CN114787735A - 预测系统、信息处理装置以及信息处理程序 - Google Patents

预测系统、信息处理装置以及信息处理程序 Download PDF

Info

Publication number
CN114787735A
CN114787735A CN202080082409.6A CN202080082409A CN114787735A CN 114787735 A CN114787735 A CN 114787735A CN 202080082409 A CN202080082409 A CN 202080082409A CN 114787735 A CN114787735 A CN 114787735A
Authority
CN
China
Prior art keywords
prediction
prediction model
model
section
state values
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
CN202080082409.6A
Other languages
English (en)
Inventor
宫本幸太
川上真辅
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.)
Omron Corp
Original Assignee
Omron 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 Omron Corp filed Critical Omron Corp
Publication of CN114787735A publication Critical patent/CN114787735A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • 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
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/048—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators using a predictor
    • 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
    • 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
    • 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
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32191—Real time statistical process monitoring
    • 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
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/32—Operator till task planning
    • G05B2219/32194—Quality prediction

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • Game Theory and Decision Science (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Tourism & Hospitality (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Manufacturing & Machinery (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

预测系统的预测模型生成部包含：在与预测模型的生成所使用的学习用样本相关联的多个状态值中，基于针对学习用样本的重要度，将1个或多个状态值决定为说明变量的单元；使搜索区间所包含的区间依次不同并评价基于所决定的说明变量的预测精度，由此决定预测所使用的区间的单元；以及在所决定的说明变量以及所决定的区间的条件下，使规定预测模型的模型参数依次不同，针对由各模型参数规定的预测模型评价多个指标，由此决定用于规定预测模型的模型参数。

Description

预测系统、信息处理装置以及信息处理程序
技术领域
本发明涉及预测在控制对象中产生的变化的预测系统、构成预测系统的信息处理装置、以及用于实现信息处理装置的信息处理程序。
背景技术
在各种生产现场，由于某些理由，有时会产生与本来不同的变化、与通常不同的变化。若能够事先预测这样的变化的发生而采取某种应对，则对生产设备的性能维持、产品的品质确保等是有益的。
关于这样的事先预测，例如，日本特开2009-237832号公报(专利文献1)公开了能够在所有期间/季节提高需求预测精度的可变预测模型构建方法。专利文献1所公开的可变预测模型构建方法采用如下处理：使用对所蓄积的时间序列数据施加校正后的学习数据，按照7～70日的多个学习期间的每一个来构建适当的预测模型，进行各学习期间的模型化精度评价，由此选择预测精度最高的最佳学习期间、预测模型。
现有技术文献
专利文献
专利文献1：日本特开2009-237832号公报
发明内容
发明所要解决的课题
然而，在上述的专利文献1所公开的可变预测模型构建方法中，需要在按照多个学习期间的每一个构建了适当的预测模型的基础上，评价各学习期间的模型化精度，存在选择最佳的学习期间、预测模型所需的工时大这样的课题。
本发明提供一种能够更高效地生成预测模型的方法。
用于解决课题的手段
本发明的一例的预测系统包含：控制运算部，其执行用于对控制对象进行控制的控制运算；预测值取得部，其通过将由控制运算部能够参照的状态值中的1个或多个状态值构成的实绩值输入到预测模型，来取得预测值；以及预测模型生成部，其预先决定预测模型。预测模型生成部包含：在与预测模型的生成所使用的学习用样本相关联的多个状态值中，基于针对学习用样本的重要度，将1个或多个状态值决定为说明变量的单元；使搜索区间所包含的区间依次不同并评价基于所决定的说明变量的预测精度，由此决定预测所使用的区间的单元；以及在所决定的说明变量和所决定的区间的条件下，使规定预测模型的模型参数依次不同，并针对由各模型参数规定的预测模型评价多个指标，由此决定用于规定预测模型的模型参数的单元。
根据该结构，能够容易地生成评价了多个指标的预测模型。
预测模型生成部可以包含通过使用了根据各样本计算出的1个或多个特征量的聚类，从多个样本中选择作为学习用样本使用的样本的单元。根据该结构，能够防止选择相互类似的样本作为多个学习用样本。
预测模型生成部可以将决策树算法应用于学习用样本和关联的多个状态值，由此计算各状态值的重要度。根据该结构，通过应用决策树算法，能够容易地判断哪个状态值适合于预测模型。
预测模型生成部可以分别评价在使搜索区间所包含的区间的长度和位置中的至少一方不同的各模式中生成的预测模型的性能。根据该结构，能够容易地找到搜索区间所包含的优选的区间。
预测模型生成部可以在将预测模型的模型参数固定的基础上，搜索预测所使用的区间。根据该结构，通过暂时将预测模型的模型参数固定，能够减少搜索所涉及的处理量。
预测模型生成部还可以包含提供第1用户界面的单元，所述第1用户界面受理用于变更预测所使用的区间的用户操作。根据该结构，用户能够一边确认一边进行所决定的区间的微调等。
多个指标也可以包含预测精度、模型大小、处理速度中的至少1个。根据该结构，通过在指标中包含在运用时重视的要素，能够考虑运用而生成最佳的预测模型。
预测模型生成部还可以包含提供显示多个指标的第2用户界面的单元。根据该结构，用户一眼就能够掌握所决定的多个指标。
根据本发明的另一例，提供一种与控制装置连接的信息处理装置。控制装置包含：控制运算部，其执行用于对控制对象进行控制的控制运算；以及预测值取得部，其通过将由控制运算部能够参照的状态值中的1个或多个状态值构成的实绩值输入到预测模型，来取得预测值。信息处理装置包含以下单元作为预先决定预测模型的预测模型生成部：在与预测模型的生成所使用的学习用样本相关联的多个状态值中，基于针对学习用样本的重要度，将1个或多个状态值决定为说明变量的单元；使搜索区间所包含的区间依次不同并评价基于所决定的说明变量的预测精度，由此决定预测所使用的区间的单元；以及在所决定的说明变量和所决定的区间的条件下，使规定预测模型的模型参数依次不同，并针对由各模型参数规定的预测模型评价多个指标，由此决定用于规定预测模型的模型参数的单元。
根据本发明的又一例，提供一种由与控制装置连接的计算机执行的信息处理程序。控制装置包含：控制运算部，其执行用于对控制对象进行控制的控制运算；以及预测值取得部，其通过将由控制运算部能够参照的状态值中的1个或多个状态值构成的实绩值输入到预测模型，来取得预测值。信息处理程序使计算机执行以下步骤作为用于预先决定预测模型的处理：在与预测模型的生成所使用的学习用样本相关联的多个状态值中，基于针对学习用样本的重要度，将1个或多个状态值决定为说明变量；使搜索区间所包含的区间依次不同并评价基于所决定的说明变量的预测精度，由此决定预测所使用的区间；以及在所决定的说明变量和所决定的区间的条件下，使规定预测模型的模型参数依次不同，并针对由各模型参数规定的预测模型评价多个指标，由此决定用于规定预测模型的模型参数。
发明的效果
根据本发明，能够更高效地生成预测模型。
附图说明
图1是表示本实施方式的预测系统的整体结构例的示意图。
图2是表示本实施方式的预测系统的应用例的示意图。
图3是表示基于本实施方式的预测系统的预测结果的控制的一例的示意图。
图4是表示使用了本实施方式的预测系统的、预测模型的生成处理的处理步骤的流程图。
图5是表示构成本实施方式的预测系统的控制装置的硬件结构例的框图。
图6是表示构成本实施方式的预测系统的支持装置的硬件结构例的框图。
图7是表示构成本实施方式的预测系统的控制装置以及支持装置的软件结构例的框图。
图8是表示图7所示的分析程序所包含的功能模块概要的框图。
图9是用于说明本实施方式的预测系统中的学习用样本的选择例的图。
图10是表示图4所示的生成处理的处理步骤中的学习用样本的选择(步骤S3)所涉及的更详细的处理步骤的流程图。
图11是表示图4所示的生成处理的处理步骤中的学习用样本的选择所涉及的聚类(clustering)的一例的图。
图12是表示在实施方式的预测系统的选择学习用样本的处理中提供的用户界面的一例的图。
图13是表示在实施方式的预测系统的选择学习用样本的处理中提供的用户界面的另一例的图。
图14是表示图4所示的生成处理的处理步骤中的说明变量以及区间的决定(步骤S4)所涉及的更详细的处理步骤的流程图。
图15是用于概括图4所示的生成处理的处理步骤中的说明变量以及区间的决定(步骤S4)的处理内容的示意图。
图16是表示在实施方式的预测系统的决定说明变量以及区间的处理中提供的用户界面的一例的图。
图17是表示在实施方式的预测系统的决定说明变量以及区间的处理中提供的用户界面的一例的图。
图18是表示在实施方式的预测系统的决定说明变量以及区间的处理中提供的用户界面的一例的图。
图19是表示在实施方式的预测系统的决定说明变量以及区间的处理中提供的用户界面的一例的图。
图20是表示图4所示的模型参数的决定(步骤S5)所涉及的更详细的处理步骤的流程图。
图21是表示在实施方式的预测系统1的决定模型参数的处理中提供的用户界面的一例的图。
图22是表示本实施方式的变形例的异常检测系统的概要结构的示意图。
图23是用于说明图22所示的样本选择的处理例的图。
具体实施方式
参照附图对本发明的实施方式进行详细说明。另外，对图中的相同或相应的部分标注相同的标号并不重复其说明。
<A.应用例>
首先，对应用本发明的场景的一例进行说明。
对具有本实施方式的预测功能的控制系统的主要方面进行说明。在以下的说明中，主要关注控制系统所具有的预测功能进行说明，因此也将控制系统整体称为“预测系统”。
图1是表示本实施方式的预测系统1的整体结构例的示意图。参照图1，作为主要的结构要素，本实施方式的预测系统1包含对控制对象进行控制的控制装置100和与控制装置100连接的支持装置200。
控制装置100也可以具体化为PLC(可编程控制器)等一种计算机。控制装置100也可以经由现场总线2与现场装置组10连接，并且经由现场总线4与1个或多个显示装置400连接。并且，控制装置100也可以经由上位网络6与上位服务器300连接。此外，上位服务器300以及显示装置400是可选的结构，不是预测系统1的必需结构。
控制装置100具有执行用于控制设备、机械的各种运算的控制逻辑(以下，也称作“PLC引擎”。)。除了PLC引擎以外，控制装置100还具有收集由现场装置组10计测并传送到控制装置100的数据(以下，也称为“输入数据”。)的收集功能。进而，控制装置100还具有基于收集到的输入数据来预测将来的时间变化的预测功能。
具体而言，安装于控制装置100的时间序列数据库(以下，也记为“TSDB(TimeSeries Data Base)”。)130提供收集功能，安装于控制装置100的预测模型140提供监视功能。关于TSDB 130和预测模型140的详细情况将后述。
现场总线2及现场总线4优选采用工业用的通信协议。作为这样的通信协议，已知EtherCAT(注册商标)、EtherNet/IP(注册商标)、DeviceNet(注册商标)、CompoNet(注册商标)等。
现场装置组10包含从控制对象或与控制关联的制造装置或生产线等(以下，也总称为“现场”。)收集输入数据的装置。作为收集这样的输入数据的装置，可设想输入继电器、各种传感器等。现场装置组10还包含基于由控制装置100生成的指令(以下，也称为“输出数据”。)对现场施加某种作用的装置。作为这样的对现场施加某种作用的装置，可设想输出继电器、接触器、伺服驱动器、伺服电机以及其他任意的致动器。这些现场装置组10经由现场总线2而与控制装置100之间交换包含输入数据及输出数据的数据。
在图1所示的结构例中，现场装置组10包含远程I/O(Input/Output：输入输出)装置12、继电器组14、图像传感器18和摄像头20、伺服驱动器22和伺服电机24。
远程I/O装置12包含经由现场总线2进行通信的通信部、和用于进行输入数据的收集以及输出数据的输出的输入输出部(以下，也称为“I/O单元”。)。经由这样的I/O单元，在控制装置100与现场之间交换输入数据以及输出数据。图1示出了经由继电器组14交换数字信号作为输入数据和输出数据的例子。
I/O单元也可以与现场总线直接连接。图1示出在现场总线2上直接连接有I/O单元16的例子。
图像传感器18对由摄像头20拍摄到的图像数据进行图案匹配等图像计测处理，并将其处理结果发送到控制装置100。
伺服驱动器22根据来自控制装置100的输出数据(例如位置指令等)来驱动伺服电机24。
如上所述，经由现场总线2，在控制装置100与现场装置组10之间交换数据，这些交换的数据以几百μsec级～几十msec级的极短的周期被更新。另外，也有时将这样的被交换的数据的更新处理称为“I/O刷新处理”。
另外，经由现场总线4与控制装置100连接的显示装置400接受来自用户的操作，对控制装置100发送与用户操作对应的命令等，并且图形化地显示控制装置100中的运算结果等。
上位服务器300经由上位网络6与控制装置100连接，与控制装置100之间交换所需的数据。在上位网络6中也可以安装Ethernet(注册商标)等通用协议。
支持装置200是辅助控制装置100对控制对象进行控制所需的准备的信息处理装置(计算机的一例)。具体而言，支持装置200提供在控制装置100中执行的用户程序的开发环境(程序创建编辑工具、解析器、编译器等)、用于设定控制装置100以及与控制装置100连接的各种设备的参数(配置)的设定环境、向控制装置100发送所生成的用户程序的功能、在线修正/变更在控制装置100上执行的用户程序等的功能等。
进而，本实施方式的支持装置200具有用于对安装于控制装置100的预测模型140的生成及最佳化进行辅助的功能。即，支持装置200具有预先决定预测模型140的预测模型生成部。之后对这些功能的详情进行叙述。
接下来，对预测系统1所包含的控制装置100的应用例进行说明。
图2是表示本实施方式的预测系统1的应用例的示意图。图2表示包含冲压机30的生产设备的例子。
参照图2，冲压机30接收工件31，在设置于基座33的支承台34上配置所接收的工件31。然后，利用在由电机37驱动的驱动轴36的末端设置的压入板35对工件31进行压缩，生成中间产品32。
在冲压机30中，由于未预期的因素变动而可能在中间产品32产生不良。因此，通过由配置于冲压机30的下游侧的检查机进行的检查、或者由检查员进行的目视检查或抽样检查，来判断中间产品32是否产生了不良。如果判断为发生了不良，则每次都调整目标值等。
这样，在通常的制造工序中，为了维持和提高中间产品32的良品率，需要每次调整目标值，但即使基于各种观点进行了事先设计，也难以应对所有的因素变动。
与此相对，通过使用本实施方式的预测模型140来预测中间产品32的状态(即，加工后的品质)，能够在实际产生不良之前校正控制装置100的控制。通过能够利用这样的事先的不必要发生的预测，能够削减目标值等的每次调整所耗费的工时，并且能够防止中间产品32发生不良。
图3是表示基于本实施方式的预测系统1的预测结果的控制的一例的示意图。
在图3的(A)中，示出某时刻的冲压机的压入位置的计划值(指令)和实际的冲压机30的压入位置(实绩值)。目标值表示加工后的中间产品32应有的厚度。
参照图3的(B)，也可以在某一时刻，基于到此为止的信息(可包含实绩值)，计算之前的冲压机30的压入位置(预测值)，并基于该计算出的预测值，校正对冲压机30的控制量。
在图2以及图3所示的冲压机30中，预测冲压机30的压入位置，并基于其预测结果来校正控制量，由此例如不需要作业者根据工件31的硬度偏差等来每次调整目标值。其结果是，能够抑制因未预期的因素变动而导致的不良品的产生，即使工件31存在某些偏差，也能够使品质稳定化。
用于预测的数据(实绩值或观测值)和预测的数据的一部分或全部可以相同，也可以完全不同。
本实施方式的预测系统1提供用于适当地生成预测模型140的功能。用于适当地生成预测模型140的功能典型而言也可安装于支持装置200。
<B.预测模型的生成以及运用的概要>
接着，对使用了本实施方式的预测系统1的、预测模型140的生成以及运用的概要进行说明。
图4是表示使用了本实施方式的预测系统1的、预测模型140的生成处理的处理步骤的流程图。图4所示的各步骤典型而言是通过支持装置200的处理器202执行程序(分析程序226及OS 228等)而实现的。
参照图4，支持装置200取得保存在TSDB 130中的实绩值的时间序列数据(步骤S1)。接着，支持装置200从所取得的实绩值的时间序列数据中受理预测对象区间的设定(步骤S2)。
支持装置200选择用于生成预测模型的学习用样本，所述预测模型用于预测在步骤S2中设定的预测对象区间的变化(步骤S3)。在步骤S3中，选择多个种类的数据中的哪个数据被用于学习。更具体而言，支持装置200通过针对各时间序列数据(波形样本)的统计量(特征量)的聚类来决定类别，并从所决定的类别中提取对象数据。将对步骤S3的处理进行详细叙述。
接着，支持装置200决定说明变量和区间(步骤S4)。然后，支持装置200决定要使用的模型参数(步骤S5)。在步骤S5中，支持装置200按照在步骤S4中选择的说明变量和区间，生成预测模型140，并且评价所生成的预测模型140的性能，由此搜索适当的预测算法。支持装置200将预测精度和预测速度的性能高的预测算法决定为要使用的模型参数。
最终，支持装置200基于所决定的模型参数等，生成预测模型140(步骤S6)。
通过在控制装置100中设定通过以上那样的处理步骤生成的预测模型140，能够进行图2以及图3所示那样的运用。
<C.硬件结构例>
接着，对构成本实施方式的预测系统1的主要装置的硬件结构例进行说明。
(c1.控制装置100的硬件结构例)
图5是表示构成本实施方式的预测系统1的控制装置100的硬件结构例的框图。参照图5，控制装置100包含CPU(Central Processing Unit：中央处理器)或MPU(Micro-Processing Unit：微处理器)等处理器102、芯片组104、主存储装置106、二次存储装置108、上位网络控制器110、USB(Universal Serial Bus：通用串行总线)控制器112、存储卡接口114、内部总线控制器122、现场总线控制器118、120以及I/O单元124-1、124-2、……。
处理器102读出保存在二次存储装置108中的各种程序，在主存储装置106中展开并执行，由此实现PLC引擎150(参照图7)以及预测模型140。芯片组104控制处理器102与各组件之间的数据传输等。
在二次存储装置108中，除了用于实现PLC引擎150的系统程序以外，还保存有利用PLC引擎150执行的用户程序。进而，在二次存储装置108中还保存有用于实现预测模型140的程序。
上位网络控制器110控制经由上位网络6的与其他装置之间的数据交换。USB控制器112经由USB连接来控制与支持装置200之间的数据交换。
存储卡接口114构成为能够装卸存储卡116，能够对存储卡116写入数据，并从存储卡116读出各种数据(用户程序、跟踪数据等)。
内部总线控制器122是与搭载于控制装置100的I/O单元124-1、124-2、…之间交换数据的接口。
现场总线控制器118控制经由现场总线2的与其他装置之间的数据交换。同样，现场总线控制器120控制经由现场总线4的与其他装置之间的数据交换。
在图5中，示出了通过处理器102执行程序而提供所需的功能的结构例，但也可以使用专用的硬件电路(例如，ASIC(Application Specific Integrated Circuit：专用集成电路)或者FPGA(Field-Programmable Gate Array：现场可编程门阵列)等)来安装这些所提供的功能的一部分或者全部。或者，也可以使用遵循通用架构的硬件(例如以通用个人计算机为基础的工业用个人计算机)来实现控制装置100的主要部分。在该情况下，也可以使用虚拟化技术并行地执行用途不同的多个OS(Operating System：操作系统)，并且在各OS上执行所需的应用程序。
(c2：支持装置200的硬件结构例)
作为一例，本实施方式的支持装置200通过使用遵循通用架构的硬件(例如通用个人计算机)执行程序来实现。
图6是表示构成本实施方式的预测系统1的支持装置200的硬件结构例的框图。参照图6，支持装置200包含CPU或MPU等处理器202、光学驱动器204、主存储装置206、二次存储装置208、USB控制器212、上位网络控制器214、输入部216和显示部218。这些组件经由总线220连接。
处理器202读出保存在二次存储装置208中的各种程序，在主存储装置206中展开并执行，由此实现后述的包含模型生成处理的各种处理。
二次存储装置208例如由HDD(Hard Disk Drive：硬盘驱动器)、SSD(Flash SolidState Drive：闪存固态驱动器)等构成。在二次存储装置208中，典型地保存有：开发程序222，其用于进行在支持装置200中执行的用户程序的创建、所创建的用户程序的调试、系统结构的定义、各种参数的设定等；PLC接口程序224，其用于与控制装置100之间交换与预测功能相关的数据；分析程序226，其用于实现预测模型140的生成等；以及OS 228。在二次存储装置208中，也可以保存图6所示的程序以外的必要的程序。
支持装置200具有光学驱动器204，从非易失性地保存计算机可读取的程序的记录介质205(例如DVD(Digital Versatile Disc：数字多功能光盘)等光学记录介质)中读取保存于其中的程序，并安装于二次存储装置208等。
由支持装置200执行的各种程序可以经由计算机可读取的记录介质205安装，但也可以以从网络上的任意服务器下载的形式安装。另外，本实施方式的支持装置200提供的功能有时也以利用OS提供的模块的一部分的形式实现。
USB控制器212经由USB连接来控制与控制装置100之间的数据交换。上位网络控制器214控制经由任意网络的与其他装置之间的数据交换。
输入部216由键盘、鼠标等构成，受理用户操作。显示部218由显示器、各种指示器、打印机等构成，输出来自处理器202的处理结果等。
在图6中，示出了通过处理器202执行程序而提供所需的功能的结构例，但也可以使用专用的硬件电路(例如ASIC或FPGA等)来安装这些所提供的功能的一部分或全部。
<D.软件结构例/功能结构例>
接着，对构成本实施方式的预测系统1的控制装置100和支持装置200的软件结构例和功能结构例进行说明。
图7是表示构成本实施方式的预测系统1的控制装置100以及支持装置200的软件结构例的框图。
参照图7，控制装置100除了PLC引擎150以外，还包含TSDB 130及预测模型140作为主要的功能结构。
PLC引擎150逐次解释用户程序154，执行所指定的控制运算。PLC引擎150以变量152的形式对从字段收集的状态值进行管理，变量152以预先确定的周期被更新。PLC引擎150也可通过控制装置100的处理器102执行系统程序而实现。
在本说明书中，“状态值”包含从现场收集的输入值、向现场输出的指令值、及在控制装置100的内部管理的系统状态值或内部值。在本实施方式的控制装置100中，以“变量”的形式参照“状态值”，因此在以下的说明中，为了方便，以包含“状态值”的主旨使用“变量”这一用语。另外，本发明的技术范围并不限定于以“变量”的形式参照“状态值”的结构。
用户程序154包含预测值取得代码156、误差评价代码158、追加学习代码160、TSDB写入代码162和控制运算代码164。
预测值取得代码156实现通过将由控制运算代码164能够参照的状态值中的1个或多个状态值构成的实绩值输入到预测模型140来取得预测值的预测值取得部。更具体而言，预测值取得代码156包含通过取得作为变量152管理的必要的实绩值并输入到预测模型140来取得预测值的命令。
误差评价代码158包含对由预测值取得代码156取得的预测值与目标值的误差进行评价的命令。
追加学习代码160包含根据由误差评价代码158评价的误差，根据需要对预测模型140进行追加学习的命令。追加学习代码160更新规定预测模型140的模型参数142。
TSDB写入代码162取得作为变量152管理的变量中的预先确定的变量，并写入TSDB130的存储区域132。
控制运算代码164实现执行用于对控制对象进行控制的控制运算的控制运算部。更具体而言，控制运算代码164执行用于对控制对象进行控制的控制运算，并且根据由误差评价代码158评价出的误差，根据需要对控制运算所使用的目标值进行校正。
TSDB 130具有根据需要将写入存储区域132的数据导出至支持装置200等的导出模块134。
预测模型140除了规定预测模型140的模型参数142以外，还具有参照轨道144。
另一方面，支持装置200安装有开发程序222及分析程序226。
开发程序222根据用户操作生成用户程序154，并传送至控制装置100。另外，开发程序222还具有适当校正控制运算代码164的内容的功能。
分析程序226相当于用于实现预先决定预测模型140的预测模型生成部的信息处理程序。更具体而言，分析程序226辅助预测模型140的生成，包含说明变量/区间决定模块2261、模型生成模块2262、推理模块2263、评价模块2264。
说明变量/区间决定模块2261实现决定说明变量以及区间(参照图4所示的步骤S4)的处理所需的功能。
模型生成模块2262实现生成预测模型140(参照图4所示的步骤S6)的处理所需的功能。
推理模块2263使用所生成的预测模型140进行推理(预测)，并且将该预测结果提供给评价模块2264。评价模块2264根据来自推理模块2263的预测结果，评价对象预测模型140的性能。通过推理模块2263以及评价模块2264提供的功能，实现决定要使用的模型参数的处理(参照图4所示的步骤S5)。
图8是表示图7所示的分析程序226中包含的功能模块的概要的框图。参照图8，支持装置200的分析程序226包含用户界面230、输入输出管理模块236、画面显示模块238、图库240、分析模块242及分析库244作为主要的功能结构。
用户界面230受理来自用户的设定，并且执行用于对用户提供各种信息的综合处理。作为具体的安装方式，用户界面230具有脚本引擎232，读入包含记述了必要的处理的脚本的设定文件234，执行所设定的处理。
输入输出管理模块236包含从指定的文件等读入数据的文件输入功能、接收数据流的流输入功能、以及输出包含生成的数据等的文件的文件输出功能。
画面显示模块238包含基于所输入的数据等生成折线图的折线图生成功能和接受用户的操作而变更各种参数的参数调整功能。伴随着参数的变更，折线图生成功能有时也更新折线。折线图生成功能以及参数调整功能参照图库240执行必要的处理。
分析模块242是实现分析程序226的主要处理的模块，具有波形采样功能、说明变量/区间选择功能、参数选择功能、模型生成功能。包含在分析模块242中的功能通过参照分析库244来实现。
分析库244包含用于由分析模块242中包含的各功能执行处理的库。更具体而言，分析库244可以具有统计量功能、决策树功能、时间序列回归功能、网格搜索功能、聚类功能、推理速度评价功能、精度评价功能以及异常检测功能。
以下，对图4所示的用于生成预测模型140的主要处理进行说明。
<E.实绩值的时间序列数据的取得(步骤S1)以及预测对象区间的决定(步骤S2)>
在图4所示的步骤S1中，支持装置200按照用户操作，取得保存在控制装置100的TSDB 130中的实绩值的时间序列数据。用户一边观察显示于支持装置200的实绩值的时间序列数据，一边设定预测对象区间。
预测对象区间也可以根据上述的图2以及图3所示那样的控制对象的特性等而适当设定。
<F.预测模型的生成中使用的学习用样本的选择(步骤S3)>
在图4所示的步骤S3中，支持装置200选择在预测模型140的生成中使用的学习用样本。
在本说明书中，“样本”是指作为应从预测模型140输出的预测值的教师数据而使用的规定时间长度的数据列。“样本”基本上使用预测对象的时间序列数据(原始数据)，但在预测对象是从时间序列数据提取的特征量的情况下，也可以使用特征量。“样本”这样的用语着眼于处理多个数据时的处理单位，关于其中包含的数据的内容等，没有特别限定。
在本说明书中，也将为了计算或决定任意的预测值而参照的数据称为“说明变量”。使用1个或多个“说明变量”来计算或决定任意的预测值。因此，学习用样本通过某种方法与可成为“说明变量”的候选的数据建立关联。
在本说明书中，“特征量”是包含处理对象的时间序列数据所包含的信息的用语，例如，可包含关于对象时间序列数据的最大值、最小值、中间值、平均值、标准偏差、方差等。另外，“特征量”也可包含对象时间序列数据本身。
图9是用于说明本实施方式的预测系统1中的学习用样本的选择例的图。图9与预测对象区间对应地，示出规定时间长度的时间序列数据(样本)的一例。
在这些样本中，越是将变化模式不同的样本用于学习，越能够提高预测模型140的预测精度。即，即使使用表示相同的变化模式的样本进行学习，也不会对预测模型140的预测精度的提高作出贡献。
作为变化模式互不相同的样本，在图9所示的例子中，选择由粗框包围的4个样本作为学习用样本。
作为选择变化模式互不相同的样本的方法的一例，根据各样本计算1个或多个特征量(例如，平均值、标准偏差等)，并基于计算出的1个或多个特征量对样本进行聚类。通过这样的聚类，提取对象样本组中包含的1个或多个类别。然后，将属于提取出的各类别的1个或多个样本分别选择为学习用样本。
图10是表示图4所示的生成处理的处理步骤中的学习用样本的选择(步骤S3)所涉及的更详细的处理步骤的流程图。
参照图10，支持装置200修整对象时间序列数据而生成样本(步骤S31)。通过仅提取与预测对象区间相关的部分来进行时间序列数据的修整。
接着，支持装置200根据各样本计算1个或多个特征量(步骤S32)，并基于计算出的1个或多个特征量来进行聚类(步骤S33)。
支持装置200从通过聚类而决定的1个或多个类别中分别选择1个或多个样本，并将所选择的样本决定为学习用样本(步骤S34)。
这样，作为预测模型140的生成所涉及的功能，支持装置200执行如下处理：通过使用了根据各样本而算出的1个或多个特征量的聚类，从多个样本中选择用作学习用样本的样本。
图11是表示图4所示的生成处理的处理步骤中的学习用样本的选择所涉及的聚类的一例的图。图11表示根据各样本计算2个特征量(平均值以及标准偏差)，在以各特征量为坐标的2维空间中描绘各样本的例子。
若观察平均值以及标准偏差的特征量，则可知图11所示的样本组包含3个簇(类别1～3)。分别选择属于提取出的各类别的1个或多个样本。即，提取属于类别1的1个或多个样本，提取属于类别2的1个或多个样本，提取属于类别3的1个或多个样本。由此，类别互不相同的多个样本被决定为学习用样本。
成为学习用样本的对象的样本的选择既可由支持装置200自动地进行，也可由用户辅助处理或确认选择结果。例如，用户可以确认并手动地重新选择样本选择结果。
图12是表示在实施方式的预测系统1的选择学习用样本的处理中提供的用户界面的一例的图。图13是表示在实施方式的预测系统1的选择学习用样本的处理中提供的用户界面的另一例的图。图12和图13示出了样本选择的结果显示的一例。
图12所示的用户界面画面250能够显示将所选择的样本组254中的被复选的样本在同一时间轴上重合显示的合成波形252。用户通过从样本组254中选择任意的样本并显示为合成波形252，能够容易地确认样本的选择适当与否。
图13所示的用户界面画面260以矩阵形式显示所选择的样本间的相似度。用户界面画面260具有配置成矩阵状的显示要素，各样本的波形配置成1个对角线状。在该对角线的上侧，示出了样本间的相似度264(相关系数)，在该对角线的下侧，显示了将对应的2个样本在同一时间轴上重叠显示的合成波形262。
也可以将图12及图13所示的用户界面画面显示在同一画面内。在该情况下，当用户在用户界面画面250中选择任意的样本时，也可以与该选择出的样本对应地强调显示图13所示的用户界面画面260的对应样本。进而，也可通过在用户界面画面250中选择任意的波形，来交替地切换选择对象及非选择对象。
通过上述处理，选择用于生成预测模型的学习用样本。
<G.说明变量和区间的决定(步骤S4)>
在图4所示的步骤S4中，支持装置200决定预测模型140的说明变量及区间。
在步骤S4中，关于预测模型140所采用的预测算法，在固定为默认值等的基础上，针对使说明变量以及区间分别变化的组合，生成预测模型140，并且评价性能，由此决定要使用的说明变量以及区间。即，支持装置200在将预测模型140的模型参数固定的基础上，搜索用于预测的说明变量及区间。
关于决定要使用的说明变量及区间时的搜索区间，也可参照由控制装置100执行的用户程序中所设定的控制周期，基于所设定的控制周期来决定优选的搜索区间。
图14是表示图4所示的生成处理的处理步骤中的说明变量以及区间的决定(步骤S4)所涉及的更详细的处理步骤的流程图。参照图14，支持装置200参照由对象控制装置100执行的用户程序来取得控制周期(步骤S41)。在支持装置200连接于控制装置100的情况下，只要访问控制装置100来取得所需的信息即可，在支持装置200未连接于控制装置100的情况下，也可参照支持装置200所保持的项目等来取得控制周期。
支持装置200将所取得的控制周期的整数倍设定为用于搜索区间的搜索区间(步骤S42)。
支持装置200从与预先选择的学习用样本(参照上述步骤S3)关联的多个变量中选择1个或多个说明变量(步骤S43)。更具体而言，支持装置200对学习用样本及关联的多个变量应用决策树算法，计算各变量的重要度(importance)。然后，支持装置200选择重要度高的变量作为说明变量。
此外，作为决策树算法能够采用公知的任意算法，例如能够使用随机森林等。
这样，作为预测模型140的生成所涉及的功能，支持装置200执行如下处理：在与预测模型140的生成所使用的学习用样本相关联的多个变量(状态值)中，基于针对学习用样本的重要度，将1个或多个变量(状态值)决定为说明变量。
支持装置200设定搜索区间所包含的任意1个候选区间(步骤S44)。候选区间通过使搜索区间中包含的区间的长度和/或位置不同来生成。然后，支持装置200将在步骤S43中选择的1个或多个说明变量、以及在步骤S44中设定的候选区间作为参数，使用学习用样本来生成预测模型140(步骤S45)。然后，支持装置200对所生成的预测模型140的推理所涉及的性能进行评价(步骤S46)。在步骤S46中，将表示性能的数值与对应的候选区间相关联地保存。
然后，支持装置200判断针对搜索区间所包含的所有候选区间的预测模型140的生成及性能评价是否已完成(步骤S47)。若针对搜索区间所包含的所有候选区间的预测模型140的生成及性能评价未完成(步骤S47中为“否”)，则支持装置200设定搜索区间所包含的其他候选区间(步骤S48)，并重复步骤S45以下的处理。
另一方面，若针对搜索区间所包含的所有候选区间的预测模型140的生成及性能评价已完成(步骤S47中为“是”)，则支持装置200将示出了最高性能评价的候选区间决定为预测模型140的区间(步骤S49)。
这样，作为预测模型140的生成所涉及的功能，支持装置200执行如下处理：使搜索区间所包含的区间依次不同，并评价基于所决定的说明变量的预测精度，由此决定预测所使用的区间。在该决定用于预测的区间的处理中，支持装置200分别评价在使搜索区间所包含的区间的长度和位置中的至少一方不同的各模式中生成的预测模型的性能。
图15是用于概括图4所示的生成处理的处理步骤中的说明变量以及区间的决定(步骤S4)的处理内容的示意图。参照图15，通过对多个变量1、2、……、n应用决策树算法，来决定说明变量。在决策树算法的应用中使用学习用样本。
另外，基于用户程序决定搜索区间，从所决定的搜索区间设定1个或多个候选区间。然后，针对每个候选区间生成预测模型140，并且评价所生成的预测模型140的性能。
最终，决定与具有高性能的预测模型140对应的说明变量和区间。
这样，在图4所示的步骤S4中，支持装置200基于通过决策树算法计算的重要度来决定说明变量，并使用所决定的说明变量在搜索区间内对区间进行网格搜索(循环搜索)，由此决定说明变量及区间。
另外，在上述的图14所示的生成处理的处理步骤中，在步骤S43中，先决定了1个或多个说明变量，但也可以对说明变量设定几个候选，对各候选(各候选包含1个或多个说明变量)执行步骤S44以下的处理。
图16～图19是表示在实施方式的预测系统1的决定说明变量和区间的处理中提供的用户界面的一例的图。
参照图16～图19，用户界面画面270包含显示实绩值及预测值的波形显示区域276。
在波形显示区域276中显示实绩值和预测值的波形(时间序列数据)。实绩值是学习用样本所包含的任意一个样本的波形(时间序列数据)。预测值是由所生成的预测模型140输出的波形(时间序列数据)。
对于预先确定的预测点271，能够任意地设定对输入到预测模型140的说明变量的范围进行确定的区间272的位置以及时间宽度。用户能够通过操作鼠标等使区间272的位置移动，任意地变更区间272的区间宽度273以及与预测点的时间差274。
根据用户任意设定的区间272，算出预测值的波形(时间序列数据)，该算出的预测值的波形(时间序列数据)显示于波形显示区域276。
用户界面画面270包含说明变量列表277，将1个或多个变量中的被复选的变量用作说明变量。
可知在图16～图19所示的用户界面画面270中，图18所示的用户界面画面270的设定计算出了最高精度的预测值。
用户界面画面270包含表示实绩值与预测值的偏差的预测误差275。
支持装置200也可以响应于用户操作用户界面画面270，直接利用通过图14所示的处理而生成的预测模型140来计算预测值。或者，支持装置200也可响应于用户操作用户界面画面270来适当变更说明变量和/或区间，而再次执行图15的步骤S43以后的处理、或步骤S44以后的处理。即，也可以再生成预测模型140。
通过根据图16～图19所示的用户界面画面270再次生成预测模型140，用户能够一边搜索一边决定应该对预测模型140设定的说明变量和/或区间。
这样，支持装置200提供受理用于变更预测中使用的区间的用户操作的用户界面画面270(参照图16至图19)。
通过以上那样的处理，决定在预测模型的生成中使用的说明变量以及区间。
<H.模型参数的决定(步骤S5)>
在图4所示的步骤S5中，支持装置200决定预测模型140中使用的模型参数。
在上述的步骤S4中，将预测模型140所采用的预测算法等固定为默认值等，决定了说明变量以及区间。在步骤S5中，以所决定的说明变量以及区间为前提，在考虑预测精度、模型大小、处理速度等运用上的指标的同时，决定预测模型140的模型参数。
在以下的说明中，将预测精度、模型大小、处理速度作为多个指标的一例进行说明，但未必限定于这些要素。但是，作为多个指标，优选包含预测精度、模型大小、处理速度中的至少1个。
图20是表示图4所示的模型参数的决定(步骤S5)所涉及的更详细的处理步骤的流程图。参照图20，支持装置200决定模型参数的搜索范围(步骤S51)。模型参数的搜索范围除了搜索对象的参数种类以外，还决定各参数的搜索范围(上下限)。
接着，支持装置200将步骤S51中决定的搜索范围所包含的任意模型参数的数据集选择为对象(步骤S52)。然后，支持装置200基于所选择的模型参数的数据集，生成预测模型140(步骤S53)，并评价所生成的预测模型140的性能(预测精度、模型大小、处理速度等)(步骤S54)。
支持装置200判断是否存在步骤S51中决定的搜索范围所包含的其他模型参数的数据集(步骤S55)。若存在步骤S51中决定的搜索范围所包含的其他模型参数的数据集(步骤S55中为“是”)，则支持装置200选择步骤S51中决定的搜索范围所包含的其他模型参数的数据集(步骤S56)，并重复步骤S53以下的处理。
与此相对，若不存在步骤S51中决定的搜索范围所包含的其他模型参数的数据集(步骤S55中为“否”)，则支持装置200基于每个数据集的性能评价的结果，搜索最适当的模型参数的数据集(步骤S57)，并显示搜索到的模型参数及对应的性能评价的结果(步骤S58)。
最终，支持装置200按照来自用户的指示，决定用于生成预测模型140的模型参数(步骤S59)。
这样，作为预测模型140的生成所涉及的功能，支持装置200执行如下处理：在所决定的说明变量及所决定的区间的条件下，使规定预测模型140的模型参数依次不同，针对由各模型参数规定的预测模型140评价多个指标，由此决定用于规定预测模型140的模型参数。
图21是表示在实施方式的预测系统1的决定模型参数的处理中提供的用户界面的一例的图。在图21所示的用户界面画面270中，与图16～图19所示的用户界面画面270相比，追加显示了计算出的预测精度281、模型大小282以及处理速度283。
这样，支持装置200提供显示多个指标的用户界面画面270(参照图21)。用户也能够一边确认这些指标，一边调整说明变量以及区间。
此外，图20的步骤S57中的最佳的模型参数的搜索也可以通过对预测精度、模型大小、处理速度等指标设定优先级来实现。
例如，按照预测精度、模型大小、处理速度的顺序设定指标的优先级。并且，也可以对各指标设定最低限度的条件。
例如，也可以进行以下那样的设定。
·优先级1指标：预测精度条件；条件：预测精度≥80％
·优先级2指标：模型大小；条件：模型大小≤50MB
·优先级3指标：处理速度；条件：处理速度≤0.1msec
若设定这样的各指标，则支持装置200在针对优先级1指标提取出良好的模型参数的集合后，再搜索优先级2指标及优先级3指标这两者均良好的数据集。
此外，可以对任意的指标设定任意的优先级，也可以对多个指标设定相同的优先级。进而，也可以不设定优先级，而是综合对各指标进行评价的结果来决定最佳的数据集。
这样，在模型参数的决定(步骤S5)中，通过网格搜索(循环搜索)，能够综合地决定指标好的(典型的是精度高、模型大小小、处理速度高的)模型参数。
进而，用户在用户界面画面上，一边确认基于所决定的模型参数的预测模型的性能，一边根据需要对模型参数、说明变量及区间等进行微调，由此能够生成适当的预测模型140。
通过提供这样的用户界面画面，能够通过包含预测精度、模型大小、处理速度等多个指标的综合评价来决定预测模型140。
<I.变形例>
在上述的说明中，对预测时间变化的预测系统1进行了说明，但也能够应用于检测在控制对象等中产生的异常的异常检测系统。
图22是表示本实施方式的变形例的异常检测系统1A的概要结构的示意图。参照图22，异常检测系统1A从由控制对象取得的原始数据40中选择学习用样本(样本选择42)，基于所选择的学习用样本生成异常检测模型44。然后，使用所生成的异常检测模型44来执行异常检测的运用46。
异常检测模型44以检测控制对象表示与通常状态不同的状态为主题，使用从控制对象收集的原始数据(时间序列数据)，生成适合于收集到的原始数据的异常检测模型44。通过向异常检测模型44输入与通常不同的原始数据，输出表示是与通常不同的状态的值，由此能够检测出控制对象发生了某些异常。
关于在这样的异常检测模型44中使用的学习用样本，与上述的步骤S3同样地，优选采用变化模式互不相同的原始数据。
图23是用于说明图22所示的样本选择的处理例的图。参照图23，例如在收集到5个原始数据401～405的情况下，原始数据401与原始数据404具有类似的分布。同样地，原始数据402与原始数据405具有类似的分布。
关于这样的具有相互类似的分布的原始数据，优选仅使用1个原始数据作为学习用样本。其结果，在图23所示的例子中，可以选择原始数据401以及原始数据404中的任意一方、原始数据402以及原始数据405中的任意一方、原始数据403这3种原始数据作为学习用样本。
这样，对于异常检测模型44所使用的学习用样本，也与上述的步骤S3同样地，能够通过提取变化模式互不相同的样本，提高异常检测模型44的检测性能。
<J.附记>
如上所述的本实施方式包含以下这样的技术思想。
[结构1]
一种预测系统，其具有：
控制运算部(164)，其执行用于对控制对象进行控制的控制运算；
预测值取得部(156)，其通过将由所述控制运算部能够参照的状态值中的1个或多个状态值构成的实绩值输入到预测模型，来取得预测值；以及
预测模型生成部(200)，其预先决定所述预测模型，
所述预测模型生成部包含：
在与所述预测模型的生成所使用的学习用样本相关联的多个状态值中，基于针对所述学习用样本的重要度，将1个或多个状态值决定为说明变量的单元(2261)；
使搜索区间所包含的区间依次不同并评价基于所述决定的说明变量的预测精度，由此决定预测所使用的区间的单元(2261)；以及
在所述决定的说明变量和所述决定的区间的条件下，使规定所述预测模型的模型参数依次不同，并针对由各模型参数规定的预测模型评价多个指标，由此决定用于规定所述预测模型的模型参数的单元(2262)。
[结构2]
在结构1所记载的预测系统中，
所述预测模型生成部还包含通过使用了根据各样本计算出的1个或多个特征量的聚类，从多个样本中选择作为所述学习用样本使用的样本的单元(2261)。
[结构3]
在结构1或2所记载的预测系统中，
所述预测模型生成部将决策树算法应用于所述学习用样本和关联的多个状态值，由此计算各状态值的重要度。
[结构4]
在结构1～3中的任意一项所记载的预测系统中，
所述预测模型生成部分别评价在使所述搜索区间所包含的区间的长度和位置中的至少一方不同的各模式中生成的预测模型的性能。
[结构5]
在结构4所记载的预测系统中，
所述预测模型生成部在将所述预测模型的模型参数固定的基础上，搜索所述预测所使用的区间。
[结构6]
在结构4或5所记载的预测系统中，
所述预测模型生成部还包含提供第1用户界面(270)的单元，所述第1用户界面(270)受理用于变更所述预测所使用的区间的用户操作。
[结构7]
在结构1～6中的任意一项所记载的预测系统中，
所述多个指标包含预测精度、模型大小、处理速度中的至少1个。
[结构8]
在结构7所记载的预测系统中，
所述预测模型生成部还包含提供显示所述多个指标的第2用户界面(270)的单元。
[结构9]
一种信息处理装置(200)，其与控制装置(100)连接，所述控制装置具有：控制运算部(164)，其执行用于对控制对象进行控制的控制运算；以及预测值取得部(156)，其通过将由所述控制运算部能够参照的状态值中的1个或多个状态值构成的实绩值输入到预测模型，来取得预测值，其中，
所述信息处理装置具有以下单元作为预先决定所述预测模型的预测模型生成部：
在与所述预测模型的生成所使用的学习用样本相关联的多个状态值中，基于针对所述学习用样本的重要度，将1个或多个状态值决定为说明变量的单元(2261)；
使搜索区间所包含的区间依次不同并评价基于所述决定的说明变量的预测精度，由此决定预测所使用的区间的单元(2261)；以及
在所述决定的说明变量和所述决定的区间的条件下，使规定所述预测模型的模型参数依次不同，并针对由各模型参数规定的预测模型评价多个指标，由此决定用于规定所述预测模型的模型参数的单元(2262)。
[结构10]
一种信息处理程序(226)，其由与控制装置(100)连接的计算机(200)执行，所述控制装置具有：控制运算部(164)，其执行用于对控制对象进行控制的控制运算；以及预测值取得部(156)，其通过将由所述控制运算部能够参照的状态值中的1个或多个状态值构成的实绩值输入到预测模型，来取得预测值，其中，
所述信息处理程序使所述计算机执行以下步骤作为用于预先决定所述预测模型的处理：
在与所述预测模型的生成所使用的学习用样本相关联的多个状态值中，基于针对所述学习用样本的重要度，将1个或多个状态值决定为说明变量(S43)；
使搜索区间所包含的区间依次不同并评价基于所述决定的说明变量的预测精度，由此决定预测所使用的区间(S44)；以及
在所述决定的说明变量和所述决定的区间的条件下，使规定所述预测模型的模型参数依次不同，并针对由各模型参数规定的预测模型评价多个指标，由此决定用于规定所述预测模型的模型参数(S5；S51～S59)。
＜K.优点＞
在本实施方式的预测系统中，最终能够基于多个指标来决定预测模型，因此能够容易地生成适于实际运用的预测模型。
应该认为本次公开的实施方式在所有方面都是例示而不是限制性的。本发明的范围由权利要求书、而不由上述的说明来表示，意在包含与权利要求书等同的意思以及范围内的所有变更。
标号说明
1：预测系统；1A：异常检测系统；2、4：现场总线；6：上位网络；10：现场装置组；12：远程I/O装置；14：继电器组；16、124：I/O单元；18：图像传感器；20：摄像头；22：伺服驱动器；24：伺服电机；30：冲压机；31：工件；32：中间产品；33：基座；34：支承台；35：压入板；36：驱动轴；37：电机；40、401、402、403、404、405：原始数据；42：样本选择；44：异常检测模型、46：运用；100：控制装置；102、202：处理器；104：芯片组；106、206：主存储装置；108、208：二次存储装置；110、214：上位网络控制器；112、212：USB控制器；114：存储卡接口；116：存储卡；118、120：现场总线控制器；122：内部总线控制器；132：存储区域；134：导出模块；140：预测模型；142：模型参数；144：参照轨道；150：PLC引擎；154：用户程序；156：预测值取得代码；158：误差评价代码；160：追加学习代码；162：写入代码；164：控制运算代码；200：支持装置；204：光学驱动器；205：记录介质；216：输入部；218：显示部；220：总线；222：开发程序；224：接口程序；226：分析程序；230：用户界面；232：脚本引擎；234：设定文件；236：输入输出管理模块；238：画面显示模块；240：图库；242：分析模块；244：分析库；250、260、270：用户界面画面；252、262：合成波形；254：样本组；264：相似度；271：预测点；272：区间；273：区间宽度；274：时间差；275：预测误差；276：波形显示区域；277：说明变量列表；281：预测精度；282：模型大小；283：处理速度；300：上位服务器；400：显示装置；2261：区间决定模块；2262：模型生成模块；2263：推理模块；2264：评价模块。

Claims (10)

1.一种预测系统，其中，该预测系统具有：
控制运算部，其执行用于对控制对象进行控制的控制运算；
预测值取得部，其通过将由所述控制运算部能够参照的状态值中的1个或多个状态值构成的实绩值输入到预测模型，来取得预测值；以及
预测模型生成部，其预先决定所述预测模型，
所述预测模型生成部包含：
在与所述预测模型的生成所使用的学习用样本相关联的多个状态值中，基于针对所述学习用样本的重要度，将1个或多个状态值决定为说明变量的单元；
使搜索区间所包含的区间依次不同并评价基于所述决定的说明变量的预测精度，由此决定预测所使用的区间的单元；以及
在所述决定的说明变量和所述决定的区间的条件下，使规定所述预测模型的模型参数依次不同，并针对由各模型参数规定的预测模型评价多个指标，由此决定用于规定所述预测模型的模型参数的单元。
2.根据权利要求1所述的预测系统，其中，
所述预测模型生成部还包含通过使用了根据各样本计算出的1个或多个特征量的聚类，从多个样本中选择作为所述学习用样本使用的样本的单元。
3.根据权利要求1或2所述的预测系统，其中，
所述预测模型生成部将决策树算法应用于所述学习用样本和关联的多个状态值，由此计算各状态值的重要度。
4.根据权利要求1～3中的任意一项所述的预测系统，其中，
所述预测模型生成部分别评价在使所述搜索区间所包含的区间的长度和位置中的至少一方不同的各模式中生成的预测模型的性能。
5.根据权利要求4所述的预测系统，其中，
所述预测模型生成部在将所述预测模型的模型参数固定的基础上，搜索所述预测所使用的区间。
6.根据权利要求4或5所述的预测系统，其中，
所述预测模型生成部还包含提供第1用户界面的单元，所述第1用户界面受理用于变更所述预测所使用的区间的用户操作。
7.根据权利要求1～6中的任意一项所述的预测系统，其中，
所述多个指标包含预测精度、模型大小、处理速度中的至少1个。
8.根据权利要求7所述的预测系统，其中，
所述预测模型生成部还包含提供显示所述多个指标的第2用户界面的单元。
9.一种信息处理装置，其与控制装置连接，所述控制装置具有：控制运算部，其执行用于对控制对象进行控制的控制运算；以及预测值取得部，其通过将由所述控制运算部能够参照的状态值中的1个或多个状态值构成的实绩值输入到预测模型，来取得预测值，其中，
所述信息处理装置具有以下单元作为预先决定所述预测模型的预测模型生成部：
在与所述预测模型的生成所使用的学习用样本相关联的多个状态值中，基于针对所述学习用样本的重要度，将1个或多个状态值决定为说明变量的单元；
使搜索区间所包含的区间依次不同并评价基于所述决定的说明变量的预测精度，由此决定预测所使用的区间的单元；以及
在所述决定的说明变量和所述决定的区间的条件下，使规定所述预测模型的模型参数依次不同，并针对由各模型参数规定的预测模型评价多个指标，由此决定用于规定所述预测模型的模型参数的单元。
10.一种信息处理程序，其由与控制装置连接的计算机执行，所述控制装置具有：控制运算部，其执行用于对控制对象进行控制的控制运算；以及预测值取得部，其通过将由所述控制运算部能够参照的状态值中的1个或多个状态值构成的实绩值输入到预测模型，来取得预测值，其中，
所述信息处理程序使所述计算机执行以下步骤作为用于预先决定所述预测模型的处理：
在与所述预测模型的生成所使用的学习用样本相关联的多个状态值中，基于针对所述学习用样本的重要度，将1个或多个状态值决定为说明变量；
使搜索区间所包含的区间依次不同并评价基于所述决定的说明变量的预测精度，由此决定预测所使用的区间；以及
在所述决定的说明变量和所述决定的区间的条件下，使规定所述预测模型的模型参数依次不同，并针对由各模型参数规定的预测模型评价多个指标，由此决定用于规定所述预测模型的模型参数。
CN202080082409.6A 2019-12-05 2020-11-25 预测系统、信息处理装置以及信息处理程序 Pending CN114787735A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2019220426A JP7413742B2 (ja) 2019-12-05 2019-12-05 予測システム、情報処理装置および情報処理プログラム
JP2019-220426 2019-12-05
PCT/JP2020/043755 WO2021111936A1 (ja) 2019-12-05 2020-11-25 予測システム、情報処理装置および情報処理プログラム

Publications (1)

Publication Number Publication Date
CN114787735A true CN114787735A (zh) 2022-07-22

Family

ID=76220280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202080082409.6A Pending CN114787735A (zh) 2019-12-05 2020-11-25 预测系统、信息处理装置以及信息处理程序

Country Status (6)

Country Link
US (1) US20220414555A1 (zh)
EP (1) EP4071570A4 (zh)
JP (1) JP7413742B2 (zh)
KR (1) KR20220085827A (zh)
CN (1) CN114787735A (zh)
WO (1) WO2021111936A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2022119321A (ja) * 2021-02-04 2022-08-17 東京エレクトロン株式会社 情報処理装置、プログラム及びプロセス条件探索方法
CN113822580B (zh) * 2021-09-24 2024-06-28 深圳市出新知识产权管理有限公司 一种设备工况评估方法以及相关设备

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3603182B2 (ja) * 2000-08-22 2004-12-22 株式会社日立製作所 排水処理プロセスシミュレータ
JP5119022B2 (ja) 2008-03-26 2013-01-16 東京瓦斯株式会社 可変的予測モデル構築方法、及び、可変的予測モデル構築システム
JP5751045B2 (ja) * 2010-08-31 2015-07-22 富士電機株式会社 プラントの運転条件最適化システム、プラントの運転条件最適化方法、プラントの運転条件最適化プログラム
JP2012128800A (ja) 2010-12-17 2012-07-05 Nippon Steel Engineering Co Ltd プロセスの状態予測方法及びそれを用いたプロセス制御装置
US10496927B2 (en) * 2014-05-23 2019-12-03 DataRobot, Inc. Systems for time-series predictive data analytics, and related methods and apparatus
US20160071017A1 (en) * 2014-10-15 2016-03-10 Brighterion, Inc. Method of operating artificial intelligence machines to improve predictive model training and performance
US10719577B2 (en) 2014-12-05 2020-07-21 Nec Corporation System analyzing device, system analyzing method and storage medium
GB2543281A (en) * 2015-10-13 2017-04-19 British Gas Trading Ltd System for energy consumption prediction
JP6875179B2 (ja) 2017-04-07 2021-05-19 株式会社日立製作所 システム分析装置、及びシステム分析方法
US10417528B2 (en) * 2018-02-18 2019-09-17 Sas Institute Inc. Analytic system for machine learning prediction model selection

Also Published As

Publication number Publication date
EP4071570A1 (en) 2022-10-12
EP4071570A4 (en) 2023-12-06
WO2021111936A1 (ja) 2021-06-10
JP2021089653A (ja) 2021-06-10
JP7413742B2 (ja) 2024-01-16
KR20220085827A (ko) 2022-06-22
US20220414555A1 (en) 2022-12-29

Similar Documents

Publication Publication Date Title
CN108628263B (zh) 控制系统、控制装置、计算机可读存储介质以及控制方法
EP3540532B1 (en) Control system and control method
CN101536002B (zh) 用于工艺监控的系统和方法
WO2022030041A1 (ja) 予測システム、情報処理装置および情報処理プログラム
CN114450646B (zh) 用于使用深度学习来检测风力涡轮操作异常的系统和方法
CN114787735A (zh) 预测系统、信息处理装置以及信息处理程序
KR20160094383A (ko) 프로세스 장치에서 전체 프로세스 섹션의 상태를 자동 모니터링하고 측정하는 컴퓨터 실행 방법 및 시스템
CN112673326B (zh) 控制装置及存储介质
CN117829318A (zh) 一种基于大模型算法的数字孪生系统
EP4361742A1 (en) Prediction system, information processing device, and information processing program
WO2022176375A1 (ja) 予測システム、情報処理装置および情報処理プログラム
WO2022162957A1 (ja) 情報処理装置、制御システムおよびレポート出力方法
US20240095589A1 (en) Information processing device, information processing program, and information processing method
JP2023151755A (ja) 情報処理装置および情報処理プログラム
CN115599037B (zh) 一种基因检测实验室设备自动化监控方法
WO2023053511A1 (ja) 制御システム、情報処理方法および情報処理装置
JP2023151888A (ja) 予測システム、制御装置および制御プログラム
CN117554218B (zh) 直馏沥青浇筑式钢桥面复合梁试件疲劳试验装置及方法
JP2023151886A (ja) 情報処理装置および情報処理プログラム
EP4421572A1 (en) Information processing apparatus, information processing method and information processing program
JP2024060240A (ja) 情報処理装置、情報処理方法およびプログラム
JP2023002962A (ja) 情報処理装置、モデル生成プログラムおよびモデル生成方法

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