JP2018195133A - 情報処理装置及び情報処理プログラム - Google Patents
情報処理装置及び情報処理プログラム Download PDFInfo
- Publication number
- JP2018195133A JP2018195133A JP2017099218A JP2017099218A JP2018195133A JP 2018195133 A JP2018195133 A JP 2018195133A JP 2017099218 A JP2017099218 A JP 2017099218A JP 2017099218 A JP2017099218 A JP 2017099218A JP 2018195133 A JP2018195133 A JP 2018195133A
- Authority
- JP
- Japan
- Prior art keywords
- rule
- event
- value
- event item
- item
- 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.)
- Granted
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 53
- 239000000284 extract Substances 0.000 claims abstract description 9
- 238000000034 method Methods 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 43
- 238000000605 extraction Methods 0.000 claims description 27
- 238000010801 machine learning Methods 0.000 claims description 22
- 238000003672 processing method Methods 0.000 claims 1
- 230000005856 abnormality Effects 0.000 description 27
- 230000002159 abnormal effect Effects 0.000 description 25
- 238000012545 processing Methods 0.000 description 21
- 238000004891 communication Methods 0.000 description 18
- 238000012423 maintenance Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 241000282412 Homo Species 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000004397 blinking Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
- G06N5/025—Extracting rules from data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F15/00—Digital computers in general; Data processing equipment in general
- G06F15/76—Architectures of general purpose stored program computers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/54—Interprogram communication
- G06F9/542—Event management; Broadcasting; Multicasting; Notifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
【解決手段】情報処理装置の受付手段は、複数の事象項目と該事象項目の値と結果を有する事象データを受け付け、モデル生成手段は、前記事象項目と該事象項目の値を組み合わせたツリー構造を持つモデルを生成し、抽出手段は、前記モデルに対し事象項目と該事象項目の値を適用して得られる結果と、該事象項目と該事象項目の値における結果との一致率が予め定められた割合より大又は以上である場合、前記ツリー中の事象項目と該事象項目の値との組み合わせをルール候補として抽出し、汎用ルール生成手段は、複数のルール候補から汎用的なルールを生成する。
【選択図】図1
Description
しかし、単にそのモデルを適用しただけでは、その予測の精度を高めることは困難である。
本発明は、事象項目とその事象項目の値とから結果を予測するモデルを、単に適用する場合に比べて、予測する結果の精度を高めることができる汎用的なルールを生成することができる情報処理装置及び情報処理プログラムを提供することを目的としている。
請求項1の発明は、複数の事象項目と該事象項目の値と結果を有する事象データを受け付ける受付手段と、前記事象項目と該事象項目の値を組み合わせたツリー構造を持つモデルを生成するモデル生成手段と、前記モデルに対し事象項目と該事象項目の値を適用して得られる結果と、該事象項目と該事象項目の値における結果との一致率が予め定められた割合より大又は以上である場合、前記ツリー中の事象項目と該事象項目の値との組み合わせをルール候補として抽出する抽出手段と、複数のルール候補から汎用的なルールを生成する汎用ルール生成手段を有する情報処理装置である。
図1は、本実施の形態の構成例についての概念的なモジュール構成図を示している。
なお、モジュールとは、一般的に論理的に分離可能なソフトウェア(コンピュータ・プログラム)、ハードウェア等の部品を指す。したがって、本実施の形態におけるモジュールはコンピュータ・プログラムにおけるモジュールのことだけでなく、ハードウェア構成におけるモジュールも指す。それゆえ、本実施の形態は、それらのモジュールとして機能させるためのコンピュータ・プログラム(コンピュータにそれぞれの手順を実行させるためのプログラム、コンピュータをそれぞれの手段として機能させるためのプログラム、コンピュータにそれぞれの機能を実現させるためのプログラム)、システム及び方法の説明をも兼ねている。ただし、説明の都合上、「記憶する」、「記憶させる」、これらと同等の文言を用いるが、これらの文言は、実施の形態がコンピュータ・プログラムの場合は、記憶装置に記憶させる、又は記憶装置に記憶させるように制御するという意味である。また、モジュールは機能に一対一に対応していてもよいが、実装においては、1モジュールを1プログラムで構成してもよいし、複数モジュールを1プログラムで構成してもよく、逆に1モジュールを複数プログラムで構成してもよい。また、複数モジュールは1コンピュータによって実行されてもよいし、分散又は並列環境におけるコンピュータによって1モジュールが複数コンピュータで実行されてもよい。なお、1つのモジュールに他のモジュールが含まれていてもよい。また、以下、「接続」とは物理的な接続の他、論理的な接続(データの授受、指示、データ間の参照関係等)の場合にも用いる。「予め定められた」とは、対象としている処理の前に定まっていることをいい、本実施の形態による処理が始まる前はもちろんのこと、本実施の形態による処理が始まった後であっても、対象としている処理の前であれば、そのときの状況・状態にしたがって、又はそれまでの状況・状態にしたがって定まることの意を含めて用いる。「予め定められた値」が複数ある場合は、それぞれ異なった値であってもよいし、2以上の値(もちろんのことながら、全ての値も含む)が同じであってもよい。また、「Aである場合、Bをする」という記載は、「Aであるか否かを判断し、Aであると判断した場合はBをする」の意味で用いる。ただし、Aであるか否かの判断が不要である場合を除く。また、「A、B、C」等のように事物を列挙した場合は、断りがない限り例示列挙であり、その1つのみを選んでいる場合(例えば、Aのみ)を含む。
また、システム又は装置とは、複数のコンピュータ、ハードウェア、装置等がネットワーク(一対一対応の通信接続を含む)等の通信手段で接続されて構成されるほか、1つのコンピュータ、ハードウェア、装置等によって実現される場合も含まれる。「装置」と「システム」とは、互いに同義の用語として用いる。もちろんのことながら、「システム」には、人為的な取り決めである社会的な「仕組み」(社会システム)にすぎないものは含まない。
また、各モジュールによる処理毎に又はモジュール内で複数の処理を行う場合はその処理毎に、対象となる情報を記憶装置から読み込み、その処理を行った後に、処理結果を記憶装置に書き出すものである。したがって、処理前の記憶装置からの読み込み、処理後の記憶装置への書き出しについては、説明を省略する場合がある。なお、ここでの記憶装置としては、ハードディスク、RAM(Random Access Memory)、外部記憶媒体、通信回線を介した記憶装置、CPU(Central Processing Unit)内のレジスタ等を含んでいてもよい。
機器又は設備の保全は、定期的な点検や部品の交換が行われている。この定期的な保全は、一般的に部品の寿命推定値をもとに行われているが、機器又は設備の使用方法によってその部品の消耗度も異なってくるため、機器又は設備固有の判断は、保全担当者の知識や経験に依存している。
これらの知識や経験に基づく保全では、例えば、誰でも同レベルの保全ができるとは言えないこと、人の判断が必ずしも最適なものとは言えないこと、人為的なミスが無いとは限らないこと等の課題がある。
これらの課題に対して、前述した特許文献では、知識ベースを用いて機器の寿命予測を行うことにより、誰でも同レベルの保全を行い、人為的なミスを無くす方法を記載している。
また、知識ベースは、担当者によって、追加、更新を可能とし、データの蓄積によって質のよい保全に成長できるようになっている。
しかしながら、従来の技術は、故障原因となる要因をもとに人が作成したルールを用いるため、想定外の故障を防ぐことは難しい。
一方、機械学習を用いることで、人が認識しきれていないルールを抽出することも可能である。機械学習で精度のよいルールを生成するためには、膨大な教師データを必要とする。しかし、機器又は設備の保全において、故障が発生した場合のデータはそもそも少なく、単なる機械学習で精度のよいルールを生成することは困難である。
また、前述の担当者によって生成された知識ベースであっても、長年の運営によって、対象としている機器又は設備の改変、担当者の変更等が行われ、精度を向上させることは困難である。特に、知識ベース内の全てのルールを検証することは困難である。
機器又は設備の保全に適用した場合、情報処理装置100は、人が認識しきれていないルールをも抽出し、想定外の故障を防ぐための保全ルールを作成できるようにする。
特に、機械学習を利用して生成したモデルを対象とすることの理由は、機械学習はデータをブラックボックス的に扱うため、人が認識していないデータ同士の関連性をモデルとして導くことができる。この関連性をルールとして抽出することで、人が認識していないルールを抽出することができる。
これまでは、人の経験や知見により「この事象とこの事象がどうなったら、いつ頃故障する」ということを経験的に予測していたが、人が事象項目と値の組み合わせを生成せず、機械学習によって、機械的にツリーのモデルを生成することにより、人の経験や知見に現れない事象の組み合わせを発見することができる。
機械学習が学習時の初期パラメータで構造が都度変わってしまうため、1つのモデルでは汎用的なルールが抽出されたと言えないからである。複数のモデルを作成し、その複数のモデルの中から類似したルールを抽出することで、汎用的なルールが生成できる。
また、モデルをそのまま利用せず、ルールとして抽出することにも理由がある。通常、機械学習によって機器の正常又は異常を正しく予測することは難易度が高い。情報処理装置100では、ルール抽出の際、全体のツリー構造の中から予測精度の高い部分を選択することで、正解率の高いルールを選定している。なお、「予測精度の高い部分」とは、後述するように、共通する事象項目の値について、複数のルール候補の値で共通する範囲である。
事象データとは、(1)事象項目と、(2)その事象項目の値と、(3)結果の組み合わせからなるデータである。具体例として、図5を用いて後述する事象データテーブル500等がある。
モデルとは、事象項目とその事象項目の値の組み合わせからなるツリー構造のモデルである。機械学習によって生成されるモデルであってもよいし、前述したように、担当者によって作成された知識ベースをもとにして生成されたモデルであってもよい。
ルールとは、事象項目と値を組み合わせたものである。具体例として、図12を用いて後述する汎用ルールテーブル1200等がある。
受付モジュール105は、モデル生成モジュール110と接続されている。受付モジュール105は、複数の事象項目とその事象項目の値と結果を有する事象データを受け付ける。例えば、図5を用いて後述する事象データテーブル500を受け付ける。機器又は設備から直接受け取るようにしてもよいし、事象データを記憶しているデータベース装置から受け取るようにしてもよい。
ここで「ツリー構造を持つモデル」を生成するのに、例えば、決定木、ランダムフォレスト等を用いた機械学習を用いてもよい。また、従来の知識ベースをもとにしてモデルを生成してもよい。
ここで結果とは、「事象項目とその事象項目の値」を機器又は設備に適用した場合に、得られた結果である。具体的には、「異常が発生した」、「異常なし」等である。なお、「事象項目とその事象項目の値」は、結果を得るまでの状況として捉えてもよい。
また、モデル生成モジュール110は、複数のモデルを生成してもよい。
ルール候補抽出モジュール115において、モデルに対して適用する「事象項目とその事象項目の値」は、事象項目とその事象項目の値と結果が揃っているものであればよい。つまり、「事象項目とその事象項目の値」を適用した場合に結果が判明しているものであればよい。例えば、モデルを生成する際に用いた「事象項目とその事象項目の値」であってもよいし、モデルを生成する際に用いた「事象項目と該事象項目の値」以外の「事象項目と該事象項目の値」であってもよい。
また、ルール候補抽出モジュール115は、複数のモデル内のツリーを辿ることによって、結果を得るためのルール候補を抽出するようにしてもよい。
また、汎用ルール生成モジュール120は、複数のルール候補のうち、共通する事象項目をもつルール候補から、汎用的なルールを生成するようにしてもよい。
また、汎用ルール生成モジュール120は、共通する事象項目の値について、複数のルール候補の値で共通する範囲を汎用的なルールの値とするようにしてもよい。ここで「共通する範囲」を抽出するのに、例えば、論理演算における論理積(AND)処理を行ってもよい。
また、汎用ルール生成モジュール120は、共通する事象項目の値について、複数のルール候補の値の少なくとも1つ以上を含む範囲を汎用的なルールの値とするようにしてもよい。ここで「少なくとも1つ以上を含む範囲」を抽出するのに、例えば、論理演算における論理和(OR)処理を行ってもよい。
受付・提示モジュール130は、ルール候補を抽出する過程又は汎用的なルールを生成する過程を提示する。また、受付・提示モジュール130は、モデル生成モジュール110が生成したモデルを提示するようにしてもよい。例えば、受付・提示モジュール130は、タッチパネルを兼ねる液晶ディスプレイを制御して、ユーザーの操作を受け付け、ユーザーに対してメッセージ等を提示する。この他、マウス、キーボード、カメラ、マイク等を用いたユーザーの操作(視線、ジェスチャ、音声等も含む)を受け付けるようにしてもよいし、3D(Dimensions)映像としての出力、スピーカーによる音声出力、触覚デバイスを用いた触感によって、ユーザーへのメッセージを提示するようにしてもよい。
また、受付・提示モジュール130は、汎用的なルールを生成する過程として、事象項目の値の範囲を図示して提示するようにしてもよい。
また、受付・提示モジュール130は、ルール候補又は汎用的なルールを編集可能に提示するようにしてもよい。ここで「編集可能」として、例えば、ルール候補又は汎用的なルールを削除すること、ルールにおける値の範囲を変更すること等がある。
編集モジュール135は、受付・提示モジュール130によって提示されたルール候補又は汎用的なルールに対しての編集指示にしたがって、そのルール候補又はその汎用的なルールを編集する。
情報処理装置100、機器210A等、設備220A等、ログ収集装置230、ユーザー端末240は、通信回線290を介してそれぞれ接続されている。通信回線290は、無線、有線、これらの組み合わせであってもよく、例えば、通信インフラとしてのインターネット、イントラネット等であってもよい。また、情報処理装置100、ログ収集装置230による機能は、クラウドサービスとして実現してもよい。機器210、設備220は、ルールを適用する対象である。機器210として、例えば、複写機、ファックス、スキャナ、プリンタ、複合機(スキャナ、プリンタ、複写機、ファックス等のいずれか2つ以上の機能を有している画像処理装置)等の事務機器、情報家電、ロボット等がある。設備220として、例えば、鉄道における改札機や券売機、銀行のATM(Automated Teller Machine)、建物内のエレベータやエスカレータ等がある。ユーザー端末240として、例えば、通信機能を有しているパーソナルコンピュータの他、携帯情報通信機器(携帯電話、スマートフォン、モバイル機器、ウェアラブルコンピュータ等を含む)等がある。
ログ収集装置230は、機器210、設備220から事象データを収集し、記憶する。そして、情報処理装置100に事象データを提供する。また、情報処理装置100は、ログ収集装置230を介さずに、機器210、設備220から直接事象データを収集してもよい。
そして、情報処理装置100は、汎用ルールを生成して、ルール候補を抽出する過程又は汎用ルールを生成する過程を、ユーザー端末240に提示する。また、情報処理装置100は、ユーザーの操作を直接受け付け、結果を提示するスタンドアローン型として構成してもよい。
ステップS302では、受付モジュール105は、事象データを受け付ける。例えば、事象データテーブル500を受け付ける。図5は、事象データテーブル500のデータ構造例を示す説明図である。事象データテーブル500は、機器名欄505、平均湿度欄510、カラー印刷枚数欄515、白黒印刷枚数欄520、部品A最終交換経過日数欄525、故障欄595等を有している。事象データテーブル500は、複合機における事象データの例を示している。つまり、事象データテーブル500は、複数の事象項目とその事象項目の値と結果によって構成されている。機器名欄505は、機器名(又は機種、機器を一意に識別できる情報等)を記憶している。平均湿度欄510は、その機器が設置されている箇所(又は、機器の内部)の平均湿度を記憶している。カラー印刷枚数欄515は、その機器でカラー印刷した枚数を記憶している。白黒印刷枚数欄520は、その機器で白黒印刷した枚数を記憶している。部品A最終交換経過日数欄525は、その機器における部品Aの最終交換経過日数を記憶している。故障欄595は、その機器における故障の有無を記憶している。ここで、平均湿度欄510、カラー印刷枚数欄515、白黒印刷枚数欄520、部品A最終交換経過日数欄525等が、事象項目に該当する。各セル内の値が、その事象項目の値に該当する。そして、故障欄595内の値が、結果に該当する。
ステップS304で、例えば、ツリー構造モデル600を生成する。図6は、ツリー構造モデル600のデータ構造例を示す説明図である。これは、120日で異常が発生するか否かを予測するモデルであり、4階層(深さ)のツリーの例である。ルート605の下位に事象項目・値610、事象項目・値650があり、事象項目・値610の下位に事象項目・値615、事象項目・値640があり、事象項目・値615の下位に事象項目・値620、事象項目・値630があり、事象項目・値650の下位に事象項目・値660、事象項目・値670がある。
図6の例では、事象項目・値610は「湿度43.5%以上」であり、事象項目・値615は「経過日数361以上」であり、事象項目・値620は「ヒートサイクル22.95以上」であり、事象項目・値630は「ヒートサイクル22.95未満」であり、事象項目・値640は「経過日数361未満」であり、事象項目・値650は「湿度43.5%未満」であり、事象項目・値660は「定着器使用率17.95以上」であり、事象項目・値670は「定着器使用率17.95未満」である。そして、結果625は「120日で異常ありと予測」であり、結果635は「120日で異常なしと予測」であり、結果645は「120日で異常なしと予測」であり、結果665は「120日で異常ありと予測」であり、結果675は「120日で異常なしと予測」である。例えば、事象項目・値610(湿度43.5%以上)であって、事象項目・値615(経過日数361以上)であって、事象項目・値620(ヒートサイクル22.95以上)であれば、結果625(「120日で異常あり」)と予測することを示している。
この後(ステップS306以降の処理)の概要として、以下の処理を行う。
これらの複数のモデルから複数のルール候補を抽出する。例えば、図7(2a)、(2b)に示すように、ツリー構造モデル1:700aからルール候補群710a(ルール候補A:712、ルール候補B:714、ルール候補C:716)を抽出し、ツリー構造モデル2:700bからルール候補群710b(ルール候補D:718、ルール候補E:720)を抽出する。
そして、これらのルール候補群から汎用性のあるルール(汎用ルール)を生成する。例えば、図7(3)に示すように、汎用ルール730、汎用ルール732を生成する。
例えば、図8に示すように、各経路(ルートからリーフまでのノード)の検証結果として、適用結果820、適用結果830、適用結果840を生成する。ツリー構造モデル1:700aは、120日で異常が発生するかを予測するモデルである。
ルート805の下位に事象項目・値810、事象項目・値835があり、事象項目・値810の下位に事象項目・値815、事象項目・値825がある。図8の例では、事象項目・値810は「湿度43.5%以上」であり、事象項目・値815は「ヒートサイクル22.95以上」であり、事象項目・値825は「ヒートサイクル22.95未満」であり、事象項目・値835は「湿度43.5%未満」である。そして、適用結果820は「120日で異常ありと予測、8データ中 正解(異常あり):7、不正解(異常なし):1、正解率:7/8」であり、適用結果830は「120日で異常なしと予測、12データ中 正解(異常なし):6、不正解(異常あり):6、正解率:6/12」であり、適用結果840は「120日で異常なしと予測、80データ中 正解(異常なし):76、不正解(異常あり):4、正解率:76/80」である。
ステップS312では、ルール候補抽出モジュール115は、各経路での一致率(正解率)を算出する。図8の例では、以下の通りである。
〔1〕「湿度が43.5%以上」(事象項目・値810)かつ「ヒートサイクルが22.95以上」(事象項目・値815)ならば「120日で異常発生あり」と予測するが、検証結果として、事象データの8データ中の正解(異常あり)は7件であり、不正解(異常なし)は1件であり、正解率は7/8(87.5%)であることを示している。
〔2〕「湿度が43.5%以上」(事象項目・値810)かつ「ヒートサイクルが22.95未満」(事象項目・値825)ならば「120日で異常発生なし」と予測するが、検証結果として、事象データの12データ中の正解(異常なし)は6件であり、不正解(異常あり)は6件であり、正解率は6/12(50%)であることを示している。
〔3〕「湿度が43.5%未満」(事象項目・値835)ならば「120日で異常なし」と予測するが、検証結果として、事象データの80データ中の正解(異常なし)は76件であり、不正解(異常あり)は4件であり、正解率は76/80(95%)であることを示している。
ステップS316では、ルール候補抽出モジュール115は、モデルにおけるその経路からルール候補を抽出する。
ステップS318では、ルール候補抽出モジュール115は、一致率を算出した経路の全てに対して処理を行ったか否かを判断し、全てに対して処理を行った場合はステップS320へ進み、それ以外の場合はステップS314へ戻る。
複数のルール候補を対象として、以下のルール(予め定められたルール)を適用して、そのルールに該当するものを同じルールグループとしてルールグループを作成する。
(ルール1)ルール候補を構成する事象項目と予測結果が同じ場合
(ルール2)ルール候補を構成する事象項目に包含関係があり、予測結果が同じ場合
ルール候補A:910は、事象項目・値912(湿度43.5%以上)、かつ、事象項目・値914(ヒートサイクル22.95以上)である場合は、予測結果916(異常あり)と判断することを示している。
ルール候補B:920は、事象項目・値922(湿度50.2%以上)、かつ、事象項目・値924(ヒートサイクル20.0以上)である場合は、予測結果926(異常あり)と判断することを示している。
ルール候補A:910の事象項目は湿度とヒートサイクルであって、ルール候補B:920の事象項目は湿度とヒートサイクルであるので、両者の事象項目は同じである。なお、事象項目が同じであることを要するが、その事象項目の値(43.5%以上等)までも同じである必要はない。そして、ルール候補A:910の予測結果916は「異常あり」であって、ルール候補B:920の予測結果926は「異常あり」であるので、両者の予測結果は同じである。そこで、ルールグループ1:930を作成する。ルールグループ1:930の内容は、事象項目932、予測結果934、ルール候補936によって構成されている。
既に作成されたルールグループと同じ事象項目と予測結果のルール候補がある場合は、そのルールグループのルールに追加すればよい。例えば、事象項目が湿度とヒートサイクルであって予測結果が「異常あり」であるルール候補Xがある場合は、ルールグループ1:930と同じ事象項目932、予測結果934であるので、ルール候補936内にルール候補Xを追加すればよい。
ルール候補C:1010は、事象項目・値1012(湿度47.3%以上)、かつ、事象項目・値1014(ヒートサイクル22.95以上)である場合は、予測結果1016(異常あり)と判断することを示している。
ルール候補D:1020は、事象項目・値1022(湿度50.2%以上)、かつ、事象項目・値1024(ヒートサイクル24.0未満)、かつ、事象項目・値1026(定着器使用率17.95以上)である場合は、予測結果1028(異常あり)と判断することを示している。
ルール候補C:1010の事象項目は湿度とヒートサイクルであって、ルール候補D:1020の事象項目は湿度とヒートサイクルと定着器使用率であるので、ルール候補D:1020の事象項目はルール候補C:1010の事象項目を包含している関係にある。なお、包含関係にある事象項目が同じであることを要するが、その事象項目の値(47.3%以上等)までも同じである必要はない。そして、ルール候補C:1010の予測結果1016は「異常あり」であって、ルール候補D:1020の予測結果1028は「異常あり」であるので、両者の予測結果は同じである。したがって、ルール候補C:1010とルール候補D:1020を同じルールグループとする。なお、ルール候補C:1010の事象項目と予測結果は、ルールグループ1:930の事象項目と予測結果と同じであるので、ルールグループ1:930のルール候補936にルール候補C:1010とルール候補D:1020を追加する。ただし、ルールグループ1:930の事象項目932には、異なる事象項目(具体的には、事象項目・値1026の事象項目である定着器使用率)は追加しない。
また、包含関係がある場合として、異なる事象項目の数に制限を設けてもよい。例えば、予め定められた数未満又は以下であること、同じ事象項目の数未満又は以下であること等がある。
図11の例を用いて、ステップS322の処理を説明する。図11(1)の例に示すように、図10の例に示したルールグループ1:930を対象とする。なお、事象項目932には、湿度とヒートサイクルの2つがある。ルール候補936には、ルール候補A:910、ルール候補B:920、ルール候補C:1010、ルール候補D:1020の4つがある。
まず、事象項目932内の湿度について、各ルール候補の事象項目の値の共通する範囲を抽出する。図11(2a)の例に示すように、ルール候補A:910では43.5%以上であり、ルール候補C:1010では47.3%以上であり、ルール候補B:920とルール候補D:1020では50.2%以上であるので、共通する範囲(論理積)として、湿度50.2%以上である共通範囲1118を抽出する。
次に、事象項目932内のヒートサイクルについて、各ルール候補の事象項目の値の共通する範囲を抽出する。図11(2b)の例に示すように、ルール候補B:920では20.0以上であり、ルール候補A:910とルール候補C:1010では22.95以上であり、ルール候補D:1020では24.0未満であるので、共通する範囲(論理積)として、ヒートサイクル22.95以上24.0未満である共通範囲1128を抽出する。
なお、複数のルール候補の値で共通する範囲を汎用的なルールの値とする例を示したが、複数のルール候補の値の少なくとも1つ以上を含む範囲(論理和)を汎用的なルールの値としてもよい。
図11の例では、ルールグループ1:930から汎用ルール1150を生成する。ルールグループ1:930の事象項目と予測結果を、そのまま汎用ルール1150の事象項目と予測結果として採用する。そして、その事象項目の値として、ステップS322の処理結果を用いる。つまり、汎用ルール1150として、『「湿度50.2%以上」かつ「ヒートサイクルが22.95以上24.0未満」ならば「120日で異常発生あり」』を生成する。
ルール1は、『「湿度50.2%以上」かつ「ヒートサイクルが22.95以上24.0未満」ならば「120日で異常発生あり」』、ルール2は『「湿度が43.5%未満」かつ「定着器使用率が17.95未満」ならば「120日で異常発生なし」』、ルール3は『「湿度が43.5%以上」かつ「経過日数が361日以上」かつ「ヒートサイクルが22.95以上」ならば「120日で異常発生あり」』であることを示している。機械学習を用いているので、機器又は設備から収集できる事象項目とその値の中から、人が関係性を理解している事象項目とその値の組み合わせだけでなく、人が関係性を理解していない組み合わせを自動的に抽出し、そして、単なる機械学習の結果からルールを抽出しているだけでなく、汎用ルールとして抽出したものである。
ステップS1302では、受付・提示モジュール130は、ユーザーの提示指示を受け付ける。提示対象は、機械学習の結果であるモデル(ツリー構造)、ルール候補、汎用ルールのいずれか1つ、又は、これらの組み合わせである。以下では、モデル、ルール候補、汎用ルールを提示する例を示している。
ステップS1304では、編集モジュール135は、モデルを抽出する。
ステップS1306では、編集モジュール135は、モデルを提示する。
ステップS1308では、編集モジュール135は、ルール候補を抽出する。
ステップS1310では、編集モジュール135は、ルール候補を提示する。
ステップS1312では、編集モジュール135は、汎用ルールを抽出する。
ステップS1314では、編集モジュール135は、汎用ルールを提示する。
ステップS1318では、編集モジュール135は、その編集にしたがって、ルール候補、汎用ルールを編集等する。
ステップS1320では、編集モジュール135は、終了したか否かを判断し、終了した場合は処理を終了し(ステップS1399)、それ以外の場合はステップS1316へ戻る。
画面1400には、モデル表示領域1410、ルール候補表示領域1450を表示する。
モデル表示領域1410には、機械学習で生成されたモデル(知識ベースをもとにして生成されたモデルであってもよい)を表示する。つまり、モデルの構造がツリー表示される。モデルを可視化することで、知見者に事象項目の関係に対する気づきを与えることとなる。
そして、ステップS308の結果をモデル表示に組み込んでいる。具体的には、ルートノードで、100個の事象データをこのモデルに入力したことを表しており、各リーフノードで、検証結果を表示している。例えば、左下端のリーフノードでは、異常と予測された8データのうち、実際の結果は、1データが正常、7データが異常であったことを表している。
ルール候補テーブル1460は、チェック欄1462、ルール候補No欄1464、正解率欄1466、全体比率欄1468、正常欄1470、異常欄1472、ルール欄1474を有している。ルール候補テーブル1460によって、ルール候補を一覧できるようになる。チェック欄1462には、その行のルール候補を選択するためのチェック欄を表示する。ルール候補No欄1464は、ルール候補を一意に識別するための情報(ルール候補No)を記憶している。正解率欄1466は、正解率を記憶している。全体比率欄1468は、全体比率を記憶している。ここで全体比率とは、全事象データに対し、末端ノードであるリーフノードに辿り着いた事象データ数の割合である。左下端のリーフノードでは、8%(8/100)である。正常欄1470は、結果が正常である事象データ数を記憶している。異常欄1472は、結果が異常である事象データ数を記憶している。ルール欄1474は、ルール候補を記憶している。ルートノードからリーフノードまでを辿ることによって、ルールを生成すればよい。例えば、左下端のリーフノードでは、「(湿度>=43.5%)かつ(ヒートサイクル>=22.95)ならば異常であると予測する」というルールが生成される。
ルール候補テーブル1460内の行が選択されると、モデル表示領域1410内のモデルの該当する経路が強調表示される。例えば、ルール候補テーブル1460内の2行目が選択された場合、ルートノードである「総数100」、ノード「湿度43.5%以上」、ノード「ヒートサイクル22.95以上」、ノード「異常 正常:1 異常:7」が強調表示される。強調表示として、他のノードとは異なる色で表示すること、ハイライト表示、点滅表示等がある。
ルール候補テーブル1460を表示することによって、知見者が関係性を確認し、ルールとして適切ではないもの(ルールとして絶対にいらないもの等)をチェック欄1462で選択し、削除指示によって削除できる。また、ルール候補を編集してもよい。これらの編集をした場合は、編集後のルール候補に基づいて、再度汎用ルールの生成処理を行う。
画面1500には、ルール候補表示領域1510、事項項目表示領域1550を表示する。事項項目表示領域1550は、汎用ルールを生成する過程として、事象項目の値の範囲を図示する領域である。
ルール候補表示領域1510には、ルール候補テーブル1520を表示する。ルール候補テーブル1520は、抽出された汎用ルール、その汎用ルールのもとになったルール候補をリスト表示したものである。ルール候補テーブル1520は、チェック欄1522、汎用ルールNo欄1524、抽出ルール欄1526、ルール候補欄1528を有している。チェック欄1522には、その行の汎用ルールを選択するためのチェック欄を表示する。汎用ルールNo欄1524は、汎用ルールを一意に識別するための情報(汎用ルールNo)を記憶している。抽出ルール欄1526は、その汎用ルールの内容を記憶している。ルール候補欄1528は、その汎用ルールを生成するためのもとのルール候補を記憶している。
ルール候補テーブル1520内の行が選択されると、事象項目毎にルール候補の関係を表示する。可視化することで、知見者に事象項目の関係に対する気づきを与えることとなる。例えば、ルール候補テーブル1520内の2行目が選択された場合、事項項目表示領域1550に、湿度ルール表示領域1560、ヒートサイクルルール表示領域1570を表示する。
ルール候補表示領域1510、事項項目表示領域1550を表示することによって、知見者がルール候補間の関係性を確認し、汎用ルールとして適切ではないもの(汎用ルールとして絶対にいらないもの等)をチェック欄1522で選択し、削除指示によって削除できる。汎用ルールを編集してもよい。
また、事項項目表示領域1550内に、ルール候補毎に、全体比率欄1468の値、正解率欄1466の値等を付加して表示してもよい。知見者によって、編集の判断ができるようになるからである。例えば、全体比率の低いルール候補は削除すること、正解率の高いルール候補の値を優先して汎用ルールの範囲として選択すること等の判断できるようになる。
なお、図16に示すハードウェア構成は、1つの構成例を示すものであり、本実施の形態は、図16に示す構成に限らず、本実施の形態において説明したモジュールを実行可能な構成であればよい。例えば、一部のモジュールを専用のハードウェア(例えば特定用途向け集積回路(Application Specific Integrated Circuit:ASIC)等)で構成してもよく、一部のモジュールは外部のシステム内にあり通信回線で接続している形態でもよく、さらに図16に示すシステムが複数互いに通信回線によって接続されていて互いに協調動作するようにしてもよい。また、特に、パーソナルコンピュータの他、携帯情報通信機器、情報家電、ロボット、複写機、ファックス、スキャナ、プリンタ、複合機等に組み込まれていてもよい。
「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」とは、プログラムのインストール、実行、プログラムの流通等のために用いられる、プログラムが記録されたコンピュータで読み取り可能な記録媒体をいう。
なお、記録媒体としては、例えば、デジタル・バーサタイル・ディスク(DVD)であって、DVDフォーラムで策定された規格である「DVD−R、DVD−RW、DVD−RAM等」、DVD+RWで策定された規格である「DVD+R、DVD+RW等」、コンパクトディスク(CD)であって、読出し専用メモリ(CD−ROM)、CDレコーダブル(CD−R)、CDリライタブル(CD−RW)等、ブルーレイ・ディスク(Blu−ray(登録商標) Disc)、光磁気ディスク(MO)、フレキシブルディスク(FD)、磁気テープ、ハードディスク、読出し専用メモリ(ROM)、電気的消去及び書換可能な読出し専用メモリ(EEPROM(登録商標))、フラッシュ・メモリ、ランダム・アクセス・メモリ(RAM)、SD(Secure Digital)メモリーカード等が含まれる。
そして、前記のプログラムの全体又はその一部は、前記記録媒体に記録して保存や流通等させてもよい。また、通信によって、例えば、ローカル・エリア・ネットワーク(LAN)、メトロポリタン・エリア・ネットワーク(MAN)、ワイド・エリア・ネットワーク(WAN)、インターネット、イントラネット、エクストラネット等に用いられる有線ネットワーク、又は無線通信ネットワーク、さらにこれらの組み合わせ等の伝送媒体を用いて伝送させてもよく、また、搬送波に乗せて搬送させてもよい。
さらに、前記のプログラムは、他のプログラムの一部分若しくは全部であってもよく、又は別個のプログラムと共に記録媒体に記録されていてもよい。また、複数の記録媒体に分割して記録されていてもよい。また、圧縮や暗号化等、復元可能であればどのような態様で記録されていてもよい。
105…受付モジュール
110…モデル生成モジュール
115…ルール候補抽出モジュール
120…汎用ルール生成モジュール
125…ユーザーインタフェースモジュール
130…受付・提示モジュール
135…編集モジュール
210…機器
220…設備
230…ログ収集装置
240…ユーザー端末
290…通信回線
Claims (11)
- 複数の事象項目と該事象項目の値と結果を有する事象データを受け付ける受付手段と、
前記事象項目と該事象項目の値を組み合わせたツリー構造を持つモデルを生成するモデル生成手段と、
前記モデルに対し事象項目と該事象項目の値を適用して得られる結果と、該事象項目と該事象項目の値における結果との一致率が予め定められた割合より大又は以上である場合、前記ツリー中の事象項目と該事象項目の値との組み合わせをルール候補として抽出する抽出手段と、
複数のルール候補から汎用的なルールを生成する汎用ルール生成手段
を有する情報処理装置。 - 前記モデル生成手段は、複数のモデルを生成し、
前記抽出手段は、複数のモデル内のツリーを辿ることによって、結果を得るためのルール候補を抽出する
請求項1に記載の情報処理装置。 - 前記汎用ルール生成手段は、複数のルール候補のうち、共通する事象項目をもつルール候補から、汎用的なルールを生成する
請求項1に記載の情報処理装置。 - 前記汎用ルール生成手段は、共通する事象項目の値について、複数のルール候補の値で共通する範囲を汎用的なルールの値とする
請求項3に記載の情報処理装置。 - 前記汎用ルール生成手段は、共通する事象項目の値について、複数のルール候補の値の少なくとも1つ以上を含む範囲を汎用的なルールの値とする
請求項3に記載の情報処理装置。 - 前記ルール候補を抽出する過程又は前記汎用的なルールを生成する過程を提示する提示手段
をさらに有する請求項1に記載の情報処理装置。 - 前記提示手段は、前記ルール候補を抽出する過程として、前記モデルに対し事象項目と該事象項目の値を適用した数、前記一致率、又はこれらの組み合わせを提示する
請求項6に記載の情報処理装置。 - 前記提示手段は、前記汎用的なルールを生成する過程として、前記事象項目の値の範囲を図示して提示する
請求項6に記載の情報処理装置。 - 前記提示手段は、前記ルール候補又は前記汎用的なルールを編集可能に提示する
請求項6に記載の情報処理装置。 - 前記モデル生成手段は、機械学習によってツリー構造を持つモデルを生成する
請求項1から9のいずれか一項に記載の情報処理装置。 - コンピュータを、
複数の事象項目と該事象項目の値と結果を有する事象データを受け付ける受付手段と、
前記事象項目と該事象項目の値を組み合わせたツリー構造を持つモデルを生成するモデル生成手段と、
前記モデルに対し事象項目と該事象項目の値を適用して得られる結果と、該事象項目と該事象項目の値における結果との一致率が予め定められた割合より大又は以上である場合、前記ツリー中の事象項目と該事象項目の値との組み合わせをルール候補として抽出する抽出手段と、
複数のルール候補から汎用的なルールを生成する汎用ルール生成手段
として機能させるための情報処理プログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017099218A JP6888415B2 (ja) | 2017-05-18 | 2017-05-18 | 情報処理装置及び情報処理プログラム |
US15/903,341 US20180336477A1 (en) | 2017-05-18 | 2018-02-23 | Information processing apparatus and non-transitory computer readable medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017099218A JP6888415B2 (ja) | 2017-05-18 | 2017-05-18 | 情報処理装置及び情報処理プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2018195133A true JP2018195133A (ja) | 2018-12-06 |
JP6888415B2 JP6888415B2 (ja) | 2021-06-16 |
Family
ID=64272326
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017099218A Active JP6888415B2 (ja) | 2017-05-18 | 2017-05-18 | 情報処理装置及び情報処理プログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US20180336477A1 (ja) |
JP (1) | JP6888415B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021093019A (ja) * | 2019-12-11 | 2021-06-17 | 西日本旅客鉄道株式会社 | 学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデル |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11086890B1 (en) | 2019-01-31 | 2021-08-10 | Splunk Inc. | Extraction rule validation |
US11816321B1 (en) * | 2019-01-31 | 2023-11-14 | Splunk Inc. | Enhancing extraction rules based on user feedback |
CN113554452A (zh) * | 2020-04-26 | 2021-10-26 | 北京三快在线科技有限公司 | 非法点击事件识别方法、装置、存储介质及电子设备 |
US11601449B2 (en) * | 2020-07-21 | 2023-03-07 | Absolute Software Corporation | Event evaluation pipeline for alert engine |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150058078A1 (en) * | 2013-08-26 | 2015-02-26 | Microsoft Corporation | Rule to constraint translator for business application systems |
CN104598984A (zh) * | 2014-12-08 | 2015-05-06 | 北京邮电大学 | 一种基于模糊神经网络的故障预测方法 |
WO2016170574A1 (ja) * | 2015-04-20 | 2016-10-27 | 株式会社日立製作所 | 運用管理システム及び運用管理方法 |
WO2017046906A1 (ja) * | 2015-09-16 | 2017-03-23 | 株式会社日立製作所 | データ分析装置および分析方法 |
-
2017
- 2017-05-18 JP JP2017099218A patent/JP6888415B2/ja active Active
-
2018
- 2018-02-23 US US15/903,341 patent/US20180336477A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150058078A1 (en) * | 2013-08-26 | 2015-02-26 | Microsoft Corporation | Rule to constraint translator for business application systems |
CN104598984A (zh) * | 2014-12-08 | 2015-05-06 | 北京邮电大学 | 一种基于模糊神经网络的故障预测方法 |
WO2016170574A1 (ja) * | 2015-04-20 | 2016-10-27 | 株式会社日立製作所 | 運用管理システム及び運用管理方法 |
WO2017046906A1 (ja) * | 2015-09-16 | 2017-03-23 | 株式会社日立製作所 | データ分析装置および分析方法 |
Non-Patent Citations (1)
Title |
---|
渋谷久恵, ET AL.: "決定木を利用したルール設定支援機能を備えた設備監視システム", 電気学会論文誌C, vol. 第133巻第9号, JPN6021003605, 1 September 2013 (2013-09-01), pages 1845 - 1852, ISSN: 0004440676 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2021093019A (ja) * | 2019-12-11 | 2021-06-17 | 西日本旅客鉄道株式会社 | 学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデル |
JP7442310B2 (ja) | 2019-12-11 | 2024-03-04 | 西日本旅客鉄道株式会社 | 学習済みモデル生成装置、故障予測装置、故障予測システム、故障予測プログラム、および学習済みモデル |
Also Published As
Publication number | Publication date |
---|---|
US20180336477A1 (en) | 2018-11-22 |
JP6888415B2 (ja) | 2021-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6888415B2 (ja) | 情報処理装置及び情報処理プログラム | |
US10860948B2 (en) | Extending question training data using word replacement | |
US8612372B2 (en) | Detection rule-generating facility | |
CN107612938A (zh) | 一种网络用户异常行为检测方法、装置、设备及存储介质 | |
JP2018147080A (ja) | 情報処理装置及び情報処理プログラム | |
CN113868102A (zh) | 用于信息显示的方法、电子设备和计算机程序产品 | |
CN110471945B (zh) | 活跃数据的处理方法、系统、计算机设备和存储介质 | |
EP3683640A1 (en) | Fault diagnosis method and apparatus for numerical control machine tool | |
CN109784738B (zh) | 审批方法及审批装置 | |
JP2018045372A (ja) | 情報処理装置及び情報処理プログラム | |
JPWO2017104119A1 (ja) | ログ分析システム、方法およびプログラム | |
CN117831734B (zh) | 一种医疗设备维修方法、装置、介质和计算设备 | |
CN116547618A (zh) | 用于自动或半自动识别维护案例的(一个或多个)故障区域的系统和方法 | |
JP2022114332A (ja) | クラス判定システム、クラス判定方法及びクラス判定プログラム | |
CN116467111A (zh) | 根因定位方法、装置、电子设备及存储介质 | |
JP2010009127A (ja) | 管理プログラムおよび管理装置 | |
JP5751376B1 (ja) | 情報処理装置及び情報処理プログラム | |
US11836446B2 (en) | Dynamic creation of change management templates | |
JP2016045840A (ja) | 情報処理装置及び情報処理プログラム | |
JP6872118B2 (ja) | 情報処理装置及び情報処理プログラム | |
JP6571705B2 (ja) | 情報管理装置、情報管理方法及び情報管理プログラム | |
JP2010026560A (ja) | 情報処理装置及び情報処理プログラム | |
JP6547341B2 (ja) | 情報処理装置、方法及びプログラム | |
US20130041926A1 (en) | Information processing system, information processing apparatus, information processing method, and computer readable medium | |
JP7425918B1 (ja) | 情報処理装置、情報処理方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200327 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210122 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210209 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210409 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210420 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210503 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6888415 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |