JP7295208B1 - 推挙装置、推挙方法および推挙プログラム - Google Patents

Abstract

【課題】プラントや都市空間で発生する時系列データの分布パターンに応じた学習済みのモデルを適用する。【解決手段】記憶部１４が、所定の期間の時系列データを教師データとして用いた学習により生成されたモデルと、該教師データの分布とを対応付けて記憶する。取得部１５ａが、所定の期間の時系列データを取得する。算出部１５ｂが、取得された時系列データの分布と、教師データの分布とを比較して、類似度を算出する。特定部１５ｄが、算出された類似度が所定の閾値以上である場合に、教師データを用いた学習により生成されたモデルを特定する。【選択図】図１

Description

本発明は、推挙装置、推挙方法および推挙プログラムに関する。

近年、プラントをはじめとした都市空間の様々な場所において発生するセンサ等の時系列データの特徴を学習して活用する技術が期待されている。

特開２０１９－１８５１９４号公報

しかしながら、プラントや都市空間で発生する時系列データは、状況に応じて分布パターンがたびたび変化する。例えば、装置の稼働率や材料の濃度の違い等で、時系列データの分布パターンが変化する場合がある。そうすると、先に時系列データを用いた学習により生成されたモデルを適用できない場合が生じる恐れがある。

本発明は、上記に鑑みてなされたものであって、プラントや都市空間で発生する時系列データの分布パターンに応じた学習済みのモデルを適用することを目的とする。

上述した課題を解決し、目的を達成するために、本発明に係る推挙装置は、所定の期間の時系列データを教師データとして用いた学習により生成されたモデルと、該教師データの分布とを対応付けて記憶する記憶部と、所定の期間の時系列データを取得する取得部と、取得された前記時系列データの分布と、前記教師データの分布とを比較して、類似度を算出する算出部と、算出された前記類似度が所定の閾値以上である場合に、前記教師データを用いた学習により生成された前記モデルを特定する特定部と、を有することを特徴とする。

本発明によれば、プラントや都市空間で発生する時系列データの分布パターンに応じた学習済みのモデルを適用することが可能となる。

図１は、推挙装置の概略構成を例示する模式図である。 図２は、モデルリストのデータ構成を例示する図である。 図３は、提示部の処理を説明するための図である。 図４は、推挙処理手順を例示するフローチャートである。 図５は、推挙プログラムを実行するコンピュータを例示する図である。

以下、図面を参照して、本発明の一実施形態を詳細に説明する。なお、この実施形態により本発明が限定されるものではない。また、図面の記載において、同一部分には同一の符号を付して示している。

［推挙装置の構成］
図１は、推挙装置の概略構成を例示する模式図である。図１に例示するように、推挙装置１０は、パソコン等の汎用コンピュータで実現され、入力部１１、出力部１２、通信制御部１３、記憶部１４、および制御部１５を備える。

入力部１１は、キーボードやマウス等の入力デバイスを用いて実現され、操作者による入力操作に対応して、制御部１５に対して処理開始などの各種指示情報を入力する。出力部１２は、液晶ディスプレイなどの表示装置、プリンター等の印刷装置等によって実現される。

通信制御部１３は、ＮＩＣ（Network Interface Card）等で実現され、ネットワークを介した外部の装置と制御部１５との通信を制御する。例えば、通信制御部１３は、後述する推挙処理の処理対象の時系列データを出力するセンサや時系列データを管理する管理装置等と制御部１５との通信を制御する。

記憶部１４は、ＲＡＭ（Random Access Memory）、フラッシュメモリ（Flash Memory）等の半導体メモリ素子、または、ハードディスク、光ディスク等の記憶装置によって実現される。記憶部１４には、推挙装置１０を動作させる処理プログラムや、処理プログラムの実行中に使用されるデータなどが予め記憶され、あるいは処理の都度一時的に記憶される。なお、記憶部１４は、通信制御部１３を介して制御部１５と通信する構成でもよい。

本実施形態において、記憶部１４には、例えば、後述する推挙処理に用いられるモデルリスト１４ａが予め記憶されている。モデルリスト１４ａは、所定の期間の時系列データを教師データとして用いた学習により生成されたモデルと、該教師データの分布とが対応付けられた情報である。

ここで、図２は、モデルリストのデータ構成を例示する図である。具体的には、モデルリスト１４ａは、図２に例示するように、学習済みのモデルと、当該モデルの生成に教師データとして用いられた、過去の所定の時間幅の時系列データの分布とを含む。時系列データの分布とは、例えば、時刻とデータ値との関係を表すグラフを意味する。図２に例示するモデルリスト１４ａには、例えばモデルＡと、モデルＡに対応する教師データの分布Ａとの組み合わせが含まれている。

なお、モデルリスト１４ａは、モデルと、モデルに対応する教師データそのものとが対応付けられていてもよい。例えば、教師データとして、各時刻のデータ値が記憶されていてもよい。

図１の説明に戻る。制御部１５は、ＣＰＵ（Central Processing Unit）等を用いて実現され、メモリに記憶された処理プログラムを実行する。これにより、制御部１５は、図１に例示するように、取得部１５ａ、算出部１５ｂ、提示部１５ｃ、特定部１５ｄおよび生成部１５ｅとして機能する。なお、これらの機能部は、それぞれあるいは一部が、異なるハードウェアに実装されてもよい。例えば、生成部１５ｅは、他の機能部とは別の装置に実装されてもよい。また、制御部１５は、その他の機能部を備えてもよい。

取得部１５ａは、所定の期間の時系列データを取得する。例えば、取得部１５ａは、後述する推挙処理の対象とする所定の時間幅のセンサ値等の時系列データを、入力部１１を介して、あるいは、センサあるいはセンサ値を管理する管理装置等から、通信制御部１３を介して取得する。ここで取得部１５ａが取得する時系列データの期間は、モデルリスト１４ａの教師データの時間幅と同一またはそれ以上とする。

ここで、時系列データの分布のパターンは、装置の稼働率や材料の濃度の違い等で変化する場合がある。

算出部１５ｂは、取得された時系列データの分布と、教師データの分布とを比較して、類似度を算出する。具体的には、算出部１５ｂは、まず、取得された時系列データの分布を求める。例えば、算出部１５ｂは、取得された時系列データの時刻とデータ値との関係を表すグラフを生成する。

次に、算出部１５ｂは、取得された時系列データの分布と、モデルリスト１４ａの各モデルに対応する教師データの分布との比較を行って、類似度を算出する。例えば、算出部１５ｂは、同一の時間幅の時系列データの値と教師データの値とをそれぞれ正規化して対比することにより、類似度を算出する。算出部１５ｂは、処理対象の時系列データと複数の各教師データとの分布の類似度を算出する。

提示部１５ｃは、算出された類似度が所定の閾値以上である場合に、該類似度が高い順に該教師データの分布に対応するモデルを提示する。例えば、提示部１５ｃは、複数の教師データの分布の類似度が高い順に、対応するモデルを出力部１２あるいは通信制御部１３を介してユーザ端末等に出力する。これにより、提示部１５ｃは、複数のモデルを適切な順に推挙することが可能となる。

ここで、図３は、提示部の処理を説明するための図である。図３には、例えば１０％を閾値として、類似度が１０％以上のモデルＡ～Ｃが、類似度の高い順に提示されている。また、図３に例示するように、提示部１５ｃは、各モデルに対応する教師データの分布を表示出力してもよい。また、図３に示すように、処理対象の取得された時系列データの分布をあわせて提示してもよい。

提示部１５ｃは、提示したモデルのうち、操作者による選択の操作入力を受け付けてもよい。この場合には、操作者は、結果を比較しながら、最適なモデルを選択することが可能となる。また、特に教師データおよび時系列データの分布が表示出力されている場合には、操作者が処理対象の時系列データおよび教師データの分布を目視で確認した上で、類似度が最も高い教師データで学習されたモデルを選択することが可能である。

図１の説明に戻る。特定部１５ｄは、算出された類似度が所定の閾値以上である場合に、教師データを用いた学習により生成されたモデルを特定する。例えば、特定部１５ｄは、複数の教師データのうち、類似度が最も高い教師データに対応するモデルを特定する。この場合には、特定部１５ｄは、処理対象の時系列データに対して、特定したモデルを自動的に適用することが可能となる。

または、特定部１５ｄは、上記した提示部１５ｃにより操作者に提示されたモデルのうち、操作者により選択されたモデルを、処理対象の時系列データに対して適用するモデルとして特定してもよい。

なお、上記した算出部１５ｂが算出した類似度がいずれも所定の閾値未満である場合には、推挙装置１０は、アラームを発信してもよい。例えば、提示部１５ｃが、操作者に対して、これまでに生成された学習済みのモデルのうち、処理対象の時系列データに適用可能なものがない旨のメッセージを出力する。この場合には、例えば、操作者が以下に説明する生成部１５ｅの処理の実行を指示することが可能となる。

あるいは、算出された類似度がいずれも所定の閾値未満である場合に、自動的に、生成部１５ｅが処理を実行してもよい。生成部１５ｅは、取得された時系列データを教師データとして用いた学習によりモデルを生成する。例えば、生成部１５ｅは、取得された時系列データの特徴を抽出して学習することにより、モデルを生成する。

また、生成部１５ｅは、生成したモデルを、処理対象の時系列データの分布と対応付けてモデルリスト１４ａに追加する。これにより、モデルリスト１４ａが自動的に更新される。

［推挙処理手順］
次に、図４を参照して、本実施形態に係る推挙装置１０による推挙処理の一例について説明する。図４は、推挙処理手順を例示するフローチャートである。図４のフローチャートは、例えば、推挙処理の開始を指示する入力があったタイミングで開始される。

まず、取得部１５ａが、所定の期間の時系列データを取得する。例えば、取得部１５ａは、後述する推挙処理の対象とする所定の時間幅のセンサ値等の時系列データを取得する（ステップＳ１）。

次に、算出部１５ｂが、取得された時系列データの分布と、モデルリスト１４ａの各モデルに対応する教師データの分布との比較を行って、類似度を算出する（ステップＳ２）。

そして、特定部１５ｄが、算出された類似度が所定の閾値以上である場合に、教師データを用いた学習により生成されたモデルを、処理対象の時系列データに対して適用するモデルとして特定する（ステップＳ３）。

例えば、特定部１５ｄは、複数の教師データのうち、類似度が最も高い教師データに対応するモデルを、処理対象の時系列データに対して適用するモデルとして特定する。あるいは、特定部１５ｄは、操作者により選択されたモデルを、処理対象の時系列データに対して適用するモデルとして特定する。これにより、一連の推挙処理が終了する。

なお、算出された類似度が所定の閾値以上である場合に、提示部１５ｃが、該類似度が高い順に該教師データの分布に対応するモデルを提示して、操作者によるモデルの選択操作を受け付けてもよい。

また、算出された類似度がいずれも所定の閾値未満である場合には、推挙装置１０は、アラームを発信してもよい。あるいは、生成部１５ｅが、自動的に、取得された時系列データを教師データとして用いた学習によりモデルを生成し、モデルリスト１４ａを更新してもよい。

［効果］
以上、説明したように、上記実施形態の推挙装置１０では、記憶部１４が、所定の期間の時系列データを教師データとして用いた学習により生成されたモデルと、該教師データの分布とを対応付けて記憶する。取得部１５ａが、所定の期間の時系列データを取得する。算出部１５ｂが、取得された時系列データの分布と、教師データの分布とを比較して、類似度を算出する。特定部１５ｄが、算出された類似度が所定の閾値以上である場合に、教師データを用いた学習により生成されたモデルを特定する。

これにより、例えば、自動的に最適なモデルを処理対象の時系列データに適用することが可能となる。このように、プラントや都市空間で発生する時系列データの分布パターンに応じた学習済みのモデルを適用することが可能となる。

また、提示部１５ｃが、算出された類似度が所定の閾値以上である場合に、該類似度が高い順に該教師データの分布に対応するモデルを提示する。これにより、推挙装置１０は、複数のモデルを適切な順に推挙することが可能となる。また、操作者が結果を比較しながら、最適なモデルを選択することが可能となる。

また、生成部１５ｅが、算出された類似度がいずれも所定の閾値未満である場合に、取得された時系列データを教師データとして用いた学習によりモデルを生成する。これにより、自動的にモデルリスト１４ａが更新され、推挙処理の精度を向上させることが可能となる。

［システム構成等］
図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散・統合の具体的形態は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵやＧＰＵおよび当該ＣＰＵやＧＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

また、本実施形態において説明した各処理のうち、自動的におこなわれるものとして説明した処理の全部または一部を手動的におこなうこともでき、あるいは、手動的におこなわれるものとして説明した処理の全部または一部を公知の方法で自動的におこなうこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。

［プログラム］
上記実施形態において説明した推挙装置が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。例えば、実施形態に係る推挙装置１０が実行する処理をコンピュータが実行可能な言語で記述したプログラムを作成することもできる。この場合、コンピュータがプログラムを実行することにより、上記実施形態と同様の効果を得ることができる。さらに、かかるプログラムをコンピュータ読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータに読み込ませて実行することにより上記実施形態と同様の処理を実現してもよい。

図５は、推挙プログラムを実行するコンピュータの一例を示す図である。コンピュータ１０００は、例えば、メモリ１０１０と、ＣＰＵ１０２０と、ハードディスクドライブインタフェース１０３０と、ディスクドライブインタフェース１０４０と、シリアルポートインタフェース１０５０と、ビデオアダプタ１０６０と、ネットワークインタフェース１０７０とを有する。これらの各部は、バス１０８０によって接続される。

メモリ１０１０は、ＲＯＭ（Read Only Memory）１０１１およびＲＡＭ１０１２を含む。ＲＯＭ１０１１は、例えば、ＢＩＯＳ（Basic Input Output System）等のブートプログラムを記憶する。ハードディスクドライブインタフェース１０３０は、ハードディスクドライブ１０３１に接続される。ディスクドライブインタフェース１０４０は、ディスクドライブ１０４１に接続される。ディスクドライブ１０４１には、例えば、磁気ディスクや光ディスク等の着脱可能な記憶媒体が挿入される。シリアルポートインタフェース１０５０には、例えば、マウス１０５１およびキーボード１０５２が接続される。ビデオアダプタ１０６０には、例えば、ディスプレイ１０６１が接続される。

ここで、ハードディスクドライブ１０３１は、例えば、ＯＳ１０９１、アプリケーションプログラム１０９２、プログラムモジュール１０９３およびプログラムデータ１０９４を記憶する。上記実施形態で説明した各情報は、例えばハードディスクドライブ１０３１やメモリ１０１０に記憶される。

また、推挙プログラムは、例えば、コンピュータ１０００によって実行される指令が記述されたプログラムモジュール１０９３として、ハードディスクドライブ１０３１に記憶される。具体的には、上記実施形態で説明した推挙装置１０が実行する各処理が記述されたプログラムモジュール１０９３が、ハードディスクドライブ１０３１に記憶される。

また、推挙プログラムによる情報処理に用いられるデータは、プログラムデータ１０９４として、例えば、ハードディスクドライブ１０３１に記憶される。そして、ＣＰＵ１０２０が、ハードディスクドライブ１０３１に記憶されたプログラムモジュール１０９３やプログラムデータ１０９４を必要に応じてＲＡＭ１０１２に読み出して、上述した各手順を実行する。

なお、推挙プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ハードディスクドライブ１０３１に記憶される場合に限られず、例えば、着脱可能な記憶媒体に記憶されて、ディスクドライブ１０４１等を介してＣＰＵ１０２０によって読み出されてもよい。あるいは、推挙プログラムに係るプログラムモジュール１０９３やプログラムデータ１０９４は、ＬＡＮ（Local Area Network）やＷＡＮ（Wide Area Network）等のネットワークを介して接続された他のコンピュータに記憶され、ネットワークインタフェース１０７０を介してＣＰＵ１０２０によって読み出されてもよい。

以上、本発明者によってなされた発明を適用した実施形態について説明したが、本実施形態による本発明の開示の一部をなす記述および図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施形態、実施例および運用技術等は全て本発明の範疇に含まれる。

１０ 推挙装置
１１ 入力部
１２ 出力部
１３ 通信制御部
１４ 記憶部
１４ａ モデルリスト
１５ 制御部
１５ａ 取得部
１５ｂ 算出部
１５ｃ 提示部
１５ｄ 特定部
１５ｅ 生成部

Claims (4)

1. 所定の期間の時系列データを教師データとして用いた学習により生成されたモデルと、該教師データの分布とを対応付けて記憶する記憶部と、
   所定の期間の時系列データを取得する取得部と、
   取得された前記時系列データの分布と、前記教師データの分布とを比較して、類似度を算出する算出部と、
   算出された前記類似度が所定の閾値以上である場合に、該類似度が高い順に該教師データの分布に対応する前記モデルを提示する提示部と、
   算出された前記類似度が所定の閾値以上である場合に、前記教師データを用いた学習により生成された前記モデルを特定する特定部と、
   を有することを特徴とする推挙装置。
2. 算出された前記類似度がいずれも所定の閾値未満である場合に、取得された前記時系列データを教師データとして用いた学習によりモデルを生成する生成部を、さらに有することを特徴とする請求項１に記載の推挙装置。
3. 推挙装置が実行する推挙方法であって、
   前記推挙装置は、所定の期間の時系列データを教師データとして用いた学習により生成されたモデルと、該教師データの分布とを対応付けて記憶する記憶部を有し、
   所定の期間の時系列データを取得する取得工程と、
   取得された前記時系列データの分布と、前記教師データの分布とを比較して、類似度を算出する算出工程と、
   算出された前記類似度が所定の閾値以上である場合に、該類似度が高い順に該教師データの分布に対応する前記モデルを提示する提示工程と、
   算出された前記類似度が所定の閾値以上である場合に、前記教師データを用いた学習により生成された前記モデルを特定する特定工程と、
   を含んだことを特徴とする推挙方法。
4. 所定の期間の時系列データを教師データとして用いた学習により生成されたモデルと、該教師データの分布とを対応付けて記憶する記憶部を参照し、
   所定の期間の時系列データを取得する取得ステップと、
   取得された前記時系列データの分布と、前記教師データの分布とを比較して、類似度を算出する算出ステップと、
   算出された前記類似度が所定の閾値以上である場合に、該類似度が高い順に該教師データの分布に対応する前記モデルを提示する提示ステップと、
   算出された前記類似度が所定の閾値以上である場合に、前記教師データを用いた学習により生成された前記モデルを特定する特定ステップと、
   をコンピュータに実行させるための推挙プログラム。

Images