JPH0535484A - Fault diagnostic method - Google Patents
Fault diagnostic methodInfo
- Publication number
- JPH0535484A JPH0535484A JP3187191A JP18719191A JPH0535484A JP H0535484 A JPH0535484 A JP H0535484A JP 3187191 A JP3187191 A JP 3187191A JP 18719191 A JP18719191 A JP 18719191A JP H0535484 A JPH0535484 A JP H0535484A
- Authority
- JP
- Japan
- Prior art keywords
- diagnosis
- case
- cause
- information
- cases
- Prior art date
- Legal status (The legal status 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 status listed.)
- Granted
Links
Landscapes
- Test And Diagnosis Of Digital Computers (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は、機器の故障診断に用い
られる診断型エキスパートシステムによる故障診断方法
に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a fault diagnosis method using a diagnostic expert system used for fault diagnosis of equipment.
【０００２】[0002]
【従来の技術】一般に、機器の故障診断においては、獲
得可能な情報、即ち観測可能である情報だけでは本質的
に原因を唯一に決定できない診断対象の場合、獲得可能
な情報から考えられる故障原因とその可能性の大きさと
を推定することが重要となる。このような問題に対して
従来の診断型エキスパートシステムでは、診断のための
ルールにその信頼性であるところの確信度を付与するこ
とにより対処しており、この確信度は知識提供者である
専門家が判断し、その値を決定するようにしている。2. Description of the Related Art Generally, in failure diagnosis of equipment, in the case of a diagnosis target whose cause cannot be essentially determined only by observable information, that is, observable information, the cause of failure that can be considered from the obtainable information. It is important to estimate the size of this and its potential. In the conventional diagnostic expert system, such a problem is dealt with by giving a certainty factor to the rule for diagnosis, which is its reliability. The house decides and decides its value.
【０００３】[0003]
【発明が解決しようとする課題】しかし、このような確
信度の値は知識提供者が必ずしも明確な値で矛盾なく決
定できるわけではないため、正確な値の獲得が困難であ
り、このために知識の獲得の障害となっている。However, since it is not always possible for a knowledge provider to determine such a certainty value with a clear value, it is difficult to obtain an accurate value. It is an obstacle to the acquisition of knowledge.
【０００４】特に、診断状況に関して得られている全て
の情報が一致する事例を事例データベースから選択する
と、診断には無関係な情報をも抽出条件としてしまい、
不必要に考慮事例数を減らして原因確率分布推定の正当
性を下げてしまうことになる。In particular, when a case is selected from the case database in which all the information obtained regarding the diagnosis situation matches, information unrelated to the diagnosis also becomes an extraction condition,
This will unnecessarily reduce the number of cases to be considered and reduce the validity of the estimation of the cause probability distribution.
【０００５】即ち、診断型エキスパートシステムにおけ
る知識獲得の軽減と、システムの柔軟性、信頼性の向上
とが要望される。That is, it is required to reduce knowledge acquisition in the diagnostic expert system and to improve system flexibility and reliability.
【０００６】[0006]
【課題を解決するための手段】請求項１記載の発明で
は、診断に関係する情報を外部に質問するための質問発
生機構と、過去の事例を蓄積するための事例データベー
スとを有し、各診断毎にその際の入力情報と診断後に得
られる実際の故障原因との組を事例として前記事例デー
タベースに保存し、以降の診断において前記事例データ
ベースにおける故障原因の頻度分布から現在の状況の故
障原因を推定するようにした診断型エキスパートシステ
ムによる故障診断方法において、新たな診断状況と類似
性の高い複数の事例を前記事例データベースから抽出
し、抽出された事例の集合における原因の頻度分布を基
に新たな診断状況についての原因候補の確率分布を推定
するようにした。According to a first aspect of the present invention, there is provided a question generating mechanism for asking an external information related to diagnosis, and a case database for accumulating past cases. For each diagnosis, a set of input information at that time and the actual failure cause obtained after the diagnosis is saved as an example in the case database, and in the subsequent diagnosis, from the frequency distribution of the failure causes in the case database, the failure cause of the current situation In the fault diagnosis method by the diagnostic type expert system that is supposed to estimate, multiple cases with high similarity to the new diagnosis situation are extracted from the case database, and based on the frequency distribution of causes in the set of extracted cases. The probability distribution of candidate causes for a new diagnostic situation was estimated.
【０００７】この際、請求項２記載の発明では、事例間
及び事例と新たな診断状況との間の類似性を、原因の推
定に有効な情報中で両者が同じ値を持つ量により定義
し、各情報の有効性自体を事例データベースに保存され
た事例集合中から動的に決定するようにした。In this case, according to the second aspect of the present invention, the similarities between the cases and between the cases and the new diagnostic situation are defined by quantities having the same value in the information effective for estimating the cause. , The validity itself of each information is dynamically determined from the case set stored in the case database.
【０００８】また、請求項３記載の発明では、情報の有
効性を、原因候補の確率分布に対する影響度で定義し、
元の集合での原因候補の確率分布と新たな集合での原因
候補の確率分布との差により、情報の有効性を判定する
ようにした。According to the third aspect of the invention, the validity of information is defined by the degree of influence on the probability distribution of cause candidates,
The effectiveness of the information is determined based on the difference between the probability distribution of the cause candidates in the original set and the probability distribution of the cause candidates in the new set.
【０００９】さらに、請求項４記載の発明では、事例デ
ータベースに蓄積された事例から複数の可能な類似事例
集合を生成し、これらの類似事例集合を類似のレベルに
応じて階層構造に組織化し、新たな診断時に現在の状況
と類似性の高い類似事例をこの階層構造から選択して使
用するようにした。Further, in the invention according to claim 4, a plurality of possible similar case sets are generated from the cases accumulated in the case database, and these similar case sets are organized into a hierarchical structure according to the level of similarity, At the time of new diagnosis, similar cases with high similarity to the current situation are selected from this hierarchical structure and used.
【００１０】[0010]
【作用】請求項１ないし３記載の発明によれば、新たな
診断状況と類似性の高い複数の事例を事例データベース
から抽出することにより、過去の経験の蓄積から確率を
推定するための類似事例の集合を形成し、このような集
合における原因の頻度分布を推定に利用するようにした
ので、診断に有効な情報の一致しか考慮しないものとな
り、推定の精度が不必要に落ちるのが防止される。即
ち、蓄積された過去の経験であるところの事例から知識
とは独立して推定するものとなる。According to the first to third aspects of the present invention, by extracting a plurality of cases having a high similarity to a new diagnosis situation from the case database, similar cases for estimating the probability from the accumulation of past experience. Since the set is formed and the frequency distribution of the causes in such a set is used for the estimation, only the agreement of information effective for diagnosis is considered, and the estimation accuracy is prevented from unnecessarily decreasing. It That is, the knowledge is estimated independently from the accumulated past experience.
【００１１】また、請求項４記載の発明によれば、類似
事例の集合が逐次生成され、これらの集合がその類似の
レベルに応じて階層構造に組織化されて類似性の高いも
のが使用されるので、利用状況に依存した形の診断が可
能となり、診断の正当性が向上するものとなる。According to the invention described in claim 4, a set of similar cases is sequentially generated, and a set having a high similarity is used by organizing these sets into a hierarchical structure according to the level of similarity. Therefore, it becomes possible to make a diagnosis depending on the usage situation, and the validity of the diagnosis is improved.
【００１２】[0012]
【実施例】本発明の一実施例を図面に基づいて説明す
る。まず、本発明の概要について説明する。本発明は、
基本的には、過去の経験の蓄積から確率を推定するため
に類似事例の集合を形成し、このような集合での故障原
因の頻度分布を推定に利用しており、類似事例の集合を
「ルール」と見做すと、確率分布推定のためのルールを
生成するシステムとして把握することもできるものであ
る。事例や例題から新たなルールを獲得する研究は、人
工知能の機械学習という分野で研究されており、同じ状
況と考えられる複数の事実を一般化し、ルールを作る
「帰納推論」や、１回の推論や診断をそれらが成り立つ
範囲で一般化し、推論過程を１つのルールにまとめて効
率を向上させる「分類に基づく学習」等がある。特に、
「分類に基づく学習」と呼ばれる分野では、与えられた
評価基準に対しオブジェクトの集合から最適に階層化さ
れたグループを生成する手法についての研究がなされて
いる。しかし、これらの研究の多くは、事象間の関係を
決定的に表現するルールを獲得することを目的としてお
り、「確率の推定のためのルール」を獲得するようにし
た本発明とは目的が異なるものである。DESCRIPTION OF THE PREFERRED EMBODIMENTS An embodiment of the present invention will be described with reference to the drawings. First, the outline of the present invention will be described. The present invention is
Basically, a set of similar cases is formed in order to estimate the probability from the accumulation of past experience, and the frequency distribution of failure causes in such a set is used for estimation. When considered as “rule”, it can be understood as a system for generating a rule for estimating a probability distribution. Research to acquire new rules from cases and examples is being conducted in the field of machine learning of artificial intelligence, and generalizing multiple facts that are considered to be in the same situation and making rules by "inductive reasoning" or one-time inference. There is “classification-based learning” that generalizes inference and diagnosis within the range where they are valid and puts the inference process into one rule to improve efficiency. In particular,
In the field called "classification-based learning", research has been conducted on a method of generating an optimally hierarchical group from a set of objects for a given evaluation criterion. However, most of these studies aim to acquire a rule that deterministically expresses the relationship between events, and the purpose of the present invention is to acquire a "rule for estimating probability". It is different.
【００１３】ちなみに、経験の数により挙動変化を引き
起こすという点では、ニューラルネットワーク等の神経
回路モデルも共通性を有するといえる。即ち、ニューラ
ルネットワーク技術は、訓練や経験によりその内部構造
が連続的に変化するものである。つまり、前述した研究
報告等に示される従来の技術が能力の向上を決定的なル
ールの生成という形で実現するのに対し、本発明やニュ
ーラルネットワークは内部のパラメータの獲得という形
で学習が行われるものとなる。Incidentally, it can be said that neural circuit models such as neural networks have commonality in that behavior changes are caused by the number of experiences. That is, the neural network technology is one in which the internal structure continuously changes due to training and experience. In other words, while the conventional technique shown in the above-mentioned research report realizes the improvement of ability in the form of decisive rule generation, the present invention and the neural network perform learning in the form of acquisition of internal parameters. Will be seen.
【００１４】以下、図面を参照して説明する。まず、図
１は診断型エキスパートシステム全体を示す概略ブロッ
ク図であり、基本的には、マウス１等による入力装置、
ディスプレイ装置２等による出力装置、質問発生機構と
しての質問発生部３が接続されたユーザインターフェー
ス４と、事例学習部５とよりなる。質問発生部３は診断
対象及びその使用状況に関する情報をユーザ（外部）か
ら得るための質問を生成するものである。事例学習部５
は、過去の診断の経験を蓄積し、新たな問題解決時に、
得られた情報から類似な蓄積事例の集合を検索し、その
集合内の各事例における原因の確率分布を出力する。A description will be given below with reference to the drawings. First, FIG. 1 is a schematic block diagram showing the whole diagnostic expert system. Basically, an input device using a mouse 1 or the like,
An output device such as the display device 2 and the like, a user interface 4 to which a question generation unit 3 as a question generation mechanism is connected, and a case learning unit 5. The question generation unit 3 is for generating a question for obtaining information regarding a diagnosis target and its usage from a user (external). Case study section 5
Accumulates past diagnostic experience, and when solving new problems,
A set of similar accumulated cases is searched from the obtained information, and the probability distribution of the cause in each case in the set is output.
【００１５】より詳細には、まず、質問発生部３では診
断に関係あると思われる情報をユーザに質問する。発生
のアルゴリズムは、予め決められた項目を何らかの順番
で質問するようにしてもよく、又は、専門家の知識を使
い得られている情報によって質問の内容を変化させるよ
うにしてもよい。さらには、蓄積された過去の事例から
有効と考えられる情報を判定し、質問するようにしても
よい。More specifically, first, the question generating section 3 asks the user about information that seems to be relevant to the diagnosis. The generation algorithm may ask a predetermined item in some order, or may change the content of the question according to information obtained by using the knowledge of a specialist. Furthermore, information that is considered to be valid may be determined from the accumulated past cases and a question may be asked.
【００１６】次に、事例学習部５について説明する。診
断の開始から診断結果を利用者に提示し、利用者がそれ
に基づき真の故障原因を確かめ、それがシステムに報告
されるまでを１回の経験とすると、事例学習部５では各
経験毎の入力情報と利用者から報告される実際の故障原
因との組を１つの事例として蓄積し、新たな診断の際
に、得られている情報から判断して過去の類似な事例を
抽出し、故障原因の予測を行うものである。このような
事例学習部５は、事例データベース６と事例クラスネッ
トワーク７と事例ベースマネージャ８とからなる。Next, the case learning unit 5 will be described. When the experience is presented to the user from the start of the diagnosis, the user confirms the true cause of the failure based on the result, and the fact is reported to the system as one experience. A set of input information and the actual cause of failure reported by the user is accumulated as one case, and when a new diagnosis is made, a similar case in the past is extracted by judging from the obtained information and a failure is detected. The cause is predicted. The case learning unit 5 as described above includes a case database 6, a case class network 7, and a case base manager 8.
【００１７】事例データベース６は、１回の診断過程で
入力された情報と実際の故障原因とが組となり事例とし
て保存するものである。これらの入力情報の各々は、例
えば図２に示すように、「質問」と「答え」という形で
保存される。また、事例ベースマネージャ８中の事象管
理機構９により（質問，答え）の対に識別子が与えられ
る。この識別子を「事象識別子」という。同じ質問に対
して答えが同じ時に同一の事象識別子が与えられる。事
例は、与えられた事象識別子の集合でインデックス付け
される。各事例はこのインデックスを付与されて事例デ
ータベース６に登録される。図２の図示例では、「ｉｎ
ｄｅｘ ｉ−１０２，ｉ−２０３，ｉ−４０２，ｉ−５
０２，…」とされている。この時、各事例にはインデッ
クスとは別に固有の事例識別番号、図示例では、「事例
１０５６７」が付与される。The case database 6 stores the information inputted in one diagnosis process and the actual cause of failure as a set as a case. Each of these pieces of input information is stored in the form of "question" and "answer", for example, as shown in FIG. Also, the event management mechanism 9 in the case-based manager 8 gives an identifier to the (question, answer) pair. This identifier is called "event identifier". The same event identifier is given when the same question has the same answer. Cases are indexed by a given set of event identifiers. Each case is registered in the case database 6 with this index. In the illustrated example of FIG. 2, “in
dex i-102, i-203, i-402, i-5
02, ... ”. At this time, a unique case identification number, “case 10567” in the illustrated example, is assigned to each case separately from the index.
【００１８】次に、事例クラスネットワーク７には、図
３に示すように類似事例の集合である「クラス」と「そ
の間の関係」とが保持される。事例は、類似なものがグ
ループ化されてクラスを構成する。クラスは、幾つかの
事象識別子の連言を必要条件として持ち、この条件に示
された事象識別子を全て持つ事例がクラスに属すること
になる。この条件を「事象条件」と呼ぶ。一般に、クラ
スの持つ事象条件の間には条件の厳しさにより、「半順
序関係」があり、これにより、クラス間には「束構造の
階層関係」が存在する。例えば、図３中に示す例では、
クラス（ｉ１０２）はクラス（ｉ１０２，ｉ２０３，ｉ
４０）の親又は祖先となる。最上位のクラス（φ）には
全ての事例が属する。ここに、クラスは、事象条件を満
足するという観点では類似な事例の集合であり、クラス
の事象条件としてどのようなものを認めるかによって、
「類似性」を定義することができる。ここでは、親のク
ラスにおける事例集合から、ある条件を満足するものだ
けを抽出して集合を作った時に、その集合における各事
例が持つ故障原因の確率分布が親のクラスにおける原因
の確率分布と大きく異なる時に、その条件を原因推定に
有効な条件と考え、親のクラスの条件に新たな条件を加
えて新しいクラスを生成させるようにした。Next, as shown in FIG. 3, the case class network 7 holds a "class" which is a set of similar cases and a "relationship between them". Cases are organized by grouping similar things together. A class has a conjunct of several event identifiers as a necessary condition, and a case having all the event identifiers shown in this condition belongs to the class. This condition is called an “event condition”. Generally, there is a "partial order relationship" between the event conditions of the classes, depending on the severity of the conditions, and thus a "bundle structure hierarchical relationship" exists between the classes. For example, in the example shown in FIG.
The class (i102) is the class (i102, i203, i
Be the parent or ancestor of 40). All cases belong to the highest class (φ). Here, a class is a set of similar cases from the viewpoint of satisfying the event condition, and depending on what is recognized as the event condition of the class,
"Similarity" can be defined. Here, when a set is created by extracting only those that satisfy certain conditions from the set of cases in the parent class, the probability distribution of the fault causes of each case in the set is the probability distribution of the causes in the parent class. When there is a large difference, we consider that the condition is effective for the cause estimation, and add a new condition to the condition of the parent class to generate a new class.
【００１９】また、事例ベースマネージャ８は事例登録
機構１０と診断機構１１と事象管理機構９とよりなり、
事例の蓄積と利用を管理する。まず、事例登録機構１０
は新たな事例の追加時に、事例データベース６への事例
の登録を行い、かつ、既存クラスへの事例の追加と事例
クラスネットワーク７の変更を行う。また、診断機構１
１は診断時に得られている情報から診断状況が満足する
ような事例クラスを、事例クラスネットワーク７から選
択し、その事例クラスを用いて診断を行う。さらに、事
象管理機構９では、各質問に対するユーザからの入力
は、（質問，応答値）の形（これを、事象と呼ぶ）で管
理する。新たな（質問，応答値）の組が発生する毎に、
事象管理機構９により識別のための符号（事象識別子）
が与えられる。事象管理機構９は（質問，応答値）の組
を受取り、それらの組合せに対して以前に事象識別子が
与えられている場合にはその識別子を返し、新たな組に
対しては新しい識別子を決定し、その値を返す。The case base manager 8 comprises a case registration mechanism 10, a diagnosis mechanism 11 and an event management mechanism 9,
Manage case accumulation and use. First, the case registration mechanism 10
When a new case is added, the case is registered in the case database 6, the case is added to the existing class, and the case class network 7 is changed. In addition, the diagnostic mechanism 1
1 selects from the case class network 7 a case class that satisfies the diagnosis condition from the information obtained at the time of diagnosis, and makes a diagnosis using the case class. Further, the event management mechanism 9 manages the input from the user for each question in the form of (question, response value) (this is called an event). Each time a new (question, answer value) pair occurs,
Code for identification by the event management mechanism 9 (event identifier)
Is given. The event management mechanism 9 receives a set of (question, response value), returns an event identifier for those combinations if previously given, and determines a new identifier for the new set. And returns that value.
【００２０】図４は、上記方法に基づく、１回の診断作
業処理を示すフローチャートである。即ち、情報入力を
受けると、これに並行して質問発生部３により診断状況
に関する質問が発生されてユーザに問合せがなされる。
そして、診断を行う。即ち、質問の中でユーザの応答が
得られているものを情報として使用し、事例学習部５が
故障原因候補とその可能性を推定する。推定結果は、出
力装置、ここではディスプレイ装置２に出力され、この
表示の結果、さらに入力可能情報がある場合には、情報
入力を受ける。診断後、実際の故障原因を入力する。こ
れは、診断後にユーザに実際の故障原因を問合せること
で行う。そして、事例の登録を行う。即ち、診断作業中
に入力された入力情報と、得られた実際の故障原因との
組が事例として登録される。FIG. 4 is a flow chart showing one diagnostic work process based on the above method. That is, when the information input is received, in parallel with this, the question generation section 3 issues a question regarding the diagnostic situation and makes an inquiry to the user.
Then, the diagnosis is performed. In other words, the case learning unit 5 estimates the failure cause candidate and its possibility by using the question for which the user's response is obtained as information. The estimation result is output to an output device, here, the display device 2, and if there is further inputable information, the information input is received. After diagnosis, enter the actual cause of failure. This is done by inquiring the user of the actual cause of failure after diagnosis. Then, the case is registered. That is, a set of the input information input during the diagnostic work and the obtained actual cause of failure is registered as an example.
【００２１】ここに、診断処理について、さらに説明す
る。診断はその時点で得られている情報を基に、診断機
構１１により、故障原因とその可能性の大きさを推定す
ることにより行われる。まず、その時点で得られている
入力情報が事象条件を満足する事例クラスを診断機構１
１が事例クラスネットワーク７上で検索する。事例クラ
スネットワーク７は通常、階層構造を持つが、検索され
るクラスは入力情報が満足できる最も厳しい条件を持つ
ものである。また、この階層構造は半順序関係があるの
で、この時点で選ばれるクラスは通常複数になる。診断
機構１１はこれらの複数のクラスにおける故障原因の確
率分布を合成し、診断を出力する。この合成の仕方は、
例えば各クラスにおける確率分布を各クラスの事例数で
荷重合成してもよいし、各クラスの持つ条件の積をと
り、これに従い生成できる新たな事例集合における原因
の分布を利用するようにしてもよい。Here, the diagnosis process will be further described. Diagnosis is performed by estimating the cause of failure and the degree of its possibility by the diagnosis mechanism 11 based on the information obtained at that time. First, the diagnosis mechanism 1 determines the case class in which the input information obtained at that time satisfies the event condition.
1 searches on the case class network 7. The case class network 7 usually has a hierarchical structure, but the class to be searched has the strictest condition that the input information can be satisfied. Also, since this hierarchical structure has a partial order relation, a plurality of classes are usually selected at this point. The diagnosis mechanism 11 synthesizes the probability distributions of failure causes in these plural classes and outputs the diagnosis. This synthesis method is
For example, the probability distribution in each class may be weight-combined with the number of cases in each class, or the product of the conditions of each class may be taken and the distribution of causes in a new case set that can be generated according to this may be used. Good.
【００２２】次に、事例の追加について説明する。新た
な事例が得られると、事象管理機構９により各入力情報
の事象識別子が決定され、これを基に事例のインデック
スが生成されて事例に付与される。次に、事例データベ
ース６にこの事例が登録される。さらに、事例クラスネ
ットワーク７が検索され、新たな事例のインデックスが
事象条件を満足するクラス全てにこの事例の事例識別番
号が追加登録される。つづいて、事例クラスネットワー
ク７の更新が行われる。更新は、既存クラスの削除と新
クラスの生成として行う。既存クラスの削除は、クラス
又は親クラスに属する事例数が増えることによりある親
クラスとそのクラスとの間で原因確率分布の差が一定値
より小さくなった場合、その子クラスを削除する。削除
されたクラスの子孫は元の親クラスに接続される。新ク
ラスの生成は、新たな事例の追加によりクラス内の事例
が変化し、ある条件によりサブクラスを生成した場合、
親の原因確率分布と大きく異なる確率分布となるような
条件が発見された場合、その条件を持つクラスを元のク
ラスの子クラスとして生成する。この場合、サブクラス
を作るための条件は、親クラスの事象条件のインデック
スと事例の持つインデックスの差にあたる、通常は複数
の事象識別子の幾つかを親クラスにインデックスに追加
したものであり、追加する事象識別子の組合せにより幾
つかの条件が候補となるが、それらの中で確率分布を最
も大きく変更させ、かつ、一定の事例数が確保できるも
のを選択する。Next, the addition of a case will be described. When a new case is obtained, the event management mechanism 9 determines the event identifier of each input information, and based on this, a case index is generated and given to the case. Next, this case is registered in the case database 6. Further, the case class network 7 is searched, and the case identification number of this case is additionally registered in all the classes whose new case index satisfies the event condition. Subsequently, the case class network 7 is updated. Update is performed by deleting the existing class and creating a new class. The existing class is deleted by deleting the child class when the difference in the cause probability distribution between a certain parent class and the class becomes smaller than a certain value due to an increase in the number of cases belonging to the class or the parent class. The descendants of the deleted class are connected to the original parent class. When a new class is added and a case in the class changes due to the addition of a new case, and a subclass is generated under a certain condition,
When a condition that has a probability distribution that is significantly different from the parent's cause probability distribution is discovered, a class with that condition is generated as a child class of the original class. In this case, the condition for creating a subclass is the difference between the index of the event condition of the parent class and the index of the case, usually some event identifiers added to the index of the parent class. Some conditions become candidates depending on the combination of event identifiers, but the one that can change the probability distribution the most and secure a certain number of cases is selected.
【００２３】[0023]
【発明の効果】本発明は、上述したように構成したの
で、請求項１ないし３記載の発明によれば、新たな診断
状況と類似性の高い複数の事例を事例データベースから
抽出することにより、過去の経験の蓄積から確率を推定
するための類似事例の集合を形成するものとし、このよ
うな集合における原因の頻度分布を推定に利用するよう
にし、さらには、類似性、情報の有効性について定義し
たので、診断に有効な情報の一致しか考慮しないものと
なり、推定の精度が不必要に落ちるのを防止でき、結
局、蓄積された過去の経験であるところの事例から知識
とは独立して推定できるものとなる。Since the present invention is configured as described above, according to the inventions of claims 1 to 3, by extracting from the case database a plurality of cases highly similar to the new diagnostic situation, We shall form a set of similar cases for estimating probabilities from the accumulation of past experiences, and use the frequency distribution of causes in such sets for estimation. Furthermore, regarding similarity and effectiveness of information. Since it is defined, only the matching of information that is effective for diagnosis is considered, and it is possible to prevent the accuracy of estimation from being unnecessarily reduced, and in the end, it is independent of knowledge from the case of accumulated past experience. It can be estimated.
【００２４】また、請求項４記載の発明によれば、類似
事例の集合が逐次生成され、これらの集合がその類似の
レベルに応じて階層構造に組織化されて類似性の高いも
のが選択されて使用されるので、利用状況に依存した形
の診断が可能となり、階層構造が固定されている場合に
比して、診断の正当性を向上させることができる。According to the invention described in claim 4, a set of similar cases is sequentially generated, and these sets are organized in a hierarchical structure according to the level of similarity, and a high similarity is selected. It is possible to make a diagnosis depending on the situation of use, and to improve the validity of the diagnosis as compared with the case where the hierarchical structure is fixed.
【図１】本発明の一実施例を示す概念的ブロック図であ
る。FIG. 1 is a conceptual block diagram showing an embodiment of the present invention.
【図２】事例データベース格納例を示す説明図である。FIG. 2 is an explanatory diagram showing a storage example of a case database.
【図３】階層構造を示す模式図である。FIG. 3 is a schematic diagram showing a hierarchical structure.
【図４】診断作業処理を示すフローチャートである。FIG. 4 is a flowchart showing a diagnostic work process.
３ 質問発生機構 ６ 事例データベース 3 Question generation mechanism 6 case database
Claims (4)
めの質問発生機構と、過去の事例を蓄積するための事例
データベースとを有し、各診断毎にその際の入力情報と
診断後に得られる実際の故障原因との組を事例として前
記事例データベースに保存し、以降の診断において前記
事例データベースにおける故障原因の頻度分布から現在
の状況の故障原因を推定するようにした診断型エキスパ
ートシステムによる故障診断方法において、新たな診断
状況と類似性の高い複数の事例を前記事例データベース
から抽出し、抽出された事例の集合における原因の頻度
分布を基に新たな診断状況についての原因候補の確率分
布を推定するようにしたことを特徴とする故障診断方
法。1. A question generation mechanism for asking questions related to diagnosis to the outside, and a case database for accumulating past cases, input information for each diagnosis and information obtained after the diagnosis. A failure by a diagnostic expert system that saves a set with an actual failure cause as an example in the case database, and estimates the failure cause of the current situation from the frequency distribution of the failure cause in the case database in the subsequent diagnosis. In the diagnosis method, a plurality of cases with high similarity to the new diagnosis situation are extracted from the case database, and the probability distribution of the cause candidates for the new diagnosis situation is calculated based on the frequency distribution of the causes in the set of extracted cases. A fault diagnosis method characterized in that estimation is performed.
の類似性を、原因の推定に有効な情報中で両者が同じ値
を持つ量により定義し、各情報の有効性自体を事例デー
タベースに保存された事例集合中から動的に決定するよ
うにしたことを特徴とする請求項１記載の故障診断方
法。2. Similarity between cases and between a case and a new diagnostic situation is defined by an amount having the same value in information effective for estimating the cause, and the effectiveness of each information itself is defined as a case. 2. The fault diagnosis method according to claim 1, wherein the fault diagnosis method is dynamically determined from the case set stored in the database.
対する影響度で定義し、与えられた集合内の事例をその
情報値により弁別し、元の集合での原因候補の確率分布
と新たな集合での原因候補の確率分布との差により、情
報の有効性を判定するようにしたことを特徴とする請求
項２記載の故障診断方法。3. Effectiveness of information is defined by the degree of influence on the probability distribution of cause candidates, cases in a given set are discriminated by their information values, and the probability distribution of cause candidates in the original set and new 3. The failure diagnosis method according to claim 2, wherein the validity of the information is determined based on a difference from the probability distribution of the cause candidates in different sets.
複数の可能な類似事例集合を生成し、これらの類似事例
集合を類似のレベルに応じて階層構造に組織化し、新た
な診断時に現在の状況と類似性の高い類似事例をこの階
層構造から選択して使用するようにしたことを特徴とす
る請求項１記載の故障診断方法。4. A plurality of possible similar case sets are generated from the cases accumulated in the case database, these similar case sets are organized into a hierarchical structure according to the level of similarity, and the current situation at the time of a new diagnosis is set. The fault diagnosis method according to claim 1, wherein a similar case having a high similarity is selected from the hierarchical structure and used.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18719191A JP3182169B2 (en) | 1991-07-26 | 1991-07-26 | Failure diagnosis method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP18719191A JP3182169B2 (en) | 1991-07-26 | 1991-07-26 | Failure diagnosis method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH0535484A true JPH0535484A (en) | 1993-02-12 |
| JP3182169B2 JP3182169B2 (en) | 2001-07-03 |
Family
ID=16201698
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP18719191A Expired - Fee Related JP3182169B2 (en) | 1991-07-26 | 1991-07-26 | Failure diagnosis method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3182169B2 (en) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6266656B1 (en) | 1997-09-19 | 2001-07-24 | Nec Corporation | Classification apparatus |
| US6633861B2 (en) | 1993-03-19 | 2003-10-14 | Ricoh Company Limited | Automatic invocation of computational resources without user intervention across a network |
| JP2006252422A (en) * | 2005-03-14 | 2006-09-21 | Kawasaki Heavy Ind Ltd | Failure diagnostic method and device |
| WO2007007895A1 (en) * | 2005-07-11 | 2007-01-18 | Nec Corporation | Communication network trouble detecting system, communication network trouble detecting method and trouble detecting program |
| JP2007102506A (en) * | 2005-10-04 | 2007-04-19 | Fuji Xerox Co Ltd | Fault diagnostic system, image forming device and fault diagnostic method |
| WO2008149975A1 (en) * | 2007-06-06 | 2008-12-11 | Nec Corporation | Communication network failure cause analysis system, failure cause analysis method, and failure cause analysis program |
| JP2016085293A (en) * | 2014-10-23 | 2016-05-19 | 富士ゼロックス株式会社 | Failure prediction device, failure prediction system, and program |
| JP2016177676A (en) * | 2015-03-20 | 2016-10-06 | 株式会社東芝 | Diagnosis device, diagnosis method, diagnosis system and diagnosis program |
| JP2017126330A (en) * | 2015-12-31 | 2017-07-20 | ダッソー システムズＤａｓｓａｕｌｔ Ｓｙｓｔｅｍｅｓ | Recommendations based on predictive model |
| CN111240229A (en) * | 2020-03-20 | 2020-06-05 | 智慧航海（青岛）科技有限公司 | Fault information processing system based on intelligent ship berthing simulation test |
-
1991
- 1991-07-26 JP JP18719191A patent/JP3182169B2/en not_active Expired - Fee Related
Cited By (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7734563B2 (en) | 1993-03-19 | 2010-06-08 | Ricoh Company, Ltd. | Automatic invocation of computational resources without user intervention across a network |
| US6633861B2 (en) | 1993-03-19 | 2003-10-14 | Ricoh Company Limited | Automatic invocation of computational resources without user intervention across a network |
| US6266656B1 (en) | 1997-09-19 | 2001-07-24 | Nec Corporation | Classification apparatus |
| JP2006252422A (en) * | 2005-03-14 | 2006-09-21 | Kawasaki Heavy Ind Ltd | Failure diagnostic method and device |
| WO2007007895A1 (en) * | 2005-07-11 | 2007-01-18 | Nec Corporation | Communication network trouble detecting system, communication network trouble detecting method and trouble detecting program |
| JP2007020115A (en) * | 2005-07-11 | 2007-01-25 | Nec Corp | Fault detection system for communication network, fault detection method and fault detection program for communication network |
| US8065568B2 (en) | 2005-07-11 | 2011-11-22 | Nec Corporation | Communication network failure detection system, and communication network failure detection method and failure detection program |
| JP4600237B2 (en) * | 2005-10-04 | 2010-12-15 | 富士ゼロックス株式会社 | Failure diagnosis system, image forming apparatus, and failure diagnosis method |
| JP2007102506A (en) * | 2005-10-04 | 2007-04-19 | Fuji Xerox Co Ltd | Fault diagnostic system, image forming device and fault diagnostic method |
| WO2008149975A1 (en) * | 2007-06-06 | 2008-12-11 | Nec Corporation | Communication network failure cause analysis system, failure cause analysis method, and failure cause analysis program |
| US8095819B2 (en) | 2007-06-06 | 2012-01-10 | Nec Corporation | Communication network failure cause analysis system, failure cause analysis method, and failure cause analysis program |
| JP5459608B2 (en) * | 2007-06-06 | 2014-04-02 | 日本電気株式会社 | Communication network failure cause analysis system, failure cause analysis method, and failure cause analysis program |
| JP2016085293A (en) * | 2014-10-23 | 2016-05-19 | 富士ゼロックス株式会社 | Failure prediction device, failure prediction system, and program |
| JP2016177676A (en) * | 2015-03-20 | 2016-10-06 | 株式会社東芝 | Diagnosis device, diagnosis method, diagnosis system and diagnosis program |
| JP2017126330A (en) * | 2015-12-31 | 2017-07-20 | ダッソー システムズＤａｓｓａｕｌｔ Ｓｙｓｔｅｍｅｓ | Recommendations based on predictive model |
| CN111240229A (en) * | 2020-03-20 | 2020-06-05 | 智慧航海（青岛）科技有限公司 | Fault information processing system based on intelligent ship berthing simulation test |
| CN111240229B (en) * | 2020-03-20 | 2023-06-30 | 智慧航海（青岛）科技有限公司 | Fault information processing system based on intelligent ship berthing-off simulation test |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3182169B2 (en) | 2001-07-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6625589B1 (en) | Method for adaptive threshold computation for time and frequency based anomalous feature identification in fault log data | |
| US7529828B2 (en) | Method and apparatus for analyzing ongoing service process based on call dependency between messages | |
| CN113282461B (en) | Alarm identification method and device for transmission network | |
| US20090204551A1 (en) | Learning-Based Method for Estimating Costs and Statistics of Complex Operators in Continuous Queries | |
| Laskey et al. | Hypothesis management in situation-specific network construction | |
| CN111352759A (en) | Alarm root cause judgment method and device | |
| CN112738172B (en) | Block chain node management method and device, computer equipment and storage medium | |
| JPH0535484A (en) | Fault diagnostic method | |
| CN113742489B (en) | Comprehensive influence compensation method based on time sequence knowledge graph | |
| CN113515606A (en) | Big data processing method based on intelligent medical safety and intelligent medical AI system | |
| CN115048370A (en) | Artificial intelligence processing method for big data cleaning and big data cleaning system | |
| CN114416573A (en) | Defect analysis method, device, equipment and medium for application program | |
| Mohamed | A probabilistic rough set approach to rule discovery | |
| CN113240139A (en) | Alarm cause and effect evaluation method, fault root cause positioning method and electronic equipment | |
| CN114880584B (en) | Generator set fault analysis method based on community discovery | |
| CN112819176B (en) | Data management method and data management device suitable for machine learning | |
| CN115168509A (en) | Processing method and device of wind control data, storage medium and computer equipment | |
| CN114518988A (en) | Resource capacity system, method of controlling the same, and computer-readable storage medium | |
| Mijumbi et al. | MAYOR: machine learning and analytics for automated operations and recovery | |
| CN115438979B (en) | Expert model decision-fused data risk identification method and server | |
| CN117591705B (en) | Sub-table association method and device based on graph search | |
| CN114116729B (en) | Test data processing method and equipment | |
| CN113177023B (en) | Log retrieval method and device and electronic equipment | |
| CN117114257A (en) | Method for determining failure portrayal, processing device and computer readable storage medium | |
| CN118152800A (en) | Model training method, fault type detection method, device, equipment and medium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |