JP5415569B2 - 評価ユニット、評価方法、評価プログラム、及び記録媒体 - Google Patents
評価ユニット、評価方法、評価プログラム、及び記録媒体 Download PDFInfo
- Publication number
- JP5415569B2 JP5415569B2 JP2012008414A JP2012008414A JP5415569B2 JP 5415569 B2 JP5415569 B2 JP 5415569B2 JP 2012008414 A JP2012008414 A JP 2012008414A JP 2012008414 A JP2012008414 A JP 2012008414A JP 5415569 B2 JP5415569 B2 JP 5415569B2
- Authority
- JP
- Japan
- Prior art keywords
- unit
- failure
- product group
- evaluation
- product
- 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
- 238000011156 evaluation Methods 0.000 title claims description 113
- 230000008439 repair process Effects 0.000 claims description 47
- 230000008520 organization Effects 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000005540 biological transmission Effects 0.000 claims description 19
- 238000000034 method Methods 0.000 claims description 16
- 238000010586 diagram Methods 0.000 description 24
- 238000013500 data storage Methods 0.000 description 21
- 238000013480 data collection Methods 0.000 description 17
- 238000012986 modification Methods 0.000 description 11
- 230000004048 modification Effects 0.000 description 11
- 238000012423 maintenance Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000011157 data evaluation Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000017423 tissue regeneration Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013329 compounding Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
本発明の実施形態は、製品稼動状況の評価ユニット、評価方法、評価プログラム、及び
記録媒体に係る。
記録媒体に係る。
パーソナルコンピュータ（ＰＣ）などの電子情報機器について、振動や温度を計測し、
これら電子情報機器の性能低下や疲労度合を算出する技術の研究が進められている。また
、電子情報機器の情報をセンサ等で取得して個々の部品あるいは電子情報機器本体の障害
発生の危険度を顧客に提示する装置も提案されている。一方、ハードウェアの品質管理部
門では、修理データから製品の修理率を評価する技術も蓄積されてきている。
これら電子情報機器の性能低下や疲労度合を算出する技術の研究が進められている。また
、電子情報機器の情報をセンサ等で取得して個々の部品あるいは電子情報機器本体の障害
発生の危険度を顧客に提示する装置も提案されている。一方、ハードウェアの品質管理部
門では、修理データから製品の修理率を評価する技術も蓄積されてきている。
企業向けに出荷されたＰＣの稼働データは、顧客企業の情報システム部門の方針などに
より社外提供されることが少ないため、メーカー側で十分なデータを収集できない場合が
ある。
より社外提供されることが少ないため、メーカー側で十分なデータを収集できない場合が
ある。
以下に示す実施形態では、十分なデータを収集できない場合においても、稼働データに
基づいた保守サービスの提供が可能となる、評価ユニット、評価方法、評価プログラム、
及び記録媒体を提供することを目的とする。
基づいた保守サービスの提供が可能となる、評価ユニット、評価方法、評価プログラム、
及び記録媒体を提供することを目的とする。
本実施形態によれば、第１の中央演算装置が、第１の製品群の観測値を含む第１の稼動
データと、前記第１の製品群のうち故障した製品情報を含む第１の修理データとを用いて
、前記観測値を故障または非故障に分類する第１の故障予兆モデルを得る第１のモデル学
習部と、第２の中央演算装置が、前記第１の製品群には含まれない第２の製品群のうち故
障した製品情報を含む第２の修理データ、及び前記第２の製品群に含まれる製品であって
過去に修理されたことのある製品の観測値を含む第３の稼動データを更に用いて、前記第
１の故障予兆モデルの第１のパラメータを更新し、更新後の第１のパラメータを第２のパ
ラメータとして有する第２の故障予兆モデルを得る第２のモデル学習部とを備えることを
特徴とする評価ユニットが提供される。
データと、前記第１の製品群のうち故障した製品情報を含む第１の修理データとを用いて
、前記観測値を故障または非故障に分類する第１の故障予兆モデルを得る第１のモデル学
習部と、第２の中央演算装置が、前記第１の製品群には含まれない第２の製品群のうち故
障した製品情報を含む第２の修理データ、及び前記第２の製品群に含まれる製品であって
過去に修理されたことのある製品の観測値を含む第３の稼動データを更に用いて、前記第
１の故障予兆モデルの第１のパラメータを更新し、更新後の第１のパラメータを第２のパ
ラメータとして有する第２の故障予兆モデルを得る第２のモデル学習部とを備えることを
特徴とする評価ユニットが提供される。
他の実施形態によれば、前記第２の故障予兆モデルを用いて、前記第２の製品群の観測
値を含む第２の稼動データを評価する評価ユニットであって、第３の中央演算装置が、前
記第２の故障予兆モデルと、前記第２の稼動データとを用いて、前記第２の製品群の故障
予兆の有無または故障確率を算出する評価算出部を備えることを特徴とする評価ユニット
が提供される。
値を含む第２の稼動データを評価する評価ユニットであって、第３の中央演算装置が、前
記第２の故障予兆モデルと、前記第２の稼動データとを用いて、前記第２の製品群の故障
予兆の有無または故障確率を算出する評価算出部を備えることを特徴とする評価ユニット
が提供される。
他の実施形態によれば、第１の中央演算装置が、第１の製品群の観測値を含む第１の稼
働データと、前記第１の製品群のうち故障した製品情報を含む第１の修理データとを用い
て得る第１の故障予兆モデルにおいて、前記観測値を故障または非故障に分類する前記第
１の故障予兆モデルを用いる評価方法であって、第２の中央演算装置が、前記第１の製品
群には含まれない第２の製品群のうち故障した製品情報を含む第２の修理データ、及び前
記第２の製品群に含まれる製品であって過去に修理されたことのある製品の観測値を含む
第３の稼動データを更に用いて、前記第１の故障予兆モデルの第１のパラメータを更新し
、更新後の第１のパラメータを第２のパラメータとして有する第２の故障予兆モデルを得
る第１のステップを備えることを特徴とする評価方法が提供される。
働データと、前記第１の製品群のうち故障した製品情報を含む第１の修理データとを用い
て得る第１の故障予兆モデルにおいて、前記観測値を故障または非故障に分類する前記第
１の故障予兆モデルを用いる評価方法であって、第２の中央演算装置が、前記第１の製品
群には含まれない第２の製品群のうち故障した製品情報を含む第２の修理データ、及び前
記第２の製品群に含まれる製品であって過去に修理されたことのある製品の観測値を含む
第３の稼動データを更に用いて、前記第１の故障予兆モデルの第１のパラメータを更新し
、更新後の第１のパラメータを第２のパラメータとして有する第２の故障予兆モデルを得
る第１のステップを備えることを特徴とする評価方法が提供される。
他の実施形態によれば、前記第２の故障予兆モデルを用いて、前記第２の製品群の観測
値を含む第２の稼動データを評価する評価方法であって、第３の中央演算装置が、前記第
２の故障予兆モデルと、前記第２の稼働データとを用いて、前記第２の製品群の故障予兆
の有無または故障確率を算出する第２のステップを備えることを特徴とする評価方法が提
供される。
値を含む第２の稼動データを評価する評価方法であって、第３の中央演算装置が、前記第
２の故障予兆モデルと、前記第２の稼働データとを用いて、前記第２の製品群の故障予兆
の有無または故障確率を算出する第２のステップを備えることを特徴とする評価方法が提
供される。
他の実施形態によれば、第１の中央演算装置が、第１の製品群の観測値を含む第１の稼
働データと、前記第１の製品群のうち故障した製品情報を含む第１の修理データとを用い
て得る第１の故障予兆モデルにおいて、前記観測値を故障または非故障に分類する前記第
１の故障予兆モデルを用いる評価方法であって、コンピュータに、第２の中央演算装置が
、前記第１の製品群には含まれない第２の製品群のうち故障した製品情報を含む第２の修
理データ、及び前記第２の製品群に含まれる製品であって過去に修理されたことのある製
品の観測値を含む第３の稼動データを更に用いて、前記第１の故障予兆モデルの第１のパ
ラメータを更新し、更新後の第１のパラメータを第２のパラメータとして有する第２の故
障予兆モデルを得る第１の手順を実行させることを特徴とする評価プログラムが提供され
る。
働データと、前記第１の製品群のうち故障した製品情報を含む第１の修理データとを用い
て得る第１の故障予兆モデルにおいて、前記観測値を故障または非故障に分類する前記第
１の故障予兆モデルを用いる評価方法であって、コンピュータに、第２の中央演算装置が
、前記第１の製品群には含まれない第２の製品群のうち故障した製品情報を含む第２の修
理データ、及び前記第２の製品群に含まれる製品であって過去に修理されたことのある製
品の観測値を含む第３の稼動データを更に用いて、前記第１の故障予兆モデルの第１のパ
ラメータを更新し、更新後の第１のパラメータを第２のパラメータとして有する第２の故
障予兆モデルを得る第１の手順を実行させることを特徴とする評価プログラムが提供され
る。
他の実施形態によれば、前記第２の故障予兆モデルを用いて、前記第２の製品群の観測
値を含む第２の稼動データを評価する評価プログラムであって、コンピュータに、第３の
中央演算装置が、前記第２の故障予兆モデルと、前記第２の稼働データとを用いて、前記
第２の製品群の故障予兆の有無または故障確率を算出する第２の手順を実行させることを
特徴とする評価プログラムが提供される。
値を含む第２の稼動データを評価する評価プログラムであって、コンピュータに、第３の
中央演算装置が、前記第２の故障予兆モデルと、前記第２の稼働データとを用いて、前記
第２の製品群の故障予兆の有無または故障確率を算出する第２の手順を実行させることを
特徴とする評価プログラムが提供される。
また、他の実施形態によれば、上記評価プログラムを記録したコンピュータ読み取り可
能な記録媒体が提供される。
能な記録媒体が提供される。
以下、実施の形態について、図面を参照して説明する。
（第１実施形態）
第１実施形態として評価装置を図１〜２を用いて説明する。
第１実施形態として評価装置を図１〜２を用いて説明する。
図１は第１実施形態に係る評価装置１００を示すブロック図である。
第１実施形態に係る評価装置１００は、第１の製品群１０１から得られる第１の稼動デ
ータ、第１の製品群１０１から得られる第１の修理データを用いて第１の製品群１０１の
第１の故障予兆モデルを学習する第１のモデル学習部１１と、第１の故障予兆モデルを用
いて第２の製品群１０２から得られる第２の稼動データの評価を行う評価算出部５１と、
を備える。なお、ここで第２の稼動データは、例えば、特定組織内で稼動している製品の
稼働データを用いることができる。使用環境や条件によっては、サービス提供事業者はこ
の第２の稼動データを見ることができない場合がある。
ータ、第１の製品群１０１から得られる第１の修理データを用いて第１の製品群１０１の
第１の故障予兆モデルを学習する第１のモデル学習部１１と、第１の故障予兆モデルを用
いて第２の製品群１０２から得られる第２の稼動データの評価を行う評価算出部５１と、
を備える。なお、ここで第２の稼動データは、例えば、特定組織内で稼動している製品の
稼働データを用いることができる。使用環境や条件によっては、サービス提供事業者はこ
の第２の稼動データを見ることができない場合がある。
（故障予兆モデル学習部）
第１のモデル学習部（故障予兆モデル学習部）１１では、第１の製品群１０１から得ら
れる第１の稼動データ、第１の製品群１０１から得られる第１の修理データ、を用いて作
成される第１の故障予兆モデルを用いて、第１の製品群１０１の故障予兆モデルを学習す
る。
第１のモデル学習部（故障予兆モデル学習部）１１では、第１の製品群１０１から得ら
れる第１の稼動データ、第１の製品群１０１から得られる第１の修理データ、を用いて作
成される第１の故障予兆モデルを用いて、第１の製品群１０１の故障予兆モデルを学習す
る。
第１の製品群１０１は、第２の製品群１０２には含まれない、製品群を意味する。ここ
で第２の製品群１０２とは、例えば企業や役所など、第１実施形態に係る評価装置により
評価したい組織（以下、特定組織という場合がある）が有する製品を意味する。これに対
し、第１の製品群１０１とは、第１実施形態の評価装置により評価したい組織が有する複
数の製品を含まない製品を意味する。
で第２の製品群１０２とは、例えば企業や役所など、第１実施形態に係る評価装置により
評価したい組織（以下、特定組織という場合がある）が有する製品を意味する。これに対
し、第１の製品群１０１とは、第１実施形態の評価装置により評価したい組織が有する複
数の製品を含まない製品を意味する。
すなわち、第１の稼動データとして、特定組織を含まない、多くの一般ユーザの製品の
稼働データが例示される。第１の稼働データは観測時刻と観測値からなるデータであり、
製品一台ごとに記憶される。この第１の稼動データの例を図１７に示す。
稼働データが例示される。第１の稼働データは観測時刻と観測値からなるデータであり、
製品一台ごとに記憶される。この第１の稼動データの例を図１７に示す。
（故障予兆モデル記憶部）
第１実施形態に係る評価装置１００は、第１の記憶部（故障予兆モデル記憶部）２１を
有してもよい。第１の記憶部２３は、第１の学習部１１で学習した第１の故障予兆モデル
のパラメータを記憶する。
第１実施形態に係る評価装置１００は、第１の記憶部（故障予兆モデル記憶部）２１を
有してもよい。第１の記憶部２３は、第１の学習部１１で学習した第１の故障予兆モデル
のパラメータを記憶する。
（評価算出部）
評価算出部５１は、第１のモデル学習部１１が学習した第１の故障予兆モデルを用いて
、第２の稼動データの評価を行う。第２の稼動データは第２の製品群から得られる。具体
的には事前に構築した第１の故障予兆モデルに対して、故障予兆評価の対象である製品の
第２の稼働データを入力し、故障予兆の有無や故障確率を出力として得る。言い換えれば
、ある機器の稼働データを用いて、その機器の故障予兆の評価（故障するかしないか、故
障確率はどれくらいか）を行う。第１の故障予兆モデルとしては後述するブースティング
モデルやナイーブベイズモデルが適用できる。
評価算出部５１は、第１のモデル学習部１１が学習した第１の故障予兆モデルを用いて
、第２の稼動データの評価を行う。第２の稼動データは第２の製品群から得られる。具体
的には事前に構築した第１の故障予兆モデルに対して、故障予兆評価の対象である製品の
第２の稼働データを入力し、故障予兆の有無や故障確率を出力として得る。言い換えれば
、ある機器の稼働データを用いて、その機器の故障予兆の評価（故障するかしないか、故
障確率はどれくらいか）を行う。第１の故障予兆モデルとしては後述するブースティング
モデルやナイーブベイズモデルが適用できる。
第１実施形態に係る評価装置１００は、評価した結果（評価値）を記憶する第４の記憶
部（評価値記憶部）６１を有してもよい。
部（評価値記憶部）６１を有してもよい。
（予兆発生時稼動データ評価結果送信部）
第１実施形態に係る評価装置１００は、第１の送受信部（稼働データ評価結果受信部）
１２、第２の送受信部（予兆発生時稼働データ評価結果送信部）５３、出力部１４を有し
てもよい。
第１実施形態に係る評価装置１００は、第１の送受信部（稼働データ評価結果受信部）
１２、第２の送受信部（予兆発生時稼働データ評価結果送信部）５３、出力部１４を有し
てもよい。
第２の送受信部５３は、評価算出部５１により故障予兆の有無を判定した結果を第１の
送受信部１２に送信する。
送受信部１２に送信する。
（稼動データ記憶部、修理データ記憶部）
第１実施形態に係る評価装置１００は、第２の記憶部（稼動データ記憶部）２２、第３
の記憶部（修理データ記憶部）２３を有してもよい。第２の記憶部（稼動データ記憶部）
２２、第３の記憶部（修理データ記憶部）２３は第１の学習部（故障予兆モデル学習部）
１１に接続している。第１の製品群１０１から得られる第１の稼動データは第２の記憶部
（稼動データ記憶部）２２に記憶される。第１の製品群１０１から得られる第１の修理デ
ータは修理センターで修理された部品が登録され、修理データとして第３の記憶部２３に
記憶される。第１の修理データの例を図１８に示す。
第１実施形態に係る評価装置１００は、第２の記憶部（稼動データ記憶部）２２、第３
の記憶部（修理データ記憶部）２３を有してもよい。第２の記憶部（稼動データ記憶部）
２２、第３の記憶部（修理データ記憶部）２３は第１の学習部（故障予兆モデル学習部）
１１に接続している。第１の製品群１０１から得られる第１の稼動データは第２の記憶部
（稼動データ記憶部）２２に記憶される。第１の製品群１０１から得られる第１の修理デ
ータは修理センターで修理された部品が登録され、修理データとして第３の記憶部２３に
記憶される。第１の修理データの例を図１８に示す。
第１の稼動データ、第１の修理データはそれぞれ第１の製品群１０１に接続された第１
のデータ収集部（データ収集部）１３に収集され、それぞれ第２の記憶部（稼動データ記
憶部）２２、第３の記憶部（修理データ記憶部）２３に記憶されてもよい。
のデータ収集部（データ収集部）１３に収集され、それぞれ第２の記憶部（稼動データ記
憶部）２２、第３の記憶部（修理データ記憶部）２３に記憶されてもよい。
（稼動データ収集部）
第１実施形態に係る評価装置１００は第２の製品群１０２から得られる第２の稼動デー
タを収集する、第２のデータ収集部（稼動データ収集部）５２を有しても良い。これら第
２の製品群に含まれる製品は、例えば特定組織内のＬＡＮなどによりネットワークを介し
て第２のデータ収集部５２に接続され、モニタリングされている場合が例示される。
第１実施形態に係る評価装置１００は第２の製品群１０２から得られる第２の稼動デー
タを収集する、第２のデータ収集部（稼動データ収集部）５２を有しても良い。これら第
２の製品群に含まれる製品は、例えば特定組織内のＬＡＮなどによりネットワークを介し
て第２のデータ収集部５２に接続され、モニタリングされている場合が例示される。
（稼動データ記憶部）
第１実施形態に係る評価装置１００は第５の記憶部（特定組織稼働データ記憶部）６２
を有してもよい。第５の記憶部６２は第２のデータ収集部（稼動データ収集部）５２が収
集した第２の稼動データを記憶する。
第１実施形態に係る評価装置１００は第５の記憶部（特定組織稼働データ記憶部）６２
を有してもよい。第５の記憶部６２は第２のデータ収集部（稼動データ収集部）５２が収
集した第２の稼動データを記憶する。
（評価装置の構成）
第１実施形態に係る評価装置１００の構成を図２に示す。
第１実施形態に係る評価装置１００の構成を図２に示す。
第１の学習部１１、評価算出部５１、第１のデータ収集部１３、第２のデータ収集部５
２には中央演算装置（ＣＰＵ）を用いることができる。
２には中央演算装置（ＣＰＵ）を用いることができる。
第１の記憶部２１、第２の記憶部２２、第３の記憶部２３、第４の記憶部６１、第５の
記憶部６２にはＨＤＤ、ＮＡＮＤ型フラッシュメモリーなどの汎用の記録媒体を用いるこ
とができる。
記憶部６２にはＨＤＤ、ＮＡＮＤ型フラッシュメモリーなどの汎用の記録媒体を用いるこ
とができる。
第１の送受信部１２、第２の送受信部５３にはデータを有線または無線でやりとりする
、ネット端末等を用いることができる。出力部１４は評価結果を人間に知覚させるための
装置を適用できる。この例としてディスプレイやプリンター等が挙げられる。
、ネット端末等を用いることができる。出力部１４は評価結果を人間に知覚させるための
装置を適用できる。この例としてディスプレイやプリンター等が挙げられる。
第１の学習部１１、第１の送受信１２、第１のデータ収集部１３、出力部１４、第１〜
３の記憶部２１〜２３は相互にデータのやり取りが出来るように信号線Ｌ１で接続されて
いる。
３の記憶部２１〜２３は相互にデータのやり取りが出来るように信号線Ｌ１で接続されて
いる。
評価算出部５１、第２のデータ収集部５２、第２の送受信部５３、第４の記憶部６１、
第５の記憶部６２は相互にデータのやり取りが出来るように信号線Ｌ２で接続されている
。
第５の記憶部６２は相互にデータのやり取りが出来るように信号線Ｌ２で接続されている
。
なお、図１において、破線Ａで囲われている範囲の構成要素はサービス提供事業者が使
用する第１の評価ユニット、破線Ｂで囲われている範囲は特定組織が使用する第２の評価
ユニットとすることができる。
用する第１の評価ユニット、破線Ｂで囲われている範囲は特定組織が使用する第２の評価
ユニットとすることができる。
（第１実施形態に係る効果）
第１実施形態に係る評価装置１００は、評価のサービスを提供するサービス提供事業者
がＡの部分を、特定組織がＢの部分を有することにより、特定組織は稼働データ（第１の
稼動データ）を特定組織外に提供することがなく、保守メンテナンスのサービスを受ける
ことができるため、セキュリティや情報漏洩の面で利点がある。また、サービス提供事業
者にとっては、故障予兆モデルを他社に提供する必要が無く、データ収集時の負荷やコス
トの削減できる利点がある。
第１実施形態に係る評価装置１００は、評価のサービスを提供するサービス提供事業者
がＡの部分を、特定組織がＢの部分を有することにより、特定組織は稼働データ（第１の
稼動データ）を特定組織外に提供することがなく、保守メンテナンスのサービスを受ける
ことができるため、セキュリティや情報漏洩の面で利点がある。また、サービス提供事業
者にとっては、故障予兆モデルを他社に提供する必要が無く、データ収集時の負荷やコス
トの削減できる利点がある。
（第２実施形態）
第２実施形態として評価装置２００を図３〜６を用いて説明する。
第２実施形態として評価装置２００を図３〜６を用いて説明する。
図３は第２実施形態に係る評価装置２００の構成を示すブロック図である。
第２実施形態に係る評価装置２００は、第１実施形態に係る評価装置１００と比較し、
第１の故障予兆モデルの有するパラメータを暗号化する暗号化部１５と、乱数を発生させ
る乱数発生部５５と、第２の稼動データ及び暗号化部１５でパラメータが暗号化された第
１の故障予兆モデルを用いて第２の稼働データに対して演算を行い、この演算の結果に乱
数発生部５５で発生させた乱数を加算する暗号演算部５４と、暗号演算部５４により演算
された結果を復号化する復号化部１６と、を有する点、及び評価算出部５１は復号化され
た情報から先に加算した乱数を減算する点、が異なる。
第１の故障予兆モデルの有するパラメータを暗号化する暗号化部１５と、乱数を発生させ
る乱数発生部５５と、第２の稼動データ及び暗号化部１５でパラメータが暗号化された第
１の故障予兆モデルを用いて第２の稼働データに対して演算を行い、この演算の結果に乱
数発生部５５で発生させた乱数を加算する暗号演算部５４と、暗号演算部５４により演算
された結果を復号化する復号化部１６と、を有する点、及び評価算出部５１は復号化され
た情報から先に加算した乱数を減算する点、が異なる。
（公開鍵作成部、秘密鍵作成部）
第２実施形態に係る評価装置２００は、公開鍵生成部３１、秘密鍵生成部３２を有して
もよい。公開鍵生成部３１は公開鍵pkを生成する。秘密鍵生成部３２は秘密鍵prを生成す
る。ここで、公開鍵暗号とは対になる２つの鍵（公開鍵pk、秘密鍵pr）を使ってデータの
暗号化・復号化を行なう暗号方式である。公開鍵暗号では暗号化に使う鍵と復号化に使う
鍵が分離されており、暗号化に使った鍵で復号化を行なうことはできず、片方からもう一
方を割り出すことも容易にはできないようになっている。鍵の持ち主は復号化に使う鍵の
みを他人に知られないように管理し、暗号化に使う鍵は公開する。このため、暗号化に使
う鍵は公開鍵、復号化に使う鍵は秘密鍵と呼ばれる。それぞれの鍵の生成方法は次の通り
である。公開鍵暗号を実装するための具体的な暗号方式はいくつかの方式が提案されてい
て、巨大な整数の素因数分解の困難さを利用したRSA暗号、離散対数問題の解の困難さを
利用したElGamal暗号、楕円曲線上の離散対数問題を利用した楕円曲線暗号などがある。
第２実施形態に係る評価装置２００は、公開鍵生成部３１、秘密鍵生成部３２を有して
もよい。公開鍵生成部３１は公開鍵pkを生成する。秘密鍵生成部３２は秘密鍵prを生成す
る。ここで、公開鍵暗号とは対になる２つの鍵（公開鍵pk、秘密鍵pr）を使ってデータの
暗号化・復号化を行なう暗号方式である。公開鍵暗号では暗号化に使う鍵と復号化に使う
鍵が分離されており、暗号化に使った鍵で復号化を行なうことはできず、片方からもう一
方を割り出すことも容易にはできないようになっている。鍵の持ち主は復号化に使う鍵の
みを他人に知られないように管理し、暗号化に使う鍵は公開する。このため、暗号化に使
う鍵は公開鍵、復号化に使う鍵は秘密鍵と呼ばれる。それぞれの鍵の生成方法は次の通り
である。公開鍵暗号を実装するための具体的な暗号方式はいくつかの方式が提案されてい
て、巨大な整数の素因数分解の困難さを利用したRSA暗号、離散対数問題の解の困難さを
利用したElGamal暗号、楕円曲線上の離散対数問題を利用した楕円曲線暗号などがある。
生成された公開鍵pkは暗号演算部５４に送られる。生成された秘密鍵prは復号化部１６
に送られる。
に送られる。
（公開鍵記憶部、秘密鍵記憶部）
また、第２実施形態に係る評価装置２００は、第６の記憶部（公開鍵記憶部）４１、第
７の記憶部（秘密鍵生成部）４２を有してもよい。第６の記憶部４１は公開鍵生成部３１
で生成された公開鍵公開鍵pkを記憶する。第７の記憶部４２は秘密鍵生成部３２で生成さ
れた公開鍵公開鍵pkを記憶する。
また、第２実施形態に係る評価装置２００は、第６の記憶部（公開鍵記憶部）４１、第
７の記憶部（秘密鍵生成部）４２を有してもよい。第６の記憶部４１は公開鍵生成部３１
で生成された公開鍵公開鍵pkを記憶する。第７の記憶部４２は秘密鍵生成部３２で生成さ
れた公開鍵公開鍵pkを記憶する。
（故障予兆モデルパラメータ暗号化部）
暗号化部１５は、第１の学習部１１が学習した第１の故障予兆モデルのパラメータを、
準同型性公開鍵暗号と公開鍵を用いて暗号化する。暗号化されたパラメータは暗号演算部
（稼動データ暗号演算部）５４に送られる。
暗号化部１５は、第１の学習部１１が学習した第１の故障予兆モデルのパラメータを、
準同型性公開鍵暗号と公開鍵を用いて暗号化する。暗号化されたパラメータは暗号演算部
（稼動データ暗号演算部）５４に送られる。
（暗号化済故障予兆モデル記憶部）
第２実施形態は、暗号化されたパラメータを記憶する第８の記憶部（暗号化済故障予兆
モデル記憶部）６３を有しても良い。
第２実施形態は、暗号化されたパラメータを記憶する第８の記憶部（暗号化済故障予兆
モデル記憶部）６３を有しても良い。
（乱数発生部、乱数記憶部）
乱数発生部５５は乱数を発生させる。第２実施形態に係る評価装置２００は、発生した
乱数を記憶する第９の記憶部（乱数記憶部）６４を有してもよい。
乱数発生部５５は乱数を発生させる。第２実施形態に係る評価装置２００は、発生した
乱数を記憶する第９の記憶部（乱数記憶部）６４を有してもよい。
（稼動データ暗号演算部）
暗号演算部（稼働データ暗号演算部）５４は、以下の（ａ）〜（ｄ）を用いて演算を行
う。具体的な演算について後述するが、このとき、準同型性公開鍵暗号を用いることによ
って暗号文のままで行われる演算によって得られた値は、暗号化されている。
暗号演算部（稼働データ暗号演算部）５４は、以下の（ａ）〜（ｄ）を用いて演算を行
う。具体的な演算について後述するが、このとき、準同型性公開鍵暗号を用いることによ
って暗号文のままで行われる演算によって得られた値は、暗号化されている。
（ａ）暗号化部１５で暗号化されたパラメータ
（ｂ）第２の稼働データ
（ｃ）公開鍵生成部３１により生成した公開鍵
（ｄ）乱数発生部５５により発生した乱数
（復号化部）
復号化部１６は、暗号演算部５４で演算された結果を秘密鍵を用いて復号化する。なお
、復号化部１６にて得られる結果には、乱数発生部５５で発生させた乱数が加えられてい
る。
（ｂ）第２の稼働データ
（ｃ）公開鍵生成部３１により生成した公開鍵
（ｄ）乱数発生部５５により発生した乱数
（復号化部）
復号化部１６は、暗号演算部５４で演算された結果を秘密鍵を用いて復号化する。なお
、復号化部１６にて得られる結果には、乱数発生部５５で発生させた乱数が加えられてい
る。
（評価算出部）
評価算出部５１は復号化部１６で復号化された結果から乱数を減算する。これにより、
第２の稼働データの評価結果を得ることができる。この評価結果は第４の記憶部（評価値
記憶部）６２に記憶してもよい。
評価算出部５１は復号化部１６で復号化された結果から乱数を減算する。これにより、
第２の稼働データの評価結果を得ることができる。この評価結果は第４の記憶部（評価値
記憶部）６２に記憶してもよい。
（評価装置の構成）
第２実施形態に係る評価装置２００の構成を図４に示す。図４では第１実施形態に係る
評価装置１００と相違する構成要素について主に示している。
第２実施形態に係る評価装置２００の構成を図４に示す。図４では第１実施形態に係る
評価装置１００と相違する構成要素について主に示している。
暗号化部１５、復号化部１６、公開鍵生成部３１、秘密鍵生成部３２、乱数発生部５５
、暗号演算部５４には中央演算装置（ＣＰＵ）を用いることができる。
、暗号演算部５４には中央演算装置（ＣＰＵ）を用いることができる。
第６の記憶部４１、第７の記憶部４２、第８の記憶部６３、第９の記憶部６４にはＨＤ
Ｄ、ＮＡＮＤ型フラッシュメモリーなどの汎用の記録媒体を用いることができる。
Ｄ、ＮＡＮＤ型フラッシュメモリーなどの汎用の記録媒体を用いることができる。
暗号化部１５、復号化部１６、公開鍵生成部３１、秘密鍵生成部３２、第６の記憶部４
１、第７の記憶部４２は相互にデータのやり取りが出来るように信号線Ｌ１で接続されて
いる。乱数発生部５５、暗号演算部５４、第８の記憶部６３、第９の記憶部６４は相互に
データのやり取りが出来るように信号線Ｌ２で接続されている。
１、第７の記憶部４２は相互にデータのやり取りが出来るように信号線Ｌ１で接続されて
いる。乱数発生部５５、暗号演算部５４、第８の記憶部６３、第９の記憶部６４は相互に
データのやり取りが出来るように信号線Ｌ２で接続されている。
なお、図３において、破線Ａで囲われている範囲の構成要素はサービス提供事業者が使
用する第１の評価ユニット、破線Ｂで囲われている範囲は特定組織が使用する第２の評価
ユニットとすることができる。
用する第１の評価ユニット、破線Ｂで囲われている範囲は特定組織が使用する第２の評価
ユニットとすることができる。
（秘匿計算の方法）
暗号化及び復号化に係る秘匿計算の詳細を図５に示す。また、図６に秘匿計算のフロー
チャートを示す。ここでは、多項式演算の例について説明する。このときのフローは以下
のようになる。
暗号化及び復号化に係る秘匿計算の詳細を図５に示す。また、図６に秘匿計算のフロー
チャートを示す。ここでは、多項式演算の例について説明する。このときのフローは以下
のようになる。
ここで述べた多項式演算の場合の秘匿計算方法は、Naor,Benny,1999、Oblivious trans
fer and polynomial evaluation に述べられている。
fer and polynomial evaluation に述べられている。
（第２実施形態に係る効果）
一般に、各企業内または組織内で稼働データの評価を行うためには、故障予兆モデル（
プログラム）を外部の第三者に提供（公開）しなくてはならない。これに対し、第２実施
形態に係る評価装置２００は、評価のサービスを提供するサービス提供事業者がＡの部分
を、特定組織がＢの部分を有することにより、サービス提供事業者にとっては、故障予兆
モデルを他社に提供／顧客企業に公開する必要が無い。これは、故障予兆モデルのパラメ
ータが暗号化されているためである。また、稼動データに対する演算結果を送信する際は
、暗号化・乱数加算されているのでセキュリティ上の問題がない。すなわち、サービス提
供事業者は故障予兆モデルを特定組織に公開することなく、サービスを提供することがで
き、特定組織はモニタリングデータ（第１の稼動データ）をサービス提供事業者に公開す
ることなく、稼働データの評価を行える、という利点がある。
一般に、各企業内または組織内で稼働データの評価を行うためには、故障予兆モデル（
プログラム）を外部の第三者に提供（公開）しなくてはならない。これに対し、第２実施
形態に係る評価装置２００は、評価のサービスを提供するサービス提供事業者がＡの部分
を、特定組織がＢの部分を有することにより、サービス提供事業者にとっては、故障予兆
モデルを他社に提供／顧客企業に公開する必要が無い。これは、故障予兆モデルのパラメ
ータが暗号化されているためである。また、稼動データに対する演算結果を送信する際は
、暗号化・乱数加算されているのでセキュリティ上の問題がない。すなわち、サービス提
供事業者は故障予兆モデルを特定組織に公開することなく、サービスを提供することがで
き、特定組織はモニタリングデータ（第１の稼動データ）をサービス提供事業者に公開す
ることなく、稼働データの評価を行える、という利点がある。
（第３実施形態）
第３実施形態として評価装置を図７〜１０を用いて説明する。
第３実施形態として評価装置を図７〜１０を用いて説明する。
第３実施形態に係る評価装置３００は、第２の製品群の第２の修理データ、及び第２の
製品群に含まれる製品であって過去に修理されたことのある製品の第３の稼動データを更
に用いて第２の故障予兆モデルを学習する第２のモデル学習部を有する点が第１及び第２
実施形態と異なる。ここで、第３の稼動データには、例えば、サービス提供事業者が修理
センターで修理品から抽出した、修理発生以前の過去の稼働データを用いることができる
。
製品群に含まれる製品であって過去に修理されたことのある製品の第３の稼動データを更
に用いて第２の故障予兆モデルを学習する第２のモデル学習部を有する点が第１及び第２
実施形態と異なる。ここで、第３の稼動データには、例えば、サービス提供事業者が修理
センターで修理品から抽出した、修理発生以前の過去の稼働データを用いることができる
。
図７は第３実施形態に係る評価装置の構成を示すブロック図である。
なお、図７において、図３にて示した公開鍵生成部３１、秘密鍵生成部３２、第６の記
憶部４１、第７の記憶部４２は省略している。
憶部４１、第７の記憶部４２は省略している。
第３実施形態は第１のモデル学習部に加え、第２のモデル学習部を有する。第１のモデ
ル学習部１１は、第１の荷重設定部（稼働データ荷重値設定処理部）１１−１とモデル設
定部とを有する。第２のモデル学習部１７は、第２の荷重設定部（稼働データ荷重値設定
処理部）１７−１とモデル更新部１７−２を有する。
ル学習部１１は、第１の荷重設定部（稼働データ荷重値設定処理部）１１−１とモデル設
定部とを有する。第２のモデル学習部１７は、第２の荷重設定部（稼働データ荷重値設定
処理部）１７−１とモデル更新部１７−２を有する。
（特定組織向け故障予兆モデル学習部）
第２のモデル学習部（特定組織向け故障予兆モデル学習部）１７は、第２の製品群の第
２の稼働データ、第２の製品群の第２の修理データを用いて、故障予兆モデルを第２の製
品群に含まれる製品の特性に合わせて修正したパラメータを学習する。第２のモデル学習
部１７の詳細について説明する。
第２のモデル学習部（特定組織向け故障予兆モデル学習部）１７は、第２の製品群の第
２の稼働データ、第２の製品群の第２の修理データを用いて、故障予兆モデルを第２の製
品群に含まれる製品の特性に合わせて修正したパラメータを学習する。第２のモデル学習
部１７の詳細について説明する。
（稼動データ荷重値設定処理部）
第１及び第２の荷重設定部（稼働データ荷重値設定処理部）１１−１、１７−１は、第
１または第２の稼働データの観測数に応じて、各観測データに対して荷重値を設定する。
故障予兆モデルを構築する際に用いるデータのうち、故障製品の一台の稼働期間が非常に
長く、他の故障製品の稼働時間が非常に短いとき、構築されるモデルは、稼働データの観
測数が多い一台の故障製品に対して偏ったモデルになってしまう。このような場合であっ
ても、稼働データの観測数が多い製品、すなわち、長期間稼働した製品に偏ったモデルが
構築されないようにしたいからである。
第１及び第２の荷重設定部（稼働データ荷重値設定処理部）１１−１、１７−１は、第
１または第２の稼働データの観測数に応じて、各観測データに対して荷重値を設定する。
故障予兆モデルを構築する際に用いるデータのうち、故障製品の一台の稼働期間が非常に
長く、他の故障製品の稼働時間が非常に短いとき、構築されるモデルは、稼働データの観
測数が多い一台の故障製品に対して偏ったモデルになってしまう。このような場合であっ
ても、稼働データの観測数が多い製品、すなわち、長期間稼働した製品に偏ったモデルが
構築されないようにしたいからである。
図２０は観測した稼働データ数の例を示したものである。図２１はこのときの各製品の
稼働データに対する荷重値を示したものである。荷重値は以下の式で計算される。
稼働データに対する荷重値を示したものである。荷重値は以下の式で計算される。
図２０の製品１の例では、全製品の稼働データ観測数＝1000、製品１の稼働データ観測
数＝80である。
数＝80である。
第３実施形態の１つとして、ブースティング学習をモデル学習に用いることができる。
図８にブースティング学習をモデル学習に用いた場合のブロック図を示す。
図８にブースティング学習をモデル学習に用いた場合のブロック図を示す。
ブースティング学習を用いるとき、第２のモデル学習部（特定組織向け故障予兆モデル
学習部）１７では、第１の故障予兆モデルで第２の稼動データの故障予兆を判定し、予兆
が誤りとなる場合（すなわち、予兆発生後に故障が発生しない場合）の第２の稼動データ
に重みを付けを行った上で、第１の故障予兆モデルを修正するパラメータを学習する。す
なわち、第１の故障予兆モデルを特定組織向けの第２の故障予兆モデルに補正する。
学習部）１７では、第１の故障予兆モデルで第２の稼動データの故障予兆を判定し、予兆
が誤りとなる場合（すなわち、予兆発生後に故障が発生しない場合）の第２の稼動データ
に重みを付けを行った上で、第１の故障予兆モデルを修正するパラメータを学習する。す
なわち、第１の故障予兆モデルを特定組織向けの第２の故障予兆モデルに補正する。
ここでは、ブースティング学習のアルゴリズムとしてAdaboostの場合について説明する
。図９にフローを示す。まず、第１の故障予兆モデルによって第２の稼動データの評価を
行い、それに基づく荷重値を算出する。なお、第１の故障予兆モデルを
。図９にフローを示す。まず、第１の故障予兆モデルによって第２の稼動データの評価を
行い、それに基づく荷重値を算出する。なお、第１の故障予兆モデルを
と表現しているが、1は故障、-1は非故障を意味している。第１の故障予兆モデルの構築
手順はここでは省略するが、任意の判別モデルで良い。
上記のように第１の故障予兆モデルで誤りとなる第２の稼動データに重みを付けた上で
、次に、第２の故障予兆モデルを学習する。なお、第２の学習部１７での学習には第３の
稼動データ、第２の修理データのみを用いる。例えば、下記［数５］に示す弱学習モデル
には、深さ１の決定木などを用いることができる。
（特定組織修理データ記憶部）
第３実施形態に係る評価装置３００は、第１１の記憶部（特定組織修理データ記憶部）
２４を有してもよい。第１１の記憶部２４は、第２の製品群に含まれる製品が修理センタ
ーで修理されたときの修理部品を記憶する（図１８）。
（特定組織修理製品稼働データ記憶部）
第３実施形態に係る評価装置３００は、第１２の記憶部（特定組織修理製品稼働データ
記憶部）２５を有してもよい。第１２の記憶部２５は、第２の製品群に含まれる製品の第
３の稼働データを記憶する（図１７）。
第３実施形態に係る評価装置３００は、第１２の記憶部（特定組織修理製品稼働データ
記憶部）２５を有してもよい。第１２の記憶部２５は、第２の製品群に含まれる製品の第
３の稼働データを記憶する（図１７）。
（特定組織向け出荷データ記憶部）
第３実施形態に係る評価装置３００は、第１３の記憶部（特定組織向け出荷データ記憶
部）２６を有してもよい。第１３の記憶部２６は、第２の製品群に含まれる製品の出荷デ
ータを記憶する。
第３実施形態に係る評価装置３００は、第１３の記憶部（特定組織向け出荷データ記憶
部）２６を有してもよい。第１３の記憶部２６は、第２の製品群に含まれる製品の出荷デ
ータを記憶する。
（特定組織向け故障予兆モデル記憶部）
第３実施形態に係る評価装置３００は、第１４の記憶部（特定組織向け故障予兆モデル
記憶部）２７を有してもよい。第１４の記憶部２７は、第２の学習部１７で学習した、第
２の故障予兆モデルのパラメータを記憶する。
第３実施形態に係る評価装置３００は、第１４の記憶部（特定組織向け故障予兆モデル
記憶部）２７を有してもよい。第１４の記憶部２７は、第２の学習部１７で学習した、第
２の故障予兆モデルのパラメータを記憶する。
（評価装置の構成）
第３実施形態に係る評価装置３００の構成を図１０に示す。図１０では第２実施形態に
係る評価装置２００と相違する構成要素について主に示している。
第３実施形態に係る評価装置３００の構成を図１０に示す。図１０では第２実施形態に
係る評価装置２００と相違する構成要素について主に示している。
第２のモデル学習部１７には中央演算装置（ＣＰＵ）を用いることができる。
第１１の記憶部２４、第１２の記憶部２５、第１３の記憶部２６にはＨＤＤ、ＮＡＮＤ
型フラッシュメモリーなどの汎用の記録媒体を用いることができる。
型フラッシュメモリーなどの汎用の記録媒体を用いることができる。
第２のモデル学習部１７、第１１の記憶部２４、第１２の記憶部２５、第１３の記憶部
２６は相互にデータのやり取りが出来るように信号線Ｌ１で接続されている。
２６は相互にデータのやり取りが出来るように信号線Ｌ１で接続されている。
なお、図７において、破線Ａで囲われている範囲の構成要素はサービス提供事業者が使
用する第１の評価ユニット、破線Ｂで囲われている範囲は特定組織が使用する第２の評価
ユニットとすることができる。
用する第１の評価ユニット、破線Ｂで囲われている範囲は特定組織が使用する第２の評価
ユニットとすることができる。
（第３実施形態に係る効果）
第３実施形態に係る評価装置３００では、サービス提供事業者は、特定組織対し、当該
特定組織向けに、カスタマイズされたサービスを提供できる。このカスタマイズされたサ
ービスでは、第１実施形態、第２実施形態に比較して、精度の高い予兆モデルに基づく保
守サービスを提供できるという利点を有する。
第３実施形態に係る評価装置３００では、サービス提供事業者は、特定組織対し、当該
特定組織向けに、カスタマイズされたサービスを提供できる。このカスタマイズされたサ
ービスでは、第１実施形態、第２実施形態に比較して、精度の高い予兆モデルに基づく保
守サービスを提供できるという利点を有する。
（第３実施形態の変形例）
第３実施形態の変形例は、第３実施形態と比較して、第２の学習部１７の学習方法が異
なる。具体的には、第２のモデル学習部１７として、ナイーブベイズ学習を用いる点が異
なる。図１１にブロック図を示す。
第３実施形態の変形例は、第３実施形態と比較して、第２の学習部１７の学習方法が異
なる。具体的には、第２のモデル学習部１７として、ナイーブベイズ学習を用いる点が異
なる。図１１にブロック図を示す。
第１の稼動データ、第１の故障データに基づいて、故障製品・非故障製品のそれぞれに
対して、第１の稼働データの各項目の分布を学習し、事前分布に設定する。その際に、故
障製品の分布と、非故障製品の分布の２種類を求める。
対して、第１の稼働データの各項目の分布を学習し、事前分布に設定する。その際に、故
障製品の分布と、非故障製品の分布の２種類を求める。
図２２、図２３は、第１の製品群のデータ（第１の稼動データ、第１の修理データ）を
用いて、第１の故障予兆モデルを構築する第１のモデル学習部（故障予兆モデル学習部）
１１の説明図である。ラベル生成処理部１１−３は、稼働データ記憶部２２に記憶された
第１の稼働データと修理データ記憶部２３に記憶された第１の修理データを用いて、稼働
データ記憶部２２に記憶された第１の稼働データの各観測時点に対して、故障ラベル、非
故障ラベルのいずれかのラベルを付与する。稼働データ確率分布学習部１１−４は、故障
ラベル、非故障ラベルが付与された第１の稼働データのそれぞれについて、第１の稼働デ
ータの各項目（例：温度、加速度、電流など）の取る値の分布を第１の稼働データの観測
項目ごとに求める。図１２は、第１の稼働データの各観測時点に対して故障・非故障のラ
ベル付与を行うフローである。まず、第１の稼働データの観測から指定期間以内に故障が
発生していれば故障ラベルを付与し、第１の稼働データの観測から指定期間以内に故障が
発生していなければ非故障ラベルを付与する。図１９にラベル付与に関する説明図を示す
。図１９の例では、上記の指定期間を３０日としている。すなわち、稼働データ観測から
３０日以内に故障が起こった稼働データに対して、「故障」ラベルを付与する。図１９で
は記号「◆」が故障発生を意味する。図１９の例では、第１の製品群に含まれる製品１で
はすべての観測日の稼働データに対して、「故障」ラベルが付与される。また、第１の製
品群に含まれる製品２の故障発生日を含め３０日以内の期間の稼働データについては、「
故障」ラベルが付与される。一方、製品２のうち故障から３０日より前の観測日の稼働デ
ータについては、「非故障」ラベルが付与される。故障製品の分布を求める際には、モデ
ル構築に用いるデータのうち、全ての故障製品の全ての観測時刻での第１の稼働データを
用いる。非故障製品の分布を求める際も同様である。
用いて、第１の故障予兆モデルを構築する第１のモデル学習部（故障予兆モデル学習部）
１１の説明図である。ラベル生成処理部１１−３は、稼働データ記憶部２２に記憶された
第１の稼働データと修理データ記憶部２３に記憶された第１の修理データを用いて、稼働
データ記憶部２２に記憶された第１の稼働データの各観測時点に対して、故障ラベル、非
故障ラベルのいずれかのラベルを付与する。稼働データ確率分布学習部１１−４は、故障
ラベル、非故障ラベルが付与された第１の稼働データのそれぞれについて、第１の稼働デ
ータの各項目（例：温度、加速度、電流など）の取る値の分布を第１の稼働データの観測
項目ごとに求める。図１２は、第１の稼働データの各観測時点に対して故障・非故障のラ
ベル付与を行うフローである。まず、第１の稼働データの観測から指定期間以内に故障が
発生していれば故障ラベルを付与し、第１の稼働データの観測から指定期間以内に故障が
発生していなければ非故障ラベルを付与する。図１９にラベル付与に関する説明図を示す
。図１９の例では、上記の指定期間を３０日としている。すなわち、稼働データ観測から
３０日以内に故障が起こった稼働データに対して、「故障」ラベルを付与する。図１９で
は記号「◆」が故障発生を意味する。図１９の例では、第１の製品群に含まれる製品１で
はすべての観測日の稼働データに対して、「故障」ラベルが付与される。また、第１の製
品群に含まれる製品２の故障発生日を含め３０日以内の期間の稼働データについては、「
故障」ラベルが付与される。一方、製品２のうち故障から３０日より前の観測日の稼働デ
ータについては、「非故障」ラベルが付与される。故障製品の分布を求める際には、モデ
ル構築に用いるデータのうち、全ての故障製品の全ての観測時刻での第１の稼働データを
用いる。非故障製品の分布を求める際も同様である。
図２２の例のように、連続値を取る項目の場合は、値を区分してヒストグラムを求めて
も良いし、正規分布のようなパラメトリックな分布を適用しても良い。一方、図２３のよ
うな離散値を取る項目の場合は、ヒストグラムの適用が適している。
も良いし、正規分布のようなパラメトリックな分布を適用しても良い。一方、図２３のよ
うな離散値を取る項目の場合は、ヒストグラムの適用が適している。
ここで、稼働データの各項目の値別の出現頻度をカウントする際に、稼働データの分布
は「稼働データ荷重値設定処理部」１７−１で算出した荷重値を用いて頻度をカウントす
る。そして、全区間で積分して１になるように規準化した頻度分布を求める。
は「稼働データ荷重値設定処理部」１７−１で算出した荷重値を用いて頻度をカウントす
る。そして、全区間で積分して１になるように規準化した頻度分布を求める。
以下にアルゴリズムを説明する。用いる記号は以下である。
次に、第２のモデル学習部（特定組織向け故障予兆モデル学習部）１７では、ベイズの
定理に従って、第１の故障予兆モデルの分布パラメータを更新する。
ここで、Doldは第１の製品群のデータ（第１の稼動データ、第１の修理データ）、Dnew
は第２の製品群のデータ（第３の稼動データ、第２の修理データ）である。稼動データ確
率分布更新部１７−３は、第２の製品群のデータ（第３の稼動データ、第２の修理データ
）を用いて第１の製品群の第１の故障予兆モデル（確率分布のパラメータ）を更新する。
第２のモデル学習部１７で求める故障予兆モデルのパラメータは、第２の稼働データの
各項目についてそれぞれ独立に求める。第１４の記憶部（特定組織向け故障予兆モデル記
憶部）２７では、それらのパラメータを記憶する。
各項目についてそれぞれ独立に求める。第１４の記憶部（特定組織向け故障予兆モデル記
憶部）２７では、それらのパラメータを記憶する。
本変形例ではナイーブベイズ判別を用いた判別を行い、評価対象の第２の稼働データが
、故障・非故障のどちらの分布に近いかを求める。ここで、各稼働データの項目が独立で
あると仮定する。すなわち、
、故障・非故障のどちらの分布に近いかを求める。ここで、各稼働データの項目が独立で
あると仮定する。すなわち、
とする。なお、Dは観測データの項目数であり、
である。このとき、あるｊ番目の観測点での第２の稼働データの故障・非故障の判別結果
は、
である。
図１３はナイーブベイズによる学習のフローを示したものである。
（第３実施形態の変形例に係る効果）
本実施例で得られるモデルは、稼働データの値の分布を見て、製品が故障に近いことを
警告することに活用できる。従って、時系列稼働データの「値」の監視に使える。その際
、値の時間変化に関する情報は用いていないが、時系列データの監視で広く用いられてい
る上限値、下限値といった閾値との比較による監視よりは、高度の監視が可能である。
本実施例で得られるモデルは、稼働データの値の分布を見て、製品が故障に近いことを
警告することに活用できる。従って、時系列稼働データの「値」の監視に使える。その際
、値の時間変化に関する情報は用いていないが、時系列データの監視で広く用いられてい
る上限値、下限値といった閾値との比較による監視よりは、高度の監視が可能である。
（第４実施形態）
第４実施形態として、サービス提供事業者を別企業にした場合が考えられる（図１５）
。
第４実施形態として、サービス提供事業者を別企業にした場合が考えられる（図１５）
。
図１５と図１の差異は、復号化部１６と第１の送受信部１２を、モデル提供事業者とは別
のサービス提供事業者に設けている点である。一方、暗号化済みの第２の故障予兆モデル
を特定組織に渡す点は図１と同じである。
のサービス提供事業者に設けている点である。一方、暗号化済みの第２の故障予兆モデル
を特定組織に渡す点は図１と同じである。
図１５において、破線Ａ、Ｂ、Ｃで囲われている領域がそれぞれモデル提供事業者、特
定組織、サービス提供事業者に対応する。
定組織、サービス提供事業者に対応する。
これにより、モデル提供事業者Ａはモデルの内容を特定組織Ｂ、サービス提供事業者Ｃ
に知られることなく、また、特定組織Ｂはモニタリングデータの内容をモデル提供事業者
Ａ、サービス提供事業者Ｃに知られることなく、サービス提供事業者Ｃは特定組織Ｂに対
して保守メンテナンス等のサービスを提供することができる。
に知られることなく、また、特定組織Ｂはモニタリングデータの内容をモデル提供事業者
Ａ、サービス提供事業者Ｃに知られることなく、サービス提供事業者Ｃは特定組織Ｂに対
して保守メンテナンス等のサービスを提供することができる。
（第４実施形態の変形例）
サービス提供事業者を別企業にした、別の形態が考えられる（図１６）。図１６と図１
の差異は、第８の記憶部６３と第１の送受信部１２を、モデル提供事業者とは別のサービ
ス提供事業者に設けている点である。一方、復号化部１６をモデル提供事業者が持つ点は
図１と同じである。
サービス提供事業者を別企業にした、別の形態が考えられる（図１６）。図１６と図１
の差異は、第８の記憶部６３と第１の送受信部１２を、モデル提供事業者とは別のサービ
ス提供事業者に設けている点である。一方、復号化部１６をモデル提供事業者が持つ点は
図１と同じである。
図１６において、破線Ａ、Ｂ、Ｃで囲われている領域がそれぞれモデル提供事業者、特
定組織、サービス提供事業者に対応する。
定組織、サービス提供事業者に対応する。
これにより、モデル提供事業者Ａはモデルの内容を特定組織Ｂ、サービス提供事業者Ｃ
に知られることなく、また、特定組織Ｂはモニタリングデータの内容をモデル提供事業者
Ａ、サービス提供事業者Ｃに知られることなく、サービス提供事業者Ｃは特定組織Ｂに対
して保守メンテナンス等のサービスを提供することができる。
に知られることなく、また、特定組織Ｂはモニタリングデータの内容をモデル提供事業者
Ａ、サービス提供事業者Ｃに知られることなく、サービス提供事業者Ｃは特定組織Ｂに対
して保守メンテナンス等のサービスを提供することができる。
これまで説明した各実施形態に記載されている方法の各ステップは、コンピュータにこ
れらのステップを実行させるプログラムとすることが可能である。また、これらのプログ
ラムはコンピュータに読み取り可能な記録媒体に記録することが可能である。
れらのステップを実行させるプログラムとすることが可能である。また、これらのプログ
ラムはコンピュータに読み取り可能な記録媒体に記録することが可能である。
これら実施形態は、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、様々の省略、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時に、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。
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、様々の省略、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時に、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。
１１ ・・・ 第１の学習部（故障予兆モデル学習部）
１２ ・・・ 第１の送受信部
１３ ・・・ 第１のデータ収集部（データ収集部）
１５ ・・・ 暗号化部（故障予兆モデルパラメータ暗号化部）
１６ ・・・ 複合化部
２１ ・・・ 第１の記憶部（故障予兆モデル記憶部）
２２ ・・・ 第２の記憶部（第１の稼動データ記憶部）
２３ ・・・ 第３の記憶部（第１の修理データ記憶部）
２４ ・・・ 第１１の記憶部（特定組織修理データ記憶部）
２５ ・・・ 第１２の記憶部（特定組織修理製品稼働データ記憶部）
２６ ・・・ 第１３の記憶部（特定組織向け出荷データ記憶部）
２７ ・・・ 第１４の記憶部（特定組織向け故障予兆モデル記憶部）
３１ ・・・ 公開鍵生成部
３２ ・・・ 秘密鍵生成部
４１ ・・・ 第６の記憶部（公開鍵記憶部）
４２ ・・・ 第７の記憶部（秘密鍵記憶部）
５１ ・・・ 評価算出部（稼動データ評価値算出部）
５２ ・・・ 第２のデータ収集部（稼動データ収集部）
５３ ・・・ 第２の送受信部
５４ ・・・ 暗号演算部（稼動データ暗号演算部）
５５ ・・・ 乱数発生部
６１ ・・・ 第４の記憶部（評価値記憶部）
６２ ・・・ 第５の記憶部（特定組織稼動データ記憶部）
６３ ・・・ 第８の記憶部（暗号化済故障予兆モデル記憶部）
６４ ・・・ 第９の記憶部（乱数記憶部）
１００、２００、３００ ・・・ 評価装置
１０１ ・・・ 第１の製品群
１０２ ・・・ 第２の製品群
１２ ・・・ 第１の送受信部
１３ ・・・ 第１のデータ収集部（データ収集部）
１５ ・・・ 暗号化部（故障予兆モデルパラメータ暗号化部）
１６ ・・・ 複合化部
２１ ・・・ 第１の記憶部（故障予兆モデル記憶部）
２２ ・・・ 第２の記憶部（第１の稼動データ記憶部）
２３ ・・・ 第３の記憶部（第１の修理データ記憶部）
２４ ・・・ 第１１の記憶部（特定組織修理データ記憶部）
２５ ・・・ 第１２の記憶部（特定組織修理製品稼働データ記憶部）
２６ ・・・ 第１３の記憶部（特定組織向け出荷データ記憶部）
２７ ・・・ 第１４の記憶部（特定組織向け故障予兆モデル記憶部）
３１ ・・・ 公開鍵生成部
３２ ・・・ 秘密鍵生成部
４１ ・・・ 第６の記憶部（公開鍵記憶部）
４２ ・・・ 第７の記憶部（秘密鍵記憶部）
５１ ・・・ 評価算出部（稼動データ評価値算出部）
５２ ・・・ 第２のデータ収集部（稼動データ収集部）
５３ ・・・ 第２の送受信部
５４ ・・・ 暗号演算部（稼動データ暗号演算部）
５５ ・・・ 乱数発生部
６１ ・・・ 第４の記憶部（評価値記憶部）
６２ ・・・ 第５の記憶部（特定組織稼動データ記憶部）
６３ ・・・ 第８の記憶部（暗号化済故障予兆モデル記憶部）
６４ ・・・ 第９の記憶部（乱数記憶部）
１００、２００、３００ ・・・ 評価装置
１０１ ・・・ 第１の製品群
１０２ ・・・ 第２の製品群
Claims (13)
- 中央演算装置を備える評価ユニットであって、
サービス提供業者が備える第１の中央演算装置が、第１の製品群の観測値を含む第１の稼動データと、前記第１の製品群のうち故障した製品情報を含む第１の修理データとを用いて、前記観測値を故障または非故障に分類する第１の故障予兆モデルを得る第１のモデル学習部と、
サービス提供業者が備える第２の中央演算装置が、前記第１の製品群には含まれない第２の製品群のうち故障した製品情報を含む第２の修理データ、及び前記第２の製品群に含まれる製品であって過去に修理されたことのある製品の観測値を含む第３の稼動データを更に用いて、前記第１の故障予兆モデルの第１のパラメータを更新し、更新後の第１のパラメータを第２のパラメータとして有する第２の故障予兆モデルを得る第２のモデル学習部と、
を備えることを特徴とする評価ユニット。 - 特定組織が備える第２の評価ユニットとの間でデータを送受信する送受信部を備える請求項１に記載の評価ユニット。
- サービス提供業者が備える第５の中央演算装置が、前記第２のパラメータを暗号化する暗号化部をさらに備え、
前記送受信部は、暗号化された前記第２の故障予兆モデルを前記第２の評価ユニットに対して送信する請求項２に記載の評価ユニット。 - 前記送受信部は、前記第２の評価ユニットが、暗号化された前記第２の故障予兆モデルを前記第２の製品群の観測値を含む第２の稼働データに適用した演算結果に対して乱数を加算した結果を前記第２の評価ユニットから受信し、
サービス提供業者が備える第７の中央演算装置が、前記乱数を加算した結果を復号化する復号化部をさらに備える請求項３に記載の評価ユニット。 - 中央演算装置を備える評価ユニットであって、
特定組織が備える第３の中央演算装置が、第１の製品群には含まれない第２の製品群のうち故障した製品情報を含む第２の修理データ、及び前記第２の製品群に含まれる製品であって過去に修理されたことのある製品の観測値を含む第３の稼働データを用いて得られる第２の故障予兆モデルと、前記第２の製品群の観測値を含む第２の稼働データとを用いて、前記第２製品群の故障予兆の有無または故障確率を算出する評価算出部を備えることを特徴とする評価ユニット。 - サービス提供業者が備える第２の評価ユニットとの間でデータを送受信する送受信部を備える請求項５に記載の評価ユニット。
- 特定組織が備える第４の中央演算装置が、乱数を発生させる乱数発生部と、
特定組織が備える第６の中央演算装置が、暗号化された前記第２の故障予兆モデルを前記第２の稼働データに適用した演算結果に前記乱数発生部で発生させた乱数を加算する暗号演算部と、
をさらに備え、
前記送受信部は、前記乱数を加算した結果を前記第２の評価ユニットに対して送信する請求項６に記載の評価ユニット。 - 前記送受信部は、前記第２の評価ユニットが、前記乱数を加算した結果を復号化した結果を前記第２の評価ユニットから受信し、
前記復号化した結果から前記乱数を減算することにより、前記第２の稼働データの評価結果を得る第２の評価算出部、
を備えることを特徴とする請求項７に記載の評価ユニット。 - 第１の中央演算装置が、第１の製品群の観測値を含む第１の稼働データと、前記第１の製品群のうち故障した製品情報を含む第１の修理データとを用いて得る第１の故障予兆モデルにおいて、前記観測値を故障または非故障に分類する前記第１の故障予兆モデルを用いる評価方法であって、
第２の中央演算装置が、前記第１の製品群には含まれない第２の製品群のうち故障した製品情報を含む第２の修理データ、及び前記第２の製品群に含まれる製品であって過去に修理されたことのある製品の観測値を含む第３の稼動データを更に用いて、前記第１の故障予兆モデルの第１のパラメータを更新し、更新後の第１のパラメータを第２のパラメータとして有する第２の故障予兆モデルを得る第１のステップ、
を備えることを特徴とする評価方法。 - 第３の中央演算装置が、第１の製品群には含まれない第２の製品群のうち故障した製品情報を含む第２の修理データ、及び前記第２の製品群に含まれる製品であって過去に修理されたことのある製品の観測値を含む第３の稼働データを用いて得られる第２の故障予兆モデルと、前記第２の製品群の観測値を含む第２の稼働データとを用いて、前記第２の製品群の故障予兆の有無または故障確率を算出する第２のステップ、
を備えることを特徴とする評価方法。 - 第１の中央演算装置が、第１の製品群の観測値を含む第１の稼働データと、前記第１の製品群のうち故障した製品情報を含む第１の修理データとを用いて得る第１の故障予兆モデルにおいて、前記観測値を故障または非故障に分類する前記第１の故障予兆モデルを用いる評価プログラムであって、
コンピュータに、
第２の中央演算装置が、前記第１の製品群には含まれない第２の製品群のうち故障した製品情報を含む第２の修理データ、及び前記第２の製品群に含まれる製品であって過去に修理されたことのある製品の観測値を含む第３の稼動データを更に用いて、前記第１の故障予兆モデルの第１のパラメータを更新し、更新後の第１のパラメータを第２のパラメータとして有する第２の故障予兆モデルを得る第１の手順、
を実行させることを特徴とする評価プログラム。 - コンピュータに、
第３の中央演算装置が、第１の製品群には含まれない第２の製品群のうち故障した製品情報を含む第２の修理データ、及び前記第２の製品群に含まれる製品であって過去に修理されたことのある製品の観測値を含む第３の稼働データを用いて得られる第２の故障予兆モデルと、前記第２の製品群の観測値を含む第２の稼働データとを用いて、前記第２の製品群の故障予兆の有無または故障確率を算出する第２の手順、
を実行させることを特徴とする評価プログラム。 - 請求項１１または１２に記載の評価プログラムを記録したコンピュータ読み取り可能な記録媒体。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012008414A JP5415569B2 (ja) | 2012-01-18 | 2012-01-18 | 評価ユニット、評価方法、評価プログラム、及び記録媒体 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2012008414A JP5415569B2 (ja) | 2012-01-18 | 2012-01-18 | 評価ユニット、評価方法、評価プログラム、及び記録媒体 |
Related Parent Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2010215696A Division JP5228019B2 (ja) | 2010-09-27 | 2010-09-27 | 評価装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2012104148A JP2012104148A (ja) | 2012-05-31 |
| JP5415569B2 true JP5415569B2 (ja) | 2014-02-12 |
Family
ID=46394375
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2012008414A Expired - Fee Related JP5415569B2 (ja) | 2012-01-18 | 2012-01-18 | 評価ユニット、評価方法、評価プログラム、及び記録媒体 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP5415569B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7343496B2 (ja) | 2017-11-21 | 2023-09-12 | サフラン エアロテクニクス エスアーエス | 航空機用一体型燃料逆止装置およびこのような装置を製造するための方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7006396B2 (ja) * | 2018-03-12 | 2022-01-24 | 株式会社リコー | 保守システム、保守サーバ、保守方法 |
| WO2022269699A1 (ja) * | 2021-06-21 | 2022-12-29 | 日本電気株式会社 | 秘密計算システム、金融機関サーバ、情報処理システム、秘密計算方法、及び記録媒体 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002366684A (ja) * | 2001-06-12 | 2002-12-20 | Fujitsu Ltd | 電子計算機 |
| US7233933B2 (en) * | 2001-06-28 | 2007-06-19 | Microsoft Corporation | Methods and architecture for cross-device activity monitoring, reasoning, and visualization for providing status and forecasts of a users' presence and availability |
| JP4041395B2 (ja) * | 2002-12-27 | 2008-01-30 | 東京瓦斯株式会社 | 故障検出装置及び故障検出方法 |
| JP2004240930A (ja) * | 2003-02-04 | 2004-08-26 | Inforce:Kk | コンピュータシステムの開発・保守・サポート方法 |
| JP2005115751A (ja) * | 2003-10-09 | 2005-04-28 | Hitachi Ltd | 計算機システム及び計算機システムの障害兆候の検知方法 |
| JP2005182647A (ja) * | 2003-12-22 | 2005-07-07 | Nec Corp | 機器の異常検知装置 |
| JP4892367B2 (ja) * | 2007-02-02 | 2012-03-07 | 株式会社日立システムズ | 異常兆候検出システム |
| JP5088411B2 (ja) * | 2008-05-27 | 2012-12-05 | 富士通株式会社 | システム運用管理支援プログラム，方法及び装置 |
| JP4572251B2 (ja) * | 2008-09-29 | 2010-11-04 | 株式会社日立製作所 | 計算機システム、計算機システムの障害の予兆検知方法及びプログラム |
| JP2010101948A (ja) * | 2008-10-21 | 2010-05-06 | Ricoh Co Ltd | 故障予測装置及び画像形成装置 |
| JP5301310B2 (ja) * | 2009-02-17 | 2013-09-25 | 株式会社日立製作所 | 異常検知方法及び異常検知システム |
-
2012
- 2012-01-18 JP JP2012008414A patent/JP5415569B2/ja not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7343496B2 (ja) | 2017-11-21 | 2023-09-12 | サフラン エアロテクニクス エスアーエス | 航空機用一体型燃料逆止装置およびこのような装置を製造するための方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2012104148A (ja) | 2012-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3506550B1 (en) | Providing security against user collusion in data analytics using random group selection | |
| Suhail et al. | On the role of hash-based signatures in quantum-safe internet of things: Current solutions and future directions | |
| JP5957918B2 (ja) | 暗号化技術を用いたツリーに基づく分類のための方法及び装置 | |
| CN105122721B (zh) | 用于管理针对加密数据的托管安全计算的方法和系统 | |
| EP2947642A1 (en) | Secure-computation system, computing device, secure-computation method, and program | |
| JP5228019B2 (ja) | 評価装置 | |
| US9875375B2 (en) | Method for performing similar-information search while keeping content confidential by encryption | |
| US10680799B2 (en) | Secure remote aggregation | |
| CN113821810B (zh) | 数据处理方法及系统、存储介质及电子设备 | |
| JP2013125039A (ja) | 暗号処理方法、復号処理方法、装置及びプログラム | |
| CN115065555A (zh) | 一种信息安全处理方法、系统 | |
| CN112951433A (zh) | 一种基于隐私计算的心理健康评估方法 | |
| JP5415569B2 (ja) | 評価ユニット、評価方法、評価プログラム、及び記録媒体 | |
| CN109643504B (zh) | 加密系统、加密方法以及计算机可读的存储介质 | |
| CN113810168A (zh) | 机器学习模型的训练方法、服务器及计算机设备 | |
| Wang et al. | Facilitating privacy-preserving recommendation-as-a-service with machine learning | |
| US20160006563A1 (en) | Encrypted data computation system, device, and program | |
| Vamsi et al. | Electronic health record security in cloud: Medical data protection using homomorphic encryption schemes | |
| CN110995749A (zh) | 区块链加密方法及装置、电子设备和存储介质 | |
| JP2013217970A (ja) | 格子問題に基づく階層型内積暗号システム，格子問題に基づく階層型内積暗号方法，装置 | |
| JP2018116254A (ja) | 情報処理方法、及び、情報処理システム | |
| Ghanbarafjeh et al. | Developing a secure architecture for internet of medical things using attribute-based encryption | |
| Alabi | A review on information security of cloud based electronic health record | |
| US20240241968A1 (en) | Batch processing of key generation requests | |
| US20240243904A1 (en) | File construct for internet-of-things key material |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130510 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130620 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130820 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130930 |
|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20131018 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20131113 |
|
| LAPS | Cancellation because of no payment of annual fees |