JP2012069076A - 評価装置 - Google Patents

Abstract

【課題】 十分なデータを収集できない場合においても、稼働データに基づいた保守サービスの提供が可能となる、評価装置、評価ユニット、評価方法、評価プログラム、及び記録媒体を提供する。
【解決手段】 第１の製品群 から得られる第１の稼動データ、前記第１の製品群から得られる第１の修理データを用いて前記第１の製品群の第１の故障予兆モデルを学習する第１のモデル学習部と、前記故障予兆モデルを用いて前記第１の製品群には含まれない第２の製品群から得られる第２の稼動データの評価 を行う評価算出部と、を備えることを特徴とする評価装置。
【選択図】図１

Description

本発明の実施形態は、製品稼動状況の評価装置、評価ユニット、評価方法に係る。

パーソナルコンピュータ（ＰＣ）などの電子情報機器について、振動や温度を計測し、これら電子情報機器の性能低下や疲労度合を算出する技術の研究が進められている。また、電子情報機器の情報をセンサ等で取得して個々の部品あるいは電子情報機器本体の障害発生の危険度を顧客に提示する装置も提案されている。一方、ハードウェアの品質管理部門では、修理データから製品の修理率を評価する技術も蓄積されてきている。

特表２００７−５０１９７５号公報

企業向けに出荷されたＰＣの稼働データは、顧客企業の情報システム部門の方針などにより社外提供されることが少ないため、メーカー側で十分なデータを収集できない場合がある。

以下に示す実施形態では、十分なデータを収集できない場合においても、稼働データに基づいた保守サービスの提供が可能となる、評価装置、評価ユニット、評価方法、評価プログラム、及び記録媒体を提供することを目的とする。

本実施形態によれば、第１の製品群から得られる第１の稼動データ、前記第１の製品群から得られる第１の修理データを用いて前記第１の製品群の第１の故障予兆モデルを学習する第１のモデル学習部と、前記故障予兆モデルを用いて前記第１の製品群には含まれない第２の製品群から得られる第２の稼動データの評価を行う評価算出部と、を備えることを特徴とする評価装置が提供される。

他の実施形態によれば、第１の製品群の故障予兆モデルを学習し、前記故障予兆モデルを用いて前記第１の製品群には含まれない第２の製品群から得られる第２の稼動データの評価を行う評価装置に用いられる評価ユニットであって、前記評価ユニットは、前記第１の製品群から得られる第１の稼動データ、及び前記第１の製品群から得られる第１の修理データを用いて作成された故障予兆モデルを用いて、前記第１の製品群の故障予兆モデルを学習する第１のモデル学習部を備えることを特徴とする評価ユニットが提供される。

他の実施形態によれば、第１の製品群の故障予兆モデルを学習し、前記故障予兆モデルを用いて前記第１の製品群には含まれない第２の製品群から得られる第２の稼動データの評価を行う評価装置に用いられる評価ユニットであって、前記故障予兆モデルを用いて前記第２の稼動データの評価を行う評価算出部を備えることを特徴とする評価ユニットが提供される。

他の実施形態によれば、第１の製品群から得られる第１の稼動データ、前記第１の製品群から得られる第１の修理データを用いて作成された故障予兆モデルを用いて前記第１の製品群の故障予兆モデルを学習するステップと、前記故障予兆モデルを用いて前記第１の製品群には含まれない第２の製品群の第２の稼動データの評価を行うステップと、を備えることを特徴とする評価方法が提供される。

他の実施形態によれば、コンピュータに、第１の製品群から得られる第１の稼動データ、前記第１の製品群から得られる第１の修理データを用いて作成された故障予兆モデルを用いて前記第１の製品群の故障予兆モデルを学習させる手順と、前記故障予兆モデルを用いて前記第１の製品群には含まれない第２の製品群の稼動データの評価を行わせる手順と、
を実行させることを特徴とする評価プログラムが提供される。

また、他の実施形態によれば、上記評価プログラムを記録したコンピュータ読み取り可能な記録媒体が提供される。

第１実施形態に係る評価装置のブロック図。 第１実施形態に係る評価装置の構成図。 第２実施形態に係る評価装置のブロック図。 第２実施形態に係る評価装置の部分構成図。 第２実施形態に係る秘匿計算のブロック図。 第２実施形態に係る秘匿計算のフロー図。 第３実施形態に係る評価装置のブロック図。 第３実施形態に係る学習方法のブロック図。 第３実施形態に係る学習方法のフロー図。 第３実施形態に係る評価装置の部分構成図。 第３実施形態の変形例に係る評価装置のブロック図。 第３実施形態の変形例に係るラベル付与のフロー図。 第３実施形態の変形例に係る学習方法のフロー図。 第３実施形態の変形例に係る評価装置の部分構成図。 第４実施形態に係る評価装置の構成図。 第４実施形態の変形例に係る評価装置の構成図。 第１の稼動データの例を示す概念図。 第１の修理データの例を示す概念図。 ラベル付与に関する概念図。 観測した稼働データ数の例を示す概念図。 図１７の稼働データに対する荷重値の例を示す概念図。 連続値における初期モデル設定処理部の説明図。 離散値における初期モデル設定処理部の説明図。

以下、実施の形態について、図面を参照して説明する。

（第１実施形態）
第１実施形態として評価装置を図１〜２を用いて説明する。

図１は第１実施形態に係る評価装置１００を示すブロック図である。

第１実施形態に係る評価装置１００は、第１の製品群１０１から得られる第１の稼動データ、第１の製品群１０１から得られる第１の修理データを用いて第１の製品群１０１の第１の故障予兆モデルを学習する第１のモデル学習部１１と、第１の故障予兆モデルを用いて第２の製品群１０２から得られる第２の稼動データの評価を行う評価算出部５１と、を備える。なお、ここで第２の稼動データは、例えば、特定組織内で稼動している製品の稼働データを用いることができる。使用環境や条件によっては、サービス提供事業者はこの第２の稼動データを見ることができない場合がある。

（故障予兆モデル学習部）
第１のモデル学習部（故障予兆モデル学習部）１１では、第１の製品群１０１から得られる第１の稼動データ、第１の製品群１０１から得られる第１の修理データ、を用いて作成される第１の故障予兆モデルを用いて、第１の製品群１０１の故障予兆モデルを学習する。

第１の製品群１０１は、第２の製品群１０２には含まれない、製品群を意味する。ここで第２の製品群１０２とは、例えば企業や役所など、第１実施形態に係る評価装置により評価したい組織（以下、特定組織という場合がある）が有する製品を意味する。これに対し、第１の製品群１０１とは、第１実施形態の評価装置により評価したい組織が有する複数の製品を含まない製品を意味する。

すなわち、第１の稼動データとして、特定組織を含まない、多くの一般ユーザの製品の稼働データが例示される。第１の稼働データは観測時刻と観測値からなるデータであり、製品一台ごとに記憶される。この第１の稼動データの例を図１７に示す。

（故障予兆モデル記憶部）
第１実施形態に係る評価装置１００は、第１の記憶部（故障予兆モデル記憶部）２１を有してもよい。第１の記憶部２３は、第１の学習部１１で学習した第１の故障予兆モデルのパラメータを記憶する。

（評価算出部）
評価算出部５１は、第１のモデル学習部１１が学習した第１の故障予兆モデルを用いて、第２の稼動データの評価を行う。第２の稼動データは第２の製品群から得られる。具体的には事前に構築した第１の故障予兆モデルに対して、故障予兆評価の対象である製品の第２の稼働データを入力し、故障予兆の有無や故障確率を出力として得る。言い換えれば、ある機器の稼働データを用いて、その機器の故障予兆の評価（故障するかしないか、故障確率はどれくらいか）を行う。第１の故障予兆モデルとしては後述するブースティングモデルやナイーブベイズモデルが適用できる。

第１実施形態に係る評価装置１００は、評価した結果（評価値）を記憶する第４の記憶部（評価値記憶部）６１を有してもよい。

（予兆発生時稼動データ評価結果送信部）
第１実施形態に係る評価装置１００は、第１の送受信部（稼働データ評価結果受信部）１２、第２の送受信部（予兆発生時稼働データ評価結果送信部）５３、出力部１４を有してもよい。

第２の送受信部５３は、評価算出部５１により故障予兆の有無を判定した結果を第１の送受信部１２に送信する。

（稼動データ記憶部、修理データ記憶部）
第１実施形態に係る評価装置１００は、第２の記憶部（稼動データ記憶部）２２、第３の記憶部（修理データ記憶部）２３を有してもよい。第２の記憶部（稼動データ記憶部）２２、第３の記憶部（修理データ記憶部）２３は第１の学習部（故障予兆モデル学習部）１１に接続している。第１の製品群１０１から得られる第１の稼動データは第２の記憶部（稼動データ記憶部）２２に記憶される。第１の製品群１０１から得られる第１の修理データは修理センターで修理された部品が登録され、修理データとして第３の記憶部２３に記憶される。第１の修理データの例を図１８に示す。

第１の稼動データ、第１の修理データはそれぞれ第１の製品群１０１に接続された第１のデータ収集部（データ収集部）１３に収集され、それぞれ第２の記憶部（稼動データ記憶部）２２、第３の記憶部（修理データ記憶部）２３に記憶されてもよい。

（稼動データ収集部）
第１実施形態に係る評価装置１００は第２の製品群１０２から得られる第２の稼動データを収集する、第２のデータ収集部（稼動データ収集部）５２を有しても良い。これら第２の製品群に含まれる製品は、例えば特定組織内のＬＡＮなどによりネットワークを介して第２のデータ収集部５２に接続され、モニタリングされている場合が例示される。

（稼動データ記憶部）
第１実施形態に係る評価装置１００は第５の記憶部（特定組織稼働データ記憶部）６２を有してもよい。第５の記憶部６２は第２のデータ収集部（稼動データ収集部）５２が収集した第２の稼動データを記憶する。

（評価装置の構成）
第１実施形態に係る評価装置１００の構成を図２に示す。

第１の学習部１１、評価算出部５１、第１のデータ収集部１３、第２のデータ収集部５２には中央演算装置（ＣＰＵ）を用いることができる。

第１の記憶部２１、第２の記憶部２２、第３の記憶部２３、第４の記憶部６１、第５の記憶部６２にはＨＤＤ、ＮＡＮＤ型フラッシュメモリーなどの汎用の記録媒体を用いることができる。

第１の送受信部１２、第２の送受信部５３にはデータを有線または無線でやりとりする、ネット端末等を用いることができる。出力部１４は評価結果を人間に知覚させるための装置を適用できる。この例としてディスプレイやプリンター等が挙げられる。

第１の学習部１１、第１の送受信１２、第１のデータ収集部１３、出力部１４、第１〜３の記憶部２１〜２３は相互にデータのやり取りが出来るように信号線Ｌ１で接続されている。

評価算出部５１、第２のデータ収集部５２、第２の送受信部５３、第４の記憶部６１、第５の記憶部６２は相互にデータのやり取りが出来るように信号線Ｌ２で接続されている。

なお、図１において、破線Ａで囲われている範囲の構成要素はサービス提供事業者が使用する第１の評価ユニット、破線Ｂで囲われている範囲は特定組織が使用する第２の評価ユニットとすることができる。

（第１実施形態に係る効果）
第１実施形態に係る評価装置１００は、評価のサービスを提供するサービス提供事業者がＡの部分を、特定組織がＢの部分を有することにより、特定組織は稼働データ（第１の稼動データ）を特定組織外に提供することがなく、保守メンテナンスのサービスを受けることができるため、セキュリティや情報漏洩の面で利点がある。また、サービス提供事業者にとっては、故障予兆モデルを他社に提供する必要が無く、データ収集時の負荷やコストの削減できる利点がある。

（第２実施形態）
第２実施形態として評価装置２００を図３〜６を用いて説明する。

図３は第２実施形態に係る評価装置２００の構成を示すブロック図である。

第２実施形態に係る評価装置２００は、第１実施形態に係る評価装置１００と比較し、
第１の故障予兆モデルの有するパラメータを暗号化する暗号化部１５と、乱数を発生させる乱数発生部５５と、第２の稼動データ及び暗号化部１５でパラメータが暗号化された第１の故障予兆モデルを用いて第２の稼働データに対して演算を行い、この演算の結果に乱数発生部５５で発生させた乱数を加算する暗号演算部５４と、暗号演算部５４により演算された結果を復号化する復号化部１６と、を有する点、及び評価算出部５１は復号化された情報から先に加算した乱数を減算する点、が異なる。

（公開鍵作成部、秘密鍵作成部）
第２実施形態に係る評価装置２００は、公開鍵生成部３１、秘密鍵生成部３２を有してもよい。公開鍵生成部３１は公開鍵pkを生成する。秘密鍵生成部３２は秘密鍵prを生成する。ここで、公開鍵暗号とは対になる２つの鍵（公開鍵pk、秘密鍵pr）を使ってデータの暗号化・復号化を行なう暗号方式である。公開鍵暗号では暗号化に使う鍵と復号化に使う鍵が分離されており、暗号化に使った鍵で復号化を行なうことはできず、片方からもう一方を割り出すことも容易にはできないようになっている。鍵の持ち主は復号化に使う鍵のみを他人に知られないように管理し、暗号化に使う鍵は公開する。このため、暗号化に使う鍵は公開鍵、復号化に使う鍵は秘密鍵と呼ばれる。それぞれの鍵の生成方法は次の通りである。公開鍵暗号を実装するための具体的な暗号方式はいくつかの方式が提案されていて、巨大な整数の素因数分解の困難さを利用したRSA暗号、離散対数問題の解の困難さを利用したElGamal暗号、楕円曲線上の離散対数問題を利用した楕円曲線暗号などがある。

生成された公開鍵pkは暗号演算部５４に送られる。生成された秘密鍵prは復号化部１６に送られる。

（公開鍵記憶部、秘密鍵記憶部）
また、第２実施形態に係る評価装置２００は、第６の記憶部（公開鍵記憶部）４１、第７の記憶部（秘密鍵生成部）４２を有してもよい。第６の記憶部４１は公開鍵生成部３１で生成された公開鍵公開鍵pkを記憶する。第７の記憶部４２は秘密鍵生成部３２で生成された公開鍵公開鍵pkを記憶する。

（故障予兆モデルパラメータ暗号化部）
暗号化部１５は、第１の学習部１１が学習した第１の故障予兆モデルのパラメータを、準同型性公開鍵暗号と公開鍵を用いて暗号化する。暗号化されたパラメータは暗号演算部（稼動データ暗号演算部）５４に送られる。

（暗号化済故障予兆モデル記憶部）
第２実施形態は、暗号化されたパラメータを記憶する第８の記憶部（暗号化済故障予兆モデル記憶部）６３を有しても良い。

（乱数発生部、乱数記憶部）
乱数発生部５５は乱数を発生させる。第２実施形態に係る評価装置２００は、発生した乱数を記憶する第９の記憶部（乱数記憶部）６４を有してもよい。

（稼動データ暗号演算部）
暗号演算部（稼働データ暗号演算部）５４は、以下の（ａ）〜（ｄ）を用いて演算を行う。具体的な演算について後述するが、このとき、準同型性公開鍵暗号を用いることによって暗号文のままで行われる演算によって得られた値は、暗号化されている。

（ａ）暗号化部１５で暗号化されたパラメータ
（ｂ）第２の稼働データ
（ｃ）公開鍵生成部３１により生成した公開鍵
（ｄ）乱数発生部５５により発生した乱数
（復号化部）
復号化部１６は、暗号演算部５４で演算された結果を秘密鍵を用いて復号化する。なお、復号化部１６にて得られる結果には、乱数発生部５５で発生させた乱数が加えられている。

（評価算出部）
評価算出部５１は復号化部１６で復号化された結果から乱数を減算する。これにより、第２の稼働データの評価結果を得ることができる。この評価結果は第４の記憶部（評価値記憶部）６２に記憶してもよい。

（評価装置の構成）
第２実施形態に係る評価装置２００の構成を図４に示す。図４では第１実施形態に係る評価装置１００と相違する構成要素について主に示している。

暗号化部１５、復号化部１６、公開鍵生成部３１、秘密鍵生成部３２、乱数発生部５５、暗号演算部５４には中央演算装置（ＣＰＵ）を用いることができる。

第６の記憶部４１、第７の記憶部４２、第８の記憶部６３、第９の記憶部６４にはＨＤＤ、ＮＡＮＤ型フラッシュメモリーなどの汎用の記録媒体を用いることができる。

暗号化部１５、復号化部１６、公開鍵生成部３１、秘密鍵生成部３２、第６の記憶部４１、第７の記憶部４２は相互にデータのやり取りが出来るように信号線Ｌ１で接続されている。乱数発生部５５、暗号演算部５４、第８の記憶部６３、第９の記憶部６４は相互にデータのやり取りが出来るように信号線Ｌ２で接続されている。

なお、図３において、破線Ａで囲われている範囲の構成要素はサービス提供事業者が使用する第１の評価ユニット、破線Ｂで囲われている範囲は特定組織が使用する第２の評価ユニットとすることができる。

（秘匿計算の方法）
暗号化及び復号化に係る秘匿計算の詳細を図５に示す。また、図６に秘匿計算のフローチャートを示す。ここでは、多項式演算の例について説明する。このときのフローは以下のようになる。

ここで述べた多項式演算の場合の秘匿計算方法は、Naor,Benny,1999、Oblivious transfer and polynomial evaluation に述べられている。

（第２実施形態に係る効果）
一般に、各企業内または組織内で稼働データの評価を行うためには、故障予兆モデル（プログラム）を外部の第三者に提供（公開）しなくてはならない。これに対し、第２実施形態に係る評価装置２００は、評価のサービスを提供するサービス提供事業者がＡの部分を、特定組織がＢの部分を有することにより、サービス提供事業者にとっては、故障予兆モデルを他社に提供／顧客企業に公開する必要が無い。これは、故障予兆モデルのパラメータが暗号化されているためである。また、稼動データに対する演算結果を送信する際は、暗号化・乱数加算されているのでセキュリティ上の問題がない。すなわち、サービス提供事業者は故障予兆モデルを特定組織に公開することなく、サービスを提供することができ、特定組織はモニタリングデータ（第１の稼動データ）をサービス提供事業者に公開することなく、稼働データの評価を行える、という利点がある。

（第３実施形態）
第３実施形態として評価装置を図７〜１０を用いて説明する。

第３実施形態に係る評価装置３００は、第２の製品群の第２の修理データ、及び第２の製品群に含まれる製品であって過去に修理されたことのある製品の第３の稼動データを更に用いて第２の故障予兆モデルを学習する第２のモデル学習部を有する点が第１及び第２実施形態と異なる。ここで、第３の稼動データには、例えば、サービス提供事業者が修理センターで修理品から抽出した、修理発生以前の過去の稼働データを用いることができる。

図７は第３実施形態に係る評価装置の構成を示すブロック図である。

なお、図７において、図３にて示した公開鍵生成部３１、秘密鍵生成部３２、第６の記憶部４１、第７の記憶部４２は省略している。

第３実施形態は第１のモデル学習部に加え、第２のモデル学習部を有する。第１のモデル学習部１１は、第１の荷重設定部（稼働データ荷重値設定処理部）１１−１とモデル設定部とを有する。第２のモデル学習部１７は、第２の荷重設定部（稼働データ荷重値設定処理部）１７−１とモデル更新部１７−２を有する。

（特定組織向け故障予兆モデル学習部）
第２のモデル学習部（特定組織向け故障予兆モデル学習部）１７は、第２の製品群の第２の稼働データ、第２の製品群の第２の修理データを用いて、故障予兆モデルを第２の製品群に含まれる製品の特性に合わせて修正したパラメータを学習する。第２のモデル学習部１７の詳細について説明する。

（稼動データ荷重値設定処理部）
第１及び第２の荷重設定部（稼働データ荷重値設定処理部）１１−１、１７−１は、第１または第２の稼働データの観測数に応じて、各観測データに対して荷重値を設定する。故障予兆モデルを構築する際に用いるデータのうち、故障製品の一台の稼働期間が非常に長く、他の故障製品の稼働時間が非常に短いとき、構築されるモデルは、稼働データの観測数が多い一台の故障製品に対して偏ったモデルになってしまう。このような場合であっても、稼働データの観測数が多い製品、すなわち、長期間稼働した製品に偏ったモデルが構築されないようにしたいからである。

図２０は観測した稼働データ数の例を示したものである。図２１はこのときの各製品の稼働データに対する荷重値を示したものである。荷重値は以下の式で計算される。

図２０の製品１の例では、全製品の稼働データ観測数＝1000、製品１の稼働データ観測数＝80である。

第３実施形態の１つとして、ブースティング学習をモデル学習に用いることができる。図８にブースティング学習をモデル学習に用いた場合のブロック図を示す。

ブースティング学習を用いるとき、第２のモデル学習部（特定組織向け故障予兆モデル学習部）１７では、第１の故障予兆モデルで第２の稼動データの故障予兆を判定し、予兆が誤りとなる場合（すなわち、予兆発生後に故障が発生しない場合）の第２の稼動データに重みを付けを行った上で、第１の故障予兆モデルを修正するパラメータを学習する。すなわち、第１の故障予兆モデルを特定組織向けの第２の故障予兆モデルに補正する。

ここでは、ブースティング学習のアルゴリズムとしてAdaboostの場合について説明する。図９にフローを示す。まず、第１の故障予兆モデルによって第２の稼動データの評価を行い、それに基づく荷重値を算出する。なお、第１の故障予兆モデルを

と表現しているが、1は故障、-1は非故障を意味している。第１の故障予兆モデルの構築手順はここでは省略するが、任意の判別モデルで良い。

上記のように第１の故障予兆モデルで誤りとなる第２の稼動データに重みを付けた上で、次に、第２の故障予兆モデルを学習する。なお、第２の学習部１７での学習には第３の稼動データ、第２の修理データのみを用いる。例えば、下記［数５］に示す弱学習モデルには、深さ１の決定木などを用いることができる。

（特定組織修理データ記憶部）
第３実施形態に係る評価装置３００は、第１１の記憶部（特定組織修理データ記憶部）２４を有してもよい。第１１の記憶部２４は、第２の製品群に含まれる製品が修理センターで修理されたときの修理部品を記憶する（図１８）。

（特定組織修理製品稼働データ記憶部）
第３実施形態に係る評価装置３００は、第１２の記憶部（特定組織修理製品稼働データ記憶部）２５を有してもよい。第１２の記憶部２５は、第２の製品群に含まれる製品の第３の稼働データを記憶する（図１７）。

（特定組織向け出荷データ記憶部）
第３実施形態に係る評価装置３００は、第１３の記憶部（特定組織向け出荷データ記憶部）２６を有してもよい。第１３の記憶部２６は、第２の製品群に含まれる製品の出荷データを記憶する。

（特定組織向け故障予兆モデル記憶部）
第３実施形態に係る評価装置３００は、第１４の記憶部（特定組織向け故障予兆モデル記憶部）２７を有してもよい。第１４の記憶部２７は、第２の学習部１７で学習した、第２の故障予兆モデルのパラメータを記憶する。

（評価装置の構成）
第３実施形態に係る評価装置３００の構成を図１０に示す。図１０では第２実施形態に係る評価装置２００と相違する構成要素について主に示している。

第２のモデル学習部１７には中央演算装置（ＣＰＵ）を用いることができる。

第１１の記憶部２４、第１２の記憶部２５、第１３の記憶部２６にはＨＤＤ、ＮＡＮＤ型フラッシュメモリーなどの汎用の記録媒体を用いることができる。

第２のモデル学習部１７、第１１の記憶部２４、第１２の記憶部２５、第１３の記憶部２６は相互にデータのやり取りが出来るように信号線Ｌ１で接続されている。

なお、図７において、破線Ａで囲われている範囲の構成要素はサービス提供事業者が使用する第１の評価ユニット、破線Ｂで囲われている範囲は特定組織が使用する第２の評価ユニットとすることができる。

（第３実施形態に係る効果）
第３実施形態に係る評価装置３００では、サービス提供事業者は、特定組織対し、当該特定組織向けに、カスタマイズされたサービスを提供できる。このカスタマイズされたサービスでは、第１実施形態、第２実施形態に比較して、精度の高い予兆モデルに基づく保守サービスを提供できるという利点を有する。

（第３実施形態の変形例）
第３実施形態の変形例は、第３実施形態と比較して、第２の学習部１７の学習方法が異なる。具体的には、第２のモデル学習部１７として、ナイーブベイズ学習を用いる点が異なる。図１１にブロック図を示す。

第１の稼動データ、第１の故障データに基づいて、故障製品・非故障製品のそれぞれに対して、第１の稼働データの各項目の分布を学習し、事前分布に設定する。その際に、故障製品の分布と、非故障製品の分布の２種類を求める。

図２２、図２３は、第１の製品群のデータ（第１の稼動データ、第１の修理データ）を用いて、第１の故障予兆モデルを構築する第１のモデル学習部（故障予兆モデル学習部）１１の説明図である。ラベル生成処理部１１−３は、稼働データ記憶部２２に記憶された第１の稼働データと修理データ記憶部２３に記憶された第１の修理データを用いて、稼働データ記憶部２２に記憶された第１の稼働データの各観測時点に対して、故障ラベル、非故障ラベルのいずれかのラベルを付与する。稼働データ確率分布学習部１１−４は、故障ラベル、非故障ラベルが付与された第１の稼働データのそれぞれについて、第１の稼働データの各項目（例：温度、加速度、電流など）の取る値の分布を第１の稼働データの観測項目ごとに求める。図１２は、第１の稼働データの各観測時点に対して故障・非故障のラベル付与を行うフローである。まず、第１の稼働データの観測から指定期間以内に故障が発生していれば故障ラベルを付与し、第１の稼働データの観測から指定期間以内に故障が発生していなければ非故障ラベルを付与する。図１９にラベル付与に関する説明図を示す。図１９の例では、上記の指定期間を３０日としている。すなわち、稼働データ観測から３０日以内に故障が起こった稼働データに対して、「故障」ラベルを付与する。図１９では記号「◆」が故障発生を意味する。図１９の例では、第１の製品群に含まれる製品１ではすべての観測日の稼働データに対して、「故障」ラベルが付与される。また、第１の製品群に含まれる製品２の故障発生日を含め３０日以内の期間の稼働データについては、「故障」ラベルが付与される。一方、製品２のうち故障から３０日より前の観測日の稼働データについては、「非故障」ラベルが付与される。故障製品の分布を求める際には、モデル構築に用いるデータのうち、全ての故障製品の全ての観測時刻での第１の稼働データを用いる。非故障製品の分布を求める際も同様である。

図２２の例のように、連続値を取る項目の場合は、値を区分してヒストグラムを求めても良いし、正規分布のようなパラメトリックな分布を適用しても良い。一方、図２３のような離散値を取る項目の場合は、ヒストグラムの適用が適している。

ここで、稼働データの各項目の値別の出現頻度をカウントする際に、稼働データの分布は「稼働データ荷重値設定処理部」１７−１で算出した荷重値を用いて頻度をカウントする。そして、全区間で積分して１になるように規準化した頻度分布を求める。

以下にアルゴリズムを説明する。用いる記号は以下である。

次に、第２のモデル学習部（特定組織向け故障予兆モデル学習部）１７では、ベイズの定理に従って、第１の故障予兆モデルの分布パラメータを更新する。

第２のモデル学習部１７で求める故障予兆モデルのパラメータは、第２の稼働データの各項目についてそれぞれ独立に求める。第１４の記憶部（特定組織向け故障予兆モデル記憶部）２７では、それらのパラメータを記憶する。

本変形例ではナイーブベイズ判別を用いた判別を行い、評価対象の第２の稼働データが、故障・非故障のどちらの分布に近いかを求める。ここで、各稼働データの項目が独立であると仮定する。すなわち、

とする。なお、Dは観測データの項目数であり、

である。このとき、あるｊ番目の観測点での第２の稼働データの故障・非故障の判別結果は、

である。

図１３はナイーブベイズによる学習のフローを示したものである。

（第３実施形態の変形例に係る効果）
本実施例で得られるモデルは、稼働データの値の分布を見て、製品が故障に近いことを警告することに活用できる。従って、時系列稼働データの「値」の監視に使える。その際、値の時間変化に関する情報は用いていないが、時系列データの監視で広く用いられている上限値、下限値といった閾値との比較による監視よりは、高度の監視が可能である。

（第４実施形態）
第４実施形態として、サービス提供事業者を別企業にした場合が考えられる（図１５）。

図１５と図１の差異は、復号化部１６と第１の送受信部１２を、モデル提供事業者とは別のサービス提供事業者に設けている点である。一方、暗号化済みの第２の故障予兆モデルを特定組織に渡す点は図１と同じである。

図１５において、破線Ａ、Ｂ、Ｃで囲われている領域がそれぞれモデル提供事業者、特定組織、サービス提供事業者に対応する。

これにより、モデル提供事業者Ａはモデルの内容を特定組織Ｂ、サービス提供事業者Ｃに知られることなく、また、特定組織Ｂはモニタリングデータの内容をモデル提供事業者Ａ、サービス提供事業者Ｃに知られることなく、サービス提供事業者Ｃは特定組織Ｂに対して保守メンテナンス等のサービスを提供することができる。

（第４実施形態の変形例）
サービス提供事業者を別企業にした、別の形態が考えられる（図１６）。図１６と図１の差異は、第８の記憶部６３と第１の送受信部１２を、モデル提供事業者とは別のサービス提供事業者に設けている点である。一方、復号化部１６をモデル提供事業者が持つ点は図１と同じである。

図１６において、破線Ａ、Ｂ、Ｃで囲われている領域がそれぞれモデル提供事業者、特定組織、サービス提供事業者に対応する。

これにより、モデル提供事業者Ａはモデルの内容を特定組織Ｂ、サービス提供事業者Ｃに知られることなく、また、特定組織Ｂはモニタリングデータの内容をモデル提供事業者Ａ、サービス提供事業者Ｃに知られることなく、サービス提供事業者Ｃは特定組織Ｂに対して保守メンテナンス等のサービスを提供することができる。

これまで説明した各実施形態に記載されている方法の各ステップは、コンピュータにこれらのステップを実行させるプログラムとすることが可能である。また、これらのプログラムはコンピュータに読み取り可能な記録媒体に記録することが可能である。

これら実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、様々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同時に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。

１１ ・・・ 第１の学習部（故障予兆モデル学習部）
１２ ・・・ 第１の送受信部
１３ ・・・ 第１のデータ収集部（データ収集部）
１５ ・・・ 暗号化部（故障予兆モデルパラメータ暗号化部）
１６ ・・・ 複合化部
２１ ・・・ 第１の記憶部（故障予兆モデル記憶部）
２２ ・・・ 第２の記憶部（第１の稼動データ記憶部）
２３ ・・・ 第３の記憶部（第１の修理データ記憶部）
２４ ・・・ 第１１の記憶部（特定組織修理データ記憶部）
２５ ・・・ 第１２の記憶部（特定組織修理製品稼働データ記憶部）
２６ ・・・ 第１３の記憶部（特定組織向け出荷データ記憶部）
２７ ・・・ 第１４の記憶部（特定組織向け故障予兆モデル記憶部）
３１ ・・・ 公開鍵生成部
３２ ・・・ 秘密鍵生成部
４１ ・・・ 第６の記憶部（公開鍵記憶部）
４２ ・・・ 第７の記憶部（秘密鍵記憶部）
５１ ・・・ 評価算出部（稼動データ評価値算出部）
５２ ・・・ 第２のデータ収集部（稼動データ収集部）
５３ ・・・ 第２の送受信部
５４ ・・・ 暗号演算部（稼動データ暗号演算部）
５５ ・・・ 乱数発生部
６１ ・・・ 第４の記憶部（評価値記憶部）
６２ ・・・ 第５の記憶部（特定組織稼動データ記憶部）
６３ ・・・ 第８の記憶部（暗号化済故障予兆モデル記憶部）
６４ ・・・ 第９の記憶部（乱数記憶部）
１００、２００、３００ ・・・ 評価装置
１０１ ・・・ 第１の製品群
１０２ ・・・ 第２の製品群

本実施形態によれば、中央演算装置を備える評価装置であって、第１の中央演算装置が
、第１の製品群の観測値を含む第１の稼働データと、前記第１の製品群のうち故障した製
品情報を含む第１の修理データとを用いて、前記観測値を故障または非故障に分類する第
１のパラメータを有する第１の故障予兆モデルを構築し、前記第１のパラメータを更新す
ることで、第２のパラメータを有する第２の故障予兆モデルを学習する第１のモデル学習
部と、第２の中央演算装置が、前記第２の故障予兆モデルと、前記第１の製品群には含ま
れない第２の製品群から得られる第２の稼働データとを用いて、前記第２の製品群の故障
予兆の有無または故障確率を算出する評価算出部と、を備えることを特徴とする評価装置
が提供される。

他の実施形態によれば、中央演算装置を備え、第１の製品群の故障予兆モデルを学習し
、前記故障予兆モデルを用いて前記第１の製品群には含まれない第２の製品群から得られ
る第２の稼動データの評価を行う評価装置に用いられる評価ユニットであって、前記評価
ユニットは、前記中央演算装置が、前記第１の製品群の観測値を含む第１の稼動データ、
及び前記第１の製品群のうち故障した製品情報を含む第１の修理データを用いて構築され
た、前記観測値を故障または非故障に分類するパラメータを有する第１の故障予兆モデル
を用いて、前記パラメータを更新することで第２の故障予兆モデルを学習する第１のモデ
ル学習部を備えることを特徴とする評価ユニットが提供される。

他の実施形態によれば、中央演算装置を備え、第１の製品群の故障予兆モデルを学習し
、前記故障予兆モデルを用いて前記第１の製品群には含まれない第２の製品群から得られ
る第２の稼動データの評価を行う評価装置に用いられる評価ユニットであって、前記評価
ユニットは、前記中央演算装置が、前記故障予兆モデルを用いて前記第２の製品群の故障
予兆の有無または故障確率を算出する評価算出部を備えることを特徴とする評価ユニット
が提供される。

他の実施形態によれば、第１の中央演算装置が、第１の製品群の観測値を含む第１の稼
働データと、前記第１の製品群のうち故障した製品情報を含む第１の修理データとを用い
て、前記観測値を故障または非故障に分類する第１のパラメータを有する第１の故障予兆
モデルを構築し、前記第１のパラメータを更新することで、第２のパラメータを有する第
２の故障予兆モデルを学習するステップと、第２の中央演算装置が、前記第２の故障予兆
モデルと、前記第１の製品群には含まれない第２の製品群の第２の稼動データとを用いて
、前記第２の製品群の故障予兆の有無または故障確率を算出するステップと、を備えるこ
とを特徴とする評価方法が提供される。

他の実施形態によれば、コンピュータに、第１の中央演算装置が、第１の製品群の観測
値を含む第１の稼働データと、前記第１の製品群のうち故障した製品情報を含む第１の修
理データとを用いて、前記観測値を故障または非故障に分類する第１のパラメータを有す
る第１の故障予兆モデルを構築し、前記第１のパラメータを更新することで、第２のパラ
メータを有する第２の故障予兆モデルを学習する手順と、第２の中央演算装置が、前記第
２の故障予兆モデルと、前記第１の製品群には含まれない第２の製品群から得られる第２
の稼働データとを用いて、前記第２の製品群の故障予兆の有無または故障確率を算出する
手順と、を実行させることを特徴とする評価プログラムが提供される。

本発明の実施形態は、製品稼動状況の評価装置に係る。

以下に示す実施形態では、十分なデータを収集できない場合においても、稼動データに
基づいた保守サービスの提供が可能となる、評価装置を提供することを目的とする。

本実施形態によれば、中央演算装置を備える評価装置であって、第１の中央演算装置が
、第１の製品群の観測値を含む第１の稼働データと、前記第１の製品群のうち故障した製
品情報を含む第１の修理データとを用いて、前記観測値を故障または非故障に分類する第
１の故障予兆モデルの第１のパラメータを更新し、更新後の第１のパラメータを第２のパ
ラメータとして有する第２の故障予兆モデルを得る第１のモデル学習部と、第２の中央演
算装置が、前記第１の製品群には含まれない第２の製品群のうち故障した製品情報を含む
第２の修理データ、及び前記第２の製品群に含まれる製品であって過去に修理されたこと
のある製品の観測値を含む第３の稼動データを更に用いて、前記第２の故障予兆モデルの
前記第２のパラメータを更新し、更新後の第２のパラメータを第３のパラメータとして有
する第３の故障予兆モデルを得る第２のモデル学習部と、第３の中央演算装置が、前記第
３の故障予兆モデルと、前記第２の製品群の観測値を含む第２の稼働データとを用いて、
前記第２の製品群の故障予兆の有無または故障確率を算出する評価算出部と、を備えるこ
とを特徴とする評価装置が提供される。

次に、第２のモデル学習部（特定組織向け故障予兆モデル学習部）１７では、ベイズの
定理に従って、第１の故障予兆モデルの分布パラメータを更新する。

ここで、D_oldは第１の製品群のデータ（第１の稼動データ、第１の修理データ）、D_new
は第２の製品群のデータ（第３の稼動データ、第２の修理データ）である。稼動データ確
率分布更新部１７−３は、第２の製品群のデータ（第３の稼動データ、第２の修理データ
）を用いて第１の製品群の第１の故障予兆モデル（確率分布のパラメータ）を更新する。

Claims (10)

1. 第１の製品群から得られる第１の稼動データ、前記第１の製品群から得られる第１の修理データを用いて前記第１の製品群の第１の故障予兆モデルを学習する第１のモデル学習部と、
   前記故障予兆モデルを用いて前記第１の製品群には含まれない第２の製品群から得られる第２の稼動データの評価を行う評価算出部と、
   を備えることを特徴とする評価装置。
2. 乱数を発生させる乱数発生部と、
   前記故障予兆モデルの有するパラメータを暗号化する暗号化部と、
   前記第２の稼動データ及び前記暗号化部でパラメータが暗号化された前記第１の故障予兆モデルを用いて前記第２の稼働データに対して演算を行い、この演算の結果に前記乱数発生部で発生させた乱数を加算する暗号演算部と、
   前記暗号演算部により演算された結果を復号化する復号化部と、
   を有し、
   前記評価値算出部は前記復号化された情報から前記乱数を減算することを特徴とする請求項１に記載の評価装置。
3. 前記第２の製品群の第２の修理データ、及び前記第２の製品群に含まれる製品であって過去に修理されたことのある製品の第３の稼動データを更に用いて第２の故障予兆モデルを学習する第２のモデル学習部と、
   を備えることを特徴とする請求項１または２に記載の評価装置。
4. 前記評価算出部により算出された結果を送信する送信部と、
   前記送信部から送信された結果を受信する受信部と、
   を更に有することを特徴とする請求項1乃至３のいずれか１項に記載の評価装置。
5. 前記評価算出部により算出された評価結果を表示する出力部と、
   を更に有することと特徴とする請求項１乃至４のいずれか１項に記載の評価装置。
6. 第１の製品群の故障予兆モデルを学習し、前記故障予兆モデルを用いて前記第１の製品群には含まれない第２の製品群から得られる第２の稼動データの評価を行う評価装置に用いられる評価ユニットであって、
   前記評価ユニットは、前記第１の製品群から得られる第１の稼動データ、及び前記第１の製品群から得られる第１の修理データを用いて作成された故障予兆モデルを用いて、前記第１の製品群の故障予兆モデルを学習する第１のモデル学習部
   を備えることを特徴とする評価ユニット。
7. 第１の製品群の故障予兆モデルを学習し、前記故障予兆モデルを用いて前記第１の製品群には含まれない第２の製品群から得られる第２の稼動データの評価を行う評価装置に用いられる評価ユニットであって、
   前記故障予兆モデルを用いて前記第２の稼動データの評価を行う評価算出部
   を備えることを特徴とする評価ユニット。
8. 第１の製品群から得られる第１の稼動データ、前記第１の製品群から得られる第１の修理データを用いて作成された故障予兆モデルを用いて前記第１の製品群の故障予兆モデルを学習するステップと、
   前記故障予兆モデルを用いて前記第１の製品群には含まれない第２の製品群の第２の稼動データの評価を行うステップと、
   を備えることを特徴とする評価方法。
9. コンピュータに、
   第１の製品群から得られる第１の稼動データ、前記第１の製品群から得られる第１の修理データを用いて作成された故障予兆モデルを用いて前記第１の製品群の故障予兆モデルを学習させる手順と、
   前記故障予兆モデルを用いて前記第１の製品群には含まれない第２の製品群の稼動データの評価を行わせる手順と、
   を実行させることを特徴とする評価プログラム。
10. 請求項９に記載の評価プログラムを記録したコンピュータ読み取り可能な記録媒体。

Images