JP7029347B2 - 情報処理方法、プログラムおよび情報処理装置 - Google Patents

Description

本発明の実施形態は、情報処理方法、プログラムおよび情報処理装置に関する。

ＩｏＴやＩｎｄｕｓｔｒｉｅ４．０では、あらゆるデバイスやシステムを互いに接続し、あらゆるデータが交換可能なネットワークを構築することが提案されている。このようなネットワークでは、多数のセンサや異なるプロセスに係る複数のシステムが相互に接続されている。異なるソース（ｓｏｕｒｃｅ）から収集されたデータを有効に活用し、各種のインフラ、工場、プラントなどの設備のオペレーションの自動化を推進し、コストの削減、安全性の向上、生産品の品質改善などを実現するためには、データが物理世界に実在する物理世界データまたは概念的に定義されるサイバー世界データのいずれのデータ種類に属するのかを正しく分類し、データ種類とデータ間の関係を明確にする必要がある。

複数のソースから得られたデータを処理する技術の例として、データ仕様を定義するオントロジーを用いるデータ処理手法や、各種の機械学習的手法が挙げられる。これらの技術では共通的な特徴に基づくデータ推定が可能であるが、データ種類の違いによるデータ間の関係の違いを考慮したデータ推定ができなかった。定義されていないデータ種類のデータのデータ種類を推定し、データ間の関係を推定する技術が求められている。

米国特許出願公開第２０１６／０２２４６４５号明細書 米国特許出願公開第２０１６／０３３５５４４号明細書

本発明の実施形態は、物理的な実体に基づいて定義される物理世界データと、概念的に定義されるサイバー世界データとを分類し、物理的な実体とサイバーシステムを跨った横断的なデータ推定と利用を実現する情報処理方法、プログラムおよび情報処理装置を提供する。

本発明の実施形態としての情報処理方法は、複数のデータ項目の値の組み合わせであるインスタンスを物理的な実体に基づいて定義される物理世界クラスまたは概念的に定義されるサイバー世界クラスのいずれかのサブクラスに分類する情報処理方法であって、前記インスタンスを含む第１データを取得するステップと、記憶装置に保存されている、過去に取得された前記第１データの集合であり、前記第１データの集合に含まれているインスタンスのデータ種類が特定されているログデータまたはログデータベースまたは、前記データ種類の前記サブクラスを定義する分類定義データの少なくともいずれかを参照し、前記インスタンスの分類される前記サブクラスを推定するステップとをコンピュータが実行する。

第１の実施形態に係るシステムの構成例を示す図。 メタモデルの例を示した図。 データ構造の呼称を示した図。 データ構造どうしの対応関係を示した図。 第１データと分類定義データの構造を示した図。 収集される第１データの構造の例を示した図。 第１の実施形態における全体の処理の例を示すフローチャート。 階層分類におけるクラス、スキーマ、インスタンスとの関係を示した図。 スキーマに基づきインスタンスのデータ種類を推定する処理の例を示したフローチャート。 最も類似しているスキーマを抽出する処理の例を示した図。 データの階層分類と形式記述を含むオントロジーの例を示した図。 オントロジーに基づき第１データのデータ種類を推定する処理を示したフローチャート。 インスタンスの類似度に基づきインスタンスのデータ種類を推定する処理の第１の方法を示すフローチャート。 インスタンスの値を用いた類似度の計算の第１の方法を示した図。 インスタンスの類似度に基づきインスタンスのデータ種類を推定する処理の第２の方法を示したフローチャート。 インスタンスの値を用いた類似度の計算の第２の方法を示した図。 第１データの分類の推定結果画面の例を示した図。 分類定義データの編集画面の例を示した図。 第２の実施形態に係る情報処理装置の構成例を示す図。

以下、図面を参照しながら、本発明の実施形態について説明する。また、図面において同一の構成要素は、同じ番号を付し、説明は、適宜省略する。

（第１の実施形態）
多数のセンサや異なるプロセスに係る複数のシステムから収集されるデータは、物理的な実体に基づいて定義されるデータ（物理世界データ）と、概念的に定義されるデータ（サイバー世界データ）、に分類することができる。物理世界データとサイバー世界データでは、データ間の関係が異なっている。そこで、物理世界データとサイバー世界データを分類し、データ間の関係に関する情報が取得できるようにデータの分類処理を実行すると、異なるソースから得られたデータの性質の違いやデータ間の関係が明らかになる。本実施形態に係る情報処理装置を使ってデータの分類処理を実行することにより、異なるソースから得られたデータの性質の違いやデータ間の関係に関する情報が得られるため、複数のシステムを跨った横断的なデータの利用が容易になる。

以下では、本実施形態に係る情報処理装置を含むシステムの構成例について説明する。

図１は、第１の実施形態に係るシステムの構成例を示す図である。図１のシステムは、情報処理装置１と、ネットワーク２と、ネットワーク２ａと、センサシステム３と、制御システム４と、管理システム５と、記憶装置６とを備えている。情報処理装置１、センサシステム３、制御システム４、管理システム５、記憶装置６はネットワーク２によって互いに接続されている。

情報処理装置１は、異なるソースから取得された分類対象となるデータ（以降、第１データとよぶ）のうち、メタデータを除いた実データのデータ種類を推定する。そして、実データが分類データ種類およびクラス間の関係に関する情報を通知する。第１データは、既に分類定義データで定義されているデータ種類の実データを含む場合があれば、分類定義データで定義されていないデータ種類の実データを含む場合もある。また、前者と後者の実データが混在していることもある。

分類定義データとは、複数の観点から実データを定義するメタデータの集合である。本実施形態における分類定義データは、クラスとそのスキーマ、クラスおよびスキーマに対応するデータ種類、オントロジー、クラスの分類とクラス間の関係を定めるメタモデルの定義を含む。これらのメタデータの詳細については後述する。

情報処理装置１は未定義のクラスに係るデータを検出した場合、新しいクラス、そのスキーマ、対応するデータ種類の定義を分類定義データに追加する。また、オントロジーおよびメタモデルに対応するクラスの定義を追加する。さらに、情報処理装置１は、収集された実データのデータ種類、データ種類に対応するクラス、クラス間の関係に関する情報をユーザや外部の情報処理装置に通知する。

各クラスにはデータ種類とスキーマを対応付けることができる。後述するように、階層構造に基づいて複数のクラスを定義することができる。すなわち、クラスの階層構造はスキーマの集合を与えるといえる。実データはクラスの形式を定義するスキーマを利用して記述される。データのクラスには物理的な実体に基づいて定義される物理世界（Ｐｈｙｓｉｃａｌ Ｗｏｒｌｄ：ＰＷ）クラスと、概念的に定義されるサイバー世界（Ｃｙｂｅｒ Ｗｏｒｌｄ：ＣＷ）クラスが存在する。新しく定義されるクラスは物理世界（ＰＷ）クラスまたはサイバー世界（ＣＷ）クラスのいずれかのサブクラスとなる。したがって、それぞれの実データ（インスタンス）はいずれかのサブクラスに分類される。また、サブクラス間に存在する抽象的な関連性を表現するため、サブクラス間に関係を定義することができる。関係は、ｉｓ－ａの継承関係、ｈａｓ－ａの包含関係、参照関係など、物理的な結びつきを示すものであってもよいし、概念的な結びつきを示すものであってもよい。

物理世界（ＰＷ）において定義されるデータの例としては、装置やデバイスの種類、装置の設置場所、装置の設置台数、装置の機械的な接続関係、デバイスの電気的な接続関係、装置どうしの位置関係、スイッチの配置などが挙げられる。一方、サイバー世界（ＣＷ）において定義されるデータの例としては、デバイスの性能指標、発電機や照明機器におけるエネルギー変換効率、装置の方式（例えば、照明機器における白熱電球とＬＥＤ）、装置の耐久年数、概念間の継承関係、イベント間の因果関係、情報通信機器および情報システムにおけるユーザアカウントの設定情報、情報通信機器および情報システムにおける設定情報などが挙げられる。サイバー世界（ＣＷ）で定義されるデータは、物理的な実体のないサイバースペースにおけるユーザアカウント、ファイル、グループ、計算資源の割り当て設定、ストレージの割り当て設定、アクセス設定、ユーザのスコア、仮想現実（ＶＲ）環境における状態情報、拡張現実（ＡＲ）環境における状態情報、ユーザが有するポイント、ユーザが有する仮想通貨の額などをも包含する。

物理世界クラス（以降、ＰＷクラスとよぶ）とサイバー世界（以降、ＣＷクラスとよぶ）クラスの違いやクラス間の関係を考慮することにより、各種インフラ、工場、プラントなどの機器や設備などのオペレーションを統一的に実行することができる。オペレーションの例としては、運転、停止、制御、生産、診断、保守、出荷、梱包、データの分析、構成変更、動作モードの変更などが挙げられるが、どのような種類のものであってもよい。

図２は、第１の実施形態に係る情報処理方法および情報処理装置で利用されるメタモデルの例を示している。図２は、クラスのＰＷ/ＣＷの種類と、データ間の関係を定義したメタモデル２０（Ｄａｔａ Ｒｅｌａｔｉｏｎｓｈｉｐ Ｍｅｔａ－Ｍｏｄｅｌ：ＤＲＭＭ）である。メタモデル２０を参照すると、各クラスはＰＷクラス（クラス２２）またはＣＷクラス（クラス２３）のいずれかに分類されていることがわかる。ＰＷクラスとＣＷクラスにはそれぞれ複数のサブクラスが定義されている（クラス２４～２９）。各サブクラスはいずれかのスキーマとデータ種類に対応付けることができる。

図２の例ではＰＷクラスのサブクラスとして、機械クラス（クラス２４）と、電気クラス（クラス２５）と、ロケーションクラス（クラス２６）と、ＰＷ関係タイプクラス（クラス３０）が定義されている。ＰＷ関係タイプクラスはクラス間の関係を定義する。ＰＷ関係タイプクラスが定義する関係の例としては、機械接続、電気接続、位置接続、包含、分解、埋め込み、原材料、予防などが挙げられる。例えば、ＰＷクラスのサブクラスとして“機器クラス”と“センサ機器クラス”が定義されている場合、“センサ機器クラス”は“機器クラス”に対して“包含”の関係を有する。

図２の例ではＣＷクラスのサブクラスとして、座標クラス（クラス２７）と、設備クラス（クラス２８）と、機能クラス（クラス２９）と、ＣＷ関係タイプクラス（クラス３１）が定義されている。ＣＷ関係タイプクラスは、ＰＷ関係タイプクラスと同様、クラス間の関係を定義する。ＣＷ関係タイプクラスが定義する関係の例としては、継承、包含、分解、因果、同等、参照などが挙げられる。例えば、ＣＷクラスのサブクラスとして“システムクラス”と“補助電源システムクラス”が定義されている場合、“補助電源システムクラス”は“システムクラス”に対して“継承”の関係を有する。

また、ＰＷ関係タイプクラスとＣＷ関係タイプクラスとの間にはアソシエーション（Ａｓｓｏｃｉａｔｉｏｎ）３２が定義されている。以降では、ＰＷ関係タイプクラスで定義されている関係（ｒｅｌａｔｉｏｎ）とＣＷ関係タイプクラスで定義されている関係（ｒｅｌａｔｉｏｎ）との間の対応（関連性）をアソシエーションとよぶものとする。例えば、ＰＷ関係タイプクラスにおける“機械接続”はＣＷ関係タイプクラスにおける“参照”は対応しており、アソシエーションを有する。なお、ＰＷ関係タイプクラスで定義されているすべての関係が必ずアソシエーションを有していなくてもよい。また、ＰＷ関係タイプクラスで定義されているひとつの関係が複数のアソシエーションを有していてもよい。ＣＷ関係タイプクラスで定義されている関係についても同様である。

ここで説明したＰＷクラスのサブクラス、ＣＷクラスのサブクラス、関係、アソシエーションは一例にしか過ぎない。したがって、本実施形態に係る情報処理装置（情報処理方法）ではこれらとは異なるサブクラス、関係、アソシエーションが定義されていてもよい。分類定義データは、上述のようなデータ種類のサブクラスを定義している。なお、以降では単に「クラス」と述べた場合には、ＰＷクラスまたはＣＷクラスのサブクラスを含む一般的なクラス（データ種類に対応付けられるデータの定義）を意味するものとする。

以下では、再び図１を参照しながら、第１の実施形態に係るシステムの説明を行う。

ネットワーク２は、情報処理装置１、センサシステム３、制御システム４、管理システム５、記憶装置６の間で、データの送受信をする手段を提供する。一方、ネットワーク２ａは、情報処理装置１と外部の情報処理装置との間でデータの送受信をする手段を提供する。外部の情報処理装置はネットワーク２ａを介して、収集した実データのデータ種類、クラス、関係に関する情報の通知を受信したり、情報処理装置１の記憶部９に保存された分類定義データを参照したりすることができる。

ネットワーク２、２ａの通信媒体として、例えば光ファイバ、ＬＡＮケーブル、電話回線、同軸ケーブル、無線またはこれらの組み合わせを用いることができる。通信規格として、イーサネット、ＩＥＥＥ８０２．１１シリーズの無線ＬＡＮ、ＮＦＣ、Ｂｌｕｅｔｏｏｔｈ、ＺｉｇＢｅｅ、各種のＬＰＷＡ（Ｌｏｗ－Ｐｏｗｅｒ Ｗｉｄｅ－Ａｒｅａ）規格などを使うことができるが、規格の種類については特に問わない。

ネットワーク２、２ａは図１の例のように独立したネットワークであってもよいし、互いに接続された、一体的なネットワークであってもよい。

センサシステム３は、複数のセンサによって物理情報の計測を行うシステムである。センサシステム３はワイヤレスセンサネットワークであってもよいし、各種インフラ、工場、プラントなどの機器や設備に備えられたセンサの集合であってもよい。センサシステム３におけるセンサの種類、個数については特に限定しない。情報処理装置１は、センサシステム３からセンサによって計測された物理情報を含むデータを取得することができる。

制御システム４は、各種インフラ、工場、プラントなどの機器や設備を制御するシステムである。制御システム４の制御対象については特に問わない。情報処理装置１は、制御システム４から制御対象の設定値、動作モード、状態などを含むデータを取得することができる。

管理システム５は、ユーザアカウントの設定、アクセス権限の設定、操作履歴の記録、計算資源のユーザへの割り当て、計算資源の使用状況のモニタリングなどを行う情報システムである。情報処理装置は、管理システム５からユーザのログイン後の活動、操作履歴、計算資源の使用状況などを含むデータを取得することができる。

記憶装置６は、第１データを蓄積可能な記憶領域を提供するストレージシステムである。記憶装置６に蓄積されるデータは、センサシステム３、制御システム４、管理システム５から取得されたデータであってもよいし、その他のシステムから取得されたデータであってもよい。第１データが大量に発生する場合には、第１データを一旦記憶装置６に蓄積してから、情報処理装置１にデータの分類処理を実行させることができる。

次に、情報処理装置１の内部の構成要素について説明する。

情報処理装置１は、データ収集部７と、データ処理部８と、記憶部９と、スキーマ更新部１４と、オントロジー更新部１５と、メタモデル更新部１６と、データ関係取得部１７と、通知部１８と、表示部１９ａと、操作部１９ｂとを備えている。

データ収集部７は、ネットワーク２を介してセンサシステム３、制御システム４、管理システム５、記憶装置６からデータを収集する。データ収集部７は収集したデータをログデータベース１０に保存する。データ収集部７によって収集されるデータを第１データとよぶものとする。また、データ収集部７は第１データをデータ処理部８に転送する。第１データの構造については後述する。

データ処理部８は、第１データに含まれる実データ（インスタンス）のスキーマ、スキーマに対応するデータ種類、データ種類に対応するクラスを推定し、実データの分類および属性に関する情報を提供する。データ処理部８は、記憶部９に保存された分類定義データを参照し、上述の処理を実行する。また、分類定義データに未定義のデータ種類、スキーマ、サブクラスなどがあると判定された場合、データ処理部８はスキーマ更新部１４、オントロジー更新部１５、メタモデル更新部１６に分類定義データの更新を指示する。なお、データ処理部８が実行する処理の詳細については後述する。データ処理部８は、例えばＣＰＵなどのプロセッサ、ＡＳＩＣ、ＣＰＬＤなどのハードウェア回路、ＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）やアプリケーションなどのプログラムまたはこれらの組み合わせによって実装される。

記憶部９は、収集された第１データ、分類定義データ、プログラムなどを保存するための記憶媒体である。記憶部９は、例えばＳＲＡＭ、ＤＲＡＭなどの揮発性メモリであってもよいし、ＮＡＮＤ、ＭＲＡＭ、ＦＲＡＭなどの不揮発性メモリでもよい。またハードディスク、ＳＳＤなどのストレージ装置や、外部の記憶装置であってもよく、デバイスの種類については特に限定しない。また、記憶部９は複数の種類のデバイスや記憶装置の組み合わせであってもよい。

記憶部９には、ログデータベース（ログＤＢ）１０と、スキーマデータベース（スキーマＤＢ）１１と、オントロジーデータベース（オントロジーＤＢ）１２と、メタモデル（メタモデルＤＢ）１３が保存されている。記憶部９に保存される各データベースの役割について説明する前に、本実施形態に係る情報処理方法および情報処理装置で使われるデータ構造について述べる。

図３は、本実施形態に係る情報処理方法および情報処理装置で使われるデータ構造の呼称を示している。また、図４は、データ構造どうしの対応関係を示している。図３には、メタモデルと、オントロジーと、スキーマと、インスタンスが示されている。図３上段のメタモデルの詳細については図２の説明で述べた。オントロジーは、概念間の関連性や属性を定義し、データの仕様を規定するメタデータである。図３中段に示されているように、オントロジーはクラスの階層分類を示したツリーと、クラスに割り当てられたコード（例えば、ＰＷ＿Ｅ、Ｇ、ＧＴ、ＣＷ＿Ｓ、Ｃなど）、コードを使ったクラスの識別子である形式記述（例えば、＋Ｂ、＝Ｂなど）を含む。後述するように、形式記述にシーケンス番号を結合させたコードは、各インスタンスの識別子として使われる。

メタモデルは、プログラムなどによって生成されたものであってもよいし、ユーザが定義したものであってもよい。図４に示されているように、メタモデルに準拠するよう、オントロジーが定義される。したがって、メタモデルにおけるクラスと、オントロジーにおけるクラスとの間には対応関係が存在する。

図３下段のスキーマは実データにおけるデータの形式を規定する。図３の例では、第１のスキーマが｛コード、定格効率、種類、起動時間｝、第２のスキーマが｛コード、種類、値｝と、複数のデータ項目（ｉｔｅｍ）を含む形式で定義されている。また、図３下段のインスタンスはスキーマで規定された形式にしたがった実データであり、複数のデータ項目の組み合わせとなっている。スキーマは、クラスが有する属性（ａｔｔｒｉｂｕｔｅ）を定義する。図３の例におけるインスタンスは｛Ｂ００１、温度センサ、１００℃｝、｛Ｂ００２、流量センサ、３００Ｌ／ｍｉｎ｝となっており、複数の値が組み合わされた形式となっている。

第１のインスタンスでは、第２のスキーマの各データ項目がコード＝“Ｂ００１”、種類＝“温度センサ”、値＝“１００℃”の形で具体化されているといえる。同様に第２のインスタンスでは、第２のスキーマの各データ項目がコード＝“Ｂ００２”、種類＝“流量センサ”、値＝“３００Ｌ／ｍｉｎ”の形で具体化されている。このように、ひとつのスキーマの形式にしたがったインスタンスが複数個存在していてもよい。

なお、メタモデル、オントロジー、スキーマの定義を記述する方法については特に問わない。データ構造の定義に関する記述は例えばＸＭＬ、ＪＳＯＮ、ＣＳＶ、テキストなどを使って行うことができるが、その他の方法によって行われてもよい。

図４に示されているように、スキーマはクラスごとに定義される。したがって、情報処理装置（情報処理方法）において複数のクラスが存在する場合、異なる形式のスキーマが複数個定義される。

図４に示されているように、スキーマとそのクラスはオントロジーに対応付けられて定義される。また、オントロジーとメタモデルとの間の対応関係があるため、取得されたインスタンス（実データ）の利用時に、メタモデルで定義されたクラスの分類やクラス間の関係に関する情報を参照することができる。

なお、スキーマおよび対応するクラスはプログラムなどによって定義されてもよいし、ユーザが定義してもよい。また、図３に示したスキーマとインスタンスは一例にしか過ぎず、例とは異なる形式のスキーマや、異なる内容のインスタンスが使われてもよい。また、定義されるスキーマおよびクラスについては特に限定しない。

次に、ログデータベース１０と、スキーマデータベース１１と、オントロジーデータベース１２と、メタモデルデータベース１３に保存されるデータについて説明する。図５は、第１データと分類定義データの構造を示している。以下では、図５を参照しながら説明をする。

ログデータベース１０には、過去に取得されたインスタンス（実データ）を含む第１データの集合が保存される。第１データは、取得時刻または計測時刻、データのソース（取得元）を識別する情報などと組み合わされて保存されてもよい。データのソースを識別する情報の例としてはＩＰアドレス、ＭＡＣアドレス、センサ名、システム名、モジュール名、住所、座標情報、緯度と経度の組み合わせ、各種の識別子があるが、どのような種類のものであってもよい。また、第１データに含まれる各インスタンスのデータ種類がスキーマデータベース１１で定義済みのものであるか否かを識別するための情報を併せて保存してもよい。

インスタンスのデータ種類が定義済みのものである場合、ログデータベース１０にスキーマデータベース１１における、対応するデータ種類を定義した情報およびスキーマを定義した情報への参照（ｒｅｆｅｒｅｎｃｅ）７０が保存される。参照７０の例としては、ポインタ、ファイル名、オブジェクト名、識別子（ＩＤ）などが挙げられるが、該当するデータ種類またはスキーマが特定できるのであれば、実装方法については特に問わない。

スキーマデータベース１１、オントロジーデータベース１２、メタモデルデータベース１３には各種の分類定義データが保存される。上述のように、分類定義データは複数の観点からデータに定義を与える。

スキーマデータベース１１には、スキーマに対応するデータ種類の定義に関する情報と、データ種類ごとにインスタンスの形式を定義するスキーマ定義情報が保存される。データ種類およびスキーマに識別子を付与し、スキーマデータベース１１に当該識別子を保存してもよい。識別子は、英数字であってもよいし、英数字と記号の組み合わせであってもよいし、データ種類およびスキーマの説明するもの（例えば、データ種類またはスキーマの名称）であってもよく、形式については特に問わない。

スキーマデータベース１１に、それぞれのデータ種類およびスキーマに対応するクラスへの参照（ｒｅｆｅｒｅｎｃｅ）７１を保存してもよい。参照７１の例としては、ポインタ、ファイル名、オブジェクト名、識別子（ＩＤ）などが挙げられるが、該当するクラスを定義したデータが特定されるのであれば、実現方法については特に問わない。図５の例では、参照７１はオントロジーデータベース１２のオントロジーで定義されたクラスを示しているが、メタモデルデータベース１３のメタモデルで定義されたクラスを示していてもよい。

オントロジーデータベース１２には、オントロジーが保存される。上述のように、クラスの階層分類と、各クラスに割り当てられたコードと、形式記述に関する情報を含む。クラスに識別子を付与し、オントロジーデータベース１２に当該識別子を保存してもよい。識別子は、英数字であってもよいし、英数字と記号の組み合わせであってもよいし、クラスを説明するもの（例えば、クラスの分類、クラスの属性、クラスの名称）であってもよく、形式については特に問わない。

オントロジーデータベース１２に、それぞれのクラスに対応するデータ種類またはスキーマへの参照（ｒｅｆｅｒｅｎｃｅ）７１ａを保存してもよい。参照７１ａの例としては、ポインタ、ファイル名、オブジェクト名、識別子（ＩＤ）などが挙げられるが、該当するデータ種類またはスキーマを定義したデータが特定できるのであれば、実現方法については特に問わない。

メタモデルデータベース１３には、メタモデルが保存される。メタモデルは、オントロジーと同様、各クラスの定義を与える。図２に示したように、メタモデルでは各クラスを物理世界（ＰＷ）クラスのサブクラスまたはサイバー世界（ＣＷ）のサブクラスとして分類している。したがって、メタモデルデータベース１３を参照することにより、クラスが物理世界（ＰＷ）におけるデータを定義しているのか、サイバー世界（ＣＷ）におけるデータを定義しているのかを判定することができる。また、ＰＷ関係タイプクラスまたはＣＷ関係タイプクラスを参照し、クラス間の関係に関する情報を得ることができる（対応関係７３）。

なお、メタモデルデータベース１３にクラスの識別子を保存してもよい。識別子は、英数字であってもよいし、英数字と記号の組み合わせであってもよいし、クラスを説明するもの（例えば、クラスの分類、クラスの属性、クラスの名称）であってもよく、形式については特に問わない。

なお、オントロジーデータベース１２における各クラスを定義するデータと、メタモデルデータベース１３における各クラスを定義するデータとの間に対応付けができるようにしてもよい。例えば、同一または対応するクラスを識別子によって特定できるようにしてもよいし、双方のデータベースで定義されたクラスをポインタ、ファイル名、オブジェクト名などによって相互に参照できるようにしてもよい（対応関係７２）。その他の方法によって、対応関係７２を実現してもよい。

図５で説明した参照または対応関係を使うことによって、データ処理部８は第１データに含まれるインスタンス（実データ）から、当該インスタンスのスキーマ、当該インスタンスに対応するクラス、クラス間の関係、当該インスタンスがサイバー世界（ＣＷ）または物理世界（ＰＷ）のいずれに属するのかなどの情報を得ることができる。分類定義データの完成度を高めることによって、次々に収集されるデータの属性、関連、分類などが取得でき、効率的な機器や設備の制御やデータ分析を行うことが可能となる。

次に、データ収集部７によって収集される第１データの構造について説明する。図６は、収集される第１データの構造の例を示している。収集される第１データはパターン＃１（第１データ８０）のように、インスタンス（実データ）と、当該インスタンスに対応する形式記述情報およびスキーマ情報の両方を含む場合がある。ここで、スキーマ情報とは、スキーマの定義、スキーマまたはデータ種類の識別子など、少なくともスキーマまたはデータ種類を特定するのに足りるデータのことをいう。

また、パターン＃２（第１データ８１）のように、インスタンス（実データ）が含まれているが、当該インスタンスに対応する形式記述情報が含まれていない場合がある。さらに、パターン＃３（第１データ８２）のように、インスタンス（実データ）が含まれているが、当該インスタンスに対応するスキーマ情報が含まれていない場合がある。パターン＃４（第１データ８３）のように、実データに相当するインスタンスが含まれているが、当該インスタンスに対応する形式記述情報およびスキーマ情報のいずれも含まれていない場合もある。このように、第１データの構造には複数のパターンが存在するため、データ処理部８は第１データの構造に応じて、異なる処理を実行する。

さらに、第１データはパターン＃５（第１データ８４）のように複数のインスタンスを含んでいてもよい。第１データ８４では、インスタンス＃１～＃３の３つのインスタンスを含んでいる。インスタンス＃２は対応するスキーマ情報＃２を有し、インスタンス＃３は対応する形式記述情報＃３を有する。だが、インスタンス＃１は対応するスキーマ情報および形式記述情報を有しない。

メタデータ、特定のビット列、特定のファイル名を使うことによって第１データに含まれるデータの種類（インスタンス、形式記述情報、スキーマ情報）や対応関係を判別できるようにしてもよいし、その他の方法によってデータを判別できるようにしてもよい。

以下では再び図１を参照し、情報処理装置１の内部の構成要素について説明する。

スキーマ更新部１４は、スキーマデータベース１１の更新処理を実行する。例えば、スキーマ更新部１４は新しいデータ種類の定義と、当該データ種類に対応するスキーマ（スキーマ定義情報）とをスキーマデータベース１１に追加する。また、スキーマ更新部１４は、スキーマおよびデータ種類に対応するサブクラスへの参照に係るデータをスキーマデータベース１１に書き込む。オントロジー更新部１５は、オントロジーデータベース１２の更新処理を実行する。オントロジー更新部１５は例えば、新しいサブクラスや形式記述をオントロジーデータベース１２に追加する。メタモデル更新部１６は、メタモデルデータベース１３の更新処理を実行する。メタモデル更新部１６は例えば、新しいサブクラスをメタモデルデータベース１３に追加する。

スキーマ更新部１４、オントロジー更新部１５、メタモデル更新部１６はプログラムの処理が所定の条件を満たしたら自動的に分類定義データを更新してもよい。また、データ処理部８や操作部１９ｂから送信された指令を受信し、当該指令に基づいて分類定義データを更新してもよい。

データ関係取得部１７は、メタモデルデータベース１３を参照し、特定のサブクラスが有する関係（Ａｓｓｏｃｉａｔｉｏｎ）に関する情報を取得する。当該情報は通知部１８を介して、ユーザや外部の情報処理装置に転送される。

通知部１８は、データ処理部８によって推定された第１データのデータ種類、スキーマ、サブクラスおよびデータ関係取得部１７によって取得された当該サブクラスが有する関係に関する情報をユーザや外部の情報処理装置に通知する。通知部１８による情報の通知方法については特に問わない。例えば、通知部１８は電子メールやショートメールによって通知を行ってもよいし、ウェブページで情報を公開してもよい。また、外部のストレージ装置などに結果の書き込みを行ってもよいし、制御装置やデータ分析を行うサーバなどに結果を送信してもよい。

表示部１９ａは、ユーザが情報処理装置１の操作時に利用するＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）やＣＬＩ（Ｃｏｍｍａｎｄ Ｌｉｎｅ Ｉｎｔｅｒｆａｃｅ）、分類定義データの編集画面、推定結果などを表示するディスプレイである。ディスプレイとして、例えば液晶ディスプレイ、有機エレクトロルミネッセンスディスプレイ、プロジェクタ、ＬＥＤディスプレイなどを使うことができるが、その他の種類のディスプレイを使ってもよい。なお、図１の例における表示部１９ａは情報処理装置１に内蔵されているが、表示部１９ａの位置については特に問わない。表示部１９ａは、情報処理装置１から離れた部屋や建物に設置されていてもよいし、タブレットやスマートフォン
などの無線通信端末のディスプレイであってもよい。

操作部１９ｂは、ユーザに情報処理装置１の操作手段を提供するデバイスである。操作部１９ｂは、例えば、キーボード、マウス、スイッチ、音声認識デバイスなどであるが、これに限られない。また、操作部１９ｂは表示部１９ａと一体化したタッチパネルであってもよい。操作部１９ｂの位置についても特に問わない。操作部１９ｂは、情報処理装置１から離れた部屋や建物に設置されていてもよいし、タブレットやスマートフォンなどの無線通信端末のタッチパネルであってもよい。

次に、本実施形態に係る情報処理装置が実行する処理について説明する。図７は、第１の実施形態における全体の処理の例を示すフローチャートである。以下では、図７を参照しながら、処理について説明する。

まず、データ収集部７は分類対象となるデータ（第１データ）を取得する（ステップＳ１０１）。先に述べたように、実際に分類されるのは第１データに含まれる実データ（インスタンス）である。第１データに含まれるメタデータ（スキーマ情報、形式記述）は分類処理に必要な情報を提供する。

データ収集部７からデータ処理部８に第１データが転送されたら、当該第１データに含まれるインスタンスに対応するスキーマ情報が含まれているか否かを判定する（ステップＳ１０２）。該当するスキーマ情報が含まれている場合（ステップＳ１０２のＹＥＳ）、データ処理部８はスキーマ情報に基づいて、インスタンスのデータ種類を推定する（ステップＳ１０４）。該当するスキーマ情報が含まれていない場合（ステップＳ１０２のＮＯ）、インスタンスに対応する形式記述情報が含まれているか否かを判定する（ステップＳ１０３）。

該当する形式記述情報が第１データに含まれている場合（ステップＳ１０３のＹＥＳ）、形式記述情報に基づき、データ種類を推定する（ステップＳ１０５）。該当する形式記述情報が第１データに含まれていない場合（ステップＳ１０３のＮＯ）、類似度に基づき、データ種類を推定する（ステップＳ１０６）。

すなわち、データ処理部８は第１データに含まれているメタデータに応じ、データ種類の推定に使う方法を選択する。なお、ステップＳ１０４、ステップＳ１０５、ステップＳ１０６で実行される処理の詳細については後述する。図５のパターン＃５（第１データ８４）のように、同時に収集された第１データが複数のインスタンスを含んでいる場合には、それぞれのインスタンスについてステップＳ１０２～Ｓ１０６の処理が実行される。

ステップＳ１０４～Ｓ１０６の処理が実行されたら、データ処理部８は分類定義データ中に推定されたデータ種類と同一のデータ種類が定義されているか否かを確認する（ステップＳ１０７）。例えば、データ処理部８はスキーマデータベース１１にアクセスし、該当するデータ種類の定義を探索する。

分類定義データ中に同一のデータ種類が定義されている場合（ステップＳ１０７のＹＥＳ）、当該データ種類に対応するサブクラスおよびサブクラスが有する関係を通知する（ステップＳ１０８）。具体的には、データ処理部８はオントロジーデータベース１２を参照してデータ種類に対応するサブクラスを特定する。そして、データ関係取得部１７は、メタモデルデータベース１３を参照し、当該サブクラスが有する関係に関する情報を取得する。最後に、通知部１８はユーザや外部の情報処理装置にこれらの情報を通知する。併せてインスタンスが物理世界（ＰＷ）またはサイバー世界（ＣＷ）のいずれに係るものなのかを通知してもよい。また、通知部１８は、データ種類に対応するサブクラスおよびサブクラスが有する関係に関する情報を表示部１９ａに表示してもよい。必要に応じて、データ種類に対応するスキーマの情報を通知してもよい。

分類定義データ中に同一のデータ種類が定義されていない場合（ステップＳ１０７のＮＯ）、データ処理部８は該当するインスタンスが新しいデータ種類に係るものであると判定する。この新しいデータ種類に対応するスキーマの定義（スキーマ定義情報）は、スキーマデータベース１１へ追加される（ステップＳ１０９）。新しいデータ種類と対応するスキーマの定義を追加する処理は、プログラムなどによって自動的に実行されてもよいし、ユーザが操作部１９ｂを介して行ってもよい。

次に、新しいデータ種類に対応するサブクラスを定義し、サブクラスの定義とサブクラスの有する関係を分類定義データに追加する（ステップＳ１１０）。具体的には、オントロジーデータベース１２と、メタモデルデータベース１３に新しいサブクラスの定義を追加する。ここで、物理世界（ＰＷ）クラスまたはサイバー世界（ＣＷ）クラスのいずれかのサブクラスが追加される。また、メタモデルのＰＷ関係タイプクラスまたはＣＷ関係タイプクラスにサブクラス間の関係に関する情報を追加する。なお、当該サブクラスが他のサブクラスとの関係を特に有しない場合には、関係に関する情報を追加する処理をスキップしてもよい。ステップＳ１１０の処理はプログラムなどによって自動的に実行されてもよいし、ユーザが操作部１９ｂを介して行ってもよい。

そして、インスタンスに対応するサブクラスおよびサブクラスが有する関係を通知する（ステップＳ１１１）。ステップＳ１１１で実行される処理はステップＳ１０８で実行される処理と同様である。ただし、分類定義データに新しいデータ種類、スキーマ、サブクラス、サブクラスが有する関係の定義を追加した場合には、分類定義データが更新された旨を表示部１９ａに表示したり、ユーザや外部の情報処理装置に通知したりしてもよい。これによって、ユーザや他のシステムはアップデートされた分類定義データを参照することができる。

以降では、データ種類を推定する処理の詳細について説明する。

まず、スキーマとその他のメタデータとの関係について述べる。図８は、階層分類におけるクラス、スキーマ、インスタンスとの関係を示している。図８上段にはクラスの階層分類の例が示されている。センサ機器クラス（クラス４２）のスキーマ５０は“｛コード、種類、値｝”と定義されている。また、補助電源システムクラス（クラス４６）のスキーマ５１は“｛コード、定格効率、種類、起動時間｝”と停止されている。

図８下段のテーブル５２とテーブル５３はスキーマとインスタンスの関係を示している。テーブル５２の第１行目（塗りつぶされている部分）はスキーマ５０に相当する。テーブル５２の第２行目および第３行目にはスキーマ５０を具体化した実データであるインスタンスの例が示されている。テーブル５３の第１行目（塗りつぶされている部分）はスキーマ５１に相当する。テーブル５３の第２行目にはスキーマ５１を具体化した実データであるインスタンスの例が示されている。

なお、クラスの階層分類の詳細については後述する。

次に、図７のステップＳ１０４で実行される処理の詳細について説明する。図９は、スキーマに基づきインスタンスのデータ種類を推定する処理の例を示したフローチャートである。

最初に、図９で使われる表記について説明をする。分類定義データにおいてｍ個のスキーマがスキーマ定義情報として定義されている場合、スキーマの集合ＣｌｓをＣｌｓ＝［ｐ_１、ｐ_２、ｐ_３、・・・、ｐ_ｍ］と表記する。ｉ＝１、２、３、・・・、ｍとすると、各スキーマはｐ_ｉ＝｛ｘ_１、ｘ_２、ｘ_３、ｘ_４｝と表記される。ここで、ｊ＝１、２、３、４とすると、ｘ_ｊはスキーマにおけるそれぞれのデータ項目（ｉｔｅｍ）である。例えば、図８におけるスキーマ５１の場合、“コード”、“定格効率”、“種類”、“値”がスキーマにおけるデータ項目（ｉｔｅｍ）に相当する。

データ収集部７が取得する第１データを同様の表記で表現することができる。第１データにｎ個のスキーマが含まれている場合、スキーマの集合ＳはＳ＝［ｓ_１、ｓ_２、ｓ_３、・・・、ｓ_ｎ］と表記する。ｋ＝１、２、３、・・・、ｎとすると、各スキーマはｓ_ｋ＝｛ｙ_１、ｙ_２、ｙ_３、ｙ_４｝と表記される。ｙ_ｊはスキーマにおけるそれぞれのデータ項目（ｉｔｅｍ）である。なお、第１データには同一のスキーマ（データ種類）に対応する複数のインスタンスが含まれている可能性があるため、ｓ_ｋに重複があってもよい。

なお、この例ではスキーマに含まれるデータ項目数が４となっているが、スキーマに含まれるデータ項目数を限定するものではない。

まず、スキーマの集合Ｓに含まれるそれぞれのスキーマｓ_ｋについて、集合Ｃｌｓから最も類似しているスキーマｐ_ｉを抽出する（ステップＳ２０１）。ステップＳ２０１では類似度の計算が行われ、類似度に基づき、最も類似しているスキーマｐ_ｉが選択される。類似度の計算手法の例としては、Ｓｉｍｐｓｏｎ係数、ＷＯＲＤＮＥＴや、ＴＦ－ＩＤＦなどがあるが、その他の手法を用いてもよい。なお、ステップＳ２０１の計算処理においてしきい値を設定し、類似度がしきい値に満たない場合には、計算結果に対し、同一または対応するスキーマに該当しない蓋然性が高いため、再チェックが必要である旨のラベルを付与してもよい。Ｓｉｍｐｓｏｎ係数を使った具体的な処理の例については後述する。

次に、ステップＳ２０１で抽出されたスキーマｐ_ｉの集合をＣｌｓｘと定義する（ステップＳ２０２）。集合Ｃｌｓｘはスキーマの集合Ｃｌｓに対し、Ｃｌｓｘ⊆Ｃｌｓの関係となる。そして、集合Ｃｌｓｘに含まれる各スキーマが集合Ｓにおける各スキーマに相当していると推定する（ステップＳ２０３）。なお、ステップＳ２０３において推定されたスキーマの対応関係を表示部１９ａに表示したり、通知部１８からユーザに通知したりしてもよい。推定された結果に再チェックが必要である旨のラベルが付与されていた場合、ユーザは操作部１９ｂを使って結果を修正することができる。また、推定結果と合わせて類似度の値の表示または通知を行ってもよい。

図１０は、最も類似しているスキーマを抽出する処理の例を示している。図１０には、類似度の計算にＳｉｍｐｓｏｎ係数が使われた場合の例が示されている。Ｓｉｍｐｓｏｎ係数は集合Ｘと集合Ｙの共通部分（ｉｎｔｅｒｓｅｃｔｉｏｎ）の要素数を、集合Ｘの要素数または集合Ｙの要素数の小さい方で除算することによって計算される。計算処理では、例えばテーブル５４のようなデータ構造を用いることができる。

テーブル５４の第１行目（塗りつぶされている部分）は集合Ｃｌｓ（分類定義データで定義されているスキーマの集合）を示している。テーブル５４の第１列目（塗りつぶされている部分）は集合Ｓ（第１データに含まれているスキーマの集合）を示している。そして、テーブル５４のそれぞれのフィールドにはスキーマｐ_ｉとｓ_ｋの組み合わせごとに計算された類似度に相当するＳｉｍｐｓｏｎ係数の値が格納されている。

図１０の例では、類似度のしきい値として、０．９が設定されている。したがって、Ｓｉｍｐｓｏｎ係数の値が０．９に満たない場合、再チェックが必要である旨のラベルが付与される。

次に、クラスの階層分類と形式記述を含むオントロジーの例について説明する。図１１は、データの階層分類と形式記述を含むオントロジーの例を示している。

図１１上段には、クラスの階層分類が示されている。図１１の例では、ＲＯＯＴクラス（クラス４０）のサブクラスとして機器クラス（クラス４１）、システムクラス（クラス４５）、位置クラス（クラス４８）が規定されている。機器クラスはサブクラスとして、センサ機器クラス（クラス４２）と発電機クラス（クラス４３）を有する。発電機クラスはサブクラスとして、火力発電機クラス（クラス４４）を有する。また、システムクラスはサブクラスとして補助電源システムクラス（クラス４６）と、制御と管理システムクラス（クラス４７）を有する。

このように、クラスの階層分類はクラスをノードとする木構造となっている。図１１に示されているクラスの名称、クラスの数、木の形状は一例にしか過ぎない。したがって、情報処理装置１はこれとは異なる名称のクラスを使っていてもよいし、これとは異なる数のクラスを定義していてもよい。また、図１１の階層分類に係る木の深さは４となっているが、実際の木の深さの値はこれとは異なっていてもよい。分類定義データにクラスを順次追加していくと、図１１の例より多くの種類のクラスが定義され、階層分類の深さが４より大きな値となる場合がある。

それぞれのクラスを識別できるようにするため、各クラスにコードを割り当ててもよい。図１１の例では、機器クラス（クラス４１）にコード“ＰＷ＿Ｅ”が割り当てられている。発電機クラス（クラス４３）には、コード“Ｇ”が割り当てられている。火力発電機クラス（クラス４４）には、コード“ＧＴ”が割り当てられている。コード“ＧＴ”がコード“Ｇ”を含んでいるため、コード“ＧＴ”の火力発電機クラスはコード“Ｇ”の発電機クラスとサブクラスの関係にあることを推定することができる。

図１１下段には、データの形式記述を含むインスタンスの例が示されている。例えば、物理世界（ＰＷ）のクラスに属するインスタンスにはプリフィックス（Ｐｒｅｆｉｘ）として“＋”を付与し、サイバー世界（ＣＷ）のクラスに属するインスタンスにはプリフィックスとして“＝”を付与すると規定したものとする。

テーブル４９ａに係るインスタンスはそれぞれ温度センサ、流量センサの計測値を示しており、いずれもセンサ機器クラス（コード“Ｂ”）に属している。センサ機器クラスは機器クラス（コード“ＰＷ＿Ｅ”）のサブクラスであるため、物理世界（ＰＷ）のクラスであることがわかる。テーブル４９ａの第１列（塗りつぶされている部分）をみると、インスタンスの識別子として “＋Ｂ００１”および“＋Ｂ００２”が使われていることがわかる。これらの識別子は形式記述“＋Ｂ”にシーケンス番号を結合させた形式となっている。なお、テーブル４９ａに示されたインスタンスはいずれも図８のスキーマ５０を具体化させた実データに相当する。

一方、テーブル４９ｂに係るインスタンスは補助電源システムに関する情報を示しており、補助電源クラスに属している。補助電源クラスはシステムクラス（コード“ＣＷ＿Ｓ”）のサブクラスであるため、サイバー世界（ＣＷ）のクラスであることがわかる。テーブル４９ｂの第１列（塗りつぶされている部分）をみると、インスタンスの識別子として“＝Ｂ０００１”が使われている。この識別子は形式記述“＝Ｂ”にシーケンス番号を結合させた形式となっている。なお、テーブル４９ｂに示されたインスタンスは図８のスキーマ５１を具体化させた実データに相当する。

図１１に示されたクラスのコードおよび形式記述は例にしか過ぎない。したがって、図１１の例とは異なる形式でクラスのコードと形式記述を定義してもよい。クラスのコードと形式記述は、例えば数値、文字、記号またはこれらの組み合わせによって定義されてもよいし、特定のビット列によって定義されていてもよい。

図１２は、オントロジーに基づき第１データのデータ種類を推定する処理を示したフローチャートである。図１２は、図７のステップＳ１０５で実行される処理の詳細な説明となっている。以下では、図１２を参照しながら、処理を説明する。

まず、第１データに含まれている形式記述情報（第１形式記述情報）をオントロジーデータベース１２で定義されているそれぞれの形式記述（第２形式記述情報）と照合する（ステップＳ３０１）。オントロジーデータベース１２で形式記述情報と一致する形式記述（第２形式記述情報）が定義されている場合（ステップＳ３０２のＹＥＳ）、第１データに含まれているインスタンスのデータ種類を特定する（ステップＳ３０３）。オントロジーデータベース１２で形式記述情報と一致する形式記述（第２形式記述情報）が定義されていない場合（ステップＳ３０２のＮＯ）、図１２の処理は終了し、図７のステップＳ１０６の処理が実行される。図１１のテーブル４９ａ、４９ｂのインスタンスに対し、図１２の処理が適用された場合、照合される形式記述はシーケンス番号を除いた“＋Ｂ”や“＝Ｂ”となる。

次に、図７のステップＳ１０６で実行される処理の詳細について説明する。ステップＳ１０６では類似度に基づいて、データ種類を推定する。類似度に基づくデータ種類の推定処理には、テキストベースの方法（第１の方法）と、機械学習的手法（第２の方法）が存在する。以下では、最初に第１の方法について説明した後、第２の方法について述べる。

図１３は、インスタンスの類似度に基づきインスタンスのデータ種類を推定する処理の第１の方法を示すフローチャートである。以下では、図１３を参照しながら、処理を説明する。

ここで、図１３で使われる表記について説明をする。ログデータベース１０に格納されたｍ個のインスタンスを含む、インスタンスの集合ＬをＬ＝［ａ_１、ａ_２、ａ_３、・・・、ａ_ｍ］と表記する。ｉ＝１、２、３、・・・、ｍとすると、各インスタンスはａ_ｉ＝｛ｇ_１、ｇ_２、ｇ_３、ｇ_４｝と表記される。ここで、ｊ＝１、２、３、４とすると、ｇ_ｊはインスタンスにおけるそれぞれのデータ項目（ｉｔｅｍ）の値である。例えば、図１１におけるテーブル４９ｂのインスタンスの場合、“＝Ｂ０００１”、“３０００ｗ”、“直流”、“２ｍｉｎ”がインスタンスにおけるデータ項目（ｉｔｅｍ）の値に相当する。

データ収集部７が取得する第１データも同様の表記を使った表現が可能である。第１データにｎ個のインスタンスが含まれている場合、インスタンスの集合ＮはＮ＝［ｂ_１、ｂ_２、ｂ_３、・・・、ｂ_ｎ］と表記する。ｋ＝１、２、３、・・・、ｎとすると、各インスタンスはｂ_ｋ＝｛ｈ_１、ｈ_２、ｈ_３、ｈ_４｝と表記される。ｈ_ｊはインスタンスにおけるそれぞれのデータ項目（ｉｔｅｍ）の値である。なお、第１データにはデータ種類と値が同一であるインスタンスが含まれている可能性があるため、ｈ_ｋに重複があってもよい。

なお、この例ではインスタンスに含まれるデータ項目数が４となっているが、インスタンスに含まれるデータ項目数を限定するものではない。

まず、ログデータベース１０に含まれる複数のインスタンスａ_ｉを抽出し、インスタンスの集合Ｌとする（ステップＳ４０１）。そして、第１データに含まれる各インスタンスｂ_ｋを抽出し、インスタンスの集合Ｎとする（ステップＳ４０２）。次に、集合Ｌに含まれるそれぞれのインスタンスａ_ｉと集合Ｎに含まれるそれぞれのインスタンスｂ_ｋの類似度を計算する（ステップＳ４０３）。最後に、集合Ｌに含まれるインスタンスａ_ｉのうち、最も類似度の高いものに係るデータ種類を集合Ｎに含まれる各インスタンスのｂ_ｋのデータ種類であると推定する（ステップＳ４０４）。

次に、第１の方法を用いた場合の具体的な処理の例について説明する。図１４は、インスタンスの値を用いた類似度の計算の第１の方法を示している。

図１４上段には、ログデータベース１０に保存されているインスタンスａ_ｉの具体的な例として、インスタンス６０、６１が示されている。一方、第１データに含まれているインスタンスｂ_ｋの具体的な例としてインスタンス６２、６３が示されている。

図１４の例では、インスタンスどうしの類似度を求めるためにＳｉｍｐｓｏｎ係数が計算されている。なお、Ｓｉｍｐｓｏｎ係数は類似度を計算する方法の一例にしか過ぎない。例えば、ＷＯＲＤＮＥＴや、ＴＦ－ＩＤＦなど、その他の計算手法を使ってもよい。

図１４下段には、Ｓｉｍｐｓｏｎ係数の計算結果を格納したテーブル６４、６５が示されている。テーブル６４には、インスタンス６０とインスタンス６２の組み合わせについてＳｉｍｐｓｏｎ係数を計算した結果が示されている。一方、テーブル６５にはインスタンス６１とインスタンス６２の組み合わせについてＳｉｍｐｓｏｎ係数を計算した結果が示されている。類似度にしきい値を設定し、計算された類似度の値がしきい値に満たない場合には、推定されたデータ種類の再確認を求めるフラグが設定されるようにしてもよい。このフラグが設定されている場合、ユーザは推定されたデータ種類をチェックし、必要に応じて結果に対して修正を行うことができる。

次に、インスタンスの類似度を用いる第２の方法について説明する。図１５は、インスタンスの類似度に基づきインスタンスのデータ種類を推定する処理の第２の方法を示したフローチャートである。以下では、図１５を参照しながら処理を説明する。

ここで、図１５で使われる表記について説明をする。ログデータベース１０に格納されたｍ個のインスタンスから文字と記号を除去し、数値のみとしたデータａ´_ｉの集合Ｌ´をＬ´＝［ａ´_１、ａ´_２、ａ_３、・・・、ａ´_ｍ］と表記する。ｉ＝１、２、３、・・・、ｍとすると、各データはａ´_ｉ＝｛ｇ´_１、ｇ´_２、ｇ´_３、ｇ´_４｝と表記される。ここで、ｊ＝１、２、３、４とすると、ｇ´_ｊはデータａ´_ｉにおけるそれぞれのデータ項目（ｉｔｅｍ）の値である。

データ収集部７が取得する第１データも同様の表記を使って表現することができる。第１データに含まれているｎ個のインスタンスから文字と記号を除去し、数値のみとしたデータｂ´_ｋの集合Ｎ´をＮ´＝［ｂ´_１、ｂ´_２、ｂ´_３、・・・、ｂ´_ｎ］と表記する。ｋ＝１、２、３、・・・、ｎとすると、各データはｂ´_ｋ＝｛ｈ´_１、ｈ´_２、ｈ´_３、ｈ´_４｝と表記される。ｈ´_ｊはデータｂ´_ｋにおけるそれぞれのデータ項目（ｉｔｅｍ）の値である。なお、ｈ_ｋの値に重複があってもよい。

なお、この例ではデータｂ´_ｋに含まれるデータ項目数が４となっているが、データｂ´_ｋに含まれるデータ項目数を限定するものではない。

まず、ログデータベース１０に格納された各インスタンスから文字と記号を除去した数値のみのデータａ´_ｉの集合Ｌ´を用意する（ステップＳ５０１）。次に、第１データに含まれる各インスタンスから文字と記号を除去した数値のみのデータｂ´_ｋの集合Ｎ´を用意する（ステップＳ５０２）。なお、ステップＳ５０１およびステップＳ５０２の処理において、インスタンスの識別子（例えば、形式記述＋シーケンス番号）については、識別性が損なわれないようにするため、例外的に文字と記号の除去処理をスキップしてもよい。

そして、集合Ｌ´に含まれるそれぞれのデータａ´_ｉと、集合Ｎ´に含まれるそれぞれのデータｂ´_ｋの類似度を機械学習的手法によって計算する（ステップＳ５０３）。最後に、集合Ｌ´に含まれるそれぞれのデータａ´_ｉのうち、最も類似度の高いものに対応するデータ種類を集合Ｎ´に含まれるそれぞれのデータｂ´_ｋに対応するインスタンスのデータ種類であると推定する（ステップＳ５０４）。

次に、第２の方法を用いた場合の具体的な処理の例について説明する。図１６は、インスタンスの値を用いた類似度の計算の第２の方法を示している。

図１６上段には、データａ´_ｉの例としてデータ６６、６７が示されている。また、データｂ´_ｋの例としてデータ６８が示されている。データ６６～６８はインスタンスの識別子（形式記述＋シーケンス番号）を除く、各データ項目（ｉｔｅｍ）から文字と記号を除去したものである。

機械学習的に類似度を計算する方法の例としては、階層クラスタリング、非階層クラスタリングなどのクラスタリングがある。クラスタの分類に使う距離の例としては、ユークリッド距離、マハラノビス距離、コサイン距離などが挙げられる。クラスタの合併方法の例としては、ウォード法、群平均法、最短距離法、最長距離法などが挙げられるが、どの方法であってもよい。クラスタリング以外には数値の相関を計算する方法などがあるが、手法の種類については特に問わない。

なお、上述では、類似度の計算が最も類似しているスキーマを探索するときに実行される場合（例えば、図９、図１０）と、最も類似しているインスタンスを探索するときに実行される場合（例えば、図１３～図１６）について述べた。以降では、前者の場合に計算される類似度と後者の場合に計算される類似度を区別する必要がある場合には、前者を第１類似度、後者を第２類似度とよぶものとする。

図１６の例では、階層クラスタリングが使われており、識別子が“Ｃ００２”のインスタンスは識別子が“Ｂ００２”のインスタンスに最も類似しているという判定結果が得られている。

なお、取得した第１データに含まれるインスタンスと、ログデータベースに含まれており、データ種類および分類されるサブクラスが特定されているインスタンスを区別する必要がある場合、前者を第１インスタンスとよび、後者を第２インスタンスとよぶものとする。

図７のフローチャートでは、第１データに含まれているメタデータ（具体的には、スキーマ情報および第１形式記述情報）によって、第１データに含まれているインスタンスのデータ種類の推定で適用される処理が異なっていた。ただし、図７のフローチャートは一例にしか過ぎない。したがって、適用される処理の優先度が必ずステップＳ１０４、ステップＳ１０５、ステップＳ１０６の順でなくてもよい。また、これらの処理が適用される基準が図７の例とは異なっていてもよい。情報処理装置１はデータ種類の推定処理において、ステップＳ１０４、ステップＳ１０５、ステップＳ１０６の処理の一部のみを実行してもよいし、いずれかのステップの処理のみを実行してもよい。

次に、本実施形態に係る情報処理装置が表示する画面の例について説明する。最初に、第１データの分類を推定した結果を示す画面の例について述べる。

図１７は、図７のステップＳ１０８において、ディスプレイ（表示部１９ａ）に表示される画面の例である。図１７の画面は、第１データに含まれるインスタンスの分類（データ種類）の推定結果を示したＧＵＩ（Ｇｒａｐｈｉｃａｌ Ｕｓｅｒ Ｉｎｔｅｒｆａｃｅ）の一例である。

図１７の画面は、インスタンスとして、火力発電所の“第２ガスタービン入口における燃焼ガス温度”が第１データに含まれていた場合を示している。データ種類の推定処理の結果、当該インスタンスのクラスは“ガスタービン”、スキーマは“温度”であると推定されている。また、“クラス：ガスタービン／スキーマ：温度”に相当するサブクラスは“温度センサ”サブクラスである。“温度センサ”サブクラスは複数の親子関係を経由して、物理世界（ＰＷ）クラスのサブクラスとなっている。

さらに、“温度センサ”サブクラスに関連するサブクラスとして、サイバー世界（ＣＷ）クラスのサブクラスである、“回転速度設定”サブクラスと、“排気ガス温度設定”サブクラスが示されている。図１７の画面を参照すると、推定処理において類似度が使われており、類似度の値がしきい値以上であったことがわかる。したがって、図１７の例では、ユーザに推定結果の確認を求めるメッセージは表示されていない。

図１７の画面下部には、ボタン９０、９１が配置されている。ユーザはボタン９０をクリックすると、図１７の画面に示された推定結果を修正することができる。推定結果を修正する画面の例としては、後に説明する図１８が挙げられる。また、ユーザはボタン９１をクリックすると、図１７の画面に示された推定結果が、ログデータベース１０に保存される。

図１８は、分類定義データの編集画面の例を示している。

図１８は、分類定義データの編集を行うためのＧＵＩの一例である。図１８の画面では、クラスの追加、クラスの削除、クラスの編集の操作が行われる。クラスの追加または編集を行うときには、あわせて物理世界（ＰＷ）クラスとサイバー世界（ＣＷ）クラスの切り替え、クラスの記号の設定、対応するスキーマの定義、対応するデータ種類名の入力などの操作を行うことが可能である。また、画面左上のボックスにはクラスの階層分類が表示されているため、ユーザは分類定義データの構成を確認しながら、編集の作業を進めることができる。

図１８の画面は、例えば、取得した第１データに含まれるインスタンスのデータ種類およびデータ種類の分類される前記サブクラスが分類定義データに定義されていないデータ種類およびサブクラスであると推定される場合に表示される。ただし、これとは異なるタイミングに図１８の画面を表示してもよい。

なお、図１７、図１８の画面はＧＵＩであるが、コマンドライン上（ＣＬＩ）で分類定義データの編集が行われるようになっていてもよい。また、図１８の画面が提供する機能を実現するためのＡＰＩを提供し、ＡＰＩを利用する外部のプログラムなどが分類定義データの編集操作を行ってもよい。すなわち、本実施形態に係る情報処理装置が生成する画面の種類や内容については特に限定しない。

また、図１８の画面が表示される装置については特に問わない。例えば、情報処理装置１に内蔵されたディスプレイに画面が表示されてもよいし、リモートにあるパソコン、スマートフォン、タブレットなどの情報通信端末に当該画面が表示されていてもよい。

本実施形態に係る情報処理装置および情報処理方法では、物理世界のデータとサイバー世界のデータにおける違いをサブクラスの定義に反映させている。これにより、収集されるデータのソース、性質、データ間の関連性に関する情報を取得し、多数のセンサ、複数のプロセスに係る装置やシステムや装置から収集されるデータを正しく分類することが可能となる。

多数のソースから収集されたデータを正しく分類し、データのクラスやクラス間の関係に関する情報を得ることによって、複数のシステム間における横断的なデータの利用が容易となる。これにより、複数のプロセスに係るデータを有効に活用し、各種のインフラ、工場、プラントなどの設備のオペレーションの自動化、オペレーションの全体最適化や統一化を行うことができる。オペレーション面の改善によって、各種コストの削減、安全性の向上、生産品の高品質化などが実現される。

（第２の実施形態）
第２の実施形態では、情報処理装置のハードウェア構成について説明する。情報処理装置は、例えばコンピュータ１００により構成される。コンピュータ１００には、サーバ、クライアント端末、組み込み機器のマイコン、タブレット、スマートフォン、フィーチャーフォン、パソコンなどの各種の情報処理装置が含まれる。コンピュータ１００は、仮想計算機（ＶＭ：Ｖｉｒｔｕａｌ Ｍａｃｈｉｎｅ）やコンテナなどによって実現されていてもよい。

図１９は、コンピュータ１００の一例を示す図である。図１９のコンピュータ１００は、プロセッサ１０１と、入力装置１０２と、表示装置１０３と、通信装置１０４と、記憶装置１０５とを備える。プロセッサ１０１、入力装置１０２、表示装置１０３、通信装置１０４、記憶装置１０５は、バス１０６により相互に接続されている。

プロセッサ１０１は、コンピュータ１００の制御装置と演算装置を含む電子回路である。プロセッサ１０１として、例えば、汎用目的プロセッサ、中央処理装置（ＣＰＵ）、マイクロプロセッサ、デジタル信号プロセッサ（ＤＳＰ）、コントローラ、マイクロコントローラ、状態マシン、特定用途向け集積回路、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラム可能論理回路（ＰＬＤ）またはこれらの組合せを用いることができる。

プロセッサ１０１は、バス１０６を介して接続された各装置（例えば、入力装置１０２、通信装置１０４、記憶装置１０５）から入力されたデータやプログラムに基づいて演算処理を行い、演算結果や制御信号を、バス１０６を介して接続された各装置（例えば、表示装置１０３、通信装置１０４、記憶装置１０５）に出力する。具体的には、プロセッサ１０１は、コンピュータ１００のＯＳ（オペレーティングシステム）や、プログラムなどを実行し、コンピュータ１００に含まれるそれぞれの装置を制御する。

プログラムに、コンピュータ１００に、第１の実施形態における情報処理装置１の各構成要素に係る処理を実装することができる。プログラムは、一時的でない有形のコンピュータ読み取り可能な記憶媒体に記憶される。上記の記憶媒体は、例えば、光ディスク、光磁気ディスク、磁気ディスク、磁気テープ、フラッシュメモリ、半導体メモリであるが、これに限られない。プロセッサ１０１がプログラムを実行することによって、コンピュータ１００は第１の実施形態で述べた各種の機能を提供することができる。

入力装置１０２は、コンピュータ１００に情報を入力するための装置である。入力装置１０２は、例えば、キーボード、マウス、タッチパネルなどであるが、これに限られない。ユーザは、入力装置１０２を用いることにより、メタモデル、クラスの階層分類、クラスのコード、スキーマの定義、データ種類の名称などを入力することができる。

表示装置１０３は、画像や映像を表示するための装置である。表示装置１０３は、例えば、ＬＣＤ（液晶ディスプレイ）、ＣＲＴ（ブラウン管）、有機ＥＬ（有機エレクトロルミネッセンス）ディスプレイ、プロジェクタ、ＬＥＤディスプレイなどであるが、これに限られない。表示装置１０３には、第１データに含まれるインスタンスのデータ種類を推定した結果や、分類定義データの編集画面などが表示される。

通信装置１０４は、コンピュータ１００が外部装置と無線または有線で通信するために使用する装置である。通信装置１０４は、例えば、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）、通信モジュール、モデム、ハブ、ルータなどであるが、これに限られない。コンピュータ１００は、通信装置１０４を介して、遠隔地のプラント、工場、施設の計測データや設定データなどを収集してもよい。また、コンピュータ１００（情報処理装置１）がデータセンターやマシン室に設置されたサーバなどである場合、コンピュータ１００は通信装置１０４を介して、リモートの情報通信端末から送信された指令を受け付けたり、画面表示の内容をリモートの情報通信端末に表示させたりしてもよい。

記憶装置１０５は、コンピュータ１００のＯＳや、プログラム、プログラムの実行に必要なデータ、プログラムの実行により生成されたデータなどを記憶する記憶媒体である。記憶装置１０５には、主記憶装置と外部記憶装置が含まれる。主記憶装置は、例えば、ＲＡＭ、ＤＲＡＭ、ＳＲＡＭであるが、これに限られない。また、外部記憶装置は、例えば、ハードディスク、光ディスク、フラッシュメモリ、磁気テープなどであるが、これに限られない。上述のログデータベース１０、スキーマデータベース１１、オントロジーデータべース１２、メタモデルデータベース１３は、記憶装置１０５上に構築されてもよいし、外部のサーバやストレージ上に構築されてもよい。

なお、コンピュータ１００は、プロセッサ１０１、入力装置１０２、表示装置１０３、通信装置１０４、記憶装置１０５を、それぞれ１つずつまたは複数備えてもよい。また、コンピュータ１００にプリンタやスキャナなどの周辺機器が接続されていてもよい。

また、情報処理装置は、単一のコンピュータ１００により構成されてもよいし、複数のコンピュータ１００が相互に接続された情報システムによって構成されていてもよい。

さらに、プログラムは、コンピュータ１００の記憶装置１０５に予め記憶されていてもよいし、コンピュータ１００の外部の記憶媒体に記憶されていてもよいし、インターネット上にアップロードされていてもよい。いずれの場合にも、プログラムをコンピュータ１００にインストールして実行することにより、第１の実施形態に係る情報処理装置の機能を実現することができる。

なお、本発明は上記各実施形態そのままに限定されるものではなく、実施段階ではその要旨を逸脱しない範囲で構成要素を変形して具体化できる。また、上記各実施形態に開示されている複数の構成要素を適宜組み合わせることによって種々の発明を形成できる。また例えば、各実施形態に示される全構成要素からいくつかの構成要素を削除した構成も考えられる。さらに、異なる実施形態に記載した構成要素を適宜組み合わせてもよい。

１ 情報処理装置
２ ネットワーク
３ センサシステム
４ 制御システム
５ 管理システム
６ 記憶装置
６ａ 未分類ＤＢ
７ データ収集部
８ データ処理部
９ 記憶部
１０ ログＤＢ
１１ スキーマＤＢ
１２ オントロジーＤＢ
１３ メタモデルＤＢ
１４ スキーマ更新部
１５ オントロジー更新部
１６ メタモデル更新部
１７ データ関係取得部
１８ 通知部
１９ａ 表示部
１９ｂ 操作部
２０ メタモデル
２１、２２、２３、２４、２５、２６、２７、２８、２９、３０、３１、４０、４１、４２、４３、４４、４５、４６，４７、４８ クラス
３２ アソシエーション（Ａｓｓｏｃｉａｔｉｏｎ）
４９ａ、４９ｂ、５２、５３、５４、６４、６５ テーブル
５０、５１ スキーマ
６０、６１ 行
６２、６３ インスタンス
６６、６７、６８ データ
７０、７１、７１ａ 参照（ｒｅｆｅｒｅｎｃｅ）
７２、７３ 対応関係
８０、８１、８２、８３、８４ 第１データ
９０、９１ ボタン
１００ コンピュータ
１０１ プロセッサ
１０２ 入力装置
１０３ 表示装置
１０４ 通信装置
１０５ 記憶装置

Claims (15)

1. 複数のデータ項目の値の組み合わせであるインスタンスを物理的な実体に基づいて定義される第１のクラスまたは概念的に定義される第２のクラスのいずれかのサブクラスに分類する情報処理方法であって、
   取得された前記インスタンスを含む第１データの集合に含まれているインスタンスのデータ種類が特定されているログデータ、ログデータベース、及び前記データ種類の前記サブクラスを定義する分類定義データの少なくともいずれかを参照し、前記インスタンスの分類される前記サブクラスを推定するステップと、
   前記分類定義データに定義されている前記サブクラス間の関係を参照し、前記データ種類の分類される前記サブクラスが他の前記サブクラスとの間に有する関係を特定するステップと、
   をコンピュータが実行する情報処理方法。
2. 前記インスタンスを含む前記第１データを取得して記憶装置に保存するステップを備え、
   前記記憶装置に保存された前記第１データに基づいて、前記サブクラスを推定する、請求項１に記載の情報処理方法。
3. 前記第１データが前記インスタンスの形式を規定したスキーマ情報を含む場合には、前記スキーマ情報と、前記データ種類ごとに前記インスタンスの形式を定義しているスキーマ定義情報との間の第１類似度を計算し、前記第１類似度が最も高い前記スキーマ定義情報に対応する前記データ種類を、前記第１データに含まれる前記インスタンスの前記データ種類であると推定する、
   請求項１または２に記載の情報処理方法。
4. 前記第１類似度が最も高い前記スキーマ定義情報における前記第１類似度がしきい値に満たない場合には、ユーザに対し、前記第１データに含まれる前記インスタンスの前記データ種類および前記データ種類の分類される前記サブクラスの推定結果の確認を求めるメッセージを通知する、
   請求項３に記載の情報処理方法。
5. 前記第１データが前記サブクラスの識別子である、第１形式記述情報を含む場合には、前記第１形式記述情報と、前記分類定義データに含まれている前記サブクラスの識別子である、第２形式記述情報とを照合し、前記第１形式記述情報と前記第２形式記述情報が一致している場合には、前記第１データに含まれる前記インスタンスの前記データ種類の分類される前記サブクラスが、前記第１形式記述情報の特定する前記サブクラスであると推定する、
   請求項１ないし４のいずれか一項に記載の情報処理方法。
6. 取得した前記第１データに含まれる前記インスタンスである第１インスタンスと、前記ログデータベースに含まれており、前記データ種類および前記データ種類の分類される前記サブクラスが特定されている前記インスタンスである第２インスタンスとの間の第２類似度を計算し、前記第２類似度が最も高い前記第２インスタンスに対応する前記データ種類を、前記第１インスタンスの前記データ種類であると推定する、
   請求項１ないし５のいずれか一項に記載の情報処理方法。
7. 前記第１データが前記インスタンスの形式を規定したスキーマ情報を含まないが、前記サブクラスの識別子である、第１形式記述情報を含む場合には、前記第１形式記述情報と、前記分類定義データに含まれている前記サブクラスの識別子である、第２形式記述情報とを照合し、前記第１形式記述情報と前記第２形式記述情報が一致している場合には、前記第１データに含まれる前記インスタンスの前記データ種類の分類される前記サブクラスが、前記第１形式記述情報の特定する前記サブクラスであると推定する、
   請求項１または２に記載の情報処理方法。
8. 前記第１データが前記インスタンスの形式を規定したスキーマ情報も、前記インスタンスに対応する前記サブクラスの識別子である、第１形式記述情報のいずれも含まない場合に、取得した前記第１データに含まれる前記インスタンスである第１インスタンスと、前記ログデータベースに含まれており、前記データ種類および分類される前記サブクラスが特定されている前記インスタンスである第２インスタンスとの間の第２類似度を計算し、前記第２類似度が最も高い前記第２インスタンスに対応する前記データ種類を、前記第１インスタンスの前記データ種類であると推定する、
   請求項１または２に記載の情報処理方法。
9. 取得した前記第１データに含まれる前記インスタンスの前記データ種類および前記データ種類の分類される前記サブクラスが前記分類定義データに定義されていない前記データ種類および前記サブクラスであると推定される場合には、前記分類定義データに新しい前記データ種類の定義、新しい前記データ種類に対応する前記インスタンスの形式の定義、新しい前記データ種類の分類される前記サブクラスの定義を追加するステップを含む、
   請求項１ないし８のいずれか一項に記載の情報処理方法。
10. 新しい前記データ種類の分類される前記サブクラスが他の前記サブクラスと関係を有する場合には、新しい前記データ種類の分類される前記サブクラスが有する他の前記サブクラスとの関係に係る情報を前記分類定義データに追加する、
    請求項９に記載の情報処理方法。
11. 取得した前記第１データに含まれる前記インスタンスの前記データ種類および前記データ種類の分類される前記サブクラスが前記分類定義データに定義されていない前記データ種類および前記サブクラスであると推定される場合に、ユーザが前記分類定義データを編集する画面を生成するステップを含む、
    請求項１ないし１０のいずれか一項に記載の情報処理方法。
12. 複数のデータ項目の値の組み合わせであるインスタンスを物理的な実体に基づいて定義される第１のクラスまたは概念的に定義される第２のクラスのいずれかのサブクラスに分類するプログラムであって、
    取得された前記インスタンスを含む第１データの集合に含まれているインスタンスのデータ種類が特定されているログデータ、ログデータベース、及び前記データ種類の前記サブクラスを定義する分類定義データの少なくともいずれかを参照し、前記データ種類の分類される前記サブクラスが他の前記サブクラスとの間に有する関係を特定するステップと、
    前記第１データに含まれる前記インスタンスについて、推定された前記データ種類、前記データ種類の分類される前記サブクラス、前記サブクラスが他の前記サブクラスとの間に有する関係をディスプレイに表示するステップと、
    をコンピュータに実行させるプログラム。
13. 前記インスタンスを含む前記第１データを取得して記憶装置に保存するステップをさらにコンピュータに実行させ、
    前記記憶装置に保存された前記第１データに基づいて、前記サブクラスを推定する、請求項１２に記載のプログラム。
14. 複数のデータ項目の値の組み合わせであるインスタンスを物理的な実体に基づいて定義される第１のクラスまたは概念的に定義される第２のクラスのいずれかのサブクラスに分類する情報処理装置であって、
    取得された前記インスタンスを含む第１データの集合に含まれているインスタンスのデータ種類が特定されているログデータ、ログデータベース、及び前記インスタンスのデータ種類に対応する前記サブクラスを定義する分類定義データの少なくともいずれかを参照し、前記インスタンスの前記データ種類および前記データ種類の分類される前記サブクラスを推定するデータ処理部と、を備え、
    前記分類定義データを参照し、前記データ種類の分類される前記サブクラスが他の前記サブクラスとの間に有する関係を特定する、
    情報処理装置。
15. 前記インスタンスを含む前記第１データを取得して保存する記憶装置を備え、
    前記データ処理部は、前記記憶装置に保存された前記第１データに基づいて、前記サブクラスを推定する、請求項１４に記載の情報処理装置。

Images