JP2023074822A - Information processing apparatus, information processing method, and information processing program - Google Patents

Information processing apparatus, information processing method, and information processing program Download PDF

Info

Publication number
JP2023074822A
JP2023074822A JP2021187959A JP2021187959A JP2023074822A JP 2023074822 A JP2023074822 A JP 2023074822A JP 2021187959 A JP2021187959 A JP 2021187959A JP 2021187959 A JP2021187959 A JP 2021187959A JP 2023074822 A JP2023074822 A JP 2023074822A
Authority
JP
Japan
Prior art keywords
data
measured
information processing
regression model
estimated
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.)
Pending
Application number
JP2021187959A
Other languages
Japanese (ja)
Inventor
耕一郎 平尾
Koichiro Hirao
直之 青田
Naoyuki Aota
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Azbil Corp
Original Assignee
Azbil Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Azbil Corp filed Critical Azbil Corp
Priority to JP2021187959A priority Critical patent/JP2023074822A/en
Priority to PCT/JP2022/040797 priority patent/WO2023090145A1/en
Publication of JP2023074822A publication Critical patent/JP2023074822A/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"

Abstract

To provide an information processing apparatus, an information processing method, and an information processing program for providing a more appropriate estimated value to a device user.SOLUTION: In an information processing system, an information processing apparatus comprises: an acquisition unit that acquires reference data including reference measurement data assumed to be measurement data related to a predetermined event and a reference index data assumed to be index data related to a result of the predetermined event when the reference measurement data is measured, and actual measurement data including measurement data measured when the predetermined event occurs and index data related to a result of the predetermined event when the measurement data is measured; a construction unit that constructs a reference data regression model based on the reference data and an actual measurement data regression model based on the actual measurement data; and an output unit that estimates estimated index data as index data corresponding to the input measurement data by using the reference data regression model and the actual measurement data regression model, and outputs an estimation result based on the reliability of the estimated index data.SELECTED DRAWING: Figure 4

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。 The present invention relates to an information processing device, an information processing method, and an information processing program.

機器交換による効果の試算や機器の最適な運転を計画するためには、機器自体の性能を正確に把握する必要がある。このような性能を示すものとして、メーカーが提供するカタログスペックを用いた機器の性能評価が行われる場合がある。しかしながら、カタログスペックは理想状態での性能評価値であるため、実際に機器が運転される設置環境や使用状況では、カタログスペックとして得られている性能評価値とは異なる値となる場合がある。そこで、この問題を解決するために、機器から運転されている時のデータを用いた推定モデルを構築する方法が知られている。例えば、特許文献１の方法では、実際の運転データを用いるため、カタログスペックよりも実際の運転に沿った性能推定が可能である。 In order to estimate the effect of equipment replacement and plan the optimal operation of equipment, it is necessary to accurately grasp the performance of the equipment itself. As an indication of such performance, there are cases where the performance evaluation of equipment is performed using the catalog specifications provided by the manufacturer. However, since the catalog specifications are performance evaluation values in an ideal state, the performance evaluation values obtained as catalog specifications may differ from the performance evaluation values obtained as catalog specifications in the installation environment and usage conditions in which the equipment is actually operated. Therefore, in order to solve this problem, there is known a method of constructing an estimation model using data during operation from equipment. For example, the method of Patent Literature 1 uses actual driving data, so it is possible to estimate performance in line with actual driving rather than catalog specifications.

特開２０２０－３０６８６号公報Japanese Patent Application Laid-Open No. 2020-30686

しかしながら、上記従来技術では、機器の運用方法によっては運転条件に偏りが発生する場合があり、データの少ない運転条件が存在してしまう。機器の実運用時の性能評価値を、回帰分析手法を用いて推定する場合、このようなデータが少ない運転条件が外挿となるために、現実とは大きく異なるような値が推定される可能性がある。 However, in the above-described conventional technology, the operating conditions may be biased depending on the operation method of the equipment, and there are operating conditions for which there is little data. When estimating performance evaluation values during actual operation of equipment using the regression analysis method, it is possible to estimate values that differ greatly from the actual situation because operating conditions with little data are extrapolated. have a nature.

本願はこのような課題を解決するためのものであり、より適切な推定値を利用者に提供することを目的としている。 The present application is intended to solve such problems, and aims to provide users with more appropriate estimated values.

本願に係る情報処理装置は、所定の事象に関する測定データとして想定される基準測定データと、前記基準測定データが測定される際において前記事象の結果に関する指標データとして想定される基準指標データとを含む基準データ、および、前記事象が生じた際に測定された測定データと、前記測定データが測定された際における前記事象の結果に関する指標データとを含む実測データを取得する取得部と、前記基準データに基づく基準データ回帰モデル、および前記実測データに基づく実測データ回帰モデルを構築する構築部と、前記基準データ回帰モデルおよび前記実測データ回帰モデルを用いて、入力された測定データに対応する指標データとして推定指標データを推定し、前記推定指標データに対する信頼度に基づいて推定結果を出力する出力部と、を備えることを特徴とする。 An information processing apparatus according to the present application stores reference measurement data assumed as measurement data relating to a predetermined event, and reference index data assumed as index data relating to the result of the event when the reference measurement data is measured. an acquisition unit that acquires actually measured data including reference data containing the a construction unit that constructs a reference data regression model based on the reference data and an actual measurement data regression model based on the actual measurement data; an output unit that estimates estimated index data as the index data and outputs an estimation result based on the reliability of the estimated index data.

本願に係る情報処理方法は、情報処理装置によって実行される情報処理方法であって、所定の事象に関する測定データとして想定される基準測定データと、前記基準測定データが測定される際において前記事象の結果に関する指標データとして想定される基準指標データとを含む基準データ、および、前記事象が生じた際に測定された測定データと、前記測定データが測定された際における前記事象の結果に関する指標データとを含む実測データを取得する取得工程と、前記基準データに基づく基準データ回帰モデル、および前記実測データに基づく実測データ回帰モデルを構築する構築工程と、前記基準データ回帰モデルおよび前記実測データ回帰モデルを用いて、入力された測定データに対応する指標データとして推定指標データを推定し、前記推定指標データに対する信頼度に基づいて推定結果を出力する出力工程と、を含むことを特徴とする。 An information processing method according to the present application is an information processing method executed by an information processing apparatus, wherein reference measurement data assumed as measurement data relating to a predetermined event and the event when the reference measurement data is measured are measured. Reference data including reference index data assumed as index data regarding the result of the event, measurement data measured when the event occurred, and measurement data regarding the result of the event when the measurement data was measured a building step of building a reference data regression model based on the reference data and a measured data regression model based on the measured data; and the reference data regression model and the measured data. an output step of estimating estimated index data as index data corresponding to the input measured data using a regression model, and outputting an estimation result based on the reliability of the estimated index data. .

本願に係る情報処理プログラムは、所定の事象に関する測定データとして想定される基準測定データと、前記基準測定データが測定される際において前記事象の結果に関する指標データとして想定される基準指標データとを含む基準データ、および、前記事象が生じた際に測定された測定データと、前記測定データが測定された際における前記事象の結果に関する指標データとを含む実測データを取得する取得手順と、前記基準データに基づく基準データ回帰モデル、および前記実測データに基づく実測データ回帰モデルを構築する構築手順と、前記基準データ回帰モデルおよび前記実測データ回帰モデルを用いて、入力された測定データに対応する指標データとして推定指標データを推定し、前記推定指標データに対する信頼度に基づいて推定結果を出力する出力手順と、をコンピュータに実行させることを特徴とする。 An information processing program according to the present application stores reference measurement data assumed as measurement data relating to a predetermined event, and reference index data assumed as index data relating to the result of the event when the reference measurement data is measured. an acquisition procedure for acquiring actual measurement data including reference data including reference data, measurement data measured when the event occurred, and index data relating to the outcome of the event when the measurement data was measured; A building procedure for building a reference data regression model based on the reference data and a measured data regression model based on the measured data; and an output step of estimating estimated index data as the index data and outputting an estimation result based on the reliability of the estimated index data.

上述した情報処理装置によれば、より適切な推定値を利用者に提供する。 According to the information processing apparatus described above, a more appropriate estimated value is provided to the user.

図１は、実施形態に係る情報処理システムの構成例を示す図である。FIG. 1 is a diagram illustrating a configuration example of an information processing system according to an embodiment. 図２は、実施形態に係る推定結果の一例を示す図である。FIG. 2 is a diagram illustrating an example of an estimation result according to the embodiment; 図３は、実施形態に係る推定結果の一例を示す図である。FIG. 3 is a diagram illustrating an example of an estimation result according to the embodiment; 図４は、実施形態に係る情報処理装置の構成例を示す図である。FIG. 4 is a diagram illustrating a configuration example of an information processing apparatus according to the embodiment; 図５は、実施形態に係る情報処理装置が実行する情報処理全体の流れを示すフローチャートである。FIG. 5 is a flowchart showing the overall flow of information processing executed by the information processing apparatus according to the embodiment. 図６は、実施形態に係る情報処理装置が実行するデータ取得処理の流れを示すフローチャートである。FIG. 6 is a flow chart showing the flow of data acquisition processing executed by the information processing apparatus according to the embodiment. 図７は、実施形態に係る情報処理装置が実行するモデル構築処理の流れの一例を示すフローチャートである。FIG. 7 is a flowchart illustrating an example of the flow of model construction processing executed by the information processing apparatus according to the embodiment. 図８は、実施形態に係る情報処理装置が実行する推定結果出力処理の流れの一例を示すフローチャートである。FIG. 8 is a flowchart illustrating an example of the flow of estimation result output processing executed by the information processing apparatus according to the embodiment. 図９は、実施形態に係る情報処理装置の機能を実現するコンピュータの一例を示すハードウェア構成図である。FIG. 9 is a hardware configuration diagram showing an example of a computer that implements the functions of the information processing apparatus according to the embodiment.

次に、実施の形態（適宜、「実施形態」）について図面を参照して説明する。なお、以下の説明において、各実施形態において共通する構成要素には同一の参照符号を付し、繰り返しの説明を省略する。 Next, an embodiment ("embodiment" as appropriate) will be described with reference to the drawings. In the following description, constituent elements common to each embodiment are denoted by the same reference numerals, and repeated descriptions are omitted.

［原理］
〔１．はじめに〕
以下では、カタログスペックと運転データのそれぞれが構築した回帰モデルの推定値を混合する推定値算出方法を提案する。以下の実施形態では、カタログスペックと運転データそれぞれを学習データとして２つの回帰モデルを構築する。例えば、本実施形態においては、ガウス過程回帰を用いた手法による空調の熱源機器の性能推定を行う２つの回帰モデルの構築を行う。ここで、本実施形態においては、少なくとも、運転データから構築される回帰モデルを、推定値の信頼度を判断できる指標を取得可能なモデルとする。また、本実施形態では、運転データで構築したモデルが出力する推定値の信頼度が所与の閾値より低い場合は、カタログスペックで構築したモデルが出力する推定値との混合演算を行った結果を推定値として出力する。このような処理の結果、本実施形態では、運転データが少ない条件の範囲において、カタログスペックを考慮した推定値を出力することができるので、運転データが少ない条件の範囲における推定値の誤差を削減することができる。 [principle]
[1. Introduction]
In the following, we propose an estimated value calculation method that mixes the estimated values of the regression models constructed by the catalog specifications and the operating data. In the following embodiments, two regression models are constructed using catalog specifications and operating data as learning data. For example, in the present embodiment, two regression models are constructed for estimating the performance of heat source equipment for air conditioning by a method using Gaussian process regression. Here, in the present embodiment, at least the regression model constructed from the driving data is a model capable of obtaining an index for determining the reliability of the estimated value. In addition, in this embodiment, when the reliability of the estimated value output by the model constructed from the operating data is lower than a given threshold, the result of performing a mixed operation with the estimated value output by the model constructed with the catalog specifications is output as an estimate. As a result of such processing, in the present embodiment, it is possible to output an estimated value that takes catalog specifications into consideration in a range of conditions with little operating data, thereby reducing errors in the estimated value in a range of conditions with little operating data. can do.

すなわち、本実施形態では、機器の実際の運転データに沿った性能推定を実現しつつ、運転データが少ない条件において現実と大きく異なるような推定値の出力を抑制する。 That is, in the present embodiment, performance estimation in line with the actual operating data of the equipment is realized, and the output of estimated values that are significantly different from reality is suppressed under conditions where there is little operating data.

〔２．ガウス過程回帰〕
以下では、本実施形態に係るガウス過程回帰について数式を参照して説明する。 [2. Gaussian process regression]
Gaussian process regression according to the present embodiment will be described below with reference to formulas.

（２－１．ガウス過程回帰の概要）
第１に、ガウス過程回帰の概要について説明する。ガウス過程回帰は、非線形の回帰分析手法である。ガウス過程回帰は、学習データから推定を行う回帰モデルを構築し、入力変数に対する出力変数を推定する。また、ガウス過程回帰は、値の推定だけでなく、その分散も推定することができるため、分散から推定結果の信頼度評価が可能である。 (2-1. Overview of Gaussian process regression)
First, an overview of Gaussian process regression is provided. Gaussian process regression is a nonlinear regression analysis technique. Gaussian process regression builds a regression model that estimates from training data, estimating output variables for input variables. Moreover, since Gaussian process regression can estimate not only the value but also the variance, it is possible to evaluate the reliability of the estimation result from the variance.

（２－２．問題設定）
第２に、ガウス過程回帰の問題設定について説明する。前提条件として、サンプル（ｘ（１），ｙ（１））～（ｘ（ｎ），ｙ（ｎ））が観測されている。また、目的として、新たにｘ（ｎ＋１）が観測されたときに、対応するｙ（ｎ＋１）を予測する。 (2-2. Problem setting)
Secondly, the Gaussian process regression problem setting will be described. As a prerequisite, samples (x (1) , y (1) ) to (x (n) , y (n) ) are observed. Also, for the purpose, when x (n+1) is newly observed, the corresponding y (n+1) is predicted.

次に、以下の線形のモデルを仮定する。ここで、回帰係数ｂ同士は独立である。また、目的変数ｙは、下記（１）式の正規分布に従い、回帰係数ｂは、下記（２）式の正規分布に従う。 Next, assume the following linear model. Here, the regression coefficients b are independent. Moreover, the objective variable y follows the normal distribution of the following formula (1), and the regression coefficient b follows the normal distribution of the following formula (2).

Figure 2023074822000002
Figure 2023074822000002

Figure 2023074822000003
Figure 2023074822000003

ここで、線形モデルは、下記（３）式および（４）式のように表わされる。 Here, the linear model is represented by the following formulas (3) and (4).

Figure 2023074822000004
Figure 2023074822000004

Figure 2023074822000005
Figure 2023074822000005

また、その平均は、下記（５）式のように表わされる。 Also, the average is represented by the following equation (5).

Figure 2023074822000006
Figure 2023074822000006

また、その分散は、下記（６）式のように表わされる。 Moreover, the variance is represented by the following equation (6).

Figure 2023074822000007
Figure 2023074822000007

ここで、上記（６）式中のσｙｉ，ｊ ２は、下記（７）式のように表わされる。 Here, σ yi,j 2 in the above equation (6) is represented by the following equation (7).

Figure 2023074822000008
Figure 2023074822000008

（２－３．非線形モデルへの拡張）
第３に、ガウス過程回帰の非線形モデルへの拡張について説明する。ここで、上記の拡張を行うために、非線形関数φによる線形モデルの変換を行う。すなわち、線形モデルでは、下記（８）式および（９）式で表わされるが、非線形関数φにより変換することによって、それぞれ下記（１０）式および（１１）式のように表わすことができる。なお、下記（１１）式中のＫは、カーネル関数を表わす。 (2-3. Extension to nonlinear model)
Third, we describe the extension of Gaussian process regression to nonlinear models. Here, in order to extend the above, the linear model is transformed by the nonlinear function φ. That is, in a linear model, they are represented by the following equations (8) and (9), but can be represented by the following equations (10) and (11), respectively, by transforming with the nonlinear function φ. Note that K in the following equation (11) represents a kernel function.

Figure 2023074822000009
Figure 2023074822000009

Figure 2023074822000010
Figure 2023074822000010

Figure 2023074822000011
Figure 2023074822000011

Figure 2023074822000012
Figure 2023074822000012

すなわち、目的変数の予測には、上記（１１）式中のＫ（ｘ（ｉ），ｘ（ｊ））が求められればよい。このとき、カーネル関数として、下記（１２）式で表わされるガウシアンカーネルや、下記（１３）式で表わされる多項式カーネルを適用できるが、特に限定されない。 That is, in order to predict the objective variable, K(x (i) , x (j) ) in the above equation (11) should be obtained. At this time, as the kernel function, a Gaussian kernel represented by the following formula (12) or a polynomial kernel represented by the following formula (13) can be applied, but the kernel function is not particularly limited.

Figure 2023074822000013
Figure 2023074822000013

Figure 2023074822000014
Figure 2023074822000014

（２－４．測定誤差の仮定）
第４に、ガウス過程回帰の測定誤差の仮定について説明する。ここで、測定誤差の仮定を以下のように行う。まず、ｙには測定誤差ｅがある。また、測定誤差ｅは、下記（１４）式の正規分布に従う。 (2-4. Assumption of measurement error)
Fourth, the measurement error assumptions of Gaussian process regression are described. Here, the assumption of the measurement error is made as follows. First, y has a measurement error e. Moreover, the measurement error e follows the normal distribution of the following equation (14).

Figure 2023074822000015
Figure 2023074822000015

次に、下記（１５）式および（１６）式で表わされるように、測定誤差を導入する。このとき、下記（１６）式中には、共分散行列Σの対角項に、測定誤差の分散σｅ ２が追加される。 Next, measurement errors are introduced as expressed by the following equations (15) and (16). At this time, the variance σ e 2 of the measurement error is added to the diagonal terms of the covariance matrix Σ in the following equation (16).

Figure 2023074822000016
Figure 2023074822000016

Figure 2023074822000017
Figure 2023074822000017

（２－５．目的変数の推定）
第５に、ガウス過程回帰の目的変数の推定について説明する。ここで、目的変数の推定を以下のように行う。まず、条件付き分布ｐ（ｙａ｜ｙｂ）の平均ベクトルを下記（１７）式、分散共分散行列を下記（１８）式と表わす。なお、ｙａは、ｙ（ｎ＋１）であり、ｙｂは［ｙ（１），・・・，ｙ（ｎ）］である。また、同時分布ｐ（ｙａ｜ｙｂ）の平均ベクトルを下記（１９）式、分散共分散行列を下記（２０）式と表わす。 (2-5. Estimation of objective variable)
Fifth, the estimation of the objective variable of Gaussian process regression will be explained. Here, estimation of the objective variable is performed as follows. First, the average vector of the conditional distribution p(y a |y b ) is represented by the following equation (17), and the variance-covariance matrix is represented by the following equation (18). Note that y a is y (n+1) , and y b is [y (1) , . . . , y (n) ]. Also, the mean vector of the joint distribution p(y a |y b ) is represented by the following equation (19), and the variance-covariance matrix is represented by the following equation (20).

Figure 2023074822000018
Figure 2023074822000018

Figure 2023074822000019
Figure 2023074822000019

Figure 2023074822000020
Figure 2023074822000020

Figure 2023074822000021
Figure 2023074822000021

このとき、下記（２１）式より、平均ベクトルｍａ｜ｂを算出する。また、下記（２２）式より、分散共分散行列Σａ｜ｂを算出する。 At this time, the average vector ma|b is calculated from the following equation (21). Also, a variance-covariance matrix Σa |b is calculated from the following equation (22).

Figure 2023074822000022
Figure 2023074822000022

Figure 2023074822000023
Figure 2023074822000023

上述してきたように、上記数式において、運転データが少ない条件区間については、カタログスペックに基づく推定が、運転データが十分に存在する条件区間については、運転データに基づく推定が行われるように、回帰モデルの学習を行うこととなる。以下で説明する実施形態において、具体的な学習の例について説明する。 As described above, in the above formula, the regression Model learning will be performed. In the embodiments described below, specific learning examples will be described.

［実施形態］
〔１．情報処理システム〕
図１～図３を用いて、情報処理システム１００の一例について説明する。図１は、実施形態に係る情報処理システムの構成例を示す図である。図２および図３は、実施形態に係る推定結果の一例を示す図である。以下では、空調の熱源機器の性能推定処理の一例について、情報処理システムの構成、情報処理システムの処理、回帰モデルの構築の順に説明する。 [Embodiment]
[1. Information processing system]
An example of an information processing system 100 will be described with reference to FIGS. 1 to 3. FIG. FIG. 1 is a diagram illustrating a configuration example of an information processing system according to an embodiment. 2 and 3 are diagrams showing examples of estimation results according to the embodiment. An example of performance estimation processing for heat source equipment for air conditioning will be described below in the order of the configuration of the information processing system, the processing of the information processing system, and the construction of the regression model.

（１－１．情報処理システムの構成）
図１を用いて、情報処理システム１００の構成について説明する。情報処理システム１００は、情報処理装置１０と、端末装置２０と、運転データの収集対象となる熱源機器３０と、性能の推定対象となる熱源機器４０とを含む。情報処理装置１０と、端末装置２０と、熱源機器３０と、熱源機器４０とは、所定の通信網を介して、有線又は無線により通信可能に接続される。なお、図１に示す情報処理システム１００には、複数台の情報処理装置１０、複数台の端末装置２０、複数台の熱源機器３０、複数台の熱源機器４０が含まれてもよい。 (1-1. Configuration of information processing system)
The configuration of the information processing system 100 will be described with reference to FIG. The information processing system 100 includes an information processing device 10, a terminal device 20, a heat source device 30 whose operation data is to be collected, and a heat source device 40 whose performance is to be estimated. The information processing device 10, the terminal device 20, the heat source device 30, and the heat source device 40 are communicably connected by wire or wirelessly via a predetermined communication network. The information processing system 100 shown in FIG. 1 may include a plurality of information processing apparatuses 10, a plurality of terminal devices 20, a plurality of heat source devices 30, and a plurality of heat source devices 40. FIG.

実施形態に係る情報処理装置１０は、所定の通信網を介して、各種の装置と通信可能な情報処理装置であり、例えば、サーバ装置又はクラウドシステム等により実現される。図１では、情報処理装置１０は、サーバ装置である例を示す。 The information processing device 10 according to the embodiment is an information processing device that can communicate with various devices via a predetermined communication network, and is realized by, for example, a server device or a cloud system. FIG. 1 shows an example in which the information processing device 10 is a server device.

実施形態に係る端末装置２０は、熱源機器のカタログスペックデータ（以下、単に「カタログスペック」又は「スペック」とも表記）を有し、情報処理システム１００の管理者や性能推定対象熱源機器の利用者によって利用される情報処理装置である。例えば、端末装置２０は、デスクトップ型ＰＣ（Personal Computer）や、ノート型ＰＣや、タブレット端末や、携帯電話機や、ＰＤＡ（Personal Digital Assistant）等である。図１では、端末装置２０は、ノート型ＰＣであり、情報処理システム１００の管理者の実験室内に設置されている例を示す。 The terminal device 20 according to the embodiment has catalog spec data of the heat source device (hereinafter also simply referred to as “catalog spec” or “spec”), and is used by the administrator of the information processing system 100 and the user of the heat source device whose performance is to be estimated. It is an information processing device used by For example, the terminal device 20 is a desktop PC (Personal Computer), a notebook PC, a tablet terminal, a mobile phone, a PDA (Personal Digital Assistant), or the like. FIG. 1 shows an example in which the terminal device 20 is a notebook PC installed in the laboratory of the administrator of the information processing system 100 .

実施形態に係る熱源機器３０は、熱源機器の性能推定処理を実行するための運転データを収集する熱源機器である。図１では、熱源機器３０は、情報処理システム１００の管理者の実験室内に設置されている例を示す。 The heat source device 30 according to the embodiment is a heat source device that collects operation data for executing performance estimation processing of the heat source device. FIG. 1 shows an example in which the heat source device 30 is installed in the laboratory of the administrator of the information processing system 100 .

実施形態に係る熱源機器４０は、熱源機器３０と性能を比較する対象である熱源機器である。図１では、熱源機器４０は、屋外に設置されている例を示す。 The heat source device 40 according to the embodiment is a heat source device to be compared in performance with the heat source device 30 . FIG. 1 shows an example in which the heat source device 40 is installed outdoors.

（１－２．情報処理システムの処理）
引き続き図１を用いて、情報処理システム１００の処理について説明する。情報処理システム１００において、第１に、情報処理装置１０は、実験室内の端末装置２０から、熱源装置のカタログスペックを取得する（ステップＳ１）。ここで、カタログスペックとは、メーカーが提供する理想状態での性能評価値である。例えば、情報処理装置１０は、熱源装置のカタログスペックとして、熱源機器の代表的な負荷率ごとのエネルギー消費効率（ＣＯＰ：Coefficient Of Performance）の数値を取得する。なお、ＣＯＰは、熱源機器の性能を評価するために測定される数値であり、消費エネルギーに対して製造熱量が占める割合を示す。図１の例では、情報処理装置１０は、カタログスペックを端末装置２０から取得しているが、図示しない端末装置や情報処理装置１０の記憶部１２から取得してもよい。 (1-2. Processing of information processing system)
Processing of the information processing system 100 will be described with reference to FIG. In the information processing system 100, first, the information processing device 10 acquires the catalog specifications of the heat source device from the terminal device 20 in the laboratory (step S1). Here, the catalog spec is a performance evaluation value in an ideal state provided by the manufacturer. For example, the information processing apparatus 10 acquires the numerical value of the energy consumption efficiency (COP: Coefficient Of Performance) for each representative load factor of the heat source device as the catalog specifications of the heat source device. Note that the COP is a numerical value measured to evaluate the performance of the heat source equipment, and indicates the ratio of the amount of heat produced to the energy consumption. In the example of FIG. 1, the information processing apparatus 10 acquires the catalog spec from the terminal device 20, but it may be acquired from a terminal device (not shown) or the storage unit 12 of the information processing apparatus 10. FIG.

上述したステップＳ１の説明のように、情報処理装置１０は、基準データ（カタログスペック）として、所定の事象（熱源機器の運転）に関する測定データとして想定される基準測定データ（負荷率等の理論値）を取得する装置である。また、情報処理装置１０は、基準データ（カタログスペック）として、基準測定データが測定される際において所定の事象（熱源機器の運転）の結果に関する指標データとして想定される基準指標データ（ＣＯＰ等の理論値）を取得する装置である。 As described in step S1 above, the information processing apparatus 10 uses, as reference data (catalog specifications), reference measurement data (theoretical values such as load factor ). In addition, the information processing apparatus 10 uses, as reference data (catalog specifications), reference index data (COP, etc.) assumed as index data relating to the result of a predetermined event (operation of the heat source equipment) when the reference measurement data is measured. theoretical value).

情報処理システム１００において、第２に、情報処理装置１０は、熱源機器のカタログスペックを学習データとして用いて、ガウス過程回帰でカタログスペックの回帰モデル（以下、単に「カタログスペックモデル」とも表記）を構築する（ステップＳ２）。これ以降、回帰モデルとは、ガウス過程回帰による回帰モデルの他、制約付き最小二乗法を用いた回帰モデル、ディープラーニング等も含み、特に限定されない。 In the information processing system 100, secondly, the information processing apparatus 10 uses the catalog specs of the heat source equipment as learning data to generate a regression model of the catalog specs (hereinafter simply referred to as “catalog spec model”) by Gaussian process regression. Build (step S2). Hereinafter, the term regression model includes not only a regression model based on Gaussian process regression, but also a regression model using a constrained least squares method, deep learning, and the like, and is not particularly limited.

上述したステップＳ２の説明のように、情報処理装置１０は、基準データ（カタログスペック）を学習データとして用いたガウス過程回帰による基準データ回帰モデルを構築する装置である。すなわち、情報処理装置１０は、構築部１３ｂは、基準データに基づく基準データ回帰モデルを構築する装置である。 As described in step S2 above, the information processing device 10 is a device that builds a reference data regression model by Gaussian process regression using reference data (catalog specifications) as learning data. That is, in the information processing device 10, the building unit 13b is a device that builds a reference data regression model based on the reference data.

情報処理システム１００において、第３に、情報処理装置１０は、実験室内の熱源機器３０から、熱源装置の運転データを取得する（ステップＳ３）。ここで、運転データとは、熱源機器の運転時に測定可能であるセンサ値である。例えば、情報処理装置１０は、熱源装置の運転データとして、熱源機器の外気温度、送水出口温度（以下、単に「送水温度」とも表記）、負荷率等の数値を取得する。図１の例では、情報処理装置１０は、運転データを実験室内の熱源機器３０から取得しているが、図示しない実験室外の熱源機器から取得してもよいし、過去に測定した熱源機器のセンサ値を運転データとして取得してもよい。 In the information processing system 100, thirdly, the information processing device 10 acquires operation data of the heat source device from the heat source device 30 in the laboratory (step S3). Here, the operating data are sensor values that can be measured during operation of the heat source equipment. For example, the information processing apparatus 10 acquires numerical values such as the outside air temperature of the heat source device, the water outlet temperature (hereinafter also simply referred to as "water temperature"), the load factor, etc., as the operation data of the heat source device. In the example of FIG. 1, the information processing apparatus 10 acquires the operational data from the heat source equipment 30 in the laboratory, but it may be acquired from the heat source equipment outside the laboratory (not shown), or the data of the heat source equipment measured in the past may be obtained. Sensor values may be acquired as driving data.

上述したステップＳ３の説明のように、情報処理装置１０は、実測データ（運転データ）として、所定の事象（熱源機器の運転）が生じた際に測定された測定データ（負荷率等のセンサ値）を取得する装置である。また、実測データ（運転データ）として、当該測定データが測定された際における所定の事象（熱源機器の運転）の結果に関する指標データＣＯＰ等の実測値）を取得する装置である。 As described in step S3 above, the information processing device 10 uses measured data (sensor values such as load factor) measured when a predetermined event (heat source equipment operation) occurs as actually measured data (operation data). ). It also acquires, as actual measurement data (operation data), actual measurement values such as index data COP relating to the result of a predetermined event (heat source equipment operation) when the measurement data is measured.

情報処理システム１００において、第４に、情報処理装置１０は、熱源機器の運転データを学習データとして用いて、ガウス過程回帰で運転データ回帰モデル（以下、単に「運転データモデル」とも表記）を構築する（ステップＳ４）。すなわち、情報処理装置１０は、カタログスペックおよび運転データの特徴を回帰モデルに学習させ、その後、熱源機器の運転データが有する特徴を、その回帰モデルに学習させる。 Fourthly, in the information processing system 100, the information processing device 10 uses the operating data of the heat source equipment as learning data to construct an operating data regression model (hereinafter also simply referred to as "operating data model") by Gaussian process regression. (step S4). That is, the information processing apparatus 10 causes the regression model to learn the features of the catalog specifications and the operating data, and then causes the regression model to learn the features of the operating data of the heat source equipment.

このような処理の結果、情報処理装置１０は、運転データが少ない条件の範囲においては、カタログスペックの値に基づいた推定を行い、運転データが十分に存在する条件の範囲においては、実測データに基づいた推定を行う回帰モデルの構築を行うことができる。 As a result of such processing, the information processing apparatus 10 performs estimation based on the values of the catalog specifications in the range of conditions where there is little operating data, and in the range of conditions where there is sufficient operating data, the actual measurement data. Regression models can be constructed to make inferences based on

情報処理システム１００において、第５に、情報処理装置１０は、屋外の熱源機器４０から、熱源装置の入力データを取得する（ステップＳ５）。ここで、入力データとは、性能を推定する熱源機器の運転時に実際に測定されたセンサ値である。例えば、情報処理装置１０は、熱源装置の入力データとして、屋外の熱源機器４０において測定された熱源機器の外気温度、送水温度、負荷率等の数値を取得する。 Fifthly, in the information processing system 100, the information processing device 10 acquires the input data of the heat source device from the outdoor heat source device 40 (step S5). Here, the input data are sensor values actually measured during operation of the heat source equipment whose performance is to be estimated. For example, the information processing apparatus 10 acquires numerical values such as the outside air temperature, the water supply temperature, the load factor, etc. of the heat source device measured in the outdoor heat source device 40 as the input data of the heat source device.

情報処理システム１００において、第６に、情報処理装置１０は、構築した２つの回帰モデルを用いて、熱源装置の入力データから出力データを推定する（ステップＳ６）。ここで、出力データとは、入力データに対応する熱源機器の性能を評価するための数値の推定値である。例えば、情報処理装置１０は、入力データである外気温度、送水温度、負荷率に対応するＣＯＰを推定する。このとき、情報処理装置１０は、ＣＯＰを推定するとともに、推定値の信頼度としてＣＯＰの標準偏差を推定する。 In the information processing system 100, sixthly, the information processing device 10 estimates output data from the input data of the heat source device using the two constructed regression models (step S6). Here, the output data is an estimated numerical value for evaluating the performance of the heat source equipment corresponding to the input data. For example, the information processing device 10 estimates the COP corresponding to the input data such as the outside air temperature, the water supply temperature, and the load factor. At this time, the information processing apparatus 10 estimates the COP and also estimates the standard deviation of the COP as the reliability of the estimated value.

ここで、情報処理装置１０は、推定した信頼度が閾値以上であれば運転データモデルからの推定値を出力する。一方、情報処理装置１０は、推定した信頼度が閾値未満であれば、カタログスペックモデルによる推定値と混合処理を行い、推定値として出力する。 Here, the information processing device 10 outputs an estimated value from the driving data model if the estimated reliability is greater than or equal to the threshold. On the other hand, if the estimated reliability is less than the threshold, the information processing apparatus 10 performs a mixing process with the estimated value from the catalog spec model, and outputs the estimated value.

情報処理システム１００において、第７に、情報処理装置１０は、推定結果（ＣＯＰ等の推定値、信頼度等）を端末装置２０に送信する（ステップＳ７）。このとき、情報処理装置１０は、推定結果を図示しない端末装置に送信してもよい。 In the information processing system 100, seventhly, the information processing device 10 transmits the estimation result (estimated value such as COP, reliability, etc.) to the terminal device 20 (step S7). At this time, the information processing device 10 may transmit the estimation result to a terminal device (not shown).

（１－３．回帰モデルの構築例）
図２および図３を用いて、情報処理システム１００における回帰モデルの構築例について説明する。まず、図２を用いて、情報処理システム１００の回帰モデルの概要について説明する。上述した情報処理システム１００において、回帰モデルを用いた推定対象は、空調の熱源機器の性能であり、その評価値はエネルギー消費効率（ＣＯＰ）である。また、回帰モデルの入出力変数について説明すると、入力値に相当する説明変数が、外気温度、送水温度、負荷率等であり、出力値に相当する目的変数がＣＯＰである。図２の例では、送水温度が７℃で一定のときに、負荷率０～１の範囲、外気温度１５℃～４０℃の範囲において、回帰モデルが出力する推定値（破線で表示）を示している。 (1-3. Construction example of regression model)
An example of building a regression model in the information processing system 100 will be described with reference to FIGS. 2 and 3. FIG. First, an overview of the regression model of the information processing system 100 will be described with reference to FIG. In the information processing system 100 described above, the estimation target using the regression model is the performance of the heat source equipment for air conditioning, and the evaluation value thereof is the energy consumption efficiency (COP). Input and output variables of the regression model will be explained. Explanatory variables corresponding to input values are outside air temperature, water supply temperature, load factor, etc., and objective variables corresponding to output values are COP. In the example of Figure 2, when the water supply temperature is constant at 7°C, the estimated values (indicated by the dashed line) output by the regression model are shown in the load factor range of 0 to 1 and the outside air temperature range of 15°C to 40°C. ing.

続いて、情報処理システム１００における回帰モデルの構築手順について説明する。第１に、情報処理装置１０は、熱源機器のカタログスペックを学習データとし、ガウス過程回帰でカタログスペックの回帰モデルを構築する。第２に、情報処理装置１０は、熱源機器の運転データスペックを学習データとし、ガウス過程回帰で運転データの回帰モデルを構築する。第３に、情報処理装置１０は、カタログスペックモデルと運転データモデルとから推定値を出力する。また、情報処理装置１０は、運転データモデルによる推定値の信頼度として推定値の標準偏差も出力する。第４に、情報処理装置１０は、推定値の信頼度と所定の閾値との比較を行う。このとき、情報処理装置１０は、信頼度が閾値以上であれば運転データモデルからの推定値を出力する。一方、情報処理装置１０は、信頼度が閾値未満であれば，カタログスペックモデルによる推定値と混合処理を行い、最終的な推定値として出力する。 Next, a procedure for constructing a regression model in the information processing system 100 will be described. First, the information processing apparatus 10 uses the catalog specifications of the heat source equipment as learning data and builds a regression model of the catalog specifications by Gaussian process regression. Secondly, the information processing apparatus 10 uses the operating data specifications of the heat source equipment as learning data and builds a regression model of the operating data by Gaussian process regression. Third, the information processing device 10 outputs estimated values from the catalog spec model and the driving data model. The information processing device 10 also outputs the standard deviation of the estimated value as the reliability of the estimated value by the driving data model. Fourth, the information processing apparatus 10 compares the reliability of the estimated value with a predetermined threshold. At this time, the information processing device 10 outputs an estimated value from the driving data model if the reliability is equal to or greater than the threshold. On the other hand, if the reliability is less than the threshold, the information processing apparatus 10 performs a mixing process with an estimated value based on the catalog spec model, and outputs a final estimated value.

また、情報処理システム１００における信頼度の判定手順について説明する。上述した例では、情報処理装置１０は、ガウス過程回帰の推定値の標準偏差を信頼度とする。このとき、情報処理装置１０は、標準偏差が小さい場合は、信頼度が高いものとして判定する。また、情報処理装置１０は、判定に必要な所定の閾値は標準偏差を記憶部１２に格納しておき、推定値の標準偏差＞閾値なら混合を行う。 Also, a reliability determination procedure in the information processing system 100 will be described. In the example described above, the information processing apparatus 10 uses the standard deviation of the estimated value of the Gaussian process regression as the reliability. At this time, the information processing apparatus 10 determines that the reliability is high when the standard deviation is small. Further, the information processing apparatus 10 stores the standard deviation of the predetermined threshold value necessary for determination in the storage unit 12, and performs mixing if the standard deviation of the estimated value>the threshold value.

また、情報処理システム１００における推定値の混合手順について説明する。例えば、情報処理装置１０は、（出力推定値）＝α×（運転データモデルの推定値）＋（１－α）×（スペックモデルの推定値）として混合演算を実行する。このとき、式中のαは任意に設定することができる。具体的な例を挙げると、運転データモデルからの推定値が信頼できない場合には、α＝０と設定することによって、カタログスペックモデルの推定値を採用するように混合する。また、カタログスペックモデルの推定値に運転データモデルからの推定値を若干加味する場合には、α＝０．８と設定する。さらに、信頼度に応じてカタログスペックを加味する割合を変更する場合には、α＝閾値÷標準偏差と設定することもできる。 Also, a procedure for mixing estimated values in the information processing system 100 will be described. For example, the information processing device 10 executes a mixed calculation as (estimated output value)=α×(estimated value of driving data model)+(1−α)×(estimated value of spec model). At this time, α in the formula can be set arbitrarily. As a specific example, if the estimates from the driving data model are unreliable, set α=0 to mix to adopt the estimates from the catalog spec model. If the estimated value from the operating data model is slightly added to the estimated value from the catalog spec model, α is set to 0.8. Furthermore, when changing the ratio of adding catalog specifications according to reliability, it is also possible to set α=threshold/standard deviation.

図３を用いて、情報処理システム１００における回帰モデルの効果検証について説明する。図３の例では、送水温度、外気温度が一定のときの負荷率０～１の範囲での、カタログスペック、運動データ、ＣＯＰの推定値、推定値の信頼区間の関係を示している。図３（１）は、実測された運転データ（×印で表示）、カタログスペック（白丸と線で表示）を示している。また、図３（２－１）は、カタログスペックモデルによる推定値（破線で表示）、推定値の信頼区間（斜線で表示）を示している。同様に、図３（２－２）は、運転データモデルによる推定値（破線で表示）、推定値の信頼区間（斜線で表示）を示している。また、図３（３）は、カタログスペックモデルの推定値と運転データモデルによる推定値とを混合して出力した混合推定値（破線で表示）と、その推定値の信頼区間（斜線で表示）を示している。 Verification of the effect of the regression model in the information processing system 100 will be described with reference to FIG. The example of FIG. 3 shows the relationship between the catalog specifications, the motion data, the COP estimate, and the confidence interval of the estimate in the load factor range of 0 to 1 when the water supply temperature and outside air temperature are constant. FIG. 3(1) shows actually measured operating data (indicated by x marks) and catalog specifications (indicated by white circles and lines). FIG. 3(2-1) shows estimated values (indicated by dashed lines) by the catalog spec model and confidence intervals of the estimated values (indicated by oblique lines). Similarly, FIG. 3(2-2) shows estimated values (indicated by dashed lines) based on the operating data model and confidence intervals of the estimated values (indicated by oblique lines). In addition, FIG. 3 (3) shows a mixed estimated value (indicated by a dashed line) output by mixing the estimated value of the catalog spec model and the estimated value by the operating data model, and the confidence interval of the estimated value (indicated by diagonal lines). is shown.

図３において、運転データモデルでは、負荷率０．５以上の範囲では運転データのデータ数が多いため運転データの学習を反映した推定値が示されているが、負荷率０．５以下の範囲では運転データのデータ数が少ないため現実とは大きく異なる推定値が示されている（図３（２－２）参照）。これに対して、カタログスペックモデルの推定値と運転データモデルによる推定値とを混合して出力した混合推定値において、負荷率０．５以下の範囲では運転データのデータ数が少ないにも関わらず、カタログスペックの数値に近い推測値が示されている（図３（３）参照）。すなわち、情報処理システム１００における回帰モデルでは、運転データのデータ数が少ない範囲であっても、カタログスペックの数値を反映して推定値を出力するため、現実とは大きく異なる推定を抑制することができる。 In FIG. 3, in the operating data model, the number of operating data is large in the range of the load factor of 0.5 or more, so the estimated value reflecting the learning of the operating data is shown, but the range of the load factor of 0.5 or less Since the number of operation data is small, estimated values that differ greatly from reality are indicated (see FIG. 3 (2-2)). On the other hand, in the mixed estimated value output by mixing the estimated value of the catalog spec model and the estimated value of the operating data model, even though the number of operating data is small in the range of the load factor of 0.5 or less, , estimated values close to the numerical values in the catalog specifications are shown (see FIG. 3 (3)). That is, in the regression model in the information processing system 100, even in a range where the number of data in the operation data is small, the estimated values are output by reflecting the numerical values of the catalog specifications, so it is possible to suppress estimations that are significantly different from reality. can.

〔２．情報処理装置の構成〕
以下、上記した情報処理装置１０が有する機能構成の一例について説明する。図４に示すように、実施形態に係る情報処理装置１０は、通信部１１と、記憶部１２と、制御部１３とを有する。 [2. Configuration of Information Processing Device]
An example of the functional configuration of the information processing apparatus 10 described above will be described below. As shown in FIG. 4 , the information processing device 10 according to the embodiment has a communication section 11 , a storage section 12 and a control section 13 .

（２－１．通信部１１）
通信部１１は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１１は、所定の通信網と有線又は無線で接続され、他の各種装置との間で情報の送受信を行う。 (2-1. Communication unit 11)
The communication unit 11 is realized by, for example, a NIC (Network Interface Card) or the like. The communication unit 11 is connected to a predetermined communication network by wire or wirelessly, and transmits and receives information to and from other various devices.

（２－２．記憶部１２）
記憶部１２は、例えば、ＲＡＭ（Random Access Memory)、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。図４に示すように、記憶部１２は、基準データ記憶部１２ａと、実測データ記憶部１２ｂと、推定結果記憶部１２ｃと、信頼度閾値記憶部１２ｄとを有する。 (2-2. Storage unit 12)
The storage unit 12 is realized by, for example, a semiconductor memory device such as a RAM (Random Access Memory) or a flash memory, or a storage device such as a hard disk or an optical disk. As shown in FIG. 4, the storage unit 12 has a reference data storage unit 12a, an actual measurement data storage unit 12b, an estimation result storage unit 12c, and a reliability threshold storage unit 12d.

（基準データ記憶部１２ａ）
基準データ記憶部１２ａは、基準データを記憶する。ここで、基準データとは、基準測定データと基準指標データとを含むデータである。基準測定データとは、所定の事象に関する測定データとして想定されるデータであり、上述した例では、空調の熱源機器の運転に関する外気温度、送水温度、負荷率等のカタログスペックの数値である。基準指標データとは、上記の基準測定データが測定される際において事象の結果に関する指標データとして想定されるデータであり、上述した例では、空調の熱源機器の運転の効率に関するＣＯＰ等のカタログスペックの数値である。 (Reference data storage unit 12a)
The reference data storage unit 12a stores reference data. Here, the reference data is data including reference measurement data and reference index data. The reference measurement data is data that is assumed as measurement data related to a predetermined event, and in the above example, it is numerical values of catalog specifications such as outside air temperature, water supply temperature, load factor, etc. related to the operation of heat source equipment for air conditioning. The reference index data is data that is assumed as index data regarding the result of an event when the reference measurement data is measured. is the numerical value of

（実測データ記憶部１２ｂ）
実測データ記憶部１２ｂは、実測データを記憶する。ここで、実測データとは、測定データと指標データとを含むデータである。測定データとは、所定の事象が生じた際に測定されたデータであり、上述した例では、空調の熱源機器の運転に関する外気温度、送水温度、負荷率等の運転データの数値である。指標データとは、上記の測定データが測定された際における事象の結果に関する指標データであり、上述した例では、空調の熱源機器の運転の効率に関するＣＯＰ等の運転データの数値である。 (Actual measurement data storage unit 12b)
The measured data storage unit 12b stores measured data. Here, the actual measurement data is data including measurement data and index data. Measured data is data measured when a predetermined event occurs, and in the above example, it is numerical values of operation data such as outside air temperature, water supply temperature, load factor, etc. related to the operation of heat source equipment for air conditioning. The index data is index data regarding the result of the event when the above measurement data is measured, and in the above example, it is numerical value of operation data such as COP regarding the efficiency of operation of heat source equipment for air conditioning.

（推定結果記憶部１２ｃ）
推定結果記憶部１２ｃは、推定結果を記憶する。ここで、信頼度とは、推定指標データおよび推定指標データの信頼度である。推定指標データとは、回帰モデルを用いて、入力された測定データに対応する指標データとして推定されたデータであり、上述した例では、空調の熱源機器の運転の効率に関するＣＯＰ等の回帰モデルによる推定値である。信頼度とは、上記の推定指標データに対する信頼性を示す数値として推定されたデータであり、上述した例では、空調の熱源機器の運転の効率に関するＣＯＰ等の標準偏差の回帰モデルによる推定値である。 (Estimation result storage unit 12c)
The estimation result storage unit 12c stores the estimation result. Here, the reliability is the estimated index data and the reliability of the estimated index data. The estimated index data is data estimated as index data corresponding to the input measurement data using a regression model. It is an estimate. Reliability is data estimated as a numerical value indicating the reliability of the above-mentioned estimated index data. be.

（信頼度閾値記憶部１２ｄ）
信頼度閾値記憶部１２ｄは、信頼度を判定する閾値を記憶する。上述した例では、信頼度閾値記憶部１２ｄは、空調の熱源機器の運転の効率に関するＣＯＰ等の標準偏差の設定された閾値や、混合演算を実行する際の算出方式、設定値に関する情報を記憶する。 (Reliability threshold storage unit 12d)
The reliability threshold storage unit 12d stores a threshold for determining reliability. In the above-described example, the reliability threshold storage unit 12d stores information about thresholds set for standard deviations such as COP regarding the efficiency of operation of heat source equipment for air conditioning, calculation methods when performing mixed calculations, and set values. do.

（２－３．制御部１３）
制御部１３は、コントローラ（Controller）であり、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等によって、情報処理装置１０内部の記憶装置に記憶されている各種プログラム（情報処理プログラムの一例）がＲＡＭを作業領域として実行されることにより実現される。また、制御部１３は、コントローラであり、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現される。 (2-3. Control unit 13)
The control unit 13 is a controller, and for example, various programs (information processing programs) stored in a storage device inside the information processing apparatus 10 are controlled by a CPU (Central Processing Unit), an MPU (Micro Processing Unit), or the like. example) is implemented by using RAM as a work area. Also, the control unit 13 is a controller, and is implemented by an integrated circuit such as an ASIC (Application Specific Integrated Circuit) or an FPGA (Field Programmable Gate Array).

図４に示すように、制御部１３は、取得部１３ａと、構築部１３ｂと、出力部１３ｃとを有し、以下に説明する情報処理の機能や作用を実現または実行する。なお、制御部１３の内部構成は、図４に示した構成に限られず、後述する情報処理を行う構成であれば他の構成であってもよい。また、制御部１３が有する各処理部の接続関係は、図４に示した接続関係に限られず、他の接続関係であってもよい。 As shown in FIG. 4, the control unit 13 has an acquisition unit 13a, a construction unit 13b, and an output unit 13c, and realizes or executes information processing functions and actions described below. Note that the internal configuration of the control unit 13 is not limited to the configuration shown in FIG. 4, and may be another configuration as long as it performs information processing described later. Further, the connection relationship between the processing units of the control unit 13 is not limited to the connection relationship shown in FIG. 4, and may be another connection relationship.

（取得部１３ａ）
取得部１３ａは、所定の事象に関する測定データとして想定される基準測定データと、当該基準測定データが測定される際において所定の事象の結果に関する指標データとして想定される基準指標データとを含む基準データ、および、所定の事象が生じた際に測定された測定データと、当該測定データが測定された際における所定の事象の結果に関する指標データとを含む実測データを取得する。例えば、取得部１３ａは、基準データとして熱源機器の運転に関するカタログスペックデータ、および実測データとして熱源機器の運転データを取得する。具体的な例を挙げると、取得部１３ａは、カタログスペックデータとして、熱源機器の外気温度、送水温度、負荷率およびＣＯＰの理論値を取得する。また、取得部１３ａは、運転データとして、熱源機器の外気温度、送水温度、負荷率およびＣＯＰの実測値を取得する。なお、取得部１３ａは、取得した基準データを基準データ記憶部１２ａに格納する。また、取得部１３ａは、取得した実測データを実測データ記憶部１２ｂに格納する。 (Acquisition unit 13a)
The acquisition unit 13a acquires reference data including reference measurement data assumed as measurement data relating to a predetermined event and reference index data assumed as index data relating to the result of the predetermined event when the reference measurement data is measured. , and actual measurement data including measurement data measured when a predetermined event occurred, and index data relating to the result of the predetermined event when the measurement data was measured. For example, the acquiring unit 13a acquires catalog specification data regarding the operation of the heat source equipment as the reference data and operation data of the heat source equipment as the measured data. To give a specific example, the acquisition unit 13a acquires the outside air temperature, the water supply temperature, the load factor, and the theoretical value of the COP of the heat source equipment as the catalog specification data. In addition, the acquisition unit 13a acquires the outside air temperature, the water supply temperature, the load factor, and the measured value of the COP of the heat source equipment as the operation data. The acquisition unit 13a stores the acquired reference data in the reference data storage unit 12a. The acquisition unit 13a also stores the acquired measured data in the measured data storage unit 12b.

（構築部１３ｂ）
構築部１３ｂは、基準データに基づく基準データ回帰モデル、および実測データに基づく実測データ回帰モデルを構築する。例えば、構築部１３ｂは、基準データを学習データとして用いたガウス過程回帰による基準データ回帰モデル、および実測データを学習データとして用いたガウス過程回帰による実測データ回帰モデルを構築する。例えば、構築部１３ｂは、カタログスペックデータに基づく基準データ回帰モデル、および運転データに基づく実測データ回帰モデルを構築する。具体的な例を挙げると、構築部１３ｂは、カタログスペックデータである熱源機器の外気温度、送水温度、負荷率およびＣＯＰの理論値を学習データとして用いてカタログスペックの回帰モデルを構築し、運転データである熱源機器の外気温度、送水温度、負荷率およびＣＯＰの実測値を学習データとして用いて運転データの回帰モデルを構築する。 (Building unit 13b)
The constructing unit 13b constructs a reference data regression model based on the reference data and an actual measurement data regression model based on the actual measurement data. For example, the construction unit 13b constructs a reference data regression model by Gaussian process regression using the reference data as learning data and an actual data regression model by Gaussian process regression using the actual data as learning data. For example, the constructing unit 13b constructs a reference data regression model based on catalog specification data and an actual measurement data regression model based on operating data. As a specific example, the construction unit 13b constructs a regression model of the catalog specifications using the catalog specification data of the outside air temperature, the water supply temperature, the load factor, and the theoretical value of the COP of the heat source equipment as learning data, and operates the model. A regression model of the operating data is constructed using the outside air temperature, water supply temperature, load factor, and COP measured value of the heat source equipment, which are data, as learning data.

（出力部１３ｃ）
出力部１３ｃは、基準データ回帰モデルおよび実測データ回帰モデルを用いて、入力された測定データに対応する指標データとして推定指標データを推定し、推定指標データに対する信頼度に基づいて推定結果を出力する。例えば、出力部１３ｃは、信頼度をさらに推定し、信頼度が所定の閾値未満の場合には、基準データ回帰モデルおよび実測データ回帰モデルを用いて推定した複数の推定指標データを所定の比率で混合演算を行って推定結果として出力する。一方、出力部１３ｃは、信頼度をさらに推定し、信頼度が所定の閾値以上の場合には、実測データ回帰モデルを用いて推定した推定指標データを推定結果として出力する。上述した例では、出力部１３ｃは、推定指標データとして熱源機器のエネルギー消費効率（ＣＯＰ）を推定し、推定したエネルギー消費効率に対する信頼度に基づいて推定結果を出力する。 (Output unit 13c)
The output unit 13c estimates estimated index data as index data corresponding to the input measured data using the reference data regression model and the measured data regression model, and outputs an estimation result based on the reliability of the estimated index data. . For example, the output unit 13c further estimates the reliability, and if the reliability is less than a predetermined threshold, a plurality of estimated index data estimated using the reference data regression model and the measured data regression model at a predetermined ratio. It performs a mixed operation and outputs it as an estimation result. On the other hand, the output unit 13c further estimates the reliability, and outputs the estimated index data estimated using the measured data regression model as the estimation result when the reliability is equal to or higher than a predetermined threshold. In the example described above, the output unit 13c estimates the energy consumption efficiency (COP) of the heat source equipment as the estimated index data, and outputs the estimation result based on the reliability of the estimated energy consumption efficiency.

さらに具体的な例を挙げると、出力部１３ｃは、カタログスペックモデルおよび運転データ回帰モデルを用いて、入力された熱源機器の外気温度、送水温度、負荷率に対応する２つのＣＯＰを推定する。また、出力部１３ｃは、運転データ回帰モデルを用いて、推定したＣＯＰの標準偏差を出力する。この結果、設定された閾値を出力された標準偏差が上回っていた場合は、信頼度が低いとして混合演算を行って推定結果として出力する。このとき、出力部１３ｃは、例えば、（出力推定値）＝０．８×（運転データモデルの推定値）＋０．２×（スペックモデルの推定値）として混合演算を実行する。なお、出力部１３ｃは、推定した推定指標データ、信頼度、および混合演算した推定指標データを推定結果記憶部１２ｃに格納する。 To give a more specific example, the output unit 13c uses a catalog spec model and an operating data regression model to estimate two COPs corresponding to the input outside air temperature, water supply temperature, and load factor of the heat source equipment. The output unit 13c also outputs the estimated standard deviation of the COP using the operating data regression model. As a result, when the output standard deviation exceeds the set threshold value, the reliability is considered to be low, and a mixed operation is performed and output as an estimation result. At this time, for example, the output unit 13c performs a mixed operation with (estimated output value)=0.8×(estimated value of driving data model)+0.2×(estimated value of spec model). Note that the output unit 13c stores the estimated estimated index data, the reliability, and the combined estimated index data in the estimation result storage unit 12c.

また、出力部１３ｃは、外的影響に基づく基準データと実測データとの関係性を学習した外乱モデルをさらに用いて推定指標データを推定し、信頼度に基づいて推定結果を出力する。例えば、出力部１３ｃは、空調の熱源機器において、カタログスペックと運転データとの数値の差分を学習する外乱モデルをさらに用いて推定値を出力することもできる。 In addition, the output unit 13c further uses a disturbance model that has learned the relationship between the reference data based on the external influence and the measured data to estimate the estimated index data, and outputs the estimation result based on the reliability. For example, the output unit 13c can also output an estimated value by further using a disturbance model that learns the numerical difference between the catalog specifications and the operating data in the heat source equipment for air conditioning.

〔３．処理手順〕
図５～図８を用いて、実施形態に係る情報処理装置１０が実行する処理の手順について説明する。以下では、実施形態に係る情報処理装置１０が実行する処理全体の手順、データ取得処理の手順、モデル構築処理の手順、推定処理の手順について順に説明する。 [3. Processing procedure]
A procedure of processing executed by the information processing apparatus 10 according to the embodiment will be described with reference to FIGS. 5 to 8. FIG. Below, the procedure of the entire process executed by the information processing apparatus 10 according to the embodiment, the procedure of the data acquisition process, the procedure of the model construction process, and the procedure of the estimation process will be described in order.

（３－１．処理全体の手順）
図５を用いて、実施形態に係る情報処理装置１０が実行する処理全体の手順について説明する。図５は、実施形態に係る情報処理装置が実行する情報処理全体の流れを示すフローチャートである。なお、下記のステップＳ１０１～Ｓ１０３は、異なる順序で実行することもできる。また、下記のステップＳ１０１～Ｓ１０３のうち、省略される処理があってもよい。 (3-1. Overall processing procedure)
A procedure of the entire process executed by the information processing apparatus 10 according to the embodiment will be described with reference to FIG. FIG. 5 is a flowchart showing the overall flow of information processing executed by the information processing apparatus according to the embodiment. Note that steps S101 to S103 below can be performed in a different order. Also, some of steps S101 to S103 below may be omitted.

第１に、取得部１３ａは、データ取得処理を実行する（Ｓ１０１）。第２に、構築部１３ｂは、モデル構築処理を実行する（Ｓ１０２）。第３に、出力部１３ｃは、推定結果出力処理を実行する（Ｓ１０３）。 First, the acquisition unit 13a executes data acquisition processing (S101). Second, the construction unit 13b executes model construction processing (S102). Third, the output unit 13c executes estimation result output processing (S103).

（３－２．データ取得処理の手順）
図６を用いて、実施形態に係る情報処理装置１０が実行するデータ取得処理の手順について説明する。図６は、実施形態に係る情報処理装置が実行するデータ取得処理の流れを示すフローチャートである。なお、下記のステップＳ２０１～Ｓ２０２は、異なる順序で実行することもできる。また、下記のステップＳ２０１～Ｓ２０２のうち、省略される処理があってもよい。 (3-2. Data Acquisition Processing Procedure)
A procedure of data acquisition processing executed by the information processing apparatus 10 according to the embodiment will be described with reference to FIG. 6 . FIG. 6 is a flow chart showing the flow of data acquisition processing executed by the information processing apparatus according to the embodiment. Note that steps S201-S202 below can be performed in a different order. Also, some of steps S201 and S202 below may be omitted.

第１に、取得部１３ａは、基準データ取得処理を実行する（Ｓ２０１）。例えば、取得部１３ａは、基準データとして、空調の熱源機器におけるカタログスペックデータ（外気温度、送水温度、負荷率、ＣＯＰ）を取得する。第２に、取得部１３ａは、実測データ取得処理を実行する（Ｓ２０２）。例えば、実測データとして、空調の熱源機器における運転データ（外気温度、送水温度、負荷率、ＣＯＰ）を取得する。 First, the acquisition unit 13a executes a reference data acquisition process (S201). For example, the acquiring unit 13a acquires catalog spec data (outside air temperature, water supply temperature, load factor, COP) in heat source equipment for air conditioning as reference data. Secondly, the acquisition unit 13a executes a measured data acquisition process (S202). For example, as actual measurement data, operation data (outside air temperature, water supply temperature, load factor, COP) in heat source equipment for air conditioning is acquired.

（３－３．モデル構築処理の手順）
図７を用いて、実施形態に係る情報処理装置１０が実行するモデル構築処理の手順について説明する。図７は、実施形態に係る情報処理装置が実行するモデル構築処理の流れを示すフローチャートである。なお、下記のステップＳ３０１～Ｓ３０２は、異なる順序で実行することもできる。また、下記のステップＳ３０１～Ｓ３０２のうち、省略される処理があってもよい。 (3-3. Procedure of model construction processing)
A procedure of model building processing executed by the information processing apparatus 10 according to the embodiment will be described with reference to FIG. 7 . FIG. 7 is a flowchart illustrating the flow of model construction processing executed by the information processing apparatus according to the embodiment. Note that steps S301-S302 below may be performed in a different order. Also, some of steps S301 and S302 below may be omitted.

第１に、構築部１３ｂは、基準データモデル構築処理を実行する（Ｓ３０１）。例えば、構築部１３ｂは、空調の熱源機器における理論値であるカタログスペックデータ（外気温度、送水温度、負荷率、ＣＯＰ）を学習データとして用いて、カタログスペックを反映した回帰モデルを構築する。第２に、実測データモデル構築処理を実行する（Ｓ３０２）。例えば、構築部１３ｂは、空調の熱源機器における実測値である運転データ（外気温度、送水温度、負荷率、ＣＯＰ）を学習データとして用いて、運転データを反映した回帰モデルを構築する。 First, the construction unit 13b executes a reference data model construction process (S301). For example, the constructing unit 13b constructs a regression model reflecting the catalog specifications using catalog spec data (outside air temperature, water supply temperature, load factor, COP), which are theoretical values of heat source equipment for air conditioning, as learning data. Second, an actual measurement data model building process is executed (S302). For example, the construction unit 13b constructs a regression model reflecting the operation data, using operation data (outside air temperature, water supply temperature, load factor, COP), which are actually measured values of heat source equipment for air conditioning, as learning data.

（３－４．推定結果出力処理の手順）
図８を用いて、実施形態に係る情報処理装置１０が実行する推定結果出力処理の手順について説明する。図８は、実施形態に係る情報処理装置が実行する推定結果出力処理の流れを示すフローチャートである。なお、下記のステップＳ４０１～Ｓ４０４は、異なる順序で実行することもできる。また、下記のステップＳ４０１～Ｓ４０４のうち、省略される処理があってもよい。 (3-4. Procedure of estimation result output processing)
A procedure of estimation result output processing executed by the information processing apparatus 10 according to the embodiment will be described with reference to FIG. 8 . FIG. 8 is a flowchart showing the flow of estimation result output processing executed by the information processing apparatus according to the embodiment. Note that steps S401 to S404 below can be performed in a different order. Also, some of steps S401 to S404 below may be omitted.

第１に、出力部１３ｃは、指標データ推定処理を実行する（Ｓ４０１）。例えば、出力部１３ｃは、入力された熱源機器の外気温度、送水温度、負荷率に対応するＣＯＰをカタログスペックモデルおよび運動データモデルを用いてそれぞれ推定する。第２に、出力部１３ｃは、信頼度推定処理を実行する（Ｓ４０２）。例えば、出力部１３ｃは、信頼度として、運動データモデルを用いて推定したＣＯＰの標準偏差をさらに推定する。第３に、出力部１３ｃは、信頼度≧閾値の場合（Ｓ４０３；Ｙｅｓ）、混合処理を行わず処理を終了し、信頼度＜閾値の場合（Ｓ４０３；Ｎｏ）、ステップＳ４０４の混合処理に移行する。第４に、出力部１３ｃは、指標データ混合処理を実行する（Ｓ４０４）。 First, the output unit 13c executes index data estimation processing (S401). For example, the output unit 13c estimates the COP corresponding to the input outside air temperature, water supply temperature, and load factor of the heat source device using the catalog spec model and the motion data model. Second, the output unit 13c executes reliability estimation processing (S402). For example, the output unit 13c further estimates the standard deviation of the COP estimated using the motion data model as the degree of reliability. Thirdly, if reliability≧threshold (S403; Yes), the output unit 13c ends the process without performing the mixing process. do. Fourth, the output unit 13c executes index data mixing processing (S404).

〔４．効果〕
上述したように、実施形態に係る情報処理装置１０は、所定の事象に関する測定データとして想定される基準測定データと、当該基準測定データが測定される際において所定の事象の結果に関する指標データとして想定される基準指標データとを含む基準データ、および、所定の事象が生じた際に測定された測定データと、当該測定データが測定された際における所定の事象の結果に関する指標データとを含む実測データを取得し、基準データに基づく基準データ回帰モデル、および実測データに基づく実測データ回帰モデルを構築し、基準データ回帰モデルおよび実測データ回帰モデルを用いて、入力された測定データに対応する指標データとして推定指標データを推定し、推定指標データに対する信頼度に基づいて推定結果を出力する。このため、情報処理装置１００は、より適切な推定値を利用者に提供する。 [4. effect〕
As described above, the information processing apparatus 10 according to the embodiment includes reference measurement data assumed to be measurement data related to a predetermined event, and index data assumed to be the result of the predetermined event when the reference measurement data is measured. actual measurement data including measurement data measured when a predetermined event occurred and index data relating to the result of the predetermined event when the measurement data was measured , build a reference data regression model based on the reference data and an actual measurement data regression model based on the actual measurement data, and use the reference data regression model and the actual measurement data regression model to obtain index data corresponding to the input measurement data. The estimated index data is estimated, and an estimation result is output based on the reliability of the estimated index data. Therefore, the information processing apparatus 100 provides the user with more appropriate estimated values.

情報処理装置１００は、基準データを学習データとして用いたガウス過程回帰による基準データ回帰モデル、および実測データを学習データとして用いたガウス過程回帰による実測データ回帰モデルを構築する。このため、情報処理装置１００は、ガウス過程回帰を用いて、より適切な推定値を利用者に提供する。 The information processing apparatus 100 constructs a reference data regression model by Gaussian process regression using the reference data as learning data and an actual data regression model by Gaussian process regression using the actual data as learning data. Therefore, the information processing apparatus 100 uses Gaussian process regression to provide the user with more appropriate estimated values.

情報処理装置１００は、信頼度をさらに推定し、信頼度が所定の閾値未満の場合には、基準データ回帰モデルおよび実測データ回帰モデルを用いて推定した複数の推定指標データを所定の比率で混合演算を行って推定結果として出力する。このため、情報処理装置１０は、信頼度が高い場合にも、より適切かつ正確な推定値を利用者に提供する。 The information processing apparatus 100 further estimates the reliability, and if the reliability is less than a predetermined threshold, mixes a plurality of estimated index data estimated using the reference data regression model and the measured data regression model at a predetermined ratio. Calculate and output as estimation results. Therefore, the information processing apparatus 10 provides the user with a more appropriate and accurate estimated value even when the reliability is high.

情報処理装置１００は、信頼度をさらに推定し、信頼度が所定の閾値以上の場合には、実測データ回帰モデルを用いて推定した推定指標データを推定結果として出力する。このため、情報処理装置１０は、信頼度が低い場合にも、より適切かつ正確な推定値を利用者に提供する。 The information processing apparatus 100 further estimates the reliability, and outputs estimated index data estimated using the measured data regression model as an estimation result when the reliability is equal to or greater than a predetermined threshold. Therefore, the information processing apparatus 10 provides the user with a more appropriate and accurate estimated value even when the reliability is low.

情報処理装置１００は、基準データとして熱源機器の運転に関するカタログスペックデータ、および実測データとして熱源機器の運転データを取得し、カタログスペックデータに基づく基準データ回帰モデル、および運転データに基づく実測データ回帰モデルを構築し、推定指標データとして熱源機器のエネルギー消費効率を推定し、推定した前記エネルギー消費効率に対する信頼度に基づいて推定結果を出力する。このため、情報処理装置１００は、空調の熱源機器の性能において、より適切な推定値を利用者に提供する。 The information processing apparatus 100 acquires catalog specification data relating to the operation of the heat source equipment as reference data and operation data of the heat source equipment as actual measurement data, and creates a reference data regression model based on the catalog specification data and an actual measurement data regression model based on the operation data. is constructed, the energy consumption efficiency of the heat source equipment is estimated as estimation index data, and an estimation result is output based on the reliability of the estimated energy consumption efficiency. Therefore, the information processing apparatus 100 provides the user with a more appropriate estimated value of the performance of the heat source equipment for air conditioning.

情報処理装置１００は、外的影響に基づく基準データと実測データとの関係性を学習した外乱モデルをさらに用いて推定指標データを推定し、信頼度に基づいて推定結果を出力する。このため、情報処理装置１００は、より適切な推定値をより効率的に利用者に提供する。 The information processing apparatus 100 further uses a disturbance model that has learned the relationship between the reference data based on the external influence and the measured data to estimate the estimated index data, and outputs the estimation result based on the reliability. Therefore, the information processing apparatus 100 efficiently provides the user with more appropriate estimated values.

〔５．変形例〕
上述した情報処理装置１００は、上記実施形態以外にも種々の異なる形態にて実施されてよい。そこで、以下では、情報処理装置１０の他の実施形態について説明する。 [5. Modification]
The information processing apparatus 100 described above may be embodied in various forms other than the above embodiment. Therefore, other embodiments of the information processing apparatus 10 will be described below.

（５－１．他の機器の性能推定）
上記実施形態では、空調の熱源機器を対象とする例を挙げて説明したが、これに限定されなくともよい。例えば、空調の熱源機器以外にも、ポンプや圧縮機の性能を推定するために情報処理装置１０が実行する情報処理が適用可能である。具体的な例としてポンプの場合の性能推定回帰モデルを挙げると、情報処理装置１０は、ポンプの吐出量、全揚程、軸動力等の入力を受け付けることによって、回帰モデルを用いてポンプ効率を推定値として出力することができる。 (5-1. Performance estimation of other devices)
In the above-described embodiment, an example has been described in which the heat source equipment for air conditioning is targeted, but the present invention is not limited to this. For example, information processing executed by the information processing device 10 for estimating the performance of pumps and compressors can be applied in addition to heat source equipment for air conditioning. As a specific example of a performance estimation regression model for a pump, the information processing device 10 receives inputs such as pump discharge volume, total head, shaft power, etc., and estimates pump efficiency using the regression model. Can be output as a value.

すなわち、情報処理装置１０は、所定の事象（ポンプの運転）に関する測定データとして想定される基準測定データ（ポンプの吐出量、全揚程、軸動力等の理論値）と、当該基準測定データが測定される際において所定の事象の結果に関する指標データとして想定される基準指標データ（ポンプ効率の理論値）とを含む基準データ、および、所定の事象（ポンプの運転）が生じた際に測定された測定データ（ポンプの吐出量、全揚程、軸動力等の実測値）と、当該測定データが測定された際における所定の事象の結果に関する指標データ（ポンプ効率の実測値）とを含む実測データを取得し、基準データおよび実測データに基づいて、回帰モデルを構築し、回帰モデルを用いて、入力された測定データに対応する指標データとして推定指標データ（ポンプ効率の推定値）を推定することができる。 In other words, the information processing device 10 is configured to measure reference measurement data (theoretical values such as pump discharge amount, total head, shaft power, etc.) assumed as measurement data relating to a predetermined event (pump operation) and the reference measurement data. reference index data (theoretical value of pump efficiency), which is assumed to be index data on the result of a given event when the Actual measurement data including measured data (measured values of pump discharge, total head, shaft power, etc.) and index data (actual measured values of pump efficiency) related to the result of a predetermined event when the measured data was measured Based on the obtained reference data and measured data, a regression model is constructed, and using the regression model, estimated index data (estimated value of pump efficiency) is estimated as index data corresponding to the input measured data. can.

（５－２．化学プロセス等の性能推定）
また、機器の効率の推定以外にも、化学プラントにおける化学プロセスの品質、性状、状態を推定するために情報処理装置１０が実行する情報処理が適用可能である。具体的な例として化学物質生成の場合の品質推定回帰モデルを挙げると、情報処理装置１０は、化学プラントの室温、反応容器の液温、反応量、反応時の温度、反応時間等の入力を受け付けることによって、回帰モデルを用いて生成物の濃度を推定値として出力することができる。また、具体的な例として工業製品製造の場合の品質推定回帰モデルを挙げると、情報処理装置１０は、プラントの室温、ホットメルトの温度、塗布量等の入力を受け付けることによって、回帰モデルを用いて良品率や不良品率を推定値として出力することができる。 (5-2. Performance estimation of chemical processes, etc.)
Information processing executed by the information processing apparatus 10 for estimating the quality, properties, and conditions of chemical processes in a chemical plant can also be applied in addition to estimating the efficiency of equipment. As a specific example of a quality estimation regression model in the case of chemical substance production, the information processing device 10 receives inputs such as the room temperature of the chemical plant, the liquid temperature of the reaction vessel, the reaction amount, the temperature during the reaction, the reaction time, etc. Acceptance allows the product concentration to be output as an estimate using a regression model. As a specific example, a quality estimation regression model in the case of industrial product manufacturing is given. It is possible to output the non-defective product rate and the defective product rate as estimated values.

すなわち、情報処理装置１０は、所定の事象（化学物質の反応）に関する測定データとして想定される基準測定データ（化学プラントの室温、反応容器の液温、反応量、反応時の温度、反応時間等の理論値）と、当該基準測定データが測定される際において所定の事象の結果に関する指標データとして想定される基準指標データ（生成した化学物質の濃度の理論値）とを含む基準データ、および、所定の事象（化学物質の反応）が生じた際に測定された測定データ（化学プラントの室温、反応容器の液温、反応量、反応時の温度、反応時間等の実測値）と、当該測定データが測定された際における所定の事象の結果に関する指標データ（生成した化学物質の濃度の実測値）とを含む実測データを取得し、基準データおよび実測データに基づいて、回帰モデルを構築し、回帰モデルを用いて、入力された測定データに対応する指標データとして推定指標データ（生成した化学物質の濃度の推定値）を推定することができる。 In other words, the information processing apparatus 10 provides reference measurement data (room temperature of a chemical plant, liquid temperature of a reaction vessel, reaction amount, temperature during reaction, reaction time, etc.) assumed as measurement data relating to a predetermined event (reaction of a chemical substance). (theoretical value of) and reference index data (theoretical value of the concentration of the generated chemical substance) assumed as index data relating to the result of a predetermined event when the reference measurement data is measured, and Measurement data (measured values such as room temperature in a chemical plant, liquid temperature in a reaction vessel, amount of reaction, temperature during reaction, reaction time, etc.) when a predetermined event (reaction of a chemical substance) occurs, and the relevant measurement Obtaining actual measurement data including index data (measured concentration values of generated chemical substances) regarding the result of a predetermined event when the data was measured, building a regression model based on the reference data and the actual measurement data, A regression model can be used to estimate estimated index data (estimated values of concentrations of generated chemical substances) as index data corresponding to input measurement data.

また、情報処理装置１０は、所定の事象（工業製品の製造）に関する測定データとして想定される基準測定データ（プラントの室温、ホットメルトの温度、塗布量等の理論値）と、当該基準測定データが測定される際において所定の事象の結果に関する指標データとして想定される基準指標データ（良品率の理論値）とを含む基準データ、および、所定の事象（工業製品の製造）が生じた際に測定された測定データ（プラントの室温、ホットメルトの温度、塗布量等の実測値）と、当該測定データが測定された際における所定の事象（工業製品の製造）の結果に関する指標データ（良品率の実測値）とを含む実測データを取得し、基準データおよび実測データに基づいて、回帰モデルを構築し、回帰モデルを用いて、入力された測定データに対応する指標データとして推定指標データ（良品率の推定値）を推定することができる。 The information processing apparatus 10 also includes reference measurement data (theoretical values such as room temperature of the plant, temperature of hot melt, coating amount, etc.) assumed as measurement data relating to a predetermined event (manufacturing of industrial products), and the reference measurement data Reference data including reference index data (theoretical value of non-defective product rate) assumed as index data related to the result of a predetermined event when is measured, and when a predetermined event (manufacturing of industrial products) occurs Measured measurement data (plant room temperature, hot melt temperature, amount of coating, etc.) and index data (non-defective product rate Based on the reference data and the actual measurement data, the regression model is constructed, and the estimated index data (good product rate estimates) can be estimated.

（５－３．回帰手法および信頼度）
また、上記実施形態では、ガウス過程回帰を用いた回帰モデルの構築や、信頼度の推定する例を挙げて説明したが、これに限定されなくともよい。例えば、情報処理装置１０は、上記実施形態で用いたガウス過程回帰の他、混合ガウスモデルによる回帰（ＧＭＲ：Gaussian Mixture Regression)などのように確率的に推定値を出力する回帰手法であれば、その分散または標準偏差を信頼度とする。また、情報処理装置１０は、バギング（Bagging）のようなアンサンブルモデルを用いる場合は、各学習器が出力する推定値の分散または標準偏差を信頼度とする。さらに、情報処理装置１０は、学習データのデータ密度をモデルの信頼度とすることもできる。例えば、情報処理装置１０は、ｋ－ＮＮ（Nearest Neighbor）やＯｎｅＣｌａｓｓＳＶＭ（Support Vector Machine）を用いてデータ密度を測定し、密度が低ければ信頼度が低いとする。 (5-3. Regression method and reliability)
Further, in the above embodiment, an example of constructing a regression model using Gaussian process regression and estimating reliability has been described, but the present invention is not limited to this. For example, in addition to the Gaussian process regression used in the above embodiment, the information processing device 10 is a regression method that stochastically outputs estimated values such as regression using a Gaussian mixture model (GMR: Gaussian Mixture Regression). The variance or standard deviation is taken as reliability. When using an ensemble model such as bagging, the information processing apparatus 10 uses the variance or standard deviation of the estimated values output by each learning device as the reliability. Furthermore, the information processing apparatus 10 can also use the data density of the learning data as the reliability of the model. For example, the information processing apparatus 10 measures the data density using k-NN (Nearest Neighbor) or OneClassSVM (Support Vector Machine), and assumes that the lower the density, the lower the reliability.

〔６．ハードウェア構成〕
また、上述してきた実施形態に係る情報処理装置１０は、例えば、図９に示すような構成のコンピュータ１０００によって実現される。以下、情報処理装置１０を例に挙げて説明する。図９は、情報処理装置１０の機能を実現するコンピュータの一例を示すハードウェア構成図である。コンピュータ１０００は、ＣＰＵ１１００、ＲＡＭ１２００、ＲＯＭ１３００、ＨＤＤ１４００、通信インターフェイス（Ｉ／Ｆ）１５００、入出力インターフェイス（Ｉ／Ｆ）１６００、及びメディアインターフェイス（Ｉ／Ｆ）１７００を有する。 [6. Hardware configuration]
Also, the information processing apparatus 10 according to the above-described embodiments is implemented by, for example, a computer 1000 configured as shown in FIG. The information processing apparatus 10 will be described below as an example. FIG. 9 is a hardware configuration diagram showing an example of a computer that implements the functions of the information processing apparatus 10. As shown in FIG. Computer 1000 has CPU 1100 , RAM 1200 , ROM 1300 , HDD 1400 , communication interface (I/F) 1500 , input/output interface (I/F) 1600 and media interface (I/F) 1700 .

ＣＰＵ１１００は、ＲＯＭ１３００またはＨＤＤ１４００に格納されたプログラムに基づいて動作し、各部の制御を行う。ＲＯＭ１３００は、コンピュータ１０００の起動時にＣＰＵ１１００によって実行されるブートプログラムや、コンピュータ１０００のハードウェアに依存するプログラム等を格納する。 The CPU 1100 operates based on programs stored in the ROM 1300 or HDD 1400 and controls each section. The ROM 1300 stores a boot program executed by the CPU 1100 when the computer 1000 is started up, a program depending on the hardware of the computer 1000, and the like.

ＨＤＤ１４００は、ＣＰＵ１１００によって実行されるプログラム、および、かかるプログラムによって使用されるデータ等を格納する。通信インターフェイス１５００は、所定の通信網を介して他の機器からデータを受信してＣＰＵ１１００へ送り、ＣＰＵ１１００が生成したデータを所定の通信網を介して他の機器へ送信する。 HDD 1400 stores programs executed by CPU 1100 and data used by these programs. Communication interface 1500 receives data from another device via a predetermined communication network, sends the data to CPU 1100, and transmits data generated by CPU 1100 to another device via a predetermined communication network.

ＣＰＵ１１００は、入出力インターフェイス１６００を介して、ディスプレイやプリンタ等の出力装置、及び、キーボードやマウス等の入力装置を制御する。ＣＰＵ１１００は、入出力インターフェイス１６００を介して、入力装置からデータを取得する。また、ＣＰＵ１１００は、生成したデータを入出力インターフェイス１６００を介して出力装置へ出力する。 The CPU 1100 controls output devices such as displays and printers, and input devices such as keyboards and mice, through an input/output interface 1600 . CPU 1100 acquires data from an input device via input/output interface 1600 . CPU 1100 also outputs the generated data to an output device via input/output interface 1600 .

メディアインターフェイス１７００は、記録媒体１８００に格納されたプログラムまたはデータを読み取り、ＲＡＭ１２００を介してＣＰＵ１１００に提供する。ＣＰＵ１１００は、かかるプログラムを、メディアインターフェイス１７００を介して記録媒体１８００からＲＡＭ１２００上にロードし、ロードしたプログラムを実行する。記録媒体１８００は、例えばＤＶＤ（Digital Versatile Disc）、ＰＤ（Phase change rewritable Disk）等の光学記録媒体、ＭＯ（Magneto-Optical disk）等の光磁気記録媒体、テープ媒体、磁気記録媒体、または半導体メモリ等である。 Media interface 1700 reads programs or data stored in recording medium 1800 and provides them to CPU 1100 via RAM 1200 . CPU 1100 loads such a program from recording medium 1800 onto RAM 1200 via media interface 1700, and executes the loaded program. The recording medium 1800 is, for example, an optical recording medium such as a DVD (Digital Versatile Disc) or a PD (Phase change rewritable disc), a magneto-optical recording medium such as an MO (Magneto-Optical disk), a tape medium, a magnetic recording medium, or a semiconductor memory. etc.

例えば、コンピュータ１０００が第１の実施形態に係る情報処理装置１０として機能する場合、コンピュータ１０００のＣＰＵ１１００は、ＲＡＭ１２００上にロードされたプログラムを実行することにより、制御部１３の機能を実現する。コンピュータ１０００のＣＰＵ１１００は、これらのプログラムを記録媒体１８００から読み取って実行するが、他の例として、他の装置から所定の通信網を介してこれらのプログラムを取得してもよい。 For example, when the computer 1000 functions as the information processing apparatus 10 according to the first embodiment, the CPU 1100 of the computer 1000 implements the functions of the control unit 13 by executing programs loaded on the RAM 1200 . CPU 1100 of computer 1000 reads these programs from recording medium 1800 and executes them, but as another example, these programs may be obtained from another device via a predetermined communication network.

〔７．その他〕
また、上記実施形態及び変形例において説明した各処理のうち、自動的に行われるものとして説明した処理の全部または一部を手動的に行うこともでき、あるいは、手動的に行われるものとして説明した処理の全部または一部を公知の方法で自動的に行うこともできる。この他、上記文書中や図面中で示した処理手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、各図に示した各種情報は、図示した情報に限られない。 [7. others〕
Further, among the processes described in the above embodiments and modifications, all or part of the processes described as being performed automatically can be performed manually, or described as being performed manually. All or part of the processing can also be performed automatically by a known method. In addition, information including processing procedures, specific names, various data and parameters shown in the above documents and drawings can be arbitrarily changed unless otherwise specified. For example, the various information shown in each drawing is not limited to the illustrated information.

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。 Also, each component of each device illustrated is functionally conceptual, and does not necessarily need to be physically configured as illustrated. In other words, the specific form of distribution and integration of each device is not limited to the one shown in the figure, and all or part of them can be functionally or physically distributed and integrated in arbitrary units according to various loads and usage conditions. Can be integrated and configured.

また、上述してきた実施形態及び変形例は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。 Also, the above-described embodiments and modifications can be appropriately combined within a range that does not contradict the processing contents.

また、上述してきた「部（section、module、unit）」は、「手段」や「回路」などに読み替えることができる。例えば、制御部は、制御手段や制御回路に読み替えることができる。 Also, the above-mentioned "section, module, unit" can be read as "means" or "circuit". For example, the control unit can be read as control means or a control circuit.

以上、本願の実施形態のいくつかを図面に基づいて詳細に説明したが、これらは例示であり、発明の開示の欄に記載の態様を始めとして、当業者の知識に基づいて種々の変形、改良を施した他の形態で本発明を実施することが可能である。 As described above, some of the embodiments of the present application have been described in detail based on the drawings. It is possible to carry out the invention in other forms with modifications.

１０ 情報処理装置
１１ 通信部
１２ 記憶部
１２ａ 基準データ記憶部
１２ｂ 実測データ記憶部
１２ｃ 推定結果記憶部
１２ｄ 信頼度閾値記憶部
１３ 制御部
１３ａ 取得部
１３ｂ 構築部
１３ｃ 出力部
２０ 端末装置
３０ 運転データ収集対象熱源機器
４０ 性能比較対象熱源機器
１００ 情報処理システム 10 information processing device 11 communication unit 12 storage unit 12a reference data storage unit 12b measured data storage unit 12c estimation result storage unit 12d reliability threshold storage unit 13 control unit 13a acquisition unit 13b construction unit 13c output unit 20 terminal device 30 operation data collection Target heat source device 40 Performance comparison target heat source device 100 Information processing system

Claims (8)

所定の事象に関する測定データとして想定される基準測定データと、前記基準測定データが測定される際において前記事象の結果に関する指標データとして想定される基準指標データとを含む基準データ、および、前記事象が生じた際に測定された測定データと、前記測定データが測定された際における前記事象の結果に関する指標データとを含む実測データを取得する取得部と、
前記基準データに基づく基準データ回帰モデル、および前記実測データに基づく実測データ回帰モデルを構築する構築部と、
前記基準データ回帰モデルおよび前記実測データ回帰モデルを用いて、入力された測定データに対応する指標データとして推定指標データを推定し、前記推定指標データに対する信頼度に基づいて推定結果を出力する出力部と、
を備えることを特徴とする情報処理装置。 reference data including reference measurement data assumed as measurement data relating to a predetermined event and reference index data assumed as index data relating to the result of the event when the reference measurement data is measured; and an acquisition unit for acquiring actual measurement data including measurement data measured when an event occurred and index data relating to the outcome of the event when the measurement data was measured;
a building unit that builds a reference data regression model based on the reference data and a measured data regression model based on the measured data;
An output unit that estimates estimated index data as index data corresponding to input measured data using the reference data regression model and the measured data regression model, and outputs an estimation result based on the reliability of the estimated index data. and,
An information processing device comprising: 前記構築部は、前記基準データを学習データとして用いたガウス過程回帰による前記基準データ回帰モデル、および前記実測データを学習データとして用いたガウス過程回帰による前記実測データ回帰モデルを構築する、
ことを特徴とする請求項１に記載の情報処理装置。 The construction unit constructs the reference data regression model by Gaussian process regression using the reference data as learning data and the measured data regression model by Gaussian process regression using the measured data as learning data.
The information processing apparatus according to claim 1, characterized by: 前記出力部は、前記信頼度をさらに推定し、前記信頼度が所定の閾値未満の場合には、前記基準データ回帰モデルおよび前記実測データ回帰モデルを用いて推定した複数の前記推定指標データを所定の比率で混合演算を行って推定結果として出力する、
ことを特徴とする請求項１または２に記載の情報処理装置。 The output unit further estimates the reliability, and if the reliability is less than a predetermined threshold, outputs a plurality of the estimated index data estimated using the reference data regression model and the measured data regression model. Perform a mixture operation at a ratio of , and output it as an estimation result.
3. The information processing apparatus according to claim 1, wherein: 前記出力部は、前記信頼度をさらに推定し、前記信頼度が所定の閾値以上の場合には、前記実測データ回帰モデルを用いて推定した前記推定指標データを推定結果として出力する、
ことを特徴とする請求項１または２に記載の情報処理装置。 The output unit further estimates the reliability, and outputs the estimated index data estimated using the measured data regression model as an estimation result when the reliability is equal to or greater than a predetermined threshold.
3. The information processing apparatus according to claim 1, wherein: 前記取得部は、前記基準データとして熱源機器の運転に関するカタログスペックデータ、および前記実測データとして前記熱源機器の運転データを取得し、
前記構築部は、前記カタログスペックデータに基づく前記基準データ回帰モデル、および前記運転データに基づく実測データ回帰モデルを構築し、
前記出力部は、前記推定指標データとして前記熱源機器のエネルギー消費効率を推定し、推定した前記エネルギー消費効率に対する信頼度に基づいて推定結果を出力する、
ことを特徴とする請求項１から４のいずれか１項に記載の情報処理装置。 The acquisition unit acquires catalog specification data relating to the operation of heat source equipment as the reference data and operation data of the heat source equipment as the measured data,
The building unit builds the reference data regression model based on the catalog specification data and the measured data regression model based on the operating data,
The output unit estimates the energy consumption efficiency of the heat source device as the estimated index data, and outputs an estimation result based on the reliability of the estimated energy consumption efficiency.
5. The information processing apparatus according to any one of claims 1 to 4, characterized in that: 前記出力部は、外的影響に基づく前記基準データと前記実測データとの関係性を学習した外乱モデルをさらに用いて前記推定指標データを推定し、前記信頼度に基づいて推定結果を出力する、
ことを特徴とする請求項１から５のいずれか１項に記載の情報処理装置。 The output unit further estimates the estimated index data using a disturbance model that has learned the relationship between the reference data and the measured data based on external influences, and outputs an estimation result based on the reliability.
6. The information processing apparatus according to any one of claims 1 to 5, characterized by: 情報処理装置によって実行される情報処理方法であって、
所定の事象に関する測定データとして想定される基準測定データと、前記基準測定データが測定される際において前記事象の結果に関する指標データとして想定される基準指標データとを含む基準データ、および、前記事象が生じた際に測定された測定データと、前記測定データが測定された際における前記事象の結果に関する指標データとを含む実測データを取得する取得工程と、
前記基準データに基づく基準データ回帰モデル、および前記実測データに基づく実測データ回帰モデルを構築する構築工程と、
前記基準データ回帰モデルおよび前記実測データ回帰モデルを用いて、入力された測定データに対応する指標データとして推定指標データを推定し、前記推定指標データに対する信頼度に基づいて推定結果を出力する出力工程と、
を含むことを特徴とする情報処理方法。 An information processing method executed by an information processing device,
reference data including reference measurement data assumed as measurement data relating to a predetermined event and reference index data assumed as index data relating to the result of the event when the reference measurement data is measured; and an obtaining step of obtaining measured data including measured data measured when an event occurred and indicator data relating to the outcome of said event when said measured data was measured;
a building step of building a reference data regression model based on the reference data and a measured data regression model based on the measured data;
An output step of estimating estimated index data as index data corresponding to input measured data using the reference data regression model and the measured data regression model, and outputting an estimation result based on the reliability of the estimated index data. and,
An information processing method comprising: 所定の事象に関する測定データとして想定される基準測定データと、前記基準測定データが測定される際において前記事象の結果に関する指標データとして想定される基準指標データとを含む基準データ、および、前記事象が生じた際に測定された測定データと、前記測定データが測定された際における前記事象の結果に関する指標データとを含む実測データを取得する取得手順と、
前記基準データに基づく基準データ回帰モデル、および前記実測データに基づく実測データ回帰モデルを構築する構築手順と、
前記基準データ回帰モデルおよび前記実測データ回帰モデルを用いて、入力された測定データに対応する指標データとして推定指標データを推定し、前記推定指標データに対する信頼度に基づいて推定結果を出力する出力手順と、
をコンピュータに実行させることを特徴とする情報処理プログラム。 reference data including reference measurement data assumed as measurement data relating to a predetermined event and reference index data assumed as index data relating to the result of the event when the reference measurement data is measured; and an acquisition procedure for acquiring measured data including measured data measured when an event occurred and indicator data relating to the outcome of said event when said measured data was measured;
a building procedure for building a reference data regression model based on the reference data and a measured data regression model based on the measured data;
An output procedure for estimating estimated index data as index data corresponding to input measured data using the reference data regression model and the measured data regression model, and outputting an estimation result based on the reliability of the estimated index data. and,
An information processing program characterized by causing a computer to execute
JP2021187959A 2021-11-18 2021-11-18 Information processing apparatus, information processing method, and information processing program Pending JP2023074822A (en)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2021187959A JP2023074822A (en) 2021-11-18 2021-11-18 Information processing apparatus, information processing method, and information processing program
PCT/JP2022/040797 WO2023090145A1 (en) 2021-11-18 2022-10-31 Information processing device, information processing method, and information processing program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2021187959A JP2023074822A (en) 2021-11-18 2021-11-18 Information processing apparatus, information processing method, and information processing program

Publications (1)

Publication Number Publication Date
JP2023074822A true JP2023074822A (en) 2023-05-30

Family

ID=86396807

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2021187959A Pending JP2023074822A (en) 2021-11-18 2021-11-18 Information processing apparatus, information processing method, and information processing program

Country Status (2)

Country Link
JP (1) JP2023074822A (en)
WO (1) WO2023090145A1 (en)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6136586B2 (en) * 2013-05-30 2017-05-31 日産自動車株式会社 Arithmetic unit
JP2015019543A (en) * 2013-07-12 2015-01-29 トヨタ自動車株式会社 Power consumption calculation method, and power consumption calculation device
JP6622329B2 (en) * 2016-01-14 2019-12-18 国立研究開発法人産業技術総合研究所 Target value estimation system, target value estimation method, and target value estimation program
JP6702390B2 (en) * 2018-10-09 2020-06-03 トヨタ自動車株式会社 Vehicle drive control device, vehicle-mounted electronic control unit, learned model, machine learning system, vehicle drive control method, electronic control unit manufacturing method, and output parameter calculation device

Also Published As

Publication number Publication date
WO2023090145A1 (en) 2023-05-25

Similar Documents

Publication Publication Date Title
dos Santos et al. Construction of the average variance extracted index for construct validation in structural equation models with adaptive regressions
Botre et al. Kernel PLS-based GLRT method for fault detection of chemical processes
Neogi et al. Multivariate statistical analysis of an emulsion batch process
US7729882B2 (en) Method and system for assessing performance of control systems
García-Muñoz et al. Model predictive monitoring for batch processes
Liu et al. Development of interval soft sensors using enhanced just-in-time learning and inductive confidence predictor
EP2423864A1 (en) Systems and methods for virtual sub-metering
Kavousian et al. Data-driven benchmarking of building energy efficiency utilizing statistical frontier models
Deconinck et al. Is stochastic grey-box modelling suited for physical properties estimation of building components from on-site measurements?
Patel et al. Integrating data-driven modeling with first-principles knowledge
Mohseni Ahooyi et al. Rolling pin method: efficient general method of joint probability modeling
Ahamed et al. Gray-box virtual sensor of the supply air temperature of air handling units
Alanqar et al. Fault-tolerant economic model predictive control using error-triggered online model identification
Yang et al. Nonparametric profile monitoring using dynamic probability control limits
Rosato et al. Healthy and faulty experimental performance of a typical HVAC system under Italian climatic conditions: artificial neural network-based model and fault impact assessment
Zeng et al. Nonparametric density estimation of hierarchical probabilistic graph models for assumption-free monitoring
Jain et al. Resilience-based process upset event prediction analysis for uncertainty management using Bayesian deep learning: application to a polyvinyl chloride process system
Shahmohammadi et al. Sequential model-based A-and V-optimal design of experiments for building fundamental models of pharmaceutical production processes
Zhu et al. Novel causal network modeling method integrating process knowledge with modified transfer entropy: a case study of complex chemical processes
Tseng et al. Joint modeling of laboratory and field data with application to warranty prediction for highly reliable products
Kenett et al. Self‐supervised cross validation using data generation structure
Shang et al. Efficient recursive canonical variate analysis approach for monitoring time‐varying processes
Jahani et al. Stochastic prognostics under multiple time-varying environmental factors
Mahmood et al. Efficient monitoring of coefficient of variation with an application to chemical reactor process
CN113821903B (en) Temperature control method and equipment, modularized data center and storage medium