WO2024004351A1 - プロセッサシステムおよび不具合診断方法 - Google Patents

プロセッサシステムおよび不具合診断方法 Download PDF

Info

Publication number
WO2024004351A1
WO2024004351A1 PCT/JP2023/015715 JP2023015715W WO2024004351A1 WO 2024004351 A1 WO2024004351 A1 WO 2024004351A1 JP 2023015715 W JP2023015715 W JP 2023015715W WO 2024004351 A1 WO2024004351 A1 WO 2024004351A1
Authority
WO
WIPO (PCT)
Prior art keywords
knowledge
graph
information
defect
processor system
Prior art date
Application number
PCT/JP2023/015715
Other languages
English (en)
French (fr)
Inventor
修一 西納
裕 植松
忠信 鳥羽
健一 新保
巧 上薗
Original Assignee
株式会社日立製作所
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 株式会社日立製作所 filed Critical 株式会社日立製作所
Publication of WO2024004351A1 publication Critical patent/WO2024004351A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0736—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function
    • G06F11/0739—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment in functional embedded systems, i.e. in a data processing system designed as a combination of hardware and software dedicated to performing a certain function in a data processing system embedded in automotive or aircraft systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/079—Root cause analysis, i.e. error or fault diagnosis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/07—Responding to the occurrence of a fault, e.g. fault tolerance
    • G06F11/0703—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation
    • G06F11/0706—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment
    • G06F11/0721—Error or fault processing not based on redundancy, i.e. by taking additional measures to deal with the error or fault not making use of redundancy in operation, in hardware, or in data representation the processing taking place on a specific hardware platform or in a specific software environment within a central processing unit [CPU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/22—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing
    • G06F11/2257—Detection or location of defective computer hardware by testing during standby operation or during idle time, e.g. start-up testing using expert systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/02—Knowledge representation; Symbolic representation
    • G06N5/022—Knowledge engineering; Knowledge acquisition

Definitions

  • the present invention relates to a processor system and a fault diagnosis method.
  • the present invention claims priority of Japanese patent application number 2022-106298 filed on June 30, 2022, and for designated countries where incorporating by reference to documents is permitted, the contents described in that application are Incorporated into this application by reference.
  • Patent Document 1 discloses a distributed system that analyzes abnormality factors in edge devices such as mobile objects and equipment. Specifically, Patent Document 1 states, ⁇ A distributed system includes an edge device that is a mobile body or equipment that can operate automatically, and a diagnostic data computer. a mechanism or actuation mechanism; and an in-edge controller for controlling the moving mechanism or the actuation mechanism, wherein the diagnostic data calculator: receives diagnostic data indicative of internal conditions within the in-edge controller. It is stated that.
  • each knowledge graph is created based on domain knowledge specific to a specialized field. Therefore, knowledge graphs created based on mutually different domain knowledge may have the same meaning due to domain differences in the background expertise or errors in the machine learning algorithm used to estimate the knowledge graphs. There are many cases where the notation of the knowledge items possessed is different. Therefore, it is extremely difficult to integrate these multiple knowledge graphs.
  • Patent Document 1 discloses that analysis of data generated from edge devices is performed using a fault tree analysis using a knowledge graph regarding abnormal factors and their influence ranges. However, in the technique of Patent Document 1, analysis is performed using a knowledge graph for each area. That is, the technique disclosed in Patent Document 1 does not take into consideration integrating knowledge regarding defects in a cross-disciplinary manner and diagnosing the cause of the defects based on the integrated knowledge.
  • the present invention was made in view of the above-mentioned problems, and aims to realize more accurate defect diagnosis by obtaining comprehensive explicit knowledge that can be applied to defect diagnosis based on knowledge spanning multiple fields. do.
  • a processor system that solves the above problems is a processor system having one or more processors and one or more memory resources, wherein the memory resources are electronic devices including mobile bodies or equipment.
  • a diagnostic program for diagnosing a system
  • a plurality of knowledge graphs used in the diagnostic program at least a first knowledge graph and a second knowledge graph created based on domain knowledge different from the first knowledge graph
  • a plurality of the knowledge graphs including: (1) a first knowledge item included in the first knowledge graph and a first knowledge item included in the second knowledge graph; (2) If the similarity satisfies a predetermined condition, an integrated graph that integrates the first knowledge graph and the second knowledge graph is generated. do.
  • more accurate defect diagnosis can be achieved by obtaining explicit knowledge with high comprehensiveness that can be applied to defect diagnosis based on knowledge spanning multiple areas.
  • FIG. 1 is a diagram showing an example of a schematic configuration of a processor system. It is a diagram showing an example of a knowledge graph. 1 is a diagram showing an example of a functional configuration of a processor system. It is a flow diagram showing an example of integrated knowledge generation processing, learning processing, and diagnosis processing.
  • FIG. 3 is a diagram showing an example of similarity information.
  • FIG. 3 is a diagram showing an example of generation of an integrated graph.
  • FIG. 3 is an explanatory diagram regarding the definition of an input data format using an integrated graph.
  • 1 is a diagram illustrating an example of an overview of a service system to which a processor system according to an embodiment is applied.
  • FIG. 1 is a diagram showing an example of a schematic configuration of a processor system 100 according to the present embodiment.
  • a processor system (hereinafter sometimes referred to as “this system”) 100 is a device that diagnoses problems occurring in electronic systems including equipment and moving objects.
  • the system 100 includes knowledge graphs related to defects in each specialized area (hereinafter sometimes referred to as "area”) related to equipment and moving objects equipped with electronic systems.
  • the knowledge items are integrated based on their semantic similarity.
  • this system 100 uses an integrated knowledge graph (hereinafter sometimes referred to as “integrated graph”) to create an information model (hereinafter sometimes referred to as “diagnostic model”) for identifying the cause of a problem to be diagnosed. ) to generate learning data used for machine learning.
  • integrated graph an integrated knowledge graph
  • diagnosis model an information model for identifying the cause of a problem to be diagnosed.
  • the present system 100 obtains the cause of the problem identified as a diagnosis result by inputting information indicating the state of the problem that has occurred into the diagnostic model.
  • learning data used for machine learning of a diagnostic model can be generated using an integrated graph generated cross-domainly.
  • FIG. 1 is a diagram showing an example of a schematic configuration of a processor system 100.
  • the system 100 is connected to an external device 10 so as to be able to communicate with each other via, for example, a communication cable or a predetermined communication network (for example, the Internet, a LAN (Local Area Network), or a WAN (Wide Area Network), etc.). ing.
  • a communication cable or a predetermined communication network for example, the Internet, a LAN (Local Area Network), or a WAN (Wide Area Network), etc.
  • the external device 10 is a device that transmits input information to the processor system 100. Further, the external device 10 is also a device that acquires information generated by the processor system 100. Specifically, the external device 10 transmits defect-related information (graph information or non-graph information) to the processor system 100. Furthermore, in addition to such information, the external device 10 provides (sends) various information to the processor system 100 that is used in the processing executed by the processor system 100. Further, the external device 10 acquires the diagnosis result specified by the processor system 100 from the processor system 100.
  • defect-related information graph information or non-graph information
  • the external device 10 includes a computer used by a business that receives the diagnostic service provided by this system 100, such as a product manufacturing/maintenance business such as an automobile manufacturer, or an infrastructure management business, or a computer that is executed by the processor system 100. This includes the operator's computers that provide various useful information used in the processing performed. That is, the external device 10 is intended for multiple types of computers depending on the type of information provided to the processor system 100.
  • the processor system 100 performs an integrated knowledge generation process for generating an integrated graph, a learning process for machine learning a diagnostic model, and a defect diagnosis by having the processor 30 read various programs and information stored in the memory resource 40. and the diagnostic processing to be performed. Details of each process will be described later.
  • the processor system 100 is a computer such as a personal computer, a tablet terminal, a smartphone, a server computer, and a cloud server, and is a system that includes at least one or more of these computers.
  • the processor system 100 includes a processor 30, a memory resource 40, an NI (Network Interface Device) 50, and a UI (User Interface Device) 60.
  • NI Network Interface Device
  • UI User Interface Device
  • the processor 30 is an arithmetic device that reads various programs stored in the memory resource 40 and executes processing corresponding to each program.
  • the processor 30 is a microprocessor, a CPU (Central Processing Unit), a GPU (Graphics Processing Unit), an FPGA (Field Programmable Gate Array), or other arithmetic processing unit.
  • An example is a semiconductor device that can be used.
  • the memory resource 40 is a storage device that stores various information.
  • the memory resource 40 is a nonvolatile or volatile storage medium such as a RAM (Random Access Memory) or a ROM (Read Only Memory).
  • the memory resource 40 may be, for example, a rewritable storage medium such as a flash memory, a hard disk, or an SSD (Solid State Drive), a USB (Universal Serial Bus) memory, a memory card, or a hard disk.
  • the NI 50 is a communication device that performs information communication with the external device 10.
  • the NI 50 communicates information with the external device 10 via a predetermined communication network N, such as a LAN or the Internet. Note that unless otherwise specified below, it is assumed that information communication between the processor system 100 and the external device 10 is performed via the NI 50.
  • the UI 60 is an input device for inputting user (operator) instructions into the processor system 100, and an output device for outputting information generated by the processor system 100.
  • Input devices include, for example, keyboards, touch panels, pointing devices such as mice, and voice input devices such as microphones.
  • examples of the output device include a display, a printer, a speech synthesizer, and the like. Note that unless otherwise mentioned below, it is assumed that the user's operations on the processor system 100 (for example, information input, output, processing execution instructions, etc.) are performed via the UI 60.
  • each configuration, function, processing means, etc. of the present system 100 may be partially or entirely realized in hardware by, for example, designing an integrated circuit. Further, in the present system 100, a part or all of each function can be realized by software, or by cooperation between software and hardware. Further, the present system 100 may use hardware having a fixed circuit, or may use hardware in which at least some of the circuits can be changed.
  • the present system 100 can also be realized by a user (operator) implementing part or all of the functions and processes realized by each program.
  • DB database
  • various information in the memory resource 40 described below may be files or the like or data structures other than databases as long as they are areas that can store data.
  • the defect-related graph information DB 110 is a database that stores defect-related graph information.
  • the defect-related graph information is a knowledge graph useful for diagnosing defects, and includes, for example, manual analysis such as FMEA (Failure Mode and Effect Analysis) or FTA (Fault Tree Analysis) for the target electronic system.
  • Result information ie, FMEA information and FTA information.
  • the defect-related graph information is composed of nodes corresponding to knowledge items related to defects and links representing their relationships.
  • FIG. 2 is a diagram showing an example of a knowledge graph.
  • each box for processor abnormality, communication abnormality, hang-up, and interrupt hand error is a knowledge item (node) related to a defect, and each related knowledge item is connected by a link (path).
  • node a knowledge item related to a defect
  • path a link
  • the starting point of the arrow of the link corresponds to the cause of the problem
  • the end point of the arrow corresponds to the result of the problem
  • the link represents the relationship between what factors can cause a certain problem.
  • the relationships between nodes are not limited to the arrows shown in Figure 2; for example, the relationships between nodes can be expressed as values that indicate the probability or degree of influence of a certain failure cause as a result of that failure. It may also be associated as an element indicating gender.
  • the knowledge graph is not limited to the notation shown in the figure, but may be expressed by, for example, an array of knowledge items and an expression representing the presence or absence of a relationship between each array element.
  • Such defect-related graph information is an existing knowledge graph and is acquired from the external device 10.
  • the defect-related non-graph information DB 120 is a database that stores defect-related non-graph information.
  • the defect-related non-graph information is information useful for diagnosing a defect, and is information that is not expressed by nodes and links like defect-related graph information.
  • the defect-related non-graph information includes, for example, device internal data, probe data, user information, environment information, infrastructure information, and product information.
  • the device internal data is information such as an error log output from an ECU (Electronic Control Unit), for example.
  • the probe data includes, for example, positional information when the vehicle is traveling, video information captured by a drive recorder, and the like.
  • the user information is, for example, interview information that records user complaints (comments) regarding problems.
  • the environmental information is information indicating, for example, the weather and road surface conditions during driving.
  • the infrastructure information is, for example, information such as server logs when using connected services.
  • the product information is, for example, information such as product design documents and service manuals.
  • the processor system 100 receives malfunctions from a computer (i.e., external device 10) owned by a business operator (for example, an automobile manufacturer, an infrastructure management business operator, or an environmental information provider) or a car user depending on the type of information. Obtain related graph information and defect-related non-graph information.
  • a computer i.e., external device 10
  • a business operator for example, an automobile manufacturer, an infrastructure management business operator, or an environmental information provider
  • the integrated graph storage DB 130 is a database that stores an integrated graph in which knowledge graphs of multiple areas are integrated through processing executed by the processor system 100.
  • the learning data storage DB 140 is a database that stores learning data. Note that the learning data is learning data used when machine learning a diagnostic model.
  • the diagnostic model 150 is an information model for diagnosing a malfunction in an electronic system. Specifically, when the diagnostic model 150 receives information indicating the state of the malfunction, it outputs the diagnosis result of the cause of the malfunction. Note that the diagnostic model 150 is generated, for example, by performing machine learning using learning data on a mathematical model such as a neural network or a support vector machine.
  • the diagnostic program 210 is a program for diagnosing the cause of the problem. Furthermore, the diagnostic program 210 includes a plurality of individual programs for executing processing at each stage regarding diagnosis of the cause of the problem. Specifically, the diagnostic program 210 includes an integrated knowledge generation program 211, a diagnostic learning program 212, and a diagnostic execution program 213.
  • the integrated knowledge generation program 211 is a program that executes integrated knowledge generation processing to generate an integrated graph. Specifically, the integrated knowledge generation program 211 compares knowledge graphs in each area created based on domain knowledge specialized in specialized fields based on the semantic similarity of knowledge items included in each knowledge graph. Execute the process to integrate based on
  • the diagnostic learning program 212 is a program that executes machine learning using learning data on a predetermined mathematical model when generating the diagnostic model 150. Specifically, the diagnostic learning program 212 acquires learning data from the learning data storage DB 140 and performs machine learning using the learning data on a mathematical model such as a neural network, thereby acquiring cross-disciplinary knowledge. Based on this, a diagnostic model 150 that enables diagnosis of defects is generated.
  • the diagnosis execution program 213 is a program that diagnoses a malfunction. Specifically, the diagnostic execution program 213 acquires information indicating the state of the problem that has occurred, and inputs this to the diagnostic model 150 to obtain the diagnosis result of the estimated cause of the problem.
  • FIG. 3 is a diagram showing an example of the functional configuration of the processor system 100.
  • the illustrated functional units are classified according to their main processing contents in order to facilitate understanding of the functions achieved by the processor 30 reading each program stored in the memory resource 40. Therefore, the present invention is not limited by the method of classifying each function or the name of the functional part.
  • the integrated knowledge generation processing unit 300 is a functional unit classified in order to facilitate understanding of the functions realized by the processor 30 reading the integrated knowledge generation program 211. Furthermore, the integrated knowledge generation processing unit 300 is further classified into a graph acquisition unit, a graph estimation unit, a similarity calculation unit, an integrated graph generation unit, an integrated graph modification unit, and an integrated graph output unit, depending on the processing content.
  • the diagnostic learning unit 310 is a functional unit classified to facilitate understanding of the functions that are realized when the processor 30 reads the diagnostic learning program 212. Furthermore, the diagnostic learning unit 310 is further classified into a data format definition unit, a learning data generation unit, and a diagnostic model generation unit depending on the processing content.
  • diagnosis execution unit 320 is a functional unit classified to facilitate understanding of the functions achieved by the processor 30 reading the diagnosis execution program 213. Further, the diagnosis execution unit 320 is further classified into a data input unit, a diagnosis processing unit, and a diagnosis result output unit depending on the processing content.
  • each functional unit may be constructed from hardware (such as an integrated circuit such as an ASIC) mounted on a computer. Further, the processing of each functional unit may be executed by one piece of hardware, or may be executed by a plurality of pieces of hardware.
  • FIG. 4 is a flow diagram showing an example of integrated knowledge generation processing, learning processing, and diagnosis processing. Below, details of each process will be explained in order. Although the main body of each process is the processor 30 that reads the program stored in the memory resource 40, in the description of the process, each functional unit realized by the program will be described as the main body of the process.
  • the integrated knowledge generation process is started by the processor 30 reading the integrated knowledge generation program 211 when the processor system 100 receives an execution instruction from the user (operator).
  • the graph acquisition unit acquires the defect-related graph information stored in the defect-related graph information DB 110 after being acquired from the external device 10 (step S001). Specifically, the graph acquisition unit acquires defect-related graph information expressed in a knowledge graph such as FMEA information and FTA information from the defect-related graph information DB 110.
  • the graph acquisition unit outputs a graph group consisting of the acquired plurality of defect-related graph information to the similarity calculation unit and the integrated graph generation unit.
  • the graph estimation unit estimates the knowledge graph (step S002). Specifically, the graph estimation unit acquires the defect-related non-graph information stored in the defect-related non-graph information DB 120 after being acquired from the external device 10 . More specifically, the graph estimation unit acquires defect-related non-graph information that is not expressed as a knowledge graph, such as device internal data, probe data, user information, environment information, infrastructure information, and product information, from the defect-related non-graph information DB 120. .
  • the graph estimation unit estimates a knowledge graph from the acquired defect-related non-graph information. Specifically, the graph estimation unit estimates a knowledge graph corresponding to the acquired defect-related non-graph information by processing the defect-related non-graph information using a predetermined mathematical model such as a neural network. That is, the graph estimation unit uses a mathematical model to generate a knowledge graph estimated from the acquired defect-related non-graph information.
  • the following methods can be considered for estimating knowledge graphs using mathematical models, but they are not limited to: *Based on machine learning, a knowledge graph is estimated using a mathematical model created by machine learning from defect-related non-graph information. *If the defect-related non-graph information is text information, a mathematical model for extracting words related to the defect is applied, and a knowledge graph with the extracted words as knowledge items is generated based on predetermined rules.
  • the graph estimation unit outputs a graph group consisting of a plurality of estimated knowledge graphs to the similarity calculation unit and the integrated graph generation unit. Further, the graph estimation unit stores the knowledge graph estimated (generated) from the defect-related non-graph information in the defect-related graph information DB 110.
  • the similarity calculation unit calculates the similarity of knowledge items (step S003). Specifically, the similarity calculation unit identifies knowledge graphs included in the graph group acquired from the graph acquisition unit and the graph estimation unit. Further, the similarity calculation unit calculates the similarity between knowledge items of knowledge graphs generated (estimated) based on mutually different domain knowledge.
  • the present system 100 stores, in the memory resource 40, a corresponding word dictionary in which semantically corresponding words related to the notation of knowledge items (for example, defect cause names, etc.) are registered, and the similarity calculation unit , the dictionary is used to calculate the degree of similarity between knowledge items that have a semantic correspondence, rather than notation equivalence.
  • a corresponding word dictionary in which semantically corresponding words related to the notation of knowledge items (for example, defect cause names, etc.) are registered
  • the similarity calculation unit the dictionary is used to calculate the degree of similarity between knowledge items that have a semantic correspondence, rather than notation equivalence.
  • the similarity calculation unit may, for example, automatically calculate the semantic similarity in the notation of knowledge items using an information model that performs natural language processing (such as word2vec).
  • the information model may be trained and the similarity may be calculated using the information model.
  • the similarity calculation unit generates similarity information in which the calculated similarity is registered. Specifically, the similarity calculation unit assigns predetermined identification information (for example, graph ID and node ID) to the knowledge graph and the knowledge item, and identifies the identification information consisting of the graph ID of the knowledge graph and the node ID of the knowledge item. , the calculated similarity, and the similarity information registered in association with each other is generated.
  • predetermined identification information for example, graph ID and node ID
  • FIG. 5 is a diagram showing an example of similarity information.
  • the similarity calculation unit generates identification information in which a graph ID, which is an identification ID of a knowledge graph, and a node ID, which is an identification ID of a knowledge item, are assigned to each knowledge graph and knowledge item.
  • the identification information of the first knowledge item included in a certain first knowledge graph is "1-1".
  • the identification information of a second knowledge item that is different from the first knowledge item included in the first knowledge graph is "1-2".
  • the identification information of the first knowledge item included in the second knowledge graph different from the first knowledge graph is "2-1".
  • the similarity calculation unit registers the identification information of the knowledge item and the calculated similarity between the knowledge items in correspondence with each other in the similarity information.
  • the integrated graph generation unit generates an integrated graph (step S004). Specifically, the integrated graph generation unit identifies a pair of knowledge items whose degree of similarity registered in the degree of similarity information satisfies a predetermined condition (for example, the degree of similarity is equal to or greater than a predetermined threshold). Furthermore, the integrated graph generation unit integrates the identified pairs of knowledge items to generate an integrated graph that integrates the knowledge graphs including the knowledge items of the pairs.
  • a predetermined condition for example, the degree of similarity is equal to or greater than a predetermined threshold.
  • FIG. 6 is a diagram showing an example of generation of an integrated graph.
  • the example shown is the knowledge item (connected communication abnormality) included in the knowledge graph (for example, the first knowledge graph) regarding the malfunction of vehicle settings from the smartphone app, and the knowledge regarding the malfunction of the connected system that links the smartphone app and the vehicle.
  • the degree of similarity between the knowledge item (communication abnormality) included in the graph is 0.95 (the degree of similarity between knowledge items that are semantically the same is 1.0). , indicates that it is greater than or equal to a predetermined threshold.
  • the integrated graph generation unit integrates the knowledge items of the first knowledge graph and the knowledge items of the second knowledge graph. Specifically, the integrated graph generation unit generates knowledge so that a node under a knowledge item (communication abnormality) in the second knowledge graph is associated with a knowledge item (connected communication abnormality) in the first knowledge graph. By integrating the items, an integrated graph in which the first knowledge graph and the second knowledge graph are integrated is generated.
  • a knowledge item vehicle internal communication abnormality included in the first knowledge graph and a knowledge item (communication The degree of similarity between ⁇ abnormality'' and ⁇ abnormality'' is 0.98, indicating that the similarity is greater than or equal to a predetermined threshold.
  • the integrated graph generation unit integrates the knowledge items of the first knowledge graph and the knowledge items of the third knowledge graph. Specifically, the integrated graph generation unit associates a node under a knowledge item (communication abnormality) in the third knowledge graph with a knowledge item (vehicle internal communication abnormality) in the first knowledge graph. By integrating the knowledge items, an integrated graph in which the first knowledge graph and the third knowledge graph are integrated is generated.
  • the integration of knowledge items is not necessarily limited to the above example (one-to-one integration between specified pairs of knowledge items).
  • a plurality of knowledge graphs including a plurality of knowledge items that are equal to or greater than a predetermined threshold may be integrated (one-to-many relationship).
  • the integrated graph modification unit modifies the integrated graph (step S005). Specifically, the integrated graph correction unit displays the generated integrated graph on a display included in the system 100, and receives correction instructions from, for example, an operator who has knowledge of the defect. Note that the modification instruction includes, for example, an instruction to change the relationship between nodes included in the integrated graph (deleting or moving a node, etc.). Further, the integrated graph modification unit modifies the integrated graph based on the received modification instruction.
  • the integrated graph output unit outputs the corrected integrated graph (step S006). Specifically, the integrated graph output unit stores the modified integrated graph in the integrated graph storage DB 130 and outputs it to the data format definition unit.
  • the process is started when the data format definition unit acquires the integrated graph.
  • the data format definition unit defines the data format of the learning data (step S010). Specifically, the data format definition unit specifies the presence or absence of data corresponding to each knowledge item in the integrated graph.
  • the data corresponding to the knowledge item corresponds to, for example, when the knowledge item is server processing abnormality, a server log that records the operation history of the server.
  • the presence or absence of data corresponding to a knowledge item may be determined in advance depending on the knowledge item, for example. Further, for example, if the data is stored in the memory resource 40 in association with a knowledge item, the presence or absence of the data may be identified by searching within the memory resource 40. Alternatively, if information indicating the correspondence between knowledge items and the presence or absence of corresponding data is stored in the memory resource 40, the presence or absence may be specified using this information.
  • the data format definition section assigns a data ID for identifying the data to the corresponding knowledge item.
  • a data ID is a unique name of the data, or if the data is stored in a database within the memory resource 40, its column name or field name. If the notation of the knowledge item includes the words "**error” or "**log", the data format definition section automatically extracts it using a regular expression or the like and assigns this as a data ID. Note that the data ID may be input manually, for example.
  • FIG. 7 is an explanatory diagram regarding the definition of an input data format using an integrated graph.
  • the knowledge items in the integrated graph are associated with data corresponding to the knowledge items.
  • the data format definition unit assigns data IDs (for example, application error records, operation logs, communication logs, etc.) to knowledge items corresponding to these data using the method described above.
  • a wiring abnormality in a vehicle cannot be directly captured as data, and such knowledge items may not have corresponding data.
  • the data format definition unit associates information indicating that there is no corresponding data with the knowledge item, or assigns a data ID indicating another related data to the corresponding knowledge item.
  • other related data for example, communication error data in the case of the wiring abnormality
  • the data format definition unit identifies knowledge items corresponding to the cause of the problem to be diagnosed from the integrated graph. For example, the data format definition unit considers knowledge items at the ends of the integrated graph to be the fundamental cause of the problem, and specifies these knowledge items at the ends as knowledge items corresponding to the cause of the problem.
  • the method of identifying knowledge items corresponding to the cause of the problem to be diagnosed from the integrated graph is not limited to this method; for example, the data format definition section can identify the correspondence relationship between the cause of the problem to be diagnosed and the corresponding knowledge item. If there is a list in which is defined, this may be used to identify the knowledge item corresponding to the cause of the failure from the integrated graph. Note that the list only needs to be stored in the memory resource 40 in advance. Alternatively, the knowledge item may be specified manually, for example.
  • the data format definition unit extracts data IDs related to the identified failure cause, and defines the list as an input data format. Specifically, the data format definition unit identifies the data ID of the corresponding data assigned to the knowledge item of the identified failure cause, and defines a list of the data IDs as the input data format.
  • the data format definition section is used to determine the path (link) from the top event (root node) to the terminal event (leaf node).
  • the input data format may be defined as a list obtained by selecting a path including the knowledge item of the defect cause and comprehensively extracting the data IDs of the corresponding data assigned to the knowledge item on the selected path.
  • the data ID may be extracted manually, for example.
  • the learning data generation unit generates learning data (step S011). Specifically, the learning data generation unit generates an example in which the knowledge item identified in the process of step S011 is identified as a failure cause, and the item defined in the input data format (in the example of FIG. 7, the application error record , operation logs, communication logs, and server logs) from the defect case information in which a plurality of past defect cases are registered. Note that the malfunction case information may be obtained, for example, from the external device 10 or stored in the memory resource 40 of the system 100 in advance.
  • the learning data generation unit generates data corresponding to each item in the input data format, that is, status information (log information, etc.) corresponding to each item at the time of occurrence of the problem, from the acquired problem case, and the problem identified in the case.
  • the cause (that is, the same failure cause as the failure cause identified in step S011) is identified.
  • the learning data generation unit generates learning data by assigning the identified status information to corresponding items defined in the input data format and associating the cause of the failure identified by the case with the record containing each of these items. generate.
  • the learning data shown in FIG. 7 is generated.
  • the learning data is assigned with state information at the time of occurrence of a malfunction corresponding to each item in the input data format, and the cause of the malfunction identified in the case. That is, the learning data plays the role of data with correct answer labels in supervised learning.
  • the diagnostic model generation unit generates a diagnostic model 150 for diagnosing a malfunction using the learning data (step S012). Specifically, when the information corresponding to each item of the learning data is input as information indicating a defect, the diagnostic model generation unit instructs the mathematical model to estimate the cause of the defect associated with the item. Perform machine learning using learning data. Thereby, the diagnostic model generation unit generates a diagnostic model that diagnoses the malfunction and outputs the cause of the malfunction as a diagnostic result.
  • this system 100 that executes such learning processing, by using an integrated graph that includes cross-disciplinary knowledge items, it is possible to define input data formats that have higher correlations with more defects. can.
  • learning data used for machine learning of the diagnostic model 150 based on past cases corresponding to items defined in such an input data format, comprehensiveness can be achieved to analyze the causes of more defects. And a highly accurate diagnostic model 150 can be generated.
  • the data input unit receives input of information indicating the state of the defect (hereinafter referred to as "defect information"). Specifically, the data input unit receives input of malfunction information from the operator (step S020).
  • the diagnostic processing unit executes a malfunction diagnosis using the diagnostic model 150 (step S021). Specifically, the diagnostic processing unit inputs into the diagnostic model 150 defect information that is received from the operator by the data input unit and includes information corresponding to items defined in the input data format. Obtain the diagnosis result in which the cause of the problem has been identified as an output value.
  • the diagnosis result output unit outputs the diagnosis result in which the cause of the problem has been identified (step S022). Specifically, the diagnosis result output unit outputs the diagnosis result including the identified failure factor to an output device such as a display included in the system 100. Note that the diagnosis result output unit may output (send) the diagnosis result to a predetermined external device 10.
  • the integrated knowledge generation processing section 300, the diagnosis learning section 310, and the diagnosis execution section 320 do not necessarily need to be realized by one processor system 100 (computer).
  • each functional unit may be realized by reading a corresponding program by a processor of a computer owned by a different company.
  • the integrated knowledge generation processing section 300 and the diagnosis learning section 310 may be realized by one computer, or the integrated knowledge generation processing section 300 and the diagnosis execution section 320 may be realized by one computer. It's okay.
  • the processor system 100 updates the generated integrated graph every time new defect-related information is acquired, and generates an integrated graph with increased comprehensiveness. Specifically, upon acquiring new defect-related information, the integrated graph generation unit obtains the already generated integrated graph from the integrated graph storage DB 130. In addition, the integrated graph generation unit integrates the knowledge graph based on the newly acquired defect-related information (either graph information or non-graph information) into the existing integrated graph according to the similarity of the knowledge items. The existing integrated graph is updated to generate an integrated graph with higher comprehensiveness.
  • the diagnostic learning unit 310 generates learning data using the updated integrated graph, and updates the diagnostic model 150 using the learning data.
  • the integrated knowledge generation processing unit 300 can update the existing integrated graph to an integrated graph with higher comprehensiveness. Furthermore, the diagnostic learning unit 310 can update the diagnostic model 150 based on the updated integrated graph. As a result, the processor system 100 can further improve the accuracy of diagnosis by the diagnostic model 150.
  • FIG. 8 is a diagram showing an example of an outline of a service system to which the processor system 100 according to the above-described embodiment is applied.
  • the illustrated service format is an example in which the present invention is applied to a service for automobiles.
  • the illustrated product manufacturing/maintenance business and infrastructure management business provide existing defect-related information (including information collected from product operation businesses and product users) to the system 100 operation business.
  • the operator of this system 100 can use the processor system 100 to create explicit knowledge (integrated graph) related to defect diagnosis, and perform machine learning on the learning data generated using the integrated graph, thereby improving comprehensiveness. and generate highly accurate diagnostic models.
  • explicit knowledge integrated graph
  • the product manufacturing/maintenance business and the infrastructure management business provide the operator of the system 100 with information on defects for which the cause has not been identified.
  • the operator of this system 100 inputs the provided defect information into the diagnostic model, obtains a diagnosis result in which the cause of the defect is identified, and sends the result to the product manufacturing/maintenance company and infrastructure management company.
  • the operator of the system 100 can enjoy the benefit of receiving compensation for defect diagnosis (fees in the diagram) from product manufacturing/maintenance businesses and infrastructure businesses.
  • the operator of the system 100 may collect defect-related information from multiple product manufacturing/maintenance companies or component suppliers, and may use the aggregated information. Thereby, the processor system 100 can create an integrated graph with higher comprehensiveness and accuracy.
  • the present invention is not limited to the above-described embodiments and modifications, but includes various modifications within the scope of the same technical idea.
  • the embodiments described above are described in detail to explain the present invention in an easy-to-understand manner, and the present invention is not necessarily limited to having all the configurations described.
  • it is possible to replace a part of the configuration of one embodiment with the configuration of another embodiment and it is also possible to add the configuration of another embodiment to the configuration of one embodiment.
  • control lines and information lines are those considered necessary for the explanation, and not all control lines and information lines are necessarily shown in the product. In reality, almost all configurations can be considered to be interconnected.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Test And Diagnosis Of Digital Computers (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Debugging And Monitoring (AREA)

Abstract

複数領域に跨る知識に基づき、不具合診断に適用できる網羅性の高い形式知を得ることで、より精度の高い不具合診断を実現することができる。　１以上のプロセッサと、１以上のメモリリソースと、を有するプロセッサシステムであって、前記メモリリソースは、移動体または設備を含む電子システムを診断する診断プログラムと、前記診断プログラムで用いる複数の知識グラフであって、少なくとも、第１知識グラフと、当該第１知識グラフとは異なるドメイン知識に基づき作成された第２知識グラフと、を含む複数の前記知識グラフと、を格納し、前記プロセッサは、前記診断プログラムを実行することで：（１）前記第１知識グラフに含まれる第１知識項目と、前記第２知識グラフに含まれる第２知識項目との意味上の類似度を評価し、（２）前記類似度が所定条件を満たす場合、前記第１知識グラフと、前記第２知識グラフと、を統合した統合グラフを生成する。

Description

プロセッサシステムおよび不具合診断方法
　本発明は、プロセッサシステムおよび不具合診断方法に関する。本発明は2022年6月30日に出願された日本国特許の出願番号2022-106298の優先権を主張し、文献の参照による織り込みが認められる指定国については、その出願に記載された内容は参照により本出願に織り込まれる。
　自動車に代表される移動体や、ロボットや加工機に代表される設備に関わる電子システムにおいては、自律化やコネクテッド・ＩｏＴ（Ｉｎｔｅｒｎｅｔ　ｏｆ　Ｔｈｉｎｇｓ）の進展に伴うシステムの構成要素の増加により、発生する不具合の要因が多様化している。例えば、自動車分野では、コネクテッド化や自動運転の進展に伴い、車両を取り巻く環境起因やコネクテッドシステム起因の不具合が増加している。一方で、電子システムに関わる各種の専門領域（装置、環境およびコネクテッドシステムなど）ごとに不具合に関する知識（例えば、ＦＴＡ：Ｆａｕｌｔ　Ｔｒｅｅ　Ａｎａｌｙｓｉｓやサービスマニュアルなど）が縦割り化および分散しているため、多様な当該領域に跨る不具合の要因を診断することは非常に困難となっている。
　このような多様化する不具合の要因を診断するには、各領域の不具合に関する知識を取り纏める技術が必要と考えられる。
　なお、特許文献１には、移動体や設備であるエッジデバイスの異常要因等を分析する分散システムが開示されている。具体的には、特許文献１には、「分散システムは、自動稼働可能な移動体又は設備であるエッジデバイスと、診断データ計算機と、を有する。そして前記エッジデバイスは、自動稼働するための移動機構又は作動機構と、前記移動機構又は前記作動機構を制御するエッジ内コントローラと、を有する。ここで、前記診断データ計算機は：前記エッジ内コントローラ内の内部状態を示す診断データを受信する。」と記載されている。
特開２０２１－１９６６７８号公報
　多様な領域に跨る不具合の要因について、例えば各領域の知識グラフを用いて診断しようとした場合、自動車を取り巻くシステム全体が複雑化しているために多くの知識グラフが存在し、診断にはこれら多数の知識グラフを統合する必要がある。
　一方で、各々の知識グラフは、専門分野に特化したドメイン知識に基づいて作成されている。そのため、相互に異なるドメイン知識に基づいて作成された知識グラフ同士は、背景とする専門知識のドメイン的な差異、もしくは知識グラフを推定するために用いられる機械学習アルゴリズムの誤差によって、同一の意味を持つ知識項目の表記が異なる場合が多々ある。そのため、こうした複数の知識グラフを統合することは非常に困難という課題がある。
　なお、特許文献１には、エッジデバイスから生じるデータの分析として、異常要因やその影響範囲について、知識グラフを用いたフォールトツリー（Ｆａｕｌｔ　Ｔｒｅｅ）分析により行うことが開示されている。しかしながら、特許文献１の技術では、領域ごとの知識グラフを用いた分析が行われている。すなわち、特許文献１の技術では、領域横断的に不具合に関する知識を統合し、統合した知識に基づいて不具合の要因について診断することは考慮されていない。
　本発明は、上記課題に鑑みてなされたものであり、複数領域に跨る知識に基づき、不具合診断に適用できる網羅性の高い形式知を得ることで、より精度の高い不具合診断の実現を目的とする。
　本願は、上記課題の少なくとも一部を解決する手段を複数含んでいるが、その例を挙げるならば、以下のとおりである。上記の課題を解決する本発明の一態様に係るプロセッサシステムは、１以上のプロセッサと、１以上のメモリリソースと、を有するプロセッサシステムであって、前記メモリリソースは、移動体または設備を含む電子システムを診断する診断プログラムと、前記診断プログラムで用いる複数の知識グラフであって、少なくとも、第１知識グラフと、当該第１知識グラフとは異なるドメイン知識に基づき作成された第２知識グラフと、を含む複数の前記知識グラフと、を格納し、前記プロセッサは、前記診断プログラムを実行することで：（１）前記第１知識グラフに含まれる第１知識項目と、前記第２知識グラフに含まれる第２知識項目との意味上の類似度を評価し、（２）前記類似度が所定条件を満たす場合、前記第１知識グラフと、前記第２知識グラフと、を統合した統合グラフを生成する。
　本発明によれば、複数領域に跨る知識に基づき、不具合診断に適用できる網羅性の高い形式知を得ることで、より精度の高い不具合診断を実現することができる。
プロセッサシステムの概略構成の一例を示した図である。 知識グラフの一例を示した図である。 プロセッサシステムの機能構成の一例を示した図である。 統合知識生成処理、学習処理および診断処理の一例を示したフロー図である。 類似度情報の一例を示した図である。 統合グラフの生成例を示した図である。 統合グラフを用いた入力データ形式の定義に関する説明図である。 実施形態に係るプロセッサシステムが適用されたサービスシステムの概要の一例を示した図である。
　以下、本発明の各実施形態について図面を用いて説明する。
　図１は、本実施形態に係るプロセッサシステム１００の概略構成の一例を示した図である。プロセッサシステム（以下、「本システム」という場合がある）１００は、設備や移動体を含む電子システムで生じた不具合を診断する装置である。具体的には、本システム１００は、電子システムが搭載された設備や移動体に関わる各々の専門領域（以下、「領域」という場合がある）の不具合に関する知識グラフ同士を、当該知識グラフに含まれる知識項目の意味上の類似度に基づいて統合する。
　また、本システム１００は、統合した知識グラフ（以下、「統合グラフ」という場合がある）を用いて、診断対象の不具合要因を特定するための情報モデル（以下、「診断モデル」という場合がある）の機械学習に用いられる学習データを生成する。
　また、本システム１００は、発生した不具合の状態を示す情報を診断モデルに入力することで、診断結果として特定された不具合要因を得る。
　このように、本システム１００によれば、多様な領域に跨る不具合の知識を纏めた統合グラフを生成することができる。
　また、本システム１００によれば、領域横断的に生成された統合グラフを用いて、診断モデルの機械学習に用いられる学習データを生成することができる。
　また、本システム１００によれば、領域横断的な不具合の知識を機械学習した診断モデルに基づき、精度良く特定された不具合要因を診断結果として取得することができる。
　なお、電子システムが搭載される設備や移動体の対象は特に限定されないが、本実施形態では、移動体である自動車に搭載されている電子システムの不具合に関する診断をプロセッサシステム１００が行う場合を例に説明する。
　＜プロセッサシステム１００の構成＞
　図１は、プロセッサシステム１００の概略構成の一例を示した図である。図示するように、本システム１００は、例えば通信ケーブルや所定の通信ネットワーク（例えば、インターネット、ＬＡＮ（Ｌｏｃａｌ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）あるいはＷＡＮ（Ｗｉｄｅ　Ａｒｅａ　Ｎｅｔｗｏｒｋ）など）Ｎにより外部装置１０と相互通信可能に接続されている。
　＜＜外部装置１０＞＞
　外部装置１０は、プロセッサシステム１００への入力情報を送信する装置である。また、外部装置１０は、プロセッサシステム１００で生成された情報を取得する装置でもある。具体的には、外部装置１０は、不具合関連情報（グラフ情報または非グラフ情報）をプロセッサシステム１００へ送信する。また、外部装置１０は、このような情報以外にも、プロセッサシステム１００で実行される処理に用いられる種々の情報をプロセッサシステム１００に提供（送信）する。また、外部装置１０は、プロセッサシステム１００で特定された診断結果をプロセッサシステム１００から取得する。
　なお、外部装置１０には、例えば自動車メーカなどの製品製造・保守事業者や、インフラ管理事業者など、本システム１００が提供する診断サービスを受ける事業者が使用する計算機や、プロセッサシステム１００で実行される処理に用いられる種々の有用な情報を提供する事業者の計算機などが含まれる。すなわち、外部装置１０は、プロセッサシステム１００に提供する情報の種類に応じて複数種類の計算機が対象となる。
＜＜プロセッサシステム１００の詳細＞＞
　プロセッサシステム１００は、メモリリソース４０に格納された各種プログラムおよび情報をプロセッサ３０が読み込むことにより、統合グラフを生成する統合知識生成処理と、診断モデルの機械学習を行う学習処理と、不具合の診断を行う診断処理と、を実行する。各処理の詳細については後述する。
　なお、プロセッサシステム１００は、例えばパーソナルコンピュータ、タブレット端末、スマートフォン、サーバ計算機およびクラウドサーバなどの計算機であり、少なくともこれら計算機を１つ以上含むシステムである。
　具体的には、プロセッサシステム１００は、プロセッサ３０と、メモリリソース４０と、ＮＩ（Ｎｅｔｗｏｒｋ　Ｉｎｔｅｒｆａｃｅ　Ｄｅｖｉｃｅ）５０と、ＵＩ（Ｕｓｅｒ　Ｉｎｔｅｒｆａｃｅ　Ｄｅｖｉｃｅ）６０と、を有している。
　プロセッサ３０は、メモリリソース４０に格納されている各種プログラムを読み込んで、各プログラムに対応する処理を実行する演算装置である。なお、プロセッサ３０は、マイクロプロセッサ、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）、あるいはその他の演算できる半導体デバイス等が一例として挙げられる。
　メモリリソース４０は、各種情報を記憶する記憶装置である。具体的には、メモリリソース４０は、例えばＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）やＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）などの不揮発性あるいは揮発性の記憶媒体である。なお、メモリリソース４０は、例えばフラッシュメモリ、ハードディスクあるいはＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）などの書き換え可能な記憶媒体や、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）メモリ、メモリカードおよびハードディスクであっても良い。
　ＮＩ５０は、外部装置１０との間で情報通信を行う通信装置である。ＮＩ５０は、例えばＬＡＮやインターネットなど所定の通信ネットワークＮを介して外部装置１０との間で情報通信を行う。なお、以下で特に言及しない場合、プロセッサシステム１００と外部装置１０との情報通信は、ＮＩ５０を介して実行されているものとする。
　ＵＩ６０は、ユーザ（オペレータ）の指示をプロセッサシステム１００に入力する入力装置、および、プロセッサシステム１００で生成した情報等を出力する出力装置である。入力装置には、例えばキーボード、タッチパネル、マウスなどのポインティングデバイスや、マイクロフォンのような音声入力装置などがある。
　また、出力装置には、例えばディスプレイ、プリンタ、音声合成装置などがある。なお、以下で特に言及しない場合は、プロセッサシステム１００に対するユーザの操作（例えば、情報の入力、出力および処理の実行指示など）は、ＵＩ６０を介して実行されているものとする。
　また、本システム１００の各構成、機能、処理手段等は、それらの一部または全部を、例えば集積回路で設計する等によりハードウェアで実現しても良い。また、本システム１００は、各機能の一部または全部を、ソフトウェアにより実現することもできるし、ソフトウェアとハードウェアとの協働により実現することもできる。また、本システム１００は、固定的な回路を有するハードウェアを用いても良いし、少なくとも一部の回路を変更可能なハードウェアを用いてもよい。
　また、本システム１００は、各プログラムにより実現される機能や処理の一部または全部をユーザ（オペレータ）が実施することで、システムを実現することもできる。
　なお、以下で説明するメモリリソース４０内のＤＢ（データベース）や各種の情報は、データを格納できる領域であれば、ファイル等やデータベース以外のデータ構造であっても良い。
　＜＜不具合関連グラフ情報ＤＢ１１０＞＞
　不具合関連グラフ情報ＤＢ１１０は、不具合関連グラフ情報を格納するデータベースである。なお、不具合関連グラフ情報は、不具合の診断に役立つ知識グラフであって、例えば対象の電子システムに対してＦＭＥＡ（Ｆａｉｌｕｒｅ　Ｍｏｄｅ　ａｎｄ　Ｅｆｆｅｃｔ　Ａｎａｌｙｓｉｓ）やＦＴＡ（Ｆａｕｌｔ　Ｔｒｅｅ　Ａｎａｌｙｓｉｓ）などの分析を人手で行った結果の情報（すなわち、ＦＭＥＡ情報およびＦＴＡ情報）である。具体的には、不具合関連グラフ情報は、不具合に関する知識項目に対応するノードと、その関係性を表すリンクと、から構成されている。
　図２は、知識グラフの一例を示した図である。図示する知識グラフでは、プロセッサ異常、通信異常、ハングアップおよび割り込みハンドエラーの各ボックスが不具合に関する知識項目（ノード）であり、関連する各々の知識項目はリンク（パス）により接続されている。なお、リンクの矢印の始点が不具合要因、矢印の終点が不具合の結果に対応しており、当該リンクは、ある不具合がどのような要因で発生し得るか、という関係性を表している。
　なお、ノード間の関係性は、図２に示す矢印に限定されるものではなく、例えばある不具合要因に対して、その不具合の結果である場合の確率や影響度を示す値をノード間の関係性を示す要素として対応付けても良い。また、知識グラフは、図示する表記に限定されるものではなく、例えば知識項目の配列と、各配列要素の関係性の有無を表す表現と、によって表記されたものであっても良い。
　このような不具合関連グラフ情報は、既存の知識グラフであり、外部装置１０から取得される。
　＜＜不具合関連非グラフ情報ＤＢ１２０＞＞
　不具合関連非グラフ情報ＤＢ１２０は、不具合関連非グラフ情報を格納するデータベースである。なお、不具合関連非グラフ情報は、不具合の診断に役立つ情報であって、不具合関連グラフ情報のようなノードおよびリンクによって表現されていない情報である。不具合関連非グラフ情報には、例えば、装置内部データと、プローブデータと、ユーザ情報と、環境情報と、インフラ情報と、製品情報と、がある。
　なお、装置内部データは、例えばＥＣＵ（Ｅｌｅｃｔｒｏｎｉｃ　Ｃｏｎｔｒｏｌ　Ｕｎｉｔ）から出力されるエラーログなどの情報である。また、プローブデータは、例えば走行時の位置情報やドライブレコーダで撮像された映像情報などである。また、ユーザ情報は、例えば不具合に関するユーザの訴え（コメント）を記録した問診情報などである。また、環境情報は、例えば走行中の天候や路面状況などを示す情報である。また、インフラ情報は、例えばコネクテッドサービス利用時のサーバログなどの情報である。また、製品情報は、例えば製品の設計文書やサービスマニュアルなどの情報である。
　なお、プロセッサシステム１００は、各情報の種類に応じた事業者（例えば、自動車メーカ、インフラ管理事業者、環境情報を提供する事業者）や自動車ユーザが有する計算機（すなわち、外部装置１０）から不具合関連グラフ情報および不具合関連非グラフ情報を取得する。
　＜＜統合グラフ格納ＤＢ１３０＞＞
　統合グラフ格納ＤＢ１３０は、プロセッサシステム１００が実行する処理により、複数領域の知識グラフが統合された統合グラフを格納するデータベースである。
　＜＜学習データ格納ＤＢ１４０＞＞
　学習データ格納ＤＢ１４０は、学習データを格納するデータベースである。なお、学習データは、診断モデルを機械学習する際に用いられる学習用のデータである。
　＜＜診断モデル１５０＞＞
　診断モデル１５０は、電子システムの不具合を診断する情報モデルである。具体的には、診断モデル１５０は、不具合の状態を示す情報が入力されると、不具合要因の診断結果を出力する。なお、診断モデル１５０は、例えばニューラルネットワークやサポートベクタマシンといった数理モデルに対して学習データを用いた機械学習を行うことにより生成される。
　＜＜診断プログラム２１０＞＞
　診断プログラム２１０は、不具合要因を診断するためのプログラムである。また、診断プログラム２１０には、不具合要因の診断に関する各段階の処理を実行するための複数の個別プログラムが含まれている。具体的には、診断プログラム２１０には、統合知識生成プログラム２１１と、診断学習プログラム２１２と、診断実行プログラム２１３と、が含まれている。
　＜＜＜統合知識生成プログラム２１１＞＞＞
　統合知識生成プログラム２１１は、統合グラフを生成するための統合知識生成処理を実行するプログラムである。具体的には、統合知識生成プログラム２１１は、専門分野に特化したドメイン知識に基づき作成されている各領域の知識グラフ同士を、各々の知識グラフに含まれる知識項目の意味上の類似度に基づいて統合する処理を実行する。
　＜＜＜診断学習プログラム２１２＞＞＞
　診断学習プログラム２１２は、診断モデル１５０の生成にあたり、所定の数理モデルに対して学習データを用いた機械学習を実行するプログラムである。具体的には、診断学習プログラム２１２は、学習データ格納ＤＢ１４０から学習データを取得し、ニューラルネットワークなどの数理モデルに対して当該学習データを用いた機械学習を行うことで、領域横断的な知識に基づき不具合の診断を可能とする診断モデル１５０を生成する。
　＜＜＜診断実行プログラム２１３＞＞＞
　診断実行プログラム２１３は、不具合の診断を行うプログラムである。具体的には、診断実行プログラム２１３は、発生した不具合の状態を示す情報を取得し、これを診断モデル１５０に入力することで、推定される不具合要因の診断結果を取得する。
　以上、プロセッサシステム１００の詳細について説明した。
　＜プロセッサシステム１００の機能構成＞
　図３は、プロセッサシステム１００の機能構成の一例を示した図である。図示する機能部は、プロセッサ３０がメモリリソース４０に格納されている各プログラムを読み込むことで実現される機能を理解容易にするために、主な処理内容に応じて分類したものである。そのため、各機能の分類の仕方や機能部の名称によって、本発明が制限されることはない。
　統合知識生成処理部３００は、プロセッサ３０が統合知識生成プログラム２１１を読み込むことで実現される機能を理解容易にするために分類した機能部である。また、統合知識生成処理部３００は、処理内容に応じて、さらにグラフ取得部、グラフ推定部、類似度算出部、統合グラフ生成部、統合グラフ修正部および統合グラフ出力部に分類される。
　また、診断学習部３１０は、プロセッサ３０が診断学習プログラム２１２を読み込むことで実現される機能を理解容易にするために分類した機能部である。また、診断学習部３１０は、処理内容に応じて、さらにデータ形式定義部、学習データ生成部および診断モデル生成部に分類される。
　また、診断実行部３２０は、プロセッサ３０が診断実行プログラム２１３を読み込むことで実現される機能を理解容易にするために分類した機能部である。また、診断実行部３２０は、処理内容に応じて、さらにデータ入力部、診断処理部および診断結果出力部に分類される。
　なお、各機能部の一部は、計算機に実装されるハードウェア（ＡＳＩＣといった集積回路など）により構築されてもよい。また、各機能部の処理が１つのハードウェアで実行されてもよいし、複数のハードウェアで実行されてもよい。
　＜処理の説明＞
　図４は、統合知識生成処理、学習処理および診断処理の一例を示したフロー図である。以下では、各処理の詳細について順に説明する。なお、各処理の主体は、メモリリソース４０に格納されているプログラムを読み込んだプロセッサ３０であるが、処理の説明においては、当該プログラムにより実現される各機能部を処理の主体として説明する。
　＜＜統合知識生成処理＞＞
　統合知識生成処理は、ユーザ（オペレータ）からの実行指示をプロセッサシステム１００が受け付けると、プロセッサ３０が統合知識生成プログラム２１１を読み込むことにより開始される。
　処理が開始されると、グラフ取得部は、外部装置１０からの取得後に不具合関連グラフ情報ＤＢ１１０に格納された不具合関連グラフ情報を取得する（ステップＳ００１）。具体的には、グラフ取得部は、ＦＭＥＡ情報やＦＴＡ情報といった知識グラフで表現されている不具合関連グラフ情報を不具合関連グラフ情報ＤＢ１１０から取得する。
　なお、グラフ取得部は、取得した複数の不具合関連グラフ情報からなるグラフ群を類似度算出部および統合グラフ生成部に出力する。
　次に、グラフ推定部は、知識グラフを推定する（ステップＳ００２）。具体的には、グラフ推定部は、外部装置１０からの取得後に不具合関連非グラフ情報ＤＢ１２０に格納された不具合関連非グラフ情報を取得する。より具体的には、グラフ推定部は、装置内部データ、プローブデータ、ユーザ情報、環境情報、インフラ情報および製品情報といった知識グラフとして表現されない不具合関連非グラフ情報を不具合関連非グラフ情報ＤＢ１２０から取得する。
　また、グラフ推定部は、取得した不具合関連非グラフ情報から知識グラフを推定する。具体的には、グラフ推定部は、ニューラルネットワークなど所定の数理モデルによって不具合関連非グラフ情報を処理することで、取得した不具合関連非グラフ情報に対応する知識グラフを推定する。すなわち、グラフ推定部は、数理モデルを用いて、取得した不具合関連非グラフ情報から推定される知識グラフを生成する。なお、数理モデルを用いた知識グラフの推定方法としては以下が考えられるが、これらに限られるものではない：
＊機械学習に基づいて、不具合関連非グラフ情報から機械学習により作成した数理モデルを用いて知識グラフを推定する。
＊不具合関連非グラフ情報がテキスト情報の場合、不具合に関する単語を抽出する数理モデルを適用し、抽出された単語を知識項目とする知識グラフを所定のルールに基づき生成する。
　なお、グラフ推定部は、推定した複数の知識グラフからなるグラフ群を類似度算出部および統合グラフ生成部に出力する。また、グラフ推定部は、不具合関連非グラフ情報から推定（生成）した知識グラフを不具合関連グラフ情報ＤＢ１１０に格納する。
　次に、類似度算出部は、知識項目の類似度計算を行う（ステップＳ００３）。具体的には、類似度算出部は、グラフ取得部およびグラフ推定部から取得したグラフ群に含まれている知識グラフを特定する。また、類似度算出部は、相互に異なるドメイン知識に基づいて生成（推定）された知識グラフの知識項目同士の類似度を算出する。
　具体的には、本システム１００は、例えば知識項目の表記（例えば、不具合要因名など）に関する意味上の対応語が登録されている対応語辞書をメモリリソース４０に保有し、類似度算出部は、当該辞書を用いて、表記的な等価性ではなく、意味上の対応関係にある知識項目同士の類似度を算出する。
　なお、類似度の算出方法はこれに限定されるものではなく、類似度算出部は、例えば自然言語処理を行う情報モデル（例えば、ｗｏｒｄ２ｖｅｃなど）に知識項目の表記における意味上の類似度を機械学習させ、当該情報モデルを用いて類似度を算出しても良い。
　なお、類似度算出部は、算出した類似度を登録した類似度情報を生成する。具体的には、類似度算出部は、知識グラフおよび知識項目に所定の識別情報（例えば、グラフＩＤおよびノードＩＤ）を付与し、知識グラフのグラフＩＤおよび知識項目のノードＩＤからなる識別情報と、算出した類似度と、を対応付けて登録した類似度情報を生成する。
　図５は、類似度情報の一例を示した図である。図示するように、類似度算出部は、知識グラフの識別ＩＤであるグラフＩＤと、知識項目の識別ＩＤであるノードＩＤとを各々の知識グラフおよび知識項目に付与した識別情報を生成する。
　例えば、ある第１の知識グラフに含まれる第１の知識項目の識別情報は、「１－１」となる。また、例えば、当該第１の知識グラフに含まれる第１の知識項目とは異なる第２の知識項目の識別情報は、「１－２」となる。また、例えば、第１の知識グラフとは異なる第２の知識グラフに含まれる第１の知識項目の識別情報は、「２－１」となる。
　また、類似度算出部は、このように知識項目の識別情報と、算出した知識項目同士の類似度と、を対応付けて類似度情報に登録する。
　図４に戻って説明する。次に、統合グラフ生成部は、統合グラフを生成する（ステップＳ００４）。具体的には、統合グラフ生成部は、類似度情報に登録されている類似度が所定条件（例えば、類似度が所定の閾値以上）を満たす知識項目のペアを特定する。また、統合グラフ生成部は、特定したペアの知識項目を統合することにより、当該ペアの知識項目を含む知識グラフ同士を統合した統合グラフを生成する。
　図６は、統合グラフの生成例を示した図である。図示する例は、スマホアプリからの車両設定の不具合に関する知識グラフ（例えば、第１の知識グラフとする）に含まれる知識項目（コネクテッド通信異常）と、スマホアプリと車両を連携するコネクテッドシステムの不具合に関する知識グラフ（例えば、第２の知識グラフとする）に含まれる知識項目（通信異常）と、の類似度が０．９５（なお、意味上、同一の知識項目の類似度は１．０）であり、所定の閾値以上であることを示している。
　この場合、統合グラフ生成部は、第１の知識グラフの知識項目と、第２の知識グラフの知識項目とを統合する。具体的には、統合グラフ生成部は、第１の知識グラフの知識項目（コネクテッド通信異常）の配下に、第２の知識グラフの知識項目（通信異常）の配下のノードが関連付けられるように知識項目を統合することで、第１の知識グラフに第２の知識グラフを統合した統合グラフを生成する。
　また、図示する例では、第１の知識グラフに含まれる知識項目（車両内部通信異常）と、車両内部の不具合に関する知識グラフ（例えば、第３の知識グラフとする）に含まれる知識項目（通信異常）と、の類似度が０．９８であり、所定の閾値以上であることを示している。
　この場合、統合グラフ生成部は、第１の知識グラフの知識項目と、第３の知識グラフの知識項目とを統合する。具体的には、統合グラフ生成部は、第１の知識グラフの知識項目（車両内部通信異常）の配下に、第３の知識グラフの知識項目（通信異常）の配下のノードが関連付けられるように知識項目同士を統合することで、第１の知識グラフに第３の知識グラフを統合した統合グラフを生成する。
　また、知識項目の統合は、必ずしも上記の例（知識項目の特定されたペア間における一対一の統合）に限られるものではない。例えば、知識グラフのある一つの知識項目に対して、所定の閾値以上である複数の知識項目を含む複数の知識グラフを統合（一対多の関係）しても良い。
　また、必ずしも全ての知識グラフが１つの統合グラフに集約（統合）されるのではなく、複数の統合グラフが併存する場合も許容される。
　図４に戻って説明する。次に、統合グラフ修正部は、統合グラフを修正する（ステップＳ００５）。具体的には、統合グラフ修正部は、生成した統合グラフを本システム１００が備えるディスプレイに表示し、例えば不具合知識の保有者であるオペレータからの修正指示を受け付ける。なお、修正指示は、例えば統合グラフに含まれるノード間の関係性を変更（ノードの削除や移動など）する指示などがある。また、統合グラフ修正部は、受け付けた修正指示に基づき統合グラフを修正する。
　次に、統合グラフ出力部は、修正済みの統合グラフを出力する（ステップＳ００６）。具体的には、統合グラフ出力部は、修正済みの統合グラフを統合グラフ格納ＤＢ１３０に格納すると共に、データ形式定義部に出力する。
　以上、統合知識生成処理の一例について説明した。
　このような統合知識生成処理を実行する本システム１００によれば、知識項目の意味上の類似度に基づき、知識項目間の表記ゆれを吸収し、相互に異なる複数領域に跨る知識を統合した、より網羅性の高い形式知（統合グラフ）を得ることができる。
　通常、異なるドメイン知識に基づき作成された知識グラフの知識項目は、表記ゆれにより統合することが難しい。つまり、異なる知識グラフの知識項目同士が意味的に同じ対象を指しているものの、異なるドメイン知識として作成された知識グラフでは、知識項目の表記が異なるために、同じ対象を指すノードとして特定することが難しい場合が多い。これに対し、本システム１００では、意味上の類似度を上記の方法で算出し、算出された類似度が所定条件（所定の閾値以上）を満たす場合には、これらの知識項目を統合する。これにより、単体の知識グラフよりも網羅性の高い統合グラフを生成することができる。
　次に、本システム１００で実行される学習処理について説明する。当該処理は、データ形式定義部が統合グラフを取得すると開始される。
　処理が開始されると、データ形式定義部は、学習データのデータ形式を定義する（ステップＳ０１０）。具体的には、データ形式定義部は、統合グラフの各知識項目に対応するデータの有無を特定する。ここで、知識項目に対応するデータとは、例えば知識項目がサーバ処理異常の場合、サーバの動作履歴を記録したサーバログが該当する。
　なお、知識項目に対応するデータの有無は、例えば知識項目に応じて予め決まっていれば良い。また、例えば当該データが知識項目に対応付けられてメモリリソース４０に格納されている場合には、メモリリソース４０内を検索することでその有無が特定されても良い。あるいは、知識項目と対応するデータの有無との対応関係を示す情報がメモリリソース４０に格納されている場合、当該情報を用いてその有無が特定されても良い。
　また、データ形式定義部は、対応するデータが存在する場合、当該データを特定するためのデータＩＤを対応する知識項目に付与する。なお、データＩＤの一例としては、データ固有の名称や、データがメモリリソース４０内のデータベースに保存されている場合には、そのカラム名あるいはフィールド名である。データ形式定義部は、知識項目の表記に「＊＊エラー」、「＊＊ログ」という単語が含まれる場合、それを正規表現などで自動抽出し、これをデータＩＤとして付与する。なお、当該データＩＤは、例えば人手により入力されても良い。
　図７は、統合グラフを用いた入力データ形式の定義に関する説明図である。図示するように、統合グラフの知識項目には、当該知識項目に対応するデータが紐付けられている。データ形式定義部は、これらのデータに対応する知識項目に対して上記の方法でデータＩＤ（例えば、アプリエラー記録、操作ログおよび通信ログなど）を付与する。
　なお、例えば車内の配線異常（断線など）はそのままデータとしては捉えられず、このような知識項目には対応するデータが存在しない場合がある。その場合、データ形式定義部は、対応するデータが無いことを示す情報を当該知識項目に対応付けるか、あるいは関連する別のデータを示すデータＩＤを対応する知識項目に付与する。なお、関連する別のデータ（上記配線異常の場合には、例えば通信エラーのデータなど）は、当該知識項目に応じて予め決まっていれば良い。
　また、データ形式定義部は、診断対象の不具合要因に対応する知識項目を統合グラフから特定する。例えば、データ形式定義部は、統合グラフの末端の知識項目を根本的な不具合要因とみなし、これら末端の知識項目を不具合要因に対応する知識項目として特定する。
　なお、診断対象の不具合要因に対応する知識項目を統合グラフから特定する方法はこれに限られるものではなく、例えば、データ形式定義部は、診断対象の不具合要因と対応する知識項目との対応関係が定義されたリストがある場合、これを用いて統合グラフから不具合要因に対応する知識項目を特定しても良い。なお、当該リストは、予めメモリリソース４０に格納されていれば良い。あるいは、当該知識項目は、例えば人手によって特定されても良い。
　なお、診断対象とならない不具合要因については当該処理の対象から除かれる。例えば、車両内部については問題がないことが判明している不具合を解析対象とする場合には、図示する知識項目の中で、「配線故障」や「信号異常」については不具合要因から除かれる。
　また、データ形式定義部は、特定した不具合要因に関連するデータＩＤを抽出し、そのリストを入力データ形式として定義する。具体的には、データ形式定義部は、特定した不具合要因の知識項目に付与されている対応するデータのデータＩＤを特定し、当該データＩＤをリスト化したものを入力データ形式として定義する。
　なお、データ形式定義部は、例えば統合グラフがツリー構造の場合（図示する例はツリー構造）、最上位のトップ事象（ルートノード）から末端事象（リーフノード）までのパス（リンク）において、決定された不具合要因の知識項目を含むパスを選択し、選択したパス上の知識項目に付与されている対応するデータのデータＩＤを網羅的に抽出したリストを入力データ形式として定義しても良い。あるいは、当該データＩＤは、例えば人手により抽出されても良い。
　以上の処理により、図７に示す入力データ形式が定義される。
　図４に戻って説明する。次に、学習データ生成部は、学習データを生成する（ステップＳ０１１）。具体的には、学習データ生成部は、ステップＳ０１１の処理で特定した知識項目が不具合要因として特定された事例であって、入力データ形式で定義された項目（図７の例では、アプリエラー記録、操作ログ、通信ログおよびサーバログ）に合致するデータを有する過去の不具合事例を、過去の不具合事例が複数登録されている不具合事例情報から取得する。なお、不具合事例情報は、例えば外部装置１０から取得するか、または、本システム１００のメモリリソース４０内に予め格納されていれば良い。
　また、学習データ生成部は、取得した不具合事例から、入力データ形式の各項目に対応するデータすなわち不具合発生時の各項目に対応する状態情報（ログ情報など）と、当該事例で特定された不具合要因（すなわち、ステップＳ０１１で特定した不具合要因と同一の不具合要因）と、を特定する。また、学習データ生成部は、特定した状態情報を入力データ形式で定義された対応する項目に割り付け、当該事例により特定された不具合要因をこれらの各項目を含むレコードに対応付けることで、学習データを生成する。
　以上の処理により、図７に示す学習データが生成される。図示するように、学習データには、入力データ形式の各項目に対応する不具合発生時の状態情報と、当該事例で特定された不具合要因と、が割り付けられている。すなわち、学習データは、教師あり学習における正解ラベル付きデータの役割りを果たす。
　図４に戻って説明する。次に、診断モデル生成部は、学習データを用いて不具合を診断する診断モデル１５０を生成する（ステップＳ０１２）。具体的には、診断モデル生成部は、学習データの各項目に対応する情報が不具合を示す情報として入力されると、当該項目に対応付けられている不具合要因を推定するように、数理モデルに対して学習データを用いた機械学習を行う。これにより診断モデル生成部は、不具合を診断し、その要因を診断結果として出力する診断モデルを生成する。
　以上、学習処理の一例について説明した。
　このような学習処理を実行する本システム１００によれば、領域横断的な知識項目が含まれる統合グラフを用いることで、より多くの不具合に対してより相関の高い入力データ形式を定義することができる。また、このような入力データ形式で定義された項目に対応する過去事例に基づいて診断モデル１５０の機械学習に用いる学習データを生成することで、より多くの不具合に対して要因を分析できる網羅性および精度の高い診断モデル１５０を生成することができる。
　次に、本システム１００で実行される診断処理について説明する。なお、当該処理は、例えば不具合解析員であるオペレータからの実行指示を受け付けると開始される。
　処理が開始されると、データ入力部は、不具合の状態を示す情報（以下、「不具合情報」という）の入力を受け付ける。具体的には、データ入力部は、オペレータから不具合情報の入力を受け付ける（ステップＳ０２０）。
　次に、診断処理部は、診断モデル１５０を用いて不具合の診断を実行する（ステップＳ０２１）。具体的には、診断処理部は、データ入力部がオペレータから受け付けた不具合情報であって、入力データ形式で定義された項目に対応する情報を含む不具合情報を診断モデル１５０に入力することで、不具合要因が特定された診断結果を出力値として取得する。
　次に、診断結果出力部は、不具合要因が特定された診断結果を出力する（ステップＳ０２２）。具体的には、診断結果出力部は、特定された不具合要因を含む診断結果を本システム１００が備えるディスプレイなどの出力装置に出力する。なお、診断結果出力部は、所定の外部装置１０に診断結果を出力（送信）しても良い。
　以上、診断処理の一例について説明した。
　このような診断処理を行う本システム１００によれば、より多くの不具合に対して要因を分析できる網羅性および精度の高い診断結果を得ることができる。
　なお、本システム１００は、統合知識生成処理部３００と、診断学習部３１０と、診断実行部３２０と、の各機能部が必ずしも１つのプロセッサシステム１００（計算機）で実現される必要はない。例えば、各々の機能部は、相互に異なる事業者が所有する計算機のプロセッサが対応するプログラムを読み込むことで実現されても良い。あるいは、統合知識生成処理部３００と、診断学習部３１０と、が１つの計算機で実現されても良く、または、統合知識生成処理部３００と、診断実行部３２０と、が１つの計算機で実現されても良い。
　また、本発明は、上記の実施形態に限定されるものではなく、様々な変形が可能である。変形例に係るプロセッサシステム１００は、新たな不具合関連情報を取得する度に生成済みの統合グラフを更新し、網羅性を高めた統合グラフを生成する。具体的には、統合グラフ生成部は、新たな不具合関連情報を取得すると、統合グラフ格納ＤＢ１３０から生成済みの統合グラフを取得する。また、統合グラフ生成部は、新たに取得した不具合関連情報（グラフ情報または非グラフ情報のいずれでも良い）による知識グラフを、知識項目の類似度に応じて既成の統合グラフに統合することで、当該既成の統合グラフを更新し、より網羅性の高い統合グラフを生成する。
　また、診断学習部３１０は、更新された統合グラフを用いて学習データを生成し、当該学習データを用いて診断モデル１５０を更新する。
　このような処理により、統合知識生成処理部３００は、既成の統合グラフをより網羅性の高い統合グラフに更新することができる。また、診断学習部３１０は、更新された統合グラフに基づいて、診断モデル１５０を更新することができる。その結果、プロセッサシステム１００は、診断モデル１５０による診断精度をより向上させることができる。
　＜プロセッサシステム１００が適用されたサービスシステム＞
　図８は、前述の実施形態に係るプロセッサシステム１００が適用されたサービスシステムの概要の一例を示した図である。図示するサービス形態は、本発明が自動車向けサービスに適用された例を示している。
　図示する製品製造・保守事業者とインフラ管理事業者は、（製品運用事業者や製品利用者から収集したものを含む）既存の不具合関連情報を本システム１００の運用事業者に提供する。
　また、本システム１００の運用事業者は、プロセッサシステム１００を用いて、不具合診断に関する形式知(統合グラフ)を作成し、統合グラフを用いて生成した学習データを機械学習することで、より網羅性および精度の高い診断モデルを生成する。
　また、製品製造・保守事業者とインフラ管理事業者は、要因未特定の不具合情報を本システム１００の運用事業者に提供する。
　また、本システム１００の運用事業者は、提供された不具合情報を診断モデルに入力し、不具合要因が特定された診断結果を得て、製品製造・保守事業者やインフラ管理事業者に回答する。
　このようなサービスシステムの構成により、製品製造・保守事業者やインフラ事業者は、人手での分析が不要となり、分析の迅速化というメリットを得ることができる。
　その結果、製品購入者や製品運用事業者は、安全性能の向上や、稼働率向上といった様々なメリットを得ることができる。また、これに伴い、メーカは、その製品信用度が向上する、というメリットを享受することができる。
　また、製品製造・保守事業者は、メーカ信用度の向上に伴うユーザの購買意欲の増加、というメリットを得ることができる。
　また、本システム１００の運用事業者は、製品製造・保守事業者やインフラ事業者から不具合診断の対価（図中の料金）を得る、というメリットを享受することができる。
　なお、本システム１００の運用事業者は、複数の製品製造・保守事業者、あるいは部品サプライヤから、不具合関連情報を収集し、それらを集約して用いても良い。これにより、プロセッサシステム１００は、より網羅性および正確性の高い統合グラフを作成することができる。
　また、本発明は、上記した実施形態および変形例に限定されるものではなく、同一の技術的思想の範囲内において様々な変形例が含まれる。例えば、上記した実施例は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、ある実施例の構成の一部を他の実施例の構成に置き換えることが可能であり、また、ある実施例の構成に他の実施例の構成を加えることも可能である。また、各実施例の構成の一部について、他の構成の追加、削除、置換をすることが可能である。
　また、上記説明では、制御線や情報線は、説明上必要と考えられるものを示しており、製品上必ずしも全ての制御線や情報線を示しているとは限らない。実際には殆ど全ての構成が相互に接続されていると考えて良い。
１００・・・プロセッサシステム、３０・・・プロセッサ、４０・・・メモリリソース、５０・・・ＮＩ（ネットワークインターフェースデバイス）、６０・・・ＵＩ（ユーザインターフェースデバイス）、１１０・・・不具合関連グラフ情報ＤＢ、１２０・・・不具合関連非グラフ情報ＤＢ、１３０・・・統合グラフ格納ＤＢ、１４０・・・学習データ格納ＤＢ、１５０・・・診断モデル、２１０・・・診断プログラム、２１１・・・統合知識生成プログラム、２１２・・・診断学習プログラム、２１３・・・診断実行プログラム、３００・・・統合知識生成処理部、３１０・・・診断学習部、３２０・・・診断実行部、１０・・・外部装置、Ｎ・・・ネットワーク

Claims (9)

  1. 　１以上のプロセッサと、１以上のメモリリソースと、を有するプロセッサシステムであって、
    　前記メモリリソースは、
    　移動体または設備を含む電子システムを診断する診断プログラムと、
    　前記診断プログラムで用いる複数の知識グラフであって、少なくとも、第１知識グラフと、当該第１知識グラフとは異なるドメイン知識に基づき作成された第２知識グラフと、を含む複数の前記知識グラフと、を格納し、
    　前記プロセッサは、前記診断プログラムを実行することで：
    （１）前記第１知識グラフに含まれる第１知識項目と、前記第２知識グラフに含まれる第２知識項目との意味上の類似度を評価し、
    （２）前記類似度が所定条件を満たす場合、前記第１知識グラフと、前記第２知識グラフと、を統合した統合グラフを生成する
    ことを特徴とするプロセッサシステム。
  2. 　請求項１に記載のプロセッサシステムであって、
    　前記プロセッサは、前記診断プログラムを実行することで：
    　外部装置から取得した不具合関連情報に対して、所定の数理モデルを適用することで、当該不具合関連情報に基づく前記第１知識グラフおよび前記第２知識グラフを生成する
    ことを特徴とするプロセッサシステム。
  3. 　請求項２に記載のプロセッサシステムであって、
    　前記メモリリソースには、生成された前記統合グラフが格納され、
    　前記プロセッサは、前記診断プログラムを実行することで：
    　新たな前記不具合関連情報を取得すると、当該不具合関連情報に対して、前記所定の数理モデルを適用することで、当該不具合関連情報に基づく第３知識グラフを生成し、
    　前記メモリリソースから取得した前記統合グラフに含まれる前記知識項目と、前記第３知識グラフに含まれる第３知識項目と、の意味上の類似度に基づき、前記統合グラフと前記第３知識グラフと、を統合する
    ことを特徴とするプロセッサシステム。
  4. 　請求項１に記載のプロセッサシステムであって、
    　情報を表示する出力装置と、情報の入力を受け付ける入力装置と、をさらに有し、
    　前記プロセッサは、前記診断プログラムを実行することで：
    　生成した前記統合グラフを前記出力装置に表示させ、
    　前記入力装置を介して受け付けた前記統合グラフの修正内容に基づき、前記統合グラフを修正する
    ことを特徴とするプロセッサシステム。
  5. 　請求項１に記載のプロセッサシステムであって、
    　前記プロセッサは、前記診断プログラムを実行することで：
    　前記統合グラフに含まれる前記知識項目であって、診断対象の不具合要因に対応する当該知識項目を特定し、
    　特定した前記知識項目に対応するデータの識別情報を項目化することで、診断を行う所定の数理モデルに機械学習をさせるための学習データの入力データ形式を定義する
    ことを特徴とするプロセッサシステム。
  6. 　請求項５に記載のプロセッサシステムであって、
    　前記プロセッサは、前記診断プログラムを実行することで：
    　前記入力データ形式で定義されている前記項目に合致するデータであって、不具合発生時の各項目に対応する状態を示す当該データを過去の不具合要因事例から特定し、特定した当該データを対応する前記項目に割り付けた学習データを生成する
    ことを特徴とするプロセッサシステム。
  7. 　請求項６に記載のプロセッサシステムであって、
    　前記プロセッサは、前記診断プログラムを実行することで：
    　前記学習データの各項目に対応する情報が不具合を示す情報として入力されると、当該項目に対応付けられている不具合要因を推定するように、所定の数理モデルに対して当該学習データを用いた機械学習を行うことで、前記電子システムにおける不具合を診断する診断モデルを生成する
    ことを特徴とするプロセッサシステム。
  8. 　請求項７に記載のプロセッサシステムであって、
    　前記プロセッサは、前記診断プログラムを実行することで：
    （１）製品製造・保守事業者またはインフラ管理事業者の端末より不具合要因が未特定の不具合情報を取得し、当該不具合情報を前記診断モデルに入力することで、特定された不具合要因を診断結果として取得し、
    （２）特定された前記不具合要因を、前記製品製造・保守事業者または前記インフラ管理事業者の端末に送信する
    ことを特徴とするプロセッサシステム。
  9. 　１以上のプロセッサと、１以上のメモリリソースと、を有するプロセッサシステムが行う不具合診断方法であって、
    　前記メモリリソースは、
    　移動体または設備を含む電子システムを診断する診断プログラムと、
    　前記診断プログラムで用いる複数の知識グラフであって、少なくとも、第１知識グラフと、当該第１知識グラフとは異なるドメイン知識に基づき作成された第２知識グラフと、を含む複数の前記知識グラフと、を格納し、
    　前記プロセッサは、前記診断プログラムを実行することで：
    （１）前記第１知識グラフに含まれる第１知識項目と、前記第２知識グラフに含まれる第２知識項目との意味上の類似度を評価するステップと、
    （２）前記類似度が所定条件を満たす場合、前記第１知識グラフと、前記第２知識グラフと、を統合した統合グラフを生成するステップと、を行う
    ことを特徴とする不具合診断方法。
PCT/JP2023/015715 2022-06-30 2023-04-20 プロセッサシステムおよび不具合診断方法 WO2024004351A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022-106298 2022-06-30
JP2022106298A JP2024005871A (ja) 2022-06-30 2022-06-30 プロセッサシステムおよび不具合診断方法

Publications (1)

Publication Number Publication Date
WO2024004351A1 true WO2024004351A1 (ja) 2024-01-04

Family

ID=89381909

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/015715 WO2024004351A1 (ja) 2022-06-30 2023-04-20 プロセッサシステムおよび不具合診断方法

Country Status (3)

Country Link
US (1) US20240004747A1 (ja)
JP (1) JP2024005871A (ja)
WO (1) WO2024004351A1 (ja)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020160868A (ja) * 2019-03-27 2020-10-01 三菱ロジスネクスト株式会社 Ｆｔ図更新装置、トラブルシューティング用フロー図更新装置およびプログラム
JP2020160867A (ja) * 2019-03-27 2020-10-01 三菱ロジスネクスト株式会社 Ｆｔ図生成装置、トラブルシューティング用フロー図生成装置およびプログラム
JP2021087222A (ja) * 2019-11-30 2021-06-03 華為技術有限公司Ｈｕａｗｅｉ Ｔｅｃｈｎｏｌｏｇｉｅｓ Ｃｏ．，Ｌｔｄ． 故障根本原因決定方法及び装置並びにコンピュータ記憶媒体
US20220075948A1 (en) * 2020-09-10 2022-03-10 International Business Machines Corporation Knowledge graph fusion
JP2022065502A (ja) * 2020-10-15 2022-04-27 株式会社日立製作所 Ｅｔｌワークフロー推奨装置、ｅｔｌワークフロー推奨方法及びｅｔｌワークフロー推奨システム

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020055910A1 (en) * 2018-09-10 2020-03-19 Drisk, Inc. Systems and methods for graph-based ai training
US20220051110A1 (en) * 2020-08-13 2022-02-17 Cherre, Inc. Neighborhood-based entity resolution system and method
DE102021202177A1 (de) * 2021-03-05 2022-09-08 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum bestimmen des betriebszustands von fahrzeugkomponenten

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020160868A (ja) * 2019-03-27 2020-10-01 三菱ロジスネクスト株式会社 Ｆｔ図更新装置、トラブルシューティング用フロー図更新装置およびプログラム
JP2020160867A (ja) * 2019-03-27 2020-10-01 三菱ロジスネクスト株式会社 Ｆｔ図生成装置、トラブルシューティング用フロー図生成装置およびプログラム
JP2021087222A (ja) * 2019-11-30 2021-06-03 華為技術有限公司Ｈｕａｗｅｉ Ｔｅｃｈｎｏｌｏｇｉｅｓ Ｃｏ．，Ｌｔｄ． 故障根本原因決定方法及び装置並びにコンピュータ記憶媒体
US20220075948A1 (en) * 2020-09-10 2022-03-10 International Business Machines Corporation Knowledge graph fusion
JP2022065502A (ja) * 2020-10-15 2022-04-27 株式会社日立製作所 Ｅｔｌワークフロー推奨装置、ｅｔｌワークフロー推奨方法及びｅｔｌワークフロー推奨システム

Also Published As

Publication number Publication date
JP2024005871A (ja) 2024-01-17
US20240004747A1 (en) 2024-01-04

Similar Documents

Publication Publication Date Title
US11494295B1 (en) Automated software bug discovery and assessment
JP7438205B2 (ja) モデルベース推論器のためのパラメトリックデータモデリング
US20190171669A1 (en) A method for generating a graph model for monitoring machinery health
CN101438238A (zh) 用于异常检测的方法和系统
US10733517B2 (en) Decision service
Friederich et al. Towards data-driven reliability modeling for cyber-physical production systems
KR102268053B1 (ko) 클라우드 서버 및 로보틱 프로세스 자동화 기술 기반의 차량용 지능형 안전분석 시스템
KR102418796B1 (ko) 고장형태 영향분석 기반 고장 분석의 고장 모드 추천 시스템
KR102399597B1 (ko) 인공지능을 활용한 고장형태 영향분석 자동화 시스템
EP3367241B1 (en) Method, computer program and system for providing a control signal for a software development environment
Tundis et al. Model‐Based Dependability Analysis of Physical Systems with Modelica
WO2024004351A1 (ja) プロセッサシステムおよび不具合診断方法
Altinger State of the Art Software Development in the Automotive Industry and Analysis Upon Applicability of Software Fault Prediction
US11790249B1 (en) Automatically evaluating application architecture through architecture-as-code
Rinaldo et al. Integrated analysis of safety and security hazards in automotive systems
EP3608786A1 (en) Systems and methods of requirements chaining and applications thereof
US11314631B2 (en) Method for automatically validating COTS and device for implementing the method
JP7491746B2 (ja) 分散システム
WO2024195157A1 (ja) 診断システム、診断方法およびプログラム
WO2024004313A1 (ja) 不具合診断システム、不具合診断装置および不具合診断方法
Heidrich et al. From complexity measurement to holistic quality evaluation for automotive software development
Dhillon et al. Advancing Vehicle Diagnostic: Exploring the Application of Large Language Models in the Automotive Industry
WO2024049474A1 (en) Continuous safety assessment with graphs
Nagy et al. Simulation-based Safety Assessment of High-level Reliability Models
Mackenzie Change Impact Analysis in Simulink Designs of Embedded Systems

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: 23830804

Country of ref document: EP

Kind code of ref document: A1