JP7733468B2 - Maintenance Support System - Google Patents
Maintenance Support SystemInfo
- Publication number
- JP7733468B2 JP7733468B2 JP2021068631A JP2021068631A JP7733468B2 JP 7733468 B2 JP7733468 B2 JP 7733468B2 JP 2021068631 A JP2021068631 A JP 2021068631A JP 2021068631 A JP2021068631 A JP 2021068631A JP 7733468 B2 JP7733468 B2 JP 7733468B2
- Authority
- JP
- Japan
- Prior art keywords
- parts
- machine
- countermeasure
- data
- abnormality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明は、機械に対する適切な保守作業を支援する保守支援システムに関する。 The present invention relates to a maintenance support system that supports appropriate maintenance work on machines.
建設機械や風車など長時間に亘って運転し続ける機械においては、顧客（機械のオーナー、ユーザー、代理店または営業所）の収益が最大になるように稼働率の向上が重要である。そのため、故障が起きる前に適切かつ迅速な部品交換や修理を実施できる、または、故障が起きても迅速に機械を修理して再稼働できるようなシステムが望まれる。それを実現するために、機械の状態を常時監視しながら適切な保守作業を支援する仕組みが必要である。以下、機械に対する適切な保守作業を支援するシステムを「保守支援システム」と呼ぶ。 For machinery that operates continuously for long periods of time, such as construction machinery or wind turbines, it is important to improve availability so that customers (machine owners, users, agents, or sales offices) can maximize their profits. Therefore, a system is needed that can quickly and appropriately replace parts or perform repairs before a breakdown occurs, or that can quickly repair the machine and get it back up and running again if a breakdown does occur. To achieve this, a mechanism is needed that constantly monitors the machine's condition and supports appropriate maintenance work. Hereinafter, a system that supports appropriate maintenance work for machinery will be referred to as a "maintenance support system."
機械の状態監視では、機械に装備しているセンサなどを使って、機械の稼働情報、および温度や加速度等の物理量を一定の頻度で収集し、収集したデータを分析処理することにより、機械の状態を監視し、正常／異常の判断を行う。最も単純なのは、物理量に閾値を設定して機械の状態を推定する手法である。近年では、人工知能技術の一分野である機械学習技術を活用して、過去に収集した機械の稼動データを学習（「トレーニング」とも呼ぶ）して、現在の状態を推定、判断する異常診断手法も開発されている。また、物理量の値と寿命低下率との関係性を求めて、それに基づいて機械の余寿命を推定する方法が開示されている（特許文献１）。 Machine condition monitoring involves using sensors equipped on the machine to collect machine operation information and physical quantities such as temperature and acceleration at a fixed frequency, and analyzing and processing the collected data to monitor the machine's condition and determine whether it is normal or abnormal. The simplest method is to estimate the machine's condition by setting a threshold for the physical quantity. In recent years, abnormality diagnosis methods have been developed that utilize machine learning technology, a field of artificial intelligence technology, to learn (also known as "training") from previously collected machine operation data to estimate and determine the current condition. In addition, a method has been disclosed for determining the relationship between the value of a physical quantity and the rate of lifespan reduction, and estimating the remaining lifespan of a machine based on this relationship (Patent Document 1).
また、特許文献２に開示されているように、故障リスクの推定値に基づいて、機械または部品の保守・運用シナリオを策定する方法が提案されている。 Furthermore, as disclosed in Patent Document 2, a method has been proposed for formulating maintenance and operation scenarios for machines or parts based on estimated values of failure risk.
さらに、機械の保守または修理に必要な部品に関しても適切な在庫水準に保たれていることが要望され、特許文献３に開示されているように、故障検知の結果から保守部品の需要を推定し、それに基づいて部品の在庫を調整する方法が提案されている。 Furthermore, there is a demand for maintaining appropriate inventory levels for parts necessary for machine maintenance or repair, and as disclosed in Patent Document 3, a method has been proposed in which demand for maintenance parts is estimated from the results of failure detection and parts inventory is adjusted based on this.
前述のように、故障による機械の非稼働時間を最小化にするため、状態監視システムで機械の異常を検知し、その異常を早期に解消することが要望されている。そして、例えば１つのコア部品の在庫切れ、または輸送に時間を要するといった事象が発生すると、部品調達の期間によっては、機械が長期間に亘って休止しなければならない恐れがある。このような観点から、機械の保守または修理に必要な部品が迅速に調達できることが要望されている。 As mentioned above, in order to minimize machine downtime due to breakdowns, there is a demand for condition monitoring systems to detect machine abnormalities and quickly resolve those abnormalities. Furthermore, if an event occurs in which, for example, a core part runs out of stock or requires a long time to transport, depending on the time it takes to procure the part, the machine may have to be shut down for an extended period of time. From this perspective, there is a demand for parts needed for machine maintenance or repair to be procured quickly.
この課題に対して、部品の利用者側（顧客側）と、部品の提供者側（メーカー側）の両面から解決する必要がある。 This issue needs to be resolved from both the parts user (customer) and parts provider (manufacturer) perspectives.
部品の利用者側（顧客側）では、状態監視システムで得られた異常検知の結果を早期に受け取り、機械の保守または修理に関する準備に着手することが求められる。そのため、検知された異常の内容のみならず、保守または修理に必要な部品およびその調達時間に関する情報を顧客に通知し、保守点検のレコメンデーションをすることが重要である。特許文献２に開示されている技術では、機械の稼働データから機械の健全性指標を算出し、この健全性指標に基づいて保守シナリオを策定する方法が開示されている。しかしながら、機械の修理に必要な対策部品の在庫状況や部品の調達時間に関しては考慮されていないので、部品調達の長期化による機械停止時間増加が懸念される。 Parts users (customers) are required to receive the results of anomaly detection obtained from a condition monitoring system as soon as possible so they can begin preparations for machine maintenance or repair. Therefore, it is important to not only notify customers of the details of the detected anomaly, but also of information regarding the parts required for maintenance or repair and their procurement time, and to recommend maintenance and inspections. The technology disclosed in Patent Document 2 calculates a machine health index from machine operation data and discloses a method for formulating a maintenance scenario based on this health index. However, this method does not take into account the inventory status or procurement time of countermeasure parts required for machine repair, raising concerns about increased machine downtime due to prolonged parts procurement times.
一方、部品の提供者側（メーカー側）では、欠品が無いように対策部品の在庫を調整することが望まれる。特に、特殊で代替が利かない部品や調達リードタイムが長い部品の在庫を適切に持たずに欠品となった場合、顧客の注文が受けてから部品の生産が始まるので、部品の調達に時間がかかり、機械の稼働率が低下する恐れがある。部品の在庫切れを防ぐためには、機械の保守計画のみならず、異常が生じた場合の顧客の部品購入予定を含めた部品需要予測が必要である。特許文献３に開示されている技術では、故障確率から保守部品の需要を推定し、それに基づいて部品の在庫を調整する方法が提案されている。ただし、これは前記の部品提供者側（メーカー側）のみによる対策方法であるため、部品の利用者側（顧客側）の部品購入予定については考慮されておらず、部品需要予測の精度が低下してしまう恐れがある。 On the other hand, parts providers (manufacturers) are expected to adjust their inventory of countermeasure parts to prevent stockouts. In particular, if a stockout occurs due to an inadequate inventory of specialized, irreplaceable parts or parts with a long procurement lead time, production of the parts begins after a customer order is received, which can take time to procure the parts and reduce machine utilization rates. Preventing parts from running out of stock requires not only machine maintenance plans but also parts demand forecasts that include customer part purchase plans in the event of an abnormality. The technology disclosed in Patent Document 3 proposes a method of estimating demand for maintenance parts from failure probability and adjusting parts inventory based on this. However, because this is a countermeasure method that relies solely on the parts provider (manufacturer) mentioned above, it does not take into account the parts purchase plans of the parts users (customers), which could result in a decrease in the accuracy of parts demand forecasts.
本発明は、このような問題に鑑みてなされたものであり、その目的は、故障が発生する前に機械の異常を検知して顧客に通知すると共に、当該異常に起因した故障を修理するための対策部品の在庫切れを防ぐことにより、その後の故障による機械の非稼働時間を短縮することが可能な保守支援システムを提供することになる。 The present invention was made in consideration of these problems, and its purpose is to provide a maintenance support system that detects machine abnormalities and notifies customers before a failure occurs, and prevents parts needed to repair the failure caused by the abnormality from running out of stock, thereby reducing the amount of time the machine is down due to subsequent failures.
上記目的を達成するために、本発明は、サーバを有し、機械の保守作業を支援するための保守支援システムにおいて、前記サーバは、演算機能を有する制御装置と、前記制御装置の演算処理に必要なデータを記憶する記憶装置と、前記機械と前記制御装置との通信を可能とする通信装置とを備え、前記制御装置は、前記機械に搭載されたセンサで計測したデータを含む稼働データを前記通信装置を介して受信し、前記記憶装置に記憶させ、前記稼働データに基づいて前記機械の異常を検出し、前記異常を検出した場合に、前記機械で使用される部品のうち前記異常に起因して当該異常検出後に発生すると思われる故障を修理するための対策部品およびその必要数量を前記機械の故障・修理履歴に基づいて特定するとともに、前記記憶装置に記憶された、前記対策部品の生産計画および入荷計画を含む部品生産データと、前記対策部品の発送方式および発送にかかる時間を含む部品倉庫の部品調達データと、前記対策部品を扱う営業所・代理店の住所、前記対策部品の輸送方法および配送業者に関する配送手段、および前記営業所・代理店の前記対策部品の調達履歴を含む営業所・代理店データとに基づいて、前記機械の顧客が前記対策部品を発注したときの当該発注から前記対策部品が前記顧客が指定した場所に到着するまでの時間の予測値である予測調達時間を算出し、前記異常の内容ならびに前記対策部品の識別情報および前記必要数量および前記予測調達時間を前記通信装置を介して前記顧客に通知し、前記対策部品の在庫数と、前記機械の保守計画と、前記対策部品の前記生産計画および前記入荷計画とに基づいて、前記対策部品の前記在庫数の予測値である在庫予測数の時系列変化を算出し、前記異常を通知した後に、前記通信装置を介して前記顧客により入力された前記対策部品の購入数を受信し、前記対策部品の購入履歴として前記記憶装置に記憶させ、前記購入履歴に基づいて前記対策部品の受注数の予測値である受注予測数を算出し、前記在庫予測数が前記受注予測数を下回る場合に、前記対策部品の在庫を増やすための情報を生成するものとする。 In order to achieve the above object, the present invention provides a maintenance support system having a server for supporting machine maintenance work, the server comprising: a control device having a calculation function; a storage device for storing data necessary for the calculation processing of the control device; and a communication device for enabling communication between the machine and the control device, the control device receiving operation data including data measured by a sensor mounted on the machine via the communication device, storing the data in the storage device, detecting an abnormality of the machine based on the operation data, and when the abnormality is detected, specifying countermeasure parts and their required quantities for repairing a failure that is likely to occur after the detection of the abnormality due to the abnormality among parts used in the machine, based on the failure and repair history of the machine, and The system calculates a predicted procurement time, which is a predicted value of the time from when a customer of the machine places an order for the countermeasure parts until the countermeasure parts arrive at a place designated by the customer, based on delivery means related to a supplier and sales office/agency data including the sales office/agency's procurement history of the countermeasure parts; notifies the customer via the communication device of the details of the abnormality, the identification information of the countermeasure parts, the required quantity , and the predicted procurement time; calculates a time -series change in a predicted inventory quantity, which is a predicted value of the inventory quantity of the countermeasure parts, based on the inventory quantity of the countermeasure parts, the maintenance plan for the machine, and the production plan and the arrival plan for the countermeasure parts; receives the purchase quantity of the countermeasure parts input by the customer via the communication device after notifying the abnormality, and stores it in the storage device as a purchase history of the countermeasure parts; calculates a predicted order quantity, which is a predicted value of the number of orders for the countermeasure parts, based on the purchase history; and generates information for increasing the inventory of the countermeasure parts when the predicted inventory quantity is lower than the predicted order quantity.
以上のように構成した本発明によれば、故障が発生する前に機械の異常を検知して顧客に通知すると共に、当該異常に起因する故障を修正するための対策部品の在庫切れを防ぐことにより、その後の故障による機械の非稼働時間を短縮することが可能となる。 The present invention, configured as described above, detects machine abnormalities and notifies customers before a failure occurs, and prevents parts needed to correct the failure caused by the abnormality from running out of stock, thereby reducing the amount of time the machine is down due to subsequent failures.
本発明によれば、故障が発生する前に機械の異常を検知して顧客に通知すると共に、当該異常に起因する故障を修正するための対策部品の在庫切れを防ぐことにより、その後の故障による機械の非稼働時間を短縮することが可能となる。 This invention detects machine anomalies before a failure occurs and notifies the customer, and prevents parts from running out of stock to correct the failure caused by the anomaly, thereby reducing the amount of time the machine is down due to subsequent failures.
以下、本発明の実施形態に係る保守支援システムについて、図面を参照して説明する。なお、各図中、同等の部材には同一の符号を付し、重複した説明は適宜省略する。 The maintenance support system according to an embodiment of the present invention will be described below with reference to the drawings. Note that in each drawing, equivalent components are designated by the same reference numerals, and duplicate explanations will be omitted where appropriate.
図１は、本発明の第１の実施例における保守支援システムの物理的な構成を示す図である。保守支援システム１は、機械１０の状態を監視して機械１０の保守作業を支援するシステムであり、サーバ１００と記憶装置２００とを備える。サーバ１００は、制御装置１００ａと通信装置１００ｂとを有する。なお、図１において、機械１０として油圧ショベルを例示しているが、機械１０は建設機械に限られない。 Figure 1 is a diagram showing the physical configuration of a maintenance support system in a first embodiment of the present invention. The maintenance support system 1 is a system that monitors the status of a machine 10 and supports maintenance work on the machine 10, and includes a server 100 and a storage device 200. The server 100 has a control device 100a and a communication device 100b. Note that while Figure 1 illustrates a hydraulic excavator as the machine 10, the machine 10 is not limited to construction machinery.
制御装置１００ａは、電源、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、メモリ、入出力装置等を備える１台または複数台のコンピューターで構成される。制御装置１００ａは、通信装置１００ｂを介して、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）やインターネット等で構成されたネットワーク２０に接続されている。 The control device 100a is composed of one or more computers equipped with a power supply, a CPU (Central Processing Unit), memory, input/output devices, etc. The control device 100a is connected to a network 20, which may be a LAN (Local Area Network) or the Internet, via a communication device 100b.
記憶装置２００は、例えば１つまたは複数のハードディスクで構成される。記憶装置２００はサーバ１００内に設置してもよいし、ネットワーク２０介してサーバ１００と接続してもよい。記憶装置２００は、制御装置１００ａの処理に係わるデータを、電子ファイル形式またはリレーショナル・データベースなどのデータベース形式で記憶している。本実施例では、データベース形式で記憶しているものとする。 The storage device 200 is composed of, for example, one or more hard disks. The storage device 200 may be installed within the server 100, or may be connected to the server 100 via the network 20. The storage device 200 stores data related to the processing of the control device 100a in electronic file format or database format such as a relational database. In this embodiment, the data is stored in database format.
機械１０は、複数のサブユニットまたは部品から構成されており、圧力や温度等を計測する各種のセンサ１１と、制御装置１２と、通信装置１３とを備える。制御装置１２は、センサ１１で計測した圧力や温度等の情報（稼働データ）を通信装置１３を介して保守支援システム１に送信する。 The machine 10 is composed of multiple subunits or parts, and is equipped with various sensors 11 that measure pressure, temperature, etc., a control device 12, and a communication device 13. The control device 12 transmits information (operation data) such as pressure and temperature measured by the sensors 11 to the maintenance support system 1 via the communication device 13.
その他、機械１０の顧客３０、および機械１０に使用される部品を保管する部品倉庫４０がネットワーク２０接続されている。部品倉庫４０は、部品生産者５０における部品の生産、および部品生産者５０から部品倉庫４０への部品の入荷を管理する。 In addition, the network 20 also connects the customer 30 of the machine 10 and a parts warehouse 40 that stores parts used in the machine 10. The parts warehouse 40 manages the production of parts by the parts producers 50 and the arrival of parts from the parts producers 50 to the parts warehouse 40.
図２に、制御装置１００ａの機能ブロック図を示す。図２において、制御装置１００ａは、機械状態分析部１０１と、対策部品推定部１０２と、部品在庫推定部１０３と、部品調達時間予測部１０４と、アラーム送信部１０５と、アラーム対応記憶部１０６と、部品需要予測部１０７と、部品在庫調整部１０８とを有する。 Figure 2 shows a functional block diagram of the control device 100a. In Figure 2, the control device 100a has a machine condition analysis unit 101, a countermeasure part estimation unit 102, a part inventory estimation unit 103, a part procurement time prediction unit 104, an alarm transmission unit 105, an alarm response memory unit 106, a part demand prediction unit 107, and a part inventory adjustment unit 108.
図３に、記憶装置２００のデータ構成を示す。記憶装置２００は、機械稼働データベース２０１、故障・修理履歴データベース２０２、部品生産データベース２０３、部品調達データベース２０４、営業所・代理店データベース２０５、アラーム対応データベース２０６、対策部品データベース２０７、保守計画データベース２０８、部品在庫データベース２０９、および部品受注履歴データベース２１０を記憶している。なお、各図中、データベースを「ＤＢ」と表記している。 Figure 3 shows the data configuration of the storage device 200. The storage device 200 stores a machine operation database 201, a failure and repair history database 202, a parts production database 203, a parts procurement database 204, a sales office and agency database 205, an alarm response database 206, a countermeasure parts database 207, a maintenance plan database 208, a parts inventory database 209, and a parts order history database 210. In each figure, databases are abbreviated as "DB."
機械状態分析部１０１は、通信装置１００ｂを介して機械１０の稼働データを取得し、機械稼働データベース２０１に保存する。機械状態分析部１０１は、データマイニングまたは機械学習、余寿命診断等のアルゴリズムを用いて、機械１０の稼働データから機械１０の健全性を示す指標値（健全性指標）を算出する。本実施例では、異常検知アルゴリズムを用いた場合の状態分析方法について説明する。 The machine condition analysis unit 101 acquires operation data of the machine 10 via the communication device 100b and stores it in the machine operation database 201. The machine condition analysis unit 101 calculates an index value (health index) indicating the health of the machine 10 from the operation data of the machine 10 using algorithms such as data mining, machine learning, and remaining life assessment. In this example, a condition analysis method using an anomaly detection algorithm will be described.
異常検知アルゴリズムでは、機械１０の稼働データから「特徴量」と呼ばれる物理量を定義し、正常な機械１０で得られた特徴量の分布を正常モデルとして作成する。特徴量は、例えば機械１０の稼働データから抽出した複数の物理量の組合せであり、ベクトル形式で記述することができる。以下、ベクトル形式で記述した複数の特徴量の組合せを特徴量ベクトルと称す。特徴量ベクトルに対応する正常モデルは、正常な機械１０で得られた特徴量ベクトルの平均（以下、平均ベクトル）および分散で記述することができる。機械１０の異常度は、新たに得られた特徴量ベクトルが平均ベクトルからどの程度乖離しているかで測定することができる。例えばマハラノビス・タグチ法という統計的アルゴリズムによれば、機械１０の異常度を以下の式で計算することができる。 In the anomaly detection algorithm, physical quantities called "features" are defined from the operation data of the machine 10, and the distribution of the features obtained from a normal machine 10 is created as a normal model. A feature is, for example, a combination of multiple physical quantities extracted from the operation data of the machine 10, and can be described in vector format. Hereinafter, a combination of multiple features described in vector format will be referred to as a feature vector. The normal model corresponding to the feature vector can be described by the mean (hereinafter referred to as the mean vector) and variance of the feature vector obtained from a normal machine 10. The degree of abnormality of the machine 10 can be measured by the degree to which the newly obtained feature vector deviates from the mean vector. For example, according to a statistical algorithm known as the Mahalanobis-Taguchi method, the degree of abnormality of the machine 10 can be calculated using the following formula:
ここで、ａは異常度であり、ｘは新たに得られた特徴量ベクトルであり、μは平均ベクトルであり、σは正常な機械１０で得られた特徴量ベクトルｘの標準偏差（分散の平方根）である。式（１）の左辺の分子は、新たな特徴量ベクトルｘから平均ベクトルμまでの距離の二乗を示し、右辺の分母は、平均ベクトルμの算出に用いた特徴量ベクトルｘの分散を示す。 Here, a is the degree of anomaly, x is the newly obtained feature vector, μ is the mean vector, and σ is the standard deviation (square root of the variance) of the feature vector x obtained from the normal machine 10. The numerator on the left side of equation (1) represents the square of the distance from the new feature vector x to the mean vector μ, and the denominator on the right side represents the variance of the feature vector x used to calculate the mean vector μ.
異常度ａを機械１０の健全性指標として用いることにより、機械１０の状態を分析することができる。良く利用される分析手法としては、異常度ａに対して閾値を設定し、異常度ａが閾値以上である場合に機械１０に異常があると判定し、閾値未満である場合に機械１０が正常であると判定するものがある。異常度ａの閾値は、異常度ａとその後の故障の発生有無との関係に基づいて決定することができる。 By using the degree of anomaly a as an indicator of the health of the machine 10, the state of the machine 10 can be analyzed. A commonly used analysis method is to set a threshold value for the degree of anomaly a, and determine that the machine 10 is abnormal if the degree of anomaly a is equal to or greater than the threshold, and determine that the machine 10 is normal if the degree of anomaly a is less than the threshold. The threshold value for the degree of anomaly a can be determined based on the relationship between the degree of anomaly a and whether or not a subsequent failure will occur.
図４に、機械１０の異常度ａの推移および閾値の一例を示す。異常度ａと閾値を用いて、機械１０の異常を判定するアルゴリズムを、次のような擬似コードで記述することができる。 Figure 4 shows an example of the progression of the anomaly level a of machine 10 and the threshold value. An algorithm for determining whether machine 10 is abnormal using the anomaly level a and the threshold value can be written in the following pseudocode:
対策部品推定部１０２は、機械１０の状態分析で異常が検出された場合、当該異常に起因する故障を修理するために必要な部品（対策部品）のリスト（対策部品リスト）を出力する。対策部品は、故障・修理履歴データベース２０２の情報から推定することが可能である。故障形態（故障モード）の例として、バッテリーの劣化、ツースの損傷などがある。 When an abnormality is detected in the condition analysis of the machine 10, the countermeasure part estimation unit 102 outputs a list (countermeasure part list) of parts (countermeasure parts) required to repair the failure caused by the abnormality. Countermeasure parts can be estimated from information in the failure/repair history database 202. Examples of failure types (failure modes) include battery degradation and tooth damage.
図５に、故障・修理履歴データベース２０２のデータ構造の一例を示す。故障・修理履歴データベース２０２は、故障事例（ケース）、分析時の健全性指標（異常度ａ）、分析時から故障までの日数、故障モード、修理時に交換された部品のリスト（交換部品リスト）等を記憶している。図５において、ケース１では、分析時の健全性指標が「Ａ１」であり、分析時点から故障に至るまでの日数が１５日であり、故障モードは「Ｍ１」であり、交換部品リストは「ＰＬ１」である。ケース２では、分析時の健全性指標が「Ａ２」であり、分析時点から故障に至るまでの日数が７日であり、故障モードは「Ｍ２」であり、交換部品リストは「ＰＬ２」である。ケースｎでは、分析時の健全性指標が「Ａｎ」であり、分析時点から故障に至るまでの日数が２８日であり、故障モードは「Ｍｎ」であり、交換部品リストは「ＰＬｎ」である。 Figure 5 shows an example of the data structure of the failure and repair history database 202. The failure and repair history database 202 stores failure cases (cases), health indexes at the time of analysis (abnormality level a), the number of days from the time of analysis to failure, failure modes, a list of parts replaced during repairs (replacement parts list), and the like. In Figure 5, in case 1, the health index at the time of analysis is "A1," the number of days from the time of analysis to failure is 15 days, the failure mode is "M1," and the replacement parts list is "PL1." In case 2, the health index at the time of analysis is "A2," the number of days from the time of analysis to failure is 7 days, the failure mode is "M2," and the replacement parts list is "PL2." In case n, the health index at the time of analysis is "An," the number of days from the time of analysis to failure is 28 days, the failure mode is "Mn," and the replacement parts list is "PLn."
図６に、対策部品データベース２０７のデータ構造の一例を示す。対策部品データベース２０７は、故障モード毎に、対策部品の部品番号、名称、および必要数量を記憶している。図６に示す例では、故障モードＭＡの対応には、５個の圧力センサ（部品番号：ＰＡＡＡ－０００）と３個のフィルタ（部品番号：ＰＡＡＡ－００１）が必要であり、故障モードＭＸの対応には、２０個のネジ（部品番号：ＰＸＸＸ－００３）が必要となる。 Figure 6 shows an example of the data structure of the countermeasure parts database 207. The countermeasure parts database 207 stores the part numbers, names, and required quantities of countermeasure parts for each failure mode. In the example shown in Figure 6, five pressure sensors (part number: PAAA-000) and three filters (part number: PAAA-001) are required to address failure mode MA, and 20 screws (part number: PXXX-003) are required to address failure mode MX.
部品在庫推定部１０３は、対策部品推定部１０２で推定される各対策部品について、在庫数の時系列変化を算出する。部品在庫推定部１０３の入力データとしては、部品在庫データベース２０９、機械１０の保守計画データベース２０８、および部品生産データベース２０３の情報が使われる。部品在庫データベース２０９には、部品倉庫４０が扱う各部品の在庫数、部品の属性（部品番号、名称、重量、価格等）、過去の売上実績等の情報が含まれる。保守計画データベース２０８には、部品倉庫４０と部品供給の関係にある全ての機械１０について、現在および今後の保守計画と保守に使われる部品のリスト等の情報が含まれる。部品生産データベース２０３には、部品倉庫４０が扱う各部品の生産計画および入荷計画等の情報が含まれる。 The parts inventory estimation unit 103 calculates time-series changes in inventory quantities for each countermeasure part estimated by the countermeasure part estimation unit 102. The parts inventory estimation unit 103 receives input data from the parts inventory database 209, the machine 10 maintenance plan database 208, and the parts production database 203. The parts inventory database 209 contains information such as the inventory quantity of each part handled by the parts warehouse 40, part attributes (part number, name, weight, price, etc.), and past sales figures. The maintenance plan database 208 contains information such as current and future maintenance plans and lists of parts to be used for maintenance for all machines 10 that have a parts supply relationship with the parts warehouse 40. The parts production database 203 contains information such as production plans and arrival plans for each part handled by the parts warehouse 40.
ある部品Ａについて、推定開始日（日付Ｄａｙ０）における在庫数をＮＡ０とした場合、日付Ｄａｙｎにおける在庫予測数ＮＡＤａｙｎは以下の式で求められる。 For a certain part A, if the inventory quantity on the estimated start date (Day 0 ) is NA 0 , the predicted inventory quantity on Day n, NA Day n , can be calculated using the following formula.
ここで、ＩＮ＿Ａ＿ｉは日付Ｄａｙｉにおける部品Ａの入荷予定数であり、生産計画から推定することができる。ＯＵＴ＿Ａ＿ｉは日付Ｄａｙｉにおける部品Ａの出荷予定数であり、保守計画データベース２０８の情報および部品需要予測から推定することができる。 Here, IN_A_i is the planned arrival quantity of part A on date Day i , which can be estimated from the production plan. OUT_A_i is the planned shipment quantity of part A on date Day i , which can be estimated from information in the maintenance plan database 208 and part demand forecasts.
図７に、部品在庫推定部１０３の演算結果の一例を示す。図７において、部品在庫推定部１０３の演算結果は、推定開始日（日付Ｄａｙ０）から日付Ｄａｙｎまでの部品Ａの入荷予定数、出荷予定数、および在庫予測数の推移を表している。 7 shows an example of the calculation results of the parts inventory estimation unit 103. In Fig. 7, the calculation results of the parts inventory estimation unit 103 show the transition of the planned arrival quantity, planned shipment quantity, and predicted inventory quantity of part A from the estimation start date (date Day 0 ) to date Day n .
部品調達時間予測部１０４は、対策部品が発注されてから当該対策部品が顧客指定の場所（機械の現場または代理店・営業所、または機械の修理を手掛ける組織）に到着するまでの時間（調達時間）の予測値（予測調達時間）を算出する。過去の実績データが豊富な場合は、ニューラルネットワーク等の機械学習アルゴリズムを用いることで高精度な予測調達時間を算出することが可能となる。また、部品調達時間予測部１０４は、予測調達時間に応じた調達可能時期の目安（例えば、「約１週間後」、「約１ヶ月後」等）を顧客３０に通知してもよい。これにより、顧客３０は対策部品の調達可能時期を把握できるため、機械１０の稼働計画を事前に見直すことが可能となる。 The parts procurement time prediction unit 104 calculates a predicted value (predicted procurement time) of the time (procurement time) from when the countermeasure parts are ordered until the countermeasure parts arrive at the location specified by the customer (the machine's site, a distributor/sales office, or an organization that repairs the machine). If there is a wealth of past performance data, it is possible to calculate a highly accurate predicted procurement time by using a machine learning algorithm such as a neural network. In addition, the parts procurement time prediction unit 104 may notify the customer 30 of an estimate of when the parts can be procured based on the predicted procurement time (for example, "about one week later," "about one month later," etc.). This allows the customer 30 to know when the countermeasure parts can be procured, enabling them to revise the operation plan for the machine 10 in advance.
図８に、本実施例における部品調達時間予測部１０４の処理手順の一例を示す。以下、各ステップを順に説明する。 Figure 8 shows an example of the processing procedure of the parts procurement time prediction unit 104 in this embodiment. Each step will be explained in order below.
ステップＳ４０１：部品在庫データベース２０９を参照し、発注日における対策部品の在庫数を確認する。 Step S401: Refer to the parts inventory database 209 to confirm the number of countermeasure parts in stock on the order date.
ステップＳ４０２：対策部品の在庫数が発注数以上であるか否か（対策部品の在庫が有るか否か）を判定する。対策部品の在庫数が発注数以上である（Ｙｅｓ）と判定した場合は、ステップＳ４０４を実行する。対策部品の在庫数が発注数未満である（Ｎｏ）と判定した場合は、ステップＳ４０３を実行してから、ステップＳ４０４を実行する。 Step S402: Determine whether the inventory of countermeasure parts is equal to or greater than the order quantity (whether countermeasure parts are in stock). If it is determined that the inventory of countermeasure parts is equal to or greater than the order quantity (Yes), execute step S404. If it is determined that the inventory of countermeasure parts is less than the order quantity (No), execute step S403 and then execute step S404.
ステップＳ４０３：部品生産データベース２０３の情報（対策部品の生産計画および入荷計画）に基づいて、対策部品の生産が開始されてから当該対策部品が部品倉庫に入荷するまでの時間（生産時間）の予測値（予測生産時間）を算出する。 Step S403: Based on the information in the parts production database 203 (production plans and arrival plans for countermeasure parts), a predicted value (predicted production time) of the time (production time) from when production of the countermeasure parts begins until the countermeasure parts arrive at the parts warehouse is calculated.
ステップＳ４０４：部品調達データベース２０４の情報（対策部品の発送方式および発送にかかる時間等）および営業所・代理店データベース２０５の情報（各営業所・代理店の住所、好みの配送手段、過去の対策部品の調達履歴等）に基づいて、対策部品が部品倉庫４０から顧客指定の場所に届けられるまでの時間（配送時間）の予測値（予測配送時間）を算出する。 Step S404: Based on information from the parts procurement database 204 (such as the shipping method and shipping time for the countermeasure parts) and information from the sales office/agency database 205 (such as the address of each sales office/agency, preferred delivery method, and past procurement history of countermeasure parts), a predicted value (predicted delivery time) for the time it takes for the countermeasure parts to be delivered from the parts warehouse 40 to the location specified by the customer is calculated.
ステップＳ４０５：予測生産時間と予測配送時間とを合算し、予測調達時間を算出する。 Step S405: Add up the predicted production time and predicted delivery time to calculate the predicted procurement time.
図９に、部品調達時間予測部１０４の演算結果の一例を示す。図９において、部品調達時間予測部１０４の演算結果には、各対策部品（部品１～ｎ）の在庫状況、予測生産時間、配送手段、予測配送時間、および予測調達時間が含まれる。 Figure 9 shows an example of the calculation results of the parts procurement time prediction unit 104. In Figure 9, the calculation results of the parts procurement time prediction unit 104 include the inventory status, predicted production time, delivery method, predicted delivery time, and predicted procurement time for each countermeasure part (parts 1 to n).
アラーム送信部１０５は、通信装置１００ｂを介して、機械１０の異常情報、対策部品推定部１０２が推定した対策部品のリスト（数量、価格等を含む）、部品調達時間予測部１０４が予測した予測調達時間、および異常に対応するための点検・保守手順をアラームと共に顧客３０に送信する。アラームの形式としては、警告音、ランプ点灯、モニタ表示、メール送信、電話、ファックス等がある。 The alarm sending unit 105 sends, via communication device 100b, information about the abnormality of the machine 10, a list of countermeasure parts (including quantity, price, etc.) estimated by the countermeasure parts estimation unit 102, the estimated procurement time estimated by the parts procurement time prediction unit 104, and inspection and maintenance procedures for responding to the abnormality, along with an alarm, to the customer 30. The alarm can take the form of a warning sound, a lamp light, a monitor display, email, telephone, fax, etc.
図１０に、アラーム送信部１０５が顧客３０に送信したアラーム情報のモニタ表示の一例を示す。図１０において、メインの表示枠３０１には、異常が検知された日時（異常検知日時）と、異常が検出された機械１０の識別情報（マシンＩＤ）、および異常の内容が表示されている。また、メインの表示枠３０１に配置されているボタン３０２，３０３をクリックすることにより、当該異常に対応するための点検・保守手順および対策部品リストを別の表示枠３０４，３０５で表示させることができる。なお、アラーム情報の表示項目および表示方法は、顧客３０の端末で動作するアプリケーションソフトに応じて適宜変更可能である。 Figure 10 shows an example of the monitor display of alarm information sent to the customer 30 by the alarm sending unit 105. In Figure 10, the main display frame 301 displays the date and time when the abnormality was detected (anomaly detection date and time), the identification information (machine ID) of the machine 10 in which the abnormality was detected, and the details of the abnormality. In addition, by clicking buttons 302 and 303 located in the main display frame 301, inspection and maintenance procedures to address the abnormality and a list of countermeasure parts can be displayed in separate display frames 304 and 305. Note that the display items and display method of the alarm information can be changed as appropriate depending on the application software running on the customer 30's terminal.
アラーム対応記憶部１０６は、アラーム送信部１０５がアラーム等を送信した後に、当該アラームに対する顧客３０の対応情報（アラーム対応データ）を通信装置１００ｂを介して受信し、アラーム対応データベース２０６に蓄積する。アラーム対応データには、対策部品の発注日、対策部品の購入数、機械点検・修理の開始日と終了日等が含まれる。 After the alarm sending unit 105 sends an alarm, the alarm response memory unit 106 receives customer 30's response information (alarm response data) to the alarm via communication device 100b and stores it in the alarm response database 206. The alarm response data includes the order date for the countermeasure parts, the number of countermeasure parts purchased, the start and end dates of the machine inspection/repair, etc.
図１１に、部品需要予測部１０７の構成の一例を示す。部品需要予測部１０７は、入力データ１０７ａ、学習モデル１０７ｂ、および出力データ１０７ｃで構成される。入力データ１０７ａには、アラーム対応記憶部１０６が取得したアラーム対応データ、機械１０の機種や生産年代などの機械基本データ、機械１０の稼働データ、機械１０の保守計画データ、故障モード、機械１０の顧客を識別する顧客データ（営業所・代理店データ）、部品倉庫の部品調達履歴を含む部品調達データ、部品受注履歴データ等が含まれる。出力データ１０７ｃには、当該故障モードに関する対策部品の識別情報（例えば、部品名称）および受注予測数が含まれる。学習モデル１０７ｂとしては、入力データ１０７ａと出力データ１０７ｃとの関係を学習可能な、教師あり機械学習モデルを用いる。代表的な教師あり機械学習モデルとしては、例えばニューラルネットワーク、決定木、ランダムフォレスト、深層学習等が挙げられる。部品需要予測部１０７は、学習モデル１０７ｂを用いて入力データ１０７ａを出力データ１０７ｃに変換し、出力データ１０７ｃを部品需要予測として部品在庫調整部１０８にフィードバックする。 FIG. 11 shows an example of the configuration of the parts demand forecasting unit 107. The parts demand forecasting unit 107 is composed of input data 107a, a learning model 107b, and output data 107c. The input data 107a includes alarm response data acquired by the alarm response memory unit 106, basic machine data such as the model and production year of the machine 10, operation data for the machine 10, maintenance plan data for the machine 10, failure modes, customer data (sales office/agency data) identifying the customer of the machine 10, parts procurement data including the parts procurement history of the parts warehouse , and parts order history data. The output data 107c includes identification information (e.g., part name) and predicted order quantity of countermeasure parts related to the failure mode. The learning model 107b uses a supervised machine learning model capable of learning the relationship between the input data 107a and the output data 107c. Typical supervised machine learning models include neural networks, decision trees, random forests, and deep learning. The parts demand forecasting unit 107 converts the input data 107a into output data 107c using the learning model 107b, and feeds back the output data 107c to the parts inventory adjustment unit 108 as a parts demand forecast.
部品在庫調整部１０８は、部品在庫推定部１０３が推定した対策部品の在庫予測数と、部品需要予測部１０７が予測した対策部品の受注予測数との比較を行う。ある対策部品の受注予測数が在庫予測数を上回る場合は、当該部品の在庫切れを防ぐため、当該部品の生産時期または入荷時期が前倒しされるように部品生産データベース２０３の情報（生産計画または入荷計画）を変更する。すなわち、本実施例における部品在庫調整部１０８は、対策部品の在庫を増やすための情報として、対策部品の生産時期または入荷時期を前倒しするための入荷計画または生産計画の変更情報を生成する。なお、対策部品の在庫を増やすための情報は、在庫を増やす手段に応じて種々考えられる。一方、受注予測数が在庫予測数を大きく下回る場合は、当該部品の余剰在庫を減らすため、当該部品の入荷時期や生産時期が後ろ倒しされるように入荷計画や生産計画を変更する。 The parts inventory adjustment unit 108 compares the forecast inventory number of countermeasure parts estimated by the parts inventory estimation unit 103 with the forecast order number of countermeasure parts predicted by the parts demand forecast unit 107. If the forecast order number of a certain countermeasure part exceeds the forecast inventory number, the information (production plan or arrival plan) in the parts production database 203 is changed so that the production or arrival time of the part is brought forward in order to prevent stockout of the part. That is, in this embodiment, the parts inventory adjustment unit 108 generates arrival plan or production plan change information for bringing forward the production or arrival time of the countermeasure part as information for increasing the inventory of the countermeasure part. Note that various information for increasing the inventory of countermeasure parts can be considered depending on the means for increasing inventory. On the other hand, if the forecast order number is significantly lower than the forecast inventory number, the arrival plan or production plan is changed so that the arrival or production time of the part is brought forward in order to reduce excess inventory of the part.
（まとめ）
本実施例では、サーバ１００を有し、機械１０の保守作業を支援するための保守支援システム１において、サーバ１００は、演算機能を有する制御装置１００ａと、制御装置１００ａの演算処理に必要なデータを記憶する記憶装置２００と、機械１０と制御装置１００ａとの通信を可能とする通信装置１００ｂとを備え、制御装置１００ａは、機械１０に搭載されたセンサ１１で計測したデータを含む稼働データを通信装置１００ｂを介して受信し、記憶装置２００に記憶させ、前記稼働データに基づいて機械１０の異常を検出し、前記異常を検出した場合に、機械１０で使用される部品のうち前記異常に起因する故障を修理するための対策部品およびその必要数量を推定するとともに、前記異常の内容ならびに前記対策部品の識別情報および必要数量を通信装置１００ｂを介して顧客３０に通知し、前記対策部品の在庫数の予測値である在庫予測数を算出し、前記異常を通知した後に、通信装置１００ｂを介して顧客３０により入力された前記対策部品の購入数を受信し、前記対策部品の購入履歴として記憶装置２００に記憶させ、前記購入履歴に基づいて前記対策部品の受注数の予測値である受注予測数を算出し、前記在庫予測数が前記受注予測数を下回る場合に、前記対策部品の在庫を増やすための情報を生成するものとする。
(summary)
In this embodiment, in a maintenance support system 1 having a server 100 and for supporting maintenance work of a machine 10, the server 100 is provided with a control device 100a having a calculation function, a storage device 200 for storing data necessary for calculation processing of the control device 100a, and a communication device 100b for enabling communication between the machine 10 and the control device 100a, and the control device 100a receives operation data including data measured by a sensor 11 mounted on the machine 10 via the communication device 100b, stores the data in the storage device 200, detects an abnormality in the machine 10 based on the operation data, and when the abnormality is detected, detects a failure of a part used in the machine 10 that is caused by the abnormality. The countermeasure parts for repairing the fault and their required quantity are estimated, the content of the abnormality and the identification information and required quantity of the countermeasure parts are notified to the customer 30 via the communication device 100b, a predicted inventory quantity which is a predicted value of the inventory quantity of the countermeasure parts is calculated, the purchase quantity of the countermeasure parts input by the customer 30 via the communication device 100b after notifying the abnormality is received and stored in the storage device 200 as a purchase history of the countermeasure parts, a predicted order quantity which is a predicted value of the order quantity of the countermeasure parts is calculated based on the purchase history, and when the predicted inventory quantity is lower than the predicted order quantity, information for increasing the inventory of the countermeasure parts is generated.
以上のように構成した本実施例によれば、故障が発生する前に機械１０の異常を検知して顧客３０に通知すると共に、当該異常に起因する故障を修正するための対策部品の在庫切れを防ぐことにより、その後の故障による機械１０の非稼働時間を短縮することが可能となる。 With this embodiment configured as described above, it is possible to detect an abnormality in the machine 10 before a failure occurs and notify the customer 30, and by preventing the stock of countermeasure parts to correct the failure caused by the abnormality from running out of stock, it is possible to reduce the downtime of the machine 10 due to subsequent failures.
また、制御装置１００ａは、機械１０の稼働データに基づいて機械１０の健全性を示す指標値ａを算出し、指標値ａが所定の範囲内（例えば、所定の閾値未満）にある場合は、機械１０が正常であると判定し、指標値ａが前記所定の範囲外（例えば、所定の閾値以上）にある場合は、機械１０に異常があると判定する。これにより、機械１０の異常の検出精度を向上させることが可能となる。 The control device 100a also calculates an index value a indicating the health of the machine 10 based on the operation data of the machine 10, and determines that the machine 10 is normal if the index value a is within a predetermined range (e.g., below a predetermined threshold), and determines that there is an abnormality in the machine 10 if the index value a is outside the predetermined range (e.g., above a predetermined threshold). This makes it possible to improve the accuracy of detecting abnormalities in the machine 10.
また、記憶装置２００は、機械１０の故障・修理履歴を記憶しており、制御装置１００ａは、機械１０の異常を検出した場合に、前記故障・修理履歴に基づいて、前記異常に対応するための対策部品およびその必要数量を推定する。これにより、対策部品およびその必要数量の推定精度を向上させることが可能となる。 In addition, the storage device 200 stores the failure and repair history of the machine 10, and when the control device 100a detects an abnormality in the machine 10, it estimates the countermeasure parts and the required quantity to address the abnormality based on the failure and repair history. This makes it possible to improve the accuracy of estimating the countermeasure parts and the required quantity.
また、記憶装置２００は、対策部品の在庫数と、機械１０の保守計画と、対策部品の生産計画および入荷計画とを記憶しており、制御装置１００ａは、対策部品の在庫数と、機械１０の保守計画と、対策部品の生産計画および入荷計画とに基づいて対策部品の在庫予測数を算出する。これにより、在庫予測数の算出精度を向上させることが可能となる。 In addition, the storage device 200 stores the inventory quantity of countermeasure parts, the maintenance plan for the machine 10, and the production and arrival plans for the countermeasure parts, and the control device 100a calculates the predicted inventory quantity of countermeasure parts based on the inventory quantity of countermeasure parts, the maintenance plan for the machine 10, and the production and arrival plans for the countermeasure parts. This makes it possible to improve the accuracy of calculating the predicted inventory quantity.
また、記憶装置２００は、対策部品の生産計画および入荷計画を含む部品生産データと、対策部品の発送方式および発送にかかる時間を含む部品調達データと、対策部品を扱う営業所・代理店の住所、対策部品の配送手段、および対策部品の調達履歴を含む営業所・代理店データとを記憶しており、制御装置１００ａは、機械１０の異常を検出した場合に、前記部品生産データ、前記部品調達データ、および前記営業所・代理店データに基づいて、顧客３０が対策部品を発注してから対策部品が顧客３０が指定した場所に到着するまでの時間の予測値である予測調達時間を算出し、前記予測調達時間を通信装置１００ｂを介して顧客３０に通知する。これにより、顧客３０は対策部品の調達可能時期を把握できるため、機械１０の稼働計画を事前に見直すことが可能となる。 In addition, the storage device 200 stores parts production data including production plans and delivery plans for countermeasure parts, parts procurement data including shipping methods and shipping times for the countermeasure parts, and sales office/agency data including the addresses of sales offices/agencies that handle the countermeasure parts, delivery methods for the countermeasure parts, and countermeasure part procurement history.When an abnormality in the machine 10 is detected, the control device 100a calculates a predicted procurement time, which is a prediction of the time from when the customer 30 places an order for the countermeasure part until the countermeasure part arrives at the location specified by the customer 30, based on the parts production data, the parts procurement data, and the sales office/agency data, and notifies the customer 30 of the predicted procurement time via the communication device 100b.This allows the customer 30 to know when the countermeasure part will be available for procurement, enabling them to revise the operation plan for the machine 10 in advance.
また、制御装置１００ａは、機械１０の異常を検出した場合に、前記異常に対応するための対策部品の識別情報およびその必要数量に加えて、前記対策部品の価格および前記異常に対応するための点検・保守手順を顧客３０に通知する。また、通信装置１００ｂを介して前記異常に対する顧客３０の対応情報を受信した場合に、前記対応情報を記憶装置２００に記憶させる。このように対応情報を履歴として残すことで、顧客３０が機械１０の異常に速やかに対応することが可能になると共に、顧客３０の対応情報に基づいて当該異常に対応するための点検・保守手順を見直すことが可能となる。 Furthermore, when the control device 100a detects an abnormality in the machine 10, it notifies the customer 30 of the identification information and required quantity of countermeasure parts to address the abnormality, as well as the price of the countermeasure parts and the inspection and maintenance procedures to address the abnormality. Furthermore, when the control device 100a receives the customer 30's response information regarding the abnormality via the communication device 100b, it stores the response information in the storage device 200. By recording the response information as a history in this way, the customer 30 can respond quickly to the abnormality in the machine 10 and can also review the inspection and maintenance procedures to address the abnormality based on the customer 30's response information.
また、記憶装置２００は、機械１０の機種および生産年代を含む基本データと、機械１０の稼働データと、機械１０の保守計画データと、機械１０の異常に起因する故障モードと、機械１０の顧客データと、対策部品の部品調達データと、対策部品の購入履歴を含む部品受注履歴データとを記憶しており、制御装置１００ａは、教師あり機械学習モデルを用いて、前記稼働データ、前記保守計画データ、前記故障モード、前記顧客データ、前記部品調達データ、および前記部品受注履歴データを含む入力データを基に対策部品の受注予測数を算出する。これにより、対策部品の受注予測数の算出精度を向上させることが可能となる。 The storage device 200 also stores basic data including the model and production year of the machine 10, operation data for the machine 10, maintenance plan data for the machine 10, failure modes resulting from abnormalities in the machine 10, customer data for the machine 10, parts procurement data for countermeasure parts, and parts order history data including the purchase history of the countermeasure parts. The control device 100a uses a supervised machine learning model to calculate the predicted number of orders for countermeasure parts based on input data including the operation data, the maintenance plan data, the failure modes, the customer data, the parts procurement data, and the parts order history data. This makes it possible to improve the accuracy of calculating the predicted number of orders for countermeasure parts.
また、記憶装置２００は、機械１０の異常に対応するための対策部品の生産計画および入荷計画を記憶しており、制御装置１００ａは、前記対策部品の受注予測数が在庫予測数を上回る場合に、前記対策部品の在庫を増やすための情報として、前記対策部品の生産時期または入荷時期を前倒しするための前記生産計画または前記入荷計画の変更情報を生成する。これにより、対策部品の生産計画または入荷計画に基づいて、対策部品の在庫数を増やすことが可能となる。 The storage device 200 also stores production plans and delivery plans for countermeasure parts to deal with abnormalities in the machine 10, and when the forecasted order quantity for the countermeasure parts exceeds the forecasted inventory quantity, the control device 100a generates change information for the production plan or delivery plan to advance the production or delivery date of the countermeasure parts as information for increasing inventory of the countermeasure parts. This makes it possible to increase the inventory quantity of countermeasure parts based on the production plan or delivery plan for the countermeasure parts.
本発明の第２の実施例に係る保守支援システムについて、図１２を用いて説明する。図１２は、本実施例に係る保守支援システムの構成図である。以下、第１の実施例（図１に示す）との相違点を中心に説明する。 A maintenance support system according to a second embodiment of the present invention will be described using Figure 12. Figure 12 is a configuration diagram of the maintenance support system according to this embodiment. The following description will focus on the differences from the first embodiment (shown in Figure 1).
図１２において、保守支援システム１Ａは、同一現場または同一地域で稼働している複数台の機械１０のそれぞれに対して、第１または第２の実施例と同様の処理を行う。 In Figure 12, the maintenance support system 1A performs the same processing as in the first or second embodiment for each of multiple machines 10 operating at the same site or in the same area.
以上のように構成した本実施例によれば、同一現場または同一地域で稼働している複数台の機械１０の異常を検知して顧客３０に通知すると共に、当該異常に起因した故障を修理するための対策部品の在庫切れを防ぐことにより、その後の故障による各機械の非稼働時間を短縮することが可能となる。 With this embodiment configured as described above, abnormalities in multiple machines 10 operating at the same site or in the same area can be detected and notified to the customer 30, and by preventing the stock of countermeasure parts to repair failures caused by the abnormalities from running out of stock, it is possible to reduce the downtime of each machine due to subsequent failures.
本発明の第３の実施例に係る保守支援システムについて、図１３を用いて説明する。図１３は、本実施例に係る保守支援システムの構成図である。以下、第１の実施例（図１に示す）との相違点を中心に説明する。 A maintenance support system according to a third embodiment of the present invention will be described using Figure 13. Figure 13 is a configuration diagram of the maintenance support system according to this embodiment. The following description will focus on the differences from the first embodiment (shown in Figure 1).
図１３において、保守支援システム１Ｂは、エッジ・コンピューティング技術を適用したものであり、第１の実施例におけるサーバ１００の制御装置１００ａの機能（図２に示す）の一部または全てを機械１０の制御装置１２に実装している。また、機械１０は記憶装置１４を備えている。記憶装置１４は、機械１０の制御装置１２が分担する機能に応じて、第１の実施例における記憶装置２００が記憶するデータベース２０１～２１０（図３に示す）の一部または全てを記憶する。 In Figure 13, the maintenance support system 1B applies edge computing technology, and some or all of the functions of the control device 100a of the server 100 in the first embodiment (shown in Figure 2) are implemented in the control device 12 of the machine 10. The machine 10 also has a storage device 14. The storage device 14 stores some or all of the databases 201-210 (shown in Figure 3) stored in the storage device 200 in the first embodiment, depending on the functions assigned to the control device 12 of the machine 10.
以上のように構成した本実施例における保守支援システム１Ｂよれば、サーバ１００の制御装置１００ａと機械１０の制御装置１２とに機能を分散させることにより、システム全体の処理効率を向上させることが可能となる。 The maintenance support system 1B in this embodiment, configured as described above, distributes functions between the control device 100a of the server 100 and the control device 12 of the machine 10, thereby making it possible to improve the processing efficiency of the entire system.
以上、本発明の実施例について詳述したが、本発明は上記した実施例に限定されるものではなく、様々な変形例が含まれる。例えば、上記した実施例は、本発明を分かり易く説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成に他の実施例の構成の一部を加えることも可能であり、ある実施例の構成の一部を削除し、あるいは、他の実施例の一部と置き換えることも可能である。 Although the embodiments of the present invention have been described in detail above, the present invention is not limited to the above-described embodiments and includes various modifications. For example, the above-described embodiments have been described in detail to clearly explain the present invention, and are not necessarily limited to those that include all of the configurations described. Furthermore, it is possible to add part of the configuration of one embodiment to the configuration of another embodiment, or to delete part of the configuration of one embodiment or replace it with part of another embodiment.
１，１Ａ，１Ｂ…保守支援システム、１０…機械、１１…センサ、１２…制御装置、１３…通信装置、２０…ネットワーク、３０…顧客、４０…部品倉庫、５０…部品生産者、１００…サーバ、１００ａ…制御装置、１００ｂ…通信装置、１０１…機械状態分析部、１０２…対策部品推定部、１０３…部品在庫推定部、１０４…部品調達時間予測部、１０５…アラーム送信部、１０６…アラーム対応記憶部、１０７…部品需要予測部、１０７ａ…入力データ、１０７ｂ…学習モデル、１０７ｃ…出力データ、１０８…部品在庫調整部、２００…記憶装置、２０１…機械稼働データベース、２０２…故障・修理履歴データベース、２０３…部品生産データベース、２０４…部品調達データベース、２０５…営業所・代理店データベース、２０６…アラーム対応データベース、２０７…対策部品データベース、２０８…保守計画データベース、２０９…部品在庫データベース、２１０…部品受注履歴データベース。 1, 1A, 1B...Maintenance support system, 10...Machine, 11...Sensor, 12...Control device, 13...Communication device, 20...Network, 30...Customer, 40...Parts warehouse, 50...Parts producer, 100...Server, 100a...Control device, 100b...Communication device, 101...Machine condition analysis unit, 102...Countermeasure part estimation unit, 103...Parts inventory estimation unit, 104...Parts procurement time prediction unit, 105...Alarm transmission unit, 106...Alarm response memory unit, 107...Parts demand prediction unit, 107a...Input data 107b...learning model, 107c...output data, 108...parts inventory adjustment unit, 200...storage device, 201...machine operation database, 202...fault and repair history database, 203...parts production database, 204...parts procurement database, 205...sales office and agency database, 206...alarm response database, 207...countermeasure parts database, 208...maintenance plan database, 209...parts inventory database, 210...parts order history database.
Claims (6)
前記サーバは、
演算機能を有する制御装置と、
前記制御装置の演算処理に必要なデータを記憶する記憶装置と、
前記機械と前記制御装置との通信を可能とする通信装置とを備え、
前記制御装置は、
前記機械に搭載されたセンサで計測したデータを含む稼働データを前記通信装置を介して受信し、前記記憶装置に記憶させ、
前記稼働データに基づいて前記機械の異常を検出し、
前記異常を検出した場合に、前記機械で使用される部品のうち前記異常に起因して当該異常検出後に発生すると思われる故障を修理するための対策部品およびその必要数量を前記機械の故障・修理履歴に基づいて特定するとともに、
前記記憶装置に記憶された、前記対策部品の生産計画および入荷計画を含む部品生産データと、前記対策部品の発送方式および発送にかかる時間を含む部品倉庫の部品調達データと、前記対策部品を扱う営業所・代理店の住所、前記対策部品の輸送方法および配送業者に関する配送手段、および前記営業所・代理店の前記対策部品の調達履歴を含む営業所・代理店データとに基づいて、前記機械の顧客が前記対策部品を発注したときの当該発注から前記対策部品が前記顧客が指定した場所に到着するまでの時間の予測値である予測調達時間を算出し、
前記異常の内容ならびに前記対策部品の識別情報および前記必要数量および前記予測調達時間を前記通信装置を介して前記顧客に通知し、
前記対策部品の在庫数と、前記機械の保守計画と、前記対策部品の前記生産計画および前記入荷計画とに基づいて、前記対策部品の前記在庫数の予測値である在庫予測数の時系列変化を算出し、
前記異常を通知した後に、前記通信装置を介して前記顧客により入力された前記対策部品の購入数を受信し、前記対策部品の購入履歴として前記記憶装置に記憶させ、
前記購入履歴に基づいて前記対策部品の受注数の予測値である受注予測数を算出し、
前記在庫予測数が前記受注予測数を下回る場合に、前記対策部品の在庫を増やすための情報を生成する
ことを特徴とする保守支援システム。 A maintenance support system having a server for supporting machine maintenance work,
The server
a control device having a calculation function;
a storage device that stores data necessary for the arithmetic processing of the control device;
a communication device that enables communication between the machine and the control device;
The control device
receiving operation data including data measured by a sensor mounted on the machine via the communication device and storing the data in the storage device;
Detecting an abnormality in the machine based on the operation data;
When the abnormality is detected, countermeasure parts and the required quantity for repairing a failure that is likely to occur after the detection of the abnormality due to the abnormality among the parts used in the machine are identified based on the failure and repair history of the machine, and
calculate a predicted procurement time, which is a predicted value of the time from when a customer of the machine places an order for the countermeasure part until the countermeasure part arrives at a location designated by the customer, based on parts production data including a production plan and a delivery plan for the countermeasure part, parts procurement data of a parts warehouse including a shipping method and a time required for shipping the countermeasure part, which are stored in the storage device, and sales office/agency data including an address of a sales office/agency that handles the countermeasure part, a transportation method for the countermeasure part and a delivery means related to a delivery company, and a procurement history of the countermeasure part by the sales office/agency;
notifying the customer via the communication device of the details of the abnormality, the identification information of the countermeasure part, the required quantity , and the predicted procurement time;
calculating a time series change in a predicted inventory quantity, which is a predicted value of the inventory quantity of the countermeasure part, based on the inventory quantity of the countermeasure part, the maintenance plan for the machine, and the production plan and the receiving plan for the countermeasure part;
After notifying the abnormality, the number of countermeasure parts purchased input by the customer via the communication device is received, and the number is stored in the storage device as a purchase history of the countermeasure parts;
calculating a predicted order quantity, which is a predicted value of the number of orders for the countermeasure parts, based on the purchase history;
and generating information for increasing inventory of the countermeasure parts when the predicted inventory quantity falls below the predicted order quantity.
前記制御装置は、
前記稼働データに基づいて前記機械の健全性を示す指標値を算出し、
前記指標値が所定の範囲内にある場合は、前記機械が正常であると判定し、
前記指標値が前記所定の範囲外にある場合は、前記機械に異常があると判定する
ことを特徴とする保守支援システム。 2. The maintenance support system according to claim 1,
The control device
calculating an index value indicating the health of the machine based on the operation data;
If the index value is within a predetermined range, the machine is determined to be normal;
When the index value is outside the predetermined range, it is determined that there is an abnormality in the machine.
前記記憶装置は、前記機械の前記故障・修理履歴を記憶しており、
前記制御装置は、前記異常を検出した場合に、前記記憶装置に記憶された前記故障・修理履歴に基づいて前記対策部品および前記必要数量を特定する
ことを特徴とする保守支援システム。 2. The maintenance support system according to claim 1,
the storage device stores the failure and repair history of the machine,
The maintenance support system is characterized in that, when the control device detects the abnormality, it identifies the countermeasure part and the required quantity based on the failure and repair history stored in the storage device.
前記記憶装置は、前記対策部品の前記在庫数と、前記機械の前記保守計画と、前記対策部品の前記生産計画および前記入荷計画とを記憶しており、
前記制御装置は、前記記憶装置に記憶された前記対策部品の前記在庫数と、前記機械の前記保守計画と、前記対策部品の前記生産計画および前記入荷計画とに基づいて前記在庫予測数を算出する
ことを特徴とする保守支援システム。 2. The maintenance support system according to claim 1,
the storage device stores the inventory quantity of the countermeasure part, the maintenance plan for the machine, and the production plan and the receiving plan for the countermeasure part,
the control device calculates the predicted inventory quantity based on the inventory quantity of the countermeasure part stored in the storage device, the maintenance plan for the machine, and the production plan and arrival plan for the countermeasure part.
前記制御装置は、
前記異常を検出した場合に、前記対策部品の識別情報および前記必要数量に加えて、前記対策部品の価格および前記異常に対応するための点検・保守手順を前記顧客に通知し、
前記通信装置を介して前記異常に対する前記顧客の対応情報を受信した場合に、前記対応情報を前記記憶装置に記憶させる
ことを特徴とする保守支援システム。 2. The maintenance support system according to claim 1,
The control device
When the abnormality is detected, notifying the customer of the identification information of the countermeasure part, the required quantity, the price of the countermeasure part, and an inspection and maintenance procedure for dealing with the abnormality;
a maintenance support system, wherein when the customer's response information for the abnormality is received via the communication device, the response information is stored in the storage device.
前記記憶装置は、前記機械の機種および生産年代を含む基本データと、前記稼働データと、前記機械の保守計画データと、前記異常に起因する故障モードと、前記機械の前記顧客を識別する顧客データと、部品倉庫の前記対策部品の部品調達データと、前記購入履歴を含む部品受注履歴データとを記憶しており、
前記制御装置は、教師あり機械学習モデルを用いて、前記稼働データ、前記保守計画データ、前記故障モード、前記顧客データ、前記部品調達データ、および前記部品受注履歴データを含む入力データを基に前記受注予測数を算出する
ことを特徴とする保守支援システム。 2. The maintenance support system according to claim 1,
the storage device stores basic data including the model and production year of the machine, the operation data, maintenance plan data for the machine, a failure mode caused by the abnormality, customer data for identifying the customer of the machine, parts procurement data for the countermeasure parts in a parts warehouse, and parts order history data including the purchase history;
the control device uses a supervised machine learning model to calculate the order forecast quantity based on input data including the operation data, the maintenance plan data, the failure mode, the customer data, the parts procurement data, and the parts order history data.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021068631A JP7733468B2 (en) | 2021-04-14 | 2021-04-14 | Maintenance Support System |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021068631A JP7733468B2 (en) | 2021-04-14 | 2021-04-14 | Maintenance Support System |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| JP2022163608A JP2022163608A (en) | 2022-10-26 |
| JP2022163608A5 JP2022163608A5 (en) | 2024-03-19 |
| JP7733468B2 true JP7733468B2 (en) | 2025-09-03 |
Family
ID=83742279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021068631A Active JP7733468B2 (en) | 2021-04-14 | 2021-04-14 | Maintenance Support System |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7733468B2 (en) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102522634B1 (en) * | 2023-01-12 | 2023-04-18 | (주)이수정보기술 | Methods, devices, and systems for automating maintenance operations of network equipment |
| CN116139443B (en) * | 2023-02-24 | 2023-09-29 | 江苏海润消防设备有限公司 | A fire equipment inspection and maintenance management system |
| JP7838563B2 (en) * | 2023-11-20 | 2026-04-01 | 日本電気株式会社 | Inspection support system, inspection support device, inspection support method, and program |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005075532A (en) | 2003-08-29 | 2005-03-24 | Ryuichi Kawabata | Vehicle parts inventory management system and method |
| JP2007164724A (en) | 2005-12-16 | 2007-06-28 | Ricoh Co Ltd | Necessary parts delivery support system, necessary parts delivery support method, and necessary parts delivery support program |
| JP2008171171A (en) | 2007-01-11 | 2008-07-24 | Hitachi Ltd | Demand forecast method, demand forecast analysis server, and demand forecast program |
| JP2010113672A (en) | 2008-11-10 | 2010-05-20 | Hitachi Ltd | Terminal, program, and inventory management method |
| JP2012181169A (en) | 2011-03-03 | 2012-09-20 | Ntn Corp | Apparatus and method for monitoring state of rolling component |
| WO2013145203A1 (en) | 2012-03-29 | 2013-10-03 | 株式会社日立製作所 | Maintenance information coordination system |
| JP2014002660A (en) | 2012-06-20 | 2014-01-09 | Hitachi Ltd | Maintenance component production management device and maintenance component production management method |
| JP2018169684A (en) | 2017-03-29 | 2018-11-01 | 日立建機株式会社 | Business support device |
| JP2020187516A (en) | 2019-05-14 | 2020-11-19 | 株式会社日立製作所 | Abnormality diagnosis device and method |
-
2021
- 2021-04-14 JP JP2021068631A patent/JP7733468B2/en active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005075532A (en) | 2003-08-29 | 2005-03-24 | Ryuichi Kawabata | Vehicle parts inventory management system and method |
| JP2007164724A (en) | 2005-12-16 | 2007-06-28 | Ricoh Co Ltd | Necessary parts delivery support system, necessary parts delivery support method, and necessary parts delivery support program |
| JP2008171171A (en) | 2007-01-11 | 2008-07-24 | Hitachi Ltd | Demand forecast method, demand forecast analysis server, and demand forecast program |
| JP2010113672A (en) | 2008-11-10 | 2010-05-20 | Hitachi Ltd | Terminal, program, and inventory management method |
| JP2012181169A (en) | 2011-03-03 | 2012-09-20 | Ntn Corp | Apparatus and method for monitoring state of rolling component |
| WO2013145203A1 (en) | 2012-03-29 | 2013-10-03 | 株式会社日立製作所 | Maintenance information coordination system |
| JP2014002660A (en) | 2012-06-20 | 2014-01-09 | Hitachi Ltd | Maintenance component production management device and maintenance component production management method |
| JP2018169684A (en) | 2017-03-29 | 2018-11-01 | 日立建機株式会社 | Business support device |
| JP2020187516A (en) | 2019-05-14 | 2020-11-19 | 株式会社日立製作所 | Abnormality diagnosis device and method |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2022163608A (en) | 2022-10-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7145821B2 (en) | Failure probability evaluation system and method | |
| CN118428926A (en) | Equipment health degree assessment method, device and monitoring system | |
| JP7733468B2 (en) | Maintenance Support System | |
| US12002063B2 (en) | Method and system for generating ensemble demand forecasts | |
| TWI709092B (en) | Failure probability evaluation system and method | |
| US20160092808A1 (en) | Predictive maintenance for critical components based on causality analysis | |
| JP2005135422A (en) | Distributed power plant with automated event assessment and event mitigation planning process | |
| US20150241873A1 (en) | Monitoring a first system of a technical plant for producing a product | |
| JP7040270B2 (en) | Warehouse management equipment, warehouse management methods, and programs | |
| US11567487B2 (en) | Fault diagnosis system and method for electric drives | |
| CN114841590A (en) | Supply chain exception handling method, device, equipment, storage medium and program product | |
| JP2018147385A (en) | Maintenance work scheduling system, maintenance work scheduling method and program | |
| WO2023139684A1 (en) | Battery residual value management system and battery residual value management method | |
| CN119273327A (en) | Fault data processing method and fault data processing platform | |
| CN119517352A (en) | A medical device status management system based on Internet of Things technology | |
| JP7339861B2 (en) | Failure probability evaluation system | |
| JP2019175273A (en) | Quality evaluation method and quality evaluation | |
| JP7461899B2 (en) | Maintenance Support System | |
| CN118840046B (en) | Retail data processing method, device, computer equipment and computer storage medium | |
| JP7604341B2 (en) | Maintenance Support System | |
| US11983188B2 (en) | Systems, devices, and methods for network and obsolescence management | |
| US12026680B2 (en) | System and method for inferring machine failure, estimating when the machine will be repaired, and computing an optimal solution | |
| CN116384876A (en) | Dynamic Inventory of Spare Parts Based on Wiener Process-Production Control Method, System and Medium | |
| JP2012094098A (en) | Chain alarm system | |
| KR20220139035A (en) | Apparatus and Method for Predicting Lifespan of Power Facility |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240311 |
|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240311 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20250107 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20250307 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20250408 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20250602 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20250819 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20250822 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7733468 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |