JP6716297B2 - 予測信頼性マイニングのためのシステム及び方法 - Google Patents

Description

本明細書における実施形態は、概して、予測信頼性マイニングに関し、より詳細には、センサ拡張信頼性モデルを含むシステム及び方法に関する。

（関連出願及び優先権の相互参照）
本出願は、２０１５年１０月１５日に提出されたインド特許出願第３９２２／ＭＵＭ／２０１５号からの優先権を主張し、その全体は参照によりに組み込まれる。

インダストリアルインターネットが未来を形作りつつあり、接続機械が技術のあらゆる側面の部分を成すことは当然のことである。従来、予測信頼性マイニングは、ワイブル又は対数正規分布等の指数分布族による分布を用いて保証クレーム（ｗａｒｒａｎｔｙ ｃｌａｉｍ）からの部品故障に関する履歴データに基づいていた。機械の集団の中で（１つ以上の部品において）観測された故障がこのようなモデルに基づいて予測された数を超える場合、これは、その集団の潜在的なシステム上の問題の早期警戒として機能する場合がある。このような早期警戒は、実際に起こった一部の例外的に高い故障に依存している。再び、予測された故障総数からの重大な逸脱が集団の一部の未知の部分集合、例えば、特定のバッチ、又は特定の年に若しくは特定の工場で製造された機械等においてのみ起こる場合が多いことが分かっている。このような逸脱は、全集団の中で重大ではなく、従来の信頼性マイニングが利用される場合に未識別のままとなる。従来の信頼性分析を使用して可能なよりも早期に潜在的な問題を検出するだけでなく、統計的に集団に中に隠れてしまう例外が発生したかもしれない集団の部分集合を特定することも課題である。

この概要は、予測信頼性マイニングに関する概念を導入するために提供される。本開示の文脈では、「接続機械（ｃｏｎｎｅｃｔｅｄ ｍａｃｈｉｎｅｓ）」という表現は、接続された車両、接続されたエンジン、当技術分野で周知の接続された機械として機能する任意の他の産業機器に関連する。接続機械の部品を監視するために提供されるオンボード診断（ＯＢＤ）システムは、本開示の文脈ではセンサを含む。この概要は、請求項の主題の本質的な特徴を特定すること又は本開示の範囲を決定若しくは限定するのに使用されることを何れも意図していない。

本開示のシステム及び方法は、接続機械の集団において予測信頼性マイニングを可能にする。「インダストリアルインターネット」によって、ほとんどの産業機器は、フィールドにおける所望のコンポーネントの実行時間動作を連続的に監視するセンサを組み込んでおり、無線セルラ又は都市ＷｉＦｉネットワークを介することを含む様々な手段により事前定義されたセンサ情報を製造業者に送り返している。特に、現代の自動車は、様々な状況において異常センサレベルを示すために英数字のＤＴＣ（Ｄｉａｇｎｏｓｔｉｃ Ｔｒｏｕｂｌｅ Ｃｏｄｅ）を生成するオンボード電子制御モジュールを有する。これらの幾つかは、実際の又は潜在的な部品不良を示す。このようなＤＴＣは、典型的に、実際の部品故障の前にトリガされる。本開示のシステム及び方法は、このようなＤＴＣを分析して、潜在的な将来の部品故障を示す早期警戒として機能するように、ＤＴＣと将来の故障時間を相関させる。

ある態様では、接続機械の集団における予測信頼性マイニングのためのコンピュータ実装方法が提供され、この方法は、識別ＤＴＣ（Ｄｉａｇｎｏｓｔｉｃ Ｔｒｏｕｂｌｅ Ｃｏｄｅ）の集合を故障の前に生成されたＤＴＣから特定するステップであって、前記識別ＤＴＣの集合は前記接続機械の関連する事前定義された部品に対応するステップと、過去の故障データから事前定義された部品の故障と前記識別ＤＴＣの特定された集合との間の時間依存性に基づいて、時間条件依存モデルを生成するステップと、生成された時間条件依存性並びにＤＴＣの発生及び不発生に基づいて、将来の故障を予測するステップとを含む。

実施形態において、将来の故障を予測するステップは、その後に、予測信頼性マイニングのために予測される将来の故障の根本原因解析を行うステップが続き得る。

ある実施形態において、識別ＤＴＣの集合を特定するステップは相関ルールマイニングに基づき、相関ルールマイニングはアプリオリ（Ａｐｒｉｏｒｉ）技術の使用を含む。

実施形態において、相関ルールマイニング技術により特定されるルールの前件（ａｎｔｅｃｅｄｅｎｔ）は、識別ＤＴＣの集合を成す。

実施形態において、時間条件依存モデルはベイズネットワークである。

実施形態において、過去の故障データからの事前定義部分の故障と識別ＤＴＣの特定された集合との間の時間依存性は、ワイブル分布に従う。

実施形態において、時間条件依存モデルを生成するステップは、その後に、接続機械の集団を、所定の期間にＤＴＣが生成されない接続機械を含む第１の集合と前記所定の期間に少なくとも１つのＤＴＣが生成される接続機械を含む第２の集合とに分離するステップが続く。

実施形態において、将来の故障を予測するステップは、接続機械の分離された集団においてＤＴＣの発生及び非発生の両方に基づいて、故障の確率を計算して、予測された故障数が事前定義値により前記過去の故障データに基づく期待される故障数よりも多い場合に早期警戒を生成するステップを含む。実施形態において、前記事前定義値は、予測された故障数、及び所定の期間における前記事前定義された部品の故障数を表す確率変数の分散に基づく。

実施形態において、根本原因解析を行うステップは、前記事前定義された部品の少なくとも１つに対して早期警戒が生成される場合に前記集団の部分集合を特定することを含む。実施形態において、根本原因解析を行うステップは、（ｉ）前記過去の故障データに基づいて第１の期待故障時間を計算するステップと、（ｉｉ）接続機械の集団を、所定の期間にＤＴＣが生成されない接続機械を含む第１の集合と前記所定の期間に少なくとも１つのＤＴＣが生成される接続機械を含む第２の集合とに分離するステップと、（ｉｉｉ）事前定義された遅延パラメータ及び前記少なくとも１つのＤＴＣの発生時間に更に基づく第２の集合の期待故障時間に基づいて第２の期待故障時間を計算するステップと、（ｉｖ）計算された第１の期待故障時間及び第２の期待故障時間に基づいて接続機械の各々に対する例外スコアを定義するステップと、（ｖ）前記接続機械の事前定義された特徴に対してステップ（ｉ）から（ｉｖ）を繰り返し行うステップと、（ｖｉ）事前定義された閾値よりも大きな前記例外スコアを有する前記集団の部分集合を特定するステップであって、特定される部分集合は前記事前定義された特徴のそれぞれに対して前記早期警戒の可能な理由を示すステップとを含む。

実施形態において、根本原因解析を行うステップは、早期警戒が集団レベルで生成されない場合に可能な例外を有する前記集団の部分集合を特定することを含む。実施形態において、根本原因解析を行うステップは、（ｉ）前記接続機械のそれぞれに対して例外スコアを定義するステップと、（ｉｉ）前記接続機械のそれぞれを、事前定義された特徴の集合及び定義された例外スコアを含むレコードと関連付けるステップと、（ｉｉｉ）定義された例外スコアを、事前定義された高レベル又は通常レベルの何れかに離散化するステップと、（ｉｖ）高レベルの例外スコアによる相関ルールを特定するために相関ルールマイニングを行うステップと、（ｖ）ルールクラスタを形成するために密度に基づく技術を使用して特定された相関ルールをクラスタ化するステップと、（ｖｉ）高い支持度及び確信度を有する前記ルールクラスタのそれぞれから１つ以上のルールを選択するステップと、（ｖｉｉ）高レベルの例外スコアの可能な理由を示す選択された１つ以上のルールの前件に基づいて、高レベルの例外スコアを有する前記集団の部分集合を特定するステップとを含む。

別の態様では、接続機械の集団における予測信頼性マイニングのためのシステムが提供される。このシステムは、１つ以上のプロセッサと、通信インターフェース装置と、前記接続機械の事前定義された部品のオンボード診断システムからＤＴＣ（Ｄｉａｇｎｏｓｔｉｃ Ｔｒｏｕｂｌｅ Ｃｏｄｅ）を受信するように構成される入力モジュールを記憶するための前記１つ以上のプロセッサに動作可能に結合される１つ以上の内部データ記憶装置と、識別ＤＴＣの集合を故障の前に生成されたＤＴＣから特定するように構成されるＤＴＣパターン特定器であって、前記識別ＤＴＣの集合は前記接続機械の関連する事前定義された部品に対応するＤＴＣパターン特定器と、過去の故障データから事前定義された部品の故障と前記識別ＤＴＣの特定された集合との間の時間依存性に基づいて、時間条件依存モデルを生成するように構成されるベイズネットワーク生成器と、生成された時間条件依存性並びにＤＴＣの発生及び不発生に基づいて、将来の故障を予測するように構成される故障予測器とを備える。

実施形態において、本明細書に記載のシステムは、予測信頼性マイニングのために予測される将来の故障の根本原因解析を行うように構成されるアナライザを更に含み得る。

更に別の態様では、データを処理するためのコンピュータプログラム製品が提供され、識別ＤＴＣ（Ｄｉａｇｎｏｓｔｉｃ Ｔｒｏｕｂｌｅ Ｃｏｄｅ）の集合を故障の前に生成されたＤＴＣから特定することであって、前記識別ＤＴＣの集合は前記接続機械の関連する事前定義された部品に対応すること、過去の故障データから事前定義された部品の故障と前記識別ＤＴＣの特定された集合との間の時間依存性に基づいて、時間条件依存モデルを生成すること、生成された時間条件依存性並びにＤＴＣの発生及び不発生に基づいて、将来の故障を予測すること、及び予測信頼性マイニングのために予測された将来の故障の根本原因解析を行うことのための、プログラム命令が具現化される一時的でないコンピュータ可読媒体を含む。

本明細書の実施形態は、以下の詳細な説明から図面を参照して良好に理解されるであろう。
本開示の実施形態による接続機械の集団における予測信頼性マイニングのためのシステムの例示的なブロック図を示す。 本開示の実施形態による図１のシステムを使用して接続機械の集団における予測信頼性マイニングのためのコンピュータ実装方法を示す例示的フロー図である。 本開示の実施形態によるセンサ拡張ベイズ信頼性モデルである。 例示的なデータの集合のワイブル及びガウス分布から標本化されたＤＴＣのＱＱ（分位点）プロットを示す。 ＳＡＲＭによる予測された対実際の対ＢＲＭによる期待された故障の数の比較を示す。 Ｐ_Ｇ部品に関する予測及び故障の週間傾向を示す。 視覚分析を用いた早期警戒（ＥＷ−１）の根本原因解析を示す。 ルール例外ペアとして早期警戒（ＥＷ−２）に関して発見されたサブグループを示す。

当業者には、本明細書における任意のブロック図が本願の主題の原理を具現化する例示的なシステムの概念図を表すことが理解されるべきである。同様に、任意のフローチャート、フロー図、状態遷移図、擬似コード等が、コンピュータ可読媒体において実質的に表されており、コンピュータ装置又はプロセッサが明示されているかに関わらず、このようなコンピュータ装置又はプロセッサによって実行され得る様々な処理を表すことが理解されるべきである。

本明細書の実施形態及び様々な特徴及びその有利な詳細が、添付の図面に例示され且つ以下の記載で詳述される非限定的な実施形態を参照してより完全に説明される。本明細書で用いられる例示は、本明細書の実施形態が実施され得るやり方の理解を容易にし且つ当業者が本明細書の実施形態を更に実施できるようにすることのみを意図している。従って、例示は、本明細書の実施形態の範囲を限定するものと解釈されるべきではない。

「備える」、「有する」、「包含する」及び「含む」並びにこれらの他の形態は、同等の意味であることが意図されており、こうした言葉の何れか１つに続く１つ又は複数の事項が、このような１つ又は複数の事項の網羅的な列挙であることを意味しておらず又は列挙された１つ又は複数の事項のみに限定されることを意図していないという点で制約がないことが意図されている。

また、本明細書で用いられる場合、添付の請求項において、単数形「１つ」（“ａ，”“ａｎ”）及び「前記」（“ｔｈｅ”）は、文脈において特段に明記されない限り、複数参照を含むことが理解されなければならない。本明細書に記載されたものと類似の又は均等の任意のシステム及び方法が本開示の実施形態のテスト又は実施に使用され得るが、好ましいシステム及び方法が次に記載される。

その全ての特徴を例示する本開示の一部の実施形態が次に詳細に検討される。開示された実施形態は、様々な形態で具現化され得る本開示の単なる例示である。

詳細な説明を行う前に、以下の検討の全てが、記載されている特定の実装に関わらず、限定ではなく本質的に例示であることに留意されたい。例えば、実装の選択された態様、特徴又はコンポーネントがメモリに記憶されるように描かれているが、アパレル認識及び分類システム及び方法と一致するシステム及び方法の全て又は一部が、他の機械可読媒体において記憶され、分配され又は読み取られてもよい。

次に、図面、より詳細には、図１〜８を参照すると、同様の参照文字が図面を通じて一貫して対応する特徴を示しており、好ましい実施形態が示されており、こうした実施形態は、以下の例示のシステム及び方法の文脈で記載される。

図１は、本開示の実施形態による予測信頼性マイニングのためのシステム１００の例示的なブロック図を示し、図２は、本開示の実施形態による図１のシステムを使用する予測信頼性モデルのためのコンピュータ実装方法２００を示す例示的なフロー図を示す。次に、本開示の方法２００のステップは、図１に描かれたシステム１００のコンポーネントを参照して説明される。実施形態では、システム１００は、１つ以上のプロセッサ（図示せず）、通信インターフェース又は入力／出力（Ｉ／Ｏ）インターフェース（図示せず）、及び１つ以上のプロセッサに動作可能に結合される１つ以上の内部データ記憶装置（図示せず）又はメモリを含む。１つ以上のプロセッサは、１つ以上のマイクロプロセッサ、マイクロコンピュータ、マイクロコントローラ、ＤＳＰ（ｄｉｇｉｔａｌ ｓｉｇｎａｌ ｐｒｏｃｅｓｓｏｒ）、ＣＰＵ（ｃｅｎｔｒａｌ ｐｒｏｃｅｓｓｉｎｇ ｕｎｉｔ）、状態機械、論理回路、及び／又は動作命令に基づいて信号を操作する任意の装置として実装され得る。複数の機能の中でも特に、（複数の）プロセッサは、メモリに記憶されたコンピュータ可読命令をフェッチして実行するように構成される。実施形態において、システム１００は、サーバに、又はラップトップコンピュータ、デスクトップコンピュータ、ノートブック、ワークステーション、メインフレームコンピュータ、サーバ、ネットワークサーバ、クラウド、ハンドヘルド装置等の様々なコンピュータシステムに実装され得る。

Ｉ／Ｏインターフェースは、ソフトウェア及びハードウェアインターフェース、例えば、ウェブインターフェース、グラフィカルユーザインターフェース等を含んでもよく、有線ネットワーク、例えば、ＬＡＮ、ケーブル等、及びＷＬＡＮ、セルラ又は衛星等の無線ネットワークを含む広範なネットワーク及びプロトコルタイプ内の多数の通信を容易にすることができる。実施形態において、Ｉ／Ｏインターフェースは、多数の装置を互いに又は別のサーバに接続するための１つ以上のポートを含み得る。

メモリは、例えば、ＳＲＡＭ（ｓｔａｔｉｃ ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）及びＤＲＡＭ（ｄｙｎａｍｉｃ ｒａｎｄｏｍ ａｃｃｅｓｓ ｍｅｍｏｒｙ）等の揮発性メモリ、及び／又はＲＯＭ（ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）、ＥＰＲＯＭ（ｅｒａｓａｂｌｅ ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、フラッシュメモリ、ハードディスク、光学ディスク、及び磁気テープ等の不揮発性メモリを含む、当技術分野で周知の任意のコンピュータ可読媒体を含んでもよい。実施形態において、システム１００の様々なモジュールはメモリに記憶され得る。

接続機械には、オンボード診断（ＯＢＤ）システム１１０が設けられる。典型的に、ＤＴＣ（Ｄｉａｇｎｏｓｔｉｃ Ｔｒｏｕｂｌｅ Ｃｏｄｅ）と接続機械の部品との間に多対多マッピングがある。即ち、１つのＤＴＣが１つより多くの部品における誤動作を示し、単一の部品における誤動作が１つより多くのＤＴＣをトリガしてもよい。従って、たとえ単一の部品の故障に一意に関連付けられていなくても、各部品の将来の故障に相関され得る識別ＤＴＣを特定することが重要である。ステップ２０２において、ＤＴＣパターン特定器１１４が識別ＤＴＣの集合を特定することができ、ここで識別ＤＴＣの集合は接続機械の関連する事前定義部品に対応する。実施形態において、識別ＤＴＣの集合を特定するステップは、相関ルールマイニングに基づく。実施形態において、相関ルールマイニングは、故障をもたらす状況におけるＤＴＣ発生を検査して、これらを故障が観測されない状況と比較することによって、部品ごとに識別ＤＴＣのためのルールを特定することを含み得る。

部品故障の早期警戒表示として効果的にＤＴＣを使用するために、ステップ２０４において、ベイズネットワーク生成器１１６によって時間条件依存モデルが生成される。実施形態において、時間条件依存モデルは、過去の故障データからの事前定義部品の故障と識別ＤＴＣの特定された集合との間の時間依存性に基づく。従って、本開示のシステム及び方法は、従来から知られている信頼性モデルを拡張するために、過去の故障データ、識別ＤＴＣの特定された集合、及びその時間的依存性を使用する。実施形態において、過去の故障データからの事前定義部分の故障と識別ＤＴＣの特定された集合との間の時間依存性は、ワイブル分布に従う。

ステップ２０６において、故障予測器１１８によって生成された時間条件依存性に基づいて、将来の故障が予測される。実施形態において、将来の故障を予測するステップは、予測された故障の数が事前定義値によって過去の故障データに基づいて期待される故障の数よりも大きい場合に、早期警戒を生成することを含む。実施形態において、故障予測器１１８は、早期警戒に関連付けられる接続機械の部品を特定し、それに従って、集団の関連部分集合を特定するように構成される。

ステップ２０８において、アナライザ１２０によって、予測信頼性マイニングのために予測される将来の故障の根本原因解析が行われる。

次に、図２のステップ２０２から２０８が以下で詳細に説明される。本開示の文脈では、これより以後用いられる様々な表現が以下のように定義される。

Ｉ＝｛ｉ_１，ｉ_２，...ｉ_ｍ｝は、アイテムと呼ばれるｍ個のバイナリ属性の集合である。Ｄ＝｛ｔ_１，ｔ_２，...ｔ_ｎ｝は、データベースと呼ばれるトランザクションの集合である。Ｄにおける各トランザクションは、一意のｉｄを有しており、Ｉにおけるアイテムの部分集合を含む。アイテムセットＸ，Ｙは、それぞれルールの前件（ａｎｔｅｃｅｄｅｎｔ）及び後件（ｃｏｎｓｅｑｕｅｎｔ）と呼ばれる。相関ルールｒは、形式Ｘ−＞Ｙの暗示表現であり、ここでＸ，Ｙ⊆Ｉ且つＸ∩Ｙ＝φである。アイテムセットＸの支持度（ｓｕｐｐｏｒｔ）ｓ（Ｘ）は、アイテムセットＸを含むデータベースＤにおけるトランザクションの割合と定義される。ルールｃｏｎｆ（ｒ）の確信度（ｃｏｎｆｉｄｅｎｃｅ）は、ｓ（Ｘ∪Ｙ）／ｓ（Ｘ）である。ルールｌ（ｒ）の更なるリフト（ｌｉｆｔ）はその興味深さ（ｉｎｔｅｒｅｓｔｉｎｇｎｅｓｓ）を測定し、それは後件の支持度及び確信度の比率、即ち、ｃｏｎｆ（ｒ）／ｓ（Ｙ）である。ルールｒの範囲は、Ｘを含むＤにおけるトランザクションの数の割合であり、ｓ（Ｘ）により与えられる。Ｒ＝｛ｒ１，ｒ２，...ｒ_ｌ｝はｌ個のルールの集合であり、Ｄにおけるｃ_Ｒにより表されるＲの範囲は集合Ｒにおけるルールの前件の何れかを含むＤにおけるトランザクションの割合である。

識別ＤＴＣ（Ｄｉａｇｎｏｓｔｉｃ Ｔｒｏｕｂｌｅ Ｃｏｄｅ）の集合が特定されるステップ２０２は、例えば部品Ｐｉの故障に識別性のあるＤＴＣ、即ち、Ｐｉの故障前に起こるが他の部品の故障前には起こらないＤＴＣを特定することを含む。実施形態において、識別ＤＴＣを特定するステップは、相関ルールマイニングに基づく。実施形態において、相関ルールマイニングは、高い確信度及びリフトを有する部品Ｐｉの故障をもたらすＤＴＣのルールを特定するためにアプリオリ技術を用いる。異なる車両において異なる理由により単一の部品が故障し得るので、単一の部品に対して１つより多くの高い確信度ルールを得ることが可能である。部品Ｐ_ｉに対して、Ｉは、接続機械の全集団に対する全ての可能なＤＴＣのアイテムセットである。任意の所与の時間ｔ_０において、Ｐ_ｉは、ｎ個の接続機械において故障した部品を表す。ｎ個の接続機械の各々に対して、部品Ｐ_ｉの故障日から開始して、過去のｄ日にトリガされるトランザクションｆ_ｉにおける全てのＤＴＣが収集され、故障を表すアイテムｆが各トランザクションに追加される。従って、ｎ個の接続機械に対して、故障集合と呼ばれるｎ個のトランザクションの集合Ｄ_ｆ＝｛ｆ_１，ｆ_２，...，ｆ_ｎ｝が得られ、ここで、各ｆ_ｉ⊆Ｉである。同様に、接続機械に対して非故障集合と呼ばれる別の集合Ｄ_ｎｆが得られ、ここで、Ｐ_ｉ以外の部品は故障しており、集合Ｄ_ｎｆの全てのトランザクションにアイテムｎ_ｆが追加される。１つのトランザクションにおける単一のＤＴＣの複数の発生に対して、そのＤＴＣの最初の発生が考慮される。アプリオリ技術を使用してルールの集合Ｒ＝Ｄ_ｆ∪Ｄ_ｎｆが生成される。確信度ｃｏｎ ｆ（ｒ）＞τ_ｐ∀ｒ∈Ｒ、及びＤ_ｆ＞Ｒ_ｃにおける集合Ｒの範囲を表すｃ_Ｒを有する集合Ｒにおけるルールが特定される。ここで、τ_ｐは確信度に対する前の閾値であり、Ｒ_ｃは範囲に対する前の閾値である。集合Ｒにおける全てのルールの前件の集合は、部品Ｐ_ｉに対してｄｉｓｃ_ｉ＝｛Ｄ_１，Ｄ_２，Ｄ_３，...Ｄ_Ｎ｝としてＤＴＣの識別集合を成し、ここで、各集合Ｄ_ｊは少なくとも１つのＤＴＣ及びＤ_１∩Ｄ_２∩....Ｄ_Ｎ＝φを含む。

ＤＴＣは実際の故障の前に起こるので、ＤＴＣ発生と部品故障との間の時間遅延は、それらの間の依存性を定義する。ステップ２０４において、ベイズ信頼性モデル又はベイズネットワークが、図３に示されるように、部品Ｐ_ｉの故障と識別ＤＴＣのその集合ｄｉｓｃ_ｉとの間の依存性に基づいて生成される。ベイズネットワークの各ノードは、以下に記載されるように、連続確率変数を表す。本開示の文脈では、変数ｔ_ｐｉは部品Ｐ_ｉ が故障する時間を参照する。実施形態において、時間ｔ_ｐｉは故障パラメータα_ｉ 及びβ_ｉを有するワイブル分布に従い、以下の数式（１）にそれぞれ表されるワイブル分布のスケール（ｓｃａｌｅ）及びシェープ（ｓｈａｐｅ）パラメータを表す。

本開示の文脈では、均等分布が、下限を０とし且つ上限をそれぞれａ＞０且つｂ＞０とするα_ｉ及びβ_ｉの要件、即ち、Ｐ（α_ｉ）〜Ｕ（０，ａ）且つＰ（β_ｉ）〜Ｕ（０，ｂ）と推定される。

図３におけるτ_ｉは部品Ｐ_ｉの故障時間とＤＴＣ Ｄ_ｊの発生時間との間の時間遅延を参照する変数τ_ｉｊを表すことに留意されたい。実施形態において、時間τ_ｉｊは遅延パラメータα_Ｄｊ及びβ_Ｄｊを有するワイブル分布に従い、それぞれ表されるワイブル分布のスケール及びシェープパラメータを表す。遅延パラメータは、以下に記載の数式（２）に表される部品ＰｉとＤＴＣ Ｄ_ｊとの間の時間条件依存性を得る。

本開示の文脈では、均等分布が、下限を０とし且つ上限をそれぞれａ_Ｄｊ＞０ 且つｂ_Ｄｊ＞０とする遅延パラメータの要件、即ち、Ｐ（α_Ｄｊ）〜Ｕ（０，ａ_Ｄｊ）且つＰ（β_Ｄｊ）〜Ｕ（０，ｂ_Ｄｊ）と推定される。

ＤＴＣが部品故障の前に起こるので、本開示の文脈では、ノードｔ_Ｄは、ＤＴＣ Ｄ_ｊが変数ｔ_ｐｉ及びτ_ｉｊに関して起こる時間を参照する変数ｔ_Ｄｊを表す。実施形態において、時間ｔ_Ｄｊは、以下の数式（３）に表されるように、標準偏差σ_ｊを有するｔ_ｐｉ−τ_ｉｊとして平均を有する正規分布に従う。

ここで、σ_ｊの要件は一様分布、即ち、σ_ｊ〜Ｕ（０，ｓ_ｊ）である。

本開示によれば、ベイズネットワークは結合分布に近似し、１つのノードがｔ_ｐｉにより表され、Ｐ_ｉの識別集合におけるＤＴＣ Ｄ_ｊごとに１つのノードがτ_ｉｊにより表され、Ｄ_ｊ∈ｄｉｓｃ_ｉごとに１つがｔ_Ｄｊにより表され、残りのノードがこうした３つの確率変数のパラメータを表す。モデルの全てのパラメータ、即ち、故障及びＤＴＣに対するワイブルパラメータ、正規分布した遅延の平均及び分散は、接続機械の集団から所与の過去の故障データ及びＤＴＣデータを標本化するＭＣＭＣ（Ｍａｒｋｏｖ Ｃｈａｉｎ Ｍｏｎｔｅ Ｃａｒｌｏ）を使用して学習される。

ステップ２０６において、将来の故障が、ステップ２０４においてモデル化された過去の故障データ及び識別ＤＴＣの両方に基づいて予測される。Ｎ_ｐｉはＤＴＣに基づいて将来の特定の時間フレームの間の部品Ｐ_ｉの故障数を表し、Ｍ_ｐｉは従来の信頼性モデルを使用して同じ時間フレームにおいて期待される故障数を表す。統計的にＮ_ｐｉとＭ_ｐｉを比較すると、Ｎ_ｐｉがＭ_ｐｉよりも事前に決められた値だけ高い場合に、システム１００によって早期警戒が生成される。

ｍ個の接続機械及び時間ｔ_０を考えると、Ｐ_ｉがｍ個中ｎ個の接続機械において故障したと仮定すれば、Ｖは、残りのｒ（＝ｍ−ｎ）の接続機械の集合であり、それがｔ_０まで残存したことを考えると、部品Ｐ_ｉが［ｔ_１，ｔ_２］（ｔ_２＞ｔ_１＞ｔ_０）において故障する故障確率は以下の数式（４）により表される。

ここで、ｄ_ｋは所定の初期時間からｔ_ｋまで計算される時間であり、Ｆ（ｔ）は部品が時間ｔの前に故障する確率である。
当技術分野で周知のように、Ｆ（ｔ）は、以下の数式（５）で表され得る。

ここで、α及びβはワイブル分布のスケール及びシェープパラメータであり、Ｓ（ｔ）は以下の数式（６）で表され得る残存確率と呼ばれる。

全てのｖ∈Ｖに対する部品Ｐ_ｉの故障確率は、従来の基本的信頼性モデル（ＢＲＭ）と共にＤＴＣを組み込んだセンサ拡張信頼性モデル（ＳＡＲＭ）を使用して計算される。従来のＢＲＭでは、ｒの車両における故障確率を計算するために、部品Ｐ_ｉの過去の故障データのみが利用される。数式（４）及び（５）において、スケール及びシェープパラメータとして「故障パラメータ」及び初期時間、即ち、

として全ての車両ｖ∈Ｖの販売時間

を使用する。次に、

、全てのｖ∈Ｖに対する故障確率が計算される。

本開示のＳＡＲＭでは、過去の故障データ及びＤＴＣの両方が利用される。部品Ｐ_ｉがｔ_０まで故障していない残りｒの車両が２つの集合に分けられる。１）Ｖ_１：Ｄ_ｊ∈ｄｉｓｃ_ｉの少なくとも１つが［ｔ_０-ｄ，ｔ_０］で発生した車両の集合と、２）Ｖ_０：Ｄ_ｊ∈ｄｉｓｃ_ｉの何れも［ｔ_０-ｄ，ｔ_０］で発生しなかった車両の集合である。

Ｖ_１の車両に対して、Ｄ_ｊ∈ｄｉｓｃ_ｉの少なくとも１つが［ｔ_０-ｄ，ｔ_０］で発生したので、ＤＴＣ Ｄ_ｊの発生時間ｔ_Ｄｊが初期時間、即ち、ｄ_ｋ＝ｔ_ｋ−ｔ_Ｄｊ、として使用される。更に、数式（４）及び（５）におけるスケール及びシェープパラメータとして「遅延パラメータ」を使用して、

、全てのｖ∈Ｖ_１に対する部品Ｐｉの故障確率が、ＤＴＣ Ｄ_ｊが時間ｔ_Ｄｊで発生したとして計算される。１つより多くの識別ＤＴＣが車両で発生した場合、最も高い確信度を有するＤＴＣが用いられる。更に、ルールｒの確信度ｃｏｎｆ（ｒ）、即ちＤ_ｊ−＞Ｐ_ｉは、（１−ｃｏｎｆ（ｒ））％倍のＤＴＣ Ｄ_ｊが、Ｐ_ｉ以外の故障をもたらすことを示すので、

、が以下に与えられる数式（７）で除外される。

ここで、

はＢＲＭの場合のように全てのｖ∈Ｖ_１に対して計算される確率である。

Ｖ_０における車両に対して、過去の故障データのみを使用する全てのｖ∈Ｖ_０に対する部品Ｐ_ｉの故障確率が計算される。即ち、数式（４）及び（５）におけるスケール及びシェープパラメータとして「故障パラメータ」を使用して、全てのｖ∈Ｖ_０に対する

が計算される。

、車両ｖ∈Ｖ_０の販売時間が初期時間、即ち、

として使用される。全てのｖ∈Ｖ_０に対して、ＤＴＣ Ｄ_ｊ∈ｄｉｓｃ_ｉが［ｔ_０-ｄ，ｔ_０］において発生していないが、ｃ_Ｒの定義として、ｃ_Ｒ％倍、少なくとも１つのＤ_ｊ∈ｄｉｓｃ_ｉが部品Ｐ_ｉの故障前に［ｔ_ｐｉ-ｄ，ｔ_ｐｉ］において発生することを示すので、ｃ_Ｒを使用する確率

は、以下に与えられる数式（８）では除外される。

ここで、ｐ_ｉｊ、ＤＴＣ Ｄ_ｊ∈ｄｉｓｃ_ｉの少なくとも１つが［ｔ_０，ｔ_１］で発生する確率である。次に、ｔ_０まで発生した部品Ｐ_ｉのｎの故障を使用して部品Ｐ_ｉに対するｐ_ｉｊが学習される。

本開示のＢＲＭモデル及びＳＡＲＭモデルによって予測される故障の量が早期警戒を宣言するのに相当に十分に異なるかどうかを決定するために、車両における部品Ｐ_ｉの故障は、確率ｐ（Ｐ_ｉの故障の確率）を有するベルヌーイ分布している確率変数と見なされる。Ｐ_ｉの故障の確率は車両により異なるので、ｒの車両におけるＰ_ｉの故障は、ｒの独立して及び同一でないベルヌーイ分布した確率変数を成す。こうしたｒの変数の合計は、ポアソン二項分布に従う［ｔ_１，ｔ_２］におけるＰ_ｉの故障の数を表す別の確率変数Ｘを成す。両方の場合におけるＸの平均が、以下の数式（９）及び（１０）に示されるように計算される。

同様に、両方の場合におけるＸの分散は以下の数式（１１）及び（１２）のように与えられる。

本開示によれば部品Ｐ_ｉの早期警戒は、Ｎ_Ｐｉ-Ｍ_Ｐｉ＞τ_Ｐｉである場合に報告される。ここで、τ_ＰｉはＮ_Ｐｉ及びＶａｒ_ＮＰｉに基づいて決定される。

部品Ｐ_ｉに対する早期警戒が検出されると、例外に対する可能な原因を指すルールにより接続機械の部分集合を特定及び特徴化することにより、ステップ２０８で可能な根本原因が決定される。場合によっては、故障率に関して接続機械の集団の残りから大幅に逸脱した部分集合が、全集団と比較して小さく、その結果、分析が全集団レベルで行われる非早期警戒の場合になる。本開示のシステム１００は２つの可能なシナリオに対処する。１）一部の部品に対する早期警戒が全集団レベルで特定される場合に、接続機械の部分集合を見つけるための根本原因解析と、２）早期警戒が全集団レベルでは見られない場合に、即ち、Ｍ_ＰｉとＮ_Ｐｉの差が集団レベルでは重大ではないが、故障率に関して集団の残りから大幅に逸脱している集団の少しの未知の部分集合がある場合に、車両の部分集合を見つけるためのルール学習である。

本開示によれば、既に特定された早期警戒の可能な理由であり得る車両の部分集合を見つけるために、上記の数式（７）及び（８）で計算される確率が使用されて、車両レベルの期待される故障回数を決定する。即ち、

、部品Ｐ_ｉの故障の予測される回数は、以下の数式（１３）によって与えられる全てのｖ∈Ｖに対してそれが時間ｔ_０まで残存したことを考慮して計算される。

ここで、

及び

は所定の初期時間から開始してｔ_０までの車両の時間であり、Ｓ（ｔ）は残存確率である。

全てのｖ∈Ｖに対する部品Ｐ_ｉの故障確率は、従来の基本的信頼性モデル（ＢＲＭ）と共にＤＴＣを組み込んだセンサ拡張信頼性モデル（ＳＡＲＭ）を使用して分析される。ＢＲＭでは、故障パラメータが、全てのｖ∈Ｖに対して

を計算するために数式（１３）のスケール及びシェープパラメータとして使用される。実施形態において、車両ｖの販売時間は、初期時間、即ち、

として使用される。

ＳＡＲＭでは、部品Ｐｉの故障の期待時間

は、ｒの車両をＶ_０及びＶ_１の集合に分けることにより決定される。全てのｖ∈Ｖ_０に対して、故障の期待時間が計算される。しかし、Ｖ_１における車両に対して、遅延パラメータが、Ｐ_ｉの故障の期待時間を計算するために数式（１３）で使用される。また、ＤＴＣ Ｄ_ｊの発生時間ｔ_Ｄｊが、初期時間、即ち、

及び

として使用される。従って、全てのｖ∈Ｖに対して、上記のようにＢＲＭ及びＳＡＲＭを使用して計算される、部品Ｐ_ｉの２つの故障の期待時間

及び

がある。更に、

及び

がｖ∈Ｖに対するＰ_ｉの例外スコアを定義するために使用され、これは以下の数式（１４）によって与えられる。

早期警戒のための可能な理由を指摘し得る車両の部分集合を見つけるために、事前定義の閾値よりも大きな例外スコアを有する集団から車両が選択される。特徴ごとの分析（ｆｅａｔｕｒｅ−ｂｙ−ｆｅａｔｕｒｅ ａｎａｌｙｓｉｓ）を使用して、２つの集合間で統計的に異なる接続機械の一群の特徴、例えば、モデル、製造年、製造工場、地理、供給業者等、即ち、高い例外スコアを示す全体集団及び部分集合が決定される。

また、車両の小さな未知の部分集合のみが故障率に関して残りの集団から大幅に逸脱し、Ｎ_ＰｉとＭ_Ｐｉとのカウント差が集団レベルで重大でないままであることも可能である。このような状況が検出されることを確実にするために、高い例外スコアを示す集団のサブグループが特定される。実施形態によれば、サブグループ発見技術が利用され、ここで相関ルールはそれにも関わらずデータの大部分をカバーするルールの小集合を得るためにクラスタ化される。上記のように、接続機械の各々又はその部品が例外スコアと見なされ、本開示によれば、例えば、モデル、製造年、製造工場、チリ、供給業者等の機械／部品の属性又は特徴に基づくルールにより特徴化される高い例外スコアを有する車両のサブグループが特定される。接続機械の各々が、２つのレベル、「高い」又は「通常」に離散化される部品Ｐ_ｉに対する例外スコア及びフィールドとしてその特徴を有するレコードと見なされる。即ち、例外フィールドが、車両Ｖの集合を早期警戒集合を表すＥ_ｉと部品Ｐ_ｉに対する非早期警戒を表すＮＥ_ｉと呼ばれる２つの集合に分ける。ここで、

且つ、

、即ち、Ｅ_ｉの補集合である。
実施形態によれば、「高い」例外スコアＥ_ｉを有する相関ルールが結果として最初にマイニングされる。例えば、Ｘ＆Ｙ...−＞Ｅ_ｉであり、これは合理的な最小の確信度も満たす（例えば、ｃｏｎｆ（ｒ）＞０．７５）。次に、こうしたルールが、データの十分に大部分（例えば、少なくとも５０％）をカバーする先頭の部分集合を選択するために、支持度の減少する順でソートされる。次に、ルールは、ＤＢＳｃａｎ等の密度に基づいた技術、及び２つのルールの間の重複の程度、即ち、両方のルールを満たすレコードの数に反比例する距離測定を使用してクラスタ化される。結果として、各ルールクラスタは互いに強く重複するルールを含む。逆に、異なるクラスタからのルールは低い相互重複を有する。最後に、高い支持度及び確信度を有する各クラスタから１つ以上のルールが選択され、圧倒的に高い例外スコアを有する接続機械の部分集合を各々が特定するルールの小集合に至る。即ち、このようなルールの前件は、観測された高い例外スコアの潜在的な原因を指す。更に、各規則は、ルールの前件によってカバーされるデータのみに関して上記のプロシージャを再実行するが、今回は結果としてＮＥ_ｉを使用することによりその「例外」を絞り込み得る。上記のルール学習プロシージャは、例外が集団レベルでは見られない状況に対して特に設計されているので、全集団のレベルで例外が検出されるかどうかに関わらず実行されなければならない。

（実験結果）
本開示のシステム及び方法は、自動車製造業者の実在のデータ集合に対して将来の故障を予測することにより、及びＢＲＭを使用して計算された実際の故障及び期待される故障に対してそれを比較することにより実証された。実在のデータにおいて遭遇した３つのシナリオは、即ち、１）実際の故障量が予測されたよりも大幅に多い場合、即ち、早期警戒の場合、２）実際の故障量が予測されたよりも少ない場合、３）実際の及び予測された故障量が一致する場合と考えられた。本明細書で言及される「予測された」故障量は、単独で過去の故障データに基づいて従来の基本信頼性モデル（ＢＲＭ）により予測されたものである。上記の各場合において、本開示の拡張モデル（ＳＡＲＭ）は、従来のモデル（ＢＲＭ）よりも実際の数に近い将来の量を予測することが分かった。また、本開示のＳＡＲＭモデルは、合成データについてルール学習及び根本原因解析に関しても実証された。

実在のデータ：販売データ、ＤＴＣデータ及びクレームデータを含む３つのデータ集合が考えられた。表Ｉは、一意の複数の車両又は単数の車両識別番号ＶＩＮ及び３つの全てのデータ集合が利用可能である期間を示す。

データの利用可能性に基づいて、本開示の方法及びシステムを実証するために２つの部品Ｐ_Ｇ及びＰ_Ｂが選択され、上記の３つのシナリオについて結果が計算された。２つの部品に関するデータプロファイリングが表ＩＩに与えられる。

本開示の方法によれば、第１に、部品ごとのＤＴＣの識別集合が特定される。表ＩＩＩは、部品Ｐ_Ｇ及びＰ_Ｂに対して特定されたルールを示す。

両部品に対してτｐ＝０．７及びＲ_ｃ＝０．８を有する３つのルールがあることを示している。また、全データベースＤにおける及び故障集合Ｄ_ｆにおける各ルールの支持度も示している。従って、部品Ｐ_Ｇに対するｄｉｓｃ_ｉは｛Ｐ２１６２，Ｐ０７Ｅ７，Ｐ０７Ｅ０｝であり、部品Ｐ_Ｂに対しては｛Ｂ１３０４，Ｂ１００Ｄ，Ｂ１Ｄ２１｝である。ｄｉｓｃ_ｉにおける全てのＤＴＣの遅延及び故障パラメータは、本開示の方法のステップ２０４を参照して先に説明されたベイズグラフィカルモデルを使用して学習される。実験において、ＭＣＭＣ（Ｍａｒｋｏｖ Ｃｈａｉｎ Ｍｏｎｔｅ Ｃａｒｌｏ）サンプリングを介してベイズモデルのパラメータを推定するためにｐｙｔｈｏｎライブラリ「ｐｙｍｃ」が使用された。

ベイズモデルにおいて先に記載されたように、部品故障とＤＴＣ発生との間の遅延は分布のスケール及びシェープパラメータとして遅延パラメータを有するワイブル分布に従うことが推定される。ワイブル分布は変数τ_ｉｊに良く適合することが実験的に確認された。ワイブル分布の適合度は、変数τ_ｉｊについてガウス分布と比較された。図４は、変数τ_ｉｊの実際のデータとワイブル及びガウス分布から標本化されたデータとのＱＱ（分位点）プロットを示しており、全ての６つのＤＴＣについて、ベイズモデルから推定されたパラメータを有する。変数τ_ｉｊに対してワイブル分布はガウス分布よりも良く適合することを明確に示している。ＱＱプロットとは別に、変数τ_ｉｊに対する適合度を確認するためにコルモゴルフ・スミルノフ（Ｋ−Ｓ）検定が使用された。表ＩＶは、変数τｉｊに対するワイブル及びガウス分布のｐ値（ｐ−ｖａｌｕｅ）を示す。また、ベイズを使用して部品及び識別ＤＴＣについて学習された、車両の販売時間から計算された日数に関して遅延及び故障パラメータの値も示している。

本開示によれば、部品Ｐ_Ｇ及びＰ_Ｂの将来の故障数が、次に、表ＩＶに示された遅延及び故障パラメータを使用して予測される。部品Ｐ_Ｇについて、ＤＴＣの識別集合を特定して及びベイズモデルパラメータを学習するために、ｔ_０までのクレームデータ及びＤＴＣデータが使用される。Ｍ１（＞ｔ_０）の月に関する故障の数が予測されて、故障の予測された数及び実際の故障に対して比較される。同様に部品Ｐ_Ｂに関して、２つの月Ｍ２及びＭ３に関する故障の数が予測される。図５は、上記の３つのシナリオについて（ＳＡＲＭを使用して）予測される対実際の対（ＢＲＭにより）期待される故障数を示しており、ＢＲＭを使用して期待された故障と比較して本開示のＳＡＲＭのより良い予測性能を明確に示す。予測された（ＳＡＲＭ）及び期待された（ＢＲＭ）値の差が著しいので、予測は部品Ｐ_Ｇに対する早期警戒を指すことに留意する。更に、ＳＡＲＭ予測は、最終的に、Ｍ１において観測された故障と良好に一致する。

図６は、部品Ｐ_Ｇに関する予測対故障対期待の週間傾向を示す。第６週において早期警戒の場合があり、同様の早期警戒傾向が将来の週（＞ｔ_０）において発生しており、本開示のＳＡＲＭモデルがこの傾向を正確に予測することが明確に分かる。

合成データ：３つのシナリオ１）ＮＷ：非早期警戒、２）ＥＷ−１：早期警戒−１、及び３）ＥＷ−２：早期警戒−２がシミュレートされた。ＮＷについて、購入日、走行距離、ＤＴＣ発生日及び部品故障日を有する車両に対して０．１Ｍレコードが生成された。購入日は５年の期間にわたり一様に分布していると推定する。各車両の１日の走行距離数が一様分布から導かれた。ワイブル分布及び異なるスケール及びシェープパラメータを使用して１０個の部品について故障時間が生成された。部品故障の前に観測可能になったＤＴＣコードを有するＤＴＣデータも生成された。部品故障とＤＴＣ発生との間の遅延は、ＤＴＣごとに異なるパラメータを有するワイブル分布を使用して生成された。表Ｖには、生成された車両の属性又は特性が示されている。

ＥＷ−１の場合では、２０１２年式の車両における早期警戒が、こうした車両の部品Ｐ_ｉの故障数を前倒しすることにより引き起こされた。ＥＷ−２の場合では、年式「２０１２」の、地理「米国」の及び工場１及び２で製造された車両における早期警戒が、こうした車両の部品Ｐ_ｉの故障数を前倒しすることにより引き起こされた。時間ｔ０を考慮して、早期警戒アプローチを使用する部品Ｐ_ｉの故障が予測されて、期待された故障及び実際の故障に対して比較された。

表ＶＩは、上記の３つの場合のそれぞれについて全集団にわたる車両の平均例外スコアを含む。

ＥＷ−１の例外スコアが非警戒の場合（ＮＷ）のスコアの略２倍であり、従って全集団レベルで見られることが分かる。しかしながら、ＥＷ−２警戒は全集団では見えず、その例外スコアはＮＷ又は非早期警戒の場合のそれと同等である。

ＥＷ−１の可能な原因を明らかにするために根本原因解析が行われた。ＥＷ−２は、全集団レベルにおける平均例外スコアからは見えないので、ルール学習によってのみ検出され得る。部品Ｐ_ｉに対する根本原因解析は、ＢＲＭ（ｘ軸）及びＳＡＲＭ（ｙ軸）を使用して計算される車両の部品Ｐ_ｉの故障の予測される月の間のヒートマップを示す図７に例示された視覚分析ワークベンチにより実証される。また、それは閲覧のために選択された車両の様々な属性の分布を示す。ヒートマップの対角線より十分に下の領域は、ＳＡＲＭがＢＲＭよりも遥かに早い故障を予測する車両、即ち、早期警戒に関する車両を含んでいる。この領域の範囲を選択することにより、属性的分布がこの制限された集合のものに更新される。このような選択の前後の分布の使用が比較されて、早期警戒の理由を明らかにする。図７は、右下の領域の車両、即ち、高い例外スコアを有するものを選択した後で、属性「年式−２０１２」の確率が大幅に増加することを明確に示唆しており、それは高い例外スコアの領域にある車両の高い割合が２０１２年式の車から来ていることを示す。

ＥＷ−２の場合における部品Ｐ_ｉのルール学習のために、部品Ｐ_ｉがｔ_０まで故障しなかった車両は、全ての車両の例外スコアの平均として閾値τ_ａを使用して、２つの集合、即ち、「早期警戒」及び「非早期警戒」に分けられる。更に、車両の属性の例外及びルールが、数式（１３）、（１４）及び（１５）を参照して説明された技術を使用して特定される。図８は、早期警戒集合に対して発見された例示的なルール−例外ペアを示しており、ここでルールに関する確信度、支持度及びリフトが示されており、更にルールの１つの例外が同様に示されている。これは、２０１２年式の及び地理「米国」の及び全ての工場から製造された車両が早期警戒を示しており、このルールでカバーされる車の中で、工場ｂから製造されたものは、より多くの部分が、他よりも非早期警戒集合にあるという１つの例外にも関わらず、確信度が８２％であり、支持度が１５．６％であることを示す。

本開示のシステム及び方法は、部品故障データと共にセンサベースのＤＴＣを使用して予期しない故障量の早期警戒を予測し、故障急増の早期警戒を根本原因解析と共にサブグループ発見と組み合わせるための完全なフレームワークを提供する。本開示のシステム及び方法は、高度に接続された機械の集団の「インダストリアルインターネット」上で送信及び収集されたセンサ情報で拡張されたモデルからのものと従来の信頼性予測とを比較することにより、このような早期警戒を知らせるために現代車両に組み込まれた表示センサの利用可能性を活用する。２つのモデルが大幅に異なる場合、それは集団レベルの例外があることを示しており、恐らくは、例えば、将来のリコールの潜在的な必要性があることを示している。上記のやり方で例外を検出することに加えて、本開示のシステム及び方法は、前もって対処できるように、例外の可能な根本原因を発見するためのドリルダウンを可能にする。最後に、本開示のシステム及び方法は、全体集団において統計的に見られない小さなサブグループにおける例外を特定する。本開示のシステム及び方法の有効性は、実際の早期警戒が検出された実在のデータを使用して行われた実験、及び根本原因解析及びルール発見が正確に確立された合成的に生成されたデータを使用した実験から明らかである。

本開示の方法は上記の実験データを介して自動車産業における故障予測を参照して例示されているが、故障予測は多くの分野で重要な役割を果たし、本開示のシステム及び方法はソフトウェア、健康及び保険の分野等に適用され得ることが当業者により理解され得る。

明細書は、当業者が本発明の実施形態を使用及び作成できるように主題を記載している。本明細書に定義された主題の実施形態の範囲は、当業者が思い付く他の修正を含み得る。このような他の修正は、請求項の文字通りの記載とは異ならない類似の要素を有する場合、又は文字通りの記載との非実質的な相違を有する均等要素を含む場合、範囲に含まれることが意図されている。

しかしながら、保護範囲がこのようなプログラムに、及びメッセージを有するコンピュータ可読手段に加えて拡張されることが理解される。このようなコンピュータ可読記憶手段は、プログラムがサーバ又はモバイル装置又は任意の適切なプログラム可能装置で実行される場合に、方法の１つ以上のステップを実装するためのプログラムコード手段を含む。ハードウェア装置は、例えば、サーバ又はパーソナルコンピュータ等、又はこれらの任意の組み合わせ等の任意の種類のコンピュータを含むプログラム可能な任意の種類の装置であり得る。また、装置は、例えば、ＡＳＩＣ（ａｐｐｌｉｃａｔｉｏｎ−ｓｐｅｃｉｆｉｃ ｉｎｔｅｇｒａｔｅｄ ｃｉｒｃｕｉｔ）、ＦＰＧＡ（ｆｉｅｌｄ−ｐｒｏｇｒａｍｍａｂｌｅ ｇａｔｅ ａｒｒａｙ）等のハードウェア手段、又はハードウェアとソフトウェア手段の組み合わせ、例えば、ＡＳＩＣとＦＰＧＡ、又は少なくとも１つのマイクロプロセッサ、及びその中にソフトウェアモジュールが位置する少なくとも１つのメモリ等であり得る。従って、手段は、ハードウェア手段及びソフトウェア手段の両方を含み得る。本明細書に記載の方法の実施形態は、ハードウェア及びソフトウェアで実装され得る。また、装置は、ソフトウェア手段を含んでもよい。代替的に、本発明は、例えば、複数のＣＰＵを使用して、異なるハードウェア装置で実装されてもよい。

本明細書の実施形態は、ハードウェア及びソフトウェア要素を含み得る。ソフトウェアで実装される実施形態は、限定されないが、ファームウェア、常駐ソフトウェア、マイクロコード等を含む。本明細書に記載された本開示のシステムを含む様々なモジュールにより実行される機能は、他のモジュール又は他のモジュールの組み合わせで実行されてもよい。この記載の目的で、コンピュータ使用可能又はコンピュータ可読媒体は、命令実行システム、装置、又は機器により又はこれらと接続して使用されるプログラムを含む、記憶する、通信する、伝播する、又は搬送することができる任意の装置であり得る。本明細書に記載の様々なモジュールは、ソフトウェア及び／又はハードウェアモジュールとして実装されてもよく、任意のタイプの一時的でないコンピュータ可読媒体又は他の記憶装置に記憶されてもよい。一時的でないコンピュータ可読媒体の一部の非限定的な例は、ＣＤ、ＤＶＤ、ＢＬＵ−ＲＡＹ、フラッシュメモリ、及びハードディスクドライブを含む。

プログラムコードを記憶及び／又は実行するための適切なデータ処理システムは、システムバスを介してメモリ要素に直接又は間接的に結合される少なくとも１つのプロセッサを含む。メモリ要素は、プログラムコードの実際の実行中に利用されるローカルメモリ、大容量記憶装置、及び実行中に大容量記憶装置からコードを取得しなければならない回数を減らすために少なくとも一部のプログラムコードを一時的に記憶するキャッシュメモリを含み得る。

更に、処理ステップ、方法ステップ、技術又は同類が連続した順番に記載されている場合があるが、このような処理、方法及び技術は、別の順番で機能するように構成されてもよい。言い換えれば、記載され得る任意の順序又は順番は、ステップがその順番で実行される要件を必ずしも示していない。本明細書に記載の処理のステップは、任意の実際の順番で実行されてもよい。更に、何らかのステップが同時に実行されてもよい。

先の記載は、様々な実施形態を参照して提示されている。本願が属する技術分野の当業者であれば、記載された構造及び動作の方法の代替及び変化が原理、精神及び範囲から有意に逸脱することなく行われ得ることを理解するであろう。

Claims (16)

1. 接続機械の集団における予測信頼性マイニングのためのコンピュータ実装方法であって、
   １つ以上のプロセッサによって、識別ＤＴＣ（Ｄｉａｇｎｏｓｔｉｃ Ｔｒｏｕｂｌｅ Ｃｏｄｅ）の集合を故障の前に生成されたＤＴＣから特定するステップであって、前記識別ＤＴＣの集合は前記接続機械の関連する事前定義された部品に対応するステップと、
   前記１つ以上のプロセッサによって、過去の故障データから事前定義された部品の故障と前記識別ＤＴＣの特定された集合との間の時間依存性に基づいて、時間条件依存モデルを生成するステップと、
   前記１つ以上のプロセッサによって、前記接続機械の集団を、所定の期間にＤＴＣが生成されない第１の集合と前記所定の期間に少なくとも１つのＤＴＣが生成される第２の集合とに分離するステップと、
   前記１つ以上のプロセッサによって、前記所定の期間において前記接続機械の分離された集団におけるＤＴＣの発生及び不発生並びに生成された時間条件依存モデルに基づいて、将来の故障を予測するステップであって、将来の故障を予測することは、前記所定の期間において前記接続機械の分離された集団におけるＤＴＣの発生及び不発生に基づいて故障の確率を計算することを含むステップと
   を含む、コンピュータ実装方法。
2. 予測信頼性マイニングのために予測された将来の故障の根本原因解析を行うステップを更に含む、請求項１に記載のコンピュータ実装方法。
3. 識別ＤＴＣの集合を特定するステップは、相関ルールマイニング技術に基づく、請求項１に記載のコンピュータ実装方法。
4. 前記相関ルールマイニング技術は、アプリオリ技術の使用を含む、請求項３に記載のコンピュータ実装方法。
5. 前記相関ルールマイニング技術により特定されるルールの前件が、前記識別ＤＴＣの集合を成す、請求項３に記載のコンピュータ実装方法。
6. 前記時間条件依存モデルは、ベイズネットワークである、請求項１に記載のコンピュータ実装方法。
7. 過去の故障データからの前記事前定義された部品の故障と前記識別ＤＴＣの特定された集合との間の時間依存性は、ワイブル分布に従う、請求項１に記載のコンピュータ実装方法。
8. 将来の故障を予測するステップは、予測された故障数が事前定義値により前記過去の故障データに基づく期待される故障数よりも多い場合に早期警戒を生成するステップをさらに含む、請求項１に記載のコンピュータ実装方法。
9. 前記事前定義値は、予測された故障数、及び所定の期間における前記事前定義された部品の故障数を表す確率変数の分散に基づく、請求項８に記載のコンピュータ実装方法。
10. 根本原因解析を行うステップは、前記事前定義された部品の少なくとも１つに対して早期警戒が生成される場合に前記集団の部分集合を特定することを含む、請求項２に記載のコンピュータ実装方法。
11. 前記事前定義された部品の少なくとも１つに対して早期警戒が生成される場合に根本原因解析を行うステップは、
    （ｉ）前記過去の故障データに基づいて第１の期待故障時間を計算すること、
    （ｉｉ）事前定義された遅延パラメータ及び前記少なくとも１つのＤＴＣの発生時間に更に基づく分離された集団の第２の集合の期待故障時間に基づいて第２の期待故障時間を計算すること、
    （ｉｉｉ）計算された第１の期待故障時間及び第２の期待故障時間に基づいて接続機械の各々に対する例外スコアを定義すること、
    （ｉｖ）前記接続機械の事前定義された特徴に対してステップ（ｉ）から（ｉｖ）を繰り返し行うこと、及び
    （ｖ）事前定義された閾値よりも大きな前記例外スコアを有する前記集団の部分集合を特定することであって、特定される部分集合は前記事前定義された特徴のそれぞれに対して前記早期警戒の可能な理由を示すこと
    を含む、請求項１０に記載のコンピュータ実装方法。
12. 根本原因解析を行うステップは、早期警戒が集団レベルで生成されない場合に可能な例外を有する前記集団の部分集合を特定することを含む、請求項２に記載のコンピュータ実装方法。
13. 早期警戒が集団レベルで生成されない場合に可能な例外を有する前記集団の部分集合を特定することを含む根本原因解析を行うステップは、
    （ｉ）前記接続機械のそれぞれに対して例外スコアを定義すること、
    （ｉｉ）前記接続機械のそれぞれを、事前定義された特徴の集合及び定義された例外スコアを含むレコードと関連付けること、
    （ｉｉｉ）定義された例外スコアを、事前定義された高レベル又は通常レベルの何れかに離散化すること、
    （ｉｖ）高レベルの例外スコアによる相関ルールを特定するために相関ルールマイニングを行うこと、
    （ｖ）ルールクラスタを形成するために密度に基づく技術を使用して特定された相関ルールをクラスタ化すること、
    （ｖｉ）高い支持度及び確信度を有する前記ルールクラスタのそれぞれから１つ以上のルールを選択すること、及び
    （ｖｉｉ）高レベルの例外スコアの可能な理由を示す選択された１つ以上のルールの前件に基づいて、高レベルの例外スコアを有する前記集団の部分集合を特定すること
    を含む、請求項１２に記載のコンピュータ実装方法。
14. 接続機械の集団における予測信頼性マイニングのためのシステムであって、
    １つ以上のプロセッサと、
    通信インターフェース装置と、
    前記接続機械の事前定義された部品のオンボード診断システムからＤＴＣ（Ｄｉａｇｎｏｓｔｉｃ Ｔｒｏｕｂｌｅ Ｃｏｄｅ）を受信するように構成される入力モジュールを記憶するための、前記１つ以上のプロセッサに動作可能に結合される１つ以上の内部データ記憶装置と、
    故障の前に生成された前記ＤＴＣから識別ＤＴＣの集合を特定するように構成されるＤＴＣパターン特定器であって、前記識別ＤＴＣの集合は前記接続機械の関連する事前定義された部品に対応するＤＴＣパターン特定器と、
    過去の故障データから事前定義された部品の故障と前記識別ＤＴＣの特定された集合との間の時間依存性に基づいて、時間条件依存モデルを生成するように構成されるベイズネットワーク生成器と、
    前記接続機械の集団を、所定の期間にＤＴＣが生成されない第１の集合と前記所定の期間に少なくとも１つのＤＴＣが生成される第２の集合とに分離し、かつ前記所定の期間において前記接続機械の分離された集団におけるＤＴＣの発生及び不発生並びに生成された時間条依存性に基づいて、将来の故障を予測するように構成される故障予測器であって、将来の故障を予測することは、前記所定の期間において前記接続機械の分離された集団におけるＤＴＣの発生及び不発生に基づいて故障の確率を計算することを含む故障予測器と
    を備える、システム。
15. 予測信頼性マイニングのために予測される将来の故障の根本原因解析を行うように構成されるアナライザを更に含む、請求項１４に記載のシステム。
16. コンピュータ可読プログラムが具現化される一時的でないコンピュータ可読媒体であって、前記コンピュータ可読プログラムは、コンピュータ装置で１つ以上のプロセッサによって実行されると、前記コンピュータ装置に
    故障の前に生成されたＤＴＣ（Ｄｉａｇｎｏｓｔｉｃ Ｔｒｏｕｂｌｅ Ｃｏｄｅ）から識別ＤＴＣの集合を特定することであって、前記識別ＤＴＣの集合は接続機械の関連する事前定義された部品に対応すること、
    過去の故障データから事前定義された部品の故障と前記識別ＤＴＣの特定された集合との間の時間依存性に基づいて、時間条件依存モデルを生成すること、
    前記接続機械の集団を、所定の期間にＤＴＣが生成されない第１の集合と前記所定の期間に少なくとも１つのＤＴＣが生成される第２の集合とに分離すること、及び
    前記所定の期間において前記接続機械の分離された集団におけるＤＴＣの発生及び不発生並びに生成された時間条件依存モデルに基づいて、将来の故障を予測することであって、将来の故障を予測することは、前記所定の期間において前記接続機械の分離された集団におけるＤＴＣの発生及び不発生に基づいて故障の確率を計算することを含むこと
    を行わせる、コンピュータ可読媒体。