JP6526081B2 - 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 - Google Patents

Description

本発明は、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に関する。

装置を構成する部品の故障や損傷によって装置が異常状態になると、装置が頻繁に停止したり、装置を使用できない停止期間が発生したりする。装置の停止頻度や停止期間の増加を防ぐため、各装置の部品の在庫数を管理することが従前より行われている。
部品の駆動時間による故障率（件／時間）の平均的な推移はある程度分かっている場合でも、故障率は駆動条件によって変化することもあり、個々の部品が何時故障するかは明確な予兆がある場合を除くと故障の予測は一般的には難しい。このため、装置部品の在庫管理において、過剰在庫や在庫不足という問題が往々にして起こりうる。
部品が高価である場合には過剰在庫は不経済である。その一方で、在庫不足が起きると、部品が納品されるまで装置が停止することになり、その装置が生産用設備の場合はその装置を使用する生産工程が大幅に遅れて甚大な損失がもたらされる。そこで、予兆のない故障も考慮した適正な在庫管理が必要である。
装置の保守部品の在庫管理は重要な技術なので、種々の関連技術が提案されている（例えば特許文献１、特許文献２、特許文献３を参照）。

特開２０１０−１１３６７２号公報 特開２００４−２９５６６７号公報 特開２０１２−１０４０５８号公報

しかし、従来、前述のような予兆のない故障も考慮した在庫管理機能を備えた在庫管理システムは提案されておらず、予兆のない故障数を精度の良く推定して適正な在庫管理を行うことはできなかった。そこで、予兆のない故障も考慮した部品の在庫管理が望まれている。

本開示の一態様は、複数の装置と、前記複数の装置が接続された情報管理装置とを備え、前記複数の装置はそれぞれ、該複数の装置に共通して使用される交換可能な共通部品を備えており、前記複数の装置に使用されている同一仕様毎の前記共通部品が、在庫管理の対象として指定する指定部品である、在庫管理システムであって、
前記複数の装置に使用されている同一仕様の個々の前記指定部品の標準駆動条件下における標準累積故障率に対して駆動条件による加速を考慮したある時点の累積故障率を、前記複数の装置に使用されている同一仕様の全ての前記指定部品について加算した値である累積故障率の総和を算出し、該算出した累積故障率の総和に基づいて前記ある時点の前記指定部品の適正在庫数を導出する情報処理装置を備えた、在庫管理システムでありうる。

上記の一態様によれば、全く予兆のない故障も考慮した適正な在庫管理を行うことができ、過剰在庫を避けながら、在庫不足による故障修理による復旧（保全）の遅延発生を予防することができる。

添付図面に示される本発明の典型的な実施形態の詳細な説明から、本発明の特徴及び利点ならびに他の特徴及び利点がさらに明確になるであろう。

一実施形態の在庫管理システムの概略的な構成を示すブロック図である。 偶発故障が支配的な部品の累積故障率の駆動時間による変化の例を示した図である。 摩耗故障が支配的な部品の累積故障率の駆動時間による変化の例を示した図である。 駆動条件とその駆動条件による加速係数との関係の例を示した図である。 偶発故障が支配的な１つの部品が、加速係数の異なる駆動条件で駆動された場合の累積故障率の経過時間による変化の例を示した図である。 摩耗故障が支配的な１つの部品が、加速係数の異なる駆動条件で駆動された場合の累積故障率の駆動時間による変化の例を示した図である。 在庫管理対象の装置が備える偶発故障が支配的な同一仕様の複数の部品の累積故障率の総和と推定累積故障率の総和と適正在庫数とのそれぞれの経過時間による変化の例を示した図である。 在庫管理対象の装置が備える摩耗故障が支配的な同一仕様の複数の部品の累積故障率の総和と推定累積故障率の総和と適正在庫数とのそれぞれの経過時間による変化の例を示した図である。 図５ｂに代えて適正在庫数を（適正在庫数≧推定累積故障率の総和＋１）の式から求めた場合の図である。 図１に示された在庫管理システムの動作の一例を示すフローチャートである。 駆動による特性の変化を示す特性変化曲線と、特性値と劣化速度が一致する特性変化曲線から残存寿命を見積もる方法とを示した図である。 図７に代えて駆動条件が、駆動による劣化速度の加速係数が２倍である場合の特性変化曲線と、その駆動条件での残存寿命を見積もる方法とを示した図である。 図１に示された在庫管理システムの動作の一例を示すフローチャートであり、図６に追加されうるフローチャートである。 他の実施形態の在庫管理システムの概略的な構成を示すブロック図である。 図１０に示した在庫管理システムにおける機械学習装置の動作の一例を示すフローチャートである。 在庫管理システムにおける機械学習装置の動作の他の一例を示すフローチャートである。 更なる他の実施形態の在庫管理システムの概略的な構成を示すブロック図である。 未知の予兆を発見するまでの時間の流れを模式的に示した図である。 図１３に示される在庫管理システムにおける機械学習装置の動作の一例を示すフローチャートである。 図１３に示される在庫管理システムにおける機械学習装置の動作の一例を示すフローチャートであり、図１４に追加されうるフローチャートである。 更なる他の実施形態の在庫管理システムの概略的な構成を示すブロック図である。 図１７に示される在庫管理システムにおける機械学習装置の動作の一例を示すフローチャートである。 図１７に示される在庫管理システムにおける機械学習装置の動作の他の一例を示すフローチャートである。 更なる他の実施形態の在庫管理システムの概略的な構成を示すブロック図である。 更なる他の実施形態の在庫管理システムの概略的な構成を示すブロック図である。 更なる他の実施形態の在庫管理システムの概略的な構成を示すブロック図である。

次に、本開示の実施形態について図面を参照して説明する。参照する図面において、同様の構成要素又は機能部には同様の参照符号が付けられている。理解を容易にするために、これらの図面は縮尺を適宜変更している。また、図面に示される形態は本発明を実施するための一つの例であり、本発明は図示された形態に限定されるものではない。

図１は、一実施形態の在庫管理システム１の概略的な構成を示すブロック図である。
図１に示されるように、在庫管理システム１は、情報管理装置２と、情報管理装置２に接続された複数の装置３と、を備える。情報管理装置２は、複数の装置３に対して授受する情報を管理する。より具体的には、情報管理装置２は、複数の装置３から各装置３の通信制御部やメモリ等を通じて、装置３の状態情報を収集して統括的に記録や解析等を行い、必要な情報を出力する装置である。
情報管理装置２は、例えば、インターネットまたはイントラネット等の通信網と、情報処理装置３０と、を備える。装置３および情報処理装置３０のそれぞれは、バスを介して互いに接続された、ＲＯＭ（read only memory)やＲＡＭ（random access memory）などのメモリ、ＣＰＵ（control processing unit）、及び通信制御部を備えたコンピュータまたはサーバー等を用いて構成されている。さらに、装置３および情報処理装置３０のそれぞれの機能もしくは動作は、コンピュータまたはサーバー等に搭載されたＣＰＵ、メモリ、及び該メモリに記憶された制御プログラムが協働することにより実現されうる。
在庫管理と予防保全の対象とされる範囲の装置は一般的には限られており、該対象範囲の装置３は、例えば、同じ生産セル内の装置、同じ建屋内の装置、同じ工場敷地内の装置、あるいは、保守用部品が所定に時間内に配送できる地域内の装置等である。故障した部品の在庫はあっても、所定の時間内に部品の故障で停止した、あるいは異常状態を示している装置が有る現場に所定時間内に届けられなければ意味がないためである。そのため、本開示の在庫管理システム１は、二つ以上の指定した装置３に使用されている同一仕様の共通部品について在庫管理を行うものとする。

なお、本明細書および特許請求の範囲に記載されている「部品」の用語には、部品とユニットの少なくとも一方の意味が含まれている。部品とは、機械や電気電子機器などを構成する要素のことを指し、ユニットとは、それら要素の組合せ品のことを指す。
また、本明細書および特許請求の範囲に記載されている「装置」の用語は、機器、装置、機械、および設備のうちの少なくとも一つの意味をもつ用語とする。さらに、本明細書および特許請求の範囲に記載されている「同一仕様」の用語には、仕様が全て同じという意味だけでなく、仕様が実質的には同じという略同一仕様の意味も含まれる。

後の記載から分かるが、本開示の在庫管理システム１では、各装置３から非常に多量の情報を収集する必要がある。このため、クラウドコンピューティングシステムのように複数の装置３からインターネットを介して広く情報を集める構成は、通信網への負荷が過大になるというだけでなく、各装置３の情報をリアルタイムに高速処理するのが難しくなる。従って、在庫管理システム１を構成する情報管理装置２は、複数の装置３とクラウド（不図示）との中間に存在して、装置群に近い側で情報の管理や処理を行う装置であることが望ましい。但し、図１においては、一群の複数の装置３が、在庫管理と予防保全の対象とされる範囲の装置として情報管理装置２に接続されているが、図１の態様に本発明は限定されない。複数の群に分かれた複数の装置３が情報管理装置２に接続されており、群ごとの複数の装置３がそれぞれ、在庫管理と予防保全の対象とされる範囲としても良い。

情報管理装置２に接続された複数の装置３には、該複数の装置３で共通に使用される少なくとも一種の交換可能な共通部品が備えられており、それら共通部品が、在庫管理の対象として指定される。在庫管理の対象に指定された部品（以下、指定部品と呼ぶ）については、複数の装置３に使用されている同一仕様の部品群毎に在庫管理が行われることになる。但し、在庫管理と予防保全の対象とされる一群の複数の装置３がすべて同じ仕様の装置である必要はない。

まず、ある一つの仕様の指定部品については、指定部品の故障率（件／時間）を駆動時間で積分した累積故障率が、図２ａや図２ｂに示されるようになることが知られている。指定部品の種類やその使い方によっては上記の「駆動」よりも稼働や通電等の用語の方が実態にあっていると思われる場合もあるが、そのような稼働や通電等の場合も、本願では「駆動」という用語で代用している。
図２ａおよび図２ｂの横軸はいずれも、駆動時間を、標準駆動条件で指定部品を駆動した場合のＭＴＴＦ（Mean Time to Failure：平均寿命）で除した値で示している。図２ａは偶発故障が支配的な場合の累積故障率の例であり、図２ｂは摩耗故障が支配的な場合の累積故障率の例である。
図２ａと図２ｂにおいて、実線のグラフは、標準駆動条件で使用した場合の累積故障率を表している。破線のグラフは、駆動条件が標準駆動条件に比べて、例えば駆動電圧が高かったり、温度が高かったりして、累積故障率の加速係数が２倍になり、累積故障率が０．５に達する駆動時間が１／２になった場合を表している。一点鎖線のグラフは、駆動条件が標準駆動条件に比べて、例えば駆動電圧が低かったり、温度が低かったりして、累積故障率の加速係数が０．５倍になり、累積故障率が０．５に達する駆動時間が２倍になった場合を表している。

図２ａと図２ｂのいずれの例においても、累積故障率がある値（例えば０．５）に達するまでの駆動時間が、加速係数によって、１／（加速係数） に短縮あるいは延長される。図３は、この駆動条件と加速係数の関係を例示したものである。図３の例では、駆動条件は駆動電圧としており、加速係数＝（駆動電圧／標準駆動電圧）の３乗 の場合を示している。駆動による累積故障率の増加や寿命消費を加速する駆動条件としては、図３に示された駆動電圧以外に、駆動電流、温度、温度サイクル、振動等が知られている。部品が発光デバイスの場合は、光出力が、累積故障率の増加や寿命消費を加速する代表的な駆動条件である。加速係数≒１の場合を除いて、駆動による累積故障率の増加や寿命消費を算出する場合には、加速する全ての駆動条件に対して加速係数を考慮することが必要である。
上記の累積故障率が、ある値に達する時間の短縮あるいは延長をもたらす加速係数を他の加速係数と区別する必要がある場合は、本願では「第１加速係数」と記載している。

ここで、図２ａや図２ｂのような累積故障率特性を示す指定部品のうちの一つの指定部品の累積故障率の時間変化を例示すると、図４ａや図４ｂのようになる。図４ａと図４ｂの横軸はいずれも、駆動開始時点からの経過時間を、指定部品を標準駆動条件で駆動した場合のＭＴＴＦで除した値で示している。図４ａは偶発故障が支配的な場合の累積故障率の例であり、図４ｂは摩耗故障が支配的な場合の累積故障率の例である。ＭＴＴＦは、例えば１０万時間程度であり、図４ａや図４ｂのグラフのように数万時間同じ駆動条件で駆動を継続したり、数万時間駆動を停止したりすることは不自然ではあるが、例示を分かり易くするために、図４ａや図４ｂは長時間同じ駆動条件で指定部品を駆動した場合のグラフにしている。
図４ａや図４ｂでは、指定部品を次のような工程で駆動した場合の累積故障率のグラフを示している。その工程は、図４ａや図４ｂに示されるとおり、最初は標準駆動条件で指定部品を駆動し、ある時点で累積故障率の加速係数を０．５の駆動条件に切換え、その後のある時点で累積故障率の加速係数を２倍の駆動条件に切換え、その後のある時点から指定部品が駆動されない停止期間を経過し、再び標準駆動条件で指定部品を駆動していたところ、故障が発生したので新品の指定部品に交換し、累積故障率をゼロにリセットした後、標準駆動条件で指定部品を駆動し続けることとしている。
駆動条件を切換えた時は、その時点の累積故障率から、新しい駆動条件の加速係数による累積故障率のグラフ（図２ａや図２ｂに例示）に乗り換えて、累積故障率が時間と共に増加していくことになる。従って、図４ａや図４ｂのグラフは、同一仕様の個々の指定部品の標準駆動条件下における標準累積故障率に対して駆動条件による加速を考慮した累積故障率の例を表している。図４ａや図４ｂから分かるように、駆動条件による加速を考慮しないと、累積故障率は、実際の累積故障率とは大きく異なってしまう。

言うまでも無く、一つの指定部品の駆動条件による加速を考慮した累積故障率が分かっても、確率の問題であり、その部品が実際にいつ故障するかは故障するまでは分からない。しかし、図５ａや図５ｂに示されるように、在庫管理と予防保全の対象とされる一群の複数の装置３に使用されている同一仕様の個々の指定部品の、駆動条件による加速を考慮した累積故障率を全て加算してなる値（すなわち、累積故障率の総和）を算出すると、上記指定部品の適正な在庫数の指標が得られる。

図５ａは、偶発故障が支配的な指定部品の累積故障率の総和と適正在庫数とのそれぞれの時間変化を例示した図である。図５ｂは、摩耗故障が支配的な指定部品の累積故障率の総和と適正在庫数とのそれぞれの時間変化を例示した図である。図５ａと図５ｂにおいて、在庫管理と予防保全の対象とされる一群の複数の装置３に使用されている同一仕様の全ての指定部品の累積故障率の総和（すなわち、Σ累積故障率）を太い破線で表し、ある時点から、その仕様の指定部品の納期時間（すなわち、調達に要する時間）経過後の推定累積故障率の総和（すなわち、Σ推定累積故障率）を細い破線で表している。
推定累積故障率の総和は、図４ａや図４ｂに示したような個々の同一仕様の指定部品の累積故障率の時間変化から推定される納期時間経過後の推定累積故障率の総和である。図５ａと図５ｂで太い実線で表されている適正在庫数は、推定累積故障率の総和を切り上げた正の整数であり、総括すると、適正に管理された在庫数の履歴ということになる。

図５ａと図５ｂでは、図を分かり易くするため、同じ駆動条件で駆動されている１０個の同一仕様の指定部品の累積故障率の総和を表している。図５ａの例では１０個同時に最初から駆動を始めている。一方、図５ｂの例では、少ない個数が原因で累積故障率の総和に広い谷が発生することがないように、最初は５個だけ駆動を開始し、残りの５個については、最初からＭＴＴＦ×０．３遅れて、ＭＴＴＦ×０．１間隔で１個ずつ駆動を開始している。
図５ａと図５ｂを見ると、累積故障率の総和を算出した際の指定部品の個数が少ないために、累積故障率の総和の変動が大きくなっているが、個数が増えればその変動の割合は減少する。また、累積故障数の総和と推定累積故障率の総和とのグラフが分かれて見えるように、納期はＭＴＴＦの５０分の１と長く設定している。納期を長く設定したため、図５ｂの例では、かなり長期に在庫数がゼロの期間が発生している。
上記のように設定した条件であっても、累積故障率の総和に基づいて在庫数を管理することによって、具体的には、実際の在庫数が推定累積故障率の総和より小さくなればその指定部品を直ぐに手配することによって、その指定部品が故障したのに在庫がないという事態は発生しておらず、在庫数は適正に管理されている。
累積故障率の総和に基づいて在庫数を管理するという意味を補足すると、例えば、個々の指定部品の累積故障率が０．０１であり、同一仕様の指定部品が１０００個あれば、累積故障率の総和は１０である。これは、平均的にはいつ１０個の部品が故障していてもおかしくない状態であり、最低でもその仕様の指定部品の在庫は１０個必要であることを意味する。
故障が余り発生していないと、却って、長く使用している部品の割合が増えて、今後故障が多くなる可能性が高くなる。この場合、在庫を増やす必要があること等が反映された在庫管理が行える。

上記のような故障の可能性は統計上の確率の問題なので、実際の結果（故障数）は個数（母数）が小さい程ばらつきが大きい。したがって、在庫不足のリスクを低減するために、上記の最低必要な在庫数に所定の個数をマージンとして加えて求めた数を適正在庫数とするとか、最低必要な在庫数に所定の比率を掛算してなる数をマージンとして該在庫数に加えて求めた数を適正在庫数とする等の補正を行っても良い。指定部品の個数が比較的少ない場合には、前者の最低必要な在庫数に所定の個数を加算した個数を適正在庫数とする管理方法が望ましい場合が多い。
ちなみに、図５ｃでは、図５ｂの例、すなわち実際の在庫数が推定累積故障率の総和より小さくなると直ぐに指定部品を手配するという在庫管理方法に対して、実際の在庫数から推定累積故障率の総和を引いた値が１以下になると直ぐに指定部品を手配するという在庫管理方法を採った場合の適正在庫数が表されている。
図５ｃの例では、図５ｂの例と比べて、一時期であっても在庫数がゼロになる期間がなく、在庫数は平均して約１個増えているが、在庫不足による装置の復旧遅延が発生するリスクが低減する。指定部品毎に、その価格や納期によって、在庫数増加と在庫不足リスクとのバランスを考えて、上述のマージンを変えても良い。一般的には、納期が長い程、さらに価格が安い程、マージンを大きめに取った方が望ましい。

図６は、本実施形態の在庫管理システムの動作の一例を示すフローチャートである。但し、以下の図６に基づく説明においては、情報管理装置２が情報処理装置３０を兼ねているものとする。
情報管理装置２が、在庫管理を開始すると、在庫管理対象の複数の装置３が備える指定部品の駆動条件や状態を含む各装置３の状態量を、各装置３の通信制御部等を経由して収集し記録する（ステップＳ１０１）。
情報管理装置２は、ステップＳ１０１で収集した指定部品の駆動状態が正常で故障していないかを判定し（ステップＳ１０２）、正常であれば、予め記録されている、指定部品の標準駆動条件における累積故障率のデータと駆動条件による累積故障率の加速に関するデータとを参照して、ステップＳ１０１で収集した指定部品の駆動状態を示すデータから指定部品毎の駆動条件による加速の影響を考慮した累積故障率を算出すると共に、その累積故障率の推移を記録する（ステップＳ１０３）。
さらに、情報管理装置２は、予め記録されている指定部品毎の納期を確認する（ステップＳ１０４）。次いで、情報管理装置２は、指定部品毎の納期と、指定部品の標準駆動条件における累積故障率のデータと、駆動条件による累積故障率の加速に関するデータと、ステップＳ１０３で記録した累積故障率の推移のデータとを参照して、ある時点（通常は現時点）から納期分の時間が経過した後の累積故障率である推定累積故障率を指定部品毎に算出して記録する（ステップＳ１０５）。

次いで、情報管理装置２は、ステップＳ１０５で指定部品毎に算出して記録した推定累積故障率を同一仕様の指定部品毎に積算することにより同一仕様の指定部品毎の推定累積故障率の総和を算出して、記録する（ステップＳ１０６）。情報管理装置２は、事前に手配した指定部品が納入されているかを確認して（ステップＳ１０７）、手配した指定部品が新たに納入されている場合は、メモリに記録されている納入された指定部品の在庫数を更新して（ステップＳ１０８）、ステップＳ１０９に進む。ステップＳ１０７で、指定部品の納入の有無を判定した結果、新たに納入された指定部品がないと判定された場合は、ステップＳ１０７から直接ステップＳ１０９に進む。

ステップＳ１０９では、情報管理装置２は、メモリに記録されている指定部品毎の在庫数と、ステップＳ１０６で算出して記録した同一仕様の指定部品毎の推定累積故障率の総和とを比較して、（指定部品毎の在庫数）≧（同一仕様の指定部品毎の推定累積故障率の総和）＋Δｎであるか否かを判定する。
ここで、Δｎはマージンであり、ゼロを含む正の数である。前述の図５ａと図５ｂの例ではΔｎ＝０とし、前述の図５ｃの例ではΔｎ＝１としたが、マージンは必ずしも整数である必要はない。また、判定式は一例であり、（指定部品毎の在庫数）≧ｍ×（同一仕様の指定部品毎の推定累積故障率の総和）で、ｍ≧１としてマージンを付与しても良い。また、Δｎやｍは、指定部品毎に変えても良い。

ステップＳ１０９での判定がＹＥＳであれば、適正な在庫数が確保されているので、情報管理装置２は、在庫管理を終了するという指令が出ているか否かを判定して（ステップＳ１１０）、在庫管理の終了指令が出ていれば、在庫管理を終了する。在庫管理の終了指令が出ていなければ、情報管理装置２は、ステップＳ１０１に戻って、在庫管理を継続する。
なお、前述のステップＳ１０２で、指定部品の駆動状態を判定した結果、指定部品が異常であると判定された場合は、情報管理装置２は、その異常部品の交換（ステップＳ１１１）を外部通知して、異常部品を備えていた装置３を復旧させ、交換した指定部品の在庫数を更新する(ステップＳ１１２)。交換後の指定部品が新品であれば、情報管理装置２は、交換した指定部品の累積故障率をゼロにリセットして（ステップＳ１１３）、ステップＳ１０１に戻って、在庫管理を継続する。
前述したステップＳ１０９での判定がＮＯであれば、そのままでは今後在庫不足が発生する可能性が高くなる。このため、情報管理装置２は、ＮＯの判定が出た対象部品について、ＹＥＳの判定にするために必要な個数を手配して（ステップＳ１１４）、ステップＳ１０１に戻って、在庫管理を継続する。
以上のステップＳ１０１〜ステップＳ１１４を繰返すことにより、指定部品の在庫数が適正に管理される。

以上のように、本実施形態の在庫管理システム１は、一群の複数の装置３に使用されている同一仕様の個々の指定部品の標準駆動条件下における標準累積故障率に対して駆動条件による加速を考慮したある時点の累積故障率を上記の一群の複数の装置３に使用されている同一仕様の全ての指定部品について加算した値である累積故障率の総和を算出し、その算出した累積故障率の総和に基づいて指定部品の適正在庫数を導出する機能を有する。この機能により、全く予兆のない故障も考慮した適正な在庫管理ができ、過剰在庫に陥ることなく、かつ在庫不足による保全や復旧の遅延を予防することができる。

なお、上記の機能は、情報管理装置２内に配置されたコンピュータあるいはサーバー等の情報処理装置３０が担っており、より具体的には、図６に示された一連の処理、例えば累積故障率や累積故障率の総和の算出、判定および記録等を含む一連の処理が情報処理装置３０により行われる。上記の機能を担う情報処理装置３０は、情報管理装置２に接続されていても良いし、あるいは情報管理装置２に接続している複数の装置３のうちのいずれかの装置３内に配置されていても良い。

また、情報管理装置２に接続された複数の装置３が備える少なくとも一つの共通の指定部品において、駆動により特性が次第に劣化してその特性が所定の基準値に到達すると交換が必要になる部品（以下、特性漸変部品と呼ぶ。）がある場合には、特性漸変部品のある時期の特性と、特性漸変部品の標準駆動条件下における特性の標準劣化速度に対して駆動条件による加速を考慮した特性の劣化速度とから、特性漸変部品の交換時期を推定し、この交換時期も、上記の累積故障率の総和に基づく在庫数に勘案して、指定部品の在庫数を導出することが望ましい。このような機能も情報処理装置３０が担っている。

図７は、駆動により劣化する特性を有する特性漸変部品の標準駆動条件下における特性の時間変化を表す標準特性変化曲線の例を示している。図７の例では、特性として、特性漸変部品を駆動して所定の大きさの出力を得るために必要な駆動電流としており、その所定の出力を得るための駆動電流が１４Ａを越えると寿命が尽きたと判定されて交換する必要があるとしている。
実際の特性変化においては、ある時点の所定の出力を得るための駆動電流が１０Ａで、４５００時間駆動する前の所定の出力を得るための駆動電流が８Ａであったとする。このような実際の特性変化を図７に示される標準特性変化曲線と比較すると、６本の標準特性変化曲線のうちの一番左側の標準特性変化曲線は実際の特性変化と比べて劣化速度（すなわち、特性の変化量を駆動時間で除した値）が大きく、一番右側の標準特性変化曲線は実際の特性変化と比べて劣化速度が小さく、左側から４番目の標準特性変化曲線は実際の特性変化と比べて劣化速度がほぼ一致していることが分かる。従って、この４番目の標準特性変化曲線に実際の特性変化がほぼ倣うということは、残存寿命は４６００時間程度と推定されうる。

ある時点の所定の出力を得るための駆動電流が８Ａから１０Ａまで増加する間の駆動条件が、寿命消費が２倍に加速される条件（すなわち、加速係数＝２の条件）であった場合は、図７の横軸（時間軸）を２分の１に圧縮した場合を示した図８の特性変化曲線と比較して残存寿命を推定する必要がある。図８の例では、寿命消費が２倍に加速される条件で駆動されているので、そのままの駆動条件で使用すれば残存寿命は２３００時間程度と推定されるが、標準駆動条件（すなわち、加速係数＝１の条件）に変更して使用すれば残存寿命は４６００時間程度と推定されるということになる。駆動中に駆動条件が変わった場合は、各時点の寿命消費の加速係数を時間積分した値をその間の時間で除した平均的な加速係数（＝∫（加速係数）dt ／ ∫dt）を使用する必要がある。
図７や図８において、特性変化曲線は限られた本数しか記載されていないが、それらの特性変化曲線の間の勾配の曲線は補間法で求められる。
なお、寿命消費の加速係数を他の加速係数と区別する必要がある場合は、本願では「第２加速係数」と記載している。

以上のように、複数の装置３が備える少なくとも一つの共通の指定部品において特性漸変部品がある場合には、その特性漸変部品の駆動条件による加速を考慮した図８のような特性変化曲線のうち、特性漸変部品のある時期（ある時点より前の所定期間）の特性変化と比べて特性の劣化速度が一致する特性変化曲線に基づいて、残存寿命を推定することができる。また、特性漸変部品のある時期の特性の劣化速度を標準駆動条件下の劣化速度に換算し、図７のような標準特性変化曲線のうち、そのある時期の特性変化と比べて換算後の劣化速度が一致する標準特性変化曲線を基に、残存寿命を推定することもできる。例えば、加速係数＝２の駆動条件であった場合は、実際の駆動時間に対して標準駆動条件下での駆動時間は２倍に相当する。劣化速度は特性の変化量を駆動時間で除した値（＝特性の変化量／駆動時間）なので、標準条件下の劣化速度は、実際の劣化速度の１／２倍になり、実際の特性変化と比べて１／２の劣化速度が一致する図７のような標準特性変化曲線のうちの一つから、残存寿命を推定することができる。但し、駆動中に駆動条件が変わった場合は、上記の標準駆動条件下での駆動時間には、各時点の寿命消費の加速係数の時間積分（＝∫（加速係数）dt）を使用する必要がある。

以上のように、駆動条件による加速を考慮した特性変化曲線とある時期の劣化する特性とを照合し、その劣化する特性と比べて特性の劣化速度が一致する特性変化曲線から特性漸変部品の残存寿命や交換時期を推定して、保守用の指定部品の在庫数を管理することによって、より適正な在庫管理が可能になる。
また、本実施形態の在庫管理システムにおいては、情報管理装置２が、特性漸変部品について、劣化の進行状態から推定される交換時期を勘案して交換予定の部品を手配するという在庫管理を行うこともできる。さらに、情報管理装置２は、これらの部品を備えた装置３の故障による停止を未然に防ぎ、その装置３による生産等にできるだけ支障を来さないように、劣化特性が、特性漸変部品の交換が必要になる所定の基準値に到達する前に、特性漸変部品の交換を促す予防保全情報を出力して、これらの部品を計画的に交換できるようにしている。

図９は、図６に対して追加可能なフローチャートの例であり、追加の処理フローとして、上記の特性漸変部品に対する在庫管理と予防保全のステップを示した図である。図９のステップＳ１１５〜ステップＳ１２９の処理フローを図６に示されたステップＳ１０９とステップＳ１１０の間に挿入することによって、特性漸変部品についても適正な在庫管理と予防保全が可能になる。また、以下の図９に基づく説明においては、情報管理装置２が情報処理装置３０を兼ねているものとする。

図９においては、先ず、図６のステップＳ１０９に続いて、上記の指定部品が特性漸変部品であるか否かが判定される（ステップＳ１１５）。
情報管理装置２は、ステップＳ１１５で指定部品が特性漸変部品でないと判定された場合は、図６のステップＳ１０１に戻る。しかし、指定部品が特性漸変部品であると判定された場合には、情報管理装置２は、在庫管理対象の各装置３の通信制御部等を経由して、特性漸変部品の駆動条件や特性を含む各装置３の状態量を収集および記録して（ステップＳ１１６）、特性漸変部品毎の特性の劣化速度と駆動条件による劣化速度の加速係数とを算出する（ステップＳ１１７）。

続いて、情報管理装置２は、特性漸変部品毎のある時期の特性を図８に示されたような加速係数を考慮した特性変化曲線と照合し（ステップＳ１１８）、それらの特性変化曲線から、上記特性漸変部品のある時期の特性の劣化速度が一致する曲線を選出して、その選出された曲線から、特性漸変部品毎の駆動条件による加速係数を考慮した残存寿命を算出する(ステップＳ１１９)。
さらに、情報管理装置２は、残存寿命が短い等の理由で手配した特性漸変部品が既に納入済みか否かを判定して（ステップＳ１２０）、納入済みの場合は納入された特性漸変部品の在庫数を更新（ステップＳ１２１）してからステップＳ１２２に進み、未納入の場合は直接ステップＳ１２２に進む。

ステップＳ１２２では、情報管理装置２は、特性漸変部品の交換時期より所定時間前に部品の交換を促す予防保全情報に従って、その交換時期に近い特性漸変部品に関する予防保全が実施されたか否かを判定する。その判定の結果、予防保全が実施されている場合には、情報管理装置２は、予防保全のために使用された特性漸変部品の在庫数を更新する（ステップＳ１２３）と共に、交換された特性漸変部品の残存寿命を平均寿命等にリセットして（ステップＳ１２４）、ステップＳ１２５に進む。予防保全が実施されていない場合には、情報管理装置２は、ステップＳ１２２から直接ステップＳ１２５に進む。
ステップＳ１２５では、情報管理装置２は、ステップ１１９で算出された残存寿命がその特性漸変部品の納期に所定時間Ｔ１を加えた時間より長いか否かを判定する。本明細書において、納期は、部品の発注から納入までに要する期間のことを指す。
ここで、所定時間Ｔ１は通常のマージンという意味もあるが、例えば、平均的な加速係数＝２の駆動条件で駆動された特性漸変部品は、今後も平均的な加速係数＝２の駆動条件で駆動されるであろうという前提で残存寿命を算出するのが通常と考えられる。しかし実際には、平均的な加速係数＝２の駆動条件で駆動された後、例えば、平均的な加速係数＝４の駆動条件の駆動される場合もありうる。その場合は実際の残存寿命は予想した残存寿命の１／２に減少してしまうので、そのような場合も想定して所定時間Ｔ１を設定する必要がある。なお、常に駆動状態を監視して、駆動状態のデータを基に比較的頻繁に残存寿命を判定することにより、予想した残存寿命と実際の残存寿命との隔たりを最小限に抑えることができる。

ステップＳ１２５で、残存寿命≧納期＋所定時間Ｔ１を満たさないと判定された場合は、情報管理装置２は、該当する特性漸変部品が未手配であるか否かを判定し（ステップＳ１２６）、未手配の場合には、該当する特性漸変部品を手配し（ステップＳ１２７）、手配済みであることを記録して、ステップＳ１２８に進む。但し、上記ステップＳ１２５で、残存寿命≧納期＋所定時間Ｔ１を満たすと判定された場合や、上記ステップＳ１２６で、該当する特性漸変部品が手配済みと判定された場合には、それぞれのステップは直接ステップＳ１２８に進む。

ステップＳ１２８では、残存寿命≧所定時間Ｔ２を満たすか否かが判定される。残存寿命が所定時間Ｔ２より短くなると、情報管理装置２は、該当する特性漸変部品を交換した方が良いことを示し、該当する特性漸変部品の交換を促す予防保全情報を出力する（ステップＳ１２９）。
予防保全情報の出力例としては、注意を喚起する文字を表示器に表示することや、おおよその残存寿命を表示器に表示すること等がありうる。予防保全情報を確実に通知されるように、音や光を予防保全情報に伴わせても良い。また、複数の異なる所定時間Ｔ２を設定して、残存時間が短くなるにつれて注意報から警報に切替える等の処置を採っても良い。上記ステップＳ１２８で、残存寿命≧所定時間Ｔ２を満たすと判定された場合には、ステップＳ１２９は実施されずに、図６のステップＳ１１０が実施される。

以上のように、図６のステップＳ１０１〜ステップＳ１１４に図９のステップＳ１１５〜ステップＳ１２９が追加された一連の処理を繰返すことにより、予兆なく故障する指定部品については、駆動条件による加速を考慮した累積故障率の総和に基づいて在庫数を適正に管理することができ、特性が次第に劣化する特性漸変部品についても、駆動条件による加速を考慮した特性の劣化速度から推定される交換時期を勘案して在庫数を適正に管理できる共に、交換時期が近付くと交換を促して適確な予防保全を実施することができる。

なお、本実施形態においては、予兆なく故障する部品の在庫管理のための処理フロー（図６）と、特性漸変部品の在庫管理と予防保全のための処理フロー（図９）とを時系列的に実施するように記載しているが、本発明はそのような順序に限定されない。例えば、初めに、指定部品が特性漸変部品であるか否かを判定し、その判定の結果、指定部品が特性漸変部品でない場合には図６の処理フローを実施し、指定部品が特性漸変部品である場合には図９の処理フローを実施しても良い。つまり、図６と図９の各々に示された処理フローを併行して実施しても良い。

また、図９に記載されるような劣化速度や残存寿命の算出、この算出に必要な情報の収集や記録、算出結果の記録、あるいは算出結果に基づく判定等を行うのに必要な、コンピュータあるいはサーバー等の情報処理装置３０は、情報管理装置２内に配置されているものとした。しかし、そのような情報処理装置３０は、情報管理装置２に接続されていても良いし、あるいは情報管理装置２に接続された複数の装置３のうちのいずれかの装置３内に配置されていても良い。また、そのような情報処理装置３０は、図６に記載されるような累積故障率や累積故障率の総和の算出、判定および記録等を行うのに使用した情報処理装置３０と同じものであっても良いし、別のものであっても良い。

図１０は、他の実施形態の在庫管理システム１の概略的な構成を示すブロック図である。この図に示された態様においては、前述した情報管理装置２に少なくとも一つの第１機械学習装置４−１が接続されている。
第１機械学習装置４−１は、第１学習部５−１と、状態量観測部６と、結果取得部７とを備える。第１学習部５−１は、誤差計算部８と学習モデル更新部９とを備える。第１機械学習装置４−１の外には、結果（ラベル）付きのデータが記録されるデータ記録部１０が配置されている。

第１機械学習装置４−１の状態量観測部６は、情報管理装置２を通じて、情報管理装置２に接続されている複数の装置３を構成する通信制御部やメモリ等の各部からの出力と、装置３が備える各種センサと装置３の周辺に設置されている各種センサの少なくとも一方からの出力とを、指定部品の駆動条件や状態等を含んだ装置３の状態量として観測する。
第１機械学習装置４−１の結果取得部７は、装置３で発生した故障の情報を取得する。
第１学習部５−１は、指定部品毎の標準駆動条件下の累積故障率の時間変化を表す標準累積故障率曲線（例えば図２ａや図２ｂに示された実線を参照）および、指定部品毎の標準駆動条件下における標準累積故障率に対する駆動条件による累積故障率の加速の割合を表す第１加速係数（例えば図３を参照）を、観測した装置３の状態量と取得した装置３の故障情報とに関連付けて学習する。

情報管理装置２内あるいは情報管理装置２外に配置された情報処理装置３０は、第１学習部５−１が学習した指定部品毎の標準累積故障率曲線および第１加速係数を参照して、累積故障率の総和を算出し、図６に示されるような処理フローに沿って動作することにより、予兆のない故障も考慮した適正な在庫管理を行う。
装置３の状態量として観測される指定部品の駆動条件や状態等の具体例は、駆動電流、印加電圧、駆動周波数、動作温度、環境温度、温度サイクル、湿度、振動等を含む。部品の仕様によっては、光出力、回転速度、加速度、可聴音、雰囲気ガス組成、応力等も状態量観測部６の観測対象の状態量になる場合がある。
なお、状態量観測部６では、装置３の状態量を観測するだけでなく、必要に応じて、第１学習部５−１が利用しやすいようにデータを加工しても良い。

機械学習の手法は様々であり、本実施形態に適用する機械学習の手法を限定するものではないが、図１０の例では、教師あり学習を適用するための結果（ラベル）付きデータが記録されるデータ記録部１０が第１機械学習装置４−１の外側に設けられている。
第１機械学習装置４−１は、標準累積故障率曲線と第１加速係数とを学習するための学習モデルを備え、該学習モデルの情報と、取得した実際の故障情報すなわち結果（ラベル）との誤差を計算し、誤差に応じて学習モデルを更新することにより学習を進めることができる。
上記のデータ記録部１０は、それまでに得られた結果（ラベル）付きデータを保持し、結果（ラベル）付きデータを誤差計算部８に提供することができる。結果（ラベル）付きデータは、メモリカードや通信回線等によって誤差計算部８に提供することも可能である。
結果（ラベル）付きデータが全くない状態から強化学習により機械学習を行うことも可能であるが、それまでに得られた結果（ラベル）付きデータを利用した教師あり学習の方が比較的短期間に学習できる利点がある。

本実施形態によれば、指定部品によっては、累積故障率や駆動条件による累積故障率の加速係数が未知であったり、精度や不充分であったりしても、予兆のない故障も考慮した適正な在庫管理を行うことができるようになる。また、第１機械学習装置４−１が学習を重なることにより、累積故障率の精度や駆動条件による累積故障率の加速係数の精度が向上し、より適正な在庫管理を行うことができるようになる。

図１１は、本実施形態における機械学習の学習過程を例示したフローチャートである。但し、以下の図１１に基づく説明においては、情報管理装置２が情報処理装置３０を兼ねているものとする。
機械学習が開始されると、第１機械学習装置４−１の状態量観測部６は、装置３を構成する通信制御部やメモリ等の各部からの出力と、装置が備える各種センサおよび装置３の周辺に設置されている各種センサの少なくとも一方からの出力とを、指定部品の駆動条件や状態等に表す装置３の状態量としてその経時変化を収集して記録する（ステップＳ２０１）。
第１機械学習装置４−１は、第１学習部５−１が学習モデルを既に備えているか否かを判定し(ステップＳ２０２)、学習モデルを既に備えている場合はステップＳ２０４に進み、学習モデルを未だ備えていない場合は、データ記録部１０に記録されている結果付きデータから初期学習モデルを作成（ステップＳ２０３）して、ステップＳ２０４に進む。

ステップＳ２０４において、情報管理装置２は、第１学習部５−１が備えている学習モデルを参照して、各指定部品について第１加速係数を考慮した累積故障率を算出し、記録する。また、第１機械学習装置４−１は情報管理装置２を通じて、在庫管理の対象とされる各指定部品について故障情報を取得する（ステップＳ２０５）。
故障情報とは、指定部品のうち、どの部品がどの時点で故障したかという情報であり、例えば、指定部品の状態を表す装置３の状態量から故障情報を取得することができる。また、故障情報は、故障した部品を交換する時点で作業者が情報管理装置２に故障のために部品交換を行ったという情報を入力し、その入力情報を故障情報として取得することもできる。

第１機械学習装置４−１は、取得した故障情報から、故障した指定部品が有るかどうかを判定し（ステップＳ２０６）、故障した指定部品がある場合には、該当する指定部品の累積故障率の実績データを更新し（ステップＳ２０７）、更新した実績データをデータ記録部１０に追記する（ステップＳ２０８）。第１機械学習装置４−１の誤差計算部８は、学習モデルから算出される累積故障率と累積故障率の実績データとの誤差を計算し（ステップＳ２０９）、第１機械学習装置４−１の学習モデル更新部９は、その誤差が小さくなるように学習モデルを更新する（ステップＳ２１１）。上記のステップＳ２０６で、故障した指定部品が無いと判定された場合も、その指定部品は故障するまでの実績駆動時間が長くなったので、第１機械学習装置４−１は、各指定部品の累積故障率の実績データを更新して（ステップＳ２１０）、ステップＳ２１１に進む。

ステップＳ２１１での学習モデルの更新が終了すると、第１機械学習装置４−１は、機械学習終了の指令が有るか無いかを判定し（ステップＳ２１２）、機械学習終了の指令が出ている場合には機械学習を終了し、機械学習終了の指令が出ていない場合には、ステップＳ２０１に戻って機械学習を継続する。
以上のように、ステップＳ２０１〜ステップＳ２１２までの一連の処理を繰返すことにより、第１学習部５−１は、同一仕様の指定部品毎の標準累積故障曲線と各駆動条件による累積故障率の第１加速係数とをより精度よく学習することができる。

また、図１０に示された在庫管理システム１と同様の構成からなる別の在庫管理システムの機械学習装置（以下、第２機械学習装置４−２と呼ぶ。）が、情報管理装置２に接続されている複数の装置３を構成する通信制御部やメモリ等の各部からの出力と、装置３が備える各種センサおよび装置３の周辺に設置されている各種センサの少なくとも一方からの出力とを、特性漸変部品の駆動条件や特性等を含んだ装置３の状態量として観測しても良い。第２機械学習装置４−２は、その観測した装置３の状態量と、この状態量の一部として取得した特性漸変部品の特性の特性変化情報とに関連付けて、特性漸変部品の標準特性変化曲線（図７参照）および、標準特性変化曲線に対する駆動条件による特性の劣化速度の加速の割合を表す第２加速係数を機械学習することもできる。
装置３の状態量として観測される特性漸変部品の駆動条件や特性等の具体例は、駆動電流、印加電圧、駆動周波数、動作温度、環境温度、温度サイクル、湿度、振動等を含む。部品によっては、トルク出力特性、光出力特性、発熱特性、回転速度、加速度、可聴音、雰囲気ガス組成、応力等も状態量観測部６の観測対象の状態量になる場合がある。
なお、第２機械学習装置４−２は、前述した第１機械学習装置４−１と同様に、学習部５と状態量観測部６と結果取得部７とデータ記録部１０とを備えていて、学習部５は、誤差計算部８と学習モデル更新部９とを備えるものとする。

情報管理装置２は、第２機械学習装置４−２の学習部５が学習した特性漸変部品毎の標準特性変化曲線および第２加速係数を参照して、図９に示されたような処理フローを実施することにより、特性漸変部品毎の残存寿命を推定することができる。さらに、情報管理装置２は、標準特性変化曲線や第２加速係数が未知であったり、精度が不充分であったりする特性漸変部品についても、第２機械学習装置４−２により学習を重ねることによって、適正な在庫管理と適確な予防保全を行うことができるようになる。

図１２は、特性漸変部品の標準特性変化曲線と第２加速係数とを機械学習する過程を例示したフローチャートである。但し、以下の図１２に基づく説明においては、情報管理装置２が情報処理装置３０を兼ねているものとする。
前述の第２機械学習装置４−２は、標準特性変化曲線と第２加速係数とを学習する学習モデルを備え、その学習モデルと、第２機械学習装置４−２の結果取得部７が取得した実際の特性変化情報との誤差を計算し、誤差に応じて学習モデルを更新することによって学習を進める。
図１２の例では、まず、機械学習が開始されると、第２機械学習装置４−２は、状態量観測部６を通じて、装置３を構成する通信制御部やメモリ等の各部からの出力と、装置３が備える各種センサおよび装置３の周辺に設置されている各種センサの少なくとも一方からからの出力とを、特性漸変部品の駆動条件や特性等を含んだ装置３の状態量の経時変化として観測し記録する（ステップＳ３０１）。

第２機械学習装置４−２は、特性漸変部品の特性変化情報である該特性漸変部品の特性の劣化幅、すなわち、ある時点より所定時間前の特性からの特性の変化量が所定の値より大きいか否かを判定する（ステップＳ３０２）。これは、劣化幅が測定誤差より充分大きくないと劣化幅を駆動時間で割って求めた劣化速度の誤差が大きくなってしまい、精度の良い学習ができないためである。特性漸変部品の特性の劣化幅が所定の値より小さい場合は、ステップＳ３０１の処理が再び実施される。
ステップＳ３０２で、特性漸変部品の特性の劣化幅が所定の値より大きいと判定された場合は、第２機械学習装置４−２は、結果（特定の劣化幅）付きデータ（具体的には、特性漸変部品の駆動条件や特性等を含んだ装置３の状態量）をデータ記録部１０に追記する（ステップＳ３０３）。

次いで、第２機械学習装置４−２は、学習部５が学習モデルを既に備えているか否かを判定し(ステップＳ３０４)、その判定の結果、学習モデルを既に備えている場合にはステップＳ３０６に進み、学習モデルを未だ備えていない場合には、データ記録部１０に記録されている結果付きデータから初期学習モデルを作成（ステップＳ３０５）して、ステップＳ３０６に進む。
ステップＳ３０６では、情報管理装置２は、学習部５が備えている学習モデルを参照して、該当する特性漸変部品について、第２加速係数を用いて標準駆動条件下の劣化速度を算出し記録する。さらに、情報管理装置２は、上記の学習モデルを参照して、該当する特性漸変部品の特性と比べて算出後の劣化速度が一致する標準特性変化曲線を抽出して記録し(ステップＳ３０７)、前回標準特性変化曲線を抽出したという履歴があるか否かを判定する(ステップＳ３０８)。抽出の履歴がある場合には、今回ステップＳ３０６で算出した劣化速度と前回抽出した標準特性劣化曲線から推定される劣化速度との誤差を誤差計算部８で計算し（ステップＳ３０９）、その誤差が小さくなるように学習モデルを更新する（ステップＳ３１０）。一方、上記のステップＳ３０８で、前回標準特性変化曲線を抽出したという履歴が無いと判定された場合には、ステップＳ３０１に戻って機械学習が継続される。

上記ステップＳ３１０での学習モデルの更新が終了すると、第２機械学習装置４−２は、機械学習終了の指令が有るか無いかを判定し（ステップＳ３１１）、機械学習終了の指令が出ている場合には機械学習を終了し、機械学習終了の指令が出ていない場合には、ステップＳ３０１に戻って機械学習を継続する。
以上のように、ステップＳ３０１〜ステップＳ３１１までの一連の処理を繰返すことにより、学習部５は、同一仕様の特性漸変部品毎の標準特性変化曲線と各駆動条件による寿命消費の第２加速係数とをより精度よく学習することができる。さらに、情報管理装置２は、第２機械学習装置４−２の学習部５が学習した特性漸変部品の特性変化曲線および第２加速係数を参照して、特性漸変部品の交換時期を導出することによって、特性漸変部品についてもより適正な在庫管理と適確な予防保全を行うことができる。
なお、この機械学習の手法も、図１２に例示した教師あり学習に限定するものではない。

さらに、図１３に示された他の実施態様の在庫管理システム１によって、予兆が知られていない指定部品の予兆を探索することも可能である。図１３に示されるように、情報管理装置２に第３機械学習装置４−３が接続されており、第３機械学習装置４−３は、第３学習部５−３と状態量観測部６とを備える。第３学習部５−３は学習モデル１１を備える。図１４は、そのような未知の予兆を発見するまでの時間の流れを模式的に示した図である。
図１３に示される第３機械学習装置４−３は、状態量観測部６を通じて、指定部品を備えた装置３の通信制御部やメモリ等の各部からの出力と、装置３が備える各種センサおよび装置３の周辺に設置されている各種センサの少なくとも一方からの出力とを、指定部品の特性や状態等を含んだ装置３の状態量として観測する。第３機械学習装置４−３の第３学習部５−３は、装置３が備える特性漸変部品以外の指定部品に故障が発生したという結果を取得した時点で、その故障した部品の特性や状態等を含んだ装置３の状態量のうち、故障発生時点より所定の時間前の時点までの状態量データを、同一仕様の故障部品毎に収集する。そして、第３学習部５−３は、収集した状態量データから非故障時の状態量とは異なる特徴を抽出することにより、故障の予兆を探索することができる。
学習の手法としては、限定する訳ではないが、大量のデータから未知の予兆を探索するには、教師なし学習が適している。教師なし学習の場合は、図１３に示されるように、結果（すなわち、故障情報）の取得は不要であり、第３機械学習装置４−３の第３学習部５−３は、指定部品の状態や特性を含んだ、駆動条件に関連した装置３の状態量を多数入力し、入力データの分布に関する学習モデルを構築する。第３学習部５−３は、構築した学習モデルと収集した状態量データ（入力データ）とを比較して、状態量の変化（ここでは故障の予兆）を検出する。

教師なし学習では、入力データがどのような分布をしているかを学習し、対応する出力データ（教師データ）が無くても、データの背後に存在する本質的な構造を抽出することが可能なので、故障に対する未知の予兆を見つけ出せる可能性がある。
なお、第３機械学習装置４−３の状態量観測部６により観測される、故障部品の特性や状態等を含んだ装置３の状態量とその変化は、部品の種類に応じて異なるが、その具体例としては、電気入出力特性（例えば抵抗の変化等）、光出力特性（例えば電気光変換効率の低下等）、発熱特性（例えば発熱量の増加等）、トルク出力特性（例えばトルクの低下等）、音響出力特性（例えば音響出力の低下等）、温度（例えば温度の上昇等）、振動（例えば振動の増加等）、変位（例えば位置ずれの発生等）等がある。

図１５は、第３機械学習装置４−３が、収集した故障発生前の状態量データから非故障時の状態量とは異なる特徴を抽出して、故障の予兆を検出する過程を例示したフローチャートである。但し、以下の図１５に基づく説明においては、情報管理装置２が情報処理装置３０を兼ねているものとする。
第３機械学習装置４−３は、状態量データの分布や、データの規則性に関するモデルを学習して、故障発生前の状態量データの変化、すなわち、故障発生前の予兆を検出し、その学習結果を情報管理装置２に出力する。
図１５の例では、まず、機械学習が開始されると、第３機械学習装置４−３の状態量観測部６が、装置３を構成する通信制御部やメモリ等の各部からの出力と、装置３が備える各種センサおよび装置３の周辺に設置されている各種センサの少なくとも一方からの出力とを、指定部品の特性や状態等を含んだ装置３の状態量として観測する（ステップＳ４０１）。
次のステップＳ４０２で、状態量の分布に関する学習モデルが未確立であると判定された場合には、第３機械学習装置４−３の第３学習部５−３は、状態量（入力データ）の分布や、データの規則性に関するモデル（学習モデル）を構築（ステップＳ４０３）、あるいは更新する。上記のステップＳ４０２で、既にバッチ学習や十分なオンライン学習等で学習モデルが確立されていると判定された場合には、第３学習部５−３は、ステップＳ４０３の処理を実施せずに、ステップＳ４０４に進む。

続いて、第３機械学習装置４−３は、状態量観測部６が観測している状態量等から、指定部品に故障が発生した判定すると（ステップＳ４０４）、その故障した部品が、故障の予兆を探索する必要がない特性漸変部品であるか否かを判定する（ステップＳ４０５）。故障部品が特性漸変部品ではない場合には、第３機械学習装置４−３は、故障した時点より所定時間前の時点までの、その故障部品を有する装置３の状態量のデータを抽出する（ステップＳ４０６）。そして、第３機械学習装置４−３は、抽出した状態量と学習モデルとを比較してそれらの間の差異を検出し（ステップＳ４０７）、その差異をその故障した部品における故障の予兆として、情報管理装置２もしくは他の出力装置（不図示）に出力する（ステップＳ４０８）。

その後、第３機械学習装置４−３は、機械学習終了の指令が有るか無いかを判定し（ステップＳ４０９）、機械学習終了の指令が出ている場合には機械学習を終了し、機械学習終了の指令が出ていない場合には、ステップＳ４０１に戻って機械学習を継続する。
また、上記のステップＳ４０４で、指定部品の故障が発生していないと判定された場合や、上記のステップＳ４０５で、故障部品が特性漸変部品であると判定された場合も、第３機械学習装置４−３は、ステップＳ４０１に戻って機械学習を継続する。

以上のように、ステップＳ４０１〜ステップＳ４０９までの一連の処理を繰返すことにより、第３学習部５−３は、予兆が知られていないか、あるいは予兆が定かではない指定部品が故障する時の予兆を示す、あるいは予兆である可能性が高いデータを、情報管理装置２に繰返し出力することができる。
また、本実施形態の第３機械学習装置４−３は、指定部品が故障する時の予兆を示す、あるいは予兆である可能性が高いデータを情報管理装置２に出力するだけでない。例えば、第３機械学習装置４−３は、以下のような機能も有することができる。
第３機械学習装置４−３の第３学習部５−３が、収集した故障発生前の状態量のデータから、非故障時の状態量とは異なる特徴を抽出する。第３学習部５−３は、その異なる特徴が指定部品の故障の予兆であると認定した場合には、予兆の発生範囲と発生頻度を含む予兆の状態と、予兆の出現から故障発生までの故障部品の駆動条件に関連した装置の状態量データと、結果取得部７が結果として取得した実際の故障発生時点とを関連付けて、予兆が出現してからの故障発生確率の時間分布、および故障発生確率の時間分布の駆動条件依存性を学習する。そして、第３学習部５−３は、予兆が認められた指定部品が故障するまでの間は、学習結果を参照して、予兆が出現した指定部品（以下、予兆出現部品と呼ぶ。）の交換を促す予防保全情報を出力すると共に、予兆出現部品に対する故障発生予測情報を出力することができるようになっている。このような機能を有する第３機械学習装置４−３は、図１０に示された第１機械学習装置４−１と同様であるとする。情報管理装置２は、部品の故障率や交換時期だけでなく、上記の故障発生予測情報も勘案して、保守用の指定部品の在庫数を管理することができる。

図１６は、図１５の処理フローに追加されうるフローチャートの例であり、前述のように、第３機械学習装置４−３が、故障の予兆を認めた時に、予兆の状態、予兆出現から故障発生までの故障部品の駆動条件に関連した装置の状態量、および実際の故障発生時点を関連付けて、予兆が出現してからの故障発生確率の時間分布と、故障発生確率の時間分布の駆動条件依存性とを学習し、予兆出現部品が故障するまでの間は、その学習の結果を参照して、予兆出現部品の交換を促し、予兆出現部品の在庫管理にも反映させるという追加の処理フローを示した図である。但し、以下の図１６に基づく説明においては、情報管理装置２が情報処理装置３０を兼ねているものとする。
図１５のステップＳ４０８とステップＳ４０９の間に図１６のステップＳ４１０〜ステップＳ４２４の一連の処理フローを挿入することによって、予兆出現部品に対しても適正な在庫管理と予防保全が可能になる。なお、図１６に示される処理フローを実行する場合、第３機械学習装置４−３は、図１０に示された第１機械学習装置と同様の構成要素からなるものとする。

図１６においては、先ず、第３機械学習装置４−３は、図１５のステップＳ４０８に続いて、指定部品が故障した時点より所定時間前の時点までの該指定部品の状態量のデータと、故障した指定部品と同等な仕様を有する指定部品の非故障時の状態量のデータから教師なし学習で構築された状態量の分布や規則に関するモデル（以下、教師なし学習モデルと呼ぶ。）との差異を記録する（ステップＳ４１０）。第３機械学習装置４−３は、この差異が、故障した指定部品の故障の予兆として正式に認定されているものか否かを判定する（ステップＳ４１１）。未認定の場合には、第３機械学習装置４−３は、ステップＳ４１０で記録された差異の情報を参照して、この差異が指定部品の故障の予兆として所定率以上の再現性があるか否かを判定する（ステップＳ４１２）。所定率以上の再現性がある場合には、第３機械学習装置４−３は、抽出した状態量と教師なし学習モデルとの差異を故障の予兆として正式に認定し（ステップＳ４１３）、予兆の発生範囲や発生頻度等を含む予兆の状態と、予兆出現後の故障した指定部品の駆動条件に関連した装置３の状態量とを観測して記録する（ステップＳ４１４）。
ステップＳ４１２で、上記の差異が指定部品の故障の予兆として所定率以上の再現性がなく、予兆と認められない場合には、第３機械学習装置４−３は、図１５のステップＳ４０９以降の処理に進む。また、ステップＳ４１１で、上記の差異が、故障した指定部品の故障の予兆として正式に認定されていると判定された場合には、第３機械学習装置４−３は、図１５のステップＳ４１４以降の処理に進む。

次いで、第３機械学習装置４−３は、予兆出現部品に実際に故障が発生したか否かを判定し（ステップＳ４１５）、故障が発生した場合には、予兆が出現してから実際に故障するまでの駆動時間を結果（ラベル）とする上記の予兆の状態と装置３の状態量を、結果（ラベル）付きデータとしてデータ記録部１０に追記する（ステップＳ４１６）。
さらに、第３機械学習装置４−３の第３学習部５−３が、予兆の状態と、予兆の出現から故障発生までの故障部品の駆動条件に関連した装置３の状態量のデータと、予兆の出現から実際の故障の発生までの駆動時間とを関連付けて、予兆が出現してからの故障発生確率の時間分布と、故障発生確率の時間分布の駆動条件依存性とを教師あり学習で学習して、教師あり学習モデルが既に有るか否かを判定する（ステップＳ４１７）。教師あり学習モデルが無い場合には、第３学習部５−３は、データ記録部１０に記録されているデータから、教師あり学習モデルの初期モデルを作成する（ステップＳ４１８）。ステップＳ４１７で、教師あり学習モデルが既にあると判定された場合は、第３学習部５−３は、ステップＳ４１８の処理を実施しないでステップＳ４１９に進む。
続いて、第３学習部５−３は、教師あり学習モデルが備える誤差関数から算出される故障発生確率と故障発生確率の実績値との誤差を計算し(ステップＳ４１９)、その誤差が小さくなるように教師あり学習モデルを更新して（ステップＳ４２０）、図１５のステップＳ４０９に進む。

上記のステップＳ４１５で、予兆が出現した指定部品が未だ故障していないと判定された場合には、第３学習部５−３は、教師あり学習モデルが有るか否かを判定する（ステップＳ４２１）。教師あり学習モデルが無い場合は、第３学習部５−３は、データ記録部１０に記録されているデータから、教師あり学習モデルの初期モデルを作成し（ステップＳ４２２）、教師あり学習モデルを参照して故障発生確率の時間変化あるいは累積故障率を算出する（ステップＳ４２３）。一方、上記のステップＳ４２１で、教師あり学習モデルが既にあると判定された場合には、第３学習部５−３は、ステップＳ４２２の処理を実施しないでステップＳ４２３に進む。
ステップＳ４２３の後、第３学習部５−３は、算出した故障発生確率の時間変化あるいは累積故障率に基づいて、予兆出現部品の交換を促す予防保全情報と予兆出現部品の在庫管理に必要な故障発生予測情報の少なくとも一方を、情報管理装置２に出力して（ステップＳ４２４）、図１５のステップＳ４０９に進む。なお、累積故障率は、故障発生確率を時間で積分することによって算出されうる。

以上のように、図１５のステップＳ４０１〜ステップＳ４０９に図１６のステップＳ４１０〜ステップＳ４２４の処理フローを追加した場合のステップＳ４０１〜Ｓ４２４を繰返すことにより、予兆が知られていなかったり明確でなかったりした指定部品の故障についても、予兆を発見できる可能性がある。さらに、図１６に示された追加の処理フローにより、指定部品の故障発生前の状態が故障の予兆として認められると、予兆の状態と予兆出現部品の駆動条件に関連した装置３の状態量と故障発生確率の時間変化とを関連づけて学習を重ね、その学習結果を参照して、例えば、図２ｂに示されたような累積故障率と指定部品の駆動条件による加速係数とをより正確に算出できるようになる。このため、より適確な予防保全やより適正な在庫管理が可能になる。

図１７は、更なる他の実施形態の在庫管理システム１の概略的な構成を示すブロック図である。この図に示された態様においては、前述した情報管理装置２に少なくとも一つの第４機械学習装置４−４が接続されている。
第４機械学習装置４−４は、第４学習部５−４と、状態量観測部６と、判定結果取得部１２と、意思決定部１５とを備える。第４学習部５−４は、報酬計算部１３と価値関数更新部１４とを備える。
具体的には、状態量観測部６は、情報管理装置２に接続された各装置３の状態量を観測する。判定結果取得部１２は、装置３の故障箇所とされる故障部品の推定結果の正否に関する判定結果を取得する。故障部品の推定結果とは、故障した装置３において故障した部品がどれであるのか、もしくは故障箇所がどこであるのかを推定することを意味する。
第４学習部５−４は、状態量観測部６と判定結果取得部１２の夫々からの出力を受取り、装置３における故障部品の推定結果を、装置３の状態量と、故障部品の推定結果の正否に関する判定結果とに関連付けて学習する。
意思決定部１５は、第４学習部５−４の学習結果を参照することにより、第４機械学習装置４−４から出力すべき故障部品の推定結果を決定する。
更に、第４学習部５−４の報酬計算部１３は、故障部品の推定結果の価値を定める価値関数を有し、推定結果が正しい場合にはプラスの報酬を、推定結果が間違っていた場合はマイナスの報酬を計算する。第４学習部５−４の価値関数更新部１４は、報酬計算部１３により計算された報酬に応じて上記の価値関数を更新する。
このような構成により、第４機械学習装置４−４は第４学習部５−４の学習結果を参照して、装置３の故障診断を行うようになっている。

図１８は、図１７に示された在庫管理システム１の動作の一例を示すフローチャートである。但し、以下の図１８に基づく説明においては、情報管理装置２が情報処理装置３０を兼ねているものとする。
まず、機械学習が開始されると、情報管理装置２に接続された複数の装置３について、第４機械学習装置４−４の状態量観測部６は、部品の特性や状態等を含んだ装置３の状態量を観測して（ステップＳ５０１）、その状態量のデータを必要に応じて加工して第４学習部５−４に出力する。
第４学習部５−４は、上記の状態量のデータと、事前に記録されている正常時の状態量とを比較して、装置３に異常や故障が発生しているか否かを判定する（ステップＳ５０２）。装置３に異常や故障が発生したと判定される場合には、第４学習部５−４は、異常が発生した時点まで記録していた故障情報や特性変化情報等の、故障した装置３の状態量の過去の履歴を含む装置３の状態量を抽出する(ステップＳ５０３)。第４学習部５−４は、第４学習部５−４の学習結果である、故障部品の推定結果の価値を定める価値関数を参照して、抽出した状態量から故障部品を推定する（ステップＳ５０４）。この推定結果に基づいて、意思決定部１５が、出力すべき故障部品の推定結果を決定して情報管理装置２に出力する（ステップＳ５０５）。

次いで、情報管理装置２が、ある装置３に異常や故障が発生したとの情報を受けて、その装置３の故障部品を確認すると（ステップＳ５０６）、第４機械学習装置４−４の判定結果取得部１２が、確認した結果を判定結果として取得して報酬計算部１３に入力する（ステップＳ５０７）。故障した部品の交換等によって、故障した装置３が修繕される（ステップＳ５０８）。
続いて、第４学習部５−４は、ステップＳ５０６で確認した実際の故障部品が、意思決定部１５が出力した故障部品の推定結果に一致しているか否かを判定する（ステップＳ５０９）。その実際の故障部品が故障部品の推定結果に一致している場合には、報酬計算部１３はプラスの報酬を与え（ステップＳ５１０）、実際の故障部品が故障部品の推定結果に一致していない場合には、報酬計算部１３はマイナスの報酬を与える（ステップＳ５１１）。そのような報酬に応じて、価値関数更新部１４は、故障部品の推定結果の価値を定める価値関数を更新する（ステップＳ５１２）。さらに、第４機械学習装置４−４は、今回故障した装置３の故障情報を故障情報の履歴に追記して更新する（ステップＳ５１３）。

その後、第４機械学習装置４−４は、機械学習終了の指令が有るか無いかを判定し（ステップＳ５１４）、機械学習終了の指令が出ている場合には機械学習を終了し、機械学習終了の指令が出ていない場合には、ステップＳ５０１に戻って機械学習を継続する。また、上記のステップＳ５０２で、装置３に異常や故障が発生していないと判定された場合も、第４機械学習装置４−４は、ステップＳ５０１に戻って機械学習を継続する。

以上のように、ステップＳ５０１〜ステップＳ５１４までの一連の処理を繰返すことにより、第４学習部５−４は、装置３における故障部品の推定結果を、装置３の状態量の過去の履歴を含む装置３の状態量と、故障部品の推定結果に対する判定結果とに関連付けて学習し、装置３の故障診断を行うことができるようになる。

また、上述した第４機械学習装置４−４から出力すべき故障部品の推定結果においては、第４学習部５−４が、正しい確率が最も高いと推定した第１候補だけでなく、正しい確率が高いと推定した順にリストアップした複数の候補が含まれるようにしても良い。この場合、報酬計算部１３は、実際の故障部品が、上位にリストアップした候補と一致する程、その順位に応じて大きいプラスの報酬を与え、リストアップされた候補には入っていない場合はマイナスの報酬を与えるようになされる。そのような条件による報酬に応じて、価値関数更新部１４は、前述の価値関数を更新するようになされる。

図１９は、前述のような複数の候補をリストアップする場合の処理の一例を示すフローチャートである。図１８と比較すると、図１８のステップＳ５０５、ステップＳ５０９、およびステップＳ５１０がそれぞれ、図１９ではステップＳ５１５、ステップＳ５１６、およびステップＳ５１７に変更されている。
第４機械学習装置４−４から出力すべき故障部品の推定結果について、複数の候補をリストアップすることにより、少ない故障回数であっても、より学習効果が上げられるという効果がある。さらに、第１候補が間違っていても直ちに次の候補を確認できるので、故障した部品が特定できないために装置の復旧に長時間を要するというリスクも低減できる。

なお、図１７に示された在庫管理システム１では、将来にわたっての報酬の合計を最大化することを目指して価値関数を更新する強化学習によって、故障診断能力を学習している。しかし、強化学習ではなく、他の機械学習の手法を故障診断能力の学習に適用しても良い。

以上に説明した各実施形態において、第１機械学習装置４−１、第２機械学習装置４−２、第３機械学習装置４−３、および第４機械学習装置４−４などは、それぞれ、在庫管理システム１に個別に設けられているようにしたが、それら機械学習装置は個別のハードウェアである必要はない。第１機械学習装置４−１〜第４機械学習装置４−４のうちの少なくとも一つにより一つの機械学習装置が構成されていても良い。
また、図１０、図１３、および図１７には、情報管理装置２から独立した機械学習装置（４−１、４−３、４−４）が情報管理装置２に接続されている態様が示されているが、本発明はこの限りでない。第１機械学習装置４−１から第４機械学習装置４−４のうちの少なくとも一つが、情報管理装置２内に、あるいは情報管理装置２に接続されているサーバーやコンピュータ内に、あるいは複数の装置３のうちのいずれかの装置３内に配置されていても良い。

図２０は、更なる他の実施形態の在庫管理システム１の概略的な構成例を示すブロック図である。
図２０に示される在庫管理システム１において、情報管理装置２に接続されている複数の装置の少なくとも一つはレーザ発振器１７を備えたレーザ装置１６であり、前述した第１機械学習装置４−１から第４機械学習装置４−４のうちの少なくとも一つ（例えば機械学習装置４）が情報管理装置２に接続されている。図２０において、実線の矢印は情報や電気の伝搬を示し、点線の矢印はレーザ光線を例示し、一点鎖線の矢印はレーザ発振器１７を冷却する冷却水の流れの一部を例示している。なお、制御部１９はレーザ装置を構成する各部や各種センサと情報のやり取りをしているが、図が煩雑になるので省略している。

レーザ装置１６を構成するレーザ発振器１７、レーザ電源部１８、制御部１９、光学系２０等の各部から、あるいは、レーザ装置１６が備える光量センサ２１、電力センサ２２、流量センサ２４、温度センサ２６、温湿度センサ２７等の各種センサおよび該レーザ装置１６の周辺に設置されている温湿度センサ２７等の各種センサから、下記のような各種の状態量が出力されうる。
出力される各種の状態量の一例として、レーザ装置１６およびレーザ発振器１７の少なくとも一方からのレーザ出力光量や、レーザ装置１６およびレーザ発振器１７の少なくとも一方からのレーザ出力のパルス条件や、レーザ光学系２０およびレーザ装置１６の少なくとも一方に戻ってきた反射光量や、レーザ電源部１８からレーザ発振器１７に供給される駆動電流および駆動電圧の少なくとも一方や、レーザ発振器１７を含むレーザ装置１６を構成する部材の温度や、レーザ装置１６内の温度および湿度の少なくとも一方や、レーザ装置１６の周辺の温度および湿度の少なくとも一方や、レーザ装置１６およびレーザ装置１６を構成する部材の少なくとも一方に加わる加速度や、アシストガスの種類およびガス供給条件の少なくとも一方や、レーザ光学系２０の透過率および減衰率の少なくとも一方や、レーザ装置１６が設置された位置および高度の少なくとも一方、等がある。

情報管理装置２に接続された機械学習装置４は、上述したような各種の状態量のうちの少なくとも一つをレーザ装置１６の状態量として状態量観測部６で観測し、レーザ装置１６を構成する各部の故障情報や特性変化情報を判定結果取得部１２で受取るようになっている。さらに、上記の機械学習装置４が備える学習部５は、故障の予兆が知られていない部品の累積故障率曲線や第１加速係数を学習して、同一仕様の指定部品についての累積故障率の総和に基づいて在庫管理を行うことや、駆動によって次第に特性が劣化する特性漸変部品についての特性変化曲線や第２加速係数を学習して、その特性漸変部品の在庫管理や予防保全を行うことができる。学習部５は、故障の予兆が知られていない部品の予兆を検出し、検出された予兆に対して予兆出現後の故障発生確率の時間変化やその予兆出現部品の駆動条件依存性を学習して予兆出現部品の在庫管理や予防保全を行うことや、故障部品の推定結果の価値を定める価値関数を学習して、故障部品を特定する故障診断能力を高めることもできる。

レーザ装置１６においては、部品の単体試験ではレーザ装置１６の部品の故障率や加速係数を正確に求めるのに困難な部品が含まれている。例えば、反射光によるダメージが想定される部品については、その部品のみでは正確な故障率を取得できないので、その部品がレーザ装置１６に組込まれた状態で部品の故障率を求める必要がある。本実施形態の在庫管理システム１においては、部品がレーザ装置１６に組込まれた状態で部品の累積故障率や加速係数を機械学習するので、レーザ装置１６に組込まれた部品についても故障率や加速係数を正確に求めることができる。このため、レーザ装置１６においては特に本発明の在庫管理システムを適用する利点は大きい。

レーザ装置１６の故障診断については、例えば、次のような構成および方法によって実施することができる。
レーザ装置１６は、複数のレーザ発振器１７と、レーザ装置１６からの光出力を検知する光量センサ２１以外に、複数のレーザ発振器１７からの光出力をそれぞれ検知する複数の光量センサ２１とを備える。但し、図２０においては図が複雑になるので、レーザ発振器１７の数は２つとしているが、２つより多くてもよい。
さらに、レーザ装置１６は、各レーザ発振器１７にそれぞれ電力を供給するレーザ電源部１８の供給電力を検出する電力センサ２２と、レーザ発振器１７に熱的に接続された水冷板を冷却するチラー２３から供給される冷却水の流量と温度を検出する流量センサ２４や水温センサ２５と、レーザ発振器１７の温度を検出する温度センサ２６と、を備える。
機械学習装置４は、前述した各種のセンサの出力値を状態量として観測して、レーザ装置１６を構成する各部の故障情報や特性変化情報を受取るようにしている。このため、レーザ装置１６の制御部１９からの出力指令に対して、指令通りの光出力が検出されなかった場合に、故障したあるいは特性が劣化した部品がレーザ発振器１７、レーザ電源部１８、チラー２３、レーザ光学系２０、または、いずれのセンサであるかを特定するといった故障診断を容易に行うことができる。
一方、前述のようなセンサが設置されていない部品が故障した場合の故障診断は容易でないことが多いが、機械学習装置４が学習を重ねることによって、限られた各種センサからの情報しかなくても、正確な故障診断が行えるようになる。

図２１は、更なる他の実施形態の在庫管理システム１の概略的な構成を示すブロック図である。
図２１に示される在庫管理システム１においては、複数の情報管理装置２がクラウド２８を介して互いに接続されている。各々の情報管理装置２には、複数の装置３と、前述した第１機械学習装置４−１から第４機械学習装置４−４のうちの少なくとも一つ（例えば機械学習装置４）が接続されている。各々の情報管理装置２に接続された少なくとも一つの機械学習装置４が、各情報管理装置２が接続されたクラウド２８を通じて、前述した学習モデルや価値関数等の学習結果の情報を共有している。また、複数の機械学習装置４が、各機械学習装置４が接続された一つの情報管理装置２を通じて、前述した学習モデルや価値関数等の学習結果の情報を共有している。
このように、複数の機械学習装置４が学習結果等の情報を共有することにより、より短時間で学習することが可能になり、また、より正確な学習結果を獲得することができる。

図２２は、更なる他の実施形態の在庫管理システム１の概略的な構成を示すブロック図である。
図２１に示される在庫管理システム１においては、複数の装置３が接続された情報管理装置２に対して自動倉庫２９が接続されている。この場合、指定部品の、適正在庫数等の在庫管理情報および予防保全情報の少なくとも一方と、情報管理装置２を通じて入力された自動倉庫２９の在庫情報とに基づいて、指定部品の手配が自動的に行われるようになっている。指定部品が保守のために自動倉庫２９から供出されたり、手配した指定部品が自動倉庫２９に納入されたりすると、自動倉庫２９の在庫情報が更新され、情報管理装置２に通知されるようにしている。
このような構成によれば、部品の在庫数や残存寿命等に応じて必要な保守用の部品が自動的に手配されるので、手配ミスを防ぐことができ、保守用の部品の使用実績もリアルタイムに情報管理装置２にフィードバックされるという利点がある。

ここで、上述した各種実施形態のうちの一つの在庫管理システム１によって解決されうる課題について言及する。
特許文献１（特開２０１０−１１３６７２号公報）は、「前記故障予兆有り個数の部品が、前記第一の故障率で故障する場合に在庫として必要となる第一の必要数を算出する処理と、 前記故障予兆無し個数の部品が、前記第二の故障率で故障する場合に在庫として必要となる第二の必要数を算出する処理と、第一の必要数と第二の必要数を合算することで、前記故障予兆部品と同じ部品の在庫必要数を算出する処理と、を行う」という在庫管理方法を開示する。しかし、特許文献１においては、予兆が見られる部品の個数と未だ予兆が見らない部品の故障率から在庫必要数を算出する技術のみが記載され、予兆がなく突然故障する部品に対する適正な在庫数を算出する技術は開示も示唆もされていない。
また、特許文献２（特開２００４−２９５６６７号公報）は、「前記情報取得部から取得した前記稼働時間の情報と前記故障率記録部に記録されている前記故障率とに基づいて前記構成部品の必要在庫数量を予測する在庫数量予測部」を備える交換部品在庫予測装置を開示する。しかし、特許文献２に記載された技術では、在庫数を予測する際に、駆動条件によって故障率が変わることが考慮されていない。さらに特許文献２では、記録されている故障率から算出した故障数よりも故障数が少ない状態が続いた時は長く使用されている部品の割合が増え、今後故障数が増加する可能性が高くなることを考慮して在庫数を増やす必要がある点についても記載されていない。
特許文献３（特開２０１２−１０４０５８号公報）は、「故障情報履歴をもとに現時点からの故障発生時点と該故障発生時点の故障時部品使用数とを予測する故障発生予測部」が「予測した故障発生時点と前記故障時部品使用数とを加味して現時点からの在庫部品数の変化を予測」する在庫管理装置および在庫管理方法を開示する。しかし、特許文献３に記載された技術では、部品の故障率に影響する部品の駆動条件の情報を加味して故障発生を予測していないので、故障発生の予測精度が低いという問題がある。

装置に備わる部品の駆動時間による故障率の平均的な推移はある程度分かっている場合でも、故障率は駆動条件によって変化するのが一般的であり、個々の部品の故障時期を予測することは、特に故障の予兆が明確でない場合は、非常に困難である。故障時期の予測が困難であるからといって、高価な部品を十分に余裕を持って在庫する過剰在庫は不経済である。一方、在庫数が不足すると、故障した時に故障した部品を直ぐに交換できず、故障した部品が納入されるまで装置が使用できないという問題が発生する。その装置が生産設備の場合は、過剰在庫は生産コストを押し上げ、在庫不足は、その装置による生産がストップして生産計画が大幅に遅れるために甚大な損害を招く。
以上のように、過剰在庫にも在庫不足にも問題がある。このため、複数の装置で共通に使用されている個々の部品であって、故障時期の予測が難しく明確な予兆無しに故障する部品、あるいは、明確な予兆が無いあるいは予兆が知られていない故障モードでも故障する部品についても、それらの部品の駆動条件による故障率の変化も考慮した適正な在庫数を把握できるようにする在庫管理システムの開発が第一の課題である。

また、部品によっては、駆動により特性が次第に劣化するという予兆を示し、劣化によって特性が所定の基準値に到達すると交換が必要になる。これらの駆動により特性が次第に劣化する部品（すなわち、特性漸変部品）については、駆動条件による影響も考慮した特性劣化速度から予測される部品の交換時期も勘案して、保守用の部品の適確な、あるいは適切なという意味も含めて適正な在庫数が管理できる在庫管理システムとする必要がある。また、上記のような特性漸変部品については、故障する前に計画的に部品を交換して装置の異常発生を未然に防げるようにすることが望ましい。
さらに、適正な在庫管理や予防保全に利用しようとしている、上記の故障率や故障率に対する各種の駆動条件の影響の大きさ、あるいは、特性劣化速度や特性劣化速度に対する各種の駆動条件の影響の大きさが、既知であれば良いが、未知であったり、ある程度既知であってもその精度が不十分であったりすることがある。この場合、精度の良い情報を手動で構築しようとすると膨大な工数を必要とするので、適正な在庫管理や予防保全に必要な情報やデータの構築が、機械学習によって、できるだけ自動的に行える在庫管理システムとすることが第二の課題である。

また、予兆が無いとしている故障については、予兆に気付いていないだけの可能性がある。予兆が認められないかを自動的に探索して予兆が発見された場合は、その予兆が現れてからの故障率に関する情報も自動的に収集して、在庫管理や予防保全に反映させることにより適正で精度の高い在庫管理システムを構築することが望ましい。
さらに、装置が異常状態を示した時に、交換すべき故障部品を特定できると、より短時間で装置を復旧できたり、人手を介さずに部品の故障情報を収集して適正な在庫管理や予防保全に必要な情報やデータを構築できたりする。そこで、このような診断機能も兼ね備えた在庫管理システムとすることが第三の課題である。

以上のことから、上述した実施形態のうちの一つでは、情報管理装置２に接続された複数の装置３で共通に使用されている部品について、明確な予兆が無い故障と特性劣化の予兆が現れる故障の両方について、その故障率の駆動条件依存性も考慮して適正な在庫管理や予防保全が可能な在庫管理システム１を提案している。また、他の実施形態では、より適正な在庫管理や予防保全が可能となる機械学習を含む在庫管理システム１を提案している。
さらに言うと、本開示の在庫管理システム１は、在庫管理や予防保全の対象とする複数の装置に使用されている同一仕様の個々の部品について、部品の駆動条件による加速係数を考慮した個々の部品の累積故障率を全て加算してなる累積故障率の総和に基づいて在庫数を管理することにより、明確な予兆の無い故障も考慮した精度の良い適正な在庫管理を行うようにしている。
特性漸変部品については、劣化速度と駆動条件による劣化速度の加速係数から残存寿命を推定して在庫管理を行うと共に、寿命が尽きる前に交換を促す予防保全を行うようにしている。
また、累積故障率の時間変化や駆動条件による加速係数の情報、劣化速度の時間変化や駆動条件による加速係数の情報、装置の異常状態と故障個所との相関を示す情報は、通常は充分にデータベースに蓄積されていない。このため、本開示の在庫管理システム１は、機械学習によってそれら情報の学習を重なることにより、情報の精度を向上させ、より適正な在庫管理や予防保全を可能にしている。

以上では典型的な実施形態を用いて本発明を説明したが、当業者であれば、本発明の範囲から逸脱することなしに、上述の実施形態に変更及び種々の他の変更、省略、追加を行うことができるのを理解できるであろう。

また、本開示の少なくとも一つの課題を解決するために、以下のような各種の態様とその効果を提供することができる。
例えば、本開示の第一態様としては、複数の装置と、前記複数の装置が接続された情報管理装置とを備え、前記複数の装置はそれぞれ、該複数の装置に共通して使用される交換可能な共通部品を備え、前記複数の装置に使用されている同一仕様毎の前記共通部品が、在庫管理の対象として指定する指定部品である、在庫管理システムであって、
前記複数の装置に使用されている同一仕様の個々の前記指定部品の標準駆動条件下における標準累積故障率に対して駆動条件による加速を考慮したある時点の累積故障率を前記複数の装置に使用されている同一仕様の全ての前記指定部品について加算した値である累積故障率の総和を算出し、該算出した累積故障率の総和に基づいて前記ある時点の前記指定部品の適正在庫数を導出する情報処理装置を備える、在庫管理システムが提供される。
上記の第一態様によれば、在庫管理の対象とする部品について、駆動条件による加速を考慮した累積故障率の総和に基づいて在庫数を管理することにより、全く予兆のない故障も考慮した適正な在庫管理ができ、過剰在庫を避けながら、在庫不足による故障修理による復旧（保全）の遅延発生を予防できる。

本開示の第二態様としては、上記の第一態様の在庫管理システムであって、前記複数の装置に使用されている同一仕様の前記指定部品において、駆動により特性が次第に劣化して該特性が所定の基準値に到達すると交換が必要になる特性漸変部品が少なくとも一つある場合には、前記情報処理装置は、前記特性漸変部品のある時期の前記特性と、前記特性漸変部品の前記標準駆動条件下における前記特性の標準劣化速度に対して駆動条件による加速を考慮した前記特性の劣化速度とから、前記特性漸変部品の交換時期を推定し、該交換時期も勘案して、前記指定部品の適正在庫数を導出するようになされた、在庫管理システムが提供される。
上記第二態様によれば、徐々に特性劣化が進行することが分かっている部品である特性漸変部品については、ある時期の特性と、駆動条件による加速を考慮した特性劣化速度とに基づいて推定される交換時期も勘案して在庫数を管理することによって、より適正な在庫管理が可能になる。

本開示の第三態様としては、上記の第二態様の在庫管理システムであって、前記情報処理装置は、前記特性漸変部品について、前記特性が、前記特性漸変部品の交換が必要になる所定の前記基準値に到達する前に、前記特性漸変部品の交換を促す予防保全情報を出力するようになされた、在庫管理システムが提供される。
上記の第三態様によれば、特性劣化の顕在化する部品については、劣化する特性が、交換を要する基準に達する前に、交換を促すことにより、装置の故障を未然に防ぐ適確な予防保全が可能になる。

本開示の第四態様としては、上記の第一態様の在庫管理システムであって、
前記情報管理装置に接続された少なくとも一つの第１機械学習装置を備え、
前記第１機械学習装置は、
前記装置を構成する各部からの出力と、前記装置が備える各種センサおよび前記装置の周辺に設置されている各種センサの少なくとも一方からの出力とを、前記指定部品の駆動条件および状態に関連した前記装置の状態量として観測する状態量観測部と、
前記装置で発生した故障情報を取得する結果取得部と、
前記指定部品の前記標準駆動条件下の累積故障率の時間変化を表す標準累積故障率曲線と、前記指定部品の標準駆動条件下における前記標準累積故障率に対する駆動条件による前記累積故障率の加速の割合を表す第１加速係数とを、前記状態量観測部により観測された前記装置の状態量と、前記結果取得部により取得された前記故障情報とに関連付けて学習する第１学習部と、を備え、
前記情報処理装置は、前記第１学習部が学習した、前記指定部品の前記標準駆動条件下の前記標準累積故障率曲線および前記第１加速係数を参照して、前記累積故障率の総和を算出するようになされた、在庫管理システムが提供される。
上記の第四態様によれば、次のような効果が得られる。すなわち、標準累積故障率や駆動条件による累積故障率の加速係数を全ての指定部品について分かっている場合が少なく、それらを手動で求めようとすると多大な工数を要するが、標準累積故障率や第１加速係数の取得に機械学習を適用すれば原則として人手を必要としない。また、標準累積故障率や第１加速係数が分かっている場合でも、比較的少ないサンプル数での加速寿命試験で標準累積故障率や第１加速係数を求めた場合が少なくなく、必ずしも精度が良い訳ではない。機械学習を繰返すことにより、標準累積故障率および第１加速係数がより高い精度で得られて、累積故障率の総和の算出精度が向上し、より適正な在庫管理が可能になる。

本開示の第五態様としては、上記の第二態様または第三態様の在庫管理システムであって、
前記情報管理装置に接続された少なくとも一つの第２機械学習装置を備え、
前記第２機械学習装置は、
前記装置を構成する各部からの出力と、前記装置が備える各種センサおよび前記装置の周辺に設置されている各種センサの少なくとも一方からの出力とを、前記特性漸変部品の駆動条件および特性に関連した前記装置の状態量として観測する状態量観測部と、
前記特性漸変部品の前記特性の特性変化情報を取得する結果取得部と、
前記特性漸変部品の前記標準駆動条件下における前記特性の時間変化を表す標準特性変化曲線と、前記特性漸変部品の前記標準駆動条件下における前記標準特性変化曲線に対する駆動条件による前記劣化速度の加速の割合を表す第２加速係数とを、前記状態量観測部により観測された前記装置の状態量と、前記結果取得部により取得された前記特性変化情報とに関連付けて学習する第２学習部と、を備え、
前記情報処理装置は、前記第２学習部が学習した、前記特性漸変部品の前記標準特性変化曲線および前記第２加速係数を参照して、前記特性漸変部品の前記交換時期を推定するようになされた、在庫管理システムが提供される。
上記の第五態様によれば、次のような効果が得られる。すなわち、装置の駆動により特性が劣化することが知られている部品についても、比較的少ないサンプル数での加速寿命試験で標準特性変化曲線や第２加速係数を求めた場合が多く、正確な劣化速度や種々の駆動条件に対する劣化速度の加速係数が分かっていないことが少なくない。しかし、機械学習を繰返すことにより、標準駆動条件下における特性変化曲線や駆動条件による加速係数がより高い精度で得られて、より適正な在庫管理やより適確な予防保全が可能になる。

本開示の第六態様としては、上記の第一態様または第四態様の在庫管理システムであって、
前記情報管理装置に接続された少なくとも一つの第３機械学習装置を備え、
前記第３機械学習装置は、
前記装置を構成する各部からの出力と、前記装置が備える各種センサおよび前記装置の周辺に設置されている各種センサの少なくとも一方からの出力とを、前記指定部品の駆動条件および特性に関連した前記装置の状態量として観測する状態量観測部と、
前記特性漸変部品を除く前記指定部品に故障が発生したという結果を取得した時点で、前記状態量観測部が観測した前記故障した指定部品を備えている前記装置の前記状態量のデータのうち、故障発生時点より所定時間前の時点までのデータを、同一仕様の前記故障した指定部品毎に収集し、該収集した故障発生前のデータから非故障時の前記状態量とは異なる特徴を抽出して、前記故障の予兆を探索するようになされた第３学習部と、
を備える、在庫管理システムが提供される。
上記の第六態様によれば、教師なし学習によって故障の予兆を検出することができる。一般的に教師なし学習では、入力データがどのような分布をしているかを学習し、対応する出力データ（教師データ）を与えなくても、データの背後に存在する本質的な構造を抽出することが可能である。このため、故障した指定部品を備えている装置の状態量のデータのうち、故障発生時点から所定の時間だけ遡った時点までのデータを教師なし学習用の入力データとして収集することにより、故障した指定部品について、故障に対する未知の予兆を見つけ出せる可能性がある。

本開示の第七態様としては、上記の第六態様の在庫管理システムであって、
前記第３学習部は、前記抽出した特徴が前記故障の予兆として認定された場合には、前記予兆の状態と、前記予兆の出現から前記故障の発生までの前記故障した指定部品の駆動条件に関連した前記装置の状態量のデータと、前記予兆の出現から実際に故障が発生するまでの駆動時間とを関連付けて、前記予兆が出現してからの故障発生確率の時間分布と、前記故障発生確率の時間分布の駆動条件依存性とを学習し、前記第３学習部は、前記予兆が出現した指定部品が故障するまでの間は、前記学習の結果を参照して、前記予兆が出現した指定部品の交換を促す予防保全情報を出力すると共に、前記予兆が出現した指定部品に対する故障発生予測情報を出力するようになされ、
前記情報処理装置は、前記故障発生予測情報も勘案して、前記指定部品の在庫数を推定するようになされた、在庫管理システムが提供される。
上記の第七態様によれば、故障に対する未知の予兆を見つけ出せた場合に、故障発生時期が機械学習で推定することができる。このことにより、その予兆も考慮して保守用部品を準備したり、故障前に交換したりすることができるので、適確な予防保全が可能になる。

本開示の第八態様としては、上記の第一態様から第七態様のいずれかの在庫管理システムであって、
前記情報管理装置に接続された少なくとも一つの第４機械学習装置を備え、
前記第４機械学習装置は、
前記装置を構成する各部からの出力と、前記装置が備える各種センサおよび前記装置の周辺に設置されている各種センサの少なくとも一方からの出力とを、前記指定部品の駆動条件および状態もしくは特性に関連した前記装置の状態量として観測する状態量観測部と、
故障した前記指定部品を備えている前記装置における、該故障した指定部品の推定結果の正否に関する判定結果を取得する判定結果取得部と、
前記状態量観測部からの出力および前記判定結果取得部からの出力を受取り、前記故障した指定部品の推定結果を、前記状態量観測部により観測された前記装置の状態量と、前記判定結果取得部により取得された前記故障した指定部品の推定結果とに関連付けて学習する第４学習部と、
前記第４学習部の学習結果を参照して、前記第４機械学習装置から出力すべき前記故障した指定部品の推定結果を決定する意思決定部と、を備え、
前記第４学習部は、前記故障した指定部品の推定結果の価値を定める価値関数を有し、前記推定結果が正しい場合にはプラスの報酬を、前記推定結果が間違っていた場合にはマイナスの報酬を与える報酬計算部と、前記報酬に応じて前記価値関数を更新する価値関数更新部と、を備えており、
前記情報処理装置は、前記第４学習部の学習結果を参照して、前記装置の故障診断を行うようになされた、在庫管理システムが提供される。
上記の第八態様によれば、装置が故障した場合に、機械学習を繰返すことにより、故障した装置における故障部品を推定できるようになる。このことにより、故障した装置をより短時間で故障から復旧させることができる。また、装置で発生した故障情報を、人間を介せずに自動で取得できるようになる。

本開示の第九態様としては、上記の第八態様の在庫管理システムであって、
前記第４機械学習装置から出力すべき前記故障した指定部品の推定結果には、前記第４学習部が、正しい確率が最も高いと推定した第１候補だけでなく、正しい確率が高いと推定した順にリストアップした複数の候補が含まれており、
前記報酬計算部は、実際に故障した前記指定部品が、前記複数の候補のうちの、上位にリストアップした候補と一致する程、その順位に応じて大きいプラスの報酬を与え、前記複数の候補に入っていない場合はマイナスの報酬を与えるようになされている、在庫管理システムが提供される。
上記の第九態様によれば、少ない故障回数であっても、より学習効果が上げられる。さらに、第１候補が間違っていても直ちに次の候補を確認できるので、故障した部品が特定できないために装置の復旧に長時間を要する確率も低減できる。

本開示の第十態様としては、上記の第四態様から第九態様のいずれかの在庫管理システムであって、
前記情報管理装置に接続されている複数の前記装置の少なくとも一つはレーザ発振器を備えたレーザ装置であり、
前記第１機械学習装置、前記第２機械学習装置、前記第３機械学習装置、および第４機械学習装置のうちの少なくとも一つの機械学習装置が前記情報管理装置に接続されており、
前記レーザ装置および前記レーザ発振器の少なくとも一方からのレーザ出力光量、前記レーザ装置および前記レーザ発振器の少なくとも一方からのレーザ出力のパルス条件、前記レーザ装置を構成するレーザ光学系および前記レーザ装置の少なくとも一方に戻ってきた反射光量、前記レーザ装置を構成するレーザ電源部から前記レーザ発振器に供給される駆動電流および駆動電圧の少なくとも一方、前記レーザ発振器を含む前記レーザ装置を構成する部材の温度、前記レーザ装置内の温度および湿度の少なくとも一方、前記レーザ装置の周辺の温度および湿度の少なくとも一方、前記レーザ装置および前記レーザ装置を構成する部材の少なくとも一方に加わる加速度、アシストガスの種類およびガス供給条件の少なくとも一方、前記レーザ光学系の透過率および減衰率の少なくとも一方、および、前記レーザ装置が設置された位置および高度の少なくとも一方、のうちの少なくとも一つが、前記レーザ装置を構成する各部から、あるいは、前記レーザ装置が備える各種センサおよび前記レーザ装置の周辺に設置されている各種センサの少なくとも一方から、前記レーザ装置の状態量として出力されて、前記少なくとも一つの機械学習装置で観測されるようになされた、在庫管理システムが提供される。
上記の第十態様によれば、部品がレーザ装置に組込まれた状態で部品の累積故障率や加速係数を機械学習するので、レーザ装置に組込まれた部品についても故障率や加速係数を正確に求めることができる。

本開示の第十一態様としては、上記の第四態様から第十態様のいずれかの在庫管理システムであって、
複数の前記情報管理装置がクラウドを介して互いに接続されており、各々の前記情報管理装置には、前記複数の装置と、少なくとも一つの機械学習装置とが接続されており、各々の前記情報管理装置に接続された前記少なくとも一つの機械学習装置が、前記情報管理装置あるいは、前記情報管理装置が接続された前記クラウドを通じて、学習結果の情報を共有している、在庫管理システムが提供される。
上記の第十一態様によれば、複数の機械学習装置が学習モデルや価値関数等の学習結果の情報を共有することより、指定部品の在庫数を推定するのに必要な、累積故障率、駆動条件による加速係数、特性の劣化速度などの情報を取得する学習をより短時間で行うことが可能になる。

本開示の第十二態様としては、上記の第一態様から第十一態様のいずれかの在庫管理システムであって、
前記情報管理装置に接続された自動倉庫を備え、
前記情報処理装置は、前記指定部品の、前記適正在庫数を含む前記在庫管理情報および前記予防保全情報の少なくとも一方と、前記情報管理装置を通じて入力された前記自動倉庫の在庫情報とに基づいて、前記指定部品の手配を自動的に行うようになされている、在庫管理システムが提供される。
上記の第十二態様によれば、必要な保守用の部品が自動的に手配されるので、手配ミスを防ぐことができ、保守用の部品の使用実績もリアルタイムに情報管理装置にフィードバックされる。

１ 在庫管理システム
２ 情報管理装置
３ 装置
４ 機械学習装置
４−１ 第１機械学習装置
４−２ 第２機械学習装置
４−３ 第３機械学習装置
４−４ 第１機械学習装置
５ 学習部
５−１ 第１学習部
５−２ 第２学習部
５−３ 第３学習部
５−４ 第４学習部
６ 状態量観測部
７ 結果取得部
８ 誤差計算部
９ 学習モデル更新部
１０ データ記録部
１１ 学習モデル
１２ 判定結果取得部
１３ 報酬計算部
１４ 価値関数更新部
１５ 意志決定部
１６ レーザ装置
１７ レーザ発振器
１８ レーザ電源部
１９ 制御部
２０ 光学系
２１ 光量センサ
２２ 電力センサ
２３ チラー
２４ 流量センサ
２５ 水温センサ
２７ 温湿度センサ
２８ クラウド
２９ 自動倉庫
３０ 情報処理装置

Claims (12)

1. 複数の装置と、前記複数の装置に対して授受する情報を管理する情報管理装置とを備え、前記複数の装置はそれぞれ、該複数の装置に共通して使用される交換可能な共通部品を備え、前記複数の装置に使用されている同一仕様毎の前記共通部品が、在庫管理の対象として指定する指定部品である、在庫管理システムであって、
   前記複数の装置に使用されている同一仕様の個々の前記指定部品の標準駆動条件下における標準累積故障率に対して駆動条件による加速を考慮したある時点の累積故障率を前記複数の装置に使用されている同一仕様の全ての前記指定部品について加算した値である累積故障率の総和を算出し、該算出した累積故障率の総和に基づいて前記ある時点の前記指定部品の適正在庫数を導出するようになされた情報処理装置を備える、在庫管理システム。
2. 前記複数の装置に使用されている同一仕様の前記指定部品において、駆動により特性が次第に劣化して該特性が所定の基準値に到達すると交換が必要になる特性漸変部品が少なくとも一つある場合には、前記情報処理装置は、前記特性漸変部品のある時期の前記特性と、前記特性漸変部品の前記標準駆動条件下における前記特性の標準劣化速度に対して駆動条件による加速を考慮した前記特性の劣化速度とから、前記特性漸変部品の交換時期を推定し、該交換時期も勘案して、前記指定部品の適正在庫数を導出するようになされた、請求項１に記載の在庫管理システム。
3. 前記情報処理装置は、前記特性漸変部品について、前記特性が、前記特性漸変部品の交換が必要になる所定の前記基準値に到達する前に、前記特性漸変部品の交換を促す予防保全情報を出力するようになされた、請求項２に記載の在庫管理システム。
4. 前記情報管理装置に接続された少なくとも一つの第１機械学習装置を備え、
   前記第１機械学習装置は、
   前記装置を構成する各部からの出力と、前記装置が備える各種センサおよび前記装置の周辺に設置されている各種センサの少なくとも一方からの出力とを、前記指定部品の駆動条件および状態に関連した前記装置の状態量として観測する状態量観測部と、
   前記装置で発生した故障情報を取得する結果取得部と、
   前記指定部品の前記標準駆動条件下の累積故障率の時間変化を表す標準累積故障率曲線と、前記指定部品の標準駆動条件下における前記標準累積故障率に対する駆動条件による前記累積故障率の加速の割合を表す第１加速係数とを、前記状態量観測部により観測された前記装置の状態量と、前記結果取得部により取得された前記故障情報とに関連付けて学習する第１学習部と、を備え、
   前記情報処理装置は、前記第１学習部が学習した、前記指定部品の前記標準駆動条件下の前記標準累積故障率曲線および前記第１加速係数を参照して、前記累積故障率の総和を算出するようになされた、請求項１に記載の在庫管理システム。
5. 前記情報管理装置に接続された少なくとも一つの第２機械学習装置を備え、
   前記第２機械学習装置は、
   前記装置を構成する各部からの出力と、前記装置が備える各種センサおよび前記装置の周辺に設置されている各種センサの少なくとも一方からの出力とを、前記特性漸変部品の駆動条件および特性に関連した前記装置の状態量として観測する状態量観測部と、
   前記特性漸変部品の前記特性の特性変化情報を取得する結果取得部と、
   前記特性漸変部品の前記標準駆動条件下における前記特性の時間変化を表す標準特性変化曲線と、前記特性漸変部品の前記標準駆動条件下における前記標準特性変化曲線に対する駆動条件による前記劣化速度の加速の割合を表す第２加速係数とを、前記状態量観測部により観測された前記装置の状態量と、前記結果取得部により取得された前記特性変化情報とに関連付けて学習する第２学習部と、を備え、
   前記情報処理装置は、前記第２学習部が学習した、前記特性漸変部品の前記標準特性変化曲線および前記第２加速係数を参照して、前記特性漸変部品の前記交換時期を推定するようになされた、請求項２または３に記載の在庫管理システム。
6. 前記情報管理装置に接続された少なくとも一つの第３機械学習装置を備え、
   前記第３機械学習装置は、
   前記装置を構成する各部からの出力と、前記装置が備える各種センサおよび前記装置の周辺に設置されている各種センサの少なくとも一方からの出力とを、前記指定部品の駆動条件および特性に関連した前記装置の状態量として観測する状態量観測部と、
   駆動により特性が次第に劣化する特性漸変部品を除く前記指定部品に故障が発生したという結果を取得した時点で、前記状態量観測部が観測した前記故障した指定部品を備えている前記装置の前記状態量のデータのうち、故障発生時点より所定時間前の時点までのデータを、同一仕様の前記故障した指定部品毎に収集し、該収集した故障発生前のデータから非故障時の前記状態量とは異なる特徴を抽出して、前記故障の予兆を探索するようになされた第３学習部と、
   を備える、請求項１または４に記載の在庫管理システム。
7. 前記第３学習部は、前記抽出した特徴が前記故障の予兆として認定された場合には、前記予兆の状態と、前記予兆の出現から前記故障の発生までの前記故障した指定部品の駆動条件に関連した前記装置の状態量のデータと、前記予兆の出現から実際に故障が発生するまでの駆動時間とを関連付けて、前記予兆が出現してからの故障発生確率の時間分布と、前記故障発生確率の時間分布の駆動条件依存性とを学習し、前記第３学習部は、前記予兆が出現した指定部品が故障するまでの間は、前記学習の結果を参照して、前記予兆が出現した指定部品の交換を促す予防保全情報を出力すると共に、前記予兆が出現した指定部品に対する故障発生予測情報を出力するようになされ、
   前記情報処理装置は、前記故障発生予測情報も勘案して、前記指定部品の適正在庫数を推定するようになされた、請求項６に記載の在庫管理システム。
8. 前記情報管理装置に接続された少なくとも一つの第４機械学習装置を備え、
   前記第４機械学習装置は、
   前記装置を構成する各部からの出力と、前記装置が備える各種センサおよび前記装置の周辺に設置されている各種センサの少なくとも一方からの出力とを、前記指定部品の駆動条件および状態もしくは特性に関連した前記装置の状態量として観測する状態量観測部と、
   故障した前記指定部品を備えている前記装置における、該故障した指定部品の推定結果の正否に関する判定結果を取得する判定結果取得部と、
   前記状態量観測部からの出力および前記判定結果取得部からの出力を受取り、前記故障した指定部品の推定結果を、前記状態量観測部により観測された前記装置の状態量と、前記判定結果取得部により取得された前記故障した指定部品の推定結果とに関連付けて学習する第４学習部と、
   前記第４学習部の学習結果を参照して、前記第４機械学習装置から出力すべき前記故障した指定部品の推定結果を決定する意思決定部と、を備え、
   前記第４学習部は、前記故障した指定部品の推定結果の価値を定める価値関数を有し、前記推定結果が正しい場合にはプラスの報酬を、前記推定結果が間違っていた場合にはマイナスの報酬を与える報酬計算部と、前記報酬に応じて前記価値関数を更新する価値関数更新部と、を備えており、
   前記情報処理装置は、前記第４学習部の学習結果を参照して、前記装置の故障診断を行うようになされた、請求項１から請求項７のいずれか一項に記載の在庫管理システム。
9. 前記第４機械学習装置から出力すべき前記故障した指定部品の推定結果には、前記第４学習部が、正しい確率が最も高いと推定した第１候補だけでなく、正しい確率が高いと推定した順にリストアップした複数の候補が含まれており、
   前記報酬計算部は、実際に故障した前記指定部品が、前記複数の候補のうちの、上位にリストアップした候補と一致する程、その順位に応じて大きいプラスの報酬を与え、前記複数の候補に入っていない場合はマイナスの報酬を与えるようになされている、請求項８に記載の在庫管理システム。
10. 前記情報管理装置に接続されている前記複数の装置のうちの少なくとも一つはレーザ発振器を備えたレーザ装置であり、
    前記レーザ装置および前記レーザ発振器の少なくとも一方からのレーザ出力光量、前記レーザ装置および前記レーザ発振器の少なくとも一方からのレーザ出力のパルス条件、前記レーザ装置を構成するレーザ光学系および前記レーザ装置の少なくとも一方に戻ってきた反射光量、前記レーザ装置を構成するレーザ電源部から前記レーザ発振器に供給される駆動電流および駆動電圧の少なくとも一方、前記レーザ発振器を含む前記レーザ装置を構成する部材の温度、前記レーザ装置内の温度および湿度の少なくとも一方、前記レーザ装置の周辺の温度および湿度の少なくとも一方、前記レーザ装置および前記レーザ装置を構成する部材の少なくとも一方に加わる加速度、アシストガスの種類およびガス供給条件の少なくとも一方、前記レーザ光学系の透過率および減衰率の少なくとも一方、および、前記レーザ装置が設置された位置および高度の少なくとも一方、のうちの少なくとも一つが、前記レーザ装置を構成する各部から、あるいは、前記レーザ装置が備える各種センサおよび前記レーザ装置の周辺に設置されている各種センサの少なくとも一方から、前記レーザ装置の状態量として出力されて、前記状態量観測部で観測されるようになされた、請求項４から９のいずれか１項に記載の在庫管理システム。
11. 複数の前記情報管理装置がクラウドを介して互いに接続されており、各々の前記情報管理装置には、前記複数の装置と、少なくとも一つの機械学習装置とが接続されており、各々の前記情報管理装置に接続された前記少なくとも一つの機械学習装置が、前記情報管理装置あるいは、前記情報管理装置が接続された前記クラウドを通じて、学習結果の情報を共有している、請求項４から１０のいずれか一項に記載の在庫管理システム。
12. 前記情報管理装置に接続された自動倉庫を備え、
    前記情報処理装置は、前記指定部品の前記適正在庫数を含む在庫管理情報、および、前記指定部品において駆動により特性が次第に劣化する特性漸変部品の交換を促す予防保全情報もしくは故障の予兆が出現した指定部品の交換を促す予防保全情報、のうち少なくとも一方の情報と、前記情報管理装置を通じて入力された前記自動倉庫の在庫情報とに基づいて、前記指定部品の手配を自動的に行うようになされている、請求項１から１１のいずれか一項に記載の在庫管理システム。

Images