JP3129342B2 - 知識学習装置 - Google Patents
知識学習装置Info
- Publication number
- JP3129342B2 JP3129342B2 JP04012404A JP1240492A JP3129342B2 JP 3129342 B2 JP3129342 B2 JP 3129342B2 JP 04012404 A JP04012404 A JP 04012404A JP 1240492 A JP1240492 A JP 1240492A JP 3129342 B2 JP3129342 B2 JP 3129342B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- knowledge base
- data
- history data
- knowledge
- 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 - Lifetime
Links
Landscapes
- Feedback Control In General (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、与えられた事象に対す
る結論を専門家により定義された知識ベースを基にして
近似推論する際、この知識ベースを学習によって再構築
する知識学習装置に関する。
る結論を専門家により定義された知識ベースを基にして
近似推論する際、この知識ベースを学習によって再構築
する知識学習装置に関する。
【０００２】
【従来の技術】従来において、推論結果を、その推論結
果を導くために使用した事象の情報量によって修正また
は変更する方式の近似推論が知られている。
果を導くために使用した事象の情報量によって修正また
は変更する方式の近似推論が知られている。
【０００３】この近似推論方式は、事象に対して結論ご
とに与えられたメンバーシップ関数を用いて、事象ごと
の情報量（すなわち事象の情報識別能力）を算出し、推
論結果（すなわち結論が成り立つ可能性）を、その結論
を導くために使用した事象の情報量によって修正または
変更する（可能性と情報量の積をとる）ことによって、
推論結果の識別能力を高めようとするものである。
とに与えられたメンバーシップ関数を用いて、事象ごと
の情報量（すなわち事象の情報識別能力）を算出し、推
論結果（すなわち結論が成り立つ可能性）を、その結論
を導くために使用した事象の情報量によって修正または
変更する（可能性と情報量の積をとる）ことによって、
推論結果の識別能力を高めようとするものである。
【０００４】しかしながら、このような従来の近似推論
方式では、事象と結論との関係を表わす知識ベースを構
築または修正する際に専門家が必要となり非常にめんど
うである。また知識ベースの保守を行なうことが困難で
あるという問題点があった。
方式では、事象と結論との関係を表わす知識ベースを構
築または修正する際に専門家が必要となり非常にめんど
うである。また知識ベースの保守を行なうことが困難で
あるという問題点があった。
【０００５】そこで、本出願人は上記問題を解決するた
めの近似推論装置を既に出願している。
めの近似推論装置を既に出願している。
【０００６】しかして、この近似推論装置は知識学習装
置を備えており、この知識学習装置は、生起した事象と
結論との関係を表わした履歴データを記憶する履歴デー
タ記憶装置、専門家により定義された事象と結論との関
係を表わす知識ベースを記憶する知識ベース記憶装置、
上記履歴データを合成，修正することにより既に構築さ
れている上記知識ベースを再構築する知識合成，修正装
置、および知識合成，修正装置により再構築された知識
ベースを記憶する合成後知識記憶装置とから概略構成さ
れている。
置を備えており、この知識学習装置は、生起した事象と
結論との関係を表わした履歴データを記憶する履歴デー
タ記憶装置、専門家により定義された事象と結論との関
係を表わす知識ベースを記憶する知識ベース記憶装置、
上記履歴データを合成，修正することにより既に構築さ
れている上記知識ベースを再構築する知識合成，修正装
置、および知識合成，修正装置により再構築された知識
ベースを記憶する合成後知識記憶装置とから概略構成さ
れている。
【０００７】この発明によると、生起した事象と結論と
の関係を表わす履歴データを蓄積しておくことにより、
この蓄積した履歴データを用いて、既に（たとえば設計
段階で）構築された知識ベースを再構築することができ
る。実際に生起した事象と結論との関係を表わすデータ
を用いて知識ベースを修正しているから、より正確な近
似推論が可能となる。また、知識ベースの修正は自動的
に行なわれるから専門家がいなくても知識ベースの保守
が可能である。
の関係を表わす履歴データを蓄積しておくことにより、
この蓄積した履歴データを用いて、既に（たとえば設計
段階で）構築された知識ベースを再構築することができ
る。実際に生起した事象と結論との関係を表わすデータ
を用いて知識ベースを修正しているから、より正確な近
似推論が可能となる。また、知識ベースの修正は自動的
に行なわれるから専門家がいなくても知識ベースの保守
が可能である。
【０００８】なお、この発明の近似推論装置を故障診断
に用いた場合には、生起した事象と結論との関係を表わ
す履歴データは、故障の種類とそのときの機械等の症状
（五感で知覚できる症状、センサで検出した測定値等）
との関係を表わすデータとして記憶される。
に用いた場合には、生起した事象と結論との関係を表わ
す履歴データは、故障の種類とそのときの機械等の症状
（五感で知覚できる症状、センサで検出した測定値等）
との関係を表わすデータとして記憶される。
【０００９】
【発明が解決しようとする課題】しかしながら、上記先
に出願した近似推論装置における知識学習装置では、以
下に列挙するような問題点がその後提起された。
に出願した近似推論装置における知識学習装置では、以
下に列挙するような問題点がその後提起された。
【００１０】（１）センサ自体の故障などにより生ずる
ノイズを含んだ履歴データを用いて知識合成，修正装置
が知識の合成，修正をすると、既に構築されている知識
ベースが改悪される可能性がある。
ノイズを含んだ履歴データを用いて知識合成，修正装置
が知識の合成，修正をすると、既に構築されている知識
ベースが改悪される可能性がある。
【００１１】（２）推論結果の可能性が高い履歴データ
を用いて知識合成，修正装置が知識の合成，修正をする
と、既に構築されている知識ベースが改悪される可能性
がある。
を用いて知識合成，修正装置が知識の合成，修正をする
と、既に構築されている知識ベースが改悪される可能性
がある。
【００１２】（３）知識合成，修正装置が繰り返し履歴
データを用いて知識の合成，修正をすると、この履歴デ
ータが知識ベースに反映されなくなる。
データを用いて知識の合成，修正をすると、この履歴デ
ータが知識ベースに反映されなくなる。
【００１３】（４）履歴データの数に関係なく知識合
成，修正装置がこの履歴データを用いて知識の合成，修
正をするので、少ない数の専門家により定義されている
知識ベースが改悪される可能性がある。
成，修正装置がこの履歴データを用いて知識の合成，修
正をするので、少ない数の専門家により定義されている
知識ベースが改悪される可能性がある。
【００１４】（５）専門家が誰も定義しないような本来
因果関係のない履歴データを用いて知識合成，修正装置
が知識の合成，修正をすると、無意味な事象と結論のル
ールが作成される危険がある。
因果関係のない履歴データを用いて知識合成，修正装置
が知識の合成，修正をすると、無意味な事象と結論のル
ールが作成される危険がある。
【００１５】（６）専門家が定義する知識の事象と結論
に関するルールが変更された時、今までの知識の合成，
修正によって既に構築された知識ベースを放棄しない
と、変更後の知識ベースと既に構築されている知識ベー
スとの整合性がとれない。
に関するルールが変更された時、今までの知識の合成，
修正によって既に構築された知識ベースを放棄しない
と、変更後の知識ベースと既に構築されている知識ベー
スとの整合性がとれない。
【００１６】そこで、本発明は上記列挙した問題点に着
目してなされたもので、知識ベースの改悪や無意味なル
ールの作成を防止するとともに、知識ベースに定義変更
があっても既に構築されている知識ベースを放棄する必
要がない知識学習装置を提供することを目的とする。
目してなされたもので、知識ベースの改悪や無意味なル
ールの作成を防止するとともに、知識ベースに定義変更
があっても既に構築されている知識ベースを放棄する必
要がない知識学習装置を提供することを目的とする。
【００１７】
【課題を解決するための手段】上記目的を達成するため
請求項１記載の発明では、生起した事象と結論との関係
を表わした履歴データを記憶する履歴データ記憶装置、
専門家の知識に基づき定義された事象と結論との関係を
表わす知識ベースや、学習により構築された知識ベース
を記憶する知識ベース記憶装置、および上記履歴データ
を学習データとして学習することにより既に構築されて
いる上記知識ベースを再構築する学習実行装置とからな
る知識学習装置において、上記学習実行装置の学習に使
用される履歴データから、上記既に構築されている知識
ベースに適合しないノイズを含んだ履歴データを除去す
るノイズデータ除去手段を具備することを特徴とする。
請求項１記載の発明では、生起した事象と結論との関係
を表わした履歴データを記憶する履歴データ記憶装置、
専門家の知識に基づき定義された事象と結論との関係を
表わす知識ベースや、学習により構築された知識ベース
を記憶する知識ベース記憶装置、および上記履歴データ
を学習データとして学習することにより既に構築されて
いる上記知識ベースを再構築する学習実行装置とからな
る知識学習装置において、上記学習実行装置の学習に使
用される履歴データから、上記既に構築されている知識
ベースに適合しないノイズを含んだ履歴データを除去す
るノイズデータ除去手段を具備することを特徴とする。
【００１８】また、上記目的を達成するため請求項２記
載の発明では、生起した事象と結論との関係を表わした
履歴データを記憶する履歴データ記憶装置、専門家の知
識に基づき定義された事象と結論との関係を表わす知識
ベースや、学習により構築された知識ベースを記憶する
知識ベース記憶装置、および上記履歴データを学習デー
タとして学習することにより既に構築されている上記知
識ベースを再構築する学習実行装置とからなる知識学習
装置において、上記学習実行装置の学習に使用される履
歴データを合成演算するとともに、この合成演算により
算出されたデータを学習データとして出力するデータ合
成演算手段を具備することを特徴とする。
載の発明では、生起した事象と結論との関係を表わした
履歴データを記憶する履歴データ記憶装置、専門家の知
識に基づき定義された事象と結論との関係を表わす知識
ベースや、学習により構築された知識ベースを記憶する
知識ベース記憶装置、および上記履歴データを学習デー
タとして学習することにより既に構築されている上記知
識ベースを再構築する学習実行装置とからなる知識学習
装置において、上記学習実行装置の学習に使用される履
歴データを合成演算するとともに、この合成演算により
算出されたデータを学習データとして出力するデータ合
成演算手段を具備することを特徴とする。
【００１９】また、上記目的を達成するため請求項３記
載の発明では、生起した事象と結論との関係を表わした
履歴データを記憶する履歴データ記憶装置、専門家の知
識に基づき定義された事象と結論との関係を表わす知識
ベースや、学習により構築された知識ベースを記憶する
知識ベース記憶装置、および上記履歴データを学習デー
タとして学習することにより既に構築されている上記知
識ベースを再構築する学習実行装置とからなる知識学習
装置において、上記履歴データ記憶装置から学習実行装
置に出力される履歴データの数を計数するデータ数計数
手段と、上記データ数計数手段により計数された履歴デ
ータの数に基づき上記知識ベース記憶装置に記憶されて
いる知識ベースに対して重みを設定する知識ベース重み
設定手段とを具備することを特徴とする。
載の発明では、生起した事象と結論との関係を表わした
履歴データを記憶する履歴データ記憶装置、専門家の知
識に基づき定義された事象と結論との関係を表わす知識
ベースや、学習により構築された知識ベースを記憶する
知識ベース記憶装置、および上記履歴データを学習デー
タとして学習することにより既に構築されている上記知
識ベースを再構築する学習実行装置とからなる知識学習
装置において、上記履歴データ記憶装置から学習実行装
置に出力される履歴データの数を計数するデータ数計数
手段と、上記データ数計数手段により計数された履歴デ
ータの数に基づき上記知識ベース記憶装置に記憶されて
いる知識ベースに対して重みを設定する知識ベース重み
設定手段とを具備することを特徴とする。
【００２０】また、上記目的を達成するため請求項４記
載の発明では、生起した事象と結論との関係を表わした
履歴データを記憶する履歴データ記憶装置、専門家の知
識に基づき定義された事象と結論との関係を表わす知識
ベースや、学習により構築された知識ベースを記憶する
知識ベース記憶装置、および上記履歴データを学習デー
タとして学習することにより既に構築されている上記知
識ベースを再構築する学習実行装置とからなる知識学習
装置において、上記履歴データ記憶装置から学習実行装
置に出力される履歴データの数に基づき履歴データを学
習データとして採用するか否かを判断する学習データ採
用手段を具備することを特徴とする。
載の発明では、生起した事象と結論との関係を表わした
履歴データを記憶する履歴データ記憶装置、専門家の知
識に基づき定義された事象と結論との関係を表わす知識
ベースや、学習により構築された知識ベースを記憶する
知識ベース記憶装置、および上記履歴データを学習デー
タとして学習することにより既に構築されている上記知
識ベースを再構築する学習実行装置とからなる知識学習
装置において、上記履歴データ記憶装置から学習実行装
置に出力される履歴データの数に基づき履歴データを学
習データとして採用するか否かを判断する学習データ採
用手段を具備することを特徴とする。
【００２１】また、上記目的を達成するため請求項５記
載の発明では、生起した事象と結論との関係を表わした
履歴データを記憶する履歴データ記憶装置、専門家の知
識に基づき定義された事象と結論との関係を表わす知識
ベースや、学習により構築された知識ベースを記憶する
知識ベース記憶装置、および上記履歴データを学習デー
タとして学習することにより既に構築されている上記知
識ベースを再構築する学習実行装置とからなる知識学習
装置において、上記学習実行装置が学習データを用いて
既に構築されている知識ベースを再構築する際、上記専
門家の知識に基づき定義された知識ベースのみについて
上記学習実行装置が再構築することを特徴とする。
載の発明では、生起した事象と結論との関係を表わした
履歴データを記憶する履歴データ記憶装置、専門家の知
識に基づき定義された事象と結論との関係を表わす知識
ベースや、学習により構築された知識ベースを記憶する
知識ベース記憶装置、および上記履歴データを学習デー
タとして学習することにより既に構築されている上記知
識ベースを再構築する学習実行装置とからなる知識学習
装置において、上記学習実行装置が学習データを用いて
既に構築されている知識ベースを再構築する際、上記専
門家の知識に基づき定義された知識ベースのみについて
上記学習実行装置が再構築することを特徴とする。
【００２２】
【００２３】
【００２４】また、上記目的を達成するため請求項６記
載の発明では、上記学習実行装置の学習データを用いた
学習により構築され上記知識ベース記憶装置に記憶され
た知識ベース、または構築後上記知識ベース修正手段に
より修正され上記知識ベース記憶装置に記憶された知識
ベースを用いて、与えられた事象に対して結論を近似推
論する近似推論手段を具備することを特徴とする。
載の発明では、上記学習実行装置の学習データを用いた
学習により構築され上記知識ベース記憶装置に記憶され
た知識ベース、または構築後上記知識ベース修正手段に
より修正され上記知識ベース記憶装置に記憶された知識
ベースを用いて、与えられた事象に対して結論を近似推
論する近似推論手段を具備することを特徴とする。
【００２５】
【作用】請求項１記載の発明では、ノイズデータ除去手
段が学習実行装置の学習に使用される履歴データから既
に構築されている知識ベースに適合しないノイズを含ん
だ履歴データを除去した後、ノイズを含まない履歴デー
タを学習データとして学習実行装置に出力する。学習実
行装置は、入力されたノイズを含まない学習データに基
づいて学習し、既に構築されている知識ベースを再構築
する。
段が学習実行装置の学習に使用される履歴データから既
に構築されている知識ベースに適合しないノイズを含ん
だ履歴データを除去した後、ノイズを含まない履歴デー
タを学習データとして学習実行装置に出力する。学習実
行装置は、入力されたノイズを含まない学習データに基
づいて学習し、既に構築されている知識ベースを再構築
する。
【００２６】請求項２記載の発明では、データ合成演算
手段が学習実行装置の学習に使用される履歴データを合
成演算するとともに、この合成演算により算出されたデ
ータを学習データとして学習実行装置に出力する。学習
実行装置は、入力された学習データに基づいて学習し、
既に構築されている知識ベースを再構築する。
手段が学習実行装置の学習に使用される履歴データを合
成演算するとともに、この合成演算により算出されたデ
ータを学習データとして学習実行装置に出力する。学習
実行装置は、入力された学習データに基づいて学習し、
既に構築されている知識ベースを再構築する。
【００２７】請求項３記載の発明では、データ数計数手
段が履歴データ記憶装置から学習実行装置に出力される
履歴データの数を計数するとともに、このデータ数計数
手段により計数された履歴データの数に基づき知識ベー
ス重み設定手段が知識ベース記憶装置に記憶されている
知識ベースに対して重みを設定する。この知識ベース重
み設定手段により設定された重みの加重された知識ベー
スに基づいて学習実行装置が学習により知識ベースを再
構築する。
段が履歴データ記憶装置から学習実行装置に出力される
履歴データの数を計数するとともに、このデータ数計数
手段により計数された履歴データの数に基づき知識ベー
ス重み設定手段が知識ベース記憶装置に記憶されている
知識ベースに対して重みを設定する。この知識ベース重
み設定手段により設定された重みの加重された知識ベー
スに基づいて学習実行装置が学習により知識ベースを再
構築する。
【００２８】請求項４記載の発明では、学習データ採用
手段が履歴データ記憶装置から学習実行装置に出力され
る履歴データの数に基づきこの履歴データを学習データ
として採用するか否かを判断し、学習実行装置がこの学
習データ採用手段により採用された学習データに基づい
て学習し、既に構築されている知識ベースを再構築す
る。
手段が履歴データ記憶装置から学習実行装置に出力され
る履歴データの数に基づきこの履歴データを学習データ
として採用するか否かを判断し、学習実行装置がこの学
習データ採用手段により採用された学習データに基づい
て学習し、既に構築されている知識ベースを再構築す
る。
【００２９】請求項５記載の発明では、学習実行装置
は、学習データを用いて既に構築されている知識ベース
を再構築する際、専門家の知識に基づき事象と結論との
関係が定義された知識ベースのみについて再構築を行な
う。
は、学習データを用いて既に構築されている知識ベース
を再構築する際、専門家の知識に基づき事象と結論との
関係が定義された知識ベースのみについて再構築を行な
う。
【００３０】
【００３１】
【００３２】請求項６記載の発明では、近似推論手段
が、学習実行装置の学習データを用いた学習により構築
され知識ベース記憶装置に記憶された知識ベース、また
は構築後知識ベース修正手段により修正され知識ベース
記憶装置に記憶された知識ベースを用いて、与えられた
事象に対して結論を近似推論する。
が、学習実行装置の学習データを用いた学習により構築
され知識ベース記憶装置に記憶された知識ベース、また
は構築後知識ベース修正手段により修正され知識ベース
記憶装置に記憶された知識ベースを用いて、与えられた
事象に対して結論を近似推論する。
【００３３】
【実施例】以下、本発明に係る知識学習装置の実施例を
図面に基づいて詳細に説明する。図１は、第１実施例の
知識学習装置の全体構成を示し、図５は、第２実施例の
知識学習装置の一部構成を示しており、まず第１実施例
について説明する。
図面に基づいて詳細に説明する。図１は、第１実施例の
知識学習装置の全体構成を示し、図５は、第２実施例の
知識学習装置の一部構成を示しており、まず第１実施例
について説明する。
【００３４】図１において、第１実施例の知識学習装置
は、履歴データ記憶装置１１，知識ベース記憶装置１
２，知識ベースバッファ１３，学習実行装置１４，ノイ
ズデータ除去装置１５，データ合成演算装置１６，デー
タ数計数装置１７，知識ベース重み設定装置１８，参考
情報入力装置１９，履歴データ作成装置２０，保守レポ
ート作成装置２１，保守レポート出力装置２２，学習ス
ケジュール管理装置２３，学習設定記憶装置２４，近似
推論装置２５，事象値入力装置２６，事象値バッファ２
７，結論値バッファ２８，および結論値出力装置２９か
ら構成されている。
は、履歴データ記憶装置１１，知識ベース記憶装置１
２，知識ベースバッファ１３，学習実行装置１４，ノイ
ズデータ除去装置１５，データ合成演算装置１６，デー
タ数計数装置１７，知識ベース重み設定装置１８，参考
情報入力装置１９，履歴データ作成装置２０，保守レポ
ート作成装置２１，保守レポート出力装置２２，学習ス
ケジュール管理装置２３，学習設定記憶装置２４，近似
推論装置２５，事象値入力装置２６，事象値バッファ２
７，結論値バッファ２８，および結論値出力装置２９か
ら構成されている。
【００３５】次に、上記各装置の構成、動作を以下に分
説する。
説する。
【００３６】（１）履歴データ記憶装置 履歴データ記憶装置１１は、生起した事象と結論との関
係を記憶しておくものである。この事象と結論とは、例
えば、稼動機器に故障が生じた時発生するその故障の症
状（五感で知覚した状態、各種センサの出力信号等）が
事象に対応し、故障の種類が結論に対応するものであ
り、この結論に対する事象を数値で表現したものが履歴
データである。
係を記憶しておくものである。この事象と結論とは、例
えば、稼動機器に故障が生じた時発生するその故障の症
状（五感で知覚した状態、各種センサの出力信号等）が
事象に対応し、故障の種類が結論に対応するものであ
り、この結論に対する事象を数値で表現したものが履歴
データである。
【００３７】履歴データ記憶装置１１に記憶されている
履歴データの一例を表１に示す。
履歴データの一例を表１に示す。
【００３８】
【表１】 この表において、第１回目の生起においては結論c 1 が
生起し、そのときの事象f 1 ，f 2 ，f 3 の値がそれぞ
れ30，55，20である。第３回目の生起においては結論c
2 が生じ、そのときの事象f 1 とf 2 の値がそれぞれ6
0，50であるが、事象f 3 は生じなかったことが示され
ている。
生起し、そのときの事象f 1 ，f 2 ，f 3 の値がそれぞ
れ30，55，20である。第３回目の生起においては結論c
2 が生じ、そのときの事象f 1 とf 2 の値がそれぞれ6
0，50であるが、事象f 3 は生じなかったことが示され
ている。
【００３９】（２）知識ベース記憶装置 知識ベース記憶装置１２は、専門家の知識に基づき定義
された事象と結論との関係を表わす知識ベースを記憶す
るとともに、学習により構築された知識ベースを記憶す
るものである。この知識ベースとは、専門家が定義する
規則に基づき算出されるものであり、結論に対する事象
の最小値，最大値それぞれの平均値および標準偏差で示
されるものである。
された事象と結論との関係を表わす知識ベースを記憶す
るとともに、学習により構築された知識ベースを記憶す
るものである。この知識ベースとは、専門家が定義する
規則に基づき算出されるものであり、結論に対する事象
の最小値，最大値それぞれの平均値および標準偏差で示
されるものである。
【００４０】専門家が定義する規則の一例として結論c
1 に対する事象f 1 の規則を以下に示す。
1 に対する事象f 1 の規則を以下に示す。
【００４１】 専門家ex1 ： if 10≦f 1 ≦50 then c 1 …（１） 専門家ex2 ： if 20≦f 1 ≦40 then c 1 …（２） 上記a ≦f 1 ≦b のように表わされたa ，b をそれぞれ
最小値，最大値と呼ぶ。
最小値，最大値と呼ぶ。
【００４２】次に、知識ベース記憶装置１２に記憶され
ている知識ベースの一例を表２に示す。
ている知識ベースの一例を表２に示す。
【００４３】
【表２】 この表において、式（１），（２）に基づいて算出され
た結論c 1 に対する事象f 1 の最小値，最大値それぞれ
の平均値および標準偏差が示されており、この平均値と
標準偏差は後述する学習実行装置１４により算出され
る。また、結論c1 に対する事象f 3 の規則については
専門家が誰も定義していないので、平均値と標準偏差も
示されていない。
た結論c 1 に対する事象f 1 の最小値，最大値それぞれ
の平均値および標準偏差が示されており、この平均値と
標準偏差は後述する学習実行装置１４により算出され
る。また、結論c1 に対する事象f 3 の規則については
専門家が誰も定義していないので、平均値と標準偏差も
示されていない。
【００４４】（３）学習実行装置 学習実行装置１４は、履歴データを学習データとして学
習することにより既に構築されている知識ベースを再構
築するものであり、そのため履歴データ記憶装置１１か
ら出力される履歴データを、データ数計数装置１７、ノ
イズデータ除去装置１５、およびデータ合成演算装置１
６を介して読み込むとともに、知識ベース記憶装置１２
から出力される知識ベースを知識ベースバッファ１３を
介して読み込むように構成されている。ここで、学習デ
ータとは、履歴データ記憶装置１１に記憶された履歴デ
ータと本質的に同一のものであり、この履歴データが学
習実行装置１４において使用されるためそう呼ばれるも
のである。
習することにより既に構築されている知識ベースを再構
築するものであり、そのため履歴データ記憶装置１１か
ら出力される履歴データを、データ数計数装置１７、ノ
イズデータ除去装置１５、およびデータ合成演算装置１
６を介して読み込むとともに、知識ベース記憶装置１２
から出力される知識ベースを知識ベースバッファ１３を
介して読み込むように構成されている。ここで、学習デ
ータとは、履歴データ記憶装置１１に記憶された履歴デ
ータと本質的に同一のものであり、この履歴データが学
習実行装置１４において使用されるためそう呼ばれるも
のである。
【００４５】この学習データの一例として、結論c 1 に
対する事象f 1 〜f 3 それぞれの最小値，最大値を表３
に示す。これは表１に示した履歴データを後述するデー
タ合成演算装置１６が合成演算することにより算出され
たものである。
対する事象f 1 〜f 3 それぞれの最小値，最大値を表３
に示す。これは表１に示した履歴データを後述するデー
タ合成演算装置１６が合成演算することにより算出され
たものである。
【００４６】
【表３】 次に、この学習実行装置１４による学習データを用いた
学習方法を式（３）〜（８）に基づき説明する。ここ
で、ｉは結論ｃ 1〜ｃ nに対応し、ｊは事象ｆ 1〜ｆ m
に対応するものとする。そして、結論ｃ iに対する事象
ｆ jの最小値，最大値をそれぞれmin f ij，max f ijと
し、最小値の平均値及び標準偏差をm minij，s min
ij、最大値の平均値及び標準偏差をm max ij，s max
ijとする。
学習方法を式（３）〜（８）に基づき説明する。ここ
で、ｉは結論ｃ 1〜ｃ nに対応し、ｊは事象ｆ 1〜ｆ m
に対応するものとする。そして、結論ｃ iに対する事象
ｆ jの最小値，最大値をそれぞれmin f ij，max f ijと
し、最小値の平均値及び標準偏差をm minij，s min
ij、最大値の平均値及び標準偏差をm max ij，s max
ijとする。
【００４７】まず、学習実行装置１４は、知識ベース記
憶装置１２から既に構築されている知識ベースを読み込
み、この知識ベースに基づく結論c i に対する事象f j
の最小値min f ijの総和min sum ij，二乗和min pow ij
をそれぞれ以下に示す式（３），（４）により算出す
る。この際、後述する知識ベース重み設定装置１８によ
り設定されている重みw を用いて演算される。
憶装置１２から既に構築されている知識ベースを読み込
み、この知識ベースに基づく結論c i に対する事象f j
の最小値min f ijの総和min sum ij，二乗和min pow ij
をそれぞれ以下に示す式（３），（４）により算出す
る。この際、後述する知識ベース重み設定装置１８によ
り設定されている重みw を用いて演算される。
【００４８】 min sum ij ＝m min ij ×w …（３） min pow ij ＝w ｛（s min ij ）2 ＋（m min ij ）2 ｝ …（４） 次に、学習実行装置１４は、履歴データ記憶装置１１か
ら出力される履歴データをデータ数計数装置１７，ノイ
ズデータ除去装置１５，およびデータ合成演算装置１６
を介した後、学習データとして読み込み、この学習デー
タに基づく結論c i に対する事象f jの最小値min f
ij，最小値の二乗（min f ij）2 をそれぞれ上記式
（３），（４）により求めたmin sum ij、min pow ijに
加算する。この演算を以下の式（５），（６）に示す。
ら出力される履歴データをデータ数計数装置１７，ノイ
ズデータ除去装置１５，およびデータ合成演算装置１６
を介した後、学習データとして読み込み、この学習デー
タに基づく結論c i に対する事象f jの最小値min f
ij，最小値の二乗（min f ij）2 をそれぞれ上記式
（３），（４）により求めたmin sum ij、min pow ijに
加算する。この演算を以下の式（５），（６）に示す。
【００４９】 min sum ij＝m min ij×w ＋min f ij …（５） min pow ij＝w ｛（s min ij）2 ＋（m min ij）2 ｝＋（min f ij）2 …（６） この式（５），（６）で求めたmin sum ij、min pow ij
を用いて知識ベースの平均値m min ijおよび標準偏差s
min ijを求めて知識ベースを再構築する。この平均値m
min ij、標準偏差s min ijを求める演算を以下の式
（７），（８）に示す。
を用いて知識ベースの平均値m min ijおよび標準偏差s
min ijを求めて知識ベースを再構築する。この平均値m
min ij、標準偏差s min ijを求める演算を以下の式
（７），（８）に示す。
【００５０】
【数１】 知識ベースの最大値max f ijの平均値m max ijおよび標
準偏差s max ijについても全く同様にして求める。
準偏差s max ijについても全く同様にして求める。
【００５１】以上のような学習方法により知識ベースが
再構築されるが、専門家の誰も定義していない規則につ
いては学習実行装置１４は上記学習方法を実行しない。
本来因果関係のない事象と結論との関係を表わす知識ベ
ースの生成を防止するためである。
再構築されるが、専門家の誰も定義していない規則につ
いては学習実行装置１４は上記学習方法を実行しない。
本来因果関係のない事象と結論との関係を表わす知識ベ
ースの生成を防止するためである。
【００５２】以下、学習実行装置１４が実際のデータに
基づき学習を行なった結果の一例を示し、この学習によ
り再構築された知識ベースを表４に示す。ここで、実際
のデータとして、既に構築されている知識ベースを表２
に示したもの、学習データとして表３に示したものを使
用し、重みw ＝3 とする。
基づき学習を行なった結果の一例を示し、この学習によ
り再構築された知識ベースを表４に示す。ここで、実際
のデータとして、既に構築されている知識ベースを表２
に示したもの、学習データとして表３に示したものを使
用し、重みw ＝3 とする。
【００５３】
【数２】
【数３】 f 3 について専門家数が0 なので学習実行装置１４は学
習を行なわない。
習を行なわない。
【００５４】
【表４】 この学習実行装置１４は学習により再構築された知識ベ
ースを再び知識ベース記憶装置に出力する。
ースを再び知識ベース記憶装置に出力する。
【００５５】（４）ノイズデータ除去装置 ノイズデータ除去装置１５は、学習実行装置１４の学習
に使用される履歴データから、既に構築されている知識
ベースに適合しないノイズを含んだ履歴データを除去す
るものである。このノイズデータ除去装置１５によるノ
イズを含んだ履歴データの除去方法を図２および図３に
基づき説明する。まず、この除去方法では、知識ベース
記憶装置１２に記憶された知識ベースがメンバーシップ
関数（以下、MFと呼ぶ）Φ（x ）により表現される。こ
のMFΦ（x ）とは、知識ベースの最小値，最大値それぞ
れの平均値m min ，m max と、最小値，最大値それぞれ
の標準偏差s min ，s max に基づいてガウス分布 Gaus
s （x ）を用いた以下の式（９）により作成されるもの
である。
に使用される履歴データから、既に構築されている知識
ベースに適合しないノイズを含んだ履歴データを除去す
るものである。このノイズデータ除去装置１５によるノ
イズを含んだ履歴データの除去方法を図２および図３に
基づき説明する。まず、この除去方法では、知識ベース
記憶装置１２に記憶された知識ベースがメンバーシップ
関数（以下、MFと呼ぶ）Φ（x ）により表現される。こ
のMFΦ（x ）とは、知識ベースの最小値，最大値それぞ
れの平均値m min ，m max と、最小値，最大値それぞれ
の標準偏差s min ，s max に基づいてガウス分布 Gaus
s （x ）を用いた以下の式（９）により作成されるもの
である。
【００５６】
【数４】 図２にこのMFΦ（x ）を示す。この図において示される
適合値とは、MFΦ（x ）のx に所定の値αを入力するこ
とにより算出されるΦ（α）のことであり、このMFΦ
（x ）においては、適合値が0 となる値xa，xbがそれぞ
れ以下の式（１０），（１１）により表わされる。
適合値とは、MFΦ（x ）のx に所定の値αを入力するこ
とにより算出されるΦ（α）のことであり、このMFΦ
（x ）においては、適合値が0 となる値xa，xbがそれぞ
れ以下の式（１０），（１１）により表わされる。
【００５７】 xa＝m min −n ×s min …（１０） xb＝m max ＋n ×s max …（１１） ここで、n はデフォルトでこの実施例においては4 と設
定されているが変更することができるものである。
定されているが変更することができるものである。
【００５８】ノイズデータ除去装置１５は、履歴データ
の事象の値x がxa≦x ≦xbを満たすとき、ノイズを含ま
ない履歴データと判断し、この履歴データを後述するデ
ータ合成演算装置１６に出力するとともに、逆にこの条
件を満たない時、ノイズを含んだ履歴データと判断し、
この履歴データから事象の値を除去した後、履歴データ
をデータ合成演算装置１６に出力する。
の事象の値x がxa≦x ≦xbを満たすとき、ノイズを含ま
ない履歴データと判断し、この履歴データを後述するデ
ータ合成演算装置１６に出力するとともに、逆にこの条
件を満たない時、ノイズを含んだ履歴データと判断し、
この履歴データから事象の値を除去した後、履歴データ
をデータ合成演算装置１６に出力する。
【００５９】すなわち、図３に示した除去方法のフロー
チャートに基づき説明すると、まず、ノイズデータ除去
装置１５は、入力された履歴データから結論に対する事
象の番号を選択するとともに（ＳＴＥＰ１１０）、選択
した番号の結論に対する事象の関係を表わした知識ベー
ス（m min ，m max ，s min ，s max ）を知識ベース記
憶装置１２から知識ベースバッファ１３を介して読み込
み、式（１０），（１１）で示したxa，xbを算出する
（ＳＴＥＰ１２０）。
チャートに基づき説明すると、まず、ノイズデータ除去
装置１５は、入力された履歴データから結論に対する事
象の番号を選択するとともに（ＳＴＥＰ１１０）、選択
した番号の結論に対する事象の関係を表わした知識ベー
ス（m min ，m max ，s min ，s max ）を知識ベース記
憶装置１２から知識ベースバッファ１３を介して読み込
み、式（１０），（１１）で示したxa，xbを算出する
（ＳＴＥＰ１２０）。
【００６０】次に、ノイズデータ除去装置１５は、ＳＴ
ＥＰ１２０において算出したxa，xbに基づき、履歴デー
タから選択した番号の事象の値x がxa≦x ≦xbを満たす
かどうか判断し（ＳＴＥＰ１３０）、この条件を満たす
場合は（ＳＴＥＰ１３０“ＹＥＳ”）、全ての履歴デー
タの事象の番号を選択したかどうか判断する（ＳＴＥＰ
１４０）。
ＥＰ１２０において算出したxa，xbに基づき、履歴デー
タから選択した番号の事象の値x がxa≦x ≦xbを満たす
かどうか判断し（ＳＴＥＰ１３０）、この条件を満たす
場合は（ＳＴＥＰ１３０“ＹＥＳ”）、全ての履歴デー
タの事象の番号を選択したかどうか判断する（ＳＴＥＰ
１４０）。
【００６１】事象の値x がxa≦x ≦xbを満たさない場合
は（ＳＴＥＰ１３０“ＮＯ”）、事象の値x を除去し
（ＳＴＥＰ１５０）、ＳＴＥＰ１４０の処理を行なう。
は（ＳＴＥＰ１３０“ＮＯ”）、事象の値x を除去し
（ＳＴＥＰ１５０）、ＳＴＥＰ１４０の処理を行なう。
【００６２】ＳＴＥＰ１４０においてノイズデータ除去
装置１５は、全ての事象番号の選択を終了したと判断す
れば（ＳＴＥＰ１４０“ＹＥＳ”）、この除去方法の実
行を終了し、終了していないと判断すれば（ＳＴＥＰ１
４０“ＮＯ”）、ＳＴＥＰ１１０の処理に再帰する。
装置１５は、全ての事象番号の選択を終了したと判断す
れば（ＳＴＥＰ１４０“ＹＥＳ”）、この除去方法の実
行を終了し、終了していないと判断すれば（ＳＴＥＰ１
４０“ＮＯ”）、ＳＴＥＰ１１０の処理に再帰する。
【００６３】このような除去方法によりノイズの除去さ
れた履歴データだけがノイズデータ除去装置１５から出
力される。
れた履歴データだけがノイズデータ除去装置１５から出
力される。
【００６４】（５）データ合成演算装置 データ合成演算装置１６は、学習実行装置１４の学習に
使用される履歴データを合成演算するとともに、この合
成演算により算出されたデータを学習データとして学習
実行装置１４に出力するものである。また、データ合成
演算装置１６は、履歴データ記憶装置１１から出力され
る履歴データの数に基づきこの履歴データを学習データ
として採用するか否かを判断する。このデータ合成演算
装置１６による履歴データの合成演算方法を図４に基づ
き説明する。
使用される履歴データを合成演算するとともに、この合
成演算により算出されたデータを学習データとして学習
実行装置１４に出力するものである。また、データ合成
演算装置１６は、履歴データ記憶装置１１から出力され
る履歴データの数に基づきこの履歴データを学習データ
として採用するか否かを判断する。このデータ合成演算
装置１６による履歴データの合成演算方法を図４に基づ
き説明する。
【００６５】図４は、合成演算方法を示したフローチャ
ートである。まず、ノイズデータ除去装置１５からデー
タ合成演算装置１６に読み込まれた履歴データは、結論
に対する事象の値が結論番号、事象番号で示されるマト
リクスの形式で表現される。このマトリクス形式で表現
された事象の値の一例を表５に示す。
ートである。まず、ノイズデータ除去装置１５からデー
タ合成演算装置１６に読み込まれた履歴データは、結論
に対する事象の値が結論番号、事象番号で示されるマト
リクスの形式で表現される。このマトリクス形式で表現
された事象の値の一例を表５に示す。
【００６６】
【表５】 この表においては、結論番号毎の事象番号毎に事象の値
が示されている。
が示されている。
【００６７】データ合成演算装置１６は、以上のような
マトリクスにおいて示される結論番号を選択し（ＳＴＥ
Ｐ２１０）、選択された結論番号に対する事象番号を選
択する（ＳＴＥＰ２２０）。
マトリクスにおいて示される結論番号を選択し（ＳＴＥ
Ｐ２１０）、選択された結論番号に対する事象番号を選
択する（ＳＴＥＰ２２０）。
【００６８】次に、データ合成演算装置１６は、選択さ
れた複数の事象番号に示されている事象の値を合成し
（ＳＴＥＰ２３０）、合成された事象値を演算すること
によってこの事象値の最小値と最大値を算出し保存する
（ＳＴＥＰ２４０）。
れた複数の事象番号に示されている事象の値を合成し
（ＳＴＥＰ２３０）、合成された事象値を演算すること
によってこの事象値の最小値と最大値を算出し保存する
（ＳＴＥＰ２４０）。
【００６９】このＳＴＥＰ２４０において算出された最
小値と最大値が学習データであり、この学習データとし
て表５に対応したものの一例を表６に示す。
小値と最大値が学習データであり、この学習データとし
て表５に対応したものの一例を表６に示す。
【００７０】
【表６】 なお、この実施例では履歴データから選択された事象番
号が１つしか存在しない場合は、この選択された事象番
号の履歴データを学習データとして採用せず、ＳＴＥＰ
２３０，２４０の処理をデータ合成演算装置１６は行な
わない。
号が１つしか存在しない場合は、この選択された事象番
号の履歴データを学習データとして採用せず、ＳＴＥＰ
２３０，２４０の処理をデータ合成演算装置１６は行な
わない。
【００７１】さらに、ＳＴＥＰ２４０の処理後、データ
合成演算装置１６は、選択した全ての事象番号について
合成演算を終了したか否か判断し（ＳＴＥＰ２５０）、
終了したなら（ＳＴＥＰ２５０“ＹＥＳ”）、次のＳＴ
ＥＰ２６０に移行し、終了していないなら（ＳＴＥＰ２
５０“ＮＯ”）ＳＴＥＰ２２０に再帰する。
合成演算装置１６は、選択した全ての事象番号について
合成演算を終了したか否か判断し（ＳＴＥＰ２５０）、
終了したなら（ＳＴＥＰ２５０“ＹＥＳ”）、次のＳＴ
ＥＰ２６０に移行し、終了していないなら（ＳＴＥＰ２
５０“ＮＯ”）ＳＴＥＰ２２０に再帰する。
【００７２】ＳＴＥＰ２６０においてはＳＴＥＰ２５０
の処理と同様にして結論番号について終了判断を行な
い、終了していないなら（ＳＴＥＰ２６０“ＮＯ”）Ｓ
ＴＥＰ２１０に再帰し、終了したなら（ＳＴＥＰ２６０
“ＹＥＳ”）この合成演算方法を終了する。
の処理と同様にして結論番号について終了判断を行な
い、終了していないなら（ＳＴＥＰ２６０“ＮＯ”）Ｓ
ＴＥＰ２１０に再帰し、終了したなら（ＳＴＥＰ２６０
“ＹＥＳ”）この合成演算方法を終了する。
【００７３】以上のように、データ合成演算装置１６
は、履歴データを合成演算によって上記表３に示したよ
うな学習データに変換するとともに、履歴データの事象
の数に基づきこの履歴データを学習データとして採用す
るか否か判断する。
は、履歴データを合成演算によって上記表３に示したよ
うな学習データに変換するとともに、履歴データの事象
の数に基づきこの履歴データを学習データとして採用す
るか否か判断する。
【００７４】（６）データ数計数装置および知識ベース
重み設定装置 データ数計数装置１７は、履歴データ記憶装置１１から
学習実行装置１４に出力される履歴データの数を計数す
るものであり、また知識ベース重み設定装置１８は、デ
ータ数計数装置１７により計数された履歴データの数に
基づき知識ベース記憶装置に記憶されている知識ベース
に対して重みを設定するものである。
重み設定装置 データ数計数装置１７は、履歴データ記憶装置１１から
学習実行装置１４に出力される履歴データの数を計数す
るものであり、また知識ベース重み設定装置１８は、デ
ータ数計数装置１７により計数された履歴データの数に
基づき知識ベース記憶装置に記憶されている知識ベース
に対して重みを設定するものである。
【００７５】すなわち、データ数計数装置１７は、履歴
データ記憶装置１１から出力されてノイズデータ除去装
置１５に読み込まれる履歴データの数を計数するととも
に、この履歴データの数を後述する学習スケジュール管
理装置２３を介して知識ベース重み設定装置１８に報告
する。
データ記憶装置１１から出力されてノイズデータ除去装
置１５に読み込まれる履歴データの数を計数するととも
に、この履歴データの数を後述する学習スケジュール管
理装置２３を介して知識ベース重み設定装置１８に報告
する。
【００７６】履歴データ数の報告を受けた知識ベース重
み設定装置１８は、学習実行装置の項目（４）において
説明した重みw を設定する。
み設定装置１８は、学習実行装置の項目（４）において
説明した重みw を設定する。
【００７７】この重みw は、知識ベースを定義する専門
家の数n に対応して設定されるもので、専門家の数n に
比べ履歴データの数が多ければ重みw は小さく設定さ
れ、履歴データの数が少なければ大きく設定されるもの
である。なお、この重みw は、ユーザにより変更可能と
してもよい。
家の数n に対応して設定されるもので、専門家の数n に
比べ履歴データの数が多ければ重みw は小さく設定さ
れ、履歴データの数が少なければ大きく設定されるもの
である。なお、この重みw は、ユーザにより変更可能と
してもよい。
【００７８】（７）履歴データ作成装置および保守レポ
ート作成装置 履歴データ作成装置２０は、実際に生起した事象の結論
に関する参考情報を付加して履歴データを作成するもの
である。すなわち、履歴データ作成装置２０は、ユーザ
により参考情報入力装置１９を介して入力された実際に
生起した正しい結論と、この結論に対するユーザのコメ
ントとを履歴データとして作成するものである。この履
歴データ作成装置２０により作成された履歴データが履
歴データ記憶装置１１に記憶される。
ート作成装置 履歴データ作成装置２０は、実際に生起した事象の結論
に関する参考情報を付加して履歴データを作成するもの
である。すなわち、履歴データ作成装置２０は、ユーザ
により参考情報入力装置１９を介して入力された実際に
生起した正しい結論と、この結論に対するユーザのコメ
ントとを履歴データとして作成するものである。この履
歴データ作成装置２０により作成された履歴データが履
歴データ記憶装置１１に記憶される。
【００７９】保守レポート作成装置２１は、履歴データ
記憶装置１１に記憶された履歴データに基づき保守レポ
ートを作成するものである。すなわち、保守レポート作
成装置２１は、履歴データ記憶装置１１からコメントが
付加された履歴データを読み出し、この履歴データに基
づいて保守レポートを作成し、保守レポート出力装置２
２が保守レポートを印字または画面表示などにより出力
する。
記憶装置１１に記憶された履歴データに基づき保守レポ
ートを作成するものである。すなわち、保守レポート作
成装置２１は、履歴データ記憶装置１１からコメントが
付加された履歴データを読み出し、この履歴データに基
づいて保守レポートを作成し、保守レポート出力装置２
２が保守レポートを印字または画面表示などにより出力
する。
【００８０】（８）学習スケジュール管理装置 学習スケジュール管理装置２３は、学習実行装置１４、
ノイズデータ除去装置１５、データ合成演算装置１６、
データ数計数装置１７、知識ベース重み設定装置１８、
履歴データ作成装置２０、保守レポート作成装置２１、
および後述する近似推論装置２５に対して起動、停止の
タイミングを指示するとともに、学習実行装置１４の学
習スケジュールを管理するものである。
ノイズデータ除去装置１５、データ合成演算装置１６、
データ数計数装置１７、知識ベース重み設定装置１８、
履歴データ作成装置２０、保守レポート作成装置２１、
および後述する近似推論装置２５に対して起動、停止の
タイミングを指示するとともに、学習実行装置１４の学
習スケジュールを管理するものである。
【００８１】すなわち、学習スケジュール管理装置２３
は、各装置の起動，停止時に、この各装置との間で学習
設定記憶装置２４に記憶されているパラメータを送受信
するとともに、学習実行装置１４の学習に使用する学習
データ等をスケジュールに基づいて決定する。
は、各装置の起動，停止時に、この各装置との間で学習
設定記憶装置２４に記憶されているパラメータを送受信
するとともに、学習実行装置１４の学習に使用する学習
データ等をスケジュールに基づいて決定する。
【００８２】なお、このパラメータとは、一例として知
識ベース重み設定装置１８が設定する重みのことであ
り、学習設定記憶装置２４に予め記憶されているもので
もよいし、ユーザにより変更可能であるものでもよい。
識ベース重み設定装置１８が設定する重みのことであ
り、学習設定記憶装置２４に予め記憶されているもので
もよいし、ユーザにより変更可能であるものでもよい。
【００８３】（９）近似推論装置 近似推論装置２５は、知識ベース記憶装置１２に記憶さ
れた知識ベースを用いて与えられた事象にして結論を近
似推論するものであり、本実施例では、知識ベースに基
づいて導出されるMFにより近似推論する。
れた知識ベースを用いて与えられた事象にして結論を近
似推論するものであり、本実施例では、知識ベースに基
づいて導出されるMFにより近似推論する。
【００８４】すなわち、近似推論装置２５は、事象値入
力装置２６に入力された事象値を事象値バッファ２７を
介して読み込むとともに、この事象値をMFに適用するこ
とにより近似推論された結論値を算出し、この結論値が
結論値バッファ２８を介して結論値出力装置２９により
出力される。
力装置２６に入力された事象値を事象値バッファ２７を
介して読み込むとともに、この事象値をMFに適用するこ
とにより近似推論された結論値を算出し、この結論値が
結論値バッファ２８を介して結論値出力装置２９により
出力される。
【００８５】以上の構成、動作からなる第１実施例の知
識学習装置では、以下に列挙する効果が得られる。
識学習装置では、以下に列挙する効果が得られる。
【００８６】（１）センサ自体の故障などにより生ずる
ノイズを含んだ履歴データがノイズデータ除去装置１５
により除去され、ノイズを含まない履歴データを学習デ
ータとして学習実行装置１４が知識ベースを構築するの
で、知識ベースの改悪される可能性が少なくなる。
ノイズを含んだ履歴データがノイズデータ除去装置１５
により除去され、ノイズを含まない履歴データを学習デ
ータとして学習実行装置１４が知識ベースを構築するの
で、知識ベースの改悪される可能性が少なくなる。
【００８７】（２）推論結果の可能性が高い履歴データ
がデータ合成演算装置１６により学習データに変換さ
れ、この学習データを用いて学習実行装置１４が知識ベ
ースを構築するので、知識ベースの改悪される可能性が
少なくなる。
がデータ合成演算装置１６により学習データに変換さ
れ、この学習データを用いて学習実行装置１４が知識ベ
ースを構築するので、知識ベースの改悪される可能性が
少なくなる。
【００８８】（３）学習実行装置１４が繰り返し履歴デ
ータを用いても、履歴データ数に応じて知識ベース重み
設定装置１８により設定される重みの加重された知識ベ
ースを用いて履歴データを学習するので、この履歴デー
タが知識ベースに効果的に影響をおよぼす。
ータを用いても、履歴データ数に応じて知識ベース重み
設定装置１８により設定される重みの加重された知識ベ
ースを用いて履歴データを学習するので、この履歴デー
タが知識ベースに効果的に影響をおよぼす。
【００８９】（４）履歴データの数、すなわち結論に対
応する事象の数に基づきデータ合成演算装置１６がこの
履歴データを学習データとして採用するか否か判断し、
採用された学習データを用いて学習実行装置１４が知識
ベースを構築するので、事象の数の少ない結論に関する
知識ベースの改悪される可能性が少なくなる。
応する事象の数に基づきデータ合成演算装置１６がこの
履歴データを学習データとして採用するか否か判断し、
採用された学習データを用いて学習実行装置１４が知識
ベースを構築するので、事象の数の少ない結論に関する
知識ベースの改悪される可能性が少なくなる。
【００９０】（５）専門家が誰も定義しないような本来
困果関係のない履歴データを学習実行装置１４は学習デ
ータとして使用しないので、無意味な事象と結論の規則
が作成されない。
困果関係のない履歴データを学習実行装置１４は学習デ
ータとして使用しないので、無意味な事象と結論の規則
が作成されない。
【００９１】（６）ユーザからのコメント等の参考情報
を付加して履歴データ作成装置２０により作成された履
歴データを用いて保守レポート作成装置２１が保守レポ
ートを作成するので、利用価値の高い保守レポートに基
づく保守点検をすることができる。
を付加して履歴データ作成装置２０により作成された履
歴データを用いて保守レポート作成装置２１が保守レポ
ートを作成するので、利用価値の高い保守レポートに基
づく保守点検をすることができる。
【００９２】次に、本発明に係る知識学習装置の第２実
施例について図５ないし図７に基づき説明する。
施例について図５ないし図７に基づき説明する。
【００９３】第２実施例の知識学習装置は、その全体構
成が第１実施例と近似するものであるが、第１実施例で
示した知識ベース記憶装置１２が図５に示すように知識
ベースソース記憶部４１と知識ベースオブジェクト記憶
部４２により構成されるものであり、この知識ベースソ
ース記憶部４１から出力される知識ベースソースを読み
込むとともに、知識ベースオブジェクト記憶部４２から
出力される知識ベースオブジェクトを知識ベースオブジ
ェクトバッファ４６を介して読み込む整合性検査装置４
３が設けられている。
成が第１実施例と近似するものであるが、第１実施例で
示した知識ベース記憶装置１２が図５に示すように知識
ベースソース記憶部４１と知識ベースオブジェクト記憶
部４２により構成されるものであり、この知識ベースソ
ース記憶部４１から出力される知識ベースソースを読み
込むとともに、知識ベースオブジェクト記憶部４２から
出力される知識ベースオブジェクトを知識ベースオブジ
ェクトバッファ４６を介して読み込む整合性検査装置４
３が設けられている。
【００９４】さらに、接合性検査装置４３から出力され
る検査結果を整合性検査結果バッファ４４を介して読み
込む知識ベース修正装置４５が設けられており、この知
識ベース修正装置４５により修正された知識ベースは、
再び知識ベースオブジェクト記憶部４２に記憶されるよ
う構成されている。
る検査結果を整合性検査結果バッファ４４を介して読み
込む知識ベース修正装置４５が設けられており、この知
識ベース修正装置４５により修正された知識ベースは、
再び知識ベースオブジェクト記憶部４２に記憶されるよ
う構成されている。
【００９５】ここで、知識ベースソースとは、専門家の
知識に基づき定義された知識ベースのことで、その一例
として稼動機器の故障における事象と結論が定義された
知識ベースソースをマトリックス形式で表現したものを
表７に示す。
知識に基づき定義された知識ベースのことで、その一例
として稼動機器の故障における事象と結論が定義された
知識ベースソースをマトリックス形式で表現したものを
表７に示す。
【００９６】
【表７】 この表において、例えば油圧ポンプ不良である結論に対
し、事象が潤滑油の温度である事象の値を示す部分に
は、この事象の値である温度の最小値が６５℃で最大値
が８０℃と専門家A は定義づけている。
し、事象が潤滑油の温度である事象の値を示す部分に
は、この事象の値である温度の最小値が６５℃で最大値
が８０℃と専門家A は定義づけている。
【００９７】また、知識ベースオブジェクトとは、知識
ベースソースを近似推論の実行形式に変換した知識ベー
スのことで、知識ベースソースと事象、結論項目が同一
であるものである。
ベースソースを近似推論の実行形式に変換した知識ベー
スのことで、知識ベースソースと事象、結論項目が同一
であるものである。
【００９８】その一例として表７に対応してマトリック
ス形式で表現した知識ベースオブジェクトを表８に示
す。
ス形式で表現した知識ベースオブジェクトを表８に示
す。
【００９９】
【表８】 この表において、知識ベースオブジェクトはMFで表現さ
れているが、実際にはMFを算出するためのパラメータが
入っている。
れているが、実際にはMFを算出するためのパラメータが
入っている。
【０１００】この知識ベースオブジェクト記憶部４２に
記憶された知識ベースオブジェクトが学習実行装置１４
の学習により構築されるものである。
記憶された知識ベースオブジェクトが学習実行装置１４
の学習により構築されるものである。
【０１０１】次に、整合性検査装置４３による整合性検
査方法を図６に示すフローチャートに基づいて説明す
る。
査方法を図６に示すフローチャートに基づいて説明す
る。
【０１０２】この図において、知識ベースソースの事
象、結論の定義がユーザ等により変更された時、整合性
検査装置４３は、知識ベースソース記憶部４１から出力
される定義変更後の知識ベースソースの事象情報a と、
知識ベースオブジェクト記憶部４２から出力される知識
ベースオブジェクトの事象情報b とを読み込む。このa
とb を比較することによって修正あるいは付加する事象
を検出するとともに、この修正あるいは付加する事象情
報c を整合性検査結果バッファ４４に出力する（ＳＴＥ
Ｐ３１０）。
象、結論の定義がユーザ等により変更された時、整合性
検査装置４３は、知識ベースソース記憶部４１から出力
される定義変更後の知識ベースソースの事象情報a と、
知識ベースオブジェクト記憶部４２から出力される知識
ベースオブジェクトの事象情報b とを読み込む。このa
とb を比較することによって修正あるいは付加する事象
を検出するとともに、この修正あるいは付加する事象情
報c を整合性検査結果バッファ４４に出力する（ＳＴＥ
Ｐ３１０）。
【０１０３】また、整合性検査装置４３は、ＳＴＥＰ３
１０と同様に、事象情報a ，b それぞれを知識ベースソ
ース記憶部４１，知識ベースオブジエクト記憶部４２か
ら読み込み、このa とb を比較することによって削除す
る事象を検出するとともに、この削除する事象情報d を
整合性検査結果バッファ４４に出力する（ＳＴＥＰ３２
０）。
１０と同様に、事象情報a ，b それぞれを知識ベースソ
ース記憶部４１，知識ベースオブジエクト記憶部４２か
ら読み込み、このa とb を比較することによって削除す
る事象を検出するとともに、この削除する事象情報d を
整合性検査結果バッファ４４に出力する（ＳＴＥＰ３２
０）。
【０１０４】さらに、整合性検査装置４３は、ＳＴＥＰ
３１０、３２０と同様の処理を結論についても実行する
（ＳＴＥＰ３３０、３４０）。
３１０、３２０と同様の処理を結論についても実行する
（ＳＴＥＰ３３０、３４０）。
【０１０５】以上のような方法により定義変更された知
識ベースソースと既に構築されている知識ベースオブジ
ェクトとが整合性検査装置４３により整合性検査され
る。
識ベースソースと既に構築されている知識ベースオブジ
ェクトとが整合性検査装置４３により整合性検査され
る。
【０１０６】次に、知識ベース修正装置４５による知識
ベース修正方法を図７に示すフローチャートに基づいて
説明する。
ベース修正方法を図７に示すフローチャートに基づいて
説明する。
【０１０７】この図において、知識ベース修正装置４５
は、知識ベースオブジェクト記憶部４２から出力され知
識ベースオブジェクトバッファ４６を介して入力される
知識ベースオブジェクトの事象情報m と、整合性検査結
果バッファ４４から出力される知識ベースオブジェクト
から削除する事象情報n とを読み込むとともに、このm
とn とに基づき知識ベースオブジェクトの事象を削除し
た後、削除した事象情報p を出力する（ＳＴＥＰ４１
０）。
は、知識ベースオブジェクト記憶部４２から出力され知
識ベースオブジェクトバッファ４６を介して入力される
知識ベースオブジェクトの事象情報m と、整合性検査結
果バッファ４４から出力される知識ベースオブジェクト
から削除する事象情報n とを読み込むとともに、このm
とn とに基づき知識ベースオブジェクトの事象を削除し
た後、削除した事象情報p を出力する（ＳＴＥＰ４１
０）。
【０１０８】次に、知識ベース修正装置４５は、削除さ
れた事象情報p を読み込むとともに、整合性検査結果バ
ッファ４４から出力される知識ベースオブジェクトに付
加または修正する事象情報r を読み込んで、このp とr
に基づき知識ベースオブジェクトに事象を付加または修
正する（ＳＴＥＰ４２０）。
れた事象情報p を読み込むとともに、整合性検査結果バ
ッファ４４から出力される知識ベースオブジェクトに付
加または修正する事象情報r を読み込んで、このp とr
に基づき知識ベースオブジェクトに事象を付加または修
正する（ＳＴＥＰ４２０）。
【０１０９】付加または修正された事象情報s は、知識
ベースオブジェクトバッファ４６を介して知識ベースオ
ブジェクト記憶部４２に記憶される。
ベースオブジェクトバッファ４６を介して知識ベースオ
ブジェクト記憶部４２に記憶される。
【０１１０】また、知識ベース修正装置４５は、結論に
ついてもＳＴＥＰ４１０、４２０と同様の処理により結
論の削除、付加または修正をする（ＳＴＥＰ４３０，４
４０）。
ついてもＳＴＥＰ４１０、４２０と同様の処理により結
論の削除、付加または修正をする（ＳＴＥＰ４３０，４
４０）。
【０１１１】以上のような知識ベース修正装置の修正方
法により既に構築されている知識ベースが修正される。
法により既に構築されている知識ベースが修正される。
【０１１２】以上の構成、動作からなる第２実施例の知
識学習装置では、上記第１実施例と同様の効果が得られ
るとともに、専門家により知識ベースソースの事象と結
論に関する定義が変更されても、既に構築されている知
識ベースオブジェクトが定義変更後の知識ベースソース
と整合性検査されて修正されるので、既に構築されてい
る知識ベースオブジェクトを放棄することなく効率的な
学習を行うことができる。
識学習装置では、上記第１実施例と同様の効果が得られ
るとともに、専門家により知識ベースソースの事象と結
論に関する定義が変更されても、既に構築されている知
識ベースオブジェクトが定義変更後の知識ベースソース
と整合性検査されて修正されるので、既に構築されてい
る知識ベースオブジェクトを放棄することなく効率的な
学習を行うことができる。
【０１１３】
【発明の効果】以上の説明から明らかなように、請求項
１記載の発明によれば、ノイズを含んだ履歴データが除
去された後、ノイズを含まない履歴データを用いた学習
により知識ベースが構築されるので、知識ベースの改悪
される可能性が少なくなる。
１記載の発明によれば、ノイズを含んだ履歴データが除
去された後、ノイズを含まない履歴データを用いた学習
により知識ベースが構築されるので、知識ベースの改悪
される可能性が少なくなる。
【０１１４】また、請求項２記載の発明によれば、推論
結果の可能性が高い履歴データが合成演算によって学習
データに変換され、この学習データを用いた学習により
知識ベースが構築されるので、知識ベースの改悪される
可能性が少なくなる。
結果の可能性が高い履歴データが合成演算によって学習
データに変換され、この学習データを用いた学習により
知識ベースが構築されるので、知識ベースの改悪される
可能性が少なくなる。
【０１１５】また、請求項３記載の発明によれば、履歴
データの数に応じて設定される重みの加重された知識ベ
ースを用いて履歴データを学習するので、繰り返し履歴
データを用いて学習を行なってもこの履歴データが知識
ベースに効果的に影響をおよぼす。
データの数に応じて設定される重みの加重された知識ベ
ースを用いて履歴データを学習するので、繰り返し履歴
データを用いて学習を行なってもこの履歴データが知識
ベースに効果的に影響をおよぼす。
【０１１６】また、請求項４記載の発明によれば、履歴
データの数に基づきこの履歴データを学習データとして
採用するか否かを判断し、採用された学習データを用い
て知識ベースが構築されるので、少ない数の専門家によ
り定義されている知識ベースの改悪される可能性が少な
くなる。
データの数に基づきこの履歴データを学習データとして
採用するか否かを判断し、採用された学習データを用い
て知識ベースが構築されるので、少ない数の専門家によ
り定義されている知識ベースの改悪される可能性が少な
くなる。
【０１１７】また、請求項５記載の発明によれば、専門
家が誰も定義しないような本来因果関係のない履歴デー
タを学習データとして用いないので、無意味な事象と結
論のルールが作成されない。
家が誰も定義しないような本来因果関係のない履歴デー
タを学習データとして用いないので、無意味な事象と結
論のルールが作成されない。
【０１１８】
【０１１９】
【０１２０】また、請求項６記載の発明では、改悪され
た可能性の少ない知識ベースを基にして与えられた事象
に対し近似推論するので、推論結果の正しい可能性の高
い結論が導かれる。また、効率的な学習により構築され
た知識ベースを基にして近似推論するので、その近似推
論も効率的に行なうことができる。
た可能性の少ない知識ベースを基にして与えられた事象
に対し近似推論するので、推論結果の正しい可能性の高
い結論が導かれる。また、効率的な学習により構築され
た知識ベースを基にして近似推論するので、その近似推
論も効率的に行なうことができる。
【図１】本発明に係る知識学習装置の第１実施例の全体
構成を示したブロック図。
構成を示したブロック図。
【図２】ノイズデータ除去装置において表現されるメン
バーシップ関数を示した図。
バーシップ関数を示した図。
【図３】ノイズデータ除去装置によるノイズデータの除
去方法を示したフローチャート。
去方法を示したフローチャート。
【図４】データ合成演算装置による履歴データの合成演
算方法を示したフローチャート。
算方法を示したフローチャート。
【図５】本発明に係る知識学習装置の第２実施例の一部
構成を示したブロック図。
構成を示したブロック図。
【図６】整合性検査装置による知識ベースの整合性検査
方法を示したフローチャート。
方法を示したフローチャート。
【図７】知識ベース修正装置による知識ベースの修正方
法を示したフローチャート。
法を示したフローチャート。
１１ 履歴データ記憶装置 １２ 知識ベース記憶装置 １４ 学習実行装置 １５ ノイズデータ除去装置（ノイズデータ除去手段） １６ データ合成演算装置（データ合成演算手段，学習
データ採用手段） １７ データ数計数装置（データ数計数手段） １８ 知識ベース重み設定装置（知識ベース重み設定手
段） １９ 参考情報入力装置 ２０ 履歴データ作成装置（履歴データ作成手段） ２１ 保守レポート作成装置（保守レポート作成手段） ２２ 保守レポート出力装置 ２３ 学習スケジュール管理装置 ２４ 学習設定記憶装置 ２５ 近似推論装置（近似推論手段） ２６ 事象値入力装置 ２９ 結論値出力装置 ４１ 知識ベースソース記憶部 ４２ 知識ベースオブジェクト記憶部 ４３ 整合性検査装置（整合性検査手段） ４５ 知識ベース修正装置（知識ベース修正手段）
データ採用手段） １７ データ数計数装置（データ数計数手段） １８ 知識ベース重み設定装置（知識ベース重み設定手
段） １９ 参考情報入力装置 ２０ 履歴データ作成装置（履歴データ作成手段） ２１ 保守レポート作成装置（保守レポート作成手段） ２２ 保守レポート出力装置 ２３ 学習スケジュール管理装置 ２４ 学習設定記憶装置 ２５ 近似推論装置（近似推論手段） ２６ 事象値入力装置 ２９ 結論値出力装置 ４１ 知識ベースソース記憶部 ４２ 知識ベースオブジェクト記憶部 ４３ 整合性検査装置（整合性検査手段） ４５ 知識ベース修正装置（知識ベース修正手段）
───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.7，ＤＢ名) G06F 9/44 G05B 13/02 G06N 3/00 - 5/04
Claims (6)
- 【請求項１】 生起した事象と結論との関係を表わした
履歴データを記憶する履歴データ記憶装置、専門家の知
識に基づき定義された事象と結論との関係を表わす知識
ベースや、学習により構築された知識ベースを記憶する
知識ベース記憶装置、および上記履歴データを学習デー
タとして学習することにより既に構築されている上記知
識ベースを再構築する学習実行装置とからなる知識学習
装置において、 上記学習実行装置の学習に使用される履歴データから、
上記既に構築されている知識ベースに適合しないノイズ
を含んだ履歴データを除去するノイズデータ除去手段を
具備することを特徴とする知識学習装置。 - 【請求項２】 生起した事象と結論との関係を表わした
履歴データを記憶する履歴データ記憶装置、専門家の知
識に基づき定義された事象と結論との関係を表わす知識
ベースや、学習により構築された知識ベースを記憶する
知識ベース記憶装置、および上記履歴データを学習デー
タとして学習することにより既に構築されている上記知
識ベースを再構築する学習実行装置とからなる知識学習
装置において、 上記学習実行装置の学習に使用される履歴データを合成
演算するとともに、この合成演算により算出されたデー
タを学習データとして出力するデータ合成演算手段を具
備することを特徴とする知識学習装置。 - 【請求項３】 生起した事象と結論との関係を表わした
履歴データを記憶する履歴データ記憶装置、専門家の知
識に基づき定義された事象と結論との関係を表わす知識
ベースや、学習により構築された知識ベースを記憶する
知識ベース記憶装置、および上記履歴データを学習デー
タとして学習することにより既に構築されている上記知
識ベースを再構築する学習実行装置とからなる知識学習
装置において、 上記履歴データ記憶装置から学習実行装置に出力される
履歴データの数を計数するデータ数計数手段と、 上記データ数計数手段により計数された履歴データの数
に基づき上記知識ベース記憶装置に記憶されている知識
ベースに対して重みを設定する知識ベース重み設定手段
と、 を具備することを特徴とする知識学習装置。 - 【請求項４】 生起した事象と結論との関係を表わした
履歴データを記憶する履歴データ記憶装置、専門家の知
識に基づき定義された事象と結論との関係を表わす知識
ベースや、学習により構築された知識ベースを記憶する
知識ベース記憶装置、および上記履歴データを学習デー
タとして学習することにより既に構築されている上記知
識ベースを再構築する学習実行装置とからなる知識学習
装置において、 上記履歴データ記憶装置から学習実行装置に出力される
履歴データの数に基づき履歴データを学習データとして
採用するか否かを判断する学習データ採用手段を具備す
ることを特徴とする知識学習装置。 - 【請求項５】 生起した事象と結論との関係を表わした
履歴データを記憶する履歴データ記憶装置、専門家の知
識に基づき定義された事象と結論との関係を表わす知識
ベースや、学習により構築された知識ベースを記憶する
知識ベース記憶装置、および上記履歴データを学習デー
タとして学習することにより既に構築されている上記知
識ベースを再構築する学習実行装置とからなる知識学習
装置において、 上記学習実行装置が学習データを用いて既に構築されて
いる知識ベースを再構築する際、上記専門家の知識に基
づき定義された知識ベースのみについて上記学習実行装
置が再構築することを特徴とする知識学習装置。 - 【請求項６】 上記学習実行装置の学習データを用いた
学習により構築され上記知識ベース記憶装置に記憶され
た知識ベース、または構築後上記知識ベース修正手段に
より修正され上記知識ベース記憶装置に記憶された知識
ベースを用いて、与えられた事象に対して結論を近似推
論する近似推論手段を具備することを特徴とする請求項
１，２，３，４または５記載の知識学習装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP04012404A JP3129342B2 (ja) | 1992-01-27 | 1992-01-27 | 知識学習装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP04012404A JP3129342B2 (ja) | 1992-01-27 | 1992-01-27 | 知識学習装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH05204650A JPH05204650A (ja) | 1993-08-13 |
| JP3129342B2 true JP3129342B2 (ja) | 2001-01-29 |
Family
ID=11804324
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP04012404A Expired - Lifetime JP3129342B2 (ja) | 1992-01-27 | 1992-01-27 | 知識学習装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3129342B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20060155660A1 (en) * | 2001-02-05 | 2006-07-13 | Takamasa Koshizen | Agent learning apparatus, method and program |
| WO2018207649A1 (ja) * | 2017-05-11 | 2018-11-15 | 日本電気株式会社 | 推論システム |
-
1992
- 1992-01-27 JP JP04012404A patent/JP3129342B2/ja not_active Expired - Lifetime
Also Published As
| Publication number | Publication date |
|---|---|
| JPH05204650A (ja) | 1993-08-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7925608B2 (en) | Fault diagnostics | |
| US20190355471A1 (en) | Control method and reinforcement learning for medical system | |
| JP2014203228A (ja) | プロジェクト管理支援システム | |
| JP3211241B2 (ja) | 近似推論装置 | |
| CN115497616A (zh) | 一种感染性疾病辅助决策的方法、系统、设备及存储介质 | |
| CN114816901A (zh) | 通过ai的方式对软件变更后的健康状态进行评估的方法 | |
| JP6492555B2 (ja) | 異常診断方法、異常診断装置及び異常診断プログラム | |
| JP3129342B2 (ja) | 知識学習装置 | |
| WO2022134353A1 (zh) | 硬件状态检测方法、装置、计算机设备及存储介质 | |
| JPWO2020157927A1 (ja) | 診断システムおよび診断方法 | |
| JP2006235961A (ja) | コンピュータ及び関連機器の障害保険サービスシステム | |
| Liu et al. | Graphical diagnostics to check model misspecification for the proportional odds regression model | |
| JPH10143343A (ja) | 連想型プラント異常診断装置 | |
| Sessions et al. | Towards a method for data accuracy assessment utilizing a bayesian network learning algorithm | |
| CN115391148A (zh) | 异常检测方法和装置 | |
| Whitney et al. | Bayesian networks for social modeling | |
| JP3211236B2 (ja) | 近似推論のための知識自動修正装置 | |
| CN112798949A (zh) | 一种抽水蓄能机组发电机温度预警方法和系统 | |
| JP2778888B2 (ja) | プラント異常診断装置 | |
| JPH06139073A (ja) | 決定木形式の診断知識を用いた診断装置 | |
| CN112133429B (zh) | 诊疗预测方法及装置、计算机设备及计算机可读存储介质 | |
| CN112380204B (zh) | 一种数据质量的评估方法及装置 | |
| JPH07262014A (ja) | 診断型エキスパートシステム | |
| JP7299881B2 (ja) | 医用イメージングデバイスの信頼性を向上するためのシステム及び方法 | |
| JP2004164152A (ja) | 進捗状況に基づく品質管理処理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20001018 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071117 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081117 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081117 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091117 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101117 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101117 Year of fee payment: 10 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111117 Year of fee payment: 11 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121117 Year of fee payment: 12 |
|
| EXPY | Cancellation because of completion of term | ||
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121117 Year of fee payment: 12 |