JP2023002962A - 情報処理装置、モデル生成プログラムおよびモデル生成方法 - Google Patents

Abstract

【課題】モデルをより効率的に生成するための解決手段を提供する。【解決手段】制御対象を制御するための制御装置に接続される情報処理装置が提供される。制御装置は、制御対象から収集される情報を予め用意された学習済モデルに適用するように構成されている。情報処理装置は、制御対象から収集される情報から特徴量時系列データを算出する算出手段と、特徴量時系列データを分割して複数の特徴量区間データを生成する分割手段と、複数の特徴量区間データをクラスタリングすることで、類似した特徴量区間データからなる１または複数のグループを決定するクラスタリング手段と、各グループに属する特徴量区間データに基づいて、グループ毎に学習済モデルを生成する生成手段とを含む。【選択図】図５

Description

本技術は、制御装置に接続される情報処理装置、モデル生成プログラムおよびモデル生成方法に関する。

様々な生産現場において、機械や装置に対する予知保全により設備稼働率を向上させたいというニーズが存在する。予知保全とは、機械や装置に生じる何らかの異常を検知して、設備を停止しなければ状態になる前に、整備や交換などの保守作業を行うような保全形態を意味する。また、機械や装置の挙動などを予測して、予め適切な制御を行いたいというニーズも存在する。

このような予知保全や挙動の予想を実現するために、機械学習により生成されたモデルを用いることが実用化されている。モデルを生成するにあたっては、適切な特徴量を選択する必要がある。

例えば、特開２０２０－２４５４２号公報（特許文献１）は、大量のデータから特徴量を自動的に得て重要度の高い特徴量を表示可能にし、新たな知見を得るための手助けができるようにする構成を開示する。

特開２０２０－２４５４２号公報

上述した先行技術文献に記載の構成は、特徴量の性質が変化しないことを前提としているが、現実の生産現場においては、同一の機械や装置においても運用時の条件はしばしば変化する。そのため、同一の特徴量であっても、運用時の条件が異なる性質の情報が混在することになり、モデルの精度を低下させる要因になり得る。

そこで、本技術は、モデルをより効率的に生成するための解決手段を提供する。

本技術の一例に従えば、制御対象を制御するための制御装置に接続される情報処理装置が提供される。制御装置は、制御対象から収集される情報を予め用意された学習済モデルに適用するように構成されている。情報処理装置は、制御対象から収集される情報から特徴量時系列データを算出する算出手段と、特徴量時系列データを分割して複数の特徴量区間データを生成する分割手段と、複数の特徴量区間データをクラスタリングすることで、類似した特徴量区間データからなる１または複数のグループを決定するクラスタリング手段と、各グループに属する特徴量区間データに基づいて、グループ毎に学習済モデルを生成する生成手段とを含む。この構成によれば、互いに類似した特徴量区間データからなるグループに分類した上でモデルを生成するので、特徴量時系列データに様々な変動を含む場合であっても、より少ない特徴量時系列データを用いて、より精度の高いモデルを生成できる。

分割手段は、特徴量時系列データを予め定められた区間長さ毎に分割するようにしてもよい。この構成によれば、生産のシフトなどが固定されている生産現場に適した特徴量区間データを生成できるので、より精度の高い学習済モデルを生成できる。

分割手段は、収集された時刻が予め定められた時間以上離れている箇所で、特徴量時系列データを分割するようにしてもよい。この構成によれば、何らかのイベントが発生したことで、運用時の条件などが変化してしまうことが推定されるが、このようなイベントの発生を収集された時刻に基づいて検出することで、異なる条件に対応する特徴量時系列データが同一の特徴量区間データに含まれることを防止できる。

情報処理装置は、複数の特徴量区間データのクラスタリング結果を評価するとともに、評価結果に基づいて特徴量時系列データを分割する区間長さを調整する評価手段をさらに含んでいてもよい。この構成によれば、クラスタリング結果に基づいて、特徴量区間データの最適な区間長さを決定できる。

学習済モデルは、制御対象に何らかの異常が発生したことを検知するための異常検知モデルを含んでいてもよい。この構成によれば、生産現場に生じ得る任意の異常を早期に検知できる。

生成手段は、複数の特徴量区間データに含まれる各データにラベルが付与された後に、学習済モデルを生成するようにしてもよい。この構成によれば、識別器などの学習済モデルについても適切に生成できる。

生成手段は、生成した学習済モデルに対して対応するグループの属性を付与するようにしてもよい。この構成によれば、複数の学習済モデルが生成されたときに、複数の学習済モデルが状況に応じて選択して利用できる。

クラスタリング手段は、教師無し学習の手法により、複数の特徴量区間データをクラスタリングするようにしてもよい。この構成によれば、比較的簡単な手法で、複数の特徴量区間データからグループを決定できる。

本技術の別の例に従えば、制御対象を制御するための制御装置に接続されるコンピュータで実行されるモデル生成プログラムが提供される。制御装置は、制御対象から収集される情報を予め用意された学習済モデルに適用するように構成されている。モデル生成プログラムはコンピュータに、制御対象から収集される情報から特徴量時系列データを算出するステップと、特徴量時系列データを分割して複数の特徴量区間データを生成するステップと、複数の特徴量区間データをクラスタリングすることで、類似した特徴量区間データからなる１または複数のグループを決定するステップと、各グループに属する特徴量区間データに基づいて、グループ毎に学習済モデルを生成するステップとを実行させる。

本技術のさらに別の例に従えば、制御対象を制御するための制御装置に接続される情報処理装置で実行されるモデル生成方法が提供される。制御装置は、制御対象から収集される情報を予め用意された学習済モデルに適用するように構成されている。モデル生成方法は、制御対象から収集される情報から特徴量時系列データを算出するステップと、特徴量時系列データを分割して複数の特徴量区間データを生成するステップと、複数の特徴量区間データをクラスタリングすることで、類似した特徴量区間データからなる１または複数のグループを決定するステップと、各グループに属する特徴量区間データに基づいて、グループ毎に学習済モデルを生成するステップとを含む。

本技術によれば、モデルをより効率的に生成できる。

本実施の形態に係る制御システムの全体構成例を示す模式図である。 本実施の形態に係る制御システムの主要な構成および運用形態の一例を説明するための図である。 本実施の形態に係る制御システムの制御装置のハードウェア構成例を示すブロック図である。 本実施の形態に係る制御システムのサポート装置のハードウェア構成例を示すブロック図である。 本実施の形態に係る制御システムにおけるモデル生成処理を実現するための機能構成例を示す模式図である。 本実施の形態に係る制御システムのサポート装置が提供するモデル生成に係るユーザインターフェイス画面の一例を示す図である。 本実施の形態に係る制御システムにおけるモデル生成処理を説明するための図である。 本実施の形態に係る制御システムにおけるモデル生成処理に係る処理手順を示すフローチャートである。 本実施の形態に係る制御システムにおける特徴量区間データの生成例を説明するための図である。 本実施の形態に係る制御システムにおける特徴量区間データの別の生成例を説明するための図である。 本実施の形態に係る制御システムにおけるモデル生成処理を実現するための別の機能構成例を示す模式図である。 本実施の形態に係る制御システムにおけるモデル生成処理に係る別の処理手順を示すフローチャートである。 本実施の形態に係る制御システムにおいて生成される複数のモデルを選択利用する例を説明するための図である。 本実施の形態に係る制御システムにおけるクラスタリング結果を利用する例を説明するための図である。

本発明の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、本発明が適用される場面の一例について説明する。以下では、機械学習を用いたモデルの適用例として、機械や装置などに何らかの異常が発生したことを検知する例について説明するが、本発明は、異常検知に限られず、任意の機械学習を用いたモデルの生成に適用可能である。

本明細書においては、制御装置が実行する制御演算に直接的または間接的に関係する任意の物を「制御対象」と称す。「制御対象」との用語は、制御装置が指令を与える先の機械や装置、および、制御装置が情報を収集する先の装置に限らず、それらの機械や装置を含む任意の設備やユニットなどを含み得る。

図１は、本実施の形態に係る制御システム１の全体構成例を示す模式図である。図１を参照して、本実施の形態に係る制御システム１は、主たるコンポーネントとして、制御対象を制御するための制御装置１００と、制御装置１００に接続される情報処理装置の一例であるサポート装置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。フィールドバス２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、サーボドライバ１８およびサーボモータ２０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。

サーボドライバ１８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２０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との間で入力データおよび出力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。

制御装置１００は、設備や機械などの制御対象を制御するための制御演算を実行するＰＬＣエンジン（図２に示すＰＬＣエンジン１３０）を有している。ＰＬＣエンジンは、制御演算部に相当し、入力データに基づく制御演算を実行することで、出力データを決定する。制御装置１００は、フィールド装置群１０からの入力データ、フィールド装置群１０への出力データ、および、制御装置１００の内部で管理される内部データなどを順次格納する時系列データベース（以下、「ＴＳＤＢ（Time Series Data Base）」とも記す。）１４０を有している。以下、ＴＳＤＢ１４０に格納されるデータを「測定値時系列データ」とも称す。

制御装置１００は、制御対象から収集される情報を予め用意された学習済モデル（以下、単に「モデル１６０」とも称す。）に適用するように構成されている。より具体的には、制御装置１００は、モデル１６０を読み込んで、制御対象における異常を検知する異常検知エンジン１５０を有している。モデル１６０には、制御対象から収集される情報から算出される特徴量（図２に示す特徴量１５２）が入力されて、スコアが出力される。異常検知エンジン１５０が出力するスコアは、制御対象に何らかの異常が発生している可能性を示す指標である。異常検知エンジン１５０は、モデル１６０から出力されるスコアを判定するためのしきい値がパラメータとして提供されてもよい。

制御対象から収集される情報としては、典型的には、ＴＳＤＢ１４０に格納された測定値時系列データ（あるいは、測定値時系列データから算出された特徴量）が用いられる。

このように、制御装置１００に用意されるモデル１６０は、制御対象に何らかの異常が発生したことを検知するための異常検知モデルであってもよい。

制御装置１００は、上位ネットワーク６を介してサーバ４００に接続されてもよいし、フィールドバス４を介して１または複数の表示装置５００と接続されてもよい。なお、サーバ４００および表示装置５００はオプショナルな構成であり、制御システム１の必須の構成ではない。

サーバ４００は、制御装置１００に対して任意の情報を提供し、あるいは、制御装置１００からのデータを収集するような処理を担当する。

表示装置５００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。

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、サポート装置２００は、制御装置１００に実装される異常検知エンジン１５０が参照するモデル１６０の生成および調整などを支援するための機能を有している。

ここで、異常検知の対象に関連するものとは、異常検知エンジン１５０の検知ロジック（すなわち、モデル１６０）を学習するための学習データの生成に利用できる情報であれば、どのようなものであってもよい。異常検知の対象に関連するものとしては、例えば、生産されるワーク（製品あるいは半製品）や生産設備自体などが考えられる。

次に、制御装置１００の異常検知エンジン１５０の構成および運用の一例について説明する。サポート装置２００は、ＴＳＤＢ１４０に格納された測定値時系列データを取得し、モデル１６０の生成に用いる特徴量時系列データを算出する。続いて、サポート装置２００は、算出した特徴量時系列データを分割して特徴量区間データを生成するとともに、生成された特徴量区間データをクラスタリングする。なお、特徴量区間データの詳細については後述する。

サポート装置２００は、必要に応じて、クラスタリングされた特徴量区間データに対するラベルの指定を受け付ける。そして、サポート装置２００は、ラベルが付与された特徴量区間データを用いてモデルを生成する。

最終的に、サポート装置２００は、生成したモデル１６０を制御装置１００へ転送する。

図２は、本実施の形態に係る制御システム１の主要な構成および運用形態の一例を説明するための図である。図２を参照して、制御装置１００は、ＰＬＣエンジン１３０と、ＴＳＤＢ１４０と、異常検知エンジン１５０とを有している。

ＰＬＣエンジン１３０は、制御対象に応じて任意に作成されるユーザプログラム１３２により定義される制御演算を周期的に実行する。ユーザプログラム１３２では、ＡＩライブラリ１３４が利用可能になっている。あるいは、ユーザプログラム１３２にＡＩライブラリ１３４が組み込まれていてもよい。ＡＩライブラリ１３４の内容、特性、動作などは、サポート装置２００がモデルを生成する際に決定してもよい。

ＰＬＣエンジン１３０がユーザプログラム１３２に含まれるＡＩライブラリ１３４の部分を実行することで、予め指定されたデータから１または複数の特徴量１５２が算出され、算出された特徴量１５２が異常検知エンジン１５０へ提供される。

ＰＬＣエンジン１３０は、データ管理部１３６を有しており、入力データ、出力データ、および、内部データをユーザプログラム１３２から参照可能な形で保持する。データ管理部１３６が管理するデータの値は、Ｉ／Ｏリフレッシュ処理により所定周期（Ｉ／Ｏリフレッシュ周期）毎に更新される。また、データ管理部１３６が管理するデータのうち予め指定されたデータがＴＳＤＢ１４０に所定周期毎に格納される。その結果、ＴＳＤＢ１４０からは指定されたデータの所定周期毎の値変化、すなわち測定値時系列データ１４２が出力される。

異常検知エンジン１５０は、ＰＬＣエンジン１３０からの特徴量１５２に基づいて、モデル１６０を参照して、異常の発生あるいは異常の可能性を判定する。典型的には、モデル１６０は、１または複数の特徴量１５２が入力されると、異常度を示す値（正常からの剥離度）を出力する関数である。モデル１６０は、実体である関数を定義するための係数を含んでいてもよい。

サポート装置２００は、モデル生成ツール２４０を含んでいる。モデル生成ツール２４０は、モデル１６０の生成および関連する処理を実行する。モデル生成ツール２４０は、典型的には、特徴量生成処理２４２と、特徴量分割処理２４４と、クラスタリング処理２４６と、ラベル付与処理２４８と、モデル生成処理２５０とを提供する。

本実施の形態に係る制御システム１は、特徴量時系列データを分割した特徴量区間データをクラスタして分類した上で、モデルを生成することで、同一の特徴量に異なる性質の情報が混在していても、各性質に応じたモデルを生成する。これによって、必要なモデルを効率的に生成できる。

＜Ｂ．ハードウェア構成例＞
次に、本実施の形態に係る制御システム１の主要な装置のハードウェア構成例について説明する。

（ｂ１：制御装置１００のハードウェア構成例）
図３は、本実施の形態に係る制御システム１の制御装置１００のハードウェア構成例を示すブロック図である。図３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１３０および異常検知エンジン１５０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１３０および異常検知エンジン１５０を実現するためのシステムプログラム１３１に加えて、ＰＬＣエンジン１３０を利用して実行されるユーザプログラム１３２が格納される。二次記憶装置１０８の一部の領域は、ＴＳＤＢ１４０として利用されてもよい。

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を介した他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を介した他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を介した他の装置との間のデータの遣り取りを制御する。

図３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従うハードウェア（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。

（ｂ２：サポート装置２００のハードウェア構成例）
本実施の形態に係るサポート装置２００は、一例として、汎用的なアーキテクチャに従うハードウェア（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４は、本実施の形態に係る制御システム１のサポート装置２００のハードウェア構成例を示すブロック図である。図４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、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、後述するようなしきい値設定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、ＯＳ２２２と、制御装置１００との間で異常検知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、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２２６と、モデル生成ツール２４０（図２）を実現するためのモデル生成プログラム２２８とが格納される。二次記憶装置２０８には、図４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、ネットワーク上のサーバ装置など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、本実施の形態に係るサポート装置２００が提供する機能は、ＯＳ２２２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。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他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４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。

＜Ｃ．クラスタリングおよびモデル生成＞
次に、本実施の形態に係るクラスタリングおよびモデル生成について説明する。

図５は、本実施の形態に係る制御システム１におけるモデル生成処理を実現するための機能構成例を示す模式図である。図５を参照して、サポート装置２００のモデル生成ツール２４０（図２参照）は、主たるソフトウェアコンポーネントとして、特徴量算出モジュール２６０と、特徴量分割モジュール２６２と、クラスタリングモジュール２６４と、モデル生成モジュール２６６とを含む。

特徴量算出モジュール２６０は、制御対象から収集される情報から特徴量時系列データ２７０を算出する。より具体的には、特徴量算出モジュール２６０は、測定値時系列データ１４２の入力に対して、対応する特徴量時系列データ２７０を算出する。特徴量時系列データ２７０は、１または複数の特徴量の時間的変化を示す。特徴量時系列データ２７０に含まれる特徴量は、測定値時系列データ１４２から任意の方法で算出される情報であり、例えば、最大値、最小値、中間値、平均値、標準偏差などを採用することができる。なお、測定値時系列データ１４２をそのまま特徴量として用いることもできる。特徴量算出モジュール２６０は、算出する特徴量の選択を受け付けるようにしてもよい。

特徴量分割モジュール２６２は、特徴量時系列データ２７０を任意の時間単位に分割して、複数の特徴量区間データ２７２を生成する。特徴量区間データ２７２は、特徴量時系列データ２７０の一部に相当する。特徴量分割モジュール２６２は、特徴量区間データ２７２を生成するための分割条件を受け付けるようにしてもよい。

クラスタリングモジュール２６４は、複数の特徴量区間データ２７２をクラスタリングすることで、類似した特徴量区間データ２７２からなる１または複数の特徴量グループ２７４を決定する。より具体的には、クラスタリングモジュール２６４は、特徴量区間データ２７２をクラスタリングすることで、性質または傾向が類似した特徴量区間データ２７２同士に分類する。類似した性質または傾向を示す特徴量区間データ２７２の集合が特徴量グループ２７４になる。すなわち、特徴量グループ２７４は、互いに類似した性質または傾向を示す特徴量区間データ２７２を含む。通常、特徴量グループ２７４は、複数の特徴量区間データ２７２を含む。

クラスタリングモジュール２６４が実行するクラスタリングのアルゴリズムはどのようなものであってもよい。例えば、Ｋ平均法（k-means）などの教師無し学習の手法を用いることができる。このように、クラスタリングモジュール２６４は、教師無し学習の手法により、複数の特徴量区間データ２７２をクラスタリングしてもよい。

モデル生成モジュール２６６は、特徴量グループ２７４の各々に属する特徴量区間データ２７２に基づいて、特徴量グループ２７４毎にモデル１６０（学習済モデル）を生成する。すなわち、モデル生成モジュール２６６が生成するモデル１６０は、特徴量グループ２７４の各々に対応することになる。

なお、モデル生成モジュール２６６は、複数の特徴量区間データ２７２に含まれる各データにラベルが付与された後にモデル１６０を生成する。但し、生成されるモデル１６０が識別器でなく予測器であるような場合には、特徴量区間データ２７２にラベルが付与されなくてもよい。

図６は、本実施の形態に係る制御システム１のサポート装置２００が提供するモデル生成に係るユーザインターフェイス画面の一例を示す図である。図６を参照して、ユーザインターフェイス画面２８０は、測定値時系列データ１４２から算出可能な特徴量の一覧を示す特徴量選択領域２８２と、特徴量選択領域２８２において選択された特徴量についての特徴量の時系列データを表示する時系列データ表示領域２８４と、時系列データ表示領域２８４に表示される特徴量の時系列データのヒストグラミングを表示するヒストグラミング表示領域２８６とを含む。

図７は、本実施の形態に係る制御システム１におけるモデル生成処理を説明するための図である。図７（Ａ）を参照して、特徴量時系列データ２７０を任意の期間で分割することで複数の特徴量区間データ２７２が生成される。図７（Ｂ）を参照して、複数の特徴量区間データ２７２をクラスタリングすることで、特徴量グループ２７４を決定する。特徴量グループ２７４の各々は、性質または傾向が類似した特徴量区間データ２７２を含む。典型的には、同一の特徴量グループ２７４に含まれる特徴量区間データ２７２は、類似した時間的変化２７６を示す。

図８は、本実施の形態に係る制御システム１におけるモデル生成処理に係る処理手順を示すフローチャートである。図８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がモデル生成プログラム２２８（図４）を実行することで実現される。

図８を参照して、サポート装置２００は、制御装置１００のＴＳＤＢ１４０に格納された測定値時系列データ１４２を取得する（ステップＳ１００）。サポート装置２００は、取得した測定値時系列データ１４２から特徴量時系列データ２７０を算出する（ステップＳ１０２）。なお、特徴量時系列データ２７０は、特徴量の時系列データを複数含んでいてもよい。すなわち、サポート装置２００は、制御対象から収集される情報から特徴量時系列データ２７０を算出する処理を実行する。

続いて、サポート装置２００は、算出した特徴量時系列データ２７０を任意の時間単位に分割して、複数の特徴量区間データ２７２を生成する（ステップＳ１０４）。すなわち、サポート装置２００は、特徴量時系列データ２７０を分割して複数の特徴量区間データ２７２を生成する処理を実行する。

続いて、サポート装置２００は、生成した複数の特徴量区間データ２７２をクラスタリングすることで、性質または傾向が類似した特徴量区間データ２７２からなる特徴量グループ２７４を決定する（ステップＳ１０６）。すなわち、サポート装置２００は、複数の特徴量区間データ２７２をクラスタリングすることで、類似した特徴量区間データ２７２からなる１または複数の特徴量グループ２７４を決定する処理を実行する。

サポート装置２００は、決定された特徴量グループ２７４のうち１つの特徴量グループ２７４を選択し（ステップＳ１０８）、選択された特徴量グループ２７４に含まれる特徴量区間データ２７２の各々に対するラベルの指定を受け付ける（ステップＳ１１０）。そして、サポート装置２００は、ラベルが付与された特徴量区間データ２７２を用いて、選択中の特徴量グループ２７４についてのモデル１６０を生成する（ステップＳ１１２）。

続いて、サポート装置２００は、決定された特徴量グループ２７４のすべてについてのモデルを生成済であるか否かを判断する（ステップＳ１１４）。

決定された特徴量グループ２７４のうちモデルを生成していない特徴量グループ２７４が残っていれば（ステップＳ１１４においてＮＯ）、サポート装置２００は、ステップＳ１０８以下の処理を繰り返す。

決定された特徴量グループ２７４のすべてについてのモデルを生成済であれば（ステップＳ１１４においてＹＥＳ）、サポート装置２００は、特徴量グループ２７４毎のモデル１６０を出力し（ステップＳ１１６）、モデル生成処理を終了する。

このように、サポート装置２００は、各特徴量グループ２７４に属する特徴量区間データ２７２に基づいて、特徴量グループ２７４毎にモデル１６０を生成する処理を実行する。

＜Ｄ．区間長さ＞
上述したように、特徴量区間データ２７２は、特徴量時系列データ２７０を任意の時間単位に分割することで生成できる。特徴量区間データ２７２の区間長さについては、制御対象に応じて任意に選択できる。

（ｄ１：固定長）
図９は、本実施の形態に係る制御システム１における特徴量区間データ２７２の生成例を説明するための図である。図９（Ａ）には、相対的に短い期間毎に分割する例を示し、図９（Ｂ）には、相対的に長い期間毎に分割する例を示す。

図９（Ａ）に示す例においては、特徴量時系列データ２７０を相対的に短い期間毎に分割するので、より多くの特徴量区間データ２７２が生成される。図９（Ｂ）に示す例においては、特徴量時系列データ２７０を相対的に長い期間毎に分割するので、生成される特徴量区間データ２７２の数は少なくなる。

例えば、三交替制の生産現場では、区間長さを８時間にしてもよいし、生産対象（ワーク）が切り替わるタイミングで区間長さを規定してもよい。このように、特徴量時系列データ２７０を予め定められた区間長さ毎に分割するようにしてもよい。すなわち、特徴量時系列データ２７０を分割する区間長さは、固定値であってもよい。

（ｄ２：時間間隔）
図１０は、本実施の形態に係る制御システム１における特徴量区間データ２７２の別の生成例を説明するための図である。

図１０に示す特徴量時系列データ２７０において、特徴量の値には、フレーム番号およびタイムスタンプが対応付けられている。例えば、タイムスタンプに基づいて、収集された時刻に開きがある場合（すなわち、特徴量が収集されなかった期間が相対的に長い場合）には、何らかの製造条件などが変更された可能性が高い。そのため、隣接する特徴量を収集した時刻の差が予め定められたしきい値を超えることを、特徴量区間データ２７２を生成する条件として設定してもよい。

図１０に示す例では、フレーム３とフレーム４との間で区切られ、フレーム６とフレーム７との間で区切られ、フレーム９とフレーム１０との間で区切られる。これらの区切りによって、４つの特徴量区間データ２７２が生成される。そして、生成された特徴量区間データ２７２をクラスタリングすることで、特徴量グループ２７４が決定される。

なお、特徴量区間データ２７２を生成する条件として、時刻の差（時間差）を用いる場合には、例えば、軽微なライン停止に相当する５分や、比較的重大なライン停止に相当する６０分などを設定できる。

このように、収集された時刻が予め定められた時間以上離れている箇所で、特徴量時系列データ２７０を分割するようにしてもよい。特徴量時系列データ２７０を分割する条件（間隔の長さなど）については、ユーザが任意に設定するようにしてもよい。

（ｄ３：区間長さの最適化）
収集された特徴量時系列データに応じて、分割する区間長さを最適化してもよい。

図１１は、本実施の形態に係る制御システム１におけるモデル生成処理を実現するための別の機能構成例を示す模式図である。図１１を参照して、サポート装置２００のモデル生成ツール２４０（図２参照）は、主たるソフトウェアコンポーネントとして、図５に示すモジュールに加えて、クラスタリング評価モジュール２６８をさらに含む。

クラスタリング評価モジュール２６８は、クラスタリングモジュール２６４による特徴量区間データ２７２のクラスタリング結果を評価し、評価結果に基づいて、特徴量分割モジュール２６２が特徴量時系列データ２７０を分割する区間長さ（分割条件）を調整する。

より具体的には、クラスタリング評価モジュール２６８は、より適切なクラスタリング結果が得られるように分割条件を最適化する。クラスタリング結果の評価には、任意の指標を用いることができる。例えば、ＳＳＥ（Sum of Square Error：クラスタ内誤差平方和）、シルエットスコア、ＤＢ（Davies-Bouldin）インデックス、ダンインデックスなどが挙げられる。クラスタリング結果の評価がより高くなるように、クラスタリング評価モジュール２６８は、分割条件を順次更新する。

このように、クラスタリング結果の評価に基づいて、分割する区間長さを最適化することで、より適切なモデルを生成できる。

図１２は、本実施の形態に係る制御システム１におけるモデル生成処理に係る別の処理手順を示すフローチャートである。図１２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がモデル生成プログラム２２８（図４）を実行することで実現される。

図１２を参照して、サポート装置２００は、制御装置１００のＴＳＤＢ１４０に格納された測定値時系列データ１４２を取得する（ステップＳ１５０）。サポート装置２００は、取得した測定値時系列データ１４２から特徴量時系列データ２７０を算出する（ステップＳ１５２）。

続いて、サポート装置２００は、分割する区間長さを設定し（ステップＳ１５４）、算出した特徴量時系列データ２７０を設定した区間長さで分割して、複数の特徴量区間データ２７２を生成する（ステップＳ１５６）。

サポート装置２００は、生成した複数の特徴量区間データ２７２をクラスタリングし（ステップＳ１５８）、クラスタリング結果を評価するための指標を算出する（ステップＳ１６０）。

サポート装置２００は、算出した指標に基づいて、モデルを生成するための条件が満たされているか否かを判断する（ステップＳ１６２）。モデルを生成するための条件が満たされていなければ（ステップＳ１６２においてＮＯ）、サポート装置２００は、分割する区間長さを変更し（ステップＳ１６４）、ステップＳ１５６以下の処理を繰り返す。

モデルを生成するための条件が満たされていれば（ステップＳ１６２においてＹＥＳ）、サポート装置２００は、クラスタリング結果に基づいて、性質または傾向が類似した特徴量区間データ２７２からなる特徴量グループ２７４を決定する（ステップＳ１６６）。

サポート装置２００は、決定された特徴量グループ２７４のうち１つの特徴量グループ２７４を選択し（ステップＳ１６８）、選択された特徴量グループ２７４に含まれる特徴量区間データ２７２の各々に対するラベルの指定を受け付ける（ステップＳ１７０）。そして、サポート装置２００は、ラベルが付与された特徴量区間データ２７２を用いて、選択中の特徴量グループ２７４についてのモデル１６０を生成する（ステップＳ１７２）。

続いて、サポート装置２００は、決定された特徴量グループ２７４のすべてについてのモデルを生成済であるか否かを判断する（ステップＳ１７４）。

決定された特徴量グループ２７４のうちモデルを生成していない特徴量グループ２７４が残っていれば（ステップＳ１７４においてＮＯ）、サポート装置２００は、ステップＳ１６８以下の処理を繰り返す。

決定された特徴量グループ２７４のすべてについてのモデルを生成済であれば（ステップＳ１７４においてＹＥＳ）、サポート装置２００は、特徴量グループ２７４毎のモデル１６０を出力し（ステップＳ１７６）、モデル生成処理を終了する。

＜Ｅ．利用例＞
次に、本実施の形態に係る制御システム１の利用例を説明する。

（ｅ１：モデルの選択利用）
図１３は、本実施の形態に係る制御システム１において生成される複数のモデルを選択利用する例を説明するための図である。

図１３を参照して、特徴量時系列データ２７０を分割して複数の特徴量区間データ２７２を生成するとともに、複数の特徴量区間データ２７２をクラスタリングすることで、２つの特徴量グループが決定されたとする。それぞれの特徴量グループに属する特徴量区間データ２７２からモデル１６０Ａ，１６０Ｂが生成される。

生成されたモデル１６０Ａおよびモデル１６０Ｂ（あるいは、それぞれの特徴量グループの属性）がワークＡおよびワークＢの製造にそれぞれ対応するものであるとの知見が得られている場合には、製造されているワークに応じて、ユーザ（オペレータ）がモデル１６０を選択するようにしてもよい。この場合には、サポート装置２００は、生成されたモデル１６０Ａおよびモデル１６０Ｂに対して、それぞれ対応するグループの属性（この例では、ワークＡ用、および、ワークＢ用）を付与することになる。

例えば、制御装置１００にモデル１６０Ａおよびモデル１６０Ｂを格納しておき、ユーザの操作に応じて、表示装置５００から有効にすべきモデル１６０を選択するようにしてもよい。

図１３に示す例では、表示装置５００上に、「ワークＡ」のボタン５０２、および、「ワークＢ」のボタン５０４が表示されている。ユーザがボタン５０２を選択すると、制御装置１００に格納されているワーク１６０Ａが有効化され、ユーザがボタン５０４を選択すると、制御装置１００に格納されているワーク１６０Ｂが有効化される。

特徴量時系列データから複数の特徴量グループが算出された場合には、それぞれの特徴量グループに対応するモデル１６０が複数生成されることになる。上述したように、複数生成されたモデル１６０は、任意の方法で選択的に利用するようにしてもよい。

（ｅ２：クラスタリング結果の利用）
図１４は、本実施の形態に係る制御システム１におけるクラスタリング結果を利用する例を説明するための図である。

図１４（Ａ）を参照して、特徴量時系列データ２７０を任意の時間単位に分割して複数の特徴量区間データ２７２を生成した場合に、現実に異常が発生していた区間が含まれていれば、クラスタリングによって、正常な状態に対応する特徴量区間データ２７２と、異常な状態に対応する特徴量区間データ２７２とは、異なる特徴量グループ２７４に属することになる。

例えば、特徴量グループ２７４Ａに含まれる特徴量区間データ２７２には、「正常データ」とのラベル２７８Ａが付与される。一方、特徴量グループ２７４Ｂに含まれる特徴量区間データ２７２には、「異常データ」とのラベル２７８Ｂが付与される。

図１４（Ｂ）に示すように、例えば、「正常データ」とのラベル２７８Ａが付与された特徴量グループ２７４Ａに含まれる特徴量区間データ２７２を用いてモデル１６０を生成することができる。また、「異常データ」とのラベル２７８Ｂが付与された特徴量グループ２７４Ｂに含まれる特徴量区間データ２７２を用いて、生成されたモデル１６０を評価することもできる。

すなわち、特徴量グループ２７４Ｂに含まれる特徴量区間データ２７２を生成されたモデル１６０に適用して得られる結果に基づいて、モデル１６０の性能を評価することができる。

このように、クラスタリングによって決定された２つの特徴量グループ２７４を用いることで、生成されるモデル１６０の評価や検証などを行って、モデル１６０の性能を向上できる。

＜Ｆ．変形例＞
上述の説明においては、サポート装置２００がモデル１６０を生成する処理を主体的に実行する構成例について説明したが、モデル１６０を生成する処理は、サポート装置２００と別の装置との連携によって実現してもよいし、サポート装置２００とは別の装置（例えば、クラウド上のコンピューティングリソース）によって実現してもよい。すなわち、本実施の形態に係るモデル１６０を生成する処理を実装するハードウェアはどのようなものであってもよい。

＜Ｇ．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］
制御対象を制御するための制御装置（１００）に接続される情報処理装置（２００）であって、前記制御装置は、前記制御対象から収集される情報を予め用意された学習済モデル（１６０）に適用するように構成されており、前記情報処理装置は、
前記制御対象から収集される情報から特徴量時系列データ（２７０）を算出する算出手段（２６０）と、
前記特徴量時系列データを分割して複数の特徴量区間データ（２７２）を生成する分割手段（２６２）と、
前記複数の特徴量区間データをクラスタリングすることで、類似した特徴量区間データからなる１または複数のグループ（２７４）を決定するクラスタリング手段（２６４）と、
各グループに属する特徴量区間データに基づいて、グループ毎に学習済モデル（１６０）を生成する生成手段（２６６）とを備える、情報処理装置。

［構成２］
前記分割手段は、前記特徴量時系列データを予め定められた区間長さ毎に分割する、構成１に記載の情報処理装置。

［構成３］
前記分割手段は、収集された時刻が予め定められた時間以上離れている箇所で、前記特徴量時系列データを分割する、構成１に記載の情報処理装置。

［構成４］
前記複数の特徴量区間データのクラスタリング結果を評価するとともに、評価結果に基づいて前記特徴量時系列データを分割する区間長さを調整する評価手段（２６８）をさらに備える、構成１～３のいずれか１項に記載の情報処理装置。

［構成５］
前記学習済モデルは、前記制御対象に何らかの異常が発生したことを検知するための異常検知モデルを含む、構成１～４のいずれか１項に記載の情報処理装置。

［構成６］
前記生成手段は、前記複数の特徴量区間データに含まれる各データにラベルが付与された後に、前記学習済モデルを生成する、構成１～５のいずれか１項に記載の情報処理装置。

［構成７］
前記生成手段は、生成した学習済モデルに対して対応するグループの属性を付与する、構成１～６のいずれか１項に記載の情報処理装置。

［構成８］
前記クラスタリング手段は、教師無し学習の手法により、前記複数の特徴量区間データをクラスタリングする、構成１～７のいずれか１項に記載の情報処理装置。

［構成９］
制御対象を制御するための制御装置（１００）に接続されるコンピュータ（２００）で実行されるモデル生成プログラム（２２８）であって、前記制御装置は、前記制御対象から収集される情報を予め用意された学習済モデル（１６０）に適用するように構成されており、前記モデル生成プログラムは前記コンピュータに、
前記制御対象から収集される情報から特徴量時系列データ（２７０）を算出するステップ（Ｓ１０２；Ｓ１５２）と、
前記特徴量時系列データを分割して複数の特徴量区間データ（２７２）を生成するステップ（Ｓ１０４；Ｓ１５６）と、
前記複数の特徴量区間データをクラスタリングすることで、類似した特徴量区間データからなる１または複数のグループ（２７４）を決定するステップ（Ｓ１０６；Ｓ１５８）と、
各グループに属する特徴量区間データに基づいて、グループ毎に学習済モデル（１６０）を生成するステップ（Ｓ１１２；Ｓ１７２）とを実行させる、モデル生成プログラム。

［構成１０］
制御対象を制御するための制御装置（１００）に接続される情報処理装置（２００）で実行されるモデル生成方法であって、前記制御装置は、前記制御対象から収集される情報を予め用意された学習済モデルに適用するように構成されており、前記モデル生成方法は、
前記制御対象から収集される情報から特徴量時系列データ（２７０）を算出するステップ（Ｓ１０２；Ｓ１５２）と、
前記特徴量時系列データを分割して複数の特徴量区間データ（２７２）を生成するステップ（Ｓ１０４；Ｓ１５６）と、
前記複数の特徴量区間データをクラスタリングすることで、類似した特徴量区間データからなる１または複数のグループ（２７４）を決定するステップ（Ｓ１０６；Ｓ１５８）と、
各グループに属する特徴量区間データに基づいて、グループ毎に学習済モデル（１６０）を生成するステップ（Ｓ１１２；Ｓ１７２）とを含む、モデル生成方法。

＜Ｈ．利点＞
本実施の形態に係るサポート装置２００においては、長時間に亘って収集した測定値時系列データには、４Ｍ（Man, Machine, Material, Method）変動が生じて、特定の区間において性質または傾向が変化し得る。このような測定値時系列データを用いて学習済モデル（モデル１６０）を生成する場合に、特徴量時系列データを分割して複数の特徴量区間データを生成してクラスタリングすることで、性質や傾向が類似した特徴量区間データ同士をグループ化することができる。そして、各グループに属する特徴量区間データを用いて、グループ毎のモデルを生成することで、類似した性質や傾向を反映した、より高精度なモデルを生成できる。これによって、長時間に亘って収集した測定値時系列データからも効率的にモデルを生成できる。

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。本発明の範囲は、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 制御システム、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、１２ リモートＩ／Ｏ装置、１４ リレー群、１６，１２４ Ｉ／Ｏユニット、１８ サーボドライバ、２０ サーボモータ、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 上位ネットワークコントローラ、１１２，２１２ ＵＳＢ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、１３０ ＰＬＣエンジン、１３１ システムプログラム、１３２ ユーザプログラム、１３４ ＡＩライブラリ、１３６ データ管理部、１４２ 測定値時系列データ、１５０ 異常検知エンジン、１５２ 特徴量、１６０，１６０Ａ，１６０Ｂ モデル、２００ サポート装置、２０４ 光学ドライブ、２０５ 記録媒体、２１４ ネットワークコントローラ、２１６ 入力部、２１８ 表示部、２２０ バス、２２２ ＯＳ、２２４ インターフェイスプログラム、２２６ 開発プログラム、２２８ モデル生成プログラム、２４０ モデル生成ツール、２４２ 特徴量生成処理、２４４ 特徴量分割処理、２４６ クラスタリング処理、２４８ ラベル付与処理、２５０ モデル生成処理、２６０ 特徴量算出モジュール、２６２ 特徴量分割モジュール、２６４ クラスタリングモジュール、２６６ モデル生成モジュール、２６８ クラスタリング評価モジュール、２７０ 特徴量時系列データ、２７２ 特徴量区間データ、２７４，２７４Ａ，２７４Ｂ 特徴量グループ、２７６ 時間的変化、２７８Ａ，２７８Ｂ ラベル、２８０ ユーザインターフェイス画面、２８２ 特徴量選択領域、２８４ 時系列データ表示領域、２８６ ヒストグラミング表示領域、４００ サーバ、５００ 表示装置、５０２，５０４ ボタン。

Claims (10)

1. 制御対象を制御するための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、前記制御対象から収集される情報を予め用意された学習済モデルに適用するように構成されており、前記情報処理装置は、
   前記制御対象から収集される情報から特徴量時系列データを算出する算出手段と、
   前記特徴量時系列データを分割して複数の特徴量区間データを生成する分割手段と、
   前記複数の特徴量区間データをクラスタリングすることで、類似した特徴量区間データからなる１または複数のグループを決定するクラスタリング手段と、
   各グループに属する特徴量区間データに基づいて、グループ毎に学習済モデルを生成する生成手段とを備える、情報処理装置。
2. 前記分割手段は、前記特徴量時系列データを予め定められた区間長さ毎に分割する、請求項１に記載の情報処理装置。
3. 前記分割手段は、収集された時刻が予め定められた時間以上離れている箇所で、前記特徴量時系列データを分割する、請求項１に記載の情報処理装置。
4. 前記複数の特徴量区間データのクラスタリング結果を評価するとともに、評価結果に基づいて前記特徴量時系列データを分割する区間長さを調整する評価手段をさらに備える、請求項１～３のいずれか１項に記載の情報処理装置。
5. 前記学習済モデルは、前記制御対象に何らかの異常が発生したことを検知するための異常検知モデルを含む、請求項１～４のいずれか１項に記載の情報処理装置。
6. 前記生成手段は、前記複数の特徴量区間データに含まれる各データにラベルが付与された後に、前記学習済モデルを生成する、請求項１～５のいずれか１項に記載の情報処理装置。
7. 前記生成手段は、生成した学習済モデルに対して対応するグループの属性を付与する、請求項１～６のいずれか１項に記載の情報処理装置。
8. 前記クラスタリング手段は、教師無し学習の手法により、前記複数の特徴量区間データをクラスタリングする、請求項１～７のいずれか１項に記載の情報処理装置。
9. 制御対象を制御するための制御装置に接続されるコンピュータで実行されるモデル生成プログラムであって、前記制御装置は、前記制御対象から収集される情報を予め用意された学習済モデルに適用するように構成されており、前記モデル生成プログラムは前記コンピュータに、
   前記制御対象から収集される情報から特徴量時系列データを算出するステップと、
   前記特徴量時系列データを分割して複数の特徴量区間データを生成するステップと、
   前記複数の特徴量区間データをクラスタリングすることで、類似した特徴量区間データからなる１または複数のグループを決定するステップと、
   各グループに属する特徴量区間データに基づいて、グループ毎に学習済モデルを生成するステップとを実行させる、モデル生成プログラム。
10. 制御対象を制御するための制御装置に接続される情報処理装置で実行されるモデル生成方法であって、前記制御装置は、前記制御対象から収集される情報を予め用意された学習済モデルに適用するように構成されており、前記モデル生成方法は、
    前記制御対象から収集される情報から特徴量時系列データを算出するステップと、
    前記特徴量時系列データを分割して複数の特徴量区間データを生成するステップと、
    前記複数の特徴量区間データをクラスタリングすることで、類似した特徴量区間データからなる１または複数のグループを決定するステップと、
    各グループに属する特徴量区間データに基づいて、グループ毎に学習済モデルを生成するステップとを含む、モデル生成方法。

Images