JP3182169B2 - 故障診断方法 - Google Patents
故障診断方法Info
- Publication number
- JP3182169B2 JP3182169B2 JP18719191A JP18719191A JP3182169B2 JP 3182169 B2 JP3182169 B2 JP 3182169B2 JP 18719191 A JP18719191 A JP 18719191A JP 18719191 A JP18719191 A JP 18719191A JP 3182169 B2 JP3182169 B2 JP 3182169B2
- Authority
- JP
- Japan
- Prior art keywords
- diagnosis
- cases
- information
- case
- cause
- 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
- Test And Diagnosis Of Digital Computers (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、機器の故障診断に用い
られる診断型エキスパートシステムによる故障診断方法
に関する。
られる診断型エキスパートシステムによる故障診断方法
に関する。
【０００２】
【従来の技術】一般に、機器の故障診断においては、獲
得可能な情報、即ち観測可能である情報だけでは本質的
に原因を唯一に決定できない診断対象の場合、獲得可能
な情報から考えられる故障原因とその可能性の大きさと
を推定することが重要となる。このような問題に対して
従来の診断型エキスパートシステムでは、診断のための
ルールにその信頼性であるところの確信度を付与するこ
とにより対処しており、この確信度は知識提供者である
専門家が判断し、その値を決定するようにしている。
得可能な情報、即ち観測可能である情報だけでは本質的
に原因を唯一に決定できない診断対象の場合、獲得可能
な情報から考えられる故障原因とその可能性の大きさと
を推定することが重要となる。このような問題に対して
従来の診断型エキスパートシステムでは、診断のための
ルールにその信頼性であるところの確信度を付与するこ
とにより対処しており、この確信度は知識提供者である
専門家が判断し、その値を決定するようにしている。
【０００３】
【発明が解決しようとする課題】しかし、このような確
信度の値は知識提供者が必ずしも明確な値で矛盾なく決
定できるわけではないため、正確な値の獲得が困難であ
り、このために知識の獲得の障害となっている。
信度の値は知識提供者が必ずしも明確な値で矛盾なく決
定できるわけではないため、正確な値の獲得が困難であ
り、このために知識の獲得の障害となっている。
【０００４】特に、診断状況に関して得られている全て
の情報が一致する事例を事例データベースから選択する
と、診断には無関係な情報をも抽出条件としてしまい、
不必要に考慮事例数を減らして原因確率分布推定の正当
性を下げてしまうことになる。
の情報が一致する事例を事例データベースから選択する
と、診断には無関係な情報をも抽出条件としてしまい、
不必要に考慮事例数を減らして原因確率分布推定の正当
性を下げてしまうことになる。
【０００５】即ち、診断型エキスパートシステムにおけ
る知識獲得の軽減と、システムの柔軟性、信頼性の向上
とが要望される。
る知識獲得の軽減と、システムの柔軟性、信頼性の向上
とが要望される。
【０００６】
【課題を解決するための手段】請求項１記載の発明で
は、診断に関係する情報を外部に質問するための質問発
生機構と、過去の事例を蓄積するための事例データベー
スとを有し、各診断毎にその際の入力情報と診断後に得
られる実際の故障原因との組を事例として前記事例デー
タベースに保存し、以降の診断において前記事例データ
ベースにおける故障原因の頻度分布から現在の状況の故
障原因を推定するようにした診断型エキスパートシステ
ムによる故障診断方法において、新たな診断状況と類似
性の高い複数の事例を前記事例データベースから抽出
し、抽出された事例の集合における原因の頻度分布を基
に新たな診断状況についての原因候補の確率分布を推定
するようにし、事例間及び事例と新たな診断状況との間
の類似性を、両者がともに持つ、原因の推定に有効な情
報の量により定義し、各情報の有効性自体を事例データ
ベースに保存された事例集合中から動的に決定するよう
にし、情報の有効性を、原因候補の確率分布に対する影
響度で定義し、与えられた事例集合内の事例をその情報
値により弁別した場合の、元の集合での原因候補の確率
分布と弁別の結果得られる部分集合での原因候補の確率
分布との差により、情報の有効性を判定するようにし
た。
は、診断に関係する情報を外部に質問するための質問発
生機構と、過去の事例を蓄積するための事例データベー
スとを有し、各診断毎にその際の入力情報と診断後に得
られる実際の故障原因との組を事例として前記事例デー
タベースに保存し、以降の診断において前記事例データ
ベースにおける故障原因の頻度分布から現在の状況の故
障原因を推定するようにした診断型エキスパートシステ
ムによる故障診断方法において、新たな診断状況と類似
性の高い複数の事例を前記事例データベースから抽出
し、抽出された事例の集合における原因の頻度分布を基
に新たな診断状況についての原因候補の確率分布を推定
するようにし、事例間及び事例と新たな診断状況との間
の類似性を、両者がともに持つ、原因の推定に有効な情
報の量により定義し、各情報の有効性自体を事例データ
ベースに保存された事例集合中から動的に決定するよう
にし、情報の有効性を、原因候補の確率分布に対する影
響度で定義し、与えられた事例集合内の事例をその情報
値により弁別した場合の、元の集合での原因候補の確率
分布と弁別の結果得られる部分集合での原因候補の確率
分布との差により、情報の有効性を判定するようにし
た。
【０００７】
【０００８】
【０００９】
【００１０】
【作用】本発明によれば、新たな診断状況と類似性の高
い複数の事例を事例データベースから抽出することによ
り、過去の経験の蓄積から確率を推定するための類似事
例の集合を形成し、このような集合における原因の頻度
分布を推定に利用するようにしたので、診断に有効な情
報の一致しか考慮しないものとなり、推定の精度が不必
要に落ちるのが防止される。即ち、蓄積された過去の経
験であるところの事例から知識とは独立して推定するも
のとなる。
い複数の事例を事例データベースから抽出することによ
り、過去の経験の蓄積から確率を推定するための類似事
例の集合を形成し、このような集合における原因の頻度
分布を推定に利用するようにしたので、診断に有効な情
報の一致しか考慮しないものとなり、推定の精度が不必
要に落ちるのが防止される。即ち、蓄積された過去の経
験であるところの事例から知識とは独立して推定するも
のとなる。
【００１１】
【００１２】
【実施例】本発明の一実施例を図面に基づいて説明す
る。まず、本発明の概要について説明する。本発明は、
基本的には、過去の経験の蓄積から確率を推定するため
に類似事例の集合を形成し、このような集合での故障原
因の頻度分布を推定に利用しており、類似事例の集合を
「ルール」と見做すと、確率分布推定のためのルールを
生成するシステムとして把握することもできるものであ
る。事例や例題から新たなルールを獲得する研究は、人
工知能の機械学習という分野で研究されており、同じ状
況と考えられる複数の事実を一般化し、ルールを作る
「帰納推論」や、１回の推論や診断をそれらが成り立つ
範囲で一般化し、推論過程を１つのルールにまとめて効
率を向上させる「分類に基づく学習」等がある。特に、
「分類に基づく学習」と呼ばれる分野では、与えられた
評価基準に対しオブジェクトの集合から最適に階層化さ
れたグループを生成する手法についての研究がなされて
いる。しかし、これらの研究の多くは、事象間の関係を
決定的に表現するルールを獲得することを目的としてお
り、「確率の推定のためのルール」を獲得するようにし
た本発明とは目的が異なるものである。
る。まず、本発明の概要について説明する。本発明は、
基本的には、過去の経験の蓄積から確率を推定するため
に類似事例の集合を形成し、このような集合での故障原
因の頻度分布を推定に利用しており、類似事例の集合を
「ルール」と見做すと、確率分布推定のためのルールを
生成するシステムとして把握することもできるものであ
る。事例や例題から新たなルールを獲得する研究は、人
工知能の機械学習という分野で研究されており、同じ状
況と考えられる複数の事実を一般化し、ルールを作る
「帰納推論」や、１回の推論や診断をそれらが成り立つ
範囲で一般化し、推論過程を１つのルールにまとめて効
率を向上させる「分類に基づく学習」等がある。特に、
「分類に基づく学習」と呼ばれる分野では、与えられた
評価基準に対しオブジェクトの集合から最適に階層化さ
れたグループを生成する手法についての研究がなされて
いる。しかし、これらの研究の多くは、事象間の関係を
決定的に表現するルールを獲得することを目的としてお
り、「確率の推定のためのルール」を獲得するようにし
た本発明とは目的が異なるものである。
【００１３】ちなみに、経験の数により挙動変化を引き
起こすという点では、ニューラルネットワーク等の神経
回路モデルも共通性を有するといえる。即ち、ニューラ
ルネットワーク技術は、訓練や経験によりその内部構造
が連続的に変化するものである。つまり、前述した研究
報告等に示される従来の技術が能力の向上を決定的なル
ールの生成という形で実現するのに対し、本発明やニュ
ーラルネットワークは内部のパラメータの獲得という形
で学習が行われるものとなる。
起こすという点では、ニューラルネットワーク等の神経
回路モデルも共通性を有するといえる。即ち、ニューラ
ルネットワーク技術は、訓練や経験によりその内部構造
が連続的に変化するものである。つまり、前述した研究
報告等に示される従来の技術が能力の向上を決定的なル
ールの生成という形で実現するのに対し、本発明やニュ
ーラルネットワークは内部のパラメータの獲得という形
で学習が行われるものとなる。
【００１４】以下、図面を参照して説明する。まず、図
１は診断型エキスパートシステム全体を示す概略ブロッ
ク図であり、基本的には、マウス１等による入力装置、
ディスプレイ装置２等による出力装置、質問発生機構と
しての質問発生部３が接続されたユーザインターフェー
ス４と、事例学習部５とよりなる。質問発生部３は診断
対象及びその使用状況に関する情報をユーザ（外部）か
ら得るための質問を生成するものである。事例学習部５
は、過去の診断の経験を蓄積し、新たな問題解決時に、
得られた情報から類似な蓄積事例の集合を検索し、その
集合内の各事例における原因の確率分布を出力する。
１は診断型エキスパートシステム全体を示す概略ブロッ
ク図であり、基本的には、マウス１等による入力装置、
ディスプレイ装置２等による出力装置、質問発生機構と
しての質問発生部３が接続されたユーザインターフェー
ス４と、事例学習部５とよりなる。質問発生部３は診断
対象及びその使用状況に関する情報をユーザ（外部）か
ら得るための質問を生成するものである。事例学習部５
は、過去の診断の経験を蓄積し、新たな問題解決時に、
得られた情報から類似な蓄積事例の集合を検索し、その
集合内の各事例における原因の確率分布を出力する。
【００１５】より詳細には、まず、質問発生部３では診
断に関係あると思われる情報をユーザに質問する。発生
のアルゴリズムは、予め決められた項目を何らかの順番
で質問するようにしてもよく、又は、専門家の知識を使
い得られている情報によって質問の内容を変化させるよ
うにしてもよい。さらには、蓄積された過去の事例から
有効と考えられる情報を判定し、質問するようにしても
よい。
断に関係あると思われる情報をユーザに質問する。発生
のアルゴリズムは、予め決められた項目を何らかの順番
で質問するようにしてもよく、又は、専門家の知識を使
い得られている情報によって質問の内容を変化させるよ
うにしてもよい。さらには、蓄積された過去の事例から
有効と考えられる情報を判定し、質問するようにしても
よい。
【００１６】次に、事例学習部５について説明する。診
断の開始から診断結果を利用者に提示し、利用者がそれ
に基づき真の故障原因を確かめ、それがシステムに報告
されるまでを１回の経験とすると、事例学習部５では各
経験毎の入力情報と利用者から報告される実際の故障原
因との組を１つの事例として蓄積し、新たな診断の際
に、得られている情報から判断して過去の類似な事例を
抽出し、故障原因の予測を行うものである。このような
事例学習部５は、事例データベース６と事例クラスネッ
トワーク７と事例ベースマネージャ８とからなる。
断の開始から診断結果を利用者に提示し、利用者がそれ
に基づき真の故障原因を確かめ、それがシステムに報告
されるまでを１回の経験とすると、事例学習部５では各
経験毎の入力情報と利用者から報告される実際の故障原
因との組を１つの事例として蓄積し、新たな診断の際
に、得られている情報から判断して過去の類似な事例を
抽出し、故障原因の予測を行うものである。このような
事例学習部５は、事例データベース６と事例クラスネッ
トワーク７と事例ベースマネージャ８とからなる。
【００１７】事例データベース６は、１回の診断過程で
入力された情報と実際の故障原因とが組となり事例とし
て保存するものである。これらの入力情報の各々は、例
えば図２に示すように、「質問」と「答え」という形で
保存される。また、事例ベースマネージャ８中の事象管
理機構９により（質問，答え）の対に識別子が与えられ
る。この識別子を「事象識別子」という。同じ質問に対
して答えが同じ時に同一の事象識別子が与えられる。事
例は、与えられた事象識別子の集合でインデックス付け
される。各事例はこのインデックスを付与されて事例デ
ータベース６に登録される。図２の図示例では、「ｉｎ
ｄｅｘ ｉ−１０２，ｉ−２０３，ｉ−４０２，ｉ−５
０２，…」とされている。この時、各事例にはインデッ
クスとは別に固有の事例識別番号、図示例では、「事例
１０５６７」が付与される。
入力された情報と実際の故障原因とが組となり事例とし
て保存するものである。これらの入力情報の各々は、例
えば図２に示すように、「質問」と「答え」という形で
保存される。また、事例ベースマネージャ８中の事象管
理機構９により（質問，答え）の対に識別子が与えられ
る。この識別子を「事象識別子」という。同じ質問に対
して答えが同じ時に同一の事象識別子が与えられる。事
例は、与えられた事象識別子の集合でインデックス付け
される。各事例はこのインデックスを付与されて事例デ
ータベース６に登録される。図２の図示例では、「ｉｎ
ｄｅｘ ｉ−１０２，ｉ−２０３，ｉ−４０２，ｉ−５
０２，…」とされている。この時、各事例にはインデッ
クスとは別に固有の事例識別番号、図示例では、「事例
１０５６７」が付与される。
【００１８】次に、事例クラスネットワーク７には、図
３に示すように類似事例の集合である「クラス」とその
間の「関係」とが保持される。事例は、類似なものがグ
ループ化されてクラスを構成する。各事例には一つの故
障原因が記録されており、事例の集合、すなわちクラス
における原因の確率分布は、その集合に属する事例を故
障原因別に集計し、各故障原因を持つ事例の数を集合中
の全事例の個数で割ったものになる。たとえばクラスが
１００個の事例を含み、その中の５０個が故障原因とし
て「定着ローラ／汚れ」を持ち、別の３０個は「OPC／
傷」を持ち、残りの２０個が「コンタクトガラス／傷」
を原因として持つとすると、そのクラスの原因確率分布
は「定着ローラ／汚れ」：５０％、「OPC／傷」：３０
％、「コンタクトガラス／傷」：２０％となる。クラス
は、幾つかの事象識別子の連言を必要条件として持ち、
この条件に示された事象識別子を全て持つ事例がクラス
に属することになる。この条件を「事象条件」と呼ぶ。
一般に、クラスの持つ事象条件の間には条件の厳しさに
より、「半順序関係」があり、これにより、クラス間に
は「束構造の階層関係」が存在する。例えば、図３中に
示す例では、クラス（ｉ１０２）はクラス（ｉ１０２，
ｉ２０３，ｉ４０）の親又は祖先となる。最上位のクラ
ス（φ）には全ての事例が属する。ここに、クラスは、
事象条件を満足するという観点では類似な事例の集合で
あり、クラスの事象条件としてどのようなものを認める
かによって、「類似性」を定義することができる。ここ
では、親のクラスにおける事例集合から、ある条件を満
足するものだけを抽出して集合を作った時に、その集合
における各事例が持つ故障原因の確率分布が親のクラス
における原因の確率分布と大きく異なる時に、その条件
を原因推定に有効な条件と考え、親のクラスの条件に新
たな条件を加えて新しいクラスを生成させるようにし
た。これにより原因の推定に有効な情報を動的に決定す
るとともに、これらの情報を元に類似性を定義すること
を可能としている。
３に示すように類似事例の集合である「クラス」とその
間の「関係」とが保持される。事例は、類似なものがグ
ループ化されてクラスを構成する。各事例には一つの故
障原因が記録されており、事例の集合、すなわちクラス
における原因の確率分布は、その集合に属する事例を故
障原因別に集計し、各故障原因を持つ事例の数を集合中
の全事例の個数で割ったものになる。たとえばクラスが
１００個の事例を含み、その中の５０個が故障原因とし
て「定着ローラ／汚れ」を持ち、別の３０個は「OPC／
傷」を持ち、残りの２０個が「コンタクトガラス／傷」
を原因として持つとすると、そのクラスの原因確率分布
は「定着ローラ／汚れ」：５０％、「OPC／傷」：３０
％、「コンタクトガラス／傷」：２０％となる。クラス
は、幾つかの事象識別子の連言を必要条件として持ち、
この条件に示された事象識別子を全て持つ事例がクラス
に属することになる。この条件を「事象条件」と呼ぶ。
一般に、クラスの持つ事象条件の間には条件の厳しさに
より、「半順序関係」があり、これにより、クラス間に
は「束構造の階層関係」が存在する。例えば、図３中に
示す例では、クラス（ｉ１０２）はクラス（ｉ１０２，
ｉ２０３，ｉ４０）の親又は祖先となる。最上位のクラ
ス（φ）には全ての事例が属する。ここに、クラスは、
事象条件を満足するという観点では類似な事例の集合で
あり、クラスの事象条件としてどのようなものを認める
かによって、「類似性」を定義することができる。ここ
では、親のクラスにおける事例集合から、ある条件を満
足するものだけを抽出して集合を作った時に、その集合
における各事例が持つ故障原因の確率分布が親のクラス
における原因の確率分布と大きく異なる時に、その条件
を原因推定に有効な条件と考え、親のクラスの条件に新
たな条件を加えて新しいクラスを生成させるようにし
た。これにより原因の推定に有効な情報を動的に決定す
るとともに、これらの情報を元に類似性を定義すること
を可能としている。
【００１９】また、事例ベースマネージャ８は事例登録
機構１０と診断機構１１と事象管理機構９とよりなり、
事例の蓄積と利用を管理する。まず、事例登録機構１０
は新たな事例の追加時に、事例データベース６への事例
の登録を行い、かつ、既存クラスへの事例の追加と事例
クラスネットワーク７の変更を行う。また、診断機構１
１は診断時に得られている情報から診断状況が満足する
ような事例クラスを、事例クラスネットワーク７から選
択し、その事例クラスを用いて診断を行う。さらに、事
象管理機構９では、各質問に対するユーザからの入力
は、（質問，応答値）の形（これを、事象と呼ぶ）で管
理する。新たな（質問，応答値）の組が発生する毎に、
事象管理機構９により識別のための符号（事象識別子）
が与えられる。事象管理機構９は（質問，応答値）の組
を受取り、それらの組合せに対して以前に事象識別子が
与えられている場合にはその識別子を返し、新たな組に
対しては新しい識別子を決定し、その値を返す。
機構１０と診断機構１１と事象管理機構９とよりなり、
事例の蓄積と利用を管理する。まず、事例登録機構１０
は新たな事例の追加時に、事例データベース６への事例
の登録を行い、かつ、既存クラスへの事例の追加と事例
クラスネットワーク７の変更を行う。また、診断機構１
１は診断時に得られている情報から診断状況が満足する
ような事例クラスを、事例クラスネットワーク７から選
択し、その事例クラスを用いて診断を行う。さらに、事
象管理機構９では、各質問に対するユーザからの入力
は、（質問，応答値）の形（これを、事象と呼ぶ）で管
理する。新たな（質問，応答値）の組が発生する毎に、
事象管理機構９により識別のための符号（事象識別子）
が与えられる。事象管理機構９は（質問，応答値）の組
を受取り、それらの組合せに対して以前に事象識別子が
与えられている場合にはその識別子を返し、新たな組に
対しては新しい識別子を決定し、その値を返す。
【００２０】図４は、上記方法に基づく、１回の診断作
業処理を示すフローチャートである。即ち、情報入力を
受けると、これに並行して質問発生部３により診断状況
に関する質問が発生されてユーザに問合せがなされる。
そして、診断を行う。即ち、質問の中でユーザの応答が
得られているものを情報として使用し、事例学習部５が
故障原因候補とその可能性を推定する。推定結果は、出
力装置、ここではディスプレイ装置２に出力され、この
表示の結果、さらに入力可能情報がある場合には、情報
入力を受ける。診断後、実際の故障原因を入力する。こ
れは、診断後にユーザに実際の故障原因を問合せること
で行う。そして、事例の登録を行う。即ち、診断作業中
に入力された入力情報と、得られた実際の故障原因との
組が事例として登録される。
業処理を示すフローチャートである。即ち、情報入力を
受けると、これに並行して質問発生部３により診断状況
に関する質問が発生されてユーザに問合せがなされる。
そして、診断を行う。即ち、質問の中でユーザの応答が
得られているものを情報として使用し、事例学習部５が
故障原因候補とその可能性を推定する。推定結果は、出
力装置、ここではディスプレイ装置２に出力され、この
表示の結果、さらに入力可能情報がある場合には、情報
入力を受ける。診断後、実際の故障原因を入力する。こ
れは、診断後にユーザに実際の故障原因を問合せること
で行う。そして、事例の登録を行う。即ち、診断作業中
に入力された入力情報と、得られた実際の故障原因との
組が事例として登録される。
【００２１】ここに、診断処理について、さらに説明す
る。診断はその時点で得られている情報を基に、診断機
構１１により、故障原因とその可能性の大きさを推定す
ることにより行われる。まず、その時点で得られている
入力情報が事象条件を満足する事例クラスを診断機構１
１が事例クラスネットワーク７上で検索する。事例クラ
スネットワーク７は通常、階層構造を持つが、検索され
るクラスは入力情報が満足できる最も厳しい条件を持つ
ものである。この検索されたクラスに属する事例の持つ
故障原因の確率分布、すなわち、故障原因毎の事例数の
割合が入力情報に対する診断結果としてユーザに提示さ
れる。また、この階層構造は半順序関係があるので、こ
の時点で選ばれるクラスは複数になることがある。この
場合、診断機構１１はこれらの複数のクラスにおける故
障原因の確率分布を合成し、診断を出力する。この合成
の仕方は、例えば各クラスにおける確率分布を各クラス
の事例数で荷重合成してもよいし、各クラスの持つ事象
条件の積、すなわち、各クラスの持つ事象条件中の事象
識別子の和集合を新たな事象条件として一時的に生成
し、これに従い一時的に生成できる新たな事例集合にお
ける原因の分布を利用するようにしてもよい。
る。診断はその時点で得られている情報を基に、診断機
構１１により、故障原因とその可能性の大きさを推定す
ることにより行われる。まず、その時点で得られている
入力情報が事象条件を満足する事例クラスを診断機構１
１が事例クラスネットワーク７上で検索する。事例クラ
スネットワーク７は通常、階層構造を持つが、検索され
るクラスは入力情報が満足できる最も厳しい条件を持つ
ものである。この検索されたクラスに属する事例の持つ
故障原因の確率分布、すなわち、故障原因毎の事例数の
割合が入力情報に対する診断結果としてユーザに提示さ
れる。また、この階層構造は半順序関係があるので、こ
の時点で選ばれるクラスは複数になることがある。この
場合、診断機構１１はこれらの複数のクラスにおける故
障原因の確率分布を合成し、診断を出力する。この合成
の仕方は、例えば各クラスにおける確率分布を各クラス
の事例数で荷重合成してもよいし、各クラスの持つ事象
条件の積、すなわち、各クラスの持つ事象条件中の事象
識別子の和集合を新たな事象条件として一時的に生成
し、これに従い一時的に生成できる新たな事例集合にお
ける原因の分布を利用するようにしてもよい。
【００２２】つづいて、事例クラスネットワーク７の更
新が行われる。更新は、既存クラスの削除と新クラスの
生成として行う。既存クラスの削除では、事例が追加さ
れたすべてのクラスについて次の条件がテストされる。
すなわち、クラスに事例が追加されることで、そのクラ
スと親のクラスとの間で原因確率分布の差が一定値より
小さくなる場合、そのクラスを削除する。削除されたク
ラスの子孫は削除されたクラスの親クラスに接続され
る。次に事例が追加されたすべてのクラスについて新ク
ラスの生成がテストされる。すなわち、追加された事例
の持つ各事象識別子を順に、該当クラスの事象条件に対
して追加することで一時的に部分集合を生成し、該当ク
ラスの原因確率分布とこの部分集合における原因確率分
布の差が一定値以上であり、かつこの部分集合に属する
事例の数が一定以上である場合、この部分集合を該当ク
ラスの子クラスとして事例ネットワーク上に追加する。
原因確率分布の差はたとえば各原因の割合の差異の２乗
和で定義できる。この場合、たとえば原因の確率分布１
を「定着ローラ／汚れ」：５０％、「OPC／傷」：３０
％、「コンタクトガラス／傷」：２０％とし、原因の確
率分布２を「定着ローラ／汚れ」：４０％、「OPC／
傷」：３０％、「コンタクトガラス／傷」：１０％、
「搬送／不良」：１０％とするとその差異は、（０．５
−０．４）＾２＋（０．３−０．３）＾２＋（０．２−
０．１）＾２＋（０−０．１）＾２＝０．０３で計算さ
れる。
新が行われる。更新は、既存クラスの削除と新クラスの
生成として行う。既存クラスの削除では、事例が追加さ
れたすべてのクラスについて次の条件がテストされる。
すなわち、クラスに事例が追加されることで、そのクラ
スと親のクラスとの間で原因確率分布の差が一定値より
小さくなる場合、そのクラスを削除する。削除されたク
ラスの子孫は削除されたクラスの親クラスに接続され
る。次に事例が追加されたすべてのクラスについて新ク
ラスの生成がテストされる。すなわち、追加された事例
の持つ各事象識別子を順に、該当クラスの事象条件に対
して追加することで一時的に部分集合を生成し、該当ク
ラスの原因確率分布とこの部分集合における原因確率分
布の差が一定値以上であり、かつこの部分集合に属する
事例の数が一定以上である場合、この部分集合を該当ク
ラスの子クラスとして事例ネットワーク上に追加する。
原因確率分布の差はたとえば各原因の割合の差異の２乗
和で定義できる。この場合、たとえば原因の確率分布１
を「定着ローラ／汚れ」：５０％、「OPC／傷」：３０
％、「コンタクトガラス／傷」：２０％とし、原因の確
率分布２を「定着ローラ／汚れ」：４０％、「OPC／
傷」：３０％、「コンタクトガラス／傷」：１０％、
「搬送／不良」：１０％とするとその差異は、（０．５
−０．４）＾２＋（０．３−０．３）＾２＋（０．２−
０．１）＾２＋（０−０．１）＾２＝０．０３で計算さ
れる。
【００２３】
【発明の効果】本発明は、上述したように構成したの
で、新たな診断状況と類似性の高い複数の事例を事例デ
ータベースから抽出することにより、過去の経験の蓄積
から確率を推定するための類似事例の集合を形成するも
のとし、このような集合における原因の頻度分布を推定
に利用するようにし、さらには、類似性、情報の有効性
について定義したので、診断に有効な情報の一致しか考
慮しないものとなり、推定の精度が不必要に落ちるのを
防止でき、結局、蓄積された過去の経験であるところの
事例から知識とは独立して推定できるものとなる。
で、新たな診断状況と類似性の高い複数の事例を事例デ
ータベースから抽出することにより、過去の経験の蓄積
から確率を推定するための類似事例の集合を形成するも
のとし、このような集合における原因の頻度分布を推定
に利用するようにし、さらには、類似性、情報の有効性
について定義したので、診断に有効な情報の一致しか考
慮しないものとなり、推定の精度が不必要に落ちるのを
防止でき、結局、蓄積された過去の経験であるところの
事例から知識とは独立して推定できるものとなる。
【００２４】
【図１】本発明の一実施例を示す概念的ブロック図であ
る。
る。
【図２】事例データベース格納例を示す説明図である。
【図３】階層構造を示す模式図である。
【図４】診断作業処理を示すフローチャートである。
３ 質問発生機構 ６ 事例データベース
フロントページの続き (56)参考文献 特開 平２−200048（ＪＰ，Ａ) 特開 平１−126761（ＪＰ，Ａ) 情報処理学会研究報告、Ｖｏｌ．91、 Ｎｏ．16（91−ＡＩ−75）、社団法人情 報処理学会・発行（1991年３月７日）、 ｐｐ．79〜85（特許庁ＣＳＤＢ文献番 号：ＣＳＮＴ199900755008) 人工知能学会誌、Ｖｏｌ．５、Ｎｏ. ２、社団法人人工知能学会・発行（1990 年）、ｐｐ．155〜162 (58)調査した分野(Int.Cl.7，ＤＢ名) G06F 9/44 G03G 21/00 G06F 11/22 ＪＩＣＳＴファイル（ＪＯＩＳ) ＣＳＤＢ（日本国特許庁)
Claims (1)
- 【請求項１】 診断に関係する情報を外部に質問するた
めの質問発生機構と、過去の事例を蓄積するための事例
データベースとを有し、各診断毎にその際の入力情報と
診断後に得られる実際の故障原因との組を事例として前
記事例データベースに保存し、以降の診断において前記
事例データベースにおける故障原因の頻度分布から現在
の状況の故障原因を推定するようにした診断型エキスパ
ートシステムによる故障診断方法において、新たな診断
状況と類似性の高い複数の事例を前記事例データベース
から抽出し、抽出された事例の集合における原因の頻度
分布を基に新たな診断状況についての原因候補の確率分
布を推定するようにし、事例間及び事例と新たな診断状
況との間の類似性を、両者がともに持つ、原因の推定に
有効な情報の量により定義し、各情報の有効性自体を事
例データベースに保存された事例集合中から動的に決定
するようにし、情報の有効性を、原因候補の確率分布に
対する影響度で定義し、与えられた事例集合内の事例を
その情報値により弁別した場合の、元の集合での原因候
補の確率分布と弁別の結果得られる部分集合での原因候
補の確率分布との差により、情報の有効性を判定するよ
うにしたことを特徴とする故障診断方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18719191A JP3182169B2 (ja) | 1991-07-26 | 1991-07-26 | 故障診断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18719191A JP3182169B2 (ja) | 1991-07-26 | 1991-07-26 | 故障診断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0535484A JPH0535484A (ja) | 1993-02-12 |
| JP3182169B2 true JP3182169B2 (ja) | 2001-07-03 |
Family
ID=16201698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP18719191A Expired - Fee Related JP3182169B2 (ja) | 1991-07-26 | 1991-07-26 | 故障診断方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3182169B2 (ja) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6633861B2 (en) | 1993-03-19 | 2003-10-14 | Ricoh Company Limited | Automatic invocation of computational resources without user intervention across a network |
| JP3209163B2 (ja) | 1997-09-19 | 2001-09-17 | 日本電気株式会社 | 分類装置 |
| JP2006252422A (ja) * | 2005-03-14 | 2006-09-21 | Kawasaki Heavy Ind Ltd | 故障診断方法及び装置 |
| JP4626852B2 (ja) * | 2005-07-11 | 2011-02-09 | 日本電気株式会社 | 通信網の障害検出システム、通信網の障害検出方法及び障害検出プログラム |
| JP4600237B2 (ja) * | 2005-10-04 | 2010-12-15 | 富士ゼロックス株式会社 | 故障診断システム、画像形成装置及び故障診断方法 |
| US8095819B2 (en) | 2007-06-06 | 2012-01-10 | Nec Corporation | Communication network failure cause analysis system, failure cause analysis method, and failure cause analysis program |
| JP6424562B2 (ja) * | 2014-10-23 | 2018-11-21 | 富士ゼロックス株式会社 | 障害予測装置、障害予測システム、及びプログラム |
| JP2016177676A (ja) * | 2015-03-20 | 2016-10-06 | 株式会社東芝 | 診断装置、診断方法、診断システムおよび診断プログラム |
| EP3188039A1 (en) * | 2015-12-31 | 2017-07-05 | Dassault Systèmes | Recommendations based on predictive model |
| CN111240229B (zh) * | 2020-03-20 | 2023-06-30 | 智慧航海（青岛）科技有限公司 | 一种基于智能船舶靠离泊仿真测试的故障信息处理系统 |
-
1991
- 1991-07-26 JP JP18719191A patent/JP3182169B2/ja not_active Expired - Fee Related
Non-Patent Citations (2)
| Title |
|---|
| 人工知能学会誌、Ｖｏｌ．５、Ｎｏ．２、社団法人人工知能学会・発行（１９９０年）、ｐｐ．１５５〜１６２ |
| 情報処理学会研究報告、Ｖｏｌ．９１、Ｎｏ．１６（９１−ＡＩ−７５）、社団法人情報処理学会・発行（１９９１年３月７日）、ｐｐ．７９〜８５（特許庁ＣＳＤＢ文献番号：ＣＳＮＴ１９９９００７５５００８） |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH0535484A (ja) | 1993-02-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US7769763B1 (en) | Large scale machine learning systems and methods | |
| JP3209163B2 (ja) | 分類装置 | |
| US8160982B2 (en) | Method for detecting people of interest from information sources | |
| JP3182169B2 (ja) | 故障診断方法 | |
| CN112738172B (zh) | 区块链节点的管理方法、装置、计算机设备和存储介质 | |
| US9740986B2 (en) | System and method for deducing user interaction patterns based on limited activities | |
| CN114817575B (zh) | 基于扩展模型的大规模电力事理图谱处理方法 | |
| CN111078513A (zh) | 日志处理方法、装置、设备、存储介质及日志告警系统 | |
| Tran et al. | Radflow: A recurrent, aggregated, and decomposable model for networks of time series | |
| CN115544519A (zh) | 对计量自动化系统威胁情报进行安全性关联分析的方法 | |
| Ashraf et al. | WeFreS: weighted frequent subgraph mining in a single large graph | |
| Mohamed | A probabilistic rough set approach to rule discovery | |
| Amani et al. | A case-based reasoning method for alarm filtering and correlation in telecommunication networks | |
| Horban et al. | Principles of Searching for a Variety of Types of Associative Rules in OLAP-cubes. | |
| Khan et al. | Modelling data warehouse diffusion using fuzzy cognitive maps–a comparison with the system dynamics approach | |
| CN114691505A (zh) | 程序问题的定位方法、电子设备及存储介质 | |
| Mijumbi et al. | MAYOR: machine learning and analytics for automated operations and recovery | |
| Khoshgoftaar et al. | Data mining of software development databases | |
| JP3526198B2 (ja) | データベース類似検索方法及び装置及び類似検索プログラムを格納した記憶媒体 | |
| Yahia et al. | K-nearest neighbor and C4. 5 algorithms as data mining methods: advantages and difficulties | |
| Parmar et al. | Telecom churn prediction model using XgBoost classifier and logistic regression algorithm | |
| US6721719B1 (en) | System and method for classification using time sequences | |
| CN115438979B (zh) | 一种融合专家模型决策的数据风险识别方法及服务器 | |
| Shen et al. | A recycle technique of association rule for missing value completion | |
| CN116170500B (zh) | 一种基于网格数据的消息推送方法和系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |