WO2023002897A1 - 故障部位・交換用部品推定システム、方法、及び、プログラム - Google Patents

故障部位・交換用部品推定システム、方法、及び、プログラム Download PDF

Info

Publication number
WO2023002897A1
WO2023002897A1 PCT/JP2022/027558 JP2022027558W WO2023002897A1 WO 2023002897 A1 WO2023002897 A1 WO 2023002897A1 JP 2022027558 W JP2022027558 W JP 2022027558W WO 2023002897 A1 WO2023002897 A1 WO 2023002897A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
failure
unit
equipment
replacement
Prior art date
Application number
PCT/JP2022/027558
Other languages
English (en)
French (fr)
Inventor
智晴 中野
耀喬 田中
和範 山形
高治 鎌腰
Original Assignee
三菱電機株式会社
三菱電機メカトロニクスエンジニアリング株式会社
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 三菱電機株式会社, 三菱電機メカトロニクスエンジニアリング株式会社 filed Critical 三菱電機株式会社
Priority to JP2023536707A priority Critical patent/JPWO2023002897A1/ja
Priority to CN202280046843.8A priority patent/CN117651962A/zh
Publication of WO2023002897A1 publication Critical patent/WO2023002897A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management

Definitions

  • the present disclosure relates to a failure site/replacement part estimation system, method, and program.
  • Equipment repair often requires the replacement of parts. If the equipment to be repaired is installed at the customer's factory, research institute, etc., the customer will contact the call center to inquire about the failure status of the equipment, and the call center representative will determine the cause of the equipment failure and replace it based on the information. There are many cases in which the parts used are guessed. However, estimating the cause of failure and replacement parts requires not only high-level expertise but also extensive experience. For this reason, depending on the skill level of the call center staff, there is a possibility that the estimation of the cause of the failure and replacement parts may be inaccurate. Therefore, for example, in Patent Literature 1, candidates for replacement parts are estimated by registering in advance information that associates failure details, repair methods, and replacement parts that may be used for repair. A repair replacement part ordering system is described.
  • the present disclosure has been made to solve the above-mentioned problems, and provides a failure site/replacement part estimation system, method, and program capable of estimating failure sites and replacement parts with high accuracy. With the goal.
  • the failure site/replacement part estimation system includes a terminal device and a server.
  • the terminal device includes a failure status input unit for inputting customer information data including information on the delivered equipment and information on the customer to whom the equipment was delivered, and equipment status data including the failure status of the equipment.
  • the server includes a failure part estimation unit for estimating the failure part of the equipment based on the customer information data, the equipment status data, and the equipment information data including the equipment model, and the failure part estimated by the failure part estimation part. and a replacement parts search unit for searching data of candidates for replacement parts according to the parts category searched by the parts category search unit.
  • failure part/replacement part estimation system capable of accurately estimating a failure part and a replacement part based on data such as customer information, equipment information, and equipment status.
  • FIG. 4 is a diagram showing an outline of a learning unit of the server according to Embodiment 1;
  • FIG. 3 is a diagram showing an overview of a failure part estimation unit of the server according to Embodiment 1;
  • FIG. 4 is a diagram showing an outline of a component category search unit of the server according to the first embodiment;
  • FIG. 2 is a diagram showing an outline of a replacement part search unit of the server according to the first embodiment;
  • FIG. 3 is a diagram showing an overview of a past case search unit of the server according to the first embodiment;
  • FIG. 4 shows a table of device master data according to the first embodiment;
  • a diagram showing a table of construction report master data according to the first embodiment A diagram showing a continuation of the table of the construction report master data shown in FIG. 11A
  • FIG. 4 shows a table of document data according to the first embodiment;
  • a diagram showing an example of a word conversion table according to the first embodiment A diagram showing an example of component master data according to the first embodiment.
  • FIG. 4 shows a procedure for generating a word conversion table according to Embodiment 1;
  • FIG. 4 shows a procedure for generating a word conversion table according to Embodiment 1;
  • FIG. 4 shows a procedure for generating a word conversion table according to Embodiment 1;
  • FIG. 4 shows a procedure for generating a word conversion table according to Embodiment 1;
  • 1 is a diagram showing an outline of a neural network according to Embodiment 1;
  • FIG. FIG. 1 shows an example of a hardware configuration of a server according to Embodiment 1;
  • FIG. 1 shows an example of a hardware configuration of a terminal device according to Embodiment 1;
  • Flowchart of learning processing according to Embodiment 1 Flowchart of acquisition processing of learning basic data in learning processing shown in FIG. Flowchart of word conversion processing in learning processing shown in FIG. Flowchart of processing for generating learning data in the learning processing shown in FIG. Flowchart of learned model generation processing in the learning processing shown in FIG.
  • FIG. 10 is a diagram showing an outline of a learning unit of a server according to Embodiment 3; FIG.
  • FIG. 10 is a diagram showing an overview of a failure part estimation unit of a server according to Embodiment 3; A diagram showing a table of device operation status data according to the third embodiment A diagram showing a table of abnormality determination data according to the third embodiment Flowchart of device operation status data generation processing according to the third embodiment Flowchart of abnormality determination data generation processing according to the third embodiment
  • Embodiment 1 A faulty part/replacement part estimation system 100 according to Embodiment 1 of the present disclosure will be described below with reference to the drawings.
  • symbol is attached
  • the failure part/replacement part estimation system 100 learns data such as customer information, equipment information, and equipment status to which the equipment is delivered, generates a learning model for estimating the failure part, and generates a learning model. It is a device that can estimate a failure part using a learning model and estimate a replacement part according to the estimated failure part.
  • FIG. 1 shows an overview of the failure part/replacement part estimation system 100.
  • FIG. A failure part/replacement part estimation system 100 includes a server 1 having a function of learning and estimating a failure part, and a terminal device for presenting a replacement part estimated based on customer information, equipment status, etc. 2.
  • the server 1 and terminal device 2 are interconnected by a network 3 .
  • the terminal device 2 is installed in a call center, and the person in charge of reception inputs the customer's information, the failure status of the equipment contacted by the customer, etc., and presents the estimated failure part and replacement parts. be able to.
  • the server 1 includes a learning unit 11 that generates a learning model for estimating a failure location, a failure location estimation unit 12 that estimates a failure location, and a parts category search unit 13 that roughly identifies replacement parts according to the failure location. , a replacement part retrieval unit 14 for retrieving replacement part candidates, a past case retrieval unit 15 for retrieving past failure cases, and a storage unit 16 for storing various data.
  • the learning unit 11 learns data such as the customer information of the customer who delivered the equipment, the equipment information, the condition of the equipment, etc., and generates a learning model for estimating the failure part.
  • the failure part estimator 12 uses the learning model generated by the learning part 11 to estimate the failure part.
  • the part category search unit 13 searches the screen of the terminal device 2 for a part category for roughly specifying a replacement part according to the failure part selected by the receptionist of the call center.
  • a parts category refers to a classification name of a parts group including old parts that are no longer available and currently available parts. By confirming the parts category, the receptionist at the call center can roughly identify replacement parts based on the classification name of the parts group.
  • the replacement part search unit 14 searches for replacement part candidates on the screen of the terminal device 2 according to the failure site and part category selected by the call center receptionist.
  • the past case search unit 15 searches for past failure cases on the screen of the terminal device 2 according to the failure site, parts category, and replacement parts selected by the receptionist of the call center.
  • the terminal device 2 has a failure status input section 21 for inputting customer information of the customer who delivered the equipment, the status of the equipment, etc., a failure part display part 22 for displaying the failure part of the equipment, and a part category of replacement parts. , a replacement part display section 24 that displays candidates for replacement parts, and a past case display section 25 that displays past failure cases.
  • the display screen includes a failure status input section 21 for inputting various types of information, a failure site display section 22 for displaying the failure site of the equipment, a parts category display section 23 for displaying the parts category of replacement parts, and a replacement and a replacement part display section 24 for displaying part candidates.
  • the failure status input section 21 includes a customer information input field 211 for inputting customer information of the customer to whom the device was delivered, a reception number field 212 for inputting the reception number of the call center, and a failure status for inputting the failure status of the device. It has an input field 213 and a failure part estimation button 214 for estimating a failure part.
  • the customer information input field 211 includes a customer ID (Identification) for uniquely specifying the device owned by the customer, the installation date of the device, the model name, the model classification, the control device for entering the type of the device control device, Various input fields are included for entering the power supply type and software version.
  • Various types of information such as the installation date, model, control device, etc. of the equipment may be directly input by the person in charge of reception at the call center, or may be stored in the customer master 161 and the equipment master 162 stored in the storage unit 16, which will be described later.
  • the included data may be used for automatic input.
  • the reception number column 212 is an input field for the receptionist of the call center to enter the reception number when receiving an inquiry from the customer.
  • the receipt number is a number predetermined within the manufacturer and a number attached based on naming rules.
  • the failure status input field 213 is an input field for inputting the failure status of the device obtained by hearing from the customer by the receptionist of the call center.
  • the failure part estimation button 214 is a button for executing the process of the failure part estimation unit 12 shown in FIG. Specifically, after all the items in the failure status input section 21 are filled in, the receptionist of the call center presses the failure part estimation button 214 . As a result, the processing of the failure part estimation unit 12 of the server 1 shown in FIG. 1 is executed.
  • the failure part display unit 22 includes an estimation result display part 221 that displays the failure part estimated by the estimation processing part 123 of the server 1, which will be described later, and a parts category display button 222 for displaying parts categories.
  • the estimation result display unit 221 displays the estimation result estimated by the estimation processing unit 123 of the server 1 shown in FIG.
  • the estimation result displays each estimated failure part in order of probability.
  • Each failure site is provided with a check box. The receptionist at the call center puts a check in the check box of the presumed failure part based on the state of the device and the estimation result of the failure part obtained from the customer.
  • the parts category display button 222 is a button for causing the parts category search unit 13 of the server 1 shown in FIG. 1 to search for parts categories of replacement parts and displaying the search results. Specifically, the call center receptionist puts a check in the check box of the failure part displayed in the estimation result display section 221 and presses the parts category display button 222 . As a result, the processing of the parts category search unit 13 of the server 1 shown in FIG. 1 is executed.
  • the parts category display unit 23 includes a parts category search result display unit 231 for displaying the parts category search results searched by the parts category search unit 13 of the server 1 shown in FIG. and a display button 232 .
  • the parts category search result display unit 231 displays the parts category search results searched by the parts category search unit 13 of the server 1 shown in FIG. Display in descending order of tally.
  • Each component category is provided with a check box.
  • the receptionist at the call center puts a check in the check box of the presumed parts category based on the status of the device heard from the customer, the failure part shown in the presumed result display section 221, and the parts category search result.
  • the replacement part display button 232 is a button for causing the replacement part search unit 14 of the server 1 shown in FIG. 1 to search for replacement parts and displaying the search results. Specifically, the call center receptionist puts a check in the check box of the parts category displayed in the parts category search result display section 231 and presses the replacement parts display button 232 . As a result, the processing of the parts category search unit 13 of the server 1 shown in FIG. 1 is executed.
  • the replacement parts display unit 24 includes a replacement parts search result display unit 241 for displaying replacement parts searched by the replacement parts search unit 14 of the server 1 shown in FIG. and a past case display button 242 .
  • the replacement part search result display unit 241 displays the search results of the replacement parts searched by the replacement part search unit 14 as the failure parts checked by the estimation result display unit 221 and the parts category search result display unit 231. For each part category, display in descending order of aggregation in the search. Each replacement part is provided with a check box. The receptionist at the call center selects an estimated replacement part based on the status of the equipment received from the customer, the failure part displayed in the estimation result display section 221, the parts category search result, and the replacement part search result. check the check box.
  • the past case display button 242 is a button for causing the past case search unit 15 of the server 1 shown in FIG. 1 to search for past failure cases and displaying the search results. Specifically, the call center receptionist puts a check in the check box of the replacement part displayed in the replacement part search result display section 241 and presses the past example display button 242 . As a result, the processing of the past case search unit 15 of the server 1 shown in FIG. 1 is executed.
  • the past case search unit 15 of the server 1 causes the past case display unit 25 of the terminal device 2 shown in FIG. 1 to display the search results on the display screen of the terminal device 2.
  • FIG. 3 shows a past case search result display 251 in which past failure case search results are displayed on the display screen of the terminal device 2 .
  • the past case search result display 251 includes, as display items, a report number, a phenomenon caused by the failure, the cause of the failure, measures to resolve the failure, and replacement parts.
  • FIG. 4 is a diagram showing the configuration of the learning unit 11.
  • the learning unit 11 includes a learning basic data acquisition unit 111 that acquires various types of data serving as the basis for learning, a word conversion unit 112 that converts words contained in a document into numerical values, and a learning data generation unit that generates learning data. It includes a unit 113 and a trained model generation unit 114 that generates a learning model.
  • the basic data acquisition unit 111 for learning acquires various data serving as the basis for learning from a customer master 161, an equipment master 162, and a construction report master 163 stored in the storage unit 16, which will be described later. and generate basic data for learning.
  • the word conversion unit 112 generates a document from the document data 165 stored in the storage unit 16, which will be described later, and divides sentences included in the document into words.
  • the word conversion unit 112 then generates a word conversion table 164 for converting each word into a numerical value.
  • the word conversion unit 112 stores the generated word conversion table 164 in the storage unit 16 .
  • the learning data generation unit 113 acquires the learning basic data generated by the learning basic data acquisition unit 111 and the word conversion table 164 generated by the word conversion unit 112, and generates learning data.
  • the trained model generation unit 114 causes the neural network to learn the training data to generate a trained model 166 .
  • the learned model generation unit 114 stores the generated learned model 166 in the storage unit 16 . Details of the learning in the trained model generation unit 114 will be described later.
  • FIG. 5 shows an overview of the failure part estimation unit 12 of the server 1 shown in FIG.
  • the failure part estimation unit 12 includes an estimation basic data acquisition unit 121 that acquires various data input to the failure condition input unit 21 of the terminal device 2, an estimation data generation unit 122 that generates estimation data, and a failure part estimation unit 122. and an estimation processing unit 123 for estimating .
  • the estimation basic data acquisition unit 121 acquires various data such as device information and device status input by the receptionist of the call center to the failure status input unit 21 shown in FIG. 2 as estimation basic data.
  • the estimation data generation unit 122 generates estimation data using the estimation basic data acquired by the estimation basic data acquisition unit 121 and the word conversion table 164 stored in the storage unit 16 .
  • the estimation processing unit 123 acquires the trained model 166 stored in the storage unit 16 and sets the trained model 166 in the constructed neural network.
  • the estimation processing unit 123 inputs the estimation data generated by the estimation data generation unit 122 to the neural network, and estimates the failure part of the device.
  • the estimation processing unit 123 determines the estimated failure part of the device. It is displayed on the failure site display section 22 of the terminal device 2 .
  • FIG. 6 is a diagram showing an overview of the parts category search unit 13 of the server 1 shown in FIG.
  • the parts category search unit 13 retrieves various data such as device information and device status input from the terminal device 2 by the receptionist of the call center to the failure status input unit 21 shown in FIG. Of the failure parts displayed in the estimation result display section 221 of the part display section 22, the data of the failure parts whose check boxes are checked are acquired. Subsequently, the parts category search unit 13 acquires the data of the parts master 167 and the construction report master 163 stored in the storage unit 16 . The parts category search unit 13 searches parts categories using the acquired various data, and causes the parts category display unit 23 of the terminal device 2 to display the search results.
  • FIG. 7 shows an outline of the replacement part search unit 14.
  • the replacement part search unit 14 acquires from the terminal device 2 various data such as the device information and the state of the device input by the receptionist of the call center to the failure status input unit 21 shown in FIG. Furthermore, the replacement part search unit 14 checks the check boxes of the failure parts displayed in the estimation result display unit 221 of the failure part display unit 22 shown in FIG. , and the product category data whose checkboxes are checked among the component categories displayed in the component category search result display section 231 of the component category display section 23 are obtained.
  • the replacement part search unit 14 acquires the data of the parts master 167 and the construction report master 163 stored in the storage unit 16 .
  • the replacement part search unit 14 searches for replacement parts using the acquired data, and causes the replacement part display unit 24 of the terminal device 2 to display the search results.
  • FIG. 8 is a diagram showing an overview of the past case search unit 15.
  • the past case search unit 15 acquires from the terminal device 2 various data such as the device information and the state of the device input by the receptionist of the call center to the failure situation input unit 21 shown in FIG. Further, the past case search unit 15 allows the receptionist of the call center to check the check boxes of the failure parts displayed in the estimation result display unit 221 of the failure part display unit 22 shown in FIG.
  • the past case search unit 15 acquires the data of the construction report master 163 stored in the storage unit 16.
  • the past case search unit 15 searches for past failure cases using the acquired data, and causes the past case display unit 25 of the terminal device 2 to display the search results.
  • FIG. 9 shows a table of the customer master 161.
  • the customer master 161 is data that uniquely associates a combination of the customer who delivered the device with the data on the purchased device.
  • the customer master 161 includes a customer ID indicating the customer who delivered the equipment, the model indicating the model name of the equipment, the date of installation indicating the date when the equipment was installed at the customer, and the control device incorporated in the equipment. , includes items of power supply indicating the model name of the power supply unit incorporated in the equipment and software incorporated in the equipment.
  • the model is “AB”
  • the installation date is “2017/12/16”
  • the controller is "CT789”
  • the power supply is "VA3456”
  • the software is "SA689”. ” is linked.
  • the device master 162 includes the model indicating the model name of the device and the model classification of the device.
  • the device model classification is an item for inputting the realization method for realizing the function of the device. For example, motor type, electric type, etc. are described in the equipment model category. For example, as shown in FIG. 10, in the case of model "AB", "motor type” is entered as the model category of the device.
  • FIGS. 11A and 11B A table of the construction report master 163 is shown in FIGS. 11A and 11B.
  • the construction report master 163 is a table for recording the equipment status, inspection and repair means, etc. when an engineer inspects and repairs malfunctions, abnormalities, and failures that occur in the equipment.
  • the construction report master 163 includes a plurality of items, the items being the report number, the customer ID of the customer who delivered the equipment, the model indicating the model name of the equipment, and the inspection or repair performed.
  • the date and time of the repair, the date and time of the failure of the equipment, the phenomenon that is the status of the equipment such as malfunction or abnormality, the cause that caused the phenomenon, the countermeasures taken by the engineer, and the failure that is the code representing the failure part are a part major classification, a failure part minor classification, and a part code representing a part code for a replacement part.
  • the contents of the items of phenomenon, cause, and action are written in natural language.
  • the failure part major classification and the failure part minor classification represent the failure part by combining the codes input to both.
  • the failure part major classification is a system in which parts of equipment are classified, for example, each system such as a mechanical control system and an electrical control system.
  • the failure part minor classification is a specific name of the part of the device. For example, system items such as “machine control system” and “power supply system” are set as failure part major classifications, and component items such as “servo amplifiers” and “power wiring cables” are set as failure part minor classifications.
  • numerical values corresponding to each item are set for the system item of the failure part major classification and the part item of the failure part minor classification. For example, if the system item of the failure part major classification is "machine control system”, “1" is set as the code, and if the system item is “power supply system”, “2" is set as the code. be done. Further, for example, if the component item of the failure part minor classification is "servo amplifier”, the code is set to "5", and if the component item is "power distribution cable”, the code is set to "4". ” is set. It should be noted that the numerical values of the codes corresponding to each item of the failure part major classification and the failure part minor classification are arbitrarily set values.
  • the document data 165 includes a document number indicating a document number and a document content item, which is a sentence about the device.
  • the text described in the document content item is written in natural language.
  • data of various sentences indicating how arbitrary words are used in the maintenance and inspection work of equipment are input.
  • the text data is configured using documents such as equipment construction history, call center response history, and equipment instruction manuals, for example.
  • FIG. 13 is a table of the word conversion table 164.
  • the word conversion table 164 includes items of words and vectors indicated by the words.
  • a vector indicated by a word contains data for the number of dimensions of the vector. Details of generation of the word conversion table 164 will be described later.
  • FIG. 14 is a table of the parts master 167. As shown in FIG.
  • the parts master 167 includes items of a parts code, which is a code assigned to a part, a part name, and a parts category obtained by categorizing the parts.
  • the sentence data described in the document contents item included in the table of the document data 165 shown in FIG. 12 is converted into the words shown in FIG. Used to generate conversion table 164 .
  • the word conversion table 164 is generated using word vectors obtained from hidden layer weights of a neural network that processes text. Processing of the word conversion unit 112 will be described below with reference to FIGS. 15 and 16.
  • FIG. The word conversion unit 112 acquires the text data described in the document contents item from the table of the document data 165 shown in FIG. 12, and performs morphological analysis processing for dividing the data into morphemes.
  • the word conversion unit 112 converts the document content data of the document number "1" in the document data 165 shown in FIG. . . ” is acquired and divided into morphemes. Specifically, the word conversion unit 112 converts the text "device A has a lever in front of the operation screen" into “device", "A”, "wa”, "operation screen", Each word is divided into ⁇ no'', ⁇ before'', ⁇ ni'', ⁇ lever'', ⁇ ga'', ⁇ aru'', and ⁇ so''. Note that when a sentence contains punctuation marks, the punctuation marks are divided as one word. Also, if there are duplicate words, combine them into one.
  • a neural network that processes text cannot directly process the text itself, that is, the word itself.
  • One method of converting to a fixed-length vector is to convert a character string to a one-hot vector.
  • a one-hot vector is a vector in which only one of the elements of the vector is '1' and the rest are all '0'.
  • a vector having elements corresponding to the number of morphemes into which the sentence is divided is prepared, and "1" is assigned to different vector elements for each morpheme.
  • the words “equipment”, “A”, “wa”, “operation screen”, “no”, “front”, “ni”, and “lever” divided into words by the word conversion unit 112 are displayed.
  • "ga”, "aru” and “because” are eleven. Therefore, each word is transformed into a one-hot vector with 11 elements.
  • the “operation screen” the first element is “1” and the rest are “0".
  • the second element is "1” and the rest is "0". Subsequently, all morphemes are converted into one-hot vectors in order.
  • the neural network learns the probabilities of surrounding words for an arbitrary word by so-called supervised learning.
  • This peripheral word means a word arranged immediately before or after an arbitrary word.
  • the neural network learns by adjusting the weights W1 and W2 so that an arbitrary word is input to the input layer and the result output from the output layer approaches the word's surrounding words.
  • Words input to the input layer of the neural network are input in the form of one-hot vectors. Specifically, each element of the one-hot vector is input to each neuron of the input layer. For example, as shown in FIG. 16, when “equipment” is input to the input layer, the one-hot vector "10000000000” with the first element being “1” and the rest being “0” shown in FIG. , is input to each neuron in the input layer.
  • the document content data of document number "1" shown in FIG. 12 is "because device A has a lever in front of the operation screen".
  • the word immediately before and after "equipment", that is, the peripheral word is "A”.
  • the neural network adjusts the weights W1 and W2 so as to maximize the probability that "A” appears in the output layer when "equipment” is input to the input layer.
  • the hidden layer weights of the neural network are matrices, which can be word vectors for digitizing words.
  • the word vector corresponding to each word can be extracted by multiplying the hidden layer weight of the neural network with the one-hot vector of each word.
  • the row of the weight matrix corresponding to 1 in the one-hot vector can be extracted.
  • the row of the weight matrix corresponding to 1 of the one-hot vector of the word "equipment” is "12 28 . . . 34". Therefore, "12 28 . . . 34" is the word vector of the word "equipment”.
  • the morpheme "equipment" appears in the subsequent sentences included in the document content data of document number "1" shown in FIG. After that, all the words appearing in the document content data are learned, and the weight W1 of the intermediate layer is calculated. Each row of the intermediate layer weight W1 becomes a word vector of each morpheme.
  • the word vectors are associated with the words and stored as the word conversion table 164 shown in FIG. 13 in the storage unit 16 of the server 1 shown in FIG.
  • the various data acquired from the storage unit 16 by the learning basic data acquisition unit 111 are converted into a word conversion table 164 stored in the storage unit 16 by the learning data generation unit 113 . to generate learning data.
  • the learning data generating unit 113 divides the basic learning data acquired by the learning basic data acquiring unit 111 into morphemes, and uses the word conversion table 164 for each morpheme. Convert to word vector.
  • model A can be expressed as (1, 0, 0), model B as (0, 1, 0), and model C as (0, 0, 1).
  • the installation date data is the result of calculating the number of days that have passed since the installation date using the construction date also included in the basic data for learning.
  • the learning data generation unit 113 acquires the data of the construction date entered in the table of the construction report master 163 shown in FIG. 11A.
  • the learning data generation unit 113 subtracts the installation date data of the equipment entered in the table of the customer master 161 shown in FIG. 9 from the date of the acquired construction date data. This subtracted value is the number of days that have passed since the equipment was installed.
  • the elapsed days shall be represented by a decimal number.
  • the learning data generation unit 113 connects the numerical data of customer information, equipment information, and equipment status with the data of the first failure part classification and the second failure part classification to generate learning data. do.
  • the learning data generation unit 113 inputs the generated learning data to the learned model generation unit 114 of the learning unit 11 shown in FIG.
  • the trained model generation unit 114 causes the neural network built therein to learn the training data, and generates the weights of the intermediate layer and the output layer as the trained model 166 .
  • the learned model generation unit 114 saves the learned model 166 in the storage unit 16 .
  • the trained model generating unit 114 generates a one-hot vector having an element of the type of equipment, which is the equipment information, among the learning data in the input layer of the neural network built in itself, Enter the data that concatenates the number of days that the device was used and the sentence vector that represents the state of the device. Note that this connected data is hereinafter referred to as learning input data. Also, the trained model generation unit 114 sets the failure part classification in the learning data as a one-hot vector having elements of the total number of failure part classifications in the output layer of the neural network.
  • FIG. 18 shows a neural network constructed in the trained model generation unit 114.
  • a neural network consists of an input layer, an intermediate layer, and an output layer containing a plurality of neurons.
  • the intermediate layer is one layer.
  • the values are multiplied by weights W 11 to W nm to obtain the intermediate layers Y 1 to Y input to m .
  • the results input to the intermediate layers Y 1 to Y m are further multiplied by weights V 11 to V km and output from the output layers Z 1 to Z k .
  • the output results from the output layers Z 1 -Z k depend on the values of the weights W 11 -W nm and the weights V 11 -V km .
  • n and k are integers of 4 or more
  • m is an integer of 3 or more.
  • the results output from the output layers Z 1 to Z k are failures of the learning data.
  • the weights W 11 to W nm and the weights V 11 to V km are adjusted so as to approach the part classification data. Adjusting the weights W 11 to W nm and the weights V 11 to V km is learning in the neural network. The weights W 11 to W nm and the weights V 11 to V km are updated using, for example, the Back Propagation method. Also, hereinafter, adjusting the weights W 11 to W nm and the weights V 11 to V km is referred to as learning in the trained model generation unit 114 .
  • Trained model generation unit 114 stores adjusted weights W 11 to W nm and weights V 11 to V km as trained model 166 in storage unit 16 shown in FIG.
  • the estimation processing unit 123 of the failure part estimation unit 12 shown in FIG. 5 reads out the trained model 166 stored in the storage unit 16 and sets it in the neural network constructed by itself. Specifically, weights W 11 to W nm and weights V 11 to V km , which are trained models 166, are set in the neural network. As a result, the neural network built in the estimation processing unit 123 has a one-hot vector having an element of the model type as device information, the number of days elapsed since the installation date, etc. in each neuron of the input layers X 1 to X n . are input, it is possible to output from the output layers Z 1 to Z k the failure part classification data that is most relevant to the input content.
  • the failure part classification is classified into the first failure part classification, the second failure part classification, etc. in terms of the equipment structure, and learning is performed separately for each classified failure part classification.
  • a one-hot vector having an element of the model type as device information, the number of days since the installation date, and a text vector representing the state of the device are connected. Data is entered.
  • a one-hot vector having elements for all types included in the first failure part classification is set. This creates a trained model for estimating the first failure part classification.
  • a trained model for estimating the first failure part classification is generated for all learning data. Then, data for all types included in the first failure part classification is divided into data for each type, and a trained model for estimating the second failure part classification for each type of data is created.
  • first failure part classifications there are nine types of first failure part classifications, A1, A2, . . . A9.
  • all nine types of the first failure part classification are set in the output layer, and a trained model for estimating the first failure part classification is created.
  • a one-hot vector having an element of the model type that is device information, a sentence vector representing the number of days since the installation date, and the state of the device are input.
  • the data included in A1 of the first failure part classification is collected, and the one-hot vector of the second failure part classification is set in the output layer.
  • the data included in A1 of the first failure part classification is collected, and the one-hot vector of the second failure part classification is set in the output layer.
  • "1" of "major classification of failure part” includes nine classifications A1, A2, . . . A9. In this case, if there are 50 cases of "A1" data, 50 cases of "A1" data are collected.
  • a one-hot vector having elements of the collected "A1" data is generated and set in the output layer of the neural network.
  • a "learned model for estimating the second failure part classification in the case of A1 of the first failure part classification” is generated.
  • the above procedure is performed for all first failure part classifications up to A9 to create a total of 10 trained models.
  • the learned model for estimating the second failure part classification corresponding to the failure part classification with the highest probability among the estimations made by the first failure part classification is operated.
  • the first failure part classification is estimated as the failure part major classification in a state in which the correct failure part large classification and failure part minor classification are not known. Assume that the estimation result is 50% for classification A1, 20% for classification A2, and 10% for classification A3, which are included in the first failure part classification.
  • a trained model for estimating the second failure part classification included in the classification A1 with the highest probability is selected and used. In this way, it is possible to estimate the second failure part classification included in the failure part large classification having the highest probability among the estimated first failure part classifications, that is, the failure part small classification.
  • Each function executed by the server 1 and the terminal device 2 of the failure part/replacement part estimation system 100 shown in FIG. 1 is a function realized by software.
  • the learning processing program is software that executes processing for realizing each function of the learning unit 11 of the server 1 .
  • software for executing processing for realizing each function of the failure part estimation unit 12, the parts category search unit 13, the replacement parts search unit 14, and the past case search unit 15 of the server 1 is assumed to be a parts estimation processing program.
  • FIG. 19 shows an example of the hardware configuration of the server 1 for executing the learning processing program and the parts estimation processing program.
  • the server 1 includes a storage device 101 for storing various programs and various data, a connection unit 102 for connecting to the terminal device 2, a memory 103 for developing various programs, and a processor 104 for executing various programs.
  • Storage device 101 , connection unit 102 , memory 103 , and processor 104 are interconnected via data bus 105 .
  • the storage device 101 is a device that functions as the storage unit 16 shown in FIG.
  • the storage device 101 stores various programs to be executed by the processor 104 and various data such as the customer master 161, the equipment master 162, and the construction report master 163 shown in FIGS.
  • the storage device 101 can be configured using a storage device such as an HDD (Hard Disk Drive) or an SSD (Solid State Drive).
  • the connection unit 102 is a connection port that can be connected to the terminal device 2 .
  • the connection unit 102 functions as the network 3 shown in FIG.
  • the connection unit 102 can be configured using various ports to which equipment can be connected, such as a USB (Universal Serial Bus) port and an IEEE1394 port.
  • USB Universal Serial Bus
  • the memory 103 is a device for expanding various programs stored in the storage device 101 .
  • the memory 103 can be configured using storage elements and storage media such as RAM (Random Access Memory), volatile or nonvolatile semiconductor memory such as flash memory, for example.
  • RAM Random Access Memory
  • volatile or nonvolatile semiconductor memory such as flash memory
  • the processor 104 reads various programs stored in the storage device 101, develops them in the memory 103, and executes them.
  • the processor 104 can be configured using a processing device such as a CPU (Central Processing Unit) or an MPU (Micro-processing Unit).
  • the terminal device 2 displays the failure status input section 21 shown in FIG. 2, the failure site display section 22 that displays the failure site of the device, and the like on the display screen.
  • various functions such as a function of displaying various information on the display screen of the terminal device 2 and a function of receiving data input to the failure status input unit 21 by the receptionist of the call center are realized.
  • a display control program is software that executes the processing for FIG. 20 shows an example of the hardware configuration of the terminal device 2 for executing the display control program.
  • the terminal device 2 includes a storage device 201 for storing various programs and various data, a connection unit 202 for connecting to the server 1, an input device 203 for receiving input of various data, and a display device 204 for displaying various data. , a display controller 205 for generating display data to be displayed on the display device 204, a memory 206 for expanding various programs, and a processor 207 for executing various programs.
  • Storage device 201 , connection unit 202 , input device 203 , display controller 205 , memory 206 and processor 207 are interconnected via data bus 208 .
  • the storage device 201 stores various programs to be executed by the processor 207 and display data such as images and characters to be displayed on the display device 204 .
  • the storage device 201 can be configured using a storage device such as an HDD (Hard Disk Drive) or an SSD (Solid State Drive).
  • the connection unit 202 is a connection port that can be connected to the server 1.
  • the connection unit 202 functions as the network 3 shown in FIG.
  • the connection unit 202 can be configured using various ports to which equipment can be connected, such as a USB (Universal Serial Bus) port and an IEEE1394 port.
  • USB Universal Serial Bus
  • the input device 203 is an input unit for the receptionist of the call center to input various data.
  • the input device 203 can be configured using, for example, a keyboard, mouse, touch panel, or the like.
  • the display device 204 displays a display screen including the failure status input section 21 and the failure site display section 22 shown in FIG. Also, the display device 204 displays various data input by the receptionist of the call center through the input device 203 .
  • the display device 204 can be configured using, for example, an LCD (Liquid Crystal Display), an organic EL (Electroluminescence) monitor, or the like.
  • the display controller 205 is a controller that outputs a video signal to the display device 204 to display display data including characters and images.
  • the display controller 205 can be configured using, for example, a video signal output device such as a video card, GPU (Graphics Processing Unit), or graphic board.
  • the memory 206 is a device for expanding various programs stored in the storage device 201 .
  • the memory 206 can be configured using storage elements and storage media such as RAM (Random Access Memory), volatile or non-volatile semiconductor memory such as flash memory, for example.
  • RAM Random Access Memory
  • volatile or non-volatile semiconductor memory such as flash memory
  • the processor 207 reads various programs stored in the storage device 201, develops them in the memory 206, and executes them.
  • the processor 207 can be configured using a processing device such as a CPU (Central Processing Unit) or MPU (Micro-processing Unit).
  • FIG. 21 The failure part/replacement part estimation system 100 first generates a trained model 166 in the learning unit 11 of the server 1 shown in FIG.
  • the processing performed by the learning unit 11 is stored in the storage unit 16 of the server 1 as a learning processing program.
  • the failure part/replacement part estimation system 100 causes the processor 104 of the server 1 shown in FIG. let it run.
  • the processing of the learning processing program will be described below with reference to the flow charts of FIGS. 21 to 25.
  • FIG. 21 to 25 The processing of the learning processing program will be described below with reference to the flow charts of FIGS. 21 to 25.
  • the learning basic data acquisition unit 111 acquires model classification data corresponding to the "model" acquired from the customer master 161 from the device master 162 (step S102).
  • the model classification data the model classification data corresponding to the model data obtained from the customer master 161 is obtained from the table of the equipment master 162 shown in FIG. Note that, hereinafter, the model data and the acquired model classification data are collectively referred to as device information data.
  • the learning basic data acquisition unit 111 acquires report number data, equipment model data, and equipment corresponding to the customer ID and model information acquired from the customer master 161 from the table of the construction report master 163 shown in FIGS. 11A and 11B. State data and failure part data are obtained (step S103).
  • the equipment status data is the data entered in the phenomenon item of the construction report master 163 .
  • the data of the failure part is the data of the item of the failure part major classification and the data of the item of the failure part minor classification of the construction report master 163 .
  • the learning basic data acquisition unit 111 acquires the acquired customer information data, equipment information data, equipment status data, and failure part data, and the report number data acquired from the construction report master 163 as a key. to generate learning basic data (step S104).
  • the learning basic data acquisition unit 111 stores the generated learning basic data in the storage unit 16 (step S105).
  • the word conversion unit 112 of the learning unit 11 shown in FIG. 4 executes word conversion processing (step S11).
  • the word conversion processing will be described with reference to the flowchart shown in FIG.
  • the word conversion unit 112 acquires the sentence data entered in the item of "document content" in the table of the document data 165 shown in FIG. 12 from the document data 165 stored in the storage unit 16 shown in FIG. (step S111).
  • the word conversion unit 112 performs morphological analysis processing on the acquired sentence data and divides it into morphemes (step S112). Specifically, the word conversion unit 112 divides sentence data into words including punctuation marks.
  • the word conversion unit 112 generates a one-hot vector for each word divided into morphemes.
  • the word conversion unit 112 inputs the generated one-hot vector to the input layer of the neural network and learns the probabilities of surrounding words for an arbitrary word. After learning, the word conversion unit 112 extracts a word vector by multiplying the weight of the hidden layer of the neural network by the one-hot vector of each word (step S113).
  • the word conversion unit 112 associates the word with the extracted word vector and generates the word conversion table 164 (step S114).
  • the word conversion unit 112 stores the generated word conversion table 164 in the storage unit 16 (step S115).
  • the learning data generation unit 113 shown in FIG. 4 executes processing for generating learning data (step S12).
  • the learning data generation process will be described below with reference to the flowchart shown in FIG.
  • the learning data generation unit 113 acquires learning basic data from the storage unit 16 (step S121).
  • the learning data generation unit 113 performs morphological analysis processing on the text included in the device state data included in the received basic learning data, and divides the text into morphemes (step S122).
  • the learning data generation unit 113 acquires the word conversion table 164 from the storage unit 16.
  • the learning data generation unit 113 replaces each morpheme, that is, each word forming a sentence of the device state data, with a word vector contained in the word conversion table 164, and combines the replaced word vectors.
  • the combined word vector is hereinafter referred to as the sentence vector of the device state sentence.
  • the learning data generation unit 113 generates learning data (step S123). Specifically, first, the learning data generation unit 113 digitizes the model data and the installation date data included in the customer information data and the device information data included in the basic learning data. The model data is converted into a one-hot vector having model type elements. The installation date data is obtained by subtracting the installation date data from the construction date data included in the learning basic data to obtain the number of days that have elapsed since the installation date.
  • the learning data generation unit 113 connects the digitized customer information data, device information data, and device status data with the data of the first failure part classification and the data of the second failure part classification, and performs learning. Generate data for The learning data generation unit 113 stores the generated learning data in the storage unit 16 (step S124). Here, returning to FIG.
  • the learned model generation unit 114 shown in FIG. 4 executes a learned model generation process (step S13). The learned model generation process will be described below with reference to the flowchart shown in FIG.
  • the learned model generation unit 114 acquires learning data from the storage unit 16 (step S131).
  • the trained model generating unit 114 causes the neural network built therein to learn the training data, and generates the weightings of the intermediate layer and the output layer as the trained model 166 (step S132).
  • the trained model generation unit 114 sets the data of the first failure part classification and the data of the second failure part classification among the learning data in the output layer of the neural network.
  • the trained model generation unit 114 inputs the device information and the state of the device among the learning data to the input layer of the neural network, and causes the neural network to learn.
  • the learned model generation unit 114 stores the generated learned model 166 in the storage unit 16 (step S133).
  • the learned model generation unit 114 ends the learning process.
  • the failure part/replacement part estimation system 100 used by the call center receptionist executes a part estimation processing program for estimating parts on the server 1 side, and inputs the failure status shown in FIG. 2 on the terminal device 2 side.
  • a display control program is executed to display the unit 21, the faulty part display unit 22, etc. on the display screen.
  • the server 1 causes the processor 104 of the server 1 shown in FIG. 19 to read the component estimation processing program stored in the storage device 101 into the memory 103 and execute it at the time of activation.
  • the terminal device 2 causes the processor 207 of the terminal device 2 shown in FIG. 20 to read the display control program stored in the storage device 201 into the memory 206 and execute it at the start timing.
  • the terminal device 2 searches the customer master 161 stored in the storage unit 16 shown in FIG.
  • the installation date data, model data, control device data, power supply data, and software data may be automatically input to each item of the failure status input unit 21 .
  • the terminal device 2 searches the device master 162 of the storage unit 16 using the “model data” acquired from the customer master 161, and the failure status input unit 21 responds to the model category extracted as the search result. fill in the fields.
  • the receptionist of the call center presses the failure part estimation button 214 .
  • the terminal device 2 causes the failure part estimating section 12 of the server 1 shown in FIG. 5 to execute the component estimation process.
  • the estimation basic data acquisition unit 121 included in the failure part estimation unit 12 of the server 1 shown in FIG. 5 executes an estimation basic data acquisition process (step S20).
  • the estimation basic data acquisition process will be described with reference to the flowchart shown in FIG. 27 .
  • the estimation basic data acquisition unit 121 acquires device information data and device status data from the failure status input unit 21 shown in FIG. 5 (step S201). Subsequently, the estimation basic data acquisition unit 121 connects the acquired device information data and the device state data to generate estimation basic data (step S202). The estimation basic data acquisition unit 121 outputs the generated estimation basic data to the estimation data generation unit 122 shown in FIG.
  • the estimation data generator 122 executes estimation data generation processing (step S21).
  • the estimation data generation process will be described with reference to the flowchart shown in FIG.
  • the estimation data generation unit 122 acquires the estimation basic data from the estimation basic data acquisition unit 121 (step S211).
  • the estimation data generation unit 122 divides the sentence data of the device status data included in the estimation basic data into morphemes (step S212).
  • the estimation data generation unit 122 acquires the word conversion table 164 from the storage unit 16 (step S213).
  • the estimation data generation unit 122 converts each morpheme obtained by dividing the text data of the device status data in step S212 into a word vector using the word conversion table 164.
  • the estimation data generator 122 adds up all the word vectors to create a device status vector.
  • the estimation data generation unit 122 connects the device information data and the device status vector to generate estimation data (step S214).
  • the estimation data generation unit 122 stores the estimation data in the storage unit 16 (step S215).
  • the estimation processing unit 123 inputs estimation data to the input layer of the neural network (step S224). As a result, the estimation data is multiplied by the weight of the learned model 166, and the probability of failure part classification can be output to the output layer. In addition, when the fault part classification is one layer, the output may be completed once. However, when the failure part classification has two layers, the trained model of the second failure part classification corresponding to the highest first failure part classification is used in the first output, and the neural network is constructed again. Then, the output layer is made to output the probability of the second fault part classification.
  • the estimation processing unit 123 acquires the failure part based on the output result of the neural network (step S225). Specifically, the estimation processing unit 123 acquires, as the failure part, the failure part classification with the highest probability among the probabilities of the failure part classifications output to the output layer of the neural network. The estimation processing unit 123 displays the acquired failure part on the failure part display part 22 of the terminal device 2 shown in FIG. 2 (step S226). It is assumed that the failure part display unit 22 displays the first failure part classification and the second failure part classification output by the failure part estimation unit 12 . Alternatively, these may be combined into one and displayed in one word. For example, assume that the first failure part classification is part A and the second failure part classification is part B. In this case, part A and part B may be listed, or only part B may be displayed when only part B is available.
  • the parts category search unit 13 shown in FIG. 6 determines whether or not the parts category display button 222 shown in FIG. 2 has been pressed (step S23). If the component category display button 222 has not been pressed (step S23; NO), it waits until it is pressed. When the parts category display button 222 is pressed (step S23; YES), the parts category search unit 13 executes parts category search processing (step S24). The parts category search processing will be described with reference to the flowchart shown in FIG.
  • the parts category search unit 13 uses the first failure part classification, the second failure part classification, and the model data included in the failure part data acquired from the failure part display unit 22 as keys to generate a construction report master file. 163.
  • the parts category search unit 13 converts the parts codes included in the plurality of records that are the search results into parts categories using the parts master 167, and aggregates them (step S234). As a result, a ranking of past cases of the parts category is generated.
  • the parts category search unit 13 displays the aggregated parts categories on the parts category display unit 23 of the terminal device 2 shown in FIG. 2 (step S235). In some cases, check boxes for classification of a plurality of failure parts are checked in the failure part display section 22 . In this case, the parts category search unit 13 performs an aggregation process for each of the checked failure part classifications, and causes the parts category display unit 23 to display each result.
  • the replacement part search unit 14 shown in FIG. 7 determines whether or not the replacement part display button 232 shown in FIG. 2 has been pressed (step S25). If the replacement part display button 232 has not been pressed (step S25; NO), it waits until it is pressed. When the replacement part display button 232 is pressed (step S25; YES), the replacement part search unit 14 executes replacement part search processing (step S26).
  • the replacement part search process will be described with reference to the flowchart shown in FIG.
  • the replacement part search unit 14 searches the construction report master 163 using the first failure part classification data, the second failure part classification data, and the model data included in the acquired failure part data as keys. .
  • the replacement part search unit 14 aggregates the part codes included in the plurality of records that are the search results (step S245). As a result, the ratio of replacement parts in the past cases can be obtained, and the ranking can be determined.
  • the replacement part search unit 14 causes the replacement part display unit 24 of the terminal device 2 to display the result of compiling the part codes (step S246). Specifically, the replacement part search unit 14 obtains the part name and the part category corresponding to the totaled part code from the parts master 167, and causes the replacement part display unit 24 of the terminal device 2 to display them in order of ranking. It should be noted that the component category check box may be checked in the component category display section 23 . In this case, the replacement part search unit 14 performs tabulation processing for each checked parts category, and displays each result on the parts category display unit 23 .
  • a receptionist at the call center selects a replacement part that can be used for repair from the estimated replacement parts.
  • the past case search unit 15 shown in FIG. 8 determines whether or not the past case display button 242 shown in FIG. 2 has been pressed (step S27). If the past case display button 242 has not been pressed (step S27; NO), it waits until it is pressed. When the past case display button 242 is pressed (step S27; YES), the past case search unit 15 executes past case search processing (step S28).
  • the past case search processing will be described with reference to the flowchart shown in FIG.
  • the past case search unit 15 acquires device information data from the failure status input unit 21 shown in FIG. 8 (step S251).
  • the past case retrieving unit 15 acquires the data of the failure part from the failure part display part 22 shown in FIG. 8 (step S252).
  • the past case search unit 15 acquires replacement part data from the replacement part display unit 24 shown in FIG. 8 (step S253).
  • the past case search unit 15 acquires the construction report master 163 from the storage unit 16 (step S254).
  • the past case search unit 15 searches for past cases (step S255). Specifically, the past case search unit 15 uses the first failure part classification and the second failure part classification included in the acquired failure part data, the model data, and the replacement part data as keys, Search the construction report master 163 . The past case retrieving unit 15 displays the data entered in the report number, phenomenon, cause, action, and part code items among the plurality of records included in the search result to the past case display unit of the terminal device 2 . 25 (step S256). Here, the past case search unit 15 returns to FIG. 26 and terminates the parts estimation process.
  • the failure part/replacement part estimation system can provide a failure part/replacement part estimation system that can
  • device status data written in natural language can be quantified using word vectors. Therefore, the user can input the device status data in the language normally used, instead of inputting predetermined words, codes, or the like. Therefore, the burden on the user can be reduced.
  • the failure part/replacement part estimation system 100A replaces parts used for repair as a set in addition to the functions of the failure part/replacement part estimation system 100 according to the first embodiment. It has a function to recommend parts.
  • a failure part/replacement part estimation system 100A shown in FIG. 33 presents a replacement part estimated based on a server 1A having a function of learning and estimating a failure part, customer information, equipment status, etc. and a terminal device 2A for
  • the server 1A includes a learning unit 11 that generates a learning model for estimating a failure location, a failure location estimation unit 12 that estimates a failure location, and a parts category search unit 13 that roughly identifies replacement parts according to the failure location. , a replacement part search unit 14 for searching replacement part candidates, a past case search unit 15 for searching past failure cases, a storage unit 16 for storing various data, and a parts recommendation unit for recommending replacement parts. 17 included.
  • the parts recommendation unit 17 recommends other parts to be replaced together with the parts used for repair.
  • the terminal device 2A also includes a failure status input section 21 for inputting customer information of the customer to whom the equipment has been delivered, the status of the equipment, etc., a failure part display part 22 for displaying the failure part of the equipment, and a replacement parts list.
  • a parts display section 26 for displaying is provided. The part display section 26 displays the part name of the part recommended by the part recommendation section 17 .
  • the display format of the component display section 26 is, for example, a format in which a character string of the component name, a pop-up display, or the like is displayed when the mouse pointer is superimposed on the component name displayed in the replacement component display section 24 shown in FIG. and
  • the part recommendation unit 17 of the server 1A uses the part code of each part for replacement, the data of the first failure part classification, the data of the second failure part classification, and the model data as shown in FIGS. 11A and 11B as keys.
  • the construction report master 163 is searched to obtain recommended parts.
  • the data of the first failure part classification is data obtained from the "major failure part classification" shown in the table of the construction report master 163 shown in FIG. 11B.
  • the data of the second failure part classification are included in the failure part large classification with the highest probability among the data of the first failure part classification, and are included in the "small failure part classification" shown in the table of the construction report master 163. do.
  • the part recommendation unit 17 first searches the part master 167 shown in FIG. 14 using the part category and part name of the replacement part as keys, and obtains the part code of the part.
  • the part recommendation unit 17 searches the construction report master 163 shown in FIGS. 11A and 11B using the first failure part classification data, the second failure part classification data, and the model data as keys.
  • the parts recommendation unit 17 narrows down the records including the parts code obtained from the parts master 167 in the search results.
  • the part recommendation unit 17 tallies the part codes included in the narrowed down records. From this, the ratio of each part code can be obtained and the ranking can be determined.
  • the component recommendation unit 17 obtains component names corresponding to the totaled component codes from the component master 167, and generates display data to be displayed in order of ranking. When the receptionist of the call center places the mouse pointer over the name of the part displayed on the replacement part display section 24 shown in FIG. , pop-up, etc.
  • the part recommendation by the part recommendation unit 17 is executed after the replacement part search process in step S26 in the flowchart of the part estimation process shown in FIG.
  • the processing of the component recommendation unit 17 is stored in the storage unit 16 of the server 1A shown in FIG. 33 as a component recommendation processing program. Processing executed by the component recommendation processing program will be described below with reference to the flowchart of the component recommendation processing shown in FIG.
  • the parts recommendation unit 17 acquires the parts master 167 shown in FIG. 14 and the construction report master 163 shown in FIGS. 11A and 11B from the storage unit 16 of the server 1A (step S301).
  • the part recommendation unit 17 searches the part master 167 using the part category and part name of the replacement part as keys, and acquires the part code of the part (step S302).
  • the part recommendation unit 17 searches the construction report master 163 using the first failure part classification data, the second failure part classification data, and the model data as keys (step S303).
  • the part recommendation unit 17 narrows down the records including the part code obtained from the part master 167 in the search result of step S303 (step S304).
  • the part recommendation unit 17 aggregates the part codes included in the narrowed down records and obtains the ratio of each part code.
  • the part recommendation unit 17 determines the ranking of the part codes in accordance with the obtained ratio of each part code (step S305).
  • the component recommendation unit 17 obtains the component name corresponding to the totalized component code from the component master 167, and generates display data to be displayed in order of ranking (step S306). After that, the component recommendation unit 17 ends the component recommendation process.
  • the recommended component name display processing is stored in the storage unit 16 of the server 1A shown in FIG. 33 as a recommended component display processing program. Processing executed by the recommended component display processing program will be described below with reference to the flowchart of the recommended component display processing shown in FIG.
  • the terminal device 2A determines whether or not the mouse pointer is superimposed on the part name displayed in the replacement part display section 24 shown in FIG. 2 (step S311). If the mouse pointer is not superimposed (step S311; NO), the terminal device 2A repeats step S311. If the mouse pointer is superimposed (step S311; YES), the terminal device 2A displays the display data for displaying the recommended component names in order of ranking, generated in step S306 of the flow chart of the component recommendation processing shown in FIG. (step S312).
  • the part display section 26 is displayed in a display format such as a character string superimposed on the part name displayed in the replacement part display section 24 shown in FIG. 2, pop-up, or the like.
  • the terminal device 2A determines whether or not the mouse pointer has moved away from the part name displayed on the replacement part display section 24 (step S313). If the mouse pointer has not moved away (step S313; NO), the terminal device 2A repeats step S313. If the mouse pointer is moved away (step S313; YES), the terminal device 2A hides the display data displayed on the component display section 26 (step S314). The terminal device 2A returns to step S311 and repeats the processing from step S311 to step S314.
  • Embodiment 3 In Embodiments 1 and 2 above, when estimating the failure part and replacement parts, the receptionist at the call center inputs the failure status of the customer's device, customer information, etc. to the terminal device 2, 2A. . However, if the receptionist of the call center inputs the equipment failure status, customer information, etc. to the terminal device 2, 2A each time, the estimation process takes time and the receptionist's burden is heavy.
  • the failure part/replacement part estimation system 100B according to the third embodiment in addition to the functions of the failure part/replacement part estimation system 100 according to the first embodiment, It has a function of improving the accuracy of estimating the failure part by acquiring the data of the operation status of the customer equipment 4 in real time and using it for estimating the failure part.
  • a failure part/replacement part estimation system 100B shown in FIG. 36 presents a replacement part estimated based on a server 1B having a function of learning and estimating a failure part, customer information, equipment status, etc. and a terminal device 2A for
  • the server 1B is connected to the first equipment 4A, the second equipment 4B, .
  • the first device 4A is the model "AB" delivered to the customer with the customer ID "A0001”.
  • the second device 4B is the model "CD" delivered to the customer with the customer ID "B0123".
  • the n-th device 4n is assumed to be the model "NM" delivered to the customer with the customer ID "N0001".
  • a plurality of sensors are attached to the customer equipment 4 .
  • detecting a change in the value detected by the sensor for example, using a change point detection algorithm when the value changes significantly, and using a logic such as a waveform prediction algorithm when there is a change in periodicity, Abnormality of customer equipment 4 can be determined.
  • the behavior of the customer equipment 4 at the time of abnormality is rich in variation, it is possible to identify the cause of failure with higher accuracy by creating a learned model for detecting abnormality in advance and determining the presence or absence of abnormality. become. Therefore, in the third embodiment, a function capable of determining the presence or absence of an abnormality is provided in the learning unit 11B and the failure part estimation unit 12B of the server 1B.
  • the server 1B includes a learning section 11B that generates a learning model for estimating a failure site, a failure site estimation section 12B that estimates a failure site, and a parts category search section 13 that roughly identifies a replacement part according to the failure site. , a replacement part retrieval unit 14 for retrieving replacement part candidates, a past case retrieval unit 15 for retrieving past failure cases, a storage unit 16B for storing various data, and operation status data of customer equipment 4. and an equipment data acquisition unit 18 that acquires the .
  • the equipment data acquisition unit 18 acquires in real time various data such as measurement and detection from various sensors attached to the customer equipment 4, such as sensors for measuring voltage, water volume, etc., and sensors for detecting anomalies.
  • the device data acquisition unit 18 accumulates the acquired various data such as measurement and detection in the storage unit 16B as the device operation status data 168 . Details of the device operation status data 168 will be described later.
  • the learning unit 11B of the server 1B includes a learning basic data acquisition unit 111 that acquires various types of data that serve as the basis for learning, and a word conversion unit 112 that converts words contained in a document into numerical values. , a learning data generation unit 113B that generates learning data, a learned model generation unit 114 that creates a learning model, and a learning abnormality determination unit 115 that determines an abnormal part of the customer device 4.
  • the abnormality determination unit 115 for learning determines whether the abnormality of the customer equipment 4 is based on the equipment operation status data 168 stored in the storage unit 16B for all the failure occurrence dates and times of the construction report master 163 shown in FIGS. 11A and 11B. Determine parts.
  • the learning abnormality determination unit 115 accumulates the determined abnormal part data of the customer equipment 4 as the abnormality determination data 169 in the storage unit 16B. Further, the learning abnormality determination unit 115 inputs data of the determined abnormal part of the customer equipment 4 to the learning data generation unit 113B of the learning unit 11B. The learning data generation unit 113B generates learning data including the data of the abnormal part of the customer device 4 acquired from the learning abnormality determination unit 115 .
  • the failure part estimation unit 12B includes an estimation basic data acquisition unit 121 that acquires various data input to the failure condition input unit 21 of the terminal device 2, and an estimation basic data acquisition unit 121 that generates estimation data. It includes a data generation unit 122B, an estimation processing unit 123 for estimating a failure part, and an abnormality determination unit 124 for estimation.
  • the presumed abnormality determination unit 124 detects an abnormality in the customer equipment 4 based on the equipment operation status data 168 stored in the storage unit 16B for all failure occurrence dates and times in the construction report master 163 shown in FIGS. 11A and 11B. Determine parts.
  • the estimation abnormality determination unit 124 inputs data of the determined abnormal part of the customer equipment 4 to the estimation data generation unit 122B.
  • the estimation data generation unit 122B generates estimation data including the data of the abnormal part of the customer device 4 acquired from the estimation abnormality determination unit 124 .
  • FIG. 39 shows a table of the equipment operation status data 168.
  • the equipment operation status data 168 includes a customer ID indicating the customer who delivered the equipment, a model indicating the model name of the customer equipment 4, an acquisition date and time indicating the date and time when the operation status data of the customer equipment 4 was acquired, It includes items such as a first sensor, a second sensor, and a third sensor that indicate data of various sensors attached to the customer device 4 .
  • the device operation status data 168 is data obtained by chronologically organizing the data on the operation status of the customer device 4 acquired at regular time intervals by the device data acquisition unit 18 of the server 1B shown in FIG. 36 with respect to the customer ID. is.
  • the device operation status data 168 shown in FIG. 39 for example, in model “AB” with customer ID “A0001”, the first sensor detects “30V” at acquisition date and time “2020/12/4 12:00”, It is shown that two sensors detected "20mA” and the third sensor detected “10 ⁇ ”. Also, in the model “CD” with the customer ID “B0123”, the first sensor detected "20V”, the second sensor detected "15mA”, and the second It is shown that 3 sensors were detecting "15 ⁇ ".
  • the abnormality determination unit for learning 115 searches for a record having the same customer ID and model as the customer ID and model of the construction report master 163 shown in FIGS. . Then, the abnormality determination unit for learning 115 acquires from the device operation status data 168 records of a certain period before the failure occurrence date and time linked to the customer ID and model of the construction report master 163 .
  • the learning abnormality determination unit 115 shown in FIG. 37 determines whether an abnormality has occurred in the record acquired from the device operation status data 168, for example, according to changes in the values detected by the first to third sensors. Parts are estimated, and abnormality of customer equipment 4 is judged. Specifically, first, in the construction report master 163 shown in FIGS. 11A and 11B, for the customer ID "A0001" and the model "AB", the failure occurrence date and time is "2020/12/10 9:23". . The learning abnormality determination unit 115 searches for the record of the customer ID "A0001" and the model "AB” from the equipment operation status data 168 shown in FIG.
  • the learning abnormality determination unit 115 determines that the date and time of failure occurrence in the construction report master 163 is a certain period of time, for example, seven days before the failure date "2020/12/10" included in "2020/12/10 9:23". Get period records. For example, the learning abnormality determination unit 115 determines that in the device operation status data 168 shown in FIG. to get
  • the first sensor shown in the device operation status data 168 is a voltage measurement sensor for detecting voltage changes in the component
  • the second sensor is a current measurement sensor for detecting current changes in wiring
  • the third sensor is is a resistance measuring sensor for detecting wear of parts.
  • the value detected by the third sensor is the same. Furthermore, at the date and time of acquisition “2020/12/10 10:00”, the first sensor detected “0 V” and the second sensor detected “5 mA”. The value detected by the third sensor is the same.
  • the learning abnormality determination unit 115 shown in FIG. 37 detects changes in the values detected by the first to third sensors, and detects an abnormality in the parts or parts to which the sensors are attached when the change occurs. determine that there is The learning abnormality determination unit 115 outputs “1” as the determination result when determining that there is an abnormality, and outputs “0” as the determination result when determining that there is no abnormality.
  • the learning abnormality determination unit 115 stores the determination result in the abnormality determination data 169 for each customer device 4 .
  • FIG. 40 shows a table of the abnormality determination data 169.
  • the abnormality determination data 169 includes items of a report number and the first device 4A, the second device 4B, .
  • the report number is the same number as the report number described in the construction report master 163 shown in FIGS. 11A and 11B.
  • the report number "XXXXXX" of the abnormality determination data 169 shown in FIG. 40 is a report regarding the customer ID "A0001" and model "AB" as shown in the construction report master 163 shown in FIGS. 11A and 11B. For this reason, the result of determination by the learning abnormality determination unit 115 as to whether or not there is an abnormality in the first device 4A of the model "AB" delivered to the customer with the customer ID "A0001" is described.
  • the determination unit 115 determines that the first device 4A has an abnormality.
  • "1" is entered in the column of the first device 4A linked to the report number "XXXXX" of the abnormality determination data 169, and "1" is entered in the columns of the second device 4B, ..., n-th device 4n. "0" is written.
  • the learning abnormality determination unit 115 inputs the determination result to the learning data generation unit 113B of the learning unit 11B shown in FIG.
  • the learning abnormality determination unit 115 for example, ⁇ construction report number, determination result of the first device 4A, determination result of the second device 4B, . 0, .
  • the learning data generation unit 113B generates learning data including the determination result acquired from the learning abnormality determination unit 115 .
  • the abnormal part of the customer equipment 4 is determined based on the equipment operation status data 168 stored in the storage unit 16B.
  • the estimation data generation unit 122B generates estimation data including the determination result acquired from the estimation abnormality determination unit 124 .
  • the estimation processing unit 123 performs estimation processing using the estimation data generated by the estimation data generation unit 122B.
  • the device operation status data 168 shown in FIG. 39 is generated by the device data acquisition unit 18 acquiring various data such as measurement and detection from various sensors of the customer device 4 in real time while the server 1B shown in FIG. 36 is in operation. It is The generation processing of the device operation status data 168 executed by the device data acquisition section 18 is stored in the storage section 16B of the server 1B shown in FIG. 36 as a device operation status data generation processing program.
  • the device operating status data generation processing program is read from the storage unit 16B to the memory 103 shown in FIG. 19 and executed by the processor 104 at the timing when the server 1B shown in FIG. Processing executed by the device operation status data generation processing program will be described below with reference to the flowchart of the device operation status data generation processing shown in FIG.
  • the device data acquisition unit 18 acquires various data such as measurement and detection from various sensors such as sensors for measuring voltage, water volume, etc., and sensors for detecting anomalies, etc., attached to the customer device 4 (step S401).
  • the device data acquisition unit 18 acquires the device operation status data 168 from the storage unit 16B of the server 1B.
  • the device data acquisition unit 18 adds the data of various sensors acquired in step S401 to the end of the device operation status data 168 (step S402).
  • the device data acquisition unit 18 associates the acquired sensor data with the customer ID and model from which the data was acquired, and the data acquisition date and time, and displays the device operation status shown in FIG. 39 . Append to the end of the data 168 table.
  • the equipment data acquisition unit 18 saves the equipment operation status data 168 in the storage unit 16B of the server 1B (step S403).
  • the device data acquisition unit 18 determines whether or not there is an instruction from the server 1B to end acquisition of data of various sensors (step S404). For example, when the power of the server 1B is turned off, or when the user gives an instruction to end the data acquisition. If there is an instruction to end data acquisition (step S404; YES), the device data acquisition unit 18 ends the device operation status data generation processing program. If there is no instruction to end data acquisition (step S404; NO), the device data acquisition unit 18 returns to step S401 and repeats the processing from step S401 to step S404.
  • the estimation abnormality determination unit 124 outputs the determination result to the estimation data generation unit 122B, whereby the estimation data generation unit 122B generates estimation data including the determination result.
  • Abnormality determination data generation and output executed by the learning abnormality determination unit 115 of the learning unit 11B and the estimation abnormality determination unit 124 of the failure part estimation unit 12B are performed by the storage unit of the server 1B shown in FIG. 36 as an abnormality determination data generation processing program. 16B.
  • the abnormality determination data generation processing program is executed before step S123 in the learning data generation processing flowchart shown in FIG. Generate training data including
  • the abnormality determination data generation processing program is executed before step S213 in the flowchart of the estimation data generation processing shown in FIG. Generate estimation data including results.
  • the processing executed by the abnormality determination data generation processing program will be described below with reference to the flowchart of the abnormality determination data generation processing shown in FIG.
  • the learning abnormality determination unit 115 acquires the device operation status data 168 from the storage unit 16B shown in FIG. 37 (step S411).
  • the abnormality determination unit 115 for learning searches the equipment operation status data 168 for records having the same customer ID and model as the customer ID and model of the construction report master 163 shown in FIGS. 11A and 11B to be learned. (step S412).
  • the learning abnormality determination unit 115 acquires, from the device operation status data 168, a record for a certain period of time, which is a certain period of time before the failure occurrence date and time associated with the customer ID and model of the construction report master 163 (step S413). For example, the learning abnormality determination unit 115 acquires from the device operation status data 168 records for a period one week before the failure occurrence date and time. The learning abnormality determination unit 115 searches records acquired from the equipment operation status data 168 for records in which there is a change in the value detected by the sensor (step S414).
  • the learning abnormality determination unit 115 determines an abnormality of a part or part according to the change in the value detected by the sensor (step S415). For example, the learning abnormality determination unit 115 determines that there is an abnormality in the part or the part to which the changed sensor is attached.
  • the learning abnormality determination unit 115 sets the determination result (step S416). For example, the learning abnormality determination unit 115 sets "1" as the determination result when determining that there is an abnormality, and sets "0" as the determination result when determining that there is no abnormality.
  • the learning abnormality determination unit 115 outputs the determination result to the learning data generation unit 113B of the learning unit 11B shown in FIG. 37 (step S417).
  • the learning abnormality determination unit 115 for example, ⁇ construction report number, determination result of the first device 4A, determination result of the second device 4B, . 0, .
  • the learning abnormality determination unit 115 adds the determination result to the end of the abnormality determination data 169 shown in FIG. 40 (step S418). Specifically, the learning abnormality determination unit 115 determines the report number, which is the same number as the report number described in the construction report master 163 shown in FIGS. 11A and 11B, and the It is added to the end of the abnormality determination data 169 in association with the determination result. The learning abnormality determination unit 115 stores the abnormality determination data 169 to which the determination result is added in the storage unit 16B shown in FIG. 37 (step S419). The learning abnormality determination unit 115 terminates the abnormality determination data generation process.
  • real-time data of the operation status of the customer equipment 4 is acquired from the customer equipment 4 delivered to the customer, can improve the accuracy of estimating the failure part.
  • the learning unit 11B of the server 1B learns the data of the operation status of the customer equipment 4 to create a learned model for detecting anomalies, and the failure part estimating unit 12B uses the learned model to determine the presence or absence of anomalies. By doing so, it is possible to identify the cause of failure with higher accuracy. As a result, even when the behavior of the customer equipment 4 at the time of abnormality is varied, it is possible to accurately identify the cause of the failure.
  • the neural network constructed in the trained model generation unit 114 shown in FIG. 4 has one intermediate layer.
  • the number of intermediate layers may be two or more.
  • the failure part/replacement part estimation system 100 is a system including the server 1 and the terminal device 2 . Without being limited to this, each function that operates on the server 1 and the terminal device 2 may be built into one device to form the failure part/replacement part estimation systems 100, 100A, and 100B.
  • the trained model generation unit 114 shown in FIG. 4 learns the faulty part of the equipment by means of a neural network.
  • a neural network instead of neural networks, other learning algorithms such as deep learning, random forests, support vector machines, etc. may be used.
  • the part recommendation unit 17 of the server 1A shown in FIG. 33 uses the data of the first failure part classification, the data of the second failure part classification, etc. as keys to generate the data shown in FIGS. 11A and 11B.
  • the records including the parts code obtained from the parts master 167 are narrowed down from the search results obtained by searching the construction report master 163 .
  • the parts recommendation unit 17 obtains the corresponding parts category from the parts master 167 shown in FIG.
  • the parts recommendation unit 17 aggregates the found parts categories, finds the ratio of each parts category, and determines the ranking.
  • the component recommendation unit 17 causes the component display unit 26 of the terminal device 2A to display the aggregated component categories in order of ranking. As a result, even when replacement parts are replaced, replacement parts can be found from the parts category.
  • the failure site/replacement part estimation systems 100, 100A, and 100B can be realized as dedicated systems. However, it can be realized using a normal computer system without depending on a dedicated system.
  • a computer-readable CD-ROM Compact Disc Read Only Memory
  • DVD-ROM Digital Versatile Disc Read Only Memory
  • a program for realizing each function in the above-described failure part/replacement part estimation system 100 or the like, and by installing this program in a computer, a computer capable of realizing the functions described above may be configured.
  • OS Operating System
  • only the application may be stored in the recording medium.
  • the present disclosure can be suitably used for a failure site/replacement parts estimation system.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

故障部位・交換用部品推定システム（１００）は、端末装置（２）とサーバ（１）とを備える。端末装置（２）は、納入した機器に関する情報および機器の納入した客先の情報を含む客先情報のデータと、機器の故障状況を含む機器状態のデータとを入力するための故障状況入力部（２１）を含む。サーバ（１）は、客先情報のデータ、機器状態のデータおよび機器の機種を含む機器情報のデータに基づいて機器の故障部位を推定する故障部位推定部（１２）と、推定した故障部位に応じて交換用部品の部品カテゴリを検索する部品カテゴリ検索部（１３）と、検索した部品カテゴリに従って交換用部品の候補のデータを検索する交換用部品検索部（１４）とを含む。

Description

故障部位・交換用部品推定システム、方法、及び、プログラム
　本開示は、故障部位・交換用部品推定システム、方法、及び、プログラムに関する。
　機器の修理では、多くの場合部品の交換が必要となる。修理を行う対象となる機器が客先の工場、研究所等に設置してある場合、客先からコールセンターに機器の故障状況を問合せ、コールセンターの担当者が、その内容から機器の故障原因、交換用部品を推測するケースが多い。しかしながら、故障原因、交換用部品の推定は、高度な専門知識だけではなく豊富な経験が必要となる。このため、コールセンターの担当者の熟練度によっては、故障原因、交換用部品の推定にズレが生じる可能性がある。そこで、例えば、特許文献１には、予め故障内容、修理方法、修理に使用される可能性のある交換用部品を対応付けた情報を登録しておくことにより、交換用部品の候補を推定することができる修理交換部品指示システムが記載されている。
特開２００７－３０４９３５号公報
　特許文献１に記載された修理交換部品指示システムでは、構造が単純で、部品点数が限られる機器であれば、機器の状況と故障部位とが一意に紐付くため、精度良く故障部位、交換用部品を推測することができる。しかしながら、大型で部品点数の多い機器、複数の異なる機能を組み合わせた複雑な構成の機器等の場合、機器の状況が同じであっても複数の故障原因、故障部位があることが多い。このため、１つの故障現象に対して複数の故障原因、故障部位が紐付けられるため、故障部位を推定することが難しいという課題がある。また、複数の故障原因、故障部位に紐付けられた部品点数が多いため、交換用部品の候補が多数出現してしまい、修理に必要な交換用部品を推定することが難しいという課題がある。
　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、精度良く故障部位、交換用部品を推定することができる故障部位・交換用部品推定システム、方法、及び、プログラム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・交換用部品推定システムは、端末装置とサーバとを備える。端末装置は、納入した機器に関する情報および機器の納入した客先の情報を含む客先情報のデータと、機器の故障状況を含む機器状態のデータとを入力するための故障状況入力部を含む。サーバは、客先情報のデータ、機器状態のデータおよび機器の機種を含む機器情報のデータに基づいて機器の故障部位を推定する故障部位推定部と、故障部位推定部が推定した故障部位に応じて交換用部品の部品カテゴリを検索する部品カテゴリ検索部と、部品カテゴリ検索部の検索した部品カテゴリに従って交換用部品の候補のデータを検索する交換用部品検索部とを含む。
　本開示によれば、客先情報、機器情報、機器状態等のデータに基づいて、精度良く故障部位、交換用部品を推定することができる故障部位・交換用部品推定システムを提供することができる。
本開示の実施の形態１に係る故障部位・交換用部品推定システムの構成を示す図 実施の形態１に係る端末装置の表示画面の一例を示す図 実施の形態１に係る過去事例表示の一例を示す図 実施の形態１に係るサーバの学習部の概要を示す図 実施の形態１に係るサーバの故障部位推定部の概要を示す図 実施の形態１に係るサーバの部品カテゴリ検索部の概要を示す図 実施の形態１に係るサーバの交換用部品検索部の概要を示す図 実施の形態１に係るサーバの過去事例検索部の概要を示す図 実施の形態１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１に係る機器マスタデータのテーブルを示す図 実施の形態１に係る工事報告書マスタデータのテーブルを示す図 図１１Ａに示した工事報告書マスタデータのテーブルの続きを示す図 実施の形態１に係る文書データのテーブルを示す図 実施の形態１に係る単語変換テーブルの一例を示す図 実施の形態１に係る部品マスタデータの一例を示す図 実施の形態１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１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１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１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１に係るサーバのハードウエア構成の一例を示す図 実施の形態１に係る端末装置のハードウエア構成の一例を示す図 実施の形態１に係る学習処理のフローチャート 図２１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２１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２１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２１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１に係る部品推定処理のフローチャート 図２６に示した部品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２６に示した部品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２６に示した部品推定処理における故障部位推定処理のフローチャート 図２６に示した部品推定処理における部品カテゴリ検索処理のフローチャート 図２６に示した部品推定処理における交換用部品検索処理のフローチャート 図２６に示した部品推定処理における過去事例検索処理のフローチャート 本開示の実施の形態２に係る故障部位・交換用部品推定システムの構成を示す図 実施の形態２に係る部品推薦処理のフローチャート 実施の形態２に係る推薦部品表示処理のフローチャート 本開示の実施の形態３に係る故障部位・交換用部品推定システムの構成を示す図 実施の形態３に係るサーバの学習部の概要を示す図 実施の形態３に係るサーバの故障部位推定部の概要を示す図 実施の形態３に係る機器稼働状況データのテーブルを示す図 実施の形態３に係る異常判定データのデーブルを示す図 実施の形態３に係る機器稼働状況データ生成処理のフローチャート 実施の形態３に係る異常判定データ生成処理のフローチャート
（実施の形態１）
　以下、本開示の実施の形態１に係る故障部位・交換用部品推定システム１００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・交換用部品推定システム１００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を学習して故障部位を推定するための学習モデルを生成し、生成された学習モデルを用いて故障部位を推定し、推定した故障部位に従って交換用部品を推定することができる装置である。
　図１に示すのは、故障部位・交換用部品推定システム１００の概要である。故障部位・交換用部品推定システム１００は、故障部位の学習、推定を行う機能を備えるサーバ１と、客先情報、機器の状態等に基づいて推定された交換用部品を提示するための端末装置２とを備えている。サーバ１と端末装置２とは、ネットワーク３により相互に接続されている。端末装置２は、コールセンターに設置され、受付担当者が、客先情報、客先から連絡を受けた機器の故障状況等を入力することにより、推定された故障部位と交換用部品とを提示することができる。
　サーバ１は、故障部位を推定するための学習モデルを生成する学習部１１と、故障部位を推定する故障部位推定部１２と、故障部位に従って交換用部品を大まかに特定する部品カテゴリ検索部１３と、交換用部品の候補を検索する交換用部品検索部１４と、過去の故障事例を検索する過去事例検索部１５と、各種データを保存する記憶部１６とを含む。
　学習部１１は、機器を納入した客先の客先情報、機器情報、機器の状態等のデータを学習し、故障部位を推定するための学習モデルを生成する。故障部位推定部１２は、学習部１１で生成された学習モデルを用いて故障部位を推定する。部品カテゴリ検索部１３は、端末装置２の画面上で、コールセンターの受付担当者が選択した故障部位にしたがって交換用部品を大まかに特定するための部品カテゴリを検索する。部品カテゴリは、既に利用できない古い部品と現在利用可能な部品とを含む、部品群の分類名を指す。コールセンターの受付担当者は、部品カテゴリを確認することにより、交換用部品を部品群の分類名に基づいて大まかに特定することができる。
　交換用部品検索部１４は、端末装置２の画面上で、コールセンターの受付担当者が選択した故障部位と部品カテゴリとにしたがって、交換用部品の候補を検索する。過去事例検索部１５は、端末装置２の画面上で、コールセンターの受付担当者が選択した故障部位、部品カテゴリ、および交換用部品にしたがって、過去の故障事例を検索する。
　端末装置２は、機器を納入した客先の客先情報、機器の状態等を入力する故障状況入力部２１と、機器の故障部位を表示する故障部位表示部２２と、交換用部品の部品カテゴリを表示する部品カテゴリ表示部２３と、交換用部品の候補を表示する交換用部品表示部２４と、過去の故障事例を表示する過去事例表示部２５とを備えている。
　図２に示すのは、端末装置２の表示画面の一例である。表示画面は、各種情報を入力するための故障状況入力部２１と、機器の故障部位を表示する故障部位表示部２２と、交換用部品の部品カテゴリを表示する部品カテゴリ表示部２３と、交換用部品の候補を表示する交換用部品表示部２４とを含んでいる。
　故障状況入力部２１は、機器を納入した客先の客先情報を入力する客先情報入力欄２１１と、コールセンターの受付番号を入力する受付番号欄２１２と、機器の故障状況を入力する故障状況入力欄２１３と、故障部位を推定する故障部位推定ボタン２１４とを備えている。客先情報入力欄２１１は、客先が保有する機器を一意に指定するための顧客ＩＤ（Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ）、機器の据付日、機種名、機種区分、機器の制御装置の種類を入力する制御装置、電源の種類、ソフトウェアのバージョンを入力する各種の入力欄が含まれる。なお、機器の据付日、機種、制御装置等の各種情報は、コールセンターの受付担当者が直接入力してもよいし、後述する記憶部１６に保存された客先マスタ１６１と、機器マスタ１６２に含まれるデータを利用し、自動で入力できるものとしてもよい。
　受付番号欄２１２は、客先からの問合せを受けた時に、コールセンターの受付担当者が受付番号を入力する入力欄である。受付番号は、予めメーカ内で定められた番号、名付けルールに基づいて付けられる番号である。故障状況入力欄２１３は、コールセンターの受付担当者が客先からヒアリングした機器の故障状況を入力する入力欄である。
　故障部位推定ボタン２１４は、図１に示した故障部位推定部１２の処理を実行させるためのボタンである。具体的には、故障状況入力部２１のすべての項目が埋まった後、コールセンターの受付担当者が故障部位推定ボタン２１４を押下する。これにより、図１に示したサーバ１の故障部位推定部１２の処理が実行される。
　故障部位表示部２２は、後述するサーバ１の推定処理部１２３で推定した故障部位を表示する推定結果表示部２２１と、部品カテゴリを表示させるための部品カテゴリ表示ボタン２２２とを備える。推定結果表示部２２１は、図１に示したサーバ１の推定処理部１２３で推定した推定結果を表示する。推定結果は、推定した各故障部位を確率順に表示する。各故障部位には、チェックボックスが設けられている。コールセンターの受付担当者は、客先から聞いた機器の状況と故障部位の推定結果とをもとに、推定される故障部位のチェックボックスにチェックを入れる。
　部品カテゴリ表示ボタン２２２は、図１に示したサーバ１の部品カテゴリ検索部１３に、交換用部品の部品カテゴリを検索させ、検索結果を表示するためのボタンである。具体的には、コールセンターの受付担当者が、推定結果表示部２２１に表示された故障部位のチェックボックスにチェックを入れ、部品カテゴリ表示ボタン２２２を押下する。これにより、図１に示したサーバ１の部品カテゴリ検索部１３の処理が実行される。
　部品カテゴリ表示部２３は、図１に示したサーバ１の部品カテゴリ検索部１３で検索した部品カテゴリ検索結果を表示する部品カテゴリ検索結果表示部２３１と、交換用部品を表示させるための交換用部品表示ボタン２３２とを備える。
　部品カテゴリ検索結果表示部２３１は、図１に示したサーバ１の部品カテゴリ検索部１３で検索した部品カテゴリ検索結果を、推定結果表示部２２１でチェックされた故障部位ごとに、検索した部品カテゴリを集計の多かった順に表示する。各部品カテゴリには、チェックボックスが設けられている。コールセンターの受付担当者は、客先から聞いた機器の状況、推定結果表示部２２１に示した故障部位、および部品カテゴリ検索結果をもとに、推定される部品カテゴリのチェックボックスにチェックを入れる。
　交換用部品表示ボタン２３２は、図１に示したサーバ１の交換用部品検索部１４に、交換用部品を検索させ、検索結果を表示するためのボタンである。具体的には、コールセンターの受付担当者が、部品カテゴリ検索結果表示部２３１に表示された部品カテゴリのチェックボックスにチェックを入れ、交換用部品表示ボタン２３２を押下する。これにより、図１に示したサーバ１の部品カテゴリ検索部１３の処理が実行される。
　交換用部品表示部２４は、図１に示したサーバ１の交換用部品検索部１４で検索した交換用部品の表示する交換用部品検索結果表示部２４１と、過去の故障事例を表示させるための過去事例表示ボタン２４２とを備える。
　交換用部品検索結果表示部２４１は、交換用部品検索部１４で検索した交換用部品の検索結果を、推定結果表示部２２１でチェックされた故障部位、部品カテゴリ検索結果表示部２３１でチェックされた部品カテゴリごとに、検索で集計の多かった順に表示する。各交換用部品には、チェックボックスが設けられている。コールセンターの受付担当者は、客先から聞いた機器の状況、推定結果表示部２２１に示した故障部位、部品カテゴリ検索結果、および交換用部品の検索結果をもとに、推定される交換用部品のチェックボックスにチェックを入れる。
　過去事例表示ボタン２４２は、図１に示したサーバ１の過去事例検索部１５に、過去の故障事例を検索させ、検索結果を表示するためのボタンである。具体的には、コールセンターの受付担当者が、交換用部品検索結果表示部２４１に表示された交換用部品のチェックボックスにチェックを入れ、過去事例表示ボタン２４２を押下する。これにより、図１に示したサーバ１の過去事例検索部１５の処理が実行される。
　サーバ１の過去事例検索部１５は、過去の故障事例を検索すると、検索結果を図１に示した端末装置２の過去事例表示部２５に、端末装置２の表示画面に表示させる。図３は、過去の故障事例の検索結果を端末装置２の表示画面に表示した、過去事例検索結果表示２５１である。過去事例検索結果表示２５１は、表示項目として、報告書番号と、故障で生じた現象と、故障の原因、故障を解消するための処置、交換用部品を含んでいる。
　例えば、図３に示すとおり、報告書番号「ＸＸＸＸＸ」の場合、故障で生じた現象は「操作画面が点かない」であり、故障の原因は「ディスプレイ用の配線の断線」であった。この場合、故障を解消するための処置として「配線の交換」が行われ、交換用部品として「ＡＢ１２３４」と「ＡＢ１２５６」とが用いられている。
　続いて、図１に示したサーバ１に各機能について、図４から図８を参照しつつ、以下に説明する。まず、図４は、学習部１１の構成を示す図である。学習部１１は、学習の基礎となる各種データを取得する学習用基礎データ取得部１１１と、文書に含まれる単語を数値に変換する単語変換部１１２と、学習用データを生成する学習用データ生成部１１３と、学習用モデルを作成する学習済モデル生成部１１４とを含む。
　学習用基礎データ取得部１１１は、図４に示すとおり、後述する記憶部１６に保存された客先マスタ１６１と、機器マスタ１６２と、工事報告書マスタ１６３とから、学習の基礎となる各種データを取得し、学習用基礎データを生成する。単語変換部１１２は、後述する記憶部１６に保存された文書データ１６５から文書をし、文書に含まれる文章を単語に分割する。そして、単語変換部１１２は、単語毎に数値に変換するための単語変換テーブル１６４を生成する。単語変換部１１２は、生成した単語変換テーブル１６４は記憶部１６に保存する。
　学習用データ生成部１１３は、学習用基礎データ取得部１１１の生成した学習用基礎データと、単語変換部１１２で生成した単語変換テーブル１６４とを取得し、学習用データを生成する。学習済モデル生成部１１４は、学習用データをニューラルネットワークに学習させ、学習済モデル１６６を生成する。学習済モデル生成部１１４は、生成した学習済モデル１６６を記憶部１６に保存する。なお、学習済モデル生成部１１４における学習については、詳細は後述する。
　次に、図５に、図１に示したサーバ１の故障部位推定部１２の概要を示す。故障部位推定部１２は、端末装置２の故障状況入力部２１に入力された各種データを取得する推定用基礎データ取得部１２１と、推定用データを生成する推定用データ生成部１２２と、故障部位を推定する推定処理部１２３とを含む。推定用基礎データ取得部１２１は、コールセンターの受付担当者が、図２に示した故障状況入力部２１に入力した機器情報、機器の状態等の各種データを、推定用基礎データとして取得する。
　推定用データ生成部１２２は、推定用基礎データ取得部１２１で取得した推定用基礎データと、記憶部１６に記憶された単語変換テーブル１６４とを用いて、推定用データを生成する。推定処理部１２３は、記憶部１６に保存された学習済モデル１６６を取得し、構築したニューラルネットワークに学習済モデル１６６を設定する。推定処理部１２３は、ニューラルネットワークに推定用データ生成部１２２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。推定処理部１２３は、推定した機器の故障部位を。端末装置２の故障部位表示部２２に表示させる。
　図６は、図１に示したサーバ１の部品カテゴリ検索部１３の概要を示す図である。部品カテゴリ検索部１３は、端末装置２から、コールセンターの受付担当者が、図２に示した故障状況入力部２１に入力した機器情報、機器の状態等の各種データと、図２に示した故障部位表示部２２の推定結果表示部２２１に表示された故障部位のうちチェックボックスにチェックの入った故障部位のデータを取得する。続いて、部品カテゴリ検索部１３は、記憶部１６に保存された部品マスタ１６７および工事報告書マスタ１６３のデータを取得する。部品カテゴリ検索部１３は、取得した各種データを用いて部品カテゴリを検索し、検索結果を、端末装置２の部品カテゴリ表示部２３に表示させる。
　図７に、交換用部品検索部１４の概要を示す。交換用部品検索部１４は、端末装置２から、コールセンターの受付担当者が、図２に示した故障状況入力部２１に入力した機器情報、機器の状態等の各種データを取得する。さらに、交換用部品検索部１４は、端末装置２から、コールセンターの受付担当者が、図２に示した故障部位表示部２２の推定結果表示部２２１に表示された故障部位のうちチェックボックスにチェックの入った故障部位のデータと、部品カテゴリ表示部２３の部品カテゴリ検索結果表示部２３１に表示された部品カテゴリのうちチェックボックスにチェックの入った商品カテゴリのデータとを取得する。
　続いて、交換用部品検索部１４は、記憶部１６に保存された部品マスタ１６７および工事報告書マスタ１６３のデータを取得する。交換用部品検索部１４は、取得したデータを用いて交換用部品を検索し、検索結果を端末装置２の交換用部品表示部２４に表示させる。
　図８は、過去事例検索部１５の概要を示す図である。過去事例検索部１５は、端末装置２から、コールセンターの受付担当者が、図２に示した故障状況入力部２１に入力した機器情報、機器の状態等の各種データを取得する。さらに、過去事例検索部１５は、端末装置２から、コールセンターの受付担当者が、図２に示した故障部位表示部２２の推定結果表示部２２１に表示された故障部位のうちチェックボックスにチェックの入った故障部位のデータと、部品カテゴリ表示部２３の部品カテゴリ検索結果表示部２３１に表示された部品カテゴリのうちチェックボックスにチェックの入った商品カテゴリのデータと、交換用部品表示部２４の交換用部品検索結果表示部２４１に表示された交換用部品のうちチェックボックスにチェックの入った交換用部品のデータを取得する。
　続いて、過去事例検索部１５は、記憶部１６に保存された工事報告書マスタ１６３のデータを取得する。過去事例検索部１５は、取得したデータを用いて過去の故障事例を検索し、検索結果を端末装置２の過去事例表示部２５に表示させる。
　次に、記憶部１６に記憶された各種データの構成について、図９から図１４を参照しつつ、以下に説明する。ます、図９に、客先マスタ１６１のテーブルを示す。客先マスタ１６１は、機器を納入した客先と購入した機器に関するデータとの組合せを、一意に紐付かせたデータである。客先マスタ１６１は、機器を納入した客先を示す顧客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、機器に組み込まれている制御装置と、機器に組み込まれている電源ユニットの型名を示す電源と、機器に組み込まれているソフトウェアとの項目を含む。
　例えば、図９に示すとおり、顧客ＩＤ「Ａ０００１」の場合、機種に「ＡＢ」、据付日に「２０１７／１２／１６」、制御装置に「ＣＴ７８９」、電源に「ＶＡ３４５６」、ソフトウェアに「ＳＡ６８９」が紐づいている。
　図１０に示すのは、機器マスタ１６２のテーブルである。機器マスタ１６２は、機器の機種名を示す機種と、機器の機種区分とを含んでいる。機器の機種区分は、機器の機能を実現するための実現方式を入力する項目である。機器の機種区分には、例えば、モータ式、電動式等を記載する。例えば、図１０に示すとおり、機種「ＡＢ」の場合、機器の機種区分には「モータ式」が入力されている。
　図１１Ａおよび図１１Ｂに、工事報告書マスタ１６３のテーブルを示す。工事報告書マスタ１６３は、機器に生じた動作不良、異常、故障等に対して、エンジニアが点検および修理をした際の機器の状況、点検および修理手段等を記録するためのテーブルである。
　工事報告書マスタ１６３は複数の項目を含み、その項目は、報告書番号と、機器を納入した機器を納入した客先の顧客ＩＤと、機器の機種名を示す機種と、点検または修理が行われた工事日と、機器の故障発生日時と、動作不良、異常等の機器の状況である現象と、その現象を引き起こした原因と、エンジニアが対処した処置と、故障部位を表すコードである故障部位大分類および故障部位小分類と、交換用部品の部品コードを表す部品コードである。工事報告書マスタ１６３の項目のうち、現象、原因、処置の項目の内容は、自然言語で記載されている。
　また、工事報告書マスタ１６３の項目のうち、故障部位大分類と故障部位小分類とは、双方に入力されたコードを組み合わせることにより、故障部位を表す。故障部位大分類は、機器の部品が分類される系統、例えば、機械制御系、電気制御系等の各系統である。また、故障部位小分類は、機器の部品の具体的な名称である。例えば、故障部位大分類として「機械制御系」、「電源系」等の系統の項目、故障部位小分類として「サーボアンプ」、「電源用配線ケーブル」等の部品の項目が設定されている。
　また、故障部位大分類の系統の項目と故障部位小分類の部品の項目とにはそれぞれ、項目に対応する数値が設定されている。例えば、故障部位大分類の系統の項目が「機械制御系」である場合にはコードとして「１」が設定され、系統の項目が「電源系」である場合にはコードとして「２」が設定される。また、例えば、故障部位小分類の部品の項目が「サーボアンプ」である場合にはコードとして「５」が設定され、部品の項目が「電源用配線ケーブル」である場合にはコードとして「４」が設定される。なお、故障部位大分類および故障部位小分類の各項目に対応するコードの数値は、任意に設定された値である。
　図１２に示すのは、文書データ１６５のテーブルである。文書データ１６５は、文書の番号を示す文書番号と、機器に関する文章である文書内容の項目が含まれている。文書内容の項目に記載された文章は、自然言語で記載されている。そして、文書内容の項目には、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入力されている。文章のデータは、例えば、機器の工事の履歴、コールセンターにおける受付対応の履歴、機器の取り扱い説明書等の文書を用いて構成される。
　図１３は、単語変換テーブル１６４のテーブルである。単語変換テーブル１６４は、単語と、単語が示すベクトルの項目がふくまれている。単語が示すベクトルは、ベクトルの備える次元数分のデータを含む。単語変換テーブル１６４の生成については、詳細は後述する。図１４は、部品マスタ１６７のテーブルである。部品マスタ１６７には、部品に設定されたコードである部品コードと、部品名と、部品をカテゴライズした部品カテゴリの項目が含まれている。
　ここで、図１２に示した文書データ１６５のテーブルに含まれる文書内容の項目に記載された文章のデータは、図４に示した学習部１１の単語変換部１１２において、図１３に示した単語変換テーブル１６４を生成するために用いられる。単語変換テーブル１６４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１１２の処理を、図１５、図１６を参照して、以下に説明する。単語変換部１１２は、図１２に示した文書データ１６５のテーブルから、文書内容の項目に記載された文章のデータを取得し、形態素に分割する形態素解析処理を行う。
　例えば、図１５に示すとおり、単語変換部１１２が、図１２に示した文書データ１６５の、文書番号「１」の文書内容のデータである「機器Ａは操作画面の手前にレバーがあるので・・・」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１１２は、「機器Ａは操作画面の手前にレバーがあるので・・・」との文章を、「機器」、「Ａ」、「は」、「操作画面」、「の」、「手前」、「に」、「レバー」、「が」、「ある」、「ので」と、単語毎に分割する。なお、文章に句読点が含まれる場合、句読点は１つの単語として分割する。また、重複する単語がある場合は、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１５に示すとおり、単語変換部１１２で単語に分割された「機器」、「Ａ」、「は」、「操作画面」、「の」、「手前」、「に」、「レバー」、「が」、「ある」、「ので」は、１１個である。そこで、各単語を、１１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１６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１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１６に示すとおり、入力層に「機器」が入力される場合、図１５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「１００００００００００」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１２に示した文書番号「１」の文書内容のデータは「機器Ａは操作画面の手前にレバーがあるので・・・」である。この場合、「機器」の直近前後ある単語、すなわち周辺語となるのは、「Ａ」である。このため、ニューラルネットワークは、入力層に「機器」が入力された場合、出力層に「Ａ」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１７に示すとおり、単語「機器」のｏｎｅ－ｈｏｔベクトル「１００００００００００」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「機器」のｏｎｅ－ｈｏｔベクトルの１に対応する箇所の重み行列の行は、「１２　２８　・・・　３４」である。したがって、「１２　２８　・・・　３４」が、単語「機器」の単語ベクトルとなる。
　また、図１２に示した文書番号「１」の文書内容のデータに含まれる後続の文章に、もし「機器」という形態素が出てくるのであれば、その場合の周辺語も同様に学習する。この後、文書内容のデータにでてくる全て単語についての学習し、中間層の重みＷ１を算出する。中間層の重みＷ１の各行が、各形態素の単語ベクトルとなる。単語ベクトルは、単語と対応付けられ、図１３に示した単語変換テーブル１６４として、図４に示したサーバ１の記憶部１６に保存される。
　図４に示したサーバ１の学習部１１では、学習用基礎データ取得部１１１により記憶部１６から取得された各種データを、学習用データ生成部１１３が記憶部１６に保存された単語変換テーブル１６４を用いて数値化し、学習用データを生成する。具体的には、学習用データ生成部１１３は、学習用基礎データ取得部１１１の取得した学習用基礎データを機器の状態に関する文章を形態素に分割し、形態素ごとに単語変換テーブル１６４を用いて、単語ベクトルに変換する。
　続いて、学習用データ生成部１１３は、学習用基礎データに含まれる客先情報および機器情報に含まれる、機種のデータと、据付日のデータとを数値化する。機種のデータについては、機種の種類の要素を持つｏｎｅ―ｈｏｔベクトルに変換する。例えば、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。
　据付日のデータは、同じく学習用基礎データに含まれる工事日を用いて、据付日から経過した日数を算出した結果を用いる。具体的には、学習用データ生成部１１３は、図１１Ａに示した工事報告書マスタ１６３のテーブルに入力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１１３、取得した工事日のデータの日付から、図９に示した客先マスタ１６１のテーブルに入力されている機器の据付日のデータの日付を減算する。この減算した値は、機器を据付けてから経過した日数である。なお、経過日数は小数で表すものとする。学習用データ生成部１１３は、数値化した客先情報、機器情報、および機器の状態の各データと、第１故障部位分類および第２故障部位分類のデータとを連結し、学習用データを生成する。
　次に、学習用データ生成部１１３は、生成した学習用データを、図４に示した学習部１１の学習済モデル生成部１１４に入力とする。学習済モデル生成部１１４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を学習済モデル１６６として生成する。そして、学習済モデル生成部１１４は、記憶部１６に学習済モデル１６６を保存する。
　具体的には、学習済モデル生成部１１４は、自身に構築されたニューラルネットワークの入力層に学習用データのうち、機器情報である機種の種類の要素を持つｏｎｅ―ｈｏｔベクトル、据付日から経過した日数、および機器の状態を表す文章ベクトルを連結したデータを入力する。なお、この連結したデータを、以下では学習用入力データと呼ぶ。また、学習済モデル生成部１１４は、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分類を、全故障部位分類数の要素を持つｏｎｅ―ｈｏｔベクトルとして設定する。
　ここで、学習済モデル生成部１１４に構築されるニューラルネットワークを、図１８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１においては、中間層を１層とする。例えば、図１８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Ｘ１～Ｘｎに入力されると、その値に重みＷ１１～Ｗｎｍを掛けて中間層Ｙ１～Ｙｍに入力される。中間層Ｙ１～Ｙｍに入力された結果に、さらに重みＶ１１～Ｖｋｍを掛け、出力層Ｚ１～Ｚｋから出力される。出力層Ｚ１～Ｚｋからの出力結果は、重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍ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１においては、入力層Ｘ１～Ｘｎの各ニューロンに、学習用入力データがそれぞれ入力されると、出力層Ｚ１～Ｚｋから出力される結果が、学習用データの故障部位分類のデータに近づく状態に、重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍとを調整させる。重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍ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Ｗ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍの更新は、例えば、誤差伝搬（Ｂａｃｋ　Ｐｒｏｐａｇａｔｉｏｎ）法を用いて行う。また、以下では、重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍを調整することを、学習済モデル生成部１１４における学習という。学習済モデル生成部１１４は、調整された重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍとを、学習済モデル１６６として、図４に示した記憶部１６に保存する。
　また、図５に示した故障部位推定部１２の推定処理部１２３は、記憶部１６に記憶された学習済モデル１６６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１６６である重みＷ１１～Ｗｎｍと、重みＶ１１～Ｖｋｍ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１２３に構築されたニューラルネットワークは、入力層Ｘ１～Ｘｎの各ニューロンに、機器情報である機種の種類の要素を持つｏｎｅ―ｈｏｔベクトル、据付日から経過した日数等を連結したデータがそれぞれ入力されると、出力層Ｚ１～Ｚｋから、入力内容と一番関連の高い故障部位分類のデータを出力することができる。
　なお、本実施の形態１では、機器の構造が複雑である場合、故障部位分類の分類数が膨大となり、故障部位の分類数に対して学習させるデータの数が不十分になる可能性がある。この場合には、故障部位分類を機器構造的に第１故障部位分類、第２故障部位分類等に分類し、分類した故障部位分類ごとに分けて学習させるものとする。
　例えば、ニューラルネットワークの入力層には、学習用データのうち、機器情報である機種の種類の要素を持つｏｎｅ―ｈｏｔベクトル、据付日から経過した日数、および機器の状態を表す文章ベクトルを連結したデータが入力される。ニューラルネットワークの出力層には、第１故障部位分類に含まれる全種類数分の要素を持つｏｎｅ―ｈｏｔベクトルを設定する。これにより、第１故障部位分類を推定する学習済モデルを作成する。
　その後、第１故障部位分類を推定する学習済モデルを全学習データに対して生成する。そして、第１故障部位分類に含まれる全種類数分のデータを種類毎のデータを分け、各種類のデータに対して第２故障部位分類を推定する学習済モデルを作成する。
　具体的には、例えば、第１故障部位分類が、Ａ１、Ａ２、・・・Ａ９の９種類あるものとする。この場合、まずは、第１故障部位分類の９種類を全て出力層に設定し、第１故障部位分類を推定する学習済モデルを作成する。なお、この場合、ニューラルネットワークの入力層には、学習用データのうち、機器情報である機種の種類の要素を持つｏｎｅ―ｈｏｔベクトル、据付日から経過した日数、および機器の状態を表す文章ベクトルを連結したデータが入力される。
　続いて、第１故障部位分類のうちＡ１に含まれるデータを集め、出力層に第２故障部位分類のｏｎｅ―ｈｏｔベクトルを設定する。例えば、図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３のテーブルに入力されたデータが全部で１０００件あるものとする。このうち、図１１Ｂに示した工事報告書マスタ１６３のテーブルに入力された「故障部位大分類」に「１」が設定されているデータが３００件あるとする。そして、「故障部位大分類」の「１」には、Ａ１、Ａ２、・・・Ａ９の９種類の分類が含まれるものとする。この場合、「Ａ１」のデータが５０件あるとすると、この「Ａ１」のデータである５０件のデータを集める。そして、集めた「Ａ１」のデータの要素を持つｏｎｅ―ｈｏｔベクトルを生成し、ニューラルネットワークの出力層に設定する。
　これにより、“第１故障部位分類のＡ１の場合に、第２故障部位分類を推定する学習済モデル”を生成する。上記の手順を、Ａ９まですべての第１故障部位分類に対して行い、合計で１０の学習済モデルを作成する。推定時には、第１故障部位分類で推定したうち、一番確率が高い故障部位分類に該当する第２故障部位分類を推定のための学習済モデルを動作させることになる。例えば、推定時には、正解となる故障部位大分類および故障部位小分類が判明していない状態で、まず、故障部位大分類として第１故障部位分類を推定する。その推定結果が、第１故障部位分類に含まれる分類Ａ１が５０％、分類Ａ２が２０％、分類Ａ３が１０％・・・となったものとする。この場合、一番確立の高い分類Ａ１に含まれる第２故障部位分類を推定する学習済モデルを選択し、利用する。これにより推定した第１故障部位分類のうち、一番確率が高い故障部位大分類に含まれる第２故障部位分類、すなわち故障部位小分類を推定することができる。
　図１に示した故障部位・交換用部品推定システム１００のサーバ１および端末装置２で実行される各機能は、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１では、サーバ１の学習部１１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、サーバ１の故障部位推定部１２、部品カテゴリ検索部１３、交換用部品検索部１４、過去事例検索部１５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部品推定処理プログラムとする。学習処理プログラムと部品推定処理プログラムとを実行するためのサーバ１のハードウエア構成の一例を、図１９に示す。
　サーバ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、端末装置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１に示した記憶部１６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４から図８に示した客先マスタ１６１、機器マスタ１６２、工事報告書マスタ１６３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（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）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、端末装置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、図１に示したネットワーク３として機能する。接続部１０２は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）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（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、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（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）等の処理装置を用いて構成することができる。
　また、端末装置２は、図２に示した故障状況入力部２１、機器の故障部位を表示する故障部位表示部２２等を表示画面上に表示する。本実施の形態１では、端末装置２の表示画面上に各種情報を表示する機能を、および、コールセンターの受付担当者が故障状況入力部２１に入力するデータを受け付ける機能等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表示制御プログラムとする。表示制御プログラムを実行するための端末装置２のハードウエア構成の一例を、図２０に示す。
　端末装置２は、各種プログラム及び各種データを記憶する記憶機器２０１と、サーバ１と接続するための接続部２０２と、各種データの入力を受け付ける入力機器２０３と、各種データを表示する表示機器２０４と、表示機器２０４に表示させる表示用データを生成する表示コントローラ２０５と、各種プログラムを展開するためのメモリ２０６と、各種プログラムを実行するプロセッサ２０７とを備える。記憶機器２０１と、接続部２０２と、入力機器２０３と、表示コントローラ２０５と、メモリ２０６と、プロセッサ２０７とは、データバス２０８を介して相互に接続されている。
　記憶機器２０１には、プロセッサ２０７で実行する各種プログラムと、表示機器２０４に表示するための画像、文字等の表示用データが保存されている。記憶機器２０１は、例えば、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等の記憶装置を用いて構成することができる。
　接続部２０２は、サーバ１と接続することができる接続用ポートである。接続部２０２は、図１に示したネットワーク３として機能する。接続部２０２は、例えば、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）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。
　入力機器２０３は、コールセンターの受付担当者が各種データを入力するための入力部である。入力機器２０３は、例えば、キーボード、マウス、タッチパネル等を用いて構成することができる。表示機器２０４は、図２に示した故障状況入力部２１、故障部位表示部２２等を含む表示画面を表示する。また、表示機器２０４は、入力機器２０３により、コールセンターの受付担当者が入力した各種データを表示する。表示機器２０４は、例えば、ＬＣＤ（Ｌｉｑｕｉｄ　Ｃｒｙｓｔａｌ　Ｄｉｓｐｌａｙ）、有機ＥＬ（Ｅｌｅｃｔｒｏｌｕｍｉｎｅｓｃｅｎｃｅ）モニタ等を用いて構成することができる。
　表示コントローラ２０５は、表示機器２０４に対して、文字及び画像を含む表示用データを表示させるため映像信号を出力するコントローラである。表示コントローラ２０５は、例えば、ビデオカード、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、グラフィックボード等の映像信号出力装置を用いて構成することができる。
　メモリ２０６は、記憶機器２０１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２０６は、例えば、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、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２０７は、記憶機器２０１に記憶された各種プログラムを読み出してメモリ２０６に展開し、実行する。プロセッサ２０７は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＭＰＵ（Ｍｉｃｒｏ－ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）等の処理装置を用いて構成することができる。
　次に、本実施の形態１に係る故障部位・交換用部品推定システム１００の動作の流れを、図２１から図３２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・交換用部品推定システム１００は、まず、図１に示したサーバ１の学習部１１において、学習済モデル１６６を生成する。学習部１１で行われる処理は、学習処理プログラムとしてサーバ１の記憶部１６に記憶されている。故障部位・交換用部品推定システム１００は、学習済モデル１６６を生成するタイミングで図１９に示したサーバ１のプロセッサ１０４に、記憶機器１０１に保存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２１から図２５のフローチャートを参照しつつ、以下に説明する。
　まず、図２１において、図４に示した学習用基礎データ取得部１１１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２２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１１１は、図４に示した客先マスタ１６１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９に示した客先マスタ１６１のテーブルに含まれる顧客ＩＤと、機種と、据付日と、制御装置と、電源と、ソフトウェアのデータを取得する。なお、以下では、ここで取得したデータを総称して顧客情報のデータと称する。
　続いて、学習用基礎データ取得部１１１は、機器マスタ１６２から、客先マスタ１６１から取得した「機種」に対応する機種区分のデータを取得する（ステップＳ１０２）。機種区分のデータは、図１０に示した機器マスタ１６２のテーブルから、客先マスタ１６１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。なお、以下では、機種のデータと、取得した機種区分のデータとを総称して、機器情報のデータと称する。
　学習用基礎データ取得部１１１は、図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３のテーブルから、客先マスタ１６１から取得した顧客ＩＤおよび機種の情報に対応する、報告書番号のデータ、機器状態のデータ、故障部位のデータを取得する（ステップＳ１０３）。ここで、機器状態のデータは、工事報告書マスタ１６３の現象の項目に入力されているデータである。また、故障部位のデータは、工事報告書マスタ１６３の故障部位大分類の項目のデータ、および故障部位小分類の項目のデータである。
　学習用基礎データ取得部１１１は、取得した顧客情報のデータと、機器情報のデータと、機器状態のデータ、故障部位のデータとを、工事報告書マスタ１６３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１１１は、生成した学習用基礎データを記憶部１６に保存する（ステップＳ１０５）。
　ここで、図２１に戻る。図４に示した学習部１１の単語変換部１１２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２３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１１２は、図４に示した記憶部１６に記憶されている文書データ１６５から、図１２に示した文書データ１６５のテーブルの「文書内容」の項目に入力されている文章データを取得する（ステップＳ１１１）。単語変換部１１２は、取得した文章データ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１１２は、文章データを、句読点を含めて単語に分割する。
　単語変換部１１２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１１２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１１２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１１２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１６４を生成する（ステップＳ１１４）。単語変換部１１２は、生成した単語変換テーブル１６４を、記憶部１６に保存する（ステップＳ１１５）。
　ここで、図２１に戻る。図４に示した学習用データ生成部１１３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２４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１１３は、記憶部１６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１１３は、受信した学習用基礎データに含まれる、機器状態のデータに含まれる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１１３は、記憶部１６から単語変換テーブル１６４を取得する。学習用データ生成部１１３は、形態素、すなわち、機器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１６４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。結合した単語ベクトルを、以下では、機器の状態の文章の文章ベクトルと称する。
　続いて、学習用データ生成部１１３は、学習用データを生成する（ステップＳ１２３）。具体的には、まず、学習用データ生成部１１３は、学習用基礎データに含まれる客先情報のデータ及び機器情報のデータに含まれる、機種のデータと据付日のデータとを数値化する。機種のデータについては、機種の種類の要素を持つｏｎｅ―ｈｏｔベクトルに変換する。据付日のデータは、学習用基礎データに含まれる工事日のデータから据付日のデータを減算し、据付日から経過した日数を求める。
　学習用データ生成部１１３は、数値化した客先情報のデータ、機器情報のデータ、および機器状態のデータと、第１故障部位分類のデータおよび第２故障部位分類のデータとを連結し、学習用データを生成する。学習用データ生成部１１３は、記憶部１６に生成した学習用データを保存する（ステップＳ１２４）。ここで、図２１に戻る。図４に示した学習済モデル生成部１１４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２５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１１４は、記憶部１６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１１４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１６６として生成する（ステップＳ１３２）。具体的には、学習済モデル生成部１１４は、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、第１故障部位分類のデータと第２故障部位分類のデータとを設定する。続いて、学習済モデル生成部１１４は、ニューラルネットワークの入力層には学習用データのうち、機器情報、機器の状態を入力し、ニューラルネットワークに学習させる。学習済モデル生成部１１４は、生成した学習済モデル１６６を、記憶部１６に保存する（ステップＳ１３３）。図２１に戻り、学習済モデル生成部１１４は、学習処理を終了する。
　また、コールセンターの受付担当者は、客先から機器の故障について連絡を受けると、故障部位・交換用部品推定システム１００を使用して交換用部品の推定を行う。ここでコールセンターの受付担当者が使用する故障部位・交換用部品推定システム１００は、サーバ１側で部品を推定する部品推定処理プログラムを実行し、端末装置２側で図２に示した故障状況入力部２１、故障部位表示部２２等を表示画面上に表示する表示制御プログラムを実行する。サーバ１は、起動したタイミングで図１９に示したサーバ１のプロセッサ１０４に、記憶機器１０１に保存された部品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。また、端末装置２は、起動したタイミングで図２０に示した端末装置２のプロセッサ２０７に、記憶機器２０１に保存された表示制御プログラムをメモリ２０６に読み出させ、実行させる。
　コールセンターの受付担当者は、客先から機器の故障について連絡を受けると、図２に示した端末装置２の表示画面上に表示される故障状況入力部２１に、顧客ＩＤ、受付番号、顧客からヒアリングした故障状況を入力する。なお、端末装置２は、故障状況入力部２１に顧客ＩＤが入力された段階で、図５に示した記憶部１６に保存された客先マスタ１６１を顧客ＩＤで検索し、検索結果として抽出された据付日のデータ、機種のデータ、制御装置のデータ、電源のデータ、ソフトウェアのデータを、故障状況入力部２１の各項目を自動で入力してもよい。また、端末装置２は、記憶部１６の機器マスタ１６２を客先マスタ１６１から取得した「機種のデータ」を用いて検索し、検索結果として抽出された機種区分を故障状況入力部２１の対応する項目に入力する。コールセンターの受付担当者は、必要事項の入力完了後、故障部位推定ボタン２１４を押下する。これにより、端末装置２は、図５に示したサーバ１の故障部位推定部１２に部品推定処理を実行させる。
　部品推定処理については、図２６から図３２のフローチャートを参照しつつ、以下に説明する。まず、図２６において、図５に示したサーバ１の故障部位推定部１２に含まれる推定用基礎データ取得部１２１は、推定用基礎データの取得処理を実行する（ステップＳ２０）。推定用基礎データの取得処理については、図２７に示すフローチャートを参照しつつ、説明する。
　推定用基礎データ取得部１２１は、図５に示した故障状況入力部２１から機器情報のデータ、機器状態のデータを取得する（ステップＳ２０１）。続いて、推定用基礎データ取得部１２１は、取得した機器情報のデータと機器状態のデータとを連結し、推定用基礎データを生成する（ステップＳ２０２）。推定用基礎データ取得部１２１は、生成した推定用基礎データを図５に示した推定用データ生成部１２２に出力する。
　ここで、図２６に戻る。推定用データ生成部１２２は、推定用データの生成処理を実行する（ステップＳ２１）。推定用データの生成処理については、図２８に示すフローチャートを参照しつつ、説明する。
　推定用データ生成部１２２は、推定用基礎データ取得部１２１から推定用基礎データを取得する（ステップＳ２１１）。推定用データ生成部１２２は、推定用基礎データに含まれる機器状況のデータの文章データを形態素に分割する（ステップＳ２１２）。推定用データ生成部１２２は、記憶部１６から単語変換テーブル１６４を取得する（ステップＳ２１３）。
　推定用データ生成部１２２は、ステップＳ２１２で機器状況のデータの文章データを分割して得た各形態素を、単語変換テーブル１６４を用いて単語ベクトルに変換する。推定用データ生成部１２２は、全ての単語ベクトルを加算し、機器の状況のベクトルを作成する。推定用データ生成部１２２は、機器情報のデータと機器の状況のベクトルとを連結し、推定用データを生成する（ステップＳ２１４）。推定用データ生成部１２２は、推定用データを記憶部１６に保存する（ステップＳ２１５）。
　ここで、図２６に戻る。推定処理部１２３は、故障部位推定処理を実行する（ステップＳ２２）。故障部位推定処理については、図２９に示すフローチャートを参照しつつ、説明する。
　推定処理部１２３は、記憶部１６から推定用データを取得する（ステップＳ２２１）。続いて、推定処理部１２３は、記憶部１６から学習済モデル１６６を取得する（ステップＳ２２２）。推定処理部１２３は、自身に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１２３は、ニューラルネットワークの入力層に推定用データを入力する（ステップＳ２２４）。これにより、推定用データに学習済モデル１６６である重みが乗算され、出力層には故障部位分類の確率を出力することができる。なお、故障部位分類が１層の場合は１回の出力で完了して構わない。しかし、故障部位分類が２層の場合は、１回目の出力で一番高い第１故障部位分類に対応した第２故障部位分類の学習済モデルを利用し、もう一度ニューラルネットワークを構築する。そして、出力層に第２故障部分類の確率を出力させる。
　推定処理部１２３は、ニューラルネットワークの出力結果に基づいて、故障部位を取得する（ステップＳ２２５）。具体的には、推定処理部１２３は、ニューラルネットワークの出力層に出力された故障部位分類の確率のうち、一番確率の高い故障部位分類を故障部位として取得する。推定処理部１２３は、図２に示した端末装置２の故障部位表示部２２に、取得した故障部位を表示させる（ステップＳ２２６）。なお、故障部位表示部２２では、故障部位推定部１２で出力された第１故障部位分類と第２故障部位分類が表示されるものとする。また、これらを１つに合わせて、一つの言葉で表示してもよい。例えば、第１故障部位分類が部位Ａ、第２故障部位分類が部位Ｂとする。この場合、部位Ａ、部位Ｂと羅列してもよいし、部位Ｂだけで通じる場合は部位Ｂのみを表示してもよい。
　ここで、図２６に戻る。図６に示した部品カテゴリ検索部１３は、図２に示した部品カテゴリ表示ボタン２２２が押下されたか否か判定する（ステップＳ２３）。部品カテゴリ表示ボタン２２２が押下されていない場合（ステップＳ２３；ＮＯ）、押下されるまで待機する。部品カテゴリ表示ボタン２２２が押下された場合（ステップＳ２３；ＹＥＳ）、部品カテゴリ検索部１３は、部品カテゴリ検索処理を実行する（ステップＳ２４）。部品カテゴリ検索処理については、図３０に示すフローチャートを参照しつつ、説明する。
　部品カテゴリ検索部１３は、端末装置２の故障状況入力部２１から機器情報のデータを取得する（ステップＳ２３１）。部品カテゴリ検索部１３は、端末装置２の故障部位表示部２２から故障部位のデータを取得する（ステップＳ２３２）。部品カテゴリ検索部１３は、記憶部１６から部品マスタ１６７と工事報告書マスタ１６３とを取得する（ステップＳ２３３）。
　続いて、部品カテゴリ検索部１３は、故障部位表示部２２から取得した故障部位のデータに含まれる第１故障部位分類、第２故障部位分類、および機種のデータをキーにして、工事報告書マスタ１６３を検索する。部品カテゴリ検索部１３は、検索した結果である複数のレコードに含まれる部品コードを、部品マスタ１６７を用いて部品カテゴリに変換し、集計する（ステップＳ２３４）。これにより、部品カテゴリの過去事例のランキングが生成される。部品カテゴリ検索部１３は、集計した部品カテゴリを、図２に示した端末装置２の部品カテゴリ表示部２３に表示させる（ステップＳ２３５）。なお、故障部位表示部２２で複数の故障部位の分類のチェックボックスがチェックされる場合もある。この場合、部品カテゴリ検索部１３は、チェックされた故障部位の分類毎に集計処理を実施し、それぞれの結果を部品カテゴリ表示部２３に表示させる。
　ここで、図２６に戻る。コールセンターの受付担当者は、推定された部品カテゴリの中から修理に活用できそうな部品カテゴリを選択する。その後、図７に示した交換用部品検索部１４は、図２に示した交換用部品表示ボタン２３２が押下されたか否か判定する（ステップＳ２５）。交換用部品表示ボタン２３２が押下されていない場合（ステップＳ２５；ＮＯ）、押下されるまで待機する。交換用部品表示ボタン２３２が押下された場合（ステップＳ２５；ＹＥＳ）、交換用部品検索部１４は、交換用部品検索処理を実行する（ステップＳ２６）。交換用部品検索処理については、図３１に示すフローチャートを参照しつつ、説明する。
　交換用部品検索部１４は、端末装置２の故障状況入力部２１から機器情報のデータを取得する（ステップＳ２４１）。続いて、交換用部品検索部１４は、端末装置２の故障部位表示部２２から故障部位のデータを取得する（ステップＳ２４２）。交換用部品検索部１４は、端末装置２の部品カテゴリ表示部２３から部品カテゴリを取得（ステップＳ２４３）。交換用部品検索部１４は、記憶部１６から、部品マスタ１６７と工事報告書マスタ１６３を取得する（ステップＳ２４４）。
　交換用部品検索部１４は、取得した故障部位のデータに含まれる第１故障部位分類のデータ、第２故障部位分類のデータ、および機種のデータをキーにして、工事報告書マスタ１６３を検索する。交換用部品検索部１４は、検索した結果である複数のレコードに含まれる部品コードを集計する（ステップＳ２４５）。これにより交換用部品の過去事例における割合を求め、ランキングを決定することができる。
　交換用部品検索部１４は、部品コードを集計した結果を、端末装置２の交換用部品表示部２４に表示させる（ステップＳ２４６）。具体的には、交換用部品検索部１４は、集計した部品コードに対応する部品名および部品カテゴリを部品マスタ１６７から求め、ランキング順に端末装置２の交換用部品表示部２４に表示させる。なお、部品カテゴリ表示部２３で部品カテゴリのチェックボックスがチェックされることもある。この場合、交換用部品検索部１４は、チェックされた部品カテゴリ毎に集計処理を実施し、それぞれの結果を部品カテゴリ表示部２３に表示させる。
　図２６に戻る。コールセンターの受付担当者は、推定された交換用部品の中から修理に活用できそうな交換用部品を選択する。その後、図８に示した過去事例検索部１５は、図２に示した過去事例表示ボタン２４２が押下されたか否か判定する（ステップＳ２７）。過去事例表示ボタン２４２が押下されていない場合（ステップＳ２７；ＮＯ）、押下されるまで待機する。過去事例表示ボタン２４２が押下された場合（ステップＳ２７；ＹＥＳ）、過去事例検索部１５は、過去事例検索処理を実行する（ステップＳ２８）。過去事例検索処理については、図３２に示すフローチャートを参照しつつ、説明する。
　過去事例検索部１５は、図８に示した故障状況入力部２１から機器情報のデータを取得する（ステップＳ２５１）。過去事例検索部１５は、図８に示した故障部位表示部２２から故障部位のデータを取得する（ステップＳ２５２）。過去事例検索部１５は、図８に示した交換用部品表示部２４から交換用部品のデータを取得する（ステップＳ２５３）。過去事例検索部１５は、記憶部１６から工事報告書マスタ１６３を取得する（ステップＳ２５４）。
　続いて、過去事例検索部１５は、過去事例を検索する（ステップＳ２５５）。具体的には、過去事例検索部１５は、取得した故障部位のデータに含まれる第１故障部位分類および第２故障部位分類と、機種のデータと、交換用部品のデータとをキーにして、工事報告書マスタ１６３を検索する。過去事例検索部１５は、検索した結果に含まれる複数のレコードのうち、報告書番号、現象、原因、処置、および部品コードの各項目に入力されたデータを、端末装置２の過去事例表示部２５に表示させる（ステップＳ２５６）。ここで、過去事例検索部１５は、図２６に戻り、部品推定処理を終了する。
　以上のとおり、実施の形態１によれば、構造が複雑で部品点数の多い機器でも、客先情報、機器情報、機器の状態等のデータに基づいて精度良く故障部位、交換用部品を推定することができる故障部位・交換用部品推定システム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。
（実施の形態２）
　機器の故障を修理する時にある部品を用いる場合、同じタイミングで他の部品をセットで交換することが頻繁に発生する。例えば、交換する部品と対になる部品が存在するケース、その故障の修理が他の故障の修理を誘発しており複数箇所をまとめて修理する必要があるケース等である。そこで、本実施の形態２に係る故障部位・交換用部品推定システム１００Ａは、実施の形態１に係る故障部位・交換用部品推定システム１００の機能に加えて、修理に用いる部品とセットで交換する部品を推薦する機能を備える。
　図３３に示す故障部位・交換用部品推定システム１００Ａは、故障部位の学習、推定を行う機能を備えるサーバ１Ａと、客先情報、機器の状態等に基づいて推定された交換用部品を提示するための端末装置２Ａとを備える。サーバ１Ａは、故障部位を推定するための学習モデルを生成する学習部１１と、故障部位を推定する故障部位推定部１２と、故障部位に従って交換用部品を大まかに特定する部品カテゴリ検索部１３と、交換用部品の候補を検索する交換用部品検索部１４と、過去の故障事例を検索する過去事例検索部１５と、各種データを保存する記憶部１６と、交換する部品を推薦する部品推薦部１７を含む。部品推薦部１７は、修理に用いる部品とセットで交換する他の部品を推薦する。
　また、端末装置２Ａは、機器を納入した客先の客先情報、機器の状態等を入力する故障状況入力部２１と、機器の故障部位を表示する故障部位表示部２２と、交換用部品の部品カテゴリを表示する部品カテゴリ表示部２３と、交換用部品の候補を表示する交換用部品表示部２４と、過去の故障事例を表示する過去事例表示部２５と、推薦される部品の部品名を表示する部品表示部２６を備えている。部品表示部２６は、部品推薦部１７の推薦する部品の部品名を表示する。部品表示部２６の表示形式は、例えば、図２に示した交換用部品表示部２４に表示される部品名に、マウスポインタを重ね合わせたときに部品名の文字列、ポップアップ等を表示する形式とする。
　サーバ１Ａの部品推薦部１７は、交換用の各部品の部品コード、第１故障部位分類のデータ、第２故障部位分類のデータ、および機種のデータをキーにして、図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３を検索し、推薦する部品を求める。ここで、第１故障部位分類のデータは、図１１Ｂに示した工事報告書マスタ１６３のテーブルに示した「故障部位大分類」から求められるデータとする。また、第２故障部位分類のデータは、第１故障部位分類のデータのうち一番確率が高い故障部位大分類に含まれる、工事報告書マスタ１６３のテーブルに示した「故障部位小分類」とする。
　具体的には、部品推薦部１７は、まず、交換用の部品の部品カテゴリ及び部品名をキーにして図１４に示した部品マスタ１６７を検索し、その部品の部品コードを求める。部品推薦部１７は、第１故障部位分類のデータ、第２故障部位分類のデータ、および機種のデータをキーにして、図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３を検索する。部品推薦部１７は、検索結果に対して、部品マスタ１６７から求めた部品コードの含まれているレコードを絞り込む。
　部品推薦部１７は、絞り込んだレコードに含まれる部品コードを集計する。これにより各部品コードの割合を求め、ランキングを決定することができる。部品推薦部１７は、集計した部品コードに対応する部品名を部品マスタ１６７から求め、ランキングの順に表示する表示用データを生成する。端末装置２Ａは、図２に示した交換用部品表示部２４に表示される部品名に、コールセンターの受付担当者がマウスポインタを重ね合わせたときに、ランキングの順に推薦する部品名を、文字列、ポップアップ等の表示形式で表示する。
　部品推薦部１７による部品の推薦は、図２６に示した部品推定処理のフローチャートにおける、ステップＳ２６の交換用部品検索処理の後で実行される。部品推薦部１７の処理は、部品推薦処理プログラムとして図３３に示したサーバ１Ａの記憶部１６に保存されている。部品推薦処理プログラムで実行される処理について、図３４に示す部品推薦処理のフローチャートを参照しつつ、以下に説明する。
　部品推薦部１７は、サーバ１Ａの記憶部１６から図１４に示した部品マスタ１６７と、図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３とを取得する（ステップＳ３０１）。部品推薦部１７は、交換用の部品の部品カテゴリ及び部品名をキーにして部品マスタ１６７を検索し、その部品の部品コードを取得する（ステップＳ３０２）。部品推薦部１７は、第１故障部位分類のデータ、第２故障部位分類のデータ、および機種のデータをキーにして、工事報告書マスタ１６３を検索する（ステップＳ３０３）。
　部品推薦部１７は、ステップＳ３０３の検索結果に対して、部品マスタ１６７から求めた部品コードの含まれているレコードを絞り込む（ステップＳ３０４）。部品推薦部１７は、絞り込んだレコードに含まれる部品コードを集計し、各部品コードの割合を求める。部品推薦部１７は、求めた各部品コードの割合に応じて部品コードのランキングを決定する（ステップＳ３０５）。部品推薦部１７は、集計した部品コードに対応する部品名を部品マスタ１６７から求め、ランキングの順に表示する表示用データを生成する（ステップＳ３０６）。その後、部品推薦部１７は、部品推薦処理を終了する。
　また、端末装置２Ａは、図２に示した交換用部品表示部２４に表示される部品名に、コールセンターの受付担当者がマウスポインタを重ね合わせたときに、ランキングの順に推薦する部品名を、文字列、ポップアップ等の表示形式で表示する。推薦する部品名の表示処理については、推薦部品表示処理プログラムとして図３３に示したサーバ１Ａの記憶部１６に保存されている。推薦部品表示処理プログラムで実行される処理について、図３５に示す推薦部品表示処理のフローチャートを参照しつつ、以下に説明する
　端末装置２Ａは、図２に示した交換用部品表示部２４に表示される部品名に、マウスポインタが重畳したか否か判定する（ステップＳ３１１）。マウスポインタが重畳していない場合（ステップＳ３１１；ＮＯ）、端末装置２ＡはステップＳ３１１を繰り返す。マウスポインタが重畳した場合（ステップＳ３１１；ＹＥＳ）、端末装置２Ａは図３４に示す部品推薦処理のフローチャートのステップＳ３０６で生成した、推薦する部品名をランキングの順に表示する表示用データを、図３３に示した部品表示部２６に表示する（ステップＳ３１２）。部品表示部２６は、図２に示した交換用部品表示部２４に表示される部品名に重畳する文字列、ポップアップ等の表示形式で表示される。
　端末装置２Ａは、交換用部品表示部２４に表示される部品名からマウスポインタが離れたか否か判定する（ステップＳ３１３）。マウスポインタが離れていない場合（ステップＳ３１３；ＮＯ）、端末装置２ＡはステップＳ３１３を繰り返す。マウスポインタが離れた場合（ステップＳ３１３；ＹＥＳ）、端末装置２Ａは部品表示部２６に表示している表示用データを、非表示にする（ステップＳ３１４）。端末装置２ＡはステップＳ３１１に戻り、ステップＳ３１１からステップＳ３１４の処理をくり返す。
　以上のとおり、実施の形態２によれば、実施の形態１の効果に加え、修理に用いる部品と共にセットで交換する部品を確認することができる。
（実施の形態３）
　上記実施の形態１、２では、故障部位と交換用部品とを推定する際、コールセンターの受付担当者が客先の機器の故障状況、客先情報等を端末装置２、２Ａに入力している。しかしながら、コールセンターの受付担当者がその都度機器の故障状況、客先情報等を端末装置２、２Ａに入力するのでは推定処理に時間がかかり、また受付担当者の負担も大きい。そこで、実施の形態３に係る故障部位・交換用部品推定システム１００Ｂは、実施の形態１に係る故障部位・交換用部品推定システム１００の機能に加えて、客先に納入した客先機器４からリアルタイムに客先機器４の稼働状況のデータを取得し、故障部位の推測に利用することで故障部位の推測精度を向上する機能を備える。
　図３６に示す故障部位・交換用部品推定システム１００Ｂは、故障部位の学習、推定を行う機能を備えるサーバ１Ｂと、客先情報、機器の状態等に基づいて推定された交換用部品を提示するための端末装置２Ａとを備える。サーバ１Ｂは、客先に置かれた第１機器４Ａ、第２機器４Ｂ、・・・、第ｎ機器４ｎにネットワークを介して接続している。ここでは、第１機器４Ａは、顧客ＩＤ「Ａ０００１」の客先に納品された機種「ＡＢ」とする。第２機器４Ｂは、顧客ＩＤ「Ｂ０１２３」の客先に納品された機種「ＣＤ」とする。第ｎ機器４ｎは、顧客ＩＤ「Ｎ０００１」の客先に納品された機種「ＮＭ」とする。なお、以下では、第１機器４Ａ、第２機器４Ｂ、・・・、第ｎ機器４ｎを総称して、客先機器４と称する。
　客先機器４には複数のセンサが取り付けられている。センサの検出した値の変化を、例えば、値が大幅に変化する場合には変化点検出アルゴリズムを用い、周期性に変化がある場合には波形予測アルゴリズムといったロジックを用いることにより検出することにより、客先機器４の異常を判定することができる。しかし、異常時の客先機器４の挙動が変化に富んでいる場合、あらかじめ異常を検知する学習済みモデルを作成しておき異常の有無を判定する方が、より高精度な故障原因特定が可能になる。そこで、本実施の形態３では、サーバ１Ｂの学習部１１Ｂおよび故障部位推定部１２Ｂに異常有無を判定できる機能を設ける。
　サーバ１Ｂは、故障部位を推定するための学習モデルを生成する学習部１１Ｂと、故障部位を推定する故障部位推定部１２Ｂと、故障部位に従って交換用部品を大まかに特定する部品カテゴリ検索部１３と、交換用部品の候補を検索する交換用部品検索部１４と、過去の故障事例を検索する過去事例検索部１５と、各種データを保存する記憶部１６Ｂと、客先機器４の稼働状況のデータを取得する機器データ取得部１８とを含む。
　機器データ取得部１８は客先機器４に取り付けられた、電圧、水量等の測定用センサ、異常検知用センサ等の各種センサから測定、検知等の各種データをリアルタイムに取得する。機器データ取得部１８は、取得した測定、検知等の各種データを記憶部１６Ｂに機器稼働状況データ１６８として蓄積させる。なお、機器稼働状況データ１６８について、詳細は後述する。
　また、サーバ１Ｂの学習部１１Ｂは、図３７に示すとおり、学習の基礎となる各種データを取得する学習用基礎データ取得部１１１と、文書に含まれる単語を数値に変換する単語変換部１１２と、学習用データを生成する学習用データ生成部１１３Ｂと、学習用モデルを作成する学習済モデル生成部１１４と、客先機器４の異常部位を判定する学習用異常判定部１１５とを含む。学習用異常判定部１１５は、図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３の全故障発生日時に対して、記憶部１６Ｂに記憶した機器稼働状況データ１６８に基づいて客先機器４の異常部位を判定する。
　学習用異常判定部１１５は、判定した客先機器４の異常部位のデータを、異常判定データ１６９として記憶部１６Ｂに蓄積させる。また、学習用異常判定部１１５は、判定した客先機器４の異常部位のデータを学習部１１Ｂの学習用データ生成部１１３Ｂに入力する。学習用データ生成部１１３Ｂは、学習用異常判定部１１５から取得した客先機器４の異常部位のデータを含めた学習用データを生成する。
　また、故障部位推定部１２Ｂは、図３８に示すとおり、端末装置２の故障状況入力部２１に入力された各種データを取得する推定用基礎データ取得部１２１と、推定用データを生成する推定用データ生成部１２２Ｂと、故障部位を推定する推定処理部１２３と、推定用異常判定部１２４とを含む。推定用異常判定部１２４は、図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３の全故障発生日時に対して、記憶部１６Ｂに記憶した機器稼働状況データ１６８に基づいて客先機器４の異常部位を判定する。推定用異常判定部１２４は、判定した客先機器４の異常部位のデータを推定用データ生成部１２２Ｂに入力する。推定用データ生成部１２２Ｂは、推定用異常判定部１２４から取得した客先機器４の異常部位のデータを含めて推定用データを生成する。
　続いて、図３７に示した機器稼働状況データ１６８および異常判定データ１６９の構成について、図３９、図４０を参照して説明する。まず、図３９に機器稼働状況データ１６８のテーブルを示す。機器稼働状況データ１６８は、機器を納入した客先を示す顧客ＩＤと、客先機器４の機種名を示す機種と、客先機器４の稼働状況のデータを取得した日時を示す取得日時と、客先機器４に取り付けられた各種センサのデータを示す第１センサ、第２センサ、第３センサ等の項目を含む。
　機器稼働状況データ１６８は、図３６に示したサーバ１Ｂの機器データ取得部１８により一定時間毎に取得された客先機器４の稼働状況のデータを、顧客ＩＤに対して時系列にまとめたデータである。図３９に示す機器稼働状況データ１６８では、例えば、顧客ＩＤ「Ａ０００１」の機種「ＡＢ」において、取得日時「２０２０／１２／４　１２：００」に第１センサが「３０Ｖ」を検出し、第２センサが「２０ｍＡ」を検出し、第３センサが「１０Ω」を検出していたことが示されている。また、顧客ＩＤ「Ｂ０１２３」の機種「ＣＤ」において、取得日時「２０２０／１２／１４　１２：００」に第１センサが「２０Ｖ」を検出し、第２センサが「１５ｍＡ」を検出し、第３センサが「１５Ω」を検出していたことが示されている。
　学習用異常判定部１１５は、学習対象としたい図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３の顧客ＩＤおよび機種に対して、同じ顧客ＩＤおよび機種を持つレコードを機器稼働状況データ１６８から探し出す。そして、学習用異常判定部１１５は、工事報告書マスタ１６３の顧客ＩＤおよび機種に紐付けられた故障発生日時から一定期間さかのぼった期間のレコードを、機器稼働状況データ１６８から取得する。
　図３７に示した学習用異常判定部１１５は、機器稼働状況データ１６８から取得したレコードに対して、例えば、第１センサ～第３センサから検出した値の変化に応じて、異常の生じている部品を推定し、客先機器４の異常を判定する。具体的には、まず、図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３の、顧客ＩＤ「Ａ０００１」、機種「ＡＢ」において、故障発生日時は「２０２０／１２／１０　９：２３」である。学習用異常判定部１１５は、図３９に示した機器稼働状況データ１６８から顧客ＩＤ「Ａ０００１」、機種「ＡＢ」のレコードを探す。学習用異常判定部１１５は、工事報告書マスタ１６３の故障発生日時は「２０２０／１２／１０　９：２３」に含まれる故障発生日「２０２０／１２／１０」から一定期間、例えば７日間さかのぼった期間のレコードを取得する。例えば、学習用異常判定部１１５は、図３９に示した機器稼働状況データ１６８の「Ａ０００１」、機種「ＡＢ」において、取得日時「２０２０／１２／４～２０２０／１２／１０」の期間のレコードを取得する。
　ここで、例えば、機器稼働状況データ１６８に示す第１センサを部品内の電圧変化を検出するための電圧測定センサ、第２センサを配線の電流変化を検出するための電流測定センサ、第３センサを部品の摩耗を検出するための抵抗測定センサとする。図３９に示す機器稼働状況データ１６８では、顧客ＩＤ「Ａ０００１」の機種「ＡＢ」において、取得日時「２０２０／１２／４　１２：００」に第１センサが「３０Ｖ」を検出し、第２センサが「２０ｍＡ」を検出し、第３センサが「１０Ω」を検出していたことが示されている。続いて、取得日時「２０２０／１２／４　１３：００」では、第１センサ～第３センサの検出した値は前回と同じであったことが示されている。また、取得日時「２０２０／１２／８　９：００」でも、第１センサ～第３センサの検出した値は前回と同じであったことが示されている。
　取得日時「２０２０／１２／１０　９：００」では、第１センサは「２５Ｖ」を検出し、第２センサは「１５ｍＡ」を検出したことを示している。第３センサの検出する値は同じである。さらに、取得日時「２０２０／１２／１０　１０：００」では、第１センサは「０Ｖ」を検出し、第２センサは「５ｍＡ」を検出したことを示している。第３センサの検出する値は同じである。
　以上のことから、取得日時「２０２０／１２／１０　９：００」以降に第１センサ、第２センサの検出する値が変化したことがわかる。第１センサおよび第２センサの値に変化が起きたということは、すなわち、変化が起きたに第１センサおよび第２センサを取付けた部品または部位に故障が生じたことを示している。このため、図３７に示した学習用異常判定部１１５は、第１センサ～第３センサの検出した値の変化を検出し、変化が起きたにセンサを取付けた部品または部位に異常が生じているものと判定する。学習用異常判定部１１５は、異常があると判定した場合は判定結果として「１」を出力し、異常が無いと判定した場合は判定結果として「０」を出力する。
　学習用異常判定部１１５は、判定結果を客先機器４ごとに異常判定データ１６９に記憶する。図４０に示すのは、異常判定データ１６９のテーブルである。異常判定データ１６９は、報告書番号と、客先に置かれた第１機器４Ａ、第２機器４Ｂ、・・・、第ｎ機器４ｎとの項目を含む。報告書番号は、図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３に記載された報告書番号と同様の番号である。
　例えば、図４０に示す異常判定データ１６９の報告書番号「ＸＸＸＸＸ」は、図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３に示すとおり顧客ＩＤ「Ａ０００１」、機種「ＡＢ」に関する報告である。このため、顧客ＩＤ「Ａ０００１」の客先に納品された機種「ＡＢ」である第１機器４Ａに異常があったか否か、学習用異常判定部１１５が判定した結果を記載する。
　例えば、図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３に、顧客ＩＤ「Ａ０００１」、機種「ＡＢ」の故障履歴が記載されており、図３９に示した機器稼働状況データ１６８から学習用異常判定部１１５が第１機器４Ａに異常があったと判定したものとする。この場合、異常判定データ１６９の報告書番号「ＸＸＸＸＸ」に紐づけられた第１機器４Ａの欄に「１」が記載され、第２機器４Ｂ、・・・、第ｎ機器４ｎの欄には「０」が記載される。
　また、学習用異常判定部１１５は、判定結果を図３７に示した学習部１１Ｂの学習用データ生成部１１３Ｂに入力する。学習用異常判定部１１５は、例えば、｛工事報告書番号、第１機器４Ａの判定結果、第２機器４Ｂの判定結果、・・・、第ｎ機器４ｎの判定結果｝＝｛ＸＸＸＸＸ、１、０、・・・、０｝の形式で、判定結果を学習用データ生成部１１３Ｂに出力する。学習用データ生成部１１３Ｂは、学習用異常判定部１１５から取得した判定結果を含めて学習用データを生成する。
　また、図３８に示した故障部位推定部１２Ｂの推定用異常判定部１２４は、学習用異常判定部１１５と同様に、図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３の全故障発生日時に対して、記憶部１６Ｂに記憶した機器稼働状況データ１６８に基づいて客先機器４の異常部位を判定する。推定用異常判定部１２４は、推定結果を、例えば、｛工事報告書番号、第１機器４Ａの判定結果、第２機器４Ｂの判定結果、・・・、第ｎ機器４ｎの判定結果｝＝｛ＸＸＸＸＸ、１、０、・・・、０｝の形式で、判定結果を推定用データ生成部１２２Ｂに出力する。推定用データ生成部１２２Ｂは、推定用異常判定部１２４から取得した判定結果を含めて推定用データを生成する。推定処理部１２３は、推定用データ生成部１２２Ｂの生成した推定用データを用いて、推定処理を実行する。
　図３９に示した機器稼働状況データ１６８は、図３６のサーバ１Ｂの稼働中に、機器データ取得部１８が客先機器４の各種センサから測定、検知等の各種データをリアルタイムに取得するにより生成されている。機器データ取得部１８の実行する機器稼働状況データ１６８の生成処理は、機器稼働状況データ生成処理プログラムとして、図３６に示すサーバ１Ｂの記憶部１６Ｂに保存されている。機器稼働状況データ生成処理プログラムは、図３６のサーバ１Ｂが稼働したタイミングで、記憶部１６Ｂから図１９に示したメモリ１０３に読み出され、プロセッサ１０４により実行される。機器稼働状況データ生成処理プログラムで実行される処理について、図４１に示す機器稼働状況データ生成処理のフローチャートを参照しつつ、以下に説明する。
　機器データ取得部１８は客先機器４に取り付けられた、電圧、水量等の測定用センサ、異常検知用センサ等の各種センサから測定、検知等の各種データを取得する（ステップＳ４０１）。機器データ取得部１８は、サーバ１Ｂの記憶部１６Ｂから機器稼働状況データ１６８を取得する。機器データ取得部１８は、ステップＳ４０１で取得した各種センサのデータを機器稼働状況データ１６８の末尾に追加する（ステップＳ４０２）。具体的には、機器データ取得部１８は、取得した各種センサのデータを、データの取得元である顧客ＩＤおよび機種と、データの取得日時とに対応つけて、図３９に示した機器稼働状況データ１６８のテーブルの末尾に追加する。
　機器データ取得部１８は、機器稼働状況データ１６８をサーバ１Ｂの記憶部１６Ｂに保存する（ステップＳ４０３）。機器データ取得部１８は、サーバ１Ｂから各種センサのデータの取得を終了する指示があったか否か判定する（ステップＳ４０４）。例えば、サーバ１Ｂの電源が落とされた場合、ユーザからデータの取得を終了する指示があった場合である。データの取得を終了する指示があった場合（ステップＳ４０４；ＹＥＳ）、機器データ取得部１８は、機器稼働状況データ生成処理プログラムを終了する。また、データの取得を終了する指示がない場合（ステップＳ４０４；ＮＯ）、機器データ取得部１８はステップＳ４０１に戻り、ステップＳ４０１からステップＳ４０４の処理をくり返す。
　また、本実施の形態３では、図３７に示したサーバ１Ｂの学習部１１Ｂに含まれる学習用異常判定部１１５により、記憶部１６Ｂに記憶した機器稼働状況データ１６８に基づいて客先機器４の異常部位を判定し、異常判定データ１６９を生成している。また、学習用異常判定部１１５は判定結果を学習用データ生成部１１３Ｂに出力し、これにより、学習用データ生成部１１３Ｂは判定結果を含めて学習用データを生成する。
　同様に、図３８に示したサーバ１Ｂの故障部位推定部１２Ｂに含まれる推定用異常判定部１２４は、記憶部１６Ｂに記憶した機器稼働状況データ１６８に基づいて客先機器４の異常部位を判定し、異常判定データ１６９を生成する。また、推定用異常判定部１２４は判定結果を推定用データ生成部１２２Ｂに出力し、これにより推定用データ生成部１２２Ｂは、判定結果を含めて推定用データを生成する。
　学習部１１Ｂの学習用異常判定部１１５および故障部位推定部１２Ｂの推定用異常判定部１２４の実行する異常判定データ生成および出力は、異常判定データ生成処理プログラムとして図３６に示すサーバ１Ｂの記憶部１６Ｂに保存されている。異常判定データ生成処理プログラムは、図２４に示した学習用データの生成処理のフローチャートにおけるステップＳ１２３の前で実行され、学習用データ生成部１１３Ｂは学習用異常判定部１１５から出力される判定結果を含めて学習用データを生成する。また、異常判定データ生成処理プログラムは、図２８に示した推定用データの生成処理のフローチャートにおけるステップＳ２１３の前で実行され、推定用データ生成部１２２Ｂは推定用異常判定部１２４から出力される判定結果を含めて推定用データを生成する。
　異常判定データ生成処理プログラムで実行される処理について、図４２に示す異常判定データ生成処理のフローチャートを参照しつつ、以下に説明する。なお、ここでは、学習部１１Ｂの学習用異常判定部１１５の実行する処理として説明する。学習用異常判定部１１５は、図３７に示した記憶部１６Ｂから機器稼働状況データ１６８を取得する（ステップＳ４１１）。学習用異常判定部１１５は、学習対象としたい図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３の顧客ＩＤおよび機種に対して、同じ顧客ＩＤおよび機種を持つレコードを機器稼働状況データ１６８で検索する（ステップＳ４１２）。
　学習用異常判定部１１５は、工事報告書マスタ１６３の顧客ＩＤおよび機種に紐付けられた故障発生日時から一定期間さかのぼった、一定期間分の期間のレコードを、機器稼働状況データ１６８から取得する（ステップＳ４１３）。例えば、学習用異常判定部１１５は、故障発生日時から１週間遡った期間のレコードを機器稼働状況データ１６８から取得する。学習用異常判定部１１５は、機器稼働状況データ１６８から取得したレコードに対して、センサから検出した値に変化があったレコードを検索する（ステップＳ４１４）。
　学習用異常判定部１１５は、センサから検出した値の変化に応じて、部品または部位の異常を判定する（ステップＳ４１５）。例えば、学習用異常判定部１１５は、変化が起きたセンサを取付けた部品または部位に異常が生じているものと判定する。学習用異常判定部１１５は判定結果を設定する（ステップＳ４１６）。例えば、学習用異常判定部１１５は、異常があると判定した場合は判定結果として「１」を設定し、異常が無いと判定した場合は判定結果として「０」を設定する。
　学習用異常判定部１１５は、判定結果を図３７に示した学習部１１Ｂの学習用データ生成部１１３Ｂに出力する（ステップＳ４１７）。学習用異常判定部１１５は、例えば、｛工事報告書番号、第１機器４Ａの判定結果、第２機器４Ｂの判定結果、・・・、第ｎ機器４ｎの判定結果｝＝｛ＸＸＸＸＸ、１、０、・・・、０｝の形式で、判定結果を学習用データ生成部１１３Ｂに出力する。
　学習用異常判定部１１５は、判定結果を図４０に示した異常判定データ１６９の末尾に追加する（ステップＳ４１８）。具体的には、学習用異常判定部１１５は、図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３に記載された報告書番号と同様の番号である報告書番号と、客先機器４ごとの判定結果とを対応付けて、異常判定データ１６９の末尾に追加する。学習用異常判定部１１５は、判定結果を追加した異常判定データ１６９を図３７に示した記憶部１６Ｂに保存する（ステップＳ４１９）。学習用異常判定部１１５は異常判定データ生成処理を終了する。
　以上のとおり、実施の形態３によれば、実施の形態１および２の効果に加え、客先に納入した客先機器４からリアルタイムに客先機器４の稼働状況のデータを取得し、故障部位の推測に利用することで故障部位の推測精度を向上させることができる。さらに、サーバ１Ｂの学習部１１Ｂで客先機器４の稼働状況のデータを学習して異常を検知する学習済みモデルを作成し、故障部位推定部１２Ｂで学習済モデルを用いて異常の有無を判定することにより、より高精度な故障原因特定が可能になる。これにより、異常時の客先機器４の挙動が変化に富んでいる場合であっても、精度よく故障原因特定をすることができる。
（変形例１）
　上記の実施の形態１～３において、図４に示した学習済モデル生成部１１４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２）
　上記の実施の形態１～３において、故障部位・交換用部品推定システム１００はサーバ１と端末装置２とを含むシステムとした。これに限らず、サーバ１と端末装置２で動作する各機能を１つの装置に内蔵し、故障部位・交換用部品推定システム１００、１００Ａ、１００Ｂとしてもよい。
（変形例３）
　上記の実施の形態１～３において、図４に示した学習済モデル生成部１１４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４）
　上記の実施の形態２では、図３３に示したサーバ１Ａの部品推薦部１７が、第１故障部位分類のデータ、第２故障部位分類のデータ等をキーにして、図１１Ａ、図１１Ｂに示した工事報告書マスタ１６３を検索した検索結果に対して、部品マスタ１６７から求めた部品コードの含まれているレコードを絞り込むものとした。しかしながら、使用期間が長い製品は、交換部品の代替わりが発生することが少なくない。このため、部品推薦部１７は、工事報告書マスタ１６３を検索した検索結果に含まれる全て部品コードに対して、対応する部品カテゴリを図１４に示した部品マスタ１６７から求める。部品推薦部１７は、求めた部品カテゴリを集計して各部品カテゴリの割合を求め、ランキングを決定する。部品推薦部１７は、集計した部品カテゴリをランキングの順に端末装置２Ａの部品表示部２６に表示させる。これにより、交換部品の代替わりが発生している場合でも、部品カテゴリの中から代わりの部品を見つけることができる。
　また、本開示の実施の形態１～３では、故障部位・交換用部品推定システム１００、１００Ａ、１００Ｂ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・交換用部品推定システム１００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（Ｃｏｍｐａｃｔ　Ｄｉｓｃ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｃ　Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）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（Ｏｐｅｒａｔｉｎｇ　Ｓｙｓｔｅｍ）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。
　本開示は、本開示の広義の精神と範囲を逸脱することなく、様々な実施の形態及び変形が可能とされるものである。また、上述した実施の形態は、この開示を説明するためのものであり、本開示の範囲を限定するものではない。すなわち、本開示の範囲は、実施の形態ではなく、請求の範囲によって示される。そして請求の範囲内及びそれと同等の開示の意義の範囲内で施される様々な変形が、この開示の範囲内とみなされる。
　本出願は、２０２１年７月１９日に出願された日本国特許出願特願２０２１－１１８９１４号に基づく。本明細書中に日本国特許出願特願２０２１－１１８９１４号の明細書、特許請求の範囲、図面全体を参照として取り込むものとする。
　本開示は、故障部位・交換用部品推定システムに好適に利用することができる。
　１、１Ａ、１Ｂ　サーバ、２、２Ａ　端末装置、３　ネットワーク、４　客先機器、４Ａ　第１機器、４Ｂ　第２機器、４ｎ　第ｎ機器、１１、１１Ｂ　学習部、１２、１２Ｂ　故障部位推定部、１３　部品カテゴリ検索部、１４　交換用部品検索部、１５　過去事例検索部、１６、１６Ｂ　記憶部、１７　部品推薦部、１８　機器データ取得部、２１　故障状況入力部、２２　故障部位表示部、２３　部品カテゴリ表示部、２４　交換用部品表示部、２５　過去事例表示部、２６　部品表示部、１００、１００Ａ、１００Ｂ　故障部位・交換用部品推定システム、１０１、２０１　記憶機器、１０２、２０２　接続部、１０３、２０６　メモリ、１０４、２０７　プロセッサ、１０５、２０８　データバス、１１１　学習用基礎データ取得部、１１２　単語変換部、１１３、１１３Ｂ　学習用データ生成部、１１４　学習済モデル生成部、１１５　学習用異常判定部、１２１　推定用基礎データ取得部、１２２、１２２Ｂ　推定用データ生成部、１２３　推定処理部、１２４　推定用異常判定部、１６１　客先マスタ、１６２　機器マスタ、１６３　工事報告書マスタ、１６４　単語変換テーブル、１６５　文書データ、１６６　学習済モデル、１６７　部品マスタ、１６８　機器稼働状況データ、１６９　異常判定データ、２０３　入力機器、２０４　表示機器、２０５　表示コントローラ、２１１　客先情報入力欄、２１２　受付番号欄、２１３　故障状況入力欄、２１４　故障部位推定ボタン、２２１　推定結果表示部、２２２　部品カテゴリ表示ボタン、２３１　部品カテゴリ検索結果表示部、２３２　交換用部品表示ボタン、２４１　交換用部品検索結果表示部、２４２　過去事例表示ボタン、２５１　過去事例検索結果表示。

Claims (12)

  1. 　納入した機器に関する情報および前記機器の納入した客先の情報を含む客先情報のデータと、前記機器の故障状況を含む機器状態のデータと、を入力するための故障状況入力部を含む端末装置と、
    　前記客先情報のデータ、前記機器状態のデータおよび前記機器の機種を含む機器情報のデータに基づいて前記機器の故障部位を推定する故障部位推定部と、前記故障部位推定部が推定した前記故障部位に応じて交換用部品の部品カテゴリを検索する部品カテゴリ検索部と、前記部品カテゴリ検索部の検索した部品カテゴリに従って前記交換用部品の候補のデータを検索する交換用部品検索部と、を含むサーバと、
    　を備える故障部位・交換用部品推定システム。
  2. 　前記端末装置は、前記サーバの故障部位推定部が推定した前記機器の故障部位のデータを表示するための故障部位表示部をさらに含み、
    　前記サーバの部品カテゴリ検索部は、前記故障部位表示部に表示された前記機器の故障部位のデータのうち、ユーザに選択された前記機器の故障部位のデータに関連する前記交換用部品の前記部品カテゴリを検索する、
    　請求項１に記載の故障部位・交換用部品推定システム。
  3. 　前記端末装置は、前記サーバの部品カテゴリ検索部が検索した前記機器の故障部位のデータに関連する前記交換用部品の部品カテゴリのデータを表示するための部品カテゴリ表示部をさらに含み、
    　前記サーバの交換用部品検索部は、前記故障部位表示部に表示された前記機器の故障部位のデータおよび前記部品カテゴリ表示部に表示された前記部品カテゴリのデータのうち、ユーザに選択された前記機器の故障部位のデータおよび前記部品カテゴリのデータに関連する交換用部品の候補を検索する、
    　請求項２に記載の故障部位・交換用部品推定システム。
  4. 　前記端末装置は、前記サーバの交換用部品検索部が検索した交換用部品の候補のデータを表示するための交換用部品表示部をさらに含み、
    　前記サーバは、前記故障部位表示部に表示された前記機器の故障部位のデータ、前記部品カテゴリ表示部に表示された前記部品カテゴリのデータ、および前記交換用部品表示部に表示された交換用部品の候補のデータのうち、ユーザに選択された前記機器の故障部位のデータ、前記部品カテゴリのデータ、および交換用部品の候補のデータに従って過去の故障事例を検索する過去事例検索部をさらに含む、
    　請求項３に記載の故障部位・交換用部品推定システム。
  5. 　前記サーバは、前記客先情報のデータ、前記機器情報のデータ、および前記機器状態のデータを学習し、前記機器の故障部位を推定することができる学習済モデルを生成する学習部をさらに含む、
    　請求項１から４の何れか一項に記載の故障部位・交換用部品推定システム。
  6. 　前記学習部は、自身に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、前記客先情報のデータ、前記機器情報のデータ、および前記機器状態のデータに対応する、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５に記載の故障部位・交換用部品推定システム。
  7. 　前記故障部位推定部は、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自身に構築し、前記ニューラルネットワークにより、前記客先情報のデータ、前記機器情報のデータ、および前記機器状態のデータに基づいて、前記機器の故障部位を推定する、
    　請求項６に記載の故障部位・交換用部品推定システム。
  8. 　前記サーバは、前記交換用部品検索部で検索した部品と対で交換される部品を推薦する部品推薦部をさらに備える、
    　請求項１から７の何れか一項に記載の故障部位・交換用部品推定システム。
  9. 　前記学習部は、納入した機器に取り付けられたセンサから取得した前記機器の稼働状況を示す機器稼働状況データに基づいて前記機器の異常部位の有無を判定した判定結果を含む学習用データを学習し、前記機器の故障部位を出力するための前記学習済モデルを生成する、
    　請求項６に記載の故障部位・交換用部品推定システム。
  10. 　前記故障部位推定部は、前記機器の稼働状況を示す機器稼働状況データに基づいて前記機器の異常部位の有無を判定した判定結果を含む推定用データを用いて前記機器の故障部位を推定する、
    　請求項９に記載の故障部位・交換用部品推定システム。
  11. 　機器の故障部位および交換用部品を推定する故障部位・交換用部品推定システムが実行する方法であって、
    　納入した機器に関する情報および前記機器の納入した客先の情報を含む客先情報のデータ、前記機器の故障状況を含む機器状態のデータ、および前記機器の機種を含む機器情報のデータに基づいて前記機器の故障部位を推定し、
    　推定した前記故障部位に応じて前記交換用部品の部品カテゴリを検索し、
    　検索した前記部品カテゴリに従って前記交換用部品の候補のデータを検索する、
    　方法。
  12. 　コンピュータに、
    　納入した機器に関する情報および前記機器の納入した客先の情報を含む客先情報のデータ、前記機器の故障状況を含む機器状態のデータ、および前記機器の機種を含む機器情報のデータに基づいて前記機器の故障部位を推定する処理、
    　推定した前記故障部位に応じて交換用部品の部品カテゴリを検索する処理、
    　検索した前記部品カテゴリに従って前記交換用部品の候補のデータを検索する処理、
    　を実行させるためのプログラム。
PCT/JP2022/027558 2021-07-19 2022-07-13 故障部位・交換用部品推定システム、方法、及び、プログラム WO2023002897A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2023536707A JPWO2023002897A1 (ja) 2021-07-19 2022-07-13
CN202280046843.8A CN117651962A (zh) 2021-07-19 2022-07-13 故障部位/更换用部件估计系统、方法和程序

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2021-118914 2021-07-19
JP2021118914 2021-07-19

Publications (1)

Publication Number Publication Date
WO2023002897A1 true WO2023002897A1 (ja) 2023-01-26

Family

ID=84979177

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2022/027558 WO2023002897A1 (ja) 2021-07-19 2022-07-13 故障部位・交換用部品推定システム、方法、及び、プログラム

Country Status (3)

Country Link
JP (1) JPWO2023002897A1 (ja)
CN (1) CN117651962A (ja)
WO (1) WO2023002897A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000155700A (ja) * 1999-01-01 2000-06-06 Hitachi Ltd 品質情報収集診断システムおよびその方法
JP2005182465A (ja) * 2003-12-19 2005-07-07 Toshiba Corp 保守支援方法及びプログラム
JP2006350923A (ja) * 2005-06-20 2006-12-28 Ricoh Co Ltd 交換部品推定システム、交換部品推定方法および交換部品推定プログラム
JP2012198783A (ja) * 2011-03-22 2012-10-18 Fujitsu Fsas Inc 保守部品手配方法及びシステム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000155700A (ja) * 1999-01-01 2000-06-06 Hitachi Ltd 品質情報収集診断システムおよびその方法
JP2005182465A (ja) * 2003-12-19 2005-07-07 Toshiba Corp 保守支援方法及びプログラム
JP2006350923A (ja) * 2005-06-20 2006-12-28 Ricoh Co Ltd 交換部品推定システム、交換部品推定方法および交換部品推定プログラム
JP2012198783A (ja) * 2011-03-22 2012-10-18 Fujitsu Fsas Inc 保守部品手配方法及びシステム

Also Published As

Publication number Publication date
CN117651962A (zh) 2024-03-05
JPWO2023002897A1 (ja) 2023-01-26

Similar Documents

Publication Publication Date Title
US20200019893A1 (en) Preventative diagnosis prediction and solution determination of future event using internet of things and artificial intelligence
Song et al. A general software defect-proneness prediction framework
CN104583947B (zh) 预测软件构建错误
CN108780315B (zh) 用于优化旋转设备的诊断的方法和装置
JP5278310B2 (ja) 診断システム
EP3379429A1 (en) A method for retrieving a recommendation from a knowledge database of a ticketing system
CN110517762B (zh) 生成用于识别和/或预测医疗设备的故障的知识库的方法
JP2009181536A (ja) ソフトウェアの障害管理装置、テスト管理装置、ならびにそれらのプログラム
JP5338492B2 (ja) 入力変数選択支援装置
WO2020247586A1 (en) Automated conversation review to surface virtual assistant misunderstandings
US11593648B2 (en) Methods and systems for detection and isolation of bias in predictive models
WO2021049365A1 (ja) 情報処理装置、情報処理方法、及びプログラム
JP2020126510A (ja) 計算機システム及び情報の提示方法
CN114610865A (zh) 召回文本推荐方法、装置、设备及存储介质
JP2012243125A (ja) 因果単語対抽出装置、因果単語対抽出方法および因果単語対抽出用プログラム
Wang et al. A hybrid expert system for equipment failure analysis
Marocco et al. Operational text-mining methods for enhancing building maintenance management
US20220198274A1 (en) Method and system for unstructured information analysis using a pipeline of ml algorithms
WO2023002897A1 (ja) 故障部位・交換用部品推定システム、方法、及び、プログラム
AU2023203898B2 (en) Method For Managing Plant, Plant Design Device, And Plant Management Device
Raut et al. Mental Health and Personality Determination using Machine Learning
Choi et al. A Systematic Literature Review on Performance Prediction in Learning Programming Using Educational Data Mining
JP2022068690A (ja) 意思決定支援装置
US20080312985A1 (en) Computerized evaluation of user impressions of product artifacts
JP7466402B2 (ja) 故障部位推定装置、方法、及び、プログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 22845831

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2023536707

Country of ref document: JP

WWE Wipo information: entry into national phase

Ref document number: 202280046843.8

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE