JP2018116693A - 動作に関する予測推論のモデルを求めるシステム及び方法、およびこれらのための非一時的コンピューター可読記憶媒体 - Google Patents

Abstract

【課題】機械の動作に関する予測推論のモデルを求めるシステム及び方法を提供する。
【解決手段】プロセッサが、時系列データを入手するように構成され、時系列データは、トレーニングデータ及びテストデータを含み、時系列データは、或る期間の間の機械の動作を表し、トレーニングデータは、予測推論の結果を用いてラベル付けされた観測値を含む。トレーニング時間、テスト時間又は双方においてフィルタリングを行う再帰フィルター及び安定フィルターが適用され、フィルタリングされた時系列データ内のデータ点は、対応する観測値と、当該対応する観測値に先行する時系列データ内の過去の観測値との関数である時系列データ内の観測値に対応する。フィルターを用いて、トレーニングデータをフィルタリングしてフィルタリングされた時系列データを生成しメモリに記憶することに基づいて、予測推論のモデルが、トレーニングデータを用いて求められる。
【選択図】図１Ａ

Description

本開示は、包括的には、機械の動作に関する予測推論のモデルを求めることに関し、特に、機械の時系列データを用いて機械の近似状態を提供することに関する。

現代のコンピューターシステムは、様々な物理システムから大量の情報を収集する。これらの物理機械は、通常、規則的なデューティーサイクルで構成された反復的な負荷を受け、多かれ少なかれ規則的なパターンで損耗する傾向があり、部分的又は完全な破損に起因して故障した状態に次第に達する。そのような機械を良好な正常動作状態に維持することは、それらの機械の動作に関連した重要なタスクであり、保守をいつどのように行うのかは、それらの機械の動作の経済面に非常に大きな影響を有する。１つの保守ストラテジーは、機械が故障した後にのみ機械を修理すること、すなわち、事後保守と呼ばれるものである。事後保守のストラテジーは、全く最適でないことが非常に多い。なぜならば、故障した機械全体の修理は、機械が破損する前に単一の部品を取り換えることよりも多くのコストを要するおそれがあるからであり、また、機械の故障は、材料の浪費、容認できない製品の品質をもたらすおそれもあるからであり、さらに、機械を操作する作業員を危険にさらすおそれさえあるからである。事後保守が実行可能な選択肢又は経済的な選択肢でない状況では、固定の周期的間隔、例えば、１カ月に１回又は１年に１回の機械の定期的な保守等の異なるストラテジーが用いられる。そのようなセーフティクリティカルな機械の例は、エレベーター及び自動車であり、保守は１年につき１回行われ、対応する検査済証が発行される。これは、予防保守として知られている。

予防保守は、機械の保守に関連付けられた安全性の問題に対処するが、経済的に最適でない場合が多く存在する。予防保守に関する第１の問題は、保守サイクルの長さが多くの場合に任意であり（例えば、１年又は１カ月）、機械の実際の必要性よりも、検査当局及び検査プロセスのロジスティクス（例えば、自動車の検査ステッカーの発行）の都合とより深く関係しているということである。第２の問題は、機械のうちの幾つかは新しく、あまり頻繁な保守を必要としない場合があるのに対して、それよりも古い機械ははるかに頻繁な保守を必要とする場合があるグループにおいては、単一の保守サイクルが、全ての機械にとって場合によっては最適でない可能性があるということである。

機械解析業界では、機械パラメーターを測定するのに、センサーが通常用いられる。機械動作の計測装置が増加するにつれて、大量のデータが、機械の動作を監視するセンサーから収集されている。幾つかのセンサーからのデータも、比較的高頻度で生成される場合があり、この結果、大量のデータが更にもたらされる。しかしながら、大量のデータを使用しなければならないということは、コスト及び時間に関して計算処理上の難題を提示し、さらには、その場合、予想結果が、システム又は機械の実際の状態の良好な表現を提供しない場合もあり得る。

したがって、この技術分野においては、大量のデータから機械の故障を検出及び／又は予測する改良された方法が必要とされている。

本開示の実施の形態は、包括的には、機械の動作に関する予測推論のモデルを求めることに関し、特に、機械の時系列データを用いて、機械の故障の予測等の機械の近似状態を提供することに関する。

本開示の幾つかの実施の形態は、機械と通信するセンサーから生成された時系列データを、トレーニング時間、テスト時間又は双方において再帰フィルター及び安定フィルターのセットを用いてフィルタリングし、フィルタリングされた時系列データのセットを取得することができるという認識に基づいている。フィルタリングされた時系列データ内の各データ点は、全ての以前の観測値の関数である時系列データ内の観測値に対応する。換言すれば、各データ点は、潜在的に全ての過去の観測値についての情報を保持する。

克服すべき最初の問題は、予測推論が未知であるとき、及び測定されている機械の状態に関連した観測値しか存在しないときに、機械の動的状態に基づく、又は機械の状態が時間とともに変化することに基づく時系列データから予測推論の取得を試みることである。この問題をよりよく理解するために、正弦波の状態（機械の予測推論を比喩したものである）を求めたいものと仮定することにする。正弦波の状態を求めるのに、正弦波の観測値は１つしか存在しない。しかしながら、正弦波に基づくダイナミカルシステムは、線形かつ２次元であるので、正弦波の２つの連続した観測値が必要とされる。このため、１つの観測値では十分ではない。これは、正弦波の状態を求める問題に対する解が存在しないことを意味する。なぜならば、十分な情報が存在しないからである。すなわち、１つの観測値しか利用可能でなく、問題を解くには２つの観測値が存在する必要があるからである。

換言すれば、観測値のセットが、機械の状態に一意に対応する場合、機械学習方法を用いて、様々な予測器、すなわち予測推論を設計することができる。一方、各時刻における検知データは、機械の実際の状態についての十分な情報を提供しない場合がある。必要とされる観測値の数は、システム／機械の次元数ｄ、すなわち、線形システム／機械の場合にはｄ及び非線形システム／機械の場合には２ｄ＋１に依存する。情報ベクトルが十分な観測値を含まない場合、機械学習方法は機能しない。

しかしながら、本発明者らは、再帰フィルター及び安定フィルターを用いて時系列データをフィルタリングすることによって、フィルタリングされた時系列データ内の各データ点が、全ての以前の観測値の関数である時系列データ内の観測値に対応することを認識した。そのようにして、各データ点は、場合によっては全ての過去の観測値についての情報を保持する。換言すれば、本発明者らは、機械学習方法を用いて、様々な予測器、すなわち予測推論を設計することができるようにするために、機械の実際の状態についてのより多くの情報を取得する方法を発見した。その上、実験を通じて、本発明者らは、複数のランダムフィルターを用いてトレーニングデータをフィルタリングして、フィルタリングされたデータのセットを生成することができることを知得した。同じ観測値に対応する異なるフィルタリングされたデータからのデータ点は、同じラベルを有し、機械学習方法において用いられる情報提供ベクトルを形成することができる。フィルターの数は、情報提供ベクトルのサイズを規定する。

本発明者らの認識に基づいて、本発明者らは、複数のフィルターを用いてシステム／機械の近似状態を提供することによって、システム／機械の動作に関する予測推論のモデルを求めることができる。さらに、フィルターの数が増加された場合、近似又は予測の質も向上する。これらのフィルターの出力は、システム／機械の次の状態、又は障害のタイプ、又は残存耐用年数を予測する別の機械学習モジュールの入力とすることができる。したがって、本発明者らは、時系列データから十分な適した状態表現を抽出して、未知のダイナミカルシステム、すなわち機械によって生成された時系列を近似的に要約することができないという問題を克服した。

時系列データを用いることを前提として機械学習問題を解く前に、第１に、いかなる問題を解くべきかについて最初に決定する必要がある。例えば、解くべき問題は、（１）時系列データを所与として、予測推論若しくは故障の確率を求めること（生存時間解析）；（２）障害診断を求めること（分類）；又は（３）残存耐用年数を求めること（回帰）である。第２に、時系列データにおいて利用可能な情報をどのように抽出するのかについて求める必要がある。上記２つの質問に対する回答が判明すると、時系列データを用いることを前提として、開始することができる。

例えば、本開示の幾つかの実施の形態は、メモリに記憶された時系列データにアクセスするステップによって、機械の動作に関する予測推論のモデルを求めること、すなわち機械学習問題を開始する。時系列データは、トレーニング時系列データ及びテスト時系列データを含み、時系列データは、或る期間の間の機械の動作を表し、トレーニング時系列データは、予測推論の結果を用いてラベル付けされた観測値を含む。

次のステップは、トレーニング時間、テスト時間又は双方においてフィルタリングを行う再帰フィルター及び安定フィルターのセットを時系列データに適用して、フィルタリングされた時系列データのセット内のデータ点が、対応する観測値と、対応する観測値に先行する時系列データ内の過去の観測値との関数である時系列データ内の観測値に対応するようなフィルタリングされた時系列データのセットを取得することである。本発明者らの認識に基づいて、本発明者らは、機械の実際の状態についてのより多くの情報を取得する方法を発見し、特に、複数のランダムフィルターを用いてトレーニングデータをフィルタリングしてフィルタリングされたデータのセットを生成することができることを発見したことを想起されたい。同じ観測値に対応するフィルタリングされたデータのセットからのデータ点は、同じラベルを有し、機械学習方法において用いられる情報提供ベクトルを形成することができるようになっている。すなわち、フィルターの数は情報提供ベクトルのサイズを規定するようになっている。

次のステップは、予測推論の求められたモデルを取得するために、フィルターのセットを用いてトレーニング時系列データをフィルタリングしてフィルタリングされたトレーニング時系列データのセットを生成することに基づいて、トレーニング時系列データを用いて予測推論のモデルを求めることを含む。

予測推論の求められたモデルは、メモリに記憶することもできるし、出力インターフェースを介して出力して、機械の次の状態、又は障害のタイプ、又は残存耐用年数を予測する別の機械学習方法／モジュールの入力とすることもできる。

本開示の一実施の形態によれば、機械の動作に関する予測推論のモデルを求めるシステムが提供される。該システムは、前記機械と通信するセンサーと、出力インターフェースと、プロセッサとを備える。前記プロセッサは、非一時的コンピューター記憶媒体（以下非一時的コンピューター可読記憶媒体とも称す）と通信し、最初に、前記非一時的コンピューター記憶媒体に記憶されている、前記機械と通信する前記センサーによって生成された時系列データにアクセスするか、又は前記プロセッサと通信する入力インターフェースを介して前記時系列データを入手するように構成されている。前記時系列データは、トレーニング時系列データ及びテスト時系列データを含み、前記時系列データは、或る期間の間の前記機械の前記動作を表し、前記トレーニング時系列データは、前記予測推論の結果を用いてラベル付けされた観測値を含むようになっている。次に、前記プロセッサは、トレーニング時間、テスト時間又は双方においてフィルタリングを行う再帰フィルター及び安定フィルターのセットを前記時系列データに適用して、フィルタリングされた時系列データのセットを取得するように構成されている。前記フィルタリングされた時系列データのセット内のデータ点は、対応する観測値と、該対応する観測値に先行する前記時系列データ内の過去の観測値との関数である前記時系列データ内の観測値に対応する。さらに、前記プロセッサは、前記予測推論の求められたモデルを取得するために、フィルターのセットを用いて前記トレーニング時系列データをフィルタリングしてフィルタリングされたトレーニング時系列データのセットを生成することに基づいて、前記トレーニング時系列データを用いて前記予測推論の前記モデルを求めるように構成されている。最後に、前記プロセッサは、前記機械の前記動作に関する前記予測推論の前記求められたモデルを前記非一時的コンピューター記憶媒体に記憶するか、又は前記プロセッサと通信する前記出力インターフェースを介して前記求められたモデルを出力するように構成されている。

本開示の別の実施の形態によれば、機械又は電気的活動を有する生体の健全性を、前記機械又は前記生体の動作に関する予測推論のモデルを求めることによって評価する方法が提供される。該方法は、コンピューター可読メモリからの、前記機械又は前記生体と通信するセンサーによって生成された記憶されている時系列データにアクセスすることを含む。前記時系列データは、トレーニング時系列データ及びテスト時系列データを含み、前記時系列データは、或る期間の間の前記機械又は前記生体の前記動作を表し、前記トレーニング時系列データは、前記予測推論の結果を用いてラベル付けされた観測値を含む。次に、該方法は、トレーニング時間、テスト時間又は双方においてフィルタリングを行う再帰フィルター及び安定フィルターのセットを前記時系列データに適用して、フィルタリングされた時系列データのセットを取得することを含む。前記フィルタリングされた時系列データのセット内のデータ点は、対応する観測値と、該対応する観測値に先行する前記時系列データ内の過去の観測値との関数である前記時系列データ内の観測値に対応するようになっている。前記トレーニング時間における前記フィルタリングは、該フィルタリングのための前記トレーニング時系列データを用い、前記テスト時間における前記フィルタリングは、該フィルタリングのための前記テスト時系列データを用いる。次に、該方法は、前記予測推論の求められたモデルを取得するために、フィルターのセットを用いて前記トレーニング時系列データをフィルタリングしてフィルタリングされたトレーニング時系列データのセットを生成することに基づいて、前記トレーニング時系列データを用いて前記予測推論の前記モデルを求めることを含む。最後に、該方法は、前記機械又は前記生体の前記動作に関する前記予測推論の前記求められたモデルを前記コンピューター可読メモリに記憶するか、又はプロセッサと通信する出力インターフェースを介して前記求められたモデルを出力することを含む。

本開示の別の実施の形態によれば、方法を実行するコンピューターによって実行可能なプログラムが具現化された非一時的コンピューター可読記憶媒体が提供され、前記方法は、機械の健全性を、該機械の動作に関する予測推論のモデルを求めることによって評価するものである。前記方法は、該非一時的コンピューター記憶媒体からの、前記機械と通信するセンサーによって生成された記憶されている時系列データを用いることを含む。前記時系列データは、トレーニング時系列データ及びテスト時系列データを含むようになっており、前記時系列データは、或る期間の間の前記機械の前記動作を表し、前記トレーニング時系列データは、前記予測推論の結果を用いてラベル付けされた観測値を含む。次に、前記方法は、トレーニング時間、テスト時間又は双方においてフィルタリングを行う再帰フィルター及び安定フィルターのセットを前記時系列データに適用して、フィルタリングされた時系列データのセットを取得することを含む。前記フィルタリングされた時系列データのセット内のデータ点は、対応する観測値と、該対応する観測値に先行する前記時系列データ内の過去の観測値との関数である前記時系列データ内の観測値に対応するようになっている。前記トレーニング時間における前記フィルタリングは、該フィルタリングのための前記トレーニング時系列データを用い、前記テスト時間における前記フィルタリングは、該フィルタリングのための前記テスト時系列データを用いる。次に、前記方法は、前記予測推論の求められたモデルを取得するために、フィルターのセットを用いて前記トレーニング時系列データをフィルタリングしてフィルタリングされたトレーニング時系列データのセットを生成することに基づいて、前記トレーニング時系列データを用いて前記予測推論の前記モデルを求めることを含む。最後に、前記方法は、前記機械の前記動作に関する前記予測推論の前記求められたモデルを該非一時的コンピューター記憶媒体に記憶するか、又はプロセッサと通信する出力インターフェースを介して前記求められたモデルを出力することを含む。

ここに開示されている実施の形態は、添付図面を参照して更に説明される。示されている図面は、必ずしも一律の縮尺というわけではなく、その代わり、一般的に、ここに開示されている実施の形態の原理を示すことに強調が置かれている。

本開示の一実施の形態による、機械の動作に関する予測推論のモデルを求めるシステムを示すブロック図である。 本開示の一実施の形態による、図１Ａのシステムの構成要素を示すブロック図である。 本開示の一実施の形態による、図１Ａにおける予測推論アルゴリズムのメインモジュールを示すグラフである。 本開示の一実施の形態による、機械の動作に関する予測推論のモデルを求める図１Ａのシステムステップを示すブロック図である。 本開示の一実施の形態によるサンプル入力時系列を示すグラフである。 本開示の実施の形態による、ランダム射影フィルターバンクによって処理されているサンプル入力時系列を示すグラフである。 本開示の実施の形態による、ランダム射影フィルターバンクにおける少数のランダムフィルターのインパルス応答を示すグラフである。 本開示の実施の形態による、入力時系列を与えられたランダム射影フィルターバンクの多数の出力時系列を示すグラフである。 本開示の実施の形態による、ランダム射影フィルターバンク内の１つのランダム射影フィルターを用いた時系列予測の予測推論のサンプル性能を示すグラフである。 本開示の実施の形態による、ランダム射影フィルターバンク内の２つのランダム射影フィルターを用いた時系列予測の予測推論のサンプル性能を示すグラフである。 本開示の実施の形態による、ランダム射影フィルターバンク内の５つのランダム射影フィルターを用いた時系列予測の予測推論のサンプル性能を示すグラフである。 本開示の実施の形態による、共役根の対及び単根を有する自己回帰移動平均フィルターの極の位置の一例を示すグラフである。 本開示の実施の形態による、共役根の対及び単根を有する自己回帰移動平均フィルターの極と、ランダム射影フィルターに対応する３つの極との位置の一例を示すグラフである。 本開示の実施の形態による、共役根の対及び単根を有する自己回帰移動平均フィルターの極と、ランダム射影フィルターに対応する５つの極との位置の一例を示すグラフである。 本開示の実施の形態による、共役根の対及び単根を有する自己回帰移動平均フィルターの極と、ランダム射影フィルターに対応する７つの極との位置の一例を示すグラフである。 本開示の実施の形態による、共役根の対及び単根を有する自己回帰移動平均フィルターの極と、ランダム射影フィルターに対応する１２個の極との位置の一例を示すグラフである。 本開示の実施の形態による、共役根の対及び単根を有する自己回帰移動平均フィルターの極と、ランダム射影フィルターに対応する１７個の極との位置の一例を示すグラフである。 本開示の一実施の形態による、第２の機械からの第２の時系列データを組み込んで予測推論の第２のモデルを求め、この第２の機械の予測推論の求められた第２のモデルと比較される、記憶されている予測推論の事前に求められたモデルを用いて、第２の機械の故障を予測する別の実施の形態のステップを示すブロック図である。 本開示の一実施の形態による、図１５Ａのシステムの構成要素を示すブロック図である。 本開示の一実施の形態による、第３の機械のセンサーからの第１の時系列データ及び第２の時系列データを組み込んでこの第３の機械の予測推論の２つの新たなモデルを求め、この第３の機械の予測推論の求められた２つの新たなモデルと比較される、記憶されている予測推論の事前に求められたモデルを用いて、第３の機械の故障を予測する別の実施の形態のステップを示すブロック図である。 本開示の一実施の形態による、図１６Ａのシステムの構成要素を示すブロック図である。 本開示の実施の形態による、代替のコンピューター又はプロセッサを用いて実現することができる図１Ａの方法を示すブロック図である。

上記で明らかにされた図面は、ここに開示されている実施の形態を記載しているが、この論述において言及されるように、他の実施の形態も意図されている。この開示は、限定ではなく代表例として例示の実施の形態を提示している。ここに開示されている実施の形態の原理の範囲及び趣旨に含まれる非常に多くの他の変更及び実施の形態を当業者は考案することができる。

以下の説明は、例示的な実施の形態のみを提供し、本開示の範囲も、適用範囲も、構成も限定することを意図していない。そうではなく、例示的な実施の形態の以下の説明は１つ以上の例示的な実施の形態を実施することを可能にする説明を当業者に提供する。添付の特許請求の範囲に明記されているような開示された主題の趣旨及び範囲から逸脱することなく要素の機能及び配置に行うことができる様々な変更が意図されている。

以下の説明では、実施の形態の十分な理解を提供するために、具体的な詳細が与えられる。しかしながら、当業者は、これらの具体的な詳細がなくても実施の形態を実施することができることを理解することができる。例えば、開示された主題におけるシステム、プロセス、及び他の要素は、実施の形態を不必要な詳細で不明瞭にしないように、ブロック図形式の構成要素として示される場合がある。それ以外の場合において、よく知られたプロセス、構造、及び技法は、実施の形態を不明瞭にしないように不必要な詳細なしで示される場合がある。さらに、様々な図面における同様の参照符号及び名称は、同様の要素を示す。

また、個々の実施の形態は、フローチャート、フロー図、データフロー図、構造図、又はブロック図として描かれるプロセスとして説明される場合がある。フローチャートは、動作を逐次的なプロセスとして説明することができるが、これらの動作の多くは、並列又は同時に実行することができる。加えて、これらの動作の順序は、再配列することができる。プロセスは、その動作が完了したときに終了することができるが、論述されない又は図に含まれない追加のステップを有する場合がある。さらに、特に説明される任意のプロセスにおける全ての動作が全ての実施の形態において行われ得るとは限らない。プロセスは、方法、関数、手順、サブルーチン、サブプログラム等に対応することができる。プロセスが関数に対応するとき、その関数の終了は、呼び出し側関数又はメイン関数へのその機能の復帰に対応することができる。

さらに、開示された主題の実施の形態は、少なくとも一部は手動又は自動のいずれかで実施することができる。手動実施又は自動実施は、マシン、ハードウェア、ソフトウェア、ファームウェア、ミドルウェア、マイクロコード、ハードウェア記述言語、又はそれらの任意の組み合わせを用いて実行することもできるし、少なくとも援助することができる。ソフトウェア、ファームウェア、ミドルウェア又はマイクロコードで実施されるとき、必要なタスクを実行するプログラムコード又はプログラムコードセグメントは、マシン可読媒体に記憶することができる。プロセッサ（複数の場合もある）が、それらの必要なタスクを実行することができる。

用語の定義
本開示に関する用語の定義によれば、予測推論という用語は、機械が障害を有するか否か、又は障害が発生するおそれがあるとき等の時系列の形で観測されたデータに基づく機械の現在又は将来の状態の予測のタスクを指す。モデル選択手順という用語は、幾つかの候補予測器を比較し、最良の予測性能を有する予測器を選択する手順を指す。予測性能は、トレーニング時系列のサブセットに基づいて評価される。観測値という用語は、様々なセンサーを用いて機械から測定されたデータを指す。ラベルという用語は、障害のタイプ、又は故障の時刻等の予測推論タスクの結果を指す。

本開示の実施の形態の概略
図１Ａ及び図１Ｂは、本開示の一実施の形態による、機械１０２の動作を表す時系列データにおいてパターンを求めるシステム１００を示すブロック図である。システム１００は、機械１０２と通信するセンサー１０４を備える。コンピューター可読メモリ１１２は、機械１０２と通信するセンサー１０４によって生成された時系列データのセットを記憶及び提供する。この時系列データは、当該時系列データが或る期間の間の機械１０２の動作を表すようなトレーニング時系列データ及びテスト時系列データを含み、トレーニング時系列データは、予測推論の結果を用いてラベル付けされた観測値を含む。センサー１０４は、機械１０２の動作データを収集し、この動作データは、メモリ１０６に記憶することができるか又は入力インターフェース／プリプロセッサ１０８に直接記憶することができ、その後、プロセッサ１１４に送信することができる。このデータは、処理されると、メモリ１１２に記憶されるか、又は出力インターフェース１１６を介して出力される。

本開示の幾つかの実施の形態は、機械１０２と通信するセンサー１０４から生成された時系列データを、トレーニング時間、テスト時間又は双方において再帰フィルター及び安定フィルターのセットを用いてフィルタリングし、フィルタリングされた時系列データのセットを取得することができるという認識に基づいている。トレーニング時間には、トレーニング時系列データがフィルタリングに用いられ、テスト時間には、テスト時系列データがフィルタリングに用いられ、フィルタリングされた時系列データ内の各データ点は、全ての以前の観測値の関数である時系列データ内の観測値に対応するようになっている。換言すれば、各データ点は、潜在的に全ての過去の観測値についての情報を保持する。

図１Ａ及び図１Ｂを更に参照すると、本開示は、ダイナミカルシステムと、機械と通信するセンサーから入手可能にされた時系列データの形の検知観測値のストリームとに従って状態が進展する物理システム、すなわち機械の予測及び障害予知の問題に関する。少なくとも１つの目標は、機械学習アルゴリズム／方法が将来における或る特定のイベント（複数の場合もある）の確率、又は物理システム（機械）の予想される残存耐用年数を推定することができるように、時系列データから情報を抽出することである。一方、本発明者らは、履歴を直接用いることによって推定器の学習を試みることが大きな難題であることに気付いた。なぜならば、推定器は、次元が増加の一途を辿る時間変化ベクトルであるからである。時系列データを生成するダイナミカルシステムの幾つかの例は、それぞれ複数の発電タービン、航空機及びヘリコプターのエンジン、内燃機関、車両の様々な部分、充電式電池、並びにエレベーター等のうちの１つからなる群からのものである。

図１Ａ及び図１Ｂを更に参照すると、時系列データから適した状態表現を抽出することは、本開示によって取り組まれる主要な問題のうちの少なくとも１つである。例えば、上述したように、本発明者らは、再帰フィルター及び安定フィルターを用いて時系列データをフィルタリングすることによって、フィルタリングされた時系列データ内の各データ点が、全ての以前の観測値の関数である時系列データ内の観測値に対応することを認識している。そのようにして、各データ点は、潜在的に全ての過去の観測値についての情報を保持する。別の言い方をすれば、本発明者らは、様々な予測器、すなわち予測推論を設計するのに機械学習方法が用いられるために、機械の実際の状態についてのより多くの情報を取得する方法を発見した。予測推論は、時系列予測；障害予知を目的とした残存耐用年数の推定；障害の認識及び検出；障害診断；又は時系列データの要約から利益を得る他の機械学習タスクのうちの１つからなる群からのものとすることができる。

再帰フィルターは、メモリに記憶された内部状態を有するソフトウェアモジュールを含むことができ、時系列データを入力として受信し、その後、ソフトウェアモジュールの内部状態と受信された入力とに基づく値を出力するとともにメモリを更新する。安定フィルターは、有理多項式を含むことができ、この有理多項式の分母は、根の大きさが１以下であるような、実数又は複素数のいずれかである根を有する多項式である。

その上、実験を通じて、本発明者らは、複数のランダムフィルターを含むフィルターのセットを用いてトレーニングデータをフィルタリングして、フィルタリングされたデータのセットを生成することができることを知得した。同じ観測値に対応する異なるフィルタリングされたデータからのデータ点は、同じラベルを有し、機械学習方法において用いられる情報提供ベクトルを形成することができる。フィルターの数は、情報提供ベクトルのサイズを規定する。

本発明者らの認識に基づいて、本発明者らは、複数のフィルターを用いてシステム／機械の近似状態を提供することによって、システム／機械の動作に関する予測推論のモデルを求める。フィルターの数が増加された場合、近似又は予測の質も向上する。

例えば、フィルターのセットから選択されるフィルターの数は、非一時的コンピューター記憶媒体のハードウェア制約及びプロセッサのハードウェア制約に基づくとともに、予測推論モデルの予測の質に基づいているモデル選択手順との組み合わせで選択することができる。さらに、フィルターのセット内のフィルターの数は、非一時的コンピューター記憶媒体のハードウェア容量及びプロセッサのハードウェア処理制約に基づいて処理することが可能なフィルターの最大数と、モデル選択に基づいている予測推論のモデルの予測の質を最適化するのに必要とされるフィルターの正確な数との関数に依存し得る。

フィルターのセット内の各フィルターは、プロセッサによって、メモリに記憶されたフィルターのセット内の他のフィルターと並列に処理可能とすることができる。

図１Ａ及び図１Ｂを更に参照すると、フィルターのセット内のフィルターのタイプに関して、このフィルターのセットは、ランダム射影フィルターバンク（ＲＰＦＢ）を集合的に定義するランダム射影フィルターとすることができる。ＲＰＦＢは、時系列データの形の入力に作用するランダムに選ばれたパラメーターを有する自己回帰フィルターのセットと、情報ベクトルの出力とを有することができる。またさらに、時系列は、ＲＰＦＢにおけるフィルターのセット内の各フィルターによって処理され、各フィルターの出力が時系列となるように、各フィルターから出力を生成することができる。プロセッサは、再帰フィルターが自己回帰フィルター及び非自己回帰フィルターを含むとともに、安定フィルターが非発散フィルター（non-divergent filter）を含むように、ランダムに選択された安定フィルター及び再帰フィルターのセットを規定する数のセットをランダムに選ぶことによってフィルターのセットを決定することができる。追加の時系列データがアクセスされた場合、出力時系列も変化する可能性がある。

さらに、ＲＰＦＢは、時系列データを処理し、この時系列データを近似的に要約するベクトルを提供することができ、ＲＰＦＢの出力は、時系列を記述するこのベクトルの次元よりも低い次元を有する低次元ダイナミカルシステムを記述する。ＲＰＦＢは、未知のダイナミカルシステム／機械によって生成された時系列を近似的に要約する方法とすることができる。ＲＰＦＢは、履歴の近似的な十分統計量を提供することができる。例えば、ＲＰＦＢは、任意のｔ＝１，２，…について一定次元ｄ≦ｔを有する観測値のシーケンスＸ_１，Ｘ_２，…，Ｘ_ｔを低次元ダイナミカルシステムに射影する。次元ｄは、時系列データのサイズよりもはるかに小さくなるように選択することができる。ＲＰＦＢの一態様は、多くの単純なダイナミカルシステム、すなわちフィルターをランダムに生成することに基づくことができる。本発明者らは、その後、真のダイナミカルシステムをこのランダムに生成されたフィルターのセットの線形結合又は非線形結合として近似することができる。

さらに、ＲＰＦＢは、多数の安定ランダム射影フィルターを含むことができ、各ランダム射影フィルターは、ランダムに選ばれた極及び零点を有する分子多項式及び分母多項式によって記述される安定自己回帰移動平均フィルターであり、極は分母の多項式の根であり、零点は分子の多項式の根である。

システム／機械の動作に関する予測推論のモデルが求められた後、この求められたモデルは、メモリに記憶することもできるし、出力インターフェースを介して出力することもできる。予測推論の求められたモデルの出力は、システム／機械の次の状態、又は障害のタイプ、又は残存耐用年数を予測する別の機械学習モジュールの入力とすることができる。産業機器から収集されるデータの容量が急速に増加している状況における少なくとも１つの利点は、本開示のシステム及び方法によって、そのような機器の健全性をリモートで連続して評価することと、障害が発生したときにそれらの障害を正しく診断することとが可能になり、さらには、障害が将来的にいつ発生するのかを推定することさえも可能になるということである。本開示によれば、そのような障害の診断及び予知の能力によって、予備部品、修理班の最適な配分を可能にすることができ、機器のダウンタイム及び修理コストを最小にすることも可能にすることができる。

図１Ｃは、予測推論モデルが、トレーニング時系列データ及びテスト時系列データと、ＲＰＦＢと、予測器とに基づいてどのように求められるのかを示すグラフである。トレーニング時系列１１９Ａ、１１９Ｂ、１１９Ｃは、事前に収集されるのに対して、テスト時系列１１１は、機械のセンサーから受信される。双方の時系列はＲＰＦＢを通って進み、ＲＰＦＢ内で、各時系列はランダムに生成された安定フィルター及び再帰フィルターのセットを通過する。出力は、ＲＰＦＢ内のフィルターの数に等しい次元ｄを有する情報提供ベクトル１１３の時系列である。この情報提供ベクトルは、機械学習アルゴリズムである予測器に入力として与えられる。予測器の選択は、解く問題に依存する。目標が、機械の残存耐用年数を推定することである場合、これは、多次元入力とともに機能することができる任意の標準回帰推定器とすることができる。障害診断の場合、これは、分類器とすることができる。出力１１７は、予測推論モデルの予測である。

本開示の実施の形態をどのように完成させることができるのかの理解をよりよく提供するために、少なくとも１つの実施の形態は、最初に時系列データのセットにアクセスすることによって開始する（すなわち、図１Ａのステップ１）システムを含む。この時系列データは、機械と通信するセンサーによって生成され、メモリに記憶される。時系列データは、プロセッサと通信する入力インターフェースを介して入手することが可能である。例えば、プロセッサ及びメモリと通信するユーザーインターフェースが、ユーザーによるユーザーインターフェースの表面からの入力を受信すると、時系列データを入手し、当該時系列データがプロセッサによってアクセス可能になるように時系列データをメモリに記憶する。さらに、時系列データは、トレーニング時系列データ及びテスト時系列データを含み、時系列データは、或る期間の間の機械の動作を表し、トレーニング時系列データは、予測推論の結果を用いてラベル付けされた観測値を含む。

図１Ａのステップ２は、トレーニング時間、テスト時間又は双方においてフィルタリングを行う再帰フィルター及び安定フィルターのセットを時系列データに適用して、フィルタリングされた時系列データのセットを取得することを含み、フィルタリングされた時系列データのセット内のデータ点は、対応する観測値と、対応する観測値に先行する時系列データ内の過去の観測値との関数である時系列データ内の観測値に対応するようになっている。本発明者らは、再帰フィルター及び安定フィルターを用いて時系列データをフィルタリングすることによって、フィルタリングされた時系列データ内の各データ点が全ての以前の観測値の関数である時系列データ内の観測値に対応することを認識していることを想起されたい。これは、各データ点が潜在的に全ての過去の観測値についての情報を保持することを意味する。より具体的には、本発明者らは、本発明者らの認識に基づくと、機械学習方法を用いて様々な予測器、すなわち予測推論を設計することができるようにするために、機械の実際の状態についてのより多くの情報を取得することができる。

トレーニングは、以前の時間において取得された時系列データの収集を含む。この時系列データは、予測推論機械の設計者が取得して、メモリデバイス１０６に記憶することもできるし、機械が動作している間に徐々に収集することもできる。トレーニング時系列データの全体又は一部は、最初にＲＰＦＢを通過する。このＲＰＦＢの出力は、情報提供ベクトルの時系列である。この情報提供ベクトルは、機械学習アルゴリズムの入力を提供する。この機械学習アルゴリズムは、分類器、回帰推定器、若しくは生存時間解析推定器、又は他の任意の標準的な機械学習方法とすることができる。この選択は、解くべき問題によって決まる。この機械学習アルゴリズムは、トレーニング時系列によって生成された情報提供ベクトルを処理し、予測モデルを提供し、この予測モデルは、その後、メモリ１１２に記憶することができる。

テストは、機械１０２のセンサーから取得される時系列を含み、予測推論がこの時系列に適用されることになっている。テスト時系列データは、同じＲＰＦＢを通って進み、情報提供ベクトルを提供する。このベクトルは、その後、機械学習アルゴリズムによって提供された予測モデルに与えられる。この予測モデルは出力を提供し、この出力は、機械の残存耐用年数の推定値若しくは機械が障害を有するか否かの判断、又は他の任意の予測タスクとすることができる。

図１Ａのステップ３は、予測推論の求められたモデルを取得するために、フィルターのセットを用いてトレーニング時系列データをフィルタリングしてフィルタリングされたトレーニング時系列データのセットを生成することに基づいて、トレーニング時系列データを用いて予測推論のモデルを求めることを含む。上述したように、実験を通じて、本発明者らは、複数のランダムフィルターを用いてトレーニングデータをフィルタリングして、フィルタリングされたデータのセットを生成することができることを知得した。同じ観測値に対応する異なるフィルタリングされたデータからのデータ点は、同じラベルを有し、機械学習方法において用いられる情報提供ベクトルを形成することができる。フィルターの数は、情報提供ベクトルのサイズを規定する。

最後に、図１Ａのステップ４は、予測推論の求められたモデルをメモリに記憶することもできるし、プロセッサと通信する出力インターフェースを介して出力して、機械の次の状態、又は障害のタイプ、又は残存耐用年数を予測する別の機械学習方法／モジュールの入力とすることもできることを説明している。

本開示の構成要素の態様
図１Ｂを参照すると、構成要素は、本開示の追加の特徴を提供することができる。例えば、プロセッサ１１４は、コンピューター１１０の一部分、すなわち、コンピューター又はプロセッサであってもよく、コンピューター１１０は、センサー１０４から時系列データを受信し、及び／又は、場合によっては外部メモリデバイス１０６から時系列データを受信する入力インターフェース１０８を備えることができる。外部メモリデバイス１０６は、機械１０２の動作からセンサー１０４によって生成された時系列データを記憶する。一方、システムの特定のニーズ、システムのユーザーの特定のニーズ、システムの特定の動作構成を必要とすることに応じて、センサー１０４が、入力インターフェース１０８、メモリ１１２又はプロセッサ１１４のうちの１つと直接通信することができるように、システムはリアルタイムに基づくことが可能である。さらに、センサー１０４は、各パラメーターが、流体力データ、流体エネルギーデータ、振動データ、温度データ、電圧データ又は電流データのうちの１つ又はそれらの組み合わせを含む機械の動作に関係することができるようなパラメーターを含むデータを生成してもよい。

図１Ｂを更に参照すると、センサー１０４は、機械の電気特性を継続的に測定し、センサーデータのストリームを提供することができ、これらのストリームは、オンサイトで記憶及び／又は処理することもできるし、別の位置に中継することもできる。センサー１０４は、機械の圧力等のパラメーター又は他の測定可能な同様のパラメーターを測定／検知することができる。例えば、センサー１０４は、或る週の間は１日に１回の間隔で及び別の週の間は異なる間隔で機械１０２からのパラメーターをサンプリングすることができる。さらに、メモリ１１２へのトレーニングデータストリームのエントリー時刻、日時を特定するタイミング情報をメモリ１１２に含めることができる。また、トレーニングデータストリーム内の無効なデータを特定する際に用いられるタイミング情報も、メモリ１１２に記憶することができる。例えば、無効なデータは、故障したセンサーの結果である場合がある。

図１Ｂを更に参照すると、個々の機械は、エレベーター、自動車、エアコン、電気モーター、発電機等からなる群からのものとすることができ、さらに、工場全体とすることもできることが意図されている。さらに、時系列データは、データを本開示のシステム１００によって取得して処理することができるように、センサー１０４を介して監視又は記録することができる電気パターンを提供する、人間等の動物の器官から収集されたデータであることが可能である。

図１Ｂを更に参照すると、入力インターフェース／プリプロセッサ１０８は、センサーからデータを受信すると、故障したセンサーを検出するように構成することができ、センサーが故障していると判断された場合、特定の期間中に故障したセンサーに関連付けられた任意のデータは削除されてもよい。入力インターフェース／プリプロセッサ１０８は、時系列データとともに提供される情報、すなわちタイミング情報又は他の情報に基づいて、時系列データストリームのうち、無効なデータ（無効なデータとは、例えば、センサーが正常に機能していない間に生成された時系列データを指す）を含まない部分のみから時系列データを抽出可能とすることができる。入力インターフェース／プリプロセッサ１０８は、センサー１０４による時系列データストリームの生成後に、ユーザーによって事前に指定された期間、１日（又は数日）等にわたって長時間の間、メモリ１１２に記憶されている時系列データを無効とみなし、時系列データストリームのうち、そのようなデータを含む部分を除外してもよい。インターフェース／プリプロセッサ１０８は、時系列データの抽出を実行してもよく、時系列データは、時系列データのセグメントを含み、隣接した時系列データセグメント間の重複は、当該隣接した時系列データセグメント間のデータの不要な冗長を削減するのに十分であるようになっている。隣接した時系列データ間の重複は、最大で約１０％、約３０％、約４０％、約５０％、約６０％、約７０％若しくは約８０％、又は１５％、２５％、３５％等の１０％と８０％との間の或る増分に設定又は制限することができることに留意されたい。

本開示のステップの一実施の形態
図１Ｄは、本開示の一実施の形態による、機械の動作に関する予測推論のモデルを求める図１Ａのシステムステップを示すブロック図である。

図１Ｄのステップ１４５及びステップ１５０を参照すると、ステップ１４５は、メモリ１１２にアクセスして時系列データのセットを入手することを含む。ステップ１５０は、時系列データがトレーニング時系列データ及びテスト時系列データを有することを規定し、時系列データは、或る期間の間の機械の動作を表し、トレーニング時系列データは、予測推論の結果を用いてラベル付けされた観測値を含む。

図１Ｄのステップ１５５は、トレーニング時間、テスト時間又は双方においてフィルタリングを行う再帰フィルター及び安定フィルターのセットを時系列データに適用して、フィルタリングされた時系列データのセットを取得することを含み、フィルタリングされた時系列データのセット内のデータ点は、対応する観測値と、対応する観測値に先行する時系列データ内の過去の観測値との関数である時系列データ内の観測値に対応するようになっている。

図１Ｄのステップ１６０は、予測推論の求められたモデルを取得するために、フィルターのセットを用いてトレーニング時系列データをフィルタリングしてフィルタリングされたトレーニング時系列データのセットを生成することに基づいて、トレーニング時系列データを用いて予測推論のモデルを求めることを含む。

最後に、図１Ｄのステップ１６５は、機械の動作に関する予測推論の求められたモデルをメモリに記憶すること、又は求められたモデルを、プロセッサと通信する出力インターフェースを介して出力することを含む。

図２は、本開示の一実施の形態によるサンプル入力時系列データを示すグラフである。この時系列データは、トレーニング時系列データ又はテスト時系列データのいずれかとすることができ、アルゴリズムの幾つかのステップを示すことのみに役立つ。入力時系列は、Ｘ_１，Ｘ_２，Ｘ_３，…と記述することができ、各Ｘ_ｔは、実数値の値又は実数値のベクトルである。

図３は、本開示の実施の形態による、ＲＰＦＢを通って進む入力時系列３０１を示すグラフである。入力時系列Ｘ_１，Ｘ_２，Ｘ_３，…は、ＲＰＦＢ３０２を通って進み、多数の時系列を出力３０３として生成する。生成される出力時系列の数は、ＲＰＦＢ内のフィルターの数ｄと同じである。ＲＰＦＢ３０２は、図１Ｃにおける１１５と同じである。入力時系列３０１は、図１Ｃにおけるトレーニング時系列１１９Ａ、１１９Ｂ、１１９Ｃ又はテスト時系列１１１のいずれかとすることができる。

図４は、本開示の実施の形態による、ＲＰＦＢの内部動作を示すグラフである。ｄ個のランダム射影フィルターがＲＰＦＢの内部に存在する。各フィルターは、その入力として時系列を取得し、その出力として時系列を生成するランダムに生成された再帰フィルター及び安定フィルターである。ｄ個の全てのフィルターの出力を組み合わせることによって、ＲＰＦＢの情報提供ベクトル出力が生成される。入力４０１は３０１と同じであり、出力４０３は３０３と同じである。ＲＰＦＢ内部のランダム射影フィルターのインパルス応答は、４０４に示されている。様々な異なる挙動を有する可能性があり、それらの挙動のうちの幾つかは、多少の振動及び異なる減衰時間を有する。これらの挙動はランダムに生成される。数学的に定義するために、Ｚ変換の数式記法を用いることができる。ｚ^−１を、ｚ^−１Ｘ_ｔ＝Ｘ_ｔ−１となるような時間遅延演算子とする。この定義を用いると、以下の有理多項式は、Ｚ’に極を有する自己回帰フィルターを定義する。

これは再帰フィルターである。複素数値とすることができるＺ’が、１よりも小さな大きさを有する場合、これは安定フィルターを定義する。ｄ個のランダムなＺ_ｉ’（ｉ＝１，…，ｄ）が生成される場合、以下のフィルターのベクトルはＲＰＦＢを定義する。

このフィルターのセットは、メモリに記憶されることになり、トレーニング時系列及びテスト時系列の双方を処理することに用いられる。

図５は、本開示の実施の形態による、入力時系列を与えられたＲＰＦＢのサンプル出力を示すグラフである。サンプル入力時系列５０１は、ＲＰＦＢ５０２を通って進み、多数の出力時系列５０３Ａ、５０３Ｂ、５０３Ｃ、５０３Ｄを生成する。出力時系列の各時間ステップに対応するベクトルは、予測器１１６に与えられる情報提供ベクトルを規定する。入力時系列がトレーニング時系列１１９Ａ、１１９Ｂ、１１９Ｃであるのか又はテスト時系列１１１であるのかに応じて、５０３Ａ、５０３Ｂ、５０３Ｃ、５０３Ｄに基づいて規定される情報提供ベクトルは、それぞれ１１３又は１１４に対応する。

図６は、本開示の実施の形態による予測推論の一例を示すグラフである。ここで、ランダム射影フィルターの数はｄ＝１であり、予測推論タスクは、次の時間ステップＸ_ｔ＋１を時系列Ｘ_１，…，Ｘ_ｔのみに基づいて予測することである。真の時系列及び予測された時系列は６０１に示されている。それらの間の誤差は６０２に示されている。

図７は、本開示の実施の形態による予測推論の一例を示すグラフである。ここで、ランダム射影フィルターの数はｄ＝２である。真の時系列及び予測された時系列は７０１に示されている。それらの間の誤差は７０２に示されている。７０２における誤差は、６０２と比較して小さい。

図８は、本開示の実施の形態による予測推論の一例を示すグラフである。ここで、ランダム射影フィルターの数はｄ＝５である。真の時系列及び予測された時系列は８０１に示されている。それらの間の誤差は８０２に示されている。８０２における誤差は、７０２及び６０２と比較して小さい。

図９は、本開示の実施の形態による、共役根の対及び単根を有する未知の自己回帰移動平均フィルターの極９０１の位置の一例を示すグラフである。このフィルターは、未知であり得るので、極の位置は、本発明者らに利用可能でない。

図１０は、本開示の実施の形態による、共役根の対及び単根を有する未知の自己回帰移動平均フィルターの極１００１と、ランダム射影フィルターに対応する３つの極１００２との位置の一例を示すグラフである。ランダム射影フィルターに対応する極が、未知のフィルターの極に十分近い場合、それらのフィルターの挙動は同じである。

図１１は、図１０と類似しており、相違は、より多くのランダム射影フィルター１１０２が存在するということであり、極は、単位円の周辺にランダムに分散している。この図は、より多くのランダムな極が周辺に分散されているので、真ではあるが未知の極１１０１をより良好に近似することができることを示している。

図１２、図１３及び図１４は、図１０及び図１１と同じ概念を示すグラフである。

図１５Ａは、本開示の一実施の形態による、第２の機械からの第２の時系列データを組み込んで予測推論の第２のモデルを求め、次に、記憶されている予測推論の事前に求められたモデルを用いて、この第２の機械の予測推論の求められた第２のモデルを比較し、第２の機械の故障を予測する別の実施の形態のステップを示すブロック図である。さらに、第２の機械は、元の機械と同様のものとすることができ、第２の機械の各センサーは、元の機械のセンサーのそれぞれのセンサーと同じパラメーターを測定する。またさらに、第２の機械の第２の時系列データは、元の機械の時系列データと同じ期間を有することもできるし、第２の機械の第２の時系列データは、元の機械の時系列データの規則的なサンプリングレートと同じサンプリングレートを有することもできる。

図１５Ｂは、本開示の一実施の形態による、図１５Ａのシステムの構成要素を示すブロック図である。第２の機械１５０２は、任意選択でメモリ１０６に接続されるか又はプリプロセッサ１０８に直接接続されるセンサー１５０４を備えることができ、プリプロセッサは、メモリ１１２に接続されてもよい。プリプロセッサは、データを処理のためにプロセッサ１１４に送信し、処理されたデータは、メモリ１１２に記憶することもできるし、出力インターフェース１１６を介して出力することもできる。

図１５Ａ及び図１５Ｂを参照すると、ステップ１５７５において、方法１５００は、プリプロセッサ１０８によって、第２の機械１５０２のセンサー１５０４から第２の時系列データストリームを受信することを含む。任意選択で（図１７参照）、コンピューター及びコンピューター可読メモリと通信するユーザーインターフェースは、ユーザーによる当該ユーザーインターフェースの表面からの入力を受信すると、第２の時系列データストリームを入手することができ、コンピューター可読メモリに記憶する。

ステップ１５８５は、第２の機械の予測推論の求められた第２のモデルに基づいて、この第２のモデルが、メモリに記憶されている予測推論の求められたモデルに対応するか否かを判断して、第２の機械の故障を予測することを含む。

具体的には、ステップ１５８５は、第２の機械１５０２の予測推論の求められた第２のモデルが、メモリに記憶されている予測推論の求められたモデルと比較されたときに、第２の機械の故障を予測することができるか否かを判断することを含む。第２の時系列データは、メモリに記憶されている予測パターンの求められたモデルを生成するのに用いられる記憶された時系列データと同じサンプリングレートでサンプリングされることに留意されたい。

図１６Ａは、本開示の一実施の形態による、第３の機械からの異なるタイプのセンサーからの第１の時系列データ及び第２の時系列データを組み込み、次に、記憶されている予測推論の事前に求められたモデルを用いて、それらを、第３の機械の予測推論の求められた２つのモデルと比較し、第３の機械の故障を予測する別の実施の形態のステップを示すブロック図である。

図１６Ｂは、本開示の一実施の形態による、図１６Ａのシステムの構成要素を示すブロック図である。第３の機械１６０２は、任意選択でメモリ１６０６に接続されるか又はプリプロセッサ１０８に直接接続されるセンサー１６０４を備えることができ、プリプロセッサは、メモリ１１２に接続されてもよい。プリプロセッサ１０８は、データを処理のためにプロセッサ１１４に送信し、処理されたデータは、メモリ１１２に記憶することもできるし、出力インターフェース１１６を介して出力することもできる。

図１６Ａ及び図１６Ｂを参照すると、図１６Ａのステップ１６５０において、方法１６００は、プリプロセッサ１０８によって、第３の機械１６０２からの異なるタイプのセンサー１６０４から第１の時系列データ及び第２の時系列データを受信することを含む。

図１６Ａのステップ１６５５は、第３の機械の第１の時系列データに基づいて第３の機械１６０２の予測推論の第１のモデルを求めるとともに、第３の機械の第２の時系列データに基づいて第３の機械１６０２の予測推論の第２のモデルを求め、メモリ１１２に記憶することを含む。

ステップ１６６０は、第３の機械からの２つのセンサーの第１の時系列データ及び第２の時系列データから予測推論の求められた２つのモデルのうちの一方を取得し、それらをメモリに記憶されている予測推論の求められたモデルと比較することによって、第３の機械の故障を予測することを含む。

図１７は、本開示の実施の形態による、代替のコンピューター又はプロセッサを用いて実現することができる図１Ａの方法を示すブロック図である。コンピューター１７１１は、プロセッサ１７４０と、コンピューター可読メモリ１７１２と、記憶装置１７５８と、ディスプレイ１７５２及びキーボード１７５１を備えるユーザーインターフェース１７４９とを含み、それらはバス１７５６を通して接続される。例えば、プロセッサ１７４０及びコンピューター可読メモリ１７１２と通信するユーザーインターフェース１７４９は、ユーザーによるユーザーインターフェース１７４９の面、キーボード面１７５１から入力を受信すると、トレーニングデータ例のセットを取り込み、コンピューター可読メモリ１７１２に記憶する。

コンピューター１７１１は、適用例によって決まる電源１７５４を含むことができ、電源１７５４は任意選択でコンピューター１７１１の外部に位置することができる。バス１７５６を通して、ディスプレイデバイス１７４８に接続するように構成されるユーザー入力インターフェース１７５７をリンクすることができ、ディスプレイデバイス１７４８は、数ある中でも、コンピューターモニター、カメラ、テレビ、プロジェクター又はモバイルデバイスを含むことができる。プリンターインターフェース１７５９も、バス１７５６を通して接続することができ、印刷デバイス１７３２に接続するように構成することができ、印刷デバイス１７３２は、数ある中でも、液体インクジェットプリンター、固体インクプリンター、大規模商用プリンター、熱プリンター、ＵＶプリンター又は染料昇華型プリンターを含むことができる。ネットワークインターフェースコントローラー（ＮＩＣ）１７３４は、バス１７５６を通してネットワーク１７３６に接続するように構成され、数ある中でも、時系列データ又は他のデータを、コンピューター１７１１の外部にあるサードパーティーディスプレイデバイス、サードパーティーイメージングデバイス、及び／又はサードパーティー印刷デバイス上にレンダリングすることができる。

更に図１７を参照すると、数ある中でも、時系列データ又は他のデータを、ネットワーク１７３６の通信チャネルを介して送信することができ、及び／又は、記憶するため及び／又は更に処理するために記憶システム１７５８内に記憶することができる。さらに、時系列データ又は他のデータは、受信機１７４６（又は外部受信機１７３８）からワイヤレスで若しくは有線で受信することができるか、又は送信機１７４７（又は外部送信機１７３９）を介してワイヤレス若しくは有線で送信することができ、受信機１７４６及び送信機１７４７はいずれもバス１７５６を通して接続される。コンピューター１７１１は、入力インターフェース１７０８を介して、外部検知デバイス１７４４及び外部入力／出力デバイス１７４１に接続することができる。例えば、外部検知デバイス１７４４は、機械の時系列データが収集される前に、その最中に、その後にデータを収集するセンサーを含むことができる。例えば、環境条件、すなわち、機械における、又はその付近における温度、機械の場所の建物内の温度、機械の建物外部の屋外の温度、機械自体の映像、機械に近いエリアの映像、機械に近くないエリアの映像、機械の態様に関連する他のデータが、機械を近似するか、又は機械を近似しない。コンピューター１７１１は、他の外部コンピューター１７４２に接続することができる。出力インターフェース１７０９を用いて、プロセッサ１７４０から、処理済みのデータを出力することができる。

また、本明細書において略述された様々な方法又はプロセスは、様々なオペレーティングシステム又はプラットフォームのうちの任意の１つを用いる１つ以上のプロセッサ上で実行可能なソフトウェアとしてコード化することができる。加えて、そのようなソフトウェアは、複数の適したプログラミング言語及び／又はプログラミングツール若しくはスクリプティングツールのうちの任意のものを用いて記述することができ、実行可能機械語コード、又はフレームワーク若しくは仮想機械上で実行される中間コードとしてコンパイルすることもできる。通常、プログラムモジュールの機能は、様々な実施の形態において所望に応じて組み合わせることもできるし、分散させることもできる。

また、本開示の実施の形態は、方法として具現化することができ、この方法の一例が提供されている。この方法の一部として実行される動作は、任意の適した方法で順序付けることができる。したがって、例示したものと異なる順序で動作が実行される実施の形態を構築することができ、この順序は、幾つかの動作が例示の実施の形態では順次的な動作として示されていても、それらの動作を同時に実行することを含むことができる。さらに、請求項の要素を修飾する、特許請求の範囲における「第１」、「第２」等の序数の使用は、それ自体で、１つの請求項の要素の別の請求項の要素に対する優先順位も、優位性も、順序も暗示するものでもなければ、方法の動作が実行される時間的な順序も暗示するものでもなく、請求項の要素を区別するために、単に、或る特定の名称を有する１つの請求項の要素を、同じ（序数の用語の使用を除く）名称を有する別の要素と区別するラベルとして用いられているにすぎない。

本開示は、幾つかの特定の好ましい実施の形態に関して説明されてきたが、本開示の趣旨及び範囲内において様々な他の適応及び変更を行うことができることが理解されるべきである。したがって、添付の特許請求の範囲の態様は、本開示の真の趣旨及び範囲に含まれる全ての変形及び変更を包含するものである。

Claims (20)

1. 機械の動作に関する予測推論のモデルを求めるシステムであって、
   前記機械と通信するセンサーと、
   出力インターフェースと、
   非一時的コンピューター記憶媒体と通信するプロセッサと、
   を備え、
   前記プロセッサは、
   前記非一時的コンピューター記憶媒体に記憶されている、前記機械と通信する前記センサーによって生成された時系列データにアクセスするか、又は前記プロセッサと通信する入力インターフェースを介して前記時系列データを入手することであって、前記時系列データは、トレーニング時系列データ及びテスト時系列データを含むようになっており、前記時系列データは、或る期間の間の前記機械の前記動作を表し、前記トレーニング時系列データは、前記予測推論の結果を用いてラベル付けされた観測値を含むことと、
   トレーニング時間、テスト時間又は双方においてフィルタリングを行う再帰フィルター及び安定フィルターのセットを前記時系列データに適用して、フィルタリングされた時系列データのセットを取得することであって、前記フィルタリングされた時系列データのセット内のデータ点は、対応する観測値と、該対応する観測値に先行する前記時系列データ内の過去の観測値との関数である前記時系列データ内の観測値に対応するようになっていることと、
   前記予測推論の求められたモデルを取得するために、フィルターのセットを用いて前記トレーニング時系列データをフィルタリングしてフィルタリングされたトレーニング時系列データのセットを生成することに基づいて、前記トレーニング時系列データを用いて前記予測推論の前記モデルを求めることと、
   前記機械の前記動作に関する前記予測推論の前記求められたモデルを前記非一時的コンピューター記憶媒体に記憶するか、又は前記プロセッサと通信する前記出力インターフェースを介して前記求められたモデルを出力することであって、前記予測推論の前記求められたモデルは、前記機械の健全性の管理を援助することと、
   を行うように構成されている、システム。
2. 前記トレーニングは、
   前記トレーニング時系列データからの、前記機械を観測する前記センサーから取得された異なるフィルタリングされた時系列データからのデータ点を用いて情報提供ベクトルを形成することと、
   前記情報提供ベクトルをその入力として用いる機械学習アルゴリズムを用いて前記モデルをトレーニングすることと、
   を含む、請求項１に記載のシステム。
3. 前記フィルターのセット内の前記各フィルターは、前記プロセッサによって、前記非一時的コンピューター記憶媒体に記憶されている前記フィルターのセット内の他の前記フィルターと並列に処理される、請求項１に記載のシステム。
4. 前記フィルターのセットは、ランダム射影フィルターであり、ランダム射影フィルターバンクを集合的に規定する、請求項１に記載のシステム。
5. 前記ランダム射影フィルターは、入力として前記時系列データを受信し、その後、情報ベクトルの出力を出力する、ランダムに選ばれたパラメーターを有する自己回帰フィルターのセットを含む、請求項４に記載のシステム。
6. 前記時系列データは、前記ランダム射影フィルターバンクにおける前記フィルターのセット内の前記各フィルターによって処理され、前記各フィルターの出力が時系列の形になるように、前記ランダム射影フィルターバンクの前記フィルターのセット内の前記各フィルターから前記出力を生成し、追加の時系列データがその後にアクセスされた場合、前記出力の時系列も変化する、請求項４に記載のシステム。
7. 前記フィルターのセットから選択されるフィルターの数は、前記非一時的コンピューター記憶媒体のハードウェア制約及び前記プロセッサのハードウェア制約に基づくとともに、前記予測推論のモデルの予測の質に基づいているモデル選択手順との組み合わせで選択される、請求項１に記載のシステム。
8. 前記フィルターのセット内のフィルターの数は、前記非一時的コンピューター記憶媒体のハードウェア容量及び前記プロセッサのハードウェア処理制約に基づいて処理することが可能な前記フィルターの最大数と、モデル選択に基づいている前記予測推論の前記モデルの予測の質を最適化するのに必要とされる前記フィルターの正確な数との関数に依存する、請求項１に記載のシステム。
9. 前記プロセッサは、前記再帰フィルターが自己回帰フィルター及び非自己回帰フィルターを含み、前記安定フィルターが非発散フィルターを含むように、ランダムに選択された前記安定フィルター及び前記再帰フィルターのセットを規定する数のセットをランダムに選ぶことによって前記フィルターのセットを決定する、請求項１に記載のシステム。
10. 前記再帰フィルターは、前記非一時的コンピューター記憶媒体に記憶された内部状態を有するソフトウェアモジュールを含み、入力として前記時系列データを受信し、その後、前記ソフトウェアモジュールの前記内部状態と、前記受信された入力とに基づく値を出力し、前記非一時的コンピューター記憶媒体を更新する、請求項１に記載のシステム。
11. 前記安定フィルターは有理多項式を含み、該有理多項式の分母は、根の大きさが１以下であるような、実数又は複素数のいずれかである前記根を有する多項式である、請求項１に記載のシステム。
12. 前記モデルは機械学習モデルである、請求項１に記載のシステム。
13. 前記フィルターのセットはランダム射影フィルターであり、前記機械学習モデルは、前記ランダム射影フィルターの出力によって与えられたベクトルに作用する回帰推定器、分類器、又は密度推定器を含む、請求項１２に記載のシステム。
14. 前記予測推論は、時系列予測、障害予知を目的とした残存耐用年数の推定、障害の認識及び検出、障害診断、又は時系列データの要約から利益を得る他の機械学習タスクのうちの１つからなる群からのものである、請求項１に記載のシステム。
15. 前記フィルターのセットは、ランダム射影フィルターバンクであり、該ランダム射影フィルターバンクは、前記時系列データを処理し、前記時系列データを近似的に要約するベクトルを提供し、前記ランダム射影フィルターバンクの出力は、時系列を記述する前記ベクトルの次元よりも低い次元を有する低次元ダイナミカルシステムを記述する、請求項１に記載のシステム。
16. 前記フィルターのセットは、ランダム射影フィルターバンクであり、該ランダム射影フィルターバンクは、多数の安定ランダム射影フィルターを含み、該各ランダム射影フィルターは、ランダムに選ばれた極及び零点を有する分子多項式及び分母多項式によって記述される安定自己回帰移動平均フィルターであり、前記極は前記分母多項式の根であり、前記零点は前記分子多項式の根である、請求項１に記載のシステム。
17. 前記プロセッサ及び前記非一時的コンピューター記憶媒体と通信するユーザーインターフェースが、ユーザーによる該ユーザーインターフェースの表面からの入力を受信すると、前記時系列データを入手し、該時系列データが前記プロセッサによってアクセス可能であるように前記非一時的コンピューター記憶媒体に記憶する、請求項１に記載のシステム。
18. 機械又は電気的活動を有する生体の健全性を、前記機械又は前記生体の動作に関する予測推論のモデルを求めることによって評価する方法であって、
    コンピューター可読メモリからの、前記機械又は前記生体と通信するセンサーによって生成された記憶されている時系列データにアクセスすることであって、前記時系列データは、トレーニング時系列データ及びテスト時系列データを含むようになっており、前記時系列データは、或る期間の間の前記機械又は前記生体の前記動作を表し、前記トレーニング時系列データは、前記予測推論の結果を用いてラベル付けされた観測値を含むことと、
    トレーニング時間、テスト時間又は双方においてフィルタリングを行う再帰フィルター及び安定フィルターのセットを前記時系列データに適用して、フィルタリングされた時系列データのセットを取得することであって、前記フィルタリングされた時系列データのセット内のデータ点は、対応する観測値と、該対応する観測値に先行する前記時系列データ内の過去の観測値との関数である前記時系列データ内の観測値に対応するようになっており、前記トレーニング時間における前記フィルタリングは、該フィルタリングのための前記トレーニング時系列データを用い、前記テスト時間における前記フィルタリングは、該フィルタリングのための前記テスト時系列データを用いることと、
    前記予測推論の求められたモデルを取得するために、フィルターのセットを用いて前記トレーニング時系列データをフィルタリングしてフィルタリングされたトレーニング時系列データのセットを生成することに基づいて、前記トレーニング時系列データを用いて前記予測推論の前記モデルを求めることと、
    前記機械又は前記生体の前記動作に関する前記予測推論の前記求められたモデルを前記コンピューター可読メモリに記憶するか、又はプロセッサと通信する出力インターフェースを介して前記求められたモデルを出力することであって、前記予測推論の前記求められたモデルは、予備部品、保守リソースの配分の管理を援助し、前記機械の修理を最小限にするとともに前記機械の健全性の管理を援助することと、
    を含む、方法。
19. 方法を実行するコンピューターによって実行可能なプログラムが具現化された非一時的コンピューター可読記憶媒体であって、前記方法は、機械の健全性を、該機械の動作に関する予測推論のモデルを求めることによって評価するものであり、
    該非一時的コンピューター可読記憶媒体からの、前記機械と通信するセンサーによって生成された記憶されている時系列データを用いることであって、前記時系列データは、トレーニング時系列データ及びテスト時系列データを含むようになっており、前記時系列データは、或る期間の間の前記機械の前記動作を表し、前記トレーニング時系列データは、前記予測推論の結果を用いてラベル付けされた観測値を含むことと、
    トレーニング時間、テスト時間又は双方においてフィルタリングを行う再帰フィルター及び安定フィルターのセットを前記時系列データに適用して、フィルタリングされた時系列データのセットを取得することであって、前記フィルタリングされた時系列データのセット内のデータ点は、対応する観測値と、該対応する観測値に先行する前記時系列データ内の過去の観測値との関数である前記時系列データ内の観測値に対応するようになっており、前記トレーニング時間における前記フィルタリングは、該フィルタリングのための前記トレーニング時系列データを用い、前記テスト時間における前記フィルタリングは、該フィルタリングのための前記テスト時系列データを用いることと、
    前記予測推論の求められたモデルを取得するために、フィルターのセットを用いて前記トレーニング時系列データをフィルタリングしてフィルタリングされたトレーニング時系列データのセットを生成することに基づいて、前記トレーニング時系列データを用いて前記予測推論の前記モデルを求めることと、
    前記機械の前記動作に関する前記予測推論の前記求められたモデルを該非一時的コンピューター可読記憶媒体に記憶するか、又はプロセッサと通信する出力インターフェースを介して前記求められたモデルを出力することであって、前記予測推論の前記求められたモデルは、前記機械の健全性、障害のタイプ又は前記機械の残存耐用年数の認識を援助することと、
    を含む、非一時的コンピューター可読記憶媒体。
20. 前記時系列データは、前記プロセッサと通信する入力インターフェースによってアクセスされ、条件が、それぞれの前記予測推論について解くために規定されているか又はユーザー入力によって規定されているとき、前記テスト時系列データは、前記トレーニング時系列データとして用いられる、請求項１９に記載の非一時的コンピューター可読記憶媒体。

Images