JP6831030B1 - 予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム - Google Patents
予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム Download PDFInfo
- Publication number
- JP6831030B1 JP6831030B1 JP2020113248A JP2020113248A JP6831030B1 JP 6831030 B1 JP6831030 B1 JP 6831030B1 JP 2020113248 A JP2020113248 A JP 2020113248A JP 2020113248 A JP2020113248 A JP 2020113248A JP 6831030 B1 JP6831030 B1 JP 6831030B1
- Authority
- JP
- Japan
- Prior art keywords
- evaluation value
- prediction model
- sensitivity direction
- learning
- prediction
- 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.)
- Active
Links
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
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Feedback Control In General (AREA)
Abstract
Description
少なくとも1つの説明変数から目的変数を予測するための予測モデルの学習方法であって、
前記予測モデルの予測誤差を示す第1評価値を算出する第1評価値算出工程と、
前記少なくとも1つの説明変数の少なくとも一部の前記目的変数に対する感度方向に関する特徴量と、既知情報に基づいて前記特徴量に対して設定される許容範囲との一致度を示す第2評価値を算出する第2評価値算出工程と、
前記第1評価値及び前記第2評価値に基づいて、前記予測モデルを更新することにより学習を行う予測モデル更新工程と、
を備える。
少なくとも1つの説明変数から目的変数を予測するための予測モデルの学習装置であって、
前記予測モデルの予測誤差を示す第1評価値を算出する第1評価値算出部と、
前記少なくとも1つの説明変数の少なくとも一部の前記目的変数に対する感度方向に関する特徴量と、既知情報に基づいて前記特徴量に対して設定される許容範囲との一致度を示す第2評価値を算出する第2評価値算出部と、
前記第1評価値及び前記第2評価値に基づいて、前記予測モデルを更新することにより学習を行う予測モデル更新部と、
を備える。
本開示の少なくとも一態様に係る予測モデルの学習装置と、
前記予測モデル更新部によって更新された前記予測モデルに、前記少なくとも1つの説明変数に対応する入力パラメータを入力することにより、前記目的変数に対応するパラメータを予測する予測部と、
前記予測部で予測された前記パラメータに基づいて、前記少なくとも1つの説明変数の最適値を算出する最適値算出部と、
前記最適値に基づいて、プラントを制御する制御部と、
を備える。
例えば、「ある方向に」、「ある方向に沿って」、「平行」、「直交」、「中心」、「同心」或いは「同軸」等の相対的或いは絶対的な配置を表す表現は、厳密にそのような配置を表すのみならず、公差、若しくは、同じ機能が得られる程度の角度や距離をもって相対的に変位している状態も表すものとする。
例えば、「同一」、「等しい」及び「均質」等の物事が等しい状態であることを表す表現は、厳密に等しい状態を表すのみならず、公差、若しくは、同じ機能が得られる程度の差が存在している状態も表すものとする。
例えば、四角形状や円筒形状等の形状を表す表現は、幾何学的に厳密な意味での四角形状や円筒形状等の形状を表すのみならず、同じ効果が得られる範囲で、凹凸部や面取り部等を含む形状も表すものとする。
一方、一の構成要素を「備える」、「具える」、「具備する」、「含む」、又は、「有する」という表現は、他の構成要素の存在を除外する排他的な表現ではない。
尚、以下の説明において、複数の説明変数Xkのうちk番目(kは任意の自然数)を示す場合には「説明変数xk」と示す。
ここでxk、jは、ICEプロットにおける説明変数xkのm個の成分のうちj番目を示す。またXkは、各xk、j(=[xk、0、xk、1、・・・xk、m])のベクトルである。またF(Xk,Xc (i))は各f(xk、j、Xc (i))のベクトルであり、F’(Xk,Xc (i))は各f’(xk、j、Xc (i))のベクトルである。尚、f’はfのxkによる微分である。
例えば、感度方向タイプtsdが「増加」、「減少」、「無視可能」である場合には、感度方向誤差esdkは、当該感度方向タイプtsdに対応する特徴量Ak、及び、特徴量Akに対応する許容範囲(amax、amin)を用いて次式により求められる。
esdk=calDev(Ak、amax、amin) (4)
esdk=(0.3)2+(0.0)2+(0.6)2=0.15
esdk=calDev(A’k、a’max、a’min)+calDev(Xipk、xipmax、xipmin) (5)
ここでcalDevは、特徴量A’k、Xipkの許容範囲(a’max、a’min、xipmax、xipmin)からの乖離量の二乗平均を出力する関数である。
esd=esd1+esd2+・・・ (6)
尚、(6)式では各説明変数に対応する感度方向誤差esdkに対して所定の重み付け係数を設定してもよい。
e=ep+rsde×esd (7)
尚、係数rsdeは任意の定数である。
続いて上述の学習装置150によって更新された予測モデルMの信頼性に関する検証結果について説明する。図6は、学習装置150による予測モデルMの構築に用いられるデータセットDSのスキャッターマトリクスである。このスキャッターマトリクスは、9つの説明変数x1〜x9、及び、目的変数yからなるデータセットDSを10組含んで構成される。スキャッターマトリクスの各成分は、それぞれ次式を満たすように0.0〜1.0の間を0.01ステップ間隔で規定され、これに少量のノイズ成分を付加することで形成されている。このデータセットにおいては各説明変数x1〜x9と目的変数yとは線形関係にあるため、感度方向学習無しで、予測モデルMが「上に凸」や「下に凸」の感度方向を学習することが考えにくい。
y=x1=x2=・・・=x9 (8)
尚、図7では、各説明変数x1〜x9に選択された感度方向タイプtsdに対応する許容範囲がそれぞれ示されている。
続いて実社会に存在するデータセットに基づいて、前述の学習装置150によって得られる予測モデルMについて、他方式の機械学習によって得られる学習モデルと比較して検証する。図10Aは外気温度を表すAT(横軸)と発電電力を表すPE(縦軸)との関係を示すCCPPデータセットであり、図10Bは図10AのCCPPデータセットから得られる予測モデルMである。また図11Aは体感温度を表すatemp(横軸)とレンタル自転車数を表すcnt(縦軸)との関係を示すバイクシェアリングデータセットであり、図11Bは図11Aのバイクシェアリングデータセットから得られる予測モデルMである。
少なくとも1つの説明変数(例えば上記実施形態の説明変数Xk)から目的変数(例えば上記実施形態の目的変数y)を予測するための予測モデル(例えば上記実施形態の予測モデルM)の学習方法であって、
前記予測モデルの予測誤差(例えば上記実施形態の感度方向誤差ep)を示す第1評価値(例えば上記実施形態の第1評価値R1)を算出する第1評価値算出工程(例えば上記実施形態のステップS10)と、
前記少なくとも1つの説明変数の少なくとも一部の前記目的変数に対する感度方向に関する特徴量(例えば上記実施形態の特徴量Ak、A’k、Xipk)と、既知情報(例えば上記実施形態の知識テーブル)に基づいて前記特徴量に対して設定される許容範囲(例えば上記実施形態の許容範囲amax、amin、a’max、a’min、xipmax、xipmin)との一致度を示す第2評価値(例えば上記実施形態の第2評価値R2)を算出する第2評価値算出工程(例えば上記実施形態のステップS20)と、
前記第1評価値及び前記第2評価値に基づいて、前記予測モデルを更新することにより学習を行う予測モデル更新工程(例えば上記実施形態のステップS30)と、
を備える。
前記第2評価値算出工程では、前記特徴量の前記許容範囲に対する感度方向誤差(例えば上記実施形態の感度方向誤差esd)を、前記第2評価値として算出する。
前記既知情報は、予め分類された複数の感度方向タイプ(例えば上記実施形態の感度方向タイプtsd)と、前記複数の感度方向タイプの各々について規定された前記特徴量の前記許容範囲と、を含む。
前記第2評価値算出工程では、前記第2評価値は、予め設定された重み付け係数を用いて前記説明変数ごとの前記一致度を合成することにより算出される。
前記予測モデル更新工程では、前記第1評価値及び前記第2評価値の線形和が最小になるように前記予測モデルを更新する。
前記第1評価値算出工程及び前記第2評価値算出工程では、前記少なくとも1つの説明変数及び前記目的変数を有する複数のデータセット(例えば上記実施形態のデータセットDS)を含むバッチデータを用いて、前記第1評価値及び前記第2評価値がそれぞれ算出される。
前記第1評価値算出工程における前記第1評価値の算出頻度と、前記第2評価値算出工程における前記第2評価値の算出頻度が異なる。
少なくとも1つの説明変数(例えば上記実施形態の説明変数Xk)から目的変数(例えば上記実施形態の目的変数y)を予測するための予測モデル(例えば上記実施形態の予測モデルM)の学習装置(例えば上記実施形態の学習装置150)であって、
前記予測モデルの予測誤差(例えば上記実施形態の感度方向誤差ep)を示す第1評価値(例えば上記実施形態の第1評価値R1)を算出する第1評価値算出部(例えば上記実施形態の第1評価値算出部156)と、
前記少なくとも1つの説明変数の少なくとも一部の前記目的変数に対する感度方向に関する特徴量(例えば上記実施形態の特徴量Ak、A’k、Xipk)と、既知情報(例えば上記実施形態の知識テーブル)に基づいて前記特徴量に対して設定される許容範囲(例えば上記実施形態の許容範囲amax、amin、a’max、a’min、xipmax、xipmin)との一致度を示す第2評価値(例えば上記実施形態の第2評価値R2)を算出する第2評価値算出部(例えば上記実施形態の第2評価値算出部158)と、
前記第1評価値及び前記第2評価値に基づいて、前記予測モデルを更新することにより学習を行う予測モデル更新部(例えば上記実施形態の予測モデル更新部162)と、
を備える。
上記(8)の態様に係る予測モデルの学習装置と、
前記予測モデル更新部によって更新された前記予測モデルに、プラントの制御パラメータに関する前記少なくとも1つの説明変数を入力することにより、前記プラントの性能に関する前記目的変数を予測する予測部(例えば上記実施形態の予測部130)と、
前記予測部で予測された前記目的変数に基づいて、前記プラントを制御する制御部(例えば上記実施形態の制御部145)と、
を備える。
110 予測モデル記憶部
120 説明変数取得部
130 予測部
140 最適値算出部
145 制御部
150 学習装置
152 データセット作成部
156 第1評価値算出部
158 第2評価値算出部
158a 特徴量算出部
158b 感度方向誤差算出部
159 知識テーブル記憶部
160 解析部
162 予測モデル更新部
DS データセット
M 予測モデル
R1 第1評価値
R2 第2評価値
TD 教師データ
Claims (9)
- 少なくとも1つの説明変数から目的変数を予測するための予測モデルの学習方法であって、
前記予測モデルの予測誤差を示す第1評価値を算出する第1評価値算出工程と、
前記少なくとも1つの説明変数の少なくとも一部の前記目的変数に対する感度方向に関する特徴量と、既知情報に基づいて前記特徴量に対して設定される許容範囲との一致度を示す第2評価値を算出する第2評価値算出工程と、
前記第1評価値及び前記第2評価値に基づいて、前記予測モデルを更新することにより学習を行う予測モデル更新工程と、
を備える、予測モデルの学習方法。 - 前記第2評価値算出工程では、前記特徴量の前記許容範囲に対する感度方向誤差を、前記第2評価値として算出する、請求項1に記載の予測モデルの学習方法。
- 前記既知情報は、予め分類された複数の感度方向タイプと、前記複数の感度方向タイプの各々について規定された前記特徴量の前記許容範囲とを含む、請求項1又は2に記載の予測モデルの学習方法。
- 前記第2評価値算出工程では、前記第2評価値は、予め設定された重み付け係数を用いて前記説明変数ごとの前記一致度を合成することにより算出される、請求項1から3のいずれか一項に記載の予測モデルの学習方法。
- 前記予測モデル更新工程では、前記第1評価値及び前記第2評価値の線形和が最小になるように前記予測モデルを更新する、請求項1から4のいずれか一項に記載の予測モデルの学習方法。
- 前記第1評価値算出工程及び前記第2評価値算出工程では、前記少なくとも1つの説明変数及び前記目的変数を有する複数のデータセットを含むバッチデータを用いて、前記第1評価値及び前記第2評価値がそれぞれ算出される、請求1から5のいずれか一項に記載の予測モデルの学習方法。
- 前記第1評価値算出工程における前記第1評価値の算出頻度と、前記第2評価値算出工程における前記第2評価値の算出頻度が異なる、請求項1から6のいずれか一項に記載の予測モデルの学習方法。
- 少なくとも1つの説明変数から目的変数を予測するための予測モデルの学習装置であって、
前記予測モデルの予測誤差を示す第1評価値を算出する第1評価値算出部と、
前記少なくとも1つの説明変数の少なくとも一部の前記目的変数に対する感度方向に関する特徴量と、既知情報に基づいて前記特徴量に対して設定される許容範囲との一致度を示す第2評価値を算出する第2評価値算出部と、
前記第1評価値及び前記第2評価値に基づいて、前記予測モデルを更新することにより学習を行う予測モデル更新部と、
を備える、予測モデルの学習装置。 - 請求項8に記載の学習装置と、
前記予測モデル更新部によって更新された前記予測モデルに、プラントの制御パラメータに関する前記少なくとも1つの説明変数を入力することにより、前記プラントの性能に関する前記目的変数を予測する予測部と、
前記予測部で予測された前記目的変数に基づいて前記プラントを制御する制御部と、
を備える、プラント制御システム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020113248A JP6831030B1 (ja) | 2020-06-30 | 2020-06-30 | 予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム |
PCT/JP2021/004804 WO2022004039A1 (ja) | 2020-06-30 | 2021-02-09 | 予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020113248A JP6831030B1 (ja) | 2020-06-30 | 2020-06-30 | 予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6831030B1 true JP6831030B1 (ja) | 2021-02-17 |
JP2022011858A JP2022011858A (ja) | 2022-01-17 |
Family
ID=74562408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020113248A Active JP6831030B1 (ja) | 2020-06-30 | 2020-06-30 | 予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6831030B1 (ja) |
WO (1) | WO2022004039A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023080531A1 (ko) * | 2021-11-02 | 2023-05-11 | 주식회사 에이젠글로벌 | 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3751982B2 (ja) * | 1993-02-18 | 2006-03-08 | 新日鉄ソリューションズ株式会社 | ニューラルネットワークの学習方式 |
DE102013011715A1 (de) * | 2013-07-15 | 2015-01-15 | Fresenius Medical Care Deutschland Gmbh | Verfahren zum Steuern einer Blutbehandlungsvorrichtung und Vorrichtungen |
JP6693919B2 (ja) * | 2017-08-07 | 2020-05-13 | ファナック株式会社 | 制御装置及び機械学習装置 |
JP6472915B1 (ja) * | 2018-05-07 | 2019-02-20 | 株式会社Nttドコモ | 情報処理装置 |
JP7065685B2 (ja) * | 2018-05-07 | 2022-05-12 | 株式会社日立製作所 | データ不足提示システムおよびデータ不足提示方法 |
JP2020057165A (ja) * | 2018-10-01 | 2020-04-09 | 株式会社椿本チエイン | 異常判定装置、信号特徴量予測器、異常判定方法、学習モデルの生成方法及び学習モデル |
-
2020
- 2020-06-30 JP JP2020113248A patent/JP6831030B1/ja active Active
-
2021
- 2021-02-09 WO PCT/JP2021/004804 patent/WO2022004039A1/ja active Application Filing
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023080531A1 (ko) * | 2021-11-02 | 2023-05-11 | 주식회사 에이젠글로벌 | 금융 서비스를 위한 금융 모델 및 금융 데이터 가치 평가 방법 및 이러한 방법을 수행하는 장치 |
Also Published As
Publication number | Publication date |
---|---|
JP2022011858A (ja) | 2022-01-17 |
WO2022004039A1 (ja) | 2022-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Islam et al. | A novel particle swarm optimization-based grey model for the prediction of warehouse performance | |
Felsberger et al. | A Review of Decision Support Systems for Manufacturing Systems. | |
Mungle et al. | A fuzzy clustering-based genetic algorithm approach for time–cost–quality trade-off problems: A case study of highway construction project | |
Asafuddoula et al. | Six-sigma robust design optimization using a many-objective decomposition-based evolutionary algorithm | |
Arumugam et al. | A novel and effective particle swarm optimization like algorithm with extrapolation technique | |
Branke | MCDA and multiobjective evolutionary algorithms | |
CN109685277A (zh) | 用电量预测方法及装置 | |
Dhahri et al. | The modified differential evolution and the RBF (MDE-RBF) neural network for time series prediction | |
Golmohammadi et al. | Supplier selection based on a neural network model using genetic algorithm | |
Kareem Kamoona et al. | Implementation of genetic algorithm integrated with the deep neural network for estimating at completion simulation | |
Abbaszadeh Shahri et al. | A modified firefly algorithm applying on multi-objective radial-based function for blasting | |
Saldivar et al. | Identifying smart design attributes for Industry 4.0 customization using a clustering Genetic Algorithm | |
Salmasnia et al. | A robust intelligent framework for multiple response statistical optimization problems based on artificial neural network and Taguchi method | |
JP6831030B1 (ja) | 予測モデルの学習方法、予測モデルの学習装置、及び、プラント制御システム | |
WO2023020257A1 (zh) | 数据预测方法、装置及存储介质 | |
Khayyam et al. | Genetic programming approaches in design and optimization of mechanical engineering applications | |
Mahmoodi et al. | A developed stock price forecasting model using support vector machine combined with metaheuristic algorithms | |
CN115689443A (zh) | 基于波动性聚类和区块链的供应链管理方法及系统 | |
CN116502455A (zh) | 一种激光选区熔化技术的工艺参数确定方法及系统 | |
Gosavi et al. | Maintenance optimization in a digital twin for Industry 4.0 | |
Cavalcanti et al. | Production system efficiency optimization using sensor data, machine learning-based simulation and genetic algorithms | |
Sun et al. | Solving interval multi-objective optimization problems using evolutionary algorithms with preference polyhedron | |
Haque et al. | Parameter and Hyperparameter Optimisation of Deep Neural Network Model for Personalised Predictions of Asthma | |
TW202046213A (zh) | 計劃制定系統及其方法 | |
Chen et al. | Prediction intervals for industrial data with incomplete input using kernel-based dynamic Bayesian networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200731 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20200731 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20201014 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20201027 |
|
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: 20210119 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210127 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6831030 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |