JP6753442B2 - モデル生成装置、モデル生成方法、及びプログラム - Google Patents
モデル生成装置、モデル生成方法、及びプログラム Download PDFInfo
- Publication number
- JP6753442B2 JP6753442B2 JP2018169077A JP2018169077A JP6753442B2 JP 6753442 B2 JP6753442 B2 JP 6753442B2 JP 2018169077 A JP2018169077 A JP 2018169077A JP 2018169077 A JP2018169077 A JP 2018169077A JP 6753442 B2 JP6753442 B2 JP 6753442B2
- Authority
- JP
- Japan
- Prior art keywords
- component
- failures
- parts
- group
- submodel
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 claims description 39
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 13
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000009827 uniform distribution Methods 0.000 description 3
- 238000007476 Maximum Likelihood Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000001994 activation Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/008—Reliability or availability analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
- G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0631—Item recommendations
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Debugging And Monitoring (AREA)
Description
予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する。複数の前記部品グループは、複数の部品を部品間の関連に関するドメイン知識を用いて分類することで生成される。
予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する。複数の前記部品グループは、複数の部品を部品間の関連に関するドメイン知識を用いて分類することで生成される。
[実施形態1]
<概要>
図1は、本実施形態のモデル生成装置2000の概要を例示する図である。モデル生成装置2000は、複数種類の部品それぞれについて、使用状況に応じた故障数を予測する予測モデルを生成する。後述するように、故障数の予測は、部品の発注支援などに有用である。
前述した様に、設計上の欠陥などといった根本的な問題がない限り、短い時間に大量の部品が故障することは無いと言え、部品の故障数をその部品の故障の有無だけに基づいて予測しようとすると、故障の実績が十分に蓄積されるまでの間は故障数を精度良く予測することが難しい。この点、本実施形態のモデル生成装置2000によれば、部品グループごとに、その部品グループに属する各部品に関する部品故障データを用いて、予測モデルが生成される。すなわち、各部品の故障実績に関するデータを部品グループ単位にまとめた上で、予測モデルが生成される。こうすることにより、予測モデルの生成に利用できる実績データの数を多くすることができる。そのため、個々の部品については故障の実績が十分蓄積されていないような状況であっても、部品の故障数を精度良く予測できる予測モデルを生成することができる。
図2は、モデル生成装置2000の機能構成を例示するブロック図である。モデル生成装置2000は、取得部2020及び生成部2040を有する。取得部2020は、使用状況と部品の故障の実績とを対応づけた部品故障データを取得する。生成部2040は、複数の部品グループそれぞれについて、その部品グループに属する部品に関する部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する。
モデル生成装置2000の各機能構成部は、各機能構成部を実現するハードウエア(例:ハードワイヤードされた電子回路など)で実現されてもよいし、ハードウエアとソフトウエアとの組み合わせ(例:電子回路とそれを制御するプログラムの組み合わせなど)で実現されてもよい。以下、モデル生成装置2000の各機能構成部がハードウエアとソフトウエアとの組み合わせで実現される場合について、さらに説明する。
図4は、実施形態1のモデル生成装置2000によって実行される処理の流れを例示するフローチャートである。取得部2020は、複数の部品故障データを取得する(S102)。生成部2040は、複数の部品グループそれぞれについて予測モデルを生成する(S104)。
部品故障データは、使用状況と、その使用状況における部品の故障の実績とを対応づけたデータである。図5は、部品故障データをテーブル形式で例示する図である。図5に示すテーブルを、テーブル200と表記する。テーブル200は、観測識別子202、観測時点204、使用状況206、及び部品208を示す。観測識別子202は、対応するレコードの識別子を示す。観測時点204は、対応するレコードに示されるデータが観測された時点を示す。使用状況206は、使用状況を表す様々な情報を示す。例えば使用状況の例としては、実稼働時間、起動回数、及び使用経過時間などがある。実稼働時間は、その部品を含む装置等が実際に稼働した総時間を意味し、使用経過時間は、その部品を含む装置等が導入されてからの総時間を意味する。すなわち、後者には、装置等が稼働していない時間も含まれる。部品208は、各部品の故障の有無を示す。「1」は故障していることを示し、「0」は故障していないことを示している。
取得部2020は、部品故障データを取得する。部品故障データを取得する方法は様々である。例えば取得部2020は、部品故障データが記憶されている記憶装置にアクセスすることで、部品故障データを取得する。その他にも例えば、取得部2020は、他の装置によって送信される部品故障データを受信することで、部品故障データを取得してもよい。
部品グループは予め定めておく。例えば部品グループは、ドメイン知識に基づいて生成される。ここでいうドメイン知識とは、故障数予測の対象である部品についての知識である。より具体的には、例えばドメイン知識は、各部品が利用される装置等における、各部品の配置の幾何学的構造における部品間の相関や、運用状況に関する部品間の相関である。例えば配置の幾何学的構造については、互いに近くに配置される部品や、互いに連結される部品などは、故障するタイミングが近いことが予想される。また、運用状況については、動作するタイミングが同じ又は類似している部品同士は、故障するタイミングが近いことが予想される。
生成部2040は、部品グループごとに予測モデルを生成する。前述した通り、予測モデルは、1)部品の使用状況に基づいて、対応する部品グループに含まれる部品の総故障数を予測し、2)予測した総故障数に基づいて、その部品グループに属する各部品の故障数を予測する。以下、予測モデルのうち、1)の処理を行う部分を第1サブモデルと呼び、2)の処理を行う部分を第2サブモデルと呼ぶ。以下、第1サブモデルと第2サブモデルそれぞれについて説明する。
生成部2040は、部品故障データを用いて第1サブモデルを生成する。ここで、第1サブモデルの種類については予め定めておく。第1サブモデルの種類には、線形モデル、サポートベクトルマシン、又はニューラルネットワークなど、任意の回帰モデルを採用できる。
第2サブモデルは、対応する部品グループについて算出された総故障数から、各部品の故障数を予測する。例えば第2サブモデルは、予め定めておいた各部品の故障数や故障確率の分布(以下、予測分布)を用いて、各部品の故障数を予測する。
モデル生成装置2000は、生成した予測モデルを任意の方法で出力する。例えばモデル生成装置2000は、算出した予測モデルを記憶装置に記憶させたり、他の装置に送信したりする。ここで、予測モデルを記憶させる記憶装置は、モデル生成装置2000の内部に設けられてもよいし、モデル生成装置2000の外部に設けられてもよい。
モデル生成装置2000は、生成した予測モデルの更新を行ってもよい。具体的には、取得部2020が新たに部品故障データを取得したら、生成部2040がその部品故障データを用いて、第1サブモデル及び第2サブモデルのいずれか一方又は双方の更新を行う。なお、第1サブモデルの更新は、前述した線形モデルなどのパラメータを更新することを意味し、第2サブモデルの更新は、前述した予測分布を更新することを意味する。
図6は、予測装置3000の動作を例示する図である。予測装置3000は、モデル生成装置2000によって生成された予測モデルを用いて、各部品の故障数を予測する。具体的には、予測装置3000は、使用状況を表す使用状況データを取得し、使用状況データを予測モデルに入力することで、その使用状況における各部品の故障数の予測値を算出する。
本実施形態の予測装置3000によれば、モデル生成装置2000によって生成される予測モデルを利用して、特定の使用状況における各部品の故障数の予測値が得られる。ここで実施形態1で説明した様に、モデル生成装置2000は、個々の部品の故障数に関する実績が十分に得られていない場合であっても、各部品の故障数を精度良く予測することができる予測モデルを生成できる。よって、モデル生成装置2000によって生成された予測モデルを用いて予測を行う予測装置3000によれば、個々の部品の故障数に関する実績が十分に得られない場合であっても、各部品の故障数を精度良く予測することができる。
図7は、予測装置3000の機能構成を例示するブロック図である。予測装置3000は、取得部3020及び第1算出部3040を有する。取得部3020は、使用状況を表す使用状況データを取得する。第1算出部3040は、取得した使用状況データと、部品グループごとの予測モデルとを用いて、各部品の故障数の予測値を算出する。
予測装置3000のハードウエア構成には、実施形態1で説明したモデル生成装置2000と同様に、種々のハードウエア構成を採用することができる。例えば予測装置3000のハードウエア構成は、モデル生成装置2000のハードウエア構成と同様に、図3で表すことができる。ただし、予測装置3000のハードウエア構成は、モデル生成装置2000のハードウエア構成と同一でなくてもよい。
図8は、予測装置3000によって実行される処理の流れを例示するフローチャートである。取得部3020は、使用状況データを取得する(S202)。第1算出部3040は、使用状況データを予測モデルに入力することで、各部品の故障数の予測値を算出する(S204)。
取得部3020は、使用状況データを取得する。例えば使用状況データは、実稼働時間、起動回数、及び使用経過時間などといった使用状況の特徴が記述された特徴ベクトルである。ただし、使用状況データは、特徴ベクトルのように、予測モデルに直接入力可能な形式である必要はなく、任意の形式とすることができる。取得部3020は、使用状況データが予測モデルに対して直接入力できるデータ形式ではない場合、適宜データ形式の変換を行う。
第1算出部3040は、使用状況データを予測モデルに入力することで、各部品の故障数の予測値を算出する(S204)。各部品の故障数の予測値は、部品グループごとに用意された各予測モデルに対して使用状況データを入力することで算出される。なお、予測モデルは、予測装置3000からアクセス可能な任意の記憶装置に記憶させておく。この記憶装置は、予測装置3000の内部に設けられていてもよいし、予測装置3000の外部に設けられていてもよい。
予測装置3000は、各部品の故障数の予測値を示す出力情報を出力する。例えば出力情報は、各部品の故障数をリストやテーブルなどで示す情報である。
予測装置3000は、各部品の在庫数を示す在庫データを取得し、各部品について予測された故障数と各部品の在庫数とに基づいて、各部品の推奨発注数を算出してもよい。各部品の推奨発注数を算出する機能構成部を、第2算出部3060と呼ぶ。また、在庫データは、取得部3020によって取得される。図9は、第2算出部3060を有する予測装置3000の機能構成を例示するブロック図である。
1. 使用状況と部品の故障の実績とを対応づけた部品故障データを取得する取得部と、
複数の部品グループそれぞれについて、その部品グループに属する部品に関する前記部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する予測モデル生成部と、を有し、
前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、モデル生成装置。
2. 前記予測モデルは、使用状況から、その部品グループに属する部品の総故障数を予測する第1サブモデルを含み、
前記予測モデル生成部は、複数の前記部品グループそれぞれについて、その部品グループに含まれる各部品に関する前記部品故障データを用いて、前記第1サブモデルのパラメータ推定を行うことにより、前記第1サブモデルを生成する、1.に記載のモデル生成装置。
3. 前記予測モデルは、前記第1サブモデルによって予測された総故障数から、対応する部品グループに属する各部品の故障数を予測する第2サブモデルを含み、
前記第2サブモデルは、前記予測された総故障数と、各部品の故障数又は故障率の分布である予測分布とを用いて、各部品の故障数の予測値を算出する、2.に記載のモデル生成装置。
4. 複数の前記部品グループは、複数の部品を部品間の関連に関するドメイン知識を用いて分類することで生成される、1.乃至3.いずれか一つに記載のモデル生成装置。
5. 前記ドメイン知識は、配置の幾何学的構造に基づく各部品間の相関、又は運用状況に基づく各部品の相関に関するものである、4.に記載のモデル生成装置。
前記取得した使用状況データと、部品グループごとの予測モデルとを用いて、各部品の故障数の予測値を算出する故障数予測部と、を有し、
前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、予測装置。
7. 前記取得部は、各部品の在庫数を示す在庫データをさらに取得し、
部品ごとに、前記故障数予測部によって算出されたその部品の故障数の予測値と、前記在庫データに示されるその部品の在庫数とに基づいて、その部品の推奨発注数を算出する発注数算出部を有する、6.に記載の予測装置。
8. 各部品について算出された推奨発注数を用いて、各部品の発注を行う発注部を有する、7.に記載の予測装置。
使用状況と部品の故障の実績とを対応づけた部品故障データを取得する取得ステップと、
複数の部品グループそれぞれについて、その部品グループに属する部品に関する前記部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する予測モデル生成ステップと、を有し、
前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、モデル生成方法。
10. 前記予測モデルは、使用状況から、その部品グループに属する部品の総故障数を予測する第1サブモデルを含み、
前記予測モデル生成ステップにおいて、複数の前記部品グループそれぞれについて、その部品グループに含まれる各部品に関する前記部品故障データを用いて、前記第1サブモデルのパラメータ推定を行うことにより、前記第1サブモデルを生成する、9.に記載のモデル生成方法。
11. 前記予測モデルは、前記第1サブモデルによって予測された総故障数から、対応する部品グループに属する各部品の故障数を予測する第2サブモデルを含み、
前記第2サブモデルは、前記予測された総故障数と、各部品の故障数又は故障率の分布である予測分布とを用いて、各部品の故障数の予測値を算出する、10.に記載のモデル生成方法。
12. 複数の前記部品グループは、複数の部品を部品間の関連に関するドメイン知識を用いて分類することで生成される、9.乃至11.いずれか一つに記載のモデル生成方法。
13. 前記ドメイン知識は、配置の幾何学的構造に基づく各部品間の相関、又は運用状況に基づく各部品の相関に関するものである、12.に記載のモデル生成方法。
使用状況を表す使用状況データを取得する取得ステップと、
前記取得した使用状況データと、部品グループごとの予測モデルとを用いて、各部品の故障数の予測値を算出する故障数予測ステップと、を有し、
前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出する、予測方法。
15. 前記取得ステップにおいて、各部品の在庫数を示す在庫データをさらに取得し、
部品ごとに、前記故障数予測部によって算出されたその部品の故障数の予測値と、前記在庫データに示されるその部品の在庫数とに基づいて、その部品の推奨発注数を算出する発注数算出ステップを有する、14.に記載の予測方法。
16. 各部品について算出された推奨発注数を用いて、各部品の発注を行う発注ステップを有する、15.に記載の予測方法。
202 観測識別子
204 観測時点
206 使用状況
208 部品
1000 計算機
1020 バス
1040 プロセッサ
1060 メモリ
1080 ストレージデバイス
1100 入出力インタフェース
1120 ネットワークインタフェース
2000 モデル生成装置
2020 取得部
2040 生成部
3000 予測装置
3020 取得部
3040 第1算出部
3060 第2算出部
3080 発注部
Claims (6)
- 使用状況と部品の故障の実績とを対応づけた部品故障データを取得する取得部と、
複数の部品グループそれぞれについて、その部品グループに属する部品に関する前記部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する予測モデル生成部と、を有し、
前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出し、
複数の前記部品グループは、複数の部品を部品間の関連に関するドメイン知識を用いて分類することで生成される、モデル生成装置。 - 前記予測モデルは、使用状況から、その部品グループに属する部品の総故障数を予測する第1サブモデルを含み、
前記予測モデル生成部は、複数の前記部品グループそれぞれについて、その部品グループに含まれる各部品に関する前記部品故障データを用いて、前記第1サブモデルのパラメータ推定を行うことにより、前記第1サブモデルを生成する、請求項1に記載のモデル生成装置。 - 前記予測モデルは、前記第1サブモデルによって予測された総故障数から、対応する部品グループに属する各部品の故障数を予測する第2サブモデルを含み、
前記第2サブモデルは、前記予測された総故障数と、各部品の故障数又は故障率の分布である予測分布とを用いて、各部品の故障数の予測値を算出する、請求項2に記載のモデル生成装置。 - 前記ドメイン知識は、配置の幾何学的構造に基づく各部品間の相関、又は運用状況に基づく各部品の相関に関するものである、請求項1から3いずれか一項に記載のモデル生成装置。
- コンピュータによって実行されるモデル生成方法であって、
使用状況と部品の故障の実績とを対応づけた部品故障データを取得する取得ステップと、
複数の部品グループそれぞれについて、その部品グループに属する部品に関する前記部品故障データを用いて、その部品グループに含まれる各部品の故障数を予測する予測モデルを生成する予測モデル生成ステップと、を有し、
前記予測モデルは、使用状況から、対応する部品グループに属する部品の総故障数の予測値を算出し、前記算出された総故障数の予測値から、その部品グループに属する各部品の故障数の予測値を算出し、
複数の前記部品グループは、複数の部品を部品間の関連に関するドメイン知識を用いて分類することで生成される、モデル生成方法。 - 請求項5に記載のモデル生成方法の各ステップをコンピュータに実行させるプログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018169077A JP6753442B2 (ja) | 2018-09-10 | 2018-09-10 | モデル生成装置、モデル生成方法、及びプログラム |
PCT/JP2019/035143 WO2020054599A1 (ja) | 2018-09-10 | 2019-09-06 | モデル生成装置、予測装置、モデル生成方法、予測方法、及びプログラム |
US17/274,276 US11494247B2 (en) | 2018-09-10 | 2019-09-06 | Model generation apparatus, model generation method, and non-transitory storage medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018169077A JP6753442B2 (ja) | 2018-09-10 | 2018-09-10 | モデル生成装置、モデル生成方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020042515A JP2020042515A (ja) | 2020-03-19 |
JP6753442B2 true JP6753442B2 (ja) | 2020-09-09 |
Family
ID=69777630
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018169077A Active JP6753442B2 (ja) | 2018-09-10 | 2018-09-10 | モデル生成装置、モデル生成方法、及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US11494247B2 (ja) |
JP (1) | JP6753442B2 (ja) |
WO (1) | WO2020054599A1 (ja) |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH01278865A (ja) * | 1988-04-30 | 1989-11-09 | Mazda Motor Corp | 車両の故障診断装置 |
JP2003050701A (ja) * | 2001-08-06 | 2003-02-21 | Toyota Motor Corp | 故障原因特定過程支援装置 |
JP4343691B2 (ja) * | 2001-11-13 | 2009-10-14 | グッドリッチ・ポンプ・アンド・エンジン・コントロール・システムズ・インコーポレーテッド | ガスタービン・エンジン用故障管理システム |
JP4521152B2 (ja) | 2002-03-05 | 2010-08-11 | 株式会社東芝 | 半導体製造装置 |
US20040123179A1 (en) * | 2002-12-19 | 2004-06-24 | Dan Dragomir-Daescu | Method, system and computer product for reliability estimation of repairable systems |
JP2004295667A (ja) * | 2003-03-27 | 2004-10-21 | Seiko Epson Corp | 交換部品在庫予測装置、交換部品在庫予測方法、及びプログラム |
US7318008B2 (en) * | 2006-02-28 | 2008-01-08 | Ford Motor Company | Method and system for estimating spare parts costs |
US7539907B1 (en) * | 2006-05-05 | 2009-05-26 | Sun Microsystems, Inc. | Method and apparatus for determining a predicted failure rate |
JP5095278B2 (ja) * | 2006-08-10 | 2012-12-12 | 株式会社日立製作所 | 半導体デバイス歩留り予測システムおよび方法 |
US8151146B2 (en) * | 2008-06-11 | 2012-04-03 | At&T Intellectual Property I, L.P. | Tool for predicting fault-prone software files |
JP5058947B2 (ja) | 2008-11-10 | 2012-10-24 | 株式会社日立製作所 | 端末、プログラム及び在庫管理方法 |
US8024609B2 (en) * | 2009-06-03 | 2011-09-20 | International Business Machines Corporation | Failure analysis based on time-varying failure rates |
TWI411974B (zh) * | 2010-07-29 | 2013-10-11 | Hon Hai Prec Ind Co Ltd | 電子産品失效率分析系統及方法 |
JP5592813B2 (ja) * | 2011-01-28 | 2014-09-17 | 株式会社日立ソリューションズ東日本 | 生涯需要予測方法、プログラムおよび生涯需要予測装置 |
JP5752621B2 (ja) * | 2012-03-02 | 2015-07-22 | 株式会社日立ソリューションズ東日本 | 需要予測装置、需要予測プログラムおよび需要予測方法 |
US10091052B1 (en) * | 2015-06-24 | 2018-10-02 | Amazon Technologies, Inc. | Assessment of network fault origin |
JP2019113883A (ja) * | 2016-03-25 | 2019-07-11 | 株式会社日立製作所 | 稼働補助装置及び風力発電システム |
JP6526081B2 (ja) * | 2017-02-28 | 2019-06-05 | ファナック株式会社 | 在庫管理および予防保全を行う機能を有する在庫管理システム |
EP3644037A1 (de) * | 2018-10-26 | 2020-04-29 | Flender GmbH | Verbessertes betriebsverfahren für getriebe |
US11493911B2 (en) * | 2018-12-27 | 2022-11-08 | Utopus Insights, Inc. | System and method for proactive handling of multiple faults and failure modes in an electrical network of energy assets |
JP2022007168A (ja) * | 2020-06-25 | 2022-01-13 | 富士通株式会社 | 学習プログラム、学習方法および情報処理装置 |
US11416321B2 (en) * | 2020-08-13 | 2022-08-16 | Dell Products L.P. | Component failure prediction |
-
2018
- 2018-09-10 JP JP2018169077A patent/JP6753442B2/ja active Active
-
2019
- 2019-09-06 WO PCT/JP2019/035143 patent/WO2020054599A1/ja active Application Filing
- 2019-09-06 US US17/274,276 patent/US11494247B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US11494247B2 (en) | 2022-11-08 |
WO2020054599A1 (ja) | 2020-03-19 |
JP2020042515A (ja) | 2020-03-19 |
US20210318921A1 (en) | 2021-10-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10360500B2 (en) | Two-phase distributed neural network training system | |
US10318874B1 (en) | Selecting forecasting models for time series using state space representations | |
JP7061536B2 (ja) | 最適化装置、シミュレーションシステム及び最適化方法 | |
JP5765336B2 (ja) | 障害分析装置、障害分析方法およびプログラム | |
US11092460B2 (en) | Sensor control support apparatus, sensor control support method and non-transitory computer readable medium | |
JP7007243B2 (ja) | 異常検知システム | |
CN112990486A (zh) | 生成机器学习样本的组合特征的方法及系统 | |
JP2018514859A (ja) | 分散型モデル構築 | |
CN113822440A (zh) | 用于确定机器学习样本的特征重要性的方法及系统 | |
CN107958297B (zh) | 一种产品需求预测方法及产品需求预测装置 | |
JP7145821B2 (ja) | 故障確率評価システムおよびその方法 | |
JP7292076B2 (ja) | 劣化推定装置、学習装置、劣化推定方法、学習方法、劣化推定プログラム、および、学習プログラム | |
CN113268403B (zh) | 时间序列的分析预测方法、装置、设备及存储介质 | |
JP7010674B2 (ja) | 電力需要予測装置、電力需要予測方法およびプログラム | |
US10248462B2 (en) | Management server which constructs a request load model for an object system, load estimation method thereof and storage medium for storing program | |
JP2021043477A (ja) | 需要予測装置、需要予測方法、及びプログラム | |
CN110520702A (zh) | 监视电子设备的热健康 | |
US20190101911A1 (en) | Optimization of virtual sensing in a multi-device environment | |
KR20090046741A (ko) | 제조 설비에 관련된 예보를 생성하기 위한 시뮬레이션 사용 | |
Croft et al. | Structuring the unstructured: estimating species-specific absence from multi-species presence data to inform pseudo-absence selection in species distribution models | |
JP6753442B2 (ja) | モデル生成装置、モデル生成方法、及びプログラム | |
JP2015184818A (ja) | サーバ、モデル適用可否判定方法およびコンピュータプログラム | |
CN116720600A (zh) | 落货量预测方法、装置、设备及存储介质 | |
US20210365189A1 (en) | Performance analysis apparatus and performance analysis method | |
JP2014203095A (ja) | 情報処理装置及び情報処理方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20180910 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191119 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200117 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200721 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200803 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6753442 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |