CN104950866A - 故障原因分类装置 - Google Patents

Abstract

本发明提供一种故障原因分类装置。为了挑选传感器，需要安装在机械中的每一个传感器的知识或针对对象机械的机械特性的知识。以前由具有机械知识的专家进行传感器的选择。本发明分析机械故障时的传感器数据，对每个故障原因抽出特征进行比较，由此使每个故障原因的传感器数据的差变得明确，通过向操作者进行提示来支援传感器的选择。根据本发明，能够比现有技术更简单地选择被认为对故障原因分类有效的传感器。即使不需要机械知识也能够选择被认为对故障原因分类有效的传感器。

Description

故障原因分类装置

技术领域

本发明涉及一种用于分析从传感器等得到的时序数据的装置和方法。

背景技术

在运输卡车等商用车中，运转率左右着事业的盈亏。因此，在机械故障时，有时进行以下的动作，即通过迅速确定故障的原因来削减进行维护的停机时间。

以前，通过比较故障时的机械的运转数据和过去的故障的数据来确定故障原因。这时，通过严格选择用于比较的传感器，能够高精度地进行故障原因的分类。例如在专利文献1中，通过将多变量分析和机械知识进行组合，来求出用于识别正常状态和故障状态的传感器的条件。

在比较机械故障时的运转数据和过去事例的运转数据时，通过选择所使用的传感器能够提高原因确定的精度。

但是，在机械中安装的传感器的数量多，例如在一台车辆中安装有百种以上的传感器。因此，为了挑选传感器，需要安装在机械中的每一个传感器的知识、针对对象机械的机械特性的知识。以前由具有机械知识的专家进行传感器的选择。

并且，需要对每个机种、每个故障原因进行传感器的选择，因此需要大量的工时。另外，对于未知的故障，本来就不存在机械知识。因此，需要即使不需要机械知识也能够进行用于确定故障原因的传感器选择，但在专利文献1中并没有考虑到这一点。

专利文献1：日本专利第5363927号说明书

发明内容

本发明的一个特征在于，根据异常数据，除此以外判断为正常。

本发明的一个特征在于，分析机械故障时的传感器数据，对每个故障原因抽出特征，并对其进行比较，由此来明确每个故障原因的传感器数据的差，并向操作者进行提示，由此支援传感器选择。

根据本发明，能够比现有技术简单地选择被认为对故障原因的分类有效的传感器。例如，即使不需要机械知识，也能够选择被认为对故障原因的分类有效的传感器。

附图说明

图1是表示本实施例的系统的图。

图2表示对故障原因进行分类的服务器的结构的图。

图3是表示故障DB内的层级的图。

图4是表示故障DB内的样本的图。

图5是表示学习部的流程的图。

图6是用于说明特征量的图。

图7是表示学习结果存储部的层级的图。

图8是表示影响度计算部的考虑方法的图。

图9是表示影响度计算部的流程的图。

图10是表示影响度存储部的结构的图。

图11是表示传感器选择部的结构的图。

图12是分类器存储部的结构的图。

图13是表示分类部的结构的图。

图14是表示分类结果显示部的结构的图。

图15是表示传感器选择部的画面具体例子的图。

图16是表示履历存储部的结构的图。

图17是说明公式1～公式7的图。

符号说明

101车辆；102通信据点；103原因分类服务器；104操作者；105维护据点

具体实施方式

以下，使用附图说明本发明的实施例。

图1是说明本实施例的系统的图。本实施例的系统包括车辆101、通信据点102、原因分类服务器103、维护据点105，操作者104操作原因分类服务器103。

在车辆101的内部内置有多个传感器。在故障时传感器检测出的传感器数据从车辆101经由通信据点102被原因分类服务器103接收。

原因分类服务器103进行接收到的传感器数据的故障的原因分类，将分类结果发送到维护据点105。由操作者104预先进行用于原因分类的传感器选择等的设定。维护据点105使用发送来的故障的原因分类信息，进行高效的维护作业。

车辆101、通信据点102、原因分类服务器103、维护据点105、由操作者104操作的接口能够通过标准化的高速网络相互进行通信。该高速网络可以包含有线和无线中的至少一个。

在图2中表示原因分类服务器103的结构。原因分类服务器103由故障数据库201(以后称为故障DB)、学习部202、学习结果存储部203、影响度计算部204、影响度存储部205、传感器选择部206、分类器存储部207、传感器数据208、分类部209、分类结果显示部210构成。

故障DB201是存储与故障的信息相关联的传感器数据的部分，对每个车种存储了车辆的故障种类、故障原因、样本。根据车种、故障种类、判明故障原因的样本，由操作者104依次写入这些信息。

车种是车辆的种类。例如表示车辆的型号。

故障种类是与由于故障而在车辆中出现的现象有关的信息。例如有意外的引擎的停止。

故障原因是与成为故障种类的原因的事项有关的信息。一个故障种类具有至少一个以上的故障原因。例如，对于引擎停止的故障原因，作为故障原因可以考虑在引擎的内壁产生的龟裂、引擎内堵塞、测量引擎转数的传感器故障。

样本是车辆故障时的各种传感器数据的集合，更具体地说，是按照时序汇总了传感器数据所得到的集合。在一个故障原因中包含至少一个以上的传感器数据。

图3表示本实施例的故障DB201的层级构造。在车种层级300中存储有车种α、……。在故障种类层级301中存储有故障种类a、b……。在故障原因层级302中存储有与故障种类层级301的故障种类相关联的故障原因。例如针对车种α的故障种类a，存储了与其关联的故障原因A、B……X。更具体地说，在作为故障种类层级a而存储了引擎停止的情况下，在故障原因层级301中存储龟裂、堵塞、传感器故障这样的故障原因。在样本层级303中，存储有与故障种类、故障原因相关联的样本。

图4是表示在故障DB201中存储的样本303的形式的图。故障原因A401、故障原因B402分别与故障原因层级302中的故障原因一致。与故障原因A401相关联的样本403、404被存储在故障原因A的下位层级。数据形式405表示样本的形式。在样本1中，如数据形式405那样，将例举为油门开度、引擎转数以及温度的故障时的传感器数据作为时序数据与时间同步地进行存储。如图4所示，如样本1、2……那样，对故障原因A关联了多个样本。

学习部202使用故障DB201的信息学习各故障原因的特征，将其结果写入到学习结果存储部203中。在每次与车种、故障种类、故障原因关联地在故障DB201写入了新的样本时，针对关联了新的样本的故障原因执行学习部202的处理。在此，在学习部202只写入故障数据。关于取得/保存正常时的数据，由于数据收集/保存会花费成本，所以只写入故障时的数据。

使用图5的流程说明学习部202的处理的详细情况。在追加了上述样本的定时，学习部执行学习流程开始501。

在步骤502中，学习部202从故障DB201读入追加的样本内的传感器数据。

在步骤503中，学习部202学习读入的传感器数据的特征。作为一个表现，学习例如可以表现为得到传感器数据的特征。在此，学习部202进行的学习是指机械学习。在本实施例中，记载被称为混合概率主成分分析的方法以及被称为混合性分布近似的方法这两个方法。在步骤503中学习的特征在混合概率主成分分析的情况下为群数、平均、载荷矩阵、方差、混合比，在混合正态分布近似的情况下为群数、平均、协方差矩阵、混合比。一般在机械学习中，以正常时的数据为基准检测异常(故障)而进行其分类，但在本方法中，其特征在于能够只根据异常(故障)时的数据对故障进行分类。

在图6中表示机械学习的概要。传感器轴601、602表现为进行多变量分析时的各传感器的轴。图6表示了通过2个传感器粘帖的空间，但实际的传感器数据存在多个传感器种类，因此形成高维的空间。传感器数据603表示了通过传感器轴601、602粘帖的空间上的传感器数据。

特征量604表示通过学习部202抽出的特征。在混合概率主成分分析的情况下，计算作为特征量604的椭圆的中心坐标的平均、用于表现椭圆形状的载荷矩阵和方差、表示2个椭圆中的传感器数据的比例的混合比。在混合正态分布近似的情况下，作为特征计算作为特征量604的椭圆的中心坐标的平均、用于表现椭圆的形状的协方差矩阵、表示2个椭圆的传感器数据的比例的混合比。根据该方法，能够只根据异常(故障)时的数据对故障进行分类。此外，上述特征是示例，也可以是其他特征。另外，上述方法是示例，也可以使用其他机械学习的方法。

在步骤504中，将学习部202学习的特征信息与车种、故障种类、故障原因关联地存储在学习结果存储部203中。

在步骤505中，判定学习部202是否针对与追加的样本相应的全部故障原因结束了学习。如果对全部的故障原因结束了学习，则前进到步骤506。如果没有对全部的故障原因结束学习，则返回到步骤502，读入没有结束学习的故障原因的传感器数据。

在步骤506中，结束学习流程。

学习结果存储部203是存储与故障的信息关联的学习结果的部分，存储有车辆的车种、故障种类、故障原因、每个故障原因的学习结果。由学习部202对每个故障原因在特征的学习结束的定时写入这些信息。在图7中表示学习结果存储部203的层级构造。

图7表示实施例的学习结果存储部203的层级构造。车种层级700存储有车种α、……。故障种类层级701存储有故障种类a、b、……。在故障原因层级702中存储有与故障种类层级701的故障种类关联的故障原因A、B……X。例如，在故障种类层级701中存储有引擎停止的情况下，在故障原因层级702中作为故障原因A、B、……X存储龟裂、堵塞、传感器故障。在学习结果层级703中存储有与车种、故障种类、故障原因关联的学习结果。

影响度计算部204使用学习结果存储部203的信息，计算对每个故障种类存在的故障原因对分类的影响的程度来作为影响度，将其结果写入影响度存储部205中。由学习部202进行特征的学习，在结束了学习流程的定时执行该处理。

在本实施例中，作为影响度的例子记载有效度、可靠度、传感器值的特征、分类性能。有效度是各传感器对故障原因之间的特征的差的贡献的程度，可靠度、传感器值的特征、分类性能成为用于检查是否能够信任上述有效度的指标。有效度也可以表现为输出了传感器数据的传感器对故障原因之间的特征的差的贡献的程度。

在图8中表示影响度计算部204的处理的概要。在图9的流程图中表示影响度计算部204的处理的详细。

图8是说明影响度计算部204的概要的图。图8由传感器轴801、802、群803、804、805、806、差分向量807构成。

传感器轴801、802表现进行多变量分析时的各传感器的轴。群803、804、805、806分别表示故障原因A的群编号1、故障原因A的群编号2、故障原因B的群编号1、故障原因B的群编号2。群803、804、805、806是由学习部202对每个故障原因抽出的多个特征量604。差分向量807相当于用于计算影响度的特征的差分。

影响度计算部204从2个故障原因的特征中抽出类似的特征。通过对抽出的类似的特征进行比较，来计算各传感器的优先度作为对故障原因分类的影响的程度。

在图8中，在分类作为故障原因A的群1、2的群803、804和作为故障原因B的群1、2的群805、806时应该关注的传感器是传感器轴802的传感器。这是因为在传感器轴801的传感器上存在故障原因A和故障原因B的可取值的范围重叠的区域。即，在群804、805，在传感器轴801中存在的区域大致相同。在这样的传感器轴，难以进行故障原因分类。另一方面，在传感器轴802，不存在故障原因A和故障原因B的群的可取的范围重叠的区域。因此，根据传感器轴802，容易进行故障原因分类。因此，通过对传感器轴802那样的传感器赋予高的影响度，来支援用户的选择。为了计算这样的影响度，对类似的特征进行比较是有效的。

在图8中在故障原因之间类似的特征是作为故障原因A的群2的群804、作为故障原因B的群1的群805。作为这些特征的差分的差分向量807朝向与被认为对故障原因分类有效的传感器轴802相同的方向，容易赋予高的影响度。

在车辆等机械中，发现故障的动作状况对于每个故障的原因有各种各样。另外，根据动作状况，有时各传感器的特性有很大变化。因此，只比较2个故障原因的特征，不仅抽出故障原因造成的影响的差，还会抽出发现了故障的动作状况的差、传感器的特性的变化这样的许多差异。因此，难以抽出对于故障原因的分类真正有效果的传感器。

在本实施例中，为了消除这样的困难，通过将2个故障原因之间特别类似的特征彼此进行比较，来明确类似的动作状况下的传感器的特性的差，计算影响度来作为用于选择对故障原因分类有效的传感器的指标。后述的影响度可以表现为指标的一个例子。

假设通过类似的特征以外的组合计算特征的差分，计算影响度的情况如下。考虑通过作为故障原因A的群1的群803与作为故障原因B的群2的群806的比较来计算影响度的情况。在该情况下，特征的差分向量成为从群806朝向群803的方向的差分向量808。这样的差分向量808不仅包含被认为对故障原因分类有效的传感器轴808，还包含被认为对故障原因分类无效的传感器轴801的成分。因此，通过类似的特征以外的组合得到的差分向量808还包含对故障原因分类无效的传感器轴的信息，因此难以向对故障原因分类有效的传感器轴赋予高的影响度。因此，为了向对故障原因分类有效的传感器赋予高的影响度，对类似的特征进行比较是重要的。另外，通过这样向对故障原因分类有效的传感器赋予高的影响度，可以不使用正常时的数据，仅根据异常(故障)时的数据就能够高精度地分类故障。

图9是表示影响度计算部204的处理流程的图，是表示得到作为影响度的一个例子的有效度的流程的图。在步骤901中，影响度计算部204开始影响度计算流程。在学习部202针对在故障DB201中追加的全部样本进行特征的学习，结束了学习流程的定时，执行该处理。

在步骤902中，影响度计算部204选择一个故障种类。关于选择的故障种类，从学习部202新学习的故障种类中选择。因此，影响度计算部204在每次向故障DB201追加样本时，关于追加的样本内的传感器数据的故障种类计算有效度。

在步骤903中，影响度计算部204从学习结果存储部203读入实质上同一故障种类中的至少2个故障原因的学习结果(作为一个表现是特征)。例如，在故障种类是引擎停止时的情况下，存在发生龟裂时的学习结果、发生堵塞时的学习结果、发生传感器故障时的学习结果这3个学习结果。因此，存在发生龟裂时的学习结果和发生堵塞时的学习结果、发生龟裂时的学习结果和发生传感器故障时的学习结果、发生堵塞时的学习结果和发生传感器故障时的学习结果这3种组合，分别对其进行学习结果的比较。

在步骤904中，影响度计算部204对2个故障原因的学习结果(作为一个表现是特征)进行比较，抽出类似的特征。

首先，记述作为学习算法采用了混合概率主成分分析的情况。这时，即使是一个故障原因也存在群数的个数的特征。例如在群数是3的情况下，存在群编号1的平均、载荷矩阵、方差、混合比这样的特征、群编号2的平均、载荷矩阵、方差、混合比这样的特征、以及群编号3的平均、载荷矩阵、方差、混合比这样的特征。因此，对发生龟裂时的群编号1～3的特征和发生堵塞时的群编号1～3的特征进行比较，从发生龟裂时特征和发生堵塞时的特征中抽出类似的特征的组合。例如，在通过学习结果的平均进行的比较中，使用公式1那样的指标。群可以有各种表现，但作为一个表现，可以表现为规定的样本数据的集合。

在此，d_i，j表示2个特征的差，符号1701表示向量的模。μ表示平均，下标i，crack表示是龟裂的群编号i的平均，下标j，choke表示是堵塞的群编号j的平均。类似的特征是指2个特征的差d小于规定的值的(i，j)的组合。因此，抽出d_i，j减小那样的与故障原因是龟裂的第i个群、故障原因是堵塞的第j个群相关的平均、载荷矩阵、方差、混合比这样的特征。可以将特征表现为包含与群有关的信息。

此外，也根据平均以外的特征进行类似的组合的抽出。公式2表示基于载荷矩阵进行的比较。

在此，W表示载荷矩阵。在故障原因之间平均类似的情况表示因为传感器数据的取值范围类似，所以动作点类似的情况。另外，载荷矩阵类似的情况表示因为传感器数据的变化类似，所以动作特性类似的情况。

通过使用这样的指标来抽出类似的特征，能够比较类似的动作环境下的传感器特性。

在步骤905中，在步骤904中抽出了类似的特征后，影响度计算部204对在步骤904中抽出的特征进行比较，计算有效度。与类似的特征的差对应地计算有效度。在公式3中表示根据平均的差进行了评价时的各传感器的有效度。

在此，e_k表示第k个传感器的有效度。μ表示平均，下标k，i，crack表示是龟裂的群编号i的第k传感器的平均，下标k，j，crack表示是堵塞的群编号j的第k传感器的平均。另外，群编号i，j是判定为特征类似的组合。

另外，通过公式4进行基于载荷矩阵的有效度的评价。在此，W表示载荷矩阵。

优先度e_k是表示第k传感器对故障原因分类的有效性的值，可以说该值越大，对故障原因分类有效性越高。例如在特征的比较中使用了平均的情况下，是在类似的动作点的传感器数据，但在有效度大的传感器，动作点不同。因此，发现不同的故障原因的环境的差变得明确。另外，在基于载荷矩阵的比较中，虽然动作特性相似，但在有效度大的传感器进行不同的行为。因此，因不同的故障原因造成的对动作特性的影响的差变得明确。这样计算出的有效度高的传感器是由于故障原因对传感器数据的差异的贡献大的传感器，因此向用户显示有效度，使其以有效度高的传感器为中心进行选择，由此即使不具有机械的知识，也能够选择认为对原因分类有效的传感器。

另外，不只是平均、载荷矩阵，还能够通过特征的组合进行特征的比较。例如如果组合与群有关的平均、载荷矩阵、方差，则能够得到传感器数据空间中的正态分布的近似，因此能够通过被称为该正态分布彼此的相对熵距离的值来进行比较。即，相对熵距离下的各传感器的贡献率成为各传感器的有效度。

另外，在采用了基于混合正态分布近似的方法的情况下，通过与混合概率正态分布类似的计算方法来求出。

与混合概率主成分分析同样地，通过抽出故障原因之间的类似的特征、计算各传感器对类似的特征的差的贡献，来进行基于混合正态分布近似的有效度的计算。即，抽出通过学习部得到的平均或方差的差最小的群的组合，计算各传感器对平均或方差的差贡献的值。

在步骤906中，在步骤904中抽出类似的特征后，影响度计算部204对在步骤904中抽出的特征进行比较，计算可靠度。

可以通过为了评价有效度而使用的传感器数据个数的函数来得到可靠度。在本实施例中，如公式5所示那样，根据在有效度的评价中使用的群的混合比和全体故障原因的样本数来求出可靠度。

在此，R是可靠度，π表示混合比，N表示与故障原因相应的样本数。下标的i、j表示群编号，crack，choke分别表示龟裂、堵塞。πi、crack表示龟裂的群编号i的混合比，N_crack表示发生龟裂时的样本数据点数。

另外，可以如公式6那样将可靠度R表示为样本数的和。在此，N_i，crack表示向故障原因为龟裂的第i个群分配的样本数据点数，表示在群编号1～3中判定为第i个群最接近的样本的个数。

另外，也可以为考虑了分类性能的值。首先，直到选择出的传感器的有效度的和达到全部传感器的有效度的和的一定比例为止，由影响度计算部204从有效度大的传感器开始顺序地选择传感器。通过由此得到的传感器，与在分类部209中进行的同样地，进行故障DB中的样本的故障原因分类。这时，将进行了分类的样本中的被分类为正确的原因的样本的比例作为分类性能。

使用了分类性能的对各传感器赋予的可靠度的计算方法如下。从通过一定比例的有效度选择出的传感器中排除一个传感器。即，在通过一定比例的有效度选择出了n个传感器的情况下，选择n-1个传感器。使用该n-1个传感器再次计算分类性能。使用公式7表示将通过n个传感器计算出的分类性能设为S_n，将通过n-1个传感器计算出的分类性能设为S_n-1时的可靠度。

用这样的公式表示的可靠度不只包含用于计算有效度的数据数，还包含实际上提高还是不提高分类性能这样的信息。另外，也可以将通过一定比例的有效度没被选择的传感器的可靠度设为0。

将以上那样的值作为可靠度，在根据有效度进行传感器的选择时用作辅助的指标。例如，可以是以下的使用方法，即使有效度高如果可靠度低也不选择传感器，即使有效度低于一定的值只要可靠度高则选择。对2个故障原因的每个组合计算可靠度，但在向操作者提示时，显示为各传感器的值。因此，可靠度是关于有效度为一定值以上的传感器，通过各传感器取得总和，设为引擎停止时这样的故障种类下的各传感器的可靠度。基于混合正态分布近似的可靠度的计算与基于混合概率主成分分析的方法相同。

在步骤907中，使用在步骤904中抽出的类似的特征，计算传感器值的特征。对于传感器的特征，例如既有是传感器数据的范围的情况，也有是传感器数据的平均、方差等统计值(可以表现为传感器数据的统计值)的情况。通过在有效度的计算中使用的样本数据点来计算这些值。例如，在有效度高，传感器的数据范围与通常相比偏离的情况下，操作者可以将相应的传感器作为故障原因所特有的传感器，可以将其选择为对故障原因分类有效的传感器。基于混合正态分布近似的传感器值的特征的计算与基于混合概率主成分分析的方法相同。

在步骤908中，使用在步骤905中计算出的有效度计算分类性能。

分类性能是表示在进行了故障原因分类的样本中以何种比例分类为正确的原因的值。在本实施例中，直到选择出的传感器的有效度的和达到全部传感器的有效度的和的一定的比例为止，由影响度计算部204从有效度大的传感器开始顺序地选择传感器。使用选择出的传感器，通过与分类部209相同的方法，对每个故障原因抽出多个故障DB中的样本来进行原因分类，计算并显示分类性能。

分类性能既可以作为全体故障种类的值来计算，也可以对每个故障原因进行计算。通过向用户表示分类性能根据选择出的传感器怎样地变化，进行在全体故障种类或者在各个故障原因中显示的分类性能高的传感器的选择。基于混合正态分布近似的分类性能的计算与基于混合概率主成分分析的方法相同。

在步骤908中，影响度计算部204将计算出的影响度写入到影响度存储部205中。在此，影响度是指上述有效度、可靠度、传感器值的特征、分类性能。

在步骤910中，影响度计算部204判定是否针对在步骤902中选择出的故障种类中的全部的故障原因的组合计算出影响度。如果针对全部的故障原因的组合计算出影响度，则前进到步骤911。如果没有针对全部的故障原因的组合计算出影响度，则前进到步骤903。

在步骤911中，影响度计算部204对通过在步骤902中选择出的故障种类的全部的故障原因的组合计算出的影响度进行综合，将其写入到影响度存储部205中。

本实施例的有效度的综合如下。在本实施例的引擎停止时的情况下，通过发生龟裂时的特征和发生堵塞时的特征、发生龟裂时的特征和发生传感器故障时的特征、发生堵塞时的特征和发生传感器故障时的特征这3种组合计算有效度。通过该3种组合得到的有效度的总和成为引擎停止这样的故障种类的各传感器的有效度。

另外，也可以计算各个组合的有效度和可靠度的积，将其总和设为综合后的有效度。

根据故障原因的全部组合的可靠度的总和、用于计算有效度的全部的故障原因的组合的数据中的传感器值的特征以及综合后的有效度，通过与步骤908相同的操作新计算出的分类性能为综合后的影响度。

在步骤912中，影响度计算部204判定是否对追加了样本的全部故障种类再计算出影响度。如果在全部故障种类计算出影响度，则前进到步骤913。如果没有在全部故障种类计算出影响度，则前进到步骤902。

在步骤913中结束影响度计算流程。

在本实施例中，影响度计算部204参照在学习结果存储部203中保存的学习结果。但是，影响度计算部204进行的操作是学习结果的比较，因此例如也可以设置多个学习器，分别学习不同的故障原因的数据，通过影响度计算部204对其结果进行比较。另外，也可以事先对每个故障原因进行学习，根据其结果的DB进行影响度的计算。

影响度存储部205存储有车种、故障种类、故障原因的组合、影响度。通过影响度计算部204依照影响度计算部204的处理流程图9顺序地写入这些信息。

在图10中表示影响度存储部205的结构。影响度存储部205由车种层级1000、故障种类层级1001、故障原因组合层级1002、影响度层级1003构成。车种层级1000确认了车种的信息。故障种类层级1001存储有故障种类的信息。故障种类层级1001的下位层级为故障原因组合层级1002。在此，存储了通过影响度计算部204计算出影响度的故障原因的组合。另外，还存在用于存储通过影响度计算部204计算出的综合后的影响度的部位。在故障原因组合层级1002的下位层级具有影响度层级1003。在此，存储有与故障原因组合层级1002的故障原因的组合相应的影响度。

传感器选择部206是由操作者104选择传感器的部分，通过显示故障种类、故障原因、传感器、影响度、各种履历信息，来支援操作者对传感器的选择。在图11中表示传感器选择部206的结构。

图11是表示传感器选择部的结构的图。故障种类显示部1101显示故障种类。在故障原因显示部1102中显示故障原因。在本实施例中，具有如果选择了所显示的故障原因，则显示与该故障原因关联的影响度的功能。在传感器显示部1103中显示表示传感器的图像或图标。

另外，在本实施例中，在传感器显示部1103中显示的传感器的附近配置有用于选择传感器的按键，操作者通过该按键进行传感器的选择。另外，在本实施例中，还能够进行与影响度的值对应的传感器的显示方法的选择。

在影响度显示部1104中显示影响度。将此处显示的影响度与在传感器显示部1103中显示的传感器信息相关联，自动地选择与传感器显示部1103的显示方法的变更同步的显示方法。

另外，在本实施例中，在影响度显示部1104中显示有效度、可靠度、传感器值的特征、分类性能。操作者104将显示出的有效度、可靠度、传感器值的特征作为参考，进行传感器的选择。另外，在用户根据显示的分类性能的值判断为达到了希望的分类性能的情况下，结束传感器选择。

另外，也可以不与传感器关联，而是与在故障原因显示部1102中显示的故障原因关联地显示分类性能。

在履历显示部1105中，显示与过去的日期时间关联的影响度、过去的传感器的选择状况。

操作者104将显示出的影响度作为参考，进行传感器的选择。例如从有效度高的传感器开始顺序地选择传感器。这时，不选择可靠度低的传感器。选择有效度低，根据故障原因传感器值的特征有很大不同的传感器。操作者104在选择传感器时，选择分类性能大幅提高的传感器。特别是选择分类性能低的故障原因的分类性能提高的传感器。

根据本实施例，通过系统进行辅助，在操作者104没有专业知识的情况下，操作者104也能够进行传感器的选择。在操作者104具有专业知识的情况下，能够更顺利地进行传感器的选择。更具体地说，根据本实施例，根据显示的影响度进行传感器的选择，由此即使不具有机械知识也能够选择对多变量分析有效的传感器。

另外，传感器选择部206也可以通过改变影响度的显示方法来支援操作者104进行的选择。以下，记述了实施例中的通过传感器选择部的显示方法对用户的选择进行支援。

首先，可以从多个显示方法选择传感器。显示方法的第一个方法是按照根据有效度的值排序后的顺序进行传感器的显示的方法。由此，能够从有效度高的传感器开始顺序地进行选择。

显示方法的第二个方法是根据有效度的值切换显示、不显示的方法。例如，可以考虑只显示有效度为高位的10个传感器的方法。

显示方法的第三个方法是变更传感器的显示部的背景颜色的方法。例如，可以考虑用红色显示有效度为高位三成所包含的传感器，用黄色显示有效度为高位五成所包含的传感器的方法。

另外，也可以与传感器关联地分别显示有效度、可靠度、传感器值的特征。因此，有时与传感器的显示方法同步地分别对有效度、可靠度、传感器值的特征进行排序、显示、不显示。

另外，传感器选择部206还具有显示每个故障原因的影响度的特征。在本实施例中，如果选择了在传感器选择部中显示的故障原因，则在传感器选择部中显示与其关联的影响度。因此，用户在将全体的影响度作为参考进行了传感器的选择时，在找到了分类性能难以提高的故障原因时，仅显示与该故障原因关联的影响度。通过将这样显示的影响度作为参考，即使不具有针对多个故障原因的知识，也能够选择对特定的故障原因分类性能提高的传感器。此处显示的影响度是对2个故障原因分类时的指标，因此单独显示选择出的故障原因和不同的故障原因的影响度。另外，也可以显示与选择出的故障原因关联的影响度的和。例如，在选择了龟裂的情况下，前者分别与传感器关联地单独显示分类龟裂和堵塞时的影响度、分类龟裂和传感器故障时的影响度。后者与传感器关联地显示分类龟裂和堵塞时的影响度与分类龟裂和传感器故障时的影响度的和。另外，也可以能够选择这些显示方法。

另外，传感器选择部206的特征在于，具有显示各传感器是否对任意一个故障原因分类有效的功能。在实施例中，如果选择了在传感器选择部206中显示的传感器，则显示选择出的传感器的影响度的每个故障原因的明细。由此，用户在选择传感器时，能够确认要选择的传感器是否对任意一个故障原因的分类有效。因此，如果要选择的传感器有效的故障原因的分类性能已经足够，则可以采取不进行选择的行动。

另外，传感器选择部206的特征在于：具有显示过去的影响度的履历的功能。在实施例中，显示日期时间和在各日期时间的影响度。例如，假设在某日期时间存在影响度有很大变动的传感器。这时，用户通过扩充数据，能够认为是本来影响度高但影响度变低的传感器，来进行传感器的选择。或者，能够认为是本来影响度低但影响度变高的传感器，而从选择中排除传感器等。

另外，传感器选择部206的特征在于，具有一并显示过去选择的传感器、在该时刻的日期时间、以及影响度的功能。由此，用户将过去选择的传感器以及在该时刻的影响度作为参考，在当前时刻进行传感器的选择。此外，在由于过去选择的传感器的变更分类性能显著变化时，能够选择变更了选择的传感器或者能够采取从选择中排除的行动。

在图15中表示了传感器选择部的画面的具体例子。在故障种类显示部1501中，显示了进行传感器的选择的故障种类。另外，还一并显示出与故障种类关联的样本整体的分类性能。这与故障种类显示部1101对应。

故障原因显示部1502显示了与在故障种类显示部1501中显示的故障种类对应的故障原因。另外，还一并显示出与各故障原因关联的样本的分类性能。这与故障原因显示部1102对应。

在传感器显示部1503中，显示出表示传感器的图像(例如符号、图标、它们的组合)。操作者104在此进行传感器的选择。另外，还一并显示出各传感器值的特征。在此，作为传感器值的特征，显示出各传感器的最小值和最大值。这与传感器显示部1103对应。

在影响度显示部1504中显示影响度。在此显示出有效度和可靠度。另外，在画面具体例子中，分别与故障种类、故障原因、传感器的显示部一并显示出分类性能、传感器值的特征。这与影响度显示部1104对应。

履历显示部1505显示传感器、影响度的履历。在操作者选择了履历显示部1505的定时执行该显示。这与履历显示部1105对应。

在验证部1506中，在操作者104进行了选择的定时执行，根据在该时刻选择出的传感器再计算分类性能。

在选择决定部1507中，在由操作者104判定为满足规定的分类性能的情况下选择，根据在该时刻选择出的传感器生成分类器。

在图16中表示履历存储部的层级。车种层级1600是存储有车种的层级。故障种类层级1601是存储故障种类的层级。在年月日层级1602中存储有对每个故障种类更新的年月日。在选择传感器层级1603中存储有选择出的传感器。在影响度层级1604中存储有与选择出的传感器对应的影响度。

履历存储部对每个故障种类存储年月日信息、选择出的传感器的信息、与选择出的传感器关联的影响度。由传感器选择部对其进行写入。关于该处理，在由操作者再计算分类性能的定时进行写入。

另外，按照以图16的履历存储部的层级为基准的形式，显示在选择了履历显示部1505时显示的传感器、影响度的履历。

分类器存储部207是存储每个故障种类的故障原因分类器的部分，存储有车种、故障种类、故障原因识别器的信息。故障原因识别器根据各故障原因的学习结果，判别试验数据是否与学习的故障的特征一致。

在通过传感器选择部206，操作者的传感器选择结束的定时，写入这些信息。图12表示了分类器存储部的结构。

分类器存储部由车种1200、故障种类1201和与其关联的故障原因识别器1202构成。

在本实施例中，通过从已经存储在学习结果存储部203中的各个故障原因的学习结果中仅抽出与选择出的传感器关联的项目来进行。即，通过从存储在学习结果存储部203中的平均、载荷矩阵或方差等中删除与选择出的传感器不关联的值来进行。另外，可以使用选择出的传感器和故障DB的信息再次通过学习器202进行学习，并制作故障原因分类器。

传感器数据208是进行故障原因分类的样本。它既可以是故障DB中的样本，也可以是实际从车辆101得到的数据。将前者用于基于选择出的传感器的分类性能的评价。将后者用于依照所得到的故障原因的信息进行高效的维护。

分类部209使用分类器存储部207的信息，对传感器数据208的故障原因进行分类，将其结果输出到分类结果显示部210。在每次赋予传感器数据208时执行分类部209。在图13中表示分类部209的处理概要。

图13是表示分类部的处理概要的图。图13由分类部1300、传感器数据1301、分类器存储部1302、故障原因识别器1303、故障原因识别数据1304、识别数据比较部1305、分类结果显示部1306构成。

传感器数据1301与图2中的传感器数据208相同，分类结果显示部1306与图2中的分类结果显示部210相同。

分类部1300在输入了传感器数据1301的情况下，从分类器存储部1302中调用与输入的传感器数据1301相应的故障种类的故障原因分类器1303。

故障原因分类器1303由每个原因的原因识别器1303a～1303x构成。原因A识别器1303a计算传感器数据1301与故障原因A的特征的接近度。在本实施例中，表示基于混合概率主成分分析的原因A识别器1303a的操作。原因A识别器1303a保存作为故障原因A的学习结果的群数、平均、载荷矩阵、混合比、方差这样的特征。在原因A识别器1303a中计算传感器数据1301相对于故障原因A的特征的似然度。在此，通过由传感器选择部306选择出的传感器进行特征的比较。计算出的似然度是表示传感器数据1301和故障原因A的特征的近似度的指标。将似然度存储为原因A识别数据1304a。

针对与传感器数据1301相应的故障种类的原因识别器1303a～1303x的全部计算传感器数据1301的似然度，将其结果分别存储在原因识别数据存储部1304的原因A识别数据1304a～原因X识别数据1304x中。

在识别数据比较部1305中对存储在原因识别数据存储部1304中的各原因识别数据1304a～1304x的信息进行比较，进行故障原因的分类。

在本实施例中，计算各故障原因的似然度的比。将计算出的似然度比作为与各故障原因相应的概率，变换为百分率而输出到分类结果显示部1306。

分类结果显示部210显示通过分类部209得到的故障原因的分类结果。通过分类部209写入该信息。在每次从分类部209输出分类结果时执行分类结果显示部210。在传感器数据208是从车辆101得到的数据的情况下，通过在维护据点105中显示与分类结果显示部210相同的信息，应用于高效的维护业务。

在图14中表示分类结果显示部210的概要。图14是表示分类结果显示部210的结构的图。分类结果显示部210由故障种类显示部1401、数据信息显示部1402、分类原因显示部1403、处置方法显示部1404构成。在故障种类显示部1401中显示故障种类。数据信息显示部1402显示传感器数据208的信息。它是各传感器的值的特征、各传感器的时序数据。分类原因显示部1403显示与从分类部209输出的各故障原因相应的概率。在处置方法显示部1404中显示预先登录的对各故障原因的处置方法。在维护据点105中，将显示的故障原因的概率及其处置法作为参考，进行高效的维护作业。

以上说明了本发明的实施例，但本发明并不限于实施例。例如，选择上述的实施例的任意一部分内容、删除、与其他内容的置换也包含在本说明书的公开范围内。

本发明可以表现为根据异常数据，除此以外判断为正常。

作为本发明的应用范围，车辆并不必须是商用车，也可以将本发明的思想应用于车辆以外的以船舶、飞机为示例的移动体、移动体以外的机械的维护。

Claims (11)

1.一种故障原因分类装置，其特征在于，

具备处理部，

上述处理部进行以下处理：(1)根据与机械的故障有关的传感器数据学习特征，(2)从上述学习结果中的至少2个故障原因的特征中取得类似的特征，(3)将上述类似的特征进行比较，(4)取得成为选择传感器的指标的影响度，上述传感器是针对根据上述比较结果对机械的故障进行分类而有效的传感器。

2.根据权利要求1所述的故障原因分类装置，其特征在于，

上述影响度包含表示成为候补的传感器对故障原因的分类是否有效的有效度以及表示上述影响度是否是能够信赖的值的可靠度中的至少一个。

3.根据权利要求2所述的故障原因分类装置，其特征在于，

上述可靠度是为了评价上述有效度而使用的传感器数据的数量的函数。

4.根据权利要求3所述的故障原因分类装置，其特征在于，

上述影响度包含分类性能，该分类性能表示在基于选择出的传感器的故障原因分类中，以全体的何种比例被分类为正确的故障原因。

5.根据权利要求4所述的故障原因分类装置，其特征在于，

具有用于选择传感器的选择画面，

上述选择画面显示上述影响度以及用于选择上述成为候补的传感器的传感器选择部。

6.根据权利要求5所述的故障原因分类装置，其特征在于，

上述选择画面显示上述分类性能，并且与通过上述传感器选择部选择出的传感器对应地更新显示的分类性能。

7.根据权利要求6所述的故障原因分类装置，其特征在于，

上述选择画面显示图像，该图像表示上述成为候补的传感器，

上述选择画面与上述影响度的值对应地变更上述图像的显示方法。

8.根据权利要求7所述的故障原因分类装置，其特征在于，

上述选择画面显示故障原因，当从上述故障原因中选择了特定的故障原因时，与选择出的故障原因对应地变更上述影响度的显示。

9.根据权利要求1所述的故障原因分类装置，其特征在于，

上述选择画面具有以下功能：

当从上述图像中选择了特定的图像时，与选择出的图像对应地变更上述影响度的显示。

10.根据权利要求9所述的故障原因分类装置，其特征在于，

上述选择画面显示过去的上述影响度的履历。

11.根据权利要求10所述的故障原因分类装置，其特征在于，

上述选择画面显示过去选择的上述图像的履历。