特開 2023-94305 知識モデル作成支援装置

(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】P2023094305

(43)【公開日】2023-07-05

(54)【発明の名称】知識モデル作成支援装置

(51)【国際特許分類】

   G05B 23/02 20060101AFI20230628BHJP

【ＦＩ】

G05B23/02 P

【審査請求】未請求

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2021209702

(22)【出願日】2021-12-23

(71)【出願人】

【識別番号】000001247

【氏名又は名称】株式会社ジェイテクト

(71)【出願人】

【識別番号】000003609

【氏名又は名称】株式会社豊田中央研究所

(74)【代理人】

【識別番号】110000648

【氏名又は名称】弁理士法人あいち国際特許事務所

(72)【発明者】

【氏名】小島 大

(72)【発明者】

【氏名】東 孝幸

(72)【発明者】

【氏名】佐々木 雄二

(72)【発明者】

【氏名】酒井 隼樹

(72)【発明者】

【氏名】宮嵜 伊弦

【テーマコード（参考）】

3C223

【Ｆターム（参考）】

3C223AA05

3C223AA11

3C223BA03

3C223EB02

3C223FF04

3C223FF05

3C223FF13

3C223FF22

3C223FF24

3C223GG01

3C223HH02

3C223HH05

3C223HH08

(57)【要約】

【課題】知識モデルを効率よく作成することができる知識モデル作成支援装置を提供する。
【解決手段】知識モデル作成支援装置３０は、関係性情報２４を定義するための対象因子３１ａとして親因子Ａ，Ｂおよび子因子Ｃを取得する対象因子取得部３１と、親因子Ａ，Ｂの因子値および子因子Ｃの因子値についての観測データ３２ａを取得する観測データ取得部３２と、観測データ３２ａに基づいて、親因子Ａ，Ｂの因子値を条件とした場合に子因子Ｃの因子値に該当する確率が定義された条件付確率表３６ｂを生成する生成部３６と、生成された条件付確率表３６ｂを親因子Ａ，Ｂと子因子Ｃとの関係性情報２４として、関係性情報２４を含む知識モデル４ａを格納する知識モデル格納部３８とを備える。生成部３６は、新たな観測データ３２ａを取得した場合に、新たな条件付確率表３６ｂを生成し、知識モデル格納部３８に格納される知識モデル４ａを更新する。
【選択図】図６

【特許請求の範囲】

【請求項1】

産業技術用語により定義された複数の因子と前記因子同士の関係性情報とにより構成された知識モデルの作成支援装置であって、
前記関係性情報を定義するための対象因子として、親因子および子因子を取得する対象因子取得部と、
前記親因子の因子値および前記子因子の因子値についての観測データを取得する観測データ取得部と、
前記観測データに基づいて、前記親因子の因子値を条件とした場合に前記子因子の因子値に該当する確率が定義された条件付確率表を生成する生成部と、
生成された前記条件付確率表を前記親因子と前記子因子との前記関係性情報として、前記関係性情報を含む前記知識モデルを格納する知識モデル格納部と、
を備え、
前記生成部は、前記観測データ取得部が新たな前記観測データを取得した場合に、新たな前記条件付確率表を生成し、前記知識モデル格納部に格納される前記知識モデルを更新する、知識モデル作成支援装置。

【請求項2】

さらに、予め設定された事前分布のパラメータを格納する事前分布格納部を備え、
前記生成部は、
前記事前分布のパラメータおよび前記観測データに基づいて、ベイズ推定を用いて事後分布を算出し、
前記事後分布の期待値を各要素値とする前記条件付確率表を生成する、請求項１に記載の知識モデル作成支援装置。

【請求項3】

前記事前分布格納部は、前記生成部による前記事後分布の生成過程にて得られた要素を、次の前記事前分布のパラメータとして格納し、
前記生成部は、
前記事前分布格納部に新たに格納された前記事前分布のパラメータ、および、前記観測データ取得部により新たに取得された前記観測データに基づいて、ベイズ推定を用いて新たな前記事後分布を算出し、
新たな前記事後分布の期待値を各要素値とする前記条件付確率表を生成する、請求項２に記載の知識モデル作成支援装置。

【請求項4】

さらに、前記ベイズ推定において前記観測データに対する前記事前分布のパラメータの影響割合を表す重みを格納する重み格納部を備え、
前記生成部は、前記観測データおよび前記重みを加味した前記事前分布のパラメータに基づいて、前記ベイズ推定を用いて前記事後分布を算出し、前記事後分布の期待値を各要素値とする前記条件付確率表を生成する、請求項２または３に記載の知識モデル作成支援装置。

【請求項5】

前記重みは、前記親因子の因子値毎に異なる値に設定可能である、請求項４に記載の知識モデル作成支援装置。

【請求項6】

前記生成部は、前記ベイズ推定を用いて前記条件付確率表を生成すること、および、前記観測データに基づいて最尤推定を用いて前記条件付確率表を生成することが選択可能に構成されている、請求項２～５のいずれか１項に記載の知識モデル作成支援装置。

【請求項7】

さらに、操作者の入力を受け付け、かつ、前記操作者の入力に応じて、前記知識モデル格納部に格納されている前記知識モデルを構成する前記条件付確率表を編集可能に構成されたモデル編集処理部を備える、請求項１～６のいずれか１項に記載の知識モデル作成支援装置。

【請求項8】

さらに、前記条件付確率表において、前記対象因子の因子値を不均等に離散化した区間を決定する区間決定部を備え、
前記生成部は、前記区間決定部により決定された前記区間に基づいて、前記条件付確率表を生成する、請求項１～７のいずれか１項に記載の知識モデル作成支援装置。

【請求項9】

前記区間決定部は、前記対象因子を構成する１つの因子と前記対象因子を構成する残りの因子のそれぞれとについての確率変数の相互依存の尺度を表す相互情報量に基づいて、前記対象因子の当該１つの因子の前記区間を決定する、請求項８に記載の知識モデル作成支援装置。

【請求項10】

前記観測データ取得部は、産業機械における前記観測データを取得し、
前記生成部は、前記因子に応じて設定されたタイミングにて、新たな前記条件付確率表を生成し、前記知識モデル格納部に格納される前記知識モデルを更新する、請求項１～９のいずれか１項に記載の知識モデル作成支援装置。

【請求項11】

前記観測データ取得部は、複数台の産業機械と通信可能に構成され、複数台の前記産業機械における前記観測データを取得し、
前記生成部は、複数台の前記産業機械における前記観測データに基づいて、１つの前記条件付確率表を生成し、
前記知識モデル格納部は、複数台の前記産業機械に共通する前記知識モデルを格納する、請求項１～１０のいずれか１項に記載の知識モデル作成支援装置。

【請求項12】

前記観測データ取得部は、産業機械ごとの前記観測データを取得し、
前記生成部は、前記産業機械に個別に対応する前記条件付確率表を生成する、請求項１～１０のいずれか１項に記載の知識モデル作成支援装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、知識モデル作成支援装置に関する。

【背景技術】

【0002】

例えば、産業機械における加工条件を決定するために、熟練者の知識をデータベース化し、当該データベースを活用することが知られている。例えば、特許文献１には、データベース化された知識モデルについて記載されている。知識モデルは、種々の技術用語により定義された複数の因子と、因子同士の関係とにより構成されたモデルである。そして、知識モデルを用いて、加工条件の最適化を図ることができるとされている。

【0003】

また、特許文献２には、知識モデルにおける因子同士の関係を定義する際に、機械学習を適用することが記載されている。特に、因子同士の関係を定義する手段として、基準因子のランク値と接続対象の因子のランク値との対応関係（ランク－ランク関係）を定義する手段や、基準因子のランク値と接続対象の因子のレンジ値との対応関係（ランク－レンジ関係）を定義する手段が記載されている。さらに、基準因子が複数の因子と関係性を有する場合には、寄与度を設定することにより、複数の因子が基準因子に及ぼす影響度を決定することができる。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２０２０－１７７５４７号公報

【特許文献2】特開２０２１－０７１８５６号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

特許文献２に記載の因子同士の関係は、ランク値やレンジ値などの各因子の因子値同士を直接対応付けている。人が因子値同士の対応関係を決定することは容易ではない。機械学習を適用することにより、因子値同士の対応関係を決定することはできるが、特に訓練データセットのデータ量が少ない場合には、因子同士の関係を適切に定義することができない可能性がある。

【0006】

本発明は、かかる課題に鑑みてなされたものであり、従来とは異なる手法により、知識モデルを効率よく作成することができる知識モデル作成支援装置を提供しようとするものである。

【課題を解決するための手段】

【0007】

本発明の一態様は、産業技術用語により定義された複数の因子と前記因子同士の関係性情報とにより構成された知識モデルの作成支援装置であって、
前記関係性情報を定義するための対象因子として、親因子および子因子を取得する対象因子取得部と、
前記親因子の因子値および前記子因子の因子値についての観測データを取得する観測データ取得部と、
前記観測データに基づいて、前記親因子の因子値を条件とした場合に前記子因子の因子値に該当する確率が定義された条件付確率表を生成する生成部と、
生成された前記条件付確率表を前記親因子と前記子因子との前記関係性情報として、前記関係性情報を含む前記知識モデルを格納する知識モデル格納部と、
を備え、
前記生成部は、前記観測データ取得部が新たな前記観測データを取得した場合に、新たな前記条件付確率表を生成し、前記知識モデル格納部に格納される前記知識モデルを更新する、知識モデル作成支援装置にある。

【発明の効果】

【0008】

知識モデル作成支援装置によれば、条件付確率表を、知識モデルを構成する因子同士の関係性情報としている。条件付確率表は、親因子の因子値を条件とした場合に、子因子の因子値に該当する確率により定義される。つまり、条件付確率表は、親因子の因子値と子因子の因子値とを直接関係付けるのではなく、確率を用いて表している。従って、因子同士の関係性を柔軟に定義することができる。

【0009】

さらに、生成部は、観測データに基づいて、因子同士の関係性情報としての条件付確率表を生成する。生成部は、条件付確率表を生成した後において、新たに観測データを取得した場合には、新たな観測データに基づいて新たな条件付確率表を生成する。そして、生成部は、知識モデル格納部に格納されている知識モデルを、新たに生成した条件付確率表を関係性情報とする知識モデルに更新する。従って、知識モデルが更新されるため、初期において知識モデルの精度が低いとしても、次第に高くなっていく。

【0010】

以上のごとく、上記態様によれば、従来とは異なる手法により、知識モデルを効率よく作成することができる知識モデル作成支援装置を提供することができる。

【図面の簡単な説明】

【0011】

【図1】知識モデル活用システムの構成を示す図である。

【図2】知識モデルを表現した知識ネットワーク図を示す図である。

【図3】知識モデルの一部を示す図である。

【図4】図３の知識モデルを構成する各因子の因子値を示す図である。

【図5】図３の知識モデルを構成する関係性情報を示す図である。

【図6】知識モデル作成支援装置の構成を示す図である。

【図7】対象因子取得部により取得した対象因子である。

【図8】観測データ取得部により取得した観測データである。

【図9】区間決定部により決定される離散区間を示し、（ａ）は、等間隔に設定された離散区間、（ｂ）は、相互情報量に基づき決定された離散区間、（ｃ）は、等頻度に設定された離散区間を示す。

【図10】相互情報量を説明するための図である。

【図11】事前分布格納部に格納された事前分布のパラメータに基づいて生成された条件付確率表である。

【図12】生成部により生成される事後分布に基づいて生成された条件付確率表である。

【図13】条件付確率表の更新の手順であって、事前分布のパラメータのみにより生成された条件付確率表の初期状態を示す。

【図14】条件付確率表の更新の手順であって、事後分布に基づいて更新された条件付確率表が生成される過程を示す。

【図15】条件付確率表の更新の手順であって、新たな事後分布に基づいてさらに更新された条件付確率表が生成される過程を示す。

【図16】知識モデルの作成する際の描画ＧＵＩウィンドウを示す。

【図17】知識モデルの作成する際の描画ＧＵＩウィンドウを示す。

【図18】知識モデルの作成する際の描画ＧＵＩウィンドウを示す。

【発明を実施するための形態】

【0012】

（実施形態）
１．知識モデル活用システム１の構成
知識モデル活用システム１の構成について図１を参照して説明する。知識モデル活用システム１は、工学、医学、薬学、農学、生物学などの産業技術分野を対象とすることができる。特に、知識モデル活用システム１は、工学分野に含まれる機械加工分野や材料成形分野を挙げることができる。機械加工分野には、例えば、切削加工、研削加工、放電加工、プレス加工などが含まれる。材料成形分野には、射出成形、鋳造などが含まれる。そして、知識モデル活用システム１は、上記産業技術分野において、熟練者による技術情報に関する知識を記述した知識モデル４ａを活用するシステムである。

【0013】

知識モデル活用システム１は、図１に示すように、前述の産業技術分野における複数の産業機械２，３と、知識モデル実行装置４とを備える。複数の産業機械２，３および知識モデル実行装置４は、ネットワークを構成する。つまり、複数の産業機械２，３と知識モデル実行装置４とは、相互に通信可能に構成されている。

【0014】

複数の産業機械２，３は、例えば、工作機械、各種成形機、搬送装置、建設機械、農業機械、化学工業機械などである。知識モデル実行装置４は、知識モデル４ａを格納している。知識モデル実行装置４は、知識モデル４ａを用いて、例えば、前述の産業技術分野における産業機械２，３において、当該産業機械２，３の操作の支援、動作条件の決定、機械状態の判定、ワークの状態の判定などを行う。

【0015】

一般に、機械加工分野においては、作業者は、ワークの材質、工具の材質、ワーク品質、加工サイクルタイムなどの種々の情報を考慮して、加工条件としての切削速度や単位時間当たりの切込量などを決定する。この場合、作業者が種々の入力情報を取得して加工条件を決定するに際して、作業者の思考過程をモデル化したものが、知識モデル４ａである。

【0016】

つまり、知識モデル４ａは、ワークの材質、工具の材質、ワークの品質、加工サイクルタイム、切削速度、切込量などに加えて、作業者の思考過程において登場する産業技術要素のそれぞれを因子として定義され、因子同士の関係性が定義されている。

【0017】

例えば、知識モデル実行装置４は、産業機械２，３の１つである工作機械の加工条件の決定に際して、ワークの材質やワークの品質などを入力因子として取得した場合に、知識モデル４ａを用いることにより、出力因子としての切削速度や切込量などの加工条件を出力することができる。また、知識モデル実行装置４は、産業機械２，３の観測データ３２ａを入力因子として取得して、知識モデル４ａを用いることにより、産業機械２，３の異常状態や劣化状態などの機械状態、または、産業機械２，３によるワーク品質の異常の有無などを出力因子として出力することができる。

【0018】

２．知識ネットワーク図１０
知識モデル４ａは、概念としては、ネットワーク形態で表現される。知識モデル４ａをネットワーク形態で表現した知識ネットワーク図１０の例について、図２を参照して説明する。つまり、知識ネットワーク図１０は、知識モデル４ａをグラフィカルに表現したものである。本形態では、機械加工分野における知識モデル４ａに関する知識ネットワーク図１０を例に挙げる。

【0019】

図２に示すように、知識ネットワーク図１０は、複数のノード図形１１と、ノード図形１１同士を繋ぐリンク図形１２とを備える。ノード図形１１は、例えば、高品位化、高能率化、切削速度、回転送りなどで表現されている。ノード図形１１は、知識モデル４ａにおいて、産業技術用語により定義される因子を表す。複数の因子は、技術的な包含関係（上下関係、主従関係とも称する）を有する場合と、技術的な異種依存関係を有する場合とが存在する。つまり、因子同士の関係性は、上記の２種類に分類される。

【0020】

例えば、被削材緒言は、被削材熱特性、被削材硬度、被削材伸びなどを包含する関係となる。つまり、技術的な包含関係を有する因子として、被削材緒言を上位概念因子とし、被削材熱特性、被削材硬度、被削材伸びなどを下位概念因子とする。また、技術的に異種依存関係を有する因子として、被削材熱特性と要求工具耐熱性などがある。以下において、技術的な包含関係を有する２つの因子の関係性を、単に包含関係と称し、技術的な異種依存関係を有する２つの因子の関係性を、単に異種依存関係と称する。

【0021】

リンク図形１２は、ノード図形１１同士の関係性を表す。リンク図形１２は、知識モデル４ａにおいて、因子同士の関係性を表す。リンク図形１２は、包含関係を表す第一リンク図形１２ａと、異種依存関係を表す第二リンク図形１２ｂとを、区別して表示される。

【0022】

図２では、包含関係を表す第一リンク図形１２ａは、上位概念因子の領域を示す枠線で表しており、下位概念因子が、第一リンク図形１２ａを表す枠線の中に配置される。第二リンク図形１２ｂは、因子同士の定義の方向性を表す矢印線にて示す。第二リンク図形１２ｂの矢印元を親因子とし、第二リンク図形１２ｂの矢印先を子因子とする。ただし、第一リンク図形１２ａおよび第二リンク図形１２ｂの表現方法は、上記に限られず、他の形態を用いることもできる。

【0023】

３．知識モデル４ａの構成
図２に示すような知識ネットワーク図１０を定義した知識モデル４ａについて図３～図５を参照して説明する。知識モデル４ａは、データおよび処理プログラムにより構成されており、図２に示すような知識ネットワーク図１０をデータとして定義する。

【0024】

ここで、知識モデル４ａは、図２に示したような知識ネットワーク図１０を表現したものであるため、多数の因子を有し、それらの因子同士の関係性を定義したモデルである。ただし、説明を容易にするために、以下において、知識モデル４ａの一部を構成する最小ユニット、すなわち、親因子および子因子で定義される１つのユニットを例に挙げる。

【0025】

図３に示すように、知識モデル４ａを構成する最小ユニットは、産業技術用語により定義された複数の因子２１，２２，２３と、因子同士の関係性情報２４と、出力値決定部２５とを備える。

【0026】

図３においては、複数の因子２１，２２，２３は、親因子Ａ，Ｂと、子因子Ｃとを備える。親因子Ａ，Ｂは、子因子Ｃに対して影響を与える因子である。反対に、子因子Ｃは、親因子Ａ，Ｂの影響を受ける因子である。つまり、子因子Ｃの因子値は、親因子Ａ，Ｂの因子値を条件として決定されることになる。なお、図３においては、２つの親因子Ａ，Ｂを図示するが、１つの親因子の場合や、３以上の親因子の場合も存在する。

【0027】

図４に示すように、親因子Ａは、例えば、因子値をレンジ値により定義されている。例えば、親因子Ａは、因子値であるレンジ値として、離散化した複数の区間「１０～２０」、「２０～３０」により定義されている。図４においては、親因子Ａのレンジ値は、均等に離散化した区間により定義したが、不均等に離散化した区間により定義することもできる。また、親因子Ａは、レンジ称呼値として、例えば、レンジ値の中央値の情報を含む。例えば、親因子Ａのレンジ称呼値は、「１５」、「２５」である。なお、レンジ称呼値は、レンジ値の最小値や最大値とすることもできる。

【0028】

親因子Ｂは、親因子Ａと同様に、因子値をレンジ値により定義されている。例えば、親因子Ｂは、因子値であるレンジ値として、離散化した複数の区間「２０～４０」、「４０～６０」により定義されている。図４においては、親因子Ｂのレンジ値は、均等に離散化した区間により定義したが、不均等に離散化した区間により定義することもできる。また、親因子Ｂは、レンジ称呼値として、例えば、レンジ値の中央値の情報を含む。例えば、親因子Ｂのレンジ称呼値は、「３０」、「５０」である。

【0029】

子因子Ｃは、親因子Ａ，Ｂと同様に、因子値をレンジ値により定義されている。例えば、子因子Ｃは、因子値であるレンジ値として、離散化した複数の区間「１００～２００」、「２００～３００」、「３００～４００」により定義されている。図４においては、子因子Ｃのレンジ値は、均等に離散化した区間により定義したが、不均等に離散化した区間により定義することもできる。また、子因子Ｃは、レンジ称呼値として、例えば、レンジ値の中央値の情報を含む。例えば、子因子Ｃのレンジ称呼値は、「１５０」、「２５０」、「３５０」である。

【0030】

図３に戻り説明する。関係性情報２４は、親因子Ａ，Ｂと子因子Ｃとの関係を定義するデータベースである。本形態においては、関係性情報２４は、条件付確率表を用いる。詳細には、関係性情報２４は、親因子Ａ，Ｂの因子値を条件とした場合に子因子Ｃの因子値に該当する確率が定義された条件付確率表である。

【0031】

例えば、図５に示すように、関係性情報２４は、親因子Ａ，Ｂと子因子Ｃとの関係を定義する条件付確率表である。親因子Ａの因子値が「１０～２０」であって、親因子Ｂの因子値が「２０～４０」の場合において、子因子Ｃが「１００～２００」となる確率は「０．５」であり、子因子Ｃの因子値が「２００～３００」となる確率は「０」であり、子因子Ｃの因子値が「３００～４００」となる確率は「０．５」である。

【0032】

親因子Ａの因子値が「２０～３０」であって、親因子Ｂの因子値が「２０～４０」の場合において、子因子Ｃの因子値が「１００～２００」となる確率は「０．３３３３」であり、子因子Ｃの因子値が「２００～３００」となる確率は「０．６６６７」であり、子因子Ｃの因子値が「３００～４００」となる確率は「０」である。親因子Ａの因子値が「１０～２０」であって、親因子Ｂの因子値が「４０～６０」の場合、および、親因子Ａの因子値が「２０～３０」であって、親因子Ｂの因子値が「４０～６０」の場合は、図５に示すとおりである。なお、各因子Ａ～Ｃのレンジ値を離散化した区間が、さらに多くに設定されている場合や、親因子の数が多くなる場合には、図５に示す条件付確率表のマス数が多くなる。

【0033】

出力値決定部２５は、親因子Ａ，Ｂの因子値が入力された場合に、関係性情報２４の条件付確率表より、子因子Ｃの各レンジ値の確率を取得する。そして、出力値決定部２５は、取得した子因子Ｃの各レンジ値の確率に基づいて、子因子Ｃの因子値としての出力値を決定する。

【0034】

例えば、図５において、親因子Ａの因子値が「２０～３０」であって、親因子Ｂの因子値が「２０～４０」が入力されたとする。この場合、子因子Ｃの因子値が「１００～２００」となる確率は「０．３３３３」であり、子因子Ｃの因子値が「２００～３００」となる確率は「０．６６６７」であり、子因子Ｃの因子値が「３００～４００」となる確率は「０」である。

【0035】

このとき、出力値決定部２５は、例えば、確率が最大である因子値を出力することができる。上記の例では、子因子Ｃの因子値が「２００～３００」となる確率が最大であるため、出力値決定部２５は、子因子Ｃの因子値「２００～３００」を出力値とする。なお、子因子Ｃの出力値は、レンジ称呼値「２５０」を出力することもできる。

【0036】

また、出力値決定部２５は、例えば、それぞれの因子値およびそれぞれの確率を用いて、子因子Ｃの出力値を決定することもできる。例えば、出力値決定部２５は、期待値を出力値とすることができる。上記の例では、出力値決定部２５は、レンジ称呼値「１５０」の確率が「０．３３３３」であり、レンジ称呼値「２５０」の確率が「０．６６６７」であり、レンジ称呼値「３５０」の確率が「０」である。そこで、出力値決定部２５は、式（１）に示すように、レンジ称呼値と確率とを乗算して、総和を出力値としても良い。

【0037】

【数1】

【0038】

上記においては、出力値決定部２５は、親因子Ａ，Ｂの因子値が入力された場合に、子因子Ｃの因子値を出力する。つまり、出力値決定部２５は、順方向の確率推論の結果としての子因子Ｃの因子値を出力する。この他に、出力値決定部２５は、子因子Ｃの因子値が入力された場合に、親因子Ａ，Ｂの因子値を出力することができる。つまり、出力値決定部２５は、逆方向の確率推論の結果としての親因子Ａ，Ｂの因子値を出力することができる。

【0039】

出力値決定部２５は、子因子Ｃの因子値が入力された場合、図５に示す条件付確率表、および、図示しない因子Ａ，Ｂのそれぞれに関する確率表に基づいて、親因子Ａ、因子Ｂのレンジ値の確率値を取得することができる。そして、出力値決定部２５は、取得した親因子Ａ、親因子Ｂの各レンジ値の確率に基づいて、親因子Ａの因子値および親因子Ｂの因子値を出力値として決定することができる。

【0040】

４．知識モデル作成支援装置３０の構成
上述した知識モデル４ａを作成するための知識モデル作成支援装置３０の構成について図６～図１５を参照して説明する。知識モデル作成支援装置３０は、条件付確率表を用いた知識モデル４ａを作成するための装置である。知識モデル作成支援装置３０は、知識モデル実行装置４に搭載されている。従って、知識モデル作成支援装置３０は、産業機械２，３とネットワークを構成しており、産業機械２，３と通信可能に構成されている。

【0041】

図６に示すように、知識モデル作成支援装置３０は、対象因子取得部３１、観測データ取得部３２、区間決定部３３、区間編集処理部３４、事前分布格納部３５、生成部３６、重み格納部３７、知識モデル格納部３８、モデル編集処理部３９を備える。知識モデル作成支援装置３０は、少なくとも、プロセッサと記憶装置とを含んで構成されている。対象因子取得部３１、観測データ取得部３２、区間決定部３３、区間編集処理部３４、生成部３６、モデル編集処理部３９は、プロセッサにより構成されており、事前分布格納部３５、重み格納部３７、知識モデル格納部３８は、記憶装置により構成されている。

【0042】

対象因子取得部３１は、関係性情報２４を定義するための対象因子３１ａを取得する。対象因子取得部３１は、図７に示すような因子ネットワークにおいては、対象因子３１ａとして、親因子Ａ，Ｂおよび子因子Ｃを取得する。図７において、順方向の確率推論において、親因子Ａ，Ｂが、条件付確率表における条件であり、子因子Ｃが出力因子となる。また、図７に示す矢印とは逆方向の確率推論においては、子因子Ｃを入力因子として、親因子Ａ，Ｂが出力因子となる。

【0043】

観測データ取得部３２は、対象因子取得部３１にて取得された親因子Ａ，Ｂの因子値および子因子Ｃの因子値についての観測データ３２ａを取得する。観測データ取得部３２は、産業機械２，３と通信可能に構成されているため、産業機械２，３における観測データ３２ａをリアルタイムに取得することができる。さらに、観測データ取得部３２は、複数台の産業機械２，３における観測データ３２ａを、一元的に取得することができる。ただし、観測データ取得部３２は、リアルタイムではなく、所定期間分のまとまりの観測データ３２ａを取得することもできる。

【0044】

観測データ取得部３２は、図８に示すように、多数の観測データ３２ａを取得する。図８において同一行の数値は、同時刻における因子Ａ，Ｂ，Ｃの因子値を示す。つまり、最上段の数値では、親因子Ａの因子値が「１０」、親因子Ｂの因子値が「２０」のときに、子因子Ｃの因子値が「１１５」であったことを意味する。

【0045】

区間決定部３３は、図５に示す条件付確率表において、対象因子３１ａの因子値のそれぞれ、すなわち親因子Ａ，Ｂの因子値および子因子Ｃの因子値のそれぞれを離散化することにより、離散区間を決定する。区間決定部３３は、例えば、図９（ａ）（ｂ）（ｃ）に示すように、複数の離散区間決定方法の中から１つ選択することができる。ただし、図９（ａ）（ｂ）（ｃ）には、図示の都合上、親因子Ａ，Ｂに関する離散区間について図示する。子因子Ｃについては、親因子Ａ，Ｂと同様に、離散区間を決定することができる。

【0046】

区間決定部３３は、図９（ａ）に示すように、対象因子３１ａの因子値を均等に離散化した区間を決定することができる。区間決定部３３は、親因子Ａ，Ｂのそれぞれの因子値を均等に離散化した区間を決定する。図９（ａ）において、縦破線が、親因子Ａの離散区間の境界を表す。図９（ａ）において、横破線が、親因子Ｂの離散区間の境界を表す。

【0047】

区間決定部３３は、図９（ｂ）に示すように、不均等に離散化した区間を決定することができる。区間決定部３３は、親因子Ａ，Ｂのそれぞれの因子値を不均等に離散化した区間を決定することができる。さらに、区間決定部３３は、子因子Ｃの因子値を不均等に離散化した区間を決定することができる。

【0048】

図９（ｂ）に示す区間決定方法は、対象因子３１ａである因子Ａ，Ｂ，Ｃの中の各確率変数間の相互情報量Ｉ（Ｘ；Ｙ）に基づいて、離散区間を決定する。相互情報量Ｉ（Ｘ；Ｙ）とは、２つの確率変数の相互依存の尺度を表す量である。相互情報量Ｉ（Ｘ；Ｙ）は、一方の変数を把握することで、他方をどれだけ推測できるようになるかを表す。

【0049】

相互情報量Ｉ（Ｘ；Ｙ）は、式（２）にて表される。また、相互情報量Ｉ（Ｘ；Ｙ）は、図１０に示すように表される。式（２）において、Ｈ（Ｘ），Ｈ（Ｙ）は、エントロピー（情報エントロピーとも称する）であって、確率変数の不確かさを表す。Ｈ（Ｘ）は、式（３）にて表される。Ｈ（Ｘ）は、ある事象が確率変数Ｘで表されるとき、個々の事象の結果を知った時に得られる平均の情報量である。式（３）より、Ｈ（Ｘ）は、それぞれの事象が発生する確率を重み付け平均した値となる。Ｈ（Ｙ）も同様に、式（４）にて表される。

【0050】

【数2】

【0051】

【数3】

【0052】

【数4】

【0053】

式（２）において、Ｈ（Ｘ｜Ｙ）は、条件付エントロピーであって、式（５）にて表される。また、式（２）において、Ｈ（Ｘ，Ｙ）は、結合エントロピーであって、式（６）にて表される。

【0054】

【数5】

【0055】

【数6】

【0056】

例えば、区間決定部３３が、因子Ａ，Ｂの相互情報量Ｉ（Ｘ；Ｙ）および因子Ａ，Ｃの相互情報量Ｉ（Ｘ；Ｙ）に基づいて、因子Ａについての離散区間を決定する場合について説明する。まず、区間決定部３３は、因子Ａについての最終的な離散化数、および、連続型変数を含むデータを入力情報として取得する。続いて、初期化として、因子Ａの各区間に１つのデータしか含まないように離散化する。ただし、指定した初期離散化数で離散化しても良く、この場合、任意のアルゴリズムを用いても良い。

【0057】

続いて、現在の離散化数を最終的な離散化数まで１つずつ小さくしていく。例えば、ループ処理の１回目において、総離散化数が１０個ある場合、いずれか１つの隣り合う離散区間を統合して１つの離散区間にし、合計離散化数を９個とする。ループ処理の２回目では、総離散化数を９個から８個となるように、いずれか１つの隣り合う離散区間を統合して１つの離散区間とする。このような処理を繰り返して行う。

【0058】

そして、隣り合う離散区間を統合する際に、因子Ａについて、他の因子Ｂ，Ｃとの相互情報量の総和の減少量が最も小さくなるように、隣り合う離散区間を統合する。例えば、総離散化数を１０個から９個にするとき、どの隣り合う離散区間を統合すると、相互情報量Ｉ（Ｘ；Ｙ）の減少量が小さいかを、全ての隣り合う離散区間について算出する。そして、相互情報量Ｉ（Ｘ；Ｙ）の減少量が最も少なくなる隣り合う離散区間を統合する。

【0059】

より詳細には、まず、因子Ａと因子Ｂとについて、因子Ａのそれぞれの隣り合う離散区間を統合した場合における因子Ａ，Ｂの相互情報量Ｉ（Ａ；Ｂ）を算出する。続いて、因子Ａと因子Ｃとについて、因子Ａのそれぞれの隣り合う離散区間を統合した場合における因子Ａ，Ｃの相互情報量Ｉ（Ａ；Ｃ）を算出する。そして、因子Ａ，Ｂの相互情報量Ｉ（Ａ；Ｂ）と因子Ａ，Ｃの相互情報量Ｉ（Ａ；Ｃ）との和を算出し、因子Ａのどの隣り合う離散区間を統合すると、両者の相互情報量Ｉの和の減少量が少ないかを判断して、該当する隣り合う離散区間を統合する。

【0060】

また、区間決定部３３は、図９（ｃ）に示すように、等頻度に離散化した区間を決定することができる。この場合も、区間決定部３３は、因子値を不均等に離散化した区間を決定することになる。

【0061】

区間編集処理部３４は、操作者の入力を受け付け、かつ、操作者の入力に応じて、離散区間を編集可能に構成されている。区間編集処理部３４は、図９（ａ）（ｂ）（ｃ）のいずれかにより決定された離散区間を、操作者の入力により調整可能とする。なお、区間編集処理部３４は、操作者の入力により、離散区間をゼロから作成することも可能である。

【0062】

事前分布格納部３５は、予め設定された事前分布３５ａのパラメータα_ｊｋを格納する。事前分布３５ａは、式（７）にて表されるように、ディリクレ分布を用いる。ｊは、親因子Ａの離散区間であり、ｋは、子因子Ｃの離散区間である。

【0063】

【数7】

【0064】

さらに、事前分布格納部３５は、図１１に示すように、事前分布３５ａのパラメータα_ｊｋに基づいて生成された事前分布３５ａの期待値θａ_ｊｋを各要素値とする条件付確率表３５ｂを格納する。ただし、図１１は、説明を容易にするために、親因子Ａと子因子Ｃとの条件付確率表３５ｂを示す。ここで、事前分布格納部３５に格納される条件付確率表３５ｂは、区間決定部３３により決定された離散区間に基づいて生成されている。

【0065】

事前分布３５ａの期待値θａ_ｊｋは、式（８）にて表される。式（８）において、Ｎａ_ｊは、離散区間ｊにおける事前分布３５ａのパラメータα_ｊｋの総和であり、Ｎａ_ｊｋは、離散区間ｊ，ｋにおける事前分布３５ａのパラメータα_ｊｋである。

【0066】

【数8】

【0067】

そして、図１１に示す条件付確率表３５ｂは、各離散区間において、対応する期待値θａ_ｊｋが入力された条件付確率表となる。ここで、事前分布３５ａのパラメータα_ｊｋは、例えば、作業者の経験や類似分野の情報などに基づいて設定される。この場合、事前分布３５ａに基づく条件付確率表３５ｂは、作業者の経験や類似分野の情報などに基づいて生成された条件付確率表となる。

【0068】

生成部３６は、観測データ取得部３２により取得された観測データ３２ａを取得する。観測データ３２ａのデータ頻度β_ｊｋは、式（９）にて表される。観測データ３２ａのデータ頻度β_ｊｋは、多項分布により表される。観測データ３２ａのデータ頻度β_ｊｋについての最尤推定量φ_ｊｋは、式（１０）にて表される。Ｎ_ｊは、離散区間ｊにおける観測データ３２ａのデータ総数であり、Ｎ_ｊｋは、離散区間ｊ，ｋにおける観測データ３２ａのデータ頻度β_ｊｋである。

【0069】

【数9】

【0070】

【数10】

【0071】

生成部３６は、観測データ取得部３２により取得された観測データ３２ａ、および、事前分布格納部３５に格納されている事前分布３５ａのパラメータα_ｊｋに基づいて、ベイズ推定を用いて、事後分布３６ａを算出する。事後分布３６ａは、事前分布３５ａと同様の離散区間により構成されたディリクレ分布である。

【0072】

さらに、生成部３６は、算出した事後分布３６ａに基づいて、事後分布３６ａの期待値θｂ_ｊｋを各要素値とする条件付確率表３６ｂを生成する。生成された条件付確率表３６ｂが、関係性情報２４である。ここで、区間決定部３３により決定された離散区間に基づいて、条件付確率表３６ｂが生成される。つまり、生成部３６が生成する条件付確率表３６ｂは、事前分布３５ａに基づき生成された条件付確率表３５ｂと同様の離散区間により構成されている。生成される条件付確率表３６ｂは、図１２の上段に示す。関係性情報２４としての条件付確率表３６ｂは、各離散区間の要素値に、値θｂ_ｊｋが格納されている。

【0073】

図１２の下段には、図１２の上段における親因子Ａの離散区間ｊを詳細に説明するための図が示されている。図１２の上段における条件付確率表３６ｂの各要素値θｂ_ｊｋは、図１２の下段における事後分布３６ａの期待値θｂ_ｊｋに一致する。

【0074】

事後分布３６ａの期待値θｂ_ｊｋは、式（１１）により表される。式（１１）において、Ｗ_ｊは、重みである。Ｎａ_ｊｋは、事前分布３５ａのパラメータα_ｊｋにおいて、離散区間ｊの値である。Ｎａ_ｊは、離散区間ｊにおける事前分布３５ａのパラメータα_ｊｋの総和である。Ｎ_ｊｋは、観測データ３２ａのデータ頻度β_ｊｋにおいて、離散区間ｊの値である。Ｎ_ｊは、離散区間ｊにおける観測データ３２ａのデータ総数である。

【0075】

【数11】

【0076】

つまり、生成部３６は、観測データ３２ａおよび事前分布３５ａのパラメータα_ｊｋに基づいて、ベイズ推定を用いて事後分布３６ａを算出し、事後分布３６ａの期待値θｂ_ｊｋを各要素値とする条件付確率表３６ｂを生成する。

【0077】

ここで、生成部３６は、式（１１）に示すように、単なるベイズ推定ではなく、重みＷ_ｊを加味している。つまり、事後分布３６ａは、観測データ３２ａ、および、重みＷ_ｊを加味した事前分布３５ａのパラメータα_ｊｋに基づいて、ベイズ推定を用いて算出される。さらに、生成部３６による事後分布３６ａの生成過程にて得られた各要素値Ｎｂ_ｊｋは、式（１２）にて表される。当該要素値Ｎｂ_ｊｋは、式（１１）の分子に一致する。

【0078】

【数12】

【0079】

ここで、比較として、重みＷ_ｊを適用しない場合の事後分布３６ａの期待値θｂ_ｊｋは、式（１３）により表される。

【0080】

【数13】

【0081】

本形態では、式（１１）に示すように、重みＷ_ｊを用いて、事後分布３６ａの期待値θｂ_ｊｋを算出している。本形態における事後分布３６ａの期待値θｂ_ｊｋは、事前分布３５ａを表すＮａ_ｊｋ、Ｎａ_ｊに対して重みＷ_ｊを乗算している。つまり、重みＷ_ｊは、観測データ３２ａに対する事前分布３５ａのパラメータα_ｊｋの影響割合を表す。式（１１）より、重みＷ_ｊが大きいほど、観測データ３２ａに対する事前分布３５ａのパラメータα_ｊｋの影響割合が高くなり、重みＷ_ｊが小さいほど、観測データ３２ａに対する事前分布３５ａのパラメータα_ｊｋの影響割合が低くなる。

【0082】

重みＷ_ｊは、式（１４）により表される。式（１４）において、Ｋ_ｊは、重みＷ_ｊを表すための係数である。Ｎａ_ｊは、離散区間ｊにおける事前分布３５ａのパラメータα_ｊｋの総和である。Ｎ_ｊは、離散区間ｊにおける観測データ３２ａのデータ総数である。つまり、重みＷ_ｊは、Ｎａ_ｊ、Ｎ_ｊにより表される。

【0083】

【数14】

【0084】

なお、生成部３６は、観測データ３２ａが少量の場合には、観測データ３２ａおよび事前分布３５ａのパラメータα_ｊｋに基づいて、ベイズ推定を用いて、事後分布３６ａの期待値θｂ_ｊｋを各要素値とする条件付確率表３６ｂを関係性情報２４として生成するのが好適である。仮に、観測データ３２ａが多量に取得できている場合には、生成部３６は、観測データ３２ａのみに基づいて条件付確率表３６ｂを生成するようにしても良い。そこで、生成部３６は、ベイズ推定を用いて条件付確率表３６ｂを生成することと、観測データ３２ａに基づいて最尤推定を用いて条件付確率表３６ｂを生成することが選択可能に構成されている。

【0085】

重み格納部３７は、上述した重みＷ_ｊを格納する。重みＷ_ｊは、親因子Ａの因子値の離散区間毎に異なる値に設定することもできるし、同値に設定することもできる。上述したように、式（１１）より、重みＷ_ｊが大きいほど、観測データ３２ａに対する事前分布３５ａのパラメータα_ｊｋの影響割合が高くなり、重みＷ_ｊが小さいほど、観測データ３２ａに対する事前分布３５ａのパラメータα_ｊｋの影響割合が低くなる。例えば、重み格納部３７は、式（１５）に示すように、複数種類の重みＷ_ｊ＿Ｌ，Ｗ_ｊ＿Ｍ，Ｗ_ｊ＿Ｓを格納する。

【0086】

【数15】

【0087】

重みＷ_ｊの意味について、具体的な数値を挙げて詳細に説明する。上述の式（１３）に示すように、重みＷ_ｊを用いない事後分布３６ａの期待値θｂ_ｊｋを用いて説明する。ここで、Ｎ_ｊ４が「８０」で、Ｎａ_ｊが「１００」の場合において、事前分布３５ａのパラメータα_ｊｋが、｛１，２，２，５｝の場合と、｛１００，２００，２００，５００｝の場合とを比較する。事前分布３５ａのパラメータα_ｊｋの比率は、いずれも、｛１：２：２：５）である。

【0088】

事前分布３５ａのパラメータα_ｊｋが｛１，２，２，５｝の場合における事後分布３６ａの期待値θｂ_ｊ４は、式（１６）に示すように、「０．７７２７」となる。算出式は、「（５＋８０）／（１０＋１００）」である。事前分布３５ａのパラメータα_ｊｋが｛１００，２００，２００，５００｝の場合における事後分布３６ａの期待値θｂ_ｊ４は、式（１７）に示すように、「０．５２７２」となる。算出式は、「（５００＋８０）／（１０００＋１００）」である。

【0089】

【数16】

【0090】

【数17】

【0091】

このように、事前分布３５ａのパラメータα_ｊｋの比率が同一の｛１：２：２：５｝であったとしても、事前分布３５ａのパラメータα_ｊｋの絶対値の大きさによって、事後分布３６ａの期待値θｂ_ｊ４が異なる値となる。式（１６）に示すように、事前分布３５ａのパラメータα_ｊｋの絶対値が小さいほど、事後分布３６ａの期待値θｂ_ｊ４は、観測データ３２ａのデータ頻度β_ｊｋについての最尤推定量φ_ｊ４である「０．８（＝８０／１００）」に近い値となる。一方、式（１７）に示すように、事前分布３５ａのパラメータα_ｊｋの絶対値が大きいほど、事後分布３６ａの期待値θｂ_ｊ４は、事前分布３５ａの期待値θａ_ｊ４である「０．５（＝５／１０）」に近い値となる。

【0092】

そして、重みＷ_ｊを事前分布３５ａの確信度として捉えることができる。つまり、事前分布３５ａの確信度が高い場合には、重みＷ_ｊを大きな値とすると良い。この場合、事後分布３６ａの期待値θｂ_ｊ４は、事前分布３５ａの期待値θａ_ｊ４に近い値となる。一方、事前分布３５ａの確信度が低い場合には、重みＷ_ｊを小さな値とすると良い。この場合、事後分布３６ａの期待値θｂ_ｊ４は、観測データ３２ａのデータ頻度β_ｊｋについての最尤推定量φ_ｊ４に近い値となる。このように、事前分布３５ａの確信度に応じて重みＷ_ｊを調整することにより、事後分布３６ａの期待値θｂ_ｊ４を所望の値とすることができる。

【0093】

図６に戻り説明する。図６に示すように、知識モデル格納部３８は、生成部３６により生成された条件付確率表３６ｂを、親因子Ａと子因子Ｃとの関係性情報２４として、当該関係性情報２４を含む知識モデル４ａを格納する。

【0094】

モデル編集処理部３９は、操作者の入力を受け付け、かつ、操作者の入力に応じて、知識モデル格納部３８に格納されている知識モデル４ａを構成する条件付確率表３６ｂを編集可能に構成されている。モデル編集処理部３９は、図１２の上段に示す条件付確率表３６ｂの各要素値を、操作者の入力により調整可能とする。なお、モデル編集処理部３９は、操作者の入力により、条件付確率表３６ｂをゼロから作成することも可能である。

【0095】

ここで、生成部３６は、上記の処理に加えて、観測データ取得部３２が新たな観測データ３２ａを取得した場合に、新たな条件付確率表３６ｂを生成し、知識モデル格納部３８に格納されている知識モデル４ａを更新することができる。

【0096】

この場合、事前分布格納部３５は、生成部３６による事後分布３６ａの生成過程にて得られた各要素値Ｎｂ_ｊｋ（式（１２）にて表される）を、次の事前分布３５ａのパラメータα_ｊｋとして格納することができる。そして、生成部３６は、事前分布格納部３５に新たに格納された事前分布３５ａのパラメータα_ｊｋおよび観測データ取得部３２により新たに取得された観測データ３２ａに基づいて、新たな事後分布３６ａを算出することができる。生成部３６は、新たに算出した事後分布３６ａに基づいて、事後分布３６ａの期待値θｂ_ｊｋを各要素値とする条件付確率表３６ｂを生成することができる。

【0097】

図１３～図１５を参照して、知識モデル４ａを構成する条件付確率表の更新の手順について詳細に説明する。図１３に示すように、観測データ３２ａが全く存在しない場合には、事前分布３５ａのパラメータα_ｊｋのみにより、条件付確率表３５ｂが生成される。つまり、ここでの条件付確率表３５ｂの各要素値は、事前分布３５ａの期待値θａ_ｊｋそのものである。この時点では、知識モデル格納部３８に格納されている知識モデル４ａは、事前分布３５ａのパラメータα_ｊｋのみにより表された条件付確率表３５ｂにより定義されている。

【0098】

続いて、観測データ３２ａが取得されたとする。図１４に示すように、生成部３６は、事前分布３５ａのパラメータα_ｊｋと観測データ３２ａとに基づいて、ベイズ推定を用いて事後分布３６ａのパラメータγ_ｊｋを算出し、事後分布３６ａの期待値θｂ_ｊｋを生成する。そして、生成部３６は、事後分布３６ａの期待値θｂ_ｊｋを各要素値とする条件付確率表３６ｂを生成する。そうすると、生成部３６は、知識モデル格納部３８に格納されている知識モデル４ａを更新する。

【0099】

さらに続いて、生成部３６が事後分布３６ａの生成過程にて得られた各要素値Ｎｂ_ｊｋを、事前分布格納部３５に新たな事前分布３５ａのパラメータα_ｊｋとして格納される。つまり、図１５に示すように、新たな事前分布３５ａのパラメータα_ｊｋが、先回の事後分布３６ａの生成過程にて得られた各要素値Ｎｂ_ｊｋとなる。そして、新たな観測データ３２ａが取得されたとする。生成部３６は、更新された新たな事前分布３５ａのパラメータα_ｊｋと新たな観測データ３２ａとに基づいて、新たな事後分布３６ａを算出し、新たな事後分布３６ａの期待値θｂ’_ｊｋを生成する。そして、生成部３６は、新たな事後分布３６ａの期待値θｂ’_ｊｋを各要素値とする条件付確率表３６ｂを生成する。そうすると、生成部３６は、知識モデル格納部３８に格納されている知識モデル４ａを再び更新する。

【0100】

５．知識モデル作成支援装置３０の効果
知識モデル作成支援装置３０によれば、条件付確率表３５ｂ，３６ｂを、知識モデル４ａを構成する因子同士の関係性情報２４としている。条件付確率表３５ｂ，３６ｂとは、親因子Ａ，Ｂの因子値を条件とした場合に、子因子Ｃの因子値に該当する確率により定義される。つまり、条件付確率表３５ｂ，３６ｂは、親因子Ａ，Ｂの因子値と子因子Ｃの因子値とを直接関係付けるのではなく、確率を用いて表している。従って、因子同士の関係性を柔軟に定義することができる。

【0101】

さらに、生成部３６は、観測データ３２ａに基づいて、因子同士の関係性情報２４としての条件付確率表３６ｂを生成する。生成部３６は、条件付確率表３６ｂを生成した後において、新たに観測データ３２ａを取得した場合には、新たな観測データ３２ａに基づいて新たな条件付確率表３６ｂを生成する。そして、生成部３６は、知識モデル格納部３８に格納されている知識モデル４ａを、新たに生成した条件付確率表３６ｂを関係性情報２４とする知識モデル４ａに更新する。従って、知識モデル４ａが更新されるため、初期において知識モデル４ａの精度が低いとしても、次第に高くなっていく。このように、知識モデル４ａを効率よく作成することができる。

【0102】

特に、生成部３６は、ベイズ推定を用いて条件付確率表３６ｂを生成することとした。つまり、ベイズ推定における事前分布３５ａを有効利用することにより、観測データ３２ａが少ない段階であっても、知識モデル４ａを高精度にすることができる。ただし、事前分布３５ａの精度によっては、知識モデル４ａを高精度にすることができない可能性がある。そこで、生成部３６は、重みＷ_ｊを用いて事後分布３６ａの期待値θｂ_ｊｋを求めることにより、事前分布３５ａの確信度に応じた知識モデル４ａを生成することができる。

【0103】

そして、生成部３６がベイズ推定を用いて条件付確率表３６ｂを更新することにより、観測データ３２ａが多く確保できるようになると、事後分布３６ａの期待値θｂ_ｊｋにおいて観測データ３２ａの影響割合が高くなっていく。従って、観測データ３２ａが多数確保できた場合には、確実性の高い観測データ３２ａの影響割合を高くすることにより、高精度な知識モデル４ａを生成することができる。

【0104】

そして、上述した重みＷ_ｊは、親因子Ａ，Ｂの因子値毎、すなわち、親因子Ａ，Ｂの離散区間ｊ毎に、異なる値に設定することができる。重みＷ_ｊは、事前分布３５ａの確信度を表す。親因子Ａ，Ｂの離散区間ｊに応じて、確信度が異なることがある。例えば、作業者がこれまで多く経験したことのある離散区間ｊにおいては、高い確信度を持って事前分布３５ａを決定することができる。しかし、そうでない場合には、高い確信度を持って事前分布３５ａを決定することができない場合がある。このような場合に、重みＷ_ｊを離散区間ｊ毎に設定することで、適切な条件付確率表３６ｂ、ひいては知識モデル４ａを生成することができる。

【0105】

６．知識モデル４ａの作成方法
知識モデル４ａの作成方法について図１６～図１８を参照して説明する。図１６～図１８は、知識モデル作成支援装置３０の表示画面の描画ＧＵＩウィンドウ４０である。まず、図１６に示すように、操作者は、描画ＧＵＩウィンドウ４０において、「因子」のＧＵＩ要素を指定して、描画領域の任意の位置に配置する。そうすると、描画領域に、因子を表すノード図形１１（図１に示す）が表示される。

【0106】

続いて、図１７に示すように、操作者は、描画ＧＵＩウィンドウ４０の描画領域において、「接続」のＧＵＩ要素を指定して、因子同士を接続する。そうすると、描画領域に、因子同士を接続するリンク図形１２が表示される。

【0107】

続いて、図１８に示すように、操作者は、描画ＧＵＩウィンドウ４０の描画領域において、リンク図形１２を指定する。そうすると、描画ＧＵＩウィンドウ４０とは別の入力ＧＵＩウィンドウ４１が新たに表示される。表示された新たな入力ＧＵＩウィンドウ４１には、接続種が選択可能に表示されている。接続種としては、上述した「条件付確率表」の他に、公知の「ランク値－ランク値」、「ランク値－レンジ値」、「レンジ値－レンジ値」が存在する。操作者は、所望の接続種を選択することで、選択した接続種に応じた情報を入力することができる。操作者が、入力ＧＵＩウィンドウ４１において「条件付確率表」を選択した場合には、上述したように、自動的に条件付確率表が生成される。

【0108】

７．知識モデル４ａの自動更新方法
初期において、知識モデル４ａを作成する方法は、図１６～図１８に示すような描画ＧＵＩウィンドウ４０を用いて行われる。一旦作成された知識モデル４ａは、新たな観測データ３２ａを取得することにより更新することができる。

【0109】

図１に示すように、知識モデル実行装置４が知識モデル作成支援装置３０を備えており、知識モデル実行装置４が、複数台の産業機械２，３と通信可能に構成されているとする。この場合、知識モデル作成支援装置３０を構成する生成部３６は、設定されたタイミングで、産業機械２，３から観測データ３２ａを取得することができる。そして、生成部３６は、因子に応じて設定されたタイミングにて、新たな条件付確率表３６ｂを生成し、知識モデル格納部３８に格納される知識モデル４ａを更新することができる。

【0110】

この場合、知識モデル実行装置４は、複数台の産業機械２，３の観測データ３２ａを取得することができるため、知識モデル作成支援装置３０を構成する生成部３６は、複数台の産業機械２，３に共通する知識モデル４ａを生成かつ更新し、知識モデル格納部３８に当該知識モデル４ａを格納することができる。

【0111】

また、上記とは異なり、知識モデル実行装置４が知識モデル作成支援装置３０を備えており、産業機械２，３のそれぞれに設けられるようにしても良い。この場合、知識モデル作成支援装置３０を構成する観測データ取得部３２は、産業機械２，３ごとの観測データ３２ａを取得する。生成部３６は、産業機械２，３に個別に対応する条件付確率表３６ｂを生成かつ更新し、知識モデル格納部３８に当該知識モデル４ａを格納することができる。このように、知識モデル４ａが、産業機械２，３のそれぞれに個別に対応したものとなる。従って、産業機械２，３のそれぞれに適切に対応した知識モデル４ａを生成することができる。

【符号の説明】

【0112】

４ａ 知識モデル
２１，２２，２３ 因子
２４ 関係性情報
３０ 知識モデル作成支援装置
３１ 対象因子取得部
３１ａ 対象因子
３２ 観測データ取得部
３２ａ 観測データ
３６ 生成部
３６ｂ 条件付確率表
３８ 知識モデル格納部
Ａ，Ｂ 親因子
Ｃ 子因子

【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】

【図14】

【図15】

【図16】

【図17】

【図18】