特開 2025-26446 ミッションを電子的に監視するように動作可能なシステム

(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】P2025026446

(43)【公開日】2025-02-21

(54)【発明の名称】ミッションを電子的に監視するように動作可能なシステム

(51)【国際特許分類】

   G06N 3/08 20230101AFI20250214BHJP

   G06N 20/00 20190101ALI20250214BHJP

【ＦＩ】

G06N3/08

G06N20/00

【審査請求】未請求

【請求項の数】20

【出願形態】ＯＬ

【外国語出願】

(21)【出願番号】P 2024134889

(22)【出願日】2024-08-13

(31)【優先権主張番号】63/518,766

(32)【優先日】2023-08-10

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】63/607,737

(32)【優先日】2023-12-08

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】18/799,710

(32)【優先日】2024-08-09

(33)【優先権主張国・地域又は機関】US

(31)【優先権主張番号】18/799,722

(32)【優先日】2024-08-09

(33)【優先権主張国・地域又は機関】US

(71)【出願人】

【識別番号】500107762

【氏名又は名称】ハミルトン・サンドストランド・コーポレイション

【氏名又は名称原語表記】ＨＡＭＩＬＴＯＮ ＳＵＮＤＳＴＲＡＮＤ ＣＯＲＰＯＲＡＴＩＯＮ

(74)【代理人】

【識別番号】100086232

【弁理士】

【氏名又は名称】小林 博通

(74)【代理人】

【識別番号】100092613

【弁理士】

【氏名又は名称】富岡 潔

(74)【代理人】

【識別番号】100104938

【弁理士】

【氏名又は名称】鵜澤 英久

(74)【代理人】

【識別番号】100140361

【弁理士】

【氏名又は名称】山口 幸二

(72)【発明者】

【氏名】ジェイク ローリグ

(72)【発明者】

【氏名】ミゲル エー．トーレス

(72)【発明者】

【氏名】ハンター サンディッジ

(72)【発明者】

【氏名】ジャクソン トーマス ウェアー

(72)【発明者】

【氏名】テイラー カーク

(57)【要約】

【課題】 ミッションを監視するためのシステムを提供する。
【解決手段】 このシステムは、ミッションに関連付けられ、リモートステーションに配置されたデジタルエコシステム（ＤＥ）を含む。ＤＥは、ミッションと共にローカルに配置された配備製品に関連する検知されたデータに応答して、配備製品に関連する性能データを生成する。プロセッサは、ミッションに配置されたローカルプロセッサリソースと、リモートステーションのリモートプロセッサリソースとを含む。プロセッサ動作は、性能データの一部に応答して、初期認知出力動作に関連する初期認知出力を生成する第１の認知アルゴリズムを実行することと、初期認知出力に関連する初期認知出力動作を開始する前に、ユーザに初期認知出力を表示することと、初期認知出力に関するユーザフィードバックを受信したことに応答して、ユーザフィードバックに基づいてユーザフィードバック後の操作を実行することと、を含む。
【選択図】図１

【特許請求の範囲】

【請求項1】

ミッションを電子的に監視するように動作可能なシステムであって、
プロセッサシステムと、
前記プロセッサシステムと電子通信するデジタルエコシステム（ＤＥ）であって、前記ＤＥは前記ミッションに関連付けられ、リモートステーションに配置される、前記ＤＥと、を含み、
前記ＤＥは、前記ミッションと共にローカルに配置された配備製品に関連する検知されたデータに応答して、前記配備製品に関連する性能データを生成するように動作可能であり、
前記プロセッサシステムは、前記ミッションと共にローカルに配置されたローカルプロセッサシステムリソースを含み、
前記プロセッサシステムは、前記ミッションからリモートに配置された前記リモートステーションにリモートプロセッサリソースをさらに含み、
前記プロセッサシステムが、プロセッサシステムの動作を実行するように動作可能であり、前記プロセッサシステムの動作が、
前記性能データの一部に応答して、初期認知出力動作に関連付けられた初期認知出力を生成するように動作可能な第１の認知アルゴリズムを実行することと、
前記初期認知出力に関連する前記初期認知出力動作を開始する前に、前記初期認知出力をユーザに表示することと、
前記初期認知出力に関するユーザフィードバックを受信したことに応答して、ユーザフィードバック後の操作を、前記ユーザフィードバックに少なくとも部分的に基づいて実行することと、
を含む、前記システム。

【請求項2】

前記第１の認知アルゴリズムが、異常検出認知アルゴリズム、予後認知アルゴリズム、及び性能評価認知アルゴリズムのうちの１つ以上を含む、請求項１に記載のシステム。

【請求項3】

前記ユーザフィードバックが、前記初期認知出力とのユーザの合意を含む、請求項１に記載のシステム。

【請求項4】

前記ユーザフィードバック後の操作が、前記初期認知出力アクションを開始することを含む、請求項３に記載のシステム。

【請求項5】

前記ユーザフィードバックが、前記初期認知出力の修正を含む、請求項１に記載のシステム。

【請求項6】

前記ユーザフィードバックが、前記初期認知出力アクションの修正を含む、請求項１に記載のシステム。

【請求項7】

前記ユーザフィードバックが、
前記初期認知出力の修正と、
前記初期認知出力アクションの修正と、を含む、請求項１に記載のシステム。

【請求項8】

前記ユーザフィードバック後の操作は、前記ユーザフィードバックを使用して、前記ユーザの電子モデルを含むユーザモデルをトレーニングすることを含み、
前記ユーザモデルは、前記初期認知出力のインスタンスに応答して前記ユーザによって生成されるフィードバックの予測を含むユーザモデル生成フィードバックを生成することを含むタスクを実行するようにトレーニングされ、
前記ユーザモデルは、前記ユーザのデジタルツインを含む、請求項１に記載のシステム。

【請求項9】

前記第１の認知アルゴリズムが、異常検出アルゴリズム、予後アルゴリズム、及び性能評価アルゴリズムのうちの１つ以上を含む、請求項１に記載のシステム。

【請求項10】

前記プロセッサシステムの動作が、前記ユーザフィードバックの十分性を評価する第２の認知アルゴリズムを実行することをさらに含み、
前記ユーザフィードバックの前記十分性が、
前記ユーザフィードバックが前記ユーザフィードバックの理論的根拠を含むかどうか、及び
前記理論的根拠が１つ以上の所定の基準を満たしているかどうか、を含む、請求項１に記載のシステム。

【請求項11】

前記第２の認知アルゴリズムが、前記ユーザフィードバックが十分ではないという前記第２の認知アルゴリズムによる判定に応答して、前記ユーザに問い合わせを発行する、請求項１０に記載のシステム。

【請求項12】

前記ユーザからの前記問い合わせ要求は、
前記ユーザフィードバックの前記理論的根拠と、
前記ユーザフィードバックの前記理論的根拠の補足と、を含む、請求項１１に記載のシステム。

【請求項13】

前記第２の認知アルゴリズムが、自然言語処理機能を有するＱ＆Ａアルゴリズムを含み、
前記ユーザフィードバックが、前記ユーザフィードバックの自然言語による理論的根拠を含む、請求項１０に記載のシステム。

【請求項14】

前記プロセッサシステムの動作が、前記ユーザフィードバック後の操作の結果をデータリポジトリに記憶することにより、前記ユーザの知識コーパスを生成することをさらに含む、請求項１に記載のシステム。

【請求項15】

近地球宇宙探索（ＮＥＳＥ）ミッションを電子的に監視するように動作可能なシステムであって、
プロセッサシステムと、
前記プロセッサシステムと電子的に通信するデジタルエコシステム（ＤＥ）であって、前記ＤＥは前記ＮＥＳＥミッションに関連付けられ、リモートステーションに配置される、前記ＤＥと、を含み、
前記ＤＥは、前記ＮＥＳＥミッションと共にローカルに配置された配備製品に関連する検知されたデータに応答して、前記配備製品に関連する性能データを生成するように動作可能であり、
前記プロセッサシステムは、前記ＮＥＳＥミッションと共にローカルに配置されたローカルプロセッサシステムリソースを含み、
前記プロセッサシステムは、地球上に配置された前記リモートステーションにリモートプロセッサリソースをさらに含み、
前記プロセッサシステムが、プロセッサシステムの動作を実行するように動作可能であり、前記プロセッサシステムの動作が、
前記性能データの一部に応答して、初期認知出力動作に関連付けられた初期認知出力を生成するように動作可能な第１の認知アルゴリズムを実行することと、
前記初期認知出力に関連する前記初期認知出力動作を開始する前に、前記初期認知出力を前記リモートステーションのユーザに表示することと、
前記初期認知出力に関するユーザフィードバックを受信したことに応答して、ユーザフィードバック後の操作を、前記ユーザフィードバックに少なくとも部分的に基づいて実行することと、
を含む、前記システム。

【請求項16】

前記配備製品は、第１の配備製品を含み、
前記検知されたデータは、前記第１の配備製品に関連する第１の検知データを含み、
前記プロセッサシステムの動作は、前記第１の検知データに応答して、前記第１の配備製品の性能をシミュレートして、前記第１の配備製品の強化されたシミュレーション性能データを生成するように動作可能な物理法則に基づく認知アルゴリズムを実行することをさらに含む、請求項１５に記載のシステム。

【請求項17】

前記物理法則に基づく認知アルゴリズムを実行することが、前記第１の配備製品に関連する前記第１の検知データに少なくとも部分的に基づいて、前記物理法則に基づく認知アルゴリズムを再トレーニングすることを含む、請求項１６に記載のシステム。

【請求項18】

前記物理法則に基づく認知アルゴリズムが、生成型認知アルゴリズムを含む、請求項１６に記載のシステム。

【請求項19】

前記ユーザフィードバック後の操作は、前記ユーザフィードバックを使用して、前記ユーザの電子モデルを含むユーザモデルをトレーニングすることを含む、請求項１８に記載のシステム。

【請求項20】

前記ユーザモデルは、前記初期認知出力のインスタンスに応答して前記ユーザによって生成されるフィードバックの予測を含むユーザモデル生成フィードバックを生成することを含むタスクを実行するようにトレーニングされ、
前記ユーザモデルは、前記ユーザのデジタルツインを含む、請求項１９に記載のシステム。

【発明の詳細な説明】

【技術分野】

【0001】

（関連出願の相互参照）
本出願は、２０２３年８月１０日に出願された米国仮出願第６３／５１８，７６６号、及び２０２３年１２月８日に出願された米国仮出願第６３／６０７，７３７号の利益を主張し、これらの文献の開示は、それらの全体が参照によって本明細書に組み込まれる。

【0002】

本開示は、概して、コンピュータ制御された分散型製品及びシステムの電子分析に関し、より詳細には、データを自動的に監視及び分析して傾向を検出し、問題解決を実行するように動作可能な、新規な認知学習ベースのミッション分析及び制御システムに関する。本開示の実施形態では、新規な認知学習ベースのミッション分析及び制御システムはさらに、自己学習機能を拡張するために使用できる人間の専門知識を取り込み及びキャプチャするように動作可能である。

【背景技術】

【0003】

本明細書では、用語「ミッション」は、何らかの意図された目標を達成するプロセスにおいてテレメトリ（すなわち、テレメトリデータ）を生成する、その目標を有する任意の活動を指すために使用される。一般に、テレメトリデータは、例えばセンサ及びプロトコルを使用したソースからの測定値の収集及び伝送を指す。ミッションは、多くの場合、セミトラック、建設車両、オフィスビル、飛行機、列車、病院用病床、潜水艦などを含むがこれらに限定されない、何らかの形式の可動構造物または固定構造物の使用を伴う。いくつかの状況では、ミッションは、発見及び学習するために未知の領域、危険な領域、またはアクセスが困難な領域への移動を含む、人間による周囲の探索を含み得る。このようなミッションは、あらゆる種類の地形（例えば、山、洞窟など）を持つ陸上、さまざまな深さの地下、さまざまな深さの水域、地球大気圏内の空中、そして地球大気圏を越えて宇宙空間で発生する可能性がある。

【0004】

ミッションの非限定的な例は、宇宙探索である。宇宙開発は、民間、国家安全保障（すなわち防衛及び情報）、商業などの部門に分類される。各部門は、全て共通の宇宙産業の基盤、労働力、インフラに依存しているものの、それらは独自の目標と資産を持って運営されている。民間の宇宙部門は、一般に、衛星の打ち上げ、衛星の管理、研究の実施、及び太陽系の探索を含む、国防に関連しない政府の宇宙活動を対象とする。米国では、ほぼ全ての民間宇宙ミッションは、米国国立航空宇宙局（ＮＡＳＡ）及び米国海洋大気庁（ＮＯＡＡ）によって管理または実行されている。

【0005】

国家安全保障宇宙セクターは、防御部門と情報部門の両方を対象とする。米国国防総省は、軍事作戦を支援する宇宙ミッションを監督し、米国情報機関のいくつかの機関は、軍事及び法執行のオペレーションを支援するために、情報目的で宇宙資産の運用に関与している。

【0006】

商業宇宙部門は、一般に、非政府系の顧客に製品を提供する法的能力を持つ民間企業によって提供される物品、サービス、及び活動を含む。宇宙の商業的使用の例には、衛星ナビゲーション、衛星テレビ、及び商業用衛星画像が含まれる。それらのようなサービスを提供する事業者は通常、衛星の製造及びそれらの打上げを、宇宙経済の不可欠な部分を形成する民間または公的企業に委託している。商業宇宙への試みは急速に拡大している。

【0007】

一般にミッションコントロール活動、特に宇宙活動を安全に実行及び監視するために必要なコンピューティングシステム、機械システム、及びノウハウは、広範囲にわたり、かつ複雑であり、多くの場合分散している。このようなミッションコントロール活動のために、比較的大量の電力、コンピューティングリソース、及び人員を提供することは困難である。

【発明の概要】

【発明が解決しようとする課題】

【0008】

したがって、本発明の目的は、上記の不利な点が低減されるように、冒頭で述べた種類のシステムを改良することである。

【課題を解決するための手段】

【0009】

ミッションを監視するためのシステムが開示されている。このシステムは、リモートステーションに配置されたデジタルエコシステム（ＤＥ）と通信するプロセッサシステムを含む。ＤＥは、ミッションと共にローカルに配置された配備製品の検知データに応答して、配備製品の性能データを生成する。プロセッサシステムは、ミッションに配置されたローカルプロセッサシステムリソース、ならびにミッションから遠隔に配置されたリモートステーションのリモートプロセッサリソースを含む。プロセッサシステムは、性能データの一部に応答して、初期認知出力動作に関連する初期認知出力を生成する第１の認知アルゴリズムを実行することと、初期認知出力動作を開始する前に、ユーザに初期認知出力を表示することと、初期認知出力に関するユーザフィードバックを受信したことに応答して、ユーザフィードバックに少なくとも部分的に基づいてユーザフィードバック後の操作を実行することと、を含むプロセッサシステムの動作を実行する。

【0010】

本明細書で説明される特徴のいずれか１つ以上に加えて、第１の認知アルゴリズムは、異常検出認知アルゴリズム、予後認知アルゴリズム、及び性能評価認知アルゴリズムのうちの１つ以上を含む。

【0011】

本明細書で説明される特徴のいずれか１つ以上に加えて、ユーザフィードバックは、初期の認知出力とのユーザの合意を含む。

【0012】

本明細書で説明される特徴のいずれか１つ以上に加えて、ユーザフィードバック後の操作は、初期認知出力動作を開始することを含む。

【0013】

本明細書で説明される特徴のいずれか１つ以上に加えて、ユーザフィードバックは、初期の認知出力の変更を含む。

【0014】

本明細書で説明される特徴のいずれか１つ以上に加えて、ユーザフィードバックは、初期の認知出力動作の変更を含む。

【0015】

本明細書で説明される特徴のいずれか１つ以上に加えて、ユーザフィードバックは、初期の認知出力の変更と、初期の認知出力動作の変更とを含む。

【0016】

本明細書で説明される特徴のいずれか１つ以上に加えて、ユーザフィードバック後の操作は、ユーザフィードバックを使用して、ユーザの電子モデルを含むユーザモデルをトレーニングすることを含む。

【0017】

本明細書で説明する特徴のいずれか１つ以上に加えて、ユーザモデルは、初期認知出力のインスタンスに応答してユーザによって生成されるであろうフィードバックの予測を含むユーザモデル生成フィードバックを生成することを含むタスクを実行するようにトレーニングされる。

【0018】

本明細書で説明される特徴のいずれか１つ以上に加えて、ユーザモデルは、ユーザのデジタルツインを含む。

【0019】

本明細書で説明される特徴のいずれか１つ以上に加えて、第１の認知アルゴリズムは、異常検出アルゴリズム、予測アルゴリズム、及び性能評価アルゴリズムのうちの１つ以上を含む。

【0020】

本明細書で説明される特徴のいずれか１つ以上に加えて、プロセッサシステムの動作は、ユーザフィードバックの十分性を評価する第２の認知アルゴリズムを実行することをさらに含む。

【0021】

本明細書で説明される特徴のいずれか１つ以上に加えて、ユーザフィードバックの十分性は、ユーザフィードバックがユーザフィードバックの理論的根拠を含むかどうか、理論的根拠が１つ以上の所定の基準を満たしているかどうかを判定することと、を含む。

【0022】

本明細書で説明される特徴のいずれか１つ以上に加えて、第２の認知アルゴリズムは、ユーザフィードバックが十分ではないという第２の認知アルゴリズムによる判定に応答して、ユーザに問い合わせを発行する。

【0023】

本明細書で説明される特徴のいずれか１つ以上に加えて、問い合わせは、ユーザからのユーザフィードバックの理論的根拠を要求する。

【0024】

本明細書で説明される特徴のいずれか１つ以上に加えて、問い合わせは、ユーザからのユーザフィードバックの理論的根拠の補足を要求する。

【0025】

本明細書に記載された特徴のいずれか１つ以上に加えて、第２の認知アルゴリズムは、自然言語処理機能を有する質問＆回答アルゴリズムを含み、ユーザフィードバックは、ユーザフィードバックの自然言語による理論的根拠を含む。

【0026】

本明細書で説明される特徴のいずれか１つ以上に加えて、プロセッサシステムの動作は、ユーザフィードバック後の操作の結果をデータリポジトリに記憶することによって、ユーザの知識コーパスを生成することをさらに含む。

【0027】

さらに開示されるのは、メモリに電子的に接続されたプロセッサシステムを含むシステムであり、プロセッサシステムは、複数の構成要素に関連する実際のデータにアクセスすることを含むプロセッサシステムの動作を行う。実際のデータは、第１の構成要素の性能をシミュレートするように動作可能な物理法則に基づく認知アルゴリズムに提供される。物理法則に基づく認知アルゴリズムは、複数の構成要素に関連する実際のデータに少なくとも部分的に基づいて、第１の構成要素の強化されたシミュレーション性能データを生成するように実行される。

【0028】

本明細書に記載される特徴のいずれか１つ以上に加えて、第１の構成要素は、複数の構成要素とは異なる。

【0029】

本明細書に記載された特徴のいずれか１つ以上に加えて、複数の構成要素に関連する実際のデータに少なくとも部分的に基づいて、第１の構成要素の強化されたシミュレーション性能データを生成するための物理法則に基づく認知アルゴリズムは、複数の構成要素に関連付けられた実際のデータに少なくとも部分的に基づいて物理法則に基づく認知アルゴリズムを再トレーニングすることを含む。

【0030】

本明細書で説明される特徴のいずれか１つ以上に加えて、物理法則に基づく認知アルゴリズムは、生成系ニューラルネットワークを含むが、これに限定されない。

【0031】

本明細書で説明される特徴のいずれか１つ以上に加えて、プロセッサシステムの動作はさらに、第１の構成要素の第１の動作条件を受信することと、第１の動作条件及び第１の構成要素の強化されたシミュレーション性能データを使用して、第１の動作条件下で存在するであろう第１の構成要素の性能データをシミュレートする、第１の構成要素の強化されたシミュレーション性能データのバージョンを生成することと、をさらに含む。

【0032】

本明細書で説明される特徴のいずれか１つ以上に加えて、プロセッサシステムの動作はさらに、複数の構成要素に関連付けられた実際のデータ、第１の動作条件及び第１の構成要素の強化されたシミュレーション性能データを使用して、第１の動作条件下で存在するであろう第１の構成要素の性能データをシミュレートする、第１の構成要素の強化されたシミュレーション性能データのバージョンを生成することと、をさらに含む。

【0033】

本明細書で説明される特徴のいずれか１つ以上に加えて、第１の構成要素の第１の動作状態は、第１の構成要素の障害状態を含む。

【0034】

本明細書に記載された特徴のいずれか１つ以上に加えて、第１の構成要素の第１の動作状態は、第１の構成要素の障害状態、第１の構成要素の予測障害状態、第１の構成要素の性能低下状態、第１の構成要素への環境ストレッサーの適用、及び第１の構成要素の緊急動作モードからなる群から選択される。

【0035】

本明細書で説明される特徴のいずれか１つ以上に加えて、プロセッサシステムの動作はさらに、第１の動作条件及び第１の構成要素の強化されたシミュレーション性能データを使用して、第１の動作条件下で存在するであろう第１の構成要素の性能データをシミュレートする、第１の構成要素の強化されたシミュレーション性能データのバージョンを生成するために、認知アルゴリズムを使用すること、をさらに含む。

【0036】

本明細書で説明される特徴のいずれか１つ以上に加えて、プロセッサシステムの動作は、認知アルゴリズムにトレーニングデータを提供することをさらに含み、トレーニングデータは、前記第１の動作条件下で存在するであろう第１の構成要素の性能データをシミュレートする第１の構成要素の生成された強化されたシミュレーション性能データのバージョンを含む。

【0037】

本明細書で説明される特徴のいずれか１つ以上に加えて、トレーニングデータは、複数の構成要素に関連する実際のデータをさらに含む。

【0038】

本明細書で説明される特徴のいずれか１つ以上に加えて、トレーニングデータは、認知アルゴリズムによって生成された認知出力に関するユーザフィードバックをさらに含む。

【0039】

本明細書で説明される特徴のいずれか１つ以上に加えて、認知アルゴリズムは、予測認知アルゴリズム、異常検出認知アルゴリズム、及び性能分析認知アルゴリズムからなる群から選択される。

【0040】

さらに開示されるのは、メモリに電子的に接続されたプロセッサシステムを含むシステムである。プロセッサシステムは、初期認知出力動作に関連する初期認知出力を生成するために、第１の認知アルゴリズムを実行することを含むプロセッサシステムの動作を実行する。初期認知出力に関連する初期認知出力動作を開始する前に、初期認知出力がユーザに表示される。初期の認知出力に関するユーザフィードバックを受信したことに応答して、ユーザフィードバック後の操作が、ユーザフィードバックに少なくとも部分的に基づいて実行される。複数の構成要素に関連する実際のデータがアクセスされる。実際のデータは、第１の構成要素の性能をシミュレートするように動作可能な物理法則に基づく認知アルゴリズムに提供される。物理法則に基づく認知アルゴリズムは、複数の構成要素に関連する実際のデータに少なくとも部分的に基づいて、第１の構成要素の強化されたシミュレーション性能データを生成するように実行される。第１の構成要素の第１の動作条件が受信される。第１の動作条件及び第１の構成要素の強化されたシミュレーション性能データを使用して、第１の動作条件下で存在するであろう第１の構成要素の性能データをシミュレートする、第１の構成要素の強化されたシミュレーション性能データのバージョンが生成される。プロセッサシステムの動作はさらに、トレーニングデータを認知アルゴリズムに提供することを含む。トレーニングデータは、第１の動作条件下で存在するであろう第１の構成要素の性能データをシミュレートする、第１の構成要素の強化されたシミュレーション性能データを生成するバージョンと、複数の構成要素に関連する実際のデータと、初期認知出力に関するユーザフィードバックと、をさらに含む。

【0041】

さらに、近地球宇宙探索（ＮＥＳＥ）ミッションを電子的に監視するように動作可能なシステムが開示されている。システムは、ＮＥＳＥミッションに関連付けられ、ＮＥＳＥミッションと共にローカルに配置されたデジタルエコシステム（ＤＥ）と電子通信するプロセッサシステムを含む。ＤＥは、ＮＥＳＥミッションと共にローカルに配置された配備製品に関連する検知されたデータに応答して、配備製品に関連する性能データを生成するように動作可能である。プロセッサシステムは、ＮＥＳＥミッションと共にローカルに配置されたローカルプロセッサシステムリソースを含む。プロセッサシステムはさらに、地球上に配置されたリモートステーションにリモートプロセッサリソースを含む。プロセッサシステムは、性能データの一部に応答して、初期認知出力動作に関連する初期認知出力を生成するように動作可能な第１の認知アルゴリズムを実行することと、初期認知出力に関連する初期認知出力動作を開始する前に、ＮＥＳＥミッションと共にローカルに位置されるか、またはリモートステーションに位置されるユーザに初期認知出力を表示することと、初期認知出力に関するユーザフィードバックを受信したことに応答して、ユーザフィードバックに少なくとも部分的に基づいてユーザフィードバック後の操作を実行することと、を含むプロセッサシステムの動作を実行するように動作可能である。本開示のいくつかの実施形態では、プロセッサシステム、デジタルエコシステムなどは、リモートステーションにあり、ＮＥＳＥミッションによってローカルに配置された配備製品及び他の機器からテレメトリ情報（例えば、検知されたデータ）を受信するように動作可能である。

【0042】

本明細書で説明される特徴のいずれか１つ以上に加えて、配備製品は、第１の配備製品を含み、検知されたデータは、第１の配備製品に関連する第１の検知データを含み、プロセッサシステムの動作が、第１の検知データに応答して、第１の配備製品の性能をシミュレートして、第１の配備製品の強化されたシミュレーション性能データを生成するように動作可能な物理法則に基づく認知アルゴリズムを実行することをさらに含む。

【0043】

本明細書で説明される特徴のいずれか１つ以上に加えて、物理法則に基づく認知アルゴリズムを実行することは、第１の配備製品に関連する第１の検知データに少なくとも部分的に基づいて、物理法則に基づく認知アルゴリズムを再トレーニングすることを含む。

【0044】

本明細書で説明される特徴のいずれか１つ以上に加えて、物理法則に基づく認知アルゴリズムは、生成系認知アルゴリズムを含む。

【0045】

本明細書で説明される特徴のいずれか１つ以上に加えて、ユーザフィードバック後の操作は、ユーザフィードバックを使用して、ユーザの電子モデルを含むユーザモデルをトレーニングすることを含む。

【0046】

本明細書で説明する特徴のいずれか１つ以上に加えて、ユーザモデルは、初期認知出力のインスタンスに応答してユーザによって生成されるであろうフィードバックの予測を含むユーザモデル生成フィードバックを生成することを含むタスクを実行するようにトレーニングされ、ユーザモデルは、ユーザのデジタルツインを含む。

【0047】

本開示の実施形態はまた、上記の特徴、機能、及び特徴と機能の組み合わせを有するコンピュータ実装方法及びコンピュータプログラム製品を対象とする。

【0048】

さらなる特徴及び利点が、本開示の技術を通して実現される。本開示の他の実施形態及び態様は、本明細書において詳細に記載され、特許請求された技術的概念の一部であると判断される。利点及び特色を備えた本開示のより良好な理解のために、記載及び図面を参照されたい。

【0049】

次に、本開示をより完全に理解するために、添付の図面及び詳細な説明と関連させて、以下の簡単な説明を参照されたい。同様の参照符号は同様の部分を表す。

【図面の簡単な説明】

【0050】

【図1】本開示の実施形態によるシステムの簡略ブロック図である。

【図2A】本開示の実施形態によるシステムの簡略ブロック図である。

【図2B】本開示の実施形態によるシステムの簡略ブロック図である。

【図3】本開示の実施形態によるシステムの簡略ブロック図である。

【図4】本開示の実施形態によるシステムの簡略ブロック図である。

【図5】本開示の実施形態による方法のフロー図である。

【図6A】本開示の実施形態によるシステム及び／または方法の簡略ブロック図である。

【図6B】本開示の実施形態によるシステム及び／または方法の簡略ブロック図である。

【図6C】本開示の実施形態によるシステム及び／または方法の簡略ブロック図である。

【図6D】本開示の実施形態によるシステム及び／または方法の簡略ブロック図である。

【図7A】本開示の実施形態によるシステム及び／または方法の簡略ブロック図である。

【図7B】本開示の実施形態によるシステム及び／または方法の簡略ブロック図である。

【図7C】本開示の実施形態によるシステム及び／または方法の簡略ブロック図である。

【図8A】本開示の実施形態によるシステム及び／または方法の簡略ブロック図である。

【図8B】本開示の実施形態によるシステム及び／または方法の簡略ブロック図である。

【図9】本開示の態様を実装するために利用することができる機械学習システムを示す。

【図10】図９に示される機械学習システムによって実装され得る学習段階を示す。

【図11】本開示の様々な態様を実装することができる例示的なコンピューティングシステムの詳細を示す。

【発明を実施するための形態】

【0051】

開示される装置及び方法の１つ以上の実施形態の詳細説明が、限定ではなく例示として、図を参照しながら本明細書に提示される。

【0052】

コンピューティングリソースのサイズと効率は進歩しており、コンピューティングリソースは現在、多種多様なシステムと機器をサポートしている。コンピューティングリソースは、問題解決及びデータ分析を可能にするコンピュータシステム（例えば、図１１に示されるコンピューティングシステム１１００）のハードウェア及びソフトウェア構成要素を含む。コンピューティングリソースは、データセンタ内のサーバのような物理的なリソースである場合もあれば、オンデマンドで作成されるデスクトップのような仮想的なリソースである場合もある。コンピューティングリソースはまた、コンピュータシステムからアクセスできる任意のソフトウェアまたはデバイスを含むことができる。

【0053】

コンピュータベースのネットワーク技術は、製品またはシステムの特徴を拡張する。比較的小型のモバイルコンピューティングプロセッサ、センサ、ソフトウェア、及び接続性により、製品についての検知された操作データの収集、処理、及び外部システムへの送信が可能になる。接続された製品から収集されたデータを分析し、意思決定を通知し、製品の運用効率を可能にするために使用できる。現在利用可能なコンピューティングリソースなしで機能しようとするシステム及び機器は、不利になり得る。

【0054】

認知アルゴリズムは、様々なミッションで使用されるシステム、製品、及び機器のための重要なコンピューティングリソースである。本開示の実施形態では、認知システムまたは認知アルゴリズムは、応答が曖昧かつ不確実であり得る複雑な状況における人間の思考プロセスをシミュレートするために、コンピュータ化されたモデルを生成及び適用する様々なアルゴリズム／システムタイプを指す。従来の認知アルゴリズム／システムは、データマイニング、パターン認識、自然言語処理（ＮＬＰ）、及び他の関連する技術を使用して、実質的に人間の知能を模倣した意思決定（例えば、分類、予測など）を行う数学的モデルを生成する自己学習技術を含む。本開示の実施形態では、「出力」及び／または「出力動作」に適用される「認知」という修飾子は、認知アルゴリズム／システムによって実行される分析操作の結果を表すために、認知アルゴリズム／システムによって生成される出力、動作などを指す。

【0055】

既知のタイプの認知アルゴリズムは、人工知能（ＡＩ）アルゴリズムである。最も単純な形では、ＡＩは、コンピュータサイエンスとロバストなデータセットとを組み合わせて、問題解決を可能にする分野である。ＡＩベースのコンピューティングシステムは、ＡＩモデルとして実装され得、ＡＩモデルは、さらなる人間の介入なしに特定のパターンを認識し、または特定の決定を行うように、データのセットに対してトレーニングされたアルゴリズムまたはコンピュータプログラムである。ＡＩは、機械学習及び深層学習のサブフィールドを包含する。機械学習は、統計的方法及び幾何学的方法を利用して何らかの目的関数を学習するが、深層学習ニューラルネットワーク（ＮＮ）は入力層、隠れ層、及び出力層を含む。

【0056】

現在のコンピューティングリソースは非常に有用であるが、所与のミッションに必要なコンピューティングリソースを効果的に配置するのが困難な場合がある。いくつかの状況では、コンピューティングリソースが適切に機能することを可能にするために、コンピューティングリソースと内部領域専門家との間のインタラクションが必要である。監視される関連システム、製品、及び機器がコンピューティングリソースによって制御され、遠隔の、危険な、またはアクセスが困難な場所（例えば、水中、僻地、山の中、密林地帯など）に配備される場合、そのようなコンピューティングリソースのための十分な電力及び／または内部領域専門家インタラクションを提供することが困難な場合がある。

【0057】

先に述べたように、「ミッション」という用語は、本明細書では、何らかの意図された目標を達成するプロセスにおいてテレメトリ（すなわち、テレメトリデータ）を生成するその目標を有する任意の活動を指すために使用される。そのようなミッションの例は、宇宙関連のミッションである。本明細書で前述したように、商業宇宙への試みは急速に拡大している。一般にミッション活動、特に宇宙飛行活動を安全に実行及び制御するために必要なコンピューティングシステム、機械システム、及びノウハウは、広範囲にわたり、かつ複雑である。あらゆる種類の、特に商業宇宙への試みの増大は、一般的な飛行及び宇宙飛行の活動を安全に実行し、制御するために必要とされる既存のコンピューティングシステム、機械システム、及びノウハウに負担をかけることになる。このような既存のミッション／飛行制御システムは、少なくとも部分的に異種であるデータ領域（例えば、収集され、フォーマットされ、様々な分離されたリポジトリに収容された関連データの異なるセット）に起因して、効率的かつ効果的な傾向分析及び性能分析を実行することが困難であること、手作業によるデータ抽出（分析の遅延、非即時性につながる）、手作業によるデータ分析（計算または解釈に人為的ミスが生じる機会をもたらす）、ミッション・クリティカルなニーズの量に対するデータ工学／分析／科学分野の人的資本の不足、システムの運用と保守を担当する内部領域専門家の長期にわたる減少による知識の喪失など、多くの欠点に悩まされているが、これに限定されるものではない。

【0058】

本開示の例示的な実施形態は、データをエンドツーエンドで自動的に監視、分析、及び／または予測して傾向を検出し、問題解決するように動作可能であり、さらに、人間の専門知識を取り込み、キャプチャするように動作可能であり、これは、自己学習機能の拡張を含むがこれに限定されない様々な目的に使用できる、新規の認知学習ベースのミッション分析及び制御システムを提供することによって、上記に説明した欠点及び他の欠点に対処する。より具体的には、本開示の実施形態は、テレメトリ生成システム（例えば、物理ベースのモデル、配備されたハードウェアなど）、データ記憶／リポジトリシステム、アルゴリズム、及びＡＩ間の相互作用を含むアーキテクチャ及び方法を提供する。本開示のいくつかの実施形態では、選択されたＡＩアルゴリズム及び他のハードウェア監視／サポートシステムは、デジタルエコシステム内に常駐することができる。アーキテクチャ及び方法は、デジタルエコシステムにアクセスしてマン－マシンインタフェース（コンピュータ画面、オーディオなど）を提示するコンピューティングシステムと、健全性監視のための人間（予後、異常、性能、など）及びミッションハードウェアの管理間の相互作用をさらに含む。このシステムは、ミッションハードウェア及び人間の内部領域専門家によって生成及び作成されたデータをキャプチャして保持する。収集されたデータは、人工知能及び他のアルゴリズムを使用することにより、システムと相互作用するハードウェアと人間との両方のデジタルツインを作成するために使用される。新しいデータが作成されると、システムは自律的に自己学習し、仮想表現が最新式であるようにデジタルツイン、アルゴリズム、及び人工知能を更新する。これらの特徴の非限定的な例が、図１、２Ａ、及び２Ｂに図示され、本明細書でその後さらに詳細に説明される。

【0059】

本明細書で説明される特徴のいずれか１つ以上に加えて、開示されたシステム及び方法はさらに、人間（例えば、内部領域専門家（ＳＭＥ））が、記憶されたテレメトリにコンテキストを提供するように、知識のキャプチャ及び保持を可能にする。これらの特徴の非限定的な例（ヒューマン・イン・ザ・ループな検証、データ・ラベリング、及びクラウドソース・トレーニング）は、図３及び図５に図示されており、本明細書でその後さらに詳細に説明される。

【0060】

本明細書で説明される特徴のいずれか１つ以上に加えて、開示されたシステム及び方法は、ＳＭＥの仮想レプリカ（例えば、デジタルツイン）を作成するように動作可能なＡＩ及び他のアルゴリズムをさらに含む。本開示のいくつかの実施形態では、上記の人間／ＳＭＥの知識のキャプチャ及び保持は、知識ベースに結合され、包括的な複合仮想ＳＭＥを作成するために使用され得る。本開示のいくつかの実施形態では、仮想ＳＭＥは、チャットロボット、ＮＬインタフェース、またはグラフィカルユーザインタフェース（ＧＵＩ）の形式で相互作用される。これらの特徴の非限定的な例が、図４に図示され、本明細書でその後さらに詳細に説明される。

【0061】

本明細書で説明される特徴のいずれか１つ以上に加えて、開示されたシステム及び方法は、前述のデジタルツインを使用して、未知の障害モードの合成データを生成することをさらに含む。本開示の実施形態では、監視されているハードウェアのデジタルツインを使用して、実際のテレメトリでは観察不可能である、または観察されにくい特定のイベントの合成データを生成する。本開示のいくつかの実施形態では、合成データセットを使用して、ＡＩアルゴリズム及び他のアルゴリズムをトレーニングして、未知のイベントまたは稀なイベントを検出し、予測し、及び／または理解する。これらの特徴の非限定的な例が、図６Ａ～６Ｄに図示され、本明細書でその後さらに詳細に説明される。

【0062】

本明細書で説明される特徴のいずれか１つ以上に加えて、開示されたシステム及び方法は、消費者（例えば、図７Ａに示される消費者７０１）に、ＰＨＭ ＡＩエンジンメタモデル（例えば、図７Ａに示されるＰＨＭ ＡＩエンジンメタモデル７０６）または飛行ハードウェア（例えば、飛行ハードウェア７０７）のいずれかから情報を取り込むために、マルチパスを提供するＡＩエンジンプロセスを含む。この情報を受信すると、消費者は、その情報を最終的に消費する、すなわち、さらなる情報をＡＩエンジンプロセスに戻さず、あるいは、消費者がシステムを介してさらなるデータを相互作用する／渡すことができる。消費者がＡＩエンジンプロセスを介して情報を戻すことを望む／命令される場合、少なくとも２つのチャネルが存在し、それを介してデータを送信できる。第１に、データは、通常のテレメトリ（例えば、図７Ａに示されるテレメトリ７０２）として、すなわち、データがテレメトリ及びデータリポジトリ（例えば、図７Ａに示すテレメトリ及びデータリポジトリ７０４）に、保管目的であるが、即時的な処置ではなく、マイグレーションし直されることを意図して送り返されることができる。第２に、データは、トリガされたイベントテレメトリ（例えば、トリガされたイベントテレメトリ７０３）として、すなわち、即時的なアクションが取られることを望んで、データがテレメトリ及びデータリポジトリにマイグレーションし直される意図で送り返されることができる。ＡＩエンジンプロセスを通じてフローされたデータがトリガイベントチャネルを通じて送信された場合、ＰＨＭ ＡＩエンジンメタモデルは、そのトリガと新しいデータを使用して、いくつかのタスクイベント（既存モデルの更新／再トレーニング、既存モデルの完全な再構築、モデル予測ドリフト検出の実行など）を自動的に開始する。これらの特徴の非限定的な例が、図７Ａに図示され、本明細書でその後さらに詳細に説明される。

【0063】

本明細書で説明される特徴のいずれか１つ以上に加えて、開示されたシステム及び方法は、本明細書で「合成センサ」と呼ばれるセンサ（例えば、図７Ｂに示される推論センサ７１５）への新規のアプローチをさらに含む。例えば、本明細書で説明するデジタルツインを使用することにより、システム内のあらゆるものを測定及び観察できるが、実際のシステムでは、センサ及び測定値の数は多くの場合制約される。ＡＩ及びアルゴリズムの使用を通じて、本開示の実施形態は、様々な測定値がハードウェア上の実際のセンサに関連するため、それらを学習することを可能にし（例えば、図７Ｂに示す同時／推論合成センサ７１５を使用して）、これにより、測定値を実際に観測するセンサが存在しない場合に、実際のシステム上の「仮想」測定値の値を決定することができる。本開示のいくつかの実施形態では、開示された合成／推定センサは、システムのＡＩ及び他のアルゴリズムをトレーニングするために使用することができる追加のデータを生成するために、また、システムハードウェア（例えば、図１に示される配備製品１４２）上で診断を実行するために使用することができる。これらの特徴の非限定的な例が、図７Ｂに図示され、本明細書でその後さらに詳細に説明される。

【0064】

本明細書で説明される特徴のいずれか１つ以上に加えて、開示されたシステム及び方法は、データサンプリング周波数を向上させるための開示されたデジタルツインの新規の使用をさらに含む。本発明のいくつかの実施形態では、開示されたデジタルツインを使用して、低サンプリングレートでデータを生成するハードウェアのデータセットのギャップを本質的に埋めることによってサンプリング周波数を向上させる。例えば、所与のハードウェアデバイスが１分間に１つのデータポイントを提供する場合、本開示の実施形態は、１秒あたり１つで所与のハードウェアデバイスに関連付けられた正確なデータポイントを提供するモデルを提供する。これらの特徴の非限定的な例が、図７Ｃに図示され、本明細書でその後さらに詳細に説明される。

【0065】

本明細書で説明される特徴のいずれか１つ以上に加えて、開示されたシステム及び方法は、開示されたシステム及び方法の自己学習要素がＡＩ及び／または他のアルゴリズムを使用して、入力されるテレメトリに基づいてデジタルツイン（複数可）を自動的に再較正し、それによってデジタルツインを実際のハードウェアを代表するように同期させる、新規の自己較正デジタルツインをさらに含む。これらの特徴の非限定的な例が、図８Ａに図示され、本明細書でその後さらに詳細に説明される。

【0066】

本明細書に記載される特徴のいずれか１つ以上に加えて、開示されたシステム及び方法は、デジタルツイン及びＡＩモデルの新規のスケジュール及びイベントトリガ型再トレーニング／較正をさらに含む。これらの特徴により、開示されたシステム及び方法は、スケジュールされた、人間によって、または機械的によってトリガされたイベントに基づいて、デジタルツイン及びＰＨＭ関連ＡＩアルゴリズムを含むデジタルエコシステム（例えば、図１に示されるデジタルエコシステム１２０）内の関連するアルゴリズム／モデルを、自動的に更新することができる。これらの特徴の非限定的な例が、図８Ｂに図示され、本明細書でその後さらに詳細に説明される。

【0067】

図１は、本開示の態様による、新規の認知学習ベースのミッション分析及び制御システム１００を示す。システム１００は、例えば、軍事活動、防衛活動、及び／またはそのような領域についての学習を含む様々な目的のために、陸上ベース、地下、水ベース、地球大気ベース、及び宇宙ベースの移動を含む様々なミッションまたは探査タイプをサポートするように動作可能である。このようなミッション／探査は、あらゆる種類の地形（例えば、山、洞窟など）を持つ陸上、さまざまな深さの地下、さまざまな深さの水域、地球大気圏内の空中、そして地球大気圏を越えて宇宙まで及んでいる。システム１００のアーキテクチャは、システム１００の計算リソース及びアーキテクチャの一部または全てをリモートステーション１５０に位置することができ、それによってミッション／探索に利用可能な場合がある限られた計算能力の制限なしに様々な構成要素に計算リソースを提供するという点で、リモートステーション１５０の計算リソースを利用するように動作可能である。システム１００の自己学習機能は、限られたデータサイエンス及びソフトウェア工学リソースに依存せずに、知識集合のスケーリングを可能にする。

【0068】

システム１００は、図示のように構成され、かつ配置された、データリポジトリ１１０、デジタルエコシステム１２０、及びユーザインタフェース１３０を含む。一般に、デジタルエコシステムは、システム全体に関する情報を提供するためにデジタルデバイスのネットワーク／ユニットとして連携する一連の技術である。デジタルエコシステム１２０は、認知学習ベースのミッション分析、及び制御動作を実行するように構成及び配置された様々なコンピュータベースの監視及び制御システムを含み、制御動作は、感知された動作データを自動的に監視及び分析して、傾向を検出し、様々な配備された製品１４２及び所与のミッション／探索に関連した他のミッション／探索システムに関連した問題解決を実行する。デジタルエコシステム１２０のコンピュータベースの監視及び制御システムは、様々な構成及びタイプのＡＩシステムを含む。

【0069】

データリポジトリ１１０は、物理ベースのモデリングエンジン１４０、配備製品１４２（センサネットワーク１４４を介して）、リモートステーション１５０（アンテナネットワーク１４６を介して）、及び少なくとも１つの内部領域専門家（ＳＭＥ）４０２を含む様々なデータソースから、様々なデータタイプ（例えば、検知された動作データ）を自動的に取り込むように構成され、配置される。本開示の実施形態では、デジタルエコシステム１２０は、ＳＭＥ４０２にメッセージ、問い合わせ、及び他のプロンプトを自動的に表示して、ＳＭＥ４０２が、ＳＭＥ決定及びＳＭＥ決定のためのＳＭＥ理論的根拠の両方を含むＳＭＥ知識を入力することを確実にするように動作可能な構成要素及び機能を含む。本開示のいくつかの実施形態では、データリポジトリ１１０は、システム挙動、特に、未知の／発生頻度の低い障害イベント及び未知の／発生していない機械状態の合成データを生成するようにトレーニングされた物理ベースのモデリングエンジン１４０にデータを提供することができ、これらはまた、データリポジトリ１１０に格納されることができる。合成データは、実世界のイベントによって生成されたのではなく、人工的に製造された情報である。それは、アルゴリズム的に作成され、デジタルエコシステム１２０の数学的モデルを検証し、デジタルエコシステム１２０の機械学習（ＭＬ）モデルをトレーニングするために、生産データまたは操作データのテストデータセットの代用として使用される。物理ベースの（または物理法則に基づく）モデリングエンジン（複数可）１４０は、物理ベースの制約（例えば、物理ベースのモデリングエンジンの主題である関連現象の物理を説明する支配方程式）を含むように構成され、配置されたモデリングエンジンである。これらの方程式は、モデルへの入力パラメータとモデルの出力（複数可）との間の関係に関する追加のトレーニング情報を表す。

【0070】

システム１００のインタフェース１３０は、様々なユーザインタフェース（ＵＩ）構成で実装することができる。システム１００のインタフェース１３０は、デジタルエコシステム１２０を通じて生成されたインサイトを消費し、システム１００の自己学習機能にヒューマン・イン・ザ・ループなフィードバックを提供するように構成され、配置される。システム１００のインタフェース１３０は、例えば、エッジ（すなわち、ユーザによる使用地点）に位置するリアルタイムの問合せ応答（音声対音声、テキスト対音声、音声対テキスト、またはテキスト対テキスト）または要求対アクションエージェントを提供するように動作可能なデジタルアシスタントを含むことができる。デジタルアシスタントは、音声またはテキストプロンプトを介してデジタルエコシステム１２０内の任意の情報（及びデジタルエコシステム１２０の外部の潜在的な情報）をクエリし、対応する応答を受信することができるＡＩベースの機能を含むことができる。さらに、ＡＩベースのデジタルアシスタントのユーザは、要求（例えば、何らかのイベントがデータリポジトリ１１０で発生したことをログに記録する要求）に応答して、アクションを実行できる。効率的に、ＡＩベースのデジタルアシスタントは、ミッション／探索のデータ及びアクションに関連する特殊な機能を提供する。ＡＩベースのデジタルアシスタントの機能はまた、リモートステーション１５０のサポート要員（例えばミッション制御）によって、ならびにＳＭＥ４０２によって、情報をクエリし、デジタルエコシステム１２０にフィードバックを提供するために、アクセスし、かつ使用することができる。

【0071】

図２Ａは、本開示の態様による、新規の認知学習ベースのミッション分析及び制御システム１００Ａを示す。システム１００Ａは、（図１に示される）システム１００が、ミッション／探査が宇宙ベースのミッション／探査であるアプリケーションにおいてどのように実装され得るかの非限定的な例であり、具体的には、人間が搭乗する宇宙船及び人間が搭乗しない宇宙船の両方の宇宙ミッションハードウェアを監視するためにコンピューティングリソース及び人間の人員を使用する宇宙ベースのミッション／探査を含む。システム１００Ａでは、データリポジトリ１１０（図１に示される）は、データリポジトリ１１０Ａとして実装され、デジタルエコシステム１２０（図１に示される）は、デジタルエコシステム１２０Ａとして実装され、ユーザインタフェース１３０（図１に示される）は、ユーザインタフェース１４０Ａとして実装される。

【0072】

システム１００Ａは、限定されるものではないが、飛行システム及び／または環境制御システム及び生命維持システム（ＥＣＬＳＳ）などの配備製品１４２Ａの動作を最適化することに重点を置いて、宇宙探索を支援するように動作可能である。ＥＣＬＳＳは、あらゆる宇宙船（宇宙ステーション、宇宙服、宇宙輸送船など）または宇宙居住施設に存在する生命を維持・保存するために必要なあらゆる機能（空気の活性化、温度制御、湿度制御、生物学的廃棄物管理、水の生成など）に従事する再生生命維持ハードウェアのシステムである。ＥＣＬＳＳの創出により、宇宙でより多くの作業員を収容することが可能になり、作業員が宇宙にとどまることができる時間が延長され、リソースをリサイクルすることによって全体的な運用コストが大幅に削減される。国際宇宙ステーション（ＩＳＳ）に搭載のＥＣＬＳＳは、２つの主要な構成要素である、水回収システム（ＷＲＳ）と酸素生成システム（ＯＧＳ）を含む。ＷＲＳは、乗組員の尿、キャビンの湿度凝縮物、及びＥＶＡ（車両外活動）排泄物を再循環させることにより、清浄な水を提供する。再生水は、乗組員、実験動物、ＥＶＡ、及びペイロードの活動を支援するために利用する前に、厳格な純度基準を満たさなければならない。ＷＲＳは、ＵＰＡ（尿処理アセンブリ）及びＷＰＡ（水処理アセンブリ）を含む。ＯＧＳは、空気呼吸のための酸素を生成し、また、実験での使用、エアロックの減圧、モジュールの漏れ、及び二酸化炭素の排出の結果として失われた酸素を置き換える。ＯＧＳは、ＯＧＡ（酸素生成アセンブリ）及びＰＳＭ（電源モジュール）を含む。酸素は、選択可能な速度で生成され、連続的かつ周期的に動作することができる。

【0073】

システム１００Ａは、システム１００Ａのコンピューティングリソースの一部または全てを地球上に配置することができることにより、既存の製品に搭載された限られた計算能力の制約を受けることなく、宇宙飛行ハードウェアに計算リソースを提供することができる点において、地球のコンピューティングリソースを利用できる近地球ハードウェアである。一般に、近地球とは、低地球軌道、中地球軌道、中地球軌道、及び高地球軌道を含む、地球から地球の月までの宇宙の軌道領域を指す。本開示の実施形態では、地球上のコンピューティングリソースは、アンテナネットワーク１５２Ａと通信するリモート局１５０（図１に示す）として実装することができる。システム１００Ａの自己学習機能は、限られたデータサイエンス及びソフトウェア工学リソースに依存せずに、知識集合のスケーリングを可能にする。

【0074】

さらに図２Ａを参照すると、システム１００Ａは、図示するように構成及び配置されるデータレポジトリ１１０Ａ、デジタルエコシステム１２０Ｂ、及びユーザインタフェース１３０Ａを含む。システム１００Ａのデータリポジトリ１１０Ａ（例えば、ＳＱＬサーバ）は、（例えば、配備製品１４２Ａから、オンボードプロセッサ機能を有するスマートセンサを含むことができる分散型センサネットワーク１４４を介して）、飛行テレメトリ及び内部領域専門家（ＳＭＥ）の知識を自動的に取り込むように構成され、配置される。本開示の実施形態では、システム１００Ａは、ＳＭＥが、ＳＭＥによる決定及びＳＭＥによる決定のためのＳＭＥ論理的根拠の両方を含むＳＭＥの知識をシステム１００Ａに入力することを確実にするために、ＳＭＥ４０２にメッセージ、問い合わせ、及び他のプロンプトを自動的に表示するように動作可能な構成要素及び機能（例えば、図３に示すデジタルエコシステム１２０Ｃ）を含む。本開示のいくつかの実施形態では、テレメトリは、システム挙動、特に、未知の／発生頻度の低い障害イベント及び未知の／発生していない機械状態の合成データを生成するようにトレーニングされた１つ以上の物理ベースのモデリングエンジン１４０Ａに設けることができ、これらはまた、データリポジトリ１１０Ａに格納されることができる。合成データは、実世界のイベントによって生成されたのではなく、人工的に製造された情報である。これはアルゴリズム的に作成され、数学的モデルを検証し、機械学習（ＭＬ）モデルをトレーニングするために、生産または操作データのテストデータセットの代用として使用される。物理ベースの（または物理法則に基づく）モデリングエンジン（複数可）１４０Ａは、物理ベースの制約（例えば、物理ベースのモデリングエンジン１４０Ａの主題である関連現象の物理を説明する支配方程式）を含むように構成され、配置されたモデリングエンジンである。これらの方程式は、モデルへの入力パラメータとモデルの出力（複数可）との間の関係に関する追加のトレーニング情報を表す。

【0075】

本開示のいくつかの実施形態では、製品のテレメトリと同様に、未知の／不定期の障害イベント及び機械状態の合成データは、基礎となるオペレーティング・ハードウェアの予後予測及び健全性管理（ＰＨＭ）モデルを迅速に生成する目的で、人工知能（ＡＩ）エンジンによって消費される。ＰＨＭ ＡＩエンジンは、デジタルエコシステム１２０Ａの一部であってもよく、古典的な統計、従来の統計及び機械学習、深層学習、強化学習などの能力を活用する。ＰＨＭ ＡＩエンジンは、システム１００Ａにおけるリスク評価、早期障害診断、システム健全性予測、センサ健全性予測、及びメンテナンス管理を含むがこれらに限定されないリアルタイム及び事後のデータ分析を提供するように構成され、配置される。ＰＨＭ ＡＩエンジンは、デジタルエコシステム１２０ＡのＡＩ予後機能の一部またはすべてを実装し、機械の健全性ステータスを識別し、ユーザ（例えば、ＳＭＥ、システムメンテナンス要員など）にシステムの劣化を警告し、将来のメンテナンスがいつ必要になるかを予測し、最適なメンテナンス方法を提案する。メンテナンス作業をスケジュールすることができ、それにより予期しないダウンタイムを回避することができる。また、ＰＨＭ ＡＩエンジンは、メンテナンス計画に基づく作業員及びスペア部品の管理についての高度な計画を容易にし、それにより、修理時間を短縮し、修理リソースの使用方法の全体的な効率を向上させる。

【0076】

本開示のいくつかの実施形態では、データリポジトリ１１０Ａは、データリポジトリのセグメントまたは領域内の様々なソースからのデータを編成し、格納するように動作可能な検索可能なデータベースとして実装することができる。図２Ａに示すデータリポジトリ１１０Ａは、リレーショナルＳＱＬデータベース、ｎｏＳＱＬ非構造化データベース、非構造化データレイク、時系列データベースなど、またはそれらの任意の組み合わせを含むがこれらに限定されない任意の形式のデータベースであり得る。本開示のいくつかの実施形態では、データリポジトリ１１０Ａは、コンピューティングシステム１１００（図１１に示される）によって動作可能に制御されるリレーショナルデータベースの特徴及び機能性を含むことができる。一般に、データベースは、そこから情報を取得できるように情報を格納する手段であり、リレーショナルデータベースは、行と列を備えたテーブルで情報を提示する。テーブルは、同じタイプ（行）のオブジェクトの集合であるという意味でリレーショナルテーブルと呼ばれる。テーブルの中のデータは、共通のキーまたは概念に従って関連付けることができ、テーブルから関連するデータを取得する機能は、リレーショナルデータベースという用語の基礎である。コンピューティングシステム１１００のデータベース管理システム（ＤＢＭＳ）は、データリポジトリ内のデータを記憶し、維持し、かつ取り出す方法を制御する。コンピューティングシステム１１００のデータベース管理システムは、データ及び他の情報（例えば、ＳＭＥによって提供される予測フィードバックの自然言語テキスト記述）が格納され、維持され、データリポジトリから取得される方法を決定するタスクを実行する。

【0077】

センサネットワーク１４４は、システム１００Ａの配備製品１４２Ａの構成要素の一部またはすべてに結合された１つ以上のセンサ構成要素を有する分散型センサネットワークであり、システム１００Ａ内の配備製品１４２Ａによって実行される様々な操作に関する日付及び情報を生成する。小型化されたコンピューティングシステムが広く利用可能で比較的低コストであるため、分散型センサネットワーク（例えば、センサネットワーク１４４）が、技術を使用して監視及び保存可能なシステム１００Ａのあらゆる活動に関する電子情報及び／またはデータを収集する能力が大幅に向上している。収集された電子情報／データは、一般に、生情報／データと呼ばれ、様々な情報形式でキャプチャ／保存される。一般に、生データは、有用なインサイトのための処理、符号化、フォーマット、または分析がまだ行われていないデータである。換言すれば、生データは、１つまたは複数のソースから収集されたが、依然としてその初期の、変更を受けていない状態にあるデータである。本開示のいくつかの実施形態では、分散型センサネットワーク１４４によってシステム１００Ａから収集された生データ／情報は、生の形式でデータリポジトリに記憶され、下流のデータ前処理技術を使用して、様々なデータ分析構成要素（例えば、デジタルエコシステム１２０Ａの構成要素）によって分析するためのデータ／情報を準備する。本開示のいくつかの実施形態では、前処理技術は、分散型センサネットワークによってシステム１００Ａから収集された生データ／情報がデータリポジトリに記憶される前、または直後にデジタルエコシステム１２０Ａによって適用される。

【0078】

システム１００Ａのデジタルエコシステムは、様々なソースによって生成されたデータ及び／または情報（構造化データ及び非構造化データの両方を含む）を使用して、分析、予後予測、異常検出、確率的事象説明などを介して製品性能に関するインサイトを生成するように動作可能である。本開示の実施形態は、人工知能（ＡＩ）、アルゴリズム、モデル、コードライブラリ、ロジック、ルールなどを含むがこれらに限定されない様々な認知コンピューティングシステムを使用して、分析、予後予測、異常検出、確率的事象説明などを介して製品性能に関するインサイトを生成するようにデータ及び／または情報を分析する。本開示の態様を実装するために使用することができるコンピューティングシステム及びＡＩアルゴリズムの基本的な特徴及び機能の例を、図９～１１に示しており、本明細書ではその後にさらに詳細に説明する。

【0079】

デジタルエコシステムによって分析されるデータ／情報の種類は多様であるため、デジタルエコシステムの認知コンピューティングシステムは、構造化データ、テキスト文書、画像、録音されたオーディオ、チャットログなどを含むがこれらに限定されない、多様な種類のデータ／情報を取り込み、分析する機能を含む。例えば、デジタルエコシステムの認知コンピューティングシステムは、自然言語処理（ＮＬＰ）機能を含む。ＮＬＰは、アルゴリズム及びコンピュータシステムを使用して英語などの人間の言語を処理するコンピュータサイエンスの分野である。人間の言語は、しばしば自然言語と称される。一般に、用語「自然言語」は、コンピュータなどの非人間エンティティ間のコミュニケーションのために作り出された言語ではなく、人々の間でコミュニケーションを行う方法として人間によって経時的に発展してきた言語を指す。

【0080】

ＮＬＰは、電子情報を格納するデータリポジトリと、人間がより効果的にインタフェースすることを可能にするシステムで使用される。ＮＬＰインタフェース／システムは、テキスト検索及び／またはテキストマッチングなどの様々な人間／データインタフェースのタスク、ならびにドキュメント／データコンテンツ分析（ＤＣＡ）などのより高度なタスクを実行するために開発されてきた。一般に、ＤＣＡシステムは、発話、書かれたテキスト、対談、画像、または電子的に記憶された情報源の他の形式のカテゴリ化及び分類を使用して、コンピュータ支援調査及び分析を実施する。既知のタイプのＤＣＡは、いわゆる「質問と応答（ＱＡ）システム」であり、ＮＬＰ、機械学習アルゴリズム、及び様々な言語モデル（例えば、大言語モデル（ＬＬＭ））を使用して、オープンエンドの自然言語の質問に応答を提供するために、蓄積された様々なソースの情報を認知的に分析する。

【0081】

本開示のいくつかの実施形態では、ＳＭＥが有用かつ完全な情報をデジタルエコシステム及び／またはデータリポジトリに挿入することを容易にするために、「質問と応答」（ＱＡ）システム（例えば、図３に示される）が新規の方法で使用される。次に、ＱＡシステムを介して抽出された結果として得られる情報／データは、ＡＩエンジンによるトレーニングで消費され、さらなる分析の開発に使用されるデータ全体に統合される。例えば、デジタルエコシステムのＱＡシステムは、ＮＬテキストの形式で提供されるＳＭＥの予測フィードバックが十分であることを評価するようにトレーニングされ、次に、ＳＭＥが、ＳＭＥ ＮＬ予測フィードバックをより意味のあるものにする追加情報を引き出すために対象としたフォローアップ要求／質問を定式化してＳＭＥに提示することができる。例えば、デジタルエコシステムが、バルブＡは２ヶ月で破損する兆候を示しているため交換／修理するべきである、という予測を生成した場合、ＳＭＥは、この予測を上書きして、「バルブＡは、少なくともさらに１２ヶ月間は交換する必要がない；バルブＡの再評価を今から１０ヶ月後に設定する」というＳＭＥ ＮＬ予測フィードバック説明をデジタルエコシステムに提供することができる。ＱＡシステムは、このＳＭＥのＮＬ予測フィードバックの説明の十分性を評価し、ＳＭＥがこの結論を出した理由についてのいずれの詳細も提供しないという点で不十分であると判断し、バルブＡの修理が必要になる時期についてＳＭＥが結論に達した理由についての説明を提出するよう、ＳＭＥに尋ねるＮＬ要求を作成することができる。例えば、ＳＭＥは、バルブＡの破損の最良の予測因子は性能パラメータＡであることを最近のセミナに参加することで理解した場合がある。ＳＭＥは、パラメータＡの現在の値を提供するよう、デジタルエコシステムにクエリを実行して、ＳＭＥがセミナで取得し、パラメータＡの現在の値を将来の修理時間に変換する一連のガイドラインを参照し、その情報源からバルブＡが少なくとも今後１２ヶ月間その性能を維持すると判断した。ＱＡシステムからのＮＬ要求に応答して、ＳＭＥは、上記の理論的根拠の一部または全てをＱＡシステムに提供し得る。ＱＡシステムは、追加情報の要求に対する応答の十分性を評価し、ＱＡシステムが十分な応答を受け取ったと判断するまでフォローアップの質問を提示し続けるように、さらに構成またはトレーニングすることができる。本開示の実施形態では、ＱＡシステムは、「何」、「なぜ」、及び「情報源」の基準に基づいて十分性を測定するように構成され得る。「何」基準は、ＳＭＥがその行為または不作為に何を望んでいるかが明確であるかどうかを評価し、「なぜ」基準は、ＳＭＥの回答の「何」の部分に対して適切な理論的根拠が提供されているかどうかを評価し、「情報源」基準は、ＳＭＥの回答の「何」と「なぜ」の部分について情報源を提示しているかどうかを評価する。本開示の実施形態による、システム１００ＡがＳＭＥと相互作用する方法の追加の詳細は、図３～図５に示され、本明細書では以下でより詳細に説明される。

【0082】

デジタルエコシステムの認知コンピューティングシステムは、数学、統計、特殊プログラミング、高度な分析、人工知能（ＡＩ）、及び機械学習（ＭＬ）を含むがこれらに限定されない、一般的なデータサイエンス機能及び異常検出能力と、データに隠れている実用的なインサイトを明らかにすること、将来のパフォーマンス／イベントを予測すること、隠れたパターン及び関係を識別すること、自律的決定システムを作成することなどを目的とした、特定の主題の専門知識をさらに含むことができる。インサイトを使用して、意思決定及び戦略的計画を導くことができる。データサイエンスにおける重要な考慮事項は、分析するデータの品質である。データの品質は、いわゆる「異常」または「外れ値」データによって影響を受ける可能性がある。「異常」という用語は、予想されるサンプル及びそれらのタイプのパターンから劇的に逸脱するデータポイントまたはデータポイントのセットを指す。標準的なベルカーブに沿ったデータセットの場合、異常は、右端と左端のデータである。異常は、不正またはその他の何らかの異常を示し得るが、測定エラー、実験的問題、または新規の１回限りの事例でもあり得る。異常値及び／または外れ値は、データ分析技術を妨げ、分析結果を歪め得る。

【0083】

異常検出は、異常挙動の原因を診断し、場合によっては異常に対処するための訂正処置を取ることを目的として、システムまたはデバイスの異常挙動を検出するプロセスである。本開示の実施形態では、異常検出機能は、システム１００Ａによって監視されているハードウェアが、ハードウェアパフォーマンスを示す受信データに基づいて、いつ異常な挙動を示すかを判定する。異常検出機能の目的は、ハードウェアの問題がデータ中の異常の痕跡（複数可）によって確実に検出されるようにすることである。非限定的な例として、画像ドメインの場合、表面を検査して、関連する製品の許容できない欠陥または不完全性を識別するために、品質管理操作で異常検出プロセスを使用することができる。異常検出は、所与のデータポイントがその周辺のデータポイントとどれだけ異なるか、または標準偏差とどれだけ異なるかに基づいて、データセット（例えば、画像を表すデータセット）内の異常を検出する数学的技術を使用する。異常検出タスクは、深層学習アルゴリズムを使用するニューラルネットワークによって実行できる。いくつかの深層学習アルゴリズムは、予測、分類などの認知操作の実行のために効果的なモデルをトレーニングするために、いわゆる「深層特徴」を学習するために大量のラベル付き（アノテーション付き）データを必要とする。しかしながら、多くの異常検出深層学習アプリケーションでは、ラベル付き異常トレーニングデータは、様々な要因により、入手不可であるか、または量が十分ではない。そのため、機械学習アルゴリズムが実際の分類／予測タスクの例を以前に見たことがなく、またはトレーニングされたことがない場合に、分類及び／または予測タスクを実行するために機械学習アルゴリズムをトレーニングするための、いわゆる「ゼロショット」学習技術が開発されている。換言すれば、ゼロショット学習は、機械アルゴリズムが、実際の予測予定（ＴＢＰ）データの例が機械学習アルゴリズム（複数可）にとって「未知」である分類／予測タスクを実行することを可能にし得る。ゼロショット学習では、トレーニングインスタンスによってカバーされるクラスと、分類／予測タスクが分類する必要があるクラスは、分離している。したがって、ゼロショット学習技術は、対象分類／予測タスクに関連しているがそれとは異なるタスクのトレーニング例から学習した詳細を活用することにより、分類／予測タスクにおけるトレーニング例の欠如を克服するように設計される。トレーニングクラスと未知のタスククラスの両方がセマンティック空間と呼ばれる高次元ベクトル空間に関連しているため、関連する／異なるタスクのトレーニング例から学習した詳細は、対象の分類／予測タスクの未知のクラスについての推定を引き出すために使用される。したがって、既知のゼロショット学習技術は、トレーニング段階及び推論段階を含むことができる。トレーニング段階では、中間セマンティックレイヤの属性に関する知識がキャプチャされる。推論段階では、この知識を使用して、新しいクラスのセット間のインスタンスを分類する。

【0084】

ゼロショット学習を実行するための別の機械学習技術は、「転移学習」として知られている。転移学習は、第１のタスクのために開発されたモデルが、第２の、異なるが関連するタスク上のモデルの出発点として再利用される機械学習方法である。例えば、深層学習アプリケーションでは、事前にトレーニングされたモデルが、様々なコンピュータビジョン及び自然言語処理タスクの出発点として使用される。転移学習は、ニューラルネットワークモデルを開発するために必要な広範な知識、スキル、コンピュータ、及び時間リソースを再利用することで活用する。対象ドメインで異常検出タスクを実行するための異常検出モデルをトレーニングするために、ラベル付きトレーニングデータを開発するのにかかるかなりの時間を回避する試みとして、異なるが関連するドメインからのトレーニングデータを活用する転移学習技術が開発されている。ＴＢＰデータのドメインは、標的ドメイン（ＴＤ）と呼ばれ、異なるが関連するタスクのドメインは、ソースドメイン（ＳＤ）と呼ばれる。

【0085】

本開示の実施形態は、転移学習を使用して、システム１００、１００Ａ、１００Ｂ（図１、２Ａ、２Ｂに示される）の製品及びプラットフォームにわたって知識をスケーリングする。例えば、システム１００Ａの第１の認知アルゴリズムモデルは、その学習をシステムの第２の認知アルゴリズムモデルに転移することができ、第１及び第２の認知アルゴリズムモデルは、いくつかの重複する領域及びいくつかの非重複領域を有するタスクを実行するようにトレーニングされる。別の例として、水処理装置の機能を学習したモデルは、異なる宇宙船の別の同様の水処理システムへの転移学習を介して適用できる。

【0086】

デジタルエコシステムの認知コンピューティングシステムは、１つ以上の配備製品１４２Ａ（例えば、ＯＲＵ（軌道上交換可能ユニット））に適用される一般的なハードウェア性能分析をさらに含むことができる。このような分析は、ハードウェアパフォーマンスに関連するデータにおける明示的な及び非明示的な情報の両方を計算すること、及び／またはキャプチャすることを指すが、これに限定されない。このような分析には、ハードウェアに埋め込まれたセンサの一変量及び多変量統計、テレメトリでは明示的に観察することができない計算された測定基準、及びハードウェア内の相対的／関連データの分析が含まれ得る。ＥＣＬＳＳの例に戻ると、生命維持の水生成構成要素の場合、そのような一般的なハードウェアパフォーマンスは、システム上のすべてのセンサの統計的尺度（平均値、分散、最小値、最大値、スキューなど）、所与の時間内に生成された水の量とその生成率、蒸留して上水に戻した尿の量、水を精製する目的またはシステム圧力を維持する目的で特定のポンプが作動した回数、様々なシステム構成要素間の相関関係、システム内のセンサ及びサブシステムに関する傾き／傾向／パターン／他の行動情報などを含むことができる。

【0087】

システム１００Ａのユーザインタフェース（複数可）（ＵＩ）１３０Ａは、デジタルエコシステムのインサイトを消費し、システム１００Ａの自己学習機能にヒューマン・イン・ザループなフィードバックを提供するように構成され、配置される。システム１００ＡのＵＩ１３０Ａは、例えば、グラフィカルユーザインタフェース（ＧＵＩ）（例えば、インタラクティブなＷｅｂＡｐｐ、ダッシュボード、モバイルアプリなど）、オンボードハードウェア（例えば、ＥＣＬＳＳハードウェア、フライトコンピュータ、宇宙生物アビオニクス、宇宙スーツヘッドアップディスプレイなど）、デジタルアシスタント（例えば、図３に示すＱＡシステムなどのＮＬインタフェース、及び図２Ａに示すオンエッジＡＩコパイロット）を含むことができる。本開示の実施形態で説明するオンエッジＡＩコパイロットは、エッジ（すなわち、宇宙服のヘルメット内などのユーザが使用する地点）に配置されたリアルタイムの問合せ応答（音声対音声、テキスト対音声、音声対テキスト、またはテキスト対テキスト）または行動要求エージェントを指す。ＡＩコパイロットのユーザ（例えば、ＳＭＥ４０２）は、音声またはテキストプロンプトを介してデジタルエコシステム１２０Ａ内の任意の情報（及びデジタルエコシステムの外部の潜在的な情報）についてクエリを実行し、対応する応答を受信することができる。さらに、ＡＩコパイロットのユーザは、コパイロットがアクションを実行することを要求（例えば、何らかのイベントがデータリポジトリで発生したことをログに記録する要求）することができる。効率的に、ＡＩコパイロットは、ミッションデータ及びアクションに関連する特殊化された能力を提供する。ＡＩコパイロット機能はまた、地球ベースのサポート要員（例えば、図１に示されるリモートステーション１５０でのミッション制御）及びＳＭＥによって、アクセスされ、かつ使用され、情報をクエリし、デジタルエコシステム１２０Ａにフィードバックを提供することができる。

【0088】

図２Ｂは、システム１００Ａ（図２Ａに示す）の例示的な用途を示し、図２Ｂに図示されたシステムは、システム１００Ａと実質的に同じ特徴及び機能性を有するシステム１００Ｂとして指定されている。ここで、システム１００Ｂの例示的な用途の動作ステップの説明を参照すると、ＩＳＳ ＷＰＡ（国際スペースステーション水処理アセンブリ）からのテレメトリがストリーミングされ、データリポジトリ１１０Ａで収集される。システム１００Ｂのスクリプトは、収集されたデータにアクセスして、予後モデル、異常検出アルゴリズムを実行し、新たに取得されたテレメトリでＷＰＡ性能メトリック（例えば、毎日の水生成量）を計算する。本開示の実施形態では、予後及び異常検出ＡＩモデルは、システム１００ＢのＡＩ生成エンジン（例えば、ＰＨＭ ＡＩエンジン）を用いて迅速に開発することができる。本開示の実施形態では、まだ発生していないイベント、またはデータ中にめったに観察されないイベントは、前述の物理ベースの（または物理法則に基づく）モデリングエンジン１４０Ａを使用してシミュレーションされる。ＳＭＥは、予防的保全措置を推奨し、調査する異常を報告し、ＷＰＡ性能メトリックを表示する対話型ダッシュボードを介してシステム１００Ｂにアクセスする。ＳＭＥ４０２は、この情報を使用して、ＷＰＡの健全性を評価し、ＷＰＡの操作に関する決定を下す（例えば、多重濾過ベッドを変更することを決定する）。アクション及びイベント（例えば、メンテナンスイベント）は、システム１００Ｂ内にログとして記録され、これらのイベントは、デジタルエコシステム１２０Ａの予後及び異常検出モデルを自動的に更新及び再トレーニングするために使用される。イベントの知識はデータと共に保存され、それにより、将来の及び／または関連する作業員のためのコンテキストを提供し、ＷＰＡの製品履歴を包含するシステム生成及びＳＭＥ生成の知識の完全なログ及びソースを保持する。

【0089】

図３は、ＳＭＥ４０２がシステム１００、１００Ａ、１００Ｂとどのように相互作用するかに関する追加の詳細を示す。図３では、システム１００Ｂのデジタルエコシステム１２０Ｃが図示されており、ＡＩ予後診断、ＡＩ異常検出、ＷＰＡパフォーマンスメトリック、ＮＬＰ、及び他の学習ベースの機能を示し、図示のように構成及び配置されている。図３は、デジタルエコシステム１２０Ｃによって生成されるシステム予測機能３３０をさらに示す。デジタルエコシステム１２０Ｃ及びＳＭＥモデル３１０と電子通信するＱＡシステム３２０が、図示するように構成され、配置されている。システム予測３３０が図３、図４及び図５で参照されているが、図３、図４及び図５に図示され、本明細書で説明される例は、システム予測がシステム１００、１００Ａ、１００Ｂの様々な分析及び認知コンピューティングシステムからの任意のタイプの出力である、より一般的な例に適用されることが理解される。本開示の実施形態によれば、ＳＭＥモデル３１０は、様々な方法で実装することができる。図３に示される例では、ＳＭＥモデル３１０は、ＭＬアルゴリズム９１２及びＮＬＰアルゴリズム９１４を使用して実装され、ＳＭＥモデル３１０として機能する１つ以上のモデル９１６が生成される。ＳＭＥモデル３１０を実装できる方法の詳細が図９及び１０に示されており、本明細書では以下でより詳細に説明される。

【0090】

動作中、ＳＭＥ４０２は１人以上の人物であってもよく、自身の主題の専門知識を使用して、システム１００、１００Ａ、１００Ｂによって生成されたシステム予測３３０を評価するタスクを課せられる。システム予測３３０として描かれているが、本開示の実施形態は、実際の予測であってもなくてもよい、システム１００、１００Ａ、１００Ｂからの様々な分析関連出力（例えば、異常検出、予後、性能メトリクス、機器の一部がどの程度機能しているかを評価するために使用できる他のメトリクスなど）に適用される。本開示のいくつかの実施形態では、システム１００、１００Ａ、１００Ｂは、システム予測３３０を終了及び／または実施する前に、ＳＭＥ４０２からの入力を必要とする。ＳＭＥ４０２は、システム予測３３０に応答して、例えば、アクション（ＳＭＥがシステム予測３３０をレビューし、承認／拒否／修正したことを示す表示）及び／または説明（例えば、システム予測３３０の実際の承認／拒否／修正、承認／拒否／修正の背後にある理論的根拠、及びＳＭＥ４０２が理論的根拠を策定する際に使用したソースを指定するＮＬテキスト）を含む、様々な形態をとることができるＳＭＥ予測フィードバックを生成する。ＳＭＥ予測フィードバックは、デジタルエコシステム１２０Ｃ及びＳＭＥモデル３１０に提供される。ＳＭＥモデル３１０は、ＳＭＥ予測フィードバック及びシステム予測を使用して、ＳＭＥモデル３１０をトレーニングし、実際には、ＳＭＥ４０２によって生成された実際のＳＭＥ予測フィードバックを追跡するＳＭＥモデル予測フィードバックを提供する。ＳＭＥモデル３１０は、ＳＭＥ４０２がシステム１００、１００Ａ、１００Ｂと有する相互作用をキャプチャし、新しいシステム予測３３０に応答して、ＳＭＥ４０２によって提供されたであろうＳＭＥ予測フィードバックを模倣するＳＭＥモデルフィードバックを生成するようにＳＭＥモデル３１０をトレーニングすることによって、ＳＭＥ４０２の知識をキャプチャするメカニズムを提供する。ＳＭＥモデル３１０は、例えば、ＳＭＥ４０２が一定期間利用できない（例えば、１週間の休暇）場合を含む様々な状況で使用することができ、ＳＭＥモデル３１０は、不在のＳＭＥ４０２の代わりに機能する。

【0091】

デジタルエコシステム１２０Ｃは、ＳＭＥ予測フィードバックを受信し、それをＱＡシステム３２０に提供する。ＱＡシステム３２０は、ＳＭＥ４０２が有用で完全な情報を（例えば、グラフィカルユーザインタフェース（ＧＵＩ）を介して）デジタルエコシステム１２０Ｃの様々な認知モデルに、及び／またはデータレポジトリ１１０、１１０Ａに挿入することを容易にするために新規の方法で使用される。本開示のいくつかの実施形態では、ＳＭＥ４０２によってＱＡシステム３２０に挿入された情報は、更新されたトレーニングデータとしてデジタルエコシステム１２０Ｃのモデルに挿入され、デジタルエコシステム１２０Ｃの更新されたモデル出力（例えば、更新されたモデル予測）を生成するために使用され得る。本開示のいくつかの実施形態では、ＳＭＥ４０２によってＱＡシステム３２０に挿入された情報は、デジタルエコシステム１２０ＣのＮＬＰによって蓄積及び使用されて、システム１００、１００Ａ、１００Ｂに関連するＳＭＥ４０２の知識コーパスを生成及び更新することができる。

【0092】

本開示のいくつかの実施形態では、デジタルエコシステム１２０ＣのＱＡシステム３２０の認知コンピューティングモジュールは、自然言語（ＮＬ）テキスト、音声などの形態で提供されたＳＭＥ予測フィードバックの十分性を評価し、ＳＭＥ ＮＬ予測フィードバックをより意味のあるものにする追加情報をＳＭＥ４０２から引き出すことを対象としたフォローアップ要求／質問を作成し、ＳＭＥ４０２に提示するようにトレーニングすることができる。例えば、デジタルエコシステム１２０Ｃが、バルブＡは２ヶ月で破損する兆候を示しているため交換／修理するべきである、という予測を生成した場合、ＳＭＥ４０２は、この予測を上書きして、「バルブＡは、少なくともさらに１２ヶ月間は交換する必要がない；バルブＡの再評価を今から１０ヶ月後に設定する」というＳＭＥ ＮＬ予測フィードバック説明をデジタルエコシステム１２０Ｃに提供することができる。ＱＡシステム３２０は、このＳＭＥのＮＬ予測フィードバックの説明の十分性を評価し、ＳＭＥ４０２がこの結論を出した理由についてのいずれの詳細も提供しないという点で不十分であると判断し、バルブＡの修理が必要になる時期についてＳＭＥ４０２がこの結論に達した理由についての説明を提出するよう、ＳＭＥ４０２に尋ねるＮＬ要求を作成することができる。例えば、ＳＭＥ４０２は、バルブＡの破損の最良の予測因子は性能パラメータＡであることを最近のセミナに参加することで理解した場合がある。ＳＭＥ４０２は、ＱＡシステム３２０に知られることなく、パラメータＡの現在の値を提供するようシステム１００、１００Ａ、１００Ｂにクエリを実行し、ＳＭＥ４０２がセミナで取得し、パラメータＡの現在の値を将来の修理時間に変換する一連のガイドラインを参照し、その情報源からバルブＡが少なくとも今後１２ヶ月間その性能を維持すると判断した。ＱＡシステム３２０からのＮＬ要求に応答して、ＳＭＥ４０２は、上記の理論的根拠の一部または全てをＱＡシステム３２０に提供し得る。ＱＡシステム３２０は、追加情報の要求に対する応答の十分性を評価し、ＱＡシステム３２０が十分な応答をＳＭＥ４０２から受け取ったと判断するまでフォローアップの質問をＳＭＥ４０２に提示し続けるように、さらに構成またはトレーニングすることができる。本開示のいくつかの実施形態では、ＱＡシステム３２０は、例えば、「何を」、「なぜ」、及び「供給源」の標準に基づくことを含む、任意の適切な方法で十分性を測定するように構成することができる。「何」基準は、ＳＭＥ４０２がその行為または不作為に何を望んでいるかが明確であるかどうかを評価し、「なぜ」基準は、ＳＭＥの回答の「何」の部分に対して適切な理論的根拠が提供されているかどうかを評価し、「情報源」基準は、ＳＭＥ４０２がＳＭＥ回答の「何」と「なぜ」の部分について情報源を提示しているかどうかを評価する。本開示の実施形態により、システム１００、１００Ａ、１００ＢがＳＭＥ４０２とどのように相互作用するかの追加の詳細は、図５に図示される方法５００によって示され、本明細書では以下でより詳細に説明される。

【0093】

本開示のいくつかの実施形態では、図３に示されるＳＭＥモデル３１０は、ＳＭＥ４０２のデジタルツインを生成することによって実装されることができる。図４は、本開示の態様による、ＳＭＥ４０２のＳＭＥデジタルツイン４０２Ａが、デジタル化モジュール４２０及びデジタルツインプロセッサモジュール４１０を使用してどのように生成できるかについての追加の詳細を示す。図示されるように、デジタル化モジュール４２０は、例えば、ＳＭＥプロファイルデータ／情報４１２、ＳＭＥ背景知識コーパス４１４（例えば、ＳＭＥ４０２によって執筆され、または読まれた関連刊行物）、ＳＭＥ予測フィードバックアクション４１６、すべての履歴ＳＭＥ電子メールトラフィック、及びＳＭＥ予測フィードバック説明４１８を含む、ＳＭＥの内部知識の「ドメイン」を反映する様々なデータタイプをデジタル化する。デジタル化モジュール４２０は、デジタル化されたデータをデジタルツインプロセッサ４１０に提供し、デジタルツインプロセッサ４１０では、既知の機械学習技術及びＮＬＰ技術（例えば、大言語モデル（ＬＬＭ））を使用して、ユーザデジタルツイン４０２Ａを作成及び更新する。トレーニングされると、ＳＭＥデジタルツイン４０２Ａは、ＳＭＥモデル３１０と実質的に同じ方法で使用することができ、追加の利点として、新規採用者がその後、教育及び支援の目的でデジタルツイン４０２Ａと相互作用することができる。ＳＭＥモデル３１０及びＳＭＥデジタルツイン４０２Ａの両方が、ＳＭＥモデル３１０及び／またはＳＭＥデジタルツイン４０２Ａとチャットし、実行されることを可能にするＮＬＰ／ＬＬＭ機能を含み、利用することができる。

【0094】

次に、システム１００、１００Ａ、１００Ｂの動作を、図１～図４Ｂの対応する要素、工程、及び図を適宜参照しながら、図５に示す方法５００を主に参照して説明する。方法５００はブロック５０２で始まり、次にブロック５０４に進み、システム１００、１００Ａ、１００Ｂは、最初または次のシステム予測（ＳＰ）（例えば、システム予測３３０）にアクセスする。方法５００は決定ブロック５０６に進んで、最初または次のＳＰに関するＳＭＥフィードバックがシステム１００、１００Ａ、１００Ｂによって受信されたかどうかを判断する。決定ブロック５０６における問い合わせに対する応答がいいえである場合、方法５００は、パスＡを通ってブロック５０８に移動し、決定ブロック５０６で実行された分析の結果及び収集された情報（以下に説明されるように実行された分析及び収集された情報を含む）を、ブロック５０８に使用する。決定ブロック５０６における問い合わせに対する応答がいいえである場合、方法５００はまた、ブロック５１０に進み、最初または次のＳＰを実行して、システム１００、１００Ａ、１００Ｂ内（例えば、データリポジトリ内）にＳＭＥフィードバックがないことを記録する。本開示のいくつかの実施形態では、判定ブロック５０６は、任意の適切な方法でＳＭＥフィードバックがない状態を識別するように動作することができる。本開示のいくつかの実施形態では、決定ブロック５０６は、所定の時間内にユーザフィードバックを受信しなかった後、ＳＭＥフィードバックがないと想定することができる。本開示のいくつかの実施形態では、決定ブロック５０６は、所定の時間内にユーザフィードバックを受信しなかった後、ＳＭＥ４０２からＳＭＥフィードバックがない状態の確認（またはそれとの合意）を要求することができる。本開示のいくつかの実施形態では、決定ブロック５０６は、所定の時間内にユーザフィードバックを受信しなかった後、ＳＭＥ４０２からＳＭＥフィードバックがない状態の確認を要求するように構成することができ、ＳＭＥフィードバックがない状態の要求された確認がＳＭＥ４０２から受信されるまで、方法５００をさらに進行しないようにさらに構成することができる。ＳＭＥフィードバックがない状態の確認が受信される本開示の実施形態では、ＳＭＥフィードバックがない状態の確認は、システム１００、１００Ａ、１００Ｂに（例えば、データレポジトリ１１０、１１０Ａに）ＳＭＥフィードバックがない状態と共に記録される。本開示の実施形態では、システム１００、１００Ａ、１００Ｂは、ＳＭＥフィードバックがない状態及び／またはＳＭＥフィードバックがない状態の確認を、最初または次のＳＰとのＳＭＥの合意として処理するように動作可能である。本開示の実施形態では、ＱＡシステム３２０（図３に示される）のすべての機能を決定ブロック５０６内に組み込んで、ＳＭＥフィードバックがない状態の上記の確認を容易にし、及び／または上述したＳＭＥフィードバックがない状態の確認の十分性を評価することができる。ブロック５１０から、方法は決定ブロック５１４に進む。

【0095】

決定ブロック５０６に戻ると、決定ブロック５０６における問い合わせに対する応答がはいである場合、方法５００は移動し、または２つの方向に分岐する。方法５００は、ブロック５０８に移行し、決定ブロック５０６で実行された分析の結果及び収集された情報を使用して、ＳＭＥ－モデル４０２及び／またはＳＭＥデジタルツイン４０２Ａを含む、デジタルエコシステム１２０、１２０Ａ、１２０Ｂ、１２０Ｃの関連する認知システムをトレーニング／更新し、方法５００はまた、ブロック５１２に移行し、ＳＭＥフィードバックを使用して初期または次のＳＰ３３０を実行し、ＳＭＥフィードバックに基づいてシステム１００、１００Ａ、１００Ｂの様々なシステムモデルをさらに更新し、ＳＭＥフィードバックをデータリポジトリ１１０、１１０Ａに記録する。本開示の実施形態では、ＱＡシステム３２０（図３に示される）のすべての機能を決定ブロック５０６内に組み込んで、上記のＳＭＥフィードバックの生成を容易にし、及び／または上述したＳＭＥフィードバックの十分性を評価することができる。ブロック５１２から、方法５００は決定ブロック５１４に進む。

【0096】

決定ブロック５１４で、方法５００は、ＳＰ３３０の精度が向上しているかどうかを評価する（すなわち、モデルドリフト検出）。ＳＰ３３０の精度は、時間の経過と共に向上し、追加のＳＭＥ予測フィードバックに基づいて開始時よりも高いレベルで維持されることが予想される。このような性能の向上及び性能の持続的な向上が生じない場合、システム１００、１００Ａ、１００Ｂのうち、精度が向上せず、高い精度レベルに維持されないＳＰ３３０の生成に関与する部分の不具合を示すことができる。決定ブロック５１４での問い合わせに対する応答がいいえである場合、方法５００はブロック５１６に進み、アラートを生成する。次に、方法５００は決定ブロック５１８に進む。決定ブロック５１８で、方法５００は、評価される追加のＳＰ３３０が存在するかどうかを評価する。決定ブロック５１８での問い合わせに対する応答がはいの場合、方法５００はブロック５２０に進み、終了する。決定ブロック５１８における問い合わせに対する応答がいいえである場合、方法５００は、ブロック５０４に戻って、次のＳＰ３３０にアクセスして次のＳＰ３３０を評価し、方法５００の反復をもう一度実行する。

【0097】

図６Ａは、本開示の実施形態によるシステム及び／または方法６００Ａの簡略ブロック図である。図６Ａは、較正された物理ベースのモデル６０６が、本開示の態様に従って、ＰＨＭ ＡＩエンジン（デジタルエコシステム１２０、１２０Ａの一部）を補完するためにどのように使用され得るかを表すフレームワークの非限定的な実施例を示しており、この提案されたフレームワークの下で、履歴センサ／アクチュエータデータ６０２は、調査中のシステムまたは機械の物理ベースの動的モデル６０６を較正するために使用される統計情報を生成するために使用される。次に、この物理ベースのモデル６０６は、破損に同等の値を有する成分パラメータの変化の形で明示的な破損を注入するように修正される。例えば、フィルタの圧力降下は、その公称較正値よりも数桁高い値を有するように設定することができる。モデルにこれらの条件が注入されると、モデルは、フィルタが寿命を迎えたかのように動作し、ほとんどの場合、この障害に固有のセンサ／アクチュエータのシグネチャを生成する。さらに、モデルは、収集されたテレメトリによって利用可能なセンサ／アクチュエータパラメータのセットに限定されない。モデルは、テレメトリで利用できない追加のセンサ及び信号（図７Ｂ）と、収集されたデータのより高いサンプリングレート（図７Ｃ）との両方の形で、追加情報を生成できる。限られた履歴データセットのソースである物理機械が経験する以上の異常を検出するようにトレーニングできるようになったため、これにより、ＡＩの機能が拡張される。物理モデル６０６が成熟に達するにつれて、モデル６０６は本質的に、ＰＨＭ ＡＩエンジンによって生成されるモデルの一部となる。最終的に、物理ベースのモデル６０６は、特定の破損モード及び構成要素の劣化に関連するセンサシグネチャの包括的なライブラリを生成する。このライブラリは、ＡＩモデルの進化及び将来の機械の工学的開発を駆動するであろう。

【0098】

物理ベースのモデルの一態様は、値の生成を開始するために完全に構築する必要がないことである。例えば、調査中のシステムの油圧ドメインのみを含むモデルは、較正されると、機械の油圧ドメインに固有のセンサ障害のシグネチャを生成し始めることができる。その後、熱及び電気機械のドメインを必要に応じて追加して、そのような物理ドメインをシミュレートし、マルチドメインシステムにおけるより複雑な相互作用のシグネチャを抽出することができる。

【0099】

図６Ｂは、本開示の実施形態によるシステム及び／または方法６００Ｂの簡略ブロック図である。システム／方法６００Ｂは、システム／方法６００Ａの修正である。本開示のいくつかの実施形態では、合成データは、図６Ｂに示されるプロセス６００Ｂを介して開発及び使用される物理ベースのモデルを介して生成され得るが、追加の手段及びアーキテクチャも可能である。物理ベースのモデルは、合成データ（すなわち、有機的に／自然に／操作可能なハードウェアのような非合成データジェネレータから生じなかったデータ）を生成するために使用される。合成データの必要性は、理解される必要がある重要なイベント、機械の状態などが、有機的に発生することは、あるとしても稀であるという事実から生じる。そのため、この稀な／低頻度の／新しいイベント及び機械の状態を理解するためには、それらのようなイベント及び機械の状態が発生した場合に、実際の／合成されていないデータがどのように見えるかを再現しようとする合成データ（すなわち、センサ障害シグネチャ、６１０）を作成しなければならない。合成データの主な目的及び使用は、稀な／低頻度の／新しいイベント及び機械の状態を予測／分類／識別／などをするために人工知能モデルをトレーニングすること、品質保証のために障害分析を実行すること、確率的リスクモデルを構築すること、診断分析を実行すること、ハードウェアの複雑さを理解して既存のハードウェア構成を強化及び改善すること、などを含むことができるが、これらに限定されない。

【0100】

システム／方法６００Ｂの下で、内部領域専門家（ＳＭＥ）６０３は、システム概略図及び他のエンジニアリング文書６０１を使用して、物理ベースのモデルテンプレート６０４を生成する。本開示のいくつかの実施形態では、認知アルゴリズムモデルは、システム概略図及び他の工学文書６０１を使用して、物理ベースのモデルテンプレート６０４を生成するようにトレーニングされ得る。このモデルテンプレート６０４は、モデル化されるシステムの全ての構成要素、例えば、ポンプ、フィルタ、化学反応器などを含むが、実機械の動的性能を定義する適切な構成要素パラメータ値を欠いている。すなわち、実機のように動作するように較正されていない。較正されたモデルを取得するために、履歴テレメトリ６０２を使用して正確な統計情報が生成され、その後、この統計情報がＳＭＥ６０３により使用され、ＳＭＥ６０３は、フィードバックベースのアルゴリズムを使用して、物理ベースの動的モデル６０６を較正する。較正されると、モデル６０６は、実際のハードウェアのデジタルツインとして機能する（すなわち、モデル６０６で観察されたシステムダイナミクスは、実際のハードウェアのシステムダイナミクスに一致する）。

【0101】

物理ベースの動的モデル６０６が作成されると、モデル６０６を使用して、センサ障害シグネチャ、及び公称または公称外のシステム挙動を示す合成データセットが生成され得る。これは、モデル６０６を取得し、それを何度もコピーして、異なるイベント６０７のシミュレーションを作成することによって行うことができ、各シミュレーションは、所与の破損モードまたは挙動を考慮するように修正される。この修正は、所与の破損６０８と同等の値を有する構成要素パラメータの変更の形で行われる。例えば、フィルタの圧力降下は、その公称較正値よりも数桁高い値を有するように設定することができる。モデルにこれらの条件が注入されると、モデルは、フィルタが寿命を迎えたかのように動作し、ほとんどの場合、この障害に固有のセンサ／アクチュエータのシグネチャを生成する。多くのシミュレーション６０７の後、生成されたセンサ／アクチュエータシグネチャは、特定の破損に対応する合成信号６１０の辞書に集約できる。次いで、この辞書６１０は、異常を特定し、予後を生成するなどのために、予後及び健全性監視ＡＩエンジンのための参照点として使用することができる。

【0102】

図６Ｃは、本開示の実施形態によるシステム及び／または方法６００Ｃの簡略ブロック図である。より具体的には、図６Ｃは、本開示の態様による物理ベースのモデルを使用して、合成データ、より具体的には、構成要素の破損モードのシグネチャを生成できる方法を示す。図６Ｃは、物理ベースのモデルを使用して特異的構成要素障害のシグネチャを生成する操作フローパスのみを提示しているが、このプロセスは、より広範なシステムレベルの相互作用にスケーリングすることができる。例えば、シグネチャは、軌道置換ユニット（ＯＲＵ）またはシステムレベルで生成できる。図６Ｃに示す非限定的な例では、特異的構成要素の障害モードがシミュレーションのために選択される。構成要素が識別されると、その構成要素の性能及び障害に関連するパラメータが選択される。パラメータは、破損状態を表すように修正され、それらのパラメータの「設定」は、次に物理ベースのモデルに注入される。修正されたパラメータを用いてモデルを実行すると、当該の破損モードのシグネチャが生成され、保存される。破損モードをシミュレートするために追加のシグネチャが必要な場合、プロセスが繰り返される。そうでない場合、結果は記憶され、ＰＨＭ ＡＩエンジンでモデルを生成するために使用される。

【0103】

図６Ｄは、本開示の実施形態によるシステム及び／または方法６００Ｄの簡略ブロック図である。より具体的には、図６Ｄは、本開示の実施形態による、合成データ生成のための物理ベースモデルの非限定的な例示的な使用事例を示す。物理ベースの動的モデル６０６の作成及び使用の例は、プロセス６００Ｄを通じてそのようなモデル６０１ｂの開発を検討することによって観察することができる。図示されるように、ＳＭＥ６０５は、実際の国際宇宙ステーション（ＩＳＳ）水処理装置（ＷＰＡ）６０１ａを表す物理ベースのモデル（６０１ｂ）を作成したいと考えている。これを行うために、ＳＭＥ６０５は、ＷＰＡシステム概略図及び他のエンジニアリング文書（例えばソフトウェア要件、仕様など）を使用して、基本的な物理ベースのモデルを生成し、あるいはテンプレート６０４として参照される。この基本的な物理ベースのモデルは、そのモデル化された構成要素が実際のシステム内の構成要素の特性と同等の特性を有していないため、実際のＷＰＡ６０１ａのように挙動しない。特性をどのように修正する必要があるかを特定するために、ＳＭＥは、収集されたテレメトリ６０２ａを通じてＷＰＡ６０１ａの観測可能なシステムのダイナミクス及び挙動を検討する。次に、ＳＭＥは、合成データセット６０２ｂが実際のハードウェアテレメトリ６０２ａの特性と厳密に一致するまで、モデルテンプレート６０４の特性（例えば圧力特性［水圧直径］など）を修正する。この挙動が達成されると、ＷＰＡを代表する物理ベースのモデル６０１ｂが作成されている。

【0104】

次に、ＷＰＡの物理ベースのモデル６０１ｂを使用して、そうでなければ観察が困難な場合がある物理現象を調べることができる。ＳＭＥは、モデル６０１ｂを使用して、６０１ｂの特性をさらに修正することによって、望ましくない実行状態６０４をシミュレートすることができる。例えば、ＳＭＥ６０５が、ＷＰＡ６０１ａでフィルタが詰まった場合に起こることを評価したい場合、ＳＭＥ６０５は、モデル６０１ｂのフィルタの水力直径特性を修正することができる。所望の実行条件６０４を表すよう特性が修正されると、モデルはシミュレーション６０７として実行される。シミュレーション６０７は、６０１ａのフィルタが詰まった場合に起こることを示す合成データセット６０２ｂを生成する。この合成データセット６０２ｂは、次に、６０１ａにおけるフィルタの詰まりを示す障害シグネチャとして機能し、合成データリポジトリ６０３ｂ内のセンサ障害シグネチャ辞書６１０に参照のために格納されるであろう。次に、フィルタの詰まりの障害シグネチャを使用して、システム１００、１００Ａ、１００ＢのＰＨＭ ＡＩエンジンをトレーニングして、ＷＰＡ６０１ａのフィルタがいつ詰まるのかを認識するか、または詰まるまでの時間などを、障害シグネチャを実際のＷＰＡ６０１ａのシステムテレメトリ６０２ａと比較することによって予測することができる。

【0105】

本開示のいくつかの実施形態では、図７Ａに図示されたＡＩエンジンプロセス７００Ａは、追加の手段及びアーキテクチャが可能であるが、図に示された方法で実装され得る。ＡＩエンジンプロセス７００Ａでは、消費者７０１は、ＰＨＭ ＡＩエンジンメタモデル７０６または飛行ハードウェア７０７のいずれかより情報を取り込む。この情報を受信すると、消費者７０１は、その情報を最終的に消費する、すなわち、さらなる情報を、７００Ａを介して送り返さず、あるいは、システムを介してさらなるデータを相互作用する／通過させることができる。

【0106】

消費者が７００Ａを介して情報を戻すことを望む／または命令される場合、データが送信され得る２つの可能なチャネルが存在する。第１に、データは、通常のテレメトリ７０２として、すなわち、ストレージ目的でデータがテレメトリ及びデータリポジトリ７０４に戻ることを意図しているが、即時的なアクションではない。第２に、データは、トリガされたイベントテレメトリ７０３として、すなわち、即時的なアクションが取られることを望んで、データがテレメトリ及びデータリポジトリ７０４に戻される意図で送り返されることができる。７００Ａを通して流されたデータがトリガイベントチャネル７０３を通して送られた場合、ＰＨＭ ＡＩエンジンのメタモデル７０６は、そのトリガと新しいデータを使用して、いくつかのタスクイベントのセット（既存モデルの更新／再トレーニング、既存モデルの完全な再構築、モデル予測ドリフト検出の実行など）を自動的に開始する。

【0107】

さらに、トリガされたイベント７０３を使用して、テレメトリ及びイベントデータリポジトリ７０４を介して物理ベースのモデリングエンジン７０５に情報を渡すこともでき、新しいデータを自動的に使用して、さらにモデリングエンジンの更新／調整／修正／較正／検証を行うことができる。通常のテレメトリ７０２もまた、物理ベースのモデリングエンジン７０５に取り込むことができるが、トリガイベント７０３として送信されなかったので、そのようなデータは、物理ベースのモデリングエンジン７０５に手動でマイグレーション及び処理される。次に、物理ベースのモデリングエンジン７０５によって生成された合成データも、ＰＨＭ ＡＩエンジンメタモデル７０６に与えられて、自己学習に使用される。

【0108】

実際の図７Ａの実施例として、飛行ハードウェア７０７は、国際宇宙ステーションのＥＣＬＳＳ水処理装置アセンブリ（ＷＰＡ）を表すとする。消費者７０１が、ＷＰＡ内のフィルタを変更したばかりの宇宙飛行士である場合、消費者は、トリガされたイベントとして、チャネル７０３を介してフィルタの変更に関する情報を送信することができる。フィルタの変更に関する情報は次いで、テレメトリ及びデータイベントレポジトリ７０４内に記憶され、その後、一連のイベントを自動的に開始し得る。フィルタの変更について受信した新しい情報により、ＰＨＭ ＡＩエンジンメタモデル７０６は、実際の変更日に対して、そのフィルタが変更されると予測されたその予測スケジュールを検証することができる。さらに、新しい情報は、自動再トレーニングイベントを通じてＷＰＡに関連する様々なモデルに取り込まれることができ、またはメタモデルが必要であると判断した場合、完全に新しいモデル及びデータの前処理を作成することができる。さらに、トリガされたイベント７０３は、テレメトリ及びイベントデータリポジトリ７０４を通して物理ベースのモデリングエンジン７０５にデータを流すこともでき、そこでは、フィルタ変更を取り巻く条件が、物理ベースのモデルが実際の飛行ハードウェア性能を正確に反映していることを確実にするために、フィルタ及び周辺システムの物理ベースのモデルを自動的に検証または較正／調整するために使用され得る。

【0109】

図７Ｂは、本開示の実施形態によるシステム及び／または方法７００Ｂの簡略ブロック図である。本開示のいくつかの実施形態において、図７Ｂに描かれた同時合成センサ（ＣＳＳ）データ生成プロセス７００Ｂは、追加の手段及びアーキテクチャが可能であるが、図に示された方法で実施することができる。ＣＳＳは、明示的なセンサを有さないハードウェア（すなわち、センサが実際にはハードウェア内に埋め込まれている）での何らかの測定値の計算として定義されるため、推定する必要がある。ＣＳＳの「センサ」要素は、ＣＳＳが、リアルタイム測定値をキャプチャする手段であるという点で、任意の明示的なセンサとして正確に機能するという事実を指す。ＣＳＳの「合成」要素は、ＣＳＳが計算する測定のための明示的なセンサが存在しないため、ＣＳＳによって生成されたデータが技術的に合成であるという事実を指す。ＣＳＳの「同時」要素は、明示的なセンサによってキャプチャされたデータのタイムスタンプが付けられた各ポイントについて、同時の合成測定が存在するという事実を指す。

【0110】

ＣＳＳデータ生成プロセスの意図及び目的は、ハードウェアに組み込まれたセンサ一式によって明示的に測定または収集されない、主要なシステム測定値の値を推測することである。ＣＳＳデータのユースケースは、以下であるが、これらに限定されない。１）ハードウェアから収集された実際／非合成データのテレメトリを強化して、すべての下流のＰＨＭ ＡＩエンジンモデル及び／または性能分析で使用される追加の可能性のある強力な測定値を提供できること、２）必要なセンサの数を（コスト及びエンジニアリングの複雑さを軽減するために）最小化すると同時に、分析目的でキャプチャできる手段／特徴の総数を最大化するように、どのセンサをハードウェアに埋め込むことが不可欠かを決定すること、３）テレメトリで直接観察されない潜在的な測定によって引き起こされ得るシステム問題の解決すること。使用例３は、図７Ｃでより詳細に検討される。

【0111】

本開示のいくつかの実施形態では、ＣＳＳデータ生成プロセスは、明示的なセンサ７１２を含むハードウェア７１１を含み、この明示的なセンサ７１２は、様々な性能メトリック（例えば、温度、圧力、伝導度など）を測定し、それらの値をテレメトリを介してテレメトリ及びイベントデータリポジトリ７１３に送り返す。コストの制約、工学的な複雑さ、または物理的な不可能性により、ハードウェア上に明示的なセンサ７１２を有してもよく有さなくてもよい様々な対策がある。その結果、潜在的に重要な情報がテレメトリ及びイベントデータリポジトリ７１３に存在しない場合がある。例えば、流体ポンプは、圧力を測定するセンサではなく、出口で流体の速度及び温度を測定する明示的なセンサ７１２を有する場合がある。その結果、システムのこの点での圧力は、ＣＳＳによって表され得る潜在的な測定値と見なすことができる。システム上の圧力値のＣＳＳを正確に生成するために、明示的センサからの測定値は、圧力の期待値を（既知の物理学的関係及びいくつかのモデリング調整によって）生成するために、物理学ベースのモデリングエンジン７１４（図８Ａでさらに詳細に説明される）を通過させることができ、それによってＣＳＳ（すなわち推論センサ）７１５の値を生成する。次に、この推定値は、タイムスタンプを保持する合成データリポジトリ７１６に渡され、その結果、テレメトリ及びイベントデータリポジトリ７１３とリンク７１７することができる。

【0112】

直接物理方程式を利用するのではなく、なぜモデル７１４の複雑さが必要であるのかについての混乱を防ぐために、物理ベースの方程式は、システム内の全ての構成要素が完全である場合にのみ正確である。しかしながら、製造、設置及び組み立て、ならびに動作の不完全性及び変形により、標準的な物理方程式は正確な表現ではない場合があり、したがって、明示的なセンサから推論センサへの直接計算は正確でない場合がある。例えば、本来であれば完全に円形であるように設計されたパイプは、設置時に損傷を受ける可能性があり、その結果、設置されたパイプは実際にその構造内にクリンプまたは凹部を含む。本明細書で定義される本開示の実施形態の利点なしに動作する物理モデリングは、損傷したパイプに対応する出力を生成することができない。この状況に対処するために必要な機能は、本開示の実施形態による、モデル７１４を介して提供することができる。

【0113】

実際の図７Ｂの実施例として、ハードウェア７１１は、国際宇宙ステーションのＥＣＬＳＳ水処理装置アセンブリ（ＷＰＡ）を表すとする。図７Ｂを参照して、明示的なセンサ７１２「ａ」は、流体ポンプの流出での液体の速度であり、明示的なセンサ７１２「ｂ」は、流体ポンプの流出での液体の温度であり、非存在センサ「ｃ」は、流体ポンプの流出（存在する場合）での圧力を測定し、明示的なセンサ７１２「ｄ」は、流体ポンプの流出での流体の粘度を測定するとする。流出時の圧力の値を推定するために、センサ７１２の「ａ」、「ｂ」及び「ｄ」の時間毎の測定における明示的な値は、モデル７１４が「ｃ」のためのＣＳＳデータ７１５を生成することができるようにトレーニングされた（特にＩＳＳ ＷＰＡデータで較正された）物理ベースのモデリングエンジン７１４に渡される。明示的なセンサ「ａ」、「ｂ」、及び「ｄ」の値が渡され、テレメトリ及びイベントデータリポジトリ７１３に記憶された場合、モデル７１４から導出されたＣＳＳデータ７１５の値は、タイムスタンプが付けられ、合成データリポジトリ７１６に送信される。流体ポンプの予後障害モデルをトレーニングするために後で使用するためにデータが抽出されたとき、合成データリポジトリ７１６とテレメトリ及びイベントデータリポジトリ７１３との間のタイムスタンプ連結７１７は、明示的なセンサデータ７１２とＣＳＳデータ７１５との両方が、モデルのためのトレーニングデータを強化するために一緒にマージされることを可能にし、したがって、予後モデルの予測力を潜在的に増大させる。

【0114】

図７Ｂに示すプロセスのさらなる例示的な応用例は、使用例３の文脈で適用され（すなわち、テレメトリで直接観察されない潜在的な測定によって引き起こされ得るシステム問題の解決に）、図７Ｃを通じて説明され得る。例えば、ＩＳＳのＷＰＡのような宇宙搭載製品のテレメトリが、０．１Ｈｚのサンプリング周波数（すなわち１０秒毎に１つのデータポイント）で、ミッションコントロールと地上のＳＭＥにパフォーマンスのテレメトリをキャプチャし、配信しているとする。このサンプリングレートは、公称性能の期間中は十分であり得るが、いくつかの動的挙動は、このサンプリングレートでは観察できない場合がある。例えば、ＷＰＡ内のポンプが消耗している場合、ポンプが動作速度まで加速する速度、または停止中に減速する速度は、ポンプの健全性を示し得る。ポンプが１０秒未満の期間で動作速度まで加速または運転停止中に減速する場合、加速または減速挙動はデータで観察可能ではない。キャプチャされたテレメトリを物理ベースのモデリングエンジンに通すことにより、高解像度の合成的に補足されたデータセットを生成することができる（すなわち、合成データポイントはデータのギャップを埋めることができる）。次に、この新しいデータセットを使用して、ポンプの加速挙動または減速挙動を調査することができ、これにより、ポンプの健全性を予知及び問題解決の目的で調査及び推測することができる。

【0115】

図８Ａは、本開示の実施形態によるシステム及び／または方法８００Ａの簡略ブロック図である。本開示のいくつかの実施形態において、図８Ａに図示された合成データ生成プロセス８００Ａは、追加の手段及びアーキテクチャが可能であるが、図に示された方法で実施することができる。合成データ生成プロセスの意図及び目的は、合成データ（すなわち、有機的に／自然に／非合成データジェネレータから生じたのではないデータ）を作成することである。合成データの必要性は、理解される必要がある重要なイベント、機械の状態などが、あったとしても有機的に発生することは稀であるという事実から生じる。そのため、この稀な／低頻度の／新しいイベント及び機械の状態を理解するためには、それらのようなイベント及び機械の状態が発生した場合に、実際の／合成されていないデータがどのように見えるかを再現しようとする合成データを作成しなければならない。合成データの主な目的及び使用は、稀な／低頻度の／新しいイベント及び機械の状態を予測／分類／識別／などをするために人工知能モデルをトレーニングすること、品質保証のために障害分析を実行すること、確率的リスクモデルを構築すること、診断分析を実行すること、ハードウェアの複雑さを理解して既存のハードウェア構成を強化及び改善すること、などを含むことができるが、これらに限定されない。

【0116】

本開示のいくつかの実施形態では、合成データ生成プロセスは、実際のデータ／非合成データを生じさせるソースデータ８０１からなる。ソースデータ８０１は、ハードウェア、内部領域専門家、本開示のユーザまたはハードウェアなどを含むことができるが、これらに限定されない。次に、実際のデータ／非合成データは、様々な手段を通してテレメトリ及びシステム１００のデータリポジトリの一部であるイベントデータリポジトリ８０２にキャプチャされる。次に、この実際の／非合成データを２つの別々の手段で利用して、合成データを作成することができる。第１に、ハードウェアの物理に関連する明示的なプログラミングを有さないモデルである非物理ベースのモデル８０８（例えば、敵対的生成ネットワーク、オートエンコーダなど）は、このデータ上でトレーニングされることができる。これらのモデルがトレーニングされ、有機データの公称性能を正確にエミュレートできると、望ましいイベント／機械の状態と一致する入力パラメータ値を使用して、稀な／低頻度の／新しいイベント及び機械の状態を偽装できる。モデル８０８の出力は、基礎となるハードウェアの性能挙動を理論的に反映する合成的に生成されたデータからなるであろう。次に、８０８の出力は、システム１００のデータリポジトリの一部である合成データリポジトリ８０９の一部としてキャプチャされ、図８Ｂで後述されるＰＨＭ ＡＩエンジンプロセスで後に使用される。

【0117】

合成データが生成され得る第２の手段は、物理ベースのモデリングエンジン８０７を使用することによるものである。物理ベースのモデリングエンジン８０７は、２つの構成要素からなる。第１の構成要素は、自動較正物理ベースモデル８０５である。モデル８０５自体は、物理ベースのモデル８０５ａ（本明細書で前述した）及び較正モデル８０５ｂの２つの部分から構成されている。物理ベースのモデル８０５ａは、ハードウェアの既知の物理及びアセンブリを活用して、ハードウェアの性能を数学的に表す動的モデルである。物理ベースのモデル８０５ａは、最終的に、その物理に基づいてハードウェアのパフォーマンスをデジタル的に再構築することを目的とする理論モデルであり、本明細書で前述したように、ハードウェアデジタルツインとして効果的に機能する。ただし、このモデルは、ハードウェア自体のわずかな変動または修正、未知の設置及び組み立ての違いなどにより、サービス提供中のハードウェアの実際の性能を完全に反映しているとは限らない。その結果、較正モデル８０５ｂが、真のハードウェア性能を正確に反映するよう物理ベースのモデルを調整するために、物理システム８０５と併せて使用される。この較正モデル８０５ｂは、信号処理分野からの従来の較正方法、勾配降下最適化、または結果として得られる分布、相関、自己相関などを最適化するように設計された強化学習人工知能など、様々な方法で構成することができる。

【0118】

物理ベースのモデリングエンジン８０７の二次構成要素は、誤差調整モデル８０６である。最適化及び較正された後でも、自動較正物理ベースモデル８０５によって生成されたデータは、真の機械を完全にエミュレートしない場合がある。したがって、モデルの第２のセット（統計的または人工知能）は、モデル８０５の出力を補正するために利用されてよいが、利用されなくてもよい。誤差調整モデル８０６は、教師あり機械学習または他の予測モデルのプロセスにより、モデル８０５の合成データ出力と実際のデータ／非合成データとの間の誤差を予測することを学習することができる。したがって、モデル８０５によって作成された合成データは、モデル８０６を通過して、システム１００のデータリポジトリの一部である合成データリポジトリ８０９に最終的に送信される合成データの最終状態を生成することができる。物理ベースモデリングエンジン８０７内のすべての要素がトレーニングされ、較正されると、所望の稀な／低頻度／新しいイベント及びマシン状態を開始し、最終的に、入力状態／イベント／条件の条件下でデータがどのように見えるかを反映する合成データを生成することができる。

【0119】

合成データ生成プロセス８００Ａの追加の特徴としては、その自動自己較正性である。自己較正の必要性は、ａ）ＳＭＥとの対話の必要性を排除することであり、これはしばしば遅延し、あるいは時間がかかる。ｂ）ＰＨＭ ＡＩエンジンをサポートするデータが、現在のハードウェア性能に対して可能な限り正確であることを保証することである（例：生命維持システムの場合、現在のハードウェア性能を反映しなくなった古いデータに基づいて学習された障害予知モデルが、極端な結果をもたらす危険性がある）。２つのタイプの較正イベントがある。第１に、予定された較正及びトレーニング８０３が行われ得る。このような較正は、設定されたスケジュールで行われ、蓄積された最新の実際のデータ／非合成データを取り込み、その後、ａ）物理学ベースのモデリングエンジン８０７が、観測された実際のデータ／非合成データの許容範囲内にあることを検証し、ｂ）モデル８０８を再トレーニングして更新する。第２に、イベントによってトリガされる較正及びトレーニング８０４が発生する可能性がある。既知の重要なイベントの発生などの特定のイベントにより、較正検証サイクル及び再トレーニングサイクルが予定外に自動的に開始する場合がある。この場合も、較正サイクルが初期化されると、ａ）物理学ベースのモデリングエンジン８０７は、観測された実際のデータ／非合成データの許容範囲内であることを確実にするために、観測されたデータに対して検証され、ｂ）モデル８０８は再トレーニングされる。物理ベースモデリングエンジン８０７と、観測された実際のデータ／非合成データとの間にドリフトが発生した場合、物理ベースモデリングエンジン８０７を実際のハードウェアの性能に一致させるために、モデル８０５ｂ及び８０６の両方が自動的に再トレーニング及び再最適化を行う。

【0120】

実際の図８Ａの実施例として、ソースデータ８０１は、国際宇宙ステーションのＥＣＬＳＳ水処理装置アセンブリ（ＷＰＡ）を表すとする。モデル８０７及び８０８はすでに存在しており、最適化されているとする。モデル８０７及び８０８が学習された後に、ＮＡＳＡがＷＰＡを通過する水の一定流量を増加させることを決定した場合、流量が増加すると、モデル８０７及び８０８では把握できない方法でＷＰＡ内部の物理的構成要素が変性し，変形する可能性があるため、飛行ハードウェアがモデル化された性能から逸脱し始めることが予想される。その結果、予定された８０３またはトリガされた８０４の較正及びトレーニングサイクルの後、最新の実際のＷＰＡデータが、テレメトリ及びイベントデータリポジトリ８０２から抽出される。次に、非物理ベースのモデル８０８は、この新しいデータで再トレーニングして、ＷＰＡハードウェアの最新の偏差を学習して、そのパフォーマンスをエミュレートすることができる。さらに、物理ベースモデリングエンジン８０７の検証サイクルは、物理ベースモデリングエンジン８０７がもはや観測データ／非合成データの許容範囲内にないと結論付け、物理ベースモデリングエンジン８０７を、実行可能なデジタルツインであり続けるように、観測データ／非合成データとの整合に戻すために、較正モデル８０５ｂ及び誤差調整モデル８０６を自動的に再トレーニングさせる。一旦、８０７が実際のＷＰＡデータと整合するように戻され、モデル８０８が再トレーニングされると、重要なポンプ「Ｘ」の障害のような、関心のある多数の稀な／頻繁でない／新しいイベント及び機械状態は、より高い一定流量の新しい運転条件下でデータがどのように見えるかを理解するために、モデル８０７及び８０８を通してシミュレートすることができる。その後、この合成データをＰＨＭ ＡＩエンジンに送り込み、エンジン内のモデルを（再）トレーニングすることで、重要なポンプ「Ｘ」が障害するかどうかを事前に予測できるようになり、宇宙飛行士が命を守り、維持するための行動を起こせるような事前警告を宇宙飛行士に出すことができるようになる。

【0121】

図８Ｂは、本開示の実施形態によるシステム及び／または方法８００Ｂの簡略ブロック図である。本開示のいくつかの実施形態では、図８Ｂに図示されたＡＩエンジンプロセスは、追加の手段及びアーキテクチャが可能であるが、図に示された方法で実装され得る。当技術分野のいくつかの実施形態では、ＰＨＭ ＡＩエンジンは、より大きなモデル（メタモデル）によって作成、修正、最適化などされたモデルのセットとして定義される。ＰＨＭ ＡＩエンジンは多層システムであり、メタモデルは、デジタルエコシステムで使用するために展開可能な様々なＡＩＭＬ及び他の統計モデルを作成し、それらと相互作用する。メタモデル自体は、デジタルエコシステムで直接使用または消費されるのではなく、デジタルエコシステムで消費され得る及び直接消費されるモデルの作成／トレーニング／最適化／などを行う。ＡＩエンジンプロセス８００Ｂでは、消費者８１１は、ＰＨＭ ＡＩエンジンメタモデル８１６または飛行ハードウェア８１７のいずれかから情報を取り込む。この情報を受信すると、消費者８１１は、その情報を最終的に消費する、すなわち、さらなる情報を、８００Ｂを介して送り返さず、あるいは、システムを介してさらなるデータを相互作用する／通過させることができる。

【0122】

消費者が８００Ｂを介して情報を戻すことを望む／または命令される場合、データが送信され得る２つの可能なチャネルが存在する。第１に、データは、通常のテレメトリ８１２として、すなわち、ストレージ目的でデータがテレメトリ及びデータリポジトリ８１４に戻ることを意図しているが、即時的なアクションではない。第２に、データは、トリガされたイベントテレメトリ８１３として（すなわち、即時的なアクションが取られることを望んで、データがテレメトリ及びデータリポジトリ８１４に戻される意図で）送り返されることができる。８００Ｂを通じて流されたデータがトリガイベントチャネル８１３を通じて送信された場合、ＰＨＭ ＡＩエンジンのメタモデル８１６は、そのトリガと新しいデータを使用して、いくつかのタスクイベント（既存モデルの更新／再トレーニング、既存モデルの完全な再構築、モデル予測ドリフト検出の実行など）を自動的に開始する。

【0123】

さらに、トリガされたイベント８１３を使用して、テレメトリ及びイベントデータリポジトリ８１４を介して物理ベースのモデリングエンジン８１５に情報を渡すこともでき、新しいデータを自動的に使用して、さらにモデリングエンジンを更新／調整／修正／較正／検証を行うことができる。通常のテレメトリ８１２もまた、物理ベースのモデリングエンジン８１５に取り込むことができるが、トリガイベント８１３として送信されなかったので、そのようなデータは、予定されたイベントを介して物理ベースのモデリングエンジン８１５に手動でマイグレーション及び処理される。物理ベースのモデリングエンジン８１５によって生成された合成データもまた、（合成データリポジトリ８１５ａの仲介を介して）ＰＨＭ ＡＩエンジンメタモデル８１６に供給され、自己学習に使用される。

【0124】

実際の図８Ｂの実施例として、飛行ハードウェア８１７は、国際宇宙ステーションのＥＣＬＳＳ水処理装置アセンブリ（ＷＰＡ）を表すとする。消費者８１１が、ＷＰＡ内のフィルタを変更したばかりの宇宙飛行士である場合、消費者は、トリガされたイベントとして、チャネル８１３を介してフィルタの変更に関する情報を送信することができる。フィルタの変更に関する情報は次いで、テレメトリ及びデータイベントレポジトリ８１４内に記憶され、その後、一連のイベントが自動的に開始し得る。

【0125】

フィルタの変更について受信した新しい情報により、ＰＨＭ ＡＩエンジンメタモデル８１６は、実際の変更日に対して、そのフィルタが変更されると予測されたその予測スケジュールを検証することができる。さらに、新しい情報は、自動再トレーニングイベントを通じてＷＰＡに関連する様々なモデルに取り込まれることができ、またはメタモデルが必要であると判断した場合、完全に新しいモデル及びデータの前処理を作成することができる。さらに、トリガされたイベント８１３は、テレメトリ及びイベントデータリポジトリ８１４を通して物理ベースのモデリングエンジン８１５にデータを流すこともでき、そこでは、フィルタ変更を取り巻く条件が、物理ベースのモデルが実際の飛行ハードウェア性能を正確に反映していることを確実にするために、フィルタ及び周辺システムの物理ベースのモデルを自動的に検証または較正／調整するために使用され得る。

【0126】

したがって、前述の詳細な説明から、本開示の実施形態が技術的効果を提供することがわかる。例えば、システム１００、１００Ａによって実装される機能により、現在のスタッフ及びＳＭＥは、増加しつつある製品及びプラットフォームをサポートすることが可能になる。システム１００、１００Ａは、ＳＭＥモデル及び／またはＳＭＥデジタルツインを使用して、新規の作業員がデジタル化されたＳＭＥの文脈的な知識に指先でアクセスできるようにすることにより、トレーニング及び学習曲線（専門家になるまでの時間）を最小限に抑え、彼らが信頼できる製品サポートを提供することを可能にする。ＳＭＥの知識は、インテリジェントシステム１００、１００Ａ内のアルゴリズム及びコンテキスト情報に保持され、これは、ＳＭＥの経験及び知識が消耗されることはないことを意味する。システム１００、１００Ａは、コントローラのソリューションを簡素化することを可能にし、市販のＥＣＬＳＳ製品を地上から制御及び監視することを可能にし、コントローラのコストを低下させ、プライス・トゥ・ウィンの目標設定を可能にする。

【0127】

システム１００、１００Ａのアーキテクチャは、改造なしで、既存の製品に、予測及び健全性管理能力などのインテリジェント製品機能を備えることができる。リアルタイムデータを評価するシステム１００、１００Ａの能力は、問題をより速く特定することに寄与する。システム１００、１００Ａのモデル強化機能（例えば、ＱＡシステム、ＳＭＥモデル、ＳＭＥデジタルツインなどを介して）は、強化されたモデルの精度、先見性、及びきめ細やかな監督を提供する。

【0128】

本明細書で開示された開示の態様に使用することができる機械学習技術の追加の詳細が、ここで提供される。本明細書に記載されるプロセッサの様々なタイプのコンピュータ制御機能は、機械学習、深層学習、及び／または自然言語処理の技術を使用して実装することができる。一般に、深層学習技術は、いわゆる「ニューラルネットワーク」上で実行することができ、「ニューラルネットワーク」は、専用アルゴリズムのセットを実行するように構成されたプログラム可能なコンピュータとして実装することができる。ニューラルネットワークはデータにとらわれず、神経生理学、認知科学／心理学、物理学（統計力学）、制御理論、コンピュータサイエンス、人工知能、統計／数学、パターン認識、コンピュータビジョン、並列処理、及びハードウェア（例えば、デジタル／アナログ／ＶＬＳＩ／光学）を含む様々な分野に適用可能である。

【0129】

ニューラルネットワーク及びその機械学習アルゴリズムの基本的な機能は、ある種の機械知覚を通じて構造化データを解釈することにより、パターンを認識することである。ネイティブ形式の構造化されていない実世界データ（例えば、画像、音声、テキスト、または時系列データ）は、コンピュータによって理解及び操作され得る構造化された数値形式（例えば、大きさ及び方向を有するベクトル）に変換される。機械学習アルゴリズムは、実世界データベクトルに含まれるパターン（または関係）が明らかになり、学習されるまで、実世界データベクトルに対して学習ベースの分析を複数回繰り返す。学習されたパターン／関係は、例えば、実世界データの分類（またはラベル付け）及び実世界データのクラスタリングを含む様々なタスクを実行するために使用され得る予測モデルとして機能する。分類タスクは、ラベルとデータとの間の相関関係を認識するようにニューラルネットワーク（すなわち、モデル）をトレーニングするために、ラベル付きデータセットの使用に依存することが多い。これは、教師あり学習として知られている。分類タスクの例としては、画像内の人／顔の検出、画像内の顔の表情（例えば、怒っている、喜んでいるなど）の認識、画像内のオブジェクト（例えば、一時停止標識、歩行者、車線マーカーなど）の識別、動画内のジェスチャの認識、音声の検出、オーディオ中の音声検出、特定の話者の識別、音声のテキストへの変換、などが挙げられる。クラスタリングタスクは、オブジェクト間の類似性を識別し、それらの共通の特徴に従ってグループ化し、これらの特徴を他のオブジェクトのグループと区別する。これらの群は「クラスター」として知られる。

【0130】

本開示の態様を実装するために使用することができる機械学習技術の一例を、図９及び１０を参照して説明する。本開示の実施形態に従って構成され配列される機械学習モデルが、図９を参照して説明される。本明細書に記載の開示の実施形態の１つ以上を実装することができる例示的なコンピューティングシステム及びネットワークアーキテクチャの詳細な説明は、図１１を参照して提供される。

【0131】

図９は、本明細書で説明される開示の様々な態様（例えば、回帰、分類、異常検出、クラスタリング、自律的意思決定など）を実装することができる機械学習システム９００を示すブロック図を示す。より具体的には、システム９００の機能は、本開示の実施形態においてコンピュータ機能を実装するために使用されることができる様々なモデル及びサブモデルを生成するために本開示の実施形態において使用される。システム９００は、ＡＩアルゴリズム９１０とネットワーク９０４を介して通信する複数のデータソース９０２を含む。本開示のいくつかの態様では、データソース９０２は、ネットワーク９０４をバイパスし、ＡＩアルゴリズム９１０に直接フィードすることができる。データソース９０２は、本開示の実施形態による、ＡＩアルゴリズム９１０によって使用されるデータ／情報の入力を提供する。データソース９０２はまた、ＡＩアルゴリズム９１０によって作成されたモデル（複数可）９１６をトレーニングし、及び／または更新するために、ＡＩアルゴリズム９１０によって使用され得るデータ／情報の入力を提供する。データソース９０２は、リアルタイムデータを収集するように構成されたセンサ、データリポジトリ（トレーニングデータリポジトリを含む）、及び他のＡＩアルゴリズムからの出力を含むがこれらに限定されない、様々なデータソースとして実装することができる。ネットワーク９０４は、ローカルネットワーク、ワイドエリアネットワーク、プライベートネットワーク、インターネットなどを含むがこれらに限定されない、任意のタイプの通信ネットワークであってもよい。

【0132】

ＡＩアルゴリズム９１０は、処理システム１１００（図１１に示される）などのプログラム可能なコンピュータによって実行されるアルゴリズムとして実装されてもよい。図９に示すように、ＡＩアルゴリズム９１０は、機械学習（ＭＬ）アルゴリズム（古典的な統計学習モデル、深層学習モデル、強化学習モデル、及びそれらの任意の組み合わせを含む）９１２を含み、自然言語処理（ＮＬＰ）アルゴリズム９１４と、ＭＬアルゴリズム９１２によって生成された（または学習された）関係（または予測）アルゴリズムである他のタイプのモデル（複数可）９１６のセットを含む。ＡＩアルゴリズム９１０のアルゴリズム９１２、９１４、９１６は、例示及び説明を容易にするために別々に示されている。本開示の実施形態では、ＡＩアルゴリズム９１０の様々なアルゴリズム９１２、９１４、９１６によって実行される機能は、図示とは異なるように分配することができる。例えば、ＡＩアルゴリズム９１０が、サブタスクを有する全体的なタスクを実行するように構成される場合、ＭＬアルゴリズム９１２のセットは、ＭＬアルゴリズム９１２の一部が、各サブタスクを実行し、ＭＬアルゴリズム９１２の一部がタスクの全体を実行するように、セグメント化することができる。さらに、本開示のいくつかの実施形態では、ＮＬＰアルゴリズム９１４は、ＭＬアルゴリズム９１２内に統合することができる。

【0133】

ＮＬＰアルゴリズム９１４は、ＡＩアルゴリズム９１０、より具体的にはＭＬアルゴリズム９１２が自然言語データ（テキスト及び音声）を受信し、言語処理、情報検索、及び機械学習の要素を適用して自然言語入力から意味を導き出し、導き出された意味に基づいて潜在的に行動を起こすことを可能にする音声認識機能を含む。本開示の態様に従って使用されるＮＬＰアルゴリズム９１４はまた、ＡＩアルゴリズム９１０が結果（複数可）９２０を自然言語（テキスト及びオーディオ）に変換して、結果（複数可）９２０の態様を伝達することを可能にする音声合成機能を、自然言語コミュニケーションとして含むこともできる。

【0134】

ＮＬＰ及びＭＬアルゴリズム９１４、９１２は、データソース９０２から入力データ（すなわち、トレーニングデータ及び分析下データ）を受信して評価する。ＭＬアルゴリズム９１２は、入力データのフォーマットを解釈し、利用するために必要な機能を含む。例えば、データソース９０２が画像データを含む場合、ＭＬアルゴリズム９１２は、画像データを解釈するように構成された視覚認識ソフトウェアを含むことができる。ＭＬアルゴリズム９１２は、受信したトレーニングデータ（例えば、データソース９０２の１つ以上から受信したデータ）に機械学習技術を適用して、経時的に、全体的なタスクと、ＡＩアルゴリズム９１０が完了するように設計されているサブタスクとをモデル化する１つ以上のモデル９１６を作成／トレーニング／更新する。

【0135】

ここで図９及び１０を合わせて参照すると、図１０は、上記のモデル９１６を生成するためにＭＬアルゴリズム９１２によって実行される学習段階１０００の例を示す。学習段階１０００では、ＡＩアルゴリズム９１０は、トレーニングデータから特徴を抽出し、特徴を、ＭＬアルゴリズム９１２によって認識及び分析され得るベクトル表現に変換する。特徴ベクトルは、ＭＬアルゴリズム９１２によって分析され、トレーニングデータ間（ｂｅｔｗｅｅｎ）の関係、及びトレーニングデータ間（ａｍｏｎｇ）の関係が明らかにされる。ＭＬアルゴリズム９１２の適切な実施態様の例は、線形／多項式／リッジ／ラッソ／弾性ネット回帰、ロジット回帰、ｋ最近傍法、決定木、ランダムフォレスト、勾配ブーストフォレスト、ナイーブベイズ分類器、サポートベクトルマシン／リグレッサ、ニューラルネットワーク（従来の人工ニューラルネットワーク、回帰型ニューラルネットワーク、畳み込みニューラルネットワーク、敵対的生成ネットワークなど）、Ｑ学習、方針勾配モデル、ｋ平均法、ＤＢＳＣＡＮクラスタリング、隠れマルコフモデルなどを含むがこれらに限定されない。ＭＬアルゴリズム９１２によって実行される学習またはトレーニングは、生成的、教師あり、教師なし、教師あり学習及び教師なし学習（半教師あり）の態様を含むハイブリッド、または強化モデルとすることができる。

【0136】

モデル９１６がＭＬアルゴリズム９１２によって十分にトレーニングされると、合成データを生成するデータソース９０２と同様に「実世界」データを生成するデータソース９０２にアクセスし、データをモデル９１６に適用して、使用可能なバージョンの結果９２０を生成する。本開示のいくつかの実施形態では、結果９２０は、ＡＩアルゴリズム９１０にフィードバックされ、モデル９１６を更新し、及び／または精密化するための追加のトレーニングデータとしてＭＬアルゴリズム９１２によって使用されることができる。

【0137】

本開示の態様では、ＭＬアルゴリズム９１２及びモデル９１６は、特定の結果／判定の全体的な精度を向上させるために、それらの結果／判定（結果９２０を含む）の様々なものに信頼度（ＣＬ）を適用するように構成することができる。ＭＬアルゴリズム９１２及び／またはモデル９１６が、ＣＬの値が所定の閾値（ＴＨ）を下回る（すなわち、ＣＬ＜ＴＨ）判定を行うか、または結果を生成するとき、その結果／判定は、その判定／結果が有効でないという結論を正当化するために十分に低い「確信度」を有するものとして分類することができ、この結論は、いつ、どのように、及び／または下流の処理において判定／結果が取り扱われるかを決定するために使用することができる。ＣＬ＞ＴＨの場合、決定／結果は有効であると考えることができ、この結論を使用して、いつ、どのようにして、及び／または決定／結果が下流の処理で処理されるかどうかを決定することができる。多くの異なる所定のＴＨレベルを提供することができる。ＣＬ＞ＴＨを持つ決定／結果は、いつ、どのように、及び／または、下流処理で決定／結果を処理するかどうかを優先するために、最も高いＣＬ＞ＴＨから最も低いＣＬ＞ＴＨまでランク付けすることができる。

【0138】

本開示の態様では、ＡＩアルゴリズム９１０は、結果９２０に信頼度（ＣＬ）を適用するように構成することができる。ＡＩアルゴリズム９１０が、結果９２０のＣＬが所定の閾値（ＴＨ）を下回る（すなわち、ＣＬ＜ＴＨ）と判定するとき、結果９２０は、結果９２０の「信頼性なし」の分類を正当化するのに十分に低いとして分類することができる。ＣＬ＞ＴＨである場合、結果９２０は、結果９２０が有効であるという判定を正当化するのに十分に高いものとして分類できる。ＣＬ＞ＴＨを持つ結果９２０を、最高のＣＬ＞ＴＨから最低のＣＬ＞ＴＨまでランク付けできるように、多くの異なる所定のＴＨレベルを提供することができる。

【0139】

ＡＩアルゴリズム９１０によって実行される機能、より具体的には、ニューラルネットワーク（その１つの可能な表現はＭＬアルゴリズム９１２である）によって実行される機能は、重み付き有向グラフとして編成することができ、ノードは人工ニューロン（例えば、人間の脳のニューロンをモデル化したもの）であり、重み付き有向エッジはノードを接続する。ＡＩアルゴリズム９１０の有向グラフは、特定のノードが入力層ノードを形成し、特定のノードが隠れ層ノードを形成し、特定のノードが出力層ノードを形成するように編成することができる。入力層ノードは隠れ層ノードに結合し、隠れ層ノードは出力層ノードに結合する。各ノードは、接続経路によって隣接する層内の全てのノードに接続され、これは、各々が接続強度を有する方向矢印として描かれることができる。複数の入力層、複数の隠れ層、及び複数の出力層を提供することができる。複数の隠れ層が提供されるとき、ＡＩアルゴリズム９１０は、ＡＩアルゴリズム９１０の割り当てられたタスク（複数可）を実行するための深層学習を実行することができる。

【0140】

人間の脳の機能と同様に、各入力層ノードは、接続強度調整なし、及びノード合計なしの入力を受信する。隠れ層ノードの各々は、関連する接続経路に関連付けられた接続強度に従って、全ての入力層ノードからその入力を受信する。隠れ層ノードと出力層ノードに対しても同様の接続強度乗算とノード合計とが実行される。

【0141】

ニューラルネットワークの１つの一般的な形式は、データレコード（例えば、データソース９０２からの出力）を一度に１つずつ処理し、それは、レコードの最初は任意の分類をレコードの既知の実際の分類と比較することによって「学習する」。「誤差逆伝播」（すなわち、「誤差の逆伝播」）として知られているトレーニング方法を使用して、第１のレコードの初期分類からの誤差は、ＡＩアルゴリズム９１０の重み付けされた有向グラフにフィードバックして、２回目は重み付けされた有向グラフの重み付けされた接続を修正するために使用され、このフィードバックプロセスは多くの反復にわたって継続する。教師あり学習問題のためのＡＩアルゴリズム９１０の重み付けされた有向グラフのトレーニング段階では、各レコードの正しい分類が分かっているので、出力ノードに「正しい」値を割り当てることができる。例えば、正しいクラスに対応するノードのノード値は「１」（または０．９）であり、その他のクラスのノード値は「０」（または０．１）である。したがって、出力ノードの重み付けされた有向グラフの計算値をこれらの「正しい」値と比較し、各ノードの誤差項（すなわち、「デルタ」ルール）を計算することが可能である。次に、これらの誤差項を使用して、隠れ層の重みが調整され、その結果、次の反復では、出力値が「正しい」値に近くなる。

【0142】

図１１は、本開示の態様による、１つ以上のコンピュータ処理動作を実施するために使用できる、コンピュータシステム１１００の高レベルブロック図を示す。１つの例示的なコンピュータシステム１１００が示されているが、コンピュータシステム１１００は、通信パス１１２５を含み、この通信パス１１２５は、コンピュータシステム１１００を追加のシステム（図示せず）に接続し、インターネット、イントラネット（複数可）、及び／または無線通信ネットワーク（複数可）などの、１つ以上のワイドエリアネットワーク（ＷＡＮ）及び／またはローカルエリアネットワーク（ＬＡＮ）を含み得る。コンピュータシステム１１００及び追加のシステムは、例えば、それらの間でデータを通信するために、通信パス１１２５を介して通信している。

【0143】

コンピュータシステム１１００は、プロセッサ１１０２などの１つ以上のプロセッサを含む。プロセッサ１１０２は、通信インフラストラクチャ１１０４（例えば、通信バス、クロスオーバーバー、またはネットワーク）に接続される。コンピュータシステム１１００は、表示装置１１０８に表示するために、グラフィックス、テキスト、及びその他のデータを通信インフラ１１０４から（または図示しないフレームバッファから）転送する表示インタフェース１１０６を含むことができる。コンピュータシステム１１００はまた、メインメモリ１１１０、好ましくはランダムアクセスメモリ（ＲＡＭ）を含み、二次メモリ１１１２を含むこともできる。二次メモリ１１１２は、例えば、フロッピーディスクドライブ、磁気テープドライブ、または光ディスクドライブを表す、ハードディスクドライブ１１１４及び／またはリムーバブルストレージドライブ１１１６を含み得る。リムーバブルストレージドライブ１１１６は、当業者によく知られている方法で、リムーバブルストレージユニット１１１８から読み出し、及び／またはリムーバブルストレージユニット１１１８に書き込む。リムーバブルストレージユニット１１１８は、例えば、リムーバブルストレージドライブ１１１６によって読み取られ、リムーバブルストレージドライブ１１１６によって書き込まれるフロッピーディスク、コンパクトディスク、磁気テープ、または光ディスク、フラッシュドライブ、ソリッドステートメモリなどを表す。認識されるように、リムーバブルストレージユニット１１１８は、そこにコンピュータソフトウェア及び／またはデータを格納したコンピュータ可読媒体を含む。

【0144】

本開示の代替的な実施形態において、二次メモリ１１１２は、コンピュータプログラムまたは他の命令がコンピュータシステム上にロードされることを可能にする他の類似の手段を含み得る。かかる手段は、例えば、リムーバブルストレージユニット１１２０及びインタフェース１１２２を含み得る。かかる手段の例は、プログラムパッケージ及びパッケージインタフェース（ビデオゲーム機器において見られるものなど）、取り外し可能なメモリチップ（ＥＰＲＯＭ、またはＰＲＯＭなど）及び関連するソケット、及び他のリムーバブルストレージユニット１１２０及びソフトウェア及びデータがリムーバブルストレージユニット１１２０からコンピュータシステム１１００へと転送されることを可能にするインタフェース１１２２を含み得る。

【0145】

コンピュータシステム１１００はまた、通信インタフェース１１２４を含み得る。通信インタフェース１１２４は、ソフトウェア及びデータが、コンピュータシステムと外部デバイスとの間で転送されることを可能にする。通信インタフェース１１２４の例は、モデム、ネットワークインタフェース（イーサネットカードなど）、ＣＯＭポート、ＰＣＭ－ＣＩＡスロット及びカードなどを含み得る。通信インタフェース１１２４を経由して転送されるソフトウェア及びデータは、信号の形式であり、これは、例えば、通信インタフェース１１２４によって受信されることのできる電気、電磁、光、または他の信号であり得る。これらの信号は、通信パス（すなわち、チャネル）１１２５を経由して通信インタフェース１１２４へと提供される。通信パス１１２５は信号を運び、ワイヤまたはケーブル、光ファイバ、電話回線、携帯電話のリンク、ＲＦリンク及び／または他の通信チャネルを使用して実装され得る。

【0146】

クラウドコンピューティングシステム５０は、コンピュータシステム１１００と有線または無線で電子通信している。クラウドコンピューティングシステム５０は、コンピューティングシステム１１００の機能（任意の組み合わせ）の一部またはすべてを補足、サポート、または置き換えることができる。さらに、コンピュータシステム１１００の機能の一部または全部を、クラウドコンピューティングシステム５０のノードとして実装することができる。

【0147】

本明細書で説明されるシステムの機能ユニットの多くは、モジュールとラベル付けされている。本開示の実施形態は、多種多様なモジュール実装に適用される。例えば、モジュールは、カスタムＶＬＳＩ回路またはゲートアレイ、論理チップ、トランジスタなどの既製の半導体、または他の個別部品を含むハードウェア回路として実装し得る。モジュールはまた、フィールドプログラマブルゲートアレイ、プログラマブルアレイロジック、プログラマブルロジックデバイスなどのプログラマブルハードウェアデバイスに実装され得る。モジュールはまた、様々な種類のプロセッサによる実行のためにソフトウェアで実装され得る。実行可能コードの識別されたモジュールは、例えば、オブジェクト、手順、または機能として例えば編成され得る、コンピュータ命令の１つ以上の物理または論理ブロックを含み得る。それにもかかわらず、識別されたモジュールの実行可能ファイルは、物理的に一緒に配置されている必要はなく、論理的に結合されたときにモジュールとして機能し、モジュールの明示された目的を達成する、異なる場所に格納された異種の命令を含むことができる。

【0148】

本明細書に示されているシステムの様々な構成要素／モジュール／モデルは、例示及び説明を容易にするために別々に描かれている。本開示の実施形態では、様々な構成要素／モジュール／モデルによって実行される機能は、特に明記されていない限り、本明細書で説明される開示の様々な実施形態の範囲から逸脱することなく、示されているものとは異なる方法で分散することができる。

【0149】

本開示の態様は、システム、方法、及び／またはコンピュータプログラム製品として、任意の可能な技術的詳細レベルの統合で具体化することができる。コンピュータプログラム製品は、本開示の態様をプロセッサに実行させるためのコンピュータ可読プログラム命令をその媒体上に有するコンピュータ可読記憶媒体（複数可）を含み得る。

【0150】

コンピュータ可読記憶媒体は、命令実行デバイスが使用するための命令を保持し保存することができる有形のデバイスであり得る。コンピュータ可読記憶媒体は、例えば、電子記憶装置、磁気記憶装置、光学式記憶装置、電磁記憶装置、半導体記憶装置、またはこれらの任意の好適な組み合わせとすることができるが、これらに限定されない。コンピュータ可読記憶媒体のより具体例な例の非網羅的なリストには、ポータブルコンピュータディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、消去可能なプログラム可能読み取り専用メモリ（ＥＰＲＯＭまたはフラッシュメモリ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスク読み取り専用メモリ（ＣＤ－ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、メモリスティック、フロッピーディスク、パンチカードなどの機械的に符号化されたデバイス、またはその上に記録された命令を有する溝内の隆起構造、及び前述の任意の適切な組み合わせを含む。本明細書で使用するコンピュータ可読記憶媒体は、電波またはその他の自由に伝播する電磁波、導波管またはその他の伝送媒体を伝播する電磁波（例えば、光ファイバーケーブルを通過する光パルス）、または電線を介して伝送される電気信号など、一過性の信号そのものであると解釈されるものではない。

【0151】

本明細書で説明するコンピュータ可読プログラム命令は、コンピュータ可読記憶媒体から、それぞれのコンピューティング／処理デバイスに、またはネットワーク、例えばインターネット、ローカルエリアネットワーク、ワイドエリアネットワーク及び／またはワイヤレスネットワークを介して外部コンピュータまたは外部記憶装置にダウンロードすることができる。ネットワークは、銅製の伝送ケーブル、光伝送ファイバ、無線伝送、ルータ、ファイアウォール、スイッチ、ゲートウェイコンピュータ、及び／またはエッジサーバを含み得る。各コンピューティング／処理デバイスのネットワークアダプタカードまたはネットワークインタフェースは、ネットワークからコンピュータ可読プログラム命令を受信し、そのコンピュータ可読プログラム命令を転送して、それぞれのコンピューティング／処理デバイス内のコンピュータ可読記憶媒体に保存する。

【0152】

「約」、「実質的に」という用語、及びそれらの同等物は、本願出願時に利用可能である機器に基づく特定の数量の測定に関係付けられる誤差の程度を含むことが意図されている。

【0153】

本明細書で使用される用語は、特定の実施形態を説明することのみを目的とし、本開示を限定する意図はない。本明細書で使用される場合、単数形の「ａ」、「ａｎ」、及び「ｔｈｅ」は、文脈上明らかに別段の指示がない限り、複数形も含むことが意図される。用語「備える／含む」及び／または「備えている／含んでいる」は、本明細書で使用される時、述べられる特徴、構成要素、ステップ、動作、要素、及び／または成分の存在を特定するが、１つ以上の他の特徴、構成要素、ステップ、動作、要素、成分、及び／またはそれらのグループの存在もしくは追加を除外しないことが、さらに理解されよう。

【0154】

本開示は例示の１つまたは複数の実施形態を参照して説明されているが、本開示の範囲から逸脱することなく、種々の変更が行われてもよく、また均等物がその要素の代わりをする場合もあることは当業者によって理解されるであろう。さらに、特定の状況または材料を本開示の教示に適応させるために、本開示の本質的範囲から逸脱することなく、多くの修正が加えられてもよい。よって、本開示は、本開示を実行するために想到される最適の形態として開示される特定の実施形態に限定されるのではなく、本開示は、特許請求の範囲に入る全ての実施形態を含むことが意図される。

【図1】

【図2A】

【図2B】

【図3】

【図4】

【図5】

【図6A】

【図6B】

【図6C】

【図6D】

【図7A】

【図7B】

【図7C】

【図8A】

【図8B】

【図9】

【図10】

【図11】

【外国語明細書】