JP7777978B2 - Knowledge Model Execution Device - Google Patents
Knowledge Model Execution DeviceInfo
- Publication number
- JP7777978B2 JP7777978B2 JP2021209702A JP2021209702A JP7777978B2 JP 7777978 B2 JP7777978 B2 JP 7777978B2 JP 2021209702 A JP2021209702 A JP 2021209702A JP 2021209702 A JP2021209702 A JP 2021209702A JP 7777978 B2 JP7777978 B2 JP 7777978B2
- Authority
- JP
- Japan
- Prior art keywords
- factor
- knowledge model
- value
- observation data
- child
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Description
本発明は、知識モデル実行装置に関する。 The present invention relates to a knowledge model execution device .
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。 For example, it is known that the knowledge of experts is compiled into a database and used to determine machining conditions for industrial machinery. For example, Patent Document 1 describes a knowledge model compiled into a database. The knowledge model is a model composed of multiple factors defined using various technical terms and the relationships between the factors. It is said that the knowledge model can be used to optimize machining conditions.
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。 Patent Document 2 also describes the application of machine learning when defining the relationships between factors in a knowledge model. In particular, as means for defining the relationships between factors, it describes a means for defining the correspondence relationship between the rank value of a reference factor and the rank value of a factor to be connected (rank-rank relationship), and a means for defining the correspondence relationship between the rank value of a reference factor and the range value of a factor to be connected (rank-range relationship). Furthermore, when a reference factor has a relationship with multiple factors, the degree of influence of multiple factors on the reference factor can be determined by setting contribution levels.
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。 The relationships between factors described in Patent Document 2 directly correspond to factor values of each factor, such as rank values and range values. It is not easy for a person to determine the correspondence between factor values. While it is possible to determine the correspondence between factor values by applying machine learning, it may not be possible to properly define the relationships between factors, especially when the amount of data in the training dataset is small.
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実行装置を提供しようとするものである。 The present invention has been made in view of the above-mentioned problems, and aims to provide a knowledge model execution device that can efficiently create a knowledge model by a method different from the conventional method.
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と、
入力因子の因子値と前記知識モデルとに基づいて、出力因子の因子値を決定する出力値決定部と、を備える、知識モデル実行装置であって、
前記作成支援装置は、
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し、
前記条件付確率表において、前記親因子および前記子因子は、それぞれの因子値を複数の区間に区分されており、
前記出力値決定部は、
前記入力因子を前記親因子とし、前記出力因子を前記子因子とし、
前記条件付確率表において、前記入力因子に対応する前記子因子の各区間における確率を取得し、
前記子因子の各区間に対応する値と、前記子因子の各区間における確率とに基づいて、前記出力因子の因子値を決定する、知識モデル実行装置にある。
One aspect of the present invention is a knowledge model creation support device configured by a plurality of factors defined by industrial technology terms and relationship information between the factors;
an output value determination unit that determines a factor value of an output factor based on a factor value of an input factor and the knowledge model,
The creation support device includes:
a target factor acquisition unit that acquires parent factors and child factors as target factors for defining the relationship information;
an observation data acquisition unit that acquires observation data regarding the factor values of the parent factors and the factor values of the child factors;
a generation unit that generates a conditional probability table that defines the probability of a factor value of the child factor being a condition for a factor value of the parent factor, based on the observation data;
a knowledge model storage unit that stores the knowledge model including the relationship information, using the generated conditional probability table as the relationship information between the parent factor and the child factor,
the generation unit generates new conditional probability tables when the observation data acquisition unit acquires new observation data, and updates the knowledge model stored in the knowledge model storage unit ;
In the conditional probability table, the parent factor and the child factor have their respective factor values divided into a plurality of intervals,
The output value determination unit
The input factor is the parent factor, and the output factor is the child factor;
In the conditional probability table, a probability in each interval of the child factor corresponding to the input factor is obtained;
The knowledge model execution device determines the factor value of the output factor based on the value corresponding to each interval of the child factor and the probability in each interval of the child factor .
知識モデル実行装置によれば、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。 According to the knowledge model execution device , a conditional probability table is used as relationship information between factors constituting a knowledge model. The conditional probability table is defined by the probability of a factor value of a child factor when the factor value of a parent factor is set as a condition. In other words, the conditional probability table does not directly relate the factor value of a parent factor to the factor value of a child factor, but represents it using probability. Therefore, the relationship between factors can be flexibly defined.
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。 Furthermore, the generation unit generates a conditional probability table as relationship information between factors based on the observation data. If new observation data is acquired after the generation of the conditional probability table, the generation unit generates a new conditional probability table based on the new observation data. The generation unit then updates the knowledge model stored in the knowledge model storage unit to a knowledge model that uses the newly generated conditional probability table as relationship information. Therefore, as the knowledge model is updated, even if the accuracy of the knowledge model is low initially, it gradually improves.
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実行装置を提供することができる。 As described above, according to the above aspect, it is possible to provide a knowledge model execution device that can efficiently create a knowledge model using a method different from the conventional method.
（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。
(Embodiment)
1. Configuration of the Knowledge Model Utilization System 1 The configuration of the knowledge model utilization system 1 will be described with reference to FIG. 1. The knowledge model utilization system 1 can be targeted at industrial technology fields such as engineering, medicine, pharmacy, agriculture, and biology. In particular, the knowledge model utilization system 1 can be targeted at the mechanical processing field and material forming field, both of which are included in the engineering field. The mechanical processing field includes, for example, cutting, grinding, electrical discharge machining, and press working. The material forming field includes, for example, injection molding and casting. The knowledge model utilization system 1 is a system that utilizes a knowledge model 4a that describes knowledge related to technical information by an expert in the above industrial technology fields.
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。 As shown in Figure 1, the knowledge model utilization system 1 includes multiple industrial machines 2 and 3 in the aforementioned industrial technology field, and a knowledge model execution device 4. The multiple industrial machines 2 and 3 and the knowledge model execution device 4 form a network. In other words, the multiple industrial machines 2 and 3 and the knowledge model execution device 4 are configured to be able to communicate with each other.
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。 The multiple industrial machines 2, 3 are, for example, machine tools, various molding machines, conveying equipment, construction machinery, agricultural machinery, chemical industry machinery, etc. The knowledge model execution device 4 stores a knowledge model 4a. The knowledge model execution device 4 uses the knowledge model 4a to, for example, assist in the operation of the industrial machines 2, 3 in the aforementioned industrial technology field, determine operating conditions, determine the machine state, determine the state of the workpiece, etc.
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。 Generally, in the field of machining, workers consider various information such as the workpiece material, tool material, workpiece quality, and machining cycle time to determine machining conditions such as cutting speed and cutting depth per unit time. In this case, knowledge model 4a models the worker's thought process when acquiring various input information and determining machining conditions.
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。 In other words, knowledge model 4a defines each of the industrial technology elements that appear in the worker's thought process as factors, in addition to the workpiece material, tool material, workpiece quality, machining cycle time, cutting speed, and cutting depth, and defines the relationships between these factors.
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。 For example, when determining the machining conditions for a machine tool, which is one of the industrial machines 2 and 3, the knowledge model execution device 4 can acquire input factors such as the workpiece material and workpiece quality, and use the knowledge model 4a to output machining conditions such as cutting speed and depth of cut as output factors. Furthermore, the knowledge model execution device 4 can acquire observation data 32a of the industrial machines 2 and 3 as input factors, and use the knowledge model 4a to output, as output factors, the machine status of the industrial machines 2 and 3, such as an abnormal or deteriorated state, or the presence or absence of an abnormality in the quality of the workpiece caused by the industrial machines 2 and 3.
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。
2. Knowledge Network Diagram 10
The knowledge model 4a is conceptually expressed in the form of a network. An example of a knowledge network diagram 10 that expresses the knowledge model 4a in the form of a network will be described with reference to FIG. 2. In other words, the knowledge network diagram 10 is a graphical representation of the knowledge model 4a. In this embodiment, a knowledge network diagram 10 relating to a knowledge model 4a in the machining field will be taken as an example.
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。 As shown in Figure 2, the knowledge network diagram 10 comprises multiple node figures 11 and link figures 12 that connect the node figures 11 together. The node figures 11 are expressed, for example, in terms of high quality, high efficiency, cutting speed, and rotational feed. The node figures 11 represent factors defined in industrial technology terms in the knowledge model 4a. Multiple factors may have a technical inclusion relationship (also known as a hierarchical relationship or a master-slave relationship), or they may have a technical heterogeneous dependency relationship. In other words, the relationships between factors can be classified into the two types mentioned above.
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。 For example, the workpiece material description has a relationship that encompasses workpiece material thermal properties, workpiece material hardness, workpiece material elongation, etc. In other words, as factors that have a technical inclusion relationship, the workpiece material description is the higher-level conceptual factor, and workpiece material thermal properties, workpiece material hardness, workpiece material elongation, etc. are the lower-level conceptual factors. Furthermore, factors that have a technical heterogeneous dependency relationship include workpiece material thermal properties and required tool heat resistance. In what follows, the relationship between two factors that have a technical inclusion relationship will be simply referred to as an inclusion relationship, and the relationship between two factors that have a technical heterogeneous dependency relationship will be simply referred to as a heterogeneous dependency relationship.
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。 Link graphics 12 represent relationships between node graphics 11. Link graphics 12 represent relationships between factors in the knowledge model 4a. Link graphics 12 are displayed to distinguish between first link graphics 12a, which represent inclusion relationships, and second link graphics 12b, which represent heterogeneous dependency relationships.
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。 In Figure 2, the first link graphic 12a, which represents an inclusion relationship, is represented by a frame that indicates the area of the superordinate concept factor, and the subordinate concept factor is placed within the frame that represents the first link graphic 12a. The second link graphic 12b is represented by an arrow line that indicates the direction of the definition of the factors. The origin of the arrow of the second link graphic 12b is the parent factor, and the tip of the arrow of the second link graphic 12b is the child factor. However, the representation of the first link graphic 12a and the second link graphic 12b is not limited to the above, and other forms can also be used.
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。
3. Structure of Knowledge Model 4a Knowledge model 4a, which defines the knowledge network diagram 10 shown in Figure 2, will be explained with reference to Figures 3 to 5. Knowledge model 4a is composed of data and processing programs, and defines the knowledge network diagram 10 shown in Figure 2 as data.
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。 Here, knowledge model 4a is a representation of the knowledge network diagram 10 shown in Figure 2, and is therefore a model that has a large number of factors and defines the relationships between these factors. However, for ease of explanation, the following will use as an example the smallest unit that makes up part of knowledge model 4a, i.e., a single unit defined by a parent factor and a child factor.
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。 As shown in Figure 3, the smallest unit that makes up the knowledge model 4a includes multiple factors 21, 22, and 23 defined in industrial technology terms, relationship information 24 between the factors, and an output value determination unit 25.
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。 In Figure 3, multiple factors 21, 22, and 23 include parent factors A and B and a child factor C. Parent factors A and B are factors that influence child factor C. Conversely, child factor C is a factor that is influenced by parent factors A and B. In other words, the factor value of child factor C is determined based on the factor values of parent factors A and B. Note that while Figure 3 shows two parent factors A and B, there may be one parent factor or three or more parent factors.
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。 As shown in Figure 4, parent factor A defines, for example, the factor values using range values. For example, parent factor A is defined as a range value, which is a factor value, using multiple discretized intervals such as "10 to 20" and "20 to 30." In Figure 4, the range values of parent factor A are defined using evenly discretized intervals, but they can also be defined using unevenly discretized intervals. Furthermore, parent factor A includes, for example, information on the median of the range values as the nominal range value. For example, the nominal range values of parent factor A are "15" and "25." Note that the nominal range value can also be the minimum or maximum range value.
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。 Like parent factor A, parent factor B defines its factor values using range values. For example, parent factor B is defined as a range value, which is a factor value, using multiple discretized intervals such as "20 to 40" and "40 to 60." In Figure 4, the range values of parent factor B are defined using evenly discretized intervals, but they can also be defined using unevenly discretized intervals. Parent factor B also includes information on the median of the range values as the nominal range value. For example, the nominal range values of parent factor B are "30" and "50."
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。 Like parent factors A and B, child factor C defines its factor values using range values. For example, child factor C defines its factor range values using multiple discretized intervals: "100-200," "200-300," and "300-400." In Figure 4, the range values of child factor C are defined using evenly discretized intervals, but they can also be defined using unevenly discretized intervals. Child factor C also includes information on the median of the range values as the nominal range value. For example, the nominal range values of child factor C are "150," "250," and "350."
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。 Returning to Figure 3, the relationship information 24 is a database that defines the relationship between parent factors A and B and child factor C. In this embodiment, the relationship information 24 uses a conditional probability table. In detail, the relationship information 24 is a conditional probability table that defines the probability of the factor value of child factor C occurring when the factor values of parent factors A and B are used as conditions.
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。 For example, as shown in Figure 5, relationship information 24 is a conditional probability table that defines the relationship between parent factors A and B and child factor C. If the factor value of parent factor A is "10 to 20" and the factor value of parent factor B is "20 to 40," the probability that child factor C will be "100 to 200" is "0.5," the probability that the factor value of child factor C will be "200 to 300" is "0," and the probability that the factor value of child factor C will be "300 to 400" is "0.5."
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。 If parent factor A's factor value is "20-30" and parent factor B's factor value is "20-40," the probability that child factor C's factor value will be "100-200" is "0.3333," the probability that child factor C's factor value will be "200-300" is "0.6667," and the probability that child factor C's factor value will be "300-400" is "0." Figure 5 shows the cases where parent factor A's factor value is "10-20" and parent factor B's factor value is "40-60," and where parent factor A's factor value is "20-30" and parent factor B's factor value is "40-60." Note that if the discretized range values of factors A-C are set to more intervals or if the number of parent factors is increased, the number of cells in the conditional probability table shown in Figure 5 will increase.
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。 When the factor values of parent factors A and B are input, the output value determination unit 25 obtains the probability of each range value of child factor C from the conditional probability table of the relationship information 24. Then, the output value determination unit 25 determines the output value as the factor value of child factor C based on the obtained probability of each range value of child factor C.
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。 For example, in Figure 5, assume that the factor value of parent factor A is "20-30" and the factor value of parent factor B is "20-40." In this case, the probability that the factor value of child factor C will be "100-200" is "0.3333," the probability that the factor value of child factor C will be "200-300" is "0.6667," and the probability that the factor value of child factor C will be "300-400" is "0."
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。 At this time, the output value determination unit 25 can output, for example, the factor value with the highest probability. In the above example, the probability that the factor value of child factor C will be "200 to 300" is the highest, so the output value determination unit 25 sets the factor value of child factor C to "200 to 300" as the output value. Note that the output value of child factor C can also be the nominal range value "250."
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。 The output value determination unit 25 can also determine the output value of child factor C, for example, using each factor value and its respective probability. For example, the output value determination unit 25 can use the expected value as the output value. In the above example, the output value determination unit 25 determines that the probability of the range nominal value "150" is "0.3333", the probability of the range nominal value "250" is "0.6667", and the probability of the range nominal value "350" is "0". Therefore, the output value determination unit 25 can multiply the range nominal value and the probability and use the sum as the output value, as shown in equation (1).
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。 In the above, when the factor values of parent factors A and B are input, the output value determination unit 25 outputs the factor value of child factor C. In other words, the output value determination unit 25 outputs the factor value of child factor C as a result of forward probabilistic inference. In addition, when the factor value of child factor C is input, the output value determination unit 25 can output the factor values of parent factors A and B. In other words, the output value determination unit 25 can output the factor values of parent factors A and B as a result of backward probabilistic inference.
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。 When the factor value of child factor C is input, the output value determination unit 25 can obtain the probability values of the range values of parent factor A and factor B based on the conditional probability table shown in FIG. 5 and the probability tables for factors A and B (not shown).The output value determination unit 25 can then determine the factor value of parent factor A and the factor value of parent factor B as output values based on the probability of each range value of parent factor A and parent factor B obtained.
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。
4. Configuration of the knowledge model creation support device 30 The configuration of the knowledge model creation support device 30 for creating the above-mentioned knowledge model 4a will be described with reference to Figs. 6 to 15. The knowledge model creation support device 30 is a device for creating the knowledge model 4a using a conditional probability table. The knowledge model creation support device 30 is mounted on the knowledge model execution device 4. Therefore, the knowledge model creation support device 30 forms a network with the industrial machines 2 and 3 and is configured to be able to communicate with the industrial machines 2 and 3.
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。 As shown in FIG. 6, the knowledge model creation support device 30 includes a target factor acquisition unit 31, an observation data acquisition unit 32, an interval determination unit 33, an interval editing processing unit 34, a prior distribution storage unit 35, a generation unit 36, a weight storage unit 37, a knowledge model storage unit 38, and a model editing processing unit 39. The knowledge model creation support device 30 includes at least a processor and a storage device. The target factor acquisition unit 31, the observation data acquisition unit 32, the interval determination unit 33, the interval editing processing unit 34, the generation unit 36, and the model editing processing unit 39 are configured by a processor, and the prior distribution storage unit 35, weight storage unit 37, and knowledge model storage unit 38 are configured by a storage device.
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。 The target factor acquisition unit 31 acquires target factors 31a for defining the relationship information 24. In a factor network such as that shown in FIG. 7, the target factor acquisition unit 31 acquires parent factors A and B and child factor C as target factors 31a. In FIG. 7, in forward probabilistic inference, parent factors A and B are conditions in the conditional probability table, and child factor C is the output factor. Furthermore, in probabilistic inference in the direction opposite to the arrow shown in FIG. 7, child factor C is the input factor, and parent factors A and B are the output factors.
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。 The observation data acquisition unit 32 acquires observation data 32a for the factor values of parent factors A and B and the factor value of child factor C acquired by the target factor acquisition unit 31. The observation data acquisition unit 32 is configured to be able to communicate with the industrial machines 2 and 3, and is therefore able to acquire the observation data 32a for the industrial machines 2 and 3 in real time. Furthermore, the observation data acquisition unit 32 can centrally acquire the observation data 32a for multiple industrial machines 2 and 3. However, the observation data acquisition unit 32 can also acquire a collection of observation data 32a for a predetermined period of time, rather than in real time.
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。 As shown in Figure 8, the observation data acquisition unit 32 acquires a large amount of observation data 32a. In Figure 8, numbers on the same row indicate the factor values of factors A, B, and C at the same time. In other words, the number on the top row means that when the factor value of parent factor A was "10" and the factor value of parent factor B was "20," the factor value of child factor C was "115."
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。 The interval determination unit 33 determines discrete intervals by discretizing each of the factor values of the target factor 31a, i.e., the factor values of parent factors A and B and the factor value of child factor C, in the conditional probability table shown in Figure 5. The interval determination unit 33 can select one from multiple discrete interval determination methods, as shown in Figures 9(a), (b), and (c), for example. However, for convenience of illustration, Figures 9(a), (b), and (c) only show discrete intervals for parent factors A and B. For child factor C, a discrete interval can be determined in the same way as for parent factors A and B.
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。 As shown in Figure 9(a), the interval determination unit 33 can determine intervals in which the factor values of the target factor 31a are evenly discretized. The interval determination unit 33 determines intervals in which the factor values of parent factors A and B are evenly discretized. In Figure 9(a), vertical dashed lines represent boundaries of the discrete intervals of parent factor A. In Figure 9(a), horizontal dashed lines represent boundaries of the discrete intervals of parent factor B.
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。 The interval determination unit 33 can determine intervals that are unevenly discretized, as shown in FIG. 9(b). The interval determination unit 33 can determine intervals in which the factor values of parent factors A and B are unevenly discretized. Furthermore, the interval determination unit 33 can determine intervals in which the factor values of child factor C are unevenly discretized.
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。 The interval determination method shown in Figure 9(b) determines discrete intervals based on the mutual information I(X;Y) between each random variable in factors A, B, and C, which are the target factors 31a. Mutual information I(X;Y) is a quantity that represents a measure of the interdependence between two random variables. Mutual information I(X;Y) indicates how much one variable can be inferred by understanding the other.
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。 The mutual information I(X;Y) is expressed by equation (2). Furthermore, the mutual information I(X;Y) is expressed as shown in Figure 10. In equation (2), H(X) and H(Y) are entropy (also called information entropy) and represent the uncertainty of the random variable. H(X) is expressed by equation (3). H(X) is the average amount of information obtained when the results of individual events are known when an event is represented by random variable X. From equation (3), H(X) is a weighted average of the probabilities of each event occurring. H(Y) is similarly expressed by equation (4).
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。 In equation (2), H(X|Y) is the conditional entropy, expressed by equation (5). Also, in equation (2), H(X, Y) is the joint entropy, expressed by equation (6).
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。 For example, we will explain the case where the interval determination unit 33 determines the discrete intervals for factor A based on the mutual information I(X;Y) between factors A and B and the mutual information I(X;Y) between factors A and C. First, the interval determination unit 33 acquires the final number of discretizations for factor A and data including continuous variables as input information. Next, as initialization, it discretizes factor A so that each interval contains only one piece of data. However, it may also be discretized using a specified initial number of discretizations, in which case any algorithm may be used.
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。 Then, the current number of discretizations is reduced by one until it reaches the final number of discretizations. For example, if the total number of discretizations is 10 in the first loop, any two adjacent discrete intervals are combined into one discrete interval, bringing the total number of discretizations to 9. In the second loop, any two adjacent discrete intervals are combined into one discrete interval, bringing the total number of discretizations from 9 to 8. This process is repeated.
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。 When merging adjacent discrete intervals, the adjacent discrete intervals are merged so that the reduction in the sum of mutual information between factor A and other factors B and C is minimized. For example, when the total number of discretizations is reduced from 10 to 9, the adjacent discrete intervals that result in the smallest reduction in mutual information I(X;Y) when merging are calculated for all adjacent discrete intervals. The adjacent discrete intervals that result in the smallest reduction in mutual information I(X;Y) are then merged.
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。 More specifically, first, for factor A and factor B, the mutual information I(A;B) of factors A and B is calculated when adjacent discrete intervals of factor A are combined. Next, for factor A and factor C, the mutual information I(A;C) of factors A and C is calculated when adjacent discrete intervals of factor A are combined. Then, the sum of the mutual information I(A;B) of factors A and B and the mutual information I(A;C) of factors A and C is calculated, and a determination is made as to which adjacent discrete intervals of factor A, when combined, will result in the least decrease in the sum of the mutual information I of both, and the corresponding adjacent discrete intervals are combined.
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。 The interval determination unit 33 can also determine intervals in which the factor values are discretized at equal frequencies, as shown in Figure 9(c). In this case, the interval determination unit 33 also determines intervals in which the factor values are discretized at uneven frequencies.
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。 The section edit processing unit 34 is configured to accept input from the operator and edit discrete sections in accordance with the operator's input. The section edit processing unit 34 allows the discrete sections determined by any of Figures 9(a), (b), and (c) to be adjusted by the operator's input. Note that the section edit processing unit 34 can also create discrete sections from scratch by operator input.
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αｊｋ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。 The prior distribution storage unit 35 stores a parameter α jk of a preset prior distribution 35a. The prior distribution 35a uses a Dirichlet distribution as expressed in equation (7), where j is a discrete interval of the parent factor A, and k is a discrete interval of the child factor C.
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αｊｋに基づいて生成された事前分布３５ａの期待値θａｊｋ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。 11, the prior distribution storage unit 35 stores a conditional probability table 35b in which the expected value θa jk of the prior distribution 35a generated based on the parameter α jk of the prior distribution 35a is used as each element value. For ease of explanation, however, FIG. 11 shows the conditional probability table 35b for the parent factor A and the child factor C. Here, the conditional probability table 35b stored in the prior distribution storage unit 35 is generated based on the discrete interval determined by the interval determination unit 33.
事前分布３５ａの期待値θａｊｋは、式（８）にて表される。式（８）において、Ｎａｊは、離散区間ｊにおける事前分布３５ａのパラメータαｊｋの総和であり、Ｎａｊｋは、離散区間ｊ，ｋにおける事前分布３５ａのパラメータαｊｋである。 The expected value θa jk of the prior distribution 35a is expressed by equation (8). In equation (8), Na j is the sum of the parameters α jk of the prior distribution 35a in the discrete interval j, and Na jk is the parameter α jk of the prior distribution 35a in the discrete intervals j and k.
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θａｊｋ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αｊｋ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。 11 is a conditional probability table into which the corresponding expected value θa jk is input for each discrete interval. Here, the parameter α jk of the prior distribution 35a is set based on, for example, the worker's experience, information in a similar field, etc. In this case, the conditional probability table 35b based on the prior distribution 35a is a conditional probability table generated based on the worker's experience, information in a similar field, etc.
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βｊｋは、式（９）にて表される。観測データ３２ａのデータ頻度βｊｋは、多項分布により表される。観測データ３２ａのデータ頻度βｊｋについての最尤推定量φｊｋは、式（１０）にて表される。Ｎｊ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、Ｎｊｋは、離散区間ｊ，ｋにおける観測データ３２ａのデータ頻度βｊｋである。 The generation unit 36 acquires the observation data 32a acquired by the observation data acquisition unit 32. The data frequency β jk of the observation data 32a is expressed by equation (9). The data frequency β jk of the observation data 32a is expressed by a multinomial distribution. The maximum likelihood estimator φ jk for the data frequency β jk of the observation data 32a is expressed by equation (10). N j is the total number of pieces of data of the observation data 32a in the discrete interval j, and N jk is the data frequency β jk of the observation data 32a in the discrete intervals j and k.
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αｊｋ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。 The generation unit 36 calculates a posterior distribution 36a using Bayesian estimation based on the observation data 32a acquired by the observation data acquisition unit 32 and the parameters α jk of the prior distribution 35a stored in the prior distribution storage unit 35. The posterior distribution 36a is a Dirichlet distribution configured with the same discrete intervals as the prior distribution 35a.
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θｂｊｋ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θｂｊｋが格納されている。 Furthermore, based on the calculated posterior distribution 36a, the generation unit 36 generates a conditional probability table 36b in which the expected value θb jk of the posterior distribution 36a is used as each element value. The generated conditional probability table 36b is the relationship information 24. Here, the conditional probability table 36b is generated based on the discrete intervals determined by the interval determination unit 33. In other words, the conditional probability table 36b generated by the generation unit 36 is composed of the same discrete intervals as the conditional probability table 35b generated based on the prior distribution 35a. The generated conditional probability table 36b is shown in the upper part of FIG. 12. In the conditional probability table 36b serving as the relationship information 24, the value θb jk is stored as the element value of each discrete interval.
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θｂｊｋは、図１２の下段における事後分布３６ａの期待値θｂｊｋに一致する。 The lower part of Fig. 12 shows a diagram for explaining in detail the discrete interval j of the parent factor A in the upper part of Fig. 12. Each element value θb jk of the conditional probability table 36b in the upper part of Fig. 12 coincides with the expected value θb jk of the posterior distribution 36a in the lower part of Fig. 12.
事後分布３６ａの期待値θｂｊｋは、式（１１）により表される。式（１１）において、Ｗｊは、重みである。Ｎａｊｋは、事前分布３５ａのパラメータαｊｋにおいて、離散区間ｊの値である。Ｎａｊは、離散区間ｊにおける事前分布３５ａのパラメータαｊｋの総和である。Ｎｊｋは、観測データ３２ａのデータ頻度βｊｋにおいて、離散区間ｊの値である。Ｎｊ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。 The expected value θb jk of the posterior distribution 36a is expressed by equation (11). In equation (11), W j is a weight. Na jk is the value of the parameter α jk of the prior distribution 35a in the discrete interval j. Na j is the sum of the parameters α jk of the prior distribution 35a in the discrete interval j. N jk is the value of the discrete interval j in the data frequency β jk of the observed data 32a. N j is the total number of data pieces of the observed data 32a in the discrete interval j.
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αｊｋ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θｂｊｋを各要素値とする条件付確率表３６ｂを生成する。 That is, the generation unit 36 calculates the posterior distribution 36a using Bayesian estimation based on the observed data 32a and the parameters α jk of the prior distribution 35a, and generates a conditional probability table 36b in which the expected values θb jk of the posterior distribution 36a are the element values.
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Ｗｊ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Ｗｊを加味した事前分布３５ａのパラメータαｊｋ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Ｎｂｊｋは、式（１２）にて表される。当該要素値Ｎｂｊｋは、式（１１）の分子に一致する。 Here, as shown in equation (11), the generator 36 does not simply perform Bayesian estimation but also takes into account the weight Wj . That is, the posterior distribution 36a is calculated using Bayesian estimation based on the observed data 32a and the parameter αjk of the prior distribution 35a taking into account the weight Wj . Furthermore, each element value Nbjk obtained in the process of generating the posterior distribution 36a by the generator 36 is expressed by equation (12). The element value Nbjk corresponds to the numerator of equation (11).
ここで、比較として、重みＷｊを適用しない場合の事後分布３６ａの期待値θｂｊｋは、式（１３）により表される。 For comparison, the expected value θb jk of the posterior distribution 36a when the weight W j is not applied is expressed by equation (13).
本形態では、式（１１）に示すように、重みＷｊを用いて、事後分布３６ａの期待値θｂｊｋを算出している。本形態における事後分布３６ａの期待値θｂｊｋは、事前分布３５ａを表すＮａｊｋ、Ｎａｊに対して重みＷｊを乗算している。つまり、重みＷｊは、観測データ３２ａに対する事前分布３５ａのパラメータαｊｋの影響割合を表す。式（１１）より、重みＷｊ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αｊｋの影響割合が高くなり、重みＷｊ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αｊｋの影響割合が低くなる。 In this embodiment, as shown in equation (11), the expected value θb jk of the posterior distribution 36a is calculated using the weight W j . In this embodiment, the expected value θb jk of the posterior distribution 36a is calculated by multiplying the weight W j with Na jk and Na j , which represent the prior distribution 35a. In other words, the weight W j represents the influence rate of the parameter α jk of the prior distribution 35a on the observed data 32a. According to equation (11), the larger the weight W j , the higher the influence rate of the parameter α jk of the prior distribution 35a on the observed data 32a, and the smaller the weight W j , the lower the influence rate of the parameter α jk of the prior distribution 35a on the observed data 32a.
重みＷｊは、式（１４）により表される。式（１４）において、Ｋｊは、重みＷｊを表すための係数である。Ｎａｊは、離散区間ｊにおける事前分布３５ａのパラメータαｊｋの総和である。Ｎｊ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Ｗｊは、Ｎａｊ、Ｎｊにより表される。 The weight Wj is expressed by equation (14). In equation (14), Kj is a coefficient for expressing the weight Wj . Naj is the sum of the parameters αjk of the prior distribution 35a in the discrete interval j. Nj is the total number of data in the observation data 32a in the discrete interval j. In other words, the weight Wj is expressed by Naj and Nj .
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αｊｋに基づいて、ベイズ推定を用いて、事後分布３６ａの期待値θｂｊｋ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。 Note that, when the amount of observation data 32a is small, the generator 36 preferably uses Bayesian estimation based on the observation data 32a and the parameter α jk of the prior distribution 35a to generate, as the relationship information 24, a conditional probability table 36b in which the expected value θb jk of the posterior distribution 36a is used as each element value. If a large amount of observation data 32a is acquired, the generator 36 may generate the conditional probability table 36b based only on the observation data 32a. Therefore, the generator 36 is configured to be able to select between generating the conditional probability table 36b using Bayesian estimation and generating the conditional probability table 36b using maximum likelihood estimation based on the observation data 32a.
重み格納部３７は、上述した重みＷｊを格納する。重みＷｊ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Ｗｊ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αｊｋの影響割合が高くなり、重みＷｊ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αｊｋ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Ｗｊ＿Ｌ，Ｗｊ＿Ｍ，Ｗｊ＿Ｓを格納する。 The weight storage unit 37 stores the weights Wj described above. The weights Wj can be set to different values for each discrete interval of the factor value of the parent factor A, or can be set to the same value. As described above, according to equation (11), the larger the weight Wj , the higher the influence rate of the parameter αjk of the prior distribution 35a on the observed data 32a, and the smaller the weight Wj , the lower the influence rate of the parameter αjk of the prior distribution 35a on the observed data 32a. For example, the weight storage unit 37 stores multiple types of weights Wj_L , Wj_M , and Wj_S as shown in equation (15).
重みＷｊ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Ｗｊを用いない事後分布３６ａの期待値θｂｊｋを用いて説明する。ここで、Ｎｊ４が「８０」で、Ｎａｊが「１００」の場合において、事前分布３５ａのパラメータαｊｋ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αｊｋの比率は、いずれも、｛１：２：２：５）である。 The meaning of the weight Wj will be explained in detail using specific numerical values. As shown in the above formula (13), the explanation will be given using the expected value θbjk of the posterior distribution 36a that does not use the weight Wj . Here, when Nj4 is "80" and Naj is "100", a comparison will be made between the case where the parameters αjk of the prior distribution 35a are {1, 2, 2, 5} and the case where they are {100, 200, 200, 500}. The ratio of the parameters αjk of the prior distribution 35a is {1:2:2:5} in both cases.
事前分布３５ａのパラメータαｊｋが｛１，２，２，５｝の場合における事後分布３６ａの期待値θｂｊ４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αｊｋが｛１００，２００，２００，５００｝の場合における事後分布３６ａの期待値θｂｊ４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。 When the parameter α jk of the prior distribution 35a is {1, 2, 2, 5}, the expected value θb j4 of the posterior distribution 36a is "0.7727" as shown in formula (16). The calculation formula is "(5 + 80) / (10 + 100)". When the parameter α jk of the prior distribution 35a is {100, 200, 200, 500}, the expected value θb j4 of the posterior distribution 36a is "0.5272" as shown in formula (17). The calculation formula is "(500 + 80) / (1000 + 100)".
このように、事前分布３５ａのパラメータαｊｋ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αｊｋの絶対値の大きさによって、事後分布３６ａの期待値θｂｊ４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αｊｋの絶対値が小さいほど、事後分布３６ａの期待値θｂｊ４は、観測データ３２ａのデータ頻度βｊｋについての最尤推定量φｊ４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αｊｋの絶対値が大きいほど、事後分布３６ａの期待値θｂｊ４は、事前分布３５ａの期待値θａｊ４である「０．５（＝５／１０）」に近い値となる。 Thus, even if the ratio of the parameters α jk of the prior distribution 35a is the same {1:2:2:5}, the expected value θb j4 of the posterior distribution 36a will be different depending on the magnitude of the absolute value of the parameter α jk of the prior distribution 35a. As shown in equation (16), the smaller the absolute value of the parameter α jk of the prior distribution 35a, the closer the expected value θb j4 of the posterior distribution 36a will be to "0.8 (= 80/100)," which is the maximum likelihood estimator φ j4 for the data frequency β jk of the observed data 32a. On the other hand, as shown in equation (17), the larger the absolute value of the parameter α jk of the prior distribution 35a, the closer the expected value θb j4 of the posterior distribution 36a will be to "0.5 (= 5/10)," which is the expected value θa j4 of the prior distribution 35a.
そして、重みＷｊ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Ｗｊを大きな値とすると良い。この場合、事後分布３６ａの期待値θｂｊ４は、事前分布３５ａの期待値θａｊ４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Ｗｊを小さな値とすると良い。この場合、事後分布３６ａの期待値θｂｊ４は、観測データ３２ａのデータ頻度βｊｋについての最尤推定量φｊ４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Ｗｊを調整することにより、事後分布３６ａの期待値θｂｊ４を所望の値とすることができる。 The weight W j can be regarded as the confidence level of the prior distribution 35a. In other words, if the confidence level of the prior distribution 35a is high, it is preferable to set the weight W j to a large value. In this case, the expected value θb j4 of the posterior distribution 36a will be close to the expected value θa j4 of the prior distribution 35a. On the other hand, if the confidence level of the prior distribution 35a is low, it is preferable to set the weight W j to a small value. In this case, the expected value θb j4 of the posterior distribution 36a will be close to the maximum likelihood estimator φ j4 for the data frequency β jk of the observed data 32a. In this way, by adjusting the weight W j in accordance with the confidence level of the prior distribution 35a, it is possible to set the expected value θb j4 of the posterior distribution 36a to a desired value.
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。 Referring back to Figure 6, as shown in Figure 6, the knowledge model storage unit 38 stores the conditional probability table 36b generated by the generation unit 36 as relationship information 24 between parent factor A and child factor C, and stores the knowledge model 4a including the relationship information 24.
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。 The model editing processor 39 is configured to accept input from the operator and, in response to the operator's input, edit the conditional probability table 36b that constitutes the knowledge model 4a stored in the knowledge model storage unit 38. The model editing processor 39 enables the element values of the conditional probability table 36b shown in the upper part of Figure 12 to be adjusted by the operator's input. Note that the model editing processor 39 can also create the conditional probability table 36b from scratch based on the operator's input.
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。 Here, in addition to the above processing, when the observation data acquisition unit 32 acquires new observation data 32a, the generation unit 36 can generate a new conditional probability table 36b and update the knowledge model 4a stored in the knowledge model storage unit 38.
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Ｎｂｊｋ（式（１２）にて表される）を、次の事前分布３５ａのパラメータαｊｋ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αｊｋ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θｂｊｋ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。 In this case, the prior distribution storage unit 35 can store each element value Nb jk (expressed by equation (12)) obtained in the process of generating the posterior distribution 36a by the generation unit 36 as a parameter α jk of the next prior distribution 35a. Then, the generation unit 36 can calculate a new posterior distribution 36a based on the parameter α jk of the prior distribution 35a newly stored in the prior distribution storage unit 35 and the observation data 32a newly acquired by the observation data acquisition unit 32. Based on the newly calculated posterior distribution 36a, the generation unit 36 can generate a conditional probability table 36b in which the expected value θb jk of the posterior distribution 36a is used as each element value.
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αｊｋ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θａｊｋ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αｊｋ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。 The procedure for updating the conditional probability table that constitutes the knowledge model 4a will be described in detail with reference to Figures 13 to 15. As shown in Figure 13, when no observed data 32a exists, a conditional probability table 35b is generated using only the parameters α jk of the prior distribution 35a. In other words, each element value of the conditional probability table 35b here is the expected value θa jk of the prior distribution 35a itself. At this point, the knowledge model 4a stored in the knowledge model storage unit 38 is defined by the conditional probability table 35b that is expressed only by the parameters α jk of the prior distribution 35a.
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αｊｋ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γｊｋを算出し、事後分布３６ａの期待値θｂｊｋを生成する。そして、生成部３６は、事後分布３６ａの期待値θｂｊｋ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。 Next, assume that observed data 32a is acquired. As shown in Fig. 14, the generation unit 36 calculates the parameter γ jk of the posterior distribution 36a using Bayesian estimation based on the parameter α jk of the prior distribution 35a and the observed data 32a, and generates the expected value θb jk of the posterior distribution 36a. Then, the generation unit 36 generates a conditional probability table 36b in which the expected value θb jk of the posterior distribution 36a is used as each element value. In this way, the generation unit 36 updates the knowledge model 4a stored in the knowledge model storage unit 38.
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Ｎｂｊｋを、事前分布格納部３５に新たな事前分布３５ａのパラメータαｊｋ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αｊｋが、先回の事後分布３６ａの生成過程にて得られた各要素値Ｎｂｊｋ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αｊｋ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。 Next, the generator 36 stores each element value Nb jk obtained in the process of generating the posterior distribution 36a in the prior distribution storage unit 35 as the parameter α jk of the new prior distribution 35a. That is, as shown in FIG. 15 , the parameter α jk of the new prior distribution 35a becomes each element value Nb jk obtained in the previous process of generating the posterior distribution 36a. Then, assume that new observation data 32a is acquired. The generator 36 calculates a new posterior distribution 36a based on the parameter α jk of the updated new prior distribution 35a and the new observation data 32a, and generates an expected value θb' jk of the new posterior distribution 36a. The generator 36 then generates a conditional probability table 36b in which the expected value θb' jk of the new posterior distribution 36a is used as each element value. Then, the generator 36 again updates the knowledge model 4a stored in the knowledge model storage unit 38.
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。
5. Effects of the Knowledge Model Creation Support Device 30 According to the knowledge model creation support device 30, the conditional probability tables 35b and 36b are used as relationship information 24 between factors constituting the knowledge model 4a. The conditional probability tables 35b and 36b are defined by the probability of the factor value of child factor C occurring when the factor values of parent factors A and B are set as conditions. In other words, the conditional probability tables 35b and 36b do not directly associate the factor values of parent factors A and B with the factor value of child factor C, but instead express them using probability. Therefore, the relationship between factors can be flexibly defined.
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。 Furthermore, the generation unit 36 generates a conditional probability table 36b as relationship information 24 between factors based on the observation data 32a. If new observation data 32a is acquired after the generation of the conditional probability table 36b, the generation unit 36 generates a new conditional probability table 36b based on the new observation data 32a. The generation unit 36 then updates the knowledge model 4a stored in the knowledge model storage unit 38 to a knowledge model 4a that uses the newly generated conditional probability table 36b as relationship information 24. Therefore, because the knowledge model 4a is updated, even if the accuracy of the knowledge model 4a is low initially, it gradually improves. In this way, the knowledge model 4a can be created efficiently.
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Ｗｊを用いて事後分布３６ａの期待値θｂｊｋ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。 In particular, the generation unit 36 generates the conditional probability table 36b using Bayesian estimation. In other words, by effectively utilizing the prior distribution 35a in Bayesian estimation, it is possible to increase the accuracy of the knowledge model 4a even at a stage when there is a small amount of observation data 32a. However, depending on the accuracy of the prior distribution 35a, it may not be possible to increase the accuracy of the knowledge model 4a. Therefore, the generation unit 36 can generate the knowledge model 4a according to the confidence level of the prior distribution 35a by calculating the expected value θb jk of the posterior distribution 36a using the weight W j.
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θｂｊｋ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。 Then, when the generation unit 36 updates the conditional probability table 36b using Bayesian estimation, and a large amount of observation data 32a can be secured, the influence ratio of the observation data 32a in the expected value θb jk of the posterior distribution 36a increases. Therefore, when a large amount of observation data 32a can be secured, a highly accurate knowledge model 4a can be generated by increasing the influence ratio of highly reliable observation data 32a.
そして、上述した重みＷｊ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Ｗｊ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Ｗｊ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。 The weight Wj can be set to a different value for each factor value of the parent factors A and B, i.e., for each discrete interval j of the parent factors A and B. The weight Wj represents the confidence of the prior distribution 35a. The confidence may differ depending on the discrete interval j of the parent factors A and B. For example, in a discrete interval j that the operator has had many experiences with, the prior distribution 35a can be determined with a high confidence. However, in other cases, the prior distribution 35a may not be determined with a high confidence. In such cases, by setting the weight Wj for each discrete interval j, it is possible to generate an appropriate conditional probability table 36b, and ultimately a knowledge model 4a.
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。
6. Method for Creating Knowledge Model 4a A method for creating the knowledge model 4a will be described with reference to Figures 16 to 18. Figures 16 to 18 show the drawing GUI window 40 on the display screen of the knowledge model creation support device 30. First, as shown in Figure 16, the operator specifies the GUI element for "factor" in the drawing GUI window 40 and places it in any position in the drawing area. Then, a node graphic 11 (shown in Figure 1) representing the factor is displayed in the drawing area.
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。 Next, as shown in Figure 17, the operator connects the factors by specifying the "connect" GUI element in the drawing area of the drawing GUI window 40. This displays a link graphic 12 connecting the factors in the drawing area.
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。 Next, as shown in FIG. 18, the operator specifies a link graphic 12 in the drawing area of the drawing GUI window 40. This causes a new input GUI window 41 to be displayed, separate from the drawing GUI window 40. The new input GUI window 41 displays selectable connection types. In addition to the above-mentioned "conditional probability table," other connection types include the well-known "rank value-rank value," "rank value-range value," and "range value-range value." By selecting the desired connection type, the operator can input information corresponding to the selected connection type. When the operator selects "conditional probability table" in the input GUI window 41, a conditional probability table is automatically generated, as described above.
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。
7. Automatic Update Method of Knowledge Model 4a Initially, the method of creating the knowledge model 4a is performed using a drawing GUI window 40 as shown in Figures 16 to 18. Once created, the knowledge model 4a can be updated by acquiring new observation data 32a.
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。 As shown in FIG. 1, the knowledge model execution device 4 includes a knowledge model creation support device 30, and the knowledge model execution device 4 is configured to be able to communicate with multiple industrial machines 2 and 3. In this case, the generation unit 36 constituting the knowledge model creation support device 30 can acquire observation data 32a from the industrial machines 2 and 3 at set timing. The generation unit 36 can then generate a new conditional probability table 36b at set timing according to factors, and update the knowledge model 4a stored in the knowledge model storage unit 38.
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。 In this case, the knowledge model execution device 4 can acquire observation data 32a from multiple industrial machines 2 and 3, so the generation unit 36 that constitutes the knowledge model creation support device 30 can generate and update a knowledge model 4a common to multiple industrial machines 2 and 3, and store the knowledge model 4a in the knowledge model storage unit 38.
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。 Alternatively, the knowledge model execution device 4 may include a knowledge model creation support device 30, which may be provided for each of the industrial machines 2 and 3. In this case, the observation data acquisition unit 32 constituting the knowledge model creation support device 30 acquires observation data 32a for each of the industrial machines 2 and 3. The generation unit 36 generates and updates a conditional probability table 36b corresponding to each of the industrial machines 2 and 3, and stores the knowledge model 4a in the knowledge model storage unit 38. In this way, the knowledge model 4a corresponds individually to each of the industrial machines 2 and 3. Therefore, it is possible to generate a knowledge model 4a that appropriately corresponds to each of the industrial machines 2 and 3.
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
4a Knowledge models 21, 22, 23 Factor 24 Relationship information 30 Knowledge model creation support device 31 Target factor acquisition unit 31a Target factor 32 Observation data acquisition unit 32a Observation data 36 Generation unit 36b Conditional probability table 38 Knowledge model storage units A and B Parent factor C Child factor
Claims (14)
入力因子の因子値と前記知識モデルとに基づいて、出力因子の因子値を決定する出力値決定部と、を備える、知識モデル実行装置であって、
前記作成支援装置は、
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し、
前記条件付確率表において、前記親因子および前記子因子は、それぞれの因子値を複数の区間に区分されており、
前記出力値決定部は、
前記入力因子を前記親因子とし、前記出力因子を前記子因子とし、
前記条件付確率表において、前記入力因子に対応する前記子因子の各区間における確率を取得し、
前記子因子の各区間に対応する値と、前記子因子の各区間における確率とに基づいて、前記出力因子の因子値を決定する、知識モデル実行装置。 a knowledge model creation support device configured by a plurality of factors defined by industrial technology terms and information on relationships between the factors ;
an output value determination unit that determines a factor value of an output factor based on a factor value of an input factor and the knowledge model,
The creation support device includes:
a target factor acquisition unit that acquires parent factors and child factors as target factors for defining the relationship information;
an observation data acquisition unit that acquires observation data regarding the factor values of the parent factors and the factor values of the child factors;
a generation unit that generates a conditional probability table that defines the probability of a factor value of the child factor being a condition for a factor value of the parent factor, based on the observation data;
a knowledge model storage unit that stores the knowledge model including the relationship information, using the generated conditional probability table as the relationship information between the parent factor and the child factor,
the generation unit generates new conditional probability tables when the observation data acquisition unit acquires new observation data, and updates the knowledge model stored in the knowledge model storage unit ;
In the conditional probability table, the parent factor and the child factor have their respective factor values divided into a plurality of intervals,
The output value determination unit
The input factor is the parent factor, and the output factor is the child factor;
In the conditional probability table, a probability in each interval of the child factor corresponding to the input factor is obtained;
a knowledge model execution device that determines a factor value of the output factor based on a value corresponding to each interval of the child factor and a probability in each interval of the child factor ;
前記子因子の各区間における確率と、前記子因子の各区間に対応する値とに基づいて、前記子因子の各区間における値を算出し、calculating a value for each interval of the child factor based on the probability for each interval of the child factor and the value corresponding to each interval of the child factor;
算出された前記子因子の各区間における値の総和を算出し、Calculating the sum of the values of the calculated child factors in each interval;
算出された前記総和に基づいて、前記出力因子の因子値を決定する、請求項１に記載の知識モデル実行装置。2. The knowledge model execution device according to claim 1, wherein the factor value of the output factor is determined based on the calculated sum.
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１～３のいずれか１項に記載の知識モデル実行装置。 The creation support device further includes a prior distribution storage unit for storing parameters of a predetermined prior distribution,
The generation unit
calculating a posterior distribution using Bayesian estimation based on the parameters of the prior distribution and the observation data;
The knowledge model execution device according to claim 1 , wherein the conditional probability table is generated with the expected value of the posterior distribution as each element value.
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４に記載の知識モデル実行装置。 the prior distribution storage unit stores elements obtained in a process of generating the posterior distribution by the generation unit as parameters of a next prior distribution;
The generation unit
calculating a new posterior distribution using Bayesian estimation based on the parameters of the prior distribution newly stored in the prior distribution storage unit and the observation data newly acquired by the observation data acquisition unit;
5. The knowledge model execution device according to claim 4 , wherein the conditional probability table is generated with each element value being an expected value of the new posterior distribution.
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４または５に記載の知識モデル実行装置。 the creation support device further includes a weight storage unit that stores weights representing influence ratios of parameters of the prior distribution to the observation data in the Bayesian estimation;
6. The knowledge model execution device according to claim 4, wherein the generation unit calculates the posterior distribution using the Bayesian estimation based on the observation data and parameters of the prior distribution taking into account the weights, and generates the conditional probability table in which each element value is an expected value of the posterior distribution.
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１～９のいずれか１項に記載の知識モデル実行装置。 The creation support device further includes an interval determination unit that determines intervals in the conditional probability table into which the factor values of the target factor are non-uniformly discretized,
10. The knowledge model execution device according to claim 1 , wherein said generation unit generates said conditional probability table based on said interval determined by said interval determination unit.
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１～１１のいずれか１項に記載の知識モデル実行装置。 the observation data acquisition unit acquires the observation data of the industrial machine,
The knowledge model execution device according to any one of claims 1 to 11 , wherein the generation unit generates a new conditional probability table at a timing set according to the factor, and updates the knowledge model stored in the knowledge model storage unit.
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１～１２のいずれか１項に記載の知識モデル実行装置。 the observation data acquisition unit is configured to be able to communicate with a plurality of industrial machines, and acquires the observation data from the plurality of industrial machines;
the generation unit generates one conditional probability table based on the observation data of a plurality of the industrial machines;
The knowledge model execution device according to any one of claims 1 to 12 , wherein the knowledge model storage unit stores the knowledge model common to a plurality of the industrial machines.
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１～１２のいずれか１項に記載の知識モデル実行装置。 the observation data acquisition unit acquires the observation data for each industrial machine,
The knowledge model execution device according to any one of claims 1 to 12 , wherein the generation unit generates the conditional probability table that individually corresponds to the industrial machine.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021209702A JP7777978B2 (en) | 2021-12-23 | 2021-12-23 | Knowledge Model Execution Device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021209702A JP7777978B2 (en) | 2021-12-23 | 2021-12-23 | Knowledge Model Execution Device |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2023094305A JP2023094305A (en) | 2023-07-05 |
| JP7777978B2 true JP7777978B2 (en) | 2025-12-01 |
Family
ID=87001370
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2021209702A Active JP7777978B2 (en) | 2021-12-23 | 2021-12-23 | Knowledge Model Execution Device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP7777978B2 (en) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008146621A (en) | 2006-11-14 | 2008-06-26 | Nippon Steel Corp | Product quality improvement condition analysis apparatus, analysis method, computer program, and computer-readable recording medium |
| JP2010287011A (en) | 2009-06-11 | 2010-12-24 | Hitachi Ltd | Device abnormality monitoring method and system |
| US20170236064A1 (en) | 2014-08-20 | 2017-08-17 | Cassantec Ag | Configuration of malfunction prediction for components and units of technical entities |
| JP2017146635A (en) | 2016-02-15 | 2017-08-24 | 株式会社日立製作所 | Inference model construction system and inference model construction method |
| JP2019166603A (en) | 2018-03-23 | 2019-10-03 | ファナック株式会社 | Thermal displacement correction system and computer |
-
2021
- 2021-12-23 JP JP2021209702A patent/JP7777978B2/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008146621A (en) | 2006-11-14 | 2008-06-26 | Nippon Steel Corp | Product quality improvement condition analysis apparatus, analysis method, computer program, and computer-readable recording medium |
| JP2010287011A (en) | 2009-06-11 | 2010-12-24 | Hitachi Ltd | Device abnormality monitoring method and system |
| US20170236064A1 (en) | 2014-08-20 | 2017-08-17 | Cassantec Ag | Configuration of malfunction prediction for components and units of technical entities |
| JP2017146635A (en) | 2016-02-15 | 2017-08-24 | 株式会社日立製作所 | Inference model construction system and inference model construction method |
| JP2019166603A (en) | 2018-03-23 | 2019-10-03 | ファナック株式会社 | Thermal displacement correction system and computer |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2023094305A (en) | 2023-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7062577B2 (en) | Manufacturing condition identification system and method | |
| Pal et al. | A goal programming procedure for fuzzy multiobjective linear fractional programming problem | |
| JP6348098B2 (en) | Wire EDM machine simulation device with core welding position determination function using machine learning | |
| JPH05225205A (en) | Sequential defined production planning system | |
| EP0643344A1 (en) | Apparatus and method for model based process control | |
| JPH0652176A (en) | Optimizing method and process plan generation device using the method | |
| Petronijevic et al. | Human factors under uncertainty: A manufacturing systems design using simulation-optimisation approach | |
| JPWO2013150686A1 (en) | Parameter setting device | |
| JP2006528557A (en) | Tool and process design in molding technology | |
| Veldkamp | Multiple objective test assembly problems | |
| CN112654943B (en) | Manufacturing system design auxiliary device | |
| JP7777978B2 (en) | Knowledge Model Execution Device | |
| US10691852B2 (en) | Model based analysis and control of a real-world system | |
| JP6502998B2 (en) | Circuit configuration optimization device and machine learning device | |
| JP6622592B2 (en) | Production planning support system and support method | |
| JP2020184159A (en) | Design support system, design support method, and design support program | |
| JP7683503B2 (en) | Specific cutting resistance estimation system using knowledge model | |
| WO2022038840A1 (en) | Crack progress evaluation device and crack progress evaluation program | |
| Abubakar et al. | Integrating human factor decision components into a des model | |
| Sauer et al. | Meta-model based generation of solution spaces in sheet-bulk metal forming | |
| EP3573012A1 (en) | Platform for selection of items used for the configuration of an industrial system | |
| Gupta et al. | Software cost estimation: A comparative analysis | |
| Khalil et al. | Optimal solution of multi-choice mathematical programming problem using a new technique | |
| JP7790301B2 (en) | Processing condition setting support system | |
| Duffie et al. | Dynamics of WIP regulation in large production networks of autonomous work systems |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20241107 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20250521 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20250527 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20250723 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20251104 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20251118 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 7777978 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |