JP2018124851A - 支援装置および支援方法 - Google Patents

Abstract

【課題】試作した多くのモデルの中より、対象となるモデル制御に最適なモデルがより容易に選択できるようにする。
【解決手段】第１分類部１０４で、特徴量の類似度をもとに、特徴量を評価項目毎に分類して個別グループとする。次に、第２分類部１０５で個別グループを全て組み合わせることで複数のモデルを表示グループに分類する
【選択図】 図１

Description

本発明は、プロセス制御で利用される数学モデルを表示することでモデルの作成を支援する支援装置および支援方法に関するものである。

伝達関数モデル、状態空間表現モデルなどの数学モデルを用いて制御変数の将来の応答を予測し、予測した応答が参照軌道や目標値に漸近するような操作変数を算出するモデル制御方法がある（特許文献１参照）。このような数学モデルを利用した制御手法を実行するためには、モデルを作成する必要がある。このモデル作成方法にはいくつかあるが、代表的な方法の１つとしてシステム同定と呼ばれる方法がある。システム同定では、モデリング対象の入出力時系列データを統計的に処理し、入出力を再現するようなモデルを、最小２乗法などを用いて構築する。

システム同定によるモデル作成では、一般的には、エンジニアがモデルを試行錯誤で複数作成し、作成した複数のモデルから精度が十分かつ利用目的に妥当なものを選択するといった手順を経ることが多い。このため、モデル作成作業を通して多くのモデルが作成される。このように、試行錯誤によって多くのモデルが作成されるのは、モデル作成の作業には多くの設定条件があるからである。

設定条件の例としては、学習に使用する入出力データの前処理方法（ノイズ除去やトレンド除去）やモデル構造、推定方法などが挙げられる。また、学習に使う入出力データが長い期間にわたって保存されている場合、学習データの期間選択も設定条件の１つである。このようにモデルを作成するための同定条件は、多くの設定条件の組み合わせから構成される。

特開平０５−２６５５１４号公報

Lennart Ljung , "Matlab&Simulink, System Identification Toolbox Getting Started Guide", The MathWorks, Inc. , R2015b, p. 4-15, 2015. 足立 修一、「システム同定の基礎」、東京電機大学出版局、第１判第１刷、１８９頁、２００９年。

しかしながら、多くのモデルの中から妥当なモデルを選択する作業は、煩雑で非効率である。従来、一般には、作成したモデルのステップ応答をグリッド状に並べて表示し、表示されているいずれかのモデルを選択することが行われている（非特許文献１参照）。しかしながら、このように表示しても、以下に示すように、モデルの選択は効率的とはならない。

前述したように同定条件の選択肢は数が多いので、多くの場合、多数のモデルが作成される。これに加え、モデルの対象は変わらないため、作成されたモデルが互いに似ることが多くなる。エンジニアは、互いに似ている多数のモデルの中から評価が最も高いモデルを見つけることになる。しかしながら、似たモデル同士は似た評価になり、評価が最も高いモデルを見つけることは容易ではない。

多くのモデルの中から妥当なモデルを選択する作業が煩雑で非効率であるという問題は、モデル作成の試行錯誤を自動化すると更に顕著となる。モデル作成の試行錯誤は、それ自体が煩雑かつ時間がかかる作業である。これを解決するためには、モデル作成の同定条件を選択する作業を自動化し、多くの同定条件を網羅してモデルを作成する方法が考えられる。しかし、自動化でより多くの試行錯誤が可能になるため、候補となるモデルの数が非常に多くなる。当然ながら、作成された多くのモデルの中には、互いに似たモデルも多く含まれるので、これまで述べた問題がより顕著に現れることになる。

本発明は、以上のような問題点を解消するためになされたものであり、試作した多くのモデルの中より、対象となるモデル制御に最適なモデルがより容易に選択できるようにすることを目的とする。

本発明に係る支援装置は、制御対象の複数のモデルを記憶したモデル記憶部と、複数のモデルを評価するための複数の評価項目を記憶する評価項目記憶部と、モデル記憶部に記憶されている複数のモデルの各々について、評価項目記憶部に記憶されている複数の評価項目の各々に該当する特徴量を算出するように構成された特徴量算出部と、特徴量算出部により算出された特徴量の類似度をもとにモデル記憶部に記憶されている複数のモデルを複数の評価項目毎に複数の第１グループに分類するように構成された第１分類部と、第１分類部で分類した複数の第１グループ同士を組み合わせることで複数のモデルを複数の第２グループに分類するように構成された第２分類部と、第２分類部により分類された複数のモデルを複数の第２グループ毎に表示部に表示させるように構成された表示制御部とを備える。

また、本発明に係る支援装置は、制御対象の複数のモデルを記憶したモデル記憶部と、複数のモデルを評価するための複数の評価項目を記憶する評価項目記憶部と、モデル記憶部に記憶されている複数のモデルの各々について、評価項目記憶部に記憶されている複数の評価項目の各々に該当する特徴量を算出するように構成された特徴量算出部と、評価項目を予め設定した条件で同類項目に分類するように構成された項目分類部と、特徴量算出部により算出された特徴量の類似度をもとにモデル記憶部に記憶されている複数のモデルを同類項目毎に複数の第１グループに分類するように構成された第１分類部と、第１分類部で分類した複数の第１グループ同士を全て組み合わせることで複数のモデルを第２グループに分類するように構成された第２分類部と、第２分類部により分類された複数のモデルを複数の第２グループ毎に表示部に表示させるように構成された表示制御部とを備える。

上記支援装置において、第１分類部は、特徴量をｋ平均近傍法によってクラスタリングすることで分類すればよい。また、第１分類部は、閾値との大小関係により特徴量を分類してもよい。

上記支援装置において、操作指示を受け付ける操作受付部を更に備え、表示制御部は、複数の第２グループを識別する識別情報を表示部に表示し、表示部に表示されている識別情報のうち操作受付部を介して選択された識別情報によって識別される第２グループに分類されたモデルを表示部に表示するようにしてもよい。

上記支援装置において、表示制御部は、識別情報を、特徴量算出部が算出した複数の特徴量のうち任意の２つの特徴量によって表される２次元平面上の領域として表示部に表示してもよい。

上記支援装置において、複数の第２グループに分類されたモデルを代表する代表画像を作成するように構成された代表画面作成部を備え、表示制御部は、代表画面作成部が作成した代表画面を第２グループを識別する識別情報として表示部に表示してもよい。

上記支援装置において、代表画面作成部は、複数の第２グループに分類された各モデルのステップ応答を各々計算して各時刻の平均値からなる波形を代表画像として作成すればよい。

本発明に係る支援方法は、制御対象の複数のモデルをモデル記憶部に記憶するモデル記憶ステップと、モデル記憶部に記憶されている複数のモデルの各々について、評価項目記憶部に記憶されている複数の評価項目の各々に該当する特徴量を算出する特徴量算出ステップと、特徴量算出ステップにより算出された特徴量の類似度をもとにモデル記憶部に記憶されている複数のモデルを複数の評価項目毎に複数の第１グループに分類する第１分類ステップと、第１分類ステップで分類した複数の第１グループ同士を組み合わせることで複数のモデルを複数の第２グループに分類する第２分類ステップと、第２分類ステップで分類された複数のモデルを複数の第２グループ毎に表示部に表示させる表示制御ステップとを備える。

また、本発明に係る支援方法は、制御対象の複数のモデルをモデル記憶部に記憶するモデル記憶ステップと、モデル記憶部に記憶されている複数のモデルの各々について、評価項目記憶部に記憶されている複数の評価項目の各々に該当する特徴量を算出する特徴量算出ステップと、評価項目を予め設定した条件で同類項目に分類する項目分類ステップと、特徴量算出ステップにより算出された特徴量の類似度をもとにモデル記憶部に記憶されている複数のモデルを同類項目毎に複数の第１グループに分類する第１分類ステップと、第１分類ステップで作成した複数の第１グループ同士を全て組み合わせることで複数のモデルを複数の第２グループに分類する第２分類ステップと、第２分類ステップで分類された複数のモデルを複数の第２グループ毎に表示部に表示させる表示制御ステップとを備える。

上記支援方法において、第１分類ステップでは、特徴量をｋ平均近傍法によってクラスタリングすることで分類すればよい。また 第１分類ステップでは、閾値との大小関係により特徴量を分類してもよい。

上記支援方法において、操作指示を受け付ける操作受付ステップを更に備え、表示制御ステップでは、複数の第２グループを識別する識別情報を表示部に表示し、表示部に表示されている識別情報のうち操作受付ステップで選択された識別情報によって識別される第２グループに分類されたモデルを表示部に表示する。

上記支援方法において、表示制御ステップでは、識別情報を、特徴量算出ステップで算出した複数の特徴量のうち任意の２つの特徴量によって表される２次元平面上の領域として表示部に表示すればよい。

上記複数の第２グループに分類されたモデルを代表する代表画像を作成する代表画面作成ステップを備え、表示制御ステップでは、代表画面作成ステップで作成した代表画面を第２グループを識別する識別情報として表示部に表示してもよい。

上記支援方法において、代表画面作成ステップでは、複数の第２グループに分類された各モデルのステップ応答を各々計算して各時刻の平均値からなる波形を代表画像として作成すればよい。

以上説明したことにより、本発明によれば、試作した多くのモデルの中より、対象となるモデル制御に最適なモデルがより容易に選択できるという優れた効果が得られる。

図１は、本発明の実施の形態１における支援装置の構成を示す構成図である。 図２は、エンジニアが似たモデルを選別する判断材料になっているであろう数値である特徴量のうち、ステップ応答に関連する特徴量を示す特性図である。 図３は、本発明の実施の形態１におけるモデル分類を説明するためのモデルの例を示す説明図である。 図４は、本発明の実施の形態１における支援方法を説明するためのフローチャートである。 図５は、第２分類部１０５により分類された表示モデルを分類されたグループ毎に表示部１０７に表示した例を示す説明図である。 図６は、直流ゲインのヒストグラムである。 図７は、ＲＭＳＥの昇順にモデルを整列して表示した状態を説明するための説明図である。 図８は、第２分類部１０５により分類された表示モデルを分類されたグループ毎に表示部１０７に表示した例を示す説明図である。 図９は、第２分類部１０５により分類された表示モデルを分類されたグループ毎に表示部１０７に表示した例を示す説明図である。 図１０は、第２分類部１０５により分類された表示モデルを分類されたグループ毎に表示部１０７に表示した例を示す説明図である。 図１１は、第２分類部１０５により分類された表示モデルを分類されたグループ毎に表示部１０７に表示した例を示す説明図である。 図１２は、本発明の実施の形態２における支援装置の構成を示す構成図である。 図１３は、本発明の実施の形態２における支援方法を説明するためのフローチャートである。 図１４は、本発明の実施の形態２におけるモデル分類を説明するためのモデルの例を示す説明図である。 図１５は、同類項目２ついて分類された個別グループＲ１，Ｒ２について、各々に属するモデルのステップ応答例を示す説明図である。 図１６は、同類項目３について分類された個別グループＯ１，Ｏ２について、各々に属するモデルのステップ応答例を示す説明図である。 図１７は、個別グループＲ１，Ｒ２と個別グループＯ１，Ｏ２との総組み合わせを取った状態を示す説明図である。 図１８は、精度劣化する同類項目（ａ）と精度劣化しない同類項目（ｂ）の例を示した説明図である。 図１９は、本発明の実施の形態における支援装置のハードウエア構成を示す構成図である。

以下、本発明の実施の形態について図を参照して説明する。

［実施の形態１］
はじめに、本発明の実施の形態１について図１を用いて説明する。図１は、本発明の実施の形態１における支援装置の構成を示す構成図である。この支援装置は、モデル記憶部１０１、評価項目記憶部１０２、特徴量算出部１０３、第１分類部１０４、第２分類部１０５、表示制御部１０６、表示部１０７、操作受付部１０８を備える。

モデル記憶部１０１は、制御対象の複数のモデルを記憶している。評価項目記憶部１０２は、モデルを評価するための複数の評価項目を記憶している。特徴量算出部１０３は、モデル記憶部１０１に記憶されている複数のモデルの各々について、評価項目記憶部１０２に記憶されている複数の評価項目の各々に該当する特徴量を算出するように構成されている。

特徴量とは、エンジニアが似たモデルを選別する判断材料になっているであろう数値である。特徴量の評価項目は、対象となるモデル制御に最適なモデルの選択に際して適宜に設定すればよい。以下の表１に評価項目の例を示す。表１に示した評価項目のうち、ステップ応答に関連して算出される特徴量を図２に示す。

上述した評価項目に対する特徴量を算出することにより、例えば、以下の表２に示す各評価項目に対する各数値（特徴量）がモデル毎に得られる。

第１分類部１０４は、特徴量算出部１０３により算出された特徴量を、特徴量の類似度をもとに各々の評価項目毎に分類することで、モデル記憶部１０１に記憶されている複数のモデルを複数の個別グループ（第１グループ）に分類する。例えば、第１分類部１０４は、特徴量から構成されるベクトルをｋ平均近傍法でクラスタリングすることで、評価項目毎に複数のモデルを複数の個別グループに分類する。

１例として、直流ゲイン、立ち上がり時間、整定時間、むだ時間、オーバーシュート量、アンダーシュート量の各評価項目について、算出された特徴量から構成されるベクトルをｋ平均近傍法でクラスタリングする。算出された特徴量を、評価項目毎にプロットすると図３に示すようになる。

図３に示すように、複数のモデルは、直流ゲインについては分類されない。複数のモデルは、立ち上がり時間については、３つの個別グループに分類される。複数のモデルは、整定時間については、３つの個別グループに分類される。複数のモデルは、むだ時間については、分類されない。複数のモデルは、オーバーシュート量については、２つの個別グループに分類される。複数のモデルは、アンダーシュート量については、分類されない。

第２分類部１０５は、第１分類部１０４で分類した個別グループ同士を組み合わせることで複数のモデルを表示グループ（第２グループ）に分類する。第２分類部１０５は、例えば、個別グループ同士を全て組み合わせることで複数のモデルを表示グループに分類する。

前述した例では、立ち上がり時間については、３つの個別グループＲ１，Ｒ２，Ｒ３に分類される。整定時間については、３つの個別グループＳ１，Ｓ２，Ｓ３に分類される。オーバーシュート量については、２つの個別グループＯ１，Ｏ２に分類される。第２分類部１０５は、これら個別グループの全てを組み合わせる。

全ての組み合わせは、｛Ｒ１，Ｓ１，Ｏ１｝、｛Ｒ１，Ｓ１，Ｏ２｝、｛Ｒ１，Ｓ２，Ｏ１｝、｛Ｒ１，Ｓ２，Ｏ２｝、｛Ｒ１，Ｓ３，Ｏ１｝、｛Ｒ１，Ｓ３，Ｏ２｝、｛Ｒ２，Ｓ１，Ｏ１｝、｛Ｒ２，Ｓ１，Ｏ２｝、｛Ｒ２，Ｓ２，Ｏ１｝、｛Ｒ２，Ｓ２，Ｏ２｝、｛Ｒ２，Ｓ３，Ｏ１｝、｛Ｒ２，Ｓ３，Ｏ２｝、｛Ｒ３，Ｓ１，Ｏ１｝、｛Ｒ３，Ｓ１，Ｏ２｝、｛Ｒ３，Ｓ２，Ｏ１｝、｛Ｒ３，Ｓ２，Ｏ２｝、｛Ｒ３，Ｓ３，Ｏ１｝、｛Ｒ３，Ｓ３，Ｏ２｝の１８の表示グループとなる。

表示制御部１０６は、第２分類部１０５により分類された複数のモデルを複数の表示グループ毎に表示部１０７に表示させる。表示制御部１０６は、モデルのステップ応答を、分類された表示グループ毎に表示部１０７に表示させる。ステップ応答は、プロセス制御では良く用いられている。なお、モデルのインパルス応答、モデルのボーデ線図などを表示してもよい。また、複数のモデル表示形態の種類からどれか１つを選択して表示するようにしても良い。なお、操作受付部１０８は、操作指示を受け付けるように構成されている。

次に、実施の形態１における支援装置の動作例（支援方法）について、図４のフローチャートを用いて説明する。

まず、ステップＳ１０１で、対象となるモデル制御に用いるためにエンジニアが試行錯誤で試作した複数のモデルを、モデル記憶部１０１に記憶する。次に、ステップＳ１０２で、特徴量算出部１０３が、モデル記憶部１０１に記憶されている複数のモデルの各々について、評価項目記憶部１０２に記憶されている複数の評価項目の各々に該当する複数の特徴量を算出する。例えば、上記表２に示すように、各評価項目に対し、特徴量算出部１０３が、モデル毎に特徴量を算出する。

上述した特徴量の算出が、モデル記憶部１０１に記憶されている全てのモデルについて実施されると（ステップＳ１０３のｙ）、ステップＳ１０４で、第１分類部１０４が、特徴量算出部１０３により算出された特徴量を、特徴量の類似度をもとに各々の評価項目毎に分類することで、モデル記憶部１０１に記憶されている複数のモデルを複数の個別グループに分類する。

次に、ステップＳ１０５で、第２分類部１０５が、第１分類部１０４で分類した個別グループ同士を全て組み合わせることで複数のモデルを表示グループに分類する。次に、ステップＳ１０６で、表示制御部１０６が、第２分類部１０５により分類された表示モデルを分類されたグループ毎に表示部１０７に表示させる。

例えば、図５に示すように、属する表示グループ毎にモデルをまとめて表示し、また、各表示グループが区別できるように、表示グループの表示領域における背景の色や模様などを各々異なる状態とし、表示グループ間の境界を明確に視認できるようにする。図５では、３つの表示グループが表示されている状態を示している。

このように表示することで、例えばある表示グループの最初のモデルが、エンジニアが持つ先見情報と大きく異なる場合に、表示グループ毎にスキップして次の表示グループに進むことができ、モデルを評価して選択する作業の効率が改善され、モデル選択に対して大きな支援となる。なお、表示グループを区別するための表示方法は、背景の色やパターンを変更する、グラフの線や文字の色を変更するなど、様々な手法が利用可能である。

ところで、上述では、特徴量から構成されるベクトルをｋ平均近傍法でクラスタリングすることで、個別グループの分類を行っていたが、これに限るものではない。例えば、第１分類部１０４は、閾値との大小関係により特徴量を分類して個別グループを作成してもよい。

例えば、特徴量１つを複数の閾値と比較し、その大小関係により個別グループに分ける。例えば閾値が小さい方から１，２，３とあった場合に、以下のように４つの個別グループに分ける。

・特徴量が閾値１以下の場合は個別グループＡ１。
・特徴量が閾値１より大きく閾値２以下の場合は個別グループＡ２。
・特徴量が閾値２より大きく閾値３以下の場合は個別グループＡ３。
・特徴量が閾値３より大きい場合は個別グループＡ４。

この分類では、閾値の決め方が重要となる。閾値決定の一方法としては、１つの特徴量のヒストグラムを作成し、度数の極小値を閾値とする方法がある。極小値は複数でもよいので、閾値も複数になる。複数の閾値と特徴量の大小関係を比較し、モデルを個別グループに分類する。

例えば、直流ゲインのヒストグラムは、図６に示すものとなる。ヒストグラムの極小値は、この例では度数０のビンの中央値で計算でき、０．９４と１．０３ である（図１１の下矢印部分）。直流ゲインを０．９４ 以下、０．９４より大１．０３以下、１．０３より大の３つのグループへモデルを分ける。ヒストグラムの極小値は ＭＡＴＬＡＢ（登録商標）の「Signal Processing Toolbox」の「findpeaks」関数などを使って求めればよい。

この他、正規化された特徴量では、存在範囲がある程度決まっているので、固定された閾値を使うことも可能である。特に正規化したオーバーシュート量や正規化したアンダーシュート量は、ステップ応答の形状に対応しているので、以下のような分け方でも十分な場合がある。

・個別グループＢ１：正規化オーバーシュート量３％未満（誤差や外乱を除けばオーバーシュートが無い）。
・個別グループＢ２：正規化オーバーシュート量が３％以上１０％未満（小さなオーバーシュートがある）・
・個別グループＢ３：正規化オーバーシュート量が１０％以上３０％未満（明確なオーバーシュートがある）。
・個別グループＢ４：正規化オーバーシュート量が３０％以上１００％未満（大きなオーバーシュートがある）。
・個別グループＢ５：正規化オーバーシュート量が１００％以上（オーバーシュートの方が大きい）。

上述した個別グループの作成は、クラスタリングやヒストグラムを利用した方法に比べると粗いグループ分けしかできず、常に十分な性能が得られるわけではないが、用途や対象によっては利用できる場合もある。

ところで、上述した実施の形態１のように表示グループに分類することなく、所定の基準で評価した結果によりモデルを整列させて表示することで、対象となるモデル制御に最適なモデルを選択する方法も考えられる。従来、複数のモデルから１つの評価基準に従ってモデルを選択する技術がある（非特許文献２参照）。

以下、モデルの評価について説明する。モデルの誤差は、例えば対象の出力とモデル出力との間の２乗平均誤差（ＲＭＳＥ：Root Mean Square Error）で評価する。これは、実際に対象で測定された出力と、その時に対象に与えられた入力信号と同じ信号をモデルに入力した時に計算された出力との誤差を評価したものであり、以下の計算式が用いられる。

なお、モデルの誤差に関する評価指標はＲＭＳＥ以外にも、周波数重み付きの２乗平均誤差、ＦＰＥ（Final Prediction Error）、ＡＩＣ（Akaike Information Criterion）などがあるが、この問題は評価指標の種類に関係無く起こりうる。

ここで、モデル作成を試行錯誤した結果、図７に示すような複数のモデル候補が得られて表示されたものとする。図７では、ＲＭＳＥの昇順にモデルが整列されている。一番左の列の一番上がＲＭＳＥが最も小さく、２番目にＲＭＳＥが小さいのはその下のモデルである。以降、ステップ応答に付記した数字がＲＭＳＥの小さい順位である。複数のモデルをＲＭＳＥの昇順に整列すれば、モデルは誤差の小さい順に並ぶ。

しかしエンジニアは、ＲＭＳＥのみではなく、複数の選択基準を総合してモデルを選択することが多い。例えば、対象の立ち上がり時間がいくつくらいであるかという知見があれば、モデルの応答が知見に近いことも選択基準になる。この場合、ＲＭＳＥが少し悪くても（例えば１％大きくても）立ち上がり時間が自分の持っている知見により近いといった理由で、ＲＭＳＥが最も良いモデルとは別のモデルを選択することがある。このため、図７のようにＲＭＳＥ順に並べて表示しても、立ち上がり時間という基準があるので、複数のモデルを１つずつ見るという煩雑な作業が大幅に改善されるわけではない。なお、エンジニアの評価ポイントとなりうる知見としては、対象の応答がなめらかである、対象の直流ゲインの大体の値がわかっている、などが他にも想定される。

上述したモデルの選択支援に対し、実施の形態１によれば、まず、エンジニアが似たモデルを選別する判断材料になっているであろう複数の特徴量を、試作したモデルの各々について求める。次に、求めた特徴量をもとに分類して表示グループとし、表示グループ毎に表示するようにした。この結果、複数の選択基準を総合してモデルを選択することがより容易になり、対象となるモデル制御に最適なモデルがより容易に選択できるようになる。

加えて、実施の形態１では、まず、特徴量を、各々の評価項目について特徴量の類似度をもとに分類することで、複数のモデルを複数の個別グループに分類する。次いで、分類した個別グループを全て組み合わせることで複数のモデルを表示グループに分類する。このように分類したので、誤分類が抑制できるようになる。

誤分類が抑制できることについて以下に説明する。ｋ平均近傍法などのクラスタリング手法は、サンプル間の非類似度を特徴量の距離で定義する。このため、複数の特徴量から距離を計算する際、特徴量のスケール（目盛り）の異なるものがあると、非類似度とエンジニアの感覚の間にずれが生じる。例えば、図３のプロットの縦軸のスケールを比べると、直流ゲインは１程度、時間の単位を持つ特徴量は０〜１２０分、オーバーシュートは０〜６％というように、特徴量のスケールは異なる。

この例において、複数の特徴量から距離（類似度）を計算すると、時間の単位を持つ特徴量の距離への寄与が相対的に大きくなり、エンジニアの感覚とは違ってくる。このため、グループ分けの結果もエンジニアの感覚とは離れてしまう。このように複数の特徴量から非類似度を１つだけ定義すると、スケールの違いが問題となる。各特徴量の標準偏差やレンジ（最大値と最小値の差）で正規化して計算する方法もあるが、それでもエンジニアのスケール感と一致するとは限らず、解決は難しい。

これに対し、特徴量を、評価項目別に分類すれば、特徴量毎に非類似度を定義するので、スケールが異なるものを混ぜることがないので、上述した問題が起きない。このため、誤分類が抑制される。

ところで、図８の（ａ）に示すような選択表示で、複数の表示グループを識別するための表示グループ名（識別情報）を表示部１０７に表示してもよい。このように、表示部１０７の選択表示に表示されている識別情報のうち、操作受付部１０８を介した表示グループ名の選択操作（操作受付ステップ）に応じて、（ｂ）に示すモデル表示で、選択された表示グループ名（によって識別される表示グループに分類されたモデルを表示部１０７に表示するようにしてもよい。

図８に示す例では、識別情報として表示グループ名を用いている。このように表示することで、表示グループ単位で評価ができ、モデルの取捨選択ができる。この結果、１つ１つモデルを見るよりもモデル選択の作業効率が改善され、モデル選択に対して大きな支援となる。また、表示されるモデル数が抑制されるので、モデル数が多い場合により大きな効果が得られる。

また、選択表示において、図８の（ａ）に示した状態に代えて、図９に示すように、表示グループを識別するための識別情報として、特徴量算出部１０３が算出した複数の特徴量のうち任意の２つの特徴量によって表される座標（２次元平面）上にプロットすることで分類された表示グループを区別可能とした矩形（領域）を配置して示すことで、選択対象の表示グループを表示してもよい。図９では、横軸直流ゲイン、縦軸立ち上がり時間の座標軸に、表示グループを区別可能に矩形で表示した場合を例示している。

この選択表示の中で、例えば、操作受付部１０８としてマウスなどの入力装置を用いて所望の表示グループを選択すると、選択された表示グループに属するモデルが別画面（不図示）で表示される。各座標における特徴量は、変更可能とされている。エンジニアは、表示グループ単位でモデルの特徴量を評価し、自分が持つ先見情報と照らし合わせることができる。このため、１つずつモデルを見ていくよりも作業効率が改善する。また、各表示グループの特徴量の位置関係を見ながら表示グループを選択できることも、作業の効率化に効果がある。

この他、表示グループとその表示グループに属するモデルをツリー状に配置して表示する、表形式で１表示グループを１行に対応させて表示するなど、表示グループ毎に表示する様々な方法が利用できる。

また、第２分類部１０５が分類した各表示グループに分類されたモデルの特徴を代表する画像（代表画像）を作成し、表示グループの識別情報として表示してもよい。例えば、表示グループに含まれる各モデルのステップ応答を各々計算し、各時刻の平均値からなる波形を代表画像として作成する。

図１０の（ａ）に示す選択表示で、表示グループ名ともに作成した代表画像を、グループを識別する識別情報として表示部１０７に表示する。このように、表示部１０７の選択表示に表示されている識別情報のうち、操作受付部１０８を介したグループ名の選択操作（操作受付ステップ）に応じ、（ｂ）に示すモデル表示で選択された表示グループに属するモデルを表示部１０７に表示する。

また、選択表示において、図１０の（ａ）に示した状態に代えて、図１１に示すように、代表画像を識別情報として２つの特徴量の座標上へプロットすることで、選択対象のグループを表示してもよい。図１１では、横軸直流ゲイン、縦軸立ち上がり時間の座標軸に、グループの代表画像を表示した場合を例示している。

この選択表示の中で、例えば、操作受付部１０８としてマウスなどの入力装置を用いて所望のグループの代表画像を選択すると、選択されたグループに属するモデルが別画面（不図示）で表示される。各座標における特徴量は、変更可能とされている。

上述したように代表画像を表示することで、各グループに含まれるモデルの特徴がひと目で判別可能となり、モデル選択の作業効率がより向上する。

［実施の形態２］
次に、本発明の実施の形態２について図１２を用いて説明する。図１２は、本発明の実施の形態２における支援装置の構成を示す構成図である。この支援装置は、モデル記憶部１０１、評価項目記憶部１０２、特徴量算出部１０３、項目分類部２０１、第１分類部１０４ａ、第２分類部１０５、表示制御部１０６、表示部１０７、操作受付部１０８を備える。

モデル記憶部１０１は、制御対象の複数のモデルを記憶している。評価項目記憶部１０２は、モデルを評価するための複数の評価項目を記憶している。特徴量算出部１０３は、モデル記憶部１０１に記憶されている複数のモデルの各々について、評価項目記憶部１０２に記憶されている複数の評価項目の各々に該当する特徴量を算出する。

項目分類部２０１は、評価項目を設定した条件で同類項目に分類する。例えば、物理量の単位が同じ特徴量を、同類項目に分類することができる。ただし、後述するように、単に物理量の単位のみで分離すると、特徴量の分布に偏りが生じにくい場合が発生する。例えば、単位に対して正の相関がある特徴量と負の相関がある特徴量とは、同一の同類項目に分類しない方がよい。また、分布に偏りが発生しない場合、同類項目の分類を試行した上で、偏りが生じやすい分類を採用することが考えられる。また、過去の実施結果をもとに、同類項目の分類を行ってもよい。

第１分類部１０４ａは、特徴量算出部１０３により算出された特徴量を、各々の同類項目について特徴量の類似度をもとに分類することで、モデル記憶部１０１に記憶されている複数のモデルを複数の個別グループ（第１グループ）に分類する。例えば、第１分類部１０４ａは、特徴量から構成されるベクトルをｋ平均近傍法でクラスタリングすることで、同類項目毎に複数のモデルを複数の個別グループに分類する。

第２分類部１０５は、第１分類部１０４で分類した個別グループを全て組み合わせることで複数のモデルを表示グループ（第２グループ）に分類する。

表示制御部１０６は、第２分類部１０５により分類された複数のモデルを複数の表示グループ毎に表示部１０７に表示させる。表示制御部１０６は、モデルのステップ応答を、分類された表示グループ毎に表示部１０７に表示させる。ステップ応答は、プロセス制御では良く用いられている。なお、モデルのインパルス応答、モデルのボーデ線図などを表示してもよい。また、複数のモデル表示形態の種類からどれか１つを選択して表示するようにしても良い。操作受付部１０８は、操作指示を受け付けるように構成されている。

モデル記憶部１０１、評価項目記憶部１０２、特徴量算出部１０３、第２分類部１０５、表示制御部１０６、表示部１０７、操作受付部１０８は、前述した実施の形態１と同様である。実施の形態２では、新たに、項目分類部２０１を設けた。また、実施の形態２では、第１分類部１０４ａが、項目分類部２０１が分類した同類項目について特徴量の類似度をもとに分類することで、複数のモデルを複数の個別グループに分類する。第１分類部１０４ａにおける個別グループの分類方法については、実施の形態１の第１分類部１０４と同様である。

次に、実施の形態２における支援装置の動作例（支援方法）について、図１３のフローチャートを用いて説明する。

まず、ステップＳ２０１で、対象となるモデル制御に用いるためにエンジニアが試行錯誤で試作した複数のモデルを、モデル記憶部１０１に記憶する。次に、ステップＳ２０２で、特徴量算出部１０３が、モデル記憶部１０１に記憶されている複数のモデルの各々について、評価項目記憶部１０２に記憶されている複数の評価項目の各々に該当する複数の特徴量を算出する。

上述した特徴量の算出が、モデル記憶部１０１に記憶されている全てのモデルについて実施されると（ステップＳ２０３のｙ）、ステップＳ２０４で、項目分類部２０１が、設定した条件で評価項目を同類項目に分類する。次に、ステップＳ２０５で、第１分類部１０４が、特徴量算出部１０３により算出された特徴量を、各々の同類項目について特徴量の類似度をもとに分類することで、モデル記憶部１０１に記憶されている複数のモデルを複数の個別グループに分類する。

次に、ステップＳ２０６で、第２分類部１０５が、第１分類部１０４で分類した個別グループを全て組み合わせることで複数のモデルを表示グループに分類する。次に、ステップＳ２０７で、表示制御部１０６が、第２分類部１０５により分類された表示モデルを分類されたグループ毎に表示部１０７に表示させる。

実施の形態２では、実施の形態１に比較して、分類の精度を落とすことなく、表示グループ数を抑制するようにした。

項目分類部２０１は、例えば、図１４に示すような複数のモデルに対して、特徴量を算出し、同類項目１：直流ゲイン、同類項目２：立ち上がり時間、整定時間、みなしむだ時間、同類項目３：正規化オーバーシュート量、同類項目４：正規化アンダーシュート量の４つに評価項目を分類する。

このように分類された同類項目について、第１分類部１０４ａが個別グループを作成すると、以下に示すものとなる。個別グループの作成は、前述した実施の形態１と同様であり、実施の形態２では、同類項目を同じ評価項目と見なして分類を実施する。まず、同類項目１では、複数のモデルが分類されない。同類項目２については、複数のモデルが２つの個別グループＲ１，Ｒ２に分類される。同類項目３については、複数のモデルが２つの個別グループＯ１，Ｏ２に分類される。同類項目４については、複数のモデルが分類されない。

同類項目２ついて分類された個別グループＲ１，Ｒ２について、各々に属するモデルのステップ応答例を図１５に示す。また、同類項目３について分類された個別グループＯ１，Ｏ２について、各々に属するモデルのステップ応答例を図１６に示す。

実施の形態２において、第２分類部１０５は、上述した個別グループの全てを組み合わせて表示グループを作成する。個別グループＲ１，Ｒ２と個別グループＯ１，Ｏ２との総組み合わせをとると、図１７に示すものとなる。

総組み合わせによってつくられるグループは｛Ｏ１，Ｒ１｝，｛Ｏ１，Ｒ２｝，｛Ｏ２，Ｒ１｝，｛Ｏ２，Ｒ２｝の４つである。例えば、｛Ｏ１，Ｒ１｝には６つ、｛Ｏ２，Ｒ１｝に９つ、｛Ｏ２，Ｒ２｝に３つのモデルが属する表示グループが作成される。最後に、表示グループ毎にモデルを分けて表示する。

以下にグループ分けの精度を改善しつつ、個別グループの数を削減できる理由を述べる。

複数の特徴量をまとめて分類すると、特徴量に対する個別グループを１つにすることができ、全体の個別グループ数を削減できる。しかし、すでに述べたように、スケールの異なる特徴量をまとめたときに距離の定義がエンジニアのスケール感と離れていると、グループ分けの精度が劣化する。

グループ分けの精度が劣化せず、エンジニアの感覚とグループ分け結果が乖離しにくい条件がある。これは、特徴量が、互いに何らかの相関関係を持ち、特徴量の分布に偏りがある場合である。エンジニアは、分布が均一な特徴量をグループに分ける感覚は持っていない。一方、第１分類部１０４ａは、分布が均一である特徴量に対しても、指定された分割数に従って個別グループに分類する。エンジニアは均一な分布を区別しないが、第１分類部１０４ａは区別するので、両者に差異が生じる。これがグループ分けの精度劣化の原因の１つである。この原因をできる限り回避する１つの条件は、各同類項目には、互いに相関のある特徴量を集めることである。

図１８に、精度劣化する同類項目としない同類項目の例を示した。図１８の（ａ）では、特徴量１と特徴量２は相関がなく、分布が均一であるからエンジニアは区別しにくいが、図示するように区別して分類される場合がある。このグループ分け結果は、エンジニアの感覚と乖離してしまう。図１８の（ｂ）の特徴量３と特徴量４は互いに相関があり、エンジニアが区別できないような均一な分布ではない。このため、図１８の（ｂ）に示す例では、エンジニアの感覚とグループ分けの結果に乖離は生じにくい。

上述したような特徴量の分布に偏りが生じやすい特徴量の組み合わせは、各特徴量の物理量の単位が同じであるものの組み合わせである。例えば、単位が時間である特徴量では、立ち上がり時間が長ければ、同時に整定時間も長い傾向がある場合が多い（正の相関）。また、単位が入出力比である特徴量については、直流ゲインが小さければ、同時にオーバーシュート量が大きい傾向が想定できる（負の相関）。

すでに表２に例示した特徴量を物理量の単位が同じものによって、分類すると、以下の表３に示すものとなる。表３に示すように定義した分類に従って特徴量を同類項目に分けると、精度劣化のおそれを防ぎつつ、個別グループの数が抑制できるようになる。

以上に説明したように、本発明では、まず、第１分類部で、各々の評価項目について特徴量の類似度をもとに、特徴量を分類して個別グループとする。次に、本発明では、第２分類部で個別グループを全て組み合わせることで複数のモデルを表示グループに分類するようにした。この結果、本発明によると、試作した多くのモデルの中より、対象となるモデル制御に最適なモデルがより容易に選択できるようになる。

なお、支援装置は、図１９に示すように、ＣＰＵ（Central Processing Unit；中央演算処理装置）３０１と主記憶装置３０２と外部記憶装置３０３とネットワーク接続装置３０４となどを備えたコンピュータ機器であり、主記憶装置に展開されたプログラムによりＣＰＵが動作することで、上述した各機能が実現される。ネットワーク接続装置３０４は、ネットワーク３０５に接続する。また、各機能は、複数のコンピュータ機器に分散させるようにしてもよい。

なお、本発明は以上に説明した実施の形態に限定されるものではなく、本発明の技術的思想内で、当分野において通常の知識を有する者により、多くの変形および組み合わせが実施可能であることは明白である。

１０１…モデル記憶部、１０２…評価項目記憶部、１０３…特徴量算出部、１０４…第１分類部、１０５…第２分類部、１０６…表示制御部、１０７…表示部。

Claims (16)

1. 制御対象の複数のモデルを記憶したモデル記憶部と、
   前記複数のモデルを評価するための複数の評価項目を記憶する評価項目記憶部と、
   前記モデル記憶部に記憶されている前記複数のモデルの各々について、前記評価項目記憶部に記憶されている前記複数の評価項目の各々に該当する特徴量を算出するように構成された特徴量算出部と、
   前記特徴量算出部により算出された前記特徴量の類似度をもとに前記モデル記憶部に記憶されている前記複数のモデルを前記複数の評価項目毎に複数の第１グループに分類するように構成された第１分類部と、
   前記第１分類部で分類した前記複数の第１グループ同士を組み合わせることで前記複数のモデルを複数の第２グループに分類するように構成された第２分類部と、
   前記第２分類部により分類された前記複数のモデルを前記複数の第２グループ毎に表示部に表示させるように構成された表示制御部と
   を備えることを特徴とする支援装置。
2. 制御対象の複数のモデルを記憶したモデル記憶部と、
   前記複数のモデルを評価するための複数の評価項目を記憶する評価項目記憶部と、
   前記モデル記憶部に記憶されている前記複数のモデルの各々について、前記評価項目記憶部に記憶されている前記複数の評価項目の各々に該当する特徴量を算出するように構成された特徴量算出部と、
   前記評価項目を予め設定した条件で同類項目に分類するように構成された項目分類部と、
   前記特徴量算出部により算出された前記特徴量の類似度をもとに前記モデル記憶部に記憶されている前記複数のモデルを前記同類項目毎に複数の第１グループに分類するように構成された第１分類部と、
   前記第１分類部で分類した前記複数の第１グループ同士を全て組み合わせることで前記複数のモデルを第２グループに分類するように構成された第２分類部と、
   前記第２分類部により分類された前記複数のモデルを前記複数の第２グループ毎に表示部に表示させるように構成された表示制御部と
   を備えることを特徴とする支援装置。
3. 請求項１または２記載の支援装置において、
   前記第１分類部は、前記特徴量をｋ平均近傍法によってクラスタリングすることで分類する
   ことを特徴とする支援装置。
4. 請求項１または２記載の支援装置において、
   前記第１分類部は、閾値との大小関係により前記特徴量を分類する
   ことを特徴とする支援装置。
5. 請求項１〜４のいずれか１項に記載の支援装置において、
   操作指示を受け付ける操作受付部を更に備え、
   前記表示制御部は、前記複数の第２グループを識別する識別情報を前記表示部に表示し、前記表示部に表示されている前記識別情報のうち前記操作受付部を介して選択された識別情報によって識別される第２グループに分類されたモデルを前記表示部に表示する
   ことを特徴とする支援装置。
6. 請求項５記載の支援装置において、
   前記表示制御部は、前記識別情報を、前記特徴量算出部が算出した複数の前記特徴量のうち任意の２つの特徴量によって表される２次元平面上の領域として前記表示部に表示する
   ことを特徴とする支援装置。
7. 請求項５または６記載の支援装置において、
   前記複数の第２グループに分類されたモデルを代表する代表画像を作成するように構成された代表画面作成部を備え、
   前記表示制御部は、前記代表画面作成部が作成した代表画面を前記第２グループを識別する識別情報として前記表示部に表示する
   ことを特徴とする支援装置。
8. 請求項７記載の支援装置において、
   前記代表画面作成部は、複数の前記第２グループに分類された各モデルのステップ応答を各々計算して各時刻の平均値からなる波形を代表画像として作成する
   ことを特徴とする支援装置。
9. 制御対象の複数のモデルをモデル記憶部に記憶するモデル記憶ステップと、
   前記モデル記憶部に記憶されている前記複数のモデルの各々について、評価項目記憶部に記憶されている前記複数の評価項目の各々に該当する特徴量を算出する特徴量算出ステップと、
   前記特徴量算出ステップにより算出された前記特徴量の類似度をもとに前記モデル記憶部に記憶されている前記複数のモデルを前記複数の評価項目毎に複数の第１グループに分類する第１分類ステップと、
   前記第１分類ステップで分類した前記複数の第１グループ同士を組み合わせることで前記複数のモデルを複数の第２グループに分類する第２分類ステップと、
   前記第２分類ステップで分類された前記複数のモデルを前記複数の第２グループ毎に表示部に表示させる表示制御ステップと
   を備えることを特徴とする支援方法。
10. 制御対象の複数のモデルをモデル記憶部に記憶するモデル記憶ステップと、
    前記モデル記憶部に記憶されている前記複数のモデルの各々について、評価項目記憶部に記憶されている前記複数の評価項目の各々に該当する特徴量を算出する特徴量算出ステップと、
    前記評価項目を予め設定した条件で同類項目に分類する項目分類ステップと、
    前記特徴量算出ステップにより算出された前記特徴量の類似度をもとに前記モデル記憶部に記憶されている前記複数のモデルを前記同類項目毎に複数の第１グループに分類する第１分類ステップと、
    前記第１分類ステップで作成した前記複数の第１グループ同士を全て組み合わせることで前記複数のモデルを複数の第２グループに分類する第２分類ステップと、
    前記第２分類ステップで分類された前記複数のモデルを前記複数の第２グループ毎に表示部に表示させる表示制御ステップと
    を備えることを特徴とする支援方法。
11. 請求項９または１０記載の支援方法において、
    前記第１分類ステップでは、前記特徴量をｋ平均近傍法によってクラスタリングすることで分類する
    ことを特徴とする支援方法。
12. 請求項９または１０記載の支援方法において、
    前記第１分類ステップでは、閾値との大小関係により前記特徴量を分類する
    ことを特徴とする支援方法。
13. 請求項９〜１２のいずれか１項に記載の支援方法において、
    操作指示を受け付ける操作受付ステップを更に備え、
    前記表示制御ステップでは、前記複数の第２グループを識別する識別情報を前記表示部に表示し、前記表示部に表示されている前記識別情報のうち前記操作受付ステップで選択された識別情報によって識別される第２グループに分類されたモデルを前記表示部に表示する
    ことを特徴とする支援方法。
14. 請求項１３記載の支援方法において、
    前記表示制御ステップでは、前記識別情報を、前記特徴量算出ステップで算出した複数の前記特徴量のうち任意の２つの特徴量によって表される２次元平面上の領域として前記表示部に表示する
    ことを特徴とする支援方法。
15. 請求項１３または１４記載の支援方法において、
    前記複数の第２グループに分類されたモデルを代表する代表画像を作成する代表画面作成ステップを備え、
    前記表示制御ステップでは、前記代表画面作成ステップで作成した代表画面を前記第２グループを識別する識別情報として前記表示部に表示する
    ことを特徴とする支援方法。
16. 請求項１５記載の支援方法において、
    前記代表画面作成ステップでは、複数の前記第２グループに分類された各モデルのステップ応答を各々計算して各時刻の平均値からなる波形を代表画像として作成する
    ことを特徴とする支援方法。

Images