JPH0721029A - 推論装置 - Google Patents

Abstract

(57)【要約】 【目的】駆動機械の故障等の原因の推論を精度よく行
う。 【構成】真の原因が判明されるごとに、当該原因の関連
度合いが大きくなり、かつ当該原因以外の原因の関連度
合いが小さくなるよう前記関連度合いデータを逐次補正
される。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、いわゆる正診断の診断
結果に基づいて駆動機械の故障等の原因を推論するよう
にした推論装置に関する。

【０００２】

【従来の技術および発明が解決しようとする課題】従来
より建設機械等の駆動機械の故障原因等を、いわゆる正
診断により推論することが一般に行われている。正診断
処理は、各種現象と各種原因との間の因果関係、つまり
現象、原因相互間の影響度、発生頻度等を示す正診断知
識と各種現象の現在の発生度から、故障原因を推定する
ものである。この正診断は、発生頻度の高い原因ほど確
信度が高く推定される傾向がある。

【０００３】正診断は、たとえば下記に示す手法
（ａ）、（ｂ）によって行われる。

【０００４】（ａ） ベイズの理論によるものである。
これは、過去の診断データが多く存在している場合に、
これらを解析することにより、発生現象に対する原因の
発生確率（条件付き確率）を次式（１）により計算する
ものである。

【０００５】 ここで、Ｆ（Ｃｊ｜Ｐｉ）は、現象Ｐｉ発生時の原因Ｃ
ｊの条件付き確率であり、Ｆ（Ｐｉ｜Ｃｊ）は、原因Ｃ
ｊ発生時の現象Ｐｉの条件付き確率であり、Ｆ（Ｃｊ）
は、原因Ｃｊの発生確率であり、ｎは原因の数である。

【０００６】このベイズの理論によるものは、故障診断
データが数多く存在している場合には、上記（１）式の
右辺の各項の計算が有効に行われ、左辺のＦ（Ｃｊ｜Ｐ
ｉ）を有効に求めることができるものの、実際には、故
障診断データが数多く存在していることはまれであり、
少ないデータによってはこの方法を利用することができ
ないという欠点がある。また、この方法は、全データの
平均的発生確率を算出するものであり、最近発生した原
因の傾向を考慮することはできない。

【０００７】（ｂ） 別の方法として、専門家の過去の
経験に基づいて発生現象に対する原因の発生確率（条件
付き確率）を抽出して、これをマトリックス状にまとめ
たものを正診断知識として正診断を行うものがある。こ
の方法によれば、知識がマトリックス形式で表現される
ために知識の獲得が容易であり、システムの構築が容易
となる利点がある。

【０００８】正診断知識は、たとえば図２（ａ）のよう
に表すことができ、図中のＷｉｊは、下記（２）式に示
されるようにベイズ理論における条件付き確率Ｆ（Ｃｊ
｜Ｐｉ）に相当するとして扱うこともできる。

【０００９】Ｗｉｊ＝Ｆ（Ｃｊ｜Ｐｉ） …（２） こうした正診断知識は、専門家の過去の経験に基づく知
識であり、（ａ）のベイズの理論のように故障データの
存在を必要とせず、知識が容易に抽出できるという利点
がある。これがエキスパートシステムの最大の長所とい
われている。しかし、専門家の知識は、実際に生じた故
障診断データの解析から得られるものではないため、信
頼性はそれほど高くはないとも考えられる。

【００１０】また、システム構築後にも事例は発生し続
ける。この時、専門家は自分自身でこれを学習し知識を
修正していくことができるが、システム自身では知識を
更新できないため知識が古びれ、やがて正確な判断をす
ることができなくなってしまう。これがエキスパートシ
ステムにおける最大の課題といわれている。

【００１１】仮に、常に新しい知識に基づいて診断を行
うシステムを構築しようとするならば、随時知識を修正
し続けることが必要となり、莫大な工数を要し、コスト
が飛躍的に増大することになってしまう。

【００１２】一方、一般に学習を行うために、ニューラ
ルネットワークを利用した誤差逆伝播法、つまりバック
プロパゲーション法（ＢＰ法）が用いられる。このＢＰ
法は一般に、パターン認識の問題に適用され、たとえば
入力パターンの特徴からどの項目に所属するかを解く分
類問題に適用されている。すなわち、このＢＰ法は、入
力パターンと教示出力の対をデータとした複数の学習デ
ータを事前に準備し、これを学習させることにより、類
似したパターンを認識できるようにした手法である。し
かし、ＢＰ法では、頻度を考慮することができない。ま
た、学習データが多数ある場合には、うまくパターンを
学習できる場合もあるが、学習が収束する保証はない。
もちろん、学習データが少ない場合には、うまく学習で
きない。さらに、学習モデルの内容はブラックボックス
であり、学習結果の意味付けが不明である。

【００１３】本発明はこうした実状に鑑みてなされたも
のであり、頻度を考慮した正診断知識を常に新しいデー
タにより学習し直し、推論を常に正確に行うようにする
とともに、その学習を容易に、かつ収束性よく行えるよ
うにすることを目的としている。

【００１４】

【課題を解決するための手段】そこで、この発明では、
各種現象の現在の発生度合いを示す発生度合いデータと
各種現象と各種原因との関連の度合いを示す関連度合い
データとに基づいて原因を推論する推論装置において、
真の原因が判明されるごとに、当該原因と各種現象との
関連度合いが大きくなり、かつ当該原因以外の原因と各
種現象との関連度合いが小さくなるよう前記関連度合い
データを補正するようにしている。

【００１５】

【作用】かかる構成によれば、真の原因が判明されるご
とに、当該原因と各種現象との関連度合いが大きくな
り、かつ当該原因以外の原因と各種現象との関連度合い
が小さくなるよう前記関連度合いデータを逐次補正され
る。このように、頻度を考慮した正診断知識が常に新し
いデータにより学習し直され、推論が常に正確に行われ
る。しかも、学習を容易に、かつ収束性よく行えるよう
になる。

【００１６】

【実施例】以下、図面を参照して本発明に係る推論装置
の実施例について説明する。

【００１７】実施例では、建設機械の故障診断装置を想
定している。具体的にはパーソナルコンピュータ（以下
パソコンという）が図１に示す手順にしたがい建設機械
の故障診断を行うものである。図２（ａ）は、正診断処
理を行うための正診断知識の構造をマトリックス状で示
しており、同図（ｂ）は同図（ａ）の正診断知識マトリ
ックスを変換して学習モデル（ニューラルネットワーク
モデル）として示したものである。

【００１８】同図（ｂ）に示すように学習モデルは、入
力ニューロン１、２…ｉ…ｍに各種現象１、２…ｉ…ｍ
が割り当てられるとともに、出力ニューロン１、２…ｊ
…ｎに各種原因１、２…ｊ…ｎが割り当てられ、各現
象、原因（入出力ニューロン）間が、それらの因果関係
の度合いを示す重みＷｉｊにより結線されている。

【００１９】この場合、入力ニューロンｉへの入力Ｉｉ
は、オペレータが上記パソコンのキーボードを操作する
等して、上記各種現象１、２…の現在の発生度合い、つ
まり異常度Ｉｉを示すデータとして入力するものであ
る。

【００２０】ただし、異常度Ｉｉは、０≦Ｉｉ≦１の範
囲内の値であり、オペレータの感覚的な数値として与え
る。この場合、異常度Ｉｉ＝０は「異常が全く発生しな
い」という感覚に対応し、異常度Ｉｉ＝１は「異常が大
きく発生している」という感覚に対応している。また、
異常が不明（あるいは未チェック）の場合は、上記数値
外を示す’−’をデータとして入力する。ただし、異常
度Ｉｉとして’−’が与えられた場合は、後述する演算
処理上、異常度Ｉｉ＝０として扱われる（ステップ１０
１）。

【００２１】つぎに上記入力された異常度Ｉｉに基づい
て正診断処理が実行される。

【００２２】正診断処理には、各種現象と各種原因との
間の因果関係（現象、原因相互間の影響度、発生頻度
等）を示す正診断知識が必要である。この正診断知識の
データは異常度Ｉｉと異なり予め所定のメモリに記憶さ
れているものとする。上記正診断知識は、各種現象と各
種原因との関連の度合いを示すデータであるので、以
下、関連度Ｗｉｊと称する。関連度Ｗｉｊは、上記学習
モデルにおける入力ニューロンｉと出力ニューロンｊと
の間の因果関係（頻度）の重みのことである。

【００２３】関連度Ｗｉｊも異常度Ｉｉと同様に、０≦
Ｗｉｊ≦１の範囲内のあいまいな数値として与える。こ
の場合、関連度Ｗｉｊ＝０は「全く関係がない」に対応
し、関連度Ｗｉｊ＝１は「大きく関係あり」に対応して
いる。また、現象ｉと原因ｊの因果関係が不明の場合
は、’−’により上記数値範囲０〜１外であることを表
すようにする。ただし、関連度Ｗｉｊが’−’である場
合は、後述する演算処理上、関連度Ｗｉｊ＝０として扱
われる。

【００２４】以上のような、異常度Ｉｉと関連度Ｗｉｊ
に基づいて正診断による確信度Ｏｊが下記（３）式によ
り演算される。

【００２５】Ｏｊ＝Σ（Ｗｉｊ・Ｉｉ） …（３） ただし、上記演算により確信度Ｏｊが０よりも小さくな
った場合には確信度Ｏｊを０に、確信度Ｏｊが１よりも
大きくなった場合には確信度Ｏｊを１にするような補正
がなされ、確信度Ｏｊが常に０〜１の範囲内になるよう
にされる。

【００２６】また、上記（３）式の代わりに下記（４）
式ないし（５）式により確信度Ｏｊを演算するようにし
てもよい。

【００２７】 Ｏｊ＝ｍａｘ｛ｍｉｎ（Ｗｉｊ、Ｉｉ）｝ …（４） Ｏｊ＝ｍａｘ（Ｗｉｊ・Ｉｉ） …（５） 上記Ｏｊは、上記学習モデルにおいて、入力ニューロン
ｉにＩｉを入力したときに得られる出力ニューロンｊか
らの出力を意味する。

【００２８】図３に入力データＩｉとシステムの出力Ｏ
ｊとの関係を例示している。

【００２９】このシステムは、ある入力データに対し
て、推論した原因ｊとその確信度（発生確率）を出力す
るものである。ここで、高い頻度で発生する原因の出力
は高く、また可能性があるものは抜けなく推論されるこ
とが望まれる。

【００３０】特に最近頻発するような故障原因の出力は
高くなければならない。

【００３１】そこで、この実施例では原因の頻度の学習
を行なわせ、関連度Ｗｉｊを補正するようにしている。

【００３２】ところで、判明した真の原因をｔとした場
合、一般に考えられる教示データＴｊは、 Ｔｊ＝１ （ｊ＝ｔの場合）、０（ｊ＝ｔ以外の場合） となる。

【００３３】そこで、この場合の入力データと教示デー
タとの関係を例示すると図４のごとくになる。

【００３４】この図４の意味は、ある入力データに対し
て、原因ｔの出力が１、その他の原因の出力が０となる
べきであるということである。確かに原因が原因ｔであ
る事例が、ある期間の中で高い頻度で発生する場合に
は、原因ｔの出力が１に近づくことは理解できることで
あり、問題はない。

【００３５】しかし、ある期間の小数の故障データのた
めだけに、他の原因を０に調整してしまうような学習の
仕方は問題がある。

【００３６】そこで、この実施例では、真の原因ｔが判
明した場合に、当該原因ｔと各種現象ｉと間の関連度Ｗ
ｉｔを増加させるとともに、当該原因ｔ以外の原因と各
種現象との間の関連度を関連度Ｗｉｔの増加分に対応し
て減少させるようにしている。

【００３７】すなわち、真の原因がｔであることが判明
されるごとに、関連度補正量ｄＷｉｔが、エラーＥを評
価関数とした最急降下法を用いて、 ｄＷｉｔ+＝−η・∂Ｅ／∂Ｗｉｔ …（６） のごとく演算される。ただし、エラーＥは、 Ｅ＝（１−Ｏｔ）*2 …（７） と表され、ηは学習係数である。なお、（Ｘ）*2はＸの
２乗を表すものと定義する。

【００３８】よって、上記（６）、（７）式から、 ｄＷｉｔ+＝η・（１−Ｏｔ）・∂Ｏｔ／∂Ｗｉｔ …（８） となる。ここで、右辺の∂Ｏｔ／∂Ｗｉｔは、確信度の
演算を上記（３）〜（５）式のいずれかによって行うか
によって異なるが、たとえば確信度の演算が（３）式に
よって行われる場合は、上記（８）式は次式のようにな
る。

【００３９】 ｄＷｉｔ+＝η・（１−Ｏｔ）・Ｉｉ …（９） 一方、過去の全故障診断データの中で、現象ｉが発生し
た件数がＮであり、その内原因ｔが真の原因であった件
数をｎ、ｔ以外の原因ｊが真の原因であった件数をｎ´
であると仮定すると、原因ｔの関連度補正量ｄＷｉｔ+
は下記（１０）式のようになる。

【００４０】 ｄＷｉｔ+＝（ｎ＋１）／（Ｎ＋１）−ｎ／Ｎ ＝（Ｎ−ｎ）／（Ｎ＋１）Ｎ ＝（１−Ｗｉｔ）／（Ｎ＋１） …（１０） また、原因ｊ（ｔ以外のｊ）の関連度補正量ｄＷｉｊ-
は下記（１１）式のようになる。

【００４１】ｄＷｉｊ-＝ｎ´／（Ｎ＋１）−ｎ´／Ｎ ＝ｎ´／（Ｎ＋１）Ｎ ＝Ｗｉj／（Ｎ＋１） …（１１） よって、これら（１０）、（１１）式からＮ＋１を消去
すると、原因ｊの関連度補正量ｄＷｉｊ-が、 ｄＷｉｊ-＝｛−Ｗｉｊ／（１−Ｗｉｔ）｝・ｄＷｉｔ+ …（１２） として、故障診断データの件数Ｎ、ｎ、ｎ´を含まない
関係式として求められる。上記（１２）式の右辺のｄＷ
ｉｔ+には、上記（８）式で得られた値を代入すればよ
い。

【００４２】このように上記（８）式のごとく得られた
原因ｔの関連度補正量ｄＷｉｔ+が、関連度Ｗｉｔに加
算されて関連度Ｗｉｔが補正され、この補正された関連
度Ｗｉｔを用いて、上記（３）〜（５）式の演算が行わ
れ、原因ｔの確信度Ｏｔが求められる。

【００４３】一方、上記（１２）式のごとく得られたｔ
以外の原因ｊの関連度補正量ｄＷｉｊ-が、関連度Ｗｉ
ｊに加算されて関連度Ｗｉｊが補正され、この補正され
た関連度Ｗｉｊを用いて、上記（３）〜（５）式の演算
が行われ、原因ｊの確信度Ｏｊが求められる（ステップ
１０２、１０３）。

【００４４】そして、求められた確信度Ｏｊ（ｊ＝１、
２…）はパソコンの表示画面に表示される（ステップ１
０４）。

【００４５】以上説明したようにこの実施例によれば、
頻度を考慮した正診断知識を常に新しいデータにより学
習し直すようにしたので、推論を常に正確に行うことが
できる。

【００４６】図５は発生頻度０．５のランダムデータを
発生させて行ったシミュレーション結果を示す。学習係
数η＝０．０５とし、５種類の関連度Ｗｉｊの初期値を
それぞれ０、０．３、０．５、０．８、１．０としたも
のである。

【００４７】同図から明かなように初期値に依存せずに
最終的な関連度がすべて０．５近傍になっており、０．
５の発生頻度を収束性よく学習したのがわかる。

【００４８】

【発明の効果】以上説明したように本発明によれば、頻
度を考慮した正診断知識を常に新しいデータにより学習
し直すようにしたので、推論を常に正確に行うことがで
きるようになるとともに、学習を容易に行うことができ
るようになる。

【図面の簡単な説明】

【図１】図１は本発明に係る推論装置の実施例における
処理手順を示すフローチャートである。

【図２】図２は正診断知識の構造を概念的に示すととも
に、その構造を学習モデルとして示す図である。

【図３】図３は入力データとシステムの出力の関係を例
示した図である。

【図４】図４は、一般の学習における入力データと教示
データの関係を例示した図である。

【図５】図５は実施例におけるシミュレート結果を示す
グラフである。

Claims (1)

【特許請求の範囲】
1. 【請求項１】 各種現象の現在の発生度合いを示す
   発生度合いデータと各種現象と各種原因との関連の度合
   いを示す関連度合いデータとに基づいて原因を推論する
   推論装置において、 真の原因が判明されるごとに、当該原因と各種現象との
   関連度合いが大きくなり、かつ当該原因以外の原因と各
   種現象との関連度合いが小さくなるよう前記関連度合い
   データを補正するようにした推論装置。