JP2024035683A - 情報処理装置、情報処理方法および情報処理プログラム - Google Patents
情報処理装置、情報処理方法および情報処理プログラム Download PDFInfo
- Publication number
- JP2024035683A JP2024035683A JP2022140297A JP2022140297A JP2024035683A JP 2024035683 A JP2024035683 A JP 2024035683A JP 2022140297 A JP2022140297 A JP 2022140297A JP 2022140297 A JP2022140297 A JP 2022140297A JP 2024035683 A JP2024035683 A JP 2024035683A
- Authority
- JP
- Japan
- Prior art keywords
- data
- information processing
- normal
- processing device
- measurement data
- 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
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 173
- 238000003672 processing method Methods 0.000 title claims description 6
- 238000005259 measurement Methods 0.000 claims abstract description 117
- 238000010801 machine learning Methods 0.000 claims abstract description 50
- 239000002131 composite material Substances 0.000 claims abstract description 23
- 238000012545 processing Methods 0.000 claims description 52
- 238000004364 calculation method Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 31
- 230000002596 correlated effect Effects 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims 4
- 230000002159 abnormal effect Effects 0.000 abstract description 25
- 238000010586 diagram Methods 0.000 abstract description 22
- 238000000034 method Methods 0.000 description 84
- 230000008569 process Effects 0.000 description 77
- 230000001133 acceleration Effects 0.000 description 46
- 238000005516 engineering process Methods 0.000 description 21
- 230000000694 effects Effects 0.000 description 19
- 238000013500 data storage Methods 0.000 description 18
- 230000036541 health Effects 0.000 description 18
- 239000004575 stone Substances 0.000 description 14
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 238000013473 artificial intelligence Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 4
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000015572 biosynthetic process Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000003786 synthesis reaction Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
- G05B23/0254—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model based on a quantitative model, e.g. mathematical relationships between inputs and outputs; functions: observer, Kalman filter, residual calculation, Neural Networks
-
- 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
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0224—Process history based detection method, e.g. whereby history implies the availability of large amounts of data
- G05B23/024—Quantitative history assessment, e.g. mathematical relationships between available data; Functions therefor; Principal component analysis [PCA]; Partial least square [PLS]; Statistical classifiers, e.g. Bayesian networks, linear regression or correlation analysis; Neural networks
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
【課題】システムの異常状態を効果的に検知すること。【解決手段】情報処理装置１０は、デバイスによって測定される測定データのうち、複数の区間に含まれる各正常データを当該区間ごとに取得し、取得した各正常データを合成し、合成データを生成し、合成データを用いた機械学習により、測定データの入力に応じてデバイスが設置されるシステムの正常状態を示すスコアを出力する機械学習モデルを訓練する。【選択図】図１
Description
本発明は、情報処理装置、情報処理方法および情報処理プログラムに関する。
従来、デバイスから収集した記録済みの過去データファイルを表示画面（ビューア）で表示し、その全データから「普段の正常なデータ」を１箇所だけ期間選択し、１つのデータ群として機械学習を実行することによって機械学習モデルを作成する技術が知られている。
しかしながら、従来技術では、システムの異常状態を検知するための正常状態の学習データを効率的に生成することが難しい。例えば、従来技術では、プラントにおいて、午前の間に正常稼働し、昼休みに一旦稼働を停止し、午後の間に正常稼働する装置について、午前午後のどちらのデータも学習したいところであるが、どちらか一方を選択する必要がある。
本発明は、上記に鑑みてなされたものであって、システムの異常状態を効果的に検知することを目的とする。
本発明は、デバイスによって測定される測定データのうち、複数の区間に含まれる各正常データを前記区間ごとに取得する取得部と、取得された前記各正常データを合成し、合成データを生成する生成部と、前記合成データを用いた機械学習により、前記測定データの入力に応じて前記デバイスが設置されるシステムの正常状態を示すスコアを出力する機械学習モデルを訓練する訓練部と、を備える情報処理装置を提供する。
また、本発明は、コンピュータが、デバイスによって測定される測定データのうち、複数の区間に含まれる各正常データを前記区間ごとに取得し、取得された前記各正常データを合成し、合成データを生成し、前記合成データを用いた機械学習により、前記測定データの入力に応じて前記デバイスが設置されるシステムの正常状態を示すスコアを出力する機械学習モデルを訓練する、処理を実行する情報処理方法を提供する。
また、本発明は、コンピュータに、デバイスによって測定される測定データのうち、複数の区間に含まれる各正常データを前記区間ごとに取得し、取得された前記各正常データを合成し、合成データを生成し、前記合成データを用いた機械学習により、前記測定データの入力に応じて前記デバイスが設置されるシステムの正常状態を示すスコアを出力する機械学習モデルを訓練する、処理を実行する情報処理プログラムを提供する。
本発明によれば、システムの異常状態を効果的に検知することができるという効果がある。
以下に、本発明の一実施形態に係る情報処理装置、情報処理方法および情報処理プログラムを、図面を参照して詳細に説明する。なお、本発明は、以下に説明する実施形態により限定されるものではない。
〔実施形態〕
以下に、実施形態に係る情報処理システム１００の構成、情報処理装置１０の構成、処理の流れを順に説明し、最後に実施形態の効果を説明する。
以下に、実施形態に係る情報処理システム１００の構成、情報処理装置１０の構成、処理の流れを順に説明し、最後に実施形態の効果を説明する。
〔１．情報処理システム１００の構成〕
図１を用いて、実施形態に係る情報処理システム１００の構成を詳細に説明する。図１は、実施形態に係る情報処理システム１００の構成例を示す図である。以下に、情報処理システム１００全体の構成例、情報処理システム１００の処理、参考技術の情報処理システムの問題点を順に説明し、最後に情報処理システム１００の効果について説明する。なお、実施形態では、プラントに設置されるデバイスであるプラント機器を使用する生産モニタリングを一例にして説明するが、利用場所や利用分野を限定するものではなく、システムの異常の予兆を検知する環境モニタリングや電力モニタリング等にも適用することができる。
図１を用いて、実施形態に係る情報処理システム１００の構成を詳細に説明する。図１は、実施形態に係る情報処理システム１００の構成例を示す図である。以下に、情報処理システム１００全体の構成例、情報処理システム１００の処理、参考技術の情報処理システムの問題点を順に説明し、最後に情報処理システム１００の効果について説明する。なお、実施形態では、プラントに設置されるデバイスであるプラント機器を使用する生産モニタリングを一例にして説明するが、利用場所や利用分野を限定するものではなく、システムの異常の予兆を検知する環境モニタリングや電力モニタリング等にも適用することができる。
（１－１．情報処理システム１００全体の構成例）
情報処理システム１００は、情報処理装置である情報処理装置１０、および測定機器であるセンサ機器２０を有する。ここで、情報処理装置１０およびセンサ機器２０は、所定の通信網を介して相互に通信可能に接続される。また、情報処理装置１０は、センサ機器２０等のプラント機器を管理する利用者によって使用される。また、センサ機器２０は、プラントに設置される。図１に示した情報処理システム１００には、複数台の情報処理装置１０が含まれてもよい。
情報処理システム１００は、情報処理装置である情報処理装置１０、および測定機器であるセンサ機器２０を有する。ここで、情報処理装置１０およびセンサ機器２０は、所定の通信網を介して相互に通信可能に接続される。また、情報処理装置１０は、センサ機器２０等のプラント機器を管理する利用者によって使用される。また、センサ機器２０は、プラントに設置される。図１に示した情報処理システム１００には、複数台の情報処理装置１０が含まれてもよい。
情報処理システム１００では、情報処理装置１０に入力されるデータとして、センサ機器２０から収集したリアルタイムの測定データＩＰが関与する。また、情報処理システム１００では、情報処理装置１０が出力するデータとして、システムの正常状態を示すヘルススコアＯＰが関与する。
（１－２．情報処理システム１００全体の処理）
情報処理システム１００において、まず、情報処理装置１０は、取得した過去の測定データＤＡから算出モデル１４ｃを訓練する学習処理を実行する（図１（１）参照）。次に、情報処理装置１０の利用者は、センサ機器２０の測定データＩＰの入力処理を実行する（図１（２）参照）。最後に、情報処理装置１０は、ヘルススコアＯＰの出力処理を実行する（図１（３）参照）。以下では、情報処理システム１００の処理について、学習処理、入力処理、出力処理の順に説明する。
情報処理システム１００において、まず、情報処理装置１０は、取得した過去の測定データＤＡから算出モデル１４ｃを訓練する学習処理を実行する（図１（１）参照）。次に、情報処理装置１０の利用者は、センサ機器２０の測定データＩＰの入力処理を実行する（図１（２）参照）。最後に、情報処理装置１０は、ヘルススコアＯＰの出力処理を実行する（図１（３）参照）。以下では、情報処理システム１００の処理について、学習処理、入力処理、出力処理の順に説明する。
（１－２－１．学習処理）
図１（１）に示すように、情報処理装置１０は、学習処理を実行する。以下では、当該学習処理について、データ指定処理、データ合成処理、モデル学習処理の順に説明する。
図１（１）に示すように、情報処理装置１０は、学習処理を実行する。以下では、当該学習処理について、データ指定処理、データ合成処理、モデル学習処理の順に説明する。
（１－２－１－１．データ指定処理）
図１（１－１）に示すように、情報処理装置１０は、複数の期間のデータを指定する。例えば、情報処理装置１０は、センサ機器２０から取得した過去の測定データＤＡのうち、異なる期間に含まれる正常データであるデータ群ＤＡ－１およびデータ群ＤＡ－２を指定する。
図１（１－１）に示すように、情報処理装置１０は、複数の期間のデータを指定する。例えば、情報処理装置１０は、センサ機器２０から取得した過去の測定データＤＡのうち、異なる期間に含まれる正常データであるデータ群ＤＡ－１およびデータ群ＤＡ－２を指定する。
（１－２－１－２．データ合成処理）
図１（１－２）に示すように、情報処理装置１０は、複数の期間のデータを合成する。例えば、情報処理装置１０は、指定した異なる期間に含まれるデータ群ＤＡ－１およびデータ群ＤＡ－２を連結することによって、１つの期間に対応する合成データであるデータ群ＤＢを生成する。
図１（１－２）に示すように、情報処理装置１０は、複数の期間のデータを合成する。例えば、情報処理装置１０は、指定した異なる期間に含まれるデータ群ＤＡ－１およびデータ群ＤＡ－２を連結することによって、１つの期間に対応する合成データであるデータ群ＤＢを生成する。
（１－２－１－３．モデル学習処理）
図１（１－３）に示すように、情報処理装置１０は、合成データを用いて算出モデル１４ｃの学習を実行する。例えば、情報処理装置１０は、生成した合成データであるデータ群ＤＢを算出モデル１４ｃに入力することによって、測定データＩＰから正常状態を示すヘルススコアＯＰを出力する算出モデル１４ｃを訓練する。
図１（１－３）に示すように、情報処理装置１０は、合成データを用いて算出モデル１４ｃの学習を実行する。例えば、情報処理装置１０は、生成した合成データであるデータ群ＤＢを算出モデル１４ｃに入力することによって、測定データＩＰから正常状態を示すヘルススコアＯＰを出力する算出モデル１４ｃを訓練する。
（１－２－２．入力処理）
図１（２）に示すように、情報処理装置１０は、プラント機器であるセンサ機器２０のリアルタイムデータである測定データＩＰの入力を受け付ける。例えば、情報処理装置１０は、センサ機器２０が送信する測定データＩＰとして、時刻（タイムスタンプ）が付与された温度データ、加速度データ、速度データの入力を受け付ける。
図１（２）に示すように、情報処理装置１０は、プラント機器であるセンサ機器２０のリアルタイムデータである測定データＩＰの入力を受け付ける。例えば、情報処理装置１０は、センサ機器２０が送信する測定データＩＰとして、時刻（タイムスタンプ）が付与された温度データ、加速度データ、速度データの入力を受け付ける。
（１－２－３．出力処理）
図１（３）に示すように、情報処理装置１０は、ヘルススコアＯＰを出力する。例えば、情報処理装置１０は、センサ機器２０が設置されるプラントの正常状態を示すヘルススコアＯＰとして、正常状態であれば正のスコア、異常状態であれば負のスコアを出力する。
図１（３）に示すように、情報処理装置１０は、ヘルススコアＯＰを出力する。例えば、情報処理装置１０は、センサ機器２０が設置されるプラントの正常状態を示すヘルススコアＯＰとして、正常状態であれば正のスコア、異常状態であれば負のスコアを出力する。
（１－３．学習処理に使用する測定データ）
ここで、図２を用いて、学習処理に用いる測定データについて説明する。図２は、実施形態に係る測定データＤの一例を示す図である。図２に示すように、学習処理に用いる測定データＤは、タイムスタンプを付与されたデータ群であって、複数の異なるセンサ値（例：温度データ、加速度データ、速度データ）を含む。
ここで、図２を用いて、学習処理に用いる測定データについて説明する。図２は、実施形態に係る測定データＤの一例を示す図である。図２に示すように、学習処理に用いる測定データＤは、タイムスタンプを付与されたデータ群であって、複数の異なるセンサ値（例：温度データ、加速度データ、速度データ）を含む。
図２（１）は、連続する期間で収集された複数の異なるセンサ値を含むデータ群を示す波形グラフであって、期間前半では正常状態であり、期間後半では異常状態であるデータ群を含む。このとき、学習処理に用いる測定データＤとして、「正常データ」と示されたデータ群を使用し、「異常データ」と示されたデータ群は使用しない。
図２（２）は、連続する期間で収集された複数の異なるセンサ値を含むデータ群を示す波形グラフであって、期間全体で正常状態であるデータ群を含む。このとき、学習処理に用いる測定データＤとして、「正常データ」と示されたデータ群全体を使用する。
図２（３）は、連続する期間で収集された複数の異なるセンサ値を含むデータ群を示す波形グラフであって、期間前半、期間後半ともに正常状態であるデータ群を含むが、センサ値が収集されていない「飛び石」の期間が存在する。このとき、学習処理に用いる測定データＤとして、「正常データ１」および「正常データ２」と示された複数のデータ群を合成して使用する。
（１－４．参考技術の情報処理システム）
参考技術としての情報処理の概要について説明した上で、参考技術の問題点について説明する。
参考技術としての情報処理の概要について説明した上で、参考技術の問題点について説明する。
（１－４－１．参考技術の情報処理の概要）
参考技術の情報処理は、以下のように実行される。第１に、参考技術の情報処理装置は、図２に示すようなセンサ値の波形等のグラフを画面上に表示する。第２に、参考技術の情報処理装置の利用者は、表示された画面上で学習処理に使用したい期間のデータ群を１箇所だけ指定する。第３に、参考技術の情報処理装置は、指定されたデータ群を算出モデルに入力し、モデル学習を実行する。第４に、参考技術の情報処理装置は、センサ機器から収集したリアルタイムの測定データを訓練済みの算出モデルに入力することによって、プラントの正常状態を示すヘルススコアを算出する。
参考技術の情報処理は、以下のように実行される。第１に、参考技術の情報処理装置は、図２に示すようなセンサ値の波形等のグラフを画面上に表示する。第２に、参考技術の情報処理装置の利用者は、表示された画面上で学習処理に使用したい期間のデータ群を１箇所だけ指定する。第３に、参考技術の情報処理装置は、指定されたデータ群を算出モデルに入力し、モデル学習を実行する。第４に、参考技術の情報処理装置は、センサ機器から収集したリアルタイムの測定データを訓練済みの算出モデルに入力することによって、プラントの正常状態を示すヘルススコアを算出する。
（１－４－２．参考技術の情報処理の問題点）
以下では、参考技術の情報処理の問題点について説明する。第１に、参考技術の情報処理装置は、学習期間を１箇所だけ指定し、当該期間のデータ群を取得し、モデル学習に使用する。すなわち、参考技術の情報処理装置は、図２に示した測定データのうち、図２（１）の「正常データ」や図２（２）の「正常データ」を使用することはできるが、図２（３）の「正常データ１」、「正常データ２」のうち、どちらか一方のみしかモデル学習に使用することができない（問題点１）。図２（３）の例は、プラントにおいて、朝～昼前が「午前の部」であって、運転開始し、正常稼働している状態（「正常データ１」）、昼が「昼休み」であって、運転を一旦停止し、昼過ぎ～夕方が「午後の部」であって、運転再開し、正常稼働している状態（「正常データ２」）、夕方～朝が「終業」であって、運転を停止している。したがって、参考技術の情報処理装置は、期間（区間）を１箇所しか選択できずに満足に学習データ数を確保することが難しく、断続的に稼働するモータのようなプラント機器のセンサ値を有効に活用することが難しい。
以下では、参考技術の情報処理の問題点について説明する。第１に、参考技術の情報処理装置は、学習期間を１箇所だけ指定し、当該期間のデータ群を取得し、モデル学習に使用する。すなわち、参考技術の情報処理装置は、図２に示した測定データのうち、図２（１）の「正常データ」や図２（２）の「正常データ」を使用することはできるが、図２（３）の「正常データ１」、「正常データ２」のうち、どちらか一方のみしかモデル学習に使用することができない（問題点１）。図２（３）の例は、プラントにおいて、朝～昼前が「午前の部」であって、運転開始し、正常稼働している状態（「正常データ１」）、昼が「昼休み」であって、運転を一旦停止し、昼過ぎ～夕方が「午後の部」であって、運転再開し、正常稼働している状態（「正常データ２」）、夕方～朝が「終業」であって、運転を停止している。したがって、参考技術の情報処理装置は、期間（区間）を１箇所しか選択できずに満足に学習データ数を確保することが難しく、断続的に稼働するモータのようなプラント機器のセンサ値を有効に活用することが難しい。
第２に、参考技術の情報処理装置は、複数のデータ群を合成してモデル学習に使用しないので、まだ結果が出ていない未来の予測値やシミュレーション値を現在までの実績値と合成することが難しい（問題点２）。
第３に、参考技術の情報処理装置は、複数期間のデータ群や予測値等を含むデータ群を合成してモデル学習に使用しないので、ヘルススコアＯＰの算出処理を高精度で実行することが難しい（問題点３）。すなわち、参考技術の情報処理装置は、正常データ区間が「飛び石」になっている場合には、複数区間のデータ群を学習データとして使用しても算出処理の精度を高めることが困難である。
（１－５．情報処理システム１００の効果）
以下では、実施形態に係る情報処理システム１００の概要について説明した上で、情報処理システム１００の効果について説明する。
以下では、実施形態に係る情報処理システム１００の概要について説明した上で、情報処理システム１００の効果について説明する。
（１－５－１．情報処理システム１００の概要）
第１に、情報処理装置１０は、複数の期間のデータを指定する。第２に、情報処理装置１０は、複数の期間のデータを合成する。第３に、情報処理装置１０は、合成データを用いて算出モデル１４ｃの学習を実行する。第４に、情報処理装置１０は、測定データＩＰを収集する。第５に、情報処理装置１０は、訓練済みの算出モデル１４ｃを用いて、測定データＩＰからヘルススコアＯＰを出力する。
第１に、情報処理装置１０は、複数の期間のデータを指定する。第２に、情報処理装置１０は、複数の期間のデータを合成する。第３に、情報処理装置１０は、合成データを用いて算出モデル１４ｃの学習を実行する。第４に、情報処理装置１０は、測定データＩＰを収集する。第５に、情報処理装置１０は、訓練済みの算出モデル１４ｃを用いて、測定データＩＰからヘルススコアＯＰを出力する。
（１－５－２．情報処理システム１００の効果）
上述した情報処理システム１００は、以下の効果がある。第１に、情報処理システム１００では、複数の期間をＵＩ（User Interface）で選択できるようにし、複数の「飛び石」となった正常データ区間を任意に選択して学習実行し、満足な学習データ数を確保することが可能となる。したがって、情報処理システム１００では、断続的に稼働するデバイスのセンサ値を有効活用が難しいという上記の問題点１の解決に寄与する。
上述した情報処理システム１００は、以下の効果がある。第１に、情報処理システム１００では、複数の期間をＵＩ（User Interface）で選択できるようにし、複数の「飛び石」となった正常データ区間を任意に選択して学習実行し、満足な学習データ数を確保することが可能となる。したがって、情報処理システム１００では、断続的に稼働するデバイスのセンサ値を有効活用が難しいという上記の問題点１の解決に寄与する。
第２に、情報処理システム１００では、複数のデータ群は、結果が確定している現在までの実績値のみで構成される必要はなく、未来の値をシミュレーションで出した予測値を含むこともできるので、「未来にこのような値であれば、現在から未来にこのような運用をすればよい」という予測の部分にも応用できる。したがって、情報処理システム１００では、未来予測値を含む複数データ群を選択し学習することが難しいという上記の問題点２の解決に寄与する。
第３に、情報処理システム１００では、複数のデータ群を内部で連結して１つのデータ群としてまとめて学習することによって、よりよいＡＩ（Artificial Intelligence）学習結果を得ることでＡＩ解析の精度を向上させることができる。したがって、情報処理システム１００では、「飛び石」となった正常データ区間の複数データ群では予測精度を高めることが難しいという上記の問題点３の解決に寄与する。
以上より、情報処理システム１００は、学習データ数を確保し、未来予測値を含むデータ群の使用を可能とし、ＡＩ解析の精度を向上させることによって、システムの異常状態を効果的に検知できる。
〔２．情報処理装置１０の構成〕
図３～図１０を用いて、図１に示した情報処理システム１００が有する情報処理装置１０の機能構成について説明する。以下では、実施形態に係る情報処理装置１０の構成例、情報処理装置１０の表示画面の具体例、情報処理装置１０のデータ指定処理の順に詳細に説明する。
図３～図１０を用いて、図１に示した情報処理システム１００が有する情報処理装置１０の機能構成について説明する。以下では、実施形態に係る情報処理装置１０の構成例、情報処理装置１０の表示画面の具体例、情報処理装置１０のデータ指定処理の順に詳細に説明する。
（２－１．情報処理装置１０の構成例）
図３を用いて、実施形態に係る情報処理装置１０の構成例について説明する。図３は、実施形態に係る情報処理装置１０の構成例を示すブロック図である。情報処理装置１０は、入力部１１、出力部１２、通信部１３、記憶部１４および制御部１５を有する。
図３を用いて、実施形態に係る情報処理装置１０の構成例について説明する。図３は、実施形態に係る情報処理装置１０の構成例を示すブロック図である。情報処理装置１０は、入力部１１、出力部１２、通信部１３、記憶部１４および制御部１５を有する。
（２－１－１．入力部１１）
入力部１１は、例えば、キーボードやマウス等で実現される。そして、入力部１１は、情報処理装置１０の利用者等から各種操作を受け付ける。例えば、入力部１１は、情報処理装置１０の利用者から学習処理に使用する測定データＤを指定する入力を受け付ける。
入力部１１は、例えば、キーボードやマウス等で実現される。そして、入力部１１は、情報処理装置１０の利用者等から各種操作を受け付ける。例えば、入力部１１は、情報処理装置１０の利用者から学習処理に使用する測定データＤを指定する入力を受け付ける。
（２－１－２．出力部１２）
出力部１２は、例えば、液晶ディスプレイ等で実現される。そして、出力部１２は、各種情報を表示する。例えば、出力部１２は、情報処理装置１０の制御部１５によって算出されたヘルススコアＯＰを表示する。
出力部１２は、例えば、液晶ディスプレイ等で実現される。そして、出力部１２は、各種情報を表示する。例えば、出力部１２は、情報処理装置１０の制御部１５によって算出されたヘルススコアＯＰを表示する。
（２－１－３．通信部１３）
通信部１３は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１３は、所定の通信網（ネットワーク）と有線または無線で接続され、各種装置との間で情報の送受信を行う。
通信部１３は、例えば、ＮＩＣ（Network Interface Card）等によって実現される。そして、通信部１３は、所定の通信網（ネットワーク）と有線または無線で接続され、各種装置との間で情報の送受信を行う。
（２－１－４．記憶部１４）
記憶部１４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。実施形態に係る記憶部１４は、図３に示すように、指定データ記憶部１４ａ、合成データ記憶部１４ｂおよび算出モデル１４ｃを有する。そして、記憶部１４は、制御部１５が動作する際に参照する各種情報や、制御部１５が動作した際に取得した各種情報を記憶する。
記憶部１４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。実施形態に係る記憶部１４は、図３に示すように、指定データ記憶部１４ａ、合成データ記憶部１４ｂおよび算出モデル１４ｃを有する。そして、記憶部１４は、制御部１５が動作する際に参照する各種情報や、制御部１５が動作した際に取得した各種情報を記憶する。
（２－１－４－１．指定データ記憶部１４ａ）
指定データ記憶部１４ａは、制御部１５の取得部１５ａによって取得された測定データＤＡであって、情報処理装置１０の利用者によって指定された区間に含まれるデータ群を記憶する。ここで、図４を用いて、指定データ記憶部１４ａが記憶する情報の一例を説明する。図４は、実施形態に係る情報処理装置１０の指定データ記憶部１４ａの一例を示す図である。図４の例において、指定データ記憶部１４ａは、「時間帯」、「温度データ」、「加速度データ」、「速度データ」といった項目を有する。
指定データ記憶部１４ａは、制御部１５の取得部１５ａによって取得された測定データＤＡであって、情報処理装置１０の利用者によって指定された区間に含まれるデータ群を記憶する。ここで、図４を用いて、指定データ記憶部１４ａが記憶する情報の一例を説明する。図４は、実施形態に係る情報処理装置１０の指定データ記憶部１４ａの一例を示す図である。図４の例において、指定データ記憶部１４ａは、「時間帯」、「温度データ」、「加速度データ」、「速度データ」といった項目を有する。
「時間帯」は、取得されたデータ群が測定された時間帯を示し、例えば開始時刻および終了時刻である。「温度データ」は、センサ機器２０が測定したセンサ値のうち機器の温度を示し、例えばモータの温度を摂氏℃で表わしたものである。「加速度データ」は、センサ機器２０が測定したセンサ値のうち機器の振動に関する情報を示し、例えばモータの加速度をｍ／ｓ２で表わしたものである。「加速度データ」は、センサ機器２０が測定したセンサ値のうち機器の振動に関する情報を示し、例えばモータの速度をｍ／ｓで表わしたものである。
すなわち、図４では、「時間帯＃１」で示される時間帯において、温度データ「温度データ＃１」、加速度データ「加速度データ＃１」、速度データ「速度データ＃１」、・・・であって、「時間帯＃２」で示される時間帯において、温度データ「温度データ＃２」、加速度データ「加速度データ＃２」、速度データ「速度データ＃２」、・・・であって、「時間帯＃３」で示される時間帯において、温度データ「温度データ＃３」、加速度データ「加速度データ＃３」、速度データ「速度データ＃３」、・・・である例を示す。なお、上記の例において、各時間帯に含まれる「温度データ」、「加速度データ」、「速度データ」は、測定時刻ごとのタイムスタンプが付与された複数のデータを含む。
（２－１－４－２．合成データ記憶部１４ｂ）
合成データ記憶部１４ｂは、制御部１５の生成部１５ｂによって生成された合成データＤＢを記憶する。ここで、図５を用いて、合成データ記憶部１４ｂが記憶する情報の一例を説明する。図５は、実施形態に係る情報処理装置１０の合成データ記憶部１４ｂの一例を示す図である。図５の例において、合成データ記憶部１４ｂは、「時間帯」、「温度データ」、「加速度データ」、「速度データ」といった項目を有する。
合成データ記憶部１４ｂは、制御部１５の生成部１５ｂによって生成された合成データＤＢを記憶する。ここで、図５を用いて、合成データ記憶部１４ｂが記憶する情報の一例を説明する。図５は、実施形態に係る情報処理装置１０の合成データ記憶部１４ｂの一例を示す図である。図５の例において、合成データ記憶部１４ｂは、「時間帯」、「温度データ」、「加速度データ」、「速度データ」といった項目を有する。
「時間帯」は、合成されたデータ群が含まれる時間帯を示し、例えば開始時刻および終了時刻である。「温度データ」は、センサ機器２０が測定したセンサ値のうち機器の温度を示し、例えばモータの温度を摂氏℃で表わしたものである。「加速度データ」は、センサ機器２０が測定したセンサ値のうち機器の振動に関する情報を示し、例えばモータの加速度をｍ／ｓ２で表わしたものである。「加速度データ」は、センサ機器２０が測定したセンサ値のうち機器の振動に関する情報を示し、例えばモータの速度をｍ／ｓで表わしたものである。
すなわち、図５では、合成された「時間帯＃１～＃３」で示される時間帯において、温度データ「温度データ＃１～＃３」、加速度データ「加速度データ＃１～＃３」、速度データ「速度データ＃１～＃３」、・・・である例を示す。なお、上記の例において、各時間帯に含まれる「温度データ」、「加速度データ」、「速度データ」は、測定時刻ごとのタイムスタンプに対応するラベルが付与された複数のデータを含む。
（２－１－４－３．算出モデル１４ｃ）
算出モデル１４ｃは、制御部１５の訓練部１５ｃによって訓練された機械学習モデルである。例えば、算出モデル１４ｃは、センサ機器２０が送信する温度データ、加速度データ、速度データ等のリアルタイムデータを説明変数とし、センサ機器２０が設置されるプラントの正常状態を示すヘルススコアＯＰ（正常状態：正のスコア、異常状態：負のスコア）を目的変数とする機械学習により訓練された訓練済みモデルである。例えば、算出モデル１４ｃは、ランダムフォレスト（Random Forest）技術のクラス分類（Classification）を用い、クラス分類の手法として、再帰分割法であるブースト決定木（Boost Decision Tree）等の二値分類手法を用いて訓練された機械学習モデルである。
算出モデル１４ｃは、制御部１５の訓練部１５ｃによって訓練された機械学習モデルである。例えば、算出モデル１４ｃは、センサ機器２０が送信する温度データ、加速度データ、速度データ等のリアルタイムデータを説明変数とし、センサ機器２０が設置されるプラントの正常状態を示すヘルススコアＯＰ（正常状態：正のスコア、異常状態：負のスコア）を目的変数とする機械学習により訓練された訓練済みモデルである。例えば、算出モデル１４ｃは、ランダムフォレスト（Random Forest）技術のクラス分類（Classification）を用い、クラス分類の手法として、再帰分割法であるブースト決定木（Boost Decision Tree）等の二値分類手法を用いて訓練された機械学習モデルである。
（２－１－５．制御部１５）
制御部１５は、当該情報処理装置１０全体の制御を司る。制御部１５は、取得部１５ａ、生成部１５ｂ、訓練部１５ｃ、収集部１５ｄおよび算出部１５ｅを有する。ここで、制御部１５は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等の電子回路やＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現され得る。
制御部１５は、当該情報処理装置１０全体の制御を司る。制御部１５は、取得部１５ａ、生成部１５ｂ、訓練部１５ｃ、収集部１５ｄおよび算出部１５ｅを有する。ここで、制御部１５は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）等の電子回路やＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現され得る。
（２－１－５－１．取得部１５ａ）
取得部１５ａは、デバイスによって測定される測定データのうち、複数の区間に含まれる各正常データを区間ごとに取得する。なお、取得部１５ａは、取得した測定データを指定データ記憶部１４ａに格納する。
取得部１５ａは、デバイスによって測定される測定データのうち、複数の区間に含まれる各正常データを区間ごとに取得する。なお、取得部１５ａは、取得した測定データを指定データ記憶部１４ａに格納する。
以下では、取得部１５ａの処理として、取得するデータの種別について説明する。取得部１５ａは、プラントに設置されたプラント機器が収集する測定データのうち、複数の区間に含まれる各正常データを区間ごとに取得する。
具体的な例について説明すると、取得部１５ａは、センサ機器２０が測定するデータとして、｛時間帯＃１：温度データ＃１，加速度データ＃１，速度データ＃１｝、｛時間帯＃２：温度データ＃２，加速度データ＃２，速度データ＃２｝、｛時間帯＃３：温度データ＃３，加速度データ＃３，速度データ＃３｝、・・・のように、時間帯ごとに温度データ、加速度データ、速度データを取得する。
以下では、取得部１５ａの処理として、データ表示画面を用いて指定されたデータの取得処理について説明する。取得部１５ａは、測定データを所定のグラフを用いて表示するデータ表示画面を出力し、出力されたデータ表示画面上で利用者によって指定された複数の区間に含まれる各正常データを区間ごとに取得する。
例えば、取得部１５ａは、データ表示画面に複数の区間の候補を表示し、複数の区間の候補のうち選択された区間に含まれる各正常データを取得する。具体的な例について説明すると、後述する（２－３．指定処理の具体例）（２－３－２．指定処理２）で説明するように、取得部１５ａは、センサ機器２０が測定した温度データ、加速度データ、速度データの波形のグラフを表示したデータ表示画面上で複数の区間の候補から、利用者がクリック操作することによって指定した区間に含まれるデータ群を取得する。
また、取得部１５ａは、所定の閾値を超過している測定データが含まれる区間を複数の区間の候補として表示し、複数の区間の候補のうち選択された区間に含まれる各正常データを取得する。具体的な例について説明すると、後述する（２－３．指定処理の具体例）（２－３－３．指定処理３）で説明するように、取得部１５ａは、センサ機器２０が測定した温度データ、加速度データ、速度データの波形のグラフを表示したデータ表示画面上で閾値１０．０を超過している複数の区間の候補から、利用者がチェックボックスにチェックを入力することによって指定した区間に含まれるデータ群を取得する。
以下では、取得部１５ａの処理として、データ表示画面を用いて指定されたデータの取得処理について説明する。取得部１５ａは、測定データのうち各正常データを取得する区間を入力可能または選択可能に表示するデータ指定画面を出力し、出力されたデータ指定画面上で利用者によって入力または選択された複数の区間に含まれる各正常データを前記区間ごとに取得する。
具体的な例について説明すると、後述する（２－３．指定処理の具体例）（２－３－１．指定処理１）で説明するように、取得部１５ａは、センサ機器２０が測定した温度データ、加速度データ、速度データの波形のグラフを表示したデータ表示画面上で利用者が開始点と終了点をクリック操作することによって指定され、データ指定画面上で利用者が「ＯＫ」のボタンをクリック操作することによって確定される区間に含まれるデータ群を取得する。このとき、取得部１５ａは、データ表示画面を使用することなく、データ指定画面上で利用者が「指定時刻」を直接入力することによって指定される区間に含まれるデータ群を取得することもできる。
以下では、取得部１５ａの処理として、正常データまたは異常データを判定されたデータの取得処理について説明する。取得部１５ａは、デバイスによって測定される相関がある複数の異なる種別の各測定データのうち、各測定データすべてが正常なデータと判定された区間に含まれる各測定データを各正常データとして取得する。
具体的な例について説明すると、取得部１５ａは、センサ機器２０が測定した温度データ、加速度データ、速度データ等の互いに相関関係が知られている、または相関関係が推定される数値について、すべての数値が各データ種別についてそれぞれ設定された上限閾値と下限閾値との範囲内である場合には、当該範囲内である区間に含まれる測定データが正常なデータ群として取得する。
以下では、取得部１５ａの処理として、デバイスによって測定された測定データだけではなく、予測値を含む予測データの取得処理について説明する。取得部１５ａは、測定データの予測値を含む予測データのうち正常なデータである予測正常データをさらに取得する。
具体的な例について説明すると、取得部１５ａは、センサ機器２０が測定した温度データ、加速度データ、速度データのグラフの外挿によって予測された数値や、過去のデータを統計処理することによってシミュレーションした数値であって、各データ種別についてそれぞれ設定された上限閾値と下限閾値との範囲内であるデータを正常なデータ群として取得する。
（２－１－５－２．生成部１５ｂ）
生成部１５ｂは、取得された各正常データを合成し、合成データを生成する。なお、取得部１５ａは、取得した測定データを指定データ記憶部１４ａに格納する。
生成部１５ｂは、取得された各正常データを合成し、合成データを生成する。なお、取得部１５ａは、取得した測定データを指定データ記憶部１４ａに格納する。
以下では、生成部１５ｂの処理として、生成するデータの種別について説明する。生成部１５ｂは、複数の区間に含まれるプラント機器が収集する各正常データを合成し、合成データを生成する。
具体的な例について説明すると、生成部１５ｂは、センサ機器２０が測定する３つの時間帯ごとのデータ群｛時間帯＃１：温度データ＃１，加速度データ＃１，速度データ＃１｝、｛時間帯＃２：温度データ＃２，加速度データ＃２，速度データ＃２｝、｛時間帯＃３：温度データ＃３，加速度データ＃３，速度データ＃３｝を合成し、合成データ｛時間帯＃１～＃３：温度データ＃１～＃３，加速度データ＃１～＃３，速度データ＃１～＃３｝を生成する。
このとき、生成部１５ｂは、データ群のタイムスタンプを付与し直すこともできる。例えば、生成部１５ｂは、データ群１｛時刻Ｔ００５：データ００５，時刻Ｔ００６：データ００６，時刻Ｔ００７：データ００７｝、データ群２｛時刻Ｔ００９：データ００９，時刻Ｔ０１０：データ０１０，時刻Ｔ０１１：データ０１１｝、データ群３｛時刻Ｔ０１５：データ０１５，時刻Ｔ０１６：データ０１６，時刻Ｔ０１７：データ０１７｝を合成し、タイムスタンプを付与し直した合成データ｛時刻Ｔ００１：データ００５，時刻Ｔ００２：データ００６，時刻Ｔ００３：データ００７，時刻Ｔ００４：データ００９，時刻Ｔ００５：データ０１０，時刻Ｔ００６：データ０１１，時刻Ｔ００７：データ０１５，時刻Ｔ００８：データ０１６，時刻Ｔ００９：データ０１７｝を生成することもできる。
以下では、生成部１５ｂの処理として、予測値を含む予測正常データの生成処理について説明する。生成部１５ｂは、各正常データと予測正常データとを合成し、予測合成データを生成する。
具体的な例について説明すると、生成部１５ｂは、センサ機器２０が測定する３つの時間帯ごとのデータ群｛時間帯＃１：温度データ＃１，加速度データ＃１，速度データ＃１｝、｛時間帯＃２：温度データ＃２，加速度データ＃２，速度データ＃２｝、｛時間帯＃３：温度データ＃３，加速度データ＃３，速度データ＃３｝と、センサ機器２０が測定すると予測される正常データ（予測正常データ）のみを含む１つのデータ群｛時間帯＃４：温度データ＃４，加速度データ＃４，速度データ＃４｝を合成し、予測合成データ｛時間帯＃１～＃４：温度データ＃１～＃４，加速度データ＃１～＃４，速度データ＃１～＃４｝を生成する。このとき、生成部１５ｂは、予測正常データのみを合成し、予測合成データを生成することもできる。
（２－１－５－３．訓練部１５ｃ）
訓練部１５ｃは、合成データを用いた機械学習により、測定データの入力に応じてデバイスが設置されるシステムの正常状態を示すスコアを出力する機械学習モデルを訓練する。なお、訓練部１５ｃは、記憶部１４に記憶された算出モデル１４ｃを訓練する。
訓練部１５ｃは、合成データを用いた機械学習により、測定データの入力に応じてデバイスが設置されるシステムの正常状態を示すスコアを出力する機械学習モデルを訓練する。なお、訓練部１５ｃは、記憶部１４に記憶された算出モデル１４ｃを訓練する。
以下では、訓練部１５ｃの処理として、訓練に使用するデータの種別について説明する。訓練部１５ｃは、合成データを用いた機械学習により、測定データの入力に応じて、プラント機器が設置されるプラントの正常状態を示すスコアを出力する機械学習モデルを訓練する。
具体的な例について説明すると、訓練部１５ｃは、生成部１５ｂによって生成された合成データ｛時間帯＃１～＃３：温度データ＃１～＃３，加速度データ＃１～＃３，速度データ＃１～＃３｝を入力することによって、算出モデル１４ｃを訓練する。
以下では、訓練部１５ｃの処理として、予測値を含む予測正常データを使用した訓練処理について説明する。訓練部１５ｃは、予測合成データを用いた機械学習により、機械学習モデルを訓練する。
具体的な例について説明すると、生成部１５ｂによって生成された予測合成データ｛時間帯＃１～＃４：温度データ＃１～＃４，加速度データ＃１～＃４，速度データ＃１～＃４｝を入力することによって、算出モデル１４ｃを訓練する。
（２－１－５－４．収集部１５ｄ）
収集部１５ｄは、デバイスが送信する測定データを収集する。なお、収集部１５ｄは、収集した測定データを記憶部１４に格納してもよい。
収集部１５ｄは、デバイスが送信する測定データを収集する。なお、収集部１５ｄは、収集した測定データを記憶部１４に格納してもよい。
収集するデータの種別について説明すると、収集部１５ｄは、プラントに設置されるセンサ機器２０が送信するモータの温度データ、加速度データ、速度データを収集する。
具体的な例について説明すると、センサ機器２０が送信するリアルタイムデータとして、｛時刻Ｔ１０１：温度データ１０１，加速度データ１０１，速度データ１０１｝のように、タイムスタンプが付与された種別ごとのセンサ値を収集する。
（２－１－５－５．算出部１５ｅ）
算出部１５ｅは、収集された測定データを、訓練済みである機械学習モデルに入力して得られる結果に基づき、デバイスが設置されるシステムの正常状態を示すスコアを算出する。なお、算出部１５ｅは、算出したスコアを記憶部１４に格納してもよい。
算出部１５ｅは、収集された測定データを、訓練済みである機械学習モデルに入力して得られる結果に基づき、デバイスが設置されるシステムの正常状態を示すスコアを算出する。なお、算出部１５ｅは、算出したスコアを記憶部１４に格納してもよい。
算出されるスコアの種別について説明すると、算出部１５ｅは、センサ機器２０が設置されるプラントの正常状態を示すヘルススコアＯＰとして、正常状態であれば正のスコア、異常状態であれば負のスコアを出力する。このとき、算出部１５ｅは、ヘルススコアＯＰとして、正のスコアの絶対値が大きければより正常な状態であり、負のスコアの絶対値が大きければより異常な状態であることを示すスコアを出力する。
具体的な例について説明すると、算出部１５ｅは、｛時刻Ｔ１０１：ヘルススコア「＋１．０」｝、｛時刻Ｔ１０２：ヘルススコア「－１．０」｝、｛時刻Ｔ１０３：ヘルススコア「－２．０」｝、・・・のように、時刻（タイムスタンプ）ごとにヘルススコアＯＰが異常値を示すスコアを算出する。
（２－２．表示画面の具体例）
図６および図７を用いて、情報処理装置１０が表示する表示画面の具体例について説明する。以下では、データ表示画面、データ指定画面の順に説明する。
図６および図７を用いて、情報処理装置１０が表示する表示画面の具体例について説明する。以下では、データ表示画面、データ指定画面の順に説明する。
（２－２－１．データ表示画面）
図６を用いて、測定データＤを所定のグラフを用いて表示するデータ表示画面について説明する。図６は、実施形態に係る測定データＤの表示画面の一例を示す図である。図６の例に示すように、情報処理装置１０は、複数の測定データＤの時間当たりの強度を示す波形のグラフを表示する。例えば、情報処理装置１０は、センサ機器２０が送信する温度データ（図６（１）参照）を緑色、加速度データ（図６（２）参照）を赤色、速度データ（図６（３）参照）を青色のように、データの種別の判別を容易にするために色をつけて表示することもできる。また、情報処理装置１０は、データの種別ごとに波形が重ならないように縦軸の単位（温度データ℃、加速度データｍ／ｓ２、速度データｍ／ｓ）の縮尺を変更して表示することもできる。
図６を用いて、測定データＤを所定のグラフを用いて表示するデータ表示画面について説明する。図６は、実施形態に係る測定データＤの表示画面の一例を示す図である。図６の例に示すように、情報処理装置１０は、複数の測定データＤの時間当たりの強度を示す波形のグラフを表示する。例えば、情報処理装置１０は、センサ機器２０が送信する温度データ（図６（１）参照）を緑色、加速度データ（図６（２）参照）を赤色、速度データ（図６（３）参照）を青色のように、データの種別の判別を容易にするために色をつけて表示することもできる。また、情報処理装置１０は、データの種別ごとに波形が重ならないように縦軸の単位（温度データ℃、加速度データｍ／ｓ２、速度データｍ／ｓ）の縮尺を変更して表示することもできる。
（２－２－２．データ指定画面）
図７を用いて、測定データＤのうち各正常データを取得する区間を入力可能または選択可能に表示するデータ指定画面について説明する。図７は、実施形態に係る測定データＤの指定画面の一例を示す図である。図７の例に示すように、情報処理装置１０は、学習データとして使用する測定データＤを指定する「違和感検知 学習期間」として、利用者が「学習期間」を「指定時刻」と選択し、「開始時刻」を「２０２０／０５／２２ ８：３０」、「終了時刻」を「２０２０／０５／２２ １１：４５」と入力する画面を表示する。このとき、利用者は、図６で示したデータ表示画面上で波形のグラフの開始点と終了点を指定することによって、図７に示した「指定時刻」を指定することができる。また、利用者が「期間追加」のボタンをクリック操作することによって、「期間１」に指定された期間が表示される。同様にして、利用者が異なる期間を指定し「期間追加」のボタンをクリック操作することによって、「期間２」、「期間３」に指定された期間が表示される。そして、利用者が「ＯＫ」のボタンをクリック操作することによって、「期間１」～「期間３」の期間の指定が確定される。
図７を用いて、測定データＤのうち各正常データを取得する区間を入力可能または選択可能に表示するデータ指定画面について説明する。図７は、実施形態に係る測定データＤの指定画面の一例を示す図である。図７の例に示すように、情報処理装置１０は、学習データとして使用する測定データＤを指定する「違和感検知 学習期間」として、利用者が「学習期間」を「指定時刻」と選択し、「開始時刻」を「２０２０／０５／２２ ８：３０」、「終了時刻」を「２０２０／０５／２２ １１：４５」と入力する画面を表示する。このとき、利用者は、図６で示したデータ表示画面上で波形のグラフの開始点と終了点を指定することによって、図７に示した「指定時刻」を指定することができる。また、利用者が「期間追加」のボタンをクリック操作することによって、「期間１」に指定された期間が表示される。同様にして、利用者が異なる期間を指定し「期間追加」のボタンをクリック操作することによって、「期間２」、「期間３」に指定された期間が表示される。そして、利用者が「ＯＫ」のボタンをクリック操作することによって、「期間１」～「期間３」の期間の指定が確定される。
（２－３．指定処理の具体例）
図８～図１０を用いて、情報処理装置１０の測定データＤの指定処理の具体例について説明する。以下では、データ表示画面およびデータ指定画面を使用する指定処理１、データ表示画面を使用して連続データの期間候補を表示する指定処理２、データ表示画面を使用して「飛び石」データの期間候補を表示する指定処理３の順に説明する。
図８～図１０を用いて、情報処理装置１０の測定データＤの指定処理の具体例について説明する。以下では、データ表示画面およびデータ指定画面を使用する指定処理１、データ表示画面を使用して連続データの期間候補を表示する指定処理２、データ表示画面を使用して「飛び石」データの期間候補を表示する指定処理３の順に説明する。
（２－３－１．指定処理１）
図８を用いて、データ表示画面およびデータ指定画面を使用する測定データＤの指定処理１について説明する。図８は、実施形態に係る測定データＤの指定処理１を示す図である。図８（１）に示すように、情報処理装置１０の利用者は、データ表示画面上で波形のグラフの開始点と終了点を指定することによって、データ群ＤＡ－１を指定する。このとき、利用者が「期間追加」のボタンをクリック操作することによって、「期間１」に指定された期間「２０２０／０５／２２ ８：３０～１１：４５」が表示される。図８（２）に示すように、情報処理装置１０の利用者は、データ表示画面上で波形のグラフの開始点と終了点を指定することによって、データ群ＤＡ－２を指定する。このとき、利用者が「期間追加」のボタンをクリック操作することによって、「期間２」に指定された期間「２０２０／０５／２２ １２：３０～１７：１５」が表示される。図８（３）に示すように、利用者は、利用者が「ＯＫ」のボタンをクリック操作することによって、「期間１」の期間「２０２０／０５／２２ ８：３０～１１：４５」、「期間２」の期間「２０２０／０５／２２ １２：３０～１７：１５」の指定が確定される。
図８を用いて、データ表示画面およびデータ指定画面を使用する測定データＤの指定処理１について説明する。図８は、実施形態に係る測定データＤの指定処理１を示す図である。図８（１）に示すように、情報処理装置１０の利用者は、データ表示画面上で波形のグラフの開始点と終了点を指定することによって、データ群ＤＡ－１を指定する。このとき、利用者が「期間追加」のボタンをクリック操作することによって、「期間１」に指定された期間「２０２０／０５／２２ ８：３０～１１：４５」が表示される。図８（２）に示すように、情報処理装置１０の利用者は、データ表示画面上で波形のグラフの開始点と終了点を指定することによって、データ群ＤＡ－２を指定する。このとき、利用者が「期間追加」のボタンをクリック操作することによって、「期間２」に指定された期間「２０２０／０５／２２ １２：３０～１７：１５」が表示される。図８（３）に示すように、利用者は、利用者が「ＯＫ」のボタンをクリック操作することによって、「期間１」の期間「２０２０／０５／２２ ８：３０～１１：４５」、「期間２」の期間「２０２０／０５／２２ １２：３０～１７：１５」の指定が確定される。
上記の指定処理１の場合、「飛び石」になっている期間のどちらかだけの学習だと十分な学習を行うのにデータ数が不足するケースが考えられ、１箇所のデータ群学習ではその後に行うＡＩ解析結果が満足を得られない可能性がある。ここで、上記の指定処理１では、２カ所の「飛び石」パターンとしたが、実際には不定期の断続運転装置である場合はもっと飛び石の箇所が増える。上記の指定処理１では複数期間選択を最大３期間としたが選択可能な期間数を増やしてもよく、無数の「飛び石」にも対応して柔軟に選択できる。上述してきたように、上記の指定処理１では、正常データ区間が「飛び石」となっているデータからも十分なＡＩ学習を行うことが可能となり、ＡＩ解析が導入できる運用パターンを増やすことに貢献できる。
なお、上記の指定処理１では、「レコーダが記録済みの過去実績データ」を対象にしているが、対象となるデータは過去データに限定されず、例えばビューアが「ある決まったフォーマットで書かれたテキストデータなら、レコーダデータファイルと同様にデータ表示できる」という機能があれば、利用者が未来予測値をシミュレートして過去データと結合した連続データ表示することで、「未来予測値を含んで複数データ群を選択し学習実行可能」とできる。したがって、上記の指定処理１では、例えば「現在の運用状態と連続して考えた時に、この先の未来で、このチャネルの値がどのタイミングでどれぐらいの閾値を上回ると異常状態が発生することになるのか？」といった、異常を先回りでシミュレーションし分析対策ができる、というような使用方法も期待できる。
（２－３－２．指定処理２）
図９を用いて、データ表示画面を使用して連続データの期間候補を表示する指定処理２について説明する。図９は、実施形態に係る測定データＤの指定処理２を示す図である。図９（１）～（３）に示すように、情報処理装置１０は、データ表示画面上で複数の区間の候補（網掛け部）を表示する。このとき、利用者が図９（１）～（３）の区間の候補のうち指定したい区間の領域をクリック操作することによって、区間の指定が確定される。また、利用者は、表示された候補の領域をドラッグ操作することによって、開始点（開始時刻）と終了点（終了時刻）を変更することもできる。
図９を用いて、データ表示画面を使用して連続データの期間候補を表示する指定処理２について説明する。図９は、実施形態に係る測定データＤの指定処理２を示す図である。図９（１）～（３）に示すように、情報処理装置１０は、データ表示画面上で複数の区間の候補（網掛け部）を表示する。このとき、利用者が図９（１）～（３）の区間の候補のうち指定したい区間の領域をクリック操作することによって、区間の指定が確定される。また、利用者は、表示された候補の領域をドラッグ操作することによって、開始点（開始時刻）と終了点（終了時刻）を変更することもできる。
すなわち、上記の指定処理２では、選択ＵＩをダイアログボックス（データ指定画面）ではなく、波形表示上の選択操作の時点で複数を同時に選択できるようすることができる。一方、上記の指定処理２では、選択ＵＩをダイアログボックスとして表示した場合にはその複数選択期間がプリセットで選択済みとなっていてもよい。
（２－３－３．指定処理３）
図１０を用いて、データ表示画面を使用して「飛び石」データの期間候補を表示する指定処理３について説明する。図１０は、実施形態に係る測定データＤの指定処理３を示す図である。図１０（１）に示すように、情報処理装置１０は、データ表示画面上で複数の区間の候補（網掛け部）を表示する。このとき、情報処理装置１０は、データ表示画面上で所定の閾値（１０．０）を超過している区間を複数の区間の候補（網掛け部）として表示する。そして、図１０（２）に示すように、利用者が表示された区間の候補のうち指定したい候補のチェックボックスにチェックを入力することによって、区間の指定が確定される（候補１、候補３、候補４、候補５、候補６、候補８）。
図１０を用いて、データ表示画面を使用して「飛び石」データの期間候補を表示する指定処理３について説明する。図１０は、実施形態に係る測定データＤの指定処理３を示す図である。図１０（１）に示すように、情報処理装置１０は、データ表示画面上で複数の区間の候補（網掛け部）を表示する。このとき、情報処理装置１０は、データ表示画面上で所定の閾値（１０．０）を超過している区間を複数の区間の候補（網掛け部）として表示する。そして、図１０（２）に示すように、利用者が表示された区間の候補のうち指定したい候補のチェックボックスにチェックを入力することによって、区間の指定が確定される（候補１、候補３、候補４、候補５、候補６、候補８）。
すなわち、上記の指定処理３では、利用者が手動で選択するのは対象箇所が多いと選択操作が煩雑となるので、「飛び石」の部分を自動で検索して、学習期間候補としてリスティングし、ユーザにはそのリストから任意の期間を選ばせることができる。例えば、上記の指定処理３では、「飛び石」期間か否かの判定において、事前に「下限１０．０を下回っていたら飛び石のダウン期間とみなしてそれ以外をリスティングする」というような条件設定を利用者から受け付けることができる。
〔３．情報処理システム１００の処理の流れ〕
図１１を用いて、実施形態に係る情報処理システム１００の処理の流れについて説明する。図１１は、実施形態に係る情報処理全体の流れの一例を示すシーケンス図である。なお、下記のステップＳ１０１～Ｓ１０６の処理は、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～Ｓ１０６の処理のうち、省略される処理があってもよい。以下では、情報処理システム１００の処理の流れとして、学習処理、入出力処理の順に説明する。
図１１を用いて、実施形態に係る情報処理システム１００の処理の流れについて説明する。図１１は、実施形態に係る情報処理全体の流れの一例を示すシーケンス図である。なお、下記のステップＳ１０１～Ｓ１０６の処理は、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～Ｓ１０６の処理のうち、省略される処理があってもよい。以下では、情報処理システム１００の処理の流れとして、学習処理、入出力処理の順に説明する。
（３－１．学習処理）
第１に、情報処理装置１０は、データ取得処理を実行する（ステップＳ１０１）。例えば、情報処理装置１０は、センサ機器２０が測定した過去の測定データＤＡを取得する。
第１に、情報処理装置１０は、データ取得処理を実行する（ステップＳ１０１）。例えば、情報処理装置１０は、センサ機器２０が測定した過去の測定データＤＡを取得する。
第２に、情報処理装置１０は、データ指定処理を実行する（ステップＳ１０２）。例えば、情報処理装置１０は、過去の測定データＤＡのうち、異なる期間に含まれる正常データであるデータ群ＤＡ－１およびデータ群ＤＡ－２を指定する。
第３に、情報処理装置１０は、データ合成処理を実行する（ステップＳ１０３）。例えば、情報処理装置１０は、指定した異なる期間に含まれるデータ群ＤＡ－１およびデータ群ＤＡ－２を連結することによって、１つの期間に対応する合成データであるデータ群ＤＢを生成する。
第４に、情報処理装置１０は、モデル学習処理を実行する（ステップＳ１０４）。例えば、情報処理装置１０は、生成した合成データであるデータ群ＤＢを算出モデル１４ｃに入力することによって、測定データＩＰから正常状態を示すヘルススコアＯＰを出力する算出モデル１４ｃを訓練する。
（３－２．入出力処理）
第１に、情報処理装置１０は、データ収集処理を実行する（ステップＳ１０５）。例えば、情報処理装置１０は、センサ機器２０が送信する測定データＩＰとして、タイムスタンプが付与された温度データ、加速度データ、速度データの入力を受け付ける。
第１に、情報処理装置１０は、データ収集処理を実行する（ステップＳ１０５）。例えば、情報処理装置１０は、センサ機器２０が送信する測定データＩＰとして、タイムスタンプが付与された温度データ、加速度データ、速度データの入力を受け付ける。
第２に、情報処理装置１０は、スコア算出処理を実行する（ステップＳ１０６）。例えば、情報処理装置１０は、センサ機器２０が設置されるプラントの正常状態を示すヘルススコアＯＰとして、正常状態であれば正のスコア、異常状態であれば負のスコアを出力する。
〔４．実施形態の効果〕
最後に、実施形態の効果について説明する。以下では、実施形態に係る処理に対応する効果１～９について説明する。
最後に、実施形態の効果について説明する。以下では、実施形態に係る処理に対応する効果１～９について説明する。
（４－１．効果１）
第１に、上述した実施形態に係る処理では、情報処理装置１０は、デバイスによって測定される測定データのうち、複数の区間に含まれる各正常データを当該区間ごとに取得し、取得した各正常データを合成し、合成データを生成し、当該合成データを用いた機械学習により、測定データの入力に応じてデバイスが設置されるシステムの正常状態を示すスコアを出力する機械学習モデルを訓練する。このため、本処理では、システムの異常状態を効果的に検知することができる。
第１に、上述した実施形態に係る処理では、情報処理装置１０は、デバイスによって測定される測定データのうち、複数の区間に含まれる各正常データを当該区間ごとに取得し、取得した各正常データを合成し、合成データを生成し、当該合成データを用いた機械学習により、測定データの入力に応じてデバイスが設置されるシステムの正常状態を示すスコアを出力する機械学習モデルを訓練する。このため、本処理では、システムの異常状態を効果的に検知することができる。
（４－２．効果２）
第２に、上述した実施形態に係る処理では、情報処理装置１０は、測定データを所定のグラフを用いて表示するデータ表示画面を出力し、出力したデータ表示画面上で利用者によって指定された複数の区間に含まれる各正常データを当該区間ごとに取得する。このため、本処理では、データ表示画面上で指定された測定データを学習処理に使用することによって、システムの異常状態を効果的に検知することができる。
第２に、上述した実施形態に係る処理では、情報処理装置１０は、測定データを所定のグラフを用いて表示するデータ表示画面を出力し、出力したデータ表示画面上で利用者によって指定された複数の区間に含まれる各正常データを当該区間ごとに取得する。このため、本処理では、データ表示画面上で指定された測定データを学習処理に使用することによって、システムの異常状態を効果的に検知することができる。
（４－３．効果３）
第３に、上述した実施形態に係る処理では、情報処理装置１０は、データ表示画面に複数の区間の候補を表示し、複数の区間の候補のうち選択された区間に含まれる各正常データを取得する。このため、本処理では、データ表示画面上で表示された候補のうち指定された測定データを学習処理に使用することによって、システムの異常状態を効果的に検知することができる。
第３に、上述した実施形態に係る処理では、情報処理装置１０は、データ表示画面に複数の区間の候補を表示し、複数の区間の候補のうち選択された区間に含まれる各正常データを取得する。このため、本処理では、データ表示画面上で表示された候補のうち指定された測定データを学習処理に使用することによって、システムの異常状態を効果的に検知することができる。
（４－４．効果４）
第４に、上述した実施形態に係る処理では、情報処理装置１０は、所定の閾値を超過している測定データが含まれる区間を複数の区間の候補として表示し、複数の区間の候補のうち選択された区間に含まれる各正常データを取得する。このため、本処理では、データ表示画面上で閾値をもとに表示された候補のうち指定された測定データを学習処理に使用することによって、システムの異常状態を効果的に検知することができる。
第４に、上述した実施形態に係る処理では、情報処理装置１０は、所定の閾値を超過している測定データが含まれる区間を複数の区間の候補として表示し、複数の区間の候補のうち選択された区間に含まれる各正常データを取得する。このため、本処理では、データ表示画面上で閾値をもとに表示された候補のうち指定された測定データを学習処理に使用することによって、システムの異常状態を効果的に検知することができる。
（４－５．効果５）
第５に、上述した実施形態に係る処理では、情報処理装置１０は、測定データのうち各正常データを取得する区間を入力可能または選択可能に表示するデータ指定画面を出力し、出力したデータ指定画面上で利用者によって入力または選択された複数の区間に含まれる各正常データを区間ごとに取得する。このため、本処理では、データ指定画面上で指定された測定データを学習処理に使用することによって、システムの異常状態を効果的に検知することができる。
第５に、上述した実施形態に係る処理では、情報処理装置１０は、測定データのうち各正常データを取得する区間を入力可能または選択可能に表示するデータ指定画面を出力し、出力したデータ指定画面上で利用者によって入力または選択された複数の区間に含まれる各正常データを区間ごとに取得する。このため、本処理では、データ指定画面上で指定された測定データを学習処理に使用することによって、システムの異常状態を効果的に検知することができる。
（４－６．効果６）
第６に、上述した実施形態に係る処理では、情報処理装置１０は、デバイスによって測定される相関がある複数の異なる種別の各測定データのうち、各測定データすべてが正常なデータと判定された区間に含まれる各測定データを各正常データとして取得する。このため、本処理では、複数の異なる種別の測定データを効率的に正常データと判定し、かつ学習処理に使用することによって、システムの異常状態を効果的に検知することができる。
第６に、上述した実施形態に係る処理では、情報処理装置１０は、デバイスによって測定される相関がある複数の異なる種別の各測定データのうち、各測定データすべてが正常なデータと判定された区間に含まれる各測定データを各正常データとして取得する。このため、本処理では、複数の異なる種別の測定データを効率的に正常データと判定し、かつ学習処理に使用することによって、システムの異常状態を効果的に検知することができる。
（４－７．効果７）
第７に、上述した実施形態に係る処理では、情報処理装置１０は、測定データの予測値を含む予測データのうち正常なデータである予測正常データをさらに取得し、各正常データと予測正常データとを合成し、予測合成データを生成し、予測合成データを用いた機械学習により、機械学習モデルを訓練する。このため、本処理では、過去の測定データだけではなく将来の測定データを学習処理に使用することによって、システムの異常状態を効果的に検知することができる。
第７に、上述した実施形態に係る処理では、情報処理装置１０は、測定データの予測値を含む予測データのうち正常なデータである予測正常データをさらに取得し、各正常データと予測正常データとを合成し、予測合成データを生成し、予測合成データを用いた機械学習により、機械学習モデルを訓練する。このため、本処理では、過去の測定データだけではなく将来の測定データを学習処理に使用することによって、システムの異常状態を効果的に検知することができる。
（４－８．効果８）
第８に、上述した実施形態に係る処理では、情報処理装置１０は、デバイスが送信する測定データを収集し、収集した測定データを、訓練済みである機械学習モデルに入力して得られる結果に基づき、デバイスが設置されるシステムの正常状態を示すスコアを算出する。このため、本処理では、リアルタイムデータを使用してシステムの正常状態または異常状態を適切に可視化するによって、システムの異常状態を効果的に検知することができる。
第８に、上述した実施形態に係る処理では、情報処理装置１０は、デバイスが送信する測定データを収集し、収集した測定データを、訓練済みである機械学習モデルに入力して得られる結果に基づき、デバイスが設置されるシステムの正常状態を示すスコアを算出する。このため、本処理では、リアルタイムデータを使用してシステムの正常状態または異常状態を適切に可視化するによって、システムの異常状態を効果的に検知することができる。
（４－９．効果９）
第９に、上述した実施形態に係る処理では、情報処理装置１０は、プラントに設置されたプラント機器が収集する測定データのうち、複数の区間に含まれる各正常データを区間ごとに取得し、複数の区間に含まれるプラント機器が収集する各正常データを合成し、合成データを生成し、合成データを用いた機械学習により、測定データの入力に応じて、プラント機器が設置されるプラントの正常状態を示すスコアを出力する機械学習モデルを訓練する。このため、本処理では、プラントにおけるプラント機器から収集した測定データを学習処理に使用することによって、プラントの異常状態を効果的に検知することができる。
第９に、上述した実施形態に係る処理では、情報処理装置１０は、プラントに設置されたプラント機器が収集する測定データのうち、複数の区間に含まれる各正常データを区間ごとに取得し、複数の区間に含まれるプラント機器が収集する各正常データを合成し、合成データを生成し、合成データを用いた機械学習により、測定データの入力に応じて、プラント機器が設置されるプラントの正常状態を示すスコアを出力する機械学習モデルを訓練する。このため、本処理では、プラントにおけるプラント機器から収集した測定データを学習処理に使用することによって、プラントの異常状態を効果的に検知することができる。
〔システム〕
上記文書中や図面中で示した処理手順、制御手順、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。
上記文書中や図面中で示した処理手順、制御手順、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。
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、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、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。
さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵおよび当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
〔ハードウェア〕
次に、情報処理装置１０のハードウェア構成例を説明する。なお、情報処理装置１０等の他の装置も同様のハードウェア構成とすることができる。図１２は、ハードウェア構成例を説明する図である。図１２に示すように、情報処理装置１０は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図１２に示した各部は、バス等で相互に接続される。
次に、情報処理装置１０のハードウェア構成例を説明する。なお、情報処理装置１０等の他の装置も同様のハードウェア構成とすることができる。図１２は、ハードウェア構成例を説明する図である。図１２に示すように、情報処理装置１０は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図１２に示した各部は、バス等で相互に接続される。
通信装置１０ａは、ネットワークインタフェースカードなどであり、他のサーバとの通信を行う。ＨＤＤ１０ｂは、図３に示した機能を動作させるプログラムやＤＢを記憶する。
プロセッサ１０ｄは、図３に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１０ｂ等から読み出してメモリ１０ｃに展開することで、図３等で説明した各機能を実行するプロセスを動作させる。例えば、このプロセスは、情報処理装置１０が有する各処理部と同様の機能を実行する。具体的には、プロセッサ１０ｄは、取得部１５ａ、生成部１５ｂ、訓練部１５ｃ、収集部１５ｄ、算出部１５ｅ等と同様の機能を有するプログラムをＨＤＤ１０ｂ等から読み出す。そして、プロセッサ１０ｄは、取得部１５ａ、生成部１５ｂ、訓練部１５ｃ、収集部１５ｄ、算出部１５ｅ等と同様の処理を実行するプロセスを実行する。
このように、情報処理装置１０は、プログラムを読み出して実行することで各種処理方法を実行する装置として動作する。また、情報処理装置１０は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施形態と同様の機能を実現することもできる。なお、この他の実施形態でいうプログラムは、情報処理装置１０によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。
このプログラムは、インターネットなどのネットワークを介して配布することができる。また、このプログラムは、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ（Magneto－Optical disk）、ＤＶＤ（Digital Versatile Disc）などのコンピュータで読み取り可能な記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することができる。
〔その他〕
開示される技術特徴の組合せのいくつかの例を以下に記載する。
開示される技術特徴の組合せのいくつかの例を以下に記載する。
（１）デバイスによって測定される測定データのうち、複数の区間に含まれる各正常データを前記区間ごとに取得する取得部と、取得された前記各正常データを合成し、合成データを生成する生成部と、前記合成データを用いた機械学習により、前記測定データの入力に応じて前記デバイスが設置されるシステムの正常状態を示すスコアを出力する機械学習モデルを訓練する訓練部と、を備える情報処理装置。
（２）前記取得部は、前記測定データを所定のグラフを用いて表示するデータ表示画面を出力し、出力された前記データ表示画面上で利用者によって指定された前記複数の区間に含まれる前記各正常データを前記区間ごとに取得する、（１）に記載の情報処理装置。
（３）前記取得部は、前記データ表示画面に複数の区間の候補を表示し、前記複数の区間の候補のうち選択された前記区間に含まれる前記各正常データを取得する、（２）に記載の情報処理装置。
（４）前記取得部は、所定の閾値を超過している前記測定データが含まれる区間を前記複数の区間の候補として表示し、前記複数の区間の候補のうち選択された前記区間に含まれる前記各正常データを取得する、（３）に記載の情報処理装置。
（５）前記取得部は、前記測定データのうち前記各正常データを取得する前記区間を入力可能または選択可能に表示するデータ指定画面を出力し、出力された前記データ指定画面上で利用者によって入力または選択された前記複数の区間に含まれる前記各正常データを前記区間ごとに取得する、（１）～（４）のいずれか１つに記載の情報処理装置。
（６）前記取得部は、デバイスによって測定される相関がある複数の異なる種別の各測定データのうち、前記各測定データすべてが正常なデータと判定された区間に含まれる前記各測定データを前記各正常データとして取得する、（１）～（５）のいずれか１つに記載の情報処理装置。
（７）前記取得部は、前記測定データの予測値を含む予測データのうち正常なデータである予測正常データをさらに取得し、前記生成部は、前記各正常データと前記予測正常データとを合成し、予測合成データを生成し、前記訓練部は、前記予測合成データを用いた機械学習により、前記機械学習モデルを訓練する、（１）～（６）のいずれか１つに記載の情報処理装置。
（８）前記デバイスが送信する前記測定データを収集する収集部と、収集された前記測定データを、訓練済みである前記機械学習モデルに入力して得られる結果に基づき、前記デバイスが設置されるシステムの正常状態を示すスコアを算出する算出部と、をさらに備える（１）～（７）のいずれか１つに記載の情報処理装置。
（９）前記取得部は、プラントに設置されたプラント機器が収集する前記測定データのうち、前記複数の区間に含まれる前記各正常データを前記区間ごとに取得し、生成部は、
前記複数の区間に含まれる前記プラント機器が収集する前記各正常データを合成し、前記合成データを生成し、前記訓練部は、前記合成データを用いた機械学習により、前記測定データの入力に応じて、前記プラント機器が設置される前記プラントの正常状態を示すスコアを出力する前記機械学習モデルを訓練する、（１）～（８）のいずれか１つに記載の情報処理装置。
前記複数の区間に含まれる前記プラント機器が収集する前記各正常データを合成し、前記合成データを生成し、前記訓練部は、前記合成データを用いた機械学習により、前記測定データの入力に応じて、前記プラント機器が設置される前記プラントの正常状態を示すスコアを出力する前記機械学習モデルを訓練する、（１）～（８）のいずれか１つに記載の情報処理装置。
（１０）コンピュータが、デバイスによって測定される測定データのうち、複数の区間に含まれる各正常データを前記区間ごとに取得し、取得された前記各正常データを合成し、合成データを生成し、前記合成データを用いた機械学習により、前記測定データの入力に応じて前記デバイスが設置されるシステムの正常状態を示すスコアを出力する機械学習モデルを訓練する、処理を実行する情報処理方法。
（１１）コンピュータに、デバイスによって測定される測定データのうち、複数の区間に含まれる各正常データを前記区間ごとに取得し、取得された前記各正常データを合成し、合成データを生成し、前記合成データを用いた機械学習により、前記測定データの入力に応じて前記デバイスが設置されるシステムの正常状態を示すスコアを出力する機械学習モデルを訓練する、処理を実行する情報処理プログラム。
１０ 情報処理装置
１１ 入力部
１２ 出力部
１３ 通信部
１４ 記憶部
１４ａ 指定データ記憶部
１４ｂ 合成データ記憶部
１４ｃ 算出モデル
１５ 制御部
１５ａ 取得部
１５ｂ 生成部
１５ｃ 訓練部
１５ｄ 収集部
１５ｅ 算出部
２０ センサ機器
１００ 情報処理システム
１１ 入力部
１２ 出力部
１３ 通信部
１４ 記憶部
１４ａ 指定データ記憶部
１４ｂ 合成データ記憶部
１４ｃ 算出モデル
１５ 制御部
１５ａ 取得部
１５ｂ 生成部
１５ｃ 訓練部
１５ｄ 収集部
１５ｅ 算出部
２０ センサ機器
１００ 情報処理システム
Claims (11)
- デバイスによって測定される測定データのうち、複数の区間に含まれる各正常データを前記区間ごとに取得する取得部と、
取得された前記各正常データを合成し、合成データを生成する生成部と、
前記合成データを用いた機械学習により、前記測定データの入力に応じて前記デバイスが設置されるシステムの正常状態を示すスコアを出力する機械学習モデルを訓練する訓練部と、
を備える情報処理装置。 - 前記取得部は、
前記測定データを所定のグラフを用いて表示するデータ表示画面を出力し、出力された前記データ表示画面上で利用者によって指定された前記複数の区間に含まれる前記各正常データを前記区間ごとに取得する、
請求項１に記載の情報処理装置。 - 前記取得部は、
前記データ表示画面に複数の区間の候補を表示し、前記複数の区間の候補のうち選択された前記区間に含まれる前記各正常データを取得する、
請求項２に記載の情報処理装置。 - 前記取得部は、
所定の閾値を超過している前記測定データが含まれる区間を前記複数の区間の候補として表示し、前記複数の区間の候補のうち選択された前記区間に含まれる前記各正常データを取得する、
請求項３に記載の情報処理装置。 - 前記取得部は、
前記測定データのうち前記各正常データを取得する前記区間を入力可能または選択可能に表示するデータ指定画面を出力し、出力された前記データ指定画面上で利用者によって入力または選択された前記複数の区間に含まれる前記各正常データを前記区間ごとに取得する、
請求項１に記載の情報処理装置。 - 前記取得部は、
デバイスによって測定される相関がある複数の異なる種別の各測定データのうち、前記各測定データすべてが正常なデータと判定された区間に含まれる前記各測定データを前記各正常データとして取得する、
請求項１に記載の情報処理装置。 - 前記取得部は、
前記測定データの予測値を含む予測データのうち正常なデータである予測正常データをさらに取得し、
前記生成部は、
前記各正常データと前記予測正常データとを合成し、予測合成データを生成し、
前記訓練部は、
前記予測合成データを用いた機械学習により、前記機械学習モデルを訓練する、
請求項１に記載の情報処理装置。 - 前記デバイスが送信する前記測定データを収集する収集部と、
収集された前記測定データを、訓練済みである前記機械学習モデルに入力して得られる結果に基づき、前記デバイスが設置されるシステムの正常状態を示すスコアを算出する算出部と、
をさらに備える請求項１に記載の情報処理装置。 - 前記取得部は、
プラントに設置されたプラント機器が収集する前記測定データのうち、前記複数の区間に含まれる前記各正常データを前記区間ごとに取得し、
生成部は、
前記複数の区間に含まれる前記プラント機器が収集する前記各正常データを合成し、前記合成データを生成し、
前記訓練部は、
前記合成データを用いた機械学習により、前記測定データの入力に応じて、前記プラント機器が設置される前記プラントの正常状態を示すスコアを出力する前記機械学習モデルを訓練する、
請求項１から８のいずれか１項に記載の情報処理装置。 - コンピュータが、
デバイスによって測定される測定データのうち、複数の区間に含まれる各正常データを前記区間ごとに取得し、
取得された前記各正常データを合成し、合成データを生成し、
前記合成データを用いた機械学習により、前記測定データの入力に応じて前記デバイスが設置されるシステムの正常状態を示すスコアを出力する機械学習モデルを訓練する、
処理を実行する情報処理方法。 - コンピュータに、
デバイスによって測定される測定データのうち、複数の区間に含まれる各正常データを前記区間ごとに取得し、
取得された前記各正常データを合成し、合成データを生成し、
前記合成データを用いた機械学習により、前記測定データの入力に応じて前記デバイスが設置されるシステムの正常状態を示すスコアを出力する機械学習モデルを訓練する、
処理を実行する情報処理プログラム。
Priority Applications (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022140297A JP2024035683A (ja) | 2022-09-02 | 2022-09-02 | 情報処理装置、情報処理方法および情報処理プログラム |
| EP23193880.4A EP4332707A1 (en) | 2022-09-02 | 2023-08-29 | Apparatus, method and programme for processing information |
| US18/458,247 US20240077865A1 (en) | 2022-09-02 | 2023-08-30 | Information processing apparatus, information processing method, and computer-readable recording medium |
| CN202311124138.8A CN117648991A (zh) | 2022-09-02 | 2023-09-01 | 信息处理装置、信息处理方法以及计算机可读取的记录介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022140297A JP2024035683A (ja) | 2022-09-02 | 2022-09-02 | 情報処理装置、情報処理方法および情報処理プログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2024035683A true JP2024035683A (ja) | 2024-03-14 |
Family
ID=87863641
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022140297A Pending JP2024035683A (ja) | 2022-09-02 | 2022-09-02 | 情報処理装置、情報処理方法および情報処理プログラム |
Country Status (4)
| Country | Link |
|---|---|
| US (1) | US20240077865A1 (ja) |
| EP (1) | EP4332707A1 (ja) |
| JP (1) | JP2024035683A (ja) |
| CN (1) | CN117648991A (ja) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016122591A1 (en) * | 2015-01-30 | 2016-08-04 | Hewlett Packard Enterprise Development Lp | Performance testing based on variable length segmentation and clustering of time series data |
| US11307570B2 (en) * | 2019-05-31 | 2022-04-19 | Panasonic Intellectual Property Management Co., Ltd. | Machine learning based predictive maintenance of equipment |
| JP7460366B2 (ja) * | 2019-12-27 | 2024-04-02 | 川崎重工業株式会社 | 訓練データ選別装置、ロボットシステム及び訓練データ選別方法 |
| US11899437B2 (en) * | 2020-03-30 | 2024-02-13 | Hitachi High-Tech Corporation | Diagnostic system |
| JP7226424B2 (ja) | 2020-12-14 | 2023-02-21 | 横河電機株式会社 | 異常温度検知装置、異常温度検知方法、及び異常温度検知プログラム |
-
2022
- 2022-09-02 JP JP2022140297A patent/JP2024035683A/ja active Pending
-
2023
- 2023-08-29 EP EP23193880.4A patent/EP4332707A1/en active Pending
- 2023-08-30 US US18/458,247 patent/US20240077865A1/en active Pending
- 2023-09-01 CN CN202311124138.8A patent/CN117648991A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| CN117648991A (zh) | 2024-03-05 |
| EP4332707A1 (en) | 2024-03-06 |
| US20240077865A1 (en) | 2024-03-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
| CN102282516B (zh) | 异常检测方法及异常检测系统 | |
| JP6243080B1 (ja) | プリプロセッサおよび異常予兆診断システム | |
| CN110262279A (zh) | 控制系统以及控制方法 | |
| Marra et al. | A gap analysis methodology for product lifecycle management assessment | |
| CN109558952A (zh) | 数据处理方法、系统、设备及存储介质 | |
| JPWO2018073960A1 (ja) | 表示方法、表示装置、および、プログラム | |
| US20210118234A1 (en) | Quantitative quality assurance for mixed reality | |
| Šikić et al. | Improving software defect prediction by aggregated change metrics | |
| JP6917805B2 (ja) | データフィルタリング装置および方法 | |
| CN108108707A (zh) | 基于视频数据的手势处理方法及装置、计算设备 | |
| Patel et al. | Doctor for machines: a failure pattern analysis solution for industry 4.0 | |
| CN115135463A (zh) | 工业系统的预测模型学习方法、装置和系统 | |
| JP7238378B2 (ja) | 異常検出装置、異常検出プログラム、及び、異常検出方法 | |
| JP7052604B2 (ja) | 業務推定方法、情報処理装置、及び業務推定プログラム | |
| JP6687653B2 (ja) | 時系列データ分析装置 | |
| JP2024035683A (ja) | 情報処理装置、情報処理方法および情報処理プログラム | |
| JP2002099319A (ja) | プラント診断装置 | |
| Pustejovsky et al. | Alternating renewal process models for behavioral observation: Simulation methods, software, and validity illustrations | |
| US11367020B2 (en) | Signal selection device, learning device, and signal selection method and program | |
| JP6869605B2 (ja) | 事象分類装置、事象分類プログラム、故障・不良判定装置 | |
| CN108270727A (zh) | 异常数据分析方法和装置 | |
| Rajabiyazdi et al. | A Machine learning-based micro-world platform for condition-based maintenance | |
| JP2006018735A (ja) | コーディング規準遵守状況監視システム | |
| JPH09502261A (ja) | 判断の可能な計測器 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240509 |