JPH0696049A - ニューラルネットワーク入力データ作成方法及び装置 - Google Patents

Abstract

(57)【要約】 【目的】 ニュ−ラルネットワ−クを利用して、プラン
トデ−タの変化から異常事象を同定する等、変化デ−タ
のパタ−ン認識を実施する場合に、デ−タのサンプリン
グ間隔を調整して、認識率を向上させることにある。 【構成】 複数種別の変化パタ−ンの変化デ−タをとり
込み、記憶する。変化デ−タの変化幅を規格化した後、
変化率計算装置４０において変化率を計算する。次い
で、変化率とサンプリング幅に係る知識６０を用いて、
サンプリング幅決定装置５０においてデ−タのサンプリ
ング幅を決定する。この決定したサンプリング幅に基づ
いて、サンプリング装置７０では、データをサンプリン
グして、ニュ−ラルネットワ−ク計算装置８０に入力し
て学習する。結果の表示などは、入出力装置９０におい
て実施する。パタ−ン認識時には、デ−タを規格化し、
学習時に決められたサンプリング幅でサンプリングし
て、ニュ−ラルネットワ−クに入力する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、ニューラルネットワー
クの入力データ作成方法及び装置に係り、特に、時系列
信号などの変化データをサンプリングしてニューラルネ
ットワークに入力する場合の入力データの作成方法及び
装置に関する。

【０００２】

【従来の技術】最近、生物の神経回路網を模擬したニュ
−ラルネットワークのパターン認識の有効性が確認され
ている。このニューラルネットワークは、処理が高速で
あり、入力信号に多少の雑音が混入されていても、パタ
ーン認識が可能であるという優れた特徴を持っている。
ニューラルネットワークのパターン認識に関する応用例
としては、例えば、原子力プラントの過渡異常事象同定
への応用がエス・ピー・アイ・イー，１０９５巻，アプ
リケーションズ オブ アーティフィシャル インテリ
ジェンス ７（１９８９年） 第８５１頁から第８５６
頁 （ＳＰＩＥ，Ｖｏｌ．１９０５，Ａｐｐｌｉｃａｔ
ｉｏｎｓ ｏｆ Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌ
ｉｇｅｎｃｅ ＶＩＩ （１９８９） ＰＰ８５１〜８
５６）において論じられている。この論文では、プラン
トの各検出器の出力のパターンが各異常事象毎にユニー
クに定まるので、それは任意の時刻におけるプラントの
状態を同定する情報として使えるとしている。また、異
常診断に関するニューラルネットワークの応用につい
て、ノイズ耐性、実時間処理が可能である等の点から、
その有効性を確認したと、著者らは述べている。

【０００３】

【発明が解決しようとする課題】例えば、プラントから
の検出器出力などの変化データをニューラルネットワー
クに入力する場合には、変化データをサンプリングし
て、ニューラルネットワークの入力ユニットの各々にサ
ンプリング値を入力する必要がある。プラントデータの
変化特性を見ると、異常発生の前後でその変化率は大き
く異なることがある。このような場合、プラントデータ
を全ての時間で同じサンプリング幅でサンプリングし
て、ニューラルネットワークへの入力とすると、変化の
ほとんどない部分、例えば、異常発生前のデータの学習
結果への寄与が大きくなり、変化パタ−ンから異常事象
の種別を同定しようとするニューラルネットワークの認
識率が低下してしまうという問題が生じる可能性があ
る。一方、異常事象の種別の同定にニューラルネットワ
ークを使用する場合、事象ごとに値が大きく異なる時間
範囲のプラントデータを使用すれば、事象に応じたプラ
ントデ−タの変化パタ−ンの差から事象を同定しようと
するニューラルネットの認識性能は、向上すると考えら
れる。このようなプラントデ−タ等の変化特性を反映し
たデ−タのサンプリングがニュ−ラルネットワ−クの認
識率の向上に有効と考えられるが、この点については、
従来技術では考慮されていない。本発明は、上記従来技
術の欠点をなくし、認識性能を向上するための、プラン
トデータなどの変化デ−タのサンプリング方法、つま
り、ニューラルネットワークへの入力データを作成する
ニューラルネットワーク入力データ作成方法及び装置を
提供することにある。

【０００４】

【課題を解決するための手段】上記目的を達成するため
に、本発明では、複数の種別の変化パターンにおけるデ
ータの変化特性からデータのサンプリング幅を決定す
る。変化特性としては変化率あるいは種別の異なる変化
パターンにおけるデータの値の差などを用いる。また、
データの変化特性とサンプリング幅との関係に係る知識
を用いてサンプリング幅を決定する。さらに、サンプリ
ングされたデータの妥当性及びデータ使用時のニューラ
ルネットワークの特性を確認するために、表示装置によ
りそれらを表示する。また、表示結果を見て、サンプリ
ング方法を容易に変更できるように、サンプリングに係
る知識及びル−ルの修正手段を有する。サンプリングに
係る知識及びルールの作成を容易にするために、経験的
な知識などを用いて、それらを自動的に作成もしくは修
正する手段を有する。

【０００５】

【作用】上記手段により、複数の種別の変化パターンに
おける変化データの変化特性を反映して、ニューラルネ
ットワークの入力データが作成される。この入力データ
を用いて、ニューラルネットワークを学習させることに
より、変化データの変化特性をうまくとらえた、あるい
は、各々の種別の変化パターンをうまくとらえた、パタ
ーン認識が可能となる。また、表示あるいは入力手段を
用いることにより、サンプリングの結果の確認あるいは
サンプリング方法の修正を容易に実施することが可能と
なる。さらに、サンプリング方法についての知識及びル
ールを自動的に作成、修正することが可能となる。

【０００６】

【実施例】以下、発明の実施例を図面により説明する。
図１は、本発明の第一の実施例であり、装置の機能構成
を示すブロック図である。図１において、１０は変化デ
ータのとり込み・記憶装置、２０はデ−タ記憶補助装
置、３０はデータの変化の大きさを規格化するための規
格化装置、４０は変化データの変化率計算装置、５０は
サンプリング幅決定装置、６０はこの装置で使用する知
識、７０は、サンプリング幅記憶手段とデータサンプリ
ング手段を有し、サンプリング幅決定装置５０において
決定されたサンプリング幅に係るデータを用いて規格化
装置３０からのデータをサンプリングする装置、８０は
ニューラルネットワークに関連する計算を実施する装
置、９０はＣＲＴ、マウス、キーボードなどで構成され
る入出力装置である。次に、本実施例の動作の概要を示
す流れ図を説明する。ニューラルネットワークを使用す
る装置には、一般に、学習モードと認識モードの二つの
モードがある。この学習モードと認識モードの切り換え
は、入出力装置９０により実施する。通常、学習モード
として、ニューラルネットワークを学習させ、各ユニッ
ト間の結合の重み係数を設定する。その後、認識モード
として装置を待機状態とする。ここで、学習モードを入
出力装置９０により入力設定し、学習終了後、自動的に
認識モードに切り換えることも同様に可能である。図２
は、学習モードの装置の動作を示す流れ図である。学習
モードでは、まず、学習に使用するデータを、データと
り込み・記憶装置３０によりとり込み、記憶する（ステ
ップ１００１）。この装置は、原子力プラントなどのプ
ラントに発生した異常事象を同定する目的で使用するも
のであり、とり込む変化データは、種々の異常事象が発
生した際の原子炉圧力、原子炉水位などの状態量につい
ての時系列データである。これらのデータは、プラント
での計測データあるいはシミュレータによる模擬データ
のいずれかである。次いで、とり込んだデータの変化幅
を規格化装置４０により規格化する（ステップ１００
２）。つまり、各々の状態量について、その変化幅は異
なるため、その変化幅が１．０に近い値となるように、
各状態量について、規格化定数を設定 各々の異常事象ｊ、各状態量（規格化済）Ｖｉについて
計算する（ステップ１００３）。この変化率から、サン
プリング幅決定装置５０により、変化率とサンプリング
幅（時間幅）に係る知識６０を用いて、データのサンプ
リング幅を決定する（ステップ１００４）。サンプリン
グ装置７０において、上記ステップで決定されたサンプ
リング幅に係るデータをサンプリング幅記憶手段に取り
込み、このデータを用いてデータサンプリング手段によ
り規格化装置３０からのデータをサンプリングする（ス
テップ１００５）。このサンプリングしたデータを、ニ
ューラルネットワーク計算装置８０に入力して、学習す
る（ステップ１００６）。学習には、入力データに対応
する異常事象を教師データとして与える必要があるが、
これには、入出力装置９０を使用する。この学習によっ
て、ニューラルネットワークの各ユニット間の結合の重
み係数の値が決定される。ここで、ニューラルネットワ
ークの学習では、入力層のユニットに、各々の異常事象
が発生した際の原子炉圧力などの時系列データのサンプ
リングデータを入力し、出力層のユニットの出力が、各
々の事象に対応する教師データに近い値となるように、
例えば、誤差逆伝播アルゴリズムなどにより、ユニット
間の結合の重み係数を計算により求める。例えば、出力
層が３つある場合について、事象Ｘについては、各々の
ユニットの出力が”０１１”となるように教師データを
与え、入力層には事象Ｘ発生時のサンプリングデータを
与える。同様に、事象Ｙについては、各々のユニットの
出力が”００１”となるように教師データを与え、入力
層には事象Ｙ発生時のサンプリングデータを与える。他
の認識すべき事象についても同様にデータを与え、これ
らのデータを用いて学習する。この学習により、結合の
重み係数が決定され、認識モードで事象Ｘが発生した場
合には、出力層の各ユニットの出力が”０１１”に近い
値となることになる。このようなニューラルネットワー
クの動作については、例えば、《麻生 英樹著：ニュー
ラルネットワーク情報処理、産業図書、１９８８》に詳
しく述べられている。ここで、ニューラルネットワーク
の構造、即ち、入力層、出力層及び中間層のユニット数
及び中間層の層数などを与える必要があるが、これらは
入出力装置により入力する。なお、入力層のユニット数
については、入力データの数に等しくなるように、自動
的に設定することも同様に可能である。図３は、認識モ
ードの装置の動作を示す流れ図である。認識モードで
は、まず、プラントもしくはシミュレータからの指定し
た状態量についての時系列データを、データとり込み・
記憶装置１０により、とり込む（ステップ１１０１）。
次いで、規格化装置３０により、各々のデータの変化幅
を規格化する（ステップ１１０２）。さらに、学習モー
ドにおいて決定され、サンプリング幅記憶手段に記憶さ
れたサンプリング幅に係るデータを参照し、このデータ
を基に規格化装置３０からのデータをサンプリングする
（ステップ１１０３）。そのデータをニューラルネット
ワーク計算装置８０に入力して、事象を同定する（ステ
ップ１１０４）。ここで、ニューラルネットワーク計算
装置８０では、学習により、ニューラルネットワークの
結合の重み係数が、各事象に対応した各状態量について
の時系列データの変化パターンから、事象の種別に対応
する出力値を出力するように決定されている。したがっ
て、入力されたデータの変化パターンをもとに、ニュー
ラルネットワークからは、そのパターンに類似する変化
パターンを持つ学習済の事象に対応する値が出力され
る。

【０００７】図４は、変化率計算装置４０における変化
率の計算方法を示すためのグラフである。 されている。ここで、学習あるいは認識に使用されるデ
ータのとり込みの時間範囲をＴｍａｘとしている。ここ
で、Ｔｍａｘはあらかじめ定めたものである。この値
は、入出力装置９０により変更が可能である。また、時
系列データは、とり込み範囲により、変化パターンが異
なる。そのため、あらかじめ定めた基準時点をもとにし
て、データをとり込むものとする。基準時点としては、
原子炉スクラムの発生時点などを使用する。変化率は、
あらかじめ定めた時間Ｔ内で各々計算する。ここで、Ｔ
は、Ｔｍａｘを等分割する時間であり、入出力装置９０
を用いて変更が可能である。図５は、変化率の計算方法
を示す流れ図である。変化率の計算では、まず、変化率
を計算する領域を示す添字ｋを１に設定する（ステップ
１２０１）。次い める（ステップ１２０２）。ここで、ｋ＝１の場合に
は、０＜ｔ＜Ｔの区間における平均値が求められる。こ
の平均値の計算は、例えば、時間区間を細く分割し 類（各状態量に対応）ｉについて平均し、平均値ＤＶ_AV
（ｋ）を求める（ステップ１２０３）。次に、ｋ・Ｔ＜
Ｔｍａｘか否か、即ち、時間範囲Ｔｍａｘ全域で、平均
値を求める処理が終了したか否かを判定し（ステップ１
２０４）、終了していない場合には、ｋ＝ｋ＋１とし
（ステップ１２０５）、次のＴの区間について、上記の
処理をくり返す。一方、Ｔｍａｘ全域での処理が終了し
ている場合には、平均値ＤＶ_AV（ｋ）を出力する（ステ
ップ１２０６）。

【０００８】図６は、サンプリング幅の決定に使用する
知識の内容を示す図表である。知識の中には、平均の平
化率ＤＶ_AVの値に対応して、サンプリングするデータの
個数が図表のように与られている。つまり、平均の変化
率の大きな時間に対しては、サンプリングを細く、小さ
な時間に対してはサンプリングを荒くするようになって
いる。この知識を用いて、サンプリング幅が決定され
る。例えば、０＜ｔ＜Ｔの時間区間における平均変化率
ＤＶ_AVが０．０と１．０の間にあれば、サンプリングす
るデータ数は２となり、以下、１．０と２．０の間にあ
れば、サンプリングするデータ数は３、２．０と３．０
の間にあれば、サンプリングするデータ数は４、３．０
と４．０の間にあれば、サンプリングするデータ数は６
となり、ｔ＝０及びｔ＝Ｔ／２の二つの時点でデータが
サンプリングされることになる。

【０００９】図７は、表示画面の一例を示す模式図であ
る。図７には、学習モードで使用中の表示画面の例が示
され、１０１には学習に使用されたデータＶ₁ ¹、Ｖ₂ ¹、
及びＶ₃ ¹の変化が示されている。図中、グラフ１０２
は、装置にとり込まれたプラントデータのトレンドグラ
フを、黒点１０３は、サンプリングされ、ニューラルネ
ットワークに学習用のデータとして入力されたデータを
示している。ここで、サンプリング幅に係るデータとし
ては、黒点１０３に示すように、０≦時間＜４では２点
（４／２の時間幅）、４≦時間＜８では６点（４／６の
時間幅）、８≦時間＜１２では３点（４／３の時間幅）
となる。なお、時間＝１２でもサンプリングする。ま
た、この例では、事象１に対応したデータ１、２、３の
変化が示されているが、画面上のメニュー１０４及び１
０５に、適当な数値を入力することにより、希望する事
象及びデータＮＯ．の変化データ及びサンプリングされ
たデータを表示することが可能である。画面の右側に
は、左に示されたデータを用いて学習したニューラルネ
ットワークの特性が表示される。１０６は、学習後のネ
ットワークの誤差の総和を示すものである。また、学習
により得られた各ユニット間の結合の重み係数の大きさ
が結合の線１０７の太さを変えることにより示される。
さらに、データのサンプリングに関係したパラメータの
値が１０８に示される。ここに表示された値を変更する
ことにより、サンプリングに関連するパラメータの値を
変えて、ネットワークを再度学習することも可能であ
る。この再学習の命令、サンプリングに係る知識の内容
の修正あるいは規格化のための値の変更なども、メニュ
ー１０９を選択して、画面を切り換えることにより、実
施することが可能である。

【００１０】以上説明したごとく、本実施例の装置を使
用すれば、データの変化率に応じて、ニューラルネット
ワークで使用するデータのサンプリング幅を変化させる
ことができる。即ち、変化率（絶対値）の変化の大きな
時間では、サンプリング周期を短く、逆に変化率の小さ
な時間では、サンプリング周期を長くすることができ
る。 これにより、データの変化の大きな時間における
データが優先的にニューラルネットワークに入力される
ことになり、データの変化パターンからの事象の同定性
能は向上されることになる。また、データの変化率とサ
ンプリング幅についての知識を利用して、サンプリング
幅を決めるという方法により、サンプリング方法の変更
を知識の修正により容易に実施することができる。本実
施例においては、プラントの状態量に係るアナログデー
タの変化からプラントに発生した異常事象が同定され
る。これによって、異常発生時のプラント状態の把握が
可能となり、プラントの異常時の運転性能が向上する。
また、表示画面に、変化データのトレンドグラフと決定
されたサンプリング幅の入力データ及び入力データ使用
時のニューラルネットワークの特性を表示することによ
って、学習に適切なデータの選択、サンプリング幅の検
討が容易となる。さらに、サンプリング知識の修正手段
などを有しており、サンプリング幅の修正や適切なサン
プリング幅の検討などを容易に行なうことができる。

【００１１】次に、本発明の第二の実施例について説明
する。図８は、本発明の第二の実施例であり、装置の機
能構成を示すブロック図である。図８において、１１は
データとり込み・記憶装置、５１はサンプリング点決定
装置、７１はデータのサンプリング装置、８１はニュー
ラルネットワーク計算装置、９１は入出力装置である。
図９は、本実施例の学習時の処理の概要を示す流れ図で
ある。本実施例では、まず、学習に使用するデータを、
データとり込み・記憶装置１１により、とり込み、記憶
する（ステップ１３０１）。ここで、本実施例は、手書
き文字認識にニューラルネットワークを応用するもので
あり、入力データは、画像認識装置（図示せず）からの
各文字に対応した座標と濃度との関係である。濃度は、
画像認識装置で処理する画像要素（座標を持つ）の中の
黒い部分の面積（つまり、文字の部分）に対応するもの
である。即ち、要素が全て黒いと判定された場合に、濃
度は最大となる。次に、データの変化特性から、サンプ
リング点を決定する（ステップ１３０２）。決定された
サンプリング点で変化データをサンプリングし（ステッ
プ１３０３）、サンプリングしたデータをネットワーク
に入力して、学習する（ステップ１３０４）。なお、認
識時にはデータとり込み・記憶装置１１からデータをと
り込み、それを上記のステップで決定されているサンプ
リング幅でサンプリングして、ニューラルネットワーク
計算装置に入力する。ニューラルネットワークは、この
入力データを用いて、認識すべき文字に対応する値を出
力する。

【００１２】図１０は、サンプリング点の決定方法を示
す模式図である。図１０には、座標ｘに対応する画像処
理装置からの濃度Ｖの変化を示している。座標の範囲は
Ｘｍａｘである。また、図１０には、例として文字
「か」及び「う」に対応する濃度の変化を模式的に示し
ている。図１１は、サンプリング点の決定フローを示す
流れ図である。サンプリング点の決定では、まず、扱う
座標の範囲Ｘｍａｘ及びサンプリング点数Ｎから、座標
の幅Δｘを計算する（ステップ１４０１）。ここで、サ
ンプリング点数Ｎは、あらかじめ入出力装置９１などを
利用して与えられる。ここでは、ＸｍａｘをＮ×１０に
分割して、Δｘを求めているが、この分割数について
も、入出力装置９１から変更することが可能である。次
に、ｋを０に設定し（ステップ１４０２）、ｘ＝Δｘ・
ｋの点において、濃度Ｖの差の絶対値ΔＶｋを計算する
（ステップ１４０３）。この後、ｘ＜Ｘｍａｘか否かを
判定し（ステップ１４０４）、これが成立しなくなるま
で、即ち、Ｘｍａｘの全域についての処理が終了するま
で、ｋ＝ｋ＋１に設定して（ステップ１４０５）、上記
の処理をくり返す。これが終了すると、ΔＶｋの中から
大きいものをＮ個選択し（ステップ１４０６）、ｋの値
から対応する座標ｘを計算して、それらの点でサンプリ
ングを決定する（ステップ１４０７）。ここでは、Ｖ¹
（例として、文字「か」に対応）及びＶ²（例として、
文字「う」に対応）の２変数の例を示したが、多変数に
なった場合には、変数の値の差の最小値の大きな点でサ
ンプリングする、あるいは、標準偏差の大きな点でサン
プリングするなどの方法を採ることにより、同様の処理
が可能となる。また、この例では、各文字について、一
つずつデータがある場合を示したが、各文字について複
数のデータを学習させる場合にも、文字についてデータ
の変化を平均するなどの方法により、同様の処理が可能
となる。

【００１３】以上説明したごとく、本実施例になる装置
によれば、各文字に対応する変化データの差が大きな点
を優先的にサンプリングすることが可能となる。これに
よって、ニューラルネットワークに入力されるデータの
パターンは、各文字ごとに大きく異なるものとなり、ニ
ューラルネットワークの文字認識性能は向上する。この
ように、文字認識などを含めて、対象とする変化データ
が計算機により処理されたパターンに係るデータである
場合に、各々のパターンの特徴をとらえた入力データの
作成、ニューラルネットワークの学習、認識が可能とな
り、ニューラルネットワークのパターンの認識率、認識
の信頼性の向上を図ることができる。

【００１４】次に、本発明の第三の実施例について説明
する。図１２は、本発明の第三の実施例であり、装置の
機能構成を示すブロック図である。図１２において、１
２はデータとり込み装置、３２は規格化装置、１１０は
規格化されたデータの記憶装置、５２はサンプリング幅
決定装置、６２はサンプリング幅決定ルール、１２０は
ルール作成・修正装置、１３０はルール作成・修正用の
知識、７２はデータのサンプリング装置、８２はニュー
ラルネットワーク計算装置、９２は入出力装置である。
図１３は、本実施例の動作を示す流れ図であり、学習時
の動作を表わしている。本実施例では、まず、データと
り込み装置１２により学習に使用するデータをとり込む
（ステップ１５０１）。ここで、本実施例は、プラント
の状態量の時系列データから、プラントに発生した異常
事象を同定することを目的とするものであり、データ
は、圧力などの状態量の時系列データである。次に、規
格化装置３２により、データの変化幅を規格化し、その
結果を記憶装置１１０に記憶する（ステップ１５０
２）。一方、サンプリング幅決定装置５２において、サ
ンプリング幅決定ルール６２を用いてデータのサンプリ
ング幅を決定する（ステップ１５０３）。次に、決定さ
れたサンプリング幅で規格化されたデータをサンプリン
グする（ステップ１５０５）。このサンプリングされた
データをニューラルネットワーク計算装置８２に入力し
て、ニューラルネットワークを学習させる（ステップ１
５０５）。認識時には、プラントからのデータを、デー
タとり込み装置１２により、とり込み、規格化装置３２
により、規格化し、さらに、あらかじめ学習時に定めら
れたサンプリング幅でデータをサンプリングして、ニュ
ーラルネットワーク計算装置８２に入力して、プラント
に発生した異常事象を同定する。

【００１５】図１４は、サンプリング幅決定ルールの内
容を示す図表である。図表のように、ルールは、時間範
囲及びその範囲におけるサンプリング幅から構成されて
いる。例えば、時間範囲０＜ｔ＜Ｔでは、サンプリング
幅は２．０と与えられている。ここで、Ｔの値はあらか
じめ設定される。図１５は、サンプリング幅決定装置５
２の処理を示す流れ図である。この装置では、まず、ｔ
＝０と設定する（ステップ１６０１）。次に、サンプリ
ング幅決定ルールを参照して、ｔの値をもとに、サンプ
リング幅Δｔｓａｍｐｌｅを求める（ステップ１６０
２）。このΔｔｓａｍｐｌｅでＴを割り、その値を整数
化することによって、領域Ｔの分割数Ｉを求める（ステ
ップ１６０３）。次いで、サンプリング幅をＴ／Ｉに設
定する（ステップ１６０４）。ステップ１６０３及び１
６０４の処理は、時間範囲Ｔ内のサンプリング幅を均一
にするために実施される。上記の処理を、学習、認識に
使用するデータの時間範囲Ｔｍａｘ全てについて実施す
る。即ち、ｔ＜Ｔｍａｘの間は（ステップ１６０５）、
ｔ＝ｔ＋Ｔに設定して（ステップ１６０６）、上記の処
理をくり返し実施する。

【００１６】次に、ルール作成・修正装置１２０の動作
を説明する。図１６は、ルール作成・修正用知識の内容
を示す図表である。知識は、ｉｆ、ｔｈｅｎ形式で与え
られている。また、知識は、２００１、２００２のよう
なルール作成用のもの、２００３のようなル−ル修正用
のもの及び２００４、２００５のように定量的な値と記
号との対応関係に係るものなどから構成されている。図
１７は、ルール作成・修正装置１２０の動作を示す流れ
図である。この装置では、まず、サンプリング幅を決定
する時間幅Ｔ及びデータ使用の時間範囲Ｔｍａｘを、入
出力装置９２より、とり込む（ステップ１７０１）。次
に、初期値としてｋ＝０に設定し（ステップ１７０
２）、ｋＴ＜ｔ＜（ｋ＋１）Ｔの範囲の規格化されたデ
ータをとり込む（ステップ１７０３）。次に、前に示し
た実施例と同様の方法により、データの変化率及びデー
タの事象の違いによる差などを計算する（ステップ１７
０４）。この結果をもとに、知識を参照して、ｋＴ＜ｔ
＜（ｋ＋１）Ｔの範囲のサンプリング幅決定ルールを作
成する（ステップ１７０５）。この処理を、ｔ＜Ｔｍａ
ｘが成立している間（ステップ１７０６）、ｋ＝ｋ＋１
に設定して（ステップ１７０７）くり返す。全ての時間
範囲Ｔｍａｘについて、処理が終了すれば、サンプリン
グ幅決定ルールを記憶して（ステップ１７０８）、処理
を終了する。以上のようにして求められたサンプリング
幅決定ルールを用いて、データのサンプリング幅を決定
し、ニューラルネットワークの学習及び認識の処理を実
施する。認識処理においては、学習済の事象について
も、プラント状態の変化等により、学習済のデータとパ
ターンの少し異なるデータが入力されることがある。こ
のような場合に、認識がうまくいかない状況が起こるこ
とがある。この時、本実施例では、再度、新しいデータ
（未学習データと呼ぶ）について、学習処理を実施す
る。その際に、サンプリング幅決定ルールを見直し、修
正する処理をルール作成・修正部１２０において実施す
る。図１８は、その処理の流れを示す流れ図である。ル
ールの修正処理では、まず、未学習データを規格化装置
３２からとり込む（ステップ１８０１）。次に、未学習
データを使用した場合の認識誤差、即ち、教師データと
認識時の出力データの差を、ニューラルネットワーク計
算装置８２よりとり込む（ステップ１８０２）。次い
で、これらの情報をもとに、知識を参照して、サンプリ
ング幅決定ルールを作成する（ステップ１８０３）。

【００１７】本実施例によれば、データのサンプリング
に係る経験的な知識を用いて、ニューラルネットワーク
の認識特性、変化データ及び事象に係るデータから、デ
ータのサンプリング幅を決定するためのルールを自動的
に作成、修正することが可能となる。これにより、ニュ
ーラルネットワークで使用すべきデータの選択、検討及
び学習に用いる労力を大幅に低減することが可能とな
る。

【００１８】

【発明の効果】以上説明したごとく、本発明によれば、
複数の種別の変化パターンにおけるデータの変化特性か
ら、データのサンプリング幅を決定し、ニューラルネッ
トワークを学習させ、異常事象の同定などのパターンの
認識に使用できる。これにより、データの変化特性の特
徴をとらえた効率の良い学習及び認識率の向上が可能と
なる。また、変化データ、サンプリングされたデータ及
びデータ使用時のニューラルネットワークの特性を表示
装置により確認することが可能となる。さらに、表示結
果を見て、サンプリング方法を容易に変更することがで
きる。これにより、サンプリングされたデータの妥当性
の確認、サンプリング方法の変更、ニューラルネットワ
ークの効率的な学習などが可能となる。さらに、サンプ
リングに係るルールの作成を容易にするため、経験的な
知識などを用いて、ルールを自動的に作成し、修正する
ことができる。これにより、ニューラルネットワークで
使用すべきデータの選択作業を簡単化することが可能で
ある。以上述べたように、本発明によれば、データの変
化特性を反映したサンプリング・データを簡便に作成、
修正することが可能となる。これにより、効率の良いニ
ューラルネットワークの学習及び信頼性の高い変化デー
タのパターンの認識が可能となり、プラントの異常事象
の同定や手書き文字の認識に利用することができる。

【図面の簡単な説明】

【図１】本発明の第一実施例の装置の機能構成を示すブ
ロック図

【図２】本発明の第一実施例の学習モードにおける処理
の概要を示す流れ図

【図３】本発明の第一実施例の認識モードにおける処理
の概要を示す流れ図

【図４】平均の変化率の計算方法を示すグラフ

【図５】変化率の計算方法を示す流れ図

【図６】サンプリング幅の決定に使用する知識の内容を
示す図表

【図７】表示画面の一例を示す模式図

【図８】本発明の第二実施例の装置の機能構成を示すブ
ロック図

【図９】本発明の第二実施例の学習モードにおける処理
の概要を示す流れ図

【図１０】サンプリング点の決定方法を示すグラフ

【図１１】サンプリング点決定の処理を示す流れ図

【図１２】本発明の第三実施例の装置の機能構成を示す
ブロック図

【図１３】本発明の第三実施例の学習モードにおける処
理の概要を示す流れ図

【図１４】サンプリング幅決定ルールの例を示す図表

【図１５】サンプリング幅の決定処理を示す流れ図

【図１６】ルール作成・修正用知識の例を示す図表

【図１７】サンプリング幅決定ルールの作成処理を示す
流れ図

【図１８】サンプリング幅決定ルールの修正処理を示す
流れ図

【符号の説明】

１０、１１ データとり込み・記憶装置 １２ データとり込み装置 ２０ デ−タ記憶補助装置 ３０、３２ 規格化装置 ４０ 変化率計算装置 ５０、５２ サンプリング幅決定装置 ５１ サンプリング点決定装置 ６０ サンプリング幅決定用知識 ６２ サンプリング幅決定ルール ７０、７１、７２ サンプリング装置 ８０、８１、８２ ニューラルネットワーク計算装置 ９０、９１、９２ 入出力装置 １０１〜１０９ 表示画面の部分 ２００１〜２００５ 知識の例

───────────────────────────────────────────────────── フロントページの続き (72)発明者 関 洋 茨城県日立市森山町1168番地 株式会社日 立製作所エネルギー研究所内

Claims (20)

【特許請求の範囲】
1. 【請求項１】 複数の変化パタ−ンにおける変化データ
   をサンプリングしてニューラルネットワークに入力する
   方法であって、この変化デ−タをとり込み、データの変
   化特性からデ−タのサンプリング幅を決定し、この決定
   したサンプリング幅に基づいてサンプリングしたデ−タ
   をニューラルネットワークに入力することを特徴とする
   ニューラルネットワーク入力データ作成方法。
2. 【請求項２】 複数の変化パタ−ンにおける変化データ
   をサンプリングしてニューラルネットワークに入力する
   方法であって、この変化デ−タをとり込み、データの変
   化特性からデ−タのサンプリング幅を決定し、この決定
   したサンプリング幅に基づいてサンプリングしたデ−タ
   をニューラルネットワークに入力して学習し、パタ−ン
   認識時には、デ−タを学習時に決められたサンプリング
   幅に基づいてサンプリングしてニュ-ラルネットワ−ク
   に入力することを特徴とするニューラルネットワーク入
   力データ作成方法。
3. 【請求項３】 請求項１または請求項２において、前記
   サンプリング幅の決定は、前記データの変化特性とサン
   プリング幅に係る知識を参照してなされることを特徴と
   するニューラルネットワーク入力データ作成方法。
4. 【請求項４】 複数の変化パタ−ンにおける変化データ
   をサンプリングしてニューラルネットワークに入力する
   方法であって、この変化デ−タをとり込み、サンプリン
   グ幅決定ルールを用いてデ−タのサンプリング幅を決定
   し、この決定したサンプリング幅に基づいてサンプリン
   グしたデ−タをニューラルネットワークに入力すること
   を特徴とするニューラルネットワーク入力データ作成方
   法。
5. 【請求項５】 請求項４において、サンプリング幅決定
   ルールは、学習、認識に使用するデータの時間範囲とこ
   の範囲におけるサンプリング幅から構成することを特徴
   とするニューラルネットワーク入力データ作成方法。
6. 【請求項６】 請求項４において、サンプリング幅決定
   ルールは、データの変化特性及びデータサンプリングに
   係る知識を参照して、自動的に作成することを特徴とす
   るニューラルネットワーク入力データ作成方法。
7. 【請求項７】 請求項４において、未学習データを入力
   し、この未学習データを入力したときのニューラルネッ
   トワークの誤差（教師信号との差）をとり込み、ルール
   作成・修正に係る知識を参照して、サンプリング幅決定
   ルールを修正することを特徴とするニューラルネットワ
   ーク入力データ作成方法。
8. 【請求項８】 請求項１、請求項２または請求項４にお
   いて、サンプリングしたデ−タは、変化率の大きいデー
   タ部に対してサンプリング幅を短くし、変化率の小さい
   データ部に対してサンプリング幅を長くすることを特徴
   とするニューラルネットワーク入力データ作成方法。
9. 【請求項９】 複数の変化パタ−ンにおける変化データ
   をサンプリングしてニューラルネットワークに入力する
   方法であって、この変化デ−タをとり込み、データの変
   化特性からデ−タのサンプリング点を決定し、この決定
   したサンプリング点に基づいてサンプリングしたデ−タ
   をニューラルネットワークに入力することを特徴とする
   ニューラルネットワーク入力データ作成方法。
10. 【請求項１０】 請求項９において、デ−タのサンプリ
    ング点の決定は、データ変数の値の差が大きい点、また
    は、データ変数の値の差の最小値の大きな点、あるい
    は、標準偏差の大きな点をそれぞれ所定個選択し、これ
    らの点をサンプリング点とすることを特徴とするニュー
    ラルネットワーク入力データ作成方法。
11. 【請求項１１】 請求項１、請求項２、請求項４または
    請求項９において、複数の変化パターンにおける変化デ
    ータの差が大きい部分のデータを優先的にサンプリング
    することを特徴とするニューラルネットワーク入力デー
    タ作成方法。
12. 【請求項１２】 請求項１、請求項２、請求項４または
    請求項９において、複数の変化パタ−ンにおける変化デ
    ータは、あらかじめ設定した基準点を基に取り込み、こ
    の基準点から所定の範囲を使用する変化データとするこ
    とを特徴とするニューラルネットワーク入力データ作成
    方法。
13. 【請求項１３】 複数の変化パタ−ンにおける変化デー
    タをサンプリングしてニューラルネットワークに入力す
    る装置であって、とり込んだデータの変化特性からデ−
    タのサンプリング幅を決定する手段と、この決定したサ
    ンプリング幅に基づいてサンプリングしたデ−タをニュ
    ーラルネットワークに入力する手段を有することを特徴
    とするニューラルネットワーク入力データ作成装置。
14. 【請求項１４】 複数の変化パタ−ンにおける変化デー
    タをサンプリングしてニューラルネットワークに入力す
    る装置であって、とり込んだデータの変化特性からデ−
    タのサンプリング幅を決定する手段と、この決定したサ
    ンプリング幅に基づいてサンプリングしたデ−タをニュ
    ーラルネットワークに入力して学習させる手段と、パタ
    −ン認識時には、学習時に決められたサンプリング幅に
    基づいてデ−タをサンプリングしてニュ-ラルネットワ
    −クに入力する手段を有することを特徴とするニューラ
    ルネットワーク入力データ作成装置。
15. 【請求項１５】 請求項１３または請求項１４におい
    て、とり込んだデータの変化特性を求める手段と、この
    データの変化特性とサンプリング幅に係る知識手段を有
    し、両手段の出力情報をデ−タのサンプリング幅を決定
    する手段に入力することを特徴とするニューラルネット
    ワーク入力データ作成装置。
16. 【請求項１６】 複数の変化パタ−ンにおける変化デー
    タをサンプリングしてニューラルネットワークに入力す
    る手段であって、この変化デ−タをとり込むデ−タとり
    込み手段と、サンプリング幅決定ルール手段と、サンプ
    リング幅決定ルールを用いてデ−タのサンプリング幅を
    決定するサンプリング幅決定手段と、ルール作成・修正
    手段と、ルール作成・修正に係る知識手段と、決定した
    サンプリング幅に基づいてデータをサンプリングするサ
    ンプリング手段と、このサンプリングしたデータを入力
    するニュ−ラルネットワ−ク計算手段を有することを特
    徴とするニューラルネットワーク入力データ作成装置。
17. 【請求項１７】 複数の変化パタ−ンにおける変化デー
    タをサンプリングしてニューラルネットワークに入力す
    る装置であって、この変化デ−タをとり込み、記憶する
    手段と、データの変化特性からデ−タのサンプリング点
    を決定する手段と、この決定したサンプリング点に基づ
    いてデータをサンプリングするサンプリング手段と、こ
    のサンプリングしたデータを入力するニュ−ラルネット
    ワ−ク計算手段を有することを特徴とするニューラルネ
    ットワーク入力データ作成装置。
18. 【請求項１８】 請求項１３から請求項１７のいずれか
    において、表示手段及び入力手段からなる入出力装置を
    設け、学習用データ、変化データのトレンドグラフ、サ
    ンプリングされたデータ、ニューラルネットワークの特
    性またはサンプリング知識を表示あるいは入力すること
    を特徴とするニューラルネットワーク入力データ作成装
    置。
19. 【請求項１９】 ニューラルネットワークと、前記ニュ
    ーラルネットワークの学習時におけるサンプリング幅パ
    ターンを記憶する手段と、前記サンプリング幅パターン
    に基づいて、情報を前記ニューラルネットワークに入力
    する手段を備えたことを特徴とするニューラルネットワ
    ーク入力データ作成装置。
20. 【請求項２０】 ニューラルネットワークと、前記ニュ
    ーラルネットワークを学習モードから認識モードに切り
    換える入出力手段と、学習時において決定され、サンプ
    リング幅記憶手段に記憶されているサンプリング幅パタ
    ーンを参照して、情報を前記ニューラルネットワークに
    入力する手段を備え、事象を同定することを特徴とする
    ニューラルネットワーク入力データ作成装置。