JP5963579B2 - ショベルの管理装置及びショベルの異常検出方法 - Google Patents

Description

本発明は、ショベルの管理装置、及びショベルの異常検出方法に関する。

ショベル等の作業機械は、様々な建設現場、土木現場等で使用されおり、故障が発生した際には、迅速な故障修理が求められる。作業機械から収集された種々の稼働情報に基づいて、故障箇所を特定する種々の診断システムが開発されている（特許文献１）。ところが、故障が発生すると、故障修理が完了するまで、作業を中断しなければならない。

複数のセンサで作業機械の状態を測定し、作業機械に異常がないかを監視する異常診断技術が開発されている（特許文献２）。異常診断技術によって、故障停止する前に異常を検出し、早期に保守対策を行うことで、作業機械の故障を未然に防ぐことができる。

特開２０１１−０７４６３９号公報 特開２０１０−２３６３０２号公報

作業機械は、猛暑地、寒冷地、地盤の軟弱な埋立地、地盤の固い鉱山等の種々の環境で使用される。また、１日２４時間殆ど連続使用される場合や、短時間のみ使用される場合もある。このように、種々の環境や使用形態等（稼働条件）で稼働しているショベルの異常の有無を的確に判定することは困難である。
本発明の目的は、異常の発生の検出精度を高めることができるショベルの管理装置、及びショベルの異常検出方法を提供することである。

本発明の一観点によると、
ショベルから、稼働条件に依存する複数の変数の検出値が入力される入力装置と、
前記入力装置から入力された前記複数の変数の検出値を処理する処理装置と
を有し、
前記処理装置は、
評価対象ショベルから収集された前記複数の変数の検出値の組を評価対象サンプルとし、
前記複数の変数の検出値の組を１つのサンプルとし、前記入力装置から入力された複数のサンプルから、前記変数の検出値に基づいて、稼働条件が前記評価対象サンプルの稼働条件と類似し、かつ正常動作時に収集された一部のサンプルを抽出して標準サンプル群とし、
前記評価対象サンプルを、前記標準サンプル群に基づいて評価するショベルの管理装置が提供される。
本発明の他の観点によると、
ショベルから、ショベルの稼働状態または周囲の環境に依存する複数の変数の検出値を、評価対象サンプルとして収集する工程と、
前記複数の変数の検出値を各々が含む複数のサンプルから、前記変数の検出値に基づいて、稼働条件が前記評価対象サンプルの稼働条件と類似し、かつショベルが正常に動作しているときに収集された一部のサンプルを抽出して標準サンプル群とする工程と、
前記評価対象サンプルを、前記標準サンプル群に基づいて評価する工程と
を有するショベルの異常検出方法が提供される。

変数の検出値が類似する一部のサンプルを抽出して得られる標準サンプル群に基づいて、評価対象サンプルを評価することにより、より的確に異常を検出することができる。

図１は、実施例１によるショベルの管理装置のブロック図である。 図２は、実施例１によるショベルの管理装置でショベルから収集されるサンプルの一覧表である。 図３は、実施例１によるショベルの管理装置で実行される異常検出方法で使用されるデータ及び異常検出方法の処理の流れを示す図である。 図４Ａは、変数Ａ及び変数Ｂの検出値の類似の程度でサンプルを分類する手法を示すためのサンプルの分布図の例であり、図４Ｂは、機械負荷を表す変数Ｃの詳細なデータ形式を示す図であり、図４Ｃは、変数Ｃの検出値の類似の程度でサンプルを分類する手法を示すためのサンプルの分布図の例である。 図５Ａは、複数のサンプルを分類した結果を示すサンプルの一覧表であり、図５Ｂは、評価対象サンプルを分類した結果を示す図表である。 図６は、複数のサンプルを分類する効果を説明するための変数ｋのヒストグラムである。 図７は、実施例２によるショベルの異常検出方法を示すフローチャートである。 図８は、実施例３によるショベルの異常検出方法で使用されるデータ及び異常検出方法の処理の流れを示す図である。 図９は、サンプルのデータ構造及び着目変数のみを含むサンプルのデータ構造を示す図である。 図１０Ａは、複数のサンプルの分類、及び複数の変数から着目変数を抽出した後のサンプルの一覧表であり、図１０Ｂは、複数の変数から着目変数を抽出した後の評価対象サンプルのデータ構造を示す図である。 図１１は、複数の変数から着目変数を選定する方法で用いられるデータ及び処理の流れを示す図である。 図１２は、サンプル群と故障情報とを、機番及び日付情報で関連付けて生成されたサンプル群の一覧表である。 サンプルを構成する複数の変数と、遺伝的アルゴリズムで用いられる染色体の遺伝子との対応を示す図である。 図１４は、実施例３によるショベルの異常検出方法で用いられる遺伝的アルゴリズムのフローチャートである。 遺伝的アルゴリズムで染色体の評価を行う処理の流れ、及び用いられるデータを示す図である。 図１６は、実施例４によるショベルの異常検出方法で使用されるデータ及び異常検出方法の処理の流れを示す図である。 図１７は、実施例４による方法で選定された着目変数を示す図表である。 図１８は、各変数が、ショベルの個体ごとの着目変数リストに選定される頻度を示すグラフである。

［実施例１］
図１に、実施例１によるショベル管理装置の概略ブロック図を示す。ショベル管理装置２０は、処理装置２１、故障情報記憶装置２２、サンプルデータ記憶装置２３、入力装置２４、及び出力装置２５を含む。複数のショベル２６の各々が、稼働状態または周囲の環境の稼働条件に依存する複数の項目（変数）を計測する。ショベル２６で計測された種々の変数の検出値が、電気通信回線２８を経由して、入力装置２４に入力される。なお、入力装置２４として、オペレータが操作するキーボード、リムーバブル記憶装置からデータ
を読み取る入力インタフェース等を用いてもよい。

処理装置２１は、入力装置２４から入力された種々の変数の検出値をサンプルデータ記憶装置２３に記憶させるとともに、ショベルの異常検出処理を行う。故障情報記憶装置２２に、過去の故障事例の情報が記憶されている。故障事例の情報には、ショベルの個体を特定する機番、故障発生の日付情報、及び故障内容等が含まれる。処理装置２１は、異常検出結果を、出力装置２５に出力する。出力装置２５には、例えば画像表示装置、発音装置等が用いられる。

図２に、ショベルから収集されたサンプルの一例を示す。サンプルの各々は、ショベルの機番、検出値を取得した日付情報、及び複数の変数の検出値で構成される。稼働条件に依存する変数には、例えば環境に依存する変数、及び運転状況に依存する変数が含まれる。環境に依存する変数として、例えば大気圧（変数Ａ）、吸気温度（変数Ｂ）等が挙げられる。運転状況に依存する変数として、例えば機械負荷（変数Ｃ）、走行時間比率（変数Ｄ）等が挙げられる。図２は、例えば機番１のショベルから２０１２年４月１日に収集された変数Ａ〜変数Ｇの検出値が、それぞれｘ（１，１）〜ｘ（１，７）であることを示している。変数の数は、一般的に１００以上である。

図３に、実施例１によるショベルの異常検出方法の処理の流れ、及び用いられるデータを示す。ステップＳＴ１において、処理装置２１（図１）がショベルからサンプルを収集し、サンプルデータ記憶装置２３（図１）に記憶させる。これにより、ショベル管理装置２０に複数のサンプルからなるサンプル群３０が準備される。ステップＳＴ２において、複数のサンプルを、変数の検出値の類似の程度に基づいて複数のサンプル群に分類する。

図４Ａを参照して、複数のサンプルの分類方法の一例について説明する。図４Ａは、変数Ａ（大気圧）及び変数Ｂ（吸気温度）に着目したサンプルの分布図を示す。大気圧が低い領域に分布するサンプルは、例えば高地での作業を示唆する。吸気温度が低い領域に分布するサンプルは、例えば寒冷地での作業を示唆する。このように、作業環境が異なると、作業環境に応じて変数の検出値が異なる場合がある。例えば、大気圧が５０ｋＰａ未満で、かつ吸気温度が０℃未満のサンプルを第１のサンプル群３１に分類する。吸気温度が５０℃以上のサンプルを第３のサンプル群３３に分類する。第１及び第２のサンプル群３１、３３のいずれにも含まれないサンプルを、第２のサンプル群３２に分類する。第１のサンプル群３１に分類されたサンプルが収集された環境は、高地でかつ低温の過酷なものである。第３のサンプル群３３に分類されたサンプルが収集された環境は、気温５０℃以上の過酷なものである。

図４Ｂ及び図４Ｃを参照して、分類方法の他の例について説明する。図４Ｂは、機械負荷を示す変数Ｃのデータ形式の一例を示す。機械負荷率０％から１００％までの範囲が１０段階に区分され、各区分ごとに、当該区分の機械負荷率で稼働した時間ｔ１、ｔ２、・・・が格納される。例えば、機械負荷率７０〜８０％、８０〜９０％、９０〜１００％で稼働した時間ｔ８、ｔ９、ｔ１０を加算すると、機械負荷率７０％以上で稼働した時間ｔ（Ｃ≧７０）を算出することができる。
図４Ｃは、変数Ｃ（機械負荷）に着目したサンプルの分布図を示す。図４Ｃの横軸は、７０％以上の機械負荷率で動作している時間を表し、縦軸は頻度（サンプルの個数）を表す。図４Ｃに示した例では、７０％以上の機械負荷率で動作している時間が２〜３時間の頻度が最も高いことを示している。例えば、７０％以上の機械負荷率で動作している時間が５時間以上のサンプル、１〜５時間のサンプル、及び１時間未満のサンプルを、それぞれ第１のサンプル群３１、第２のサンプル群３２、及び第３のサンプル群３３に分類する。第１のサンプル群３１に分類されたサンプルが収集された稼働条件は、例えば硬い岩盤の掘削等、機械負荷が過酷な稼働条件である。

図４Ａでは、変数Ａ及び変数Ｂに着目してサンプルを分類し、図４Ｃでは、変数Ｃに着目してサンプルを分類したが、図２に示した変数Ｄ（走行時間比率）に着目してサンプルを分類してもよいし、その他の変数に着目してサンプルを分類してもよい。

図３に示すように、サンプル群３０に含まれる複数のサンプルが、第１のサンプル群３１、第２のサンプル群３２、及び第３のサンプル群３３のいずれかに分類される。図５Ａに、複数のサンプルを分類した後のサンプルの一覧を示す。図５Ａに示した例では、サンプル番号１、５、７のサンプルが第１のサンプル群３１に分類され、サンプル番号４のサンプルが第２のサンプル群３２に分類され、サンプル番号２、３、８、９、１０のサンプルが第３のサンプル群３３に分類されている。

図３に示したステップＳＴ３において、評価対象のショベルから、評価対象サンプル３５を収集する。図５Ｂに、評価対象サンプル３５のデータ構造を示す。評価対象サンプル３５の変数Ａ〜変数Ｇの検出値は、ｙ（１）〜ｙ（７）である。ステップＳＴ４において、評価対象サンプル３５が属するサンプル群を決定する。図３及び図５Ｂに示した例では、評価対象サンプル３５が第１のサンプル群３１に属する。

ステップＳＴ５において、評価対象サンプル３５が属する第１のサンプル群３１の複数のサンプルから、ショベルが正常に動作している期間に収集されたサンプルのみを抽出する。正常に動作している期間に収集されたサンプルのみを含むサンプル群を標準サンプル群３４ということとする。

ステップＳＴ６において、標準サンプル群３４を基準として、評価対象サンプル３５を評価する。評価方法として、種々の多変量解析手法を適用することができる。この評価により、評価対象サンプル３５が、標準サンプル群３４内で異常であるか否か、すなわち評価対象のショベルに異常が発生しているか否かが評価される。評価結果を、出力装置２５から出力する。

なお、ステップＳＴ２での分類前に、全体のサンプル群３０から故障時のサンプルを取り除き、正常動作時のサンプルのみを分類の対象としてもよい。この場合には、第１のサンプル群３１に正常動作時のサンプルのみが含まれる。このため、ステップＳＴ５を省略し、第１のサンプル群３１を標準サンプル群として用いることができる。

図６に、変数ｋに着目したサンプルの分布図（ヒストグラム）の一例を示す。図６の太線３４は、標準サンプル群３４に属する複数のサンプルの分布を示し、破線３０は、全体のサンプル群３０に属する複数のサンプルの分布を示す。評価対象サンプル３５の変数ｋの検出値はｙ（ｋ）である。全体のサンプル群３０の分布を判定の基準とすると、変数ｋの検出値ｙ（ｋ）は異常な値ではなく、一般的な値であると考えられる。ところが、標準サンプル群３４の分布を判定の基準とすると、変数ｋの検出値ｙ（ｋ）は、最頻度を示す値から大きく外れた異常値であることがわかる。

図６に示したように、評価対象サンプル３５を評価する際に、全体のサンプル群３０を評価基準として用いると、評価対象サンプル３５の変数ｋの検出値ｙ（ｋ）が異常であることを見逃してしまう。実施例１では、予め、全体のサンプル群３０が、複数のサンプル群３１〜３３に分類されている。評価対象サンプル３５は、評価対象サンプル３５が計測された環境や動作条件と類似する標準サンプル群３４が評価基準として用いられる。このため、異常の見逃しを低減することができる。

［実施例２］
図７を参照して、実施例２によるショベルの異常検出方法について説明する。実施例２では、図３に示したステップＳＴ６の評価方法が具体化される。

ステップＳＡ１において、標準サンプル群３４（図３）に基づいて、マハラノビスタグチ法で用いられる単位空間を生成する。ステップＳＡ２において、単位空間の中心から、評価対象サンプル３５（図３）までのマハラノビス距離ＭＤを算出する。マハラノビス距離ＭＤを算出する際に、サンプルを構成するすべての変数（図２）を用いてもよいし、一部の変数のみを用いてもよい。

ステップＳＡ３において、算出されたマハラノビス距離が、閾値より大きいか否かを比較する。マハラノビス距離ＭＤが閾値以下である場合、ステップＳＡ４において、評価対象サンプル３５は正常であると判定する。マハラノビス距離ＭＤが閾値より大きい場合、ステップＳＡ５において、評価対象サンプル３５は異常であると判定する。

実施例２のように、評価対象サンプル３５が正常であるか異常であるかの評価を行う手法として、マハラノビスタグチ法を用いることが有効である。

［実施例３］
図８〜図１５を参照して、実施例３によるショベルの異常検出方法について説明する。実施例１では、図３に示したステップＳＴ６で、サンプルを構成するすべての変数Ａ、Ｂ、Ｃ、・・・（図２）に着目して評価を行った。実施例３では、複数の変数から一部の変数のみを用いて評価を行う。

図８に示すように、サンプル群３０、故障情報４０、及び評価対象サンプル３５が準備されている。サンプル群３０及び評価対象サンプル３５は、実施例１で取り扱ったサンプル群３０及び評価対象サンプル３５（図３）と同一のものである。図３に示した実施例１の方法と同様に、サンプル群３０から標準サンプル群３４を生成する。故障情報４０は、ショベルに生じた過去の故障事例を含んでいる。故障事例の各々は、ショベルの機番、故障の発生した日付情報、及び故障内容を含む。

ステップＳＴ１０において、サンプル群３０に含まれる各サンプルを構成する複数の変数から一部の変数を選定する。選定された変数を着目変数５０ということとする。

図９に、選定された着目変数５０の一例を示す。サンプル群３０（図８）の各サンプルは、機番、日付情報、変数Ａ、Ｂ、Ｃ、・・・の検出値を含む。一例として、複数の変数のうち、変数Ｅ、Ｈ、Ｊ、Ｌ、Ｍ、Ｐ、・・・が除かれ、変数Ａ、Ｂ、Ｃ、Ｄ、Ｆ、Ｇ、Ｉ、Ｋ、Ｎ、Ｏが着目変数５０として選定されている。

図１０Ａ及び図１０Ｂに、それぞれ着目変数５０を明示した標準サンプル群３４の一覧、及び評価対象サンプル３５の一例を示す。図１０Ａに示すように、標準サンプル群３４の複数のサンプルは、実施例１のステップＳＴ２（図３）で分類される手法と同一の手法で、複数のサンプル群に分類されている。標準サンプル群３４は、第１のサンプル群３１（図３）に分類されたサンプル番号１、５、７、・・・のサンプルを含む。着目変数５０として、変数Ａ、Ｂ、Ｃ、Ｄ、Ｆ、Ｇ、Ｉ、Ｋ、Ｏ、・・・が選定されている。図１０Ｂに示すように、評価対象サンプル３５においても、着目変数５０として、変数Ａ、Ｂ、Ｃ、Ｄ、Ｆ、Ｇ、Ｉ、Ｋ、Ｏ、・・・が選定される。

ステップＳＴ１２において、標準サンプル群３４を評価基準とし、着目変数５０のみを用いて、評価対象サンプル３５の評価を行う。この評価は、実施例１で採用されたステップＳＴ６（図３）の評価手法、または実施例２で採用された評価手法（図７）と同一であ
る。評価後に、ステップＳＴ１３において、出力装置２５（図１）に評価結果を出力する。

図１１〜図１５を参照して、ステップＳＴ１０（図８）において複数の変数から一部の着目変数を選定する方法について説明する。

図１１に示すように、ステップＳＴ２０において、サンプル群３０と故障情報４０とを、機番及び日付情報で関連付けて結合する。これにより、故障情報に含まれている故障内容を変数として含むサンプル群４１が得られる。

図１２に、変数として故障内容を含むサンプル群の一覧を示す。各サンプルは、機番、日付情報、変数Ａ、Ｂ、Ｃ、・・・、及び故障内容を含む。故障内容の変数は、各サンプルの機番の変数で特定されるショベルにおいて、日付情報で特定される日に発生した故障の内容を示している。故障内容の変数に「０」が設定されているサンプルは、故障が発生していないことを示している。

図１１のステップＳＴ２１において、変数として故障内容を含むサンプル群４１の複数のサンプルを、第１〜第３の故障内容含有サンプル群４２〜４４のいずれかに分類する。分類の手法は、実施例１で用いたステップＳＴ２（図３）の手法と同一である。

ステップＳＴ２２において、評価対象サンプル３５（図８）の属するサンプル群を決定する。この決定手法は、実施例１で用いたステップＳＴ４（図３）の手法と同一である。図１１では、評価対象サンプル３５が、第１の故障情報含有サンプル群４２に属する例を示している。

ステップＳＴ２３において、第１の故障情報含有サンプル群４２のサンプルのうち故障内容に「０」が設定されているものを、正常時サンプル群４５に分類し、故障内容に何らかの故障が設定されているものを、故障時サンプル群４６に分類する。正常時サンプル群４５及び故障時サンプル群４６に基づいて、遺伝的アルゴリズムを適用することにより、着目変数を選定する。

図１３に、遺伝的アルゴリズムで用いる染色体（個体）６０の遺伝子６１を示す。複数の遺伝子６１は、それぞれサンプル群３０（図１１）に含まれるサンプルを構成する複数の変数に対応する。遺伝子は、「採用」、「不採用」の２値を取り得る。例えば、「１」及び「０」を、それぞれ「採用」及び「不採用」と定義する。

図１４に、実施例３で用いる遺伝的アルゴリズムのフローチャートを示す。ステップＳＢ１において染色体６０の初期解（初期世代）を生成する。初期世代の複数の染色体６０の各遺伝子の値は、ランダムに設定してもよいし、着目変数として採用すべきと考えられる変数に対応する遺伝子６１に「採用」を設定した染色体６０の数を多くしてもよい。ステップＳＢ２において、染色体６０の各々の評価を行う。

図１５を参照して、ステップＳＢ２の詳細な手順を説明する。ステップＳＢ２１において、複数の染色体から１つの染色体６０を、評価対象として選定する。評価対象の染色体６０で「採用」の値を持つ遺伝子に対応する変数のみを用いて、正常時サンプル群４５に含まれるサンプルに基づいて単位空間を生成する。

ステップＳＢ２２において、故障時サンプル群４６の複数の故障時サンプルの各々について、単位空間４７の中心からのマハラノビス距離４８を算出する。ステップＳＢ２３において、故障時サンプルの各々のマハラノビス距離４８と、マハラノビス距離の閾値４９
とを比較する。閾値４９を超えるマハラノビス距離を持つ故障時サンプルの数に基づいて、染色体６０の適合度を決定する。

閾値４９を超えるマハラノビス距離を持つ故障時サンプルの数が多いということは、故障時サンプルを、正常時サンプルから区別しやすいことを意味する。従って、閾値４９を超えるマハラノビス距離を持つ故障時サンプルの数が多い染色体ほど、適合度を高くする。

図１４に示すステップＳＢ３において、複数の染色体６０から、適合度の高い染色体を選択する。なお、選択方法として、エリート選択、ルーレット選択等の手法を適用してもよい。ステップＳＢ４において、選択された複数の染色体６０に対して、交叉または突然変異を生じさせることにより、新しい染色体を生成する。ステップＳＢ５において、終了条件を満たすか否かを判定する。一例として、染色体の世代が、予め定められている世代に達した場合に、終了条件を満たす。

終了条件を満たさない場合は、ステップＳＢ６において、染色体の世代更新を行う。具体的には、ステップＳＢ３で選択された染色体を残し、選択されなかった染色体を削除する。さらに、ステップＳＢ４で交叉または突然変異によって生成された新しい染色体を、新しい世代の染色体として加える。新しい世代の染色体に基づいて、ステップＳＢ２からステップＳＢ５までの手順を繰り返す。

ステップＳＢ５で終了条件を満たすと判定された場合には、ステップＳＢ７において、最終世代の染色体に基づいて、複数の変数から選定する着目変数の組み合わせを決定する。一例として、最終世代の染色体のうち、最も適合度の高い染色体において、「採用」の値が設定されている遺伝子に対応する変数を、着目変数として選定する。

実施例３では、故障時のサンプルを異常と判定し易くなる変数を着目変数として用いているため、評価対象サンプル３５の異常を、より的確に異常と判定することができる。

［実施例４］
図１６〜図１８を参照して、実施例４によるショベルの異常検出方法について説明する。以下、実施例３との相違点について説明し、同一の構成については説明を省略する。実施例３では、図８に示したステップＳＴ１０において、ショベルの機番を区別することなく１つのサンプル群として、着目変数５０を選定した。このため、図１０Ａに示したように、ショベルの機番によらず、稼働条件に依存する複数の変数から同一の着目変数５０が選定された。実施例４では、ショベルの機番（個体）ごとに着目変数を選定する。

図１６に、稼働条件に依存する複数の変数から、着目変数を選定する処理と、データとの関係を示す。着目変数を選定するにあたって、図８に示した実施例３と同様に、サンプル群３０、及び故障情報４０のデータを利用する。サンプル群３０に格納された各サンプルは、図２に示したように、ショベルの機番（個体）を識別する情報を含んでいる。従って、複数のサンプルを、機番ごとに分類して、機番ごとのサンプルリストを生成することができる。同様に、故障情報４０から、機番ごとの故障情報リストを生成することができる。

ステップＳＴ３０において、稼働条件に依存する複数の変数Ａ、Ｂ、Ｃ、Ｄ、・・・（図２）から、ショベルの機番ごとに着目変数を選定する。着目変数を選定する方法として、例えば、図１１〜図１５を参照して説明した実施例３の方法と同一の方法を適用することができる。ただし、実施例４の場合には、機番ｉ（ｉ＝１、２、３、・・・）の着目変数を選定する処理では、サンプル群３０の複数のサンプルのうち、機番ｉのサンプルリス
トのみを用い、故障情報４０に蓄積された複数の故障情報のうち、機番ｉの故障情報リストのみを用いる。これにより、機番１の着目変数リスト５０Ａ、機番２の着目変数リスト５０Ｂ、機番３の着目変数リスト５０Ｃ、・・・が選定される。機番１の着目変数リスト５０Ａと、機番２の着目変数リスト５０Ｂとは、同一であるとは限らない。

図１７に、ステップＳＴ３０（図１６）で選定された着目変数の一例を、表形式で示す。図１７では、着目変数として選定されなかった変数を網掛けで示し、着目変数として選定された変数を白抜きで示す。図１７に示した例では、変数Ａ、Ｂ、Ｃ、Ｄ、Ｆ、Ｇ、Ｉ、Ｋ、Ｏ等が、機番１の着目変数リスト５０Ａに含まれ、変数Ａ、Ｃ、Ｄ、Ｅ、Ｉ、Ｊ、Ｍ、Ｏ、Ｐ等が、機番２の着目変数リスト５０Ｂに含まれ、変数Ａ、Ｂ、Ｃ、Ｄ、Ｆ、Ｇ、Ｊ、Ｋ、Ｌ等が、機番３の着目変数リスト５０Ｃに含まれる。このように、ショベルの機番が異なると、選定される着目変数も異なる。

ステップＳＴ３１（図１６）において、機番ごとに選定された着目変数リスト５０Ａ、５０Ｂ、５０Ｃ・・・から、共通着目変数５１を抽出する。次に、図１８を参照して、ステップＳＴ３１で、共通着目変数５１を抽出する方法について説明する。稼働条件に依存する複数の変数の各々について、機番ごとの着目変数リスト５０Ａ、５０Ｂ、５０Ｃ・・・に選定される頻度を求める。

図１８に、各変数が、機番ごとの着目変数リスト５０Ａ、５０Ｂ、５０Ｃ・・・に選定される頻度を示す。横軸は、稼働条件に依存する変数を表し、縦軸は、着目変数として選定された頻度（回数）を表す。横軸の変数は、選定された頻度が多い順番に並び替えられている。着目変数として選定された頻度に基づいて、複数の着目変数から一部の着目変数を、共通着目変数として採用する。一例として、着目変数として選定された頻度の多い変数を優先的に、共通着目変数として採用する。図１８では、頻度の多い変数から順番に、複数（例えば５０個）の変数を共通着目変数５１として採用した場合を示す。

ステップＳＴ３２（図１６）において、標準サンプル群３４を評価基準とし、共通着目変数５１を用いた評価モデルで、評価対象サンプル３５を評価する。標準サンプル群３４及び評価対象サンプル３５は、それぞれ実施例３で用いた標準サンプル群３４及び評価対象サンプル３５（図８）と同じものである。ステップＳＴ３２の処理は、実施例３のステップＳＴ１２（図８）の処理と同一である。

ステップＳＴ３３において、ステップＳＴ３２で行った評価結果を出力する。ステップＳＴ３３の処理は、実施例３のステップＳＴ１３（図８）の処理と同一である。

実施例４では、判定結果への影響が小さい着目変数が、評価モデルから事前に排除される。評価結果への影響度が大きいと考えられる共通着目変数を用いた評価モデルで、評価対象サンプルの評価が行われる。このため、より少ない着目変数で、精度の高い評価を行うことができる。

以上実施例に沿って本発明を説明したが、本発明はこれらに制限されるものではない。例えば、種々の変更、改良、組み合わせ等が可能なことは当業者に自明であろう。

２０ ショベル管理装置
２１ 処理装置
２２ 故障情報記憶装置
２３ サンプルデータ記憶装置
２４ 入力装置
２５ 出力装置
２６ ショベル
２８ 電気通信回線
３０ サンプル群
３１ 第１のサンプル群
３２ 第２のサンプル群
３３ 第３のサンプル群
３４ 標準サンプル群
３５ 評価対象サンプル
４０ 故障情報
４１ 変数として故障情報を含むサンプル群
４２ 第１の故障内容含有サンプル群
４３ 第２の故障内容含有サンプル群
４４ 第３の故障内容含有サンプル群
４５ 正常時サンプル群
４６ 故障時サンプル群
４７ 単位空間
４８ マハラノビス距離
４９ マハラノビス距離の閾値
５０ 着目変数
５０Ａ、５０Ｂ、５０Ｃ 機番ごとの着目変数リスト
５１ 共通着目変数

Claims (10)

1. ショベルから、稼働条件に依存する複数の変数の検出値が入力される入力装置と、
   前記入力装置から入力された前記複数の変数の検出値を処理する処理装置と
   を有し、
   前記処理装置は、
   評価対象ショベルから収集された前記複数の変数の検出値の組を評価対象サンプルとし、
   前記複数の変数の検出値の組を１つのサンプルとし、前記入力装置から入力された複数のサンプルから、前記変数の検出値に基づいて、稼働条件が前記評価対象サンプルの稼働条件と類似し、かつ正常動作時に収集された一部のサンプルを抽出して標準サンプル群とし、
   前記評価対象サンプルを、前記標準サンプル群に基づいて評価するショベルの管理装置。
2. 前記処理装置は、
   前記複数の変数から一部の変数を選択して着目変数とし、
   前記評価対象サンプルを、前記標準サンプル群に基づいて評価するときに、前記着目変数を用いた評価モデルにより、前記評価対象サンプルの評価を行う請求項１に記載のショベルの管理装置。
3. 前記処理装置は、
   ショベルの故障時に収集された前記複数の変数の検出値からなる故障時サンプルを、前記評価モデルで評価し、評価結果に基づいて、前記複数の変数から選択する前記着目変数を決定する請求項２に記載のショベルの管理装置。
4. 前記複数の変数には、ショベルの個体を識別する機番、及び日付情報が含まれており、
   さらに、故障が発生したショベルの機番、故障発生の日付情報、及び故障内容を含む故障情報が記憶された故障情報記憶装置を有し、
   前記処理装置は、前記入力装置から入力された複数のサンプルと、前記故障情報記憶装置に記憶されている前記故障情報とを、前記機番及び前記日付情報に基づいて関連付けることにより、前記故障時サンプルを生成する請求項３に記載のショベルの管理装置。
5. 前記処理装置は、
   前記複数の変数から選択される前記着目変数の組み合わせを変えながら、前記評価モデルを用いて、前記故障時サンプルの評価を繰り返し行うことにより、前記着目変数の組み合わせを決定する請求項３または４に記載のショベルの管理装置。
6. 前記処理装置は、前記故障時のサンプルの評価を繰り返し行う処理において、
   染色体の複数の遺伝子を、それぞれ前記複数の変数に対応付け、
   各遺伝子の値を、当該遺伝子に対応する変数の「採用」、「非採用」に対応する２値のうちいずれかで表し、
   遺伝子の値の組み合わせが異なる複数の染色体を含む初期解を生成し、
   終了条件を満たすまで、前記染色体に、評価、選択、交叉、突然変異を施すことにより、染色体の世代を更新し、
   最終世代の染色体に基づいて、前記着目変数の組み合わせを決定する請求項５に記載のショベルの管理装置。
7. ショベルから、ショベルの稼働状態または周囲の環境に依存する複数の変数の検出値を、評価対象サンプルとして収集する工程と、
   前記複数の変数の検出値を各々が含む複数のサンプルから、前記変数の検出値に基づいて、稼働条件が前記評価対象サンプルの稼働条件と類似し、かつショベルが正常に動作しているときに収集された一部のサンプルを抽出して標準サンプル群とする工程と、
   前記評価対象サンプルを、前記標準サンプル群に基づいて評価する工程と
   を有するショベルの異常検出方法。
8. さらに、前記複数の変数から一部の変数を選択して着目変数とする工程を有し、
   前記評価対象サンプルを、前記標準サンプル群に基づいて評価するときに、前記着目変数を用いた評価モデルにより、前記評価対象サンプルの評価を行う請求項７に記載のショベルの異常検出方法。
9. さらに、
   ショベルの故障時に収集された前記複数の変数の検出値からなる故障時サンプルを、前記評価モデルで評価する工程と、
   前記故障時サンプルの評価結果に基づいて、前記複数の変数から選択する前記着目変数を決定する工程と
   を含む請求項８に記載のショベルの異常検出方法。
10. 前記複数の変数には、ショベルの個体を識別する機番、及び日付情報が含まれており、
    さらに、故障が発生したショベルの機番、故障発生の日付情報、及び故障内容を含む故障情報と、ショベルから収集された複数のサンプルとを、前記機番及び前記日付情報に基づいて関連付けることにより、前記故障時サンプルを生成する工程を含む請求項９に記載のショベルの異常検出方法。
    

Images