JP7378674B1 - プログラマブルロジックコントローラ、推論実行システム、推論実行方法、および、プログラム - Google Patents

Abstract

プログラマブルロジックコントローラ（１００）は、推論処理の実行を指示する実行指示情報を生成する制御アプリケーション（１０４）と、推論処理を実行して、推論結果を生成しうる複数の推論アプリケーション（１０３Ａ，１０３Ｂ，１０３Ｃ）と、制御アプリケーション（１０４）により送信された実行指示情報に応答して、複数の推論アプリケーション（１０３Ａ，１０３Ｂ，１０３Ｃ）の中から、予め設定された規則を満たす推論アプリケーション（１０３Ａ，１０３Ｂ，１０３Ｃ）を特定して推論処理を実行させ、特定した推論アプリケーション（１０３Ａ，１０３Ｂ，１０３Ｃ）により生成された推論結果を、制御アプリケーション（１０４）に送信する機械学習プラットフォーム（１０５）と、を備える。

Description

本開示は、プログラマブルロジックコントローラ、推論実行システム、推論実行方法、および、プログラムに関する。

製造現場のＦＡ（Ｆａｃｔｏｒｙ Ａｕｔｏｍａｔｉｏｎ）機器からデータを収集し、収集したデータを用いた人工知能アルゴリズムによる推論結果を利用して機器の制御に役立てる技術が知られている。例えば、特許文献１には、制御対象の装置を制御するための制御データを出力する制御アプリケーションと、制御データと装置の動作を示す装置データとを入力として、推論処理を実行する推論アプリケーションと、を備える産業用ＰＣデバイスが開示されている。

特表２０２１－５３１５７４号公報

この産業用ＰＣデバイスにおいて、実行される推論アプリケーションは１つに決められている。しかしながら、生産現場では、様々な推論処理を行う複数の推論アプリケーションを、目的に応じてそれぞれ実行することにより、装置を制御することが求められる場合がある。したがって、複数の推論アプリケーションの中から推論の目的に応じて、好適な推論結果を得るといった観点からすると改善の余地がある。

本開示は、上記のような問題点に鑑みてなされたものであり、複数の推論アプリケーションの中から好適な推論結果を得ることができるプログラマブルロジックコントローラ、推論実行システム、推論実行方法、および、プログラムを提案することを目的にする。

上記の目的を達成するため、本開示に係るプログラマブルロジックコントローラは、推論処理の実行を指示する実行指示情報を生成する制御アプリケーションと、推論処理を実行して、推論結果を生成しうる複数の推論アプリケーションと、制御アプリケーションにより送信された実行指示情報に応答して、複数の推論アプリケーションの中から、予め設定された規則を満たす推論アプリケーションを特定して推論処理を実行させ、特定した推論アプリケーションにより生成された推論結果を、制御アプリケーションに送信する機械学習プラットフォームと、を備える。実行指示情報は、複数の推論アプリケーションにより生成された複数の推論結果に優先度を設定する優先度設定ルールを含む。機械学習プラットフォームは、実行指示情報から優先度設定ルールを取得し、取得した優先度設定ルールに基づいて、複数の推論アプリケーションにより生成された複数の推論結果それぞれに優先度を設定し、設定された優先度がもっとも大きい推論結果を、制御アプリケーションに送信する。

本開示によれば、複数の推論アプリケーションの中から、予め設定された規則を満たす推論アプリケーションを特定して、特定した推論アプリケーションにより生成された推論結果を制御アプリケーションに送信する機械学習プラットフォームを備える。したがって、複数の推論アプリケーションの中から好適な推論結果を得ることができる。

本開示の実施の形態１に係るプログラマブルロジックコントローラの論理構成を示す図 図１に示すイベントブローカが参照する対応テーブルの一例を示す図 図１に示すプログラマブルロジックコントローラの物理構成を示すブロック図 実施の形態に係るプログラマブルロジックコントローラによる推論実行処理を示すフローチャート 実施の形態２に係るプログラマブルロジックコントローラの構成を示す図 実施の形態２に係るプログラマブルロジックコントローラによる推論実行処理を示すフローチャート 実施の形態３に係る推論実行システムの構成を示す図 実施の形態３に係る推論実行システムによる推論実行処理を示すフローチャート 実施の形態４に係る推論実行システムの構成を示す図 実施の形態４に係る推論実行システムによる推論実行処理を示すフローチャート

以下、本開示の実施の形態に係るプログラマブルロジックコントローラ、推論実行システム、推論実行方法、および、プログラムについて図面を参照して説明する。なお、図中同一又は相当する部分には同じ符号を付す。

（実施の形態１）
本実施の形態に係るプログラマブルロジックコントローラは、制御対象の機器を制御するための制御データを生成する制御アプリケーションと互いに異なる推論処理を実行する複数の推論アプリケーションを備える。制御アプリケーションは、推論処理の実行を指示する実行指示情報を生成する。プログラマブルロジックコントローラは、実行指示情報に含まれる推論の目的と一致する推論処理を実行する推論アプリケーションを特定して、特定した推論アプリケーションに対して、推論処理の実行を指示する。推論アプリケーションは、プログラマブルロジックコントローラからの実行指示に応答して、推論処理を実行し、推論結果を制御アプリケーションに出力する。制御アプリケーションは、その推論結果を利用して、機器を制御する。

図１に示す通り、本実施の形態に係るプログラマブルロジックコントローラ１００は、制御対象の機器２００と通信路３００を介して互いに通信可能に接続される。機器２００は、センサ、組立ロボット、駆動機器等である。通信路３００は、工場内に設置された通信線によって実現される産業用の制御ネットワークである。ただし、通信路３００は、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）に代表される情報ネットワークであってもよい。また、通信路３００は、専用線であってもよいし、インターネットに代表される広域ネットワークであってもよい。

次に、プログラマブルロジックコントローラ１００の論理構成について説明する。プログラマブルロジックコントローラ１００は、時間的な制約を満たして処理を実行する機能を備えるリアルタイムＯＳ（Ｏｐｅｒａｔｉｎｇ Ｓｙｓｔｅｍ）１０１と、汎用的に様々な用途で使用される汎用ＯＳ１０２と、機器２００から収集された機器２００の動作を示す機器データを基に機械学習を行って学習モデルを生成し、生成した学習モデルを基に推論処理を実行する推論パッケージ１０３Ａ，１０３Ｂ，１０３Ｃと、機器２００の制御に係る処理を実行する制御アプリケーション１０４と、推論パッケージ１０３と制御アプリケーション１０４との間でデータを双方向に交換する機械学習プラットフォーム１０５と、を備える。なお、以下では、推論パッケージ１０３Ａ，１０３Ｂ，１０３Ｃを総称して、推論パッケージ１０３ともいう。

リアルタイムＯＳ１０１は、時間的な制約がある処理を実行するよう設計されたＯＳである。汎用ＯＳ１０２は、リアルタイム性を保証しない非リアルタイムのＯＳである。リアルタイムＯＳ１０１上には、制御アプリケーション１０４が実装される。汎用ＯＳ１０２上には、推論パッケージ１０３が実装される。

推論パッケージ１０３は、機械学習処理および推論処理を実行可能なランタイムである機械学習エンジン１０６と、推論処理に用いられる学習済みモデル１０７と、推論処理を実行する推論アプリケーション１０８と、を含む。プログラマブルロジックコントローラ１００は、複数の推論パッケージ１０３Ａ，１０３Ｂ，１０３Ｃを備える。各推論パッケージ１０３Ａ，１０３Ｂ，１０３Ｃは、品質予測、故障予知、摩耗予測、制御パラメータ最適化等互いに異なる目的の推論処理を実行する。

機械学習エンジン１０６は、機械学習により学習モデルを生成、更新する処理、および、学習済みモデル１０７に基づく推論処理を実行可能なランタイムである。機械学習は、ニューラルネットワーク、ディープニューラルネットワーク、強化学習、決定木学習、遺伝的アルゴリズム、分類子等の任意の好適な機械学習技法を使用して実施される。なお、機械学習エンジン１０６が学習に使用する入力データは、機器データのみに限られず、制御アプリケーション１０４により生成された制御データであってもよく、これらの複数のデータを入力データとして使用してもよい。

学習済みモデル１０７は、推論処理に用いられる学習モデルである。学習済みモデル１０７は、機械学習エンジン１０６により学習されたモデルであってもよいし、クラウド上で予め学習されたモデルをプログラマブルロジックコントローラ１００に記憶させてもよい。

推論アプリケーション１０８は、学習済みモデル１０７、および、推論アプリケーション１０８の実行環境に適合させた機械学習エンジン１０６を呼び出し、学習済みモデル１０７を用いて推論処理を実行する。

制御アプリケーション１０４は、例えば、ラダー言語で記述され、機器２００に対応付けられる入出力ポートを通じて機器２００の動作を制御するアプリケーションである。制御アプリケーション１０４は、リアルタイムＯＳ１０１上で動作する。制御アプリケーション１０４は、機器２００からのデータの収集、加工、診断、フィードバック等を実行する。データの加工は、データの平滑化、先鋭化、ＦＦＴ（Ｆａｓｔ Ｆｏｕｒｉｅｒ Ｔｒａｎｓｆｏｒｍ）処理等を含む。データの診断は、閾値判定、パターンマッチング等を含む。フィードバックは、機器２００の停止、減速、再開等、機器２００を制御する制御データを生成する処理を含む。また、制御アプリケーション１０４は、推論ＡＰＩ（Ａｐｐｌｉｃａｔｉｏｎ Ｐｒｏｇｒａｍｍｉｎｇ Ｉｎｔｅｒｆａｃｅ）１０９を介して機械学習プラットフォーム１０５と通信して、入力データを提供し、推論処理の実行を指示する。そして、制御アプリケーション１０４は、推論パッケージ１０３による推論結果を、推論ＡＰＩ１０９を介して取得する。

機械学習プラットフォーム１０５は、制御アプリケーション１０４とデータを双方向に交換する推論ＡＰＩ１０９と、推論の目的に合致する推論パッケージ１０３を特定し、特定した推論パッケージ１０３の推論アプリケーション１０８とデータを双方向に交換するイベントブローカ１１０と、を含む。機械学習プラットフォーム１０５は、リアルタイムＯＳ１０１および汎用ＯＳ１０２それぞれに実装される。

推論ＡＰＩ１０９は、制御アプリケーション１０４とデータを双方向に交換するためのインタフェースである。具体的に、推論ＡＰＩ１０９は、制御アプリケーション１０４から推論処理の実行を指示する実行指示情報と推論処理に使用される入力データを受信する。また、推論ＡＰＩ１０９は、推論パッケージ１０３から出力される推論結果を制御アプリケーション１０４に送信する。

イベントブローカ１１０は、推論の目的に合致する推論アプリケーション１０８を特定し、特定した推論アプリケーション１０８とデータを双方向に交換する。具体的に、イベントブローカ１１０は、図２に示す、推論の目的と各推論処理を実行する推論アプリケーション１０８と各推論アプリケーション１０８の格納先とをそれぞれ対応付ける対応テーブルに基づいて、推論の目的に合致する推論アプリケーション１０８を特定する。図示する通り、対応テーブルは、推論の目的を識別する識別子である「推論ＩＤ」と、推論の目的を示す「目的」と、推論アプリケーション１０８を識別する情報である「推論アプリケーション」と、各推論アプリケーション１０８の格納先のアドレスを示す「格納先」との情報を含む。イベントブローカ１１０は、制御アプリケーション１０４から推論ＡＰＩ１０９を介して、推論処理の実行を指示する実行指示情報を取得すると、取得した実行指示情報と対応テーブルとに基づいて、推論アプリケーション１０８を特定する。例えば、実行指示情報が品質予測を目的とする推論処理の実行を指示するものである場合、実行指示情報には、推論の目的が品質予測であることを示す識別子「Ｘ００１」が含まれる。イベントブローカ１１０は、対応テーブルを読み出し、推論ＩＤが「Ｘ００１」である推論アプリケーション１０８の識別情報は、「ＡＰ１０００」で、格納先のアドレスは「ＸＸＸ」であると特定する。次に、イベントブローカ１１０は、特定した推論アプリケーション１０８「ＡＰ１０００」に対し、推論処理に使用する入力データを送信し、推論処理の実行を指示する。推論アプリケーション１０８「ＡＰ１０００」は、イベントブローカ１１０から受信した入力データを学習済みモデル１０７に与えて、品質予測を目的とする推論処理を実行する。推論アプリケーション１０８「ＡＰ１０００」は、推論処理による推論結果をイベントブローカ１１０に送信する。推論結果は、推論ＡＰＩ１０９を介して、制御アプリケーション１０４に送信される。なお、対応テーブルは、対応情報の一例である。

次に、図３を参照してプログラマブルロジックコントローラ１００の物理的構成について説明する。プログラマブルロジックコントローラ１００は、プログラムに従った処理を実行する２つのプロセッサ１１ａ、１１ｂと、揮発性メモリであるＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）１２と、不揮発性メモリであるＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）１３と、データを記憶する記憶部１４と、情報の入力を受け付ける入力部１５と、情報の送受信を行う通信部１６と、を備え、これらが内部バス９９を介して接続されている。

プロセッサ１１ａ、１１ｂは、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）をそれぞれ含む。プロセッサ１１ａ、１１ｂは、記憶部１４に記憶されるプログラムをＲＡＭ１２に読み出して実行することにより、各種処理を実行する。図１に示すリアルタイムＯＳ１０１は、プロセッサ１１ａ上で動作し、汎用ＯＳ１０２は、プロセッサ１１ｂ上で動作する。

ＲＡＭ１２は、ＣＰＵのワークエリアとして使用される。ＲＯＭ１３は、プログラマブルロジックコントローラ１００の基本動作のためにＣＰＵが実行する制御プログラム、ＢＩＯＳ（Ｂａｓｉｃ Ｉｎｐｕｔ Ｏｕｔｐｕｔ Ｓｙｓｔｅｍ）等を記憶する。

記憶部１４は、ハードディスクドライブを備え、ＣＰＵが実行するプログラムを記憶し、プログラム実行の際に使用される各種データを記憶する。記憶部１４は、図１に示すリアルタイムＯＳ１０１と、汎用ＯＳ１０２と、推論パッケージ１０３と、制御アプリケーション１０４と、機械学習プラットフォーム１０５とを記憶する。

入力部１５は、キーボード、マウス等を備えるユーザインタフェースである。入力部１５は、ユーザによって入力された情報を取得して、取得した情報をプロセッサ１１ａ、１１ｂに通知する。

通信部１６は、ネットワークに接続する網終端装置または無線通信装置、およびそれらと接続するシリアルインタフェースまたはＬＡＮインタフェースである。通信部１６は、外部から信号を受信して、この信号により示されるデータをプロセッサ１１ａ、１１ｂへ出力する。また、通信部１６は、プロセッサ１１ａ、１１ｂから出力されたデータを示す信号を外部の装置へ送信する。

次に、上記構成を有するプログラマブルロジックコントローラ１００による動作を、図４を参照して説明する。

推論実行処理を実行する前の準備として、記憶部１４には、複数の推論パッケージ１０３が予め記憶される。ユーザは、各推論パッケージ１０３に含まれる機械学習エンジン１０６それぞれに学習データを与えて、機械学習させることにより、推論処理を実行する際に使用される学習済みモデル１０７を生成させ、記憶部１４に予め記憶させる。具体的に、学習データは、例えば、機器２００の動作を示す機器データと制御データを含む入力用データと、加工物の品質を示す情報、加工物の摩耗値、機器２００の故障率等のデータを含む出力用データと、が対になったデータを含む。機械学習エンジン１０６は、与えられた学習データに基づき、推論結果を結果データに近づける機械学習を行って、学習済みモデル１０７を生成し、記憶部１４に記憶させる。

推論パッケージ１０３が格納され、学習済みモデル１０７が生成されると、ユーザは、各推論アプリケーション１０８が実行する推論の目的と記憶部１４に記憶された推論アプリケーション１０８と各推論アプリケーション１０８の格納先とをそれぞれ対応付ける対応テーブルを生成し、記憶部１４に予め記憶させる。

このように準備が終了したプログラマブルロジックコントローラ１００は、プログラマブルロジックコントローラ１００に接続されたエンジニアリングツールを介して推論の目的を示す情報を受け付け、推論の目的に合致する推論アプリケーション１０８と特定して、特定した推論アプリケーション１０８に対して、推論処理の実行を指示する推論実行処理を実行する。

エンジニアリングツールは、推論の目的についてユーザの入力を受け付ける入力画面を表示する。具体的に、入力画面には、「品質予測」、「故障予知」、「摩耗予測」、「制御パラメータ最適化」等の選択肢が表示される。ユーザは、入力部１５を操作して、所望の目的を選択する。ユーザが推論の目的を選択して、推論実行処理の開始を要求すると、エンジニアリングツールは制御アプリケーション１０４に通知する。制御アプリケーション１０４が通知を受信すると、プログラマブルロジックコントローラ１００は、処理を開始する。なお、推論実行処理の開始は、ユーザによる入力を受け付けた場合に限られず、ユーザにより予め推論の目的毎のスケジュールが設定され、設定された日時になると自動的に推論実行処理を開始してもよい。

まず、制御アプリケーション１０４は、ユーザが選択した推論の目的の推論処理の実行を指示する実行指示情報と、推論の対象となる入力データと、を機械学習プラットフォーム１０５に送信する（ステップＳ１１）。実行指示情報には、ユーザが選択した推論の目的を識別するための識別子が含まれる。入力データは、例えば、機器２００から収集した機器データ、制御アプリケーション１０４が機器２００に出力した制御データ等、推論に必要な各種データを含む。また、制御アプリケーション１０４は、リアルタイムに収集されるデータを入力データとして使用してもよく、予め収集されて、記憶部１４に記憶されたデータを入力データとして使用してもよい。

次に、機械学習プラットフォーム１０５は、推論ＡＰＩ１０９を介して、制御アプリケーション１０４から送信された実行指示情報と入力データとを受信する（ステップＳ１２）。推論ＡＰＩ１０９は、受信した実行指示情報および入力データを、イベントブローカ１１０に送信する。

次に、イベントブローカ１１０は、図２に示す対応テーブルを参照して、実行対象の推論アプリケーション１０８を特定する（ステップＳ１３）。具体的に、イベントブローカ１１０は、ステップＳ１２にて受信した実行指示情報の中から、推論の目的を識別するための識別子を取得する。例えば、実行指示情報が品質予測を目的とする推論処理の実行を指示するものである場合、実行指示情報には、推論の目的が品質予測であることを示す識別子「Ｘ００１」が含まれる。イベントブローカ１１０は、実行指示情報から、推論の目的が品質予測であることを示す識別子「Ｘ００１」を取得する。次に、イベントブローカ１１０は、対応テーブルを参照して、抽出した識別子「Ｘ００１」をキーに、実行対象の推論アプリケーション１０８とその格納先のアドレスとを特定する。具体的に、イベントブローカ１１０は、対応テーブルの「推論ＩＤ」の中から「Ｘ００１」と一致するデータがあるか否かを判定する。次に、イベントブローカ１１０は、「Ｘ００１」に対応付けられている「ＡＰ１０００」が実行対象の推論アプリケーション１０８であり、「ＸＸＸ」が格納先のアドレスであると特定する。

図４に戻り、イベントブローカ１１０は、ステップＳ１３で特定した推論アプリケーション１０８に対して、推論処理の実行開始指示と入力データを送信する（ステップＳ１４）。推論アプリケーション１０８は、実行開始指示を受信すると、予め記憶された学習済みモデル１０７を読み出す。次に、推論アプリケーション１０８は、受信した入力データを学習済みモデル１０７に入力し、学習済みモデル１０７から出力された推論結果を取得する（ステップＳ１５）。

次に、推論アプリケーション１０８は、ステップＳ１５で取得した推論結果をイベントブローカ１１０に送信する（ステップＳ１６）。

次に、イベントブローカ１１０は、ステップＳ１６にて受信した推論結果を、推論ＡＰＩ１０９を介して、制御アプリケーション１０４に送信する（ステップＳ１７）。制御アプリケーション１０４は、ステップＳ１７により送信された推論結果を受信すると（ステップＳ１８）、推論実行処理を終了する。その後、制御アプリケーション１０４は、取得した推論結果に基づいて、制御データを生成し、機器２００を制御する。

以上のように、プログラマブルロジックコントローラ１００は、互いに異なる目的の推論処理を実行する複数の推論パッケージ１０３の中から、所望される推論の目的に合致する推論パッケージ１０３を特定して、実行を指示する。したがって、推論の目的に応じて、好適な推論アプリケーションを実行することが可能となる。

（実施の形態２）
上記実施の形態では、推論パッケージ１０３Ａ－１０３Ｃは、互いに異なる目的の推論処理を実行するものであり、イベントブローカ１１０は、推論パッケージ１０３Ａ－１０３Ｃの中から推論の目的に合致する推論パッケージ１０３を特定して、推論処理の実行を指示するものであった。これに対し、実施の形態２に係るプログラマブルロジックコントローラ１００ａは、同じ目的の推論処理を実行する複数の推論パッケージ１０３を備え、各推論パッケージ１０３が出力した推論結果の中から、予め定められた条件を満たす最良の推論結果を１つ選択して、制御アプリケーション１０４に出力する。

図５に示す通り、プログラマブルロジックコントローラ１００ａは、プログラマブルロジックコントローラ１００が備えるリアルタイムＯＳ１０１と、汎用ＯＳ１０２と、制御アプリケーション１０４と、機械学習プラットフォーム１０５と、を備え、互いに異なる推論の目的を持つ推論パッケージ１０３Ａ－１０３Ｃに代えて、同じ推論の目的を持つ推論パッケージ１０３Ｄ－１０３Ｆを備える。プログラマブルロジックコントローラ１００ａの機械学習プラットフォーム１０５は、プログラマブルロジックコントローラ１００が備える推論ＡＰＩ１０９と、イベントブローカ１１０と、に加え、推論パッケージ１０３Ｄ－１０３Ｆがそれぞれ出力した推論結果の中から最良の推論結果を選択する推論結果選択部１１１を備える。

推論パッケージ１０３Ｄ－１０３Ｆは、同じ目的の推論処理を実行する。推論パッケージ１０３Ｄ－１０３Ｆの各推論アプリケーション１０８は、リアルタイムＯＳ１０１または汎用ＯＳ１０２の何れかを備えるそれぞれ異なるＣＰＵ上で実行される。そのため、各推論アプリケーション１０８のリアルタイム性はそれぞれ異なる。また、推論パッケージ１０３Ｄ－１０３Ｆは、それぞれ異なる学習済みモデル１０７を備え、各推論アプリケーション１０８は、それぞれの学習済みモデル１０７により、推論処理を実行する。そのため、各推論アプリケーション１０８が実行する推論処理の演算量はそれぞれ異なる。したがって、推論パッケージ１０３Ｄ－１０３Ｆが出力する推論結果、および、推論結果を出力するために要する時間は、それぞれ異なる。

制御アプリケーション１０４は、推論処理の実行を指示する際に、推論結果を選択するための選択条件を含む実行指示情報を機械学習プラットフォーム１０５に送信する。具体的に、選択条件は、推論結果に優先度を設定するための条件であり、推論結果を待ち受ける時間である許容時間と、許容時間内に複数の推論結果を受信した場合に受信した推論結果に優先度を設定するための設定ルールと、をそれぞれ含む。設定ルールには、推論パッケージ１０３Ｄ－１０３Ｆの各学習済みモデル１０７がそれぞれニューラルネットワークによるものの場合、ニューラルネットワークの中間層の階層数が多い順に高い優先度を設定することが定義されている。これらの選択条件は、予めユーザにより設定されて、記憶部１４に記憶されている。なお、選択条件は、優先度設定ルールの一例である。

推論結果選択部１１１は、推論パッケージ１０３Ｄ－１０３Ｆがそれぞれ出力した推論結果の中から制御アプリケーション１０４に送信する推論結果を選択する。具体的に、推論結果選択部１１１は、制御アプリケーション１０４から送信された実行指示情報に含まれる選択条件に従って、制御アプリケーション１０４に送信する推論結果を選択する。

次に、プログラマブルロジックコントローラ１００ａの動作について、図６を参照して説明する。以下の説明では、推論パッケージ１０３Ｄ－１０３Ｆは、同じ目的の推論処理を実行し、制御アプリケーション１０４は、推論パッケージ１０３Ｄ－１０３Ｆが実行する推論の目的に対応する推論処理の実行を指示することを前提として説明する。なお、以下の説明では、記憶部１４には、推論結果を待ち受ける許容時間は、０．５秒であり、学習済みモデル１０７の階層数が多い順に推論結果の優先度を高く設定する、という選択条件が予めユーザにより記憶されているものとして説明する。また、図６において、図４に示したフローチャートと共通のステップを含むため、相違点を中心に説明する。

ステップＳ１１において、制御アプリケーション１０４は、推論の目的に加え、推論結果を選択するための選択条件を含む実行指示情報を機械学習プラットフォーム１０５に送信する。制御アプリケーション１０４は、記憶部１４から選択条件を読込み、読み込んだ選択条件を含む実行指示情報を送信する。

ステップＳ１２において、機械学習プラットフォーム１０５のイベントブローカ１１０は、推論ＡＰＩ１０９を介して、実行指示情報を受信すると、次に、イベントブローカ１１０は、実行指示情報から選択条件を取得する処理を行う（ステップＳ２１）。具体的に、イベントブローカ１１０は、実行指示情報から、推論結果を待ち受ける許容時間は、０．５秒であり、学習済みモデル１０７の階層数が多い順に優先度を高く設定する、という選択条件を取得し、取得した選択条件を推論結果選択部１１１に出力する。

ステップＳ１６において、推論パッケージ１０３Ｄ－１０３Ｆの推論アプリケーション１０８により、それぞれの推論結果が送信されると、推論結果選択部１１１は、ステップＳ２１で取得した選択条件に従い、推論パッケージ１０３Ｄ－１０３Ｆから送信された推論結果の中から最良の推論結果を選択する（ステップＳ２２）。具体的に、まず、推論結果選択部１１１は、選択条件で設定された推論結果を待ち受ける許容時間内に受信した推論結果を抽出する。推論結果選択部１１１は、Ｓ１４による実行開始指示が送信された時刻と推論パッケージ１０３Ｄ－１０３Ｆの推論結果それぞれを受信した時刻との差を算出し、算出した差がそれぞれ許容時間の０．５秒以下か否かを判定する。次に、推論結果選択部１１１は、０．５秒以下の推論結果が複数ある場合、推論結果選択部１１１は、それぞれの学習済みモデル１０７の階層数を取得し、階層数が多い順に高い優先度を設定する。推論結果選択部１１１は、優先度がもっとも高い推論結果を、最良の推論結果であると判定する。なお、推論結果選択部１１１は、許容時間内に受信した推論結果が１つである場合、優先順を設定することなく、許容時間内に受信した推論結果を最良の推論結果であると判定してもよい。

以上のように、プログラマブルロジックコントローラ１００ａは、同じ目的の推論処理を実行し、演算量およびリアルタイム性がそれぞれ異なる複数の推論パッケージ１０３を備え、予め設定された選択条件により、複数の推論パッケージ１０３から出力された推論結果の中から最良の推論結果を選択する。ユーザは、推論の目的に応じて、選定条件をカスタマイズすることにより、機械学習技法、学習モデル等が異なる推論アプリケーション１０８を実行して、最良の推論結果を得ることが可能となる。

（実施の形態３）
上記実施の形態において、プログラマブルロジックコントローラ１００は、予め推論パッケージ１０３を備えているものであった。本開示はこれに限られず、プログラマブルロジックコントローラ１００とは異なる外部装置であるサーバに記憶されている推論パッケージ１０３をダウンロードして、プログラマブルロジックコントローラ１００に展開することにより推論処理を実行してもよい。

具体的に、実施の形態３に係る推論実行システム１０００は、図７に示す通り、サーバ４００と、プログラマブルロジックコントローラ１００ｂと、を備える。

サーバ４００は、複数の推論パッケージ１０３とプログラマブルロジックコントローラ１００ｂに推論パッケージ１０３を展開する際の配置場所を示す展開先情報４１０とを紐付けて記憶する推論パッケージ・ストレージ４０１と、プログラマブルロジックコントローラ１００ｂに展開される推論パッケージ１０３を選択し、プログラマブルロジックコントローラ１００ｂに対して選択した推論パッケージの展開を指示する推論パッケージ展開部４０２と、を備える。

推論パッケージ・ストレージ４０１が記憶する展開先情報４１０は、各推論パッケージ１０３がプログラマブルロジックコントローラ１００ｂに展開される配置場所を示す情報であり、例えばディレクトリ名を含む。

推論パッケージ展開部４０２は、プログラマブルロジックコントローラ１００ｂから送信された推論の目的に合致する推論パッケージ１０３を推論パッケージ・ストレージ４０１から選択する。具体的に、推論パッケージ・ストレージ４０１には、推論の目的と推論アプリケーションとその格納先とを対応付けた対応テーブルが予め記憶されている。推論パッケージ展開部４０２は、この対応テーブルを参照して、入力された推論の目的に合致する推論パッケージ１０３を特定する。推論パッケージ展開部４０２は、特定した推論パッケージ１０３を展開先情報４１０とともにプログラマブルロジックコントローラ１００ｂに送信して、プログラマブルロジックコントローラ１００ｂに、送信した推論パッケージ１０３の展開を指示する。なお、推論パッケージ展開部４０２は、推論アプリケーション選択部の一例である。

プログラマブルロジックコントローラ１００ｂは、プログラマブルロジックコントローラ１００ａが備えるリアルタイムＯＳ１０１と、汎用ＯＳ１０２と、制御アプリケーション１０４と、機械学習プラットフォーム１０５と、を備える。プログラマブルロジックコントローラ１００ｂの機械学習プラットフォーム１０５は、プログラマブルロジックコントローラ１００ａが備える推論ＡＰＩ１０９と、イベントブローカ１１０と、推論結果選択部１１１と、を備える。

次に、推論実行システム１０００の動作について、図８を参照して説明する。なお、図８において、図４、６に示したフローチャートと共通のステップを含むため、相違点を中心に説明する。

ステップＳ３１において、制御アプリケーション１０４は、推論の目的を識別する識別子を含む実行指示情報をサーバ４００に送信する（ステップＳ３１）。

次に、サーバ４００の推論パッケージ展開部４０２は、プログラマブルロジックコントローラ１００ｂから送信された実行指示情報から推論の目的を取得し、取得した推論の目的に合致する推論パッケージ１０３を推論パッケージ・ストレージ４０１から選択する（ステップＳ３２）。具体的に、推論パッケージ展開部４０２は、実行指示情報から推論の目的を識別する識別子を取得する。次に、推論パッケージ展開部４０２は、対応テーブルを参照して、推論パッケージ１０３を特定する。

次に、推論パッケージ展開部４０２は、選択した推論パッケージ１０３を、展開先情報とともに、機械学習プラットフォーム１０５に送信し、推論パッケージ１０３の展開を指示する（ステップＳ３３）。機械学習プラットフォーム１０５は、受信した推論パッケージを、取得した展開先情報に従って展開する（ステップＳ３４）。その後、機械学習プラットフォーム１０５は、展開した推論パッケージ１０３の推論アプリケーション１０８に対し、推論処理の実行開始を指示する（ステップＳ１４）。

以上のように、プログラマブルロジックコントローラ１００ｂは、推論処理の実行時に、サーバ４００に格納される推論パッケージ１０３から、推論の目的に合致する推論パッケージ１０３をダウンロードして、実行する。これにより、プログラマブルロジックコントローラ１００ｂは、常に推論パッケージ１０３を記憶しておく必要がなくなるため、記憶部１４の記憶容量の増加を抑制することが可能となる。

（実施の形態４）
実施の形態３では、入力された推論の目的に合致する推論パッケージ１０３をサーバ４００からダウンロードすることとしたが、本開示はこれに限られない。サーバ４００は、推論の目的に加え、もっとも最良の推論結果を得られると予測される推論パッケージ１０３を選択して、プログラマブルロジックコントローラ１００にダウンロードさせることにしてもよい。

具体的に、実施の形態４に係る推論実行システム１０００ａは、図９に示す通り、サーバ４００ａと、プログラマブルロジックコントローラ１００ｃと、を備える。

サーバ４００ａは、サーバ４００が備える推論パッケージ・ストレージ４０１と、推論パッケージ展開部４０２と、に加え、各推論パッケージ１０３による推論処理に要する時間をシミュレートする推論シミュレータ４０３を備える。

推論シミュレータ４０３は、サーバ４００ａ上に予め構築され、プログラマブルロジックコントローラ１００ｃを擬似的に再現した仮想プログラマブルロジックコントローラを用いることにより、推論パッケージ１０３による推論処理に要する時間を予測する。なお、推論シミュレータ４０３は、予測部の一例である。

プログラマブルロジックコントローラ１００ｃは、プログラマブルロジックコントローラ１００ｂが備えるリアルタイムＯＳ１０１と、汎用ＯＳ１０２と、制御アプリケーション１０４と、機械学習プラットフォーム１０５と、を備える。プログラマブルロジックコントローラ１００ｃの機械学習プラットフォーム１０５は、プログラマブルロジックコントローラ１００ｂが備える推論ＡＰＩ１０９と、イベントブローカ１１０と、を備え、推論結果選択部１１１を含まない構成である。

次に、推論実行システム１０００ａの動作について、図１０を参照して説明する。なお、図１０において、図８に示したフローチャートと共通のステップを含むため、相違点を中心に説明する。

ステップＳ３１において、制御アプリケーション１０４は、推論の目的を識別する識別子と選択条件とを含む実行指示情報をサーバ４００ａに送信する（ステップＳ３１）。選択条件は、実施の形態２で説明した通り、実行指示情報を送信してから推論結果を待ち受ける時間である許容時間と、推論結果に優先度を設定するための設定ルールと、を含む。

次に、サーバ４００ａの推論パッケージ展開部４０２は、プログラマブルロジックコントローラ１００ｃから送信された実行指示情報から推論の目的と選択条件とを取得する（ステップＳ４１）。推論パッケージ展開部４０２は、対応テーブルを参照して、取得した推論の目的に合致する複数の推論パッケージ１０３を特定する。

次に、推論シミュレータ４０３は、ステップＳ４１で特定した複数の推論パッケージ１０３が推論処理に要する時間を予測する（ステップＳ４２）。具体的に、推論シミュレータ４０３は、予めサーバ４００ａに構築された仮想プログラマブルロジックコントローラ上で、推論パッケージ１０３をそれぞれ実行し、推論処理に要する予測時間をそれぞれ取得する。推論シミュレータ４０３は、取得した予測時間を、推論パッケージ展開部４０２に送信する。推論パッケージ展開部４０２は、ステップＳ４１で取得した選択条件に基づき、選択条件を満たす最良の推論パッケージ１０３を選択する。具体的に、推論パッケージ展開部４０２は、予測時間が選択条件で設定された許容時間以内である推論パッケージ１０３を選択する。さらに、予測時間が許容時間以内である推論パッケージ１０３が複数存在すると判定した場合、推論パッケージ展開部４０２は、選択条件に含まれる優先度を設定する設定ルールに従い、各推論パッケージ１０３に優先度を付与する。推論パッケージ展開部４０２は、優先度がもっとも高い推論パッケージ１０３を、最良の推論パッケージ１０３として選択する。その後、推論パッケージ展開部４０２は、選択した推論パッケージ１０３を展開先情報とともに送信し、展開を指示する。

以上のように、推論実行システム１０００ａは、推論パッケージ１０３を格納するサーバ４００ａにより、推論の目的と選択条件とを満たす最良の推論パッケージ１０３が選択されて、プログラマブルロジックコントローラ１００ｃに送信される。したがって、推論の目的に合致する推論パッケージ１０３が複数存在する場合であっても、プログラマブルロジックコントローラ１００ｃは、これらの推論パッケージ１０３を実行したり、実行した複数の推論結果の中から制御アプリケーション１０４に送信する最良の推論結果を選択するといった処理を実行する必要が無い。したがって、プログラマブルロジックコントローラ１００ｃの処理効率を上げることが可能となる。

以上、本開示の実施の形態について説明したが、本開示は上記実施の形態によって限定されるものではない。

上記実施の形態において、推論アプリケーション１０８は、１つの目的の推論処理を実行するものとして説明したがこれに限られず、複数の目的の推論処理を実行してもよい。その場合、図２に示す対応テーブルにおいて、１つの推論アプリケーション１０８に、複数の推論ＩＤを紐付けて登録すればよい。

また、上記実施の形態において、推論パッケージ１０３は、３つである場合について説明したが、２つ以上の任意の数の推論パッケージ１０３が設定されればよい。その場合、設定された推論パッケージ１０３が備える推論アプリケーション１０８の数に応じて、図２に示す対応テーブルに定義すればよい。

上記実施の形態において、機械学習エンジン１０６は、制御対象の機器２００から収集された機器データを入力データとして機械学習を行って学習モデルを生成することとしたがこれに限られない。機械学習エンジン１０６が学習に使用する入力データは、機器データのみに限られず、制御アプリケーション１０４により生成された制御データであってもよく、これらの複数のデータを入力データとして使用してもよい。

また、選択条件は、推論の目的毎にそれぞれ異なる選択条件が設定されてもよい。その場合、推論の目的を識別する推論ＩＤとそれぞれの選択条件とを対応付けたテーブルを記憶部１４に記憶させればよく、制御アプリケーション１０４は、ユーザにより選択された推論の目的の推論ＩＤに対応付けられた選択条件を取得して、取得した選択条件を実行指示情報に含めて、機械学習プラットフォーム１０５に送信すればよい。

また、推論結果に優先度を設定するルールは、学習済みモデル１０７の階層数が多い順に推論結果の優先度を高く設定するものとして、説明したが、これに限られない。例えば、学習済みモデル１０７に含まれるパラメータ数が多いモデルに高い優先度を設定する、機械学習技法毎に異なる優先度を設定する、推論結果の出力時間が早い順に高い優先度を設定する等の任意のルールが設定されればよい。

また、上記実施の形態２、４では、複数の推論結果の中から最良の推論結果を１つ選択するものとして、説明したがこれに限られない。例えば、優先度を設定する処理に代えて、複数の推論結果の平均値、中央値、最頻値等、演算処理による演算結果を推論結果としてもよい。その場合、機械学習プラットフォーム１０５又は推論結果選択部１１１には、これらの演算方法が予め定義されていればよい。また、優先度を設定する処理と演算処理とを組み合わせて実行して、推論結果としてもよい。たとえば、許容時間内に受信した複数の推論結果に演算処理をして、演算結果を推論結果としてもよい。

また、ステップＳ１６において、推論結果選択部１１１は、Ｓ１４による実行開始指示が送信された時刻と推論パッケージ１０３の推論結果を受信した時刻との差を算出し、算出した差が許容時間以下か否かを判定こととしたが、これに限られない。推論結果選択部１１１は、制御アプリケーション１０４から実行指示情報を受信した時刻と推論パッケージ１０３の推論結果を受信した時刻との差を算出して許容時間と比較してもよい。

また、プログラマブルロジックコントローラ１００の機能は、専用の装置によらず、通常のコンピュータシステムを用いて実現可能である。例えば、プログラマブルロジックコントローラ１００における各機能を実現するためのプログラムを、コンピュータが読み取り可能なＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＤＶＤ－ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）等の記録媒体に格納して配布し、このプログラムをコンピュータにインストールすることにより、上述の各機能を実現することができるコンピュータを構成してもよい。

また、各機能をＯＳとアプリケーションとの分担、またはＯＳとアプリケーションとの協同により実現する場合には、アプリケーションのみを記録媒体に格納してもよい。

本開示の主旨を逸脱しない限り、上記実施の形態で挙げた構成を取捨選択したり、他の構成に適宜変更したりすることが可能である。

また、本開示は、本開示の広義の精神と範囲を逸脱することなく、様々な実施の形態及び変形が可能とされるものである。また、上述した実施の形態は、この開示を説明するためのものであり、本開示の範囲を限定するものではない。すなわち、本開示の範囲は、実施の形態ではなく、特許請求の範囲によって示される。そして、請求の範囲内及びそれと同等の開示の意義の範囲内で施される様々な変形が、本開示の範囲内とみなされる。

１００，１００ａ，１００ｂ，１００ｃ プログラマブルロジックコントローラ、１０１ リアルタイムＯＳ、１０２ 汎用ＯＳ、１０３，１０３Ａ，１０３Ｂ，１０３Ｃ，１０３Ｄ，１０３Ｅ，１０３Ｆ 推論パッケージ、１０４ 制御アプリケーション、１０５ 機械学習プラットフォーム、１０６ 機械学習エンジン、１０７ 学習済みモデル、１０８ 推論アプリケーション、１０９ 推論ＡＰＩ、１１０ イベントブローカ、１１１ 推論結果選択部、２００ 機器、３００ 通信路、４００，４００ａ サーバ、４０１ 推論パッケージ・ストレージ、４０２ 推論パッケージ展開部、４０３ 推論シミュレータ、４１０ 展開先情報、１１ａ、１１ｂ プロセッサ、１２ ＲＡＭ、１３ ＲＯＭ、１４ 記憶部、１５ 入力部、１６ 通信部、９９ 内部バス、１０００，１０００ａ 推論実行システム。

Claims (11)

1. 推論処理の実行を指示する実行指示情報を生成する制御アプリケーションと、
   推論処理を実行して、推論結果を生成しうる複数の推論アプリケーションと、
   前記制御アプリケーションにより送信された実行指示情報に応答して、複数の前記推論アプリケーションの中から、予め設定された規則を満たす推論アプリケーションを特定して推論処理を実行させ、特定した推論アプリケーションにより生成された推論結果を、該制御アプリケーションに送信する機械学習プラットフォームと、
   を備え、
   前記実行指示情報は、複数の推論アプリケーションにより生成された複数の推論結果に優先度を設定する優先度設定ルールを含み、
   前記機械学習プラットフォームは、前記実行指示情報から前記優先度設定ルールを取得し、取得した前記優先度設定ルールに基づいて、複数の前記推論アプリケーションにより生成された複数の推論結果それぞれに優先度を設定し、設定された前記優先度がもっとも大きい推論結果を、前記制御アプリケーションに送信する、
   プログラマブルロジックコントローラ。
2. 前記機械学習プラットフォームは、複数の推論アプリケーションを記憶する外部装置から、特定した推論アプリケーションを受信し、受信した推論アプリケーションにより生成された推論結果を、前記制御アプリケーションに送信する、
   請求項１に記載のプログラマブルロジックコントローラ。
3. 前記実行指示情報は、推論処理の目的を示す情報を含み、
   前記機械学習プラットフォームは、前記推論アプリケーションと各推論アプリケーションが実行する推論処理の目的とを対応付ける対応情報を参照して、前記制御アプリケーションにより送信された実行指示情報に含まれる推論処理の目的に一致する推論アプリケーションを特定し、特定した推論アプリケーションに推論処理の実行を指示し、推論処理の実行を指示した推論アプリケーションにより生成された推論結果を前記制御アプリケーションに送信する、
   請求項１又は２に記載のプログラマブルロジックコントローラ。
4. 前記推論処理の目的と前記優先度設定ルールとを対応付ける選択条件対応情報を記憶する記憶部、をさらに備え、
   前記制御アプリケーションは、前記記憶部に記憶された前記選択条件対応情報に基づいて、前記推論処理の目的に対応する前記優先度設定ルールを特定して、前記推論処理の目的と特定した前記優先度設定ルールを含む前記実行指示情報を生成する、
   請求項３に記載のプログラマブルロジックコントローラ。
5. 前記機械学習プラットフォームは、複数の推論アプリケーションそれぞれに推論処理の実行を指示し、前記推論アプリケーションにより生成された複数の推論結果に基づいて生成された推論結果を、前記制御アプリケーションに送信する、
   請求項１又は２に記載のプログラマブルロジックコントローラ。
6. 前記優先度設定ルールは、前記推論アプリケーションから送信される推論結果を待ち受ける時間である許容時間を含み、
   前記機械学習プラットフォームは、前記優先度設定ルールに基づき、複数の推論アプリケーションから送信された推論結果の中から、前記許容時間以内に送信された推論結果を抽出し、抽出された推論結果に優先度を設定し、設定した優先度が最も大きい推論結果を前記制御アプリケーションに送信する推論結果として選択する、
   請求項１に記載のプログラマブルロジックコントローラ。
7. 制御対象の機器を制御するプログラマブルロジックコントローラと、複数の推論アプリケーションを記憶するサーバと、を含む推論実行システムであって、
   前記プログラマブルロジックコントローラは、
   推論処理の実行を指示する実行指示情報を生成する制御アプリケーションと、
   前記制御アプリケーションにより生成された実行指示情報を前記サーバに送信し、該実行指示情報に応答してサーバから送信された推論アプリケーションに、推論処理の実行を指示する機械学習プラットフォームと、を備え、
   前記サーバは、
   記憶する複数の推論アプリケーションの中から、予め設定された規則を満たす推論アプリケーションを特定し、特定した推論アプリケーションを、前記機械学習プラットフォームに送信する推論アプリケーション選択部、を備え、
   前記実行指示情報は、複数の推論アプリケーションにより生成された複数の推論結果に優先度を設定する優先度設定ルールを含み、
   前記機械学習プラットフォームは、前記実行指示情報から前記優先度設定ルールを取得し、取得した前記優先度設定ルールに基づいて、複数の前記推論アプリケーションにより生成された複数の推論結果それぞれに優先度を設定し、設定された前記優先度がもっとも大きい推論結果を、前記制御アプリケーションに送信する、
   推論実行システム。
8. 前記推論アプリケーション選択部は、サーバに記憶される複数の推論アプリケーションと各推論アプリケーションが実行する推論処理の目的とを対応付ける対応情報を参照して、制御アプリケーションにより生成された実行指示情報に含まれる推論処理の目的に一致する推論アプリケーションを特定し、特定した推論アプリケーションを前記機械学習プラットフォームに送信する、
   請求項７に記載の推論実行システム。
9. 前記優先度設定ルールは、前記推論アプリケーションから送信される推論結果を待ち受ける時間である許容時間を含み、
   前記サーバは、
   推論アプリケーションが推論結果を出力するまでに要する時間を予測する予測部、をさらに備え、
   前記推論アプリケーション選択部は、前記優先度設定ルールに基づいて、記憶される複数の推論アプリケーションの中から、前記予測部により予測された時間が前記許容時間以内である推論アプリケーションを抽出し、抽出された推論結果に優先度を設定し、設定した優先度が最も大きい推論アプリケーションを前記機械学習プラットフォームに送信する、
   請求項７に記載の推論実行システム。
10. 制御アプリケーションから実行指示情報を取得するステップと、
    取得した前記実行指示情報から、複数の推論アプリケーションにより生成された複数の推論結果に優先度を設定する優先度設定ルールを取得するステップと、
    取得した実行指示情報に応答して、複数の推論アプリケーションの中から、予め設定された規則を満たす推論アプリケーションを特定して実行し、取得した前記優先度設定ルールに基づいて、複数の前記推論アプリケーションにより生成された複数の推論結果それぞれに優先度を設定し、設定された前記優先度がもっとも大きい推論結果を、前記制御アプリケーションに送信するステップと、
    を含む推論実行方法。
11. コンピュータに、
    制御アプリケーションから実行指示情報を取得する処理と、
    取得した前記実行指示情報から、複数の推論アプリケーションにより生成された複数の推論結果に優先度を設定する優先度設定ルールを取得する処理と、
    取得した実行指示情報に応答して、複数の推論アプリケーションの中から、予め設定された規則を満たす推論アプリケーションを特定して実行し、取得した前記優先度設定ルールに基づいて、複数の前記推論アプリケーションにより生成された複数の推論結果それぞれに優先度を設定し、設定された前記優先度がもっとも大きい推論結果を、前記制御アプリケーションに送信する処理と、
    を実行させるプログラム。