专利名称：维护支持方法与维护支持设备的制作方法
技术领域：
本发明涉及支持装置的维护的维护支持方法和维护支持设备。
背景技术：
TBM(基于时间的维护)是用于装置(例如，电子装置)或设备(例如，整套设备)的维护诊断方法。在TRM中，按照对于每种装置类型的确定的检验周期，与装置安装环境或恶化程度无关地周期地进行维护。
作为TBM的优点，维护计划是容易确定的。例如，装置或设备制造商对于它供应的每个产品设置维护周期。制造商向用户担保，在供应时间后保证替换零件或担任维护，直至维护周期结束为止。
维护周期被确定为从装置或设备的制造起的预定的周期或从该型号停止制造起的预定的周期的形式。维护周期是根据替换零件的可供应的周期或维护人员工作周期被确定的。
在TBM中，检验甚至是在装置安装环境良好和恶化程度很低时完成的。所以，TBM是不利的，因为它浪费地降低装置的利用率和增加维护的费用。
作为TBM的另一个缺点，如果装置安装环境比起预期的坏，以及材料或零件容易恶化，则检验周期太长，以及故障可能经常发生。
因为这些缺点，对于每种装置类型无条件地应用TBM常常不是优选的。
最近，恶化的装置或设备的数目不断增加。装置和设备的用户想要它们的运行成本最小化。
使得维护最佳化的方法是CBM(基于条件的维护)。在CBM中，每个装置的用户确认运行状态或恶化程度。检验周期或检验事项由每个装置的用户选择，由此使得维护最佳化。
使得每个装置的寿命周期的运行成本最小化的方法是RBM(基于风险的维护)。在RBM中，考虑到在运行风险与装置的维护费用之间的折衷，每个装置的寿命周期的运行成本被最小化。
装置的用户尝试通过使用CBM或RBM而使得维护方法最佳化。结果，维护的次数被减小，或维护的周期被延长。因此，降低了工作周期成本，以及维持了装置或设备的可靠性。
参考文献1(日本专利申请KOKAI公开号2002-73155)公开一种技术，允许用户执行相应于剩余寿命的维护管理。得到设备运行极限，以使得它不超过通过把断裂概率乘以加权因子而得到的设备风险估计值。另外，设备风险运行估计值是从当前的剩余寿命和预见的剩余寿命的预测得到的。
参考文献2(日本专利申请KOKAI公开号2002-123314)公开一种技术，它根据抗个人风险、功能损失风险、和环境风险定量地估计维护部分的风险，计算重建成本和故障情形下的损失，由此避免过大的维护。
参考文献3(日本专利申请KOKAI公开号11-119823)公开一种技术，它用矩阵把故障事件与故障因子相联系，以实施精确的故障诊断。
上述的维护支持方法的目的是使得维护方法最佳化。然而，还没有建立具体的最佳化的方法。
另外，在参考文献1到3中描述的技术的当前的状态如下。
参考文献1的技术执行相应于剩余寿命的维护管理。然而，在参考文献1的技术中，维护周期没有最佳化。
参考文献2的技术避免过大的维护。通过参考文献2的技术，基本上，得到在规划时的评估。然而，参考文献2只描述维护方法和周期的重新估价的概要(S10)。在参考文献2的技术中，分析了由 改变造成的恶化。然而，在参考文献2的技术中除了长期改变以外，有关故障的分析方面没有详细描述。
参考文献3的技术实施精确的故障诊断。然而，参考文献3不能使得维护周期最佳化。
发明内容
在本发明的实施例中，根据管理包含装置的工作记录、故障记录和更换记录的运行记录的设备维护信息(10)使得诊断数据库创建单元(30)和诊断机(40)支持装置的维护的方法，包括使得诊断数据库创建单元(30)创建风险评估数据库(22)，其中与被包含在设备维护信息(10)中的工作记录有关的、“装置零件单价”、“维护个人数据”、“劳力成本单价数据”、和“对于故障模式的设备停机损失”以及与故障记录有关的“故障模式”和“故障发生频率”是与装置的识别信息相联系的(S1)；使得诊断数据库创建单元(30)创建抗风险措施数据库(21)，其中与被包含在设备维护信息(10)中的故障记录有关的“故障模式”以及与更新记录有关的“对于故障模式的措施方法”是与装置的识别信息和装置的每个零件的识别信息相联系的(S2)；使得诊断数据库创建单元(30)根据装置的每个零件的识别信息和被包含在设备维护信息(10)中的故障模式对于装置的每个零件执行事件树分析与故障树分析和得到分析结果(S3)；使得诊断数据库创建单元(30)创建故障诊断数据库(23)，其中被包含在设备维护信息(10)中的“故障发生频率”、“故障征兆现象”、和“故障原因”是与装置的识别信息和装置的每个零件的识别信息相联系的，用于分析结果和在分析结果中每个故障模式(S4)；使得诊断机(40)在装置中故障发生之前参考风险评估数据库(22)和抗风险措施数据库(21)以及根据故障发生频率和设备停机损失计算沿时间序列万一每个装置发生故障的风险估计量(S5)；使得诊断机(40)在装置中故障发生之前参考风险评估数据库(22)和抗风险措施数据库(21)以及事先根据故障发生频率、措施方法、装置零件单价、个人数据、和劳力成本单价数据计算沿时间序列在执行用于每个装置的措施方法时的维护成本(S6)；使得诊断机(40)输出通过相加风险估计量得到的和值的时间点作为维护周期，以及沿时间序列的维护成本被最小化(S7)；以及使得诊断机(40)在装置中故障发生时根据装置的识别信息和故障模式参考故障诊断数据库(23)(S8)以及输出作为参考的结果得到的故障原因和故障征兆的至少一项(S9)。
上述的方面被实施为一种方法。然而，本发明并不限于此。上述的方面可被实施为一种设备或计算机可读的存储媒体。
图1是显示按照本发明的第一实施例的、维护支持设备的安排的例子的方框图；图2是显示设备维护信息数据库(DB)的数据结构的例子的图；图3是显示抗风险措施DB的结构的例子的图；图4是显示抗风险措施DB的数据结构的例子的图；图5是显示风险评估DB的结构的例子的图；图6是显示风险评估DB的数据结构的例子的图；图7是显示故障诊断DB的数据结构的例子的图；图8是显示数据提取功能的例子的方框图；图9是显示可靠度分析功能的例子的方框图；图10是显示零件开发的例子的示意图；图11是显示事件树分析结果的例子的示意图；图12是显示故障树的第一例的示意图；图13是显示故障模式发生频率分析结果的例子的图；图14是显示累积危害函数的近似结果的例子的曲线图；图15是显示不可靠度函数的例子的曲线图；图16是显示故障概率密度函数的例子的曲线图；图17是显示风险评估功能的图；图18是显示总的风险计算结果的例子的曲线图；图19是显示抗风险措施选择功能的方框图；图20是显示风险校正功能的方框图；
图21是显示总的风险校正结果的例子的曲线图；图22是显示数值仿真功能的方框图；图23是显示财务计算功能的方框图；图24是显示故障树的第二例的示意图；图25是显示按照第一实施例的维护支持设备的处理的例子的流程图；图26是显示按照第二实施例的可靠度分析程序的例子的方框图；图27是显示设备维护提取信息的数据结构的例子的图；图28是显示货运提取信息的数据结构的例子的图；图29是显示可靠度分析信息的数据结构的第一例的图；图30是显示按照第二实施例的分析功能的处理的例子的流程图；图31是显示可靠度分析信息的第二例的曲线图；图32是显示当数目只包含具有故障的零件时不可靠度的例子的曲线图；图33是显示可靠度分析信息的第三例的曲线图；以及图34是显示当数目只包含具有故障的零件时故障概率密度的例子的曲线图。
具体实施例方式
下面参考附图描述实施例。在所有附图中相同的标号表示相同的单元，以及其说明将被省略。
(第一实施例)图1是显示按照本发明的第一实施例的、维护支持设备的安排的例子的功能性方框图。
维护支持设备1包括设备维护信息数据库(DB)10、诊断DB20、诊断数据库创建单元(数据库创建装置)30、和诊断机40。
诊断数据库创建单元30和诊断机40可以是集成的单元或分开的单元。诊断数据库创建单元30和诊断机40，每个都是通过硬件结构和软件结构的组合实施的。软件结构是通过事先从存储媒体2或网络安装实施诊断数据库创建单元30和诊断机40的功能的程序2a到维护支持设备1中的计算机，而被实施的。
设备维护信息DB10是从诊断数据库创建单元30可读出的存储装置。图2是显示设备维护信息数据库10的数据结构的例子的图。设备维护信息是对于每个装置的、管理包括工作记录、故障记录、和更换记录的运行记录的信息。作为设备维护信息，存储从装置的工作场所反馈的内容。
设备维护信息例如包含产品名称、装置的型号名称和类型、装置的零件的名称和类型、装置和零件的工作日、故障发生日、故障接收日、恢复日、客户名称(用户名称)、场地名称、装置安装环境条件(例如，温度、湿度、腐蚀气体浓度、粉尘降落量、海盐粒子浓度、和金属腐蚀量)、故障模式、每个故障模式的发生频率、故障原因、故障征兆现象、在故障之间的平均时间(MTBF)、故障的平均时间(MTTF)、用于每个装置和故障模式的维护方法、对于维护所需要的时间、必须的人数、劳力成本的单价、客户侧设备停机损失(每个单位时间)、和修理零件与材料的数量与单价。
产品名称以及装置的型号名称和类型被用作为装置的识别信息。装置的零件的名称和类型被用作为装置的零件的识别信息。
如果有多个具有相同的技术规范的装置或零件，则装置的串行号或由用户指定的识别号被用作为装置的识别信息。
诊断DB20是从诊断数据库创建单元30和诊断机40可读的/可写的存储装置。诊断DB20包括抗风险措施DB21、风险评估DB22、和故障诊断DB23。
抗风险措施DB21只需要存储与被包含在设备维护信息中的故障记录有关的故障模式和与装置的识别信息和装置的零件的识别信息相联系的、用于与更换记录有关的每个故障模式的措施方法。更具体地，抗风险措施DB21例如存储产品名称、型号名称和类型、用户名称、场地名称、目标零件名称和类型、故障发生日、故障接收日、恢复日、装置安装环境条件、故障模式、故障原因、故障征兆现象、MTBF、MTTF、用于每个装置和故障模式的维护方法、对于维护所需要的时间、和必须的人数。
抗风险措施DB21可包括单个DB或多个DB。例如，如图3所示，抗风险措施DB21可包括诸如型号DB21a、零件DB21b、使用环境DB21c、故障模式DB21d、问题分析结果DB21e、措施方法DB21f、措施后情形DB21g、和措施记录DB21h那样的DB。在这种情形下，在DB中，产品名称，...，必须的人数被存储在相应的DB中，如图4所示。这些DB通过产品名称和/或零件名称互相联系。因此，全部DB构建抗风险措施DB21。
风险评估DB22存储与被包含在设备维护信息中工作记录有关的装置的每个零件的单价、维护个人数据、劳力成本单价数据、和与装置的识别信息相联系的、对于每个故障模式的设备停机损失。
风险评估DB22还存储与被包含在设备维护信息DB中的故障记录有关的故障模式、和与装置的识别信息相联系的、对于每个故障模式的故障发生频率。更具体地，风险评估DB22例如存储产品名称、型号名称和类型、用户名称、场地名称、传递日、工作日、目标零件名称和类型、故障发生日、故障接收日、恢复日、装置安装环境条件、故障模式、故障原因、故障征兆现象、MTBF、MTTF、用于每个装置和故障模式的维护方法、对于维护所需要的时间、必须的人数、劳力成本的单价、设备停机损失、修理零件与材料的数量、和修理零件与材料的单价。
风险评估DB22可包括单个DB或多个DB。例如，如图5所示，风险评估DB22可包括诸如客户DB22a、使用时间DB22b、型号DB22c、零件DB22d、零件单价DB22e、库存DB22f、传递时间DB22g、事件DB22h、发生概率DB22i、有效程度DB22j、个人DB22k、和劳力成本DB22l那样的DB。在这种情形下，如上所述，各种数据被存储在相应的DB中，如图6所示。全部DB构建风险评估DB22。
在故障诊断DB23中，如图7所示，对于装置的每个零件执行的、事件树分析(ETA)和故障树分析(FTA)的结果的至少一项以及在分析结果中对于每个故障模式的、在设备维护信息中的故障发生频率、各种征兆现象、和故障原因，与装置的识别信息(型号名称)和装置的每个零件的识别信息(零件名称)相联系地被存储。
如图7所示，索引号信息可以加到每个故障模式上。故障诊断DB23可以存储由诸如FMEA(故障模式效果分析)的另外的方法得出的分析结果，而不是ETA和FTA的分析结果。
上述的诊断DB20可适当地受到来自另外的计算机的数据添加和/或数据校正。例如，在风险评估DB22中的库存DB、传递时间DB、和个人DB甚至需要未被包含在设备维护信息中的其他信息段(例如，当前的库存水平、传递时间、和当前的个人分布)。为此，从另外的计算机把数据加到诊断DB20，和/或其中的数据被适当地校正。
诊断数据库创建单元30执行数据提取，用于设备维护信息DB10的设备维护信息，执行可靠度分析和创建诊断DB20。更具体地，诊断数据库创建单元30包括数据提取功能31和可靠度分析功能32。
如图8所示，数据提取功能31具有将设备维护信息DB10中的设备维护信息分类、将被包含在设备维护信息中的信息段互相联系、以及创建抗风险措施DB21的功能31a，和创建风险评估DB22的功能31b。
可靠度分析功能32根据各种可靠度工程理论，诸如FMEA、FTA、ETA，和故障概率统计，对于由数据提取功能31创建的DB21和22中的设备维护信息执行可靠度分析以及创建故障诊断DB23。
更具体地，可靠度分析功能32包括零件开发功能32a、事件树/故障树分析功能32b、故障模式发生频率分析功能32c、累积危害函数近似功能32d、不可靠度函数计算功能32e、和故障发生概率密度功能32f，如图9所示。
图10是显示零件开发的例子的图。图11是显示事件树分析结果的例子的图。图12是显示故障树的例子的图。图13是显示故障模式发生频率分析结果的例子的图。图14是显示累积危害函数的近似结果的例子的曲线图。图15是显示不可靠度函数的例子的曲线图。图16是显示故障概率密度函数的例子的曲线图。
例如，可靠度分析功能32根据在设备维护信息中的零件识别信息和故障模式对于每个零件执行事件树分析(ETA)和故障树分析(FTA)的至少一项，以及得出分析结果。
对于分析结果和其中的每个故障模式，可靠度分析功能32把设备维护信息的故障发生频率、故障征兆现象、和故障原因与装置的识别信息和每个零件的识别信息相联系，因此创建故障诊断DB23。
可靠度分析功能32可以通过诸如FMEA(故障模式效果分析)那样的另外的方法进行分析，而不用ETA和FTA，以及把分析结果存储在故障诊断DB23中。
诊断机40包括风险评估功能41、抗风险措施选择功能42、分析校正功能43、数值仿真功能44、故障分析功能45、和财务计算功能46，如图1所示。
风险评估功能41包括功能41a到41c，如图17所示。
功能41a在装置中发生故障之前参考抗风险措施DB21和风险评估DB22，以及在沿着时间序列在每个装置中故障的情形下，根据故障发生频率和设备停机损失计算总的风险(总的风险估计量和总的维护成本)。图18是显示总的风险计算结果的例子的曲线图。
功能41b参考抗风险措施DB21和风险评估DB22，以及事先根据故障发生频率、措施方法、装置的每个零件的单价、个人数据、和劳力成本单价数据计算在执行措施方法时沿时间序列的维护成本。
功能41c相加沿时间序列的总的风险和维护成本，以及把当得到的总和被最小化时的时间输出为维护周期。
在总的风险的曲线与维护成本的曲线之间的交叉点可被输出为维护周期。
当维护周期被输出时，分析器例如可以掌握应当被保存用于对抗诸如错误发生的事件的现金量。
抗风险措施选择功能42包括功能42a到42c，如图19所示。
功能42a对于装置的每个零件计算在由风险评估功能41输出的维护周期内的维护成本。
功能42b把在多个组合中由功能42a计算的零件的维护成本相加，以及计算多个维护成本候选者。
功能42c选择和输出维护成本候选者之一。为了选择维护成本候选者，例如，可以使用从维护成本候选者中选择相应于在维护周期内在维护预算内最大数量的维护成本候选者的方法。
风险校正功能43根据来自检测装置的状态的传感器43a的输出，校正总的风险，以及输出风险校正结果，如图20所示。
图21是显示总的风险校正结果的例子的曲线图。在图21所示的例子中，由于装置的状态是良好的，总的风险被校正为右面。然而，本发明并不限于图21所示的例子。因为装置的状态是坏的，总的风险可被校正为左面。代替传感器43a，可以使用监视装置或系统的状态的诊断系统。
数值仿真功能44包括计算模型电路44a和仿真器44b，如图22所示。
计算模型电路44a具有对装置和装置的零件的至少一项进行仿真的性能的仿真功能。
仿真器44b包括根据故障模式与指定的装置和装置的指定的零件的至少一项驱动计算模型电路44a与估计故障模式的故障征兆现象的功能441，以及把估计的故障征兆现象写入故障诊断DB23的功能442。
在接收产品名称、零件名称、和故障名称后，故障分析功能45把它们与诊断DB20中的输入信息作对比，以及根据过去的记录搜索和输出故障原因和故障征兆现象。
财务计算功能46包括功能46a到46c、LCC(工作周期成本)功能46d、和财务计算模型46e，如图23所示。
功能46a把由风险评估功能41计算的总的风险和维护成本写入内部存储器461。
功能46b启动财务计算模型46e，它使用NPV(纯现在的数值)方法和IRR(内部返还率)方法的至少一项。
功能46c根据财务计算模型46e参考内部存储器461和其中事先存储折扣率的外部组织DB462。
LCC功能46d在财务计算模型46e下，设置通过参考内部存储器461和外部组织DB 462而得到的总的风险、维护成本、和折扣率，计算在装置的全部工作周期内的运行成本，以及输出得到的运行成本。
接着描述具有上述的安排的维护支持设备1的运行。
(数据库创建)诊断DB创建单元30提取对于在诊断机40中进行数据处理所必须的、想要的数据项目，以及把它们归类和校正成想要的数据格式。
更具体地，诊断数据库创建单元30使得数据提取功能31从设备维护信息DB10提取要受到维护支持的装置的型号名称和类型、装置的零件的名称和类型、装置和零件的工作日、故障发生日、故障接收日、恢复日、用户名称、场地名称、装置安装环境条件、故障模式、每个故障模式的发生频率、故障原因、故障征兆现象、MTBF、MTTF、对于维护所需要的时间、必须的人数、劳力成本的单价、客户侧设备停机损失、和修理零件与材料的数量与单价。然后，诊断数据库创建单元30创建风险评估DB22和抗风险措施DB21，如图3到6所示。
为了创建数据库，例如，可以使用如图4和6所示的、规定主要关键项目和编辑每个项目的方法。为了运行方便起见，所有的DB21到23优选地被创建为容易添加和/或校正数据的关系数据库。
接着，诊断数据库创建单元30使得可靠度分析功能32根据DB21和22创建故障诊断DB21和22，如图7所示。更具体地，可靠度分析功能32按照图9所示的程序过程产生数据库信息。
首先，可靠度分析功能32把目标模型或产品发展为零件，如图10所示。因此，装置的构成单元变得很清楚。
可靠度分析功能32对于发展的零件分析与故障模式、故障模式的发生次序、和事件因果关系有关的主要零件。因此，可靠度分析功能32创建如图11所示的事件树(ET)和如图12所示的故障树(FT)。
在通过研究故障原因来管理风险的方法中，事件树适用于原因分析，以及故障树适用于过程分析。
可靠度分析功能32从DB21和22中的数据分析故障模式。更具体地，从抗风险措施DB21和风险评估DB22对于每个零件提取的故障记录根据故障模式被分类，以及计算对于每个故障模式的发生频率。
根据事件树分析和故障树分析的结果的至少一项和在分析结果中的每个故障模式，可靠度分析功能32把设备维护信息的故障发生频率、故障征兆现象、和故障原因与装置的识别信息和装置的每个零件的识别信息相联系，由此创建故障诊断DB23。
随后，可靠度分析功能32重新安排沿时间序列的得到的故障发生频率，以及根据数据创建如图14所示的累积危害函数。累积危害函数H(t)是通过积累在
之间沿时间序列的故障率λ(t)而得到的数值以及被给出为H(t)=∫0tλ(x)dx...(1)]]>其中t是从在工作开始日与故障发生日之间的周期得到的运行时间。令Ni是紧接在故障时间ti之前的剩余的计数值。如果Ni足够大，则累积危害函数H(t)可以通过下式近似得到H(t)=Σ1Ni...(2)]]>累积危害函数H(t)和不可靠度F(t)存在由下式给出的关系F(t)＝1-exp{-H(t)} ...(3)可靠度分析功能32估计如图15所示的不可靠度，从估值结果计算可靠度函数R(t)＝1-F(t)，计算如图所示的故障发生概率密度函数f(t)，以及把F(t)、R(t)、和f(t)写入故障诊断DB23。
对于事件树分析结果和故障树分析结果的至少一项的每个节点，可靠度分析功能32计算在故障事件的情形下故障修理成本和设备停机损失，以及把计算结果写入风险评估DB22。故障修理成本是通过例如修理部分材料单价×修理部分材料数量+劳力成本单价×必须的人数×需要的时间而被计算的。设备停机损失是通过设备停机的单位时间的损失×需要的时间而被计算的。
可靠度分析功能32可以通过计算和统计分析来自设备维护信息DB10中的设备维护信息的每个装置或系统的恢复时间的分布、维护接受领先时间、将来的时间、或修理时间。当可靠度分析功能32按照想要的数据内容事先被编程时，可以提取这种索引数据。
通过上述的运行，诊断DB20的创建结束。
(风险评估)诊断机40参考通过上述的运行创建的诊断DB20，以及执行各种计算和判决。
首先描述由风险评估功能41进行的风险评估。
诊断机40使得风险评估功能41对于在如图24所示的故障树的节点中描述的各个事件计算在时间t的分析估计量。
每个分析估计量是通过把“故障修理成本或由设备停机造成的成本”乘以“不可靠度F(t)”而得到的。风险评估功能41将对于每个事件树或故障树的各个风险估计量相加，得到总的风险作为每个装置或系统的总的风险估计量。
在图18所示的曲线图中，横坐标代表维护周期(周期)，以及纵坐标代表总量。总的风险与维护周期成比例地增加，因为用于计算的不可靠度随时间增加。
另一方面，维护成本与维护周期成比例地减小，因为当维护周期的时间量增加时成本增加。
风险评估功能41把总的风险的上升的曲线与维护成本的下降的曲线相加，得出总的维护成本。风险评估功能41然后设置维护周期，以使得总的维护成本被最小化。
在总的风险超过维护成本时的周期中，风险评估功能41可以把维护周期设置为任意时间(例如，在维护成本最小化周期后k天的时间)。
如上所述，风险评估功能41确定最佳检验周期或更换时间，以及设置维护周期。
(抗风险措施的选择)接着，诊断机40使得抗风险措施选择功能42根据由风险评估功能41得到的结果选择抗风险措施。抗风险措施是通过考虑故障树分析的层的每个节点的风险的大小和用户的维护预算以及组合呈现预算内的最大效果的节点而被选择的。
更具体地，抗风险措施选择功能42对于装置的每个零件计算在由风险评估功能41输出的维护周期的维护成本，把在多个组合中的零件的维护成本相加，以及计算多个维护成本候选者。
抗风险措施选择功能42选择和输出维护成本候选者之一。为了选择维护成本候选者，从维护成本候选者中选择在维护周期内相应于维护预算内的最大量的维护成本候选者。
例如，假设故障树分析分级结构的风险包括3，5，9，6，和7的节点，以及维护预算是11。在这种情形下，得到四个组合{3，5}，{3，6}，{9}，和{5，6}作为在预算内可执行的抗风险措施的组合。可以以最大值利用预算的组合是{5，6}。在这种情形下，抗风险措施选择功能42从抗风险措施DB21读出抗风险措施{5，6}，以及输出它们。
当在同一个故障树分析分级结构中维护预算是16时，两个组合{7，9}和{5，6，7}可以以最大值利用预算。
在这种情形下，可以通过例如反映由分析器对于每个节点设置的优先权而确定措施。
抗风险措施选择功能42也有理化局部交换周期和程序检验周期。在这种情形下，通过使用由可靠度分析功能32计算的、对于每个故障模式的故障发生概率密度函数，抗风险措施选择功能42在故障发生概率密度函数f(t)超过预定的水平之前确定装置使用时间，以及输出推荐的部分交换周期。
对于诸如通过TBM(基于时间的维护)被维护的电梯那样的装置，抗风险措施选择功能42输出可以使得由风险评估功能41计算的总的风险最小化的周期作为维护周期。
(风险校正)
如图21所示，风险校正功能43引用CBM(基于条件的维护)。更具体地，除了正常的TBM以外，风险校正功能43通过使用传感器43a监视用于装置或零件的恶化的准则，确定装置或零件的状态，以及根据在区内的记录确认故障概率是否超过时间移位。
例如，假设开关装置的局部放电的电荷量Q被设置为用于故障的准则，其Q的最大值Qmax超过100[pC]的开关装置被规定为有缺陷的零件，以及从故障发生的次数的时间依赖性得出故障概率。
在故障概率统计中，通常，当故障概率增加时，每个开关装置的局部放电的电荷量Q紧接在预定的周期之前逐渐增加。然而，如果恶化缓慢地进行，则即使在预定的周期后电荷量Q也完全不增加。如果恶化快速地进行，则在预定的周期之前电荷量Q增加到几乎100[pc]。
当恶化如上所述地缓慢地或快速地进行时，风险校正功能43校正风险。改变恶化的进行的因子的例子是零件之间的特性变化和在装置安装环境的变化。
风险校正功能43通过使用诊断工具，诸如用于基于条件的维护的绝缘恶化诊断系统，测量在想要的时间的装置或零件的状态，以及通过校正故障发生概率密度函数而校正风险。
风险校正功能43除了使用绝缘恶化诊断系统以外，还可以通过使用相应于装置或零件的CBM工具，诸如用于HDD的承载声音诊断系统或用于电路板或电容的介质损耗tanδ测量系统，来校正风险。
(数值仿真)在数值仿真功能44中，模型参考仿真器44b通过分析器的运行选择用于每个装置或零件的计算模型电路44a，如图22所示。
另外，根据电路模型的输入与输出条件和指定的装置或零件的指定的故障模式，仿真器44b从故障诊断DB23读出故障模式的故障原因，加到选择的计算模型电路44a。
根据得出的故障原因，仿真器44b启动计算模型电路44a和估计故障原因的故障征兆现象。
对于例如选择地供应从能量变换元件(诸如太阳能电池)得到的电能或来自电容的功率到负载的装置，数值仿真功能44仿真加到能量变换元件的时间序列输入和相应于输入的时间序列负载输出，以及同时地用于电路平衡的切换运行，估计电容器的充电/放电特性，估计在故障之前电容器与能量变换元件的性能，以及估计故障征兆现象。
估计的故障征兆现象被写入故障诊断DB23。
按照数值仿真功能44，可以实施没有记录在区中的故障模式以及对于新产品的故障分析和错误确定。因此，可以减小风险。
(故障分析)当产品名称、零件名称、和故障模式通过分析器的运行被输入时，故障分析功能45把它们与诊断DB20中的输入信息进行对比，根据过去的运行记录搜索故障诊断DB23寻找故障原因和故障征兆现象，以及输出它们。对于没有过去记录的新的故障事件，故障分析结果或问题分析结果被登记在诊断DB20中，以便更新它，由此提高故障原因搜索的命中比。
(财务计算)财务计算功能46把由风险评估功能41得到的、总的风险与维护成本写入内部存储器461，以及通过使用NPV方法或IRR方法启动财务计算模型46e。
在NPV方法中，从当前的时间到将来的总的现金流量用现在的数值代替，这样，总的成本(现金输出流)的现在的数值可以直接与收益(现金输入流)的现在的数值相比较。
更具体地，基金的“收益”和“成本”完全用“现在的数值”代替，以及计算它们的和值。然后，正的和负的数值互相抵销。剩余的量表示根据现在的数值的返还的量。NPV表示这个返还的量。
也就是，NPV＝[现金输入流现在的数值]+[现金输出流现在的数值]。NPV的总的表示式被给出为
NPV=C0+C1(1+R1)+C2(1+R2)2+···+Cn(1+Rn)n]]>=Σi=0nCi(1+Ri)i...(4)]]>Ci在i周期的现金流量Ri在i周期加到评估的折扣率折扣率Ri是从外部组织DB462，诸如政府或保险公司，读出的。折扣率Ri优选地被设置为现实的数值。
按照使用NPV方法的财务计算模型46e，当总的成本(Ci)是通过把工作周期内维护成本与总的风险相加而被计算，以及总的风险全部用现在的数值替代时，维护成本与抗风险措施可被规划成使得现在的数值最大化。
另一方面，当IRR被使用于财务计算时， Ci在i周期的现金流量RiIRR在IRR方法中使用的内部返还率(相应于折扣率)是“预定的利率”。在NPV方法中的折扣率Ri是相应于一个周期的“参考利率”，以及对于每个周期是改变的。
因此，在IRR方法中，用于投资的利率(返还率)被控制为一个值，要被评估的现金流量不相应于用于重新投资或的流行的比值的改变。为此，要被使用的方法，即，IRR方法或NPV方法，是由分析器按照优先权组进行确定的。
财务计算功能46根据选择的财务计算模型46e参考内部存储器461和外部组织DB462。
财务计算功能46在财务计算模型46e中设置在内部存储器461中的总的风险、在外部组织DB462中的维护成本、和折扣率，以及计算在装置的工作周期内的运行成本。
如上所述，在本实施例中，诊断DB20是根据设备维护信息的数据提取(区寿命数据)和可靠度分析被创建的。为此，可以根据可靠性理论完成风险评估，以及可以支持电子装置的检验、维护、和更换的最佳化。
在本实施例中，诊断机40参考风险评估DB22和抗风险措施DB21。诊断机40对于每个装置沿时间序列计算在故障的情形下的总的风险(风险估计量)和当对于每个装置执行措施时的维护成本，以及沿时间序列相加总的风险和维护成本。因此，可以计算每个装置的最佳的维护周期。
当在装置中发生故障时，诊断机40可以通过根据故障模式和诸如产品名称和装置的零件名称的识别信息参考考故障诊断DB23而根据运行记录分析除长期改变外的故障。因此，可以定制用于每个零件或装置的维护方法。
在本实施例中，维护支持设备1的安排被设计供通用目的使用。另外，在本实施例中，设备维护信息的登记方法被设计供通用目的使用。为此，当需要足够的区记录数据时，可以在很宽的范围内对于装置或系统实施风险评估和故障诊断。装置的设计者可以通过参考风险评估和故障诊断而提高产品的可靠度。
在本实施例中，诊断DB20是关系数据库。为此，容易实施数据的相关、附加、和管理，以及可以保存设备维护信息的可靠度。
当可靠度分析功能32根据风险评估DB22和抗风险措施DB21计算装置或系统恢复时间、维护接受领先时间、故障时间修理时间等时，在故障或问题的情形下可以搜索恢复时间的主要因素。因此，可以提取改进的因素以便更快速的采取措施。
图25是显示按照第一实施例的维护支持设备1的处理的例子的流程图。
在步骤S1，维护支持设备1的诊断数据库创建单元30创建风险评估DB22。
在步骤S2，诊断数据库创建单元30创建抗风险测量DB21。
在步骤S3，诊断数据库创建单元30执行事件树分析和故障树分析的至少一项，以得到分析结果。
在步骤S4，诊断数据库创建单元30根据分析结果创建故障诊断DB23。
步骤S1到S4的处理次序可以自由改变，只要步骤S3在步骤S4之前执行。步骤S1、步骤S2、和步骤S3与S4可以并行执行。
在步骤S5，维护支持设备1的诊断机40在零件发生故障的情形下沿时间序列计算风险估计量。
在步骤S6，诊断机40在事先对于执行措施时沿时间序列计算维护成本。
在步骤S7，诊断机40沿时间序列相加风险估计量和维护成本，以及输出在和值是最小化时的时间，或在风险估计量与维护成本之间的交截点的时间作为维护周期。
在步骤S8，诊断机40确定零件中是否出现故障。如果在步骤S8中是否的话，处理过程结束。
在步骤S9，当在零件中出现故障时，诊断机40参考故障诊断DB23，以及输出故障原因和故障征兆现象的至少一项。
在本实施例中，通过诊断机40，除了上述的最佳维护周期计算以外，还可以得到下面描述的各种效果。
例如，抗风险措施选择功能42计算在维护周期的多个维护成本候选者，以及选择地输出维护成本候选者之一。因此，可以选择可以呈现在用户的维护预算中最大效果的抗风险措施。
在本实施例中，风险校正功能43按照来自传感器43a或监视目标装置或系统的状态的诊断系统的输出在线地校正从设备维护信息计算的风险。因此，可以计算其中风险的时间序列改变相对于目标装置的周期性负载情形被扰动的情形。由于考虑到扰动可以选择维护时序或风险减小方法，可以提高装置或系统的可靠度。
在本实施例中，数值仿真功能44对于可被建模为计算模型电路44a的故障事件估计故障征兆现象。因此，当传感器等监视到在维护目标装置中决不发生的故障征兆现象时，可以避免发生问题或错误。
当型号名称、零件名称、和故障名称被输入到诊断机40时，可以通过使用按照本实施例的故障分析功能45，快速估计想要的故障现象的发生概率、原因、征兆现象等等。
当使用按照本实施例的财务计算功能46的财务计算模型46e和LCC功能46d时，不单可评估装置的寿命还可评估在设备工作周期中长期工作周期成本。所以，可以定量地给出成本有效性。
(第二实施例)在本实施例中，将描述实施按照第一实施例的可靠度分析功能32的可靠度分析程序。
按照本实施例的可靠度分析程序根据包含装置故障信息、交换信息、和从装置运行场所反馈的更换信息的设备维护信息和包含装置设计信息的装置货运现象风险装置的可靠度。
在本实施例中，可靠度分析程序可以对于各种单元，诸如装置、产品、产品型号、零件、零件型号、装备、系统、设备、产品类型、零件类型、和工场设备，执行可靠度分析。
例如，按照本实施例的可靠度分析程序提取数据用于想要的项目的组合，诸如作为装置识别信息的例子的产品型号、零件型号、和类型，以及作为装置客户识别信息的例子的工业类别和客户名称。然后，可靠度分析程序对于数据提取结果计算故障发生概率密度函数和不可靠度函数。
图26是显示按照本实施例的可靠度分析程序的例子的方框图。在本实施例中，主要描述对于被包括在产品中的每个零件执行的可靠度分析。这也可以应用于对于另外的装置单元(例如，系统、设备、产品类型、或零件类型)执行的可靠度分析。
可靠度分析程序50被记录在记录媒体51上。可靠度分析程序50被装载到诊断数据库创建单元30的计算机52，以及被执行来实施信息提取功能53、数目运算功能54、分析功能55和管理功能56。
信息提取功能53从由设备维护信息DB57管理的设备维护信息58中提取由1输入设备52a指定的、对于可靠度分析所必须的项目的数据，以及创建设备维护提取信息59。例如，信息提取功能53按照想要的项目的组合，诸如工业类别、客户名称、系统名称、设备名称、型号名称、故障部分、故障模式、故障发生日、传递日、故障发生时间、故障原因、零件名称、类型、和有缺陷的板名称等，执行搜索和滤除设备维护信息58，以便只提取必要的信息和创建设备维护提取信息59。
图27是显示设备维护提取信息59的例子的图。
参考图27，包含与项目“工业类别”、“客户名称”、“系统名称”、“设备名称”、“故障部分”、“故障模式”、“故障发生日”、“传递日”、“故障发生时间”、“故障原因高级分类”、“零件名称”、和“类型”有关的信息的设备维护提取信息59是根据设备维护信息58创建的。
例如，在设备维护提取信息59中的“故障发生时间”的数值是通过(故障发生日-传递日)×24[小时]而得到的。
信息提取功能53从由货运信息DB60管理的货运信息61中提取由输入设备52a指定的、对于可靠度分析所必须的项目的数据，以及创建货运提取信息62。
图28是显示货运提取信息62的例子的图。
货运提取信息62包含与项目“产品名称”、“装置类型”、“零件名称”、“零件类型”、“货运日期/时间(传递日期/时间)”、“货运单元的数目”、和“客户名称(传递目的地或货运目的地)”有关的信息。
在本实施例中，设备维护提取信息59和货运提取信息62通过使用DB63被管理。设备维护提取信息59和货运提取信息62通过使用统一的格式被管理和被由不同的部门共享。因此，设备维护提取信息59和货运提取信息62的数据管理、数据分析、和解译可以集中进行。
为了从设备维护信息58创建设备维护提取信息59或从货运信息61创建货运提取信息62，优选地通过使用下拉菜单选择各个信息段，以保持它们的可靠度。通过分析器的人工输入不是优选的。
DB63可以是包括图27或28所示的所有的项目的完备数据库。为了运行方便起见，DB63可被形成为容易添加和校正信息的关系数据库。
数目运算功能54根据货运提取信息62得到对于每个要被货运到同一个客户的零件的货运单元的数目。数目运算功能54把包含要被货运到同一个客户的零件的数目的信息的数目信息64记录在DB63。
例如，数目运算功能54根据设备维护提取信息59和货运提取信息62得到对于在设备维护提取信息59中的每个零件的要被货运到同一个客户的单元的数目。
在本实施例中，为了详细地执行分析，数目运算功能54包含根据设备维护提取信息59和货运提取信息62在同一周期货运到同一客户的每个零件的一定数目Ni的货运单元(数目参数)，并在DB63中记录包含客户名称、货运周期和一定数目Ni的货运零件的数目信息64。
当货运的装置包括多个同一个类型的板和多个同一个类型的零件时，数目运算功能54通过使用把货运装置的数目乘以在每个装置中所包括的板的数目所得到的数目而得到货运的板的数目，以及通过使用把货运装置的数目乘以在每个装置中所包括的零件的数目所得到的数目而得到货运的零件的数目。
数目运算功能54可以直接使用设备维护信息58而代替设备维护提取信息59或可以直接使用货运信息61而代替货运提取信息62。
分析功能55执行各种可靠度分析处理。
分析功能55根据设备维护提取信息59和数目信息64得到在同一个周期在对于要被货运到同一个客户的零件的可靠度分析时间之前的有缺陷的零件的数目。
分析功能55还根据在货运的零件数目与有缺陷零件的数目之间的差值，得到在同一个周期被货运到同一个客户和当前正在场地无任何故障正常地工作的、无缺陷的零件的数目。
为了计算例如故障比，分析功能55得出实际上具有故障的有缺陷的零件的数目对在同一个周期被货运到同一个客户的零件的数目的比值。
分析功能55根据设备维护提取信息59和数目信息64从分析日期/时间与货运日期/时间之间的差值计算在场所处的正常的工作时间，以及使用计算的时间作为一种临时丢弃数据。
因此，分析功能55可以执行包括 的累积危害分析而同时正确掌握被货运到场所的零件(数目)的数目。结果，在本实施例中，防止场所处的故障概率被计算为大于零件的实际的故障概率，不像只根据与发生故障的零件有关的信息得到场所处的故障概率的情形。因此，可以完成更加精确的分析。
分析功能55把代表可靠度分析处理过程的结果的可靠度分析信息65记录在可靠度分析信息DB66。
图29是显示可靠度分析信息65的第一例的图。
参考图29，累积危害表作为可靠度分析信息65被创建。在可靠度分析信息65中，识别客户的客户名称、代表的零件识别信息、当零件中发生故障时的故障时间或当零件中没有发生故障时的正常工作时间、当零件中发生故障时取数值“1”或当零件中没有发生故障时取数值“0”的σi、在同一个周期被货运到同一个客户的零件的数目Ni、1/Ni、累积危害函数H(t)的数值、可靠度函数R(t)的数值、和不可靠度函数F(t)的数值被互相联系。即使对于其他客户，可靠度分析信息65也以与图29所示的相同的格式被管理。
在本实施例中，H(t)被给出为H(t)＝∑σi/Ni ...(6)在公式(6)中，在数目中有缺陷的零件的数目是对于在同一个周期被货运的相同的类型的累积被计算的。
可靠度函数R(t)和不可靠度函数F(t)被给出为R(t)＝exp(-H(t)) ...(7)F(t)＝1-R(t) ...(8)可以引用Weibull函数，即，经常被使用于可靠度分析的分布函数。
更具体地，从公式(6)和(8)得出LnH(t)＝-Ln(Ln(1-F(t)))以及把它应用到Weibull累积危害函数。通过在两个对数曲线图上的线性近似，根据下式规定了常数η和mH(t)＝(t/η)m...(9)LnH(t)＝mLnt-mLnη ...(10)当引用Weibull函数时，可以使用很宽范围的工作数据，这样，根据数值m可以知道搜索的数据的故障图案。也就是，可以知道故障图案是早先的故障类型(m＜1)、偶然类型(m＝1)、还是研磨类型(m＞1)。
故障发生概率密度函数f(t)是通过使用创建的不可靠度函数数据的“故障事件”和“F(t)”被计算的。例如，f(t)是通过得出每个故障发生周期T的F(t)的最大值(F(nT)Maxn是正整数)和从当前的部分减去以前的部分中的最大值(f(t)＝F(nT)-F((n-1)T)，对于F(0)＝0)而被计算的。
另外，分析功能55对于包含有故障的零件和没有故障的零件的数目自动创建故障发生概率密度函数和故障发生频率分布，以及把包含创建的结果的可靠度分析信息65存储在可靠度分析信息DB66。可靠度分析信息DB66按照例如SQL(结构的询问语言)运行。
在项目组合被选择后，分析功能55对于由信息提取功能53提取的想要的项目的每个组合，快速地自动生成累积危害函数、可靠度函数、不可靠度函数、故障发生概率密度函数、和Weibull函数。因此，可以在短时间创建视觉上优秀的可靠度分析信息65。
假设可靠度分析结果随零件的使用位置而改变，即使同一个工业类别或客户，分析功能55根据工业类别或客户名称接入使用环境DB67，读出代表零件的用户环境的环境信息68，以及根据环境信息68对于零件的不可靠度或故障概率分布执行加权校正。
分析功能55也执行故障信息反馈到零件的可靠度、在对付问题时的故障原因诊断、故障趋势分析、和故障发生概率密度函数导出，用于更换目的。
管理功能56搜索可靠度分析信息65的指定的信息，以及使得输出设备52b按照输入设备52a的运行显示找到的信息。
管理功能56也从可靠度分析信息65中提取预定的想要的信息以及使得输出设备52b显示找到的信息。
分析器根据在输出设备52b上显示的信息把每个零件的故障发生趋势和故障原因的改变提供给零件的用户。
图30是显示按照第二实施例的分析功能的处理的例子的流程图。
在步骤T1，分析功能55只根据具有故障的零件通过使用包含具有故障的零件和没有故障的、正在正常工作的零件的数目而分析故障模式发生频率，而不得出工作时间或不可靠度。
在步骤T2，分析功能55通过使用数目执行累积危害函数近似。在步骤T3，分析功能55通过使用数目计算不可靠度函数。在步骤T4，分析功能55通过使用数目计算故障发生概率密度函数。
图31是显示可靠度分析信息65的第二例的曲线图。图31显示在零件工作时间与不可靠度F(t)之间的关系。在本实施例中，根据包含具有故障的零件和没有故障的、正在正常工作的零件的数目而不是只使用具有故障的零件作为数目，而得到不可靠度。因此，可以防止不可靠度的数值变为太大。
如果只通过使用具有故障的零件作为数目而得到不可靠度，则不可靠度的数值变得不现实地那样大，如图32所示。
图33是显示可靠度分析信息65的第三例的图。图33显示在零件工作时间与故障概率密度f(t)之间的关系。图33显示对于每个有缺陷的零件的故障概率的改变。即使在图33上，故障概率密度是根据包含具有故障的零件和没有故障的、正在正常工作的零件的数目而不是只使用具有故障的零件作为数目，而得到的。因此，可以防止故障概率密度数值变为太大。
如果只通过使用具有故障的零件作为数目而得到故障概率密度，则故障概率密度的数值变得不现实地那样大，如图34所示。
如上所述，按照本实施例，可以比起只根据有缺陷的零件得到更加精确的实际工作时间。另外，可以比起只根据有缺陷的零件得到更加精确的实际的不可靠度和故障概率密度。
因此，可以防止零件维护在只根据实际的有缺陷的零件得到的不适当的短的周期执行。因此，可以避免在不适当的短的周期的零件交换。
在上述的实施例中，设备维护信息58和货运信息61被合并在一起。可靠度是通过使用包含在场所发生故障的零件和在场所正在工作的零件的数目以及至今为止在数目中的故障记录被分析的。
因此，故障概率是通过不单使用故障事件也使用在场所工作的零件的存活的工作信息被计算的。因此，可以根据在场所的实际的故障条件评估装置可靠度。
也就是，在本实施例中，可以通过使用相应于区故障数据的设备维护信息58和货运信息61，而提高可靠度分析的精度。分析运行序列可以在短时间内自动执行。
在本实施例中，设备维护信息58的项目包括工业类别、客户名称、系统名称、设备名称、型号名称、故障部分、故障模式、故障发生日、传递日、故障发生时间、故障原因、零件名称、类型、和有缺陷的板名称等。
因此，设备维护信息58可被用作为用于很宽的范围中的装置，诸如控制设备、计算机、高压装置、各种元件、和类型的可靠度分析的通用格式。
在本实施例中，货运信息61包含每个产品的货运记录信息，和各种装置的设计信息，诸如被包括在每个产品中的每个零件的类型，以及每种类型的总量计数信息。
因此，在每种产品型号中引用的零件数变得很清楚，以及存活的工作的零件的数目可以精确地计算。
在本实施例中，可靠度分析信息65是根据设备维护信息58和货运信息61被创建的。为此，可以自动分析累积危害函数。
在本实施例中，对于设备维护信息58的想要的项目的组合执行信息搜索和过滤，以使得只提取必须的信息段。另外，在本实施例中，对于可靠度分析信息65的想要的项目的组合执行信息搜索和过滤，以使得只提取必须的信息段。
为此，可靠度分析器可以自由地提取故障信息，以便向客户以建议零件更换，或提取想要的信息，诸如对于每个零件故障发生趋势和故障原因的改变。可靠度分析器可以执行故障信息反馈、在对付问题时的故障原因诊断、故障趋势分析、和故障发生概率密度函数导出，用于更换目的。
在本实施例中，在选择想要的项目的组合后，对于选择的组合快速地自动地生成累积危害函数、不可靠度函数、和故障概率密度函数。因此，在短时间内可以得到可看见的可靠度分析结果。
在本实施例中，根据工业类别或客户名称参考环境信息68，得出每个零件的用户环境。对于每个零件的不可靠度的分布或故障概率密度函数完成根据环境信息68的加权校正。因此，即使对于同一个工业类别或客户，可以得到随零件工作地点而改变的可靠度分析结果。
在上述的每个实施例中，设备维护信息有时被称为装置维护信息、问题报告、区寿命数据、或区记录数据。
在本实施例中，即使信息段的项目名称是不同的，它们可能是有联系的，只要项目表示相同的意义。例如，项目“客户名称”和项目“货运目的地”可被识别为代表单个事物。在项目之间的这样的关系可以例如在表中被管理。
在本实施例中，t被规定为装置、零件、板、产品、或系统的工作时间。当装置中发生故障时，标记σ是1，或当发生错误时是0。标记σ是识别号，它表示装置、零件、电路板、产品、或系统是有缺陷的单元还是无缺陷的单元。
在本实施例中，实际上，从数据计算H(t)，以便计算不可靠度或故障概率密度。在按照本实施例的可靠度分析方法中，故障率由λ(t)＝f(t)/R(t)给出。
例如，可以使用磁盘(例如，软盘或硬盘)、光盘(例如，CD-ROM或DVD)、磁光盘(MO)、或半导体存储器作为根据上述实施例的存储媒体2或51。
存储媒体2或51可以采用任何存储格式，只要它是能够存储程序2a或50的计算机可读的媒体。
在计算机上运行的、诸如数据库管理软件或网络软件那样的OS(操作系统)或MW(中间部件)可以执行每个处理的部分，以便根据从存储媒体2或51到计算机的安装的程序2a或50的指令实施上述的实施例。
按照上述的实施例的存储媒体2或51不一定总是与计算机无关的媒体，而是可包括下载或临时存储通过LAN或互联网发送的程序2a或50的存储媒体。
存储媒体2或51不一定总是只包括一个媒体。本发明也包括其中从多个媒体执行上述的实施例的处理的情形。媒体可以采用任意结构。
在上述的实施例中，计算机根据被存储在存储媒体2或51的程序2a或50执行按照实施例的每个处理，以及可包括单个设备，诸如个人计算机或通过网络连接多个设备构建的系统。
按照上述的实施例的计算机不限于计算机，它也可以包括运算处理设备或被包括在信息处理设备中的微计算机。单字“计算机”被用作为对于能够按照上述的实施例实施功能的装置和设备的通用术语。
本发明不限于上述的实施例，以及在实践本发明时可以对于组成单元作出各种改变和修正而不背离本发明的精神和范围。另外，通过适当地组合在上述的实施例中公开的多个组成单元，可以形成各种发明。例如，在上述的实施例中公开的所有的组成单元的某些单元可被省略。不同的实施例的组成单元可被适当地组合。
权利要求
1.一种维护支持方法，它使得数据库创建单元(30)和诊断机(40)根据设备维护信息(10)支持装置的维护，以管理包含装置的工作记录、故障记录和更换记录的运行记录，其特征在于包括使得数据库创建单元(30)创建风险评估数据库(22)，在该数据库中与被包含在设备维护信息(10)中的工作记录有关的“装置零件单价”、“维护人员数据”、“劳力成本单价数据”、和“对于故障模式的设备停机损失”以及与故障记录有关的“故障模式”和“故障发生频率”是与装置的识别信息相联系的(S1)；使得数据库创建单元(30)创建抗风险措施数据库(21)，在该数据库中与被包含在设备维护信息(10)中的故障记录有关的“故障模式”以及与更新记录有关的“对于故障模式的措施方法”是与装置的识别信息和装置的每个零件的识别信息相联系的(S2)；使得数据库创建单元(30)根据装置的每个零件的识别信息和被包含在设备维护信息(10)中的故障模式对装置的每个零件执行事件树分析与故障树分析的至少之一并得到分析结果(S3)；使得数据库创建单元(30)创建故障诊断数据库(23)，在该数据库中对于分析结果和在分析结果中的每个故障模式，被包含在设备维护信息(10)中的“故障发生频率”、“故障征兆现象”、和“故障原因”是与装置的识别信息和装置的每个零件的识别信息相联系的(S4)；使得诊断机(40)在装置中发生故障之前参考风险评估数据库(22)和抗风险措施数据库(21)，以及根据故障发生频率和设备停机损失沿时间序列计算在每个装置发生故障的情况下的风险估计量(S5)；使得诊断机(40)在装置中发生故障之前参考风险评估数据库(22)和抗风险措施数据库(21)以及事先根据故障发生频率、措施方法、装置零件单价、人员数据、和劳力成本单价数据沿时间序列计算在执行用于每个装置的措施方法时的维护成本(S6)；使得诊断机(40)输出通过将风险估计量和维护成本沿着时间序列相加而得到的和被最小化的时间点作为维护周期(S7)；以及使得诊断机(40)在装置中发生故障时根据装置的识别信息和故障模式参考故障诊断数据库(23)(S8)以及输出作为参考的结果得到的故障原因和故障征兆的至少一项(S9)。
2.一种维护支持设备(1)，包括数据库创建单元(30)和诊断机(40)，根据设备维护信息(10)支持装置的维护，以管理包含装置的工作记录、故障记录和更换记录的运行记录，数据库创建单元(30)其特征在于包括创建风险评估数据库(22)的部分(31b)，在该数据库中与被包含在设备维护信息(10)中的工作记录有关的“装置零件单价”、“维护人员数据”、“劳力成本单价数据”、和“对于故障模式的设备停机损失”以及与故障记录有关的“故障模式”和“故障发生频率”是与装置的识别信息相联系的；创建抗风险措施数据库(21)的部分(31a)，在该数据库中与被包含在设备维护信息(10)中的故障记录有关的“故障模式”以及与更新记录有关的“对于故障模式的措施方法”是与装置的识别信息和装置的每个零件的识别信息相联系的；根据装置的每个零件的识别信息和被包含在设备维护信息(10)中的故障模式对装置的每个零件执行事件树分析与故障树分析的至少之一并得到分析结果的部分(32b)；以及创建故障诊断数据库(23)的部分(32c)，在该数据库中对于分析结果和在分析结果中的每个故障模式，被包含在设备维护信息(10)中的“故障发生频率”、“故障征兆现象”、和“故障原因”是与装置的识别信息和装置的每个零件的识别信息相联系的，以及诊断机(40)，包括在装置中发生故障之前参考风险评估数据库(22)和抗风险措施数据库(21)以及根据故障发生频率和设备停机损失沿时间序列计算在每个装置发生故障的情况下的风险估计量的部分(41a)；在装置中发生故障之前参考风险评估数据库(22)和抗风险措施数据库(21)以及事先根据故障发生频率、措施方法、装置零件单价、人员数据、和劳力成本单价数据沿时间序列计算在执行用于每个装置的措施方法时的维护成本的部分(41b)；输出通过将风险估计量和维护成本沿时间序列相加得到的和被最小化的时间点输出作为维护周期的部分(41c)；以及在装置中发生故障时根据装置的识别信息和故障模式参考故障诊断数据库(23)以及输出作为参考的结果得到的故障原因和故障征兆的至少一项的部分(45)。
3.按照权利要求2的维护支持设备(1)，其特征在于，设备维护信息(10)包含装置的型号名称和类型、装置的每个零件的名称和类型、装置和零件的工作日、故障发生日、故障接受日、恢复日、客户名称、场地名称、装置安装环境条件、故障模式、故障模式发生频率、故障原因、故障征兆现象、在故障之间的平均时间、故障的平均时间、对于目标装置和故障模式的维护方法、维护所需要的时间、所需的人数、劳力成本的单价、客户侧设备停机的每个单位时间的损失、和修理零件与材料的数量与单价。
4.按照权利要求2的维护支持设备(1)，其特征在于，数据库创建单元(30)还包括数据提取部分(31)，从设备维护信息(10)提取需要的信息，以创建风险评估数据库(22)、抗风险措施数据库(21)、和故障诊断数据库(23)，以及可靠度分析部分(32)，执行基于数据提取部分(31)提取的结果的可靠度分析、在故障树分析和事件树分析中的至少一项，和故障概率统计。
5.按照权利要求2的维护支持设备(1)，其特征在于，创建风险评估数据库(22)为每个装置管理装置名称、零件名称、事件或故障名称、事件和故障的概率密度函数、事件和故障的设备停机损失、型号/零件的单价、库存、传递日数据、维护人员数据、劳力成本数据、和客户数据。
6.按照权利要求2的维护支持设备(1)，其特征在于，故障诊断数据库(23)为每个装置管理装置和零件的事件树分析结果和故障树分析结果的至少一项、事件树分析结果和故障树分析结果的至少一项中故障模式的故障发生频率、故障征兆现象、和故障原因。
7.按照权利要求2的维护支持设备(1)，其特征在于，抗风险措施数据库(21)为每个装置管理装置名称、零件名称、型号、型号的部件、故障模式、故障模式的措施方法和过去的措施记录、故障原因、使用环境、和在措施后的运行情形。
8.按照权利要求2的维护支持设备(1)，其特征在于，诊断机(40)还包括计算在维护周期内装置的零件的维护成本的部分(42a)，以多种组合将装置的零件的维护成本相加以计算多个维护成本候选者的部分(42b)，以及选择在维护周期内在维护预算内的最大值的维护成本候选者，以及输出该选择的维护成本候选者的部分(42c)。
9.按照权利要求2的维护支持设备(1)，其特征在于，诊断机(40)还包括仿真部分(44a)，仿真装置和装置的零件的至少一项的行为，估计部分(441)，启动仿真部分(44a)和根据对装置和装置的零件的至少一项和故障模式的诊断估计故障模式的故障征兆现象，以及写入部分(442)，把由估计部分(441)估计的故障征兆现象写入到故障诊断数据库(23)。
10.按照权利要求2的维护支持设备(1)，其特征在于，诊断机(40)还包括把风险估计量和维护成本写入到存储器(461)的部分(46a)，通过使用NPV(当前的净值)方法和IRR(内部返回率)方法启动财务计算模型(46e)的部分(46b)，参考部分(46c)，根据财务计算模型(46e)参考存储器(461)和事先存储折扣率的外部组织数据库(462)，以及在财务计算模型(46e)中设置风险估计量、维护成本、和由参考部分(46c)参考的折扣率以及计算在装置的全部工作周期中的运行成本的部分(46d)。
11.按照权利要求2的维护支持设备(1)，其特征在于，诊断机(40)还包括根据来自检测装置的状态的传感器(43a)的输出校正风险估计量的部分(43)。
全文摘要
在本发明的实施例中，诊断机(40)参考风险评估数据库(22)和抗风险措施数据库(21)，沿时间序列计算在每个装置发生故障的情况下的风险估计量和在事先执行措施方法时的维护成本，以及沿时间序列将风险估计量和维护成本相加，以计算装置的最佳维护周期。当在装置中发生故障时，诊断机(40)根据装置的识别信息和故障模式，参考故障诊断数据库(23)，和根据运行记录分析不同于长期改变的故障。
文档编号G06Q50/10GK1629867SQ20041008212
公开日2005年6月22日 申请日期2004年12月17日 优先权日2003年12月19日
发明者佐佐木惠一, 泽田彰, 小寺繁仁 申请人:株式会社东芝