JPH09244917A

JPH09244917A - モデルベース診断システムの自動分析方法

Info

Publication number: JPH09244917A
Application number: JP9035286A
Authority: JP
Inventors: George L Booth; ジョージ・エル・ブース; John M Heumann; ジョン・エム・ヒューマン; Douglas R Manley; ダグラス・アール・マンリー
Original assignee: Hewlett Packard Co
Current assignee: HP Inc
Priority date: 1996-03-08
Filing date: 1997-02-19
Publication date: 1997-09-19
Also published as: EP0794495A2; US5922079A; EP0794495A3

Abstract

(57)【要約】【課題】機能試験から不合格原因の自動診断を行うシ
ステムの試験セットの問題及び可能性のあるモデル化問
題の自動識別を向上させる。【解決手段】試験セットに対する試験の自動分析１１
６によって、モデル１０８において試験セット１０１に
対する分析が行われ、試験セット１０１に対して可能性
のある改良が問題識別部１１８で生じる。診断結果１１
０とＴＦＣ１１４とが一致しなければ、自動モデルデバ
ッグ部１２０によって正確な診断結果１１０が得られ
る、可能性のあるモデルに対する変更についてモデル１
０８の分析が行われる。試験セットの分析１１６及び自
動モデルデバッグ部１２０は、シミュレートされたデー
タ１２４にも、入手可能であれば履歴データ１２６にも
用いることが可能。モデルベース診断システムの利点の
１つは、履歴データが不要ということである。部分的な
履歴データも入手可能になればシステムはそのデータの
相乗作用を得る。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、モデルベース診断
システムの自動分析方法に関し、たとえば、一般に機能
試験から不合格原因の自動診断を行うシステムであっ
て、試験セットの問題及び可能性のあるモデル化問題の
自動識別を含むモデルベース診断システムの強化に適用
し得る。

【０００２】

【従来の技術】システムにおける誤りの自動診断は、多
様な形をとることが可能である。診断の１つの形式は、
履歴をベースにしたものである。履歴ベースの診断シス
テムは、履歴不合格データ及び症状の実体に基づく診断
をなす。履歴データ収集には、時の経過につれて試験を
繰り返すことが必要とされ、データ収集によって、真の
不合格原因（ＴＦＣ）に関する情報の有効性が想定され
る。代替アプローチは、モデルベースのものである。モ
デルベースシステムは、試験を受ける装置（ＵＵＴ）ま
たは個々のコンポーネントのコンピュータモデルに基づ
いて、システム応答と期待応答との比較を行う。モデル
ベース試験システムは、一般に複雑であり、設計及び構
造に関するかなりの量のデータを手動入力しなければな
らない場合が多い。モデルは、試験すべきシステムに関
して専門知識を有する専門家または設計者からの詳しい
データを必要とする可能性がある。履歴ベース試験シス
テム及び複雑なモデルベース試験システムは、非実用的
な場合が多かったり、あるいは、プロトタイプの段階に
あるＵＵＴ、頻繁に設計変更を受けるＵＵＴ、寿命の短
いＵＵＴ、低コストのＵＵＴ、または、生産量が制限さ
れたＵＵＴにとっては費用対有効性が高くない場合が多
かったりする。

【０００３】文献１米国特許出願第０８／５５１，０
５４号には、モデル化の負担が大幅に軽減された、機能
試験に基づくモデルベース診断システムが開示されてい
る。このモデルが必要とするのは、機能試験のリスト、
各機能試験で試用されるコンポーネントのリスト、並び
に各機能試験で各コンポーネントが試用される程度、及
び（入手可能であれば）個々のコンポーネントの履歴故
障率だけである。入力するデータは、試験のプログラ
マ、またはＵＵＴに習熟しているが、必ずしも専門家で
はない他の者によって迅速かつ容易に決定することが可
能である。一般に、モデルは、ＵＵＴの複雑さに従っ
て、数日〜数週間のうちに試験プログラマによって開発
することが可能である。前記文献によって開示された診
断システムは、プロトタイプの段階にあるＵＵＴ、生産
量に制限のあるＵＵＴ、設計変更が頻繁に行われるＵＵ
Ｔ、寿命の短いＵＵＴ、迅速な起動が重要なＵＵＴにと
りわけ適している。

【０００４】上記文献によって開示された診断システム
は、とりわけ、プリント回路基板上の電子コンポーネン
トの故障診断に適している。しかし、この技法は、一般
に、任意のシステムのコンポーネントの診断に適合す
る。例えば、コンポーネントが、プリント回路アセンブ
リまたは他のモジュールでも、ネットワークにおけるコ
ンピュータでも、あるいは、自動車または航空機の電気
機械コンポーネントでも可能である。一般的な概念とし
ては、医療診断にも適用可能である。

【０００５】

【発明が解決しようとする課題】本明細書は、上記文献
１によって開示された診断システムの特定の応用例に関
する自動分析を扱うものである。本発明によって解決す
べき課題について述べる前に、下記において、この診断
システムに関して簡単に説明を加えておく。まず、デー
タベースの一部に関してさらに詳述する。次に、診断候
補のランク付けのために重みを割り当てる２つの方法例
によって、診断の説明を行う。さらに、本発明によって
解決すべき課題について述べることにする。

【０００６】本明細書において、操作は、１つ以上の機
能試験によって実施されるプロセスまたはアクションで
ある。例えば、メモリ試験には、「メモリ読み取り」操
作及び「メモリ書き込み」操作を含むことが可能であ
る。各操作毎に、特定の組をなすコンポーネントが試用
される。本願書において、「網羅度」または「利用率」
という用語は、特定の試験においてあるコンポーネント
が試用される程度を表すため互換可能に用いることが可
能である。網羅度は、数値的に指定することもできるし
（例えば、パーセンテージまたは０〜１の間の分数とし
て）、あるいは、カテゴリ的に指定することも可能であ
る（例えば、低、中、高）。

【０００７】上記文献１によって開示された診断システ
ムの場合、モデルには、下記のデータ構造が含まれてい
る。（ａ）コンポーネント及びサブコンポーネントのデータ
ベース。コンポーネントまたはサブコンポーネントが既
に何らかの試験を受けているか、あるいは、コンポーネ
ントまたはサブコンポーネントに関して故障率データが
入手可能である場合、これらのデータも含まれる。（ｂ）生試験結果をカテゴリ情報にマッピングするため
のデータベース（最も単純な場合、合格／不合格）。例
えば、特定の電圧測定に関する許容可能（合格）範囲
が、４．５Ｖ〜５．５Ｖの場合、４．０Ｖの数値試験結
果は、不合格−低カテゴリにマッピングされる。（ｃ）データベースの形をとる機能試験モデル。試験
は、操作リストとして定義される。各操作の定義毎に、
操作で試用される各コンポーネントまたはサブコンポー
ネント、及び操作によるコンポーネントの網羅度（試用
される程度）の推定値が指定される。（ｄ）告発リスト及び無罪放免リストを含む故障明細
書。これによって、プログラマは、特定の故障が生じる
と、その故障の原因である可能性のあるコンポーネント
候補のリスト（告発リスト）及び／またはある程度正し
く機能しているに違いないコンポーネントのリスト（無
罪放免リスト）を指定することが可能になる。例えば、
内燃式自動車起動システムの機能試験について検討して
みることにする。エンジンが指定のＲＰＭでかかるが、
始動しない場合、燃料系統及び点火系統が疑われるが
（告発リスト）、バッテリ及びスタータモータは良好で
あるに相違ない（無罪放免リスト）。

【０００８】上記データベースに関するデータの一例と
して、プリント回路基板の機能試験について検討してみ
ることにする。試験の１つは、メモリ試験である。メモ
リ試験には、２つの操作、すなわち、メモリアクセス及
びバースト出力が含まれている。プリント回路基板に
は、次のコンポーネントが含まれている、すなわち、中
央演算処理装置（ＣＰＵ）、ランダムアクセスメモリシ
ステム（ＲＡＭ）、データバス、入力／出力ポート（ポ
ート）、及びディスプレイモジュール。さらに、ランダ
ムアクセスメモリには、サブコンポーネントとしてメモ
リ及びデコーダが含まれている。メモリアクセス操作で
は、ＣＰＵの機能性の１０％、ＲＡＭデコーダの機能性
の９０％、及びＲＡＭメモリの機能性の１０％が試用さ
れる。バスポート出力操作では、データバスの機能性の
５０％及びポートの機能性の９０％が試用される。従っ
て、このようなモデルには、下記の項目が含まれてい
る。コンポーネントとして、ＣＰＵ、ＲＡＭ、データバ
ス、ポート、ディスプレイモジュール。ＲＡＭには、サ
ブコンポーネントとしてメモリ、デコーダのが含まれて
いる。操作：メモリアクセスＣＰＵ；．１、ＲＡＭデコーダ；．９、ＲＡＭメモ
リ；．１バスポート出力データバス；．５、ポート；．９。

【０００９】上述の診断システムでは、設計時に容易に
利用可能なデータしか用いられない。モデル化には、シ
ステムの履歴不合格データの収集が不要である（利用可
能であれば、個々のコンポーネントに関する履歴故障率
が利用される可能性はある）。最も単純な例の場合、診
断システムが必要とするものは、各操作毎にどのコンポ
ーネントが試験を受けるかを入力することだけである。
改良された例の場合、診断システムが必要とするのは、
各操作毎に各コンポーネントが受ける試験のおおよその
程度を入力することだけである。これは、設計者または
プログラマが提供可能なデータである。すなわち、診断
システムは、構造情報（すなわち、コンポーネントＡの
出力がコンポーネントＢの入力に接続されているといっ
たデータ）、または、不合格モデル（すなわち、試験Ａ
が不合格の場合、最も可能性の高い原因はコンポーネン
トＢであるといったデータ）、または、動作モデル（す
なわち、ＮＡＮＤゲートに対する入力が、両方とも、高
の場合、出力は低になるといったデータ）を必要としな
い。

【００１０】モデルが定義されると、機能試験が実施さ
れ、不合格データが収集される。診断システムは、次
に、３段階に分けて診断を下す。第１段階では、データ
抽象化モジュールが、各試験結果を合格または可能性の
あるいくつかの不合格カテゴリの１つに属するものとし
て分類する。データ抽象化モジュールは、本明細書に関
連するものではなく、ここでは詳述しない。第２段階で
は、データ抽象化モジュールから不合格の結果が出る
と、診断候補が決定される。診断候補は、不合格の場
合、その不合格試験結果の全てを説明することが可能な
最小組をなすコンポーネントである。換言すると、全て
の不合格試験が、診断候補となるＤに関する診断Ｄにお
ける少なくとも１つのコンポーネントを利用していなけ
ればならない。診断候補を決定する方法については、例
えば、文献２「A Theory of Diagnosis from First P
rinciples 」, Artificial Intelligence 32 (1987) 57
-95に一般的な解説である、ヒッティングセットに基づ
くものがある。第３段階では、各診断候補に、相対的重
みまたはランキングが割り当てられる。以下では、重み
を割り当てる２つの方法例について述べるが、可能性の
ある診断のランク付けに他のタイプの証拠に基づく推論
を利用することも可能である。以下で述べる方法には、
それぞれ、計算効率がよいという利点がある。

【００１１】重みを割り当てる第１の方法では、特定の
コンポーネントに故障があることが明らかにされる不合
格試験の確率は、その試験におけるそのコンポーネント
の利用率に比例すると仮定され、また、コンポーネント
は個別に故障するものと仮定される。これらの仮定は、
多くの状況において理にかなっている。例えば、全ての
故障が、ポイント故障であり、全てのポイント故障が等
しく可能性がある場合、利用率と故障の確率は比例す
る。この仮定によって、重みを割り当てるための下記の
方程式が導き出される。Ｗ（Ｄ，Ｒ）＝ｐ（Ｄ）＊ｐ（Ｒ｜Ｄ）＊（操作違反ペナルティ） … 式（１）ここで、Ｄ＝｛Ｃ1，Ｃ2，．．．ＣM｝は、診断候補で
ある（故障が想定される１組のコンポーネント）。Ｒ＝
｛Ｒ1，Ｒ2，．．．ＲN｝は１組の試験結果である。ｐ
（Ｄ）は、診断候補の事前の確率である。すなわち、ｐ
（Ｄ）は、試験に不合格になったことしか分からない
（すなわち、どの試験に、あるいは、どんなふうに不合
格になったのかに関する情報がない）、診断候補に関係
するコンポーネントの不合格確率である。この情報はオ
プションであり、分からなければ、省略してもかまわな
い。ｐ（Ｒ｜Ｄ）は、診断候補Ｄが１組の故障コンポー
ネントであれば、１組のテスト結果Ｒが得られる事後の
確率である。これは、機能試験モデルにおける利用率要
素の程度から計算される。２つ以上の不合格試験が関係
する場合、関連要素が掛け合わせられる。すなわち、ｐ
（Ｒ｜Ｄ）＝ｐ（Ｒ1｜Ｄ）＊ｐ（Ｒ2｜Ｄ）．．．。
（操作違反ペナルティ）は、ある試験では不合格になっ
て、試験全体を不合格にさせるが、別の試験では合格す
る操作の重みを低減するために用いられるゼロと１の間
の数である。操作ペナルティが適正であれば、その値を
全ての操作ペナルティに用いられるシステム定数に設定
することもできるし、あるいは、各操作毎に、可変ペナ
ルティを設定することも可能である。操作ペナルティが
適正でなければ、操作ペナルティは１に設定される（無
ペナルティ）。

【００１２】上述の重みを割り当てるための方法では、
コンポーネントの故障が個別のものであり、試験結果が
個別のものであり、特定の試験におけるあるコンポーネ
ントの利用率の程度は、そのコンポーネントに故障があ
ることが明らかになる不合格試験の確率に比例するもの
と想定されている。この想定が間違っていたとしても、
結果得られる計算による相対確率のランク順は、やは
り、用途によっては満足のゆく程度に正しい場合もあ
る。個別想定が真実でなくても、上述の例によって満足
のゆく診断が得られる場合がある理由に関するこれ以上
の説明については、文献３「The Effect of Assuming
Independence in Applying Bayes' Theoremto Risk Es
timation and Classification in Diagnosis」Russek,
Computers and Biomedical Research 16, 537-552 (198
3)に解説されている。

【００１３】重みの割当に関する第２の方法の場合、特
定のコンポーネントの故障が明らかになる不合格試験の
確率がその試験におけるそのコンポーネントの利用率に
比例するという想定をしなくても、やはり、有用な情報
を得ることが可能である。第２の方法では、重みは、確
率に対する限界として計算される。重みＷの計算は下記
の通りである。Ｗ（Ｄ，Ｒ）＝ｐ（Ｄ）＊最小限（α1、α2、．．．αN）＊（操作違反ペナルティ） …（式２）ここで、αi＝（試験ｉにおけるＣjの１−利用率、ここ
で、試験ｉは、合格試験であり、ＣjはＤのメンバであ
る）またはαi＝試験ｉが不合格の場合、１．０。

【００１４】式２における「最小限」関数は、確率集合
の論理ＡＮＤの上限が、確率の最小限になる、すなわ
ち、より一般的には最小上界になるという事実から得ら
れる。全ての合格試験に関して診断Ｄにおけるコンポー
ネントに故障があることが明らかになる事象の確率は、
従って、個々の試験の合格確率の最小限（またはこの確
率の上限の最小限）によって制限される。サブコンポー
ネントが存在する場合には、改良が加えられる。例え
ば、コンポーネントＣがサブコンポーネントＡ及びＢか
ら構成されるものと仮定する。ＡまたはＢが故障する
と、Ｃも故障する。Ｃの重みを推定する場合、サブコン
ポーネントＡに関する重みＷA及びサブコンポーネント
Ｂに関する重みＷBが計算される。論理的ＯＲの下限
は、この重み集合の下限である。すなわち、サブコンポ
ーネントＡ及びサブコンポーネントＢの一方または両方
が故障する確率は、個々のサブコンポーネントの故障確
率に関する下限の最大限によって制限される。従って、
Ｃに関する適正な重みは、ＷA及びＷBの最大限である。

【００１５】上記文献１によって開示された、上述の診
断システムの場合、試験セットまたはモデルにおいて問
題が生じる可能性がある。例えば、機能試験セットにお
いて、コンポーネントによっては、どの試験にも試用さ
れないものもあれば、あるいは、部分的にしか試用され
ないものもある。コンポーネントが故障または部分的に
故障しても、機能試験が不合格にならなければ、コンポ
ーネントの故障を検出することはできない。さらに、診
断システムが、１組のコンポーネント内におけるコンポ
ーネントの１つを弁別ことができなかったり、あるい
は、コンポーネントの区別が十分にできないといった場
合があり得る。最後に、モデル化データが不十分であれ
ば（例えば、あるコンポーネントの試用程度の推定値が
不正確）、間違った診断を下すことになる可能性があ
る。

【００１６】試験セットの有効性（モデルが可能性のあ
る故障を検出し、その区別を行う能力）を自動分析し、
可能性のある組をなす試験の変更を識別し、間違った診
断の自動分析を通じて可能性のあるモデル化エラーを識
別することができるようにすることによって、上記文献
１によって開示の診断システムをさらに強化することが
必要である。プログラマがこの分析結果を用いることに
よって、該診断システムの特定の応用例を改良すること
が可能になる。さらに、履歴ＴＦＣデータが得られる場
合には、こうしたデータを利用して上記文献１によって
開示の診断システムの性能をいっそう向上させることが
必要である。

【００１７】このようなことから、機能試験から不合格
原因の自動診断を行うシステムにおいて、試験セットの
問題及び可能性のあるモデル化問題の自動識別を向上さ
せることができるモデルベース診断システムの自動分析
方法の実現が要請されている。

【００１８】

【課題を解決するための手段】そこで、本発明は、試験
セット及びモデルを含むモデルベース試験システムに対
する改良点を識別するモデルベース診断システムの自動
分析方法において、試験セットに対する改良点を自動的
に識別する第１の工程と、モデルに対する改良点を自動
的に識別する第２の工程と、第１の工程及び第２の工程
において識別された改良点を出力する出力工程とから構
成する。試験セットに関する可能性のある問題（モデル
が可能性のある故障を検出し、その弁別を行う能力）を
識別し、また、間違った診断に基づいて可能性のあるモ
デル化問題を識別する自動分析及び障害探索システムが
得られる。試験セット及びモデル化の問題を試験プログ
ラマが認識できるようにすれば、診断システムの特定の
応用例の改良が促進される。試験セットの自動分析にお
いて、網羅度がゼロか、あるいは、網羅度が不十分なコ
ンポーネントが、検出能力の問題として識別される。故
障検出能力の分析が済むと、可能性のある故障（全ての
試験において同一操作で試用されるコンポーネント）の
弁別ができないことを含む問題について、モデルの走査
が行われる。診断能力（可能性のある故障の弁別能力）
の総合的な程度は、計算することが可能である。履歴Ｔ
ＦＣデータが入手可能な場合、可能性のある１組の故障
シンドロームからランダムにサンプリングを行い、トッ
プランクの診断候補の重み間に均衡が生じる周波数を観
測することによって、「診断能力指標」を計算すること
が可能である。履歴試験結果が利用可能であれば、診断
能力指数は、１組の代表的な故障に関して、モデルベー
ス診断システムによって２つの診断候補に同じ重みが割
り当てられる周波数から計算することが可能である。

【００１９】１つ以上の間違った診断がなされると、分
析システムは、その診断を変更させることができる、可
能性のあるモデル化の変更を識別する。まず、分析シス
テムは、真の不合格原因をなすコンポーネントが網羅さ
れていない不合格試験を識別する。こうしたケースは、
モデル化にエラーがあることを表している。さらに、分
析システムは、変更可能な網羅度、及び排除または慎重
に追加可能な操作違反の識別を含む、診断ランク順を変
更するためのモデルの変更方法を識別する。これらの識
別された変更は、自動的に行われるのではなく、試験プ
ログラマによって検分される可能性のある変更として識
別されるだけである。

【００２０】モデルベース試験システムの重要な利点の
１つは、履歴ＴＦＣデータが必要とされないということ
である。しかし、履歴ＴＦＣデータが利用可能な場合、
上記文献１によって開示のモデルベースシステムは、互
いに補い合うようにして履歴ＴＦＣデータをベースにし
た診断と組み合わせることが可能であり、この組み合わ
せは、より広く適用可能であり、いずれか一方の技法だ
けをベースにしたシステムよりも正確である。履歴ＴＦ
Ｃデータは、モデル・ベース診断における信頼標識を提
供し、プロセスの制御ができなくなる場合に警報を出
し、十分なデータが利用可能な場合に個別の診断手段を
提供するために利用される。

【００２１】

【発明の実施の形態】次に本発明の好適な実施の形態を
図面を用いて説明する。図１は、試験システム及びその
関連環境を示す機能構成図である。試験システム１００
は、試験セット１０１に対してＵＵＴ（試験ユニット）
１０２で機能試験を実行し、合格／不合格情報または他
の試験結果１０４を発生する。モデルベース診断システ
ム１０６（例えば、上記文献１の診断システム）によれ
ば、試験結果１０４及びモデル１０８からの不合格情報
に基づく診断結果１１０が得られる。モデル１０８に
は、試験、操作、操作で試験されたコンポーネント及び
関連操作によるテストを受けたコンポーネントの利用率
に関する情報が含まれている。ガイドとしての診断結果
１１０の場合、ＵＵＴは修理部１１２で修理される。修
理中、ＴＦＣ（不合格原因）１１４を求めることが可能
である。ライン１３０の流れによって修理中に追加試験
を行うことも可能であり、これらの追加試験も診断シス
テムによってモデル化することが可能である。

【００２２】本実施の形態の場合、試験セットに対する
試験の自動分析１１６によって、モデル１０８において
試験セット１０１に対する分析が行われ、試験セット１
０１に対して可能性のある改良が問題識別部１１８で生
じる。さらに本実施の形態の場合、診断結果１１０とＴ
ＦＣ１１４とが一致しなければ、自動モデルデバッグ部
１２０によって、正確な診断結果１１０が得られる、可
能性のあるモデルに対する変更についてモデル１０８の
分析が行われる。試験セットの分析１１６及び自動モデ
ルデバッグ部１２０は、シミュレートされたデータ１２
４にも、あるいは、入手可能であれば履歴データ１２６
にも用いることが可能である。モデルベース診断システ
ムの利点の１つは、履歴データが不要ということであ
る。しかし、部分的な履歴データでも入手可能になれ
ば、モデルベース診断システムは、点線１２８で示すよ
うに、また、セクションＩＶ（履歴データの使用）で詳
述するように、そのデータを相乗作用が得られるように
利用することが可能である。

【００２３】試験システム１００、モデルベース診断シ
ステム１０６、試験セットの分析１１６、及び自動モデ
ルデバッグ部１２０は、全て、一般に、コンピュータま
たはプロセッサをベースにしている。すなわち、ソフト
ウェアが、自動化試験システム内のプロセッサによって
実行されるか、あるいは試験システムが、独立したコン
ピュータによって制御される。一般に、試験セットの分
析１１６及び自動モデルデバッグ部１２０は、試験シス
テム１００またはモデルベース診断システム１０６に用
いられるプロセッサまたはコンピュータによって実施可
能である。代替案として、試験セットの分析及びモデル
デバッグを独立したシステムによってオフラインで実施
するか、あるいは、いくつかのシステムに分散すること
も可能である。また、関連する統計的推論の一部は、フ
ァジー論理またはニューラルネットワークによって、
「自動化」という概念でコンピュータ命令の順次実行に
限定されることがないように決定することが可能であ
る。

【００２４】Ｉ．検出能力分析図２を用いて、試験セッ
トの分析（図１、１１６）に関してさらに詳細に説明す
る。図２に示すように、試験セットの分析は、２つの部
分に分割される。第１の部分では、検出能力分析２００
が実施される。故障を含むＵＵＴが試験を受けると、試
験セットの１つ以上の試験が不合格になる場合、その故
障の検出が可能である。検出能力分析２００では、モデ
ル化された試験セットが検討され（そのモデルにエラー
がないと仮定して）、その試験セットが故障検出におい
てどれほどの効果があるかの分析が行われる。

【００２５】モデルベースの診断システム（図１、１０
６）は、各種試験操作で、個々のコンポーネント（及び
そのサブコンポーネント）がどの程度利用されるかに基
づくものである。これらの利用率の分析によって、可能
性のある故障の検出能力に関する情報が得られる。ある
コンポーネントがどの試験にも網羅されない場合、その
コンポーネントの故障を検出することはできない。コン
ポーネントの網羅度がほんのわずかで、少数の試験に限
られる場合、そのコンポーネントの故障を確実に検出す
ることはできない。同様に、コンポーネントに複数のサ
ブコンポーネントが含まれている場合、可能性のある全
ての故障を検出できなければならないということになる
と、各サブコンポーネントの十分な網羅度が必要にな
る。検出能力分析は２段階で進められる。第１の段階で
は、網羅されないコンポーネントまたはサブコンポーネ
ントのフラグを示して、ユーザに知らせる（図２、検出
不能範囲識別部２０４）。従来の技術のセクションにお
けるモデル例の場合、ディスプレイモジュールは、どの
操作においても試用されておらず、ディスプレイモジュ
ールの故障によって試験が不合格になることはない。従
って、ディスプレイモジュールの故障は、検出不可能で
ある。

【００２６】検出能力分析の第２段階では、残りのコン
ポーネント／サブコンポーネントの網羅度分析が実施さ
れる。第２段階の間に、システムは、特定のコンポーネ
ントに関する故障検出能力の程度の数値標識が得られる
か、あるいは、網羅度が不十分であると判定されたコン
ポーネントのフラグが示されるだけ（図２、不十分検出
範囲識別部２０６）といった構造化を施すことが可能で
ある。第２段階における判定基準は、主として、指示す
るために役立つ。例えば、十分な網羅度は、網羅度が高
いと判定された１つ以上の試験、網羅度が適度であると
判定された２つ以上の試験、または、網羅度が低いと判
定された５つ以上の試験から構成されると定義すること
が可能である。これらの判定基準は、例示を意味するも
のであり、言うまでもなく、代わりに、さまざまな数値
的または指示するために役立つ判定基準を利用すること
が可能である。従来の技術のセクションにおける例示の
システムの場合、ＣＰＵは、１つの操作（メモリアクセ
ス）でしか試用されず、機能性の２０％だけしか試用さ
れていない。上例の判定基準及び例示のシステムモデル
を利用すると、ＣＰＵは、単一操作において部分的にし
か試用されないので、試用が不十分である。試用が不十
分なコンポーネントの場合、試験プログラマに対して、
追加試験を必要とするコンポーネントであることを指示
するメッセージが表示またはプリントされる（図２、不
十分検出範囲識別部２０６）。

【００２７】図２、診断能力分析２０２に示すように、
診断能力問題に関して、試験セットを自動的に検討する
ことも可能である。この用途の場合、「診断能力」とい
う用語は、より大きい組をなす候補内における故障コン
ポーネントを一意的に識別する能力を意味する。故障に
よって、独自の特性が示されるか、あるいは、その故障
を強く示唆する試験結果のパターン（シンドローム）が
生じる場合、正確に故障を診断することが可能である。
逆に、故障が、２つ以上の診断候補に等しい重みが割り
当てられることになるシンドロームに関連する場合、診
断能力の問題が生じる。診断能力の問題は、２つのコン
ポーネントが試験セットによって弁別できない場合、と
りわけ厳しくなる。検出能力は、必要ではあるが、診断
能力にとって十分なものではない。診断能力またはコン
ポーネントの弁別を行う能力の分析は、多くの場合さま
ざまな故障の発生率に関する情報が得られないという事
実のために複雑になる。結果として、診断分析は、故障
分布情報なしで効果を発揮するが、この情報が得られれ
ば、活用することが可能である。

【００２８】診断分析の場合、全ての試験（区別不能識
別部２０８）において同一の操作で試用されるコンポー
ネントに関して、モデルの走査が行われる。２つのコン
ポーネント、Ｃ１及びＣ２について検討してみることに
する。Ｃ１がある操作で試用される場合、Ｃ２も必ず同
じ操作で試用されるものと仮定する。従って、Ｃ１が診
断候補になる場合には、Ｃ２も必ず診断候補になる。上
記文献１の技術用語において、ある操作がある試験で不
合格になって、その試験全体を不合格にするが、別の試
験では合格する場合、その操作は「違反」になるという
点を想起するべきである。操作違反に係わる診断候補に
ついては操作違反ペナルティを査定することが可能であ
る。Ｃ１及びＣ２が、全試験において同一操作で試用さ
れることが分かれば、操作違反ペナルティ項は、これら
２つの診断に関する重みの計算において常に同じにな
る。従って、それらの弁別は、事前の故障確率によって
しか行うことができない。事前の故障確率が同じであれ
ば、本システムで、これらの診断の均衡を破ることはで
きない。

【００２９】サブコンポーネントのレベルでモデル化が
実施される場合、上記分析の複雑さがわずかに増すこと
になる。この場合、各サブコンポーネントが、全ての試
験において突き合わせられるパートナの操作と同じ操作
で用いられるように、サブコンポーネントを突き合わせ
ることが可能であれば、２つのコンポーネントは、常に
弁別することが不可能になる（事前の故障確率は別にし
て）。サブコンポーネントを突き合わせる問題が、組み
合わせに関して議論を呼ぶ場合、一般に、サブコンポー
ネントの数が少ないので、直接探索またはハッシング法
で十分である。

【００３０】サブコンポーネントの数がこうした方法を
実施するには多すぎるということになる場合、近似分析
を利用することが可能である。最も単純な形式の近似分
析の場合、全てのサブコンポーネント操作（及び関連網
羅度）は、コンポーネントレベルまで伝播するだけであ
り、分析は、このレベルにおいて実施される。例えば、
利用率の有無を記録するか、あるいは、各コンポーネン
トのサブコンポーネントの最高利用率を記録することに
よって、コンポーネントレベルまで伝播させることが可
能になる。いずれにせよ、比較はコンポーネントレベル
で実施することが可能である。部分伝播によって、コン
ポーネントとさまざまな数のサブコンポーネントとの比
較を行うことも可能である。例えば、コンポーネントＡ
とＢの比較を行いたいが、ＡのほうがＢよりサブコンポ
ーネントの数が多いと仮定する。Ａのサブコンポーネン
トの一部を擬似サブコンポーネントにまとめることによ
って、全ての操作においてＢの網羅度に一致するグルー
プを見つけ出すことができる可能性がある。このグルー
プは、潜在的な診断能力問題として報告すべきである。
しかし、このアプローチでは、操作違反ペナルティ、あ
るいは、網羅度に関連した重み項の完全な計算が十分に
反映されていないので、これらの方法によって同一に見
えるコンポーネントが試験セットによって解明すること
が可能である。結果として、これらの近似手段によって
同一と判断されたコンポーネントは、試験セットの結果
によって弁別できないということではなく、網羅度が
「同様」であるとして報告すべきである（図２、区別可
能識別部２１０）。

【００３１】「診断能力指標」は、１．０から、１組の
代表的な故障に関して、モデルベースの診断システムに
よって２つの診断候補に同じ重みが割り当てられる頻度
を引いた値として計算される。シミュレートされたデー
タ（図１、１２４）と履歴ＴＦＣデータ（図１、１２
６）のいずれかを用いて、こうした分析を行うことが可
能である。故障分布情報が利用可能である場合、それに
従って、シミュレートした故障を生成することが可能で
ある。履歴データも、分布情報も利用不可能な場合、診
断能力指標は、１組の可能性のある故障シンドロームか
らランダムにサンプリングを行い、トップランクの診断
候補の重み間に均衡が生じる頻度を観測することによっ
て計算することが可能である。

【００３２】最後に、履歴データ（図１、１２６）の分
析によって、総合的な正確さについて、試験セットの評
価を行うことが可能である。例えば、本システムは、モ
デルベース診断とデータベースに記録されたＴＦＣの分
布との間の相互情報（または他の統計的または情報理論
的側度）を計算することが可能である。

【００３３】ＩＩＩ．間違った診断によって示唆される
変更検出能力及び診断能力の分析は、診断システムが実
際に用いられる前に実施することが可能である。１つ以
上のケースについて、モデルベースシステムによる間違
った診断が生じると、モデル及び試験セットにさらに改
良を加えることが可能である。すなわち、診断システム
によって予測される診断（１組みのコンポーネント）
は、特定のケースにおいて実際に故障であった１組みの
コンポーネント（ＴＦＣ）ではない。診断誤りのケース
毎に、可能性のある変更の自動識別を行うには、関連試
験結果とＴＦＣの両方が必要になる。利用可能であれ
ば、履歴ＴＦＣデータを用いることが可能である。

【００３４】図３を参照して、間違った診断をベースに
したモデルのデバッグに関するさらなる詳細な説明を行
う。図３に示すように、自動モデルデバッグ部（図１、
１２０）は、３つの部分（誤り範囲検出部３００、利用
率感度分析部３０２、及び操作違反分析部３０４）に分
割され、後述のように追加デバッグが可能である。

【００３５】図１の場合、モデルベース診断システム１
０６によって、診断候補のリストが生成され、次に、各
診断候補毎に、重みが計算される。診断候補の１つ（診
断結果１１０）がその重みに基づいて選択される。ＴＦ
Ｃ１１４が、モデルベース診断システム１０６によって
計算される診断候補の間に含まれないか、あるいは、Ｔ
ＦＣ１１４は含まれないが、診断候補の中で最高の重み
を有している場合、その理由の判定を助けるため、自動
モデルデバッグ部１２０が用いられる。診断候補は、全
ての不合格試験の説明がつくものでなければならない。
従って、障害探索において、開始点は、どの不合格試験
にもＴＦＣのコンポーネントが網羅されていないかどう
かを判定することである。不合格試験においてＴＦＣの
コンポーネントが網羅されていない場合、こうした各試
験に対する診断に少なくとも１つのコンポーネントの網
羅度が加わることによって、問題が軽減されることをユ
ーザに知らせるコメントがプリンとされるか、あるい
は、表示される。図３において、誤り範囲検出部３００
には、網羅されていない旨の分析が示されており、誤り
範囲識別部３０６には、可能性のある、網羅されていな
いという識別がなされた旨の表示またはプリントが示さ
れている。これは、検出能力分析に関する分析について
も同様であるが、同一ではないという点に留意すべきで
ある。検出能力分析（図２、２００）の場合、分析シス
テムは、コンポーネントが試験で試用されているか否か
の判定を行う。間違った診断後の障害探索において、自
動モデルデバッグ部（図１及び３、１２０）は、全ての
不合格試験において、ＴＦＣの少なくとも１つのコンポ
ーネントが試用されているか否かを判定する。

【００３６】複数の試験に独自の適用度の追加を伴う変
更は、少数の補正を伴う変更よりも可能性が低いという
点に留意するべきである。しかし、同じ適用度または操
作が、多数の試験から不注意で省略されたエラーを見つ
けることは異常ではない。

【００３７】自動モデルデバッグ部１２０は、ＴＦＣが
診断候補であるか否かの判定も行うが、他のいくつかの
診断候補よりも低い重みが割り当てられる。この状況の
場合、自動モデルデバッグ部１２０の目的は、（ａ）特
定の診断が特定の位置にランクづけされるようにする方
法、または、（ｂ）特定の診断に割り当てられる重みを
増減する方法を決定することである。（ａ）は、必ず、
一連のタイプ（ｂ）の１つ以上の操作として分解するこ
とができるので、（ｂ）についてのみ詳述することにす
る。

【００３８】上記文献１による式（２）（上記従来の技
術の説明に記載）において、各診断候補に割り当てられ
る重みは、（１）事前故障確率項と、（２）操作違反ペ
ナルティ項（等しく１である場合が多い）と、（３）
１．０から合格試験における網羅度を引いた値の最小限
（試験に関する）の最大限（サブコンポーネントレベル
のヒット集合に関する）との積によって求められる。ま
ず、１．０から合格試験における網羅度を引いた値の最
小限（試験に関する）の最大限（サブコンポーネントレ
ベルのヒット集合に関する）から構成される項について
のみ詳述することにする。簡略化するため、普遍性を損
なわないように、単一ヒット集合だけしか関係しないも
のと仮定すると、「最大限」操作は無視することが可能
である。検討される診断のコンポーネントは、網羅度が
さまざまな、多数の合格試験における利用率を示す場合
が多い。重みは、合格試験における最高網羅度に比例す
るので、最終重みに実際に影響する網羅度の数は、一般
に、合格試験の数よりはるかに少ない。例えば、ｕ１
が、試験｛ｔ１｝において網羅度０．１で用いられ、試
験｛ｔ２、ｔ３、ｔ４、ｔ５｝において網羅度０．５で
用いられ、試験｛ｔ６｝において網羅度０．９で用いら
れるものと仮定する。ｔ１〜ｔ５の任意の１つにおける
ｕ１の網羅度を変更すると、網羅度の少なくとも１つが
０．９を超えるようにしない限り、診断｛ｕ１｝に割り
当てられる重みが変更されることはない。一方、ｔ６に
おける網羅度の変更は、小さくても、割り当てられる重
みが直ちに変更される。この現象は、式（２）を用いる
診断システムの実施例について一般的であり、変更され
ると、個々の診断に割り当てられる重みの相対的ランク
付けを変更することになる、少数の利用率パラメータを
直接探索することが可能になる。図３に戻ると、相対的
ランク付けを変更することになる利用率パラメータの探
索は、デバッグの第２の部分で表されており（利用率感
度分析部３０２）、可能性のある利用率変更の識別がプ
リントまたは表示される（能動的使用変更識別部３０
８）。

【００３９】このアプローチは、古典的な感度分析方法
の特殊応用例である。感度分析では、パラメータの任意
の１つにおける無限小の変化の出力変数（この場合、重
み）に対する影響を判定しようとする。典型的なモデル
ベースシステムの場合、感度分析は、多数のパラメータ
に対する感度の変動にしばしば遭遇するため、効用が制
限される。一方、式（２）を用いる診断システムの実施
例では、診断に含まれるいくつかのコンポーネントの合
格試験における最高網羅度と同じ網羅度の場合を除い
て、感度がゼロになる。複数のヒット集合が関係する場
合、サブコンポーネントレベルのヒット集合に関する最
大限を選択すると、最終重みに影響するパラメータ数が
さらに減少する。従って、変更されると、診断に割り当
てられる重みを修正することになるごく少数のパラメー
タの識別が可能になる場合が多い。このアプローチは、
基本となる公式化によって、モデルを構成するかなり多
数のパラメータのわずかな部分集合に対する感度が得ら
れる場合には、必ず適用可能であるという点に留意する
べきである。例えば、多くのファジー論理システムは、
このカテゴリに分類される。本アプローチは、従って、
上記文献１他が解説する特定の実施例に制限されるもの
ではない。

【００４０】自動モデルデバッグ部１２０は、操作違反
ペナルティによる重みの増減方法も識別する（図３、操
作違反分析部３０４）。診断の重みは、操作違反ペナル
ティを回避することによって増大させることもできる
し、あるいは、操作違反ペナルティを発生することによ
って低減させることが可能である。操作違反ペナルティ
は、１つ以上の試験から特定の違反操作を取り除いて、
合格試験及び不合格試験の両方に用いられないようにす
ることによって、あるいは、それ自体違反されていない
操作を加えて、少なくとも１つの不合格試験における故
障コンポーネントの網羅度を増すことによって回避する
ことが可能である（ＴＦＣ診断候補の重みを増すため
に）。逆に、違反のあること（すなわち、特定の操作が
合格試験と不合格試験の両方で用いられること）及び違
反操作によって、診断においていくつかのコンポーネン
トの１組みの不合格試験における利用率だけしか得られ
ないことを保証することによって、ペナルティを加える
ことが可能である（間違った診断候補の重みを軽減する
ため）。診断システムは、違反操作、合格試験及び不合
格試験、及び診断候補のリスト、及びそれに関連した重
み及びペナルティを保守する。結果として、組み合わせ
的に集約されるが、上記探索は実現可能である。実際の
実施例においては、全数探索よりも限定探索を実施し、
操作違反ペナルティに対して可能性のある全ての変更の
部分集合だけを自動的に検出することが適正な場合があ
る。

【００４１】試験プログラマによって、事前故障確率に
対して可能性のある変更が識別され、検討されることも
望ましい。事前故障確率は、一般に履歴故障率または主
観的確率に基づくものである。結果として、事前故障確
率を変更して、単一診断を補正することが適正である場
合は稀である（図３には示されていない）。それにもか
かわらず、代替案が多数の網羅度の修正である場合に
は、デバッグシステムはこの可能性を示唆することがで
きる。一般に、自動化システムによって示唆されるモデ
ル変更にもかかわらず、試験プログラマは、実際の試験
に再検討を加え、自動的に生じた示唆を受け入れる前
に、いかなるモデル変更が適しているかを判定すること
が望ましい。

【００４２】いくつかの診断は、最小でないか（コンポ
ーネントレベルにおいて）、あるいは複雑すぎると判断
されるために報告されない場合がある。例えば、診断
｛ｕ１｝が全ての不合格試験を説明するのに十分である
場合、｛ｕ１＋ｕ２｝はスーパセットであり、従って、
最小ではないので報告されない。同様に、不合格試験を
説明するＮのコンポーネント診断が存在する場合、Ｎ＋
ｋ以上のコンポーネントを含む診断の報告を行わないよ
うに選択することが可能である（ここで、ｋは非負整数
である（一般には、２））。特定の診断をリストアップ
しないというこれらの理由のいずれかは、簡単に自動検
出される（それぞれ、診断候補のスーパセットをチェッ
クし、最小診断候補との濃度比較を行うことによる）。

【００４３】ＩＶ．履歴データの利用履歴データは、モ
デルベースの診断システムに関連して下記のように利用
することが可能である。（ａ）モデルベースシステムの性能評価に関するケース
を提供する。（ｂ）履歴シンドロームを再生して、モデルのデバッグ
を行うため、１つ以上を選択する。（ｃ）自動（または手動）デバッギングに関するケース
を提供する。（ｄ）総合性能についてデバッギングを施すことによっ
て、示唆される変化の影響を評価できるようにする。（ｅ）試験網羅度分析に関するケースの情報源を提供す
る。（ｆ）示唆された変更が履歴データによって妥当性を立
証されるか否かを判定する。

【００４４】さらに、モデルベース診断及び過去のＴＦ
Ｃの履歴に基づく診断は、たいてい相補性であるため、
同時に両方の技法を利用するシステムは、いずれか単独
の技法に基づくシステムに比べてより広く適用可能であ
り、より正確であり、各診断毎に信頼標識を示す能力が
高い。例えば、モデルベースの診断の長所の１つは、設
計時に入手可能なデータを利用して、モデルを構成する
ことができるという点である。結果として、十分な履歴
ＴＦＣデータが蓄積されるずっと前の、最初の故障から
診断を利用することが可能になる。さらに、履歴データ
収集がかなり進んだ後でも、モデルベースシステムによ
って、履歴データベースにはないか、あるいは、信頼に
足るＴＦＣ統計資料になるとは考えられないような少数
しか存在しない、稀なシンドロームの診断にとって望ま
しい方法が得られる。逆に、個々のＴＦＣが特定のシン
ドロームに関連しているように見える頻度に基づく診断
の場合、特定のシンドロームについて信頼に足る診断が
可能になる前に、このシンドロームに関する統計的に有
意のデータの蓄積が必要になる。しかし、十分なデータ
が利用可能になると、統計プロセスの場合、一般に履歴
アプローチが望ましい。このアプローチは、以前に問題
であったシンドロームに関連する欠陥を始末した修理処
置を最も正確に反映するものである。さらに、履歴診断
によって、診断候補に割り当てられる重みに客観的な信
頼標識をつけることが可能になる場合が多い。例えば、
問題となるシンドロームの例が１０，００見受けられる
と仮定すると、６，４００のケースについてはＴＦＣが
ｕ１で、３，６００のケースについてはｕ２であった。
コンポーネントが、定常ポアソンプロセスに従って個別
に故障するものと仮定すると、観測数の平方根によって
標準偏差を推定することが可能である。従って、ｕ１に
は重み６４±８を割り当て、ｕ２には重み３６±６を割
り当てることが可能である。代替分布仮定の下でも、同
様の結果が得られる。さらに、統計的品質管理において
よく実施されるように、履歴データがリアルタイムで収
集される場合、異常故障率が認められると（すなわち、
プロセスが制御できなくなるか、あるいは、非定常状態
になる場合）、警報を生じさせることが可能である。

【００４５】履歴ベース及びモデルベースの診断は、そ
れぞれ、それに有利ないくつかの要素を備えているが、
組み合わせたシステムは、上述の利点をほぼ全て備え、
全く欠点がない。さらに、厳密に統合されたシステムの
場合、２つの独立した診断手段を備えることによって、
追加信頼標識が得られる。履歴ベース診断とモデルベー
ス診断が、最も可能性の高い不合格原因に関して一致す
る場合、例えば、これが正しい診断である可能性の信頼
度は、いずれか単独のシステムの場合よりも高い。特定
のシンドロームに関して履歴データが得られない場合、
モデルベースの診断を頼みにすることが可能である。最
後に、履歴ベース診断とモデルベース診断の両方を利用
することが可能であるが、一致しない場合、統計資料が
充実していて、まだプロセスの制御が利いていれば、一
般に、履歴診断のほうが信頼性が高い。

【００４６】ユーザが、既に履歴データを利用可能なＵ
ＵＴのためにモデルベースのシステムを構成したいとい
う場合、もう１つの利点が生じる。例えば、ユーザが、
既に生産中のラインにモデルベースの診断を加えたい場
合がある。この場合、履歴データベースを利用して、モ
デルの構成をガイドまたはチェックすることが可能であ
る。例えば、データベースから全て単一コンポーネント
のＴＦＣを抽出し、故障コンポーネントによってその構
成を行ったものと仮定する。例えば、ＴＦＣコンポーネ
ントＣ１に関連したシンドロームについて詳述すること
にする。これらのシンドロームで不合格になる試験は、
それぞれ、Ｃ１のある網羅度を有していなければならな
い。同様に、Ｃ１がＴＦＣの場合に必ず合格する試験
は、Ｃ１の網羅度が高いとはいえない（それが禁じられ
ているわけではないが）。自動デバッギングによって示
唆される変更は、このタイプの発見的手法を用いて、履
歴データと照合して分析することが可能である。

【００４７】以下、本発明の実施の形態を要約して挙げ
る。

【００４８】１．試験セット及びモデルを含むモデル
ベース試験システムに対する改良点を識別する方法にお
いて、前記試験セットに対する改良点を自動的に識別す
る第１の工程と、前記モデルに対する改良点を自動的に
識別する第２の工程と、前記第１の工程及び第２の工程
において識別された改良点を出力する出力工程とから構
成されるモデルベース診断システムの自動分析方法。

【００４９】２．前記第１の工程に、さらに、故障の
検出が不可能なコンポーネントを識別する工程を含むこ
とを特徴とする上記１記載のモデルベース診断システム
の自動分析方法。

【００５０】３．前記第１の工程に、さらに、試験に
よって試用されないコンポーネントを識別する工程を含
む上記２記載のモデルベース診断システムの自動分析方
法。

【００５１】４．前記第１の工程に、さらに、所定の
判定基準からして試用が不十分なコンポーネントを識別
する工程を含む上記２記載のモデルベース診断システム
の自動分析方法。

【００５２】５．前記第１の工程に、さらに、一方の
コンポーネントと他方のコンポーネントとを弁別するこ
とができないコンポーネント対を識別する工程を含む上
記１記載のモデルベース診断システムの自動分析方法。

【００５３】６．前記第１の工程に、さらに、全ての
試験の同一操作で試用されるコンポーネントのセットを
識別する工程を含む上記５記載のモデルベース診断シス
テムの自動分析方法。

【００５４】７．前記第１の工程に、さらに、一方の
コンポーネントと他方のコンポーネントとの弁別が不可
能なコンポーネント対を識別する工程を含む上記１記載
のモデルベース診断システムの自動分析方法。

【００５５】８．モデルベースの診断システムが、１
組の不合格試験の原因として、真の不合格原因コンポー
ネントを識別する代わりに、１組の不合格試験の原因と
して、特定の１組のコンポーネントを誤って識別した場
合、前記第２の工程に、さらに、識別誤りを生じさせる
可能性のあるモデル化エラーを識別する工程を含む上記
１記載のモデルベース診断システムの自動分析方法。

【００５６】９．前記第２の工程に、さらに、１組の
不合格試験で試用されていない真の不合格原因のコンポ
ーネントを識別する工程を含む上記８記載のモデルベー
ス診断システムの自動分析方法。

【００５７】１０．前記第２の工程に、さらに、特定
の１組のコンポーネントに関する利用率感度分析を実施
する工程を含む上記８記載のモデルベース診断システム
の自動分析方法。

【００５８】１１．前記第２の工程に、さらに、操作
違反を修正することによって、識別誤りを変更する方法
を識別する工程を含む上記８記載のモデルベース診断シ
ステムの自動分析方法。

【００５９】

【発明の効果】以上述べたように本発明は、試験セット
及びモデルを含むモデルベース試験システムに対する改
良点を識別する方法において、試験セットに対する改良
点を自動的に識別し、モデルに対する改良点を自動的に
識別し、識別された改良点を出力するように構成したの
で、機能試験から不合格原因の自動診断を行うシステム
において、試験セットの問題及び可能性のあるモデル化
問題の自動識別を向上させることができる。

【図面の簡単な説明】

【図１】本発明の実施の形態の自動分析を含む試験シス
テム及び関連環境の機能構成図である。

【図２】図１に示す試験セットの分析をさらに詳細に示
す機能構成図である。

【図３】図１に示すデバッグに関してさらに詳細に示す
機能構成図である。

【符号の説明】

１００試験システム１０１試験セット１０２試験ユニット（UUT）１０４試験結果１０６モデルべース診断システム１０８モデル１１０診断結果１１２修理部１１４不合格原因（TFC）１１６分析１１８問題識別部１２０自動モデルデバッグ部１２２変更指示部１２４シミュレーションデータ１２６履歴データ

Claims

【特許請求の範囲】

【請求項１】試験セット及びモデルを含むモデルベー
ス試験システムに対する改良点を識別する方法におい
て、前記試験セットに対する改良点を自動的に識別する第１
の工程と、前記モデルに対する改良点を自動的に識別する第２の工
程と、前記第１の工程及び第２の工程において識別された改良
点を出力する出力工程とから構成されることを特徴とす
るモデルベース診断システムの自動分析方法。