JP2022125608A - 予測システム、情報処理装置および情報処理プログラム - Google Patents

Abstract

【課題】予測モデルをより簡易的に評価できる手法を予測システム、情報処理装置及び情報処理プログラムを提供する。
【解決手段】予測システムにおいて、制御装置は、制御対象を制御するための制御演算を実行する制御演算部と、制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部と、木構造の学習アルゴリズムに基づく予測モデルを生成する予測モデル生成部と、予測モデルを評価する予測モデル評価部とを備える。予測モデル評価部は、予測モデルの木構造の特性を解析する解析部と、解析部の解析結果に基づいて予測モデルを評価する評価部と、して機能する。
【選択図】図９

Description

本開示は、制御対象に生じる変化を予測する予測システム、予測システムを構成する情報処理装置、および情報処理装置を実現するための情報処理プログラムに関する。

様々な生産現場において、何らかの理由によって、本来とは異なる変化や通常とは異なる変化が生じることがある。このような変化の発生を事前に予測して、何らかの対処をとることができると、生産設備の性能維持や製品の品質確保などに有益である。

このような事前の予測に関して、例えば、特開２００９－２３７８３２号公報（特許文献１）は、あらゆる期間・季節で需要予測精度の向上が可能な可変的予測モデル構築方法を開示する。特許文献１に開示される可変的予測モデル構築方法は、蓄積した時系列データに補正を加えた学習データを用いて、７～７０日の複数の学習期間毎に適切な予測モデルを構築し、各学習期間のモデル化精度評価を行うことで、予測精度が最も高い最適な学習期間、予測モデルを選択する処理を採用する。

特開２００９－２３７８３２号公報

しかしながら、上述の特許文献１に開示される可変的予測モデル構築方法においては、複数の学習期間毎に適切な予測モデルを構築した上で、各学習期間のモデル化精度を評価する必要があり、最適な学習期間、予測モデルを選択するために要する工数が大きいという課題がある。

本開示は、予測モデルをより簡易的に評価できる手法を提供することである。

ある局面に基づく予測システムは、制御対象を制御するための制御演算を実行する制御演算部と、制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部と、木構造の学習アルゴリズムに基づく予測モデルを生成する予測モデル生成部と、予測モデルを評価する予測モデル評価部とを備える。予測モデル評価部は、予測モデルの木構造の特性を解析する解析部と、解析部の解析結果に基づいて予測モデルを評価する評価部とを含む。

この構成によれば、木構造の特性を解析して、解析結果に基づいて予測モデルを評価することが可能であるため予測モデルを簡易的に評価できる。

好ましくは、予測モデル評価部は、予測モデルを評価する評価の種別および基準値を設定する評価設定部をさらに含む。

この構成によれば、評価の種別および基準値を設定できるため予測モデルを簡易的に評価できる。

好ましくは、評価部は、予測モデルの評価結果を表示部に表示する。
この構成によれば、表示部に評価結果が表示されるため予測モデルを簡易的に評価できる。

好ましくは、予測モデル生成部は、予測モデルの評価結果に対応する学習用サンプルに基づいて予測モデルを更新する。

この構成によれば、予測モデルの評価結果に対応する学習用サンプルに基づいて予測モデルが更新されるため、予測モデルの精度を向上させることができる。

ある局面に基づく情報処理装置は、制御装置に接続される情報処理装置であって、制御装置は、制御対象を制御するための制御演算を実行する制御演算部と、制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部とを備える。情報処理装置は、木構造の学習アルゴリズムに基づく予測モデルを生成する予測モデル生成部と、予測モデルを評価する予測モデル評価部とを備える。予測モデル評価部は、予測モデルの木構造の特性を解析する解析部と、解析部の解析結果に基づいて予測モデルを評価する評価部とを含む。

この構成によれば、木構造の特性を解析して、解析結果に基づいて予測モデルを評価することが可能であるため予測モデルを簡易的に評価できる。

ある局面に基づく情報処理プログラムは、制御装置に接続されるコンピュータで実行される情報処理プログラムであって、制御装置は、制御対象を制御するための制御演算を実行する制御演算部と、制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部とを備える。情報処理プログラムは、コンピュータに、木構造の学習アルゴリズムに基づく予測モデルを生成するステップと、予測モデルを評価するステップとを実行させる。予測モデルを評価するステップは、予測モデルの木構造の特性を解析するステップと、解析結果に基づいて予測モデルを評価するステップとを含む。

この構成によれば、木構造の特性を解析して、解析結果に基づいて予測モデルを評価することが可能であるため予測モデルを簡易的に評価できる。

なお、本開示において、「部」及び「装置」とは、単に物理的手段を意味するものではなく、その「部」及び「装置」が有する機能をソフトウェアによって実現する構成も含む。また、１つの「部」及び「装置」が有する機能が２つ以上の物理的手段や装置によって実現されてもよく、或いは、２つ以上の「部」及び「装置」の機能が１つの物理的手段や装置によって実現されてもよい。さらに、「部」及び「装置」とは、例えば「手段」及び「システム」と言い換えることも可能な概念である。

本開示の予測システム、情報処理装置および情報処理プログラムは、予測モデルをより簡易的に評価できる。

実施形態に基づく予測システム１の全体構成例を示す模式図である。 実施形態に基づく予測システム１の応用例を示す模式図である。 実施形態に基づく予測システム１による制御系を説明する図である。 実施形態に基づく予測システム１による予測制御系の予測結果に基づく制御の一例を示す模式図である。 実施形態に基づく予測システム１を用いた予測モデル１４０の生成処理の処理手順を示すフローチャートである。 実施形態に基づく予測モデル１４０の学習方法について説明する図である。 実施形態に基づく予測システム１を構成する制御装置１００のハードウェア構成例を示すブロック図である。 実施形態に基づく予測システム１を構成するサポート装置２００のハードウェア構成例を示すブロック図である。 実施形態に基づく予測システム１を構成する制御装置１００およびサポート装置２００のソフトウェア構成例を示すブロック図である。 図９に示す解析プログラム２２６に含まれる機能モジュールの概要を示すブロック図である。 実施形態に基づく予測モデルの評価について説明する図である。 実施形態に基づく予測モデルの評価について説明するフロー図である。 実施形態に基づく予測モデルの木構造の具体例について説明する図である。 実施形態に基づく予測モデルの分布図の具体例について説明する図である。 実施形態に基づくモデル評価画面について説明する図である。 実施形態に基づく別のモデル評価画面について説明する図である。 実施形態に基づく予測システム１の適用例を説明する図である。 実施形態に基づく予測モデルの追加学習について説明する図である。 本実施の形態の変形例に係る異常検知システム１Ａの概要構成を示す模式図である。 本実施の形態の変形例に係る異常検知システム１Ａの具体例について説明する図である。 本実施の形態の変形例に係る異常検知システム１Ａの評価の概念図である。 本実施の形態の変形例に係る異常検知モデルの追加学習について説明する図である。

実施の形態について、図面を参照しながら詳細に説明する。なお、図中の同一または相当部分については、同一符号を付してその説明は繰り返さない。

＜Ａ．適用例＞
まず、本実施形態が適用される場面の一例について説明する。

実施形態に基づく予測機能を有する制御システムの主要な局面について説明する。以下の説明においては、主として、制御システムが有している予測機能に注目して説明するので、制御システム全体を「予測システム」とも称する。

図１は、実施形態に基づく予測システム１の全体構成例を示す模式図である。図１を参照して、実施形態に基づく予測システム１は、主たる構成要素として、制御対象を制御する制御装置１００と、制御装置１００に接続されるサポート装置２００とを含む。

制御装置１００は、ＰＬＣ（プログラマブルコントローラ）などの、一種のコンピュータとして具現化されてもよい。制御装置１００は、フィールドバス２を介してフィールド装置群１０と接続されるとともに、フィールドバス４を介して１または複数の表示装置４００と接続されてもよい。さらに、制御装置１００は、上位ネットワーク６を介して上位サーバ３００に接続されてもよい。なお、上位サーバ３００および表示装置４００はオプショナルな構成であり、予測システム１の必須の構成ではない。

制御装置１００は、設備や機械を制御するための各種演算を実行する制御ロジック（以下、「ＰＬＣエンジン」とも称す。）を有している。ＰＬＣエンジンに加えて、制御装置１００は、フィールド装置群１０にて計測され、制御装置１００へ転送されるデータ（以下、「入力データ」とも称す。）を収集する収集機能を有している。さらに、制御装置１００は、収集した入力データに基づいて将来の時間変化を予測する予測機能も有している。

具体的には、制御装置１００に実装される時系列データベース（以下、「ＴＳＤＢ（Time Series Data Base）」とも記す。）１３０が収集機能を提供し、制御装置１００に実装される予測モデル１４０が監視機能を提供する。ＴＳＤＢ１３０および予測モデル１４０の詳細については後述する。

フィールドバス２およびフィールドバス４は、産業用の通信プロトコルを採用することが好ましい。このような通信プロトコルとしては、ＥｔｈｅｒＣＡＴ（登録商標）、ＥｔｈｅｒＮｅｔ／ＩＰ（登録商標）、ＤｅｖｉｃｅＮｅｔ（登録商標）、ＣｏｍｐｏＮｅｔ（登録商標）などが知られている。

フィールド装置群１０は、制御対象または制御に関連する製造装置や生産ラインなど（以下、「フィールド」とも総称する。）から入力データを収集する装置を含む。このような入力データを収集する装置としては、入力リレーや各種センサなどが想定される。フィールド装置群１０は、さらに、制御装置１００にて生成される指令（以下、「出力データ」とも称す。）に基づいて、フィールドに対して何らかの作用を与える装置を含む。このようなフィールドに対して何らかの作用を与える装置としては、出力リレー、コンタクタ、サーボドライバおよびサーボモータ、その他任意のアクチュエータが想定される。これらのフィールド装置群１０は、フィールドバス２を介して、制御装置１００との間で、入力データおよび出力データを含むデータを遣り取りする。

図１に示す構成例においては、フィールド装置群１０は、リモートＩ／Ｏ（Input/Output）装置１２と、リレー群１４と、画像センサ１８およびカメラ２０と、サーボドライバ２２およびサーボモータ２４とを含む。

リモートＩ／Ｏ装置１２は、フィールドバス２を介して通信を行う通信部と、入力データの収集および出力データの出力を行うための入出力部（以下、「Ｉ／Ｏユニット」とも称す。）とを含む。このようなＩ／Ｏユニットを介して、制御装置１００とフィールドとの間で入力データおよび出力データが遣り取りされる。図１には、リレー群１４を介して、入力データおよび出力データとして、デジタル信号が遣り取りされる例が示されている。

Ｉ／Ｏユニットは、フィールドバス２に直接接続されるようにしてもよい。図１には、フィールドバス２にＩ／Ｏユニット１６が直接接続されている例を示す。

画像センサ１８は、カメラ２０によって撮像された画像データに対して、パターンマッチングなどの画像計測処理を行って、その処理結果を制御装置１００へ送信する。

サーボドライバ２２は、制御装置１００からの出力データ（例えば、位置指令など）に従って、サーボモータ２４を駆動する。

上述のように、フィールドバス２を介して、制御装置１００とフィールド装置群１０との間でデータが遣り取りされることになるが、これらの遣り取りされるデータは、数百μｓｅｃオーダ～数十ｍｓｅｃオーダのごく短い周期で更新されることになる。なお、このような遣り取りされるデータの更新処理を、「Ｉ／Ｏリフレッシュ処理」と称することもある。

また、フィールドバス４を介して制御装置１００と接続される表示装置４００は、ユーザからの操作を受けて、制御装置１００に対してユーザ操作に応じたコマンドなどを送信するとともに、制御装置１００での演算結果などをグラフィカルに表示する。

上位サーバ３００は、制御装置１００と上位ネットワーク６を介して接続され、制御装置１００との間で必要なデータを遣り取りする。上位ネットワーク６には、イーサネット（登録商標）などの汎用プロトコルが実装されてもよい。

サポート装置２００は、制御装置１００が制御対象を制御するために必要な準備を支援する情報処理装置（コンピュータの一例）である。具体的には、サポート装置２００は、制御装置１００で実行されるユーザプログラムの開発環境（プログラム作成編集ツール、パーサ、コンパイラなど）、制御装置１００および制御装置１００に接続される各種デバイスのパラメータ（コンフィギュレーション）を設定するための設定環境、生成したユーザプログラムを制御装置１００へ送信する機能、制御装置１００上で実行されるユーザプログラムなどをオンラインで修正・変更する機能、などを提供する。

さらに、実施形態に基づくサポート装置２００は、制御装置１００に実装される予測モデル１４０の生成および最適化を支援するための機能を有している。すなわち、サポート装置２００は、予測モデル１４０を予め決定する予測モデル生成部を有している。これらの機能の詳細については後述する。

次に、予測システム１に含まれる制御装置１００の応用例について説明する。
図２は、実施形態に基づく予測システム１の応用例を示す模式図である。図２には、プレス機３０を含む生産設備の例を示す。

図２を参照して、プレス機３０は、ワーク３１を受け入れ、ベース３３に設けられた支持台３４上に受け入れたワーク３１を配置する。そして、モータ３７で駆動される駆動軸３６の先端に設けられた押し込み板３５でワーク３１を圧縮して、中間製品３２を生成する。

プレス機３０においては、予期しない要因変動により中間製品３２に不良が発生し得るとする。そのため、プレス機３０の下流側に配置された検査機による検査、あるいは、検査員による目視検査または抜き取りによる検査によって、中間製品３２に不良が発生しているか否かを判断する。もし、不良が発生していると判断されると、目標値などを都度調整することになる。

このように、通常の製造工程においては、中間製品３２の良品率を維持および向上させるためには、目標値を都度調整する必要があるが、様々な観点から事前設計したとしても、すべての要因変動に対応することが難しい。

これに対して、実施形態に基づく予測モデル１４０を用いて、中間製品３２の状態（すなわち、加工後の品質）を予測することで、不良が実際に発生する前に、制御装置１００による制御を補正できる。このような事前の不要発生の予測を利用できることで、目標値などの都度調整に係る工数を削減するとともに、中間製品３２に不良が発生することを防止できる。

図３は、実施形態に基づく予測システム１による制御系を説明する図である。図３を参照して、本例における、制御対象は、プレス機３０である。既存制御系には、装置の設定値が入力されて目標値が生成される。プレス機３０の制御量と、目標値とに基づくフィードバック制御により制御対象に対する操作量が設定される。また、既存制御系に対して予測制御系が設けられる。具体的には、説明変数に対して目標変数を算出する予測器が設けられる。予測器の一例は、予測モデル１４０である。プレス機３０の品質特性の目標値と目的変数とに基づいて補正器で補正値が算出される。当該補正値が操作量に加えられる。

図４は、実施形態に基づく予測システム１による予測制御系の予測結果に基づく制御の一例を示す模式図である。

図４（Ａ）には、ある時点におけるプレス機の押し込み位置の計画値（指令）と、実際のプレス機３０の押し込み位置（実績値）とを示す。目標値は、加工後の中間製品３２のあるべき厚みを示す。

図４（Ｂ）を参照して、ある時点において、それまでの情報（実績値を含み得る）に基づいて、この先のプレス機３０の押し込み位置（予測値）を算出し、その算出された予測値に基づいて、プレス機３０に対する操作量を補正値により補正する。

図２～図４に示すプレス機３０においては、プレス機３０の押し込み位置を予測し、その予測結果に基づいて制御量を補正することで、例えば、ワーク３１の硬さのばらつきなどに応じて、作業者が目標値を都度調整するようなことは必要ない。その結果、予期しない要因変動による不良品の発生を抑制でき、ワーク３１に何らかのばらつきがあっても、品質を安定化できる。

予測に用いるデータ（実績値または観測値）と予測されるデータとは、一部または全部が同一であってもよいし、全く異なるものであってもよい。

実施形態に基づく予測システム１は、予測モデル１４０を適切に生成するための機能を提供する。予測モデル１４０を適切に生成するための機能は、典型的には、サポート装置２００に実装されてもよい。

＜Ｂ．予測モデルの生成および運用の概要＞
次に、実施形態に基づく予測システム１を用いた予測モデル１４０の生成および運用の概要について説明する。

図５は、実施形態に基づく予測システム１を用いた予測モデル１４０の生成処理の処理手順を示すフローチャートである。図５に示す各ステップは、典型的には、サポート装置２００のプロセッサ２０２がプログラム（解析プログラム２２６およびＯＳ２２８など）を実行することで実現される。

図５を参照して、サポート装置２００は、ＴＳＤＢ１３０に格納されている実績値の時系列データを取得する（ステップＳ１）。続いて、サポート装置２００は、取得した実績値の時系列データから予測対象区間の設定を受け付ける（ステップＳ２）。

サポート装置２００は、ステップＳ２において設定された予測対象区間の変化を予測するための予測モデルの生成に用いられる学習用サンプルを選択する（ステップＳ３）。ステップＳ３においては、複数種類のデータのうち、いずれのデータが学習に用いられるのかが選択される。

サポート装置２００は、選択した学習用サンプルに基づいて機械学習する（ステップＳ４）。

サポート装置２００は、機械学習により予測モデル１４０を生成する（ステップＳ６）。本例における予測モデル１４０は、決定木により構成される。決定木は、ある時点の特徴量に対して押し込み位置（予測値）を出力するように構成される。この決定木の学習方法には、ＣＬＳ（Concept Learning System）、ＩＤ３（Iterative Dichotomiser 3）、Ｃ４．５等が用いられてもよい。

本明細書において、「サンプル」は、予測モデル１４０から出力されるべき予測値の教師データとして用いられる所定時間長さのデータ列を意味する。「サンプル」は、基本的には、予測対象の時系列データ（生データ）が用いられるが、予測対象が時系列データから抽出される特徴量である場合には、特徴量を用いてもよい。「サンプル」という用語は、複数のデータを処理する際の処理単位に注目したものであり、それに含まれるデータの内容などについては、特に限定するようなものではない。

本明細書において、任意の予測値を算出または決定するために参照されるデータを「説明変数」とも称す。１または複数の「説明変数」を用いて、任意の予測値が算出または決定される。そのため、学習用サンプルは、「説明変数」の候補となり得るデータと何らかの方法で関連付けられることになる。

本明細書において、「特徴量」は、処理対象の時系列データに含まれる情報を包含する用語であり、例えば、対象の時系列データについての、最大値、最小値、中間値、平均値、標準偏差、分散などを含み得る。なお、「特徴量」は、対象の時系列データそのものも含み得る。

図６は、実施形態に基づく予測モデル１４０の学習方法について説明する図である。図６（Ａ）に示されるように、ＴＳＤＢ１３０に格納されている時系列データが示されている。当該時系列データに対して、予測対象区間が設定され、予測対象区間の時刻ｔおよびｔ－１の２点の特徴量に対して予測対象の目的変数である予測値が推定される。図６（Ｂ）に示されるように、当該時系列データを用いて、単位時刻分ずらして学習処理を実行する場合が示されている。

以上のような処理手順によって生成された予測モデル１４０を制御装置１００に設定することで、図２～図４に示すような運用が可能となる。

＜Ｃ．ハードウェア構成例＞
次に、実施形態に基づく予測システム１を構成する主要な装置のハードウェア構成例について説明する。

（ｃ１：制御装置１００のハードウェア構成例）
図７は、実施形態に基づく予測システム１を構成する制御装置１００のハードウェア構成例を示すブロック図である。図６を参照して、制御装置１００は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro-Processing Unit）などのプロセッサ１０２と、チップセット１０４と、主記憶装置１０６と、二次記憶装置１０８と、上位ネットワークコントローラ１１０と、ＵＳＢ（Universal Serial Bus）コントローラ１１２と、メモリカードインターフェイス１１４と、内部バスコントローラ１２２と、フィールドバスコントローラ１１８，１２０と、Ｉ／Ｏユニット１２４－１，１２４－２，…とを含む。

プロセッサ１０２は、二次記憶装置１０８に格納された各種プログラムを読み出して、主記憶装置１０６に展開して実行することで、ＰＬＣエンジン１５０および予測モデル１４０を実現する。チップセット１０４は、プロセッサ１０２と各コンポーネントとの間のデータ伝送などを制御する。

二次記憶装置１０８には、ＰＬＣエンジン１５０を実現するためのシステムプログラムに加えて、ＰＬＣエンジン１５０を利用して実行されるユーザプログラムが格納される。さらに、二次記憶装置１０８には、予測モデル１４０を実現するためのプログラムも格納される。

上位ネットワークコントローラ１１０は、上位ネットワーク６を介した別の装置との間のデータの遣り取りを制御する。ＵＳＢコントローラ１１２は、ＵＳＢ接続を介してサポート装置２００との間のデータの遣り取りを制御する。

メモリカードインターフェイス１１４は、メモリカード１１６を着脱可能に構成されており、メモリカード１１６に対してデータを書き込み、メモリカード１１６から各種データ（ユーザプログラムやトレースデータなど）を読み出すことが可能になっている。

内部バスコントローラ１２２は、制御装置１００に搭載されるＩ／Ｏユニット１２４－１，１２４－２，…との間でデータを遣り取りするインターフェイスである。

フィールドバスコントローラ１１８は、フィールドバス２を介した別の装置との間のデータの遣り取りを制御する。同様に、フィールドバスコントローラ１２０は、フィールドバス４を介した別の装置との間のデータの遣り取りを制御する。

図７には、プロセッサ１０２がプログラムを実行することで必要な機能が提供される構成例を示したが、これらの提供される機能の一部または全部を、専用のハードウェア回路（例えば、ＡＳＩＣ（Application Specific Integrated Circuit）またはＦＰＧＡ（Field-Programmable Gate Array）など）を用いて実装してもよい。あるいは、制御装置１００の主要部を、汎用的なアーキテクチャに基づくハードウェア（例えば、汎用パソコンをベースとした産業用パソコン）を用いて実現してもよい。この場合には、仮想化技術を用いて、用途の異なる複数のＯＳ（Operating System）を並列的に実行させるとともに、各ＯＳ上で必要なアプリケーションを実行させるようにしてもよい。

（ｃ２：サポート装置２００のハードウェア構成例）
実施形態に基づくサポート装置２００は、一例として、汎用的なアーキテクチャに基づくハードウェア（例えば、汎用パソコン）を用いてプログラムを実行することで実現される。

図８は、実施形態に基づく予測システム１を構成するサポート装置２００のハードウェア構成例を示すブロック図である。図８を参照して、サポート装置２００は、ＣＰＵやＭＰＵなどのプロセッサ２０２と、光学ドライブ２０４と、主記憶装置２０６と、二次記憶装置２０８と、ＵＳＢコントローラ２１２と、上位ネットワークコントローラ２１４と、入力部２１６と、表示部２１８とを含む。これらのコンポーネントはバス２２０を介して接続される。

プロセッサ２０２は、二次記憶装置２０８に格納された各種プログラムを読み出して、主記憶装置２０６に展開して実行することで、後述するようなモデル生成処理を含む各種処理を実現する。

二次記憶装置２０８は、例えば、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Flash Solid State Drive）などで構成される。二次記憶装置２０８には、典型的には、サポート装置２００において実行されるユーザプログラムの作成、作成したユーザプログラムのデバッグ、システム構成の定義、各種パラメータの設定などを行うための開発プログラム２２２と、制御装置１００との間で予測機能に関するデータを遣り取りするためのＰＬＣインターフェイスプログラム２２４と、予測モデル１４０の生成などを実現するための解析プログラム２２６と、ＯＳ２２８とが格納される。二次記憶装置２０８には、図８に示すプログラム以外の必要なプログラムが格納されてもよい。

サポート装置２００は、光学ドライブ２０４を有しており、コンピュータ読取可能なプログラムを非一過的に格納する記録媒体２０５（例えば、ＤＶＤ（Digital Versatile Disc）などの光学記録媒体）から、その中に格納されたプログラムが読み取られて二次記憶装置２０８などにインストールされる。

サポート装置２００で実行される各種プログラムは、コンピュータ読取可能な記録媒体２０５を介してインストールされてもよいが、ネットワーク上の任意のサーバからダウンロードする形でインストールするようにしてもよい。また、実施形態に基づくサポート装置２００が提供する機能は、ＯＳが提供するモジュールの一部を利用する形で実現される場合もある。

ＵＳＢコントローラ２１２は、ＵＳＢ接続を介して制御装置１００との間のデータの遣り取りを制御する。上位ネットワークコントローラ２１４は、任意のネットワークを介した別の装置との間のデータの遣り取りを制御する。

入力部２１６は、キーボードやマウスなどで構成され、ユーザ操作を受け付ける。表示部２１８は、ディスプレイ、各種インジケータ、プリンタなどで構成され、プロセッサ２０２からの処理結果などを出力する。

図８には、プロセッサ２０２がプログラムを実行することで必要な機能が提供される構成例を示したが、これらの提供される機能の一部または全部を、専用のハードウェア回路（例えば、ＡＳＩＣまたはＦＰＧＡなど）を用いて実装してもよい。

＜Ｄ．ソフトウェア構成例／機能構成例＞
次に、実施形態に基づく予測システム１を構成する制御装置１００およびサポート装置２００のソフトウェア構成例および機能構成例について説明する。

図９は、実施形態に基づく予測システム１を構成する制御装置１００およびサポート装置２００のソフトウェア構成例を示すブロック図である。図９を参照して、制御装置１００は、主要な機能構成として、ＰＬＣエンジン１５０に加えて、ＴＳＤＢ１３０および予測モデル１４０を含む。

ＰＬＣエンジン１５０は、ユーザプログラム１５４を逐次解釈して、指定された制御演算を実行する。ＰＬＣエンジン１５０は、フィールドから収集される状態値を変数１５２の形で管理しており、変数１５２は予め定められた周期で更新される。ＰＬＣエンジン１５０は、制御装置１００のプロセッサ１０２がシステムプログラムを実行することで実現されてもよい。

本明細書において、「状態値」は、フィールドから収集される入力値、フィールドへ出力される指令値、および、制御装置１００の内部で管理されるシステム状態値や内部値を含む。実施形態に基づく制御装置１００においては、「状態値」を「変数」の形で参照するので、以下の説明においては、便宜上、「変数」との用語を「状態値」を含む趣旨で用いる。なお、本開示の技術的範囲は、「状態値」を「変数」の形で参照する構成に限定されることはない。

ユーザプログラム１５４は、予測値取得コード１５６と、誤差評価コード１５８と、追加学習コード１６０と、ＴＳＤＢ書き込みコード１６２と、制御演算コード１６４とを含む。

予測値取得コード１５６は、制御演算コード１６４が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデル１４０に入力することで予測値を取得する予測値取得部を実現する。より具体的には、予測値取得コード１５６は、変数１５２として管理される必要な実績値を取得して、予測モデル１４０に入力することで、予測値を取得する命令を含む。

誤差評価コード１５８は、予測値取得コード１５６により取得された予測値と目標値との誤差を評価する命令を含む。

追加学習コード１６０は、誤差評価コード１５８により評価された誤差に応じて、必要に応じて、予測モデル１４０を追加学習する命令を含む。

ＴＳＤＢ書き込みコード１６２は、変数１５２として管理される変数のうち、予め定められた変数を取得して、ＴＳＤＢ１３０の記憶領域１３２に書き込む。

制御演算コード１６４は、制御対象を制御するための制御演算を実行する制御演算部を実現する。より具体的には、制御演算コード１６４は、制御対象を制御するための制御演算を実行するとともに、誤差評価コード１５８により評価された誤差に応じて、必要に応じて、制御演算に用いる目標値を補正する。

ＴＳＤＢ１３０は、記憶領域１３２に書き込まれたデータを必要に応じて、サポート装置２００などへエクスポートするエクスポートモジュール１３４を有している。

予測モデル１４０は、参照軌道１４４を有している。
一方、サポート装置２００は、開発プログラム２２２および解析プログラム２２６がインストールされている。

開発プログラム２２２は、ユーザ操作に従って、ユーザプログラム１５４を生成し、制御装置１００へ転送する。また、開発プログラム２２２は、制御演算コード１６４の内容を適宜修正する機能も有している。

解析プログラム２２６は、予測モデル１４０を予め決定する予測モデル生成部を実現するための情報処理プログラムに相当する。より具体的には、解析プログラム２２６は、予測モデル１４０の生成を支援するものであり、モデル生成モジュール２２６２と、評価モジュール２２６４とを含む。

モデル生成モジュール２２６２は、予測モデル１４０を生成する処理に必要な機能を実現する。

評価モジュール２２６４は、対象の予測モデル１４０の性能を評価する。
図１０は、図９に示す解析プログラム２２６に含まれる機能モジュールの概要を示すブロック図である。図１０を参照して、サポート装置２００の解析プログラム２２６は、主要な機能構成として、ユーザインターフェイス２３０と、入出力管理モジュール２３６と、画面表示モジュール２３８と、グラフライブラリ２４０と、解析モジュール２４２と、解析ライブラリ２４４とを含む。

ユーザインターフェイス２３０は、ユーザからの設定を受け付けるとともに、ユーザに対して各種情報を提供するための統括的な処理を実行する。具体的な実装形態として、ユーザインターフェイス２３０は、スクリプトエンジン２３２を有しており、必要な処理を記述したスクリプトを含む設定ファイル２３４を読み込んで、設定された処理を実行する。

入出力管理モジュール２３６は、指定されたファイルなどからデータを読み込むファイル入力機能と、データストリームを受信するストリーム入力機能と、生成したデータなどを含むファイルを出力するファイル出力機能とを含む。

画面表示モジュール２３８は、入力された予測モデルに基づいてモデル評価画面を生成する機能と、ユーザの操作を受けて評価結果を表示する機能とを含む。グラフライブラリ２４０を参照して必要な処理を実行するようにしてもよい。

解析モジュール２４２は、解析プログラム２２６の主要な処理を実現するモジュールであり、モデル生成機能を有している。解析モジュール２４２に含まれる各機能は、解析ライブラリ２４４を参照することで実現される。

解析ライブラリ２４４は、解析モジュール２４２に含まれる各機能が処理を実行するためのライブラリを含む。より具体的には、解析ライブラリ２４４は、統計量機能、決定木機能、時系列回帰機能、グリッドサーチ機能、クラスタリング機能、推論速度評価機能、精度評価機能、および、異常検知機能を有していてもよい。

＜Ｄ．予測モデルの評価＞
図１１は、実施形態に基づく予測モデルの評価について説明する図である。図１１（Ａ）および（Ｂ）を参照して、２種類の決定木構造の予測モデルが示されている。

予測モデルの演算処理は、根ノードから葉ノードに向けてリンクを辿る探索処理である。具体的には、根データに設定された分岐条件を入力データ（説明変数Ｘ１あるいはＸ２）が満たすか否かを判定し、この判定結果に基づいて、次の該当ノードに探索を進める。

図１１（Ａ）の予測モデルは、決定木構造を分析すると、木の深さが浅い「１」の葉ノードが存在する。また、分布図の各領域の面積を比較すると、相対的に大きい領域が存在する場合が示されている。したがって、ばらつきが大きいため偏った予測モデルである。

図１１（Ｂ）の予測モデルは、決定木構造を分析すると、全ての葉ノードは、木の深さが「３」である。また、分布図の各領域の面積を比較すると、相対的に大きい領域は存在しない場合が示されている。したがって、ばらつきが小さいため偏りの少ない予測モデルである。

したがって、図１１（Ａ）の予測モデルと、図１１（Ｂ）の予測モデルとを比較した場合に、図１１（Ａ）の予測モデルは性能が悪く、図１１（Ｂ）の予測モデルは性能が良いと評価することが可能である。

本実施形態においては、決定木構造の予測モデルの評価として、決定木構造を解析して葉ノードの特性値を算出する。具体的には、葉ノードの特性値として木の深さおよび葉ノードに対応付けられる分布図の面積を算出する。当該算出した特性値が閾値を満たすか否かに基づいて予測モデルを評価する。分布図の各領域の面積は、各軸で正規化した面積とする。

図１２は、実施形態に基づく予測モデルの評価について説明するフロー図である。図１２を参照して、サポート装置２００は、予測モデルを取得する（ステップＳ１０）。次に、サポート装置２００は、取得した予測モデルの決定木木構造を解析する（ステップＳ１２）。具体的には、予測モデルの葉ノードの特性値を算出する。より具体的には、葉ノードの特性値として木の深さおよび葉ノードに対応付けられる分布図の面積を算出する。

次に、サポート装置２００は、モデル評価画面を表示する（ステップＳ１４）。
そして、処理を終了する（エンド）。

図１３は、実施形態に基づく予測モデルの木構造の具体例について説明する図である。図１３を参照して、予測モデルの木構造が示されている。具体的には、予測モデルは、入力データ（説明変数ｘ１あるいはｘ２）に対して、出力データ（目的変数Ｙ０～Ｙ４）を推定する。

根ノードＲ０において、Ｘ１＜６が判定される。根ノードＲ０において、Ｘ１＜６を満たす場合には、葉ノードＲ１に進む。葉ノードＲ１は、目的変数Ｙ０に対応する。一方、根ノードＲ０において、６≦Ｘ１を満たす場合には、中間ノードＲ５に進む。中間ノードＲ５において、Ｘ２＜１０が判定される。中間ノードＲ５において、Ｘ２＜１０を満たす場合には、中間ノードＲ３に進む。中間ノードＲ５において、１０≦Ｘ２を満たす場合には、中間ノードＲ８に進む。

中間ノードＲ３において、Ｘ１＜４が判定される。中間ノードＲ３において、Ｘ１＜４を満たす場合には、葉ノードＲ２に進む。葉ノードＲ２は、目的変数Ｙ１に対応する。中間ノードＲ３において、４≦Ｘ１を満たす場合には、葉ノードＲ４に進む。葉ノードＲ４は、目的変数Ｙ２に対応する。

中間ノードＲ８において、Ｘ１＜３が判定される。中間ノードＲ８において、Ｘ１＜３を満たす場合には、葉ノードＲ６に進む。葉ノードＲ６は、目的変数Ｙ３に対応する。中間ノードＲ８において、３≦Ｘ１を満たす場合には、葉ノードＲ７に進む。葉ノードＲ７は、目的変数Ｙ４に対応する。

図１４は、実施形態に基づく予測モデルの分布図の具体例について説明する図である。図１４を参照して、予測モデルは、入力データ（横軸ｘ１、縦軸ｘ２）に対して、出力データ（目的変数Ｙ０～Ｙ４）を推定する。

分布図に示されるように、目的変数Ｙ０の正規化面積は、０．５である。目的変数Ｙ１の正規化面積は０．１６である。目的変数Ｙ２の正規化面積は０．０８である。目的変数Ｙ３の正規化面積は０．１３である。目的変数Ｙ４の正規化面積は０．１３である。

図１５は、実施形態に基づくモデル評価画面について説明する図である。図１５を参照して、モデル評価画面２５０が示されている。モデル評価画面には、予測モデルの入力モデルファイルを入力欄２６０が設けられている。ユーザは、入力欄２６０で予測モデルのデータが格納されたファイルＦを選択した場合が示されている。任意のファイルを選択することにより、予測モデルの木構造の特性を解析することが可能である。

モデル評価画面２５０は、判定モードを選択する選択項目２６１が設けられている。一例として、選択項目として「木の深さ」と、「正規化面積」を選択することが可能である。なお、これに限られず、種々の判定方式に従って、選択項目を増加させることも当然に可能である。本例においては、「木の深さ」が選択されている場合が示されている。

モデル評価画面２５０は、設定閾値を設定する入力欄２６２が設けられている。当該入力欄は、判定モードに応じて切り替えるようにしてもよい。一例として、「木の深さ」の設定閾値として「２」が設定されている場合が示されている。

モデル評価画面２５０は、予測モデルの木構造の特性の解析結果として「Ｔｒｅｅ Ｖｉｅｗ」と、分布図とをそれぞれ選択可能なタブ２６４と、タブ２７０が設けられている。一例としてタブ２６４が選択されている場合が示されている。

本例においては、画面２６６に、図１３で説明したのと同様の木構造が示されている。当該木構造を確認することにより予測モデルの特性を容易に把握することが可能である。

具体的には、最小の木の深さ「１」であることが示されており、設定閾値「２」を下回っていることを把握することが可能である。また、木構造によりばらつきの程度の容易に把握することが可能である。

モデル評価画面２５０は、解析結果として「１０＜ｘ１＜２０の範囲のデータがモデルの精度向上に寄与します。」のメッセージ２６８が示されている。当該範囲のデータを追加することにより、一例として図１１で説明したように予測モデルの精度を良くすることが可能である。

図１６は、実施形態に基づく別のモデル評価画面について説明する図である。図１６を参照して、モデル評価画面２５０が示されている。モデル評価画面には、予測モデルの入力モデルファイルを入力欄２６０が設けられている。ユーザは、入力欄２６０で予測モデルのデータが格納されたファイルＦを選択した場合が示されている。任意のファイルを選択することにより、予測モデルの木構造の特性を解析することが可能である。

モデル評価画面２５０は、判定モードを選択する選択項目２６１が設けられている。一例として、選択項目として「木の深さ」と、「正規化面積」を選択することが可能である。なお、これに限られず、種々の判定方式に従って、選択項目を増加させることも当然に可能である。本例においては、「正規化面積」が選択されている場合が示されている。

モデル評価画面２５０は、設定閾値を設定する入力欄２６２が設けられている。当該入力欄は、判定モードに応じて切り替えるようにしてもよい。一例として、「正規化面積」の設定閾値として「０．３」が設定されている場合が示されている。

モデル評価画面２５０は、予測モデルの木構造の特性の解析結果として「Ｔｒｅｅ Ｖｉｅｗ」と、分布図とをそれぞれ選択可能なタブ２６４と、タブ２７０が設けられている。一例としてタブ２７０が選択されている場合が示されている。

本例においては、画面２６６に、図１４で説明したのと同様の分布図が示されている。当該分布図を確認することにより予測モデルの特性を容易に把握することが可能である。

具体的には、最大の正規化後面積「０．５」であることが示されており、設定閾値「０．３」を上回っていることを把握することが可能である。また、分布図によりばらつきの程度の容易に把握することが可能である。

モデル評価画面２５０は、解析結果として「１０＜ｘ１＜２０の範囲のデータがモデルの精度向上に寄与します。」のメッセージ２６８が示されている。当該範囲のデータを追加することにより、一例として図１１で説明したように予測モデルの精度を良くすることが可能である。

なお、本例においては、２つの説明変数に対して目的変数を予測する予測モデルについて説明したが、２つに限られずさらに複数（ｎ≧２）の説明変数に対して目的変数を予測する予測モデルについても同様に適用することが可能である。

＜Ｅ．具体例＞
図１７は、実施形態に基づく予測システム１の適用例を説明する図である。図１７（Ａ）を参照して、プレス機３０のワーク材料特性のばらつきに基づくプレス結果について説明する図である。具体的には、プレス機３０の押し込み位置がワーク材料特性としてワークが硬い場合と、ワークが柔らかい場合とでそれぞれ異なる場合が示されている。

図１７（Ｂ）を参照して、予測システム１は、予測モデル１４０を用いて押し込み位置（予測値）を算出して、予測値と目標位置軌道との差に基づいてプレス機３０に対する操作量を補正する。その結果、予期しない要因変動による不良品の発生を抑制でき、ワーク３１に何らかのばらつきがあっても、品質を安定化できる。

この点で、予測モデル１４０の精度を向上させることにより、より品質の安定化を図ることが可能となる。

図１８は、実施形態に基づく予測モデルの追加学習について説明する図である。図１８（Ａ）を参照して、追加学習前のプレス機３０のワーク材料特性のばらつきに基づくプレス結果と、当該プレス結果に基づく予測モデルの木構造が示されている。上記で説明したように、例えば予測モデルの木構造の解析結果として、点「a1」を通るデータが少ないことにより木の深さが浅いものとする。したがって、点「a1」を通るデータを探索することにより、予測モデルの精度をさらに向上させることが可能となる。点「a1」を通るデータの探索は、過去のデータベースに格納されているデータから取得するようにしても良いし、実機を複数回動作させた際に取得するようにしても良い。

図１８（Ｂ）を参照して、点「a1」を通る別のデータを取得した場合が示されている。当該データを追加学習することにより、予測モデルの木構造は変化する。そして、本例においては、木の深さのばらつきを抑制して、予測モデルの精度をさらに向上させることが可能となる。

＜Ｆ．変形例＞
上述の説明においては、時間変化を予測する予測システム１について説明したが、制御対象などに生じる異常を検知する異常検知システムにも適用可能である。

図１９は、本実施の形態の変形例に係る異常検知システム１Ａの概要構成を示す模式図である。図１９を参照して、異常検知システム１Ａは、制御対象から取得された生データ４０から学習用サンプルを選択し（サンプル選択４２）、選択された学習用サンプルに基づいて異常検知モデル４４が生成される。そして、生成された異常検知モデル４４を用いて、異常検知の運用４６が実行される。

異常検知モデル４４は、制御対象が通常の状態とは異なる状態を示していることを検知することを主題とするものであり、制御対象から収集される生データ（時系列データ）を用いて、収集された生データに適合する異常検知モデル４４が生成される。異常検知モデル４４に通常とは異なる生データが入力されることで、通常とは異なる状態であることを示す値が出力されることで、制御対象に何らかの異常が発生していることを検知できる。このような異常検知モデル４４に用いられる学習用サンプルについては、上述のステップＳ３と同様に、変化パターンが互いに異なる生データを採用することが好ましい。

図２０は、本実施の形態の変形例に係る異常検知システム１Ａの具体例について説明する図である。

図２０（Ａ）を参照して、生データとして正常、異常Ａ、異常Ｂの波形パターンが示されている。

図２０（Ｂ）正常、異常Ａ、異常Ｂの波形パターンは、波形の特徴量として波形の平均値および波形の分散の値を用いて分類される。具体的には、縦軸Ｆ１は、波形の平均値であり、横軸Ｆ２は、波形の分散値である。

図２０（Ｃ）および（Ｄ）は、上記の分類パターンをサンプルとして選択した場合の異常検知モデル４４を説明する図である。解析モジュール２４２は、上記で説明したのと同様に、波形パターンをサンプルとして選択して、異常検知モデル４４を生成する。

図２０（Ｃ）は、異常検知モデル４４の正常、異常Ａおよび異常Ｂの分布図を示す。図２０（Ｄ）は、異常検知モデル４４の木構造を示す。

異常検知モデル４４は、入力データ（説明変数Ｆ１あるいはＦ２）に対して、出力データ（目的変数「正常」、「異常Ａ」、「異常Ｂ」）を推定する。

根ノードＲ１０において、Ｆ２＜ａが判定される。根ノードＲ１０において、Ｆ２＜ａを満たす場合には、葉ノードＲ１１に進む。葉ノードＲ１１は、目的変数「正常」に対応する。一方、根ノードＲ１０において、ａ≦Ｆ２を満たす場合には、中間ノードＲ１５に進む。中間ノードＲ１５において、Ｆ１＜ｄが判定される。中間ノードＲ１５において、Ｆ１＜ｄを満たす場合には、中間ノードＲ１３に進む。中間ノードＲ１５において、ｄ≦Ｆ１を満たす場合には、中間ノードＲ１８に進む。

中間ノードＲ１３において、Ｆ２＜ｂが判定される。中間ノードＲ１３において、Ｆ２＜ｂを満たす場合には、葉ノードＲ１２に進む。葉ノードＲ１２は、目的変数「異常Ｂ」に対応する。中間ノードＲ１３において、ｂ≦Ｆ２を満たす場合には、葉ノードＲ１４に進む。葉ノードＲ１４は、目的変数「異常Ａ」に対応する。

中間ノードＲ１８において、Ｆ２＜ｃが判定される。中間ノードＲ１８において、Ｆ２＜ｃを満たす場合には、葉ノードＲ１６に進む。葉ノードＲ１６は、目的変数「異常Ａ」に対応する。中間ノードＲ１８において、ｃ≦Ｆ２を満たす場合には、葉ノードＲ１７に進む。葉ノードＲ１７は、目的変数「異常Ｂ」に対応する。

図２１は、本実施の形態の変形例に係る異常検知システム１Ａの評価の概念図である。図２１（Ａ）を参照して、図２０（Ｃ）および（Ｄ）の異常検知モデル４４の決定木構造を解析した場合に、「正常」の葉ノードの木の深さが浅いことが分かる。また、分布図を確認した場合に、正規化面積が大きいことが分かる。

したがって、上記の方式に従ってモデル評価画面を表示することにより、異常検知モデルの特性を容易に把握することが可能である。

また、異常検知モデル４４の精度を向上させるためにどのデータが必要かも容易に把握することが可能である。具体的には、波形の分散値Ｆ２＜aである。

図２１（Ｂ）を参照して、新たに発生した「異常Ａ」のデータが示されている。当該データを追加学習することにより異常検知モデル４４の精度を向上させることが可能である。

図２２は、本実施の形態の変形例に係る異常検知モデルの追加学習について説明する図である。図２２（Ａ）、（Ｂ）を参照して、新たに発生した「異常Ａ」のデータを追加学習することにより、異常検知モデル４４が更新された場合が示されている。

図２２（Ａ）は、更新された異常検知モデル４４の分布図である。図２２（Ｂ）は、更新された異常検知モデルの木構造である。

上記においては、主に決定木に代表される木構造の学習アルゴリズムに基づく予測モデルを生成する場合について説明したが、決定木に限られず、木構造であれば他の学習アルゴリズムを用いた予測モデルにも同様に適用することが可能である。

＜Ｊ．付記＞
上述したような本実施の形態は、以下のような技術思想を含む。

［構成１］
予測システム（１）は、制御対象を制御するための制御演算を実行する制御演算部（１６４）と、制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部（１５６）と、木構造の学習アルゴリズムに基づく予測モデルを生成する予測モデル生成部（２２６２）と、予測モデルを評価する予測モデル評価部（２２６４）とを備える。予測モデル評価部は、予測モデルの木構造の特性を解析する解析部（２４４）と、解析部の解析結果に基づいて予測モデルを評価する評価部（２４２）とを含む。

［構成２］
予測モデル評価部は、予測モデルを評価する評価の種別および基準値を設定する評価設定部（２６１，２６２）をさらに含む。

［構成３］
評価部（２３８）は、予測モデルの評価結果を表示部に表示する。

［構成４］
予測モデル生成部は、予測モデルの評価結果に対応する学習用サンプルに基づいて予測モデルを更新する。

［構成５］
情報処理装置（２００）は、制御装置（１００）に接続される情報処理装置であって、制御装置は、制御対象を制御するための制御演算を実行する制御演算部（１６４）と、制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部（１５６）とを備える。情報処理装置は、木構造の学習アルゴリズムに基づく予測モデルを生成する予測モデル生成部（２２６２）と、予測モデルを評価する予測モデル評価部（２２６４）とを備える。予測モデル評価部は、予測モデルの木構造の特性を解析する解析部（２４４）と、解析部の解析結果に基づいて予測モデルを評価する評価部（２４２）とを含む。

［構成６］
情報処理プログラムは、制御装置（１００）に接続されるコンピュータで実行される情報処理プログラムであって、制御装置は、制御対象を制御するための制御演算を実行する制御演算部（１６４）と、制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部（１５６）とを備える。情報処理プログラムは、コンピュータに、木構造の学習アルゴリズムに基づく予測モデルを生成するステップ（Ｓ６）と、予測モデルを評価するステップ（Ｓ１２）とを実行させる。予測モデルを評価するステップは、予測モデルの木構造の特性を解析するステップと、解析結果に基づいて予測モデルを評価するステップとを含む。

＜Ｋ．利点＞
実施形態に基づく予測システムにおいては、簡易に予測モデルを評価できるので、実際の運用に好適な予測モデルを容易に生成できる。

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本開示の範囲は、上記した説明ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

１ 予測システム、１Ａ 異常検知システム、２，４ フィールドバス、６ 上位ネットワーク、１０ フィールド装置群、１４ リレー群、１００ 制御装置、１０２，２０２ プロセッサ、１０４ チップセット、１０６，２０６ 主記憶装置、１０８，２０８ 二次記憶装置、１１０，２１４ 上位ネットワークコントローラ、１１２，２１２ コントローラ、１１４ メモリカードインターフェイス、１１６ メモリカード、１１８，１２０ フィールドバスコントローラ、１２２ 内部バスコントローラ、１３２ 記憶領域、１３４ エクスポートモジュール、１４０ 予測モデル、１４４ 参照軌道、１５０ エンジン、１５２ 変数、１５４ ユーザプログラム、１５６ 予測値取得コード、１５８ 誤差評価コード、１６０ 追加学習コード、１６２ 書き込みコード、１６４ 制御演算コード、２００ サポート装置、２０４ 光学ドライブ、２０５ 記録媒体、２１６ 入力部、２１８ 表示部、２２０ バス、２２２ 開発プログラム、２２４ インターフェイスプログラム、２２６ 解析プログラム、２３０ ユーザインターフェイス、２３２ スクリプトエンジン、２３４ 設定ファイル、２３６ 入出力管理モジュール、２３８ 画面表示モジュール、２４０ グラフライブラリ、２４２ 解析モジュール、２４４ 解析ライブラリ、２５０ モデル評価画面、２６０，２６２ 入力欄、２６１ 選択項目、２６４，２７０ タブ、２６６ 画面、２６８ メッセージ、３００ 上位サーバ、４００ 表示装置、２２６２ モデル生成モジュール、２２６４ 評価モジュール。

Claims (6)

1. 制御対象を制御するための制御演算を実行する制御演算部と、
   前記制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部と、
   木構造の学習アルゴリズムに基づく前記予測モデルを生成する予測モデル生成部と、
   前記予測モデルを評価する予測モデル評価部とを備え、
   前記予測モデル評価部は、
   前記予測モデルの木構造の特性を解析する解析部と、
   前記解析部の解析結果に基づいて前記予測モデルを評価する評価部とを含む、予測システム。
2. 前記予測モデル評価部は、前記予測モデルを評価する評価の種別および基準値を設定する評価設定部をさらに含む、請求項１に記載の予測システム。
3. 前記評価部は、前記予測モデルの評価結果を表示部に表示する、請求項１に記載の予測システム。
4. 前記予測モデル生成部は、前記予測モデルの評価結果に対応する学習用サンプルに基づいて前記予測モデルを更新する、請求項１～３のいずれか１項に記載の予測システム。
5. 制御装置に接続される情報処理装置であって、前記制御装置は、制御対象を制御するための制御演算を実行する制御演算部と、前記制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部とを備え、
   前記情報処理装置は、
   木構造の学習アルゴリズムに基づく前記予測モデルを生成する予測モデル生成部と、
   前記予測モデルを評価する予測モデル評価部とを備え、
   前記予測モデル評価部は、
   前記予測モデルの木構造の特性を解析する解析部と、
   前記解析部の解析結果に基づいて前記予測モデルを評価する評価部とを含む、情報処理装置。
6. 制御装置に接続されるコンピュータで実行される情報処理プログラムであって、前記制御装置は、制御対象を制御するための制御演算を実行する制御演算部と、前記制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部とを備え、
   前記情報処理プログラムは、前記コンピュータに、
   木構造の学習アルゴリズムに基づく前記予測モデルを生成するステップと、
   前記予測モデルを評価するステップとを実行させ、
   前記予測モデルを評価するステップは、
   前記予測モデルの木構造の特性を解析するステップと、
   解析結果に基づいて前記予測モデルを評価するステップとを含む、情報処理プログラム。

Images