JP7459161B2 - モデル評価装置、フィルタ生成装置、モデル評価方法、フィルタ生成方法及びプログラム - Google Patents
モデル評価装置、フィルタ生成装置、モデル評価方法、フィルタ生成方法及びプログラム Download PDFInfo
- Publication number
- JP7459161B2 JP7459161B2 JP2022060531A JP2022060531A JP7459161B2 JP 7459161 B2 JP7459161 B2 JP 7459161B2 JP 2022060531 A JP2022060531 A JP 2022060531A JP 2022060531 A JP2022060531 A JP 2022060531A JP 7459161 B2 JP7459161 B2 JP 7459161B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- tensor
- variable
- sub
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims description 237
- 238000011156 evaluation Methods 0.000 title claims description 58
- 230000008569 process Effects 0.000 claims description 225
- 230000006866 deterioration Effects 0.000 claims description 129
- 230000001186 cumulative effect Effects 0.000 claims description 126
- 238000006243 chemical reaction Methods 0.000 claims description 96
- 238000012545 processing Methods 0.000 claims description 75
- 238000013178 mathematical model Methods 0.000 claims description 72
- 238000004458 analytical method Methods 0.000 claims description 46
- 239000000126 substance Substances 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 12
- 230000002123 temporal effect Effects 0.000 claims description 9
- 238000009825 accumulation Methods 0.000 claims description 8
- 230000035508 accumulation Effects 0.000 claims description 8
- 230000007717 exclusion Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 description 38
- 238000010586 diagram Methods 0.000 description 38
- 230000006399 behavior Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 230000007423 decrease Effects 0.000 description 6
- 238000007599 discharging Methods 0.000 description 6
- 238000012854 evaluation process Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000003993 interaction Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 4
- 230000010365 information processing Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005401 electroluminescence Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Description
(1):この発明の一態様に係るモデル評価装置は、解析対象の劣化を予測する数理モデルの生成に用いられた生成用データに基づき第1処理によって生成された第1副フィルタ情報と、前記第1副フィルタ情報を用いて前記数理モデルの予測の結果の信頼度を推定する規則を示す第2副フィルタ情報と、が学習により更新された更新後の前記第2副フィルタ情報を取得する取得部と、前記数理モデルに入力される予定の入力予定データが実際に前記数理モデルに入力された場合における、前記数理モデルの予測の精度を、前記第2副フィルタ情報を用いて評価する評価部と、を備えるものである。
図1は、実施形態のモデル評価システム100の概要を説明する説明図である。モデル評価システム100は、モデル評価装置1及び生成装置2を備える。
生成用データは、例えば、解析対象の使用履歴を示すデータである。解析対象の使用履歴を示すデータは、例えば、複数種類の劣化関連変数それぞれの時間変化を示す多次元の時系列データ(以下「多次元時系列データ」という。)である。劣化関連変数は、解析対象の劣化に係る状態を表す変数である。
念のため、生成用データの範囲の定義を説明する。数理モデルは数学的には、入力されるデータを説明変数とし出力するデータを目的変数とする写像である。そして数理モデルは説明変数の定義域内のデータに対しては何かしら出力することが可能である。出力される目的変数の値が数理モデルの予測の結果である。
図3は、実施形態におけるデータ変換処理を説明する第1の説明図である。より具体的には、図3は、データ変換処理において実行される処理の1つの具体例を説明する説明図である。図3の例ではデータ変換処理において、SOC、温度、充電電流及び放電電流の各時系列のサンプルを、SOC、温度、充電電流及び放電電流の各値で分類することが行われる。図3の例では、SOC1~SOC10の10の範囲が予めSOCの値に対して定義されており、データ変換処理ではSOCの時系列の各サンプルはSOC1~SOC10のいずれに属するかが判定される。
ここで第1上位値ベクトルの有する情報について説明する。第1上位値ベクトルは、多次元時系列データに対するデータ変換処理によって得られたデータである。上述したように、データ変換処理ではまず、累積時間テンソル生成処理が実行される。累積時間テンソル生成処理では上述したように、各変数種類の劣化関連変数について分類ごとに累積時間を得ているので、時間分解能の劣化を除いて情報の消失はない。
ここまで記載した、1又は複数の多次元時系列データを第1上位値ベクトルに変換する処理は、データ変換処理が含む処理の1つである。以下、このような1又は複数の多次元時系列データを第1上位値ベクトルに変換する処理を第1変換処理という。第1変換処理は、第1規則に含まれる規則にしたがって実行される処理の一例である。
ここで第2上位値ベクトルの有する情報について説明する。これまでの説明から、第2上位値ベクトルは、同一の変数種類に属する各分類単体の範囲を網羅する情報である、と言える。また、第2上位値ベクトルは、第1上位値ベクトルと異なり確率値ではないので、同一の変数種類に属する他の分類の情報も含んだ1次元の情報ではない。すなわち第1上位値ベクトルに比べて非相対的な度合いの強い情報であり、絶対的な度合いの強い情報である。
第2副フィルタ情報の一例について述べる。第1上位値ベクトル及び第2上位値ベクトルの示す値を最大値とする値の範囲が、生成用データの範囲の一例である。上述したように、生成用データの範囲を定義する情報が第2副フィルタ情報である。したがって、第1上位値ベクトル及び第2上位値ベクトルの示す値を最大値とする値の範囲である、ということを示す情報が、第2副フィルタ情報の一例である。そのため、第2副フィルタ情報の内容は、例えば第1上位値ベクトル及び第2上位値ベクトルが更新されれば、生成用データの範囲を示す具体的な値が変更される情報である。
<仮想データの生成について>
フィルタ更新処理では、劣化予測モデルの生成時に用いられた生成用データだけでなく、所定の条件を満たすように生成された多次元時系列データ(以下「仮想データ」という。)にも基づいてフィルタ処理の内容の更新が行われてもよい。フィルタ更新処理では、仮想データに対してもまた、生成用データと同様の処理が実行される。すなわち、仮想データは生成用データを水増しするデータである。
フィルタ更新処理では、データ包含率に基づき、データ包含率を向上させるようにフィルタ処理の内容が更新されてもよい。データ包含率は、実測で得られたデータに対する数理モデルの推定の結果の信頼度が所定の信頼度以上である確率、である。データ包含率を向上させるようにフィルタ処理の内容を更新する、という規則は、入力予定データが保証範囲内データか否かを判定する判定の精度を高めるような更新の規則の一例である。
フィルタ更新処理では、生成用データから得られた変数確率値テンソルに対して時系列の始まりを期間の開始とする期間(以下「初期期間」という。)に属するサンプルを除外する処理(以下「初期データ除外処理」という。)が実行されてもよい。変数確率値テンソルは、上述したように時間軸の量が累積時間である時系列である。そして変数確率値テンソルは、確率値を示す時系列である。
Claims (10)
- 解析対象の劣化を予測する数理モデルの生成に用いられた生成用データに基づき第1処理によって生成された第1副フィルタ情報と、前記第1副フィルタ情報を用いて前記数理モデルの予測の結果の信頼度を推定する規則を示す第2副フィルタ情報と、が学習により更新された更新後の前記第2副フィルタ情報を取得する取得部と、
前記数理モデルに入力される予定の入力予定データが実際に前記数理モデルに入力された場合における、前記数理モデルの予測の精度を、前記第2副フィルタ情報を用いて評価する評価部と、
を備え、
前記生成用データは、前記解析対象の劣化に係る状態を表す複数種類の変数それぞれの時間変化を示す多次元の時系列データであり、
前記第1処理は、前記多次元の時系列データを1次元のデータに変換するデータ変換処理であり、
前記データ変換処理は、1又は複数の前記多次元の時系列データから得られるテンソルであって、前記変数ごとに予め定められた分類と、期間の開始を同一にする予め定められた複数の累積対象期間と、の各組ごとに各前記多次元の時系列データが存在した累積時間を前記多次元の時系列データごとに示すテンソルである累積時間テンソルの取得の処理と、
各前記多次元の時系列データと、各前記期間と、各種類の劣化関連変数との組ごとに各前記分類の累積時間の和が1であるように前記累積時間テンソルの各要素を変換する変数確率値変換処理と、
前記変数確率値変換処理の実行による変換後の累積時間テンソルである変数確率値テンソルに基づき、前記変数確率値テンソルの全要素のうち、属する前記変数の種類と前記分類とを同一にする要素のうち、値について大きい方から数えてP番目(Pは1以上の予め定められた所定の整数。)であるという条件を満たす要素、を要素とする1次元のベクトルである第1上位値ベクトルを、得る処理と、
前記累積時間テンソルの全要素のうち、累積時間テンソルの示す期間のうち長い方からQ番目(Qは1以上の予め定められた所定の整数。)以内であるという期間条件を満たす期間において、属する変数種類及び分類を同一にする要素のうち、値について大きい方から数えてR番目(Rは1以上の予め定められた所定の整数。RはPと同じであってもよいし異なってもよい)であるという条件を満たす要素、を要素とする1次元のベクトルである第2上位値ベクトル、を前記累積時間テンソルに基づいて得る処理と、
を含み、
前記第1副フィルタ情報は、前記第1上位値ベクトルと前記第2上位値ベクトルとを含む、
モデル評価装置。 - 前記学習では、前記生成用データにくわえてさらに、前記変数の前記分類ごとの値であって、前記分類ごとの前記変数の値の平均値及び分布幅が予め定められた所定の値である、という第1副仮想データ条件と、互いに異なる前記種類の前記変数について前記変数の値の平均値の組ごとの交互作用の大きさを示す値が前記平均値の組ごとに予め定められた所定の値である、という第2副仮想データ条件と、前記変数の各前記分類の累積時間が、前記変数及び分類ごとに予め定められた所定の累積時間である、という第3副仮想データ条件と、を満たす多次元の時系列データである仮想データ、も用いられる、
請求項1に記載のモデル評価装置。 - 前記学習では、実測で得られたデータに対する前記数理モデルの推定の結果の信頼度が所定の信頼度以上である確率であるデータ包含率、を向上させるように前記第1副フィルタ情報と、前記第2副フィルタ情報とが更新される、
請求項1又は2に記載のモデル評価装置。 - 前記学習では、前記数理モデルの推定の結果と前記解析対象の劣化が有する物理的又は化学的特性との違いを小さくするように前記第1副フィルタ情報と、前記第2副フィルタ情報とが更新される、
請求項1から3のいずれか一項に記載のモデル評価装置。 - 前記生成用データは、前記解析対象の劣化に係る状態を表す複数種類の変数それぞれの時間変化を示す多次元の時系列データであり、
前記第1処理は、前記多次元の時系列データを1次元のデータに変換するデータ変換処理であり、
前記データ変換処理は、1又は複数の前記多次元の時系列データから得られるテンソルであって、前記変数ごとに予め定められた分類と、期間の開始を同一にする予め定められた複数の累積対象期間と、の各組ごとに各前記多次元の時系列データが存在した累積時間を前記多次元の時系列データごとに示すテンソルである累積時間テンソルの取得の処理と、各前記多次元の時系列データと、各前記期間と、各種類の劣化関連変数との組ごとに各前記分類の累積時間の和が1であるように前記累積時間テンソルの各要素を変換する変数確率値変換処理と、
を含み、
前記学習では、前記生成用データから得られたテンソルであって、前記変数確率値変換処理の実行による変換後の累積時間テンソルである変数確率値テンソルに対して時系列の始まりを期間の開始とする期間に属するサンプルを除外する初期データ除外処理、が実行される、
請求項1から4のいずれか一項に記載のモデル評価装置。 - 解析対象の劣化を予測する数理モデルの生成に用いられたデータである生成用データに基づき第1処理によって生成されたデータである第1副フィルタ情報と、前記第1副フィルタ情報を用いて前記数理モデルの予測の結果の信頼度を推定する規則を示す第2副フィルタ情報と、を学習により更新する学習部、
を備え、
前記生成用データは、前記解析対象の劣化に係る状態を表す複数種類の変数それぞれの時間変化を示す多次元の時系列データであり、
前記第1処理は、前記多次元の時系列データを1次元のデータに変換するデータ変換処理であり、
前記データ変換処理は、1又は複数の前記多次元の時系列データから得られるテンソルであって、前記変数ごとに予め定められた分類と、期間の開始を同一にする予め定められた複数の累積対象期間と、の各組ごとに各前記多次元の時系列データが存在した累積時間を前記多次元の時系列データごとに示すテンソルである累積時間テンソルの取得の処理と、
各前記多次元の時系列データと、各前記期間と、各種類の劣化関連変数との組ごとに各前記分類の累積時間の和が1であるように前記累積時間テンソルの各要素を変換する変数確率値変換処理と、
前記変数確率値変換処理の実行による変換後の累積時間テンソルである変数確率値テンソルに基づき、前記変数確率値テンソルの全要素のうち、属する前記変数の種類と前記分類とを同一にする要素のうち、値について大きい方から数えてP番目(Pは1以上の予め定められた所定の整数。)であるという条件を満たす要素、を要素とする1次元のベクトルである第1上位値ベクトルを、得る処理と、
前記累積時間テンソルの全要素のうち、累積時間テンソルの示す期間のうち長い方からQ番目(Qは1以上の予め定められた所定の整数。)以内であるという期間条件を満たす期間において、属する変数種類及び分類を同一にする要素のうち、値について大きい方から数えてR番目(Rは1以上の予め定められた所定の整数。RはPと同じであってもよいし異なってもよい)であるという条件を満たす要素、を要素とする1次元のベクトルである第2上位値ベクトル、を前記累積時間テンソルに基づいて得る処理と、
を含み、
前記第1副フィルタ情報は、前記第1上位値ベクトルと前記第2上位値ベクトルとを含む、
フィルタ生成装置。 - コンピュータが実行するモデル評価方法であって、
解析対象の劣化を予測する数理モデルの生成に用いられた生成用データに基づき第1処理によって生成された第1副フィルタ情報と、前記第1副フィルタ情報を用いて前記数理モデルの予測の結果の信頼度を推定する規則を示す第2副フィルタ情報と、が学習により更新された更新後の前記第2副フィルタ情報を取得する取得ステップと、
前記数理モデルに入力される予定の入力予定データが実際に前記数理モデルに入力された場合における、前記数理モデルの予測の精度を、前記第2副フィルタ情報を用いて評価する評価ステップと、
を有し、
前記生成用データは、前記解析対象の劣化に係る状態を表す複数種類の変数それぞれの時間変化を示す多次元の時系列データであり、
前記第1処理は、前記多次元の時系列データを1次元のデータに変換するデータ変換処理であり、
前記データ変換処理は、1又は複数の前記多次元の時系列データから得られるテンソルであって、前記変数ごとに予め定められた分類と、期間の開始を同一にする予め定められた複数の累積対象期間と、の各組ごとに各前記多次元の時系列データが存在した累積時間を前記多次元の時系列データごとに示すテンソルである累積時間テンソルの取得の処理と、
各前記多次元の時系列データと、各前記期間と、各種類の劣化関連変数との組ごとに各前記分類の累積時間の和が1であるように前記累積時間テンソルの各要素を変換する変数確率値変換処理と、
前記変数確率値変換処理の実行による変換後の累積時間テンソルである変数確率値テンソルに基づき、前記変数確率値テンソルの全要素のうち、属する前記変数の種類と前記分類とを同一にする要素のうち、値について大きい方から数えてP番目(Pは1以上の予め定められた所定の整数。)であるという条件を満たす要素、を要素とする1次元のベクトルである第1上位値ベクトルを、得る処理と、
前記累積時間テンソルの全要素のうち、累積時間テンソルの示す期間のうち長い方からQ番目(Qは1以上の予め定められた所定の整数。)以内であるという期間条件を満たす期間において、属する変数種類及び分類を同一にする要素のうち、値について大きい方から数えてR番目(Rは1以上の予め定められた所定の整数。RはPと同じであってもよいし異なってもよい)であるという条件を満たす要素、を要素とする1次元のベクトルである第2上位値ベクトル、を前記累積時間テンソルに基づいて得る処理と、
を含み、
前記第1副フィルタ情報は、前記第1上位値ベクトルと前記第2上位値ベクトルとを含む、
モデル評価方法。 - コンピュータ実行するフィルタ生成方法であって、
解析対象の劣化を予測する数理モデルの生成に用いられたデータである生成用データに基づき第1処理によって生成されたデータである第1副フィルタ情報と、前記第1副フィルタ情報を用いて前記数理モデルの予測の結果の信頼度を推定する規則を示す第2副フィルタ情報と、を学習により更新する学習ステップ、
を有し、
前記生成用データは、前記解析対象の劣化に係る状態を表す複数種類の変数それぞれの時間変化を示す多次元の時系列データであり、
前記第1処理は、前記多次元の時系列データを1次元のデータに変換するデータ変換処理であり、
前記データ変換処理は、1又は複数の前記多次元の時系列データから得られるテンソルであって、前記変数ごとに予め定められた分類と、期間の開始を同一にする予め定められた複数の累積対象期間と、の各組ごとに各前記多次元の時系列データが存在した累積時間を前記多次元の時系列データごとに示すテンソルである累積時間テンソルの取得の処理と、
各前記多次元の時系列データと、各前記期間と、各種類の劣化関連変数との組ごとに各前記分類の累積時間の和が1であるように前記累積時間テンソルの各要素を変換する変数確率値変換処理と、
前記変数確率値変換処理の実行による変換後の累積時間テンソルである変数確率値テンソルに基づき、前記変数確率値テンソルの全要素のうち、属する前記変数の種類と前記分類とを同一にする要素のうち、値について大きい方から数えてP番目(Pは1以上の予め定められた所定の整数。)であるという条件を満たす要素、を要素とする1次元のベクトルである第1上位値ベクトルを、得る処理と、
前記累積時間テンソルの全要素のうち、累積時間テンソルの示す期間のうち長い方からQ番目(Qは1以上の予め定められた所定の整数。)以内であるという期間条件を満たす期間において、属する変数種類及び分類を同一にする要素のうち、値について大きい方から数えてR番目(Rは1以上の予め定められた所定の整数。RはPと同じであってもよいし異なってもよい)であるという条件を満たす要素、を要素とする1次元のベクトルである第2上位値ベクトル、を前記累積時間テンソルに基づいて得る処理と、
を含み、
前記第1副フィルタ情報は、前記第1上位値ベクトルと前記第2上位値ベクトルとを含む、
フィルタ生成方法。 - コンピュータに、
解析対象の劣化を予測する数理モデルの生成に用いられた生成用データに基づき第1処理によって生成された第1副フィルタ情報と、前記第1副フィルタ情報を用いて前記数理モデルの予測の結果の信頼度を推定する規則を示す第2副フィルタ情報と、が学習により更新された更新後の前記第2副フィルタ情報を取得する処理と、
前記数理モデルに入力される予定の入力予定データが実際に前記数理モデルに入力された場合における、前記数理モデルの予測の精度を、前記第2副フィルタ情報を用いて評価する処理と、
を実行させ、
前記生成用データは、前記解析対象の劣化に係る状態を表す複数種類の変数それぞれの時間変化を示す多次元の時系列データであり、
前記第1処理は、前記多次元の時系列データを1次元のデータに変換するデータ変換処理であり、
前記データ変換処理は、1又は複数の前記多次元の時系列データから得られるテンソルであって、前記変数ごとに予め定められた分類と、期間の開始を同一にする予め定められた複数の累積対象期間と、の各組ごとに各前記多次元の時系列データが存在した累積時間を前記多次元の時系列データごとに示すテンソルである累積時間テンソルの取得の処理と、
各前記多次元の時系列データと、各前記期間と、各種類の劣化関連変数との組ごとに各前記分類の累積時間の和が1であるように前記累積時間テンソルの各要素を変換する変数確率値変換処理と、
前記変数確率値変換処理の実行による変換後の累積時間テンソルである変数確率値テンソルに基づき、前記変数確率値テンソルの全要素のうち、属する前記変数の種類と前記分類とを同一にする要素のうち、値について大きい方から数えてP番目(Pは1以上の予め定められた所定の整数。)であるという条件を満たす要素、を要素とする1次元のベクトルである第1上位値ベクトルを、得る処理と、
前記累積時間テンソルの全要素のうち、累積時間テンソルの示す期間のうち長い方からQ番目(Qは1以上の予め定められた所定の整数。)以内であるという期間条件を満たす期間において、属する変数種類及び分類を同一にする要素のうち、値について大きい方から数えてR番目(Rは1以上の予め定められた所定の整数。RはPと同じであってもよいし異なってもよい)であるという条件を満たす要素、を要素とする1次元のベクトルである第2上位値ベクトル、を前記累積時間テンソルに基づいて得る処理と、
を含み、
前記第1副フィルタ情報は、前記第1上位値ベクトルと前記第2上位値ベクトルとを含む、
プログラム。 - コンピュータに、
解析対象の劣化を予測する数理モデルの生成に用いられたデータである生成用データに基づき第1処理によって生成されたデータである第1副フィルタ情報と、前記第1副フィルタ情報を用いて前記数理モデルの予測の結果の信頼度を推定する規則を示す第2副フィルタ情報と、を学習により更新する処理、
を実行させ、
前記生成用データは、前記解析対象の劣化に係る状態を表す複数種類の変数それぞれの時間変化を示す多次元の時系列データであり、
前記第1処理は、前記多次元の時系列データを1次元のデータに変換するデータ変換処理であり、
前記データ変換処理は、1又は複数の前記多次元の時系列データから得られるテンソルであって、前記変数ごとに予め定められた分類と、期間の開始を同一にする予め定められた複数の累積対象期間と、の各組ごとに各前記多次元の時系列データが存在した累積時間を前記多次元の時系列データごとに示すテンソルである累積時間テンソルの取得の処理と、
各前記多次元の時系列データと、各前記期間と、各種類の劣化関連変数との組ごとに各前記分類の累積時間の和が1であるように前記累積時間テンソルの各要素を変換する変数確率値変換処理と、
前記変数確率値変換処理の実行による変換後の累積時間テンソルである変数確率値テンソルに基づき、前記変数確率値テンソルの全要素のうち、属する前記変数の種類と前記分類とを同一にする要素のうち、値について大きい方から数えてP番目(Pは1以上の予め定められた所定の整数。)であるという条件を満たす要素、を要素とする1次元のベクトルである第1上位値ベクトルを、得る処理と、
前記累積時間テンソルの全要素のうち、累積時間テンソルの示す期間のうち長い方からQ番目(Qは1以上の予め定められた所定の整数。)以内であるという期間条件を満たす期間において、属する変数種類及び分類を同一にする要素のうち、値について大きい方から数えてR番目(Rは1以上の予め定められた所定の整数。RはPと同じであってもよいし異なってもよい)であるという条件を満たす要素、を要素とする1次元のベクトルである第2上位値ベクトル、を前記累積時間テンソルに基づいて得る処理と、
を含み、
前記第1副フィルタ情報は、前記第1上位値ベクトルと前記第2上位値ベクトルとを含む、
プログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022060531A JP7459161B2 (ja) | 2022-03-31 | 2022-03-31 | モデル評価装置、フィルタ生成装置、モデル評価方法、フィルタ生成方法及びプログラム |
US18/125,150 US20230316140A1 (en) | 2022-03-31 | 2023-03-23 | Model evaluation device, filter generating device, model evaluation method, filter generating method and storage medium |
CN202310312085.6A CN116893345A (zh) | 2022-03-31 | 2023-03-28 | 模型评价装置、过滤生成装置、模型评价方法、过滤生成方法以及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022060531A JP7459161B2 (ja) | 2022-03-31 | 2022-03-31 | モデル評価装置、フィルタ生成装置、モデル評価方法、フィルタ生成方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023151093A JP2023151093A (ja) | 2023-10-16 |
JP7459161B2 true JP7459161B2 (ja) | 2024-04-01 |
Family
ID=88194612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022060531A Active JP7459161B2 (ja) | 2022-03-31 | 2022-03-31 | モデル評価装置、フィルタ生成装置、モデル評価方法、フィルタ生成方法及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230316140A1 (ja) |
JP (1) | JP7459161B2 (ja) |
CN (1) | CN116893345A (ja) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011024382A1 (ja) | 2009-08-28 | 2011-03-03 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP2013516614A (ja) | 2010-06-24 | 2013-05-13 | パナソニック株式会社 | 電池の劣化度を取得するための方法及びそのシステム |
JP2019105589A (ja) | 2017-12-14 | 2019-06-27 | 本田技研工業株式会社 | 電池状態推定装置 |
WO2021112224A1 (ja) | 2019-12-06 | 2021-06-10 | 株式会社Gsユアサ | 制御装置、劣化推定システム、制御方法、及びコンピュータプログラム |
WO2021241115A1 (ja) | 2020-05-25 | 2021-12-02 | 株式会社エンビジョンAescジャパン | 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム |
-
2022
- 2022-03-31 JP JP2022060531A patent/JP7459161B2/ja active Active
-
2023
- 2023-03-23 US US18/125,150 patent/US20230316140A1/en active Pending
- 2023-03-28 CN CN202310312085.6A patent/CN116893345A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011024382A1 (ja) | 2009-08-28 | 2011-03-03 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP2013516614A (ja) | 2010-06-24 | 2013-05-13 | パナソニック株式会社 | 電池の劣化度を取得するための方法及びそのシステム |
JP2019105589A (ja) | 2017-12-14 | 2019-06-27 | 本田技研工業株式会社 | 電池状態推定装置 |
WO2021112224A1 (ja) | 2019-12-06 | 2021-06-10 | 株式会社Gsユアサ | 制御装置、劣化推定システム、制御方法、及びコンピュータプログラム |
WO2021241115A1 (ja) | 2020-05-25 | 2021-12-02 | 株式会社エンビジョンAescジャパン | 劣化推定装置、モデル生成装置、劣化推定方法、モデル生成方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
CN116893345A (zh) | 2023-10-17 |
US20230316140A1 (en) | 2023-10-05 |
JP2023151093A (ja) | 2023-10-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11240125B2 (en) | System and method for predicting and reducing subscriber churn | |
CN109242135B (zh) | 一种模型运营方法、装置、及业务服务器 | |
JP2020148560A (ja) | 電池寿命学習装置、方法、プログラム、電池寿命予測装置、方法及びプログラム | |
JP7294369B2 (ja) | 情報処理に用いられる方法、装置、電子機器及びプログラム | |
CN113884937B (zh) | 基于分解集成策略的锂离子电池剩余寿命预测方法及系统 | |
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN111523727B (zh) | 基于不确定过程的考虑恢复效应的电池剩余寿命预测方法 | |
JP2019159888A (ja) | 機械学習システム | |
JP7069732B2 (ja) | 推定プログラム、推定方法および推定装置 | |
JP7459161B2 (ja) | モデル評価装置、フィルタ生成装置、モデル評価方法、フィルタ生成方法及びプログラム | |
CN117825970A (zh) | 电池退化分析方法、装置、设备及存储介质 | |
CN117940931A (zh) | 用于对芯片进行布局的方法、设备、介质以及程序产品 | |
JP7115374B2 (ja) | 変圧器コスト予測装置 | |
CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
CN114840983A (zh) | 动力蓄电池soh计算模型构建方法和计算方法 | |
CN105912832A (zh) | 经年变化预测系统以及经年变化预测方法 | |
JP2014063617A (ja) | 蓄電池の残存価値格付け装置およびプログラム | |
Utkin et al. | Imprecise probabilistic inference for software run reliability growth models | |
JP7127686B2 (ja) | 仮説推論装置、仮説推論方法、及びプログラム | |
Kashyap et al. | An approach for software effort estimation using fuzzy numbers and genetic algorithm to deal with uncertainty | |
JP7154468B2 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
WO2022106438A1 (en) | Predicting the state of a system using elasticities | |
JP2017215669A (ja) | 確率密度関数推定装置、連続値予測装置、方法、及びプログラム | |
Rahman et al. | Estimating Probability Values Based on Naïve Bayes for Fuzzy Random Regression Model | |
CN117094369A (zh) | 时态网络的嵌入方法、装置、电子设备及计算机程序产品 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221129 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231219 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240115 |
|
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: 20240220 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240319 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7459161 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |