JP2018049545A - 複数モデル連携管理システムおよび方法 - Google Patents

Abstract

【課題】モデルパラメータの推定精度向上と処理時間短縮とを両立し、使い勝手を向上できるようにした複数モデル連携管理システムを提供すること。
【解決手段】複数モデル連携管理システム１は、複数のデータモデルＭ１〜Ｍ３を連携させてなる統合モデルＧを管理する複数モデル連携管理システムであって、各データモデルに設定される信頼度を取得する第１処理部１０１と、データモデルの予測値と観測値との差異と信頼度とに基づいて、差異が少なくなるように各データモデルのパラメータを推定する第２処理部１０２と、を備える。
【選択図】図１

Description

本発明は、複数モデル連携管理システムおよび方法に関する。

データ同化処理を用いることにより、シミュレーションモデルの精度を高める技術は知られている（特許文献１）。システムダイナミクスをシミュレーションモデル化する際に、線形モデルで近似する技術は知られている（特許文献２）。

特開２０１４−２６４４０号公報 特開２００７−２０７０５２号公報

樋口知之編著「データ同化入門 ―次世代のシミュレーション技術―」朝倉書店、2011年09月15日、p.78-83、p.100-105

特許文献１に記載のように、自然現象系をシミュレートするモデルでは、モデルの精度を高めるためにデータ同化処理を用いている。一方、特許文献２に記載のように、システムダイナミクスのシミュレーションモデルでは、複雑なビジネスモデルのシミュレーションモデルを簡易に作成するため、精度よりも処理時間の短縮を優先する。一般的に、モデルの精度（結果精度）の向上とモデルのパラメータの調整に要する処理時間（収束時間）の短縮とは相反する関係に立ち、両立させることができない。このため、自然現象ではないビジネスモデルの精度を短時間に高めるのは難しい。

本発明は上述の課題に鑑みてなされたもので、その目的は、精度の向上と処理時間の短縮とを両立でき、使い勝手を向上できるようにした複数モデル連携管理システムおよび方法を提供することにある。

上記課題を解決すべく、本発明の一つの観点に従う複数モデル連携管理システムは、複数のデータモデルを連携させてなる統合モデルを管理する複数モデル連携管理システムであって、各データモデルに設定される信頼度を取得する第１処理部と、データモデルの予測値と観測値との差異と信頼度とに基づいて、差異が少なくなるように各データモデルのパラメータを推定する第２処理部と、を備える。

本発明によれば、各データモデルの信頼度に基づいて、予測値と観測値との差異が少なくなるように各データモデルのパラメータを推定することができる。

「複数モデル連携管理システム」の一例としての工場間生産設備連携システムの全体概要を示す説明図。 工場間生産設備連携システムを含む全体システムのハードウェア構成図。 複数のモデルを連携させる場合の各モデルのパラメータを推定する概要を示す説明図。 モデルのパラメータを推定する処理を示すフローチャート。 図４に示すフローチャートで使用する数式を示す説明図。 「調整部」の一例としての調整行列を示す説明図。 自動車などの組立産業に適用するモデル関数の例を示す説明図。 化学製品などのプラント産業に適用するモデル関数の例を示す説明図。 連携対象のモデルとその信頼度を入力する画面の例を示す説明図。

以下、図面に基づいて本発明の実施の形態を説明する。本実施形態では、複数のデータモデルを連携させた統合モデルの結果精度の向上と統合モデルのパラメータ調整に要する収束時間の短縮とを両立させる。本実施形態は、例えば、複数の工場間で生産設備を連携させるシステムなどのように、複数の既存事業を組み合わせて新規事業を構築する場合に適用することができる。本実施形態の管理システムを用いることで、新規事業に関するシミュレーションモデルの予測値と観測値との差異を検出したり、改善点を把握したりすることができる。

図１〜図９を用いて第１実施例を説明する。本実施例では、複数の工場の生産設備を連携させる場合を例に挙げて説明する。これに限らず、例えば、鉄道、カーシェアリング、上下水道、電力、小売、医療、介護などの種々の事業を連携させて新たな事業を作り出す場合にも、本発明を適用することができる。

工場間生産設備連携システム１は、複数の工場の生産設備を連携させた統合モデルを管理するコンピュータシステムである。以下、連携システム１と呼ぶ場合がある。

連携システム１は、例えば、初期設定部１０１、モデルパラメータ推定部１０２といった機能を備える。初期設定部１０１は「第１処理部」の一つの例である。初期設定部１０１は、各モデルＭ１，Ｍ２，Ｍ３についてのデータ１０５（モデルを定義する関数）および信頼度を取得する。

信頼度とは、モデルの信頼性を数値化したものであり、モデルの予測精度についての評価を表す。例えば、実績のある設備のモデルほど高い信頼度に設定され、実績のないモデル（または実績の少ないモデル）ほど低い信頼度に設定される。

さらに、初期設定部１０１は、各生産モデルＭ１〜Ｍ３を統合した全体モデルＧと調整行列Ａとを計算する。調整行列Ａは「調整部」の一例である。調整行列Ａは、各モデルＭ１〜Ｍ３のパラメータを推定する際の変動量の配分を決定するために用いられる。調整行列Ａの例は後述する。

モデルＭ１〜Ｍ３について説明する。図１の例では、第１の生産モデルＭ１と第２の生産モデルＭ２とを中間接続モデルＭ３を介して連携させる。各モデルＭ１〜Ｍ３は、実際の設備群１０６のシミュレーションモデルである。

第１の生産モデルＭ１は、第１の工場Ｆ１が有する生産設備を示すシミュレーションモデルである。第２の生産モデルＭ２は、第２の工場Ｆ２が有する生産設備を示すシミュレーションモデルである。中間接続モデルＭ３は、第１の工場Ｆ１から第２の工場Ｆ２へ製品を輸送する輸送機関Ｆ３を示すシミュレーションモデルである。なお、中間接続モデルＭ３は、輸送機関に限らず、例えば保管倉庫などでもよいし、あるいは加工工場や塗装工場などの工場でもよい。図１に示す例では、既存の工場Ｆ１，Ｆ２を連携させるための中間的な機関（設備）として輸送機関Ｆ３を例に挙げる。

これら実際の工場Ｆ１〜Ｆ３における各モデルＭ１〜Ｍ３の実績値１０７（観測値）は、センサやデータロガー、生産管理システムなどを通じて収集される。なお、連携システム１を管理するユーザが、各モデルＭ１〜Ｍ３の実績値の全部または一部を手動で入力してもよい。

モデルパラメータ推定部１０２は「第２処理部」の一例である。モデルパラメータ推定部１０２は、各モデルＭ１〜Ｍ３の予測精度１０４と実績値１０７との差異と信頼度とに基づいて、差異が少なくなるように各モデルＭ１〜Ｍ３のパラメータを推定する。

モデルパラメータ設定部１０３は、各モデルＭ１〜Ｍ３について推定されたパラメータをモデルＭ１〜Ｍ３にそれぞれ設定する。

モデルパラメータ推定部１０２は、各モデルＭ１〜Ｍ３に対し信頼度に基づいて、パラメータを推定する際の変動量を配分する。例えば、第１の工場Ｆ１および第２の工場Ｆ２は長年にわたって操業されてきた既存工場であり、輸送機関Ｆ３は第１の工場Ｆ１と第２の工場Ｆ２とを連携させるために新設された機関であるとする。この場合、第１の工場Ｆ１のモデルＭ１と第２の工場Ｆ２のモデルＭ２とには、高い信頼度が設定される。実績のない輸送機関Ｆ３のモデルＭ３には、低い信頼度が設定される。

モデルパラメータ推定部１０２は、統合されたモデル（全体モデルＧ）のパラメータを変化させながら予測値１０４と実績値１０７との差異を検出し、適切なパラメータの値を推定する。モデルパラメータ推定部１０２は、パラメータを変化させる場合の変動量を、信頼度によって定める。すなわち、モデルパラメータ推定部１０２は、信頼度の高いモデルＭ１，Ｍ２に割り当てる変動量を少なくし、信頼度の低いモデルＭ３に割り当てる変動量を大きくする。これにより、信頼度の低いモデルＭ３のパラメータの変化を大きくして、全体モデルＧとしての適切なパラメータを比較的短時間で推定できる。

換言すれば、実績のあるモデルＭ１，Ｍ２についてはパラメータをあまり変化させずに、実績のない（実績の少ない）モデルＭ３についてはパラメータを変化させることで、高い予測精度と推定に要する時間（収束時間）の短縮とを両立させることができる。

図２は、連携システム１を含むシステム全体の概要を示す。連携システム１は、例えば、マイクロプロセッサ１１、メモリ１２、ユーザインターフェース部１３、通信インターフェース１４を備える。図中、マイクロプロセッサを「ＣＰＵ（Central Processing Unit）」と、通信インターフェースを「通信ＩＦ」と、ユーザインターフェースを「ＵＩ」と、それぞれ略記する。

メモリ１２は、プログラム格納エリア１２Ａと、データ格納エリア１２Ｂを含む。プログラム格納エリア１２Ａは、所定の機能Ｆ１１〜Ｆ１６を実現するためのコンピュータプログラムを記憶する。データ格納エリア１２Ｂは、外部から入力される各種パラメータや観測値などを記憶したり、初期値や計算途中のデータなどを記憶したりする。図２では、メモリ１２を単一のメモリであるかのように示しているが、これに限らず、例えば、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、フラッシュメモリ、ハードディスク、相変化メモリ（Phase-Change Memory）、ＲｅＲＡＭ（Resistive random-access memory）、ＦｅＲＡＭ（Ferroelectric Random Access Memory）などを適宜組み合わせて用いてもよい。

連携システム１は、例えば、入力受付部Ｆ１１、パラメータ設定部Ｆ１２、予測値算出部Ｆ１３、結果出力部Ｆ１４、推定値算出部Ｆ１５、観測値取得部Ｆ１６、データ読み出し部Ｆ１７といった各機能を有する。図１との対応関係を述べると、入力受付部Ｆ１１とパラメータ設定部Ｆ１２は、初期設定部１０１に対応する。予測値算出部Ｆ１３と推定値算出部Ｆ１５と観測値取得部Ｆ１６は、モデルパラメータ推定部１０２に対応する。結果出力部Ｆ１４は、ユーザインターフェース部１３を介して、モデルパラメータの推定結果などを出力する。これに限らず、結果出力部Ｆ１４は、推定されたモデルパラメータをシミュレーションモデルに設定することもできる。この場合、結果出力部Ｆ１４は、モデルパラメータ設定部１０３に対応する。

ユーザインターフェース部１３は、連携システム１のユーザと連携システム１とが情報を交換するための装置である。ユーザインターフェース部１３は、情報出力装置と情報入力装置とを備える。情報出力装置には、例えば、ディスプレイ、プリンタ、音声合成装置などがある。情報入力装置には、例えば、キーボード、タッチパネル、ポインティングデバイス、音声認識装置などがある。

通信インターフェース１４は、通信ネットワークＣＮを介して外部の管理システム２１，３１や観測値入力装置４と通信する装置である。

連携システム１は、複数の工場または機関２（１），２（２），２（３）を連携させた統合モデルを管理し、より高精度に統合モデルの収益を予測したり、連携形態を調整したりする。図１との対応関係を述べると、第１工場２（１）は図１の第１工場Ｆ１に、第２工場２（２）は図１の第２工場Ｆ２に、それぞれ対応する。中間接続機関２（３）は図１の輸送機関Ｆ３に対応する。

図２では、２つの工場２（１），２（２）を、中間接続機関２（３）により連携させている。中間接続機関としては、例えば、工場間で製品を輸送する輸送機関、製品を保管する倉庫、製品を検査する検査機関などがある。中間接続機関に代えて、工場２（３）を介して複数の工場２（１），２（２）間を連携させてもよい。ここでは、工場２（１），２（２）を輸送機関２（３）を介して連携させる場合を説明する。

各工場２（１），２（２）は、生産管理システム２１と、生産設備２２を持つ。生産設備２２は、例えば、加工機械、組立機械、搬送機械、塗装機械、加熱装置、冷却装置、成型機械、メッキ槽、乾燥炉、攪拌槽などである。生産管理システム２１は、生産設備２２の稼働状態などを管理する。生産管理システム２１は、通信ネットワークＣＮを介して、連携システム１に接続されている。生産管理システム２１は、所定のタイミングで、生産設備２２に関する情報（製品仕様、能力、実績など）を連携システム１に送信する。所定のタイミングとは、例えば、一定周期ごと、生産設備２２の構成変更時、保守や故障などのイベント発生時、連携システム１から要求された時、などである。

輸送機関２（３）は、中間管理システム３１と、トラックなどの輸送装置３２とを備えている。輸送機関２（３）に代えて中間工場２（３）を設ける場合、中間工場２（３）は、生産管理システムと生産設備を持つことになる。なお、以下の説明では、工場２（１），２（２）と輸送機関２（３）を特に区別せずに、工場２（１）〜２（３）と呼ぶ場合がある。また、以下の説明では、生産管理システム２１と中間管理システム３１とを特に区別せずに生産管理システム２１と呼ぶ場合がある。同様に、生産設備２２と輸送装置３２とを特に区別せずに生産設備２２と呼ぶ場合がある。

観測値入力装置４は、各工場２（１）〜２（３）の稼働状態の観測値（実績値）を連携システム１へ入力するための装置である。観測値入力装置４は、通信ネットワークＣＮを介して連携システム１に接続されている。観測値入力装置４は、通信ネットワークＣＮを介して各工場２（１）〜２（３）と接続されてもよい。観測値入力装置４は、通信ネットワークＣＮを介して各工場２（１）〜２（３）の生産管理システム２１から稼働状態の実績値を取得し、取得した実績値をそのままで、あるいは加工して、連携システム１へ観測値として送信することもできる。

図３は、各モデルのパラメータを推定する概要を示す説明図である。ここでは、２つの工場Ｆ１，Ｆ２を連携させる場合を説明する。図３に示す例では、第１工場Ｆ１は、部品Ｘを原料として、中間生成物Ｙを生産する。第２工場Ｆ２では、中間生成物Ｙを原料として、最終生成物Ｚを生産する。

ここで、ｘｔは時刻ｔにおける部品Ｘの在庫量を表す状態量、ｙｔは時刻ｔにおける中間生成物Ｙの在庫量を表す状態量、ｚｔは時刻ｔにおける最終生成物Ｚの在庫量を表す状態量とする。θ１は工場Ｆ１における生産効率を決定するモデルパラメータ、θ２は工場Ｆ２における生産効率を決定するモデルパラメータとする。

本実施例では、上述した状態量およびモデルパラメータを要素とする拡大状態ベクトルＸｔ＝（ｚｔ， ｙｔ， ｘｔ， θｔ１， θｔ２）^Ｔを定義する（ただし上付きＴは転置を表す）。さらに本実施例では、後述する非線形の時間更新式（式１）で定義されるシステムモデルと、線形の観測方程式（式２）とからなる状態空間モデルを設定し、非特許文献３に開示されるアンサンブルカルマンフィルタの手続きを用いて、モデルパラメータθｔ１，θｔ２を推定することを想定する（式３）。ｖｔはモデル誤差、ｗｔは観測誤差とする。

時間更新式：Ｘｔ＝Ｇ（Ｘｔ−１，ｖｔ） ・・・（式１）

観測方程式：ｚｔ＝Ｈ・Ｘｔ+ｗｔ ・・・（式２）
但しＨ＝（１，０，０，０，０）

パラメータ推定：（θｔ１，θｔ２）^Ｔ＝Ｐ・Ｘｔ・・・（式３）
但しＰ＝（（０，０，０，１，０），（０，０，０，０，１））

図４は、アンサンブルカルマンフィルタを用いたモデルパラメータの推定方法を示すフローチャートである。

連携システム１の各機能は、例えば以下のように、各ステップを分担して実行する。入力受付部Ｆ１１は、ステップＳ１０を実行する。パラメータ設定部Ｆ１２は、ステップＳ１１を実行する。予測値算出部Ｆ１３は、ステップＳ１２，Ｓ１３を実行する。推定値算出部Ｆ１５は、ステップＳ１４，Ｓ１５，Ｓ１７，Ｓ１８を実行する。観測値取得部Ｆ１６は、ステップＳ１６を実行する。

入力受付部Ｆ１１は、各工場の生産モデルを表す関数Ｍ１，Ｍ２と、各モデルの信頼度α，βと、アンサンブルの個数Ｎと、終了条件Ｔの入力を受け付ける（Ｓ１０）。

パラメータ設定部Ｆ１２は、生産モデルＭ１，Ｍ２を統合した全体モデルを表す関数Ｇと調整行列Ａを計算し、拡大状態ベクトルの初期値の集合｛Ｘ_０｜０ ^（ｉ）｝_{ｉ＝１．．Ｎ}を生成する（Ｓ１１）。ここでｔ←１とする。

ステップＳ１１の処理を詳しく述べると、パラメータ設定部Ｆ１２は、拡大状態ベクトルをＸ_ｔ＝（ｚ_ｔ，ｙ_ｔ，ｘ_ｔ，θ_ｔ ^１，θ_ｔ ^２）^Ｔと定義し、工場全体の生産モデルをモデル誤差Ｖ_ｔを含めて Ｘ_ｔ＝Ｇ（Ｘ_ｔ−１，Ｖ_ｔ）とおく。ｚ_０，ｙ_０，ｘ_０，θ_０ ^１，θ_０ ^２をｚ_ｔ，ｙ_ｔ，ｘ_ｔ，θ_ｔ ^１，θ_ｔ ^２の時刻０における初期値とする。

さらにパラメータ設定部Ｆ１２はステップｓ１１において、生産モデルの信頼度α，βから、図６で定義される調整行列Ａ_ｔを設定する。

以下、パラメータ設定部Ｆ１２は、Ｘ_{ｔ｜ｔ−１}を時刻ｔ−１までの観測値に基づいて予測される、時刻ｔのＸ_ｔの予測値とする。パラメータ設定部Ｆ１２は、Ｘ_ｔ｜ｔを時刻ｔまでの観測値に基づいて推定される、時刻ｔのＸ_ｔの推定値とする。そして、パラメータ設定部Ｆ１２は、拡大状態ベクトルの初期値の集合｛Ｘ_０｜０ ^（ｉ）｝_{ｉ＝１．．Ｎ}を各ｉ＝１．．Ｎに対して、Ｘ_０｜０＝（ｚ_０，ｙ_０，ｘ_０，θ_０ ^１，θ_０ ^２）^Ｔとして生成する。ｔ←１とする。

続いて予測値算出部Ｆ１３は、モデル誤差の値集合｛Ｖ_ｔ ^（ｉ）｝_{ｉ＝１．．Ｎ}を生成する（Ｓ１２）。さらに予測値算出部Ｆ１３は、各ｉ＝１．．Ｎに対して、予測値Ｘ_{ｔ｜ｔ−１} ^（ｉ）＝Ｇ（Ｘ_{ｔ−１｜ｔ−１} ^（ｉ），Ｖ_ｔ ^（ｉ））を計算する（Ｓ１３）。

推定値算出部Ｆ１５は、各ｉ＝１．．Ｎに対して、観測誤差の値集合｛ｗ_ｔ ^（ｉ）｝_{ｉ＝１．．Ｎ}を生成する（Ｓ１４）。

さらに推定値算出部Ｆ１５は、カルマンゲインＫ_ｔを算出する（Ｓ１５）。カルマンゲインＫ_ｔは、例えば非特許文献１に基づいて、図５（ａ）に示す数式から得られる。

観測値取得部Ｆ１６は、観測値Ｙ_ｔを得るとともに、各ｉ＝１．．Ｎに対して残渣ｒ_ｔを計算する（Ｓ１６）。具体的には、観測値取得部Ｆ１６は、各ｉ＝１．．Ｎに対して図５（ｂ）に示す数式を用いることにより、残渣ｒ_ｔを算出する。

推定値算出部Ｆ１５は、各ｉ＝１．．Ｎに対し、推定値Ｘ_ｔ｜ｔ ^（ｉ）＝Ｘ_{ｔ｜ｔ−１} ^（ｉ）＋Ａ_ｔＫ_ｔｒ_ｔを得る（Ｓ１７）。さらに推定値算出部Ｆ１５は、モデルパラメータθ_ｔ ^１，θ_ｔ ^２を推定する（Ｓ１８）。モデルパラメータθ_ｔ ^１は、例えば図５（ｃ）の数式に従って求めることができる。ここで添え字［ｉ］は、行列の第ｉ要素を参照する操作子とする。

連携システム１は、ｔ＝Ｔを満たすか判定し、ｔ＝Ｔの場合（Ｓ１９：ＹＥＳ）、本処理を終了する。それ以外の場合（Ｓ１９：ＮＯ）、連携システム１は、ｔを１だけインクリメントしてステップＳ１２へ戻る。

図６の調整行列Ａ_ｔは、時間経過とともに１に近づくように設計されている。このため、この調整行列Ａ_ｔを用いるパラメータ推定処理の前半部分では収束時間を短縮することができ、後半部分では推定精度を高めることができる。

図７は、自動車向けなどの組立て工場を想定した実施例における具体的なモデル関数の例を示す。モデルパラメータθ１，θ２を、それぞれ工場Ｆ１，Ｆ２における、原料から生成物への単位時間当たりの組立て数とし、Ｃｉｎを原料Ｘの時間当たりの入荷量、Ｃｏｕｔを最終生成物Ｚの時間当たりの出荷量とする。それぞれの在庫量およびモデルパラメータの間の関係は、図７（ａ）に示す関係式で表現することができる。

このとき、在庫量およびモデルパラメータを拡大状態ベクトルＸ_ｔで表現した場合、図７（ｂ），（ｃ）の式を得る。図７（ｃ）中のｖ_ｔはモデル誤差とする。

図８は、化学製品など向けのプラント工場を想定した実施例における具体的なモデル関数の例を示す。モデルパラメータθ１，θ２を、それぞれ工場Ｆ１，Ｆ２における、原料から生成物への変換比とし、Ｃｉｎを原料Ｘの時間当たりの入荷量、Ｃｏｕｔを最終生成物Ｚの時間当たりの出荷量とする。それぞれの在庫量およびモデルパラメータの間の関係は、図８（ａ）に示す関係式で表現できる。

このとき、在庫量およびモデルパラメータを拡大状態ベクトルＸ_ｔで表現した場合、図８（ｂ），（ｃ）の式を得る。図８（ｃ）中のｖ_ｔはモデル誤差とする。

図９は、生産モデルの関数やその信頼度を連携システム１へ入力する画面例である。モデル入力画面１１０は、例えば、生産モデルの定義ファイルを指定するモデル定義ファイル入力部１１０１と、そのモデルに対する信頼度を入力する信頼度入力部１１０２とを、それぞれ複数ずつ有する。ユーザは、分析対象の生産モデルの定義ファイルとその信頼度とをそれぞれ入力し、ＯＫボタン１１０３を操作する。これにより、入力された各生産モデルを統合した場合のモデルパラメータの推定処理が実行されて、ユーザインターフェース部１３に出力される。入力を取り消す場合、ユーザはキャンセルボタン１１０４を操作すればよい。

このように構成される本実施例によれば、各モデルの信頼度に基づいて、予測値と観測値との差異が少なくなるように各モデルのパラメータを推定することができる。従って、本実施例によれば、精度の向上と処理時間の短縮とを両立でき、使い勝手を向上することができる。

さらに、本実施例では、実績のある生産モデル（既存工場の生産モデル等）の信頼度は高く設定し、実績の無いまたは少ない生産モデル（新設工場の生産モデル等）の信頼度を低く設定する。そして、本実施例では、信頼度の低い生産モデルにはパラメータ推定時の変化量配分を大きくし、信頼度の高い生産モデルには変化量配分を少なくする。このため、本実施例では、例えば新旧の生産モデルを適宜組み合わせて新たなビジネスモデルを構築する際に、短時間で最適なモデルパラメータを算出でき、新たなビジネスモデルの効率や改良点などを分析することができ、使い勝手が向上する。

本実施例では、アンサンブルカルマンフィルタを用いてモデルパラメータを推定し、時間経過につれてカルマンゲインが小さくなるように設定するため、モデルパラメータ推定時の前半では収束時間を短縮でき、後半では推定精度を確保できる。

なお、本発明は、上述した実施例に限定されず、様々な変形例が含まれる。上記実施例は本発明を分かりやすく説明するために構成を詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。また、実施例の構成の少なくとも一部について、新たな構成を追加したり、既存の構成を削除したり、既存の構成を他の構成に置換したりすることも可能である。

上記の各構成、機能、処理部、処理手段等は、それらの一部又は全部を、例えば集積回路で設計する等によりハードウェアで実現してもよい。また、本発明は、実施例の機能を実現するソフトウェアのプログラムコードによっても実現できる。この場合、プログラムコードを記録した記憶媒体をコンピュータに提供し、そのコンピュータが備えるＣＰＵが記憶媒体に格納されたプログラムコードを読み出す。この場合、記憶媒体から読み出されたプログラムコード自体が前述した実施例の機能を実現することになり、そのプログラムコード自体、およびそれを記憶した記憶媒体は本発明を構成することになる。

さらに、実施例の機能を実現するソフトウェアのプログラムコードを、ネットワークを介して配信することによって、それをコンピュータのハードディスクやメモリ等の記憶手段又はＣＤ−ＲＷ、ＣＤ−Ｒ等の記憶媒体に格納し、コンピュータが備えるＣＰＵが当該記憶手段や当該記憶媒体に格納されたプログラムコードを読み出して実行するようにしてもよい。

１：工場間生産設備連携システム、２：工場、４：観測値入力装置、１０１：初期設定部、１０２：モデルパラメータ推定部、１０３：モデルパラメータ設定部、Ｆ１１：入力受付部、Ｆ１２：パラメータ設定部、Ｆ１３：予測値算出部、Ｆ１４：結果出力部、Ｆ１５：推定値算出部、Ｆ１６：観測値取得部

Claims (10)

1. 複数のデータモデルを連携させてなる統合モデルを管理する複数モデル連携管理システムであって、
   各データモデルに設定される信頼度を取得する第１処理部と、
   前記データモデルの予測値と観測値との差異と前記信頼度とに基づいて、前記差異が少なくなるように前記各データモデルのパラメータを推定する第２処理部と、
   を備える複数モデル連携管理システム。
2. 前記第１処理部は、前記信頼度に加えて、前記各データモデルのパラメータを推定する際の変動量の配分を調整する調整部を取得することができ、
   前記第２処理部は、前記調整部を用いて前記各データモデルのパラメータを推定するものであり、
   前記調整部は、前記信頼度の高いデータモデルよりも前記信頼度の低いデータモデルへの前記変動量の配分が大きくなるように設定されている、
   請求項１に記載の複数モデル連携管理システム。
3. 前記信頼度は、前記データモデルの実績に応じて設定される、
   請求項２に記載の複数モデル連携管理システム。
4. 前記信頼度は、実績のあるデータモデルほど高く、実績のないデータモデルほど低くなるように設定される、
   請求項３に記載の複数モデル連携管理システム。
5. 前記調整部は、カルマンゲインを用いて前記変動量を決定するものであり、
   前記カルマンゲインは、時間の経過につれて小さくなるように設定されている、
   請求項２〜４のいずれか一項に記載の複数モデル連携管理システム。
6. 前記調整部は、時間の経過につれて１に近づくように係数を設定した行列である、
   請求項５に記載の複数モデル連携管理システム。
7. 前記複数のデータモデルのうち少なくとも一つは、既存のデータモデル同士を連携させるためのデータモデルである、
   請求項１〜４のいずれか一項に記載の複数モデル連携管理システム。
8. 複数のデータモデルを連携させてなる統合モデルを計算機で管理する複数モデル連携管理方法であって、
   前記計算機は、
   各データモデルに設定される信頼度と、前記各データモデルのパラメータを推定する際の変動量の配分を調整する調整部であって、前記信頼度の高いデータモデルよりも前記信頼度の低いデータモデルへの前記変動量の配分が大きくなるように設定されている調整部とを取得する第１ステップと、
   前記データモデルの予測値と観測値との差異と前記信頼度と前記調整部とに基づいて、前記差異が少なくなるように前記各データモデルのパラメータを推定する第２ステップとを、実行する、
   複数モデル連携管理方法。
9. 前記信頼度は、実績のあるデータモデルほど高く、実績のないデータモデルほど低くなるように設定される、
   請求項８に記載の複数モデル連携管理方法。
10. 前記調整部は、カルマンゲインを用いて前記変動量を決定するものであり、
    前記カルマンゲインは、時間の経過につれて小さくなるように設定されている、
    請求項９に記載の複数モデル連携管理方法。

Images