JP7125383B2 - 情報処理装置、情報処理方法、および情報処理プログラム - Google Patents

Description

本発明は、機械学習により構築された予測モデルの更新に用いられる情報処理装置等に関する。

人手不足の進行等を背景として、機器を自動で適切に制御するための技術の開発が従来から進められている。例えば、下記の特許文献１には、ニューラルネットワークモデルで予測した、所定時間後における廃熱ボイラの蒸気発生量を、制御ロジックに出力することにより、廃棄物処理プラントの自動制御を行うことが記載されている。

ニューラルネットワークモデルを含め、機械学習によって構築される予測モデルを用いる場合、その予測精度を維持または向上させるために、再学習等により予測モデルを更新する必要が生じる。例えば、上記特許文献１には、１つのモデルの使用期間中に新たなモデルを構築し、新たなモデルの評価指標が使用中のモデルよりも好転していれば、新たなモデルを適用することが記載されている。

特開２００５－２４９３４９号公報

しかしながら、上記のような従来技術は、蒸気発生量等のプロセス値を予測する予測モデルの更新には有用であるが、適切な制御内容を予測する予測モデルの更新に適用することは難しいという問題がある。適切な制御内容を予測する予測モデルとは、機器自体、あるいは当該機器が用いられている施設等の動作状態を示す入力データに基づき、該動作状態であるときに行うべき制御内容を示す情報を出力する予測モデルである。

例えば、特許文献１のように、所定期間（例えば２週間）の間、適切な制御内容を予測する第１の予測モデルを用いて自動制御を行うと共に、当該期間に収集したデータを用いて、適切な制御内容を予測する第２の予測モデルを構築したとする。

この場合、上記所定期間には、第２の予測モデルの予測結果に基づいた制御は行われず、第１の予測モデルの予測結果に基づいた制御が行われて、その制御によってプラントの状態が変化する。

このように、上記所定期間中において、第２の予測モデルの予測結果に基づく制御は現実には行われないため、その予測結果が妥当であったか否かを評価することは難しい。そして、上記所定期間中に第２の予測モデルの予測結果が妥当であったか否かを評価することができなければ、当該所定期間の終了時点で、予測モデルを適切に更新することもできない。

本発明の一態様は、上述の問題点に鑑みてなされたものであり、その目的は、制御内容を予測する予測モデルを適切に更新することが可能な情報処理装置等を提供することにある。

上記の課題を解決するために、本発明の一態様に係る情報処理装置は、制御対象に対して行うべき制御内容を予測する複数の予測モデルを、第１の所定期間を構成する複数の単位期間毎に交替で用いて上記制御対象を制御したときの、各単位期間における予測結果を評価する評価部と、上記評価部による評価結果に基づいて、複数の上記予測モデルの中から、上記第１の所定期間以降の第２の所定期間で使用する予測モデルを選択する選択部と、を備えている。

また、本発明の一態様に係る情報処理方法は、上記の課題を解決するために、１または複数の情報処理装置によって実行される情報処理方法であって、制御対象に対して行うべき制御内容を予測する複数の予測モデルを、第１の所定期間を構成する複数の単位期間毎に交替で用いて上記制御対象を制御したときの、各単位期間における予測結果を評価する評価ステップと、上記評価ステップでの評価結果に基づいて、複数の上記予測モデルの中から、上記第１の所定期間以降の第２の所定期間で使用する予測モデルを選択する選択ステップと、を含む。

本発明の一態様によれば、制御内容を予測する予測モデルを適切に更新することが可能になる。

本発明の一実施形態に係る情報処理装置の要部構成の一例を示すブロック図である。 上記情報処理装置が実行する切り替え制御の例と、および上記情報処理装置が使用する予測モデルの更新の例を示す図である。 上記情報処理装置が実行する、使用する予測モデルを更新する処理の一例を示すフローチャートである。 正解データ決定情報の例を示す図である。 教師データを生成する処理の一例を示すフローチャートである。

〔装置構成〕
本発明の一実施形態に係る情報処理装置の構成を図１に基づいて説明する。図１は、情報処理装置１の要部構成の一例を示すブロック図である。図１に示すように、情報処理装置１は、情報処理装置１の各部を統括して制御する制御部１０と、情報処理装置１が使用する各種データを記憶する記憶部１２とを備えている。また、情報処理装置１は、情報処理装置１に対する入力を受け付ける入力部１４と、情報処理装置１がデータを出力するための出力部１６とを備えている。

制御部１０には、更新管理部１０１、予測部１０２、プラント制御部１０３、評価部１０４、選択部１０５、教師データ生成部１０６、学習部１０７、手動制御検出部１０８、参照情報取得部１０９、および状態判定部１１０が含まれている。また、記憶部１２には、予測結果ＤＢ（データベース）１２１、予測モデルＤＢ１２２、および正解データ決定情報１２３が記憶されている。以上の構成のうち、教師データ生成部１０６から状態判定部１１０および正解データ決定情報１２３については後に説明する。

情報処理装置１は、予測モデルを用いて、制御対象に対して行うべき制御内容を予測し、その予測結果に従って制御対象を動作させる、という自動制御システムを実現する装置である。

上記予測モデルは、制御対象に対して行うべき制御内容を予測できるように構築されたモデルである。本実施形態では、上記制御対象がプラントで用いられる各種機器である例を説明する。つまり、情報処理装置１により、上記予測モデルの予測結果に基づいて、プラントに含まれる各種機器等に対する制御が行われ、プラントの自動制御が実現される。無論、制御対象は任意であり、この例に限られない。

なお、上記予測モデルは、統計手法により構築されたものであってもよいし、機械学習により構築されたものであってもよく、それらを組み合わせたモデルであってもよい。機械学習のアルゴリズムは任意であり、例えばニューラルネットワーク等の予測モデルを用いてもよい。

更新管理部１０１は、制御対象の自動制御に用いる予測モデルを単位期間（例えば１日）毎に切り替えると共に、複数の単位期間を含む所定期間（第１の所定期間、例えば６０日）が経過したときには、自動制御に用いる予測モデルを更新する。そして、更新後の所定期間（第２の所定期間、例えば６０日）には、更新された予測モデルを用いた自動制御が行われる。予測モデルの更新には、評価部１０４および選択部１０５が関与する。

予測部１０２は、上述の予測モデルを用いて制御対象に対して行うべき制御内容を予測する。具体的には、上述の予測モデルは、制御対象およびプラントの動作状態を示す各種データ（例えば、センサの検出値などのプロセスデータ）と、そのデータが観測されたときに実行すべき制御内容との対応関係を学習したものである。このため、予測部１０２は、上記の各種データを予測モデルに入力し、該予測モデルの出力値に基づいて、制御対象に対して行うべき制御内容を予測する。

プラント制御部１０３は、予測部１０２の予測結果に従って、プラントで用いられる各種機器の動作を制御する。なお、プラント制御部１０３は、上記機器を直接制御してもよいし、当該機器の制御装置に制御内容を通知することにより間接的に制御してもよい。

評価部１０４は、複数の上記予測モデルを単位期間毎に交替で用いて制御対象を制御したときの、各単位期間における予測結果を評価する。評価方法は、単位期間における各予測モデルの予測精度を比較できるような方法であればよい。評価方法の具体例は後述する。

選択部１０５は、評価部１０４による評価結果に基づいて、複数の上記予測モデルの中から、それ以降に予測部１０２が使用する予測モデルを選択する。つまり、選択部１０５の選択により、予測部１０２が使用する予測モデルが更新される。

このように、情報処理装置１は、制御対象に対して行うべき制御内容を予測する複数の予測モデルを、第１の所定期間を構成する複数の単位期間毎に交替で用いて上記制御対象を制御したときの、各単位期間における予測結果を評価する評価部１０４を備えている。また、情報処理装置１は、評価部１０４による評価結果に基づいて、複数の上記予測モデルの中から、上記第１の所定期間以降の第２の所定期間で使用する予測モデルを選択する選択部１０５を備えている。

上記の構成によれば、複数の予測モデルを単位期間毎に交替で用いて制御対象を制御したときの各単位期間における予測結果を評価し、その評価結果に基づいて、第２の所定期間で使用する予測モデルを選択する。したがって、複数の予測モデルを概ね均等な条件で評価することができ、これにより、制御内容を予測する予測モデルを適切に更新することが可能になる。

予測結果ＤＢ１２１は、予測部１０２の予測結果とそれに関連する各種データを格納するデータベースである。より詳細には、予測結果ＤＢ１２１には、各予測モデルに入力された入力データと、当該入力データに基づいて行われた予測の日時（あるいは入力データの取得日時）とが対応付けられて格納されている。そして、格納されている入力データのうち、予測制御の基になった入力データには、予測制御の内容を示すデータが対応付けられている。さらに、予測結果ＤＢ１２１には、制御対象に対してオペレータが手動で行った手動制御の内容を示すデータと、当該手動制御が行われた日時とが対応付けて格納されている。なお、「予測制御の基になった入力データ」とは、予測モデルに入力された入力データのうち、予測制御を行うべきであることを示す出力データが当該予測モデルから出力されたものを指す。

予測モデルＤＢ１２２は、予測部１０２が使用する予測モデルを格納するデータベースである。詳細は後述するが、予測モデルＤＢ１２２には、予め構築された複数の予測モデルが格納されていると共に、学習部１０７が構築した予測モデルも格納される。

〔切り替え制御および使用する予測モデルの更新の例〕
図２は、切り替え制御および使用する予測モデルの更新の例を示す図である。この例では、６０日の間、更新管理部１０１は、予測部１０２が使用する予測モデルを、Ａ群の予測モデルとＢ群の予測モデルとで１日毎に切り替えている。そして、プラント制御部１０３は、予測部１０２の予測結果に従って、プラントに含まれる各種機器の動作制御を行っている。以下では、一例として、プラントがごみ焼却プラントである例を説明する。

具体的には、１日目には、予測部１０２は、Ａ群の予測モデルを用いて予測を行い、プラント制御部１０３はこの予測結果に従ってごみ焼却プラントの動作制御を行っている。また、２日目には、予測部１０２は、Ｂ群の予測モデルを用いて予測を行い、プラント制御部１０３はこの予測結果に従ってごみ焼却プラントの動作制御を行っている。

Ａ群の予測モデルには、図２に示すように、２つの異常回避モデルＡ１、Ａ２と、４つの正常維持モデルＡ３～Ａ６が含まれている。また、Ｂ群の予測モデルには、２つの異常回避モデルＢ１、Ｂ２と、４つの正常維持モデルＢ３～Ｂ６が含まれている。なお、Ａ群の予測モデルとＢ群の予測モデルは交替で用いるので、Ａ１～Ａ６の予測モデルとＢ１～Ｂ６の予測モデルとはそれぞれ予測対象が同一である。

異常回避モデルとは、プラントが正常な動作状態ではなくなること（例えば異常が発生すること）を予測すると共に、それを回避するために行うべき制御内容を予測する予測モデルである。異常回避モデルは、回避したい異常の種類毎に少なくとも１つ用意してもよい。例えば、異常回避モデルＡ１、Ｂ１を、焼却炉内のごみの量が少なくなることにより引き起こされる燃焼状態の悪化である「ごみ量少異常」の検知とそれを回避するための制御内容を予測する予測モデルとしてもよい。また、異常回避モデルＡ２、Ｂ２を、焼却炉内にカロリーの低いごみが投入されることにより引き起こされる燃焼状態の悪化である「難燃ごみ異常」の検知とそれを回避するための制御内容を予測する予測モデルとしてもよい。

正常維持モデルとは、ごみ焼却プラントの動作を正常に維持するために行うべき制御内容を予測する予測モデルである。正常維持モデルは、ごみ焼却プラントにおいてプラント制御部１０３の制御対象となっている機器ごとに用意してもよい。例えば、正常維持モデルＡ５、Ｂ５を、焼却炉内にごみを送り込む給じん装置の制御用の予測モデルとしてもよい。また、例えば、正常維持モデルＡ６、Ｂ６を、焼却炉内でごみを搬送する火格子の動作制御用の予測モデルとしてもよい。この他にも、例えば複数の火格子を備えたごみ焼却プラントであれば、火格子ごとに個別の予測モデルを用意してもよい。

なお、「正常」の条件と「異常」の条件は、予め定めておけばよい。例えば、プラント内の各所に設置した各種センサの出力値について正常範囲を設定しておき、全てのセンサの出力値が正常範囲内であることを「正常」な状態と規定し、少なくとも一部のセンサの出力値が正常範囲外であることを「異常」と規定してもよい。また、出力値が正常範囲外であるセンサの種類に応じて「異常」の種類を規定してもよい。

このように、予測制御に用いる予測モデルに異常回避モデルと正常維持モデルと、が含まれている場合、評価部１０４は、複数の異常回避モデルと複数の正常維持モデルのそれぞれについて予測結果を評価する。そして、選択部１０５は、評価部１０４による評価結果に基づいて、次回以降で使用する異常回避モデルと正常維持モデルを選択する。これにより、異常回避モデルと正常維持モデルの両方を適切に更新することが可能になる。そして、適切に更新されたこれらの予測モデルを用いることにより、プラントの安定した自動制御が可能になる。

ごみ焼却プラントの稼働期間が６０日に達すると、更新管理部１０１は、使用する予測モデルを更新する。図２の例では、更新管理部１０１は、使用する予測モデルをＡ群およびＢ群からＣ群およびＤ群に更新している。

Ｃ群は、Ａ群およびＢ群の予測モデルによる６０日間の予測結果を、評価部１０４が評価した評価結果に基づいて、Ａ群およびＢ群から選択部１０５が選択した予測モデルからなる。図２の例では、評価部１０４は、異常回避モデルについては異常の回避率で評価し、正常維持モデルについては正常状態の維持率で評価している。

例えば、１つ目の異常回避モデルＡ１、Ｂ１についての評価はそれぞれ７９％および７０％であり、異常回避モデルＡ１の方が高評価である。このため、選択部１０５は、異常回避モデルＡ１を、Ｃ群における１つ目の異常回避モデルとして選択する。一方、２つ目の異常回避モデルＡ２、Ｂ２についての評価はそれぞれ７５％および７８％であり、異常回避モデルＢ２の方が高評価である。このため、選択部１０５は、異常回避モデルＢ２を、Ｃ群における２つ目の異常回避モデルとして選択する。また、選択部１０５は、正常維持モデルについても、上記と同様にして、Ａ群およびＢ群の予測モデルのうちより高評価であったものを選択する。これにより、Ａ群およびＢ群の中で評価が高かった予測モデルからなるＣ群が構成される。

一方、Ｄ群は、Ａ群およびＢ群の予測モデルによる予測制御が行われた６０日間に収集されたデータに基づいて学習部１０７が新たに構築した予測モデルからなる。図２の例では、新たに構築されたＤ１～Ｄ６の予測モデルによりＤ群が構成されている。

なお、上記機械学習には、６０日間に収集された上記データのみを用いてもよいし、他の期間に収集されたデータについても用いてもよい。例えば、Ａ群またはＢ群の予測モデルの構築に用いたデータと、６０日間に収集された上記データとの両方を用いて機械学習を行ってもよい。

以上のようにしてＣ群とＤ群が構成された後は、６０日の間、１日毎にＣ群の予測モデルとＤ群の予測モデルを交替で用いてごみ焼却プラントの動作制御が行われる。また、Ｃ群およびＤ群の予測モデルを用いて６０日間の予測制御が行われた後は、上記と同様にして新たな予測モデルの構築と、使用する予測モデルの更新が行われる。

つまり、評価部１０４は、選択部１０５が選択したＣ群の予測モデルと、新たに構築されたＤ群の予測モデルとを交替で用いて制御を行ったときの予測結果についても評価する。そして、選択部１０５は、評価部１０４による評価結果に基づいて、それ以降の期間（Ｃ群およびＤ群の予測モデルが用いられた第２の所定期間以降の第３の所定期間）で使用する予測モデルを選択する。

選択部１０５が選択した予測モデルは、Ａ群およびＢ群の中で評価が高かったものであり、それ以降の期間でも高精度な予測制御が期待できる。また、新たに構築された予測モデルには、選択部１０５が選択した予測モデルの構築には用いられていないデータが反映されている。よって、上記の構成によれば、新たに取得したデータを考慮しつつ、以降の期間での高精度な予測制御が期待できる予測モデルを選択することができる。

以上のように、情報処理装置１によれば、使用する予測モデルを定期的に適切に更新しながら、安定してごみ焼却プラントの動作制御を行うことが可能になる。なお、Ｃ群以降は、更新時に新たに構築された予測モデル群であるから、実際のごみ焼却プラントの運用に用いる前に、シミュレーションを行って予測の妥当性を検証しておくことが好ましい。

また、各予測モデルを用いた予測は、当該予測の結果を制御に用いない期間においても行うようにしてもよい。例えば、図２において、１日目にはＢ群の予測モデルは制御には用いないが、予測部１０２は、Ａ群の予測モデルを用いた予測と平行して、Ｂ群の予測モデルを用いた予測も行い、その予測結果を例えば予測結果ＤＢ１２１等に記録しておいてもよい。このような記録は、Ａ群の予測モデルを用いた予測制御の妥当性の検証などに利用できる。

上記例のように、プラントで使用される複数の機器が制御対象に含まれており、複数の上記機器は、各機器に対応する予測モデルの予測結果に従って制御される場合、評価部１０４は、複数の上記機器のそれぞれに対応する予測モデルの予測結果を評価してもよい。この場合、選択部１０５は、評価部１０４による評価結果に基づいて、複数の上記機器のそれぞれについて、それ以降の所定期間で使用する予測モデルを選択する。この構成によれば、プラントに含まれる複数の機器の制御に使用する複数の予測モデルを適切に更新することが可能になる。

また、ごみ焼却プラントでは、焼却されるごみの質が日によって変わり得る。例えば、安定して燃焼するごみが多く含まれている日もあれば、燃焼が不安定なごみが多く含まれている日もある。また、季節によって、ごみの燃焼安定性が変わることもある。このため、焼却されたごみのごみ質の差が、予測モデルの評価の差として表れることがあり、このような場合には評価部１０４による評価結果が、予測モデル自体の性能の差をそのまま反映しているとはいえない。

そこで、上記の構成によれば、比較的短い１日という期間で使用する予測モデルを切り替えることにより、ごみ質の差が予測モデルの評価の差として表れにくくしている。これにより、予測モデル自体の性能の差に基づいた適切な更新が可能になる。

〔使用する予測モデルを更新する処理の流れ〕
情報処理装置１が、使用する予測モデルを更新する処理（情報処理方法）の流れを図３に基づいて説明する。図３は、使用する予測モデルを更新する処理の一例を示すフローチャートである。

Ｓ１では、更新管理部１０１が、使用する予測モデルの更新の要否を判定する。具体的には、更新管理部１０１は、現在使用中の予測モデルの使用期間が所定期間に達しているか否かを判定する。この所定期間は、適宜設定すればよく、例えば図２のように６０日としてもよい。

そして、更新管理部１０１は、所定期間に達している場合には更新要（Ｓ１でＹＥＳ）と判定し、その後、処理はＳ２に進む。一方、更新管理部１０１は、所定期間に達していない場合には更新不要（Ｓ１でＮＯ）と判定し、この場合、所定時間後に再度Ｓ１の判定を行う。

Ｓ２（評価ステップ）では、評価部１０４が、上記予測モデルの上記所定期間における予測結果を評価する。具体的には、上記所定期間では複数の予測モデルを複数の単位期間（図２の例では１日）毎に交替で用いて予測制御が行われているから、評価部１０４は、各単位期間における予測結果を評価する。

Ｓ３（選択ステップ）では、選択部１０５が、Ｓ２の評価結果に基づいて、複数の上記予測モデルの中から、次回以降の予測制御に使用する予測モデルを選択する。なお、選択部１０５は、図２のＡ群とＢ群から選択した予測モデルによりＣ群を構築した例のように、複数種類の予測モデルのそれぞれについて選択を行ってもよい。

Ｓ４では、教師データ生成部１０６が、上記所定期間に取得されたデータを用いて、新たな予測モデルの構築に用いる教師データを生成する。なお、教師データの生成方法については後述する。

Ｓ５では、学習部１０７が、Ｓ４で生成された教師データを用いた機械学習により、新たな予測モデルを構築する。なお、図２の例におけるＤ群の予測モデルが、Ｓ５で構築される予測モデルに相当する。

Ｓ６では、更新管理部１０１が、Ｓ３で選択された予測モデルと、Ｓ５で構築された予測モデルとを、予測部１０２が次回以降の予測制御に使用する予測モデルとして指定する。Ｓ６の後、処理はＳ１に戻る。

〔教師データの生成方法と機械学習〕
図１に基づいて説明したように、情報処理装置１は、教師データ生成部１０６、学習部１０７、手動制御検出部１０８、参照情報取得部１０９、および状態判定部１１０を備えている。また、記憶部１２には、正解データ決定情報１２３が記憶されている。

教師データ生成部１０６は、予測モデルに入力された入力データに対して、実行するべき制御の内容を示す正解データを対応付けて、上記予測モデルを構築するための教師データとする。なお、実行するべき制御とは、入力データが示す状態（プラントの動作状態あるいは制御対象の機器の動作状態）に応じた、プラントあるいは機器を正常に動作させ続けるために、当該状態で実行すべき制御である。

学習部１０７は、教師データ生成部１０６が生成した教師データを用いて機械学習を行うことにより、制御対象に対して行うべき制御内容を予測する予測モデルを構築する。そして、学習部１０７は、構築した予測モデルを予測モデルＤＢ１２２に格納する。

このように、情報処理装置１は、教師データ生成部１０６を備えているので、予測モデルに入力されて予測に用いられた入力データから、予測モデルを構築するための教師データを自動的に生成することができる。また、情報処理装置１は、学習部１０７を備えているので、予測制御に実際に使用された入力データを反映させた予測モデルを構築することが可能になる。

手動制御検出部１０８は、制御対象に対して手動で行われた手動制御を検出する。そして、手動制御検出部１０８が手動制御を検出した場合には、教師データ生成部１０６は、当該検出の所定時間前に上記予測モデルに入力された入力データに対し、検出された手動制御に応じた正解データを対応付けて、上記予測モデルを構築するための教師データとしてもよい。

予測モデルの予測した制御内容が誤りあるいは不十分であった場合や、制御を行うべき状況であるのに制御を実行すべきとの予測結果が出力されなかった場合等には、手動制御が行われることがある。つまり、手動制御が行われたことや、行われた手動制御の内容から、予測モデルが予測すべきであった「正解」の制御内容を特定することが可能である。したがって、上記の構成によれば、妥当性の高い教師データを自動的に生成することが可能になる。

参照情報取得部１０９は、上記予測モデルに入力した入力データを、上記制御対象に対して行うべき制御内容を予測する他の予測モデルに入力して得られた予測結果を、上記制御対象の制御には用いない参照用の予測結果として取得する。教師データ生成部１０６は、上記入力データに対し、参照情報取得部１０９が取得した予測結果に応じた正解データを対応付けて、上記予測モデルを構築するための教師データとしてもよい。

制御対象の制御に用いた予測モデルの予測結果と、制御対象の制御には用いなかった他の予測モデルの予測結果とが異なる場合がある。また、上記予測モデルの予測結果に従った制御において、本来であれば制御を行うべきタイミングで制御が行われないこともあり、そのような場合に、他の予測モデルが当該制御を行うべきであることを適切に予測できていたということもあり得る。したがって、上記の構成によれば、他の予測モデルの予測結果を考慮して妥当性の高い教師データを自動的に生成することが可能になる。

状態判定部１１０は、上記制御対象を備えたプラントの動作状態を判定する。この判定は、プラントに設けられた各種センサ等の出力値に基づいて行えばよい。プラントの動作状態としては、例えば、正常、異常発生等が挙げられる。また、状態判定部１１０は、判定結果を当該判定の日時と対応付けて予測結果ＤＢ１２１に格納しておく。

そして、教師データ生成部１０６は、上記予測モデルに入力された入力データに対し、当該予測モデルの予測結果に基づく上記制御対象の制御が行われた後のプラントの状態に応じた正解データを対応付けて、上記予測モデルを構築するための教師データとする。なお、プラントの動作状態は、予測結果ＤＢ１２１を参照することにより特定できる。

予測モデルの予測結果に従った制御が行われた場合、その後のプラントの動作状態が正常であれば当該制御は適切であったと解され、正常でなければ適切ではなかったと解される。このように、予測モデルの予測結果に従った制御後におけるプラントの動作状態は、制御内容の「正解」を示している。したがって、上記の構成によれば、妥当性の高い教師データを自動的に生成することが可能になる。

正解データ決定情報１２３は、予め設定された各種条件に基づいて正解データを決定するための情報である。教師データ生成部１０６は、正解データ決定情報１２３を用いて正解データを決定する。正解データ決定情報１２３の詳細は図４に基づいて以下説明する。

〔正解データ決定情報の例〕
正解データ決定情報１２３は、例えば図４に示すようなテーブル形式の情報であってもよい。図４は、正解データ決定情報１２３の例を示す図である。より詳細には、図４には、異常回避モデルの教師データにおける正解データを決定するための正解データ決定情報１２３Ａと、正常維持モデルの教師データにおける正解データを決定するための正解データ決定情報１２３Ｂとを示している。

（異常回避モデル用の正解データ決定情報の詳細）
正解データ決定情報１２３Ａは、異常回避モデルに基づいて予測制御が行われたか否か（予測制御あり／予測制御なし）と、所定時間におけるプラントの動作状態とに応じた正解データの決定方法を規定している。なお、上記所定時間は、予測制御が行われた時点以降の時間であって、予測制御の効果がプラントの動作状態に反映される程度の時間とする。例えば、予測制御が行われた直後の１０分間あるいは１５分間を上記所定時間としてもよい。

「予測制御あり」は、対象の異常回避モデルによる予測制御が行われた場合に対応している。「予測制御あり」の場合には、教師データ生成部１０６は、当該予測制御の基になった入力データに対して、正解データ決定情報１２３Ａを用いて決定した制御内容を正解データとして対応付けて教師データを生成する。なお、予測制御の基になった入力データとは、当該予測の際に異常回避モデルに入力されたデータである。

一方、「予測制御なし」は、対象の異常回避モデルによる予測制御が行われなかった場合に対応している。「予測制御なし」の場合には、教師データ生成部１０６は、異常発生時から所定時間遡った時点で、対象となる異常回避モデルに入力された入力データに対して、正解データ決定情報１２３Ａを用いて決定した制御内容を正解データとして対応付けて教師データを生成する。

正解データ決定情報１２３Ａでは、プラントの動作状態として、「異常発生」「他の異常発生」「予測制御により異常回避」「予測制御によらず正常」の４つの状態を規定している。なお、「異常発生」には、最終的には予測制御により発生が回避できたが、回避までに所定時間以上を要した状態や、手動制御等の追加制御により異常が回避された状態も含まれる。

「異常発生」は、異常回避モデルが予測対象としている異常が発生した状態である。一方、「他の異常発生」は、対象の異常回避モデルが予測対象としていない異常が発生した状態である。例えば、ごみ量少異常の回避モデルに基づいて予測制御を行った後、ごみ量少異常が発生した場合には「異常発生」となり、難燃ごみ異常が発生した場合には「他の異常発生」となる。

正解データ決定情報１２３Ａでは、「予測制御あり」と「異常発生」の組み合わせに対する正解データの決定方法が「制御量をプラス」と規定されている。よって、教師データ生成部１０６は、正解データ決定情報１２３Ａを用いる場合、異常回避モデルを用いた予測制御が行われたが異常が発生したケースについては、正解データの制御量を増やした教師データを生成する。このケースでは、予測制御の内容は正しかったが制御量が不足であったために異常回避に至らなかった可能性があるため、正解データの制御量を増やすことにより妥当性の高い教師データを生成することができる。

なお、制御量をどのように増やすかは予め定めておけばよい。例えば、所定量だけ増やしてもよいし、実際の制御量に１より大きい所定の倍率を乗じることにより制御量を増やしてもよい。これは、後述する正解データ決定情報１２３Ｂを用いる場合においても同様である。

また、教師データ生成部１０６は、制御量をどの程度増やすかを、手動制御および他の予測モデルによる追加制御の内容を考慮して決定してもよい。例えば、教師データ生成部１０６は、対象の異常回避モデルと同じ制御対象に対して手動制御が行われた場合、対象の異常回避モデルの制御量に手動制御の制御量を加算した制御量の正解データを生成してもよい。また、教師データ生成部１０６は、対象の異常回避モデルと同じ制御対象に対して他の予測モデルの予測結果に基づく予測制御が行われた場合、その後の所定期間にプラントが正常状態に戻ったことを条件として、上記と同様の正解データを生成してもよい。

また、正解データ決定情報１２３Ａでは、「予測制御あり」と「他の異常発生」の組み合わせに対する正解データの決定方法が「制御量をマイナス」と規定されている。よって、教師データ生成部１０６は、正解データ決定情報１２３Ａを用いる場合、異常回避モデルを用いた予測制御が行われ、その後、他の異常が発生したケースについては、正解データの制御量を減らした教師データを生成する。このケースでは、予測対象の異常は発生していないため、予測制御の内容は正しかった可能性がある。しかし、予測制御が原因で他の異常が発生した可能性もある。そこで、正解データの制御量を減らすことにより、予測対象の異常と他の異常の何れも発生させない程度の制御量を正解データとした、妥当性の高い教師データを生成することが可能になる。

なお、制御量をどのように減らすかは予め定めておけばよい。例えば、所定量だけ減らしてもよいし、実際の制御量に１より小さい所定の倍率を乗じることにより制御量を減らしてもよい。これは、後述する正解データ決定情報１２３Ｂを用いる場合においても同様である。

また、教師データ生成部１０６は、「予測制御あり」で「他の異常発生」のケースにおいて、当該予測制御の基になった入力データに対して、予測制御を行わない、との制御を正解データとして対応付けて教師データとしてもよい。

また、「予測制御により異常回避」は、対象の異常回避モデルを用いた予測制御が行われた結果、異常が回避された状態である。正解データ決定情報１２３Ａでは、「予測制御あり」と「予測制御により異常回避」の組み合わせに対する正解データの決定方法が「制御量を調整しない」と規定されている。

よって、教師データ生成部１０６は、正解データ決定情報１２３Ａを用いる場合、異常回避モデルを用いた予測制御が行われた結果、異常が回避されたケースについては、当該予測制御における制御量をそのまま正解データとした教師データを生成する。これにより、妥当性の高い教師データを生成することができる。このケースでは、予測制御の内容が妥当であったと考えられるためである。

また、「予測制御によらず正常」は、対象の異常回避モデルを用いた予測制御が行われ、その後、異常も発生しなかったが、当該予測制御が行われなくとも異常は発生しなかったと考えられる状態である。例えば、教師データ生成部１０６は、予測制御の前後でプラントの動作状態に変化がない場合や、予測制御後のプラントの動作状態が異常発生には至らないものの不安定化している場合等に、「予測制御によらず正常」に該当すると判定してもよい。なお、不安定化しているか否かは、センサの検出値等により不安定な状態を予め規定しておけば判定可能である。

また、正解データ決定情報１２３Ａでは、「予測制御あり」と「予測制御によらず正常」の組み合わせに対する正解データの決定方法が「教師データとしない」と規定されている。よって、教師データ生成部１０６は、正解データ決定情報１２３Ａを用いる場合、異常回避モデルを用いた予測制御が行われ、かつ、異常は発生しなかったが、当該予測制御が行われなくとも異常は発生しなかったと考えられるケースについては、教師データを生成しない。これにより、信頼性の低い教師データを生成することを回避することができる。このケースでは、予測制御を行う必要がなかったと考えられるためである。

なお、教師データ生成部１０６は、このケースにおいて、当該予測制御の基になった入力データに対して、予測制御を行わない、との制御を正解データとして対応付けて教師データとしてもよい。

また、正解データ決定情報１２３Ａでは、「予測制御なし」と「異常発生」の組み合わせに対する正解データの決定方法が「異常回避可能な制御を正解データとする」と規定されている。

よって、教師データ生成部１０６は、正解データ決定情報１２３Ａを用いる場合、異常回避モデルを用いた予測制御が行われず、異常が発生したケースについては、当該異常を回避するための制御を正解データとして教師データを生成する。このように、教師データ生成部１０６は、予測制御が行われなかったケースにおける入力データからも教師データを生成することができる。

なお、異常を回避するための制御は、手動制御および他の予測モデルによる制御を考慮して決定してもよいし、入力部１４を介したユーザの入力操作に従って設定してもよい。例えば、教師データ生成部１０６は、手動制御または他の予測モデルによる制御により異常状態から復帰していた場合、当該制御の内容を正解データとしてもよい。

また、正解データ決定情報１２３Ａでは、「予測制御なし」と「他の異常発生」の組み合わせに対する正解データの決定方法も「異常回避可能な制御を正解データとする」と規定されている。よって、教師データ生成部１０６は、正解データ決定情報１２３Ａを用いる場合、異常回避モデルを用いた予測制御が行われず、他の異常が発生したケースについては、当該異常を回避するための制御を正解データとして教師データを生成する。なお、この教師データは、対象の異常回避モデルではなく、当該他の異常を回避するための他の異常回避モデル用の教師データである。このように、教師データ生成部１０６は、他の異常回避モデル用の教師データを生成することもできる。

（異常回避モデル用の正解データ決定方法の他の例）
教師データ生成部１０６は、所定のルールに従って正解データを決定すればよく、正解データ決定情報１２３Ａを用いずに正解データを決定することもできる。

また、教師データ生成部１０６は、例えば、対象の異常回避モデルと他の異常回避モデルとで予測結果が異なっていた場合に、他の異常回避モデルの予測結果に基づいて正解データを決定してもよい。なお、他の異常回避モデルとは、予測制御には用いていない予測モデルであるが、対象の異常回避モデルと同じ入力データを入力して、対象の異常回避モデルと平行して予測を行わせた予測モデルである。他の異常回避モデルは２つ以上であってもよい。他の異常回避モデルの予測結果は、参照情報取得部１０９が予測結果ＤＢ１２１から取得する。

例えば、教師データ生成部１０６は、対象の異常回避モデルと他の異常回避モデルとで制御対象は同じであるが制御量が異なっていた場合に、各異常回避モデルの予測結果である制御量を合計した値を、正解データの制御量と決定してもよい。例えば、対象の異常回避モデルに基づいて行われた予測制御が、ある機器の動作速度を２段階上げるという制御であった場合に、他の異常回避モデルが当該機器の動作速度を１段階下げるという制御を行うべきとの予測結果を出力していたとする。このような場合、教師データ生成部１０６は、当該機器の動作速度を１段階上げる制御を正解データとしてもよい。

また、例えば、教師データ生成部１０６は、対象の異常回避モデルと他の異常回避モデルの予測結果の妥当性を評価して、最も妥当と評価された評価結果を正解データとしてもよいし、妥当性の評価結果が閾値以上の各予測結果を正解データとしてもよい。

予測結果の妥当性の評価方法は特に限定されない。例えば、異常回避モデルに入力された入力データが、当該異常回避モデルの学習に用いた教師データの分布範囲内であれば妥当、範囲外であれば妥当ではないと評価してもよい。また、異常回避モデルが予測結果として予測の確度を示す数値を出力するものである場合、当該数値が大きい予測結果が妥当であると判定してもよい。

また、対象の異常回避モデルの予測結果の妥当性については、当該予測結果に基づく予測制御後のプラントの動作状態に基づいて判定してもよい。つまり、当該予測結果に基づく予測制御後のプラントの動作状態が安定化していれば予測結果は妥当とし、不安定化していれば妥当ではなかったと判定すればよい。なお、予測結果の妥当性の評価は、教師データ生成部１０６が行ってもよいし、教師データ生成部１０６とは異なるブロックを設けて、当該ブロックで行う構成としてもよい。

（正常維持モデル用の正解データ決定情報の詳細）
正常維持モデル用の正解データ決定情報１２３Ｂは、正常維持モデルに基づいて予測制御が行われたか否か（予測制御あり／予測制御なし）と、所定時間における追加制御とに応じた正解データの決定方法を規定している。なお、上記所定時間は、上述の正解データ決定情報１２３Ａと同様である。また、「予測制御あり」「予測制御なし」の各場合で正解データを対応付ける入力データが異なることも上述の正解データ決定情報１２３Ａの場合と同様である。

また、上記追加制御とは、対象の正常維持モデル以外の予測モデルの予測結果に基づいて行われた制御、および、手動で行われた手動制御の少なくとも何れかである。正解データ決定情報１２３Ｂでは、追加制御として、「同じ制御」「逆の制御」「他の制御」「追加制御なし（正常維持）」「追加制御なし（正常維持できず）」の５つを規定している。

「同じ制御」は、対象の正常維持モデルによる予測制御と同じ制御である。なお、同じ制御とは、制御対象および制御の方向が同一の制御であり、「逆の制御」は、制御対象は同じであるが、制御の方向が逆の制御である。例えば、焼却炉にごみを供給する給じん装置の給じん速度を１段階増加させる制御と、２段階増加させる制御とは同じ制御であるが、給じん速度を減少させる制御は上記２つの制御とは逆の制御である。

正解データ決定情報１２３Ｂでは、「予測制御あり」と「同じ制御」の組み合わせに対する正解データの決定方法が「制御量をプラス」と規定されている。よって、教師データ生成部１０６は、正解データ決定情報１２３Ｂを用いる場合、正常維持モデルを用いた予測制御が行われた後、その制御と同じ制御が行われたケースについては、正解データの制御量を増やした教師データを生成する。このケースでは、予測制御の内容は正しかったが制御量が不足であったために、追加制御が行われたと考えられることから、正解データの制御量を増やすことにより妥当性の高い教師データを生成することができる。

また、正解データ決定情報１２３Ｂでは、「予測制御あり」と「逆の制御」の組み合わせに対する正解データの決定方法が「制御量をマイナス」と規定されている。よって、教師データ生成部１０６は、正解データ決定情報１２３Ｂを用いる場合、正常維持モデルを用いた予測制御が行われた後、その制御とは逆の制御が行われたケースについては、正解データの制御量を減らした教師データを生成する。このケースでは、予測制御の内容は正しかったが制御量が大きすぎたために、逆の制御が行われたと考えられることから、正解データの制御量を減らすことにより妥当性の高い教師データを生成することができる。

なお、予測制御の制御量よりも、逆の制御の制御量が大きかった場合、予測制御の時点で逆の制御を行うべきであったと考えられる。よって、この場合、教師データ生成部１０６は、逆の制御を正解データとしてもよい。また、教師データ生成部１０６は、この正解データにおける制御量を、予測制御の制御量と、追加制御の制御量との差としてもよい。

また、「他の制御」は、対象の正常維持モデルによる予測制御とは異なる制御対象に対する制御である。例えば、対象の正常維持モデルによる予測制御が給じん速度を増加させる制御である場合、火格子の動作速度を変化させる制御は他の制御である。正解データ決定情報１２３Ｂでは、「予測制御あり」と「他の制御」の組み合わせに対する正解データの決定方法が「他の制御内容に応じて調整」と規定されている。なお、他の制御内容ごとの調整方法は別途定めておく。

よって、教師データ生成部１０６は、正解データ決定情報１２３Ｂを用いる場合、正常維持モデルを用いた予測制御が行われた後、他の制御が行われたケースについては、正解データを調整して教師データを生成する。例えば、他の制御が、対象の正常維持モデルによる予測制御と同様の効果（例えば焼却炉からの発生蒸気量を増やす等）をもたらす制御であった場合、教師データ生成部１０６は、正解データの制御量を増やした教師データを生成してもよい。また例えば、他の制御が、対象の正常維持モデルによる予測制御と逆の効果をもたらす制御であった場合、教師データ生成部１０６は、正解データの制御量を減らした教師データを生成してもよい。

なお、対象の正常維持モデルによる予測制御が原因で正常維持できなくなったり、異常が発生したりする可能性もあり、そのような状態から正常状態に戻すために、手動制御等が行われることがある。このような場合、対象の正常維持モデルによる予測制御の後、異常が検出され、さらにその後で手動制御が検出される。

このようなケースでは、対象の正常維持モデルによる予測制御の基になった入力データに対して、予測制御を行わない、との制御を正解データとして対応付けて教師データとしてもよい。また、制御量が大きすぎたことによって異常が発生した可能性も考えられるため、教師データ生成部１０６は、対象の正常維持モデルによる予測制御よりも制御量を減らした正解データを生成してもよい。

また、正解データ決定情報１２３Ｂにおける「追加制御なし（正常維持）」と「追加制御なし（正常維持できず）」は、何れも追加制御が行われなかった場合に対応している。このうち「追加制御なし（正常維持）」は追加制御が行われなかったが正常な状態が維持された場合に対応し、「追加制御なし（正常維持できず）」は追加制御が行われず、正常な状態が維持されなかった場合に対応している。

そして、正解データ決定情報１２３Ｂでは、「予測制御あり」と「追加制御なし（正常維持）」の組み合わせに対する正解データの決定方法が「制御量を調整しない」と規定されている。よって、教師データ生成部１０６は、正解データ決定情報１２３Ｂを用いる場合、正常維持モデルを用いた予測制御が行われて、正常な状態が維持されたケースについては、当該予測制御における制御量をそのまま正解データとした教師データを生成する。これにより、妥当性の高い教師データを生成することができる。このケースでは、予測制御の内容が妥当であったと考えられるためである。なお、このケース以外でも、正常維持モデルを用いた予測制御が妥当であると判断できるものについては同様にして教師データを生成すればよい。

また、正解データ決定情報１２３Ｂでは、「予測制御あり」および「予測制御なし」の何れにおいても、「追加制御なし（正常維持できず）」のケースにおける正解データの決定方法が「教師データとしない」と規定されている。

よって、教師データ生成部１０６は、追加制御が行われず、かつ、正常な状態が維持できなかったケースについては、教師データを生成しない。これにより、信頼性の低い教師データを生成することを回避することができる。このケースでは、どのような制御を行っていれば正常な状態を維持できたかを自動で判定することが難しいためである。なお、教師データ生成部１０６は、このケースにおいて、当該予測制御の基になった入力データに対して、入力部１４を介してユーザが入力した制御内容を正解データとして対応付けて教師データとしてもよい。

また、正解データ決定情報１２３Ｂでは、「予測制御なし」と「他の制御」の組み合わせに対する正解データの決定方法が「追加制御の内容を適用」と規定されている。よって、教師データ生成部１０６は、正解データ決定情報１２３Ｂを用いる場合、正常維持モデルを用いた予測制御が行われずに、追加制御が行われたケースについては、追加制御の内容を正解データとした教師データを生成する。このケースでは、追加制御として行われた制御を、正常維持モデルが予測しておくべきであったと考えられるためである。

（正常維持モデル用の正解データ決定方法の他の例）
教師データ生成部１０６は、追加制御ではなく、対象の正常維持モデルと同一または同程度のタイミングで行われた他の予測結果に基づいて正解データを決定してもよい。例えば、教師データ生成部１０６は、対象の正常維持モデルと平行して他の予測モデルでも予測が行われていた場合、他の予測モデルの予測結果に基づいて正解データを決定してもよい。他の予測モデルは、正常維持モデルであってもよいし、異常回避モデルであってもよくそれら両方であってもよい。他の予測モデルの予測結果は、参照情報取得部１０９が予測結果ＤＢ１２１から取得する。

この例においても、上述の「異常回避モデル用の正解データ決定方法の他の例」と同様に、教師データ生成部１０６は、各予測結果についての評価結果に基づいて正解データを決定すればよい。

〔教師データを生成する処理の流れ（異常回避モデル用）〕
異常回避モデル用の教師データを生成する処理の流れを図５に基づいて説明する。図５は、教師データを生成する処理の一例を示すフローチャートである。この処理は、図３のＳ４に対応している。なお、図２の例のように異常回避モデルが複数存在する場合には、各異常回避モデルについて図５のＳ１１～Ｓ１７までの処理が行われる。

Ｓ１１では、教師データ生成部１０６が、予測結果ＤＢ１２１から、所定期間において、異常回避モデルの出力に従って実行された予測制御と、その予測制御の基になった入力データを抽出する。ここで抽出する入力データは、図４の正解データ決定情報１２３Ａにおける「予測制御あり」のケースの正解データに対応付けられる。

Ｓ１２では、手動制御検出部１０８が、予測結果ＤＢ１２１から、Ｓ１１で抽出された予測制御のそれぞれについて、当該予測制御後の所定時間に行われた手動制御を抽出する。Ｓ１２の抽出結果は、図４の正解データ決定情報１２３Ａにおける「異常発生」のケースの正解データの決定に用いられる。

Ｓ１３では、参照情報取得部１０９が、予測結果ＤＢ１２１から、Ｓ１１で抽出された予測制御のそれぞれについて、当該予測制御後の所定時間における他の予測モデルの予測結果を抽出する。なお、他の予測モデルの予測結果には、制御に用いられた予測結果と用いられていない予測結果とが含まれていてもよい。また、他の予測モデルは、異常回避モデルであってもよいし、正常維持モデルであってもよく、それら両方であってもよい。Ｓ１３の抽出結果は、図４の正解データ決定情報１２３Ａにおける「異常発生」および「他の異常発生」のケースの正解データの決定に用いられる。

Ｓ１４では、教師データ生成部１０６が、Ｓ１１で抽出された予測制御のそれぞれについて、当該予測制御後の所定時間におけるプラントの動作状態の判定結果を抽出する。なお、プラントの動作状態は、状態判定部１１０により判定されて、その判定結果が予測結果ＤＢ１２１に格納されているとする。

図４の正解データ決定情報１２３Ａを用いる場合、状態判定部１１０は、プラントに異常が発生しているか正常な状態であるかを判定し、正常な状態ではないと判定したときには異常の種類を判定して、その判定結果を予測結果ＤＢ１２１に格納しておけばよい。これにより、教師データ生成部１０６は、予測結果ＤＢ１２１を参照することにより、プラントの動作状態が「異常発生」「他の異常発生」の何れに該当するかを特定することができる。

また、教師データ生成部１０６は、「正常」な状態については、Ｓ１２およびＳ１３の抽出結果に基づいて、プラントの動作状態が「予測制御により異常回避」「予測制御によらず正常」の何れに該当するかを特定することができる。

Ｓ１５では、教師データ生成部１０６が、予測結果ＤＢ１２１から、所定の条件を満たす入力データを抽出する。Ｓ１１で抽出した入力データと、Ｓ１５で抽出する入力データとの相違点は、前者は当該入力データに基づいて予測制御が実行されているのに対して、後者は予測制御が実行されていない点にある。Ｓ１５で抽出する入力データについては、図４の正解データ決定情報１２３Ａにおける「予測制御なし」と、「異常発生」または「他の異常発生」との組み合わせに該当すれば、以下の処理により教師データとされる。

上記所定の条件は、教師データ生成部１０６が対応する正解データを決定できる入力データを抽出可能な条件であればよい。例えば、教師データ生成部１０６は、Ｓ１４で抽出した状態に、異常が発生した状態が含まれていた場合、その異常の発生時から所定時間遡った時点で異常回避モデルに入力された入力データを抽出してもよい。

Ｓ１６では、教師データ生成部１０６は、Ｓ１１で抽出された入力データと、Ｓ１５で抽出された入力データのそれぞれについて、正解データ決定情報１２３Ａを用いて、Ｓ１２からＳ１４の抽出結果および検出結果に応じた正解データを決定する。正解データの決定方法は上述したとおりである。

Ｓ１７では、教師データ生成部１０６は、Ｓ１１で抽出された入力データと、Ｓ１５で抽出された入力データのそれぞれに対し、Ｓ１６で決定した正解データを対応付けて教師データを生成する。これにより、図５の処理は終了し、この後、生成された教師データを用いて異常回避モデルが構築される（図３のＳ５）。

〔教師データを生成する処理の流れ（正常維持モデル用）〕
正常維持モデル用の教師データを生成する処理の流れを、上記と同じく図５に基づいて説明する。なお、図２の例のように正常維持モデルが複数存在する場合には、各正常維持モデルについて図５のＳ１１～Ｓ１７までの処理が行われる。

Ｓ１１では、教師データ生成部１０６が、予測結果ＤＢ１２１から、所定期間において、正常維持モデルの出力に従って実行された予測制御と、その予測制御の基になった入力データを抽出する。ここで抽出する入力データは、図４の正解データ決定情報１２３Ｂにおける「予測制御あり」のケースの正解データに対応付けられる。

Ｓ１２では、手動制御検出部１０８が、予測結果ＤＢ１２１から、Ｓ１１で抽出された予測制御のそれぞれについて、当該予測制御後の所定時間に行われた手動制御を抽出する。また、Ｓ１３では、参照情報取得部１０９が、予測結果ＤＢ１２１から、Ｓ１１で抽出された予測制御のそれぞれについて、当該予測制御後の所定時間における他の予測モデルの予測結果を抽出する。

教師データ生成部１０６は、これらの抽出結果により、図４の正解データ決定情報１２３Ｂにおける予測制御後の所定時間における追加制御について、「同じ制御」「逆の制御」「他の制御」「追加制御なし」の何れに該当するかを特定する。

Ｓ１４では、教師データ生成部１０６が、Ｓ１１で抽出された予測制御のそれぞれについて、当該予測制御後の所定時間におけるプラントの動作状態の判定結果を抽出する。図４の正解データ決定情報１２３Ｂを用いる場合、教師データ生成部１０６は、Ｓ１４の抽出結果により、「追加制御なし」のケースにおいて、「追加制御なし（正常維持）」か「追加制御なし（正常維持できず）」の何れに該当するかを特定する。

Ｓ１５では、教師データ生成部１０６が、予測結果ＤＢ１２１から、所定の条件を満たす入力データを抽出する。Ｓ１１で抽出した入力データと、Ｓ１５で抽出する入力データとの相違点は、前者は当該入力データに基づいて予測制御が実行されているのに対して、後者は予測制御が実行されていない点にある。Ｓ１５で抽出する入力データについては、図４の正解データ決定情報１２３Ｂにおける「予測制御なし」と「他の制御」との組み合わせに該当すれば、以下の処理により教師データとされる。

Ｓ１５で抽出する入力データは、教師データ生成部１０６が対応する正解データを決定できる入力データであればよい。例えば、教師データ生成部１０６は、Ｓ１４で検出された動作状態に、異常が発生した状態が含まれていた場合、その異常の発生時から所定時間遡った時点で正常維持モデルに入力された入力データを抽出してもよい。

Ｓ１６では、教師データ生成部１０６は、Ｓ１１で抽出された入力データと、Ｓ１５で抽出された入力データのそれぞれについて、正解データ決定情報１２３Ｂを用いて、Ｓ１２からＳ１４の抽出結果および検出結果に応じた正解データを決定する。正解データの決定方法は上述したとおりである。また、Ｓ１７の処理は、上述した異常回避モデル用の教師データ生成時と同様であるから説明を繰り返さない。

〔ソフトウェアによる実現例〕
情報処理装置１の制御ブロック（特に制御部１０に含まれる各部）は、集積回路（ＩＣチップ）等に形成された論理回路（ハードウェア）によって実現してもよいし、ソフトウェアによって実現してもよい。

後者の場合、情報処理装置１は、各機能を実現するソフトウェアであるプログラムの命令を実行するコンピュータを備えている。このコンピュータは、例えば１つ以上のプロセッサを備えていると共に、上記プログラムを記憶したコンピュータ読み取り可能な記録媒体を備えている。そして、上記コンピュータにおいて、上記プロセッサが上記プログラムを上記記録媒体から読み取って実行することにより、本発明の目的が達成される。上記プロセッサとしては、例えばＣＰＵ（Central Processing Unit）を用いることができる。上記記録媒体としては、「一時的でない有形の媒体」、例えば、ＲＯＭ（Read Only Memory）等の他、テープ、ディスク、カード、半導体メモリ、プログラマブルな論理回路などを用いることができる。また、上記プログラムを展開するＲＡＭ（Random Access Memory）などをさらに備えていてもよい。また、上記プログラムは、該プログラムを伝送可能な任意の伝送媒体（通信ネットワークや放送波等）を介して上記コンピュータに供給されてもよい。なお、本発明の一態様は、上記プログラムが電子的な伝送によって具現化された、搬送波に埋め込まれたデータ信号の形態でも実現され得る。

〔変形例〕
上述の実施形態で説明した各処理の実行主体は、適宜変更することが可能である。例えば、図３のフローチャートにおいて、Ｓ１の処理を情報処理装置１とは異なる他の情報処理装置に実行させると共に、Ｓ２の処理をさらに他の情報処理装置に実行させ、Ｓ３の処理を情報処理装置１に実行させてもよい。同様に、Ｓ４の処理とＳ５の処理をそれぞれ別の情報処理装置に実行させてもよい。図５のフローチャートも同様であり、各処理の実行主体は、適宜変更することが可能である。つまり、図３および図５に示される各情報処理方法は、複数の情報処理装置によって実行されてもよい。

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

１ 情報処理装置
１０４ 評価部
１０５ 選択部
１０６ 教師データ生成部
１０８ 手動制御検出部
１０９ 参照情報取得部

Claims (10)

1. 制御対象に対して行うべき制御内容を予測する複数の予測モデルを、第１の所定期間を構成する複数の単位期間毎に交替で用いて上記制御対象を制御したときの、各単位期間における予測結果を評価する評価部と、
   上記評価部による評価結果に基づいて、複数の上記予測モデルの中から、上記第１の所定期間以降の第２の所定期間で使用する予測モデルを選択する選択部と、を備えていることを特徴とする情報処理装置。
2. 上記評価部は、上記選択部が選択した予測モデルと、上記第１の所定期間の予測の際に上記予測モデルに入力された入力データを用いて構築された予測モデルとを、上記第２の所定期間を構成する複数の単位期間毎に交替で用いて上記制御対象を制御したときの、各単位期間における予測結果を評価し、
   上記選択部は、上記評価部による評価結果に基づいて、上記第２の所定期間以降の第３の所定期間で使用する予測モデルを選択する、ことを特徴とする請求項１に記載の情報処理装置。
3. 上記制御対象には、１つのプラントで使用される複数の機器が含まれており、
   複数の上記機器は、各機器に対応する予測モデルの予測結果に従って制御され、
   上記評価部は、複数の上記機器のそれぞれに対応する予測モデルの予測結果を評価し、
   上記選択部は、上記評価部による評価結果に基づいて、複数の上記機器のそれぞれについて、上記第２の所定期間で使用する予測モデルを選択する、ことを特徴とする請求項１または２に記載の情報処理装置。
4. 上記予測モデルには、
   上記制御対象を備えたプラントが正常な動作状態ではなくなることを予測すると共に、上記プラントが正常な動作状態ではなくなることを回避するために上記制御対象に対して行うべき制御内容を予測する異常回避モデルと、
   上記プラントが正常な動作状態であることを維持するために上記制御対象に対して行うべき制御内容を予測する正常維持モデルと、が含まれており、
   上記評価部は、複数の上記異常回避モデルと複数の上記正常維持モデルのそれぞれについて予測結果を評価し、
   上記選択部は、上記評価部による評価結果に基づいて、上記第２の所定期間で使用する、異常回避モデルと正常維持モデルを選択する、ことを特徴とする請求項１から３の何れか１項に記載の情報処理装置。
5. 上記予測モデルに入力された入力データに対して、実行するべき制御の内容を示す正解データを対応付けて、上記予測モデルを構築するための教師データとする教師データ生成部を備えている、ことを特徴とする請求項１から４の何れか１項に記載の情報処理装置。
6. 上記制御対象に対して手動で行われた手動制御を検出する手動制御検出部を備え、
   上記教師データ生成部は、上記手動制御検出部が手動制御を検出した場合に、当該検出の所定時間前に上記予測モデルに入力された入力データに対し、検出された手動制御に応じた正解データを対応付けて、上記予測モデルを構築するための教師データとする、ことを特徴とする請求項５に記載の情報処理装置。
7. 上記予測モデルに入力した入力データを、上記制御対象に対して行うべき制御内容を予測する他の予測モデルに入力して得られた予測結果を、参照用の予測結果として取得する参照情報取得部を備え、
   上記教師データ生成部は、上記入力データに対し、上記参照情報取得部が取得した予測結果に応じた正解データを対応付けて、上記予測モデルを構築するための教師データとする、ことを特徴とする請求項５または６に記載の情報処理装置。
8. 上記教師データ生成部は、上記予測モデルに入力された入力データに対し、当該予測モデルの予測結果に基づく上記制御対象の制御が行われた後の、当該制御対象を備えたプラントの動作状態に応じた正解データを対応付けて、上記予測モデルを構築するための教師データとする、ことを特徴とする請求項５から７の何れか１項に記載の情報処理装置。
9. １または複数の情報処理装置によって実行される情報処理方法であって、
   制御対象に対して行うべき制御内容を予測する複数の予測モデルを、第１の所定期間を構成する複数の単位期間毎に交替で用いて上記制御対象を制御したときの、各単位期間における予測結果を評価する評価ステップと、
   上記評価ステップでの評価結果に基づいて、複数の上記予測モデルの中から、上記第１の所定期間以降の第２の所定期間で使用する予測モデルを選択する選択ステップと、を含むことを特徴とする情報処理方法。
10. 請求項１に記載の情報処理装置としてコンピュータを機能させるための情報処理プログラムであって、上記評価部および上記選択部としてコンピュータを機能させるための情報処理プログラム。

Images