JP7466402B2

JP7466402B2 - 故障部位推定装置、方法、及び、プログラム

Info

Publication number: JP7466402B2
Application number: JP2020131392A
Authority: JP
Inventors: 耀喬田中; 智晴中野
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2020-08-03
Filing date: 2020-08-03
Publication date: 2024-04-12
Anticipated expiration: 2040-08-03
Also published as: JP2022028166A

Description

本開示は、故障部位推定装置、方法、及び、プログラムに関する。

機器の保守点検業務において、故障診断における故障部位の推定精度を向上させることが重要である。故障部位の推定には、高度な専門知識だけではなく豊富な経験が必要となるため、熟練作業者が担当することが多い。しかしながら、熟練作業者の育成には長期間を要するため、簡単に人数を増やすことは難しい。また、近年、熟練作業者の高齢化による退職に伴い、熟練度の低い作業者の割合が増加している。このため、熟練作業者の持つ豊富な経験に頼らない推定手段が求められている。そこで、例えば、特許文献１には、機器に設置されたセンサにより検知された異常に対して、機器の故障、誤報等の要因を推定する機器診断システムが記載されている。

国際公開第２０１７／０９０５１５号

特許文献１に記載された故障診断システムを用いるためには、機器の状態を検知するためのセンサが機器に設置されている必要がある。しかしながら、機器によっては、機械的な制約、コスト等により、センサを設置することが困難な場合があり得る。また、センサに機器の状態を検知させるためには、センサが正常に作動していることが前提である。このため、センサが正常に稼働しているか否か、定期的に診断をする必要があり、結局のところ、作業者の負担が増える可能性がある。

本開示は、上述の問題を解決するためになされたものであり、機器に設置されたセンサから得られる情報を用いることなく、機器の故障部位を推定する故障部位推定装置を提供することを目的とする。

上述の目的を達成するために、本開示に係る故障部位推定装置は、機器の故障部位を推定する推定部を備える。推定部は、機器を納入している客先の客先情報のデータ、機器情報のデータ、および自然言語で記載された機器の状態のデータを含む推定用基礎データを取得する推定用基礎データ取得部と、機器の状態のデータの文章を分割した単語を数値化するための単語変換テーブルおよび他の変換手段を用いて推定用基礎データを数値化し、数値化した推定用基礎データに基づいて推定用データを生成する推定用データ生成部と、機器の故障部位を推定するための学習済モデルを用いて、推定用データと一番関連の高い機器の故障部位を推定する推定処理部と、を含む。

本開示によれば、客先情報、機器情報、機器の状態等のデータに基づいて故障部位を推定することができるため、機器に設置されたセンサから得られる情報を用いることなく、機器の故障部位を推定する故障部位推定装置を提供することができる。

本開示の実施の形態に係る故障部位推定装置の構成を示す図図１に示した故障部位推定装置の学習部の構成を示す図図１に示した故障部位推定装置の推定部の構成を示す図図１に示した故障部位推定装置のハードウエア構成の一例を示す図実施の形態に係る客先マスタデータのテーブルを示す図実施の形態に係る機種マスタデータのテーブルを示す図実施の形態に係る工事報告マスタデータのテーブルを示す図実施の形態に係るユーザ入力データのテーブルを示す図実施の形態に係る文章データのテーブルを示す図実施の形態に係る単語変換テーブルを生成する手順を示す図実施の形態に係る単語変換テーブルを生成する手順を示す図実施の形態に係る単語変換テーブルを生成する手順を示す図実施の形態に係るニューラルネットワークの概要を示す図実施の形態に係る学習処理のフローチャート図１４に示した学習処理における学習用基礎データの取得処理のフローチャート図１４に示した学習処理における単語変換処理のフローチャート図１４に示した学習処理における学習用データの生成処理のフローチャート図１４に示した学習処理における学習済モデル生成処理のフローチャート実施の形態に係る推定処理のフローチャート図１９に示した推定処理における推定用基礎データの取得処理のフローチャート図１９に示した推定処理における推定用データの生成処理のフローチャート図１９に示した推定処理における故障部位の推定処理のフローチャート

以下、本開示の実施の形態に係る故障部位推定装置１について、図面を参照しつつ説明する。なお、同一または同等の部分に同一の符号を付す。

故障部位推定装置１は、機器を納入している客先情報、機器情報、機器の状態等のデータと故障部位との関係をニューラルネットワークで学習して学習済モデルを生成する学習部１２と、生成された学習済モデルを用いて構築されたニューラルネットワークにより、機器を納入している客先情報、機器情報、機器の状態等のデータから故障部位を推定することができる推定部１３とを備える装置である。

故障部位推定装置１の構成を、図１に示す。故障部位推定装置１は、機器を納入している客先情報、機器情報、故障部位等の各種データを記憶する記憶部１１と、学習済モデルを生成する学習部１２と、故障部位を推定することができる推定部１３とを備えている。機器は、例えば、ワークに対して研磨、切除等の加工を行う加工装置、ワーク、物品等を搬送する搬送装置といった各種の作業機器である。故障部位推定装置１の外部には、推定部１３で推定された故障部位を出力するための情報処理装置２が配置されている。なお、故障部位推定装置１と情報処理装置２とを含む構成を、以下では、故障部位推定システム１００と称する。

記憶部１１に含まれる各種データについて、図２に示す。記憶部１１には、客先情報を記憶する客先マスタデータ１１１と、機器情報を記憶する機器マスタデータ１１２と、機器の状態、故障部位等を記憶する工事報告書マスタデータ１１３と、ユーザから入力された機器の状態を記憶したユーザ入力データ１１４と、機器の状態を自然言語で入力した文章データ１１５と、単語を数値に変換する単語変換テーブル１１６と、学習結果である学習済モデル１１７とが含まれている。客先マスタデータ１１１と、機器マスタデータ１１２と、工事報告書マスタデータ１１３と、ユーザ入力データ１１４と、文章データ１１５と、単語変換テーブル１１６とについて、詳細は後述する。

また、学習部１２の構成を、図２に示す。学習部１２には、記憶部１１に記憶された各種データを取得する学習用基礎データ取得部１２１と、文章に含まれる単語を数値に変換する単語変換部１２２と、学習用データを生成する学習用データ生成部１２３と、学習済モデル１１７を生成する学習済モデル生成部１２４とを含む。

学習用基礎データ取得部１２１は、記憶部１１に含まれる客先マスタデータ１１１と、機器マスタデータ１１２と、工事報告書マスタデータ１１３とから、学習用データを生成するために必要な各種データを取得する。単語変換部１２２は、記憶部１１に含まれる文章データ１１５から取得した文章を単語に分割し、単語毎に数値に変換するための単語変換テーブル１１６を生成する。なお、生成された単語変換テーブル１１６は、記憶部１１に記憶される。

学習用データ生成部１２３は、学習用基礎データ取得部１２１で取得した各種データと、単語変換部１２２で生成された単語変換テーブルとを用いて、学習用データを生成する。学習済モデル生成部１２４は、学習用データ生成部１２３で生成された学習用データをニューラルネットワークに学習させ、中間層および出力層の各重み付けを学習済モデル１１７として生成する。また、学習済モデル生成部１２４は、生成した学習済モデル１１７を、記憶部１１に記憶させる。

次に、推定部１３の構成を、図３に示す。推定部１３は、記憶部１１に記憶された各種データを取得する推定用基礎データ取得部１３１と、推定用データを生成する推定用データ生成部１３２と、故障部位を推定する推定処理部１３３とを含む。推定用基礎データ取得部１３１は、記憶部１１に含まれる客先マスタデータ１１１と、機器マスタデータ１１２と、ユーザ入力データ１１４とから、推定用データを生成するために必要な各種データを取得する。

推定用データ生成部１３２は、推定用基礎データ取得部１３１で取得した各種データと、記憶部１１に記憶された単語変換テーブル１１６とを用いて、推定用データを生成する。推定処理部１３３は、記憶部１１から学習済モデル１１７を取得し、ニューラルネットワークを構築する。推定処理部１３３は、構築したニューラルネットワークに、推定用データ生成部１３２で生成された推定用データを入力し、機器の故障部位を推定する。

図２に示した学習部１２および図３に示した推定部１３の各機能は、ソフトウェアにより実現される機能である。本実施の形態では、学習部１２の各機能を実現するための処理を実行するソフトウェアを学習処理プログラムとする。また、推定部１３の各機能を実現するための処理を実行するソフトウェアを推定処理プログラムとする。学習処理プログラムと推定処理プログラムとを実行するためのハードウエア構成の一例を、図４に示す。

故障部位推定装置１は、各種プログラム及び各種データを記憶する記憶機器１０１と、情報処理装置２と接続するための接続部１０２と、各種プログラムを展開するためのメモリ１０３と、各種プログラムを実行するプロセッサ１０４とを備える。記憶機器１０１と、接続部１０２と、メモリ１０３と、プロセッサ１０４とは、データバス１０５を介して相互に接続されている。

記憶機器１０１は、図２および図３に示した記憶部１１として機能する機器である。記憶機器１０１には、プロセッサ１０４で実行する各種プログラムと、図２および図３に示した客先マスタデータ１１１、機器マスタデータ１１２、工事報告書マスタデータ１１３等の各種データが記憶されている。記憶機器１０１は、例えば、ＨＤＤ（ＨａｒｄＤｉｓｋＤｒｉｖｅ）、ＳＳＤ（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）等の記憶装置を用いて構成することができる。

接続部１０２は、情報処理装置２と接続することができる接続用ポートである。接続部１０２は、例えば、ＵＳＢ（ＵｎｉｖｅｒｓａｌＳｅｒｉａｌＢｕｓ）ポート、ＩＥＥＥ１３９４ポート等、機器を接続可能な各種ポートを用いて構成することができる。

メモリ１０３は、記憶機器１０１に記憶された各種プログラムを展開するための機器である。メモリ１０３は、例えば、ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）、フラッシュメモリ等の揮発性または不揮発性の半導体メモリといった記憶素子および記憶媒体を用いて構成することができる。

プロセッサ１０４は、記憶機器１０１に記憶された各種プログラムを読み出してメモリ１０３に展開し、実行する。プロセッサ１０４は、例えば、ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－ｐｒｏｃｅｓｓｉｎｇＵｎｉｔ）等の処理装置を用いて構成することができる。

次に、記憶部１１に記憶された各種データの構成について、図５から図９に示す。図５は、客先マスタデータ１１１のテーブルである。客先マスタデータ１１１には、機器を納入した客先を示す客先ＩＤと、機器の機種名を示す機種と、機器を客先に据え付けた日付を示す据付日とが含まれている。客先マスタデータ１１１に含まれるデータは、故障部位を推定する対象の機器から取得されデータである。例えば、図５には、客先ＩＤで１２３４５６７８９の客先に、機種名Ａの機器が、２０１８年３月４日に据付けられたことが示されている。

図６は、機種マスタデータ１１２のテーブルである。機種マスタデータ１１２には、機器の機種名を示す機種と、機器の機種区分とが含まれている。機器の機種区分は、例えば、加工対象となるワークの研磨、物品の搬送などの、機器の実行する機能を示す区分である。機種マスタデータ１１２に含まれるデータは、故障部位を推定する対象の機器から取得されデータである。例えば、図６に示す機種マスタデータ１１２のテーブルには、機種Ａの機種区分として研磨が記載され、機種Ｂの機種区分として搬送が記載されている。

図７は、工事報告書マスタデータ１１３のテーブルである。工事報告書マスタデータ１１３は、機器に生じた動作不良、異常、故障等を記憶させるためのテーブルである。工事報告書マスタデータ１１３には、報告書番号と、機器を納入した客先を示す客先ＩＤと、機器の機種名を示す機種と、工事日と、機器の状態と、故障部位とが記載されている。工事日は、機器に生じた動作不良、異常、故障等を解消するための工事を行った日付である。機器の状態は、機器に生じた動作不良、異常、故障等の内容を、具体的に記載したものである。機器の状態は、機器の操作者が通常使用する言語、すなわち、自然言語で記載されている。

図７には、例えば、報告書番号１００００００００には、客先ＩＤの１２３４５６７８９において、機種Ａで２０１９年７月４日に工事をしたことが示されている。この時の不具合は、機器の状態に示された「操作画面が点かない状態です。」である。また、この時の機器の故障部位は、モニタである。工事報告書マスタデータ１１３に含まれるデータは、故障部位を推定する対象の機器に動作不良、異常、故障等が生じた場合に、随時更新される。

図８は、ユーザ入力データ１１４のテーブルである。ユーザ入力データ１１４は、機器を使用するユーザが入力した機器の状態を記憶させるためのテーブルである。ユーザ入力データ１１４には、文章の番号を示す文書番号と、自然言語で記載された機器の状態とを含む。自然言語で記載された機器の状態は、文章を構成する形態素毎に分割された文字列が記憶されている。例えば、図８に示すとおり、文書番号「１」の機器状態として「機種Ａ操作画面つかない電源入らない」が記憶されている。ユーザ入力データ１１４に含まれるデータは、故障部位を推定する対象の機器に動作不良、異常、故障等が生じた場合に、随時更新される。

なお、図５に示した客先マスタデータ１１１のテーブルから、図８に示したユーザ入力データ１１４のテーブルに含まれる客先情報、機器情報、機器の状態、および故障部位の各データは、それぞれ別のタイミングで、故障部位を推定する対象の機器から取得されるデータである。

図９は、文章データ１１５のテーブルである。文章データ１１５は、文章の番号を示す文書番号と、自然言語で記載された機器に関する文書とを含む。この機器に関する文書は、機器の保守点検業務において、任意の単語がどう使われているかを示す様々な文章のデータが記載されている。機器に関する文書は、機器の工事の履歴、コールセンターの受付対応の履歴、機器の取扱い説明書等の文章のデータを用いて構成される。例えば、図９に示す文書番号「１」の機器に関する文書には、「操作画面がつかない状態です。電源が入らないようです。」が記憶されている。

文章データ１１５のテーブルに記憶された機器に関する文書のデータは、図２に示した単語変換部１２２において、単語変換テーブル１１６を生成するために用いられる。単語変換テーブル１１６は、テキスト処理を行うニューラルネットワークの隠れ層の重みから求められた単語ベクトルを用いて生成される。単語変換部１２２の処理を、図１０、１１を参照して、以下に説明する。単語変換部１２２は、図９に示した文章データ１１５のテーブルから、機器に関する文書のデータを取得し、形態素に分割する形態素解析処理を行う。

例えば、図１０に示すとおり、単語変換部１２２が、図９に示した文章データ１１５の、文書番号「１」の機器に関する文書のデータである「操作画面がつかない状態です。電源が入らないようです。」を取得し、形態素に分割するものとする。具体的には、単語変換部１２２は、「操作画面がつかない状態です。電源が入らないようです。」との文章を、「操作画面」、「が」、「つか」、「ない」、「状態」、「です」、「。」、「電源」、「入ら」、「よう」と、句読点を含めた単語毎に分割する。このとき、重複する「です」と「ない」とは、１つにまとめる。

ここで、テキスト処理を行うニューラルネットワークは、テキストそのもの、すなわち単語そのものを直接処理することはできない。ニューラルネットワークで処理するためには、処理の対象となる単語を、固定長のベクトルに変換する必要がある。固定長のベクトルに変換する方法の一つとして、文字列をｏｎｅ－ｈｏｔベクトルに変換する方法がある。ｏｎｅ－ｈｏｔベクトルは、ベクトルの要素のうち一つだけが「１」であり、残りが全て「０」であるベクトルである。ｏｎｅ－ｈｏｔベクトルを生成するには、文章を分割した形態素の数分の要素を持つベクトルを用意し、形態素ごとに異なるベクトルの要素に「１」を割り当てる。

例えば、図１０に示すとおり、単語変換部１２２で単語に分割された「操作画面」、「が」、「つか」、「ない」、「状態」、「です」、「。」、「電源」、「入ら」、「よう」は、１０個である。そこで、各単語を、１０個の要素を持つｏｎｅ－ｈｏｔベクトルに変換する。例えば、「操作画面」は、第１要素を「１」とし、残りを「０」とする。また、「が」は、第２要素を「１」とし、残りを「０」とする。以下、順番に、全ての形態素をｏｎｅ－ｈｏｔベクトルに変換する。

続いて、生成したｏｎｅ－ｈｏｔベクトルを、ニューラルネットワークの入力層に入力する。ニューラルネットワークの概要を、図１１に示す。ニューラルネットワークは、任意の単語が入力層に入力されると、その値に重みＷ１を掛けて隠れ層に入力され、その結果にさらに重みＷ２を掛けて出力層から出力される。出力層の出力結果は、重みＷ１とＷ２の値によって変化する。本実施の形態において、ニューラルネットワークは、いわゆる教師あり学習により、任意の単語に対する周辺語の確率を学習するものとする。この周辺語とは、任意の単語の直近の前後に配置された単語をいう。ニューラルネットワークは、入力層に任意の単語を入力して出力層から出力された結果がその単語の周辺語に近づく状態に、重みＷ１と重みＷ２とを調整することで学習する。

ニューラルネットワークの入力層に入力される単語は、ｏｎｅ－ｈｏｔベクトルの形で入力される。具体的には、入力層の各ニューロンに、ｏｎｅ－ｈｏｔベクトルの各要素が入力される。例えば、図１１に示すとおり、入力層に「操作画面」が入力される場合、図１０に示した、第１要素を「１」とし残りを「０」とするｏｎｅ－ｈｏｔベクトル「１０００００００００」がそれぞれ、入力層の各ニューロンに入力される。

ここで、図１０に示した文書番号「１」の機器に関する文書は「操作画面がつかない状態です。電源が入らないようです。」である。この場合、「操作画面」の直近前後ある単語、すなわち周辺語となるのは、「が」である。このため、ニューラルネットワークは、入力層に「操作画面」が入力された場合、出力層に「が」が出る確率を一番高くする状態に、重みＷ１および重みＷ２を調整する。

ニューラルネットワークに、全ての単語について、その単語の周辺語の確率を学習させる。ニューラルネットワークの隠れ層の重みは行列であり、単語を数値化するための単語ベクトルとすることができる。各単語に対応する単語ベクトルは、ニューラルネットワークの隠れ層の重みと、各単語のｏｎｅ－ｈｏｔベクトルとを掛け合わせることにより、抽出することができる。

例えば、図１２に示すとおり、単語「操作画面」のｏｎｅ－ｈｏｔベクトル「１０００００００００」とニューラルネットワークの隠れ層の重み行列とを掛け合わせると、ｏｎｅ－ｈｏｔベクトルの１に対応する箇所の重み行列の行を抽出することができる。ここでは、単語「操作画面」のｏｎｅ－ｈｏｔベクトルの１に対応する箇所の重み行列の行は、「１２２８・・・７７」である。したがって、「１２２８・・・７７」が、単語「操作画面」の単語ベクトルとなる。

全ての単語について、単語ベクトルを抽出する。抽出された単語ベクトルは、単語と対応付けられ、単語変換テーブル１１６として、図２および図３に示した故障部位推定装置１の記憶部１１に記憶される。

図２に示した故障部位推定装置１の学習部１２では、学習用基礎データ取得部１２１により記憶部１１から取得された各種データを、学習用データ生成部１２３が記憶部１１に記憶させた単語変換テーブル１１６を用いて数値化し、学習用データを生成する。学習用基礎データ取得部１２１により記憶部１１から取得される各種データは、図２に示した客先マスタデータ１１１、機器マスタデータ１１２、工事報告書マスタデータ１１３から取得されるデータである。

具体的には、学習用基礎データ取得部１２１は、まず、図５に示した客先マスタデータ１１１のテーブルに含まれる客先ＩＤのデータと、機種のデータと、据付日のデータとを取得する。ここで、取得した客先ＩＤのデータと、機種のデータと、据付日のデータとを総称して、以下では、客先情報のデータと称する。続いて、学習用基礎データ取得部１２１は、図６に示した機器マスタデータ１１２のテーブルから、客先マスタデータ１１１から取得した機種のデータに対応する、機種区分のデータを取得する。ここで、機種のデータと、取得した機種区分のデータとを総称し、以下では、機器情報のデータと称する。学習用基礎データ取得部１２１は、図７に示した工事報告書マスタデータ１１３のテーブルから、客先マスタデータ１１１から取得した客先ＩＤのデータおよび機種のデータに対応する、報告書番号のデータと、機器の状態のデータと、故障部位のデータとを取得する。

学習用基礎データ取得部１２１は、取得した客先情報のデータと、機器情報のデータと、機器の状態のデータと、故障部位のデータとを、工事報告書マスタデータ１１３から取得した報告書番号のデータをキーとして連結し、学習用基礎データを生成する。学習用基礎データ取得部１２１は、生成した学習用基礎データを、図２に示した単語変換部１２２に送信する。学習用データ生成部１２３は、受信した学習用基礎データを数値化する。

具体的には、学習用データ生成部１２３は、受信した学習用基礎データに含まれる機器の状態のデータに含まれる文章を、文章を構成する単語ごとに、単語変換テーブル１１６に含まれる単語ベクトルに置き換え、置き換えた単語ベクトルを結合する。これにより、その文章を数値化することができる。

また、学習用データ生成部１２３は、学習用基礎データの客先情報のデータおよび機器情報のデータに含まれる「機種」のデータと、客先情報のデータに含まれる「据付日」のデータとの数値化を、以下の方法で実行する。単語変換部１２２は、学習用基礎データの客先情報のデータおよび機器情報のデータに含まれる「機種」のデータについて、各機種に対してユニークな値を与える、または、ｏｎｅ－ｈｏｔベクトルを適用することにより、数値化する。例えば、「機種」の種類が、機種Ａ、機種Ｂ、機種Ｃの３種類である場合、機種Ａは「１」、機種Ｂは「２」、機種Ｃは「３」と、ユニークな値を与える。また、ｏｎｅ－ｈｏｔベクトルを適用する場合、機種Ａは（１、０、０）、機種Ｂは（０、１、０）、機種Ｃは（０、０、１）とすることにより数値化することができる。

また、客先情報のデータに含まれる据付日のデータの数値化について、まず、学習用データ生成部１２３は、図７に示した工事報告書マスタデータ１１３のテーブルに記憶されている工事日のデータを取得する。学習用データ生成部１２３、取得した工事日のデータの日付から、客先情報のデータに含まれる据付日のデータの日付を減算する。この減算した値は、機器の経過年数である。経過年数は小数で表すものとする。なお、上述した学習用基礎データの客先情報のデータおよび機器情報のデータに含まれる機種のデータと、客先情報のデータに含まれる据付日のデータとの数値化の方法は、特許請求の範囲における他の数値変換手段の一例である。

学習用データ生成部１２３は、数値化した客先情報のデータ、機器情報のデータ、機器の状態のデータ、故障部位のデータ、および機器の経過年数のデータを連結し、学習用データを生成する。学習用データ生成部１２３は、生成した学習用データを記憶部１１に記憶させる。図２に示した学習済モデル生成部１２４は、記憶部１１から学習用データを取得する。学習済モデル生成部１２４は、自身に構築されたニューラルネットワークの出力層に学習用データのうち故障部位のデータを設定し、その他のデータを入力層に設定し、学習させる。学習済モデル生成部１２４は、中間層および出力層の各重み付けを学習済モデル１１７として生成する。学習済モデル生成部１２４に構築されるニューラルネットワークを、図１３に示す。

ニューラルネットワークは、複数のニューロンを含む、入力層と、中間層と、出力層とで構成されている。ここで、本実施の形態においては、中間層を１層とする。例えば、図１３に示す３層のニューラルネットワークであれば、複数の入力が入力層Ｘ_１～Ｘ_ｎに入力されると、その値に重みＷ_１１～Ｗ_ｎｍを掛けて中間層Ｙ_１～Ｙ_ｍに入力される。中間層Ｙ_１～Ｙ_ｍに入力された結果に、さらに重みＶ_１１～Ｖ_ｋｍを掛け、出力層Ｚ_１～Ｚ_ｋから出力される。出力層Ｚ_１～Ｚ_ｋからの出力結果は、重みＷ_１１～Ｗ_ｎｍと、重みＶ_１１～Ｖ_ｋｍの値によって変わる。なお、ここでは、ｎ、ｋは４以上の整数とし、ｍは３以上の整数とする。

本実施の形態においては、入力層Ｘ_１～Ｘ_ｎの各ニューロンに、学習用データに含まれる、数値化された客先情報のデータ、機器情報のデータ、機器の状態のデータ、および機器の経過年数のデータがそれぞれ入力されると、出力層Ｚ_１～Ｚ_ｋから出力される結果が学習用データに含まれる故障部位のデータに近づく状態に、重みＷ_１１～Ｗ_ｎｍと、重みＶ_１１～Ｖ_ｋｍとを調整させる。重みＷ_１１～Ｗ_ｎｍと、重みＶ_１１～Ｖ_ｋｍを調整することは、ニューラルネットワークにおける学習である。重みＷ_１１～Ｗ_ｎｍと、重みＶ_１１～Ｖ_ｋｍの更新は、例えば、誤差伝搬（ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）法を用いて行う。また、以下では、重みＷ_１１～Ｗ_ｎｍと、重みＶ_１１～Ｖ_ｋｍを調整することを、学習済モデル生成部１２４における学習という。学習済モデル生成部１２４は、調整された重みＷ_１１～Ｗ_ｎｍと、重みＶ_１１～Ｖ_ｋｍとを、学習済モデル１１７として、図２に示した記憶部１１に記憶させる。

また、図３に示した推定部１３の推定処理部１３３は、記憶部１１に記憶された学習済モデル１１７を読み出して、自身に構築したニューラルネットワークに設定する。具体的には、学習済モデル１１７である重みＷ_１１～Ｗ_ｎｍと、重みＶ_１１～Ｖ_ｋｍとを、ニューラルネットワークに設定する。これにより、推定処理部１３３に構築されたニューラルネットワークは、入力層Ｘ_１～Ｘ_ｎの各ニューロンに、学習用データに含まれる、数値化された客先情報のデータ、機器情報のデータ等がそれぞれ入力されると、出力層Ｚ_１～Ｚ_ｋから、入力内容と一番関連の高い故障部位を出力することができる。

次に、本実施の形態に係る故障部位推定装置１の動作の流れを、図１４から図２２に示すフローチャートを参照しつつ、以下に説明する。故障部位推定装置１は、まず、図２に示した学習部１２において、学習済モデル１１７を生成する。学習部１２で行われる処理は、学習処理プログラムとして記憶部１１に記憶されている。故障部位推定装置１は、学習済モデル１１７を生成するタイミングで図４に示したプロセッサ１０４に、記憶部１１に記憶された学習処理プログラムをメモリ１０３に読み出させ、実行させる。学習処理プログラムの処理について、図１４に示す学習処理のフローチャートを参照しつつ、以下に説明する。

図２に示した学習用基礎データ取得部１２１は、学習用基礎データの取得処理を実行する（ステップＳ１０）。学習用基礎データの取得処理については、図１５に示すフローチャートを参照しつつ、説明する。学習用基礎データ取得部１２１は、図２に示した客先マスタデータ１１１から、客先情報のデータを取得する（ステップＳ１０１）。客先情報のデータは、図５に示した客先マスタデータ１１１のテーブルに含まれる客先ＩＤのデータと、機種のデータと、据付日のデータとである。続いて、学習用基礎データ取得部１２１は、図２に示した機器マスタデータ１１２から、機器情報のデータを取得する（ステップＳ１０２）。機器情報のデータは、図６に示した機器マスタデータ１１２のテーブルから、客先マスタデータ１１１から取得した機種のデータに対応する、機種区分のデータを取得する。

学習用基礎データ取得部１２１は、図７に示した工事報告書マスタデータ１１３のテーブルから、客先マスタデータ１１１から取得した客先ＩＤのデータおよび機種のデータに対応する、報告書番号のデータと、機器の状態のデータと、故障部位のデータとを取得する（ステップＳ１０３）。学習用基礎データ取得部１２１は、取得した客先情報のデータと、機器情報のデータと、機器の状態のデータと、故障部位のデータとを、工事報告書マスタデータ１１３から取得した報告書番号のデータをキーとして連結し、学習用基礎データを生成する（ステップＳ１０４）。学習用基礎データ取得部１２１は、生成した学習用基礎データを記憶部１１に記憶させる（ステップＳ１０５）。

ここで、図１４に戻る。図２に示した学習部１２の単語変換部１２２は、単語変換処理を実行する（ステップＳ１１）。単語変換処理については、図１６に示すフローチャートを参照しつつ、説明する。単語変換部１２２は、図２に示した記憶部１１に記憶されている文章データ１１５から、図９に示した文章データ１１５のテーブルに含まれる「機器に関する文書」を取得する（ステップＳ１１１）。単語変換部１２２は、「機器に関する文書」について形態素解析処理を実行し、形態素に分割する（ステップＳ１１２）。具体的には、単語変換部１２２は、「機器に関する文書」に含まれる文章を、句読点を含めて単語に分割する。

単語変換部１２２は、形態素に分割した単語毎にｏｎｅ－ｈｏｔベクトルを生成する。単語変換部１２２は、生成したｏｎｅ－ｈｏｔベクトルをニューラルネットワークの入力層に入力し、任意の単語に対する周辺語の確率を学習させる。学習後、単語変換部１２２は、ニューラルネットワークの隠れ層の重みと、各単語のｏｎｅ－ｈｏｔベクトルとを掛け合わせることにより、単語ベクトルを抽出する（ステップＳ１１３）。

単語変換部１２２は、単語と抽出した単語ベクトルとを対応付け、単語変換テーブル１１６を生成する（ステップＳ１１４）。単語変換部１２２は、生成した単語変換テーブル１１６を、記憶部１１に記憶させる（ステップＳ１１５）。

ここで、図１４に戻る。図２に示した学習用データ生成部１２３は、学習用データの生成処理を実行する（ステップＳ１２）。学習用データの生成処理については、図１７に示すフローチャートを参照しつつ、以下に説明する。学習用データ生成部１２３は、記憶部１１から、学習用基礎データを取得する（ステップＳ１２１）。学習用データ生成部１２３は、受信した学習用基礎データに含まれる、機器の状態のデータの文章について形態素解析処理を実行し、形態素に分割する（ステップＳ１２２）。

学習用データ生成部１２３は、記憶部１１から単語変換テーブル１１６を取得する。学習用データ生成部１２３は、形態素、すなわち、機器の状態のデータの文章を構成する単語ごとに、単語変換テーブル１１６に含まれる単語ベクトルに置き換え、置き換えた単語ベクトルを結合する。続いて、学習用データ生成部１２３は、学習用基礎データの客先情報のデータおよび機器情報のデータに含まれる機種のデータを数値化する。ここでの数値化は、各機種に対してユニークな値を与えるものとする。また、客先情報のデータに含まれる据付日のデータの数値化について、まず、学習用データ生成部１２３は、図７に示した工事報告書マスタデータ１１３のテーブルに記憶されている工事日のデータを取得する。続いて、学習用データ生成部１２３は、取得した工事日のデータから客先情報のデータに含まれる据付日のデータを減算する。この減算した値は、機器の経過年数である。学習用データ生成部１２３は、数値化した客先情報、機器情報、機器の状態、および機器の経過年数の各データと、故障部位のデータとを連結し、学習用データを生成する（ステップＳ１２３）。

学習用データ生成部１２３は、記憶部１１に生成した学習用データを記憶させる（ステップＳ１２４）。ここで、図１４に戻る。図２に示した学習済モデル生成部１２４は、学習済モデル生成処理を実行する（ステップＳ１３）。学習済モデル生成処理については、図１８に示すフローチャートを参照しつつ、以下に説明する。

学習済モデル生成部１２４は、記憶部１１から学習用データを取得する（ステップＳ１３１）。学習済モデル生成部１２４は、学習用データを自身に構築されたニューラルネットワークに学習させ、中間層および出力層の各重み付けを学習済モデル１１７として生成する（ステップＳ１３２）。学習済モデル生成部１２４は、生成した学習済モデル１１７を、記憶部１１に記憶させる（ステップＳ１３３）。図１４に戻り、学習済モデル生成部１２４は、学習処理を終了させる。

また、推定部１３で行われる処理は、推定処理プログラムとして記憶部１１に記憶されている。機器に異常、故障、動作不良等が生じた場合、ユーザは、故障部位推定装置１の推定部１３により推定処理を行うことで、故障部位を推定することができる。故障部位推定装置１は、図４に示したプロセッサ１０４に、記憶部１１に記憶された推定処理プログラムをメモリ１０３に読み出させ、実行させる。推定処理プログラムの処理について、図１９に示す推定処理のフローチャートを参照しつつ、以下に説明する。

図３に示した推定部１３の推定用基礎データ取得部１３１は、推定用基礎データの取得処理を実行する（ステップＳ２１）。推定用基礎データの取得処理については、図２０に示すフローチャートを参照しつつ、以下に説明する。

推定部１３の推定用基礎データ取得部１３１は、図２に示した客先マスタデータ１１１から、客先情報のデータを取得する（ステップＳ２０１）。客先情報のデータは、図５に示した客先マスタデータ１１１のテーブルに含まれる客先ＩＤのデータと、機種のデータと、据付日のデータとである。続いて、推定用基礎データ取得部１３１は、図２に示した機器マスタデータ１１２から、機器情報のデータを取得する（ステップＳ２０２）。機器情報のデータは、図６に示した機器マスタデータ１１２のテーブルから、客先マスタデータ１１１から取得した機種のデータに対応する、機種区分のデータを取得する。

推定用基礎データ取得部１３１は、図８に示したユーザ入力データ１１４のテーブルから、機器の状態のデータを取得する（ステップＳ２０３）。ここで取得される機器の状態のデータは、例えば、推定処理が行われる直前にユーザの入力した機器の状態のデータである。推定用基礎データ取得部１３１は、客先情報、機器情報、および機器の状態の各データを連結し、推定用基礎データを生成する（ステップＳ２０４）。推定用基礎データ取得部１３１は、生成した推定用基礎データを記憶部１１に記憶させる（ステップＳ２０５）。

図１９に戻る。図３に示した推定部１３の推定用データ生成部１３２は、推定用データの生成処理を実行する（ステップＳ２２）。推定用データの生成処理については、図２１に示すフローチャートを参照しつつ、以下に説明する。

推定用データ生成部１３２は、記憶部１１から推定用基礎データと単語変換テーブル１１６とを取得する（ステップＳ２１１）。推定用データ生成部１３２は、推定用基礎データに含まれる機器の状態のデータの文章を形態素解析処理し、形態素に分割する。具体的には、推定用データ生成部１３２は、機器の状態のデータの文章を、句読点を含めて単語に分割する。推定用データ生成部１３２は、形態素、すなわち、機器の状態のデータの文章を構成する単語ごとに、単語変換テーブル１１６に含まれる単語ベクトルに置き換え、置き換えた単語ベクトルを結合する。続いて、推定用データ生成部１３２は、推定用基礎データの客先情報および機器情報に含まれる機種のデータを数値化する。ここでの数値化は、各機種に対してユニークな値を与えるものとする。また、客先情報に含まれる据付日のデータの数値化について、まず、推定用データ生成部１３２は、図７に示した工事報告書マスタデータ１１３のテーブルに記憶されている工事日のデータを取得する。推定用データ生成部１３２、取得した工事日のデータから客先情報のデータに含まれる据付日のデータを減算する。この減算した値は、機器の経過年数である。推定用データ生成部１３２は、数値化した客先情報、機器情報、機器の状態、および機器の経過年数を連結し、推定用データを生成する（ステップＳ２１２）。

なお、上述した推定用基礎データの客先情報のデータおよび機器情報のデータに含まれる機種のデータと、客先情報のデータに含まれる据付日のデータとの数値化の方法は、特許請求の範囲における他の数値変換手段の一例である。

推定用データ生成部１３２は、生成した推定用データを記憶部１１に記憶させる（ステップＳ２１３）。ここで、図１９に戻る。図３に示した推定部１３の推定処理部１３３は、故障部位の推定処理を実行する（ステップＳ２３）。故障部位の推定処理については、図２２に示すフローチャートを参照しつつ、以下に説明する。

推定処理部１３３は、記憶部１１から推定用データを取得する（ステップＳ２２１）。推定処理部１３３は、図３に示した記憶部１１から学習済モデル１１７を取得する（ステップＳ２２２）。推定処理部１３３は、学習済モデル１１７に含まれる中間層および出力層の重みをニューラルネットワークに設定し、ニューラルネットワークを構築する（ステップＳ２２３）。

推定処理部１３３は、推定用データをニューラルネットワークの入力層に入力する（ステップＳ２２４）。推定処理部１３３は、ニューラルネットワークから推定用データと一番関連の高い故障部位のデータを取得する（ステップＳ２２５）。推定処理部１３３は、故障部位のデータを情報処理装置２に出力する（ステップＳ２２６）。情報処理装置２は、自身の表示部に故障部位を表示させる。これにより、ユーザは、機器の故障部位を推定することができる。推定処理部１３３は、図１９に戻り、推定処理を終了する。

以上のとおり、実施の形態によれば、客先情報、機器情報、機器の状態等のデータに基づいて故障部位を推定することができるため、機器に設置されたセンサから得られる情報を用いることなく、機器の故障部位を推定する故障部位推定装置を提供することができる。

また、自然言語で記載された機器の状態のデータを、単語ベクトルを用いて数値化することができる。このため、ユーザは機器の状態のデータを、予め定められた文言、コード等で入力するのではなく、通常使用している言語で入力することができる。したがって、ユーザへの負担を少なくすることができる。

また、本開示の実施の形態では、故障部位推定装置１を、専用のシステムとして実現できるものとした。しかしながら、専用のシステムによらず、通常のコンピュータシステムを用いて実現可能である。例えば、上述の故障部位推定装置１における各機能を実現するためのプログラムを、コンピュータが読み取り可能なＣＤ－ＲＯＭ（ＣｏｍｐａｃｔＤｉｓｃＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（ＤｉｇｉｔａｌＶｅｒｓａｔｉｌｅＤｉｓｃＲｅａｄＯｎｌｙＭｅｍｏｒｙ）などの記録媒体に格納して配布し、このプログラムをコンピュータにインストールすることにより、上述の各機能を実現することができるコンピュータを構成してもよい。そして、各機能をＯＳ（ＯｐｅｒａｔｉｎｇＳｙｓｔｅｍ）とアプリケーションとの分担、またはＯＳとアプリケーションとの協同により実現する場合には、アプリケーションのみを記録媒体に格納してもよい。

（変形例１）
上記の実施の形態においては、図５に示した客先マスタデータ１１１のテーブルから、図８に示したユーザ入力データ１１４のテーブルに含まれる客先情報、機器情報、機器の状態、および故障部位は、それぞれ別のタイミングで取得されるものした。これに限らず、客先情報、機器情報、機器の状態、および故障部位のデータを同時に取得しても良い。また、客先情報、機器情報、機器の状態、および故障部位は、それぞれを関連づけて用いることが出来れば良いため、任意のタイミングで取得されるデータであってよい。

（変形例２）
上記の実施の形態において、学習済モデル生成部１２４に構築されるニューラルネットワークは、中間層を１層のものとした。これに限らす、中間層は、２層以上でもよい。

（変形例３）
上記の実施の形態において、故障部位推定装置１は、学習部１２と推定部１３とを両方備えるものとあした。これに限らず、学習部１２と推定部１３とをそれぞれ、別体の学習装置および推定装置としてもよい。この場合、学習装置で生成される学習済モデル１１７を、記憶媒体、ネットワーク等を経由して、推定装置に使用できればよい。また、この場合、学習装置、推定装置、および情報処理装置２を含めて故障部位推定システム１００としてもよい。また、故障部位推定装置１は、故障部位を推定する対象の機器に内蔵されるものであってもよい。さらに、故障部位推定装置１、または、学習部１２、もしくは推定部１３は、クラウドサーバ上に存在していてもよい。

（変形例４）
上記の実施の形態において、学習済モデル生成部１２４は、記憶部１１に記憶された各種データを学習することにより学習済モデル１１７を生成するものとした。これに限らず、学習済モデル生成部１２４は、複数の機器から得られた各種データから生成される学習用データを用いて、故障部位を学習させてもよい。なお、学習済モデル生成部１２４は、同一のエリアで使用されている複数の機器から学習用データを取得してもよいし、異なるエリアで独立して動作する複数の機器から収集される学習用データを利用して故障部位を学習してもよい。

また、学習用データを収集する機器を、途中で対象に追加する、または、対象から除去してもよい。さらに、ある機器に関する故障部位を学習した学習済モデル１１７を、別の機器に関する故障部位を再学習して更新させてもよい。

（変形例５）
上記の実施の形態において、学習済モデル生成部１２４は、ニューラルネットワークにより、機器の故障部位を学習するものとした。しかしながら、ニューラルネットワークの代わりに、深層学習、ランダムフォレスト、サポートベクターマシン等、他の学習アルゴリズムを用いてもよい。

（変形例６）
上記の実施の形態において、故障部位推定装置１と情報処理装置２とを別体の装置とした。これに限らず、故障部位推定装置１と情報処理装置２とを一緒の装置にしても良い。

（変形例７）
上記の実施の形態において、学習部１２の単語変換部１２２で生成される単語変換テーブルは、学習用基礎データに含まれる機器の状態を数値化するものとした。これに限らず、単語変換テーブルは、学習用基礎データに含まれる全てのデータを数値化するものであってもよい。また、この場合、単語変換テーブルは、推定用基礎データに含まれる全てのデータを数値化するものとしてもよい。

なお、本開示の技術的範囲は、上記実施の形態と変形例によっては限定されない。本開示は特許請求の範囲に記載された技術的思想の限りにおいて、自由に応用、変形あるいは改良して、実施することができる。

１故障部位推定装置、２情報処理装置、１１記憶部、１２学習部、１３推定部、１００故障部位推定システム、１０１記憶機器、１０２接続部、１０３メモリ、１０４プロセッサ、１０５データバス、１１１客先マスタデータ、１１２機器マスタデータ、１１３工事報告書マスタデータ、１１４ユーザ入力データ、１１５文章データ、１１６単語変換テーブル、１１７学習済モデル、１２１学習用基礎データ取得部、１２２単語変換部、１２３学習用データ生成部、１２４学習済モデル生成部、１３１推定用基礎データ取得部、１３２推定用データ生成部、１３３推定処理部。

Claims

機器の故障部位を推定する推定部を備える故障部位推定装置であって、
前記推定部は、
前記機器を納入している客先の客先情報のデータ、機器情報のデータ、および自然言語で記載された機器の状態のデータを含む推定用基礎データを取得する推定用基礎データ取得部と、
前記機器の状態のデータの文章を分割した単語を数値化するための単語変換テーブルおよび他の変換手段を用いて前記推定用基礎データを数値化し、数値化した前記推定用基礎データに基づいて推定用データを生成する推定用データ生成部と、
前記機器の故障部位を推定するための学習済モデルを用いて、前記推定用データと一番関連の高い前記機器の故障部位を推定する推定処理部と、
を含む、
故障部位推定装置。
前記機器の故障部位を学習する学習部をさらに備え、
前記学習部は、
前記機器を納入している客先の客先情報のデータ、機器情報のデータ、自然言語で記載された機器の状態のデータ、および機器の故障部位のデータを含む学習用基礎データを取得する学習用基礎データ取得部と、
前記機器の状態のデータの文章を分割した単語を数値化するための前記単語変換テーブルを生成する単語変換部と、
前記単語変換テーブルおよび他の変換手段を用いて前記学習用基礎データを数値化し、数値化した前記学習用基礎データに基づいて学習用データを生成する学習用データ生成部と、
前記学習用データに含まれる、前記客先情報のデータ、前記機器情報のデータ、および前記機器の状態のデータと一番関連の高い前記機器の故障部位を推定するための学習済モデルを生成する学習済モデル生成部と、
を含む、
請求項１に記載の故障部位推定装置。
前記学習済モデル生成部は、ニューラルネットワークを構築し、前記ニューラルネットワークにおいて、入力された前記機器の客先情報のデータ、前記機器情報のデータ、および前記機器の状態のデータと一番関連の高い前記機器の故障部位を出力するために調整された中間層および出力層の各重みから、前記学習済モデルを生成する、
請求項２に記載の故障部位推定装置。
前記推定処理部は、前記学習済モデルに含まれる中間層および出力層の各重みを設定したニューラルネットワークを構築し、前記ニューラルネットワークにより、前記推定用データと一番関連の高い前記機器の故障部位を推定する、
請求項３に記載の故障部位推定装置。
前記推定処理部は、推定した前記機器の故障部位を、外部の情報処理装置に出力する、
請求項１から４の何れか一項に記載の故障部位推定装置。
機器の故障部位を推定する故障部位推定装置で実行される方法であって、
前記機器を納入している客先の客先情報のデータ、機器情報のデータ、および自然言語で記載された機器の状態のデータを含む推定用基礎データを取得し、
前記推定用基礎データを数値化し、数値化した前記推定用基礎データに基づいて推定用データを生成し、
前記推定用データと一番関連の高い前記機器の故障部位を推定する、
方法。
前記機器を納入している客先の客先情報のデータ、機器情報のデータ、自然言語で記載された機器の状態のデータ、および機器の故障部位のデータを含む学習用基礎データを取得し、
前記機器の状態のデータの文章を分割した単語を数値化するための単語変換テーブルを生成し、
前記単語変換テーブルおよび他の変換手段を用いて前記学習用基礎データを数値化し、数値化した前記学習用基礎データに基づいて学習用データを生成し、
前記学習用データに含まれる、前記客先情報のデータ、前記機器情報のデータ、および前記機器の状態のデータと一番関連の高い前記機器の故障部位を推定するための学習済モデルを生成する、
請求項６に記載の方法。
コンピュータに、
機器を納入している客先の客先情報のデータ、機器情報のデータ、および自然言語で記載された機器の状態のデータを含む推定用基礎データを取得する処理、
前記推定用基礎データを数値化し、数値化した前記推定用基礎データに基づいて推定用データを生成する処理、
前記推定用データと一番関連の高い前記機器の故障部位を推定する処理、
を実行させるためのプログラム。
前記コンピュータに、さらに、
前記機器を納入している客先の客先情報のデータ、機器情報のデータ、自然言語で記載された機器の状態のデータ、および機器の故障部位のデータを含む学習用基礎データを取得する処理、
前記機器の状態のデータの文章を分割した単語を数値化するための単語変換テーブルを生成する処理、
前記単語変換テーブルおよび他の変換手段を用いて前記学習用基礎データを数値化し、数値化した前記学習用基礎データに基づいて学習用データを生成する処理、
前記学習用データに含まれる、前記客先情報のデータ、前記機器情報のデータ、および前記機器の状態のデータと一番関連の高い前記機器の故障部位を推定するための学習済モデルを生成する処理、
を実行させるための請求項８に記載のプログラム。