--.--
--
上記の広告は1ヶ月以上更新のないブログに表示されています。
新しい記事を書く事で広告が消せます。

04.20
Wed
今回は「干しいも」を紹介します。

干しいもはサツマイモに熱を加え切って乾燥させて作ります。
収穫が行われる秋からが旬で、食物繊維やカリウムも豊富にふくまれている健
康的なおやつです。
素朴な味ですが、突然このどこか懐かしい味を食べたくなってお取り寄せして
みることにしました。

干しいもだけに製法は難しくはありません。
ただ、この干しいもは天日で1週間程度の時間をかけてゆっくりと干すため手
間と時間がかかるとのことです。

種類には「平干し」「丸干し」「角切り」と形状に違いがあり、今回のは多分
「角切り」でした。

袋を開けてみると棒状のほしいもが入っていて1本づつ食べやすくなっていま
した。
しっとりとやわらかくて自然な甘さがとてもおいしいです。
一度食べると止まらないので一袋はあっという間になくなってしまいますが
健康的なおやつとはいえ、カロリーは高めなので注意が必要です!

また、ほしいもには表面が白いものとそうでないものがあります。
この白い粉は糖分が表面に浮き出たものです。
白い粉が浮き出ていると口に入れた瞬間から甘さを感じます。
白くないほしいもは食べ進めるごとに甘味が増してくる、という違いが出てき
ます。

そして白い粉が吹いている方が歯ごたえがあるような気がします。

それぞれに好みは分かれるところかと思いますが
実は私、白くて歯ごたえのあるほしいもの方が断然好きなのです!

今回お取り寄せしたほしいもは表面が白いタイプの方でしたが私としてはも
う少し歯ごたえが欲しかったかな?と思います。

やわらかタイプが好き!という方にはおすすめですよ!

<<自然の館>>
http://item.rakuten.co.jp/shizennoyakata/hosiimo/
スポンサーサイト
comment 0 trackback 0
04.20
Wed
1月をお休みしてしまったので、昨年12月の内容の続き、ということになります。
申し訳ありません。

前回は、「保全計画の支援」というテーマの続きでした。
もっとコストダウンするために、保全周期の延長は果たして可能なのか?
という問題を取り上げています。
その問題を考えるためのポイントとして挙げたのが「リスクマネジメント」と
「推定」でした。
ここで使っている「リスク」とは、

「確率的に発生する事象によってもたらされる、何らかの損害を伴う影響」

ということでした。
損害というのは多くの場合「コスト」です。一方、確率的に発生する事象は
「故障の発生頻度(確率)」のことです。
つまり、保全周期を延ばすことで発生するかもしれないコストと、延長によっ
て得られるメリット(コスト)を比べて、保全周期の延長を判断しようという
考え方です。
その、リスクの計算は一般的に、

「発生頻度(確率)×影響度(損害・コスト)」

で表されます。
ただ、この「発生頻度」の部分に故障率をそのまま適用すると、ちょっと具合
が悪い・・・。
このような話をしてきました。

さて、今回は「推定」に着目します。
ここで使っている「推定」とは、広い意味で、限られた事象から物事を確率的
に考えるための方法と考えてください。

そもそも、保全計画で利用する「故障率」をはじめとするさまざまな指標や考
え方は、ほぼ全て「推定」を持って成り立っています。
計画は未来のことを、何らかの方法で予測することによって成り立ちます。
つまり、何かが起こるか起こらないかわからないけれど、

「多分、こんな風に成りそうだなあ」

と考えて計画を立てるわけです。
予測を、なんとなく気分で決めれば「直感」で計画している、ということにな
ります。
一方で、データから確率的に評価してあげると「推定」する、ということにな
るわけです。
(なお、統計学用語で使う、厳密な推定の意味は別にあります。しかし、ここ
では予測する方法の中で「直感」と対立する考え方として、「推定」という
言葉を使っています。ご了承ください。)

ではリスク評価で利用する「確率」をどのように「推定」すればよいでしょう
か?

前回まで、「MTBF」「故障率」は不変としました。これでは、そのまま使う
と、リスク評価ができません。
そのため、「MTBF」「故障率」について、もう少し細かく考えてみることにし
ます。

「MTBF」は、「平均的」に故障が発生する間隔、ということです。
これはどういう意味でしょうか?

ここまで、「同じ機械」で修理して使える「修理系」として話をしましたが、
少しわかりやすいように、仮に同じ機械を5台並べて、一斉に使い始めるとい
うモデルで説明します。

ヨーイドンで機械を使い始めて時間を計時し、どこかの時点でそれぞれ故障し
ます。
その時間の平均が「MTBF」、(この場合は厳密に言えば「MTTF」「Mean Time
To Failure」)ということです。

例えば計時したものがMTTFが12ヶ月とします。
つまり、故障率は、0.25です。
ここまでは、以前の話と似たような話です。

一方、実際の故障の分布を見てみると、

・5ヶ月
・7ヶ月
・11ヶ月
・17ヶ月
・20ヶ月

このようになっていました。
つまり、MTTFの12ヶ月が過ぎた時点で、半分を超える3台の機械が故障してい
るということになるのです。

当たり前の話ですが、平均の期間が来たら全て故障するわけではなく、早く故
障するものもあれば遅く故障するものもあるわけです。

本稿では以前、MTBFを周期にして保全を行うという例を出していましたが、そ
の例では

「故障は発生しなかった」

という前提にしていました。

しかしその前提は、「たまたまそうなった」にすぎません。
実際にはこの例と同様で、故障が周期どおり発生することはあまりありません。

では、ある時点で故障が起こりそうかどうか、どのように評価すればよいでし
ょうか?

ここで出てくる考え方が

「不信頼度」

です。
今回で挙げた例で言えば、時間がたつにつれ故障する機械は増え、20ヶ月の時
点で100%の機械で故障が発生します。
単純化して言えば、これがこのデータ上から考えられる、不信頼度「1」(100%)
の状態です。

一方で、スタートの時点では故障している機械はないので不信頼度「0」(0%)
ということになります。

つまり、時系列にしたがって0→1に漸増していくのが不信頼度といえます。

これは1台の機械を保全して使う、修理系でも基本的に同じことが言えます。
修理、ないし保全を行って時点を、故障発生確率が「0」とします。
その後使い続けると、将来のいつかの時点では故障が発生します。
つまり、「0」から将来必ず故障する「1」の間のどこかで、故障が発生すると
いうことです。
時間がたつにつれ、修理系でも不信頼度上がっていくということです。

この不信頼度がわかれば、リスク評価で使う、確率として利用できそうです。

では、不信頼度はどのように計算すればよいのでしょうか?

この点は次回お話をいたします。
comment 0 trackback 0
back-to-top
上記広告は1ヶ月以上更新のないブログに表示されています。新しい記事を書くことで広告を消せます。