JP3567073B2 - 時系列データ予測方法および装置 - Google Patents
時系列データ予測方法および装置 Download PDFInfo
- Publication number
- JP3567073B2 JP3567073B2 JP01228498A JP1228498A JP3567073B2 JP 3567073 B2 JP3567073 B2 JP 3567073B2 JP 01228498 A JP01228498 A JP 01228498A JP 1228498 A JP1228498 A JP 1228498A JP 3567073 B2 JP3567073 B2 JP 3567073B2
- Authority
- JP
- Japan
- Prior art keywords
- time
- series data
- value
- model
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims description 34
- 238000000354 decomposition reaction Methods 0.000 claims description 44
- 238000013528 artificial neural network Methods 0.000 claims description 40
- 238000013500 data storage Methods 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 22
- 230000005856 abnormality Effects 0.000 description 21
- 238000010606 normalization Methods 0.000 description 19
- 238000013480 data collection Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 15
- 238000006243 chemical reaction Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 241001123248 Arma Species 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013481 data capture Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
【０００１】
【発明の属する技術分野】
本発明は時系列データの将来値を予測する時系列データ予測方法および装置に係り、特に様々な周波数成分を含む時系列データの将来値を予測できる時系列データ予測方法および装置に関する。
【０００２】
【従来の技術】
株価，電力需要，交通量あるいはプラントの状態量などの時系列データの将来値を精度よく予測することは、将来起こりうる事態に適切に対処するために必要とされている。これらの時系列データの将来値を予測するための方法として、予測の対象となる時系列データと、その時系列データに関連する他の時系列データに基づいて、物理モデル，ニューラルネットワークあるいはＡＲＭＡモデル等によりモデルを作成し、作成したモデルを用いて予測対象である時系列データの将来値を予測する方法がある。ここで、モデルの作成および将来値の予測に用いられる時系列データは、何の処理も施されていない生の時系列データである場合が多い。
【０００３】
時系列データの将来値予測の一例として、特開平５−２０４８８４ 号公報にはニューラルネットワークを用いた時系列データの予測方法が記載されている。その予測方法とは、予測対象である時系列データの過去の値を入力して現在値が出力されるように、ニューラルネットワークの重み係数を設定し、重み係数設定後のニューラルネットワークを用いて、時系列データの将来値を予測するものである。
【０００４】
【発明が解決しようとする課題】
しかしながら、上記従来技術のように、単一のモデルを用いて時系列データの将来値を予測する場合には、様々な周波数成分を含んで複雑に変化する時系列データに対して、モデルを精度良く作成することができず、そのため将来値予測の精度も低下するという問題が発生する。
【０００５】
本発明の目的は、様々な周波数成分を含み複雑に変化する時系列データの将来値を、精度良く予測できる時系列データの予測方法および装置を提供することにある。
【０００６】
【課題を解決するための手段】
上記目的を達成する第１の発明の特徴は、プロセス状態を示す第１時系列データの将来値を予測するコンピュータによる時系列データ予測装置において、
センサにより取り込んだ第１時系列データを記憶する第１時系列データ記憶手段と、
該第１時系列データ記憶手段に記憶された前記第１時系列データを用いて、前記第１時系列データ及び前記第１時系列データに関連するプロセス関連データの波形を異なる周波数帯域で表されるように複数の第２時系列データに分解する演算手段と、
前記複数の第２時系列データを規格化するパラメータを記憶する時系列データ分解パラメータ記憶手段と、
該時系列データ分解パラメータ記憶手段からのパラメータを用いて、前記複数の第２時系列データを個々に規格化する規格化手段と、
該規格化手段より前記複数の第２時系列データの個々に規格化したデータ値を入力し、該入力した第２時系列データから次の時間ステップの第２時系列データの将来値を予測し、該予測した第２時系列データの将来値を自己回帰して入力するニューラルネットワーク回路と、
該複数のニューラルネットワーク回路により予測された前記複数の第２時系列データの将来値に基づいて、前記第１時系列データの将来値を求めることを特徴とするものである。
【０００７】
上記目的を達成する第２の発明の特徴は、プロセス状態を示す第１時系列データの将来値を予測するコンピュータによる時系列データ予測装置において、
センサにより取り込んだ第１時系列データを記憶する第１時系列データ記憶手段と、
該第１時系列データ記憶手段に記憶された前記第１時系列データを用いて、前記第１時系列データ及び前記第１時系列データに関連するプロセス関連データの波形を多重解像度解析により関数に適合する成分として複数の第２時系列データに分解する演算手段と、
前記複数の第２時系列データを規格化するパラメータを記憶する時系列データ分解パラメータ記憶手段と、
該時系列データ分解パラメータ記憶手段からのパラメータを用いて、前記複数の第２時系列データを個々に規格化する規格化手段と、
該規格化手段より前記複数の第２時系列データの個々に規格化したデータ値を入力し、該入力した第２時系列データから次の時間ステップの第２時系列データの将来値を予測し、該予測した第２時系列データの将来値を自己回帰して入力するニューラルネットワーク回路と、
該複数のニューラルネットワーク回路により予測された前記複数の第２時系列データの将来値に基づいて、前記第１時系列データの将来値を求めることを特徴とするものである。
【００２３】
【発明の実施の形態】
図１，図５および図９を用いて、本発明の好適な一実施例である時系列データ予測装置について説明する。本実施例の時系列データ予測装置は、入力装置３０，データ収集装置４０，入出力関係格納ファイル５０，収集データ格納ファイル６０，時系列データ分解装置７０，時系列データ分解パラメータ格納ファイル ８０，規格化装置９１〜９３，予測装置１０１〜１０３，変換装置１１１〜１１３，モデル作成装置１２０，異常検出装置１３０，表示装置１４０および加算器 １５０を有する。
【００２４】
時系列データ分解装置７０は、図５に示すように、ハイパスフィルタ７１０，バンドパスフィルタ７２０，加算器７３０および切替器７４０，７５０，７６０を備える。
【００２５】
モデル作成装置１２０は、図９に示すように、規格化装置１２１１〜１２１３，モデル作成制御装置１２２０，モデル調整装置１２３１〜１２３３およびモデル設定装置１２４０を備える。
【００２６】
次に、図１の時系列データ予測装置における各部の動作および信号の流れを説明する。なお、本実施例の時系列データ予測装置は、火力プラントにおいて発生する状態量（例えば、給水流量あるいは発電機出力など）の将来値を予測するものである。また本実施例では、図２に示すような、状態量（変数）ｘ１（ｔ）， ｘ２（ｔ），…ｘＮ（ｔ），ｙ（ｔ）を入力して状態量（変数）ｙ（ｔ）を出力する系 １１００の出力ｙ（ｔ）の将来値を予測する場合について説明する。
【００２７】
本実施例の時系列データ予測装置では、まず運転員により、予測を行う状態量の名称，予測秒数Δｔ、および時系列データ予測装置の動作モードが入力装置 ３０に入力される。ここで予測秒数Δｔとは、予測開始時刻（現在の時刻に相当）から何秒後の将来値を予測するのかを示す値である。また動作モードは、時系列データの予測に用いるモデルを作成するモデル作成モードと、モデルを用いて状態量の将来値をオンラインで予測する予測モードの２つのモードのうち、どちらかが選択される。入力装置３０に入力された状態量の名称はデータ収集装置４０に出力される。動作モードは時系列データ分解装置７０およびモデル作成装置１２０に出力される。また、予測秒数Δｔは規格化装置９１，９２，９３、モデル作成装置１２０および異常検出装置１３０に出力される。
【００２８】
まず、運転員が動作モードとしてモデル作成モードを入力した場合について説明する。動作モードとしてモデル作成モードを入力した場合、運転員は更に、モデルの作成に用いる時系列データをプラント１０およびシミュレータ２０のどちらから得るのかを入力装置３０に入力する。運転員がどちらを選択したのかはデータ収集装置４０に出力される。なお、モデルの作成にシミュレータ２０より出力される時系列データを用いることにより、実際にはあまり起こり得ない異常状態などもシミュレータ２０で模擬することができるため、異常状態などにも対応したモデルを作成できる。
【００２９】
データ収集装置４０は、入力装置３０から予測を行う状態量の名称が入力されると、その状態量の将来値を予測する際に用いる他の状態量を、入出力関係格納ファイル５０より決定する。図３は、入出力関係格納ファイル５０の内容の例を示す。入出力関係格納ファイル５０は、出力変数ｙ（予測を行う状態量）に対応して、関連入力変数ｘｉ を複数記憶している。ここで、関連入力変数ｘｉ とは、出力変数ｙの変化に影響を与える状態量である。例えば、出力変数ｙが給水流量である場合は、関連入力変数ｘｉ は発電機出力，空気流量，燃料流量等となり、出力変数ｙが発電機出力である場合には、関連入力変数ｘｉ は給水流量，主蒸気流量，制御弁開度等となる。データ収集装置４０は、入出力関係格納ファイル５０に記憶されている複数の出力変数ｙの中から予測を行う状態量の名称を検索し、検索された出力変数ｙに対応して記憶されている関連入力変数ｘｉ と出力変数ｙを取り込む状態量とする。
【００３０】
データ収集装置４０は、プラント１０とシミュレータ２０のうち入力装置３０において運転員により選択された方より、入出力関係格納ファイル５０を用いて決めた状態量（出力変数ｙ，関連入力変数ｘｉ ）の時系列データｙ（ｔ）， ｘｉ（ｔ）を取り込む。ここで時系列データとは、プラント１０あるいはシミュレータ２０における状態量の時間的な変化を示したデータである。更にデータ収集装置４０は、取り込んだ時系列データｙ（ｔ），ｘｉ（ｔ）を収集データ格納ファイル６０に出力し、収集データ格納ファイル６０は、入力された時系列データ ｙ（ｔ），ｘｉ（ｔ）を記憶する。図４は、収集データ格納ファイル６０に記憶された時系列データの例を示す。収集データ格納ファイル６０には、各時刻における、時系列データｙ（ｔ），ｘｉ（ｔ）の値が記憶される。なお、シミュレータ２０は、入力装置３０により操作される。
【００３１】
図５は、時系列データ分解装置７０の構成を示す。時系列データ分解装置７０は、収集データ格納ファイル６０に記憶された時系列データｙ（ｔ）を取り込む。取り込まれた時系列データｙ（ｔ）は、ハイパスフィルタ７１０，バンドパスフィルタ７２０および加算器７３０に入力される。また、時系列データ分解装置７０は、時系列データ分解パラメータ格納ファイル８０から時系列データｙ（ｔ）の分解に用いる周波数帯域１，２を読み出す。
【００３２】
図６は時系列データ分解パラメータ格納ファイル８０の内容の例を示す。時系列データ分解パラメータ格納ファイル８０は、時系列データｙ（ｔ），ｘｉ（ｔ）を分解するための周波数帯域１〜３を予め記憶しておく。また、時系列データ分解パラメータ格納ファイル８０は、周波数帯域１〜３に対する変数ｙ，ｘｉ の上限値，下限値を予め記憶しておく。これらの上限値，下限値は、後述する規格化装置９１〜９３，変換装置１１１〜１１３，モデル作成装置１２０で使用される。なお、上限値，下限値は一定期間の変数ｙ，ｘｉ の最大値，最小値を計算することにより、時系列データ分解装置７０を使って設定することもできる。時系列データ分解パラメータ格納ファイル８０は、更に、周波数帯域１〜３に対応して時系列データの取込時間ＴＦ１，ＴＦ２，ＴＦ０も記憶している。
【００３３】
時系列データ分解パラメータ格納ファイル８０から読み出された周波数帯域１は、ハイパスフィルタ７１０に入力され、周波数帯域２は、バンドパスフィルタ７２０に入力される。ハイパスフィルタ７１０は入力された時系列データｙ（ｔ）から周波数帯域１の成分ｙＦ１（ｔ）を取り出し、加算器７３０に出力する。一方、バンドパスフィルタ７２０は入力された時系列データｙ（ｔ）から周波数帯域２の成分ｙＦ２（ｔ）を取り出し、加算器７３０に出力する。
【００３４】
図７は、ハイパスフィルタ７１０，バンドパスフィルタ７２０の特性の例を示す。図７に示すフィルタの特性は、必要な周波数帯域の成分以外は０となるような理想的な特性となっている。帯域１のフィルタ特性（ハイパスフィルタ７１０のフィルタ特性）は、０．０２５Ｈｚ以上 という帯域で利得が１となっており、他の帯域では利得が０である。一方、帯域２のフィルタ特性（バンドパスフィルタ７２０のフィルタ特性）は０．０１Ｈｚ〜０．０２５Ｈｚという帯域で利得が１となっており、他の帯域では利得が０である。ここでは、フィルタ特性の利得が１に近いほど、その周波数の成分が抽出後の時系列データに残ることを意味する。なお、フィルタは必ずしも本実施例のように理想的な特性を持つ必要はなく、各帯域が多少重なっているものでも構わない。このように、パスフィルタを用いることにより、時系列データを容易に周波数帯域毎に分解できる。
【００３５】
加算器７３０では、時系列データｙ（ｔ）から周波数帯域１の成分ｙＦ１（ｔ）および周波数帯域２の成分ｙＦ２（ｔ）が減算され、その他の帯域３の成分ｙＦ０（ｔ）が取り出される。このように、時系列データ分解装置７０では、時系列データｙ（ｔ）を周波数帯域１〜３毎に複数の時系列データｙＦ１（ｔ），ｙＦ２（ｔ），ｙＦ０（ｔ）に分解する。
【００３６】
時系列データ分解装置７０は、入力装置３０より入力された動作モードに基づいて、分解により得られた複数の時系列データｙＦ１（ｔ），ｙＦ２（ｔ），ｙＦ０（ｔ）をモデル作成装置１２０に出力するのか、規格化装置９１〜９３に出力するのかを決定する。すなわち、切替器７４０，７５０，７６０がモデル作成モードではモデル作成装置１２０側に接続され、予測モードでは規格化装置９１〜９３側に接続される。今、動作モードはモデル作成モードであるので、時系列データ分解装置７０は、分解により得られた複数の時系列データｙＦ１（ｔ），ｙＦ２（ｔ）， ｙＦ０（ｔ）をモデル作成装置１２０に出力する。また、関連入力変数ｘｉ の時系列データｘｉ（ｔ）についても出力変数ｙの時系列データｙ（ｔ）と同様に、周波数帯域毎に分解した後、モデル作成装置１２０に出力する。
【００３７】
図８は、周波数帯域毎に分解された出力変数ｙの時系列データの例を示す。図８（ａ）は出力変数ｙの分解前の時系列データｙ（ｔ）を示す。この時系列データｙ（ｔ）を図７に示す特性を有するハイパスフィルタ７１０，バンドパスフィルタ７２０を用いて分解すると、図８（ｂ）〜（ｄ）に示す時系列データｙＦ１（ｔ），ｙＦ２（ｔ），ｙＦ０（ｔ）が得られる。図８（ｂ）は、帯域１の成分の時系列データｙＦ１（ｔ）を示し、図８（ｃ）は、帯域２の成分の時系列データｙＦ２（ｔ）を示す。図８（ｄ）は、ｙ（ｔ）からｙＦ１（ｔ），ｙＦ２（ｔ）を差し引いた残りの成分の時系列データｙＦ０（ｔ）を示す。図８に示すように、時系列データ分解装置７０により、出力変数ｙの時系列データｙ（ｔ）は、複数の時系列データｙＦ１（ｔ），ｙＦ２（ｔ），ｙＦ０（ｔ）に分解される。
【００３８】
図９に示すように、モデル作成装置１２０において、時系列データ分解装置７０から入力された時系列データｙＦ１（ｔ），ｘｉＦ２（ｔ）は規格化装置１２１１に入力され、時系列データｙＦ２（ｔ），ｘｉＦ２（ｔ）は規格化装置１２１２に入力される。また、時系列データｙＦ０（ｔ），ｘｉＦ０（ｔ）は規格化装置１２１３に入力される。なお本実施例では、時系列データ分解パラメータ格納ファイル８０のＴＦ１，ＴＦ２，ＴＦ０に基づいて、時系列データｙＦ１（ｔ），ｘｉＦ１（ｔ），ｙＦ２（ｔ）， ｘｉＦ２（ｔ）およびｙＦ０（ｔ），ｘｉＦ０（ｔ）を取り込む期間が決められる。すなわち、時系列データｙＦ１（ｔ），ｘｉＦ１（ｔ）は、現時点よりＴＦ１秒前から現時点までのデータが規格化装置１２１１に入力される。同様に、時系列データｙＦ２（ｔ）， ｘｉＦ２（ｔ）は、現時点よりＴＦ２秒前から現時点までのデータが規格化装置１２１２に入力され、時系列データｙＦ０（ｔ），ｘｉＦ０（ｔ）は、現時点よりＴＦ０秒前から現時点までのデータが規格化装置１２１３に入力される。規格化装置１２１１〜１２１３に入力される各時系列データは、（数１）に示す形式のデータとなっている。
【００３９】
【数１】
ここで、ｘｉＦｊ は入力変数ｘｉ のうち周波数帯域Ｆｊ の成分、ｙＦｊは出力変数ｙのうち周波数帯域Ｆｊ の成分、ｍは規格化装置に入力されるデータ数から１を引いた数、δｔＦｊ は周波数帯域Ｆｊ に対するデータの取り込み時間幅である。なお、時間幅δｔＦｊ はＴＦｊ ／ｍである。
【００４０】
規格化装置１２１１は、まず、取り込んだ時系列データｙＦ１（ｔ）の最大振幅の絶対値が予め定めておいた設定値よりも大きいか否かを判断する。もし、最大振幅の絶対値が設定値よりも小さいと判断した場合、規格化装置１２１１はその後の処理を行わない。すなわち、時系列データｙＦ１（ｔ）に対するモデルの作成は行われない。一方、最大振幅の絶対値が設定値よりも大きい場合には、モデルの作成を実行する。規格化装置１２１２，１２１３においても同様に、時系列データｙＦ２（ｔ），ｙＦ０（ｔ）の最大振幅の絶対値と設定値との大小関係に基づいて、モデルの作成を行うか否かを判断する。なお本実施例では、設定値を１とし、時系列データｙＦ１（ｔ），ｙＦ２（ｔ），ｙＦ０（ｔ）のぞれぞれに対してモデルの作成を行う。
図１０は、分解後の各時系列データの振幅が大きく異なる例を示す。図１０ （ａ）に分解前の時系列データｚ（ｔ）、図１０（ｂ）に周波数帯域Ｆａ の成分の時系列データｚＦａ（ｔ）、図１０（ｃ）に周波数帯域Ｆｂ の成分の時系列データｚＦｂ（ｔ）をそれぞれ示す。ここで、設定値を５に設定すると、図１０（ｂ）の時系列データｚＦａ（ｔ）の最大振幅の絶対値はしきい値よりも小さい。一方、図１０（ｃ）の時系列データｚＦｂ（ｔ）の最大振幅の絶対値はしきい値よりも大きい。このような場合、時系列データｚＦａ（ｔ）に対してモデルの作成は行わない。このように、最大振幅の小さな時系列データについてモデルを作成しないのは、最大振幅の小さな時系列データによる最終的な予測結果への影響が小さいためである。最大振幅の小さな時系列データについてモデルを作成しないことにより、作成するモデルの数を減らすことができ、モデル作成を効率化できる。
【００４１】
規格化装置１２１１は、時系列データ分解パラメータ格納ファイル８０の上限値，下限値に基づき、（数２）を用いて、取り込んだ時系列データｙＦ１（ｔ）の上限値を０．８，下限値を０．２に対応させて規格化する。
【００４２】
【数２】
【００４３】
関連入力変数の時系列データｘｉＦ１（ｔ）についても同様に規格化を行う。また、時系列データｙＦ２（ｔ），ｘｉＦ２（ｔ）およびｙＦ０（ｔ），ｘｉＦ０（ｔ）の規格化も、規格化装置１２１２，１２１３において同様に行う。規格化された各時系列データＹＦ１（ｔ），ＸｉＦ１（ｔ），ＹＦ２（ｔ），ＸｉＦ２（ｔ）およびＹＦ０（ｔ），ＸｉＦ０（ｔ）の形式を（数３）に示す。
【００４４】
【数３】
ここで、ＸｉＦｊは規格化したｘｉＦｊ、ＹＦｊは規格化したｙＦｊである。
【００４５】
この規格化は各時系列データの変化し得る範囲内での高精度なモデルを作るために必要となる。
【００４６】
規格化装置１２１２は規格化した時系列データＹＦ１（ｔ），ＸｉＦ１（ｔ）と、入力装置３０より入力された予測秒数Δｔに基づいて求められた教師データＹＦ１（ｔ＋Δｔ）をモデル調整装置１２３１に出力する。また、規格化装置１２１２は、規格化した各時系列データＹＦ２（ｔ），ＸｉＦ２（ｔ）および教師データＹＦ２（ｔ＋Δｔ）をモデル調整装置１２３２に出力する。規格化装置１２１３は、規格化した各時系列データＹＦ０（ｔ），ＸｉＦ０（ｔ）および教師データＹＦ０（ｔ＋Δｔ）を、モデル調整装置１２３３に出力する。なお、各教師データは、過去の履歴やシミュレーション結果などから得られる。
【００４７】
モデル作成制御装置１２２０には、入力装置３０から出力された動作モードが入力される。モデル作成制御装置１２２０は、動作モードがモデル作成モードである場合に、モデル作成装置１２３１〜１２３３に対してモデル作成指令を出力する。
【００４８】
モデル作成装置１２３１は時系列データＹＦ１（ｔ），ＸｉＦ１（ｔ）および教師データＹＦ１（ｔ＋Δｔ）を用いて、モデルとなるニューラルネットワークの重み係数の設定を行う。
【００４９】
図１１は、モデルとなるニューラルネットワークの例を示す。このニューラルネットワークは、規格化後の時系列データＹＦ１（ｔ），ＸｉＦ１（ｔ）の過去ＴＦ１秒前（ｍδｔＦ１秒前）から現時点までのデータを入力し、ＹＦ１（ｔ）のΔｔ秒だけ将来の値を出力するモデルになっている。このニューラルネットワークにより得られる予測値ＹＦ１ｐ（ｔ＋Δｔ）が教師データＹＦ１（ｔ＋Δｔ）と等しくなるように、ニューラルネットワークの重み係数が調節（学習）される。なお、モデルとしてニューラルネットワークを用いることにより、他のモデルを用いる場合と比較して、モデルの作成および将来値の予測を容易に行うことができる。
【００５０】
続いて、モデル調整装置１２３１は、ニューラルネットワークにより得られる予測値ＹＦ１ｐ（ｔ＋Δｔ）と教師データＹＦ１（ｔ＋Δｔ）との差が、予め設けておいた設定値よりも小さいかを判断する。もし、予測値ＹＦ１ｐ（ｔ＋Δｔ）と教師データＹＦ１（ｔ＋Δｔ）との差が、予め設けておいた設定値よりも小さい場合には、モデル調整装置１２３１は、モデル作成制御装置１２２０にモデル作成終了信号を出力すると共に、ニューラルネットワークにおいて調節した重み係数の情報ＷＦ１をモデル設定装置１２４０に出力する。逆に、予測値ＹＦ１ｐ（ｔ＋Δｔ）と教師データＹＦ１（ｔ＋Δｔ）との差が、予め設けておいた設定値よりも大きい場合には、重み係数の調節を規定の回数繰り返したかを判断する。ここで、重み係数の調節を規定の回数繰り返したと判断した場合には、モデル作成終了信号をモデル作成制御装置１２２０に出力すると共に、ニューラルネットワークにおいて調節した重み係数の情報ＷＦ１をモデル設定装置１２４０に出力する。一方、重み係数の調節を規定の回数繰り返していないと判断した場合には、モデル作成継続信号をモデル作成制御装置１２２０に出力する。なお、重み係数調節の規定の回数は、予め与えられる。
【００５１】
モデル作成制御装置１２２０は、モデル調整装置１２３１からモデル作成継続信号が入力された場合に、再びモデル作成指令をモデル調整装置１２３１に出力する。一方、モデル作成終了信号が入力された場合には、モデル調整装置１２３１におけるモデルの作成が終了したことを認識する。このように、ニューラルネットワークにより得られる予測値ＹＦ１ｐ（ｔ＋Δｔ）と教師データＹＦ１（ｔ＋Δｔ）との差が、予め設けておいた設定値よりも小さくなるか、もしくは、重み係数の調節を規定の回数繰り返すまでは、ニューラルネットワークの重み係数の設定が繰り返される。なお、モデル調整装置１２３２，１２３３においてもモデル調整装置１２３１と同様の処理が行われ、調節された重み係数の情報ＷＦ２，ＷＦ０がモデル設定装置１２４０に入力される。
【００５２】
モデル設定装置１２４０は、入力された重み係数の情報ＷＦ１，ＷＦ２，ＷＦ０に基づいて、予測装置１０１〜１０３のニューラルネットワークの重み係数を設定する。従って、予測装置１０１〜１０３には、周波数帯域に応じたニューラルネットワーク（モデル）がそれぞれ設定される。
【００５３】
以上説明したように、動作モードとしてモデル作成モードが選択された場合には、予測装置１０１〜１０３にモデルが設定される。
【００５４】
次に動作モードとして予測モードが選択された場合について説明する。運転員により予測モードが選択された場合、データ収集装置４０は、プラント１０より時系列データを取り込む。なお、データ収集装置４０において時系列データを取り込み、その時系列データを時系列データ分解装置７０で複数の時系列データに分解するまでの各装置の動作は、予測モードの場合でもモデル作成モードの場合と同様である。
【００５５】
時系列データ分解装置７０は、入力された動作モードが予測モードであるため、分解して得られた時系列データｙＦ１（ｔ），ｘｉＦ１（ｔ）を規格化装置９１に入力する。また、時系列データｙＦ２（ｔ），ｘｉＦ２（ｔ）を規格化装置９２に入力し、時系列データｙＦ０（ｔ），ｘｉＦ０（ｔ）を規格化装置９３に入力する。
【００５６】
規格化装置９１〜９３では、入力された各時系列データを上限値を０．８ ，下限値を０．２ に対応させて規格化する。規格化装置９１〜９３における時系列データの規格化は、モデル作成装置１２０の規格化装置１２１１〜１２１３における規格化と同様に行われる。規格化装置９１〜９３において規格化された時系列データは、それぞれ予測装置１０１〜１０３に入力される。
【００５７】
予測装置１０１は、規格化装置９１から入力された時系列データＹＦ１（ｔ），ＸｉＦ１（ｔ）に基づいて、時系列データＹＦ１（ｔ）の予測値ＹＦ１ｐ（ｔ＋Δｔ）を出力する。本実施例の予測装置１０１は、予測値ＹＦ１ｐ（ｔ＋Δｔ）を求めるために、モデル設定装置１２４０により重み係数が設定されたニューラルネットワークを使用する。予測装置１０１には図１１に示すようなニューラルネットワークが設定されており、規格化装置９１において規格化された各時系列データＹＦ１（ｔ），ＸｉＦ１（ｔ）を入力することにより、予測秒数Δｔ後の時系列データＹＦ１（ｔ）の値、すなわち予測値ＹＦ１ｐ（ｔ＋Δｔ）が出力される。予測装置１０１は、求めた予測値ＹＦ１ｐ（ｔ＋Δｔ）を変換装置１１１に出力する。予測装置１０２，１０３においても、ニューラルネットワークを用いて予測値ＹＦ２ｐ（ｔ＋Δｔ）および
ＹＦ０ｐ（ｔ＋Δｔ）の演算が行われる。予測装置１０２において求められた将来値ＹＦ２ｐ（ｔ＋Δｔ）は、変換装置１１２に出力される。また、予測装置１０３において求められた将来値ＹＦ０ｐ（ｔ＋Δｔ）は、変換装置１１３に出力される。
【００５８】
変換装置１１１は、将来値ＹＦ１ｐ（ｔ＋Δｔ）が入力されると、まず、時系列データ分解パラメータ格納ファイル８０から周波数帯域１に対応する出力変数ｙの上限値，下限値を検索して、取り込む。変換装置１１１は、取り込んだ上限値，下限値に基づき、（数４）に従い、予測値ＹＦ１ｐ（ｔ＋Δｔ）を規格化前の値に変換する。
【００５９】
【数４】
【００６０】
変換装置１１２，１１３においても、変換装置１１１と同様に予測値ＹＦ２ｐ（ｔ＋Δｔ）およびＹＦ０ｐ（ｔ＋Δｔ）の変換が行われる。変換装置１１１〜１１３において変換された各予測値ｙＦ１ｐ（ｔ＋Δｔ），ｙＦ２ｐ（ｔ＋Δｔ），ｙＦ０ｐ（ｔ＋Δｔ） は、加算器１５０に出力される。
【００６１】
加算器１５０は、入力された各予測値の総和を求める。この総和が出力変数ｙの予測値ｙｐ（ｔ＋Δｔ）となる。なお、この予測値ｙｐ（ｔ＋Δｔ）は、異常検出装置１３０に出力される。
【００６２】
図１２は、図８に示す時系列データの２０ｓ先の将来値を、本実施例の時系列データ予測装置により予測した結果を示す。図１２（ｂ）〜（ｄ）は、図８（ｂ）〜（ｄ）に示した分解後の各時系列データｙＦ１（ｔ），ｙＦ２（ｔ），ｙＦ０（ｔ）と、その予測結果ｙＦ１ｐ（ｔ），ｙＦ２ｐ（ｔ），ｙＦ０ｐ（ｔ）を示す。図中にも示されているように、分解後の各時系列データごとに過去のデータの取込時間範囲を変えることにより、それぞれのモデルを作成しやすいニューラルネットワークの構造となっている。また、図１２（ａ）には時系列データｙ（ｔ）と、図１２（ｂ）〜（ｄ）の予測結果の和ｙｐ（ｔ）を示す。
【００６３】
図１３は、図８（ａ）に示す時系列データｙ（ｔ）について、本実施例で説明したとおりに時系列データを分解して将来値を予測した場合と、分解を行わずに単一のモデルを用いて将来値を予測した場合のそれぞれの予測結果を示す。分解を行わずに将来値を予測した場合は、図１３（ａ）に示すように、予測結果ｙｐ（ｔ）′と実際の値ｙ（ｔ）との差が大きく、予測精度が良くない。一方、図１３（ｂ）に示すように、分解した時系列データの予測結果の和ｙｐ（ｔ）は実際の値ｙ（ｔ）との差が小さく、図１３（ａ）に比べて予測精度が向上している。
【００６４】
このように、本実施例によれば、時系列データの将来値の予測を精度良く行うことができる。これは、様々な周波数成分を含み複雑に変化する時系列データを複数の時系列データに分解することにより、変化が単純な時系列データが複数得られ、その時系列データについては将来値の予測が精度良く行えるため、その将来値に基づいて、予測対象である時系列データの将来値を精度良く求めることができる。
【００６５】
次に、異常検出装置１３０の動作について、時刻がＴである場合を例に説明する。異常検出装置１３０は、時刻Ｔにおける出力変数ｙの実際の値ｙ（Ｔ）を収集データ格納ファイル６０から取り込み、その実際の値ｙ（Ｔ）と予測値ｙｐ（Ｔ）との差を求める。異常検出装置１３０は、その差の絶対値と予め定められたしきい値Ｅとを比較する。もし、実際の値ｙ（Ｔ）と予測値ｙｐ（Ｔ）との差の絶対値がしきい値Ｅよりも大きい場合、予測値ｙｐ（Ｔ）と警報を表示装置１４０に出力する。また、異常検出装置１３０は実際の値ｙ（Ｔ）と予測値ｙｐ（Ｔ）の差の絶対値があらかじめ定めたしきい値Ｅよりも小さい場合、予測値ｙｐ（Ｔ）を表示装置１４０に出力する。表示装置１４０は、入力された予測値ｙｐ（Ｔ）および警報を表示する。
【００６６】
図１４に予測値および異常検出結果の表示の例を示す。出力変数ｙの実際の値ｙ（ｔ）は表示装置１４０に、時間の経過とともにトレンドグラフとして表示する。同様に将来値ｙｐ（ｔ）も同じトレンドグラフ上に重ね合わせて表示する。ここで、実際の値ｙ（ｔ）からしきい値Ｅを差し引いた値をｙＬ ，ｙ（ｔ）にしきい値Ｅを加算した値をｙＵ とする。このグラフにおいて、ｙＬ とｙＵ から形成される帯の中に予測値ｙｐ（ｔ）が入っていれば、予測は正常に行われていることになる。もし、帯の外側に予測値ｙｐ（ｔ）が出た場合には、プラント１０から収集された入力変数ｘｉ と出力変数ｙとの関係が、モデルにおける入力変数ｘｉ と出力変数ｙとの関係に対応していないと考えられる。この場合に異常検出装置１３０は異常と判定し、警報が表示装置１４０に表示される。図１４の例では、時刻Ｔの時点での予測値ｙｐ（Ｔ）がｙＬ とｙＵ で形成される帯を外れている。このため、時刻Ｔにおいて異常発生という表示がなされている。また、このとき予測値ｙｐ（ｔ）はＴ＋Δｔの時点までの値が得られている。この異常検出装置の異常の判定に使用する予測値の精度を上げるために、予測秒数Δｔを０ｓにしてもよい。また、Δｔ後の将来の出力変数ｙの値を予測する予測モデルの他に、現時刻の出力変数ｙの値を推定する推定モデルを別に持たせることにより推定値の精度を上げてもよい。現時刻の出力変数を推定するためのモデルの作成は、図１１に示す教師データｙ（ｔ＋Δｔ）を現時刻のものにすることによって、予測モデルの作成の場合と同様に行うことができる。このように、本実施例によればプラントにおける異常を正確に検出することができる。
【００６７】
以上説明した本実施例では、時系列データの分解方法として、周波数帯域ごとに時系列データを分解するバンドパスフィルタおよびハイパスフィルタを用いたが、その他にローパスフィルタを使用することもできる。
【００６８】
本発明の他の実施例である時系列データ予測装置について図１５および図１６を用いて説明する。本実施例は第１の実施例における時系列データの分解方法として、関数に適合する成分を分解時系列データとして抽出する方法を用いたものである。本実施例の構成について、主に第１の実施例と構成が異なる時系列データ分解装置について説明する。
【００６９】
本実施例では、関数に適合する成分を分解時系列データとして抽出する方法として多重解像度解析と呼ばれる方法を用いる。図１５は多重解像度解析による時系列データの分解方法を示す。ここでは、時刻ｔ１，ｔ２，ｔ３，ｔ４でそれぞれａ１，ａ２，ａ３，ａ４の値を持つ時系列データｓ（ｔ）を多重解像度解析で分解する例について説明する。なお、時刻ｔ１，ｔ２，ｔ３，ｔ４の間隔は、等間隔（ｄｔ）である。図１５（ｂ）に示すように、時系列データｓ（ｔ）に周期２ｄｔの矩形波を適合させると、ｔ１，ｔ２，ｔ３でそれぞれ（ａ１−ａ２）／２，（ａ２−ａ３）／２，（ａ３−ａ４）／２となる時系列データｓ１（ｔ）が得られる。また、時系列データｓ（ｔ）に周期４ｄｔの矩形波を適合させるとｔ１ で（ａ１＋ａ２−（ａ３＋ａ４））／４となる時系列データｓ２（ｔ）が得られる（図１５（ｃ））。時系列データｓ（ｔ）から時系列データｓ１（ｔ），ｓ２（ｔ）を差し引くと、残りの低周波成分ｓ０（ｔ）として時刻ｔ１で（ａ１＋ａ２＋（ａ３＋ａ４））／４となる成分が得られる（図１５（ｄ））。
このような、多重解像度解析を用いた時系列データ分解装置７０Ａの構成を図１６を用いて説明する。図１６において、時系列データ分解装置７０Ａに入力された時系列データｙ（ｔ），ｘｉ（ｔ）は、演算装置７７０，７８０，７９０に入力される。なお、時系列データｙ（ｔ）として、ａ１，ａ２，ａ３，ａ４，…というデータが演算装置７７０，７８０，７９０に入力された場合を説明する。演算装置７７０では、時系列データｙ（ｔ）に対して、（ａ１−ａ２）／２，（ａ２−ａ３）／２，（ａ３−ａ４）／２を演算し、切替器７４０に出力する。演算装置７８０は、（ａ１＋ａ２−（ａ３＋ａ４））／４を演算し、切替器７５０に出力する。また、演算装置７９０は、（ａ１＋ａ２＋（ａ３＋ａ４））／４を演算し、切替器７６０に出力する。演算装置７７０，７８０，７９０において、上記の演算を行うことにより、時系列データｙ（ｔ）は、図１５に示されたｓ（ｔ）と同様に３つの時系列データに分解される。また、時系列データｘｉ（ｔ）についても時系列データｙ（ｔ）と同様に分解される。なお、切替器７４０，７５０，７６０の動作は第１の実施例と同様である。このように時系列データを分解した場合も、第１の実施例と同様に予測値を求めることができる。また、この多重解像度解析は演算量が少ないため、オンラインで時系列データを分解するのに適している。
【００７０】
本実施例においても、第１の実施例と同様の効果を得ることができる。
【００７１】
本実施例では、周期の異なる複数の矩形波を時系列データに作用させて、各矩形波に適合する成分を分解時系列データとして抽出する方法を説明したが、矩形波以外にも正弦波などの関数を利用することもできる。
【００７２】
本発明の他の実施例である時系列データ予測装置を図１７および図１８を用いて説明する。本実施例は、予測値の演算と同時にモデルの作成を行い、モデルの作成が終わり次第モデルを更新していくものである。本実施例について、主に第１の実施例と異なる箇所について説明する。
【００７３】
本実施例では、予測値の演算とモデルの作成を同時に行うため、第１の実施例のような動作モードの選択は行わない。入力装置３０では、動作モードの入力に代わり、モデルの作成を開始するモデル作成開始指令を入力する。入力装置３０に入力されたモデル作成開始指令は、時系列データ分解装置７０およびモデル作成装置１２０Ａに出力される。なお、予測を行う状態量の名称、および予測秒数Δｔも、第１の実施例と同様に入力装置３０に入力される。また、状態量の時系列データをプラント１０およびシミュレータ２０のどちらから取り込むのかも入力装置３０において選択される。
【００７４】
データ収集装置４０は、予測する状態量の名称が入力されると、入力装置３０において選択された、プラント１０あるいはシミュレータ２０より時系列データを取り込む。時系列データを取り込む状態量の決定は、第１の実施例と同様に、入出力関係格納ファイル５０に基づいて行われる。また、データ収集装置４０において取り込んだ時系列データに基づいてモデルを作成し、予測装置１０１〜１０３に設定する方法は、図１の実施例と同様である。なお、時系列データ分解装置７０は、モデル作成開始指令が入力された場合に、分解後の時系列データをモデル作成装置１２０Ａに出力する。また、モデル作成装置１２０Ａは、モデル作成開始指令が入力された場合にモデルの作成を行う。
【００７５】
本実施例のモデル設定装置１２４０は、予測装置１０１〜１０３にニューラルネットワークの重みを設定するのと同時に、予測開始指令をデータ収集装置４０および時系列データ分解装置７０に出力する。データ収集装置４０は予測開始指令が入力されると、プラント１０から時系列データを取り込む。取り込んだ時系列データは時系列データ分解装置７０において複数の時系列データに分解される。時系列データ分解装置７０は、予測開始指令が入力された場合には、分解した時系列データを規格化装置９１〜９３およびモデル作成装置１２０に出力する。
規格化装置９１〜９３に入力された時系列データは、第１の実施例と同様に将来値の予測に用いられる。また、モデル作成装置１２０Ａは、入力された時系列データに基づいて新たにモデルを作成する。モデル作成装置１２０Ａにおいて、新たにモデルが完成すると、モデル設定装置１２４０は、予測装置１０１〜１０３にニューラルネットワークの重みを新たに設定するのと同時に、再び予測開始指令をデータ収集装置４０および時系列データ分解装置７０に出力する。なお、モデル作成中も将来値の予測は継続する。
【００７６】
このように本実施例では、モデルの作成と予測値の演算が同時に行われ、予測値の演算に用いるモデルは、新たなモデルができ次第次々に更新される。
【００７７】
図１９は、本実施例におけるモデルと時系列データの関係を示す。図に示されるように、時系列データｙ（ｔ）のうち時間範囲９０１１の部分を用いて、モデルＮ１ が作成される。作成されたモデルＮ１ は、時間範囲９０２１の時系列データを用いて予測を行う。また、モデルＮ１ によって予測が行われるのと同時に、時間範囲９０１２の時系列データを用いてモデルＮ２ が作成される。モデルＮ２ の作成が終わると、モデルＮ１ に代わりモデルＮ２ により予測が行われる。モデルＮ２ は、時間範囲９０２２の時系列データを用いて予測を行う。また、モデルＮ２ によって予測が行われるのと同時に、時間範囲９０１３の時系列データを用いてモデルＮ３ が作成される。このように本実施例では、予測とモデルの作成が同時に行われ、予測に用いるモデルを次々に更新していく。
【００７８】
本実施例によれば、プラントの時系列データをオンラインで逐次取り込んでモデルの作成を行っており、作成されたモデルを逐次、予測に使用しているので、運転モードの変更や異常発生などでプラントの各状態量の時系列データの変化傾向が変わり、予測に使用している入出力変数間の関係が変わっても対応することができる。
【００７９】
本発明の他の実施例である時系列データ予測装置を図２０を用いて説明する。本実施例は、第１の実施例の異常検出装置１３０における異常検出を、他の方法により行う時系列データ予測装置である。本実施例について、第１の実施例と異なる箇所について説明する。
【００８０】
本実施例の異常検出装置１３０は、予測値ｙｐ（ｔ）と予め定められた設定値Ｒとを比較する。ここで設定値Ｒは、時系列データｙ（ｔ）が異常となったときの値に設定する。もし、予測値ｙｐ（ｔ）が設定値Ｒよりも大きい場合、予測値ｙｐ（ｔ），時刻ｔおよび警報を表示装置１４０に出力する。また、異常検出装置１３０は予測値ｙｐ（ｔ）が設定値Ｒよりも小さい場合、予測値ｙｐ（ｔ）を表示装置１４０に出力する。表示装置１４０は、入力された予測値ｙｐ（ｔ），時刻ｔおよび警報を表示する。
【００８１】
図２０に予測値および異常検出結果の表示の例を示す。出力変数ｙの予測値ｙｐ（ｔ）は、表示装置１４０に時間の経過と共にトレンドグラフとして表示される。このグラフにおいて、予測値ｙｐ（ｔ）が設定値Ｒ以下であれば、時系列データｙ（ｔ）は、予測秒後も正常な範囲内にあると予測される。図２０に示すように、時系列データｙｐ（ｔ）が時刻ｔａ で設定値Ｒを超えた場合、実際の時系列データｙ（ｔ）も時刻ｔａ で異常値となることが予測されるので、表示装置１４０には警報が表示される。このように、予測値ｙｐ（ｔ）と設定値Ｒを常に比較することにより、時系列データｙ（ｔ）が異常値となることを前もって運転員に知らせることができる。なお、表示装置１４０には、実際の値ｙ（ｔ）もトレンドグラフとして表示してもよい。このように、予測値を用いて状態量を監視することにより、これから起こる異常を前もって認識することができるため、プラントにおける事故などを防止できる。
【００８２】
以上説明した本発明の各実施例では、時系列データを３つの成分に分解する場合について説明したが、その数は３つに限られるものではない。
【００８３】
また、モデルとしてはニューラルネットワーク以外に、ＡＲＭＡモデル，物理モデルなどもモデルとして用いることができる。ＡＲＭＡモデル，物理モデルなどをモデルとして用いる場合は、モデル作成に必要なパラメータを外部から運転員が与える。
【００８４】
更に、予測値をプラント１０の制御装置へ入力し、その予測値に基づいてプラント１０を制御することによって、プラント１０に対し適切な制御を実施することもできる。
【００８５】
【発明の効果】
以上説明したように、第１の発明によれば、採用しているニューラルネットワーク回路として、ニューラルネットワーク回路が出力した値を戻して入力する自己回帰タイプのニューラルネットワーク回路を用い、また、第１時系列データ及び前記第１時系列データに関連するプロセス関連データの波形を異なる周波数帯域であらわされるように複数の第２時系列データに分解し、この第２時系列データをこのニューラルネットワーク回路に入力する際に、データを規格化する規格化手段、更には規格化を行うためのパラメータを記憶する時系列データ分解パラメータ記憶手段も設けることでニューラルネットワーク回路の学習処理を良く行うことが可能になり、プロセス状態を示す時系列データの将来値の予測を高精度に行うことを実現できる。
【００８６】
また、第２の発明によれば第１の発明と異なり第１時系列データ及び前記第１時系列データに関連するプロセス関連データの波形を第２時系列データに分解する際に多重解像度解析により関数に適合する成分として分解するようにしたものであり、多重解像度解析は演算量が少なくても時系列データを分解するのに適していることからオンラインでプロセス状態を示す時系列データの将来値の予測を高精度に行うことを実現できる。
【図面の簡単な説明】
【図１】本発明の好適な一実施例である時系列データ予測装置の構成図である。
【図２】図１の時系列データ予測装置の予測の対象となる系の概念図である。
【図３】図１の入出力関係格納ファイル５０の内容を示す図である。
【図４】図１の収集データ格納ファイル６０の内容を示す図である。
【図５】図１の時系列データ分解装置７０の構成図である。
【図６】図１の時系列データ分解パラメータ格納ファイル８０の内容を示す図である。
【図７】図５のハイパスフィルタ７１０およびバンドパスフィルタ７２０の周波数特性を示す図である。
【図８】図１の時系列データ分解装置７０により分解された時系列データを示す図である。（ａ）は分解前の時系列データｙ（ｔ）を示す図、（ｂ）は図５のハイパスフィルタ７１０により抽出された時系列データｙＦ１（ｔ）を示す図、（ｃ）は図５のバンドパスフィルタ７２０により抽出された時系列データｙＦ２（ｔ）を示す図、 （ｄ）は時系列データｙ（ｔ）から時系列データｙＦ１（ｔ），ｙＦ２（ｔ）を減算して得られた時系列データｙＦ０（ｔ）を示す図である。
【図９】図１のモデル作成装置１２０の構成図である。
【図１０】図１の時系列データ分解装置７０により分解された時系列データの最大振幅が異なる例を示した図である。（ａ）は時系列データｓ（ｔ）を示す図、（ｂ）は時系列データｓ（ｔ）から抽出された周波数帯域Ｆａ の時系列データｓＦａ（ｔ）を示す図、（ｃ）は時系列データｓ（ｔ）から抽出された周波数帯域Ｆｂ の時系列データｓＦｂ（ｔ）を示す図である。
【図１１】図１の予測装置１０１〜１０３および図９のモデル作成装置１２３１〜１２３３のニューラルネットワークの構造を示した図である。
【図１２】図１の予測装置１０１〜１０３において予測された予測値と実際の時系列データを示す図である。（ａ）は分解前の時系列データｙ（ｔ）とその予測結果ｙｐ（ｔ）を示す図、（ｂ）は図８の時系列データｙＦ１（ｔ）とその予測結果ｙＦ１ｐ（ｔ）を示す図、（ｃ）は図８の時系列データｙＦ２（ｔ）とその予測結果ｙＦ２ｐ（ｔ）を示す図、（ｄ）は図８の時系列データｙＦ０（ｔ）とその予測結果ｙＦ０ｐ（ｔ）を示す図である。
【図１３】図１の時系列データ予測装置により求めた予測値と、従来の時系列データ予測装置により求めた予測値とを示す図である。（ａ）は時系列データｙ（ｔ）と従来の時系列データ予測装置により求めた予測値ｙｐ（ｔ）′を示す図、（ｂ）は時系列データｙ（ｔ）とその予測値ｙｐ（ｔ）を示す図である。
【図１４】図１の表示装置１４０における予測結果の表示例である。
【図１５】本発明の他の実施例における時系列データの分解方法を示す図である。（ａ）は時系列データｓ（ｔ）を示す図、（ｂ）は時系列データｓ（ｔ）に周期が２ｄｔである矩形波を適合させて得られた時系列データｓ１（ｔ）を示す図、（ｃ）は時系列データｓ（ｔ）に周期が４ｄｔである矩形波を適合させて得られた時系列データｓ２（ｔ）を示す図、（ｄ）は時系列データｓ（ｔ）から時系列データｓ１（ｔ），ｓ２（ｔ）を減算して得られる時系列データｓ０（ｔ）を示す図である。
【図１６】本発明の他の実施例である時系列データ予測装置の時系列データ分解装置７０Ａの構成図である。
【図１７】本発明の他の実施例である時系列データ予測装置の構成図である。
【図１８】図１７のモデル作成装置１２０Ａの構成図である。
【図１９】本発明の他の実施例である時系列データ予測装置におけるモデルの作成と予測の関係を示す図である。
【図２０】本発明の他の実施例である時系列データ予測装置の表示装置１４０における予測結果の表示例である。
【符号の説明】
１０…プラント、２０…シミュレータ、３０…入力装置、４０…データ収集装置、５０…入出力関係格納ファイル、６０…収集データ格納ファイル、７０…時系列データ分解装置、８０…時系列データ分解パラメータ格納ファイル、９１〜９３…規格化装置、１０１〜１０３…予測装置、１１１〜１１３…変換装置、１２０…モデル作成装置、１３０…異常検出装置、１４０…表示装置、１５０…加算器。
【発明の属する技術分野】
本発明は時系列データの将来値を予測する時系列データ予測方法および装置に係り、特に様々な周波数成分を含む時系列データの将来値を予測できる時系列データ予測方法および装置に関する。
【０００２】
【従来の技術】
株価，電力需要，交通量あるいはプラントの状態量などの時系列データの将来値を精度よく予測することは、将来起こりうる事態に適切に対処するために必要とされている。これらの時系列データの将来値を予測するための方法として、予測の対象となる時系列データと、その時系列データに関連する他の時系列データに基づいて、物理モデル，ニューラルネットワークあるいはＡＲＭＡモデル等によりモデルを作成し、作成したモデルを用いて予測対象である時系列データの将来値を予測する方法がある。ここで、モデルの作成および将来値の予測に用いられる時系列データは、何の処理も施されていない生の時系列データである場合が多い。
【０００３】
時系列データの将来値予測の一例として、特開平５−２０４８８４ 号公報にはニューラルネットワークを用いた時系列データの予測方法が記載されている。その予測方法とは、予測対象である時系列データの過去の値を入力して現在値が出力されるように、ニューラルネットワークの重み係数を設定し、重み係数設定後のニューラルネットワークを用いて、時系列データの将来値を予測するものである。
【０００４】
【発明が解決しようとする課題】
しかしながら、上記従来技術のように、単一のモデルを用いて時系列データの将来値を予測する場合には、様々な周波数成分を含んで複雑に変化する時系列データに対して、モデルを精度良く作成することができず、そのため将来値予測の精度も低下するという問題が発生する。
【０００５】
本発明の目的は、様々な周波数成分を含み複雑に変化する時系列データの将来値を、精度良く予測できる時系列データの予測方法および装置を提供することにある。
【０００６】
【課題を解決するための手段】
上記目的を達成する第１の発明の特徴は、プロセス状態を示す第１時系列データの将来値を予測するコンピュータによる時系列データ予測装置において、
センサにより取り込んだ第１時系列データを記憶する第１時系列データ記憶手段と、
該第１時系列データ記憶手段に記憶された前記第１時系列データを用いて、前記第１時系列データ及び前記第１時系列データに関連するプロセス関連データの波形を異なる周波数帯域で表されるように複数の第２時系列データに分解する演算手段と、
前記複数の第２時系列データを規格化するパラメータを記憶する時系列データ分解パラメータ記憶手段と、
該時系列データ分解パラメータ記憶手段からのパラメータを用いて、前記複数の第２時系列データを個々に規格化する規格化手段と、
該規格化手段より前記複数の第２時系列データの個々に規格化したデータ値を入力し、該入力した第２時系列データから次の時間ステップの第２時系列データの将来値を予測し、該予測した第２時系列データの将来値を自己回帰して入力するニューラルネットワーク回路と、
該複数のニューラルネットワーク回路により予測された前記複数の第２時系列データの将来値に基づいて、前記第１時系列データの将来値を求めることを特徴とするものである。
【０００７】
上記目的を達成する第２の発明の特徴は、プロセス状態を示す第１時系列データの将来値を予測するコンピュータによる時系列データ予測装置において、
センサにより取り込んだ第１時系列データを記憶する第１時系列データ記憶手段と、
該第１時系列データ記憶手段に記憶された前記第１時系列データを用いて、前記第１時系列データ及び前記第１時系列データに関連するプロセス関連データの波形を多重解像度解析により関数に適合する成分として複数の第２時系列データに分解する演算手段と、
前記複数の第２時系列データを規格化するパラメータを記憶する時系列データ分解パラメータ記憶手段と、
該時系列データ分解パラメータ記憶手段からのパラメータを用いて、前記複数の第２時系列データを個々に規格化する規格化手段と、
該規格化手段より前記複数の第２時系列データの個々に規格化したデータ値を入力し、該入力した第２時系列データから次の時間ステップの第２時系列データの将来値を予測し、該予測した第２時系列データの将来値を自己回帰して入力するニューラルネットワーク回路と、
該複数のニューラルネットワーク回路により予測された前記複数の第２時系列データの将来値に基づいて、前記第１時系列データの将来値を求めることを特徴とするものである。
【００２３】
【発明の実施の形態】
図１，図５および図９を用いて、本発明の好適な一実施例である時系列データ予測装置について説明する。本実施例の時系列データ予測装置は、入力装置３０，データ収集装置４０，入出力関係格納ファイル５０，収集データ格納ファイル６０，時系列データ分解装置７０，時系列データ分解パラメータ格納ファイル ８０，規格化装置９１〜９３，予測装置１０１〜１０３，変換装置１１１〜１１３，モデル作成装置１２０，異常検出装置１３０，表示装置１４０および加算器 １５０を有する。
【００２４】
時系列データ分解装置７０は、図５に示すように、ハイパスフィルタ７１０，バンドパスフィルタ７２０，加算器７３０および切替器７４０，７５０，７６０を備える。
【００２５】
モデル作成装置１２０は、図９に示すように、規格化装置１２１１〜１２１３，モデル作成制御装置１２２０，モデル調整装置１２３１〜１２３３およびモデル設定装置１２４０を備える。
【００２６】
次に、図１の時系列データ予測装置における各部の動作および信号の流れを説明する。なお、本実施例の時系列データ予測装置は、火力プラントにおいて発生する状態量（例えば、給水流量あるいは発電機出力など）の将来値を予測するものである。また本実施例では、図２に示すような、状態量（変数）ｘ１（ｔ）， ｘ２（ｔ），…ｘＮ（ｔ），ｙ（ｔ）を入力して状態量（変数）ｙ（ｔ）を出力する系 １１００の出力ｙ（ｔ）の将来値を予測する場合について説明する。
【００２７】
本実施例の時系列データ予測装置では、まず運転員により、予測を行う状態量の名称，予測秒数Δｔ、および時系列データ予測装置の動作モードが入力装置 ３０に入力される。ここで予測秒数Δｔとは、予測開始時刻（現在の時刻に相当）から何秒後の将来値を予測するのかを示す値である。また動作モードは、時系列データの予測に用いるモデルを作成するモデル作成モードと、モデルを用いて状態量の将来値をオンラインで予測する予測モードの２つのモードのうち、どちらかが選択される。入力装置３０に入力された状態量の名称はデータ収集装置４０に出力される。動作モードは時系列データ分解装置７０およびモデル作成装置１２０に出力される。また、予測秒数Δｔは規格化装置９１，９２，９３、モデル作成装置１２０および異常検出装置１３０に出力される。
【００２８】
まず、運転員が動作モードとしてモデル作成モードを入力した場合について説明する。動作モードとしてモデル作成モードを入力した場合、運転員は更に、モデルの作成に用いる時系列データをプラント１０およびシミュレータ２０のどちらから得るのかを入力装置３０に入力する。運転員がどちらを選択したのかはデータ収集装置４０に出力される。なお、モデルの作成にシミュレータ２０より出力される時系列データを用いることにより、実際にはあまり起こり得ない異常状態などもシミュレータ２０で模擬することができるため、異常状態などにも対応したモデルを作成できる。
【００２９】
データ収集装置４０は、入力装置３０から予測を行う状態量の名称が入力されると、その状態量の将来値を予測する際に用いる他の状態量を、入出力関係格納ファイル５０より決定する。図３は、入出力関係格納ファイル５０の内容の例を示す。入出力関係格納ファイル５０は、出力変数ｙ（予測を行う状態量）に対応して、関連入力変数ｘｉ を複数記憶している。ここで、関連入力変数ｘｉ とは、出力変数ｙの変化に影響を与える状態量である。例えば、出力変数ｙが給水流量である場合は、関連入力変数ｘｉ は発電機出力，空気流量，燃料流量等となり、出力変数ｙが発電機出力である場合には、関連入力変数ｘｉ は給水流量，主蒸気流量，制御弁開度等となる。データ収集装置４０は、入出力関係格納ファイル５０に記憶されている複数の出力変数ｙの中から予測を行う状態量の名称を検索し、検索された出力変数ｙに対応して記憶されている関連入力変数ｘｉ と出力変数ｙを取り込む状態量とする。
【００３０】
データ収集装置４０は、プラント１０とシミュレータ２０のうち入力装置３０において運転員により選択された方より、入出力関係格納ファイル５０を用いて決めた状態量（出力変数ｙ，関連入力変数ｘｉ ）の時系列データｙ（ｔ）， ｘｉ（ｔ）を取り込む。ここで時系列データとは、プラント１０あるいはシミュレータ２０における状態量の時間的な変化を示したデータである。更にデータ収集装置４０は、取り込んだ時系列データｙ（ｔ），ｘｉ（ｔ）を収集データ格納ファイル６０に出力し、収集データ格納ファイル６０は、入力された時系列データ ｙ（ｔ），ｘｉ（ｔ）を記憶する。図４は、収集データ格納ファイル６０に記憶された時系列データの例を示す。収集データ格納ファイル６０には、各時刻における、時系列データｙ（ｔ），ｘｉ（ｔ）の値が記憶される。なお、シミュレータ２０は、入力装置３０により操作される。
【００３１】
図５は、時系列データ分解装置７０の構成を示す。時系列データ分解装置７０は、収集データ格納ファイル６０に記憶された時系列データｙ（ｔ）を取り込む。取り込まれた時系列データｙ（ｔ）は、ハイパスフィルタ７１０，バンドパスフィルタ７２０および加算器７３０に入力される。また、時系列データ分解装置７０は、時系列データ分解パラメータ格納ファイル８０から時系列データｙ（ｔ）の分解に用いる周波数帯域１，２を読み出す。
【００３２】
図６は時系列データ分解パラメータ格納ファイル８０の内容の例を示す。時系列データ分解パラメータ格納ファイル８０は、時系列データｙ（ｔ），ｘｉ（ｔ）を分解するための周波数帯域１〜３を予め記憶しておく。また、時系列データ分解パラメータ格納ファイル８０は、周波数帯域１〜３に対する変数ｙ，ｘｉ の上限値，下限値を予め記憶しておく。これらの上限値，下限値は、後述する規格化装置９１〜９３，変換装置１１１〜１１３，モデル作成装置１２０で使用される。なお、上限値，下限値は一定期間の変数ｙ，ｘｉ の最大値，最小値を計算することにより、時系列データ分解装置７０を使って設定することもできる。時系列データ分解パラメータ格納ファイル８０は、更に、周波数帯域１〜３に対応して時系列データの取込時間ＴＦ１，ＴＦ２，ＴＦ０も記憶している。
【００３３】
時系列データ分解パラメータ格納ファイル８０から読み出された周波数帯域１は、ハイパスフィルタ７１０に入力され、周波数帯域２は、バンドパスフィルタ７２０に入力される。ハイパスフィルタ７１０は入力された時系列データｙ（ｔ）から周波数帯域１の成分ｙＦ１（ｔ）を取り出し、加算器７３０に出力する。一方、バンドパスフィルタ７２０は入力された時系列データｙ（ｔ）から周波数帯域２の成分ｙＦ２（ｔ）を取り出し、加算器７３０に出力する。
【００３４】
図７は、ハイパスフィルタ７１０，バンドパスフィルタ７２０の特性の例を示す。図７に示すフィルタの特性は、必要な周波数帯域の成分以外は０となるような理想的な特性となっている。帯域１のフィルタ特性（ハイパスフィルタ７１０のフィルタ特性）は、０．０２５Ｈｚ以上 という帯域で利得が１となっており、他の帯域では利得が０である。一方、帯域２のフィルタ特性（バンドパスフィルタ７２０のフィルタ特性）は０．０１Ｈｚ〜０．０２５Ｈｚという帯域で利得が１となっており、他の帯域では利得が０である。ここでは、フィルタ特性の利得が１に近いほど、その周波数の成分が抽出後の時系列データに残ることを意味する。なお、フィルタは必ずしも本実施例のように理想的な特性を持つ必要はなく、各帯域が多少重なっているものでも構わない。このように、パスフィルタを用いることにより、時系列データを容易に周波数帯域毎に分解できる。
【００３５】
加算器７３０では、時系列データｙ（ｔ）から周波数帯域１の成分ｙＦ１（ｔ）および周波数帯域２の成分ｙＦ２（ｔ）が減算され、その他の帯域３の成分ｙＦ０（ｔ）が取り出される。このように、時系列データ分解装置７０では、時系列データｙ（ｔ）を周波数帯域１〜３毎に複数の時系列データｙＦ１（ｔ），ｙＦ２（ｔ），ｙＦ０（ｔ）に分解する。
【００３６】
時系列データ分解装置７０は、入力装置３０より入力された動作モードに基づいて、分解により得られた複数の時系列データｙＦ１（ｔ），ｙＦ２（ｔ），ｙＦ０（ｔ）をモデル作成装置１２０に出力するのか、規格化装置９１〜９３に出力するのかを決定する。すなわち、切替器７４０，７５０，７６０がモデル作成モードではモデル作成装置１２０側に接続され、予測モードでは規格化装置９１〜９３側に接続される。今、動作モードはモデル作成モードであるので、時系列データ分解装置７０は、分解により得られた複数の時系列データｙＦ１（ｔ），ｙＦ２（ｔ）， ｙＦ０（ｔ）をモデル作成装置１２０に出力する。また、関連入力変数ｘｉ の時系列データｘｉ（ｔ）についても出力変数ｙの時系列データｙ（ｔ）と同様に、周波数帯域毎に分解した後、モデル作成装置１２０に出力する。
【００３７】
図８は、周波数帯域毎に分解された出力変数ｙの時系列データの例を示す。図８（ａ）は出力変数ｙの分解前の時系列データｙ（ｔ）を示す。この時系列データｙ（ｔ）を図７に示す特性を有するハイパスフィルタ７１０，バンドパスフィルタ７２０を用いて分解すると、図８（ｂ）〜（ｄ）に示す時系列データｙＦ１（ｔ），ｙＦ２（ｔ），ｙＦ０（ｔ）が得られる。図８（ｂ）は、帯域１の成分の時系列データｙＦ１（ｔ）を示し、図８（ｃ）は、帯域２の成分の時系列データｙＦ２（ｔ）を示す。図８（ｄ）は、ｙ（ｔ）からｙＦ１（ｔ），ｙＦ２（ｔ）を差し引いた残りの成分の時系列データｙＦ０（ｔ）を示す。図８に示すように、時系列データ分解装置７０により、出力変数ｙの時系列データｙ（ｔ）は、複数の時系列データｙＦ１（ｔ），ｙＦ２（ｔ），ｙＦ０（ｔ）に分解される。
【００３８】
図９に示すように、モデル作成装置１２０において、時系列データ分解装置７０から入力された時系列データｙＦ１（ｔ），ｘｉＦ２（ｔ）は規格化装置１２１１に入力され、時系列データｙＦ２（ｔ），ｘｉＦ２（ｔ）は規格化装置１２１２に入力される。また、時系列データｙＦ０（ｔ），ｘｉＦ０（ｔ）は規格化装置１２１３に入力される。なお本実施例では、時系列データ分解パラメータ格納ファイル８０のＴＦ１，ＴＦ２，ＴＦ０に基づいて、時系列データｙＦ１（ｔ），ｘｉＦ１（ｔ），ｙＦ２（ｔ）， ｘｉＦ２（ｔ）およびｙＦ０（ｔ），ｘｉＦ０（ｔ）を取り込む期間が決められる。すなわち、時系列データｙＦ１（ｔ），ｘｉＦ１（ｔ）は、現時点よりＴＦ１秒前から現時点までのデータが規格化装置１２１１に入力される。同様に、時系列データｙＦ２（ｔ）， ｘｉＦ２（ｔ）は、現時点よりＴＦ２秒前から現時点までのデータが規格化装置１２１２に入力され、時系列データｙＦ０（ｔ），ｘｉＦ０（ｔ）は、現時点よりＴＦ０秒前から現時点までのデータが規格化装置１２１３に入力される。規格化装置１２１１〜１２１３に入力される各時系列データは、（数１）に示す形式のデータとなっている。
【００３９】
【数１】
【００４０】
規格化装置１２１１は、まず、取り込んだ時系列データｙＦ１（ｔ）の最大振幅の絶対値が予め定めておいた設定値よりも大きいか否かを判断する。もし、最大振幅の絶対値が設定値よりも小さいと判断した場合、規格化装置１２１１はその後の処理を行わない。すなわち、時系列データｙＦ１（ｔ）に対するモデルの作成は行われない。一方、最大振幅の絶対値が設定値よりも大きい場合には、モデルの作成を実行する。規格化装置１２１２，１２１３においても同様に、時系列データｙＦ２（ｔ），ｙＦ０（ｔ）の最大振幅の絶対値と設定値との大小関係に基づいて、モデルの作成を行うか否かを判断する。なお本実施例では、設定値を１とし、時系列データｙＦ１（ｔ），ｙＦ２（ｔ），ｙＦ０（ｔ）のぞれぞれに対してモデルの作成を行う。
図１０は、分解後の各時系列データの振幅が大きく異なる例を示す。図１０ （ａ）に分解前の時系列データｚ（ｔ）、図１０（ｂ）に周波数帯域Ｆａ の成分の時系列データｚＦａ（ｔ）、図１０（ｃ）に周波数帯域Ｆｂ の成分の時系列データｚＦｂ（ｔ）をそれぞれ示す。ここで、設定値を５に設定すると、図１０（ｂ）の時系列データｚＦａ（ｔ）の最大振幅の絶対値はしきい値よりも小さい。一方、図１０（ｃ）の時系列データｚＦｂ（ｔ）の最大振幅の絶対値はしきい値よりも大きい。このような場合、時系列データｚＦａ（ｔ）に対してモデルの作成は行わない。このように、最大振幅の小さな時系列データについてモデルを作成しないのは、最大振幅の小さな時系列データによる最終的な予測結果への影響が小さいためである。最大振幅の小さな時系列データについてモデルを作成しないことにより、作成するモデルの数を減らすことができ、モデル作成を効率化できる。
【００４１】
規格化装置１２１１は、時系列データ分解パラメータ格納ファイル８０の上限値，下限値に基づき、（数２）を用いて、取り込んだ時系列データｙＦ１（ｔ）の上限値を０．８，下限値を０．２に対応させて規格化する。
【００４２】
【数２】
関連入力変数の時系列データｘｉＦ１（ｔ）についても同様に規格化を行う。また、時系列データｙＦ２（ｔ），ｘｉＦ２（ｔ）およびｙＦ０（ｔ），ｘｉＦ０（ｔ）の規格化も、規格化装置１２１２，１２１３において同様に行う。規格化された各時系列データＹＦ１（ｔ），ＸｉＦ１（ｔ），ＹＦ２（ｔ），ＸｉＦ２（ｔ）およびＹＦ０（ｔ），ＸｉＦ０（ｔ）の形式を（数３）に示す。
【００４４】
【数３】
【００４５】
この規格化は各時系列データの変化し得る範囲内での高精度なモデルを作るために必要となる。
【００４６】
規格化装置１２１２は規格化した時系列データＹＦ１（ｔ），ＸｉＦ１（ｔ）と、入力装置３０より入力された予測秒数Δｔに基づいて求められた教師データＹＦ１（ｔ＋Δｔ）をモデル調整装置１２３１に出力する。また、規格化装置１２１２は、規格化した各時系列データＹＦ２（ｔ），ＸｉＦ２（ｔ）および教師データＹＦ２（ｔ＋Δｔ）をモデル調整装置１２３２に出力する。規格化装置１２１３は、規格化した各時系列データＹＦ０（ｔ），ＸｉＦ０（ｔ）および教師データＹＦ０（ｔ＋Δｔ）を、モデル調整装置１２３３に出力する。なお、各教師データは、過去の履歴やシミュレーション結果などから得られる。
【００４７】
モデル作成制御装置１２２０には、入力装置３０から出力された動作モードが入力される。モデル作成制御装置１２２０は、動作モードがモデル作成モードである場合に、モデル作成装置１２３１〜１２３３に対してモデル作成指令を出力する。
【００４８】
モデル作成装置１２３１は時系列データＹＦ１（ｔ），ＸｉＦ１（ｔ）および教師データＹＦ１（ｔ＋Δｔ）を用いて、モデルとなるニューラルネットワークの重み係数の設定を行う。
【００４９】
図１１は、モデルとなるニューラルネットワークの例を示す。このニューラルネットワークは、規格化後の時系列データＹＦ１（ｔ），ＸｉＦ１（ｔ）の過去ＴＦ１秒前（ｍδｔＦ１秒前）から現時点までのデータを入力し、ＹＦ１（ｔ）のΔｔ秒だけ将来の値を出力するモデルになっている。このニューラルネットワークにより得られる予測値ＹＦ１ｐ（ｔ＋Δｔ）が教師データＹＦ１（ｔ＋Δｔ）と等しくなるように、ニューラルネットワークの重み係数が調節（学習）される。なお、モデルとしてニューラルネットワークを用いることにより、他のモデルを用いる場合と比較して、モデルの作成および将来値の予測を容易に行うことができる。
【００５０】
続いて、モデル調整装置１２３１は、ニューラルネットワークにより得られる予測値ＹＦ１ｐ（ｔ＋Δｔ）と教師データＹＦ１（ｔ＋Δｔ）との差が、予め設けておいた設定値よりも小さいかを判断する。もし、予測値ＹＦ１ｐ（ｔ＋Δｔ）と教師データＹＦ１（ｔ＋Δｔ）との差が、予め設けておいた設定値よりも小さい場合には、モデル調整装置１２３１は、モデル作成制御装置１２２０にモデル作成終了信号を出力すると共に、ニューラルネットワークにおいて調節した重み係数の情報ＷＦ１をモデル設定装置１２４０に出力する。逆に、予測値ＹＦ１ｐ（ｔ＋Δｔ）と教師データＹＦ１（ｔ＋Δｔ）との差が、予め設けておいた設定値よりも大きい場合には、重み係数の調節を規定の回数繰り返したかを判断する。ここで、重み係数の調節を規定の回数繰り返したと判断した場合には、モデル作成終了信号をモデル作成制御装置１２２０に出力すると共に、ニューラルネットワークにおいて調節した重み係数の情報ＷＦ１をモデル設定装置１２４０に出力する。一方、重み係数の調節を規定の回数繰り返していないと判断した場合には、モデル作成継続信号をモデル作成制御装置１２２０に出力する。なお、重み係数調節の規定の回数は、予め与えられる。
【００５１】
モデル作成制御装置１２２０は、モデル調整装置１２３１からモデル作成継続信号が入力された場合に、再びモデル作成指令をモデル調整装置１２３１に出力する。一方、モデル作成終了信号が入力された場合には、モデル調整装置１２３１におけるモデルの作成が終了したことを認識する。このように、ニューラルネットワークにより得られる予測値ＹＦ１ｐ（ｔ＋Δｔ）と教師データＹＦ１（ｔ＋Δｔ）との差が、予め設けておいた設定値よりも小さくなるか、もしくは、重み係数の調節を規定の回数繰り返すまでは、ニューラルネットワークの重み係数の設定が繰り返される。なお、モデル調整装置１２３２，１２３３においてもモデル調整装置１２３１と同様の処理が行われ、調節された重み係数の情報ＷＦ２，ＷＦ０がモデル設定装置１２４０に入力される。
【００５２】
モデル設定装置１２４０は、入力された重み係数の情報ＷＦ１，ＷＦ２，ＷＦ０に基づいて、予測装置１０１〜１０３のニューラルネットワークの重み係数を設定する。従って、予測装置１０１〜１０３には、周波数帯域に応じたニューラルネットワーク（モデル）がそれぞれ設定される。
【００５３】
以上説明したように、動作モードとしてモデル作成モードが選択された場合には、予測装置１０１〜１０３にモデルが設定される。
【００５４】
次に動作モードとして予測モードが選択された場合について説明する。運転員により予測モードが選択された場合、データ収集装置４０は、プラント１０より時系列データを取り込む。なお、データ収集装置４０において時系列データを取り込み、その時系列データを時系列データ分解装置７０で複数の時系列データに分解するまでの各装置の動作は、予測モードの場合でもモデル作成モードの場合と同様である。
【００５５】
時系列データ分解装置７０は、入力された動作モードが予測モードであるため、分解して得られた時系列データｙＦ１（ｔ），ｘｉＦ１（ｔ）を規格化装置９１に入力する。また、時系列データｙＦ２（ｔ），ｘｉＦ２（ｔ）を規格化装置９２に入力し、時系列データｙＦ０（ｔ），ｘｉＦ０（ｔ）を規格化装置９３に入力する。
【００５６】
規格化装置９１〜９３では、入力された各時系列データを上限値を０．８ ，下限値を０．２ に対応させて規格化する。規格化装置９１〜９３における時系列データの規格化は、モデル作成装置１２０の規格化装置１２１１〜１２１３における規格化と同様に行われる。規格化装置９１〜９３において規格化された時系列データは、それぞれ予測装置１０１〜１０３に入力される。
【００５７】
予測装置１０１は、規格化装置９１から入力された時系列データＹＦ１（ｔ），ＸｉＦ１（ｔ）に基づいて、時系列データＹＦ１（ｔ）の予測値ＹＦ１ｐ（ｔ＋Δｔ）を出力する。本実施例の予測装置１０１は、予測値ＹＦ１ｐ（ｔ＋Δｔ）を求めるために、モデル設定装置１２４０により重み係数が設定されたニューラルネットワークを使用する。予測装置１０１には図１１に示すようなニューラルネットワークが設定されており、規格化装置９１において規格化された各時系列データＹＦ１（ｔ），ＸｉＦ１（ｔ）を入力することにより、予測秒数Δｔ後の時系列データＹＦ１（ｔ）の値、すなわち予測値ＹＦ１ｐ（ｔ＋Δｔ）が出力される。予測装置１０１は、求めた予測値ＹＦ１ｐ（ｔ＋Δｔ）を変換装置１１１に出力する。予測装置１０２，１０３においても、ニューラルネットワークを用いて予測値ＹＦ２ｐ（ｔ＋Δｔ）および
ＹＦ０ｐ（ｔ＋Δｔ）の演算が行われる。予測装置１０２において求められた将来値ＹＦ２ｐ（ｔ＋Δｔ）は、変換装置１１２に出力される。また、予測装置１０３において求められた将来値ＹＦ０ｐ（ｔ＋Δｔ）は、変換装置１１３に出力される。
【００５８】
変換装置１１１は、将来値ＹＦ１ｐ（ｔ＋Δｔ）が入力されると、まず、時系列データ分解パラメータ格納ファイル８０から周波数帯域１に対応する出力変数ｙの上限値，下限値を検索して、取り込む。変換装置１１１は、取り込んだ上限値，下限値に基づき、（数４）に従い、予測値ＹＦ１ｐ（ｔ＋Δｔ）を規格化前の値に変換する。
【００５９】
【数４】
変換装置１１２，１１３においても、変換装置１１１と同様に予測値ＹＦ２ｐ（ｔ＋Δｔ）およびＹＦ０ｐ（ｔ＋Δｔ）の変換が行われる。変換装置１１１〜１１３において変換された各予測値ｙＦ１ｐ（ｔ＋Δｔ），ｙＦ２ｐ（ｔ＋Δｔ），ｙＦ０ｐ（ｔ＋Δｔ） は、加算器１５０に出力される。
【００６１】
加算器１５０は、入力された各予測値の総和を求める。この総和が出力変数ｙの予測値ｙｐ（ｔ＋Δｔ）となる。なお、この予測値ｙｐ（ｔ＋Δｔ）は、異常検出装置１３０に出力される。
【００６２】
図１２は、図８に示す時系列データの２０ｓ先の将来値を、本実施例の時系列データ予測装置により予測した結果を示す。図１２（ｂ）〜（ｄ）は、図８（ｂ）〜（ｄ）に示した分解後の各時系列データｙＦ１（ｔ），ｙＦ２（ｔ），ｙＦ０（ｔ）と、その予測結果ｙＦ１ｐ（ｔ），ｙＦ２ｐ（ｔ），ｙＦ０ｐ（ｔ）を示す。図中にも示されているように、分解後の各時系列データごとに過去のデータの取込時間範囲を変えることにより、それぞれのモデルを作成しやすいニューラルネットワークの構造となっている。また、図１２（ａ）には時系列データｙ（ｔ）と、図１２（ｂ）〜（ｄ）の予測結果の和ｙｐ（ｔ）を示す。
【００６３】
図１３は、図８（ａ）に示す時系列データｙ（ｔ）について、本実施例で説明したとおりに時系列データを分解して将来値を予測した場合と、分解を行わずに単一のモデルを用いて将来値を予測した場合のそれぞれの予測結果を示す。分解を行わずに将来値を予測した場合は、図１３（ａ）に示すように、予測結果ｙｐ（ｔ）′と実際の値ｙ（ｔ）との差が大きく、予測精度が良くない。一方、図１３（ｂ）に示すように、分解した時系列データの予測結果の和ｙｐ（ｔ）は実際の値ｙ（ｔ）との差が小さく、図１３（ａ）に比べて予測精度が向上している。
【００６４】
このように、本実施例によれば、時系列データの将来値の予測を精度良く行うことができる。これは、様々な周波数成分を含み複雑に変化する時系列データを複数の時系列データに分解することにより、変化が単純な時系列データが複数得られ、その時系列データについては将来値の予測が精度良く行えるため、その将来値に基づいて、予測対象である時系列データの将来値を精度良く求めることができる。
【００６５】
次に、異常検出装置１３０の動作について、時刻がＴである場合を例に説明する。異常検出装置１３０は、時刻Ｔにおける出力変数ｙの実際の値ｙ（Ｔ）を収集データ格納ファイル６０から取り込み、その実際の値ｙ（Ｔ）と予測値ｙｐ（Ｔ）との差を求める。異常検出装置１３０は、その差の絶対値と予め定められたしきい値Ｅとを比較する。もし、実際の値ｙ（Ｔ）と予測値ｙｐ（Ｔ）との差の絶対値がしきい値Ｅよりも大きい場合、予測値ｙｐ（Ｔ）と警報を表示装置１４０に出力する。また、異常検出装置１３０は実際の値ｙ（Ｔ）と予測値ｙｐ（Ｔ）の差の絶対値があらかじめ定めたしきい値Ｅよりも小さい場合、予測値ｙｐ（Ｔ）を表示装置１４０に出力する。表示装置１４０は、入力された予測値ｙｐ（Ｔ）および警報を表示する。
【００６６】
図１４に予測値および異常検出結果の表示の例を示す。出力変数ｙの実際の値ｙ（ｔ）は表示装置１４０に、時間の経過とともにトレンドグラフとして表示する。同様に将来値ｙｐ（ｔ）も同じトレンドグラフ上に重ね合わせて表示する。ここで、実際の値ｙ（ｔ）からしきい値Ｅを差し引いた値をｙＬ ，ｙ（ｔ）にしきい値Ｅを加算した値をｙＵ とする。このグラフにおいて、ｙＬ とｙＵ から形成される帯の中に予測値ｙｐ（ｔ）が入っていれば、予測は正常に行われていることになる。もし、帯の外側に予測値ｙｐ（ｔ）が出た場合には、プラント１０から収集された入力変数ｘｉ と出力変数ｙとの関係が、モデルにおける入力変数ｘｉ と出力変数ｙとの関係に対応していないと考えられる。この場合に異常検出装置１３０は異常と判定し、警報が表示装置１４０に表示される。図１４の例では、時刻Ｔの時点での予測値ｙｐ（Ｔ）がｙＬ とｙＵ で形成される帯を外れている。このため、時刻Ｔにおいて異常発生という表示がなされている。また、このとき予測値ｙｐ（ｔ）はＴ＋Δｔの時点までの値が得られている。この異常検出装置の異常の判定に使用する予測値の精度を上げるために、予測秒数Δｔを０ｓにしてもよい。また、Δｔ後の将来の出力変数ｙの値を予測する予測モデルの他に、現時刻の出力変数ｙの値を推定する推定モデルを別に持たせることにより推定値の精度を上げてもよい。現時刻の出力変数を推定するためのモデルの作成は、図１１に示す教師データｙ（ｔ＋Δｔ）を現時刻のものにすることによって、予測モデルの作成の場合と同様に行うことができる。このように、本実施例によればプラントにおける異常を正確に検出することができる。
【００６７】
以上説明した本実施例では、時系列データの分解方法として、周波数帯域ごとに時系列データを分解するバンドパスフィルタおよびハイパスフィルタを用いたが、その他にローパスフィルタを使用することもできる。
【００６８】
本発明の他の実施例である時系列データ予測装置について図１５および図１６を用いて説明する。本実施例は第１の実施例における時系列データの分解方法として、関数に適合する成分を分解時系列データとして抽出する方法を用いたものである。本実施例の構成について、主に第１の実施例と構成が異なる時系列データ分解装置について説明する。
【００６９】
本実施例では、関数に適合する成分を分解時系列データとして抽出する方法として多重解像度解析と呼ばれる方法を用いる。図１５は多重解像度解析による時系列データの分解方法を示す。ここでは、時刻ｔ１，ｔ２，ｔ３，ｔ４でそれぞれａ１，ａ２，ａ３，ａ４の値を持つ時系列データｓ（ｔ）を多重解像度解析で分解する例について説明する。なお、時刻ｔ１，ｔ２，ｔ３，ｔ４の間隔は、等間隔（ｄｔ）である。図１５（ｂ）に示すように、時系列データｓ（ｔ）に周期２ｄｔの矩形波を適合させると、ｔ１，ｔ２，ｔ３でそれぞれ（ａ１−ａ２）／２，（ａ２−ａ３）／２，（ａ３−ａ４）／２となる時系列データｓ１（ｔ）が得られる。また、時系列データｓ（ｔ）に周期４ｄｔの矩形波を適合させるとｔ１ で（ａ１＋ａ２−（ａ３＋ａ４））／４となる時系列データｓ２（ｔ）が得られる（図１５（ｃ））。時系列データｓ（ｔ）から時系列データｓ１（ｔ），ｓ２（ｔ）を差し引くと、残りの低周波成分ｓ０（ｔ）として時刻ｔ１で（ａ１＋ａ２＋（ａ３＋ａ４））／４となる成分が得られる（図１５（ｄ））。
このような、多重解像度解析を用いた時系列データ分解装置７０Ａの構成を図１６を用いて説明する。図１６において、時系列データ分解装置７０Ａに入力された時系列データｙ（ｔ），ｘｉ（ｔ）は、演算装置７７０，７８０，７９０に入力される。なお、時系列データｙ（ｔ）として、ａ１，ａ２，ａ３，ａ４，…というデータが演算装置７７０，７８０，７９０に入力された場合を説明する。演算装置７７０では、時系列データｙ（ｔ）に対して、（ａ１−ａ２）／２，（ａ２−ａ３）／２，（ａ３−ａ４）／２を演算し、切替器７４０に出力する。演算装置７８０は、（ａ１＋ａ２−（ａ３＋ａ４））／４を演算し、切替器７５０に出力する。また、演算装置７９０は、（ａ１＋ａ２＋（ａ３＋ａ４））／４を演算し、切替器７６０に出力する。演算装置７７０，７８０，７９０において、上記の演算を行うことにより、時系列データｙ（ｔ）は、図１５に示されたｓ（ｔ）と同様に３つの時系列データに分解される。また、時系列データｘｉ（ｔ）についても時系列データｙ（ｔ）と同様に分解される。なお、切替器７４０，７５０，７６０の動作は第１の実施例と同様である。このように時系列データを分解した場合も、第１の実施例と同様に予測値を求めることができる。また、この多重解像度解析は演算量が少ないため、オンラインで時系列データを分解するのに適している。
【００７０】
本実施例においても、第１の実施例と同様の効果を得ることができる。
【００７１】
本実施例では、周期の異なる複数の矩形波を時系列データに作用させて、各矩形波に適合する成分を分解時系列データとして抽出する方法を説明したが、矩形波以外にも正弦波などの関数を利用することもできる。
【００７２】
本発明の他の実施例である時系列データ予測装置を図１７および図１８を用いて説明する。本実施例は、予測値の演算と同時にモデルの作成を行い、モデルの作成が終わり次第モデルを更新していくものである。本実施例について、主に第１の実施例と異なる箇所について説明する。
【００７３】
本実施例では、予測値の演算とモデルの作成を同時に行うため、第１の実施例のような動作モードの選択は行わない。入力装置３０では、動作モードの入力に代わり、モデルの作成を開始するモデル作成開始指令を入力する。入力装置３０に入力されたモデル作成開始指令は、時系列データ分解装置７０およびモデル作成装置１２０Ａに出力される。なお、予測を行う状態量の名称、および予測秒数Δｔも、第１の実施例と同様に入力装置３０に入力される。また、状態量の時系列データをプラント１０およびシミュレータ２０のどちらから取り込むのかも入力装置３０において選択される。
【００７４】
データ収集装置４０は、予測する状態量の名称が入力されると、入力装置３０において選択された、プラント１０あるいはシミュレータ２０より時系列データを取り込む。時系列データを取り込む状態量の決定は、第１の実施例と同様に、入出力関係格納ファイル５０に基づいて行われる。また、データ収集装置４０において取り込んだ時系列データに基づいてモデルを作成し、予測装置１０１〜１０３に設定する方法は、図１の実施例と同様である。なお、時系列データ分解装置７０は、モデル作成開始指令が入力された場合に、分解後の時系列データをモデル作成装置１２０Ａに出力する。また、モデル作成装置１２０Ａは、モデル作成開始指令が入力された場合にモデルの作成を行う。
【００７５】
本実施例のモデル設定装置１２４０は、予測装置１０１〜１０３にニューラルネットワークの重みを設定するのと同時に、予測開始指令をデータ収集装置４０および時系列データ分解装置７０に出力する。データ収集装置４０は予測開始指令が入力されると、プラント１０から時系列データを取り込む。取り込んだ時系列データは時系列データ分解装置７０において複数の時系列データに分解される。時系列データ分解装置７０は、予測開始指令が入力された場合には、分解した時系列データを規格化装置９１〜９３およびモデル作成装置１２０に出力する。
規格化装置９１〜９３に入力された時系列データは、第１の実施例と同様に将来値の予測に用いられる。また、モデル作成装置１２０Ａは、入力された時系列データに基づいて新たにモデルを作成する。モデル作成装置１２０Ａにおいて、新たにモデルが完成すると、モデル設定装置１２４０は、予測装置１０１〜１０３にニューラルネットワークの重みを新たに設定するのと同時に、再び予測開始指令をデータ収集装置４０および時系列データ分解装置７０に出力する。なお、モデル作成中も将来値の予測は継続する。
【００７６】
このように本実施例では、モデルの作成と予測値の演算が同時に行われ、予測値の演算に用いるモデルは、新たなモデルができ次第次々に更新される。
【００７７】
図１９は、本実施例におけるモデルと時系列データの関係を示す。図に示されるように、時系列データｙ（ｔ）のうち時間範囲９０１１の部分を用いて、モデルＮ１ が作成される。作成されたモデルＮ１ は、時間範囲９０２１の時系列データを用いて予測を行う。また、モデルＮ１ によって予測が行われるのと同時に、時間範囲９０１２の時系列データを用いてモデルＮ２ が作成される。モデルＮ２ の作成が終わると、モデルＮ１ に代わりモデルＮ２ により予測が行われる。モデルＮ２ は、時間範囲９０２２の時系列データを用いて予測を行う。また、モデルＮ２ によって予測が行われるのと同時に、時間範囲９０１３の時系列データを用いてモデルＮ３ が作成される。このように本実施例では、予測とモデルの作成が同時に行われ、予測に用いるモデルを次々に更新していく。
【００７８】
本実施例によれば、プラントの時系列データをオンラインで逐次取り込んでモデルの作成を行っており、作成されたモデルを逐次、予測に使用しているので、運転モードの変更や異常発生などでプラントの各状態量の時系列データの変化傾向が変わり、予測に使用している入出力変数間の関係が変わっても対応することができる。
【００７９】
本発明の他の実施例である時系列データ予測装置を図２０を用いて説明する。本実施例は、第１の実施例の異常検出装置１３０における異常検出を、他の方法により行う時系列データ予測装置である。本実施例について、第１の実施例と異なる箇所について説明する。
【００８０】
本実施例の異常検出装置１３０は、予測値ｙｐ（ｔ）と予め定められた設定値Ｒとを比較する。ここで設定値Ｒは、時系列データｙ（ｔ）が異常となったときの値に設定する。もし、予測値ｙｐ（ｔ）が設定値Ｒよりも大きい場合、予測値ｙｐ（ｔ），時刻ｔおよび警報を表示装置１４０に出力する。また、異常検出装置１３０は予測値ｙｐ（ｔ）が設定値Ｒよりも小さい場合、予測値ｙｐ（ｔ）を表示装置１４０に出力する。表示装置１４０は、入力された予測値ｙｐ（ｔ），時刻ｔおよび警報を表示する。
【００８１】
図２０に予測値および異常検出結果の表示の例を示す。出力変数ｙの予測値ｙｐ（ｔ）は、表示装置１４０に時間の経過と共にトレンドグラフとして表示される。このグラフにおいて、予測値ｙｐ（ｔ）が設定値Ｒ以下であれば、時系列データｙ（ｔ）は、予測秒後も正常な範囲内にあると予測される。図２０に示すように、時系列データｙｐ（ｔ）が時刻ｔａ で設定値Ｒを超えた場合、実際の時系列データｙ（ｔ）も時刻ｔａ で異常値となることが予測されるので、表示装置１４０には警報が表示される。このように、予測値ｙｐ（ｔ）と設定値Ｒを常に比較することにより、時系列データｙ（ｔ）が異常値となることを前もって運転員に知らせることができる。なお、表示装置１４０には、実際の値ｙ（ｔ）もトレンドグラフとして表示してもよい。このように、予測値を用いて状態量を監視することにより、これから起こる異常を前もって認識することができるため、プラントにおける事故などを防止できる。
【００８２】
以上説明した本発明の各実施例では、時系列データを３つの成分に分解する場合について説明したが、その数は３つに限られるものではない。
【００８３】
また、モデルとしてはニューラルネットワーク以外に、ＡＲＭＡモデル，物理モデルなどもモデルとして用いることができる。ＡＲＭＡモデル，物理モデルなどをモデルとして用いる場合は、モデル作成に必要なパラメータを外部から運転員が与える。
【００８４】
更に、予測値をプラント１０の制御装置へ入力し、その予測値に基づいてプラント１０を制御することによって、プラント１０に対し適切な制御を実施することもできる。
【００８５】
【発明の効果】
以上説明したように、第１の発明によれば、採用しているニューラルネットワーク回路として、ニューラルネットワーク回路が出力した値を戻して入力する自己回帰タイプのニューラルネットワーク回路を用い、また、第１時系列データ及び前記第１時系列データに関連するプロセス関連データの波形を異なる周波数帯域であらわされるように複数の第２時系列データに分解し、この第２時系列データをこのニューラルネットワーク回路に入力する際に、データを規格化する規格化手段、更には規格化を行うためのパラメータを記憶する時系列データ分解パラメータ記憶手段も設けることでニューラルネットワーク回路の学習処理を良く行うことが可能になり、プロセス状態を示す時系列データの将来値の予測を高精度に行うことを実現できる。
【００８６】
また、第２の発明によれば第１の発明と異なり第１時系列データ及び前記第１時系列データに関連するプロセス関連データの波形を第２時系列データに分解する際に多重解像度解析により関数に適合する成分として分解するようにしたものであり、多重解像度解析は演算量が少なくても時系列データを分解するのに適していることからオンラインでプロセス状態を示す時系列データの将来値の予測を高精度に行うことを実現できる。
【図面の簡単な説明】
【図１】本発明の好適な一実施例である時系列データ予測装置の構成図である。
【図２】図１の時系列データ予測装置の予測の対象となる系の概念図である。
【図３】図１の入出力関係格納ファイル５０の内容を示す図である。
【図４】図１の収集データ格納ファイル６０の内容を示す図である。
【図５】図１の時系列データ分解装置７０の構成図である。
【図６】図１の時系列データ分解パラメータ格納ファイル８０の内容を示す図である。
【図７】図５のハイパスフィルタ７１０およびバンドパスフィルタ７２０の周波数特性を示す図である。
【図８】図１の時系列データ分解装置７０により分解された時系列データを示す図である。（ａ）は分解前の時系列データｙ（ｔ）を示す図、（ｂ）は図５のハイパスフィルタ７１０により抽出された時系列データｙＦ１（ｔ）を示す図、（ｃ）は図５のバンドパスフィルタ７２０により抽出された時系列データｙＦ２（ｔ）を示す図、 （ｄ）は時系列データｙ（ｔ）から時系列データｙＦ１（ｔ），ｙＦ２（ｔ）を減算して得られた時系列データｙＦ０（ｔ）を示す図である。
【図９】図１のモデル作成装置１２０の構成図である。
【図１０】図１の時系列データ分解装置７０により分解された時系列データの最大振幅が異なる例を示した図である。（ａ）は時系列データｓ（ｔ）を示す図、（ｂ）は時系列データｓ（ｔ）から抽出された周波数帯域Ｆａ の時系列データｓＦａ（ｔ）を示す図、（ｃ）は時系列データｓ（ｔ）から抽出された周波数帯域Ｆｂ の時系列データｓＦｂ（ｔ）を示す図である。
【図１１】図１の予測装置１０１〜１０３および図９のモデル作成装置１２３１〜１２３３のニューラルネットワークの構造を示した図である。
【図１２】図１の予測装置１０１〜１０３において予測された予測値と実際の時系列データを示す図である。（ａ）は分解前の時系列データｙ（ｔ）とその予測結果ｙｐ（ｔ）を示す図、（ｂ）は図８の時系列データｙＦ１（ｔ）とその予測結果ｙＦ１ｐ（ｔ）を示す図、（ｃ）は図８の時系列データｙＦ２（ｔ）とその予測結果ｙＦ２ｐ（ｔ）を示す図、（ｄ）は図８の時系列データｙＦ０（ｔ）とその予測結果ｙＦ０ｐ（ｔ）を示す図である。
【図１３】図１の時系列データ予測装置により求めた予測値と、従来の時系列データ予測装置により求めた予測値とを示す図である。（ａ）は時系列データｙ（ｔ）と従来の時系列データ予測装置により求めた予測値ｙｐ（ｔ）′を示す図、（ｂ）は時系列データｙ（ｔ）とその予測値ｙｐ（ｔ）を示す図である。
【図１４】図１の表示装置１４０における予測結果の表示例である。
【図１５】本発明の他の実施例における時系列データの分解方法を示す図である。（ａ）は時系列データｓ（ｔ）を示す図、（ｂ）は時系列データｓ（ｔ）に周期が２ｄｔである矩形波を適合させて得られた時系列データｓ１（ｔ）を示す図、（ｃ）は時系列データｓ（ｔ）に周期が４ｄｔである矩形波を適合させて得られた時系列データｓ２（ｔ）を示す図、（ｄ）は時系列データｓ（ｔ）から時系列データｓ１（ｔ），ｓ２（ｔ）を減算して得られる時系列データｓ０（ｔ）を示す図である。
【図１６】本発明の他の実施例である時系列データ予測装置の時系列データ分解装置７０Ａの構成図である。
【図１７】本発明の他の実施例である時系列データ予測装置の構成図である。
【図１８】図１７のモデル作成装置１２０Ａの構成図である。
【図１９】本発明の他の実施例である時系列データ予測装置におけるモデルの作成と予測の関係を示す図である。
【図２０】本発明の他の実施例である時系列データ予測装置の表示装置１４０における予測結果の表示例である。
【符号の説明】
１０…プラント、２０…シミュレータ、３０…入力装置、４０…データ収集装置、５０…入出力関係格納ファイル、６０…収集データ格納ファイル、７０…時系列データ分解装置、８０…時系列データ分解パラメータ格納ファイル、９１〜９３…規格化装置、１０１〜１０３…予測装置、１１１〜１１３…変換装置、１２０…モデル作成装置、１３０…異常検出装置、１４０…表示装置、１５０…加算器。
Claims (9)
- プロセス状態を示す第１時系列データの将来値を予測するコンピュータによる時系列データ予測装置において、
センサにより取り込んだ第１時系列データを記憶する第１時系列データ記憶手段と、
該第１時系列データ記憶手段に記憶された前記第１時系列データを用いて、前記第１時系列データ及び前記第１時系列データに関連するプロセス関連データの波形を異なる周波数帯域で表されるように複数の第２時系列データに分解する演算手段と、
前記複数の第２時系列データを規格化するパラメータを記憶する時系列データ分解パラメータ記憶手段と、
該時系列データ分解パラメータ記憶手段からのパラメータを用いて、前記複数の第２時系列データを個々に規格化する規格化手段と、
該規格化手段より前記複数の第２時系列データの個々に規格化したデータ値を入力し、該入力した第２時系列データから次の時間ステップの第２時系列データの将来値を予測し、該予測した第２時系列データの将来値を自己回帰して入力するニューラルネットワーク回路と、
該複数のニューラルネットワーク回路により予測された前記複数の第２時系列データの将来値に基づいて、前記第１時系列データの将来値を求めることを特徴とするコンピュータによる時系列データ予測装置。 - 請求項１のコンピュータによる時系列データ予測装置において、
求められた前記第１時系列データの将来値と予め設定された設定値の大きさを比較し、前記第１時系列データの将来値が前記設定値を超えることを判定する演算手段と、
該判定演算手段により前記第１時系列データの将来値が前記設定値を超えると判定された場合は、前記第１時系列データの将来値が前記設定値を超える時間と、その時の前記第１時系列データの将来値を表示する表示手段を備えたことを特徴とするコンピュータによる時系列データ予測装置。 - 請求項１又は請求項２のコンピュータによる時系列データ予測装置において、
前記第１時系列データは、フィルタ回路により周波数帯域毎に分解されることを特徴とするコンピュータによる時系列データ予測装置。 - 請求項１又は請求項２のコンピュータによる時系列データ予測装置において、
前記第２時系列データに基づき前記ニューラルネットワーク回路を用いてモデルを作成し、該作成されたモデルを用いて前記第２時系列データの将来値を求めることを特徴とするコンピュータによる時系列データ予測装置。 - 請求項４のコンピュータによる時系列データ予測装置において、
前記モデルの作成は、絶対値の最大値が予め設けられた設定値よりも大きな第２時系列データに対して行うことを特徴とするコンピュータによる時系列データ予測装置。 - プロセス状態を示す第１時系列データの将来値を予測するコンピュータによる時系列データ予測装置において、
センサにより取り込んだ第１時系列データを記憶する第１時系列データ記憶手段と、
該第１時系列データ記憶手段に記憶された前記第１時系列データを用いて、前記第１時系列データ及び前記第１時系列データに関連するプロセス関連データの波形を多重解像度解析により関数に適合する成分として複数の第２時系列データに分解する演算手段と、
前記複数の第２時系列データを規格化するパラメータを記憶する時系列データ分解パラメータ記憶手段と、
該時系列データ分解パラメータ記憶手段からのパラメータを用いて、前記複数の第２時
系列データを個々に規格化する規格化手段と、
該規格化手段より前記複数の第２時系列データの個々に規格化したデータ値を入力し、該入力した第２時系列データから次の時間ステップの第２時系列データの将来値を予測し、該予測した第２時系列データの将来値を自己回帰して入力するニューラルネットワーク回路と、
該複数のニューラルネットワーク回路により予測された前記複数の第２時系列データの将来値に基づいて、前記第１時系列データの将来値を求めることを特徴とするコンピュータによる時系列データ予測装置。 - 請求項６のコンピュータによる時系列データ予測装置において、
求められた前記第１時系列データの将来値と予め設定された設定値の大きさを比較し、前記第１時系列データの将来値が前記設定値を超えることを判定する演算手段と、
該判定演算手段により前記第１時系列データの将来値が前記設定値を超えると判定された場合は、前記第１時系列データの将来値が前記設定値を超える時間と、その時の前記第１時系列データの将来値を表示する表示手段を備えたことを特徴とするコンピュータによる時系列データ予測装置。 - 請求項６又は請求項７のコンピュータによる時系列データ予測装置において、
前記第２時系列データに基づき前記ニューラルネットワーク回路を用いてモデルを作成し、該作成されたモデルを用いて前記第２時系列データの将来値を求めることを特徴とするコンピュータによる時系列データ予測装置。 - 請求項８のコンピュータによる時系列データ予測装置において、
前記モデルの作成は、絶対値の最大値が予め設けられた設定値よりも大きな第２時系列データに対して行うことを特徴とするコンピュータによる時系列データ予測装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP01228498A JP3567073B2 (ja) | 1998-01-26 | 1998-01-26 | 時系列データ予測方法および装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP01228498A JP3567073B2 (ja) | 1998-01-26 | 1998-01-26 | 時系列データ予測方法および装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH11212947A JPH11212947A (ja) | 1999-08-06 |
| JP3567073B2 true JP3567073B2 (ja) | 2004-09-15 |
Family
ID=11801070
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP01228498A Expired - Fee Related JP3567073B2 (ja) | 1998-01-26 | 1998-01-26 | 時系列データ予測方法および装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3567073B2 (ja) |
Families Citing this family (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006048319A (ja) * | 2004-08-04 | 2006-02-16 | Sony Corp | 情報処理装置および方法、記録媒体、並びにプログラム |
| JP4802112B2 (ja) * | 2007-02-08 | 2011-10-26 | 株式会社東芝 | トラッキング方法及びトラッキング装置 |
| JP5018809B2 (ja) * | 2009-03-04 | 2012-09-05 | 沖電気工業株式会社 | 時系列データ予測装置 |
| JP4840494B2 (ja) * | 2009-09-16 | 2011-12-21 | 沖電気工業株式会社 | 時系列データ予測ニューラルネットワーク装置 |
| RU2600099C1 (ru) * | 2015-03-23 | 2016-10-20 | Юрий Анатольевич Кропотов | Способ нейросетевого прогнозирования изменения значений функции с её предварительной вейвлет-обработкой и устройство его осуществления |
| JP2018073241A (ja) * | 2016-11-01 | 2018-05-10 | 日本電信電話株式会社 | 検知装置、検知方法および検知プログラム |
| JP6904418B2 (ja) * | 2017-08-02 | 2021-07-14 | 日本電気株式会社 | 情報処理装置、情報処理システム、情報処理方法、及び、プログラム |
| US11200134B2 (en) | 2018-03-26 | 2021-12-14 | Nec Corporation | Anomaly detection apparatus, method, and program recording medium |
| US11699065B2 (en) * | 2019-08-08 | 2023-07-11 | Nec Corporation | Ensemble of clustered dual-stage attention-based recurrent neural networks for multivariate time series prediction |
| JP2022028338A (ja) * | 2020-08-03 | 2022-02-16 | オムロン株式会社 | 予測システム、情報処理装置および情報処理プログラム |
Family Cites Families (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0392795A (ja) * | 1989-09-05 | 1991-04-17 | Toshiba Corp | 原子力発電プラントの診断方法 |
| JPH06149863A (ja) * | 1992-11-05 | 1994-05-31 | Yukio Tanaka | 時系列データ解析装置 |
| JPH06187030A (ja) * | 1992-12-17 | 1994-07-08 | Hitachi Ltd | 時系列モデルによる制御系異常診断方法、及び表示方法 |
| JPH06337852A (ja) * | 1993-05-31 | 1994-12-06 | Hitachi Ltd | ニューラルネットワークによる時系列予測方法 |
| JP3083677B2 (ja) * | 1993-06-02 | 2000-09-04 | シャープ株式会社 | 波形生成装置 |
| JPH07281714A (ja) * | 1994-04-06 | 1995-10-27 | Kawasaki Heavy Ind Ltd | シミュレーション方法およびそれに用いる装置 |
| JPH07302393A (ja) * | 1994-05-09 | 1995-11-14 | Mitsubishi Heavy Ind Ltd | 運転支援方法及び装置 |
| JPH0895948A (ja) * | 1994-09-28 | 1996-04-12 | Hitachi Ltd | トレンドに基づく時系列予測方法および装置 |
| JPH1020925A (ja) * | 1996-07-05 | 1998-01-23 | Toshiba Corp | プラント診断装置 |
-
1998
- 1998-01-26 JP JP01228498A patent/JP3567073B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH11212947A (ja) | 1999-08-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Fault prognostics using dynamic wavelet neural networks | |
| US20230114296A1 (en) | Automated analysis of non-stationary machine performance | |
| CA2433941C (en) | Adaptive modeling of changed states in predictive condition monitoring | |
| CN110119339A (zh) | 工业设备的健康状态的评估方法、系统、设备和存储介质 | |
| JP3637412B2 (ja) | 時系列データ学習・予測装置 | |
| TWI663510B (zh) | 設備保養預測系統及其操作方法 | |
| JP7201844B2 (ja) | グラディエントベースのセンサ識別を利用した障害予測 | |
| JP2007249997A (ja) | 工業プロセスの監視方法及び監視システム | |
| JP3567073B2 (ja) | 時系列データ予測方法および装置 | |
| GB2142758A (en) | Method and system for diagnosing a thermal power plant system | |
| Cross et al. | Model-based and fuzzy logic approaches to condition monitoring of operational wind turbines | |
| CN110688617B (zh) | 风机振动异常检测方法及装置 | |
| CN110597235A (zh) | 一种通用智能故障诊断方法 | |
| CN115236469B (zh) | 一种无人值守变电站在线监控方法、系统、介质及设备 | |
| EP3703250A1 (en) | Servo driver and state change detecting method | |
| WO2021127646A1 (en) | Device and method for monitoring a system | |
| US20080288213A1 (en) | Machine condition monitoring using discontinuity detection | |
| EP0633536A1 (en) | Diagnosis method and system for predictive machine maintenance | |
| CN115327990A (zh) | 一种基于ai的电气设备状态监测预警模型及其方法 | |
| KR20050031809A (ko) | 센서 퓨징을 이용한 무인 이동체의 위치 추정 방법 및 장치 | |
| JP2007108107A (ja) | 設備診断装置 | |
| CN112214911B (zh) | 一种电源的健康状态预测方法 | |
| CN102830341A (zh) | 基于rs-cmac的功率电子电路在线智能故障预测方法 | |
| JP3176692B2 (ja) | プロセス運用支援システム | |
| JP2645017B2 (ja) | プラント診断方法及びその装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20040106 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040308 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20040420 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20040608 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040614 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080618 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080618 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090618 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090618 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100618 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100618 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110618 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110618 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120618 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120618 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130618 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |