JP2016143104A - 稼働データ分類装置 - Google Patents

Abstract

【課題】機械故障時の稼動データと過去事例の稼動データの比較によって故障原因の分類を行う。このような方法の課題は、過去事例の稼働データの量が故障原因の分類性能を左右する点である。これは、機械故障発生時の稼働データを適切に分類するためには、過去事例に類似する稼働データが存在する必要がある。そのため、従来は過去事例の稼働データを十分に用意する事が必要であった。【解決手段】本発明は、機械故障時のセンサデータを分析し、故障原因毎の稼動データの時系列変化を確率で表現する事で、従来では適切な分類が困難であった稼働データを適切に分類する。【選択図】図１

Description

本発明は、センサ等から得られた時系列データを解析するための装置及び方法に関する。

物流を担う商用車においては、商用車の故障が業務停止に直結するため、商用車の稼働率が事業の損益を左右する。そこで、商用車の保守作業の効率化を行うことによって、稼働率を上げることが行われている。保守作業の効率化は、例えば車両故障時の稼働データから故障原因を分類する事で、保守の効率化を図ろうとしている。しかし、人手による稼動データの故障原因分類は専門家にしかできないため、保守作業に活用できるほど短時間での分類は困難である。

そのため、機械によって自動的に故障原因の分類を行う。従来では、機械故障時の稼動データを故障原因が判明している過去事例の稼動データを比較することで、故障原因の分類が行われてきた。例えば特許文献１では、波形特徴の出現時刻を故障原因毎に学習し、分類する。

また、学習に用いるデータの選別に関する研究も行われてきた。例えば特許文献２では、交差検証によって学習データから異常時のデータを除外する記述がある。特許文献２は、機械の正常時のデータのみを学習し異常時データを検知するものである。

特開平８-２２１１１３ 特開２０１１−７０６３５

従来、故障原因の分類は、機械故障時の稼動データと過去事例の稼動データの比較によって行っていた。そのため、機械故障発生時の稼働データを適切に分類するためには、類似する過去事例のデータがデータベース上に存在する必要がある。よって、このような方法の課題は、過去事例の稼働データの量が故障原因の分類性能を左右するため、従来は過去事例の稼働データを十分に用意する事が必要であった。

しかしながら、機械の故障発生時の稼働データを十分量用意する事は困難である。これは、故障発生時の稼働データは故障の進行具合、負荷状況、外部環境、操作情報などの様々な要因によって変化するものであり、稼働データが多種多様にあるためである。そのため、機械の故障発生時の稼働データを十分量用意しようとすると、故障発生時のデータを常に習得し、逐次、学習データに反映する必要がある。この際に、全てのデータをそのまま学習してしまうと故障原因の分類性能に悪影響を及ぼす場合がある。これは稼働データが故障の特徴を反映していない事や、誤った保守作業によって誤った故障原因と共に学習してしまうためである。

特許文献１では、データを選別する点が考慮されていない。また、特許文献２は、一般に”教師なし学習”と呼ばれる手法における学習データの選別については記述があるが、稼働データとその故障原因を組み合わせて学習する”教師あり学習”と呼ばれる問題においては単純な適用が困難である。これは、特許文献２に記載の”教師なし学習”においては、正常か、正常でないかの判断はできるが、正常でない場合、なぜ正常でないかの原因がわからず、さらに、その故障原因の評価もすることができないためである。

よって、従来の方法では、異常時のデータを正常として学習してしまう可能性があり、異常の検知性能に悪影響があった。

本発明を実現する装置としては、故障原因情報に基づいて、機械の稼動データを分類する稼動データ分類装置であって、前記稼動データ分類装置は評価部を有し、前記評価部は入力された稼動データに対応する情報が正しいかを評価することを特徴とする。

本発明によれば、機械の真の故障原因が不明な場合であっても、精度のよい故障原因分類を行う事が可能となる。

本実施例のシステムを示した図である。 原因分類サーバの構成を示した図である。 事例記憶部の構成を示した図である。 サンプルの説明を示した図である。 教師情報推定部で行う処理のイメージを示した図である。 教師情報推定部の構成を示した図である。 教師情報推定部の処理フローを示した図である。 事例選択部の処理フローを示した図である。 教師情報信頼度で行う処理のイメージを示した図である。 教師情報信頼度評価部の処理フローを示した図である。 教師情報候補有力度評価部の処理フローを示した図である。 表示部の構成を示した図である。 表示部の画面例を示した図である。 原因分類部の構成を示した図である。 選択事例記憶部の構成を示した図である。 分類結果表示部の構成を示した図である。 保守作業入力部の構成を示した図である。

以下、図面を用いて本発明の実施例について説明する。

図１は本実施例のシステムを説明する図である。本実施例のシステムは、車両１０１、通信拠点１０２、原因分類サーバ１０３、保守拠点１０５を含み、分析者１０４は原因分類サーバ１０３を操作する。なお、本実施例においては、原因分類サーバ１０３は故障原因情報に基づいて機械の稼働データを分類する方法について記載しているが、保守情報に基づいて稼働データを分類する方法であっても同様の方法を実現できる。

車両１０１の内部には多数のセンサが内蔵されている。故障時にセンサが検出したセンサデータは車両１０１から通信拠点１０２を経由して原因分類サーバ１０３によって受信される。

原因分類サーバ１０３は、受信したセンサデータの故障の原因分類を行い、分類結果を保守拠点１０５に送信する。原因分類のための設定は分析者１０４によってあらかじめ行われている。保守拠点１０５は送信されてきた故障の原因分類情報を用いて、効率的な保守作業を行う。車両１０１、通信拠点１０２、原因分類サーバ１０３、保守拠点１０５、分析者１０４が操作するインターフェースは規格化された高速ネットワークにより相互に通信が可能である。この高速ネットワークは有線、及び無線の少なくとも１つを含みうる。

ここで故障の原因分類は一般に”教師あり学習”と呼ばれる手法によって行われる。この教師あり学習は、一般に分類問題に用いられる。分類問題では入力データと出力データの組合せを学習させる。その後、入力データのみを与えた際に、出力データを予測する。本実施例における稼働データ分類装置では、入力データが車両故障時のセンサデータに相当し、出力データが故障原因に相当する。教師あり学習と呼ばれる手法には、種々のアルゴリズムが存在する。例えば、サポートベクターマシンやランダムフォレストといったアルゴリズムがこれに当たる。

図２は原因分類サーバ１０３の構成を説明する図である。原因分類サーバ１０３は、事例記憶部２０２、教師情報推定部２０３、事例選択処理実行判定部２０４、事例選択部２０５、教師情報信頼度評価部２０６、教師情報候補有力度評価部２０７、原因分類部２１０で構成される。

原因分類サーバ１０３の原因分類部２１０に、車両１０１からの稼働データ２０９を入力される。分析者１０４は表示画面１０８において、原因分類サーバ１０３の教師情報候補有力度評価部２０７を見ることができる。さらに、原因分類サーバの原因分類部２１０において分類された診断結果が、保守拠点１０５の分類結果表示部２１１に表示される。

事例記憶部２０２は、保守作業入力部２０１から入力された保守の作業内容のデータを記憶する。これは、保守拠点１０５にいる保守員が直接、入力する。また、保守員でなくとも分析者１０４が入力しても構わない。入力は保守拠点１０５で保守作業が完了するたびに行われる。また、日に１度や週に１度など所定のタイミングで行ってもよい。
事例記憶部２０２では、過去に発生した故障に関連するデータが保存される。本実施例は、この原因分類サーバ１０３を用いた故障原因と事例データを学習し故障原因に基づいて稼働データを分類する装置であって、保守作業を事例記憶部２０２に入力する保守作業入力部２０１と、前記故障原因と前記事例データ、各事例の車両を特定する情報である車両特定情報、及び保守履歴を格納する事例記憶部２０２と、事例記憶部２０２に格納された前記保守履歴で特定の保守作業を行った際の故障原因の確率と前記車両特定情報が同一の車両の一定の期間内に行った保守作業による故障原因の確率から故障原因を推定する教師情報推定部２０３と、各事例に紐づけられた故障原因の信頼できる度合いを表す信頼度と評価する教師情報信頼度評価部２０６と、前記信頼度に応じて分類に使用する事例を選択する事例選択部２０５と、選択された事例とその故障原因に基づいて稼働データを分類する分類部２１０と、を有する事を特徴とする稼働データ分類装置について主に説明する。

図３に事例記憶部２０２に記憶されるデータの例を示す。故障番号３０１には、故障毎に割り振られた故障番号が記憶される。この故障番号は、事例記憶部２０２に登録された順に従って事例記憶部２０２から自動で割り振られる。日時３０２には故障の発生した日時が記憶される。場所３０３には、故障の発生した場所が記憶される。車両ID３０４には、故障が発生した車両の車両IDが記憶される。車両IDは車体１台毎に割り振られた数字、文字の列であり、同じ番号を持つ車体は１台しか存在しない。車両情報３０５には、故障が発生した車両の車両情報が入力される。車両情報とは、車両の型式や搭載しているエンジン等の部品の型式などの情報である。故障種別３０６には、発生した故障の故障種別が記憶される。故障種別とは、故障によって生じる不具合、異常、症状等を示す情報である。例えばエンジンの急停止や温度の異常がある。故障原因３０７には、発生した故障の故障原因が記憶される。故障原因とは故障種別と対応する原因である。例えばエンジンの急停止という故障種別には、エンジンの故障や燃料の供給停止といった故障原因などがある。事例サンプル３０８には、故障発生時のサンプルが記憶される。このサンプルは、例えば車両１０１に取り付けられた各種センサのデータである。保守作業３０９には、故障に対して行った保守作業が入力される。この保守作業は例えば、エンジンの故障に対してはエンジン部品の交換が行われ、燃料の供給停止に対しては燃料の補給、配管の点検が行われる。

故障番号３０１、日時３０２、場所３０３、車両ID３０４、車両情報３０５、故障種別３０６、事例サンプル３０８は、車両１０１から通信拠点１０２を通じて原因分類サーバ１０３が故障時センサデータを受信した時点で、原因分類サーバ１０３によって自動で記憶される。保守作業３０９は、保守作業入力部２０１から入力される。故障原因３０７は、保守履歴が入力された時点や、入力後一定期間経過後などの所定のタイミングで教師情報推定部２０３によって入力される。

図４に事例サンプルの説明を示す。時間列４０１は故障が発生した際の時間情報が記憶されている。アクセル列４０２、エンジン回転数列４０３など、車両に関するセンサデータが時間と同期して格納されている。原因分類サーバ１０３は、故障原因３０７とサンプルの情報を組み合わせて学習し、故障発生時の稼働データ２０９の原因を分類する。

図５は教師情報推定部２０３の考え方を説明する図である。横軸は時間の経過を表す。右に行くほど時間が経過している。破線の上側は車両ID０００２の車両に関する保守履歴を表す。車両ID０００２では、時刻t１において故障が発生し、保守H１を行った。その後、一定期間内に故障が発生していないため、保守H１が有効であったと推測される。そのため、故障原因は保守H１に対応する故障原因C１である可能性が高いと推測される。前述の例では、保守H１は燃料の補給、配管の点検に当たり、故障原因C１は燃料の供給停止に相当する。このような場合では、時刻t１で発生した故障の事例サンプルに対して、故障原因C１を有力な候補として、事例記憶部２０２に入力する。なお、本実施例においては、保守作業として１例のみ記載しているが、保守員は通常、複数の保守を行うことが一般的であり、保守作業として１例のみ提案するというものに限らない。

これに対して、破線の下側は車両ID０００１に関する保守履歴を表す。車両ID０００１では、時刻t２において発生した故障に対して保守H１を行った。しかし、時刻t２とそれほど離れていない時刻t３において、再び同一の故障種別の故障が発生し、保守H１と保守H２を行った。その後、故障が発生しなくなった。この場合には、保守H１は有効でなく、保守H２が有効であったと推測される。そのため、保守H２に対応する故障原因C２である可能性が高いと推測される。前述の例では、保守H２がエンジン部品の交換に当たり、故障原因C２がエンジンの故障に相当する。このような場合には、時刻t２及び時刻t３に発生した故障の事例サンプルに対して、故障原因C２を有力な候補とし、事例記憶部２０２に入力する。

このように教師情報推定部２０３では、一定の期間内では同じ故障種別が発生した場合は先に施した保守作業が有効でなかったとし、履歴から有効であった保守作業を推測する。また、一定の期間内で発生した故障は同一の故障原因が引き起こしていると仮定している。さらに、同じ車両IDであっても一定期間以上、時間が離れた同一の故障種別の故障が発生した場合は、必ずしも同一の故障原因が引き起こしているとは限らない。例えば、図５の車両ID０００２において、時刻t１より一定期間以上後である時刻t４に同一の故障種別が発生した場合であっても、時刻t１で発生した故障に対して保守H１は変わらず有効であったとする。なお、時刻t４で発生した故障の故障原因の推定には、時刻t１で発生した故障の保守履歴情報を使用しない。

図６に教師情報推定部２０３の構成を示す。教師情報推定部２０３は車両保守履歴検索部６０１、故障期間抽出部６０２、故障原因類推部６０３から構成される。

図７に故障原因部２０３の処理フローを示す。

ステップ７０１で故障原因推定フローを開始する。これは、日に１度、月に１度など所定のタイミング、または分析者によって教師情報推定部が操作されたタイミングで行う。

ステップ７０２では故障原因を推定するサンプルを決定する。前述の所定のタイミングで行う際は、全てのサンプルに対して故障原因の推定を行う。また、故障原因が未知のサンプルに限って故障原因の推定を行っても良い。前述の分析者によって操作された場合には、全てのサンプル、原因の未知のサンプルの他に、分析者によって指定されたサンプルもあり得る。

ステップ７０３では、車両保守履歴検索部６０１が、故障原因を推定するサンプルと同一の車両IDを持つ故障事例を事例記憶部２０２から読み込む。この読み込みは同一の車両IDを持つ全ての事例を読み込む。また、故障原因を推定するサンプルの故障発生時刻からある期間内に発生した故障事例のみを読み込んでもよい。

ステップ７０４では、故障期間抽出部６０２が読み込んだ事例から、故障原因を推定するサンプルと同じ故障期間に属する推測される事例を抽出する。ここで、故障期間とは、同一の故障原因によって故障が発生した期間を示す。同じ故障期間に属する事例の抽出は、次のような方法で行われる。まず、故障原因を推定するサンプルから一定の期間内で発生した故障事例を抽出し、同じ故障期間に属するとする。更に、新しく抽出された同じ故障期間に属する故障事例から、一定の期間内に発生した故障事例を抽出する。新たに追加される故障事例が無くなるまで故障事例を抽出し、同じ故障期間とする。一定の期間は事前に分析者によって与えられている。この値は、全ての故障で同じ値であってもよいし、故障種別、故障原因毎に異なる値にしてもよい。故障原因毎で異なる値にする場合には、故障原因毎に異なる故障期間が生成される。

ステップ７０５では、同じ故障期間に属する故障事例から故障原因を推定する。これは次式によって推定される。

ここでNは同じ故障期間に属する故障事例を示す。p(*)は確率を表す。はCkはk番目の故障発生時点での故障原因であり、Hkはk番目の故障発生時に行った保守作業である。p(Ck|Hk)はk番目の故障発生時に保守作業Hkを行った際の故障原因Ckの確率を表す。また、p(Ck|H１,…,Hk-１)は、１番目からk-１番目に保守作業H１からHk-１を行った際の故障原因Ckの確率を表す。また、左辺は、各故障原因の確率を表す。これらの確率は、分析者によって事前に与えられる。また、過去の事例データから求めても良い。数１によって最も高い確率が得られた故障原因を、事例記憶部２０２に入力する故障原因とする。また、N個の事例に対して原因分類部２１０で故障原因をN回分類し、最も多く分類された故障原因を事例記憶部２０２に入力する故障原因としてもよい。

また、本実施例では教師情報推定部２０３で故障原因の推定を行ったが、例えば有効である保守作業を教師情報として推定してもよい。この場合も数１と同様の形式で推定される。

ステップ７０６では、同じ故障期間に属する故障事例のデータに同じ故障原因を入力する。この際には、同じ故障期間全てに対して故障原因を入力する。また、ステップ７０４で用いる一定の期間より短い期間内の故障事例のみに故障原因を入力しても良い。

ステップ７０７で故障原因推定フローを終了する。

事例選択処理実行判定部２０４は、事例選択部２０５での処理を実行するか判定する。後述の事例選択部２０５で行う処理は、計算負荷が高い。そのため、事例選択処理実行判定部２０４を設ける事で効率的な運用を行う。この実行判定は故障原因分類が行われる単位毎に行われる。ここで故障原因分類が行われる単位とは、例えば故障種別の事である。また、故障原因分類が行われる単位は、故障種別、車両情報の組合せを単位としても良い。事例選択部２０５での処理の実行判定は、事例記憶部２０２に記憶されているサンプルの数によって決定される。ここで、サンプルの数とは、事例選択部２０５の処理の対象となる故障種別のサンプルの数である。このサンプル数が一定以上あれば事例選択部２０５での処理は実行しない。事例選択処理実行判定に関するサンプル数の閾値は、事前に分析者によって与えられる。また、サンプル数による事例選択処理実行判定以外にも、正答率による判定も考えられる。この場合には、事例選択処理の対象となる故障種別のサンプルで、１つ抜き法と呼ばれる交差検証を行い教師あり学習を用いて正答率を計算する。ここで正答率は、交差検証の対象となるサンプルの数で交差検証で、事例記憶部に記憶されている故障原因に分類されたサンプルの数を割った値である。この正答率が一定以上であれば、事例選択部２０５での処理は実行しない。事例選択処理実行判定に関する正答率の閾値は、事前に分析者によって与えられる。また、分析者によって事例選択処理実行判定が行われてもよい。この場合には、分析者が事例選択処理を実行しないとした時点以降は実行せず、事例選択処理を実行するとした時点以降では実行する。

事例選択部２０５では、故障原因分類に用いる事例を選択する。

特許文献２に見られるような交差検証で正常データから異常データを除去する手法は、一般に外れ値検知と呼ばれる。特許文献２のような正常時のセンサデータのみを学習する方法は”教師なし学習”と呼ばれる。教師なし学習は、教師あり学習とは異なり、入力データのみを学習する。その後、新たな入力データが与えられた際には、これまで学習したデータとの距離を出力する。一方で、教師あり学習とは、入力データと故障原因情報もしくは保守情報を学習する。特許文献２では、入力データとして機械正常時のセンサデータを与え学習させる。その後、機械を運転時のセンサデータを与え、学習した機械正常時センサデータとの距離を計算し、一定以上離れている場合には、機械が異常であるとして診断する。そのため、学習するデータの中に異常なデータが混入してしまうと、適切な異常診断が行えない。これは機械運転時に異常なセンサデータが与えられても、学習データに近いデータが存在する場合には、学習データとの距離が十分大きくならないためである。そのため、教師なし学習においては、学習データから異常と推定されるデータを除外する外れ値検知の検討が十分に行われてきた。教師なし学習において外れ値検知で除外されるデータは、発生頻度の低いデータである。そのため、学習したデータとの距離を計算する教師なし学習においては、発生頻度の低いデータはノイズとなり、学習結果に悪影響を及ぼす。

しかしながら、従前の師あり学習においては、学習データから異常と推定されるデータを除外する手法に対する検討は十分に行われていない。これは、教師あり学習の扱う主問題が分類問題であるためである。分類問題では、多くのセンサデータの中から異なる特徴を見つける事が重要である。例えば、エンジン急停止という故障種別においてエンジンの故障と燃料の供給停止という異なる故障原因を分類するという問題を扱う。エンジンの故障の際には燃料が十分供給されていてもエンジンが動作しない、燃料の供給停止の際には燃料が十分供給されていない点が故障原因を分類する特徴となる。教師あり学習では、多くのセンサデータの中から分類に有効な特徴を探索する。そのため、データの発生頻度は低い場合であっても、故障原因の分類に有効な特徴となる可能性がある。また、通常の教師あり学習で扱う問題では学習データが十分に存在する。そのような場合には、発生頻度の低いデータが分類に有効でない時は特徴として採用されない。このような理由で、教師あり学習においては外れ値検知のような学習データに対する検証は行わない。

しかしながら、故障原因分類では、学習データの選定が重要となる。これは、学習時の出力データである故障原因の信頼性が低いためである。通常の教師あり学習では、出力データの信頼性は十分に高い。例えば、一般の教師あり学習では、自然言語処理や画像認識を扱う。例えば、画像認識で大量の画像から海の画像と山の画像を識別する問題を考える。多くの人間は画像に対して、それが海の画像であるか、山の画像であるかを識別できる。そのため、教師あり学習で学習する出力データ（海の画像であるか、山の画像であるか）の信頼性は高い。これに対して、故障原因分類の問題では、出力データ（故障原因）の信頼性は高くない。これは、機械の専門家であっても故障の原因の特定は難しい点、機械の専門家は多く存在しない点、１台当たりの故障原因の特定には長い時間が必要である点がある。そのため、機械専門家による出力データの生成は、現実的には困難である。また、保守拠点での保守作業による出力データの生成も困難である。これは、保守員の経験が浅い、故障した車両が新しい型式である等の理由によって保守員が十分な保守の知識を持っていないために適切な保守ができない事があるためである。また保守拠点の保守員は必要以上の保守を行う事があるためである。ここで、必要以上の保守とは、例えば、エンジンの故障という故障原因に対して、エンジン部品の交換に加え、燃料の補給、配管の点検を行うことである。このような場合には、どの保守作業が故障原因に対して有効であったかを判定するためには、機械の専門家が必要となる。そのため、この場合でも有効であった保守が不明となるため、真の故障原因が不明であり、適切な入力を行えず、出力データの信頼性が低くなる。本実施例における教師情報推定部２０３のように、保守履歴から真の故障原因を推定することも可能であるが、この場合も同様に出力データの信頼性は十分高くない。

このような課題に対応するために、本実施例では、故障原因分類に用いる事例の選択を行う。この事例選択は、各事例に対して出力データの信頼性を評価し、信頼性の低いデータは学習に用いない、または信頼性の高いと推測される故障原因を与える。これにより、故障原因分類に用いる学習データの信頼性を向上させる。

図８に事例選択部２０５の処理フローを示す。

ステップ８０１で事例選択部の処理フローを開始する。これは、日に一度、月に一度、または新しい事例が事例記憶部に入力された時など所定のタイミングで行われる。また、事例選択部のフローは故障原因分類が行われる単位毎に実行判定及び実行する。また、事例選択処理実行判定部で事例選択処理を実行しないと判定された場合には、ステップ８０１でフローは開始されない。その場合には、故障原因分類には全てのサンプルを用いる。または、その時点で既に選択されているサンプルを使用する。

ステップ８０２では教師情報信頼度評価部２０６で、各サンプルの信頼度を評価する。この信頼度は、各サンプルに与えられた故障原因が信頼できる度合を表す。真の故障原因とは異なる故障原因を与えられたサンプルは信頼度が低くなり、真の故障原因に等しい故障原因が与えられたサンプルは信頼度が高くなる。ここで教師情報とは教師あり学習における出力データであり、本実施例では故障原因である。

ステップ８０３では、教師情報候補有力度評価部２０７で、ステップ８０２で信頼度がある閾値より低いとされたサンプルに対して、より有力な教師情報を推定する。ここで有力な教師情報とは、真の故障原因と推定される教師情報である。また、ある閾値は事前に分析者によって与えられる。また、本実施例では信頼度がある閾値より低いサンプルのみ、有力な教師情報を推定するが、全てのサンプルに対して教師情報を推定してもよい。

ステップ８０４では、信頼度の低いサンプルの故障原因を変更する。すなわち、教師情報候補有力度評価部２０７で有力度が高いとされた教師情報を、有力な故障原因として分析に用いる。

ステップ８０５では故障原因変更前後での正答率を計算する。すなわち、ステップ８０２時点での故障原因で計算した正答率とステップ８０４で信頼度の低いサンプルの故障原因を変更した後での正答率を計算する。

ステップ８０６では故障原因変更前後での正答率を比較する。もし、故障原因を変更した場合に正答率が高い場合にはステップ８０７へ進む。反対に故障原因を変更しない場合に正答率が高い場合にはステップ８０８へ進む。

ステップ８０７では、故障原因分類に用いる教師情報である故障原因を決定する。この場合はステップ８０４で推定された有力度の高い故障原因を原因分類部２１０で使用する事例及び故障原因として、原因分類部２１０に送信する。その後ステップ８１２に進み、事例選択フローを終了する。

ステップ８０８では、故障原因を変更せず、信頼度の低いサンプルを除外する前後での正答率を計算する。ステップ８０８に進んだ場合には、故障原因を変更した場合に正答率が低下するため、故障原因の変更を行わない。この場合には、信頼度の低いサンプルを学習に悪影響を与えるサンプルとして除外する事で、原因分類部２１０での正答率向上を図る。

そのため、ステップ８０２時点での故障原因、サンプル数での正答率と、ステップ８０２時点でのサンプル数以下である信頼度が低いサンプルを除外した後のサンプル数で、それぞれ正答率を計算する。

ステップ８０９で、信頼度の低いサンプルを除外した前後での正答率を比較する。信頼度の低いサンプルを除外しない場合に正答率が高い場合にはステップ８１０に進む。信頼度の低いサンプルを除外した場合に正答率が高い場合には、ステップ８１１に進む。

ステップ８１０では、故障原因分類に用いるサンプルを決定する。この場合はステップ８０２時点での故障原因、サンプルを原因分類部２１０で使用する事例及び故障原因として、原因分類部２１０に送信する。その後ステップ８１２に進み、事例選択フローを終了する。

ステップ８１１では、故障原因分類に用いるサンプルを決定する。この場合はステップ８０２時点での故障原因で、信頼度が低いサンプルを除外した後のサンプルを原因分類部２１０で使用する事例及び故障原因として、原因分類部２１０に送信する。その後ステップ８１２に進み、事例選択フローを終了する。

図８では、信頼度の低いサンプル全てを一括して故障原因を変更する例を示したが、信頼度の低いサンプルの一部のみ故障原因を変更してもよい。この場合には、最も信頼度が低いサンプルの故障原因を変更し、正答率を計算する。故障原因の変更前より正答率が向上した場合には、最も信頼度の低いサンプルの故障原因を変更する。故障原因の変更前より正答率が向上しない場合には、最も信頼度の低いサンプルの故障原因は変更しない。次に２番目に信頼度の低いサンプルの教師情報を変更し、正答率を計算する。故障原因の変更前より正答率が向上した場合には、２番目に信頼度の低いサンプルの故障原因を変更する。故障原因の変更前より正答率が向上しない場合には、２番目に信頼度の低いサンプルの故障原因を変更しない。このように信頼度の低いサンプルから順に正答率を計算し、正答率が向上したサンプルの故障原因の変更を行う方法でもよい。また、１度全てのサンプルの故障原因の変更を検討した後に故障原因が変更されたサンプルが存在した場合には、再度信頼度を計算しなおし、信頼度の低いサンプルから順に故障原因の変更を検討してもよい。また、信頼度の高いサンプルから順に故障原因の変更を検討してもよいし、信頼度とは無関係な順番、例えば事例の発生日時などの順で故障原因の変更を検討してもよい。

また、図８では信頼度の低いサンプル全てを一括に学習から除外する例を示したが、故障原因の変更手順と同様に、一部のサンプルのみ学習から除外してもよい。この場合も、信頼度の低いサンプルから順に、除外し正答率を検討し、除外前より正答率が向上した際には信頼度の低いサンプルを除外する。また、故障原因の変更時と同様に、除外する順は問わない。

また、故障原因の変更、サンプルの除外を交互に繰り返しても良い。

また、正答率ではなく、正解したサンプル数で評価してもよいし、正答率が一定以上向上した際のみ、故障原因の変更及びサンプルの除外を適用してもよい。

このように、正答率を基準として、各事例の原因分類部での使用、不使用や原因分類部で使用する際の故障原因を選択する事で、原因分類部の正答率を向上させる。

図９に教師情報信頼度評価部２０６での処理のイメージを示す。ここでは簡単のため、N個のサンプルの中に、真の故障原因とは異なる故障原因が与えられているサンプルが１個だけある場合について説明する。

全サンプル９０１は学習データとして全サンプルが与えられている事を示す。実線で囲まれている正しい故障原因のサンプル１は、サンプル１に真の故障原因が与えられている事を示している。正しい故障原因のサンプル２〜正しい故障原因のサンプルN-１も同様である。破線で囲まれている誤った故障原因のサンプルNは、サンプルNには真の故障原因とは異なる故障原因が与えられている事を示している。すなわち、サンプル１〜サンプルN-１のN-１個のサンプルが真の故障原因を与えられており、サンプルNのみ１サンプルが真の故障原因とは異なる故障原因が与えられている。この状態で正答率を計算した際に、正答率がAとなったとする。

N-１サンプル９０２はN-１個のサンプルを示している。すなわち９０２aでは正しい故障原因のサンプル１を除いたサンプル２〜NのN-１個のサンプルがある。９０２bでは正しい故障原因のサンプル２を除いたサンプル１, ３〜NのN-１個のサンプルがある。９０２cでは正しい故障原因のサンプルNを除いたサンプル１〜N-１のN-１個のサンプルがある。

９０３ではN-１サンプルでの正答率及び信頼度を示す。９０３aではサンプル２〜NのN-１サンプルで得られた正答率とサンプル１の信頼度を示す。この時、正答率が全サンプルでの正答率Aと同等であったとする。このような状況では、サンプル１は少なくともN個のサンプルでは故障原因分類に大きな影響を及ぼすサンプルではない。そのため、サンプル１の信頼度は中となる。９０３bではサンプル１と３〜NのN-１個のサンプルで得られた正答率とサンプル２の信頼度を示す。この時正答率がAより低下したとする。この場合では、サンプル２がN個のサンプルでの故障原因分類での正答率に重要なサンプルである。そのため、このサンプルの信頼度は高い。９０３cでは真の故障原因とは異なる故障原因が与えられたサンプルNが除かれた上でのサンプル１〜N-１のN-１個での正答率とサンプルNの信頼度を示す。このような場合では、故障原因分類に悪影響を及ぼす誤った教師情報を持つサンプルが除外されたため、正答率は向上する。そのため、サンプルNの信頼度は低い。

以上のように、教師情報信頼度評価部２０６では、全サンプルから１事例ずつサンプルを除外し正答率を計算する。除外したサンプルが正しい故障原因を与えられたサンプルである場合には、正答率は変化しない、または低下することが考えられる。そのため、正答率が変化しない、または低下する場合には、除外したサンプルに対して中程度または高い信頼度を与える。除外したサンプルが真の故障原因とは異なる故障原因を与えられている場合には、正答率が向上する事が想定される。そのため、正答率が向上した場合には、除外したサンプルの信頼度は低くなる。このようにして、各サンプルの信頼度を計算する。

図１０に教師情報信頼度評価部２０６の処理フローを示す。

ステップ１００１で処理フローを開始する。これは事例選択部の処理フローステップ８０２が実行されるタイミングで開始される。

ステップ１００２では全サンプルN個での正答率を計算する。

ステップ１００３では繰り返し数iに１を代入する。

ステップ１００４では、全サンプルからi番目のサンプルを除外し、N-１個のサンプルを生成する。

ステップ１００５では、ステップ１００４で生成されたN-１個のサンプルで正答率を計算する。

ステップ１００６では、ステップ１００２で計算した全サンプルN個での正答率とステップ１００５で計算したN-１個のサンプルでの正答率から信頼度を計算する。信頼度は数２によって計算される。

ここで、Riは信頼度をi番目のサンプルの信頼度を表す。AはN個のサンプルでの正答率を表す。A_-iはi番目のサンプルを除外したN-１個のサンプルで計算した正答率を示す。

ステップ１００７では全てのサンプルに対して信頼度を計算したか調べる。i=Nであれば全サンプルN個の信頼度の計算を完了したとしてステップ１００９に進む。i=Nでなければステップ１００８に進む。

ステップ１００８ではiに１足す。

ステップ１００９で教師情報信頼度評価部の処理フローを終了する。

また、ここでは１つのサンプルのみを除外して信頼度を評価する方法について記述した。この際、除外する１サンプル以外は全て最初に与えられている故障原因を用いているが、信頼度の計算と故障原因の変更を並行して行ってもよい。例えば、まず最も信頼度の低いサンプルを特定し、最も信頼度の低いサンプルに対して教師情報候補有力度評価部２０７で有力な故障原因を推定し、故障原因を変更する。その後、もう一度全てのサンプルに対して信頼度を計算し、最も信頼度の低いサンプルに対して再び教師情報有力度評価部２０７で有力な故障原因を推定し、故障原因を変更する。このように信頼度の計算と信頼度の低いサンプルの有力な教師情報の推定、故障原因の変更を繰り返してもよい。この場合には、繰り返し計算した回数が一定以上となった時点や故障原因が変更されなくなる時点で繰り返し計算を終了する。

また、ここでは、１つのサンプルのみを除外して信頼度を評価する方法について記述した。また、反対にサンプルを１つずつ加え信頼度を評価する方法も考えられる。この場合には、まず既に信頼度が分かっているサンプルN個で正答率を計算する。その後、信頼度を計算するサンプルを加えN+１個のサンプルで正答率を計算し、サンプルを加えた前後の正答率から信頼度を計算する。信頼度を計算したいサンプルが複数ある場合には、信頼度が既知のサンプルN個に順番にサンプルを加えN+１個のサンプルで正答率の計算及び信頼度の計算を繰り返す。

このようにして計算された信頼度は、各サンプルの正答率への寄与を表している。そのため、信頼度が高く評価されたサンプルは、原因分類部２１０で使用すれば正答率の向上が見込める。反対に信頼度が低く評価されたサンプルは、原因分類部２１０で使用すれば正答率の低下を招く恐れが高い。この信頼度を根拠として、事例選択部２０５は、原因分類部２１０での正答率が高くなるように事例の選択を行う。また、この信頼度は表示部２０８に出力され、分析者１０４によって確認される。その後、分析者は信頼度に応じて各サンプルを原因分類部２１０での使用、不使用を決定できる。

図１１では教師情報候補有力度評価部２０７の処理フローを示す。

ステップ１１０１で処理フローを開始する。これは、事例選択部２０５の処理フローのステップ８０３を実行するタイミングで開始する。

ステップ１１０２で教師情報候補の有力度を計算するサンプルを決定する。これは、教師情報候補有力度計算部が自動で実行する。

ステップ１１０３では、正答率を計算する。ここで正答率を計算する際には、有力度を計算するサンプルは、ステップ１１０４、１１０５を繰り返すたびに教師情報である故障原因が変更される。有力度を計算するサンプル以外のサンプルはステップ１１０１時点で与えられている故障原因を教師情報として固定し、正答率を計算する。

ステップ１１０４では、有力度を計算するサンプルが全ての故障原因を教師情報にした際の正答率を計算したか調べる。全ての故障原因を教師情報とした場合全てに対して正答率の計算が完了していればステップ１１０６に進み、完了していなければステップ１１０５に進む。

ステップ１１０５では、有力度の計算するサンプルの故障原因を変更する。ここで変更する故障原因は、まだステップ１１０３で正答率の計算を終えていない故障原因となる。

ステップ１１０６では各故障原因での正答率から各故障原因の有力度を計算する。有力度の計算は数３によって行われる。

ここでWcは故障原因がcの有力度を表す。Acは故障原因がcの時の正答率を表す。右辺の分母は、全ての故障原因での正答率の総和を表す。

事例選択部等で信頼度の低いサンプルの故障原因を変更する際には、最も有力度の高い故障原因に変更する。また、ここでは有力度の計算に正答率のみを用いたが、数１で求められる各故障原因の発生確率を用いて重みづけを行ってもよい。この場合には有力度は数４で求められる。

ここでp(c)は、数１で求められる故障原因cの発生確率である。

ステップ１１０７では、全てのサンプルに対して有力度を計算したか調べる。まだ、全てのサンプルに対して有力度を計算してなければ、ステップ１１０２に進み有力度を計算していないサンプルの有力度の計算を行う。全てのサンプルに対して有力度の計算が完了していれば、ステップ１１０８に進み、教師情報候補有力度評価部の処理フローを終了する。

このようにして計算された有力度は、サンプルの故障原因を変更した際の、正答率の変化を表す。すなわち、有力度の高い故障原因に変更した場合には、原因分類部２１０での正答率の向上が見込まれる。反対に、有力度の低いサンプルに変更した場合には、原因分類部２１０での正答率の低下が見込まれる。事例選択部２０５はこのように算出された各サンプルの有力度を用いて、各事例の故障原因を決定する。また、この有力度は表示部２０８に出力され、分析者１０４によって確認される。その後、分析者は有力度に応じて各サンプルを原因分類部２１０で使用する際の故障原因を選択できる。

図１２は、表示部２０８の構成を示した図である。

選択対象表示部１２０１は、事例選択部の対象を表示する。ここで対象とは、例えば、車両情報や、故障種別である。また、車両IDを表示してもよい。

信頼度表示部１２０２は、教師情報信頼度評価部２０６で計算した各事例の信頼度を表示する。

有力度表示部１２０３は、教師情報候補有力度評価部２０７で計算した各事例の有力度を表示する。

保守履歴表示部１２０４は、事例記憶部２０２に記憶されている各事例の保守履歴を表示する。

データ表示部１２０５は、事例毎の時系列データや散布図などのセンサデータを表示する。

代表例表示部１２０６は、各故障原因の代表的な時系列データや散布図などのセンサデータを表示する。

事例使用選択部１２０７では、分析者１０４が各事例を原因分類部２１０での使用、不使用を選択できる。

原因変更部１２０８では、分析者１０４が各事例の原因を変更する。

分類性能表示部１２０９は、選択されている事例、故障原因での分類性能を表示する。ここで分類性能とは、例えば正答率である。また、正答率の他にも、故障原因をクラスとみなした際のクラス内分散、クラス間分散や各故障原因の平均値などの統計量を用いてもよい。

事例選択検証部１２１０では、分析者１０４が選択した各事例の使用、不使用、故障原因の変更等を用いた際の正答率等の分類性能を計算し、分類性能表示部１２０９に表示する。これは、分析者によって事例選択検証部１２１０の実行を選択されたタイミングで実行する。

図８で示した事例選択部の処理フローでは、原因分類サーバが自動的に原因分類部２１０で使用する事例を選択する例を示した。しかし、分析者１０４が表示画面２０８で、信頼度や有力度、保守履歴、センサデータ等を参考にして、原因分類部２１０で各事例の使用、不使用、原因の変更を行ってもよい。

図１３は、表示部２０８の画面例を示した図である。

選択対象表示部１３０１aは、事例選択部の対象を表示する。１３１aでは車両情報、故障種別に加え、各故障原因のサンプル数を表示する。１３０１bでは、信頼度表示部１２０２で選択されたサンプルのサンプル名、車両IDを表示する。

信頼度表示部１３０２では、各事例のサンプル名、故障原因、信頼度、事例選択結果、選択原因を表示する。ここで、故障原因は、事例記憶部２０２に記憶されている故障原因である。信頼度は教師情報信頼度評価部２０６で計算された各事例の信頼度である。事例選択結果は、各事例を原因分類部２１０での使用、不使用を表示したものであり、使用となっている事例は原因分類部２１０で使用し、不使用となっている事例は原因分類部２１０で使用しない。選択原因は、原因分類部２１０で各事例を使用する際の教師情報、すなわち故障原因を表示する。この事例選択結果と選択原因は分析者１０４によって、使用、不使用や、選択原因の変更が可能である。これらの機能は、図１２の事例使用選択部１２０７と原因変更部１２０８の機能である。このように、事例使用選択部１２０７と原因変更部１２０８は信頼度表示部１２０２と同じ画面上に配置してもよい。ここで、サンプル３の背景が灰色になっているのは、サンプル３が分析者１０４によって選択されている事を示し、選択された事例の有力度は有力度表示部１３０３に、選択された事例の保守履歴は保守履歴表示部１３０４に、選択された事例のセンサデータはデータ表示部１３０５に表示される。

また、信頼度表示部は、信頼度の値によって昇順、降順などに並び替えることができる。さらに信頼度が一定以上、または一定以下の事例を色分けして表示することもかのうである。

有力度表示部１３０３は、選択された事例の有力度を表示する。ここで、有力度表示部１３０３は有力度の値によって昇順、降順などに並び替えることができる。さらに有力度が一定以上、または一定以下の事例を色分けして表示することもかのうである。

保守履歴表示部１３０４では、選択された事例と同一の車両IDを持つ車両の保守履歴が表示される。ここで横軸は保守が行われた日付を表し、各日付で行われた保守を表示する。

データ表示部１３０５は、選択された事例のセンサデータを表示する。ここで表示するデータは、時系列データ、センサ間の散布図、FFTや移動平均などの処理を行った後のデータなどを選択できる。

典型例表示部１３０６は、各故障原因で典型例として選択された事例のデータを表示する部分である。ここで表示するデータはデータ表示部１３０５と同様に、時系列データ、センサ間の散布図、FFTや移動平均などの処理を行った後のデータなどを選択できる。

分類性能表示部１３０７は、現在の分類性能を表示する。ここでは、分類性能として正答率を用いた場合について例示する。

事例選択検証部１３０８は、分析者１０４によって選択された場合に、現在の事例選択結果及び選択原因を用いて交差検証を行い、分類性能を算出し、分類性能表示部１３０７の値を更新する。

確定部１３０９は、分析者１０４によって選択された場合に、現在の事例選択結果及び選択原因を原因分類部２１０で使用する事例及び故障原因として、原因分類部２１０に送信する。

分析者１０４は、この表示部を使って最も正答率が向上する事例選択を効率的に行う。

例えば、信頼度表示部１３０２を用いて信頼度の低い事例を選択し、有力度表示部１３０３や保守履歴表示部１３０４で、信頼度の低い事例の有力度、保守履歴を確認する。有力度表示部１３０３では、分析者１０４は、最も正答率が向上すると想定される故障原因を確認できる。また、データ表示部１３０５や代表例表示部１３０６で、各事例のデータと各故障原因の代表的なデータを比較する事で、各事例のデータと有力な故障原因の候補のデータを比較し、類似した波形、分布等の特徴を示すとみられる原因を有力な原因と考えられる。また、保守履歴表示部で、有力とみられる故障原因に対応する保守が行われておらず、かつ保守後一定期間経過したにも関わらず故障が再発していない場合には、有力度やセンサデータでの類似などで有力な故障原因は真の原因とは異なる可能性が高い等の推測が可能である。このように、分析者１０４は信頼度、有力度、データ、保守履歴等を総合的に加味し、最もありえそうな故障原因を推測し、選択原因を変更する。また、いずれの原因も信憑性に欠けると判断した場合には、サンプルの事例選択結果を不使用にすることで、原因分類部２１０で使用するデータへのノイズ混入を最小化し、正答率の向上が期待される。

また、各事例の事例選択結果、選択原因を変更した後に、事例選択検証部１３０８を選択する事で、正答率の変化を確認する。正答率が検証前より向上した場合には、より正しい故障原因を推定できたとし、確定部１３０９を選択し、事例選択を終了する。反対に、正答率が低下した場合には、事例選択に誤りがあったとして、変更を棄却するか、より正答率が高くなる事例選択結果、選択原因を模索する。

このようにして、信頼度、有力度、データ、保守履歴等の情報を用いて、分析者１０４は効率的に事例選択を行う。

図１４に原因分類部の構成を示す。分類部１４０１及び選択事例記憶部１４０２からなる。分類部１４０１では、選択事例記憶部１４０２に格納されている車両、故障種別毎の各サンプルを入力データとし、車両、故障種別毎の故障原因を教師情報として教師あり学習による分類を行う。本実施例では、SVMと呼ばれるアルゴリズムを用いる。しかし、SVM以外の教師あり学習の手法であっても本実施例は適用できる。SVM以外の教師あり学習手法とは例えば、ランダムフォレストやニューラルネットワーク等がある。

選択事例記憶部１４０２では、原因分類部で使用する事例を記憶する。ここで保管される事例は、事例記憶部２０２に記憶されている事例の一部、または全部である。事例選択部２０５から送信されたサンプル及び故障原因、が格納される。または、表示部２０８で分析者１０４から送信された事例選択結果及び選択原因が格納される。

図１５は本実施例における選択事例記憶部１４０２に格納された過去の故障原因と稼働データが紐づいた状態の階層構造の一例を示している。車両階層１５０１では、車両M１、M２、M３・・・が格納されている。故障種別階層１５０２には故障種別F１、F２・・・が格納されている。故障原因階層１５０３では、故障種別階層１５０２の故障種別と関連する故障原因が格納されている。例えば、車両M１の故障種別F１についてはそれと関連する故障原因Ａ、Ｂ・・・Ｘが格納されている。より具体的には、故障種別階層F１としてエンジン停止が格納されている場合には、故障原因階層５０３にはエンジン部品の故障や燃料の供給停止といった故障原因が格納される。サンプル階層５０４では、車種、故障種別、故障原因と関連付けられているサンプルが格納されている。

図１６は分類結果表示部２１１の構成を示した図である。分類結果表示部２１１は車両情報表示部１６００と故障種別表示部１６０１、データ情報表示部１６０２、分類原因表示部１６０３、処置方法表示部１６０４によって構成されている。
車両情報表示部１６００では、故障原因を分類した稼働データが発生した車両に関する情報を表示する。ここで車両に関する情報とは、車両IDや走行距離、車体やエンジン等の型式などである。
故障種別表示部１６０１では故障種別を表示する。データ情報表示部１６０２は稼働データ２０９の情報を表示する。これは各センサの値の特徴や、各センサの時系列データである。分類原因表示部１６０３は、原因分類部２１０から出力された各故障原因を表示する。処置方法表示部１６０４では、あらかじめ登録されている各故障原因に対する処置方法を表示する。保守拠点１０５においては、表示された故障原因の確率とその処置方法を参考にして、効率的な保守作業を行う。

図１７は保守作業入力部２０１の構成を示した図である。保守拠点１０５にいる保守員は、保守結果表示部に表示された故障の分類結果を参考に保守作業を行う。その後、実際に行った保守作業を保守作業入力部２０１に入力する。

車両情報表示部１７００は保守作業を行った車両に関する情報を表示する。ここで車両に関する情報とは、車両IDや故障の発生時刻、車体やエンジン等の型式などである。

故障種別表示部１７０１は、保守の対象となった故障の種別であり、例えば、エンジンの故障などが挙げられる。

分類原因表示部１７０２は、分類結果表示部２１１の分類原因表示部１６０３に表示される故障原因を表示する。

保守員はこれらの車両情報表示部１７００、故障種別表示部１７０１、分類原因表示部１７０２に表示された情報を参考にし、実際の故障と保守の組合せを入力する。

保守日時入力部１７０３では、保守員が保守を行った日時を入力する。

保守作業入力部１７０４では、保守員が実際に行った保守作業を入力する。

以上のように本実施例では、保守員による保守作業の入力、保守作業から故障原因の推定、推定された故障原因の信頼度の評価、有力な故障原因の推定を繰り返すことで、データの量が増える毎に正答率が向上していく仕組みを提供する。

また、本実施例では教師情報として故障原因を扱ったが、例えば有効な保守作業を教師情報として扱ってもよい。有効な保守作業を教師情報として扱う場合では、保守履歴が１つ以上の教師情報の候補として与えられることとなる。教師情報候補となる保守作業が１つの場合には従来の教師あり学習の枠組みとなるが、複数の教師情報候補が与えられた場合には従来の教師あり学習の枠組みでは扱えない。本実施例では、このような事例に対しても有力と推測される教師情報を推測し、分類を行うことが可能である。

以上、本発明は実施例に限定されるものではなく様々な変形例が含まれる。車両は商用車である必要はないし、本発明の思想は車両以外の船舶、航空機に例示される移動体、移動体以外の機械の保守に適用してもよい。上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加・削除・置換をすることが可能である。

１０１・・・車両
１０２・・・通信拠点
１０３・・・原因分類サーバ
１０４・・・分析者
１０５・・・保守拠点

Claims (8)

1. 故障原因情報に基づいて機械の稼動データを分類する稼動データ分類装置であって、
   前記稼動データ分類装置は評価部を有し、
   前記評価部は入力された稼動データに対応する情報が正しいかを評価することを特徴とする稼動データ分類装置。
2. 請求項１記載の稼動データ分類装置において、
   前記評価部は、前記稼動データに含まれる個々の事例データごとに、
   前記事例データの情報に含まれる原因ラベルを異なる原因ラベルに置き換えることにより、前記稼動データ分類装置が出力する故障原因分類情報を変更することを特徴とする前記稼動データ分類装置。
3. 請求項１記載の稼動データ分類装置において、
   教師情報と事例データを格納する事例記憶部と、
   前記事例記憶部に記憶されている事例からある事例を除外する前後で、前記教師情報と前記事例データから正答率を計算し、正答率の変化に応じて除外した事例の信頼できる度合いである信頼度を評価する教師情報信頼度評価部と、
   前記信頼度に応じて分類に使用する事例を選択する事例選択部と、
   選択された事例データと教師情報を記憶する選択事例記憶部と、
   を有する事を特徴とする稼働データ分類装置。
4. 請求項３記載の稼働データ分類装置において、
   ある事例の前記教師情報を変更し教師情報毎に前記正答率を計算し、教師情報毎の前記正答率から教師情報の候補毎の有力さの度合いを表す有力度を評価する教師情報候補有力度評価部と、
   を有する事を特徴とする稼働データ分類装置。
5. 請求項４記載の稼働データ分類装置において、
   前記事例記憶部の事例数、前記事例記憶部で記憶されている前記事例データと前記教師情報から計算した前記正答率、分析者による操作のいずれか１つ以上によって、前記教師情報信頼度評価部と前記教師情報候補有力度評価部を実行するか判定する事例選択処理実行判定部と、
   を有する事を特徴とする稼働データ分類装置。
6. 請求項５記載の稼働データ分類装置において、
   前記教師情報と前記事例データに加え、各事例の車両を特定する情報である車両特定情報と保守履歴を格納する事例記憶部と、
   各事例に行った保守作業を事例記憶部に入力する保守作業入力部と、
   ある事例と同一の車両で一定の期間内の事例を同じ故障期間として抽出し、前記故障期間の事例で行われた保守作業から有力な故障原因または有効な保守作業を推定する教師情報推定部と、
   を有する事を特徴とする稼働データ分類装置。
7. 請求項６記載の稼働データ分類装置において、
   各事例の前記信頼度と前記有力度、前記保守履歴をあわせて表示する表示部と、
   を有する事を特徴とする稼働データ分類装置。
8. 請求項７記載の稼働データ分類装置は、
   １つ以上入力された保守作業から故障原因または有効な保守作業を前記信頼度及び前記有力度に応じて１つ抽出し、抽出された故障原因または有効な保守作業を前記教師情報として分類を行うことを特徴とする。