JP2021018802A - 予測結果を統合するための方法 - Google Patents

Abstract

【課題】機械学習システムと、人間による制御システムとの統合から故障予測を実施するシステム及び方法を提供すること。【解決手段】人間観測結果を機械学習プロセスの結果に統合し、統合された故障予測及び更新された機械学習モデルを生成することを含む。実施態様は、施設における故障徴候を示すユーザ入力を受信するために、故障徴候に関する原因推定を実施し、故障徴候の第１の組の原因に関連付けられる第１の組の確率を特定することと、第１の組の確率及び第１の組の原因を、施設からのセンサデータに基づいて、１組の潜在的な故障及び第３の組の確率を出力するように構成される機械学習プロセスから与えられる、第３の組の確率に関連付けられる１組の潜在的な故障に基づいて、故障徴候の第２の組の確率及び第２の組の原因を与えるように構成されるプロセスに統合することとを含む、システム及び方法。【選択図】図１

Description

本開示は包括的には故障予測に関し、より具体的には、機械学習システムと、人間による制御システムとの統合から故障予測を実施するシステム及び方法に関する。

機械学習の実施態様が改善されるほど、故障予測モデルをより容易に開発することができる。そのような実施形態を使用するために、工場を所有する企業は、センサデータ、画像、ビデオ及び／又は修理履歴から故障を予測するモデルを開発することができる。故障は、工場において発生しつつある設備故障、又は工場に関して差し迫った故障を示す現象を含むことができ、例えば、次にどの工場設備が壊れるか、又は歩留まり率を低下させるかを含むことができる。そのようなモデルは、工場の管理者に故障に関して知っているように指示する可能性がある。管理者は、予測される故障に基づいて、測定を行うか、又は予防保全を実施することができ、それにより、絶えず稼働するように工場の製造ラインを保守し、納入率を守れない可能性を低減することができる。

関連技術の実施態様には、電子システムと、その電子システムの故障を推定及び予測するための方法とがあり、それは、温度、バルクキャパシタ直列抵抗などの測定値から電子システムの故障を推定及び予測するための方法の実施態様を含む。そのような関連技術の実施態様は、デバイスの信頼性に影響を及ぼすパラメータをセンサによって測定することと、測定されたセンサデータを収集することと、故障を処理及び予測し、故障に関する警告を出すためにコンピューティングデバイスにデータを通信することとを含む。

しかしながら、過去に発生していないか、又は極めて稀に（例えば、年に一度）しか発生しない特定のタイプの故障がある場合には、機械学習モデルは、そのような故障を予測できない場合がある。機械学習モデルは、故障予測モデルをトレーニングするために、大量の故障データ点を必要とする。さらに、故障に関連するデータの中には、ユーザがその関連性を知らない場合があるために、必ずしも収集されるとは限らないものもある。これらの状況下で、場合によっては、何かが起こった後であっても、ユーザが故障の原因を見つけるのが難しい可能性がある。例えば、半導体工場において、歩留まり率が以前に発生しなかったような形で低下し、その根本原因が、列車によって生じる地面の振動である場合には、歩留まり率が地面の振動に関連するという着想がユーザにない限り、原因を特定するのは難しい可能性がある。この場合、原因を特定し、対策を講じるのに長い時間を要する可能性がある。

例示的な実施態様では、故障予測モデルが故障を予測できない場合であっても、故障が発生したときに、人間ユーザが、具体的な現象に気づく場合がある。したがって、別の類似の工場において同じタイプの故障が起こった場合には、機械学習システムは、その工場のための予測モデルの場合には必ずしも使用されない他の工場データから、起こり得る原因を特定できるはずである。それゆえ、機械学習モデルは、他の工場データに基づいて、原因の何らかの可能性を導出できることが可能である。さらに、故障予測モデルから工場の状況を知ることができるので、起こり得る原因及び故障予測を統合できる場合には、例示的な実施態様は、現象の原因をより容易に見つけることができる。

本明細書において説明される例示的な実施態様は、ユーザがいくつかの現象に気づくときに、他の工場内の故障からの起こり得る原因及びその工場に関する故障予測を統合するシステム及び方法に向けられる。ユーザは、原因の統合された可能性を確認し、自らが気づいたことの原因を見つけることができる。

本開示の態様は方法を含むことができ、その方法は、施設における故障徴候を示すユーザ入力を受信するために、故障徴候に関する原因推定を実施し、故障徴候の第１の組の原因に関連付けられる第１の組の確率を特定することと、第１の組の確率及び第１の組の原因を、その施設からのセンサデータに基づいて、１組の潜在的な故障及び第３の組の確率を出力するように構成される機械学習プロセスから与えられる、第３の組の確率に関連付けられる１組の潜在的な故障に基づいて故障徴候の第２の組の確率及び第２の組の原因を与えるように構成されるプロセスに統合することとを含むことができる。

本開示の態様はシステムを含むことができ、そのシステムは、施設における故障徴候を示すユーザ入力を受信するために、故障徴候に関する原因推定を実施し、故障徴候の第１の組の原因に関連付けられる第１の組の確率を特定するための手段と、第１の組の確率及び第１の組の原因を、その施設からのセンサデータに基づいて、１組の潜在的な故障及び第３の組の確率を出力するように構成される機械学習プロセスから与えられる、第３の組の確率に関連付けられる１組の潜在的な故障に基づいて故障徴候の第２の組の確率及び第２の組の原因を与えるように構成されるプロセスに統合するための手段とを含むことができる。

本明細書において説明される例示的な実施態様を通して、ユーザは、以前に工場において一度も起こらなかったか、又はめったに起こらなかった故障の原因を特定するために必要とされる時間を短縮することができる。それにより、例示的な実施態様は、工場の製造ラインを保守し、工場の生産率を高めるか、又は納入率を守れない可能性を下げることができる。

例示的な実施態様による例示的な全体のフローを示す図である。 例示的な実施態様を適用することができる全体的なシステム構造を示す図である。 例示的な実施態様による、原因推定の一例を示す図である。 例示的な実施態様による、故障予測の一例を示す図である。 例示的な実施態様による、統合された原因予測の一例を示す図である。 例示的な実施態様による、履歴から原因を推定する例示的なフローを示す図である。 例示的な実施態様による、徴候抽出ＭＬモデルを作成するフローを示す図である。 例示的な実施態様による、故障ＫＢの一例を示す図である。 例示的な実施態様による、各原因の重みを計算し、正規化する方法を示す図である。 例示的な実施態様による、工場データの一例を示す図である。 例示的な実施態様による、図６〜図９Ａのフロー処理の一例を示す図である。 例示的な実施態様による、故障予測ＭＬモデルを作成する一例を示す図である。 例示的な実施態様による、原因推定及び故障予測を統合する一例を示す図である。 例示的な実施態様による、故障予測からの原因推定及び人間観測結果を統合する例示的なフローを示す図である。 例示的な実施態様による、図１２及び図１３Ａの例示的な処理を示す図である。 例示的な実施態様による、機械学習モデルへのフィードバックの例示的なフローを示す図である。 例示的な実施態様による、複数の工業環境及び管理装置を伴うシステムを示す図である。 いくつかの例示的な実施態様において使用するのに適した例示的なコンピュータデバイスを備える例示的なコンピューティング環境を示す図である。

以下の詳細な説明は、本出願の図及び例示的な実施態様の更なる詳細を与える。複数の図において重複する要素の参照番号及び説明は明確にするために省略される。その説明の全体を通して使用される用語は、例として与えられ、限定することは意図していない。例えば、「自動的」という用語の使用は、本出願の実施態様を実践する当業者の所望の実施態様に応じて、全自動の実施態様を伴うか、又は実施態様の特定の態様をユーザ又は管理者が制御することを伴う半自動の実施態様を伴う場合がある。選択は、ユーザインターフェース又は他の入力手段を通してユーザによって実施することができるか、又は所望のアルゴリズムを通して実現することができる。本明細書において説明されるような例示的な実施態様は、単独で、又は組み合わせて利用することができ、例示的な実施態様の機能は、所望の実施態様に応じて、任意の手段を通して実現することができる。

本明細書において説明される例示的な実施態様は、故障予測モデルのために十分なデータが累積されてこなかった範囲において、以前に一度も起こらなかったか、又はめったに起こらなかったイベントに関する故障の原因を調査することに向けられる。本明細書において説明される例示的な実施態様は、工場などの工業環境に向けられる。センサデータだけでなく、人間観測結果を利用することを通して、センサデータから故障予測を実施するだけの関連技術の実施態様に比べて故障の検出を著しく向上させることができ、そのような故障イベントが本質的に疎らであっても、機械学習プロセスをトレーニングして、より正確な結果を与え、より正確な故障予測を与えることができる。

さらに、本明細書の例示的な実施態様において説明されるようなシステムは、システムが複数の施設／工場からの人間観測結果及びセンサデータを使用するように、複数の施設／工場に拡張することができる。１つの施設において、以前に一度も発生しなかったイベントが発生する場合には、同じ問題を経験した他の施設の履歴を利用して、故障の潜在的な原因及び関連する確率を特定することができる。

図１は、例示的な実施態様による例示的な全体のフローを示す。工場又は他の工業環境において、人間観測者が、１０１において、異常現象を観測する場合がある。例えば、何らかのタイミング又はいくつかの製品における歩留まり率低下の結果として、グリッタの低下が生じた。１０２において、システムが、その現象の原因を推定する。それが図２において更に説明される。１０３において、人間観測者がシステムから原因の推定を与えられ、現象の原因に関して入力結果を与える。１０４において、人間観測者が、その後、必要に応じて、機械学習（ＭＬ）モデルに入力結果を与えることができ、それは、センサの数を増やすか、又はデータを収集する新たな装置を取得する忠告などの、更なる注釈を含むことができる。

図２は、例示的な実施態様を適用することができる全体的なシステム構造を示す。例示的な実施態様では、２つのタイプの入力が存在することができる。１つのタイプの入力は人間観測結果２０１である。人間観測者が異様な現象に気づいた場合には、人間観測者は、所望の実施態様に従って、任意のユーザインターフェースを通してシステムにその観測結果を提示することができる。履歴からの原因推定システム２０２が、人間観測結果を取得することができ、徴候抽出ＭＬモデル２０２−１及び故障ＫＢ探索システム２０２−２だけでなく、他の工場からの故障イベントに関する履歴から構成される故障知識ベース（ＫＢ）２０２−３を用いて、原因推定２０３を生成することができる。他のタイプの入力は、ソースデータ２０４−１〜２０４−ｎを含むことができ、ソースデータは、所望の実施態様によれば、設備のセンサデータ、ビデオ又は画像データ、修理履歴などを含む。故障予測システム２０５は、故障予測ＭＬモデル２０５−１を用いて、故障予測２０６を生成する。統合システム２０７は、原因推定２０３及び故障予測２０６を統合して、統合原因予測２０８を生成する。その後、人間観測者は、統合原因予測及び故障予測を与えられ、それにより、人間観測者は、現象の原因を特定できるようになる。

図３は、例示的な実施態様による、原因推定２０３の一例を示す。この表は原因３０１及び可能性３０２を含む。原因３０１は、例えば、所望の実施態様によれば、地面の振動、温度低下、ソフトウェア障害などである。可能性３０２は、所望の実施態様によれば、原因３０１に関連付けられる重み、確率又は他のスコアを指示することができる。

図４は、例示的な実施態様による、故障予測２０４の一例を示す。この表は、故障４０１及び可能性４０２を含む。故障は、所望の実施態様によれば、例えば、機械１アームスリップ、機械２ワイヤ摩耗などを含むことができる。可能性４０２は、所望の実施態様によれば、故障４０１に関連付けられる重み、確率又は他のスコアを指示することができる。

図５は、例示的な実施態様による、統合原因予測２０８の一例を示す。この表は原因５０１及び可能性５０２を含む。原因は図３の原因３０１と同じとすることができ、所望の実施態様によれば、例えば、地面の振動、温度低下、ソフトウェア障害などを含むことができる。可能性５０２は、所望の実施態様によれば、原因５０１に関連付けられる重み、確率又は他のスコアを指示することができる。

図６は、例示的な実施態様による、２０２において示されるような履歴から原因を推定する例示的なフローを示す。６０１において、そのフローは、徴候抽出ＭＬモデル２０２−１を利用することによって、人間観測結果から徴候を抽出する。徴候抽出ＭＬモデル２０２−１は、人間観測結果から徴候を抽出する。徴候抽出ＭＬモデル２０２−１を作成する例示的な実施態様が図７において与えられる。６０２において、故障ＫＢ探索システム２０２−２が、人間観測結果からの徴候によって故障ＫＢ２０２−３を探索し、原因及び工場番号のリストを抽出する。故障ＫＢ２０２−３からリストを抽出する方法は、質疑応答（Ｑ＆Ａ）システムを利用することによる。一例が、故障ＫＢ徴候列と、人間が気づいたことから抽出される徴候との間の完全一致を実行することである。故障ＫＢ２０２−３の構造の例示的な実施態様が図８に更に詳細に示される。

６０３において、故障ＫＢ探索システム２０２−２が、各原因の重みを計算し、それらの値を正規化する。その方法が各原因の重みを計算する例示的な実施態様が図９に示される。

６０４において、そのフローは、図３に示されるように、原因推定の表を作成する。

図７は、例示的な実施態様による、徴候抽出ＭＬモデル２０２−１を作成するフローを示す。具体的には、図７のフローは、機械学習モデルを作成する方法を示す。ユーザは、任意のタイプの機械学習モデル（例えば、長期短期記憶（ＬＳＴＭ））を使用することができる。

７０１において、そのフローは、機械学習のための人間観測結果及び徴候のペアを収集する。７０２において、そのフローは、機械学習によって、収集されたデータから徴候抽出ＭＬモデルを作成する。

図８は、例示的な実施態様による、故障ＫＢ２０２−３の一例を示す。故障ＫＢは、徴候８０１、原因８０２及び製品列８０３を含むことができる。故障ＫＢは、他の工場の故障報告から作成することができる。これらの報告はテキスト形式にすることができる。所望の実施態様に応じて、テキストを構造化データに変換するために、テキストは人的資源によって、又はシステムによって変更することができる。

図９は、例示的な実施態様による、各原因の重みを計算し、正規化する方法を示す。この図は、図６の６０３において示されるような故障ＫＢ探索システムに関する詳細を与える。９０１において、そのフローは、図１０Ａに示されるような製品工場データからのエントリを選択し、９０２において、工場データに関する重みを計算する。９０３において、全てのエントリが処理されたか否かに関する判断が行われる。処理された場合には（Ｙｅｓ）、そのフローは終了し、そうでない場合には（Ｎｏ）、そのフローは９０１に進み、次のエントリを選択する。

重みを計算する例示的な実施態様において、それらの列が、問題が発生しつつある工場の列に一致するか否かに関する判断が行われる。各列が１つの重みを有し、例示的な実施態様は、重みを乗算することによって、工場ごとの重みを計算する。列が一致しない場合には、重みは１と仮定される。例えば、その問題を伴う工場データが、工場番号８であり、製品：洗濯機、カテゴリ：電化製品、サイズ：１００ｋｍ２、場所：日本、州／県：北海道であると仮定した。その重みが１．５であるカテゴリ及びその重みが１．２であるサイズの列が工場番号１と一致する。したがって、工場番号１の重みが、１．２＊１．５＝１．８と計算される。

９０３において全てのエントリが計算されるとき、図６に示される原因推定を計算するために、その結果が使用される。

図１０Ａは、例示的な実施態様による、工場データの一例を示す。工場データは、主キーとして使用される工場番号１００１を含む。工場番号１００１以外の各列は、９０２において重みを計算するために使用される重みを含む。工場データは、製品１００２、カテゴリ１００３、工場サイズ１００４、国１００５及び州／県１００６を含むことができる。

図１０Ｂは、例示的な実施態様による、図６〜図１０Ａのフロー処理の一例を示す。図１０Ｂの例において、ユーザインターフェースが、半導体製造ラインにおいてグリッタが低下しているという人間観測結果に関するユーザ入力を受信する。図６の６０２において説明されたように、原因及び関連情報（例えば、同じ原因に直面した他の工場／施設）を探索するために、故障ＫＢが詳細に検討される。他の工場／施設に割り当てられることになる対応する重みを決定するために、工場データが詳細に検討される。図１０Ｂの例において、人間観測結果は工場番号８から入力され、それにより、工場番号８に対して、類似性に基づいて、システムによって管理される図１０Ａにおいて説明される工場データから重みが計算される。例えば、工場の製品、カテゴリ、工場サイズ、国及び州／県が、工場ごとの複合重みを生成するために考慮に入れられるパラメータである。各パラメータに関連付けられる重みは、所望の実施態様に従って調整することができ、図１０Ｂの例には限定されない。図１０Ｂに示される例では、一致するパラメータが、そのパラメータに関して割り当てられる重みスコアを与えられ、一致しないパラメータが１の重みを与えられるという点で、重みは乗数として割り当てられる。その後、関連付けられる工場重みに基づいて、原因が重みに関連付けられ、それに応じて、正規化プロセスから、確率が決定される。

図１１は、例示的な実施態様による、故障予測ＭＬモデルを作成する一例を示す図である。そのフローは、ソースデータ２０４−１〜２０４−ｎから、図２の２０５−１において示されるような故障予測ＭＬモデルを作成する一例であり、そのモデルは、故障予測２０６を生成するために使用される。１１０１において、そのフローは、機械学習のためのソースデータ及び故障データを収集する。１１０２において、そのフローは、機械学習プロセスを使用することによって、収集されたデータから故障予測ＭＬモデルを作成する。

図１２は、例示的な実施態様による、原因推定及び故障予測を統合する例示的なフロー２０７を示す。１２０１において、故障予測のためのエントリが選択される。１２０２において、故障ＫＢから原因が推定される。例えば、所望の実施態様によれば、エントリ「機械１アームスリップ」を選択することができ、エントリ「機械１アームスリップ」に、履歴からの原因推定モデル２０２を適用することによって、原因推定が特定される。１２０３において、全てのエントリが推定されるまで、そのプロセスは１２０１にループする。１２０３において、全てのエントリが推定された場合には（Ｙｅｓ）、故障予測エントリごとに原因推定が存在するように、そのフローは１２０４に進む。１２０４において、そのフローは、図１３Ａにおいて説明され、図１３Ｂにおいて示されるように、人間観測結果を、故障予測ＭＬからの推定される原因と統合する原因推定表を作成する。

図１３Ａは、例示的な実施態様による、故障予測からの原因推定及び人間観測結果を統合する例示的なフローを示す図である。図１３のフローは図１２の１２０４に関する詳述なフローである。１３０１において、そのフローは、選択を容易にするために、所望の実施態様に応じて、原因推定からのエントリを選択する。１３０２において、故障予測からの原因推定を使用することによって、各エントリの重みが計算される。その計算を実施する例示的な実施態様は、（統合原因予測エントリＣの可能性）＝（原因推定エントリＣの可能性）＊Σ（故障予測エントリｎの可能性）＊（原因推定Ｃの可能性）を含むことができる。１３０３において、そのフローは、人間観測結果から原因推定の各エントリを計算し、そのプロセスは、全てのエントリが推定されるまでループする。１３０４において、最終的な原因推定を取得するために、その結果が、可能性の和によって１に正規化される（例えば、全確率＝１）。その処理の一例が、図１２の「機械１アームスリップ」例を用いて、図１３Ｂに示される。

図１４は、例示的な実施態様による、機械学習モデルへのフィードバックの例示的なフローを示す。

最初に、１４０１において、発生したイベントに基づいて、新たな故障が規定される。例えば、そのイベントが、地面振動に起因するグリッタの低下を明らかにした場合には、低下するグリッタが新たな故障と規定される。１４０２において、所望の実施態様に従って、データソースが追加される。例えば、グリッタを検出するために、カメラデータが必要とされる場合には、新たなカメラをセットアップし、カメラデータを収集する命令が、対応する場所に送信される。１４０３において、そのフローは別の故障予測ＭＬモデル２０５−１を作成し、図７と同じフローを通して、以前に記憶された故障予測ＭＬを置き換える。

図１５は、例示的な実施態様による、複数の工業環境及び管理装置を伴うシステムを示す。工場又は他のそのような工業施設などの１つ以上の工業環境１５０１−１、１５０１−２、１５０１−３及び１５０１−４がネットワーク１５００に通信可能に結合され、センサデータを受信し、そのデータを利用して機械学習プロセスからの応答を生成するように構成される管理装置１５０２にそのようなデータを与える。管理装置１５０２はデータベース１５０３を管理し、データベースは、図２〜図５及び図８に示されるような、管理情報を管理する。

図１６は、図１５に示されるような管理装置１５０２などの、いくつかの例示的な実施態様において使用するのに適した例示的なコンピュータデバイスを備える例示的なコンピューティング環境を示す。コンピューティング環境１６００内のコンピュータデバイス１６０５は、１つ以上の処理ユニット、コア又はプロセッサ１６１０、メモリ１６１５（例えば、ＲＡＭ、ＲＯＭ、及び／又は同様のもの）、内部ストレージ１６２０（例えば、磁気、光学、ソリッドステートストレージ、及び／又はオーガニック）、並びに／或いはＩ／Ｏインターフェース１６２５を含むことができ、それらはいずれも情報を通信するために通信機構又はバス１６３０上で結合することができるか、又はコンピュータデバイス１６０５に組み込むことができる。Ｉ／Ｏインターフェース１６２５はまた、所望の実施態様に応じて、カメラから画像を受信するか、又はプロジェクタ若しくはディスプレイに画像を与えるように構成される。

コンピュータデバイス１６０５は、入力／ユーザインターフェース１６３５及び出力デバイス／インターフェース１６４０に通信可能に結合することができる。入力／ユーザインターフェース１６３５及び出力デバイス／インターフェース１６４０の一方又は両方は、有線又は無線インターフェースとすることができ、取り外し可能にすることができる。入力／ユーザインターフェース１６３５は、入力を与えるために使用することができる物理的又は仮想的な任意のデバイス、構成要素、センサ又はインターフェース（例えば、ボタン、タッチスクリーンインターフェース、キーボード、ポインティング／カーソルコントロール、マイクロフォン、カメラ、点字、モーションセンサ、光学リーダ及び／又は同様のもの）を含むことができる。出力デバイス／インターフェース１６４０は、ディスプレイ、テレビ、モニタ、プリンタ、スピーカ、点字などを含むことができる。いくつかの例示的な実施態様では、入力／ユーザインターフェース１６３５及び出力デバイス／インターフェース１６４０は、コンピュータデバイス１６０５に組み込むことができるか、又は物理的に結合することができる。他の例示的な実施態様では、他のコンピュータデバイスが、コンピュータデバイス１６０５に対する、入力／ユーザインターフェース１６３５及び出力デバイス／インターフェース１６４０として機能することができるか、又はそれらの機能を与えることができる。

コンピュータデバイス１６０５の例は、限定はしないが、高移動性のデバイス（例えば、スマートフォン、車両及び他の機械内のデバイス、人間及び動物によって持ち運ばれるデバイスなど）、移動性のデバイス（例えば、タブレット、ノートブック、ラップトップ、パーソナルコンピュータ、ポータブルテレビ、ラジオなど）、並びに移動用に設計されていないデバイス（例えば、デスクトップコンピュータ、他のコンピュータ、情報キオスク、１つ又は複数のプロセッサが組み込まれた、及び／又は結合されたテレビ、ラジオなど）を含むことができる。

コンピュータデバイス１６０５は、外部ストレージ１６４５と、同じ又は異なる構成の１つ又は複数のコンピュータデバイスを含む、任意数のネットワーク化された構成要素、デバイス、及びシステムと通信するためのネットワーク１６５０とに（例えば、Ｉ／Ｏインターフェース１６２５を介して）通信可能に結合することができる。コンピュータデバイス１６０５又は任意の接続されたコンピュータデバイスは、サーバ、クライアント、シンサーバ、汎用マシン、専用マシン、又は他のラベルとして機能することができるか、それらのサービスを提供することができるか、又はそのように呼ぶことができる。

Ｉ／Ｏインターフェース１６２５は、限定はしないが、コンピューティング環境１６００内の少なくとも全ての接続された構成要素、デバイス、及びネットワークへ、及び／又はそれらから情報を通信するための任意の通信又はＩ／Ｏプロトコル又は規格（例えば、イーサネット(登録商標)、８０２．１１ｘ、ユニバーサルシステムバス、ＷｉＭａｘ、モデム、セルラーネットワークプロトコルなど）を使用する有線及び／又はワイヤレスインターフェースを含むことができる。ネットワーク１６５０は、任意のネットワーク又はネットワークの組み合わせ（例えば、インターネット、ローカルエリアネットワーク、ワイドエリアネットワーク、電話ネットワーク、セルラーネットワーク、衛星ネットワークなど）とすることができる。

コンピュータデバイス１６０５は、一時的媒体及び非一時的媒体を含むコンピュータ使用可能又はコンピュータ可読媒体を使用することができ、及び／又はそれらを使用して通信することができる。一時的媒体は、伝送媒体（例えば、金属ケーブル、光ファイバ）、信号、搬送波などを含む。非一時的媒体は、磁気媒体（例えば、ディスク及びテープ）、光学媒体（例えば、ＣＤ ＲＯＭ、デジタルビデオディスク、ブルーレイディスク）、ソリッドステートメディア（例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ソリッドステートストレージ）、及び他の不揮発性ストレージ又はメモリを含む。

コンピュータデバイス１６０５は、いくつかの例示的なコンピューティング環境において、技法、方法、アプリケーション、プロセス、又はコンピュータ実行可能命令を実施するために使用することができる。コンピュータ実行可能命令は、一時的媒体から取り出すことができ、非一時的媒体に記憶し、そこから取り出すことができる。実行可能命令は、任意のプログラミング言語、スクリプト言語、及び機械語（例えば、Ｃ、Ｃ＋＋、Ｃ＃、Ｊａｖａ(登録商標)、Ｖｉｓｕａｌ Ｂａｓｉｃ、Ｐｙｔｈｏｎ、Ｐｅｒｌ、ＪａｖａＳｃｒｉｐｔ(登録商標)など）の１つ以上から生じることができる。

１つ又は複数のプロセッサ１６１０は、ネイティブ又は仮想環境において任意のオペレーティングシステム（ＯＳ）（図示せず）下で実行することができる。論理ユニット１６６０、アプリケーションプログラミングインターフェース（ＡＰＩ）ユニット１６６５、入力ユニット１６７０、出力ユニット１６７５、並びに異なるユニットが互いに、及びＯＳと、及び他のアプリケーション（図示せず）と通信するためのユニット間通信機構１６９５を含む１つ以上のアプリケーションを展開することができる。説明されたユニット及び要素は、設計、機能、構成、又は実施態様に関して変更することができ、与えられた説明には限定されない。１つ又は複数のプロセッサ１６１０は、中央処理ユニット（ＣＰＵ）などのハードウェアプロセッサ、又はハードウェア及びソフトウェアユニットの組み合わせの形をとることができる。

いくつかの例示的な実施態様では、情報又は実行命令がＡＰＩユニット１６６５によって受信されるとき、１つ以上の他のユニット（例えば、論理ユニット１６６０、入力ユニット１６７０、出力ユニット１６７５）に通信することができる。いくつかの例では、論理ユニット１６６０は、ユニット間の情報フローを制御し、上記のいくつかの例示的な実施態様においてＡＰＩユニット１６６５、入力ユニット１６７０、出力ユニット１６７５によって提供されるサービスを管理するように構成することができる。例えば、１つ以上のプロセス又は実施態様のフローは、論理ユニット１６６０によって単独で、又はＡＰＩユニット１６６５と連携して制御することができる。入力ユニット１６７０は、例示的な実施態様において説明された計算のための入力を取得するように構成することができ、出力ユニット１６７５は、例示的な実施態様において説明された計算に基づいて出力を与えるように構成することができる。

メモリ１６１５は、図２、図３、図５及び図８に示されるような管理情報を与えることによって、データベース１５０３から適切なエントリを抽出し、例示的な実施態様を助長するように構成することができる。データベース１５０３は、所望の実施態様によれば、内部ストレージ１６２０、外部ストレージ１６４５、又は両方の組み合わせによって助長することができる。

例示的な実施態様では、１つ又は複数のプロセッサ１６１０は、所望の実施態様に従って、モバイルデバイスによってユーザから、施設にあるデバイスによって、又は別の方法でアクセスすることができる、施設１５０１−１、１５０１−２、１５０１−３、１５０１−４のいずれにおける任意のユーザを対象にするユーザインターフェースを助長するように構成される。インターフェースは、本明細書において説明される人間観測結果に関して説明されるような故障徴候を示すユーザ入力を受信するように構成することができる。施設において故障徴候を示すユーザ入力を受信するために、１つ又は複数のプロセッサ１６１０は、図６〜図９Ａのプロセスを通して図１０Ｂにおいて示されるように、そして図２において２０１〜２０３に示されるように、故障徴候に関する原因推定を実施し、故障徴候の第１の組の原因に関連付けられる第１の組の確率を決定し、第１の組の確率及び第１の組の原因を、図１２及び図１３Ａのプロセスを通して図１３Ｂに示されるように、そして図２において２０５〜２０８に示されるように、その施設からのセンサデータに基づいて、１組の潜在的な故障及び第３の組の確率を出力するように構成される機械学習プロセスから与えられる、第３の組の確率に関連付けられる１組の潜在的な故障に基づいて故障徴候の第２の組の確率及び第２の組の原因を与えるように構成されるプロセスに統合するように構成される。

１つ又は複数のプロセッサ１６１０は、図１４に示されるように、故障徴候の第２の組の原因のうちの１つ以上の原因のフィードバックを機械学習プロセスに与えることを通して、機械学習プロセスをトレーニングするように更に構成することができる。トレーニングは、例えば、図７のプロセスの実行を通して行うことができる。

本明細書において説明されるように、１つ又は複数のプロセッサ１６１０は、故障徴候から第１の組の原因を特定するためにデータベース（例えば、ＫＢデータベース）を参照することであって、データベースは、図８に示されるプロセスにおいて示されるように、複数の故障徴候を複数の施設から報告されるような複数の原因に関連付ける、参照することと、図１０Ｂに示されるように、第１の組の原因の各原因に関連付けられる複数の施設のうち施設に基づいて、第１の組の原因の原因ごとの重みを決定することと、総計で１になるように可能性を正規化することを通して、第１の組の原因のための重みを正規化し、第１の組の確率を生成し、それにより、各原因の確率を指示することとによって、原因推定を実施するように構成することができる。

１つ又は複数のプロセッサ１６１０は、図１３Ｂに示されるように、１組の潜在的な故障及び第３の組の確率を、変換済みの１組の原因及び変換済みの１組の確率に変換し、第１の組の原因、変換済みの１組の原因、第１の組の確率、及び変換済みの１組の確率の統合計算から、第２の組の原因及び第２の組の確率を計算することによって、施設からのセンサデータに基づいて、１組の潜在的な故障及び第３の組の確率を出力するように構成される機械学習プロセスから与えられる、第３の組の確率に関連付けられる１組の潜在的な故障に基づいて、故障徴候の第２の組の確率及び第２の組の原因を与えるように構成されるプロセスを助長するように構成される。プロセッサ１６１０は、図１０〜図１２に示されるように、複数の故障徴候を複数の施設から報告されるような複数の原因に関連付けるデータベースを利用することによって、１組の潜在的な故障及び第３の組の確率を変換済みの１組の原因及び変換済みの１組の確率に変換するように構成される。

詳細な説明のいくつかの部分は、アルゴリズムと、コンピュータ内の動作の記号的表現との観点で提示される。これらのアルゴリズム的記述及び記号的表現は、データ処理技術の当業者によって、自らの革新の本質を他の当業者に伝えるために使用される手段である。アルゴリズムは、所望の終了状態又は結果をもたらす一連の定義されたステップである。例示的な実施態様では、実行されるステップは、有形の結果を達成するために有形の量の物理的操作を必要とする。

具体的に他の言及されない限り、本議論から明らかなように、説明全体にわたって、「処理」、「コンピューティング」、「計算」、「決定」、「表示」などの用語を使用する議論が、コンピュータシステムのレジスタ及びメモリ内の物理（電子）量として表現されるデータを、コンピュータシステムのメモリ若しくはレジスタ又は他の情報記憶、伝送若しくは表示デバイス内の物理量として同様に表現される他のデータに操作及び変換するコンピュータシステム又は他の情報処理デバイスの動作及びプロセスを含むことができることは理解されよう。

また、例示的な実施態様は本明細書の動作を実行するための装置にも関連する場合がある。この装置は必要な目的のために特別に構成することができるか、或いは１つ以上のコンピュータプログラムによって選択的にアクティブ化又は再構成される１つ以上の汎用コンピュータを含むことができる。そのようなコンピュータプログラムは、コンピュータ可読記憶媒体又はコンピュータ可読信号媒体などのコンピュータ可読媒体に記憶することができる。コンピュータ可読記憶媒体は、限定はしないが、光ディスク、磁気ディスク、読み出し専用メモリ、ランダムアクセスメモリ、ソリッドステートデバイス及びドライブ、又は電子情報を記憶するのに適した任意の他のタイプの有形若しくは非一時的媒体などの有形媒体を含むことができる。コンピュータ可読信号媒体は、搬送波などの媒体を含むことができる。本明細書において提示されたアルゴリズム及びディスプレイは、任意の特定のコンピュータ又は他の装置に本質的に関連するものではない。コンピュータプログラムは、所望の実施態様の動作を実行する命令を含む純粋なソフトウェアの実施態様を含むことができる。

本明細書の例によるプログラム及びモジュールとともに種々の汎用システムが使用される場合があるか、又は所望の方法ステップを実施するためのより特化した装置を構成することが好都合であるとわかる場合がある。さらに、例示的な実施態様は、任意の特定のプログラミング言語を参照しながら説明されていない。本明細書において説明されるような例示的な実施態様の教示を実現するために種々のプログラミング言語が使用される場合があることは理解されよう。１つ又は複数のプログラミング言語の命令は、１つ以上の処理デバイス、例えば、中央処理装置（ＣＰＵ）、プロセッサ又はコントローラによって実行される場合がある。

当技術分野において知られているように、上記の動作は、ハードウェア、ソフトウェア、又はソフトウェア及びハードウェアの何らかの組み合わせによって実行される場合がある。例示的な実施態様の種々の態様は回路及び論理デバイス（ハードウェア）を使用して実現される場合があり、一方、他の態様は、プロセッサによって実行された場合に、プロセッサに本出願の実施態様を実行するための方法を実行させる、機械可読媒体に記憶された命令（ソフトウェア）を用いて実現される場合がある。さらに、本出願のいくつかの例示的の実施態様はハードウェアのみで実行される場合があるのに対して、他の例示的な実施態様はソフトウェアのみで実行される場合がある。さらに、説明された種々の機能は、単一のユニットで実行することができるか、又は任意の数の方法においていくつかの構成要素にわたって散在させることができる。ソフトウェアによって実行されるとき、本方法は、コンピュータ可読媒体に記憶された命令に基づいて汎用コンピュータなどのプロセッサによって実行される場合がある。所望により、命令は媒体に、圧縮形式で、及び／又は暗号化形式で記憶することができる。

さらに、本出願の他の実施態様は、本明細書を検討し、本出願の教示を実践することから当業者には明らかになるであろう。説明された例示的な実施態様の種々の態様及び／又は構成要素は、単独で、で又は任意の組み合わせにおいて使用される場合がある。本明細書及び例示的な実施態様は単に例とみなされ、本出願の真の範囲及び趣旨は以下の特許請求の範囲によって示されることが意図されている。

Claims (15)

1. 施設における故障徴候を示すユーザ入力を受信するために、
   前記故障徴候に関する原因推定を実施し、前記故障徴候の第１の組の原因に関連付けられる第１の組の確率を特定することと、
   前記第１の組の確率及び前記第１の組の原因を、前記施設からのセンサデータに基づいて、１組の潜在的な故障及び第３の組の確率を出力するように構成される機械学習プロセスから与えられる、前記第３の組の確率に関連付けられる前記１組の潜在的な故障に基づいて、前記故障徴候の第２の組の確率及び第２の組の原因を与えるように構成されるプロセスに統合することと
   を行う、方法。
2. 前記故障徴候の前記第２の組の原因のうちの１つ以上の原因のフィードバックを前記機械学習プロセスに与えることを通して、前記機械学習プロセスをトレーニングすることを更に含む、請求項１に記載の方法。
3. 原因推定を前記実施することは、
   前記故障徴候から前記第１の組の原因を特定するためにデータベースを参照することであって、前記データベースは、複数の故障徴候を、複数の施設から報告されるような複数の原因に関連付ける、参照することと、
   前記第１の組の原因の前記各原因に関連付けられる前記複数の施設のうちの施設に基づいて、前記第１の組の原因の原因ごとの重みを決定することと、
   前記第１の組の原因に関する前記重みを正規化し、前記第１の組の確率を生成することとを含む、請求項１に記載の方法。
4. 前記施設からのセンサデータに基づいて、前記１組の潜在的な故障及び前記第３の組の確率を出力するように構成される前記機械学習プロセスから与えられる、前記第３の組の確率に関連付けられる前記１組の潜在的な故障に基づいて、前記故障徴候の前記第２の組の確率及び前記第２の組の原因を与えるように構成される前記プロセスは、
   前記１組の潜在的な故障及び前記第３の組の確率を変換済みの１組の原因及び変換済みの１組の確率に変換することと、
   前記第１の組の原因、前記変換済みの１組の原因、前記第１の組の確率及び前記変換済みの１組の確率の統合計算から、前記第２の組の原因及び前記第２の組の確率を計算することとを含む、請求項１に記載の方法。
5. 前記１組の潜在的な故障及び前記第３の組の確率を前記変換済みの１組の原因及び前記変換済みの１組の確率に前記変換することは、複数の故障徴候を複数の施設から報告されるような複数の原因に関連付けるデータベースを利用することを含む、請求項４に記載の方法。
6. 施設における故障徴候を示すユーザ入力を受信するために、
   前記故障徴候に関する原因推定を実施し、前記故障徴候の第１の組の原因に関連付けられる第１の組の確率を特定することと、
   前記第１の組の確率及び前記第１の組の原因を、前記施設からのセンサデータに基づいて、１組の潜在的な故障及び第３の組の確率を出力するように構成される機械学習プロセスから与えられる、前記第３の組の確率に関連付けられる前記１組の潜在的な故障に基づいて、前記故障徴候の第２の組の確率及び第２の組の原因を与えるように構成されるプロセスに統合することと
   をコンピュータに実行させるコンピュータプログラム。
7. 前記命令は、前記故障徴候の前記第２の組の原因のうちの１つ以上の原因のフィードバックを前記機械学習プロセスに与えることを通して、前記機械学習プロセスをトレーニングすることを更に含む、請求項６に記載のコンピュータプログラム。
8. 原因推定を前記実施することは、
   前記故障徴候から前記第１の組の原因を特定するためにデータベースを参照することであって、前記データベースは、複数の故障徴候を、複数の施設から報告されるような複数の原因に関連付ける、参照することと、
   前記第１の組の原因の前記各原因に関連付けられる前記複数の施設のうちの施設に基づいて、前記第１の組の原因の原因ごとの重みを決定することと、
   前記第１の組の原因に関する前記重みを正規化し、前記第１の組の確率を生成することとを含む、請求項６に記載のコンピュータプログラム。
9. 前記施設からのセンサデータに基づいて、前記１組の潜在的な故障及び前記第３の組の確率を出力するように構成される前記機械学習プロセスから与えられる、前記第３の組の確率に関連付けられる前記１組の潜在的な故障に基づいて、前記故障徴候の前記第２の組の確率及び前記第２の組の原因を与えるように構成される前記プロセスは、
   前記１組の潜在的な故障及び前記第３の組の確率を変換済みの１組の原因及び変換済みの１組の確率に変換することと、
   前記第１の組の原因、前記変換済みの１組の原因、前記第１の組の確率及び前記変換済みの１組の確率の統合計算から、前記第２の組の原因及び前記第２の組の確率を計算することとを含む、請求項６に記載のコンピュータプログラム。
10. 前記１組の潜在的な故障及び前記第３の組の確率を前記変換済みの１組の原因及び前記変換済みの１組の確率に前記変換することは、複数の故障徴候を複数の施設から報告されるような複数の原因に関連付けるデータベースを利用することを含む、請求項９に記載のコンピュータプログラム。
11. 施設における故障徴候を示すユーザ入力を受信するために、
    前記故障徴候に関する原因推定を実施し、前記故障徴候の第１の組の原因に関連付けられる第１の組の確率を特定し、
    前記第１の組の確率及び前記第１の組の原因を、前記施設からのセンサデータに基づいて、１組の潜在的な故障及び第３の組の確率を出力するように構成される機械学習プロセスから与えられる、前記第３の組の確率に関連付けられる前記１組の潜在的な故障に基づいて、前記故障徴候の第２の組の確率及び第２の組の原因を与えるように構成されるプロセスに統合するように構成されるプロセッサを備える、装置。
12. 前記プロセッサは、前記故障徴候の前記第２の組の原因のうちの１つ以上の原因のフィードバックを前記機械学習プロセスに与えることを通して、前記機械学習プロセスをトレーニングするように更に構成される、請求項１１に記載の装置。
13. 前記プロセッサは、
    前記故障徴候から前記第１の組の原因を特定するためにデータベースを参照することであって、前記データベースは、複数の故障徴候を、複数の施設から報告されるような複数の原因に関連付ける、参照することと、
    前記第１の組の原因の前記各原因に関連付けられる前記複数の施設のうちの施設に基づいて、前記第１の組の原因の原因ごとの重みを決定することと、
    前記第１の組の原因に関する前記重みを正規化し、前記第１の組の確率を生成することとによって原因推定を実施するように構成される、請求項１１に記載の装置。
14. 前記施設からのセンサデータに基づいて、前記１組の潜在的な故障及び前記第３の組の確率を出力するように構成される前記機械学習プロセスから与えられる、前記第３の組の確率に関連付けられる前記１組の潜在的な故障に基づいて、前記故障徴候の前記第２の組の確率及び前記第２の組の原因を与えるように構成される前記プロセスは、
    前記１組の潜在的な故障及び前記第３の組の確率を変換済みの１組の原因及び変換済みの１組の確率に変換することと、
    前記第１の組の原因、前記変換済みの１組の原因、前記第１の組の確率及び前記変換済みの１組の確率の統合計算から、前記第２の組の原因及び前記第２の組の確率を計算することとを含む、請求項１１に記載の装置。
15. 前記プロセッサは、複数の故障徴候を複数の施設から報告されるような複数の原因に関連付けるデータベースを利用することを通して、前記１組の潜在的な故障及び前記第３の組の確率を前記変換済みの１組の原因及び前記変換済みの１組の確率に変換するように構成される、請求項１４に記載の装置。