JP6798825B2 - データ解析装置、制御装置、データ解析装置の制御方法、制御プログラム、および記録媒体 - Google Patents

Description

本発明は、時系列データを時系列に沿って複数のクラスタに分割するデータ解析装置等に関する。

従来から、プラントやごみ焼却施設等における処理状況を確認するために、施設等に備え付けられているセンサから取り出した時系列データを解析することが行われている。

例えば、ごみ焼却施設では、ごみを燃やして出た廃熱から蒸気がつくられ、この蒸気を蒸気タービン発電機に送ることにより、電気を作り出している。これらの電気は安定した出力で供給し続けることが望ましいが、実際にはごみの燃焼ムラなどにより熱量・蒸気量が変動するため、そのままでは、安定して出力することが難しい。そこで、ごみの燃焼を適切に制御することが重要となる。

現在、ごみの燃焼制御は自動燃焼制御（ＡＣＣ）により行っているが、運転員が蒸気量などを目視で確認し、必要に応じて給じん量（炉内へのごみ供給量）、燃焼空気量などを手動で操作している。また、自動燃焼制御では、給じん量や燃焼空気量の数値の上限下限の閾値を設け、異常時には目標値に回復する制御を行っている。

しかし、運転員による操作は運転員のスキルにより制御にばらつきが生じ、閾値を一律に決めた制御では、きめ細やかな制御ができない。

そこで、きめ細やかな制御を実現するためにも、検出した蒸気量の時系列データを適切に解析することが必要となる。

時系列データの解析方法としては、例えば、特許文献１、２に記載された技術がある。特許文献１には、時系列データを正規化し、正規化されたデータに対して主成分分析、主成分回帰等の解析を行う診断装置が記載されている。

また、特許文献２には、トレンドグラフの表示において、データ毎に任意のオフセット値を加算して表示する方法が開示されている。

特開２０１２−１４１７１２号公報（２０１２年７月２８日公開） 特開２００５−３５１８３２号公報（２００５年１２月２２日公開）

馬野元秀、岩浅貴大、高橋勝稔，「全体的傾向と局所的特徴に基づく時系列データの言葉による表現―データの傾向に基づく期間のファジィ集合の決定―」，第３０回ファジィシステムシンポジウム，講演論文集pp808-813，2014.9.1 馬野元秀、瀬田和久、高橋勝稔，「全体的傾向と局所的特徴に基づく時系列データの言葉による表現―期間のファジィ集合の決定―」，第２５回ファジィシステムシンポジウム，講演論文集，2009.7.14 馬野元秀、岡村光洋、瀬田和久，「全体的傾向と局所的特徴に基づく時系列データの言葉による表現―増減回数の拡張による振動の表現―」，第２４回ファジィシステムシンポジウム，講演論文集pp774-779，2008.9.3

しかしながら、主成分分析、主成分回帰等の従来の解析方法は、一般的に静的な現象を前提にしており、時間的要素を考慮する複雑なデータに対しては向いていない。また、時間的要素を考慮した時系列解析でも、時間の経過とともにモデルに合わなくなる可能性があり、ユーザ所望の解析結果にならなくなる可能性がある。

特許文献１に記載されたデータの解析方法は、上述した従来の解析方法と同様のものであり、上述した課題を解決することはできない。また、特許文献２に記載された技術は、トレンドグラフの表示方法であり、データの解析方法については言及していない。

本発明は、前記の問題点に鑑みてなされたものであり、その目的は、ユーザ所望の解析結果を得ることができるデータ解析装置等を実現することにある。

上記の課題を解決するために、本発明の一態様に係るデータ解析装置は、プロセス制御に用いられる時系列データを解析するデータ解析装置であって、前記時系列データを取得するデータ取得部と、前記時系列データを時系列に沿って分割した中間クラスタの特徴を示す複数種類の指標から算出した判定値から求めた前記中間クラスタ同士の類似度を用いて前記中間クラスタを統合することにより、前記時系列データを所定数の最終クラスタに分割するクラスタ分割部と、分割した結果を出力する出力部と、を備えている構成である。

前記の構成によれば、中間クラスタの特徴を示す複数種類の指標を用いて判定値を算出する。よって、中間クラスタの特徴に応じて類似度を判定し、中間クラスタ同士を統合することができる。これにより、類似した中間クラスタ同士を統合して、時系列データ最終クラスタに分割することができる。

また、類似した中間クラスタ同士が統合されているので、人間の感覚に近いクラスタリングを実現できる。

さらに、判定値を用いてクラスタリングを行うことができるので、人間がクラスタリングする場合と比較して安定したクラスタリングを実現できる。

本発明の一態様に係るデータ解析装置では、前記クラスタ分割部は、前記複数種類の指標を重み付けして前記判定値を算出するものであってもよい。

前記の構成によれば、複数種類の指標を重み付けして判定値を算出するので、重み付けを人間の感覚に近づけることにより、中間クラスタの類似度の判定をより人間の感覚に近付けることができる。

本発明の一態様に係るデータ解析装置では、前記クラスタ分割部は、前記重み付けの割合を前記中間クラスタの時系列方向の長さに応じて異ならせて前記判定値を算出するものであってもよい。

人間がクラスタ同士が類似していると判断するとき、当該クラスタの長さによって重要視しているものが異なる。そして、前記の構成によれば、中間クラスタの時系列方向の長さによって複数種類の指標の重み付けを異ならせる。よって、人間の感覚により近づけて中間クラスタ同士の類似度を判定することができる。

本発明の一態様に係るデータ解析装置では、前記指標は、前記中間クラスタにおける前記時系列データの代表値、前記中間クラスタにおける前記時系列データの変化の傾向を示す変化状態指標、および前記中間クラスタにおける前記時系列データの振動の傾向を示す振動状態指標の少なくとも何れかであってもよい。

前記の構成によれば、中間クラスタにおけるデータの代表値、中間クラスタにおける時系列データの変化の傾向を示す変化状態指標、および中間クラスタにおける時系列データの振動の傾向を示す振動状態指標の少なくとも何れかを用いて判定値を算出する。これにより、中間クラスタの特徴を適切に反映した判定値を算出することができる。

なお、代表値の例としては、当該中間クラスタに含まれる時系列データの平均値が挙げられる。また、変化状態指標としては、中間クラスタにおける時系列方向の最初と最後のデータを結んだ線分の時系列方向に対する傾きが挙げられる。また、振動状態指標としては、当該中間クラスタに含まれる時系列データの標準偏差が挙げられる。

本発明の一態様に係るデータ解析装置では、前記クラスタ分割部は、前記中間クラスタの時系列方向の長さが所定の長さよりも長い場合、前記指標のうち前記変化状態指標の重みを前記代表値の重みよりも大きくして前記判定値を算出し、前記中間クラスタの時系列方向の長さが所定の長さよりも短い場合、前記指標のうち前記代表値の重みを前記変化状態指標の重みより大きくして前記判定値を算出するものであってもよい。

人間の感覚は、時系列方向に長いデータの場合、全体的な傾きが類似しているか否かかという点から類似性を認識しやすく、時系列方向に短いデータの場合、値が類似しているか否かという点から類似性を認識しやすい。前記の構成によれば、判定値を算出するための指標の重み付けにおいて、中間クラスタの時系列方向の長さが所定の長さよりも長い場合、変化状態指標の重みを代表値の重みよりも大きくし、中間クラスタの時系列方向の長さが所定の長さよりも短い場合、代表値の重みを変化状態指標の重みより大きくする。よって、判定値を用いた類似度を人間の感覚により近いものとすることができる。

上記の課題を解決するために、本発明の一態様に係る制御は、外部装置から収集された時系列データに基づいて制御対象を制御する制御装置であって、前記時系列データを前記データ解析装置に送信する送信部と、前記データ解析装置から出力された前記時系列データの分割結果である前記最終クラスタにおける前記時系列データの形状の特徴を用いて、フィードバック制御を行うフィードバック制御部と、を備えていることを特徴としている。

前記の構成によれば、前述したデータ解析装置によって分割された最終クラスタにおける時系列データの形状の特徴を用いてフィードバック制御を行うことができる。

また、最終クラスタの時系列データが言語化されていれば、当該言語を用いてフィードバック制御を行うことができる。

上記の課題を解決するために、本発明の一態様に係るデータ解析装置の制御方法は、プロセス制御に用いられる時系列データを解析するデータ解析装置の制御方法であって、前記時系列データを取得するデータ取得ステップと、前記時系列データを時系列に沿って分割した中間クラスタの特徴を示す複数種類の指標から算出した判定値から求めた前記中間クラスタ同士の類似度を用いて前記中間クラスタを統合することにより、前記時系列データを所定数の最終クラスタに分割するクラスタ分割ステップと、分割した結果を出力する出力ステップと、を含むことを特徴としている。

前記の方法によれば、前述した効果と同様の効果を奏する。

本発明の各態様に係るデータ解析装置は、コンピュータによって実現してもよく、この場合には、コンピュータを前記データ解析装置が備える各部（ソフトウェア要素）として動作させることにより前記データ解析装置をコンピュータにて実現させるデータ解析装置の制御プログラム、およびそれを記録したコンピュータ読み取り可能な記録媒体も、本発明の範疇に入る。

本発明の一態様によれば、中間クラスタの特徴を示す複数種類の指標を用いて判定値を算出する。よって、中間クラスタの特徴に応じて類似度を判定し、中間クラスタ同士を統合することができる。これにより、類似した中間クラスタ同士を統合して、時系列データ最終クラスタに分割することができるという効果を奏する。また、類似した中間クラスタ同士が統合されているので、人間の感覚に近いクラスタリングを実現できるという効果を奏する。さらに、判定値を用いてクラスタリングを行うことができるので、人間がクラスタリングする場合と比較して安定したクラスタリングを実現できるという効果を奏する。

本実施形態に係る解析装置の要部構成を示すブロック図である。 本実施形態に係るＰＩＤ制御装置の要部構成を示すブロック図である。 上記解析装置における処理の流れを示すフローチャート図である。 上記ＰＩＤ制御装置による制御の流れを示すフローチャート図である。 判定値を算出する方法を説明するための図であり、（ａ）はクラスタの値を説明するための図であり、（ｂ）はクラスタの変化量を説明するための図であり、（ｃ）はクラスタの振動具合を説明するための図である。 重み付けの割合を変更する方法を説明するための図であり、（ａ）はクラスタ幅が大きい場合を説明するための図であり、（ｂ）、（ｃ）はクラスタ幅が小さい場合を説明するための図である。 クラスタ幅の小さいクラスタの例を示す図である。 クラスタ例を示す図である。 クラスタ化の問題点を説明するための図である。 本実施形態に係るクラスタ化を説明するための図である。 ＰＩＤ制御装置に用いた例を説明するための図である。 オフセットが発生する例を示す図である。 （ａ）〜（ｃ）は、上述したクラスタ化した時系列データの言語化の結果とＰＩＤの比率とが対応付けられた例を示す図である。 （ａ）、（ｂ）は、他の制御例を示す図である。 （ａ）、（ｂ）は、本実施形態を適用したクラスタ化された時系列データの例、および言語化の結果の例を示す図である。

以下、本発明の実施形態について、詳細に説明する。本実施形態に係る解析装置（データ解析装置）１は、プロセス制御に用いられる時系列データであって、入力された時系列データを時系列方向に沿って複数のクラスタに分割するものである。本実施形態１に係る解析装置１は、時系列データを出力する様々な装置に適用できる。例えば、ごみ焼却施設に備え付けられたセンサから取り出した時系列データの解析に用いることができる。

なお、本実施形態では、時系列データを最初に分割したクラスタを初期クラスタ、最終的に分割結果として特徴が出力されるクラスタを最終クラスタ、初期クラスタを統合したクラスタであって最終クラスタになるまでのクラスタを中間クラスタと呼ぶ。

〔解析装置の構成〕
図１を参照して解析装置１について説明する。図１は、解析装置１の要部構成を示すブロック図である。図１に示すように、本実施形態に係る解析装置１は、制御部１０、記憶部２０、言語化パラメータ設定部３０、データ入力部（データ取得部）４０、および出力部５０を含む。

制御部１０は、解析装置１における各種処理を実行するとともに、時系列データのクラスタ化、クラスタ化した時系列データの言語化を行うものであり、クラスタ処理部（クラスタ分割部）１１、特徴抽出部１２、および特徴表現部１３を含む。

クラスタ処理部１１は、時系列データのクラスタ化を実行するものであり、初期クラスタ作成部１１３、クラスタ値算出部１１４、重み付け部１１５、類似度判定部１１６、クラスタ統合部１１７、およびクラスタ数判定部１１８を含む。

初期クラスタ作成部１１３は、データ入力部４０を介して入力された時系列データを分割して初期クラスタを作成する。初期クラスタとは、時系列データをデータ毎に分割したクラスタである。

クラスタ値算出部１１４は、初期クラスタ作成部１１３が作成した初期クラスタのクラスタ値（判定値）を算出する。また、クラスタ値算出部１１４は、後述するクラスタ統合部１１７がクラスタを統合することにより作成した中間クラスタのクラスタ値を算出する。中間クラスタとは、初期クラスタが統合されて作成されたクラスタ、中間クラスタが統合された作成されたクラスタであって最終クラスタとなっていないものである。また、クラスタ値とは、クラスタの特徴を示す値であり、当該クラスタのデータ値の平均値（代表値）、当該クラスタにおける時系列方向の最初と最後のデータを結んだ線分の時系列方向に対する傾き（変化状態指標）、および当該クラスタにおけるデータ値の散らばり具合（振動状態指標）であるクラスタの特徴を示す指標から算出される。具体的な算出方法については後述する。

重み付け部１１５は、クラスタ値算出部１１４がクラスタ値を算出するときに用いる３つの値を重み付けするものである。具体的な重み付け方法は後述する。３つの値とは、当該クラスタのデータ値の平均値、当該クラスタにおける時系列方向の最初と最後のデータを結んだ線分の時系列方向に対する傾き、および当該クラスタにおけるデータ値の散らばり具合である。

類似度判定部１１６は、クラスタ値算出部１１４が算出したクラスタ値を用いてクラスタ同士の類似度を判定する。

クラスタ統合部１１７は、類似度判定部１１６が判定した類似度を用いて、クラスタ同士の統合を行う。

クラスタ数判定部１１８は、クラスタ統合部１１７がクラスタ統合した結果のクラスタ数が指定されたクラスタ数以下であるか否かを判定する。指定されたクラスタ数は、ユーザによって指定された数であってもよいし、解析時間÷６０で求められる数であってもよい。

特徴抽出部１２は、クラスタ処理部１１でクラスタ化された時系列データ（最終クラスタ）の特徴の抽出を行う。特徴とは、最終クラスタの全体的傾向、局所時刻、局所値、位置、振動前期、振動中期、振動後期等である。特徴の詳細については後述する。

特徴表現部１３は、クラスタ化された時系列データ（最終クラスタ）を、特徴抽出部１２で抽出された特徴、および後述する言語化データ２１を用いて言語化する言語化部である。言語化する処理は公知の技術で可能であるので、その説明は省略する。

記憶部２０は、解析装置１の処理に用いる各種データを格納する記憶部であり、言語化データ２１を含む。言語化データ２１は、特徴表現部１３において言語化する処理を実行するために用いられるものである。

言語化パラメータ設定部３０は、言語化に用いる各種パラメータを設定する。

データ入力部４０は、解析装置１で解析する時系列データの入力を受け付け、クラスタ処理部１１に送信する。

出力部５０は、クラスタ処理部１１によるクラスタ化の結果、特徴抽出部１２によって抽出された特徴、および特徴表現部１３による言語化の結果を出力する。

〔ＰＩＤ制御装置の構成〕
本実施形態に係る解析装置１の出力結果は、フィードバック制御に用いることができる。そこで、解析装置１の出力結果をＰＩＤ（Proportional-Integral-Differential）制御に用いた場合の例を図２に示す。図２は、ＰＩＤ制御装置（制御装置）１００の要部構成を示すブロック図である。ＰＩＤ制御装置１００は、解析装置１の出力結果を用いて、ＰＩＤパラメータを変更することによってＰＩＤ制御を行い、制御結果を制御対象に出力する装置である。

図２に示すように、ＰＩＤ制御装置１００は、解析装置１、データ取得部（送信部）１１０、記憶部１２０、およびＰＩＤパラメータ変更部（フィードバック制御部）１３０を含む。なお、解析装置１は、必ずしもＰＩＤ制御装置１００の内部に含まれている必要は無く、ＰＩＤ制御装置１００の外部に設けられていてもよい。

データ取得部１１０は、外部装置から時系列データを取得して解析装置１に送信する。

記憶部１２０は、ＰＩＤ制御装置１００における処理に用いる各種データを格納する記憶部であり、調整データ１２１を含む。調整データ１２１は、解析装置１による時系列データ解析結果からＰＩＤパラメータを変更するために用いられる。

ＰＩＤパラメータ変更部１３０は、解析装置１による時系列データの解析結果から、調整データ１２１を用いて、ＰＩＤパラメータを変更する。

本実施形態では、時系列データの傾向（トレンド）を言語化することにより、例えば、時系列データが傾斜している場合、その程度を複数の段階に分けて制御することができる。言語化した場合、例えば「大きく増加」、「少し増加」などとなる。そして、複数の段階分けに応じてＰＩＤ制御値を予め定めておくことにより、各段階に該当する割合に応じて、ＰＩＤ制御値を求めることができる。

〔解析装置における処理の流れ〕
次に、図３を参照して、解析装置１における処理の流れを説明する。図３は、解析装置１における処理の流れを示すフローチャート図である。

図３に示すように、解析装置１では、まず、時系列データをクラスタ化するために用いる各種パラメータが格納されたパラメータファイルを読み込む（Ｓ１０１）。パラメータファイルの読み込みに成功すると、時系列データを読み込む（Ｓ１０２、データ取得ステップ）。時系列データの読み込みに成功すると、初期クラスタ作成部１１３は、時系列データを分割して初期クラスタを作成する（Ｓ１０３）。

次に、クラスタ数判定部１１８は、現在のクラスタ数が指定されたクラスタ数より多いか否か（現在のクラスタ数≧指定クラスタ数）を判定する（Ｓ１０４）。また、クラスタの時系列方向の長さ（以降、クラスタ幅とも呼ぶ）が基準値より短いものがあるか判定する（Ｓ１０４）。そして、現在のクラスタ数が指定されたクラスタ数より多い場合、またはクラスタ幅が基準値より短いものがある場合（Ｓ１０４でＹＥＳ）、類似度判定部１１６は、時系列方向に隣接するクラスタ間の類似度を算出する（Ｓ１０５）。次に、類似度判定部１１６は、クラスタと時系列方向に隣接するクラスタにさらに隣接するクラスタとの類似度を算出する（Ｓ１０６）。換言すれば、時系列方向に１つ飛ばしたクラスタ間の類似度を算出する。

次に、クラスタ統合部１１７は、ステップＳ１０５、ステップＳ１０６で算出した類似度中で最も類似度が高かったクラスタ同士を統合する（Ｓ１０７）。また、ステップＳ１０６で算出した類似度が最も高かった場合は、類似度を判定したクラスタ同士に加え、当該クラスタ間に挟まれたクラスタも統合する。なお、ステップＳ１０３〜Ｓ１０７がクラスタ分割ステップとなる。

その後、ステップＳ１０４に戻り、統合後のクラスタ数が指定されたクラスタ数より多いか否かを判定する（Ｓ１０４）。また、クラスタ幅が基準値より短いものがあるか判定する（Ｓ１０４）。

ステップＳ１０４にて、統合後のクラスタ数が指定されたクラスタ数以下であり、かつクラスタ幅が基準値より短いものがない場合（Ｓ１０４でＮＯ）、特徴抽出部１２は、統合後のクラスタである最終クラスタの時系列データの特徴の抽出し、特徴表現部１３は、抽出された特徴の言語化を行う（Ｓ１０８）。

その後、解析装置１は、解析結果である最終クラスタの特徴、言語化結果を出力部５０から出力する（Ｓ１０９、出力ステップ）。出力は、グラフ等の表示であってもよいし、文字による出力であってもよい。グラフ等の表示は例えば、ＧＩＦ（Graphic Interchange Format）形式のデータで行うことができる。また、文字による出力は例えば、ＣＳＶ（Comma Separated Value）形式のデータにより行うことができる。

なお、上述したＰＩＤ制御装置１００による制御を行う場合は、ステップＳ１０８における最終クラスタの特徴の抽出、言語化の結果をＰＩＤ制御装置１００に出力すればよい（図３の（Ａ）参照）。

〔ＰＩＤ制御装置における処理の流れ〕
図４を参照して、ＰＩＤ制御装置１００による制御の流れを説明する。図４は、ＰＩＤ制御装置１００による制御の流れを示すフローチャート図である。

図４に示すように、ＰＩＤ制御装置１００は、図３のステップＳ１０８において処理された最終クラスタの時系列データ特徴、言語化の結果、および時系列データを取得する。ＰＩＤパラメータ変更部１３０は、取得した時系列データから傾向の変更があったか否かを判定する（Ｓ２０１）。そして、傾向の変更があったと判定した場合（Ｓ２０１でＹＥＳ）、ＰＩＤパラメータ変更部１３０は、傾向変更後の時系列データの特徴、言語化の結果から調整データ１２１を用いてＰＩＤパラメータを調整する（Ｓ２０２）。ＰＩＤパラメータの調整例としてはＰＩＤ比率を変更することが挙げられる。

〔クラスタ処理部の詳細〕
次に、図５〜１０を参照して、クラスタ処理部１１における処理の詳細について説明する。まず、図５を参照して、クラスタ間の類似度を判定するための判定値を算出する方法について説明する。判定値は、クラスタの値、クラスタの変化量、およびクラスタの振動具合の３つの要素を用いて算出する。図５は、判定値を算出する方法を説明するための図であり、（ａ）はクラスタの値を説明するための図であり、（ｂ）はクラスタの変化量を説明するための図であり、（ｃ）はクラスタの振動具合を説明するための図である。

〔クラスタの値〕
図５の（ａ）に示すように、時系列データが、中間クラスタＣ５０１、Ｃ５０２、およびＣ５０３に分割されている場合を考える。中間クラスタＣ５０１における時系列データの値が（６０，６１，５３，７０）となっている場合、平均値は（６０＋６１＋５３＋７０）／４＝６１となる。本実施形態では、この場合の中間クラスタＣ５０１の値を平均値である「６１」とする。同様に算出することにより、中間クラスタＣ５０２の値が「８０」、中間クラスタＣ５０３の値が「７２」となる。

ここで、中間クラスタの値のみを用いてクラスタ間の類似性を判定する場合、中間クラスタＣ５０１、Ｃ５０２、Ｃ５０３それぞれの値の差に注目する。中間クラスタＣ５０１とＣ５０２との値の差は、|８０−６１|＝１９となる。また、中間クラスタＣ５０２とＣ５０３との値の差は、|７１−８０|＝９となる。よって、中間クラスタＣ５０１とＣ５０２よりも、中間クラスタＣ５０２とＣ５０３の方が類似しているということになる。

〔クラスタの変化量〕
クラスタの変化量は、クラスタ内の時系列データの傾きθ（ｃ）から算出する。具体的には、クラスタ内の時系列方向で最初の値を（ｔ_ｉ，x（ｔ_ｉ））、最後の値を（ｔ_ｋ，ｘ（ｔ_ｋ））としたとき、以下の計算式（１）で求める。
θ（ｃ）＝ａｒｃｔａｎ（（x（ｔ_ｋ）−x（ｔ_ｉ））／（ｔ_ｋ−ｔ_ｉ））…（１）
具体的に、中間クラスタＣ５０１、Ｃ５０２、およびＣ５０３に当てはめると、変化量はそれぞれ、「５２」、「−２０」、「−１４」となる（図５の（ｂ））。

ここで、中間クラスタの変化量みを用いて類似性を判定する場合、中間クラスタＣ５０１、Ｃ５０２、Ｃ５０３それぞれの変化量の差に注目する。中間クラスタＣ５０１とＣ５０２との変化量の差は、|５２−（−２０）|＝７２となる。また、中間クラスタＣ５０２とＣ５０３との変化量の差は、|（−２０）−（−１４）|＝６となる。よって、中間クラスタＣ５０１とＣ５０２よりも、中間クラスタＣ５０２とＣ５０３の方が類似しているということになる。

〔クラスタの振動具合〕
クラスタの振動具合とは、クラスタ内における時系列データの値の散らばり具合である。具体的には、以下のように算出する。以下の計算式は、値の標準偏差を用いて計算している。

まず、クラスタ内に存在する時系列データが２つであり、それぞれの値がｘ_ｉ、ｘ_ｉ＋１の場合、当該クラスタの振動具合σ（ｃ）は、以下の計算式（２）で求める。

ここで、ｍ＝（ｘ_ｉ＋ｘ_ｉ＋１）／２である。

また、クラスタ内に存在する時系列データが３個以上であり、時系列方向の最初の値がｘ_ｉ、最後の値がｘ_ｉ＋ｋの場合、当該クラスタの振動具合σ（ｃ）は、以下の計算式（３）で求める。

ここで、

である。

そして、中間クラスタｃとｃ’とのクラスタ間の類似度ｄ_σ（ｃ，ｃ’）は以下の計算式で求める。
ｄ_σ（ｃ，ｃ’）＝｜σ（ｃ）−σ（ｃ’）｜
これは、上述したクラスタの値、およびクラスタの変化量からクラスタ間の類似度を算出した方法と同様に、クラスタそれぞれの振動具合の差の絶対値を用いて類似度を算出していることになる。

なお、上述した算出方法は、標準偏差を用いていたが、標準偏差を用いず、振動の中心との差分の和を用いてクラスタの振動具合を算出してもよい。

具体的に図５の（ｃ）を参照して説明する。図５の（ｃ）において、振動具合を算出する対象を中間クラスタＣｔとする。中間クラスタＣｔには、時系列データとして７個の値が含まれている。

振動の中心との差分を求める対象の時系列データをＰ５１１とすると、まず、Ｐ５１１における振動の中心の値を求める（図５の（ｃ）のＡＶ５１１）。そして、この振動の中心の値ＡＶ５１１と時系列データＰ５１１の値との差分ｄ５１１を求める。同様の計算を中間クラスタＣｔに含まれる時系列データ全てについて行い、差分ｄの和を当該中間クラスタＣｔの振動具合とする。なお、図５の（ｃ）では、振動の中心の値を結んだ線分を破線で示している。

なお、振動具合の算出を、増減回数を用いて行ってもよい。具体的には、「増加から増加」、および「減少から減少」は０回、「増加から減少」、および「減少から増加」は１回、「増加または減少から一定」、および「一定から増加または減少」は０．５回とし、あてはまる回数の和を求め、この値を振動具合としてもよい。さらに、単に和を求めるのではなく、隣接する時系列データがなす角度によって回数を補正して和を求めてもよい。

〔重み付け方法〕
次に、クラスタ間の値の差、変化量の差、および振動具合の差に重み付けを行い、判定値を求める方法について説明する。本実施形態では、重みＷ_１、Ｗ_２、Ｗ_３を用いて、以下の計算式を用いて判定値を求める。なお、Ｗ_１＋Ｗ_２＋Ｗ_３＝１である。
判定値＝Ｗ_１×値の差＋Ｗ_２×変化量の差＋Ｗ_３×振動具合の差
そして、判定値の値が小さいほど、類似度判定部１１６は、当該クラスタ間の類似度は高いと判定する。

また、重み付け部１５は、クラスタの時系列方向の長さ（クラスタ幅）に応じて、重みＷ_１、Ｗ_２、Ｗ_３の割合を変更する。クラスタ幅が小さい場合と大きい場合とで、「値の差」、および「変化量の差」の重要度が変わるためである。

図６を参照して、重み付けの割合を変更する方法について説明する。図６は、重み付けの割合を変更する方法を説明するための図であり、（ａ）はクラスタ幅が大きい場合を説明するための図であり、（ｂ）、（ｃ）はクラスタ幅が小さい場合を説明するための図である。

図６の（ａ）に示すように、クラスタ幅が大きい場合、クラスタの値よりも変化量を重視するように重み付けを行う。

また、隣り合うクラスタ間で変化量差が互いに近い値である場合、減少傾向か増加傾向にある場合が多いので、隣り合うクラスタ間で値が異なることが多い。よって、この場合は、値の差の重みを小さくする。

一方、図６の（ｂ）に示すように、クラスタ幅が小さい場合、変化量よりも値を重視した重みづけを行う。ただし、図６の（ｃ）に示すような例の場合、次のような問題が発生する。

図６の（ｃ）のｔ＝５からｔ＝１０の振動している部分は、上述の通り、クラスタの値を重視した重み付けにより類似性を高めて統合することができる。しかし、上述の方法では、ｔ＝０からｔ＝５のようにクラスタの変化量の差が大きく、値の差が小さい場合にクラスタを統合することができない。

そこで、図６の（ｃ）に示すような時系列データの例で、ｔ＝０からｔ＝５と、ｔ＝５からｔ＝１０との両方を、それぞれ統合できるように, クラスタの値の差と変化量の差のうち、小さい方を重視した重み付けにする。なお、同じ場合は値の差を重視する重み付けにする。すなわち、順序つき加重平均（ＯＷＡ: orderd weighted average）により重み付けを行う。

〔クラスタ幅が小さいクラスタの処理〕
上述した方法で、クラスタの統合を進めていくと、図７に示すようなクラスタ幅の小さいクラスタが作成されてしまう可能性がある。本実施形態では、クラスタ幅の小さいクラスタを統合しやすくするため、以下の計算式（４）により判定値を修正する。
ｄ_ＡＬＬ（ｃ_ｉ，ｃ_ｉ＋１）＝ｄ_all（ｃ_ｉ，ｃ_i＋１）×（１＋ｋ×ｌ／（ｔ_ｎ―ｔ_１））…（４）
ここで、ｋはパラメータであり、正の値である。 また、ｔ_ｎ−ｔ_１は時系列データの全期間の長さである。また、ｌは、クラスタｃ_ｉの幅ｌ（ｃ_ｉ）とクラスタｃ_ｉ＋１の幅ｌ（ｃ_ｉ＋１）のうち小さい方の幅である。なお、ｌの代わりに、大きい方の幅Ｌを用いてもよい。

上記の計算式（４）によれば、クラスタ幅が０のとき（ｌ＝０）、
ｄ_Ａｌｌ（ｃ_ｉ，ｃ_ｉ＋１）＝ｄ_ａｌｌ（ｃ_ｉ，ｃ_ｉ＋１）
となる。

また、 クラスタ幅が最も大きいとき（ｌ＝ｔ_ｎ−ｔ_１）、
ｄ_Ａｌｌ（ｃ_ｉ，ｃ_ｉ＋１）＝ｄ_ａｌｌ（ｃ_ｉ，ｃ_ｉ＋１）×（１＋ｋ）
となる。これにより、クラスタ幅が大きいクラスタは、小さいクラスタより修正判定値ｄ_Ａｌｌの値が大きくなるので、クラスタ幅の小さいクラスタがまとまりやすくなる。なお、ｋの値を大きくすると、クラスタは幅の小さいクラスタがよりまとまりやすくなる。ｋの例としては、ｋ＝５が挙げられる。

〔隣接しないクラスタの処理〕
また、クラスタの統合と進めていくと、図８に示すようなクラスタが作成されることがある。図８は、クラスタ例を示す図である。図８に示すクラスタでは、隣接するクラスタＣ８０１とクラスタＣ８０２とは類似していないが、クラスタＣ８０２を挟んだクラスタＣ８０１とクラスタＣ８０３とは類似している。このような場合、クラスタＣ８０１からクラスタＣ８０３までを１つのクラスタとして統合したい。

そこで、本実施形態では、隣接するクラスタを１つ越えたクラスタ間の類似度も判定する。具体的には、以下の計算式（５）により判定値を算出する。
ｄ_ＡＬＬ（ｃ_ｉ, ｃ_ｉ＋２）＝ｄ_ＡＬＬ（ｃ_ｉ，ｃ_ｉ＋２）×（１＋ｌ（ｃ_ｉ＋１）／ｍｉｎ（ｌ（ｃ_ｉ），ｌ（ｃ_ｉ＋２）））…（５）
なお、挟まれたクラスタｃ_ｉ＋1がクラスタｃ_ｉおよびクラスタｃ_ｉと比較して小さい場合に、３つのクラスタを統合すべきであるので、上記の計算式（５）では、クラスタｃ_ｉ＋1の幅ｌ（ｃ_ｉ＋1）を用いて補正を行っている。

また、上記の計算式（５）におけるｍｉｎ（最小値）は、ｍａｘ（最大値）でもａｖｅ（平均値）でもよい。クラスタｃ_ｉ＋1の幅がクラスタｃ_ｉの幅とクラスタｃ_ｉの幅の間であればよい。

〔言語化・正規化〕
上述した方法でクラスタ化された時系列データは、特徴表現部１３で言語化される。本実施形態において言語化される、クラスタ化された時系列データは、縦横比がクラスタ化された状態のままである。この点について、図９、１０を参照して説明する。図９は、クラスタ化の問題点を説明するための図である。図１０は、本実施形態に係るクラスタ化を説明するための図である。

時系列データをクラスタ化すると、クラスタ幅が様々なクラスタが生成される。これらのクラスタの時系列データをグラフの縦横比に対応させると、所望の形状とは異なる形状の時系列データが作成されてしまう可能性がある。

図９に示す時系列データにおいて、クラスタＣ９０１部分の時系列データを抽出し、縦横比をグラフの縦横比と対応させた場合、すなわち、縦：横＝ａ：Ａにした場合、横に引き伸ばされた時系列データが作成されてしまう。このような時系列データでは、形状が所望のものと異なっているため、適切な言語化を行うことができない。特に、クラスタ化した時系列データを人間が判断するような傾向で言語化するためには、時系列データの見え方を十分に考える必要がある。

本実施形態では、図１０に示すように、クラスタ化した時系列データをクラスタ化したままの縦横比で言語化する。すなわち、クラスタＣ１００１の時系列データの縦横比はｂ：ａ、クラスタＣ１００２１の時系列データの縦横比はｃ：ａ、クラスタＣ１００３の時系列データの縦横比はｄ：ａ、…以下同様、となるように時系列データをクラスタ化する。これにより、クラスタ化された時系列データを適切に言語化することができる。

具体的には、本実施形態では、横軸の幅の絶対値をＸ、横軸の目盛幅（例えば、ｓ：秒）をＸ’、縦軸の幅の絶対値をＹ、目盛幅（例えば、ｃｍ）をＹ’とする。また、時系列データと縦軸とが為す角度をＡ’時系列データの傾きをＡとし、以下の計算式（６）を使用して傾きＡを計算する。
Ａ＝（（Ｙ／Ｙ’）／（Ｘ／Ｘ’））×Ａ’…（６）
例えば、図１０に示す時系列データの例で言えば、時系列データのクラスタＣ１００１における傾きＡｂ、クラスタＣ１００２の傾きＡｃ、以下同様に、Ａｄ〜Ａｈを計算する。そして、傾きＡｂ〜Ａｈから横軸と縦軸との比を計算することにより、時系列データの縦横比を維持して言語化を行う。

〔ＰＩＤ制御への適用〕
次に、図１１〜１４を参照して、解析装置１の解析結果をＰＩＤ制御装置１００に用いる例について説明する。ＰＩＤ制御では、クラスタ化された時系列データの特徴を用いて制御すべき時点（傾向変更点）を発見する。そして、ｐｖ（Process Variable）値（測定値）の傾向が変わったと判断したときに、あらかじめ設定していたＰＩＤ制御の調整を行う。なお、クラスタ化された時系列データを言語化した結果を用いて傾向を判断し、ＰＩＤ制御の調整を行ってもよい。

図１１は、ＰＩＤ制御装置に用いた例を説明するための図である。図１１に示す例では、ｐｖ値、ｓｖ（Set Variable）値（目標値）、ｍｖ（Manipulative Variable）値（操作量）が示されている。

従来のＰＩＤ制御では、ｐｖ値のグラフとｘ軸対称の形になるようにＰＩＤの出力が調整される。具体的には、ｓｖ値とｐｖ値との差分が小さくなるような方向でＰＩＤ制御が行われる。この場合、例えば、図１１の（ａ）に示すようにｐｖ値がｓｖ値よりも一定の傾きで下がっていくとき、上述のような従来の調整を行うと、ｐｖ値の行き過ぎ（図１１の（ａ）の１１０１部分の直後におけるｐｖ値のオーバーシュート）が起きてしまう。

そこで、例えば、ＰＩＤ制御をごみ焼却施設におけるごみ焼却炉の燃焼制御に用いる場合、例えば、ごみを燃やして出た廃熱蒸気（蒸気タービンにより発電を行う）の蒸発量ｐｖ値が蒸発量ｓｖ値に対して減少してきたところで燃焼制御を行う。具体的には、制御装置において、炉内カメラにより、ごみの燃え切り点が炉内前方に来ていることを確認できた場合は、給じん装置のスピードを下げる。また、ごみがないことを確認できた場合は給じん装置のスピードを速める。このような制御を行うことにより、蒸発量（ごみの燃焼）を安定させることができる。

すなわち、上記の構成によれば、蒸気量のクラスタ化された時系列データの特徴によりリアルタイムに的確に時系列データの傾向（トレンド）を把握し、上記のような適切な制御を実行することができる。これにより、人手を介することなく、きめ細やかな制御を行うことが可能となる。

また、図１１の（ｂ）に示す例のように時系列データとしてのｍｖ値が発散している場合、従来のＰＩＤ制御では、振動を打ち消すような調整を行っていた。しかし、このような従来の方法で調整を行った場合、位相のずれが発生し、適切に調整できなくなる可能性がある。さらに、ずれがさらなるずれを呼んでしまい、より激しい振動となってしまう可能性もある。ＰＩＤ制御は、制御の遅れが生ずるというデメリットがあるためである。

本実施形態のように、クラスタ化された時系列データを用いて、調整を行うことにより、上述した不具合を防止することができる。例えば、時系列データの過去の波形の形状を記憶させておき、計測データで類似の形状の波形を検索して、調整を開始することにより、遅れが生じない制御が可能となる。よって、操作量が必要以上に発散するような不適切な制御が行われることを抑制することができる。

また、ＰＩＤ制御を行った場合、図１２に示すようなオフセットが生じてしまうことがある。この場合、従来では「標準偏差大」等の警報を出力し、作業員に知らせ、手動で調整していた。

本実施形態のように、クラスタ化された時系列データを用いて、調整を行うことにより、上述した不具合を防止することができる。例えば、オフセットの形状を記憶させておき、計測データで類似した形状を検索し、調整する（積分ゲイン（Ｉ）を増幅させる）ことによりオフセットを解消することができる。

また、本実施形態によれば、「オフセットではない」と判断することも可能となる。予め、基準を設定しておくとこにより、自動調整も可能である。

一般的に、オフセットが生じた場合、積分ゲイン（Ｉ）を大きくすることにより対応する。しかし、大きくし過ぎた場合、振動が発生する恐れがある。従来の技術は、オフセットを発見しても、積分ゲイン（Ｉ）の調整は手動で行っている。また、調整した結果の確認も人間が行っている。

本実施形態によれば、予め設定していた積分ゲイン（I）の調整値に不具合があったとしても、自動調整を行うことにより、最適な出力とすることができる。

〔ＰＩＤ制御の自動調整〕
図１３は、上述したクラスタ化した時系列データの言語化の結果とＰＩＤの比率とが対応付けられた例を示す図である。このように、予め言語化の結果と調整内容としてのＰＩＤの比率とを対応付けたテーブルを用意することにより、ＰＩＤ制御の自動調整が可能となる。なお、以下においてＰ比、Ｉ比、Ｄ比とはＰＩＤ制御における比例動作（Ｐ）、積分動作（Ｉ）、および微分動作（Ｄ）の割合である。

図１３の（ａ）では、言語化された傾きとＰＩＤの比率との関係の例を示している。例えば、言語化の結果、「少し減少」６０％、「中ぐらい減少」が４０％であれば、ＰＩＤのＰ比をＡ×６０％＋Ｄ×４０％とし、Ｉ比をＢ×６０％＋Ｅ×４０％とし、Ｄ比をＣ×６０％＋Ｆ×４０％として、出力する。

図１３の（ｂ）では、言語化された傾きとＰＩＤの比率との関係に加えて、操作量との関係も含めた例を示している。例えば、言語化の結果、「少し減少」が６０％、「中ぐらい減少」が４０％であれば操作量Ｉ’を６０％、ＩＩ’を４０％にした操作量とする。

すなわち、本実施形態では、ある時系列データに関して、言語化の各分類に対する類似度合いを算出して、換言すれば、複数の分類（言語）に対してそれぞれメンバシップ値（寄与度合い）を算出して、言語化の出力値としている。

なお、蒸発量ｐｖ値がｓｖ値から離れてきたということをｐｖ値とｓｖ値とを比較して判断してもよいし、ｐｖ値単体で時系列データをクラスタ化して判断してもよい。また、ｐｖ値の形状だけではなく、炉内カメラを見る等、複数の判断基準を用いることにより調整の精度を上げることができる。図１３の（ｃ）に、ｐｖ値の形状（傾き）と炉内画像と操作内容（分類内容）とを対応付けた例を示す。図１３の（ｃ）に示す例では、ｐｖ値の形状が「中ぐらい減少８０％、ほぼ一定２０％」で、炉内画像が「燃え切り点が手前」の場合、「給じん装置の速度ＰＶをａ下げる」調整を行う。

また、以下のような調節方法も考えらえる。図１４の（ａ）に示すように制御調整前において、時系列データの振幅が所定値を超えた場合、自動調整を行い、ＰＩＤパラメータまたは操作量を変更する。これを繰り返すことにより、常に、適切なＰＩＤパラメータまたは操作量とすることができる。

さらに、図１４の（ｂ）に示すように、波長が長くなっている場合、自動調整を行い、ＰＩＤパラメータまたは操作量を変更して波長を短くすることもできる。

自動で調整を行い、自動で評価を行ってもよい。評価の方法は、制御後に計測した時系列データが設定値よりもどれだけ離れているか（もしくは操作量がどれだけ収束するか）で行う。計測値が設定値よりも離れていた場合（これもファジィ的に判断してよい）、ＰＩＤ比率が適切でなかったと判断し、以降、同様の場合に当該ＰＩＤ制御が実行されないようにしてもよい。

また、学習処理を行う構成であってもよい。すなわち、制御の結果が適切と判断された場合は、そのデータを蓄積し、制御結果が不適切と判断された場合は、その制御内容を消去するものであってもよい。

〔パラメータの設定例〕
パラメータは、ユーザが指定、設定することができる。例えば、ユーザは、パラメータとして次のような値を設定することができる。
グラフの縦軸の最大値= 50.0
グラフの縦軸の最小値= 0.0
graoph_r：時系列データを表示する際の縦横比
グラフの縦横比率(固定)= 4.89361702
クラスタの大きさを表すファジィ集合のパラメータa= 0.1
クラスタの大きさを表すファジィ集合のパラメータb= 0.2
クラスタの大きさで補正をかけるパラメータk= 100.0
w1(平均が似ていてクラスタが小さいとき)= 1.00 w1(平均が似ていてクラスタが大きいとき)= 0.2
w2(平均が似ていてクラスタが小さいとき)= 0.00 w2(平均が似ていてクラスタが大きいとき)= 0.5
w3(平均が似ていてクラスタが小さいとき)= 0.00 w3(平均が似ていてクラスタが大きいとき)= 0.3
w1(角度が似ていてクラスタが小さいとき)= 0.00 w1(角度が似ていてクラスタが大きいとき)= 0.2
w2(角度が似ていてクラスタが小さいとき)= 1.00 w2(角度が似ていてクラスタが大きいとき)= 0.5
w3(角度が似ていてクラスタが小さいとき)= 0.00 w3(角度が似ていてクラスタが大きいとき)= 0.3
最終的なクラスタの幅の最小値=60
〔適用例〕
図１５は、本実施形態を適用したクラスタ化された時系列データの例、および言語化の結果の例を示す図である。

図１５の（ａ）に示すように、本実施形態では、時系列データを、傾向が似ている部分で自動的にクラスタ化する。図１５の（ａ）に示す例では、クラスタＣ００１、クラスタＣ００２、クラスタＣ００３、クラスタＣ００４の４個にクラスタ化されている。

図１５の（ｂ）には、クラスタ化された時系列データの言語化の結果、および抽出された特徴の結果が示されている。なお、図１５の（ｂ）に示す各用語の意味は以下の通りである。
全体的傾向：クラスタ化した区間の時系列データ（グラフ）の全体的な傾向。
局所時刻：各クラスタ間をファジィ的に三分割して、全体的な傾向のグラフから最も離れている点が区間のどの位置にあるかを示す。
局所値：局所時刻にある値に関して、全体的に見てどのような傾向であるかを示す。
位置：表示されているグラフがどの位置にあるかを示す。
振動前期：区間を単純に三分割し、前期部分でどれだけ振動しているかを示す。
振動中期：区間を単純に三分割し、中期部分でどれだけ振動しているかを示す。
振動後期：区間を単純に三分割し、後期部分でどれだけ振動しているかを示す。

ここでは、例えば、クラスタＣ００１について、全体的傾向が「ほぼ一定」（０．８７３）、「少減少（少し減少）」（０．１２７）、局所時刻が、「前期」（０．８８４）、「中期」（０．１１６）、局所値が、「少減少（少し減少）」（０．６９８）、「中減少（中くらい減少）」（０．３０２）、位置が、「少高（少し高い）」（０．９９３）、「少低（少し低い）」（０．００７）、振動前期が、「小で少（標準偏差が小さく、振動回数が少ない）」（０．６５４）、「小でなし（標準偏差が小さく、振動していない）」（０．１８８）、「なしで少（標準偏差がなく、振動回数が少ない）」（０．１２３）、「なしでなし（標準偏差がなく、振動していない）」（０.０３５）、振動中期が、「なしで少（標準偏差がなく、振動回数が少ない）」（０．６９２）、「小で少（標準偏差が小さく、振動回数が少ない）」（０．３０３）、「なしでなし（標準偏差がなく、振動していない）」（０．００３）、「小でなし（標準偏差が小さく、振動していない）」（０．００２）、振動後期が、「なしで少（標準偏差がなく、振動回数が少ない）」（０．４４７）、「なしでなし（標準偏差がなく、振動していない）」（０．１３８）、「小でなし（標準偏差が小さく、振動していない）」（０．０９８）となっている。なお、括弧内の数字は割合を示す。以下、他のクラスタについても同様である。

以上のように、本実施形態によれば、時系列データを傾向の類似性から複数のクラスタに分け、クラスタごとの全体的な傾向、局所的な特徴、振動、グラフの位置等が言語化されて出力される。

〔本実施形態による具体的な効果〕
ごみ焼却施設等のセンサから得られた時系列データはとても複雑であるため、現状、時系列データの分析は目視で行っていることが多い。しかし、目視では時系列データの表現や、傾向が変わったところを判断する基準が、確認するたびに変わってしまう可能性がある。人間は基準を維持することが難しく、また、正しい判断基準も誤った判断基準も忘却してしまう可能性があるためである。

本実施形態によれば、時系列データを定められた基準によりクラスタ化するため、同じ時系列データは、必ず同じようにクラスタ化され、同じように言語化される。また、現在、人が目視で行っている作業を自動化することが可能なので、処理時間の短縮、人件費の抑制に繋げることができる。

また、従来、ＰＩＤ制御の設定値は、測定値が沿うような値を使用していた。したがって、測定値が設定値から大きく離れた場合、適切に調整することができず、人が手動で介入し調整していた。

本実施形態によれば、時系列データの傾向（トレンド）を把握することが可能なので、
時系列データの傾向が変わった部分を判定し、ＰＩＤ制御に用いることができる。これにより、傾向が変わった部分以降について、適切にＰＩＤ制御により調整することができる。

また、詳細な制御が必要な場合、測定値および設定値の時系列データを数式で表現し、条件を付してＤＣＳ（Distributed Control System ：分散制御システム）に組み込むことになる。しかし、この方法は多種多様な時系列データに対して、計算式を正確に導出する必要があり容易ではない。さらに、この方法は閾値による判断を行うため柔軟に対応することが難しい。

本実施形態によれば、時系列データの傾向を言語化するため人間の感覚と同様に制御することができる。よって、計算式を正確に導出する必要がない。また、時系列データの形状そのものを識別するため、過去の類似パターンを検索して、現在の時系列データの状態を把握することが可能となる。

また、従来の技術では、特徴が似ている部分で区切ったクラスタの時系列データを、グラフの縦横比のまま言語化していた。よって、クラスタ化された時系列データの形状が人間の感覚と一致するとは限らず、人間の感覚に適した言語化をすることが出来ないことがあった。また、データを正規化するという方法は存在する（例えば、カーネル法など）が、クラスタ化された時系列データを正規化する方法は存在していない。

本実施形態では、クラスタ化された時系列データを正規化することで、クラスタ化した時系列データの縦横比を維持することができ、人間の感覚に合った言語化をすることができる。

また、画像処理でよく使用されている技術の1つにパターンマッチングがある。この技術は、各点の座標の差の絶対値の和もしくは二乗を計算し、これらの差が大きいほど似ていないと判断する。パターンマッチングの短所として、振動や振幅のずれ（形状が同じで波長であっても位相がずれているような場合）は判断できないことが挙げられる。時系列データは対象データによっては時間幅がずれることがあり、パターンマッチングでは時系列データを適切に解析することが難しい。

本実施形態によれば、時系列データの傾向を判断するので、振動や振幅の周期がずれたとしても、適切に判断することができる。

また、一般的な自動制御調節（オートチューニング）に、「ステップ応答法」や「限界感度法」がある。これらの方法は、実際にデータを入力しその出力を見て、ＰＩＤパラメータを調節する。したがって、実際に動作させなければ、調節することができないという短所がある。また、エアコンの温度調整のような単純な調整であれば、オートチューニングは適切であるが、複雑なデータの場合、常にＰＩＤパラメータが調整されてしまい、制御が不安定になる可能性がある。特に、ごみ焼却施設では、常に燃料の質が変化するため、時系列データが複雑なものになりやすい。

本実施形態では、予め、時系列データの傾向と制御ルール（ＰＩＤパラメータ、操作量）とを対応付けて記憶させているので、時系列データの傾向から、ＰＩＤパラメータおよび操作量を調整することができる。
また、測定値が設定値から一定以上離れた場合にのみ制御調整を行うことにより、制御が不安定になる恐れがなくなる。さらに、複雑な時系列データでも、時系列データの形状の傾向と制御ルールとを対応付けて記憶させているため、人間が考える制御に近づけて制御することが期待できる。

また、従来の自動制御調節（オートチューニング）では、人間が時系列データのパターンが変わったと判断して、オートチューニングを行わなければならなかった。

本実施形態では、装置により、時系列データの傾向が変わったと判断することできるので、自動的に適切な調整を行うことができる。

本発明の一態様は以下のように表現することもできる。

本発明の一態様に係るデータ解析装置では、前記クラスタ分割部は、時系列方向に隣接した前記中間クラスタ同士の類似度を用いて前記統合を行うものであってもよい。

前記の構成によれば、隣接する中間クラスタ同士を統合することができる。

本発明の一態様に係るデータ解析装置では、前記クラスタ分割部は、対象となる前記中間クラスタと時系列方向に隣接する前記中間クラスタにさらに隣接する前記中間クラスタとの類似度を用いて、当該３つの前記中間クラスタの統合を行うものであってもよい。

前記の構成によれば、中間クラスタを間に挟んだ中間クラスタ同士を、間に挟まれた中間クラスタも含めて統合することができる。これにより、隣接していないが類似している中間クラスタ同士を適切に統合することができる。

本発明の一態様に係るデータ解析装置では、前記クラスタ分割部は、前記中間クラスタの時系列方向の長さに応じた前記類似度を用いて前記中間クラスタを統合するものであってもよい。

前記の構成によれば、時系列方向の長さに応じた類似度となる。これにより、時系列方向の長さが短い中間クラスタを統合させやすくすることができる。

本発明の一態様に係るデータ解析装置では、分割時の縦横比を維持したままの、前記最終クラスタにおける前記時系列データの形状に、当該形状の特徴を示す分類内容を当てはめる特徴表現部を備えていてもよい。

前記の構成によれば、分割時の縦横比を維持したままの最終クラスタにおける時系列データの形状の特徴を示す分類内容が当てはめられるので、従来のように、時系列データを示すグラフの縦横比における形状の特徴を示す分類内容を当てはめる場合と比較して、形状の特徴をより適切に示す内容にあてはめることができる。

本発明の一態様に係るデータ解析装置では、前記特徴表現部は、前記時系列データの形状を、複数の前記分類内容に当てはめるとともに、各分類内容に対する寄与度合いを算出するものであってもよい。

前記の構成によれば、時系列データの形状から寄与度合い（メンバシップ値）を算出することができる。

本発明の一態様に係るデータ解析装置では、前記特徴表現部は、前記時系列データの形状に、当該形状の特徴を示す言語を当てはめて言語化するものであってもよい。

前記の構成によれば、時系列データの形状を言語化することができる。

本発明の一態様に係る制御装置では、前記制御装置は、ＰＩＤ（Ｐｒｏｐｏｒｔｉｏｎａｌ-Integral-Differential）制御を実行するものであり、前記フィードバック制御部は、ＰＩＤ制御における比例動作（Ｐ）、積分動作（Ｉ）、および微分動作（Ｄ）の比率、および操作量を制御するものであってもよい。

前記の構成によれば、前述したデータ解析装置によって分割された最終クラスタにおける時系列データの形状の特徴を用いてＰＩＤ制御における比例動作（Ｐ）、積分動作（Ｉ）、および微分動作（Ｄ）の比率、および操作量を制御することができる。

〔ソフトウェアによる実現例〕
解析装置１およびＰＩＤ制御装置１００の制御ブロック（特にクラスタ処理部１１（初期クラスタ作成部１１３、クラスタ値算出部１１４、重み付け部１１５、類似度判定部１１６、クラスタ統合部１１７、クラスタ数判定部１１８）、特徴抽出部１２、特徴表現部１３、およびＰＩＤパラメータ変更部１３０）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ＣＰＵ（Central Processing Unit）を用いてソフトウェアによって実現してもよい。

後者の場合、解析装置１およびＰＩＤ制御装置１００は、各機能を実現するソフトウェアであるプログラムの命令を実行するＣＰＵ、上記プログラムおよび各種データがコンピュータ（またはＣＰＵ）で読み取り可能に記録されたＲＯＭ（Read Only Memory）または記憶装置（これらを「記録媒体」と称する）、上記プログラムを展開するＲＡＭ（Random Access Memory）などを備えている。そして、コンピュータ（またはＣＰＵ）が上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記記録媒体としては、「一時的でない有形の媒体」、例えば、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１ 解析装置（データ解析装置）
１０ 制御部
１１ クラスタ処理部（クラスタ分割部）
１２ 特徴抽出部
１３ 特徴表現部
２０、１２０ 記憶部
２１ 言語化データ
３０ 言語化パラメータ設定部
４０ データ入力部（データ取得部）
５０ 出力部
１００ ＰＩＤ制御装置（制御装置）
１１０ データ取得部（送信部）
１１３ 初期クラスタ作成部
１１４ クラスタ値算出部
１１６ 類似度判定部
１１７ クラスタ統合部
１１８ クラスタ数判定部
１３０ ＰＩＤパラメータ変更部（フィードバック制御部）

Claims (8)

1. プロセス制御に用いられる時系列データを解析するデータ解析装置であって、
   前記時系列データを取得するデータ取得部と、
   前記時系列データを時系列に沿って分割した中間クラスタの特徴を示す複数種類の指標を重み付けして、前記重み付けの割合を前記中間クラスタの時系列方向の長さに応じて異ならせて算出した判定値から求めた前記中間クラスタ同士の類似度を用いて前記中間クラスタを統合することにより、前記時系列データを所定数の最終クラスタに分割するクラスタ分割部と、
   分割した結果を出力する出力部と、を備えていることを特徴とするデータ解析装置。
2. プロセス制御に用いられる時系列データを解析するデータ解析装置であって、
   前記時系列データを取得するデータ取得部と、
   前記時系列データを時系列に沿って分割した中間クラスタの特徴を示す複数種類の指標から算出した判定値から求めた前記中間クラスタ同士の類似度を用いて前記中間クラスタを統合することにより、前記時系列データを所定数の最終クラスタに分割するクラスタ分割部と、
   分割した結果を出力する出力部と、を備え、前記指標は、前記中間クラスタにおける前記時系列データの代表値、前記中間クラスタにおける前記時系列データの変化の傾向を示す変化状態指標、および前記中間クラスタにおける前記時系列データの振動の傾向を示す振動状態指標の少なくとも何れかであることを特徴とするデータ解析装置。
3. 前記クラスタ分割部は、
   前記中間クラスタの時系列方向の長さが所定の長さよりも長い場合、前記指標のうち前記変化状態指標の重みを前記代表値の重みよりも大きくして前記判定値を算出し、
   前記中間クラスタの時系列方向の長さが所定の長さよりも短い場合、前記指標のうち前記代表値の重みを前記変化状態指標の重みより大きくして前記判定値を算出することを特徴とする請求項２に記載のデータ解析装置。
4. 外部装置から収集された時系列データに基づいて制御対象を制御する制御装置であって、
   前記時系列データを請求項１〜３のいずれか１項に記載されたデータ解析装置に送信する送信部と、
   前記データ解析装置から出力された前記時系列データの分割結果である前記最終クラスタにおける前記時系列データの形状の特徴を用いて、フィードバック制御を行うフィードバック制御部と、を備えていることを特徴とする制御装置。
5. プロセス制御に用いられる時系列データを解析するデータ解析装置の制御方法であって、
   前記時系列データを取得するデータ取得ステップと、
   前記時系列データを時系列に沿って分割した中間クラスタの特徴を示す複数種類の指標から算出した判定値から求めた前記中間クラスタ同士の類似度を用いて前記中間クラスタを統合することにより、前記時系列データを所定数の最終クラスタに分割するクラスタ分割ステップと、
   分割した結果を出力する出力ステップと、を含み、
   前記指標は、前記中間クラスタにおける前記時系列データの代表値、前記中間クラスタにおける前記時系列データの変化の傾向を示す変化状態指標、および前記中間クラスタにおける前記時系列データの振動の傾向を示す振動状態指標の少なくとも何れかであることを特徴とするデータ解析装置の制御方法。
6. プロセス制御に用いられる時系列データを解析するデータ解析装置の制御方法であって、
   前記時系列データを取得するデータ取得ステップと、
   前記時系列データを時系列に沿って分割した中間クラスタの特徴を示す複数種類の指標を重み付けして、前記重み付けの割合を前記中間クラスタの時系列方向の長さに応じて異ならせて算出した判定値から求めた前記中間クラスタ同士の類似度を用いて前記中間クラスタを統合することにより、前記時系列データを所定数の最終クラスタに分割するクラスタ分割ステップと、
   分割した結果を出力する出力ステップと、を含むことを特徴とするデータ解析装置の制御方法。
7. 請求項１または２に記載のデータ解析装置としてコンピュータを機能させるための制御プログラムであって、上記クラスタ分割部としてコンピュータを機能させるための制御プログラム。
8. 請求項７に記載の制御プログラムを記録したコンピュータ読み取り可能な記録媒体。

Images