CN102576428A - 保养方策确定装置及保养方策确定程序 - Google Patents

Abstract

本发明提供考虑设备的状态并从与保养业务相关的可实施的多个行动中选择最佳行动的保养方策确定装置。保养方策确定装置具备：第1计算部，采用增益函数和结果模型参数分布，计算作为各个行动的结果而获得的期待增益；第1推定部，将获得新行动的结果时的学习后的结果模型参数分布推定为学习后参数分布；第2推定部，根据增益函数、结果模型参数分布及学习后参数分布，推定因学习的不足而产生的可能性的某增益的损失，作为增益损失；第2计算部，采用与设备的运行相关的统计信息，计算今后的判定频率，作为类似判定频率；第3计算部，根据增益损失和类似判定频率，计算作为行动的结果而获得的数据的价值，作为信息期待增益；选择行动期待增益和信息期待增益的相加值成为最大的行动，确定保养方策。

Description

保养方策确定装置及保养方策确定程序

技术领域

本发明涉及确定设备的保养方策的保养方策确定装置及保养方策确定程序。

背景技术

设备的保养业务中的判定中，必须在考虑设备的状态X的同时，从可实施的多个保养行动A中选择最佳的行动。例如，对于设定了使用时间和使用次数这样的保养条件的设备，必须在某时刻选择进行“部件更换、翻修”或“清扫、调节”。进行“部件更换、翻修”的场合，成为成本比较高的保养。另一方面，进行“清扫、调节”的场合，成为成本比较低的保养。在这样的保养条件的场合，A＝{部件更换，仅调节}等成为保养行动A的一例。然后，通过因确定的保养行动A而异的概率获得结果Y。

例如，在若设为“部件更换”则到下一次点检时刻为止设备无故障，而若以“调节”结束则到下一次点检时刻以某概率发生故障的场合，Y＝{无故障，故障}成为结果Y的一例。而且，通过准备称为增益函数的函数，可以向各个判定的结果Y分配数值。例如，如部件调节的成本为″0″，设备故障导致的故障损失为″C1″，部件更换的成本即更换成本为″C2″，则可以设定以下所示增益函数R。

R(A＝仅调节，Y＝无故障)＝0

R(A＝仅调节，Y＝故障)＝-C1

R(A＝部件更换，Y＝无故障)＝-C2

R(A＝部件更换，Y＝故障)＝-C1-C2

用这样的增益函数R自动地选择满足任一最佳性的行动的装置是保养方策确定装置。

另外，为了选择最佳行动，采用确定以哪个概率产生结果Y的结果模型P(Y|X，A)是有效的。上述的例中，对于使用次数X，可以采用表示到下一次保养时刻为止故障(F：fault)的概率的故障模型P(F |X，θ)定义如下。

P(Y＝无故障|X，A＝仅调节)＝1.0-P(F |X，θ)

P(Y＝故障|X，A＝仅调节)＝P(F |X，θ)

P(Y＝无故障|X，A＝部件更换)＝1.0

P(Y＝故障|X，A＝部件更换)＝0.0

这里，θ是故障模型P的参数。另外，θ也是结果模型P的参数。

日本专利第3054039号公报(专利文献1)公开了采用结果模型P和增益函数R，通过期待增益最大化确定最佳行动的保养方策确定装置的一例。一般，通过期待增益最大化确定最佳行动的场合，对全部的行动计算式(1)所示期待增益，选择呈现最大值的行动。

[式1]

$R(X,A)=\underset{Y}{\mathrm{\Σ}}P\left(Y\right|X,A)*R(A,Y)---\left(1\right)$

相当于若向上述例套用式(1)，则计算如下的2个值，选择值大的行动。

R(X，A＝部件更换)＝1.0＊(-C2)

R(X，A＝仅调节)＝P(F|X，θ)＊(-C1-C2)

即，传统的方法中，认为采用提供的增益函数R，由模型参数θ确定的结果模型P完全正确，通过期待增益的最大化来确定保养方策(方针)。

专利文献1：日本专利第3054039号公报

发明内容

产品出厂前若可以进行完全的耐久试验，则可获得设备、部件的正确的故障模型，因此也可以获得正确的结果模型。但是，新设备、新部件等往往无法预先获得正确的结果模型。在这样的场合，必须在保养的同时采用收集的数据更新结果模型的参数θ。

因而，例如在结果模型的参数θ不可靠的期间，与“部件更换”的行动相比，“仅调节”的行动是用于获得良好模型的有价值的信息收集。但是，没有考虑信息的价值而进行方策确定的装置。即，判定时，没有“判定的结果、获得的信息的价值”这样的观点。结果，在新产品、部件等模型的参数θ不充分可靠的设备的保养中，无法确定最佳保养方策，存在导致保养成本增大的问题。

本发明为解决上述问题而提出，目的是提供在考虑设备的状态的同时从保养业务相关的可实施的多个行动中选择最佳行动的保养方策确定装置及保养方策确定程序。

为了达成上述目的，本发明的一个方式的保养方策确定装置，其考虑设备的状态的同时从与保养业务相关的可实施的多个行动中选择最佳行动，其特征在于，具备：第1存储部，其存储为了对某状态中的某行动的结果分配价值而预先设定的增益函数；第2存储部，其将根据状态预测行动的结果的结果模型的概率密度分布存储为结果模型参数分布；第1计算部，其采用上述增益函数和上述结果模型参数分布，计算作为各个行动的结果而获得的期待增益，作为行动期待增益；第1推定部，其将获得新行动的结果时的学习后的上述结果模型参数分布推定为学习后参数分布；第2推定部，其根据上述增益函数、上述结果模型参数分布及上述学习后参数分布，推定因学习的不足而产生的可能性的某增益的损失，作为增益损失；第2计算部，其采用第3存储部所存储的设备的运行相关的统计信息，计算今后的判定频率，作为类似判定频率；第3计算部，其根据上述增益损失和上述类似判定频率，计算作为行动的结果而获得的数据的价值，作为信息期待增益；和保养方策确定部，其选择上述行动期待增益和上述信息期待增益的相加值成为最大的行动，确定保养方策。

另外，本发明的一个方式的保养方策确定程序，其考虑设备的状态并从与保养业务相关的可实施的多个行动中选择最佳行动，其特征在于，具备：通过从存储预先设定的增益函数的增益函数存储部取得的上述增益函数、从将根据状态预测行动结果的结果模型的概率密度分布作为结果模型参数分布存储的结果模型参数分布存储部取得的上述结果模型参数的概率密度分布以及采用平均的上述结果模型，计算行动期待增益的功能；根据行动和选择结果的各个值，列出学习后的参数分布候补的功能；采用上述增益函数、上述结果模型参数的概率密度分布及上述学习后参数分布，对于行动的各个要素，计算可期待为模型参数的学习结果的增益的增加，作为假定增益损失的功能；采用上述结果模型参数的概率密度分布和上述假定增益损失，推定行动的增益损失的功能；从统计信息存储部取得与设备的运行相关的统计信息，推定从判定的结果获得的信息价值在今后的判定中可以怎样的程度利用的功能；根据上述增益损失和上述类似判定频率，计算作为行动结果获得的数据的价值，作为信息期待增益的功能；和选择上述行动期待增益和上述信息期待增益的相加值最大的行动，确定保养方策的功能。

发明的效果

根据本发明，可以实现考虑从判定的结果获得的信息的价值，在新产品、部件等模型的参数不充分可靠的设备的保养中，可削减保养成本的保养方策确定装置及保养方策确定程序。

附图说明

图1是本实施方式的保养方策确定装置的构成方框图。

图2是本实施方式的增益函数的一例示图。

图3是用于计算本实施方式的结果模型的故障模型的一例示图。

图4是本实施方式的β分布的一例示图。

图5是本实施方式的式(4)的假定增益损失的计算过程的示图。

图6是对本实施方式的参数θ计算假定增益损失的结果的一例示图。

图7是用于计算本实施方式的增益损失的计算过程的示图。

图8是本实施方式的统计信息存储部所存储的设备的运行相关的统计信息的一例示图。

图9是本实施方式的动作流程图。

标号说明：

110...增益函数存储部(gain function storage unit)

120...结果模型参数分布存储部(result model parameter distributionsto rage unit)

130...行动期待增益计算部(action expected gain calculation unit)

140...学习后参数分布推定部(after-training parameter distributionestimation unit)

150...增益损失推定部(loss of gain estimation unit)

150a...假定增益损失计算部(hypothetical loss of gain calculation unit)

150b...假定增益损失累计部(hypothetical loss of gain integration unit)

160...统计信息存储部(statistical information storage unit)

170...类似判定频率计算部(similar choice determination prequencycalculation unit)

180...信息期待增益计算部(information expected gain calculation unit)

190...保养方策确定部(maintenance policy determation unit)

具体实施方式

以下，参照附图说明本发明的实施方式。

本实施方式在考虑了从判定的结果获得的信息的价值的例如升降机、复印机、电子计算机等与生产设备、发电设备比较，产品、部件的模型变化多的设备中是有效的。但是，也可以适用于除此以外的设备。

图1是本发明的保养方策确定装置的一实施方式的构成图。如图1所示，保养方策确定装置100具备增益函数存储部110、结果模型参数分布存储部120、行动期待增益计算部130、学习后参数分布推定部140、增益损失推定部150、统计信息存储部160、类似判定频率计算部170、信息期待增益计算部180及保养方策确定部190。另外，第2推定部150包括假定增益损失计算部150a和假定增益损失累计部150b。图1的各部可以作为例如程序模块实现。

这里，增益函数存储部110以下称为第1存储部。另外，结果模型参数分布存储部120以下称为第2存储部。而且，行动期待增益计算部130以下称为第1计算部。另外，学习后参数分布推定部140以下称为第1推定部。另外，增益损失推定部150以下称为第2推定部。另外，统计信息存储部160以下称为第3存储部。另外，类似判定频率计算部170以下称为第2计算部。而且，信息期待增益计算部180以下称为第3计算部。

另外，假定增益损失计算部150a以下称为第4计算部。而且，假定增益损失累计部150b以下称为累计部。

接着，说明各部的构成和动作。图2至图8是考虑设备的状态的同时从保养业务相关的可实施的多个行动中选择最佳行动的动作的一例。另外，图9是本实施方式的动作流程图。

首先，第1存储部110存储用于将相对于判定的结果的“有利度”数值化的各个增益函数R。增益函数R用以结果Y为参数的(R(Y))、以结果Y和行动A为参数的(R(A，Y))、而且以结果Y和行动A和状态X为参数的(R(X，A，Y))等进行表现。

图2是该增益函数R的一例。这里，由故障损失(C1)和更换成本(C2)这样的参数定义负的增益函数R。另外，也可以将使用设备而获得的效用作为正的数值赋予。

另外，第2存储部120存储采用参数θ并通过状态X和行动A概率地预测结果Y的结果模型。从而，必须可通过第2存储部120计算模型参数θ的概率密度分布g(θ)。

图3是用于计算结果模型的故障模型301的一例。图3中，表示了设备的使用次数(即，状态值X)＝2500次的时刻为止的故障概率为0.1的情况。该状态中，到下一次判定为止，设备无故障概率用θ确定。用于确定概率密度分布g(θ)的模型系数a、b在第2存储部120存储。图3的例中，概率密度分布g(θ)假定按照β分布β(a，b)。

图4表示β分布β(a，b)的一例401。图4的粗线402表示β分布β(9，2)，虚线403表示β分布β(10，2)，细线404表示β分布β(9，3)。粗线402的β分布β(9，2)的模式(最频值)设为约0.89。该例中，由β分布β(a，b)表现概率密度分布g(θ)，但是也可以假定正态分布，由平均和标准偏差表现。

第1计算部130中，由从第1存储部110获得的增益函数R、从第2存储部120获得的结果模型参数的概率密度分布g(θ)的模式(θ′)及采用了平均的结果模型P(Y|X，A)，计算行动期待增益R(图9的步骤S100)。

在图3的例的场合，成为

R(X＝2500，A＝部件更换)＝1.0＊(-C2)＝-100

这里，若以期待增益最大为基准，则选择行动期待增益R大的“部件更换”的行动A为最佳。

上述二个行动的期待增益逆转是在图3的例如故障概率约0.91的时刻。从而，若满足θ≥0.91的概率密度分布g(θ)全部为零，则即使怎样正确推定θ，都不会影响行动A的选择。如果不是这样，通过选择“仅调节”的行动A，到下一次定期点检为止，将与该设备“故障”还是“无故障”相关的数据收集1个事例，用于模型参数的更新。

若判明随着学习的进展θ在θ.91以上，则“仅调节”的行动A的期待增益R变得更高。例如，若假定θ为0.95，则R(X＝2500，A＝仅调节)＝(1.0-0.95)(-1100)-55，因此，在今后的类似的判定中，每一次可削减+45分的保养成本。因而，判定时从参数的学习的观点看，评价行动A是重要的。另外，在以下的自明的场合，从式的参数省略状态X。

第1推定部140中，根据行动A和选择的结果Y的各个值，列出学习后的参数分布候补{g(θ|A，Y)}(图9的步骤S110)。

采用g(θ)＝β(a，b)的β分布的场合，可以设为

g′(θ|A＝部件更换，Y＝无故障)＝β(a，b)...图4的符号402

g′(θ|A＝仅调节，Y＝无故障)＝β(a+1，b)...图4的符号403

g′(θ|A＝仅调节，Y＝故障)＝β(a，b+1)...图4的符号404

β分布中，在无故障的场合使a增加+1，故障的场合使b增加+1即可。

第2推定部150中，采用增益函数R()和结果模型参数的概率密度分布g(θ)及学习后参数分布{g(θ|A，Y)}，对于行动A的各个要素进行假定模型参数为θ时的学习，结果，将可期待的增益的增加计算为假定增益损失{loss(θ，A)}。然后，采用结果模型参数的概率密度分布g(θ)和假定增益损失{loss(θ，A)}，推定行动A的增益损失{loss(A)}(图9的步骤S120)。

真的结果模型参数为θ时，若参数

中的最佳战略为此时的期待增益为

则参数

的损失可通过

θ)-R(π(θ)，θ)推定。

图3的β分布β(9，2)的例中，若设为θ＝0.95，

则

0.95)-R(π(θ＝0.95)，0.95)＝-100-(-55)＝-45。因而，通过第4计算部150a的运算，选择行动A时的假定增益损失{loss(θ，A)}可以计算为

[式2]

$\mathrm{loss}(\mathrm{\θ},A)=\underset{Y}{\mathrm{\Σ}}P\left(Y\right|A,\mathrm{\θ})\underset{\mathrm{\φ}}{\∫}(g^{\′}\left(\mathrm{\φ}\right|A,Y)-g\left(\mathrm{\φ}\right))(R(\mathrm{\π}\left(\mathrm{\φ}\right),\mathrm{\θ})-R(\mathrm{\π}\left(\mathrm{\θ}\right),\mathrm{\θ}))\mathrm{d\φ}---\left(2\right)$

该式(2)中，对于模型参数假定为θ时的结果Y的各个，将采用在获得结果Y时获得的新参数

时的增益的差(：

θ)-R(π(θ)，θ))用采用

的概率的变化

加权后相加。

然后，若用结果模型参数的概率密度分布g(θ)和假定增益损失{loss(θ，A)}来呈现增益损失{loss(A)}，则可以作为

[式3]

$\mathrm{loss}\left(A\right)=\underset{\mathrm{\θ}}{\∫}g\left(\mathrm{\θ}\right)\mathrm{loss}(\mathrm{\θ},A)\mathrm{d\θ}---\left(3\right)$

计算，可以推定行动A的增益损失。

该式(3)中，用采用现在获得的参数θ的概率通过θ对假定增益损失{loss(θ，A)}加权，由累计部150b相加。上述的例中，由于与参数的学习无关，因此假定增益损失{loss(θ，A＝部件更换)}＝增益损失{loss(A＝部件更换)}＝0，g(θ)＝β(9，2)时，可以分别推定

[式4]

[式5]

图5表示式(4)的假定增益损失{loss(θ，A)}的计算过程。图5中，对于与式(2)的结果Y相当的各个场合，计算结果Y的发生概率和∫以下的分量，通过将它们相乘并相加，计算假定增益损失{loss(θ，A)}＝0.493。为了计算增益损失{loss(A)}，表示了对于g(θ)＞0的全部的θ计算假定增益损失{loss(θ，A)}的结果。

图6表示对各个参数θ计算假定增益损失{loss(θ，A)}的结果Y601。图6的符号602表示图5所示的(θ＝0.93，loss(θ，A)＝0.493)的测定结果。然后，通过对结果模型参数的概率密度分布g(θ)乘以图6的对应值后积分，可以计算增益损失{loss(A)}。

图7表示计算增益损失{loss(A)}的计算过程。图7(a)中，符号701表示结果模型参数的概率密度分布g(θ)。若其结果模型参数的概率密度分布g(θ)和图6的符号601的假定增益损失{loss(θ，A)}相乘，则获得图7(b)的符号702所示曲线图。然后，通过将图7(b)的值积分(即，从图7(b)的符号703的面积和符号705的面积相加的面积减去符号704的面积)，可以获得式(5)的增益损失{loss(A)}＝2.6。

另外，上述式(2)(3)的积分计算不必对全部的参数θ进行。例如，也可以在结果模型参数的概率密度分布g(θ)的模式和/或平均的附近(±Aθ)的范围积分。另外，也可以在仅仅结果模型参数的概率密度分布g(θ)取阈值以上的值的区域积分。另外，式(3)中，也可以仅仅对取正的值的假定增益损失{loss(θ，A)}积分。式(5)中，但是，例如，

这是因为，由于β(2，9)的模式

因此，设备以89％的概率故障，显然部件更换的行动A的期待增益R优，即使收集数据，θ′＞0.91，判断逆转的可能性也低。另外，取得与β(9，2)的模式

大致相同模式θ′的β(100，13)中，

这是因为，由于模型参数的概率密度分布g(θ)的锐度高，可靠性提高了，因此，追加一个新事例的价值低。这样，根据本发明，对于增益函数R，可以将获得对于判定重要的信息的行动推定为大的增益损失{loss(A)}。

第2计算部170中，从第3存储部160取得设备的运行相关的统计信息，推定从判定的结果获得的信息价值在今后的判定可以怎样的程度利用(图9的步骤S130)。

图8是在第3存储部160存储的设备的运行相关的统计信息801的一例。作为设备123的信息，表示了假定的设备的平均使用年数(图8中，10年)、假定运行台数(销售总数)(图8中，250台)、现状设备的运行台数(图8中，88台)、平均运行年(图8中，3年)、年间使用次数的分布(a)-(e)。

例如，若现在要进行的是使用次数X为2500次时刻的判定，则类似的状况的判定必须估计在今后存在几次的程度。设备的生涯使用次数a)-e)用年间使用次数×假定使用年数计算，成为

a)100×10＝1000

b)1000～2000

c)2000～3000

d)3000～4000

e)4000

因而，使用次数成为2500次的设备成为组c)的一半，组d)、e)的全部，可以估计为

另外，现状的使用次数f)-j)用年间使用次数×平均运行年数计算，成为

a)100×3＝300

b)300～600

c)600～900

d)900～1200

e)1200

这里，已经达到2500次的设备可估计为″0″。

因而，第2计算部170推定为类似判定频率M＝81-0＝81。另外，类似判定频率也可以按时间推定为{M1(＝1年以内的次数)：20次，M2(1～2年以内的次数)：30次，...}等。

第3计算部180中，根据增益损失{loss(A)}和类似判定频率M，将从行动A的结果获得的数据的价值作为信息期待增益I(A)计算(图9的步骤S140)。

[式6]

I(A)＝M*loss(A)    (6)

上述的例中，成为

I(A＝部件更换)＝0.0

另外，g(θ)＝β(a＝100，b＝13)时，成为

类似判定频率M按时间推定的场合，采用折扣率参数β(0～1)等，也可以设为

[式7]

I(A)＝(β*M1+β^2*M2+β^3*M3+…)*loss(A)(7)

通过采用这样的计算式，可以重视时间上接近的判定。

保养方策确定部190中，通过选择行动期待增益R和信息期待增益I(A)的相加值最大的行动A，确定保养方策A(图9的步骤S150)。即，通过式(8)确定保养方策。

[式8]

$A*=\underset{A}{\max }R(X,A)+I(X,A)---\left(8\right)$

上述的例中，若假定g(θ)＝β(9，2)，则成为

R(X＝2500，A＝部件更换)+I(X＝2500，A＝部件更换)＝-100+0＝-100

R(X＝2500，A＝仅调节)+I(X＝2500，A＝仅调节)＝-121+210＝89

因此通过考虑信息价值，选择“仅调节”的行动A。

另外，若假定g(θ)＝β(100，13)，则成为

R(X＝2500，A＝仅调节)+I(X＝2500，A＝仅调节)＝-121+6.3＝-114.7

从而，判断已经充分进行了故障模型(结果模型)的学习，信息的价值相对低，因此选择“部件更换”的行动A。另外，式(8)也可以不是单纯相加，而是导入加权系数后相加。

若状态X中的真的故障概率为0.95，则持续通过通常的期待增益最大化确定保养方策的场合，与总是最佳的判定比较，需要45的过剩保养成本。通过采用迄今为止说明的本实施方式的保养方策确定装置，在上述的例中，可以期待45＊81＝3645的保养成本削减效果。

适用本发明的升降机、复印机、计算机设备等与生产设备、发电设备比较，产品、部件的模型变化多的设备中，存在末获得完全的故障模型就必须使产品出厂的情况，通过考虑了信息的价值的保养方策确定装置，可以进行有效的判定。

如以上详述，根据本实施方式，考虑从判定的结果获得的信息的价值，可以进行在可收集对将来的判定有价值的信息时选择这样的行动，在信息充分蓄积时选择最佳行动的判定。因此，在新产品、部件等模型的参数不充分可靠的设备的保养中，可以确定可削减保养成本的保养方策。

另外，本发明不限于上述实施方式，在不脱离发明的要旨的范围可以设计变更。

Claims (6)

1.一种保养方策确定装置，其考虑设备的状态并从与保养业务相关的可实施的多个行动中选择最佳行动，其特征在于，具备：

第1存储部，其存储为了对某状态中的某行动的结果分配价值而预先设定的增益函数；

第2存储部，其将根据状态预测行动的结果的结果模型的概率密度分布作为结果模型参数分布存储；

第1计算部，其采用上述增益函数和上述结果模型参数分布，计算作为各个行动的结果而获得的期待增益，作为行动期待增益；

第1推定部，其将获得新行动的结果时的学习后的上述结果模型参数分布推定为学习后参数分布；

第2推定部，其根据上述增益函数、上述结果模型参数分布及上述学习后参数分布，推定因学习的不足而产生的可能性的某增益的损失，作为增益损失；

第2计算部，其采用第3存储部所存储的设备的运行相关的统计信息，计算今后的判定频率，作为类似判定频率；

第3计算部，其根据上述增益损失和上述类似判定频率，计算作为行动的结果而获得的数据的价值，作为信息期待增益；和

保养方策确定部，其选择上述行动期待增益和上述信息期待增益的相加值成为最大的行动，确定保养方策。

2.如权利要求1所述的保养方策确定装置，其特征在于，

在上述第2存储部存储因每个状态而异的β分布的2个参数，作为上述模型参数分布。

3.如权利要求1所述的保养方策确定装置，其特征在于，

上述第2推定部包括：

第4计算部，其根据假定上述结果模型参数分布的预定的参数正确时的上述结果模型参数分布和上述学习后参数分布，计算因学习的不足而产生的可能性的某增益的损失，作为假定增益损失；和

累计部，其以上述结果模型参数分布的概率为权重，将上述假定增益损失累计，推定上述增益损失。

4.如权利要求1所述的保养方策确定装置，其特征在于，

上述第2计算部，按一定时间范围计算在要进行现在判定的状态下，今后以怎样程度的频率进行判定。

5.如权利要求4所述的保养方策确定装置，其特征在于，

上述第3计算部，通过将采用取大于0且1以下值的折减系数对上述类似判定频率加权后的值与上述增益损失相乘，计算上述信息期待增益。

6.一种保养方策确定程序，其考虑设备的状态并从与保养业务相关的可实施的多个行动中选择最佳行动，其特征在于，具备：

通过从存储预先设定的增益函数的增益函数存储部取得的上述增益函数、从将根据状态预测行动结果的结果模型的概率密度分布作为结果模型参数分布存储的结果模型参数分布存储部取得的上述结果模型参数的概率密度分布以及采用平均的上述结果模型，计算行动期待增益的功能；

根据行动和选择结果的各个值，列出学习后的参数分布候补的功能；

采用上述增益函数、上述结果模型参数的概率密度分布及上述学习后参数分布，对于行动的各个要素，计算可期待为模型参数的学习结果的增益的增加，作为假定增益损失的功能；

采用上述结果模型参数的概率密度分布和上述假定增益损失，推定行动的增益损失的功能；

从统计信息存储部取得与设备的运行相关的统计信息，推定从判定的结果获得的信息价值在今后的判定中可以怎样的程度利用的功能；

根据上述增益损失和上述类似判定频率，计算作为行动结果获得的数据的价值，作为信息期待增益的功能；和

选择上述行动期待增益和上述信息期待增益的相加值最大的行动，确定保养方策的功能。

Images