CN115803759A - 学习系统、学习方法及程序 - Google Patents

Abstract

在学习系统(1)中，通过由学习部(111)使用了学习用数据的机器学习生成诊断模型，诊断部(112)基于诊断模型对诊断对象数据进行诊断。反馈处理部(115)在取得了表示诊断结果为误诊断的用户输入的情况下，输出误诊断数据，另外，基于用户输入对误诊断数据进行修正。类似度判定部(113)对相对于由反馈处理部(115)输出的修正前的误诊断数据来说的未执行反馈处理的学习用数据或诊断结果的类似度进行判定，在判定为存在类似度为一定值以上的类似数据的情况下，将类似数据发送至反馈处理部(115)。反馈处理部(115)对类似数据执行反馈处理，学习部(111)使用包含通过反馈处理进行修正后的误诊断数据在内的数据进行重新学习。

Description

学习系统、学习方法及程序

技术领域

本发明涉及学习系统、学习方法及程序。

背景技术

在生产现场，使用对生产设备的状态或产品品质进行诊断的系统。例如，公开了如下系统，即，从在生产设备设置的多个传感器取得传感器数据，基于传感器数据生成机器学习模型，使用机器学习模型对设备或产品进行诊断(例如，专利文献1)。

专利文献1所记载的诊断装置在诊断结果表示设备的异常的情况下输出警报，并且使用户输入表示警报是否正确的反馈。反映了反馈的传感器数据被标记为教师数据而进行存储。诊断装置使用存储的教师数据进一步对解析模型进行学习，由此生成反映了反馈信息的解析模型。由此，说明了能够容易地执行设备的诊断。

专利文献1：日本特开2019-101495号公报

发明内容

文献1所记载的诊断装置通过警报的输出提供反馈的机会。因此，仅对系统判断为异常的诊断数据进行反馈，在系统判断为正常的诊断结果或学习用数据中存在错误的情况下，存在无法对它们进行订正这样的问题。

另外，诊断结果仅由正常或异常表示，仅对与过去的诊断结果完全一致的异常进行检测，因此存在无法应对类似的异常这样的问题。

本发明就是鉴于上述那样的情况而提出的，其目的在于，提供生成能够实现高精度诊断的诊断模型的学习系统、学习方法及程序。

为了达到上述目的，本发明的学习系统具有：学习部，其通过使用了学习用数据的机器学习生成诊断模型；诊断部，其基于诊断模型对诊断对象数据进行诊断，输出诊断结果；以及反馈处理部，其执行反馈处理，即，对用户提示诊断结果，在取得了表示诊断结果为误诊断的用户输入的情况下，输出误诊断数据，另外，基于用户输入对误诊断数据进行修正。学习系统还具有类似度判定部，类似度判定部对相对于由反馈处理部输出的修正前的误诊断数据来说的未执行反馈处理的学习用数据或诊断结果的类似度进行判定，在判定为存在类似度为一定值以上的类似数据的情况下，将类似数据发送至反馈处理部。反馈处理部针对由类似度判定部发送的类似数据执行反馈处理，学习部使用包含通过反馈处理进行修正后的误诊断数据在内的数据进行重新学习。

发明的效果

根据本发明，由于使用与通过针对诊断对象数据的诊断结果的反馈判定为错误的误诊断数据类似的数据进行重新学习，因此能够生成可以进行高精度诊断的诊断模型。

附图说明

图1是表示实施方式涉及的学习系统的结构例的框图。

图2是表示诊断模型生成处理的整体流程的流程图。

图3是表示学习处理的流程图。

图4是表示诊断处理的流程图。

图5是表示实施方式1涉及的反馈用数据选定处理的流程图。

图6是表示反馈处理的流程图。

图7是表示重新学习处理的流程图。

图8是表示实施方式2涉及的反馈用数据选定处理的流程图。

具体实施方式

(实施方式1)

下面，参照附图对用于实施本发明的实施方式1详细地进行说明。此外，在图中，对相同或相当的部分标注相同标号。

图1是表示实施方式1涉及的学习系统1的结构例的框图。学习系统1是通过学习生成用于在生产现场对生产设备的状态或产品品质进行诊断的诊断模型的装置。

如图1所示，学习系统具有：存储部100，其对包含学习用数据在内的数据进行保存；以及运算部110，其通过使用了学习用数据的机器学习生成诊断模型，使用诊断模型进行诊断。学习系统1还具有：显示器120，其对包含诊断结果的信息进行显示；以及输入部130，其对用户的操作及数据的输入进行接收。

存储部100为任意存储装置，例如为闪存、包含EPROM(Erasable ProgrammableRead Only Memory)的非易失性半导体存储器、或磁盘、软盘、光盘、高密度盘、迷你盘、DVD(Digital Versatile Disc)。

存储部100包含：学习用数据保存部101，其对机器学习所使用的学习用数据进行保存；追加学习用数据保存部102，其对反馈回来的追加学习用数据进行保存；以及诊断结果保存部103，其保存使用诊断模型进行的诊断的诊断结果。并且，存储部100还对由运算部110执行的机器学习的程序进行存储。

运算部110为任意的运算处理装置，例如为CPU(Central Processing Unit)。运算部110作为如下各部起作用：学习部111，其执行在存储部100储存的程序，通过使用了学习用数据的机器学习生成诊断模型；诊断部112，其使用诊断模型，进行针对诊断对象数据的诊断；类似度判定部113，其对输入进来的数据的类似度进行判定；反馈用数据选定部114，其对反馈用数据进行选定；以及反馈处理部115，其执行反馈处理。

存储部100的学习用数据保存部101所保存的学习用数据是包含生产设备的数据、在工厂中生产的产品的测试数据、部件的数据、生产者的生物体数据在内的数据。具体而言，学习用数据包含从安装于生产装置、检查装置、部件、产品或生产者处、或与它们相对设置的1个或多个传感器输出的传感器数据。传感器例如为振动传感器或温度传感器。学习用数据也可以包含表示取得了传感器数据时的装置的运转状态或产品品质的信息。另外，学习用数据也可以是对传感器数据进行了加工或通过特定的处理将多个传感器数据汇总得到的数据。

对学习用数据的各数据赋予标签。标签是表示数据所属的类的信息，例如，是表示取得了数据时的设备的运转状态、在取得数据时在生产线上流转的部件或产品品质状态、或者通过根据其它数据预测的信息而分类出的类的信息。

学习用数据的保存形式可以是任意形式，例如，可以是包含关系数据库的数据库形式或包含CSV(Comma Separated Value)的文件形式。

运算部110的学习部111从学习用数据保存部101取得学习用数据，使用预先指定的机器学习方法生成诊断模型，输出至诊断部112。机器学习方法可以是现有的任意方法，例如为神经网络方法、决定树方法、随机森林方法。诊断模型是学习部111通过机器学习生成的机器学习模型。

学习部111在进行了学习用数据的追加的情况下针对现有的诊断模型追加地进行学习，对诊断模型进行更新，输出至诊断部112。

诊断部112使用从学习部111输出的诊断模型，对与诊断对象数据对应的装置的运转状态或者部件或产品品质进行推定。之后，将诊断部112使用诊断模型对包含装置的运转状态或者部件或产品品质的诊断结果进行推定的动作称为诊断。诊断对象数据是与学习用数据相同的包含生产设备的数据、在工厂中生产的产品的测试数据、部件的数据、生产者的生物体数据在内的数据。

诊断部112对诊断结果赋予所选择的标签，将包含标签的诊断结果的信息保存于存储部100的诊断结果保存部103。

类似度判定部113在一次也没有从反馈处理部115接收到误诊断数据的阶段，从学习用数据保存部101随机地取得学习用数据，发送至反馈用数据选定部114。

类似度判定部113在从反馈处理部115接收到误诊断数据时，从学习用数据保存部101及诊断结果保存部103随机地取得学习用数据及诊断结果，将与误诊断数据类似度高的类似数据发送至反馈用数据选定部114。

反馈用数据选定部114暂时积蓄在诊断结果保存部103保存的诊断结果以及从类似度判定部113发送来的诊断结果及学习用数据，将从其中选定的诊断结果或学习用数据发送至反馈处理部115。

追加学习用数据保存部102从反馈处理部115接收标签修正后数据，作为追加学习用数据进行积蓄。学习部111在进行重新学习时取得在追加学习用数据保存部102保存的追加学习用数据。

反馈处理部115执行将与诊断结果或学习用数据的正误相关的用户的判断反馈给诊断模型的处理。具体而言，在针对诊断结果进行反馈的情况下，反馈处理部115将包含诊断对象数据和标签的诊断结果显示于显示器120，请求用户进行诊断结果是否正确的判断。通过由用户操作输入部130，从而在输入了诊断结果错误这一内容的情况下，反馈处理部115将诊断对象数据作为误诊断数据而发送至类似度判定部113，另外，将对误诊断数据的标签进行了修正的数据作为标签修正后数据而保存于追加学习用数据保存部102。

使用图2-9所示的流程图，对具有以上结构的学习系统1的动作进行说明。

图2是表示由运算部110执行的生成诊断模型的诊断模型生成处理的全部流程的流程图。

首先，学习部111使用学习用数据执行学习处理(步骤S100：学习步骤)。在学习后诊断部112对是否通过输入部130输入了诊断对象数据进行判定(步骤S101)。在输入了诊断对象数据的情况下(步骤S101：Yes)，诊断部112执行诊断处理(步骤S102：诊断步骤)。在没有输入诊断对象数据的情况下(步骤S101：No)，不执行诊断处理而是进入步骤S103。

接着，反馈处理部115对是否执行反馈进行判断(步骤S103)。是否执行反馈例如根据从系统的起动或前一次反馈起是否经过了一定时间来判断。反馈处理部115在判断为执行反馈的情况下(步骤S103：Yes)，执行反馈处理(步骤S104：反馈步骤)。在判断为不执行反馈的情况下(步骤S103：No)，进入步骤S105。

接着，学习部111进行是否执行重新学习的判断(步骤S105)。学习部111在数据被充分地积蓄于追加学习用数据保存部102或具有来自用户的重新学习指示的情况下，在步骤S105中判断为执行重新学习。学习部111在判断为执行重新学习的情况下(步骤S105：Yes)，执行重新学习处理(步骤S106：重新学习步骤)。

在判断为不执行重新学习的情况下(步骤S105：No)，进入步骤S107。在具有由用户指示使处理结束的输入的情况下(步骤S107：Yes)，使处理结束。在不结束的情况下(步骤S107：No)，返回到步骤S101，重复步骤S101～S107的处理。

接着，对在图2的步骤S100中执行的学习处理进行说明。图3是表示学习处理的流程的流程图。

首先，学习部111从学习用数据保存部101取得学习用数据(步骤S200)。之后，取得预先设定的机器学习方法(步骤S201)，取得预先设定的模型精度目标值(步骤S202)，取得预先设定的学习上限时间(步骤S203)。

接着，使用在步骤S200中取得的学习用数据，进行使用了在步骤S201中取得的机器学习方法的学习(步骤S204)。在进行学习的期间内，以一定的间隔对从学习开始起的经过时间(下面称为学习时间)是否超过了在步骤S203中取得的学习上限时间进行判定(步骤S205)。在学习时间超过了学习上限时间的情况下(步骤S205：Yes)，转移到步骤S207，将诊断模型输出至诊断部112(步骤S207)，使学习结束。

在学习时间没有超过学习上限时间的情况下(步骤S205：No)，对生成的诊断模型的模型精度是否达到了在步骤S202中取得的模型精度目标值进行判定(步骤S206)。在诊断模型的模型精度达到了模型精度目标值的情况下(步骤S206：Yes)，转移到步骤S207，将诊断模型输出至诊断部112而使学习处理结束。在诊断模型的模型精度没有达到模型精度目标值的情况下(步骤S206：No)，返回到步骤S204，继续学习。

接着，对在图2的步骤S102中执行的诊断处理进行说明。图4是表示诊断处理的流程的流程图。

首先，诊断部112取得在图3的步骤S207中由学习部111输出的诊断模型(步骤S300)。接着，诊断部112取得输入至输入部130的诊断对象数据(步骤S301)。然后，针对在步骤S300中取得的诊断模型，通过对在步骤S301中取得的诊断对象数据进行查询而进行诊断(步骤S302)。最后，将诊断结果储存于诊断结果保存部103(步骤S303)，结束。

接着，使用图5、6对在图2的步骤S104中执行的反馈处理进行说明。图5是表示反馈用数据选定处理的流程的流程图，图6是表示反馈的流程的流程图。

在图5的流程图中，反馈用数据选定部114从诊断结果保存部103取得诊断结果(步骤S400)。接着，反馈用数据选定部114对是否将取得的诊断结果发送至反馈处理部115进行判定(步骤S401)。是否发送诊断结果的判定方法可以是以预先设定的概率概率性地决定的方法、或与诊断结果是否符合预先规定的条件来决定的方法、或者这些方法的组合。在概率性地决定的情况下，在始终发送诊断结果时，概率被设定为100％。在通过预先规定的条件决定的情况下，例如，也可以判定为对产生了特定的异常模式时的诊断结果进行选定。

接着，反馈用数据选定部114在判定为向反馈处理部115发送的情况下(步骤S401：Yes)，将诊断结果发送至反馈处理部115(步骤S402)。在判定为不发送至反馈处理部115的情况下(步骤S401：No)，结束。

在图6的流程图中，首先，反馈处理部115对是否执行反馈进行判定(步骤S500)。反馈的执行例如通过残留了从反馈用数据选定部114发送而存储的反馈用数据中的未进行反馈的数据、或用户未进行反馈的中断操作来判定。

在判定为执行反馈的情况下(步骤S500：Yes)，反馈处理部115取得从反馈用数据选定部114发送来的反馈用数据中的一个数据(步骤S501)。这里，反馈用数据为诊断结果。在判定为不执行反馈的情况下(步骤S500：No)，使处理结束。

反馈处理部115使取得的反馈用数据显示于显示器120(步骤S502)。在反馈用数据中包含数据的标签。并且，反馈处理部115对用户请求标签是否正确的输入，并且在标签错误的情况下，使显示器120输出请求用户输入正确的标签的显示。

反馈处理部115取得由用户输入至输入部130的反馈信息即正误判定的用户输入(步骤S503)。反馈处理部115在具有正确判定的用户输入的情况下(步骤S504：Yes)返回到步骤S501。在具有错误判定的用户输入的情况下(步骤S504：No)，将诊断结果作为误诊断数据而发送至类似度判定部113(步骤S505)。并且，将对诊断结果的标签进行了修正的标签修正后数据作为追加学习用数据，储存于追加学习用数据保存部102(步骤S506)。

接着，类似度判定部113从学习用数据保存部101取得未执行反馈的学习用数据，或从诊断结果保存部103取得未执行反馈的诊断结果，对取得的学习用数据或诊断结果的相对于误诊断数据的类似度进行判定(步骤S507：类似度判定步骤)。类似度判定部113在类似度为一定值以上的类似数据发送至反馈用数据选定部114后(步骤S508)，返回到步骤S500。这里，类似数据是相对于标签修正前的误诊断数据的类似度为一定值以上的被判定为类似的学习用数据或诊断结果的数据。在步骤S508中不存在类似度为一定值以上的类似数据的情况下，不发送数据而是返回到步骤S500。换言之，步骤S507的判定是提取与由用户将诊断结果的标签判定为错误的误诊断数据类似的类似数据的处理，所提取的类似数据成为反馈用数据的候补。

类似的类似数据被发送至反馈用数据选定部114(步骤S508)，在反馈用数据选定部114选定了该类似数据的情况下，反馈处理部115针对该类似数据执行反馈处理(步骤S500～S506：重新反馈步骤)。

在步骤S507中，例如，在下面的(1)或(2)的情况下，判定为从学习用数据保存部101取得的学习用数据或从诊断结果保存部103取得的诊断结果的相对于误诊断数据的类似度高。

(1)被判定为误诊断的诊断结果(误诊断数据)与学习用数据或诊断结果的标签相同。

(2)被判定为误诊断的诊断结果(误诊断数据)与学习用数据或诊断结果之间的距离小于其它数据间的距离的平均值。

此外，(2)中的数据间的距离也可以是欧几里得距离或通过动态时间伸缩法计算出的距离。另外，也可以在计算距离前进行自动编码器等维度压缩处理。

在步骤S500中，也可以使得是否进行反馈的判断的定时(timing)能够由用户预先进行设定。例如，可以在诊断部112执行了诊断的定时必须进行反馈，或者也可以周期性地进行执行反馈这样的判断。在周期性地进行的情况下，也可以由用户任意地设定判断周期。在用户想要提高模型的精度的情况下，通过缩短判断周期而频繁地进行反馈。另一方面，在不重视模型的精度提高而是想要减轻反馈输入的用户负担的情况下，通过延长判断周期的值而不太执行反馈。

在辨识出在步骤S502中显示的反馈用数据的用户无法判断诊断结果的标签是否正确的情况下，能够搁置反馈。针对所搁置的诊断结果，反馈处理部115能够在经过了预先设定的时间后对反馈用数据进行再次显示而进行反馈。无法判断诊断结果的标签是否正确的情况例如是指将装置故障的预兆作为诊断结果而进行显示的情况。在该情况下，由于至装置产生故障为止不知道该诊断结果是否正确，因此用户无法进行正误的判断。

也可以是能够设定在搁置时再次显示反馈用数据的时间。此时，在没有输入时间的情况下，反馈用数据被返回到反馈用数据选定部114，与其它反馈用数据相同地，在预先设定的定时再次发送至反馈处理部115。

接着，对在图2的步骤S106中执行的重新学习处理进行说明。图7是表示重新学习处理的流程的流程图。

首先，学习部111从学习用数据保存部101取得用于重新学习的学习用数据，从追加学习用数据保存部102取得追加学习用数据(步骤S600)。这里，追加学习用数据是通过反馈处理对标签进行了修正的数据。之后，取得预先设定的机器学习方法(步骤S601)，取得预先设定的学习上限时间(步骤S602)。

接着，学习部111取得在图3的步骤S207中输出的训练好的诊断模型(步骤S603)。接着，使用在步骤S600中取得的重新学习用的数据而进行训练好的诊断模型的更新。之后，将诊断模型的更新称为重新学习(步骤S604)。在进行重新学习的期间内，以一定间隔对学习时间是否超过了在步骤S602中取得的学习上限时间进行判定(步骤S605)。在学习时间超过了学习上限时间的情况下(步骤S605：Yes)，中止重新学习而转移到步骤S606。在学习时间没有超過学习上限时间的情况下(步骤S605：No)，返回到步骤S604。

在超过学习上限时间而将重新学习中止后，对该时间点的诊断模型的模型精度是否高于在步骤S603中取得的诊断模型进行判定(步骤S606)。在模型精度提高的情况下(步骤S606：Yes)，向诊断部112输出重新学习后的诊断模型(步骤S607)，结束。在模型精度没有提高的情况下(步骤S606：No)，将重新学习后的诊断模型废弃(步骤S608)，结束。

进行重新学习的定时也可以是如下任意定时。

(1)追加学习用数据变得大于或等于预先设定的一定数量的定时；

(2)经过了预先设定的时间的定时；

(3)经过了预先设定的设定时刻的定时；

(4)输入了来自用户的重新学习指示的定时。

如上所述，本实施方式涉及的学习系统1使用通过由学习部111使用了学习用数据的机器学习而生成的诊断模型，由诊断部112对诊断对象数据进行诊断，对诊断结果进行保存。反馈处理部115针对从诊断结果中选定为反馈用数据的诊断结果执行反馈处理。反馈处理部115针对所选定的诊断结果，对用户请求标签的正误判定，在由用户判定为错误的情况下，对标签进行修正而保存于追加学习用数据保存部102。类似度判定部113针对其它学习用数据或诊断结果对相对于误诊断数据的类似度进行判定，反馈处理部115针对被判定为类似度高的类似数据，再次执行反馈处理。而且，学习部111使用在学习用数据保存部101、追加学习用数据保存部102保存的学习用数据进行重新学习。

由此，由于使用与在反馈处理中判定为误诊断的误诊断数据类似的类似数据进行重新学习，因此能够生成可以进行高精度的诊断的诊断模型。

另外，反馈用数据选定部114对被推测为错误多的标签的数据进行选定而集中地进行反馈，由此能够有效地提高数据的标签品质。

并且，能够与警报的定时无关地在预先规定的定时提供反馈的机会，用户能够在有心理上的余裕的状态下对诊断结果的正误进行判断。并且，不仅对于诊断系统判断为异常的数据，对于判断为正常的数据也能够进行由用户实施的正误判定，进行反馈。

(实施方式2)

下面，参照附图对用于实施本发明的实施方式2详细地进行说明。此外，在图中，对相同或相当的部分标注相同标号。

本实施方式2涉及的学习系统1与实施方式1相同地，是通过学习生成用于在生产现场对生产设备的状态或产品品质进行诊断的诊断模型的系统，具有与图1所示的实施方式1的结构相同的结构。

本实施方式2涉及的学习系统1执行与图2所示的实施方式1相同的诊断模型生成处理，但与实施方式1的区别在于，在由诊断部112执行的诊断处理(图2的步骤S102)中输出的信息、反馈处理(图2的步骤S104)的处理内容。对该区别进行详细的说明。

诊断部112除了执行图2的步骤S102的诊断处理而得到的包含装置的运转状态或者部件或产品品质的诊断结果之外，还同时输出诊断的可信度。诊断的可信度可以是由现有的函数定义的值，例如，是由神经网络的SoftMax函数定义的值。

诊断部112将包含所输出的装置的运转状态或者部件或产品品质的诊断结果、诊断的可信度保存于诊断结果保存部103。此时，也可以以将诊断结果和诊断的可信度关联在一起的形式保存于诊断结果保存部103。

反馈用数据选定部114发送至反馈处理部115的诊断结果的数据的选定基准除了由类似度判定部113判定出的类似度为一定值以上之外，还包含诊断的可信度小于或等于阈值。

图8是本实施方式2的反馈用数据选定处理的流程图。使用图8对反馈用数据选定处理的流程进行说明。

反馈用数据选定部114从诊断部112取得诊断结果(步骤S700)。接着，对诊断结果的可信度是否小于或等于预先设定的阈值进行判定(步骤S701)。在可信度超过阈值的情况下(步骤S701：No)，由于以一定值以上的可信程度进行诊断，因此不进行反馈而是结束，等待至进行下一次诊断为止。在小于或等于阈值的情况下(步骤S701：Yes)，反馈用数据选定部114将诊断结果发送至反馈处理部115(步骤S702)，使处理结束。

如上所述，本实施方式2涉及的学习系统1使用通过由学习部111使用了学习用数据的机器学习而生成的诊断模型，在诊断部112对诊断对象数据进行诊断时，输出诊断结果和该诊断结果的可信度而保存于诊断结果保存部103。反馈用数据选定部114在从诊断结果中选定为反馈用数据时，对诊断结果的可信度小于或等于阈值的诊断结果进行选定，反馈处理部115针对选定的诊断结果执行了反馈处理。由此，在反馈用数据选定部114进行选定时，反馈处理部115针对诊断的可信度低的诊断结果执行反馈处理，因此能够提高反馈的效率。

(变形例)

上述实施方式能够进行各种变更。

例如，在上述实施方式中，由诊断部112诊断的诊断对象数据是通过输入部130输入的，但诊断部112也可以取得保存于学习用数据保存部101的学习用数据作为诊断对象数据。

在实施方式2中，通过将保存于学习用数据保存部101的学习用数据作为诊断对象数据而进行诊断，能够输出学习用数据的可信度。也可以与输出的可信度相关联地将学习用数据保存于学习用数据保存部101，学习部111通过包含可信度的学习用数据进行学习。

另外，上述实施方式所示的学习系统1的硬件结构及运算部110、120的处理内容为一个例子，能够任意地进行变更及修正。由学习系统1实现的各功能能够不通过专用的系统而使用通常的计算机系统来实现。

例如，也可以将用于执行上述实施方式的动作的程序储存于计算机可读取的CD-ROM(Compact Disc Read-Only Memory)、DVD(Digital Versatile Disc)、MO(MagnetoOptical Disc)、存储卡等记录介质而进行分发，通过将程序安装于计算机，从而构成能够实现各功能的计算机。而且，在通过OS(Operating System)与应用的分担、或OS和应用的协同来实现各功能的情况下，也可以仅将OS之外的部分储存于记录介质。

本发明在不脱离本发明的广义的精神和范围的情况下，能够设为各种实施方式及变形。另外，上述实施方式用于对本发明进行说明，并不是对本发明的范围进行限定。即，本发明的范围不是由实施方式表示，而是由权利要求书表示。而且，在权利要求的范围内及与其等同的公开意义的范围内实施的各种变形被视为落在本发明的范围内。

标号的说明

1学习系统，100存储部，101学习用数据保存部，102追加学习用数据保存部，103诊断结果保存部，110运算部，111学习部，112诊断部，113类似度判定部，114反馈用数据选定部，115反馈处理部，120显示器，130输入部。

Claims (7)

1.一种学习系统，其具有：

学习部，其通过使用了学习用数据的机器学习生成诊断模型；

诊断部，其基于所述诊断模型对诊断对象数据进行诊断，输出诊断结果；

反馈处理部，其执行反馈处理，即，对用户提示所述诊断结果，在取得了表示所述诊断结果为误诊断的用户输入的情况下，输出误诊断数据，另外，基于所述用户输入对所述误诊断数据进行修正；以及

类似度判定部，其对相对于由所述反馈处理部输出的修正前的所述误诊断数据来说的未执行所述反馈处理的所述学习用数据或所述诊断结果的类似度进行判定，在判定为存在所述类似度为一定值以上的类似数据的情况下，将该类似数据发送至所述反馈处理部，

所述反馈处理部针对由所述类似度判定部发送的所述类似数据执行所述反馈处理，

所述学习部使用包含通过所述反馈处理进行修正后的所述误诊断数据在内的数据进行重新学习。

2.根据权利要求1所述的学习系统，其中，

还具有反馈用数据选定部，该反馈用数据选定部对由所述诊断部输出的所述诊断结果中的执行反馈处理的诊断结果进行选定，将选定的所述诊断结果发送至所述反馈处理部。

3.根据权利要求2所述的学习系统，其中，

所述反馈用数据选定部以预先设定的概率对所述诊断结果进行选定，或对符合预先规定的条件的所述诊断结果进行选定。

4.根据权利要求2所述的学习系统，其中，

由所述诊断部输出的诊断结果的信息包含诊断的可信度，

所述反馈用数据选定部将所述诊断的可信度小于或等于预先规定的阈值的所述诊断结果发送至所述反馈处理部。

5.根据权利要求1至4中任一项所述的学习系统，其中，

所述学习用数据包含装置、部件或产品的信息以及标签的信息，该标签表示与所述装置、所述部件或所述产品相关的数据所属的类，

所述诊断部对所述诊断对象数据进行诊断，将通过诊断而选择出的所述标签赋予给所述诊断对象数据，

所述反馈处理部对用户提示所述诊断对象数据的所述标签，在取得了表示所述诊断结果为误诊断的用户输入的情况下，基于所述用户输入对所述标签进行修正。

6.一种学习方法，其具有：

学习步骤，通过使用了学习用数据的机器学习生成诊断模型；

诊断步骤，基于所述诊断模型对诊断对象数据进行诊断；

反馈步骤，执行反馈处理，即，基于针对所述诊断步骤的诊断结果的用户输入，输出误诊断数据，另外，基于所述用户输入对所述误诊断数据进行修正；

类似度判定步骤，对相对于在所述反馈步骤中输出的修正前的所述误诊断数据来说的未执行所述反馈处理的所述学习用数据或所述诊断结果的类似度进行判定，对是否存在所述类似度为一定值以上的类似数据进行判定；

重新反馈步骤，针对在所述类似度判定步骤中判定为所述类似度为一定值以上的所述类似数据再次执行反馈处理；以及

重新学习步骤，使用包含在所述重新反馈步骤中进行修正后的所述误诊断数据在内的数据进行重新学习。

7.一种程序，其用于使计算机作为如下各部起作用：

学习部，其通过使用了学习用数据的机器学习生成诊断模型；

诊断部，其基于所述诊断模型对诊断对象数据进行诊断；

反馈处理部，其执行反馈处理，即，基于针对由所述诊断部诊断出的诊断结果的用户输入，输出误诊断数据，另外，基于所述用户输入对所述误诊断数据进行修正；以及

类似度判定部，其对相对于由所述反馈处理部输出的修正前的所述误诊断数据来说的未执行所述反馈处理的所述学习用数据或所述诊断结果的类似度进行判定，对是否存在所述类似度为一定值以上的类似数据进行判定，

其中，

所述反馈处理部针对通过所述类似度判定部判定为所述类似度为一定值以上的所述类似数据再次执行反馈处理，

所述学习部使用包含修正后的所述误诊断数据在内的数据进行重新学习。

Images