JP2633378B2 - 自己故障発生・学習装置 - Google Patents
自己故障発生・学習装置Info
- Publication number
- JP2633378B2 JP2633378B2 JP18424490A JP18424490A JP2633378B2 JP 2633378 B2 JP2633378 B2 JP 2633378B2 JP 18424490 A JP18424490 A JP 18424490A JP 18424490 A JP18424490 A JP 18424490A JP 2633378 B2 JP2633378 B2 JP 2633378B2
- Authority
- JP
- Japan
- Prior art keywords
- failure
- fault
- exchange
- learning
- occurrence
- 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.)
- Expired - Fee Related
Links
Landscapes
- Monitoring And Testing Of Exchanges (AREA)
Description
【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、交換機の故障事例を自動的に知識化し、そ
の知識をもとに故障探索を行う自己故障発生・学習装置
に関するものである。
の知識をもとに故障探索を行う自己故障発生・学習装置
に関するものである。
従来の交換機故障診断・探索は診断プログラムによっ
て行われているが、これを用いても故障切り分けに失敗
する場合がある。この場合、保守者が装置の接続情報や
経験を頼りに試行錯誤的に故障探索を行うが、これには
交換機に関する膨大な知識が必要であり、保守者の能力
・判断に依存する部分が大きい。
て行われているが、これを用いても故障切り分けに失敗
する場合がある。この場合、保守者が装置の接続情報や
経験を頼りに試行錯誤的に故障探索を行うが、これには
交換機に関する膨大な知識が必要であり、保守者の能力
・判断に依存する部分が大きい。
故障探索エキスパートシステムでは、高級保守者の知
識と交換機の機能と構造の知識をもとにした知識処理に
よる故障探索を行い、保守者への負担を減らすことを行
っている。この様な故障診断エキスパートシステムにお
ける故障探索の精度は、いかに多くの有用な故障事例を
収集することができるかに大きく依存する。
識と交換機の機能と構造の知識をもとにした知識処理に
よる故障探索を行い、保守者への負担を減らすことを行
っている。この様な故障診断エキスパートシステムにお
ける故障探索の精度は、いかに多くの有用な故障事例を
収集することができるかに大きく依存する。
交換機内蔵の診断プログラムには原理的に診断不可能
な回路やモードがあり、診断プログラムのみによる完全
な故障探索は不可能である。故障探索エキスパートシス
テムでは故障事例の知識と交換機の機能構造の知識をも
とに故障探索を行うことによって、保守者へのガイドラ
インを示す。
な回路やモードがあり、診断プログラムのみによる完全
な故障探索は不可能である。故障探索エキスパートシス
テムでは故障事例の知識と交換機の機能構造の知識をも
とに故障探索を行うことによって、保守者へのガイドラ
インを示す。
しかし、新しい交換機が導入された場合、新たに故障
事例のデータを収集し、分析・知識化しなければならな
いが、最近では交換機の信頼性の向上により故障事例が
集まりにくくなっている。このため、有効な故障事例が
収集できるまでは故障探索の精度は上がらないという問
題点が出てくる。
事例のデータを収集し、分析・知識化しなければならな
いが、最近では交換機の信頼性の向上により故障事例が
集まりにくくなっている。このため、有効な故障事例が
収集できるまでは故障探索の精度は上がらないという問
題点が出てくる。
本発明は、上記のような問題点を解決することのでき
る自己故障発生・学習装置を提供することを目的とす
る。
る自己故障発生・学習装置を提供することを目的とす
る。
上記目的達成のため、本発明では、交換機において擬
似的な故障を自動的に発生させる擬似故障発生装置と、 前記擬似故障発生装置を用いて擬似的に発生させた故
障に対する交換機側診断プログラムによる診断結果、故
障発見位置、交換機の故障状態と、擬似的に故障を発生
させたことから既知となっている故障発生位置との組で
ある故障事例データを蓄積する故障事例データベース
と、 前記故障事例データベースに蓄積された故障事例か
ら、交換機側診断プログラムによる診断結果、故障発見
位置、交換機の故障状態と、故障発生位置との関係を自
動学習し、運用時において実際に故障が発生した場合に
は、該故障に対する交換機側診断プログラムによる診断
結果、故障発見位置、交換機の故障状態から、学習によ
り形成された関係を用いて故障発生位置を推定する学習
器と、 乱数値と後記比較評価回路からの指示を用いて、前記
擬似故障発生装置に発生させる擬似的な故障の故障位置
と故障種類を決定する故障位置発生制御回路と、 学習を積んだ後の前記学習器に、前記故障位置発生制
御回路により決定し前記擬似故障発生装置を用いて擬似
的に発生させた故障に対する交換機側診断プログラムに
よる診断結果、故障発見位置、交換機の故障状態を与え
て推定させた推定故障位置と、擬似的に該故障を発生さ
せたことから既知となっている故障発生位置とを比較
し、その比較結果が一致しない場合に、その交換機側診
断プログラムによる診断結果、故障発見位置、交換機の
故障状態と、擬似的に該故障を発生させたことから既知
となっている故障発生位置との組を、故障事例データと
して前記故障事例データベースに蓄積せしめ、該故障と
類似する故障を次に発生させるように前記故障位置発生
制御回路に指示して、前記学習器に更に学習の機会を与
える比較評価回路と、 により自己故障発生・学習装置を構成した。
似的な故障を自動的に発生させる擬似故障発生装置と、 前記擬似故障発生装置を用いて擬似的に発生させた故
障に対する交換機側診断プログラムによる診断結果、故
障発見位置、交換機の故障状態と、擬似的に故障を発生
させたことから既知となっている故障発生位置との組で
ある故障事例データを蓄積する故障事例データベース
と、 前記故障事例データベースに蓄積された故障事例か
ら、交換機側診断プログラムによる診断結果、故障発見
位置、交換機の故障状態と、故障発生位置との関係を自
動学習し、運用時において実際に故障が発生した場合に
は、該故障に対する交換機側診断プログラムによる診断
結果、故障発見位置、交換機の故障状態から、学習によ
り形成された関係を用いて故障発生位置を推定する学習
器と、 乱数値と後記比較評価回路からの指示を用いて、前記
擬似故障発生装置に発生させる擬似的な故障の故障位置
と故障種類を決定する故障位置発生制御回路と、 学習を積んだ後の前記学習器に、前記故障位置発生制
御回路により決定し前記擬似故障発生装置を用いて擬似
的に発生させた故障に対する交換機側診断プログラムに
よる診断結果、故障発見位置、交換機の故障状態を与え
て推定させた推定故障位置と、擬似的に該故障を発生さ
せたことから既知となっている故障発生位置とを比較
し、その比較結果が一致しない場合に、その交換機側診
断プログラムによる診断結果、故障発見位置、交換機の
故障状態と、擬似的に該故障を発生させたことから既知
となっている故障発生位置との組を、故障事例データと
して前記故障事例データベースに蓄積せしめ、該故障と
類似する故障を次に発生させるように前記故障位置発生
制御回路に指示して、前記学習器に更に学習の機会を与
える比較評価回路と、 により自己故障発生・学習装置を構成した。
一定量の学習を積んだ前記学習器に、交換機において
擬似的に発生せしめた故障に対する交換機側診断プログ
ラムによる診断結果、故障発見位置、交換機の故障状態
を与えて、それまでの学習結果に基づき、故障位置を推
定させ、その推定故障位置と擬似的に該故障を発生させ
たことから既知となっている故障発生位置とを比較評価
回路において比較し、その比較結果が一致しないとき
は、同じ故障位置で擬似的に故障を発生させるよう比較
評価回路は前記擬似故障発生機に指示して前記学習器に
更に学習の機会を与える。
擬似的に発生せしめた故障に対する交換機側診断プログ
ラムによる診断結果、故障発見位置、交換機の故障状態
を与えて、それまでの学習結果に基づき、故障位置を推
定させ、その推定故障位置と擬似的に該故障を発生させ
たことから既知となっている故障発生位置とを比較評価
回路において比較し、その比較結果が一致しないとき
は、同じ故障位置で擬似的に故障を発生させるよう比較
評価回路は前記擬似故障発生機に指示して前記学習器に
更に学習の機会を与える。
この自己故障発生・学習装置を用いれば、擬似故障を
発生することにより有用な故障事例データを自動的に収
集・知識化し、故障探索を精度よく行うことが可能にな
る。
発生することにより有用な故障事例データを自動的に収
集・知識化し、故障探索を精度よく行うことが可能にな
る。
第１図は、本発明の一実施例としての自己故障発生・
学習装置の全体構成を示すブロック図である。
学習装置の全体構成を示すブロック図である。
同図中の１は擬似的に発生させる故障の位置・種類を
決める故障発生制御回路、２は擬似故障発生回路、３は
故障データ用の故障事例データベース、４は故障データ
の比較評価回路、５はバックプロパゲーション法を用い
た神経回路網（学習器）、６〜11は学習時と評価時を切
り替えるスイッチ、EXは交換機、B1はボード、B2はバッ
クボード、である。
決める故障発生制御回路、２は擬似故障発生回路、３は
故障データ用の故障事例データベース、４は故障データ
の比較評価回路、５はバックプロパゲーション法を用い
た神経回路網（学習器）、６〜11は学習時と評価時を切
り替えるスイッチ、EXは交換機、B1はボード、B2はバッ
クボード、である。
交換機EXの各ボードB1はコネクタによってバックボー
ドB2に接続されている。擬似故障発生機は擬似故障発生
回路２と故障発生制御回路１から構成されているわけで
ある。故障発生回路２はボードB1毎に取り付けられ、コ
ネクタ（故障発生回路２の部分に位置しているの）のピ
ン単位でそこを通るデータの形状を加工することによっ
て、擬似的な故障を発生する機能を有する。
ドB2に接続されている。擬似故障発生機は擬似故障発生
回路２と故障発生制御回路１から構成されているわけで
ある。故障発生回路２はボードB1毎に取り付けられ、コ
ネクタ（故障発生回路２の部分に位置しているの）のピ
ン単位でそこを通るデータの形状を加工することによっ
て、擬似的な故障を発生する機能を有する。
発生させる故障の種類としては、０縮退、１縮退、ス
パイク信号、バースト、電源変動、ショート、断線等を
想定している。
パイク信号、バースト、電源変動、ショート、断線等を
想定している。
故障発生制御回路１では、故障発生回路２によりどの
ボードB1のどのピンでどの様な擬似故障を発生させるか
を制御し、任意の擬似故障を発生することを可能とす
る。この擬似故障発生機により故障を発生させた場合、
交換機EXに内蔵された診断プログラムにより診断の結果
を得ること、及び、自律メッセージ（障害メッセージ
等）の交換機の状態を示すパラメータは観測することが
可能であることを前提とする。
ボードB1のどのピンでどの様な擬似故障を発生させるか
を制御し、任意の擬似故障を発生することを可能とす
る。この擬似故障発生機により故障を発生させた場合、
交換機EXに内蔵された診断プログラムにより診断の結果
を得ること、及び、自律メッセージ（障害メッセージ
等）の交換機の状態を示すパラメータは観測することが
可能であることを前提とする。
このとき上記のパラメータを入力とし、故障の発生位
置を出力とするような関係を神経回路網５における学習
により形成し、故障事例の知識を蓄える。故障探索時に
は、学習した関係に故障時のパラメータを入力し、それ
に対する出力値に従って、故障位置を保守者に知らせる
という操作を行う。
置を出力とするような関係を神経回路網５における学習
により形成し、故障事例の知識を蓄える。故障探索時に
は、学習した関係に故障時のパラメータを入力し、それ
に対する出力値に従って、故障位置を保守者に知らせる
という操作を行う。
ここで、診断プログラムの結果、故障発見位置、交換
機の状態と、故障位置の関係を学習する方法としては、
例えば、バックプロパゲーション法を用いて学習を行う
神経回路網を利用する方法がある。この回路網は、多変
数入力値と、その入力に対して出力すべき多変数出力変
数の正解値を外部から与えることにより、目標とする関
係を学習する機能を有している。
機の状態と、故障位置の関係を学習する方法としては、
例えば、バックプロパゲーション法を用いて学習を行う
神経回路網を利用する方法がある。この回路網は、多変
数入力値と、その入力に対して出力すべき多変数出力変
数の正解値を外部から与えることにより、目標とする関
係を学習する機能を有している。
なお、神経回路網の内部構造や学習アルゴリズムとし
ては、バックプロパゲーション法（参考文献:McClellan
d,Rumelhart,and the PDP Research Group,“PARALLEL
DISTRIBUTED PROCESSING",MIT Press（1986））を利
用することを考える。
ては、バックプロパゲーション法（参考文献:McClellan
d,Rumelhart,and the PDP Research Group,“PARALLEL
DISTRIBUTED PROCESSING",MIT Press（1986））を利
用することを考える。
このような神経回路網５において、精度よく上記の関
係を学習させるためには、異なった多くのデータを学習
する必要がある。この際、学習データの偏りが大きいと
精度よい判定が出来ない。ここで、故障の組み合わせ数
は膨大となり、そのすべてを発生しデータベースに蓄積
しておくことは不可能である。ランダムに故障を発生さ
せ、これを順次学習する方法ではデータの偏りが大きく
なる可能性があるという問題がある。
係を学習させるためには、異なった多くのデータを学習
する必要がある。この際、学習データの偏りが大きいと
精度よい判定が出来ない。ここで、故障の組み合わせ数
は膨大となり、そのすべてを発生しデータベースに蓄積
しておくことは不可能である。ランダムに故障を発生さ
せ、これを順次学習する方法ではデータの偏りが大きく
なる可能性があるという問題がある。
そこで、始めはランダムに故障を発生させそれを学習
するが、ある程度学習が進んだ段階では発生させた故障
データを学習済みの神経回路網５で判定させ、その結果
と正解を比較評価回路４で評価し、判定の誤ったデータ
のみを故障事例データベース３に蓄積し更に学習させ
る。判定の誤ったデータがあった場合そのボードに関す
る故障の学習が十分に進んでいないので、比較評価回路
４が故障発生制御回路１に命令を出し、次には、その同
じボードに関係した故障を発生させるようにする。
するが、ある程度学習が進んだ段階では発生させた故障
データを学習済みの神経回路網５で判定させ、その結果
と正解を比較評価回路４で評価し、判定の誤ったデータ
のみを故障事例データベース３に蓄積し更に学習させ
る。判定の誤ったデータがあった場合そのボードに関す
る故障の学習が十分に進んでいないので、比較評価回路
４が故障発生制御回路１に命令を出し、次には、その同
じボードに関係した故障を発生させるようにする。
このように発生させる故障を制御することによって、
偏りのない故障事例データを神経回路網５は学習でき
る。故障診断時には、この神経回路網５を実際の交換機
に接続することによって、学習した関係を用い精度よい
故障診断が可能となる。
偏りのない故障事例データを神経回路網５は学習でき
る。故障診断時には、この神経回路網５を実際の交換機
に接続することによって、学習した関係を用い精度よい
故障診断が可能となる。
以下、具体的に説明する。まず、初期学習時における
回路の動作を説明する。初期学習時には、第１図のう
ち、スイッチ６〜11を設定することにより、故障発生制
御回路１、疑似故障発生回路２、故障事例データベース
３、神経回路網５によって構成される回路が動作する。
回路の動作を説明する。初期学習時には、第１図のう
ち、スイッチ６〜11を設定することにより、故障発生制
御回路１、疑似故障発生回路２、故障事例データベース
３、神経回路網５によって構成される回路が動作する。
故障発生制御回路１は、第２図に示すような構成をし
ている。第２図中の12は乱数発生器、13は故障決定回路
である。乱数発生器12により発生させた乱数の値によっ
て、故障決定回路13が擬似故障を発生させるボードB1、
コネクタのピンの位置と故障の種類を決め、故障を発生
させるボードB1とバックボードB2の間に接続された故障
発生回路２に故障を起こすコネクタのピン位置、故障の
種類のデータを送る。
ている。第２図中の12は乱数発生器、13は故障決定回路
である。乱数発生器12により発生させた乱数の値によっ
て、故障決定回路13が擬似故障を発生させるボードB1、
コネクタのピンの位置と故障の種類を決め、故障を発生
させるボードB1とバックボードB2の間に接続された故障
発生回路２に故障を起こすコネクタのピン位置、故障の
種類のデータを送る。
故障発生回路２ではこのデータに従って、指定された
ピンを通るデータに指定された加工をすることにより、
故障と同様の状態を発生させる。
ピンを通るデータに指定された加工をすることにより、
故障と同様の状態を発生させる。
この故障によって交換機EXが誤動作状態に陥った場
合、交換機EXから出される自律メッセージ（障害メッセ
ージ）の交換機の状態、故障発見位置、診断プログラム
の結果のデータ（故障情報）と、故障発生制御回路１か
ら出される故障発生位置（ボード）のデータの組を故障
事例として、前者はスイッチ７を介し、後者はスイッチ
８を介して故障事例データベース３に書き込む。
合、交換機EXから出される自律メッセージ（障害メッセ
ージ）の交換機の状態、故障発見位置、診断プログラム
の結果のデータ（故障情報）と、故障発生制御回路１か
ら出される故障発生位置（ボード）のデータの組を故障
事例として、前者はスイッチ７を介し、後者はスイッチ
８を介して故障事例データベース３に書き込む。
神経回路網５は、スイッチ10を介して、故障事例デー
タベース３から交換機の状態、故障発見位置、診断プロ
グラムの結果データ等を貰って故障発生位置の推定を行
う。そしてスイッチ11を介して、故障事例データベース
３から、既に判明している故障発生位置を教師データ
（正解を教えてくれるデータ）として受け取り、自分で
推定した故障発生位置と比較し、その差を認識すること
により、随時学習を行う。
タベース３から交換機の状態、故障発見位置、診断プロ
グラムの結果データ等を貰って故障発生位置の推定を行
う。そしてスイッチ11を介して、故障事例データベース
３から、既に判明している故障発生位置を教師データ
（正解を教えてくれるデータ）として受け取り、自分で
推定した故障発生位置と比較し、その差を認識すること
により、随時学習を行う。
以上の学習動作を、故障事例数が予め定めた値Ｎに達
するまで行う。次に故障事例数がＮを越えた段階での回
路の動作を説明する。この場合には、第１図においてス
イッチ６〜11を設定することにより、故障発生制御回路
１、擬似故障発生回路２、故障事例データベース３、比
較評価回路４、神経回路網５からなる回路が動作する。
するまで行う。次に故障事例数がＮを越えた段階での回
路の動作を説明する。この場合には、第１図においてス
イッチ６〜11を設定することにより、故障発生制御回路
１、擬似故障発生回路２、故障事例データベース３、比
較評価回路４、神経回路網５からなる回路が動作する。
まず、故障発生制御回路１により擬似故障発生回路２
で故障を発生させ、得られた診断プログラムの結果、故
障発見位置、交換機の状態をスイッチ６を介して故障情
報として神経回路網５に入力する。神経回路網５では、
学習により形成された内部の関係を用いて、入力された
故障情報から推定される故障発生位置（ボード）をスイ
ッチ11を介して比較評価回路４に出力する。この出力
と、故障発生制御回路１から、スイッチ９を通して入力
される正しい故障発生位置を比較評価回路４で比較す
る。
で故障を発生させ、得られた診断プログラムの結果、故
障発見位置、交換機の状態をスイッチ６を介して故障情
報として神経回路網５に入力する。神経回路網５では、
学習により形成された内部の関係を用いて、入力された
故障情報から推定される故障発生位置（ボード）をスイ
ッチ11を介して比較評価回路４に出力する。この出力
と、故障発生制御回路１から、スイッチ９を通して入力
される正しい故障発生位置を比較評価回路４で比較す
る。
両者が一致している場合、この故障事例に対する関係
が神経回路網５に知識化されていることが明らかになっ
たわけであるから、神経回路網５は学習は行わず、故障
発生制御回路１の乱数発生器12により、次の位置の故障
を発生させる。
が神経回路網５に知識化されていることが明らかになっ
たわけであるから、神経回路網５は学習は行わず、故障
発生制御回路１の乱数発生器12により、次の位置の故障
を発生させる。
両者が不一致の場合は、スイッチ7,8を設定して、故
障事例データベース３に故障情報と故障発生位置の組を
書き込む。神経回路網５はスイッチ10,11を通して、故
障事例データベース３のデータから、先に述べた所と同
様にして学習する。
障事例データベース３に故障情報と故障発生位置の組を
書き込む。神経回路網５はスイッチ10,11を通して、故
障事例データベース３のデータから、先に述べた所と同
様にして学習する。
不一致が生じたのは、その故障ボードに関する事例が
少なく神経回路網５での学習が不十分なためであるの
で、有効なデータを得るために、比較評価回路４から、
次回は前回と同じボード（故障発生位置）で故障を発生
させよという命令を、故障発生制御回路１に送る。そこ
で故障決定回路13は、故障ボードは前回故障時のそれと
同じとし、故障ピン、故障の種類だけを乱数発生器12の
乱数値により新たに決め、擬似故障発生回路２で次の故
障を発生させる。
少なく神経回路網５での学習が不十分なためであるの
で、有効なデータを得るために、比較評価回路４から、
次回は前回と同じボード（故障発生位置）で故障を発生
させよという命令を、故障発生制御回路１に送る。そこ
で故障決定回路13は、故障ボードは前回故障時のそれと
同じとし、故障ピン、故障の種類だけを乱数発生器12の
乱数値により新たに決め、擬似故障発生回路２で次の故
障を発生させる。
このような一連の操作により、偏りが少ない有効な故
障事例を故障事例データベース３に蓄積することがで
き、これらを神経回路網５で学習することによって、精
度のよい故障診断が可能となる。
障事例を故障事例データベース３に蓄積することがで
き、これらを神経回路網５で学習することによって、精
度のよい故障診断が可能となる。
最後に、故障診断時における回路の動作を説明する。
故障診断時には、故障事例を学習した神経回路網５を、
実際の交換機に接続する。
故障診断時には、故障事例を学習した神経回路網５を、
実際の交換機に接続する。
交換機で実際に故障が発生した場合、診断プログラム
の結果、故障発見位置、交換機の状態を神経回路網５に
入力する。神経回路網５では、学習により形成された内
部の関係を用いて、入力された故障情報から予測される
故障発生位置（ボード）を推定して出力する。この出力
情報を保守者に示す。
の結果、故障発見位置、交換機の状態を神経回路網５に
入力する。神経回路網５では、学習により形成された内
部の関係を用いて、入力された故障情報から予測される
故障発生位置（ボード）を推定して出力する。この出力
情報を保守者に示す。
本発明は、故障発生機能を交換機に加えることによ
り、擬似故障を発生させ、この際の診断プログラムの結
果、故障発見位置、交換機の状態と故障発生位置との関
係を神経回路網を用いた学習機能により学習し、この関
係を用いて故障探索を行う装置である。
り、擬似故障を発生させ、この際の診断プログラムの結
果、故障発見位置、交換機の状態と故障発生位置との関
係を神経回路網を用いた学習機能により学習し、この関
係を用いて故障探索を行う装置である。
この装置を用い、故障事例を自動的に発生・学習する
ことにより、より多くの知識を効果的に蓄積でき、故障
事例が集めにくいという問題点が解決でき、学習済みの
神経回路網を実際の交換機と接続すれば、精度のよい故
障診断が可能となる。また、交換機の種類や機能を変更
した場合でも、即座に故障事例を蓄積できるので、保守
者への負担を最小限に押さえ、故障保守診断の容易化が
はかれる。
ことにより、より多くの知識を効果的に蓄積でき、故障
事例が集めにくいという問題点が解決でき、学習済みの
神経回路網を実際の交換機と接続すれば、精度のよい故
障診断が可能となる。また、交換機の種類や機能を変更
した場合でも、即座に故障事例を蓄積できるので、保守
者への負担を最小限に押さえ、故障保守診断の容易化が
はかれる。
第１図は本発明の一実施例の全体構成を示すブロック
図、第２図は第１図における故障発生制御回路の詳細構
成を示す回路図、である。 符号の説明 １……故障発生制御回路、２……擬似故障発生回路、３
……故障事例データベース、４……比較評価回路、５…
…神経回路網、６〜11……スイッチ、12……乱数発生
器、13……故障決定回路。
図、第２図は第１図における故障発生制御回路の詳細構
成を示す回路図、である。 符号の説明 １……故障発生制御回路、２……擬似故障発生回路、３
……故障事例データベース、４……比較評価回路、５…
…神経回路網、６〜11……スイッチ、12……乱数発生
器、13……故障決定回路。
Claims (1)
- 【請求項１】交換機において擬似的な故障を自動的に発
生させる擬似故障発生装置と、 前記擬似故障発生装置を用いて擬似的に発生させた故障
に対する交換機側診断プログラムによる診断結果、故障
発見位置、交換機の故障状態と、擬似的に故障を発生さ
せたことから既知となっている故障発生位置との組であ
る故障事例データを蓄積する故障事例データベースと、 前記故障事例データベースに蓄積された故障事例から、
交換機側診断プログラムによる診断結果、故障発見位
置、交換機の故障状態と、故障発生位置との関係を自動
学習し、運用時において実際に故障が発生した場合に
は、該故障に対する交換機側診断プログラムによる診断
結果、故障発見位置、交換機の故障状態から、学習によ
り形成された関係を用いて故障発生位置を推定する学習
器と、 乱数値と後記比較評価回路からの指示を用いて、前記擬
似故障発生装置に発生させる擬似的な故障の故障位置と
故障種類を決定する故障位置発生制御回路と、 学習を積んだ後の前記学習器に、前記故障位置発生制御
回路により決定し前記擬似故障発生装置を用いて擬似的
に発生させた故障に対する交換機側診断プログラムによ
る診断結果、故障発見位置、交換機の故障状態を与えて
推定させた推定故障位置と、擬似的に該故障を発生させ
たことから既知となっている故障発生位置とを比較し、
その比較結果が一致しない場合に、その交換機側診断プ
ログラムによる診断結果、故障発見位置、交換機の故障
状態と、擬似的に該故障を発生させたことから既知とな
っている故障発生位置との組を、故障事例データとして
前記故障事例データベースに蓄積せしめ、該故障と類似
する故障を次に発生させるように前記故障位置発生制御
回路に指示して、前記学習器に更に学習の機会を与える
比較評価回路と、 から成ることを特徴とする自己故障発生・学習装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18424490A JP2633378B2 (ja) | 1990-07-13 | 1990-07-13 | 自己故障発生・学習装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18424490A JP2633378B2 (ja) | 1990-07-13 | 1990-07-13 | 自己故障発生・学習装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0472952A JPH0472952A (ja) | 1992-03-06 |
| JP2633378B2 true JP2633378B2 (ja) | 1997-07-23 |
Family
ID=16149910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP18424490A Expired - Fee Related JP2633378B2 (ja) | 1990-07-13 | 1990-07-13 | 自己故障発生・学習装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2633378B2 (ja) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06225003A (ja) * | 1993-01-25 | 1994-08-12 | Nippon Telegr & Teleph Corp <Ntt> | ドライブ分離形擬似故障発生方法及び装置 |
-
1990
- 1990-07-13 JP JP18424490A patent/JP2633378B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0472952A (ja) | 1992-03-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Frank et al. | Fuzzy logic and neural network applications to fault diagnosis | |
| Benveniste et al. | Diagnosis of asynchronous discrete-event systems: a net unfolding approach | |
| JPH01267742A (ja) | 故障診断方式 | |
| CN104504248A (zh) | 一种基于设计数据分析的故障诊断建模方法 | |
| Koscielny et al. | Method of multiple fault isolation in large scale systems | |
| US6314350B1 (en) | Methods and apparatus for generating maintenance messages | |
| CN114113984A (zh) | 基于混沌工程的故障演练方法、装置、终端设备及介质 | |
| US5150367A (en) | Composite range constraint propagation control | |
| Chowdhury | Ordinary and neural Chi-squared tests for fault detection in multi-output stochastic systems | |
| JP2633378B2 (ja) | 自己故障発生・学習装置 | |
| Poll et al. | Second International Diagnostic Competition œ DXC ‘10 | |
| Poll et al. | Third international diagnostics competition–DXC’11 | |
| JP5911581B2 (ja) | ロジック図面誤り箇所推定装置及びその方法 | |
| KR20190052742A (ko) | 감시 진단 장치를 탑재한 발전소 시뮬레이터 | |
| Koppen-Seliger et al. | Residual evaluation for fault detection and isolation with RCE neural networks | |
| Franco | Experiences gained using the navy's IDSS weapon system testability analyzer | |
| JP3012297B2 (ja) | 異常事象同定方法及び装置 | |
| JP2645017B2 (ja) | プラント診断方法及びその装置 | |
| Sweet et al. | Fourth international diagnostic competition–DXC’13 | |
| Frank et al. | New developments using AI in fault diagnosis | |
| SU1062906A1 (ru) | Дублированна система управлени | |
| KR20020028626A (ko) | 동적 문턱값에 의한 비선형 시스템의 고장 진단장치 및 방법 | |
| CN112799899A (zh) | 一种基于扩展相关性模型的等效故障注入方法 | |
| Ribot et al. | Characterization of requirements and costs for the diagnosability of distributed discrete event systems | |
| RU2137148C1 (ru) | Устройство для проверки электронных схем |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |