JP2020198081A - スパースセンサ測定値を用いる機器の予測保守システム - Google Patents

Abstract

【課題】スパースセンサ測定値を用いる機器の予測保守システムを提供する。【解決手段】本明細書に記載される実施態様例は、スパースセンサデータを提供するシステムの予測モデルを構築し、予測保守を行うことに関する。センサデータのスパース測定値のみが利用可能な場合であっても、実施態様例は、関数深層ネットワークを用いて統計の推測を利用して、システムの予測をモデリングし、それにより、スパース測定値のみが利用可能な場合であっても、よりよい精度及び故障予測を提供する。【選択図】図５

Description

本開示は、概して予測保守システムに関し、より詳細にはスパース測定値を提供するセンサに関わる予測保守システムに関する。

予測保守システムは、適切なときに適切な保守動作を推奨するために、機器により生成されたデータに機械学習及び人工知能技法を適用することに関係している。このようなシステムは、機器の監視及び健康状態又は性能低下の検出、機器が所与の対象期間内で故障するか否かの予測（故障予測としても知られる）、機器の耐用年数においてどのくらいの時間が残っているかの推定（残存耐用年数推定としても知られる）、及び任意の上記状況の場合の補正的修復動作の推奨（修復推奨としても知られる）等の様々なタスクを提供することができる。これら全てのタスクでは、多くの場合、機器は異なるロケーションに様々なセンサが備えられ、これらのセンサが、後に検索し処理するために、完全に送信されて記憶される定期的な測定値を連続して生成すると仮定されている。

しかしながら、実際には、上記仮定は頻繁に破られる。所与の機器について、不規則な間隔でサンプリングされることが多い部分的なセンサ測定値にアクセスされることがある。図１に示されるように、部分的な情報が取得される２つの実際的なシナリオがある。左側に示される第１のシナリオでは、センサ測定値は限られた数の時間に記録され、観測時間は全範囲にわたり比較的不均一に分散され、右側に示される第２のシナリオでは、センサ読み取り値は、時間空間の特定のサブ領域内に集中し、時間空間の他の領域では情報がない。これらの２つのシナリオはスパースセンサデータと呼ばれる。

産業設定においてスパースセンサデータが関わり得る幾つかの環境がある。例えば、産業のモノのインターネット（ＩｏＴ）システムは、多くの場合、短期間にわたるセンサデータのランダムサンプルを収集して、データ記憶コスト及び通信コストを低減する。別の例では、センサの誤作動又はデータ送信エラーのいずれかに起因して、センサ測定値が欠落することがある。別の例では、センサ測定値は特定の状況で収集されることがある。例えば、センサ測定値は、機器が幾つかの故障に直面し、修理店に運ばれた場合のみ収集される。別の例では、モバイル測定デバイス（例えば、ハンドヘルド振動計）を使用して、異なる時間に又は機器の複数のロケーションから測定値を取得する。例えば、油サンプルは、摩耗粒子分析のために低頻度で収集され、研究所に送られる。振動は、機器の選択されたロケーションにおいてハンドヘルド振動計により測定される。

そのようなスパース性が産業センサデータに存在する場合、予測保守タスクを行うために、データを関連技術の機械学習及び統計アルゴリズムにそのまま供給することができない。これは、関連技術による方法では、典型的に、個々のデバイス毎に、考慮される時間空間内の密に且つ定期的に観測されたセンサデータにアクセスする必要があるためである。

関連技術による一実施態様は、まず、全体曲線を回復し、次に密で規則正しい点格子において回復された曲線を評価するデータ事前処理ステップを行うことである。次に、密で定期的なセンサデータが予測保守アルゴリズムに供給される。しかしながら、回復された曲線は、センサデータのスパース性に起因して、実際の進化曲線に上手く重なることを保証しない。図２は、スパースセンサデータの曲線の当てはめの問題の一例を示す。図２では、例における３つの曲線のいずれが真の曲線の最良の近似であるかを決定することはできない。したがって、この一般的なやり方からの最終的な観測及び推奨は、不正確であり得、産業ビジネスへの金融損失を生じさせ得る。

関連技術には、予測保守タスクに対してスパースセンサデータを扱う既存の方法の２つのカテゴリがある。第１の方法は、考慮される各センサに複数の観測があることを無視する。その代わり、そのような関連技術による方法は、まるで観測が独立しているかのように、同じセンサからの観測を扱い、すなわち、時間Ｔ_１におけるセンサからの観測は、時間Ｔ_２（Ｔ_１＜Ｔ_２）における測定値により影響を受けず、又はロケーションＬ_１におけるセンサからの観測は、時間Ｌ_２における測定値により影響を受けない。その場合、関連技術による方法は、機械学習及び深層学習ドメインにおいて従来の分類及び再帰技法を利用して、故障予測及び残存耐用年数（ＲＵＬ）推定等の予測保守問題を解決する。しかしながら、暗黙的独立仮定は、典型的には、後の段階での機器のセンサ読み取り値は先の段階に強く依存し、異なるロケーションにおける機器センサ読み取り値は高度に相関するため、適切ではない。同じ機器の観測間の相関を捨てると、偏った結論が生じ得る。

関連技術による方法の第２のカテゴリは、事前処理ステップを通してスパースデータを密な信号に変換し、次に、事前処理されたデータを、長・短期記憶ネットワーク（ＬＳＴＭ）、回帰型ニューラルネットワーク（ＲＮＮ）、及び関数型多層パーセプトロン（関数型ＭＬＰ：ｆｕｎｃｔｉｏｎａｌ ｍｕｌｔｉｌａｙｅｒ ｐｅｒｃｅｐｔｒｏｎ）等の密な逐次データを適切にモデリングすることができるモデルに供給する。この戦略は、同じデバイスからの観測間の相関をモデリングすることができる。しかしながら、各デバイスで利用可能な観測の数が限られる場合、事前処理ステップは真の曲線を一貫して回復させることができないため、その精度は保証されない。

実施態様例では、幾つかの機器にわたり同じセンサタイプからの複数のスパースシーケンスを使用して、測定値間の相関を捕捉することにより、予測保守タスクについてセンサデータのスパース性を処理する新規のデータ駆動型解決策が存在する。

本明細書に記載される実施態様例は、機器により生成された生のセンサデータをそのまま利用する、スパース逐次情報を時間の経過に伴って適切にモデリングするシステム及び解決策に関する。本明細書に記載される実施態様例は、逐次情報、すなわち、同じ機器のセンサ測定値間の相関が考慮に入れられるため、第１のタイプの関連技術による方法よりも良好な結果を提供することができる。第２のタイプの関連技術による方法と異なり、本明細書に記載される実施態様例は、事前処理ステップで導入される不必要なバイアスをなくす、生のデータに直接基づいて構築されている。

本明細書に記載される実施態様例は、スパースセンサデータに含まれる情報を数値特徴に効率的に変換するスパース関数ニューロンと呼ばれる新規の変換を含み、次に、数値特徴は１つ又は複数の深層ニューラルネットワークに供給されて、予測保守タスクを実行する。提案されるスパース関数ニューロンは、個々の各デバイスのスパースセンサデータを、検知された信号の土台となる連続曲線のスパース実現化として扱う。同じタイプの幾つかの機器からの測定値を所与として、提案されるスパース関数ニューロンは、全ての機器からのセンサ測定値を一緒にプールして、固有空間と呼ばれる正規直交関数空間の要素の一貫した推定を計算する。次に、連続センサ曲線のそれぞれは、固有空間における計算された関数要素の線形結合として表すことができる。所与のセンサ曲線の線形結合表現における係数は、最良の線形不偏予測子、すなわち、このデバイスのスパースセンサデータに与えられた係数の条件付き期待値により推定される。前のステップ後、スパース関数ニューロンは、スパースセンサ読み取り値に基づいて各センサ曲線に最良の予測子を計算する。

スパース関数ニューロンにおける次のステップは、計算された連続センサ関数と、トレーニング可能な重み関数との内積を計算することである。内積は、予測保守タスクを実行するために、その次の数値ニューロンに供給される数値を出力する。まとめると、所与の時間窓で、提案されるニューロンは、入力としてこの窓内のスパースセンサデータをとり、これらのスパースデータを生成する、土台をなす連続曲線の特性を正確に表す数値を出力する。次に、このスパース関数ニューロンは、多層パーセプトロン、回帰型ニューラルネットワーク、及び長・短期記憶等を含む深層ニューラルネットワークに埋め込まれて、故障予測又は残存耐用年数推定等の予測保守タスクを実行するシステムを形成することができる。

図１は、スパースセンサデータシナリオの例を示す。 図２は、スパースセンサデータシナリオにおけるセンサデータの曲線当てはめにおける問題の一例を示す。 図３は、一実施態様例に従うスパース関数多層パーセプトロンシステムの一例を示す。 図４は、一実施態様例に従うスパース関数ＬＳＴＭ／ＲＮＮの一例を示す。 図５は、一実施態様例に従うスパース関数ＭＬＰシステムの学習フェーズを促進する流れ図の一例を示す。 図６は、一実施態様例に従う適用フェーズを促進する流れ図の一例を示す。 図７は、一実施態様例に従う複数の装置及び保守計画装置を含むシステムを示す。 図８は、幾つかの実施態様例での使用に適したコンピュータデバイスの一例を有する計算環境の一例を示す。

以下の詳細な説明は、本願の図及び実施態様例の更なる詳細を提供する。図間の冗長要素の参照番号及び説明は、明確さのために省かれる。説明全体を通して使用される用語は、例として提供され、限定されることを意図しない。例えば、「自動」という用語の使用は、本願の実施態様を実施するすべての技術における通常の技能のひとつの所望の実施に応じて、完全自動の実施及び実施の特定の態様にわたりユーザ又は管理者による制御を含んでいる半自動実施を含んでもよい。選択は、ユーザインターフェース又は他の入力手段を通してユーザにより行うことができ、又は所望のアルゴリズムを通して実装することができる。本明細書に記載される実施態様例は、単独で又は組み合わせて利用することができ、実施態様例の機能は、所望の実施態様に従って任意の手段を通して実施することができる。

本明細書に記載される実施態様例は、スパース関数ニューロンと呼ばれるスパースセンサデータから数値特徴を抽出する新規のモデルを含み、それを１つ又は複数の深層ニューラルネットワークに埋め込んで、予測保守タスクについて、各機器からのスパースセンサデータに基づいて逐次モデリングを促進する。

スパース信号の全時間範囲Ｗが同時に扱われる場合、実施態様例は、スパース関数ニューロンをスパース関数多層パーセプトロン（ＭＬＰ）とともに埋め込んでＭＬＰシステムを利用する。第１層にＫ個の関数ニューロンを有し、第２層に２個の数値ニューロンを有するスパース関数ＭＬＰシステムの構造を図３に示す。なお、関数ニューロンの後、複数の層の数値ニューロンが続くことができる。

実施態様例では、全範囲Ｗは一連の非重複窓Ｗ_１、…、Ｗ_Ｏに分割することができる。各窓内で、実施態様例はスパース関数ＭＬＰネットワークを構築して、対応する局所窓内の曲率情報を抽出する。次に、抽出された数値変数のシーケンスは、長・短期記憶（ＬＳＴＭ）ネットワーク又は回帰型ニューラルネットワーク（ＲＮＮ）等の逐次モデルに供給される。図４は、実施態様例に従うスパース関数ＬＳＴＭ／ＲＮＮの一例を示す。

本明細書に記載される実施態様例では、スパース関数ＭＬＰシステムが記載される。

図５は、一実施態様例によるスパース関数ＭＬＰシステムの学習フェーズを促進する流れ図の一例を示す。まず、データは、スパースセンサデータ及び故障予測又はＲＵＬラベルを含むことができるデータ５００である。。学習フェーズは以下のプロセスを含むことができる。

スパースセンサデータの関数固有分解５２０は、２つのプロセスを含む：平均及び共分散関数推定５１０及び推定された共分散関数を使用する固有分解５１１。平均及び共分散推定５１０では、各センサについて、システムは、異なる機器からのスパースセンサデータを一緒にプールし、プールされたデータを使用して、平均センサ曲線及び共分散関数を推定する。平均センサ曲線は、考慮される窓内のセンサ変数の平均進化を特徴付ける未知の曲線である。共分散関数は、時間窓内の任意の２つのポイントにおけるセンサ値間の線形関係の大きさを定量化する二次元関数である。

推定された共分散関数を使用した固有分解５１１では、システムは、センサ毎に、推定された共分散関数の固有分解を行い、推定正規直交固有関数及び推定固有値を達成する。推定正規直交固有関数については、各固有関数は、曲線空間において長さ１を有する単位関数である。固有関数は互いに直交し、すなわち、センサ曲線において非重複変動モードを捕捉する。推定固有値について、各固有関数はセンサにおける変動を定量化する固有値に対応する。

スパース関数固有分解結果に基づいて個々のセンサ曲線の最良予測子を達成するプロセス５３０は、未知のセンサ曲線の推定固有空間への投影５１２、最良線形非バイアス予測子を有する傾きパラメータの推定５１３、個々のセンサ曲線の推定５１４を含む。未知のセンサ曲線を推定固有空間に投影するプロセス５１２では、システムは、センサ毎に、共通の固有関数曲線に対して各センサ曲線がいかに類似するかを定量化する未知の機器依存傾きパラメータを使用し、各デバイスの未知の検知曲線を、共分散関数の正規直交固有関数の線形結合として表す。

最良線形非バイアス予測子を有する傾きパラメータを推定するプロセス５１３において、これらのパラメータは、個々の各デバイスのセンサ曲線のスパース実現化に起因して、直接推定することができない。したがって、実施態様例は、最良線形不偏予測子を使用し、最良線形不偏予測子は、データのスパース性を所与として機器依存パラメータの最良推定として機能する。

個々のセンサ曲線を推定するプロセス５１４において、システムは、機器依存傾きパラメータの最良予測子を固有空間における個々の連続センサ曲線の線形表現へ埋め込み、それにより、それに従って全ての個々のセンサ曲線についての最良の予測子を生成する。

スパース関数深層ネットワークにおいて要素を指定するプロセス５４０は、センサ毎に、窓内の任意のロケーションにおけるセンサ曲線が故障予測又はＲＵＬラベルにいかに関連するかを定量化する重み関数（未知のパラメータを有する）を定義することを含む。次に、所与のセンサ曲線の寄与が、重み関数に窓全体にわたる予測センサ曲線を掛けたものの積分として定義される。関数ニューロンは、重み関数とセンサ曲線とのこの積分の和として定義される。

勾配降下を通してスパース関数深層ネットワークを学習するプロセス５４０は、関数ニューロン及び通常の数値ニューロンにおいて未知の重み関数及び数値重みパラメータを学習する反復ステップを含む。このステップは、順伝搬及び逆伝搬を含む。

順伝搬では、任意の所与のパラメータ及び重み関数について、システムは、予測センサ曲線を入力として数値を出力する関数ニューロンを計算し、次に、数値を続く数値層に供給する。次に、システムは、深層ネットワークの最終出力を真の故障予測／ＲＵＬラベルと比較して、特定の停止基準が満たされるか否かを調べる。特定の停止基準が満たされる場合、システムは停止し、現在のパラメータ及び重み関数を学習された最適解として出力する。特定の停止基準が満たされない場合、システムは逆伝搬を行い、最良のパラメータを探す。

逆伝搬では、システムは、損失関数の偏導関数を計算し、偏導関数は、未知のパラメータについて、深層ネットワークの出力と真のラベルとの差を定量化する。次に、システムは、これらの偏導関数を使用して、前のステップで使用されるパラメータ値を更新し、更新されたパラメータ及び重み関数を用いた順伝搬の実施を進める。

５６０における結果出力は、スパースセンサデータと、入力５００からの故障予測／ＲＵＬラベルとの間の数学的写像である。

図６は、一実施態様例に従う適用フェーズを促進する流れ図の一例を示す。適用フェーズは以下のプロセスを含むことができる。６００において、システムはスパースセンサデータを入力とする。

６２０において、システムは、トレーニングフェーズにおけるスパース関数固有分解結果を使用して、個々のセンサ曲線の最良予測子を達成する。システムは、以下のプロセスを通して最良予測子の決定を実施する。

６１０において、システムは、未知のセンサ曲線を推定固有空間に射影する。すなわち、システムは、センサ毎に、各センサ曲線が前に使用された固有関数曲線といかに類似するかを定量化する未知の機器依存傾きパラメータを使用して、各デバイスの未知のセンサ曲線を、トレーニングフェーズにおいて推定された正規直交固有関数の線形結合として表す。

６１１において、システムは、トレーニングにおいて推定された固有要素を使用して未知の機器依存傾きパラメータを推定する。そのようなパラメータは、個々の各デバイスのセンサ曲線のスパース実現化に起因して、直接推定することができない。実施態様例は、最良線形非バイアス予測子を利用することによりこの問題に対処し、最良線形不偏予測子の計算は、推定された固有要素を再使用する。

６１２において、システムは個々のセンサ曲線を推定する。機器依存傾きパラメータの最良予測子を、固有空間における個々の連続センサ曲線の線形表現に埋め込むことにより、システムはそれに従って、全ての個々のセンサ曲線の最良予測子を取得することができる。

６１３において、システムは、予測されたセンサ曲線を、学習されたスパース関数深層ネットワークに供給して、予測を行う。すなわち、システムは、トレーニングフェーズにおいて学習された深層ネットワークに予測されたセンサ曲線を供給して、予測された故障予測／ＲＵＬラベルを計算する。

モデリング単位が数値ランダム変数である関連技術によるＭＬＰ実施態様は、従来の数値ニューロンから構成され、勾配降下法を使用して直接トレーニングすることができる。適用フェーズにおいて、関連技術によるＭＬＰシステムは、新しいデータをトレーニングされたＭＬＰフレームワークに直接供給して、予測保守タスクの予測を行う。これに対して、提案されるスパース関数ＭＬＰは、モデリングターゲットが、時間の経過に伴うセンサ曲線を土台をなす連続センサ曲線であるため、基本的に、関連技術によるＭＬＰシステムと異なる。実施の観点から、上記フローチャートに示されるように、学習フェーズ及び適用フェーズの両方において、連続センサ読み取り曲線を再構築するのに利用される追加のプロセスがある。

それにより、６３０において、システムの出力は、新しいデバイスからの任意のセンサデータについての予測された故障予測／ＲＵＬラベルであることができる。
スパース関数ＭＬＰについての数学的詳細

説明を簡潔にするために、以下の数学的表記を利用する。予め指定された時間範囲［０，Ｔ］内で観測される合計でｎ個の機器がある。ｉ番目の機器について、Ｐ個のセンサがＮ_ｉ個の時点（式（１））で測定されると仮定する。ｉ番目の機器のｐ番目のセンサ読み取り値は、式（２）で表され、ｐ＝１，…，Ｐである。ｉ番目の機器の故障予測ラベル又はＲＵＬラベルはＹ_ｉである。

通常、デバイスは連続して機能し、それにより、スパースセンサ読み取り値は、時間の経過に伴う土台をなす連続曲線の有限実現化として見ることができる。ｉ番目の機器の土台をなす曲線は、Ｘ_１，ｉ（ｔ），…，Ｘ_Ｐ，ｉ（ｔ）として示される。Ｘ_ｐ，ｉ（ｔ）とＺ_{ｐ，ｉ，ｊ}との関係は、式（３）である。
Ｚ_{ｐ，ｉ，ｊ}＝Ｘ_ｐ，ｉ（Ｔ_ｉ，ｊ）＋ε_{ｐ，ｉ，ｊ}・・・（３）

ここで、ε_{ｐ，ｉ，ｊ}〜Ｎ（０，σ_ｐ）は、ＩｏＴシステムにおけるデータの転送及び格納から生じるランダム誤差を表す。

実施態様例は、全てのデバイスが同じタイプである、すなわち、時間範囲［０，Ｔ］内にあると仮定し、ｉ＝１，…，ｎであるＸ_ｐ，ｉ（ｔ）は、全体の未知の平均センサ曲線μ_ｐ（ｔ）及び未知の共分散曲線Ｇ_ｐ（ｔ，ｔ’）を有する独立したランダムプロセスである。そして、Ｇ_ｐ（ｔ，ｔ’）のｓ番目の最大固有値は、対応する固有関数φ_ｐ，ｓ（ｔ）を有するφ_ｐ，ｓである。

これらの表記及び仮定を使用して、スパース関数ＭＬＰは以下のように進む。

１．スパースセンサデータを使用してＰ個の特徴のそれぞれに対して関数固有分解を行う。ｐ番目の特徴について、ｉ＝１，…，ｎであるｎ個のスパースセンサデータＺｐ，ｉを使用して、式（４）及び式（５））として示される固有関数及び固有値の推定と、平均関数μ_ｐ（ｔ）及びランダム誤差σ_ｐの推定を達成する。所望の実施態様に従う関連技術における任意の方法は、このスパース関数固有分解ステップの実行に利用することができる。

２．スパース関数ＭＬＰの順伝搬を定義し実行する。スパース関数ニューロンの定義の第１の試行は、式（６）である。

ここで、Ｖ_ｋ，ｐ（β_ｋ，ｐ，ｔ）は、Ｑ_ｋ，ｐ次元ベクトル式（７）
により特徴付けられる連続関数であり、Ｕ_ｋはｋ番目の関数ニューロンにおけるＲ〜Ｒ数値アクチベーション関数であり、ａ_ｋ及びｂ_ｋはｋ番目の関数ニューロンにおける数値パラメータである。しかしながら、この定義は、Ｘ_ｐ，ｉ（ｔ）は到達可能ではなく、この曲線Ｘ_ｐ，ｉ（ｔ）上でスパースデータしか利用可能ではない場合、一貫して回復することができないため、実現可能ではない。その結果、式（８）は、数値積分技法に基づいて計算することができない。

上記問題に対処するために、実施態様例は、スパース関数ニューロンに以下の定義（式（９））を利用する。ここで、βは、ｋ及びｐにわたる全てのβ_ｋ，ｐを接続することにより形成されるベクトルである。

これは以下により動機付けられる。

ａ．固有関数φ_ｐ，ｓ（ｔ）における直交性に基づいて、式（１０）が存在する。

ｂ．式（１１）は、計算可能ではないが、最良線形不偏推定子、すなわち式（１２）で置換することができる。明示式は、式（１３）である。ここで、μ_ｐ，ｉは、式（１）において評価される関数μ_ｐ（ｔ）を含むＮ_ｉ次元ベクトルであり、φ_{ｐ，ｉ，ｓ}はそれらのＮ_ｉポイントにおける固有関数φ_ｐ，ｓ（ｔ）の評価であり、ω_ｐは第１のＳ_ｐ固有値を含み、δ_ｐ，ｓは、ｓ列目がφ_{ｐ，ｉ，ｓ}であるＮ_ｉ×Ｓ_ｐ行列である。

ｃ．式（１４）は、ステップ１において推定された式（１５）及び式（１６）を明示式（式１３）に埋め込むことを通して一貫して推定することができる。推定は、式（１７）
として示される。

この定義に基づいて、順方向伝搬ステップにおいて、任意のパラメータセット（ａ_ｋ，ｂ_ｋ）及びβ並びに予め指定された重み関数Ｖ_ｋ，ｐ（β_ｋ，ｐ，ｔ）について、実施態様例は数値積分を使用して値（式（１８））を計算することができ、次に、それに従って、続く層は計算計算されて、故障予測又はＲＵＬラベルの推定を取得することができる。

３．予測保守タスクに最適なパラメータセットを見つけるために、実施態様例は逆伝搬を行い、パラメータ（ａ_ｋ，ｂ_ｋ）及びβを更新する。逆伝搬を実行するために、実施態様例は、パラメータに関して、提案されるスパース関数ニューロンＨ（Ｘ_１，ｉ（ｔ），…，Ｘ_ｐ，ｉ（ｔ），β）の偏導関数（式（１９），（２０），（２１））を計算する。

最初の２つの偏導関数（式（１９），（２０））は簡単に計算することができる。３番目の偏導関数（式（２１））については、実施態様例は、Ｖ_ｋ，ｐ（β_ｋ，ｐ，ｔ）に関する追加の仮定、すなわち、式（２２）が範囲［０，Ｔ］内に存在するという仮定を有する。所望の実施に応じて、関数Ｖ_ｋ，ｐ（β_ｋ，ｐ，ｔ）はユーザにより指定することができ、それにより仮定が達成可能になる。例えば、有効関数の例は、幾つかの未知の関数の線形結合である。学習率（式（２３））で更新されたパラメータは、式（２４），（２５），（２６）
である。

実施態様例は、特定の停止基準（例えば、所望の実施により設定される）が満たされるまで、ステップ２及び３を繰り返す。出力は、スパースセンサデータと故障予測／ＲＵＬ予測ラベルとの間の写像を含み、これは、窓［０，Ｔ］内のスパース観測されているセンサ読み取り値に基づいて、故障予測／ＲＵＬラベルについての予測を行うことに使用することができる。

図７は、一実施態様例に従う複数の装置及び保守計画装置を含むシステムを示す。１つ又は複数の装置又は装置システム７０１−１、７０１−２、７０１−３、及び７０１−４は、保守計画装置７０２に接続されているネットワーク７００に通信可能に接続されている。保守計画装置７０２はデータベース７０３を管理し、データベース７０３は、ネットワーク７００内の装置及び装置システムから収集された過去データを含む。代替の実施態様例では、装置及び装置システム７０１−１、７０１−２、７０１−３、及び７０１−４からのデータは、企業リソース計画システム等の機器又は機器システムからのデータを記憶する専有データベース等の中央リポジトリ又は中央データベースに記憶することができ、保守計画装置７０２は、中央リポジトリ又は中央データベースからのデータにアクセス又は検索することができる。そのような装置は、冷却器、空調機、サーバ等の静止装置又は機器、自動車、トラック、クレーン等の可動装置又は機器、及び定期的な保守を受ける任意の他の装置を含むことができる。そのような装置は、センサデータを保守計画装置７０２に提供するセンサを含むことができる。実施態様例では、装置及び装置システムの幾つかからのデータは、リモート性又は接続の一般的な欠如（例えば、電池寿命が限られている、又は１年に１度、ネットワークに接続してデータを送信するセンサ、セルラベースのセンサ等の帯域幅コストに起因してスパース的にのみネットワークに接続するセンサ）に起因してスパース的にのみ提供されることがある。

図８は、図７に示される保守計画装置７０２等の幾つかの実施態様例での使用に適したコンピュータデバイスの一例を有する計算環境の一例を示す。計算環境８００におけるコンピュータデバイス８０５は、１つ又は複数の処理ユニット、コア、又はプロセッサ８１０、メモリ８１５（例えば、ＲＡＭ及び／又はＲＯＭ等）、内部記憶装置８２０（例えば、磁気記憶装置、光学記憶装置、固体状態記憶装置、及び／又は有機記憶装置）、及び／又はＩ／Ｏインターフェース８２５を含むことができ、これらのうちの任意のものは、情報を通信するために通信機構又はバス８３０に結合することができ、又はコンピュータデバイス８０５に埋め込むことができる。Ｉ／Ｏインターフェース８２５は、所望の実施に応じて、カメラから画像を受信し、又は画像をプロジェクタ若しくはディスプレイに提供するようにも構成されている。

コンピュータデバイス８０５は、入力／ユーザインターフェース８３５及び出力デバイス／インターフェース８４０に通信可能に接続することができる。入力／ユーザインターフェース８３５及び出力デバイス／インターフェース８４０のいずれか一方又は両方は、有線又は無線インターフェースであってもよく、着脱可能であってもよい。入力／ユーザインターフェース８３５は、物理的であれ仮想であれ、入力（例えば、ボタン、タッチスクリーンインターフェース、キーボード、ポインティング／カーソル制御機構、マイクロホン、カメラ、点字、運動センサ、及び／又は光学リーダ等）の提供に使用することができる任意のデバイス、構成要素、センサ、又はインターフェースを含んでもよい。出力デバイス／インターフェース８４０は、ディスプレイ、テレビジョン、モニタ、プリンタ、スピーカ、又は点字等を含んでもよい。幾つかの実施態様例では、入力／ユーザインターフェース８３５及び出力デバイス／インターフェース８４０は、コンピュータデバイス８０５に埋め込むことができ、又はコンピュータデバイス８０５に物理的に接続することができる。他の実施態様例では、他のコンピュータデバイスが、コンピュータデバイス８０５の入力／ユーザインターフェース８３５及び出力デバイス／インターフェース８４０として機能してもよく、又はコンピュータデバイス８０５の入力／ユーザインターフェース８３５及び出力デバイス／インターフェース８４０の機能を提供してもよい。

コンピュータデバイス８０５の例には、限定ではなく、高モバイルデバイス（例えば、スマートフォン、車両又は他の機械内のデバイス、及び人間及び動物により携帯されるデバイス等）、モバイルデバイス（例えば、タブレット、ノート型コンピュータ、ラップトップ、パーソナルコンピュータ、ポータブルテレビジョン、及びラジオ等）、及び可動用に設計されていないデバイス（例えば、デスクトップコンピュータ、他のコンピュータ、情報キオスク、１つ又は複数のプロセッサが埋め込まれ、及び／又は接続されたテレビジョン、及びラジオ等）を含んでもよい。

コンピュータデバイス８０５は、同じ構成又は異なる構成の１つ又は複数のコンピュータデバイスを含む、任意の数のネットワーク接続された構成要素、デバイス、及びシステムと通信するために、外部記憶装置８４５及びネットワーク８５０に通信可能に（例えば、Ｉ／Ｏインターフェース８２５を介して）接続することができる。コンピュータデバイス８０５又は任意の接続されたコンピュータデバイスは、サーバ、クライアント、シンサーバ、汎用機、専用機、又は別のラベルとして機能することができ、そのサービスを提供することができ、又はそう呼ぶことができる。

Ｉ／Ｏインターフェース８２５は、限定ではなく、計算環境８００内の少なくとも接続された全ての構成要素、デバイス、及びネットワークと情報をやりとりするための、任意の通信又はＩ／Ｏプロトコル又は規格（例えば、Ｅｔｈｅｒｎｅｔ、８０２．１１ｘ、ユニバーサルシステムバス、ＷｉＭａｘ、モデム、及びセルラネットワークプロトコル等）を使用する有線及び／又は無線インターフェースを含むことができる。ネットワーク８５０は、任意のネットワーク又はネットワークの組合せ（例えば、インターネット、ローカルエリアネットワーク、ワイドエリアネットワーク、電話回線、セルラネットワーク、及び衛星ネットワーク等）であってもよい。

コンピュータデバイス８０５は、一時的媒体及び非一時的媒体を含め、コンピュータ可用又はコンピュータ可読媒体を使用することができ、且つ／又はコンピュータ可用又はコンピュータ可読媒体を使用して通信することができる。一時的媒体は、伝送媒体（例えば、金属ケーブル、光ファイバ）、信号、及び搬送波等を含む。非一時的媒体は、磁気媒体（例えば、ディスク及びテープ）、光学媒体（例えば、ＣＤＲＯＭ、デジタルビデオディスク、ブルーレイディスク）、ソリッドステート媒体（例えば、ＲＡＭ、ＲＯＭ、フラッシュメモリ、ソリッドステート記憶装置）、及び他の不揮発性記憶装置又はメモリを含む。

コンピュータデバイス８０５は、幾つかの計算環境例において技法、方法、アプリケーション、プロセス、又はコンピュータ実行可能命令を実施するのに使用することができる。コンピュータ実行可能命令は、一時的媒体から検索し、非一時的媒体に記憶し、非一時的記憶媒体から検索することができる。実行可能命令は、任意のプログラミング言語、スクリプト言語、及び機械語（例えば、Ｃ、Ｃ＋＋、Ｃ＃、Ｊａｖａ（登録商標）、Ｖｉｓｕａｌ Ｂａｓｉｃ、Ｐｙｔｈｏｎ、Ｐｅｒｌ、ＪａｖａＳｃｒｉｐｔ（登録商標）等）の１つ又は複数に基づいてもよい。

プロセッサ８１０は、ネイティブ又は仮想環境において任意のオペレーティングシステム（ＯＳ）（図示せず）下で実行することができる。論理ユニット８６０、アプリケーションプログラミングインターフェース（ＡＰＩ）ユニット８６５、入力ユニット８７０、出力ユニット８７５、及び異なるユニットが互いと、ＯＳと、他のアプリケーション（図示せず）と通信するためのユニット間通信メカニズム８９５とを含む１つ又は複数のアプリケーションを展開することができる。記載されるユニット及び要素は、設計、機能、構成、又は実装において様々であることができ、提供される説明に限定されない。プロセッサ８１０は、中央演算処理装置（ＣＰＵ）等のハードウェアプロセッサの形態又はハードウェアユニットとソフトウェアユニットとの組合せであることができる。

幾つかの実施態様例では、情報又は実行命令は、ＡＰＩユニット８６５により受信されると、１つ又は複数の他のユニット（例えば、論理ユニット８６０、入力ユニット８７０、出力ユニット８７５）に通信し得る。幾つかの場合、論理ユニット８６０は、ユニット間の情報フローを制御し、上述した幾つかの実施態様例では、ＡＰＩユニット８６５、入力ユニット８７０、出力ユニット８７５により提供されるサービスを指示するように構成してもよい。例えば、１つ又は複数のプロセス又は実施態様のフローは、論理ユニット８６０のみにより又はＡＰＩユニット８６５と組み合わせにより制御されてもよい。入力ユニット８７０は、実施態様例において説明した計算の入力を取得するように構成してもよく、出力ユニット８７５は、実施態様例において説明された計算に基づいて出力を提供するように構成されてもよい。

プロセッサ８１０は、図７に示されるように、システムの複数の機器に関連するセンサデータを提供する複数のセンサと、複数のセンサの過去データを有するデータベースとを含むシステムにおいてスパースデータサンプリングを補正するように構成することができる。スパースデータサンプリングを補正するために、プロセッサ８１０は、図５に示されるように、データベース内の複数のセンサの過去データからのスパース測定値を用いてシステムの複数の機器にわたりセンサデータのスパース測定値を組み立てるように構成することができる。実施態様例では、本明細書に記載されるように、記録された各センサデータ系列は時系列である。所与の時系列について、異なる時間ステップ（ｔ１，ｔ２，…，ｔｎ）であってもよい。

センサデータの組み立てられたスパース測定値の各時系列について、プロセッサ８１０は、図５に示されるように、センサデータのスパース測定値から異なる時間ステップ間の関係に関する統計を推測することができる。例えば、プロセッサ８１０は、図５の５１０に開示されるように、センサデータのスパース測定値の各時間ステップで平均及び共分散関数推定を特定することにより、スパース測定値から異なる時間ステップ間の関係に関する統計を推測することができる。

プロセッサ８１０は、図５及び図６に示されるように、推測された統計から、全ての機器にわたる複数のセンサの各センサタイプの全体関数を特定するように構成することができる。所望の実施に応じて、プロセッサ８１０は、図２、図４、図５並びに要素５３０及び５５０に示されるように、センサデータの所与の時間窓又は一連の非重複時間窓に特定される逐次モデルとして、各センサタイプの全体関数を特定することができる。プロセッサ８１０は、図５の５１１及び５２０に記載されるように、共分散関数に対して固有分解を行い、全ての機器にわたる複数のセンサの各センサタイプの全体関数として固有関数を特定することにより、全体関数を特定するように構成することもできる。

プロセッサ８１０は、図５に示されるように、全体関数から、複数の機器のそれぞれのセンサデータをモデリングする複数の機器のそれぞれに特定のインスタンスを導出するように構成することもできる。

プロセッサ８１０は、各機器の予測保守モデルを学習する特定のインスタンスを組み込むように構成することもでき、予測可能な保守モデルは、図５の５２０、５３０、５４０、５５０、５６０、及び図６に示されるように、予測保守の予測を生成するように構成される。例えば、全体関数から、複数の機器のそれぞれのセンサデータをモデリングする複数の機器のそれぞれに特定のインスタンスを導出することは、複数のセンサの固有関数により定義される固有空間にセンサ曲線を射影することと、射影されたセンサ曲線の傾きパラメータを推定することと、図６の要素６１０、６１１、６１２、及び６２０に示されるように、傾きパラメータに従って複数のセンサのそれぞれの個々のセンサ曲線を推定することとを含むことができる。実施態様例では、予測保守モデルを学習する特定のインスタンスを組み込むことは、図４及び図６の６１３に示されるように、特定のインスタンスを関数ニューラルネットワークに埋め込むことにより行うことができる。所望の実施に応じて、予測保守の予測は、図６の要素６３０に示されるように、故障、非故障、又は残存耐用年数の１つ又は複数を示す故障予測ラベルを含むことができる。一実施態様例では、予測は、残存耐用年数（例えば、保守が必要になるまでの残存時間に関して）を示し、該当する場合、故障ステータス（例えば、機器は故障しない、機器は故障する、又は機器は故障した）を示すことができる。

スパースセンサデータを有する機器の提案される予測保守システムは、スパースセンサデータと、故障予測又はＲＵＬラベル等の数値保守関連ラベルとの間の数学的写像を学習する系統的な方法を提供する。特に、実施態様例は、データの記憶及び通信が高コストを発生させる多種多様な産業に適用することができる。

さらに、本明細書に記載される実施態様例を通して、対象となる測定値が、全てのロケーションでは達成することができない、デバイスの寿命にわたり達成することができないモバイル測定デバイスから来るシステム、又は大量の欠損値を有するセンサ測定値を有するシステム等のスパースデータを解析することが可能である。図４〜図６に示されるように、センサデータのスパース測定値から、異なる時間ステップ間の関係に関する統計を推測することと、推測された統計から全ての機器にわたる複数のセンサの各センサタイプの全体関数を特定することと、全体関数から、複数の機器のそれぞれのセンサデータをモデリングする複数の機器のそれぞれに特定のインスタンスを導出することと、各機器の予測保守モデルを学習する特定のインスタンスを組み込むこととを含む本明細書に記載される実施態様例を通して、関連技術による手法と比較して、スパースデータを有するセンサのより正確な予測システムを生成し、スパースデータを提供するセンサをモデリングするように関数ニューラルネットワークをより正確にトレーニングすることが可能である。

詳細な説明の幾つかの部分は、アルゴリズム及びコンピュータ内の動作の象徴的表現に関して提示されている。これらのアルゴリズム的な説明及び象徴的表現は、データ処理分野の当業者が革新の本質を他の当業者に伝えるのに使用する意味である。アルゴリズムとは、所望の最終状態又は結果に繋がる一連の定義されたステップである。実施態様例では、実行されるステップは、有形の結果を達成するために、有形の数量の物理的操作を必要とする。

別段のことが特記される場合を除き、議論から明らかなように、説明全体を通して、「処理」、「計算」、「算出」、「特定」、又は「表示」等の用語を利用した議論が、コンピュータシステムのレジスタ及びメモリ内の物理的（電子的）数量を操作し、コンピュータシステムのメモリ若しくはレジスタ又は他の情報記憶装置、伝送デバイス、若しくは表示デバイス内の物理的数量として同様に表される他のデータに変換するコンピュータシステム又は他の情報処理デバイスの動作及びプロセスを含むことができることが理解される。

実施態様例は、本明細書における動作を実行する装置に関連してもよい。この装置は、必要とされる目的に向けて特に構築することもでき、又は１つ若しくは複数のコンピュータプログラムにより選択的にアクティブ化若しくは再構成される１つ若しくは複数の汎用コンピュータを含んでもよい。そのようなコンピュータプログラムは、コンピュータ可読記憶媒体又はコンピュータ可読信号媒体等のコンピュータ可読媒体に記憶してもよい。コンピュータ可読記憶媒体は、限定ではなく、光ディスク、磁気ディスク、読み取り専用メモリ、ランダムアクセスメモリ、ソリッドステートデバイス及びドライブ、又は電子情報の記憶に適した任意の他のタイプの有形若しくは非一時的媒体等の有形媒体を含み得る。コンピュータ可読信号媒体は、搬送波等の媒体を含み得る。本明細書に提示されるアルゴリズム及び表示は本質的に、いかなる特定のコンピュータ又は他の装置にも関連しない。コンピュータプログラムは、所望の実施の動作を実行する命令を含む純粋なソフトウェア実装を含むことができる。

本明細書における例に従って様々な汎用システムをプログラム及びモジュールと併用してもよく、又は所望の方法ステップを実行するより専用度の高い装置を構築することが好都合なことを証明してもよい。加えて、実施態様例はいかなる特定のプログラミング言語も参照して説明されていない。本明細書に記載される実施態様例の教示を実施するために、種々のプログラミング言語が使用可能なことが理解されよう。プログラミング言語の命令は、１つ又は複数の処理デバイス、例えば、中央演算処理装置（ＣＰＵ）、プロセッサ、又はコントローラにより実行されてもよい。

当技術分野では既知のように、上述した動作はハードウェア、ソフトウェア、又はソフトウェアとハードウェアとの何らかの組合せにより実行することができる。実施態様例の種々の態様は、回路及び論理デバイス（ハードウェア）を使用して実施されてもよく、一方、他の態様は、機械可読媒体に記憶された命令（ソフトウェア）を使用して実施してもよく、命令は、プロセッサにより実行された場合、プロセッサに本願の実施態様を実行する方法を実行させる。さらに、本願の幾つかの実施態様例は、ハードウェア単独で実行されてよく、一方、他の実施態様例はソフトウェア単独で実行されてもよい。さらに、記載された種々の機能は、１つのユニットで実行されてもよく、又は任意の幾つかの方法で幾つかの構成要素に広げられてもよい。ソフトウェアにより実行される場合、方法は、コンピュータ可読媒体に格納された命令に基づいて、汎用コンピュータ等のプロセッサにより実行されてもよい。所望であれば、命令は、圧縮且つ／又は暗号化されたフォーマットで媒体に格納されてもよい。

さらに、本明細書の考慮及び本願の教示の実施から、本願の他の実施態様が当業者に明かになろう。記載された実施態様例の様々な態様及び／又は構成要素は、単独で又は任意の組合せで使用されてもよい。本明細書及び実施態様例が単なる例として見なされ、本願の真の範囲及び趣旨は以下の特許請求の範囲により示されることが意図される。

７００、８５０ ネットワーク
７０１−１、７０１−２、７０１−３、７０１−４ 装置システム
７０２ 保守計画装置
７０３ データベース
８００ 計算環境
８０５ コンピュータデバイス
８１０ プロセッサ
８１５ メモリ
８２０ 内部記憶装置
８２５ Ｉ／Ｏインターフェース
８３０ バス
８３５ 入力／ユーザインターフェース
８４０ 出力デバイス／インターフェース
８４５ 外部記憶装置
８６０ 論理ユニット
８６５ アプリケーションプログラミングインターフェースユニット（ＡＰＩユニット）
８７０ 入力ユニット
８７５ 出力ユニット
８９５ ユニット間通信メカニズム

Claims (13)

1. システムの複数の機器に関連するセンサデータを提供する複数のセンサと、前記複数のセンサの過去データを有するデータベースと、を備えた前記システムにおけるスパースデータサンプリングについて補正する方法であって、
   前記方法は、
   前記データベース内の前記複数のセンサの前記過去データからのスパース測定値と共に、前記システムの前記複数の機器にわたる前記センサデータのスパース測定値を組み立てることと、
   前記センサデータの前記組み立てられたスパース測定値の各時系列について、前記センサデータの前記スパース測定値から、異なる時間ステップ間の関係に関する統計を推測することと、
   前記推測された統計から、全ての機器にわたる前記複数のセンサの各センサタイプの全体関数を特定することと、
   前記全体関数から、前記複数の機器のそれぞれの前記センサデータをモデリングする前記複数の機器のそれぞれの特定のインスタンスを導出することと、
   前記特定のインスタンスを組み込んで、各機器の予測保守モデルを学習することであって、前記予測保守モデルは、予測保守の予測を生成するように構成されている、ことと、
   を含む、方法。
2. 請求項１に記載の方法であって、
   前記特定のインスタンスを組み込んで、前記予測保守モデルを学習することは、前記特定のインスタンスを関数ニューラルネットワークに埋め込むことにより行われる、
   方法。
3. 請求項１に記載の方法であって、
   前記予測保守の前記予測は、故障、非故障、又は残存耐用年数の１つ又は複数を示す故障予測ラベルを含む、
   方法。
4. 請求項１に記載の方法であって、
   前記各センサタイプの前記全体関数は、前記センサデータの所与の時間窓又は一連の非重複の時間窓について特定された逐次モデルである、
   方法。
5. 請求項１に記載の方法であって、
   前記スパース測定値から前記異なる時間ステップ間の前記関係に関する前記統計を推測することは、センサデータの前記スパース測定値の各時間ステップにわたる平均及び共分散関数推定を特定することを含み、前記全体関数を特定することは、前記共分散関数に対して固有分解を行い、全ての機器にわたる前記複数のセンサの各センサタイプの前記全体関数として固有関数を特定することを含む、
   方法。
6. 請求項５に記載の方法であって、
   前記全体関数から、前記複数の機器のそれぞれの前記センサデータをモデリングする前記複数の機器のそれぞれの特定のインスタンスを導出することは、
   センサ曲線を前記複数のセンサの前記固有関数により定義される固有空間に射影することと、
   前記射影されたセンサ曲線の傾きパラメータを推定することと、
   前記傾きパラメータに基づいて、前記複数のセンサのそれぞれについての個々のセンサ曲線を推定することと、
   を含む、
   方法。
7. システムの複数の機器に関連するセンサデータを提供する複数のセンサと、前記複数のセンサの過去データを有するデータベースと、を備えた前記システムにおけるスパースデータサンプリングについて補正するための方法の命令を記憶する非一時的コンピュータ可読媒体であって、前記方法は、
   前記データベース内の前記複数のセンサの前記過去データからのスパース測定値と共に、前記システムの前記複数の機器にわたる前記センサデータのスパース測定値を組み立てることと、
   前記センサデータの前記組み立てられたスパース測定値の各時間ステップについて、前記センサデータの前記スパース測定値から、異なる時間ステップ間の関係に関する統計を推測することと、
   前記推測された統計から、全ての機器にわたる前記複数のセンサの各センサタイプの全体関数を特定することと、
   前記全体関数から、前記複数の機器のそれぞれの前記センサデータをモデリングする前記複数の機器のそれぞれの特定のインスタンスを導出することと、
   前記特定のインスタンスを組み込んで、各機器の予測保守モデルを学習することであって、前記予測保守モデルは予測保守の予測を生成するように構成されていることと、
   を含む、非一時的コンピュータ可読媒体。
8. 請求項７に記載の非一時的コンピュータ可読媒体であって、
   前記特定のインスタンスを組み込んで、前記予測保守モデルを学習することは、前記特定のインスタンスを関数ニューラルネットワークに埋め込むことにより行われる、
   非一時的コンピュータ可読媒体。
9. 請求項７に記載の非一時的コンピュータ可読媒体であって、
   前記予測保守の前記予測は、故障、非故障、又は残存耐用年数の１つ又は複数を示す故障予測ラベルを含む、
   非一時的コンピュータ可読媒体。
10. 請求項７に記載の非一時的コンピュータ可読媒体であって、
    前記各センサタイプの前記全体関数は、前記センサデータの所与の時間窓又は一連の非重複の時間窓について特定された逐次モデルである、
    非一時的コンピュータ可読媒体。
11. 請求項７に記載の非一時的コンピュータ可読媒体であって、
    前記スパース測定値から前記異なる時間ステップ間の前記関係に関する前記統計を推測することは、センサデータの前記スパース測定値の各時間ステップにわたる平均及び共分散関数推定を特定することを含み、前記全体関数を特定することは、前記共分散関数に対して固有分解を行い、全ての機器にわたる前記複数のセンサの各センサタイプの前記全体関数として固有関数を特定することを含む、
    非一時的コンピュータ可読媒体。
12. 請求項１１に記載の非一時的コンピュータ可読媒体であって、
    前記全体関数から、前記複数の機器のそれぞれの前記センサデータをモデリングする前記複数の機器のそれぞれの特定のインスタンスを導出することは、
    前記センサ曲線を、前記複数のセンサの前記固有関数により定義される固有空間に射影することと、
    前記射影されたセンサ曲線の傾きパラメータを推定することと、
    前記傾きパラメータに基づいて、前記複数のセンサのそれぞれについての個々のセンサ曲線を推定することと、
    を含む、
    非一時的コンピュータ可読媒体。
13. システムであって、
    前記システムの複数の機器に関連するセンサデータを提供する複数のセンサと、
    前記複数のセンサの過去データを有するデータベースと、
    前記センサデータを受信するように構成された装置と、
    を備え、
    前記装置はプロセッサを備え、前記プロセッサは、
    前記データベース内の前記複数のセンサの前記過去データからのスパース測定値と共に、前記システムの前記複数の機器にわたる前記センサデータのスパース測定値を組み立て、
    前記センサデータの前記組み立てられたスパース測定値の各時間ステップについて、前記センサデータの前記スパース測定値から、異なる時間ステップ間の関係に関する統計を推測し、
    前記推測された統計から、全ての機器にわたる前記複数のセンサの各センサタイプの全体関数を特定し、
    前記全体関数から、前記複数の機器のそれぞれの前記センサデータをモデリングする前記複数の機器のそれぞれの特定のインスタンスを導出し、
    前記特定のインスタンスを組み込んで、各機器の予測保守モデルを学習し、前記予測保守モデルは予測保守の予測を生成するように構成されていると、
    ように構成されている、システム。