図面 (/)

技術 予測信頼性マイニングのためのシステム及び方法

出願人 タタコンサルタンシーサービシズリミテッド
発明者 シング、カラムジートシュロフ、ガウタムアガルワール、プニート
出願日 2016年3月11日 (4年8ヶ月経過) 出願番号 2016-048155
公開日 2017年4月20日 (3年7ヶ月経過) 公開番号 2017-076360
状態 特許登録済
技術分野 特定用途計算機 知識ベースシステム
主要キーワード 残存確率 事前定義値 信頼性分析 表示センサ 信頼性予測 カウント差 信頼性モデル 拡張モデル
関連する未来課題
重要な関連分野

この項目の情報は公開日時点(2017年4月20日)のものです。
また、この項目は機械的に抽出しているため、正しく解析できていない場合があります

図面 (9)

課題

相当数の実際の故障が発生し始めるのを待たずに予期せずに発生する将来の故障を予測することを可能にする予測信頼マイニングのためのシステム及び方法を提供する。

解決手段

関連する部品の故障前に、集団における接続機械から識別DTC(Diagnostic Trouble Code)の集合を特定する。過去の故障データからの部品の故障と識別DTCの特定された集合との間の時間依存性に基づいて、時間条件依存モデルを生成する。将来の故障は、生成された時間条件依存性に基づいて予測され、予測信頼性マイニングのために予測された将来の故障の根本原因解析をが行う。故障の確率は、DTCの発生及び不発生の両方に基づいて計算する。根本原因解析は、早期警戒が生成される場合及び早期警戒が生成されない場合にも、集団の部分集合を特定することを可能にする。

概要

背景

インダストリアルインターネット未来を形作りつつあり、接続機械が技術のあらゆる側面の部分を成すことは当然のことである。従来、予測信頼マイニングは、ワイブル又は対数正規分布等の指数分布族による分布を用いて保証クレーム(warranty claim)からの部品故障に関する履歴データに基づいていた。機械集団の中で(1つ以上の部品において)観測された故障がこのようなモデルに基づいて予測された数を超える場合、これは、その集団の潜在的なシステム上の問題の早期警戒として機能する場合がある。このような早期警戒は、実際に起こった一部の例外的に高い故障に依存している。再び、予測された故障総数からの重大な逸脱が集団の一部の未知部分集合、例えば、特定のバッチ、又は特定の年に若しくは特定の工場で製造された機械等においてのみ起こる場合が多いことが分かっている。このような逸脱は、全集団の中で重大ではなく、従来の信頼性マイニングが利用される場合に未識別のままとなる。従来の信頼性分析を使用して可能なよりも早期に潜在的な問題を検出するだけでなく、統計的に集団に中に隠れてしまう例外が発生したかもしれない集団の部分集合を特定することも課題である。

概要

相当数の実際の故障が発生し始めるのを待たずに予期せずに発生する将来の故障を予測することを可能にする予測信頼性マイニングのためのシステム及び方法を提供する。関連する部品の故障前に、集団における接続機械から識別DTC(Diagnostic Trouble Code)の集合を特定する。過去の故障データからの部品の故障と識別DTCの特定された集合との間の時間依存性に基づいて、時間条件依存モデルを生成する。将来の故障は、生成された時間条件依存性に基づいて予測され、予測信頼性マイニングのために予測された将来の故障の根本原因解析をが行う。故障の確率は、DTCの発生及び不発生の両方に基づいて計算する。根本原因解析は、早期警戒が生成される場合及び早期警戒が生成されない場合にも、集団の部分集合を特定することを可能にする。

目的

従来の信頼性分析を使用して可能なよりも早期に潜在的な問題を検出するだけでなく、統計的に集団に中に隠れてしまう例外が発生したかもしれない集団の部分集合を特定することも課題である

効果

実績

技術文献被引用数
0件
牽制数
0件

この技術が所属する分野

(分野番号表示ON)※整理標準化データをもとに当社作成

ライセンス契約や譲渡などの可能性がある特許掲載中! 開放特許随時追加・更新中 詳しくはこちら

請求項1

接続機械の集団における予測信頼マイニングのためのコンピュータ実装方法であって、識別DTC(DiagnosticTroubleCode)の集合故障の前に生成されたDTCから特定するステップであって、前記識別DTCの集合は前記接続機械の関連する事前定義された部品に対応するステップと、過去の故障データから事前定義された部品の故障と前記識別DTCの特定された集合との間の時間依存性に基づいて、時間条件依存モデルを生成するステップと、生成された時間条件依存モデル並びにDTCの発生及び不発生に基づいて、将来の故障を予測するステップとを含む、コンピュータ実装方法。

請求項2

予測信頼性マイニングのために予測された将来の故障の根本原因解析を行うステップを更に含む、請求項1に記載のコンピュータ実装方法。

請求項3

識別DTCの集合を特定するステップは、相関ルールマイニングに基づく、請求項1に記載のコンピュータ実装方法。

請求項4

記相ルールマイニングは、アプリオリ技術の使用を含む、請求項3に記載のコンピュータ実装方法。

請求項5

前記相関ルールマイニング技術により特定されるルールの前件が、前記識別DTCの集合を成す、請求項3に記載のコンピュータ実装方法。

請求項6

前記時間条件依存モデルは、ベイズネットワークである、請求項1に記載のコンピュータ実装方法。

請求項7

過去の故障データからの前記事前定義された部品の故障と前記識別DTCの特定された集合との間の時間依存性は、ワイブル分布に従う、請求項1に記載のコンピュータ実装方法。

請求項8

時間条件依存モデルを生成するステップは、その後に、接続機械の集団を、所定の期間にDTCが生成されない接続機械を含む第1の集合と前記所定の期間に少なくとも1つのDTCが生成される接続機械を含む第2の集合とに分離するステップが続く、請求項1に記載のコンピュータ実装方法。

請求項9

将来の故障を予測するステップは、接続機械の分離された集団においてDTCの発生及び非発生の両方に基づいて故障の確率を計算して、予測された故障数事前定義値により前記過去の故障データに基づく期待される故障数よりも多い場合に早期警戒を生成するステップを含む、請求項8に記載のコンピュータ実装方法。

請求項10

前記事前定義値は、予測された故障数、及び所定の期間における前記事前定義された部品の故障数を表す確率変数の分散に基づく、請求項9に記載のコンピュータ実装方法。

請求項11

根本原因解析を行うステップは、前記事前定義された部品の少なくとも1つに対して早期警戒が生成される場合に前記集団の部分集合を特定することを含む、請求項2に記載のコンピュータ実装方法。

請求項12

前記事前定義された部品の少なくとも1つに対して早期警戒が生成される場合に根本原因解析を行うステップは、(i)前記過去の故障データに基づいて第1の期待故障時間を計算すること、(ii)事前定義された遅延パラメータ及び前記少なくとも1つのDTCの発生時間に更に基づく分離された集団の第2の集合の期待故障時間に基づいて第2の期待故障時間を計算すること、(iii)計算された第1の期待故障時間及び第2の期待故障時間に基づいて接続機械の各々に対する例外スコアを定義すること、(iv)前記接続機械の事前定義された特徴に対してステップ(i)から(iv)を繰り返し行うこと、及び(v)事前定義された閾値よりも大きな前記例外スコアを有する前記集団の部分集合を特定することであって、特定される部分集合は前記事前定義された特徴のそれぞれに対して前記早期警戒の可能な理由を示すことを含む、請求項8に記載のコンピュータ実装方法。

請求項13

根本原因解析を行うステップは、早期警戒が集団レベルで生成されない場合に可能な例外を有する前記集団の部分集合を特定することを含む、請求項2に記載のコンピュータ実装方法。

請求項14

早期警戒が集団レベルで生成されない場合に可能な例外を有する前記集団の部分集合を特定することを含む根本原因解析を行うステップは、(i)前記接続機械のそれぞれに対して例外スコアを定義すること、(ii)前記接続機械のそれぞれを、事前定義された特徴の集合及び定義された例外スコアを含むレコードと関連付けること、(iii)定義された例外スコアを、事前定義された高レベル又は通常レベルの何れかに離散化すること、(iv)高レベルの例外スコアによる相関ルールを特定するために相関ルールマイニングを行うこと、(v)ルールクラスタを形成するために密度に基づく技術を使用して特定された相関ルールをクラスタ化すること、(vi)高い支持度及び確信度を有する前記ルールクラスタのそれぞれから1つ以上のルールを選択すること、及び(vii)高レベルの例外スコアの可能な理由を示す選択された1つ以上のルールの前件に基づいて、高レベルの例外スコアを有する前記集団の部分集合を特定することを含む、請求項13に記載のコンピュータ実装方法。

請求項15

接続機械の集団における予測信頼性マイニングのためのシステムであって、1つ以上のプロセッサと、通信インターフェース装置と、前記接続機械の事前定義された部品のオンボード診断システムからDTC(DiagnosticTroubleCode)を受信するように構成される入力モジュールを記憶するための、前記1つ以上のプロセッサに動作可能に結合される1つ以上の内部データ記憶装置と、故障の前に生成された前記DTCから識別DTCの集合を特定するように構成されるDTCパターン特定器であって、前記識別DTCの集合は前記接続機械の関連する事前定義された部品に対応するDTCパターン特定器と、過去の故障データから事前定義された部品の故障と前記識別DTCの特定された集合との間の時間依存性に基づいて、時間条件依存モデルを生成するように構成されるベイズネットワーク生成器と、生成された時間条依存性並びにDTCの発生及び不発生に基づいて、将来の故障を予測するように構成される故障予測器とを備える、システム。

請求項16

予測信頼性マイニングのために予測される将来の故障の根本原因解析を行うように構成されるアナライザを更に含む、請求項15に記載のシステム。

請求項17

コンピュータ可読プログラム具現化される一時的でないコンピュータ可読媒体を含むコンピュータプログラム製品であって、前記コンピュータ可読プログラムは、コンピュータ装置で実行されると、前記コンピュータ装置に故障の前に生成されたDTC(DiagnosticTroubleCode)から識別DTCの集合を特定することであって、前記識別DTCの集合は接続機械の関連する事前定義された部品に対応すること、過去の故障データから事前定義された部品の故障と前記識別DTCの特定された集合との間の時間依存性に基づいて、時間条件依存モデルを生成すること、及び生成された時間条件依存モデル並びにDTCの発生及び不発生に基づいて、将来の故障を予測することを行わせる、コンピュータプログラム製品。

技術分野

0001

本明細書における実施形態は、概して、予測信頼マイニングに関し、より詳細には、センサ拡張信頼性モデルを含むシステム及び方法に関する。

0002

(関連出願及び優先権相互参照
本出願は、2015年10月15日に提出されたインド特許出願第3922/MUM/2015号からの優先権を主張し、その全体は参照によりに組み込まれる。

背景技術

0003

インダストリアルインターネット未来を形作りつつあり、接続機械が技術のあらゆる側面の部分を成すことは当然のことである。従来、予測信頼性マイニングは、ワイブル又は対数正規分布等の指数分布族による分布を用いて保証クレーム(warranty claim)からの部品故障に関する履歴データに基づいていた。機械集団の中で(1つ以上の部品において)観測された故障がこのようなモデルに基づいて予測された数を超える場合、これは、その集団の潜在的なシステム上の問題の早期警戒として機能する場合がある。このような早期警戒は、実際に起こった一部の例外的に高い故障に依存している。再び、予測された故障総数からの重大な逸脱が集団の一部の未知部分集合、例えば、特定のバッチ、又は特定の年に若しくは特定の工場で製造された機械等においてのみ起こる場合が多いことが分かっている。このような逸脱は、全集団の中で重大ではなく、従来の信頼性マイニングが利用される場合に未識別のままとなる。従来の信頼性分析を使用して可能なよりも早期に潜在的な問題を検出するだけでなく、統計的に集団に中に隠れてしまう例外が発生したかもしれない集団の部分集合を特定することも課題である。

0004

この概要は、予測信頼性マイニングに関する概念を導入するために提供される。本開示の文脈では、「接続機械(connected machines)」という表現は、接続された車両、接続されたエンジン当技術分野で周知の接続された機械として機能する任意の他の産業機器に関連する。接続機械の部品を監視するために提供されるオンボード診断(OBD)システムは、本開示の文脈ではセンサを含む。この概要は、請求項の主題の本質的な特徴を特定すること又は本開示の範囲を決定若しくは限定するのに使用されることを何れも意図していない。

0005

本開示のシステム及び方法は、接続機械の集団において予測信頼性マイニングを可能にする。「インダストリアルインターネット」によって、ほとんどの産業機器は、フィールドにおける所望のコンポーネントの実行時間動作を連続的に監視するセンサを組み込んでおり、無線セルラ又は都市WiFiネットワークを介することを含む様々な手段により事前定義されたセンサ情報製造業者送り返している。特に、現代自動車は、様々な状況において異常センサレベルを示すために英数字のDTC(Diagnostic Trouble Code)を生成するオンボード電子制御モジュールを有する。これらの幾つかは、実際の又は潜在的な部品不良を示す。このようなDTCは、典型的に、実際の部品故障の前にトリガされる。本開示のシステム及び方法は、このようなDTCを分析して、潜在的な将来の部品故障を示す早期警戒として機能するように、DTCと将来の故障時間相関させる。

0006

ある態様では、接続機械の集団における予測信頼性マイニングのためのコンピュータ実装方法が提供され、この方法は、識別DTC(Diagnostic Trouble Code)の集合を故障の前に生成されたDTCから特定するステップであって、前記識別DTCの集合は前記接続機械の関連する事前定義された部品に対応するステップと、過去の故障データから事前定義された部品の故障と前記識別DTCの特定された集合との間の時間依存性に基づいて、時間条件依存モデルを生成するステップと、生成された時間条件依存性並びにDTCの発生及び不発生に基づいて、将来の故障を予測するステップとを含む。

0007

実施形態において、将来の故障を予測するステップは、その後に、予測信頼性マイニングのために予測される将来の故障の根本原因解析を行うステップが続き得る。

0008

ある実施形態において、識別DTCの集合を特定するステップは相関ルールマイニングに基づき、相関ルールマイニングはアプリオリ(Apriori)技術の使用を含む。

0009

実施形態において、相関ルールマイニング技術により特定されるルール前件(antecedent)は、識別DTCの集合を成す。

0010

実施形態において、時間条件依存モデルはベイズネットワークである。

0011

実施形態において、過去の故障データからの事前定義部分の故障と識別DTCの特定された集合との間の時間依存性は、ワイブル分布に従う。

0012

実施形態において、時間条件依存モデルを生成するステップは、その後に、接続機械の集団を、所定の期間にDTCが生成されない接続機械を含む第1の集合と前記所定の期間に少なくとも1つのDTCが生成される接続機械を含む第2の集合とに分離するステップが続く。

0013

実施形態において、将来の故障を予測するステップは、接続機械の分離された集団においてDTCの発生及び非発生の両方に基づいて、故障の確率を計算して、予測された故障数事前定義値により前記過去の故障データに基づく期待される故障数よりも多い場合に早期警戒を生成するステップを含む。実施形態において、前記事前定義値は、予測された故障数、及び所定の期間における前記事前定義された部品の故障数を表す確率変数の分散に基づく。

0014

実施形態において、根本原因解析を行うステップは、前記事前定義された部品の少なくとも1つに対して早期警戒が生成される場合に前記集団の部分集合を特定することを含む。実施形態において、根本原因解析を行うステップは、(i)前記過去の故障データに基づいて第1の期待故障時間を計算するステップと、(ii)接続機械の集団を、所定の期間にDTCが生成されない接続機械を含む第1の集合と前記所定の期間に少なくとも1つのDTCが生成される接続機械を含む第2の集合とに分離するステップと、(iii)事前定義された遅延パラメータ及び前記少なくとも1つのDTCの発生時間に更に基づく第2の集合の期待故障時間に基づいて第2の期待故障時間を計算するステップと、(iv)計算された第1の期待故障時間及び第2の期待故障時間に基づいて接続機械の各々に対する例外スコアを定義するステップと、(v)前記接続機械の事前定義された特徴に対してステップ(i)から(iv)を繰り返し行うステップと、(vi)事前定義された閾値よりも大きな前記例外スコアを有する前記集団の部分集合を特定するステップであって、特定される部分集合は前記事前定義された特徴のそれぞれに対して前記早期警戒の可能な理由を示すステップとを含む。

0015

実施形態において、根本原因解析を行うステップは、早期警戒が集団レベルで生成されない場合に可能な例外を有する前記集団の部分集合を特定することを含む。実施形態において、根本原因解析を行うステップは、(i)前記接続機械のそれぞれに対して例外スコアを定義するステップと、(ii)前記接続機械のそれぞれを、事前定義された特徴の集合及び定義された例外スコアを含むレコードと関連付けるステップと、(iii)定義された例外スコアを、事前定義された高レベル又は通常レベルの何れかに離散化するステップと、(iv)高レベルの例外スコアによる相関ルールを特定するために相関ルールマイニングを行うステップと、(v)ルールクラスタを形成するために密度に基づく技術を使用して特定された相関ルールをクラスタ化するステップと、(vi)高い支持度及び確信度を有する前記ルールクラスタのそれぞれから1つ以上のルールを選択するステップと、(vii)高レベルの例外スコアの可能な理由を示す選択された1つ以上のルールの前件に基づいて、高レベルの例外スコアを有する前記集団の部分集合を特定するステップとを含む。

0016

別の態様では、接続機械の集団における予測信頼性マイニングのためのシステムが提供される。このシステムは、1つ以上のプロセッサと、通信インターフェース装置と、前記接続機械の事前定義された部品のオンボード診断システムからDTC(Diagnostic Trouble Code)を受信するように構成される入力モジュールを記憶するための前記1つ以上のプロセッサに動作可能に結合される1つ以上の内部データ記憶装置と、識別DTCの集合を故障の前に生成されたDTCから特定するように構成されるDTCパターン特定器であって、前記識別DTCの集合は前記接続機械の関連する事前定義された部品に対応するDTCパターン特定器と、過去の故障データから事前定義された部品の故障と前記識別DTCの特定された集合との間の時間依存性に基づいて、時間条件依存モデルを生成するように構成されるベイズネットワーク生成器と、生成された時間条件依存性並びにDTCの発生及び不発生に基づいて、将来の故障を予測するように構成される故障予測器とを備える。

0017

実施形態において、本明細書に記載のシステムは、予測信頼性マイニングのために予測される将来の故障の根本原因解析を行うように構成されるアナライザを更に含み得る。

0018

更に別の態様では、データを処理するためのコンピュータプログラム製品が提供され、識別DTC(Diagnostic Trouble Code)の集合を故障の前に生成されたDTCから特定することであって、前記識別DTCの集合は前記接続機械の関連する事前定義された部品に対応すること、過去の故障データから事前定義された部品の故障と前記識別DTCの特定された集合との間の時間依存性に基づいて、時間条件依存モデルを生成すること、生成された時間条件依存性並びにDTCの発生及び不発生に基づいて、将来の故障を予測すること、及び予測信頼性マイニングのために予測された将来の故障の根本原因解析を行うことのための、プログラム命令具現化される一時的でないコンピュータ可読媒体を含む。

図面の簡単な説明

0019

本明細書の実施形態は、以下の詳細な説明から図面を参照して良好に理解されるであろう。
本開示の実施形態による接続機械の集団における予測信頼性マイニングのためのシステムの例示的なブロック図を示す。
本開示の実施形態による図1のシステムを使用して接続機械の集団における予測信頼性マイニングのためのコンピュータ実装方法を示す例示的フロー図である。
本開示の実施形態によるセンサ拡張ベイズ信頼性モデルである。
例示的なデータの集合のワイブル及びガウス分布から標本化されたDTCのQQ(分位点プロットを示す。
SARMによる予測された対実際の対BRMによる期待された故障の数の比較を示す。
PG部品に関する予測及び故障の週間傾向を示す。
視覚分析を用いた早期警戒(EW−1)の根本原因解析を示す。
ルール例外ペアとして早期警戒(EW−2)に関して発見されたサブグループを示す。

実施例

0020

業者には、本明細書における任意のブロック図が本願の主題の原理を具現化する例示的なシステムの概念図を表すことが理解されるべきである。同様に、任意のフローチャート、フロー図、状態遷移図、擬似コード等が、コンピュータ可読媒体において実質的に表されており、コンピュータ装置又はプロセッサが明示されているかに関わらず、このようなコンピュータ装置又はプロセッサによって実行され得る様々な処理を表すことが理解されるべきである。

0021

本明細書の実施形態及び様々な特徴及びその有利な詳細が、添付の図面に例示され且つ以下の記載で詳述される非限定的な実施形態を参照してより完全に説明される。本明細書で用いられる例示は、本明細書の実施形態が実施され得るやり方の理解を容易にし且つ当業者が本明細書の実施形態を更に実施できるようにすることのみを意図している。従って、例示は、本明細書の実施形態の範囲を限定するものと解釈されるべきではない。

0022

「備える」、「有する」、「包含する」及び「含む」並びにこれらの他の形態は、同等の意味であることが意図されており、こうした言葉の何れか1つに続く1つ又は複数の事項が、このような1つ又は複数の事項の網羅的な列挙であることを意味しておらず又は列挙された1つ又は複数の事項のみに限定されることを意図していないという点で制約がないことが意図されている。

0023

また、本明細書で用いられる場合、添付の請求項において、単数形「1つ」(“a,”“an”)及び「前記」(“the”)は、文脈において特段明記されない限り、複数参照を含むことが理解されなければならない。本明細書に記載されたものと類似の又は均等の任意のシステム及び方法が本開示の実施形態のテスト又は実施に使用され得るが、好ましいシステム及び方法が次に記載される。

0024

その全ての特徴を例示する本開示の一部の実施形態が次に詳細に検討される。開示された実施形態は、様々な形態で具現化され得る本開示の単なる例示である。

0025

詳細な説明を行う前に、以下の検討の全てが、記載されている特定の実装に関わらず、限定ではなく本質的に例示であることに留意されたい。例えば、実装の選択された態様、特徴又はコンポーネントがメモリに記憶されるように描かれているが、アパレル認識及び分類システム及び方法と一致するシステム及び方法の全て又は一部が、他の機械可読媒体において記憶され、分配され又は読み取られてもよい。

0026

次に、図面、より詳細には、図1〜8を参照すると、同様の参照文字が図面を通じて一貫して対応する特徴を示しており、好ましい実施形態が示されており、こうした実施形態は、以下の例示のシステム及び方法の文脈で記載される。

0027

図1は、本開示の実施形態による予測信頼性マイニングのためのシステム100の例示的なブロック図を示し、図2は、本開示の実施形態による図1のシステムを使用する予測信頼性モデルのためのコンピュータ実装方法200を示す例示的なフロー図を示す。次に、本開示の方法200のステップは、図1に描かれたシステム100のコンポーネントを参照して説明される。実施形態では、システム100は、1つ以上のプロセッサ(図示せず)、通信インターフェース又は入力/出力(I/O)インターフェース(図示せず)、及び1つ以上のプロセッサに動作可能に結合される1つ以上の内部データ記憶装置(図示せず)又はメモリを含む。1つ以上のプロセッサは、1つ以上のマイクロプロセッサマイクロコンピュータマイクロコントローラ、DSP(digital signal processor)、CPU(central processing unit)、状態機械論理回路、及び/又は動作命令に基づいて信号を操作する任意の装置として実装され得る。複数の機能の中でも特に、(複数の)プロセッサは、メモリに記憶されたコンピュータ可読命令フェッチして実行するように構成される。実施形態において、システム100は、サーバに、又はラップトップコンピュータデスクトップコンピュータノートブックワークステーションメインフレームコンピュータ、サーバ、ネットワークサーバクラウドハンドヘルド装置等の様々なコンピュータシステムに実装され得る。

0028

I/Oインターフェースは、ソフトウェア及びハードウェアインターフェース、例えば、ウェブインターフェース、グラフィカルユーザインターフェース等を含んでもよく、有線ネットワーク、例えば、LAN、ケーブル等、及びWLAN、セルラ又は衛星等の無線ネットワークを含む広範なネットワーク及びプロトコルタイプ内の多数の通信を容易にすることができる。実施形態において、I/Oインターフェースは、多数の装置を互いに又は別のサーバに接続するための1つ以上のポートを含み得る。

0029

メモリは、例えば、SRAM(static random access memory)及びDRAM(dynamic random access memory)等の揮発性メモリ、及び/又はROM(read only memory)、EPROM(erasable programmable ROM)、フラッシュメモリハードディスク光学ディスク、及び磁気テープ等の不揮発性メモリを含む、当技術分野で周知の任意のコンピュータ可読媒体を含んでもよい。実施形態において、システム100の様々なモジュールはメモリに記憶され得る。

0030

接続機械には、オンボード診断(OBD)システム110が設けられる。典型的に、DTC(Diagnostic Trouble Code)と接続機械の部品との間に多対多マッピングがある。即ち、1つのDTCが1つより多くの部品における誤動作を示し、単一の部品における誤動作が1つより多くのDTCをトリガしてもよい。従って、たとえ単一の部品の故障に一意に関連付けられていなくても、各部品の将来の故障に相関され得る識別DTCを特定することが重要である。ステップ202において、DTCパターン特定器114が識別DTCの集合を特定することができ、ここで識別DTCの集合は接続機械の関連する事前定義部品に対応する。実施形態において、識別DTCの集合を特定するステップは、相関ルールマイニングに基づく。実施形態において、相関ルールマイニングは、故障をもたらす状況におけるDTC発生を検査して、これらを故障が観測されない状況と比較することによって、部品ごとに識別DTCのためのルールを特定することを含み得る。

0031

部品故障の早期警戒表示として効果的にDTCを使用するために、ステップ204において、ベイズネットワーク生成器116によって時間条件依存モデルが生成される。実施形態において、時間条件依存モデルは、過去の故障データからの事前定義部品の故障と識別DTCの特定された集合との間の時間依存性に基づく。従って、本開示のシステム及び方法は、従来から知られている信頼性モデルを拡張するために、過去の故障データ、識別DTCの特定された集合、及びその時間的依存性を使用する。実施形態において、過去の故障データからの事前定義部分の故障と識別DTCの特定された集合との間の時間依存性は、ワイブル分布に従う。

0032

ステップ206において、故障予測器118によって生成された時間条件依存性に基づいて、将来の故障が予測される。実施形態において、将来の故障を予測するステップは、予測された故障の数が事前定義値によって過去の故障データに基づいて期待される故障の数よりも大きい場合に、早期警戒を生成することを含む。実施形態において、故障予測器118は、早期警戒に関連付けられる接続機械の部品を特定し、それに従って、集団の関連部分集合を特定するように構成される。

0033

ステップ208において、アナライザ120によって、予測信頼性マイニングのために予測される将来の故障の根本原因解析が行われる。

0034

次に、図2のステップ202から208が以下で詳細に説明される。本開示の文脈では、これより以後用いられる様々な表現が以下のように定義される。

0035

I={i1,i2,...im}は、アイテムと呼ばれるm個バイナリ属性の集合である。D={t1,t2,...tn}は、データベースと呼ばれるトランザクションの集合である。Dにおける各トランザクションは、一意のidを有しており、Iにおけるアイテムの部分集合を含む。アイテムセットX,Yは、それぞれルールの前件(antecedent)及び後件(consequent)と呼ばれる。相関ルールrは、形式X−>Yの暗示表現であり、ここでX,Y⊆I且つX∩Y=φである。アイテムセットXの支持度(support)s(X)は、アイテムセットXを含むデータベースDにおけるトランザクションの割合と定義される。ルールconf(r)の確信度(confidence)は、s(X∪Y)/s(X)である。ルールl(r)の更なるリフト(lift)はその興味深さ(interestingness)を測定し、それは後件の支持度及び確信度の比率、即ち、conf(r)/s(Y)である。ルールrの範囲は、Xを含むDにおけるトランザクションの数の割合であり、s(X)により与えられる。R={r1,r2,...rl}はl個のルールの集合であり、DにおけるcRにより表されるRの範囲は集合Rにおけるルールの前件の何れかを含むDにおけるトランザクションの割合である。

0036

識別DTC(Diagnostic Trouble Code)の集合が特定されるステップ202は、例えば部品Piの故障に識別性のあるDTC、即ち、Piの故障前に起こるが他の部品の故障前には起こらないDTCを特定することを含む。実施形態において、識別DTCを特定するステップは、相関ルールマイニングに基づく。実施形態において、相関ルールマイニングは、高い確信度及びリフトを有する部品Piの故障をもたらすDTCのルールを特定するためにアプリオリ技術を用いる。異なる車両において異なる理由により単一の部品が故障し得るので、単一の部品に対して1つより多くの高い確信度ルールを得ることが可能である。部品Piに対して、Iは、接続機械の全集団に対する全ての可能なDTCのアイテムセットである。任意の所与の時間t0において、Piは、n個の接続機械において故障した部品を表す。n個の接続機械の各々に対して、部品Piの故障日から開始して、過去のd日にトリガされるトランザクションfiにおける全てのDTCが収集され、故障を表すアイテムfが各トランザクションに追加される。従って、n個の接続機械に対して、故障集合と呼ばれるn個のトランザクションの集合Df={f1,f2,...,fn}が得られ、ここで、各fi⊆Iである。同様に、接続機械に対して非故障集合と呼ばれる別の集合Dnfが得られ、ここで、Pi以外の部品は故障しており、集合Dnfの全てのトランザクションにアイテムnfが追加される。1つのトランザクションにおける単一のDTCの複数の発生に対して、そのDTCの最初の発生が考慮される。アプリオリ技術を使用してルールの集合R=Df∪Dnfが生成される。確信度con f(r)>τp∀r∈R、及びDf>Rcにおける集合Rの範囲を表すcRを有する集合Rにおけるルールが特定される。ここで、τpは確信度に対する前の閾値であり、Rcは範囲に対する前の閾値である。集合Rにおける全てのルールの前件の集合は、部品Piに対してdisci={D1,D2,D3,...DN}としてDTCの識別集合を成し、ここで、各集合Djは少なくとも1つのDTC及びD1∩D2∩....DN=φを含む。

0037

DTCは実際の故障の前に起こるので、DTC発生と部品故障との間の時間遅延は、それらの間の依存性を定義する。ステップ204において、ベイズ信頼性モデル又はベイズネットワークが、図3に示されるように、部品Piの故障と識別DTCのその集合disciとの間の依存性に基づいて生成される。ベイズネットワークの各ノードは、以下に記載されるように、連続確率変数を表す。本開示の文脈では、変数tpiは部品Pi が故障する時間を参照する。実施形態において、時間tpiは故障パラメータαi 及びβiを有するワイブル分布に従い、以下の数式(1)にそれぞれ表されるワイブル分布のスケール(scale)及びシェープ(shape)パラメータを表す。

0038

本開示の文脈では、均等分布が、下限を0とし且つ上限をそれぞれa>0且つb>0とするαi及びβiの要件、即ち、P(αi)〜U(0,a)且つP(βi)〜U(0,b)と推定される。

0039

図3におけるτiは部品Piの故障時間とDTC Djの発生時間との間の時間遅延を参照する変数τijを表すことに留意されたい。実施形態において、時間τijは遅延パラメータαDj及びβDjを有するワイブル分布に従い、それぞれ表されるワイブル分布のスケール及びシェープパラメータを表す。遅延パラメータは、以下に記載の数式(2)に表される部品PiとDTC Djとの間の時間条件依存性を得る。

0040

本開示の文脈では、均等分布が、下限を0とし且つ上限をそれぞれaDj>0 且つbDj>0とする遅延パラメータの要件、即ち、P(αDj)〜U(0,aDj)且つP(βDj)〜U(0,bDj)と推定される。

0041

DTCが部品故障の前に起こるので、本開示の文脈では、ノードtDは、DTC Djが変数tpi及びτijに関して起こる時間を参照する変数tDjを表す。実施形態において、時間tDjは、以下の数式(3)に表されるように、標準偏差σjを有するtpi−τijとして平均を有する正規分布に従う。

0042

ここで、σjの要件は一様分布、即ち、σj〜U(0,sj)である。

0043

本開示によれば、ベイズネットワークは結合分布に近似し、1つのノードがtpiにより表され、Piの識別集合におけるDTC Djごとに1つのノードがτijにより表され、Dj∈disciごとに1つがtDjにより表され、残りのノードがこうした3つの確率変数のパラメータを表す。モデルの全てのパラメータ、即ち、故障及びDTCに対するワイブルパラメータ、正規分布した遅延の平均及び分散は、接続機械の集団から所与の過去の故障データ及びDTCデータを標本化するMCMC(Markov Chain Monte Carlo)を使用して学習される。

0044

ステップ206において、将来の故障が、ステップ204においてモデル化された過去の故障データ及び識別DTCの両方に基づいて予測される。NpiはDTCに基づいて将来の特定の時間フレームの間の部品Piの故障数を表し、Mpiは従来の信頼性モデルを使用して同じ時間フレームにおいて期待される故障数を表す。統計的にNpiとMpiを比較すると、NpiがMpiよりも事前に決められた値だけ高い場合に、システム100によって早期警戒が生成される。

0045

m個の接続機械及び時間t0を考えると、Piがm個中n個の接続機械において故障したと仮定すれば、Vは、残りのr(=m−n)の接続機械の集合であり、それがt0まで残存したことを考えると、部品Piが[t1,t2](t2>t1>t0)において故障する故障確率は以下の数式(4)により表される。

0046

ここで、dkは所定の初期時間からtkまで計算される時間であり、F(t)は部品が時間tの前に故障する確率である。
当技術分野で周知のように、F(t)は、以下の数式(5)で表され得る。

0047

ここで、α及びβはワイブル分布のスケール及びシェープパラメータであり、S(t)は以下の数式(6)で表され得る残存確率と呼ばれる。

0048

全てのv∈Vに対する部品Piの故障確率は、従来の基本的信頼性モデル(BRM)と共にDTCを組み込んだセンサ拡張信頼性モデル(SARM)を使用して計算される。従来のBRMでは、rの車両における故障確率を計算するために、部品Piの過去の故障データのみが利用される。数式(4)及び(5)において、スケール及びシェープパラメータとして「故障パラメータ」及び初期時間、即ち、

0049

として全ての車両v∈Vの販売時間

0050

を使用する。次に、

0051

、全てのv∈Vに対する故障確率が計算される。

0052

本開示のSARMでは、過去の故障データ及びDTCの両方が利用される。部品Piがt0まで故障していない残りrの車両が2つの集合に分けられる。1)V1:Dj∈disciの少なくとも1つが[t0-d,t0]で発生した車両の集合と、2)V0:Dj∈disciの何れも[t0-d,t0]で発生しなかった車両の集合である。

0053

V1の車両に対して、Dj∈disciの少なくとも1つが[t0-d,t0]で発生したので、DTC Djの発生時間tDjが初期時間、即ち、dk=tk−tDj、として使用される。更に、数式(4)及び(5)におけるスケール及びシェープパラメータとして「遅延パラメータ」を使用して、

0054

、全てのv∈V1に対する部品Piの故障確率が、DTC Djが時間tDjで発生したとして計算される。1つより多くの識別DTCが車両で発生した場合、最も高い確信度を有するDTCが用いられる。更に、ルールrの確信度conf(r)、即ちDj−>Piは、(1−conf(r))%倍のDTC Djが、Pi以外の故障をもたらすことを示すので、

0055

、が以下に与えられる数式(7)で除外される。

0056

ここで、

0057

はBRMの場合のように全てのv∈V1に対して計算される確率である。

0058

V0における車両に対して、過去の故障データのみを使用する全てのv∈V0に対する部品Piの故障確率が計算される。即ち、数式(4)及び(5)におけるスケール及びシェープパラメータとして「故障パラメータ」を使用して、全てのv∈V0に対する

0059

が計算される。

0060

、車両v∈V0の販売時間が初期時間、即ち、

0061

として使用される。全てのv∈V0に対して、DTC Dj∈disciが[t0-d,t0]において発生していないが、cRの定義として、cR%倍、少なくとも1つのDj∈disciが部品Piの故障前に[tpi-d,tpi]において発生することを示すので、cRを使用する確率

0062

は、以下に与えられる数式(8)では除外される。

0063

ここで、pij、DTC Dj∈disciの少なくとも1つが[t0,t1]で発生する確率である。次に、t0まで発生した部品Piのnの故障を使用して部品Piに対するpijが学習される。

0064

本開示のBRMモデル及びSARMモデルによって予測される故障の量が早期警戒を宣言するのに相当に十分に異なるかどうかを決定するために、車両における部品Piの故障は、確率p(Piの故障の確率)を有するベルヌーイ分布している確率変数と見なされる。Piの故障の確率は車両により異なるので、rの車両におけるPiの故障は、rの独立して及び同一でないベルヌーイ分布した確率変数を成す。こうしたrの変数の合計は、ポアソン二項分布に従う[t1,t2]におけるPiの故障の数を表す別の確率変数Xを成す。両方の場合におけるXの平均が、以下の数式(9)及び(10)に示されるように計算される。

0065

0066

同様に、両方の場合におけるXの分散は以下の数式(11)及び(12)のように与えられる。

0067

0068

本開示によれば部品Piの早期警戒は、NPi-MPi>τPiである場合に報告される。ここで、τPiはNPi及びVarNPiに基づいて決定される。

0069

部品Piに対する早期警戒が検出されると、例外に対する可能な原因を指すルールにより接続機械の部分集合を特定及び特徴化することにより、ステップ208で可能な根本原因が決定される。場合によっては、故障率に関して接続機械の集団の残りから大幅に逸脱した部分集合が、全集団と比較して小さく、その結果、分析が全集団レベルで行われる非早期警戒の場合になる。本開示のシステム100は2つの可能なシナリオ対処する。1)一部の部品に対する早期警戒が全集団レベルで特定される場合に、接続機械の部分集合を見つけるための根本原因解析と、2)早期警戒が全集団レベルでは見られない場合に、即ち、MPiとNPiの差が集団レベルでは重大ではないが、故障率に関して集団の残りから大幅に逸脱している集団の少しの未知の部分集合がある場合に、車両の部分集合を見つけるためのルール学習である。

0070

本開示によれば、既に特定された早期警戒の可能な理由であり得る車両の部分集合を見つけるために、上記の数式(7)及び(8)で計算される確率が使用されて、車両レベルの期待される故障回数を決定する。即ち、

0071

、部品Piの故障の予測される回数は、以下の数式(13)によって与えられる全てのv∈Vに対してそれが時間t0まで残存したことを考慮して計算される。

0072

ここで、

0073

及び

0074

は所定の初期時間から開始してt0までの車両の時間であり、S(t)は残存確率である。

0075

全てのv∈Vに対する部品Piの故障確率は、従来の基本的信頼性モデル(BRM)と共にDTCを組み込んだセンサ拡張信頼性モデル(SARM)を使用して分析される。BRMでは、故障パラメータが、全てのv∈Vに対して

0076

を計算するために数式(13)のスケール及びシェープパラメータとして使用される。実施形態において、車両vの販売時間は、初期時間、即ち、

0077

として使用される。

0078

SARMでは、部品Piの故障の期待時間

0079

は、rの車両をV0及びV1の集合に分けることにより決定される。全てのv∈V0に対して、故障の期待時間が計算される。しかし、V1における車両に対して、遅延パラメータが、Piの故障の期待時間を計算するために数式(13)で使用される。また、DTC Djの発生時間tDjが、初期時間、即ち、

0080

及び

0081

として使用される。従って、全てのv∈Vに対して、上記のようにBRM及びSARMを使用して計算される、部品Piの2つの故障の期待時間

0082

及び

0083

がある。更に、

0084

及び

0085

がv∈Vに対するPiの例外スコアを定義するために使用され、これは以下の数式(14)によって与えられる。

0086

早期警戒のための可能な理由を指摘し得る車両の部分集合を見つけるために、事前定義の閾値よりも大きな例外スコアを有する集団から車両が選択される。特徴ごとの分析(feature−by−feature analysis)を使用して、2つの集合間で統計的に異なる接続機械の一群の特徴、例えば、モデル、製造年、製造工場地理供給業者等、即ち、高い例外スコアを示す全体集団及び部分集合が決定される。

0087

また、車両の小さな未知の部分集合のみが故障率に関して残りの集団から大幅に逸脱し、NPiとMPiとのカウント差が集団レベルで重大でないままであることも可能である。このような状況が検出されることを確実にするために、高い例外スコアを示す集団のサブグループが特定される。実施形態によれば、サブグループ発見技術が利用され、ここで相関ルールはそれにも関わらずデータの大部分をカバーするルールの小集合を得るためにクラスタ化される。上記のように、接続機械の各々又はその部品が例外スコアと見なされ、本開示によれば、例えば、モデル、製造年、製造工場、チリ、供給業者等の機械/部品の属性又は特徴に基づくルールにより特徴化される高い例外スコアを有する車両のサブグループが特定される。接続機械の各々が、2つのレベル、「高い」又は「通常」に離散化される部品Piに対する例外スコア及びフィールドとしてその特徴を有するレコードと見なされる。即ち、例外フィールドが、車両Vの集合を早期警戒集合を表すEiと部品Piに対する非早期警戒を表すNEiと呼ばれる2つの集合に分ける。ここで、

0088

且つ、

0089

、即ち、Eiの補集合である。
実施形態によれば、「高い」例外スコアEiを有する相関ルールが結果として最初にマイニングされる。例えば、X&Y...−>Eiであり、これは合理的な最小の確信度も満たす(例えば、conf(r)>0.75)。次に、こうしたルールが、データの十分に大部分(例えば、少なくとも50%)をカバーする先頭の部分集合を選択するために、支持度の減少する順でソートされる。次に、ルールは、DBScan等の密度に基づいた技術、及び2つのルールの間の重複の程度、即ち、両方のルールを満たすレコードの数に反比例する距離測定を使用してクラスタ化される。結果として、各ルールクラスタは互いに強く重複するルールを含む。逆に、異なるクラスタからのルールは低い相互重複を有する。最後に、高い支持度及び確信度を有する各クラスタから1つ以上のルールが選択され、圧倒的に高い例外スコアを有する接続機械の部分集合を各々が特定するルールの小集合に至る。即ち、このようなルールの前件は、観測された高い例外スコアの潜在的な原因を指す。更に、各規則は、ルールの前件によってカバーされるデータのみに関して上記のプロシージャ再実行するが、今回は結果としてNEiを使用することによりその「例外」を絞り込み得る。上記のルール学習プロシージャは、例外が集団レベルでは見られない状況に対して特に設計されているので、全集団のレベルで例外が検出されるかどうかに関わらず実行されなければならない。

0090

実験結果)
本開示のシステム及び方法は、自動車製造業者実在データ集合に対して将来の故障を予測することにより、及びBRMを使用して計算された実際の故障及び期待される故障に対してそれを比較することにより実証された。実在のデータにおいて遭遇した3つのシナリオは、即ち、1)実際の故障量が予測されたよりも大幅に多い場合、即ち、早期警戒の場合、2)実際の故障量が予測されたよりも少ない場合、3)実際の及び予測された故障量が一致する場合と考えられた。本明細書で言及される「予測された」故障量は、単独で過去の故障データに基づいて従来の基本信頼性モデル(BRM)により予測されたものである。上記の各場合において、本開示の拡張モデル(SARM)は、従来のモデル(BRM)よりも実際の数に近い将来の量を予測することが分かった。また、本開示のSARMモデルは、合成データについてルール学習及び根本原因解析に関しても実証された。

0091

実在のデータ:販売データ、DTCデータ及びクレームデータを含む3つのデータ集合が考えられた。表Iは、一意の複数の車両又は単数の車両識別番号VIN及び3つの全てのデータ集合が利用可能である期間を示す。

0092

データの利用可能性に基づいて、本開示の方法及びシステムを実証するために2つの部品PG及びPBが選択され、上記の3つのシナリオについて結果が計算された。2つの部品に関するデータプロファイリングが表IIに与えられる。

0093

本開示の方法によれば、第1に、部品ごとのDTCの識別集合が特定される。表IIIは、部品PG及びPBに対して特定されたルールを示す。

0094

両部品に対してτp=0.7及びRc=0.8を有する3つのルールがあることを示している。また、全データベースDにおける及び故障集合Dfにおける各ルールの支持度も示している。従って、部品PGに対するdisciは{P2162,P07E7,P07E0}であり、部品PBに対しては{B1304,B100D,B1D21}である。disciにおける全てのDTCの遅延及び故障パラメータは、本開示の方法のステップ204を参照して先に説明されたベイズグラフィカルモデルを使用して学習される。実験において、MCMC(Markov Chain Monte Carlo)サンプリングを介してベイズモデルのパラメータを推定するためにpythonライブラリ「pymc」が使用された。

0095

ベイズモデルにおいて先に記載されたように、部品故障とDTC発生との間の遅延は分布のスケール及びシェープパラメータとして遅延パラメータを有するワイブル分布に従うことが推定される。ワイブル分布は変数τijに良く適合することが実験的に確認された。ワイブル分布の適合度は、変数τijについてガウス分布と比較された。図4は、変数τijの実際のデータとワイブル及びガウス分布から標本化されたデータとのQQ(分位点)プロットを示しており、全ての6つのDTCについて、ベイズモデルから推定されたパラメータを有する。変数τijに対してワイブル分布はガウス分布よりも良く適合することを明確に示している。QQプロットとは別に、変数τijに対する適合度を確認するためにコルゴルフスミルノフ(K−S)検定が使用された。表IVは、変数τijに対するワイブル及びガウス分布のp値(p−value)を示す。また、ベイズを使用して部品及び識別DTCについて学習された、車両の販売時間から計算された日数に関して遅延及び故障パラメータの値も示している。

0096

本開示によれば、部品PG及びPBの将来の故障数が、次に、表IVに示された遅延及び故障パラメータを使用して予測される。部品PGについて、DTCの識別集合を特定して及びベイズモデルパラメータを学習するために、t0までのクレームデータ及びDTCデータが使用される。M1(>t0)の月に関する故障の数が予測されて、故障の予測された数及び実際の故障に対して比較される。同様に部品PBに関して、2つの月M2及びM3に関する故障の数が予測される。図5は、上記の3つのシナリオについて(SARMを使用して)予測される対実際の対(BRMにより)期待される故障数を示しており、BRMを使用して期待された故障と比較して本開示のSARMのより良い予測性能を明確に示す。予測された(SARM)及び期待された(BRM)値の差が著しいので、予測は部品PGに対する早期警戒を指すことに留意する。更に、SARM予測は、最終的に、M1において観測された故障と良好に一致する。

0097

図6は、部品PGに関する予測対故障対期待の週間傾向を示す。第6週において早期警戒の場合があり、同様の早期警戒傾向が将来の週(>t0)において発生しており、本開示のSARMモデルがこの傾向を正確に予測することが明確に分かる。

0098

合成データ:3つのシナリオ1)NW:非早期警戒、2)EW−1:早期警戒−1、及び3)EW−2:早期警戒−2がシミュレートされた。NWについて、購入日、走行距離、DTC発生日及び部品故障日を有する車両に対して0.1Mレコードが生成された。購入日は5年の期間にわたり一様に分布していると推定する。各車両の1日の走行距離数が一様分布から導かれた。ワイブル分布及び異なるスケール及びシェープパラメータを使用して10個の部品について故障時間が生成された。部品故障の前に観測可能になったDTCコードを有するDTCデータも生成された。部品故障とDTC発生との間の遅延は、DTCごとに異なるパラメータを有するワイブル分布を使用して生成された。表Vには、生成された車両の属性又は特性が示されている。

0099

EW−1の場合では、2012年式の車両における早期警戒が、こうした車両の部品Piの故障数を前倒しすることにより引き起こされた。EW−2の場合では、年式「2012」の、地理「米国」の及び工場1及び2で製造された車両における早期警戒が、こうした車両の部品Piの故障数を前倒しすることにより引き起こされた。時間t0を考慮して、早期警戒アプローチを使用する部品Piの故障が予測されて、期待された故障及び実際の故障に対して比較された。

0100

表VIは、上記の3つの場合のそれぞれについて全集団にわたる車両の平均例外スコアを含む。

0101

EW−1の例外スコアが非警戒の場合(NW)のスコアの略2倍であり、従って全集団レベルで見られることが分かる。しかしながら、EW−2警戒は全集団では見えず、その例外スコアはNW又は非早期警戒の場合のそれと同等である。

0102

EW−1の可能な原因を明らかにするために根本原因解析が行われた。EW−2は、全集団レベルにおける平均例外スコアからは見えないので、ルール学習によってのみ検出され得る。部品Piに対する根本原因解析は、BRM(x軸)及びSARM(y軸)を使用して計算される車両の部品Piの故障の予測される月の間のヒートマップを示す図7に例示された視覚分析ワークベンチにより実証される。また、それは閲覧のために選択された車両の様々な属性の分布を示す。ヒートマップの対角線より十分に下の領域は、SARMがBRMよりも遥かに早い故障を予測する車両、即ち、早期警戒に関する車両を含んでいる。この領域の範囲を選択することにより、属性的分布がこの制限された集合のものに更新される。このような選択の前後の分布の使用が比較されて、早期警戒の理由を明らかにする。図7は、右下の領域の車両、即ち、高い例外スコアを有するものを選択した後で、属性「年式−2012」の確率が大幅に増加することを明確に示唆しており、それは高い例外スコアの領域にある車両の高い割合が2012年式の車から来ていることを示す。

0103

EW−2の場合における部品Piのルール学習のために、部品Piがt0まで故障しなかった車両は、全ての車両の例外スコアの平均として閾値τaを使用して、2つの集合、即ち、「早期警戒」及び「非早期警戒」に分けられる。更に、車両の属性の例外及びルールが、数式(13)、(14)及び(15)を参照して説明された技術を使用して特定される。図8は、早期警戒集合に対して発見された例示的なルール−例外ペアを示しており、ここでルールに関する確信度、支持度及びリフトが示されており、更にルールの1つの例外が同様に示されている。これは、2012年式の及び地理「米国」の及び全ての工場から製造された車両が早期警戒を示しており、このルールでカバーされる車の中で、工場bから製造されたものは、より多くの部分が、他よりも非早期警戒集合にあるという1つの例外にも関わらず、確信度が82%であり、支持度が15.6%であることを示す。

0104

本開示のシステム及び方法は、部品故障データと共にセンサベースのDTCを使用して予期しない故障量の早期警戒を予測し、故障急増の早期警戒を根本原因解析と共にサブグループ発見と組み合わせるための完全なフレームワークを提供する。本開示のシステム及び方法は、高度に接続された機械の集団の「インダストリアルインターネット」上で送信及び収集されたセンサ情報で拡張されたモデルからのものと従来の信頼性予測とを比較することにより、このような早期警戒を知らせるために現代車両に組み込まれた表示センサの利用可能性を活用する。2つのモデルが大幅に異なる場合、それは集団レベルの例外があることを示しており、恐らくは、例えば、将来のリコールの潜在的な必要性があることを示している。上記のやり方で例外を検出することに加えて、本開示のシステム及び方法は、前もって対処できるように、例外の可能な根本原因を発見するためのドリルダウンを可能にする。最後に、本開示のシステム及び方法は、全体集団において統計的に見られない小さなサブグループにおける例外を特定する。本開示のシステム及び方法の有効性は、実際の早期警戒が検出された実在のデータを使用して行われた実験、及び根本原因解析及びルール発見が正確に確立された合成的に生成されたデータを使用した実験から明らかである。

0105

本開示の方法は上記の実験データを介して自動車産業における故障予測を参照して例示されているが、故障予測は多くの分野で重要な役割を果たし、本開示のシステム及び方法はソフトウェア、健康及び保険の分野等に適用され得ることが当業者により理解され得る。

0106

明細書は、当業者が本発明の実施形態を使用及び作成できるように主題を記載している。本明細書に定義された主題の実施形態の範囲は、当業者が思い付く他の修正を含み得る。このような他の修正は、請求項の文字通りの記載とは異ならない類似の要素を有する場合、又は文字通りの記載との非実質的な相違を有する均等要素を含む場合、範囲に含まれることが意図されている。

0107

しかしながら、保護範囲がこのようなプログラムに、及びメッセージを有するコンピュータ可読手段に加えて拡張されることが理解される。このようなコンピュータ可読記憶手段は、プログラムがサーバ又はモバイル装置又は任意の適切なプログラム可能装置で実行される場合に、方法の1つ以上のステップを実装するためのプログラムコード手段を含む。ハードウェア装置は、例えば、サーバ又はパーソナルコンピュータ等、又はこれらの任意の組み合わせ等の任意の種類のコンピュータを含むプログラム可能な任意の種類の装置であり得る。また、装置は、例えば、ASIC(application−specific integrated circuit)、FPGA(field−programmable gate array)等のハードウェア手段、又はハードウェアとソフトウェア手段の組み合わせ、例えば、ASICとFPGA、又は少なくとも1つのマイクロプロセッサ、及びその中にソフトウェアモジュールが位置する少なくとも1つのメモリ等であり得る。従って、手段は、ハードウェア手段及びソフトウェア手段の両方を含み得る。本明細書に記載の方法の実施形態は、ハードウェア及びソフトウェアで実装され得る。また、装置は、ソフトウェア手段を含んでもよい。代替的に、本発明は、例えば、複数のCPUを使用して、異なるハードウェア装置で実装されてもよい。

0108

本明細書の実施形態は、ハードウェア及びソフトウェア要素を含み得る。ソフトウェアで実装される実施形態は、限定されないが、ファームウェア常駐ソフトウェアマイクロコード等を含む。本明細書に記載された本開示のシステムを含む様々なモジュールにより実行される機能は、他のモジュール又は他のモジュールの組み合わせで実行されてもよい。この記載の目的で、コンピュータ使用可能又はコンピュータ可読媒体は、命令実行システム、装置、又は機器により又はこれらと接続して使用されるプログラムを含む、記憶する、通信する、伝播する、又は搬送することができる任意の装置であり得る。本明細書に記載の様々なモジュールは、ソフトウェア及び/又はハードウェアモジュールとして実装されてもよく、任意のタイプの一時的でないコンピュータ可読媒体又は他の記憶装置に記憶されてもよい。一時的でないコンピュータ可読媒体の一部の非限定的な例は、CD、DVD、BLU−RAY、フラッシュメモリ、及びハードディスクドライブを含む。

0109

プログラムコードを記憶及び/又は実行するための適切なデータ処理システムは、システムバスを介してメモリ要素に直接又は間接的に結合される少なくとも1つのプロセッサを含む。メモリ要素は、プログラムコードの実際の実行中に利用されるローカルメモリ大容量記憶装置、及び実行中に大容量記憶装置からコードを取得しなければならない回数を減らすために少なくとも一部のプログラムコードを一時的に記憶するキャッシュメモリを含み得る。

0110

更に、処理ステップ、方法ステップ、技術又は同類が連続した順番に記載されている場合があるが、このような処理、方法及び技術は、別の順番で機能するように構成されてもよい。言い換えれば、記載され得る任意の順序又は順番は、ステップがその順番で実行される要件を必ずしも示していない。本明細書に記載の処理のステップは、任意の実際の順番で実行されてもよい。更に、何らかのステップが同時に実行されてもよい。

0111

先の記載は、様々な実施形態を参照して提示されている。本願が属する技術分野の当業者であれば、記載された構造及び動作の方法の代替及び変化が原理、精神及び範囲から有意に逸脱することなく行われ得ることを理解するであろう。

ページトップへ

この技術を出願した法人

この技術を発明した人物

ページトップへ

関連する挑戦したい社会課題

関連する公募課題

ページトップへ

技術視点だけで見ていませんか?

この技術の活用可能性がある分野

分野別動向を把握したい方- 事業化視点で見る -

(分野番号表示ON)※整理標準化データをもとに当社作成

ページトップへ

おススメ サービス

おススメ astavisionコンテンツ

新着 最近 公開された関連が強い技術

この 技術と関連性が強い人物

関連性が強い人物一覧

この 技術と関連する社会課題

関連する挑戦したい社会課題一覧

この 技術と関連する公募課題

関連する公募課題一覧

astavision 新着記事

サイト情報について

本サービスは、国が公開している情報(公開特許公報、特許整理標準化データ等)を元に構成されています。出典元のデータには一部間違いやノイズがあり、情報の正確さについては保証致しかねます。また一時的に、各データの収録範囲や更新周期によって、一部の情報が正しく表示されないことがございます。当サイトの情報を元にした諸問題、不利益等について当方は何ら責任を負いかねることを予めご承知おきのほど宜しくお願い申し上げます。

主たる情報の出典

特許情報…特許整理標準化データ(XML編)、公開特許公報、特許公報、審決公報、Patent Map Guidance System データ