[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN108510221B - 具有进行库存管理以及预防维护的功能的库存管理系统 - Google Patents

具有进行库存管理以及预防维护的功能的库存管理系统 Download PDF

Info

Publication number
CN108510221B
CN108510221B CN201810168667.0A CN201810168667A CN108510221B CN 108510221 B CN108510221 B CN 108510221B CN 201810168667 A CN201810168667 A CN 201810168667A CN 108510221 B CN108510221 B CN 108510221B
Authority
CN
China
Prior art keywords
failure
characteristic
devices
information
component
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
Application number
CN201810168667.0A
Other languages
English (en)
Other versions
CN108510221A (zh
Inventor
泷川宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fanuc Corp filed Critical Fanuc Corp
Publication of CN108510221A publication Critical patent/CN108510221A/zh
Application granted granted Critical
Publication of CN108510221B publication Critical patent/CN108510221B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/045—Explanation of inference; Explainable artificial intelligence [XAI]; Interpretable artificial intelligence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • H01S3/10—Controlling the intensity, frequency, phase, polarisation or direction of the emitted radiation, e.g. switching, gating, modulating or demodulating
    • H01S3/13—Stabilisation of laser output parameters, e.g. frequency or amplitude
    • H01S3/131—Stabilisation of laser output parameters, e.g. frequency or amplitude by controlling the active medium, e.g. by controlling the processes or apparatus for excitation
    • H01S3/1312—Stabilisation of laser output parameters, e.g. frequency or amplitude by controlling the active medium, e.g. by controlling the processes or apparatus for excitation by controlling the optical pumping
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • H01S3/10—Controlling the intensity, frequency, phase, polarisation or direction of the emitted radiation, e.g. switching, gating, modulating or demodulating
    • H01S3/13—Stabilisation of laser output parameters, e.g. frequency or amplitude
    • H01S3/131—Stabilisation of laser output parameters, e.g. frequency or amplitude by controlling the active medium, e.g. by controlling the processes or apparatus for excitation
    • H01S3/1317—Stabilisation of laser output parameters, e.g. frequency or amplitude by controlling the active medium, e.g. by controlling the processes or apparatus for excitation by controlling the temperature
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • H01S3/23—Arrangements of two or more lasers not provided for in groups H01S3/02 - H01S3/22, e.g. tandem arrangements of separate active media
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • H01S3/0014—Monitoring arrangements not otherwise provided for
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • H01S3/02—Constructional details
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • H01S3/02—Constructional details
    • H01S3/04—Arrangements for thermal management
    • H01S3/0407—Liquid cooling, e.g. by water
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • H01S3/10—Controlling the intensity, frequency, phase, polarisation or direction of the emitted radiation, e.g. switching, gating, modulating or demodulating
    • H01S3/10069—Memorized or pre-programmed characteristics, e.g. look-up table [LUT]
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • H01S3/10—Controlling the intensity, frequency, phase, polarisation or direction of the emitted radiation, e.g. switching, gating, modulating or demodulating
    • H01S3/13—Stabilisation of laser output parameters, e.g. frequency or amplitude
    • H01S3/1305—Feedback control systems
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01S—DEVICES USING THE PROCESS OF LIGHT AMPLIFICATION BY STIMULATED EMISSION OF RADIATION [LASER] TO AMPLIFY OR GENERATE LIGHT; DEVICES USING STIMULATED EMISSION OF ELECTROMAGNETIC RADIATION IN WAVE RANGES OTHER THAN OPTICAL
    • H01S3/00—Lasers, i.e. devices using stimulated emission of electromagnetic radiation in the infrared, visible or ultraviolet wave range
    • H01S3/23—Arrangements of two or more lasers not provided for in groups H01S3/02 - H01S3/22, e.g. tandem arrangements of separate active media
    • H01S3/2383—Parallel arrangements

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Electromagnetism (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Optics & Photonics (AREA)
  • Plasma & Fusion (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)

Abstract

本发明提供一种具有进行库存管理以及预防维护的功能的库存管理系统。该库存管理系统具备：多个装置以及连接了多个装置的信息管理装置、信息处理装置。信息处理装置计算累积故障率的总和，且基于该计算出的累积故障率的总和导出指定部件的适当库存数，累积故障率的总和是针对在多个装置中使用的同一规格的全部的指定部件，将针对多个装置中使用的同一规格的各个指定部件在标准驱动条件下的标准累积故障率考虑了基于驱动条件的加速后的某个时间点的累积故障率进行相加而得到的值。

Description

具有进行库存管理以及预防维护的功能的库存管理系统
技术领域
本发明涉及具有进行库存管理以及预防维护的功能的库存管理系统。
背景技术
当由于构成装置的部件的故障或损坏而使装置成为异常状态时，装置会频繁停止，或产生无法使用装置的停止期间。以往，为了防止装置的停止频率或停止期间的增加，对各装置的部件的库存数进行管理。
即使在以某种程度知道由部件的驱动时间所决定的故障率(件/时间)的平均推移的情况下，故障率也会由于驱动条件而变化，除了各个部件何时发生故障具有明确的预兆的情况以外，一般难以预测故障。因此，在装置部件的库存管理中，往往可能产生过剩库存或库存不足的问题。
当部件价格高时，过剩的库存是不经济的。另一方面，若发生库存不足，则装置会一直停止到部件交货为止，当该装置是生产用设备时，使用该装置的生产进度会大幅延迟，会带来重大的损失。因此，还需要考虑无预兆的故障来进行适当的库存管理。
装置的维修部件的库存管理是重要的技术，因此提出了各种相关技术(例如，参照日本特开2010-113672号公报、日本特开2004-295667号公报、日本特开2012-104058号公报)。
但是，以往未提出过上述那样的具备还将无预兆的故障考虑在内的库存管理功能的库存管理系统，无法以良好精度推定无预兆的故障数从而无法进行适当的库存管理。因此，希望还考虑了无预兆的故障的部件库存管理。
发明内容
本公开的一实施方式的库存管理系统具备多个装置、连接所述多个装置的信息管理装置，所述多个装置分别具备在该多个装置中共同使用的能够更换的通用部件，在所述多个装置中使用的每个同一规格的所述通用部件是指定为库存管理对象的指定部件，
该库存管理系统具备信息处理装置，该信息处理装置计算累积故障率的总和，且基于该计算出的累积故障率的总和导出在某个时间点的所述指定部件的适当库存数，该累积故障率的总和是针对在所述多个装置中使用的同一规格的全部的所述指定部件，将对于所述多个装置中使用的同一规格的各个所述指定部件在标准驱动条件下的标准累积故障率考虑了基于驱动条件的加速后的所述某个时间点的累积故障率进行相加而得到的值。
通过对附图所示的本发明的典型的实施方式进行详细说明，本发明的特征以及优点以及其他的特征以及优点变得更加明确。
附图说明
图1是表示一实施方式的库存管理系统的概要结构的框图。
图2a表示偶发故障为支配性的部件的累积故障率的基于驱动时间的变化的例子。
图2b表示磨损故障为支配性的部件的累积故障率的基于驱动时间的变化。
图3表示驱动条件和基于该驱动条件的加速系数的关系的例子。
图4a表示偶发故障为支配性的1个部件在加速系数不同的驱动条件下被驱动时的累积故障率的基于经过时间的变化的例子。
图4b表示磨损故障为支配性的1个部件在加速系数不同的驱动条件下被驱动时的累积故障率的基于驱动时间的变化的例子。
图5a表示库存管理对象的装置所具备的偶发故障为支配性的同一规格的多个部件的累积故障率的总和、推定累积故障率的总和、适当库存数各自的基于经过时间的变化的例子。
图5b表示库存管理对象的装置所具备的磨损故障为支配性的同一规格的多个部件的累积故障率的总和、推定累积故障率的总和、适当库存数各自的基于经过时间的变化的例子。
图5c是取代图5b通过(适当库存数≥推定累积故障率的总和+1)的式子求出适当库存数时的图。
图6是表示图1所示的库存管理系统的动作的一例的流程图。
图7表示一种方法，该方法根据表示因驱动而产生的特性变化的特性变化曲线以及特性值与恶化速度一致的特性变化曲线来估算剩余寿命。
图8取代图7表示驱动条件为因驱动而产生的恶化速度的加速系数为2倍时的特性变化曲线、以及用于估算该驱动条件下的剩余寿命的方法。
图9是表示图1所示的库存管理系统的动作的一例的流程图，是可以在图6中追加的流程图。
图10是表示另一实施方式的库存管理系统的概要结构的框图。
图11是表示图10所示的库存管理系统的机器学习装置的动作的一例的流程图。
图12是表示库存管理系统中的机器学习装置的动作的另一例的流程图。
图13是表示另外一个实施方式的库存管理系统的概要结构的框图。
图14示意性地表示直到发现未知的预兆为止的时间流。
图15是表示图13所示的库存管理系统中的机器学习装置的动作的一例的流程图。
图16是表示图13所示的库存管理系统中的机器学习装置的动作的一例的流程图，是能够在图14中追加的流程图。
图17是表示另一个实施方式的库存管理系统的概要结构的框图。
图18是表示图17所示的库存管理系统中的机器学习装置的动作的一例的流程图。
图19是表示图17所示的库存管理系统中的机器学习装置的动作的另一例的流程图。
图20是表示另一实施方式的库存管理系统的概要结构的框图。
图21是表示另一实施方式的库存管理系统的概要结构的框图。
图22是表示另一实施方式的库存管理系统的概要结构的框图。
具体实施方式
接着，参照附图说明本申请的实施方式。在参照的附图中，对相同的结构要素或功能部赋予相同的参照符号。为了易于理解，这些附图适当变更了比例。另外，附图所示的方式是用于实施本发明的一个例子，本发明并非仅限于图示的方式。
图1是表示一实施方式的库存管理系统1的概要结构的框图。
如图1所示，库存管理系统1具备信息管理装置2、与信息管理装置2连接的多个装置3。信息管理装置2管理对多个装置3收发的信息。更具体而言，信息管理装置2是经由各装置3的通信控制部和存储器等，从多个装置3收集装置3的状态信息，并综合地进行记录和解析等，输出所需信息的装置。
信息管理装置2例如具备因特网或内联网等通信网、信息处理装置30。装置3以及信息处理装置30分别使用计算机或服务器等构成，该计算机或服务器等具备经由总线相互连接的ROM(Read only memory只读存储器)和RAM(Random access memory随机存取存储器)等存储器、CPU(control processing unit中央处理器)以及通信控制部。并且，装置3以及信息处理装置30各自的功能或动作可通过计算机或服务器等中配备的CPU、存储器以及在该存储器中存储的控制程序的协作来实现。
被视为库存管理和预防维护的对象范围的装置一般受到限制，该对象范围的装置3例如是相同生成单元内的装置、相同建筑内的装置、相同工厂用地内的装置，或者是能够在预定时间内配送保养用部件的地域内的装置等。这是因为即使发生了故障的部件有库存，如果在预定时间内无法配送到在预定的时间内由于部件故障而停止的装置、或在预定时间内表示为异常状态的装置所在的现场，也是没有意义的。因此，本公开的库存管理系统1设为针对在二个以上的指定的装置3中使用的同一规格的通用部件进行库存管理。
另外，在本说明书以及权利要求中记载的“部件”的用语中包含部件和组件中的至少一个含义。部件是指构成机械或电子设备等的要素，组件是指这些要素的组合物。
另外，本说明书以及权利要求中记载的“装置”的用语是具有机器、装置、机械以及设备中至少一个的含义的用语。并且，在本说明书以及权利要求中记载的“同一规格”的用语中，不仅包含规格完全相同的含义，还包含规格实质上相同的大致同一规格的含义。
从后面的记载可知，在本公开的库存管理系统1中，需要从各装置3收集非常大量的信息。因此，如云计算系统那样经由因特网从多个装置3广泛收集信息的结构，不仅对通信网络施加很大的负荷，而且难以实时地高速处理各装置3的信息。因此，优选构成库存管理系统1的信息管理装置2是存在于多个装置3和云(未图示)之间，在靠近装置群的一侧进行信息的管理和处理的装置。但是在图1中，将一群的多个装置3作为被视为库存管理和预防维护的对象的范围的装置与信息管理装置2相连接，但是本发明并不限于图1的方式。可以将划分为多个群的多个装置3与信息管理装置2相连接，将每个群的多个装置3分别作为被视为库存管理和预防维护的对象的范围。
在与信息管理装置2相连接的多个装置3中，具备在该多个装置3中共同使用的至少一种能够进行更换的通用部件，将这些通用部件指定为库存管理的对象。对于被指定为库存管理对象的部件(以下，称为指定部件)，按照在多个装置3中使用的同一规格的每个部件群进行库存管理。其中，作为库存管理和预防维护对象的一群多个装置3无需全部是相同规格的装置。
首先，对于某一规格的指定部件，已知通过驱动时间对指定部件的故障率(件/时间)进行积分得到的累积故障率如图2a、图2b所示。根据指定部件的种类或其使用方法的不同，有时认为运转或通电等用语比上述的“驱动”更实际，但是，在本公开中，即使是这样的运转或通电等情况下，也通过“驱动”这样的用词来进行替代。
图2a以及图2b的横轴均是通过驱动时间除以在标准驱动条件下驱动指定部件时的MTTF(Mean Time to Failure：平均寿命)而得到的值来进行表示。图2a是偶发故障为支配性时的累积故障率的例子，图2b是磨损故障为支配性时的累积故障率的例子。
在图2a和图2b中，实线的图形表示在标准驱动条件下使用时的累积故障率。虚线的图形表示与驱动条件为标准驱动条件相比，例如驱动电压高，温度高，累积故障率的加速系数为2倍，累积故障率达到0.5的驱动时间为1/2的情况。点划线的图形表示与驱动条件为标准驱动条件相比，例如驱动电压低，温度低，累积故障率的加速系数为0.5倍，累积故障率达到0.5的驱动时间为2倍的情况。
在图2a和图2b中的任意一个例子中，根据加速系数，累积故障率达到某一值(例如0.5)为止的驱动时间缩短或者延长到1/(加速系数)。图3举例表示该驱动条件与加速系数的关系。在图3的例子中，表示驱动条件为驱动电压，加速系数＝(驱动电压/标准驱动电压)的三次方的情况。作为因驱动而导致的累积故障率的增加或加速寿命消耗的驱动条件，除了图3所示的驱动电压以外，还有驱动电流、温度、温度循环、振动等。在部件为发光设备时，光输出是累积故障率的增加或加速寿命消耗的代表性的驱动条件。除了加速系数≈1的情况以外，在计算因驱动而产生的累积故障率的增加或寿命消耗的情况下，对于进行加速的全部的驱动条件需要考虑加速系数。
当需要将使上述累积故障率达到某一值所需的时间缩短或延长的加速系数区别于其他的加速系数时，在本申请中记载为“第1加速系数”。
在此，若举例表示图2a、图2b那样的呈现累积故障率特性的指定部件中的一个指定部件的累积故障率的时间变化，则如图4a或图4b所示。图4a和图4b的横轴均通过从驱动开始时间点起的经过时间除以在标准驱动条件下驱动指定部件时的MTTF而得到的值进行表示。图4a是偶发故障为支配性时的累积故障率的例子，图4b是磨损故障为支配性时的累积故障率的例子。MTTF例如是10万小时左右，如图4a、图4b的图表所示，虽然在相同的驱动条件下持续驱动数万小时，停止驱动数万小时是不自然的，但是为了易于理解举出的例子，图4a、图4b成为在相同的驱动条件下长时间驱动指定部件时的图表。
在图4a、图4b中，表示了在随后的工程中驱动了指定部件时的累积故障率的图表。该工程如图4a、图4b所示，最初在标准驱动条件下驱动指定部件，在某个时间点将累积故障率的加速系数切换成0.5的驱动条件，在之后的某一时间点将累积故障率的加速系数切换成2倍的驱动条件，从之后的某一时间点开始，经过未驱动指定部件的停止期间，再次在标准驱动条件下驱动指定部件，由于产生故障而更换为新品的指定部件，在将累积故障率重置为零后，在标准驱动条件下继续驱动指定部件。
在切换驱动条件时，从该时间点的累积故障率开始改变为基于新的驱动条件下的加速系数的累积故障率的图表(在图2a、图2b中举例表示)，累积故障率随着时间增加。因此，图4a、图4b的图表表示了针对同一规格的各个指定部件在标准驱动条件下的标准累积故障率考虑了基于驱动条件的加速后的累积故障率的例子。由图4a、图4b可知，若不考虑基于驱动条件的加速，则累积故障率与实际的累积故障率有很大的差异。
不用说，即使知道一个指定部件的考虑了基于驱动条件的加速的累积故障率，但由于是概率的问题，在发生故障之前无法得知该部件实际上何时发生故障。但是，如图5a、图5b所示，若计算累积故障率的总和，则能够得到上述指定部件的适当的库存数的指标，该累积故障率的总和是将作为库存管理和预防维护的对象的一群多个装置3中使用的同一规格的各个指定部件的、考虑了基于驱动条件的加速后的累积故障率全部相加而得到的值。
图5a举例表示偶发故障为支配性的指定部件的累积故障率的总和与适当库存数各自的时间变化。图5b举例表示磨损故障为支配性的指定部件的累积故障率的总和与适当库存数各自的时间变化。在图5a和图5b中，以粗虚线表示作为库存管理和预防维护的对象的一群多个装置3中使用的同一规格的全部的指定部件的累积故障率的总和(即，Σ累积故障率)，以细虚线表示从某一时间点开始经过该规格的指定部件的交货期时间(即，采购需要的时间)后的推定累积故障率的总和(即，Σ推定累积故障率)。
推定累积故障率的总和是根据图4a、图4b所示的各个同一规格的指定部件的累积故障率的时间变化而推定的经过交货期时间后的推定累积故障率的总和。图5a和图5b中以粗实线表示的适当库存数是将推定累积故障率的总和进位(Round up)后的正整数，总的来说，成为适当地管理的库存数的履历。
在图5a和图5b中，为了易于理解附图，表示了在相同的驱动条件下驱动的10个同一规格的指定部件的累积故障率的总和。在图5a的例子中，从最初开始同时开始驱动10个指定部件。另一方面，在图5b的例子中，为了不会因个数较少而在累积故障率的总和中产生较宽的谷，最初仅开始驱动5个，对于剩下的5个，从最初开始延迟MTTF×0.3，且以MTTF×0.1的间隔逐一开始驱动。
若观察图5a和图5b，由于计算累积故障率的总和时的指定部件的个数少，累积故障率的总和的变动变大，但是若个数增加则该变动的比例减少。另外，为了能够区分地观察累积故障率的总和与推定累积故障率的总和的图表，将交货期设定得较长为MTTF的50分之1。由于将交货期设定得较长，在图5b的例子中，在相当长的期间产生库存数为零的期间。
即使在上述那样设定的条件下，通过基于累积故障率的总和来管理库存数，具体而言，若实际的库存数小于推定累积故障率的总和则立刻筹备该指定部件，由此不会产生在该指定部件发生故障时没有库存的情况，能够适当地管理库存数。
若对基于累积故障率的总和来管理库存数的含义进行补充，例如，若各个指定部件的累积故障率为0.01，且同一规格的指定部件为1000个，则累积故障率的总和为10。这表示无论何时即使平均10个部件发生了故障也不奇怪的状态，该规格的指定部件的库存最低需要10个。
当并未怎么发生故障时，反而长时间使用的部件的比率增加，今后故障变多的可能性变高。此时，可进行反映出需要增加库存等的库存管理。
上述那样的故障的可能性是统计上的概率的问题，因而就实际的结果(故障数)而言，个数(母数)越小偏差越大。因此，为了降低库存不足的风险，可以进行以下的修正等：将上述最低的需要库存数相加作为裕度的预定个数而求出的个数设为适当库存数；或者将最低的需要库存数乘以预定比例后的数作为裕度与该库存数进行相加而求出的个数作为适当库存数等。当指定部件的个数比较少时，通常希望采用前者的管理方法，即为将最低的需要库存数相加预定个数而求出的个数设为适当库存数。
并且，相对于图5b的例子，即为在实际的库存数小于推定累积故障率的总和时立刻筹备指定部件的库存管理方法，在图5c中表示了当采用以下的库存管理方法时的适当库存数，即为在实际库存数减去推定累积故障率的总和后值成为1以下时，立刻筹备指定部件。
与图5b的例子相比，在图5c的例子中，不存在一个时期库存数变为零的期间，库存数平均增加约1个，降低了因库存不足而导致装置修复延迟的风险。对于每个指定部件，可以根据其价格和交货期来考虑库存数的增加与库存不足的危险之间的平衡，从而改变上述的裕度。一般而言，交货期越长且价格越便宜，希望使裕度越大。
图6是表示本实施方式的库存管理系统的动作的一例的流程图。其中，在以下的基于图6的说明中，信息管理装置2兼做信息处理装置30。
当开始了库存管理，信息管理装置2经由各装置3的通信控制部等，收集并记录包含作为库存管理对象的多个装置3所具备的指定部件的驱动条件和状态的各装置3的状态量(步骤S101)。
信息管理装置2判断在步骤S101中收集的指定部件的驱动状态是否正常没有故障(步骤S102)，若正常，则参照预先记录的、指定部件的标准驱动条件下的累积故障率的数据以及与基于驱动条件而导致的累积故障率的加速相关的数据，根据在步骤S101中收集的表示指定部件的驱动状态的数据来计算每个指定部件的考虑了基于驱动条件的加速的影响的累积故障率，并且记录该累积故障率的推移(步骤S103)。
并且，信息管理装置2确认预先记录的每个指定部件的交货期(步骤S104)。接着，信息管理装置2参照每个指定部件的交货期、指定部件的标准驱动条件下的累积故障率的数据、与基于驱动条件的累积故障率的加速相关的数据、以及在步骤S103记录的累积故障率的推移的数据，对于每个指定部件计算推定累积故障率且对其进行记录(步骤S105)，该推定累积故障率为从某一时间点(通常为当前时间点)开始经过交货期的时间后的累积故障率。
接着，信息管理装置2通过对同一规格的每个指定部件累计在步骤S105中对于每个指定部件计算并记录的推定累积故障率，计算同一规格的每个指定部件的推定累积故障率的总和，并对其进行记录(步骤S106)。信息管理装置2确认事前筹备的指定部件是否已交货(步骤S107)，在新交货了所筹备的指定部件时，对存储器中记录的已交货的指定部件的库存数进行更新(步骤S108)，进入步骤S109。当在步骤S107中，作为指定部件有无交货的判定结果，判定为没有新交货的指定部件时，从步骤S107直接进入步骤S109。
在步骤S109中，信息管理装置2将存储器中记录的每个指定部件的库存数与在步骤S106中计算并记录的同一规格的每个指定部件的推定累积故障率的总和进行比较，判定是否为(每个指定部件的库存数)≥(同一规格的每个指定部件的推定累积故障率的总和)+Δn。
在此，Δn为裕度，是包含零的正数。在上述图5a和图5b的例子中设Δn＝0，在上述图5c的例子中设Δn＝1，但是裕度不需要一定是整数。另外，判定式是一个例子，在(每个指定部件的库存数)≥m×(同一规格的每个指定部件的推定累积故障率的总和)中，可以设为m≥1来赋予裕度。另外，Δn和m可以对于每个指定部件进行改变。
若步骤S109中的判定为是，则由于确保了适当的库存数，因此信息管理装置2判定是否给出了结束库存管理的指令(步骤S110)，若给出了库存管理的结束指令，则结束库存管理。若未给出库存管理的结束指令，则信息管理装置2返回步骤S101，持续执行库存管理。
另外，当在上述步骤S102中，作为指定部件的驱动状态的判定结果，判定为指定部件为异常时，信息管理装置2向外部通知该异常部件的更换(步骤S111)，修复具备异常部件的装置3，并对更换的指定部件的库存数进行更新(步骤S112)。若更换后的指定部件为新品，则信息管理装置2将更换的指定部件的累积故障率重置为零(步骤S113)，返回步骤S101，持续进行库存管理。
当上述步骤S109中的判定为否时，在该状态下今后产生库存不足的可能性变高。因此，信息管理装置2对于给出否的判定的对象部件，筹备为了成为是的判定而需要的个数(步骤S114)，返回步骤S101，持续库存管理。
通过重复以上的步骤S101～步骤S114，能够适当管理指定部件的库存数。
如上所述，本实施方式的库存管理系统1具有计算累积故障率的总和，且基于该计算出的累积故障率的总和来导出指定部件的适当库存数的功能,该累积故障率的总和是对于一群的多个装置3中使用的同一规格的全部的指定部件，将针对上述一群的多个装置3中使用的同一规格的各个指定部件在标准驱动条件下的标准累积故障率考虑了基于驱动条件的加速后的某一时间点的累积故障率进行相加而得到的值。通过该功能，还考虑了完全无预兆的故障从而能够进行适当的库存管理，并且不会处于过剩库存，能够预防因库存不足而导致的维护或修复的延迟。
另外，上述的功能由信息管理装置2内配备的计算机或服务器等信息处理装置30承担，更具体而言，由信息处理装置30进行图6中示出的一系列处理，例如包含累积故障率和累积故障率的总和的计算、判定以及记录等的一系列处理。承担上述功能的信息处理装置30可以与信息管理装置2相连接，或者可以配置在与信息管理装置2连接的多个装置3中的任意一个装置3内。
另外，在与信息管理装置2相连接的多个装置3所具备的至少一个共同的指定部件中，具有由于驱动而使特性逐渐恶化且当该特性达到预定的基准值时需要进行更换的部件(以下，称为特性渐变部件。)时，优选根据特性渐变部件的某一时期的特性、针对特性渐变部件在标准驱动条件下的特性的标准恶化速度考虑了基于驱动条件的加速后的特性的恶化速度，来推定特性渐变部件的更换时期，在基于上述累积故障率总和的库存数中也考虑该更换时期，从而导出指定部件的库存数。此种功能也由信息处理装置30来承担。
图7表示了标准特性变化曲线的例子，该标准特性变化曲线表示具有因驱动而恶化的特性的特性渐变部件在标准驱动条件下的特性的时间变化。在图7的例子中，作为特性，设为为了驱动特性渐变部件而得到预定大小的输出所需要的驱动电流，当用于得到该预定输出的驱动电流超过14A时，判定为寿命耗尽，需要进行更换。
在实际的特性变化中，设为用于得到某一时间点的预定输出的驱动电流为10A，且进行4500小时驱动以前的用于得到预定输出的驱动电流为8A。若将这样的实际的特性变化与图7所示的标准特性变化曲线进行比较，可知6条标准特性变化曲线中的最左侧的标准特性变化曲线与实际的特性变化相比，恶化速度(即，特性的变化量除以驱动时间得到的值)大，最右侧的标准特性变化曲线与实际的特性变化相比，恶化速度小，从左侧开始第4个标准特性变化曲线与实际的特性变化相比，恶化速度大致一致。因此，实际的特性变化大致遵循该第4个标准特性变化曲线被推定为剩余寿命为4600小时左右。
当用于得到某一时间点的预定输出的驱动电流从8A增加到10A的期间的驱动条件为寿命消耗加速为2倍的条件(即，加速系数＝2的条件)时，需要与表示将图7的横轴(时间轴)压缩成二分之一的情况的图8的特性变化曲线进行比较来推定剩余寿命。在图8的例子中，由于在寿命消耗加速为2倍的条件下进行驱动，若一直在这样的驱动条件下进行使用，则推定剩余寿命为2300小时左右，若变更为标准驱动条件(即，加速系数＝1的条件)进行使用，则推定剩余寿命为4600小时左右。当在驱动中驱动条件进行了变化时，需要使用将各时间点的寿命消耗的加速系数进行时间积分而得到的值除以该期间的时间后的平均的加速系数(＝∫(加速系数)dt/∫dt)。
在图7、图8中，特性变化曲线仅记载了有限的数量，但是可通过插值法求出这些特性变化曲线之间的梯度的曲线。
另外，在需要将寿命消耗的加速系数与其他的加速系数进行区别时，在本申请中记载为“第2加速系数”。
如上所述，当在多个装置3所具备的至少一个共同的指定部件中具有特性渐变部件时，能够基于该特性渐变部件的考虑了因驱动条件而产生的加速的图8那样的特性变化曲线中的，与特性渐变部件的某一时期(某一时间点之前的预定期间)的特性变化相比特性的恶化速度一致的特性变化曲线，来推定剩余寿命。另外，能够将特性渐变部件的某一时期的特性的恶化速度换算成标准驱动条件下的恶化速度，基于图7那样的标准特性变化曲线中的，与该某一时期的特性变化相比换算后的恶化速度一致的标准特性变化曲线，来推定剩余寿命。例如，当在加速系数＝2的驱动条件下，相对于实际的驱动时间，标准驱动条件下的驱动时间相当于2倍。恶化速度由于是特性的变化量除以驱动时间而得到的值(＝特性的变化量/驱动时间)，因此标准条件下的恶化速度成为实际的恶化速度的1/2倍，能够基于与实际的特性变化相比1/2的恶化速度一致的图7那样的标准特性变化曲线中的一条标准特性变化曲线来推定剩余寿命。但是，当驱动中驱动条件发生变化时，在上述标准驱动条件下的驱动时间中，需要使用各时间点的寿命消耗的加速系数的时间积分(＝∫(加速系数)dt)。
如上所述，将考虑了基于驱动条件的加速的特性变化曲线与某一时期的恶化的特性进行对照，根据与该恶化的特性相比特性的恶化速度一致的特性变化曲线来推定特性渐变部件的剩余寿命、更换时期，来管理维修用指定部件的库存数，由此能够更进行更适当的库存管理。
另外，在本实施方式的库存管理系统中，信息管理装置2能够进行以下的库存管理：对于特性渐变部件，考虑根据恶化的进展状态而推定出的更换时期来筹备更换预定的部件。并且，信息管理装置2为了预防具备这些部件的装置3因故障而停止，尽可能不阻碍使用该装置3进行的生产等，在恶化特性达到需要更换特性渐变部件的预定的基准值之前，输出促使更换特性渐变部件的预防维护信息，能够计划性地更换这些部件。
图9是能够对图6追加的流程图的例子，作为追加的处理流程，表示针对上述特性渐变部件的库存管理和预防维护的步骤。通过将图9的步骤S115～步骤S129的处理流程插入到图6所示的步骤S109和步骤S110之间，能够对特性渐变部件进行适当的库存管理和预防维护。另外，在以下的基于图9的说明中，使信息管理装置2兼做信息处理装置30。
在图9中，首先接着图6的步骤S109，判定上述的指定部件是否是特性渐变部件(步骤S115)。
信息管理装置2当在步骤S115中判定为指定部件不是特性渐变部件时，返回图6的步骤S101。但是，当判定为指定部件是特性渐变部件时，信息管理装置2经由作为库存管理对象的各装置3的通信控制部等，收集以及记录包含特性渐变部件的驱动条件、特性的各装置3的状态量(步骤S116)，计算每个特性渐变部件的特性的恶化速度和基于驱动条件的恶化速度的加速系数(步骤S117)。
接着，信息管理装置2将每个特性渐变部件的某一时期的特性与如图8所示的考虑了加速系数的特性变化曲线进行对照(步骤S118)，从各个特性变化曲线中选出上述特性渐变部件的某一时期的特性的恶化速度一致的曲线，根据该选出的曲线计算每个特性渐变部件的考虑了基于驱动条件的加速系数后的剩余寿命(步骤S119)。
并且，信息管理装置2判定以剩余寿命较短等理由而筹备的特性渐变部件是否已经交货(步骤S120)，当已经交货时，对交货的特性渐变部件的库存数进行更新(步骤S121)，之后进入步骤S122，当未交货时，直接进入步骤S122。
在步骤S122中，信息管理装置2判定是否按照用于促使在特性渐变部件的更换时期的预定时间之前更换部件的预防维护信息，进行了与接近该更换时期的特性渐变部件相关的预防维护。当该判定的结果为执行了预防维护时，信息管理装置2对为了预防维护而使用的特性渐变部件的库存数进行更新(步骤S123)，并且将更换的特性渐变部件的剩余寿命重置为平均寿命等(步骤S124)，并进入步骤S125。当未执行预防维护时，信息管理装置2从步骤S122直接进入步骤S125。
在步骤S125中，信息管理装置2判定步骤119中计算出的剩余寿命是否长于该特性渐变部件的交货期相加预定时间T1后的时间。在本说明书中，交货期是指从部件的订购到交货所需的期间。
在此，预定时间T1具有通常的裕度的含义，例如，通常认为以平均的加速系数＝2的驱动条件进行驱动的特性渐变部件是在今后以平均的加速系数＝2的驱动条件进行驱动的前提下计算剩余寿命。但是，实际上可能存在在以平均的加速系数＝2的驱动条件进行驱动后，例如以平均的加速系数＝4的驱动条件进行驱动的情况。该情况的实际的剩余寿命由于减少到预想的剩余寿命的1/2，因此需要设想这样的情况来设定预定时间T1。另外，通过始终监视驱动状态，基于驱动状态的数据比较频繁地判定剩余寿命，能够最小限度地抑制预想的剩余寿命与实际的剩余寿命之间的距离。
当在步骤S125中判定为不满足剩余寿命≥交货期+预定时间T1时，信息管理装置2判定相应的特性渐变部件是否未筹备(步骤S126)，在未筹备时，筹备相应的特性渐变部件(步骤S127)，对已筹备完进行记录，并进入步骤S128。但是，当在上述步骤S125中判定为满足剩余寿命≥交货期+预定时间T1时，或在上述步骤S126中判定为相应的特性渐变部件已筹备完时，各个步骤直接进入步骤S128。
在步骤S128中，判定是否满足剩余寿命≥预定时间T2。若剩余寿命短于预定时间T2，则信息管理装置2表示该更换相应的特性渐变部件，输出促使对相应的特性渐变部件进行更换的预防维护信息(步骤S129)。
作为预防维护信息的输出例子，可在显示器显示唤起注意的文字，或者在显示器显示大致的剩余寿命等。为了确实地通知预防维护信息，也可以使声音或光伴随于预防维护信息。另外，可以采用设定多个不同的预定时间T2，随着剩余时间的变短从注意报告切换成警报等处理。当在上述步骤S128中判定为满足了剩余寿命≥预定时间T2时，不执行步骤S129而实施图6的步骤S110。
如上所述，通过重复在图6的步骤S101～步骤S114中追加了图9的步骤S115～步骤S129的一系列处理，对于无预兆发生故障的指定部件，能够根据考虑了基于驱动条件的加速后的累积故障率的总和来适当地管理库存数，并且对于特性逐渐恶化的特性渐变部件，也能够考虑更换时期来适当地管理库存数，并且若更换时期接近，能够催促更换部件从而执行适当的预防维护，上述更换时期是根据考虑了基于驱动条件的加速后的特性恶化速度而推定出的。
另外，在本实施方式中，记载为按时间序列执行用于对无预兆地发生故障的部件进行库存管理的处理流程(图6)、用于进行特性渐变部件的库存管理和预防维护的处理流程(图9)，但是本发明并不限于这样的顺序。例如，可以首先判定指定部件是否是特性渐变部件，在该判定结果为指定部件不是特性渐变部件时，执行图6的处理流程，当指定部件为特性渐变部件时，执行图9的处理流程。即，可以并行地执行图6和图9分别所示的处理流程。
另外，将计算机或服务器等信息处理装置30配置在信息管理装置2内，该计算机或服务器等信息处理装置是为了执行图9中记载的恶化速度和剩余寿命的计算、计算所需的信息的收集和记录、计算结果的记录、或者基于计算结果的判定等而需要的装置。但是，这样的信息处理装置30可以与信息管理装置2相连接，或者可以配置在与信息管理装置2连接的多个装置3中的任意一个装置3内。另外，这样的信息处理装置30可以与用于进行图6中记载的累积故障率和累积故障率的总和的计算、判定以及记录等处理的信息处理装置30相同，也可以不同。
图10是表示另一实施方式的库存管理系统1的概要结构的框图。在该图表示的方式中，在上述信息管理装置2上连接了至少一个第1机器学习装置4-1。
第1机器学习装置4-1具备第1学习部5-1、状态量观测部6、结果取得部7。第1学习部5-1具备误差计算部8和学习模型更新部9。除了第1机器学习装置4-1之外，还配置有用于记录附带结果(标签)的数据的数据记录部10。
第1机器学习装置4-1的状态量观测部6通过信息管理装置2，观测来自构成多个装置3的通信控制部和存储器等各部的输出、来自装置3所具备的各种传感器和在装置3的周边设置的各种传感器中的至少一个传感器的输出，来作为包含指定部件的驱动条件和状态等的装置3的状态量，上述多个装置3与信息管理装置2相连接。
第1机器学习装置4-1的结果取得部7取得在装置3中发生的故障的信息。
第1学习部5-1将标准累积故障率曲线(例如参照图2a、图2b示出的实线)以及第1加速系数(例如参照图3)与观测到的装置3的状态量和取得的装置3的故障信息关联起来进行学习，上述标准累积故障率曲线表示每个指定部件在标准驱动条件下的累积故障率的时间变化，上述第1加速系数表示基于驱动条件的累积故障率的加速相对于每个指定部件在标准驱动条件下的标准累积故障率的比例。
配置在信息管理装置2内或信息管理装置2外的信息处理装置30参照第1学习部5-1所学习的每个指定部件的标准累积故障率曲线以及第1加速系数，计算累积故障率的总和，通过按照图6示出的处理流程进行动作，进行还考虑了无预兆的故障的适当的库存管理。
关于作为装置3的状态量进行观测的指定部件的驱动条件、状态等具体例子，包括驱动电流、施加电压、驱动频率、动作温度、环境温度、温度循环、湿度、振动等。根据部件的规格，有时光输出、旋转速度、加速度、可听见的声音、大气气体组成、应力等也成为状态量观测部6的观测对象的状态量。
另外，在状态量观测部6中，不仅对装置3的状态量进行观测，还可以根据需要来加工数据，从而便于第1学习部5-1使用。
机器学习的方法各种各样，并不限定在本实施方式中应用的机器学习的方法，在图10的例子中，数据记录部10被设置在第1机器学习装置4-1的外侧，该数据记录部10对用于应用监督学习的附带结果(标签)的数据进行记录。
第1机器学习装置4-1具备用于对标准累积故障率曲线和第1加速系数进行学习的学习模型，计算该学习模型的信息与取得的实际的故障信息即结果(标签)之间的误差，根据误差来更新学习模型，由此能够推进学习。
上述的数据记录部10能够保持在此之前获得的附带结果(标签)的数据，并将附带结果(标签)的数据提供给误差计算部8。能够通过储存卡或通信线路等将附带结果(标签)的数据提供给误差计算部8。
通过强化学习，能够从完全没有附带结果(标签)的数据的状态开始进行机器学习，但是，使用在此之前得到的附带结果(标签)的数据的监督学习具有能够在比较短的期间进行学习的优点。
通过本实施方式，根据指定部件，即使累积故障率或基于驱动条件的累积故障率的加速系数未知、或精度不足，也能够进行还考虑了无预兆的故障的适当的库存管理。另外，第1机器学习装置4-1通过重复学习，能够使累积故障率的精度或基于驱动条件的累积故障率的加速系数的精度提高，从而能够进行更适当的库存管理。
图11是举例表示本实施方式的机器学习的学习过程的流程图。其中，在以下的基于图11的说明中，信息管理装置2兼做信息处理装置30。
若机器学习开始，第1机器学习装置4-1的状态量观测部6将来自构成装置3的通信控制部和存储器等各部的输出、来自装置所具备的各种传感器以及在装置3的周边设置的各种传感器中的至少一个传感器的输出作为包含指定部件的驱动条件和状态等的装置3的状态量，来收集并记录状态量随时间的变化(步骤S201)。
第1机器学习装置4-1判定第1学习部5-1是否已经具备学习模型(步骤S202)，在已经具备学习模型的情况下进入步骤S204，在还未具备学习模型的情况下，根据在数据记录部10中记录的附带结果的数据生成初期学习模型(步骤S203)，并且进入步骤S204。
在步骤S204中，信息管理装置2参照第1学习部5-1所具备的学习模型，对于各指定部件计算并记录考虑了第1加速系数的累积故障率。另外，第1机器学习装置4-1通过信息管理装置2，针对被作为库存管理对象的各指定部件，取得故障信息(步骤S205)。
故障信息是指定部件中的哪个部件在哪个时间点发生了故障的信息，例如，能够从表示指定部件的状态的装置3的状态量取得故障信息。另外，关于故障信息，在更换发生了故障的部件的时间点，作业者向信息管理装置2输入由于故障而进行了部件更换的信息，能够取得该输入信息来作为故障信息。
第1机器学习装置4-1根据取得的故障信息，判定是否具有发生了故障的指定部件(步骤S206)，当具有发生了故障的指定部件时，对相应的指定部件的累积故障率的实绩数据进行更新(步骤S207)，将更新后的实绩数据追记到数据记录部10(步骤S208)。第1机器学习装置4-1的误差计算部8计算从学习模型计算出的累积故障率与累积故障率的实绩数据之间的误差(步骤S209)，第1机器学习装置4-1的学习模型更新部9更新学习模型，从而使该误差变小(步骤S211)。当在上述步骤S206中判定为没有发生了故障的指定部件时，由于该指定部件直到发生故障为止的实绩驱动时间长，因此第1机器学习装置4-1仍对各指定部件的累积故障率的实绩数据进行更新(步骤S210)，并且进入步骤S211。
若步骤S211中的学习模型的更新结束，第1机器学习装置4-1判定有无机器学习结束的指令(步骤S212)，当给出了机器学习结束的指令时结束机器学习，当未给出机器学习结束的指令时，返回步骤S201，继续进行机器学习。
如上所述，通过重复步骤S201～步骤S212的一系列处理，第1学习部5-1能够以更高的精度对同一规格的每个指定部件的标准累积故障率曲线和基于各驱动条件的累积故障率的第1加速系数进行学习。
另外，通过与图10所示的库存管理系统1相同的结构构成的其他的库存管理系统的机器学习装置(以下，称为第2机器学习装置4-2。)可以观测来自构成多个装置3的通信控制部和存储器等各部的输出、来自装置3所具备的各种传感器以及在装置3的周边设置的各种传感器中的至少一个传感器的输出，来作为包含特性渐变部件的驱动条件和特性等的装置3的状态量，其中，多个装置3与信息管理装置2相连接。第2机器学习装置4-2(未图示)能够将该观测到的装置3的状态量与作为该状态量的一部分而取得的特性渐变部件的特性的特性变化信息关联起来，对特性渐变部件的标准特性变化曲线(参照图7)以及第2加速系数进行机器学习，该第2加速系数表示基于驱动条件的特性的恶化速度的加速相对于标准特性变化曲线的比例。
关于作为装置3的状态量进行观测的特性渐变部件的驱动条件和特性等的具体例子，包括驱动电流、施加电压、驱动频率、动作温度、环境温度、温度循环、湿度、振动等。根据部件，有时转矩输出特性、光输出特性、发热特性、旋转速度、加速度、可听见的声音、大气气体组成、应力等也成为状态量观测部6的观测对象的状态量。
另外，第2机器学习装置4-2与上述第1机器学习装置4-1相同地，具备第2学习部5-2、状态量观测部6、结果取得部7、数据记录部10，第2学习部5-2具备误差计算部8和学习模型更新部9。
信息管理装置2参照第2机器学习装置4-2的第2学习部5-2所学习的每个特性渐变部件的标准特性变化曲线以及第2加速系数，执行图9示出的处理流程，由此能够推定每个特性渐变部件的剩余寿命。并且，即使对于标准特性变化曲线或第2加速系数未知，或精度不足的特性渐变部件，信息管理装置2通过使用第2机器学习装置4-2重复进行学习，能够进行适当的库存管理和恰当的预防维护。
图12是举例表示对特性渐变部件的标准特性变化曲线和第2加速系数进行机器学习的过程的流程图。其中，在以下的基于图12的说明中，信息管理装置2兼做信息处理装置30。
上述第2机器学习装置4-2具备对标准特性变化曲线和第2加速系数进行学习的学习模型，计算该学习模型与第2机器学习装置4-2的结果取得部7所取得的实际的特性变化信息之间的误差，根据误差来更新学习模型，从而推进学习。
在图12的例子中，首先，若机器学习开始，第2机器学习装置4-2通过状态量观测部6，观测并记录来自构成装置3的通信控制部和存储器等各部的输出、来自装置3所具备的各种传感器以及在装置3的周边设置的各种传感器中的至少一个传感器的输出，来作为包含特性渐变部件的驱动条件和特性等的装置3的状态量的随时间的变化(步骤S301)。
第2机器学习装置4-2判定作为特性渐变部件的特性变化信息的该特性渐变部件的特性的恶化幅度，即从某一时间点的预定时间之前的特性开始的特性变化量是否大于预定值(步骤S302)。这是因为若恶化幅度不充分地大于测定误差，则恶化幅度除以驱动时间而求出的恶化速度的误差大，无法进行精度良好的学习。在特性渐变部件的特性的恶化幅度小于预定值时，再次执行步骤S301的处理。
当在步骤S302中判定为特性渐变部件的特性的恶化幅度大于预定值时，第2机器学习装置4-2将附带结果(特定的恶化幅度)的数据(具体而言，包含特性渐变部件的驱动条件和特性等的装置3的状态量)追记到数据记录部10(步骤S303)。
接着，第2机器学习装置4-2判断第2学习部5-2是否已经具备学习模型(步骤S304)，在该判定的结果为已经具备学习模型时，进入步骤S306，当还未具备学习模型时，根据在数据记录部10中记录的附带结果的数据生成初期学习模型(步骤S305)，进入步骤S306。
在步骤S306中，信息管理装置2参照第2学习部5-2所具备的学习模型，针对相应的特性渐变部件，使用第2加速系数计算并记录标准驱动条件下的恶化速度。并且，信息管理装置2参照上述学习模型，提取并记录与相应的特性渐变部件的特性相比计算后的恶化速度一致的标准特性变化曲线(步骤S307)，判定是否具有前次提取出标准特性变化曲线的履历(步骤S308)。当存在提取履历时，通过误差计算部8来计算此次在步骤S306中计算出的恶化速度与根据前次提取出的标准特性恶化曲线而推定的恶化速度之间的误差(步骤S309)，更新学习模型来减小该误差(步骤S310)。另一方面，当在上述步骤S308中判断为没有前次提取出标准特性变化曲线的履历时，返回步骤S301，继续进行机器学习。
若上述步骤S310中的学习模型的更新结束，则第2机器学习装置4-2判定有无机器学习结束的指令(步骤S311)，当给出了机器学习结束的指令时结束机器学习，当未给出机器学习结束的指令时，返回步骤S301继续进行机器学习。
如上所述，通过重复步骤S301～步骤S311的一系列处理，第2学习部5-2能够以更高精度对同一规格的每个特性渐变部件的标准特性变化曲线和基于各驱动条件的寿命消耗的第2加速系数进行学习。并且，信息管理装置2参照第2机器学习装置4-2的第2学习部5-2所学习的特性渐变部件的特性变化曲线以及第2加速系数，导出特性渐变部件的更换时期，由此对于特性渐变部件也能够进行更适当的库存管理和适当的预防维护。
另外，该机器学习的方法不限于在图12中举例表示的监督学习。
并且，通过图13所示的其他的实施方式的库存管理系统1，能够探索预兆未知的指定部件的预兆。如图13所示，第3机器学习装置4-3与信息管理装置2相连接，第3机器学习装置4-3具备第3学习部5-3和状态量观测部6。第3学习部5-3具备学习模型11。图14示意性地表示直到发现这样的未知的预兆为止的时间流。
图13所示的第3机器学习装置4-3通过状态量观测部6，观测来自具备指定部件的装置3的通信控制部和存储器等各部分的输出、来自装置3所具备的各种传感器以及设置在装置3的周边的各种传感器中的至少一个传感器的输出，来作为包含指定部件的特性和状态等的装置3的状态量。第3机器学习装置4-3的第3学习部5-3在取得了在装置3所具备的特性渐变部件以外的指定部件中发生了故障这样的结果的时间点，对于同一规格的每个故障部件，收集包含该发生了故障的部件的特性和状态等的装置3的状态量中的，直到故障发生时间点的预定时间以前的时间点为止的状态量数据。并且，第3学习部5-3通过从收集的状态量数据中提取与非故障时的状态量不同的特征，能够探索故障的预兆。
作为学习方法，并未进行限定，当从大量的数据中探索未知的预兆时，适用无监督学习。在无监督学习时，如图13所示，不必取得结果(即，故障信息)，第3机器学习装置4-3的第3学习部5-3大量输入包含指定部件的状态和特性的与驱动条件相关联的装置3的状态量，构建与输入数据的分布相关的学习模型。第3学习部5-3将构建的学习模型与收集的状态量数据(输入数据)进行比较，检出状态量的变化(在此为故障的预兆)。
在无监督学习中，对于输入数据怎样进行分布进行学习，即使没有对应的输出数据(监督数据)，由于能够提取存在于数据背后的本质的构造，存在找出针对故障未知的预兆的可能性。
另外，第3机器学习装置4-3的状态量观测部6观测的包含故障部件的特性和状态等的装置3的状态量及其变化根据部件的种类而不同，作为具体例子，具有电气输入输出特性(例如电阻的变化等)、光输出特性(例如光电转换效率的降低等)、发热特性(例如发热量的增加等)、转矩输出特性(例如转矩的降低等)、声响输出特性(例如声响输出降低等)、温度(例如温度上升等)、振动(例如振动增加等)、位移(例如产生位置偏差等)等。
图15是举例表示第3机器学习装置4-3从收集到的故障发生前的状态量数据中提取与非故障时的状态量不同的特征，检测故障的预兆的过程的流程图。其中，在以下的基于图15的说明中，信息管理装置2兼做信息处理装置30。
第3机器学习装置4-3对于与状态量数据的分布、数据的规则性相关的模型进行学习，检测故障发生前的状态量数据的变化，即故障发生前的预兆，将该学习结果输出到信息管理装置2。
在图15的例子中，首先，若机器学习开始，则第3机器学习装置4-3的状态量观测部6观测来自构成装置3的通信控制部和存储器等的各部的输出、来自装置3所具备的各种传感器以及在装置3的周边设置的各种传感器中的至少一个传感器的输出，来作为包含指定部件的特性和状态等的装置3的状态量(步骤S401)。
当在之后的步骤S402中判定为与状态量的分布相关的学习模型未确立时，第3机器学习装置4-3的第3学习部5-3构建与状态量(输入数据)的分布、数据的规则性相关的模型(学习模型)(步骤S403)，或者对该模型进行更新。当在上述的步骤S402中判定为已经通过批量学习或足够的在线学习等确立了学习模型时，第3学习部5-3不执行步骤S403的处理，而进入步骤S404。
接着，第3机器学习装置4-3若根据状态量观测部6观测到的状态量等，判定为在指定部件中发生了故障(步骤S404),则判定该发生了故障的部件是否是无需探索故障的预兆的特性渐变部件(步骤S405)。当故障部件不是特性渐变部件时，第3机器学习装置4-3提取直到发生了故障的时间点的预定时间之前的时间点为止的具有该故障部件的装置3的状态量的数据(步骤S406)。并且，第3机器学习装置4-3将提取出的状态量与学习模型进行比较，检测它们之间的差异(步骤S407)，将该差异作为该发生了故障的部件的故障的预兆，并输出到信息管理装置2或其他的输出装置(未图示)(步骤S408)。
之后，第3机器学习装置4-3判断有无机器学习结束的指令(步骤S409)，当给出了机器学习结束的指令时结束机器学习，当未给出机器学习结束的指令时，返回步骤S401，继续进行机器学习。
另外，当在上述的步骤S404中判定为没有发生指定部件的故障时、或在上述的步骤S405中判定为故障部件为特性渐变部件时，第3机器学习装置4-3返回步骤S401，继续进行机器学习。
如上所述，通过重复步骤S401～步骤S409的一系列处理，第3学习部5-3能够向信息管理装置2重复输出用于表示预兆未知或预兆不确定的指定部件发生故障时的预兆的数据、或者为预兆的可能性高的数据。
另外，本实施方式的第3机器学习装置4-3不只是向信息管理装置2输出用于表示指定部件发生故障时的预兆的数据、或者为预兆可能性高的数据。例如，第3机器学习装置4-3还可具有以下的功能。
第3机器学习装置4-3的第3学习部5-3从收集到故障发生前的状态量的数据中，提取与非故障时的状态量不同的特征。第3学习部5-3在认定为该不同的特征是指定部件的故障的预兆时，将包含预兆的产生范围和产生频度的预兆状态、从预兆出现开始直至故障发生为止的与故障部件的驱动条件相关联的装置的状态量数据、以及由结果取得部7作为结果而取得的实际的故障发生时间点关联起来，来学习预兆出现后的故障发生概率的时间分布、以及故障发生概率的时间分布的驱动条件依存性。并且，第3学习部5-3能够在直到确认了预兆的指定部件发生故障为止的期间，参照学习结果，输出用于促使更换出现预兆的指定部件(以下，称为预兆出现部件。)的预防维护信息，并且输出针对预兆出现部件的故障发生预测信息。具有这样功能的第3机器学习装置4-3与图10示出的第1机器学习装置4-1相同。信息管理装置2除了考虑部件的故障率和更换时期之外，还能够考虑上述故障发生预测信息，来管理维修用指定部件的库存数。
图16是能够在图15的处理流程中追加的流程图的例子，如上所述，表示如下的追加处理的流程，即为第3机器学习装置4-3在确认了故障的预兆时，将预兆的状态、从预兆出现开始直至故障发生为止的与故障部件的驱动条件相关联的装置的状态量、以及实际的故障发生时间点关联起来，来学习预兆出现后的故障发生概率的时间分布、以及故障发生概率的时间分布的驱动条件依存性，在直到预兆出现部件发生故障为止的期间，参照该学习的结果，促使更换预兆出现部件，并将其反映在预兆出现部件的库存管理中。但是，在以下的基于图16的说明中，信息管理装置2兼做信息处理装置30。
在图15的步骤S408和步骤S409之间插入图16的步骤S410～步骤S424的一系列处理流程，即使对于预兆出现部件也能够进行适当的库存管理和预防维护。另外，当执行图16所示的处理流程时，第3机器学习装置4-3通过与图10示出的第1机器学习装置相同的结构要素构成。
在图16中，首先，第3机器学习装置4-3接着图15的步骤S408，记录直至指定部件发生了故障的时间点的预定时间之前的时间点为止的该指定部件的状态量的数据与模型(以下，称为无监督学习模型)之间的差异(步骤S410)，上述模型是根据具有与发生了故障的指定部件同等规格的指定部件的非故障时的状态量的数据，通过无监督学习而构建的与状态量的分布和规则相关的模型。第3机器学习装置4-3判定该差异是否已被正式认定为发生了故障的指定部件的故障的预兆(步骤S411)。在未认定的情况下，第3机器学习装置4-3参照在步骤S410中记录的差异的信息，判定该差异作为指定部件的故障的预兆是否具有预定比率以上的再现性(步骤S412)。当具有预定比率以上的再现性时，第3机器学习装置4-3将提取出的状态量和无监督学习模型之间的差异正式认定为故障的预兆(步骤S413)，观测并记录包含预兆的产生范围和产生频度等的预兆状态、与预兆出现后的发生了故障的指定部件的驱动条件相关联的装置3的状态量(步骤S414)。
当在步骤S412中上述的差异作为指定部件的故障的预兆不具有预定比率以上的再现性，而没有被认为是预兆时，第3机器学习装置4-3进入图15的步骤S409及其之后的处理。另外，当在步骤S411中判定为上述的差异已被正式认定为发生故障的指定部件的故障的预兆时，第3机器学习装置4-3进入图15的步骤S414及其以后的处理。
接着，第3机器学习装置4-3判定在预兆出现部件中是否实际发生了故障(步骤S415)，当发生了故障时，将以预兆出现后直到实际发生故障为止的驱动时间作为结果(标签)的上述的预兆的状态和装置3的状态量作为附带结果(标签)的数据追记到数据记录部10(步骤S416)。
并且，第3机器学习装置4-3的第3学习部5-3将预兆的状态、从预兆出现到故障发生为止的与故障部件的驱动条件相关联的装置3的状态量的数据、以及从预兆出现到实际故障发生为止的驱动时间关联起来，通过监督学习，对预兆出现后的故障发生概率的时间分布、故障发生概率的时间分布的驱动条件依存性进行学习，判断是否已经具有监督学习模型(步骤S417)。当没有监督学习模型时，第3学习部5-3根据数据记录部10中记录的数据，生成监督学习模型的初期模型(步骤S418)。在步骤S417中判定为已具有监督学习模型时，第3学习部5-3不执行步骤S418的处理而进入步骤S419。
接着，第3学习部5-3计算从监督学习模型所具备的误差函数计算出的故障发生概率与故障发生概率的实绩值之间的误差(步骤S419)，更新监督学习模型以使该误差变小(步骤S420)，进入图15的步骤S409。
当在上述的步骤S415中判定为预兆已出现的指定部件未发生故障的情况下，第3学习部5-3判定是否具有监督学习模型(步骤S421)。在没有监督学习模型时，第3学习部5-3根据数据记录部10中记录的数据，生成监督学习模型的初期模型(步骤S422)，并参照监督学习模型计算故障发生概率的时间变化或累积故障率(步骤S423)。另一方面，当在上述的步骤S421中判定为已经具有监督学习模型时，第3学习部5-3不执行步骤S422的处理，进入步骤S423。
在步骤S423后，第3学习部5-3基于计算出的故障发生概率的时间变化或累积故障率，向信息管理装置2输出用于促使更换预兆出现部件的预防维护信息和预兆出现部件的库存管理所需要的故障发生预测信息中的至少一个(步骤S424)，进入图15的步骤S409。另外，累积故障率可通过用时间对故障发生概率进行积分来计算。
如上述，通过重复进行在图15的步骤S401～步骤S409中追加了图16的步骤S410～步骤S424的处理流程时的步骤S401～S424，即使对于预兆未知或不明确的指定部件的故障，也存在能够发现预兆的可能性。并且，通过图16所示的追加的处理流程，若将指定部件的故障发生前的状态认定为故障的预兆，则将预兆的状态、与预兆出现部件的驱动条件相关联的装置3的状态量、以及故障发生概率的时间变化关联起来，重复进行学习，参照该学习结果，例如能够更准确地计算图2b所示的累积故障率和指定部件的基于驱动条件的加速系数。因此，能够进行更适当的预防维护和更适当的库存管理。
图17是表示另一实施方式的库存管理系统1的概要结构的框图。在该图中示出的实施方式中，在上述信息管理装置2上连接有至少一个第4机器学习装置4-4。
第4机器学习装置4-4具备第4学习部5-4、状态量观测部6、判定结果取得部12、决策部15。第4学习部5-4具备回报计算部13和价值函数更新部14。
具体而言，状态量观测部6观测与信息管理装置2相连接的各装置3的状态量。判定结果取得部12取得与被设为装置3的故障部位的故障部件的推定结果的正确与否有关的判定结果。故障部件的推定结果意味着推定在发生了故障的装置3中发生了故障的部件为哪个部件，或者故障部位在哪里。
第4学习部5-4接收分别来自状态量观测部6和判定结果取得部12的输出，将装置3中的故障部件的推定结果与装置3的状态量、以及与故障部件的推定结果的正确与否相关的判定结果关联起来进行学习。
决策部15参照第4学习部5-4的学习结果，决定应从第4机器学习装置4-4输出的故障部件的推定结果。
并且，第4学习部5-4的回报计算部13具有用于决定故障部件的推定结果的价值的价值函数，当推定结果正确时计算正回报，在推定结果错误时计算负回报。第4学习部5-4的价值函数更新部14根据回报计算部13计算出的回报来更新上述的价值函数。
通过该结构，第4机器学习装置4-4参照第4学习部5-4的学习结果，进行装置3的故障诊断。
图18是表示图17所示的库存管理系统1的动作的一例的流程图。其中，在以下的基于图18的说明中，信息管理装置2兼做信息处理装置30。
首先，若机器学习开始，则第4机器学习装置4-4的状态量观测部6针对与信息管理装置2相连接的多个装置3，观测包含部件的特性和状态等的装置3的状态量(步骤S501)，并根据需要将该状态量的数据进行加工后输出到第4学习部5-4。
第4学习部5-4将上述的状态量的数据与事先记录的正常时的状态量进行比较，判定在装置3中是否发生了异常或故障(步骤S502)。当判定为在装置3中发生了异常或故障时，第4学习部5-4提取直到发生了异常的时间点为止记录的故障信息和特性变化信息等包含发生了故障的装置3的状态量的过去的履历的装置3的状态量(步骤S503)。第4学习部5-4参照第4学习部5-4的学习结果，即用于决定故障部件的推定结果的价值的价值函数，根据提取出的状态量推定故障部件(步骤S504)。基于该推定结果，决策部15决定应输出的故障部件的推定结果并将其输出给信息管理装置2(步骤S505)。
接着，当信息管理装置2接受在某一装置3中发生了异常或故障的信息，确认了该装置3的故障部件时(步骤S506)，第4机器学习装置4-4的判定结果取得部12取得确认的结果来作为判定结果，并将其输入给回报计算部13(步骤S507)。通过更换发生了故障的部件等，维修发生了故障的装置3(步骤S508)。
接着，第4学习部5-4判定在步骤S506中确认的实际的故障部件是否与决策部15输出的故障部件的推定结果一致(步骤S509)。当该实际的故障部件与故障部件的推定结果一致时，回报计算部13赋予正回报(步骤S510)，在实际的故障部件与故障部件的推定结果不一致时，回报计算部13赋予负回报(步骤S511)。根据这样的回报，价值函数更新部14对用于决定故障部件的推定结果的价值的价值函数进行更新(步骤S512)。并且，第4机器学习装置4-4将此次发生了故障的装置3的故障信息追记到故障信息的履历中来进行更新(步骤S513)。
之后，第4机器学习装置4-4判断有无机器学习结束的指令(步骤S514)，当给出了机器学习结束的指令时结束机器学习，当未给出机器学习结束的指令时，返回步骤S501，继续进行机器学习。另外，当在上述的步骤S502中判定为未在装置3发生异常或故障时，第4机器学习装置4-4返回步骤S501，继续进行机器学习。
如上所述，通过重复步骤S501～步骤S514的一系列处理，第4学习部5-4能够将装置3的故障部件的推定结果与包含装置3的状态量的过去的履历的装置3的状态量、以及针对故障部件的推定结果的判定结果关联起来进行学习，从而进行装置3的故障诊断。
另外，在从上述的第4机器学习装置4-4应输出的故障部件的推定结果中，不仅包含由第4学习部5-4推定为正确的概率最高的第1候补，还可以包含按照推定为正确的概率由高到低的顺序列出的多个候补。此时，实际的故障部件越是与在上位列出的候补一致，根据其排序由回报计算部13赋予越大的正回报，当未进入所列出的候补时赋予负回报。根据基于这样的条件回报，价值函数更新部14对上述价值函数进行更新。
图19是表示列出上述多个候补时的处理的一例的流程图。若与图18相比，图18的步骤S505、步骤S509以及步骤S510分别在图19中变更成步骤S515、步骤S516以及步骤S517。
对于从第4机器学习装置4-4应输出的故障部件的推定结果，通过列出多个候补，具有即使较少的故障次数，也进一步提高学习效果的效果。并且，即使第1候补错误，也能立即确认之后的候补，因此能够降低因无法确定发生了故障的部件而需要长时间修复装置的风险。
另外，在图17所示的库存管理系统1中，通过以使将来的回报的总和最大化为目的来更新价值函数的强化学习来学习了故障诊断能力。但是，不仅是强化学习，还可以将其他的机器学习的方法用于故障诊断能力的学习中。
在以上说明的各实施方式中，将第1机器学习装置4-1、第2机器学习装置4-2、第3机器学习装置4-3以及第4机器学习装置4-4等单个地设置在库存管理系统1中，但是这些机器学习装置无需是单个的硬件。可以通过第1机器学习装置4-1～第4机器学习装置4-4中的至少一个来构成一个机器学习装置。
另外，在图10、图13以及图17中，表示了从信息管理装置2独立的机器学习装置(4-1、4-3、4-4)与信息管理装置2相连接的方式，但是本发明并不限于此。可以是从第1机器学习装置4-1到第4机器学习装置4-4中的至少一个机器学习装置被配置在信息管理装置2内、或者与信息管理装置2连接的服务器或计算机内、或多个装置3中的任意一个装置3内。
图20是表示其他另一实施方式的库存管理系统1的概要结构例的框图。
在图20所示的库存管理系统1中，与信息管理装置2相连接的多个装置中的至少一个装置是具备激光振荡器17的激光装置16，从上述第1机器学习装置4-1到第4机器学习装置4-4中的至少一个(例如机器学习装置4)与信息管理装置2相连接。在图20中，实线的箭头表示信息或电的传输，虚线的箭头举例表示激光光线，点划线的箭头表示对激光振荡器17进行冷却的冷却水的流动的一部分。另外，控制部19与构成激光装置的各部和各种传感器进行信息交换，但是由于使图变得复杂而省略。
能够从构成激光装置16的激光振荡器17、激光电源部18、控制部19、光学系统20等各部，或者从激光装置16所具备的光量传感器21、电力传感器22、流量传感器24、温度传感器26、温湿度传感器27等各种传感器以及设置在该激光装置16的周边的温湿度传感器27等各种传感器输出下述的各种状态量。
作为输出的各种状态量的一例，具有来自激光装置16以及激光振荡器17中至少一方的激光输出光量、来自激光装置16以及激光振荡器17中的至少一方的激光输出的脉冲条件、返回到激光光学系统20以及激光装置16中的至少一方的反射光量、从激光电源部18向激光振荡器17供给的驱动电流以及驱动电压中的至少一方、构成包含激光振荡器17的激光装置16的部件的温度、激光装置16内的温度以及湿度中的至少一方、激光装置16的周边的温度以及湿度中的至少一方、向激光装置16以及构成激光装置16的部件中的至少一方施加的加速度、辅助气体的种类以及气体供给条件中的至少一方、激光光学系统20的透射率以及衰减率中的至少一方、设置激光装置16的位置以及高度中的至少一方等。
与信息管理装置2连接的机器学习装置4将上述各种状态量中的至少一个作为激光装置16的状态量，通过状态量观测部6来观测，通过判定结果取得部12取得构成激光装置16的各部的故障信息和特性变化信息。并且，上述的机器学习装置4所具备的学习部5对故障的预兆未知的部件的累积故障率曲线和第1加速系数进行学习，能够基于关于同一规格的指定部件的累积故障率的总和进行库存管理，对关于特性因驱动而逐渐恶化的特性渐变部件的特性变化曲线和第2加速系数进行学习，从而能够进行该特性渐变部件的库存管理和预防维护。学习部5对故障的预兆未知的部件的预兆进行检测，对于检测出的预兆，对预兆出现后的故障发生概率的时间变化和该预兆出现部件的驱动条件依存性进行学习，从而能够进行预兆出现部件的库存管理和预防维护，对用于决定故障部件的推定结果的价值的价值函数进行学习，从而能够提高确定故障部件的故障诊断能力。
在激光装置16中包含在部件的单体试验中难以准确求出激光装置16的部件的故障率和加速系数的部件。例如，针对假设因反射光而损坏的部件，由于无法仅通过该部件取得准确的故障率，需要在将该部件装入激光装置16的状态下求出部件的故障率。在本实施方式的库存管理系统1中，由于在部件被组入激光装置16的状态下对部件的累积故障率和加速系数进行机器学习，因此对于已装入激光装置16的部件，也能够准确地求出故障率和加速系数。因此，特别是在激光装置16中应用本发明的库存管理系统的优点很大。
对于激光装置16的故障诊断，例如能够通过以下的结构以及方法进行实施。
激光装置16除了具备多个激光振荡器17和检测来自激光装置16的光输出的光量传感器21以外，还具备分别检测来自多个激光振荡器17的光输出的多个光量传感器21。但是，在图20中由于图变得复杂，因而将激光振荡器17的数量设为2个，但是也可以多于2个。
并且，激光装置16具备：电力传感器22，其检出分别向各激光振荡器17供给电力的激光电源部18的供给电力；流量传感器24和水温传感器25，其用于检出对于与激光振荡器17相连接的水冷板进行冷却的冷水机23供给的冷却水的流量和温度；温度传感器26，其检出激光振荡器17的温度。
机器学习装置4观测上述各种传感器的输出值来作为状态量，并取得构成激光装置16的各部的故障信息和特性变化信息。因此，当对于来自激光装置16的控制部19的输出指令，未检测到如指令那样的光输出时，能够容易地进行故障诊断，即为确定发生了故障或特性恶化的部件是否为激光振荡器17、激光电源部18、冷水机23、激光光学系统20、或者任意一个传感器。
另一方面，在没有设置上述那样的传感器的部件发生了故障时，故障诊断常常并不容易，但是通过机器学习装置4重复进行学习，仅通过来自有限的各种传感器的信息，也能够进行准确的故障诊断。
图21是表示另一实施方式的库存管理系统1的概要结构的框图。
在图21示出的库存管理系统1中，多个信息管理装置2经由云28相互连接。在各个信息管理装置2上连接有多个装置3、上述第1机器学习装置4-1到第4机器学习装置4-4中的至少一个(例如机器学习装置4)。与各个信息管理装置2相连接的至少一个机器学习装置4经由连接了各信息管理装置2的云28，来共享上述的学习模型和价值函数等学习结果的信息。另外，多个机器学习装置4经由连接了各机器学习装置4的一个信息管理装置2，来共享上述的学习模型和价值函数等学习结果的信息。
如此，通过由多个机器学习装置4共享学习结果等信息，能够在更短的时间内进行学习，另外，能获得更准确的学习结果。
图22是表示另一实施方式的库存管理系统1的概要结构的框图。
在图21示出的库存管理系统1中，对于连接有多个装置3的信息管理装置2连接了自动仓库29。此时，基于指定部件的适当库存数等库存管理信息以及预防维护信息中的至少一个、经由信息管理装置2输入的自动仓库29的库存信息，自动进行指定部件的筹备。当为了进行维修从自动仓库29供给指定部件，或者将筹备的指定部件向自动仓库29交货时，更新自动仓库29的库存信息，并向信息管理装置2进行通知。
根据这样的结构，根据部件的库存数和剩余寿命等来自动筹备所需要的修修用部件，因此能够防止筹备错误，并且还具有能够实时将保养用部件的使用实绩情况反馈给信息管理装置2的优点。
在此，说明通过上述各种实施方式中的一个库存管理系统1可解决的课题。
专利文献1(日本特开2010-113672号公报)公开了一种库存管理方法，在该库存管理方法中“进行以下处理：在具有所述故障预兆个数的部件以所述第一故障率发生故障时，计算作为库存所需要的第一需要数的处理；在所述无故障预兆个数的部件以所述第二故障率发生故障时，计算作为库存需要的第二需要数的处理；通过将第一需要数和第二需要数进行合计，计算与所述故障预兆部件相同的部件的库存需要数的处理”。但是，在专利文献1中，仅记载了根据发现了预兆的部件的个数和未发现预兆的部件的故障率来计算库存需要数的技术，并未公开计算对于无预兆突然发生故障的部件的适当的库存数的技术，且未给出启示。
另外，专利文献2(日本特开2004-295667号公报)公开了一种更换部件库存预测装置，其具备“库存数量预测部，该库存数量预测部基于从所述信息取得部取得的所述运转时间的信息和所述故障率记录部中记录的所述故障率，对所述结构部件的需要库存数量进行预测”。但是，在专利文献2中记载的技术中，在预测库存数时，并未考虑故障率根据驱动条件而改变。并且，在专利文献2中并未记载考虑到在故障数少于根据记录的故障率计算出的故障数的状态持续时长时间使用的部件的比例增加，今后故障数增加的可能性变高这样的情况，需要增加库存数这一点。
专利文献3(日本特开2012-104058号公报)公开了一种库存管理装置以及库存管理方法，“基于故障信息履历对从当前时间点起的故障发生时间点和该故障发生时间点的故障时部件使用数进行预测的故障发生预测部”“考虑预测出的故障发生时间点和所述故障时部件使用数，来预测从当前时间点开始的库存部件数的变化”。但是，在专利文献3记载的技术中，由于未考虑对部件的故障率造成影响的部件的驱动条件的信息来预测故障发生，因而存在故障发生的预测精度低的问题。
即使以某种程度知道装置中具备的部件的基于驱动时间的故障率的平均的推移时，故障率一般因驱动条件而变化，特别是在故障的预兆不明确时，预测各个部件的故障时期时非常困难。若因为故障时期的预测困难，而足够富裕地持有价格高的部件来进行库存的过剩库存是不经济的。另一方面，若库存数不足，则在发生故障时，不能立刻更换故障的部件，产生在故障的部件交货之前无法使用装置的问题。在该装置为生产设备时，过剩库存提高生产成本，库存不足会导致使用该装置进行的生产停止而使生产计划大幅延迟，造成重大的损失。
如上所述，过剩库存和库存不足都存在问题。因此，第一课题是开发一种库存管理系统，其对于在多个装置中共同使用的、难以预测故障时期的无明确预兆的发生了故障的各个部件、或者以无明确的预兆或预兆未知的故障模式发生故障的各个部件，能够考虑这些部件的基于驱动条件的故障率的变化来掌握适当的库存数。
另外，根据部件，呈现因驱动而使特性逐渐恶化的预兆，若特性因恶化而达到预定的基准值，则需要进行更换。针对这些因驱动而特性逐渐恶化的部件(即，特性渐变部件)，需要一种库存管理系统，其能够还考虑部件的更换时期，来管理维修用部件的包含准确或恰当的含义在内的适当的库存数，上述部件的更换时期是根据还考虑了由驱动条件造成的影响的特性恶化速度而预测的。另外，针对上述的特性渐变部件，希望在故障前计划性地更换部件，从而提前预防装置的异常发生。
并且，想要在适当的库存管理和预防维护中使用的上述故障率和各种驱动条件对于故障率的影响的大小、或者特性恶化速度和各种驱动条件对于特性恶化速度的影响的大小如果已知即可，但是有时是未知的，或者虽然以某种程度已知但其精度不足。此时，若想要通过手动构建精度良好的信息则需要庞大的工时，因此能够尽可能地通过机器学习自动地构建在适当的库存管理和预防维护中需要的信息和数据的库存管理系统为第二课题。
另外，对于作为无预兆的故障，可能只是未注意到预兆。因此希望在自动探索预兆是否没有被认可从而发现了预兆时，自动收集与该预兆出现后的故障率相关的信息，并将其反映到库存管理和预防维护中，从而构建一种适当且精度高的库存管理系统。
并且，在装置呈现异常状态时，若能够确定应该更换的故障部件，则能够在更短时间中修复装置，能够不经人手来收集部件的故障信息来构建在适当的库存管理和预防维护中所需的信息和数据。因此，设为兼具诊断功能的库存管理系统是第三课题。
由上可知，上述实施方式中的一个提出一种库存管理系统1，其对于在与信息管理装置2相连接的多个装置3中共同使用的部件，针对无明确预兆的故障和出现特性恶化预兆的故障这两者，能够还考虑该故障率的驱动条件依存性来进行适当的库存管理和预防维护。另外，在其他的实施方式中提出一种能够进行更加适当的库存管理和预防维护的包含机器学习的库存管理系统1。
进一步说，本公开的库存管理系统1对于作为库存管理和预防维护的对象的多个装置中使用的同一规格的各个部件，基于将考虑了部件的基于驱动条件的加速系数后的各个部件的累积故障率全部进行相加而得到的累积故障率的总和，进行库存数管理，从而进行还考虑了无明确的预兆的故障的精度良好的适当的库存管理。
针对特性渐变部件，根据恶化速度和基于驱动条件的恶化速度的加速系数来推定剩余寿命进行库存管理，并且在寿命终结前进行促使更换的预防维护。
另外，累积故障率的时间变化和基于驱动条件的加速系数的信息、恶化速度的时间变化和基于驱动条件的加速系数的信息、表示装置的异常状态与故障位置之间的相关的信息通常并未充分地积蓄在数据库中。因此，本公开的库存管理系统1通过机器学习，重复进行这些信息的学习，从而能够提高信息的精度，能够进行更适当的库存管理和预防维护。
以上，使用典型的实施方式说明了本发明，但是本领域技术人员能够理解，在不脱离本发明的范围的情况下能够对上述实施方式进行变更以及各种其他的变更、省略、追加。
另外，为了解决本公开的至少一个课题，能够提供以下的各种实施方式及其效果。
例如，作为本公开的第一实施方式提供一种库存管理系统，其具备多个装置、以及连接了所述多个装置的信息管理装置，所述多个装置分别具备在该多个装置中共同使用的能够更换的通用部件，在所述多个装置中使用的每同一规格的所述通用部件是指定为库存管理对象的指定部件，所述库存管理系统具备信息处理装置，该信息处理装置计算累积故障率的总和，且基于该计算出的累积故障率的总和导出在某个时间点的所述指定部件的适当库存数，所述累积故障率的总和是针对在所述多个装置中使用的同一规格的全部的所述指定部件，将针对所述多个装置中使用的同一规格的各个所述指定部件在标准驱动条件下的标准累积故障率考虑了基于驱动条件的加速后的所述某个时间点的累积故障率进行相加而得到的值。
根据上述的第一实施方式，针对作为库存管理对象的部件，根据考虑了基于驱动条件的加速的累积故障率的总和来管理库存数，从而能够进行还考虑了几乎无预兆的故障的适当的库存管理，在避免过剩库存的同时，能够预防产生因库存不足而造成的故障修理的修复(维护)的延迟。
作为本公开的第二实施方式，提供一种库存管理系统，其在上述第一实施方式的库存管理系统中，当所述多个装置中使用的同一规格的所述指定部件中具有至少一个特性渐变部件时，所述信息处理装置根据所述特性渐变部件的某个时期的所述特性、针对所述特性渐变部件在所述标准驱动条件下的所述特性的标准恶化速度考虑了基于驱动条件的加速后的所述特性的恶化速度，来推定所述特性渐变部件的更换时期，还考虑该更换时期来导出所述指定部件的适当库存数，所述特性渐变部件是特性因驱动而逐渐恶化且当该特性达到预定的基准值时需要进行更换的部件。
根据上述第二实施方式，对于已知特性逐渐恶化的部件即特性渐变部件，还考虑基于某一时期的特性和考虑了基于驱动条件的加速后的特性恶化速度而推定出的更换时期来管理库存数，因而能够进行更适当的库存管理。
作为本公开的第三实施方式提供一种库存管理系统，其在上述的第二实施方式的库存管理系统中，所述信息处理装置针对所述特性渐变部件，在所述特性达到需要更换所述特性渐变部件的预定的所述基准值之前，输出促使更换所述特性渐变部件的预防维护信息。
根据上述的第三实施方式，针对特性恶化明显的部件，能够在恶化的特性达到需要进行更换的基准之前督促更换，由此能够进行提前预防装置故障的恰当的预防维护。
作为本公开的第四实施方式，提供一种库存管理系统，其在上述第一实施方式的库存管理系统中，
所述库存管理系统具备与所述信息管理装置相连接的至少一个第1机器学习装置，
所述第1机器学习装置具备：
状态量观测部，其观测来自构成所述装置的各部的输出、来自所述装置所具备的各种传感器以及在所述装置的周边设置的各种传感器中的至少一个传感器的输出，来作为与所述指定部件的驱动条件以及状态相关联的所述装置的状态量；
结果取得部，其取得在所述装置中产生的故障信息；以及
第1学习部，其将标准累积故障率曲线和第1加速系数与通过所述状态量观测部观测到的所述装置的状态量、以及通过所述结果取得部取得的所述故障信息关联起来进行学习，所述标准累积故障率曲线表示所述指定部件在所述标准驱动条件下的累积故障率的时间变化，所述第1加速系数表示基于驱动条件的所述累积故障率的加速相对于所述指定部件在标准驱动条件下的所述标准累积故障率的比例，
所述信息处理装置参照所述第1学习部所学习的所述指定部件在所述标准驱动条件下的所述标准累积故障率曲线以及所述第1加速系数来计算所述累积故障率的总和。
根据上述第四实施方式，能够获得如下的效果。即，针对全部的指定部件知道标准累积故障率和基于驱动条件的累积故障率的加速系数的情况较少，若想要以手动来求出则需要耗费很大的工时，但是如果将机器学习用于取得标准累积故障率和第1加速系数，则原则上不需要经过人手。另外，即使在知道标准累积故障率和第1加速系数时，通过比较少的采样数的加速寿命实验来求出标准累积故障率和第1加速系数的情况并不少，精度未必好。通过重复机器学习，以更高的精度获得标准累积故障率以及第1加速系数，累积故障率的总和的计算精度提高，能够进行更加适当的库存管理。
作为本公开的第五实施方式，提供一种库存管理系统，其在上述第二实施方式或者第三实施方式的库存管理系统中，
所述库存管理系统具备与所述信息管理装置相连接的至少一个第2机器学习装置，
所述第2机器学习装置具备：
状态量观测部，其观测来自构成所述装置的各部的输出、来自所述装置所具备的各种传感器以及在所述装置的周边设置的各种传感器中的至少一个传感器的输出，来作为与所述特性渐变部件的驱动条件以及特性相关联的所述装置的状态量；
结果取得部，其取得所述特性渐变部件的所述特性的特性变化信息；以及
第2学习部，其将标准特性变化曲线和第2加速系数与通过所述状态量观测部观测到的所述装置的状态量以及通过所述结果取得部取得的所述特性变化信息关联起来进行学习，所述标准特性变化曲线表示所述特性渐变部件在所述标准驱动条件下的所述特性的时间变化，所述第2加速系数表示基于驱动条件的所述恶化速度的加速相对于所述特性渐变部件在所述标准驱动条件下的所述标准特性变化曲线的比例，
所述信息处理装置参照所述第2学习部所学习的所述特性渐变部件的所述标准特性变化曲线以及所述第2加速系数来推定所述特性渐变部件的所述更换时期。
根据上述的第五实施方式，得到如下效果。即，针对已知特性因装置的驱动而恶化的部件，很多时候通过比较少的采样数的加速寿命试验来求出标准特性变化曲线和第2加速系数，不知道准确的恶化速度和相对于各种驱动条件的恶化速度的加速系数的情况并不少。但是，通过重复机器学习，能够以更高的精度得到标准驱动条件下的特性变化曲线和基于驱动条件的加速系数，能够进行更适当的库存管理和更恰当的预防维护。
作为本公开的第六实施方式提供一种库存管理系统，在上述第一实施方式或者第四实施方式的库存管理系统中，
所述库存管理系统具备与所述信息管理装置相连接的至少一个第3机器学习装置，
所述第3机器学习装置具备：
状态量观测部，其观测来自构成所述装置的各部的输出、来自所述装置所具备的各种传感器以及在所述装置的周边设置的各种传感器中的至少一个传感器的输出，来作为与所述指定部件的驱动条件以及特性相关联的所述装置的状态量；以及
第3学习部，其在取得除了所述特性渐变部件以外的所述指定部件中发生了故障的结果的时间点，对于同一规格的发生了所述故障的每个指定部件收集由所述状态量观测部观测到的具备发生了所述故障的指定部件的所述装置的所述状态量的数据中的，直到故障发生时间点的预定时间之前的时间点为止的数据，并从该收集的故障发生前的数据中取得与非故障时的所述状态量不同的特征来探索所述故障的预兆。
根据上述第六实施方式，能够通过无监督学习来检出故障的预兆。一般在无监督学习中，对输入数据怎样分布进行学习，即使不提供对应的输出数据(监督数据)，也能够提取在数据的背后存在的本质的结构。因此，通过收集具备发生了故障的指定部件的装置的状态量的数据中的，从故障产生时间点开始追溯预定时间的时间点为止的数据来作为无监督学习用输入数据，针对发生了故障的指定部件，可能找出针对故障的未知的预兆。
作为本公开的第七实施方式，提供一种库存管理系统，在上述的第六实施方式的库存管理系统中，
所述第3学习部在将提取出的所述特征认定为所述故障的预兆时，将所述预兆的状态、从出现所述预兆到发生所述故障为止的与发生了所述故障的指定部件的驱动条件相关联的所述装置的状态量的数据、以及从出现所述预兆到实际发生故障为止的驱动时间关联起来，对所述预兆出现后的故障发生概率的时间分布、以及所述故障发生概率的时间分布的驱动条件依存性进行学习，并且在直到出现了所述预兆的指定部件发生故障的期间，所述第3学习部参照所述学习的结果，输出促使对出现了所述预兆的指定部件进行更换的预防维护信息，并且输出针对出现了所述预兆的指定部件的故障发生预测信息，
所述信息处理装置还考虑所述故障发生预测信息来推定所述指定部件的适当库存数。
根据上述的第七实施方式，在找出了针对故障的未知的预兆时，能够通过机器学习推定故障产生时期。由此，能够还考虑该预兆来准备维修用部件，在故障前进行更换，从而能够进行恰当的预防维护。
作为本公开的第八实施方式提供一种库存管理系统，其在上述的第一实施方式到第七实施方式中的任意一方式的库存管理系统中，
所述库存管理系统具备与所述信息管理装置相连接的至少一个第4机器学习装置，
所述第4机器学习装置具备：
状态量观测部，其观测来自构成所述装置的各部的输出、来自所述装置具备的各种传感器以及在所述装置的周边设置的各种传感器中的至少一个传感器的输出，来作为与所述指定部件的驱动条件以及状态或特性相关联的所述装置的状态量；
判定结果取得部，其取得与具备发生了故障的所述指定部件的所述装置中的发生了该故障的指定部件的推定结果的正确与否有关的判定结果；
第4学习部，其接受来自所述状态量观测部的输出以及来自所述判定结果取得部的输出，将发生了所述故障的指定部件的推定结果与所述状态量观测部观测到的所述装置的状态量、以及通过所述判定结果取得部取得的发生了所述故障的指定部件的推定结果关联起来进行学习；以及
决策部，其参照所述第4学习部的学习结果，决定从所述第4机器学习装置应输出的发生了所述故障的指定部件的推定结果，
所述第4学习部具备回报计算部和价值函数更新部，所述回报计算部具有用于决定发生了所述故障的指定部件的推定结果的价值的价值函数，在所述推定结果正确时提供正回报，在所述推定结果错误时提供负回报，所述价值函数更新部根据所述回报来更新所述价值函数，
所述信息处理装置参照所述第4学习部的学习结果，进行所述装置的故障诊断。
根据上述的第八实施方式，在装置发生了故障时，通过重复机器学习，能够推定发生了故障的装置中的故障部件。由此，能够在更短时间内，将发生故障的装置从故障中恢复。另外，能够不经过人手而自动取得在装置中产生的故障信息。
作为本公开的第九实施方式，提供一种库存管理系统，其在上述第八实施方式的库存管理系统中，
在从所述第4机器学习装置应输出的发生了所述故障的指定部件的推定结果中，不仅包含由所述第4学习部推定为正确的概率最高的第1候补，还包含按照推定为正确的概率由高到低的顺序列出的多个候补，
实际发生了故障的所述指定部件越是与所述多个候补中的在上位列出的候补一致，根据其排序所述回报计算部赋予越大的正回报，当未进入所述多个候补时所述回报计算部赋予负回报。
根据上述的第九实施方式，即使故障次数少，也能够进一步提高学习效果。并且，即使第1候补错误，由于能够立即确认之后的候补，因此能够降低因无法确定发生故障的部件而需要长时间修复装置的概率。
作为本公开的第十实施方式提供一种库存管理系统，其在从上述第四实施方式到第九实施方式中的任意一个方式的库存管理系统中，
与所述信息管理装置相连接的所述多个装置中的至少一个为具备激光振荡器的激光装置，
所述第一机器学习装置、所述第二机器学习装置、所述第三机器学习装置以及所述第四机器学习装置中的至少一个机器学习装置与所述信息管理装置相连接，
作为所述激光装置的状态量，从构成所述激光装置的各部、或者从所述激光装置具备的各种传感器以及在所述激光装置的周边设置的各种传感器中的至少一个传感器输出以下中的至少一个：来自所述激光装置以及所述激光振荡器中的至少一方的激光输出光量、来自所述激光装置以及所述激光振荡器中的至少一方的激光输出的脉冲条件、返回到构成所述激光装置的激光光学系统以及所述激光装置中的至少一方的反射光量、从构成所述激光装置的激光电源部向所述激光振荡器供给的驱动电流以及驱动电压中的至少一方、构成包含所述激光振荡器的所述激光装置的部件的温度、所述激光装置内的温度以及湿度中的至少一方、所述激光装置周边的温度以及湿度中的至少一方，向所述激光装置以及构成所述激光装置的部件中的至少一方施加的加速度、辅助气体的种类以及气体供给条件中的至少一方、所述激光光学系统的透射率以及衰减率中的至少一方、以及设置所述激光装置的位置以及高度中的至少一方，
由所述至少一个机器学习装置对所述状态量进行观测。
根据上述第十实施方式，由于在部件被装入激光装置的状态下对部件的累积故障率和加速系数进行机器学习，因而对于组装在激光装置中的部件，也能够准确地求出故障率和加速系数。
作为本公开的第十一实施方式提供一种库存管理系统，其在从上述第四实施方式到第十实施方式中的任意一方式的库存管理系统中，
多个所述信息管理装置经由云相互连接，对各个所述信息管理装置连接了所述多个装置和至少一个机器学习装置，与各个所述信息管理装置相连接的至少一个所述机器学习装置经由所述信息管理装置或者连接了所述信息管理装置的所述云共享学习结果的信息。
根据上述的第十一实施方式，多个机器学习装置通过共享学习模型和价值函数等学习结果的信息，能够在更短时间中进行用于取得为了推定指定部件的库存数而需要的累积故障率、基于驱动条件的加速系数、特性的恶化速度等信息的学习。
作为本公开的第十二实施方式，提供一种库存管理系统，其在上述的第一实施方式到第十一实施方式中的任意一方式的库存管理系统中，
所述库存管理系统具备与所述信息管理装置相连接的自动仓库，
所述信息处理装置基于所述指定部件的包含所述适当库存数的库存管理信息以及所述预防维护信息中的至少一个、以及经由所述信息管理装置输入的所述自动仓库的库存信息，自动进行所述指定部件的筹备。
根据上述第十二实施方式，由于自动筹备需要的维修用部件，能够防止筹备错误，并且将维修用部件的使用实绩也实时地反馈给信息管理装置。

Claims (11)

1.一种库存管理系统，其具备多个装置、以及管理对所述多个装置收发的信息的信息管理装置，所述多个装置分别具备在该多个装置中共同使用的能够更换的通用部件，在所述多个装置中使用的每同一规格的所述通用部件是指定为库存管理对象的指定部件，其特征在于，
所述库存管理系统具备信息处理装置，该信息处理装置计算累积故障率的总和，且基于该计算出的累积故障率的总和导出在某个时间点的所述指定部件的适当库存数，所述累积故障率的总和是针对在所述多个装置中使用的同一规格的全部的所述指定部件，将针对所述多个装置中使用的同一规格的各个所述指定部件在标准驱动条件下的标准累积故障率考虑了基于驱动条件的加速后的所述某个时间点的累积故障率进行相加而得到的值，
所述信息管理装置判定所述指定部件的库存数是否小于导出的所述适当库存数，并且在判定为所述库存数小于所述适当库存数时向外部装置发出通知，该通知建议筹备所述指定部件的所需库存数，
当所述多个装置中使用的同一规格的所述指定部件中具有至少一个特性渐变部件时，所述信息处理装置根据所述特性渐变部件的某个时期的所述特性、针对所述特性渐变部件在所述标准驱动条件下的所述特性的标准恶化速度考虑了基于驱动条件的加速后的所述特性的恶化速度，来推定所述特性渐变部件的更换时期，还考虑该更换时期来导出所述指定部件的适当库存数，
所述特性渐变部件是特性因驱动而逐渐恶化且当该特性达到预定的基准值时需要进行更换的部件。
2.根据权利要求1所述的库存管理系统，其特征在于，
所述信息处理装置针对所述特性渐变部件，在所述特性达到需要更换所述特性渐变部件的预定的所述基准值之前，输出促使更换所述特性渐变部件的预防维护信息。
3.根据权利要求1所述的库存管理系统，其特征在于，
所述库存管理系统具备与所述信息管理装置相连接的至少一个第1机器学习装置，
所述第1机器学习装置具备：
状态量观测部，其观测来自构成所述多个装置的各部的输出、来自所述多个装置所具备的各种传感器以及在所述多个装置的周边设置的各种传感器中的至少一个传感器的输出，来作为与所述指定部件的驱动条件以及状态相关联的所述多个装置的状态量；
结果取得部，其取得在所述多个装置中产生的故障信息；以及
第1学习部，其将标准累积故障率曲线和第1加速系数与通过所述状态量观测部观测到的所述多个装置的状态量、以及通过所述结果取得部取得的所述故障信息关联起来进行学习，所述标准累积故障率曲线表示所述指定部件在所述标准驱动条件下的累积故障率的时间变化，所述第1加速系数表示基于驱动条件的所述累积故障率的加速相对于所述指定部件在标准驱动条件下的所述标准累积故障率的比例，
所述信息处理装置参照所述第1学习部所学习的所述指定部件在所述标准驱动条件下的所述标准累积故障率曲线以及所述第1加速系数来计算所述累积故障率的总和。
4.根据权利要求1或2所述的库存管理系统，其特征在于，
所述库存管理系统具备与所述信息管理装置相连接的至少一个第2机器学习装置，
所述第2机器学习装置具备：
状态量观测部，其观测来自构成所述多个装置的各部的输出、来自所述多个装置所具备的各种传感器以及在所述多个装置的周边设置的各种传感器中的至少一个传感器的输出，来作为与所述特性渐变部件的驱动条件以及特性相关联的所述多个装置的状态量；
结果取得部，其取得所述特性渐变部件的所述特性的特性变化信息；以及
第2学习部，其将标准特性变化曲线和第2加速系数与通过所述状态量观测部观测到的所述多个装置的状态量以及通过所述结果取得部取得的所述特性变化信息关联起来进行学习，所述标准特性变化曲线表示所述特性渐变部件在所述标准驱动条件下的所述特性的时间变化，所述第2加速系数表示基于驱动条件的所述恶化速度的加速相对于所述特性渐变部件在所述标准驱动条件下的所述标准特性变化曲线的比例，
所述信息处理装置参照所述第2学习部所学习的所述特性渐变部件的所述标准特性变化曲线以及所述第2加速系数来推定所述特性渐变部件的所述更换时期。
5.根据权利要求1或3所述的库存管理系统，其特征在于，
所述库存管理系统具备与所述信息管理装置相连接的至少一个第3机器学习装置，
所述第3机器学习装置具备：
状态量观测部，其观测来自构成所述多个装置的各部的输出、来自所述多个装置所具备的各种传感器以及在所述多个装置的周边设置的各种传感器中的至少一个传感器的输出，来作为与所述指定部件的驱动条件以及特性相关联的所述多个装置的状态量；以及
第3学习部，其在取得除了特性因驱动而逐渐恶化的特性渐变部件以外的所述指定部件中发生了故障的结果的时间点，对于同一规格的发生了所述故障的每个指定部件收集由所述状态量观测部观测到的具备发生了所述故障的指定部件的所述多个装置的所述状态量的数据中的，直到与故障发生时间点相比预定时间之前的时间点为止的数据，并从该收集的故障发生前的数据中提取与非故障时的所述状态量不同的特征来探索所述故障的预兆。
6.根据权利要求5所述的库存管理系统，其特征在于，
所述第3学习部在将提取出的所述特征认定为所述故障的预兆时，将所述预兆的状态、从出现所述预兆到发生所述故障为止的与发生了所述故障的指定部件的驱动条件相关联的所述多个装置的状态量的数据、以及从出现所述预兆到实际发生故障为止的驱动时间关联起来，对所述预兆出现后的故障发生概率的时间分布、以及所述故障发生概率的时间分布的驱动条件依存性进行学习，并且在直到出现了所述预兆的指定部件发生故障的期间，所述第3学习部参照所述学习的结果，输出促使对出现了所述预兆的指定部件进行更换的预防维护信息，并且输出针对出现了所述预兆的指定部件的故障发生预测信息，
所述信息处理装置还考虑所述故障发生预测信息来推定所述指定部件的适当库存数。
7.根据权利要求1～3、6中的任意一项所述的库存管理系统，其特征在于，
所述库存管理系统具备与所述信息管理装置相连接的至少一个第4机器学习装置，
所述第4机器学习装置具备：
状态量观测部，其观测来自构成所述多个装置的各部的输出、来自所述多个装置具备的各种传感器以及在所述多个装置的周边设置的各种传感器中的至少一个传感器的输出，来作为与所述指定部件的驱动条件以及状态或特性相关联的所述多个装置的状态量；
判定结果取得部，其取得与具备发生了故障的所述指定部件的所述多个装置中的发生了该故障的指定部件的推定结果的正确与否有关的判定结果，其中，发生了故障的指定部件的推定结果是指推定在发生了故障的所述多个装置中发生了故障的指定部件为哪个部件，或者故障部位在哪里；
第4学习部，其接受来自所述状态量观测部的输出以及来自所述判定结果取得部的输出，将发生了所述故障的指定部件的推定结果与所述状态量观测部观测到的所述多个装置的状态量、以及通过所述判定结果取得部取得的发生了所述故障的指定部件的推定结果关联起来进行学习；以及
决策部，其参照所述第4学习部的学习结果，决定从所述第4机器学习装置应输出的发生了所述故障的指定部件的推定结果，
所述第4学习部具备回报计算部和价值函数更新部，所述回报计算部具有用于决定发生了所述故障的指定部件的推定结果的价值的价值函数，在所述推定结果正确时提供正回报，在所述推定结果错误时提供负回报，所述价值函数更新部根据所述回报来更新所述价值函数，
所述信息处理装置参照所述第4学习部的学习结果，进行所述多个装置的故障诊断。
8.根据权利要求7所述的库存管理系统，其特征在于，
在从所述第4机器学习装置应输出的发生了所述故障的指定部件的推定结果中，不仅包含由所述第4学习部推定为正确的概率最高的第1候补，还包含按照推定为正确的概率由高到低的顺序列出的多个候补，
实际发生了故障的所述指定部件越是与所述多个候补中的在上位列出的候补一致，根据其排序所述回报计算部赋予越大的正回报，当未进入所述多个候补时所述回报计算部赋予负回报。
9.根据权利要求3、6、8的任意一项所述的库存管理系统，其特征在于，
与所述信息管理装置相连接的所述多个装置中的至少一个为具备激光振荡器的激光装置，
作为所述激光装置的状态量，从构成所述激光装置的各部、或者从所述激光装置具备的各种传感器以及在所述激光装置的周边设置的各种传感器中的至少一个传感器输出以下中的至少一个：来自所述激光装置以及所述激光振荡器中的至少一方的激光输出光量、来自所述激光装置以及所述激光振荡器中的至少一方的激光输出的脉冲条件、返回到构成所述激光装置的激光光学系统以及所述激光装置中的至少一方的反射光量、从构成所述激光装置的激光电源部向所述激光振荡器供给的驱动电流以及驱动电压中的至少一方、构成包含所述激光振荡器的所述激光装置的部件的温度、所述激光装置内的温度以及湿度中的至少一方、所述激光装置周边的温度以及湿度中的至少一方，向所述激光装置以及构成所述激光装置的部件中的至少一方施加的加速度、辅助气体的种类以及气体供给条件中的至少一方、所述激光光学系统的透射率以及衰减率中的至少一方、以及设置所述激光装置的位置以及高度中的至少一方，
由所述状态量观测部对所述状态量进行观测。
10.根据权利要求3、6、8中的任意一项所述的库存管理系统，其特征在于，
多个所述信息管理装置经由云相互连接，对各个所述信息管理装置连接了所述多个装置和至少一个机器学习装置，与各个所述信息管理装置相连接的至少一个所述机器学习装置经由所述信息管理装置或者连接了所述信息管理装置的所述云共享学习结果的信息。
11.根据权利要求1～3、6、8中的任意一项所述的库存管理系统，其特征在于，
所述库存管理系统具备与所述信息管理装置相连接的自动仓库，
所述信息处理装置基于所述指定部件的包含所述适当库存数的库存管理信息以及促使在所述指定部件中对特性因驱动而逐渐恶化的特性渐变部件进行更换的预防维护信息或促使对出现了故障预兆的指定部件进行更换的预防维护信息中的至少一个信息、以及经由所述信息管理装置输入的所述自动仓库的库存信息，自动进行所述指定部件的筹备。
CN201810168667.0A 2017-02-28 2018-02-28 具有进行库存管理以及预防维护的功能的库存管理系统 Active CN108510221B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017-037178 2017-02-28
JP2017037178A JP6526081B2 (ja) 2017-02-28 2017-02-28 在庫管理および予防保全を行う機能を有する在庫管理システム

Publications (2)

Publication Number Publication Date
CN108510221A CN108510221A (zh) 2018-09-07
CN108510221B true CN108510221B (zh) 2021-02-26

Family

ID=63112295

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810168667.0A Active CN108510221B (zh) 2017-02-28 2018-02-28 具有进行库存管理以及预防维护的功能的库存管理系统

Country Status (4)

Country Link
US (1) US10621545B2 (zh)
JP (1) JP6526081B2 (zh)
CN (1) CN108510221B (zh)
DE (1) DE102018103827A1 (zh)

Families Citing this family (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10242336B1 (en) * 2014-12-02 2019-03-26 Amazon Technologies, Inc. Inventory and delivery management
WO2019226715A1 (en) 2018-05-21 2019-11-28 Promptlink Communications, Inc. Techniques for assessing a customer premises equipment device
JP6640920B2 (ja) * 2018-06-12 2020-02-05 株式会社フジクラ ファイバレーザシステム、及び、その制御方法
JP6753442B2 (ja) * 2018-09-10 2020-09-09 日本電気株式会社 モデル生成装置、モデル生成方法、及びプログラム
US10935980B2 (en) * 2018-09-12 2021-03-02 International Business Machines Corporation Automated maintenance of datacenter computers using mobile robotic manipulators
JP2020052821A (ja) * 2018-09-27 2020-04-02 株式会社ジェイテクト 劣化判定装置および劣化判定システム
JP7278105B2 (ja) * 2019-02-28 2023-05-19 コマツ産機株式会社 産業機械の保全管理サービスをクライアントコンピュータに提供するためのサーバ、方法、及びシステム
JP7060246B2 (ja) * 2019-03-08 2022-04-26 Ｎｅｃフィールディング株式会社 保守管理装置、システム、方法、及びプログラム
JP6897701B2 (ja) 2019-03-19 2021-07-07 ダイキン工業株式会社 保守作業支援装置、保守作業支援方法及び保守作業支援プログラム
US11687840B2 (en) * 2019-05-20 2023-06-27 Honeywell International Inc. Forecasting with state transitions and confidence factors
JPWO2020250807A1 (zh) * 2019-06-10 2020-12-17
JP7474265B2 (ja) * 2019-08-30 2024-04-24 株式会社Ｎｔｔドコモ 在庫管理装置
US11604458B2 (en) 2019-09-17 2023-03-14 Nissan Motor Co., Ltd. Anomaly determination device and anomaly determination method
CN110865617B (zh) * 2019-11-14 2022-11-04 东华大学 时变工况下设备机会维护和生产调度集成优化方法
US11270258B2 (en) * 2020-01-23 2022-03-08 International Business Machines Corporation Dynamic inventory segmentation with predicted prediction time window
EP3859359B8 (en) * 2020-01-28 2024-04-10 Rohde & Schwarz GmbH & Co. KG Signal analysis method and test system
WO2021157005A1 (ja) * 2020-02-06 2021-08-12 三菱電機株式会社 管理支援装置、管理支援方法及び管理支援プログラム
JP6937054B1 (ja) * 2020-04-07 2021-09-22 Ｄａｔｕｍｉｘ株式会社 物流における立体自動倉庫
WO2023210019A1 (ja) * 2022-04-29 2023-11-02 三菱電機株式会社 保守コスト推定装置及び保守コスト推定方法
WO2023218635A1 (ja) * 2022-05-13 2023-11-16 ファナック株式会社 産業機械の保守管理装置および生産システム
CN115002977B (zh) * 2022-07-18 2022-10-28 成都盛及航空科技发展有限公司 一种着陆灯故障检测平台及着陆灯故障检测方法
CN115081997B (zh) * 2022-08-18 2022-12-13 庞械(天津)科技有限公司 设备备件库存诊断系统
JP2024097546A (ja) * 2023-01-06 2024-07-19 株式会社日立製作所 システムおよび稼働履歴管理方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012104058A (ja) * 2010-11-12 2012-05-31 Jfe Steel Corp 在庫管理装置および在庫管理方法
CN103632214A (zh) * 2013-12-23 2014-03-12 清华大学 库存退化数据缺失情况下的维修及备件供给联合优化方法
CN105046370A (zh) * 2015-08-18 2015-11-11 国电南瑞科技股份有限公司 四线一库备品备件库存量预测系统及其建立方法
CN105117606A (zh) * 2015-10-21 2015-12-02 辽宁工程技术大学 一种确定元件故障概率变化趋势的方法
CN105844050A (zh) * 2016-04-12 2016-08-10 吉林大学 基于时间相关的数控机床组件更换时间方法

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7124059B2 (en) * 2000-10-17 2006-10-17 Accenture Global Services Gmbh Managing maintenance for an item of equipment
JP2004295667A (ja) 2003-03-27 2004-10-21 Seiko Epson Corp 交換部品在庫予測装置、交換部品在庫予測方法、及びプログラム
JP4237610B2 (ja) * 2003-12-19 2009-03-11 株式会社東芝 保守支援方法及びプログラム
JP2007323148A (ja) * 2006-05-30 2007-12-13 Hitachi Ltd 管理支援装置、プログラム及び管理支援方法
US8954350B2 (en) * 2006-11-28 2015-02-10 Ricoh Company, Ltd. Order supporting apparatus, control method for an order supporting apparatus, order supporting system, and computer readable storage medium
US8725667B2 (en) * 2008-03-08 2014-05-13 Tokyo Electron Limited Method and system for detection of tool performance degradation and mismatch
US8190543B2 (en) * 2008-03-08 2012-05-29 Tokyo Electron Limited Autonomous biologically based learning tool
US8396582B2 (en) * 2008-03-08 2013-03-12 Tokyo Electron Limited Method and apparatus for self-learning and self-improving a semiconductor manufacturing tool
JP5058947B2 (ja) * 2008-11-10 2012-10-24 株式会社日立製作所 端末、プログラム及び在庫管理方法
CA2805747A1 (en) * 2010-07-16 2012-01-19 The Trustees Of Columiba University In The City Of New York Machine learning for a power grid
US9824060B2 (en) * 2010-07-23 2017-11-21 Polyvalor, Limited Partnership Tool and method for fault detection of devices by condition based maintenance
WO2012157040A1 (ja) * 2011-05-13 2012-11-22 株式会社日立製作所 保守部品寿命予測システムおよび保守部品寿命予測方法
US9002722B2 (en) * 2011-12-12 2015-04-07 The Boeing Company Lifecycle obsolescence forecasting tool
CA3002450C (en) * 2013-06-19 2020-12-15 United States Postal Service System and method for providing real-time tracking of items in a distribution network
CN104239694B (zh) * 2014-08-28 2016-11-23 北京交通大学 一种城轨列车转向架的故障预测与视情维修方法
US10345775B2 (en) * 2015-01-28 2019-07-09 Brian Westcott Methods and systems for infrastructure performance: monitoring, control, operations, analysis and adaptive learning
EP3156868A1 (en) * 2015-10-15 2017-04-19 Siemens Aktiengesellschaft Maintenance system and method for analyzing functional failures of a system
US10410132B2 (en) * 2016-06-07 2019-09-10 Honeywell International Inc. Probabilistic remaining usage life of aircraft structures
GB201621434D0 (en) * 2016-12-16 2017-02-01 Palantir Technologies Inc Processing sensor logs

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2012104058A (ja) * 2010-11-12 2012-05-31 Jfe Steel Corp 在庫管理装置および在庫管理方法
CN103632214A (zh) * 2013-12-23 2014-03-12 清华大学 库存退化数据缺失情况下的维修及备件供给联合优化方法
CN105046370A (zh) * 2015-08-18 2015-11-11 国电南瑞科技股份有限公司 四线一库备品备件库存量预测系统及其建立方法
CN105117606A (zh) * 2015-10-21 2015-12-02 辽宁工程技术大学 一种确定元件故障概率变化趋势的方法
CN105844050A (zh) * 2016-04-12 2016-08-10 吉林大学 基于时间相关的数控机床组件更换时间方法

Also Published As

Publication number Publication date
DE102018103827A1 (de) 2018-08-30
US10621545B2 (en) 2020-04-14
CN108510221A (zh) 2018-09-07
JP2018142256A (ja) 2018-09-13
JP6526081B2 (ja) 2019-06-05
US20180247256A1 (en) 2018-08-30

Similar Documents

Publication Publication Date Title
CN108510221B (zh) 具有进行库存管理以及预防维护的功能的库存管理系统
JP6865189B2 (ja) 故障確率評価システム及び方法
US10733577B2 (en) Preventive maintenance management system and method for generating maintenance schedule of machine, and cell controller
CN101955100B (zh) 电梯的部件改善计划系统及电梯的部件改善计划方法
JP6301902B2 (ja) 保守時期予測システム及び保守時期予測装置
JP6275070B2 (ja) 設備点検順位設定装置及びプログラム
JP7145821B2 (ja) 故障確率評価システムおよびその方法
US20210382473A1 (en) Condition-Based Method for Malfunction Prediction
US9218694B1 (en) Recommendations for time to replace parts on machines
JP6880560B2 (ja) 故障予測装置、故障予測方法及び故障予測プログラム
CN110967629B (zh) 用于电驱动装置的故障诊断系统和方法
EP4095537B1 (en) Neural network for estimating battery health
WO2020232106A1 (en) Device monitoring systems
JP6381122B2 (ja) 故障推定装置、故障推定データベース装置、故障推定プログラム、故障推定データベースプログラム、および故障推定システム
CN111768080B (zh) 一种在制产品完工进度的评估方法与系统
CN113177653B (zh) 用于资产的预测分析的系统和方法
JP2010020573A (ja) 設備のライフサイクルマネジメントシステムおよびその方法
US11561260B2 (en) Used secondary battery module management system server, used secondary battery module management system external terminal, and used secondary battery module management system
CN116934299A (zh) 一种高速公路机电设备的预测性维护系统及方法
CN116384876A (zh) 基于维纳过程的备件动态库存-生产控制方法、系统及介质
US10607180B2 (en) Inventory control for non-repairable items based on prognostics and health monitoring data
US11379801B2 (en) Maintenance support system and maintenance support method
US12099964B2 (en) Quality control device, quality control system, quality control method, and quality control program
US20240053739A1 (en) Remaining useful life prediction for machine components
EP4092537A1 (en) Computer-implemented method for updating a model parameter for a model

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant