JPH0460837A - 近似推論のための知識自動修正装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 発明の要約 結論の正しさを表わす情報か入力されたときに、その結
論に関するそのときの事象値データを記憶しておく。あ
る結論について定数の事象値データが蓄積されたときに
、その事象値データとあらかじめ記憶されている専門家
の知識とを比較し、その不一致度を算出する。不一致度
か一定値以上である専門家の知識を蓄積された事象値デ
ータによって修正する。

発明の背景 技術分野 この発明は、近似推論において、推論結果の正しさの情
報をフィードバックし、その情報に基づいて知識ベース
内の専門家の知識を自動的に修正する知識自動修正装置
に関する。

従来技術 推論結果を、その推論結果を導くために使用した事象の
情報量によって修正または変更する方式の近似推論が知
られている（たとえば、　ＺｈａｎｇＨｏｎｇｍ　ｉ　
ｎ　　ＡＮ　ＥＸＰＥＲＴ　ＳＹＳＴＥＭ　ＷＩＴＨＴ
ＨＩＮＫＩＮＧ　ＩＮＩＭＡＧＥＳ″−Ｐｒｅｐｒｉｎ
ｔｓ　ｏｆ’　５ｅｃｏｎｄ　ＩＦＳＡ　Ｃｏｎｇｒｅ
ｓｓ。

Ｔｏｋｙｏ、　Ｊｕｌｙ　２０−２５．１９８７．　Ｐ
、７８５　）。

この近似推論方式は、事象に対して結論ごとに与えられ
たメンバーシップ関数を用いて、事象ごとの情報量（す
なわち事象の情報識別能力）を算出し、推論結果（すな
わち結論が成り立つ可能性）を、その結論を導くために
使用した事象の情報量によって修正または変更する（可
能性と情報量の積をとる）ことによって、推論結果の識
別能力を高めようとするものである。

しかしながら、このような従来の近似推論装置において
は、推論結果に対する正しさの情報がフィードバックさ
れていないために、推論結果が本当に正しいかどうかが
わからない、専門家が入力した知識に誤りがあるかがわ
からない、知識に誤りがある場合、その知識をどう修正
してよいかがわからない１人間の手によって知識ベース
の修正を行なわなければならないという問題がある。

発明の概要 発明の目的 この発明は、近似推論に用いる専門家の知識を自動的に
修正できる装置を提供するものである。

発明の構成１作用および効果 この発明による近似推論のための知識自動修正装置は、
事象と結論との関係を表わす専門家の知識をあらかじめ
記憶しておき、入力データを上記知識にあてはめること
により結論の可能性を演算する近似推論装置に対して設
けられ、結論の正しさの情報を入力する正当性情報入力
手段、正しさの情報が入力された結論に関して、入力さ
れた事象値データを蓄積的に記憶する手段、所定の結論
について上記記憶手段に記憶されている事象値データと
同じ結論について記憶されている専門家の知識との不一
致度を算出する不一致度算出手段、および算出された不
一致度に応じて、上記事象値データによって専門家の知
識を修正する手段を備えていることを特徴とする。

この発明によると、推論結果に対する正しさの情報を人
間が（または自動的に）入力し、入力された情報の履歴
をとっておき、履歴情報にしたがってその結論に関連す
る専門家の知識を自動的に修正するようにしている。し
たがって専門家の知識を自動的に修正して、より精度の
高い推論結果が得られるとともに１人間による知識ベー
スの修正が不要となる。

実施例の説明 （１）近似推論装置および知識自動修正装置の全体構成 第１図に近似推論装置および知識自動修正装置の全体構
成の一例が示されている。近似推論装置は、知識記憶装
置１１．知識合成装置１２．合成後知識記憶装置１３．
事象値入力装置１４．適合度演算装置１５．動的情報量
演算装置１６．可能性演算装置１７、可能性表示装置１
８．静的情報量演算装置１９゜明瞭性演算装置２０．明
瞭性記憶装置２１．明瞭性加算装置２２および明瞭性表
示装置２３から構成されている。

知識自動修正装置は、正当性情報入力装置３１゜履歴記
憶装置３２．不一致度算出装置３３．知識修正装置３４
．知識再合成装置３５および明瞭性再演算実行装置３Ｂ
から構成されている。

以下に、これらの装置について故障診断を例にとって詳
述する。

（２）知識記憶装置 知識記憶装置１１は、専門家等が入力した知識を、事象
（故障が生じたときの状況、測定値等）と結論（故障の
種類等）との関係を示す形式で記憶する装置である。こ
の装置は複数の専門家の知識を記憶することができる。

知識記憶装置１■に記憶されている２名の専門家ｅｘｌ
　、　ｅｘ２の知識の例を規則の形式で以下に示す。

専門家ｅｘｔ　： ｉｆ　　２０≦ｆｌ≦６０，０≦ｆ２≦４０．　ｔｈｅ
ｎ　　ｃｌ−（１）Ｈ４０≦ｆｌ≦８０．６０≦ｆ２≦
１００．ｔｈｅｎ　　ｃ２＝１２）専門家ｅｘ２　： ｉｆ　　３０≦ｆ１≦５０．１０≦ｆ２≦３０．　ｔｈ
ｅｎ　　ｃｌ−（３）ｉｆ　　５０≦ｆ１≦７０．７０
≦ｆ２≦９０．　ｔｈｅｎ　　ｃ２−＝（４）ｆｌ、　
ｆ’２は事象であり、これらをそれぞれ事象］、事象２
と呼ぶことがある。ｃｌ、　ｃ２は結論であり、これら
をそれぞれ結論１，２と呼ぶことかある。

また、ａ≦ｆ１≦ｂのように表わされたａ、ｂをそれぞ
れ最小値、最大値と呼ぶ。

上述の規則を、専門家ごとに表（テーブル）の形式で表
現すると次のようになる。

第　　１　　表 第　　２ 表 （３）知識合成装置 知識合成装置１２は、知識記憶装置１１に記憶された複
数の専門家の知識を合成して、１つの知識にまとめる装
置である。

知識の合成方法は種々あるが、ここでは　各結論に関与
している各事象の最大値と最小値について、複数の専門
家の平均値と標準偏差を計算する。

上述した２名の専門家の事象ｒｔから結論ｃ１を導く知
識を例にとって知識合成処理について以下に説明する。

上述の規則（第（Ｊ）式、第（３）式）から、事象１　
（ｆｌ）から結論１　（ｃｌ）を求める規則を抽出する
と次のように表わされる。

専門家ｅｘｌ　：　ｉｆ　　２０≦ｆ１≦８０　　ｔｈ
ｅｎ　　ｃｌ−（５）専門家ｅｘ２　：ｉｆ　　３０≦
ｆ１≦５０　　ｔｈｅｎ　　ｃｌ−（６）最小値の平均
値ｍ□１ｎおよび最大値の平均値ｍ　　が算出される。

ａｘ 第　　３　　表 最小値の標準偏差σ　、および、最大値の標準１１１ｎ 偏差σ　　が算出される。

ａｘ このような専門家の知識の合成演算を、上述した規則（
第（１）弐〜第（４）式）について、各結論に関与して
いる各事象の最小値と最大値のすべてについて行なうと
１次のような表（テーブル）が得られる。

一般に、近似推論においては、事象に対してメンバーシ
ップ関数が与えられる。ここでは、−例として、上述の
ようにして合成された専門家の知識を用いてガウス分布
によりメンバーシップ関数を求める方法について説明す
る。

最小値の平均値ｍ　　、最大値の平均値ｍ　　。

ｍｉｎ　　　　　　　　　　ｍａｘ 最小値の標準偏差σ　　、最大値の標準偏差１ｎ σ１Ｉｌａｘを用いて、メンバーシップ関数は次式によ
り表わされる。

・・・（１１） ただし。

Ｘ　　：事象への入力データの値 Φ（Ｘ）二人力データＸが事象に適合する程度（適合度
） Ｇａｕｓｓ（ｘ）　：人力Ｘにおけるガウス分布の値で
ある。

第２図にガウス分布の一例を示す。このガウス分布にお
いてメンバーシップ関数の作成のために左半分のみが使
用される。Φ（ｘ）　＝０．５におけるＸの位置はｍ　
　またはｍ　　によって決定さｍｉｎ　　　　　　　　
　ｍａｘ れ、傾きはσ　　またはσ　　によって決定されｍｉｎ
　　　　　　　　　ｍａｘ る。

一例として、事象ｆｌから結論Ｃ１を求めるためのメン
バーシップ関数は、第（７）式から第（１０）式により
算出した値を用いて第３ａ図から第３Ｃ図のようにして
作成される。この場合、第（１１）式は次のようになる
。

第３ａ図は第（１１）式または第（１２）式の右辺第１
項を、第３ｂ図は第（１１）式または第（１２）式の右
辺第２項を、第３Ｃ図は上記第１項から第２項を減算し
た結果、すなわち第（１１）式または第（１２）式で表
わされるメンバーシップ関数を表わしている。

第３表に示す合成された知識に基づいて作成された各事
象ｆｌ、　ｆ２について、結論ｃｌ、　ｃ２を求めるた
めのメンバーシップ関数の例を、第４ａ図および第４ｂ
図に示す。

（４）合成後知識記憶装置 合成後知識記憶装置１３には、知識合成装置１２によっ
て算出された平均値と標準偏差が、第３表のような形式
で記憶される。知識の合成は推論の都度性なう必要はな
いため、このようにあらかじめ計算した結果を記憶して
おく。そして推論の都度この記憶装置１３内の値を読み
出して使用することによって推論処理の高速化を図るこ
とができる。

（５）事象値入力装置 事象値入力装置１４は、故障診断対象機器、キーボード
、通信インターフェイス装置、メモリ。

ファイルなどから、事象ごとに入力される入力データを
読み込む装置である。入力されたデータは適合度演算装
置１５に与えられるとともに、各事象のデータが入力さ
れたかどうかの情報が明瞭性加算装置２２に与えられる
。

（６）適合度演算装置 適合度演算装置１５は、事象値入力装置１４から入力さ
れたデータの各メンパージ・ツブ関数（または結論）に
対する適合度を算出するものである。具体的には適合度
は、第（１１）式の右辺の変数Ｘとして入力データを代
入することによりΦ（Ｘ）として求められる。もちろん
このような演算式を必ずしも用いなくてもよい。

（７）動的情報量演算装置と静的情報量演算装置事象−
ｆ’ｌの事象値（入力データ）をｘｌ、事象ｆ２の事象
値をｘ２とする。これらのデータは事象値入力装置１４
から人力される。

第５ａ図および第５ｂ図に示すように各適合度”１１’
　ｍ１２’　ｍ２１’　”２２を次のように定める。

ｍ　：入力データｘｉの結論ＣＩに対する適合度ｍ１□
：入力データｘ１の結論Ｃ２に対する適合度ｍ２、：入
力データｘ２の結論ＣＩに対する適合度ｍ２２：入力デ
ータｘ２の結論Ｃ２に対する適合度これらの適合度は入
力データｘｉ、　ｘ２が与えられたときに適合度演算装
置１５によって算出される。

ここでファジィ・エントロピという概念を考える。

入力ｘ１が与えられたときのファジィ・エントロピＥｆ
ｔを次のように定義する。

このファジィ・エントロピは、情報識別能力の指標の一
種で、入力データｘ１を与えたときに、結論が明確に識
別できるほど小さい値となり、結論があいまいにしか識
別できないほど大きい値となる。つまり、入力データｘ
１の結論ｃｌに対する適合度ｍ１□と入力データｘ１の
結論ｃ２に対する適合度ｍ１２との差が大きいほど小さ
い値となり、差が小さいほど大きい値となる。

同じようにして、入力ｘ２が与えられたときのファジィ
・エントロピＥｆ２は次式によって与えられる。

ファジィ会エントロピＥｆの取り得る値の範囲は以下に
示すものとなる。

０≦Ｅｆ≦ｌｏｇ（ｎ　） ｎ：事象上の結論数 この例では、事象１．（ｆｌ）上の結論数は２　（ｃｌ
。

ｃ２）であるので、ファジィ・エントロピＥｆの最大値
は、　　ｌｏｇ（２）となる。

次に、このファジィ・エントロピＥｆ’ｌを使用して、
入力データｘ１が与えられたときの動的情報量１ｆｌｐ
（ｘｉ）を求める。ここで、動的情報量１ｆＬｐ（ｘｉ
）とは１推論を行なうときにおける結論を確定するため
の事象の識別能力で、入力データｘ１の結論Ｃ１に対す
る適合度ｍ１□と入力データｘｉの結論ｃ２に対する適
合度ｍ１２９差が大きいほど大きい値をとり、差が小さ
いほど小さい値となるものとする。

そこで、事象ｆ１についての動的情報量１ｆ’１Ｄ（ｘ
ｌ）を、最大ファジィ・エントロピから、入力データｘ
１が与えられたときのファジィ・エントロピＥｆ１を引
いたものと定義する。

同じように、事象ｆ２について入カデ タｘ２が与 えられたときの動的情報量を次のように定義する。

動的情報量演算装置１６は、適合度演算装置１５で得ら
れた適合度を用いて、第（１５）式および第（１６）式
にしたがって事象ごとに動的情報量を算出する。

動的情報量は上述のように入力データｘｉ、　ｘ２に依
存する。これに対して１静的情報量は入力データに依存
しないものであって、最大ファジィ・エントロピから、
事象のレンジ幅の中のファジィ・エントロピの平均を引
いたものを、事象全体の静的情報量とする。たとえば、
事象１についての静的情報量は次式で与えられる。

（以下余白） 同じように事象２についての静的情報量は次式７式％ ｍ１１（ｘ）　　：事象ｆ１についての入力データＸの
結論Ｃ１に対する適合度 ｍ１２（ｘ）：事象ｆ１についての入力データＸの結論
Ｃ２に対する適合度 ｍ２１（ｘ）：事象ｆ２についての入力データＸの結論
Ｃ１に対する適合度 ｍ　２２（Ｘ）　　：事象ｆ２についての入力データＸ
の結論ｃ２に対する適合度 において、Ｘをδ間隔で変化 させ、それぞれのＸについて のファジィΦエントロピを計 算して、それらの平均を求め る演算（ただし０くδ≦１００） 第（１７）式および第（１８）式から分るように、事象
のメンバーシップ関数間の重なりが大きいほど。

事象の静的情報量は小さく、事象のメンバーシップ関数
間の重なりが小さいほど、事象の静的情報量は大きい。

つまり、静的情報量は、事象のメンバーシップ関数が結
論を識別する能力を示している。

静的情報量演算装置１９は１合成された知識により得ら
れるメンバーシップ関数から、上述した第（１７）式お
よび第（１８）式にしたがって、事象ごとに、静的情報
量を演算して記憶する。静的情報量は入力データには依
存しないので、１回のみ算出されればよい。

（８）可能性演算装置 各結論ごとに、その結論に関与する事象の情報量の総和
が１になり、かつそれらの事象の情報量の相対強度は変
化しないような事象の情報量を算出する。この算出した
情報量を重みという。

たとえば上述した動的情報量を用いると各重みは次のよ
うになる。

結論１に対する事象１の重み：Ｗｆ１、−Ｉｆｆ　　（
ｘｉ）／　　［ｌｆ’ｌ、（ｘｉ）＋　　Ｉｆ２Ｄ（ｘ
２）コ　　　−（１９）結論１に対する事象２の重み：
　　ｗｆｔ　２Ｉｆ２（Ｘ２）／［Ｉｆ’ＬＤ（Ｘｉ）
＋Ｉｆ２．（Ｘ２）］　　−（２０）結論２に対する事
象１の重み：Ｗｆ２□−Ｉｆ’ｌ　（ｘｉ）／　［ｌｆ
’ｌ、（ｘｉ）＋ｌｆ２．（ｘ２）］　　　−（２１）
結論２に対する事象２の重み：Ｗｆ２２−Ｉｆ２（Ｘ２
）／［Ｉｆｌ、（Ｘｉ）＋Ｊｆ２．（Ｘ２）］　　・（
２２）次に、これらの重みと適合度との積を計算し。

それを結論ごとに合計したものを、結論の可能性として
算出する。

たとえば上記の例では 結論１の可能性−＝ｗｔ　　ｘｍ　　＋ｗｆ　　ｘｍ　
　　　　・−（２３）結論２の可能性−ｗｆ　　ｘｍ　
　＋ｗｆ　　ｘｍ　　　　　−（２４）となる。

可能性演算装置１７は上述した演算を行ない結論ごとの
可能性を算出する。

（９）可能性表示装置 この可能性表示装置１８は、可能性演算装置１７で算出
された可能性を結論ごとに表示するものである。この可
能性の表示は、すべての結論について表示するようにし
てもよいし、可能性が高い結論を１個または複数個表示
するものでもよい。たとえば可能性が所定のしきい値（
たとえば５０％）以上の結論を表示するようにする。ま
た１通信によって可能性を他の装置に伝送したり、可能
性をメモリやファイルに記憶してもよい。

（ｌＯ）明瞭性演算装置 明瞭性演算装置２０は、各結論ごとに、各事象の明瞭性
を演算する装置である。ここで、各結論ごとの各事象の
明瞭性とは、ある結論を確定する時の各事象の相対的な
識別能力を示すものである。

したがって、この明瞭性により、ある結論を確定するた
めの、複数の事象の識別能力を比較することができ、ど
の事象が高い識別能力を持っているか（多くの情報量を
持っているか）が分る。明瞭性の算出法について以下に
述べる。

まず、結論および事象と静的情報量の関係を第４表に示
す。

第　　４　　表 第４表から分るように静的情報量によっても。

各結論を確定するための複数の事象の識別能力を比較す
ることはできる。しかし、このままでは相対的な識別能
力が直観的に分りにくいので、下表に示すように各結論
ごとに静的情報量を正規化して、その正規化した値を各
結論ごとの各事象の明瞭性ＣΩとする。

第　　５ 表 ただし。

Ｃ（１＝　　Ｃ，ｌ！１゜−１ｆ１８／　　（Ｉｆ’１
８＋Ｉｆ２８）ＣΩ　−Ｃρ２２＝Ｉｆ２ｓ／（Ｉｆｌ
ｓ＋Ｉｆ２ｓ）である。

このようにして、明瞭性演算装置２０において。

各結論ごとに各事象の明瞭性が算出される。

（１１）明瞭性記憶装置 明瞭性記憶装置２１は、明瞭性演算装置２０で算出され
た各結論ごとの各事象の明瞭性を記憶する装置である。

明瞭性の演算は、推論のたびに行なう必要はない。そこ
で、知識を合成したときに算出した明瞭性を明瞭性記憶
装置２１に記憶しておき。

推論を行なうたびに明瞭性記憶装置２１に記憶している
値を読み出すようにする。これにより、推論処理の高速
化か図れる。

（１２）明瞭性加算装置 明瞭性加算装置２２は、データが実際に入力された事象
の明瞭性を演算する装置である。ここでは、実際に行な
われる推論のために、データが入力された事象の明瞭性
の総和をとる。この明瞭性の総和は、推論結果の明瞭性
を示す。この明瞭性が高いほど、推論結果を導くための
情報量が多いといえる。したがって明瞭性は推論結果自
体の信頼性を判断する指標に使用することができる。

推論結果に対する明瞭性は次のようにして算出される。

ａ）事象１　（ｆｌ）のみについてデータが入力された
場合 ・結論１　（ｃｌ）の推論結果に対する明瞭性Ｃ，０１
−Ｃρ１１ ・結論２　（ｃ２）の推論結果に対する明瞭性ＣΩ２＝
”１．２ ｂ）事象２　（ｆ２）のみについてデータが入力された
場合 ・結論１　（ｃｌ）の推論結果に対する明瞭性Ｃρ１−
Ｃ′１２１ ・推論２　（ｃ２）の推論結果に対する明瞭性Ｃｐ２−
ＣΩ２２ Ｃ）事象１　（ｆｌ）および事象２　（ｆ’２）の両方
についてデータ入力された場合 ・結論１　（ｃｌ）の推論結果に対する明瞭性Ｃρ１−
Ｃρ　十ＣΩ２１”’１．０ ・結論２　（ｃ２）の推論結果に対する明瞭性ＣΩ２−
ＣΩ　　＋　ＣΩ２゜−１，０ 推論結果の明瞭性Ｃｇのとり得る範囲は。

０．０　≦　ＣΩ　≦１．０ である。つまり、推論を行なう前に与えられた知識の中
で、ある結論を導くために使用することができる事象の
すべてについてデータを入力して推論を行なった場合、
その結論の明瞭性は１．０になる。また、ある結論を導
くために使用することができる事象の中で、一部の事象
のみについて。

データを入力した場合、明瞭性は０．０から１．０の間
の値となる。このとき、使用することができる事象の中
で、明瞭性の高い事象を多く使用すれば、結論の明瞭性
も高くなり、信頼性が高い推論結果が得られると言える
。

（１３）明瞭性表示装置 明瞭性表示装置２３は、明瞭性加算装置２２で算出した
推論結果（−例として上述した可能性）に対する明瞭性
を表示する装置である。明瞭性は推論結果と共に表示し
てもよいし、また明瞭性を他の装置に伝送したり、メモ
リやファイルへ記憶するようにしてもよい。

この明瞭性の表示は、推論結果の全ての結論について表
示する。したがって結論が複数存在する場合には、それ
ぞれの結論に対応する明瞭性が表示される。

このようにして、データが入力されるたびに。

入力されたデータが属する事象の情報量を演算し、推論
結果に対する明瞭性を表示することにより、推論結果に
対する信頼性をユーザが判断できるようになる。

（１４）正当性情報入力装置 正当性情報入力装置３１は、可能性表示装置１８に表示
された結論の可能性について、または表示装置１８に表
示されていない結論に関して、主に人間が正しい結論を
入力するためのものである。たとえば故障診断の場合に
１表示装置１８に故障の可能性が表示されたときに（た
とえば５０％以上の可能性をもつものが表示される）、
その表示された故障のうちで実際に故障が生じているも
のを指定したり１表示装置１７に表示されていなくても
実際に生じている故障を指定する。また指定した故障に
ついてその故障（結論）に関連する事象についてのデー
タを入力する。機器に取付けられたセンサ等からの情報
によりどの部分が故障しているかがわかるので、このよ
うな故障に関するおよび事象値データに関する情報の自
動入力も可能である。

正当性情報入力装置３１は、結論およびそれに関連する
事象値データの入力があったときに、第６表のような履
歴記憶データを作成する。

第　　６ 表 ここで ｃｉ：指定された正しい結論・（故障）ｆｊ　：　ｃｉ
に関連する事象 ｘｊ：事象ｆｊの事象値データ である。

正当性情報入力装置３１における履歴記憶データ作成処
理手順が第６図に示されている。正しい結論（故障）が
キーボード等から入力されると、その結論に関連するす
べての事象が選択される（ステップ４１．４２）。結論
に関連する事象は知識記憶装置１１．知識合成装置１２
．合成後知識記憶装置１３または可能性演算装置１７に
記憶されている知識または演算結果等より分る。そして
、入力された結論に関連するすべての事象について、そ
の事象値データが事象値入力装置■４から入力されてい
ると（キーボード、センサ等から入力してもよい）。

それをその結論に関連して第６表に示すような履歴記憶
データ・ファイルに格納する（ステップ４３、４４．４
５）。

たとえば、可能性表示装置１８が下記のような故障の可
能性を表示したとする。

故障ｃ１：可能性０．８ 故障Ｃ２：可能性０．に のとき、実際に０１の故障が生じていたとすると２人間
は故障Ｃ１を入力する。すると、入力装置３１は、結論
ｃｌに関連する事象はｆｌとｆ２であると判断する。ｆ
ｌの事象値として３５が、　ｆ２の事象値として５がそ
れぞれ入力されていたとすると、第７表に示すような履
歴記憶データが作成される。

（以下余白） 第　　７　　表 故障診断の場合、その故障とその故障が生じたときの機
械の状態（事象値）を報告するような保守レポート等が
あれば、その保守レポートをこの入力装置３１に直接入
力するとよい。この保守レポートがあれば、故障診断が
実行されるたびにその結論の正当性を入力する必要はな
く、正当性情報入力処理をバッチ的に行なえるようにな
る。

（１５）履歴記憶装置 履歴記憶装置３２は、正当性情報入力装置３１で作成さ
れた履歴記憶データを、第７図に示すように、結論ごと
に表（ファイル）の形式で、蓄積して記憶するものであ
る。新たに作成された履歴記憶データは、先に記憶され
ている履歴記憶データ・ファイルの最後に付は加える形
で記憶すればよい。第７図において、ｎは正しい結論と
してＣ１が指定された回数を表わす。事象値入力装置１
４で入力された事象値データは、入力装置３Ｉまたは記
憶装置３２のいずれに与えてもよい。後に説明するよう
に　知識修正装置３４によって知識の修正か行なわれる
と、修正の行なわれた結論についての履歴記憶データは
消去される。

たとえば、結論Ｃ１についての第７表に示す履歴記憶デ
ータが第３回目のＣＩの指定によって追加されたとする
と、履歴記憶装置３２内の結論Ｃ１についての履歴デー
タ・ファイルは第８表に示すようになる。

第　　８　　表 （１６）不一致度算出装置 不一致度算出装置３３は、履歴記憶装置３２に記憶され
ている各結論について一定量の履歴が蓄積されたり　ま
たは１日の業務が終了したときなどに起動される。した
がって、バッチ的に処理ができ、ＣＰＵの負荷が少ない
ときに不一致度算出処理を行なえるので１機器の稼働中
におけるＣＰＵの負荷量を増やすことはない。

この不一致度算出装置３３は、各結論ｃｉに関連する全
事象ｆｊのそれぞれについて、履歴記憶装置３２に記憶
されている事象値データの範囲と知識記憶装置１１に記
憶されている各専門家の同結論の同事象についての知識
との不一致度を算出するものである。不一致度算出アル
ゴリズムの一例が結論Ｃ１の事象ｆｊに関して第８図に
示されている。

まず、履歴記憶装置３２に記憶されている結論ｃｉにつ
いての履歴データ・ファイルから事象ｆｊに関する事象
値データの最小値ｆｊ、　　と最大値ｆｊｍａｘ＋１１
ｉｎ とを選び出す（ステップ５１）。次に知識記憶装置１１
に記憶されている結論ｃＩの事象ｆｊに関する専門家ｅ
ｘｋの知識の最小値ａ、と最大値ｂｋとを読出す（ステ
ップ５２）。続いて１選択したおよび読出したデータを
用いて次式により不一致度を算出する（ステップ５３）
。

不一致度− ａ　　−ｆｊ、　１＋ｌｂ　　−ｆｊ　　　ｌ　　−（
２５）ｋ　　　ｍ１ｎ　　　　　ｋ　　　ｍａｘこの算
出した不一致度を第９図に示すような不一致度データ・
ファイルの該当する場所に格納する（ステップ５４）。

この不一致度データ・ファイルは結論ｃｉについて、専
門家ごとに全事象について不一致度を記憶するエリアを
有している。

上述の処理をすべての専門家について実行すれば一結論
ｃｊに関連する一事象ｆｊについての不一致度算出処理
が終る（ステップ５５）。

結論ｃｉに関連する他のすべての事象についても同じよ
うに処理を行なう。また、このような処理をすべての結
論または必要な結論について実行する。

たとえば、第１表および第２表に示された専門家ｅｘｔ
　、　ｅｘ２の結論ｃｌに関する事象ｆ１についての第
８表に示す履歴データとの不一致度は、第１０図に示す
ように、それぞれ３０．１０となる。また、専門家ｅｘ
ｌ　、　ｅｘ２の結論Ｃ１に関する事象ｆ２についての
第８表に示す履歴データとの不一致度は、第１１図に示
すように、それぞれ１０．　１０となる。

（１７）知識修正装置 知識修正装置３４は、上記のようにして求めた不一致度
データを用いて１次に示すアルゴリズムにしたがって、
知識記憶装置１１に記憶されている該当する専門家の知
識を修正する。

■）結論の各事象について、不一致度の最も大きい専門
家の知識における事象値の範囲を、履歴データの最小値
と最大値の範囲に修正する。

２）ただし、不一致度がすべである閾値以内であれば、
この修正は行なわない。

この閾値はたとえば次のようにして定められる。

閾値＝（各事象値の取り得る範囲）Ｘｏ、１・・・（２
Ｂ） 事象ｆ１またはｆ２における事象値のとりうる範囲（定
義域）を１００とすれば閾値は１０となる。

３）修正された知識で、知識記憶装置１１における該当
する専門家の知識を更新する。

以上によって、あまり正しくないと考えられる専門家の
知識を２人間が判断して修正するのではなく、自動的に
修正することができる。

たとえば第１Ｏ図に示す専門家−ｅｘｔ　、　ｅｘ２の
不一致度はそれぞれ３０．　ｏ＋である。専門家ｅｘｔ
の不一致度３０が最も大きく、かっこの不一致度３ｏは
上記の閾値１０以上であるから、結論ｃｌに関連する事
象ｆｌについての専門家ｅｘｌの知識が履歴データを用
いて最小値３０．最大値４５に修正される。したがって
、第１表は次表のようになる。

第　　９　　表 専門家ｅｘｔ 第１１図に示す不一致度は専門家ｅｘｔ　、　ｅｘ２と
もＩＯであり閾値１０以下であるから、結論ｃ１の事象
ｆ２についての知識の修正は行なわれない。

（１８）知識再合成装置 知識再合成装置３５は修正された知識に関連する部分に
ついてのみ、知識の再合成を行なう。合成の方法は知識
合成装置１２で行なう方法と同じである。再合成結果は
合成後知識記憶装置１３に与えられ記憶される。上記の
例では、修正されたのは結論ｃｌの事象ｆｌについての
みであるので、その最小値の平均と標準偏差、最大値の
平均値と標準偏差を再計算するだけでよい。

知識全体について再合成するのではなく、関連する部分
のみの再合成であるので、処理の高速化が可能となる。

知識の再合成後は、再合成された新たな知識を用いて近
似推論が行なわれるのはいうまでもない。

（１９）明瞭性再演算実行装置 明瞭性再演算実行装置３６は修正された知識に関連する
部分についてのみ明瞭性の再演算を実行する。明瞭性の
演算方法は明瞭性演算装置２０における方法と同一であ
る。上記の例では、修正されたのは結論ｃｌの事象ｆｌ
についてのみであるので、事象ｒ１に関連する結論につ
いて静的情報量が求められ、それより明瞭性が算出され
る。

この演算についても、バッチ的に実行する（たとえば、
休憩時間や夜間など）ことによって１機器の稼働中にお
けるＣＰＵの負荷量を増やすことはない。

上記実施例では、履歴データの情報に基づいて、知識記
憶装置に記憶されている専門家の知識を修正しているが
１合成後知識記憶装置に記憶されている平均値と標準偏
差を直接的に修正するようにしてもよい。

同一の近似推論装置が複数台ある場合、最初はすべてに
同じ（標準的な）知識を入れておいても、自動的に知識
を修正していくので、経年変化等による対象各機器の特
性にあった故障診断が可能となる。

上述した各装置１１〜２３．３１〜３６はメモリおよび
表示装置を含むコンピュータによって実現できるのはい
うまでもない。たとえば知識合成装置１２゜各種演算装
置１５．１Ｂ、　１７．１９．２０．２２．３３．３５
゜３６はプログラムにしたがって動作するＣＰＵによっ
て好適に実現される。

【図面の簡単な説明】

第１図は近似推論装置および知識自動修正装置の全体構
成の一例を示すブロック図である。 第２図はガウス分布を示すグラフである。 第３ａ図から第３ｃ図はメンバーシップ関数が形成され
る様子を示すグラフである。 第４ａ図および第４ｂ図は、各事象ごとに得られたメン
バーシップ関数を示すグラフである。 第５ａ図および第５ｂ図は適合度を求める様子を示すグ
ラフである。 第６図は履歴記憶データ作成処理手順を示すフロー・チ
ャートである。 第７図は履歴データ・ファイルの一例を示すものである
。 第８図は不一致度算出処理手順を示すフロー・チャート
である。 第９図は不一致度データ・ファイルの一例を示すもので
ある。 第１０図および第１１図は不一致度の例を示すものであ
る。 ３２・・・履歴記憶装置。 ３３・・・不一致度算出装置。 ３４・・・知識修正装置。 ３５・・・知識再合成装置。 ３６・・・明瞭性再演算実行装置。 １１・・・知識記憶装置。 １２・・・知識合成装置。 １３・・・合成後知識記憶装置。 １４・・・事象値入力装置。 １５・・・適合度演算装置。 １６・・・動的情報量演算装置。 １７・・・可能性演算装置。 １８・・・可能性表示装置。 １９・・・静的情報量演算装置。 ２０・・・明瞭性演算装置。 ２１・・・明瞭性記憶装置。 ２２・・・明瞭性加算装置。 ２３・・・明瞭性表示装置。 ３１・・・正当性情報入力装置。

Claims (2)

【特許請求の範囲】
1. （１）事象と結論との関係を表わす専門家の知識をあら
   かじめ記憶しておき、入力データを上記知識にあてはめ
   ることにより結論の可能性を演算する近似推論装置に対
   して設けられ、 結論の正しさの情報を入力する正当性情報入力手段、 正しさの情報が入力された結論に関して、入力された事
   象値データを蓄積的に記憶する手段、所定の結論につい
   て上記記憶手段に記憶されている事象値データと同じ結
   論について記憶されている専門家の知識との不一致度を
   算出する不一致度算出手段、および 算出された不一致度に応じて、上記事象値データによっ
   て専門家の知識を修正する手段、 を備えた近似推論のための知識自動修正装置。
2. （２）上記知識修正手段は、算出された不一致度が所定
   値以上である場合に対応する専門家の知識を修正する、
   請求項（１）に記載の近似推論のための知識自動修正装
   置。