JP7384265B1 - Driving support device, driving support method and program - Google Patents

Driving support device, driving support method and program Download PDF

Info

Publication number
JP7384265B1
JP7384265B1 JP2022192645A JP2022192645A JP7384265B1 JP 7384265 B1 JP7384265 B1 JP 7384265B1 JP 2022192645 A JP2022192645 A JP 2022192645A JP 2022192645 A JP2022192645 A JP 2022192645A JP 7384265 B1 JP7384265 B1 JP 7384265B1
Authority
JP
Japan
Prior art keywords
time interval
feature amount
variable
feature
manipulated
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2022192645A
Other languages
Japanese (ja)
Other versions
JP2024079938A (en
Inventor
智志 桐生
祐一 島崎
直人 石橋
繭子 川口
龍哉 金田
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fuji Electric Co Ltd
Original Assignee
Fuji Electric Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fuji Electric Co Ltd filed Critical Fuji Electric Co Ltd
Priority to JP2022192645A priority Critical patent/JP7384265B1/en
Application granted granted Critical
Publication of JP7384265B1 publication Critical patent/JP7384265B1/en
Publication of JP2024079938A publication Critical patent/JP2024079938A/en
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Testing And Monitoring For Control Systems (AREA)

Abstract

Figure 0007384265000001

【課題】最適に近い多様な操作量系列を提示できる技術を提供すること。
【解決手段】本開示の一態様による運転支援装置は、過去の時間区間における操作変数の特徴量と、前記過去の時間区間における状態変数の特徴量と、前記過去の時間区間における環境変数の特徴量とを用いて、前記操作変数の特徴量と前記環境変数の特徴量から前記状態変数の特徴量を予測する予測モデルを学習するように構成されている学習部と、将来の時間区間における前記環境変数の特徴量と、前記将来の時間区間における前記状態変数の目標特徴量とを用いて、前記予測モデルにより前記将来の時間区間における前記操作変数の最適特徴量を算出するように構成されている最適化部と、前記操作変数の最適特徴量に少なくとも類似する複数の特徴量を用いて、前記将来の時間区間における操作変数の複数の時系列データを抽出するように構成されている時系列抽出部と、を有する。
【選択図】図2

Figure 0007384265000001

An object of the present invention is to provide a technology that can present various near-optimal manipulated variable series.
[Solution] A driving support device according to an aspect of the present disclosure includes feature quantities of manipulated variables in a past time interval, feature quantities of state variables in the past time interval, and features of environmental variables in the past time interval. a learning unit configured to learn a prediction model that predicts the feature amount of the state variable from the feature amount of the manipulated variable and the feature amount of the environment variable using the amount; The prediction model is configured to calculate an optimal feature amount of the manipulated variable in the future time interval using a feature amount of the environmental variable and a target feature amount of the state variable in the future time interval. a time series configured to extract a plurality of time series data of the manipulated variable in the future time interval using a plurality of features at least similar to the optimal feature of the manipulated variable; It has an extraction part.
[Selection diagram] Figure 2

Description

本開示は、運転支援装置、運転支援方法及びプログラムに関する。 The present disclosure relates to a driving support device, a driving support method, and a program.

近年、産業分野では熟練オペレータの不足等を背景に、AI(Artificial Intelligence)や機械学習技術等を活用したプラント運転支援システムへのニーズが高まっている。一般に、発電プラント、鉄鋼プラント、化学プラント等といったプラントでは、その時の環境に応じて、オペレータが過去の知見から将来の製品品質に寄与する状態変数が目標値となるように最適な操作量を計画した上で、その操作量によりプラントを運転している。これに対して、予測技術等を利用したプラント運転支援システムが従来から提案されている(例えば、特許文献1~4等)。 In recent years, due to the shortage of skilled operators in the industrial field, there has been an increasing need for plant operation support systems that utilize AI (Artificial Intelligence), machine learning technology, etc. In general, in plants such as power plants, steel plants, chemical plants, etc., operators use past knowledge to plan optimal operation amounts based on past knowledge so that state variables that contribute to future product quality reach target values, depending on the environment at the time. After that, the plant is operated based on the manipulated variables. In response, plant operation support systems that utilize prediction techniques and the like have been proposed in the past (for example, Patent Documents 1 to 4).

特開2012-74007号公報Japanese Patent Application Publication No. 2012-74007 特開2006-120131号公報Japanese Patent Application Publication No. 2006-120131 特開2020-140253号公報Japanese Patent Application Publication No. 2020-140253 特許第7081728号公報Patent No. 7081728

しかしながら、従来では、将来の時間区間における操作量の時系列をオペレータ等に提示する際に、最適に近い多様な操作量の時系列を提示することができなかった。以下、操作量の時系列を「操作量系列」ともいう。 However, conventionally, when presenting a time series of manipulated variables in a future time interval to an operator or the like, it has not been possible to present a time series of various manipulated variables close to the optimum. Hereinafter, the time series of manipulated variables will also be referred to as a "manipulated variable series."

例えば、特許文献1では、時系列データを扱うことができないため、操作量系列を得ることはできない。また、例えば、特許文献2では、最適化技術を用いておらず、最適な操作量系列が得られるとは限らない。また、例えば、特許文献3では、将来の一定期間における運転指標の時系列を得る際にその期間の各時刻で最適化技術を用いて運転指標を計算しており、最適な運転指標の時系列は提示できる一方で多様な操作量系列を提示することはできない。更に、例えば、特許文献4では、最適な操作量系列は提示できる一方で多様な操作量系列を提示することはできない。 For example, in Patent Document 1, since time series data cannot be handled, a manipulated variable series cannot be obtained. Further, for example, in Patent Document 2, an optimization technique is not used, and an optimal manipulated variable series is not necessarily obtained. Further, for example, in Patent Document 3, when obtaining a time series of driving indicators for a certain period in the future, the driving indicators are calculated using an optimization technique at each time in the period, and the time series of the optimal driving indicators is calculated. can be presented, but it is not possible to present a variety of manipulated variable series. Furthermore, for example, in Patent Document 4, although an optimal manipulated variable series can be presented, it is not possible to present various manipulated variable series.

本開示は、上記の点に鑑みてなされたもので、最適に近い多様な操作量系列を提示できる技術を提供する。 The present disclosure has been made in view of the above points, and provides a technology that can present various near-optimal manipulated variable series.

本開示の一態様による運転支援装置は、過去の時間区間における操作変数の特徴量と、前記過去の時間区間における状態変数の特徴量と、前記過去の時間区間における環境変数の特徴量とを用いて、前記操作変数の特徴量と前記環境変数の特徴量から前記状態変数の特徴量を予測する予測モデルを学習するように構成されている学習部と、将来の時間区間における前記環境変数の特徴量と、前記将来の時間区間における前記状態変数の目標特徴量とを用いて、前記予測モデルにより前記将来の時間区間における前記操作変数の最適特徴量を算出するように構成されている最適化部と、前記操作変数の最適特徴量に少なくとも類似する複数の特徴量を用いて、前記将来の時間区間における操作変数の複数の時系列データを抽出するように構成されている時系列抽出部と、を有する。 A driving support device according to an aspect of the present disclosure uses a feature amount of a manipulated variable in a past time interval, a feature amount of a state variable in the past time interval, and a feature amount of an environment variable in the past time interval. a learning unit configured to learn a prediction model that predicts the feature amount of the state variable from the feature amount of the manipulated variable and the feature amount of the environmental variable; and a target feature amount of the state variable in the future time interval, the optimization unit is configured to calculate an optimal feature amount of the manipulated variable in the future time interval using the prediction model. and a time series extraction unit configured to extract a plurality of time series data of the manipulated variable in the future time interval using a plurality of feature quantities that are at least similar to the optimal feature quantity of the manipulated variable; has.

最適に近い多様な操作量系列を提示できる技術が提供される。 A technique is provided that can present various near-optimal manipulated variable series.

本実施形態に係る運転支援装置のハードウェア構成の一例を示す図である。1 is a diagram illustrating an example of a hardware configuration of a driving support device according to an embodiment. 本実施形態に係る運転支援装置の機能構成の一例を示す図である。1 is a diagram illustrating an example of a functional configuration of a driving support device according to an embodiment. 本実施形態に係るデータ収集処理の一例を示すフローチャートである。7 is a flowchart illustrating an example of data collection processing according to the present embodiment. 本実施形態に係るモデル学習処理の一例を示すフローチャートである。7 is a flowchart illustrating an example of model learning processing according to the present embodiment. 本実施形態に係る操作量系列出力処理の一例を示すフローチャートである。It is a flowchart which shows an example of operation amount sequence output processing concerning this embodiment. 本実施形態に係る操作量系列抽出処理(実施例1)の一例を示すフローチャートである。It is a flowchart which shows an example of operation amount series extraction processing (Example 1) concerning this embodiment. 近傍集合の抽出の一例を示す図である。FIG. 3 is a diagram illustrating an example of extraction of a neighborhood set. クラスタリングの一例を示す図である。FIG. 3 is a diagram illustrating an example of clustering. クラスタ毎に抽出対象となる実績操作特徴量の一例を示す図である。FIG. 7 is a diagram illustrating an example of actual operation feature amounts to be extracted for each cluster. 本実施形態に係る操作量系列抽出処理(実施例2)の一例を示すフローチャートである。It is a flowchart which shows an example of operation amount series extraction processing (Example 2) concerning this embodiment. 実績操作特徴量のタグ付けの一例を示す図である。FIG. 7 is a diagram illustrating an example of tagging performance operation feature amounts. タグ毎に抽出対象となる実績操作特徴量の一例を示す図である。FIG. 7 is a diagram illustrating an example of actual operation feature quantities to be extracted for each tag.

以下、本発明の一実施形態について説明する。以下の実施形態では、プラント、設備、機器、装置等といったものを対象として、その対象の状態変数値を目標値に近付けるような多様な操作量系列であって、かつ、最適に近い操作量系列をオペレータ等に提示することにより当該対象の運転を支援することができる運転支援装置10について説明する。ここで、本実施形態に係る運転支援装置10には、(1)予測モデルを学習するためのデータを収集するデータ収集フェーズ、(2)予測モデルを学習するモデル学習フェーズ、(3)予測モデルと最適化技術により、対象に対する操作量系列として、最適に近く、かつ、多様な操作量系列を出力する運転支援フェーズ、3つのフェーズがある。 An embodiment of the present invention will be described below. In the following embodiments, various manipulated variable series that bring the state variable value of the target closer to the target value, such as a plant, equipment, equipment, device, etc., and that are close to the optimal manipulated variable series A driving support device 10 that can support the driving of the target by presenting the information to an operator or the like will be described. Here, the driving support device 10 according to the present embodiment includes (1) a data collection phase in which data is collected for learning a prediction model, (2) a model learning phase in which the prediction model is learned, and (3) a prediction model. There are three phases: the driving support phase, which uses optimization technology to output a variety of manipulated variable series that are close to the optimum as the manipulated variable series for the target.

なお、対象とは、オペレータ等が操作するプラント、設備、機器、装置等のことである。対象には各種センサが設置されており、これらのセンサにより当該対象の状態や環境、当該対象に対する操作等が計測される。状態の具体例としては、例えば、或る時点の温度、圧力、流量等が挙げられる。環境の具体例としては、例えば、或る時点の外気温、設備番号等が挙げられる。操作の具体例としては、例えば、対象の空気弁や燃料バルブ等に対する開閉量、空気弁の開閉によって制御される酸素量等が挙げられる。このような状態を表す変数を状態変数、環境を表す変数を環境変数、操作を表す変数を操作変数という。 Note that the target refers to a plant, equipment, equipment, device, etc. operated by an operator or the like. Various sensors are installed on the target, and these sensors measure the state and environment of the target, operations on the target, and the like. Specific examples of the state include temperature, pressure, flow rate, etc. at a certain point in time. Specific examples of the environment include, for example, the outside temperature at a certain point in time, the equipment number, and the like. Specific examples of the operations include, for example, the amount of opening and closing of a target air valve, fuel valve, etc., the amount of oxygen controlled by opening and closing of the air valve, and the like. Variables that represent such states are called state variables, variables that represent the environment are called environment variables, and variables that represent operations are called operation variables.

以下、操作変数の総数をI、状態変数の総数をJ、環境変数の総数をKとする。また、操作変数値(なお、操作変数値は操作量とも呼ばれる。)は時系列データとして得られるものとし、或る時間区間T=[t,t]におけるi(1≦i≦I)番目の操作変数値の時系列データをX={Xit|t∈T}とする。ここで、tは時間区間Tの開始時刻、tは時間区間Tの終了時刻、Xitは時刻tの操作変数値である。なお、操作変数値の時系列データは操作量の時系列を表しているため、以下では、操作変数値の時系列データを「操作量系列」ともいう。一方で、状態変数値はその時間区間における特徴量データとして得られるものとし、時間区間Tにおけるj(1≦j≦J)番目の状態変数値をyとする。同様に、環境変数値はその時間区間における特徴量データとして得られるものとし、時間区間Tにおけるk(1≦k≦K)番目の環境変数値をzとする。 Hereinafter, the total number of operation variables is I, the total number of state variables is J, and the total number of environment variables is K. In addition, it is assumed that the manipulated variable value (the manipulated variable value is also called the manipulated variable) is obtained as time series data, and that i (1≦i≦I) in a certain time interval T = [t s , t e ] Let X i ={X it |t∈T} be the time series data of the th manipulated variable value. Here, t s is the start time of time interval T, te is the end time of time interval T, and X it is the manipulated variable value at time t. Note that since the time series data of the manipulated variable values represents the time series of the manipulated variables, the time series data of the manipulated variable values will also be referred to as the "manipulated variable series" below. On the other hand, it is assumed that the state variable value is obtained as feature data in the time interval, and the j-th (1≦j≦J) state variable value in the time interval T is y j . Similarly, it is assumed that the environmental variable value is obtained as feature amount data in that time interval, and the k-th (1≦k≦K) environmental variable value in the time interval T is zk .

上記の時間区間Tは予め決められた任意の時間区間としてよいが、例えば、対象がバッチプラントである場合には1バッチの時間区間をTとすることが考えられる。これ以外にも、例えば、1つの製品が製造される時間区間、1つの作業工程を表す時間区間、何等かの分析単位とする時間区間等をTとすることが可能である。以下では、複数の時間区間Tを考える場合は、m番目の時間区間をT(m)と表す。また、m番目の時間区間T(m)におけるi番目の操作変数値の時系列データをX (m)={Xit|t∈T(m)}、j番目の状態変数値をy (m)、k番目の環境変数値をz (m)と表す。 The above time interval T may be any predetermined time interval, but for example, if the target is a batch plant, T may be the time interval of one batch. In addition to this, for example, T can be a time interval in which one product is manufactured, a time interval representing one work process, a time interval used as a unit of analysis, etc. Below, when considering a plurality of time intervals T, the m-th time interval is expressed as T (m) . In addition, the time series data of the i-th manipulated variable value in the m-th time interval T (m) is expressed as X i (m) = {X it | t∈T (m) }, and the j-th state variable value is expressed as y j (m) , and the k-th environment variable value is expressed as z k (m) .

例えば、対象として鉄鋼プラントを想定した場合、m番目の時間区間T(m)はm番目のバッチ、X (m)はm番目のバッチにおける酸素量の時系列データ、y (m)はm番目のバッチの溶綱温度、z (m)はm番目のバッチの炉番号等とすることが考えられる。 For example, assuming a steel plant as the target, the m-th time interval T (m) is the m-th batch, X i (m) is the time series data of the oxygen amount in the m-th batch, and y j (m) is the time series data of the oxygen amount in the m-th batch. It is conceivable that the molten steel temperature of the m-th batch, z k (m), is the furnace number of the m-th batch, etc.

<運転支援装置10のハードウェア構成例>
本実施形態に係る運転支援装置10のハードウェア構成例を図1に示す。図1に示すように、本実施形態に係る運転支援装置10は、入力装置101と、表示装置102と、外部I/F103と、通信I/F104と、RAM(Random Access Memory)105と、ROM(Read Only Memory)106と、補助記憶装置107と、プロセッサ108とを有する。これらの各ハードウェアは、それぞれがバス109を介して通信可能に接続される。
<Example of hardware configuration of driving support device 10>
FIG. 1 shows an example of the hardware configuration of a driving support device 10 according to this embodiment. As shown in FIG. 1, the driving support device 10 according to the present embodiment includes an input device 101, a display device 102, an external I/F 103, a communication I/F 104, a RAM (Random Access Memory) 105, and a ROM. (Read Only Memory) 106, an auxiliary storage device 107, and a processor 108. Each of these pieces of hardware is communicably connected via a bus 109.

入力装置101は、例えば、キーボード、マウス、タッチパネル、物理ボタン等である。表示装置102は、例えば、ディスプレイ、表示パネル等である。なお、運転支援装置10は、例えば、入力装置101及び表示装置102のうちの少なくとも一方を有していなくてもよい。 The input device 101 is, for example, a keyboard, a mouse, a touch panel, a physical button, or the like. The display device 102 is, for example, a display, a display panel, or the like. Note that the driving support device 10 may not include at least one of the input device 101 and the display device 102, for example.

外部I/F103は、記録媒体103a等の外部装置とのインタフェースである。記録媒体103aとしては、例えば、CD(Compact Disc)、DVD(Digital Versatile Disk)、SDメモリカード(Secure Digital memory card)、USB(Universal Serial Bus)メモリカード等が挙げられる。 The external I/F 103 is an interface with an external device such as the recording medium 103a. Examples of the recording medium 103a include a CD (Compact Disc), a DVD (Digital Versatile Disk), an SD memory card (Secure Digital memory card), and a USB (Universal Serial Bus) memory card.

通信I/F104は、運転支援装置10を通信ネットワークに接続するためのインタフェースである。RAM105は、プログラムやデータを一時保持する揮発性の半導体メモリ(記憶装置)である。ROM106は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリ(記憶装置)である。補助記憶装置107は、例えば、HDD(Hard Disk Drive)やSSD(Solid State Drive)等の不揮発性の記憶装置であり、プログラムやデータが格納される。プロセッサ108は、例えば、CPU(Central Processing Unit)やGPU(Graphics Processing Unit)等の各種演算装置である。 Communication I/F 104 is an interface for connecting driving support device 10 to a communication network. The RAM 105 is a volatile semiconductor memory (storage device) that temporarily holds programs and data. The ROM 106 is a nonvolatile semiconductor memory (storage device) that can retain programs and data even when the power is turned off. The auxiliary storage device 107 is, for example, a nonvolatile storage device such as an HDD (Hard Disk Drive) or an SSD (Solid State Drive), and stores programs and data. The processor 108 is, for example, various arithmetic devices such as a CPU (Central Processing Unit) or a GPU (Graphics Processing Unit).

なお、図1に示すハードウェア構成は一例であって、運転支援装置10は、他のハードウェア構成を有していてもよい。例えば、運転支援装置10は、複数の補助記憶装置107や複数のプロセッサ108を有していてもよいし、図示したハードウェア以外の種々のハードウェアを有していてもよい。 Note that the hardware configuration shown in FIG. 1 is an example, and the driving support device 10 may have other hardware configurations. For example, the driving support device 10 may include multiple auxiliary storage devices 107 and multiple processors 108, or may include various hardware other than the illustrated hardware.

<運転支援装置10の機能構成例>
本実施形態に係る運転支援装置10の機能構成例を図2に示す。図2に示すように、本実施形態に係る運転支援装置10は、入力部201と、特徴量変換部202と、モデル学習部203と、最適化部204と、時系列抽出部205と、出力部206とを有する。これら各部は、例えば、運転支援装置10にインストールされた1以上のプログラムがプロセッサ108等に実行させる処理により実現される。また、本実施形態に係る運転支援装置10は、記憶部207を有する。記憶部207は、例えば、補助記憶装置107等により実現される。なお、記憶部207は、例えば、運転支援装置10と通信ネットワークを介して接続されるデータベースサーバ等といった記憶装置により実現されてもよい。
<Example of functional configuration of driving support device 10>
FIG. 2 shows an example of the functional configuration of the driving support device 10 according to this embodiment. As shown in FIG. 2, the driving support device 10 according to the present embodiment includes an input section 201, a feature value conversion section 202, a model learning section 203, an optimization section 204, a time series extraction section 205, and an output section 201. 206. Each of these units is realized, for example, by one or more programs installed in the driving support device 10 causing the processor 108 or the like to execute the process. Further, the driving support device 10 according to the present embodiment includes a storage unit 207. The storage unit 207 is realized by, for example, the auxiliary storage device 107 or the like. Note that the storage unit 207 may be realized by, for example, a storage device such as a database server connected to the driving support device 10 via a communication network.

入力部201は、データ収集フェーズにおいて、過去の時間区間における操作量系列と状態変数値と環境変数値とを対象から取得する。 In the data collection phase, the input unit 201 acquires a manipulated variable series, a state variable value, and an environment variable value in a past time interval from the target.

また、入力部201は、モデル学習フェーズにおいて、予測モデルの学習に用いるデータ(後述する学習用データ)を記憶部207から取得する。 In addition, the input unit 201 acquires data used for learning the predictive model (learning data to be described later) from the storage unit 207 in the model learning phase.

更に、入力部201は、運転支援フェーズにおいて、最適に近い多様な操作量系列を提示したい将来の時間区間における環境変数値と状態変数の目標値を記憶部207から取得する。 Furthermore, in the driving support phase, the input unit 201 acquires from the storage unit 207 environmental variable values and target values of state variables in a future time period in which it is desired to present various near-optimal manipulated variable sequences.

特徴量変換部202は、データ収集フェーズにおいて、操作量系列を特徴量データに変換する。具体的には、特徴量変換部202は、m番目の時間区間T(m)における操作量系列X (m)(i=1,・・・,I)を特徴量データx (m)(i=1,・・・,I)に変換する。ここで、x (m)はX (m)の特徴量を表しており、例えば、Xit(t∈T(m))の平均値や合計値等といった統計量である。m番目の時間区間T(m)における操作量系列X (m)(i=1,・・・,I)とその特徴量データx (m)と(i=1,・・・,I)と状態変数値y (m)(j=1,・・・,J)と環境変数値z (m)(k=1,・・・,K)は対応付けられてm番目の時間区間T(m)における実績データとして記憶部207に保存される。すなわち、m番目の時間区間T(m)における実績データは(X (m),・・・,X (m),x (m),・・・,x (m),y (m),・・・,y (m),z (m),・・・,z (m))と表される。以下、m番目の時間区間T(m)における実績データのことをm番目の実績データともいう。また、以下、操作変数の時系列データ(操作量系列)の特徴量データのことを「操作特徴量」ともいう。 The feature amount conversion unit 202 converts the operation amount series into feature amount data in the data collection phase. Specifically, the feature amount conversion unit 202 transforms the operation amount series X i (m) (i=1,...,I) in the m-th time interval T (m) into feature amount data x i (m) (i=1,...,I). Here, x i (m) represents a feature quantity of X i (m) , and is, for example, a statistical quantity such as an average value or a total value of X it (t∈T (m) ). The manipulated variable series X i (m) (i=1,...,I) in the m-th time interval T (m ) and its feature data x i (m ) and (i=1,..., I ), the state variable value y j (m) (j=1,..., J), and the environment variable value z k (m) (k=1,..., K) are associated at the m-th time. This is stored in the storage unit 207 as performance data in the section T (m) . That is, the actual data in the m-th time interval T (m) is (X 1 (m) , ..., X I (m) , x 1 (m ) , ..., x I (m) , y 1 (m) ,..., yJ (m) , z1 (m) ,..., zK (m) ). Hereinafter, the actual data in the m-th time interval T (m) will also be referred to as the m-th actual data. Furthermore, hereinafter, the feature amount data of the time series data of manipulated variables (manipulated amount series) will also be referred to as "operated feature amount."

モデル学習部203は、モデル学習フェーズにおいて、学習用データを用いて、操作特徴量と環境変数値から状態変数値を予測する予測モデルを学習する。すなわち、モデル学習部203は、各j=1,・・・,Jに対してy=f(x,・・・,x,z,・・・,z)により状態変数値を予測する予測モデルf=(f,・・・,f)を学習する。このような予測モデルは、例えば、ニューラルネットワーク等を用いたDL(Deep Learning)、PLS(Partial Least squares Regression)等といった手法により学習すればよい。ここで、学習用データとは実績データから操作特徴量と状態変数値と環境変数値を抽出したデータであり、m番目の学習用データは(x (m),・・・,x (m),y (m),・・・,y (m),z (m),・・・,z (m))と表される。 In the model learning phase, the model learning unit 203 uses the learning data to learn a prediction model that predicts the state variable value from the operation feature amount and the environmental variable value. That is, the model learning unit 203 calculates the state variable by y j = f j (x 1 , ..., x I , z 1 , ..., z K ) for each j = 1, ..., J. A prediction model f=(f 1 , . . . , f J ) that predicts the value is learned. Such a predictive model may be learned by, for example, a method such as DL (Deep Learning) or PLS (Partial Least Squares Regression) using a neural network or the like. Here, the learning data is data obtained by extracting operation features, state variable values, and environment variable values from actual data, and the m-th learning data is (x 1 (m) , ..., x I ( m) , y 1 (m) , ..., y J (m) , z 1 (m) , ..., z K (m) ).

最適化部204は、運転支援フェーズにおいて、予測モデルfを用いて、将来の時間区間における環境変数値と状態変数の目標値から最適な操作特徴量(以下、最適操作特徴量ともいう。)を算出する。すなわち、最適化部204は、将来の時間区間における環境変数値をz'、当該時間区間における状態変数の目標値をy'として、f(x,・・・,x,z',・・・,z')がy'に近くなるような操作特徴量x,・・・,xを最適操作特徴量として算出する。より具体的には、最適化部204は、例えば、j=1,・・・,Jに関する|f(x,・・・,x,z',・・・,z')-y'|の和(つまり、j=1,・・・,Jに関する絶対誤差の和)を最小化するような操作特徴量x,・・・,xを最適操作特徴量として算出する。これは、例えば、一般的な数理計画法やメタヒューリスティックス等により算出することができる。なお、絶対誤差は一例であって、これに限られず、例えば、二乗誤差等が用いられてもよい。 In the driving support phase, the optimization unit 204 uses the prediction model f to determine the optimal operation feature amount (hereinafter also referred to as the optimal operation feature amount) from the environmental variable value and the target value of the state variable in a future time interval. calculate. That is, the optimization unit 204 sets the environment variable value in the future time interval to z' k and the target value of the state variable in the time interval to y' j , and calculates f j (x 1 , ..., x I , z ' 1 , . . . , z' K ) are close to y' j , so that the operation feature quantities x 1 , . . . , x I are calculated as the optimal operation feature quantities. More specifically, the optimization unit 204 calculates |f j (x 1 , ..., x I , z' 1 , ..., z' K ) for j=1, ..., J, for example. -y' j | (that is, the sum of absolute errors regarding j=1, . . . , J) is calculated as the optimal manipulation feature amount x 1 , ..., x I do. This can be calculated by, for example, general mathematical programming or metaheuristics. Note that the absolute error is just an example, and is not limited to this; for example, a squared error or the like may be used.

時系列抽出部205は、最適化部204によって算出された最適操作特徴量を用いて、オペレータ等への提示対象とする複数の操作量系列(つまり、最適に近い多様な操作量系列)を実績データの集合から抽出する。 The time series extraction unit 205 uses the optimal operation feature amount calculated by the optimization unit 204 to generate a plurality of operation amount series (that is, various operation amount sequences close to the optimum) to be presented to the operator etc. Extract from a set of data.

出力部206は、時系列抽出部205によって抽出された複数の操作量系列を予め決められた任意の出力先(例えば、表示装置102、記憶部207、オペレータ等が利用する端末等)に出力する。以下、一例として、出力部206の出力先はオペレータ等が利用する端末を想定する。これにより、例えば、オペレータ等は、当該時間区間における最適に近い多様な操作量系列(つまり、対象の状態変数値を目標値に近付けるような複数の操作量系列)を得ることができる。したがって、オペレータ等は、例えば、これらの複数の操作量系列を候補として自身の経験則等に照らして妥当な操作量系列を選択した上で、選択した操作量系列により対象を運転したり、対象の運転計画を策定したりすることができる。 The output unit 206 outputs the plurality of manipulated variable series extracted by the time series extraction unit 205 to any predetermined output destination (for example, the display device 102, the storage unit 207, a terminal used by an operator, etc.). . Hereinafter, as an example, it is assumed that the output destination of the output unit 206 is a terminal used by an operator or the like. Thereby, for example, an operator or the like can obtain various manipulated variable sequences that are close to the optimum for the time interval (that is, a plurality of manipulated variable sequences that bring the target state variable value closer to the target value). Therefore, an operator etc., for example, selects a reasonable manipulated variable series from these multiple manipulated variable series as candidates in light of his own empirical rules, etc., and then operates the target using the selected manipulated variable series. It is possible to formulate operation plans for

記憶部207は、データ収集フェーズで収集された実績データを記憶する。また、記憶部207は、モデル学習フェーズで学習された予測モデルf、運転支援フェーズで用いられる状態変数の目標値等を記憶する。これら以外にも、記憶部207には、様々なデータ(例えば、予測モデルfを学習する際の途中の計算結果、最適操作特徴量を算出する際の途中の計算結果等)が記憶されてもよい。 The storage unit 207 stores performance data collected in the data collection phase. The storage unit 207 also stores the prediction model f learned in the model learning phase, target values of state variables used in the driving support phase, and the like. In addition to these, the storage unit 207 may store various data (for example, intermediate calculation results when learning the prediction model f, intermediate calculation results when calculating the optimal operation feature amount, etc.). good.

<データ収集処理>
以下、データ収集フェーズで予測モデルを学習するためのデータを収集するデータ収集処理について、図3を参照しながら説明する。図3のステップS101~ステップS103は、例えば、各m∈M(ただし、Mはデータ収集対象の時間区間の番号の集合)毎に繰り返し実行される。以下では、或るm番目の時間区間のデータを収集する場合について説明する。
<Data collection processing>
The data collection process for collecting data for learning a predictive model in the data collection phase will be described below with reference to FIG. 3. Steps S101 to S103 in FIG. 3 are repeatedly executed, for example, for each mεM (where M is a set of numbers of time intervals for which data is to be collected). In the following, a case will be described in which data for a certain m-th time interval is collected.

入力部201は、m番目の時間区間における操作量系列X (m)(i=1,・・・,I)と状態変数値y (m)(j=1,・・・,J)と環境変数値z (m)(k=1,・・・,K)とを対象から取得する(ステップS101)。 The input unit 201 inputs a manipulated variable series X i (m) (i=1,...,I) and a state variable value y j (m) (j=1,..., J) in the m-th time interval. and the environmental variable value z k (m) (k=1, . . . , K) are acquired from the target (step S101).

次に、特徴量変換部202は、操作量系列X (m)(i=1,・・・,I)を操作特徴量x (m)(i=1,・・・,I)に変換する(ステップS102)。 Next, the feature amount conversion unit 202 converts the manipulated variable series X i (m) (i=1,...,I) into the manipulated feature amount x i (m) (i=1,..., I). Convert (step S102).

そして、入力部201は、(X (m),・・・,X (m),x (m),・・・,x (m),y (m),・・・,y (m),z (m),・・・,z (m))をm番目の実績データとして記憶部207に保存する(ステップS103)。 Then, the input unit 201 inputs (X 1 (m) , ..., X I (m) , x 1 (m) , ..., x I (m) , y 1 (m) , ..., y J (m) , z 1 (m) , . . . , z K (m) ) is stored in the storage unit 207 as m-th performance data (step S103).

以上のステップS101~ステップS103が各m∈M毎に繰り返し実行されることで、実績データ集合{(X (m),・・・,X (m),x (m),・・・,x (m),y (m),・・・,y (m),z (m),・・・,z (m))|m∈M}が得られる。なお、各操作特徴量x (m)、各状態変数値y (m)及び各環境変数値z (m)は、例えば、0以上1以下の値となるように正規化されてもよい。 By repeatedly executing the above steps S101 to S103 for each m∈M, the actual data set {(X 1 (m) ,...,X I (m) ,x 1 (m) ,... . . , x I (m) , y 1 (m) , . . . , y J (m) , z 1 (m) , . . . , z K (m) ) |m∈M} are obtained. Note that each operation feature quantity x i (m) , each state variable value y j (m) , and each environment variable value z k (m) may be normalized to a value of 0 or more and 1 or less, for example. good.

<モデル学習処理>
以下、モデル学習フェーズで予測モデルを学習するモデル学習処理について、図4を参照しながら説明する。
<Model learning processing>
The model learning process for learning a predictive model in the model learning phase will be described below with reference to FIG. 4.

入力部201は、学習用データを記憶部207から取得する(ステップS201)。すなわち、入力部201は、学習用データ集合{(x (m),・・・,x (m),y (m),・・・,y (m),z (m),・・・,z (m))|m∈M}を記憶部207から取得する。ここで、Mは学習用データに対応する実績データの番号の集合であり、M⊂Mである。なお、M=Mであってもよい。 The input unit 201 acquires learning data from the storage unit 207 (step S201). That is, the input unit 201 inputs the learning data set {(x 1 (m) , . . . , x I (m) , y 1 (m) , . . . , y J (m) , z 1 (m) ,...,z K (m) ) |mεM 1 } is acquired from the storage unit 207. Here, M 1 is a set of numbers of performance data corresponding to learning data, and M 1 ⊂M. Note that M 1 =M may be satisfied.

次に、モデル学習部203は、学習用データ集合に含まれる各学習用データを用いて、予測モデルfを学習する(ステップS202)。すなわち、モデル学習部203は、f(x (m),・・・,x (m),z (m),・・・,z (m))がy (m)を精度良く予測するように予測モデルf=(f,・・・,f)を学習する。 Next, the model learning unit 203 learns the prediction model f using each learning data included in the learning data set (step S202). That is, the model learning unit 203 calculates that f j (x 1 (m) , ..., x I (m) , z 1 (m) , ..., z K (m) ) is different from y j (m). A prediction model f=(f 1 , . . . , f J ) is learned to make predictions with high accuracy.

そして、モデル学習部203は、学習済みの予測モデルfを記憶部207に保存する(ステップS203)。 Then, the model learning unit 203 stores the trained prediction model f in the storage unit 207 (step S203).

<操作量系列出力処理>
以下、運転支援フェーズで最適に近い多様な操作量系列を出力してオペレータ等に提示する操作量系列出力処理について、図5を参照しながら説明する。以下では、将来の或る時間区間Tにおける最適に近い多様な操作量系列を出力する場合について説明する。
<Operation amount series output processing>
Hereinafter, the operation amount series output process of outputting various nearly optimal operation amount series and presenting them to the operator etc. in the driving support phase will be described with reference to FIG. 5. In the following, a case will be described in which various near-optimal manipulated variable sequences for a certain time interval T in the future are output.

まず、入力部201は、当該時間区間Tにおける環境変数値z'(k=1,・・・,K)と状態変数の目標値y'(j=1,・・・,J)を記憶部207から取得する(ステップS301)。なお、例えば、各実績データに含まれる操作特徴量x (m)、状態変数値y (m)及び環境変数値z (m)が0以上1以下の値となるように正規化されている場合は、環境変数値z'(k=1,・・・,K)と状態変数の目標値y'(j=1,・・・,J)も同様に正規化されているものとする。 First, the input unit 201 inputs the environmental variable value z' k (k=1, . . . , K) and the state variable target value y' j (j=1, . . . , J) in the time interval T. It is acquired from the storage unit 207 (step S301). Note that, for example, the operating feature quantity x i (m) , the state variable value y j (m) , and the environmental variable value z k (m) included in each performance data are normalized to a value of 0 or more and 1 or less. , the environment variable value z' k (k=1,...,K) and the state variable target value y' j (j=1,..., J) are similarly normalized. shall be taken as a thing.

次に、最適化部204は、学習済みの予測モデルfを用いて、当該時間区間Tの最適操作特徴量を算出する(ステップS302)。例えば、最適化部204は、j=1,・・・,Jに関する|f(x,・・・,x,z',・・・,z')-y'|の和を最小化するような操作特徴量x,・・・,xを最適操作特徴量として算出する。以下、本ステップで算出された最適操作特徴量を(x',・・・,x')とする。 Next, the optimization unit 204 uses the learned prediction model f to calculate the optimal operation feature amount for the time interval T (step S302). For example, the optimization unit 204 calculates |f j (x 1 , ..., x I , z' 1 , ..., z' K )−y' j | for j=1, ..., J. The operation feature quantities x 1 , . . . , x I that minimize the sum are calculated as the optimum operation feature quantities. Hereinafter, the optimal operation feature amount calculated in this step is assumed to be (x' 1 , . . . , x' I ).

次に、時系列抽出部205は、最適操作特徴量(x',・・・,x')を用いて、オペレータ等への提示対象とする複数の操作量系列を実績データ集合{(X (m),・・・,X (m),x (m),・・・,x (m),y (m),・・・,y (m),z (m),・・・,z (m))|m∈M}から抽出する(ステップS303)。なお、本ステップの処理(操作量系列抽出処理)の詳細については後述する。以下、本ステップで抽出された複数の操作量系列を{(X (m),・・・,X (m))|m∈M}とする。ここで、Mは本ステップで抽出された操作量系列が含まれる実績データの番号の集合であり、M⊂Mである。 Next, the time series extraction unit 205 uses the optimal operation features (x' 1 , . . . X 1 (m) , ..., X I (m) , x 1 (m) , ..., x I (m ) , y 1 (m) , ..., y J (m) , z 1 (m) ,...,z K (m) ) |m∈M} (step S303). Note that details of the process of this step (operated amount series extraction process) will be described later. Hereinafter, the plurality of manipulated variable sequences extracted in this step are assumed to be {(X 1 (m) , . . . , X I (m) )|m∈M 2 }. Here, M 2 is a set of numbers of performance data including the manipulated variable series extracted in this step, and M 2 ⊂M.

そして、出力部206は、上記のステップS303で抽出された複数の操作量系列{(X (m),・・・,X (m))|m∈M}を、オペレータ等が利用する端末に出力(例えば、当該端末のディスプレイ等に表示)する(ステップS304)。これにより、オペレータは、当該時間区間Tにおける最適に近い多様な操作量系列{(X (m),・・・,X (m))|m∈M}を得ることができ、例えば、その中から選択した操作量系列によって対象を運転したり、対象の運転計画を策定したりすることが可能となる。 Then, the output unit 206 allows an operator etc. to use the plurality of manipulated variable series {(X 1 (m) , ..., X I (m) ) | m∈M 2 } extracted in step S303 above. output to the terminal (for example, display on the display of the terminal) (step S304). Thereby, the operator can obtain various manipulated variable sequences {(X 1 (m) , ..., X I (m) ) | m∈M 2 } that are close to the optimum in the time interval T, for example. , it becomes possible to drive the object or formulate an operation plan for the object according to the operation amount series selected from among them.

<操作量系列抽出処理>
図5のステップS303における操作量系列抽出処理の一例として、以下では実施例1と実施例2について説明する。以下では、実績データ集合を構成する各実績データに含まれる操作量系列及び操作特徴量のことをそれぞれ「実績操作量系列」及び「実績操作特徴量」ともいうことにする。
<Manipulated variable series extraction process>
As an example of the manipulated variable series extraction process in step S303 of FIG. 5, Example 1 and Example 2 will be described below. Hereinafter, the operation amount series and the operation feature amount included in each performance data that constitute the performance data set will also be referred to as the "actual operation amount series" and the "actual operation feature amount", respectively.

≪操作量系列抽出処理(実施例1)≫
実施例1における操作量系列抽出処理について、図6を参照しながら説明する。
≪Manipulated variable series extraction processing (Example 1)≫
The manipulated variable sequence extraction process in the first embodiment will be described with reference to FIG. 6.

まず、時系列抽出部205は、実績操作特徴量(x (m),・・・,x (m))(m∈M)のうち、最適操作特徴量(x',・・・,x')の近傍にある実績操作特徴量の集合を近傍集合として抽出する(ステップS401)。 First, the time series extraction unit 205 selects the optimal operation feature amount (x ' 1 , . . . ) from the actual operation feature amount (x 1 ( m) , . , x' I ) is extracted as a neighborhood set (step S401).

例えば、時系列抽出部205は、予め決められた2以上の整数をNとして、i=1,・・・,Iに関する|x'-x (m)|の和が小さい順にN個の実績操作特徴量(x (m),・・・,x (m))を抽出し、これらN個の実績操作特徴量(x (m),・・・,x (m))の集合を近傍集合とすればよい。以下、近傍集合をRで表す。一例として、I=2、N=12である場合の近傍集合Rを図7に示す。図7に示す例では、破線1000で囲まれた部分に含まれる実績操作特徴量が近傍集合Rに属する実績操作特徴量である。 For example, the time series extraction unit 205 selects N pieces in descending order of the sum of |x' i −x i (m) | for i=1,...,I, where N is a predetermined integer of 2 or more. Extract the actual operation features (x 1 (m) ,..., x I (m) ), and extract these N actual operation features (x 1 (m) ,..., x I (m) ) Let the set of be the neighborhood set. Hereinafter, the neighborhood set will be denoted by R. As an example, the neighborhood set R when I=2 and N=12 is shown in FIG. In the example shown in FIG. 7, the actual operation feature amount included in the portion surrounded by the broken line 1000 is the actual operation feature amount that belongs to the neighborhood set R.

なお、上記の近傍集合Rの抽出方法は一例であって、これに限られるものではない。例えば、時系列抽出部205は、j=1,・・・,Jに関する|f(x',・・・,x',z',・・・,z')-y (m)|の和と、i=1,・・・,Iに関する|x'-x (m)|の和と、k=1,・・・,Kに関する|z'-z (m)|の和との総和が小さい順にN個の実績操作特徴量(x (m),・・・,x (m))を抽出し、これらN個の実績操作特徴量(x (m),・・・,x (m))の集合を近傍集合Rとしてもよい。 Note that the method for extracting the neighborhood set R described above is one example, and is not limited to this. For example, the time series extraction unit 205 calculates |f j (x' 1 , . . . , x' I , z' 1 , . . . , z' K ) - y j for j=1, . (m) The sum of | and |x' i -x i (m) | for i=1,...,I and the sum of |z' k -z k for k=1,...,K (m) | Extract N actual operation features (x 1 (m) , ..., x I (m) ) in descending order of the total sum with the sum of | 1 (m) ,..., xI (m) ) may be set as the neighborhood set R.

また、例えば、予め決められた制約条件を満たす実績操作特徴量(x (m),・・・,x (m))の中から近傍集合Rを抽出してもよい。このような制約条件としては、例えば、或る特定の実績操作特徴量x (m)が最適操作特徴量x'よりも小さい(又は、大きい)といったものが挙げられる。 Further, for example, the neighborhood set R may be extracted from the actual operation feature values (x 1 (m) , . . . , x I (m) ) that satisfy predetermined constraint conditions. As such a constraint condition, for example, a certain actual operation feature amount x i (m) is smaller (or larger) than the optimal operation feature amount x′ i .

次に、時系列抽出部205は、近傍集合Rに含まれる実績操作特徴量(x (m),・・・,x (m))をクラスタリングし、L個のクラスタに分割する(ステップS402)。また、このとき、時系列抽出部205は、各クラスタの代表点を計算する。なお、クラスタリング手法としては、例えば、k-means法等を用いればよい。以下、各クラスタの代表点をμ(l)=(μ (l),・・・,μ (l))(l=1,・・・,L)とする。また、l番目のクラスタに属する実績操作特徴量(x (m),・・・,x (m))の集合をVとする。一例として、図7の破線1000で示した近傍集合Rをクラスタリングした結果を図8に示す。図8に示す例では、L=3の場合を示しており、破線1100、破線1200、破線1300でそれぞれ囲まれた部分に含まれる実績操作特徴量が各クラスタに属する実績操作特徴量である。また、図8に示す例では、各クラスタの代表点も示されている。 Next, the time series extraction unit 205 clusters the actual operation features (x 1 (m) , ..., x I (m) ) included in the neighborhood set R and divides them into L clusters (step S402). Also, at this time, the time series extraction unit 205 calculates representative points of each cluster. Note that as a clustering method, for example, the k-means method may be used. Hereinafter, the representative point of each cluster is assumed to be μ (l) = (μ 1 (l) , . . . , μ I (l) ) (l=1, . . . , L). Further, a set of actual operation feature amounts (x 1 (m) , . . . , x I (m) ) belonging to the l-th cluster is defined as V l . As an example, FIG. 8 shows the result of clustering the neighborhood set R indicated by the broken line 1000 in FIG. The example shown in FIG. 8 shows a case where L=3, and the actual operation feature amounts included in the portions surrounded by broken lines 1100, 1200, and 1300 are the actual operation feature amounts that belong to each cluster. In the example shown in FIG. 8, representative points of each cluster are also shown.

次に、時系列抽出部205は、クラスタ毎に、そのクラスタに属する実績操作特徴量(x (m),・・・,x (m))の中から当該クラスタの代表点μ(l=1,・・・,L)に最も近い実績操作特徴量(x (m),・・・,x (m))を抽出する(ステップS403)。 Next, for each cluster, the time series extraction unit 205 selects the representative point μ l ( The actual operation feature amount (x 1 (m) , . . . , x I (m) ) closest to l=1, . . . , L) is extracted (step S403).

例えば、時系列抽出部205は、l=1,・・・,Lに対して、(x (m),・・・,x (m))∈Vのうち、i=1,・・・,Iに関する|μ (l)-x (m)|の和が最も小さい実績操作特徴量(x (m),・・・,x (m))を抽出する。これにより、最適操作特徴量(x',・・・,x')に近い範囲内で多様性を持つL個の実績操作特徴量が抽出される。一例として、図8の破線1100~1300で示した各クラスタから抽出される実績操作特徴量を図9に示す。図9に示すように、各クラスタの代表点に最も近い実績操作特徴量が抽出対象となっている。 For example, the time series extraction unit 205 extracts i=1, . . . out of (x 1 (m ) , . . . , the actual operation feature quantity (x 1 (m) , . . . , x I (m)) with the smallest sum of |μ i (l ) −x i (m) | regarding I is extracted. As a result, L actual operation feature quantities having diversity within a range close to the optimal operation feature quantity (x' 1 , . . . , x' I ) are extracted. As an example, FIG. 9 shows actual operation feature amounts extracted from each cluster indicated by broken lines 1100 to 1300 in FIG. As shown in FIG. 9, the actual operation feature closest to the representative point of each cluster is the extraction target.

なお、上記の実績操作特徴量の抽出方法は一例であって、これに限られるものではない。例えば、時系列抽出部205は、l=1,・・・,Lに対して、(x (m),・・・,x (m))∈Vのうち、j=1,・・・,Jに関する|f(x',・・・,x',z',・・・,z')-y (m)|の和と、i=1,・・・,Iに関する|μ (l)-x (m)|の和と、k=1,・・・,Kに関する|z'-z (m)|の和との総和が最も小さい実績操作特徴量(x (m),・・・,x (m))を抽出してもよい。又は、例えば、時系列抽出部205は、l=1,・・・,Lに対して、(x (m),・・・,x (m))∈Vのうち、j=1,・・・,Jに関する|f(μ (l),・・・,μ (l),z',・・・,z')-y (m)|の和と、i=1,・・・,Iに関する|μ (l)-x (m)|の和と、k=1,・・・,Kに関する|z'-z (m)|の和との総和が最も小さい実績操作特徴量(x (m),・・・,x (m))を抽出してもよい。 Note that the method for extracting the actual operation feature amount described above is an example, and is not limited to this. For example, the time series extraction unit 205 extracts j=1, . . . of (x 1 (m ) , . ..., the sum of |f j (x' 1 , ..., x' I , z' 1 , ..., z' K ) - y j (m) | for J, and i=1, ...・, the sum of |μ i (l) −x i (m) | for I and the sum of |z' k −z k (m) | for k=1, ..., K is the smallest Actual operation feature amounts (x 1 (m) , . . . , x I (m) ) may be extracted. Alternatively, for example, the time series extraction unit 205 extracts j=1 among (x 1 (m) , ..., x I (m) )∈V l for l=1, ..., L. , ..., the sum of |f j1 (l) , ..., μ I (l) , z' 1 , ..., z' K ) - y j (m) | for J, and The sum of |μ i (l) −x i (m) | for i=1, ..., I and the sum of |z' k -z k (m) | for k=1, ..., K The actual operation feature amount (x 1 (m) , . . . , x I (m) ) having the smallest total sum may be extracted.

そして、時系列抽出部205は、上記のステップS403で抽出したL個の実績操作特徴量にそれぞれ対応するL個の実績操作量系列を、提示対象の操作量系列として実績データ集合から抽出する(ステップS404)。これにより、最適な操作量系列に近い範囲内で多様性を持つL個の操作量系列{(X (m),・・・,X (m))|m∈M}(ただし、|M|=L)が得られる。 Then, the time series extraction unit 205 extracts L actual operation amount series corresponding to the L actual operation feature quantities extracted in step S403 above from the actual data set as operation amount series to be presented ( Step S404). As a result, L manipulated variable series {(X 1 (m) , ..., X I (m) ) | m∈M 2 } (where, |M 2 |=L) is obtained.

≪操作量系列抽出処理(実施例2)≫
実施例2における操作量系列抽出処理について、図10を参照しながら説明する。
≪Manipulated variable series extraction processing (Example 2)≫
The manipulated variable sequence extraction process in the second embodiment will be described with reference to FIG. 10.

まず、時系列抽出部205は、実績データ集合に含まれる各実績データに対してタグを付与する(ステップS501)。ここで、タグとは、実績データを何等かの基準で識別するための識別情報である。例えば、タグとしてオペレータ名やオペレータID等を用いることが考えられる。この場合、時系列抽出部205は、各実績データに対して、その実績データに含まれる操作量系列が得られたときに操作を行っていたオペレータを示すタグを設定(付与)する。なお、このとき、時系列抽出部205は、例えば、オペレータの勤務情報やログイン情報等を参照して、各実績データに含まれる操作量系列が得られたときに操作を行っていたオペレータを特定すればよい。一例として、I=2であり、オペレータAを示すタグA、オペレータBを示すタグB、オペレータCを示すタグCのいずれかのタグが実績データに付与された場合の実績操作特徴量を図11に示す。図11に示す例では、タグAが付与された実績データに含まれる実績操作特徴量と、タグBが付与された実績データに含まれる実績操作特徴量と、タグCが付与された実績データに含まれる実績操作特徴量と、最適操作特徴量とが示されている。 First, the time series extraction unit 205 attaches a tag to each performance data included in the performance data set (step S501). Here, the tag is identification information for identifying performance data based on some criteria. For example, it is possible to use an operator name, operator ID, etc. as a tag. In this case, the time series extraction unit 205 sets (adds) to each performance data a tag indicating the operator who was performing the operation when the operation amount series included in the performance data was obtained. At this time, the time series extraction unit 205 identifies the operator who was performing the operation when the operation amount series included in each performance data was obtained, for example, by referring to the operator's work information, login information, etc. do it. As an example, when I=2 and any one of the following tags: tag A indicating operator A, tag B indicating operator B, and tag C indicating operator C is attached to the record data, the actual operation feature amount is shown in FIG. Shown below. In the example shown in FIG. 11, the actual operation feature amount included in the actual performance data to which the tag A is attached, the actual operation feature amount included in the actual achievement data to which the tag B is attached, and the actual performance data to which the tag C is attached The included actual operation feature amounts and optimal operation feature amounts are shown.

次に、時系列抽出部205は、上記のステップS501で付与したタグの中から抽出対象とする複数のタグを選択する(ステップS502)。なお、時系列抽出部205は、上記のステップS501で付与したタグのすべてを抽出対象に選択してもよいし、一部のタグのみを抽出対象に選択してもよい。以下では、本ステップで選択されたタグ数をWとする。 Next, the time series extraction unit 205 selects a plurality of tags to be extracted from among the tags assigned in step S501 above (step S502). Note that the time series extraction unit 205 may select all of the tags assigned in step S501 above as extraction targets, or may select only some tags as extraction targets. In the following, the number of tags selected in this step is assumed to be W.

次に、時系列抽出部205は、上記のステップS502で選択したタグ毎に、そのタグが付与された実績データに含まれる実績操作特徴量の中から最適操作特徴量に最も近い実績操作特徴量を抽出する(ステップS503)。 Next, for each tag selected in step S502 above, the time series extraction unit 205 extracts the actual operation feature amount closest to the optimal operation feature amount from among the actual operation feature amounts included in the performance data to which the tag is attached. is extracted (step S503).

例えば、タグrが付与された実績データに含まれる実績操作特徴量の集合をVとすれば、時系列抽出部205は、タグr毎に、i=1,・・・,Iに関する|x'-x (m)|の和が最も小さい実績操作特徴量(x (m),・・・,x (m))∈Vを抽出すればよい。一例として、図11に示す例において、上記のステップS502でタグA、タグB、タグCが選択された場合に抽出対象となる実績操作特徴量を図12に示す。図12に示すように、タグ毎に、最適操作特徴量と最も近い実績操作特徴量が抽出対象となる。これにより、例えば、タグがオペレータ名やオペレータID等を示す場合には、W人のオペレータの好み等を考慮したW個の多様な実績操作特徴量が抽出される。 For example, if the set of performance operation features included in performance data to which tag r is attached is Vr , the time series extraction unit 205 extracts |x for i=1, . . . , I for each tag r. It is sufficient to extract the actual operation feature quantity ( x 1 (m) , . . . , x I (m) )∈V r for which the sum of ' i −x i (m) | is the smallest. As an example, in the example shown in FIG. 11, when tag A, tag B, and tag C are selected in step S502 described above, the actual operation feature amounts to be extracted are shown in FIG. As shown in FIG. 12, for each tag, the actual operation feature closest to the optimal operation feature is the extraction target. As a result, for example, when the tag indicates an operator name, an operator ID, etc., W various performance operation feature amounts are extracted in consideration of the preferences of W operators.

なお、上記の実績操作特徴量の抽出方法は一例であって、これに限られるものではない。例えば、時系列抽出部205は、タグr毎に、j=1,・・・,Jに関する|f(x',・・・,x',z',・・・,z')-y (m)|の和と、i=1,・・・,Iに関する|μ (l)-x (m)|の和と、k=1,・・・,Kに関する|z'-z (m)|の和との総和が最も小さい実績操作特徴量(x (m),・・・,x (m))∈Vを抽出してもよい。 Note that the method for extracting the actual operation feature amount described above is an example, and is not limited to this. For example, the time series extraction unit 205 extracts |f j (x' 1 , . . . , x' I , z' 1 , . . . , z' for j=1, . . . , J for each tag r. The sum of K ) −y j (m) | and the sum of |μ The actual operation feature amount (x 1 (m) , . . . , x I (m) ) ∈V r that has the smallest sum with the sum of |z′ k −z k (m) | may be extracted.

そして、時系列抽出部205は、上記のステップS503で抽出したW個の実績操作特徴量にそれぞれ対応するW個の実績操作量系列を、提示対象の操作量系列として実績データ集合から抽出する(ステップS504)。これにより、最適な操作量系列に近い範囲内で多様性を持つW個の操作量系列{(X (m),・・・,X (m))|m∈M}(ただし、|M|=W)が得られる。 Then, the time series extraction unit 205 extracts W actual operation amount series corresponding to the W actual operation feature quantities extracted in step S503 above from the actual data set as operation amount series to be presented ( Step S504). As a result, W manipulated variable sequences having diversity within a range close to the optimal manipulated variable sequence {(X 1 (m) , ..., X I (m) ) | m∈M 2 } (however, |M 2 |=W) is obtained.

<まとめ>
以上のように、本実施形態に係る運転支援装置10は、操作変数の特徴量と環境変数値から状態変数値を予測する予測モデルを学習した上で、この予測モデルにより状態変数値が目標値に近付くような最適な操作変数の特徴量を算出する。そして、本実施形態に係る運転支援装置10は、この最適な操作変数の特徴量を時系列に変換した際の操作量系列(つまり、最適な操作量系列)に近い範囲内にある多様な操作量系列をオペレータ等のユーザに出力する。これにより、過去の実績データにはない最適な操作変数の特徴量が最適解として得られ、その最適解に類似する範囲内の特徴量に対応する多様な操作量系列をオペレータ等のユーザに提示することができる。このため、オペレータ等のユーザは、これらの多様な操作量系列を候補として自身の経験則等に照らして妥当な操作量系列を選択し、選択した操作量系列により対象を運転したり、対象の運転計画を策定したりすることができる。
<Summary>
As described above, the driving support device 10 according to the present embodiment learns a prediction model that predicts a state variable value from the feature amount of the manipulated variable and the environment variable value, and then uses this prediction model to set the state variable value to the target value. Calculate the optimal feature quantity of the manipulated variable that approaches . The driving support device 10 according to the present embodiment performs various operations within a range close to the manipulated variable series (that is, the optimal manipulated variable series) when the feature amount of the optimal manipulated variable is converted into a time series. The quantity series is output to a user such as an operator. As a result, the optimal feature value of the manipulated variable that is not found in past performance data is obtained as the optimal solution, and various manipulated variable series corresponding to the feature value within a range similar to the optimal solution are presented to users such as operators. can do. Therefore, a user such as an operator selects a reasonable manipulated variable series from these various manipulated variable series as candidates, in light of his or her own empirical rules, and operates the target with the selected manipulated variable series. It is possible to formulate driving plans.

なお、例えば、オペレータ等のユーザによって選択された操作量系列により対象が運転された場合、その運転結果は実績データとして得られる。同様に、例えば、オペレータ等のユーザによって選択された操作量系列を参考に運転計画が策定された場合、この運転計画に従って対象が運転され、その運転結果は実績データとして得られる。したがって、このような実績データを用いて、上記のモデル学習処理を実行し、予測モデルfを再学習してもよい。 Note that, for example, when the object is operated according to a manipulated variable series selected by a user such as an operator, the operation results are obtained as performance data. Similarly, for example, when a driving plan is formulated with reference to a manipulated variable series selected by a user such as an operator, the object is driven according to this driving plan, and the driving results are obtained as performance data. Therefore, the above-described model learning process may be executed using such performance data to re-learn the predictive model f.

<変形例>
上記の実施形態の変形例をいくつか説明する。
<Modified example>
Some modifications of the above embodiment will be described.

≪変形例1≫
上記の実施形態では、最適な操作量系列に近い多様な操作量系列をオペレータ等のユーザに提示したが、これらの多様な操作量系列に加えて、最適な操作量系列(つまり、最適操作特徴量に対応する操作量系列)もオペレータ等のユーザに提示してもよい。
≪Modification 1≫
In the above embodiment, various manipulated variable series close to the optimal manipulated variable series are presented to users such as operators. The operation amount series corresponding to the amount) may also be presented to a user such as an operator.

≪変形例2≫
上記の操作量系列抽出処理の実施例2では、ステップS502で選択したタグ毎に、そのタグが付与された実績データに含まれる実績操作特徴量の中から最適操作特徴量に最も近い実績操作特徴量を抽出したが、実施例1と同様に、クラスタリングしてもよい。すなわち、ステップS502で選択したタグ毎に、そのタグが付与された実績データに含まれる実績操作特徴量をクラスタリングした複数のクラスタに分割した上で、実施例1と同様に、クラスタの代表点と最も近い実績操作特徴量を抽出してもよい。これにより、ステップS502で選択されたタグを{1,・・・,W}、タグr∈{1,・・・,W}が付与された実績データに含まれる実績操作特徴量をクラスタリングしたときのクラスタ数をnとすれば、n+・・・+n個の実績操作特徴量が抽出され、その結果、これらの実績操作特徴量にそれぞれ対応するn+・・・+n個の実績操作量系列が、提示対象の操作量系列として得られる。
≪Modification 2≫
In the second embodiment of the operation amount series extraction process described above, for each tag selected in step S502, the actual operation feature closest to the optimal operation feature from among the actual operation features included in the actual performance data to which that tag is attached Although the amounts were extracted, clustering may be performed as in the first embodiment. That is, for each tag selected in step S502, the performance operation feature amount included in the performance data to which the tag is attached is divided into a plurality of clusters, and then, as in the first embodiment, the representative point of the cluster is The closest actual operation feature quantity may be extracted. As a result, when the tag selected in step S502 is {1, ..., W}, and the performance operation feature amount included in the performance data to which the tag r∈{1, ..., W} is clustered, If the number of clusters is n r , then n 1 +...+n W actual operation feature quantities are extracted, and as a result, n 1 +...+n W pieces corresponding to these actual operation feature quantities are extracted. The actual manipulated variable series is obtained as the manipulated variable series to be presented.

≪変形例3≫
最適な操作量系列(つまり、最適操作特徴量に対応する操作量系列)の精度が十分に高い場合には、多様な操作量系列をオペレータ等のユーザに提示すると共に、最適な操作量系列により対象が自動運転されてもよい。
≪Modification 3≫
If the accuracy of the optimal manipulated variable series (that is, the manipulated variable series corresponding to the optimal manipulated feature) is sufficiently high, various manipulated variable series are presented to users such as operators, and the optimal manipulated variable series The object may be driven automatically.

本発明は、具体的に開示された上記の実施形態に限定されるものではなく、特許請求の範囲の記載から逸脱することなく、種々の変形や変更、既知の技術との組み合わせ等が可能である。 The present invention is not limited to the above-described specifically disclosed embodiments, and various modifications and changes, combinations with known techniques, etc. can be made without departing from the scope of the claims. be.

10 運転支援装置
101 入力装置
102 表示装置
103 外部I/F
103a 記録媒体
104 通信I/F
105 RAM
106 ROM
107 補助記憶装置
108 プロセッサ
109 バス
201 入力部
202 特徴量変換部
203 モデル学習部
204 最適化部
205 時系列抽出部
206 出力部
207 記憶部
10 Driving support device 101 Input device 102 Display device 103 External I/F
103a Recording medium 104 Communication I/F
105 RAM
106 ROM
107 Auxiliary storage device 108 Processor 109 Bus 201 Input section 202 Feature conversion section 203 Model learning section 204 Optimization section 205 Time series extraction section 206 Output section 207 Storage section

Claims (9)

過去の時間区間における操作変数の特徴量と、前記過去の時間区間における操作変数の時系列データとが対応付けられている実績データの集合を記憶する記憶部と、
過去の時間区間における前記操作変数の特徴量と、前記過去の時間区間における状態変数の特徴量と、前記過去の時間区間における環境変数の特徴量とを用いて、前記操作変数の特徴量と前記環境変数の特徴量から前記状態変数の特徴量を予測する予測モデルを学習するように構成されている学習部と、
将来の時間区間における前記環境変数の特徴量と、前記将来の時間区間における前記状態変数の目標特徴量とを用いて、前記予測モデルにより前記将来の時間区間における前記操作変数の最適特徴量を算出するように構成されている最適化部と、
前記記憶部に記憶されている実績データに含まれる操作変数の特徴量のうち、前記操作変数の最適特徴量に少なくとも類似するn(ただし、nは予め決められた2以上の整数)個の特徴量を用いて、前記将来の時間区間における操作変数の複数の時系列データとして、前記n個の特徴量のうちのいずれかの特徴量にそれぞれ対応するn'(ただし、n'は、n'≦nを満たす2以上の整数)個の時系列データを前記記憶部から抽出するように構成されている時系列抽出部と、
を有する運転支援装置。
a storage unit that stores a set of performance data in which feature quantities of manipulated variables in a past time interval are associated with time-series data of manipulated variables in the past time interval;
Using the feature amount of the manipulated variable in the past time interval, the feature amount of the state variable in the past time interval, and the feature amount of the environment variable in the past time interval, a learning unit configured to learn a prediction model that predicts the feature amount of the state variable from the feature amount of the environmental variable;
Calculating the optimal feature amount of the manipulated variable in the future time interval using the prediction model using the feature amount of the environment variable in the future time interval and the target feature amount of the state variable in the future time interval. an optimization unit configured to:
Among the features of the manipulated variables included in the performance data stored in the storage unit, n (where n is a predetermined integer of 2 or more) features that are at least similar to the optimal feature of the manipulated variables. n' corresponding to any one of the n feature quantities (however, n' is n' a time series extraction unit configured to extract time series data (an integer of 2 or more satisfying ≦n) from the storage unit ;
A driving support device with
前記時系列抽出部は、
前記操作変数の最適特徴量に類似するn個の特徴量を前記実績データから抽出し、
前記n個の特徴量の集合をクラスタリング手法によりn'個のクラスタに分割し、
前記クラスタ毎に、前記クラスタの代表点と最も類似する特徴量に対応付けられている時系列データを前記実績データから抽出することで、前記n'個の時系列データを抽出するように構成されている請求項に記載の運転支援装置。
The time series extraction unit is
extracting n feature quantities similar to the optimal feature quantity of the manipulated variable from the performance data;
Divide the set of n features into n' clusters using a clustering method,
For each cluster, the n' time series data are extracted by extracting time series data associated with a feature most similar to a representative point of the cluster from the performance data. The driving support device according to claim 1 .
前記実績データには、n'個のタグのうちのいずれかのタグが設定されており、
前記時系列抽出部は、
前記実績データに設定されているタグ毎に、前記操作変数の最適特徴量と最も類似する特徴量に対応付けられている時系列データを前記実績データから抽出することで、前記n'個の時系列データを抽出するように構成されている請求項に記載の運転支援装置。
Any one of n' tags is set in the performance data,
The time series extraction unit is
For each tag set in the performance data, by extracting time-series data associated with the feature most similar to the optimal feature of the manipulated variable from the performance data, The driving support device according to claim 1 , configured to extract series data.
前記タグは、前記実績データに含まれる時系列データによって表される操作系列を操作したオペレータを識別する情報である、請求項に記載の運転支援装置。 The driving support device according to claim 3 , wherein the tag is information that identifies an operator who operated an operation sequence represented by time series data included in the performance data. 前記時系列抽出部によって抽出されたn'個の時系列データを所定の出力先に出力するように構成されている出力部を更に有する請求項1乃至の何れか一項に記載の運転支援装置。 The driving support according to any one of claims 1 to 4 , further comprising an output section configured to output the n' time series data extracted by the time series extraction section to a predetermined output destination. Device. 前記過去の時間区間における操作変数の時系列データと、前記過去の時間区間における状態変数の特徴量と、前記過去の時間区間における環境変数の特徴量とを対象から収集するように構成されている収集部と、
前記過去の時間区間における操作変数の時系列データの平均値又は合計を、前記過去の時間区間における操作変数の特徴量として算出するように構成されている特徴量変換部と、を更に有する請求項に記載の運転支援装置。
It is configured to collect time-series data of manipulated variables in the past time interval, feature quantities of state variables in the past time interval, and feature quantities of environmental variables in the past time interval from the target. collection department and
Claim further comprising: a feature converter configured to calculate an average value or a total of time-series data of the manipulated variable in the past time interval as a feature of the manipulated variable in the past time interval. 5. The driving support device according to 5 .
前記学習部は、
前記過去の時間区間における操作変数の特徴量と前記過去の時間区間における環境変数の特徴量とを入力して、前記過去の時間区間における状態変数の特徴量の予測精度が高くなるように前記予測モデルを学習するように構成されている、請求項に記載の運転支援装置。
The learning department is
The feature quantity of the manipulated variable in the past time interval and the feature quantity of the environmental variable in the past time interval are input, and the prediction is made so that the prediction accuracy of the feature quantity of the state variable in the past time interval is high. The driving assistance device according to claim 6 , configured to learn a model.
過去の時間区間における操作変数の特徴量と、前記過去の時間区間における操作変数の時系列データとが対応付けられている実績データの集合を記憶部に記憶させる記憶手順と、
過去の時間区間における前記操作変数の特徴量と、前記過去の時間区間における状態変数の特徴量と、前記過去の時間区間における環境変数の特徴量とを用いて、前記操作変数の特徴量と前記環境変数の特徴量から前記状態変数の特徴量を予測する予測モデルを学習するように構成されている学習手順と、
将来の時間区間における前記環境変数の特徴量と、前記将来の時間区間における前記状態変数の目標特徴量とを用いて、前記予測モデルにより前記将来の時間区間における前記操作変数の最適特徴量を算出するように構成されている最適化手順と、
前記記憶部に記憶されている実績データに含まれる操作変数の特徴量のうち、前記操作変数の最適特徴量に少なくとも類似するn(ただし、nは予め決められた2以上の整数)個の特徴量を用いて、前記将来の時間区間における操作変数の複数の時系列データとして、前記n個の特徴量のうちのいずれかの特徴量にそれぞれ対応するn'(ただし、n'は、n'≦nを満たす2以上の整数)個の時系列データを前記記憶部から抽出するように構成されている時系列抽出手順と、
をコンピュータが実行する運転支援方法。
a storage procedure for storing in a storage unit a set of performance data in which feature quantities of manipulated variables in a past time interval are associated with time-series data of manipulated variables in the past time interval;
Using the feature amount of the manipulated variable in the past time interval, the feature amount of the state variable in the past time interval, and the feature amount of the environment variable in the past time interval, a learning procedure configured to learn a prediction model that predicts the feature amount of the state variable from the feature amount of the environmental variable;
Calculating the optimal feature amount of the manipulated variable in the future time interval using the prediction model using the feature amount of the environment variable in the future time interval and the target feature amount of the state variable in the future time interval. an optimization procedure configured to
Among the features of the manipulated variables included in the performance data stored in the storage unit, n (where n is a predetermined integer of 2 or more) features that are at least similar to the optimal feature of the manipulated variable. n' corresponding to any one of the n feature quantities (however, n' is n' a time series extraction procedure configured to extract time series data (an integer of 2 or more satisfying ≦n) from the storage unit ;
A driving assistance method performed by a computer.
過去の時間区間における操作変数の特徴量と、前記過去の時間区間における操作変数の時系列データとが対応付けられている実績データの集合を記憶部に記憶させる記憶手順と、
過去の時間区間における前記操作変数の特徴量と、前記過去の時間区間における状態変数の特徴量と、前記過去の時間区間における環境変数の特徴量とを用いて、前記操作変数の特徴量と前記環境変数の特徴量から前記状態変数の特徴量を予測する予測モデルを学習するように構成されている学習手順と、
将来の時間区間における前記環境変数の特徴量と、前記将来の時間区間における前記状態変数の目標特徴量とを用いて、前記予測モデルにより前記将来の時間区間における前記操作変数の最適特徴量を算出するように構成されている最適化手順と、
前記記憶部に記憶されている実績データに含まれる操作変数の特徴量のうち、前記操作変数の最適特徴量に少なくとも類似するn(ただし、nは予め決められた2以上の整数)個の特徴量を用いて、前記将来の時間区間における操作変数の複数の時系列データとして、前記n個の特徴量のうちのいずれかの特徴量にそれぞれ対応するn'(ただし、n'は、n'≦nを満たす2以上の整数)個の時系列データを前記記憶部から抽出するように構成されている時系列抽出手順と、
をコンピュータに実行させるプログラム。
a storage procedure for storing in a storage unit a set of performance data in which feature quantities of manipulated variables in a past time interval are associated with time-series data of manipulated variables in the past time interval;
Using the feature amount of the manipulated variable in the past time interval, the feature amount of the state variable in the past time interval, and the feature amount of the environment variable in the past time interval, a learning procedure configured to learn a prediction model that predicts the feature amount of the state variable from the feature amount of the environmental variable;
Calculating the optimal feature amount of the manipulated variable in the future time interval using the prediction model using the feature amount of the environment variable in the future time interval and the target feature amount of the state variable in the future time interval. an optimization procedure configured to
Among the features of the manipulated variables included in the performance data stored in the storage unit, n (where n is a predetermined integer of 2 or more) features that are at least similar to the optimal feature of the manipulated variables. n' corresponding to any one of the n feature quantities (however, n' is n' a time series extraction procedure configured to extract time series data (an integer of 2 or more satisfying ≦n) from the storage unit ;
A program that causes a computer to execute.
JP2022192645A 2022-12-01 2022-12-01 Driving support device, driving support method and program Active JP7384265B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2022192645A JP7384265B1 (en) 2022-12-01 2022-12-01 Driving support device, driving support method and program

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2022192645A JP7384265B1 (en) 2022-12-01 2022-12-01 Driving support device, driving support method and program

Publications (2)

Publication Number Publication Date
JP7384265B1 true JP7384265B1 (en) 2023-11-21
JP2024079938A JP2024079938A (en) 2024-06-13

Family

ID=88833372

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022192645A Active JP7384265B1 (en) 2022-12-01 2022-12-01 Driving support device, driving support method and program

Country Status (1)

Country Link
JP (1) JP7384265B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7468766B1 (en) 2023-10-18 2024-04-16 富士電機株式会社 Driving assistance device, driving assistance method, and program

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7081728B1 (en) 2022-01-20 2022-06-07 富士電機株式会社 Driving support equipment, driving support methods and programs

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06274470A (en) * 1993-03-19 1994-09-30 Mitsubishi Electric Corp Presuming device
JP2002023806A (en) * 2000-07-12 2002-01-25 Hitachi Ltd Process controller
JP5301717B1 (en) * 2012-08-01 2013-09-25 株式会社日立パワーソリューションズ Equipment condition monitoring method and apparatus
JP5530019B1 (en) * 2013-11-01 2014-06-25 株式会社日立パワーソリューションズ Abnormal sign detection system and abnormality sign detection method
JP6798825B2 (en) * 2016-08-29 2020-12-09 公立大学法人大阪 Data analysis device, control device, control method of data analysis device, control program, and recording medium
JP7233964B2 (en) * 2019-02-26 2023-03-07 三菱重工業株式会社 Driving indicator presentation device, driving indicator presentation method, and program
JP7088427B1 (en) * 2022-01-20 2022-06-21 富士電機株式会社 Driving support equipment, driving support methods and programs

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7081728B1 (en) 2022-01-20 2022-06-07 富士電機株式会社 Driving support equipment, driving support methods and programs

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7468766B1 (en) 2023-10-18 2024-04-16 富士電機株式会社 Driving assistance device, driving assistance method, and program

Also Published As

Publication number Publication date
JP2024079938A (en) 2024-06-13

Similar Documents

Publication Publication Date Title
CN108875784B (en) Method and system for data-based optimization of performance metrics in industry
Juan et al. Accelerating materials discovery using machine learning
Yuan et al. Weighted linear dynamic system for feature representation and soft sensor application in nonlinear dynamic industrial processes
Cheng et al. Fuzzy time series forecasting based on fuzzy logical relationships and similarity measures
JP7081728B1 (en) Driving support equipment, driving support methods and programs
Larranaga et al. Machine learning in bioinformatics
Ahn et al. Global optimization of case-based reasoning for breast cytology diagnosis
JP2013025367A (en) Facility state monitoring method and device of the same
KR102660544B1 (en) Control apparatus, controller, control system, control method and control program
JP7384265B1 (en) Driving support device, driving support method and program
CN113741394B (en) Industrial equipment fault diagnosis system based on semi-supervised incremental learning
JP7207596B1 (en) Driving support device, driving support method and program
EP3712895A1 (en) Biological reaction information processing system and biological reaction information processing method
JP7088427B1 (en) Driving support equipment, driving support methods and programs
VE et al. Mrmr-eho-based feature selection algorithm for regression modelling
CN116226748A (en) Multi-label co-occurrence network discrimination-based electricity stealing type detection method and system
Guo et al. Exemplar-supported representation for effective class-incremental learning
Liu et al. Residual useful life prognosis of equipment based on modified hidden semi-Markov model with a co-evolutional optimization method
CN113887115A (en) Method, device, equipment and storage medium for safety detection of running state
KR102639188B1 (en) Dynamic price decision method and dynamic price decision system based on deep learning
Sharma et al. Stock Market Predictions Using Deep Learning: Developments and Future Research Directions
Fister et al. Continuous optimizers for automatic design and evaluation of classification pipelines
Liang et al. A robust evaluating strategy of tunnel deterioration using ensemble machine learning algorithms
Kordík et al. On performance of meta-learning templates on different datasets
Dao et al. Mining for Building Energy-consumption Patterns by using Intelligent Clustering

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20221201

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20221201

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230214

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230308

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230516

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230714

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20231010

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20231023

R150 Certificate of patent or registration of utility model

Ref document number: 7384265

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150