CN112927129A - 判定装置及方法、训练装置及方法、以及记录介质 - Google Patents

判定装置及方法、训练装置及方法、以及记录介质 Download PDF

Info

Publication number
CN112927129A
CN112927129A CN202011414275.1A CN202011414275A CN112927129A CN 112927129 A CN112927129 A CN 112927129A CN 202011414275 A CN202011414275 A CN 202011414275A CN 112927129 A CN112927129 A CN 112927129A
Authority
CN
China
Prior art keywords
training
data
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.)
Pending
Application number
CN202011414275.1A
Other languages
English (en)
Inventor
藤井英幸
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
Publication of CN112927129A publication Critical patent/CN112927129A/zh
Pending legal-status Critical Current

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 Or Calibration Of Command Recording Devices (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及判定装置、判定方法、记录了判定程序的记录介质、训练装置、训练方法、以及记录了训练程序的记录介质。本发明期望应用与判定测量对象的状态时使用的训练模型相应的预处理算法。本发明提供判定装置，具有：判定用数据获取单元，获取对测量对象进行测量的时序数据即判定用数据；判定用数据预处理单元，通过为了训练将测量对象的状态输出的训练模型所使用的预处理算法，对判定用数据进行预处理；以及判定单元，使用训练模型，基于被预处理过的判定用数据，判定测量对象的状态。

Description

判定装置及方法、训练装置及方法、以及记录介质
技术领域
本发明涉及判定装置、判定方法、记录了判定程序的记录介质、训练装置、训练方法、以及记录了训练程序的记录介质。
背景技术
以往，已知从被设置在工厂或设备等的测量对象中的设备获取数据，使用训练模型判定测量对象的状态的技术。
现有技术文献
专利文献
专利文献1：日本特开2019-101495号公报
发明内容
发明要解决的课题
在判定测量对象的状态时，有需要对测量对象测量出的数据进行预处理情况。这种情况下，期望应用与判定测量对象的状态时使用的训练模型相应的预处理算法。
用于解决课题的手段
为了解决上述课题，本发明的第1方式中，提供判定装置。判定装置也可以具有：判定用数据获取单元，获取对测量对象测量出的时序数据即判定用数据。判定装置也可以具有：判定用数据预处理单元，根据为了用于输出测量对象的状态的训练模型的训练所使用的预处理算法，对判定用数据进行预处理。判定装置也可以具有：判定单元，使用训练模型，基于被预处理过的判定用数据，判定测量对象的状态。
判定用数据预处理单元也可以对判定用数据执行插值处理。
插值处理也可以是上次值插值处理。
插值处理也可以是线性插值处理。
判定用数据预处理单元也可以对判定用数据执行波形压缩处理。
判定装置也可以还具有：错误通知单元，在时序数据中，无法获取数据的期限超过了预定的期间的情况下，通知错误。
判定装置也可以还具有：训练用数据获取单元，获取对测量对象测量出的时序数据即训练用数据；预处理决定单元，决定对训练用数据进行预处理的预处理算法；训练用数据预处理单元，通过预处理算法对训练用数据进行预处理；训练单元，使用被预处理过的训练用数据，对训练模型进行训练；以及预处理信息输出单元，将确定预处理算法的信息与训练模型相关联地输出。
判定装置也可以还具有训练模型。
在本发明的第2方式中，提供判定方法。判定方法也可以具有获取对测量对象测量出的时序数据即判定用数据的步骤。判定方法也可以具有通过为了输出测量对象的状态的训练模型的训练所使用的预处理算法，对对判定用数据进行预处理的步骤。判定方法也可以具有使用训练模型，基于被预处理过的判定用数据，判定测量对象的状态的步骤。
在本发明的第3方式中，提供记录了判定程序的记录介质。判定程序也可以由计算机执行。判定程序也可以使计算机具有作为获取对测量对象测量出的时序数据即判定用数据的判定用数据获取单元的功能。判定程序也可以使计算机具有通过为了输出测量对象的状态的训练模型的训练所使用的预处理算法，对判定用数据进行预处理的判定用数据预处理单元的功能。判定程序也可以使计算机具有使用训练模型，基于被预处理过的判定用数据，判定测量对象的状态的判定单元的功能。
在本发明的第4方式中，提供训练装置。训练装置也可以具有获取对测量对象测量出的时序数据即训练用数据的训练用数据获取单元。训练装置也可以具有决定对训练用数据进行预处理的预处理算法的预处理决定单元。训练装置也可以具有通过预处理算法对训练用数据进行预处理的训练用数据预处理单元。训练装置也可以具有使用被预处理过的训练用数据，对将测量对象的状态输出的训练模型进行训练的训练单元。训练装置也可以具有将确定预处理算法的信息与训练模型相关联地输出的预处理信息输出单元。
在本发明的第5方式中，提供训练方法。训练方法也可以具有获取对测量对象测量出的时序数据即训练用数据的步骤。训练方法也可以具有决定对训练用数据进行预处理的预处理算法的步骤。训练方法也可以具有通过预处理算法对训练用数据进行预处理的步骤。训练方法也可以具有使用被预处理过的训练用数据，对输出测量对象的状态的训练模型进行训练的步骤。训练方法也可以具有将确定预处理算法的信息与训练模型相关联地输出的步骤。
本发明的第6方式中，提供记录了训练程序的记录介质。训练程序也可以由计算机执行。训练程序也可以使计算机具有作为获取对测量对象测量出的时序数据即训练用数据的训练用数据获取单元的功能。训练程序也可以使计算机具有作为决定对训练用数据进行预处理的预处理算法的预处理决定单元的功能。训练程序也可以使计算机具有作为根据预处理算法对训练用数据进行预处理的训练用数据预处理单元的功能。训练程序也可以使计算机具有作为使用被预处理过的训练用数据，对输出测量对象的状态的训练模型进行训练的训练单元的功能。训练程序也可以使计算机具有作为将确定预处理算法的信息与训练模型相关联地输出的预处理信息输出单元的功能。
再者，上述的发明的概要并未列举了本发明的全部必要的特征。此外，这些特征组的子组合也可以为发明。
附图说明
图1表示本实施方式的判定装置100的框图的一例。
图2表示本实施方式的判定装置100判定测量对象的状态的流程的一例。
图3表示本实施方式的训练装置300的框图的一例。
图4表示本实施方式的训练装置300对训练模型350进行训练的流程的一例。
图5表示上次值插值处理的前后中的时序数据的一例。
图6表示线性插值处理的前后中的时序数据的一例。
图7表示波形压缩处理的前后中的时序数据的一例。
图8表示本实施方式的变形例子的判定装置100的框图的一例。
图9表示无法获取数据的期限超过了预定的期限的情况下的时序数据的一例。
图10表示本实施方式的变形例子的判定装置100通知错误的流程的一例。
图11表示本实施方式的另一变形例子的判定装置100的框图的一例。
图12表示本发明的多个方式也可以全部或部分地被具体化的计算机2200的例子。
附图标记说明
100 判定装置
110 训练模型获取单元
120 预处理信息获取单元
130 判定用数据获取单元
140 判定用数据预处理单元
150 判定单元
160 判定结果输出单元
300 训练装置
310 训练用数据获取单元
320 预处理决定单元
330 训练用数据预处理单元
340 训练单元
350 训练模型
360 预处理信息输出单元
810 错误通知单元
2200 计算机
2201 DVD-ROM
2210 主机控制器
2212 CPU
2214 RAM
2216 图形控制器
2218 显示设备
2220 输入/输出控制器
2222 通信接口
2224 硬盘驱动器
2226 DVD-ROM驱动器
2230 ROM
2240 输入/输出芯片
2242 键盘
具体实施方式
以下，通过发明的实施方式说明本发明，但以下的实施方式并未限定权利要求书中的发明。此外，在发明的解决方案中未必需要实施方式中所说明的特征的全部组合。
图1表示本实施方式的判定装置100的框图的一例。判定装置100使用训练模型，基于对测量对象测量出的时序数据即判定用数据，判定测量对象的状态。此时，本实施方式的判定装置100根据为了训练模型的训练所使用的预处理算法，对判定用数据进行预处理。
在本实施方式中，作为一例说明判定装置100基于从设置于工厂的现场设备按时序获取到的判定用数据，判定工厂的劣化或异常的情况。
这样的工厂，例如，除了化学等工业工厂之外，也可以是管理和控制气田和油田等的油井源和其周边的工厂、管理和控制水力、火力、原子能等发电的工厂、管理和控制太阳光和风力等的环境发电的工厂、以及管理和控制水和污水及水坝等的工厂等。
此外，设置于这样的工厂的现场设备，例如，也可以是压力计、流量计、温度传感器等的传感器设备、流量控制阀和开关阀等的阀门设备、风扇和电机等的促动器设备、拍摄工厂内的状况和对象物的摄像机和录像机等的摄像设备、收集工厂内的异常声等并发出报警声的话筒和扬声器等的音响设备、以及输出各设备的位置信息的位置检测设备等。
但是，没有被限定于此。判定装置100也可以将与工厂不同的其他装备和设备等设为判定的对象。
判定装置100可以是PC(个人计算机)、平板型计算机、智能手机、工作站、服务器计算机、或通用计算机等计算机，也可以是被连接了多个计算机的计算机系统。这样的计算机系统也是广义的计算机。此外，判定装置100也可以通过在计算机内可执行一个或多个虚拟计算机环境而被安装。取而代之，判定装置100可以是被设计为测量对象的状态判定用的专用计算机，也可以是由专用电路实现的专用硬件。此外，在判定装置100可连接到互联网的情况下，判定装置100也可以通过云计算而实现。
判定装置100具有训练模型获取单元110、预处理信息获取单元120、判定用数据获取单元130、判定用数据预处理单元140、判定单元150、以及判定结果输出单元160。再者，这些块可以是分别被功能性分离的功能块，也可以不必与实际的设备结构一致。即，在该图中，即使被作为一个块示出，但它们也可以不必由一个设备构成。此外，在该图中，即使被作为单独的块示出，但它们也可以不必由单独的设备构成。
训练模型获取单元110获取如下的训练模型：输入对测量对象测量出的时序数据即判定用数据，输出测量对象的状态。例如，训练模型获取单元110经由网络从训练装置获取如下的训练模型：训练装置使用对测量对象测量出的时序数据即训练用数据，进行了训练的训练模型。训练模型获取单元110将获取到的训练模型供给至判定单元150。
预处理信息获取单元120获取确定为了对模型获取单元110获取的训练模型进行训练所使用的预处理算法的信息。例如，预处理信息获取单元120经由网络从训练装置获取确定预处理算法的信息，该预处理算法是在训练装置对训练模型进行训练时对训练用数据执行的算法。预处理信息获取单元120将获取的用于确定预处理算法的信息供给至判定用数据预处理单元140。
判定用数据获取单元130获取对测量对象测量出的时序数据即判定用数据。例如，判定用数据获取单元130从存储了被设置在工厂的多个现场设备测量出的时序数据的测量数据DB(数据库：Datebase)，经由网络获取判定用数据。判定用数据获取单元130将获取到的判定用数据供给至判定用数据预处理单元140。
判定用数据预处理单元140通过为了输出测量对象的状态的训练模型的训练所使用的预处理算法，对判定用数据进行预处理。例如，判定用数据预处理单元140基于从预处理信息获取单元120供给的、用于确定预处理算法的信息，确定为了输出测量对象的状态的训练模型的训练所使用的预处理算法。然后，判定用数据预处理单元140根据确定了的预处理算法，对从判定用数据获取单元130供给的判定用数据进行预处理。判定用数据预处理单元140将被预处理过的判定用数据供给至判定单元150。
判定单元150使用训练模型，基于被预处理过的判定用数据，判定测量对象的状态。例如，根据在将从判定用数据预处理单元140供给的被预处理过的判定用数据输入到从训练模型获取单元110供给的训练模型中的情况下的训练模型的输出，判定单元150判定测量对象的异常等。判定单元150将测量对象的判定结果供给至判定结果输出单元160。
判定结果输出单元160输出测量对象的判定结果。例如，判定结果输出单元160将从判定单元150供给的判定结果发送到判定结果DB(数据库)等其他装置并输出。
图2表示本实施方式的判定装置100判定测量对象的状态的流程的一例。
在步骤210中，判定装置100获取训练模型。例如，训练模型获取单元110获取如下的训练模型：对该训练模型输入对测量对象测量出的时序数据即判定用数据，输出测量对象的状态。此时，训练模型获取单元110也可以将用于识别训练模型的识别信息与该训练模型一并获取。然后，训练模型获取单元110将获取的识别信息供给至预处理信息获取单元120。这里，训练模型获取单元110获取的训练模型，例如也可以是通过递归分析、聚类分析、主成分分析、向量量化、自组织图、神经网络、支持向量机、ID3、以及简单贝叶斯分类器等的各种各样的算法而被训练过的训练模型。作为一例，训练模型获取单元110经由网络从训练装置获取如下的训练模型：训练装置使用对测量对象测量出的时序数据即训练用数据进行了训练的训练模型。但是，没有被限定于此。训练模型获取单元110也可以经由用户输入或各种存储设备等、与网络不同的其他方式来获取训练模型。此外，训练模型获取单元110也可以从与训练装置不同的其他装置获取训练模型。训练模型获取单元110将获取到的训练模型供给至判定单元150。
在步骤220中，判定装置100获取预处理信息。例如，预处理信息获取单元120基于从训练模型获取单元110供给的识别信息，识别训练模型获取单元110获取到的训练模型。然后，预处理信息获取单元120将该识别信息设为搜索关键字，从与多个训练模型的每一个相关联存储的多个预处理信息之中，获取确定为了识别出的训练模型的训练所使用的预处理算法的信息。作为一例，预处理信息获取单元120经由网络从训练装置获取确定预处理算法的信息，该预处理算法是在训练装置对训练模型进行训练时对训练用数据执行的算法。但是，没有被限定于此。预处理信息获取单元120也可以经由用户输入或各种存储设备等、与网络不同的其他方式来获取确定预处理算法的信息。此外，预处理信息获取单元120也可以从与训练装置不同的其他装置获取确定预处理算法的信息。预处理信息获取单元120将获取到的、用于确定预处理算法的信息供给至判定用数据预处理单元140。
在步骤230中，判定装置100获取判定用数据。例如，判定用数据获取单元130获取对测量对象测量出的时序数据即判定用数据。作为一例，判定用数据获取单元130从存储了由被设置在工厂的多个现场设备测量出的时序数据的测量数据DB，经由网络获取判定用数据。但是，没有被限定于此。判定用数据获取单元130也可以经由用户输入或各种存储设备等、与网络不同的方式来获取判定用数据。此外，判定用数据获取单元130也可以从与测量数据DB不同的其他装置获取判定用数据。判定用数据获取单元130将获取到的判定用数据供给至判定用数据预处理单元140。
在步骤240中，判定装置100对判定用数据进行预处理。例如，判定用数据预处理单元140通过为了输出测量对象的状态的训练模型的训练所使用的预处理算法，对判定用数据进行预处理。作为一例，判定用数据预处理单元140基于从预处理信息获取单元120供给的、用于确定预处理算法的信息，确定为了输出测量对象的状态的训练模型的训练所使用的预处理算法。然后，判定用数据预处理单元140通过确定出的预处理算法，对从判定用数据获取单元130供给的判定用数据进行预处理。这里，判定用数据预处理单元140作为预处理算法，例如确定从插值(上次值、平均值、中心值、最常值、以及直线等)、波形压缩、移动平均、标准化、以及归一化等多个处理之中使用的处理、以及在该处理中应用的各种参数，并根据确定出的预处理算法，对判定用数据进行预处理。有关预处理的细节予以后述。判定用数据预处理单元140将被预处理过的判定用数据供给至判定单元150。
在步骤250中，判定装置100判定测量对象的状态。例如，判定单元150使用训练模型，基于被预处理过的判定用数据，判定测量对象的状态。作为一例，根据在将从判定用数据预处理单元140供给的被预处理过的判定用数据输入到从训练模型获取单元110供给的训练模型中的情况下训练模型的输出，判定单元150判定测量对象的异常等。即，判定单元150将通过为了训练模型的训练所使用的预处理算法而被预处理过的判定用数据输入到训练模型中，来判定测量对象的状态。判定单元150将测量对象的判定结果供给至判定结果输出单元160。
在步骤260中，判定装置100输出判定结果并结束处理。例如，判定结果输出单元160将从判定单元150供给的判定结果(表示测量对象的异常或劣化等的结果)发送到判定结果数据DB等其他装置并进行输出。但是，没有被限定于此。判定结果输出单元160可以将从判定单元150供给的判定结果显示在监视器等并进行输出，还可以从扬声器等进行语音输出，也可以写出到各种存储设备等中并输出。
一般地，在支持向量机或逻辑递归等使用了梯度下降法等的距离的训练模型的情况下，通过在预处理中进行标准化或归一化等，匹配各时序数据的范围(标度)，从而判定的精度提高。此外，在因各传感器等的特性而被包含噪声或无效值的情况下，通过在预处理中进行移动平均或适当的数据插值，从而判定的精度提高。因此，本实施方式的判定装置100将与训练模型相应的预处理算法应用于判定用数据，判定测量对象的状态。再者，这样的预处理算法也可以是后述的训练装置在对训练模型进行机器学习时被一并决定的方法。
图3表示本实施方式的训练装置300的框图的一例。训练装置300使用对测量对象测量出的时序数据即训练用数据，对输出测量对象的状态的训练模型进行训练。此时，本实施方式的训练装置300决定与训练模型相应的预处理算法，并通过该预处理算法，对训练用数据进行预处理，同时将确定该预处理算法的信息与训练模型相关联地输出。
训练装置300可以是PC(个人计算机)、平板型计算机、智能手机、工作站、服务器计算机、或通用计算机等计算机，也可以是被连接了多个计算机的计算机系统。这样的计算机系统也是广义的计算机。此外，训练装置300也可以通过在计算机内可执行一个或多个虚拟计算机环境而被安装。取而代之，训练装置300可以是被设计为测量对象的状态判定用的专用计算机，也可以是由专用电路实现的专用硬件。此外，在训练装置300可连接到互联网的情况下，训练装置300也可以通过云计算而被实现。
训练装置300具有训练用数据获取单元310、预处理决定单元320、训练用数据预处理单元330、训练单元340、训练模型350、以及预处理信息输出单元360。再者，这些块可以是分别被功能性分离的功能块，也可以不必与实际的设备结构一致。即，在该图中，即使被作为一个块示出，但它们也可以不必由一个设备构成。此外，在该图中，即使被作为单独的块示出，但它们也可以不必由单独的设备构成。
训练用数据获取单元310获取对测量对象测量出的时序数据即训练用数据。例如，训练用数据获取单元310从存储了被设置在工厂的多个现场设备测量出的时序数据的测量数据DB，经由网络获取训练用数据。训练用数据获取单元310将获取到的训练用数据供给至预处理决定单元320和训练用数据预处理单元330。
预处理决定单元320决定对训练用数据进行预处理的预处理算法。例如，预处理决定单元320决定使用从训练用数据获取单元310供给的训练用数据，与训练用数据预处理单元330和训练单元340协同动作，对训练用数据进行预处理的预处理算法。有关决定预处理算法的细节予以后述。预处理决定单元320将与决定的预处理算法有关的信息供给至训练用数据预处理单元330。
训练用数据预处理单元330通过预处理算法对训练用数据进行预处理。例如，训练用数据预处理单元330通过预处理决定单元320决定的预处理算法，对从训练用数据获取单元310供给的训练用数据进行预处理。训练用数据预处理单元330将预处理过的训练用数据供给至训练单元340。此外，训练用数据预处理单元330将确定在对训练用数据进行预处理时使用的预处理算法的信息供给至预处理信息输出单元360。
训练单元340使用被预处理过的训练用数据，对输出测量对象的状态的训练模型350进行训练。例如，训练单元340使用被训练用数据预处理单元330预处理过的训练用数据，对训练模型350进行训练。
训练模型350输入对测量对象测量出的时序数据即判定用数据，输出测量对象的状态。例如，训练模型350也可以是使用被训练用数据预处理单元330预处理过的训练用数据，由训练单元340训练过的训练模型。训练模型350也可以被供给至判定装置100等其他装置。
预处理信息输出单元360将确定预处理算法的信息与训练模型350相关联地输出。例如，预处理信息输出单元360也可以将从训练用数据预处理单元330供给的、用于确定预处理算法的信息与训练模型350相关联，并输出到判定装置100等其他装置。
图4表示本实施方式的训练装置300对训练模型350进行训练的流程的一例。
在步骤410中，训练装置300获取训练用数据。例如，训练用数据获取单元310获取对测量对象测量出的时序数据即训练用数据。此时，在步骤412中，训练用数据获取单元310从存储了管理训练区间的信息的训练区间信息管理DB(数据库)，经由网络获取用于确定训练区间的信息。然后，在步骤414中，训练用数据获取单元310从测量数据DB经由网络获取设备在该训练区间内测量出的时序数据。
作为一例，训练用数据获取单元310也可以将确定被标签标记为测量对象的状态为“正常”的区间的信息，获取为确定训练区间的信息。再者，这样的训练区间可以是时间上连续的区间，也可以是时间上离散的区间。此外，这样的区间也可以是由人选择出的、或被自动选择出的区间，作为NULL(数据遗漏)的发生频度较少的区间。然后，训练用数据获取单元310也可以将在被标签标记为测量对象的状态为“正常”的区间中由多个现场设备测量出的时序数据获取为训练用数据。
但是，没有被限定于此。训练用数据获取单元310也可以通过用户输入或各种存储设备等、与网络不同的其他方式来获取训练用数据。此外，训练用数据获取单元310也可以从与训练区间信息管理DB(数据库)不同的其他装置获取用于确定训练区间的信息。此外，训练用数据获取单元310也可以从与测量数据DB不同的其他装置获取训练用数据。
此外，在上述说明中，表示有关训练用数据获取单元310将被标签标记为测量对象的状态为“正常”的区间中的时序数据获取为训练用数据的情况，在此之前，说明有关训练装置300基于该“正常”区间中的时序数据对训练模型350进行训练的情况。但是，没有被限定于此。例如，训练用数据获取单元310也可以将被标签标记为测量对象的状态为“异常”的区间中的时序数据获取为训练用数据，训练装置300也可以基于该“异常”区间中的时序数据对训练模型350进行训练。此外，训练用数据获取单元310将没有被标记的时序数据获取为训练用数据，训练装置300也可以基于该时序数据中的分布自动地识别“正常”区间或“异常”区间，并基于被作为该“正常”区间或“异常”区间识别出的时序数据对训练模型350进行训练。
训练用数据获取单元310向预处理决定单元320和训练用数据预处理单元330供给所获取的训练用数据。
在步骤420中，训练装置300决定预处理算法。例如，预处理决定单元320决定对训练用数据进行预处理的预处理算法。此时，预处理决定单元320也可以决定使用从训练用数据获取单元310供给的训练用数据，与训练用数据预处理单元330和训练单元340协同动作，对训练用数据进行预处理的预处理算法。
作为一例，预处理决定单元320与训练用数据预处理单元330和训练单元340协同动作，并将多个预处理算法分别应用于训练用数据，所述多个预处理算法是例如在从插值(上次值、平均值、中心值、最常值、以及直线)、波形压缩、移动平均、标准化、以及归一化等多个处理之中使用的处理、以及在该处理中应用的各种参数、中的至少一个不同的预处理算法。然后，预处理决定单元320与训练用数据预处理单元330和训练单元340协同动作，基于根据多个预处理算法被预处理过的多个训练用数据，对训练模型350分别进行训练，生成多个临时训练模型。然后，预处理决定单元320将“正常”或“异常”的标签为已知的临时的测量用数据输入到多个临时训练模型的每一个中，分别临时判定测量对象的状态。然后，预处理决定单元320在多个临时训练模型中选择临时判定的结果最好的临时训练模型，将生成该临时训练模型时应用的预处理算法决定作为对训练用数据进行预处理的预处理算法。
预处理决定单元320向训练用数据预处理单元330供给与决定的预处理算法有关的信息。
在步骤430中，训练装置300对训练用数据进行预处理。例如，训练用数据预处理单元330通过预处理算法对训练用数据进行预处理。作为一例，训练用数据预处理单元330通过在步骤420中被决定的预处理算法，对在步骤410中获取的训练用数据进行预处理。训练用数据预处理单元330将预处理过的训练用数据供给至训练单元340。此外，训练用数据预处理单元330向预处理信息输出单元360供给用于确定对训练用数据进行预处理时使用的预处理算法的信息。
在步骤440中，训练装置300对训练模型350进行训练。例如，训练单元340使用被预处理的训练用数据，对输出测量对象的状态的训练模型350进行训练。作为一例，训练单元340使用在步骤430中被预处理的训练用数据，对训练模型350进行训练。
在步骤450中，训练装置300输出训练模型350。例如，训练装置300按照来自判定装置100的请求，将在步骤440被训练的训练模型350经由网络输出到判定装置100。此时，训练装置300也可以将识别已输出的训练模型350的信息一并输出到判定装置100。
在步骤460中，训练装置300输出预处理信息并结束处理。例如，预处理信息输出单元360将确定预处理算法的信息与训练模型350相关联输出。作为一例，预处理信息输出单元360也可以按照来自判定装置100的请求，将从训练用数据预处理单元330供给的、用于确定预处理算法的信息与训练模型350相关联，并经由网络输出到判定装置100。
这样，本实施方式的训练装置300对每个训练模型350决定最优的预处理算法，基于通过决定的预处理算法而被预处理的训练用数据对训练模型350进行训练。此外，训练装置300将确定在对训练模型350进行训练时对训练用数据执行的预处理算法的信息，输出到判定装置100等其他装置。
图5表示上次值插值处理的前后中的时序数据的一例。在该图中，纵轴表示时序，横轴表示各时序数据的类别(在该图中，为传感器1的振动数据、传感器1的加速度数据、传感器1的温度数据、传感器2的振动数据、传感器2的加速度数据、传感器2的温度数据、传感器3的振动数据、传感器3的加速度数据、以及传感器3的温度数据)。此图上方表示在被执行预处理前的各传感器的时序数据。
来自放置在各种各样的场所中的传感器的传感器数据在不同的定时被传输到云或网络上。为此，如此图上方所示，若以相同的时戳观察，则各传感器的时序数据到处都表示NULL。即，发生了数据遗漏。一般地，在以机器学习判断测量对象的状态的情况下，需要在相同时刻存在全部判定上需要的数据。因此，在这样的状态中对时序数据不进行预处理的情况下，测量对象的状态判定处理在全部数据聚齐的时间点(在此图中，日期时间：2018/05/01 00：02、以及日期时间：2018/05/01 00：12)被实施。
相对于此，在本实施方式中，在训练装置300中，预处理决定单元320决定执行上次值插值处理作为对发生了这样的数据遗漏的训练用数据进行预处理的预处理算法。与此相应，训练用数据预处理单元330对训练用数据执行上次值插值处理。然后，在判定装置100中，在使用被这样执行了上次值插值处理的训练用数据并由进行了训练的训练模型350进行测量对象的状态判定的情况下，预处理信息获取单元120获取用于确定被执行上次值插值处理作为预处理算法的信息。与此相应，判定用数据预处理单元140对判定用数据执行上次值插值处理。
此图下方表示被执行了上次值插值处理作为预处理后的时序数据。如此图下方所示，在各传感器的时序数据中，发生了数据遗漏的部位通过发生数据遗漏之前的前一个数据而被插值。更详细地说，日期时间：2018/05/0100：01和00：02中的传感器1的振动数据(Sensor1_Acc)从“NULL”被2018/05/01 00：00中的传感器1的振动数据即“29.1208782”插值。同样，日期时间：2018/05/01 00：10和00：11中的传感器3的加速度数据(Sensor3_Vel)从“NULL”被2018/05/01 00：02中的传感器3的加速度数据即“80.0172806”插值。这样，判定用数据预处理单元140也可以对判定用数据执行插值处理。此时，该插值处理也可以是上次值插值处理。由此，判定装置100可以在日期时间：2018/05/01 00：02之后所有的定时中实施测量对象的状态判定处理。
图6表示线性插值处理的前后中的时序数据的一例。在此图中，纵轴表示时序，横轴表示各时序数据的类别。此图上方表示被执行预处理前的各传感器的时序数据。
如此图上方所示，若以相同的时戳观察，各传感器的时序数据到处都表示NULL。即，发生了数据遗漏。在这样的状态中对时序数据不进行预处理的情况下，测量对象的状态判定处理在全部数据聚齐的时间点(在此图中，为日期时间：2018/05/01 00：02以及日期时间：2018/05/01 00：12)被实施。
相对于此，在本实施方式中，在训练装置300中，预处理决定单元320决定执行线性插值处理，作为对发生了这样的数据遗漏的训练用数据进行预处理的预处理算法。与此相应，训练用数据预处理单元330对训练用数据执行线性插值处理。然后，在判定装置100中，在由使用被这样执行了线性插值处理的训练用数据进行了训练的训练模型350进行测量对象的状态判定的情况下，预处理信息获取单元120获取用于确定被执行线性插值处理作为预处理算法的信息。与此相应，判定用数据预处理单元140对判定用数据执行线性插值处理。
此图下方表示被执行了线性插值处理作为预处理后的时序数据。如此图下方所示，在各传感器的时序数据中，发生了数据遗漏的部位通过对发生数据遗漏之前的前一个数据和发生数据遗漏之后的后一个数据进行连接的直线上的数据而被插值。更详细地说，日期时间：2018/05/01 00：01和00：02中的传感器1的振动数据(Sensor1_Acc)从“NULL”分别被插值将2018/05/01 00：00中的传感器1的振动数据即“1”、和2018/05/01 00：10中的传感器1的振动数据即“2”进行连接的直线上的数据“1.1”和“1.2”。同样，日期时间：2018/05/01 00：10和00：11中的传感器3的加速度数据(Sensor3_Vel)从“NULL”被分别插值将2018/05/01 00：02中的传感器3的加速度数据即“52”和2018/05/01 00：12中的传感器3的加速度数据即“53”进行连接的直线上的数据“52.1”和“52.2”。这样，判定用数据预处理单元140也可以对判定用数据执行插值处理。此时，该插值处理也可以是线性插值处理。由此，判定装置100可以在日期时间：2018/05/01 00：02之后所有的定时中实施测量对象的状态判定处理。
图7表示波形压缩处理的前后中的时序数据的一例。在此图中，纵轴表示时序，横轴表示各时序数据的类别(在该图中，为传感器1的振动数据、以及传感器1的加速度数据)。此图上方表示被执行预处理前的各传感器的时序数据。
如此图上方所示，传感器1的振动数据和加速度数据是1秒采样(高速)的传感器数据。对这样的高速采样的传感器数据，若对每个采样率(每1秒)实施测量对象的状态判定处理，则被认为判定需要时间，并且相反地，判定结果的输出被延迟。
相对于此，在本实施方式中，在训练装置300中，预处理决定单元320决定执行波形(Peak To Peak；峰对峰)压缩处理，作为对包含这样的高速采样的传感器数据的训练用数据进行预处理的预处理算法。与此相应，训练用数据预处理单元330对训练用数据执行波形压缩处理。然后，在判定装置100中，在使用被这样执行了波形压缩处理的训练用数据而由进行过训练的训练模型350进行测量对象的状态判定的情况下，预处理信息获取单元120获取用于确定被执行波形压缩处理作为预处理算法的信息。与此相应，判定用数据预处理单元140对判定用数据执行波形压缩处理。
此图下方表示被执行了波形压缩处理作为预处理后的时序数据。如此图下方所示，各传感器的时序数据从1秒间隔的数据被转换为1分钟间隔的数据。这种情况下，判定用数据预处理单元140和训练用数据预处理单元330将在第1间隔内获取的数据转换为比第1间隔长的第2间隔的数据。此时，判定用数据预处理单元140和训练用数据预处理单元330例如使用在第2间隔中第1间隔内获取的数据之中最小的值和最大的值转换为第2间隔的数据。更详细地说，判定用数据预处理单元140和训练用数据预处理单元330对于传感器1的各个振动数据和加速度数据，将日期时间：2018/05/01 0：00：0～日期时间：2018/05/01 0：00：59之中最小的值转换为日期时间：2018/05/01 0：00：0Min，将最大的值转换为日期时间：2018/05/01 0：00：0Max。同样，判定用数据预处理单元140和训练用数据预处理单元330将日期时间：2018/05/01 0：01：0～日期时间：2018/05/01 0：01：59之中最小的值转换为日期时间：2018/05/01 0：01：0Min，将最大的值转换为日期时间：2018/05/01 0：01：0Max。这样，判定用数据预处理单元140也可以对判定用数据执行波形压缩处理。由此，判定装置100可以以日期时间：2018/05/01 00：00、日期时间：2018/05/01 00：01和1分钟间隔实施测量对象的状态判定处理。
再者，在这样的情况中，判定装置100也可以变更获取判定用数据定时。例如，判定装置100也可以按照确定出的预处理算法，将获取判定用数据的定时优化。例如，在确定了将第1间隔内获取的数据波形压缩为比第1间隔长的第2间隔的数据作为预处理算法的情况下，判定装置100也可以将获取判定用数据定时从第1间隔变更为比第1间隔长、比第2间隔短的第3间隔。即，判定装置100也可以变更获取判定用数据的定时，使得在比1秒长、比1分钟短的间隔内获取在1秒间隔内获取到的判定用数据。由此，可以减少判定装置100获取的判定用数据，可以高效进行判定处理。
至此，将被执行上次值插值处理、线性插值处理、以及波形压缩处理作为预处理算法的情况作为一例进行了说明，但如上述那样，也可以被执行各种各样的处理作为预处理算法。这样，在本实施方式中，训练装置300决定对训练用数据进行预处理的最优的预处理算法，对训练用数据执行预处理。然后，在由使用被这样预处理过的训练用数据训练过的训练模型350进行测量对象的状态判定的情况下，判定装置100获取用于确定预处理算法的信息，通过训练模型350的训练所使用的预处理算法对判定用数据执行预处理。因此，根据本实施方式，训练装置300可以使对训练模型350进行训练时对训练用数据执行的预处理和判定装置100使用训练模型350对在判定测量对象的状态时判定用数据执行的预处理相关联，可以使测量对象的状态判定的精度提高。
此外，例如，还考虑在将测量数据存储在云上的测量数据DB中之前对测量数据进行预处理(例如，插值处理)，但在该情况下，测量数据DB存储的数据量增加，牵涉到云上的资源和成本增加。相对于此，根据本实施方式的判定装置100和训练装置300，在从测量数据DB获取了测量数据后分别执行预处理，所以可以抑制测量数据DB存储的数据量。
此外，例如，在被执行插值处理作为预处理算法的情况下，即使是在时序数据中发生了数据遗漏的情况，本实施方式的判定装置100和训练装置300也可以对数据遗漏进行插值。由此，根据本实施方式的判定装置100，可以不等待所有的数据聚齐，就执行测量对象的状态判定处理，所以可以抑制判定结果的输出被延迟。
特别地，在插值处理为上次值插值处理的情况下，在时序数据中发生了数据遗漏的情况下，判定装置100和训练装置300无需对数据遗漏进行不需要的运算而以前一个数据进行插值，所以可以降低预处理的负荷，高速进行处理。
特别地，在插值处理为线性插值处理的情况下，在时序数据中发生数据遗漏的情况下，判定装置100和训练装置300可用更接近与原本应获取数据遗漏的数据进行插值。由此，判定装置100可以使测量对象的状态判定的精度进一步提高。
此外，例如，作为预处理算法，在波形压缩处理被执行的情况下，本实施方式的判定装置100将判定用数据转换为比第1间隔(1秒间隔)长的第2间隔(1分钟间隔)，每隔第2间隔实施测量对象的状态判定处理，所以可以实现高速的判定而不降低判定的精度。此外，本实施方式的训练装置300将训练用数据转换为比第1间隔(1秒间隔)长的第2间隔(1分钟间隔)，将训练模型350使用有第2间隔的训练用数据训练，所以可以降低训练的负荷，高速进行有关训练的处理。
此外，在本实施方式中，判定装置100和训练装置300被作为独立的装置构成。一般地，在训练模型的训练上承受较大的负荷。在本实施方式中，判定装置100与训练装置300分离，被作为单独体构成，可以使判定装置100小型、低容量。
图8表示本实施方式的变形例子的判定装置100的框图的一例。在此图中，对与图1具有相同功能和结构的构件附加相同的标号，并且省略除以下不同点外的说明。本变形例子的判定装置100还具有错误通知单元810。
在本变形例子中，判定用数据获取单元130将获取的判定用数据除了供给至判定用数据预处理单元140以外，还供给错误通知单元810。然后，在从判定用数据获取单元130获取的时序数据中，无法获取数据的期限超过了预定的期间的情况下，错误通知单元810通知错误。此时，错误通知单元810也可以在无法获取数据的状态连续的期间超过了预定的期间的情况下，通知错误。取而代之，或除此之外，错误通知单元810也可以在规定期间内合计无法获取数据的状态的期间超过了预定的期间的情况下，通知错误。
图9表示无法获取数据的期限超过了预定的期限的情况下的时序数据的一例。在此图中，纵轴表示时序，横轴表示各时序数据的类别。如此图所示，可知在时序数据中，在整个日期时间：2018/05/01 00：11～日期时间：2018/05/01 00：32，表示传感器1的振动数据、加速度数据、以及温度数据为NULL，在该期间内无法获取来自传感器1的测量数据。这样的状态，例如，可在传感器1的测量数据因传感器1和外围设备的故障等而未被存储在测量数据DB中的情况下发生。
在这样的状态下，即使判定装置100实施预处理(例如，插值处理)，也有插值的数据与原本应获取的数据极大背离的情况，即使基于被这样预处理过的数据判定测量对象的状态，也不能说可以输出正确的判定结果。因此，本变形例子的判定装置100在这样的情况下不实施测量对象的状态的判定处理，通知错误。
图10表示本实施方式的变形例子的判定装置100通知错误流程的一例。
在步骤1010中，判定装置100获取设备的采样率。例如，错误通知单元810基于从判定用数据获取单元130供给的判定用数据，获取对测量对象进行测量的现场设备、例如传感器的采样率。
在步骤1020中，判定装置100对NULL值进行计数。例如，错误通知单元810根据在步骤1010中获取的采样率，对在时序数据中成为NULL值的期间进行计数。再者，如上述该期间可以是连续的期间，也可以是合计了在规定期间内离散的期间后的期间。
在步骤1030中，判定装置100判定是否在预定的期间发生了NULL值。例如，错误通知单元810判定在步骤1020中计数的值是否超过了预定的阈值。
在被判定为NULL值没有在预定的期间发生的情况下，即，在步骤1020中计数的值未超过预定的阈值的情况下，在步骤1040中，判定装置100如通常那样对判定用数据进行预处理。
另一方面，在被判定为NULL值在预定的期间发生了的情况下，即，在步骤1020中计数的值超过预定的阈值的情况下，错误通知单元810在步骤1050中通知错误。此时，错误通知单元810向判定用数据预处理单元140通知错误，也可以进行控制，使得不进行判定用数据预处理单元140的判定用数据的预处理。由此，判定装置100可以抑制无用的预处理。取而代之，或除此之外，错误通知单元810也可以向其他装置通知错误。由此，判定装置100可以向用户通知发生了错误的意旨。
这样，在时序数据中，无法获取数据的期限超过了预定的期间的情况下，本变形例子的判定装置100通知错误。由此，根据本变形例子的判定装置，例如，可以事先防止起因于传感器和外围设备等故障的测量对象的状态的误判定。
图11表示本实施方式的另一变形例子的判定装置100的框图的一例。在此图中，对有与图1和图3相同的功能和结构的构件附加相同的标号，并且省略除以下不同点外的说明。在上述说明中，将判定装置100与训练装置300构成为独立的装置的情况作为一例进行了说明。然而，此另一变形例子的判定装置100一体地具有图1所示的判定装置100的功能和图3所示的训练装置300的功能。即，此另一变形例子的判定装置100还具有：训练用数据获取单元310，获取对测量对象测量出的时序数据即训练用数据；预处理决定单元320，决定对训练用数据进行预处理的预处理算法；训练用数据预处理单元330，通过预处理算法对训练用数据进行预处理；训练单元340，使用被预处理过的训练用数据，对训练模型进行训练；以及预处理信息输出单元360，将确定预处理算法的信息与训练模型相关联地输出。
这种情况下，预处理信息获取单元120也可以从预处理信息输出单元360获取用于确定预处理算法的信息。此外，预处理信息获取单元120也可以将从预处理信息输出单元360获取的、用于确定预处理算法的信息供给至判定用数据预处理单元140。然后，判定用数据预处理单元140基于从预处理信息获取单元120供给的、用于确定预处理算法的信息，即，在从预处理信息输出单元360获取的、用于确定预处理算法的信息，确定预处理算法，在使用相应的训练模型判定测量对象的状态的情况下，通过该预处理算法，对判定用数据进行预处理。这样，根据此另一实施方式的判定装置100，在同一装置内进行预处理信息的获取，所以可以降低获取预处理信息的花费、工夫和时间，此外，还可以降低预处理信息泄漏到外部的风险。
此另一变形例子的判定装置100也可以还具有训练模型350。这种情况下，训练模型获取单元110可获取由训练单元340训练过的训练模型350。这样，根据此另一实施方式的判定装置100，在同一装置内进行模型的获取，所以可以降低获取模型的花费、工夫和时间，此外，还可以降低模型泄漏到外部的风险。此外，根据此另一变形例子的判定装置100，可以以一体式方式由一个装置实现从模型的训练值测量对象的状态判定的处理，所以可以简化装置的管理和维护。
可参照流程图和框图描述本发明的各种各样的实施方式，其中，框图也可表现为(1)操作被执行的处理的阶段或(2)具有执行操作专用的装置的部分。也可以通过专用电路、与存储于计算机可读取介质上的计算机可读指令一同供给的可编程电路、和/或与存储于计算机可读取介质上的计算机可读指令一同供给的处理器而安装特定的阶段和部分。专用电路可包含数字和/或模拟硬件电路，也可包含集成电路(IC)和/或分立电路。可编程电路也可以包含像逻辑“与”(AND)、逻辑“或”(OR)、逻辑“异或”(XOR)、逻辑“与非”(NAND)、逻辑“或非”(NOR)、以及其他逻辑操作、触发器、寄存器、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)等那样的存储器元素等的可重构硬件电路。
计算机可读取介质也可包含存储了由适当的设备执行的指令的任意有形的设备，其结果，由存储于其内的指令的计算机可读取介质成为为了创建用于执行由流程图或框图指定的操作的方式而可被执行的指令的产品。作为计算机可读取介质的例子，也可以包含电子存储介质、磁存储介质、光存储介质、电磁存储介质、半导体存储介质等。作为计算机可读取介质的更具体的例子，也可以包含软(注册商标)磁盘、磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或闪存)、可电擦除可编程只读存储器(EEPROM)、静态随机存取存储器(SRAM)、光盘只读存储器(CD-ROM)、数字多用途盘(DVD)、蓝光(RTM)光盘、存储棒、集成电路卡等。
计算机可读指令包含诸如汇编指令、指令集架构(ISA)指令、机器指令、机器依赖指令、微代码、固件指令、状态设置数据、或像Smalltalk(注册商标)、JAVA(注册商标)、C++等那样的面向项目的编程语言和“C”编程语言或像同样的编程语言那样传统的过程型编程语言，也可以包含一个或多个编程语言的任意组合中描述的源代码或目标代码的任一个。
计算机可读指令通过像本地网或局域网(LAN)、互联网等那样的广域网(WAN)而被提供给通用计算机、特殊目的的计算机、或其他可程序的数据处理装置的处理器或可编程电路，为了创建用于执行以流程图或框图指定的操作的方式，也可以执行计算机可读指令。作为处理器的例子，包含计算机处理器、处理组件、微处理器、数字信号处理器、控制器、微控制器等。
图12表示本发明的多个方式被整体或部分地具体体现的计算机2200的例子。被安装在计算机2200中的程序可以使计算机2200具有与本发明的实施方式的装置所关联的操作的功能或作为该装置的一个部分(section)或多个部分的功能、或可以执行该操作或该操作的一个部分或多个部分、和/或使计算机2200执行本发明的实施方式的进程(process)或该进程的阶段。为了使计算机2200执行与本说明书中记载的流程图和框图的块中的一些或全部的流程图和框图的块相关联的特定的操作，那样的程序也可以由CPU2212执行。
本实施方式的计算机2200包含CPU2212、RAM2214、图形控制器2216、以及显示设备2218，它们通过主机控制器2210而被彼此连接。计算机2200还包含像通信接口2222、硬盘驱动器2224、DVD-ROM驱动器2226、以及IC卡驱动器那样的输入/输出组件，它们通过输入/输出控制器2220而连接到主机控制器2210。计算机还包含像ROM2230以及键盘2242那样的传统的输入/输出组件，它们通过输入/输出芯片2240连接到输入/输出控制器2220。
CPU2212根据存储于ROM2230和RAM2214内的程序进行动作，由此控制各组件(unit)。图形控制器2216获取在被提供给RAM2214内的帧缓冲器等或其自身中由CPU2212生成的图像数据，使图像数据显示在显示设备2218上。
通信接口2222经由网络与其他电子设备通信。硬盘驱动器2224存储由计算机2200内的CPU2212所使用的程序和数据。DVD-ROM驱动器2226从DVD-ROM2201读取程序或数据，将程序或数据通过RAM2214提供给硬盘驱动器2224。IC卡驱动器从IC卡读取程序和数据、和/或将程序和数据写入IC卡。
ROM2230在其内存储激活时由计算机2200执行的引导程序等、和/或依赖于计算机2200的硬件的程序。输入/输出芯片2240还可以将各种各样的输入/输出组件通过并行端口、串行端口、键盘端口、鼠标端口等连接到输入/输出控制器2220。
程序通过像DVD-ROM2201或IC卡那样的计算机可读介质提供。程序从计算机可读取介质被读取，还被安装在作为计算机可读取介质的例子的硬盘驱动器2224、RAM2214、或ROM2230中，由CPU2212执行。这些程序内所描述的信息处理被计算机2200读取，导致程序和上述各种各样类型的硬件资源之间的协作。也可以通过根据计算机2200的使用而实现信息的操作或处理来构成装置或方法。
例如，在计算机2200和外部设备间执行通信的情况下，CPU2212也可以执行被加载在RAM2214中的通信程序，基于通信程序中描述的处理，对通信接口2222指令进行通信处理。在CPU2212的控制下，通信接口2222读取被存储在像RAM2214、硬盘驱动器2224、DVD-ROM2201、或IC卡那样的记录介质内所提供的发送缓冲处理区域的发送数据，将读取出的发送数据发送到网络，或将从网络接收到的接收数据写入记录介质上所提供的接收缓冲处理区域等中。
此外，CPU2212也可以对RAM2214上的数据执行各种各样的类型的处理，使得在存储于像硬盘驱动器2224、DVD-ROM驱动器2226(DVD-ROM2201)、IC卡等那样的外部记录介质中的文件或数据库的全部或必要的部分被RAM2214读取。CPU2212接着将被处理过的数据写回外部记录介质中。
各种各样类型的程序、数据、表、以及数据库那样的各种各样类型的信息也可以被存储在记录介质中，接受信息处理。CPU2212对从RAM2214读取出的数据，也可以执行包含本公开所处记载的、由程序的指令序列所指定的各种各样的类型的操作、信息处理、条件判断、条件分支、无条件分支、信息的搜索/置换等的各种各样的类型的处理，将结果写回RAM2214中。此外，CPU2212也可以搜索记录介质内的文件、数据库等中的信息。例如，在各自有与第2属性的属性值相关联的第1属性的属性值的多个项目(entry)被存储在记录介质内的情况下，CPU2212也可以从该多个项目中搜索与第1属性的属性值所指定的条件一致的项目，读取存储于该项目内的第2属性的属性值，从而获取与满足预定的条件的第1属性相关联的第2属性的属性值。
在上面说明的程序或软件模块也可以被存储在计算机2200上或计算机2200附近的计算机可读介质中。此外，对连接到专用通信网络或互联网上的服务器系统内所提供的硬盘或RAM那样的记录介质可用作计算机可读介质，由该介质将程序经由网络提供给计算机2200。
以上，使用实施方式说明了本发明，但本发明的技术性范围没有被限定在上述实施方式记载的范围内。在上述实施方式中可附加多样的变更或改进，对本领域技术人员而言是显而易见的。从权利要求书的范围的记载中显而易见，附加了那样的变更或改进的形式也被包含在本发明的技术性范围内。
专利要求书、说明书和附图中所示的装置、系统、程序、以及方法中的动作、过程、步骤、以及阶段的各处理的执行顺序并未特别明确表示为“早于”、“之前”等，此外，应注意的是，只要不限于在后面的处理中使用前面的处理的输出，则可按任意的顺序实现。对于权利要求书、说明书、以及附图中的动作流程，为方便起见，即使使用“首先”、“接着”等进行了说明，但并意味着必须按该顺序实施。

Claims (13)

1.一种判定装置，具有：
判定用数据获取单元，获取对测量对象测量出的时序数据即判定用数据；
判定用数据预处理单元，通过为了输出所述测量对象的状态的训练模型的训练所使用的预处理算法，对所述判定用数据进行预处理；以及
判定单元，使用所述训练模型，基于被预处理过的所述判定用数据，判定所述测量对象的状态。
2.如权利要求1所述的判定装置，其中，
所述判定用数据预处理单元对所述判定用数据执行插值处理。
3.如权利要求2所述的判定装置，其中，
所述插值处理是上次值插值处理。
4.如权利要求2所述的判定装置，其中，
所述插值处理是线性插值处理。
5.如权利要求1所述的判定装置，其中，
所述判定用数据预处理单元对所述判定用数据执行波形压缩处理。
6.如权利要求1至5中任一项所述的判定装置，还具有：
错误通知单元，在所述时序数据中，无法获取数据的期限超过了预定的期间的情况下，通知错误。
7.如权利要求1至6中任一项所述的判定装置，还具有：
训练用数据获取单元，获取对所述测量对象测量出的时序数据即训练用数据；
预处理决定单元，决定对所述训练用数据进行预处理的所述预处理算法；
训练用数据预处理单元，通过所述预处理算法对所述训练用数据进行预处理；
训练单元，使用被预处理过的所述训练用数据，训练所述训练模型；以及
预处理信息输出单元，将确定所述预处理算法的信息与所述训练模型相关联地输出。
8.如权利要求7所述的判定装置，其中，
还具有所述训练模型。
9.一种判定方法，具有以下步骤：
获取对测量对象测量出的时序数据即判定用数据；
通过为了输出所述测量对象的状态的训练模型的训练所使用的预处理算法，对所述判定用数据进行预处理；以及
使用所述训练模型，基于被预处理过的所述判定用数据，判定所述测量对象的状态。
10.一种记录了判定程序的记录介质，
所述判定程序由计算机执行，使所述计算机具有作为以下单元的功能：
判定用数据获取单元，获取对测量对象测量出的时序数据即判定用数据；
判定用数据预处理单元，通过为了输出所述测量对象的状态的训练模型的训练所使用的预处理算法，对所述判定用数据进行预处理；以及
判定单元，使用所述训练模型，基于被预处理过的所述判定用数据，判定所述测量对象的状态。
11.一种训练装置，具有：
训练用数据获取单元，获取对测量对象测量出的时序数据即训练用数据；
预处理决定单元，决定对所述训练用数据进行预处理的预处理算法；
训练用数据预处理单元，通过所述预处理算法，对所述训练用数据进行预处理；
训练单元，使用被预处理过的所述训练用数据，训练将所述测量对象的状态输出的训练模型；以及
预处理信息输出单元，将确定所述预处理算法的信息与所述训练模型相关联地输出。
12.一种训练方法，具有以下步骤：
获取对测量对象测量出的时序数据即训练用数据；
决定对所述训练用数据进行预处理的预处理算法；
通过所述预处理算法，对所述训练用数据进行预处理；
使用被预处理过的所述训练用数据，对输出所述测量对象的状态的训练模型进行训练；以及
将确定所述预处理算法的信息与所述训练模型相关联地输出。
13.一种记录了训练程序的记录介质，
所述训练程序由计算机执行，使所述计算机具有作为以下单元的功能：
训练用数据获取单元，获取对测量对象测量出的时序数据即训练用数据；
预处理决定单元，决定对所述训练用数据进行预处理的预处理算法；
训练用数据预处理单元，通过所述预处理算法对所述训练用数据进行预处理、
训练单元，使用被预处理过的所述训练用数据，对输出所述测量对象的状态的训练模型进行训练；以及
预处理信息输出单元，将确定所述预处理算法的信息与所述训练模型相关联地输出。
CN202011414275.1A 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 Pending CN112927129A (zh)

Applications Claiming Priority (2)

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
JP2019-221233 2019-12-06

Publications (1)

Publication Number Publication Date
CN112927129A true CN112927129A (zh) 2021-06-08

Family

ID=73497595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011414275.1A Pending 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

Country Status (4)

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

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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1994012948A1 (en) * 1992-11-24 1994-06-09 Pavilion Technologies Inc. Method and apparatus for operating a neural network with missing and/or incomplete data
US20100246966A1 (en) * 2009-03-26 2010-09-30 Kabushiki Kaisha Toshiba Pattern recognition device, pattern recognition method and computer program product
CN107783801A (zh) * 2017-11-06 2018-03-09 广东欧珀移动通信有限公司 应用程序预测模型建立、预加载方法、装置、介质及终端
US20190130226A1 (en) * 2017-10-27 2019-05-02 International Business Machines Corporation Facilitating automatic handling of incomplete data in a random forest model
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
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
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

Family Cites Families (13)

* 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
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
CA2390895C (en) * 2001-06-18 2012-05-29 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
JP5651316B2 (ja) 2009-09-24 2015-01-07 矢崎エナジーシステム株式会社 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
US20160358099A1 (en) 2015-06-04 2016-12-08 The Boeing Company Advanced analytical infrastructure for machine learning
WO2019026231A1 (en) * 2017-08-03 2019-02-07 Nec Corporation APPARATUS, METHOD, DISAGGREGATION SYSTEM, AND MODEL STRUCTURE SELECTION PROGRAM
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
JP7061893B2 (ja) 2018-02-21 2022-05-02 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
US10740310B2 (en) 2018-03-19 2020-08-11 Oracle International Corporation Intelligent preprocessing of multi-dimensional time-series data
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
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

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO1994012948A1 (en) * 1992-11-24 1994-06-09 Pavilion Technologies Inc. Method and apparatus for operating a neural network with missing and/or incomplete data
US20100246966A1 (en) * 2009-03-26 2010-09-30 Kabushiki Kaisha Toshiba Pattern recognition device, pattern recognition method and computer program product
US20190130226A1 (en) * 2017-10-27 2019-05-02 International Business Machines Corporation Facilitating automatic handling of incomplete data in a random forest model
CN107783801A (zh) * 2017-11-06 2018-03-09 广东欧珀移动通信有限公司 应用程序预测模型建立、预加载方法、装置、介质及终端
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
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

Also Published As

Publication number Publication date
EP3832557A2 (en) 2021-06-09
JP2021092831A (ja) 2021-06-17
EP3832557A3 (en) 2021-08-04
EP3832557B1 (en) 2023-12-27
US20210174254A1 (en) 2021-06-10
JP7222344B2 (ja) 2023-02-15

Similar Documents

Publication Publication Date Title
US11243524B2 (en) System and method for unsupervised root cause analysis of machine failures
JP5943357B2 (ja) 検出装置、検出方法、およびプログラム
KR101711936B1 (ko) 머신 상태 모니터링에서 결함 진단을 위한 일반화된 패턴 인식
EP3489780B1 (en) Examining apparatus, examining method, program and recording medium
EP3859455B1 (en) Learning apparatus, learning method, learning program, determination apparatus, determination method, determination program, and computer readable medium
CN112927129A (zh) 判定装置及方法、训练装置及方法、以及记录介质
US20220121164A1 (en) Control apparatus, controller, control system, control method, and computer-readable medium having recorded thereon control program
EP3904987B1 (en) Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system
CN111742462A (zh) 用于基于音频和振动的功率分配装备状况监测的系统和方法
US11392737B2 (en) Detection apparatus, detection method, and recording medium that records detection program
CN114002332A (zh) 一种结构损伤监测预警方法及结构完整性数字孪生系统
US20220042829A1 (en) Data management system, data management method, and recording medium recording data management program
EP3926430B1 (en) Data management system, data management method, and data management program
EP3879470A1 (en) Data management system and data management method
CN113934365A (zh) 数据管理系统、数据管理方法及记录有数据管理程序的记录介质
CN113435467A (zh) 数据管理系统、数据管理方法及记录介质
US20230126567A1 (en) Operation system, operation method and recording medium having recorded thereon operation program
CN115359203B (zh) 一种三维高精度地图生成方法、系统及云平台
US20220155759A1 (en) Interface apparatus, interface method, and recording medium having recorded thereon interface program
US20230123872A1 (en) Method for detection of anomolous operation of a system
KR20210013292A (ko) 정보 처리 장치, 프로그램을 기록한 기록 매체 및 정보 처리 방법
US20230375382A1 (en) Data recording apparatus, data recording method, and non-transitory computer readable medium
US20230385782A1 (en) Apparatus, method, and non-transitory computer readable medium for maintaining facility
JP2024013491A (ja) 分析装置
CN117749653A (zh) 一种QoS预测方法、装置、电子设备及可读存储介质

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