JP2016021241A - 製品の予想故障数の計算に基づく保証費推定 - Google Patents

Abstract

【課題】複数の部分を有する製品の予想故障数の計算と、計算された製品の予想故障数に基づく保証費推定と、を提供する。
【解決手段】各部品が第１の所定期間内又は後に故障するサイクル数を示す部品故障データが決定される３０２。センサデータ及びサービス記録データが取得されて、ＤＴＣ発生データ及びＤＴＣ観測データが決定される。ＤＴＣ発生データ及びＤＴＣ観測データはそれぞれ、各部品に関連付けられた各ＤＴＣが、第１の所定期間内に初めて発生し観測されるサイクル数を示す３０４、３０６。部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の依存関係パラメータが、データ間の確率的な関係を表すベイジアンネットワークに基づいて特定される３０８。第２の所定期間内の製品の故障数が、保証費を推定するために、依存関係パラメータに基づいて計算される３１０。
【選択図】図３

Description

[0001] 本出願は、２０１４年７月１５日に出願されたインド仮特許出願第２３１１／ＭＵＭ／２０１４号への優先権を主張し、その全体が参照により本明細書に組み込まれている。

[0002] 本出願はまた、２０１４年１１月１２日に提出された、インド仮特許出願第２３１１／ＭＵＭ／２０１４号の後の完全明細書からの利益を主張し、その全体が参照により本明細書に組み込まれている。

[0003] 本主題は、一般的には、複数の部分を有する製品の予想故障数の計算と、計算された製品の予想故障数に基づく保証費推定とに関し、具体的には、排他的にではないが、ベイジアンネットワークを用いた保証費推定に関する。

[0004] 近年、消費者が製品を購入する際、製品の製造業者は通常、指定期間内に製品が故障した場合に、消費者に払い戻すか又は製品を交換することに同意する。例えば、製造業者は、製品の購入日から特定の期間内に製品が故障した場合、消費者に払い戻すか又は製品を交換する義務がある場合がある。そのような同意又は取り決めは保証と呼ばれる。組織又は製品の製造業者は一般的に、製品に関連する保証費の正確な推定を保証するために、資源を投資する。

[0005] 一般的に、複数部品製品を製造する企業は、年間予算を編成するために、製品に関連する保証費を推定する。しかしながら、保証費に影響する様々な要因が存在するので、保証費を推定するタスクは複雑である。保証費の誤った推定は、保証費の過小評価及び過大評価につながることがある。

[0006] 保証費は一般的には、保証可能製品の数、製品の予想故障数又は故障率、及び故障単価などの要因に基づいて推定される。推定された保証費の精度は、製品の予想故障数を決定することができる精度に依存する。製品の予想故障数が決定される精度が高いほど、推定された保証費の精度も高くなる。

[0007] 製品の予想故障数を決定するための従来の方法は、製品の過去の部品故障データを利用する。過去の部品故障データは、ワイブル（Weibull）分布及び対数正規分布などの確率分布に従う。従来の方法は、製品の予想故障数を決定するために、過去の部品故障データを利用し、製品の新機種、及び、製品を製造するための新しい製造設備又は工場の導入に関する要因を考慮していない。従って、従来の方法に基づく製品の予想故障数の精度は実質的に低い。結果として、保証費の推定精度は悪化するので、信頼することができるものとみなすことはできない。

[0008] 複数の部品を有する製品の予想故障数を計算するための方法を開示する。本方法は、部品故障データをプロセッサにより決定することを含む。部品故障データは、各部品が第１の所定期間内及び後に故障するサイクル数を示す。本方法は、製品のセンサデータから、診断トラブルコード（ＤＴＣ:diagnosed trouble code）発生データを決定することをさらに含む。ＤＴＣ発生データは、製品の部品に関連付けられたＤＴＣが第１の所定期間内に初めて発生するサイクル数を示し、複数の部品の各々の機能は、各部品に関連付けられたＤＴＣを用いて診断される。ＤＴＣは、製品の部品に関するトラブル症状に対して関連付けられる。本方法は、製品のサービス記録データから、ＤＴＣ観測データを決定することをさらに含む。ＤＴＣ観測データは、各部品に関連付けられた各ＤＴＣが第１の所定期間内に初めて観測されるサイクル数を示す。本方法は、ベイジアンネットワークに基づいて、部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の依存関係パラメータをプロセッサにより特定することをさらに含む。ベイジアンネットワークは、部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の確率的な関係を表し、依存関係パラメータは、確率的な関係に関連する。本方法は、依存関係パラメータに基づいて、第２の所定期間内の製品の予想故障数をプロセッサにより計算することをさらに含む。第２の所定期間は、第１の所定期間後の期間を示す。本方法は、製品の予想故障数及び製品の部品交換費に基づいて、製品の保証費をプロセッサにより推定することをさらに含む。

[0009] 複数の部品を有する製品の予想故障数を計算するためのシステムを開示する。本システムは、プロセッサと、プロセッサに接続されたメモリと、を備える。プロセッサは、メモリに格納されたコンピュータ可読命令を実行して、部品故障データを決定する。部品故障データは、製品の部品が第１の所定期間内に故障するサイクル数を示す。プロセッサはさらに、製品のセンサデータからＤＴＣ発生データを決定する。ＤＴＣ発生データは、製品の部品に関連付けられたＤＴＣが第１の所定期間内及び後に初めて発生するサイクル数を示す。プロセッサはさらに、製品のサービス記録データからＤＴＣ観測データを決定する。ＤＴＣ観測データは、製品の部品に関連付けられたＤＴＣが第１の所定期間内に初めて観測されるサイクル数を示す。プロセッサはさらに、ベイジアンネットワークに基づいて、部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の依存関係パラメータを特定する。ベイジアンネットワークは、部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の確率的な関係を表し、依存関係パラメータは、確率的な関係に関連する。プロセッサはさらに、依存関係パラメータに基づいて第２の所定期間内の製品の予想故障数を計算し、第２の所定期間は第１の所定期間後の期間を示す。プロセッサはさらに、製品の予想故障数及び製品の部品交換費に基づいて、製品の保証費を推定する。

[0010] 複数の部品を有する製品の予想故障数を計算するための方法を実行するためのコンピュータプログラムが実装された非一時的コンピュータ可読媒体を開示する。本方法は、部品故障データを決定することであって、部品故障データは、各部品が第１の所定期間内又は後に故障するサイクル数を示す、決定することを含む。本方法は、製品のセンサデータからＤＴＣ発生データを決定することであって、ＤＴＣ発生データは、各部品に関連付けられた各ＤＴＣが第１の所定期間内に初めて発生するサイクル数を示す、決定することをさらに含む。本方法は、製品のサービス記録データからＤＴＣ観測データを決定することをさらに含む。ＤＴＣ観測データは、各部品に関連付けられた各ＤＴＣが第１の所定期間内に初めて観測されるサイクル数を示す。本方法は、部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の依存関係パラメータを、部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の確率的な関係を表すベイジアンネットワークに基づいて特定することであって、依存関係パラメータは確率的な関係に関連する、特定することと、依存関係パラメータに基づいて第２の所定期間内の製品の予想故障数をプロセッサにより計算することであって、第２の所定期間は第１の所定期間後の期間を示す、計算することとをさらに含む。本コンピュータプログラムは、製品の予想故障数及び製品の部品交換費に基づいて、製品の保証費を推定することをさらに含む。

[0011] 添付の図面を参照しながら、詳細な説明を記載する。図面において、参照番号の最も左の数字（複数可）は、その参照番号が最初に登場する図面を識別する。同一の番号が、同様の特徴及びコンポーネントを参照するために、図面全体にわたって用いられる。

[0012]本主題の一実装形態による、保証費を推定するための保証費推定システムを実装するネットワーク環境を示す図である。 [0013]本主題の一実装形態による、保証費推定システムにより保証費を推定するためのデータを照合するためのシステム環境を示す図である。 [0014]本主題の一実装形態による、保証費を推定するための方法を示す図である。

[0015] ベイジアンネットワークを用いた保証費推定のためのシステム（複数可）及び方法（複数可）を説明する。本システム（複数可）及び方法（複数可）は、様々な計算デバイス、例えばラップトップ、デスクトップ、ワークステーション、ポータブルコンピュータ、タブレットコンピュータ、サーバ、及び類似のシステムにおいて実装することができる。しかしながら、本主題の実装形態は、新しい計算システム及びプラットフォームが利用可能になったときにこれらに適合することができるので、任意の特定の計算システム、アーキテクチャ、又はアプリケーションデバイスに限定されないことを当業者は理解するであろう。

[0016] 複数部品製品、例えば家電製品、電子製品及び自動車を製造する企業は、そのような製品に関連する保証費の有効かつ高精度な推定に多額の投資をしている。一般的に、複数部品製品を製造する企業は、年間予算を編成するために、保証費を推定する。しかしながら、製品に関連する保証費に影響する様々な要因が存在するので、保証費を推定するタスクは複雑であり困難である。保証費の誤った推定には、保証費の過小評価及び過大評価があり得る。保証費の過小評価は、市場における部品又は製品の不足につながることがあり、これは、製品が故障したときに、部品又は製品の交換に悪影響を与え得る。他方、保証費の過大評価により、製造業者は、保証のための追加資金を取っておくことになる場合があり、この資金は、そうでなければ、何か他の分野、例えば研究開発に使用できたはずである。

[0017] 保証費は一般的には、保証可能製品の数、製品の予想故障数又は故障率、及び故障単価などの要因に基づいて推定される。推定された保証費の精度は、製品の予想故障数を決定できる精度に依存する。製品の予想故障数が決定される精度が高いほど、推定された保証費の精度も高くなる。

[0018] 製品の予想故障数を決定する従来の方法は、製品の過去の部品故障データを利用する。過去の部品故障データは、ワイブル分布及び対数正規分布などの確率分布に従うと考えられている。製品の予想故障数は、過去の部品故障データが従う確率分布に関連するパラメータに基づいて決定されることができる。しかしながら、従来の方法は、製品の予想故障数を決定するために、過去の部品故障データを利用し、製品の新機種、及び、製品を製造するための新しい製造設備又は工場の導入に関する要因を考慮していない。新製品又は新製造設備により製造される製品の故障数は、製品の旧機種の過去の部品故障データに対する確率分布からは得られないことがあるので、過去の部品故障データから決定される予想故障数は、新製品又は新製造設備により製造される製品の故障数に正しく関連しないことがある。従って、従来の方法に基づく製品の予想故障数の精度は、実質的に低い。結果として、保証費の推定精度は悪化するので、信頼することができるものとみなすことができない。

[0019] さらに、従来の方法は、過去の部品故障データが従う確率分布に関するパラメータを、製品別に、すなわち製品全体を一単位とみなして、推定する。一般的には、各製品はさらに、部品、すなわちより粒度の細かいレベルに分解でき、各部品は、異なる故障率を有することがある。従来の方法は、製品の故障率の決定において、部品別故障率を考慮していない。従って、保証費を推定するための従来の方法による提案は、非効率的かつ不正確である。

[0020] 本主題は、複数部品製品とも呼ばれる、複数の部品を有する製品に対する保証費を推定するためのシステム及び方法を記載する。本主題のシステム及び方法は、従来より高い精度での製品の期待故障数又は予想故障数の計算に基づいて、複数部品製品に対する保証費の推定を改良する。

[0021] 本主題のシステム及び方法により、様々な部品の機能がセンサ及びオンボード診断システムを用いて監視又は診断可能であって、アフターサービスが保証外で提供可能である、複数部品製品に対して保証費を推定することができる。複数部品製品は、自動車及び電子デバイス並びに通信デバイスを含んでもよいが、これらに限定されない。そのような製品におけるオンボード診断システムは、部品のいずれかに発生した各トラブル症状又は障害症状に対する診断トラブルコード（ＤＴＣ）を含むセンサデータを、センサが検出したものがあれば、記録することができる。１つ又は複数の一意のＤＴＣを、１つの部品に関連付けることができ、それらはその部品に関する異なった起こり得るトラブル症状に対するものである。各一意のＤＴＣは、その部品に関する一意の起こり得るトラブル症状に対するものであってよい。１つの部品に関連付けられた全てのＤＴＣは、その部品が故障したときに発生してもよい。１つの部品に関連付けられた１つ又は複数のＤＴＣは、その部品が故障する前に発生してもよい。

[0022] アフターサービスが提供される製品が、定期サービス点検のために、又は、製品若しくは製品の部品が故障した場合に、サービスステーションに搬送され得ることが理解されよう。製品の部品に関するトラブル症状又はＤＴＣは、部品が故障する前に、また製品がサービスステーションに搬送される前にも、発生し得る。そのようなＤＴＣは、サービスステーションにおける製品へのサービス中に観測されることもある。製品におけるＤＴＣの発生に関連付けられたデータは、製品がサービスステーションに搬送される前は、製品のセンサデータ又は遠隔診断データと呼ばれることがある。サービスステーションにおける製品内のＤＴＣの観測に関連付けられたデータは、サービスステーションデータ又はサービス記録データと呼ばれることがある。

[0023] 一実装形態では、本主題のシステム及び方法は、製品の過去の部品故障データを、追加情報、例えばセンサデータに基づいて決定されるＤＴＣ発生データ及びサービス記録データに基づいて決定されるＤＴＣ観測データと融合することで、製品の故障数の計算の改良を促進する。本主題のシステム及び方法は、製品の期待故障数を計算して製品の保証費をより高精度に推定するために、過去の部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の確率的な関係を利用する。過去の部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の確率的な関係は、部品故障率へのＤＴＣの発生及び観測の条件付き依存関係に支配され得る。さらに、条件付き依存関係の程度は、例えば製品の新機種の導入、及び製品の販売単位数の変更により、時間と共に変化することがある。保証費の推定用に条件付き依存関係及び対応するダイナミズムを考慮するために、本主題のシステム及び方法は、ベイジアンネットワークを用いて、過去の部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の確率的な関係及び条件付き依存関係をモデル化する。本主題のシステム及び方法は、ベイジアンネットワークに基づいてこの依存関係を特定し、特定された依存関係を用いて、製品の期待故障数をより高精度に予測する。

[0024] さらに、各部品は異なる故障率を有することがあるので、本主題のシステム及び方法は、推定の全体の精度を向上させるために、製品レベルではなく、粒度の細かいレベルすなわち部品レベルで、故障数を決定することができる。

[0025] さらに、本主題のシステム及び方法は、部品故障ノードがＤＴＣ発生ノードにつながれ、ＤＴＣ発生ノードがＤＴＣ観測ノードにつながれるベイジアンネットワークを利用することができる。本明細書におけるこのベイジアンネットワークは、部品が故障したときに、ＤＴＣに関するトラブル症状が製品内で発生するというモデルに従う。そして、製品の所有者は、製品をサービスステーションへ搬送することができ、そこでＤＴＣが観測される。一例では、部品故障ノードは、ワイブル分布を用いてモデル化され、ＤＴＣ発生ノード及びＤＴＣ観測ノードは、ガウス分布すなわち正規分布を用いてモデル化される。そのような分布のパラメータを利用して、部品故障ノード、ＤＴＣ発生ノード、及びＤＴＣ観測ノードの間の依存関係を定義することができる。製品の故障数は、依存関係パラメータに基づいて計算することができ、製品の保証費は、計算された製品の故障数に基づいて推定することができる。

[0026] 収集されるように、本主題は、保証費を推定するために、過去の部品故障データを、製品に関連付けられたＤＴＣ発生データ及びＤＴＣ観測データと共に統合する。さらに、この分析は部品別に行われるので、保証費の推定精度が向上する。上述の全ての利点は、時間と資源との最適な利用につながり、これは、関連する費用と労力の削減もまた促進する。従って、本主題のシステム及び方法は、時間節約可能で、高精度かつ安価な保証費推定のための包括的かつ網羅的な手法を提供する。

[0027] 本主題のこれら及び他の利点を、以下の図面と共に、より詳細に説明する。保証費推定のための説明されるシステム（複数可）及び方法（複数可）の態様は、任意の数の異なる計算システム、環境、及び／又は構成で実装できるが、この実施は、以下の例示のシステム（複数可）の文脈の中で説明される。

[0028] 図１は、本主題の一実装形態による、保証費を推定するための保証費推定システム１０２を実装するネットワーク環境１００を示す。保証費推定システム１０２は、以降、システム１０２と呼ばれる。ネットワーク環境１００において、システム１０２はネットワーク１０４に接続されている。さらに、システム１０２はデータベース１０６に接続されており、データベース１０６は、システム１０２が保証費を推定するために利用し得るデータを格納することができる。加えて、ネットワーク環境１００は、１つ又は複数のユーザデバイス１０８−１、１０８−２．．．１０８−Ｎを含み、これらはまとめてユーザデバイス１０８と呼ばれ、個別にユーザデバイス１０８と呼ばれ、ネットワーク１０４に接続される。ユーザは、システム１０２により保証費を推定するために、ユーザデバイス１０８を利用することができる。

[0029] システム１０２は、ネットワーク１０４に接続された計算デバイスとして実装することができる。例えば、システム１０２は、ワークステーション、パーソナルコンピュータ、デスクトップコンピュータ、マルチプロセッサシステム、ラップトップ、ネットワークコンピュータ、ミニコンピュータ、サーバなどとして実装可能である。加えて、システム１０２は、ユーザに対してミラー化されたタスクを実行するための複数のサーバを含んでもよい。

[0030] さらに、システム１０２は、ネットワーク１０４を介してユーザデバイス１０８に接続可能である。ユーザデバイス１０８の例には、パーソナルコンピュータ、デスクトップコンピュータ、スマートフォン、ＰＤＡ、及びラップトップがあるが、これらに限定されない。ユーザデバイス１０８及びシステム１０２の間の通信リンクは、様々な接続形態を通して、例えばダイヤルアップモデム接続、ケーブルリンク、デジタル加入者線（ＤＳＬ）、無線リンク又は衛星リンク、又は任意の他の適切な通信形態を介して、使用可能である。

[0031] さらに、ネットワーク１０４は、無線ネットワーク、有線ネットワーク、又はそれらの組合せでもよい。ネットワーク１０４はまた、個別のネットワーク、又は、相互接続され単一の大規模ネットワークとして機能する多数のそのような個別のネットワークの集合体、例えばインターネット若しくはイントラネットでもよい。ネットワーク１０４は、イントラネット、ローカルエリアネットワーク（ＬＡＮ）、ワイドエリアネットワーク（ＷＡＮ）、インターネットなど、異なる種類のネットワークのうちの１つとして実装されてもよい。ネットワーク１０４は、専用のネットワーク又は共有されたネットワークでもよく、これは、例えばハイパーテキスト転送プロトコル（ＨＴＴＰ）、伝送制御プロトコル／インターネットプロトコル（ＴＣＰ／ＩＰ）などの様々なプロトコルを用いて互いに通信する、異なる種類のネットワークの結合体を表す。さらに、ネットワーク１０４は、システム１０２及びユーザデバイス１０８の間のリンクを提供するために、ネットワークスイッチ、ハブ、ルータ、ホストバスアダプタ（ＨＢＡ）などの、ネットワークデバイスを含んでもよい。ネットワーク１０４内のネットワークデバイスは、通信リンクを介して、システム１０２及びユーザデバイス１０８と相互作用することができる。

[0032] 図示したように、システム１０２は、１つ又は複数のプロセッサ１１０、インターフェース１１２（複数可）、及びプロセッサ１１０に接続されたメモリ１１４を含む。プロセッサ１１０は、単一の処理ユニット又は多数のユニットでもよく、それら全てもまた、複数の計算ユニットを含むことがある。プロセッサ１１０は、１つ又は複数のマイクロプロセッサ、マイクロコンピュータ、マイクロコントローラ、デジタル信号プロセッサ、中央処理装置、状態機械、論理回路、及び／又は動作命令に基づいて信号を操作する任意のデバイスとして、実装されてもよい。様々な機能の中でも、プロセッサ１１０は、メモリ１１４に格納されたコンピュータ可読命令及びデータをフェッチし実行するように構成される。

[0033] インターフェース１１２は、キーボード、マウス、外部メモリ、及びプリンタのような、周辺デバイス（複数可）のためのインターフェースなどの、様々なソフトウェア及びハードウェアのインターフェースを含んでもよい。さらに、インターフェース１１２は、システム１０２が、ネットワーク環境１００において、ウェブサーバなどの他の計算デバイス、及びデータベース１０６などの外部データリポジトリと通信することを可能とすることができる。インターフェース１１２は、幅広い種類のプロトコル及びネットワーク、例えば、ＬＡＮ、ケーブルなどの有線ネットワークと、ＷＬＡＮ、セルラー、衛星などの無線ネットワークとを含むネットワーク１０４などにおける複数の通信を容易にすることができる。インターフェース１１２は、システム１０２を多数の計算デバイスに接続するための１つ又は複数のポートを含むことができる。

[0034] メモリ１１４は、当該技術において知られている任意の非一時的コンピュータ可読媒体を含んでもよく、これは、例えば、スタティックランダムアクセスメモリ（ＳＲＡＭ）及びダイナミックランダムアクセスメモリ（ＤＲＡＭ）などの揮発性メモリ、及び／又は、リードオンリーメモリ（ＲＯＭ）、消去可能プログラマブルＲＯＭ、フラッシュメモリ、ハードディスク、光学ディスク、及び磁気テープなどの不揮発性メモリを含む。しかしながら、非一時的コンピュータ可読媒体は、一時的な伝播する信号を除く。

[0035] システム１０２はまた、モジュール（複数可）１１６及びデータ１１８を含む。モジュール（複数可）１１６は、ルーチン、プログラム、オブジェクト、コンポーネント、データ構造などを含み、これらは特定のタスクを実行するか又は特定の抽象データ型を実装する。一実装形態では、モジュール（複数可）１１６は、部品故障データ決定モジュール１２０、ＤＴＣデータ決定モジュール１２２、保証費推定器１２４、及び他のモジュール（複数可）１２６を含む。部品故障データ決定モジュール１２０、ＤＴＣデータ決定モジュール１２２、及び保証費推定器１２４は、モジュール（複数可）１１６内の保証費推定モジュールの一部を形成してもよい。他のモジュール（複数可）１２６は、システム１０２のアプリケーション及び機能を補完するプログラム又はコード化された命令を含んでもよい。

[0036] 他方、データ１１８はとりわけ、モジュール（複数可）１１６のうちの１つ又は複数により処理され、受信され、生成されるデータを格納するためのリポジトリとして機能する。データ１１８は、例えば、部品故障データ１２８、ＤＴＣデータ１３０、ベイジアンネットワーク依存関係パラメータ１３２、保証費データ１３４、及び他のデータ１３６を含む。部品故障データ１２８、ＤＴＣデータ１３０、ベイジアンネットワーク依存関係パラメータ１３２、及び保証費データ１３４は、データ１１８内の保証費推定データの一部を形成してもよい。他のデータ１３６は、モジュール（複数可）１１６内の１つ又は複数のモジュールの実行の結果として生成されるデータを含む。

[0037] 以降の記載は、システム１０２を用いて製品の保証費を推定する例示の手順を記載したものである。本明細書に記載された例では、製品は複数の部品Ｐを有する車であり、各車は、複数の部品Ｐの機能を監視するために様々なセンサ及びオンボード診断システムを有する。各車におけるオンボード診断システムは、部品Ｐのいずれかに発生したトラブル症状又は障害症状に対する診断トラブルコード（ＤＴＣ）を、センサが検出したときに、記録することができる。車は、サービスステーションにおけるアフターサービスが提供される。本明細書の記載は、製品として車を参照して説明するが、この手順は、ＤＴＣを記録するためのセンサ及びオンボード診断システムを有し、修理又はサービスのためにサービスステーションに搬送され得る、電子機器及び通信デバイスなどを含む他の製品に対して、保証費を推定するために適用することができる。

[0038] さらに、本明細書での説明のために、第１の所定期間［Ｔ_１，Ｔ_２］の間、１〜ｎのインデックスが付与されたｎ台の車に対してデータが収集され、各車はｍ個の部品Ｐ_１〜Ｐ_ｍを有すると考える。一例では、第１の所定期間は、２００８年（Ｔ_１）〜２０１０年（Ｔ_２）であってよい。各部品Ｐ_ｊは、ＤＴＣ Ｄ_ｊｋの組すなわち｛Ｄ_ｊ１，Ｄ_ｊ２，．．．．Ｄ_ｊｒ｝と関連付けられ、ここで、ｋ＝１，２，．．．，ｒである。部品Ｐ_ｊが故障したとき、部品Ｐ_ｊに関連付けられた全てのＤＴＣ Ｄ_ｊｋが発生し、部品Ｐ_ｊが故障する前に、部品Ｐ_ｊに関連付けられた１つ又は複数のＤＴＣが発生することがあり、観測されることがある。さらに、収集されたデータは、部品故障データ、サービス記録データに基づくＤＴＣ観測データ、及びセンサデータに基づくＤＴＣ発生データを含むことができる。部品故障データは、各部品Ｐ_ｊが第１の所定期間内及び後に故障するサイクル数を示す。この部品故障データは、過去の部品故障データを参照してもよい。ＤＴＣ発生データは、各部品Ｐ_ｊに関連付けられた各ＤＴＣ Ｄ_ｊｋが第１の所定期間内に初めて発生するサイクル数を示す。ＤＴＣ観測データは、各部品Ｐ_ｊに関連付けられた各ＤＴＣ Ｄ_ｊｋが第１の所定期間内に初めて観測されるサイクル数を示す。本明細書で言及されるサイクル数は、製品の作動時間、例えば時間、日、又は月に関して定義されてもよく、又は製品の作動距離、例えばキロメートル又はマイルに関して定義されてもよい。製品としての車の例では、サイクル数は、キロメートル又はマイルに関するものでよい。

[0039] 一実装形態では、部品故障データ決定モジュール１２０は、部品故障データを決定する。一例では、部品故障データ決定モジュール１２０は、そのようなデータを格納できるデータベース１０６又は外部データリポジトリから部品故障データを取得することができ、これを部品故障データ１２８に格納することができる。部品故障データを決定する際、部品故障データ決定モジュール１２０は、各部品Ｐ_ｊに対して、各部品Ｐ_ｊが第１の所定期間［Ｔ_１，Ｔ_２］内に初めて故障する第１の車の組Ｃ_ｊを特定することができる。第１の車の組Ｃ_ｊは、車のインデックスを含み、従って、
Ｃ_ｊ＝｛ｉ｝ ．．．（１）
と定義され、ここでｉは、部品Ｐ_ｊが時間間隔［Ｔ_１，Ｔ_２］内に故障する車のインデックスである。

[0040] 部品故障データ決定モジュール１２０は、各部品Ｐ_ｊに対して、及び各部品Ｐ_ｊに関連付けられた各ＤＴＣ Ｄ_ｊｋに対して、各部品Ｐ_ｊがＴ_２後に初めて故障するが、関連付けられた各ＤＴＣ Ｄ_ｊｋが第１の所定期間［Ｔ_１，Ｔ_２］内に初めて発生し観測される、第２の車の組Ｃ’_ｊｋをさらに特定することができる。第２の車の組Ｃ’_ｊｋは、車のインデックスを含み、従って、
Ｃ’_ｊｋ＝｛ｉ｝ ．．．（２）
と定義され、ここでｉは、部品Ｐ_ｊがＴ_２後に初めて故障する車のインデックスである。

[0041] 部品故障データ決定モジュール１２０は、各部品Ｐ_ｊに対して、各部品Ｐ_ｊが第１の車の組Ｃ_ｊ内の各車に対して初めて故障するサイクル数を含む第１の部品故障の組Ｆａｉｌ_ｊをさらに特定することができる。従って、第１の部品故障の組Ｆａｉｌ_ｊは、
Ｆａｉｌ_ｊ＝｛ｐ_ｊｉ：ｉ∈Ｃ_ｊ｝ ．．．（３）
と定義され、ここでｐ_ｊｉは、部品Ｐ_ｊがｉ番目の車において初めて故障するサイクル数であり、ｉ∈Ｃ_ｊである。ｉが｛１，２，．．．，ｎ｝からのものであり、ｊが｛１，２，．．．，ｍ｝からのものであることは理解されよう。

[0042] さらに、一実装形態では、ＤＴＣデータ決定モジュール１２２は、製品のセンサデータを取得して、センサデータからＤＴＣ発生データを決定する。一例では、ＤＴＣデータ決定モジュール１２２は、そのようなデータを格納することができるデータベース１０６又は外部データリポジトリからセンサデータを取得し、センサデータからＤＴＣ発生データを決定し、ＤＴＣ発生データをＤＴＣデータ１３０に格納することができる。センサデータからＤＴＣ発生データを決定する際、ＤＴＣデータ決定モジュール１２２は、各部品Ｐ_ｊに対して、及び各部品Ｐ_ｊに関連付けられた各ＤＴＣ Ｄ_ｊｋに対して、各部品Ｐ_ｊに関連付けられた各ＤＴＣ Ｄ_ｊｋが第１の車の組Ｃ_ｊ内の各車に対して初めて発生するサイクル数を含む第１のＤＴＣ発生の組Ｉｎｄ_ｊｋを決定することができる。従って、第１のＤＴＣ発生の組Ｉｎｄ_ｊｋは、
Ｉｎｄ_ｊｋ＝｛ｄ_ｊｋｉ：ｉ∈Ｃ_ｊ｝ ．．．（４）
と定義でき、ここで、ｄ_ｊｋｉは、部品Ｐ_ｊに関連付けられたＤＴＣ Ｄ_ｊｋがｉ番目の車において初めて発生するサイクル数であり、ｉ∈Ｃ_ｊである。

[0043] ＤＴＣデータ決定モジュール１２２は、各部品Ｐ_ｊに対して、及び各部品Ｐ_ｊに関連付けられた各ＤＴＣ Ｄ_ｊｋに対して、各部品Ｐ_ｊに関連付けられた各ＤＴＣ Ｄ_ｊｋが第２の車の組Ｃ’_ｊｋ内の各車に対して初めて発生するサイクル数を含む第２のＤＴＣ発生の組Ｉｎｄ’_ｊｋをさらに決定することができる。従って、第２のＤＴＣ発生の組Ｉｎｄ’_ｊｋは、
Ｉｎｄ’_ｊｋ＝｛ｄ’_ｊｋｉ：ｉ∈Ｃ’_ｊｋ｝ ．．．（５）
と定義でき、ここで、ｄ’_ｊｋｉは、部品Ｐ_ｊに関連付けられたＤＴＣ Ｄ_ｊｋがｉ番目の車において初めて発生するサイクル数であり、ｉ∈Ｃ’_ｊｋである。

[0044] さらに、一実装形態では、ＤＴＣデータ決定モジュール１２２は、製品のサービス記録データを取得して、サービス記録データからＤＴＣ観測データを決定する。一例では、ＤＴＣデータ決定モジュール１２２は、そのようなデータを格納できるデータベース１０６又は外部データリポジトリからサービス記録データを取得し、サービス記録データからＤＴＣ観測データを決定し、ＤＴＣ観測データをＤＴＣデータ１３０に格納することができる。サービス記録データからＤＴＣ観測データを決定する際、ＤＴＣデータ決定モジュール１２２は、各部品Ｐ_ｊに対して、及び各部品Ｐ_ｊに関連付けられた各ＤＴＣ Ｄ_ｊｋに対して、各部品Ｐ_ｊに関連付けられた各ＤＴＣ Ｄ_ｊｋが第１の車の組Ｃ_ｊ内の各車に対して初めて観測されるサイクル数を含む第１のＤＴＣ観測の組Ｓｅｒｖ_ｊｋを決定することができる。従って、第１のＤＴＣ観測の組Ｓｅｒｖ_ｊｋは、
Ｓｅｒｖ_ｊｋ＝｛ｓ_ｊｋｉ：ｉ∈Ｃ_ｊ｝ ．．．（６）
と定義することができ、ここで、ｓ_ｊｋｉは、部品Ｐ_ｊに関連付けられたＤＴＣ Ｄ_ｊｋがｉ番目の車において初めて観測されるサイクル数であり、ｉ∈Ｃ_ｊである。

[0045] ＤＴＣデータ決定モジュール１２２は、各部品Ｐ_ｊに対して、及び各部品Ｐ_ｊに関連付けられた各ＤＴＣ Ｄ_ｊｋに対して、各部品Ｐ_ｊに関連付けられた各ＤＴＣ Ｄ_ｊｋが第２の車の組Ｃ’_ｊｋ内の各車に対して初めて観測されるサイクル数を含む第２のＤＴＣ観測の組Ｓｅｒｖ’_ｊｋをさらに決定することができる。従って、第２のＤＴＣ観測の組Ｓｅｒｖ’_ｊｋは、
Ｓｅｒｖ’_ｊｋ＝｛ｓ’_ｊｋｉ：ｉ∈Ｃ’_ｊｋ｝ ．．．（７）
と定義でき、ここで、ｓ’_ｊｋｉは、部品Ｐ_ｊに関連付けられたＤＴＣ Ｄ_ｊｋがｉ番目の車において初めて観測されるサイクル数であり、ｉ∈Ｃ’_ｊｋである。

[0046] 一例では、組Ｆａｉｌ_ｊ、Ｉｎｄ_ｊｋ、及びＳｅｒｖ_ｊｋのそれぞれからのｐ_ｊｉ、ｄ_ｊｋｉ、及びｓ_ｊｋｉは、以下の関係、
ｄ_ｊｋｉ≦ｓ_ｊｋｉ≦ｐ_ｊｉ ．．．（８）
を満たす。

[0047] 一例では、各部品Ｐ_ｊ及び関連付けられたＤＴＣ Ｄ_ｊｋは、ある依存関係を有することがある。そのような依存関係の例の中には、以下のようなものがある。１）ＤＴＣ Ｄ_ｊｋは、部品故障のおよそ２ヶ月前に常に発生し、２）実際の部品故障の前に発生するＤＴＣ Ｄ_ｊｋは、ある確率分布に従う。

[0048] 一実装形態では、保証費推定器１２４は、部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の依存関係パラメータを特定する。この特定は、部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の確率的な関係を表すベイジアンネットワークに基づく。依存関係パラメータは、部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の確率的な関係に関連する。ベイジアンネットワークは、ベイズ確率論と、条件付き依存関係の概念とを組み合わせて、部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の依存関係を表す。

[0049] 依存関係パラメータを特定するために、保証費推定器１２４は、第１の部品故障の組Ｆａｉｌ_ｊ、第１のＤＴＣ発生の組Ｉｎｄ_ｊｋ、第２のＤＴＣ発生の組Ｉｎｄ’_ｊｋ、第１のＤＴＣ観測の組Ｓｅｒｖ_ｊｋ、及び第２のＤＴＣ観測の組Ｓｅｒｖ’_ｊｋがそれぞれ従う確率分布関数を決定することができる。

[0050] 一例では、第１の部品故障の組Ｆａｉｌ_ｊ、又はＦａｉｌ_ｊの値ｆ_ｊは、形状（shape）パラメータをβ_ｊとし、尺度（scale）パラメータをα_ｊとするワイブル分布に従う。従って、Ｆａｉｌ_ｊの値ｆ_ｊは、
ｆ_ｊ〜Ｗｅｉｂｕｌｌ（α_ｊ，β_ｊ） ．．．（９）
と定義できる。ここで、尺度パラメータα_ｊは、下限が０であり上限がａ＞０である一様分布に従い、形状パラメータβ_ｊは、下限が０であり上限がｂ＞０である一様分布に従う。

[0051] 一例では、第１のＤＴＣ発生の組Ｉｎｄ_ｊｋ、又はその中の値ｉ_ｊｋは、平均が部品故障データすなわちＦａｉｌ_ｊの値ｆ_ｊに依存する正規分布に従う。第１のＤＴＣ発生の組Ｉｎｄ_ｊｋの値ｉ_ｊｋは、平均がｆ_ｊ−ｆ_ｊ×ｒ_ｊｋであり標準偏差がσ^１ _ｊｋである正規分布に従う。従って、Ｉｎｄ_ｊｋの値ｉ_ｊｋは、
ｉ_ｊｋ〜Ｎｏｒｍａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ（ｆ_ｊ−ｆ_ｊ×ｒ_ｊｋ，σ^１ _ｊｋ） ．．．（１０）
と定義することができ、ここで、ｆ_ｊは組Ｆａｉｌ_ｊからの値を表し、ｒ_ｊｋは、下限がｒ_１＞０であり上限がｒ_２＞０である一様分布に従い、σ^１ _ｊｋは、下限が０であり上限がｃ_１＞０である一様分布に従う。

[0052] 同様に、第２のＤＴＣ発生の組Ｉｎｄ’_ｊｋ、又はその中の値ｉ’_ｊｋは、第１のＤＴＣ発生の組Ｉｎｄ_ｊｋの値ｉ_ｊｋが従う正規分布と類似する正規分布に従う。

[0053] 一例では、第１のＤＴＣ観測の組Ｓｅｒｖ_ｊｋ、又はその中の値ｓ_ｊｋは、平均が部品故障データすなわちＦａｉｌ_ｊの値ｆ_ｊ及びＤＴＣ発生データすなわちＩｎｄ_ｊｋの値ｉ_ｊｋに依存する正規分布に従う。第１のＤＴＣ観測の組Ｓｅｒｖ_ｊｋの値ｓ_ｊｋは、平均が（ｆ_ｊ−ｉ_ｊｋ）×ｍ_ｊｋ＋ｉ_ｊｋであり標準偏差がσ^２ _ｊｋである正規分布に従う。従って、Ｓｅｒｖ_ｊｋの値ｓ_ｊｋは、
ｓ_ｊｋ〜Ｎｏｒｍａｌ ｄｉｓｔｒｉｂｕｔｉｏｎ（（ｆ_ｊ−ｉ_ｊｋ）×ｍ_ｊｋ＋ｉ_ｊｋ，σ^２ _ｊｋ） ．．．（１１）
と定義することができ、ここで、ｆ_ｊは組Ｆａｉｌ_ｊからの値を表し、ｉ_ｊｋは組Ｉｎｄ_ｊｋからの値を表し、ｍ_ｊｋは、下限が０であり上限が１である一様分布に従い、σ^２ _ｊｋは、下限が０であり上限がｃ_２＞０である一様分布に従う。

[0054] 同様に、第２のＤＴＣ観測の組Ｓｅｒｖ’_ｊｋ、又はその中の値ｓ’_ｊｋは、第１のＤＴＣ観測の組Ｓｅｒｖ_ｊｋの値ｓ_ｊｋが従う正規分布と類似する正規分布に従う。

[0055] 本明細書に記載された例によれば、依存関係パラメータは、（１）第１のＤＴＣ発生の組Ｉｎｄ_ｊｋ及び第２のＤＴＣ発生の組Ｉｎｄ’_ｊｋに対する正規分布の平均及び分散と、（２）第１のＤＴＣ観測の組Ｓｅｒｖ_ｊｋ及び第２のＤＴＣ観測の組Ｓｅｒｖ’_ｊｋに対する正規分布の平均及び分散とに基づいて特定される。本明細書に記載された例では、依存関係パラメータはｒ_ｊｋ、σ^１ _ｊｋ、ｍ_ｊｋ、及びσ^２ _ｊｋである。

[0056] さらに、システム１０２は、異なるシナリオに対して、第２の所定期間［Ｔ_３，Ｔ_４］における車の故障数を計算できる。第２の所定期間［Ｔ_３，Ｔ_４］は、第１の所定期間［Ｔ_１，Ｔ_２］の後の期間を示す。一例では、第１の所定期間が２００８年（Ｔ_１）〜２０１０年（Ｔ_２）である場合、第２の所定期間は、２０１１年（Ｔ_３）〜２０１３年（Ｔ_４）であってよい。第１のシナリオでは、システム１０２は、第２の所定期間［Ｔ_３，Ｔ_４］における車の故障数を計算するために、部品故障データすなわち第１の部品故障の組Ｆａｉｌ_ｊと、ＤＴＣ観測データすなわち第１及び第２のＤＴＣ観測の組Ｓｅｒｖ_ｊｋ及びＳｅｒｖ’_ｊｋとを利用することができる。第２のシナリオでは、システム１０２は、第２の所定期間［Ｔ_３，Ｔ_４］における車の故障数を計算するために、部品故障データすなわち第１の部品故障の組Ｆａｉｌ_ｊと、ＤＴＣ発生データすなわち第１及び第２のＤＴＣ発生の組Ｉｎｄ_ｊｋ及びＩｎｄ’_ｊｋと、ＤＴＣ観測データすなわち第１及び第２のＤＴＣ観測の組Ｓｅｒｖ_ｊｋ及びＳｅｒｖ’_ｊｋとを利用することができる。一実装形態では、車の故障数に関連付けられたデータは、保証費データ１３４に格納することができる。

[0057] 第１のシナリオによれば、保証費推定器１２４は、上述の確率分布関数におけるＦａｉｌ_ｊからの値ｆ_ｊとＳｅｒｖ_ｊｋからの値ｓ_ｊｋとを用いて、ｉ_ｊｋ、ｒ_ｊｋ、σ^１ _ｊｋ、ｍ_ｊｋ、及びσ^２ _ｊｋの値を学習することができる。さらに、保証費推定器１２４は、ｉ_ｊｋ、ｒ_ｊｋ、σ^１ _ｊｋ、ｍ_ｊｋ、及びσ^２ _ｊｋの学習された値を用いて、また、上述の確率分布関数におけるＳｅｒｖ’_ｊｋからの値ｓ’_ｊｋを用いて、第２の部品故障の組Ｆａｉｌ’_ｊｋとしてｆ’_ｊｋの値を学習することができる。第２の部品故障の組Ｆａｉｌ’_ｊｋは、各部品Ｐ_ｊが第１の所定期間後に初めて故障するサイクル数を示す。

[0058] そして、保証費推定器１２４は、各部品Ｐ_ｊに対して、各部品Ｐ_ｊに対する第１の部品故障の組Ｆａｉｌ_ｊ及び第２の部品故障の組Ｆａｉｌ’_ｊｋの和に基づいて、和集合を決定する。従って、この和集合は、
Ｆａｉｌ’’_ｊｋ＝Ｆａｉｌ_ｊ∪Ｆａｉｌ’_ｊｋ ．．．（１２）
と定義される。Ｆａｉｌ_ｊ∩Ｆａｉｌ’_ｊｋが空集合であることに留意されたい。

[0059] さらに、保証費推定器１２４は、上述の確率分布関数におけるＦａｉｌ’’_ｊｋを用いて、α_ｊ ^ｎｅｗ、β_ｊ ^ｎｅｗを学習することができる。続いて、保証費推定器１２４は、［Ｔ_３，Ｔ_４］における部品Ｐ_ｊの故障確率を、
Ｚ_ｊ＝ｅｘｐ（−（Ｔ_４×（α_ｊ ^ｎｅｗ／β_ｊ ^ｎｅｗ）））−ｅｘｐ（−（Ｔ_３×（α_ｊ ^ｎｅｗ／β_ｊ ^ｎｅｗ））） ．．．（１３）
に基づいて決定することができる。

[0060] さらに、保証費推定器１２４は、期間［Ｔ_３，Ｔ_４］における車の故障数を、
Σ_ｉΣ_ｊ（Ｚ_ｊ） ．．．（１４）
と計算することができ、ここで、ｊ＝１〜ｍであり、ｉ＝１〜ｎである。

[0061] 第２のシナリオによれば、保証費推定器１２４は、上述の確率分布関数におけるＦａｉｌ_ｊからの値ｆ_ｊと、Ｉｎｄ_ｊｋからの値ｉ_ｊｋと、Ｓｅｒｖ_ｊｋからの値ｓ_ｊｋとを用いて、ｒ_ｊｋ、σ^１ _ｊｋ、ｍ_ｊｋ、及びσ^２ _ｊｋの値を学習することができる。さらに、保証費推定器１２４は、ｒ_ｊｋ、σ^１ _ｊｋ、ｍ_ｊｋ、及びσ^２ _ｊｋの学習された値を用いて、また、上述の確率分布関数におけるＩｎｄ’_ｊｋからの値ｉ’_ｊｋ及びＳｅｒｖ’_ｊｋからの値ｓ’_ｊｋを用いて、第２の部品故障の組Ｆａｉｌ’_ｊｋとしてｆ’_ｊｋの値を学習することができる。第２の部品故障の組Ｆａｉｌ’_ｊｋは、各部品Ｐ_ｊが第１の所定期間後に初めて故障するサイクル数を示す。

[0062] そして、保証費推定器１２４は、各部品Ｐ_ｊに対して、各部品Ｐ_ｊに対する第１の部品故障の組Ｆａｉｌ_ｊ及び第２の部品故障の組Ｆａｉｌ’_ｊｋの和に基づいて、和集合を決定する。従って、この和集合は、
Ｆａｉｌ’’_ｊｋ＝Ｆａｉｌ_ｊ∪Ｆａｉｌ’_ｊｋ ．．．（１５）
と定義される。Ｆａｉｌ_ｊ∩Ｆａｉｌ’_ｊｋが空集合であることに留意されたい。

[0063] さらに、保証費推定器１２４は、上述の確率分布関数におけるＦａｉｌ’’_ｊｋを用いて、α_ｊ ^ｎｅｗ、β_ｊ ^ｎｅｗを学習することができる。続いて、保証費推定器１２４は、［Ｔ_３，Ｔ_４］における部品Ｐ_ｊの故障確率を、
Ｚ_ｊ＝ｅｘｐ（−（Ｔ_４×（α_ｊ ^ｎｅｗ／β_ｊ ^ｎｅｗ）））−ｅｘｐ（−（Ｔ_３×（α_ｊ ^ｎｅｗ／β_ｊ ^ｎｅｗ））） ．．．（１６）
に基づいて決定することができる。

[0064] さらに、保証費推定器１２４は、期間［Ｔ_３，Ｔ_４］における車の故障数を、
Σ_ｉΣ_ｊ（Ｚ_ｊ） ．．．（１７）
と計算することができ、ここで、ｊ＝１〜ｍであり、ｉ＝１〜ｎである。

[0065] 一実装形態では、保証費推定器１２４は、依存関係パラメータ及び他の値を、最尤推定法、期待値最大化（ＥＭ）法、マルコフ連鎖モンテカルロ（ＭＣＭＣ）法などの技法を用いて学習することができる。一実装形態では、依存関係パラメータは、ベイジアンネットワーク依存関係パラメータ１３２に格納することができる。

[0066] この後、保証費推定器１２４は、計算された車の故障数及び部品交換費に基づいて、第２の所定期間における車の保証費を推定する。部品交換費は、故障単価と呼ばれることもある。一例では、車の保証費は、計算された車の故障数に故障単価を乗じたものに等しくなり得る。一実装形態では、推定された保証費に関連付けられたデータは、保証費データ１３４に格納することができる。

[0067] 一例では、他のコスト、すなわちペナルティコストが、保証期間が終わった後に故障した部品に対する顧客の不満に関して発生することがある。部品に関連するこのペナルティコストは、時間と共に減少し得る。このために、保証費推定器１２４は、保証期間前に故障した部品を決定することができる。保証期間がｗ_ｊである第ｊ部品Ｐ_ｊの保証費は、
（Ｗａｒｒａｎｔｙ ｃｏｓｔ）_ｊ＝Ｒ_ｊＦ_ｊ（ｗ_ｊ）＋Ｒ_ｊｂｅ^−ｃｗｊ（１−Ｆ（ｗ_ｊ）） ．．．（１８）
と定義することができ、ここで、ｂ及びｃ＞０であり、Ｆ（ｗ_ｊ）は保証期間ｗ_ｊの前に故障した第ｊ部品の割合であり、Ｒ_ｊは部品Ｐ_ｊに対する故障単価である。

[0068] 図２は、本主題の一実装形態による、保証費推定システム１０２により保証費を推定するためのデータを照合するためのシステム環境２００を示す。簡単のため、１つの製品２０２及び１つのサービスステーション２０４を図２に示す。一実装形態では、システム環境２００は、複数の製品及び複数のサービスステーションを含んでもよい。図示されるように、製品２０２は、製品２０２内の様々な部品の機能を監視するための、及び、障害症状が製品２０２内の部品のいずれかにおいて検出された場合に発生し得るＤＴＣを記録するための、センサ２０６及びオンボード診断システム２０８を含む。製品２０２がサービスステーション２０４に搬送される場合、製品２０２におけるＤＴＣの発生に関連付けられたデータ、すなわちＤＴＣ発生データを決定するために、センサデータを、サービスステーション２０４において収集することができる。加えて、サービスステーション２０４において、製品２０２に対するＤＴＣの観測に関連付けられたデータ、すなわちＤＴＣ観測データもまた、サービスステーション２０４において収集することができる。ＤＴＣ観測データは、サービス記録データとして収集することができる。データを収集するために、データ収集器又は診断デバイス（図示せず）が、サービスステーション２０４において製品２０２に接続されてもよい。

[0069] さらに、一実装形態では、サービスステーション２０４において収集されたセンサデータ及びサービス記録データは、例えばリアルタイム又は間欠的に、中央サーバ２１０又は外部データリポジトリへ送信することができる。システム１０２は、本主題に従って、ＤＴＣ発生データ及びＤＴＣ観測データを決定し、次いで製品の故障数を決定し製品の保証費を推定するために、場合により中央サーバ２１０又は外部データリポジトリから、製品のセンサデータ及びサービス記録データを取得することができる。

[0070] 一実装形態では、製品２０２のセンサデータは、例えば、リアルタイム又は間欠的に、直接中央サーバ２１０へ、又は外部データリポジトリへ、あるいはサービスステーション２０４へ、送信することができる。

[0071] 図３は、本主題の一実装形態による、保証費を推定するための方法３００を示す。方法３００は、様々な計算システムにおいて、いくつかの異なる方法で実装することができる。例えば、本明細書に記載された方法３００は、上述の保証費推定システム１０２を用いて実装することができる。

[0072] 方法３００は、完全に又は部分的に、コンピュータ実行可能命令の一般的な文脈において記載され得る。一般的には、コンピュータ実行可能命令は、ルーチン、プログラム、オブジェクト、コンポーネント、データ構造、プロシージャ、モジュール、関数などを含むことができ、これらは特定の機能を実行するか又は特定の抽象データ型を実装する。本方法の工程が、プログラムされたコンピュータにより実行可能であることを当業者は容易に理解するであろう。本明細書では、一部の実施形態はまた、プログラム記憶装置、例えばデジタルデータ記憶媒体を含むものとし、これは機械可読又はコンピュータ可読であって、機械実行可能又はコンピュータ実行可能な命令のプログラムを符号化するものであり、前記命令は、記載された方法３００の工程の一部又は全部を実行する。

[0073] 方法３００が記載される順序は、限定と解釈されることを意図しておらず、任意の数の記載された方法ブロックは、任意の順番で組み合わせられて、本方法又は代替の方法を実施することができる。加えて、個々のブロックは、本明細書に記載された主題の範囲から逸脱することなく、本方法から削除することができる。さらに、本方法は、任意の適したハードウェア、ソフトウェア、ファームウェア、又はこれらの組合せにより実装することができる。本方法３００はシステム１０２を参照して記載するが、この記載は他のシステムにも拡張可能であることが理解されよう。

[0074] ブロック３０２において、部品故障データが決定され、ここで、部品故障データは、製品の各部品Ｐ_ｊが第１の所定期間［Ｔ_１，Ｔ_２］内又は後に故障するサイクル数を示す。部品故障データを決定する際、各部品Ｐ_ｊに対して、各部品Ｐ_ｊが第１の所定期間内に初めて故障する第１の製品の組Ｃ_ｊが特定される。また、各部品Ｐ_ｊに対して、及び各部品Ｐ_ｊに関連付けられた各ＤＴＣ ＤＴＣ_ｊｋに対して、各部品Ｐ_ｊが第１の所定期間後に初めて故障し、関連付けられたＤＴＣ ＤＴＣ_ｊｋが第１の所定期間内に初めて発生及び観測される、第２の製品の組Ｃ’_ｊｋが特定される。さらに、各部品Ｐ_ｊに対して、第１の部品故障の組Ｆａｉｌ_ｊが決定され、これは、各部品Ｐ_ｊが第１の製品の組Ｃ_ｊ内の各製品に対して初めて故障するサイクル数を含む。一実装形態では、部品故障データ、Ｆａｉｌ_ｊ、Ｃ_ｊ、Ｃ’_ｊｋは、システム１０２により場合によっては決定及び特定されてもよい。

[0075] ブロック３０４において、製品のセンサデータを取得して、ＤＴＣ発生データを決定し、ここで、ＤＴＣ発生データは、各部品Ｐ_ｊに関連付けられた各ＤＴＣ ＤＴＣ_ｊｋが第１の所定期間内に初めて発生するサイクル数を示す。ＤＴＣ発生データをセンサデータから決定する際、各部品Ｐ_ｊに対して、及び各部品Ｐ_ｊに関連付けられた各ＤＴＣ ＤＴＣ_ｊｋに対して、第１のＤＴＣ発生の組Ｉｎｄ_ｊｋが決定され、これは、各部品Ｐ_ｊに関連付けられた各ＤＴＣ ＤＴＣ_ｊｋが、第１の製品の組Ｃ_ｊ内の各製品に対して初めて発生するサイクル数を含む。同様に、各部品Ｐ_ｊに対して、及び各部品Ｐ_ｊに関連付けられた各ＤＴＣ ＤＴＣ_ｊｋに対して、第２のＤＴＣ発生の組Ｉｎｄ’_ｊｋが決定され、これは、各部品Ｐ_ｊに関連付けられた各ＤＴＣ ＤＴＣ_ｊｋが、第２の製品の組Ｃ’_ｊｋ内の各製品に対して初めて発生するサイクル数を含む。一実装形態では、ＤＴＣ発生データ、Ｉｎｄ_ｊｋ、Ｉｎｄ’_ｊｋは、システム１０２により決定されてもよい。

[0076] ブロック３０６において、製品のサービス記録データを取得して、ＤＴＣ観測データを決定し、ここで、ＤＴＣ観測データは、各部品Ｐ_ｊに関連付けられた各ＤＴＣ ＤＴＣ_ｊｋが第１の所定期間内に初めて観測されるサイクル数を示す。ＤＴＣ観測データをサービス記録データから決定する際、各部品Ｐ_ｊに対して、及び各部品Ｐ_ｊに関連付けられた各ＤＴＣ ＤＴＣ_ｊｋに対して、第１のＤＴＣ観測の組Ｓｅｒｖ_ｊｋが決定され、これは、各部品Ｐ_ｊに関連付けられた各ＤＴＣ ＤＴＣ_ｊｋが、第１の製品の組Ｃ_ｊの各製品に対して初めて観測されるサイクル数を含む。同様に、各部品Ｐ_ｊに対して、及び各部品Ｐ_ｊに関連付けられた各ＤＴＣ ＤＴＣ_ｊｋに対して、第２のＤＴＣ観測の組Ｓｅｒｖ’_ｊｋが決定され、これは、各部品Ｐ_ｊに関連付けられた各ＤＴＣ ＤＴＣ_ｊｋが、第２の製品の組Ｃ’_ｊｋの各製品に対して初めて観測されるサイクル数を含む。一実装形態では、ＤＴＣ観測データ、Ｓｅｒｖ_ｊｋ、Ｓｅｒｖ’_ｊｋは、システム１０２により決定されてもよい。

[0077] ブロック３０８において、部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の依存関係パラメータが特定される。依存関係パラメータは、部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の確率的な関係を表すベイジアンネットワークに基づいて特定される。依存関係パラメータは、部品故障データと、ＤＴＣ発生データと、ＤＴＣ観測データとの間の確率的な関係に関連する。一実装形態では、依存関係パラメータは、システム１０２により特定されてもよい。

[0078] 依存関係パラメータを特定するために、第１の部品故障の組Ｆａｉｌ_ｊ、第１のＤＴＣ発生の組Ｉｎｄ_ｊｋ、第２のＤＴＣ発生の組Ｉｎｄ’_ｊｋ、第１のＤＴＣ観測の組Ｓｅｒｖ_ｊｋ、及び第２のＤＴＣ観測の組Ｓｅｒｖ’_ｊｋがそれぞれ従う確率分布関数が決定される。一実装形態では、第１の部品故障の組Ｆａｉｌ_ｊはワイブル分布に従ってもよく、第１のＤＴＣ発生の組Ｉｎｄ_ｊｋ及び第２のＤＴＣ発生の組Ｉｎｄ’_ｊｋはそれぞれ、平均が部品故障データに依存する正規分布に従ってもよく、第１のＤＴＣ観測の組Ｓｅｒｖ_ｊｋ及び第２のＤＴＣ観測の組Ｓｅｒｖ’_ｊｋはそれぞれ、平均が部品故障データ及びＤＴＣ発生データに依存する正規分布に従ってもよい。さらに、依存関係パラメータは、第１のＤＴＣ発生の組Ｉｎｄ_ｊｋ及び第２のＤＴＣ発生の組Ｉｎｄ’_ｊｋに対する正規分布の平均及び分散と、第１のＤＴＣ観測の組Ｓｅｒｖ_ｊｋ及び第２のＤＴＣ観測の組Ｓｅｒｖ’_ｊｋに対する正規分布の平均及び分散とに基づいて、特定される。

[0079] さらに、ブロック３１０において、第２の所定期間［Ｔ_３，Ｔ_４］内の製品の故障数が、依存関係パラメータに基づいて計算される。第２の所定期間は、第１の所定期間の後の期間を示す。製品の故障数を、製品の保証費を推定するために計算することができる。一実装形態では、製品の保証費は、計算された製品の故障数及び部品交換費に基づいて推定することができる。部品交換費は、故障単価とも呼ばれることがある。一実装形態では、製品の故障数は、システム１０２により計算することができ、製品の保証費は、システム１０２により推定することができる。

[0080] 一実装形態では、製品の故障数を計算するために、各部品Ｐ_ｊに対して、依存関係パラメータを、第１の部品故障の組Ｆａｉｌ_ｊと、第１のＤＴＣ観測の組Ｓｅｒｖ_ｊｋと、確率分布関数とを用いて学習することができる。そして、学習された依存関係パラメータ及び第２のＤＴＣ観測の組Ｓｅｒｖ’_ｊｋを用いて、第２の部品故障の組Ｆａｉｌ’_ｊｋは、各部品Ｐ_ｊに対して学習することができ、ここで、第２の部品故障の組Ｆａｉｌ’_ｊｋは、各部品Ｐ_ｊが第１の所定期間後に初めて故障するサイクル数を示す。この後、各部品Ｐ_ｊに対して、各部品Ｐ_ｊに対する第１の部品故障の組Ｆａｉｌ_ｊ及び第２の部品故障の組Ｆａｉｌ’_ｊｋの和に基づいて、和集合を決定することができる。さらに、各部品Ｐ_ｊに対して、ワイブル分布の形状パラメータ及び尺度パラメータを、和集合に基づいて学習することができ、次いで製品の故障数を、各部品Ｐ_ｊに対する学習された形状パラメータ及び尺度パラメータに基づいて計算することができる。

[0081] 一実装形態では、製品の故障数を計算するために、各部品Ｐ_ｊに対して、依存関係パラメータを、第１の部品故障の組Ｆａｉｌ_ｊと、第１のＤＴＣ発生の組Ｉｎｄ_ｊｋと、第１のＤＴＣ観測の組Ｓｅｒｖ_ｊｋと、確率分布関数とを用いて、学習することができる。そして、学習された依存関係パラメータと、第２のＤＴＣ発生の組Ｉｎｄ’_ｊｋと、第２のＤＴＣ観測の組Ｓｅｒｖ’_ｊｋとを用いて、第２の部品故障の組Ｆａｉｌ’_ｊｋを、各部品Ｐ_ｊに対して決定することができ、ここで、第２の部品故障の組Ｆａｉｌ’_ｊｋは、各部品Ｐ_ｊが第１の所定期間後に初めて故障するサイクル数を示す。この後、各部品Ｐ_ｊに対して、各部品Ｐ_ｊに対する第１の部品故障の組Ｆａｉｌ_ｊ及び第２の部品故障の組Ｆａｉｌ’_ｊｋの和に基づいて、和集合を決定することができる。続いて、各部品Ｐ_ｊに対して、ワイブル分布の形状パラメータ及び尺度パラメータを、和集合に基づいて学習し、製品の故障数を、各部品Ｐ_ｊに対する学習された形状パラメータ及び尺度パラメータに基づいて計算することができる。

[0082] 複数の部品を有する製品の保証費を推定するための方法の実装を、構造的な特徴及び／又は方法に特有の文言で記載したが、本主題が、記載された特定の特徴又は方法に必ずしも限定されないことが理解されよう。

Claims (18)

1. 複数の部品を有する製品の予想故障数を計算する方法であって、
   部品故障データをプロセッサにより決定することであって、前記部品故障データは、各部品が第１の所定期間内又は後に故障するサイクル数を示す、決定することと、
   前記製品のセンサデータから診断トラブルコード（ＤＴＣ）発生データを決定することであって、前記ＤＴＣ発生データは、各部品に関連付けられた各ＤＴＣが前記第１の所定期間内に初めて発生するサイクル数を示し、前記複数の部品の各々の機能は、各部品に関連付けられたＤＴＣを用いて診断され、前記ＤＴＣのうちの１つのＤＴＣは、前記製品の部品に関するトラブル症状に対して関連付けられる、決定することと、
   前記製品のサービス記録データからＤＴＣ観測データを決定することであって、前記ＤＴＣ観測データは、各部品に関連付けられた各ＤＴＣが前記第１の所定期間内に初めて観測されるサイクル数を示す、決定することと、
   ベイジアンネットワークに基づいて、前記部品故障データと、前記ＤＴＣ発生データと、前記ＤＴＣ観測データとの間の依存関係パラメータを前記プロセッサにより特定することであって、前記ベイジアンネットワークは、前記部品故障データと、前記ＤＴＣ発生データと、前記ＤＴＣ観測データとの間の確率的な関係を表し、前記依存関係パラメータは前記確率的な関係に関連する、特定することと、
   前記依存関係パラメータに基づいて第２の所定期間内の前記製品の前記予想故障数を前記プロセッサにより計算することであって、前記第２の所定期間は前記第１の所定期間後の期間を示す、計算することと、を含む、方法。
2. 前記部品故障データを決定することが、
   各部品に対して、前記各部品が前記第１の所定期間内に初めて故障する第１の製品の組を特定することと、
   各部品に対して、及び前記各部品に関連付けられた各ＤＴＣに対して、前記各部品が前記第１の所定期間後に初めて故障し、前記第１の所定期間内に初めて、前記関連付けられたＤＴＣが発生し、前記関連付けられたＤＴＣが観測される、第２の製品の組を特定することと、
   各部品に対して、前記各部品が前記第１の製品の組における各製品に対して初めて故障するサイクル数を含む第１の部品故障の組を決定することと、を含む、請求項１に記載の方法。
3. 前記センサデータから前記ＤＴＣ発生データを決定することが、
   各部品に対して、及び前記各部品に関連付けられた各ＤＴＣに対して、前記各部品に関連付けられた前記各ＤＴＣが前記第１の製品の組における各製品に対して初めて発生するサイクル数を含む第１のＤＴＣ発生の組を決定することと、
   各部品に対して、及び前記各部品に関連付けられた各ＤＴＣに対して、前記各部品に関連付けられた前記各ＤＴＣが前記第２の製品の組における各製品に対して初めて発生するサイクル数を含む第２のＤＴＣ発生の組を決定することと、を含む、請求項２に記載の方法。
4. 前記サービス記録データから前記ＤＴＣ観測データを決定することが、
   各部品に対して、及び前記各部品に関連付けられた各ＤＴＣに対して、前記各部品に関連付けられた前記各ＤＴＣが前記第１の製品の組における各製品に対して初めて観測されるサイクル数を含む第１のＤＴＣ観測の組を決定することと、
   各部品に対して、及び前記各部品に関連付けられた各ＤＴＣに対して、前記各部品に関連付けられた前記各ＤＴＣが前記第２の製品の組における各製品に対して初めて観測されるサイクル数を含む第２のＤＴＣ観測の組を決定することと、を含む、請求項３に記載の方法。
5. 前記依存関係パラメータを特定することが、
   前記第１の部品故障の組と、前記第１のＤＴＣ発生の組と、前記第２のＤＴＣ発生の組と、前記第１のＤＴＣ観測の組と、前記第２のＤＴＣ観測の組とがそれぞれ従う確率分布関数を決定することであって、
   前記第１の部品故障の組が、ワイブル分布に従い、
   前記第１のＤＴＣ発生の組及び前記第２のＤＴＣ発生の組がそれぞれ、平均が前記部品故障データに依存する正規分布に従い、
   前記第１のＤＴＣ観測の組及び前記第２のＤＴＣ観測の組がそれぞれ、平均が前記部品故障データ及び前記ＤＴＣ発生データに依存する正規分布に従い、
   前記依存関係パラメータが、
   前記第１のＤＴＣ発生の組及び前記第２のＤＴＣ発生の組に対する正規分布の平均及び分散と、
   前記第１のＤＴＣ観測の組及び前記第２のＤＴＣ観測の組に対する正規分布の平均及び分散と、に基づく、決定すること、を含む、請求項４に記載の方法。
6. 前記製品の前記予想故障数を計算することが、
   各部品に対して、前記第１の部品故障の組と、前記第１のＤＴＣ観測の組と、前記確率分布関数とを用いて、前記依存関係パラメータを学習することと、
   前記学習された依存関係パラメータ及び前記第２のＤＴＣ観測の組を用いて、各部品に対して第２の部品故障の組を学習することであって、前記第２の部品故障の組は、前記各部品が前記第１の所定期間後に初めて故障するサイクル数を示す、学習することと、
   各部品に対して、前記各部品に対する前記第１の部品故障の組及び前記第２の部品故障の組の和に基づいて、和集合を決定することと、
   各部品に対して、前記和集合に基づいてワイブル分布の形状パラメータ及び尺度パラメータを学習することであって、前記製品の前記予想故障数が前記各部品に対する前記形状パラメータ及び前記尺度パラメータに基づく、学習することと、を含む、請求項５に記載の方法。
7. 前記製品の故障数を計算することが、
   各部品に対して、前記第１の部品故障の組と、前記第１のＤＴＣ発生の組と、前記第１のＤＴＣ観測の組と、前記確率分布関数とを用いて、前記依存関係パラメータを学習することと、
   前記学習された依存関係パラメータと、前記第２のＤＴＣ発生の組と、前記第２のＤＴＣ観測の組とを用いて、各部品に対して第２の部品故障の組を学習することであって、前記第２の部品故障の組は、前記各部品が前記第１の所定期間後に初めて故障するサイクル数を示す、学習することと、
   各部品に対して、前記各部品に対する前記第１の部品故障の組及び前記第２の部品故障の組の和に基づいて、和集合を決定することと、
   各部品に対して、前記和集合に基づいてワイブル分布の形状パラメータ及び尺度パラメータを学習することであって、前記製品の故障数を前記計算することが前記各部品に対する前記学習される形状及び尺度パラメータに基づく、学習することと、をさらに含む、請求項５に記載の方法。
8. 前記製品の前記予想故障数及び前記製品の部品交換費に基づいて、前記製品の保証費を前記プロセッサにより推定することをさらに含む、請求項１に記載の方法。
9. 複数の部品を有する製品の予想故障数を計算するシステムであって、
   プロセッサと、
   前記プロセッサに接続されたメモリと、を備え、前記プロセッサは、前記メモリに格納されたコンピュータ可読命令を実行して、
   部品故障データを決定することであって、前記部品故障データは製品の部品が第１の所定期間内に故障するサイクル数を示す、決定することと、
   前記製品のセンサデータから診断トラブルコード（ＤＴＣ）発生データを決定することであって、前記ＤＴＣ発生データは、前記製品の部品に関連付けられたＤＴＣが前記第１の所定期間内及び後に初めて発生するサイクル数を示し、前記複数の部品の各々の機能は、各部品に関連付けられたＤＴＣを用いて診断され、前記ＤＴＣは、前記製品の前記部品に関するトラブル症状に対して関連付けられる、決定することと、
   前記製品のサービス記録データからＤＴＣ観測データを決定することであって、前記ＤＴＣ観測データは、前記製品の部品に関連付けられたＤＴＣが前記第１の所定期間内に初めて観測されるサイクル数を示す、決定することと、
   ベイジアンネットワークに基づいて、前記部品故障データと、前記ＤＴＣ発生データと、前記ＤＴＣ観測データとの間の依存関係パラメータを特定することであって、前記ベイジアンネットワークは、前記部品故障データと、前記ＤＴＣ発生データと、前記ＤＴＣ観測データとの間の確率的な関係を表し、前記依存関係パラメータは前記確率的な関係に関連する、特定することと、
   前記依存関係パラメータに基づいて第２の所定期間内の前記製品の予想故障数を計算することであって、前記第２の所定期間は前記第１の所定期間後の期間を示す、計算することと、を行う、システム。
10. 前記プロセッサが、前記コンピュータ可読命令を実行して、
    各部品に対して、前記各部品が前記第１の所定期間内に初めて故障する第１の製品の組を特定し、
    各部品に対して、及び前記各部品に関連付けられた各ＤＴＣに対して、前記各部品が前記第１の所定期間後に初めて故障し、前記第１の所定期間内に初めて、前記ＤＴＣが発生し、前記ＤＴＣが観測される、第２の製品の組を特定し、
    各部品に対して、前記各部品が前記第１の製品の組における各製品に対して初めて故障するサイクル数を含む第１の部品故障の組を決定する、請求項９に記載のシステム。
11. 前記プロセッサが、前記コンピュータ可読命令を実行して、
    各部品に対して、及び前記各部品に関連付けられた各ＤＴＣに対して、前記各部品に関連付けられた前記各ＤＴＣが前記第１の製品の組における各製品に対して初めて発生するサイクル数を含む第１のＤＴＣ発生の組を決定し、
    各部品に対して、及び前記各部品に関連付けられた各ＤＴＣに対して、前記各部品に関連付けられた前記各ＤＴＣが前記第２の製品の組における各製品に対して初めて発生するサイクル数を含む第２のＤＴＣ発生の組を決定する、請求項１０に記載のシステム。
12. 前記プロセッサが、前記コンピュータ可読命令を実行して、
    各部品に対して、及び前記各部品に関連付けられた各ＤＴＣに対して、前記各部品に関連付けられた前記各ＤＴＣが前記第１の製品の組における各製品に対して初めて観測されるサイクル数を含む第１のＤＴＣ観測の組を決定し、
    各部品に対して、及び前記各部品に関連付けられた各ＤＴＣに対して、前記各部品に関連付けられた前記各ＤＴＣが前記第２の製品の組における各製品に対して初めて観測されるサイクル数を含む第２のＤＴＣ観測の組を決定する、請求項１１に記載のシステム。
13. 前記プロセッサが、前記コンピュータ可読命令を実行して、
    前記第１の部品故障の組と、前記第１のＤＴＣ発生の組と、前記第２のＤＴＣ発生の組と、前記第１のＤＴＣ観測の組と、前記第２のＤＴＣ観測の組とがそれぞれ従う確率分布関数を決定し、
    前記第１の部品故障の組が、ワイブル分布に従い、
    前記第１のＤＴＣ発生の組及び前記第２のＤＴＣ発生の組がそれぞれ、平均が前記部品故障データに依存する正規分布に従い、
    前記第１のＤＴＣ観測の組及び前記第２のＤＴＣ観測の組がそれぞれ、平均が前記部品故障データ及び前記ＤＴＣ発生データに依存する正規分布に従い、
    前記依存関係パラメータが、
    前記第１のＤＴＣ発生の組及び前記第２のＤＴＣ発生の組に対する正規分布の平均及び分散と、
    前記第１のＤＴＣ観測の組及び前記第２のＤＴＣ観測の組に対する正規分布の平均及び分散と、に基づく、請求項１２に記載のシステム。
14. 前記プロセッサが、前記コンピュータ可読命令を実行して、
    各部品に対して、前記第１の部品故障の組と、前記第１のＤＴＣ観測の組と、前記確率分布関数とを用いて、前記依存関係パラメータを学習することと、
    前記学習された依存関係パラメータ及び前記第２のＤＴＣ観測の組を用いて、各部品に対して第２の部品故障の組を学習することであって、前記第２の部品故障の組は、前記各部品が前記第１の所定期間後に初めて故障するサイクル数を示す、学習することと、
    各部品に対して、前記各部品に対する前記第１の部品故障の組及び前記第２の部品故障の組の和に基づいて、和集合を決定することと、
    各部品に対して、前記和集合に基づいてワイブル分布の形状パラメータ及び尺度パラメータを学習することであって、前記製品の前記予想故障数の計算が各部品に対する前記形状パラメータ及び前記尺度パラメータに基づく、学習することと、を行う、請求項１３に記載のシステム。
15. 前記プロセッサが、前記コンピュータ可読命令を実行して、
    各部品に対して、前記第１の部品故障の組と、前記第１のＤＴＣ発生の組と、前記第１のＤＴＣ観測の組と、前記確率分布関数とを用いて、前記依存関係パラメータを学習することと、
    前記学習された依存関係パラメータと、前記第２のＤＴＣ発生の組と、前記第２のＤＴＣ観測の組とを用いて、各部品に対して第２の部品故障の組を学習することであって、前記第２の部品故障の組は、前記各部品が前記第１の所定期間後に初めて故障するサイクル数を示す、学習することと、
    各部品に対して、前記各部品に対する前記第１の部品故障の組及び前記第２の部品故障の組の和に基づいて、和集合を決定することと、
    各部品に対して、前記和集合に基づいてワイブル分布の形状パラメータ及び尺度パラメータを学習することであって、前記製品の前記予想故障数が各部品に対する前記形状パラメータ及び前記尺度パラメータに基づく、学習することと、を行う、請求項１３に記載のシステム。
16. 前記プロセッサが、前記コンピュータ可読命令を実行して、前記製品の前記予想故障数及び前記製品の部品交換費に基づいて、前記製品の保証費を推定する、請求項９に記載のシステム。
17. 複数の部品を有する製品の予想故障数を計算するための方法を実行するためのコンピュータプログラムが実装された非一時的コンピュータ可読媒体であって、前記方法は、
    部品故障データを決定することであって、前記部品故障データは各部品が第１の所定期間内又は後に故障するサイクル数を示す、決定することと、
    前記製品のセンサデータから診断トラブルコード（ＤＴＣ）発生データを決定することであって、前記ＤＴＣ発生データは、各部品に関連付けられた各ＤＴＣが前記第１の所定期間内に初めて発生するサイクル数を示し、前記複数の部品の各々の機能は、各部品に関連付けられたＤＴＣを用いて診断され、前記ＤＴＣは、前記１つ又は複数の製品の部品に関するトラブル症状に対して関連付けられる、決定することと、
    前記製品のサービス記録データからＤＴＣ観測データを決定することであって、前記ＤＴＣ観測データは、各部品に関連付けられた各ＤＴＣが前記第１の所定期間内に初めて観測されるサイクル数を示す、決定することと、
    前記部品故障データと、前記ＤＴＣ発生データと、前記ＤＴＣ観測データとの間の依存関係パラメータを、前記部品故障データと、前記ＤＴＣ発生データと、前記ＤＴＣ観測データとの間の確率的な関係を表すベイジアンネットワークに基づいて特定することであって、前記依存関係パラメータは前記確率的な関係に関連する、特定することと、
    前記依存関係パラメータに基づいて第２の所定期間内の前記製品の予想故障数を前記プロセッサにより計算することであって、前記第２の所定期間は前記第１の所定期間後の期間を示す、計算することと、を含む、非一時的コンピュータ可読媒体。
18. 前記方法が、前記製品の前記予想故障数及び前記製品の部品交換費に基づいて、前記製品の保証費を推定することをさらに含む、請求項１７に記載のコンピュータプログラム。

Images