JP7215062B2 - 故障率推定プログラム、故障率推定方法及び情報処理装置 - Google Patents

Description

本発明は、故障率推定プログラム、故障率推定方法及び情報処理装置に関する。

従来から、電子機器の設計において、選定する部品の故障を予測することは、製品出荷後の障害を未然に防ぐために重要とされている。このため、従来では、過去の部品障害事例に基づき故障の起こりやすさを予測している。

特開２００４－２５２９７２号公報 特開平５－１８０７３０号公報

部品の故障に関する事例は一般的に少なく、部品の故障に関するデータ量は少ない。このため、少ないデータで精度よく部品の故障率を推定するモデルが必要となる。少ないデータでモデルを構築する場合、例えば、故障に関係するパラメータ（部品の素性）に対して重みを与え、故障の実績を示す情報を元に機械学習の実施等を行う必要がある。

しかしながら、部品の素性に対する重み付けは、知見を持った熟練者が人手で行う必要があり、工数がかかるものであった。

１つの側面では、本発明は、部品の素性値に対する重み付けを自動化することを目的としている。

一つの態様では、部品検索装置における部品の各素性値の検索履歴情報から、検索履歴情報において各素性値が出現する頻度を示す頻度テーブルを生成し、故障実績を示す故障実績情報における部品の素性値の偏りが有意か否かを判定し、判定した結果を示す故障部品テーブルを生成し、前記頻度テーブルと、前記故障部品テーブルとを用いて、前記部品の素性値毎に、重みを対応付けた重み付けテーブルを生成し、前記重み付けテーブルに基づき、素性値毎に重み付けを変更して前記故障実績情報の再学習を行い、再学習結果を基に新規部品の故障率を推定する、処理をコンピュータに実行させる、故障率推定プログラムである。

上記各処理は、上記各処理を実現する機能部、各処理を実現する手順としても良く、各処理をコンピュータに実行させるプログラムを記憶したコンピュータ読み取り可能な記憶媒体とすることもできる。

部品の素性値に対する重み付けを自動化できる。

第一の実施形態の故障率推定システムの構成の一例を示す図である。 第一の実施形態の情報処理装置のハードウェア構成の一例を示す図である。 第一の実施形態の部品素性データベースの一例を示す図である。 第一の実施形態の検索ログデータベースの一例を示す図である。 第一の実施形態の故障実績データベースの一例を示す図である。 第一の実施形態の購入実績データベースの一例を示す図である。 第一の実施形態の故障率推定処理部の機能を説明する図である。 第一の実施形態の頻度テーブルの一例を示す図である。 第一の実施形態の故障部品テーブルの一例を示す図である。 第一の実施形態の情報処理装置の動作を示す第一のフローチャートである。 第一の実施形態の重み付けテーブルの一例を示す図である。 第一の実施形態の情報処理装置の動作を説明する第二のフローチャートである。 第一の実施形態の故障率の出力例を示す図である。 第二の実施形態の故障率推定処理部の機能を説明する図である。 第二の実施形態の情報処理装置の動作を示すフローチャートである。 第二の実施形態のヒントテーブルの一例を示す図である。 第二の実施形態のヒントの出力例を示す第一の図である。 第二の実施形態のヒントの出力例を示す第二の図である。

（第一の実施形態）
以下に図面を参照して第一の実施形態について説明する。図１は、第一の実施形態の故障率推定システムの構成の一例を示す図である。

本実施形態の故障率推定システム１００は、情報処理装置２００と、端末装置３００とを有する。

本実施形態の故障率推定システム１００において、情報処理装置２００は、端末装置３００から部品を指定する情報の入力を受け付けると、この部品の故障率を算出し、算出した結果を端末装置３００に出力する。尚、故障率とは、ある一定の期間において、部品が故障する確率を示す。

本実施形態の情報処理装置２００は、部品素性データベース２１０、検索ログデータベース２２０、故障実績データベース２３０、購入実績データベース２４０、故障率推定処理部２５０を有する。

部品素性データベース２１０は、部品に関する情報が格納される。尚、本実施形態では、部品に関する情報を部品情報と呼び、部品情報において、部品名と対応付けられた項目を部品の素性値と呼ぶ。

検索ログデータベース２２０は、部品情報を検索するために入力された検索キーを含む、検索履歴を示す情報が格納される。以下の説明では、部品情報の検索履歴を示す情報を、検索履歴情報と呼ぶ。

故障実績データベース２３０は、購入された部品のうち、故障した部品に関する情報が蓄積されて、格納される。以下の説明では、故障した部品に関する情報を、故障実績情報と呼ぶ。購入実績データベース２４０は、例えば、ある企業や事業所等が購入した部品に関する情報が格納される。以下の説明では、購入した部品に関する情報を購入実績情報と呼ぶ。各データベースの詳細は後述する。

本実施形態の故障率推定処理部２５０は、故障実績データベース２３０と購入実績データベース２４０を参照して、指定された部品の故障を予測するモデルを構築する。言い換えれば、故障率推定処理部２５０は、指定された部品の故障率を算出するモデルを生成する。以下の説明では、部品の故障を予測するモデルを、故障予測モデルと呼ぶ。

また、本実施形態の故障率推定処理部２５０は、部品素性データベース２１０と故障実績データベース２３０とを参照し、部品の素性値と故障との関係性を示す情報を生成する。

また、故障率推定処理部２５０は、検索ログデータベース２２０を参照して、部品の素性値毎に、検索履歴情報に検索キーとして出現する頻度を示す情報を生成する。

また、故障率推定処理部２５０は、これらの２つの情報から、部品の素性値毎に重み付けを行う。

そして、故障率推定処理部２５０は、部品の素性値毎の重みを故障予測モデルに与えて、機械学習により故障予測モデルを再構築する。

つまり、本実施形態の故障率推定処理部２５０は、部品の素性値毎の検索履歴情報に出現する頻度と、部品の素性値と故障との関連性を示す情報とから、部品の素性値毎の重み付けを自動で行い、この重みを故障予測モデルに与えて機械学習させる。

したがって、本実施形態では、知見を持った熟練者が人手で行っていた重み付けを自動で行うことができ、故障予測モデルの構築にかかる工数を削減することができる。

尚、図１の例では、各データベースが情報処理装置２００に設けられるものとしたが、これに限定されない。本実施形態の各データベースは、情報処理装置２００以外の装置に設けられても良いし、一部が情報処理装置２００に設けられていても良い。

以下に、本実施形態の情報処理装置２００について説明する。図２は、第一の実施形態の情報処理装置のハードウェア構成の一例を示す図である。

本実施形態の情報処理装置２００は、それぞれバスＢで相互に接続されている入力装置２１、出力装置２２、ドライブ装置２３、補助記憶装置２４、メモリ装置２５、演算処理装置２６及びインターフェース装置２７を含む。

入力装置２１は、各種の情報の入力を行うための装置であり、例えばキーボードやポインティングデバイス等により実現される。出力装置２２は、各種の情報の出力を行うためものであり、例えばディスプレイ等により実現される。インターフェース装置２７は、ＬＡＮカード等を含み、ネットワークに接続する為に用いられる。

故障率推定処理部２５０を実現させる故障率推定プログラムは、情報処理装置２００を制御する各種プログラムの少なくとも一部である。故障率推定プログラムは例えば記憶媒体２８の配布やネットワークからのダウンロード等によって提供される。故障率推定プログラムを記録した記憶媒体２８は、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等の様に情報を光学的、電気的或いは磁気的に記録する記憶媒体、ＲＯＭ、フラッシュメモリ等の様に情報を電気的に記録する半導体メモリ等、様々なタイプの記憶媒体を用いることができる。

また、故障率推定プログラムは、故障率推定プログラムを記録した記憶媒体２８がドライブ装置２３にセットされると、記憶媒体２８からドライブ装置２３を介して補助記憶装置２４にインストールされる。ネットワークからダウンロードされた故障率推定プログラムは、インターフェース装置２７を介して補助記憶装置２４にインストールされる。

補助記憶装置２４は、インストールされた故障率推定プログラムを格納すると共に、情報処理装置２００が演算した結果や各種の必要なファイル、データ等を格納する。メモリ装置２５は、情報処理装置２００の起動時に補助記憶装置２４から故障率推定プログラムを読み出して格納する。そして、演算処理装置２６はメモリ装置２５に格納された故障率推定プログラムに従って、後述するような各種処理を実現している。

次に、図３乃至図６を参照して、本実施形態の各データベースについて説明する。図３は、第一の実施形態の部品素性データベースの一例を示す図である。

本実施形態の部品素性データベース２１０は、情報の項目として、部品名と素性とを有し、部品名と素性は対応付けられている。

項目「部品名」の値は、部品の名称を示す。項目「素性」は、部品毎の仕様を示す情報等に含まれる複数の項目と対応付けられている。以下の説明では、項目「素性」と対応付けられた複数の項目を素性値と呼ぶ。

図３の例では、部品名「コンデンサ」と対応する素性は、素性値「材質」、「周波数」、「端子電極」、「耐電圧」を含む。また、部品名「コンデンサ」の素性値「材質」が示す材質は、Ｎｉであり、素性値「周波数」が示す周波数は、１００Ｈｚである。

本実施形態の部品情報は、部品素性データベース２１０において、項目「部品名」の値と、項目「素性」の値である各素性値と、素性値が示す値とを含む情報である。

尚、部品名と対応する素性に含まれる素性値は、図３の例に限定されない。部品名と対応する素性に含まれる素性値は、部品毎に異なって良い。

図４は、第一の実施形態の検索ログデータベースの一例を示す図である。本実施形態の検索ログデータベース２２０は、情報の項目として、担当者、部品名、検索条件を有し、項目「担当者」とその他の項目とが対応付けられている。

項目「担当者」の値は、検索条件を入力して部品の検索を行った利用者を特定するための情報を示す。具体的には、項目「担当者」の値は、部品の検索を行った利用者の名称を示す。この利用者は、例えば、部品の選定を行う担当者であっても良い。

項目「検索条件」の値は、部品の検索を行う際に検索条件（検索キー）として入力された部品の素性値である。本実施形態では、検索キーとして、１つの素性値が入力されても良いし、複数の素性値の組み合わせが入力されても良い。

本実施形態の検索履歴情報は、項目「担当者」、「部品名」、「検索条件」の値を含む情報である。

図４の例では、例えば、担当者Ａが、部品名「コンデンサ」を指定し、素性値「材質」と素性値「端子電極」とを検索キーとして、検索が行われたことがわかる。

尚、本実施形態における部品の検索は、例えば、部品素性データベース２１０を、部品を指定する情報である部品名と、検索条件となる素性値とを検索キーとして検索することを示す。

本実施形態では、例えば、部品素性データベース２１０を有する部品検索装置が、検索キーの入力を受け付けて、部品素性データベース２１０内の部品情報の検索を行っても良い。また、本実施形態の情報処理装置２００は、この部品検索装置を兼ねていても良い。

図５は、第一の実施形態の故障実績データベースの一例を示す図である。本実施形態の故障実績データベース２３０は、情報の項目として、部品名、素性、故障数を有する。

項目「故障数」の値は、対応する部品名が示す部品が故障した数を示す。尚、故障実績データベース２３０が有する情報の項目は、図５に示す例に限定されない。故障実績データベース２３０は、情報の項目として、故障数に加えて、故障の種類等を含んでいても良い。

本実施形態の故障実績情報は、項目「部品名」、「素性」、「故障数」の値を含む情報である。

図６は、第一の実施形態の購入実績データベースの一例を示す図である。本実施形態の購入実績データベース２４０は、情報の項目として、部品名と購入量とを有し、これらは対応付けられている。

項目「購入量」の値は、対応する部品名が示す部品が購入された量（数）を示す。項目「購入量」の値は、例えば、故障率推定システム１００を利用する事業所や企業等において、部品を購入した数であっても良い。

また、購入実績データベース２４０の有する情報の項目は、図６に示す例に限定されない。購入実績データベース２４０は、例えば、部品名と対応する素材を項目として有しても良い。

次に、図７を参照して、本実施形態の故障率推定システム１００の有する故障率推定処理部２５０の機能について説明する。図７は、第一の実施形態の故障率推定処理部の機能を説明する図である。

本実施形態の故障率推定処理部２５０は、例えば、演算処理装置２６が、メモリ装置２５等に格納された故障率推定プログラムを読み出して実行することで実現される。

本実施形態の故障率推定処理部２５０は、入力受付部２５１、情報参照部２５２、頻度情報生成部２５３、故障情報生成部２５４、重み判定部２５５、モデル生成部２５６、部品情報入力部２５７、出力部２５８、記憶部２６０を有する。

本実施形態の入力受付部２５１は、情報処理装置２００に対する各種の情報の入力を受け付ける。具体的には、例えば、入力受付部２５１は、部品名と検索条件の入力を受け付ける。また、入力受付部２５１は、例えば、故障率を求める対象となる部品名の入力を受け付ける。

情報参照部２５２は、各データベースを参照し、必要となる情報を取得する。具体的には、情報参照部２５２は、部品素性データベース２１０、検索ログデータベース２２０、故障実績データベース２３０を参照する。

頻度情報生成部２５３は、情報参照部２５２により、検索ログデータベース２２０を参照し、部品名毎に、検索ログデータベース２２０に格納されている検索履歴情報における、部品名と対応する各素性値が出現する頻度を求める。そして、頻度情報生成部２５３は、部品名と、部品毎の各素性値の頻度とを対応付けた頻度テーブル２６１を生成し、記憶部２６０に保持させる。頻度情報生成部２５３による頻度テーブル２６１の生成の詳細は後述する。

故障情報生成部２５４は、情報参照部２５２により、故障実績データベース２３０を参照し、故障実績情報における部品の素性値の偏りが有意か否かを判定する。そして、故障情報生成部２５４は、判定した結果を示す故障部品テーブル２６２を生成して、記憶部２６０に保持させる。故障情報生成部２５４による故障部品テーブル２６２の生成の詳細は後述する。

重み判定部２５５は、頻度テーブル２６１と故障部品テーブル２６２とを用いて、部品毎に、各素性値に対して重み付けを行い、重み付けを行った結果を示す重み付けテーブル２６３を生成して記憶部２６０に保持させる。重み判定部２５５と重み付けテーブル２６３の生成の詳細は後述する。

モデル生成部２５６は、故障実績データベース２３０と、重み付けテーブル２６３とから、部品の故障率を算出する故障予測モデル２８０を生成して、記憶部２６０に故障予測モデル２８０を保持させる。

言い換えれば、本実施形態のモデル生成部２５６は、故障実績データベース２３０に格納された故障実績情報を機械学習することで、故障予測モデル２８０を構築する。また、本実施形態のモデル生成部２５６は、重み付けテーブル２６３に基づき、各素性値の重みを変更して、故障実績情報を機械学習することで、故障予測モデル２８０を再構築する。

部品情報入力部２５７は、端末装置３００から、故障率を求める対象となる部品名が入力されると、この部品名を故障予測モデル２８０へ入力する。

故障予測モデル２８０は、入力された部品名に基づき、この部品名の故障率を推定する。言い換えれば、本実施形態の故障予測モデル２８０は、故障率推定部の役割を果たす。

出力部２５８は、故障予測モデル２８０が出力した結果である部品の故障率を、端末装置３００へ出力する。

記憶部２６０は、情報処理装置２００の補助記憶装置２４やメモリ装置２５等によって実現される記憶領域であり、複数の記憶領域を含んでいても良い。

次に、図８を参照して、本実施形態の頻度テーブル２６１について説明する。図８は、第一の実施形態の頻度テーブルの一例を示す図である。

本実施形態の頻度情報生成部２５３は、部品名毎に、検索ログデータベース２２０に格納された検索履歴情報に含まれる各素性値について、全ての素性値の数に対する各素性値の数の割合を求め、その結果を頻度テーブル２６１として示す。

頻度テーブル２６１が有する情報の項目は、部品名と、部品名と対応する素性値であり、部品名と素性値とが対応付けられている。

図８の例では、部品名「コンデンサ」と、素性値「材質」、「端子電極」、「周波数」、「耐電圧」が対応付けられている。検索ログデータベース２２０において、部品名「コンデンサ」を含む検索履歴情報は、検索履歴情報２２１、２２２、２２３である（図４参照）。また、検索履歴情報２２１に含まれる検索条件に含まれる素性値は、「材質」、「端子電極」の２つであり、検索履歴情報２２２に含まれる検索条件に含まれる素性値は、「材質」のみであり、検索履歴情報２２３に含まれる検索条件に含まれる素性値は、「端子電極」のみである。

したがって、部品名「コンデンサ」を含む検索履歴情報に含まれる全ての素性値の数は４つである。これに対し、素性値「材質」は２つであるから、検索ログデータベース２２０における、素性値「材質」の出現頻度は、５０％となる。同様に、検索ログデータベース２２０における、部品名「コンデンサ」の素性値「端子電極」の出現頻度は５０％となり、部品名「水晶発振器」の素性値「耐電圧」の出現頻度は１００％となる。

次に、図９を参照して、本実施形態の故障部品テーブル２６２の生成について説明する。図９は、第一の実施形態の故障部品テーブルの一例を示す図である。

本実施形態の故障情報生成部２５４は、故障実績データベース２３０に格納されている故障実績情報における素性値の偏りが、有意か否を判定し、その結果を故障部品テーブル２６２として保持する。

具体的には、故障情報生成部２５４は、例えば、Ｒ言語で記述された機械学習向けのツール等を用いて、故障実績データベース２３０に格納された故障実績情報における素性値の偏り（分布）を検定し、ｐ値を出力しても良い。さらに、故障情報生成部２５４は、ｐ値が０．０５未満の素性値に対してアスタリスクを１つ出力し、ｐ値が０．０１未満となる素性値にはアスタリスクを２つ出力し、ｐ値が０．００１未満となる素性値にはアスタリスクを３つ出力しても良い。

本実施形態の故障部品テーブル２６２が有する情報の項目は、部品名と、部品名と対応する素性値であり、部品名と素性値とが対応付けられている。

図９に示す故障部品テーブル２６２では、部品名「コンデンサ」の素性値「端子電極」に対して、３つのアスタリスクが対応付けられている。したがって、図９の例から、部品名「コンデンサ」の素性値「端子電極」は、部品名「コンデンサ」の故障と何らかの関係がある可能性があることがわかる。

次に、図１０を参照して、本実施形態の情報処理装置２００の動作について説明する。図１０は、第一の実施形態の情報処理装置の動作を示す第一のフローチャートである。図１０のフローチャートでは、頻度テーブル２６１と故障部品テーブル２６２から重み付けテーブル２６３を生成する処理を示す。

尚、図１０の処理は、例えば、定期的に実行されても良いし、故障率推定システム１００の利用者によって指示されたタイミングで実行されても良い。

本実施形態の故障率推定処理部２５０において、頻度情報生成部２５３は、頻度テーブル２６１を生成する（ステップＳ１００１）。図１０の以下の説明では、頻度テーブル２６１を頻度テーブルＦと示す。

続いて、故障率推定処理部２５０は、故障情報生成部２５４により、故障部品テーブル２６２を生成する（ステップＳ１００２）。図１０の以下の説明では、故障部品テーブル２６２を、故障部品テーブルＳと示す。頻度テーブル２６１と故障部品テーブル２６２の生成については、上述した通りである。

続いて、故障率推定処理部２５０は、重み判定部２５５により、頻度テーブル２６１から１つの部品名を選択する（ステップＳ１００３）。ここで選択された部品名を、「ｂ」と示す。

続いて、重み判定部２５５は、ステップＳ１００３で、頻度テーブル２６１から選択した部品名と対応する素性値から、１つの素性値を選択する（ステップＳ１００４）。ここで選択された素性値を、「ｓ」と示す。

次に、重み判定部２５５は、故障部品テーブルＳにおける部品名「ｂ」の素性値「ｓ」の値が、閾値Ｘ未満であるか否かを判定する（ステップＳ１００５）。尚、本実施形態では、閾値Ｘは、予め０．００１に設定されているものとした。

ステップＳ１００５において、該当する値が閾値Ｘ未満でない場合、つまり、該当する値が閾値Ｘ以上である場合、重み判定部２５５は、重み付けテーブル２６３における部品名「ｂ」の素性値「ｓ」の値を「１」とし（ステップＳ１００６）、後述するステップＳ１００８へ進む。尚、図１０の処理では、重み付けテーブル２６３を重み付けテーブルＷと示す。したがって、ここでは、重み付けテーブルＷにおいて、部品名「ｂ」の素性値「ｓ」の重みを「１」としている。

ステップＳ１００５において、該当する値が閾値Ｘ未満である場合、重み判定部２５５は、重み付けテーブル２６３における部品名「ｂ」の素性値「ｓ」の値を「０」とし（ステップＳ１００７）、後述するステップＳ１００８へ進む。言い換えれば、重み判定部２５５は、重み付けテーブルＷにおいて、部品名「ｂ」の素性値「ｓ」の重みを「０」とし、重みを付与しないようにする。

ステップＳ１００６、ステップＳ１００７に続いて、重み判定部２５５は、頻度テーブルＦから選択された部品名「ｂ」と対応する素性値「ｓ」のうち、未処理の素性値「ｓ」が存在するか否かを判定する（ステップＳ１００８）。ステップＳ１００８において、未処理の素性値「ｓ」が存在する場合、重み判定部２５５は、ステップＳ１００４へ戻る。

ステップＳ１００８において、未処理の素性値「ｓ」が存在しない場合、重み判定部２５５は、頻度テーブルＦにおいて、未処理の部品名「ｂ」が存在するか否かを判定する（ステップＳ１００９）。言い換えれば、重み判定部２５５は、頻度テーブルＦにおいて、全ての部品名が選択されたか否かを判定している。

ステップＳ１００９において、未処理の部品名が存在する場合、重み判定部２５５は、ステップＳ１００３へ戻る。

ステップＳ１００９において、未処理の部品名が存在しない場合、故障率推定処理部２５０は、モデル生成部２５６により、重み付けテーブルＷを用いて、故障予測モデル２８０の機械学習を行う（ステップＳ１０１０）。言い換えれば、故障率推定処理部２５０は、モデル生成部２５６に、重み付けテーブルＷを与え、機械学習にて故障実績情報を再学習することで、故障予測モデル２８０の再構築（再学習）を行う。

続いて、モデル生成部２５６は、再構築した故障予測モデル２８０を出力し、記憶部２６０に保持させ（ステップＳ１０１１）、処理を終了する。

以下に、図１１を参照して、本実施形態の重み付けテーブル２６３について具体的に説明する。図１１は、第一の実施形態の重み付けテーブルの一例を示す図である。

本実施形態の重み付けテーブル２６３が有する情報の項目は、部品名と、部品名と対応する素性値であり、素性値毎に重みが付与されている。

例えば、重み判定部２５５が、頻度テーブル２６１において、部品名「コンデンサ」を選択し、素性値「材質」を選択したとする。この場合、故障部品テーブル２６２では、部品名「コンデンサ」の素性値「材質」には、アスタリスクが対応付けられていない。

したがって、重み判定部２５５は、重み付けテーブル２６３において、部品名「コンデンサ」の素性値「材質」の重みを「０」とする。

また、重み判定部２５５が、頻度テーブル２６１において、部品名「コンデンサ」を選択し、素性値「端子電極」を選択したとする。この場合、故障部品テーブル２６２では、部品名「コンデンサ」の素性値「端子電極」には、２つのアスタリスクが対応付けられており、ｐ値が閾値Ｘ以上であることがわかる。

したがって、重み判定部２５５は、重み付けテーブル２６３において、部品名「コンデンサ」の素性値「端子電極」の重みを「１」とする。

尚、本実施形態では、閾値Ｘを０．００１と設定しておくものとしたが、これに限定されない。閾値Ｘは、例えば、０．０１に設定されても良いし、０．０５に設定されても良い。本実施形態の情報処理装置２００は、故障率推定システム１００の利用者に、閾値Ｘを選択させるようにしても良い。

このように、本実施形態では、例えば、部品の選定を行う担当者により、部品を検索する際に検索キーとして使用された部品の素性値の中から、実際に故障が発生した部品の素性値のうち、有意差が大きい素性値を自動で抽出し、重み付けを行うことができる。

したがって、本実施形態では、故障予測モデル２８０に与える素性値の重み付けにかかる工数を削減することができる。

また、本実施形態によれば、検索キーとされる部品名の素性値の出現頻度に応じて変更される素性値毎の重みを、故障予測モデル２８０に与えて、故障予測モデル２８０を再学習させることができる。したがって、本実施形態によれば、少ないデータ量で、高い精度で故障率を推定するモデルを構築することができる。

尚、本実施形態では、図１１に示す重み付けテーブル２６３を、端末装置３００に表示させて、部品の選定を行う担当者に対して、どの素性値に対して重みが付けられたかを確認させるようにしても良い。

次に、図１２を参照して、本実施形態の情報処理装置２００の動作について、さらに説明する。図１２は、第一の実施形態の情報処理装置の動作を説明する第二のフローチャートである。

図１２に示すフローチャートは、端末装置３００から部品を指定する情報が入力された際に、故障予測モデル２８０により、指定された部品の故障率を導出して出力する処理を示している。

本実施形態の故障率推定処理部２５０は、入力受付部２５１により、部品を指定する情報の入力を受け付けたか否かを判定する（ステップＳ１２０１）。尚、ここで入力される情報は、例えば、新規に購入が検討される部品等であって良い。

ステップＳ１２０１において、該当する入力を受け付けない場合、故障率推定処理部２５０は、入力を受け付けるまで待機する。

ステップＳ１２０１において、該当する入力を受け付けた場合、故障率推定処理部２５０は、部品情報入力部２５７により、部品を指定する情報を故障予測モデル２８０へ入力する（ステップＳ１２０３）。

続いて、出力部２５８は、故障予測モデル２８０によって導出された部品の故障率を取得して端末装置３００に対して出力し（ステップＳ１２０３）、処理を終了する。

以下に、図１３を参照して、本実施形態の故障予測モデル２８０による故障率の出力例について説明する。図１３は、第一の実施形態の故障率の出力例を示す図である。

図１３に示す画面１３１は、例えば、端末装置３００に表示される。画面１３１では、部品名を示す情報１３２と、故障率を示す情報１３３、１３４とが表示されている。

部品名を示す情報１３２は、「コンデンサＡ」である。この部品は、例えば、新たに購入が検討されている部品である。

故障率を示す情報１３３は、コンデンサＡの故障の種類と、この故障が発生する確率を示す数値とを含む。例えば、画面１３１では、コンデンサＡは、故障種類１とされる故障が発生する確率が０．０５％であり、故障種類２とされる故障が発生する確率が０．１％であることがわかる。

故障率を示す情報１３４は、コンデンサＡの全体の故障率を示す数値を含む。全体の故障率とは、例えば、発生した故障を種類毎に分類せずに導出した値である。

本実施形態では、このように、部品を指定する情報が入力されると、重み付けテーブル２６３によって与えられた重みを元に学習した故障予測モデル２８０によって、指定された部品の故障率を推定することができる。

したがって、本実施形態によれば、蓄積された故障実績情報の情報量が少ない場合でも、部品の故障の予測の精度を向上させることができる。

（第二の実施形態）
以下に図面を参照して、第二の実施形態について説明する。第二の実施形態は、素性値の重み付けの結果に応じて、素性値に補足となる補足情報を対応付ける点が、第一の実施形態と相違する。よって、以下の第二の実施形態の説明では、第一の実施形態との相違点について説明し、第一の実施形態と同様の機能構成を有するものには、第一の実施形態の説明で用いた符号と同様の符号を付与し、その説明を省略する。

図１４は、第二の実施形態の故障率推定処理部の機能を説明する図である。本実施形態の故障率推定処理部２５０Ａは、入力受付部２５１、情報参照部２５２、頻度情報生成部２５３、故障情報生成部２５４、重み判定部２５５、モデル生成部２５６、部品情報入力部２５７、出力部２５８、記憶部２６０Ａ、ヒント生成部２７０を有する。

本実施形態の記憶部２６０Ａでは、頻度テーブル２６１、故障部品テーブル２６２、重み付けテーブル２６３、故障予測モデル２８０に加えて、ヒントテーブル２６４が保持される。

本実施形態のヒント生成部２７０は、頻度テーブル２６１と、重み付けテーブル２６３と、から、ヒントテーブル２６４を生成する。本実施形態のヒントテーブル２６４は、検索キーとして出現する頻度が比較的高いにも関わらず、故障部品テーブル２６２において有意差が小さいとされる部品の素性値と、出現する頻度が低いにも関わらず、有意差が大きいとされる部品の素性値と、を特定するテーブルである。ヒントテーブル２６４の詳細は後述する。

また、本実施形態のヒント生成部２７０は、ヒントテーブル２６４に基づき、素性値と対応付けて表示させる補足情報を生成する。本実施形態の補足情報は、素性値の頻度と重みの関係を説明する情報である。補足情報の詳細は後述する。

以下に、図１５を参照して、本実施形態の故障率推定処理部２５０Ａの処理について説明する。図１５は、第二の実施形態の情報処理装置の動作を示すフローチャートである。

図１５のステップＳ１５０１からステップＳ１５０７までの処理は、図１０のステップＳ１００１からステップＳ１００７までの処理と同様であるから、説明を省略する。

ステップＳ１５０６において、重み判定部２５５が、重み付けテーブルＷにおける部品名「ｂ」の素性値「ｓ」の値を「１」とすると、ヒント生成部２７０は、頻度テーブルＦの部品名「ｂ」の素性値「ｓ」の値が閾値Ｎより大きいか否かを判定する（ステップＳ１５０８）。尚、閾値Ｎは、頻度テーブル２６１における全素性値と対応する値の平均値とした。本実施形態のヒント生成部２７０は、閾値Ｎを予め算出して保持していても良い。

ステップＳ１５０８において、該当する値が閾値Ｎより大きい場合、ヒント生成部２７０は、ヒントテーブル２６４の部品名「ｂ」の素性値「ｓ」の値を「ｆａｌｓｅ（０）」とし（ステップＳ１５０９）、後述するステップＳ１５１４へ進む。尚、図１５では、ヒントテーブル２６４をヒントテーブルＨとしている。

ここで、ヒントテーブル２６４の部品名「ｂ」の素性値「ｓ」の値が「０」となるということは、この素性値は、検索キーとして出現する頻度が平均よりも高く、且つ、実際に故障が発生した部品の素性値のうち、有意差が大きい素性値であることを示す。

つまり、この素性値は、担当者が関心を持って情報を得ようとしている素性値であり、実際の故障との関連があると思われる素性値であり、担当者の知見と、故障実績データベース２３０に基づく機械学習の結果が一致していることを示す。

ステップＳ１５０８において、該当する値が閾値Ｎ以下である場合、ヒント生成部２７０は、ヒントテーブル２６４の部品名「ｂ」の素性値「ｓ」の値を「ｔｒｕｅ（１）」とし（ステップＳ１５１０）、後述するステップＳ１５１４へ進む。

ここで、ヒントテーブル２６４の部品名「ｂ」の素性値「ｓ」の値が「１」となるということは、この素性値は、検索キーとして出現する頻度が平均よりは低いにも関わらず、且つ、実際に故障が発生した部品の素性値のうち有意差が大きい素性値であることを示す。

つまり、この素性値は、担当者はあまり関心を持っていないにも関わらず、実際の故障との関連があると思われる素性値であり、担当者の知見と、故障実績データベース２３０に基づく機械学習の結果が一致していないことを示す。

ステップＳ１５０７において、重み判定部２５５が、重み付けテーブルＷにおける部品名「ｂ」の素性値「ｓ」の値を「０」とすると、ヒント生成部２７０は、頻度テーブルＦの部品名「ｂ」の素性値「ｓ」の値が閾値Ｎより大きいか否かを判定する（ステップＳ１５１１）。

ステップＳ１５１１において、該当する値が閾値Ｎより大きい場合、ヒント生成部２７０は、ヒントテーブル２６４の部品名「ｂ」の素性値「ｓ」の値を「ｔｒｕｅ（１）」とし（ステップＳ１５１２）、後述するステップＳ１５１４へ進む。

ここで、ヒントテーブル２６４の部品名「ｂ」の素性値「ｓ」の値が「１」となるということは、この素性値は、検索キーとして出現する頻度が平均よりも高いにも関わらず、且つ、実際に故障が発生した部品の素性値のうち有意差がない素性値であることを示す。

つまり、この素性値は、担当者は関心を持って情報を得ようしているにも関わらず、実際の故障との関連はないと思われる素性値であり、担当者の知見と、故障実績データベース２３０に基づく機械学習の結果が一致していないことを示す。

ステップＳ１５１１において、該当する値が閾値Ｎ以下である場合、ヒント生成部２７０は、ヒントテーブル２６４の部品名「ｂ」の素性値「ｓ」の値を「ｆａｌｓｅ（０）」とし（ステップＳ１５１３）、後述するステップＳ１５１４へ進む。

ここで、ヒントテーブル２６４の部品名「ｂ」の素性値「ｓ」の値が「０」となるということは、この素性値は、検索キーとして出現する頻度が平均よりも低く、且つ、実際に故障が発生した部品の素性値のうち有意差がない素性値であることを示す。

つまり、この素性値は、担当者は関心を持って情報を得ようしておらず、実際の故障との関連はないと思われる素性値であり、担当者の知見と、故障実績データベース２３０に基づく機械学習の結果が一致していることを示す。

図５のステップＳ１５１４からステップＳ１５１７の処理は、図１０のステップＳ１００８からステップＳ１０１１までの処理と同様であるからに、説明を省略する。

以下に、図１６を参照して、ヒントテーブル２６４について具体的に説明する。図１６は、第二の実施形態のヒントテーブルの一例を示す図である。

本実施形態のヒントテーブル２６４の有する情報の項目は、部品名と、部品名と対応する素性値であり、部品名と素性値とが対応付けられている。

ヒント生成部２７０は、例えば、重み判定部２５５により、重み付けテーブル２６３の部品名「コンデンサ」の素性値「材質」の重みが「０」とされると（図１１参照）、頻度テーブル２６１において、部品名「コンデンサ」の素性値「材質」と対応する値が閾値Ｎより大きいか否か判定する。

ここで、頻度テーブル２６１における部品名「コンデンサ」の素性値「材質」と対応する値は５０％であり、閾値Ｎより大きい値であるとする（図８参照）。この場合、ヒント生成部２７０は、ヒントテーブル２６４の部品名「コンデンサ」の素性値「材質」と対応する値を「１」とする。

つまり、部品名「コンデンサ」の素性値「材質」は、検索キーとされる頻度が高いにも関わらず、実際の故障との関連性はないことがわかる。

また、ヒント生成部２７０は、例えば、重み判定部２５５により、重み付けテーブル２６３の部品名「コンデンサ」の素性値「端子電極」の重みが「１」とされると（図１１参照）、頻度テーブル２６１において、部品名「コンデンサ」の素性値「端子電極」と対応する値が閾値Ｎより大きいか否か判定する。

ここで、頻度テーブル２６１における部品名「コンデンサ」の素性値「端子電極」と対応する値は５０％であり、閾値Ｎより大きい値である（図８参照）。この場合、ヒント生成部２７０は、ヒントテーブル２６４の部品名「コンデンサ」の素性値「端子電極」と対応する値を「０」とする。つまり、部品名「コンデンサ」の素性値「端子電極」は、検索キーとされる頻度が高く、且つ、実際の故障との関連性があることがわかる。

また、ヒント生成部２７０は、例えば、重み判定部２５５により、重み付けテーブル２６３の部品名「水晶発振器」の素性値「耐電圧」の重みが「０」とされると（図１１参照）、頻度テーブル２６１において、部品名「水晶発振器」の素性値「耐電圧」と対応する値が閾値Ｎより大きいか否か判定する。

ここで、頻度テーブル２６１における部品名「水晶発振器」の素性値「耐電圧」と対応する値は１００％であり、閾値Ｎより大きい値である（図８参照）。この場合、ヒント生成部２７０は、ヒントテーブル２６４の部品名「水晶発振器」の素性値「耐電圧」と対応する値を「１」とする。つまり、部品名「水晶発振器」の素性値「耐電圧」は、検索キーとされる頻度が高いにも関わらず、実際の故障との関連性がないことがわかる。

ヒント生成部２７０は、ヒントテーブル２６４において、値が「１」とれさている部品名の素性値に対して、上述した内容を示す補足情報（ヒント）の対応付けを行う。出力部２５８は、重み付けの結果と共に、補足情報を端末装置３００に表示させる。

以下に、図１７及び図１８を参照して、本実施形態の出力部２５８による出力例について説明する。図１７は、第二の実施形態のヒントの出力例を示す第一の図である。

図１７に示す画面１７１は、端末装置３００に表示された画面の例である。画面１７１には、部品名と、部品名と対応する素性値に付与された重みとを示す情報１７２と、重み付けに関する補足情報（ヒント）を示す情報１７３と、ボタン１７４とが表示される。

画面１７１の情報１７２は、部品名「コンデンサ」の各素性値に対する重み付けの結果を示している。尚、情報１７２として重み付けの結果が表示される部品名は、例えば、端末装置３００から部品を指定する情報が入力されることによって、抽出されても良い。

また、情報１７２では、補足情報が対応付けられた素性値が強調表示されている。言い換えれば、情報１７２では、ヒントテーブル２６４において、部品名「コンデンサ」と対応する素性値のうち、値が「１」とされた素性値を強調表示させる。

図１７の例では、素性値「材質」が強調表示される。そして、本実施形態では、例えば、端末装置３００において、素性値「材質」が選択されると、出力部２５８は、ヒント生成部２７０が生成した、素性値「材質」と対応する補足情報１７３を端末装置３００に表示させる。

以下に、ヒント生成部２７０による補足情報の生成について説明する。本実施形態のヒント生成部２７０は、ヒントテーブル２６４において、値が「１」とされた部品名の素性値を特定する。そして、ヒント生成部２７０は、頻度テーブル２６１と重み付けテーブル２６３において、この部品名と素性値と対応する値を参照する。そして、頻度テーブル２６１における部品名の素性値の頻度と、重み付けテーブル２６３における部品名の素性値の重みとから、後述する補足情報を生成する。

つまり、本実施形態の補足情報は、言い換えれば、部品の素性値の頻度と、故障が発生した部品の各素性値の有意差の有無と、の関係を示す情報である。

図１７の例では、部品名「コンデンサ」の素性値「材質」に補足情報１７３が対応付けられている。ここで、頻度テーブル２６１における部品名「コンデンサ」の素性値「材質」の頻度と、重み付けテーブル２６３における部品名「コンデンサ」の素性値「材質」
の重みから、部品名「コンデンサ」の素性値「材質」は、検索キーとなる頻度が高いが、実際の故障との関連はないことがわかる。

したがって、ヒント生成部２７０は、その旨を示す補足情報として、「あなたは、良くこの素性値で検索をしますが、故障とはあまり関係がありません」といったメッセージを生成し、出力部２５８により、端末装置３００に表示させる。

尚、本実施形態のヒント生成部２７０では、検索キーとなる頻度と、重みとの組み合わせ毎に、補足情報として出力されるメッセージをテキストデータとして保持していても良い。

本実施形態では、画面１７１において、ボタン１７４が操作されると、情報１７２が示す重みが与えられて再構築された故障予測モデル２８０によって、導出された故障率を出力する画面（図１３参照）に遷移しても良い。

図１８は、第二の実施形態のヒントの出力例を示す第二の図である。図１８に示す画面１７１Ａには、部品名と、部品名と対応する素性値に付与された重みとを示す情報１７２Ａと、重み付けに関する補足情報を示す情報１７３Ａと、ボタン１７４とが表示される。

図１８の例では、情報１７２Ａは、部品名「水晶発振器」の各素性値に対する重み付けの結果を示している。また、図１８の例では、情報１７２Ａに示す各素性値のうち、素性値「周波数」と素性値「耐電圧」が強調表示されており、それぞれに補足情報が対応付けられていることがわかる。

画面１７１Ａにおいて、素性値「周波数」が選択されると、補足情報１７３Ａが表示される。補足情報１７３Ａは、「あなたは、この素性値で検索をあまりしませんが、故障と関係がありそうです」という内容のメッセージとなる。

このように、本実施形態によれば、重み付けの結果を、部品の選定を行う担当者等に閲覧させることができる。また、本実施形態によれば、担当者の素性値に対する関心の有無と、その素性値と実際の故障との関連の有無とが一致していない場合に、その旨を担当者に通知することができる。

尚、図１７と図１８に示す画面に、指定された部品の故障率を示す情報が表示されても良い。

開示の技術では、以下に記載する付記のような形態が考えられる。
（付記１）
部品検索装置における部品の各素性値の検索履歴情報から、検索履歴情報において各素性値が出現する頻度を示す頻度テーブルを生成し、
前記頻度テーブルを基に、素性値毎に重み付けを変更して蓄積した故障実績情報の再学習を行い、
再学習結果を基に新規部品の故障率を推定する、処理をコンピュータに実行させる、故障率推定プログラム。
（付記２）
前記頻度テーブルと、前記素性値毎に重み付けを行った結果と、に基づき、前記頻度と前記素性値の重みとの組み合わせに応じた補足情報を生成し、
前記重み付けを行った結果と、前記補足情報とを出力する、処理を前記コンピュータに実行させる、付記１記載の故障率推定プログラム。
（付記３）
前記頻度が閾値より高く、且つ、前記重みが付与されていない素性値と、前記頻度が閾値より低く、且つ、前記重みが付与されている素性値と、に対して、前記補足情報を対応付ける、付記２記載の故障率推定プログラム。
（付記４）
前記補足情報は、前記素性値の前記頻度と前記有意差の有無との関係を示す情報である、付記２又は３記載の故障率推定プログラム。
（付記５）
蓄積された前記故障実績情報に基づき、故障が発生した部品の各素性値の有意差の有無を検定した結果を示す故障部品テーブルを生成し、
前記頻度テーブルと、前記故障部品テーブルとに基づき、前記部品の素性値毎に、重みを対応付けた重み付けテーブルを生成する、処理を前記コンピュータに実行させる、付記１乃至４の何れか一項に記載の故障率推定プログラム。
（付記６）
部品検索装置における部品の各素性値の検索履歴情報における各素性値が出現する頻度と、蓄積された故障実績情報に基づく故障が発生した部品の各素性値の有意差の有無の検定の結果とから、部品の各素性値に対する重み付けを行い、
前記重み付けを行った結果を出力する、故障率推定プログラム。
（付記７）
コンピュータによる故障率推定方法であって、前記コンピュータが、
部品検索装置における部品の各素性値の検索履歴情報から、検索履歴情報において各素性値が出現する頻度を示す頻度テーブルを生成し、
前記頻度テーブルを基に、素性値毎に重み付けを変更して蓄積した故障実績情報の再学習を行い、
再学習結果を基に新規部品の故障率を推定する、故障率推定方法。
（付記８）
部品検索装置における部品の各素性値の検索履歴情報から、検索履歴情報において各素性値が出現する頻度を示す頻度テーブルを生成する頻度情報生成部と、
前記頻度テーブルを基に、素性値毎に重み付けを変更して蓄積した故障実績情報の再学習を行うモデル生成部と、
再学習結果を基に新規部品の故障率を推定する故障判定部と、を有する情報処理装置。

本発明は、具体的に開示された実施形態に限定されるものではなく、特許請求の範囲から逸脱することなく、種々の変形や変更が可能である。

１００ 故障率推定システム
２００ 情報処理装置
２１０ 部品素性データベース
２２０ 検索ログデータベース
２３０ 故障実績データベース
２４０ 購入実績データベース
２５０、２５０Ａ 故障率推定処理部
２５３ 頻度情報生成部
２５４ 故障情報生成部
２５５ 重み判定部
２５６ モデル生成部
２６０ 記憶部
２６１ 頻度テーブル
２６２ 故障部品テーブル
２６３ 重み付けテーブル
２６４ ヒントテーブル
２７０ ヒント生成部
２８０ 故障予測モデル
３００ 端末装置

Claims (5)

1. 部品検索装置における部品の各素性値の検索履歴情報から、検索履歴情報において各素性値が出現する頻度を示す頻度テーブルを生成し、
   故障実績を示す故障実績情報における部品の素性値の偏りが有意か否かを判定し、判定した結果を示す故障部品テーブルを生成し、
   前記頻度テーブルと、前記故障部品テーブルとを用いて、前記部品の素性値毎に、重みを対応付けた重み付けテーブルを生成し、
   前記重み付けテーブルに基づき、素性値毎に重み付けを変更して前記故障実績情報の再学習を行い、
   再学習結果を基に新規部品の故障率を推定する、処理をコンピュータに実行させる、故障率推定プログラム。
2. 前記頻度テーブルと、前記素性値毎に重み付けを行った結果と、に基づき、前記頻度と前記素性値の重みとの組み合わせに応じた補足情報を生成し、
   前記重み付けを行った結果と、前記補足情報とを出力する、処理を前記コンピュータに実行させる、請求項１記載の故障率推定プログラム。
3. 前記頻度が閾値より高く、且つ、前記重みが付与されていない素性値と、前記頻度が閾値より低く、且つ、前記重みが付与されている素性値と、に対して、前記補足情報を対応付ける、請求項２記載の故障率推定プログラム。
4. コンピュータによる故障率推定方法であって、前記コンピュータが、
   部品検索装置における部品の各素性値の検索履歴情報から、検索履歴情報において各素性値が出現する頻度を示す頻度テーブルを生成し、
   故障実績を示す故障実績情報における部品の素性値の偏りが有意か否かを判定し、判定した結果を示す故障部品テーブルを生成し、
   前記頻度テーブルと、前記故障部品テーブルとを用いて、前記部品の素性値毎に、重みを対応付けた重み付けテーブルを生成し、
   前記重み付けテーブルに基づき、素性値毎に重み付けを変更して前記故障実績情報の再学習を行い、
   再学習結果を基に新規部品の故障率を推定する、故障率推定方法。
5. 部品検索装置における部品の各素性値の検索履歴情報から、検索履歴情報において各素性値が出現する頻度を示す頻度テーブルを生成する頻度情報生成部と、
   故障実績を示す故障実績情報における部品の素性値の偏りが有意か否かを判定し、判定した結果を示す故障部品テーブルを生成し、前記頻度テーブルと、前記故障部品テーブルとを用いて、前記部品の素性値毎に、重みを対応付けた重み付けテーブルを生成し、前記重み付けテーブルに基づき、素性値毎に重み付けを変更して前記故障実績情報の再学習を行うモデル生成部と、
   再学習結果を基に新規部品の故障率を推定する故障判定部と、を有する情報処理装置。

Images