JP7222344B2 - 判定装置、判定方法、判定プログラム、学習装置、学習方法、および、学習プログラム - Google Patents

判定装置、判定方法、判定プログラム、学習装置、学習方法、および、学習プログラム Download PDF

Info

Publication number
JP7222344B2
JP7222344B2 JP2019221233A JP2019221233A JP7222344B2 JP 7222344 B2 JP7222344 B2 JP 7222344B2 JP 2019221233 A JP2019221233 A JP 2019221233A JP 2019221233 A JP2019221233 A JP 2019221233A JP 7222344 B2 JP7222344 B2 JP 7222344B2
Authority
JP
Japan
Prior art keywords
data
learning
preprocessing
determination
unit
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
Application number
JP2019221233A
Other languages
English (en)
Other versions
JP2021092831A (ja
Inventor
英幸 藤井
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yokogawa Electric Corp
Original Assignee
Yokogawa Electric Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yokogawa Electric Corp filed Critical Yokogawa Electric Corp
Priority to JP2019221233A priority Critical patent/JP7222344B2/ja
Priority to US17/099,715 priority patent/US20210174254A1/en
Priority to EP20208622.9A priority patent/EP3832557B1/en
Priority to CN202011414275.1A priority patent/CN112927129A/zh
Publication of JP2021092831A publication Critical patent/JP2021092831A/ja
Application granted granted Critical
Publication of JP7222344B2 publication Critical patent/JP7222344B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T3/00—Geometric image transformations in the plane of the image
    • G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
    • G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0221—Preprocessing measurements, e.g. data collection rate adjustment; Standardization of measurements; Time series or signal analysis, e.g. frequency analysis or wavelets; Trustworthiness of measurements; Indexes therefor; Measurements using easily measured parameters to estimate parameters difficult to measure; Virtual sensor creation; De-noising; Sensor fusion; Unconventional preprocessing inherently present in specific fault detection methods like PCA-based methods
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
    • G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
    • G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Description

本発明は、判定装置、判定方法、判定プログラム、学習装置、学習方法、および、学習プログラムに関する。
従来、工場や設備等の測定対象に設けられた機器からデータを取得し、学習モデルを用いて測定対象の状態を判定する技術が知られている。
［先行技術文献］
［特許文献］
［特許文献１］ 特開２０１９－１０１４９５号公報
測定対象の状態を判定するにあたって、測定対象を測定したデータを前処理する場合がある。この場合、測定対象の状態を判定する際に用いる学習モデルに応じた前処理アルゴリズムを適用することが望ましい。
上記課題を解決するために、本発明の第１の態様においては、判定装置を提供する。判定装置は、測定対象を測定した時系列データである判定用データを取得する判定用データ取得部を備えてよい。判定装置は、測定対象の状態を出力する学習モデルの学習のために用いられた前処理アルゴリズムにより、判定用データを前処理する判定用データ前処理部を備えてよい。判定装置は、学習モデルを用いて、前処理された判定用データに基づいて、測定対象の状態を判定する判定部を備えてよい。
判定用データ前処理部は、判定用データに対して補間処理を実行してよい。
補間処理は、前回値補間処理であってよい。
補間処理は、直線補間処理であってよい。
判定用データ前処理部は、判定用データに対して波形圧縮処理を実行してよい。
判定装置は、時系列データにおいて、データが取得できていない期間が予め定められた期間を超える場合に、エラーを通知するエラー通知部をさらに備えてよい。
判定装置は、測定対象を測定した時系列データである学習用データを取得する学習用データ取得部と、学習用データを前処理する前処理アルゴリズムを決定する前処理決定部と、前処理アルゴリズムにより学習用データを前処理する学習用データ前処理部と、前処理された学習用データを用いて、学習モデルを学習する学習部と、前処理アルゴリズムを特定する情報を学習モデルと対応付けて出力する前処理情報出力部とをさらに備えてよい。
判定装置は、学習モデルをさらに備えてよい。
本発明の第２の態様においては、判定方法を提供する。判定方法は、測定対象を測定した時系列データである判定用データを取得することを備えてよい。判定方法は、測定対象の状態を出力する学習モデルの学習のために用いられた前処理アルゴリズムにより、判定用データを前処理することを備えてよい。判定方法は、学習モデルを用いて、前処理された判定用データに基づいて、測定対象の状態を判定することを備えてよい。
本発明の第３の態様においては、判定プログラムを提供する。判定プログラムは、コンピュータにより実行されてよい。判定プログラムは、コンピュータを、測定対象を測定した時系列データである判定用データを取得する判定用データ取得部として機能させてよい。判定プログラムは、コンピュータを、測定対象の状態を出力する学習モデルの学習のために用いられた前処理アルゴリズムにより、判定用データを前処理する判定用データ前処理部として機能させてよい。判定プログラムは、コンピュータを、学習モデルを用いて、前処理された判定用データに基づいて、測定対象の状態を判定する判定部として機能させてよい。
本発明の第４の態様においては、学習装置を提供する。学習装置は、測定対象を測定した時系列データである学習用データを取得する学習用データ取得部を備えてよい。学習装置は、学習用データを前処理する前処理アルゴリズムを決定する前処理決定部を備えてよい。学習装置は、前処理アルゴリズムにより学習用データを前処理する学習用データ前処理部を備えてよい。学習装置は、前処理された学習用データを用いて、測定対象の状態を出力する学習モデルを学習する学習部を備えてよい。学習装置は、前処理アルゴリズムを特定する情報を学習モデルと対応付けて出力する前処理情報出力部を備えてよい。
本発明の第５の態様においては、学習方法を提供する。学習方法は、測定対象を測定した時系列データである学習用データを取得することを備えてよい。学習方法は、学習用データを前処理する前処理アルゴリズムを決定することを備えてよい。学習方法は、前処理アルゴリズムにより学習用データを前処理することを備えてよい。学習方法は、前処理された学習用データを用いて、測定対象の状態を出力する学習モデルを学習することを備えてよい。学習方法は、前処理アルゴリズムを特定する情報を学習モデルと対応付けて出力することを備えてよい。
本発明の第６の態様においては、学習プログラムを提供する。学習プログラムは、コンピュータにより実行されてよい。学習プログラムは、コンピュータを、測定対象を測定した時系列データである学習用データを取得する学習用データ取得部として機能させてよい。学習プログラムは、コンピュータを、学習用データを前処理する前処理アルゴリズムを決定する前処理決定部として機能させてよい。学習プログラムは、コンピュータを、前処理アルゴリズムにより学習用データを前処理する学習用データ前処理部として機能させてよい。学習プログラムは、コンピュータを、前処理された学習用データを用いて、測定対象の状態を出力する学習モデルを学習する学習部として機能させてよい。学習プログラムは、コンピュータを、前処理アルゴリズムを特定する情報を学習モデルと対応付けて出力する前処理情報出力部として機能させてよい。
なお、上記の発明の概要は、本発明の必要な特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。
本実施形態に係る判定装置１００のブロック図の一例を示す。 本実施形態に係る判定装置１００が測定対象の状態を判定するフローの一例を示す。 本実施形態に係る学習装置３００のブロック図の一例を示す。 本実施形態に係る学習装置３００が学習モデル３５０を学習するフローの一例を示す。 前回値補間処理の前後における時系列データの一例を示す。 直線補間処理の前後における時系列データの一例を示す。 波形圧縮処理の前後における時系列データの一例を示す。 本実施形態の変形例に係る判定装置１００のブロック図の一例を示す。 データが取得できていない期間が予め定められた期間を超える場合における時系列データの一例を示す。 本実施形態の変形例に係る判定装置１００がエラーを通知するフローの一例を示す。 本実施形態の別の変形例に係る判定装置１００のブロック図の一例を示す。 本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ２２００の例を示す。
以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。
図１は、本実施形態に係る判定装置１００のブロック図の一例を示す。判定装置１００は、学習モデルを用いて、測定対象を測定した時系列データである判定用データに基づいて、測定対象の状態を判定する。この際、本実施形態に係る判定装置１００は、学習モデルの学習のために用いられた前処理アルゴリズムにより、判定用データを前処理する。
本実施形態においては、判定装置１００が、プラントに設けられたフィールド機器から時系列に取得した判定用データに基づいて、プラントの劣化や異常を判定する場合について一例として説明する。
このようなプラントは、例えば、化学等の工業プラントの他、ガス田や油田等の井戸元やその周辺を管理制御するプラント、水力・火力・原子力等の発電を管理制御するプラント、太陽光や風力等の環境発電を管理制御するプラント、および、上下水やダム等を管理制御するプラント等であってよい。
また、このようなプラントに設けられたフィールド機器は、例えば、圧力計、流量計、温度センサ等のセンサ機器、流量制御弁や開閉弁等のバルブ機器、ファンやモータ等のアクチュエータ機器、プラント内の状況や対象物を撮影するカメラやビデオ等の撮像機器、プラント内の異音等を収集したり警報音等を発したりするマイクやスピーカ等の音響機器、および、各機器の位置情報を出力する位置検出機器等であってよい。
しかしながら、これに限定されるものではない。判定装置１００は、プラントとは異なる他の設備や機器等を判定の対象としてもよい。
判定装置１００は、ＰＣ（パーソナルコンピュータ）、タブレット型コンピュータ、スマートフォン、ワークステーション、サーバコンピュータ、または汎用コンピュータ等のコンピュータであってよく、複数のコンピュータが接続されたコンピュータシステムであってもよい。このようなコンピュータシステムもまた広義のコンピュータである。また、判定装置１００は、コンピュータ内で１または複数実行可能な仮想コンピュータ環境によって実装されてもよい。これに代えて、判定装置１００は、測定対象の状態判定用に設計された専用コンピュータであってもよく、専用回路によって実現された専用ハードウェアであってもよい。また、判定装置１００がインターネットに接続可能な場合、判定装置１００は、クラウドコンピューティングにより実現されてもよい。
判定装置１００は、学習モデル取得部１１０、前処理情報取得部１２０、判定用データ取得部１３０、判定用データ前処理部１４０、判定部１５０、および、判定結果出力部１６０を備える。なお、これらブロックは、それぞれ機能的に分離された機能ブロックであって、実際のデバイス構成とは必ずしも一致していなくてもよい。すなわち、本図において、１つのブロックとして示されているからといって、それが必ずしも１つのデバイスにより構成されていなくてもよい。また、本図において、別々のブロックとして示されているからといって、それらが必ずしも別々のデバイスにより構成されていなくてもよい。
学習モデル取得部１１０は、測定対象を測定した時系列データである判定用データを入力して測定対象の状態を出力する学習モデルを取得する。例えば、学習モデル取得部１１０は、学習装置が測定対象を測定した時系列データである学習用データを用いて学習した学習モデルを、ネットワークを介して学習装置から取得する。学習モデル取得部１１０は、取得した学習モデルを判定部１５０へ供給する。
前処理情報取得部１２０は、学習モデル取得部１１０が取得した学習モデルの学習のために用いられた前処理アルゴリズムを特定する情報を取得する。例えば、前処理情報取得部１２０は、学習装置が学習モデルを学習する際に、学習用データに対して実行した前処理アルゴリズムを特定する情報を、ネットワークを介して学習装置から取得する。前処理情報取得部１２０は、取得した前処理アルゴリズムを特定する情報を、判定用データ前処理部１４０へ供給する。
判定用データ取得部１３０は、測定対象を測定した時系列データである判定用データを取得する。例えば、判定用データ取得部１３０は、プラントに設けられた複数のフィールド機器が測定した時系列データを記憶する測定データＤＢ（Ｄａｔａｂａｓｅ）から、ネットワークを介して判定用データを取得する。判定用データ取得部１３０は、取得した判定用データを判定用データ前処理部１４０へ供給する。
判定用データ前処理部１４０は、測定対象の状態を出力する学習モデルの学習のために用いられた前処理アルゴリズムにより、判定用データを前処理する。例えば、判定用データ前処理部１４０は、前処理情報取得部１２０から供給された前処理アルゴリズムを特定する情報に基づいて、測定対象の状態を出力する学習モデルの学習のために用いられた前処理アルゴリズムを特定する。そして、判定用データ前処理部１４０は、特定した前処理アルゴリズムにより、判定用データ取得部１３０から供給された判定用データを前処理する。判定用データ前処理部１４０は、前処理された判定用データを、判定部１５０へ供給する。
判定部１５０は、学習モデルを用いて、前処理された判定用データに基づいて、測定対象の状態を判定する。例えば、判定部１５０は、学習モデル取得部１１０から供給された学習モデルに、判定用データ前処理部１４０から供給された前処理された判定用データを入力した場合における学習モデルの出力に応じて、測定対象の異常等を判定する。判定部１５０は、測定対象の判定結果を判定結果出力部１６０へ供給する。
判定結果出力部１６０は、測定対象の判定結果を出力する。例えば、判定結果出力部１６０は、判定部１５０から供給された判定結果を、判定結果ＤＢ等の他の装置へ送信して出力する。
図２は、本実施形態に係る判定装置１００が測定対象の状態を判定するフローの一例を示す。
ステップ２１０において、判定装置１００は、学習モデルを取得する。例えば、学習モデル取得部１１０は、測定対象を測定した時系列データである判定用データを入力して測定対象の状態を出力する学習モデルを取得する。この際、学習モデル取得部１１０は、学習モデルと併せて、当該学習モデルを識別するための識別情報を取得してよい。そして、学習モデル取得部１１０は、取得した識別情報を前処理情報取得部１２０へ供給してよい。ここで、学習モデル取得部１１０が取得する学習モデルは、例えば、回帰分析、クラスター分析、主成分分析、ベクトル量子化、自己組織マップ、ニューラルネットワーク、サポートベクターマシン、ＩＤ３、および、単純ベイズ分類器等の様々なアルゴリズムによって学習されたものであってよい。一例として、学習モデル取得部１１０は、学習装置が測定対象を測定した時系列データである学習用データを用いて学習した学習モデルを、ネットワークを介して学習装置から取得する。しかしながら、これに限定されるものではない。学習モデル取得部１１０は、ユーザ入力や各種メモリデバイス等、ネットワークとは異なる他の手段を介して学習モデルを取得してもよい。また、学習モデル取得部１１０は、学習装置とは異なる他の装置から学習モデルを取得してもよい。学習モデル取得部１１０は、取得した学習モデルを判定部１５０へ供給する。
ステップ２２０において、判定装置１００は、前処理情報を取得する。例えば、前処理情報取得部１２０は、学習モデル取得部１１０から供給された識別情報に基づいて、学習モデル取得部１１０が取得した学習モデルを識別する。そして、前処理情報取得部１２０は、当該識別情報を検索キーとして、複数の学習モデルのそれぞれと対応付けて記憶された複数の前処理情報の中から、識別した学習モデルの学習のために用いられた前処理アルゴリズムを特定する情報を取得する。一例として、前処理情報取得部１２０は、学習装置が学習モデルを学習する際に、学習用データに対して実行した前処理アルゴリズムを特定する情報を、ネットワークを介して学習装置から取得する。しかしながら、これに限定されるものではない。前処理情報取得部１２０は、ユーザ入力や各種メモリデバイス等、ネットワークとは異なる他の手段を介して前処理アルゴリズムを特定する情報を取得してもよい。また、前処理情報取得部１２０は、学習装置とは異なる他の装置から前処理アルゴリズムを特定する情報を取得してもよい。前処理情報取得部１２０は、取得した前処理アルゴリズムを特定する情報を、判定用データ前処理部１４０へ供給する。
ステップ２３０において、判定装置１００は、判定用データを取得する。例えば、判定用データ取得部１３０は、測定対象を測定した時系列データである判定用データを取得する。一例として、判定用データ取得部１３０は、プラントに設けられた複数のフィールド機器が測定した時系列データを記憶する測定データＤＢから、ネットワークを介して判定用データを取得する。しかしながら、これに限定されるものではない。判定用データ取得部１３０は、ユーザ入力や各種メモリデバイス等、ネットワークとは異なる他の手段を介して判定用データを取得してもよい。また、判定用データ取得部１３０は、測定データＤＢとは異なる他の装置から判定用データを取得してもよい。判定用データ取得部１３０は、取得した判定用データを判定用データ前処理部１４０へ供給する。
ステップ２４０において、判定装置１００は、判定用データを前処理する。例えば、判定用データ前処理部１４０は、測定対象の状態を出力する学習モデルの学習のために用いられた前処理アルゴリズムにより、判定用データを前処理する。一例として、判定用データ前処理部１４０は、前処理情報取得部１２０から供給された前処理アルゴリズムを特定する情報に基づいて、測定対象の状態を出力する学習モデルの学習のために用いられた前処理アルゴリズムを特定する。そして、判定用データ前処理部１４０は、特定した前処理アルゴリズムにより、判定用データ取得部１３０から供給された判定用データを前処理する。ここで、判定用データ前処理部１４０は、前処理アルゴリズムとして、例えば、補間（前回値、平均値、中央値、最頻値、および、直線等）、波形圧縮、移動平均、標準化、および、正規化等の複数の処理の中から使用する処理、および、当該処理に適用する各種パラメータを特定し、特定した前処理アルゴリズムにより、判定用データを前処理する。前処理の詳細については後述する。判定用データ前処理部１４０は、前処理された判定用データを、判定部１５０へ供給する。
ステップ２５０において、判定装置１００は、測定対象の状態を判定する。例えば、判定部１５０は、学習モデルを用いて、前処理された判定用データに基づいて、測定対象の状態を判定する。一例として、判定部１５０は、学習モデル取得部１１０から供給された学習モデルに、判定用データ前処理部１４０から供給された前処理された判定用データを入力した場合における学習モデルの出力に応じて、測定対象の異常等を判定する。すなわち、判定部１５０は、学習モデルの学習のために用いられた前処理アルゴリズムによって前処理された判定用データを学習モデルに入力して、測定対象の状態を判定する。判定部１５０は、測定対象の判定結果を判定結果出力部１６０へ供給する。
ステップ２６０において、判定装置１００は、判定結果を出力して処理を終了する。例えば、判定結果出力部１６０は、判定部１５０から供給された判定結果（測定対象の異常や劣化等を示す結果）を、判定結果ＤＢ等の他の装置へ送信して出力する。しかしながら、これに限定されるものではない。判定結果出力部１６０は、判定部１５０から供給された判定結果を、モニタ等に表示出力してもよいし、スピーカ等から音声出力してもよいし、各種メモリデバイス等に書き出して出力してもよい。
一般に、サポートベクターマシンやロジスティック回帰等、勾配降下法などの距離を用いた学習モデルの場合、前処理で標準化や正規化などを行い、各時系列データのレンジ（スケール）を合せることで、判定の精度が向上する。また、各センサ等の特性によりノイズや無効値が含まれている場合、前処理で移動平均や適切なデータ補間を行うことで、判定の精度が向上する。したがって、本実施形態に係る判定装置１００は、学習モデルに応じた前処理アルゴリズムを判定用データに適用して、測定対象の状態を判定する。なお、このような前処理アルゴリズムは、後述する学習装置が学習モデルを機械学習する際に併せて決定されたものであってよい。
図３は、本実施形態に係る学習装置３００のブロック図の一例を示す。学習装置３００は、測定対象を測定した時系列データである学習用データを用いて、測定対象の状態を出力する学習モデルを学習する。この際、本実施形態に係る学習装置３００は、学習モデルに応じた前処理アルゴリズムを決定し、当該前処理アルゴリズムにより、学習用データを前処理するとともに、当該前処理アルゴリズムを特定する情報を学習モデルと対応付けて出力する。
学習装置３００は、ＰＣ（パーソナルコンピュータ）、タブレット型コンピュータ、スマートフォン、ワークステーション、サーバコンピュータ、または汎用コンピュータ等のコンピュータであってよく、複数のコンピュータが接続されたコンピュータシステムであってもよい。このようなコンピュータシステムもまた広義のコンピュータである。また、学習装置３００は、コンピュータ内で１または複数実行可能な仮想コンピュータ環境によって実装されてもよい。これに代えて、学習装置３００は、学習モデルの学習用に設計された専用コンピュータであってもよく、専用回路によって実現された専用ハードウェアであってもよい。また、学習装置３００がインターネットに接続可能な場合、学習装置３００は、クラウドコンピューティングにより実現されてもよい。
学習装置３００は、学習用データ取得部３１０、前処理決定部３２０、学習用データ前処理部３３０、学習部３４０、学習モデル３５０、および、前処理情報出力部３６０を備える。なお、これらブロックは、それぞれ機能的に分離された機能ブロックであって、実際のデバイス構成とは必ずしも一致していなくてもよい。すなわち、本図において、１つのブロックとして示されているからといって、それが必ずしも１つのデバイスにより構成されていなくてもよい。また、本図において、別々のブロックとして示されているからといって、それらが必ずしも別々のデバイスにより構成されていなくてもよい。
学習用データ取得部３１０は、測定対象を測定した時系列データである学習用データを取得する。例えば、学習用データ取得部３１０は、プラントに設けられた複数のフィールド機器が測定した時系列データを記憶する測定データＤＢから、ネットワークを介して学習用データを取得する。学習用データ取得部３１０は、取得した学習用データを、前処理決定部３２０および学習用データ前処理部３３０へ供給する。
前処理決定部３２０は、学習用データを前処理する前処理アルゴリズムを決定する。例えば、前処理決定部３２０は、学習用データ取得部３１０から供給された学習用データを用いて、学習用データ前処理部３３０および学習部３４０と協働して学習用データを前処理する前処理アルゴリズムを決定する。前処理アルゴリズムの決定の詳細については後述する。前処理決定部３２０は、決定した前処理アルゴリズムに関する情報を学習用データ前処理部３３０へ供給する。
学習用データ前処理部３３０は、前処理アルゴリズムにより学習用データを前処理する。例えば、学習用データ前処理部３３０は、前処理決定部３２０が決定した前処理アルゴリズムにより、学習用データ取得部３１０から供給された学習用データを前処理する。学習用データ前処理部３３０は、前処理した学習用データを学習部３４０へ供給する。また、学習用データ前処理部３３０は、学習用データを前処理した際に用いた前処理アルゴリズムを特定する情報を前処理情報出力部３６０へ供給する。
学習部３４０は、前処理された学習用データを用いて、測定対象の状態を出力する学習モデル３５０を学習する。例えば、学習部３４０は、学習用データ前処理部３３０により前処理された学習用データを用いて、学習モデル３５０を学習する。
学習モデル３５０は、測定対象を測定した時系列データである判定用データを入力して測定対象の状態を出力する。例えば、学習モデル３５０は、学習用データ前処理部３３０により前処理された学習用データを用いて、学習部３４０により学習されたものであってよい。学習モデル３５０は、判定装置１００等の他の装置へ供給されてよい。
前処理情報出力部３６０は、前処理アルゴリズムを特定する情報を学習モデル３５０と対応付けて出力する。例えば、前処理情報出力部３６０は、学習用データ前処理部３３０から供給された前処理アルゴリズムを特定する情報を、学習モデル３５０と対応付けて、判定装置１００等の他の装置へ出力してよい。
図４は、本実施形態に係る学習装置３００が学習モデル３５０を学習するフローの一例を示す。
ステップ４１０において、学習装置３００は、学習用データを取得する。例えば、学習用データ取得部３１０は、測定対象を測定した時系列データである学習用データを取得する。この際、学習用データ取得部３１０は、ステップ４１２において、学習区間を管理する情報を記憶する学習区間情報管理ＤＢから、ネットワークを介して学習区間を特定する情報を取得する。そして、学習用データ取得部３１０は、ステップ４１４において、当該学習区間に機器が測定した時系列データを、測定データＤＢから、ネットワークを介して取得する。
一例として、学習用データ取得部３１０は、測定対象の状態が"正常"であるとラベル付けされた区間を特定する情報を、学習区間を特定する情報として取得してよい。なお、このような学習区間は、時間的に連続する区間であってもよいし、時間的に離散する区間であってもよい。また、このような区間は、ＮＵＬＬ（データ抜け）の発生頻度が少ない区間として、人が選択した、または、自動的に選択された区間であってよい。そして、学習用データ取得部３１０は、測定対象の状態が"正常"であるとラベル付けされた区間において複数のフィールド機器が測定した時系列データを、学習用データとして取得してよい。
しかしながら、これに限定されるものではない。学習用データ取得部３１０は、ユーザ入力や各種メモリデバイス等、ネットワークとは異なる他の手段を介して学習用データを取得してもよい。また、学習用データ取得部３１０は、学習区間情報管理ＤＢとは異なる他の装置から、学習区間を特定する情報を取得してもよい。また、学習用データ取得部３１０は、測定データＤＢとは異なる他の装置から、学習用データを取得してもよい。
また、上述の説明では、学習用データ取得部３１０が、測定対象の状態が"正常"であるとラベル付けされた区間における時系列データを学習用データとして取得する場合について示し、これより先、学習装置３００が、当該"正常"区間における時系列データに基づいて学習モデル３５０を学習する場合について説明する。しかしながら、これに限定されるものではない。例えば、学習用データ取得部３１０が、測定対象の状態が"異常"であるとラベル付けされた区間における時系列データを学習用データとして取得し、学習装置３００が、当該"異常"区間における時系列データに基づいて学習モデル３５０を学習してもよい。また、学習用データ取得部３１０が、ラベル付けされていない時系列データを学習用データとして取得し、学習装置３００が、当該時系列データにおける分布に基づいて"正常"区間または"異常"区間を自動的に識別し、当該"正常"区間または"異常"区間として識別された時系列データに基づいて学習モデル３５０を学習してもよい。
学習用データ取得部３１０は、取得した学習用データを、前処理決定部３２０および学習用データ前処理部３３０へ供給する。
ステップ４２０において、学習装置３００は、前処理アルゴリズムを決定する。例えば、前処理決定部３２０は、学習用データを前処理する前処理アルゴリズムを決定する。この際、前処理決定部３２０は、学習用データ取得部３１０から供給された学習用データを用いて、学習用データ前処理部３３０および学習部３４０と協働して学習用データを前処理する前処理アルゴリズムを決定してよい。
一例として、前処理決定部３２０は、学習用データ前処理部３３０および学習部３４０と協働して、例えば、補間（前回値、平均値、中央値、最頻値、および、直線）、波形圧縮、移動平均、標準化、および、正規化等の複数の処理の中から使用する処理、および、当該処理に適用する各種パラメータの少なくともいずれかが異なる、複数の前処理アルゴリズムを学習用データにそれぞれ適用する。そして、前処理決定部３２０は、学習用データ前処理部３３０および学習部３４０と協働して、複数の前処理アルゴリズムによって前処理された複数の学習用データに基づいて、学習モデル３５０をそれぞれ学習し、複数の仮学習モデルを生成する。そして、前処理決定部３２０は、複数の仮学習モデルのそれぞれに、"正常"または"異常"のラベルが既知である仮の測定用データを入力し、測定対象の状態をそれぞれ仮判定する。そして、前処理決定部３２０は、複数の仮学習モデルのうち、仮判定の結果が最も優れていた仮学習モデルを選択し、当該仮学習モデルを生成した際に適用した前処理アルゴリズムを、学習用データを前処理する前処理アルゴリズムとして決定する。
前処理決定部３２０は、決定した前処理アルゴリズムに関する情報を学習用データ前処理部３３０へ供給する。
ステップ４３０において、学習装置３００は、学習用データを前処理する。例えば、学習用データ前処理部３３０は、前処理アルゴリズムにより学習用データを前処理する。一例として、学習用データ前処理部３３０は、ステップ４２０において決定された前処理アルゴリズムにより、ステップ４１０において取得された学習用データを前処理する。学習用データ前処理部３３０は、前処理した学習用データを学習部３４０へ供給する。また、学習用データ前処理部３３０は、学習用データを前処理した際に用いた前処理アルゴリズムを特定する情報を前処理情報出力部３６０へ供給する。
ステップ４４０において、学習装置３００は、学習モデル３５０を学習する。例えば、学習部３４０は、前処理された学習用データを用いて、測定対象の状態を出力する学習モデル３５０を学習する。一例として、学習部３４０は、ステップ４３０において前処理された学習用データを用いて、学習モデル３５０を学習する。
ステップ４５０において、学習装置３００は、学習モデル３５０を出力する。例えば、学習装置３００は、判定装置１００からの要求に応じて、ステップ４４０において学習された学習モデル３５０を、ネットワークを介して判定装置１００へ出力する。この際、学習装置３００は、出力した学習モデル３５０を識別する情報を併せて判定装置１００へ出力してよい。
ステップ４６０において、学習装置３００は、前処理情報を出力して処理を終了する。例えば、前処理情報出力部３６０は、前処理アルゴリズムを特定する情報を学習モデル３５０と対応付けて出力する。一例として、前処理情報出力部３６０は、判定装置１００からの要求に応じて、学習用データ前処理部３３０から供給された前処理アルゴリズムを特定する情報を、学習モデル３５０と対応付けて、ネットワークを介して判定装置１００へ出力してよい。
このように、本実施形態に係る学習装置３００は、学習モデル３５０ごとに最適な前処理アルゴリズムを決定し、決定した前処理アルゴリズムにより前処理された学習用データに基づいて学習モデル３５０を学習する。また、学習装置３００は、学習モデル３５０を学習した際に学習用データに対して実行した前処理アルゴリズムを特定する情報を、判定装置１００等の他の装置へ出力する。
図５は、前回値補間処理の前後における時系列データの一例を示す。本図において、縦軸は時系列を示しており、横軸は、各時系列データの種別（本図においては、センサ１の振動データ、センサ１の加速度データ、センサ１の温度データ、センサ２の振動データ、センサ２の加速度データ、センサ２の温度データ、センサ３の振動データ、センサ３の加速度データ、および、センサ３の温度データ）を示している。本図上は前処理が実行される前における各センサの時系列データを示している。
様々な場所におかれたセンサからのセンサデータは、クラウドやネットワーク上に異なるタイミングで転送される。そのため、本図上に示すように、各センサの時系列データは、同じタイムスタンプでみると、ところどころＮＵＬＬを示している。すなわち、データ抜けが発生している。一般に、機械学習で測定対象の状態判定を行う場合、同じ時刻に判定に必要なデータが全て存在している必要がある。したがって、このような状態において時系列データを前処理しない場合、測定対象の状態判定処理は、全てのデータが揃った時点（本図においては、日時：２０１８／０５／０１ ００：０２、および、日時：２０１８／０５／０１ ００：１２）で実施されることとなる。
これに対して、本実施形態においては、学習装置３００において、前処理決定部３２０が、このようなデータ抜けが発生している学習用データを前処理する前処理アルゴリズムとして前回値補間処理を実行することを決定する。これに応じて、学習用データ前処理部３３０が、学習用データに対して前回値補間処理を実行する。そして、判定装置１００において、このように前回値補間処理が実行された学習用データを用いて学習された学習モデル３５０により測定対象の状態判定を行う場合に、前処理情報取得部１２０が、前処理アルゴリズムとして前回値補間処理が実行されることを特定する情報を取得する。これに応じて、判定用データ前処理部１４０が、判定用データに対して前回値補間処理を実行する。
本図下は、前処理として前回値補間処理が実行された後における時系列データを示している。本図下に示すように、各センサの時系列データにおいて、データ抜けが発生していた箇所が、データ抜けが発生する直前のデータによって補間されている。より詳細には、日時：２０１８／０５／０１ ００：０１および００：０２におけるセンサ１の振動データ（Ｓｅｎｓｏｒ１＿Ａｃｃ）が、"ＮＵＬＬ"から、２０１８／０５／０１ ００：００におけるセンサ１の振動データである"２９．１２０８７８２"に補間されている。同様に、日時：２０１８／０５／０１ ００：１０および００：１１におけるセンサ３の加速度データ（Ｓｅｎｓｏｒ３＿Ｖｅｌ）が、"ＮＵＬＬ"から、２０１８／０５／０１ ００：０２におけるセンサ３の加速度データである"８０．０１７２８０６"に補間されている。このように、判定用データ前処理部１４０は、判定用データに対して補間処理を実行してよい。この際、当該補間処理は、前回値補間処理であってよい。これにより、判定装置１００は、日時：２０１８／０５／０１ ００：０２以降、全てのタイミングにおいて測定対象の状態判定処理を実施することができる。
図６は、直線補間処理の前後における時系列データの一例を示す。本図において、縦軸は時系列を示しており、横軸は、各時系列データの種別を示している。本図上は、前処理が実行される前における各センサの時系列データを示している。
本図上に示すように、各センサの時系列データは、同じタイムスタンプでみると、ところどころＮＵＬＬを示している。すなわち、データ抜けが発生している。このような状態において時系列データを前処理しない場合、測定対象の状態判定処理は、全てのデータが揃った時点（本図においては、日時：２０１８／０５／０１ ００：０２、および、日時：２０１８／０５／０１ ００：１２）で実施されることとなる。
これに対して、本実施形態においては、学習装置３００において、前処理決定部３２０が、このようなデータ抜けが発生している学習用データを前処理する前処理アルゴリズムとして直線補間処理を実行することを決定する。これに応じて、学習用データ前処理部３３０が、学習用データに対して直線補間処理を実行する。そして、判定装置１００において、このように直線補間処理が実行された学習用データを用いて学習された学習モデル３５０により測定対象の状態判定を行う場合に、前処理情報取得部１２０が、前処理アルゴリズムとして直線補間処理が実行されることを特定する情報を取得する。これに応じて、判定用データ前処理部１４０が、判定用データに対して直線補間処理を実行する。
本図下は、前処理として直線補間処理が実行された後における時系列データを示している。本図下に示すように、各センサの時系列データにおいて、データ抜けが発生していた箇所が、データ抜けが発生する直前のデータおよび直後のデータを結ぶ直線上のデータによって補間されている。より詳細には、日時：２０１８／０５／０１ ００：０１および００：０２におけるセンサ１の振動データ（Ｓｅｎｓｏｒ１＿Ａｃｃ）が、"ＮＵＬＬ"から、２０１８／０５／０１ ００：００におけるセンサ１の振動データである"１"および２０１８／０５／０１ ００：１０におけるセンサ１の振動データである"２"を結ぶ直線上のデータ、"１．１"および"１．２"にそれぞれ補間されている。同様に、日時：２０１８／０５／０１ ００：１０および００：１１におけるセンサ３の加速度データ（Ｓｅｎｓｏｒ３＿Ｖｅｌ）が、"ＮＵＬＬ"から、２０１８／０５／０１ ００：０２におけるセンサ３の加速度データである"５２"および２０１８／０５／０１ ００：１２におけるセンサ３の加速度データである"５３"を結ぶ直線上のデータ、"５２．１"および"５２．２"にそれぞれ補間されている。このように、判定用データ前処理部１４０は、判定用データに対して補間処理を実行してよい。この際、当該補間処理は、直線補間処理であってよい。これにより、判定装置１００は、日時：２０１８／０５／０１ ００：０２以降、全てのタイミングにおいて測定対象の状態判定処理を実施することができる。
図７は、波形圧縮処理の前後における時系列データの一例を示す。本図において、縦軸は時系列を示しており、横軸は、各時系列データの種別（本図においては、センサ１の振動データ、および、センサ１の加速度データ）を示している。本図上は、前処理が実行される前における各センサの時系列データを示している。
本図上に示すように、センサ１の振動データおよび加速度データは、１秒（高速）サンプリングのセンサデータである。このような高速サンプリングのセンサデータに対して、サンプリングレートごと（１秒ごと）に測定対象の状態判定処理が実施されると、判定に時間を要し、逆に、判定結果の出力が遅れることが考えられる。
これに対して、本実施形態においては、学習装置３００において、前処理決定部３２０が、このような高速サンプリングのセンサデータを含む学習用データを前処理する前処理アルゴリズムとして波形（Ｐｅａｋ Ｔｏ Ｐｅａｋ）圧縮処理を実行することを決定する。これに応じて、学習用データ前処理部３３０が、学習用データに対して波形圧縮処理を実行する。そして、判定装置１００において、このように波形圧縮処理が実行された学習用データを用いて学習された学習モデル３５０により測定対象の状態判定を行う場合に、前処理情報取得部１２０が、前処理アルゴリズムとして波形圧縮処理が実行されることを特定する情報を取得する。これに応じて、判定用データ前処理部１４０が、判定用データに対して波形圧縮処理を実行する。
本図下は、前処理として波形圧縮処理が実行された後における時系列データを示している。本図下に示すように、各センサの時系列データは、１秒間隔のデータから１分間隔のデータに変換されている。この場合、判定用データ前処理部１４０および学習用データ前処理部３３０は、第１の間隔で取得されるデータを、第１の間隔よりも長い第２の間隔のデータに変換する。この際、判定用データ前処理部１４０および学習用データ前処理部３３０は、例えば、第２の間隔中に第１の間隔で取得されるデータの中で、最も小さい値と最も大きい値を用いて第２の間隔のデータに変換する。より詳細には、判定用データ前処理部１４０および学習用データ前処理部３３０は、センサ１の振動データおよび加速度データのそれぞれについて、日時：２０１８／０５／０１ ０：００：０～日時：２０１８／０５／０１ ０：００：５９の中で、最も小さい値を日時：２０１８／０５／０１ ０：００：０ Ｍｉｎとし、最も大きい値を日時：２０１８／０５／０１ ０：００：０ Ｍａｘとして変換する。同様に、判定用データ前処理部１４０および学習用データ前処理部３３０は、日時：２０１８／０５／０１ ０：０１：０～日時：２０１８／０５／０１ ０：０１：５９の中で、最も小さい値を日時：２０１８／０５／０１ ０：０１：０ Ｍｉｎとし、最も大きい値を日時：２０１８／０５／０１ ０：０１：０ Ｍａｘとして変換する。このように、判定用データ前処理部１４０は、判定用データに対して波形圧縮処理を実行してよい。これにより、判定装置１００は、日時：２０１８／０５／０１ ００：００、日時：２０１８／０５／０１ ００：０１と１分間隔で測定対象の状態判定処理を実施することができる。
なお、このような場合において、判定装置１００は、判定用データを取得するタイミングを変更してもよい。例えば、判定装置１００は、特定した前処理アルゴリズムに応じて判定用データを取得するタイミングを最適化してもよい。例えば、前処理アルゴリズムとして第１の間隔で取得されたデータを、第１の間隔よりも長い第２の間隔のデータに波形圧縮することを特定した場合、判定装置１００は、判定用データを取得するタイミングを、第１の間隔から、第１の間隔よりも長く第２の間隔よりも短い第３の間隔に変更してもよい。つまり、判定装置１００は、１秒間隔で取得していた判定用データを、１秒よりも長く１分よりも短い間隔で取得するように、判定用データを取得するタイミングを変更してもよい。これにより、判定装置１００が取得する判定用データを減らすことができ、判定処理を効率化することができる。
ここまで、前処理アルゴリズムとして前回値補間処理、直線補間処理、および、波形圧縮処理が実行される場合を一例として説明したが、上述のとおり、前処理アルゴリズムとして様々な処理が実行されてよい。このように、本実施形態においては、学習装置３００が、学習用データを前処理する最適な前処理アルゴリズムを決定し、学習用データに対して前処理を実行する。そして、判定装置１００が、このように前処理された学習用データを用いて学習された学習モデル３５０により測定対象の状態判定を行う場合に、前処理アルゴリズムを特定する情報を取得し、判定用データに対して学習モデル３５０の学習のために用いられた前処理アルゴリズムにより前処理を実行する。したがって、本実施形態によれば、学習装置３００が学習モデル３５０を学習する際に学習用データに対して実行する前処理と、判定装置１００が学習モデル３５０を用いて測定対象の状態を判定する際に判定用データに対して実行する前処理とを対応させることができ、測定対象の状態判定の精度を向上させることができる。
また、例えば、測定データをクラウド上の測定データＤＢに記憶する前に測定データを前処理（例えば、補間処理）することも考えられるが、その場合、測定データＤＢが記憶するデータ量が増えてしまい、クラウド上のリソースおよびコスト増に繋がりかねない。これに対して、本実施形態に係る判定装置１００および学習装置３００によれば、測定データＤＢから測定データを取得した後にそれぞれ前処理を実行するので、測定データＤＢが記憶するデータ量を抑制することができる。
また、例えば、前処理アルゴリズムとして、補間処理が実行される場合、本実施形態に係る判定装置１００および学習装置３００は、時系列データにデータ抜けが発生している場合であっても、データ抜けを補間することができる。これにより、本実施形態に係る判定装置１００によれば、全てのデータが揃うことを待つことなく、測定対象の状態判定処理を実行することができるので、判定結果の出力が遅れることを抑制することができる。
特に、補間処理が前回値補間処理であった場合、判定装置１００および学習装置３００は、時系列データにデータ抜けが発生している場合に、データ抜けを不要な演算を行うことなく直前のデータで補間するので、前処理に係る負荷を低減し、処理を高速化することができる。
特に、補間処理が直線補間処理であった場合、判定装置１００および学習装置３００は、時系列データにデータ抜けが発生している場合に、データ抜けを本来取得すべきであったデータにより近いデータで補間し得る。これにより、判定装置１００は、測定対象の状態判定の精度をより向上させることができる。
また、例えば、前処理アルゴリズムとして、波形圧縮処理が実行される場合、本実施形態に係る判定装置１００は、判定用データを第１の間隔（１秒間隔）よりも長い第２の間隔（１分間隔）に変換し、第２の間隔ごとに測定対象の状態判定処理を実施するので、判定の精度を落とすことなく判定の高速化を実現することができる。また、本実施形態に係る学習装置３００は、学習用データを第１の間隔（１秒間隔）よりも長い第２の間隔（１分間隔）に変換し、第２の間隔を有する学習用データを用いて学習モデル３５０を学習するので、学習の負荷を低減し、学習に係る処理を高速化することができる。
また、本実施形態においては、判定装置１００と学習装置３００とが別々の装置として構成されている。一般に、学習モデルの学習には大きな負荷がかかる。本実施形態においては、判定装置１００が、学習装置３００と切り離され、別体として構成されるので、判定装置１００を小型、低容量化することができる。
図８は、本実施形態の変形例に係る判定装置１００のブロック図の一例を示す。本図においては、図１と同じ機能および構成を有する部材に対して同じ符号を付すとともに、以下相違点を除き説明を省略する。本変形例に係る判定装置１００は、エラー通知部８１０をさらに備えている。
本変形例においては、判定用データ取得部１３０は、取得した判定用データを、判定用データ前処理部１４０に加えて、エラー通知部８１０へ供給する。そして、エラー通知部８１０は、判定用データ取得部１３０から取得した時系列データにおいて、データが取得できていない期間が予め定められた期間を超える場合に、エラーを通知する。この際、エラー通知部８１０は、データが取得できていない状態が連続する期間が予め定められた期間を超える場合に、エラーを通知してよい。これに代えて、または加えて、エラー通知部８１０は、所定期間内においてデータが取得できていない状態を合算した期間が予め定められた期間を超える場合に、エラーを通知してもよい。
図９は、データが取得できていない期間が予め定められた期間を超える場合における時系列データの一例を示す。本図において、縦軸は時系列を示しており、横軸は、各時系列データの種別を示している。本図に示すように、時系列データにおいて、日時：２０１８／０５／０１ ００：１１～日時：２０１８／０５／０１ ００：３２にわたって、センサ１の振動データ、加速度データ、および、温度データがＮＵＬＬを示しており、この期間においてセンサ１からの測定データが取得できていないことが分かる。このような状態は、例えば、センサ１や周辺機器のトラブル等により、センサ１の測定データが測定データＤＢに記憶されていなかった場合に生じ得る。
このような状態で、判定装置１００が、前処理（例えば、補間処理）を実施したとしても、補間したデータが本来取得すべきであったデータと大きく乖離している場合があり、このように前処理されたデータに基づいて測定対象の状態を判定しても正確な判定結果を出力できているとはいえない。そこで、本変形例に係る判定装置１００は、このような場合に測定対象の状態の判定処理を実施せずに、エラーを通知する。
図１０は、本実施形態の変形例に係る判定装置１００がエラーを通知するフローの一例を示す。
ステップ１０１０において、判定装置１００は、機器のサンプリングレートを取得する。例えば、エラー通知部８１０は、判定用データ取得部１３０から供給された判定用データに基づいて、測定対象を測定するフィールド機器、例えば、センサのサンプリングレートを取得する。
ステップ１０２０において、判定装置１００は、ＮＵＬＬ値をカウントする。例えば、エラー通知部８１０は、ステップ１０１０において取得したサンプリングレートに従って、時系列データにおいてＮＵＬＬ値となっている期間をカウントする。なお、当該期間は、上述のとおり、連続する期間であってもよいし、所定期間内において離散する期間を合算した期間であってもよい。
ステップ１０３０において、判定装置１００は、ＮＵＬＬ値が予め定められた期間発生したか否か判定する。例えば、エラー通知部８１０は、ステップ１０２０においてカウントした値が、予め定められたしきい値を超えたか否か判定する。
ＮＵＬＬ値が予め定められた期間発生していないと判定された場合、すなわち、ステップ１０２０においてカウントした値が予め定められたしきい値を超えていない場合、判定装置１００は、ステップ１０４０において、通常どおり判定用データを前処理する。
一方、ＮＵＬＬ値が予め定められた期間発生していると判定された場合、すなわち、ステップ１０２０においてカウントした値が予め定められたしきい値を超えている場合、エラー通知部８１０は、ステップ１０５０においてエラーを通知する。この際、エラー通知部８１０は、判定用データ前処理部１４０へエラーを通知して、判定用データ前処理部１４０による判定用データの前処理を行わせないよう制御してもよい。これにより、判定装置１００は、不用な前処理を抑制することができる。これに代えて、または加えて、エラー通知部８１０は、他の装置へエラーを通知してもよい。これにより、判定装置１００は、エラーが生じた旨を、ユーザへ知らしめることができる。
このように、本変形例に係る判定装置１００は、時系列データにおいて、データが取得できていない期間が予め定められた期間を超える場合に、エラーを通知する。これにより、本変形例に係る判定装置によれば、例えば、センサや周辺機器等のトラブルに起因する、測定対象の状態の誤判定を事前に防止することができる。
図１１は、本実施形態の別の変形例に係る判定装置１００のブロック図の一例を示す。本図においては、図１および図３と同じ機能および構成を有する部材に対して同じ符号を付すとともに、以下相違点を除き説明を省略する。上述の説明では、判定装置１００が学習装置３００とは別々の装置として構成される場合を一例として説明した。しかしながら、本別の変形例に係る判定装置１００は、図１に示した判定装置１００の機能と図３に示した学習装置３００の機能とを一体に備えている。すなわち、本別の変形例に係る判定装置１００は、測定対象を測定した時系列データである学習用データを取得する学習用データ取得部３１０と、学習用データを前処理する前処理アルゴリズムを決定する前処理決定部３２０と、前処理アルゴリズムにより学習用データを前処理する学習用データ前処理部３３０と、前処理された学習用データを用いて、学習モデルを学習する学習部３４０と、前処理アルゴリズムを特定する情報を学習モデルと対応付けて出力する前処理情報出力部３６０と、をさらに備えている。
この場合、前処理情報取得部１２０は、前処理情報出力部３６０から前処理アルゴリズムを特定する情報を取得してよい。また、前処理情報取得部１２０は、前処理情報出力部３６０から取得した前処理アルゴリズムを特定する情報を、判定用データ前処理部１４０へ供給してよい。そして、判定用データ前処理部１４０は、前処理情報取得部１２０から供給された前処理アルゴリズムを特定する情報、すなわち、前処理情報出力部３６０から取得した前処理アルゴリズムを特定する情報に基づいて、前処理アルゴリズムを特定し、対応する学習モデルを用いて測定対象の状態を判定する場合に、当該前処理アルゴリズムにより、判定用データを前処理する。このように、本別の実施形態に係る判定装置１００によれば、前処理情報の取得が同一の装置内で行われるので、前処理情報の取得に費やす手間や時間を低減することができ、また、前処理情報が外部へ漏洩するリスクも低減することができる。
本別の変形例に係る判定装置１００は、学習モデル３５０をさらに備えていてもよい。この場合、学習モデル取得部１１０は、学習部３４０によって学習された学習モデル３５０を取得してよい。このように、本別の実施形態に係る判定装置１００によれば、モデルの取得が同一の装置内で行われるので、モデルの取得に費やす手間や時間を低減することができ、また、モデルが外部へ漏洩するリスクも低減することができる。また、本別の変形例に係る判定装置１００によれば、モデルの学習から測定対象の状態判定までの処理を、オールインワンで１つの装置により実現することができるので、装置の管理やメンテナンスを単純化することができる。
本発明の様々な実施形態は、フローチャートおよびブロック図を参照して記載されてよく、ここにおいてブロックは、（１）操作が実行されるプロセスの段階または（２）操作を実行する役割を持つ装置のセクションを表わしてよい。特定の段階およびセクションが、専用回路、コンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、および／またはコンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタルおよび／またはアナログハードウェア回路を含んでよく、集積回路（ＩＣ）および／またはディスクリート回路を含んでよい。プログラマブル回路は、論理ＡＮＤ、論理ＯＲ、論理ＸＯＲ、論理ＮＡＮＤ、論理ＮＯＲ、および他の論理操作、フリップフロップ、レジスタ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブルロジックアレイ（ＰＬＡ）等のようなメモリ要素等を含む、再構成可能なハードウェア回路を含んでよい。
コンピュータ可読媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読媒体は、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭまたはフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ-ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（ＲＴＭ）ディスク、メモリスティック、集積回路カード等が含まれてよい。
コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、またはＳｍａｌｌｔａｌｋ、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語または同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１または複数のプログラミング言語の任意の組み合わせで記述されたソースコードまたはオブジェクトコードのいずれかを含んでよい。
コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサまたはプログラマブル回路に対し、ローカルにまたはローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して提供され、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく、コンピュータ可読命令を実行してよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。
図１２は、本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ２２００の例を示す。コンピュータ２２００にインストールされたプログラムは、コンピュータ２２００に、本発明の実施形態に係る装置に関連付けられる操作または当該装置の１または複数のセクションとして機能させることができ、または当該操作または当該１または複数のセクションを実行させることができ、および／またはコンピュータ２２００に、本発明の実施形態に係るプロセスまたは当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ２２００に、本明細書に記載のフローチャートおよびブロック図のブロックのうちのいくつかまたはすべてに関連付けられた特定の操作を実行させるべく、ＣＰＵ２２１２によって実行されてよい。
本実施形態によるコンピュータ２２００は、ＣＰＵ２２１２、ＲＡＭ２２１４、グラフィックコントローラ２２１６、およびディスプレイデバイス２２１８を含み、それらはホストコントローラ２２１０によって相互に接続されている。コンピュータ２２００はまた、通信インターフェイス２２２２、ハードディスクドライブ２２２４、ＤＶＤ－ＲＯＭドライブ２２２６、およびＩＣカードドライブのような入／出力ユニットを含み、それらは入／出力コントローラ２２２０を介してホストコントローラ２２１０に接続されている。コンピュータはまた、ＲＯＭ２２３０およびキーボード２２４２のようなレガシの入／出力ユニットを含み、それらは入／出力チップ２２４０を介して入／出力コントローラ２２２０に接続されている。
ＣＰＵ２２１２は、ＲＯＭ２２３０およびＲＡＭ２２１４内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ２２１６は、ＲＡＭ２２１４内に提供されるフレームバッファ等またはそれ自体の中にＣＰＵ２２１２によって生成されたイメージデータを取得し、イメージデータがディスプレイデバイス２２１８上に表示されるようにする。
通信インターフェイス２２２２は、ネットワークを介して他の電子デバイスと通信する。ハードディスクドライブ２２２４は、コンピュータ２２００内のＣＰＵ２２１２によって使用されるプログラムおよびデータを格納する。ＤＶＤ－ＲＯＭドライブ２２２６は、プログラムまたはデータをＤＶＤ－ＲＯＭ２２０１から読み取り、ハードディスクドライブ２２２４にＲＡＭ２２１４を介してプログラムまたはデータを提供する。ＩＣカードドライブは、プログラムおよびデータをＩＣカードから読み取り、および／またはプログラムおよびデータをＩＣカードに書き込む。
ＲＯＭ２２３０はその中に、アクティブ化時にコンピュータ２２００によって実行されるブートプログラム等、および／またはコンピュータ２２００のハードウェアに依存するプログラムを格納する。入／出力チップ２２４０はまた、様々な入／出力ユニットをパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入／出力コントローラ２２２０に接続してよい。
プログラムが、ＤＶＤ－ＲＯＭ２２０１またはＩＣカードのようなコンピュータ可読媒体によって提供される。プログラムは、コンピュータ可読媒体から読み取られ、コンピュータ可読媒体の例でもあるハードディスクドライブ２２２４、ＲＡＭ２２１４、またはＲＯＭ２２３０にインストールされ、ＣＰＵ２２１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ２２００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置または方法が、コンピュータ２２００の使用に従い情報の操作または処理を実現することによって構成されてよい。
例えば、通信がコンピュータ２２００および外部デバイス間で実行される場合、ＣＰＵ２２１２は、ＲＡＭ２２１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インターフェイス２２２２に対し、通信処理を命令してよい。通信インターフェイス２２２２は、ＣＰＵ２２１２の制御下、ＲＡＭ２２１４、ハードディスクドライブ２２２４、ＤＶＤ－ＲＯＭ２２０１、またはＩＣカードのような記録媒体内に提供される送信バッファ処理領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、またはネットワークから受信された受信データを記録媒体上に提供される受信バッファ処理領域等に書き込む。
また、ＣＰＵ２２１２は、ハードディスクドライブ２２２４、ＤＶＤ－ＲＯＭドライブ２２２６（ＤＶＤ－ＲＯＭ２２０１）、ＩＣカード等のような外部記録媒体に格納されたファイルまたはデータベースの全部または必要な部分がＲＡＭ２２１４に読み取られるようにし、ＲＡＭ２２１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ２２１２は次に、処理されたデータを外部記録媒体にライトバックする。
様々なタイプのプログラム、データ、テーブル、およびデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。ＣＰＵ２２１２は、ＲＡＭ２２１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプの操作、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ２２１４に対しライトバックする。また、ＣＰＵ２２１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ２２１２は、第１の属性の属性値が指定される、条件に一致するエントリを当該複数のエントリの中から検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、それにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。
上で説明したプログラムまたはソフトウェアモジュールは、コンピュータ２２００上またはコンピュータ２２００近傍のコンピュータ可読媒体に格納されてよい。また、専用通信ネットワークまたはインターネットに接続されたサーバーシステム内に提供されるハードディスクまたはＲＡＭのような記録媒体が、コンピュータ可読媒体として使用可能であり、それによりプログラムを、ネットワークを介してコンピュータ２２００に提供する。
以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。
特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。
１００ 判定装置
１１０ 学習モデル取得部
１２０ 前処理情報取得部
１３０ 判定用データ取得部
１４０ 判定用データ前処理部
１５０ 判定部
１６０ 判定結果出力部
３００ 学習装置
３１０ 学習用データ取得部
３２０ 前処理決定部
３３０ 学習用データ前処理部
３４０ 学習部
３５０ 学習モデル
３６０ 前処理情報出力部
８１０ エラー通知部
２２００ コンピュータ
２２０１ ＤＶＤ－ＲＯＭ
２２１０ ホストコントローラ
２２１２ ＣＰＵ
２２１４ ＲＡＭ
２２１６ グラフィックコントローラ
２２１８ ディスプレイデバイス
２２２０ 入／出力コントローラ
２２２２ 通信インターフェイス
２２２４ ハードディスクドライブ
２２２６ ＤＶＤ－ＲＯＭドライブ
２２３０ ＲＯＭ
２２４０ 入／出力チップ
２２４２ キーボード

Claims (13)

  1. 測定対象を測定した時系列データである判定用データを取得する判定用データ取得部と、
    複数の学習モデルのそれぞれと対応付けて記憶された複数の前処理情報の中から、前記測定対象の状態を出力する学習モデルの学習のために用いられた前処理アルゴリズムを特定する情報を取得する前処理情報取得部と、
    前記情報に基づいて特定した前処理アルゴリズムにより、前記判定用データを前処理する判定用データ前処理部と、
    前記学習モデルを用いて、前処理された前記判定用データに基づいて、前記測定対象の状態を判定する判定部と
    を備える、判定装置。
  2. 前記判定用データ前処理部は、前記判定用データに対して補間処理を実行する、請求項１に記載の判定装置。
  3. 前記補間処理は、前回値補間処理である、請求項２に記載の判定装置。
  4. 前記補間処理は、直線補間処理である、請求項２に記載の判定装置。
  5. 前記判定用データ前処理部は、前記判定用データに対して波形圧縮処理を実行する、請求項１に記載の判定装置。
  6. 前記時系列データにおいて、データが取得できていない期間が予め定められた期間を超える場合に、エラーを通知するエラー通知部をさらに備える、請求項１から５のいずれか一項に記載の判定装置。
  7. 測定対象を測定した時系列データである判定用データを取得する判定用データ取得部と、
    前記測定対象の状態を出力する学習モデルの学習のために用いられた前処理アルゴリズムにより、前記判定用データを前処理する判定用データ前処理部と、
    前記学習モデルを用いて、前処理された前記判定用データに基づいて、前記測定対象の状態を判定する判定部と、
    前記測定対象を測定した時系列データである学習用データを取得する学習用データ取得部と、
    前記学習用データを前処理する前記前処理アルゴリズムを決定する前処理決定部と、
    前記前処理アルゴリズムにより前記学習用データを前処理する学習用データ前処理部と、
    前処理された前記学習用データを用いて、前記学習モデルを学習する学習部と、
    前記前処理アルゴリズムを特定する情報を前記学習モデルと対応付けて出力する前処理情報出力部と
    を備える、判定装置。
  8. 前記学習モデルをさらに備える、請求項７に記載の判定装置。
  9. 測定対象を測定した時系列データである判定用データを取得することと、
    複数の学習モデルのそれぞれと対応付けて記憶された複数の前処理情報の中から、前記測定対象の状態を出力する学習モデルの学習のために用いられた前処理アルゴリズムを特定する情報を取得することと、
    前記情報に基づいて特定した前処理アルゴリズムにより、前記判定用データを前処理することと、
    前記学習モデルを用いて、前処理された前記判定用データに基づいて、前記測定対象の状態を判定することと
    を備える、判定方法。
  10. コンピュータにより実行されて、前記コンピュータを、
    測定対象を測定した時系列データである判定用データを取得する判定用データ取得部と、
    複数の学習モデルのそれぞれと対応付けて記憶された複数の前処理情報の中から、前記測定対象の状態を出力する学習モデルの学習のために用いられた前処理アルゴリズムを特定する情報を取得する前処理情報取得部と、
    前記情報に基づいて特定した前処理アルゴリズムにより、前記判定用データを前処理する判定用データ前処理部と、
    前記学習モデルを用いて、前処理された前記判定用データに基づいて、前記測定対象の状態を判定する判定部と
    して機能させる、判定プログラム。
  11. 測定対象を測定した時系列データである学習用データを取得する学習用データ取得部と、
    前記学習用データを前処理する前処理アルゴリズムを決定する前処理決定部と、
    前記前処理アルゴリズムにより前記学習用データを前処理する学習用データ前処理部と、
    前処理された前記学習用データを用いて、前記測定対象の状態を出力する学習モデルを学習する学習部と、
    前記前処理アルゴリズムを特定する情報を前記学習モデルと対応付けて出力する前処理情報出力部と
    を備える、学習装置。
  12. 測定対象を測定した時系列データである学習用データを取得することと、
    前記学習用データを前処理する前処理アルゴリズムを決定することと、
    前記前処理アルゴリズムにより前記学習用データを前処理することと、
    前処理された前記学習用データを用いて、前記測定対象の状態を出力する学習モデルを学習することと、
    前記前処理アルゴリズムを特定する情報を前記学習モデルと対応付けて出力することと
    を備える、学習方法。
  13. コンピュータにより実行されて、前記コンピュータを、
    測定対象を測定した時系列データである学習用データを取得する学習用データ取得部と、
    前記学習用データを前処理する前処理アルゴリズムを決定する前処理決定部と、
    前記前処理アルゴリズムにより前記学習用データを前処理する学習用データ前処理部と、
    前処理された前記学習用データを用いて、前記測定対象の状態を出力する学習モデルを学習する学習部と、
    前記前処理アルゴリズムを特定する情報を前記学習モデルと対応付けて出力する前処理情報出力部と
    して機能させる、学習プログラム。
JP2019221233A 2019-12-06 2019-12-06 判定装置、判定方法、判定プログラム、学習装置、学習方法、および、学習プログラム Active JP7222344B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2019221233A JP7222344B2 (ja) 2019-12-06 2019-12-06 判定装置、判定方法、判定プログラム、学習装置、学習方法、および、学習プログラム
US17/099,715 US20210174254A1 (en) 2019-12-06 2020-11-16 Determination apparatus, recording medium with determination program recorded thereof, learning apparatus, and recording medium with learning program recorded thereof
EP20208622.9A EP3832557B1 (en) 2019-12-06 2020-11-19 Determination apparatus, determination method, determination program, and related system, method, program and computer readable recording medium
CN202011414275.1A CN112927129A (zh) 2019-12-06 2020-12-04 判定装置及方法、训练装置及方法、以及记录介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2019221233A JP7222344B2 (ja) 2019-12-06 2019-12-06 判定装置、判定方法、判定プログラム、学習装置、学習方法、および、学習プログラム

Publications (2)

Publication Number Publication Date
JP2021092831A JP2021092831A (ja) 2021-06-17
JP7222344B2 true JP7222344B2 (ja) 2023-02-15

Family

ID=73497595

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2019221233A Active JP7222344B2 (ja) 2019-12-06 2019-12-06 判定装置、判定方法、判定プログラム、学習装置、学習方法、および、学習プログラム

Country Status (4)

Country Link
US (1) US20210174254A1 (ja)
EP (1) EP3832557B1 (ja)
JP (1) JP7222344B2 (ja)
CN (1) CN112927129A (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102019201810A1 (de) * 2019-02-12 2020-08-13 Carl Zeiss Smt Gmbh Steuerungssystem, optisches system und verfahren
JP2024000612A (ja) * 2022-06-21 2024-01-09 横河電機株式会社 推定装置、推定方法、および、推定プログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011068174A (ja) 2009-09-24 2011-04-07 Yazaki Corp アクセル開度センサ異常検出装置及びアクセル開度センサ異常検出方法
JP2017004509A (ja) 2015-06-04 2017-01-05 ザ・ボーイング・カンパニーＴｈｅ Ｂｏｅｉｎｇ Ｃｏｍｐａｎｙ 機械学習のための高度解析インフラストラクチャ
JP2019143388A (ja) 2018-02-21 2019-08-29 清水建設株式会社 シールド掘削機制御システム及びシールド掘削機制御方法
US20190286725A1 (en) 2018-03-19 2019-09-19 Oracle International Corporation Intelligent preprocessing of multi-dimensional time-series data

Family Cites Families (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0287261A (ja) * 1988-09-24 1990-03-28 Sumitomo Electric Ind Ltd 相場予測装置
JPH08505967A (ja) * 1992-11-24 1996-06-25 パヴィリオン・テクノロジーズ・インコーポレイテッド 欠落および／または不完全なデータを有するニューラルネットワークを作動するための方法および装置
US6879971B1 (en) * 1995-12-22 2005-04-12 Pavilion Technologies, Inc. Automated method for building a model
US7702548B2 (en) * 2000-05-01 2010-04-20 Zumbach Gilles O Methods for analysis of financial markets
US6687637B2 (en) * 2001-06-18 2004-02-03 Globvision Inc. Data sensor validation system and method
US7696866B2 (en) * 2007-06-28 2010-04-13 Microsoft Corporation Learning and reasoning about the context-sensitive reliability of sensors
JP5150542B2 (ja) * 2009-03-26 2013-02-20 株式会社東芝 パターン認識装置、パターン認識方法、及び、プログラム
JP6901039B2 (ja) * 2017-08-03 2021-07-14 日本電気株式会社 モデル構造選択装置、方法、ディスアグリゲーションシステムおよびプログラム
US20190130226A1 (en) * 2017-10-27 2019-05-02 International Business Machines Corporation Facilitating automatic handling of incomplete data in a random forest model
CN107783801B (zh) * 2017-11-06 2021-03-12 Oppo广东移动通信有限公司 应用程序预测模型建立、预加载方法、装置、介质及终端
JP7106847B2 (ja) 2017-11-28 2022-07-27 横河電機株式会社 診断装置、診断方法、プログラム、および記録媒体
US11487640B2 (en) * 2018-09-11 2022-11-01 Oracle International Corporation Replacing stair-stepped values in time-series sensor signals with inferential values to facilitate prognostic-surveillance operations
CN109740630A (zh) * 2018-12-06 2019-05-10 中科恒运股份有限公司 异常数据处理方法及装置
CN110059567A (zh) * 2019-03-21 2019-07-26 浙江工业大学 一种基于WiFi的火灾烟雾检测方法
CN110187727B (zh) * 2019-06-17 2021-08-03 武汉理工大学 一种基于深度学习和强化学习的玻璃熔炉温度控制方法
CN110533109A (zh) * 2019-09-03 2019-12-03 内蒙古大学 一种喷涂生产监测数据的存储及特征分析方法及其装置
CN110533484A (zh) * 2019-09-05 2019-12-03 四川长虹电器股份有限公司 一种基于pca和改进bp神经网络的产品销量预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2011068174A (ja) 2009-09-24 2011-04-07 Yazaki Corp アクセル開度センサ異常検出装置及びアクセル開度センサ異常検出方法
JP2017004509A (ja) 2015-06-04 2017-01-05 ザ・ボーイング・カンパニーＴｈｅ Ｂｏｅｉｎｇ Ｃｏｍｐａｎｙ 機械学習のための高度解析インフラストラクチャ
JP2019143388A (ja) 2018-02-21 2019-08-29 清水建設株式会社 シールド掘削機制御システム及びシールド掘削機制御方法
US20190286725A1 (en) 2018-03-19 2019-09-19 Oracle International Corporation Intelligent preprocessing of multi-dimensional time-series data

Also Published As

Publication number Publication date
CN112927129A (zh) 2021-06-08
JP2021092831A (ja) 2021-06-17
US20210174254A1 (en) 2021-06-10
EP3832557A3 (en) 2021-08-04
EP3832557B1 (en) 2023-12-27
EP3832557A2 (en) 2021-06-09

Similar Documents

Publication Publication Date Title
JP5943357B2 (ja) 検出装置、検出方法、およびプログラム
EP3859455B1 (en) Learning apparatus, learning method, learning program, determination apparatus, determination method, determination program, and computer readable medium
JP7222344B2 (ja) 判定装置、判定方法、判定プログラム、学習装置、学習方法、および、学習プログラム
US20220121164A1 (en) Control apparatus, controller, control system, control method, and computer-readable medium having recorded thereon control program
EP3904987A1 (en) Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system
US11392737B2 (en) Detection apparatus, detection method, and recording medium that records detection program
JP2021125266A (ja) 状態推定装置、システム、及び製造方法
EP3885927A1 (en) Data management system, data management method, and data management program
JP7367622B2 (ja) データ管理システム、データ管理方法、および、データ管理プログラム
EP3879470A1 (en) Data management system and data management method
JP2020187667A (ja) 情報処理装置及び情報処理方法
JP7318612B2 (ja) 監視装置、監視方法、および監視プログラム
JP7163941B2 (ja) データ管理システム、データ管理方法、および、データ管理プログラム
CN115359203B (zh) 一种三维高精度地图生成方法、系统及云平台
US20220042829A1 (en) Data management system, data management method, and recording medium recording data management program
US20220155759A1 (en) Interface apparatus, interface method, and recording medium having recorded thereon interface program
JP2020091756A (ja) 学習方法、学習プログラムおよび学習装置
KR20210013292A (ko) 정보 처리 장치, 프로그램을 기록한 기록 매체 및 정보 처리 방법
US20230409928A1 (en) Estimation apparatus, estimation method, and non-transitory computer-readable medium
EP4053765A1 (en) Learning apparatus, evaluation apparatus, evaluation system, learning method, learning program, evaluation method, and evaluation program
JP2022007222A (ja) データ管理システム、データ管理方法、および、データ管理プログラム

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210610

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220525

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220621

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220815

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: 20230104

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20230117

R150 Certificate of patent or registration of utility model

Ref document number: 7222344

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150