特開 2023-94895 故障予測装置、故障予測装置の制御方法及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023094895

(43)【公開日】2023-07-06

(54)【発明の名称】故障予測装置、故障予測装置の制御方法及びプログラム

(51)【国際特許分類】

   G05B 23/02 20060101AFI20230629BHJP

【ＦＩ】

G05B23/02 R

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2021210474

(22)【出願日】2021-12-24

(71)【出願人】

【識別番号】000211307

【氏名又は名称】中国電力株式会社

(74)【代理人】

【識別番号】110000176

【氏名又は名称】弁理士法人一色国際特許事務所

(72)【発明者】

【氏名】金平 喜孝

(72)【発明者】

【氏名】黒田 邦裕

【テーマコード（参考）】

3C223

【Ｆターム（参考）】

3C223AA23

3C223BA03

3C223CC02

3C223DD03

3C223EB02

3C223FF09

3C223FF13

3C223FF22

3C223FF26

3C223FF52

3C223GG01

3C223HH02

3C223HH22

3C223HH28

(57)【要約】

【課題】内燃力発電機の故障を予測する。
【解決手段】内燃力発電機の故障を予測する故障予測装置であって、前記内燃力発電機の運転状態と関連性を有する所定の物理量の過去の時系列データを学習データとして生成された、前記内燃力発電機が第１期間内に故障する確率を出力する学習モデルを記憶する学習モデル記憶部と、前記物理量の新たな時系列データを取得する時系列データ取得部と、前記新たな時系列データを前記学習モデルに入力することによって、第１期間内に前記内燃力発電機が故障する確率を取得する故障確率取得部と、前記確率に基づく情報を出力する故障確率出力部と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

内燃力発電機の故障を予測する故障予測装置であって、
前記内燃力発電機の運転状態と関連性を有する所定の物理量の過去の時系列データを学習データとして生成された、前記内燃力発電機が第１期間内に故障する確率を出力する学習モデルを記憶する学習モデル記憶部と、
前記物理量の新たな時系列データを取得する時系列データ取得部と、
前記新たな時系列データを前記学習モデルに入力することによって、第１期間内に前記内燃力発電機が故障する確率を取得する故障確率取得部と、
前記確率に基づく情報を出力する故障確率出力部と、
を備える故障予測装置。

【請求項2】

請求項１に記載の故障予測装置であって、
前記学習モデルは、過去の第２期間の前記物理量の時系列データと、前記内燃力発電機の故障有無と、を学習データとして生成されてなる、故障予測装置。

【請求項3】

請求項１に記載の故障予測装置であって、
前記学習モデルは、過去の第２期間の前記物理量の時系列データと、前記内燃力発電機の故障有無と、故障発生時に行った対応策の内容と、を学習データとして生成されてなり、前記内燃力発電機が第１期間内に故障する確率と、故障した場合の対応策と、を出力し、
前記故障確率取得部は、
前記新たな時系列データを前記学習モデルに入力することによって、第１期間内に前記内燃力発電機が故障する確率と、故障した場合の対応策と、を取得し、
前記故障確率取得部は、
前記確率に基づく情報として、前記内燃力発電機が故障する確率と、故障した場合の対応策と、を出力する、故障予測装置。

【請求項4】

請求項１～３のいずれかに記載の故障予測装置であって、
前記物理量には、外気温度と、前記内燃力発電機が設置されている建屋内の温度と、前記内燃力発電機の出力と、前記内燃力発電機の電流と、が含まれ、
前記学習モデルは、前記内燃力発電機が具備する吸気ファン及び吸気フィルタの少なくとも一方が第１期間内に故障する確率を出力する、故障予測装置。

【請求項5】

請求項１～３のいずれかに記載の故障予測装置であって、
前記物理量には、外気温度と、前記内燃力発電機が設置されている建屋内の温度と、前記内燃力発電機の出力と、前記内燃力発電機の電流と、前記内燃力発電機が具備する燃料ポンプによって供給される燃料油の圧力と、が含まれ、
前記学習モデルは、前記燃料ポンプが第１期間内に故障する確率を出力する、故障予測装置。

【請求項6】

請求項１～３のいずれかに記載の故障予測装置であって、
前記物理量には、外気温度と、前記内燃力発電機が設置されている建屋内の温度と、前記内燃力発電機の出力と、前記内燃力発電機が具備する燃料ポンプによって供給される燃料油の圧力と、前記内燃力発電機が具備する前記燃料油から不純物を除去する燃料濾器の上流側及び下流側の差圧と、が含まれ、
前記学習モデルは、前記燃料濾器が第１期間内に故障する確率を出力する、故障予測装置。

【請求項7】

請求項１～３のいずれかに記載の故障予測装置であって、
前記物理量には、外気温度と、前記内燃力発電機が設置されている建屋内の温度と、前記内燃力発電機の出力と、前記内燃力発電機の電流と、前記内燃力発電機が具備する主潤滑油ポンプによって供給される主潤滑油の圧力と、前記主潤滑油の温度と、が含まれ、
前記学習モデルは、前記主潤滑油ポンプが第１期間内に故障する確率を出力する、故障予測装置。

【請求項8】

請求項１～３のいずれかに記載の故障予測装置であって、
前記物理量には、外気温度と、前記内燃力発電機が設置されている建屋内の温度と、前記内燃力発電機の出力と、前記内燃力発電機の電流と、前記内燃力発電機が具備する主潤滑油ポンプによって供給される主潤滑油の圧力と、前記主潤滑油の温度と、前記内燃力発電機が具備する前記主潤滑油から不純物を除去する主潤滑油濾器の上流側及び下流側の差圧と、が含まれ、
前記学習モデルは、前記主潤滑油濾器が第１期間内に故障する確率を出力する、故障予測装置。

【請求項9】

内燃力発電機の故障を予測する故障予測装置の制御方法であって、
前記故障予測装置が、
前記内燃力発電機の運転状態と関連性を有する所定の物理量の過去の時系列データを学習データとして生成された、前記内燃力発電機が第１期間内に故障する確率を出力する学習モデルを記憶し、
前記物理量の新たな時系列データを取得し、
前記新たな時系列データを前記学習モデルに入力することによって、第１期間内に前記内燃力発電機が故障する確率を取得し、
前記確率に基づく情報を出力する、
故障予測装置の制御方法。

【請求項10】

内燃力発電機の故障を予測するコンピュータに、
前記内燃力発電機の運転状態と関連性を有する所定の物理量の過去の時系列データを学習データとして生成された、前記内燃力発電機が第１期間内に故障する確率を出力する学習モデルを記憶する機能と、
前記物理量の新たな時系列データを取得する機能と、
前記新たな時系列データを前記学習モデルに入力することによって、第１期間内に前記内燃力発電機が故障する確率を取得する機能と、
前記確率に基づく情報を出力する機能と、
を実現するためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、故障予測装置、故障予測装置の制御方法及びプログラムに関する。

【背景技術】

【0002】

機械や設備の故障を検知する技術として、例えば特許文献１に記載されている診断装置が知られている。

【0003】

この診断装置は、動力機械が発生する動力によって駆動する第一駆動体の動作状態を検出し、第一駆動体の動作状態に応じた第一検出信号を出力する第一センサと、第一駆動体を介して伝達された動力によって駆動する第二駆動体の動作状態を検出し、第二駆動体の動作状態に応じた第二検出信号を出力する第二センサと、第二駆動体の正常状態を表す診断モデルであって、第一センサによって予め取得された第一駆動体の過去の動作状態に応じた第一検出信号と第二センサによって予め取得された第二駆動体の過去の動作状態に応じた第二検出信号とに基づいて生成されたモデル生成用データを用いて生成される診断モデルと、少なくとも第二検出信号に基づいて生成された診断用データとに基づいて、第二駆動体の動作状態を診断し、診断の結果に基づいて、第二駆動体の動作異常に関する動作異常信号を生成して出力する状態検知部と、を備える。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０２１－８２０２５号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

ところで、離島のような他の地域から地理的に分離した地域では、ディーゼルエンジンやガスタービンエンジンなどの内燃機関により発電機を駆動する内燃力発電機を用いて地域内への電力供給が行われている。

【0006】

そしてこのような地域では、内燃力発電機が故障した場合には、他の地域から電力の融通を受けることができないため、予備機を起動して対処している。

【0007】

しかしながら、内燃力発電機が故障した際には、予備機が発電を開始するまでに相応の時間を要する上、その間、電力供給量が減少するので地域内の電力の需給バランスが変化し電力設備に悪影響を与える可能性がある。

【0008】

そのため、内燃力発電機の故障を事前に予測して、予備機への切り替えを円滑に行うことを可能にする技術が求められている。

【0009】

本発明は上記課題を鑑みてなされたものであり、内燃力発電機の故障を予測することが可能な故障予測装置、故障予測装置の制御方法及びプログラムを提供することを目的とする。

【課題を解決するための手段】

【0010】

上記課題を解決するための手段の一つは、内燃力発電機の故障を予測する故障予測装置であって、前記内燃力発電機の運転状態と関連性を有する所定の物理量の過去の時系列データを学習データとして生成された、前記内燃力発電機が第１期間内に故障する確率を出力する学習モデルを記憶する学習モデル記憶部と、前記物理量の新たな時系列データを取得する時系列データ取得部と、前記新たな時系列データを前記学習モデルに入力することによって、第１期間内に前記内燃力発電機が故障する確率を取得する故障確率取得部と、前記確率に基づく情報を出力する故障確率出力部と、を備える。

【0011】

その他、本願が開示する課題、およびその解決方法は、発明を実施するための形態の欄、および図面により明らかにされる。

【発明の効果】

【0012】

本発明によれば、内燃力発電機の故障を予測することが可能になる。

【図面の簡単な説明】

【0013】

【図1】故障予測システムの全体構成を示す図である。

【図2】内燃力発電機の構成を示す図である。

【図3】故障予測装置の構成を示す図である。

【図4】記憶装置を示す図である。

【図5】運転状況管理テーブルを示す図である。

【図6】故障予測一覧表を示す図である。

【図7】学習モデルを示す図である。

【図8】故障予測装置の機能構成を示す図である。

【図9】学習モデルを生成する際の処理の流れを示すフローチャートである。

【図10】故障予測装置の処理の流れを示すフローチャートである。

【図11】故障予測結果を表示する画面例を示す図である。

【発明を実施するための形態】

【0014】

本明細書および添付図面の記載により、少なくとも以下の事項が明らかとなる。以下、本発明をその一実施形態に即して添付図面を参照しつつ説明する。

【0015】

＝＝全体構成＝＝
本発明の実施形態に係る故障予測システム１０００の全体構成を図１に示す。

【0016】

故障予測システム１０００は、故障予測装置１００と内燃力発電機２００とが、インターネットやＬＡＮ（Local Area Network）、電話網等のネットワーク５００を介して通信可能に接続されて構成される。

【0017】

内燃力発電機２００は、内燃機関により発電機４３０を駆動することで発電を行う装置である。本実施形態に係る内燃力発電機２００は、ディーゼルエンジン２１０により発電機４３０を駆動する。

【0018】

図１には、２台の内燃力発電機２００が示されているが、内燃力発電機２００は１台でもよく３台以上でもよい。また内燃力発電機２００が複数台ある場合は、そのうち少なくとも１台は、他の内燃力発電機２００が故障や点検等により運転を停止した際に運転を行う予備機としてもよい。

【0019】

内燃力発電機２００は、内燃力発電機２００の運転状態と関連性を有する所定の物理量（例えば発電量や燃料油の圧力など）の時系列データを、ネットワーク５００を介して故障予測装置１００に送信する。

【0020】

なお図１には記載されていないが、内燃力発電機２００は、これらの時系列データをネットワーク５００を介して故障予測装置１００に送信するためのコンピュータを備えている。つまり、図１には便宜上内燃力発電機２００が故障予測装置１００と通信可能であるように記載されているが、より正確には、この不図示のコンピュータが故障予測装置１００と通信可能に接続されている。

【0021】

故障予測装置１００は、これらの時系列データを元に、内燃力発電機２００の故障を予測する情報処理装置である。

【0022】

故障予測装置１００は、内燃力発電機２００から様々な物理量の時系列データを取得すると、これらの時系列データを後述する運転状況管理テーブル６００に記憶する。また故障予測装置１００は、内燃力発電機２００の故障の有無および故障が起こった際に行った対応策（修理内容など）についても運転状況管理テーブル６００に記録している。故障の有無や対応策については、内燃力発電機２００の管理を行っている担当者が別途運転状況管理テーブル６００に入力する。

【0023】

そして故障予測装置１００は、これらの情報を解析することで後述する学習モデル６２０（ＡＩモデル）を生成する。学習モデル６２０は、内燃力発電機２００の運転状態と関連性を有する所定の物理量の過去の時系列データを学習データ６１０として生成されている。

【0024】

そのため故障予測装置１００は、運転中の内燃力発電機２００の時系列データを学習モデル６２０に入力することで、この内燃力発電機２００が第１期間内（例えば現在から３時間以内）に故障する確率を出力することができる。

【0025】

このような態様により、内燃力発電機２００の運転状態と関連性を有する所定の物理量の時系列データに基づいて、内燃力発電機２００の故障を予測することが可能になる。これにより、例えば内燃力発電機２００が実際に故障する前に予備機への切り替えを行っておき、地域への電力供給を安定的に継続することが可能になる。

【0026】

詳細は後述する。

【0027】

＝＝内燃力発電機＝＝
次に、本実施形態に係る内燃力発電機２００について、図２を参照しながら説明する。

【0028】

内燃力発電機２００は、ディーゼルエンジン２１０と発電機４３０とを備えている。ディーゼルエンジン２１０は、燃料油を燃焼させることにより運動エネルギーを発生させ、発電機４３０はこの運動エネルギーを電力に変換することで発電を行う。

【0029】

内燃力発電機２００は、燃料タンク２２０、燃料ポンプ２３０、燃料フィルタ２４０、及び燃料噴射ポンプ２５０を備えている。

【0030】

燃料タンク２２０は、重油や軽油などの燃料油を貯蔵する装置である。燃料ポンプ２３０は、燃料タンク２２０から燃料油をくみ上げる装置である。燃料フィルタ２４０は、燃料油内に混入している異物を除去する装置である。燃料噴射ポンプ２５０は、ディーゼルエンジン２１０内の不図示の燃焼室へ燃料油を高圧噴射する装置である。

【0031】

また内燃力発電機２００は、吸気フィルタ２６０、過給機２７０、インタークーラー２９０、給気ファン２８０、排気温度センサ３００を備えている。

【0032】

吸気フィルタ２６０は、ディーゼルエンジン２１０に取り込まれる外気（給気）から異物を取り除く装置である。過給機２７０は、ディーゼルエンジン２１０からの排気を利用して不図示のタービンを回転させることで、給気を圧縮する装置である。インタークーラー２９０は、圧縮されて温度が上昇した給気を冷却する装置である。給気ファン２８０は、インタークーラー２９０を冷却する装置である。排気温度センサ３００は、ディーゼルエンジン２１０から排出される排気ガスの温度を計測する。

【0033】

また内燃力発電機２００は、主潤滑油タンク３７０、主潤滑油ポンプ３８０、主潤滑油フィルタ３９０、第３熱交換器３３０を有している。

【0034】

主潤滑油タンク３７０は、ディーゼルエンジン２１０内を潤滑する主潤滑油を貯蔵する装置である。主潤滑油ポンプ３８０は、主潤滑油タンク３７０から主潤滑油をくみ上げる装置である。主潤滑油フィルタ３９０は、主潤滑油内に混入している異物を除去する装置である。第３熱交換器３３０は、ディーゼルエンジン２１０から主潤滑油タンク３７０に戻ってくる主潤滑油を冷却する装置である。なお第３熱交換器３３０は、主潤滑油と中間冷却水（後述）とを熱交換することで、主潤滑油を冷却する。

【0035】

また内燃力発電機２００は、動弁潤滑油タンク３５０、動弁潤滑油ポンプ３６０、第４熱交換器３４０を有している。

【0036】

動弁潤滑油タンク３５０は、ディーゼルエンジン２１０の動弁機構を潤滑する動弁潤滑油を貯蔵する装置である。動弁潤滑油ポンプ３６０は、動弁潤滑油タンク３５０から動弁潤滑油をくみ上げる装置である。第４熱交換器３４０は、ディーゼルエンジン２１０から動弁潤滑油タンク３５０に戻ってくる動弁潤滑油を冷却する装置である。なお第４熱交換器３４０は、動弁潤滑油と中間冷却水（後述）とを熱交換することで、動弁潤滑油を冷却する。

【0037】

また内燃力発電機２００は、中間冷却水ポンプ４００、第２熱交換器３２０を有している。

【0038】

中間冷却水ポンプ４００は、主潤滑油及び動弁潤滑油を冷却する中間冷却水を循環させる装置である。第２熱交換器３２０は、中間冷却水を冷却する装置である。なお第２熱交換器３２０は、中間冷却水を二次水（後述する海水）と熱交換することで、中間冷却水を冷却する。

【0039】

また内燃力発電機２００は、一次水ポンプ４１０、第１熱交換器３１０を有している。一次水ポンプ４１０は、ディーゼルエンジン２１０を冷却する一次水を循環させる装置である。第１熱交換器３１０は、一次水を冷却する装置である。なお第１熱交換器３１０は、一次水を二次水（後述する海水）と熱交換することで、一次水を冷却する。

【0040】

また内燃力発電機２００は、二次水フィルタ４２０を有している。二次水フィルタ４２０は、一次水及び中間冷却水を冷却する海水（二次水）内の異物を除去する装置である。この二次水は、第１熱交換器３１０において一次水と熱交換を行うことで一次水を冷却し、第２熱交換器３２０において中間冷却水と熱交換を行うことで中間冷却水を冷却する。

【0041】

また図２には示されていないが、内燃力発電機２００及び内燃力発電機２００が設置されている建屋（不図示）の内部及び外部には、内燃力発電機２００の運転状態と関連性を有する各種の物理量を計測するための様々なセンサ及びこれらのセンサによって検出されたデータを故障予測装置１００に送信するコンピュータを備えている。

【0042】

なお内燃力発電機２００は、図２に示した装置以外にも様々な装置及びセンサを具備して構成されており、これらのセンサからの時系列データも故障予測装置１００に送信されているが、詳細な説明は省略する。

【0043】

＝＝故障予測装置＝＝
次に、故障予測装置１００について説明する。

【0044】

故障予測装置１００のハードウェア構成の一例を図３に示す。故障予測装置１００は、ＣＰＵ（Central Processing Unit）１１０、メモリ１２０、通信装置１３０、記憶装置１４０、入力装置１５０、出力装置１６０及び記録媒体読取装置１７０を有して構成されるコンピュータである。

【0045】

ＣＰＵ１１０は故障予測装置１００の全体の制御を司るもので、記憶装置１４０に記憶される本実施形態に係る各種の動作を行うためのコードから構成される故障予測装置制御プログラム７００や各種データをメモリ１２０に読み出して実行あるいは処理することにより、故障予測装置１００としての各種機能を実現する。

【0046】

例えば、ＣＰＵ１１０により故障予測装置制御プログラム７００及び各種データが実行あるいは処理され、メモリ１２０や通信装置１３０、記憶装置１４０等のハードウェア機器と協働することにより、後述する学習モデル記憶部１０１、時系列データ取得部１０２、故障確率取得部１０３、故障確率出力部１０４などの各機能が実現される。

【0047】

故障予測装置制御プログラム７００は、故障予測装置１００が有する機能を実現するためのプログラムを総称しており、例えば、故障予測装置１００上で動作するアプリケーションプログラムやＯＳ（Operating System）、種々のライブラリ等を含む。

【0048】

メモリ１２０は例えば半導体記憶装置により構成することができる。

【0049】

記憶装置１４０は例えばハードディスクドライブやＳＳＤ（Solid State Drive）、フラッシュメモリ等の各種プログラムやデータ、テーブル等を記憶するための物理的な記憶領域を提供する装置である。本実施形態では、図４に示すように、記憶装置１４０には故障予測装置制御プログラム７００の他、運転状況管理テーブル６００、学習データ６１０、学習モデル６２０、推定結果６３０などの各種データが記憶されている。

【0050】

運転状況管理テーブル６００の一例を図５に示す。

【0051】

故障予測装置１００には、内燃力発電機２００から様々な物理量の時系列データが送信されてくるが、故障予測装置１００はこれらの時系列データを取得すると、所定時間ごとに（例えば１０分毎に）これらの時系列データを運転状況管理テーブル６００に記憶する。また故障予測装置１００は、内燃力発電機２００が故障した場合には、故障した旨の情報と、故障した場所（故障した装置）、故障の対応策を含む故障情報を取得し、運転状況管理テーブル６００に記憶する。故障情報は、故障発生後に行われた調査によって判明する内容が含まれており、内燃力発電機２００の修理などの故障対応を行った担当者によって故障予測装置１００に入力される。

【0052】

故障予測装置１００は、図５に示すように、所定時間毎（例えば１０分毎）に時系列データと故障情報を記録している。なお故障予測装置１００は、故障情報を取得していない場合は、故障が発生していない旨の情報を運転状況管理テーブル６００に記録する。

【0053】

なお所定時間毎に運転状況管理テーブル６００に記録される時系列データは、所定時間内の計測値の平均値であってもよいし、最大値あるいは最小値であってもよい。あるいは、平均値、最大値及び最小値を含んでもよい。あるいは、所定時間内にセンサで計測されたすべての計測値を含んでもよい（例えばセンサの計測周期が０．１秒である場合は、１０分間に計測される６０００個の計測値）。

【0054】

また図５に列挙されている時系列データは一例であり、他の種類の時系列データが含まれていてもよいし、一部の時系列データは含まれていなくてもよい。

【0055】

また故障予測装置１００は、所定種類の気象情報を時系列データとして取得して、運転状況管理テーブル６００に記憶してもよい。例えば気象情報の種類として、天候（晴れ、曇り、雨、雪、雷、ひょうなど）、気温、湿度、降水量、風速、風向、気圧などのような、内燃力発電機２００の運転状態と関連性を有するものが含まれている。この場合、故障予測装置１００は、ネットワーク５００を介して通信可能に接続されている不図示の気象情報提供装置から、これらの気象情報を取得してもよい。

【0056】

また運転状況管理テーブル６００には、内燃力発電機２００の各構成要素（例えば主潤滑油フィルタ３９０）の使用期間や使用開始年月が時系列データとして記録されていてもよい。

【0057】

そして時系列データの中にこれらの情報を含めることにより、学習モデル６２０の精度が一層向上し、故障予測装置１００はより正確な故障の発生確率を出力することが可能となる。

【0058】

図４に戻って、故障予測装置１００は、運転状況管理テーブル６００に記録されている過去の第２期間（２４時間、１週間、１か月等。以下、「時間区間」と称する。）の時系列データ及び故障情報に基づいて学習データ６１０を生成する。

【0059】

この学習データ６１０を用いて学習モデル６２０（機械学習モデル）の学習を行うことにより、学習モデル６２０は、内燃力発電機２００が第１期間内（例えば現在から３時間以内）に故障する確率を出力することが可能となる。

【0060】

故障予測装置１００は、時間区間の時系列データを説明変数（特徴量）とし、時間区間内の故障情報を目的変数（ラベル）とすることにより学習データ６１０を生成する。

【0061】

上記の時間区間は、例えば、故障の頻度等に基づき、故障の予測精度が向上するような長さに経験的に設定される。また、長さの異なる複数の時間区間に対してそれぞれ学習モデル６２０を生成し、これらの学習モデル６２０を用いて故障の発生確率を算出するようにしてもよい。このような態様により、例えば時間区間の長さによって異なる故障予測精度を平準化することが可能となる。

【0062】

あるいは故障予測装置１００は、内燃力発電機２００が複数ある場合、内燃力発電機２００毎に学習データ６１０及び学習モデル６２０を生成してもよい。このような態様により、それぞれの内燃力発電機２００に特有の学習モデル６２０を生成することができ、故障の発生確率の精度向上を図ることが可能となる。

【0063】

また同様に、故障予測装置１００は学習データ６１０を生成する際に、特定の時期（例えば特定の季節や特定の月など）のデータを用いて学習データ６１０を生成してもよい。このような態様により、その時期に特有の学習モデル６２０を生成することができ、故障の発生確率の精度向上を図ることが可能となる。

【0064】

さらに故障予測装置１００は学習データ６１０を生成する際に、特定の時期のデータを用いて内燃力発電機２００毎に学習データ６１０を生成してもよい。このような態様により、その時期に特有の学習モデル６２０を内燃力発電機２００毎に生成することができ、故障の発生確率の精度向上を図ることが可能となる。

【0065】

学習モデル６２０は、本実施形態ではＤＮＮ（Deep Neural Network）であるものとするが、勾配ブースティング（ＧＢＤＴ（Gradient Boosting Decision Tree））やオートエンコーダ等の他の種類のモデルで実現してもよい。

【0066】

なお、オートエンコーダを用いた学習モデル６２０の場合は、故障情報を用いることなく、時系列データの変化をとらえることで内燃力発電機２００の異変を検出することができる。

【0067】

図７に学習モデル６２０の一例（ニューラルネットワークの構造）を示す。図７に示すように、学習モデル６２０の入力層６２１には時間区間内の時系列データが入力される。中間層６２２は、学習によって調整されるパラメータを含む一つ以上のノードからなる一つ以上の隠れ層を含む。中間層６２２は、入力層６２１に与えられた時系列データに基づき、出力層６２３の一つ以上の予測値（第１期間内に故障が起こる確率）を求める。出力層６２３は、一つ以上の予測値（故障が起こる確率）を出力する。

【0068】

図４に戻って、推定結果６３０は、学習モデル６２０から出力された第１期間内に故障が起こる確率に基づく情報を含む。また本実施形態に係る学習モデル６２０は、現在から３時間以内に故障が起こる確率と、２４時間以内に故障が起こる確率と、のように複数の期間に故障が起こる確率を出力することができる。このような態様により、例えば、故障の対応策の策定や、故障対応に必要な人員や機材の準備、予備機の起動などをより効率よく行うことが可能となる。

【0069】

また推定結果６３０には、内燃力発電機２００が第１期間内に故障が起こる確率の他に、故障が予想される場所（装置）や、故障が起こった場合の対応策などが含まれていてもよい。このような態様により、内燃力発電機２００のメンテナンス作業を効率化することが可能となる。

【0070】

図３に戻って、記憶装置１４０は、故障予測装置１００に内蔵されている形態とすることもできるし、外付されている形態とすることもできる。

【0071】

記録媒体読取装置１７０は、ＣＤ－ＲＯＭやＤＶＤ等の記録媒体８００に記録されたプログラムやデータを読み取り、記憶装置１４０に格納する。

【0072】

通信装置１３０は、インターネットやＬＡＮ（Local Area Network）等のネットワーク５００を介して内燃力発電機２００や、不図示の他のコンピュータとデータやプログラムの授受を行う。例えば不図示の他のコンピュータに、上述した故障予測装置制御プログラム７００を格納しておき、故障予測装置１００がこのコンピュータから故障予測装置制御プログラム７００をダウンロードして実行するようにすることができる。

【0073】

あるいは通信装置１３０は、内燃力発電機２００から時系列データを定期的に（例えば１０分おきに）受信するようにしてもよい。また故障予測装置１００は記憶装置１４０を備えずに、ネットワーク５００を通じて通信可能に接続された不図示の他のコンピュータに記憶されている上記のプログラムやテーブル等の各種データを用いて故障予測装置１００としての機能を実現する形態も可能である。

【0074】

入力装置１５０は、担当者等による故障予測装置１００へのデータ入力等のために用いられる装置でありユーザインタフェースとして機能する。入力装置１５０としては例えばキーボードやマウス、マイク等を用いることができる。

【0075】

出力装置１６０は、情報を外部に出力するための装置でありユーザインタフェースとして機能する。出力装置１６０としては例えばディスプレイやプリンタ、スピーカ等を用いることができる。

【0076】

＜機能構成＞
図８に、本実施形態に係る故障予測装置１００の機能ブロック図を示す。故障予測装置１００は、学習モデル記憶部１０１、時系列データ取得部１０２、故障確率取得部１０３、故障確率出力部１０４の各機能を備える。これらの機能は、図３に示したハードウェアによって本実施形態に係る故障予測装置制御プログラム７００や各種のデータが実行あるいは処理されることにより実現される。

【0077】

学習モデル記憶部１０１は、内燃力発電機２００の運転状態と関連性を有する所定の物理量の過去の時系列データを学習データ６１０として生成された、内燃力発電機２００が第１期間内に故障する確率を出力する学習モデル６２０を記憶する。

【0078】

例えば学習モデル６２０は、直近の過去の第２期間（２４時間、１か月間、１年間等の時間区間）の時系列データを学習データ６１０として生成される。

【0079】

あるいは学習モデル６２０は、過去の第２期間の物理量の時系列データと、内燃力発電機２００の故障有無と、を学習データ６１０として生成される。

【0080】

あるいは学習モデル６２０は、過去の第２期間の物理量の時系列データと、内燃力発電機２００の故障有無と、故障発生時に行った対応策の内容と、を学習データ６１０として生成される。この場合学習モデル６２０は、内燃力発電機２００が第１期間内に故障する確率と、故障した場合の対応策と、を出力することができる。このような態様により、内燃力発電機２００の故障対応に不慣れな担当者でも対応方法が判断できるようになる。

【0081】

あるいは学習モデル６２０は、過去の第２期間の物理量の時系列データと、内燃力発電機２００の故障有無と、故障した部位と、故障発生時に行った対応策の内容と、を学習データ６１０として生成される。この場合学習モデル６２０は、内燃力発電機２００の部位別に、第１期間内に故障する確率と、故障した場合の対応策と、を出力することができる。このような態様によれば、故障確率が部位別に得られる上、故障対応が不慣れな担当者でも対応方法が判断できるようになる。

【0082】

学習モデル記憶部１０１は、本実施形態では記憶装置１４０として具現化されている。

【0083】

故障予測装置１００は、例えば、学習データ６１０を学習モデル６２０に入力し、それにより学習モデル６２０が出力する結果と入力した学習データ６１０との差分に基づき、学習モデル６２０を定義するパラメータを、例えば、誤差逆伝搬法（backpropagation）等の方法で調整することにより学習モデル６２０の学習を行う。

【0084】

時系列データ取得部１０２は、上記物理量の新たな時系列データを取得する。例えば直近の過去第３期間（例えば直近の１時間）の時系列データを運転状況管理テーブル６００から取得する。

【0085】

そして故障確率取得部１０３は、この新たな時系列データを学習モデル６２０に入力することによって、第１期間内（例えば３時間以内）に内燃力発電機２００が故障する確率を取得する。

【0086】

なお学習モデル６２０から故障発生確率を出力する際の期間（第１期間）は、一つでも良いし複数でも良い。このような態様により、短期、中期、長期などのように、長さの異なる複数の期間における故障発生確率を担当者に提示することができる。

【0087】

あるいは、内燃力発電機２００が第１期間内に故障する確率と、故障した場合の対応策と、を学習モデル６２０が出力できる場合は、故障確率取得部１０３は、故障発生確率と共に、故障した場合の対応策を取得する。

【0088】

あるいは、学習モデル６２０から出力される故障発生確率が、内燃力発電機２００の部位別である場合には、故障確率取得部１０３は、例えば、故障燃料噴射ポンプ２５０の故障発生確率、吸気ファン２８０の故障発生確率、主潤滑油ポンプ３８０の故障発生確率、などのように、部位別に故障発生確率を取得できる。

【0089】

故障確率出力部１０４は、確率に基づく情報を出力する。確率に基づく情報は、例えば確率の値そのものでも良いし、確率の値を所定の判定値と比較した結果に応じて、例えば故障の起こりやすさを複数段階の数値（例えば「１」「２」「３」）あるいは言葉（「問題なし」「要注意」「至急対応が必要」など）で表した情報でもよい。

【0090】

また故障確率取得部１０３が、故障発生確率と共に、故障した場合の対応策を取得した場合には、故障確率取得部１０４は、内燃力発電機２００が故障する確率と故障した場合の対応策とを確率に基づく情報として出力する。

【0091】

そして故障予測装置１００は、例えば図１１に示すような画面を出力装置１６０に表示することにより故障の確率に基づく情報を出力する。図１１に示す例は、５台の内燃力発電機２００のうち４台が稼働中である場合に、各内燃力発電機２００について個別に故障発生確率を表示する場合の例である。

【0092】

以上のような態様により、内燃力発電機２００の運転状態と関連性を有する所定の物理量の時系列データに基づいて、内燃力発電機２００の故障を予測することが可能になる。これにより、内燃力発電機２００の緊急停止の頻度が減少でき、電力供給の信頼度を向上させることが可能となる。例えば内燃力発電機２００が実際に故障する前に予備機への切り替えを行っておき、電力供給を停止させないようにすることが可能になる。また内燃力発電機２００の修理等の対応を、定例の点検等のタイミングに同調させることができ、作業手続きの効率化を図ることが可能となる。

【0093】

＜故障予測の例＞
次に、本実施形態に係る故障予測装置１００が内燃力発電機２００の故障予測を行う例を、図６に示す故障予測一覧表６４０を参照しながら説明する。

【0094】

故障予測一覧表６４０は、故障予測装置１００が予測対象とする故障を例示的に列挙したものであり、故障予測する部位や、故障を予測するために用いる物理量などを示したものである。

【0095】

図６に示す故障予測一覧表６４０には、「故障項目」「判断要素」「比較対象」「故障判定要素」「故障予測」「対応策判定」「備考」の各欄の情報が記載されている。

【0096】

「故障項目」は、故障予測対象となる部位を示す。例えばＮｏ１で示される故障予測では、内燃力発電機２００が具備する吸気ファン２８０及び吸気フィルタ２６０が故障予測の対象である。

【0097】

「判断要素」は、故障予測を行うために学習モデル６２０に時系列データが入力される物理量の種類を示す。例えばＮｏ１で示される故障予測では、「外気温度」「室内温度」「発電機出力」「発電機電流」の各時系列データが学習モデル６２０に入力される。なお、外気温度は、内燃力発電機２００が設置される建屋の外の温度であり、室内温度は、内燃力発電機２００が設置される建屋内の温度である。外気温度は、建屋の外に設置されている温度センサにより計測されたデータでもよいし、上述した気象情報提供装置から取得したデータでもよい。

【0098】

「比較対象」は、各時系列データをどのデータと比較することで故障を予測するのかを示す。「過去データ」と記載されているのは、過去の時系列データと比較することで故障を予測することを示す。したがって、ＤＮＮやオートエンコーダなどのように、過去の時系列データによって学習した学習モデル６２０を用いて故障を予測する場合が該当する。

【0099】

「故障判定要素」は、「判断要素」欄に記載されている物理量のうち、故障との関連性が最も高い物理量と、その時系列データの変化の傾向を示している。Ｎｏ１に示す例では、室内温度が上昇傾向にあることと、吸気ファン２８０あるいは吸気フィルタ２６０の故障との相関関係が高いことを示している。

【0100】

「故障予測」は、具体的に想定される故障の内容を示す。Ｎｏ１に示す例では、吸気ファン２８０の性能低下、あるいは吸気フィルタ２６０の詰まりが故障として想定されることを示している。

【0101】

「対応策判定」は、故障が起こった場合の対応策を示す。Ｎｏ１に示す例では、吸気ファン２８０の点検及び吸気フィルタ２６０の点検が記載されている。

【0102】

図６に示す故障予測一覧表６４０には、Ｎｏ１からＮｏ１６まで１６種類の故障予測が例示的に列挙されているが、本実施形態に係る故障予測装置１００は、それぞれの故障に対して学習モデル６２０を生成して故障予測を行っている。

【0103】

例えばＮｏ１の故障を予測するための学習モデル６２０は、外気温度と、内燃力発電機２００が設置されている建屋内の温度（室内温度）と、内燃力発電機２００の出力と、内燃力発電機２００の電流と、の各物理量の時系列データを入力とし、吸気ファン２８０及び吸気フィルタ２６０の少なくとも一方が第１期間内に故障する確率を出力する。

【0104】

同様に、例えばＮｏ２の故障を予測するための学習モデル６２０は、外気温度と、内燃力発電機２００が設置されている建屋内の温度（室内温度）と、内燃力発電機２００の出力と、内燃力発電機２００の電流と、燃料ポンプ２３０によって供給される燃料油の圧力と、の各物理量の時系列データを入力とし、燃料ポンプ２３０が第１期間内に故障する確率を出力する。

【0105】

また例えばＮｏ３の故障を予測するための学習モデル６２０は、外気温度と、内燃力発電機２００が設置されている建屋内の温度（室内温度）と、内燃力発電機２００の出力と、燃料ポンプ２３０によって供給される燃料油の圧力と、燃料油から不純物を除去する燃料フィルタ（燃料濾器）２４０の上流側及び下流側の差圧と、の各物理量の時系列データを入力とし、燃料フィルタ２４０が第１期間内に故障する確率を出力する。

【0106】

また例えばＮｏ４の故障を予測するための学習モデル６２０は、外気温度と、内燃力発電機２００が設置されている建屋内の温度（室内温度）と、内燃力発電機２００の出力と、内燃力発電機２００の電流と、主潤滑油ポンプ３８０によって供給される主潤滑油の圧力と、主潤滑油の温度と、の各物理量の時系列データを入力とし、主潤滑油ポンプ３８０が第１期間内に故障する確率を出力する。

【0107】

以下、Ｎｏ１６まで同様であるため詳細な説明は省略するが、このように、内燃力発電機２００を構成する部位別に学習モデル６２０を生成することにより、その部位に故障が発生する際の特徴をより的確にとらえることができ、より正確に故障を予測することが可能となる。

【0108】

また故障予測装置１００は、内燃力発電機２００の複数の部位の学習モデル６２０のそれぞれの出力結果（確率）を入力とし、内燃力発電機２００全体としての運転状態の予測を行う学習モデル６２０を有してもよい。

【0109】

この場合、例えば、説明変数（特徴量）が上記の各部位が故障する確率であり、目的変数（ラベル）が内燃力発電機２００の運転状態を示す情報（例えば排気ガス内の特定成分の量、成分比、騒音レベル、騒音のスペクトルなど）であるような学習データ６１０を生成し、この学習データ６１０を用いて学習モデル６２０を生成する。

【0110】

このような態様により、例えば、排気ガスの成分の変化や、騒音の増加など、故障とまでは言えないような内燃力発電機２００の状態の変化を予測することも可能となる。

【0111】

＝＝処理の流れ＝＝
次に、図９～図１０を参照しながら、本実施形態に係る故障予測装置１００が学習データ６１０を用いて学習モデル６２０の学習を行う処理と、この学習モデル６２０を用いて内燃力発電機２００が故障する確率を算出する際の処理の流れを説明する。

【0112】

図９は、故障予測装置１００が学習データ６１０を用いて学習モデル６２０の学習を行う際の処理を説明するフローチャートである。尚、故障予測装置１００が学習モデル６２０の学習を実行するタイミングは必ずしも限定されないが、例えば、運転状況管理テーブル６００に新たな時系列データが追加されたタイミングや、ユーザインタフェースを介して担当者から学習の実行指示を受け付けたタイミング、あるいは、所定期間毎（１か月に１回、１年に１回など）に到来する所定のタイミングなどを契機として、故障予測装置１００は学習モデル６２０の学習処理を実行する。

【0113】

まず故障予測装置１００は、時間区間内の時系列データと、故障の有無及び対応策と、を対応づけたデータを学習データ６１０として生成する（Ｓ１０００）。故障予測装置１００は、運転状況管理テーブル６００からこれらの情報を取得することができる。

【0114】

次に故障予測装置１００は、学習データ６１０を用いて学習モデル６２０の学習処理を行う（Ｓ１０１０）。

【0115】

尚、故障予測装置１００は、学習済の学習モデル６２０について予測精度の検証を行うようにしてもよい。その場合、故障予測装置１００は、学習データ６１０を学習用のデータと検証用のデータに予め分類しておき、学習用のデータを用いて学習モデル６２０の学習を行い、検証用のデータを用いて学習モデル６２０の検証を行うようにする。

【0116】

図１０は、内燃力発電機２００が故障する確率を故障予測装置１００が算出する際の処理を説明するフローチャートである。

【0117】

まず故障予測装置１００は、運転状況管理テーブル６００を参照し、内燃力発電機２００の運転状態に影響する物理量の時系列データを取得する（Ｓ２０００）。例えば故障予測装置１００は、直近の過去３時間分の時系列データを取得する。

【0118】

続いて故障予測装置１００は、この時系列データを学習モデル６２０に入力し、学習モデル６２０から出力される故障の確率を取得する（Ｓ２０１０）。

【0119】

そして故障予測装置１００は、図１１に示したような故障の発生確率に基づく情報を記載した画面を生成し、生成した画面を出力装置１６０に出力する（Ｓ２０２０）。

【0120】

このような態様により、内燃力発電機２００の運転状態と関連性を有する所定の物理量の時系列データに基づいて、内燃力発電機２００の故障を予測することが可能になる。これにより、内燃力発電機２００の緊急停止の頻度が減少でき、電力供給の信頼度を向上させることが可能となる。例えば内燃力発電機２００が実際に故障する前に予備機への切り替えを行っておき、電力供給を停止させないようにすることが可能になる。また内燃力発電機２００の修理等の対応を、定例の点検等のタイミングに同調させることができ、作業手続きの効率化を図ることが可能となる。

【0121】

以上、本実施形態に係る故障予測装置１００、故障予測装置１００の制御方法及びプログラムについて説明したが、本実施形態によれば、内燃力発電機２００の故障を予測することが可能になる。

【0122】

なお上述した実施の形態は本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。本発明はその趣旨を逸脱することなく変更、改良され得るとともに、本発明にはその等価物も含まれる。

【符号の説明】

【0123】

１００ 故障予測装置
１０１ 学習モデル記憶部
１０２ 時系列データ取得部
１０３ 故障確率取得部
１０４ 故障確率出力部
１１０ ＣＰＵ
１２０ メモリ
１３０ 通信装置
１４０ 記憶装置
１５０ 入力装置
１６０ 出力装置
１７０ 記録媒体読取装置
２００ 内燃力発電機
２１０ ディーゼルエンジン
２２０ 燃料タンク
２３０ 燃料ポンプ
２４０ 燃料フィルタ
２５０ 燃料噴射ポンプ
２６０ 吸気フィルタ
２７０ 過給機
２８０ 給気ファン
２９０ インタークーラー
３００ 排気温度センサ
３１０ 第１熱交換器
３２０ 第２熱交換器
３３０ 第３熱交換器
３４０ 第４熱交換器
３５０ 動弁潤滑油タンク
３６０ 動弁潤滑油ポンプ
３７０ 主潤滑油タンク
３８０ 主潤滑油ポンプ
３９０ 主潤滑油フィルタ
４００ 中間冷却水ポンプ
４１０ 一次水ポンプ
４２０ 二次水フィルタ
４３０ 発電機
５００ ネットワーク
６００ 運転状況管理テーブル
６１０ 学習データ
６２０ 学習モデル
６２１ 入力層
６２２ 中間層
６２３ 出力層
６３０ 推定結果
６４０ 故障予測一覧表
７００ 故障予測装置制御プログラム
８００ 記録媒体
１０００ 故障予測システム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】