JP7303665B2 - 物理システムのハイブリッドモデル生成 - Google Patents

Description

本開示の実装形態は、物理システムのデータベースベース分析に関する。

物理システムのシミュレートされたモデルの使用は、物理システムの診断、予後診断、および他の分析に役立つことができる。例えば、既知のコンポーネントを含む回路のコンピュータシミュレーションは、どこで障害が発生しているのか、または発生する可能性が高いのかを判定することができる。しかしながら、そのようなシミュレートされたモデルは、物理システムのコンポーネントの様々なパラメータの知識を必要とする。

いくつかの実施形態に従って使用することができる、部分的に既知のシステムの未知のコンポーネントのモデルを生成および適用するためのシステムの実施形態の概略図である。 いくつかの実施形態に従って分析することができる、複数の物理的コンポーネントを有する回路図である。 いくつかの実施形態に従って分析することができる、複数の物理的コンポーネントを有する回路図である。 いくつかの実施形態によって分析することができる、物理システム未知のコンポーネントの図である。 いくつかの実施形態によって分析することができる、部分的に既知の物理システムの実施形態の概略図である。 いくつかの実施形態による、機械学習モデルを生成する方法の実施形態のフロー図である。 本明細書に記載の実施形態を実装することができる、例示的なコンピューティングデバイスを示す図である。

本明細書に記載されるのは、部分的に既知の物理システムの未知のコンポーネントのモデルを生成するシステムである。そのような物理システムは、電気的システム、機械的システム、電気機械的システム、または物理法則に従うコンポーネントを有する他のシステムを含み得る。部分的に既知の物理システムにおいて、物理システムの１つ以上のコンポーネントは、物理システムの診断、予後診断、または他のシミュレーションもしくは分析に使用することができる正確な物理モデルを有していない。したがって、本明細書に記載されるように、物理システムの未知のコンポーネントのモデルの生成および使用を可能にするシステムおよび方法が記載される。このため、コンポーネントモデルは、部分的に既知の物理システムの残りの部分と共に、完全なモデルとして使用することができる。

機械学習システムは、適切な数学モデルと十分な計算能力を与えられた複雑なシステムのための入力／出力マップを生成することができる。しかしながら、物理的コンポーネントのモデルを学習することは、入力と出力の概念がないため、より困難である。例えば、システムの物理的コンポーネントは、本質的に非因果的挙動を有する。物理システムの因果的表現は、ある一定の条件下で得られる。例として、抵抗器に対する入力／出力モデルは、電源の種類およびシステムに対する他の制約に依存し得る。したがって、抵抗器が電圧源に取り付けられているか電流源に取り付けられているかによって、因果的表現が変わり、したがって抵抗器の動作方法が変わる。したがって、本明細書で開示されるシステムは、部分的に既知の物理システムの物理的制約および未知のコンポーネントの特性に適合するモデルを生成するために、システムの物理的コンポーネントのパラメトリックモデルを利用する。

例として、機械的システム（レールスイッチなど）の構造的記述およびコンポーネントの部分的な電気的仕様を有することは、１つ以上の物理的部品が仕様またはモデルなしのままである場合、完全なシステムモデルを作成するには不適切であり得る。別の例として、回路内の未知の非線形抵抗器はモデル化されていない可能性があり、したがって、抵抗器が配置されているシステムの診断、予後診断、または他の分析を妨げる可能性がある。本明細書に記載のシステムおよび方法は、そのようなコンポーネントのモデリングを可能にしてシステムのコンポーネントレベルの分析を可能にするためのコンピュータ技術に対する改善を提供する。

未知のコンポーネントを記載するモデルを生成するために、モデル生成システムは、システム内の既知のコンポーネントをシミュレートし、シミュレーションの結果をシステムの測定された観察結果と比較することができる。シミュレーション中、未知のコンポーネントは、未知のコンポーネントの未学習モデルのパラメータのセット、およびシステム内の制約に従ってシミュレーションすることができる。次に、パラメータを最適化し、未知の物理的コンポーネントの学習済みモデルを生成するために、シミュレーションを観察されたシステムと比較した後にパラメータを更新することができる。

図１は、モデル生成システム１００および分析システム１６０を示す図である。モデル生成システム１００は、物理システムの部分物理モデル１５０、物理システムの実験データ１４０、および未知のコンポーネントの特性の物理的意味が物理モデル１７０に保持されることを確実にするコンポーネント制約１４５に基づいて、物理システムの未知のコンポーネントのコンポーネントモデル１７５を生成する。次に、生成されたコンポーネントモデル１７５を診断分析システム１６０によって使用して、学習済みコンポーネントモデル１７５を含む物理モデル１７０を使用して診断、予後診断、または他の分析を行うことができる。

図１に示すモデル生成システム１００は、物理システムの未知のコンポーネントの非因果的モデリングを可能にする。因果的システム（その出力は過去と現在の入力に依存する）は、ある一定の機械学習技術を使用してモデル化することができるが、これらの技術は、モデルの内部を物理的理解と必ずしも結び付けることなくシステムをブラックボックスモデルとして扱う。このようなモデルは、予測のためには役立つが、システムの構造（コンポーネントとサブコンポーネント）に関する情報を必要とする、モデルベースの診断および予後診断方法にはあまり役立たない。本明細書に記載されるいくつかの実施形態において、非因果的物理システムは微分代数方程式としてモデル化することができる。例えば、次の方程式のセットを使用してある一定の物理システムをモデル化することができる。

これらのシステムは、状態ベクトルとしてｘ、代数変数のベクトルとしてｚ、出力ベクトルとしてｙを使用することができる。このモデルは、コンポーネントに取り付けられた変数と、コンポーネント間の関係とから構成される。したがって、コンポーネントおよび関係は、非因果的モデルにおけるそれらのコンポーネントの物理的意味を維持する。多くの場合、システム製造業者は自社製品に（モデルベースの）診断および予後診断機能を含めることによって、自社製品を改善したいと考えている。しかしながら、そのようなサブコンポーネントが第三者から取得された場合、システム製造業者は、独自の理由で、サブコンポーネントの詳細な仕様に必ずしもアクセスできるとは限らない。したがって、本明細書に記載のシステムは、物理システムのさらなる分析を可能にするために、未知の第３のコンポーネントのモデルを生成することができる。

物理学ベースのコンポーネントについての非因果的モデルを学習することによって提供される改善の例として、図２Ａ～図２Ｂの電気回路２００、２５０は、電流源を有するもの、および電圧源を有するものと同様である。回路２００の挙動を決定する因果的方程式は、各コンポーネントの挙動を支配する物理法則（ｉＲ＝ｖおよびＣｄｖｄｔ＝ｉ）に加えて、既知のコンポーネントを接続するときに生成される方程式から導出することができる。方程式操作を通じて、回路２００の挙動に対する因果的表現は、以下のようである。

同様の様態において、回路２５０の因果的挙動をモデル化することができるが、結果が異なる。以下に示すように、システムの電流と電圧は、１つの要素を変更すると、全く異なる挙動方程式になる。

潜在的には有用ではあるが、因果的方程式は、非線形コンポーネントを有する物理システムのための完全モデルを提供するのに十分な物理的コンポーネントのモデル化を提供しない。既知の抵抗器素子およびコンデンサ素子の代わりに、回路２００または２５０が非線形抵抗コンポーネントを有する場合、回路のシミュレーションは、パラメータの非線形関係のために失敗する可能性がある。１つの選択肢は、電流方程式が以下のように置き換えられる、第１の例示的な回路２００の因果的表現を検討することである。

ここで、ｆ（ｘ；ｗ）は、入力としてｘをとり、パラメータｗのベクトルに依存する関数である。関数ｆ（ｘ；ｗ）は、多項式、またはニューラルネットワークなどのより複雑な表現を有するものを含む任意の種類の関数であり得る。ｖ２を含む実験データへのアクセスを仮定すると、最適化プロセスはパラメータｗを決定することができる。関数ｆ（ｘ；ｗ）の表現を有すると、電流源が使用されている例示的な回路２００をシミュレートする試みは失敗する。関数ｆ（ｘ；ｗ）に基づき、Ｒ２の方程式を支配する物理法則は、ｉ＝ｆ（Ｅ－ｖ_２；ｗ）である。図２Ｂに示す回路２５０をシミュレートするとき、シミュレータは、ｖ_１について方程式ｉ＝ｆ（ｖ_１－ｖ_２；ｗ）を用いて物理システムをシミュレートしようと試みる。しかしながら、回路２５０のためのシミュレータは、ｖ_１に関するｆの一次導関数の逆数、すなわち∂ｖ_１を必要とし得る。シミュレーションが失敗した場合、その理由は、ｖ_１いくつかの値に対して、ｖ_１に関する導関数の逆が実際には存在しない可能性があるためである。例えば、モデルｆが、ｆ（ｘ；ｗ）＝ｗ_０＋ｗ_１ｘ＋ｗ_２×^２の形の多項式としての場合を考える。ｘに関する_ｆの導関数は、ｆ’（ｘ）＝ｗ_１＋２ｗ_２ｘであり、これは、電圧ｘ＝－ｗ_１／ｗ_２に対して可逆的ではない。したがって、ｆおよび／またはパラメータｗのベクトルに追加の制約は、学習プロセスが、抵抗Ｒ_２の挙動のために物理的に実現可能なモデルを生成することを確実にするために課されなければならない。他の物理システムについても同様の制約を生成できる。

物理システムのコンポーネントは、システム内の他のコンポーネントへの１つ以上の接続点を含む。電気的コンポーネントに関して説明したように、接続は回路の他の要素を接続するピンである。それらの接続は、それらが従う物理法則に基づいてシステムのモデルにさらなる制約を加える。特に、電気的コンポーネントについては、ピンは、２つの変数、電流および電位によって特徴付けられる。電流は接続点で保存される流動変数である。これは、あるコンポーネントの全ての電流が所定の時間に合計してゼロになることである。電位は交差変数である。物理的コンポーネントのモデルにおいて、コンポーネントは少なくとも１つの流動変数および電位様変数を有する（熱流体領域ではいくつかのそのような変数があり得る）。

図３は、本明細書に記載のシステムおよび方法によってモデル化することができるような一般的な物理的コンポーネント３００のモデルを示す。例示的な物理的コンポーネント３００は、２つのコネクタ３１０、３２０を有する。各コネクタは、２つの変数、すなわち流動変数ｆおよび電位様変数ｘを有する。物理的領域に応じて、流動変数は、電流（電気）、力（並進力学）、トルク（回転力学）または熱流速（熱）であり得る。変数ｘは、電位（電気）、変位（並進力学）、角度（回転力学）または温度（熱）を表すことができる。モデルは、変数のペア、（ｆ_ａ、ｘ_ａ）と（ｆ_ｂ、ｘ_ｂ）の間の関係を記載する方程式のセットを提供する。いくつかの実施形態において、物理的コンポーネントのモデルは、コネクタ３１０、３２０における追加の変数、および追加のコネクタを含み得る。

コンポーネントモデルの学習中に適用される制約は、システムがシミュレートできること、およびコンポーネントモデルがシステム内の物理学に対応することを保証する。いくつかの実施形態において、制約は実現可能性制約と受動性制約の両方を含み得る。実現可能性制約により、数学モデルは異なる使用シナリオにおける実際のコンポーネントの挙動を記載することを保証する。例えば、モデルは異なる環境下で正確なシミュレーションを提供する。回路の文脈では、これは、非線形抵抗器モデルが、電流源動作と電圧源動作の両方を含む文脈で、正確な挙動予測を提供することを意味し得る。実現可能性制約は、コンポーネントが他の接続されたコンポーネントと互換性のあるインターフェースを有することを確実にする。したがって、モデル化されたコンポーネントの出力における挙動は、他の接続されている既知または未知のコンポーネントの挙動と互換性がなければならない。いくつかの実施形態では、これは境界条件およびシステムの他のコンポーネントにおける追加の制約をさらに含み得る。

受動性制約は、コンポーネントが受動的であることが既知である、ある一定のコンポーネントモデルに適用することができる。受動的であるためには、コンポーネントはシステム内でそれ自身のエネルギーを生成してはいけないが、他のソースによって生成されたエネルギーを消散させるだけである。例えば、回路内の抵抗器は、受信されたエネルギーを消散し、一方、トランジスタは、システムを通じてエネルギーを提供する能動的なコンポーネントであり得る。未知のコンポーネントがシステム内の受動的な要素であることが既知である場合、受動性制約は、コンポーネントのモデルを生成するときに利用可能なパラメータをさらに定義することができる。

一般に２つの端子コンポーネントを参照して記載したが、本明細書に記載のシステムおよび方法は、追加の端子または接続を有するコンポーネントに適用される。例えば、機械システム内のコンポーネントは、複数の端子に接続された複数のコンポーネントを有することができる。さらに、本明細書に記載のモデル生成システムは、一般に、単一の未知のコンポーネントを有するモデルを生成することを指す。しかしながら、本明細書に記載のシステムおよび方法は、複数の未知のコンポーネントを有する部分的に既知のシステムにも同様に適用される。そのようなモデルは、それらのコンポーネントの各々に実現可能性または受動性制約を適用し、部分的に既知のシステムのシミュレーションに基づいて、それらのモデルを最適化することによって生成され得る。

図１に戻って参照すると、部分物理モデル１５０は、物理システムの個々のコンポーネントのモデル、それらのコンポーネント間の接続、およびそれらの相互作用のモデルを含み得る。図４に示す物理システム４００を参照すると、例示的な部分物理モデル１５０は、既知のコンポーネント４１０、４２０、４３０の各々についてのモデル、ならびにコンポーネントの接続方法、および各コンポーネントの各コネクタの相互作用の記述を含むことができる。未知のコンポーネント４４０のパラメータは、未知であるので部分物理モデル１５０に含まれていなくてもよいが、物理システム４００の他のコンポーネントへの接続は、部分物理モデルの一部として含まれてもよい。

実験データ１４０は、異なる時間に、および異なる入力に応答して、物理システム内の異なる接続点の測定値を含むことができる。例えば、図４に示す例において、既知のコンポーネント４１０、４２０、４３０の各々の接続点の各々は、１つ以上の変数の測定値を有することがある。実験データ１４０はまた、未知のコンポーネント４４０についての対象となる変数の測定値も含む。次に、それらの測定値は、未知の物理的コンポーネント４４０についてのモデルを決定するために、モデル生成システム１００によって使用され得る。

コンポーネント制約１４５は、未知のコンポーネントについて生成されたコンポーネントモデルが、後で診断分析または予後診断分析に使用するのに十分な物理的意味を含むことを確実にするために、モデル生成システム１００によって使用される。これらの制約により、部分物理モデル１５０の反復シミュレーションによるコンポーネントモデル１７５の学習が可能になる。いくつかの実施形態において、コンポーネント制約１４５は、実現可能性制約または受動性制約のいずれかであり得るいくつかの制約を含む。実現可能性制約により、数学モデルは異なる使用シナリオにおける実際のコンポーネントの挙動を記載することを保証する。例えば、モデルは異なる環境下で正確なシミュレーションを提供する。回路の状況において、これは、非線形抵抗器モデルが、電流源動作と電圧源動作の両方を含む状況で正確な挙動予測を提供することを意味し得る。実現可能性制約は、コンポーネントが他の接続されたコンポーネントと互換性のあるインターフェースを有することを確実にする。したがって、モデル化されたコンポーネントのコネクタにおける挙動は、他の接続されている既知または未知のコンポーネントの挙動と互換性がなければならない。いくつかの実施形態において、これは、境界条件、およびシステムの他のコンポーネントにおける追加の制約をさらに含み得る。

受動性制約は、コンポーネントが受動的であることが既知である特定のコンポーネントモデルに適用することができる。受動的であるためには、コンポーネントはシステム内でそれ自身のエネルギーを生成してはならず、他のソースによって生成されたエネルギーを消散させるだけである。例えば、回路内の抵抗器は、受信されたエネルギーを消散させ、一方、トランジスタは、システムを通じてエネルギーを提供する能動的なコンポーネントであり得る。未知のコンポーネントがシステム内の受動的な要素であることが既知である場合、受動性制約は、コンポーネントのモデルを生成するときに利用可能なパラメータをさらに定義することができる。

上述のように、制約は、コンポーネントモデル１７５を学習するときに、部分物理モデル１５０をシミュレートすることができるままであることを確実にする。したがって、シミュレーションが繰り返されるにつれて、未学習コンポーネントモデル１５５を最適化することができる。システムにおいてコンポーネント制約１４５を設定するために、コンポーネントのある一定の特性を使用して、システムに対するテンプレート方程式を生成することができる。最も一般的な挙動テンプレートの１つは、コンポーネントを通る流れが失われない場合に対応する。いくつかの実施形態において、このテンプレートは、抵抗器、コンデンサ、インダクタ、バネ、またはダンパーなど、複数の領域からの線形または非線形のコンポーネントをカバーしている。これは受動コンポーネントに当てはまるが、非受動コンポーネントにも当てはまり、その挙動方程式は次のようになる。

第２の電位モデルにおいて、コンポーネント内の異なるコネクタにおける流れは、異なる可能性がある。これは、外部信号が流量損失を決定する可能性がある能動的なコンポーネントの場合である。いくつかの実施形態においてこのテンプレートは、機械的ブレーキ、粘性損失、システムを通じた他の機械的もしくは流体損失、または流れを制御するための外部制御機構を有する能動的なコンポーネントに対応することができる。この場合のテンプレートは次のように表すことができる。

いくつかの実施形態においては、１つ以上の流れを有するコンポーネントが存在してもよく、電位型方程式は完全に別のものである。例としては、接続に関係のないパラメータを有する理想的なギアまたは他のシステムの場合がある。これらのモデルはまた、受動的または能動的であり得、未知の流動変数を有し得る、全く未知のコンポーネントにも使用され得る。これらの場合のテンプレートは次のように与えられる。

いくつかの実施形態においては、これらのモデルまたは他のモデルは、物理システムのシミュレーションを可能にする未知のコンポーネントのそれらのパラメータを決定するために、物理コンポーネントのための方程式のセットと共に使用され得る。いくつかの実施形態においては、これは、探索空間における実現可能なパラメータの軌跡のＪａｃｏｂｉａｎの可逆性を決定することを含む。したがって、未学習コンポーネントモデル１５５のパラメータは、物理システムをシミュレートすることができるものに制約される。さらに、いくつかの実施形態においては、Ｊａｃｏｂｉａｎおよび制約は、Ｊａｃｏｂｉａｎが可逆性のままであることを確実にするために、シミュレーションプロセスの各時間ステップで再評価することができる。いくつかの実施形態においては、モデル生成システムは、未知のモデルの接続に関する境界条件に対する制約などの追加の制約を含むことができる。これらの制約は、未知のコンポーネントが接続されている追加の物理的コンポーネントに基づくことができる。例えば、図４に示される物理システム４００においては、既知のコンポーネント４１０、４２０、４３０の既知の挙動に基づき、未知のコンポーネント４４０の変数の変化に対して追加の制約があり得る。制約が設定されると、モデル生成システム１００は、未学習コンポーネントモデル１５５を学習することができる。

未学習コンポーネントモデル１５５は、未知の物理的コンポーネントについての１つ以上のモデルを含むことができる。例えば、未学習コンポーネントモデル１５５は、図４に示すように、未知のコンポーネント４４０の最適化されていないモデルとすることができる。いくつかの実施形態において、未学習コンポーネントモデル１５５は、多項式モデル、ニューラルネットワーク、または物理的コンポーネントの別のモデルであり得る。任意の種類のモデルについて、未学習コンポーネントモデル１５５は、学習済みコンポーネントモデル１７５を決定するためにモデル生成システム１００が最適化する１組のパラメータを有することができる。未学習コンポーネントモデル１５５が学習されると、未学習コンポーネントモデル１５５がシミュレーション中に実験データ１４０に近づくまで、パラメータはモデル生成サービス１３０によって更新される。

物理システムシミュレータ１２０は、部分物理モデル１５０および未学習コンポーネントモデル１５５に基づいて、部分的に既知の物理システムのシミュレーションを提供する。物理システムシミュレータは、実験データ１４０に基づく既知の初期条件および既知の入力で、ある時点において開始することができる。次に、物理システムシミュレータ１２０はモデル１５０、１５５を使用してシミュレーションする。シミュレーションは、物理システムの挙動を示すために、複数の時点で１つ以上の測定された変数に対する変化をシミュレートすることを含み得る。未学習コンポーネントモデル１５５は、実験データ１４０に基づいて最適化されているので、シミュレーションにおける測定変数は実験データ１４０に収束し得る。物理システムシミュレータ１２０は、物理システム内の異なる点で複数の変数の出力を生成してもよい。いくつかの実施形態において、出力変数は実験データにおいて受信されたものに対応する。

モデル生成サービス１３０は、物理システムのシミュレートされた挙動と物理システムから測定された実験データ１４０との間の差異に基づいて、未学習コンポーネントモデル１５５のパラメータを更新する。例えば、シミュレーションが実験データ１４０からかけ離れている場合、モデルを改善するために未学習コンポーネントモデル１５５のパラメータを大幅に変更することができる。シミュレーションが実験データ１４０に近い挙動を示す場合、モデル生成サービス１３０は、未学習コンポーネントモデル１５５のパラメータをより少ない程度に変更することができる。

標準的なＭＬ問題とは異なり、部分的に未知の物理システムにおける未知のコンポーネントの挙動に基づく学習は、コンポーネントのマップの入力および出力を学習することを必ずしも含まない。むしろ、モデルは測定値のセットを通じてコンポーネントの挙動に関する間接的な情報を学習し、そのうちのいくつかは他のコンポーネントで取られた測定値であってもよい。しかしながら、システム内の接続に基づいて、部分的に未知の物理システム内の１つのコンポーネントで取られた測定値は、未知のコンポーネントの挙動に関する情報を含む。言い換えれば、未知のコンポーネントの挙動は、利用可能な測定値を通じて観察可能である。したがって、モデル生成サービス１３０は、上述のように実現可能性制約を用いてパラメータ推定を行う。いくつかの実施形態においては、パラメータ推定は、パラメータベクトルを含むように状態ベクトルを拡張することによるフィルタリング方法（例えば、Ｋａｌｍａｎフィルタリングなど）を使用して行い得る。様々な実施形態においては、不等式制約を伴う最適化問題を解くために、ペナルティ法、バリア法、一次法、または逐次二次計画法（ＳＱＰ）を含むが、これらに限定されない、１つ以上の方法を使用することができる。未知のコンポーネントの評価がシミュレーションを使用して行われるとき、任意の最適化技術を使用して検索されたパラメータは、Ｊａｃｏｂｉａｎが可逆であるという制約に従う。

初期時に、モデル生成サービス１３０は、物理システムシミュレータ１２０に、未学習コンポーネントモデル１５５の初期パラメータセットを用いてシステムをシミュレートさせる。制約のない最適化問題が凸面であるという保証はないので、いくつかの実施形態では、モデル生成サービス１３０は、大域的最適化方法を使用して、物理的コンポーネントを正確にモデル化しない極小値に落ち着くことを回避し得る。

未学習コンポーネントモデル１５５を学習した後、モデル生成システム１００はコンポーネントモデル１７５を診断分析システム１６０に出力する。診断と称されるが、診断分析システム１６０はまた、物理モデル１７０を使用して、予後診断または他の分析機能を行い得る。物理モデル１７０は、上述のように、部分的に既知のシステムの既知のコンポーネントをモデル化する、部分物理モデル１５０を含むことができる。物理モデル１７０はまた、未知のコンポーネントのコンポーネントモデル１７５を含み得る。診断分析システム１６０は、シミュレーションエンジンまたは他の分析ツールを使用して、物理システムの動作環境に基づき、物理システムに対する１つ以上の診断出力を決定することができる。例えば、診断分析システム１６０は、物理システムの新たに測定された挙動を入力し、その挙動を引き起こしている物理システムの１つ以上のコンポーネントまたはサブシステムの診断を生成するために、（コンポーネントモデル１７５を含む）物理モデル１７０を使用する。その上、物理モデル１７０を予後診断分析に使用することができる。例えば、診断分析システム１６０は、物理システムおよび物理モデル１７０への意図された入力または出力を使用して、それらの入力または出力に応答し、物理システムの負荷、損失、効率、摩耗、または他の特徴を決定することができる。加えて、他の分析が診断分析システム１６０によって行われてもよい。例えば、１つ以上のコンポーネントの変更、１つ以上のコンポーネントの故障、またはコンポーネントモデル１７５が未知のコンポーネントの有効なモデルのままである物理システムへの他の変更に応答した、物理システムの応答のモデリング。

次に、診断分析システム１６０は、物理モデルの様々なコンポーネントまたはノードに関連付けられた、変数の予測された測定値を示す出力を提供することができる。いくつかの実施形態においては、出力は、システムの既知の最大動作パラメータに基づく物理システムの動作パラメータについての推奨も含み得る。いくつかの実施形態においては、出力は分析プラットフォームの一部としてのユーザインターフェースとして提供されてもよい。

図５は、モデル生成システムの例示的な動作を示すフローチャート５００である。例えば、図５を参照して記載されるプロセスは、図１を参照して記載したようなモデル生成システム１００によって行うことができる。ブロック５１０から開始して、モデル生成システムは、未知のコンポーネントの接続点の実験データのセットを受信する。実験データは、物理システムの異なる時点および異なる動作条件下での、接続点における変数の測定値を含み得る。いくつかの実施形態においては、実験データは、物理システムの他のコンポーネントの他の接続点における同じまたは異なる変数の測定値も含み得る。

ブロック５２０において、モデル生成システムは、未知のコンポーネントの未学習モデルに対する実現可能性制約を設定する。未学習モデルは、モデル生成システムによって最適化されるべきいくつかのパラメータを含む。実現可能性制約は、モデル生成システムによって使用されて、未学習モデルのパラメータのための探索空間を、システム内で物理的意味を有するものに縮小することができる。例えば、制約は、パラメータが、異なる使用シナリオにおける物理的コンポーネントの挙動を記載すること、ならびに物理システム内の他のコンポーネントへの接続によって決定され得る境界条件に従うことを確実にすることができる。いくつかの実施形態において、モデル生成システムはまた、コンポーネントに対して受動性制約を設定する。例えば、コンポーネントは電力を消費するだけであることが既知である場合、パラメータは、電力の消費を表すものに制約され得、電力の生成または生産高の変化を表すものを含まない場合がある。

ブロック５３０において、モデル生成システムは、未知のコンポーネントについて未学習モデルを使用して、部分的に既知のシステムをシミュレートした。第１の反復においては、シミュレーションは、未学習モデルに対するランダムパラメータで始まり、異なる時間ステップでシミュレーションを進めることができる。その後の反復の間に、パラメータは更新されているかもしれないが、シミュレーションは、部分的に既知の物理システムをシミュレートし続けるために、未学習モデルの更新版を使用する。いくつかの実施形態においては、実験データは、異なる使用条件の間、未知のコンポーネントの測定値を含み得る。シミュレーションプロセスは、これらの複数の使用条件で繰り返され得る。

ブロック５４０において、モデル生成システムは、シミュレートされたデータと実験データとの比較に基づいて未学習モデルを最適化し、未知のコンポーネントの学習済みモデルを生成する。最適化は、物理システムをシミュレートする複数の反復中に、実現可能性制約内のパラメータを更新することを含み得る。例えば、ニューラルネットワークは、システムの比較に基づく逆伝播を使用して更新されてもよい。モデルが多項式または他の種類の関数である場合、シミュレートされたデータと実験データとの比較を同様に使用して、モデルの１つ以上のパラメータを更新することができる。モデルの生成後、それは、システムの物理的意味を保持しながら、部分的に既知の物理システムの分析を提供するために、（例えば、図１の診断分析システム１５０など）分析システムによって使用することができる。

様々な動作は、本開示を理解する上で最も有用である様態で、複数の個別の動作として記述されるが、説明の順序は、これらの動作が必ずしも順序依存性であることを示唆すると解釈されない場合がある。具体的には、これらの動作は、提示順に行う必要はない。

図６は、本明細書で説明した方法のうちの任意の１つ以上を機械に行わせるために、命令のセットが実行され得る、コンピュータシステム６００の例示的な形態における機械の概略図を示す。例えば、命令は、部分的に既知の物理システムの未知のコンポーネントについての学習済みモデルの生成および使用を含む、モデル生成システム１００または診断分析システム１６０を実行することができる。代替的な実施形態においては、機械は、ローカルエリアネットワーク（ＬＡＮ）、イントラネット、エクストラネット、またはインターネットで他の機械に接続（例えば、ネットワーク化）されてもよい。機械は、クライアントサーバネットワーク環境内のサーバまたはクライアント機械の能力において、またはピアツーピア（または分散型）ネットワーク環境内のピア機械として動作することができる。機械は、パーソナルコンピュータ（ＰＣ）、タブレットＰＣ、セットトップボックス（ＳＴＢ）、携帯情報端末（ＰＤＡ）、携帯電話、ウェブアプライアンス、サーバ、ネットワークルータ、スイッチまたはブリッジ、ハブ、アクセスポイント、ネットワークアクセス制御デバイス、またはその機械が取るべきアクションを指定する命令のセットを（順次もしくは別様に）実行することが可能である任意の機械であり得る。さらに、単一の機械のみが図示されているが、「機械」という用語はまた、本明細書で説明した方法のうちの任意の１つ以上を行うために、命令のセット（または複数セット）を個々に、または共同して実行する機械の任意の集合を含むものとする。一実施形態においては、コンピュータシステム６００は、部分的に既知の物理システムの未知のコンポーネントについての学習済みモデルの生成および使用を含む、モデル生成システム１００または診断分析システム１６０などのサーバコンピュータシステムを表すことができる。

例示的なコンピュータシステム６００は、処理デバイス６０２、メインメモリ６０４（例えば、読み出し専用メモリ（ＲＯＭ）、フラッシュメモリ、ダイナミックランダムアクセスメモリ（ＤＲＡＭ）、スタティックメモリ６０６（例えば、フラッシュメモリ、スタティックランダムアクセスメモリ（ＳＲＡＭ）など）、およびデータ記憶デバイス６１８を含み、これらはバス６３０を介して互いに通信する。本明細書に記載される様々なバス上で提供される信号のいずれかは、他の信号と時間多重化され、１つ以上の共通バス上で提供され得る。加えて、回路コンポーネント間またはブロック間の相互接続は、バスまたは単一の信号線として示すことができる。バスの各々は、二者択一的に１つ以上の単一信号線であってもよく、単一信号線の各々は、二者択一的にバスであってもよい。

処理デバイス６０２は、マイクロプロセッサ、中央処理装置などの１つ以上の汎用処理デバイスを表す。より具体的には、処理デバイスは、複号命令セット計算（ＣＩＳＣ）マイクロプロセッサ、縮小命令セットコンピュータ（ＲＩＳＣ）マイクロプロセッサ、超長命令語（ＶＬＩＷ）マロプロセッサ、もしくは他の命令セットを実装するプロセッサ、または命令セットの組み合わせを実装するプロセッサであってもよい。処理デバイス６０２はまた、特定用途向け集積回路（ＡＳＩＣ）、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、デジタル信号プロセッサ（ＤＳＰ）、ネットワークプロセッサなどのような１つ以上の専用処理デバイスであってもよい。処理デバイス６０２は、本明細書で説明された動作およびステップを行うために、図１に示されたモデル生成システム１００の一例であり得る、処理論理６２６を実行するように構成されている。

データ記憶デバイス６１８は、処理デバイス６０２にモデル生成システム１００または分析システム１６０を実行させるための命令を含む、本明細書に記載の機能の方法のうちの任意の１つ以上を具体化する１つ以上の命令（例えば、ソフトウェア）６２２のセットが格納された機械可読記憶媒体６２８を含んでもよい。命令６２２はまた、コンピュータシステム６００によるその実行中に、メインメモリ６０４内または処理デバイス６０２内に、完全にまたは少なくとも部分的に存在していてもよく、メインメモリ６０４および処理デバイス６０２はまた、機械可読記憶媒体を構成してもよい。命令６２２はさらに、ネットワークインターフェースデバイス６０８を介し、ネットワーク６２０上で送信または受信することもできる。

機械可読記憶媒体６２８はまた、本明細書に記載したように、ネットワーク化されたデバイスから受信したログデータを分析する方法を行うための命令を格納するために使用されてもよい。機械可読記憶媒体６２８は、例示的な実施形態では単一の媒体であるように示されているが、「機械可読記憶媒体」という用語は、命令の１つ以上のセットを格納する単一の媒体または複数の媒体（例えば、集中型もしくは分散型データベース、または関連するキャッシュおよびサーバ）を含めるべきである。機械可読媒体は、機械（例えば、コンピュータ）によって可読である形態（例えば、ソフトウェア、処理アプリケーション）で情報を格納するための任意の機構を含む。機械可読媒体は、磁気記憶媒体（例えば、フロッピーディスク）、光記録媒体（例えば、ＣＤ－ＲＯＭ）、光磁気記憶媒体、読み出し専用メモリ（ＲＯＭ）、ランダムアクセスメモリ（ＲＡＭ）、消去可能なプログラム可能なメモリ（例えば、ＥＰＲＯＭおよびＥＥＰＲＯＭ）、フラッシュメモリ、または電子命令を格納することに好適な別の種類の媒体を含むことができるが、これらに限定されない。

先行する記述は、本開示のいくつかの実施形態の良好な理解を提供するために、具体的なシステム、コンポーネント、方法などの例のような多くの具体的な詳細を記載している。しかしながら、当業者には、本開示の少なくともいくつかの実施形態は、これらの具体的な詳細なしで実施され得ることは明らかであろう。他の例においては、公知のコンポーネントまたは方法は、本開示を不必要に不明瞭にすることを避けるために、詳細には記載されておらず、または単純なブロック図の形式で提示されている。したがって、記載される具体的な詳細は、単なる例示である。特定の実施形態は、これらの例示的な詳細とは異なり、依然として本開示の範囲内にあると考えられ得る。

加えて、いくつかの実施形態は、機械可読媒体が２つ以上のコンピュータシステム上に格納され、または２つ以上のコンピュータシステムによって実行される分散コンピューティング環境で実施することができる。その上、コンピュータシステム間で転送される情報は、コンピュータシステムを接続する通信媒体を横切ってプルまたはプッシュのいずれかが行われてもよい。

特許請求される主題の実施形態には、本明細書に記載された様々な動作が含まれるが、これらに限定されない。これらの動作は、ハードウェアコンポーネント、ソフトウェア、ファームウェア、またはそれらの組み合わせによって行われてもよい。

本明細書の方法の動作は特定の順序で示され記載されているが、各方法の動作の順序は、ある一定の動作が逆順で行われるように、またはある一定の動作が、少なくとも部分的に、他の動作と並行して行われるように、変更されてもよい。別の実施形態においては、別個の動作の命令または副動作は、間欠的または交互の様態であってもよい。

要約書に記載されていることを含む、本発明の例示された実装形態の上記の記述は、網羅的であること、または開示された正確な形態に本発明を限定することを意図しない。本発明の特定の実装形態およびその例が例示の目的で本明細書に記載されているが、当業者が認識するように、本発明の範囲内で様々な同等の改変が可能である。「例」または「例示的」という用語は、本明細書では、例、実例、または例示として役立つことを意味するために使用される。「例」または「例示的」として本明細書に記載されたいかなる態様または設計も、他の態様または設計よりも好ましいまたは有利であると必ずしも解釈されるべきではない。むしろ、「例」または「例示的」という語の使用は、概念を具体的な流儀で提示することを意図している。本出願で使用されるとき、「または」という用語は、排他的な「または」ではなく、包含的な「または」を意味することを意図している。すなわち、別様に指定されない限り、または文脈から明らかでない限り、「ＸはＡまたはＢを含む」は、任意の自然な包含順列を意味することを意図している。すなわち、ＸがＡを含み、ＸがＢを含み、またはＸがＡおよびＢの両方を含む場合、「ＸがＡまたはＢを含む」は、前述のいずれの場合にも満たされる。その上、本出願および添付の特許請求の範囲で使用される「ａ」および「ａｎ」という冠詞は、別様に指定されない限り、または文脈から単数形に向けられることが明らかでない限り、一般に「１つ以上」を意味すると解釈されるべきである。さらに、「実施形態」または「一実施形態」または「実装形態」または「一実装形態」という用語の使用は、そのように記載されていない限り、終始、同じ実施形態または実装形態を意味することを意図しない。さらに、本明細書で使用される「第１」、「第２」、「第３」、「第４」などの用語は、異なる要素を区別するためのラベルとして意味され、それらの数字の指定に従う序列的な意味を必ずしも有しない。

Claims (20)

1. 部分的に既知の物理システムの未知のコンポーネントの接続点の実験データのセットを受信することと、
   処理デバイスによって、前記未知のコンポーネントの未学習モデルに対する実現可能性制約を設定することと、
   前記未知のコンポーネントの前記接続点におけるシミュレートされたデータを生成するために、前記未知のコンポーネントの前記未学習モデルを使用して、前記部分的に既知のシステムをシミュレートすることと、
   前記未知のコンポーネントの学習済みモデルを生成するために、前記実現可能性制約、および前記シミュレートされたデータと前記実験データとの比較に基づいて、前記未学習モデルを前記処理デバイスによって最適化することと、を含む、方法。
2. 前記未学習モデルを最適化することが、
   前記実現可能性制約に基づいて、前記未学習モデルの利用可能なパラメータを決定することと、
   前記シミュレーションデータと前記実験データとの間の誤差を低減するために、前記未学習モデルの前記パラメータを更新することと、を含む、請求項１に記載の方法。
3. 前記未知のコンポーネントの前記未学習モデルに対して受動性制約を設定することをさらに含む、請求項１に記載の方法。
4. 前記物理システムのシステムモデルを使用して、前記物理システムのモデルベースの診断出力を生成することをさらに含み、前記システムモデルが、前記未知のコンポーネントの前記学習済みモデルを含む、請求項１に記載の方法。
5. 前記未学習モデルが、未学習ニューラルネットワークを含む、請求項１に記載の方法。
6. 前記部分的に既知の物理システムが、電気機械的システムを含み、前記未知のコンポーネントが、電気的コンポーネントまたは機械的コンポーネントのうちの１つを含む、請求項１に記載の方法。
7. 第２の未知のコンポーネントの第２の接続点における実験データの第２のセットを受信することと、
   前記第２の未知のコンポーネントの第２の学習済みモデルを生成するために、前記第２の未知のコンポーネントの第２の未学習モデルを最適化することと、をさらに含む、請求項１に記載の方法。
8. 前記実験データが、異なる条件における前記物理システムの１つ以上の接続点またはノードから測定されたデータを含む、請求項１に記載の方法。
9. 前記部分的に既知のシステムをシミュレートすることが、
   前記実験データの第１の部分に関連付けられた第１の条件に従って、前記部分的に既知のシステムをシミュレートすることと、
   前記実験データの第２の部分に関連付けられた第２の条件に従って、前記部分的に既知のシステムをシミュレートすることと、を含む、請求項１に記載の方法。
10. システムであって、
    メモリデバイスと、
    前記メモリデバイスに動作可能に結合されている処理デバイスと、を備え、前記処理デバイスが、
    未知のコンポーネントを含む、部分的に既知の物理システムの１つ以上の接続点の実験データのセットを受信し、
    前記未知のコンポーネントの未学習モデルに対する実現可能性制約を処理デバイスによって生成し、
    前記実験データに対応するシミュレートされたデータを生成するために、前記未知のコンポーネントの前記未学習モデルを使用して、前記部分的に既知のシステムをシミュレートし、
    前記未知のコンポーネントの学習済みモデルを生成するために、前記実現可能性制約および前記シミュレートされたデータと前記実験データとの比較に基づいて、前記未学習モデルを最適化する、システム。
11. 前記未学習モデルを最適化するために、前記処理デバイスが、さらに、
    前記実現可能性制約に基づいて、前記未学習モデルの利用可能なパラメータを決定し、
    前記シミュレーションデータと前記実験データとの間の誤差を低減するために、前記未学習モデルの前記パラメータを更新する、請求項１０に記載のシステム。
12. 前記処理デバイスが、前記未知のコンポーネントの前記未学習モデルに対する受動性制約をさらに生成する、請求項１０に記載のシステム。
13. 前記処理デバイスが、前記物理システムのシステムモデルを使用して、前記物理システムのモデルベースの診断出力をさらに生成し、前記システムモデルが、前記未知のコンポーネントの前記学習済みモデルを含む、請求項１０に記載のシステム。
14. 前記処理デバイスが、さらに、
    第２の未知コンポーネントの第２の接続点における実験データの第２のセットを受信して、
    前記第２の未知コンポーネントの第２の学習済みモデルを生成するために、前記第２の未知コンポーネントの第２の未学習モデルを最適化する、請求項１０に記載のシステム。
15. 前記部分的に既知のシステムをシミュレートするために、前記処理デバイスが、
    前記実験データの第１の部分に関連付けられた第１の条件に従って、前記部分的に既知のシステムをシミュレートし、
    前記実験データの第２の部分に関連付けられた第２の条件に従って、前記部分的に既知のシステムをシミュレートする、請求項１０に記載のシステム。
16. 命令を格納している非一時的コンピュータ可読媒体であって、前記命令が、処理デバイスによって実行されると、前記処理デバイスに、
    部分的に既知の物理システムの実験データのセットを受信させ、
    処理デバイスによって、前記部分的に既知の物理システムの未知のコンポーネントの未学習モデルに対する実現可能性制約を生成させ、
    前記部分的に既知の物理システムのシミュレートされたデータを生成するために、前記未知のコンポーネントの前記未学習モデルを使用して、前記部分的に既知のシステムをシミュレートさせ、かつ
    前記未知のコンポーネントの学習済みモデルを生成するために、前記実現可能性制約、および前記シミュレートされたデータと前記実験データとの比較に基づいて、前記未学習モデルを前記処理デバイスによって最適化させる、非一時的コンピュータ可読媒体。
17. 前記未学習モデルを最適化するために、前記命令がさらに、前記処理デバイスに、
    前記実現可能性制約に基づいて、前記未学習モデルの利用可能なパラメータを決定させ、かつ
    前記シミュレーションデータと前記実験データとの間の誤差を低減するために、前記未学習モデルの前記パラメータを更新させる、請求項１６に記載の非一時的コンピュータ可読媒体。
18. 前記命令がさらに、前記処理デバイスに、前記未知のコンポーネントの前記未学習モデルに対する受動性制約を生成させる、請求項１６に記載の非一時的コンピュータ可読媒体。
19. 前記命令がさらに、前記処理デバイスに、
    第２の未知のコンポーネントの第２の接続点における第２の実験データセットを受信させ、かつ、
    前記第２の未知のコンポーネントの第２の学習済みモデルを生成するために、前記第２の未知のコンポーネントの第２の未学習モデルを最適化させる、請求項１６に記載の非一時的コンピュータ可読媒体。
20. 前記部分的に既知のシステムをシミュレートするために、前記命令がさらに、前記処理デバイスに、
    前記実験データの第１の部分に関連付けられた第１の条件に従って、前記部分的に既知のシステムをシミュレートさせ、かつ
    前記実験データの第２の部分に関連付けられた第２の条件に従って、前記部分的に既知のシステムをシミュレートさせる、請求項１６に記載の非一時的コンピュータ可読媒体。

Images