりも前の期間は、「実績値あり」の期間となる。一方、現在の時点よりも後の期間は、「予測期間」となる。
【００９７】
図９では、保守実施情報１００として、「現物設置時点」から６０カ月経過した時点において、「事前メンテナンス開始」が表示されている。これは、予測対象の機器に対して、「現物設置時点」から６０カ月経過した時点から、事前メンテナンスを開始したことを示している。
【００９８】
学習期間の絞り込みを行う例としては、（１）ある機器について、知見として「６０ヶ月目ごろから急激に劣化が進む」ことがわかった場合に、６０ヶ月目以降のデータのみ用いて予測を行うというような場合や、（２）ある機器について設置から６０ヶ月目時点の点検で全て予防措置を行っている場合に、６０ヶ月目以降のデータを用いて予測を行うというような場合が考えられる。
【００９９】
そこで、保守支援システム１は、例えば、保守実施情報１００に基づき、学習期間２３の選択可能範囲を制限する機能を有しても良い。これによって、保守支援システム１は、過去の事例から学習期間に含めるべきではない期間を選択不可とすることができる。例えば、販売済の全ての機器を対象とした部品交換などを行い、故障や修理の発生傾向が大きく変化している場合も、保守支援システムは、部品交換時期よりも前の期間を選択不可とすることによって、正確な保守支援情報を算出することができる。
【０１００】
また、保守支援システム１は、保守実施情報１００を端末２の表示部１６に表示するだけでも良い。これによって、ユーザは、保守実施情報１００を確認しながら、適切な学習期間を選択することができる。
【０１０１】
＜変形例２＞
変形例２では、保守支援システム１は、保守実施情報１００に基づいて学習期間２３を自動的に決定する。図１０は、変形例２の処理を示すフローチャートである。以下、図１０を参照しながら、変形例２について説明する。図８のフローチャートと同様の処理については詳細な説明を省略する。
【０１０２】
端末２の制御部１１は、予測対象２１、予測モデル２２の選択を受け付ける（Ｓ１１）。Ｓ１１の処理は、図８のＳ１の処理と同様である。
【０１０３】
次に、端末２の制御部１１は、保守実施情報１００に基づき、最適な学習期間２３を決定する（Ｓ１２）。
【０１０４】
学習期間２３の決定処理の１例について説明する。前提として、端末２の記憶部１２には、予めユーザによって指定された、学習期間２３の選択可能範囲を制限する保守実施内容１０４（以下、「制限保守実施内容」）が記憶されているものとする。例えば、ユーザが、「事前メンテナンス開始」及び「部品交換」について学習期間２３の選択可能範囲を制限したい場合、「事前メンテナンス開始」及び「部品交換」を制限保守実施内容として、端末２の記憶部１２に記憶しておく。
【０１０５】
そして、端末２の制御部１１は、予測対象２１の機器コードをサーバ３に送信する。サーバ３の制御部１１は、端末２から受信した機器コードを検索条件として、保守実施情報１００を検索する。サーバ３の制御部１１は、検索結果として得られた保守実施月１０３及び保守実施内容１０４を端末２に送信する。端末２の制御部１１は、サーバ３から受信した保守実施内容１０４と、記憶部１２に記憶されている制限保守実施内容とを比較し、一致する保守実施内容１０４については、その保守実施月１０３の時点から実績値ありの終点までの期間を、学習期間２３として決定する。このように学習期間２３を決定する理由は、故障や修理の発生傾向が異なるデータを除けば、予測処理６５に用いるデータが多い程、予測精度が上がると考えられるからである。
【０１０６】
次に、端末２の制御部１１は、実績設置台数３２及び実績修理件数３３を取得し（Ｓ１３）、推定残存台数４１、推定ハザード関数４２、及び推定累積修理率４３を算出し（Ｓ１４）、Ｓ１２において自動的に決定した学習期間２３を用いて予測処理６５を実行し（Ｓ１５）、予測結果５０を出力する（Ｓ１６）。Ｓ１３〜Ｓ１６の処理は、図８のＳ２〜Ｓ９の処理と同様である。
【０１０７】
図１０に示す処理によって、保守支援システム１は、ユーザの手間を省くことができるとともに、システムに精通していないユーザに対しても正確な保守支援情報を提供することができる。例えば、販売済の全ての機器を対象とした部品交換などを行い、故障や修理の発生傾向が大きく変化している場合、保守支援システムは、部品交換時期以降の期間を学習期間として決定することによって、正確な保守支援情報を算出することができる。
【０１０８】
＜変形例３＞
変形例３では、保守支援システム１は、複数の予測処理を行い、予測結果を比較出力する。図１１は、変形例３の処理を示すフローチャートである。図１２は、グラフデータ５６の出力例である。以下、図１１を参照しながら、変形例３について説明する。図８のフローチャートと同様の処理については詳細な説明を省略する。
【０１０９】
端末２の制御部１１は、予測対象２１、予測モデル２２の選択を受け付ける（Ｓ２１）。Ｓ２１の処理は、図８のＳ１の処理と同様である。
【０１１０】
次に、端末２の制御部１１は、複数の学習期間２３の選択を受け付ける（Ｓ２２）。尚、端末２の制御部１１は、複数の予測モデル２２の選択を受け付けるようにしても良い。
【０１１１】
次に、端末２の制御部１１は、実績設置台数３２及び実績修理件数３３を取得し（Ｓ２３）、推定残存台数４１、推定ハザード関数４２、及び推定累積修理率４３を算出する（Ｓ２４）。Ｓ２３、Ｓ２４の処理は、図８のＳ２〜Ｓ５の処理と同様である。
【０１１２】
次に、端末２の制御部１１は、Ｓ１２において選択された学習期間２３の１つを用いて予測処理６５を実行する（Ｓ２５）。Ｓ２５の処理は、図８のＳ６〜Ｓ８の処理と同様である。
【０１１３】
次に、端末２の制御部１１は、全ての学習期間２３について予測処理６５が終了したか否かを判定する（Ｓ２６）。終了していない場合（Ｓ２６のＮｏ）、端末２の制御部１１は、Ｓ２５の処理を繰り返す。終了している場合（Ｓ２６のＹｅｓ）、端末２の制御部１１は、複数の予測結果５０を比較出力する（Ｓ２７）。
【０１１４】
図１２（ａ）は、機器Ａの２００５年時点の予測累積修理率５１のグラフである。学習期間は、経過期間（月単位）が２４か月〜６０か月、発生時点（月単位）が２０００年〜２００５年である。予測期間は、経過期間（月単位）が６０カ月以降である。
【０１１５】
図１２（ｂ）は、機器Ａの２０１０年時点の予測累積修理率５１のグラフである。学習期間は、経過期間（月単位）が６０か月〜１２０か月、発生時点（月単位）が２００６年〜２０１０年である。予測期間は、経過期間（月単位）が１２０カ月以降である。
【０１１６】
図１２（ｃ）は、機器Ａの２００５年時点の予測累積修理率５１及び２０１０年時点の予測累積修理率５１を同一のグラフに比較出力したものである。
【０１１７】
図１２に示す例では、機器Ａに対して、２００５年に事前メンテナンスを開始し、２００５年の前後間で故障や修理の発生傾向が大きく変化している。しかし、図１２（ａ）及び図１２（ｂ）のように、１回ずつの結果出力では、このような傾向を読み取ることが難しい。一方、図１２（ｃ）のように比較出力することによって、両者の乖離を目視にて判断することができる。従って、２００５年における傾向変化が未知の場合であっても、ユーザは、図１２（ｃ）のような比較出力を確認することによって、過去に傾向変化をもたらすような保守作業が行われていることを見つけ出すことができる。
【０１１８】
図１１に示す処理によって、ユーザは、複数の学習期間による予測結果を比較することができる。従って、ユーザは、過去に傾向変化をもたらすような保守作業が行われていることを見つけ出すことができる。
【０１１９】
＜変形例４＞
変形例４では、保守支援システム１は、予測処理６５の外れ度合を算出し、再予測の要否判定を行う。図１３は、変形例４の処理を示すフローチャートである。以下、図１３を参照しながら、変形例４について説明する。図８のフローチャートと同様の処理については詳細な説明を省略する。
【０１２０】
端末２の制御部１１は、過去の予測期間の選択を受け付ける（Ｓ３１）。過去の予測期間とは、実績値が存在し、本来であれば予測する必要がない期間を意味する。変形例４では、予測処理６５に用いられる予測モデル２２や学習期間２３の妥当性を検証するため、敢えて過去の予測期間を選択して予測処理６５を実行し、実績値と比較する。
【０１２１】
次に、端末２の制御部１１は、予測対象２１、予測モデル２２、学習期間２３の選択を受け付ける（Ｓ３２）。Ｓ３２の処理は、図８のＳ１の処理と同様である。
【０１２２】
次に、端末２の制御部１１は、実績設置台数３２及び実績修理件数３３を取得し（Ｓ３３）、推定残存台数４１、推定ハザード関数４２、及び推定累積修理率４３を算出し（Ｓ３４）、過去の予測期間に対する予測処理６５を実行する（Ｓ３５）。Ｓ３３〜Ｓ３５の処理は、図８のＳ２〜Ｓ８の処理と同様である。
【０１２３】
次に、端末２の制御部１１は、サーバ３のＤＢ５から、過去の予測期間と同一期間の実績値を取得し（Ｓ３６）、外れ度合を算出する（Ｓ３７）。
【０１２４】
外れ度合の算出処理の１例について説明する。外れ度合は、予測値と実績値との乖離であり、統計用語で言えば、予測値と実績値との「誤差」である。例えば、予測累積修理率５１の外れ度合を算出する場合、端末２の制御部１１は、算出された予測累積修理率５１と、過去の予測期間と同一期間の実績累積修理率との誤差二乗平均の和を算出する。
【０１２５】
次に、端末２の制御部１１は、外れ度合が所定の閾値以上であるか否かを判定する（Ｓ３８）。尚、所定の閾値は、予め記憶部１２に記憶しておく。
【０１２６】
外れ度合が所定の閾値以上である場合（Ｓ３８のＹｅｓ）、端末２の制御部１１は、Ｓ３２の処理から繰り返す。外れ度合が所定の閾値未満である場合（Ｓ３８のＮｏ）、端末２の制御部１１は、公知の統計処理によって、予測結果５０の信頼区間を算出し（Ｓ３９）、予測結果５０の信頼区間とともに、予測結果５０を出力する（Ｓ４０）。
【０１２７】
図１３に示す処理において、保守支援システム１は、過去の予測期間が受け付けられた場合には、過去の予測期間に対する予測処理６５を行い、予測処理６５によって算出された過去の予測値と、過去の予測期間と同一期間における実績値との比較を行い、実績値からの外れ度合を算出する。これによって、ユーザは、実績値からの外れ度合を確認することができる。従って、ユーザは、予測処理６５に用いられる予測モデル２２や学習期間２３の妥当性を検証することができる。
【０１２８】
また、図１３に示す処理において、保守支援システム１は、算出された外れ度合が、所定の閾値以上か否かを判定し、外れ度合が所定の閾値以上と判定された場合には、学習期間２３の再選択を受け付け、外れ度合が所定の閾値未満と判定された場合には、予測結果５０の信頼区間を算出する。これによって、ユーザ自身は、学習期間２３などを変えて、更に予測処理６５を保守支援システム１に実行させるべきか否かの判断を行う必要がない。更に、ユーザは、予測結果５０の信頼区間を確認することができる。従って、保守支援システム１は、ユーザに対して保守支援情報に対する納得感を与えることができる。
【０１２９】
＜変形例５＞
変形例５では、保守支援システム１は、総当たりによって最適な予測モデル２２及び学習期間２３を決定する。図１４は、変形例５の処理を示すフローチャートである。以下、図１４を参照しながら、変形例５について説明する。図８のフローチャートと同様の処理については詳細な説明を省略する。
【０１３０】
端末２の制御部１１は、予測対象２１の選択を受け付ける（Ｓ５１）。次に、端末２の制御部１１は、取り得る全ての予測モデル２２、及び学習期間２３を取得する（Ｓ５２）。
【０１３１】
次に、端末２の制御部１１は、推定残存率３１、実績設置台数３２及び実績修理件数３３を取得し（Ｓ５３）、推定残存台数４１、推定ハザード関数４２、及び推定累積修理率４３を算出し（Ｓ５４）、予測期間に対する予測処理６５を実行する（Ｓ５５）。予測期間は、変形例４と同様、実績値が存在する過去の予測期間である。Ｓ５３〜Ｓ５５の処理は、図８のＳ２〜Ｓ８の処理と同様である。
【０１３２】
次に、端末２の制御部１１は、サーバ３のＤＢ５から、予測期間と同一期間の実績値を取得し（Ｓ５６）、実績値との誤差二乗平均の和を算出する（Ｓ５７）。
【０１３３】
次に、端末２の制御部１１は、全ての予測モデル２２及び学習期間２３について処理が終了したか否かを判定する（Ｓ５８）。処理が終了していない場合（Ｓ５８のＮｏ）、端末２の制御部１１は、Ｓ５２の処理から繰り返す。処理が終了している場合（Ｓ５８のＹｅｓ）、端末２の制御部１１は、誤差二乗平均の和が最小の予測モデル２２及び学習期間２３を最適な値として決定し（Ｓ５９）、最適な予測モデル２２及び学習期間２３を出力する（Ｓ６０）。
【０１３４】
図１４に示す処理において、保守支援システム１は、取り得る全ての期間から学習期間２３を１つずつ決定して予測処理６５を繰り返し、最適な学習期間２３を決定する。これによって、保守支援システム１は、取り得る全ての期間に対して予測処理６５を行い、予測結果５０から最適な学習期間２３を自動的に決定することができる。
【０１３５】
＜変形例６＞
変形例６では、保守支援システム１は、故障現象９５、故障原因９７、修理箇所９６、及び修理方法９８を含む修理情報９０を、予測処理６５に用いられるデータ範囲の絞り込み条件として利用する。つまり、保守支援システム１は、故障現象９５、故障原因９７、修理箇所９６、及び修理方法９８のいずれか１つ又は複数の値の選択を受け付けて、予測対象２１の絞り込み条件によって絞り込まれるデータを用いて予測処理６５を行う。
【０１３６】
変形例６における絞り込み処理は、予測対象２１の選択を受け付ける処理に含まれる。従って、変形例６における絞り込み処理は、前述した図８、図１０、図１１、図１３、及び図１４のフローチャートの全てにおいて適用可能である。
【０１３７】
変形例６における絞り込み処理によって、ユーザは、故障現象９５、故障原因９７、修理箇所９６、及び修理方法９８のいずれか１つ又は複数の値を選択してデータ範囲を絞り込み、予測支援情報を得ることができる。ひいては、ユーザは、保守作業の目的に応じた様々な予測支援情報を得ることができる。
【０１３８】
例えば、ある特定の機器に対して、故障現象９５ごとの予測支援情報を得たい場合、変形例３に対して変形例６を適用すれば良い。具体的には、保守支援システム１は、図１１のＳ２２において、複数の学習期間２３の選択を受け付けることに代えて、複数の故障現象９５の選択（例えば、故障現象９５の「全て」を選択）を受け付けて、故障現象９５ごとに変形例６における絞り込み処理を行った後、予測処理６５を実行すれば良い。
【０１３９】
また、例えば、ある特定の機器に対して、予測対象２１の絞り込み条件の中で優先順位を付けて予測処理６５を実行させ、外れ度合が所定の閾値未満になる予測支援情報を得たい場合、変形例４に対して変形例６を適用すれば良い。具体的には、図１３のＳ３２において、予測対象２１の絞り込み条件（故障現象９５、故障原因９７、修理箇所９６、及び修理方法９８）の優先順位の選択を受け付けて、優先順位に従って変形例６における絞り込み処理を行った後、予測処理６５を実行すれば良い。
【０１４０】
以上、添付図面を参照しながら、本発明に係る保守支援システム等の好適な実施形態について説明したが、本発明はかかる例に限定されない。当業者であれば、本願で開示した技術的思想の範疇内において、各種の変更例又は修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。
【符号の説明】
【０１４１】
１………保守支援システム
２………端末
３………サーバ
４………保守支援プログラム
５………データベース（ＤＢ）
６………ネットワーク
２１………予測対象
２２………予測モデル
２３………学習期間
３１………推定残存率
３２………実績設置台数
３３………実績修理件数
４１………推定残存台数
４２………推定ハザード関数
４３………推定累積修理率
５０………予測結果
５１………予測累積修理率
５２………予測残存台数
５３………予測ハザード関数
５４………予測修理率
５５………予測修理件数
５６………グラフデータ
６１ａ、６１ｂ、６１ｃ………取得処理
６２………推定残存台数算出処理
６３………推定ハザード関数算出処理
６４………推定累積修理率算出処理
６５、６５ａ、６５ｂ、６５ｃ、６５ｄ、６５ｅ………予測処理
６６………結果出力処理
【特許請求の範囲】
【請求項１】
コンピュータによって構成され、機器の保守業務を支援する保守支援システムであって、
前記機器の設置時点からの経過期間ごとに、前記機器が現実に稼働している割合の推定値である推定残存率を記憶する記憶手段と、
前記機器の実績設置台数を前記経過期間ごとに取得し、前記機器の実績修理件数を発生時点ごとに取得する取得手段と、
前記推定残存率及び前記実績設置台数に基づき、前記経過期間ごとに、前記機器が現実に残存している台数の推定値である推定残存台数を算出する推定残存台数算出手段と、
前記実績修理件数及び前記推定残存台数に基づき、前記機器のハザード関数の推定値である推定ハザード関数を算出する推定ハザード関数算出手段と、
前記推定ハザード関数に基づき、前記機器の累積修理率の推定値である推定累積修理率を算出する推定累積修理率算出手段と、
を具備することを特徴とする保守支援システム。
【請求項２】
学習期間の選択を受け付ける受付手段と、
前記学習期間の範囲内のデータを用いて、前記推定累積修理率に対して所定の予測モデルを適用し、前記機器の将来の累積修理率の予測値である予測累積修理率を算出する予測処理を行う予測手段と、
を更に具備することを特徴とする請求項１に記載の保守支援システム。
【請求項３】
前記予測処理では、更に、前記機器の将来の残存台数の予測値である予測残存台数、前記機器の将来のハザード関数の予測値である予測ハザード関数、前記機器の将来の修理率の予測値である予測修理率、及び、前記機器の将来の修理件数の予測値である予測修理件数を算出する
ことを特徴とする請求項２に記載の保守支援システム。
【請求項４】
前記記憶手段は、更に、前記機器に関する保守実施情報を発生時点ごとに記憶し、
前記保守実施情報を表示する表示手段、を更に具備する
ことを特徴とする請求項２又は請求項３に記載の保守支援システム。
【請求項５】
前記受付手段は、更に、前記保守実施情報に基づき、前記学習期間の選択可能範囲を制限する機能を有する
ことを特徴とする請求項４に記載の保守支援システム。
【請求項６】
前記受付手段は、更に、前記保守実施情報に基づき、最適な前記学習期間を自動的に決定する機能を有する
ことを特徴とする請求項４に記載の保守支援システム。
【請求項７】
前記受付手段は、複数の前記学習期間の選択を受け付け、
前記予測手段は、複数の前記学習期間ごとに、複数の前記予測処理を行い、予測結果を比較出力する
ことを特徴とする請求項２乃至請求項６のいずれかに記載の保守支援システム。
【請求項８】
前記受付手段は、過去の予測期間の選択を受け付け、
前記予測手段は、前記過去の予測期間に対する前記予測処理を行い、
前記予測処理によって算出された前記過去の予測期間に対する予測値と、前記過去の予測期間と同一期間における実績値との比較を行い、前記実績値からの外れ度合を算出する外れ度合算出手段、を更に具備する
ことを特徴とする請求項２乃至請求項７のいずれかに記載の保守支援システム。
【請求項９】
前記外れ度合算出手段によって算出された前記外れ度合が、所定の閾値以上か否かを判定する判定手段、を更に具備し、
前記判定手段によって前記外れ度合が所定の閾値以上と判定された場合には、前記受付手段が前記学習期間の再選択を受け付け、
前記判定手段によって前記外れ度合が所定の閾値未満と判定された場合には、前記予測手段が、予測結果の信頼区間を算出する
ことを特徴とする請求項８に記載の保守支援システム。
【請求項１０】
前記予測手段は、更に、取り得る全ての期間から前記学習期間を１つずつ決定して前記予測処理を繰り返し、最適な前記学習期間を決定する機能を有する
ことを特徴とする請求項２乃至請求項９のいずれかに記載の保守支援システム。
【請求項１１】
前記記憶手段は、更に、前記機器の故障現象、故障原因、修理箇所及び修理方法を含む修理情報を記憶し、
前記受付手段は、更に、前記予測処理に用いられるデータ範囲の絞り込み条件として、前記故障現象、前記故障原因、前記修理箇所、及び前記修理方法のいずれか１つ又は複数の値の選択を受け付け、
前記予測手段は、前記受付手段によって受け付けられた前記絞り込み条件に従って絞り込まれるデータを用いて前記予測処理を行う
ことを特徴とする請求項２乃至請求項１０のいずれかに記載の保守支援システム。
【請求項１２】
前記受付手段は、前記予測モデルの選択を受け付け、
前記予測手段は、前記受付手段によって受け付けられた前記予測モデルを適用して、前記予測処理を行う
ことを特徴とする請求項２乃至請求項１１のいずれかに記載の保守支援システム。
【請求項１３】
コンピュータが実行し、機器の保守業務を支援する保守支援方法であって、
前記コンピュータが、
前記機器の設置時点からの経過期間ごとに、前記機器が現実に稼働している割合の推定値である推定残存率を記憶する記憶ステップと、
前記機器の実績設置台数を前記経過期間ごとに取得し、前記機器の実績修理件数を発生時点ごとに取得する取得ステップと、
前記推定残存率及び前記実績設置台数に基づき、前記経過期間ごとに、前記機器が現実に残存している台数の推定値である推定残存台数を算出する推定残存台数算出ステップと、
前記実績修理件数及び前記推定残存台数に基づき、前記機器のハザード関数の推定値である推定ハザード関数を算出する推定ハザード関数算出ステップと、
前記推定ハザード関数に基づき、前記機器の累積修理率の推定値である推定累積修理率を算出する推定累積修理率算出ステップと、
を含むことを特徴とする保守支援方法。
【請求項１４】
学習期間の選択を受け付ける受付ステップと、
前記学習期間の範囲内のデータを用いて、前記推定累積修理率に対して所定の予測モデルを適用し、前記機器の将来の累積修理率の予測値である予測累積修理率を算出する予測処理を行う予測ステップと、
を更に含むことを特徴とする請求項１３に記載の保守支援方法。
【請求項１５】
コンピュータに、機器の保守業務を支援する保守支援方法を実行させるためのプログラムであって、
前記機器の設置時点からの経過期間ごとに、前記機器が現実に稼働している割合の推定値である推定残存率を記憶する記憶ステップと、
前記機器の実績設置台数を前記経過期間ごとに取得し、前記機器の実績修理件数を発生時点ごとに取得する取得ステップと、
前記推定残存率及び前記実績設置台数に基づき、前記経過期間ごとに、前記機器が現実に残存している台数の推定値である推定残存台数を算出する推定残存台数算出ステップと、
前記実績修理件数及び前記推定残存台数に基づき、前記機器のハザード関数の推定値である推定ハザード関数を算出する推定ハザード関数算出ステップと、
前記推定ハザード関数に基づき、前記機器の累積修理率の推定値である推定累積修理率を算出する推定累積修理率算出ステップと、
を含む処理を前記コンピュータに実行させるためのプログラム。
【請求項１６】
学習期間の選択を受け付ける受付ステップと、
前記学習期間の範囲内のデータを用いて、前記推定累積修理率に対して所定の予測モデルを適用し、前記機器の将来の累積修理率の予測値である予測累積修理率を算出する予測処理を行う予測ステップと、
を更に含む処理を前記コンピュータに実行させるための請求項１５に記載のプログラム。
【請求項１】
コンピュータによって構成され、機器の保守業務を支援する保守支援システムであって、
前記機器の設置時点からの経過期間ごとに、前記機器が現実に稼働している割合の推定値である推定残存率を記憶する記憶手段と、
前記機器の実績設置台数を前記経過期間ごとに取得し、前記機器の実績修理件数を発生時点ごとに取得する取得手段と、
前記推定残存率及び前記実績設置台数に基づき、前記経過期間ごとに、前記機器が現実に残存している台数の推定値である推定残存台数を算出する推定残存台数算出手段と、
前記実績修理件数及び前記推定残存台数に基づき、前記機器のハザード関数の推定値である推定ハザード関数を算出する推定ハザード関数算出手段と、
前記推定ハザード関数に基づき、前記機器の累積修理率の推定値である推定累積修理率を算出する推定累積修理率算出手段と、
を具備することを特徴とする保守支援システム。
【請求項２】
学習期間の選択を受け付ける受付手段と、
前記学習期間の範囲内のデータを用いて、前記推定累積修理率に対して所定の予測モデルを適用し、前記機器の将来の累積修理率の予測値である予測累積修理率を算出する予測処理を行う予測手段と、
を更に具備することを特徴とする請求項１に記載の保守支援システム。
【請求項３】
前記予測処理では、更に、前記機器の将来の残存台数の予測値である予測残存台数、前記機器の将来のハザード関数の予測値である予測ハザード関数、前記機器の将来の修理率の予測値である予測修理率、及び、前記機器の将来の修理件数の予測値である予測修理件数を算出する
ことを特徴とする請求項２に記載の保守支援システム。
【請求項４】
前記記憶手段は、更に、前記機器に関する保守実施情報を発生時点ごとに記憶し、
前記保守実施情報を表示する表示手段、を更に具備する
ことを特徴とする請求項２又は請求項３に記載の保守支援システム。
【請求項５】
前記受付手段は、更に、前記保守実施情報に基づき、前記学習期間の選択可能範囲を制限する機能を有する
ことを特徴とする請求項４に記載の保守支援システム。
【請求項６】
前記受付手段は、更に、前記保守実施情報に基づき、最適な前記学習期間を自動的に決定する機能を有する
ことを特徴とする請求項４に記載の保守支援システム。
【請求項７】
前記受付手段は、複数の前記学習期間の選択を受け付け、
前記予測手段は、複数の前記学習期間ごとに、複数の前記予測処理を行い、予測結果を比較出力する
ことを特徴とする請求項２乃至請求項６のいずれかに記載の保守支援システム。
【請求項８】
前記受付手段は、過去の予測期間の選択を受け付け、
前記予測手段は、前記過去の予測期間に対する前記予測処理を行い、
前記予測処理によって算出された前記過去の予測期間に対する予測値と、前記過去の予測期間と同一期間における実績値との比較を行い、前記実績値からの外れ度合を算出する外れ度合算出手段、を更に具備する
ことを特徴とする請求項２乃至請求項７のいずれかに記載の保守支援システム。
【請求項９】
前記外れ度合算出手段によって算出された前記外れ度合が、所定の閾値以上か否かを判定する判定手段、を更に具備し、
前記判定手段によって前記外れ度合が所定の閾値以上と判定された場合には、前記受付手段が前記学習期間の再選択を受け付け、
前記判定手段によって前記外れ度合が所定の閾値未満と判定された場合には、前記予測手段が、予測結果の信頼区間を算出する
ことを特徴とする請求項８に記載の保守支援システム。
【請求項１０】
前記予測手段は、更に、取り得る全ての期間から前記学習期間を１つずつ決定して前記予測処理を繰り返し、最適な前記学習期間を決定する機能を有する
ことを特徴とする請求項２乃至請求項９のいずれかに記載の保守支援システム。
【請求項１１】
前記記憶手段は、更に、前記機器の故障現象、故障原因、修理箇所及び修理方法を含む修理情報を記憶し、
前記受付手段は、更に、前記予測処理に用いられるデータ範囲の絞り込み条件として、前記故障現象、前記故障原因、前記修理箇所、及び前記修理方法のいずれか１つ又は複数の値の選択を受け付け、
前記予測手段は、前記受付手段によって受け付けられた前記絞り込み条件に従って絞り込まれるデータを用いて前記予測処理を行う
ことを特徴とする請求項２乃至請求項１０のいずれかに記載の保守支援システム。
【請求項１２】
前記受付手段は、前記予測モデルの選択を受け付け、
前記予測手段は、前記受付手段によって受け付けられた前記予測モデルを適用して、前記予測処理を行う
ことを特徴とする請求項２乃至請求項１１のいずれかに記載の保守支援システム。
【請求項１３】
コンピュータが実行し、機器の保守業務を支援する保守支援方法であって、
前記コンピュータが、
前記機器の設置時点からの経過期間ごとに、前記機器が現実に稼働している割合の推定値である推定残存率を記憶する記憶ステップと、
前記機器の実績設置台数を前記経過期間ごとに取得し、前記機器の実績修理件数を発生時点ごとに取得する取得ステップと、
前記推定残存率及び前記実績設置台数に基づき、前記経過期間ごとに、前記機器が現実に残存している台数の推定値である推定残存台数を算出する推定残存台数算出ステップと、
前記実績修理件数及び前記推定残存台数に基づき、前記機器のハザード関数の推定値である推定ハザード関数を算出する推定ハザード関数算出ステップと、
前記推定ハザード関数に基づき、前記機器の累積修理率の推定値である推定累積修理率を算出する推定累積修理率算出ステップと、
を含むことを特徴とする保守支援方法。
【請求項１４】
学習期間の選択を受け付ける受付ステップと、
前記学習期間の範囲内のデータを用いて、前記推定累積修理率に対して所定の予測モデルを適用し、前記機器の将来の累積修理率の予測値である予測累積修理率を算出する予測処理を行う予測ステップと、
を更に含むことを特徴とする請求項１３に記載の保守支援方法。
【請求項１５】
コンピュータに、機器の保守業務を支援する保守支援方法を実行させるためのプログラムであって、
前記機器の設置時点からの経過期間ごとに、前記機器が現実に稼働している割合の推定値である推定残存率を記憶する記憶ステップと、
前記機器の実績設置台数を前記経過期間ごとに取得し、前記機器の実績修理件数を発生時点ごとに取得する取得ステップと、
前記推定残存率及び前記実績設置台数に基づき、前記経過期間ごとに、前記機器が現実に残存している台数の推定値である推定残存台数を算出する推定残存台数算出ステップと、
前記実績修理件数及び前記推定残存台数に基づき、前記機器のハザード関数の推定値である推定ハザード関数を算出する推定ハザード関数算出ステップと、
前記推定ハザード関数に基づき、前記機器の累積修理率の推定値である推定累積修理率を算出する推定累積修理率算出ステップと、
を含む処理を前記コンピュータに実行させるためのプログラム。
【請求項１６】
学習期間の選択を受け付ける受付ステップと、
前記学習期間の範囲内のデータを用いて、前記推定累積修理率に対して所定の予測モデルを適用し、前記機器の将来の累積修理率の予測値である予測累積修理率を算出する予測処理を行う予測ステップと、
を更に含む処理を前記コンピュータに実行させるための請求項１５に記載のプログラム。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
【図１３】
【図１４】
【公開番号】特開２０１３−１１４６３６（Ｐ２０１３−１１４６３６Ａ）
【公開日】平成２５年６月１０日（２０１３．６．１０）
【国際特許分類】
【出願番号】特願２０１１−２６３１８０（Ｐ２０１１−２６３１８０）
【出願日】平成２３年１２月１日（２０１１．１２．１）
【出願人】（０００２２０２６２）東京瓦斯株式会社 (1,166)
【公開日】平成２５年６月１０日（２０１３．６．１０）
【国際特許分類】
【出願日】平成２３年１２月１日（２０１１．１２．１）
【出願人】（０００２２０２６２）東京瓦斯株式会社 (1,166)
[ Back to top ]