特許 6692565 ＦＴ図生成装置、トラブルシューティング用フロー図生成装置およびプログラム

(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】6692565

(24)【登録日】2020年4月17日

(45)【発行日】2020年5月13日

(54)【発明の名称】ＦＴ図生成装置、トラブルシューティング用フロー図生成装置およびプログラム

(51)【国際特許分類】

   G06F 16/90 20190101AFI20200427BHJP

   G06Q 10/00 20120101ALI20200427BHJP

   G06N 3/04 20060101ALI20200427BHJP

   G06F 30/27 20200101ALI20200427BHJP

   G06F 30/10 20200101ALI20200427BHJP

【ＦＩ】

   G06F16/90 100

   G06Q10/00 300

   G06N3/04 154

   G06F17/50 604D

   G06F17/50 606D

【請求項の数】6

【全頁数】14

(21)【出願番号】特願2019-60514(P2019-60514)

(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

Ｇ０６Ｆ ３０／１０

Ｇ０６Ｆ ３０／２７

Ｇ０６Ｎ ３／０４

Ｇ０６Ｑ １０／００

(57)【特許請求の範囲】

【請求項1】

作業機械に関する複数のトラブル事例から前記作業機械に関するＦＴ図を生成するＦＴ図生成装置であって、
前記複数の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し、前記第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、
複数の前記事象群間における同様の前記事象同士を統合することにより前記複数の事象群をツリー状に形成する統合部と、
前記複数のトラブル事例を単語ごとに分割する形態素解析部と、
単語ごとに分割された前記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、当該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、
単語ごとに分割された前記トラブル事例を、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、前記事象ごとの分散表現ベクトルに変換する文章ベクトル化部と、
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同士のコサイン類似度に基づいて、前記事象同士の類似度を算出する類似度算出部と、を備え、
前記統合部は、所定以上の類似度が算出された前記事象同士を統合する
ことを特徴とするＦＴ図生成装置。

【請求項2】

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の和または平均である
ことを特徴とする請求項１に記載のＦＴ図生成装置。

【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図生成装置。

【請求項4】

作業機械に関するトラブルシューティング用フロー図生成装置であって、
前記作業機械に関する複数のトラブル事例から前記作業機械に関するＦＴ図を生成するＦＴ図生成装置を備え、
前記ＦＴ図生成装置は、
前記複数の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し、前記第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、
複数の前記事象群間における同様の前記事象同士を統合することにより前記複数の事象群をツリー状に形成する統合部と、を有し、
前記フロー図生成装置は、さらに、
前記複数の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、
前記トラブル事例が入力されると前記トラブル事例ごと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し、前記第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、
前記統合部は、さらに、複数の前記事象群間における同様の前記処置を統合する
ことを特徴とするフロー図生成装置。

【請求項5】

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４に記載のフロー図生成装置。

【請求項6】

コンピュータを請求項１〜５のいずれか１項に記載の生成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】

作業機械のトラブル事例に基づいて、ＦＴ図を生成するＦＴ図生成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生成装置ならびにコンピュータをＦＴ図生成装置もしくはトラブルシューティング用フロー図生成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】

ＦＴ図を作成するための資料としては、作業機械のサービスマンが作成した資料が使用されている。作業機械に事故や故障が生じた場合、サービスマンは、作業機械になんらかの処置を行うことにより解決する。サービスマンは、通常、このようなトラブル事例を報告書などによって記録しており、その記録（以下、「トラブル事例」という）が蓄積されていく。

【0004】

ところで、これら複数のトラブル事例をもとにＦＴ図を作成することは、時間を要するし面倒である。したがって、例えば、特許文献１および特許文献２に開示のプログラムのように、ＦＴ図作成を支援するプログラムが開発されてきた。

【0005】

特許文献１に開示のプログラムでは、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。

【0006】

ただし、これら特許文献１および特許文献２に開示のプログラムでは、予め作業者によって、ＦＴ図作成のための用語群のデータがトラブル事例から作成されていなければならない。すなわち、作業者は、表計算ソフト等を用いて手作業により、トラブル事例からトップ事象、中間事象および基本事象ならびにそれらの因果関係を抽出するとともに予めデータ化しておかなければならない。これらの作業は、非常に手間であり、時間を要するので問題であった。

【0007】

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好ましい。しかしながら、このようなトラブルシューティング用フロー図を作成することは、非常に手間であり、時間を要するので問題であった。

【先行技術文献】

【特許文献】

【0008】

【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】

【0009】

そこで、本発明が解決しようとする課題は、トラブル事例から直接的にＦＴ図を生成することができるＦＴ図生成装置およびトラブルシューティング用フロー図生成装置ならびに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】

【0010】

上記課題を解決するために本発明に係るＦＴ図生成装置は、
作業機械に関する複数のトラブル事例から前記作業機械に関するＦＴ図を生成するＦＴ図生成装置であって、
前記複数の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し、前記第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、
複数の前記事象群間における同様の前記事象同士を統合することにより前記複数の事象群をツリー状に形成する統合部と、
前記複数のトラブル事例を単語ごとに分割する形態素解析部と、
単語ごとに分割された前記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、当該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、
単語ごとに分割された前記トラブル事例を、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、前記事象ごとの分散表現ベクトルに変換する文章ベクトル化部と、
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同士のコサイン類似度に基づいて、前記事象同士の類似度を算出する類似度算出部と、を備え、
前記統合部は、所定以上の類似度が算出された前記事象同士を統合することを特徴とする。

【0012】

上記ＦＴ図生成装置は、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の和または平均である。

【0013】

上記ＦＴ図生成装置は、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。

【0014】

上記課題を解決するために本発明に係るトラブルシューティング用フロー図生成装置は、
作業機械に関するトラブルシューティング用フロー図生成装置であって、
前記作業機械に関する複数のトラブル事例から前記作業機械に関するＦＴ図を生成するＦＴ図生成装置を備え、
前記ＦＴ図生成装置は、
前記複数の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し、前記第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、
複数の前記事象群間における同様の前記事象同士を統合することにより前記複数の事象群をツリー状に形成する統合部と、を有し、
前記フロー図生成装置は、さらに、
前記複数の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、
前記トラブル事例が入力されると前記トラブル事例ごと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し、前記第２因果関係を抽出する第２因果関係抽出部と、を備え、
前記連結部が、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、
前記統合部が、さらに、複数の前記事象群間における同様の前記処置を統合することを特徴とする。

【0015】

上記フロー図生成装置は、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いずれかの生成装置として機能させる。

【発明の効果】

【0017】

本発明に係るＦＴ図生成装置は、トラブル事例から直接的にＦＴ図を生成することができる。また、本発明に係るＦＴ図生成装置を備えたフロー図生成装置は、トラブル事例から直接的にトラブルシューティング用フロー図を生成することができる。

【図面の簡単な説明】

【0018】

【図1】本発明のＦＴ図生成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図生成装置の機能ブロック図である。

【図4】ＡおよびＢは生成された事象群の一例を示し、Ｃは事象が統合されツリー形状にされた事象群の一例を示す。

【図5】図１のＦＴ図生成装置の処理動作を示すフロー図である。

【図6】図１のＦＴ図生成装置によって生成されたＦＴ図の一例である。

【図7】本発明のフロー図生成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8】図７のフロー図生成装置の機能ブロック図である。

【図9】図７のフロー図生成装置の処理動作を示すフロー図である。

【図10】図７のフロー図生成装置によって生成されたフロー図の一例である。

【発明を実施するための形態】

【0019】

＜第１実施形態＞
＜ＦＴ図生成装置＞
以下、図を参照しつつ、本発明のＦＴ図生成装置Ａ１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。

【0020】

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図生成プログラムＰ１によって、報告書３００に記載されている複数のトラブル事例３００ｂ（図２参照）が入力されるとＦＴ図を生成するＦＴ図生成装置として機能するように構成されている。

【0021】

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図生成プログラム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、複数の報告書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図生成プログラム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図生成装置の動作結果などを出力する。

【0022】

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。

【0023】

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。

【0024】

図３は、ＦＴ図生成装置Ａ１のブロック図である。ＦＴ図生成装置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、文章ベクトル化部６と、類似度算出部７と、統合部８と、を備える。

【0025】

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。

【0026】

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、単語ごとに分割された複数のトラブル事例３００ｂ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。

【0027】

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。

【0028】

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、例えば、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、入力データが複数のトラブル事例３００ｂであり、正解データがトラブル事例３００ｂ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。

【0029】

第１因果関係抽出部４は、トラブル事例３００ｂごと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、入力データが各トラブル事例３００ｂであり、正解データがトラブル事例３００ｂごと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。

【0030】

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Ｅを生成する。

【0031】

図４Ａ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。

【0032】

文章ベクトル化部６は、類似度算出部７が事象ごとの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、事象ごとの分散表現ベクトルに変換する。文章ベクトル化部６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６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。

【0033】

類似度算出部７は、文章ベクトル化部６によって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、事象同士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。

【0034】

統合部８は、複数の事象群Ｅ間における同様の事象を統合することにより事象群Ｅをツリー状に形成する。統合部８は、例えば、図４ＡおよびＢに示すように、連結部５によって事象群ＥａおよびＥｂが生成されている場合、事象群ＥａおよびＥｂに含まれている「エンジンが掛からない」という同様の事象を統合することにより、図４Ｃに示すように、事象群Ｅａおよび事象群Ｅｂをツリー状の事象群Ｅｃに形成する。

【0035】

統合部８は、ある事象同士の類似度が所定以上の類似度であった場合、この事象同士を同様の事象であると判断して統合する。

【0036】

次に、図５のフロー図を参照して、ＦＴ図生成装置Ａ１の処理動作について説明する。

【0037】

まず、形態素解析部１が、複数のトラブル事例３００ｂを形態素解析し、単語ごとに分割する（Ｓ５００）。

【0038】

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（Ｓ５０１）。

【0039】

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（Ｓ５０２）。

【0040】

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（Ｓ５０３）。

【0041】

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Ｅを生成する（Ｓ５０４）。

【0042】

次いで、文章ベクトル化部６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、事象ごとの分散表現ベクトルに変換する（Ｓ５０５）。

【0043】

次いで、類似度算出部７が、事象ごとの分散表現ベクトル同士のコサイン類似度に基づいて、事象同士の類似度を算出する（Ｓ５０６）。

【0044】

次いで、統合部８が、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、この事象同士を統合して、関連する事象群Ｅをツリー状に形成する（Ｓ５０７）。

【0045】

図６は、ＦＴ図生成装置Ａ１によって生成されたＦＴ図４００の一例を示す。以上のように、ＦＴ図生成装置Ａ１は、複数のトラブル事例から直接的にＦＴ図４００を生成することができる。

【0046】

＜第２実施形態＞
＜トラブルシューティング用フロー図生成装置＞
次に、本発明に係るＦＴ図生成装置Ａ１を備えたトラブルシューティング用フロー図生成装置（以下、単に「フロー図生成装置」という）Ａ２の一実施形態について、図７〜図１０を参照して説明する。なお、コンピュータＣおよびフロー図生成装置Ａ２が備えているＦＴ図生成装置Ａ１の各構成については、既に説明したものであるので詳細な説明を省略する。

【0047】

図７に示すように、本実施形態に係るコンピュータＣは、フロー図生成プログラムＰ２によって、トラブル事例３００ｂが入力されるとトラブルシューティング用フロー図を生成するトラブルシューティング用フロー図生成装置として機能するように構成されている。

【0048】

図８に示すように、フロー図生成装置Ａ２は、ＦＴ図生成装置Ａ１と、処置抽出部９と、第２因果関係抽出部１０と、を備える。

【0049】

まず、第１実施形態と同様の手法で、形態素解析部１が、複数のトラブル事例３００ｂを形態素解析して単語ごとに分割し（Ｓ８００）、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（Ｓ８０１）。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３００ｂから、事象抽出部３が事象を抽出し（Ｓ８０２）、第１因果関係抽出部４が第１因果関係を抽出する（Ｓ８０３）。

【0050】

次いで、処置抽出部９は、単語ごとに分散表現ベクトル化されたトラブル事例３００ｂから処置を抽出する（Ｓ８０４）。処置抽出部９は、例えば、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）９０を有してもよい。この場合、教師データは、入力データが複数のトラブル事例３００ｂであり、正解データがトラブル事例３００ｂ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５ＮＮ９０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５ＮＮ９０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。

【0051】

次いで、第２因果関係抽出部１０は、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、トラブル事例３００ｂごと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（Ｓ８０５）。第２因果関係抽出部１０は、トラブル事例３００ｂ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）１００を有する。教師データは、入力データが各トラブル事例３００ｂであり、正解データがトラブル事例３００ｂごと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４ＮＮ１００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４ＮＮ１００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。

【0052】

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するとともに（Ｓ８０６）、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（Ｓ８０７）、処置が連結された事象群Ｅを生成する。

【0053】

次いで、文章ベクトル化部６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、事象ごとまたは処置ごとの分散表現ベクトルに変換する（Ｓ８０８）。

【0054】

次いで、類似度算出部７は、事象ごとの分散表現ベクトル同士のコサイン類似度に基づいて、事象同士の類似度を算出するとともに、処置ごとの分散表現ベクトル同士のコサイン類似度に基づいて、処置同士の類似度を算出する（Ｓ８０９）。

【0055】

統合部８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、同様の事象同士および処置同士を統合して、関連する事象群Ｅをツリー状に形成する（Ｓ８１０）。

【0056】

図１０は、フロー図生成装置Ａ２により生成されたトラブルシューティング用フロー図５００の一例を示す。以上のように、フロー図生成装置Ａ２は、トラブル事例３００ｂから直接的にトラブルシューティング用フロー図５００を生成することができる。

【0057】

以上、本発明に係るＦＴ図生成装置Ａ１およびフロー図生成装置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。

【0058】

ＦＴ図生成装置Ａ１およびフロー図生成装置Ａ２は、それぞれ生成したＦＴ図、フロー図を編集する編集部を備えていてもよい。

【符号の説明】

【0059】

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 文章ベクトル化部
７ 類似度算出部
８ 統合部
９ 処置抽出部
９０ 学習済み第５ニューラルネットワーク
１０ 第２因果関係抽出部
１００ 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
４００ ＦＴ図
５００ 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図生成装置
Ａ２ トラブルシューティング用フロー図生成装置

【要約】

【課題】トラブル事例から直接的にＦＴ図を生成するＦＴ図生成装置およびプログラムを提供する。
【解決手段】ＦＴ図生成装置Ａ１は、作業機械に関する複数のトラブル事例３００ｂから作業機械に関するＦＴ図を生成する。ＦＴ図生成装置Ａ１は、複数のトラブル事例３００ｂから事象を抽出する事象抽出部３と、トラブル事例３００ｂごとの事象同士の第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、複数の事象群間における同様の事象同士を統合することにより事象群をツリー状に形成する統合部８と、を備える。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、トラブル事例３００ｂごとの事象同士の第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（第１ＮＮ）４０を有する。
【選択図】図３

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】