特許 6667701 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

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】6667701

(24)【登録日】2020年2月27日

(45)【発行日】2020年3月18日

(54)【発明の名称】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

(51)【国際特許分類】

   G06F 16/90 20190101AFI20200309BHJP

   G06Q 10/00 20120101ALI20200309BHJP

【ＦＩ】

   G06F16/90 100

   G06Q10/00 300

【請求項の数】11

【全頁数】16

(21)【出願番号】特願2019-60515(P2019-60515)

(22)【出願日】2019年3月27日

【審査請求日】2019年3月28日

(73)【特許権者】

【識別番号】000232807

【氏名又は名称】三菱ロジスネクスト株式会社

(74)【代理人】

【識別番号】110000475

【氏名又は名称】特許業務法人みのり特許事務所

(72)【発明者】

【氏名】野▲崎▼ 誠

(72)【発明者】

【氏名】鬼木 秀隆

(72)【発明者】

【氏名】中島 潤

(72)【発明者】

【氏名】高橋 真司

【審査官】 後藤 彰

(56)【参考文献】

【文献】 特開２００９−３０１１３４（ＪＰ，Ａ）

(58)【調査した分野】（Int.Cl.，ＤＢ名）

Ｇ０６Ｆ １６／９０

Ｇ０６Ｑ １０／００

(57)【特許請求の範囲】

【請求項1】

作業機械に関するＦＴ図を更新するＦＴ図更新装置であって、
トラブル事例から事象を抽出する事象抽出部と、
前記トラブル事例の前記事象同士の第１因果関係を抽出する第１因果関係抽出部と、
抽出された前記第１因果関係に対応する前記事象をトップダウン的に連結して事象群を生成する連結部と、
生成された事象群を前記ＦＴ図に組み入れる組入部と、
前記ＦＴ図中の事象と前記抽出された事象との類似度を算出する類似度算出部と、
前記類似度算出部によって所定以上の類似度が算出された事象同士を統合し、前記ＦＴ図の事象群と連結部によって生成された事象群とを連結する統合部と、を備える
ことを特徴とするＦＴ図更新装置。

【請求項2】

前記第１因果関係抽出部は、前記トラブル事例が入力されると、前記トラブル事例ごとの前記事象同士の前記第１因果関係を抽出するように第１教師データを用いて機械学習された学習済み第１ニューラルネットワークを有する
ことを特徴とする請求項１に記載のＦＴ図更新装置。

【請求項3】

前記事象抽出部は、前記トラブル事例が入力されると、当該トラブル事例に含まれている前記事象を抽出するように第２教師データを用いて機械学習された学習済み第３ニューラルネットワークを有する
ことを特徴とする請求項１または２に記載のＦＴ図更新装置。

【請求項4】

過去の複数のトラブル事例を学習用データとしてニューラルネットワークを用いて教師なし学習され、単語が入力されると、前記入力された単語の意味に対応する分散表現ベクトルを出力する学習済み第２ニューラルネットワークと、
前記トラブル事例が入力されると、前記入力されたトラブル事例を単語ごとに分割する形態素解析部と、
前記単語ごとに分割されたトラブル事例を、前記学習済み第２ニューラルネットワークによって単語ごとに分散表現ベクトル化する単語ベクトル化部と、
前記抽出された事象を、当該事象に含まれている単語ごとの分散表現ベクトルに基づいて、事象単位で分散表現ベクトルに変換する文章ベクトル化部と、
前記ＦＴ図中の事象を分散表現ベクトル化して記憶している記憶部と、をさらに備え、
前記類似度算出部は、前記文章ベクトル化部によって分散表現ベクトル化された前記事象と前記記憶部に記憶されている前記事象とのコサイン類似度に基づいて、類似度を算出する
ことを特徴とする請求項１〜３のいずれか１項に記載のＦＴ図更新装置。

【請求項5】

前記入力された単語の意味に対応する分散表現ベクトルは、前記入力された単語がＮ−ｇｒａｍ分割されて抽出されたサブワードの分散表現ベクトルに基づく
ことを特徴とする請求項４に記載のＦＴ図更新装置。

【請求項6】

前記作業機械に関するトラブルシューティング用フロー図更新装置であって、
前記トラブルシューティング用フロー図は、図中の基本事象に対応する処置が連結された前記ＦＴ図によって構成されており、
請求項４または５に記載のＦＴ図更新装置と、
前記トラブル事例に含まれている前記事象に対して行われた処置を抽出する処置抽出部と、
前記トラブル事例の前記処置と当該処置に対応する前記事象との第２因果関係を抽出する第２因果関係抽出部と、を備え、
前記連結部は、さらに、前記第２因果関係に基づいて、前記事象群中の前記事象に前記処置をトップダウン的に連結し、
前記類似度算出部は、さらに、前記フロー図中の前記処置と前記抽出された処置との類似度を算出し、
前記統合部は、さらに、前記類似度算出部によって所定以上の類似度が算出された処置同士を統合する
ことを特徴とするフロー図更新装置。

【請求項7】

前記第２因果関係抽出部は、前記トラブル事例が入力されると、前記第２因果関係を抽出するように第３教師データを用いて機械学習された学習済み第４ニューラルネットワークを有する、
ことを特徴とする請求項６に記載のフロー図更新装置。

【請求項8】

前記処置抽出部は、前記トラブル事例が入力されると、当該トラブル事例に含まれている前記処置を抽出するように第４教師データを用いて機械学習された学習済み第５ニューラルネットワークを有する
ことを特徴とする請求項６または７に記載のフロー図更新装置。

【請求項9】

前記記憶部は、さらに、前記フロー図中の前記処置を分散表現ベクトル化して記憶しており、
前記文章ベクトル化部は、さらに、前記抽出された処置を当該処置に含まれている単語ごとの分散表現ベクトルに基づいて、前記処置単位で分散表現ベクトルに変換し、
前記類似度算出部は、さらに、前記文章ベクトル化部によって分散表現ベクトル化された前記処置と前記記憶部に記憶されている前記処置とのコサイン類似度に基づいて、類似度を算出する
ことを特徴とする請求項６〜８のいずれか１項に記載のフロー図更新装置。

【請求項10】

前記トラブル事例は、前記作業機械に係る報告書の記載またはユーザ同士の通信ログからなる
ことを特徴とする請求項１〜９のいずれか１項に記載の更新装置。

【請求項11】

コンピュータを請求項１〜１０のいずれか１項に記載の更新装置として機能させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

作業機械の新たなトラブル事例に基づいて、ＦＴ図を更新するＦＴ図更新装置およびそれを備えたトラブルシューティング用フロー図更新装置ならびにコンピュータをＦＴ図更新装置もしくはトラブルシューティング用フロー図更新装置またはその両方として機能させるプログラムに関する。

【背景技術】

【0002】

作業機械等に生じた事故や故障を解析する手法としてＦＴＡ（Fault Tree Analysis）が知られている。ＦＴＡは、故障木解析とも言われている。ＦＴＡは、トップ事象に関連する事象をトップダウン的にツリー構造に表現するＦＴ図を用いる。トップ事象には、例えば、作業機械に生じた事故や故障が相当する。ＦＴ図では、トップ事象に関連する事象のうち１番下位の事象が基本事象とされ、トップ事象でも基本事象でもない事象が中間事象とされる。ＦＴ図では、１つの事象に対して直接的に関連する事象が複数存在する場合、すわなち、１次事象、２次事象…ｎ次事象が並列的に複数存在する場合がある。

【0003】

このようなＦＴ図を作成するための装置として、例えば、特許文献１および特許文献２に開示の装置がある。特許文献１に開示の装置では、技術分野別に用語群が予め記憶されており、ＦＴ図作成者は、用語群のリストから該当する事象をトップダウン的に次々と選択していくことによりＦＴ図を作成することができる。

【0004】

ところで、作業機械に生じた事故や故障に対して、未熟なサービスマンは、通常どのような処置をすればよいか容易に判断できない。また、このような未熟なサービスマンに対して、熟練のサービスマンが指導をすることは、時間および労力を要する。そこで、上記ＦＴ図を発展させて、作業機械に生じた事象に対して行うべき処置を参照可能なトラブルシューティング用フロー図が作成されることがあった。

【0005】

このようなＦＴ図またはトラブルシューティング用フロー図が作成されている作業機械に新たな事象が生じた場合には、ＦＴ図またはトラブルシューティング用フロー図を更新する必要がある。しかしながら、その都度、ＦＴ図またはフロー図を更新することは、時間を要するし面倒である。そこで、例えば、新しい事象、その原因および処置の記録（以下、「トラブル事例」という）から簡易にＦＴ図またはフロー図が更新されることが好ましい。しかしながら、特許文献１および特許文献２に開示の装置には、そのような点が考慮されていない。

【先行技術文献】

【特許文献】

【0006】

【特許文献1】特開２００１−１９５４３３号公報

【特許文献2】特開２０１３−０７３３８４号公報

【発明の概要】

【発明が解決しようとする課題】

【0007】

そこで、本発明が解決しようとする課題は、作業機械に新たな事象が生じた場合に、ＦＴ図またはトラブルシューティング用フロー図を簡易に更新することができる装置およびプログラムを提供することにある。

【課題を解決するための手段】

【0008】

上記課題を解決するために本発明に係るＦＴ図更新装置は、
作業機械に関するＦＴ図を更新するＦＴ図更新装置であって、
トラブル事例から事象を抽出する事象抽出部と、
前記トラブル事例の前記事象同士の第１因果関係を抽出する第１因果関係抽出部と、
抽出された前記第１因果関係に対応する前記事象をトップダウン的に連結して事象群を生成する連結部と、
生成された事象群を前記ＦＴ図に組み入れる組入部と、
前記ＦＴ図中の事象と前記抽出された事象との類似度を算出する類似度算出部と、
前記類似度算出部によって所定以上の類似度が算出された事象同士を統合し、前記ＦＴ図の事象群と連結部によって生成された事象群とを連結する統合部と、を備えることを特徴とする。

【0009】

上記ＦＴ図更新装置は、好ましくは、
前記第１因果関係抽出部が、前記トラブル事例が入力されると、前記トラブル事例ごとの前記事象同士の前記第１因果関係を抽出するように第１教師データを用いて機械学習された学習済み第１ニューラルネットワークを有する。

【0010】

上記ＦＴ図更新装置は、例えば、
前記事象抽出部が、前記トラブル事例が入力されると、当該トラブル事例に含まれている前記事象を抽出するように第２教師データを用いて機械学習された学習済み第３ニューラルネットワークを有する。

【0011】

上記ＦＴ図更新装置は、好ましくは、
過去の複数のトラブル事例を学習用データとしてニューラルネットワークを用いて教師なし学習され、単語が入力されると、前記入力された単語の意味に対応する分散表現ベクトルを出力する学習済み第２ニューラルネットワークと、
前記トラブル事例が入力されると、前記入力されたトラブル事例を単語ごとに分割する形態素解析部と、
前記単語ごとに分割されたトラブル事例を、前記学習済み第２ニューラルネットワークによって単語ごとに分散表現ベクトル化する単語ベクトル化部と、
前記抽出された事象を、当該事象に含まれている単語ごとの分散表現ベクトルに基づいて、事象単位で分散表現ベクトルに変換する文章ベクトル化部と、
前記ＦＴ図中の事象を分散表現ベクトル化して記憶している記憶部と、をさらに備え、
前記類似度算出部は、前記文章ベクトル化部によって分散表現ベクトル化された前記事象と前記記憶部に記憶されている前記事象とのコサイン類似度に基づいて、類似度を算出する。

【0012】

上記ＦＴ図更新装置は、好ましくは、
前記入力された単語の意味に対応する分散表現ベクトルが、前記入力された単語がＮ−ｇｒａｍ分割されて抽出されたサブワードの分散表現ベクトルに基づく。

【0013】

上記課題を解決するために、本発明に係る前記作業機械に関するトラブルシューティング用フロー図更新装置は
前記トラブルシューティング用フロー図が、図中の基本事象に対応する処置が連結された前記ＦＴ図によって構成されており、
上記ＦＴ図更新装置と、
前記トラブル事例に含まれている前記事象に対して行われた処置を抽出する処置抽出部と、
前記トラブル事例の前記処置と当該処置に対応する前記事象との第２因果関係を抽出する第２因果関係抽出部と、を備え、
前記連結部は、さらに、前記第２因果関係に基づいて、前記事象群中の前記事象に前記処置をトップダウン的に連結し、
前記類似度算出部は、さらに、前記フロー図中の前記処置と前記抽出された処置との類似度を算出し、
前記統合部は、さらに、前記類似度算出部によって所定以上の類似度が算出された処置同士を統合することを特徴とする。

【0014】

上記フロー図更新装置は、好ましくは、
前記第２因果関係抽出部が、前記トラブル事例が入力されると、前記第２因果関係を抽出するように第３教師データを用いて機械学習された学習済み第４ニューラルネットワークを有する。

【0015】

上記フロー図更新装置は、例えば、
前記処置抽出部が、前記トラブル事例が入力されると、当該トラブル事例に含まれている前記処置を抽出するように第４教師データを用いて機械学習された学習済み第５ニューラルネットワークを有する。

【0016】

上記フロー図更新装置は、好ましくは、
前記記憶部が、さらに、前記フロー図中の前記処置を分散表現ベクトル化して記憶しており、
前記文章ベクトル化部は、さらに、前記抽出された処置を当該処置に含まれている単語ごとの分散表現ベクトルに基づいて、前記処置単位で分散表現ベクトルに変換し、
前記類似度算出部は、さらに、前記文章ベクトル化部によって分散表現ベクトル化された前記処置と前記記憶部に記憶されている前記処置とのコサイン類似度に基づいて、類似度を算出する。

【0017】

上記フロー図更新装置は、例えば、
前記トラブル事例が、前記作業機械に係る報告書の記載またはユーザ同士の通信ログからなる。

【0018】

上記課題を解決するために、本発明に係るプログラムは、コンピュータを上記ＦＴ図更新装置または上記フロー図更新装置として機能させる。

【発明の効果】

【0019】

本発明に係るＦＴ図更新装置およびプログラムは、トラブル事例から簡易にＦＴ図を生成することができる。また、本発明に係るＦＴ図更新装置を備えたトラブルシューティング用フロー更新装置およびプログラムは、トラブル事例から簡易にトラブルシューティング用フロー図を更新することができる。

【図面の簡単な説明】

【0020】

【図1】本発明のＦＴ図更新装置の一実施形態の概略構成を示すブロック図である。

【図2】報告書の一例を示す図である。

【図3】図１のＦＴ図の一例を示す図である。

【図4】図１のＦＴ図更新装置の機能ブロック図である。

【図5】Ａは生成された事象群の一例を示し、ＢはＦＴ図中の事象群の一例を示し、ＣはＡの事象群がＢの事象群に統合されツリー状に形成された一例を示す図である。

【図6】図１のＦＴ図更新装置による更新後のＦＴ図の一例である。

【図7】図１のＦＴ図更新装置の処理動作を示すフロー図である。

【図8】本発明のフロー図更新装置の一実施形態の概略構成を示すブロック図である。

【図9】通信ログに係るチャットの一例を示す図である。

【図10】図８のフロー図の一例を示す図である。

【図11】図８のフロー図更新装置の機能ブロック図である。

【図12】図８のフロー図更新装置の処理動作を示すフロー図である。

【図13】図８のフロー図更新装置による更新後のフロー図の一例である。

【発明を実施するための形態】

【0021】

＜第１実施形態＞
＜ＦＴ図更新装置＞
以下、図を参照しつつ、本発明のＦＴ図更新装置Ａ１およびそのプログラムの一実施形態について説明する。なお、本実施形態における作業機械は、フォークリフトであるが、単なる一例であってこれに限定されない。

【0022】

図１は、本実施形態の概略を示す全体図である。コンピュータＣは、ＦＴ図更新プログラムＰ１によって、報告書３００の記載（図２参照）またはユーザ同士の通信ログの内容からなるトラブル事例が入力されるとＦＴ図４００ａを更新するＦＴ図更新装置Ａ１として機能するように構成されている。本実施形態では、トラブル事例は、報告書３００の記載に基づく。

【0023】

コンピュータＣは、入力部Ｃ１と、制御部Ｃ２と、メモリＣ３と、記憶部Ｃ４と、出力部Ｃ５と、を備える。記憶部Ｃ４は、ハードディスクなどからなり、ＯＳと、ＦＴ図４００ａと、分散ベクトル表現化されたＦＴ図４００ａ中の事象Ｄ１と、ＦＴ図更新プログラムＰ１を記憶している。入力部Ｃ１は、キーボード、スキャナなどからなり、報告書３００に記載されたトラブル事例３００ｂをコンピュータＣに入力する。制御部Ｃ２は、ＦＴ図更新プログラムＰ１を動作させる。出力部Ｃ５は、モニタ、プリンタなどからなり、入力されたトラブル事例３００ｂの内容、ＦＴ図更新装置Ａ１の動作結果などを出力する。

【0024】

図２は、報告書３００の一例を示す。報告書３００には、日付、件名、顧客名、担当者名、機種／型式および不具合内容といった項目とともにその内容が記載されている。不具合内容欄には、フォークリフトに生じた各事象とともに、担当者３００ａによって行われた処置が記録されている。本明細書におけるトラブル事例３００ｂとは、不具合内容欄に記載されている文章をいう。なお、トラブル事例３００ｂは、各担当者によって各事象が箇条書きで書かれていたり、各事例が接続詞や句読点で連結されていたりする。

【0025】

図２の報告書３００に記載されたトラブル事例３００ｂにおける各事象および処置は、次のとおりである。
・トップ事象：エンジンが掛からなかった。
・中間事象１（１次事象）：吸気系に異常があった。
・中間事象２（２次事象）：吸気ホースが潰れていた。
・基本事象：エアクリーナが目詰まりしていた。
・処置：エアクリーナ清掃／フィルタ交換をした。

【0026】

図３に、ＦＴ図４００ａの一例を示す。ＦＴ図４００ａは、過去の複数のトラブル事例から作成された更新前のＦＴ図４００ａである。ＦＴ図４００ａは、図２のトラブル事例３００ｂに含まれている事象の一部を含んでおらず、図２のトラブル事例３００ｂに含まれている事象の一部が新しいことを示している。

【0027】

図４は、ＦＴ図更新装置Ａ１のブロック図である。ＦＴ図更新装置Ａ１は、形態素解析部１と、単語ベクトル化部２と、事象抽出部３と、第１因果関係抽出部４と、連結部５と、組入部６と、文章ベクトル化部７と、類似度算出部８と、統合部９と、を備える。

【0028】

形態素解析部１は、トラブル事例３００ｂが入力されると、形態素解析する。これにより、トラブル事例３００ｂは、単語ごとにスペースを置いて分割され、分かち書き処理される。例えば、「エンジンが掛からなかった」という文章は、「エンジン」、「が」、「掛から」、「なかっ」、「た」と分割される。形態素解析するためのツールとして、例えば、「Mecab」を使用してもよい。また、予め作成されたフォークリフト用のコーパスを形態素解析ツールとして使用してもよい。これにより、トラブル事例３００ｂ中の各名詞が適切に抽出されるので好ましい。

【0029】

単語ベクトル化部２は、学習済み第２ニューラルネットワーク（以下、単に「第２ＮＮ」という）２０を有する。第２ＮＮ２０は、過去の複数のトラブル事例を学習用データとしてニューラルネットワークを用いて事前に教師なし学習されており、単語ごとに分割された複数のトラブル事例３００ｂが入力されると、複数のトラブル事例３００ｂに含まれている各単語同士の関連性に基づいて、この各単語の意味に対応する分散表現ベクトルを出力する。第２ＮＮ２０は、同一の事象に出現する可能性（共起性）が高い単語、または同一の事象において近い位置に出現する可能性が高い単語といった関連性の高い単語がそれぞれ入力された場合に、類似する分散表現ベクトルが出力されるように事前学習されている。これは、類似する文脈で出現する単語は、意味的にも類似しているという分布仮説（Harrs, 1954, Rubenstein & Goodenough,1965）に基づく。単語ベクトル化部２として、例えば、ニューラルネットワーク技術に基づく「Ｗｏｒｄ２Ｖｅｃ」、「Ｇｌｏｖｅ」、「Ｆａｓｔｔｅｘｔ」などの言語モデルが使用されてもよい。分散表現およびＷｏｒｄ２Ｖｅｃについては「MIKOLOV, Tomas, et al. Distributed representations of words and phrases and their compositionality. In: Advances in neural information processing systems. 2013. p. 3111-3119.」などを参照することができる。Ｇｌｏｖｅについては「PENNINGTON, Jeffrey; SOCHER, Richard; MANNING, Christopher D. Glove: Global Vectors for Word Representation. In: EMNLP. 2014. p. 1532-1543.」などを参照することができる。Ｆａｓｔｔｅｘｔについては「JOULIN, Armand, et al. Bag of tricks for efficient text classification. arXiv preprint arXiv:1607.01759, 2016.」などを参照することができる。

【0030】

学習済み第２ＮＮ２０は、各単語の分散表現ベクトルを出力する方法として、各単語に含まれるサブワードを考慮して分散表現ベクトルを生成することが好ましい。具体的には、単語ベクトル化部２は、入力された単語をＮ−ｇｒａｍ分割してサブワードを抽出し、入力された単語の意味に対応する分散表現ベクトルを、サブワードの分散表現ベクトルの和または平均とすることが好ましい。サブワードは、例えば、単語「吸気ホース」の場合、「吸」、「吸気」、「気ホ」、「ホー」、「ース」、「ス」が該当する。これにより、第２ＮＮ２０は、例えば、「吸気ホース」、「吸ホース」および「ホース」には、類似する分散表現ベクトルを出力するので、入力されるトラブル事例３００ｂの表記上のゆれおよび未知語にも対応することができる。サブワードを考慮して分散表現ベクトルを生成するツールとして、例えば、「Ｆａｓｔｔｅｘｔ」を用いてもよい。

【0031】

事象抽出部３は、トラブル事例３００ｂから事象を抽出する。事象抽出部３は、トラブル事例３００ｂが入力されると、当該トラブル事例３００ｂに含まれている事象を抽出するように教師データを用いて機械学習された学習済み第３ニューラルネットワーク（以下、単に「第３ＮＮ」という）３０を有してもよい。この場合、教師データは、入力データが過去の複数のトラブル事例であり、正解データが過去のトラブル事例ごとに含まれている事象である。この教師データが、本発明の「第２教師データ」に相当する。また、この場合、機械学習に使用される教師データは、単語ベクトル化部２によって予め分散表現ベクトル化されていることが好ましい。教師データに含まれている単語が、分散表現ベクトル化されていることにより、文脈情報を有するので機械学習において特徴を学習しやすいからである。第３ＮＮ３０は、ディープラーニングを利用し、かつ、畳み込みニューラルネットワークもしくは再帰型ニューラルネットワークまたはその両方を利用したものであってもよい。また、第３ＮＮ３０は、複数のニューラルネットワークから構成されアンサンブル学習されたものであってもよい。

【0032】

第１因果関係抽出部４は、トラブル事例３００ｂの事象同士の因果関係（以下、単に「第１因果関係」という）を抽出する。第１因果関係抽出部４は、トラブル事例３００ｂが入力されると、第１因果関係を抽出するように教師データを用いて機械学習された学習済み第１ニューラルネットワーク（以下、単に「第１ＮＮ」という）４０を有する。教師データは、入力データが過去の複数の各トラブル事例であり、正解データが入力データに含まれている事象同士の因果関係である。この教師データが、本発明の「第１教師データ」に相当する。なお、第１因果関係には、第１因果関係を有する事象同士のいずれが上位事象または下位事象であるかといった従属関係も含まれている。また、使用される教師データは、単語ベクトル化部２によって予め分散表現ベクトル化されている方が、機械学習の精度、効率の観点から好ましい。第１ＮＮ４０は、ディープラーニングを利用し、かつ、畳み込みニューラルネットワークもしくは再帰型ニューラルネットワークまたはその両方を利用したものであってもよい。また、第１ＮＮ４０は、複数のニューラルネットワークから構成されアンサンブル学習されたものであってもよい。

【0033】

連結部５は、事象抽出部３によって抽出された第１因果関係に対応する事象同士をトップダウン的に連結して事象群Ｅａを生成する。

【0034】

図５Ａに示すように、連結部５は、例えば、図２の報告書３００に係るトラブル事例３００ｂの場合、各事象を連結線によって連結して事象群Ｅａを生成する。

【0035】

組入部６は、連結部５によって生成された事象群ＥａをＦＴ図４００ａに組み入れる。

【0036】

文章ベクトル化部７は、類似度算出部８が類似度を算出することができるように、事象抽出部３が抽出した事象を、当該事象に含まれている単語ごとの分散表現ベクトルに基づいて、事象単位の分散表現ベクトルに変換する。文章ベクトル化部７は、事象を分散表現ベクトル化する手法として、事象に含まれている単語の分散表現ベクトルの平均を事象自体の特徴ベクトルとしてもよい。または、文章ベクトル化部７は、より精度よく事象を分散表現ベクトル化する手法として、ＳＣＤＶ（Sparse Composite Document Vectors）を用いた特徴ベクトル平均を用いてもよい。ＳＣＤＶについては、「Dheeraj Mekala et al.: SCDV : Sparse Composite Document Vectors using soft clustering over distributional representations, Proc of EMNLP, 2017」を参照することができる。

【0037】

類似度算出部８は、文章ベクトル化部７によって分散表現ベクトル化されたトラブル事例３００ｂ中の事象と、ＦＴ図４００ａ中の事象との類似度を算出する。ＦＴ図４００ａ中の事象は、予め形態素解析部１によって形態素解析され、単語ベクトル化部２によって単語ごとに分散化表現ベクトル化され、文章ベクトル化部７によって事象単位で分散化表現ベクトル化されている。分散表現ベクトル化された当該事象は、ＦＴ図４００ａ中の各事象と関連付けて記憶部Ｃ４に複数の事象Ｄ１として記憶されている。類似度算出部８は、分散表現ベクトル化されたトラブル事例３００ｂ中の事象と、事象Ｄ１とのコサイン類似度に基づいて、トラブル事例３００ｂ中の事象と、ＦＴ図４００ａ中の事象との類似度を算出する。コサイン類似度とは、ベクトル空間モデルにおいて、文書同士を比較する際に用いられる類似度計算手法である。コサイン類似度がベクトル同士の成す角度の近さを表現するので、事象同士は、コサイン類似度が１に近ければより類似しており、０に近ければより類似していないことになる。

【0038】

統合部９は、類似度算出部８によって所定以上の類似度が算出された事象同士を同様の事象と判定して統合し、当該事象が含まれているＦＴ図４００ａ中の事象群Ｅｂと連結部５によって生成された事象群Ｅａとを連結する。これにより、例えば、統合部９は、図５Ｂに示されているＦＴ図４００ａ中の事象群Ｅｂ中の事象および図５Ａに示されている事象「エンジンが掛からない」を統合することにより、事象群Ｅａを図５Ｃに示すようにツリー状の事象群Ｅｃに形成する。

【0039】

図６に示すように、ＦＴ図４００ａは、以上の工程によってＦＴ図４００ｂに更新される。

【0040】

次に、図７のフロー図を参照して、ＦＴ図更新装置Ａ１の処理動作について説明する。

【0041】

まず、形態素解析部１が、入力されたトラブル事例３００ｂを形態素解析し、単語ごとに分割する（Ｓ７００）。

【0042】

次いで、単語ベクトル化部２が、トラブル事例３００ｂに含まれている単語を分散表現ベクトル化する（Ｓ７０１）。

【0043】

次いで、事象抽出部３が、単語ごとに分散表現ベクトル化されたトラブル事例３００ｂから事象を抽出する（Ｓ７０２）。

【0044】

次いで、第１因果関係抽出部４が単語ごとに分散表現ベクトル化されたトラブル事例３００ｂから第１因果関係を抽出する（Ｓ７０３）。

【0045】

次いで、連結部５が第１因果関係に基づいて、抽出された事象同士を連結し、事象群Ｅａを生成する（Ｓ７０４）。

【0046】

次いで、組入部６が生成された事象群ＥａをＦＴ図４００ａに組み入れる（Ｓ７０５）。

【0047】

次いで、文章ベクトル化部７が、抽出された事象を、その含まれている単語ごとの分散表現ベクトルに基づいて、事象単位の分散表現ベクトルに変換する（Ｓ７０６）。

【0048】

次いで、類似度算出部８が、事象Ｄ１と抽出され分散表現ベクトル化された事象同士のコサイン類似度に基づいて、当該事象同士の類似度を算出する（Ｓ７０７）。

【0049】

次いで、統合部９が、所定以上の類似度が算出された事象同士を統合する（Ｓ７０８）。

【0050】

以上のように、ＦＴ図更新装置Ａ１は、新たなトラブル事象が発生した場合に、トラブル事例から直接的に新たな事象をＦＴ図４００ａに組み入れることにより、ＦＴ図４００ａを更新する。

【0051】

＜第２実施形態＞
＜トラブルシューティング用フロー図更新装置＞
次に、本発明に係るＦＴ図更新装置Ａ１を備えたトラブルシューティング用フロー図更新装置（以下、単に「フロー図更新装置」という）Ａ２の一実施形態について、図８〜図１３を参照して説明する。なお、コンピュータＣおよびフロー図更新装置Ａ２が備えているＦＴ図更新装置Ａ１の各構成のうち既に説明したものについては、同様の参照符号を付してそれらの詳細な説明を省略する。また、トラブルシューティング用フロー図（以下、単に「フロー図」という）５００ａ（図１０参照）は、ＦＴ図４００ａの基本事象に処置を連結させた図のことである。したがって、フロー図５００ａは、ＦＴ図４００ａを含んでおり、フロー図５００ａ中の事象とＦＴ図４００ａ中の事象とは同義である。

【0052】

図８に示すように、本実施形態に係るコンピュータＣは、フロー図更新プログラムＰ２によって、作業機械に係る通信ログ３０１が入力されるとフロー図５００ａを更新するフロー図更新装置Ａ２として機能するように構成されている。

【0053】

記憶部Ｃ４は、ＯＳと、フロー図５００ａと、フロー図更新プログラムＰ２と、分散ベクトル表現化されたフロー図５００ａ中の事象Ｄ１および処置Ｄ２と、を記憶している。

【0054】

フロー図５００ａ中の処置Ｄ２は、予め形態素解析部１によって形態素解析され、単語ベクトル化部２によって単語単位で分散化表現ベクトル化され、文章ベクトル化部７によって処置単位で分散化表現ベクトル化されている。分散表現ベクトル化された当該処置は、フロー図５００ａ中の各事象と関連付けて記憶部Ｃ４に複数の処置Ｄ２として記憶されている。

【0055】

図９に示すように、本実施形態における通信ログ３０１は、ユーザ同士のチャットのログであるが単なる一例であって、例えば、電子メールのログや、通話における音声を文字に変換したデータログであってもよい。通信ログ３０１の内容である３０１ａが本実施形態におけるトラブル事例に相当する。トラブル事例３０１ａにおける各事象および処置は、第１実施形態と同様である。

【0056】

図１０に、フロー図５００ａの一例を示す。フロー図５００ａは、過去の複数のトラブル事例から作成された更新前のフロー図５００ａである。フロー図５００ａは、図９のトラブル事例３０１ａに含まれている事象の一部および処置を含んでおらず、図９のトラブル事例３０１ａに含まれている事象の一部および処置が新しいことを示している。

【0057】

図１１に示すように、フロー図更新装置Ａ２は、ＦＴ図更新装置Ａ１と、処置抽出部１１と、第２因果関係抽出部１３と、を備える。

【0058】

まず、第１実施形態と同様の手法で、形態素解析部１が、トラブル事例３０１ａを形態素解析して単語ごとに分割し（Ｓ１２００）、単語ベクトル化部２が、それら単語をそれぞれ分散表現ベクトル化する（Ｓ１２０１）。次いで、第１実施形態と同様の手法で、単語ごとに分散表現ベクトル化されたトラブル事例３０１ａから、事象抽出部３が事象を抽出し（Ｓ１２０２）、第１因果関係抽出部４が第１因果関係を抽出する（Ｓ１２０３）。

【0059】

次いで、処置抽出部１１は、単語ごとに分散表現ベクトル化されたトラブル事例３０１ａから処置を抽出する（Ｓ１２０４）。処置抽出部１１は、トラブル事例３０１ａが入力されると、当該トラブル事例３０１ａに含まれている処置を抽出するように教師データを用いて機械学習された学習済み第５ニューラルネットワーク（以下、単に「第５ＮＮ」という）１１０を有してもよい。この場合、教師データは、入力データが過去の複数のトラブル事例であり、正解データが過去のトラブル事例ごとに含まれている処置である。この教師データが、本発明の「第４教師データ」に相当する。また、この場合、機械学習に使用される教師データは、単語ベクトル化部２によって予め分散表現ベクトル化されていることが好ましい。第５ＮＮ１１０は、ディープラーニングを利用し、かつ、畳み込みニューラルネットワークもしくは再帰型ニューラルネットワークまたはその両方を利用したものであってもよい。また、第５ＮＮ１１０は、複数のニューラルネットワークから構成されアンサンブル学習されたものであってもよい。

【0060】

次いで、第２因果関係抽出部１３は、単語ごとに分散表現ベクトル化されたトラブル事例３０１ａから、トラブル事例３０１ａの処置と当該処置に対応する事象との因果関係（以下、「第２因果関係」という）を抽出する（Ｓ１２０５）。第２因果関係抽出部１３は、トラブル事例３０１ａが入力されると、第２因果関係を抽出するように教師データを用いて機械学習された学習済み第４ニューラルネットワーク（以下、単に「第４ＮＮ」という）１３０を有する。教師データは、入力データが過去の複数の各トラブル事例であり、正解データが入力データに含まれている処置と当該処置に対応する事象との因果関係である。この教師データが、本発明の「第３教師データ」に相当する。また、使用される教師データは、単語ベクトル化部２によって予め分散表現ベクトル化されている方が、機械学習の精度、効率の観点から好ましい。第４ＮＮ１３０は、ディープラーニングを利用し、かつ、畳み込みニューラルネットワークもしくは再帰型ニューラルネットワークまたはその両方を利用したものであってもよい。また、第４ＮＮ１３０は、複数のニューラルネットワークから構成されアンサンブル学習されたものであってもよい。

【0061】

次いで、連結部５は、第１因果関係に基づいて、抽出された事象同士を連結して事象群Ｅを生成するとともに（Ｓ１２０６）、第２因果関係に基づいて、事象群Ｅ中の事象に処置をトップダウン的に連結し（Ｓ１２０７）、処置が連結された事象群Ｅａを生成する。

【0062】

次いで、組入部６は、生成された事象群Ｅａをフロー図５００ａに組み入れる（Ｓ１２０８）。

【0063】

次いで、文章ベクトル化部７が、抽出された事象および処置を、その含まれている単語ごとの分散表現ベクトルに基づいて、事象単位または処置単位の分散表現ベクトルに変換する（Ｓ１２０９）。

【0064】

次いで、類似度算出部８は、事象Ｄ１と抽出され分散表現ベクトル化された事象とのコサイン類似度に基づいて、当該事象同士の類似度を算出するとともに、処置Ｄ２と抽出され処置単位で分散表現ベクトル化された処置とのコサイン類似度に基づいて、当該処置同士の類似度を算出する（Ｓ１２１０）。

【0065】

統合部９は、所定以上の類似度が算出された事象同士および処置同士を同様の事象または同様の処置と判定し統合して、関連する事象群Ｅをツリー状に形成する（Ｓ１２１１）。

【0066】

図１３は、フロー図更新装置Ａ２によって更新されたフロー図５００ｂを示す。以上のように、フロー図更新装置Ａ２は、トラブル事例３０１ａから直接的にフロー図５００ａを更新することができる。

【0067】

以上、本発明に係るＦＴ図更新装置Ａ１およびフロー図更新装置Ａ２の実施形態について説明したが、本発明は上記実施形態に限定されるものではない。

【符号の説明】

【0068】

１ 形態素解析部
２ 単語ベクトル化部
２０ 学習済み第２ニューラルネットワーク
３ 事象抽出部
３０ 学習済み第３ニューラルネットワーク
４ 第１因果関係抽出部
４０ 学習済み第１ニューラルネットワーク
５ 連結部
６ 組入部
７ 文章ベクトル化部
８ 類似度算出部
９ 統合部
１１ 処置抽出部
１１０ 学習済み第５ニューラルネットワーク
１３ 第２因果関係抽出部
１３０ 学習済み第４ニューラルネットワーク
３００ 報告書
３００ｂ トラブル事例
３０１ 通信ログ
３０１ａ トラブル事例
４００ａ ＦＴ図
４００ｂ 更新されたＦＴ図
５００ａ トラブルシューティング用フロー図
５００ｂ 更新されたトラブルシューティング用フロー図
Ｃ コンピュータ
Ａ１ ＦＴ図更新装置
Ａ２ トラブルシューティング用フロー図更新装置

【要約】

【課題】作業機械に新たな事象が生じた場合に、ＦＴ図またはトラブルシューティング用フロー図を簡易に更新することができる装置およびプログラムを提供する。
【解決手段】ＦＴ図更新装置Ａ１は、作業機械に関するＦＴ図を更新する。ＦＴ図更新装置Ａ１は、トラブル事例３００ｂから事象を抽出する事象抽出部３と、トラブル事例３００ｂの事象同士の第１因果関係を抽出する第１因果関係抽出部４と、抽出された第１因果関係に対応する事象をトップダウン的に連結して事象群を生成する連結部５と、生成された事象群をＦＴ図に組み入れる組入部６と、ＦＴ図中の事象と抽出された事象との類似度を算出する類似度算出部８と、類似度算出部８によって所定以上の類似度が算出された事象同士を統合し、ＦＴ図の事象群と連結部５によって生成された事象群とを連結する統合部９と、を備える。
【選択図】図４

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】