JP5256286B2 - メタ解析による動的ドメイン抽出 - Google Patents

Description

本出願は、２００７年５月２４日に出願されたジョアン・デ・クレー（Ｊｏｈａｎ ｄｅ Ｋｌｅｅ）の米国仮出願第６０／９３１，５３５号「メタ解析による動的ドメイン抽出（Ｄｙｎａｍｉｃ Ｄｏｍａｉｎ Ａｂｓｔｒａｃｔｉｏｎ Ｔｈｒｏｕｇｈ Ｍｅｔａ−Ａｎａｌｙｓｉｓ）」、及び同出願人により同日出願された米国仮出願第６０／９３１，５２６号「組み合わせ論理回路における時間的挙動のトラブルシューティング（Ｔｒｏｕｂｌｅｓｈｏｏｔｉｎｇ Ｔｅｍｐｏｒａｌ Ｂｅｈａｖｉｏｒ ｉｎ Ｃｏｍｂｉｎａｔｉｏｎａｌ Ｃｉｒｃｕｉｔ）」に対し優先権を主張する。その全開示内容を参照によって本明細書に援用する。

本出願は解析に関し、より詳しくは動的ドメイン抽出を利用するモデルベース推論に関する。

設計者が自由に使える数多くのツールのうち、抽出は最も強力なツールの１つである。システムの詳細な特性から抽出を行うことにより、複雑な設計タスク全般を管理できるようになる。例えば、コンピュータ技術者は特定のゲートを構築する個々のトランジスタの特性に配慮することなく論理レベルに集中することができ、チップ設計者はチップを構成するために必要な作製ステップに配慮することなくチップをレイアウトできる。抽出することで、設計者は懸念事項を独立したブラックボックスへ分割することができる。抽出は、現代技術の設計の基礎をなす最も重要な着想の１つである。抽出の一例を図１に示す。図１には、底部１０において従来のＭＯＳＦＥＴトランジスタレベルモデルから開始されるＮＡＮＤゲートの異なる３つのモデルが示されている。

電源を無視することができることとし、特定のサブコンポーネントからそれらが果たす役割を抽出すると仮定すると、ＮＡＮＤゲートの中間レベル表示１２が生成される。別の２つの単純化仮説、すなわち電流を無視することができることとし、全てのサブコンポーネントが１つのボックスに入れられていると仮定すると、従来のＮＡＮＤゲートの記号表示１４が生成される。従って、上記仮説はデバイスの２つの連続するより単純なモデルを生成する。

システムにおける故障は、設計者の整然とした抽出レベルに従ったものであるとは限らない。例えば、いくつかのトランジスタに故障が発生すると、ＩＣペンティアム（登録商標）プロセッサの生成する浮動小数点が不正確となることがある。この故障を理解するためには、ソフトウェアとハードウェアとの間の多くの抽出レベルを超越することが必要である。ＰＣ設計者は物理的レイアウト及びその熱的性質に配慮することなく機能的レイアウトに集中することがある。しかし技術者は、プロセッサファンに吸引されたダストによりヒートシンクの詰まりが発生し、プロセッサ温度がＰＣの自動的シャットダウンを招く危険なレベルまで上昇させたとしたら、プロセッサの故障が発生したと結論付けざるを得ない。ゆえに、診断推論は、設計者がめったに考慮しない抽出境界の超越を伴うことから、本質的に厄介で複雑なものであるといえる。

モデルベース推論は、例えば、連続する量的変数を−、０又は＋の定性値によって表示する代わりに一定範囲の変数を抽出する範囲抽出を含む、多くのタイプの抽出を取り扱う。他の既知のタイプの抽出として構造的抽出が挙げられる。これは、コンポーネントをグループで抽出して階層を形成するものである。第三の抽出タイプはモデル選択と呼ばれ、手で構成されるモデルの集合体から選択するアプローチを教示する。

しかし、上記抽出技術では、例えば診断作業を行う診断システムにおいて抽出レベル又は層を動的に変更する方法についての議論は行われていない。

参照による組み込み
ＸＸＸＸ年ＸＸ月ＸＸ日に出願されたジョアン・デ・クリーア（Ｊｏｈａｎ ｄｅ Ｋｌｅｅｒ）の米国出願第ＸＸ／ＸＸＸ，ＸＸＸ号（代理人整理番号第２００７０３２０− ＵＳ−ＮＰ／ＸＥＲＺ２０１５８７号）「組み合わせ論理回路における時間的挙動のトラブルシューティング（Ｔｒｏｕｂｌｅｓｈｏｏｔｉｎｇ Ｔｅｍｐｏｒａｌ Ｂｅｈａｖｉｏｒ ｉｎ Ｃｏｍｂｉｎａｔｉｏｎａｌ Ｃｉｒｃｕｉｔ）」、及びＸＸＸＸ年ＸＸ月ＸＸ日に出願されたジョアン・デ・クリーアの米国出願第ＸＸ／ＸＸＸ，ＸＸＸ号（代理人整理番号第２００７０１６２−ＵＳ−ＮＰ／ＸＥＲＺ ２ ０１５８９号「間欠故障の診断（Ｄｉａｇｎｏｓｉｎｇ ｉｎｔｅｒｍｉｔｔｅｎｔ ｆａｕｌｔｓ）」。

動的ドメイン抽出を含むモデルベース推論システム及び方法は、複数の潜在的な抽出レベルから、解析される現実世界のシステムのシステムモデルに適した抽出レベルを識別すべく構成された抽出決定モジュールを利用する。システム推論モジュールは抽出決定モジュールによって適切であると判断された抽出レベルで現実世界のシステムのシステムモデルについて解析を実施すべく構成される。

抽出レベル又は層の概念を示す図である。 基点を示すための極めて単純なアナログ診断問題を示す図である。 組合せ論理として解析されると矛盾を生じるが、明確な挙動を示す完全に推論可能な正常回路である回路を示す図である。 モデルベース診断エンジンの基本的なアーキテクチャを示す図である。 抽出に基づいたモデルベース診断エンジンのアーキテクチャを示す図である。 図５の動作に関するフローチャートである。 デジタルゲートのメタ診断格子を示す図であり、Ｔは時間的モデルを示し、Ｃは接続モデルを示し、Ｉは断続的なモデルを示す。 デジタルゲートのメタ診断格子を示す図であり、メタコンフリクトＡＢ_a（Ｔ）∨ＡＢ_ａ（Ｃ）は曲線以下の全てのメタ診断を除外し、最小のメタ診断はＴ及びＣである。 非断続を利用することで診断精度が著しく向上する診断状況を示す図である。 接続のモデル化によって故障が取り除かれない診断状況の解析を示す図である。 「ｔ」ゲート遅延後におけるリングオシレータのインバータの出力を示す表である。 極めて特定しにくい故障を含む回路を示す図である。 本出願の概念を組み込む診断デバイスの実施形態に関する図である。 本出願の概念を組み込む診断デバイスの別の実施形態に関する図である。

システムの詳細な特性から抽出を行うことにより、複雑な設計タスク全般を管理できるようになる。システムにおける故障は、設計者の整然とした抽出レベルに従ったものであるとは限らない。以下に、可能な限り単純でありながら間近なタスクに取り組むのに十分な抽出レベルを識別するアプローチを示す。このアプローチは、メタレベル、すなわち抽出仮説自体に対するモデルベース診断を適用することにより所望の抽出レベルを選択する。

従って、新しいタイプの抽出（本明細書中でドメイン抽出と呼ぶことがある）が提示される。このドメイン抽出は、０／１レベルから電流／電圧レベルへ移動し、診断タスクに適したドメインを選択するためにシステムアプローチを提供するなど、モデルの基礎となる物理的原理を変更する概念を含む。

正確なドメイン抽出レベルを選択するには、２つの対立する必要項目の間でバランスを保つことが必要である。最も高い抽出レベルで推論を行うことは最も簡単であるが、システム解析には適さない場合がある。システムはより詳細なレベルで解析される必要がある。一方、過度に詳細なレベルで推論を行っても、更に莫大な計算リソース及び取得が困難なパラメータを必要とする場合があり、解析が複雑化する。アルバート・アインシュタイン（Ａｌｂｅｒｔ Ｅｉｎｓｔｅｉｎ）は次のように言ったと伝えられる。「全てをできるかぎり単純にせよ。しかし単純にしすぎてはならない（Ｍａｋｅ ｅｖｅｒｙｔｈｉｎｇ ａｓ ｓｉｍｐｌｅ ａｓ ｐｏｓｓｉｂｌｅ，ｂｕｔ ｎｏｔ ｓｉｍｐｌｅｒ）。」

システムをトラブルシュートする際、技術者は、システムは非断続的であり（例えば、故障又は徴候が一定であり）、エンジニアリングドキュメント（例えば、回路の概略）は物理的システムを正確に説明していると予測する。図２のアナログ回路２０を考察する。技術者が電流Ｉを０アンペアと測定した（予測では１アンペアであった）と仮定する。このことから、抵抗器Ｒに故障が発生しているという推論が得られる。測定を繰り返すと１アンペア（すなわち予測された出力）が得られた。このことから、抵抗器Ｒが断続的であるか、接続に故障が発生しているという結論が得られる。故障であると判断するには、技術者は更に、例えば接続をチェックしあるいは抵抗器Ｒ自体を更にテストすることにより、当該システムを診断するための抽出レベルを変更しなければならない。この例は、技術者による抽出レベルの直観的な切り換え、及び得られる利点を示している。

ここで、直列に接続された３つの論理インバータ（Ａ、Ｂ、Ｄ）を有する図３の回路３０について考察する。インバータＤからの出力はインバータＡの入力にフィードバックされる。解析の記号ゲートレベルでは、インバータは単にその入力を補完する。回路３０は外部入力を有さず、従って、接続ノードで可能な値を考慮する必要がある。インバータＡへの入力が０であると仮定する。すると出力は１となる。Ｂの出力は０であるはずだから、Ｄの出力は１でなければならない。しかし、これはＡへの入力が０と仮定されていることから成り立たない。逆に、インバータＡへの入力が１であると仮定すると、出力は０となる。Ｂの出力は１であるはずだから、Ｄの出力は０でなければならない。しかし、これもＡへの入力が１と仮定されていることから成り立たない。従って、インバータＡへの入力は０でも１でもありえないことになる。更に、インバータＢ又はＤのへ入力も、０でも１でもありえない。記号論理ゲートとしてモデル化してみると、回路はどういうわけか矛盾している。従って、コンポーネントＡ、Ｂ、Ｄのいずれかが故障していると考えられる。しかし、技術者がこれらの３つのコンポーネントを取り出し、各々について適切な機能を系統的にチェックすることを選択したと仮定する。いずれのコンポーネントも正常であることが確認された場合には、技術者は行き詰まってしまう。

解析の結果矛盾が生じるということは、利用される抽出レベルが過度に単純化されていることの最も重要な指標である。従って、ここでは、必要な解析を行うための抽出レベルを自動的に低下させるが、抽出レベルを必要以上に低下させない一般的な推論機能（ｒｅａｓｏｎｅｒ）を提示する。以下に、接続、断続及び時間的挙動における故障を含む、より厄介なモデルを有するデジタル回路のコンテキスト中でこれらの概念を詳述する。しかし、本明細書中で開示されるシステム及び方法は、認識モデルのデバッグ、遺伝子経路の改良モデル構築実験の設計、パワーグリッドのトラブルシューティング、生産ラインのトラブルシューティング、宇宙機、飛行機及び自動車における欠陥の識別、及びプログラムのデバッグを含むが、これらに限定されない、より広い領域に適用されることができることを理解されたい。

１ メタ解析（又は診断）
図４は、モデルベース、コンポーネントベースの診断（ＭＢＤ）エンジンアーキテクチャ４０の基本的なアーキテクチャの特徴を示している。コンポーネント形態（例えば、アナログ電子回路の概略）４２ａ、コンポーネントモデル（例えば、レジスタはオームの法則に従う）４２ｂ、及び観察（例えば、レジスタＲ６に印加される電圧は４ボルトである）４２ｃが与えられると、モデルベース診断（ＭＢＤ）エンジン４４は、全ての観察４２ｃを説明する診断４６を計算する。期待値と一致しない観察は、診断の発見を導く。モデルベース診断（ＭＢＤ）エンジンが診断を発見できない場合には、故障４８の存在が示唆される。

続けて図３を参照し、技術者が回路３０をトラブルシュートすると仮定する。多くの診断システムが、コンポーネント｛Ａ、Ｂ、Ｄ｝の任意のサブセットに故障が発生していると直ちに判断するであろう。しかし、各インバータを個別にテストしてみると、全てのコンポーネントが正常に動作していることが確認された。ゆえに、既存のシステム又はアルゴリズムは、これを解決できない矛盾（すなわち故障）であると報知する。

しかし、ここで本出願の概念をより詳しく参照すると、図５は、２つのモデルベース診断エンジンを含む、動的ドメイン抽出５０を有するＭＢＤエンジンの実施形態のアーキテクチャを示している。上部のモデルアーキテクチャ５０ａは適切又は最良の抽出レベルを識別するためのもので、下部のモデルアーキテクチャ５０ｂは実際のシステム診断を行うものである。この複合アーキテクチャは付加的な外部入力抽出ライブラリ５２ａを備え、図４の基本的なＭＢＤエンジンアーキテクチャ４０と同様の外部入力を有する。更に、抽出ＭＢＤエンジン５４ａ、適用可能なモデルモジュール５４ｂ、モデラーモジュール５４ｃ及びメタコンフリクトモジュール５４ｄが追加される。これらのコンポーネントは、「好ましいメタ診断」５６ａ、メタ観察５６ｂ及びコンポーネントモデル５６ｃの形で追加情報を生成及び／又は入力する。抽出ＭＢＤエンジン５４ａは更に故障表示５８を出力可能である。適用可能なモデルモジュール５４ｂは、コンポーネント形態４２ａからの適用可能な抽出を全て識別する。モデラーモジュール５４ｃは、コンポーネントモデルライブラリ４２ｂを利用して、従来のモデルベース診断コンポーネントモデル５６ｂを構成するために好ましいメタ診断５６ａを利用する。

ここで図３の回路及び図５のシステムアーキテクチャ５０を考察すると、コンポーネント形態４２ａは上記単純な回路概略３０である。システム観察４２ｃについても既に説明した（例えば、インバータＡの出力は１である）。コンポーネントモデルライブラリ４２ｂは、ゲート挙動（例えば、ブール、アナログ、熱、時間など）の各種モデルを含む。新しい入力である抽出ライブラリ５２ａは全ての可能な１組の抽出である。コンポーネント形態に代えて、抽出ＭＢＤエンジン５４ａは、判断される所与のシステムに適用可能な、１組の可能な抽出を有する。最初は、メタ観察５６ｂは存在せず、従って好ましい診断５６ａは最も抽象的なレベル（全てのコンポーネントと類似する）である。各ゲートは物理的にチェックされ、インバータＡ、Ｂ及びＤが正常に機能しているという観察が得られる。解決できない矛盾が発見されると、ドメインモデルベースエンジン４０は機能しなくなる（上記議論を参照）。この結果、観察として抽出ＭＢＤエンジン５２ａが呼び出される。具体的には、メタコンフリクトモジュール５４ｄが抽出ＭＢＤエンジン５４ａへの入力としてメタ観察５６ｂを生成する。解析が進行すると、好ましいメタ診断５６ａは、診断４６が取得されうる抽出レベルを発見すべく抽出レベルを低下させる。

観察を説明する最も単純な（且つ単純すぎない）メタ診断を発見したいという欲求は、各種基準で満たされる。基準の例として、全ての潜在的に無効な抽出のうち、最もありそうな（ｐｒｏｂａｂｌｅ）、最小濃度（ｃａｒｄｉｎａｌｉｔｙ）及び最小範囲（ｃｏｖｅｒａｇｅ）が挙げられる。特に指定がなければ、ここでは最小濃度基準（メタ診断以上のものが存在する場合には任意に１つを選ぶ）を利用する。しかし、本発明の概念は、上記の他の基準のほか、ここで言及されない他の基準にも同様に適用可能であることを理解されたい。

図６を参照すると、図５のアーキテクチャの動作により拡張されるフローチャート６０が示されている。

ステップ６２で、本出願の診断システム及び方法を適用可能な現実世界のシステムが識別される。まず、ステップ６４〜７２は、並列して実施されるものとして示される。すなわち、これらのステップは非連続的に実施され、場合によってはシステムの初期化の一部として見なされうることが意図される。

この点では、ステップ６４及び６６で、コンポーネント形態及びシステム観察がドメインＭＢＤエンジンに提供される。

ステップ６８で、コンポーネントモデルライブラリは、初期化中に最も抽象的なレベルを提供するデフォルト位置又は初期位置となる好ましいメタ診断と共にモデラーモジュールに供給される。ステップ７０で、抽出ライブラリが抽出ＭＢＤエンジンに提供される。ステップ７２で、コンポーネント形態が、適用可能なモデルモジュール（ステップ６４で予めドメインＭＢＤエンジンに提供されたもの）に供給される。

動作時、選択されたコンポーネントモデルは、ステップ７４でモデラーモジュールから好ましいメタ診断及びコンポーネントモデルライブラリに基づきドメインＭＢＤエンジンに供給される。更に、ステップ７６で、コンポーネント形態からの適切な適用可能な抽出が、適用可能なモデルモジュールから抽出ＭＢＤエンジンに供給される。

続くステップ７８でドメインＭＢＤエンジンの作用が開始され、ステップ８０で出力が生成される。ステップ８２で出力が故障あるいは解決法であるか否かについて決定がなされる。ステップ８２の答えが「ｎｏ」である場合、解決法が発見されたと判断され、更なる情報の要否（あるいは、他の処置の要否）を確認すべく調査が行なわれる。特定のＭＢＤを実施することで、修理を識別したり、追加の測定を行なったりするなど多彩な性能を発揮させてもよい。この例において、調査は、ステップ８３で、プロービングにより追加測定を取得するなど、追加情報を取得することに関する。追加情報が必要でない場合、プロセスはステップ８４に移動し、決定された解決法が出力されてもよい。追加情報が必要な場合、ステップ８５で追加情報が収集され、次いでステップ７８で追加情報が供給され、ＭＢＤの追加動作を可能とする。

他方、ステップ８２でドメインＭＢＤが解決法を決定できなかった場合、故障が発生しており、プロセスはステップ８６に移動し、故障表示がメタコンフリクトモジュールに提供される。次いでステップ８８で故障表示を利用するメタコンフリクトモジュール及びメタコンフリクトモジュール内の好ましいメタ診断情報によって新しいメタ観察が生成される。

次に、ステップ９０で新しいメタ観察が抽出ＭＢＤエンジンに提供される。また、ステップ９２で、抽出ＭＢＤエンジンは新たな好ましいメタ診断を生成すべく動作する。

続くステップ９４でシステムはこの新たな好ましいメタ診断が取得されたか否かを判断すべくテストされる。取得されていない場合故障が発生しており、ステップ９６でシステムは処理を停止する。故障が発生していない（ステップ９４の結果がｎｏである）場合、プロセスはステップ９８に移動し、新たな好ましいメタ診断が抽出ＭＢＤエンジンからメタコンフリクトモジュール及びモデラーモジュールへ送られる。また、より適切な（すなわち異なる抽出レベルの）コンポーネントモデルがステップ７８でドメインＭＢＤに供給される。

診断が発見されるまで、あるいは追加調査のために下位レベル抽出が取得されるまで、上記プロセスは継続される。システムは、解決法が見つかるまで、あるいは解決法が入手できないことを示す抽出ＭＢＤからの故障が存在するまで、抽出レベル内を移動する。

上記議論は、診断システム、デバイス及び方法と共に使用するものとして本発明の概念に注目した。しかし、上記セクションに記載された概念、及び本出願の残りの部分はより広く応用できることを理解されたい。例えば、本明細書中に引用された概念は設計中のシステムに先立って現実世界のシステムの作用をシミュレートするために利用できる。その点では、図４〜図６に記載される各種要素及びプロセスステップに注意すると、これらは診断の領域の他に広い応用を有することが理解される。

従って、例えば、モデルベース、コンポーネントベースの診断（ＭＢＤ）エンジンアーキテクチャ４０は、モデルベース、コンポーネントベースの推論エンジンアーキテクチャでもあると考えられる。同様に、診断４６を計算する上記モデルベース診断（ＭＢＤ）エンジン４４は、観察を説明すべく解析を計算するモデルベース推論エンジンでもあると考えられる。図５及び図６を参照すると、抽出ＭＢＤエンジン５４ａを含むモデルアーキテクチャ５０ｂをより広い意味で理解することができ、抽出推論エンジンとして定義することができる。更に、予め「好ましいメタ診断」として識別された情報でも「好ましいメタ解析」であると理解されてもよい。同様に、モデラーモジュール５４ｃは、コンポーネントモデルライブラリ４２ｂを利用して、（モデルベースの診断コンポーネントモデル５６ｂの代わりに）従来のモデルベース解析コンポーネントモデルを構成するために好ましいメタ解析を利用することが理解されてもよい。最後に、本明細書中で言及されないコンポーネントも、診断作用だけでなく診断分野以外の領域に適用可能な推論及び解析のより一般的な概念により広く定義されることが理解されよう。

２ 形式化
このセクションでは、このドキュメント中で利用されるモデルベース診断に関する形式上のフレームワークを要約する。ドメインと抽出ＡＢリテラルとを識別するため、当該技術でよく知られた通常のフレームワークをドメインＡＢ_ｄリテラルとして記述する。

定義１ システムはトリプル（ＳＤ，ＣＯＭＰＳ，ＯＢＳ）である。
１．ＳＤ（システム記述）は１組の一次センテンスである。
２．ＣＯＭＰＳ（システムコンポーネント）は定数の有限集合である。
３．ＯＢＳ（１組の観察）は１組の一次センテンスである。

図３では、ＳＤはコンポーネント形態及びコンポーネントモデルライブラリであり、ＣＯＭＰＳはコンポーネント形態中の１組のコンポーネントである。

定義２ ２組のコンポーネントＣ_ｐ及びＣ_ｎがＤ_ｄ（Ｃ_ｐ，Ｃ_ｎ）を定義する場合、以下の合接が得られる。

ＡＢ_ｄ（ｘ）はコンポーネントｘに異常（故障）が発生していることを示す。

診断はシステムの可能な１つの状態を記述するセンテンスであり、この状態は各システムコンポーネントに対する正常又は異常のステータスの割り当てである。

定義５ ＡＢ_ｄ節は、ＡＢ_ｄリテラルの相補対を含まないＡＢ_ｄリテラルの離接命題である。

２．１ 抽出の形式化
抽出ＭＢＤは同様に定義される：

定義７ 抽象システムはトリプル（ＳＤ，ＡＢＳ，ＯＢＳ）である。
１．ＳＤは可能な抽出のうちの制約であり、１組の一次センテンスである。
２．ＡＢＳは適用可能な抽出であり、定数の有限集合である。
３．ＯＢＳは１組のメタ観察であり、１組の一次センテンスである。

定義８ ２組の抽出Ｃ_ｐ及びＣ_ｎがＤ_ａ（Ｃ_ｐ，Ｃ_ｎ）を定義する場合、以下の合接が得られる。

ここで、ＡＢａ（ｘ）は、抽出ｘがＡＢｎｏｒｍａｌである（利用できない）ことを示している。

メタ診断はシステムの可能な１つの状態を記述するセンテンスであり、この状態は各システムコンポーネントに対する正常又は異常のステータスの割り当てである。

定義１１ ＡＢ_a節は、ＡＢ_aリテラルの相補対を含んでいないＡＢ_aリテラルの離接命題である。

３ モデル格子の例
これらの観念を示すには抽出の３つの軸が利用される。
・接続のモデル
・非断続のモデル
・時間のモデル

対応するＡＢ_aリテラルは次の通りである：

図７は、抽出の軸のうちの３つに沿ったデジタル回路の抽出空間の一部を格子１００の形で示す。この格子は、従来のモデルベース診断の中でシステム診断に利用されたものと同一の構造を有している。従来のモデルベース診断では、各ノードは観察を説明する候補診断を表す。図７の各ノードは候補メタ診断を表し、Ｔは時間的モデルを示し、Ｃは接続モデルを示し、Iは断続的なモデルを示す。図中のボトムノード１０２は、接続、時間及び断続と無関係のメタ診断を表す：

図３を参照すると、解析は直ちにコンフリクト及びメタコンフリクトを検出する：

観測時刻が１つのみであることから、この矛盾はＡＢ_a（I）には依存しない。図８は、メタコンフリクトを識別する、得られるメタ診断格子を示している。特に、曲線１０４（すなわちノード１０２及び１０６）より下の全てのメタ診断は除去される。従って、最小のメタ診断はＴ１０８及びＣ１１０である。

４ コンポーネントのモデル化
（通常の背景公理を使用して、適切な機能、ドメイン及び範囲を定義する）インバータの従来のＭＢＤモデルは次の通りである：

このモデルが接続を推定し、時間的挙動をモデル化する必要がないため、新しいフレームワークでは、次のように書き直せる：

遅延Δを有するものとしてインバータをモデル化する場合、モデルは次のように変更される（図７及び図８ではＴとラベル付けされる）：

４．１ 接続モデル
ブリッジ故障を含む、関連における故障を収容すべくインバータをモデル化するためには、新たな形式の導入が必要である。以下に、本発明の概念に関して有用な形式の概要を示す。コンポーネントの各端子は２つの変数でモデル化される。１つは、当該コンポーネントがその出力にどのように作用しようとするかをモデル化するものであり（電流とおよそ類似している）、もう１つは結果を特徴付ける（電圧とおよそ類似している）。ノードに対するコンポーネントの作用には、５つの相互に一貫しない定性値が存在する（これらは「ドライバ」（すなわち「ｄ」）と称される。

得られる信号（すなわち「ｓ」）に対する３つの潜在的定性値が存在する。
・ｓ（０）：結果はデジタル０として検出される接地に十分に近い。
・ｓ（ｘ）：結果が０又は１ではない。
・ｓ（１）：結果はデジタル１として検出される電源に十分に近い。

明示的モデルは、ノードにおいてデジタル信号がそのドライバからどのように決定されるかを記述することが必要である。Ｒ（ｖ）をノードｖで得られる信号とし、Ｓ（ｖ）をノードｖのドライバの集合とする。直観的に、ノードのモデルは次の通りである：

・他に、全てのドライバが既知であり、先行する３つのルールが適用されないならば、Ｒ（ｖ）＝ｓ（１）である。

（図７においてＴＣとラベル付けされた）時間的・原因的挙動をより正確に記述すべくインバータをモデル化すると、次のようになる。

接続モデルは、更に回路ノード中の任意のブリッジ故障を可能とする。これらについての記述は割愛するが、２００７年７月１０日に出願されたジョアン・デ・クレー（Ｊｏｈａｎ ｄｅ Ｋｌｅｅ）の米国特許出願第１１／７７５，６５０号「接続が問題である場合のモデル化（Ｍｏｄｅｌｉｎｇ Ｗｈｅｎ Ｃｏｎｎｅｃｔｉｏｎｓ Ａｒｅ Ｔｈｅ Ｐｒｏｂｌｅｍ）」に記載がある。その全開示内容を参照によって本明細書に援用する。

４．２ 非断続のモデル化
図９は、非断続が診断識別を向上させると仮定する、Ｏｒゲート１２２及びＸｏｒゲート１２４を有する例示的回路１２０を示している。回路の入力及び出力は時刻Ｔ_１及びＴ_２で観察された値で表示される。なお、Ｔ_１では回路は正常な値を出力し、Ｔ_２では回路は正常でない値を出力する。Ｏｒゲート１２２が非断続的に作用すると仮定することによって、以下のようにＸｏｒゲート１２４が故障していることが確認できる。

Ｘｏｒが正常であればＩｎ_１（Ｘｏｒ，Ｔ_１）＝１である。これはＩｎ_２（Ｘｏｒ，Ｔ_１）＝０、Ｏｕｔ（Ｘｏｒ，Ｔ_１）＝１及びＸｏｒの挙動から得られる。同様に、Ｘｏｒが正常であれば、Ｔ_２においてＩｎ_１（Ｘｏｒ）＝０である。しかしながら、Ｏｒが非断続的に作用する場合、Ｉｎ_１（Ｘｏｒ，Ｔ_２）＝１となる。これはＯｒがＴ_１及びＴ_２において同一の入力を有し、このため同一の出力を生じる必要があることから得られる。従って、Ｉｎ_１（Ｘｏｒ，Ｔ_２）の値には２つの矛盾する予測がある。Ｘｏｒが故障しているか、あるいはＯｒが断続的に作用している。非断続はＸｏｒの故障を意味していると仮定する。

全ての推論は非断続の定義から得られる。

定義１３ 出力が入力の関数である場合、コンポーネントは非断続的に作用する。

Ｏｒ−Ｘｏｒの例では、追加された公理は次の通りである：

式中、Ｆは全ての非断続公理に関する単一の固定関数である。

これらの公理はプライムインプリケート（ｐｒｉｍｅ ｉｍｐｌｉｃａｔｅ）を以下のように引き出すことによりＡＴＭＳ／ＨＴＭＳベースの推論機能において実施される。

断続的なケースでは、Ｔ_１における観察はＸｏｒ及びＯｒが正常であるとして等しく加重する。測定の影響を受けない他のコンポーネントがシステムに存在する場合、Ｔ_１における観察はＸｏｒ及びＯｒの事後故障の可能性を低下させる。

４．３ モデルの自動生成
より詳細なコンポーネントモデルは、通常、系統的な方法で最も抽象的なモデルから自動的に生成できる。この実施態様では、Ｔ、Ｃ及びＩモデルは、１組のモデル化スキーマによってベーシックな０モデルから自動的に得られる。インバータの最も抽象的なモデルについて考察する。

以下の慣例では、入力を指す機能「ｉｎ」と出力を指す機能「ｏｕｔ」が使用される。非時間的モデルは全てのｏｕｔ（ｘ，ｔ）（ｏｒ ｏｕｔ_ｊ（ｘ，ｔ））の発生をｏｕｔ（ｘ，ｔ＋Δ）で置き換えることにより単純なゲート遅延モデルに変換できる。

非接続モデルは、まずインプリケーション（ｉｍｐｌｉｃａｔｉｏｎ）を拡張し、全てのｉｎ（ｘ，ｔ）＝ｙをｓ（ｉｎ（ｘ，ｔ））＝ｓ（ｙ）及びｄ（ｉｎ（ｘ，ｔ））＝ｄ（Ｒ）で置き換え、全てのｏｕｔ（ｘ，ｔ）＝ｙをｄ（ｏｕｔ（ｘ，ｔ））＝ｄ（ｙ）で置き換え、新しい変数の値のために通常のドメイン公理を加えることにより、接続に変換できる。

非断続は、コンポーネントモデル自体への変更を必要としないが、ドメインＭＢＤに供給されたモデルにセクション４．２の公理を加える必要がある。

５ メタ診断ループ
５．１ ０→Ｔ
図３の３つの例示的インバータ回路３０を参照する。最も抽象的なメタ診断は次の通りである：

このメタ診断は、メタ診断レベルでコンポーネントモデルを選択する図５のモデラーモジュール５４ｃに供給される。全ての３つのインバータをモデル化するモデル化作用はセクション４に記載されている。全てのコンポーネントが正常であることが知られているため、これは故障を生じる。次いで、図５のメタコンフリクトモジュール５４ｄはメタコンフリクトを構成する：

システムが複数回にわたり観察された場合のみ非断続推論が発生しうることから、ＡＢ_ａ（Ｉ）はメタコンフリクトから自明に除外される。

抽出ＭＢＤエンジンは２つの最小のメタ診断Ｔ及びＣを識別する。両者が同様である場合は、任意の一方を選択する。Ｃが選択された場合、Ｃモデルは矛盾を解決しない。図１０は、図３の回路のための接続モデルを有する推論１３０の以下のシーケンスを図示する：（１３０ａ）Ａの入力が１であると仮定する、（１３０ｂ）原因のインバータモデルは、出力を０としようとする、（１３０ｃ）ゲートＢの入力は、ノードへの高抵抗（低電流）負荷を示す、（１３０ｄ）接続モデルはノードを０に設定する、（１３０ｅ）Ｂのインバータモデルは、出力を１と導出する、（１３０ｆ）ゲートＤは高抵抗（低電流）負荷を提示する、（１３０ｇ）接続モデルはノードを１に設定する、（１３０ｈ）インバータは出力を０と導出する、（１３０ｉ）ゲートＡは高抵抗（低電流）負荷を提示する、（１３０ｊ）ノードモデルはノードを０に設定し、これは１であるＡの入力と矛盾する。Ａの入力が０であることに関する類似解析は同様に矛盾を生じる。唯一の残された可能な濃度診断はＴである。

時間的Ｔモデルをインバータに利用することで、図１１の表１４０に示される一貫した解析が生じる。これはよく知られているリングオシレータ向けである。

図１１の表は、ｔゲート遅延後のリングオシレータのインバータの出力を示す。オシレータは、初期状態に戻るために６つのゲート遅延をとる。従って、出力はゲート遅延の６倍の期間の矩形波である。

５．２ ０→Ｉ
図９のＯｒ―Ｘｏｒ回路１２０を再度考察する。明瞭にするため、回路に故障が１つ発生していると仮定する。セクション４．２に記載するように、０モデルの下では、Ｘｏｒは故障でなければならない。Ｏｒゲートの出力がＴ_１及びＴ_２において測定され、各々１及び次いで０であったと仮定する。この場合、メタコンフリクトが導出される。

ここではＴ，Ｃ，Ｉの３つの最小の候補メタ診断が存在する。Ｔメタ診断は、メタコンフリクトを生じる故障を直ちに結果として生じる。

メタ診断Ｉは、一貫した視点を生じる。Ｏｒは、断続的に故障している。Ｃメタ診断は下記の観察を説明できない。

５．３ ０→Ｃ
Ｏｒゲートの出力が観察される前のＯｒ―Ｘｏｒの例を再び考察する。ここでも、明瞭にするため、回路に故障が１つ発生していると仮定する。Ｘｏｒが置き換えられ、同一の徴候が再び発生すると仮定する。この場合、ＣとＩメタ診断は一貫している。Ｉメタ診断の下では、回路は２つの可能な故障を含む。
・Ｘｏｒに故障が発生している。
・Ｏｒに故障が発生している。

Ｃメタ診断は一貫しており、３つの潜在的故障を有する。
・Ｘｏｒの出力のノードは電源に短絡される。
・ノードへの出力Ｘｏｒゲートからの接続はオープンであり、従って１へ浮動する。
・ｉｎ_２（Ｘｏｒ）への接続は接地される。

５．４ ０→ＴＣＩ
ＴＣＩの好適なメタ診断を必要とするタスクは複雑であるが、発生する。図１２の４つのインバータシステム１５０について考察する。インバータＺへの入力は常に０とされる。また、単一の故障が仮定される。出力Ｄの観察は通常は０であるが、非パターン的に１を出力する。Ｄ＝１が観察されると、Ｚ，Ａ，Ｂ，Ｄのいずれかに故障が発生していることが示される。しかし、Ｄ＝０の後続の観察は一貫せず、メタコンフリクトを生じる。

接続に故障が発生していなければ、観察が生じうる。従って、

時間的故障がなければ、この挙動は生じない。従って、

メタ診断Ｉの下では、Ａの出力が測定される。Ａの出力は通常は０であるが、１であることもある。Ｚの出力が測定される。Ｚの出力は通常は１であるが、０であることもある。従って、（メタ診断Ｉの下では）Ｚに断続的な故障が発生しているはずであるが、これを置き換えても徴候の変化はない。これによりメタコンフリクトが生じる。

ＣＩメタ診断も矛盾を生じる。観察を説明できる接続内に故障は発生していない。同様に、ＴＩのメタ診断内に故障はない。徴候を説明しうる唯一のメタ診断はＴＣＩである。実際の故障は、Ｄの出力とＺの出力との間の断続的短絡である。Ｚへの入力が０であるならば、出力は１である。デジタルゲートの接続モデルは０が支配的であり、このため、断続的短絡によりＤの出力からの０がフィードバックされた場合、Ａへの入力は０となる。従って、断続的短絡が明白である場合、回路はリングオシレータである。

６ 実施
仮説に基づく真理維持システム（Ａｓｓｕｍｐｔｉｏｎ−ｂａｓｅｄ Ｔｒｕｔｈ Ｍａｉｎｔｅｎａｎｃｅ Ｓｙｓｔｅｍ：ＡＴＭＳ）及びハイブリッド真理維持システム（Ｈｙｂｒｉｄ−Ｔｒｕｔｈ Ｍａｉｎｔｅｎａｎｃｅ Ｓｙｓｔｅｍ：ＨＴＭＳ）配置は、複雑な検索空間を効率的に検索する問題解決機能（ｐｒｏｂｌｅｍ ｒｅｓｏｌｖｅｒ）の構築を単純化すべく設計された命題の推論エンジンを含む。ＡＴＭＳ／ＨＴＭＳは、主要な２値選択に対応する仮説、及びその真実が仮説の真実に依存する提案に対応するノードを有する問題の状態を表す。仮説とノードの依存関係は、従来の推論エンジンなど、ドメインに特有の問題解決機能によって決定される。問題解決機能は、理由としてＡＴＭＳ／ＨＴＭＳとのこれらの関係を提示する。ＡＴＭＳ／ＨＴＭＳは、仮説のどの組合せが一貫しているかを決定し、それらの結論を識別する。

従来、ＡＴＭＳ／ＨＴＭＳは、解決中の問題に適した従来の推論エンジンを拡張することで実施されている。拡張は、命題推論機能、及び、推論エンジンから呼び出され、それらを命題推論機能へ引き渡し、推論エンジンに結果を返すインタフェースを含む。

この議論に記載された解析は、ＡＴＭＳ／ＨＴＭＳフレームワーク内で実行される。各ドメイン又は抽出リテラルは、明示的なＡＴＭＳ仮説によって１つのＡＴＭＳ実例において示される。ＡＴＭＳ／ＨＴＭＳアーキテクチャは、コンポーネント又は抽出に関する任意の仮説に関して推論するために統一されたフレームワークを提供する。

７ 関連する作業及び設計
自動モデル抽出は、人工知能において長い伝統を有する。モデルのグラフはメタ診断格子（図７及び図８）に類似するもので、いずれのモデリングパラメータを変更するかを識別すべくコンフリクトを解析する。それは設計及び解析、及び手で構成されるモデルに集中する。それは、モデルの調査を案内するために診断を利用せず、また何らかのドメインの診断に適用されない。複合モデル化の作業は、モデルの検索を案内するドメイン抽出及びコンフリクトを表すべくＡＴＭＳ仮説を更に利用する。更に、モデルは手で構成され、ドメイン又はメタレベルで診断を利用しない。コンテキスト依存モデル化においては、選択するモデル断片のはるかに大きな空間が一般的に存在し、明示的なコンテキスト情報はドメインモデルの選択を案内すべく利用される。タスクは物理的現象に関する最良の原因の説明を構成することである。更に、モデルは手で構成され、ドメイン又はメタレベルで診断を利用しない。

モデルベース診断文献では、診断仮説、及び診断タスクについて適切なモデルを選択することに関する多くの作業が存在している。本出願は主としてドメイン抽出を自動的に選択することに関連した仮説に集中する。

コンポーネントのグループが組み合わされてより大きなシステムを形成し計算の複雑さを低減する構造的抽出についての多くの研究が存在する。他の文献には、変数値をどのように分割して、タスクを解決するために必要とされる定性値とすべくタスクを利用できるかが記載されている。別のアプローチとして、変数の観察可能性に制限がある場合に、変数値を分割して定性範囲内とし、複雑さを低減する方法がある。

上記議論は、テスト中のシステムの故障を診断する、改善されたシステム及び方法の提供に注目した。既述の如くこのような診断テストは様々な領域で実施可能である。例えば、図１３に示されるように、本出願に示された概念は、本体１６２及びプローブ１６４を含む診断デバイス又はシステム１６０で具体化することができる。プローブ１６４は、被測定デバイス１６６に対し操作により関連する位置にあるように設計される。本体１６０は入力１６８及び出力１７０を含むことができる。入力１６８は英数字のキーパッド、スタイラス、音声、あるいはデータ又は指示を入力するための既知の他の入力設計もしくはインタフェースを含むことが可能である。出力１７０は診断調査の結果を表示する任意の種類のディスプレイとすることができる。本体１６２は、更に第２のセットの入力１７２を含むことができる。この場合、プローブ１６４によって検出された情報は自動的に診断デバイス１６０に入力される。

本体１６２は、少なくともプロセッサ１７４、及び本明細書中に記載された概念を組み込んだコードを含むソフトウェアコードの処理を許可するメモリ１７６を含む計算能力を有することを理解されたい。更に、診断デバイス又はシステム１６０は、出力報告のハードコピーを印刷する出力デバイス１８０に接続される出力１７８を含むことができる。

上記説明はカスタマイズされた診断デバイス上で実行されてもよく、及び／又はハンドヘルドコンピュータ、ラップトップ、デスクトップ又は携帯情報端末を含む他の計算装置の一部として含まれてもよいことを認識されたい。更に、診断デバイス又はシステム１６０は、本出願の概念を実施する方法の一例であることが意図されている。

別の実施形態では、図１３はプローブ１６４を含まず、診断は診断デバイス上で作動しあるいは計算能力を有する別のデバイスと関連付けられたコンピュータソフトウェア上で実施されてもよい。

図１４に示される別の実施形態において、診断デバイス又はシステム１９０自体がより大きい総合システム１９２に一部として埋め込まれる。総合システム１９２は、例えば、操作により相互接続される、実線２０２で示されたコンポーネント１９４〜２００を含むことができる。診断デバイス又はシステム１９０は、次いで、コンポーネント１９４〜２００と操作により関連されることが点線２０４で示される。図１４は、本出願による診断デバイス又はシステムを利用可能なシステムの高レベルの例であることが認識されよう。診断デバイス又はシステム１９０の目的は、総合システム１９２の故障を識別し、人間の介在なく修理を開始することにある。このような総合システムの例として、電子複写機、自動車、宇宙機及び飛行機が挙げられる。

８ 結論
この議論は、課題に取り組むための最適なドメイン抽出レベルを選択する一般的な方法を提示し、またデジタルゲートのコンテキストにおいて当該方法を実証した。デジタルゲートの場合、コンポーネントモデルはドメインスキーマを利用してベーシックモデルから自動的に生成可能である。なお、本出願の例では診断に関する実施態様を主として記載したが、これらの概念は特にシステムシミュレーションを含む他の用途にも適用可能である。

上記及びその他の各種特徴及び機能、又はその代替物は、所望の組み合わせにより他の多くの別のシステムもしくは応用とすることができることを理解されたい。現時点で予知又は予期されない代替、修正、変更又は改良は、今後当業者により実施される可能性があり、またこれらは以下の特許請求の範囲に含まれることが意図されている。

Claims (2)

1. システムのコンポーネントにおける故障の有無を診断するための適用可能な複数の診断方法である複数の抽出レベルから、前記システムのコンポーネントのシステムモデルのための第１の抽出レベルを決定する決定モジュールと、
   前記決定モジュールによって決定された前記第１の抽出レベルで前記システムの部分のシステムモデルについての解析を行う解析モジュールと、
   を含むシステムコンポーネント故障診断システムであって、
   前記解析モジュールは、
   解析される前記システムモデルのコンポーネント形態を受け取るための入力と、
   解析される前記システムモデルのコンポーネントモデルを受け取るための入力と、
   解析される前記システムモデルに関するシステム観察を受け取るための入力と、
   を更に含み、
   前記第１の抽出レベルを用いて、前記システム観察を説明できるか解析し、前記システム観察を説明できた場合には、解析結果を出力し、前記システム観察を説明できなかった場合には、前記第１の抽出レベルでは前記システム観察を説明できなかったことを示すメタ観察を出力し、
   前記決定モジュールは、
   前記メタ観察を受け取るための入力と、
   を更に含み、
   前記メタ観察を受け取った場合には、前記複数の抽出レベルから、前記第１の抽出レベルではない第２の抽出レベルを決定し、当該決定した第２の抽出レベルであるメタ診断を出力し、
   前記解析モジュールは、
   前記メタ診断を受け取るための入力と、
   を更に含むシステムコンポーネント故障診断システム。
2. 決定モジュールが、システムのコンポーネントにおける故障の有無を判断するための適用可能な複数の診断方法である複数の抽出レベルから、前記システムのコンポーネントのシステムモデルのための第１の抽出レベルを決定し、
   解析モジュールが、前記決定モジュールによって決定された前記第１の抽出レベルで前記システムの部分のシステムモデルについての解析を行う、
   システムコンポーネント故障診断方法であって、
   前記解析モジュールは、
   解析される前記システムモデルのコンポーネント形態を受け取り、
   解析される前記システムモデルのコンポーネントモデルを受け取り、
   解析される前記システムモデルに関するシステム観察を受け取り、
   前記第１の抽出レベルを用いて、前記システム観察を説明できるか解析し、前記システム観察を説明できた場合には、解析結果を出力し、前記システム観察を説明できなかった場合には、前記第１の抽出レベルでは前記システム観察を説明できなかったことを示すメタ観察を出力し、
   前記決定モジュールは、
   前記メタ観察を受け取り、
   前記メタ観察を受け取った場合には、前記複数の抽出レベルから、前記第１の抽出レベルではない第２の抽出レベルを決定し、当該決定した第２の抽出レベルであるメタ診断を出力し、
   前記解析モジュールは、
   前記メタ診断を受け取る
   システムコンポーネント故障診断方法。

Images