JP2020004037A - Output variable value calculation system, output variable value calculation device, and output variable value calculation method - Google Patents
Output variable value calculation system, output variable value calculation device, and output variable value calculation method Download PDFInfo
- Publication number
- JP2020004037A JP2020004037A JP2018122166A JP2018122166A JP2020004037A JP 2020004037 A JP2020004037 A JP 2020004037A JP 2018122166 A JP2018122166 A JP 2018122166A JP 2018122166 A JP2018122166 A JP 2018122166A JP 2020004037 A JP2020004037 A JP 2020004037A
- Authority
- JP
- Japan
- Prior art keywords
- output variable
- feature
- variable value
- state
- output
- 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.)
- Granted
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 69
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000005457 optimization Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 11
- 238000013473 artificial intelligence Methods 0.000 abstract description 9
- 210000002569 neuron Anatomy 0.000 description 15
- 230000006870 function Effects 0.000 description 12
- 238000000034 method Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 6
- 230000004043 responsiveness Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
Description
本発明は、人工知能技術を用いて出力変数値を最適に算出するシステム及び方法に関する。 The present invention relates to a system and a method for optimally calculating an output variable value using artificial intelligence technology.
近年、人工知能技術を実システムに適用して活用することが盛んに行われている。例えば、所定の入力条件と、異常の有無や度合いの判定値である出力条件とについて、データセットを用いた機械学習によって最適な相関関係を学習し、学習済みの相関関係に基づき、リアルタイムに取得した入力条件から異常の有無や度合いを推論し、異常を判別することが行われている。 2. Description of the Related Art In recent years, artificial intelligence technology has been actively used by applying it to real systems. For example, for a predetermined input condition and an output condition that is a judgment value of the presence or absence of an abnormality and a degree, a machine learning using a data set is used to learn an optimal correlation, and the correlation is acquired in real time based on the learned correlation. An abnormality is discriminated by inferring the presence or absence and degree of an abnormality from the input condition thus obtained.
例えば、以下の特許文献１においては、産業機械又は周囲環境の状態を検出するセンサの出力データ、産業機械を制御する制御ソフトウェアの内部データ、及び、出力データ又は内部データに基づいて得られる計算データの少なくとも１つを含む状態変数を産業機械の動作中又は静止中に観測する状態観測部と、産業機械の故障の度合いを判定した判定データを取得する判定データ取得部と、状態変数及び前記判定データの組合せに基づいて作成される訓練データセットに従って、産業機械の故障に関連付けられる条件を学習する学習部とを備える、産業機械の故障に関連付けられる条件を学習する機械学習装置が開示されている。 For example, in Patent Literature 1 below, output data of a sensor for detecting a state of an industrial machine or an ambient environment, internal data of control software for controlling the industrial machine, and calculation data obtained based on the output data or the internal data A state observation unit that observes a state variable including at least one of the following while the industrial machine is operating or stationary, a determination data acquisition unit that obtains determination data for determining a degree of failure of the industrial machine, a state variable and the determination A learning unit that learns a condition associated with a failure of an industrial machine in accordance with a training data set created based on a combination of data. .
この機械学習装置は、ニューラルネットワークを用いて、状態観測部によって観測される状態変数と、判定データ取得部によって取得される判定データとの組合せに基づいて作成される訓練データセットに従って、いわゆる教師あり学習によって、状態変数と故障発生との関係性、すなわち故障条件を学習する機能を備える。 This machine learning apparatus uses a neural network and has a so-called supervised teacher according to a training data set created based on a combination of a state variable observed by a state observation unit and judgment data acquired by a judgment data acquisition unit. A function is provided for learning the relationship between the state variable and the occurrence of a failure, that is, a failure condition by learning.
しかしながら、特許文献１に開示された発明は、あくまでも産業機械の故障に関連付けられる条件を学習することを目的としており、人工知能技術の一つである機械学習を特定の分野の特定の用途に限って適用した、いわゆる「弱いＡＩ」について開示するものである。 However, the invention disclosed in Patent Literature 1 aims at learning conditions associated with industrial machine failures, and limits machine learning, which is one of artificial intelligence technologies, to specific applications in specific fields. This application discloses a so-called "weak AI".
人工知能技術における研究者や開発者は、より汎用的に人工知能技術を適用することができる、いわゆる「強いＡＩ」の実現に向けて研究開発を続けているものの、その実現には至っていない。また、「強いＡＩ」の実現には至らないまでも、「強いＡＩ」の実現に近づけるべく、利用者の状態に応じて人工知能技術をより汎用的に活用することも、大きな課題となっている。 Researchers and developers in the artificial intelligence technology have continued their research and development toward realization of a so-called “strong AI” that can apply the artificial intelligence technology more generally, but have not yet realized it. In addition, even if it does not lead to the realization of "strong AI", it is also a big issue to use artificial intelligence technology more versatilely according to the state of the user in order to approach the realization of "strong AI". I have.
このような課題を解決するために、本発明の第一態様によれば、複数の状態変数を観測してそれぞれの状態量を求める状態観測部と、当該状態観測部によって観測された前記状態量のうち、所定の条件を満たす特徴状態量を検出する特徴状態量検出部と、前記特徴状態量に関する情報と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する対応関係記憶部と、当該対応関係記憶部を参照し、前記特徴状態量検出部によって検出された特徴状態量に対応する前記相関関係である特徴相関関係を抽出する特徴相関関係抽出部と、前記特徴相関関係抽出部により抽出された特徴相関関係の入力変数の現在値を取得する入力変数値取得部と、 前記特徴相関関係抽出部により抽出された特徴相関関係及び前記入力変数値取得部により取得された前記入力変数の現在値に基づき、前記入力変数の現在値から、前記出力変数の出力変数値を算出する出力変数値算出部と、を備えることを特徴とする、出力変数値算出システムが提供される。 In order to solve such a problem, according to the first aspect of the present invention, a state observation unit for observing a plurality of state variables to obtain each state quantity, and the state quantity observed by the state observation unit A feature state quantity detector that detects a feature state quantity that satisfies a predetermined condition; information on the feature state quantity; and a correspondence relationship with one of a plurality of input variables and a correlation of output variables. A correspondence relationship storage unit, and a feature correlation extraction unit that refers to the correspondence storage unit and extracts a feature correlation that is the correlation corresponding to the feature state amount detected by the feature state amount detection unit. An input variable value acquisition unit that acquires a current value of an input variable of the feature correlation extracted by the feature correlation extraction unit; a feature correlation extracted by the feature correlation extraction unit; An output variable value calculation unit that calculates an output variable value of the output variable from a current value of the input variable based on a current value of the input variable acquired by a value acquisition unit. A variable value calculation system is provided.
また、本発明の第二態様によれば、複数の状態変数を観測してそれぞれの状態量を求める状態観測部と、当該状態観測部によって観測された前記状態量のうち、所定の条件を満たす特徴状態量を検出する特徴状態量検出部と、前記特徴状態量に関する情報と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する対応関係記憶部と、当該対応関係記憶部を参照し、前記特徴状態量検出部によって検出された特徴状態量に対応する前記相関関係である特徴相関関係を抽出する特徴相関関係抽出部と、前記特徴相関関係抽出部により抽出された特徴相関関係の入力変数の現在値を取得する入力変数値取得部と、前記特徴相関関係抽出部により抽出された特徴相関関係及び前記入力変数値取得部により取得された前記入力変数の現在値に基づき、前記入力変数の現在値から、前記出力変数の出力変数値を算出する出力変数値算出部と、を備えることを特徴とする、出力変数値算出装置が提供される。 According to the second aspect of the present invention, a state observing unit that observes a plurality of state variables to obtain each state quantity, and satisfies a predetermined condition among the state quantities observed by the state observing unit. A feature state quantity detection unit that detects a feature state quantity, a correspondence relationship storage unit that stores information on the feature state quantity, and a correspondence relationship with one of correlations between a plurality of input variables and output variables, A feature correlation extraction unit that refers to a correspondence relationship storage unit and extracts a feature correlation that is the correlation corresponding to the feature state amount detected by the feature state amount detection unit; and a feature correlation extraction unit that extracts the feature correlation. An input variable value obtaining unit that obtains the current value of the input variable of the obtained feature correlation, and a feature correlation extracted by the feature correlation extracting unit and a value obtained by the input variable value obtaining unit. An output variable value calculating unit that calculates an output variable value of the output variable from a current value of the input variable based on a current value of the input variable. .
また、本発明の第三態様によれば、コンピュータによって、複数の状態変数についての観測結果であるそれぞれの状態量を得るステップと、観測された前記状態量のうち、所定の条件を満たす特徴状態量を検出するステップと、前記特徴状態量に関する情報と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する対応関係記憶部に基づき、前記特徴状態量に対応する前記相関関係である特徴相関関係を抽出するステップと、前記特徴相関関係の入力変数の現在値を取得するステップと、前記特徴相関関係及び前記入力変数の現在値に基づき、前記入力変数の現在値から、前記出力変数の出力変数値を算出するステップと、を行うことを特徴とする出力変数値算出方法が提供される。 According to the third aspect of the present invention, a step of obtaining, by a computer, respective state quantities that are observation results of a plurality of state variables, and a characteristic state satisfying a predetermined condition among the observed state quantities. Detecting a quantity, and corresponding to the feature state quantity based on information on the feature state quantity and a correspondence storage unit for storing a correspondence relationship with one of a plurality of correlations between the input variables and the output variables. Extracting the feature correlation that is the correlation, obtaining the current value of the input variable of the feature correlation, and calculating the current value of the input variable based on the feature correlation and the current value of the input variable. Calculating an output variable value of the output variable from the output variable value.
本発明によれば、「弱いＡＩ」の実現に際して用いられる入出力関係の相関関係を複数記憶し、特徴的な状態量である特徴状態量又は当該特徴状態量の状態変数の種類に応じて、最適な相関関係である特徴相関関係を抽出し、この特徴相関関係によって、出力変数値を算出することができるから、利用者にとって、状態に応じた最適な出力変数値を得ることができ、人工知能技術をより汎用的に利用することが可能となる。 According to the present invention, a plurality of correlations of input / output relations used for realizing “weak AI” are stored, and according to a type of a characteristic state quantity which is a characteristic state quantity or a state variable of the characteristic state quantity, The feature correlation, which is the optimal correlation, is extracted, and the output correlation value can be calculated based on the feature correlation. Therefore, for the user, the optimal output variable value according to the state can be obtained. It becomes possible to use intelligent technology more versatile.
以下、図面を参照して本発明を実施するための形態について説明する。なお、以下では本発明の目的を達成するための説明に必要な範囲を模式的に示し、本発明の該当部分の説明に必要な範囲を主に説明することとし、説明を省略する箇所については公知技術によるものとする。 Hereinafter, embodiments for implementing the present invention will be described with reference to the drawings. In the following, the range necessary for the description for achieving the object of the present invention is schematically shown, and the range necessary for the description of the relevant part of the present invention will be mainly described. It shall be based on a known technique.
図１には、本発明の出力変数値算出システム１のブロック図を示す。出力変数値算出システム１は、例えば、適宜のユーザインタフェースを備えるコンピュータによって実現される。また、出力変数値算出システム１は、利用者にＷＥＢを介したインタフェースを提供するサーバ装置によって実現してもよい。さらに、出力変数値算出システム１は、後述する出力変数値算出システム１が備える機能のそれぞれを具備した単一の装置、つまり、出力変数値算出装置として実現し、利用者が携帯可能となるように構成してもよい。
以下では、本発明を出力変数値算出システム１として説明を行うが、上述の出力変数値算出装置についても、出力変数値算出システム１と同様の機能を有するものである。
FIG. 1 shows a block diagram of an output variable value calculation system 1 according to the present invention. The output variable value calculation system 1 is realized by, for example, a computer having an appropriate user interface. Further, the output variable value calculation system 1 may be realized by a server device that provides a user with an interface via the web. Further, the output variable value calculation system 1 is realized as a single device having each of the functions of the output variable value calculation system 1 described later, that is, as an output variable value calculation device, so that the user can carry it. May be configured.
Hereinafter, the present invention will be described as the output variable value calculation system 1, but the output variable value calculation device described above has the same function as the output variable value calculation system 1.
図１を参照して、出力変数値算出システム１は、状態観測部１１、特徴状態量検出部１２、特徴相関関係抽出部１３、対応関係記憶部１４、入力変数値取得部１５、出力変数値算出部１６を備えている。
以下、それぞれについて詳述する。
Referring to FIG. 1, an output variable value calculation system 1 includes a state observation unit 11, a characteristic state amount detection unit 12, a characteristic correlation extraction unit 13, a correspondence storage unit 14, an input variable value acquisition unit 15, an output variable value The calculation unit 16 is provided.
Hereinafter, each will be described in detail.
まず、状態観測部１１は、複数の状態変数を観測して、それぞれの状態量を求める機能を有する。例えば、状態観測部１１は、状態変数の状態量を求める複数のセンサとして実現されてもよく、また、状態量を検出する複数の別体のセンサから、インターネット等の通信や記憶媒体を介して複数の検出された状態量のそれぞれを受け取る装置として実現されてもよい。つまり、状態観測部１１が状態変数を観測するとは、状態変数の状態量について、センシングする又はセンシングされた状態量を取得することを意味する。 First, the state observing unit 11 has a function of observing a plurality of state variables and calculating the state quantities of each. For example, the state observation unit 11 may be realized as a plurality of sensors for obtaining the state quantity of the state variable, or from a plurality of separate sensors for detecting the state quantity via communication such as the Internet or a storage medium. It may be realized as a device that receives each of the plurality of detected state quantities. That is, to observe the state variable by the state observation unit 11 means to sense or acquire the sensed state quantity for the state quantity of the state variable.
状態観測部１１が観測する状態変数としては、以下のようなものが挙げられる。例えば、天気の現況及び予報、日付、利用者の心拍数、利用者の位置、利用者の姿勢、道路の混雑状況、利用者のスケジュール情報、利用者が設定した目的地情報、利用者の周辺に配置された機器や機械の情報、利用者の周辺の音や音声等である。つまり、前記状態変数は、センシング可能な状態変数であって、状態観測部１１が状態量を取得可能なものであれば、その種類は問わないものである。そして、状態観測部１１が取得する状態量については、生データでもよく、フィルタ処理等の適宜の加工が行われたデータであってもよい。 The state variables observed by the state observation unit 11 include the following. For example, weather status and forecast, date, user's heart rate, user's position, user's posture, road congestion, user's schedule information, destination information set by the user, around the user The information includes information on devices and machines arranged in the system, and sounds and voices around the user. That is, the type of the state variable is not limited as long as the state variable is a state variable that can be sensed and the state observation unit 11 can acquire a state quantity. The state quantity acquired by the state observation unit 11 may be raw data or data that has been subjected to appropriate processing such as filtering.
状態観測部１１は、観測された状態変数の状態量について、そのまま、又は、必要に応じてフィルタ処理等の適宜の加工を行った後に、特徴状態量検出部１２へ出力する。 The state observing unit 11 outputs the observed state amount of the state variable to the feature state amount detecting unit 12 as it is or after performing appropriate processing such as filtering as needed.
特徴状態量検出部１２は、状態観測部１１から出力された状態量を受け取り、所定の条件を満たす状態量である特徴状態量を検出する機能を有する。 The feature state quantity detection unit 12 has a function of receiving the state quantity output from the state observation unit 11 and detecting a feature state quantity that is a state quantity satisfying a predetermined condition.
特徴状態量検出部１２が用いる前記所定の条件とは、状態変数ごとに事前に設定される条件である。例えば、状態変数がＧＰＳ等を用いた利用者の位置であれば、利用者が自宅や職場等の特定の場所にいることを、所定の条件と設定してよい。そして、特徴状態量検出部１２は、利用者の位置情報である状態量を受け取り、利用者が自宅にいると判断した場合に、状態量が所定の条件を満たすとして、利用者が自宅にいるという特徴状態量を検出する。同様に、特徴状態量検出部１２は、利用者の位置情報である状態量を受け取り、利用者が職場にいると判断した場合に、状態量が所定の条件を満たすとして、利用者が職場にいるという特徴状態量を検出する。この例のように、一つの状態変数の状態量に対して複数の条件を設定し、一つの状態変数から複数の特徴状態量を検出することもできる。 The predetermined condition used by the characteristic state quantity detection unit 12 is a condition set in advance for each state variable. For example, if the state variable is the position of the user using GPS or the like, the predetermined condition may be that the user is at a specific place such as home or work. Then, the characteristic state quantity detection unit 12 receives the state quantity, which is the position information of the user, and determines that the state quantity satisfies a predetermined condition when the user is at home, and determines that the user is at home. Is detected. Similarly, the characteristic state quantity detection unit 12 receives the state quantity, which is the position information of the user, and determines that the state quantity satisfies the predetermined condition, and determines that the user Is detected. As in this example, a plurality of conditions can be set for the state quantity of one state variable, and a plurality of characteristic state quantities can be detected from one state variable.
また、例えば、状態変数がウエラブルセンサ等を用いた利用者の姿勢であれば、利用者が歩行中であることを把握できる状態量や、利用者が横臥していることを把握できる状態量を、所定の条件としてよい。そして、特徴状態量検出部１２は、利用者の姿勢情報である状態量を受け取り、利用者が歩行中であると判断した場合に、状態量が所定の条件を満たすとして、利用者が歩行中であるという特徴状態量を検出する。同様に、特徴状態量検出部１２は、利用者の姿勢情報である状態量を受け取り、利用者が横臥していると判断した場合に、状態量が所定の条件を満たすとして、利用者が横臥しているという特徴状態量を検出する。 Also, for example, if the state variable is the posture of the user using a wearable sensor or the like, a state quantity that can grasp that the user is walking or a state quantity that can grasp that the user is lying down. May be a predetermined condition. Then, the characteristic state amount detection unit 12 receives the state amount, which is the posture information of the user, and determines that the state amount satisfies a predetermined condition when determining that the user is walking. Is detected. Similarly, the characteristic state amount detection unit 12 receives the state amount that is the posture information of the user, and determines that the state amount satisfies the predetermined condition when determining that the user is lying down. The characteristic state quantity of the event is detected.
さらに、例えば、状態変数が利用者の周囲に配置された機械の情報である場合には、当該機械から通信により得られる状態量について、機械の稼働時間が一定時間経過することや、前記機械によって生産される製品の生産数が一定量達成することを、所定の条件としてよい。そして、特徴状態量検出部１２は、前記機械から通信により得られる状態量に基づき、機械の稼働時間が一定時間経過したと判断した場合に、状態量が所定の条件を満たすとして、機械の稼働時間が一定時間経過したという特徴状態量を検出する。同様に、特徴状態量検出部１２は、前記機械から通信により得られる状態量に基づき、機械によって生産される製品の生産数が一定量達成したと判断した場合に、状態量が所定の条件を満たすとして、機械によって生産される製品の生産数が一定量達成したという特徴状態量を検出する。 Further, for example, when the state variable is information on a machine arranged around the user, the state amount obtained by communication from the machine, the operating time of the machine passes for a certain time, The predetermined condition may be that the number of products to be produced achieves a certain amount. Then, based on the state quantity obtained by communication from the machine, the characteristic state quantity detection unit 12 determines that the state quantity satisfies a predetermined condition and determines that the machine The characteristic state quantity that the time has passed for a predetermined time is detected. Similarly, the characteristic state quantity detection unit 12 determines that the state quantity is equal to a predetermined condition when it determines that the number of products produced by the machine has reached a certain amount based on the state quantity obtained by communication from the machine. If the condition is satisfied, the characteristic state quantity indicating that the number of products produced by the machine has reached a certain amount is detected.
また、特徴状態量の検出は、複数の状態変数の状態量に基づいて検出してもよい。つまり、前記所定の条件について、複数の状態変数の状態量について設定したものの論理積によって設定してもよい。例えば、利用者の場所の状態変数についての「利用者が自身の所有する自動車の内部に位置する」という状態量の条件、自動車の運転席の人の有無の状態変数についての「運転席に人がいる」という状態量の条件、利用者の姿勢の状態変数についての「着座している」という状態量の条件、自動車の運転モードの状態変数についての「自動運転モード」という状態量の条件のそれぞれの論理積を、前記所定の条件としてよい。このとき、特徴状態量検出部１２は、状態変数である利用者の場所の状態変数について、「利用者が自身の所有する自動車の内部に位置する」という状態量が観測され、自動車の運転席の人の有無の状態変数について「運転席に人がいる」という状態量が観測され、利用者の姿勢の状態変数について「着座している」という状態量が観測され、自動車の運転モードの状態変数について「自動運転モード」という状態量が観測された場合に、「利用者が自車の運転席で自動運転モードにて運転している」という特徴状態量を検出する。 Further, the feature state quantity may be detected based on the state quantities of a plurality of state variables. That is, the predetermined condition may be set by a logical product of the values set for the state quantities of the plurality of state variables. For example, for the state variable of the user's place, the condition of the state quantity "the user is located inside the vehicle owned by the user", and for the state variable of the presence or absence of the driver's seat of the vehicle, " Condition of the state variable of the user's posture, the condition of the state of sitting, and the condition of the state variable of the automatic operation mode for the state variable of the driving mode of the vehicle. Each logical product may be set as the predetermined condition. At this time, the characteristic state quantity detection unit 12 observes the state variable “located inside the car owned by the user” for the state variable of the user's place, which is the state variable, and checks the driver's seat of the car. The state variable of "there is a driver in the driver's seat" is observed for the state variable of the presence or absence of the person, and the state variable of "sitting" is observed for the state variable of the user's posture, and the state of the driving mode of the car When a state quantity “automatic driving mode” is observed for the variable, a characteristic state quantity “the user is driving in the driver's seat of the own vehicle in the automatic driving mode” is detected.
そして、特徴状態量検出部１２は、検出した特徴状態量について、特徴相関関係抽出部１３へ出力する。 Then, the feature state quantity detection unit 12 outputs the detected feature state quantity to the feature correlation extraction unit 13.
なお、上述の説明では、状態観測部１１と特徴状態量検出部１２とは、別体であるとしたが、両者は一体として構成されてもよい。 In the above description, the state observation unit 11 and the characteristic state amount detection unit 12 are separate bodies, but they may be integrally configured.
特徴相関関係抽出部１３は、後述する対応関係記憶部１４を参照して、特徴状態量検出部１２によって検出された特徴状態量に関する情報である、特徴状態量又は当該特徴状態量の状態変数の種類等に対応する、入力変数と出力変数との相関関係である、特徴相関関係を抽出する機能を有する。 The feature correlation extracting unit 13 refers to the correspondence storage unit 14 described later, and stores information on the feature state amount or the state variable of the feature state amount, which is information on the feature state amount detected by the feature state amount detecting unit 12. It has a function of extracting a feature correlation, which is a correlation between an input variable and an output variable corresponding to a type or the like.
特徴相関関係抽出部１３について詳述する前に、対応関係記憶部１４の説明を行う。対応関係記憶部１４は、特徴状態量に関する情報である特徴状態量又は特徴状態量の状態変数の種類と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する機能を有する。 Before describing the feature correlation extraction unit 13 in detail, the correspondence storage unit 14 will be described. The correspondence storage unit 14 stores a correspondence between a feature state quantity or a state variable of the feature state quantity, which is information related to the feature state quantity, and one of the correlations between a plurality of input variables and output variables. Has functions.
ここで、個々の入力変数と出力変数の相関関係は、従来例において示したような、人工知能技術の一つである機械学習を特定の分野の特定の用途に限って適用した、いわゆる「弱いＡＩ」を実現するために必要な情報のことである。 Here, the correlation between each input variable and each output variable is a so-called “weakness” in which machine learning, which is one of artificial intelligence technologies, is applied only to a specific application in a specific field, as shown in the conventional example. It is information necessary to realize “AI”.
例えば、自動車の自動運転の技術分野において、運転席に着席している者の画像を入力変数として取得し、当該者の手動運転に対する対応可能の度合いを出力変数として推定するための相関関係について、機械学習を用いて最適化する技術においては、入力変数である運転席に着席している者の画像と、出力変数である当該者の手動運転に対する対応可能の度合いとが、入力変数と出力変数の相関関係にあたる。 For example, in the technical field of autonomous driving of a car, for the correlation for obtaining an image of a person sitting in the driver's seat as an input variable and estimating the degree of responsiveness to the manual driving of the person as an output variable, In the technology of optimizing using machine learning, an image of a person sitting in a driver's seat, which is an input variable, and a degree of responsiveness to manual driving of the person, which is an output variable, are defined by an input variable and an output variable. It corresponds to the correlation.
そして、対応関係記憶部１４は、前述のような入力変数と出力変数の相関関係について複数種類を記憶するものであり、また、複数種類の相関関係のそれぞれについて、特徴状態量に関する情報である特徴状態量又は特徴状態量の状態変数の種類との対応関係を記憶するものである。 The correspondence storage unit 14 stores a plurality of types of correlations between the input variables and the output variables as described above, and a feature that is information on a feature state quantity for each of the plurality of types of correlations. The correspondence between the state quantity or the characteristic state quantity and the type of the state variable is stored.
例えば、自動車の自動運転において、運転席に着席している者の画像を入力変数として取得し、当該者の手動運転に対する対応可能の度合いを出力変数として推定するための相関関係については、前述した、「利用者が自車の運転席で自動運転モードにて運転している」という特徴状態量を対応づけて記憶することが例として挙げられる。また、運転席に着席している者の画像を入力変数として取得し、当該者の手動運転に対する対応可能の度合いを出力変数として推定するための相関関係について、「利用者が自車の運転席で自動運転モードにて運転している」という特徴状態量の代わりに、「利用者が自車の運転席で自動運転モードにて運転している」という特徴状態量を判断した、状態変数の種類である、「利用者の場所」、「自動車の運転席の運転者の有無」、「利用者の姿勢」及び「自動車の運転モード」のセットを対応づけて記憶することとしてもよい。 For example, in the automatic driving of a car, the correlation for acquiring an image of a person sitting in the driver's seat as an input variable and estimating the degree of responsiveness of the person to manual driving as an output variable is described above. As an example, the characteristic state quantity “the user is driving in the driver's seat of the own vehicle in the automatic driving mode” is stored in association with the characteristic state quantity. In addition, regarding the correlation for acquiring an image of a person sitting in the driver's seat as an input variable and estimating the degree of responsiveness to the manual driving of the person as an output variable, the user is referred to as “the driver's seat of the own vehicle. Instead of the characteristic state quantity of "driving in the automatic driving mode in the automatic driving mode", the characteristic state quantity of "the user is driving in the automatic driving mode in the driver's seat of the own vehicle" is determined. A set of “type of user”, “presence or absence of a driver in a driver's seat of a car”, “user's posture”, and “car driving mode” may be stored in association with each other.
また、例えば、利用者の情報を入力変数として取得し、当該利用者が睡眠時に聴くことを好む音楽の種類を出力変数として推定するための相関関係については、「利用者の姿勢が横臥しており、利用者の周囲の明度が所定値よりも小さい」という特徴状態量を対応づけて記憶することが例として挙げられる。また、利用者の情報を入力変数として取得し、当該利用者が睡眠時に聴くことを好む音楽の種類を出力変数として推定するための相関関係について、「利用者の姿勢が横臥しており、利用者の周囲の明度が所定値よりも小さい」という特徴状態量の代わりに、「利用者の姿勢が横臥しており、利用者の周囲の明度が所定値よりも小さい」という特徴状態量を判断した、状態変数の種類である、「利用者の姿勢」及び「利用者の周囲の明度」のセットを対応づけて記憶することとしてもよい。 In addition, for example, regarding the correlation for acquiring information of a user as an input variable and estimating, as an output variable, the type of music that the user prefers to listen to during sleep, the following description is provided. In this case, the characteristic state quantity "the brightness around the user is smaller than a predetermined value" is stored in association with the characteristic state quantity. In addition, regarding the correlation for acquiring information of the user as an input variable and estimating, as an output variable, the type of music that the user prefers to listen to during sleep, `` The user's posture is lying down, Instead of the characteristic state quantity "the brightness around the user is smaller than a predetermined value", the characteristic state quantity "the user's posture is lying down and the brightness around the user is smaller than a predetermined value" is determined. A set of “state of user” and “brightness around user”, which are types of state variables, may be stored in association with each other.
ここで、対応関係記憶部１４が記憶する、特徴状態量に関する情報について、上述の説明では、特徴状態量又は特徴状態量の状態変数の種類であるとしたが、これに限られず、特徴状態量について一意に判別可能なタグ等を用いてもよいことは、当業者にとって明らかである。 Here, in the above description, the information on the characteristic state amount stored in the correspondence storage unit 14 is the type of the characteristic state amount or the state variable of the characteristic state amount. However, the present invention is not limited to this. It will be apparent to those skilled in the art that a tag or the like that can uniquely determine is used.
次に、再び特徴相関関係抽出部１３の説明を行う。 Next, the feature correlation extracting unit 13 will be described again.
特徴相関関係抽出部１３は、特徴状態量検出部１２によって検出された特徴状態量から、特徴状態量の状態変数の種類、特徴状態量に対応づけられたタグや、特徴状態量そのもの等を表す、特徴状態量に関する情報を把握し、当該特徴状態量に関する情報をキーとして対応関係記憶部１４を参照し、公知のデータベース検索技術を用いて、前記特徴状態量に対応する、入力変数と出力変数との相関関係である、特徴相関関係を抽出する。 The feature correlation extraction unit 13 represents the type of the state variable of the feature state amount, the tag associated with the feature state amount, the feature state amount itself, and the like from the feature state amount detected by the feature state amount detection unit 12. , The information on the characteristic state quantity is grasped, the information on the characteristic state quantity is referred to as a key, and the correspondence relation storage unit 14 is referenced. A feature correlation, which is a correlation with, is extracted.
特徴相関関係抽出部１３は、抽出した特徴相関関係を、図示しない、出力変数値算出システム１の作業用の記憶領域に対して出力する。 The feature correlation extracting unit 13 outputs the extracted feature correlation to a work storage area (not shown) of the output variable value calculation system 1.
また、特徴相関関係抽出部１３は、抽出した特徴相関関係が複数ある場合には、全ての特徴相関関係について前記作業用の記憶領域に対して出力する。 When there are a plurality of extracted feature correlations, the feature correlation extracting unit 13 outputs all the feature correlations to the work storage area.
次に、入力変数値取得部１５について説明を行う。 Next, the input variable value acquiring unit 15 will be described.
入力変数値取得部１５は、特徴相関関係抽出部１３により抽出され、前記作業用の記憶領域に出力された１又は複数の特徴相関関係のそれぞれについて、その入力変数の現在値を取得する機能を有する。
入力変数の現在値は、入力変数値取得部１５に入力変数の変量を検出可能なセンサを設けることで取得してもよいし、図示しない外部装置として構成され、入力変数の変量を検出する複数の別体のセンサから、インターネット等の通信や記憶媒体を介して検出された入力変数の変量を受け取ることで取得してもよい。
The input variable value acquisition unit 15 has a function of acquiring the current value of the input variable for each of one or a plurality of feature correlations extracted by the feature correlation extraction unit 13 and output to the work storage area. Have.
The current value of the input variable may be obtained by providing the input variable value obtaining unit 15 with a sensor capable of detecting the variable of the input variable, or may be configured as an external device (not shown) to detect the variable of the input variable. Alternatively, the variable may be obtained by receiving a variable of the input variable detected via a communication such as the Internet or a storage medium from a separate sensor.
そして、入力変数値取得部１５は、取得された入力変数の現在値のそれぞれについて、出力変数値算出部１６に出力する。 Then, the input variable value acquisition unit 15 outputs each of the acquired current values of the input variables to the output variable value calculation unit 16.
出力変数値算出部１６について説明を行う。 The output variable value calculator 16 will be described.
出力変数値算出部１６は、特徴相関関係抽出部１３により抽出された特徴相関関係及び入力変数値取得部１５により取得され出力された入力変数の現在値から、出力変数の出力変数値を算出する機能を有する。 The output variable value calculation unit 16 calculates an output variable value of the output variable from the feature correlation extracted by the feature correlation extraction unit 13 and the current value of the input variable acquired and output by the input variable value acquisition unit 15. Has functions.
出力変数値算出部１６は、前記作業用の記憶領域を用いて、特徴相関関係に、入力変数の現在値を入力し、特徴相関関係の出力値を、出力変数の出力変数値の推論値として算出して出力する。 The output variable value calculation unit 16 inputs the current value of the input variable to the feature correlation using the work storage area, and uses the output value of the feature correlation as an inference value of the output variable value of the output variable. Calculate and output.
例えば、上述の自動車の自動運転の例であれば、運転席に着席している者の画像を入力変数として取得し、当該者の手動運転に対する対応可能の度合いを出力変数として推定するための相関関係を用いて、当該相関関係に、入力変数である運転席に着席している者の現在の様子を示す画像を入力し、出力変数である当該者の手動運転に対する対応可能の度合いを推論値として算出して出力する。 For example, in the case of the above-described automatic driving of a car, a correlation for acquiring an image of a person sitting in a driver's seat as an input variable and estimating a degree of the corresponding person's responsiveness to manual driving as an output variable. Using the relationship, an image showing the current state of the person sitting in the driver's seat, which is an input variable, is input to the correlation, and the output variable is an inferred value indicating the degree to which the person can respond to manual driving. Is calculated and output.
また、上述の別の例であれば、利用者の情報を入力変数として取得し、当該利用者が睡眠時に聴くことを好む音楽の種類を出力変数として推定するための相関関係を用いて、当該相関関係に、入力変数である現在の利用者の情報を取得して入力し、出力変数である当該利用者が睡眠時に聴くことを好む音楽の種類を推論値として算出して出力する。 Further, in the above another example, the information of the user is acquired as an input variable, and the correlation is used to estimate the type of music that the user prefers to listen to during sleep as an output variable. The information of the current user, which is an input variable, is acquired and input to the correlation, and the type of music that the user likes to listen to during sleep, which is an output variable, is calculated and output as an inference value.
このとき、出力変数値算出部１６は、出力変数の出力変数値を算出するに際して、前記特徴相関関係について、前記特徴相関関係の入力変数の値と、出力変数の値との過去に蓄積されたデータセットを用いて、事前に教師あり学習を行うことで最適化されたものを用いてもよい。これによれば、出力変数値算出部１６の演算負荷を低減することができ、出力変数の出力変数値を遅延なく提供することができる。 At this time, when calculating the output variable value of the output variable, the output variable value calculation unit 16 has accumulated the past of the value of the input variable and the value of the output variable of the characteristic correlation. The data set may be optimized by performing supervised learning in advance. According to this, the calculation load of the output variable value calculation unit 16 can be reduced, and the output variable values of the output variables can be provided without delay.
これに代えて、出力変数値算出部１６は、出力変数の出力変数値を算出するに際して、前記特徴相関関係について、前記特徴相関関係の入力変数の値と、出力変数の値とのデータセットを、リアルタイムに収集して準備し、準備されたデータセットを用いて教師あり学習を行うことで、出力変数の出力変数値を算出するごとや、算出する直前に最適化してもよい。これによれば、出力変数値算出部１６からの出力変数値を、より利用者の環境や状態に最適化することができる。 Alternatively, when calculating the output variable value of the output variable, the output variable value calculation unit 16 may calculate a data set of the value of the input variable of the feature correlation and the value of the output variable for the feature correlation. Alternatively, the output variables may be collected and prepared in real time, and supervised learning may be performed using the prepared data set, so that the output variable value of the output variable may be optimized or calculated immediately before calculation. According to this, the output variable value from the output variable value calculation unit 16 can be further optimized to the environment and state of the user.
ここで、データセットを用いて入力変数と出力変数との相関関係を最適化する手法について、図２を参照しつつ説明を行う。 Here, a method of optimizing the correlation between the input variables and the output variables using the data set will be described with reference to FIG.
図２は、データセットを用いて入力変数と出力変数との相関関係を最適化する手法として、ニューラルネットワークモデルを用いた教師あり学習の例を示している。 FIG. 2 shows an example of supervised learning using a neural network model as a technique for optimizing the correlation between input variables and output variables using a data set.
図２に示すニューラルネットワークモデルにおけるニューラルネットワークは、入力層にある１個のニューロン、第１中間層にあるｍ個のニューロン、第２中間層にあるｎ個のニューロン、出力層にあるｏ個のニューロンから構成されている。第１中間層及び第２中間層は、隠れ層とも呼ばれており、ニューラルネットワークとしては、第１中間層及び第２中間層の他に、さらに複数の隠れ層を有するものであってもよい。 The neural network in the neural network model shown in FIG. 2 includes one neuron in an input layer, m neurons in a first hidden layer, n neurons in a second hidden layer, and o neurons in an output layer. Consists of neurons. The first intermediate layer and the second intermediate layer are also called hidden layers, and the neural network may have a plurality of hidden layers in addition to the first intermediate layer and the second intermediate layer. .
また、入力層と第１中間層との間、第１中間層と第２中間層との間、第２中間層と出力層との間には、層間のニューロンを接続するノードが張られており、それぞれのノードには、重みｗｉが対応づけられている。 Nodes connecting neurons between the layers are provided between the input layer and the first intermediate layer, between the first intermediate layer and the second intermediate layer, and between the second intermediate layer and the output layer. The weight wi is associated with each node.
ニューラルネットワークモデルにおけるニューラルネットワークは、学習用のデータセットを用いて、入力変数と出力変数との相関関係を学習する。
具体的には、学習用データセットのうち、入力変数のそれぞれについて入力層のニューロンを対応づけ、出力層にあるニューロンの値を、一般的なニューラルネットワークの出力値の算出方法、つまり、出力側のニューロンの値を、当該ニューロンに接続される入力側のニューロンの値と、出力側のニューロンと入力側のニューロンとを接続するノードに対応づけられた重みｗｉとの乗算値の数列の和として算出することを、入力層にあるニューロン以外の全てのニューロンに対して行う方法を用いることで、算出する。
The neural network in the neural network model learns a correlation between an input variable and an output variable using a learning data set.
Specifically, in the learning data set, neurons in the input layer are associated with each of the input variables, and the value of the neuron in the output layer is calculated by a general neural network output value calculation method, that is, on the output side. As the sum of a sequence of multiplied values of the value of the input-side neuron connected to the neuron and the weight wi associated with the node connecting the output-side neuron and the input-side neuron. The calculation is performed by using a method of performing the calculation for all neurons other than the neurons in the input layer.
そして、算出された出力層にあるニューロンの値と、学習用データセットのうち、出力変数の値における正解データとして評価できるものとを、それぞれ比較して誤差を求め、求められた誤差が小さくなるように、各ノードに対応づけられた重みｗｉを調整することを反復する。 Then, the calculated value of the neuron in the output layer is compared with one of the learning data sets that can be evaluated as the correct data in the value of the output variable, and an error is obtained, and the obtained error is reduced. As described above, the adjustment of the weight wi associated with each node is repeated.
そして、所定の反復回数を行うことや、前記誤差が許容値より小さくなること等の所定の条件が満たされた場合に、学習を終了して、そのニューラルネットワークモデル（のノードのそれぞれに対応づけられた全ての重みｗｉ）が学習済みの最適な相関関係となる。 Then, when predetermined conditions such as performing a predetermined number of repetitions and the error being smaller than an allowable value are satisfied, the learning is terminated and the neural network model (corresponding to each node of the neural network model). All the obtained weights wi) are the optimal correlations that have been learned.
なお、上述の説明では、出力変数値算出部１６が、特徴相関関係を機械学習により最適化する機能を有するとしたが、これに限らず、出力変数値算出部１６以外の出力変数値算出システム１における適宜のリソースを用いて最適化することや、出力変数値算出システム１の外部に配置された適宜の計算機を用いて最適化する構成としてもよい。 In the above description, the output variable value calculation unit 16 has a function of optimizing the feature correlation by machine learning. However, the present invention is not limited to this. The output variable value calculation system other than the output variable value calculation unit 16 1 may be optimized using an appropriate resource, or may be optimized using an appropriate computer arranged outside the output variable value calculation system 1.
また、上述の説明では、データセットを用いて入力変数と出力変数との相関関係を最適化する手法として、ニューラルネットワークモデルを用いた教師あり学習の例を示したが、これに限らず、教師なし学習や強化学習を用いることでもよい。 In the above description, an example of supervised learning using a neural network model has been described as a method of optimizing the correlation between input variables and output variables using a data set. None learning or reinforcement learning may be used.
出力変数値算出部１６は、算出された出力変数の推論値について、出力変数値算出システム１のユーザインタフェースを介して利用者に提示することができる。また、出力変数値算出部１６は、前記推論値について、図示しない通信機能を用いて利用者の周辺の機器や機械と通信することで、当該周辺の機器や機械に送信することができる。 The output variable value calculation unit 16 can present the calculated inference value of the output variable to the user via the user interface of the output variable value calculation system 1. Further, the output variable value calculation unit 16 can transmit the inferred value to the peripheral device or machine by communicating with the peripheral device or machine using a communication function (not shown).
これにより、利用者は、様々な状態に応じた最適な出力変数値を、様々な形で得ることができ、汎用的な人工知能技術によって、状態に応じた個別の最適な提案、制御やサービスを受けることが可能となる。 This allows the user to obtain optimal output variable values according to various states in various forms, and by using general-purpose artificial intelligence technology, individual optimal proposals, controls, and services according to states. It is possible to receive.
例えば、上述の自動運転の例であれば、利用者は、自車の運転席で自動運転モードにて運転することを行うだけで、なんら操作を行わなくとも、出力変数値算出システム１は、上述の機能により、「利用者が自車の運転席で自動運転モードにて運転している」という特徴状態量、又は、当該特徴状態量の状態変数の種類等の特徴状態量の情報に基づいて、運転席に着席している者の画像を入力変数として取得し、当該者の手動運転に対する対応可能の度合いを出力変数として推定するための相関関係を用いて、当該相関関係に、入力変数である運転席に着席している利用者の現在の様子を示す画像を入力し、出力変数である利用者者の手動運転に対する対応可能の度合いを推論値として算出して出力することを行い、例えば、その結果を自動運転中の自動車に送信して、自動車に搭載された制御装置が前記結果を用いて、自動運転の終了に備えるよう利用者に警告を発信すること等、利用者に対して最適な制御やサービスを行うことが可能となる。 For example, in the case of the above-described automatic driving, the user only needs to drive in the driver's seat of the own vehicle in the automatic driving mode, and without performing any operation, the output variable value calculation system 1 According to the above-described function, based on the characteristic state quantity "the user is driving in the driver's seat of the own vehicle in the automatic driving mode" or information on the characteristic state quantity such as the type of the state variable of the characteristic state quantity Then, an image of a person sitting in the driver's seat is acquired as an input variable, and the correlation for estimating the degree of responsiveness of the person to manual driving as an output variable is used as the input variable. An image showing the current state of the user sitting in the driver's seat is input, and the output variable is calculated and output as an inference value of the degree of response to the user's manual driving, For example, the result is automatically Optimal control and services for the user, such as transmitting to a moving car, and using the result, the control device mounted on the car alerts the user to prepare for the end of automatic driving. Can be performed.
また、例えば、上述の他方の例では、利用者は、横臥して周囲の照明を暗くするだけで、なんら操作を行わなくとも、出力変数値算出システム１が、上述の機能により、「利用者の姿勢が横臥しており、利用者の周囲の明度が所定値よりも小さい」という特徴状態量、又は、当該特徴状態量の状態変数の種類等の特徴状態量の情報に基づいて、利用者の情報を入力変数として取得し、利用者が睡眠時に聴くことを好む音楽の種類を出力変数として推論するための相関関係を用いて、当該相関関係に、入力変数である利用者の情報を入力し、出力変数である利用者が睡眠時に聴くことを好む音楽の種類を推論値として算出して出力することを行い、例えば、その結果を利用者の周囲の音響機器に送信して、音響機器に搭載された制御装置が、前記結果を用いて、利用者が睡眠時に聞くことを好む種類の音楽を再生すること等、利用者に対して最適な制御やサービスを行うことが可能となる。 In addition, for example, in the above-described other example, the user merely lays down and dims the surrounding illumination, and the output variable value calculation system 1 executes the “user Is lying down and the brightness around the user is smaller than a predetermined value ", or information on the characteristic state quantity such as the type of the state variable of the characteristic state quantity. Information as the input variable, and using the correlation to infer the type of music that the user prefers to listen to during sleep as the output variable, input the user information as the input variable into the correlation. Then, the output variable is a type of music that the user prefers to listen to during sleep is calculated and output as an inference value. The control device mounted on the Results using, the user or the like to play the music of the kind that prefer to listen at the time of sleep, it is possible to perform optimal control and service to the user.
以下、コンピュータ等の計算機によって実現される出力変数値算出システム１の作用、つまり、本発明の出力変数値算出方法について、図３のフローチャートを示しつつ説明を行う。 Hereinafter, the operation of the output variable value calculation system 1 realized by a computer such as a computer, that is, the output variable value calculation method of the present invention will be described with reference to the flowchart of FIG.
まず、ステップ１として、複数の状態変数についての観測結果であるそれぞれの状態量を得る。
これは、上述のとおり、状態観測部１１によって行われる。
First, as step 1, each state quantity that is an observation result of a plurality of state variables is obtained.
This is performed by the state observation unit 11 as described above.
続いて、ステップ２として、観測された前記状態量のうち、所定の条件を満たす特徴状態量を検出する。
これは、上述のとおり、特徴状態量検出部１２によって行われる
Subsequently, as step 2, a feature state quantity satisfying a predetermined condition is detected from the observed state quantities.
This is performed by the characteristic state quantity detection unit 12 as described above.
続いて、ステップ３として、特徴状態量に関する情報である、特徴状態量、当該特量状態量の状態変数の種類等と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する対応関係記憶部１４に基づき、特徴状態量又は特徴状態量の状態変数の種類等の特徴状態量の情報に対応する前記相関関係である特徴相関関係を抽出する。
これは、上述のとおり、特徴相関関係抽出部１３によって行われる。
Subsequently, in step 3, information on the characteristic state quantity, such as the characteristic state quantity, the type of the state variable of the special quantity state quantity, and one of the correlations between the plurality of input variables and output variables is set. Based on the correspondence storage unit 14 that stores each of them, a feature correlation, which is the correlation corresponding to information on a feature state quantity such as a feature state quantity or a type of a state variable of the feature state quantity, is extracted.
This is performed by the feature correlation extracting unit 13 as described above.
続いて、ステップ４として、特徴相関関係の入力変数の現在値を取得する。
これは、上述のとおり、入力変数値取得部１５によって行われる。
Subsequently, as step 4, the current value of the input variable of the feature correlation is obtained.
This is performed by the input variable value acquisition unit 15 as described above.
続いて、ステップ５として、特徴相関関係及び入力変数の現在値に基づき、入力変数の現在値から、出力変数の出力変数値を算出する。
これは、上述のとおり、出力変数値算出部１６によって行われる。
Subsequently, in step 5, based on the feature correlation and the current value of the input variable, the output variable value of the output variable is calculated from the current value of the input variable.
This is performed by the output variable value calculator 16 as described above.
また、ステップ５において、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化されたものを用いてもよいし、これに代えて、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化するものを用いてもよい。 In step 5, when calculating the output variable value of the output variable, the feature correlation is optimized based on machine learning using a data set that is a set of the input variable and the output variable values. Alternatively, in calculating the output variable value of the output variable, a machine using a data set that is a set of the input variable and the output variable value for the feature correlation may be used. What optimizes based on learning may be used.
なお、本発明は上述した実施形態に限定されるものではなく、本発明の主旨を逸脱しない範囲内で種々変更して実施することが可能である。そして、それらはすべて、本発明の技術思想に含まれるものである。 The present invention is not limited to the above-described embodiment, and can be implemented with various modifications without departing from the spirit of the present invention. And, they are all included in the technical idea of the present invention.
１ 出力変数値算出システム
１１ 状態観測部
１２ 特徴状態量検出部
１３ 特徴相関関係抽出部
１４ 対応関係記憶部
１５ 入力変数値取得部
１６ 出力変数値算出部
DESCRIPTION OF SYMBOLS 1 Output variable value calculation system 11 State observation part 12 Feature state quantity detection part 13 Feature correlation extraction part 14 Correlation storage part 15 Input variable value acquisition part 16 Output variable value calculation part
Claims (9)
当該状態観測部によって観測された前記状態量のうち、所定の条件を満たす特徴状態量を検出する特徴状態量検出部と、
前記特徴状態量に関する情報と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する対応関係記憶部と、
当該対応関係記憶部を参照し、前記特徴状態量検出部によって検出された特徴状態量に対応する前記相関関係である特徴相関関係を抽出する特徴相関関係抽出部と、
前記特徴相関関係抽出部により抽出された特徴相関関係の入力変数の現在値を取得する入力変数値取得部と、
前記特徴相関関係抽出部により抽出された特徴相関関係及び前記入力変数値取得部により取得された前記入力変数の現在値に基づき、前記入力変数の現在値から、前記出力変数の出力変数値を算出する出力変数値算出部と、
を備えることを特徴とする、出力変数値算出システム。 A state observing unit that observes a plurality of state variables and obtains each state quantity;
Among the state quantities observed by the state observation unit, a feature state quantity detection unit that detects a feature state quantity that satisfies a predetermined condition,
A correspondence storage unit that stores information about the feature state quantity and a correspondence relationship with one of correlations between a plurality of input variables and output variables,
A feature correlation extraction unit that refers to the correspondence storage unit and extracts a feature correlation that is the correlation corresponding to the feature state amount detected by the feature state amount detection unit;
An input variable value acquisition unit that acquires the current value of the input variable of the feature correlation extracted by the feature correlation extraction unit,
Based on the feature correlation extracted by the feature correlation extraction unit and the current value of the input variable acquired by the input variable value acquisition unit, calculate the output variable value of the output variable from the current value of the input variable An output variable value calculation unit,
An output variable value calculation system, comprising:
前記出力変数値算出部は、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化されたものを用いるものである
ことを特徴とする出力変数値算出システム。 The output variable value calculation system according to claim 1,
In calculating the output variable value of the output variable, the output variable value calculation unit optimizes the feature correlation based on machine learning using a data set that is a set of values of the input variable and the output variable. An output variable value calculation system, wherein the output variable value calculation system is used.
前記出力変数値算出部は、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化するものである
ことを特徴とする出力変数値算出システム。 The output variable value calculation system according to claim 1,
In calculating the output variable value of the output variable, the output variable value calculation unit optimizes the feature correlation based on machine learning using a data set that is a set of values of the input variable and the output variable. An output variable value calculation system characterized in that:
当該状態観測部によって観測された前記状態量のうち、所定の条件を満たす特徴状態量を検出する特徴状態量検出部と、
前記特徴状態量に関する情報と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する対応関係記憶部と、
当該対応関係記憶部を参照し、前記特徴状態量検出部によって検出された特徴状態量に対応する前記相関関係である特徴相関関係を抽出する特徴相関関係抽出部と、
前記特徴相関関係抽出部により抽出された特徴相関関係の入力変数の現在値を取得する入力変数値取得部と、
前記特徴相関関係抽出部により抽出された特徴相関関係及び前記入力変数値取得部により取得された前記入力変数の現在値に基づき、前記入力変数の現在値から、前記出力変数の出力変数値を算出する出力変数値算出部と、
を備えることを特徴とする、出力変数値算出装置。 A state observation unit that observes a plurality of state variables and obtains each state quantity;
Among the state quantities observed by the state observation unit, a feature state quantity detection unit that detects a feature state quantity that satisfies a predetermined condition,
A correspondence storage unit that stores information about the feature state quantity and a correspondence relationship with one of correlations between a plurality of input variables and output variables,
A feature correlation extraction unit that refers to the correspondence storage unit and extracts a feature correlation that is the correlation corresponding to the feature state amount detected by the feature state amount detection unit;
An input variable value acquisition unit that acquires the current value of the input variable of the feature correlation extracted by the feature correlation extraction unit,
Based on the feature correlation extracted by the feature correlation extraction unit and the current value of the input variable acquired by the input variable value acquisition unit, calculate the output variable value of the output variable from the current value of the input variable An output variable value calculation unit,
An output variable value calculation device, comprising:
前記出力変数値算出部は、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化されたものを用いるものである
ことを特徴とする出力変数値算出装置。 The output variable value calculation device according to claim 4,
In calculating the output variable value of the output variable, the output variable value calculation unit optimizes the feature correlation based on machine learning using a data set that is a set of values of the input variable and the output variable. An output variable value calculation device characterized in that the output variable value is used.
前記出力変数値算出部は、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化するものである
ことを特徴とする出力変数値算出装置。 The output variable value calculation device according to claim 4,
In calculating the output variable value of the output variable, the output variable value calculation unit optimizes the feature correlation based on machine learning using a data set that is a set of values of the input variable and the output variable. An output variable value calculation device characterized in that:
複数の状態変数についての観測結果であるそれぞれの状態量を得るステップと、
観測された前記状態量のうち、所定の条件を満たす特徴状態量を検出するステップと、
前記特徴状態量に関する情報と、複数の入力変数及び出力変数の相関関係のうち１つとの対応関係のそれぞれを記憶する対応関係記憶部に基づき、前記特徴状態量に対応する前記相関関係である特徴相関関係を抽出するステップと、
前記特徴相関関係の入力変数の現在値を取得するステップと、
前記特徴相関関係及び前記入力変数の現在値に基づき、前記入力変数の現在値から、前記出力変数の出力変数値を算出するステップと、
を行うことを特徴とする出力変数値算出方法。 By computer
Obtaining respective state quantities that are observation results for a plurality of state variables;
Detecting a characteristic state quantity satisfying a predetermined condition among the observed state quantities;
A feature that is the correlation corresponding to the feature state quantity, based on a correspondence storage unit that stores information on the feature state quantity and one of a plurality of correlations between input variables and output variables. Extracting a correlation;
Obtaining a current value of the input variable of the feature correlation,
Calculating the output variable value of the output variable from the current value of the input variable based on the feature correlation and the current value of the input variable;
Performing an output variable value calculation.
前記出力変数の出力変数値を算出するステップは、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化されたものを用いるものである
ことを特徴とする出力変数値算出方法。 The output variable value calculation method according to claim 7,
The step of calculating the output variable value of the output variable includes, when calculating the output variable value of the output variable, a machine using a data set that is a set of the input variable and the output variable value for the feature correlation. An output variable value calculation method, characterized in that a value optimized based on learning is used.
前記出力変数の出力変数値を算出するステップは、前記出力変数の出力変数値を算出するに際し、前記特徴相関関係について、前記入力変数及び前記出力変数の値の集合であるデータセットを用いた機械学習に基づき最適化するものである
ことを特徴とする出力変数値算出方法。 The output variable value calculation method according to claim 7,
The step of calculating the output variable value of the output variable includes, when calculating the output variable value of the output variable, a machine using a data set that is a set of the input variable and the output variable value for the feature correlation. An output variable value calculation method characterized by optimization based on learning.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018122166A JP6600857B1 (en) | 2018-06-27 | 2018-06-27 | Output variable value calculation system, output variable calculation device, and output variable value calculation method |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2018122166A JP6600857B1 (en) | 2018-06-27 | 2018-06-27 | Output variable value calculation system, output variable calculation device, and output variable value calculation method |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP6600857B1 JP6600857B1 (en) | 2019-11-06 |
| JP2020004037A true JP2020004037A (en) | 2020-01-09 |
Family
ID=68462330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2018122166A Active JP6600857B1 (en) | 2018-06-27 | 2018-06-27 | Output variable value calculation system, output variable calculation device, and output variable value calculation method |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP6600857B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023063195A1 (en) * | 2021-10-14 | 2023-04-20 | 株式会社日本製鋼所 | Molding machine system, torque derivation system, torque derivation method, and program |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP7357878B2 (en) * | 2019-12-25 | 2023-10-10 | 巴工業株式会社 | Machine learning device, data processing system, inference device and machine learning method |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09251315A (en) * | 1996-03-18 | 1997-09-22 | Ishikawajima Harima Heavy Ind Co Ltd | Plant operation state detection device |
| JP2006127047A (en) * | 2004-10-27 | 2006-05-18 | Toyota Motor Corp | Robot and communication robot system |
| JP2011070635A (en) * | 2009-08-28 | 2011-04-07 | Hitachi Ltd | Method and device for monitoring state of facility |
| JP2013165362A (en) * | 2012-02-10 | 2013-08-22 | Oki Electric Ind Co Ltd | Control device, method, and program |
| JP2016146039A (en) * | 2015-02-06 | 2016-08-12 | 株式会社Ｊｓｏｌ | Information processing device, program and information processing method |
-
2018
- 2018-06-27 JP JP2018122166A patent/JP6600857B1/en active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH09251315A (en) * | 1996-03-18 | 1997-09-22 | Ishikawajima Harima Heavy Ind Co Ltd | Plant operation state detection device |
| JP2006127047A (en) * | 2004-10-27 | 2006-05-18 | Toyota Motor Corp | Robot and communication robot system |
| JP2011070635A (en) * | 2009-08-28 | 2011-04-07 | Hitachi Ltd | Method and device for monitoring state of facility |
| JP2013165362A (en) * | 2012-02-10 | 2013-08-22 | Oki Electric Ind Co Ltd | Control device, method, and program |
| JP2016146039A (en) * | 2015-02-06 | 2016-08-12 | 株式会社Ｊｓｏｌ | Information processing device, program and information processing method |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023063195A1 (en) * | 2021-10-14 | 2023-04-20 | 株式会社日本製鋼所 | Molding machine system, torque derivation system, torque derivation method, and program |
Also Published As
| Publication number | Publication date |
|---|---|
| JP6600857B1 (en) | 2019-11-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8209080B2 (en) | System for determining most probable cause of a problem in a plant | |
| US20180046150A1 (en) | Operation management system having sensor and machine learning unit | |
| JP4970408B2 (en) | An adaptive driver assistance system using robust estimation of object properties | |
| KR102474246B1 (en) | Method and system for processing Neural network model using a plurality of electronic devices | |
| CN108241296A (en) | Learn the machine learning device and component assembly system of Assembly Action | |
| WO2019176991A1 (en) | Annotation method, annotation device, annotation program, and identification system | |
| CN111805546B (en) | Human-multi-robot sharing control method and system based on brain-computer interface | |
| CN106650941B (en) | A kind of uncertain elimination context aware system and its working method based on reliability management | |
| JP2020004037A (en) | Output variable value calculation system, output variable value calculation device, and output variable value calculation method | |
| EP3874418A1 (en) | Artificial neural networks having competitive reward modulated spike time dependent plasticity and methods of training the same | |
| CN105654134B (en) | It is a kind of based on the context aware system and its working method and application that have supervision self feed back | |
| JP6645934B2 (en) | Cell control system | |
| US10970618B2 (en) | Logical entanglement device for governing AI-human interaction | |
| KR20200059796A (en) | Control system based on learning of control parameter and method thereof | |
| CN110869859B (en) | Device and method for determining the state of a spindle of a machine tool | |
| WO2023160922A1 (en) | Automatically quantifying an uncertainty of a prediction provided by a trained regression model | |
| Michaud et al. | Representation of behavioral history for learning in nonstationary conditions | |
| Skałkowski et al. | Automatic adaptation of soa systems supported by machine learning | |
| CN108592308A (en) | fresh air system control method and device | |
| Kuderna-Iulian et al. | Towards an affective aware home | |
| Nick et al. | A hybrid approach to intelligent living assistance | |
| KR20230152867A (en) | Artificial intelligence autonomous driving robot capable of self-learning and its learning method | |
| Kaiser et al. | Designing neural networks for adaptive control | |
| KR20190061381A (en) | Method and apparatus for hardware variable automation | |
| Shafi et al. | Prediction of the Attention Area in Ambient Intelligence Tasks |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20190724 |
|
| A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20190724 |
|
| A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20190726 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20190813 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20190910 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190913 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 6600857 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: R3D04 |
|
| S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |