JP2021124886A - 情報処理装置、情報処理方法及び情報処理プログラム - Google Patents

Abstract

【課題】分類の要因となる特徴を推定することが可能な情報処理装置を提供する。【解決手段】複数の変数を含む複数の第１データを、複数のクラスタにグループ化するクラスタリング部と、前記複数のクラスタの夫々に含まれるデータを前記複数のクラスタ毎に識別する識別情報を、前記複数の第１データの夫々に付与し、複数の第２データを生成する生成部と、前記複数のクラスタの夫々に含まれるデータに基づく複数のパターンのうち、入力されるデータを、何れかのパターンに分類するための第１学習モデルを、前記複数の第２データに基づいて構築するモデル構築部と、前記複数の第２データ及び前記第１学習モデルに基づいて、前記複数のパターンの夫々における前記複数の変数の夫々の影響度を示す影響度情報を算出する算出部と、を備える情報処理装置。【選択図】図５

Description

本発明は、情報処理装置、情報処理方法及び情報処理プログラムに関する。

近年、機械学習を用いたデータの分類によって、各種装置の異常検知を行う事例が増えている（例えば特許文献１）。

特開２０１９−０５６９８３号公報

ところで、例えば深層学習に基づく学習モデルを用いる場合、異常が検知された際に、一般に異常の要因を特定することは困難である。

本発明の目的は、分類の要因となる特徴を推定することが可能な情報処理装置を提供することである。

上記目的を達成するための一の発明は、複数の変数を含む複数の第１データを、複数のクラスタにグループ化するクラスタリング部と、前記複数のクラスタの夫々に含まれるデータを前記複数のクラスタ毎に識別する識別情報を、前記複数の第１データの夫々に付与し、複数の第２データを生成する生成部と、前記複数のクラスタの夫々に含まれるデータに基づく複数のパターンのうち、入力されるデータを、何れかのパターンに分類するための第１学習モデルを、前記複数の第２データに基づいて構築するモデル構築部と、前記複数の第２データ及び前記第１学習モデルに基づいて、前記複数のパターンの夫々における前記複数の変数の夫々の影響度を示す影響度情報を算出する算出部と、を備える情報処理装置である。本発明の他の特徴については、本明細書の記載により明らかにする。

本発明によれば、分類の要因となる特徴を推定することが可能な情報処理装置を提供することができる。

情報処理システムの１０構成を示す図である。 情報処理装置２０のハードウェア構成の一例を示す図である。 第１データ４１の一例を示す図である。 第１データ４１を説明するための図である。 情報処理装置２０に実現される機能ブロックの一例を示す図である。 複数のクラスタにグループ化された第１データ４１の一例を示す散布図である。 第２データ４２の一例を示す図である。 第１学習モデルＭ１を説明するための図である。 影響度情報７０の一例を示す図である。 第１データ４１及び第２学習モデルＭ２を説明するための図である。 情報処理装置２０で実行される処理の一例を示すフローチャートである。 診断装置２１のハードウェア構成の一例を示す図である。 診断装置２１に実現される機能ブロックの一例を示す図である。 診断装置２１で実行される処理の一例を示すフローチャートである。

＝＝＝＝＝本実施形態＝＝＝＝＝
＜＜＜情報処理システム１０の構成＞＞＞
図１は、本発明の一実施形態である情報処理システム１０の構成を示す図である。情報処理システム１０は、所定の装置の異常の要因となる特徴を、推定するためのシステムであり、情報処理装置２０、診断装置２１を含む。本実施形態では、所定の装置の一例として、商業施設に設置されたショーケース３００を用いて説明する。

ショーケース３００は、例えば、食品等を冷却し、保管するためのケースである。ショーケース３００には、ショーケース３００の状態を観測するセンサ３１０が、複数取り付けられている。なお、図１では、便宜上、複数のセンサ３１０は、１つのブロックとして描かれている。

そして、情報処理システム１０は、複数のセンサ３１０の夫々から出力されるデータに基づいて、ショーケース３００が正常であるか又は異常であるかを診断する。更に、情報処理システム１０は、診断処理において、複数のセンサ３１０の夫々から出力されるデータの影響度（後述）を出力する。

なお、ここでは、「異常」の例として、例えば、ショーケース３００の庫内の温度を所定温度に維持できない場合や、ショーケース３００から異音が出る場合等の、通常とは異なる挙動を示す場合のことが挙げられる。

また、以下、ショーケース３００の動作が正常である際のデータを、「正常データ」または「正常なデータ」と称し、ショーケース３００の動作が異常である際のデータを、「異常データ」または「異常なデータ」と称する。

情報処理装置２０は、複数のセンサ３１０が出力するデータに基づいて、ショーケース３００に異常が有るか否かを判定するためのモデルを機械学習によって構築する。

診断装置２１は、運転中のショーケース３００において、複数のセンサ３１０が出力するデータと、情報処理装置２０で構築されたモデルとに基づいて、ショーケース３００に異常が有るか否かを診断する。更に、診断装置２１は、診断処理において、複数のセンサ３１０の夫々から出力されるデータの影響度を出力する。なお、情報処理装置２０と、診断装置２１とは、ネットワーク２５を介して接続されている。

＜＜＜情報処理装置２０について＞＞＞
＝＝情報処理装置２０の構成＝＝
図２は、情報処理装置２０のハードウェア構成の一例を示す図である。情報処理装置２０は、ＣＰＵ（Central Processing Unit）３０、メモリ３１、記憶装置３２、入力装置３３、表示装置３４、及び通信装置３５を含むコンピュータである。

ＣＰＵ３０は、メモリ３１や記憶装置３２に格納されたプログラムを実行することにより、情報処理装置２０における様々機能を実現する。

メモリ３１は、例えばＲＡＭ（Random-Aaccess Mmemory）等であり、プログラムやデータ等の一時的な記憶領域として用いられる。

記憶装置３２は、ＣＰＵ３０によって実行あるいは処理される制御プログラム４０や第１データ４１（後述）等の各種のデータを格納する不揮発性の記憶装置である。

制御プログラム４０は、情報処理装置２０が有する各種機能を実現するためのプログラムであり、例えば、ＯＳ（Operating System）等を含む。

複数の第１データ４１は、第１学習モデルＭ１又は第２学習モデルＭ２（後述）を構築する際に用いられるデータである。図３は、本実施形態の第１データ４１を示す図である。複数の第１データ４１の夫々は、複数の変数（本実施形態では４個の変数）ｘ１〜ｘ４のデータを含む。また、複数の第１データ４１は、所定の属性を有するデータである。本実施形態では、所定の属性は、所定の装置が正常に動作しているか否かを示す情報である。

ここで、「変数ｘ１」及び「変数ｘ２」は夫々、例えば、ショーケース３００の所定の場所に取り付けられた第１温度センサ及び第２温度センサが示す温度を意味する。「変数ｘ１のデータ」及び「変数ｘ２のデータ」は夫々、第１温度センサ及び第２温度センサから出力された値である。

「変数ｘ３」は、例えば、ショーケース３００内のコンプレッサの圧力を計測する圧力センサが示す圧力を意味する。「変数ｘ３のデータ」は、圧力センサから出力された値である。また、「変数ｘ４」は、例えば、コンプレッサの冷媒の流量を計測する流量計が示す流量を意味する。「変数ｘ４のデータ」は、流量計から出力された値である。

また、「属性」は、変数ｘ１〜ｘ４のデータが“正常データ”であるか、“異常データ”であるかを示すデータである。本実施形態では、変数ｘ１〜ｘ４のデータが“正常データ”である場合、“０”が付され、変数ｘ１〜ｘ４のデータが“異常データ”である場合、“１”が付されている。

本実施形態では、第１データ４１は、ｉ個の“正常データ”と、ｊ個の“異常データ”とを含み、予め記憶装置３２に格納されている。また、第１データ４１の１番目のデータは、例えば、時刻ｔ１に取得された、ショーケース３００が正常な場合の変数ｘ１〜ｘ４のデータである。

図４は、図３に示した第１データ４１を示す散布図である。なお、複数の第１データ４１の夫々は、４個の変数ｘ１〜ｘ４のデータ及び属性を含むが、便宜上、図４ではデータが変数ｘ１及びｘ２の２個の変数のデータであるとして図示している。

入力装置３３は、ユーザによるコマンドやデータの入力を受け付ける装置であり、キーボード、タッチパネルディスプレイ上でのタッチ位置を検出するタッチセンサなどの入力インタフェースを含む。

表示装置３４は、例えばディスプレイなどの装置であり、通信装置３５は、ネットワーク２５を介して、診断装置２１や他のコンピュータと各種プログラムやデータの受け渡しを行う。

＝＝機能ブロックの実施例＝＝
図５は、情報処理装置２０に実現される機能ブロックの一例を示す図である。情報処理装置２０のＣＰＵ３０が、制御プログラム４０を実行することにより、情報処理装置２０には、クラスタリング部５０、生成部５１、モデル構築部５２、算出部５３、及び第１取得部５４が実現される。

クラスタリング部５０は、複数の第１データ４１を、複数のクラスタにグループ化する。なお、ここで「グループ化」とは、１以上のグループにデータを分けることをいう。

具体的には、クラスタリング部５０は、先ず、記憶装置３２に格納された第１データ４１を取得する。そして、クラスタリング部５０は、“正常データ”及び“異常データ”の夫々を、複数のクラスタにグループ化する。

複数のクラスタにグループ化する処理を施すアルゴリズムとしては、例えばｋ−ｍｅａｎｓのようにクラスタの数を予め仮定するアルゴリズムを用いてもよく、またはｘ−ｍｅａｎｓのようにクラスタの数を予め仮定しないアルゴリズムを用いてもよい。複数のクラスタにグループ化することができれば他のアルゴリズムを用いてもよい。本実施形態では、クラスタリング部５０は、複数の第１データ４１に対しｘ−ｍｅａｎｓによる処理を施す。

図６は、“正常データ”と“異常データ”とが、夫々複数のクラスタの分類された状態を説明するための図である。ここでは、“正常データ”は、２個のクラスタＣ１及びＣ２にグループ化され、“異常データ”は、２個のクラスタＣ３及びＣ４にグループ化されている。

ここで、仮に、第１データ４１の“正常データ”と、“異常データ”とを分けずにクラスタリング部５０が、全ての第１データ４１を複数のクラスタにグループ化した場合、一のクラスタが“正常データ”と、“異常データ”とを含んでしまうことがある。このような場合、クラスタに含まれるデータを学習用データとすると、学習用データは“正常データ”を示すデータであるか、“異常データ”を示すデータであるかが不明瞭となる。

本実施形態では、第１データ４１の“正常データ”と、“異常データ”とを分けた状態で、夫々を複数のクラスタにグループ化する。したがって、本実施形態では、学習用データの精度を高めることができる。

なお、クラスタリング部５０は、第１データ４１の“正常データ”と、“異常データ”との双方を、夫々複数のクラスタにグループ化しなくてもよい。例えば、“異常データ”のみを、複数のクラスタにグループ化してもよい。

生成部５１は、複数のクラスタの夫々に含まれるデータを、複数のクラスタ毎に識別する識別情報を、複数の第１データ４１の夫々に付与し、複数の第２データ４２を生成する。図７は、本実施形態の第２データ４２を示す図である。この例では、第１データ４１のうち、クラスタＣ１にグループ化された第１データ４１には識別情報“１”を付与し、クラスタＣ２にグループ化された第１データ４１には識別情報“２”を付与する。

更に、クラスタＣ３にグループ化された第１データ４１には識別情報“３”を付与し、クラスタＣ４にグループ化された第１データ４１には識別情報“４”を付与することによって、第２データ４２を生成している。

モデル構築部５２は、複数の第２データ４２に基づいて、第１学習モデルＭ１を構築する。第１学習モデルＭ１は、複数のパターンのうち、入力されるデータを、何れかのパターンに分類するための学習モデルである。複数のパターンは、複数のクラスタの夫々に含まれるデータに基づいている。

本実施形態では、複数のパターンは、パターン１〜パターン４からなる。パターン１はクラスタＣ１に含まれるデータに基づき、パターン２はクラスタＣ２に含まれるデータに基づき、パターン３はクラスタＣ３に含まれるデータに基づき、パターン４はクラスタＣ４に含まれるデータに基づいている。

本実施形態では、第１学習モデルＭ１の学習が行われると、第１学習モデルＭ１の関数の係数等が調整される。なお、第１学習モデルＭ１は、例えばサポートベクターマシン（ＳＶＭ）の手法に基づいて構築され、第１学習モデルＭ１の関数は、例えば、ｙ＝ｆ１（ｘ１，ｘ２，ｘ３，ｘ４）と表される。

図８においては、複数の第２データ４２を、４つのパターンのうち、いずれかのパターンに分類する第１学習モデルＭ１を示す関数ｆ１の一例をｘ１−ｘ２平面において図示している。

モデル構築部５２は、更に、後述する第１取得部５４が取得したデータに基づいて、第２学習モデルＭ２を構築する。第２学習モデルＭ２は、第１学習モデルＭ１と同様に、入力されるデータが複数のパターンの何れに属するかを分類するための学習モデルである。つまり、本実施形態の第２学習モデルＭ２も、入力されるデータが、パターン１〜４の何れに属するかを分類する。

第２学習モデルＭ２は、診断装置２１に出力される学習モデルである。第２学習モデルＭ２を構築する方法についての詳細は後述する。

算出部５３は、影響度情報７０を算出する。影響度情報７０とは、複数のパターンの夫々における複数の変数の夫々の影響度を示す情報である。

ここでの影響度とは、第１学習モデルＭ１に基づく分類の結果に対する、分類された第２データ４２が有する複数の変数の各々の影響度を意味する。影響度は、影響度を示す値として、例えば０〜１００％のように、所定の範囲の数値で表現されてもよい。また、影響度は、影響度を示す値に対して所定の値を閾とし、“強”又は“弱”のように２値化したもので表現されもてよいし、３以上に多値化したもので表現されてもよい。

影響度を示す情報とは、複数の変数、及び複数の変数の夫々の影響度のうち、少なくとも一部を含む情報である。つまり、影響度を示す情報は、複数の変数、及び複数の変数の夫々の影響度の全てを含んでもよい。また、影響度を示す情報は、影響度を示す値が最も高いものに対応する変数のみでもよい。

図９は、本実施形態の影響度情報７０を示す図である。本実施形態の影響度情報７０は、複数のパターンの夫々における複数の変数の夫々の影響度を示す値を含む情報である。この例では、影響度を示す値は、０〜１００％の範囲で示されている。また、夫々のパターンにおいて、変数ｘ１〜ｘ４の夫々の影響度の総和が１００％となるよう規格化されている。

以下では、「影響度を示す値」を、単に「影響度」と呼ぶことにする。本実施形態では、パターンｋ（ｋ＝１〜４）における変数ｘｌ（ｌ＝１〜４）の影響度を、影響度Ａ_ｋｌとする。

本実施形態の影響度Ａ_ｋｌは、第１学習モデルＭ１によってパターンｋに分類された第２データ４２に対して出力される影響度である。つまり、本実施形態の影響度Ａ_ｋｌは、入力された変数ｘｌ（ｌ＝１〜４）のデータがパターンｋに分類される限り、変数ｘｌ（ｌ＝１〜４）のデータによらず一定となるように近似された影響度である。影響度Ａ_ｋｌを算出する方法の詳細については後述する。

例えば、図９の影響度情報７０に示されるパターン３は、クラスタＣ３に含まれる第２データ４２に基づいている（図６）。クラスタＣ３に含まれる第２データ４２は、“異常データ”を示す属性“１”及び識別情報“３”が付されたデータである（図７）。

図９では、パターン３における変数ｘ１の影響度（Ａ_３１）が１０％、変数ｘ２の影響度（Ａ_３２）が２％、変数ｘ３の影響度（Ａ_３３）が８０％、変数ｘ４の影響度（Ａ_３４）が８％であることを示している。

この例では、入力された変数ｘｌ（ｌ＝１〜４）のデータがパターン３に分類された場合、変数ｘ３の影響度が支配的である。このことは、第１学習モデルＭ１を用いた分類において、変数ｘ３のデータが最も重要視された結果であることを意味する。また、このことは、変数ｘ３を意味する圧力センサの出力値が異常であると推定できることを意味する。

以下、本実施形態の影響度情報７０を示す値を算出する方法について説明する。影響度情報７０を示す値は、複数の第２データ４２及び第１学習モデルＭ１に基づいて算出される。

先ず、算出部５３は、機械学習モデルの解釈法として使用可能なアルゴリズムを用いて、複数の第２データ４２の夫々に対する影響度を算出する。アルゴリズムとしては、例えばＬＩＭＥ（local interpretable model-agnostic explanations）やＳＨＡＰ（SHapley Additive exPlanations）といったアルゴリズムを用いることができる。本実施形態では、ＬＩＭＥを用いて影響度を算出する。

具体的には、ＬＩＭＥを用いて、複数の第２データ４２のうち、識別情報“ｋ”（ｋ＝１〜４）が付された一の第２データ４２について、変数ｘｌ（ｌ＝１〜４）の影響度ａ_ｋｌ（ｌ＝１〜４）を算出する。このとき、一の第２データ４２の周辺で、第１学習モデルＭ１に基づいて局所的な線形近似モデルを生成し、線形近似モデルにおける変数ｘｌ（ｌ＝１〜４）の重みｗ_ｋｌ（ｌ＝１〜４）を算出する。

そして、算出された重みｗ_ｋｌ（ｋ＝１〜４、ｌ＝１〜４）を、ｌについての総和が１００となるように規格化したものを、一の第２データ４２についての変数ｘｌ（ｌ＝１〜４）の影響度ａ_ｋｌ（ｋ＝１〜４、ｌ＝１〜４）とする。以上の算出処理を全ての第２データ４２について行う。

次いで、複数の第２データ４２のうち、識別情報“ｋ”（ｋ＝１〜４）が付与された全ての第２データ４２について、影響度ａ_ｋｌ（ｌ＝１〜４）を足し合わせたものを、重みＷ_ｋｌ（ｌ＝１〜４）とする。そして、算出された重みＷ_ｋｌ（ｌ＝１〜４）を、ｌについての総和が１００となるように規格化したものを、上述の影響度Ａ_ｋｌ（ｌ＝１〜４）とする。

第１取得部５４は、複数の第２データ４２のうち、複数のクラスタの夫々に含まれるデータを少なくとも一つ含む一部のデータを取得する。前述のように、複数の第２データ４２のうち、第１取得部５４によって取得された取得された第２データ４２は、モデル構築部５２が第２データ４２を構築するために用いられる。

図１０は、第１取得部５４によって取得された第２データ４２を示す図である。図１０において、黒丸は、複数の第２データ４２のうち、第１取得部５４によって取得された第２データ４２を示している。一方、白丸は、複数の第２データ４２のうち、第１取得部５４によって取得された第２データ４２以外の第２データ４２を示している。

第１取得部５４は、複数の第２データ４２のうち、複数のクラスタの夫々の重心に最も近いデータを少なくとも取得する。なお、ここで、一のクラスタの「重心」とは、の一のクラスタに含まれる複数の第２データ４２の平均値である。

図１０の例では、第１取得部５４は、複数のクラスタの夫々の重心から所定の距離以内に存在する第２データ４２（黒丸）を取得する。ここでの距離としては特に限定されないが、例えばユークリッド距離、マンハッタン距離、チェビシェフ距離等を用いることができる。

第２学習モデルＭ２は、前述した第１学習モデルＭ１と同様の手法に基づいて構築され、第２学習モデルＭ２の関数は、例えば、ｙ＝ｆ２（ｘ１，ｘ２，ｘ３，ｘ４）と表される。

つまり、第２学習モデルＭ２は、複数の第２データ４２のうち、複数のクラスタの夫々の重心の近傍に存在する代表的な第２データ４２に基づいて構築されることになる。この結果、モデル構築部５２は、第２データ４２の分布に関する情報を保ちつつ、少ないデータ量を用いて第２学習モデルＭ２の学習を行う。なお、「データの分布」とは、例えば、データｘ１〜ｘ４のそれぞれを一つのベクトルとした際のベクトル空間における分布である。

このようにして構築された第２学習モデルＭ２は、第１学習モデルＭ１を近似的に表した学習モデルといえる。また、第２学習モデルＭ２は、第１学習モデルＭ１よりも少ないデータ量を用いて構築されるため、第２学習モデルＭ２の関数ｆ２は、第１学習モデルＭ１の関数ｆ１よりもデータ量が少ない。

第２学習モデルＭ２は、後述する診断装置２１において、分類部８１がＳＶＭにより診断データを複数のパターンの何れかに分類する処理に用いられる。この分類する処理において、第１学習モデルＭ１よりもデータ量が少ない第２学習モデルＭ２を用いることにより、第１学習モデルＭ１を用いる場合に比べて処理速度を高速化することができる。

＜＜情報処理Ｓ１０＞＞
以下、各機能ブロックが実行する処理の一例を、図１１等を参照しつつ説明する。図１１は、情報処理装置２０で実行される処理の一例を示すフローチャートである。

先ず、クラスタリング部５０は、記憶装置３２に格納された第１データ４１（図３、４）を取得する（Ｓ１１）。

次いで、クラスタリング部５０は、第１データ４１を複数のクラスタにグループ化する（Ｓ１２、図６）。このとき、クラスタリング部５０は、第１データ４１の“正常データ”と、“異常データ”とを分けた状態で、夫々を複数のクラスタにグループ化する。

次いで、生成部５１は、複数のクラスタの夫々に含まれるデータを、複数のクラスタ毎に識別する識別情報を、複数の第１データ４１の夫々に付与し、複数の第２データ４２を生成する（Ｓ１３、図７）。

次いで、モデル構築部５２は、Ｓ１３で生成された複数の第２データ４２に基づいて、第１学習モデルＭ１を構築する（Ｓ１４、図８）。

次いで、算出部５３は、Ｓ１３で生成された複数の第２データ４２及びＳ１４で構築された第１学習モデルＭ１に基づいて、影響度情報７０を算出する（Ｓ１５、図９）。

次いで、第１取得部５４は、複数の第２データ４２のうち、複数のクラスタの夫々に含まれるデータを少なくとも一つ含む一部のデータを取得する（Ｓ１６、図１０）。

次いで、モデル構築部５２は、Ｓ１６で取得された複数の第２データ４２の一部に基づいて、第２学習モデルＭ２を構築する（Ｓ１７、図１０）。

次いで、情報処理装置２０は、Ｓ１５で算出された影響度情報７０と、Ｓ１７で構築された第２学習モデルＭ２を、診断装置２１に出力する。

＜＜＜診断装置２１について＞＞＞
＝＝診断装置２１の構成＝＝
図１２は、診断装置２１のハードウェア構成の一例を示す図である。診断装置２１は、ＣＰＵ６０、メモリ６１、記憶装置６２、入力装置６３、表示装置６４、及び通信装置６５を含むコンピュータである。なお、診断装置２１のハードウェア構成は、情報処理装置２０のハードウェア構成と同様であるため、ここでは詳細な説明は省略する。

記憶装置６２は、第２学習モデルＭ２、影響度情報７０、及び診断プログラム７１を記憶する。第２学習モデルＭ２は、情報処理装置２０で構築されたモデルである。

診断プログラム７１は、制御プログラム４０と同様に、診断装置２１が有する各種機能を実現するためのプログラムを総称している。

＝＝機能ブロック＝＝
図１２は、診断装置２１に実現される機能ブロックの一例を示す図である。診断装置２１のＣＰＵ６０が、診断プログラム７１を実行することにより、診断装置２１には、第２取得部８０、分類部８１、出力部８２、及び記憶部８３が実現される。

第２取得部８０は、複数の変数を含み診断対象となる診断データを取得する。具体的には、第２取得部８０は、運転中のショーケース３００のセンサ３１０から出力される変数ｘ１〜ｘ４のデータを、所定時間間隔毎（例えば、３０秒毎）に取得する。なお、センサ３１０から出力される変数ｘ１〜ｘ４のデータが「診断データ」に相当する。

分類部８１は、情報処理装置２０のモデル構築部５２によって構築された第２学習モデルＭ２に基づいて、診断データを複数のパターンの何れかに分類する。本実施形態の複数のパターンとは、前述のように、パターン１〜パターン４からなる。

出力部８２は、診断データが分類されたパターンの影響度情報７０（図９）を出力する。例えば、ある時刻に取得された診断データが分類部８１によってパターン４に分類された場合、本実施形態では、出力部８２は、変数ｘ１の影響度（Ａ_４１）が１％、変数ｘ２の影響度（Ａ_４２）が４％、変数ｘ３の影響度（Ａ_４３）が０％、変数ｘ４の影響度（Ａ_４４）が９５％である旨を出力する。このとき、出力部８２は、表示装置６４に出力してもよいし、音声情報により出力してもよい。

そして、作業者は、出力部８２による出力を確認することにより、ショーケース３００に異常が検知されたことを把握する。この場合、作業者は、異常の主な要因が、変数ｘ４が意味するコンプレッサの冷媒の流量であることを把握する。

記憶部８３は、情報処理装置２０から診断装置２１に出力された影響度情報７０を記憶する。これによって、診断処理において、過去に生成した影響度情報７０を用いることができる。これによって、情報処理装置２０によって第２学習モデルＭ２及び影響度情報７０を生成する回数を抑えることができる。また、これによって、診断データの夫々に対し、ＬＩＭＥ等を用いて影響度を算出する必要がなく、診断処理における計算負荷を削減することができる。

なお、本実施形態では、分類部８１は、第２学習モデルＭ２に基づいて、診断データを複数のパターンの何れかに分類する態様を示したが、これに限られない。分類部８１は、第２学習モデルＭ２ではなく、第１学習モデルＭ１に基づいて分類してもよい。

この場合、情報処理装置２０は、第２学習モデルＭ２を構築する必要はない。また、この場合、情報処理装置２０は、第２学習モデルＭ２に代えて、第１学習モデルＭ１を診断装置２１に出力する。

＜＜診断処理Ｓ２０＞＞
以下、各機能ブロックが実行する処理の一例を、図１４等を参照しつつ説明する。図１４は、診断装置２１で実行される処理の一例を示すフローチャートである。

まず、図１４に示すように、第２取得部８０は、複数の変数を含み診断対象となる診断データを取得する（Ｓ２１）。次いで、分類部８１は、第２学習モデルＭ２に基づいて、診断データを複数のパターンの何れかに分類する（Ｓ２２）。次いで、出力部８２は、診断データが分類されたパターンの影響度情報７０を出力する（Ｓ２３）。

＝＝＝まとめ＝＝＝
以上、本実施形態の情報処理システム１０について説明した。かかる実施形態によれば、分類の要因となる特徴を推定することが可能な情報処理システムを提供することができる。

また、かかる実施形態によれば、クラスタリング部５０が複数の第１データ４１を複数のクラスタにグループ化する際、ｘ−ｍｅａｎｓによる処理を施す。そのため、クラスタの数を仮定する必要がない。これによって、分類の要因となる特徴を推定する際に、特徴の数に対する先入観が排除されるため、正確な推定をすることができる。

また、かかる実施形態によれば、複数の第１データ４１は、所定の属性を有するデータである。そのため、クラスタリング部５０が複数の第１データ４１を複数クラスタにグループ化する際、属性ごとに分けてグループ化することができる。これによって、複数の第１データ４１の、学習用データとしての精度を高めることができる。

また、かかる実施形態によれば、所定の属性は、所定の装置が正常に動作しているか否かを示す情報である。つまり、クラスタリング部５０は、複数の第１データ４１の“正常データ”と、“異常データ”とを分けた状態で、夫々を複数のクラスタにグループ化することができる。そのため、一のクラスタに“正常データ”と、“異常データ”が混在することがなく、複数の第１データ４１の、学習用データとしての精度を高めることができる。

また、かかる実施形態によれば、影響度情報７０は、複数の変数の夫々の影響度を示す値を含む情報である。これによって、分類の要因となる特徴を定量的に推定することが可能となる。

また、かかる実施形態によれば、第１取得部５４は、複数の第２データ４２のうち、複数のクラスタの夫々に含まれるデータを少なくとも一つ含む一部のデータを取得する。これによって、第２データ４２の分布に関する情報を保ちつつ、より少ないデータ量を用いて第２学習モデルＭ２の学習を行うことができる。これによって、第２学習モデルＭ２の学習時間を削減することができる。

また、かかる実施形態によれば、第１取得部５４は、複数の第２データ４２のうち、複数のクラスタの夫々の重心に最も近いデータを少なくとも取得する。これによって、第２データ４２の分布に関する情報を保ちつつ、第２学習モデルＭ２の学習に用いるデータ量を効率的に減らすことができる。

また、かかる実施形態によれば、診断処理において、所定の装置から出力される診断データの夫々に対し、第２学習モデルＭ２による分類の結果に基づいて影響度情報７０を参照することによって、分類の要因となる特徴を推定することができる。

従来の異常検知方法では、診断処理において、装置から出力される診断データの夫々に対し、ＬＩＭＥやＳＨＡＰ等の機械学習モデルの既存の解釈法を用いて影響度を算出する。そのため、診断処理における計算負荷が膨大となるという課題があった。

しかしながら、かかる実施形態の診断処理によれば、診断データの夫々に対し、影響度を算出する必要がない。これによって、診断処理における計算負荷を削減することができる。

また、かかる実施形態によれば、診断装置２１は、影響度情報７０を記憶する記憶部８３を備える。これによって、診断処理において、過去に生成した影響度情報７０を用いることができる。これにより、情報処理装置２０によって第２学習モデルＭ２及び影響度情報７０を生成する回数を抑えることができる。

上記の実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。また、本発明は、その趣旨を逸脱することなく、変更や改良され得るとともに、本発明にはその等価物が含まれるのはいうまでもない。

１０：情報処理システム
２０：情報処理装置
２１：診断装置
２５：ネットワーク
３０：ＣＰＵ
３１：メモリ
３２：記憶装置
３３：入力装置
３４：表示装置
３５：通信装置
４０：制御プログラム
４１：第１データ
４２：第２データ
５０：クラスタリング部
５１：生成部
５２：モデル構築部
５３：算出部
５４：第１取得部
６０：ＣＰＵ
６１：メモリ
６２：記憶装置
６３：入力装置
６４：表示装置
６５：通信装置
７０：影響度情報
７１：診断プログラム
８０：第２取得部
８１：分類部
８２：出力部
８３：記憶部
３００：ショーケース
３１０：センサ
Ｍ１：第１学習モデル
Ｍ２：第２学習モデル

Claims (11)

1. 複数の変数を含む複数の第１データを、複数のクラスタにグループ化するクラスタリング部と、
   前記複数のクラスタの夫々に含まれるデータを前記複数のクラスタ毎に識別する識別情報を、前記複数の第１データの夫々に付与し、複数の第２データを生成する生成部と、
   前記複数のクラスタの夫々に含まれるデータに基づく複数のパターンのうち、入力されるデータを、何れかのパターンに分類するための第１学習モデルを、前記複数の第２データに基づいて構築するモデル構築部と、
   前記複数の第２データ及び前記第１学習モデルに基づいて、前記複数のパターンの夫々における前記複数の変数の夫々の影響度を示す影響度情報を算出する算出部と、
   を備える情報処理装置。
2. 請求項１に記載の情報処理装置であって、
   前記クラスタリング部は、前記複数の第１データに対しｘ−ｍｅａｎｓによる処理を施すこと、
   を特徴とする情報処理装置。
3. 請求項１または２に記載の情報処理装置であって、
   前記複数の第１データは、所定の属性を有するデータであること、
   を特徴とする情報処理装置。
4. 請求項３に記載の情報処理装置であって、
   前記所定の属性は、所定の装置が正常に動作しているか否かを示す情報であること、
   を特徴とする情報処理装置。
5. 請求項１〜４の何れか一項に記載の情報処理装置であって、
   前記影響度情報は、前記複数の変数の夫々の影響度を示す値を含む情報であること、
   を特徴とする情報処理装置。
6. 請求項１〜５の何れか一項に記載の情報処理装置であって、
   前記複数の第２データのうち、前記複数のクラスタの夫々に含まれるデータを少なくとも一つ含む一部のデータを取得する第１取得部を備え、
   前記モデル構築部は、
   前記第１取得部が取得したデータに基づいて、入力されるデータが前記複数のパターンの何れに属するかを分類するための第２学習モデルを構築すること、
   を特徴とする情報処理装置。
7. 請求項６に記載の情報処理装置であって、
   前記第１取得部は、
   前記複数の第２データのうち、前記複数のクラスタの夫々の重心に最も近いデータを少なくとも取得すること、
   を特徴とする情報処理装置。
8. 請求項６または７に記載の情報処理装置と、
   前記複数の変数を含み診断対象となる診断データを取得する第２取得部と、
   前記第２学習モデルに基づいて、前記診断データを前記複数のパターンの何れかに分類する分類部と、
   前記診断データが分類されたパターンの前記影響度情報を出力する出力部と、
   を含む診断装置と、を備える情報処理システム。
9. 請求項８に記載の情報処理システムであって、
   前記診断装置は、前記影響度情報を記憶する記憶部を備えること、
   を特徴とする情報処理システム。
10. 複数の変数を含む複数の第１データを、複数のクラスタにグループ化するステップと、
    前記複数のクラスタの夫々に含まれるデータを前記複数のクラスタ毎に識別する識別情報を、前記複数の第１データの夫々に付与し、複数の第２データを生成するステップと、
    前記複数のクラスタの夫々に含まれるデータに基づく複数のパターンのうち、入力されるデータを、何れかのパターンに分類するための第１学習モデルを、前記複数の第２データに基づいて構築するステップと、
    前記複数の第２データ及び前記第１学習モデルに基づいて、前記複数のパターンの夫々における前記複数の変数の夫々の影響度を示す影響度情報を算出するステップと、
    を含む情報処理方法。
11. コンピュータに、
    複数の変数を含む複数の第１データを、複数のクラスタにグループ化させ、
    前記複数のクラスタの夫々に含まれるデータを前記複数のクラスタ毎に識別する識別情報を、前記複数の第１データの夫々に付与し、複数の第２データを生成させ、
    前記複数のクラスタの夫々に含まれるデータに基づく複数のパターンのうち、入力されるデータを、何れかのパターンに分類するための第１学習モデルを、前記複数の第２データに基づいて構築させ、
    前記複数の第２データ及び前記第１学習モデルに基づいて、前記複数のパターンの夫々における前記複数の変数の夫々の影響度を示す影響度情報を算出させる、
    ことを特徴とする情報処理プログラム。

Images