JP7846826B2 - 信頼性／信頼チェックを有する産業機械の仮想センサから出力信号を生成する方法 - Google Patents

Description

本明細書で開示される主題は、仮想センサの不正確さを考慮する産業機械の仮想センサから出力信号を生成する方法に関し、特に、仮想センサ内の予測器からの１つ以上の予測値は、信頼できないと考えられる場合に破棄され得る。更に、本明細書に開示される主題は、仮想センサ及び産業機械の評価を行うためのシステムに関する。

仮想センサは、産業制御の分野、特に石油及びガスの分野においてますます普及しつつある。

知られているように、仮想センサは、通常、産業システム内の物理量、例えば、温度又は圧力に関連する信号を、物理センサを介してこの物理量を直接測定することが不可能であるか又は望ましくないときに提供することができる１つのソフトウェアである。仮想センサは、産業システム内又は産業システム上で直接測定される１つ以上の他の変数の値に基づいて、対象のある変数の値を予測する。

仮想センサは、多くの場合、人工知能に基づいており、例えば機械学習による予備トレーニングを必要とする場合がある。

仮想センサの精度は、典型的には、その予備トレーニング及びトレーニングに使用されるデータに依存する。

理想的には、仮想センサは、動作中に仮想測定を受けるように意図された全く同じ産業機械と組み合わせてトレーニングされるべきである。言い換えれば、仮想センサのトレーニングに使用される「ドメイン」は、仮想センサの動作又は通常動作にも使用されるべきである。異なるドメインを使用することは既に知られている。例えば、「ＤＡＮＮＴｅ：ａ ｃａｓｅ ｓｔｕｄｙ ｏｆ ａ ｔｕｒｂｏ－ｍａｃｈｉｎｅｒｙ ｓｅｎｓｏｒ ｖｉｒｔｕａｌｉｚａｔｉｏｎ ｕｎｄｅｒ ｄｏｍａｉｎ ｓｈｉｆｔ」と題され、Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓに関連して２０２１年に公開されたＬ．Ｓｔｒａｚｚｅｒａ、Ｖ．Ｇｏｒｉ及びＧ．Ｖｅｎｅｒｉの論文は、いわゆる「ソースドメイン」と呼ばれるウィンタータイムの間に機械から収集されたデータを使用して仮想センサを構築すること、及びいわゆる「ターゲットドメイン」と呼ばれるサマータイムの間に同じ機械から収集されたデータにそれを適用することからなるターボ機械アプリケーションを説明している。

Ｃｏｒｎｅｌｌ Ｕｎｉｖｅｒｓｉｔｙのａｒｘｉｖ．ｏｒｇにおける「Ａ Ｎｏｖｅｌ Ｍｅｔｈｏｄ ｆｏｒ Ｄｅｓｉｇｎｉｎｇ Ｔｒａｎｓｆｅｒａｂｌｅ Ｓｏｆｔ Ｓｅｎｓｏｒｓ ａｎｄ ｉｔｓ Ａｐｐｌｉｃａｔｉｏｎ」と題されたＨｏｓｓｅｉｎ Ｓｈａｈａｂａｄｉ Ｆａｒａｈａｎｉらの論文は、「ソフトセンサ」を１つのプラント（「ソースドメイン」に対応する）から別のプラント（「ターゲットドメイン」に対応する）に「転送」するためのドメイン敵対的トレーニングを開示している。この論文によれば、「ソフトセンサ」がドメイン敵対的トレーニングを通じて適切かつ十分に「転送」されると、その出力は新しいプラントで使用され、生成された出力は常に正しいと考えられる。

米国特許出願公開第２０２１／１１０１４７（Ａ１）号として公開された特許出願は、画像処理、特に異なるシーン、すなわち異なる「ドメイン」における人間検出に特有のシステム及び方法を開示している。この文献は、ドメイン敵対的学習を使用することを教示する。この文献によれば、画像に対する信頼スコアが低い場合、すなわち、シーンに関してシステムによって提供される予測が十分に信頼できない場合、システムは、画像に自動的に注釈を付けるのではなく、人間に注釈を付けるように要求する。更に、システムは、最初からターゲットドメインに属する注釈付きデータを必要とする。実際、この文献は、半自動ドメイン適応を開示している。

「ターゲットドメイン」が「ソースドメイン」とはより異なることが望ましい。特に、例えば機械製造業者の構内で「プロトタイプ機械」上で仮想センサをトレーニングし、トレーニングされた仮想センサを「フリート機械」、すなわちユーザ、典型的には機械製造業者のクライアントの構内で設置され動作する機械と共に使用することが望ましい。ドメインが異なれば異なるほど、不正確さが大きくなる可能性が高い。したがって、本出願人は、不正確さのリスク、特に「ソースドメイン」と「ターゲットドメイン」との間の差に起因する不正確さのリスクを考慮することに思い至った。

第１の態様によれば、本明細書に開示される主題は、産業機械の物理量に関する入力変数と、産業機械のパラメータの測定又は評価に関する出力変数とを有するソフトウェアモデルに基づく、産業機械の仮想センサから出力信号を生成するためのコンピュータ実装方法に関する。機械動作時間中に、出力変数の値が予測され、それらのうちの１つ以上が、例えば予測の信頼性及び／又は信頼レベルに関係する計算されたフラグ及び／又は値に基づいて破棄され得る。

第２の態様によれば、本明細書に開示される主題は、産業機械のための機械学習人工知能仮想センサに関し、仮想センサの出力は、産業機械のパラメータの測定又は評価に関連する。仮想センサは、特徴抽出器と、ドメイン分類器と、予測器と、破棄器（discarder）とを備え、予測器の出力は、仮想センサの出力に対応する。トレーニング時間において、抽出器、分類器、及び予測器はアクティブであり、破棄器は非アクティブである。機械動作時間において、抽出器、分類器、予測器、及び破棄器は全てアクティブである。

第３の態様によれば、本明細書に開示される主題は、産業機械の評価を行うためのコンピュータ実装システムに関する。このコンピュータ実装システムは、特定の信頼性及び／又は特定の信頼レベルを有する予測値のみを出力するように構成された産業機械の少なくとも１つの仮想センサを備える。

本発明の開示される実施形態、及びそれに付随する利点の多くについて、添付図面に関連して考慮される場合、以下の発明を実施するための形態を参照することによってそれらがより良好に理解されるため、より完全な理解が容易に得られるであろう。
革新的な仮想センサの一実施形態の概略ブロック図を示す。 革新的な評価システムの一実施形態の概略ブロック図を示す。 仮想センサから出力信号を生成する革新的方法の一実施形態のフローチャートを示す。

仮想センサは、通常、産業システム内の変数、例えば、物理センサを通して直接測定することが不可能であるか又は望ましくない温度又は圧力の値を提供することが可能な１つのソフトウェアであり、一般に、仮想センサの出力は、産業機械のパラメータの測定又は評価に関連し得る。仮想センサによって、最初に計算され、次いで、提供される値は、（例えば、計算）誤差によって影響され得る。革新的な仮想センサは、仮想センサによって計算された値が誤っているか過度に誤っているかをその仮想センサ自体で判断し、それを破棄することができる。革新的な仮想センサの場合、エラーは、仮想センサが少なくとも部分的にプロトタイプ機械でトレーニングされ、完全に生産機械でトレーニングされるわけではないという事実に起因する場合がある。

一般に仮想センサは最初にトレーニングされ、次いで使用されるので、本明細書では、「トレーニング時間中」と区別するために、「機械動作時間中」という表現を使用することに留意されたい。しかしながら、「機械動作時間中」という表現は、トレーニングが終了すると、何らかのデータが１つ以上の物理センサから収集された時間と、そのような収集されたデータが出力信号を生成するために革新的な仮想センサによって処理される時間との間に遅延（固定又は可変）（短い、例えば１秒、又は長い、例えば１年）があり得ることを除外しない。革新的な仮想センサが、第１のトレーニング期間、その後の第１の動作期間、その後の第２のトレーニング期間、その後の第２の動作期間などを有し得ることは除外されるべきではない。更に、動作期間がトレーニング期間と少なくとも部分的に重複し得ることは除外されるべきではなく、この場合、革新的な仮想センサは動作中に学習する。

本明細書をより容易に理解するための背景知識は、「ＤＡＮＮＴｅ：ａ ｃａｓｅ ｓｔｕｄｙ ｏｆ ａ ｔｕｒｂｏ－ｍａｃｈｉｎｅｒｙ ｓｅｎｓｏｒ ｖｉｒｔｕａｌｉｚａｔｉｏｎ ｕｎｄｅｒ ｄｏｍａｉｎ ｓｈｉｆｔ」と題され、Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｎｅｕｒａｌ Ｉｎｆｏｒｍａｔｉｏｎ Ｐｒｏｃｅｓｓｉｎｇ Ｓｙｓｔｅｍｓに関連して２０２１年に公開されたＬ．Ｓｔｒａｚｚｅｒａ、Ｖ．Ｇｏｒｉ、及びＧ．Ｖｅｎｅｒｉの論文、並びに「Ｄｏｍａｉｎ－Ａｄｖｅｒｓａｒｉａｌ Ｔｒａｉｎｉｎｇ ｏｆ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋｓ」と題され、Ｊｏｕｒｎａｌ ｏｆ Ｍａｃｈｉｎｅ Ｌｅａｒｎｉｎｇ Ｒｅｓｅａｒｃｈによって２０１６年に公開されたＹ．Ｇａｎｉｎらの論文に見出すことができる。

図１は、革新的な仮想センサ１００の一実施形態の概略ブロック図を示す。仮想センサ１００は、特徴抽出器２０と、予測器４０と、ドメイン分類器６０と、破棄器８０とを含む。仮想センサ１００の動作中、特徴抽出器２０は、入力変数値を受信し、入力変数値から特徴値を抽出し、特徴値を予測器４０及びドメイン分類器６０に提供する。仮想センサ１００の動作中、予測器４０は、受信された特徴値を使用して予測を行い、予測された出力変数値を出力し、ドメイン分類器６０は、特徴値を受信し、受信された特徴値に基づいて、受信された入力変数値のドメインを推定し、予測器４０によって出力された予測された出力変数値に対応する信頼性フラグを計算する。

図１の実施形態によれば、入力変数値は、テスト環境、すなわち「第１のドメイン」（いわゆる「ソースドメイン」）に設置されて動作しているプロトタイプ機械の１つ以上の物理センサから、又は生産環境、すなわち「第２のドメイン」（いわゆる「ターゲットドメイン」）に設置されて動作している産業機械の１つ以上の物理センサから来ることがあるが、両方の機械から同時に来ることはないことに留意されたい。実際、特に（それだけではないが）トレーニング期間中に、入力変数値のセットが、いわゆる「バッチ」にグループ化された仮想センサに提供されてもよく、バッチは、「ソースドメイン」及び「ターゲットドメイン」からのデータが実際には同時に処理されず、単に同じ期間中に処理される場合であっても、「ソースドメイン」及び「ターゲットドメイン」からのデータを有利に含む。したがって、ドメイン分類器６０は、ある時間に仮想センサによって受信された入力変数値が「第１のドメイン」から来たか「第２のドメイン」から来たかを理解（より正確には推定）し、「ドメイン損失」を決定することができ、データバッチがトレーニング期間中に使用される場合、ドメイン分類器からの出力は、バッチの全てのデータから導出される平均値、例えば平均ドメイン損失であってもよい。通常、入力変数値は、仮想センサのトレーニング中に「第１のドメイン」及び「第２のドメイン」から来て、その後は「第２のドメイン」のみから来る。データバッチが使用される場合、単一のバッチは、「第１のドメイン」のみからのデータ、「第２のドメイン」のみからのデータ、「第１のドメイン」及び「第２のドメイン」からのデータを含み得る。既に説明したように、データが物理センサによって検出される時間と、データが仮想センサによって処理される時間との間には遅延が存在し得る。一般に、ドメインの数は３つ以上であってもよく、例えば、トレーニングに使用される２つ以上のプロタイプ機械があってもよい。

後で説明するように、ドメイン分類器６０は、予測器４０によって出力された予測出力変数値に対応する信頼性フラグを計算することもできる。言い換えれば、図１の実施形態によれば、ドメイン分類器６０は、ある時間に予測器４０によって出力された出力変数値が信頼できるかどうかを理解する（より正確には、推定する）こともでき、一般に、出力変数値は時折変化するので、信頼性フラグは時折変化する。

図１の実施形態によれば、仮想センサ１００の動作中、破棄器８０は、予測器４０から出力された予測出力変数値と、ドメイン分類器６０からの対応する信頼性フラグとを受信し、ドメイン分類器６０の計算／推定に基づいて信頼できないと考えられる値を破棄し、信頼できる値のみを出力する。

図２に示されるように、革新的な仮想センサ１００は、革新的な評価システム１０００、すなわち、典型的には生産状態にある産業機械（又は同等に、産業システム若しくは産業プラント）に対して評価を行うことができるコンピュータ実装システムの構成要素であってもよい。図２の実施形態では、従来技術の評価システム３００のいくつかの入力は、産業機械のいくつかの物理センサ２００と結合され、システム３００のいくつかの他の入力は、仮想センサ１００の出力と結合される。仮想センサ１００の入力は、産業機械のいくつかの物理センサ２００と結合される。産業機械の物理センサ２００は、革新的な評価システム１０００の外部にあることに留意されたい（傾斜した破線を参照）。

産業機械の仮想センサから出力信号を生成する革新的方法の一実施形態を図３に示す。この方法（並びに他の方法の実施形態）は、いわゆる「コンピュータ実装方法」である。なお、このフローチャートにおける矢印は、データの流れを表すものではなく、制御の流れのみを表しており、特に、ブロック３８００の活動によって生成されたデータは、ブロック３４００の活動への入力において提供されるように意図されていない。図３のフローチャート３０００は、ＢＥＧＩＮブロック３１００及びいくつかの後続のブロックを有する。ブロック３２００及び３３００（後で詳細に説明する）は、機械動作時間の前、すなわち革新的な仮想センサのトレーニング時間の間に実行される方法ステップに対応する一方、ブロック３４００、３５００、３６００、３７００及び３８００（後で詳細に説明する）は、機械動作時間の間、すなわち革新的な仮想センサのトレーニング時間の後に実行される方法ステップに対応する。図３のフローチャート３０００では、革新的な仮想センサが決して動作を停止しないかのように、終了ブロックは存在しない。しかしながら、革新的な仮想センサは、オペレータ及び／又は１つのソフトウェアによって発行され得る「外部コマンド」によっていつでも停止され得ることを理解されたい。図３のフローチャート３０００において、ブロック３４００、３５００、３６００、３７００及び３８００はループを形成し、循環的に繰り返し、特定の実施形態に応じて、反復は、入力変数値の各新しいセットに対して、例えば、ある時間において革新的な仮想センサの入力に提供される値の任意の新しいセットに対して行われてもよく、例えば、仮想センサが１つの入力変数のみを有する場合、反復は、センサ入力に提供される入力変数の任意の新しい値において行われてもよい。

図３の方法（並びに他の方法の実施形態）によれば、革新的な仮想センサの入力信号は、ソフトウェアモデルの入力変数の値のシーケンスに対応し、革新的な仮想センサの出力信号は、ソフトウェアモデルの出力変数の値のシーケンスに対応する。一般に、多数の入力変数が存在し、したがって、対応する数の入力信号が存在する。一般に、２つ以上の出力変数が存在し得、したがって２つ以上の出力信号が存在し得、これは、革新的な仮想センサが産業システム内の２つ以上の変数を同時に「仮想的に」測定することができることを意味する。入力変数は、産業システムの物理量に関連し、出力変数は、産業システムのパラメータ（物理量であってもよい）の測定又は評価に関連する。

図３の方法（並びに他の方法の実施形態）は、機械動作時間中に実行される少なくとも以下のステップ、
ａ）ソフトウェアモデルの入力変数の値の少なくとも１つの入力シーケンスを受信するステップ（図３のブロック３４００）、
ｂ）少なくとも１つの入力シーケンスに基づいて、ソフトウェアモデルを通じて出力変数の値の出力シーケンスを予測するステップ（図３のブロック３５００）、
ｃ）予測された出力シーケンスの値の１つ以上又は全てについて、予測値の信頼性及び／又は統計的評価に関して、対応するフラグ及び／又は値を計算するステップ（図３のブロック３６００）、
ｄ）対応するフラグ及び／又は値に基づいて、予測された出力シーケンスの値のいずれも破棄しないか又は１つ以上を破棄するステップ（破棄される値の数は、フラグの値及び／又は値に依存する）（図３のブロック３７００）、並びに
ｅ）予測された出力シーケンスの破棄されていない値のみを出力信号として使用するステップ（図３のブロック３８００）を含む。

ステップｂ）は、しばらくしてからステップａ）に続く。実施形態に応じて、これは、非常に短い時間、例えば、この遅延がマイクロプロセッサの処理時間のみに起因する場合にはマイクロ秒であってもよく、又は、非常に長い時間、例えば、遅延が産業機械から以前に収集されたデータの記憶に起因する場合には、数日又は数週間又は数ヶ月であってもよい。言い換えれば、遅延は、値がどこから受信されるかに依存し得る。

ステップｂ）において、典型的には、入力シーケンスにおける各入力値に対して出力シーケンスにおける出力値が存在することに留意されたい。

更に、ステップｃ）における計算は、必ずしも予測された出力シーケンスの値の各々について行われるわけではないことに留意されたい。

本方法のソフトウェアモデルは、有利には、人工知能ソフトウェアモデル、特に機械学習人工知能ソフトウェアモデルである。

ステップｃ）は基本的に２つの可能性を提供し、これらの可能性は、択一的であってもよく、又は更には同時に使用されてもよい。実施がより容易な第１の可能性によれば、予測信頼性フラグは、例えばステップｂ）の予測値の各々について計算され、特に、この第１の可能性によれば、対応する予測値が信頼できると考えられる場合、フラグは「真」である。第２の可能性によれば、統計的評価値は、例えばステップｂ）の予測値の各々について計算され、特に、この第２の可能性によれば、値は信頼レベルであり、予測値が正しい確率に対応する。

ステップｅ）に関して、更なる詳細が以下に提供される。ステップｂ）の出力、すなわちステップｄ）の破棄の前の出力も、特にトレーニング時間中に有用な目的を有し得ることに留意されたい。

図３の方法（並びに他の方法の実施形態）は、有利には、機械動作時間の前に実行される以下の予備ステップ、すなわち
－少なくとも、機械動作時間に対応するターゲットドメインとは異なるソースドメイン上で、ソフトウェアモデルをトレーニングするステップ（図３のブロック３２００及び３３００）を含む。

より有利には、ソフトウェアモデルは、ソースドメイン及びターゲットドメインの両方でトレーニングされる。図３において、ブロック３２００及びブロック３３００は、一般に、ソースドメインデータを用いたトレーニング及びターゲットドメインデータを用いたトレーニングは、そのような２つのトレーニング活動が同時であると考えられ得るため、完全に又は部分的に重複するので並列である。既に説明したように、例えば、ソースドメインデータ及びターゲットドメインデータの両方を含むトレーニングデータバッチのシーケンスがあってもよく、又は、例えば、ソースドメインデータのみを含むトレーニングデータバッチとターゲットドメインのみを含むトレーニングデータバッチとが交互になったシーケンスがあってもよい。

上記予備ステップは以下のステップ、すなわち
－少なくとも産業機械とは異なるプロトタイプ機械から収集されたデータについてソフトウェアモデルをトレーニングするステップ（図３のブロック３２００）（この場合、プロトタイプからの入力変数及び出力変数の値が使用されるべきである）を含み得る。

典型的には、「プロトタイプ機械」は、「フリート機械」よりもはるかに多い、例えば１０倍多い数の物理センサを含むことに留意されたい。

上記予備ステップは以下のステップ、すなわち
－産業機械から収集されたデータについてもソフトウェアモデルをトレーニングするステップ（図３のブロック３３００）（この場合、産業機械からの入力変数の値のみが使用されるべきである）を含み得る。

仮想センサのトレーニングは、産業機械データよりも多くのプロトタイプ機械データに基づくことが可能であること、言い換えれば、有利なことに、仮想センサのトレーニングは、生産中に産業機械を用いた長い活動を必要としないことが可能であることに留意されたい。実際、損失重み付け機構は、異なる量を補償するために適所に配置され得、例えば、産業機械データを処理するトレーニングの時のドメイン損失は、トレーニングプロトタイプ機械データの量がトレーニングプロトタイプ機械データの量よりも大きい場合、プロトタイプ機械データを処理するときのトレーニングドメイン損失よりも高い重みを有し得る。

図３の方法（並びに他の方法の実施形態）によれば、ソフトウェアモデルは、通常、ニューラルネットワークを介して実装され、有利には、トレーニングは、ニューラルネットワークのドメイン敵対的トレーニングである。特に、ソフトウェアモデルは、特徴抽出器を具現するように構成された第１のニューラルネットワーク、ドメイン分類器を具現するように構成された第２のニューラルネットワーク、及び予測器を具現するように構成された第３のニューラルネットワークを通じて実現され、トレーニングは、第１、第２及び第３のニューラルネットワークの集合であるニューラルネットワーク全体のドメイン敵対的トレーニングである。より具体的には、第１のニューラルネットワーク（すなわち、「特徴抽出器」）は、ソースドメイン及びターゲットドメインの両方でトレーニングされ、第２のニューラルネットワーク（すなわち、「ドメイン分類器」）は、ソースドメイン及びターゲットドメインの両方でトレーニングされ、第３のニューラルネットワーク（すなわち、「予測器」）は、ソースドメインのみでトレーニングされる。

ステップｃ）における（フラグ及び／又は値の）計算は、値の少なくとも１つの入力シーケンスに基づいてドメイン分類器によって実行されてもよく、例えばドメイン損失フラグを提供し、好ましくは、そのような計算は、予測に使用される同じ単一のソフトウェアモデルを通じて実行される。

ソフトウェアモデルの検証は、産業機械上の出力変数（仮想センサの出力に対応する）の測定がなくても、出力変数に厳密に相関する別の変数を考慮することによって実行することができる。

上述の方法は、例えば図１に示されるセンサ１００のような、産業機械（又は同等に、産業システム若しくは産業プラント）のための機械学習人工知能仮想センサを通して実現されてもよい。

革新的な仮想センサは、一般的に、
－１つ以上の変数入力（図１の実施形態において２２とラベル付けされている）及び１つ以上の特徴出力（図１の実施形態において２４とラベル付けされている）を有する特徴抽出器（図１の実施形態において２０とラベル付けされている）であって、１つ以上の変数入力は、産業機械の対応する１つ以上の物理センサに結合されるように構成されており、特徴抽出器は、１つ以上の特徴出力において特徴値を出力するように構成されている、特徴抽出器と、
－１つ以上の特徴入力（図１の実施形態において４２とラベル付けされている）及び少なくとも１つの変数出力（図１の実施形態において４４とラベル付けされている）を有する予測器（図１の実施形態において４０とラベル付けされている）であって、予測器の特徴入力は特徴抽出器の特徴出力に結合されており、予測器は少なくとも１つの変数出力において変数予測値のシーケンスを出力するように構成されている、予測器と、
－１つ以上の特徴入力（図１の実施形態において６２とラベル付けされている）及びドメイン損失出力（図１の実施形態において６４とラベル付けされている）を有するドメイン分類器（図１の実施形態において６０とラベル付けされている）であって、ドメイン分類器の特徴入力は、特徴抽出器の特徴出力に結合されており、ドメイン分類器は、ドメイン損失出力においてドメイン損失フラグのシーケンスを出力するように構成されている、ドメイン分類器と、
－損失入力（図１の実施形態では８３とラベル付けされている）を有する破棄器（図１の実施形態では８０とラベル付けされている）であって、損失入力はドメイン分類器のドメイン損失出力に結合されており、破棄器は、対応するドメイン損失値が所定の閾値を上回る場合、可変予測値に対する破棄アクション（更に破棄アクションの可能性のみであってもよい）を内部及び／又は外部にシグナリングするように構成されており、そのようなシグナリングは、例えば破棄器（図１には図示せず）の特定の出力にも提供され得る破棄器内部の信号（図１には図示せず）を介して行われ得る、破棄器と、を備え、
特定の実施形態に応じて、仮想センサの出力（図１の実施形態において１００とラベル付けされている）は、破棄器（図１の実施形態において８０とラベル付けされている）の出力、又は予測器（図１の実施形態において４０とラベル付けされている）の出力と破棄器（図１の実施形態において８０とラベル付けされている）の出力との組み合わせに対応し得、
仮想センサ（図１の実施形態において１００とラベル付けされている）は、
－トレーニング時間において、特徴抽出器、分類器、及び予測器がアクティブであり、破棄器が非アクティブであり、
－機械動作時間において、特徴抽出器、分類器、予測器、及び破棄器がアクティブである、ように構成されている。

基本的に、革新的な仮想センサは、ドメイン損失があるとドメイン分類器が判断した場合、すなわちドメインを正しく推定することができない場合、予測器によって予測された出力値も信頼できないとみなされるべきであると仮定する。ドメイン分類器が、例えば、ドメインに特定の信頼レベルを提供することもできる場合、対応する信頼レベル（必ずしも同じではない）は、予測器によって予測される出力値に適用可能であり得る。

図１の実施形態（並びに他のセンサ実施形態）では、予測器４０及び分類器６０は、トレーニング時間に使用される特定の出力を有することに留意されたい。特に、出力４８は出力４４に対応し、出力６８は出力６４に対応し、出力６６は付加的であり、以下に説明される。

図１のセンサ１００（並びに他のセンサ実施形態）は、ドメイン分類器６０を含み、ドメイン分類器６０は、ドメインラベル出力６６も有し、主にトレーニング時間に使用されるドメインラベルのシーケンス（すなわち、連続する時間における入力変数値から推定されるドメイン）を出力６６において出力するように構成されている。

図１の実施形態（並びに他のセンサ形態）では、特徴抽出器２０は、第１のニューラルネットワークを備えるか、又は第１のニューラルネットワークであってもよく、ドメイン分類器６０は、第２のニューラルネットワークを備えるか、又は第２のニューラルネットワークであってもよく、予測器４０は、第３のニューラルネットワークを備えるか、又は第３のニューラルネットワークであってもよい。

図１の実施形態（並びに他のセンサ実施形態）では、破棄器８０は、対応するドメイン損失値に基づいて予測器４０の少なくとも１つの変数出力４４における変数予測値を破棄するように更に有利に構成されている。

図１の実施形態（並びに他のセンサ実施形態）では、破棄器８０は、予測器４０の少なくとも１つの変数出力４４から変数予測値を（入力８２において）受信し、破棄されていない変数予測値を（出力８４において）出力するように更に構成されている。

いくつかのセンサ実施形態によれば、破棄器は、破棄されていない変数予測値を記憶するように構成されている。

いくつかのセンサ実施形態によれば、破棄器は、破棄アクションに関する情報を記憶するように構成されている。例えば、全ての予測値は、その信頼性フラグ及び／又は例えばその信頼レベルに関する対応する値と共に、破棄器によって出力及び／又は記憶されてもよく、このようにして、革新的な仮想センサによって予測された値を使用するかどうか、及びどのように使用するかに関する決定は、他のデバイス又はシステムに委ねられる。

既に述べたように、革新的な仮想センサは、例えば図２に示されるような産業機械（又は同等に、産業システム若しくは産業プラント）上で評価を行うための革新的なコンピュータ実装システムの構成要素であってもよい。一般に、そのような革新的評価システムは、いくつかの仮想センサを含むことができ、それらのうちのいくつか又は全ては、革新的な仮想センサである。一般に、そのような革新的な評価システムは、例えば図２に示されるように、いくつかの物理センサに結合されるように構成され得る。

革新的なコンピュータ実装評価システムは、計算解析コンピュータプログラムを実行し、少なくとも評価対象の産業機械の１つ以上の革新的な仮想センサ（図２の実施形態では１００とラベル付けされている）から、場合によっては、評価対象の産業機械の１つ以上の革新的でない仮想センサ（図２の実施形態では図示せず）から、及び／又は評価対象の産業機械の１つ以上の物理センサ（図２の実施形態では２００とラベル付けされている）からのデータを処理するように構成され得る。

図２は、対応する出力２１０を有する産業機械の物理センサ２００を示す。出力２１０の第１のセット２２０は、革新的な仮想センサ１００の入力１０２（図１の特徴抽出器２０の入力２２に対応する）と結合され、出力２１０の第２のセット２３０は、「従来の」評価システム３００の入力３３０の第１のセットと結合される。革新的な仮想センサ１００の出力１０４（図１の破棄器８０の出力８４に対応し得る）は、「従来の」評価システム３００の入力３２０の第２のセットと結合される。「従来の」評価システム３００は、その入力３２０及び３３０におけるデータに基づいて評価結果を提供するための出力３４０を有する。

革新的な評価システムを含む評価システムは、２つ以上の産業機械（又は同等に、産業システム若しくは産業プラント）に対して評価を行うように設計され得ることに留意されたい。

Claims (13)

1. 産業機械の仮想センサから出力信号を生成するコンピュータ実装方法（３０００）であって、前記出力信号は、ソフトウェアモデルの出力変数の値のシーケンスに対応し、前記出力変数は、前記産業機械のパラメータの測定又は評価に関連し、前記方法は、機械動作時間中に実行される以下のステップ、すなわち、
   ａ）前記ソフトウェアモデルの少なくとも１つの入力変数であって、前記産業機械の少なくとも１つの物理量に関連する、少なくとも１つの入力変数の値の少なくとも１つの入力シーケンスを受信するステップ（３４００）と、
   ｂ）前記少なくとも１つの入力シーケンスに基づいて、前記ソフトウェアモデルを介して前記出力変数の値の出力シーケンスを予測するステップ（３５００）と、
   ｃ）前記予測された出力シーケンスの前記値の１つ以上又は全てについて、前記予測値の信頼性及び／又は統計的評価に関して、対応するフラグ及び／又は値を計算するステップ（３６００）と、
   ｄ）前記計算するステップ（３６００）で計算された前記対応するフラグ及び／又は値に基づいて、前記予測された出力シーケンスの値を破棄するステップ（３７００）と、
   ｅ）前記予測された出力シーケンスの前記破棄されていない値のみを前記出力信号として使用するステップ（３８００）と、を含み、
   前記方法は、機械動作時間の前に実行される以下の予備ステップ、すなわち
   －少なくとも、機械動作時間に対応するターゲットドメインとは異なるソースドメイン上で、前記ソフトウェアモデルをトレーニングするステップ（３２００、３３００）を含む、コンピュータ実装方法（３０００）。
2. 前記ソフトウェアモデルは、ニューラルネットワーク（２０、４０、６０）を介して実現され、
   前記トレーニングは、前記ニューラルネットワーク（２０、４０、６０）のドメイン敵対的トレーニングである、請求項１に記載の方法（３０００）。
3. 前記予備ステップは、
   －少なくとも前記産業機械とは異なるプロトタイプ機械から収集されたデータについて、前記ソフトウェアモデルをトレーニングするステップ（３２００）を含む、請求項１に記載の方法（３０００）。
4. 前記予備ステップは、
   －前記産業機械から収集されたデータについても前記ソフトウェアモデルをトレーニングするステップ（３３００）を含む、請求項３に記載の方法。
5. ステップｃ）において、前記フラグ及び／又は値は、前記ソフトウェアモデルを介して、前記少なくとも１つの入力シーケンスに基づいてドメイン損失フラグ及び／又は値を出力するように構成されたドメイン分類器（６０）を介して計算される、請求項１に記載の方法。
6. 産業機械用の機械学習人工知能仮想センサ（１００）であって、前記仮想センサの出力は、前記産業機械のパラメータの測定又は評価に関連し、前記仮想センサは、
   －１つ以上の変数入力（２２）及び１つ以上の特徴出力（２４）を有する特徴抽出器（２０）であって、前記１つ以上の変数入力（２２）は、前記産業機械の対応する１つ以上の物理センサ（２００）に結合されるように構成されており、前記特徴抽出器（２０）は、前記１つ以上の特徴出力（２４）において特徴値を出力するように構成されている、特徴抽出器（２０）と、
   －１つ以上の特徴入力（６２）及びドメイン損失出力（６４）を有するドメイン分類器（６０）であって、前記特徴入力（６２）は、前記特徴出力（２４）に結合されており、前記ドメイン分類器（６０）は、前記ドメイン損失出力（６４）においてドメイン損失フラグのシーケンスを出力するように構成されている、ドメイン分類器（６０）と、
   －１つ以上の特徴入力（４２）及び少なくとも１つの変数出力（４４）を有する予測器（４０）であって、前記特徴入力（４２）は前記特徴出力（２４）に結合されており、前記予測器（４０）は少なくとも１つの変数出力（４４）の変数予測値のシーケンスを出力するように構成されている、予測器（４０）と、
   －損失入力（８３）を有する破棄器（８０）であって、前記損失入力（８３）は前記ドメイン損失出力（６４）に結合されており、前記破棄器（８０）は、対応するドメイン損失値が所定の閾値を上回る場合に変数予測値に対する破棄アクションをシグナリングするように構成されている、破棄器（８０）と、を備え、
   前記仮想センサ（１００）の前記出力は、前記破棄器（８０）の前記出力、又は前記予測器（４０）の前記出力と前記破棄器（８０）の前記出力との組み合わせに対応し、
   前記仮想センサ（１００）は、
   －トレーニング時間において、前記特徴抽出器（２０）、前記分類器（６０）及び前記予測器（４０）がアクティブであり、前記破棄器（８０）が非アクティブであり、
   －機械動作時間において、前記特徴抽出器（２０）、前記分類器（６０）、前記予測器（４０）、及び前記破棄器（８０）がアクティブである、ように構成されている、産業機械用の機械学習人工知能仮想センサ（１００）。
7. 前記特徴抽出器（２０）は、第１のニューラルネットワークを備え、
   ドメイン分類器（６０）は、第２のニューラルネットワークを備え、
   予測器（４０）は第３のニューラルネットワークを備える、請求項６に記載の仮想センサ（１００）。
8. 前記破棄器（８０）は、対応するドメイン損失値に基づいて、前記少なくとも１つの変数出力（４４）における変数予測値を破棄するように更に構成されている、請求項６に記載の仮想センサ。
9. 前記破棄器（８０）は、前記少なくとも１つの変数出力（４４）から変数予測値を受信し（８２）、破棄されていない変数予測値を出力する（８４）ように更に構成されている、請求項８に記載の仮想センサ。
10. 前記破棄器（８０）は、破棄されていない変数予測値を記憶するように更に構成されている、請求項８に記載の仮想センサ。
11. 前記破棄器（８０）は、破棄アクションに関する情報を記憶するように更に構成されている、請求項１０に記載の仮想センサ。
12. 産業機械の評価を行うためのコンピュータ実装システム（１０００）であって、
    －請求項６～１１のいずれか一項に記載の産業機械の少なくとも１つの仮想センサ（１００）を備える、コンピュータ実装システム（１０００）。
13. 前記システムは、計算解析コンピュータプログラムを実行し、少なくとも前記産業機械の前記仮想センサ（１００）からのデータ、及び場合によっては前記産業機械の１つ以上の物理センサ（２００）からのデータを処理するように構成されている、請求項１２に記載のコンピュータ実装システム（１０００）。