CN117651962A - 故障部位/更换用部件估计系统、方法和程序 - Google Patents
故障部位/更换用部件估计系统、方法和程序 Download PDFInfo
- Publication number
- CN117651962A CN117651962A CN202280046843.8A CN202280046843A CN117651962A CN 117651962 A CN117651962 A CN 117651962A CN 202280046843 A CN202280046843 A CN 202280046843A CN 117651962 A CN117651962 A CN 117651962A
- Authority
- CN
- China
- Prior art keywords
- data
- component
- unit
- failure
- replacement
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims description 70
- 238000013528 artificial neural network Methods 0.000 claims description 49
- 230000002159 abnormal effect Effects 0.000 claims description 13
- 230000005856 abnormality Effects 0.000 description 91
- 238000012545 processing Methods 0.000 description 68
- 230000008569 process Effects 0.000 description 59
- 238000010276 construction Methods 0.000 description 56
- 239000013598 vector Substances 0.000 description 56
- 238000006243 chemical reaction Methods 0.000 description 41
- 238000010586 diagram Methods 0.000 description 30
- 230000006870 function Effects 0.000 description 25
- 238000009434 installation Methods 0.000 description 18
- 230000008439 repair process Effects 0.000 description 17
- 230000008859 change Effects 0.000 description 14
- 238000005259 measurement Methods 0.000 description 9
- 238000001514 detection method Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 210000002569 neuron Anatomy 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 239000006096 absorbing agent Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
故障部位/更换用部件估计系统(100)具有终端装置(2)和服务器(1)。终端装置(2)包含故障状况输入部(21),该故障状况输入部(21)用于输入包含与已交付的设备有关的信息和被交付了设备的客户的信息在内的客户信息的数据、以及包含设备的故障状况在内的设备状态的数据。服务器(1)包含:故障部位估计部(12),其根据客户信息的数据、设备状态的数据和包含设备的机型在内的设备信息的数据来估计设备的故障部位;部件类别检索部(13),其根据估计出的故障部位来检索更换用部件的部件类别;以及更换用部件检索部(14),其按照检索到的部件类别来检索更换用部件的候选的数据。
Description
技术领域
本发明涉及故障部位/更换用部件估计系统、方法和程序。
背景技术
在设备的修理中,多数情况下需要更换部件。在成为进行修理的对象的设备设置于客户的工厂、研究所等的情况下,多数情况下从客户向呼叫中心询问设备的故障状况,呼叫中心的负责人根据其内容来推测设备的故障原因、更换用部件。但是,故障原因、更换用部件的估计不仅需要高度的专业知识,还需要丰富的经验。因此,根据呼叫中心的负责人的熟练度,故障原因、更换用部件的估计可能产生偏差。因此,例如,在专利文献1中记载有如下的修理更换部件指示系统:预先登记将故障内容、修理方法、修理中可能使用的更换用部件对应起来的信息,由此能够估计更换用部件的候选。
现有技术文献
专利文献
专利文献1:日本特开2007-304935号公报
发明内容
发明要解决的课题
在专利文献1记载的修理更换部件指示系统中,如果是结构简单且部件数量有限的设备,则设备的状况和故障部位唯一地关联,因此,能够高精度地推测故障部位、更换用部件。但是,在大型且部件数量多的设备、组合多个不同功能而成的复杂结构的设备等的情况下,即使设备的状况相同,大多也存在多个故障原因、故障部位。因此,针对1个故障现象关联多个故障原因、故障部位,因此,存在很难估计故障部位这样的课题。此外,与多个故障原因、故障部位相关联的部件数量多,因此,出现多个更换用部件的候选,存在很难估计修理所需要的更换用部件这样的课题。
本发明正是为了解决上述的问题而完成的,其目的在于,提供能够高精度地估计故障部位、更换用部件的故障部位/更换用部件估计系统、方法和程序。
用于解决课题的手段
为了实现上述的目的,本发明的故障部位/更换用部件估计系统具有终端装置和服务器。终端装置包含故障状况输入部,该故障状况输入部用于输入包含与已交付的设备有关的信息和被交付了设备的客户的信息在内的客户信息的数据、以及包含设备的故障状况在内的设备状态的数据。服务器包含:故障部位估计部,其根据客户信息的数据、设备状态的数据和包含设备的机型在内的设备信息的数据来估计设备的故障部位;部件类别检索部,其根据故障部位估计部估计出的故障部位来检索更换用部件的部件类别;以及更换用部件检索部,其按照部件类别检索部检索到的部件类别来检索更换用部件的候选的数据。
发明效果
根据本发明,能够提供能够根据客户信息、设备信息、设备状态等数据而高精度地估计故障部位、更换用部件的故障部位/更换用部件估计系统。
附图说明
图1是示出本发明的实施方式1的故障部位/更换用部件估计系统的结构的图。
图2是示出实施方式1的终端装置的显示画面的一例的图。
图3是示出实施方式1的过去事例显示的一例的图。
图4是示出实施方式1的服务器的学习部的概要的图。
图5是示出实施方式1的服务器的故障部位估计部的概要的图。
图6是示出实施方式1的服务器的部件类别检索部的概要的图。
图7是示出实施方式1的服务器的更换用部件检索部的概要的图。
图8是示出实施方式1的服务器的过去事例检索部的概要的图。
图9是示出实施方式1的客户主数据的表的图。
图10是示出实施方式1的设备主数据的表的图。
图11A是示出实施方式1的施工报告书主数据的表的图。
图11B是示出图11A所示的施工报告书主数据的表的后续的图。
图12是示出实施方式1的文档数据的表的图。
图13是示出实施方式1的单词转换表的一例的图。
图14是示出实施方式1的部件主数据的一例的图。
图15是示出实施方式1的生成单词转换表的步骤的图。
图16是示出实施方式1的生成单词转换表的步骤的图。
图17是示出实施方式1的生成单词转换表的步骤的图。
图18是示出实施方式1的神经网络的概要的图。
图19是示出实施方式1的服务器的硬件结构的一例的图。
图20是示出实施方式1的终端装置的硬件结构的一例的图。
图21是实施方式1的学习处理的流程图。
图22是图21所示的学习处理中的学习用基础数据的取得处理的流程图。
图23是图21所示的学习处理中的单词转换处理的流程图。
图24是图21所示的学习处理中的学习用数据的生成处理的流程图。
图25是图21所示的学习处理中的已学习模型生成处理的流程图。
图26是实施方式1的部件估计处理的流程图。
图27是图26所示的部件估计处理中的估计用基础数据的取得处理的流程图。
图28是图26所示的部件估计处理中的估计用数据的生成处理的流程图。
图29是图26所示的部件估计处理中的故障部位估计处理的流程图。
图30是图26所示的部件估计处理中的部件类别检索处理的流程图。
图31是图26所示的部件估计处理中的更换用部件检索处理的流程图。
图32是图26所示的部件估计处理中的过去事例检索处理的流程图。
图33是示出本发明的实施方式2的故障部位/更换用部件估计系统的结构的图。
图34是实施方式2的部件推荐处理的流程图。
图35是实施方式2的推荐部件显示处理的流程图。
图36是示出本发明的实施方式3的故障部位/更换用部件估计系统的结构的图。
图37是示出实施方式3的服务器的学习部的概要的图。
图38是示出实施方式3的服务器的故障部位估计部的概要的图。
图39是示出实施方式3的设备工作状况数据的表的图。
图40是示出实施方式3的异常判定数据的表的图。
图41是实施方式3的设备工作状况数据生成处理的流程图。
图42是实施方式3的异常判定数据生成处理的流程图。
具体实施方式
(实施方式1)
下面,参照附图对本发明的实施方式1的故障部位/更换用部件估计系统100进行说明。另外,对相同或同等的部分标注相同标号。
故障部位/更换用部件估计系统100是如下装置:能够进行被交付了设备的客户信息、设备信息、设备的状态等数据的学习,生成用于估计故障部位的学习模型,使用生成的学习模型估计故障部位,按照估计出的故障部位来估计更换用部件。
图1所示的是故障部位/更换用部件估计系统100的概要。故障部位/更换用部件估计系统100具有服务器1和终端装置2,该服务器1具有进行故障部位的学习、估计的功能,该终端装置2用于提示根据客户信息、设备的状态等估计出的更换用部件。服务器1和终端装置2通过网络3而彼此连接。终端装置2设置于呼叫中心,受理负责人输入客户信息、从客户接受联络的设备的故障状况等,由此能够提示估计出的故障部位和更换用部件。
服务器1包含生成用于估计故障部位的学习模型的学习部11、估计故障部位的故障部位估计部12、按照故障部位大致确定更换用部件的部件类别检索部13、检索更换用部件的候选的更换用部件检索部14、检索过去的故障事例的过去事例检索部15、以及保存各种数据的存储部16。
学习部11进行被交付了设备的客户的客户信息、设备信息、设备的状态等数据的学习,生成用于估计故障部位的学习模型。故障部位估计部12使用由学习部11生成的学习模型估计故障部位。部件类别检索部13在终端装置2的画面上,按照呼叫中心的受理负责人选择出的故障部位,检索用于大致确定更换用部件的部件类别。部件类别是指包含已经无法利用的旧部件和当前能够利用的部件在内的部件组的分类名。呼叫中心的受理负责人通过确认部件类别,能够根据部件组的分类名大致确定更换用部件。
更换用部件检索部14在终端装置2的画面上,按照呼叫中心的受理负责人选择出的故障部位和部件类别来检索更换用部件的候选。过去事例检索部15在终端装置2的画面上,按照呼叫中心的受理负责人选择出的故障部位、部件类别和更换用部件来检索过去的故障事例。
终端装置2具有输入被交付了设备的客户的客户信息、设备的状态等的故障状况输入部21、显示设备的故障部位的故障部位显示部22、显示更换用部件的部件类别的部件类别显示部23、显示更换用部件的候选的更换用部件显示部24、以及显示过去的故障事例的过去事例显示部25。
图2所示的是终端装置2的显示画面的一例。显示画面包含用于输入各种信息的故障状况输入部21、显示设备的故障部位的故障部位显示部22、显示更换用部件的部件类别的部件类别显示部23、以及显示更换用部件的候选的更换用部件显示部24。
故障状况输入部21具有输入被交付了设备的客户的客户信息的客户信息输入栏211、输入呼叫中心的受理编号的受理编号栏212、输入设备的故障状况的故障状况输入栏213、以及估计故障部位的故障部位估计按钮214。客户信息输入栏211包含输入用于唯一地指定客户保有的设备的顾客ID(Identification:标识符)、设备的安装日、机型名、机型划分、输入设备的控制装置的种类的控制装置、电源的种类、软件的版本的各种输入栏。另外,设备的安装日、机型、控制装置等各种信息可以由呼叫中心的受理负责人直接输入,也可以能够利用后述的存储部16中保存的客户主数据161和设备主数据162中包含的数据而自动地输入。
受理编号栏212是在接受来自客户的询问时供呼叫中心的受理负责人输入受理编号的输入栏。受理编号是预先在制造商内确定的编号、根据命名规则而赋予的编号。故障状况输入栏213是呼叫中心的受理负责人输入从客户听取的设备的故障状况的输入栏。
故障部位估计按钮214是用于执行图1所示的故障部位估计部12的处理的按钮。具体而言,在故障状况输入部21的全部项目填好后,呼叫中心的受理负责人按下故障部位估计按钮214。由此,执行图1所示的服务器1的故障部位估计部12的处理。
故障部位显示部22具有显示由后述的服务器1的估计处理部123估计出的故障部位的估计结果显示部221、以及用于显示部件类别的部件类别显示按钮222。估计结果显示部221显示由图1所示的服务器1的估计处理部123估计出的估计结果。估计结果按照概率顺序显示估计出的各故障部位。在各故障部位设置有复选框。呼叫中心的受理负责人根据从客户听取的设备的状况和故障部位的估计结果,勾选要估计的故障部位的复选框。
部件类别显示按钮222是用于使图1所示的服务器1的部件类别检索部13检索更换用部件的部件类别并显示检索结果的按钮。具体而言,呼叫中心的受理负责人勾选估计结果显示部221中显示的故障部位的复选框,按下部件类别显示按钮222。由此,执行图1所示的服务器1的部件类别检索部13的处理。
部件类别显示部23具有显示由图1所示的服务器1的部件类别检索部13检索到的部件类别检索结果的部件类别检索结果显示部231、以及用于显示更换用部件的更换用部件显示按钮232。
部件类别检索结果显示部231针对由图1所示的服务器1的部件类别检索部13检索到的部件类别检索结果,按照估计结果显示部221中勾选的每个故障部位,按照统计从多到少的顺序显示检索到的部件类别。在各部件类别设置有复选框。呼叫中心的受理负责人根据从客户听取的设备的状况、估计结果显示部221所示的故障部位和部件类别检索结果,勾选要估计的部件类别的复选框。
更换用部件显示按钮232是用于使图1所示的服务器1的更换用部件检索部14检索更换用部件并显示检索结果的按钮。具体而言,呼叫中心的受理负责人勾选部件类别检索结果显示部231中显示的部件类别的复选框,按下更换用部件显示按钮232。由此,执行图1所示的服务器1的部件类别检索部13的处理。
更换用部件显示部24具有显示由图1所示的服务器1的更换用部件检索部14检索到的更换用部件的更换用部件检索结果显示部241、以及用于显示过去的故障事例的过去事例显示按钮242。
更换用部件检索结果显示部241针对由更换用部件检索部14检索到的更换用部件的检索结果,按照在估计结果显示部221中勾选的每个故障部位、在部件类别检索结果显示部231中勾选的每个部件类别,在检索中按照统计从多到少的顺序进行显示。在各更换用部件设置有复选框。呼叫中心的受理负责人根据从客户听取的设备的状况、估计结果显示部221所示的故障部位、部件类别检索结果和更换用部件的检索结果,勾选要估计的更换用部件的复选框。
过去事例显示按钮242是用于使图1所示的服务器1的过去事例检索部15检索过去的故障事例并显示检索结果的按钮。具体而言,呼叫中心的受理负责人勾选更换用部件检索结果显示部241中显示的更换用部件的复选框,按下过去事例显示按钮242。由此,执行图1所示的服务器1的过去事例检索部15的处理。
服务器1的过去事例检索部15在检索过去的故障事例时,使图1所示的终端装置2的过去事例显示部25在终端装置2的显示画面中显示检索结果。图3是在终端装置2的显示画面中显示有过去的故障事例的检索结果的过去事例检索结果显示251。作为显示项目,过去事例检索结果显示251包含报告书编号、由于故障而产生的现象、故障的原因、用于消除故障的处置、更换用部件。
例如,如图3所示,在报告书编号“XXXXX”的情况下,由于故障而产生的现象是“操作画面没有点亮”,故障的原因是“显示器用的布线断线”。该情况下,作为用于消除故障的处置,进行“布线的更换”,作为更换用部件,使用“AB1234”和“AB1256”。
接着,下面参照图4~图8对图1所示的服务器1的各功能进行说明。首先,图4是示出学习部11的结构的图。学习部11包含取得成为学习的基础的各种数据的学习用基础数据取得部111、将文档中包含的单词转换为数值的单词转换部112、生成学习用数据的学习用数据生成部113、以及制作学习用模型的已学习模型生成部114。
如图4所示,学习用基础数据取得部111从后述的存储部16中保存的客户主数据161、设备主数据162和施工报告书主数据163取得成为学习的基础的各种数据,生成学习用基础数据。单词转换部112从后述的存储部16中保存的文档数据165取得文档,将文档中包含的语句分割成单词。然后,单词转换部112生成用于按照每个单词转换为数值的单词转换表164。单词转换部112将生成的单词转换表164保存于存储部16。
学习用数据生成部113取得学习用基础数据取得部111生成的学习用基础数据和由单词转换部112生成的单词转换表164,生成学习用数据。已学习模型生成部114使神经网络进行学习用数据的学习,生成已学习模型166。已学习模型生成部114将生成的已学习模型166保存于存储部16。另外,已学习模型生成部114中的学习在后面详细叙述。
接着,图5示出图1所示的服务器1的故障部位估计部12的概要。故障部位估计部12包含取得输入到终端装置2的故障状况输入部21的各种数据的估计用基础数据取得部121、生成估计用数据的估计用数据生成部122、以及估计故障部位的估计处理部123。估计用基础数据取得部121取得呼叫中心的受理负责人输入到图2所示的故障状况输入部21的设备信息、设备的状态等各种数据作为估计用基础数据。
估计用数据生成部122使用由估计用基础数据取得部121取得的估计用基础数据和存储部16中存储的单词转换表164生成估计用数据。估计处理部123取得存储部16中保存的已学习模型166,在构建的神经网络中设定已学习模型166。估计处理部123对神经网络输入由估计用数据生成部122生成的估计用数据,估计设备的故障部位。估计处理部123使终端装置2的故障部位显示部22显示估计出的设备的故障部位。
图6是示出图1所示的服务器1的部件类别检索部13的概要的图。部件类别检索部13从终端装置2取得呼叫中心的受理负责人输入到图2所示的故障状况输入部21的设备信息、设备的状态等各种数据、以及图2所示的故障部位显示部22的估计结果显示部221中显示的故障部位中的勾选了复选框的故障部位的数据。接着,部件类别检索部13取得存储部16中保存的部件主数据167和施工报告书主数据163的数据。部件类别检索部13使用取得的各种数据检索部件类别,使终端装置2的部件类别显示部23显示检索结果。
图7示出更换用部件检索部14的概要。更换用部件检索部14从终端装置2取得呼叫中心的受理负责人输入到图2所示的故障状况输入部21的设备信息、设备的状态等各种数据。进而,更换用部件检索部14从终端装置2取得呼叫中心的受理负责人在图2所示的故障部位显示部22的估计结果显示部221中显示的故障部位中的勾选了复选框的故障部位的数据、以及部件类别显示部23的部件类别检索结果显示部231中显示的部件类别中的勾选了复选框的商品类别的数据。
接着,更换用部件检索部14取得存储部16中保存的部件主数据167和施工报告书主数据163的数据。更换用部件检索部14使用取得的数据检索更换用部件,使终端装置2的更换用部件显示部24显示检索结果。
图8是示出过去事例检索部15的概要的图。过去事例检索部15从终端装置2取得呼叫中心的受理负责人输入到图2所示的故障状况输入部21的设备信息、设备的状态等各种数据。进而,过去事例检索部15从终端装置2取得呼叫中心的受理负责人在图2所示的故障部位显示部22的估计结果显示部221中显示的故障部位中的勾选了复选框的故障部位的数据、部件类别显示部23的部件类别检索结果显示部231中显示的部件类别中的勾选了复选框的商品类别的数据、以及更换用部件显示部24的更换用部件检索结果显示部241中显示的更换用部件中的勾选了复选框的更换用部件的数据。
接着,过去事例检索部15取得存储部16中保存的施工报告书主数据163的数据。过去事例检索部15使用取得的数据检索过去的故障事例,使终端装置2的过去事例显示部25显示检索结果。
接着,下面参照图9~图14对存储部16中存储的各种数据的结构进行说明。首先,图9示出客户主数据161的表。客户主数据161是将被交付了设备的客户和与购入的设备有关的数据的组合唯一地关联起来的数据。客户主数据161包含表示被交付了设备的客户的顾客ID、表示设备的机型名的机型、表示将设备安装于客户的日期的安装日、嵌入设备的控制装置、表示嵌入设备的电源单元的型号名的电源、以及嵌入设备的软件的项目。
例如,如图9所示,在顾客ID“A0001”的情况下,在机型关联有“AB”,在安装日关联有“2017/12/16”,在控制装置关联有“CT789”,在电源关联有“VA3456”,在软件关联有“SA689”。
图10所示的是设备主数据162的表。设备主数据162包含表示设备的机型名的机型和设备的机型划分。设备的机型划分是输入用于实现设备的功能的实现方式的项目。在设备的机型划分中例如记载马达式、电动式等。例如,如图10所示,在机型“AB”的情况下,在设备的机型划分中输入“马达式”。
图11A和图11B示出施工报告书主数据163的表。施工报告书主数据163是用于针对设备中产生的动作不良、异常、故障等记录工程师进行点检和修理时的设备的状况、点检和修理手段等的表。
施工报告书主数据163包含多个项目,该项目是报告书编号、被交付了设备的客户的顾客ID、表示设备的机型名的机型、进行了点检或修理的施工日、设备的故障发生日期时间、动作不良、异常等设备的状况即现象、引起该现象的原因、工程师应对的处置、表示故障部位的代码即故障部位大分类和故障部位小分类、以及表示更换用部件的部件代码的部件代码。施工报告书主数据163的项目中的现象、原因、处置的项目的内容用自然语言来记载。
此外,施工报告书主数据163的项目中的故障部位大分类和故障部位小分类通过组合输入到双方的代码来表示故障部位。故障部位大分类是设备的部件被分类到的系统,例如机械控制系统、电气控制系统等各系统。此外,故障部位小分类是设备的部件的具体名称。例如,作为故障部位大分类,设定“机械控制系统”、“电源系统”等系统的项目,作为故障部位小分类,设定“伺服放大器”、“电源用布线缆线”等部件的项目。
此外,对故障部位大分类的系统的项目和故障部位小分类的部件的项目分别设定与项目对应的数值。例如,在故障部位大分类的系统的项目为“机械控制系统”的情况下,设定“1”作为代码,在系统的项目为“电源系统”的情况下,设定“2”作为代码。此外,例如,在故障部位小分类的部件的项目为“伺服放大器”的情况下,设定“5”作为代码,在部件的项目为“电源用布线缆线”的情况下,设定“4”作为代码。另外,与故障部位大分类和故障部位小分类的各项目对应的代码的数值是任意设定的值。
图12所示的是文档数据165的表。文档数据165包含表示文档的编号的文档编号、与设备有关的语句即文档内容的项目。文档内容的项目中记载的语句用自然语言来记载。而且,在文档内容的项目中,输入表示在设备的维护点检业务中如何使用任意单词的各种语句的数据。语句的数据例如使用设备的施工历史、呼叫中心中的受理应对的历史、设备的使用说明书等文档来构成。
图13是单词转换表164的表。单词转换表164包含单词和单词表示的向量的项目。单词表示的向量包含向量具有的维数的数据。单词转换表164的生成在后面详细叙述。图14是部件主数据167的表。在部件主数据167中包含部件中设定的代码即部件代码、部件名、对部件进行分类而成的部件类别的项目。
这里,在图4所示的学习部11的单词转换部112中,为了生成图13所示的单词转换表164而使用图12所示的文档数据165的表中包含的文档内容的项目中记载的语句的数据。单词转换表164是使用根据进行文本处理的神经网络的隐藏层的权重求出的单词向量而生成的。下面,参照图15、图16对单词转换部112的处理进行说明。单词转换部112从图12所示的文档数据165的表取得文档内容的项目中记载的语句的数据,进行分割成词素的词素分析处理。
例如,如图15所示,单词转换部112取得图12所示的文档数据165的文档编号“1”的文档内容的数据“设备A在操作画面的近前具有杆,因此……(機器Aは操作画面の手前にレバーがあるので···)”,将其分割成词素。具体而言,单词转换部112按照每个单词将“機器Aは操作画面の手前にレバーがあるので···”这样的语句分割成“機器”、“A”、“は”、“操作画面”、“の”、“手前”、“に”、“レバー”、“が”、“ある”、“ので”。另外,在语句包含标点符号的情况下,标点符号作为1个单词来进行分割。此外,在存在重复的单词的情况下,汇集成1个。
这里,进行文本处理的神经网络无法直接处理文本本身即单词本身。为了利用神经网络进行处理,需要将成为处理对象的单词转换为固定长度的向量。作为转换为固定长度的向量的方法之一,存在将字符串转换为one-hot向量的方法。one-hot向量是仅向量的元素中的一个元素为“1”、其余元素全部为“0”的向量。在生成one-hot向量时,准备具有将语句分割而成的词素的数量的元素的向量,按照每个词素对不同的向量的元素分配“1”。
例如,如图15所示,由单词转换部112分割成单词的“機器”、“A”、“は”、“操作画面”、“の”、“手前”、“に”、“レバー”、“が”、“ある”、“ので”为11个。因此,将各单词转换为具有11个元素的one-hot向量。例如,“操作画面”将第1元素设为“1”,将其余元素设为“0”。此外,“が”将第2元素设为“1”,将其余元素设为“0”。下面,依次将全部词素转换为one-hot向量。
接着,将生成的one-hot向量输入到神经网络的输入层。图16示出神经网络的概要。神经网络在任意的单词被输入到输入层时,对其值乘以权重W1并将其输入到隐藏层,对其结果进一步乘以权重W2而从输出层输出。输出层的输出结果根据权重W1和W2的值而变化。在本实施方式1中,神经网络通过所谓有监督学习,进行针对任意单词的周边词的概率的学习。该周边词是指配置于任意单词的紧前紧后的单词。神经网络将权重W1和权重W2调整成对输入层输入任意单词而从输出层输出的结果接近该单词的周边词的状态,由此进行学习。
输入到神经网络的输入层的单词以one-hot向量的形式来输入。具体而言,对输入层的各神经元输入one-hot向量的各元素。例如,如图16所示,在对输入层输入“機器”的情况下,图15所示的将第1元素设为“1”且将其余元素设为“0”的one-hot向量“10000000000”分别输入到输入层的各神经元。
这里,图12所示的文档编号“1”的文档内容的数据为“機器Aは操作画面の手前にレバーがあるので···”。该情况下,成为“機器”的紧前紧后的单词即周边词的是“A”。因此,神经网络将权重W1和权重W2调整成在对输入层输入了“機器”的情况下输出层出现“A”的概率最高的状态。
使神经网络关于全部单词进行该单词的周边词的概率的学习。神经网络的隐藏层的权重为矩阵,能够设为用于对单词进行数值化的单词向量。将神经网络的隐藏层的权重和各单词的one-hot向量相乘,由此能够提取与各单词对应的单词向量。
例如,如图17所示,在将单词“機器”的one-hot向量“10000000000”和神经网络的隐藏层的权重矩阵相乘时,能够提取one-hot向量的与1对应的部位的权重矩阵的行。这里,单词“機器”的one-hot向量的与1对应的部位的权重矩阵的行为“1228…34”。因此,“1228…34”成为单词“機器”的单词向量。
此外,如果在图12所示的文档编号“1”的文档内容的数据中包含的后续的语句中出现“機器”这样的词素,则也同样地进行该情况下的周边词的学习。然后,进行与文档内容的数据中出现的全部单词有关的学习,计算中间层的权重W1。中间层的权重W1的各行成为各词素的单词向量。单词向量与单词对应起来作为图13所示的单词转换表164保存于图4所示的服务器1的存储部16。
在图4所示的服务器1的学习部11中,学习用数据生成部113使用存储部16中保存的单词转换表164对通过学习用基础数据取得部111从存储部16取得的各种数据进行数值化,生成学习用数据。具体而言,学习用数据生成部113针对学习用基础数据取得部111取得的学习用基础数据,将与设备的状态有关的语句分割成词素,按照每个词素,使用单词转换表164转换为单词向量。
接着,学习用数据生成部113对学习用基础数据中包含的客户信息和设备信息中包含的机型的数据和安装日的数据进行数值化。关于机型的数据,转换为具有机型的种类的元素的one-hot向量。例如,机型A设为(1,0,0),机型B设为(0,1,0),机型C设为(0,0,1),由此能够进行数值化。
安装日的数据使用同样使用学习用基础数据中包含的施工日计算从安装日起经过的天数而得到的结果。具体而言,学习用数据生成部113取得输入到图11A所示的施工报告书主数据163的表中的施工日的数据。学习用数据生成部113从取得的施工日的数据的日期减去输入到图9所示的客户主数据161的表中的设备的安装日的数据的日期。该减去后的值是从安装设备起经过的天数。另外,经过天数用小数表示。学习用数据生成部113连结数值化后的客户信息、设备信息和设备的状态的各数据与第1故障部位分类和第2故障部位分类的数据,生成学习用数据。
接着,学习用数据生成部113将生成的学习用数据输入到图4所示的学习部11的已学习模型生成部114。已学习模型生成部114使自身构建的神经网络进行学习用数据的学习,生成中间层和输出层的各权重作为已学习模型166。然后,已学习模型生成部114在存储部16中保存已学习模型166。
具体而言,已学习模型生成部114对自身构建的神经网络的输入层输入学习用数据中的连结具有设备信息即机型的种类的元素的one-hot向量、从安装日起经过的天数和表示设备的状态的语句向量而成的数据。另外,下面将该连结而成的数据称作学习用输入数据。此外,已学习模型生成部114对神经网络的输出层设定学习用数据中的故障部位分类作为具有全部故障部位分类数的元素的one-hot向量。
这里,图18示出已学习模型生成部114中构建的神经网络。神经网络由包含多个神经元的输入层、中间层和输出层构成。这里,在本实施方式1中,将中间层设为1层。例如,如果是图18所示的3层的神经网络,则在多个输入被输入到输入层X1~X n时,对其值乘以权重W11~W nm而输入到中间层Y1~Y m。对输入到中间层Y1~Y m的结果进一步乘以权重V11~Vkm,从输出层Z1~Z k输出。来自输出层Z1~Z k的输出结果根据权重W11~W nm和权重V11~V km的值而变化。另外,这里,n、k为4以上的整数,m为3以上的整数。
在本实施方式1中,在对输入层X1~X n的各神经元分别输入学习用输入数据时,将权重W11~W nm和权重V11~V km调整成从输出层Z1~Z k输出的结果接近学习用数据的故障部位分类的数据的状态。对权重W11~W nm和权重V11~V km进行调整就是神经网络中的学习。例如使用误差传播(Back Propagation:反向传播)法进行权重W11~W nm和权重V11~V km的更新。此外,下面,将对权重W11~W nm和权重V11~V km进行调整称作已学习模型生成部114中的学习。已学习模型生成部114将调整后的权重W11~W nm和权重V11~V km作为已学习模型166保存于图4所示的存储部16。
此外,图5所示的故障部位估计部12的估计处理部123读出存储部16中存储的已学习模型166,设定在自身构建的神经网络中。具体而言,在神经网络中设定作为已学习模型166的权重W11~W nm和权重V11~V km。由此,估计处理部123中构建的神经网络在对输入层X1~X n的各神经元分别输入连结具有设备信息即机型的种类的元素的one-hot向量和从安装日起经过的天数等而成的数据时,能够从输出层Z 1~Z k输出与输入内容之间的关联性最高的故障部位分类的数据。
另外,在本实施方式1中,在设备的构造复杂的情况下,故障部位分类的分类数庞大,相对于故障部位的分类数,进行学习的数据的数量可能不充分。该情况下,将故障部位分类在设备构造上分类为第1故障部位分类、第2故障部位分类等,按照分类后的每个故障部位分类分开进行学习。
例如,对神经网络的输入层输入学习用数据中的、连结具有设备信息即机型的种类的元素的one-hot向量、从安装日起经过的天数和表示设备的状态的语句向量而成的数据。对神经网络的输出层设定具有第1故障部位分类中包含的全部种类数的元素的one-hot向量。由此,制作估计第1故障部位分类的已学习模型。
然后,针对全部学习数据生成估计第1故障部位分类的已学习模型。然后,针对第1故障部位分类中包含的全部种类数的数据,划分每个种类的数据,制作针对各种类的数据估计第2故障部位分类的已学习模型。
具体而言,例如,设第1故障部位分类为A1、A2、…A9这9个种类。该情况下,首先,对全部输出层设定第1故障部位分类这9个种类,制作估计第1故障部位分类的已学习模型。另外,该情况下,对神经网络的输入层输入学习用数据中的、连结具有设备信息即机型的种类的元素的one-hot向量、从安装日起经过的天数和表示设备的状态的语句向量而成的数据。
接着,汇集第1故障部位分类中的A1中包含的数据,对输出层设定第2故障部位分类的one-hot向量。例如,设输入到图11A、图11B所示的施工报告书主数据163的表中的数据全部为1000件。其中,在输入到图11B所示的施工报告书主数据163的表中的“故障部位大分类”中设定有“1”的数据为300件。而且,在“故障部位大分类”的“1”中包含A1、A2、…A9这9个种类的分类。该情况下,在设“A1”的数据为50件时,汇集该“A1”的数据即50件数据。然后,生成具有汇集后的“A1”的数据的元素的one-hot向量,设定在神经网络的输出层中。
由此,生成“在第1故障部位分类为A1的情况下估计第2故障部位分类的已学习模型”。针对到A9为止的全部第1故障部位分类进行上述的步骤,制作合计10个已学习模型。在估计时,使用于估计与在第1故障部位分类中估计出的概率最高的故障部位分类相应的第2故障部位分类的已学习模型进行动作。例如,在估计时,在未判明成为正解的故障部位大分类和故障部位小分类的状态下,首先,估计第1故障部位分类作为故障部位大分类。其估计结果成为第1故障部位分类中包含的分类A1为50%、分类A2为20%、分类A3为10%…。该情况下,选择并利用用于估计概率最高的分类A1中包含的第2故障部位分类的已学习模型。由此,能够估计已估计出的第1故障部位分类中的概率最高的故障部位大分类中包含的第2故障部位分类即故障部位小分类。
由图1所示的故障部位/更换用部件估计系统100的服务器1和终端装置2执行的各功能是通过软件实现的功能。在本实施方式1中,将执行用于实现服务器1的学习部11的各功能的处理的软件设为学习处理程序。此外,将执行用于实现服务器1的故障部位估计部12、部件类别检索部13、更换用部件检索部14和过去事例检索部15的各功能的处理的软件设为部件估计处理程序。图19示出用于执行学习处理程序和部件估计处理程序的服务器1的硬件结构的一例。
服务器1具有存储各种程序和各种数据的存储设备101、用于与终端装置2连接的连接部102、用于展开各种程序的存储器103、以及执行各种程序的处理器104。存储设备101、连接部102、存储器103和处理器104经由数据总线105相互连接。
存储设备101是作为图1所示的存储部16发挥功能的设备。在存储设备101中存储有由处理器104执行的各种程序以及图4~图8所示的客户主数据161、设备主数据162、施工报告书主数据163等各种数据。存储设备101例如能够使用HDD(Hard Disk Drive:硬盘驱动器)、SSD(Solid State Drive:固态驱动器)等存储装置来构成。
连接部102是能够与终端装置2连接的连接用端口。连接部102作为图1所示的网络3发挥功能。连接部102例如能够使用USB(Universal Serial Bus:通用串行总线)端口、IEEE1394端口等能够连接设备的各种端口来构成。
存储器103是用于展开存储设备101中存储的各种程序的设备。存储器103例如能够使用RAM(Random Access Memory:随机存取存储器)、闪存等易失性或非易失性半导体存储器这样的存储元件和存储介质来构成。
处理器104读出存储设备101中存储的各种程序,在存储器103中展开并执行。处理器104例如能够使用CPU(Central Processing Unit:中央处理单元)、MPU(Micro-processing Unit:微处理单元)等处理装置来构成。
此外,终端装置2在显示画面上显示图2所示的故障状况输入部21、显示设备的故障部位的故障部位显示部22等。在本实施方式1中,将执行用于实现在终端装置2的显示画面上显示各种信息的功能和受理呼叫中心的受理负责人输入到故障状况输入部21的数据的功能等各功能的处理的软件设为显示控制程序。图20示出用于执行显示控制程序的终端装置2的硬件结构的一例。
终端装置2具有存储各种程序和各种数据的存储设备201、用于与服务器1连接的连接部202、受理各种数据的输入的输入设备203、显示各种数据的显示设备204、生成使显示设备204显示的显示用数据的显示控制器205、用于展开各种程序的存储器206、以及执行各种程序的处理器207。存储设备201、连接部202、输入设备203、显示控制器205、存储器206和处理器207经由数据总线208相互连接。
在存储设备201中保存有由处理器207执行的各种程序、以及用于在显示设备204中显示的图像、字符等显示用数据。存储设备201例如能够使用HDD(Hard Disk Drive:硬盘驱动器)、SSD(Solid State Drive:固态驱动器)等存储装置来构成。
连接部202是能够与服务器1连接的连接用端口。连接部202作为图1所示的网络3发挥功能。连接部202例如能够使用USB(Universal Serial Bus:通用串行总线)端口、IEEE1394端口等能够连接设备的各种端口来构成。
输入设备203是用于供呼叫中心的受理负责人输入各种数据的输入部。输入设备203例如能够使用键盘、鼠标、触摸面板等来构成。显示设备204显示包含图2所示的故障状况输入部21和故障部位显示部22等的显示画面。此外,显示设备204显示呼叫中心的受理负责人通过输入设备203输入的各种数据。显示设备204例如能够使用LCD(Liquid CrystalDisplay:液晶显示器)、有机EL(Electroluminescence:电致发光)监视器等来构成。
显示控制器205是对显示设备204输出影像信号以使其显示包含字符和图像的显示用数据的控制器。显示控制器205例如能够使用视频卡、GPU(Graphics ProcessingUnit:图形处理单元)、图形板等影像信号输出装置来构成。
存储器206是用于展开存储设备201中存储的各种程序的设备。存储器206例如能够使用RAM(Random Access Memory:随机存取存储器)、闪存等易失性或非易失性半导体存储器这样的存储元件和存储介质来构成。
处理器207读出存储设备201中存储的各种程序,在存储器206中展开并执行。处理器207例如能够使用CPU(Central Processing Unit:中央处理单元)、MPU(Micro-processing Unit:微处理单元)等处理装置来构成。
接着,下面参照图21~图32所示的流程图对本实施方式1的故障部位/更换用部件估计系统100的动作的流程进行说明。首先,故障部位/更换用部件估计系统100在图1所示的服务器1的学习部11中生成已学习模型166。由学习部11进行的处理作为学习处理程序存储于服务器1的存储部16。故障部位/更换用部件估计系统100在生成已学习模型166的定时使图19所示的服务器1的处理器104将存储设备101中保存的学习处理程序读出到存储器103并执行。下面参照图21~图25的流程图对学习处理程序的处理进行说明。
首先,在图21中,图4所示的学习用基础数据取得部111执行学习用基础数据的取得处理(步骤S10)。参照图22所示的流程图对学习用基础数据的取得处理进行说明。学习用基础数据取得部111从图4所示的客户主数据161取得客户信息的数据(步骤S101)。关于客户信息的数据,取得图9所示的客户主数据161的表中包含的顾客ID、机型、安装日、控制装置、电源和软件的数据。另外,下面将这里取得的数据统称作顾客信息的数据。
接着,学习用基础数据取得部111从设备主数据162取得与从客户主数据161取得的“机型”对应的机型划分的数据(步骤S102)。关于机型划分的数据,从图10所示的设备主数据162的表取得与从客户主数据161取得的机型的数据对应的机型划分的数据。另外,下面将机型的数据和取得的机型划分的数据统称作设备信息的数据。
学习用基础数据取得部111从图11A、图11B所示的施工报告书主数据163的表取得与从客户主数据161取得的顾客ID和机型的信息对应的报告书编号的数据、设备状态的数据、故障部位的数据(步骤S103)。这里,设备状态的数据是输入到施工报告书主数据163的现象的项目的数据。此外,故障部位的数据是施工报告书主数据163的故障部位大分类的项目的数据和故障部位小分类的项目的数据。
学习用基础数据取得部111将从施工报告书主数据163取得的报告书编号的数据作为关键字来连结已取得的顾客信息的数据、设备信息的数据、设备状态的数据、故障部位的数据,生成学习用基础数据(步骤S104)。学习用基础数据取得部111将生成的学习用基础数据保存于存储部16(步骤S105)。
这里,返回图21。图4所示的学习部11的单词转换部112执行单词转换处理(步骤S11)。参照图23所示的流程图对单词转换处理进行说明。单词转换部112从图4所示的存储部16中存储的文档数据165取得输入到图12所示的文档数据165的表的“文档内容”的项目中的语句数据(步骤S111)。单词转换部112对取得的语句数据执行词素分析处理,将其分割成词素(步骤S112)。具体而言,单词转换部112包含标点符号在内将语句数据分割成单词。
单词转换部112按照分割成词素后的每个单词生成one-hot向量。单词转换部112将生成的one-hot向量输入到神经网络的输入层,进行针对任意单词的周边词的概率的学习。在学习后,单词转换部112将神经网络的隐藏层的权重和各单词的one-hot向量相乘,由此提取单词向量(步骤S113)。
单词转换部112将单词和提取出的单词向量对应起来,生成单词转换表164(步骤S114)。单词转换部112将生成的单词转换表164保存于存储部16(步骤S115)。
这里,返回图21。图4所示的学习用数据生成部113执行学习用数据的生成处理(步骤S12)。下面参照图24所示的流程图对学习用数据的生成处理进行说明。学习用数据生成部113从存储部16取得学习用基础数据(步骤S121)。学习用数据生成部113对接收到的学习用基础数据中包含的设备状态的数据中包含的语句执行词素分析处理,将其分割成词素(步骤S122)。
学习用数据生成部113从存储部16取得单词转换表164。学习用数据生成部113按照每个词素即构成设备状态的数据的语句的每个单词,置换为单词转换表164中包含的单词向量,结合置换后的单词向量。下面将结合的单词向量称作设备的状态的语句的语句向量。
接着,学习用数据生成部113生成学习用数据(步骤S123)。具体而言,首先,学习用数据生成部113对学习用基础数据中包含的客户信息的数据和设备信息的数据中包含的机型的数据和安装日的数据进行数值化。关于机型的数据,转换为具有机型的种类的元素的one-hot向量。关于安装日的数据,从学习用基础数据中包含的施工日的数据减去安装日的数据,求出从安装日起经过的天数。
学习用数据生成部113连结数值化后的客户信息的数据、设备信息的数据和设备状态的数据与第1故障部位分类的数据和第2故障部位分类的数据,生成学习用数据。学习用数据生成部113在存储部16中保存已生成的学习用数据(步骤S124)。这里,返回图21。图4所示的已学习模型生成部114执行已学习模型生成处理(步骤S13)。下面参照图25所示的流程图对已学习模型生成处理进行说明。
已学习模型生成部114从存储部16取得学习用数据(步骤S131)。已学习模型生成部114使自身构建的神经网络进行学习用数据的学习,生成中间层和输出层的各权重作为已学习模型166(步骤S132)。具体而言,已学习模型生成部114对神经网络的输出层设定学习用数据中的第1故障部位分类的数据和第2故障部位分类的数据。接着,已学习模型生成部114对神经网络的输入层输入学习用数据中的设备信息、设备的状态,使神经网络进行学习。已学习模型生成部114将生成的已学习模型166保存于存储部16(步骤S133)。返回图21,已学习模型生成部114结束学习处理。
此外,呼叫中心的受理负责人在从客户接受与设备的故障有关的联络时,使用故障部位/更换用部件估计系统100进行更换用部件的估计。这里,呼叫中心的受理负责人使用的故障部位/更换用部件估计系统100在服务器1侧执行估计部件的部件估计处理程序,在终端装置2侧执行在显示画面上显示图2所示的故障状况输入部21和故障部位显示部22等的显示控制程序。服务器1在启动的定时使图19所示的服务器1的处理器104将存储设备101中保存的部件估计处理程序读出到存储器103并执行。此外,终端装置2在启动的定时使图20所示的终端装置2的处理器207将存储设备201中保存的显示控制程序读出到存储器206并执行。
呼叫中心的受理负责人在从客户接受与设备的故障有关的联络时,对图2所示的终端装置2的显示画面上显示的故障状况输入部21输入顾客ID、受理编号、从顾客听取的故障状况。另外,终端装置2也可以在对故障状况输入部21输入了顾客ID的阶段,利用顾客ID来检索图5所示的存储部16中保存的客户主数据161,将作为检索结果提取出的安装日的数据、机型的数据、控制装置的数据、电源的数据、软件的数据自动地输入到故障状况输入部21的各项目。此外,终端装置2使用从客户主数据161取得的“机型的数据”来检索存储部16的设备主数据162,将作为检索结果提取出的机型划分输入到故障状况输入部21的对应的项目。呼叫中心的受理负责人在必要事项的输入完成后,按下故障部位估计按钮214。由此,终端装置2使图5所示的服务器1的故障部位估计部12执行部件估计处理。
下面,参照图26~图32的流程图对部件估计处理进行说明。首先,在图26中,图5所示的服务器1的故障部位估计部12中包含的估计用基础数据取得部121执行估计用基础数据的取得处理(步骤S20)。参照图27所示的流程图对估计用基础数据的取得处理进行说明。
估计用基础数据取得部121从图5所示的故障状况输入部21取得设备信息的数据、设备状态的数据(步骤S201)。接着,估计用基础数据取得部121连结已取得的设备信息的数据和设备状态的数据,生成估计用基础数据(步骤S202)。估计用基础数据取得部121将生成的估计用基础数据输出到图5所示的估计用数据生成部122。
这里,返回图26。估计用数据生成部122执行估计用数据的生成处理(步骤S21)。参照图28所示的流程图对估计用数据的生成处理进行说明。
估计用数据生成部122从估计用基础数据取得部121取得估计用基础数据(步骤S211)。估计用数据生成部122将估计用基础数据中包含的设备状况的数据的语句数据分割成词素(步骤S212)。估计用数据生成部122从存储部16取得单词转换表164(步骤S213)。
估计用数据生成部122使用单词转换表164将在步骤S212中对设备状况的数据的语句数据进行分割而得到的各词素转换为单词向量。估计用数据生成部122将全部单词向量相加,制作设备的状况的向量。估计用数据生成部122连结设备信息的数据和设备的状况的向量,生成估计用数据(步骤S214)。估计用数据生成部122将估计用数据保存于存储部16(步骤S215)。
这里,返回图26。估计处理部123执行故障部位估计处理(步骤S22)。参照图29所示的流程图对故障部位估计处理进行说明。
估计处理部123从存储部16取得估计用数据(步骤S221)。接着,估计处理部123从存储部16取得已学习模型166(步骤S222)。估计处理部123在自身构建神经网络(步骤S223)。
估计处理部123对神经网络的输入层输入估计用数据(步骤S224)。由此,能够对估计用数据乘以作为已学习模型166的权重,在输出层输出故障部位分类的概率。另外,在故障部位分类为1层的情况下,可以通过1次的输出来完成。但是,在故障部位分类为2层的情况下,利用与在第1次的输出中最高的第1故障部位分类对应的第2故障部位分类的已学习模型,再次构建神经网络。然后,使输出层输出第2故障部分类的概率。
估计处理部123根据神经网络的输出结果取得故障部位(步骤S225)。具体而言,估计处理部123取得被神经网络的输出层输出的故障部位分类的概率中的概率最高的故障部位分类作为故障部位。估计处理部123使图2所示的终端装置2的故障部位显示部22显示已取得的故障部位(步骤S226)。另外,在故障部位显示部22中,显示由故障部位估计部12输出的第1故障部位分类和第2故障部位分类。此外,也可以将它们合并成1个,利用一个语言来显示。例如,第1故障部位分类为部位A,第2故障部位分类为部位B。该情况下,可以罗列部位A、部位B,在仅部位B通过的情况下,也可以仅显示部位B。
这里,返回图26。图6所示的部件类别检索部13判定是否按下了图2所示的部件类别显示按钮222(步骤S23)。在未按下部件类别显示按钮222的情况下(步骤S23:否),待机到按下为止。在按下了部件类别显示按钮222的情况下(步骤S23:是),部件类别检索部13执行部件类别检索处理(步骤S24)。参照图30所示的流程图对部件类别检索处理进行说明。
部件类别检索部13从终端装置2的故障状况输入部21取得设备信息的数据(步骤S231)。部件类别检索部13从终端装置2的故障部位显示部22取得故障部位的数据(步骤S232)。部件类别检索部13从存储部16取得部件主数据167和施工报告书主数据163(步骤S233)。
接着,部件类别检索部13将从故障部位显示部22取得的故障部位的数据中包含的第1故障部位分类、第2故障部位分类和机型的数据作为关键字来检索施工报告书主数据163。部件类别检索部13使用部件主数据167将检索到的结果即多个记录中包含的部件代码转换为部件类别并进行统计(步骤S234)。由此,生成部件类别的过去事例的排名。部件类别检索部13使图2所示的终端装置2的部件类别显示部23显示统计出的部件类别(步骤S235)。另外,有时利用故障部位显示部22勾选多个故障部位的分类的复选框。该情况下,部件类别检索部13按照被勾选的故障部位的每个分类来实施统计处理,使部件类别显示部23显示各自的结果。
这里,返回图26。呼叫中心的受理负责人从估计出的部件类别中选择在修理中能够活用的部件类别。然后,图7所示的更换用部件检索部14判定是否按下了图2所示的更换用部件显示按钮232(步骤S25)。在未按下更换用部件显示按钮232的情况下(步骤S25:否),待机到按下为止。在按下了更换用部件显示按钮232的情况下(步骤S25:是),更换用部件检索部14执行更换用部件检索处理(步骤S26)。参照图31所示的流程图对更换用部件检索处理进行说明。
更换用部件检索部14从终端装置2的故障状况输入部21取得设备信息的数据(步骤S241)。接着,更换用部件检索部14从终端装置2的故障部位显示部22取得故障部位的数据(步骤S242)。更换用部件检索部14从终端装置2的部件类别显示部23取得部件类别(步骤S243)。更换用部件检索部14从存储部16取得部件主数据167和施工报告书主数据163(步骤S244)。
更换用部件检索部14将取得的故障部位的数据中包含的第1故障部位分类的数据、第2故障部位分类的数据和机型的数据作为关键字来检索施工报告书主数据163。更换用部件检索部14对检索到的结果即多个记录中包含的部件代码进行统计(步骤S245)。由此,能够求出更换用部件在过去事例中的比例,决定排名。
更换用部件检索部14使终端装置2的更换用部件显示部24显示对部件代码进行统计后的结果(步骤S246)。具体而言,更换用部件检索部14根据部件主数据167求出与统计出的部件代码对应的部件名和部件类别,按照排名顺序使终端装置2的更换用部件显示部24进行显示。另外,有时利用部件类别显示部23勾选部件类别的复选框。该情况下,更换用部件检索部14按照被勾选的每个部件类别实施统计处理,使部件类别显示部23显示各自的结果。
返回图26。呼叫中心的受理负责人从估计出的更换用部件中选择在修理中能够活用的更换用部件。然后,图8所示的过去事例检索部15判定是否按下了图2所示的过去事例显示按钮242(步骤S27)。在未按下过去事例显示按钮242的情况下(步骤S27:否),待机到按下为止。在按下了过去事例显示按钮242的情况下(步骤S27:是),过去事例检索部15执行过去事例检索处理(步骤S28)。参照图32所示的流程图对过去事例检索处理进行说明。
过去事例检索部15从图8所示的故障状况输入部21取得设备信息的数据(步骤S251)。过去事例检索部15从图8所示的故障部位显示部22取得故障部位的数据(步骤S252)。过去事例检索部15从图8所示的更换用部件显示部24取得更换用部件的数据(步骤S253)。过去事例检索部15从存储部16取得施工报告书主数据163(步骤S254)。
接着,过去事例检索部15检索过去事例(步骤S255)。具体而言,过去事例检索部15将取得的故障部位的数据中包含的第1故障部位分类和第2故障部位分类、机型的数据、更换用部件的数据作为关键字来检索施工报告书主数据163。过去事例检索部15使终端装置2的过去事例显示部25显示检索到的结果中包含的多个记录中的报告书编号、现象、原因、处置和部件代码的各项目中输入的数据(步骤S256)。这里,过去事例检索部15返回图26,结束部件估计处理。
如上所述,根据实施方式1,能够提供如下的故障部位/更换用部件估计系统:即使是结构复杂且部件数量多的设备,也能够根据客户信息、设备信息、设备的状态等数据而高精度地估计故障部位、更换用部件。
此外,能够使用单词向量对用自然语言记载的设备状态的数据进行数值化。因此,用户不是利用预定的词语、代码等输入设备状态的数据,能够利用通常使用的语言进行输入。因此,能够减少针对用户的负担。
(实施方式2)
当在对设备的故障进行修理时使用某个部件的情况下,频繁地产生在相同定时成组地更换其他部件的情况。例如是存在与要更换的部件成对的部件的情况、该故障的修理诱发其他故障的修理而需要统一修理多个部位的情况等。因此,本实施方式2的故障部位/更换用部件估计系统100A在实施方式1的故障部位/更换用部件估计系统100的功能的基础上,具有推荐与在修理中使用的部件成组更换的部件的功能。
图33所示的故障部位/更换用部件估计系统100A具有服务器1A和终端装置2A,该服务器1A具有进行故障部位的学习、估计的功能,该终端装置2A用于提示根据客户信息、设备的状态等估计出的更换用部件。服务器1A包含生成用于估计故障部位的学习模型的学习部11、估计故障部位的故障部位估计部12、按照故障部位大致确定更换用部件的部件类别检索部13、检索更换用部件的候选的更换用部件检索部14、检索过去的故障事例的过去事例检索部15、保存各种数据的存储部16、以及推荐要更换的部件的部件推荐部17。部件推荐部17推荐与在修理中使用的部件成组地更换的其他部件。
此外,终端装置2A具有输入被交付了设备的客户的客户信息、设备的状态等的故障状况输入部21、显示设备的故障部位的故障部位显示部22、显示更换用部件的部件类别的部件类别显示部23、显示更换用部件的候选的更换用部件显示部24、显示过去的故障事例的过去事例显示部25、以及显示被推荐的部件的部件名的部件显示部26。部件显示部26显示部件推荐部17推荐的部件的部件名。部件显示部26的显示形式例如设为在使鼠标指针与图2所示的更换用部件显示部24中显示的部件名重合时显示部件名的字符串、弹窗等的形式。
服务器1A的部件推荐部17将更换用的各部件的部件代码、第1故障部位分类的数据、第2故障部位分类的数据和机型的数据作为关键字来检索图11A、图11B所示的施工报告书主数据163,求出要推荐的部件。这里,第1故障部位分类的数据为根据图11B所示的施工报告书主数据163的表所示的“故障部位大分类”求出的数据。此外,第2故障部位分类的数据为第1故障部位分类的数据中的概率最高的故障部位大分类中包含的施工报告书主数据163的表所示的“故障部位小分类”。
具体而言,首先,部件推荐部17将更换用的部件的部件类别和部件名作为关键字来检索图14所示的部件主数据167,求出该部件的部件代码。部件推荐部17将第1故障部位分类的数据、第2故障部位分类的数据和机型的数据作为关键字来检索图11A、图11B所示的施工报告书主数据163。部件推荐部17针对检索结果筛选包含根据部件主数据167求出的部件代码的记录。
部件推荐部17对筛选出的记录中包含的部件代码进行统计。由此,能够求出各部件代码的比例,决定排名。部件推荐部17根据部件主数据167求出与统计出的部件代码对应的部件名,生成按照排名的顺序进行显示的显示用数据。终端装置2A在呼叫中心的受理负责人使鼠标指针与图2所示的更换用部件显示部24中显示的部件名重合时,以字符串、弹窗等显示形式按照排名的顺序显示要推荐的部件名。
在图26所示的部件估计处理的流程图中的步骤S26的更换用部件检索处理之后,由部件推荐部17执行部件的推荐。部件推荐部17的处理作为部件推荐处理程序保存于图33所示的服务器1A的存储部16。下面,参照图34所示的部件推荐处理的流程图对由部件推荐处理程序执行的处理进行说明。
部件推荐部17从服务器1A的存储部16取得图14所示的部件主数据167和图11A、图11B所示的施工报告书主数据163(步骤S301)。部件推荐部17将更换用的部件的部件类别和部件名作为关键字来检索部件主数据167,取得该部件的部件代码(步骤S302)。部件推荐部17将第1故障部位分类的数据、第2故障部位分类的数据和机型的数据作为关键字来检索施工报告书主数据163(步骤S303)。
部件推荐部17针对步骤S303的检索结果筛选包含根据部件主数据167求出的部件代码的记录(步骤S304)。部件推荐部17对筛选出的记录中包含的部件代码进行统计,求出各部件代码的比例。部件推荐部17根据求出的各部件代码的比例决定部件代码的排名(步骤S305)。部件推荐部17根据部件主数据167求出与统计出的部件代码对应的部件名,生成按照排名的顺序进行显示的显示用数据(步骤S306)。然后,部件推荐部17结束部件推荐处理。
此外,终端装置2A在呼叫中心的受理负责人使鼠标指针与图2所示的更换用部件显示部24中显示的部件名重合时,以字符串、弹窗等显示形式按照排名的顺序显示要推荐的部件名。要推荐的部件名的显示处理作为推荐部件显示处理程序保存于图33所示的服务器1A的存储部16。下面,参照图35所示的推荐部件显示处理的流程图对由推荐部件显示处理程序执行的处理进行说明。
终端装置2A判定鼠标指针是否与图2所示的更换用部件显示部24中显示的部件名重叠(步骤S311)。在鼠标指针不重叠的情况下(步骤S311:否),终端装置2A反复进行步骤S311。在鼠标指针重叠的情况下(步骤S311:是),终端装置2A在图33所示的部件显示部26中显示在图34所示的部件推荐处理的流程图的步骤S306中生成的、按照排名的顺序显示要推荐的部件名的显示用数据(步骤S312)。部件显示部26以与图2所示的更换用部件显示部24中显示的部件名重叠的字符串、弹窗等显示形式进行显示。
终端装置2A判定鼠标指针是否从更换用部件显示部24中显示的部件名离开(步骤S313)。在鼠标指针未离开的情况下(步骤S313:否),终端装置2A反复进行步骤S313。在鼠标指针离开的情况下(步骤S313:是),终端装置2A不显示部件显示部26中显示的显示用数据(步骤S314)。终端装置2A返回步骤S311,反复进行步骤S311~步骤S314的处理。
如上所述,根据实施方式2,在实施方式1的效果的基础上,能够确认与在修理中使用的部件一起成组地更换的部件。
(实施方式3)
在上述实施方式1、2中,在估计故障部位和更换用部件时,呼叫中心的受理负责人将客户的设备的故障状况、客户信息等输入到终端装置2、2A。但是,呼叫中心的受理负责人每次将设备的故障状况、客户信息等输入到终端装置2、2A,因此,估计处理花费时间,此外,受理负责人的负担也大。因此,实施方式3的故障部位/更换用部件估计系统100B在实施方式1的故障部位/更换用部件估计系统100的功能的基础上,具有如下功能:从交付给客户的客户设备4实时地取得客户设备4的工作状况的数据,将其用于故障部位的推测,由此提高故障部位的推测精度。
图36所示的故障部位/更换用部件估计系统100B具有服务器1B和终端装置2A,该服务器1B具有进行故障部位的学习、估计的功能,该终端装置2A用于提示根据客户信息、设备的状态等估计出的更换用部件。服务器1B经由网络与放置于客户处的第1设备4A、第2设备4B、…、第n设备4n连接。这里,第1设备4A为向顾客ID“A0001”的客户交付的机型“AB”。第2设备4B为向顾客ID“B0123”的客户交付的机型“CD”。第n设备4n为向顾客ID“N0001”的客户交付的机型“NM”。另外,下面将第1设备4A、第2设备4B、…、第n设备4n统称作客户设备4。
在客户设备4安装有多个传感器。例如,在传感器检测到的值大幅变化的情况下,使用变化点检测算法来检测传感器检测到的值的变化,在传感器检测到的值周期性地存在变化的情况下,使用波形预测算法这样的逻辑来检测传感器检测到的值的变化,由此能够判定客户设备4的异常。但是,在异常时的客户设备4的举动富于变化的情况下,预先制作检测异常的已学习模型来判定有无异常则能够进行更高精度的故障原因确定。因此,在本实施方式3中,对服务器1B的学习部11B和故障部位估计部12B设置能够判定有无异常的功能。
服务器1B包含生成用于估计故障部位的学习模型的学习部11B、估计故障部位的故障部位估计部12B、按照故障部位大致确定更换用部件的部件类别检索部13、检索更换用部件的候选的更换用部件检索部14、检索过去的故障事例的过去事例检索部15、保存各种数据的存储部16B、以及取得客户设备4的工作状况的数据的设备数据取得部18。
设备数据取得部18从安装于客户设备4的电压、水量等的测定用传感器、异常检测用传感器等各种传感器实时地取得测定、检测等的各种数据。设备数据取得部18使存储部16B蓄积已取得的测定、检测等的各种数据作为设备工作状况数据168。另外,设备工作状况数据168在后面详细叙述。
此外,如图37所示,服务器1B的学习部11B包含取得成为学习的基础的各种数据的学习用基础数据取得部111、将文档中包含的单词转换为数值的单词转换部112、生成学习用数据的学习用数据生成部113B、制作学习用模型的已学习模型生成部114、以及判定客户设备4的异常部位的学习用异常判定部115。学习用异常判定部115针对图11A、图11B所示的施工报告书主数据163的全部故障发生日期时间,根据存储部16B中存储的设备工作状况数据168判定客户设备4的异常部位。
学习用异常判定部115使存储部16B蓄积判定出的客户设备4的异常部位的数据作为异常判定数据169。此外,学习用异常判定部115将判定出的客户设备4的异常部位的数据输入到学习部11B的学习用数据生成部113B。学习用数据生成部113B生成包含从学习用异常判定部115取得的客户设备4的异常部位的数据在内的学习用数据。
此外,如图38所示,故障部位估计部12B包含取得输入到终端装置2的故障状况输入部21的各种数据的估计用基础数据取得部121、生成估计用数据的估计用数据生成部122B、估计故障部位的估计处理部123、以及估计用异常判定部124。估计用异常判定部124针对图11A、图11B所示的施工报告书主数据163的全部故障发生日期时间,根据存储部16B中存储的设备工作状况数据168判定客户设备4的异常部位。估计用异常判定部124将判定出的客户设备4的异常部位的数据输入到估计用数据生成部122B。估计用数据生成部122B包含从估计用异常判定部124取得的客户设备4的异常部位的数据在内生成估计用数据。
接着,参照图39、图40对图37所示的设备工作状况数据168和异常判定数据169的结构进行说明。首先,图39示出设备工作状况数据168的表。设备工作状况数据168包含表示被交付了设备的客户的顾客ID、表示客户设备4的机型名的机型、表示取得了客户设备4的工作状况的数据的日期时间的取得日期时间、表示安装于客户设备4的各种传感器的数据的第1传感器、第2传感器、第3传感器等项目。
设备工作状况数据168是针对顾客ID按照时序汇集由图36所示的服务器1B的设备数据取得部18每隔一定时间取得的客户设备4的工作状况的数据而得到的数据。在图39所示的设备工作状况数据168中,例如示出在顾客ID“A0001”的机型“AB”中,在取得日期时间“2020/12/4 12:00”,第1传感器检测到“30V”,第2传感器检测到“20mA”,第3传感器检测到“10Ω”。此外,示出在顾客ID“B0123”的机型“CD”中,在取得日期时间“2020/12/14 12:00”,第1传感器检测到“20V”,第2传感器检测到“15mA”,第3传感器检测到“15Ω”。
学习用异常判定部115针对希望成为学习对象的图11A、图11B所示的施工报告书主数据163的顾客ID和机型,从设备工作状况数据168找出具有相同的顾客ID和机型的记录。然后,学习用异常判定部115从设备工作状况数据168取得从与施工报告书主数据163的顾客ID和机型相关联的故障发生日期时间起回溯一定期间的期间的记录。
图37所示的学习用异常判定部115针对从设备工作状况数据168取得的记录,例如根据从第1传感器~第3传感器检测到的值的变化,估计产生异常的部件,判定客户设备4的异常。具体而言,首先,在图11A、图11B所示的施工报告书主数据163的顾客ID“A0001”、机型“AB”中,故障发生日期时间为“2020/12/10 9:23”。学习用异常判定部115从图39所示的设备工作状况数据168寻找顾客ID“A0001”、机型“AB”的记录。学习用异常判定部115取得从施工报告书主数据163的故障发生日期时间“2020/12/10 9:23”中包含的故障发生日“2020/12/10”起回溯一定期间例如7天的期间的记录。例如,学习用异常判定部115在图39所示的设备工作状况数据168的“A0001”、机型“AB”中,取得取得日期时间“2020/12/4~2020/12/10”的期间的记录。
这里,例如,将设备工作状况数据168所示的第1传感器设为用于检测部件内的电压变化的电压测定传感器,将第2传感器设为用于检测布线的电流变化的电流测定传感器,将第3传感器设为用于检测部件的损耗的电阻测定传感器。在图39所示的设备工作状况数据168中,示出在顾客ID“A0001”的机型“AB”中,在取得日期时间“2020/12/4 12:00”,第1传感器检测到“30V”,第2传感器检测到“20mA”,第3传感器检测到“10Ω”。接着,示出在取得日期时间“2020/12/4 13:00”,第1传感器~第3传感器检测到的值与上次相同。此外,示出在取得日期时间“2020/12/89:00”,第1传感器~第3传感器检测到的值也与上次相同。
示出在取得日期时间“2020/12/10 9:00”,第1传感器检测到“25V”,第2传感器检测到“15mA”。第3传感器检测的值相同。进而,示出在取得日期时间“2020/12/10 10:00”,第1传感器检测到“0V”,第2传感器检测到“5mA”。第3传感器检测的值相同。
根据以上可知,在取得日期时间“2020/12/10 9:00”以后,第1传感器、第2传感器检测的值发生了变化。第1传感器和第2传感器的值引起了变化即表示在引起了变化时在安装有第1传感器和第2传感器的部件或部位产生了故障。因此,图37所示的学习用异常判定部115检测第1传感器~第3传感器检测到的值的变化,在引起了变化时,判定为在安装有传感器的部件或部位产生了异常。学习用异常判定部115在判定为存在异常的情况下,输出“1”作为判定结果,在判定为没有异常的情况下,输出“0”作为判定结果。
学习用异常判定部115按照每个客户设备4将判定结果存储于异常判定数据169。图40所示的是异常判定数据169的表。异常判定数据169包含报告书编号和放置于客户处的第1设备4A、第2设备4B、…、第n设备4n的项目。报告书编号是与图11A、图11B所示的施工报告书主数据163中记载的报告书编号相同的编号。
例如,如图11A、图11B所示的施工报告书主数据163所示,图40所示的异常判定数据169的报告书编号“XXXXX”是与顾客ID“A0001”、机型“AB”有关的报告。因此,记载学习用异常判定部115判定在交付给顾客ID“A0001”的客户的机型“AB”的第1设备4A是否存在异常的结果。
例如,在图11A、图11B所示的施工报告书主数据163中记载有顾客ID“A0001”、机型“AB”的故障历史,学习用异常判定部115根据图39所示的设备工作状况数据168判定为在第1设备4A存在异常。该情况下,在与异常判定数据169的报告书编号“XXXXX”相关联的第1设备4A的栏记载“1”,在第2设备4B、…、第n设备4n的栏记载“0”。
此外,学习用异常判定部115将判定结果输入到图37所示的学习部11B的学习用数据生成部113B。学习用异常判定部115例如以{施工报告书编号、第1设备4A的判定结果、第2设备4B的判定结果、…、第n设备4n的判定结果}={XXXXX、1、0、…、0}的形式将判定结果输出到学习用数据生成部113B。学习用数据生成部113B包含从学习用异常判定部115取得的判定结果在内生成学习用数据。
此外,图38所示的故障部位估计部12B的估计用异常判定部124与学习用异常判定部115同样,针对图11A、图11B所示的施工报告书主数据163的全部故障发生日期时间,根据存储部16B中存储的设备工作状况数据168判定客户设备4的异常部位。估计用异常判定部124针对估计结果,例如以{施工报告书编号、第1设备4A的判定结果、第2设备4B的判定结果、…、第n设备4n的判定结果}={XXXXX、1、0、…、0}的形式将判定结果输出到估计用数据生成部122B。估计用数据生成部122B包含从估计用异常判定部124取得的判定结果在内生成估计用数据。估计处理部123使用估计用数据生成部122B生成的估计用数据执行估计处理。
在图36的服务器1B的工作中,设备数据取得部18从客户设备4的各种传感器实时地取得测定、检测等的各种数据,由此生成图39所示的设备工作状况数据168。设备数据取得部18执行的设备工作状况数据168的生成处理作为设备工作状况数据生成处理程序保存于图36所示的服务器1B的存储部16B。设备工作状况数据生成处理程序在图36的服务器1B工作的定时从存储部16B读出到图19所示的存储器103,由处理器104来执行。下面,参照图41所示的设备工作状况数据生成处理的流程图对由设备工作状况数据生成处理程序执行的处理进行说明。
设备数据取得部18从安装于客户设备4的电压、水量等的测定用传感器、异常检测用传感器等各种传感器取得测定、检测等的各种数据(步骤S401)。设备数据取得部18从服务器1B的存储部16B取得设备工作状况数据168。设备数据取得部18将在步骤S401中取得的各种传感器的数据追加到设备工作状况数据168的末尾(步骤S402)。具体而言,设备数据取得部18将取得的各种传感器的数据与作为数据取得源的顾客ID和机型以及数据的取得日期时间对应起来,追加到图39所示的设备工作状况数据168的表的末尾。
设备数据取得部18将设备工作状况数据168保存于服务器1B的存储部16B(步骤S403)。设备数据取得部18判定是否存在来自服务器1B的结束取得各种传感器的数据的指示(步骤S404)。例如是服务器1B的电源被断开的情况、存在来自用户的结束取得数据的指示的情况。在存在结束取得数据的指示的情况下(步骤S404:是),设备数据取得部18结束设备工作状况数据生成处理程序。此外,在不存在结束取得数据的指示的情况下(步骤S404:否),设备数据取得部18返回步骤S401,反复进行步骤S401~步骤S404的处理。
此外,在本实施方式3中,通过图37所示的服务器1B的学习部11B中包含的学习用异常判定部115,根据存储部16B中存储的设备工作状况数据168判定客户设备4的异常部位,生成异常判定数据169。此外,学习用异常判定部115将判定结果输出到学习用数据生成部113B,由此,学习用数据生成部113B包含判定结果在内生成学习用数据。
同样,图38所示的服务器1B的故障部位估计部12B中包含的估计用异常判定部124根据存储部16B中存储的设备工作状况数据168判断客户设备4的异常部位,生成异常判定数据169。此外,估计用异常判定部124将判定结果输出到估计用数据生成部122B,由此,估计用数据生成部122B包含判定结果在内生成估计用数据。
学习部11B的学习用异常判定部115和故障部位估计部12B的估计用异常判定部124执行的异常判定数据生成和输出作为异常判定数据生成处理程序保存于图36所示的服务器1B的存储部16B。在图24所示的学习用数据的生成处理的流程图中的步骤S123之前执行异常判定数据生成处理程序,学习用数据生成部113B包含从学习用异常判定部115输出的判定结果在内生成学习用数据。此外,在图28所示的估计用数据的生成处理的流程图中的步骤S213之前执行异常判定数据生成处理程序,估计用数据生成部122B包含从估计用异常判定部124输出的判定结果在内生成估计用数据。
下面,参照图42所示的异常判定数据生成处理的流程图对由异常判定数据生成处理程序执行的处理进行说明。另外,这里,作为学习部11B的学习用异常判定部115执行的处理来进行说明。学习用异常判定部115从图37所示的存储部16B取得设备工作状况数据168(步骤S411)。学习用异常判定部115针对希望成为学习对象的图11A、图11B所示的施工报告书主数据163的顾客ID和机型,在设备工作状况数据168中检索具有相同的顾客ID和机型的记录(步骤S412)。
学习用异常判定部115从设备工作状况数据168取得从与施工报告书主数据163的顾客ID和机型相关联的故障发生日期时间起回溯一定期间的一定期间量的期间的记录(步骤S413)。例如,学习用异常判定部115从设备工作状况数据168取得从故障发生日期时间起回溯1周的期间的记录。学习用异常判定部115针对从设备工作状况数据168取得的记录,检索从传感器检测到的值存在变化的记录(步骤S414)。
学习用异常判定部115根据从传感器检测到的值的变化来判定部件或部位的异常(步骤S415)。例如,学习用异常判定部115判定为在安装有引起了变化的传感器的部件或部位产生了异常。学习用异常判定部115设定判定结果(步骤S416)。例如,学习用异常判定部115在判定为存在异常的情况下,设定“1”作为判定结果,在判定为没有异常的情况下,设定“0”作为判定结果。
学习用异常判定部115将判定结果输出到图37所示的学习部11B的学习用数据生成部113B(步骤S417)。学习用异常判定部115例如以{施工报告书编号、第1设备4A的判定结果、第2设备4B的判定结果、…、第n设备4n的判定结果}={XXXXX、1、0、…、0}的形式将判定结果输出到学习用数据生成部113B。
学习用异常判定部115将判定结果追加到图40所示的异常判定数据169的末尾(步骤S418)。具体而言,学习用异常判定部115将作为与图11A、图11B所示的施工报告书主数据163中记载的报告书编号相同编号的报告书编号和每个客户设备4的判定结果对应起来,追加到异常判定数据169的末尾。学习用异常判定部115将追加了判定结果的异常判定数据169保存于图37所示的存储部16B(步骤S419)。学习用异常判定部115结束异常判定数据生成处理。
如上所述,根据实施方式3,在实施方式1、2的效果的基础上,从交付给客户的客户设备4实时地取得客户设备4的工作状况的数据,将其用于故障部位的推测,由此能够提高故障部位的推测精度。进而,利用服务器1B的学习部11B进行客户设备4的工作状况的数据的学习,制作检测异常的已学习模型,利用故障部位估计部12B,使用已学习模型判定有无异常,由此能够进行更高精度的故障原因确定。由此,在异常时的客户设备4的举动富于变化的情况下,也能够高精度地进行故障原因确定。
(变形例1)
在上述的实施方式1~3中,图4所示的已学习模型生成部114中构建的神经网络设中间层为1层。不限于此,中间层也可以是2层以上。
(变形例2)
在上述的实施方式1~3中,故障部位/更换用部件估计系统100为包含服务器1和终端装置2的系统。不限于此,也可以将在服务器1和终端装置2中进行动作的各功能内置于1个装置,将其设为故障部位/更换用部件估计系统100、100A、100B。
(变形例3)
在上述的实施方式1~3中,设图4所示的已学习模型生成部114通过神经网络进行设备的故障部位的学习。但是,也可以代替神经网络而使用深度学习、随机森林、支持向量机等其他学习算法。
(变形例4)
在上述的实施方式2中,设图33所示的服务器1A的部件推荐部17针对将第1故障部位分类的数据、第2故障部位分类的数据等作为关键字检索图11A、图11B所示的施工报告书主数据163而得到的检索结果,筛选包含根据部件主数据167求出的部件代码的记录。但是,使用期间长的产品很少发生更换部件的换代。因此,部件推荐部17针对检索施工报告书主数据163而得到的检索结果中包含的全部部件代码,根据图14所示的部件主数据167求出对应的部件类别。部件推荐部17对求出的部件类别进行统计,求出各部件类别的比例,决定排名。部件推荐部17按照排名的顺序使终端装置2A的部件显示部26显示统计出的部件类别。由此,在发生了更换部件的换代的情况下,也能够从部件类别中发现代替的部件。
此外,在本发明的实施方式1~3中,能够作为专用的系统来实现故障部位/更换用部件估计系统100、100A、100B。但是,与专用的系统无关地,能够使用通常的计算机系统来实现。例如,也可以构成如下的计算机:将用于实现上述的故障部位/更换用部件估计系统100中的各功能的程序存储于计算机能读取的CD-ROM(Compact Disc Read Only Memory:光盘只读存储器)、DVD-ROM(Digital Versatile Disc Read Only Memory:数字多功能盘只读存储器)等记录介质进行发布,将该程序安装于计算机,由此能够实现上述的各功能。而且,在通过OS(Operating System:操作系统)和应用的分担、或OS和应用的协作来实现各功能的情况下,也可以仅将应用存储于记录介质。
本发明能够在不脱离本发明的广义的精神和范围的前提下实现各种实施方式和变形。此外,上述的实施方式用于说明本发明,并不限定本发明的范围。即,本发明的范围不由实施方式示出,而由权利要求书示出。而且,在权利要求书内和与其同等的发明意义范围内实施的各种变形视为本发明的范围内。
本申请基于2021年7月19日申请的日本专利申请特愿2021-118914号。在本说明书中作为参考引用日本专利申请特愿2021-118914号的说明书、权利要求书、附图整体。
产业上的可利用性
本发明能够良好地用于故障部位/更换用部件估计系统。
标号说明
1、1A、1B:服务器;2、2A:终端装置;3:网络;4:客户设备;4A:第1设备;4B:第2设备;4n:第n设备;11、11B:学习部;12、12B:故障部位估计部;13:部件类别检索部;14:更换用部件检索部;15:过去事例检索部;16、16B:存储部;17:部件推荐部;18:设备数据取得部;21:故障状况输入部;22:故障部位显示部;23:部件类别显示部;24:更换用部件显示部;25:过去事例显示部;26:部件显示部;100、100A、100B:故障部位/更换用部件估计系统;101、201:存储设备;102、202:连接部;103、206:存储器;104、207:处理器;105、208:数据总线;111:学习用基础数据取得部;112:单词转换部;113、113B:学习用数据生成部;114:已学习模型生成部;115:学习用异常判定部;121:估计用基础数据取得部;122、122B:估计用数据生成部;123:估计处理部;124:估计用异常判定部;161:客户主数据;162:设备主数据;163:施工报告书主数据;164:单词转换表;165:文档数据;166:已学习模型;167:部件主数据;168:设备工作状况数据;169:异常判定数据;203:输入设备;204:显示设备;205:显示控制器;211:客户信息输入栏;212:受理编号栏;213:故障状况输入栏;214:故障部位估计按钮;221:估计结果显示部;222:部件类别显示按钮;231:部件类别检索结果显示部;232:更换用部件显示按钮;241:更换用部件检索结果显示部;242:过去事例显示按钮;251:过去事例检索结果显示。
Claims (12)
1.一种故障部位/更换用部件估计系统,该故障部位/更换用部件估计系统具有:
终端装置,其包含故障状况输入部,该故障状况输入部用于输入包含与已交付的设备有关的信息和被交付了所述设备的客户的信息在内的客户信息的数据、以及包含所述设备的故障状况在内的设备状态的数据;以及
服务器,其包含故障部位估计部、部件类别检索部和更换用部件检索部,该故障部位估计部根据所述客户信息的数据、所述设备状态的数据和包含所述设备的机型在内的设备信息的数据来估计所述设备的故障部位,该部件类别检索部根据所述故障部位估计部估计出的所述故障部位来检索更换用部件的部件类别,该更换用部件检索部按照所述部件类别检索部检索到的部件类别来检索所述更换用部件的候选的数据。
2.根据权利要求1所述的故障部位/更换用部件估计系统,其中,
所述终端装置还包含故障部位显示部,该故障部位显示部用于显示所述服务器的故障部位估计部估计出的所述设备的故障部位的数据,
所述服务器的部件类别检索部检索与所述故障部位显示部中显示的所述设备的故障部位的数据中的、被用户选择出的所述设备的故障部位的数据相关联的所述更换用部件的所述部件类别。
3.根据权利要求2所述的故障部位/更换用部件估计系统,其中,
所述终端装置还包含部件类别显示部,该部件类别显示部用于显示与所述服务器的部件类别检索部检索到的所述设备的故障部位的数据相关联的所述更换用部件的部件类别的数据,
所述服务器的更换用部件检索部检索与所述故障部位显示部中显示的所述设备的故障部位的数据和所述部件类别显示部中显示的所述部件类别的数据中的、被用户选择出的所述设备的故障部位的数据和所述部件类别的数据相关联的更换用部件的候选。
4.根据权利要求3所述的故障部位/更换用部件估计系统,其中,
所述终端装置还包含更换用部件显示部,该更换用部件显示部用于显示所述服务器的更换用部件检索部检索到的更换用部件的候选的数据,
所述服务器还包含过去事例检索部,该过去事例检索部按照所述故障部位显示部中显示的所述设备的故障部位的数据、所述部件类别显示部中显示的所述部件类别的数据、所述更换用部件显示部中显示的更换用部件的候选的数据中的被用户选择出的所述设备的故障部位的数据、所述部件类别的数据和更换用部件的候选的数据来检索过去的故障事例。
5.根据权利要求1~4中的任意一项所述的故障部位/更换用部件估计系统,其中,
所述服务器还包含学习部,该学习部进行所述客户信息的数据、所述设备信息的数据和所述设备状态的数据的学习,生成能够估计所述设备的故障部位的已学习模型。
6.根据权利要求5所述的故障部位/更换用部件估计系统,其中,
所述学习部在自身构建神经网络,在所述神经网络中,根据与所述客户信息的数据、所述设备信息的数据和所述设备状态的数据对应的、为了输出所述设备的故障部位而进行了调整的中间层和输出层的各权重,生成所述已学习模型。
7.根据权利要求6所述的故障部位/更换用部件估计系统,其中,
所述故障部位估计部在自身构建设定了所述已学习模型中包含的中间层和输出层的各权重的神经网络,通过所述神经网络,根据所述客户信息的数据、所述设备信息的数据和所述设备状态的数据来估计所述设备的故障部位。
8.根据权利要求1~7中的任意一项所述的故障部位/更换用部件估计系统,其中,
所述服务器还具有部件推荐部,该部件推荐部推荐与由所述更换用部件检索部检索到的部件成对地更换的部件。
9.根据权利要求6所述的故障部位/更换用部件估计系统,其中,
所述学习部进行包含判定结果的学习用数据的学习,生成用于输出所述设备的故障部位的所述已学习模型,其中,所述判定结果是根据从安装于已交付的设备的传感器取得的表示所述设备的工作状况的设备工作状况数据判定所述设备有无异常部位而得到的。
10.根据权利要求9所述的故障部位/更换用部件估计系统,其中,
所述故障部位估计部使用包含判定结果的估计用数据来估计所述设备的故障部位,其中,所述判定结果是根据表示所述设备的工作状况的设备工作状况数据判定所述设备有无异常部位而得到的。
11.一种估计设备的故障部位和更换用部件的故障部位/更换用部件估计系统执行的方法,其中,
根据包含与已交付的设备有关的信息和被交付了所述设备的客户的信息在内的客户信息的数据、包含所述设备的故障状况在内的设备状态的数据和包含所述设备的机型在内的设备信息的数据来估计所述设备的故障部位,
根据估计出的所述故障部位来检索所述更换用部件的部件类别,
按照检索到的所述部件类别来检索所述更换用部件的候选的数据。
12.一种程序,该程序用于使计算机执行以下处理:
根据包含与已交付的设备有关的信息和被交付了所述设备的客户的信息在内的客户信息的数据、包含所述设备的故障状况在内的设备状态的数据和包含所述设备的机型在内的设备信息的数据来估计所述设备的故障部位;
根据估计出的所述故障部位来检索更换用部件的部件类别;以及
按照检索到的所述部件类别来检索所述更换用部件的候选的数据。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021-118914 | 2021-07-19 | ||
JP2021118914 | 2021-07-19 | ||
PCT/JP2022/027558 WO2023002897A1 (ja) | 2021-07-19 | 2022-07-13 | 故障部位・交換用部品推定システム、方法、及び、プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117651962A true CN117651962A (zh) | 2024-03-05 |
Family
ID=84979177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202280046843.8A Pending CN117651962A (zh) | 2021-07-19 | 2022-07-13 | 故障部位/更换用部件估计系统、方法和程序 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JPWO2023002897A1 (zh) |
CN (1) | CN117651962A (zh) |
WO (1) | WO2023002897A1 (zh) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000155700A (ja) * | 1999-01-01 | 2000-06-06 | Hitachi Ltd | 品質情報収集診断システムおよびその方法 |
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 |
JP2006350923A (ja) * | 2005-06-20 | 2006-12-28 | Ricoh Co Ltd | 交換部品推定システム、交換部品推定方法および交換部品推定プログラム |
JP5658065B2 (ja) * | 2011-03-22 | 2015-01-21 | 株式会社富士通エフサス | 保守部品手配方法及びシステム |
-
2022
- 2022-07-13 WO PCT/JP2022/027558 patent/WO2023002897A1/ja active Application Filing
- 2022-07-13 JP JP2023536707A patent/JPWO2023002897A1/ja active Pending
- 2022-07-13 CN CN202280046843.8A patent/CN117651962A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
WO2023002897A1 (ja) | 2023-01-26 |
JPWO2023002897A1 (zh) | 2023-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108780315B (zh) | 用于优化旋转设备的诊断的方法和装置 | |
US8698616B2 (en) | Monitor control system | |
EP3379429A1 (en) | A method for retrieving a recommendation from a knowledge database of a ticketing system | |
US20090083096A1 (en) | Handling product reviews | |
US8504874B2 (en) | Repair-policy refinement in distributed systems | |
JP6362808B1 (ja) | 情報処理装置および情報処理方法 | |
CN110517762B (zh) | 生成用于识别和/或预测医疗设备的故障的知识库的方法 | |
US20200387673A1 (en) | Automated conversation review to surface virtual assistant misunderstandings | |
EP3769318B1 (en) | Self-correcting method for annotation of data pool using feedback mechanism | |
CN111427775B (zh) | 一种基于Bert模型的方法层次缺陷定位方法 | |
CN111183421B (zh) | 服务提供系统、业务分析支援系统、方法以及记录介质 | |
Boubekeur et al. | Automatic assessment of students' software models using a simple heuristic and machine learning | |
CN114610865A (zh) | 召回文本推荐方法、装置、设备及存储介质 | |
CN116415931A (zh) | 一种基于大数据的电力设备运行状态监控方法和系统 | |
JP2012243125A (ja) | 因果単語対抽出装置、因果単語対抽出方法および因果単語対抽出用プログラム | |
CN114997741A (zh) | 一种检修计划风险评估方法、系统和设备 | |
Marocco et al. | Operational text-mining methods for enhancing building maintenance management | |
JP2017021282A (ja) | 故障予兆シミュレーション装置、故障予兆シミュレーション方法、故障予兆シミュレーションシステム、及びプログラム | |
CN117651962A (zh) | 故障部位/更换用部件估计系统、方法和程序 | |
JP6913706B2 (ja) | 試験問題予測システム及び試験問題予測方法 | |
CN117038074A (zh) | 基于大数据的用户管理方法、装置、设备及存储介质 | |
CN116266188A (zh) | 信息提取装置、信息提取方法以及存储介质 | |
CN113887994A (zh) | 基于互联网评论挖掘的失效模式风险评估方法及系统 | |
CN109299381B (zh) | 一种基于语义概念的软件缺陷检索和分析系统及方法 | |
JP6833235B1 (ja) | 情報処理システム、及び情報処理方法 |
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 |