CN110431570A - 状态预测装置和状态预测控制方法 - Google Patents
状态预测装置和状态预测控制方法 Download PDFInfo
- Publication number
- CN110431570A CN110431570A CN201880012012.2A CN201880012012A CN110431570A CN 110431570 A CN110431570 A CN 110431570A CN 201880012012 A CN201880012012 A CN 201880012012A CN 110431570 A CN110431570 A CN 110431570A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- label
- learning
- time span
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明提供状态预测装置和状态预测控制方法。状态预测装置(100)具有:学习数据生成部(212),其以规定的时间间隔取得由观测传感器(300)得到的测量数据,按观测对象的每个动作模式进行划分,生成学习数据;聚类部(213),其将规定数量的所述学习数据分类为预先决定的类别并赋予标签,生成了监督式数据;学习部(214),其在学习算法中输入监督式数据并进行学习,生成学习完毕模型(252),并且生成各类别的代表数据;时序模型生成部(215),其按照该学习数据的生成顺序对在预先决定的模型生成单位期间内赋予学习数据的标签(244)时序地进行排列,生成时序模型(273);以及预测部(220),其使用时序模型(273),根据新取得的测量数据来算出预测值。
Description
技术领域
本发明涉及状态预测技术,特别是涉及基于从观测传感器按时间顺序输出的传感器数据(测量数据)来预测未来的测量数据从而预测观测对象的状态的技术。
背景技术
为了基于从观测传感器输出的测量数据来预测观测对象的未来状态,需要制作测量数据的时序模型。要制作该时序模型,就需要对测量数据的时间的划分进行检测。例如,专利文献1中公开有如下技术:“包括如下工序:将时序数据以均等的大小分割为重叠的数据分段(segment),针对各分段,生成表示分段数据的图像,利用时序数据来决定与各图像关联的趋势,将所生成的各图像和关联的趋势作为上述数据集进行保存(摘要摘选)。”
专利文献1:日本特开2017-157213号公报。
发明内容
发明要解决的课题
在专利文献1公开的技术中,将测量数据在时间上分割为均等大小的分段。但是,观测对象具有多个动作模式,在所输出的测量数据复杂地变化的情况下,以均等大小进行分段化未必恰当。因此,难以提高状态预测的精度。
本发明鉴于上述情况而完成,其目的在于,提供一种基于从观测传感器输出的测量数据(与观测对象关联的时序观测值)而高精度地预测具有多个动作模式的观测对象的状态的技术。
用于解决课题的方案
本发明具有在专利请求的范围中记载的结构。例举其一个技术方案,则本发明的状态预测控制装置具有:学习数据生成部,其以规定的时间间隔取得由对观测对象的状态进行观测的第一观测传感器得到的第一传感器数据,按所述观测对象的每个动作模式进行划分,生成学习数据;聚类部,其将生成的规定数量的所述学习数据分别分类为预先决定的类别,并赋予针对每个所述类别预先准备的标签,生成了监督式数据;学习部,其将所述规定数量的监督式数据输入到学习算法中进行学习,生成该学习算法的学习完毕模型,并且生成各所述类别的代表数据;时序模型生成部,其按照该学习数据的生成顺序对在预先决定的模型生成单位期间内由所述聚类部赋予所述学习数据的所述标签时序地进行排列,生成时序模型;以及状态预测装置,其使用所述时序模型,根据新取得的第一传感器数据来计算所述第一传感器数据的预测值,作为未来时刻的所述观测对象的状态。
发明效果
根据本发明,能够基于从观测传感器输出的测量数据,高精度地预测具有多个动作模式的观测对象的状态。此外,利用以下的实施方式阐明上述以外的课题、解决手段。
附图说明
图1是第一实施方式的状态预测装置的硬件结构图。
图2是第一实施方式的状态预测装置的功能框图。
图3中(a)是用于说明第一实施方式的标签数据例的说明图,图3中(b)、(c)是用于说明第一实施方式的监督式数据例的说明图,图3中(d)、(e)是用于说明第一实施方式的代表数据库例的说明图。
图4中(a)、(b)是用于说明第一实施方式的学习概要的说明图。
图5是用于说明第一实施方式的深度学习的概要的说明图。
图6是用于说明第一实施方式的时序模型数据例的说明图。
图7是第一实施方式的状态预测处理的流程图。
图8是第一实施方式的前处理和学习处理的流程图。
图9是第一实施方式的时间长度计算处理的流程图。
图10中(a)是第一实施方式的测量数据的波形数据例的图表,图10中(b)是第一实施方式的测量数据的直方图例的图表。
图11中(a)、(b)是用于说明第一实施方式的时间长度计算处理的图表。
图12中(a)、(b)是用于说明第一实施方式的时间长度计算处理的图表。
图13中(a)、(b)是用于说明第一实施方式的时间长度计算处理的图表。
图14是第一实施方式的预测处理的流程图。
图15是用于说明第一实施方式的变形例的图表。
图16中(a)、(b)是用于说明第一实施方式的变形例的图表。
图17中(a)、(b)是用于说明第一实施方式的变形例的图表。
图18是用于说明第二实施方式的各测量数据的切取时间长度的说明图。
图19是用于说明第二实施方式的深度学习的概要的说明图。
图20是第二实施方式的学习处理的流程图。
图21是第二实施方式的预测处理的流程图。
具体实施方式
《第一实施方式》
下面,一边参照附图一边详细地说明本发明的优选的实施方式。
下面,以将工厂设备作为观测对象的情况为例进行说明。
在本实施方式中,使用从安装于工厂设备的各种部位的各种观测传感器按时间顺序得到的传感器数据(测量数据),生成测量数据的变化的时序模型。然后,使用所生成的时序模型来预测未来时刻的测量数据,实施作为观测对象的工厂设备的状态预测。另外,最后根据预测到的测量数据来判别有无工厂设备的故障等。
工厂设备通过控制而改变动作模式,自动地实施反馈控制。例如,利用泵等向工厂设备所具有的生产容器投入液体、气体等原材料。当从外部程序控制此时的流入量时,与控制相对应地,泵用电动机的电流、电压发生变化。另外,当控制生产容器的温度时,温度以及加热器、冷却用泵电动机的电流、电压发生变化。
为了观测这样的工厂设备的各部位的状态,而在工厂设备的各部位安装对电流、电压、温度等进行检测的各种传感器(观测传感器)。
从这些观测传感器时序地得到的测量数据是呈现出随时间变化的波形形状的波形数据。由于工厂设备如上述那样在多个动作模式间实施反馈控制,因此电流、电压的变化是不固定的。因此,在该波形数据中,不固定地观测多个动作模式,按时间顺序得到的测量数据也变得不固定。
在与工厂设备所生产的物品对应地从外部程序对动作模式的组合、各动作模式的时间长度进行包含自动反馈的控制的情况下,通常产生这样的现象。
此外,按时间顺序得到的测量数据(时序数据)不固定是指测量数据的平均值、方差这样的统计参数不恒定,不连续地变化。
不固定的时序数据难以通过ARIMA(Auto RegressiveIntegrated MovingAverage)等统计方法建立模型,并进行预测。在本实施方式中,通过根据从安装于实施这样的动作的工厂设备中的观测传感器得到的测量数据来建立动作模式的时序模型,计算对象物的预测值,由此预测状态。
在此,“对象物”是指根据各观测传感器分别输出的传感器信息(传感器数据、测量数据)直接进行观测的事物。例如,在观测传感器为温度传感器的情况下,对象物为温度。在观测传感器为电流传感器的情况下,电流为对象物,在观测传感器为电压传感器的情况下,电压为对象物,在观测传感器为相机(CMOS传感器)的情况下,拍摄对象的工厂设备的部位本身或工厂设备的生产物为对象物。
[硬件结构]
图1示出本实施方式的状态预测装置的硬件结构。如图1所示,本实施方式的状态预测装置100具有CPU112、ROM113、RAM114、文件单元115、外部接口(I/F)116、监视器117、以及总线118。
CPU112实施运算处理。ROM113和文件单元115作为数据存储装置发挥功能。在ROM113中预先存储处理例程等程序。此外,文件单元115例如可以由HDD构成。监视器117显示处理结果。CPU112、ROM113、RAM114、文件单元115、外部接口116、监视器117通过总线118以能够收发指令、数据的方式连接,作为计算机发挥功能。
此外,在本实施方式的状态预测装置100中,除了以上结构外,还包含有电源装置等许多电气类的结构要素,但是为公知或一般性部件,因此省略详细说明。
另外,用于状态预测装置100取得作为观测对象的工厂设备的状态信息的观测传感器300与外部I/F116连接。观测传感器300具有例如电流传感器311、电压传感器312、温度传感器313、压力传感器314、加速度传感器315、相机316等。所连接的观测传感器的种类并不限于这些。
如上所述,本实施方式的状态预测装置100建立不固定地观测多个动作模式的测量数据的时序模型,计算对象物的预测值。
在建立时序模型时,持续地取得从观测传感器300输出的测量数据,按每个动作模式进行划分,生成按每个动作模式划分了的测量数据的时序模型。另外,预测值的计算是使用与在时序模型生成时所使用的测量数据不同的、新取得的测量数据来实施。以下对实现该功能的本实施方式的状态预测装置100的功能结构进行说明。
[功能块]
图2示出本实施方式的状态预测装置100的功能块。为了实现上述功能,本实施方式的状态预测装置100具有前处理学习部210和预测部220。
前处理学习部210根据以规定的时间间隔按时间顺序获取到的测量数据来生成学习数据,输入到学习算法中进行学习,生成学习完毕模型、每个分类的代表数据以及时序模型。学习数据是将测量数据按每个动作模式进行划分并分段化而得到的数据。在本实施方式中,按每个动作模式以各自最适合的时间长度进行分段化,并作为学习数据。
为了实现上述功能,前处理学习部210具有时间长度计算部211、学习数据生成部212、聚类部213、学习部214、和时序模型生成部215。
另外,预测部220与前处理学习部210相同地按每个动作模式以最适合的时间长度对从观测传感器300得到的测量数据进行划分,并使用前处理学习部210所生成的学习完毕模型、每个分类的代表数据以及时序模型来预测并评价未来时刻的测量数据。
为了实现上述功能,预测部220具有时间长度计算部221、预测用数据生成部222、分类决定部223、预测值计算部224、匹配评价部225。
上述各功能通过由CPU112将预先存储于ROM113、文件单元115中的程序加载于RAM114中并执行从而实现的。
另外,在文件单元115或ROM113中存储为了实现上述处理所需的程序和数据。在本实施方式中,例如,设置标签存储部230、学习数据集存储部240、学习完毕模型存储部250、代表数据存储部260、以及时序模型存储部270这些各存储部。下面,以这些存储部设置于文件单元115的情况为例进行说明。
[前处理学习部]
首先,说明前处理学习部210和预测部220的各部分的详情。
前处理学习部210的时间长度计算部211使用测量数据来计算观测对象的各动作模式的时间长度。所计算的时间长度是将测量数据按每个动作模式进行分段化时的时间长度。因此,下面将所计算的时间长度称为切取时间长度。
在本实施方式中,在每次取得测量数据时,制作测量值的直方图,计算其分布呈现例如正态分布等的一座山状的分布的时间长度来作为切取时间长度。计算方法的详情将在后面叙述。此外,在本实施方式中,为了后述的聚类部213的处理,需要规定数量的数据。因此,可以在取得充分满足该需要的期间的测量数据后,依次计算切取时间长度。
学习数据生成部212按每个动作模型切取测量数据,并生成要输入到学习算法中的学习数据。在本实施方式中,以由时间长度计算部211计算出的切取时间长度来划分测量数据,并生成学习数据。在本实施方式中,生成示出测量数据的时间性变化的波形数据,来作为学习数据。此外,还可以使用切取时间长度的测量数据的、示出各值的产生频率的分布的直方图(histogram)。波形数据示出各测量数据的值出现的顺序,直方图示出各测量数据的值的比例。
聚类部213在收集到规定数量的学习数据时,根据由按每个动作模式切取了的测量数据生成的各学习数据,生成监督式数据。在本实施方式中,按照预定的方法对各学习数据进行聚类(categorize,分类),生成使学习数据和分类结果相关联的监督式数据。所生成的监督式数据存储于学习数据集存储部240。
在执行聚类时收集的学习数据的数量(上述的规定数量)根据要观测的数据类型而不同。收集至少能够检测一套动作模式的数量的学习数据。在一套动作模式在短时间内出现的数据类型的情况下,使用根据例如数十秒量的测量数据生成的学习数据,在一套动作模式出现要花费较长时间的数据类型的情况下,使用根据数十天量的测量数据生成的学习数据。收集数根据数据类型而预先决定。
聚类例如使用k-means法、改进了k-means法的方法等。预先准备分类(类别)数和作为各类别的识别信息的标签,存储于标签存储部230。
图3中(a)示出存储于标签存储部230的标签数据231的例子。在学习数据为波形数据和直方图的情况下,分别准备标签。在此,作为一例,示出准备8种标签的情况即聚类为8个类别的情况的标签例。
在此,以使用k-means法聚类为8个类别的情况为例进行说明。此外,在动作模式为非已知的情况下,如本例那样向预先作为初始值决定的8个类别进行聚类并不恰当,其结果是,有时后文所示的学习部214的学习算法(深度学习网络)251的学习变得不收敛,或者匹配评价部225的评价结果超出了规定范围而需要再学习。在这种情况下,返回到此处的处理(聚类处理),增减标签数(类别数),重新聚类。例如,将类别数增加至10,重新聚类为10个类别,或将标签数减少至6,重新聚类为6个类别。
首先,聚类部213对各学习数据适当地分配8个标签。赋予了相同标签的学习数据被分为一个类别。
接下来,按每个类别计算与各学习数据对应的直方图特征量(次数、平均值、方差值、众数的次数、中央值等)的重心值(第一步骤)。使该类别的标签与所得到的8个重心值分别相关联。
之后,针对各学习数据的直方图特征量,分别计算与8个重心值之间的距离,重新赋予与最接近的重心值相关联的标签(第二步骤)。
反复进行第一步骤和第二步骤,直至重心值、标签的赋予不再变化,或者直至重心值的变化达到规定范围以下。最终与赋予各学习数据的标签对应的类别是该学习数据的分类结果(聚类结果)。即,各学习数据和赋予该学习数据的标签的组是监督式数据,存储于学习数据集存储部240。
此时,图3中(b)和图3中(c)示出存储于学习数据集存储部240的监督式数据组的结构例。在本实施方式中,作为监督式数据241,分别存储图3中(b)所示的波形数据的监督式数据241w和图3中(c)所示的直方图的监督式数据241h。
监督式数据241w是将取得时刻242w、学习数据(波形数据)243w、标签244w关联地存储。取得时刻242w例如设为各学习数据243w的切取时间长度的最初时刻等。另外,监督式数据241h是分别将取得时刻242h、学习数据(直方图数据)243h、标签244h关联地存储。
此外,下文,在无需区分监督式数据241w和监督式数据241h的情况下,使用监督式数据241来代表,另外,各项目也使用取得时刻242、学习数据243、标签244来代表。其他数据亦同。
学习部214将学习用数据集输入到预先决定了的学习算法中,生成学习完毕模型。在本实施方式中,例如使用深度学习来作为预先决定的学习算法。即,学习部214利用作为监督式数据组的学习用数据集来学习深度学习网络。
在本实施方式中,如图4中(a)所示,在前处理学习部210中,通过将由学习数据243组构成的学习数据集243a输入到学习算法251中,由此生成学习完毕的深度学习网络252。下面,将学习完毕的深度学习网络亦称为学习完毕模型252。然后,如图4中(b)所示,在预测部220中,使用该学习完毕模型252,将预测用数据243b设为分类243c。即,对各预测用数据243b赋予标签244。
在此,说明本实施方式的由学习部214生成的学习完毕的深度学习网络252的一例。图5是用于说明学习完毕的深度学习网络252的一例的图。
如该图所示,学习部214例如使学习数据集243a与预先设定的时间长度一致,并输入到学习算法251的数据输入窗口,所述学习数据集243a由根据以切取时间长度切取出的测量数据而得到的学习数据243组构成。另外,数据的时间长度通过对时间长度前后的数据进行添加或者使数据重复等而使长度一致。
如图5所示,输入到数据输入窗口中的数据在深度学习网络的卷积层、激活函数(Maxout)层、池化(Pooling)层各层被提取特征,并被输入到全连接层(Fully connection)层。然后,在全连接层,根据特征的组合,输出为分类结果。此外,也可以采用将卷积层、激活函数层、池化层这3组的层重复若干次的结构。
在本实施方式中,最终作为学习完毕模型252,存储学习完毕的深度学习网络252的层数、节点数、各节点间的联系、权重等。
另外,在学习部214学习后或通过聚类部213聚类后,生成每个标签244的代表数据,并与标签244相关联地存储于代表数据存储部260。代表数据是通过按每个标签244对赋予了该标签的波形数据和/或直方图的平均值进行计算从而获得的。平均值是例如在波形数据的情况下通过将赋予了相同标签的波形数据叠加并除以波形数量而计算的。
图3中(d)和图3中(e)示出存储于代表数据存储部260中的代表数据库261(261w、261h)的例子。在代表数据库261w中,与各标签244w相关联地存储作为波形数据的代表数据的代表波形数据263w。另外,在代表数据库261h中,同样地与标签244h相关联地存储代表直方图263h。
时序模型生成部215时序地排列各标签244,生成时序模型。在本实施方式中,针对每个规定期间(模型生成单位期间),时序地对赋予各学习数据的标签244进行排列,生成为时序模型。在本实施方式中,通过按照该学习数据的生成顺序对存储于学习数据集存储部240中的各学习数据的标签244进行排列,由此生成时序模型。另外,生成了的时序模型存储于时序模型存储部270中。
此外,模型生成单位期间例如为1小时、1天等,根据测量数据的类型而预先决定。
图6示出存储于时序模型存储部270中的时序模型数据271的例子。时序模型数据271按每个时序模型273,与对时序模型273进行识别的时序模型识别信息(模型ID)272相关联地存储。当时序地被排列的标签244的排列顺序不同时,成为不同的时序模型273,分别赋予模型ID272。
此外,在图6所示的例子中,标签244的排列顺序至少一个不同的时序模型273作为不同的时序模型而赋予不同的模型ID 272,但不限于此。也可以构成为将多个标签244的排列顺序类似的时序模型273作为一个组而赋予相同的模型ID272。
另外,在使用波形数据和直方图这两者作为学习数据的情况下,将两个数据的排列顺序合并,作为一个标签的排列顺序来处理。例如,在图5的例子中,模型ID 272的TS_1、TS_2的直方图的标签的排列顺序相同,但波形数据的标签排列顺序不同,因此作为不同的标签排列顺序,它们被赋予不同的模型ID 272。
[预测部]
接下来,说明预测部220的各结构。预测部220的时间长度计算部221和预测用数据生成部222分别具有与前处理学习部210的时间长度计算部211和学习数据生成部212相同的功能。但是,将预测用数据生成部222生成的数据称为预测用数据。
在预测部220,生成与前处理学习部210所生成的学习数据相同类型的学习数据。即,在生成波形数据和直方图这两种学习数据的情况下,预测部220生成波形数据和直方图这两种预测用数据。另一方面,在生成仅为波形数据的学习数据的情况下,生成仅为波形数据的预测用数据。
分类决定部223将所生成的预测用数据输入到学习算法中,决定该预测用数据的分类,赋予对该分类设定的标签244。在本实施方式中,此时,使用学习完毕模型252。
预测值计算部224在将赋予了标签244的预测用数据收集到规定数量时,使用这些预测用数据来预测未来时刻的测量数据。在本实施方式中,首先,实施作为预测标签确定部的处理。即,对所收集到的预测用数据的标签244时序地进行排列,并将其与存储于时序模型存储部270中的时序模型273进行比较,确定相似的时序模型273。然后,根据所确定的时序模型273,确定未来时刻的预测用数据的标签244。
然后,预测值计算部224计算与所确定的标签244相关联地存储于代表数据存储部260中的代表数据(波形数据和直方图)263,作为预测值(期待值)。
匹配评价部225对计算出的预测值与该未来时刻的实测了的测量数据(实测数据)进行比较,并进行评价(匹配)。评价可以在例如知道偏差σ的情况下,根据是否落入从预测值起3σ的范围来实施评价。
评价是例如针对前处理学习部210生成了的学习完毕模型的妥当性而实施的。在评价中,计算预测值与实测数据之间的差异,只要差异落入规定的范围内,就判断为妥当,在超出规定范围的情况下,判断为需要再学习。
此外,也可以不判断学习完毕模型的妥当性,而判断有无产生故障或异常。例如,计算预测值与实测数据之间的差异,在差异超出规定范围内的情况下,判断为有可能产生故障或异常。
[状态预测处理]
接下来,说明本实施方式的状态预测装置100的状态预测处理的流程。图7是本实施方式的状态预测处理的整体流程的流程图。
如该图所示,首先,前处理学习部210实施前处理和学习处理(步骤S1100)。在此,作为前处理和学习处理,前处理学习部210实施聚类、学习、时序模型生成处理,并生成学习完毕模型、时序模型、各类的代表数据。之后,预测部220使用最新的测量数据、学习完毕模型、代表数据以及时序模型,实施预测处理(步骤S1200)。此外,前处理和学习处理与预测处理是独立实施的。
以下,分别详细说明前处理和学习处理、以及预测处理。在此,以生成波形数据和直方图这两种学习数据的情况为例进行说明。
[前处理和学习处理]
图8是本实施方式的由前处理学习部210实施的前处理和学习处理的处理流程。在本实施方式中,在前处理和学习处理中,生成学习完毕模型、各分类的代表数据、以及时序模型。该前处理和学习处理以来自用户的开始指示、预先设定的时间表、以及测量的划分信号等为契机而被执行。并且,使用作为观测对象的工厂设备处于正常状态时的测量数据来执行。设为前处理学习部210以规定的时间间隔从观测传感器300接收测量数据。在此,m是计数器,对切取时间长度TW的个数进行计数。
首先,前处理学习部210对计数器m进行初始化(m=1)(步骤S1100)。
时间长度计算部211获取测量数据(步骤S1101),在每次获取时,实施第m个切取时间长度TW(m)的计算处理(步骤S1102)。时间长度计算部211反复进行测量数据的获取和切取时间长度TW(m)的计算处理,直至决定切取时间长度TW(m)为止(步骤S1103)。切取时间长度决定处理的详情在后面叙述。
若决定了第m个切取时间长度TW(m),学习数据生成部212生成学习数据(步骤S1104)。在此,首先从获取到的测量数据对切取时间长度TW(m)量的波形数据和直方图进行切取。然后,针对以切取时间长度TW(m)切取出的波形数据和直方图,实施收敛于规定数据值范围(动态范围)的标准化等处理,生成为学习数据。此外,此时也可以去除周期性变化、季节变动等主要因素。此外,每次生成学习数据,丢弃刚刚获取到的测量数据。
前处理学习部210重复以上处理,收集规定数量的学习数据。在生成了规定数量的学习数据后(步骤S1105),聚类部213对所收集到的规定数量的学习数据(波形数据和直方图)进行聚类(步骤S1106),将这些分别作为监督式数据。由此,生成监督式数据集、即学习数据集243a。
此外,在未收集到规定数量的学习数据的情况下,使m增加1(步骤S1110),并返回到步骤S1101,反复进行处理。
学习部214将所生成了的学习数据集243a输入到学习算法251中,使之学习(步骤S1107),生成学习完毕模型252。此时,也生成各分类的代表数据263。
在此,时序模型生成部215判别是否完成了预先决定的模型生成单位期间TDT量的测量数据的聚类(步骤S1108)。在此,判别是否从处理开始起经过了模型生成单位期间TD。
在没有经过模型生成单位期间TD的情况下(步骤S1108;否),返回到步骤S1100,反复进行处理。
另一方面,在经过了模型生成单位期间TD的情况下(步骤S1108;是),时序模型生成部215生成时序模型(步骤S1109),结束处理。
时序模型生成部215例如对模型生成单位期间TD的标签244的排列顺序时序地进行抽取。然后,参照已经生成了的时序模型273,判别有无相同的排列顺序的时序模型273。在有排列顺序相同的时序模型273的情况下,直接结束处理。另一方面,在没有排列顺序相同的时序模型273的情况下,重新设定模型ID 272,将标签244的排列顺序作为时序模型273登记到时序模型存储部270,结束处理。
此外,在按照规定的相似性的标签244的排列顺序来赋予相同的模型ID 272的组管理的情况下如以下这样实施。首先,判别是否登记有预先决定的相似性的范围内的时序模型273。然后,在登记有该时序模型的情况下,直接结束处理。另一方面,在未登记有该时序模型的情况下,重新设定模型ID 272,并登记所得到的时序模型273。
[时间长度计算处理]
接下来,根据图9说明上述S1102的时间长度计算处理的流程。在此,还包括步骤S1101的测量数据的获取处理在内进行说明。在本实施方式中,每次得到测量数据,就制作示出每个该测量数据值的频率的直方图。而且,该直方图将示出近似于一座山状分布的分布的期间作为一个动作模式期间,并将切取波形数据和直方图设为切取时间长度TW(m)。具体而言,将从测量数据的收集开始起至直方图的方差值的倒数取极大值的时刻为止设为切取时间长度TW(m)。
在此,设为测量数据是每隔Δt而收集的数据。另外,将决定了前一次(第m-1次)的切取时间长度TW(m-1)时的从最终时刻起经过了Δt的时刻设为测量数据的收集开始时刻t0。n是计数器。另外,即使收集N个测量数据也没有决定切取时间长度TW(m)的情况下,将预先决定的时间长度作为切取时间长度TW(m)。
首先,实施初始处理(步骤S1301)。在此,取得时刻t0的测量数据Dt(0)和时刻t1(t1=t0+Δt)的测量数据Dt(1),存储于例如RAM114等中。然后,将计数器n设为2。
接下来,取得时刻tn(tn=t0+Δt·n)的测量数据Dt(n)(步骤S1302)。
使用在从Dt(0)至Dt(n)之间取得的测量数据,制作直方图(步骤S1303)。
然后,计算出所制作的直方图的方差的倒数V(n),并存储(步骤S1304)。此外,方差是通过求取作为计算对象的测量数据的平均值,并将该平均值与各测量数据的值之差的平方和除以全部数据的数量而得到。
然后,计算V’(n)和V”(n)(步骤S1305)。V’(n)是从直至在前一次取得了的测量数据Dt(n-1)为止的直方图的方差的倒数V(n-1)减去V(n)而得到的值。另外,V”(n)是从V’(n-1)减去V’(n)而得到的值。
然后,判别是否满足V’(n)的绝对值小于预先决定的阈值Th且V”(n)为负这样的条件(步骤S1306)。
在步骤S1306的判别结果不满足条件的情况下,判别是否处理了规定数量的测量数据(步骤S1310)。在没有完成规定数量的测量数据的处理的情况下,使n增加1(步骤S1311),并返回到步骤S1302,反复进行处理。
在步骤S1306的判别结果满足条件的情况、以及在步骤S1310中完成了规定数量的测量数据的处理的情况下,将取得了该时点的处理对象的测量数据Dt(n)的时刻tn作为时间划分点(步骤S1307)。而且,将从t0至时刻tn设为切取时间长度T(m)。
然后,为了下一个时间长度设定处理,设定t0(步骤S1308),结束处理。在此,t0设为将时刻tn加上Δt而得到的时刻。
以具体例说明以上的由时间长度计算部211实施的时间长度计算处理。例如,设为测量数据320如图10中(a)所示随时间变化。此外,测量数据320是如上所述按每个Δt取得的离散值。另外,图10中(b)是对测量数据320的各值的频率进行图表化而得到的直方图330。
时间长度计算部211如图11中(a)所示,在每次以规定的时间间隔Δt取得测量数据320时,如图11(b)所示那样制作直方图330。而且,在每次制作直方图330时,判别是否其方差的倒数V(n)取极大值。具体而言,计算V’(n)、V”(n),判断步骤S1306的条件。
满足步骤S1306的条件即将直到直方图的方差的倒数V(n)取了极大值的时点t1为止设为第一个切取时间长度TW(1)。
然后,将t1加上了Δt的时刻、即将取得第一个切取时间长度TW(1)的最后的测量数据320的下一个测量数据320的时刻设为下一个处理循环的数据的收集开始时刻t0。之后,重新开始进行测量数据320的收集和直方图330的制作。这是用于决定第二个切取时间长度TW(2)的处理。
时间长度计算部211开始进行第二个切取时间长度TW(2)的判定。图12中(a)示出在这种情况下的测量数据320的变化的情况。另外,图12中(b)示出直方图的变化的情况。
在该情况下,也将t1+Δt设为t0,如图12中(a)所示,从t0起每隔Δt取得测量数据320。然后,如图12中(b)所示,每次取得测量数据,就制作直方图330,每次判别方差的倒数V(n)是否取极大值。而且,将直到取了极大值的时点t2为止设为第二个切取时间长度TW(2)。
然后,将t2加上了Δt的时刻、即取得第二个切取时间长度TW(2)的最后测量数据320的下一个测量数据320的时刻设为t0,重新开始进行测量数据320的收集和直方图的制作。这是用于决定第三个切取时间长度TW(3)的处理。
时间长度计算部211开始进行第三个切取时间长度TW(3)的判定。图13中(a)示出在这种情况下的测量数据320的变化的情况。另外,图13中(b)示出直方图的变化的情况。
在该情况下,也将t2+Δt设为t0,如图13中(a)所示,从t0起,每隔Δt取得测量数据320。然后,如图13中(b)所示,每次取得测量数据320,就制作直方图330,每次判别方差的倒数V(n)是否取极大值。而且,将直到取极大值的时点t3为止决定为第三个切取时间长度TW(3)。
时间长度计算部211反复进行以上处理,并制作直至第M个切取时间长度TW(M)为止。
[预测处理]
接下来,说明由预测部220进行的预测处理的流程。图14是本实施方式的预测处理的处理流程。预测处理以来自用户的开始指示或预先设定了的时间表或测量的划分信号等为契机而开始。
预测部220的时间长度计算部221与学习处理相同地,在每次获取测量数据(步骤S1201)时,尝试计算切取时间长度(步骤S1202)。反复执行步骤S1201和S1202,直至决定切取时间长度。切取时间长度的计算方法与前处理学习部210的时间长度计算部211的处理相同。
在时间长度计算部221决定了切取时间长度后(步骤S1203;“是”),预测用数据生成部222生成预测用数据(步骤S1204)。预测用数据的生成方法基本上与由前处理学习部210的学习数据生成部212进行的学习数据生成方法相同。例如,实施标准化处理,以使值收敛于规定的值的范围(动态范围)。另外,可以去除周期性的变化、季节变动等重要因素。
接下来,分类决定部223使用学习算法和学习完毕模型,对生成了的预测用数据(波形数据和直方图)进行分类(步骤S1205)。在此,赋予对被分类的类别设定的标签244。
之后,预测值计算部224按时刻顺序对至此分类了的各切取时间长度的预测用数据的标签244进行排列。然后,与所存储的时序模型273相比,确定包括相似性最高的排列顺序的时序模型(组)273,作为最相似时序模型(步骤S1206)。
例如,在根据波形数据的预测用数据而得到的标签244的排列顺序为Aw、Bw、Cw,且根据直方图的预测用数据而得到的标签244的排列顺序为Eh、Bh、Ch的情况下,在图6所示的时序模型数据271中,模型ID 272为TS_4的时序模型273的相似性最高。因此,将模型ID 272为TS_4的时序模型273确定为最相似时序模型。
另外,在根据波形数据的预测用数据而得到的标签244的排列顺序为Bw、Dw、Aw,且根据直方图的预测用数据而得到的标签244的排列顺序为Ah、Ah、Ah的情况下,在图6所示的时序模型数据271中,模型ID 272为TS_3的时序模型273包含该排列顺序,相似性最高。因此,模型ID为272TS_3的时序模型273确定为最相似时序模型。
此外,在仅使用波形数据作为学习数据和预测用数据的情况下,仅根据波形数据的时序模型来决定最相似时序模型。
然后,预测值计算部224使用决定了的最相似时序模型,预测之后的波形数据和直方图(步骤S1207)。在此,根据所决定的最相似时序模型,确定之后的标签(预测标签)。而且,将与该预测标签相关联地存储的代表数据263(代表波形数据263w和/或代表直方图263h)作为预测值。
例如,在最相似时序模型为图6所示的模型IDTS_4的时序模型273的上述例子的情况下,关于波形数据,下一个标签244是Dw。因此,计算与标签Dw相关联地存储的代表波形数据263w,作为预测值。
之后,匹配评价部225对从之后的观测传感器300输出的实际测量数据和在步骤S1207中得到的预测值进行比较和评价(步骤S1208)。
如以上说明的那样,本实施方式的状态预测装置100具有:学习数据生成部212,其以规定的时间间隔取得由对观测对象的状态进行观测的第一观测传感器300得到的第一传感器数据,按观测对象的每个动作模式进行划分,生成学习数据;聚类部213,其将所生成的规定数量的所述学习数据分别分类为预先决定的类别,赋予针对每个类别预先准备的标签,生成监督式数据;学习部214,其将规定数量的监督式数据输入到学习算法中并进行学习,生成该学习算法的学习完毕模型252,并且生成所述类别各自的代表数据;时序模型生成部215,其按照该学习数据的生成顺序对在预先决定了的模型生成单位期间内由聚类部213赋予学习数据的标签244时序地进行排列,生成时序模型273;以及预测部220,其使用时序模型273,根据新取得了的第一传感器数据来计算第一传感器数据的预测值,作为未来时刻的观测对象的状态。
因此,根据本实施方式,即使在观测对象具有多个动作模式、测量数据复杂变化的情况下,也按每个动作模式进行划分并生成学习数据,因此恰当地反映状态,并根据划分出的数据,能够生成用于状态预测的学习数据。根据使用恰当的学习数据进行了学习而得到的结果,生成用于预测的学习完毕模型、代表数据以及时序模型,因此能够获得高精度的预测值。
另外,本实施方式的状态预测装置100还可以具有时间长度计算部,该时间长度计算部使用第一传感器数据来计算每个动作模式的时间长度,作为切取时间长度。通过具有时间长度计算部,本实施方式的状态预测装置100能够根据实际的测量数据来检测动作模式的划分。因此,能够以更高的精度检测动作模式,并能根据检测结果来划分测量数据。因此,能够得到更高精度的预测值。
这样,根据本实施方式,基于与观测对象物相关的物理量(测量数据)的时序观测值,能够高精度地预测观测对象物的状态。
另外,在本实施方式中,对于直方图,也可以一并进行聚类,使之学习并进行分类。在测量数据中,根据其性质存在以下类型的测量数据:与表示规定时间长度内的值出现的顺序的波形(波形数据)相比,在表示值的比例的分布(直方图)上更具意义。对于直方图,也通过实施与波形数据相同的处理,从而针对这种类型的测量数据,能够根据其特征来准确地分类。即,根据本实施方式,能够多方面地解析测量数据。
<变形例>
此外,在上述实施方式中,在时间长度计算处理中,将从测量数据的收集开始起至直方图的方差值的倒数取极大值的时刻为止决定为切取时间长度TW(m)。然而,切取时间长度的决定方法不限于此。例如,可以每次取得测量数据,计算从取得开始时刻起的测量数据值(测量值)的平均值,将平均值的变化取极值的时刻之间作为切取时间长度TW(m)。
在这种情况下,具体而言,计算测量数据值的平均值的变化量(微分),将直到变化量变为小于预先决定的阈值的时刻作为切取时间长度TW(m)。此外,将阈值设为接近0的值。
图15示出例如取1000次测量数据的情况下(1000次数)的测量数据值的平均值的推移。在本图表中,横轴为测量数据的次数,纵轴为测量数据的平均值。
如该图所示,在1~50次数之间、351~400次数之间、451~500之间、651~700次数之间、以及800~851次数之间等,平均值的变化取极值。在这些各期间中,图16中(a)~图17中(b)分别示出1~50次数之间的平均值的推移、51~400次数之间的平均值的推移、351~500次数之间的平均值的推移、以及481~700次数之间的平均值的推移的放大图。在各图中,纵轴为测量数据的平均值,横轴为图表的观测期间的观测数的次数(累计)。即,横轴的最左值(0)在图16的(a)中为1,在图16的(b)中为51,在图17的(a)中为351,在图17的(b)中为481。
在本变形例中,每次获得测量数据,计算从时刻t0至该时点为止的各测量数据的平均值,并作为平均值的推移。计算与在前一次计算的平均值之差。如这些图所示,当该差大致接近0时,视为取极值,作为时间划分点。
《第二实施方式》
接下来,说明本发明的第二实施方式。在本实施方式中,分别预测同时取得的来自多个观测传感器300的测量数据。但是,切取时间长度使用特定的测量数据来决定,并将该切取时间长度应用于其他全部的测量数据。
以下,将决定切取时间长度的测量数据称为主测量数据(由第一观测传感器得到的第一传感器数据),将其他数据称为次要测量数据(包含由第二观测传感器得到的第二传感器数据),来说明本实施方式。例如,在第一实施方式的图10的(a)的例子中,320为主测量数据,其他的321、322为次要测量数据。
此外,在本实施方式中,关于全部的多个测量数据,分别将该测量数据作为主测量数据,将剩余的测量数据作为次要测量数据,实施以下处理。下面,以将特定的测量数据作为主测量数据,将剩余的测量数据作为次要测量数据的情况为例,来说明本实施方式。
本实施方式的状态预测装置100的硬件结构和功能块与第一实施方式相同。以下,着眼于与第一实施方式不同的结构,说明本实施方式。
其中,在本实施方式中,除了主测量数据320以外,还针对次要测量数据321、322,以主测量数据320的切取时间长度进行切取,生成学习数据。而且,分别生成学习完毕模型,并生成每个类别(标签)的代表数据和时序模型。
使用图18说明本实施方式的概要。图18示出针对各测量数据a~e,分别使用第一实施方式的方法来决定切取时间长度并分别赋予了标签244的状态。
在此,将测量数据a作为主测量数据,将剩余的测量数据b~e作为次要测量数据。在本实施方式中,例如,在将主测量数据设为测量数据a的情况下,次要测量数据b~e的测量数据也以主测量数据a的切取时间长度进行切取,分别生成学习数据。
例如,关于主测量数据a的被赋予了标签a2的切取时间长度,次要测量数据b~e与其测量数据固有的时间划分(切取时间长度)无关,以主测量数据a的切取时间长度进行切取,用于之后的处理。
使用图19说明本实施方式的由学习部214实施的学习的情况。在本实施方式中,将根据主测量数据得到的学习数据和根据次要测量数据得到的学习数据全部输入到数据输入窗口中,与第一实施方式相同地进行学习。而且,最终得到学习完毕模型252。
图20示出本实施方式的学习处理的处理流程。关于本实施方式的学习处理,直到步骤S1103的决定切取时间长度为止,与第一实施方式相同。但是,用于决定切取时间长度的数据为主测量数据320。
在决定切取时间长度之后,学习数据生成部212生成主测量数据320和次要测量数据321、322的各自的学习数据(步骤S2101)。此时,切取时间长度TW(m)使用利用与第一实施方式相同的方法根据主测量数据320决定的切取时间长度。其他生成方法与第一实施方式的学习数据生成方法相同。即使在本实施方式中,也可以针对各测量数据,生成波形数据和直方图的学习数据。
之后,在积累了规定量的学习数据后(步骤S1105),聚类部213实施根据主测量数据320生成了的学习数据的聚类、和次要测量数据321、322的聚类(步骤S2102)。对主测量数据的聚类与第一实施方式相同。
另一方面,关于次要测量数据,利用与主测量数据相同的方法,对以切取时间长度TW(m)切取次要测量数据而得到的学习数据分别进行分类。由此,针对各测量数据,生成监督式数据。此外,类别数、各类别的标签按次要测量数据的种类而预先进行准备。
然后,如图19所示,学习部214将全部的生成了的学习数据集243a输入到学习算法251中使之学习(步骤S2103),生成学习完毕模型252,并且计算代表数据。
之后,在本实施方式中,时序模型生成部215判别是否经过了模型生成单位期间TD(步骤S1106)。并且,在未经过的情况下,将用于计算切取时间长度的计数器m的值增加1(步骤S1108),返回到步骤S1101,反复进行处理。
另一方面,在经过了模型生成单位期间TD的情况下,时序模型生成部215针对主测量数据和次要测量数据的各自的波形数据和直方图,生成时序模型273(步骤S1107),结束处理。
另外,在预测处理中,也与学习处理相同地,使用主测量数据来计算切取时间长度。之后,以决定了波形数据和直方图的切取时间长度,分别对主测量数据和次要测量数据进行切取,并生成预测用数据。然后,使用各自的预测用数据进行分类,并实施预测。
使用图21说明本实施方式的预测处理的流程。本实施方式的预测处理也是直到步骤S1203的决定切取时间长度为止与第一实施方式相同。但是,用于决定切取时间长度的数据为主测量数据320。
在决定了切取时间长度之后,预测用数据生成部222生成主测量数据320和次要测量数据321、322的各自的预测用数据(步骤S2204)。预测用数据的生成方法与第一实施方式相同。
之后,分类决定部223与第一实施方式相同,将全部的预测用数据输入到学习完毕模型的深度学习网络,决定各预测用数据的分类,确定所赋予的标签244(步骤S2205)。在此,针对根据主测量数据320和次要测量数据321、322分别生成了的预测用数据,实施分类的决定和标签244的确定。
之后,与第一实施方式相同,预测值计算部224针对主测量数据320、次要测量数据321、322分别确定相似时序模型(步骤S2206)。然后,预测未来时刻的波形数据和直方图(步骤S2207),作为预测值。
接着,匹配评价部225将从以下从观测传感器300输出的实际测量数据与在步骤S2207得到的预测值进行比较,实施与第一实施方式相同的评价(步骤S1208)。
如上所述,在本实施方式中,将所有类型的测量数据分别作为主测量数据,将剩余的测量数据作为次要测量数据,实施上述处理。也可以根据其结果,之后将主测量数据固定为一个或特定组的测量数据。希望主测量数据在多个类型的测量数据中例如选择测量数据值的变化最追随动作模式的变化的数据。
如以上说明所示,本实施方式的状态预测装置100在第一实施方式的结构的基础上,对于次要测量数据,也与主测量数据相同地进行聚类,生成学习完毕模型252、代表数据263以及时序模型273。
这样,根据本实施方式,在第一实施方式的效果的基础上,能够以简单的结构高精度地预测多种测量数据。
本发明并不限于上述实施方式,包括各种变形例。例如,上述实施方式是为了容易理解本发明而进行说明的,未必限于具有所说明的全部结构。另外,能够将某个实施方式的结构的一部分置换为其他实施方式的结构,另外,还能够在某个实施方式的结构中增加其他实施方式的结构。另外,能够对各实施方式的结构的一部分进行其他结构的追加、删除、以及置换。
另外,也可以通过例如使用集成电路来设计等,利用硬件实现上述各结构、功能、处理部、以及处理单元等的部分或全部。
另外,控制线、信息线示出了被认为在说明上需要的部分,在产品上未必示出全部的控制线、信息线。可以认为实际上几乎全部的结构都相互连接。
附图标记说明
100:状态预测装置,112:CPU,113:ROM,114:RAM,115:文件单元,116:外部接口,117:监视器,118:总线,210:前处理学习部,211:时间长度计算部,212:学习数据生成部,213:聚类部,214:学习部,215:时序模型生成部,220:预测部,221:时间长度计算部,222:预测用数据生成部,223:分类决定部,224:预测值计算部,225:匹配评价部,230:标签存储部,231:标签数据,240:学习数据集存储部,241:监督式数据,241h:监督式数据,241w:监督式数据,242:取得时刻,242h:取得时刻,242w:取得时刻,243:学习数据,243a:学习数据集,243b:预测用数据,243c:分类,243w:波形数据的学习数据,243h:直方图的学习数据,244:标签,244h:标签,244w:标签,250:学习完毕模型存储部,251:学习算法,252:学习完毕模型,260:代表数据存储部,261:代表数据库,261w:代表数据库,261h:代表数据库,263:代表数据,263h:代表直方图,263w:代表波形数据,270:时序模型存储部,271:时序模型数据,272:模型ID,273:时序模型,300:观测传感器,311:电流传感器,312:电压传感器,313:温度传感器,314:压力传感器,315:加速度传感器,316:摄相机,320:测量数据(主测量数据),321:次要测量数据,322:次要测量数据,330:直方图。
Claims (8)
1.一种状态预测装置,其中,具有:
学习数据生成部,其以规定的时间间隔取得由对观测对象的状态进行观测的第一观测传感器得到的第一传感器数据,按所述观测对象的每个动作模式进行划分,生成学习数据;
聚类部,其将生成的规定数量的所述学习数据分别分类为预先决定的类别,并赋予针对每个所述类别预先准备的标签,生成了监督式数据;
学习部,其将所述规定数量的监督式数据输入到学习算法中进行学习,生成该学习算法的学习完毕模型,并且生成各所述类别的代表数据;
时序模型生成部,其按照该学习数据的生成顺序对在预先决定的模型生成单位期间内由所述聚类部赋予所述学习数据的所述标签时序地进行排列,生成时序模型;以及
预测部,其使用所述时序模型,根据新取得的第一传感器数据来计算所述第一传感器数据的预测值,作为未来时刻的所述观测对象的状态。
2.根据权利要求1所述的状态预测装置,其中,
还具有时间长度计算部,其使用所述第一传感器数据,计算每个所述动作模式的时间长度,作为切取时间长度,
所述学习数据生成部以所述时间长度计算部计算出的切取时间长度来划分所述第一传感器数据,
所述时间长度计算部在每次取得所述第一传感器数据时生成该第一传感器数据的值的直方图,将所述直方图示出山状的分布的时间长度作为所述切取时间长度。
3.根据权利要求2所述的状态预测装置,其中,
所述时间长度计算部在每次生成所述直方图时计算所述直方图的方差的倒数,计算从前一次的切取时间后至所述方差的倒数取极大值的时刻为止的期间作为所述切取时间长度。
4.根据权利要求1所述的状态预测装置,其中,还具有:
代表数据存储部,其将各类别的所述代表数据与每个所述类别的所述标签相关联地存储;和
时序模型存储部,其将在每个所述模型生成单位期间生成的、所述标签的排列顺序不同的所述时序模型分别与时序模型识别信息相关联地存储,
所述预测部具有:
预测用数据生成部,其将以规定的时间间隔取得的所述第一传感器数据按每个所述动作模式进行划分,生成预测用数据;
分类决定部,其将生成了的所述预测用数据输入到所述学习完毕模型中,分类为所述类别中的任一个,赋予对所述类别设定的所述标签;
预测标签确定部,其在每次赋予所述标签时,时序地排列所述标签,在存储于所述时序模型存储部的所述时序模型中,确定排列顺序的相似性最高的时序模型,根据所确定的所述时序模型来确定未来时刻的标签,作为预测标签;以及
预测值计算部,其计算与所确定的所述预测标签相关联地存储于所述代表数据存储部中的所述代表数据,作为所述第一传感器数据的所述预测值。
5.根据权利要求2所述的状态预测装置,其中,
所述学习数据生成部以使用所述第一传感器数据计算出的所述切取时间长度,对由第二观测传感器得到的第二传感器数据进行划分,进一步生成所述学习数据,所述第二观测传感器对所述观测对象的与所述第一观测传感器不同的状态进行观测,
所述聚类部将根据所述第二传感器数据生成的所述学习数据分类为为了所述第二传感器数据而预先决定的类别,并赋予针对每个所述类别预先准备的第二标签,生成所述第二传感器数据的所述监督式数据,
所述学习部将规定数量的所述第一传感器数据的监督式数据和所述第二传感器数据的监督式数据输入到所述学习算法中,生成所述学习完毕模型,
所述时序模型生成部时序地排列所述第二标签,进一步生成第二时序模型,
所述预测部使用所述第二时序模型,根据新取得的所述第二传感器数据进一步计算所述第二传感器数据的预测值,作为所述未来时刻的所述观测对象的状态。
6.根据权利要求1所述的状态预测装置,其中,
具有时间长度计算部,所述时间长度计算部使用所述第一传感器数据计算每个所述动作模式的时间长度,作为切取时间长度,
所述学习数据生成部以所述时间长度计算部计算出的切取时间长度,来划分所述第一传感器数据,
所述时间长度计算部在每次取得所述第一传感器数据时计算该第一传感器数据的从取得开始时刻起的值的平均值,并计算所述平均值取极值的时刻之间作为所述切取时间长度。
7.根据权利要求1至6中任一项所述的状态预测装置,其中,
还具有匹配评价部,其对所述预测值和所述新取得的第一传感器数据进行比较和评价。
8.一种状态预测控制方法,具有:
学习数据生成步骤,反复实施以下处理来得到规定数量的学习数据,所述处理为:以规定的时间间隔取得由对观测对象的状态进行观测的第一观测传感器得到的第一传感器数据,按所述观测对象的每个动作模式进行划分,生成所述学习数据;
聚类步骤,将规定数量的所述学习数据分别分类为预先决定的类别,赋予针对每个所述类别预先决定的标签,生成监督式数据;
学习步骤,将所述规定数量的监督式数据输入到学习算法中进行学习,生成该学习算法的学习完毕模型,并且生成各所述类别的代表数据;
时序模型生成步骤,按照该学习数据的生成顺序,时序地对在预先决定的模型生成单位期间内赋予所述学习数据的所述标签进行排列,生成时序模型;以及
预测步骤,其使用所述时序模型,根据新取得的所述第一传感器数据计算所述第一传感器数据的预测值,作为未来时刻的所述观测对象的状态。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/007039 WO2019163141A1 (ja) | 2018-02-26 | 2018-02-26 | 状態予測装置および状態予測制御方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110431570A true CN110431570A (zh) | 2019-11-08 |
Family
ID=67688250
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880012012.2A Pending CN110431570A (zh) | 2018-02-26 | 2018-02-26 | 状态预测装置和状态预测控制方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210383250A1 (zh) |
EP (1) | EP3605410A4 (zh) |
JP (1) | JP6670418B2 (zh) |
CN (1) | CN110431570A (zh) |
WO (1) | WO2019163141A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052310A (zh) * | 2019-12-27 | 2021-06-29 | 佳能医疗系统株式会社 | 医用信息处理装置 |
CN114251295A (zh) * | 2020-09-23 | 2022-03-29 | 株式会社岛津制作所 | 泵监视装置、真空泵、泵监视方法及存储介质 |
CN116601576A (zh) * | 2020-12-08 | 2023-08-15 | 杰富意钢铁株式会社 | 时间序列信号的触发条件决定方法、监视对象设备的异常诊断方法以及时间序列信号的触发条件决定装置 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7230754B2 (ja) * | 2019-09-26 | 2023-03-01 | いすゞ自動車株式会社 | モデル作成装置及びモデル作成方法 |
JP7226226B2 (ja) * | 2019-09-26 | 2023-02-21 | いすゞ自動車株式会社 | モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 |
JP7230755B2 (ja) * | 2019-09-26 | 2023-03-01 | いすゞ自動車株式会社 | モデル作成装置及びモデル作成方法 |
JP7243553B2 (ja) * | 2019-09-26 | 2023-03-22 | いすゞ自動車株式会社 | モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 |
JP7364431B2 (ja) * | 2019-11-06 | 2023-10-18 | ファナック株式会社 | 機械学習装置、予測装置、及び制御装置 |
JP7335154B2 (ja) * | 2019-12-17 | 2023-08-29 | 株式会社東芝 | 情報処理装置、情報処理方法、およびプログラム |
JP7293156B2 (ja) * | 2020-03-13 | 2023-06-19 | 株式会社東芝 | 情報処理装置、情報処理方法およびプログラム |
US11740613B2 (en) * | 2020-05-12 | 2023-08-29 | Kabushiki Kaisha Toshiba | Monitoring apparatus, monitoring method, computer program product, and model training apparatus |
JP7268266B2 (ja) | 2021-07-30 | 2023-05-08 | 東芝デジタルエンジニアリング株式会社 | 事象分類装置、事象分類プログラム、故障・不良判定装置及び良・不良判定装置 |
JP7400855B2 (ja) | 2022-03-23 | 2023-12-19 | いすゞ自動車株式会社 | モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 |
JP7400856B2 (ja) | 2022-03-23 | 2023-12-19 | いすゞ自動車株式会社 | モデル作成装置、データ生成装置、モデル作成方法及びデータ生成方法 |
CN115270998B (zh) * | 2022-09-26 | 2022-12-02 | 乐山师范学院 | 时间序列的有序分类方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7162393B1 (en) * | 2005-09-01 | 2007-01-09 | Sun Microsystems, Inc. | Detecting degradation of components during reliability-evaluation studies |
US20150112900A1 (en) * | 2013-10-23 | 2015-04-23 | Honda Motor Co., Ltd. | Time-series data prediction device, time-series data prediction method, and program |
US20150235133A1 (en) * | 2012-09-12 | 2015-08-20 | Nec Corporation | Data concentration prediction device, data concentration prediction method, and recording medium recording program thereof |
US20170147930A1 (en) * | 2015-01-30 | 2017-05-25 | Hewlett Packard Enterprise Development Lp | Performance testing based on variable length segmentation and clustering of time series data |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5427107B2 (ja) * | 2010-05-20 | 2014-02-26 | 株式会社日立製作所 | 監視診断装置および監視診断方法 |
GB2547712A (en) | 2016-02-29 | 2017-08-30 | Fujitsu Ltd | Method and apparatus for generating time series data sets for predictive analysis |
-
2018
- 2018-02-26 EP EP18906994.1A patent/EP3605410A4/en not_active Withdrawn
- 2018-02-26 US US16/326,540 patent/US20210383250A1/en not_active Abandoned
- 2018-02-26 JP JP2019504874A patent/JP6670418B2/ja active Active
- 2018-02-26 CN CN201880012012.2A patent/CN110431570A/zh active Pending
- 2018-02-26 WO PCT/JP2018/007039 patent/WO2019163141A1/ja unknown
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7162393B1 (en) * | 2005-09-01 | 2007-01-09 | Sun Microsystems, Inc. | Detecting degradation of components during reliability-evaluation studies |
US20150235133A1 (en) * | 2012-09-12 | 2015-08-20 | Nec Corporation | Data concentration prediction device, data concentration prediction method, and recording medium recording program thereof |
US20150112900A1 (en) * | 2013-10-23 | 2015-04-23 | Honda Motor Co., Ltd. | Time-series data prediction device, time-series data prediction method, and program |
US20170147930A1 (en) * | 2015-01-30 | 2017-05-25 | Hewlett Packard Enterprise Development Lp | Performance testing based on variable length segmentation and clustering of time series data |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113052310A (zh) * | 2019-12-27 | 2021-06-29 | 佳能医疗系统株式会社 | 医用信息处理装置 |
CN114251295A (zh) * | 2020-09-23 | 2022-03-29 | 株式会社岛津制作所 | 泵监视装置、真空泵、泵监视方法及存储介质 |
CN116601576A (zh) * | 2020-12-08 | 2023-08-15 | 杰富意钢铁株式会社 | 时间序列信号的触发条件决定方法、监视对象设备的异常诊断方法以及时间序列信号的触发条件决定装置 |
Also Published As
Publication number | Publication date |
---|---|
JP6670418B2 (ja) | 2020-03-18 |
WO2019163141A1 (ja) | 2019-08-29 |
JPWO2019163141A1 (ja) | 2020-02-27 |
US20210383250A1 (en) | 2021-12-09 |
EP3605410A4 (en) | 2020-12-02 |
EP3605410A1 (en) | 2020-02-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110431570A (zh) | 状态预测装置和状态预测控制方法 | |
Ramasso et al. | Remaining useful life estimation by classification of predictions based on a neuro-fuzzy system and theory of belief functions | |
CN108027594B (zh) | 用于检测配水系统中的异常的方法 | |
CN102789545B (zh) | 基于退化模型匹配的涡轮发动机剩余寿命的预测方法 | |
CN102855634B (zh) | 一种图像检测方法及装置 | |
CN108985380B (zh) | 一种基于聚类集成的转辙机故障识别方法 | |
CN106845526B (zh) | 一种基于大数据融合聚类分析的关联参数故障分类方法 | |
CN109977098A (zh) | 非平稳时序数据预测方法、系统、存储介质及计算机设备 | |
JP7243361B2 (ja) | ジョブスケジューラ及びジョブスケジュール制御方法 | |
CN108959778A (zh) | 一种基于退化模式一致性的航空发动机剩余寿命预测方法 | |
CN109508671A (zh) | 一种基于弱监督学习的视频异常事件检测系统及其方法 | |
CN109376906B (zh) | 基于多维度轨迹的出行时间预测方法、系统及电子设备 | |
KR101677426B1 (ko) | 얼굴 인식 기반 어플리케이션의 피드백 ui 제공 서비스 방법 및 시스템 | |
TWI533145B (zh) | 控制方法、控制程式及控制裝置 | |
CN109858785A (zh) | 一种评价智能电能表运行状态的方法和系统 | |
CN110138638A (zh) | 一种网络流量的处理方法及装置 | |
CN105608460A (zh) | 多分类器融合方法和系统 | |
CN116166886A (zh) | 向量指数平滑新分类法在季节时间序列预测中的应用系统 | |
CN113868597B (zh) | 一种用于年龄估计的回归公平性度量方法 | |
CN112101671B (zh) | 区域属性预测方法、装置、可读存储介质和电子设备 | |
Ferreira et al. | The case for temporal transparency: Detecting policy change events in black-box decision making systems | |
KR20170082412A (ko) | 인식 대상 맞춤형 비전 시스템 생성 장치 및 방법 | |
JP2020184159A (ja) | 設計支援システム、設計支援方法および設計支援プログラム | |
CN110494862A (zh) | 序列产生装置及其控制方法 | |
US20240160160A1 (en) | Method and System for Industrial Change Point Detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20191108 |
|
WD01 | Invention patent application deemed withdrawn after publication |