JP6901039B2 - モデル構造選択装置、方法、ディスアグリゲーションシステムおよびプログラム - Google Patents

Description

本発明は、モデル構造選択装置、方法、ディスアグリゲーションシステムおよびプログラムに関する。

ディスアグリゲーション（ｄｉｓａｇｇｒｅｇａｔｉｏｎ：分離）技術は、複数の機器の消費電力または消費電流などの集約（合成）信号を個々の波形に分離するために使用される。

ディスアグリゲーションのためのアルゴリズムとして、ファクトリアル隠れマルコフモデル（Ｆａｃｔｏｒｉａｌ Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ；ＦＨＭＭ）、組合せ最適化、ブラインド信号源分離などのアルゴリズムのいずれか１つを利用することができる。

グラフィカル状態モデルは確率的モデルであり、グラフは、所与のデータまたは分布の期間の間の条件付き構造を示す。一般に、機器は現在の状態にとどまる可能性が高く、状態変化の発生は、例えば機器の動作タイプに応じて、比較的まれまたは頻繁となる。

状態間の遷移をモデル化するための典型的な状態モデル構造の１つとして、完全接続状態モデル（ｆｕｌｌｙ ｃｏｎｎｅｃｔｅｄ ｓｔａｔｅ ｍｏｄｅｌ）があり、すべての状態は完全に接続され、すなわち、任意の状態から他の状態への遷移が可能であり、あらゆる状態が開始状態または終了状態として機能することができる。

ＦＨＭＭベースのディスアグリゲーションアプローチにおいては、固定数のノード（状態）および固定数のエッジを有する状態モデル構造が通常採用される。ＦＨＭＭの単純なケースとして、１つの機器は１つの因子に対応し、各因子は状態モデル構造を表す。図１０Ａおよび図１０Ｂは、それぞれ、隠れマルコフモデル（Ｈｉｄｄｅｎ Ｍａｒｋｏｖ Ｍｏｄｅｌ；ＨＭＭ）およびＦＨＭＭの観測と状態との関係の観点から、ＨＭＭおよびＦＭＭＭを模式的に示している。なお、ＦＨＭＭを用いたディスアグリゲーションシステムに関しては、非特許文献１、特許文献１、および特許文献２を参照することができる。

ＨＭＭでは、タイムスタンプｔにおける１つの状態変数Ｓ_ｔ（隠れ状態）は、タイムスタンプｔにおける観測データＹ_ｔ（集合波形データ）に対応する（図１０Ａ参照）。

ＦＨＭＭでは、タイムスタンプｔにおける状態変数Ｓ_ｔとして、Ｓ_ｔ ^（１），Ｓ_ｔ ^（２），Ｓ_ｔ ^（３），…Ｓ_ｔ ^（ｍ），…，およびＳ_ｔ ^（Ｍ）の複数（Ｍ個）の状態変数が存在し、タイムスタンプｔにおけるＭ個の状態変数Ｓｔ^（１）−Ｓｔ^（Ｍ）から、１つの観測データＹ_ｔが生成される（図１０Ｂ参照）。すなわち、ＦＨＭＭでは、タイムスタンプｔにおける観測Ｙ_ｔは、当該タイムスタンプにおけるすべての状態変数Ｓ_ｔ ^（１）−Ｓ_ｔ ^（Ｍ）に依存する。

Ｍ個の状態変数Ｓ_ｔ ^（１）−Ｓ_ｔ ^（Ｍ）は、それぞれＭ個の機器に対応させることができる。Ｍ個の状態変数Ｓ_ｔ ^（１）−Ｓ_ｔ ^（Ｍ）の状態値は、それぞれ、Ｍ個の機器の状態（オンまたはオフ状態などの動作状態）に対応する。すなわち、第ｍ番目の因子（ｍ＝１，…，Ｍ）の状態は、第ｍ番目の因子に対応する第ｍ番目の機器の状態に対応する。ＦＨＭＭの学習プロセスにおいては、各タイムスタンプｔにおける合成波形Ｙ_ｔが観察されるように、モデルパラメータが取得または更新される。

隠れ状態｛Ｓ_１，Ｓ_２，…，Ｓ_ｔ，…，Ｓ_Ｔ｝が観測データ｛Ｙ_１，Ｙ_２，…，Ｙ_ｔ，…，Ｙ_Ｔ｝に対応するとすると、状態Ｓ_ｔと観測データＹ_ｔの同時確率Ｐ（｛Ｓ_ｔ，Ｙ_ｔ｝）は、次式で与えられる。

同時確率Ｐ（｛Ｓ_ｔ，Ｙ_ｔ｝）は、Ｍ個の因子の状態の組み合わせである状態Ｓ_ｔでＹ_ｔが観測される確率である。

Ｐ（Ｓ_１）は、初期タイムスタンプｔ＝１において、Ｍ個の因子の状態の組み合わせがＳ_１にある初期状態確率である。Ｐ（Ｓ_１）は次式で計算できる。

ここで、Ｐ（Ｓ^（ｍ） _１）は、第ｍ番目の因子の状態Ｓ（^ｍ）_１がタイムスタンプｔ＝１の状態にある初期状態確率である。

Ｐ（Ｓ_ｔ｜Ｓ_ｔ−１）は、タイムスタンプｔ−１におけるＭ個の因子の状態の組み合わせＳ_ｔ−１が、タイムスタンプｔにおけるＭ個の因子の状態の組み合わせＳ_ｔに遷移する、遷移確率（条件付き確率）である。Ｐ（Ｓ_ｔ｜Ｓ_ｔ−１）は次式で計算できる。

このモデルの図式的な表現が図１０Ｂに示されている。状態数がＫであるとすると、遷移確率Ｐ（Ｓ^（ｍ） _ｔ｜Ｓ^（ｍ） _ｔ−１）は、Ｋ×Ｋ正方行列であり、第ｋ番目の状態から第ｋ'番目の状態（ｋ'＝１，２，．．）への第ｍ番目の因子の遷移確率が、第ｋ番目の行と第ｋ'番目の列に配置されている。

Ｐ（Ｙ_ｔ｜Ｓ_ｔ）は、Ｍ個の因子の状態の組み合わせがＳｔである条件下でＹ_ｔがタイムスタンプｔで観測される観測確率（条件付き確率）である。

ここで

ＤはＹ_ｔの次元、ＣはＤ×Ｄの共分散行列、'は行列転置、−１は逆行列、||は行列式、Ｗ^（ｍ）はＤ×Ｋの重み行列を示す。

Ｗ^（ｍ）は、第ｍ番目の機器の波形に対応するＰ（｛Ｓ_ｔ，Ｙ_ｔ｝）に関連するパラメータである。μ_ｔは、時刻ｔでの観測平均であり、行列Ｗ^（ｍ）の状態Ｓ^（ｍ） _ｔに対応するＭ個の列要素を加算することにより得られる。

ＦＨＭＭでは、ＥＭ（Ｅｘｐｅｃｔａｔｉｏｎ−Ｍａｘｉｍｉｚａｔｉｏｎ）などのアルゴリズムを使用して、出力（観測データ）からパラメータを推定することができ、図１１のフローチャートに示すように、Ｅ（期待）ステップとＭ（最大化）ステップを繰り返すことにより、観測データの対数尤度を最大化する。図１１に、ＥＭアルゴリズムを用いたモデル学習手順を示す。

＜ステップＳ１＞初期パラメータ設定

＜ステップＳ２＞集合波形データ｛Ｙ_１，Ｙ_２，…，Ｙ_Ｔ｝の取得

＜ステップＳ３＞状態の推定（ＦＨＭＭの各因子が各状態にある各確率の計算）。すなわち、Ｅステップでは、現在推定されている潜在変数の分布に基づいてモデルの尤度の期待値を計算する。尤度の期待値は次式で与えられる。

ここで、Ｑは、現在のパラメータφおよび観測シーケンス｛Ｙ_ｔ｝を与えられたパラメータφ^ｎｅｗの関数である。ＦＨＭＭで推定されるモデルパラメータは、φ＝｛Ｗ^（ｍ），π^（ｍ），Ｐ^（ｍ），Ｃ｝でもよく、ここで、π^（ｍ）＝Ｐ（Ｓ^（ｍ） _１）（初期状態確率）、Ｐ^（ｍ）＝ Ｐ（Ｓ^（ｍ） _ｔ｜Ｓ^（ｍ） _ｔ−１）、ＣおよびＷ^（ｍ）は、上記の数式（４）および（５）におけるものである。

＜ステップＳ４＞Ｍステップは、φ^ｎｅｗの関数としてＱを最大化する。Ｍステップで得られたパラメータを使用して、次の反復のＥステップで用いられる潜在変数の分布を決定する。

＜ステップＳ５＞モデルパラメータφが収束する（増加しない）かどうかをチェックする。期待値が収束する（増加しない）までステップ３および４が繰り返される。

状態モデルの状態空間グラフにおけるノードの数およびエッジの数に関して、機器の状態モデル構造（状態遷移モデル）の選択に伴う複雑性は比較的高い。

したがって、状態モデルの構造の選択を行う代わりに、完全接続状態モデルなどの状態モデルの同じ構造が使用され続ける。その波形が集合波形に合成される異なる機器のデータを使用して、状態モデル（モデルパラメータ）を学習させることができる。しかし、同じ状態モデル構造を使用し続けると、機器から得た所与のデータと状態モデル構造が互いに一致しない場合、ディスアグリゲーションにおける推定精度が低下する可能性がある。

完全接続状態モデルは、ＦＨＭＭにおいて一般的に使用される状態モデルの１つである。分離する機器の数は用途ごとに異なるため、状態モデルの構造（トポロジー）を選択することは難しい。したがって、完全接続状態モデルを選択することは選択肢の１つと言える。

与えられた波形データから状態モデル（パラメータ）を自動的に学習する方法が知られている。この方法は、教師なし学習アプローチおよびデータ駆動モデルのカテゴリー下に分類されると言えるが、選択された状態モデル構造の適正性を保証できないことが知られている。

特許文献３には、家庭または建物内の個々の機器によって消費される電力を判定し提示することができる消費電力測定システムが開示されている。このシステムは、電力計が接続されている電力線にそれぞれ接続されている複数の機器に関する動作状態情報を収集し、どの機器がオンまたはオフであるか、および各機器がどれだけの電力を消費するかを判定することができる。

特開２０１３−２１３８２５号公報 特開２０１３−２１８７１５号公報 米国特許出願公開第２０１１／０１１２７８０号明細書

Zoubin Ghahramani, and Michael I. Jordan, "Factorial Hidden Markov Models", Machine Learning Volume 29, Issue 2-3, Nov./Dec. 1997

ディスアグリゲーションの関連技術において、完全接続状態モデルの構造は、異なるすべての種類の機器に対して必ずしも適合しない。

不適切な状態モデル構造に基づいて所与の波形データから状態モデルを学習すると、推定精度が低下する。より具体的には、ディスアグリゲーションシステム内のすべての機器に対して完全接続状態モデルを用いると、推定における複雑性が非常に増大し、機器の状態を推定することが困難となる。

状態モデルの選択は、ディスアグリゲーションにおける推定プロセスを円滑にする状態モデルを学習するために非常に重要である。

本発明は、上記の問題を解決するために発明されたものであり、その目的の１つは、複雑性を低減しつつ、信号がサンプリングされたデータの時系列に基づいて適切な状態モデル構造の選択を可能にすることである。

本発明の１つの側面によれば、波形サンプルデータの時系列または前記サンプルデータから算出された特徴量を記憶するデータ記憶部から時系列データを受け取る入力部と、前記時系列データのサンプル値分布に基づいて前記時系列データの変化および繰り返し特性を示す尺度を計算する計算部と、前記尺度に基づいて完全接続状態モデルおよび一方向状態モデルを含む状態モデルからモデルの学習および推定に使用する状態モデル構造を選択し、選択された状態モデルを記憶する記憶部に前記選択された状態モデルを記憶する選択部と、を含む状態モデル構造選択装置が提供される。

本発明の１つの側面によれば、サンプルデータの特徴量の時系列を記憶するデータ記憶部と、状態モデルを記憶するモデル記憶部と、少なくとも１つの機器の波形サンプルデータを取得するデータ取得部と、前記波形サンプルデータによって構成されるか、または前記サンプルデータから計算された特徴量の時系列を格納するデータ前処理部と、前記データ記憶部から前記時系列データを受け取り、前記時系列データのサンプル値分布に基づいて前記時系列データの変化および繰り返し特性を示す尺度を計算し、前記尺度に基づいて完全接続状態モデルおよび一方向状態モデルを含む状態モデルからモデルの学習および推定に使用する状態モデル構造を選択し、前記モデル記憶部に前記選択された状態モデルを記憶するモデル構造選択部と、前記モデル記憶部に記憶された前記選択された状態モデルを用いて、前記データ記憶部により取得され記憶された前記波形時系列データから、前記選択された状態モデルについてのモデルパラメータを学習するモデル学習部と、前記モデル記憶部に記憶された前記状態モデルを用いて、複数の機器それぞれの個別の波形が統合された波形から個別の波形を推定する推定部と、を含むディスアグリゲーションシステムが提供される。

本発明の１つの側面によれば、状態モデル構造を選択する方法であって、
波形サンプルデータの時系列または前記サンプルデータから算出された特徴量を記憶するデータ記憶部から時系列データを受け取り、
前記受け取った時系列データのサンプル値分布に基づいて前記時系列データの変化および繰り返し特性を示す尺度を計算し、
前記尺度に基づいて完全接続状態モデルおよび一方向状態モデルを含む状態モデルからモデルの学習および推定に使用する状態モデル構造を選択し、
モデル記憶部に前記選択された状態モデルを記憶すること、を含む方法が提供される。

本発明の１つの側面によれば、
波形サンプルデータの時系列または前記サンプルデータから算出された特徴量を記憶するデータ記憶部から時系列データを受け取り、
前記受け取った時系列データのサンプル値分布に基づいて前記時系列データの変化および繰り返し特性を示す尺度を計算し、
前記尺度に基づいて完全接続状態モデルおよび一方向状態モデルを含む状態モデルからモデルの学習および推定に使用する状態モデル構造を選択し、
モデル記憶部に前記選択された状態モデルを記憶すること、
を含む処理をコンピュータに実行させるプログラムが提供される。

本発明のさらに別の側面では、上記側面によるプログラムを記憶したコンピュータ読み出し可能な記録媒体（半導体メモリ（ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ ａｎｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、フラッシュメモリ等）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）等のｎｏｎ−ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｒｅｃｏｒｄｉｎｇ ｍｅｄｉｕｍ）が提供される。

本発明によれば、複雑性を低減しつつ、信号がサンプリングされたデータの時系列に基づいて適切な状態モデル構造の選択が可能になる。その結果、本発明は、ディスアグリゲーションの精度の向上に寄与することができる。本発明のさらに他の特徴及び利点は、本発明を実施することが企図されている最良の形態の単なる例示により、本発明の実施形態のみを図示及び説明した添付の図面と併せて以下の詳細な説明から当業者には容易に明らかになるであろう。理解されるように、本発明は、他の異なる実施形態が可能であり、そのいくつかの詳細は、本発明から逸脱することなく、様々な明白な点において変更可能である。したがって、図面及び説明は、本質的に例示的であるとみなされるべきであり、限定的ではないとみなされるべきである。

一実施形態の構成を示す図である。 タイプ１の（完全に接続された）状態モデルを模式的に示す図である。 タイプ１の（完全に接続された）遷移行列を示す図である。 タイプ１の（完全に接続された）時系列データの典型的な例を模式的に示す図である。 タイプ２（一方向）の状態モデルを模式的に示す図である。 タイプ２（一方向）の遷移行列を示す図である。 タイプ２（一方向）の時系列データの典型的な例を模式的に示す図である。 モデル構造選択部を模式的に示す図である。 一実施形態の手順を示すフローチャートである。 タイプ１の状態モデル構造の例示的なケースの時系列データを模式的に示す図である。 図６Ａにおけるマグニチュード値の出現回数を示す図である。 図６Ａにおけるサイクルの頻度の確率と頻度の確率との間の相関係数を示す図である。 タイプ２の状態モデル構造の例示的なケースの時系列データを模式的に示す図である。 図７Ａにおけるマグニチュード値の出現回数を示す図である。 図７Ａにおけるサイクルの頻度の確率と頻度の確率との間の相関係数を示す図である。 第２の実施形態のシステムを模式的に示す図である。 第３の実施形態のシステムを模式的に示す図である。 観測とその状態との間の関係に関して、ＨＭＭのグラフィカルモデルを模式的に示す図である。 観測とその状態との間の関係に関して、ＦＨＭＭのグラフィカルモデルを模式的に示す図である。 ＥＭアルゴリズムを用いたディスアグリゲーション手順を模式的に示す図である。

一実施形態では、教師あり学習アプローチを使用して、機器の所与の波形データから状態モデル（モデルパラメータ）を学習する。なお、モデルの選択は、状態モデルの構造を選択することを意味する。実施形態では、ＦＨＭＭモデルを用いることを前提とする。

一実施形態では、２つのタイプの構造が提供されてもよく、第１のタイプは完全接続状態モデル、第２のタイプは一方向状態モデル（one way direction state model）であるが、これに限定されない。これら２つのタイプの状態モデルから、所与の波形データに対して特定の状態モデルを選択することができる。

完全接続状態モデルがディスアグリゲーションシステム内のすべての機器に適用されると仮定される場合、その消費電流の総和から各機器の個々の信号波形への分離など、複数の機器の集合波形を分離するための推定における複雑性が増すことになる。すなわち、分離されるすべての機器に完全接続状態モデルを使用すると、消費電流波形などの集合波形から、ある瞬間における機器の状態の発生を推定する場合における複雑性が増すなどの欠点がある。

一実施形態において、プログラム（指示）を記憶するメモリを有するプロセッサが、当該プログラムを読み込み実行し、サンプルデータの時系列またはサンプルデータから算出された特徴量を記憶するデータ記憶部から時系列データを受け取る入力処理と、時系列データのサンプル値分布に基づいて時系列データの変化および繰り返し特性を示す尺度を計算する計算処理と、当該尺度に基づいて完全接続状態モデルおよび一方向状態モデルを含む状態モデルからモデルの学習および推定に使用する状態モデル構造を選択し、選択された状態モデルを記憶する記憶部に選択された状態モデルを記憶する選択処理と、を実行するように構成されてもよい。完全接続状態モデルおよび一方向状態モデルからの状態モデルの選択は機器ごとに行われてもよい。例えば、二種類の状態モデルの組み合わせを用いて、機器Ａおよび機器Ｂのそれぞれの所与の波形に基づいて、機器Ａに完全接続状態モデルを割り当て、機器Ｂに一方向状態モデルをそれぞれ割り当ててもよい。

機器ごとに２つの状態モデル構造の内の１つを割り当てることにより、複数の機器の集約信号波形を個々の機器の単一信号波形に分離するディスアグリゲーションにおける各機器の波形を推定する際の複雑性を低減できる。

機器の消費電流（例えば、実効値：ＲＭＳ（Ｒｏｏｔ Ｍｅａｎ Ｓｑｕａｒｅ；二乗平均平方根）電流）などの波形データは、主に２種類のパターンを含む。したがって、２つのタイプに分類することができる。例えば、第１のタイプはステップベースのパターンであり、もう１つのタイプは同じシーケンスの繰り返しである。ステップベースのパターンは、それぞれの間に上昇を伴う複数の水平線分を有する、いわゆるステップ関数または階段関数に類似した形の機器の消費電流などのパターンを含む。例えば、機器の消費電流は、電流の適切な測定尺度において一定期間一定に保たれ、その後、瞬時に変化して他の値にジャンプする。状態モデル構造の観点から、これは、状態変化は瞬時に発生し、ある期間においてはそのままの状態にあることを意味する。

第２のタイプはシーケンスベースのパターンであり、消費電流は一定ではなく、機器の操作および動作に応じて頻繁に変化する。

＜実施形態１＞
図１は、第１の実施形態によるディスアグリゲーションシステムの構成を示す図である。ディスアグリゲーションシステムは、データ取得部１０１と、データ前処理部１０２と、データ記憶部１０３と、モデル構造選択部１０４と、モデル学習部１０５と、モデル記憶部１０６と、推定部１０７と、出力部１０８とを含む。

データ取得部１０１は、１つ以上の機器が接続されている幹線または分電盤（不図示）で測定された電流の波形データ（または集合波形）を取得する。データ取得部１０１は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）および／またはＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）などの１つ以上の通信ネットワークを介して、または信号をサンプリング（測定）し、通信機能を備えたセンサ（不図示）から、または波形データ（集合波形）を取得するエネルギー管理コントローラから波形データ（集合波形）を取得してもよい。

データ前処理部１０２は、データ取得部１０１が取得した波形データから特徴量を算出（抽出）し、算出した特徴量をデータ記憶部１０３に保存する。例えば、データ前処理部１０２は、波形データ（すなわち、電流信号をサンプリングした値）から、特徴量として二乗平均平方根（ＲＭＳ）を計算してもよい。より具体的には、データ前処理部１０２は、所定のサンプリング周波数でセンサによりサンプリングされた電流波形データ（瞬時電流値）からＲＭＳ値の時系列を算出してもよい。あるいは、センサが測定（計算）するＲＭＳ電流などの時系列データをセンサがデータ取得部１０１に提供してもよい。あるいは、データ前処理部１０２は、時間領域の波形のピーク値、平均値、波高値など、または時間領域の波形自体を特徴量として用いてもよい。データ前処理部１０２は、必要に応じて、データ取得部１０１により取得された波形の時間領域サンプルデータを間引きまたは補間（再サンプリング）してもよい。または、データ前処理部１０２は、フーリエ変換（高速フーリエ変換（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ；ＦＦＴ）または離散フーリエ変換（Ｄｉｓｃｒｅｔｅ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ；ＤＦＴ）など）を使用して波形データを周波数領域に変換し、周波数スペクトル成分に基づいて特徴量を計算してもよい。センサが測定する電力（有効電力など）のマグニチュード（ｍａｇｎｉｔｕｄｅ：大きさ）の時系列データを、センサがデータ取得部１０１に提供してもよい。さらなる変形例では、データ取得部１０１は、信号波形をサンプリング（測定）して当該信号波形の時系列データを取得するセンサを含むか、またはそのセンサに直接接続されてもよい。

最初にモデルトレーニングおよび状態モデル学習を実行し機器パラメータを取得して、状態モデルグラフである確率モデルにしてもよい。

モデル構造選択部１０４は、データ記憶部１０３に記憶された所定の波形データから状態モデル構造（完全接続状態モデルまたは一方向状態モデル）を選択する。

モデル構造選択部１０４による状態モデル構造の選択は、モデルトレーニングの段階の前に実行されてもよい。

モデル構造選択部１０４により状態モデルの訓練用モデル構造が選択されると、モデル学習部１０５は、状態モデルの選択された構造のモデルパラメータを学習し、機器用に訓練されたモデルをモデル記憶部１０６に記憶してもよい。

推定部１０７は、データ記憶部１０３から波形情報を取得し、複数の機器の消費電流などの集合（合成）波形データから、各機器の個別の波形を推定する。

推定部１０７は、上記のＥＭアルゴリズムを使用してもよいが、これに限定されない。この場合、推定部１０７は、Ｅステップを実行する第１のユニットと、Ｍステップを実行する第２のユニットとを含んでもよい。第１のユニット（処理）は、データ記憶部１０３に記憶された波形データ（Ｙ_１，．．，Ｙ_Ｔ）に基づいて、モデル記憶部１０６に記憶されたＦＨＭＭの各因子（ｍ）（ｍ＝１，…，Ｍ）の各状態における状態確率を推定し、推定結果を第２のユニットに供給してもよい。第２のユニットは、データ記憶部１０３から取得した波形データＹ_１−Ｙ_Ｔと、第１のユニットからの推定結果とを用いて、ＦＨＭＭの学習を実行し、ＦＨＭＭのモデルパラメータを、φ＝｛Ｗ^（ｍ），π^（ｍ），Ｐ^（ｍ），Ｃ｝に更新してもよい。ここで、π^（ｍ）は初期状態確率、Ｐ^（ｍ）は遷移確率、Ｃは共分散行列、Ｗ^（ｍ）は特性波形である。

出力部１０８は、推定結果（各機器の個別の波形）を、表示装置、記憶装置、またはネットワーク装置（不図示）などの出力装置に出力する。ネットワーク装置は、ネットワーク（不図示）を介して遠隔端末に結果を送信するように構成されてもよい。

図２Ａは、完全接続状態モデルの例を示しており、それぞれが自己ループを有する４つの状態は、有向グラフ（状態遷移図）の４つのノードによって表され、４つのノードは互いにエッジによって接続されている。各状態の自己ループは、そのノード自体に接続されたエッジである。各状態から別の状態への接続は、ある状態の機器が別の状態に経路全体を移動することなく変化できるという類推に関連させることができる。自己ループは、機器がそれ自体の状態にとどまり続けるという類推に関連させることができる。

図２Ａは、図２Ｂに示されるように、４×４の状態遷移行列Ａによって表すことができ、ａ_ｉ，，ｊ要素は、第ｉ番目の状態ｐ_ｉが第ｊ番目の状態ｐ_ｊに遷移する状態遷移確率を表す（ｉ，ｊ=１，..，４）。なお、状態の数は４に限定されず、機器の動作パターンの要件および特定の期間における消費電流量に応じて増加させることができる。

上述のように、図２Ｃに模式的に示されるステップベースの波形データ（時系列データ）は、各状態における自己ループが次の状態が発生するまで同じ状態で待機することを表す、図２Ａに示される完全接続状態モデルに適している場合がある。図２Ｃにおいて、横軸は時間を示し、縦軸は、データ前処理部１０２によって計算されたＲＭＳ（二乗平均平方根）電流などの特徴量のマグニチュード（大きさ）を示す。すなわち、図２Ｃにおいて、点で表される各サンプリング点の値は、特徴量のマグニチュード（大きさ）であってもよい。当然のことながら、時系列データとして、波形データ自体（電流センサにより瞬時にサンプリングされた電流値）を採用することも可能であり、サンプリングされた電流値の振幅値または振幅値の絶対値をマグニチュード値として用いてもよい。

図３Ａに、Ｋ個の状態（値）ｐ_１，…，ｐ_Ｋおよび１つの待機状態ｗを有する一方向状態モデルを示す。図３Ａの状態は、一方向の１つのエッジによって接続されている。これは、ある状態から、その次の状態に遷移できることを意味する。このトポロジーは一方向トポロジーと称される。ｗで示される状態は待機状態であり、自己ループは同じ状態の発生を表し、同じ状態または次の状態が発生する確率は、訓練されたモデルに依存する。

図３Ａの状態（値）ｐ_１−ｐ_Ｋに関する状態遷移行列Ｂを、図３Ｂに示す。Ｋ×Ｋの行列Ｂにおいて、ｂ_１，２＝ｂ_２，３＝ｂ_３，４＝ｂ_{Ｋ−１，Ｋ}＝１であり、残りの要素はすべてゼロである。

機器に対する状態間の状態遷移確率Ｐ（Ｓ_ｔ|Ｓ_ｔ−１）は、次のように求めることができる。
Ｐ（Ｓ_ｔ＝ｐ_ｋ｜Ｓ_ｔ−１＝ｐ_ｋ−１）＝Ｐ（Ｓ_ｔ＝ｗ｜Ｓ_ｔ−１＝ｐ_Ｋ）＝１ （７）
Ｐ（Ｓ_ｔ＝ｐ_１｜Ｓ_ｔ−１＝ｗ）＝α （８）
Ｐ（Ｓ_ｔ＝ｗ｜Ｓ_ｔ−１＝ｗ）＝１−α （９）

式（７）は、タイムスタンプｔ−１における状態変数Ｓ_ｔ−１の値（動作状態）がｐ_ｋ−１である場合、タイムスタンプｔにおける状態変数Ｓ_ｔの値（動作状態）がｐ_ｋに遷移する確率は１であることを示し（ｋ＝１ ｔｏ Ｋ）、タイムスタンプｔ−１における状態変数Ｓ_ｔ−１の値（動作状態）がｐ_Ｋである場合、次のタイムスタンプｔにおける状態変数Ｓ_ｔの値（動作状態）がｗに遷移する確率は１であることを示す。

式（８）は、タイムスタンプｔ−１における状態変数Ｓ_ｔ−１の値（動作状態）がｗ（待機状態）である場合、タイムスタンプｔにおける状態変数Ｓ_ｔの値（動作状態）がｐ_１になる確率はα（０＜α＜１）であることを示す。

式（９）は、タイムスタンプｔ−１における状態変数Ｓ_ｔ−１の値（動作状態）がｗ（待機状態）である場合、タイムスタンプｔにおける状態変数Ｓ_ｔの値（動作状態）がｗ（待機状態）である確率は１−αであることを示す。

式（７）−（９）の状態変数Ｓ_ｔおよびＳ_ｔ−１は、それらの波形が集合波形データに集約される複数の機器を構成する個々の機器に関連付けられてもよい。すなわち、一方向状態モデルの式（７）−（９）の状態変数Ｓ_ｔおよびＳ_ｔ−１は、モデル構造選択部１０４により一方向状態モデルが選択された後のモデル学習部１０５によるモデル学習処理のタイムスタンプｔおよびｔ−１における、合計Ｍ個の因子（Ｍ個の機器）のうち、第ｍ番目の因子（第ｍ番目の機器）の状態Ｓ^（ｍ） _ｔおよびＳ^（ｍ） _ｔ−１と関連付けられてもよい。

上述のように、一方向状態モデルは、図３Ｃに示すように、機器におけるパターンのシーケンスを表す。シーケンスの繰り返しは、状態間に１つの繋がりを設計することに類似している。パターンのシーケンスは繰り返されるので、機器のシーケンスの間に待機時間または休止時間が存在する。待機時間は、状態モデル構造の待機状態にマッピングすることができる。一方向状態の長さは、機器のシーケンスまたはパターンに基づいて変更することができる。図３Ｃでは、図２Ｃと同様に、横軸は時間を示し、縦軸は、データ前処理部１０２によって計算されたＲＭＳ電流などの特徴量のマグニチュード（大きさ）を示す。

図４にモデル選択部１０４を示す。図４を参照すると、モデル選択部１０４は、 データ記憶部１０３から波形時系列データを受け取る入力部１０４１と、受信した波形時系列データの各サンプル値（マグニチュード又は振幅など）分布に基づいて、波形時系列データの変化および繰り返し特性を示す尺度を計算する計算部１０４２と、例えば当該尺度に基づいて完全接続状態モデルおよび一方向状態モデルからモデルの学習および推定に使用する状態モデル構造を選択し、選択された状態モデルをモデル記憶部１０６に記憶する選択部１０４３とを含む。

図５は、モデル構造選択部１０４の動作を示すフローチャートである。

以下に、２つの時系列データの例を用いて、２種類の状態モデル構造に基づいて状態モデル構造を選択する手順を説明する。

＜ステップＳ１０１＞
データ記憶部１０３から、［ｘ_ｉ］を含む波形時系列データｘが入力される（ｉ＝１，２，．．．ｎ）。特に限定されないが、この例では、各サンプルｘ_ｉ（ｉ＝１，．．．，ｎ）は、データ取得部１０１により取得された電流波形データからデータ前処理部１０２によって計算された二乗平均平方根（ＲＭＳ）電流値のマグニチュード（大きさ）でもよい。ＲＭＳ電流値は電流センサから取得されてもよい。または、各サンプルｘ_ｉ（ｉ＝１，．．，ｎ）は、データ前処理部１０２によって計算されたＲＭＳ以外の特徴量のマグニチュード（大きさ）であってもよい。または、各サンプルｘ_ｉ（ｉ＝１，．．，ｎ）は、データ取得部１０１により取得された波形データのサンプルデータの振幅（または振幅の絶対値）であってもよい。

図６Ａの例では、時系列データｘはサンプルデータセットｘ_ｉを含み、ここで、ｉ＝１，２，．．．，ｎ（＝１０５）である。図７Ａの例では、時系列データｘはサンプルデータｘ_ｉを含み、ここで、ｉ＝１，２，．．．，ｎ（＝４５）である。
図６Ａおよび図７Ａにおいて、横軸は時間であり、縦軸は時系列データｘの各サンプルのマグニチュード（大きさ）である。より具体的には、マグニチュード（大きさ）は、時系列データｘの各サンプルの絶対値（マグニチュード（大きさ））または各ＲＭＳサンプルのマグニチュード（大きさ）を意味してもよい。

なお、電流が集合波形に集約される機器が機器Ａと機器Ｂであるとすると、図６Ａの時系列波形データは、機器Ｂが停止した状態で、動作している機器Ａのみから取得することができ、図７Ａの時系列波形データは、機器Ａが停止した状態で、動作している機器Ｂのみから取得することができる。

＜ステップＳ１０２＞
時系列データｘのサンプリング値データの発生頻度を計算する。

図６Ｂは、図６Ａの時系列データにおけるマグニチュード値（横軸）に対して、そのマグニチュード値の発生数（縦軸）を示す。時系列データｘ＝［ｘ_ｉ］（ｉ＝１，…，１０５）は、１，１．５，２，２．５，および３と、５つの異なるマグニチュード値（ｙ_１−ｙ_５）を有する。マグニチュード値１，１．５，２，２．５，および３の発生数は、それぞれ２０，１５，３５，１０，および２５である。

図６Ａに示すように、振幅値１（＝ｙ_１）の頻度は４、振幅値１．５（＝ｙ_２）の頻度は３、振幅値２（＝ｙ_３）の頻度は７、振幅値２．５（＝ｙ_４）の頻度は２、そして振幅値３（＝ｙ_５）の頻度は５である。

図７Ｂは、図７Ａの時系列データにおけるマグニチュード値（横軸）に対して、そのマグニチュード値の発生数（縦軸）を示す。時系列データｘ＝［ｘ_ｉ］（ｉ＝１，…，４５）は、１、２、および３と、３つの異なるマグニチュード値（ｙ_１−ｙ_３）を有する。マグニチュード値１、２、および３の発生数は、それぞれ３０、１０、および５である。

図７Ａに示すように、第１のマグニチュード値１（＝ｙ_１）の頻度は６、第２のマグニチュード値２（＝ｙ_２）の頻度は１０、そして第３のマグニチュード値３（＝ｙ_３）の頻度は５である。

＜ステップＳ１０３＞
サイクルの総数を数える。

図６Ａの場合、サイクルの総数は、４＋３＋７＋２＋５＝２１である。
図７Ａの場合、サイクルの総数は、６＋１０＋５＝２１である。

＜ステップＳ１０４＞
マグニチュード値ｙ_ｊのサイクル数の確率を、値ｙ_ｊをとるサイクルの発生数をサイクルの総数で除算することにより計算する。

図６Ａの場合、ｙ_１＝１，ｙ_２＝１．５，ｙ_３＝２，ｙ_４＝２．５，およびｙ_５＝３について確率は以下のように求められる。
Ｐ（ｙ_１ ^ｃ）＝４／２１＝０．１９０、
Ｐ（ｙ_２ ^ｃ）＝３／２１＝０．１４３、
Ｐ（ｙ_３ ^ｃ）＝７／２１＝０．３３３、
Ｐ（ｙ_４ ^ｃ）＝２／２１＝０．０９５、そして
Ｐ（ｙ_５ ^ｃ）＝５／２１＝０．２３８

図７Ａの場合、ｙ_１＝１、ｙ_２＝２、およびｙ_３＝３について確率は以下のように求められる。
Ｐ（ｙ_１ ^ｃ）＝６／２１＝０．２８５、
Ｐ（ｙ_２ ^ｃ）＝１０／２１＝０．４７６、そして
Ｐ（ｙ_３ ^ｃ）＝５／２１＝０．２３８

＜ステップＳ１０５＞
時系列データｘにおける回数ｙ_ｊを数える。

図６Ａの場合、振幅値ｙ_１、ｙ_２、ｙ_３、ｙ_４、およびｙ_５の総数は、それぞれ２０、１５、３５、１０、および２５である。
図７Ａの場合、振幅値ｙ_１、ｙ_２、およびｙ_３の総数は、それぞれ３０、１０、および５である。

＜ステップＳ１０６＞
ｙ_ｊの出現回数の確率を、マグニチュード値ｙ_ｊの出現回数をｘの長さで除算することにより計算する。

図６Ａの場合、ｙ_１＝１、ｙ_２＝１．５、ｙ_３＝２、ｙ_４＝２．５、およびｙ_５＝３について確率は以下のように求められる。
Ｐ（ｙ_１ ^o）＝２０／１０５＝０．１９０、
Ｐ（ｙ_２ ^o）＝１５／１０５＝０．１４３、
Ｐ（ｙ_３ ^o）＝３５／１０５＝０．３３３、
Ｐ（ｙ_４ ^o）＝１０／１０５＝０．０９５、そして
Ｐ（ｙ_５ ^o）＝２５／１０５＝０．２３８

図７Ａの場合、ｙ_１＝１、ｙ_２＝２、およびｙ_３＝３について確率は以下のように求められる。
Ｐ（ｙ_１ ^o）＝３０／４５＝０．６６７、
Ｐ（ｙ_２ ^o）＝１０／４５＝０．２２２、そして
Ｐ（ｙ_３ ^o）＝５／４５＝０．１１１

＜ステップＳ１０７＞
サイクル数の確率とｙ_ｊの出現数の確率との間の相関係数［Ｒ］を計算する。

図６Ｃは、マグニチュード値ｙ_ｊ（ｊ＝１、…、５）のサイクル数の確率と出現数の確率との間の散布図または相関［Ｒ］を示す。横軸はｙ_ｊの出現回数の確率を示し、縦軸はｙ_ｊのサイクル数の確率を示す。図６Ｃでは、ｙ_ｊのサイクル数の確率と発生数の確率との間に強い相関関係があることが観察される。

図７Ｃは、マグニチュード値ｙ_ｊ（ｊ＝１、２、および３）のサイクル数の確率と出現数の確率との間の散布図または相関［Ｒ］を示す。図７Ｃでは、ｙ_ｊのサイクル数の確率と発生数の確率との間には相関関係が存在しないことが観察される。

＜ステップＳ１０８＞
相関係数が０．５未満の場合、タイプ２の状態モデル構造が選択される（ステップＳ１１３）。

＜ステップＳ１０９＞
相関係数が０．８よりも大きい場合、タイプ１の状態モデル構造が選択される（ステップＳ１１２）。

＜ステップＳ１１０＞
相関係数が０．８以下かつ０．５以上である場合、ｙ_ｊの出現回数の確率が０．５よりも大きいか否かを確認する（ステップＳ１１１）。

ｙ_ｊの出現回数の確率が０．５より大きい場合、タイプ２の状態モデル構造が選択される（ステップＳ１１３）。

ｙ_ｊの出現回数の確率が０．５以下である場合、タイプ１の状態モデル構造が選択される（ステップＳ１１２）。

タイプ１の状態モデルは、図２Ａに示すように完全に接続された状態モデルであり、タイプ２の状態モデルは、図３Ａに示すように一方向状態モデルである。

２つのタイプの状態モデル構造が、機器ごとに選択され割り当てられる。

この選択方法は、ｙ_ｊの出現回数およびｙ_ｊのサイクル数の概念を用いて状態モデル構造を選択する。相関係数が、これら２つの変数の関係を判断するために使用される。

相関係数［Ｒ］が０と０．５との間の場合、２つの所与の変数間の相関は弱い。

ｙ_ｊのサイクル数の確率と出現回数の確率との間の、この種の関係（弱い相関）には、タイプ２の状態モデル構造が選択される。これは、所与のデータにおける同じシーケンスの繰り返しは、各期間の後に繰り返される同じｙ_ｊを有するためである。０．５未満の２つの変数間の相関は、タイプ２の状態モデル構造を選択するための閾値として用いられてもよい。

第二に、２つの変数間の相関［Ｒ］が０．５と０．８との間にある場合、相関は中程度である。ｙ_ｊのサイクル数の確率と出現回数の確率との間の相関係数［Ｒ］がこの範囲にある場合、ｙ_ｉの発生確率は、１つの追加ステップにおいてさらに審査される（図５のステップＳ１１１）。所与の波形はタイプ１またはタイプ２の構造のどちらにも明確に該当せず、さらに審査（図５のステップＳ１１１）が必要となる。

ｙ_ｊの発生確率が０．５よりも大きい場合、タイプ２の状態モデル構造が最終的に選択される。

ｙ_ｊの発生確率の閾値として０．５を採用する理由は、ある状態が全期間の５０％を超えて発生している場合、一方向の構造が所与の波形データにより良く適合することが明確だからである。ｙ_ｊの発生確率が０．５よりも大きい場合、状態モデルアプローチに関して、１つの状態の出現回数は、サンプリングされた波形データ長の全長（全期間）の５０％を超える。

複雑性を軽減するために、タイプ２の状態モデル構造をこの種の波形データ（時系列データ）に割り当て、待機状態である図３Ａのｗのような単一の状態を、時系列データ長の全長（全期間）の５０％を超える確率で発生する種類の状態に割り当てる方がよい。この単一の状態（図３Ａのｗ）は、タイプ２の状態モデル構造の最初の状態ｐ１に遷移することができる。

完全に接続されたトポロジーは、１つの状態から選択できる多くの経路を有し、各ｙ_ｊは、ほぼ同じｙ_ｊの発生確率を共有するため、タイプ１のモデル構造は、同じ状態が上記ほど発生する確率０．５を持たない。

＜実施形態２＞
図８は、本発明を生産システムに適用した実施形態２を模式的に示している。特に限定されないが、第１の実施形態では、生産システムとして、電子基板の表面実装システムへの適用を説明する。図８を参照すると、ローダ（基板供給装置）５１４は、クリームはんだが印刷された基板をラックにセットし、セットされた基板をマウンタ５１５に自動的に供給する。マウンタ５１５は、電子部品を基板上に自動的に実装する。アンローダ５１６は、部品が搭載された基板をラックに自動的に格納する。基板搬送コンベア５１４は、ローダ５１４からマウンタ５１５そしてアンローダ５１６へと提供された一連の基板を搬送する。アンローダ５１６によってラックに格納された基板は、リフロープロセス、検査プロセス、組立・梱包プロセスなど（不図示）の後続プロセスへとさらに搬送される。

電流センサ５３は、分電盤５２からローダ５１４、マウンタ５１５およびアンローダ５１６への配電線の電流を測定するが、当該電流は、例えば、ローダ５１４、マウンタ５１５およびアンローダ５１６に供給される電流の合計である。電流センサ５３は、測定した電流波形（デジタル信号波形）を、通信装置５４を介して波形分離装置１００に送信する。電流センサ５３は、 ＣＴ（Ｃｕｒｒｅｎｔ Ｔｒａｎｓｆｏｒｍｅｒ）（例えば零相変流器（Ｚｅｒｏ−ｐｈａｓｅ−ｓｅｑｕｅｎｃｅ Ｃｕｒｒｅｎｔ Ｔｒａｎｓｆｏｒｍｅｒ：ＺＣＴ））やホール素子などで構成してもよい。電流センサ５３は、アナログデジタル変換器（不図示）で電流波形（アナログ波形）をサンプリングし、それをデジタル信号波形に変換し、エンコーダ（不図示）で圧縮符号化し、その信号をＷ−ＳＵＮ（Ｗｉｒｅｌｅｓｓ Ｓｍａｒｔ Ｕｔｉｌｉｔｙ Ｎｅｔｗｏｒｋ；無線スマートユーティリティネットワーク）などを介して通信装置５４に供給する。電流センサ５３は、所定のサンプリング周波数でサンプリングされた瞬時電流値からＲＭＳ（二乗平均平方根）電流を計算し、通信装置５４を介してＲＭＳ電流の時系列データを波形分離装置１００に送信してもよい。通信装置５４は工場（建物）に配置されてもよい。一方向状態モデルは、マウンタ５１５の状態モデル構造としてうまく適用できることが判明している。

波形分離装置１００は、工場に設置されてもよいし、インターネットなどの広域ネットワークを介して通信装置５４に接続されたクラウドサーバに搭載されてもよい。

波形分離装置１００は、マウンタ５１５の状態モデル構造として、図３Ａに示す一方向状態モデルを選択してもよく、“ｗ”（待機状態）は、マウンタ５１５が前処理および後処理を待機中であることを示す（前のプロセスから処理するべき基板の到着を待機中、または実装プロセスが終了した基板を次のプロセスへ向けてアンロードすることを待機中）。マウンタ５１５に関して、図３Ａにおいて、待機状態ｗから状態ｐ_１からｐ_Ｋへと循環し、再び待機状態ｗに戻るのに必要な時間をサイクル時間と称する。

＜実施形態３＞
上記の実施形態で説明したディスアグリゲーションシステムまたはディスアグリゲーション装置は、例えば図９に示すようなコンピュータシステム上で実現することができる。図９を参照すると、サーバシステムなどのコンピュータシステム１１０は、プロセッサ(Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ)１１１と、例えば半導体メモリ（例えばＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ ａｎｄ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）等）、及び/又はＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＣＤ（Ｃｏｍｐａｃｔ Ｄｉｓｃ）、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ）等の少なくともいずれかを含む記憶装置などを含むメモリ１１２と、表示装置１１３と、通信インタフェース１１４とを含む。通信インタフェース１１４（ネットワークインタフェースコントローラ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃｏｎｔｒｏｌｌｅｒ；ＮＩＣ）など）は、ＦＥＭＳ（Ｆａｃｔｏｒｙ Ｅｎｅｒｇｙ Ｍａｎａｇｅｍｅｎｔ Ｓｙｓｔｅｍ）等のエネルギー管理システムの電流センサまたはコントローラと、例えばＬＡＮ及び／又はＷＡＮを介して通信するように構成されてもよい。メモリ１１２に図１のディスアグリゲーションシステムの処理を実行するプログラムを記憶しておき、プロセッサ１１１が、メモリから該プログラムを読み出して実行することで、ディスアグリゲーションシステムを実現する。

なお、上記特許文献１乃至３および非特許文献１の各開示を、本書に引用をもって繰り込むものとする。本発明の全開示（請求の範囲を含む）の枠内において、さらにその基本的技術思想に基づいて、実施形態ないし実施例の変更・調整が可能である。また、本発明の請求の範囲の枠内において種々の開示要素の多様な組み合わせ乃至選択が可能である。すなわち、本発明は、請求の範囲を含む本発明の全開示、その技術的思想にしたがって当業者であればなし得るであろう各種変形、修正を含むことは勿論である。

１０１ データ取得部
１０２ データ前処理部
１０３ データ記憶部
１０４ モデル選択部
１０５ モデル学習部
１０６ モデル記憶部
１０７ 推定部
１０８ 出力部
１０４１ 入力部
１０４２ 計算部
１０４３ 選択部

Claims (10)

1. サンプルデータ又は前記サンプルデータから算出された特徴量の時系列を記憶するデータ記憶部から時系列データを受け取る入力部と、
   前記時系列データのサンプル値の分布に基づき、前記時系列データの変化および繰り返し特性を示す尺度を計算する計算部と、
   前記尺度に基づき、完全接続状態モデルおよび一方向状態モデルを含む状態モデルから、モデルの学習および推定に使用する状態モデル構造を選択し、選択された状態モデルを記憶する記憶部に、前記選択された状態モデルを記憶する選択部と、
   を含む、ことを特徴とする状態モデル構造選択装置。
2. 前記計算部は、前記時系列データの各マグニチュード値について、該マグニチュード値をとるサイクル数を前記時系列データのサイクル総数で除算することにより、前記時系列データにおける各マグニチュード値のサイクル数に関する第１の確率を計算し、
   前記マグニチュード値の出現回数を前記時系列データの長さで除算することにより、前記時系列データにおける各マグニチュード値の出現回数の第２の確率を計算し、
   前記計算部は、前記第１の確率と前記第２の確率との間の相関係数を計算し、
   前記選択部は、前記尺度として、前記相関係数に基づいて、前記完全接続状態モデルまたは前記一方向状態モデルのいずれかを選択する、ことを特徴とする請求項１に記載の状態モデル構造選択装置。
3. 前記選択部は、
   前記相関係数が第１の閾値よりも大きい場合、前記完全接続状態モデルを選択し、
   前記相関係数が、前記第１の閾値よりも小さい第２の閾値未満の場合に、前記一方向状態モデルを選択する、ことを特徴とする請求項２に記載の状態モデル構造選択装置。
4. 前記選択部は、
   前記相関係数が前記第２の閾値と前記第１の閾値との間にある場合、
   前記第２の確率が第３の閾値よりも大きいか否かを確認し、
   前記選択部は、
   前記第２の確率が前記第３の閾値以下である場合、前記完全接続状態モデルを選択し、
   前記相関係数が第３の閾値よりも大きい場合、前記一方向状態モデルを選択する、ことを特徴とする請求項３に記載の状態モデル構造選択装置。
5. 前記第３の閾値が前記第２の閾値に等しい、ことを特徴とする請求項４に記載の状態モデル構造選択装置。
6. 前記特徴量は、電流信号の二乗平均平方根（ＲＭＳ）値を含む、ことを特徴とする請求項１乃至５のいずれか１項に記載の状態モデル構造選択装置。
7. データ記憶部と、
   モデル記憶部と、
   少なくとも１つの機器の波形データを取得するデータ取得部と、
   前記波形データによって構成される特徴量、または前記波形データから計算された特徴量の時系列を前記データ記憶部に格納するデータ前処理部と、
   前記データ記憶部から時系列データを受け取り、前記時系列データのサンプル値分布に基づいて前記時系列データの変化および繰り返し特性を示す尺度を計算し、前記尺度に基づいて完全接続状態モデルおよび一方向状態モデルを含む状態モデルからモデルの学習および推定に使用する状態モデル構造を選択し、前記選択された状態モデルを前記モデル記憶部に記憶するモデル構造選択部と、
   前記モデル記憶部に記憶された前記選択された状態モデルを用いて、前記データ記憶部に記憶された前記時系列データから、前記選択された状態モデルについてのモデルパラメータを学習するモデル学習部と、
   前記モデル記憶部に記憶された前記状態モデルを用いて、複数の機器の個別の波形が統合された波形から個別の波形を推定する推定部と、
   を含む、ことを特徴とするディスアグリゲーションシステム。
8. 前記モデル構造選択部は、
   前記時系列データの各マグニチュード値について、該マグニチュード値をとるサイクル数を前記時系列データのサイクル総数で除算することにより、前記時系列データにおける各マグニチュード値のサイクル数の第１の確率を計算し、
   前記マグニチュード値の出現回数を前記時系列データの長さで除算することにより、前記時系列データにおける各マグニチュード値の出現回数の第２の確率を計算し、
   前記モデル構造選択部は、前記第１の確率と前記第２の確率との間の相関係数を計算し、
   前記モデル構造選択部は、前記尺度としての前記相関係数に基づいて、前記完全接続状態モデルまたは前記一方向状態モデルのいずれかを選択する、ことを特徴とする請求項７に記載のディスアグリゲーションシステム。
9. 状態モデル構造を選択する方法であって、
   サンプルデータの時系列または前記サンプルデータから算出された特徴量を記憶するデータ記憶部から時系列データを受け取り、
   前記受け取った時系列データのサンプル値分布に基づいて前記時系列データの変化および繰り返し特性を示す尺度を計算し、
   前記尺度に基づいて完全接続状態モデルおよび一方向状態モデルを含む状態モデルからモデルの学習および推定に使用する状態モデル構造を選択し、
   モデル記憶部に前記選択された状態モデルを記憶する、ことを特徴とする方法。
10. サンプルデータの時系列または前記サンプルデータから算出された特徴量を記憶するデータ記憶部から時系列データを受け取り、
    前記受け取った時系列データのサンプル値分布に基づいて前記時系列データの変化および繰り返し特性を示す尺度を計算し、
    前記尺度に基づいて完全接続状態モデルおよび一方向状態モデルを含む状態モデルからモデルの学習および推定に使用する状態モデル構造を選択し、
    モデル記憶部に前記選択された状態モデルを記憶すること、
    を含む処理をコンピュータに実行させるプログラム。

Images