JP7320053B2 - 予測モデルの改良 - Google Patents

Description

本発明は、一般に、故障率予測モデルに関し、より詳細には、より正確な故障率の予測を行うために故障予測モデルを改良することに関する。

故障率の予測が、システムおよびコンポーネントの保証を提供するために必要である。ライフ・データ解析を実行する多くのタイプの予測モデルが存在する。システムの故障率は、一般的に、時間に依存し、システムまたはコンポーネントのライフ・サイクルにわたって変化する。しかしながら、一部の予測モデルは、一部の業界には適していない。また、入力データの量または質が、予測モデルによって提供される故障予測の精度に影響を与えることがある。例えば、コンポーネントの故障率を推定する現在の方法は、例えば、サンプルのサイズ、コールド・スタート、およびモデルの変動に関する制限を有する。特に、単一のコンポーネント製造年型（ｖｉｎｔａｇｅ）のライフ・サイクルにおいて、故障推定の有用性が早期に低下することにより、将来の予測をゆがめる。したがって、このような制限によって、故障率推定の有用性が低下する。

さらに、多くの場合、製品の故障の根本原因を特定することが困難である。したがって、効果的に修正措置を取ることができない。また、製品性能履歴を監視することは、既に発生したことに対して警告を発することはできるが、将来に発生するであろうことに対しては警告を発しない。例えば、５年戻り率（ｒｅｔｕｒｎ ｒａｔｅ）の予測についてのデータが、安定したモデリング出力を有する高い精度を実現するのは、約２年分のデータが収集された後になろう。２年後にしか安定した正確な予測が得られないのでは、システムまたはコンポーネントが寿命となり得るため、サプライヤが修正措置を取るよう要求するには遅すぎる可能性がある。２年または３年おきに、より高い能力を有する次世代システムまたはコンポーネントが出現する。したがって、予測モデルの故障率予測の精度を改良することにより、製品の信頼性を向上させるための予防措置をより迅速に取ることが可能になる。

この概要は、概念の選択を簡略化された形式で導入するために提示したものであり、これを詳細な説明においてさらに後述することを理解されたい。この概要は、特許請求される主題の範囲を限定することを意図したものではない。

本発明の実施形態は、将来の故障予測を生成する予測モデルを改良するためのコンピュータ実装方法に関する。コンピュータ実装方法の非限定的な例は、入力データをグループにセグメント化することを含む。予測モデルが、セグメント化された入力データのグループごとに実装される。コンピュータ実装方法はまた、履歴予測データをグループにセグメント化することと、次いで、セグメント化された履歴予測データの各グループ内の実際のパラメータと予測されたパラメータとを比較することとを含む。比較に基づいて、予測モデルによって定義されたパラメータが、セグメント化された入力データのグループごとに調節される。コンピュータ実装方法は、次いで、入力データについての予測モデルの更新されたパラメータを出力することを含む。

別の実施形態によれば、コンピュータ実装方法の非限定的な例は、第１の製品の初期故障モードを生成するためにデータを予測モデルに入力することを含む。初期故障モードは、少なくとも２つのパラメータによって定義される、第１の製品の将来の故障率を提供する。コンピュータ実装方法はまた、第２の製品のライフ・サイクル中に発生した故障モードを含む履歴予測データをセグメント化することと、次いで、セグメント化された履歴予測データに基づいて、第１の製品の予測モデルによって生成された初期故障モードの少なくとも２つのパラメータを修正することとを含む。次いで、予測モデルにより、修正された少なくとも２つのパラメータを使用して、第１の製品の新しい将来の故障率を定義する新しい故障モードが生成される。

本発明の実施形態は、将来の故障予測を生成する予測モデルを改良するためのシステムに関する。システムの非限定的な例は、メモリに通信可能に結合されたプロセッサと、プロセッサによって実行されたとき、ライフ・サイクル、およびライフ・サイクルの異なる故障モードに対応する入力データの各グループに基づいて、入力データをグループにセグメント化することを含む方法を実行する、メモリに格納されたコンピュータ命令のセットとを含む。予測モデルは、セグメント化された入力データのグループごとに適用される。履歴予測データは、ライフ・サイクル中に発生した故障モードに基づいてグループにセグメント化される。次いで、セグメント化された履歴予測データの各グループの実際のパラメータと予測されたパラメータとが比較される。それらの比較に基づいて、予測モデルによって定義されたパラメータが、セグメント化された入力データのグループごとに調節される。方法はまた、予測モデルの更新されたパラメータを使用して将来の故障率を出力することを含む。方法は、次いで、更新されたパラメータを履歴予測データとして格納することを含むことができる。

別の実施形態によれば、将来の故障予測を生成する予測モデルを改良するためのシステムの非限定的な例は、メモリに通信可能に結合されたプロセッサと、プロセッサによって実行されたとき、第１の製品の初期故障モードを生成するためにデータを予測モデルに入力することを含む方法を実行する、メモリに格納されたコンピュータ命令のセットとを含む。故障モードは、少なくとも２つのパラメータによって定義される、第１の製品の将来の故障率を提供する。次いで、方法は、第２の製品のライフ・サイクル中に発生した複数の故障モードを含む履歴予測データをセグメント化することと、セグメント化された履歴予測データに基づいて、第１の製品の予測モデルによって生成された初期故障モードの少なくとも２つのパラメータを修正することとを含む。予測モデルにより、修正された少なくとも２つのパラメータを使用して、第１の製品の新しい将来の故障率を定義する新しい故障モードが生成される。

本発明の実施形態は、プログラム命令が具体化されるコンピュータ可読ストレージ媒体を備える、将来の故障予測を生成するためのコンピュータ・プログラム製品に関する。プログラム命令は、プロセッサに方法を実行させるために、プロセッサによって実行可能である。方法の非限定的な例は、ライフ・サイクル、および異なる故障に対応するセグメント化された入力データの各グループに基づいて、入力データをグループにセグメント化することを含む。方法は、次いで、セグメント化された入力データのグループごとに予測モデルを適用することと、複数の故障モードに基づいて、履歴予測データをグループにセグメント化することとを含む。セグメント化された履歴予測データの各グループの実際のパラメータと予測されたパラメータとが互いに比較されて、予測誤差を証明する差を判定する。方法は、それらの比較に基づいて、予測モデルによって定義されたパラメータを、セグメント化された入力データのグループごとに調節することを含む。方法はまた、予測モデルの更新されたパラメータを出力することを含む。方法はまた、更新されたパラメータを履歴予測データとして格納することを含むことができる。

さらなる技術的特徴および利点が、本発明の技術によって実現される。本発明の実施形態および態様が、本明細書において詳細に説明され、特許請求される主題の一部とみなされる。よりよく理解することができるように、詳細な説明および図面を参照されたい。

本明細書に記載の排他的権利の明細については、本明細書の末尾の特許請求の範囲において詳細に示され、明確に特許請求されている。本発明の実施形態の上記およびその他の特徴および利点は、以下の詳細な説明を添付図面とともに読めば明らかになる。

本発明の例示的な実施形態を実装するために使用され得る例示的なコンピュータ処理システムを示すブロック図である。 本発明の１つまたは複数の実施形態による、将来の故障予測を生成するための、異なる層を有する改良された予測モデルのフロー図である。 本発明の１つまたは複数の実施形態による、ライフ・サイクルのステージに基づく入力データの一般的なセグメンテーションを示す図である。 本発明の１つまたは複数の実施形態による、特定のシステム、製品、またはコンポーネントの特定のライフ・サイクルのステージに従った、入力データのより詳細なセグメンテーションを示す図である。 本発明の好ましい実施形態による、図２のフロー図に従う改良された予測モデルの一般的な図である。 本発明の好ましい実施形態による、図２のフロー図に従う特定のシステム、製品、またはコンポーネントの改良されたワイブル予測モデルを示す図である。 本発明の１つまたは複数の実施形態による、図２のフロー図の学習層のベクトル対の等化係数を計算する方法を示す図である。 本発明の１つまたは複数の実施形態による、ワイブル予測モデルを使用することと、図２のフロー図の学習層のベクトル対の等化係数を計算することとを示す図である。 より正確な故障予測を提供するために予測モデルを改良する例示的なプロセスを示す図である。

本明細書に示される図は、例示的なものである。本発明の思想から逸脱することなく、図または図に記載の動作に多くの変形形態が存在してもよい。例えば、動作は異なる順序で実行されてよく、または動作は追加、削除、もしくは変形されてもよい。また、「結合された」という用語、およびこの用語の変形は、２つの要素間に通信パスを有することを表し、それらの要素間に介在する要素／接続のまったくないそれらの要素間の直接の接続を暗示するわけではない。これらの変形形態のすべては、本明細書の一部であるとみなされる。

添付の図、および開示される実施形態の以下の詳細な説明において、図示される様々な要素には、２桁または３桁の参照符号が与えられる。少数の例外を除いて、各参照符号の左端の数字は、その参照符号の要素が最初に示される図に対応する。

本発明の様々な実施形態は、関連する図面を参照して本明細書において説明される。本発明の代替実施形態が、本発明の範囲から逸脱することなく考えられ得る。以下の説明および図面において要素間に様々な接続および位置関係（例えば、上、下、隣接するなど）が提示される。これらの接続または位置関係あるいはその両方は、特に明記しない限り、直接的であっても間接的であってもよく、本発明は、これに関して限定的であることを意図していない。したがって、エンティティの結合は、直接的な結合または間接的な結合を指すことができ、エンティティ間の位置関係は、直接的な位置関係または間接的な位置関係であってよい。さらに、本明細書において説明される様々なタスクおよびプロセス・ステップは、本明細書において詳細に説明されることのないさらなるステップまたは機能性を有する、より包括的な手順またはプロセスに組み込まれてよい。

以下の定義および略語が、特許請求の範囲および本明細書の解釈のために使用されるものとする。本明細書において使用される、「備える」、「備えた」、「含む」、「含んだ」、「有する」、「有した」、「包含する」、もしくは「包含した」という用語、またはこれらの他の任意の変形は、非排他的な包含を範囲に含むことを意図している。例えば、要素のリストを含む構成物、混合体、プロセス、方法、製品、または装置は、必ずしもそれらの要素のみに限定されるわけではなく、明示的にリストアップされない、またはそのような構成物、混合体、プロセス、方法、製品、もしくは装置に固有でない他の要素を含むことができる。

加えて、「例示的な」という用語は、「例、実例、または例示の役割をする」を意味するように本明細書において使用される。本明細書において「例示的な」として説明されるいずれの実施形態または設計も、必ずしも他の実施形態または他の設計より好ましいとも、有利であるとも解釈されるべきではない。「少なくとも１つの」および「１つまたは複数の」という用語は、１つ以上の任意の整数、すなわち、１つ、２つ、３つ、４つなどを含むものと理解されてよい。「複数」という用語は、２つ以上の任意の整数、すなわち、２つ、３つ、４つ、５つなどを含むものと理解されてよい。「接続」という用語は、間接的な「接続」と直接的な「接続」との両方を含んでよい。

「約」、「略」、「おおよそ」という用語、およびこれらの変形は、本出願の提出時に利用可能であった機器に基づく特定の数量の測定に関連する誤差の程度を含むことを意図する。例えば、「約」は、所与の値の±８％または±５％または±２％の範囲を含むことができる。

簡潔にするために、本発明の態様を作成および使用することに関連する従来の技術は、本明細書において詳細に説明されても、説明されなくてもよい。特に、本明細書に記載の様々な技術的特徴を実装するコンピューティング・システムおよび特定のコンピュータ・プログラムの様々な態様は、周知である。したがって、簡潔にするために、多くの従来の実装の詳細は、周知のシステムまたはプロセスあるいはその両方の詳細を提供することなしに、本明細書において簡単にだけ述べられる、または完全に省略される。

本明細書に開示される解決策の概要について、本発明の１つまたは複数の実施形態は、より正確な予測パラメータを決定するために予測モデルを改良することによって、前述した先行技術の欠点に対処する。予測モデルは、新しい入力データに対する多変量セグメンテーションを使用すること、次いで、入力データの各セグメント化されたグループを、予測モデルに別々に処理させることによって、改良される。予測モデルは、次いで、履歴予測データをグループにセグメント化することと、履歴予測データのセグメント化されたグループごとに等化係数因子対（ｅｑｕａｌｉｚａｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ ｆａｃｔｏｒ ｐａｉｒ）を決定することとによってもさらに改良される。前の予測パラメータを対応する実際のパラメータと比較して、誤差が経時的に発生した箇所を判定する。これらの等化係数因子対は、等化係数モデルへのフィードバックとして使用され、セグメント化された入力データについて予測モデルにより決定された予測パラメータも、同じ等化係数モデルにフィードバックされる。等化係数因子対を使用して、セグメント化された入力データの予測パラメータを調節または修正する。したがって、セグメント化された入力データの予測パラメータを修正することによって、予測モデルが改良され、故障率の精度が向上する。

予測モデル自体の更新を必要とすることなく、同じ故障予測モデルを複数のセグメント化されたグループにまたがって使用できるようにすることによって、先行技術の欠点に対処することが好ましい。予測モデルをライフ・サイクルにわたって複数のセグメンテーションにまたがって調整するために、予測パラメータが更新または修正される。言い換えると、予測モデルを複数のセグメンテーションにまたがって安定した状態に保つことができるセグメント・レベルで、調整が適用される。

図１を参照すると、本明細書の教示を実装するためのパーソナル・コンピュータとして構成された処理システム１００の実施形態が示されている。本実施形態において、システム１００は、１つまたは複数の中央処理ユニット（プロセッサ）１２１ａ、１２１ｂ、１２１ｃなど（まとめて、または総称的に、１つまたは複数のプロセッサ１２１と呼ばれる）を有する。１つまたは複数の実施形態において、各プロセッサ１２１は、縮小命令セット・コンピュータ（ＲＩＳＣ）・マイクロプロセッサを含むことができる。プロセッサ１２１は、システム・バス１３３を介してシステム・メモリ１３４および様々な他のコンポーネントに結合される。読取り専用メモリ（ＲＯＭ）１２２が、システム・バス１３３に結合され、システム１００のある特定の基本機能を制御する基本入出力システム（ＢＩＯＳ）を含むことができる。

図１は、システム・バス１３３に結合された入出力（Ｉ／Ｏ）アダプタ１２７およびネットワーク・アダプタ１２６をさらに示す。Ｉ／Ｏアダプタ１２７は、ハード・ディスク１２３もしくはテープ・ストレージ・ドライブ１２５またはその両方、あるいは任意の他の同様のコンポーネントと通信するスモール・コンピュータ・システム・インターフェース（ＳＣＳＩ）・アダプタであってよい。Ｉ／Ｏアダプタ１２７、ハード・ディスク１２３、およびテープ・ストレージ・デバイス１２５は、本明細書において、まとめてマス・ストレージ１２４と呼ばれる。処理システム１００上で実行するオペレーティング・システム１４０が、マス・ストレージ１２４に格納されてよい。ネットワーク・アダプタ１２６が、バス１３３を外部ネットワーク１３６と相互接続することにより、データ処理システム１００が他のそのようなシステムと通信することを可能にする。スクリーン（例えば、ディスプレイ・モニタ）１３５が、ディスプレイ・アダプタ１３２によってシステム・バス１３３に接続され、ディスプレイ・アダプタ１３２は、グラフィックスを多用するアプリケーションおよびビデオ・コントローラの性能を向上させるためのグラフィックス・アダプタを含むことができる。一実施形態において、アダプタ１２７、１２６、１３２を１つまたは複数のＩ／Ｏバスに接続することができ、１つまたは複数のＩ／Ｏバスは、中間バス・ブリッジ（図示せず）を介してシステム・バス１３３に接続される。ハード・ディスク・コントローラ、ネットワーク・アダプタ、およびグラフィックス・アダプタなどの周辺デバイスを接続するための適切なＩ／Ｏバスは、一般的に、ペリフェラル・コンポーネント・インターコネクト（ＰＣＩ）などの共通プロトコルを含む。ユーザ・インターフェース・アダプタ１２８およびディスプレイ・アダプタ１３２を介してシステム・バス１３３に接続された、さらなる入出力デバイスが示されている。キーボード１２９、マウス１３０、およびスピーカ１３１はすべて、ユーザ・インターフェース・アダプタ１２８を介してバス１３３に相互接続され、ユーザ・インターフェース・アダプタ１２８は、例えば、複数のデバイス・アダプタを単一の集積回路に統合するスーパＩ／Ｏチップを含むことができる。

例示的な実施形態において、処理システム１００は、グラフィックス処理ユニット１４１を含む。グラフィックス処理ユニット１４１は、メモリを操作および変更して、ディスプレイに出力するためのフレーム・バッファにおける画像の作成を加速するように設計された、専用電子回路である。一般に、グラフィックス処理ユニット１４１は、コンピュータ・グラフィックスおよび画像処理の操作において非常に効率的であり、データの大きいブロックの処理が並列に行われるアルゴリズムのための汎用ＣＰＵよりも操作を効率的にする、高並列構造を有する。

したがって、図１において構成されているように、システム１００は、プロセッサ１２１の形態の処理能力、システム・メモリ１３４およびマス・ストレージ１２４を含むストレージ能力、キーボード１２９およびマウス１３０などの入力手段、ならびにスピーカ１３１およびディスプレイ１３５を含む出力能力を含む。一実施形態において、システム・メモリ１３４およびマス・ストレージ１２４の一部は、図１に示す様々なコンポーネントの機能を協調させるように、オペレーティング・システムをまとめて格納する。また、１つまたは複数の実施形態において、システムは、１つまたは複数のデータベースまたはデータベース管理システムを含んでよい、またはこれに結合されてよい。

図２は、より正確な将来の故障予測を生成するための、異なる層を有する改良された予測モデルのフロー図２００である。ルーチン層２０２が予測層と呼ばれることもある。ルーチン層２０２は、故障率を予測する故障モードを生成するための従来のフローを示す、破線の矢印を含む。従来のフローは、新しいデータ入力２１０から予測モデル２１２へ直接延びている。

従来のフローでは、新しいデータ入力は、挙動セグメンテーション２１４を抜かして、予測モデル２１２へ直接進む。予測モデル２１２は、機械学習、パターン認識、または統計的手法を使用して、データを用いてトレーニングおよび学習する能力をコンピュータに与える、任意の既知のモデルであってよい。従来の出力は、予測モデル２１２から直接提供される。例えば、将来の故障率を推定するために予測モデルから出力されるパラメータが、推定されるものである。

しかしながら、本発明の実施形態によるスマート・フローは、新しいデータ入力２１０が、複数のグループ１～Ｎにセグメント化されるように挙動セグメンテーション２１４を通ることを含む。例えば、セグメンテーションは、固有の特性を使用して、入力データ２１０を、地理、人口統計、サイコグラフィック、挙動、または求める利点などのグループに分類することができる。図３に示す１つまたは複数の実施形態において、入力データは、ライフ・サイクルのステージに従ってセグメント化されてよい。また、図４は、特定のシステム、製品、またはコンポーネントの特定のライフ・サイクルのステージに従った入力データ２１０のセグメンテーションを含む、特定の実施形態を示す。言い換えると、セグメンテーションは、システム、製品、またはコンポーネントのライフ・サイクル内のステージを使用して、入力データ２１０を異なるグループまたは異なる故障モードに分割することができる。１つまたは複数の実施形態において、例えば、第１の製品と第２の製品とは異なる製造年型であり、第１の製品は第２の製品よりも新しい。「製造年型」という用語は、同じ時間枠内で製造され、同様の仕様（形態／フィット性（ｆｉｔ）／機能）を有し、類似の性能特性を有すると予想される、コンポーネント、製品、またはシステムの個々のユニットのグループ化を指す。

さらに図２を参照すると、ルーチン層２０２内のセグメント化されたグループ１～Ｎは、セグメント化されたグループごとに機械学習を実施する予測モデル２１２に送られる。特に特定の業界で一般に使用されている任意の予測モデルを使用することができる。予測モデル解析により、故障率予測を行うためのパラメータを提供するモデル係数ベクトルを発生させる。言い換えると、図２において、予測モデル２１２によって生成された故障モードは、新しい入力データ２１０のグループごとに対応するパラメータによって定義される、初期故障モードと呼ばれてもよい。図５において、図２のフロー図２００で使用する一般的な改良された予測モデルが示され、図６において、図２のフロー図２００で使用する改良されたワイブル予測モデルが示される。

図５および図６は、図２のフロー図に対応し、図５および図６において、新しい入力データ２１０および挙動セグメンテーション２１４が、新しい入力データが４つのグループにセグメント化された状態で示されている。一般的な予測モデル２１２の機械学習が、セグメント化されたグループごとにモデル係数ベクトルＭを生成する。モデル係数ベクトルＭは、特定の予測モデル２１２に依存する。

入力データのセットが小さいときなどの、１つまたは複数の実施形態において、図６に示すように、ワイブル予測モデルを使用することができる。ワイブル解析は、２パラメータまたは３パラメータ解析を使用する。２パラメータ解析は、一般にそれぞれ「ベータ」および「エータ」と呼ばれるパラメータβ、ηを生じさせる。したがって、ワイブル予測モデルにおいて、Ｍは係数ベクトル対（ベータ、エータ）に等しい。

再び図２を参照すると、ルーチン層２０２のセグメント化されたグループごとの予測モデル２１２のパラメータが、フィードバック層２０６に送られる。フィードバック層２０６は、図２のフロー図２００の学習層２０４からの情報も使用する。学習層２０４は、履歴予測データ２２０を格納する１つまたは複数のデータベースから始まる。履歴予測データ２２０は、前に予測されたパラメータと、ルーチン層２０２の予測モデル２１２によって前に予測された故障モードについての対応する実際のパラメータとを含む。履歴予測データ２２０のパラメータは、１つまたは複数のデータベース内に格納された、製品に関連する故障率の履歴を定義する。

履歴予測データ２２０は、ルーチン層２０２の挙動セグメンテーション２１４と同様の方法で履歴予測データをグループ１～Ｎにセグメント化する、挙動セグメンテーション２２４を通る。履歴予測データ２２０は、挙動セグメンテーション２１４によって使用されるライフ・サイクルなどのライフ・サイクルに対応する、前の故障モードに基づいてグループ化されてよい。例えば、入力データをグループにセグメント化することは、ライフ・サイクルに基づいて入力データをグループにセグメント化することを含むことができ、入力データの各グループはライフ・サイクルの異なる故障モードに対応する。履歴予測データをグループにセグメント化することは、ライフ・サイクル中に発生した複数の故障モードに基づいて、履歴予測データをグループにセグメント化することを含むことができる。

図２のフロー・プロセス２００の学習層２０４をさらに参照すると、セグメント化されたグループ１～Ｎの各々の履歴予測データ２２０は、次いで、係数最適化モデル２２８に送られる。各セグメント化されたグループ１～Ｎの係数最適化モデル２２８は、履歴予測データ２２０から導き出された前の予測値を、履歴予測データ２２０から導き出された対応する実際値と比較して、層２０４に示すような等化係数因子対１～Ｎを生成する。図４の一般的な例は、予測モデル全般の等化係数マトリクス［Ａ、Ｂ］を示し、ここで、ＡおよびＢは、ルーチン層２０２の予測モデル２１２によって提供されたパラメータを調節するために使用される。図６は、ハード・ドライブなどの特定のコンポーネントまたは製品のための３パラメータ・ワイブル予測モデルについての係数最適化因子セット（ＢＡ、ＥＡ、ＰＡ）を示す。ＰＡ、ＢＡ、ＥＡは、別個のセグメントにまたがってワイブル・モデルを等化するために使用される係数である。ＢＡ係数は、従来のワイブル・ベータ係数を調節する。ＥＡ係数は、従来のワイブル・エータ係数を調節する。ＰＡ係数は、モデル入力を調節し、電子／コンピュータ・コンポーネントの場合、コンポーネントの総通電時間（ＰＯＨ）である。次いで、学習層２０４の等化係数因子対１～Ｎが、フィードバック層２０６の等化係数モデル２３６に提供される。ルーチン層２０２の予測モデル２１２からの予測されたパラメータも、フィードバック層２０６の等化係数モデル２３６に提供される。

図５および図６に示すように、比較は、セグメント化された履歴予測データ２１０の各グループ内の前の予測パラメータと実際のパラメータとの差またはギャップを定義して、前の故障モードのパラメータのいずれかとの誤差があったかどうかを判定する。履歴予測データを監視し、次いで、予測された故障率の誤差を、予測された故障率のパラメータを実際の故障率のパラメータと比較することによって判定することができる。次いで、差またはギャップを定義する等化係数をフィードバックとして使用して、予測モデルの更新されたパラメータを生成する。言い換えると、予測モデル２１２の予測パラメータの生じ得る誤差を最小化するために、差またはギャップが、等化係数モデル２３６に提供されて、ルーチン層２０２の予測モデル２１２の予測パラメータと組み合わせて使用される。したがって、セグメント化された履歴予測データに基づいて、特定の製品の予測モデルによって生成された故障モードのパラメータを修正することは、履歴予測データ２２０内に格納された故障モードのパラメータ間の差を判定することを含むことができる。より詳細には、図７は、フロー図２００のフィードバック層２０６のベクトル対の等化係数を計算する方法の一般的なプロセスを示す。図８は、フロー図２００がワイブル予測モデルを使用するときに、フィードバック層２０６のベクトル対の等化係数を計算する方法のプロセスを示す。したがって、等化係数モデル２３６は、予測モデル２１２のパラメータが補正または更新され、したがって、より正確になるように、改良された出力を提供する。

１つまたは複数の実施形態において、予測モデル２１２の更新されたパラメータを出力することは、調節されたパラメータを使用して将来の故障率を生成することを含む。また、１つまたは複数の実施形態において、等化係数モデル２３６からの更新されたパラメータの出力は、フィードバックとなり、履歴予測データ２２０として学習層２０４に格納される。

また、予測モデル２１２の更新されたパラメータを使用して、製造プロセスにおける先制措置または修正措置などの措置を引き起こすことができる。例えば、更新されたパラメータを使用して、自動組立システム、ライン、またはデバイスに命令を開始することができる。組立システム、ライン、またはデバイスは、停止、加速、または減速などの変更を行うように制御または命令され得る。別の例において、更新されたパラメータによって、自動組立デバイスによりコンポーネントまたはコンポーネントの群を組立ラインから除去するように命令することができる。予測モデル２１２の更新されたパラメータを、他のタイプのプロセスで同様に使用してもよい。

図９は、本発明の１つまたは複数の実施形態による、将来の故障予測をより正確に生成するために予測モデルを改良する方法のフロー図である。方法９００は、入力データをグループにセグメント化するためのプロセス・ブロック９０２を含む。次いで、プロセス・ブロック９０４は、セグメント化されたグループごとに予測モデル２１２を適用することを含む。方法９００はまた、履歴予測データをセグメント化するためのプロセス・ブロック９０６と、係数最適化モデル２２８において、各セグメント化されたグループ内の実際のパラメータと予測されたパラメータとを比較するためのプロセス・ブロック９０８とを含む。次いで、プロセス９００は、比較に基づいて、セグメント化された入力データのグループごとにパラメータを調節することを含む。プロセス９００はまた、入力データについての予測モデルの更新されたパラメータを出力することを含む。

プロセス９００はまた、予測モデルがワイブル解析を実行することを含むことができる。プロセス９００はまた、ライフ・サイクル、およびライフ・サイクルの異なる故障モードに対応する入力データの各グループに基づいて、入力データをグループにセグメント化することを含むことができる。プロセス９００はまた、セグメント化された履歴予測の各グループ内の実際のパラメータと予測されたパラメータとの差を判定することを含むことができる。プロセス９００はまた、セグメント化された履歴予測の各グループ内の実際のパラメータと予測されたパラメータとの差を、フィードバックとして使用して、予測モデルの更新されたパラメータを生成することを含むことができる。

さらなるプロセスが含まれていてもよい。図９に示すプロセスは例示であり、本開示の範囲および思想から逸脱することなく、その他のプロセスを追加してもよく、または既存のプロセスを除去しても、修正しても、または並べ替えてもよいことを理解されたい。

本発明は、任意の可能な統合の技術的詳細レベルにおけるシステム、方法、またはコンピュータ・プログラム製品、あるいはその組合せであってよい。コンピュータ・プログラム製品は、プロセッサに本発明の態様を実行させるためのコンピュータ可読プログラム命令を有する１つ（または複数）のコンピュータ可読ストレージ媒体を備えることができる。

コンピュータ可読ストレージ媒体は、命令実行デバイスによって使用されるように命令を保持および格納することができる有形のデバイスであってよい。コンピュータ可読ストレージ媒体は、例えば、電子ストレージ・デバイス、磁気ストレージ・デバイス、光ストレージ・デバイス、電磁ストレージ・デバイス、半導体ストレージ・デバイス、または以上の任意の適切な組合せであってよいが、これらに限定されない。コンピュータ可読ストレージ媒体のより具体的な例の非網羅的なリストは、以下、すなわち、ポータブル・コンピュータ・ディスケット、ハード・ディスク、ランダム・アクセス・メモリ（ＲＡＭ）、読取り専用メモリ（ＲＯＭ）、消去可能なプログラマブル読取り専用メモリ（ＥＰＲＯＭもしくはフラッシュ・メモリ）、スタティック・ランダム・アクセス・メモリ（ＳＲＡＭ）、ポータブル・コンパクト・ディスク読取り専用メモリ（ＣＤ－ＲＯＭ）、デジタル・バーサタイル・ディスク（ＤＶＤ）、メモリ・スティック、フロッピー（Ｒ）・ディスク、パンチカード、もしくは命令が記録されている溝の中の隆起構造などの機械的に符号化されたデバイス、および以上の任意の適切な組合せを含む。本明細書において使用されるコンピュータ可読ストレージ媒体は、電波もしくは他の自由に伝播する電磁波、導波路もしくは他の伝送媒体を伝播する電磁波（例えば、光ファイバ・ケーブルを通過する光パルス）、または配線を通して伝送される電気信号などの、一過性の信号自体であると解釈されるべきではない。

本明細書に記載のコンピュータ可読プログラム命令は、コンピュータ可読ストレージ媒体からそれぞれのコンピューティング／処理デバイスにダウンロードされてよく、またはネットワーク、例えば、インターネット、ローカル・エリア・ネットワーク、広域ネットワーク、または無線ネットワーク、あるいはその組合せを介して外部コンピュータもしくは外部ストレージ・デバイスにダウンロードされてよい。ネットワークは、銅伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイ・コンピュータ、またはエッジ・サーバ、あるいはその組合せを含んでよい。各コンピューティング／処理デバイスにおけるネットワーク・アダプタ・カードまたはネットワーク・インターフェースが、ネットワークからコンピュータ可読プログラム命令を受信し、そのコンピュータ可読プログラム命令を、それぞれのコンピューティング／処理デバイス内のコンピュータ可読ストレージ媒体に格納するために転送する。

本発明の動作を実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セット・アーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、集積回路のための構成データ、またはＳｍａｌｌｔａｌｋ（Ｒ）、Ｃ＋＋などのオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語もしくは類似したプログラミング言語などの手続き型プログラミング言語を含む、１つまたは複数のプログラミング言語の任意の組合せで書かれたソース・コードまたはオブジェクト・コードであってよい。コンピュータ可読プログラム命令は、完全にユーザのコンピュータ上で、部分的にユーザのコンピュータ上で、スタンドアロンのソフトウェア・パッケージとして、部分的にユーザのコンピュータ上かつ部分的に遠隔コンピュータ上で、または完全に遠隔コンピュータもしくは遠隔サーバ上で実行されてよい。完全に遠隔コンピュータもしくは遠隔サーバ上で実行されるシナリオにおいて、遠隔コンピュータは、ローカル・エリア・ネットワーク（ＬＡＮ）もしくは広域ネットワーク（ＷＡＮ）を含む、任意のタイプのネットワークを通じてユーザのコンピュータに接続されてよく、または接続は、外部コンピュータに対して（例えば、インターネット・サービス・プロバイダを使用してインターネットを通じて）行われてよい。一部の実施形態において、例えば、プログラマブル論理回路、フィールド・プログラマブル・ゲート・アレイ（ＦＰＧＡ）、またはプログラマブル・ロジック・アレイ（ＰＬＡ）を含む電子回路が、本発明の態様を実行するために、その電子回路を個人設定すべくコンピュータ可読プログラム命令の状態情報を使用することによって、コンピュータ可読プログラム命令を実行することができる。

本発明の態様は、本発明の実施形態による方法、装置（システム）、およびコンピュータ・プログラム製品のフローチャートまたはブロック図あるいはその両方を参照して本明細書において説明される。フローチャートまたはブロック図あるいはその両方の各ブロック、およびフローチャートまたはブロック図あるいはその両方におけるブロックの組合せは、コンピュータ可読プログラム命令によって実施可能であることが理解されよう。

これらのコンピュータ可読プログラム命令は、コンピュータまたは他のプログラマブル・データ処理装置のプロセッサを介して実行される命令が、フローチャートまたはブロック図あるいはその両方の１つまたは複数のブロックにおいて指定される機能／動作を実施するための手段を作り出すべく、汎用コンピュータ、専用コンピュータ、または他のプログラマブル・データ処理装置のプロセッサに提供されてマシンを作り出すものであってよい。また、これらのコンピュータ可読プログラム命令は、命令が格納されたコンピュータ可読ストレージ媒体が、フローチャートまたはブロック図あるいはその両方の１つまたは複数のブロックにおいて指定される機能／動作の態様を実施する命令を含んだ製品を含むべく、コンピュータ可読ストレージ媒体に格納されて、コンピュータ、プログラマブル・データ処理装置、または他のデバイス、あるいはその組合せに特定の方式で機能するように指示するものであってもよい。

また、コンピュータ可読プログラム命令は、コンピュータ、他のプログラマブル・データ処理装置、または他のデバイス上で実行される命令が、フローチャートまたはブロック図あるいはその両方の１つまたは複数のブロックにおいて指定される機能／動作を実施するように、コンピュータによって実施されるプロセスを作り出すべく、コンピュータ、他のプログラマブル・データ処理装置、または他のデバイスにロードされて、コンピュータ、他のプログラマブル装置、または他のデバイス上で一連の動作ステップを実行させるものであってもよい。

図におけるフローチャートおよびブロック図は、本発明の様々な実施形態によるシステム、方法、およびコンピュータ・プログラム製品の可能な実装形態のアーキテクチャ、機能性、および動作を示す。これに関して、フローチャートまたはブロック図における各ブロックは、指定された１つまたは複数の論理機能を実施するための１つまたは複数の実行可能命令を含む、命令のモジュール、セグメント、または一部分を表すことができる。一部の代替実装形態において、ブロックに記載される機能は、図に記載される順序を外れて生じてよい。例えば、連続して示される２つのブロックが、実際には、実質的に同時に実行されてよく、またはそれらのブロックが、関与する機能性に依存して、ときとして、逆の順序で実行されてよい。また、ブロック図またはフローチャートあるいはその両方の各ブロック、ならびにブロック図またはフローチャートあるいはその両方におけるブロックの組合せは、指定された機能もしくは動作を実行する、または専用ハードウェア命令とコンピュータ命令との組合せを実行する専用ハードウェア・ベースのシステムによって実施され得ることに留意されたい。

本発明の様々な実施形態の説明は、例示の目的で提示されてきたが、網羅的であることも、開示された実施形態に限定されることも意図していない。記載された実施形態の範囲および思想から逸脱することなく、多くの変更および変形形態が当業者に明らかであろう。本明細書において使用される術語は、実施形態の原理、実際的な応用、もしくは市場で見られる技術に優る技術的改良を最もよく説明するように、または当業者が本明細書に記載の実施形態を理解することができるように、選択されている。

Claims (11)

1. 将来の故障予測を生成する予測モデルを改良するためのコンピュータ実装方法であって、
   入力データをグループにセグメント化することと、
   セグメント化された入力データのグループごとに予測モデルを適用することと、
   履歴予測データをグループにセグメント化することと、
   前記セグメント化された履歴予測データの各グループ内の実際のパラメータと予測されたパラメータとを比較することと、
   前記比較に基づいて、前記予測モデルによって定義されたパラメータを、前記セグメント化された入力データのグループごとに調節することと、
   前記入力データについての前記予測モデルの更新されたパラメータを出力することと
   を含む、コンピュータ実装方法。
2. 前記予測モデルがワイブル解析を実行する、請求項１に記載のコンピュータ実装方法。
3. 前記入力データをグループにセグメント化することが、ライフ・サイクルと前記ライフ・サイクルの異なる故障モードに対応する入力データの各グループとに基づいて、前記入力データをグループにセグメント化することを含む、請求項１または２に記載のコンピュータ実装方法。
4. 履歴予測データをグループにセグメント化することが、前記ライフ・サイクル中に発生した複数の故障モードに基づいて、前記履歴予測データをグループにセグメント化することを含む、請求項３に記載のコンピュータ実装方法。
5. 前記セグメント化された履歴予測データの各グループ内の実際のパラメータと予測されたパラメータとを比較することが、セグメント化された履歴予測の各グループ内の前記実際のパラメータと前記予測されたパラメータとの差を判定することを含む、請求項１から４のいずれか一項に記載のコンピュータ実装方法。
6. セグメント化された履歴予測の各グループ内の前記実際のパラメータと前記予測されたパラメータとの前記差が、フィードバックとして使用されて、前記予測モデルの前記更新されたパラメータを生成する、請求項５に記載のコンピュータ実装方法。
7. 前記予測モデルの更新されたパラメータを出力することが、前記調節されたパラメータを使用して将来の故障率を生成することを含む、請求項１から６のいずれか一項に記載のコンピュータ実装方法。
8. 前記更新されたパラメータが履歴予測データとして格納される、請求項１から７のいずれか一項に記載のコンピュータ実装方法。
9. 将来の故障予測を生成する予測モデルを改良するためのシステムであって、
   メモリに通信可能に結合されたプロセッサと、
   前記プロセッサに請求項１から８のいずれか一項に記載のコンピュータ実装方法を実行させる、前記メモリに格納されたコンピュータ命令のセットと
   を含む、システム。
10. 将来の故障予測を生成する予測モデルを改良するためのコンピュータ・プログラムであって、請求項１から８のいずれか一項に記載のコンピュータ実装方法をコンピュータに実行させる、コンピュータ・プログラム。
11. 請求項１０に記載のコンピュータ・プログラムを記録した、コンピュータ可読ストレージ媒体。

Images