JPH1074188A

JPH1074188A - データ学習装置およびプラント制御装置

Info

Publication number: JPH1074188A
Application number: JP9119088A
Authority: JP
Inventors: Yoshinori Sato; 嘉則佐藤; Akira Maeda; 章前田; Toyohisa Morita; 豊久森田; Katsumi Omori; 勝美大森; Satoshi Oishi; 聡大石; Hitoshi Ashida; 仁史芦田
Original assignee: Hitachi Ltd
Current assignee: Hitachi Ltd
Priority date: 1996-05-23
Filing date: 1997-05-09
Publication date: 1998-03-17

Abstract

(57)【要約】【課題】データ類似度判定装置を用いて、学習装置に例
外的入力データ判別機能を付加し、学習装置の予測精
度、制御精度を向上させると共に、逐次的学習機能を実
現する。【解決手段】データ類似度判定装置１０３により入力デ
ータの例外度を判定し、例外対応処理を起動する。また
モデル選択１０５は類似データ判定装置１０３の判定結
果に基づいてモデル記憶部１０８から適切な学習モデル
を選択する。モデル更新装置１０４はモデル実行履歴記
憶部１１３、モデル間従属関係１１４に格納されている
データを用いて学習済みモデルの更新処理を行う。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は自然現象、人口統計
等の社会的現象、株価変動等の経済的現象、工業プラン
ト等の化学的、物理的現象等の一般のデータ予測を行う
データ学習装置に関する。特に、予測された結果を用い
て各種化学プラント、内燃式エンジン、船舶の自動運航
等の制御を行う制御装置に関する。

【０００２】

【従来の技術】気象、株価変動、工業プラント等、既知
のデータを元に対象の振る舞いの予測を要求される分野
は数多くある。そのための手法としては、重回帰分析等
の解析的手法により予測モデルを構築するものが従来用
いられてきた。最近では非線形な関係を学習により自動
的にモデル化する手法としてニューラルネットワークの
技術が予測に応用されてきている。（以下従来技術１と
呼ぶ）。このようなニューラルネットワークの学習能力
は、化学プラント、自動車のエンジン、航空機のエンジ
ンなど複雑な系を制御する対象においても、制御モデル
を構築する方法として用いられている。

【０００３】ニューラルネットワークを使った変数間の
分析は、入出力変数間の非線形な関係をモデリングする
ものであり、多くの文献に記載されている。例えば、
「PDPモデル、認知科学とニュ−ロン回路網の探索」（
Rumelhart D.E.他、産業図書89/03/13、pp.321-pp.36
5）は、現実の問題解決に応用されているニューラルネ
ットワークである、誤差逆伝播モデルを記載している。

【０００４】ところが、従来技術１ではいったんモデル
を構築したあとで、新たな入出力関係をモデルに追加す
る際には、学習を初めからやり直す必要がある。そこで
インクリメンタル学習（差分学習、追加学習）が可能な
ニューラルネットワークの研究、応用が進んでいる（以
下従来技術２と呼ぶ）。インクリメンタル学習の例とし
ては「塚本義明、生天目章、多層ネットワークの瞬時学
習法、情報処理学会論文誌、1995,Vol.34, No.9, pp.18
82-1891」がある。

【０００５】一方、大量に蓄積したデータを元に類似デ
ータを探し出し予測結果を計算出力する手法としてMBR
（Memory Based Reasoning:記憶に基づく推論）があ
る。MBRに関しては「Craig Stanfill,DavidWaltz,TOWAR
MEMORY-BASED REASOING, Communications of the ACM,
Dec 1986,Vol.29. Number 29, pp.1213-1228」に概要が
述べられている（以下従来技術３と呼ぶ）。従来技術３
を気象予測に応用した例として「毛利隆夫、田中秀彦、
記憶に基づく推論による天気予報、人工知能学会誌、19
95, Vol.19, No.5, pp.798-805」がある。従来技術３に
おいては、新規に得られるデータをデータベースに蓄積
し続けることで推論精度（予測精度）が向上するという
メリットがあり、また過去のデータの類似点を示すこと
で予測結果の根拠を示すことが可能である。

【０００６】

【発明が解決しようとする課題】従来技術１は、非線形
モデルを自動的に構築することを可能にするが、得られ
るモデルのの解釈が困難である。このため、運用の際に
は予測結果の根拠を求めることが難しい。同様の理由か
らモデルに利用者の知見を反映させることも困難であ
る。

【０００７】現実では常に予測対象の基本的な構造は時
間と共に変化していることが多い。この場合予測モデル
の定期的な更新が不可欠であるが、従来技術１において
は学習によるモデル構築を全てやり直す必要がある。つ
まり新規に得られたデータの構造をモデルに反映するた
めは、過去に学習したデータと新規に得られたデータを
全て使用して学習することになる。従来技術２は、従来
技術１で問題となった学習モデルの更新時に、必要なデ
ータだけを用いてインクリメンタル学習をおこなう。ま
た、過去に学習したデータ構造のうち不必要な部分は自
動的に削除されるような仕組みを持つものもある。

【０００８】しかしながら、構築したモデルの解釈が困
難な点は従来技術１と同様であり、学習モデル更新のタ
イミングは利用者が決定しなければならない。

【０００９】さらに、従来技術１、２に共通する問題と
して、例外的なデータの予測が難しい点がある。従来技
術１および２では、推定値と真値の誤差が全ての入力デ
ータ（モデル作成の元となるデータ）に関して平均的に
小さくなるようにモデルが構築される。そのため、予測
モデルはデータ全体の傾向を捉えてはいるが、例外的な
データを高精度に予測することが困難になる。

【００１０】従来技術３においては、予測で求められる
のが記号値の場合、過去の類似データそのものを予測結
果として用いることにより予測が成立する。例えば参考
文献１の英単語発音の推測、参考文献における天気予報
等がこれに該当する。しかし、例えば各種需要予測等、
予測に数値的な結果を求められる場合、見つかった類似
データを用いて出力を近似する必要がある。

【００１１】

【課題を解決するための手段】上記の問題を解決するた
めに本発明は以下の構成をとる。入力されたレコードデ
ータを蓄積する手段と、蓄積データを学習しモデル化す
る手段と、前記学習したモデルを実行する手段と、上記
蓄積されたデータから類似データを検索する手段と、前
記構築したモデルを評価する手段と、前記学習モデルの
実行履歴を記憶する手段と、前記学習したモデル間の従
属関係を記憶する手段と、前記構築したモデルを管理す
る手段と、上記学習済みモデルの実行結果を評価する手
段と、前記評価結果を上記蓄積データの形式に変換する
手段を有するデータ学習装置である。

【００１２】より具体的には、以下の通りの構成をと
る。入力データ記憶部１０７に記憶された入力データと
実績値についての予測モデルをモデル学習装置１０９を
用いて作成しておき、モデル記憶部１０８に記憶してお
く。その後予測対象の入力データがデータ入力装置１０
６から入力されたなら、以下の処理を行う。前記入力デ
ータと所定の値以上の類似度を有するデータを入力デー
タ記憶部１０７から検索する。モデル記憶部１０８に記
憶されたもののうち、検索の結果条件に合致するデータ
に対応するモデルを用いてモデル実行装置１１０で予測
をする。所定の値以上の類似度のデータが入力データ記
憶部にない場合は、前記入力データが例外的なデータで
あると判定する。また、予測が終了した後、予測値と実
績値の誤差に基づいて、用いたモデルを修正する。

【００１３】本発明によるデータ学習装置では、類似デ
ータ検索手段を用いることで、学習により得られた非線
形モデルの予測の根拠を、類似データとして提示するこ
とができ、利用者へシステムの振る舞いを把握手段を提
供し、異常時には診断情報とすることが可能になる。

【００１４】また、学習済みモデルの実行結果と対応す
る入力データを蓄積する手段と、学習済みモデルの実行
結果を評価する手段、類似データを検索する手段を用い
ることにより、予測精度が悪いデータのみを対象とした
モデルを構築可能になる。また学習済みのモデルが複数
ある場合、類似データ検索手段を用いることで、適切な
学習モデルを使い分けることができる。これによりイン
クリメンタルな学習手段を実現すると共に、より高精度
な予測が可能になる。

【００１５】また、類似データ検索手段により例外デー
タを検出できるため、例外的データに対する処理を実現
できると共に、例外データ用に学習モデルを構築するこ
とで予測精度の向上ができ、また異常診断情報として利
用者に提示することが可能になる。

【００１６】さらに、類似データ検索手段と、学習済み
モデルの実行結果評価手段を備えることより、予測が外
れるデータの類似性と蓄積状況を計ることができ、イン
クリメンタル学習のタイミングを自動的に決定すること
が可能になる。

【００１７】類似データ検索を単体で用いるデータ学習
装置に比較した場合、非線形な学習モデルを併用するこ
とにより類似データを近似することができる。これによ
り高精度な予測、制御が可能になる。さらに、前記学習
データ装置を用いたプラント制御装置である。

【００１８】

【発明の実施の形態】以下、図面を用いて本発明の第１
の実施例を説明する。図１はデータ学習装置１００の構
成とデータの流れを示している。図１において、１０１
はモデル評価装置、１０２はモデル管理装置、１０３は
データ類似度判定装置、１０４はモデル更新装置、１０
５はモデル選択装置、１０６はデータ入力装置、１０７
は入力データ記憶部、１０８はモデル記憶部、１０９は
モデル学習装置、１１０はモデル実行装置、１１１は結
果出力装置、１１３はモデル実行履歴記憶部、１１４は
モデル間従属関係記憶部である。

【００１９】入力データ記憶部１０７に記憶された入力
データと実績値についての予測モデルをモデル学習装置
１０９を用いて作成しておき、モデル記憶部１０８に記
憶しておく。その後予測対象の入力データがデータ入力
装置１０６から入力されたなら、以下の処理を行う。前
記入力データと所定の値以上の類似度を有するデータを
入力データ記憶部１０７から検索する。モデル記憶部１
０８に記憶されたもののうち、検索の結果条件に合致す
るデータに対応するモデルを用いてモデル実行装置１１
０で予測をする。所定の値以上の類似度のデータが入力
データ記憶部にない場合は、前記入力データが例外的な
データであると判定する。また、予測が終了した後、予
測値と実績値の誤差に基づいて、用いたモデルを修正す
る。これらの処理の詳細については、後述する。上記の
処理は、プログラム記憶装置１１５に記憶されたモデル
管理プログラムにより実行される。なお、この処理のフ
ローについては、図１１および図１２に示したとおりで
ある。

【００２０】また、図６はモデル管理装置１０２の詳
細、図１２はデータ類似度判定装置の詳細を示してい
る。図６中の各装置は図１中のものと同様である。図１
２中、１２０１は距離定義指定装置、１２０２はデータ
読み込み装置、１２０３は距離計算装置、１２０４は類
似度判定装置、１２０５は出力装置を表している。

【００２１】図２に入力データの１例を示す。入力デー
タ２００は、プラントの製造実績と日毎の気象情報、前
日の製造実績、当日の製造量を表している。ここで、製
造実績２０２は既知のデータ、２０３は未知のデータで
ある。２０３の製造実績が、本発明における予測対象で
ある。

【００２２】図３に、本発明における出力結果を示す。
出力結果３００は入力データ２００をデータ格納装置に
与えた際に、２０３の当日製造量の予測結果を示してい
る。３０１は予測に使用したモデル名、３０２は各モデ
ルの予測結果、３０３は入力データと学習済み予測モデ
ルが対応するデータとの類似度、３０４は入力データと
例外データの類似度を表す。ここに、例外データとは予
測モデルが構築されていないデータである。

【００２３】図４に、類似データ検索装置の出力を表
す。出力４００は蓄積済みデータのうち入力データ２０
０との類似しているものを表している。

【００２４】図５に、データ間の類似度算出のための距
離定義構造を示す。データ５００は、データ間の距離を
測る際の、各項目が持つ重要度を示したものであり、重
要度は（0,1）の数値で表され、数値が大きいほど重要
度が大きいことを意味し、重要度が０の場合にはその項
目は類似例検索の際に全く考慮されないことを意味す
る。

【００２５】以下図１、６に従って第１の実施例の概要
を説明する。まず利用者はデータ入力装置１０６から入
力データ記憶部１０７に既知のデータを蓄積しておく。
図１６は、このとき装置１０７に格納されるデータ１６
００を表している。１６０１はデータ識別番号、１６０
４は各データ項目名、１６０３は対応する予測モデル名
であり、ここで１６０４の各項目名はデータ２００の各
項目名と同様である。第１の実施例が最初に運用される
際には、モデル学習装置１０９により既知データの予測
モデルが構築され、このとき図１６中の対応モデル名の
項目値が決定される。

【００２６】このとき学習により構築されるのは、１個
の予測モデルである。また、データ類似度判定装置でデ
ータ間の類似度を測るために、距離定義をデータ類似度
判定装置１０２に与えておく。

【００２７】予測の際には、予測項目値が空白のレコー
ドが入力データとしてデータ入力装置１０６に与えられ
る。データ入力装置から得られるデータを用いて、モデ
ル実行装置１１０がモデル記憶部１０８からモデルを読
み込み、予測を行う。モデル実行装置１１０の実行結果
は結果出力装置１１１を通じて出力される。また入力デ
ータは予測値の算出に用いられると同時に、入力データ
記憶部１０７に蓄積される。

【００２８】このとき入力データは、データ入力装置１
０６によりモデル管理装置１０２にも与えられる。モデ
ル管理装置１０２はデータ類似度判定装置１０３を起動
し、入力データ記憶部１０７に蓄えられた既知のデータ
中から未知のデータとの類似データを検索する。この検
索結果は結果出力装置１１１に渡され、モデル実行装置
１１０の振る舞いを説明するものとして出力される。す
なわち、類似データが見つかった場合は予測の根拠を示
し、類似データが見つからなかった場合は、入力データ
は例外的なデータであり、モデル実行装置１１０の予測
値が信頼できない旨を示している。同様に、類似データ
見つかった場合も、見つかったデータが過去に例外とし
て処理されていた場合には、モデル実行装置１０９の予
測値が信頼できない旨を示している。

【００２９】しかし、類似データは結果出力装置１１１
に出力されているため、この場合は類似した過去の例外
データの該当項目値を予測値として用いることができ
る。

【００３０】このように、データ類似度判定装置１０３
を設けることにより、予測に用いたモデルの振る舞いを
説明可能な点、データを蓄積することでモデルが対応不
可能な例外データの判定が可能になる点、データを蓄積
することで例外データの予測精度が向上する点に第１の
実施例の特徴がある。

【００３１】さらに、１回の予測が終了する毎に、実際
に計測される実績値と予測値の誤差、予測値算出の際に
使用されたモデル名を類似データの識別番号をモデル評
価装置１０１に与え、予測に使ったモデルの評価を行
う。モデル評価装置１０１の評価結果は、モデル実行履
歴記憶部１１３に格納される。モデル管理装置１０２
は、モデル実行履歴記憶部１１３に格納されている既存
モデルの評価実績、モデル間従属関係記憶部１１４に格
納されているモデル間従属関係を監視し、必要に応じて
新たなモデルの追加、不要なモデルの破棄、重複するモ
デルの統合等のモデルの更新操作を行う。

【００３２】このように、モデル管理装置を設けること
で複数の学習モデルを構築し、常に高精度な予測モデル
を保持できる点に第１の実施例の特徴がある。以下、図
面に従い、データ２００を入力とした場合の第１の実施
例の処理の詳細を説明する。

【００３３】図７は、第１の実施例の処理の流れを示し
たものである。第１の実施例は、処理７０１、７０４に
示す、初期に構築する予測モデルの学習フェイズと、処
理７０２、７０５に示す予測の実行フェイズと、処理７
０３、７０６に示すモデルの更新フェイズに分かれてい
る。初期学習フェイズが実行された後は、モデル実行フ
ェイズに移り、定期的、あるいは不定期的にモデル更新
フェイズを繰り返す。

【００３４】図８に、処理７０１において初期学習フェ
イズが選択された場合の処理８００を示す。予めデータ
２０２はデータ入力装置１０６により、入力データ記憶
部１０７に格納されている。まず予測の対象となる項目
（フィールド）が処理８０１で指定されると、処理８０
２で学習に用いるデータが選択される。そして、ここで
はデータ２０２が全て選ばれる。処理８０３でデータ２
０２の入出力構造を学習し、予測モデルが構築される。
処理８０４では学習したモデルの各種パラメータが格納
される。

【００３５】具体的には学習にニューラルネットワーク
を用いた場合、ユニット間の結合の構造、結合の強さを
表す結合加重値、ユニットのしきい値が格納される。図
１３のデータ１８００は、学習モデルのパラメータを示
している。データ１３００中にはモデルがn個あり、各
々m個のパラメータを持っている。ここでは説明の便宜
上全て同じ数のパラメータを持つものとしたが、このモ
デルが持つパラメータの数は必ずしも同一でなくてもか
まわない。

【００３６】図９に、処理７０２においてモデル実行フ
ェーズが選択された場合の処理の流れを示す。処理９０
１において、類似データ検索で用いられるデータ間の距
離定義５００がシステムに与えられる。処理９０２では
予測対象となるデータ２０３が入力される。ここでデー
タ２０３の空白項目は、処理８０１で与えられた教師と
なる項目と同一のものである。処理９０３では、空白で
はない項目を用いてデータ間距離を計算し、入力データ
記憶部１０７中のデータから、データ２０３との類似デ
ータを算出する。処理９０４は算出した類似データをモ
デル実行装置１１０、結果出力装置１１１に出力する。

【００３７】モデル実行装置１１０は処理９０３で見つ
かった類似データに対応する予測モデルをモデル記憶部
１０８から選び出し、処理９０６で選択する。適切なモ
デルの選択は、見つかった類似データの多数決により上
位のモデルを選択する。つまり類似データ１個見つかっ
た場合は、この類似データを元に学習を行ったモデルを
選択し、複数の類似データが見つかった場合には、最も
多くの類似データが対応するモデルがまず選択される。
仮に、複数のモデルがしきい値個以上の類似データに対
応している場合、複数のモデルにより同時に予測値が算
出され、このしきい値はユーザによって与えられる。学
習済みのモデルが１個のみの場合は、類似データに基づ
いて選択されるモデルは１個のみである。処理９０７は
選択したモデルの各種パラメータを実行装置内に読み込
み、予測値の計算を行う。処理９０８は、処理９０７の
結果を結果出力装置１１１を用いて出力する。

【００３８】ここで類似データが存在しない場合、すな
わち、処理９０２で入力されたデータが例外的なデータ
であった場合には、処理９０９に移り、適切な予測モデ
ルが存在しないものとして予測を行わない。しかし便宜
上予測値の算出はしておいてから、処理９０２で入力さ
れたデータが例外的データであった旨をガイダンスする
事も可能である。

【００３９】図３に、処理９０８により出力されたモデ
ル実行結果３００を示す。モデル実行結果３００は、複
数のモデルが選択された場合を示す。ここで、３０１は
選択されたモデル名、３０２は各モデルが出力した予測
値、３０３はモデルの信頼度を表している。ここでモデ
ルの信頼度３０３は処理９０３で見つかった類似データ
中の、各モデルに該当する事例数を示している。ここ
で、この割合が高いほどモデルの信頼度が高いことを示
している。

【００４０】また３０４は、過去に蓄積された例外デー
タとの類似度を表している。モデル信頼度の項目には、
処理９０３で見つかった類似データ中の例外データと類
似性を持つデータ数、すなわち入力データと例外データ
の類似度を示している。図３では、５０件の類似データ
が見つかっていて、モデル１には４０個の類似データ
が、モデル２には８個の類似データが対応し、入力デー
タと類似する例外データは１個もなかったことが表され
ている。後述するように、モデルの更新処理では、各デ
ータが対応するモデルが必ず一つになるように学習が行
われるため、モデル信頼度３０１に示されるモデル毎の
類似データ数の和は、見つかった類似データ数に等しく
なる。

【００４１】図４に、処理９０４により出力された類似
データ４００示す。データ４００は３件の類似データを
示している。

【００４２】処理９０９では、予測値算出の後に実際に
使われた実績値が、モデル評価装置１０１に対して入力
される。処理９１０は処理９０６で選択したモデルの第
１候補と、実績値、データ識別番号を入力データ２０３
に付加し、データ格納装置１０７に蓄積する。また、処
理９１１は実績値と予測値の誤差を元にモデルを評価す
る。図１４は、モデル評価装置１０１が更新するモデル
の評価データを示している。１４０１は、モデル識別
名、１４０２は予測値と実績値の誤差の平均、１４０３
は、誤差の標準偏差、１４０４はモデルの被選択履歴を
示している。ここでは説明の便宜上、４個のモデルが構
築されているものとして最近１００回の履歴を表してい
る。評価データ１４００は、モデル実行履歴記憶部１１
３に格納されている。

【００４３】モデル選択装置１０５は、モデル間の従属
関係を計算するため、毎回のモデルの選択状況をモデル
間従属関係記憶部に記録する。図１５に示した関係１５
００はあるモデルが処理９０６において予測モデルの第
１候補として選ばれた際の、第２候補モデルを表してい
る。関係１５００は、モデル間従属関係記憶部１０４に
格納されている。１５０１は、モデル３が選ばれたとき
に、モデル２が第２候補として選ばれた回数を示してい
る。同様に１５０２はモデル２が第１候補として選ばれ
たときに、モデル３が第２候補として選ばれた回数を示
している。一般的に関係１５００が、第１候補、第２候
補に関して対称となる。すなわち、１５０１と１５０２
が同じ値になるとは言えない。この場合は、１５０１と
１５０２が同じ程度であるとみなす評価基準がユーザに
より与えられることになる。ここでは、説明の便宜上１
５０１と１５０２は、同じ値をとるものとする。

【００４４】このように予測の結果を評価しておくこと
で、以下に述べるようなモデルの自動的な再構築が可能
になる。

【００４５】処理７０３において、モデル更新フェーズ
が選択された場合の処理の流れを図１０に示す。データ
１６００を元に処理１００１では、例外データの蓄積具
合が判定される。１６０３が空白であるデータは、最近
のモデル構築以降に新たに追加されたデータ中、予測に
使用できるモデルがなかった例外データを示している。
例外データの蓄積数がユーザが予め与えておく基準を上
回った場合、処理１００２に移り、例外データに基づい
て予測モデルが学習により構築される。

【００４６】また、処理１００１で蓄積例外データ数が
十分ではないと判断された場合、処理１００３に移り既
存モデルの更新処理が起動される。処理１１０３ではデ
ータ１５００を元に重複したモデルがないかどうかをチ
ェックする。

【００４７】図１１に、処理１００３の詳細を示す。処
理１１０１ではデータ１４００中の被選択履歴１４０４
を参照し、既に使われていない不要なモデルを判定す
る。ここで、不要なモデルの存在が検知された場合、処
理１１０７で不要モデルが廃棄される。処理１１０２で
は、各モデルの誤差に関する基礎統計量１４０２、１４
０３を参照し、各モデルの予測精度を推定する。ここで
予測モデルの精度が不十分であると判定された場合は、
処理１１０３で該当モデルを廃棄するため、データ３０
０中の該当モデルのパラメータを削除する。そうでない
場合には、処理１１０４に移る。処理１１０４ではデー
タ１５００を判定し、互いに従属関係にあるモデルを判
定する。このとき、処理１１０３で廃棄したモデルに従
属なモデルも同様に判定する。従属なモデルの存在があ
る場合には、処理１１０８で従属なモデル組みを廃棄
し、また処理１１０８では処理１１０３で廃棄したモデ
ルに従属なモデルも廃棄する。

【００４８】次に、処理１１０５では、処理１１０３、
処理１１０８で廃棄したモデルが過去に学習したデータ
を、データ１６００中の項目１６０４を元に決定する。
次に、処理１１０６では新たなモデルを構築する。まず
処理１１０２で廃棄したモデルとこれに従属なモデルを
一組とし、この組毎に新たに学習モデルを構築する。ま
た、処理１１０４で判定した従属なモデル組み毎に、新
たに学習モデルを構築する。

【００４９】第１の実施例では、学習の際は常にデータ
毎に予測モデルが構築される。しかし、入力データの経
年変化が生じた場合、処理９０３で選択される類似デー
タが複数のモデルに対応する場合がある。このような場
合、処理１１０２で精度が十分とされている場合でも、
重複するモデルを統合し、再学習し直すことで、さらに
高精度なモデルが得られる。

【００５０】第１の実施例では、データ１４００のモデ
ルの誤差履歴だけでなく、データ１６００に示すような
例外データに関する情報を用いて新たなモデルを追加す
る。また、経年変化の影響をモデル間の従属関係をデー
タ１５００により判定して不要なモデルを廃棄、統合す
ることにより高精度な予測を実現するところに特徴があ
る。

【００５１】第１の実施例を用いて得られる予測を各種
プラント、自動車のエンジン等における予測制御に用い
ることは容易であり、過去の制御情報により現在の制御
量を決定した根拠を示すことができると共に、制御精度
を自動的に向上させることができる。この詳細につい
て、第２の実施例にて後述する。同様に例外的入力の検
出機能を用いて、特に機能、構造をシステムに追加する
ことなく異常検出を行うことができる。

【００５２】図１７に、第１の実施例の出力１７００を
示す。１７０１は予測に使用できるモデル数、１７０２
は見つかった類似データの数であり、１７０３は使用さ
れた各モデルの予測値である。１７０４は見つかった類
似データ、１７０５は類似データが対応するモデルの種
別、１７０６はあるデータと入力されたデータの比較図
を表している。

【００５３】１７０５は見つかった類似データ全体が、
既存のモデルにどのように学習されているかを表してい
る。この割合が高いほど入力データを予測すべき信頼度
が高いモデルであることを示している。モデルの信頼度
は１７０４中の類似度、モデル名を考慮して決定され
る。なお、１７０４中の類似度は、データ間の距離を表
すものであり、値が小さいほどデータが似ていることを
意味する。ここでは、説明の便宜上１７０４に出現する
モデル名の割合の高さでモデルの信頼度を規定した。

【００５４】１７０６に表示される値は、各項目の値の
幅が同じくなるように規格化されている。また、１７０
６中の項目１７０７は、曜日を基点として時計回りに重
要度が高い順に並んでいる。

【００５５】第１の実施例の利用者は、１７０３により
予測結果を知るだけでなく、１７０５、１７０４、１７
０６により予測の根拠を知ることができる。このため、
各種プラントにおいてはオペレータのプラント運転、管
理負荷を軽減することが可能である。また予測を各種制
御に用いている場合、予測のダイナミズムを常にエンジ
ニアが管理することができる。

【００５６】図１８に、モデルの動作状況の出力例を示
す。１８０１は、各モデル毎の予測１回数辺りの誤差を
意味する誤差平均、１８０２は、誤差の標準偏差、１８
０３は類似データが見つからず例外データと判定された
データの累積数を表している。

【００５７】モデルを管理、更新は自動的に行われる
が、利用者は必要に応じて１８００、１８０１、１８０
２を参照することによりモデルの自動更新の基準を変更
することができる。すなわち１８０１と１８０２から各
モデルの誤差信頼区間を算出するか、１８０３の蓄積デ
ータ数の時間的推移を見ることにより、モデルの再構築
を行う基準を予め上げる、下げる等の操作が可能にな
る。また、１８０４はモデルを更新する基準値を示して
おり、過去の１８０４を超えた状況を把握することによ
り、第１の実施例を用いた予測システム、制御システム
（例えば、第２の実施例に示すもの）が的確に動作して
いるかどうかの判定基準をオペレータに与えることがで
きる。これにより、システムが異常を来した場合の診断
情報を与えることが可能となる。

【００５８】次に、本発明の第２の実施例である、デー
タ学習装置をプラント制御に用いたものを説明する。こ
こでは、パイプラインを流れる流体（生成物）の流量を
制御するものであるが、物理および化学現象を所望の結
果がでるように制御できればよい。したがって、本発明
は、流量の制御に限定されるものではない。

【００５９】図１９は第２の実施例の構成を表してい
る。１９０１は計測機器、１９０２は流量操作弁、１９
０３は制御用計算機、１９０４は予測モデル、１９０５
は制御状況監視装置、１９０９は表示装置、１９０６は
データ学習装置であり装置１００と同様である。１９０
７は各装置をつなぐネットワーク、１９０８は生成物が
流れるパイプラインである。

【００６０】計測機器１９０１、流量操作弁１９０２か
ら得られるデータと、制御に必要な設定値はネットワー
ク１９０７を通してデータ学習装置１９０６内に蓄積さ
れる。

【００６１】図２０は、時刻１０００から１００２に得
られたデータ２０００を表している。２００１はデータ
の項目名、２００２は項目値であり、時刻１０００から
１００２までの流量１実出力、流量２実出力、流量1目
標値、流量2目標値、温度、外気、流量弁開度の値を示
している。

【００６２】第２の実施例は、制御用計算機１９０３が
予測モデル１９０４を用いて、毎回の予測流量が目標値
になるよう制御を行うもので、一般にはモデル予測制御
と呼ばれる。第２の実施例ではパイプライン１９０８中
の流量が制御対象であり、流量操作弁１９０２の開度
は、過去のデータ２０００に示した各項目の過去の値、
及び予測モデル１９０４により与えられる未来の流量か
ら求められる。

【００６３】高精度なモデル予測制御を行うためには、
高精度な予測モデルの存在が不可欠である。ところが操
作弁の劣化や、外気温などの外乱要因、あるいはプラン
ト稼働状況により、異なった予測モデルが存在しうる。
予測モデル構築に用いた過去のデータと、現在のデータ
を比較することにより、制御状況監視装置１９０５が、
制御量計算時に複数の予測モデルから適切なものを選択
する点に、第２の実施例の特徴がある。また予測モデル
が１個の場合であっても、予測モデルにとって現在のデ
ータが未知であるかどうかを利用者が知ることができる
点にも第２の実施例の特徴がある。

【００６４】以下図面に従い、データ２０００が得られ
ている時点での本実施例の処理の詳細を説明する。つま
り、時刻１０００から１００２までの各項目値を用い
て、時刻１００３の流量弁の開度を決定する。ここでは
説明の便宜上、予測モデルは複数あるものとする。

【００６５】図２２は本実施例の処理の流れを示したも
のである。処理２２０１でデータ２０００が制御状況監
視装置１９０５に与えられる。次にデータ学習装置１９
０６は処理２２０２により予測モデルを選択する。処理
２２０２はフロー９００と同様である。

【００６６】処理２２１１は、データ２１００をデータ
ベース、あるいはログファイルに蓄積する。処理２２０
３では予測モデルのパラメータ、もしくはプログラムそ
のものを制御用計算機１９０３に送る。処理２２０４〜
処理２２０７は制御用計算機側での処理になる。処理２
２０４は制御状況監視装置１０９５が送ってきた予測モ
デルに関するデータを受信する。処理２２０５はモデル
予測制御により操作量を決定する。処理２２０６では決
定された操作量に従い流量操作弁１９０２の操作する。
処理２２０７では制御に用いた操作量を制御状況監視装
置１９０５に送信する。処理２２０８で制御状況監視装
置が操作量を受信する。処理２２０９では受信したデー
タをデータベースあるいは、ログファイルに蓄積する。
処理２２１０では処理２２０２、処理２２０５の出力結
果を表示する。

【００６７】図２１は、処理２２０２によって得られる
計算結果を示している。データ２１００において、２１
０１はモデルID、２１０２は見つかった類似事例の数を
表している。データ２１０３は類似事例のインデックス
情報であり、２１０４は類似事例の開始時刻、２１０５
は類似事例の終了時刻、２１０６は類似事例とデータ２
０００の類似度を意味する事例間距離、２１０７は類似
事例が関連するモデルＩＤを表している。

【００６８】図２４は表示装置１９０９の出力２４００
を示している。横軸２４０１は時刻、縦軸２４０２は事
例間距離、２４０３はデータ２２００と最も近いデータ
との事例間の距離の推移で、事例間距離が小さいほど、
見つかったデータがデータ２２００に近いことを表して
いる。２４０４は事例間距離の許容範囲を示す閾値であ
る。事例間距離が閾値２４０４を超えた場合は、予測モ
デル作成時のデータから見れば例外的なデータであり、
例外データの出現頻度、出現パターンを監視することに
より、新たな予測モデルが必要かどうかを判定できる。

【００６９】図２４は、表示装置１９０９の出力２５０
０を示している。横軸２５０１は時刻、縦軸２５０２は
事例間距離であり、２５０３は事例間距離の区間を示し
ている。出力２５００中の各セルの色、あるいは濃度
は、ある時刻における類似度データの頻度を表してお
り、２５０４は時刻999から1000に見つかった類似デー
タは、事例間距離が0以上10未満の間にあるものが最も
多いことを示している。同様に２５０５は事例間距離が
10以上20未満のものが、少しだけ見つかったことを示
し、２５０６は20以上30未満、30以上のものは一つも見
つかっていないことを示している。見つかった類似デー
タがいくつあり、また互いにどの程度似ているかの情報
を見ることにより、予測モデルを選択した結果が信頼で
きるものかどうかを知ることができる。例えば、セル２
５０４のように事例間距離が近く、類似度が高いデータ
が多く見つかっている場合は、予測モデルの学習データ
中に同じ局面が何度（例えば２以上）もあったことを意
味するため、予測モデルの選択結果を信頼しても良い。
またセル２５０７のように、事例間距離が遠いところに
多くの類似事例が見つかっている場合、類似性検索の対
象として与えられたデータは未知のものである可能性が
高く、予測モデルの選択結果はあまり信頼できないとい
うことが分かる。

【００７０】図２５は、出力装置１９０９の出力２６０
０を示している。横軸２６０１は時刻、縦軸２６０２は
制御誤差であり、各時刻の流量１目標値と流量１実出力
の差を示している。実際には表示される制御誤差のトレ
ンドは複数あっても良いが、ここでは説明の便宜上、流
量１に関してだけ示した。

【００７１】図２６は、出力装置１９０９の詳細を表し
ている。２７０１は類似度レベル入力装置、２７０２は
制御誤差トレンド表示装置、２７０３は類似度トレンド
表示装置、２７０４は類似度分布表示装置、２７０５は
データ学習装置であり、図１９の１９０６と同じもので
ある。

【００７２】図２７は、類似度レベル入力装置への入力
データ２８００を示している。２８０１は監視する類似
度のレベル、２８０２は各レベルの事例間距離の最大
値、２８０３は監視フラグを表す。例えば入力データ２
０００とこれの類似データの事例間距離が５であれば類
似度レベルは１である。２８０２の各項目値は出力２５
００中の区間２５０３の設定値に使用される。２８０３
の項目値が１の場合、そのレベルの閾値が出力２４００
における閾値２４０４として表示される。また２８０４
は分布レベル、２８０５は各分布レベルの設定を表す閾
値であり、類似事例の個数の下限値を意味する。例えば
見つかった類似データの個数が１００より多ければ分布
レベルは１であり、５０以上１００未満であれば分布レ
ベル２、１０以上５０未満であればレベル３であること
を意味し、各レベルは出力２５００の各セルの色、ある
いは濃度に該当する。

【００７３】この様に出力２４００、２５００、２６０
０のどれか、あるいはその組み合わせを表示することに
より、予測モデルの選択状況と制御の状態を示すことが
できる。

【００７４】図２８に予測モデル更新のフロー２９００
を示す。フロー２９００は出力２４００、２５００、２
６００から制御が適切に行われているかどうかを判定
し、予測モデルの再構築をする処理の詳細を表してい
る。処理２９０１では出力２４００と出力２６００の履
歴から、制御結果が不適切であった場合、類似データが
見つからなかった場合を検索する。２９０２では許容誤
差を超えた時刻の連続性、誤差の大きさなどから新規予
測モデルが必要かどうかを判定する。制御誤差が大きい
と判定された場合、処理２９０４において新しいモデル
の学習を行う。処理２９０４は図１０のフロー１０００
と同様である。

【００７５】

【発明の効果】本発明ではデータ類似度判定装置を設け
ることで、非線形モデルの振る舞いを説明することが可
能となる。このため、例外データへの対応が可能にな
り、予測時のデータと実績値を蓄積することで例外デー
タへの予測、制御の精度が向上するとの効果がある。

【００７６】また、不要なモデルを判定でき、新たにモ
デルを構築することが可能になる。このため、やはり予
測、制御の精度が向上するとの効果がある。

【００７７】さらに、類似データ、例外的データを出力
することで、システムの振る舞いに関する情報、異常時
の診断情報を利用者に提示できる。これにより、利用者
の意志決定支援、運転支援を可能にするとの効果があ
る。

【図面の簡単な説明】

【図１】本発明のデータ学習装置の１実施例の全体図で
ある。

【図２】入力データの１例を示す図である。

【図３】例外データ、実行されたモデルの信頼度の出力
例を示す図である。

【図４】モデル実行結果の出力例を示す図である。

【図５】距離定義の１例を示す図である。

【図６】データ学習装置の詳細図である。

【図７】データ学習装置全体のフローチャートである。

【図８】モデル学習時のフローチャートである。

【図９】モデル実行時のフローチャートである。

【図１０】モデル更新処理を起動するフローチャートで
ある。

【図１１】モデル更新処理のフローチャートである。

【図１２】データ類似度判定装置の詳細図である。

【図１３】学習モデルのパラメータである。

【図１４】モデル実行履歴記憶部１１３に格納されるて
いるデータである。

【図１５】モデル間従属関係記憶部１０４に格納されて
いるデータである。

【図１６】入力データ記憶部１０７に格納されているデ
ータである。

【図１７】モデル実行結果の出力例である。

【図１８】モデルの動作状況の出力例である。

【図１９】流体制御装置の全体図である。

【図２０】処理２２０１で与えられる入力データであ
る。

【図２１】処理２２０２の出力結果である。

【図２２】モデル選択処理のフローチャートである。

【図２３】処理２２１０の出力結果を示す図である。

【図２４】処理２２１０の出力結果を示す図である。

【図２５】処理２２１０の出力結果を示す図である。

【図２６】装置１９０９の詳細を示す図である。

【図２７】装置２７０１に与えられる入力データの１例
を示す図である。

【図２８】予測モデル更新処理のフローチャートであ
る。

【符号の説明】

１０１…モデル評価装置、１０２…モデル管理装置、１
０３…データ類似度判定装置、１０４…モデル更新装
置、１０５…モデル選択装置

───────────────────────────────────────────────────── フロントページの続き (72)発明者大森勝美茨城県日立市大みか町５丁目２番１号株式会社日立製作所大みか工場内 (72)発明者大石聡茨城県日立市大みか町５丁目２番１号株式会社日立製作所大みか工場内 (72)発明者芦田仁史神奈川県川崎市麻生区王禅寺1099番地株式会社日立製作所システム開発研究所内

Claims

【特許請求の範囲】

【請求項１】複数のフィールドからなる１個以上のレコ
ードデータを入力する手段と、前記入力されたレコード
データを蓄積する手段と、前記蓄積したデータを用いて
フィールド間の関係から、入出力関係を表す１個以上の
モデルを構築する手段と、前記構築したモデルを格納す
る手段と、上記蓄積されたデータと入力データに基づい
て使用する構築したモデルを選択する手段と、前記選択
結果を出力する手段と、上記構築したモデルを実行する
手段と、前記構築したモデルの実行結果を出力する手段
と、前記構築したモデルの実行履歴を記憶する手段と、
前記記憶した実行履歴を評価する手段とからなることを
特徴とするデータ学習装置。
【請求項２】請求項１に記載のデータ学習装置におい
て、上記モデル選択手段は、上記蓄積されたデータから
上記入力されるデータの類似データを検索し、類似デー
タに応じたモデルを選択することを特徴とするデータ学
習装置。
【請求項３】請求項２に記載のデータ学習装置におい
て、上記類似データ検索手段は、０個以上の欠損フィー
ルドを含むレコードデータが与えられた場合に、前記欠
損フィールド以外のフィールドから類似度を算出し、類
似するレコードデータを出力することを特徴とするデー
タ学習装置。
【請求項４】請求項３に記載のデータ学習装置におい
て、上記類似データ検索部はレコード間の距離定義に従
って類似データを求めることを特徴とするデータ学習装
置。
【請求項５】請求項１に記載のモデルの実行結果を出力
する装置は、検索されたデータの類似度の時間的推移
と、モデルの実行結果の時間的推移と、真値の時間的推
移と、類似データの類似度に関する分布状態の時間的推
移を同じ時間軸に表示する手段からなることを特徴とす
るデータ学習装置。
【請求項６】複数のフィールドからなる１個以上のレコ
ードデータを入力する手段と、前記入力されたレコード
データを蓄積する手段と、前記蓄積したデータを用いて
フィールド間の関係から、入出力関係から１個以上の制
御式を構築する手段と、前記構築し制御式を格納する手
段と、上記蓄積されたデータと入力データに基づいて使
用する制御式を選択する手段と、前記選択結果を出力す
る手段と、上記選択した制御式から制御量を求める手段
と、前記求めた制御量を物理的操作手段に伝達する手段
と、前記選択制御式の実行結果を出力する手段と、前記
制御式の実行履歴を記憶する手段と、前記記憶した実行
履歴を評価する手段とからなることを特徴とするプラン
ト制御装置。
【請求項７】請求項６に記載のプラント制御装置におい
て、上記制御式選択手段は、上記蓄積されたデータから
上記入力されるデータの類似データを検索し、類似デー
タに応じたモデルを選択することを特徴とするプラント
制御装置。
【請求項８】請求項７に記載のプラント制御装置におい
て、上記類似データ検索手段は、０個以上の欠損フィー
ルドを含むレコードデータが与えられた場合に、前記欠
損フィールド以外のフィールドから類似度を算出し、類
似するレコードデータを出力することを特徴とするプラ
ント制御装置。
【請求項９】請求項８に記載のプラント制御装置におい
て、上記類似データ検索部はレコード間の距離定義に従
って類似データを求めることを特徴とするプラント制御
装置。
【請求項１０】請求項６に記載の制御式の実行結果を出
力する装置は、検索されたデータの類似度の時間的推移
と、制御式の実行結果の時間的推移と、目標値の時間的
推移と、類似データの類似度に関する分布状態の時間的
推移を同じ時間軸に表示する手段からなることを特徴と
するプラント制御装置。
【請求項１１】入力データ記憶手段に記憶された入力デ
ータおよび実績値についての予測モデルを作成するモデ
ル学習手段と、作成された予測モデルを記憶する予測モデル記憶手段
と、前記入力データと所定の値以上の類似度を有するデータ
を前記入力データ記憶手段から検索し、検索されたデー
タに対応する予測モデルを用いて予測を行うモデル実行
手段を有することを特徴とするデータ学習装置。
【請求項１２】請求項１１に記載のデータ学習装置にお
いて、前記モデル実行手段は、前記所定の値以上の類似度のデ
ータが入力データ記憶手段にない場合は、前記入力デー
タが例外的なデータであると判定することを特徴とする
データ学習装置。
【請求項１３】請求項１３に記載のデータ学習装置にお
いて、予測が終了した後、予測値と実績値の誤差に基づいて、
用いた予測モデルを修正することを特徴とするデータ学
習装置。
【請求項１４】コンピュータに以下の処理を行わせるプ
ログラムが記憶されたコンピュータ読み取り可能な記憶
媒体であって、記憶された入力データと実績値についての予測モデルを
作成し、作成された予測モデルを記憶しておき、予測対象の入力データが入力されたなら、入力された入
力データと所定の値以上の類似度を有するデータを記憶
された入力データのなかから検索し、検索されたデータに対応する予測モデルを用いて予測を
し、所定の値以上の類似度のデータが場合は、入力された入
力データが例外的なデータであると判定し、予測が終了した後、予測値と実績値の誤差に基づいて、
用いた予測モデルを修正する記憶媒体。