CN113205187A - 学习装置、学习方法及计算机可读介质、判定装置、判定方法及计算机可读介质 - Google Patents
学习装置、学习方法及计算机可读介质、判定装置、判定方法及计算机可读介质 Download PDFInfo
- Publication number
- CN113205187A CN113205187A CN202110123638.4A CN202110123638A CN113205187A CN 113205187 A CN113205187 A CN 113205187A CN 202110123638 A CN202110123638 A CN 202110123638A CN 113205187 A CN113205187 A CN 113205187A
- Authority
- CN
- China
- Prior art keywords
- learning
- data
- determination
- unit
- preprocessing
- 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
- 238000000034 method Methods 0.000 title claims description 39
- 238000007781 pre-processing Methods 0.000 claims abstract description 184
- 238000005259 measurement Methods 0.000 claims abstract description 173
- 238000012545 processing Methods 0.000 claims abstract description 70
- 238000004364 calculation method Methods 0.000 claims description 51
- 238000006243 chemical reaction Methods 0.000 claims description 45
- 230000005484 gravity Effects 0.000 claims description 26
- 238000009826 distribution Methods 0.000 claims description 22
- 230000008569 process Effects 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 230000010365 information processing Effects 0.000 claims description 3
- 230000008859 change Effects 0.000 description 16
- 238000003860 storage Methods 0.000 description 13
- 230000002159 abnormal effect Effects 0.000 description 12
- 238000004891 communication Methods 0.000 description 8
- 238000003745 diagnosis Methods 0.000 description 6
- 238000012706 support-vector machine Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010865 sewage Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- G05B17/00—Systems involving the use of models or simulators of said systems
- G05B17/02—Systems involving the use of models or simulators of said systems electric
-
- 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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
-
- 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
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G05B23/0227—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions
- G05B23/0232—Qualitative history assessment, whereby the type of data acted upon, e.g. waveforms, images or patterns, is not relevant, e.g. rule based assessment; if-then decisions based on qualitative trend analysis, e.g. system evolution
-
- 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
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0267—Fault communication, e.g. human machine interface [HMI]
- G05B23/0272—Presentation of monitored results, e.g. selection of status reports to be displayed; Filtering information to the user
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Manufacturing & Machinery (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
在对设备的状态进行判定的模型中,降低测定数据的漂移的影响。提供一种学习装置,该学习装置具有:学习用数据取得部,其取得包含对设备进行测定而得到的测定数据以及设备的状态在内的学习用数据;学习用预处理部,其进行降低学习用数据中的测定数据的漂移的预处理,输出预处理完毕学习用数据;以及学习处理部,其使用预处理完毕学习用数据,进行对模型进行学习的处理,该模型根据预处理后的测定数据对设备的状态进行判定。
Description
技术领域
本发明涉及学习装置、学习方法、记录了学习程序的计算机可读介质、判定装置、判定方法及记录了判定程序的计算机可读介质。
背景技术
近年来,在工厂的控制系统中,有的具有使用学习完毕的模型对工厂的设备进行监控、诊断的功能。例如,非专利文献1公开了在监控对象发生了之前未发生过的故障、劣化的情况下对概念漂移(concept drift)进行检测并在适当的定时(timing)进行模型更新的技术。
专利文献1:坂本他4名、「適応型モニタリングシステムにおけるコンセプトドリフト検出に向けた初期実験」、人工知能学会研究会資料SIG-KBS-B401-05、日本、2014年7月24日
通常,在诊断中使用的模型是使用学习用数据而被教育,因此依赖于取得了学习用数据的状况、条件以及仪器的设定等,难以应用于其他状况等之下的诊断。因此,在上述现有技术中,需要对测定对象的数据的特征随时间而发生变化的漂移现象进行检测,在检测到漂移的情况下对模型进行更新。
发明内容
为了解决上述课题,在本发明的第1方式中,提供一种学习装置。学习装置可以具有学习用数据取得部,该学习用数据取得部取得包含对设备进行测定而得到的测定数据以及设备的状态在内的学习用数据。学习装置可以具有学习用预处理部,该学习用预处理部进行降低学习用数据中的测定数据的漂移的预处理,输出预处理完毕学习用数据。学习装置可以具有学习处理部,该学习处理部使用预处理完毕学习用数据,进行对模型进行学习的处理,该模型根据预处理后的测定数据对设备的状态进行判定。
学习用预处理部可以具有特征量计算部,该特征量计算部计算表示学习用数据中的测定数据的漂移的特征量。学习用预处理部可以具有数据转换部,该数据转换部从学习用数据中的测定数据去除与特征量相应的漂移。
学习装置可以还具有指定输入部,该指定输入部对学习用预处理部应进行的预处理的种类的指定进行输入。学习用预处理部可以进行与所输入的指定对应的预处理。
学习用预处理部可以与指定相应地,进行降低学习用数据中的测定数据的重心移动的预处理、或者在滑动窗口内计算学习用数据中的测定数据的差分的预处理中的至少一个。
学习装置可以具有判定用数据取得部,该判定用数据取得部取得包含对设备进行测定而得到的测定数据在内的判定用数据。学习装置可以具有判定用预处理部,该判定用预处理部进行降低判定用数据的漂移的预处理,输出预处理完毕判定用数据。学习装置可以具有判定部,该判定部使用学习完毕的模型,根据预处理完毕判定用数据对设备的状态进行判定。
学习装置可以还具有显示处理部,该显示处理部进行对预处理完毕学习用数据以及预处理完毕判定用数据的分布进行显示的处理。
学习用数据以及判定用数据可以包含在设备设置的多个传感器的测定值。学习装置可以还具有选择部,该选择部从多个传感器的测定值中选择对模型的判定结果的贡献度相对高的至少一个传感器的测定值。显示处理部可以进行对预处理完毕学习用数据以及预处理完毕判定用数据中的由选择部选择出的至少一个传感器的测定值的分布进行显示的处理。
在本发明的第2方式中,提供一种学习方法。学习方法包含如下步骤:学习装置取得包含对设备进行测定而得到的测定数据以及设备的状态在内的学习用数据。学习方法包含:学习装置进行降低学习用数据中的测定数据的漂移的预处理,输出预处理完毕学习用数据。学习方法包含:学习装置使用预处理完毕学习用数据进行对模型进行学习的处理,该模型根据预处理后的测定数据对设备的状态进行判定。
在本发明的第3方式中,提供一种记录了由计算机执行的学习程序的计算机可读介质。学习程序可以使计算机作为学习用数据取得部起作用,该学习用数据取得部取得包含对设备进行测定而得到的测定数据以及设备的状态在内的学习用数据。学习程序可以使计算机作为学习用预处理部起作用,该学习用预处理部进行降低学习用数据中的测定数据的漂移的预处理,输出预处理完毕学习用数据。学习程序可以使计算机作为学习处理部起作用,该学习处理部使用预处理完毕学习用数据进行对模型进行学习的处理,该模型根据预处理后的测定数据对设备状态进行判定。
在本发明的第4方式中,提供一种判定装置。判定装置可以具有判定用数据取得部,该判定用数据取得部取得包含对设备进行测定而得到的测定数据在内的判定用数据。判定装置可以具有判定用预处理部,该判定用预处理部进行降低判定用数据的漂移的预处理,输出预处理完毕判定用数据。判定装置可以具有判定部,该判定部使用模型而根据预处理完毕判定用数据对设备的状态进行判定,该模型是使用对学习用数据进行预处理所得到的预处理完毕学习用数据而学习到的。
在本发明的第5方式中,提供一种判定方法。判定方法可以包含:判定装置取得包含对设备进行了测定而得到的测定数据在内的判定用数据。判定方法可以包含:判定装置进行降低判定用数据的漂移的预处理,输出预处理完毕判定用数据。判定方法可以包含:判定装置使用模型而根据预处理完毕判定用数据对设备的状态进行判定,该模型是使用对学习用数据进行预处理所得到的预处理完毕学习用数据而学习到的。
在本发明的第6方式中,提供一种计算机可读介质,该计算机可读介质记录了由计算机执行的判定程序。判定程序可以使计算机作为判定用数据取得部起作用,该判定用数据取得部取得包含对设备进行测定而得到的测定数据在内的判定用数据。判定程序可以使计算机作为判定用预处理部起作用,该判定用预处理部进行降低判定用数据的漂移的预处理。判定程序可以使计算机作为判定部起作用,该判定部使用模型而根据预处理完毕判定用数据对设备的状态进行判定,该模型是使用对学习用数据进行预处理所得到的预处理完毕学习用数据而学习到的。
此外,上述发明的概要并未列举出本发明的全部必要特征。另外,这些特征群的子组合也可以成为发明。
附图说明
图1表示本发明的实施方式所涉及的学习装置100以及判定装置150的结构。
图2表示本发明的实施方式所涉及的学习装置100的动作流程。
图3表示本发明的实施方式所涉及的判定装置150的动作流程。
图4表示本发明的实施方式所涉及的显示画面的一个例子。
图5表示本发明的实施方式所涉及的测定数据的一个例子。
图6表示本发明的实施方式所涉及的漂移去除后的测定数据的一个例子。
图7表示可以整体或者部分地具体实现本发明的多个方式的计算机2200的例子。
具体实施方式
下面,通过发明的实施方式说明本发明,但下面的实施方式并不是限定权利要求书所涉及的发明。另外,在实施方式中说明的特征的全部组合对于发明的解决手段不一定是必须的。
图1表示本实施方式所涉及的学习装置100以及判定装置150的结构。学习装置100使用通过预处理减少或者去除了漂移的影响的学习用数据来学习对工厂的设备的状态进行判定的模型。判定装置150使用学习到的模型,基于通过预处理减少或者去除了漂移的影响的判定用数据,对工厂等的设备的状态进行判定。这样,学习装置100以及判定装置150通过减少或者去除漂移的影响而进行学习以及判定,从而即使在测定数据产生了漂移的情况下,也能够减少重新对模型进行学习的必要性,能够降低重新学习的处理负荷。
这里,作为工厂,除了化学、生物等工业工厂之外,还可以举出对气田、油田等的井口、其周边进行管控的工厂、对水力/火力/原子能等发电进行管控的工厂、对太阳光、风力等环境发电进行管控的工厂、对上下水、水坝等进行管控的工厂等。另外,作为设备,可以举出罐、配管、阀、锅炉、压缩机、电动机以及其他装置等。
此外,学习装置100以及判定装置150也能够应用于在除了工厂以外的场所设置的设备。例如,学习装置100以及判定装置150也可以应用于对应该实现节能性、舒适性的大厦的空调进行控制的设备等。在本实施方式中,例示了学习装置100以及判定装置150应用于工厂的设备的情况。
学习装置100具有学习用数据取得部105、学习用预处理部110和学习处理部130。学习用数据取得部105取得学习用数据。学习用数据包含对工厂的设备进行了测定而得到的测定数据和与该测定数据相应的设备的状态。这里,测定数据包含在各测定定时由在工厂的一个或者多个设备设置的一个或者多个传感器测定出的测定值。这样的测定数据例如可以是表示设备的测定对象部位的温度、压力、流量、振动或者腐蚀等的数据。设备的状态表示设备有无异常或者故障等,作为一个例子,可以是工厂的维修人员等用户对测定数据标注(注释)后的状态。
学习用预处理部110与学习用数据取得部105连接,进行降低学习用数据取得部105所取得的学习用数据中的测定数据的漂移的预处理,输出通过预处理得到的预处理完毕学习用数据。学习用预处理部110具有特征量计算部115和数据转换部120。特征量计算部115计算由学习用数据取得部105取得的学习用数据中的测定数据的特征量。例如,特征量计算部115计算表示学习用数据中的测定数据的漂移的特征量。数据转换部120与特征量计算部115连接,降低(即至少去除一部分)学习用数据中的测定数据的漂移或者去除测定数据的漂移。这里,数据转换部120针对与特征量计算部115计算出的特征量相应的漂移,可以从学习用数据中的测定数据去除与该特征量相应的漂移。
学习处理部130与学习用预处理部110连接。学习处理部130使用由学习用预处理部110预处理后的预处理完毕学习用数据,进行对模型进行学习的处理,该模型根据预处理后的测定数据对设备的状态进行判定。学习处理部130将学习完毕的模型储存于模型存储部140。
学习装置100也可以具有指定输入部125。指定输入部125从学习装置100的用户输入预处理参数,该预处理参数是由学习用预处理部110应该对学习用数据中的测定数据应用的预处理的种类的指定等。在从学习装置100的用户输入了预处理的种类等的指定的情况下,学习用预处理部110内的特征量计算部115可以计算与所输入的指定对应的特征量,数据转换部120可以与计算出的特征量相应地进行与所输入的指定对应的预处理。
模型存储部140与学习装置100连接,存储由学习处理部130学习到的模型。
判定装置150具有判定用数据取得部155、判定用预处理部160和判定部180。判定用数据取得部155取得判定用数据。判定用数据包含通过在工厂的一个或者多个设备设置的一个或者多个传感器在各测定定时对工厂的设备进行了测定而得到的测定数据。
判定用预处理部160与判定用数据取得部155连接,进行降低判定用数据取得部155所取得的判定用数据的漂移的预处理,输出预处理完毕判定用数据。判定用预处理部160具有特征量计算部165和数据转换部170。特征量计算部165计算由判定用数据取得部155取得的测定数据的特征量。例如,特征量计算部165计算表示判定用数据中的测定数据的漂移的特征量。特征量计算部165可以具有与学习用预处理部110内的特征量计算部115相同的功能以及结构。数据转换部170与特征量计算部165连接,降低判定用数据中的测定数据的漂移(即去除至少一部分)或者去除测定数据的漂移。这里,数据转换部170针对与特征量计算部165计算出的特征量相应的漂移,从判定用数据中的测定数据去除与特征量相应的漂移。数据转换部170可以具有与学习用预处理部110内的数据转换部120相同的功能以及结构。
判定部180与模型存储部140以及判定用预处理部160连接。判定部180使用在模型存储部140中存储的学习完毕的模型,根据预处理完毕判定用数据对工厂的状态进行判定。这里,在模型存储部140中存储的学习完毕的模型是使用对学习用数据进行了学习用的预处理所得到的预处理完毕学习用数据而学习到的。
判定装置150也可以具有指定输入部175。指定输入部175从判定装置150的用户输入预处理参数,该预处理参数是判定用预处理部160应该对判定用数据中的测定数据应用的预处理的种类的指定等。在从判定装置150的用户输入了预处理的类型等的指定的情况下,判定用预处理部160内的特征量计算部165可以计算与所输入的指定对应的特征量,数据转换部170可以与计算出的特征量相应地进行与所输入的指定对应的预处理。
判定装置150可以具有选择部185以及显示处理部190。选择部185与模型存储部140连接。在学习用数据以及判定用数据中的测定数据包含在工厂的一个或者多个设备设置的多个传感器的测定值的情况下,选择部185选择多个传感器的测定值中的对模型的判定结果的贡献度相对高的至少一个传感器的测定值。
显示处理部190与数据转换部120以及数据转换部170连接,接收预处理完毕学习用数据以及预处理完毕判定用数据。另外,显示处理部190与选择部185连接,进行对从数据转换部120以及数据转换部170接收到的预处理完毕学习用数据以及预处理完毕判定用数据的分布进行显示的处理。这里,显示处理部190可以进行如下处理,即,在显示画面上显示从数据转换部120以及数据转换部170接收到的预处理完毕学习用数据以及预处理完毕判定用数据中的由选择部185选择出的至少一个传感器的测定值的分布。此外,显示处理部190可以包含用于对显示画面进行显示的显示器等显示部。取而代之,显示处理部190也可以进行对外部的显示部显示显示画面的处理。
根据以上所示的学习装置100以及判定装置150,在学习时降低或者去除测定数据的漂移而进行模型的学习,在诊断(判定)时也在降低或者去除测定数据的漂移之后使用模型进行诊断,由此能够实现降低或者去除了测定数据的漂移的影响的学习以及诊断。
图2表示本实施方式所涉及的学习装置100的动作流程。在S200(步骤200)中,学习用数据取得部105取得学习用数据。
在S210中,指定输入部125从学习装置100的用户输入应该对学习用数据中的测定数据应用的预处理的种类等的指定。这里,学习用预处理部110能够应用的预处理可以包含重心移动的去除、以及通过滑动窗口内的差分计算进行的漂移的去除等。指定输入部125可以输入进行这样的预处理的哪一个作为预处理的种类等的预处理参数的指定,也可以输入滑动窗口的长度等预处理所附带的参数。
在S220中,特征量计算部115计算表示学习用数据中的测定数据的漂移的特征量。这里,特征量计算部115在经由指定输入部125输入了预处理的种类等的情况下,计算与所指定的预处理以及参数相应的特征量。特征量计算部115在没有输入预处理的种类等的指定的情况下,计算与默认的设定相应的特征量。
例如,针对偏移被施加于来自传感器的测定数据的值这样的漂移,特征量计算部115可以计算预先确定的长度或者样本数的期间的每个滑动窗口的测定数据的平均值。另外,特征量计算部115可以针对包含来自一个或者多个传感器的测定值在内的测定数据,计算预先确定的长度或者样本数的期间的每个滑动窗口的测定数据的重心。这里,在计算这样的平均或者重心等的情况下,特征量计算部115可以排除离群值来计算平均或者重心等。特征量计算部115可以将例如从对象期间中的全部测定值的平均偏离了标准偏差的例如3倍等的规定系数以上的测定值视为离群值。另外,特征量计算部115也可以计算平均或者重心等发生变化的周期(例如每1周)或者定时,作为表示测定数据的漂移的特征量。
在S230中,数据转换部120进行降低学习用数据中的测定数据的漂移的预处理,输出预处理完毕学习用数据。这里,数据转换部120在经由指定输入部125输入了预处理的种类等的指定的情况下,对测定数据应用由用户指定的预处理。在未输入预处理的种类等的指定的情况下,数据转换部120去除与在S220中计算出的特征量相应的漂移。例如,针对与来自某个传感器的测定数据中的平均值的变化相伴的漂移,数据转换部120从测定数据的各样本值减去在S220中计算出的平均值,去除平均值的变化的影响。另外,针对与来自多个传感器的测定数据的重心的移动相伴的漂移,数据转换部120从测定数据的各定时的样本值的组减去在S220中计算出的重心,去除重心的变化的影响。数据转换部120在未指定预处理的种类的情况下,可以应用默认确定出的预处理。取而代之,数据转换部120也可以基于特征量计算部115计算出的表示平均或者重心等发生变化的周期或者定时的特征量,决定使用比该变化短的期间的滑动窗口以及去除发生了变化的指标(平均、重心等)的变化。
另外,数据转换部120能够根据漂移去除的种类,不使用由特征量计算部115计算的特征量而对测定数据进行去除漂移的预处理。这种漂移去除方法例如可以举出滑动窗口内的差分计算。更具体地,在使用从滑动窗口内的测定值的最大值减去最小值得到的值、滑动窗口内的测定值的最初和最后的值、或者滑动窗口内的相邻的测定值的差中的最大的值这样的滑动窗口内的测定值的差分的情况下,随着该计算而去除平均值的变化的影响。因此,数据转换部120针对这样的漂移去除,不需要使用特征量计算部115计算出的平均值等特征量。此外,数据转换部120即使在这种情况下,也可以使用表示平均等发生变化的周期或者定时的特征量来决定滑动窗口的大小。
另外,数据转换部120也可以进行使测定数据的大小标准化的处理。例如,数据转换部120也可以通过将测定值以及平均值的差分除以标准偏差而得到的值作为预处理后的测定数据,从而将测定数据的大小标准化。由此,数据转换部120也能够对传感器的灵敏度发生变化这样的漂移实施适当的预处理。
在S240中,学习处理部130使用来自学习用预处理部110的预处理完毕学习用数据,进行对模型进行学习的处理,该模型根据预处理后的测定数据对设备的状态进行判定。作为一个例子,模型在判定对象的各定时,输入来自一个或者多个传感器的一个或者多个测定值,输出与该一个或者多个测定值相应的设备的状态的判定结果。这里,模型可以是支持向量机(SVM)、神经网络或者其他机器学习模型。
例如,在使用SVM的情况下,学习处理部130对超平面进行学习,该超平面是在将把预处理完毕学习用数据中的各定时的一个或者多个测定值的组作为坐标的点映射至多维空间的情况下,以最大的裕量将设备被标记为正常的点的集合和设备被标记为异常的点的集合之间分离。该超平面由包含与各测定值对应的权重的组在内的权重向量表示。
另外,例如在使用神经网络的情况下,学习处理部130使用反向传播等算法来调整各神经元之间的权重以及各神经元的偏置,以使得在将预处理完毕学习用数据中包含的来自一个或者多个传感器的一个或者多个测定值的组输入至输入层的情况下,从输出层输出的判定结果与目标判定结果之间的误差最小化。
此外,由于工厂的设备很少发生异常,因此学习用数据中的大多数测定数据都附加有表示正常的标签,而附加有表示异常的标签的测定数据很少。为了解决这种不平衡的问题,特征量计算部115可以在S220中对附加了表示正常的标记的测定数据(正常数据)进行欠采样,经由数据转换部120供给至学习处理部130。即,例如,特征量计算部115可以通过使用每隔一定周期或者随机地从正常数据中的各定时的样本中选择出的样本来对模型进行学习,从而减少正常数据的样本数。
另外,特征量计算部115在S220中,也可以对附加了表示异常的标记的测定数据(异常数据)进行过采样。即,例如,特征量计算部115可以通过重复使用异常数据的样本、或者使用异常数据的平均以及方差来随机生成异常数据的新样本等,从而增加异常数据的样本数。另外,特征量计算部115可以使用SMOTE(Synthetic Minority OversamplingTechnique)等算法随机地追加异常数据的样本彼此之间的点作为新样本。特征量计算部115还可以通过并用正常数据的欠采样以及异常数据的过采样来进一步降低不平衡。
另外,学习处理部130也可以使模型的超参数(例如,神经网络的层数、节点数等)最优化,将模型的正确回答率调整得更高。另外,学习处理部130也可以通过使用进行一类SVM等一类分类的机器学习模型,从而以使得能够将正常数据的各样本分类为一个类的方式对模型进行学习。
图3表示本实施方式所涉及的判定装置150的动作流程。在S300中,判定用数据取得部155取得判定用数据。判定用数据取得部155可以取得从在工厂的一个或者多个设备设置的一个或者多个传感器实时提供的传感器数据作为判定用数据。
在S310中,指定输入部175从判定装置150的用户输入应该对判定用数据中的测定数据应用的预处理的种类等预处理参数的指定。指定输入部175可以通过与图2的S210相同的处理,输入预处理的种类等预处理参数的指定。
在S320中,特征量计算部165计算表示判定用数据中的测定数据的漂移的特征量。特征量计算部165可以通过与图2的S220相同的处理,计算特征量。
在S330中,数据转换部170进行降低判定用数据的漂移的预处理,输出预处理完毕判定用数据。数据转换部170可以通过与图2的S330相同的处理对判定用数据应用预处理。此外,特征量计算部165以及数据转换部170可以对判定用数据应用与由特征量计算部115以及数据转换部120进行的预处理相同的预处理。取而代之,特征量计算部165以及数据转换部170可以对判定用数据应用至少一部分与由特征量计算部115以及数据转换部120进行的预处理不同的预处理。例如,当在学习用数据以及判定用数据之间漂移的周期不同的情况下,特征量计算部165以及数据转换部170可以以与对学习用数据进行的预处理不同的周期对判定用数据应用降低漂移的预处理。
在S340中,在判定用数据中的测定数据包含多个传感器的测定值的情况下,选择部185选择对模型的判定结果的贡献度相对高的至少一个传感器的测定值作为应该在显示画面显示的参数。
在S350中,显示处理部190在显示画面上显示在从学习用预处理部110接收到的预处理完毕学习用数据以及从判定用预处理部160接收到的预处理完毕判定用数据中包含的、各传感器的测定值中在S340中选择出的至少一个传感器的测定值的分布。由此,显示处理部190能够显示被判断为正常的预处理完毕学习用数据、被判断为异常的预处理完毕学习用数据以及预处理完毕判定用数据在将对判定结果的贡献度高的各传感器的测定值选择为坐标轴的坐标空间上分别分布于哪个范围。
在S360中,指定输入部175从判定装置150的用户输入对应该对判定用数据中的测定数据应用的预处理的种类等预处理参数进行变更的指示。在有对预处理的种类等进行变更的指示的情况下,判定装置150使处理向S330前进,对判定用数据应用变更后的预处理(S330),进行将预处理完毕学习用数据以及预处理完毕判定用数据的测定值的分布重新显示(S340~S350)的处理。在没有对预处理的种类等进行变更的指示的情况下,判定部180使用在模型存储部140中存储的学习完毕的模型,根据通过判定用预处理部160得到的预处理完毕判定用数据对设备的状态进行判定(S370)。
图4表示本实施方式所涉及的显示画面400的一个例子。显示画面400具有分布显示部410、稳定性显示部420、预处理参数输入部430、预处理算法输入部440。
分布显示部410对预处理完毕学习用数据以及预处理完毕判定用数据中的由选择部185选择出的至少一个传感器的测定值的分布进行显示。在本图的例子中,选择部185选择对模型的判定结果的贡献度相对高的3个传感器的测定值。这里,选择部185可以在某个传感器的测定值的变化对模型的判定结果造成的影响度大的情况下,判断为该传感器的测定值对判定结果的贡献度大。例如,在SVM中,选择部185也可以选择表示将判定结果的边界示出的超平面的权重向量的各要素中的、按照绝对值由大到小的顺序而预先确定的数量(例如,在二维显示时是2,在三维显示时是3),选择与选择出的要素对应的传感器的测定值作为贡献度相对高的测定值。另外,在神经网络中,选择部185可以在展开了从输入各传感器的测定值的各输入节点直至输出判定结果的输出节点为止的函数的情况下,选择按照对输出值的影响由大到小的顺序而预先确定的数量的传感器。
本实施方式所涉及的显示处理部190将三维空间中的预处理完毕学习用数据以及预处理完毕判定用数据的分布作为三维散布图显示于分布显示部410,该三维空间将选择出的3个传感器的测定值作为3个轴向。图中的圆圈表示分类为正常的预处理完毕学习用数据的各样本,十字交叉表示分类为异常的预处理完毕学习用数据的各样本,三角形表示预处理完毕判定用数据的各样本。
在本图中,预处理完毕判定用数据的分布(图中的三角形)在三维坐标空间上从被分类为正常的预处理完毕学习用数据的分布(图中的圆圈)偏离。这里,在测定数据的漂移成功去除的情况下,预处理完毕判定用数据的分布应当与预处理完毕学习用数据的分布重叠。因此,如本图所示,在预处理完毕判定用数据的分布从预处理完毕学习用数据的分布偏离的情况下,显示处理部190能够使用户认识到判定用数据的漂移没有充分地成功去除,能够采取如下措施,即,通过在图3的S360中对预处理的种类进行变更等手段来去除判定用数据的漂移。另外,显示处理部190通过使分布显示部410显示于显示画面400,能够使用户确认判定部180的误判定是否是由于漂移的残留而产生的。
稳定性显示部420对稳定性指标值的时序数据进行显示,该稳定性指标值表示由判定部180使用学习完毕的模型并基于预处理完毕判定用数据而判定出的工厂的状态的判定结果。显示处理部190将把各定时的预处理完毕判定用数据赋予模型而得到的各定时的判定结果作为时序的图表进行显示。在使用SVM的情况下,作为稳定性指标值,显示处理部190可以将各定时的各传感器的测定值和与各传感器对应的权重的积和作为稳定性指标值进行显示。在使用神经网络的情况下,显示处理部190也可以将把各传感器的测定值输入至输入层的情况下的、输出判定结果的输出节点的输出值作为稳定性指标值进行显示。图中的稳定性显示部420的虚线表示关于稳定性指标值的正常以及异常的阈值。判定部180根据稳定性指标值小于或等于阈值这一情况,判定为工厂的判定对象设备异常。
预处理参数输入部430是为了从用户接收预处理参数的指定而由显示处理部190显示的输入栏。预处理算法输入部440是为了从用户接收对预处理的种类的指定而由显示处理部190显示的输入栏。在本图中,指定输入部125以及指定输入部175通过用户向预处理参数输入部430以及预处理算法输入部440的输入,接收预处理的种类以及其他预处理用的参数。在本图的例子中,在预处理算法输入部440中,作为预处理算法指定了使用“重心移动”,在预处理参数输入部430中,作为预处理参数指定了“1周”。接收到这些,指定输入部125以及指定输入部175对学习用预处理部110以及学习用预处理部160设定降低测定数据的重心移动的漂移以及将窗口长度设为1周。可以与对学习用预处理部110以及学习用预处理部160、预处理参数输入部430以及预处理算法输入部440的指定相应地,进行降低测定数据的重心移动的预处理或者在滑动窗口内计算测定数据的差分的预处理中的至少1个。
根据以上所示的显示画面400,能够通过分布显示部410的显示使用户确认是否成功去除了测定数据的漂移。另外,在漂移未成功去除的情况下,指定输入部125以及指定输入部175能够经由预处理参数输入部430以及预处理算法输入部440从用户接收适当的预处理的指定。另外,在看到稳定性显示部420的显示的用户得出判定装置150的判定有误的结论的情况下,判定装置150也可以将误判断的定时的测定数据以及判定对象设备的正确状态的组作为追加的学习用数据供给至学习用数据取得部105,用于模型的重新学习。在该情况下,判定装置150也可以向学习装置100发送进行从图2的S200起的处理的指示,学习装置100也可以基于该指示从图2的S200起进行重新学习处理。
此外,在特征量计算部115具有进行学习用数据的欠采样或者过采样中的至少一个的功能的情况下,显示处理部190也可以对是否应用欠采样/过采样的指定的输入栏、欠采样/过采样的速率的指定的输入栏、或者指定欠采样/过采样的其他参数的输入栏中的至少一个进行显示。在该情况下,指定输入部125可以输入与欠采样/过采样相关的指定,特征量计算部115可以基于该指定进行学习用数据的欠采样/过采样。
图5表示本实施方式所涉及的测定数据的一个例子,图6表示本实施方式所涉及的漂移去除后的测定数据的一个例子。这些图的横轴表示时间的经过,纵轴表示测定值。
在本图的例子中,测定数据是用于对测定部位的温度进行测定的温度传感器的测定值的时序数据。如图5所示,在该测定数据中,发生了以每1周为单位重心移动的漂移。
特征量计算部115与接收到包含这样的测定数据在内的学习用数据相应地,作为表示测定数据的漂移的特征量,计算每个滑动窗口的重心和重心变化的周期(在本图的例子中是1周)。取而代之,指定输入部125也可以经由向图4的预处理参数输入部430以及预处理算法输入部440的输入而接收由用户指定的预处理算法(图4中的“重心移动”)以及预处理参数(图4中的“1周”)。在该情况下,特征量计算部115与所指定的预处理算法以及预处理参数相应地计算上述特征量。
数据转换部120可以与特征量计算部115计算出的特征量相应地,进行如下预处理,即,在将测定数据按上述周期(在本图的例子中是1周)分割得到的各区间中,从测定数据减去该区间的重心的值。由此,如图6所示,数据转换部120能够得到去除了周期性漂移的影响的测定数据。学习处理部130能够使用包含这样去除了漂移的影响的测定数据在内的预处理完毕学习用数据,对模型进行学习。此外,如果使用将测定数据按某个周期分割得到的各区间的平均或者重心等来去除测定数据的漂移,则在区间彼此的边界有可能出现如图6中的定时24~29前后以及定时55~57前后所示的不连续点。因此,学习处理部130也可以不将在区间切换后的预先确定的裕量期间之间的测定值用于学习。
另外,在基于判定用数据的判定阶段,判定装置150可以与上述学习阶段同样地对测定数据进行处理。即,特征量计算部165与接收到包含图5那样的测定数据在内的判定用数据相应地,作为表示测定数据的漂移的特征量,计算每个滑动窗口的重心和重心变化的周期。取而代之,指定输入部175也可以经由向图4的预处理参数输入部430以及预处理算法输入部440的输入来接收由用户指定的预处理算法以及预处理参数。在该情况下,特征量计算部165与所指定的预处理算法以及预处理参数相应地计算上述特征量。
数据转换部170可以与特征量计算部165计算出的特征量相应地,进行如下预处理,即,在将测定数据按上述周期分割得到的各区间,从测定数据减去该区间的重心的值。由此,如图6所示,数据转换部170能够得到去除了周期性漂移的影响的测定数据。判定部180能够使用包含这样去除了漂移的影响的测定数据在内的预处理完毕判定用数据,对设备的状态进行判定。此外,为了避免图6中的定时24~29前后以及定时55~57前后所示的不连续点,判定部180也可以不将在区间切换后的预先确定的裕量期间之间的测定值用于判定。
根据以上所示的学习装置100以及判定装置150,能够以不受测定数据的漂移的影响的方式对模型进行学习,使用这样的模型进行工厂的诊断。由此,即使测定数据的特征随着时间的经过而发生了变化,学习装置100以及判定装置150也能够降低对模型进行重新学习的必要性。
另外,学习装置100以及判定装置150也能够从用户接收预处理的种类等的指定,进行所指定的预处理,因此能够与如下的用户知晓的事件相应地对预处理进行变更,即,例如用于定期维护的工厂或者一部分设备的关机、传感器的校准的实施、或者传感器或读出传感器数据的仪器的设定变更等。
另外,根据学习装置100以及判定装置150,使用去除了测定数据的漂移的影响的模型,因此对于同一工厂或者不同工厂中的具有相同或者类似的结构的设备,也能够不进行重新学习而应用模型。
此外,在以上说明中,为了便于说明,例示了对测定数据应用1个预处理的情况。也可以取而代之,学习装置100以及判定装置150对来自不同传感器的测定数据实施不同的预处理。例如,学习装置100以及判定装置150也可以对来自传感器A1~A3的测定数据a进行以每1周为周期的重心移动处理,对来自传感器B1~B2的测定数据b进行以每30分钟为周期的重心移动处理,对来自传感器C的测定数据c进行使用了一天的长度的滑动窗口的差分计算处理。
另外,在以上说明中,例示了选择部185以及显示处理部190设置于判定装置150内的情况。也可以取而代之,选择部185以及显示处理部190设置于学习装置100中。另外,学习装置100可以作为将判定装置150一体化后的装置而提供,相反地,判定装置150也可以作为将学习装置100一体化后的装置而提供。另外,学习装置100或者判定装置150中的至少一方也可以通过云计算实现。
本发明的各种实施方式可以参照流程图以及框图来记载,这里,框可以表示(1)执行操作的过程的阶段或者(2)具有执行操作的功能的装置的一部分。特定阶段以及一部分可以由专用电路、可编程电路、和/或处理器来安装,该可编程电路与在计算机可读介质上储存的计算机可读命令一起供给,该处理器与在计算机可读介质上储存的计算机可读命令一起供给。专用电路可以包含数字和/或模拟硬件电路,也可以包含集成电路(IC)和/或分立电路。可编程电路可以包含可重构硬件电路,该可重构硬件电路包含逻辑AND、逻辑OR、逻辑XOR、逻辑NAND、逻辑NOR及其他逻辑操作、以及触发器、寄存器、现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)等存储器要素等。
计算机可读介质可以包含能够储存由适当的设备执行的命令的任意的有形设备,其结果,具有在其中储存的命令的计算机可读介质具有产品,该产品包含为了创建用于执行流程图或者框图中指定的操作的手段而可以执行的命令。作为计算机可读介质的例子,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。作为计算机可读介质的更具体的例子,可以包含软(注册商标)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或者闪存)、电可擦除可编程只读存储器(EEPROM)、静态随机存取存储器(SRAM)、压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、蓝光(RTM)盘、记忆棒、集成电路卡等。
计算机可读命令可以包含汇编命令、命令集架构(ISA)命令、机器命令、机器依赖命令、微代码、固件命令、状态设定数据、或者以一种或者多种编程语言的任意组合记述的源代码或目标代码的任意者,所述编程语言包含Smalltalk、JAVA(注册商标)、C++等面向对象的编程语言以及“C”编程语言或同样的编程语言这样的现有的面向过程的编程语言。
计算机可读命令可以在本地或者经由局域网(LAN)、互联网等广域网(WAN)提供给通用计算机、特种计算机或者其它可编程数据处理装置的处理器或可编程电路,为了创建用于执行通过流程图或者框图中指定的操作的手段,可以执行计算机可读命令。作为处理器的例子,包含计算机处理器、处理单元、微处理器、数字信号处理器、控制器、微控制器等。
图7表示可以整体或者局部地具体实现本发明的多个方式的计算机2200的例子。在计算机2200中安装的程序能够使计算机2200作为与本发明的实施方式所涉及的装置相关联的操作或者该装置的一个或多个部分起作用,或者能够使计算机2200执行该操作或该一个或多个部分,和/或能够使计算机2200执行本发明的实施方式所涉及的过程或该过程的阶段。这种程序为了使计算机2200执行与本说明书记载的流程图以及框图的一些或者全部框相关联的特定操作,可以由CPU 2212执行。
本实施方式所涉及的计算机2200包含CPU 2212、RAM 2214、图形控制器2216以及显示设备2218,它们通过主机控制器2210相互连接。计算机2200还包含通信接口2222、硬盘驱动器2224、DVD-ROM驱动器2226以及IC卡驱动器这样的输入/输出单元,它们经由输入/输出控制器2220与主机控制器2210连接。计算机还包含ROM2230以及键盘2242这样的传统的输入/输出单元,它们经由输入/输出芯片2240与输入/输出控制器2220连接。
CPU 2212按照在ROM 2230以及RAM 2214内储存的程序进行动作,由此控制各单元。图形控制器2216取得在RAM 2214内提供的帧缓冲器等中或者在其自身中由CPU 2212生成的图像数据,将图像数据显示于显示设备2218上。
通信接口2222经由网络与其他电子设备进行通信。硬盘驱动器2224储存由计算机2200内的CPU 2212使用的程序以及数据。DVD-ROM驱动器2226从DVD-ROM 2201读取程序或者数据,经由RAM 2214向硬盘驱动器2224提供程序或者数据。IC卡驱动器从IC卡读取程序以及数据,和/或将程序以及数据写入至IC卡。
ROM 2230在其中储存在激活时由计算机2200执行的启动程序等、和/或依赖于计算机2200的硬件的程序。输入/输出芯片2240还可以经由并行端口、串行端口、键盘端口、鼠标端口等将各种输入/输出单元与输入/输出控制器2220连接。
程序由DVD-ROM 2201或者IC卡这样的计算机可读介质提供。程序从计算机可读介质被读取,安装于也是计算机可读介质的例子的硬盘驱动器2224、RAM 2214或者ROM 2230中,由CPU 2212执行。在这些程序内记述的信息处理被计算机2200读取,建立程序与上述各种类型的硬件资源之间的协作。装置或者方法可以通过按照计算机2200的使用来实现信息的操作或者处理而构成。
例如,当在计算机2200以及外部设备之间执行通信的情况下,CPU 2212可以执行加载至RAM 2214中的通信程序,基于通信程序中记述的处理,对通信接口2222下达进行通信处理的命令。通信接口2222在CPU 2212的控制下,读取在RAM 2214、硬盘驱动器2224、DVD-ROM 2201、或者IC卡这样的记录介质内提供的发送缓冲处理区域中储存的发送数据,将读取到的发送数据发送至网络,或者将从网络接收到的接收数据写入至在记录介质上提供的接收缓冲处理区域等。
另外,CPU 2212可以将在硬盘驱动器2224、DVD-ROM驱动器2226(DVD-ROM 2201)、IC卡等外部记录介质中储存的文件或者数据库的全部或必要的部分读取至RAM 2214中,对RAM 2214中的数据执行各种类型的处理。然后,CPU 2212将处理后的数据回写至外部记录介质。
各种类型的程序、数据、表以及数据库这样的各种类型的信息可以被储存于记录介质并接受信息处理。CPU 2212可以对从RAM 2214读取的数据执行在本发明中随处记载的、包含由程序的命令序列指定的各种类型的操作、信息处理、条件判断、条件分支、无条件分支、信息的检索/置换等在内的各种类型的处理,将结果回写至RAM 2214。另外,CPU 2212可以对记录介质内的文件、数据库等中的信息进行检索。例如,在记录介质内储存分别具有与第2属性的属性值相关联的第1属性的属性值的多个条目的情况下,CPU 2212从该多个条目中检索指定了第1属性的属性值的、与条件一致的条目,读取在该条目内储存的第2属性的属性值,由此取得与满足预先确定的条件的第1属性相关联的第2属性的属性值。
以上说明的程序或者软件模块可以储存于计算机2200上或者计算机2200附近的计算机可读介质。另外,在与专用通信网络或者互联网连接的服务器系统内提供的硬盘或者RAM这样的记录介质能够用作计算机可读介质,由此经由网络向计算机2200提供程序。
以上,使用实施方式说明了本发明,但本发明的技术范围不限于上述实施方式所记载的范围。本领域技术人员应当清楚,能够对上述实施方式进行各种变更或者改良。根据权利要求书的记载可知,进行了这样的变更或者改良的方式也包含在本发明的技术范围。
应该留意,权利要求书、说明书以及附图中所示的装置、系统、程序以及方法中的动作、流程、步骤以及阶段等各处理的执行顺序只要没有特别明确地表示“更早”、“事先”等,也不是将前面的处理的输出用于之后的处理,则能够以任意的顺序实现。关于权利要求书、说明书以及附图中的动作流程,即使为了方便而使用“首先”、“接着”等进行了说明,也并不意味着必须以该顺序实施。
标号的说明
100学习装置,105学习用数据取得部,110学习用预处理部,115特征量计算部,120数据转换部,125指定输入部,130学习处理部,140模型存储部,150判定装置,155判定用数据取得部,160判定用预处理部,165特征量计算部,170数据转换部,175指定输入部,180判定部,185选择部,190显示处理部,400显示画面,410分布显示部,420稳定性显示部,430预处理参数输入部,440预处理算法输入部,2200计算机,2201DVD-ROM,2210主机控制器,2212CPU,2214RAM,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,2226DVD-ROM驱动器,2230ROM,2240输入/输出芯片,2242键盘。
Claims (12)
1.一种学习装置,其具有:
学习用数据取得部,其取得包含对设备进行测定而得到的测定数据以及所述设备的状态在内的学习用数据;
学习用预处理部,其进行降低所述学习用数据中的所述测定数据的漂移的预处理,输出预处理完毕学习用数据;以及
学习处理部,其使用所述预处理完毕学习用数据,进行对模型进行学习的处理,该模型根据预处理后的测定数据对所述设备的状态进行判定。
2.根据权利要求1所述的学习装置,其中,
所述学习用预处理部具有:
特征量计算部,其计算表示所述学习用数据中的测定数据的漂移的特征量;以及
数据转换部,其从所述学习用数据中的测定数据去除与所述特征量相应的漂移。
3.根据权利要求1或2所述的学习装置,其中,
该学习装置还具有指定输入部,该指定输入部输入所述学习用预处理部应该进行的预处理的种类的指定,
所述学习用预处理部进行与所输入的所述指定对应的预处理。
4.根据权利要求3所述的学习装置,其中,
所述学习用预处理部与所述指定相应地,进行降低所述学习用数据中的测定数据的重心移动的预处理、或者在滑动窗口内计算所述学习用数据中的测定数据的差分的预处理中的至少一个。
5.根据权利要求1至4中任一项所述的学习装置,其中,
该学习装置还具有:
判定用数据取得部,其取得包含对所述设备进行了测定而得到的测定数据在内的判定用数据;
判定用预处理部,其进行减少所述判定用数据的漂移的预处理,输出预处理完毕判定用数据;以及
判定部,其使用学习完毕的所述模型,根据所述预处理完毕判定用数据对所述设备的状态进行判定。
6.根据权利要求5所述的学习装置,其中,
还具有显示处理部,该显示处理部进行对所述预处理完毕学习用数据以及所述预处理完毕判定用数据的分布进行显示的处理。
7.根据权利要求6所述的学习装置,其中,
所述学习用数据以及所述判定用数据包含在所述设备设置的多个传感器的测定值,
该学习装置还具有选择部,该选择部选择所述多个传感器的测定值中的、对所述模型的判定结果的贡献度相对高的至少一个传感器的测定值,
所述显示处理部进行如下处理,即,对所述预处理完毕学习用数据以及所述预处理完毕判定用数据中的由所述选择部选择出的所述至少一个传感器的测定值的分布进行显示。
8.一种学习方法,其具有如下步骤:
学习装置取得包含对设备进行测定而得到的测定数据以及所述设备的状态在内的学习用数据;
所述学习装置进行降低所述学习用数据中的所述测定数据的漂移的预处理,输出预处理完毕学习用数据;以及
所述学习装置使用所述预处理完毕学习用数据,进行对模型进行学习的处理,该模型根据预处理后的测定数据对所述设备的状态进行判定。
9.一种计算机可读介质,其记录了学习程序,该学习程序由计算机执行且用于使所述计算机作为学习装置起作用,
该学习装置具有:
学习用数据取得部,其取得包含对设备进行测定而得到的测定数据以及所述设备的状态在内的学习用数据;
学习用预处理部,其进行降低所述学习用数据中的所述测定数据的漂移的预处理,输出预处理完毕学习用数据;以及
学习处理部,其使用所述预处理完毕学习用数据,进行对模型进行学习的处理,该模型根据预处理后的测定数据对所述设备的状态进行判定。
10.一种判定装置,其具有:
判定用数据取得部,其取得包含对设备进行测定而得到的测定数据在内的判定用数据;
判定用预处理部,其进行降低所述判定用数据的漂移的预处理,输出预处理完毕判定用数据,以及
判定部,其使用模型,根据所述预处理完毕判定用数据对所述设备的状态进行判定,该模型是使用对学习用数据进行了预处理所得到的预处理完毕学习用数据而学习到的。
11.一种判定方法,其具有:
判定装置取得包含对设备进行测定而得到的测定数据在内的判定用数据;
所述判定装置进行降低所述判定用数据的漂移的预处理,输出预处理完毕判定用数据;以及
所述判定装置使用模型,根据所述预处理完毕判定用数据对所述设备的状态进行判定,该模型是使用对学习用数据进行了预处理所得到的预处理完毕学习用数据而学习到的。
12.一种计算机可读介质,其记录了判定程序,该判定程序由计算机执行且用于使所述计算机作为判定用数据取得部、判定用预处理部、以及判定部起作用,其中,
该判定用数据取得部取得包含对设备进行测定而得到的测定数据在内的判定用数据,
该判定用预处理部进行降低所述判定用数据的漂移的预处理,输出预处理完毕判定用数据,
该判定部使用模型,根据所述预处理完毕判定用数据对所述设备的状态进行判定,该模型是使用对学习用数据进行了预处理所得到的预处理完毕学习用数据而学习到的。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020014710A JP7298494B2 (ja) | 2020-01-31 | 2020-01-31 | 学習装置、学習方法、学習プログラム、判定装置、判定方法、および判定プログラム |
JP2020-014710 | 2020-01-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113205187A true CN113205187A (zh) | 2021-08-03 |
Family
ID=74285229
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110123638.4A Pending CN113205187A (zh) | 2020-01-31 | 2021-01-29 | 学习装置、学习方法及计算机可读介质、判定装置、判定方法及计算机可读介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11650557B2 (zh) |
EP (1) | EP3859455B1 (zh) |
JP (1) | JP7298494B2 (zh) |
CN (1) | CN113205187A (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7531177B2 (ja) | 2020-07-08 | 2024-08-09 | 日新電機株式会社 | 放流水質予測装置および放流水質予測方法 |
JP7347468B2 (ja) * | 2021-03-26 | 2023-09-20 | 横河電機株式会社 | 装置、方法およびプログラム |
JP2023097496A (ja) * | 2021-12-28 | 2023-07-10 | Sensy株式会社 | 機械学習装置、データ処理装置、推論装置、機械学習方法、データ処理方法、及び、推論方法 |
JP7452563B2 (ja) * | 2022-03-03 | 2024-03-19 | 横河電機株式会社 | 装置、方法およびプログラム |
JP7444186B2 (ja) | 2022-03-22 | 2024-03-06 | 横河電機株式会社 | モデル検証装置、モデル検証方法、および、モデル検証プログラム |
KR102484916B1 (ko) | 2022-08-23 | 2023-01-06 | (주)위세아이텍 | 사용자 설정 기반 플랜트 예지정비 장치 및 방법 |
CN117113009B (zh) * | 2023-10-23 | 2024-01-16 | 合肥亚明汽车部件有限公司 | 一种数字化工厂设备运行风险预警方法 |
CN117650791B (zh) * | 2024-01-30 | 2024-04-05 | 苏芯物联技术(南京)有限公司 | 一种融合焊接工艺机理的焊接历史气流数据压缩方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140277718A1 (en) * | 2013-03-15 | 2014-09-18 | Eugene Izhikevich | Adaptive predictor apparatus and methods |
US20160371601A1 (en) * | 2015-06-18 | 2016-12-22 | International Business Machines Corporation | Quality-directed adaptive analytic retraining |
JP2017033526A (ja) * | 2015-07-31 | 2017-02-09 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
US20170372232A1 (en) * | 2016-06-27 | 2017-12-28 | Purepredictive, Inc. | Data quality detection and compensation for machine learning |
JP2019090805A (ja) * | 2017-11-13 | 2019-06-13 | 富士通株式会社 | 環境センサの検出データの処理装置、処理方法、コンピュータ読み取り可能な記憶媒体、及び環境センサシステム |
US20190188584A1 (en) * | 2017-12-19 | 2019-06-20 | Aspen Technology, Inc. | Computer System And Method For Building And Deploying Models Predicting Plant Asset Failure |
JP2019153045A (ja) * | 2018-03-02 | 2019-09-12 | 株式会社日立製作所 | データ処理装置及びデータ処理方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5612591A (en) * | 1979-07-13 | 1981-02-06 | Hitachi Ltd | Nuclear reactor abnorality diagnosing system |
JP2011145846A (ja) * | 2010-01-14 | 2011-07-28 | Hitachi Ltd | 異常検知方法、異常検知システム、及び異常検知プログラム |
JP6887361B2 (ja) | 2017-10-31 | 2021-06-16 | 三菱重工業株式会社 | 監視対象選定装置、監視対象選定方法、およびプログラム |
US11551111B2 (en) * | 2018-04-19 | 2023-01-10 | Ptc Inc. | Detection and use of anomalies in an industrial environment |
JP6984013B2 (ja) | 2018-06-01 | 2021-12-17 | 株式会社東芝 | 推定システム、推定方法及び推定プログラム |
US10635939B2 (en) * | 2018-07-06 | 2020-04-28 | Capital One Services, Llc | System, method, and computer-accessible medium for evaluating multi-dimensional synthetic data using integrated variants analysis |
US20200342310A1 (en) * | 2019-04-28 | 2020-10-29 | International Business Machines Corporation | Identifying data drifts |
US11610076B2 (en) * | 2019-08-07 | 2023-03-21 | Applied Materials, Inc. | Automatic and adaptive fault detection and classification limits |
WO2021108553A1 (en) * | 2019-11-25 | 2021-06-03 | Zest Finance, Inc. | Systems and methods for automatic model generation |
-
2020
- 2020-01-31 JP JP2020014710A patent/JP7298494B2/ja active Active
-
2021
- 2021-01-07 US US17/144,063 patent/US11650557B2/en active Active
- 2021-01-26 EP EP21153436.7A patent/EP3859455B1/en active Active
- 2021-01-29 CN CN202110123638.4A patent/CN113205187A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140277718A1 (en) * | 2013-03-15 | 2014-09-18 | Eugene Izhikevich | Adaptive predictor apparatus and methods |
US20160371601A1 (en) * | 2015-06-18 | 2016-12-22 | International Business Machines Corporation | Quality-directed adaptive analytic retraining |
JP2017033526A (ja) * | 2015-07-31 | 2017-02-09 | ファナック株式会社 | 故障条件を学習する機械学習方法及び機械学習装置、並びに該機械学習装置を備えた故障予知装置及び故障予知システム |
US20170372232A1 (en) * | 2016-06-27 | 2017-12-28 | Purepredictive, Inc. | Data quality detection and compensation for machine learning |
JP2019090805A (ja) * | 2017-11-13 | 2019-06-13 | 富士通株式会社 | 環境センサの検出データの処理装置、処理方法、コンピュータ読み取り可能な記憶媒体、及び環境センサシステム |
US20190188584A1 (en) * | 2017-12-19 | 2019-06-20 | Aspen Technology, Inc. | Computer System And Method For Building And Deploying Models Predicting Plant Asset Failure |
JP2019153045A (ja) * | 2018-03-02 | 2019-09-12 | 株式会社日立製作所 | データ処理装置及びデータ処理方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2021121888A (ja) | 2021-08-26 |
EP3859455B1 (en) | 2022-10-05 |
EP3859455A1 (en) | 2021-08-04 |
US20210240177A1 (en) | 2021-08-05 |
JP7298494B2 (ja) | 2023-06-27 |
US11650557B2 (en) | 2023-05-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3859455B1 (en) | Learning apparatus, learning method, learning program, determination apparatus, determination method, determination program, and computer readable medium | |
US11119451B2 (en) | Apparatus, method, program, and recording medium | |
JP2016033778A (ja) | 異常予兆診断装置及び異常予兆診断方法 | |
EP3904987B1 (en) | Control support apparatus, control support method, control support program, computer readable medium with control support program recorded thereon and control system | |
US20220307944A1 (en) | Apparatus, method, and computer-readable medium | |
JP6950670B2 (ja) | 検出装置、検出方法、および、検出プログラム | |
CN112272804B (zh) | 无需动态系统模型的工业过程在线故障定位 | |
US11194685B2 (en) | Recording medium for verifying correlation between test signal and test result signal, verification apparatus and verification method | |
CN115079567A (zh) | 控制装置、控制方法以及记录有控制程序的记录介质 | |
EP4254094A1 (en) | Data processing apparatus, data processing method, and program | |
WO2019031371A1 (ja) | 状態分析装置、状態分析方法及び記録媒体 | |
EP4053651A1 (en) | Determination apparatus, determination method, and determination program | |
EP4296800A1 (en) | Estimation apparatus, estimation method, and estimation program | |
EP4280007A1 (en) | Appparatus, method and program for monitoring a target device | |
US20230384744A1 (en) | Remote-control apparatus, local-control apparatus, learning processing apparatus, method, and recording medium | |
US20220308571A1 (en) | Apparatus, method, and computer-readable medium | |
US20230305501A1 (en) | Model verification apparatus, model verification method, and non-transitory computer readable medium | |
CN115903674A (zh) | 监视装置、监视方法以及计算机可读介质 | |
JP2024067631A (ja) | 装置、方法およびプログラム |
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 |