特開 2022-100961 機械学習装置及び障害解析装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022100961

(43)【公開日】2022-07-06

(54)【発明の名称】機械学習装置及び障害解析装置

(51)【国際特許分類】

   G06F 11/07 20060101AFI20220629BHJP

   G06F 11/30 20060101ALI20220629BHJP

   G05B 23/02 20060101ALI20220629BHJP

【ＦＩ】

G06F11/07 190

G06F11/30 165

G05B23/02 302Y

【審査請求】未請求

【請求項の数】5

【出願形態】ＯＬ

(21)【出願番号】P 2020215268

(22)【出願日】2020-12-24

(71)【出願人】

【識別番号】000211307

【氏名又は名称】中国電力株式会社

(74)【代理人】

【識別番号】100106002

【弁理士】

【氏名又は名称】正林 真之

(74)【代理人】

【識別番号】100120891

【弁理士】

【氏名又は名称】林 一好

(72)【発明者】

【氏名】谷浦 努

【テーマコード（参考）】

3C223

5B042

【Ｆターム（参考）】

3C223AA02

3C223AA23

3C223BA01

3C223CC01

3C223DD01

3C223EA07

3C223EB04

3C223FF15

3C223FF16

3C223FF22

3C223FF24

3C223FF26

3C223FF42

3C223FF44

3C223HH02

5B042GB06

5B042JJ17

5B042JJ29

5B042KK14

5B042KK15

5B042KK17

5B042MA14

5B042MC08

5B042MC40

(57)【要約】

【課題】通信設備や回線設備に関する知識量を問わず、アラーム表示に基づいて障害を特定することが可能となる。
【解決手段】ネットワークを通じて取得される設備情報から通信設備又は回線設備の障害を識別するための学習モデルを構築する機械学習装置であって、ネットワークの監視装置３０で発生している設備情報としてのアラームに係る情報を第１入力データとして取得する第１入力データ取得手段１１１と、アラームに対応して発生している障害の判定結果を第１ラベルとして取得する第１ラベル取得手段１１２と、第１入力データと第１ラベルとの組を教師データとして教師あり学習を行うことにより、監視装置３０で発生しているアラームに対応する判定結果を生成するための第１学習モデルを構築する第１学習モデル構築手段１１３と、を備える。
【選択図】図３

【特許請求の範囲】

【請求項1】

ネットワークを通じて取得される設備情報から通信設備又は回線設備の障害を識別するための学習モデルを構築する機械学習装置であって、
前記ネットワークの監視装置で発生している前記設備情報としてのアラームに係る情報を第１入力データとして取得する第１入力データ取得手段と、
前記アラームに対応する障害の判定結果を第１ラベルとして取得する第１ラベル取得手段と、
前記第１入力データと前記第１ラベルとの組を教師データとして教師あり学習を行うことにより、前記監視装置で発生しているアラームに対応する前記判定結果を生成するための第１学習モデルを構築する第１学習モデル構築手段と、
を備える機械学習装置。

【請求項2】

前記通信設備としてのマイクロ波無線機からの出力波形に係る情報を第２入力データとして取得する第２入力データ取得手段と、
前記出力波形に対応する障害の判定結果を第２ラベルとして取得する第２ラベル取得手段と、
前記第２入力データと前記第２ラベルとの組を教師データとして教師あり学習を行うことにより、前記出力波形に対応する前記判定結果を生成するための第２学習モデルを構築する第２学習モデル構築手段と、
を更に備える、請求項１に記載の機械学習装置。

【請求項3】

請求項１又は請求項２に記載の機械学習装置で構築した前記第１学習モデルを用いた障害解析装置であって、
新たな前記アラームを取得するアラーム取得手段と、
前記アラーム取得手段によって取得されたアラームを、事前に登録されていたアラームと、事前に登録されていないアラームとに振り分けるアラーム振分手段と、
前記事前に登録されていないアラームと前記第１学習モデルとを用いて、前記障害の発生を判定する第１障害判定手段と、
を備える障害解析装置。

【請求項4】

前記第１障害判定手段は、前記障害に加えて、前記障害の発生確度を判定し、
前記障害の発生確度が１００％ではない場合に、前記障害の発生確度を高めるための確認事項を出力する確認事項出力手段を更に備える、請求項３に記載の障害解析装置。

【請求項5】

請求項２に記載の機械学習装置で構築した前記第２学習モデルを用いた障害解析装置であって、
前記事前に登録されていないアラームのログが、前記マイクロ波無線機からの出力が閾値を超えたことを示す場合に、前記出力波形と前記第２学習モデルとを用いて、前記障害の発生を判定する第２障害判定手段と、
を備え、
前記第１障害判定手段は、前記事前に登録されていないアラームのログが、前記出力が閾値を超えたことを示さない場合に、前記事前に登録されていないアラームと前記第１学習モデルとを用いて、前記障害の発生を判定する、請求項３又は請求項４に記載の障害解析装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、機械学習装置及び障害解析装置に関する。

【背景技術】

【0002】

発電所のネットワークで用いる通信設備や回線設備に障害が発生した場合に、ＮＭＳ（Ｎｅｔｗｏｒｋ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ）におけるアラーム表示、回線管理システムと関係事業所へのアラーム出力、及び疎通確認に基づいて故障箇所の特定を行っている。

【0003】

例えば、特許文献１は、セキュリティ・ユーティリティ・サーバ（ＳＵＳ）により、ネットワーク管理要素が、閾値および／または他の基準を設定し、閾値や基準を超えた場合、ＮＭＳに通知を送信するなどの、特定の動作をもたらす警告を出力すると共に、ネットワーク内のノードが異常検出機構で異常を検出する技術を開示している。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０２０－０１７３００号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかし、発電所のネットワークに含まれるＮＭＳにおけるアラーム表示に基づいて故障箇所を特定する場合、担当者の通信設備や回線設備に関する知識によって障害の特定に要する時間にばらつきが発生する。また、ＮＭＳにおけるアラームは、通信設備や回線設備に障害が発生した場合に出力されるのみならず、例えば停電作業や通信作業に伴って、通信設備や回線設備を停止する際にも出力される。このため、アラームが多く出力される作業中に、通信設備や回線設備における障害が発生すると、停電作業や通信作業などの作業に伴うアラーム表示に、障害の発生に伴うアラーム表示が紛れ込み、担当者は、運用箇所からの疎通障害連絡があるまで、障害の発生に伴うアラーム表示に気づかないことがある。

【0006】

本発明は、通信設備や回線設備に関する知識量を問わず、アラーム表示に基づいて自動的に障害を特定することが可能となる、機械学習装置及び障害解析装置を提供することを目的とする。

【課題を解決するための手段】

【0007】

前記目的を達成するため、本発明は、次に記載する構成を備えている。

【0008】

（１） ネットワークを通じて取得される設備情報から通信設備又は回線設備の障害を識別するための学習モデルを構築する機械学習装置であって、前記ネットワークの監視装置で発生している前記設備情報としてのアラームに係る情報を第１入力データとして取得する第１入力データ取得手段と、前記アラームに対応する障害の判定結果を第１ラベルとして取得する第１ラベル取得手段と、前記第１入力データと前記第１ラベルとの組を教師データとして教師あり学習を行うことにより、前記監視装置で発生しているアラームに対応する前記判定結果を生成するための第１学習モデルを構築する第１学習モデル構築手段と、を備える機械学習装置。

【0009】

（１）によれば、通信設備や回線設備に関する知識量を問わず、アラーム表示に基づいて自動的に障害を特定する機械学習装置を提供することが可能となる。

【0010】

（２） （１）に記載の機械学習装置において、前記通信設備としてのマイクロ波無線機からの出力波形に係る情報を第２入力データとして取得する第２入力データ取得手段と、前記出力波形に対応する障害の判定結果を第２ラベルとして取得する第２ラベル取得手段と、前記第２入力データと前記第２ラベルとの組を教師データとして教師あり学習を行うことにより、前記出力波形に対応する前記判定結果を生成するための第２学習モデルを構築する第２学習モデル構築手段と、を更に備えることが好ましい。

【0011】

（２）によれば、通信設備や回線設備に関する知識量を問わず、マイクロ波無線機からの出力波形に基づいて自動的に障害を特定する機械学習装置を提供することが可能となる。

【0012】

（３） （１）又は（２）に記載の機械学習装置で構築した前記第１学習モデルを用いた障害解析装置であって、新たな前記アラームを取得するアラーム取得手段と、前記アラーム取得手段によって取得されたアラームを、事前に登録されていたアラームと、事前に登録されていないアラームとに振り分けるアラーム振分手段と、前記事前に登録されていないアラームと前記第１学習モデルとを用いて、前記障害の発生を判定する第１障害判定手段と、を備える障害解析装置。

【0013】

（３）によれば、通信設備や回線設備に関する知識量を問わず、アラーム表示に基づいて自動的に障害を特定する障害解析装置を提供することが可能となる。

【0014】

（４） （３）に記載の障害解析装置において、前記第１障害判定手段は、前記障害に加えて、前記障害の発生確度を判定し、前記障害の発生確度が１００％ではない場合に、前記障害の発生確度を高めるための確認事項を出力する確認事項出力手段を更に備えることが好ましい。

【0015】

（４）によれば、第１学習モデルによる判定結果としての障害の発生確度を高めることが可能となる。

【0016】

（５） （３）又は（４）に記載の障害解析装置において、（２）に記載の機械学習装置で構築した前記第２学習モデルを用いた障害解析装置であって、前記事前に登録されていないアラームのログが、前記マイクロ波無線機からの出力が閾値を超えたことを示す場合に、前記出力波形と前記第２学習モデルとを用いて、前記障害の発生を判定する第２障害判定手段と、を備え、前記第１障害判定手段は、前記事前に登録されていないアラームのログが、前記出力が閾値を超えたことを示さない場合に、前記事前に登録されていないアラームと前記第１学習モデルとを用いて、前記障害の発生を判定することが好ましい。

【0017】

（５）によれば、通信設備や回線設備に関する知識量を問わず、マイクロ波無線機からの出力波形に基づいて自動的に障害を特定する障害解析装置を提供することが可能となる。

【発明の効果】

【0018】

本発明によれば、通信設備や回線設備に関する知識量を問わず、アラーム表示に基づいて障害を特定することが可能となる。

【図面の簡単な説明】

【0019】

【図1】本発明の実施形態に係る障害解析システムの全体構成を示す図である。

【図2】本発明の実施形態に係る機械学習装置に備わる第１学習部の機能ブロック図である。

【図3】本発明の実施形態に係る障害解析装置の機能ブロック図である。

【図4】本発明の実施形態に係る機械学習装置の動作を示すフローチャートである。

【図5】本発明の実施形態に係る機械学習装置の動作を示すフローチャートである。

【図6】本発明の実施形態に係る障害解析装置の動作を示すフローチャートである。

【発明を実施するための形態】

【0020】

以下、本発明の実施形態について、図１～図６を参照することにより説明する。

【0021】

〔１ 実施形態の構成〕
〔１．１ 全体構成〕
まず、本実施形態に係る障害解析システム１００の構成について説明する。図１は障害解析システム１００の全体構成を示す図である。障害解析システム１００は、図１に示すように、機械学習装置１０、障害解析装置２０、監視装置３０、端末装置４０、及びネットワーク５０を備えている。なお、機械学習装置１０、障害解析装置２０、監視装置３０、端末装置４０は、１台でも複数台でもよい。

【0022】

また、機械学習装置１０と、障害解析装置２０と、監視装置３０と、端末装置４０とは、それぞれネットワーク５０に接続されており、ネットワーク５０を介して相互に通信を行うことが可能である。ネットワーク５０は、例えば、ＬＡＮ（Local Area Network）や、インターネット、公衆電話網、あるいは、これらの組み合わせである。ネットワーク５０における具体的な通信方式や、有線接続及び無線接続のいずれであるか等については、特に限定されない。なお、機械学習装置１０と障害解析装置２０とは、ネットワーク５０を用いた通信ではなく、接続部を介して直接接続してもよく、障害解析装置２０と監視装置３０とは、接続部を介して直接接続してもよい。

【0023】

機械学習装置１０は、教師あり学習により、障害解析装置２０で用いる学習モデルを構築する装置である。そのため、機械学習装置１０は、図１に示すように、第１学習部１１と第２学習部１２を備える。

【0024】

障害解析装置２０は、後述の監視装置３０で検知されるアラームを、機械学習装置１０で構築された学習モデルに適用することにより、ＮＭＳで発生している障害を解析する装置である。

【0025】

監視装置３０は、例えばＮＭＳに備わる通信設備や回線設備等に発生している障害を、当該通信設備や回線設備等から取得したアラームに基づいて検知することで、ＮＭＳの状況を監視する装置である。

【0026】

端末装置４０は、障害解析装置２０から出力される障害解析結果や、監視装置３０から出力される監視結果を取得して表示すると共に、端末装置４０のユーザからの入力を、障害解析装置２０や監視装置３０に出力する装置である。端末装置４０は、例えばスマートフォンなどの携帯電話や、タブレットなどの携帯端末によって実現されることが好適であるが、これには限定されない。また、図１において、端末装置４０は、端末装置４０ａ～４０ｑの複数台が示されているがこれには限定されず、例えば１台のみ存在してもよい。

【0027】

〔１．２ 機械学習装置の構成〕
上記のように、機械学習装置１０は、第１学習部１１と第２学習部１２とを備える。第１学習部１１は、ＮＭＳの監視装置３０で発生しているアラームに係る情報から、ＮＭＳで発生している障害を判定するための第１学習モデルを構築する。第２学習部は、ＮＭＳに備わるマイクロ波無線機からの出力波形に係る情報から、ＮＭＳで発生している障害を判定するための第２学習モデルを構築する。

【0028】

図２は、第１学習部１１の機能ブロック図である。第１学習部１１は、図２に示すように、第１入力データ取得部１１１、第１ラベル取得部１１２、第１学習モデル構築部１１３、第１学習モデル記憶部１１４を備える。

【0029】

第１入力データ取得部１１１は、ＮＭＳの監視装置で発生しているアラームに係る情報を第１入力データとして取得する。なお、このアラームに係る情報としては、例えば、特定の発電所における「Ｎ１５０ＭＯＰＴ 高速セクション ＲＥＣ」というアラーム、「ＭＪ」というアラーム、「４ＷＶＡ１ 低速ＩＦ部 ＥＱＰ１」というアラーム、「故障一括」というアラーム、「装置異常」というアラームが挙げられる。

【0030】

なお、ここで、「Ｎ１５０ＭＯＰＴ」とは、通常回線の１５０Ｍ（１５０メガ）光送信部のことである。とりわけ「Ｎ」は「通常」の回線であることを意味し、通常回線が停止した際には、「Ｅ」（Ｅｍｅｒｇｅｎｃｙ）で示される予備系の回線に切り替わる。「ＯＰＴ」とは、発光・送信を示す。
また、「高速セクション」の「高速」とは、国際標準ＩＳＯで規定され、伝送速度ＳＴＭ－１（１５５．５２Ｍｂｐｓ）、ＳＴＭ－１６（２４８８．３２Ｍｂｐｓ）等、多くの種類が存在する、多重化速度が高速である高速回線を意味し、「セクション」とは、光多重化装置における高速回線が通っている領域・区間のことである。
また、「ＲＥＣ」とは、光入力断又はフレーム同期はずれ時に発生するアラーム出力表示である。
また、「４ＷＶＡ１」とは、光多重化装置における４Ｗ回線（主に音声信号、電話回線等）を収容する基板名である。
また、「低速ＩＦ部」とは、低速回線に使用されるインタフェースのことである。
また、「ＥＱＰ１」とは、「Ｅｑｕｉｐｍｅｎｔ（装置）１」の略号である。
また、「故障一括」とは、装置内でアラームが発生した際、該当装置を特定しやすくするために発報するアラームのことであり、アラームで確認した装置において、詳細なアラーム検証・確認が必要となる。
また、「装置異常」とは、装置全体ではなく、装置を構成するユニットの警報を通知するアラームのことであり、装置停止・回線停止は伴わないが、信頼性が低下している（例えば、冗長化されたシステムの場合、片方の系統が停止している等）状態を示す。

【0031】

第１ラベル取得部１１２は、アラームに対応する障害の判定結果を第１ラベルとして取得する。なお、この判定結果は、例えば、「Ｎ１５０ＭＯＰＴ」基板内のＩＣ不良、光心線不良、「４ＷＶＡ１」の基板故障、装置電源部の異常が挙げられる。

【0032】

第１学習モデル構築部１１３は、第１入力データと第１ラベルとの組を教師データとして教師あり学習を行うことにより、ＮＭＳの監視装置３０で発生しているアラームに係る情報から、ＮＭＳで発生している障害を判定するための第１学習モデルを構築し、構築した第１学習モデルを、障害解析装置２０に送信する。

【0033】

第１学習モデル構築部１１３は、例として、サポート・ベクター・マシン（Support Vector Machine、以下ＳＶＭともいう）を用いて実現することが可能である。例えば、サポート・ベクター・マシンに加えて、ロジスティック回帰式や正解率表を用いることにより、本実施形態によって構築される第１学習モデルは、アラームに対応する障害を判定するのみならず、各障害が発生している確度を出力することが好適である（例えば、高橋和子「サポートベクターマシンにおけるアンサンブル学習の提案」,第２３回人工知能学会全国大会）。

【0034】

この第１学習モデルは、例えば、複数のアラームの各々がＯＮとなっているかＯＦＦかの組み合わせに応じて、発生している障害と確度を判定するための学習モデルである。

【0035】

第１学習モデル記憶部１１４は、第１学習モデル構築部１１３が構築した学習モデルを記憶する。

【0036】

第２学習部１２は、第２入力データ取得部１２１、第２ラベル取得部１２２、第２学習モデル構築部１２３、第２学習モデル記憶部１２４を備える。なお、第２学習部１２の構成は、図２に示す第１学習部１１の構成と同様であるからその図示を省略する。

【0037】

第２入力データ取得部１２１は、ＮＭＳに備わる通信設備としてのマイクロ波無線機からの出力波形に係る情報を第２入力データとして取得する。

【0038】

第２ラベル取得部１２２は、上記の出力波形に対応する障害の判定結果を第２ラベルとして取得する。なお、この判定結果は、例えば、降雨や倒木等の事象であって良い。

【0039】

第２学習モデル構築部１２３は、第２入力データと第２ラベルとの組を教師データとして教師あり学習を行うことにより、ＮＭＳに備わるマイクロ波無線機からの出力波形に係る情報から、ＮＭＳで発生している障害を判定するための第２学習モデルを構築し、構築した第２学習モデルを、障害解析装置２０に送信する。この第２学習モデルは、例えば、降雨や倒木により、マイクロ波無線機からの出力波形が乱れた場合に、その乱れ具合に応じて、発生している障害が、例えば降雨であったり、あるいは倒木であったりすることを判定するための学習モデルである。

【0040】

〔１．３ 障害解析装置の構成〕
図３は、障害解析装置２０の機能ブロック図である。障害解析装置２０は、記憶部２１と、制御部２２と、通信部２３と、表示部２４とを備える。

【0041】

記憶部２１は、機械学習装置１０から取得した第１学習モデル及び第２学習モデルを記憶する。

【0042】

更に記憶部２１は、事前登録データベース２１１、アラーム障害対応データベース２１２、障害特性データベース２１３を格納する。

【0043】

事前登録データベース２１１は、停電作業や通信作業に伴って、通信設備や回線設備を停止することに伴って発生する作業アラームを事前に登録するデータベースである。例えば、障害解析装置２０のユーザは、端末装置４０から、作業アラームに係る情報を入力することにより、事前登録データベース２１１に、将来発生する作業アラームが登録される。

【0044】

アラーム障害対応データベース２１２は、アラームと、当該アラームに対応する障害との対応関係を定義するデータベースである。アラーム障害対応データベース２１２は、例えば、複数のアラームの各々がＯＮかＯＦＦかによる組み合わせと、発生している障害との対応関係を定義する。後述のように、実際に出力されている複数のアラームの組み合わせを、第１学習モデルに適用することにより、発生しているであろう障害とその確度が判定されるが、この際、アラーム障害対応データベース２１２を参照することにより、仮に当該障害が実際に発生しているのであれば、本来のアラームのＯＮ－ＯＦＦの組み合わせが分かる。これを実際に出力されている複数のアラームのＯＮ－ＯＦＦと比較することにより、本来であればＯＮとなっているはずのアラームが実際にはＯＦＦとなっていたり、あるいは、本来ＯＦＦとなっているはずのアラームが実際にはＯＮとなっていたりすることが判別される。

【0045】

障害特性データベース２１３は、発生している障害と、当該障害の発生箇所、当該障害への対応の優先度、当該障害から復旧するために用いる障害復旧品・予備品の有無と保管場所、当該障害の発生場所までの所要移動時間、及び、当該障害からの復旧の見込時間との対応関係を定義するデータベースである。

【0046】

制御部２２は、障害解析装置２０の全体を制御する部分であり、各種プログラムを、ＲＯＭ、ＲＡＭ、フラッシュメモリ又はハードディスク（ＨＤＤ）等の記憶領域から適宜読み出して実行することにより、本実施形態における各種機能を実現している。制御部２２は、ＣＰＵであってよい。制御部２２は、アラーム取得部２２１、アラーム振分部２２２、第１障害判定部２２３、第２障害判定部２２４、障害候補出力部２２５、確認事項出力部２２６、障害特定部２２７、優先度出力部２２８、障害復旧品出力部２２９、所用移動時間出力部２３０、復旧見込時間出力部２３１とを備える。

【0047】

アラーム取得部２２１は、後述の通信部２３を介して、監視装置３０から、第１学習モデルや第２学習モデルの構築時に取得したアラームとは別個に、新たなアラームを取得する。

【0048】

アラーム振分部２２２は、事前登録データベース２１１を参照することにより、アラーム取得部２２１によって取得されたアラームが、事前に登録された作業アラームか、あるいは、事前に登録されておらず、実際に障害が発生していることに伴って出力されている障害アラームかを振り分ける。

【0049】

第１障害判定部２２３は、事前に登録されていない障害アラームを、記憶部２１に記憶されている第１学習モデルに適用することにより、発生しているであろう障害とその発生の確度を類推し、判定する。

【0050】

第２障害判定部２２４は、事前に登録されていない障害アラームのログが、マイクロ波無線機からの出力が閾値を超えていることを示す場合に、当該マイクロ波無線機からの出力波形を、記憶部２１に記憶されている第２学習モデルに適用することにより、発生しているであろう障害を類推し、判定する。更に、第２障害判定部２２４は、当該発生しているであろう障害を、通信部２３を介して端末装置４０に出力する。あるいは、第２障害判定部２２４は、当該発生しているであろう障害を、後述の表示部２４に出力してもよい。

【0051】

障害候補出力部２２５は、第１障害判定部２２３によって判定された障害の候補を、当該候補が複数ある場合には確度の高い順にソートした上で、当該確度と共に通信部２３を介して端末装置４０に出力する。あるいは、障害候補出力部２２５は、障害の候補を、当該確度と共に後述の表示部２４に出力してもよい。

【0052】

確認事項出力部２２６は、アラーム障害対応データベース２１２を参照することにより、障害解析装置２０のユーザに対する確認事項を出力する。具体的には、障害候補出力部２２５によって出力された障害候補に対応する、アラーム振分部２２２によって振り分けられた事前に登録されていない複数のアラームの組み合わせが、アラーム障害対応データベース２１２に記載のアラームの組み合わせと一部異なる場合、当該異なるアラームに対応する事象を、ユーザに対する確認事項として、通信部２３を介して端末装置４０に出力する。あるいは、確認事項出力部２２６は、ユーザに対する確認事項を、後述の表示部２４に出力してもよい。

【0053】

例えば、アラーム振分部２２２によって振り分けられた、事前に登録されていない複数の障害アラームの組み合わせが、（ＡＬＭ１,ＡＬＭ２,ＡＬＭ３,ＡＬＭ４）＝（ＯＮ，ＯＦＦ，ＯＮ，ＯＦＦ）であり、これを第１学習モデルに適用した結果、障害Ｄが９０％の確度で発生していると判定されたとする。この際、アラーム障害対応データベース２１２において、障害Ｄに対応する本来の障害アラームの組み合わせが、（ＡＬＭ１,ＡＬＭ２,ＡＬＭ３,ＡＬＭ４）＝（ＯＮ，ＯＦＦ，ＯＦＦ，ＯＦＦ）であった場合、確認事項出力部２２６は、本来であればＯＦＦになっているはずのＡＬＭ３がＯＮになっていることに基づいて、ＡＬＭ３に対応する確認事項を出力する。

【0054】

障害特定部２２７は、実際に発生している障害を特定する。例えば、障害特定部２２７は、障害候補出力部２２５によって出力された複数の障害候補から、ユーザによって端末装置４０を介して選択された選択結果に基づいて、実際に発生している障害を特定してもよい。あるいは、第２障害判定部２２４によって出力された障害に対する、ユーザの確認動作に基づいて、実際に発生している障害を特定してもよい。

【0055】

優先度出力部２２８は、障害特性データベース２１３を参照することにより、障害特定部２２７によって特定された障害への対応の優先度を、通信部２３を介して端末装置４０に出力する。あるいは、優先度出力部２２８は、障害への対応の優先度を、後述の表示部２４に出力してもよい。

【0056】

障害復旧品出力部２２９は、障害特性データベース２１３を参照することにより、障害特定部２２７によって特定された障害から復旧するために用いる障害復旧品・予備品の有無と保管場所を、通信部２３を介して端末装置４０に出力する。あるいは、障害復旧品出力部２２９は、障害から復旧するために用いる障害復旧品・予備品の有無と保管場所を、後述の表示部２４に出力してもよい。

【0057】

所要移動時間出力部２３０は、障害特性データベース２１３を参照することにより、障害特定部２２７によって特定された障害の発生場所までの所要移動時間を、通信部２３を介して端末装置４０に出力する。あるいは、所要移動時間出力部２３０は、所要移動時間を、後述の表示部２４に出力してもよい。この際、例えば所要移動時間を算出するために、端末装置４０に備わる、ＧＰＳ情報取得部（不図示）によって取得されるＧＰＳ情報を用いてもよい。

【0058】

復旧見込時間出力部２３１は、障害特性データベース２１３を参照することにより、障害特定部２２７によって特定された障害からの復旧の見込時間を、通信部２３を介して端末装置４０に出力する。あるいは、復旧見込時間出力部２３１は、復旧見込時間を、後述の表示部２４に出力してもよい。

【0059】

通信部２３は、障害解析装置２０が、機械学習装置１０、監視装置３０、及び端末装置４０と通信するために用いる通信インタフェースである。

【0060】

表示部２４は、例えば、障害候補出力部２２５によって出力される障害候補、確認事項出力部２２６によって出力される確認事項、優先度出力部２２８によって出力される優先度、障害復旧品出力部２２９によって出力される障害復旧品・予備品の有無と保管場所、所要移動時間出力部２３０によって出力される所要移動時間、復旧見込時間出力部２３１によって出力される復旧見込時間を表示するモニタである。

【0061】

〔２ 実施形態の動作〕
次に、本実施形態に係る障害解析システム１００の動作について説明する。まず、図４及び図５を参照し、機械学習装置１０の動作について説明する。

【0062】

〔２．１ 機械学習装置１０の動作〕
図４は、第１学習部１１の動作を示すフローチャートである。
ステップＳ１１において、第１入力データ取得部１１１が、ＮＭＳの監視装置３０で発生しているアラームに係る情報を第１入力データとして取得する。

【0063】

ステップＳ１２において、第１ラベル取得部１１２が、アラームに対応する障害の判定結果を第１ラベルとして取得する。

【0064】

ステップＳ１３において、第１学習モデル構築部１１３は、第１入力データと第１ラベルとの組を教師データとする。

【0065】

ステップＳ１４において、第１学習モデル構築部１１３は、ステップＳ１３の教師データを用いて教師あり学習を行う。

【0066】

ステップＳ１５において、機械学習が終了した場合（Ｓ１５：ＹＥＳ）には、処理はステップＳ１６に移行する。機械学習がまだ終了していない場合（Ｓ１５：ＮＯ）には、処理はステップＳ１１に移行する。

【0067】

ステップＳ１６において、第１学習モデル構築部１１３は、構築した第１学習モデルを障害解析装置２０に送信する。その後、全ての処理を終了する。

【0068】

図５は、第２学習部１２の動作を示すフローチャートである。
ステップＳ２１において、第２入力データ取得部１２１が、ＮＭＳに備わるマイクロ波無線機からの出力波形に係る情報を第２入力データとして取得する。

【0069】

ステップＳ２２において、第２ラベル取得部１２２が、出力波形に対応する障害の判定結果を第２ラベルとして取得する。

【0070】

ステップＳ２３において、第２学習モデル構築部１２３は、第２入力データと第２ラベルとの組を教師データとする。

【0071】

ステップＳ２４において、第２学習モデル構築部１２３は、ステップＳ２３の教師データを用いて教師あり学習を行う。

【0072】

ステップＳ２５において、機械学習が終了した場合（Ｓ２５：ＹＥＳ）には、処理はステップＳ２６に移行する。機械学習がまだ終了していない場合（Ｓ２５：ＮＯ）には、処理はステップＳ２１に移行する。

【0073】

ステップＳ２６において、第２学習モデル構築部１２３は、構築した第２学習モデルを障害解析装置２０に送信する。その後、全ての処理を終了する。

【0074】

〔２．２ 障害解析装置２０の動作〕
次に、図６を参照し、障害解析装置２０の動作について説明する。

【0075】

ステップＳ３１において、アラーム取得部２２１は、後述の通信部２３を介して、監視装置３０から、第１学習モデルや第２学習モデルの構築時に取得したアラームとは別個に、新たなアラームを取得する。

【0076】

ステップＳ３２において、アラーム振分部２２２は、事前登録データベース２１１を参照することにより、アラーム取得部２２１によって取得されたアラームが、事前に登録された作業アラームか、あるいは、事前に登録されておらず、実際に障害が発生していることに伴って出力されている障害アラームかを振り分ける。

【0077】

ステップＳ３３において、障害アラームのログに、マイクロ波無線機からの出力が閾値を超えたことを示すデータが含まれない場合（Ｓ３３：ＮＯ）には、処理はステップＳ３４に進む。障害アラームのログに、マイクロ波無線機からの出力が閾値を超えたことを示すデータが含まれる場合（Ｓ３３：ＹＥＳ）には、処理はステップＳ３５に進む。

【0078】

ステップＳ３４において、第１障害判定部２２３は、事前に登録されていない障害アラームを、記憶部２１に記憶されている第１学習モデルに適用することにより、発生しているであろう障害とその発生の確度を類推し、判定する。

【0079】

ステップＳ３５において、第２障害判定部２２４は、マイクロ波無線機からの出力波形を、記憶部２１に記憶されている第２学習モデルに適用することにより、発生しているであろう障害を類推し、判定する。更に、第２障害判定部２２４は、当該発生しているであろう障害を出力する。

【0080】

ステップＳ３６において、障害候補出力部２２５は、第１障害判定部２２３によって判定された障害の候補を、当該候補が複数ある場合には確度の高い順にソートした上で、当該確度と共に出力する。

【0081】

ステップＳ３７において、障害候補出力部２２５によって出力された障害候補の確度が１００％の場合（Ｓ３７：ＹＥＳ）には、処理はステップＳ３９に進行する。それ以外の場合（Ｓ３７：ＮＯ）には、処理はステップＳ３８に進行する。

【0082】

ステップＳ３８において、確認事項出力部２２６は、アラーム障害対応データベース２１２を参照することにより、障害解析装置２０のユーザに対する確認事項を出力する。

【0083】

ステップＳ３９において、障害特定部２２７は、実際に発生している障害を特定する。

【0084】

ステップＳ４０において、優先度出力部２２８は、障害特性データベース２１３を参照することにより、障害特定部２２７によって特定された障害への対応の優先度を出力する。

【0085】

ステップＳ４１において、障害復旧品出力部２２９は、障害特性データベース２１３を参照することにより、障害特定部２２７によって特定された障害から復旧するために用いる障害復旧品・予備品の有無と保管場所を出力する。

【0086】

ステップＳ４２において、所要移動時間出力部２３０は、障害特性データベース２１３を参照することにより、障害特定部２２７によって特定された障害の発生場所までの所要移動時間を出力する。

【0087】

ステップＳ４３において、復旧見込時間出力部２３１は、障害特性データベース２１３を参照することにより、障害特定部２２７によって特定された障害からの復旧の見込時間を出力する。その後、全ての処理を終了する。

【0088】

〔３ 変形例〕
以上、本発明の実施形態について説明したが、本発明は前述した実施形態に限るものではない。また、本実施形態に記載された効果は、本発明から生じる最も好適な効果を列挙したに過ぎず、本発明による効果は、本実施形態に記載されたものに限定されるものではない。

【0089】

〔３．１ 変形例１〕
上記の実施形態において、機械学習装置１０と障害解析装置２０とを別体として示したがが、これには限定されない。例えば、機械学習装置１０が障害解析装置２０の筐体に組み込まれることにより、一体化されて実現される態様としてもよい。

【0090】

〔３．２ 変形例２〕
上記の実施形態において、第１障害判定部２２３が、発生しているであろう障害とその発生の確度を類推し、判定するとしたがこれには限定されない。例えば、第１障害判定部２２３に加えて、第２障害判定部２２４も、発生しているであろう障害に加えて、その確度を類推し、判定してもよい。更に、第２障害判定部２２４は、複数の障害の候補を、当該確度でソートした上で出力してもよい。

【0091】

〔３．３ 変形例３〕
上記の実施形態において、確認事項出力部２２６は、ユーザに対する確認事項を出力するとしたが、これには限定されない。例えば、単に確認事項を出力するのみならず、ユーザからの確認結果を、障害解析装置２０に入力する構成とし、当該入力結果に基づいて、障害候補に対応する確度を再計算してもよい。

【0092】

障害解析システム１００による障害解析方法は、ソフトウェアにより実現される。ソフトウェアによって実現される場合には、このソフトウェアを構成するプログラムが、コンピュータにインストールされる。また、これらのプログラムは、リムーバブルメディアに記録されてユーザに配布されてもよいし、ネットワークを介してユーザのコンピュータにダウンロードされることにより配布されてもよい。

【符号の説明】

【0093】

１０ 機械学習装置
１１ 第１学習部
１２ 第２学習部
２０ 障害解析装置
２１ 記憶部
２２ 制御部
２３ 通信部
２４ 表示部
３０ 監視装置
４０ 端末装置
５０ ネットワーク
１００ 障害解析システム
１１１ 第１入力データ取得部
１１２ 第１ラベル取得部
１１３ 第１学習モデル構築部
１１４ 第１学習モデル記憶部
１２１ 第２入力データ取得部
１２２ 第２ラベル取得部
１２３ 第２学習モデル構築部
１２４ 第２学習モデル記憶部
２１１ 事前登録データベース
２１２ アラーム障害対応データベース
２１３ 障害特性データベース
２２１ アラーム取得部
２２２ アラーム振分部
２２３ 第１障害判定部
２２４ 第２障害判定部
２２５ 障害候補出力部
２２６ 確認事項出力部
２２７ 障害特定部
２２８ 優先度出力部
２２９ 障害復旧品出力部
２３０ 所要移動時間出力部

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】