JP2021177319A - 家電システム - Google Patents

Abstract

【課題】より適切な故障診断を行うことができる家電システムを提供する。【解決手段】家電システム１は、複数の家電機器１０ａ〜１０ｃと、インタフェース装置２０と、学習装置３０と、故障診断装置４０と、を備える。故障診断装置４０は、家電機器１０が有する１つ以上のセンサ１０２の検出結果に基づく情報が入力されると各家電機器に関する故障診断の結果を出力するように学習した学習済みモデルに基づき、各家電機器の故障診断を行う。【選択図】図１

Description

本発明の実施形態は、家電システムに関する。

家電機器では、さまざまな原因により異なる不具合が発生する場合がある。ところで、家電機器の不具合と家電機器のセンサの検出値との因果関係は不明な場合がある。このため、適切な故障診断を行うことが難しい場合があった。

特開２０１６−１７３７８２号公報

本発明が解決しようとする課題は、より適切な故障診断を行うことができる家電システムを提供することである。

実施形態の家電システムは、診断部を持つ。前記診断部は、家電機器が有する１つ以上のセンサの検出結果に基づく情報が入力されると前記家電機器に関する故障診断の結果を出力するように学習された学習済みモデルに基づき、前記家電機器の故障診断を行う。

第１実施形態の家電システムの構成を示す図。 第１実施形態の家電機器の構成の一部を示す図。 第１実施形態の対応テーブルの内容の一例を示す図。 第１実施形態における第１のデータテーブルの例を示す図。 第１実施形態における学習済みモデルを模式的に示す図。 第１実施形態における第２のデータテーブルの例を示す図。 第１実施形態における第１の処理フローの例を示す図。 第１実施形態における第２の処理フローの例を示す図。

以下、実施形態の家電システムを、図面を参照して説明する。以下の説明では、同一または類似の機能を有する構成に同一の符号を付す。構成の重複する説明は省略する場合がある。「ＸＸに基づく」とは、「少なくともＸＸに基づく」ことを意味し、ＸＸに加えて別の要素に基づく場合も含み得る。「ＸＸに基づく」とは、ＸＸを直接に用いる場合に限定されず、ＸＸに対して演算や加工が行われたものに基づく場合も含み得る。「ＸＸまたはＹＹ」とは、ＸＸとＹＹのうちいずれか一方の場合に限定されず、ＸＸとＹＹの両方の場合も含み得る。これは選択的要素が３つ以上の場合も同様である。「ＸＸ」および「ＹＹ」は、任意の要素（例えば任意の情報）である。

（第１の実施形態）
［家電システムの構成］
図１は、第１の実施形態の家電システム１の構成を示す図である。家電システム１は、各家電機器について蓄積された家電機器の動作状態やセンサが感知した物理量などの情報を用いて学習済みモデルを生成する。家電システム１は、生成した学習済みモデルを用いて家電機器の故障診断を行う。

図１に示すように、家電システム１は、複数の家電機器（家電機器１０ａ、１０ｂ、…、１０ｃ）と、インタフェース装置（インタフェースユニット）２０と、学習装置（学習ユニット）３０と、故障診断装置（故障診断ユニット）４０とを備える。家電機器１０ａ、１０ｂ、・・・、１０ｃ、学習装置３０、故障診断装置４０のそれぞれは、直接または不図示のネットワークを介してインタフェース装置２０と通信可能である。以下では説明の便宜上、インタフェース装置２０と、学習装置３０と、故障診断装置４０とがそれぞれ独立した装置である例について説明する。ただし後述するように、インタフェース装置２０、学習装置３０、および故障診断装置４０は、１つの装置によって実現されてもよい。なお、家電機器１０ａ、１０ｂ、・・・、１０ｃを総称して、家電機器１０という。家電機器１０は、ユーザの各家庭に配置される。

［家電機器の構成］
図１に示すように、家電機器１０ａは、センサ１０２ａと、送信部１０１ａとを備える。家電機器１０ａは、例えば、冷蔵庫、洗濯機、空気調和機（エアコン）、電気掃除機、電子レンジ、テレビジョン受像機、照明器具などである。

センサ１０２ａは、家電機器１０ａに設けられる１つ以上のセンサである。センサ１０２ａは、家電機器１０ａにおいて、センサの数に応じた数の物理量などを感知する。物理量の種類は、温度、湿度、圧力、電流、電圧、モータの回転数、扉の開閉数などである。センサは、カメラのような撮像装置でもよい。このため、「センサの検出結果」とは、カメラにより撮影された画像データなどでもよい。以下では説明を簡単にするため、このような画像データがある場合も含めて「物理量」と称する。この物理量は、「診断用情報」と称されてもよい。センサ１０２ａが感知する物理量の種類は、家電機器の種類（例えば、冷蔵庫、洗濯機、空気調和機、電気掃除機、電子レンジ、テレビジョン受像機、照明器具など）や家電機器の機種（型番など）によって異なる。

送信部１０１ａは、不図示の高周波回路とアンテナなどを含み、例えば家電機器１０ａが配置された家庭内の無線ルータおよびネットワークを介して、インタフェース装置２０と通信可能である。送信部１０１ａは、センサ１０２ａが感知した物理量を、その物理量が感知された時刻の家電機器１０ａの動作状態と、家電機器１０ａの識別子ＩＤ１と共に、所定の時間が経過するごとにインタフェース装置２０に送信する。

例えば、家電機器１０ａが冷蔵庫である場合には、家電機器１０ａの動作状態とは、冷蔵運転中であるか冷凍運転中であるか、急速冷凍モードであるか否か、急速製氷モードであるか否か、通常チルドモードであるか急速チルドモードであるか、解凍モードであるか否かなどによって決定される動作時の状態のことである。動作状態は、上記各運転モードが開始されてからの時間情報を含んでもよい。例えば、家電機器１０ａが洗濯機である場合には、家電機器１０ａの動作状態とは、標準モード、スピードモード、念入りモードのいずれであるか、乾燥機能を使用するか否かなどによって決定される動作時の状態のことである。

例えば、家電機器１０ａが空気調和機である場合には、暖房運転、冷房運転、除湿運転のいずれであるか、空気清浄機能を使用しているか否か、内部の自動清掃機能（例えばカビ取り機能）を使用しているか否かなどによって決定される動作時の状態のことである。例えば、家電機器１０ａが電気掃除機である場合には、吸引力が強であるか弱であるかなどによって決定される動作時の状態のことである。例えば、家電機器１０ａが電子レンジである場合には、オーブン機能を使用しているか否か、水蒸気を用いているか否かなどによって決定される動作時の状態のことである。例えば、家電機器１０ａがテレビジョン受像機である場合には、録画機能を使用しているか否か、２画面表示しているか否かなどによって決定される動作時の状態のことである。例えば、家電機器１０ａが照明器具である場合には、光量が強、中、弱のいずれであるかなどによって決定される動作時の状態のことである。

図２は、家電機器１０ａの構成の一部を示す図である。図２に示すように、センサ１０２ａは、第１センサＳ１、第２センサＳ２、および第３センサＳ３を含む複数のセンサを含む。第１から第３のセンサＳ１，Ｓ２、Ｓ３は、互いに異なる場所に配置されたセンサ、または互いに異なる物理量を感知するセンサである。例えば、家電機器１０ａが冷蔵庫である場合、第１センサＳ１は、コンプレッサに流れる電流を検出するセンサである。第２センサＳ２は、冷蔵室内の温度を検出するセンサである。第３センサＳ３は、冷蔵室内を撮影するカメラである。

本実施形態では、家電機器１０ａは、異常判定部１０３を有する。異常判定部１０３は、第１センサＳ１の検出結果と予め設定された第１閾値とに基づき、家電機器１０ａに含まれる第１部品Ｃ１（例えばコンプレッサ）の異常を判定する。例えば、異常判定部１０３は、第１センサＳ１により検出された電流の大きさが第１閾値以上であると、コンプレッサに異常があると判定する。家電機器１０ａでは、第１部品Ｃ１に関する異常判定には、第２センサＳ２の検出結果および第３センサＳ３の検出結果は用いられない。

同様に、異常判定部１０３は、第２センサＳ２の検出結果と、家電機器１０ａの動作状態と、予め設定された第２閾値とに基づき、家電機器１０ａに含まれる第２部品Ｃ２（例えば扉部材）の異常を判定する。家電機器１０ａでは、第２部品Ｃ２に関する異常判定には、第３センサＳ３の検出結果および第３センサＳ３の検出結果は用いられない。一方で、第３センサＳ３の検出結果は、家電機器１０ａでは異常判定に用いられず、冷蔵庫内の食材の在庫管理などに用いられる。

次に、図１に戻り、家電機器１０ｂ、１０ｃについて説明する。家電機器１０ｂは、センサ１０２ｂと、送信部１０１ｂとを備える。センサ１０２ｂは、家電機器１０ｂに設けられる１つ以上のセンサである。センサ１０２ｂは、家電機器１０ｂにおいて、センサの数に応じた数の物理量を感知する。センサ１０２ｂが感知する物理量の種類は、センサ１０２ａが感知する物理量の種類と同様、家電機器の種類や種類ごとの機種などによって異なる。

送信部１０１ｂは、センサ１０２ｂが感知した物理量を、物理量が感知された時刻の家電機器１０ｂの動作状態と、家電機器１０ｂの識別子ＩＤ２と共に、所定の時間が経過するごとにインタフェース装置２０に送信する。なお、家電機器１０ｂの動作状態は、家電機器１０ａの動作状態と同様である。

家電機器１０ｃは、センサ１０２ｃと、送信部１０１ｃとを備える。センサ１０２ｃは、家電機器１０ｃに設けられる１つ以上のセンサである。センサ１０２ｃは、家電機器１０ｃにおいて、センサの数に応じた数の物理量を感知する。センサ１０２ｃが感知する物理量の種類は、センサ１０２ａが感知する物理量の種類と同様、家電機器１０の種類や種類ごとの機種によって異なる。

送信部１０１ｃは、センサ１０２ｂが感知した物理量を、物理量が感知された時刻の家電機器１０ｃの動作状態と、家電機器１０ｃの識別子ＩＤ２と共に、所定の時間が経過するごとにインタフェース装置２０に送信する。なお、家電機器１０ｃの動作状態は、家電機器１０ａの動作状態と同様である。図２を用いて説明した家電機器１０ａの構成は、家電機器１０ｂ、１０ｃでも同様である。なお以下では、送信部１０１ａ、１０１ｂ、１０１ｃを総称して、送信部１０１という。また、センサ１０２ａ、１０２ｂ、１０２ｃを総称して、センサ１０２という。

［インタフェース装置の構成］
インタフェース装置２０は、家電機器１０と学習装置３０との間の通信を仲介する。インタフェース装置２０は、家電機器１０と故障診断装置４０との間の通信を仲介する。インタフェース装置２０は、学習装置３０と故障診断装置４０との間の通信を仲介する。インタフェース装置２０は、仲介部２０１を備える。例えば、インタフェース装置２０は、ネットワークに接続されたサーバに含まれる。

仲介部２０１は、センサ１０２が感知した物理量と、家電機器１０の動作状態と、家電機器１０の識別子を家電機器１０から受信する。具体的には、仲介部２０１は、家電機器１０ａのセンサ１０２ａが感知した物理量と、家電機器１０ａの動作状態と、家電機器１０ａの識別子ＩＤ１とを家電機器１０ａから受信する。仲介部２０１は、家電機器１０ｂのセンサ１０２ｂが感知した物理量と、家電機器１０ｂの動作状態と、家電機器１０ｂの識別子ＩＤ２とを家電機器１０ｂから受信する。仲介部２０１は、家電機器１０ｃのセンサ１０２ｃが感知した物理量と、家電機器１０ｃの動作状態と、家電機器１０ｃの識別子ＩＤ２とを家電機器１０ｃから受信する。

仲介部２０１は、家電機器１０から受信するデータを、学習装置３０と故障診断装置４０とのうち一方または双方に振り分ける。すなわち、仲介部２０１は、家電機器１０から受信した家電機器１０の識別子と、学習装置３０から学習済みモデルと共に受信した識別子とに基づいて、センサ１０２が感知した物理量と、家電機器１０の動作状態と、家電機器１０の識別子の送信先を決定する。

具体的には、仲介部２０１は、家電機器１０の識別子と、当該家電機器１０の故障診断に用いることができる学習済みモデルの識別子との対応関係が登録された対応テーブルＣＴを記憶している。例えば、仲介部２０１は、学習装置３０から学習済みモデルと共に受信した識別子をテーブルＣＴに記憶する。そして、家電機器１０から受信した家電機器１０の識別子に対応する学習済みモデルの識別子がテーブルＣＴにないと判定した場合、センサ１０２が感知した物理量と、家電機器１０の動作状態と、家電機器１０の識別子を学習装置３０に送信する。一方で、仲介部２０１は、家電機器１０から受信した家電機器１０の識別子に対応する学習済みモデルの識別子がテーブルＣＴにあると判定した場合、センサ１０２が感知した物理量と、家電機器１０の動作状態と、家電機器１０の識別子を故障診断装置４０に送信する。

図３は、上述したテーブルＣＴの内容の一例を示す図である。本実施系形態では、同一種類の家電機器１０に関して、第１基準に基づき分類された大グループ毎に生成された第１学習済みモデルと、上記大グループを上記第１基準とは別の第２基準に基づき細分化した小グループ毎に生成された第２学習済みモデルとを含む。大グループおよび小グループについては詳しく後述する。本実施形態では、対応テーブルＣＴでは、家電機器１０の識別子と、当該家電機器１０の故障診断に用いることができる第１学習済みモデルの識別子（大グループで分類された学習済みモデルの識別子）と、当該家電機器１０の故障診断に用いることができる第２学習済みモデルの識別子（小グループで分類された学習済みモデルの識別子）との対応関係が登録されている。

図１に戻り説明を続ける。仲介部２０１は、家電機器１０で実際に発生した不具合と、故障診断装置４０の後述する蓄積部４０３が記録する当該不具合に関連付けられた各時刻の物理量及び動作状態とから成る各組のデータのうち、所定の一定期間におけるデータを教師データとして故障診断装置４０から受信する。そして、仲介部２０１は、受信した教師データを学習装置３０に送信する。なお、実際に発生した不具合内容は、センサ１０２が感知した物理量の異常値（例えば異常判定部１０３により判定された異常）や、修理など実際にサービス対応を行った不具合内容（修理内容）などに基づいて特定される。言い換えると、本実施形態では、家電機器１０に設けられた１つ以上のセンサの検出結果および家電機器１０の動作状態を入力情報とし、部品交換など実際に行われた修理に対応する不具合内容を出力情報の正解データとする教師データが用いられる。

このインタフェース装置２０が存在することにより、各家電機器１０は、学習装置３０や故障診断装置４０と個別に通信する必要がない。つまり、各家電機器１０は、通信先の設定を変更する必要がなく、常にインタフェース装置２０とのみ通信を行えばよい。

［学習装置の構成］
学習装置３０は、同一の学習済みモデルを使用できると判定した家電機器１０の種類や機種ごとに、ニューラルネットワークなどの学習済みモデルを生成する。図１に示すように、学習装置３０は、受信部３０１と、蓄積部３０２と、学習部３０３とを備える。蓄積部３０２は、「第２情報蓄積部」の一例である。

受信部３０１は、センサ１０２ａが感知した物理量と、家電機器１０ａの動作状態と、家電機器１０ａの識別子ＩＤ１とをインタフェース装置２０から受信する。また、受信部３０１は、センサ１０２ｂが感知した物理量と、家電機器１０ｂの動作状態と、家電機器１０ｂの識別子ＩＤ２とをインタフェース装置２０から受信する。また、受信部３０１は、センサ１０２ｃが感知した物理量と、家電機器１０ｃの動作状態と、家電機器１０ｃの識別子ＩＤ２とをインタフェース装置２０から受信する。

蓄積部３０２は、家電機器１０ａの識別子ＩＤ１に応じて決定される学習モデルに関連付けて、受信部３０１が受信したセンサ１０２ａが感知した物理量と、家電機器１０ａの動作状態とを記録する。また、蓄積部３０２は、家電機器１０ｂの識別子ＩＤ２に応じて決定される学習モデルに関連付けて、受信部３０１が受信したセンサ１０２ｂが感知した物理量と、家電機器１０ｂの動作状態とを記録する。また、蓄積部３０２は、家電機器１０ｃの識別子ＩＤ３に応じて決定される学習モデルに関連付けて、受信部３０１が受信したセンサ１０２ｃが感知した物理量と、家電機器１０ｃの動作状態とを記録する。また、家電機器１０に不具合が発生した場合、蓄積部３０２は、不具合が発生した家電機器１０の不具合内容と、不具合が発生する前に蓄積した物理量と動作状態とを関連付けて記録する。上述したように、家電機器１０の不具合内容は、センサ１０２が感知した物理量の異常値（例えば異常判定部１０３により判定された異常）に加えて、修理など実際にサービス対応を行った不具合内容（修理内容）などに基づいて特定される。例えば、実際のサービス対応で家電機器１０の第１部品Ｃ１に不具合が見つかった場合は、不具合内容としては第１部品Ｃ１に関する不具合が登録される。また、実際のサービス対応で家電機器１０の第２部品Ｃ２に不具合が見つかった場合は、不具合内容としては第２部品Ｃ２に関する不具合が登録される。

図４は、第１の実施形態における第１のデータテーブルＴＢＬ１の例を示す図である。図４に示すように、蓄積部３０２は、家電機器１０の識別子に応じた学習モデルごとに、物理量（例えば図２における第１センサＳ１、第２センサＳ２、…により感知された物理量）と、動作状態とを記録する。なお、図４に示す第１のデータテーブルＴＢＬ１は、家電機器１０ａの識別子ＩＤ１に応じて決定される学習モデルと、家電機器１０ｂの識別子ＩＤ２に応じて決定される学習モデルと、家電機器１０ｃの識別子ＩＤ３に応じて決定される学習モデルとが同一である場合に蓄積部３０２が記録するデータの例である。すなわち、図４に示す第１のデータテーブルＴＢＬ１は、家電機器１０ａ、１０ｂ、１０ｃが同一の学習モデルを用いて不具合の発生を予測することができる場合に蓄積部３０２が記録するデータの例である。家電機器１０ａ、１０ｂ、１０ｃが同一の学習モデルを用いて不具合の発生を予測することができる場合とは、例えば、家電機器１０ａ、１０ｂ、１０ｃの家電機器の種類が同一であり機種も同一である場合である。また、家電機器１０ａ、１０ｂ、１０ｃが同一の学習モデルを用いて不具合の発生を予測することができる場合とは、例えば、家電機器１０ａ、１０ｂ、１０ｃの家電機器の種類が同一であり、機種は異なるが例えば主要部品構成が同じであり、機種の違いが不具合の発生の予測に実質的に影響しない場合である。

学習部３０３は、学習モデルごとに、物理量と動作状態を入力情報とし、不具合内容を出力情報の正解データとする教師データを用いて、学習モデルにおける係数（例えばノード間の重み付け係数）を決定することにより、学習済みモデルを生成する。

例えば、学習モデルが入力層、中間層、出力層から成るニューラルネットワークの学習モデルであり、家電機器１０について、図４に示すような第１のデータテーブルＴＢＬ１が蓄積部３０２に記録されたと仮定する。すなわち、家電機器１０ａ、１０ｂ、１０ｃは、同一の学習モデル＃１を用いて不具合の発生を予測することができると仮定する。また、家電機器１０ａは、時刻ｔ１００に不具合１が発生して不具合１を解消する処理が行われ、時刻ｔ１〜ｔ１００の物理量と動作状態とが不具合１に関連付けられると仮定する。また、家電機器１０ａは、時刻ｔ２００に不具合２が発生して不具合２を解消する処理が行われ、時刻ｔ１５０〜ｔ２００の物理量と動作状態とが不具合２に関連付けられると仮定する。また、家電機器１０ｂは、時刻ｔ１４０に不具合２が発生して不具合２を解消する処理が行われ、時刻ｔ１〜ｔ１４０の物理量と動作状態とが不具合２に関連付けられると仮定する。

この場合、不具合１と、時刻ｔ１〜ｔ１００のそれぞれにおける物理量及び動作状態とを第１組のデータとする。また、不具合２と、時刻ｔ１５０〜ｔ１００のそれぞれにおける物理量及び動作状態とを第２組のデータとする。また、不具合２と、時刻ｔ１〜ｔ１４０のそれぞれにおける物理量及び動作状態とを第３組のデータとする。また、上述の３組のデータ以外に、家電機器１０ａ、１０ｂの他の時刻において発生した不具合や、学習モデル＃１を用いて不具合の発生を予測できる家電機器１０ａ、１０ｂ以外の家電機器１０ｃなどにおいて発生した不具合についても、家電機器１０ａ、１０ｂと同様に、不具合と、その不具合に関連付けられた各時刻の物理量及び動作状態とを別の１組のデータとする。そして、学習部３０３は、不具合と、その不具合に関連付けられた各時刻の物理量及び動作状態とから成る各組のデータのうち、所定の一定期間におけるデータを教師データとする。所定の一定期間は、家電機器１０で実際に不具合が生じた時点から過去に所定期間（例えば１週間）遡った時点以前の一定期間（例えば３週間）である。本実施形態では、所定の期間は、各不具合が発生した時点に対する過去３０日から過去７日までの２４日間である。学習部３０３は、各組のデータのうち、不具合と、所定の一定期間における物理量及び動作状態とを教師データとして学習モデルに入力して、学習モデルにおける係数を決定する。すなわち、学習済みモデルが生成される。

具体的には、図４に示す第１のデータテーブルＴＢＬ１における時刻ｔ１〜ｔ２００が１日ステップであり、１日から２００日までを表しているものと仮定する。この場合、学習部３０３は、第１組のデータのうち、不具合１と、時刻ｔ７０〜ｔ９３のそれぞれにおける物理量及び動作状態とを教師データとする。また、学習部３０３は、第２組のデータのうち、不具合２と、時刻ｔ１７０〜ｔ１９３のそれぞれにおける物理量及び動作状態とを教師データとする。また、学習部３０３は、第３組のデータのうち、不具合２と、時刻ｔ１１０〜ｔ１３３のそれぞれにおける物理量及び動作状態とを教師データとする。また、学習部３０３は、家電機器１０ａ、１０ｂの他の時刻において発生した不具合や、学習モデル＃１を用いて不具合の発生を予測できる家電機器１０ｃなどの家電機器において発生した不具合についても、同様に、各不具合と、各不具合が発生した時刻から過去３０日から過去７日までの２４日間における物理量及び動作状態とを教師データとする。

そして、学習部３０３は、教師データを訓練データと検証データとに分ける。学習部３０３は、訓練データを学習モデルに入力する。学習部３０３は、入力した訓練データに対応する実際に発生した不具合に学習モデルの出力が一致するように、学習モデルの係数を調整する。このように、学習部３０３は、学習モデルにおける係数を決定する。そして、学習部３０３は、係数を決定した学習モデルに検証データを入力する。学習部３０３は、学習モデルの出力が入力した検証データに関連付けられた実際に発生した不具合内容であるか否かを判定する。学習部３０３は、検証データについて、学習モデルの出力が実際に発生した不具合内容と一致すると判定した場合、その係数の学習モデルを学習済みモデルとする。また、学習部３０３は、検証データについて、学習モデルの出力が実際に発生した不具合内容と異なると判定した場合、新たに教師データを用意して、訓練データと検証データとに分けて、学習済みモデルが得られるまで、上述の処理を繰り返す。学習部３０３は、このように、学習済みモデルを生成する。

なお、学習部３０３は、学習モデル＃１以外の各学習モデルについても、学習モデル＃１と同様の方法を用いて係数を決定する。学習部３０３は、係数を決定する度に、係数の決定した学習済みモデルと共にその学習済みモデルに関連付けられている家電機器１０の識別子をインタフェース装置２０に送信する。

このように生成された学習済みモデルの出力が、不具合が発生することを示した場合、その不具合が発生する時期は、所定の一定期間のうち現在時刻に最も近い時刻と現在時刻との時間差の分だけ、現在時刻から進めた時刻となる。例えば、所定の一定期間が過去３０日から過去７日までの２４日間であり、学習済みモデルの出力が、不具合が発生することを示した場合、不具合が発生する時期は、現在と過去７日との時間差７日を現在から進めた、７日後となる。

したがって、所定の一定期間のうち現在時刻に最も近い時刻は、不具合が発生する前にその不具合を対策できる時刻に設定する必要がある。ただし、現在時刻に近いほど不具合の発生時期に近いため、所定の一定期間のうち現在時刻に最も近い時刻が現在時刻に近づくにつれて、所定の一定期間における物理量の特徴も現れやすくなると考えられる。その結果、所定の一定期間のうち現在時刻に最も近い時刻を現在時刻に近づけた方が、学習済みモデルによる不具合の発生の判断をより正確に行うことができると考えられる。そのため、所定の一定期間のうち現在時刻に最も近い時刻は、不具合が発生する前にその不具合を対策できる時刻で、かつ、できる限り現在時刻に近い時刻とすることが望ましい。

ここで１つの実施例では、学習済みモデルは、同一種類の家電機器に関して、第１基準に基づき分類された大グループ毎（大分類毎）に生成された第１学習済みモデルＭ１と、前記大グループを前記第１基準とは別の第２基準に基づき細分化した小グループ毎（小分類毎）に生成された第２学習済みモデルＭ２とを含む。第２基準は、家電機器１０の機種に基づく基準である。一方で、第１基準は、家電機器１０の基本形式や構成部品に基づく基準である。例えば家電機器１０が冷蔵庫である場合、第１基準は、冷却器（エバポレータ）が１つタイプであるか２つタイプであるか、貯蔵室のレイアウト（野菜室や冷凍室の配置位置など）、または搭載する圧縮機が同じであるか否かなどである。例えば家電機器１０が洗濯機である場合、第１基準は、ドラム式洗濯機であるか縦型洗濯機であるか、乾燥機能の有無などである。例えば家電機器１０が空気調和器である場合、第１基準は、内部の自動清掃機能（例えばカビ取り機能）の有無などである。

図５は、第１学習済みモデルＭ１および第２学習済みモデルＭ２を模式的に示す図である。これら学習済みモデルＭ１、Ｍ２に対する入力情報は、例えば、第１センサＳ１の直近の検出値、１時間前の検出値、２時間前の検出値、…、第２センサＳ２の直近の検出値、１時間前の検出値、２時間前の検出値、…、第３センサＳ３の直近の検出値、１時間前の検出値、２時間前の検出値、およびそれら検出値が検出された時点での家電機器１０の動作状態などを含む。一方で、学習済みモデルＭ１、Ｍ２から出力される出力情報は、上記所定期間後（例えば１週間後）に不具合Ａ（例えば第１部品Ｃ１に関する不具合）が発生する確率、上記所定期間後に不具合Ｂ（例えば第２部品Ｃ２に関する不具合）が発生する確率、上記所定期間後に不具合Ｃが発生する確率、…などを含む。

［故障診断装置の構成］
故障診断装置４０は、家電機器１０それぞれの不具合の発生を予測する。図１に示すように、故障診断装置４０は、受信部４０１と、診断部４０２と、蓄積部４０３と、更新部４０４とを備える。蓄積部４０３は、「第１情報蓄積部」の一例である。なお図１中の「報知部４０５」については、第２の実施形態で説明する。

受信部４０１は、インタフェース装置２０から送信されるデータを受信する。受信部４０１がインタフェース装置２０から受信したデータが、学習済みモデルである場合、診断部４０２は、その学習済みモデルを、不具合の発生を予測する学習モデルとして備える。そして、受信部４０１がインタフェース装置２０から受信したデータが、センサ１０２が感知した物理量と、家電機器１０の動作状態とである場合、診断部４０２は、その物理量とその動作状態とを、識別子に対応する学習済みモデルに入力する。そして、診断部４０２は、学習済みモデルの出力に基づいて、識別子に対応する家電機器１０の不具合の発生を予測する。なお、不具合の発生の予測内容は、不具合の発生時期と、発生する不具合内容とを含む。

図６は、第１の実施形態における第２のデータテーブルＴＢＬ２の例を示す図である。図６に示すように、インタフェース装置２０からセンサ１０２が感知した物理量と、家電機器１０の動作状態と、家電機器１０の識別子を受信部４０１が受信した場合、蓄積部４０３は、家電機器１０の識別子に応じた学習済みモデルに関連付けて、受信部４０１が受信したセンサ１０２が感知した物理量と家電機器１０の動作状態とを、診断部４０２が予測した不具合の発生時期と、不具合内容と共に、第２のデータテーブルＴＢＬ２として記録する。

診断部４０２が不具合の発生を予測していないときの不具合、または、診断部４０２が不具合の発生を予測したがその不具合を解消する処理が行われないときの不具合が、同一の学習済みモデルを用いた故障診断において所定回数発生した場合、更新部４０４は、その不具合と、蓄積部４０３が記録するその不具合に関連付けられた各時刻の物理量及び動作状態とから成る各組のデータのうち、所定の一定期間におけるデータを教師データとして、インタフェース装置２０に送信する。なお、所定回数とは、不具合の発生を予測する学習モデルを改善するための教師データが訓練データと検証データとして使用するのに十分な数量であるといえる回数のことである。つまり、更新部４０４は、十分な数の訓練データと検証データとが蓄積された場合に、所定の一定期間におけるデータを教師データとして、インタフェース装置２０に送信する。

［家電機器における不具合の発生を予測する処理］
次に、家電システム１が行う家電機器１０における不具合の発生を予測する処理（故障診断）について説明する。本実施形態では、学習済みモデルは、上述したように家電機器１０で実際に不具合が生じた時点から過去に所定期間（例えば１週間）遡った時点以前の一定期間（例えば３週間）に亘り蓄積された情報を用いて学習されている。そして、診断部４０２は、直近の上記一定期間（例えば直近の３週間）に亘り蓄積された情報に基づき故障診断を行う。

図４は、第１の実施形態の家電システム１が行う不具合の発生を予測する処理フローを示す図である。ここでは、図４に示す第１の実施形態における第１の処理フローを参照して説明する。

なお、仲介部２０１は、家電機器１０から受信した家電機器１０の識別子と対応する識別子が記憶している識別子の中にないと判定したものとする。そして、仲介部２０１は、センサ１０２が感知した物理量と、家電機器１０の動作状態と、家電機器１０の識別子を学習装置３０に送信したものとする。また、学習部３０３は、上述した処理によって学習済みモデルを既に生成したものとする。そして、学習部３０３は、生成した学習済みモデルと共に対応する家電機器１０の識別子をインタフェース装置２０に送信したものとする。また、仲介部２０１は、学習装置３０から受信した学習モデルと共に識別子を記憶したものとする。また、仲介部２０１は、受信した学習モデルと共に識別子を故障診断装置４０に送信したものとする。そして、受信部４０１は、インタフェース装置２０から学習モデルと共に識別子を受信したものとする。また、診断部４０２は、その学習済みモデルを既に備えているものとする。

家電機器１０のそれぞれにおいて、センサ１０２は、物理量を感知する（ステップＳ１）。送信部１０１は、自身を備える家電機器１０のセンサ１０２が感知した物理量と、その家電機器１０の動作状態と、その家電機器１０の識別子とを、所定の時間が経過するごとにインタフェース装置２０に送信する（ステップＳ２）。

仲介部２０１は、センサ１０２が感知した物理量と、家電機器１０の動作状態と、家電機器１０の識別子とを、家電機器１０から受信する。仲介部２０１は、家電機器１０から受信した家電機器１０の識別子と同一の識別子が記憶している識別子の中にあるか否かを判定している。そして、仲介部２０１は、家電機器１０から受信した家電機器１０の識別子と同一の識別子がその記憶した識別子の中にないと判定した場合、センサ１０２が感知した物理量と、家電機器１０の動作状態と、家電機器１０の識別子を学習装置３０に送信する。また、仲介部２０１は、家電機器１０から受信した家電機器１０の識別子と同一の識別子がその記憶した識別子の中にあると判定した場合、センサ１０２が感知した物理量と、家電機器１０の動作状態と、家電機器１０の識別子を故障診断装置４０に送信する。

ここで挙げている例では、診断部４０２が学習済みモデルを既に備えている。そのため、仲介部２０１は、家電機器１０から受信した家電機器１０の識別子と同一の識別子が記憶している識別子の中にあると判定する（ステップＳ３）。そして、仲介部２０１は、センサ１０２が感知した物理量と、家電機器１０の動作状態と、家電機器１０の識別子とを故障診断装置４０に送信する（ステップＳ４）。

受信部４０１は、センサ１０２が感知した物理量と、家電機器１０の動作状態と、家電機器１０の識別子とを、インタフェース装置２０から受信する。蓄積部４０３は、一定期間（例えば直近の３週間）のデータを記録するまでの間、受信部４０１が受信したセンサ１０２が感知した物理量と、家電機器１０の動作状態と、家電機器１０の識別子とを、その識別子に対応する学習済みモデルと時刻と共に、第２のデータテーブルＴＢＬ２に記録する（ステップＳ５）。なお、蓄積部４０３が上記一定期間のデータを記録するまでの間、学習済みモデルに入力するデータ数が不足している。そのため、センサ１０２が感知した物理量と家電機器１０の動作状態は、診断部４０２に入力されない。よって、診断部４０２による不具合の発生時期と不具合内容の予測は行われない。なお、診断部４０２による不具合の発生時期と不具合内容の予測は行われないことは、第２のデータテーブルＴＢＬ２において「−」と示されている。

蓄積部４０３が上記一定期間のデータを記録すると、診断部４０２は、上記一定期間のデータを、家電機器１０の識別子に対応する学習済みモデルに入力する。そして、診断部４０２は、その学習済みモデルの出力に基づいて、不具合の発生時期と、その不具合内容とを予測する（ステップＳ６）。

例えば、上記一定期間は、各不具合が発生した時点に対して過去３０日から過去７日までの２４日間であると仮定する。また、図３に示す第２のデータテーブルＴＢＬ２における時刻ｔ１００１〜ｔ１２００が１日ステップであり、現在を基準に２０７日前から７日前までを表しているものと仮定する。そして、診断部４０２は、学習済みモデルに時刻ｔ１１７７〜ｔ１２００それぞれの物理量と動作状態とを入力したとする。また、学習済みモデルの出力が不具合２が発生することを示したとする。この場合、診断部４０２は、現在から７日後に不具合２が発生すると予測したことになる。診断部４０２は、上記処理による故障診断を例えば所定の周期で（例えば１日ごとに）繰り返し行う。

本実施形態では、家電機器１０の異常判定部１０３は、第１センサＳの検出結果と第１閾値とを用いて第１部品Ｃ１に関する異常検出を行う。言い換えると、家電機器１０の異常判定部１０３は、第１部品Ｃ１に関する異常検出では、第２センサＳ２および第３センサＳ３の検出結果などは用いない。一方で、診断部４０２は、上記一定期間に亘り蓄積された第１センサＳ１、Ｓ２、Ｓ３、…の検出結果に基づく情報を用いて、第１部品Ｃ１の故障診断を行う。また、診断部４０２は、上記一定期間に亘り蓄積された第１センサＳ１、Ｓ２、Ｓ３、…の検出結果に基づく情報を用いて、第２部品Ｃ２の故障診断を行う。

本実施形態では、診断部４０２は、上述した第１学習済みモデルＭ１（大グループ毎に生成された学習済みモデル）を用いた第１故障診断と、第２学習済みモデルＭ２（小グループ毎に生成された学習済みモデル）を用いた第２故障診断とを行う。ここで、本来であれば、機種毎に得られた教師データにより学習済みモデルを用いることが好ましい。しかしながら、実際には、特定の機種において不具合情報の収集が進まない場合も想定される。そこで、本実施形態では、上述した第２学習済みモデルＭ２に加えて、第１学習済みモデルＭ１を用いても故障診断を行う。これにより、機種毎では十分な教師データが得られず、学習済みモデルＭ２による予測精度が高くない場合であっても、精度の高い故障診断を行うことができる。

［学習済みモデルを更新する処理］
次に、家電システム１が行う学習済みモデルを更新する処理について説明する。図８は、第１の実施形態の家電システム１が行う学習済みモデルを更新する処理フローを示す図である。ここでは、図８に示す第１の実施形態における第２の処理フローを参照して説明する。

上述したように、上記一定期間のうち現在時刻に最も近い時刻は、不具合が発生する前にその不具合を対策できる時刻であり、かつ、できる限り現在時刻に近い時刻とすることが望ましい。しかしながら、診断部４０２が不具合の発生を予測した場合であってもその不具合を回避する処理が実際に行われるとは限らない。また、診断部４０２による不具合の発生の予測が常に正しいとは限らない。そのため、診断部４０２が不具合が発生しないと判断している期間であっても、実際には不具合が発生する可能性がある。このような場合、実際に発生した不具合内容がわかるため、このような場合に蓄積部４０３が記録する所定の期間の物理量及び動作状態を学習済みモデルを改善するための教師データとすることが可能である。

ここで説明する家電システム１が行う学習済みモデルを更新する処理は、実際に発生した不具合内容と、蓄積部４０３が記録する所定の期間の物理量及び動作状態を教師データとして学習済みモデルを改善する処理である。なお、この処理は、上述したステップＳ１〜ステップＳ６の処理が行われ、不具合が発生すると予測した場合であっても、予測した不具合の発生を防ぐ処理を行わず、実際に不具合が発生した場合に行われる処理である。

ステップＳ１〜ステップＳ６の処理が行われた後、実際に不具合が発生するまで、蓄積部４０３は、家電機器１０ごとに、受信部４０１が受信したセンサ１０２が感知した物理量と、家電機器１０の動作状態と、家電機器１０の識別子とを、その識別子に対応する学習済みモデルと時刻と共に、第２のデータテーブルＴＢＬ２に記録する（ステップＳ１１）。そして、家電機器１０に不具合が発生すると、蓄積部４０３は、センサ１０２が感知した物理量と、家電機器１０の動作状態と、家電機器１０の識別子と、その識別子に対応する学習済みモデルと、時刻と共に、発生した不具合内容を、第２のデータテーブルＴＢＬ２に記録する（ステップＳ１２）。

更新部４０４は、第２のデータテーブルＴＢＬ２における各学習済みモデルについて、発生した不具合が所定回数以上であるか否かを判定する（ステップＳ１３）。

更新部４０４は、第２のデータテーブルＴＢＬ２における各学習済みモデルについて、発生した不具合が所定回数未満であると判定した場合（ステップＳ１３においてＮＯ）、ステップＳ１１の処理に戻す。

また、更新部４０４は、第２のデータテーブルＴＢＬ２における各学習済みモデルについて、発生した不具合が所定回数以上であると判定した場合（ステップＳ１３においてＹＥＳ）、そう判定した学習済みモデルごとに、発生した不具合内容と、その不具合内容に関連付けられた各時刻の物理量及び動作状態とから成るデータのうち、所定の期間におけるデータを教師データとして、インタフェース装置２０に送信する（ステップＳ１４）。

仲介部２０１は、故障診断装置４０から教師データを受信する。仲介部２０１は、受信した教師データを学習装置３０に送信する（ステップＳ１５）。

受信部３０１は、教師データ（すなわち、学習済みモデルごとの所定の期間におけるデータ）を、インタフェース装置２０から受信する。蓄積部３０２は、教師データを記録する（ステップＳ１６）。

学習部３０３は、ステップＳ１６の処理で蓄積部３０２が記録した教師データに基づいて学習済みモデルを改善する（ステップＳ１７）。具体的には、学習部３０３は、教師データを訓練データと検証データとに分ける。学習部３０３は、訓練データを学習モデルに入力する。学習部３０３は、入力した訓練データに対応する実際に発生した不具合に学習モデルの出力が一致するように、学習モデルの係数を調整する。このように、学習部３０３は、学習モデルにおける係数を決定する。そして、学習部３０３は、係数を決定した学習モデルに検証データを入力する。学習部３０３は、学習モデルの出力が入力した検証データに関連付けられた実際に発生した不具合内容であるか否かを判定する。学習部３０３は、検証データについて、学習モデルの出力が実際に発生した不具合内容と一致すると判定した場合、その係数の学習モデルを学習済みモデルとする。また、学習部３０３は、検証データについて、学習モデルの出力が実際に発生した不具合内容と異なると判定した場合、新たな教師データが得られるまでステップＳ１１〜ステップＳ１５の処理を繰り返す。このように、学習済みモデルを改善する。

学習部３０３は、改善した学習済みモデルをインタフェース装置２０に送信する（ステップＳ１８）。仲介部２０１は、学習装置３０から改善された学習済みモデルを受信する。仲介部２０１は、受信した学習済みモデルを故障診断装置４０に送信する（ステップＳ１９）。

受信部４０１は、インタフェース装置２０から改善された学習済みモデルを受信する。診断部４０２は、受信部４０１が受信した学習済みモデルを新たな学習済みモデルとして備える（ステップＳ２０）。

診断部４０２が備える学習済みモデルは、このように改善される。家電システム１は、このように改善された学習済みモデルを用いて、図４を参照して説明した処理を行うことで、家電機器１０の不具合の発生をより正確に予測できる。

なお、第１の実施形態において、送信部１０１ａ、１０１ｂ、１０１ｃ、仲介部２０１、受信部３０１、４０１、蓄積部３０２、４０３、学習部３０３、診断部４０２、更新部４０４のぞれぞれは、ソフトウェア機能部である。

以上、第１の実施形態の家電システム１について説明した。家電システム１は、診断部４０２を持つ。診断部４０２は、家電機器１０に不具合が発生したときを基準とする過去の所定の期間における家電機器１０の物理量及び動作状態と、不具合とを教師データとして係数が決定された学習済みモデルに基づいて、不具合の発生を予測する。

この家電システム１により、センサが感知した物理量との因果関係が明確でない不具合について、その不具合の発生時期と不具合内容とを予測することができる。また、所定の期間のうち現在時刻に最も近い時刻を調整することにより、学習済みモデルによる不具合の発生の判断の精度と予測時期との両方を適切に設定することができる。

家電システム１は、学習部３０３を持つ。学習部３０３は、不具合が発生したときを基準とする過去の所定の期間における家電機器１０の物理量と、不具合とを前記教師データとして前記係数を決定する。

この家電システム１により、不具合を正確に予測するための学習済みモデルを生成することができる。

家電システム１は、更新部４０４を持つ。更新部４０４は、学習済みモデルに発生した不具合の回数が所定回数以上の場合に、学習部３０３に教師データを送信する。そして、学習部３０３は、更新部４０４が送信した前記教師データに基づいて、学習済みモデルを改善する。

この家電システム１により、不具合をより正確に予測するための学習済みモデルを生成する、つまり、学習済みモデルを改善することができる。また、新たな不具合内容を含む教師データで改善前の学習済みモデルを改善した場合、家電システム１は、改善前の学習済みモデルでは予測できなかった不具合の発生を予測することができる。

家電システム１において、不具合の内容は、前記家電機器に対して実際に行った修理内容に基づいて特定される。

この家電システム１により、一般的に物理量の異常値によって判断された不具合内容のみならず、家電機器１０のユーザからの要望に応じた不具合内容を含めることができる。その結果、家電システム１は、物理量の異常値によって判断された不具合内容以外の不具合内容についても、不具合の発生を予測することができる。

（第２の実施形態）
［家電システムの構成］
第２の実施形態の家電システム１の構成は、第１の実施形態の家電システム１の構成と同様である。ただし、故障診断装置４０が報知部４０５を有する点が異なる。

報知部４０５は、不具合の発生の予測結果を、家電機器１０のユーザに報知する。例えば、報知部４０５は、家電機器１０または家電機器１０のユーザの端末装置ＵＴに所定の制御指令を送信することで、家電機器１０の報知器（表示装置など）または端末装置ＵＴにより上記不具合の発生の予測結果を報知させる。端末装置ＵＴは、スマートフォンやタブレット端末のような携帯型端末装置でもよく、パーソナルコンピュータでもよく、スマートスピーカなどでもよい。

本実施形態では、報知部４０５は、診断部４０２による故障診断の結果に対応する症状が家電機器１０で実際に生じているか否かをユーザに確認させる報知を家電機器１０または端末装置ＵＴにより出力させる。例えば、不具合が発生した家電機器１０が冷蔵庫である場合、報知部４０５は、発生を予測した不具合内容に応じて、「冷蔵庫から異音が聞こえませんか」、「冷えが悪くなっていませんか」などをユーザに報知する。そして、ユーザがＹＥＳと回答した場合、診断部４０２は、サービスセンターへ家電機器１０の修理を依頼、または、サービスセンターなど修理を依頼するための連絡先をユーザに案内する。

以上、第２の実施形態の家電システム１について説明した。家電システム１は、診断部４０２を持つ。診断部４０２は、不具合の発生の予測結果を、家電機器１０のユーザに報知する。

この家電システム１により、不具合が発生した家電機器１０の修理に早急に対応することができる。

なお、実施形態における処理は、適切な処理が行われる範囲において、処理の順番が入れ替わってもよい。

なお、実施形態では、学習装置３０は、同一の学習モデルを使用できると判定した家電機器の種類や機種ごとに、ニューラルネットワークなどの学習モデルを生成するものとして説明した。この同一の学習モデルを使用できるか否かの判定は、次のように行われるものであってもよい。例えば、クラスタ分析アルゴリズムなどを用いる学習モデルを生成する。学習部３０３は、学習モデルにラベルのないデータセットを入力して学習済みモデルを生成する。そして、学習部３０３は、同一の学習モデルを使用できると判定ための対象の家電機器１０のデータを学習済みモデルに、学習済みモデルの出力結果が示す不具合の発生を予測する学習モデルを特定すればよい。

なお、上述の実施形態では、家電機器１０ａ、１０ｂ、１０ｃ、インタフェース装置２０、学習装置３０、故障診断装置４０のそれぞれは、独立した装置として説明した。しかしながら、別の実施形態では、学習装置３０の構成と故障診断装置４０の構成とが１つの装置（例えばクラウドサーバ）において実現されるものであってもよい。また、故障診断装置４０の一部または全部は、家電機器１０に備えられてもよい。

実施形態における蓄積部３０２、４０３、その他の記憶装置（レジスタ、ラッチを含む）のそれぞれは、適切な情報の送受信が行われる範囲においてどこに備えられていてもよい。また、実施形態における蓄積部３０２、４０３、その他の記憶装置のそれぞれは、適切な情報の送受信が行われる範囲において複数存在しデータを分散して記憶していてもよい。

実施形態について説明したが、上述の家電機器１０ａ、１０ｂ、１０ｃ、インタフェース装置２０、学習装置３０、故障診断装置４０、その他の制御装置は内部に、コンピュータシステムを有していてもよい。そして、上述した処理の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータが読み出して実行することによって、上記処理が行われる。コンピュータの具体例を以下に示す。

次に、少なくとも１つの実施形態に係るコンピュータの構成について説明する。
コンピュータ５は、ＣＰＵ、メインメモリ、ストレージ、インタフェースを備える。
例えば、上述の家電機器１０ａ、１０ｂ、１０ｃ、インタフェース装置２０、学習装置３０、故障診断装置４０、その他の制御装置のそれぞれは、コンピュータに実装される。そして、上述した各処理部の動作は、プログラムの形式でストレージに記憶されている。ＣＰＵは、プログラムをストレージから読み出してメインメモリに展開し、当該プログラムに従って上記処理を実行する。また、ＣＰＵは、プログラムに従って、上述した各記憶部に対応する記憶領域をメインメモリに確保する。

ストレージの例としては、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、磁気ディスク、光磁気ディスク、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ−ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、半導体メモリ等が挙げられる。ストレージは、コンピュータのバスに直接接続された内部メディアであってもよいし、コンピュータが備えるインタフェースまたは通信回線を介してコンピュータに接続される外部メディアであってもよい。また、このプログラムが通信回線によってコンピュータに配信される場合、配信を受けたコンピュータが当該プログラムをメインメモリに展開し、上記処理を実行してもよい。少なくとも１つの実施形態において、ストレージは、一時的でない有形の記憶媒体である。

また、上記プログラムは、前述した機能の一部を実現してもよい。さらに、上記プログラムは、前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるファイル、いわゆる差分ファイル（差分プログラム）であってもよい。

上記各実施形態では、送信部１０１ａ、１０１ｂ、１０１ｃ、仲介部２０１、受信部３０１、４０１、蓄積部３０２、４０３、学習部３０３、診断部４０２、更新部４０４はソフトウェア機能部であるものとしたが、ＬＳＩ等のハードウェア機能部であってもよい。また、送信部１０１ａ、１０１ｂ、１０１ｃ、仲介部２０１、受信部３０１、４０１、蓄積部３０２、４０３、学習部３０３、診断部４０２、更新部４０４の一部がソフトウェア機能部であり、残りがＬＳＩ等のハードウェア機能部であってもよい。

以上説明した少なくともひとつの実施形態によれば、診断部を持つことにより、家電機器における不具合の発生を予測することができる。

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

１…家電システム、１０ａ、１０ｂ、１０ｃ…家電機器、２０…インタフェース装置、３０…学習装置、４０…故障診断装置、１０１ａ、１０１ｂ、１０１ｃ…送信部、１０２ａ、１０２ｂ、１０２ｃ…センサ、１０３…異常判定部、２０１…仲介部、３０１、４０１…受信部、３０２、４０３…蓄積部、３０３…学習部、４０２…診断部、４０４…更新部、４０５…報知部。

Claims (12)

1. 家電機器が有する１つ以上のセンサの検出結果に基づく情報が入力されると前記家電機器に関する故障診断の結果を出力するように学習された学習済みモデルに基づき、前記家電機器の故障診断を行う診断部、
   を備える家電システム。
2. 前記情報を蓄積する情報蓄積部をさらに備え、
   前記学習済みモデルは、一定期間に亘り蓄積された前記情報が入力されると前記故障診断の結果を出力するように学習されており、
   前記診断部は、前記情報蓄積部により前記一定期間に亘り蓄積された前記情報に基づき前記故障診断を行う、
   請求項１に記載の家電システム。
3. 前記学習済みモデルは、家電機器で実際に不具合が生じた時点から過去に所定期間遡った時点以前の前記一定期間に亘り蓄積された前記情報を用いて学習されており、
   前記診断部は、直近の前記一定期間に亘り蓄積された前記情報に基づき前記故障診断を行う、
   請求項２に記載の家電システム。
4. 前記１つ以上のセンサは、第１センサと、第２センサとを含み、
   前記家電機器は、前記第１センサの検出結果と閾値とに基づき前記家電機器に含まれる第１部品の異常を判定する異常判定部を有し、
   前記診断部は、前記一定期間に亘り蓄積された前記第１センサおよび前記第２センサの検出結果に基づく前記情報を用いて、前記第１部品の故障診断を行う、
   請求項２または請求項３に記載の家電システム。
5. 前記学習済みモデルは、複数の家電機器についてそれぞれ前記一定期間に亘り蓄積された前記情報と、前記複数の家電機器でそれぞれ実際に生じた不具合の内容との組み合わせを教師データとして学習されている、
   請求項２から請求項４のうちいずれか１項に記載の家電システム。
6. 前記不具合の内容は、実際に行われた修理内容に基づいて特定された内容を含む、
   請求項５に記載の家電システム。
7. 前記学習済みモデルを更新する更新部をさらに備える、
   請求項１から請求項６のうちいずれか１項に記載の家電システム。
8. 新しく取得された家電機器の不具合に関する情報に基づき前記学習済みモデルを追加学習させる学習部をさらに備え、
   前記更新部は、前記学習部により追加学習させられた前記学習済みモデルによって前記診断部が用いる前記学習済みモデルを更新する、
   請求項７に記載の家電システム。
9. 前記情報を蓄積する第１情報蓄積部と、前記診断部とを含む故障診断ユニットと、
   前記情報を蓄積する第２情報蓄積部と、前記学習部とを含む学習ユニットと、
   前記家電機器から受信するデータを、前記故障診断ユニットと前記学習ユニットとのうち一方または双方に振り分ける仲介部と、
   を備える請求項８に記載の家電システム。
10. 前記学習済みモデルは、同一種類の家電機器に関して、機種、基本形式、または構成部品に基づき分類されたグループ毎に生成されている、
    請求項１から請求項９のうちいずれか１項に記載の家電システム。
11. 前記学習済みモデルは、同一種類の家電機器に関して、第１基準に基づき分類された大グループ毎に生成された第１学習済みモデルと、前記大グループを前記第１基準とは別の第２基準に基づき細分化した小グループ毎に生成された第２学習済みモデルとを含み、
    前記診断部は、前記第１学習済みモデルを用いた第１故障診断と、前記第２学習済みモデルを用いた第２故障診断とを行う、
    請求項１から請求項１０のうちいずれか１項に記載の家電システム。
12. 前記診断部による前記故障診断の結果に対応する症状が前記家電機器で実際に生じているか否かをユーザに確認させる報知を前記家電機器または端末装置により出力させる報知部をさらに備える
    請求項１から請求項１１のうちいずれか１項に記載の家電システム。

Images