JPH11212947A - 時系列データ予測方法および装置 - Google Patents
時系列データ予測方法および装置Info
- Publication number
- JPH11212947A JPH11212947A JP1228498A JP1228498A JPH11212947A JP H11212947 A JPH11212947 A JP H11212947A JP 1228498 A JP1228498 A JP 1228498A JP 1228498 A JP1228498 A JP 1228498A JP H11212947 A JPH11212947 A JP H11212947A
- Authority
- JP
- Japan
- Prior art keywords
- time
- series data
- value
- model
- future
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 46
- 238000000354 decomposition reaction Methods 0.000 claims description 34
- 238000013528 artificial neural network Methods 0.000 claims description 27
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000012806 monitoring device Methods 0.000 claims 1
- 230000005856 abnormality Effects 0.000 description 27
- 238000010586 diagram Methods 0.000 description 25
- 238000013480 data collection Methods 0.000 description 15
- 238000010606 normalization Methods 0.000 description 15
- 238000001514 detection method Methods 0.000 description 14
- 230000000694 effects Effects 0.000 description 12
- 230000002159 abnormal effect Effects 0.000 description 10
- 238000013500 data storage Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 4
- 241001123248 Arma Species 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】様々な周波数成分を含み複雑に変化する時系列
データの将来値を、精度良く予測できる時系列データの
予測方法および装置を提供することにある。 【解決手段】様々な周波数成分を含み複雑に変化する時
系列データを時系列データ分解装置７０で複数の時系列
データに分解し、予測装置１０１〜１０３において分解
された複数の時系列データ毎に将来値を予測し、予測さ
れた複数の将来値に基づいて、前記様々な周波数成分を
含み複雑に変化する時系列データの将来値を求める。
データの将来値を、精度良く予測できる時系列データの
予測方法および装置を提供することにある。 【解決手段】様々な周波数成分を含み複雑に変化する時
系列データを時系列データ分解装置７０で複数の時系列
データに分解し、予測装置１０１〜１０３において分解
された複数の時系列データ毎に将来値を予測し、予測さ
れた複数の将来値に基づいて、前記様々な周波数成分を
含み複雑に変化する時系列データの将来値を求める。
Description
【０００１】
【発明の属する技術分野】本発明は時系列データの将来
値を予測する時系列データ予測方法および装置に係り、
特に様々な周波数成分を含む時系列データの将来値を予
測できる時系列データ予測方法および装置に関する。
値を予測する時系列データ予測方法および装置に係り、
特に様々な周波数成分を含む時系列データの将来値を予
測できる時系列データ予測方法および装置に関する。
【０００２】
【従来の技術】株価，電力需要，交通量あるいはプラン
トの状態量などの時系列データの将来値を精度よく予測
することは、将来起こりうる事態に適切に対処するため
に必要とされている。これらの時系列データの将来値を
予測するための方法として、予測の対象となる時系列デ
ータと、その時系列データに関連する他の時系列データ
に基づいて、物理モデル，ニューラルネットワークある
いはＡＲＭＡモデル等によりモデルを作成し、作成した
モデルを用いて予測対象である時系列データの将来値を
予測する方法がある。ここで、モデルの作成および将来
値の予測に用いられる時系列データは、何の処理も施さ
れていない生の時系列データである場合が多い。
トの状態量などの時系列データの将来値を精度よく予測
することは、将来起こりうる事態に適切に対処するため
に必要とされている。これらの時系列データの将来値を
予測するための方法として、予測の対象となる時系列デ
ータと、その時系列データに関連する他の時系列データ
に基づいて、物理モデル，ニューラルネットワークある
いはＡＲＭＡモデル等によりモデルを作成し、作成した
モデルを用いて予測対象である時系列データの将来値を
予測する方法がある。ここで、モデルの作成および将来
値の予測に用いられる時系列データは、何の処理も施さ
れていない生の時系列データである場合が多い。
【０００３】時系列データの将来値予測の一例として、
特開平5−204884 号公報にはニューラルネットワークを
用いた時系列データの予測方法が記載されている。その
予測方法とは、予測対象である時系列データの過去の値
を入力して現在値が出力されるように、ニューラルネッ
トワークの重み係数を設定し、重み係数設定後のニュー
ラルネットワークを用いて、時系列データの将来値を予
測するものである。
特開平5−204884 号公報にはニューラルネットワークを
用いた時系列データの予測方法が記載されている。その
予測方法とは、予測対象である時系列データの過去の値
を入力して現在値が出力されるように、ニューラルネッ
トワークの重み係数を設定し、重み係数設定後のニュー
ラルネットワークを用いて、時系列データの将来値を予
測するものである。
【０００４】
【発明が解決しようとする課題】しかしながら、上記従
来技術のように、単一のモデルを用いて時系列データの
将来値を予測する場合には、様々な周波数成分を含んで
複雑に変化する時系列データに対して、モデルを精度良
く作成することができず、そのため将来値予測の精度も
低下するという問題が発生する。
来技術のように、単一のモデルを用いて時系列データの
将来値を予測する場合には、様々な周波数成分を含んで
複雑に変化する時系列データに対して、モデルを精度良
く作成することができず、そのため将来値予測の精度も
低下するという問題が発生する。
【０００５】本発明の目的は、様々な周波数成分を含み
複雑に変化する時系列データの将来値を、精度良く予測
できる時系列データの予測方法および装置を提供するこ
とにある。
複雑に変化する時系列データの将来値を、精度良く予測
できる時系列データの予測方法および装置を提供するこ
とにある。
【０００６】
【課題を解決するための手段】上記目的を達成する第１
の発明の特徴は、第１時系列データの将来値を予測する
時系列データ予測方法において、前記第１時系列データ
を複数の第２時系列データに分解し、前記複数の第２時
系列データ毎に将来値を予測し、予測された前記複数の
将来値に基づいて、前記第１時系列データの将来値を求
めることにある。第１時系列データが様々な周波数成分
を含み複雑に変化する場合、第１時系列データを複数の
第２時系列データに分解することにより、第１時系列デ
ータに比べて、変化が単純な第２時系列データが得られ
る。変化が単純な第２時系列データに対しては将来値の
予測を精度良く行うことができる。その第２時系列デー
タの将来値に基づいて、第１時系列データの将来値を求
めることにより、第１時系列データの将来値の予測を精
度良く行うことができる。
の発明の特徴は、第１時系列データの将来値を予測する
時系列データ予測方法において、前記第１時系列データ
を複数の第２時系列データに分解し、前記複数の第２時
系列データ毎に将来値を予測し、予測された前記複数の
将来値に基づいて、前記第１時系列データの将来値を求
めることにある。第１時系列データが様々な周波数成分
を含み複雑に変化する場合、第１時系列データを複数の
第２時系列データに分解することにより、第１時系列デ
ータに比べて、変化が単純な第２時系列データが得られ
る。変化が単純な第２時系列データに対しては将来値の
予測を精度良く行うことができる。その第２時系列デー
タの将来値に基づいて、第１時系列データの将来値を求
めることにより、第１時系列データの将来値の予測を精
度良く行うことができる。
【０００７】上記目的を達成する第２の発明の特徴は、
第１時系列データの将来値を予測する時系列データ予測
方法において、前記第１時系列データを、この第１時系
列データによって示される波形が周期の異なる複数の波
形で表されるように、複数の第２時系列データに分解
し、前記複数の第２時系列データ毎に将来値を予測し、
予測された前記複数の将来値に基づいて、前記第１時系
列データの将来値を求めることにある。本発明も上記第
１の発明と同様の作用効果を生じる。
第１時系列データの将来値を予測する時系列データ予測
方法において、前記第１時系列データを、この第１時系
列データによって示される波形が周期の異なる複数の波
形で表されるように、複数の第２時系列データに分解
し、前記複数の第２時系列データ毎に将来値を予測し、
予測された前記複数の将来値に基づいて、前記第１時系
列データの将来値を求めることにある。本発明も上記第
１の発明と同様の作用効果を生じる。
【０００８】上記目的を達成する第３の発明の特徴は、
第１時系列データの将来値を予測する時系列データ予測
方法において、前記第１時系列データを、複数の第２時
系列データに分解し、前記第１時系列データの変化に影
響を与える第３時系列データを、複数の第４時系列デー
タに分解し、前記複数の第２時系列データおよび第４時
系列データに基づいて、前記第２時系列データ毎に将来
値を予測し、予測された前記複数の将来値に基づいて、
前記第１時系列データの将来値を求めることにある。本
発明も上記第１の発明と同様の作用効果を生じる。ま
た、第２時系列データの将来値の予測に、第１時系列デ
ータの変化に影響を与える第３時系列データを分解して
得られる第４時系列データを用いることにより、第２時
系列データの将来値の予測精度が向上する。その結果、
第１時系列データの将来値の予測も更に精度良く行うこ
とができる。
第１時系列データの将来値を予測する時系列データ予測
方法において、前記第１時系列データを、複数の第２時
系列データに分解し、前記第１時系列データの変化に影
響を与える第３時系列データを、複数の第４時系列デー
タに分解し、前記複数の第２時系列データおよび第４時
系列データに基づいて、前記第２時系列データ毎に将来
値を予測し、予測された前記複数の将来値に基づいて、
前記第１時系列データの将来値を求めることにある。本
発明も上記第１の発明と同様の作用効果を生じる。ま
た、第２時系列データの将来値の予測に、第１時系列デ
ータの変化に影響を与える第３時系列データを分解して
得られる第４時系列データを用いることにより、第２時
系列データの将来値の予測精度が向上する。その結果、
第１時系列データの将来値の予測も更に精度良く行うこ
とができる。
【０００９】上記目的を達成する第４の発明の特徴は、
第１時系列データの将来値を予測する時系列データ予測
方法において、前記第１時系列データの変化に影響を与
える第２時系列データを、複数の第３時系列データに分
解し、前記複数の第３時系列データに基づいて、前記第
１時系列データを分解して得られる複数の第４時系列デ
ータの将来値を予測し、予測された前記複数の将来値に
基づいて、前記第１時系列データの将来値を求めること
にある。第１時系列データの変化に影響を与える第２時
系列データを分解して得られる第３時系列データに基づ
いて、第１時系列データを分解して得られる第４時系列
データの将来値を予測するため、第４時系列データの将
来値の予測を精度良く行うことができる。第４時系列デ
ータの将来値を精度良く求めることができるため、第１
時系列データが複数の周波数成分を含み複雑に変化する
場合にも、第４時系列データの将来値に基づいて第１時
系列データの将来値の予測を精度良く行うことができ
る。
第１時系列データの将来値を予測する時系列データ予測
方法において、前記第１時系列データの変化に影響を与
える第２時系列データを、複数の第３時系列データに分
解し、前記複数の第３時系列データに基づいて、前記第
１時系列データを分解して得られる複数の第４時系列デ
ータの将来値を予測し、予測された前記複数の将来値に
基づいて、前記第１時系列データの将来値を求めること
にある。第１時系列データの変化に影響を与える第２時
系列データを分解して得られる第３時系列データに基づ
いて、第１時系列データを分解して得られる第４時系列
データの将来値を予測するため、第４時系列データの将
来値の予測を精度良く行うことができる。第４時系列デ
ータの将来値を精度良く求めることができるため、第１
時系列データが複数の周波数成分を含み複雑に変化する
場合にも、第４時系列データの将来値に基づいて第１時
系列データの将来値の予測を精度良く行うことができ
る。
【００１０】上記目的を達成する第５の発明の特徴は、
第１時系列データから第２時系列データへの分解は、前
記第１時系列データを周波数帯域毎に分解することであ
る。第１時系列データを周波数帯域毎に分解して第２時
系列データを得ることにより、第２時系列データの将来
値の予測を精度良く行うことができる。
第１時系列データから第２時系列データへの分解は、前
記第１時系列データを周波数帯域毎に分解することであ
る。第１時系列データを周波数帯域毎に分解して第２時
系列データを得ることにより、第２時系列データの将来
値の予測を精度良く行うことができる。
【００１１】上記目的を達成する第６の発明の特徴は、
第１時系列データは、フィルタにより、周波数帯域毎に
分解されることにある。フィルタを用いることにより、
時系列データを容易に周波数帯域毎に分解できる。
第１時系列データは、フィルタにより、周波数帯域毎に
分解されることにある。フィルタを用いることにより、
時系列データを容易に周波数帯域毎に分解できる。
【００１２】上記目的を達成する第７の発明の特徴は、
ある時間における第１時系列データの測定値と、予め求
められた前記ある時間に対する第１時系列データの将来
値との偏差を求め、その偏差が予め設定された設定値を
超えた場合は、前記偏差が前記設定値を超えたことを表
示することにある。予測された将来値と実際の値との差
が設定値を超えたことが表示されるため、測定された第
１時系列データが異常であることを認識できる。
ある時間における第１時系列データの測定値と、予め求
められた前記ある時間に対する第１時系列データの将来
値との偏差を求め、その偏差が予め設定された設定値を
超えた場合は、前記偏差が前記設定値を超えたことを表
示することにある。予測された将来値と実際の値との差
が設定値を超えたことが表示されるため、測定された第
１時系列データが異常であることを認識できる。
【００１３】上記目的を達成する第８の発明の特徴は、
第２時系列データに基づいてモデルを作成し、作成され
た前記モデルを用いて前記第２時系列データの将来値の
予測を行うことにある。将来値の予測にモデルを用いる
ことにより、将来値の予測を容易に行うことができる。
なお、ニューラルネットワークを用いて将来値の予測を
行う場合、モデルの作成とはニューラルネットワークの
重み係数を調節することを指す。
第２時系列データに基づいてモデルを作成し、作成され
た前記モデルを用いて前記第２時系列データの将来値の
予測を行うことにある。将来値の予測にモデルを用いる
ことにより、将来値の予測を容易に行うことができる。
なお、ニューラルネットワークを用いて将来値の予測を
行う場合、モデルの作成とはニューラルネットワークの
重み係数を調節することを指す。
【００１４】上記目的を達成する第９の発明の特徴は、
第２時系列データおよび第４時系列データに基づいてモ
デルを作成し、作成された前記モデルを用いて前記第２
時系列データの将来値の予測を行うことにある。本発明
も上記第８の発明と同様の作用効果を生じる。
第２時系列データおよび第４時系列データに基づいてモ
デルを作成し、作成された前記モデルを用いて前記第２
時系列データの将来値の予測を行うことにある。本発明
も上記第８の発明と同様の作用効果を生じる。
【００１５】上記目的を達成する第１０の発明の特徴
は、モデルの作成は、絶対値の最大値が予め設けられた
設定値よりも大きな第２時系列データに対して行うこと
にある。変化の大きな第２時系列データは、第１時系列
データの将来値の変動に対する影響も大きいため、絶対
値の最大値が設定値を超える第２時系列データについて
モデルを作成することにより、第１時系列データの将来
値の変動に大きく影響する第２時系列データについて、
モデルの作成が行われる。すなわち、変化の小さな第２
時系列データに対してはモデルの作成を行わないため、
作成するモデルの数を減らすことが可能となる。
は、モデルの作成は、絶対値の最大値が予め設けられた
設定値よりも大きな第２時系列データに対して行うこと
にある。変化の大きな第２時系列データは、第１時系列
データの将来値の変動に対する影響も大きいため、絶対
値の最大値が設定値を超える第２時系列データについて
モデルを作成することにより、第１時系列データの将来
値の変動に大きく影響する第２時系列データについて、
モデルの作成が行われる。すなわち、変化の小さな第２
時系列データに対してはモデルの作成を行わないため、
作成するモデルの数を減らすことが可能となる。
【００１６】上記目的を達成する第１１の発明の特徴
は、モデルにより第２時系列データの将来値を予測する
間に、前記第２時系列データに基づいて前記モデルの改
良モデルを作成する第１ステップと、前記改良モデルの
作成後に、前記モデルの代わりに前記改良モデルを用い
て前記第２時系列データの将来値を予測する第２ステッ
プとを含むことにある。モデルにより将来値の予測を行
う間に、改良モデルを作成し、改良モデルを作成後は改
良モデルにより将来値の予測をするため、状況の変化な
どにより、現状のモデルでは第２時系列データの将来値
が正確に予測できなくなった場合に、新たに作成された
改良モデルによって将来値の予測を正確に行うことがで
きる。
は、モデルにより第２時系列データの将来値を予測する
間に、前記第２時系列データに基づいて前記モデルの改
良モデルを作成する第１ステップと、前記改良モデルの
作成後に、前記モデルの代わりに前記改良モデルを用い
て前記第２時系列データの将来値を予測する第２ステッ
プとを含むことにある。モデルにより将来値の予測を行
う間に、改良モデルを作成し、改良モデルを作成後は改
良モデルにより将来値の予測をするため、状況の変化な
どにより、現状のモデルでは第２時系列データの将来値
が正確に予測できなくなった場合に、新たに作成された
改良モデルによって将来値の予測を正確に行うことがで
きる。
【００１７】上記目的を達成する第１２の発明の特徴
は、モデルにより第２時系列データの将来値を予測する
間に、前記第２時系列データおよび第４時系列データに
基づいて前記モデルの改良モデルを作成する第１ステッ
プと、前記改良モデルの作成後に、前記モデルの代わり
に前記改良モデルを用いて前記第２時系列データの将来
値を予測する第２ステップとを含むことにある。本発明
も上記第１１の発明と同様の作用効果を生じる。
は、モデルにより第２時系列データの将来値を予測する
間に、前記第２時系列データおよび第４時系列データに
基づいて前記モデルの改良モデルを作成する第１ステッ
プと、前記改良モデルの作成後に、前記モデルの代わり
に前記改良モデルを用いて前記第２時系列データの将来
値を予測する第２ステップとを含むことにある。本発明
も上記第１１の発明と同様の作用効果を生じる。
【００１８】上記目的を達成する第１３の発明の特徴
は、モデルの作成は、シミュレータより出力される時系
列データに基づいて行うことにある。モデルの作成をシ
ミュレータより出力される時系列データに基づいて行う
ため、実際にはあまり起こり得ない異常状態などをシミ
ュレータで模擬することにより、異常状態などにも対応
したモデルを作成できる。
は、モデルの作成は、シミュレータより出力される時系
列データに基づいて行うことにある。モデルの作成をシ
ミュレータより出力される時系列データに基づいて行う
ため、実際にはあまり起こり得ない異常状態などをシミ
ュレータで模擬することにより、異常状態などにも対応
したモデルを作成できる。
【００１９】上記目的を達成する第１４の発明の特徴
は、モデルは、ニューラルネットワークであることにあ
る。モデルとしてニューラルネットワークを用いること
により、モデルの作成および将来値の予測を容易に行う
ことができる。
は、モデルは、ニューラルネットワークであることにあ
る。モデルとしてニューラルネットワークを用いること
により、モデルの作成および将来値の予測を容易に行う
ことができる。
【００２０】上記目的を達成する第１５の発明の特徴
は、第１時系列データを監視する時系列データ監視方法
において、前記第１時系列データを複数の第２時系列デ
ータに分解し、前記複数の第２時系列データ毎に将来値
を予測し、予測された前記複数の将来値に基づいて、前
記第１時系列データの将来値を求め、求められた前記第
１時系列データの将来値が、予め設定された設定値を超
える場合は、前記第１時系列データの将来値が前記設定
値を超える時間と、その時の前記第１時系列データの将
来値を表示することにある。将来値が設定値を超える時
間と、その時の将来値を表示することにより、第１時系
列データの監視者に第１時系列データが設定値を超える
ことと、その時間を提供することができる。具体的に
は、設定値を第１時系列データの異常を示す値に設定す
ることにより、第１時系列データの異常と、異常となる
時間を提供することができる。
は、第１時系列データを監視する時系列データ監視方法
において、前記第１時系列データを複数の第２時系列デ
ータに分解し、前記複数の第２時系列データ毎に将来値
を予測し、予測された前記複数の将来値に基づいて、前
記第１時系列データの将来値を求め、求められた前記第
１時系列データの将来値が、予め設定された設定値を超
える場合は、前記第１時系列データの将来値が前記設定
値を超える時間と、その時の前記第１時系列データの将
来値を表示することにある。将来値が設定値を超える時
間と、その時の将来値を表示することにより、第１時系
列データの監視者に第１時系列データが設定値を超える
ことと、その時間を提供することができる。具体的に
は、設定値を第１時系列データの異常を示す値に設定す
ることにより、第１時系列データの異常と、異常となる
時間を提供することができる。
【００２１】上記目的を達成する第１６の発明の特徴
は、取り込んだ第１時系列データを複数の第２時系列デ
ータに分解する分解手段と、前記第２時系列データの各
々の将来値を予測する手段と、予測された前記複数の将
来値に基づいて前記第１時系列データの将来値を求める
手段とを備えたことにある。本発明も上記第１の発明と
同様の作用効果を生じる。
は、取り込んだ第１時系列データを複数の第２時系列デ
ータに分解する分解手段と、前記第２時系列データの各
々の将来値を予測する手段と、予測された前記複数の将
来値に基づいて前記第１時系列データの将来値を求める
手段とを備えたことにある。本発明も上記第１の発明と
同様の作用効果を生じる。
【００２２】上記目的を達成する第１７の発明の特徴
は、センサにより検出された第１時系列データを複数の
第２時系列データに分解する分解手段と、前記第２時系
列データの各々の将来値を予測する手段と、予測された
前記複数の将来値に基づいて前記第１時系列データの将
来値を求める手段と、求められた前記第１時系列データ
の将来値と予め設定された設定値の大きさを比較し、前
記第１時系列データの将来値が前記設定値を超えること
を判定する判定手段と、前記判定手段により前記第１時
系列データの将来値が前記設定値を超えると判定された
場合は、前記第１時系列データの将来値が前記設定値を
超える時間と、その時の前記第１時系列データの将来値
を表示する表示手段を備えたことにある。本発明も上記
第１５の発明と同様の作用効果を生じる。
は、センサにより検出された第１時系列データを複数の
第２時系列データに分解する分解手段と、前記第２時系
列データの各々の将来値を予測する手段と、予測された
前記複数の将来値に基づいて前記第１時系列データの将
来値を求める手段と、求められた前記第１時系列データ
の将来値と予め設定された設定値の大きさを比較し、前
記第１時系列データの将来値が前記設定値を超えること
を判定する判定手段と、前記判定手段により前記第１時
系列データの将来値が前記設定値を超えると判定された
場合は、前記第１時系列データの将来値が前記設定値を
超える時間と、その時の前記第１時系列データの将来値
を表示する表示手段を備えたことにある。本発明も上記
第１５の発明と同様の作用効果を生じる。
【００２３】
【発明の実施の形態】図１，図５および図９を用いて、
本発明の好適な一実施例である時系列データ予測装置に
ついて説明する。本実施例の時系列データ予測装置は、
入力装置３０，データ収集装置４０，入出力関係格納フ
ァイル５０，収集データ格納ファイル６０，時系列デー
タ分解装置７０，時系列データ分解パラメータ格納ファ
イル８０，規格化装置９１〜９３,予測装置１０１〜１
０３,変換装置１１１〜１１３，モデル作成装置１２
０，異常検出装置１３０，表示装置１４０および加算器
１５０を有する。
本発明の好適な一実施例である時系列データ予測装置に
ついて説明する。本実施例の時系列データ予測装置は、
入力装置３０，データ収集装置４０，入出力関係格納フ
ァイル５０，収集データ格納ファイル６０，時系列デー
タ分解装置７０，時系列データ分解パラメータ格納ファ
イル８０，規格化装置９１〜９３,予測装置１０１〜１
０３,変換装置１１１〜１１３，モデル作成装置１２
０，異常検出装置１３０，表示装置１４０および加算器
１５０を有する。
【００２４】時系列データ分解装置７０は、図５に示す
ように、ハイパスフィルタ７１０，バンドパスフィルタ
７２０，加算器７３０および切替器７４０，７５０，７
６０を備える。
ように、ハイパスフィルタ７１０，バンドパスフィルタ
７２０，加算器７３０および切替器７４０，７５０，７
６０を備える。
【００２５】モデル作成装置１２０は、図９に示すよう
に、規格化装置１２１１〜１２１３，モデル作成制御装
置１２２０，モデル調整装置１２３１〜１２３３および
モデル設定装置１２４０を備える。
に、規格化装置１２１１〜１２１３，モデル作成制御装
置１２２０，モデル調整装置１２３１〜１２３３および
モデル設定装置１２４０を備える。
【００２６】次に、図１の時系列データ予測装置におけ
る各部の動作および信号の流れを説明する。なお、本実
施例の時系列データ予測装置は、火力プラントにおいて
発生する状態量（例えば、給水流量あるいは発電機出力
など）の将来値を予測するものである。また本実施例で
は、図２に示すような、状態量（変数）ｘ1(ｔ），ｘ
2(ｔ）,…ｘN(ｔ），ｙ(ｔ）を入力して状態量（変数）
ｙ(ｔ)を出力する系１１００の出力ｙ(ｔ)の将来値を予
測する場合について説明する。
る各部の動作および信号の流れを説明する。なお、本実
施例の時系列データ予測装置は、火力プラントにおいて
発生する状態量（例えば、給水流量あるいは発電機出力
など）の将来値を予測するものである。また本実施例で
は、図２に示すような、状態量（変数）ｘ1(ｔ），ｘ
2(ｔ）,…ｘN(ｔ），ｙ(ｔ）を入力して状態量（変数）
ｙ(ｔ)を出力する系１１００の出力ｙ(ｔ)の将来値を予
測する場合について説明する。
【００２７】本実施例の時系列データ予測装置では、ま
ず運転員により、予測を行う状態量の名称，予測秒数Δ
ｔ、および時系列データ予測装置の動作モードが入力装
置３０に入力される。ここで予測秒数Δｔとは、予測開
始時刻(現在の時刻に相当)から何秒後の将来値を予測す
るのかを示す値である。また動作モードは、時系列デー
タの予測に用いるモデルを作成するモデル作成モード
と、モデルを用いて状態量の将来値をオンラインで予測
する予測モードの２つのモードのうち、どちらかが選択
される。入力装置３０に入力された状態量の名称はデー
タ収集装置４０に出力される。動作モードは時系列デー
タ分解装置７０およびモデル作成装置１２０に出力され
る。また、予測秒数Δｔは規格化装置９１，９２，９
３、モデル作成装置１２０および異常検出装置１３０に
出力される。
ず運転員により、予測を行う状態量の名称，予測秒数Δ
ｔ、および時系列データ予測装置の動作モードが入力装
置３０に入力される。ここで予測秒数Δｔとは、予測開
始時刻(現在の時刻に相当)から何秒後の将来値を予測す
るのかを示す値である。また動作モードは、時系列デー
タの予測に用いるモデルを作成するモデル作成モード
と、モデルを用いて状態量の将来値をオンラインで予測
する予測モードの２つのモードのうち、どちらかが選択
される。入力装置３０に入力された状態量の名称はデー
タ収集装置４０に出力される。動作モードは時系列デー
タ分解装置７０およびモデル作成装置１２０に出力され
る。また、予測秒数Δｔは規格化装置９１，９２，９
３、モデル作成装置１２０および異常検出装置１３０に
出力される。
【００２８】まず、運転員が動作モードとしてモデル作
成モードを入力した場合について説明する。動作モード
としてモデル作成モードを入力した場合、運転員は更
に、モデルの作成に用いる時系列データをプラント１０
およびシミュレータ２０のどちらから得るのかを入力装
置３０に入力する。運転員がどちらを選択したのかはデ
ータ収集装置４０に出力される。なお、モデルの作成に
シミュレータ２０より出力される時系列データを用いる
ことにより、実際にはあまり起こり得ない異常状態など
もシミュレータ２０で模擬することができるため、異常
状態などにも対応したモデルを作成できる。
成モードを入力した場合について説明する。動作モード
としてモデル作成モードを入力した場合、運転員は更
に、モデルの作成に用いる時系列データをプラント１０
およびシミュレータ２０のどちらから得るのかを入力装
置３０に入力する。運転員がどちらを選択したのかはデ
ータ収集装置４０に出力される。なお、モデルの作成に
シミュレータ２０より出力される時系列データを用いる
ことにより、実際にはあまり起こり得ない異常状態など
もシミュレータ２０で模擬することができるため、異常
状態などにも対応したモデルを作成できる。
【００２９】データ収集装置４０は、入力装置３０から
予測を行う状態量の名称が入力されると、その状態量の
将来値を予測する際に用いる他の状態量を、入出力関係
格納ファイル５０より決定する。図３は、入出力関係格
納ファイル５０の内容の例を示す。入出力関係格納ファ
イル５０は、出力変数ｙ（予測を行う状態量）に対応し
て、関連入力変数ｘi を複数記憶している。ここで、関
連入力変数ｘi とは、出力変数ｙの変化に影響を与える
状態量である。例えば、出力変数ｙが給水流量である場
合は、関連入力変数ｘi は発電機出力，空気流量，燃料
流量等となり、出力変数ｙが発電機出力である場合に
は、関連入力変数ｘi は給水流量，主蒸気流量，制御弁
開度等となる。データ収集装置４０は、入出力関係格納
ファイル５０に記憶されている複数の出力変数ｙの中か
ら予測を行う状態量の名称を検索し、検索された出力変
数ｙに対応して記憶されている関連入力変数ｘi と出力
変数ｙを取り込む状態量とする。
予測を行う状態量の名称が入力されると、その状態量の
将来値を予測する際に用いる他の状態量を、入出力関係
格納ファイル５０より決定する。図３は、入出力関係格
納ファイル５０の内容の例を示す。入出力関係格納ファ
イル５０は、出力変数ｙ（予測を行う状態量）に対応し
て、関連入力変数ｘi を複数記憶している。ここで、関
連入力変数ｘi とは、出力変数ｙの変化に影響を与える
状態量である。例えば、出力変数ｙが給水流量である場
合は、関連入力変数ｘi は発電機出力，空気流量，燃料
流量等となり、出力変数ｙが発電機出力である場合に
は、関連入力変数ｘi は給水流量，主蒸気流量，制御弁
開度等となる。データ収集装置４０は、入出力関係格納
ファイル５０に記憶されている複数の出力変数ｙの中か
ら予測を行う状態量の名称を検索し、検索された出力変
数ｙに対応して記憶されている関連入力変数ｘi と出力
変数ｙを取り込む状態量とする。
【００３０】データ収集装置４０は、プラント１０とシ
ミュレータ２０のうち入力装置３０において運転員によ
り選択された方より、入出力関係格納ファイル５０を用
いて決めた状態量（出力変数ｙ，関連入力変数ｘi ）の
時系列データｙ(ｔ），ｘi(ｔ）を取り込む。ここで時
系列データとは、プラント１０あるいはシミュレータ２
０における状態量の時間的な変化を示したデータであ
る。更にデータ収集装置４０は、取り込んだ時系列デー
タｙ(ｔ)，ｘi(ｔ）を収集データ格納ファイル６０に出
力し、収集データ格納ファイル６０は、入力された時系
列データｙ(ｔ)，ｘi(ｔ）を記憶する。図４は、収集デ
ータ格納ファイル６０に記憶された時系列データの例を
示す。収集データ格納ファイル６０には、各時刻におけ
る、時系列データｙ(ｔ)，ｘi(ｔ）の値が記憶される。
なお、シミュレータ２０は、入力装置３０により操作さ
れる。
ミュレータ２０のうち入力装置３０において運転員によ
り選択された方より、入出力関係格納ファイル５０を用
いて決めた状態量（出力変数ｙ，関連入力変数ｘi ）の
時系列データｙ(ｔ），ｘi(ｔ）を取り込む。ここで時
系列データとは、プラント１０あるいはシミュレータ２
０における状態量の時間的な変化を示したデータであ
る。更にデータ収集装置４０は、取り込んだ時系列デー
タｙ(ｔ)，ｘi(ｔ）を収集データ格納ファイル６０に出
力し、収集データ格納ファイル６０は、入力された時系
列データｙ(ｔ)，ｘi(ｔ）を記憶する。図４は、収集デ
ータ格納ファイル６０に記憶された時系列データの例を
示す。収集データ格納ファイル６０には、各時刻におけ
る、時系列データｙ(ｔ)，ｘi(ｔ）の値が記憶される。
なお、シミュレータ２０は、入力装置３０により操作さ
れる。
【００３１】図５は、時系列データ分解装置７０の構成
を示す。時系列データ分解装置７０は、収集データ格納
ファイル６０に記憶された時系列データｙ(ｔ)を取り込
む。取り込まれた時系列データｙ(ｔ)は、ハイパスフィ
ルタ７１０，バンドパスフィルタ７２０および加算器７
３０に入力される。また、時系列データ分解装置７０
は、時系列データ分解パラメータ格納ファイル８０から
時系列データｙ(ｔ)の分解に用いる周波数帯域１，２を
読み出す。
を示す。時系列データ分解装置７０は、収集データ格納
ファイル６０に記憶された時系列データｙ(ｔ)を取り込
む。取り込まれた時系列データｙ(ｔ)は、ハイパスフィ
ルタ７１０，バンドパスフィルタ７２０および加算器７
３０に入力される。また、時系列データ分解装置７０
は、時系列データ分解パラメータ格納ファイル８０から
時系列データｙ(ｔ)の分解に用いる周波数帯域１，２を
読み出す。
【００３２】図６は時系列データ分解パラメータ格納フ
ァイル８０の内容の例を示す。時系列データ分解パラメ
ータ格納ファイル８０は、時系列データｙ(ｔ)，ｘ
i(ｔ）を分解するための周波数帯域１〜３を予め記憶し
ておく。また、時系列データ分解パラメータ格納ファイ
ル８０は、周波数帯域１〜３に対する変数ｙ，ｘi の上
限値，下限値を予め記憶しておく。これらの上限値，下
限値は、後述する規格化装置９１〜９３，変換装置１１
１〜１１３，モデル作成装置１２０で使用される。な
お、上限値，下限値は一定期間の変数ｙ，ｘi の最大
値，最小値を計算することにより、時系列データ分解装
置７０を使って設定することもできる。時系列データ分
解パラメータ格納ファイル８０は、更に、周波数帯域１
〜３に対応して時系列データの取込時間ＴF1，ＴF2，Ｔ
F0も記憶している。
ァイル８０の内容の例を示す。時系列データ分解パラメ
ータ格納ファイル８０は、時系列データｙ(ｔ)，ｘ
i(ｔ）を分解するための周波数帯域１〜３を予め記憶し
ておく。また、時系列データ分解パラメータ格納ファイ
ル８０は、周波数帯域１〜３に対する変数ｙ，ｘi の上
限値，下限値を予め記憶しておく。これらの上限値，下
限値は、後述する規格化装置９１〜９３，変換装置１１
１〜１１３，モデル作成装置１２０で使用される。な
お、上限値，下限値は一定期間の変数ｙ，ｘi の最大
値，最小値を計算することにより、時系列データ分解装
置７０を使って設定することもできる。時系列データ分
解パラメータ格納ファイル８０は、更に、周波数帯域１
〜３に対応して時系列データの取込時間ＴF1，ＴF2，Ｔ
F0も記憶している。
【００３３】時系列データ分解パラメータ格納ファイル
８０から読み出された周波数帯域１は、ハイパスフィル
タ７１０に入力され、周波数帯域２は、バンドパスフィ
ルタ７２０に入力される。ハイパスフィルタ７１０は入
力された時系列データｙ(ｔ)から周波数帯域１の成分ｙ
F1(ｔ)を取り出し、加算器７３０に出力する。一方、バ
ンドパスフィルタ７２０は入力された時系列データｙ
(ｔ)から周波数帯域２の成分ｙF2(ｔ)を取り出し、加算
器７３０に出力する。
８０から読み出された周波数帯域１は、ハイパスフィル
タ７１０に入力され、周波数帯域２は、バンドパスフィ
ルタ７２０に入力される。ハイパスフィルタ７１０は入
力された時系列データｙ(ｔ)から周波数帯域１の成分ｙ
F1(ｔ)を取り出し、加算器７３０に出力する。一方、バ
ンドパスフィルタ７２０は入力された時系列データｙ
(ｔ)から周波数帯域２の成分ｙF2(ｔ)を取り出し、加算
器７３０に出力する。
【００３４】図７は、ハイパスフィルタ７１０，バンド
パスフィルタ７２０の特性の例を示す。図７に示すフィ
ルタの特性は、必要な周波数帯域の成分以外は０となる
ような理想的な特性となっている。帯域１のフィルタ特
性（ハイパスフィルタ７１０のフィルタ特性）は、０.
０２５Ｈｚ以上 という帯域で利得が１となっており、
他の帯域では利得が０である。一方、帯域２のフィルタ
特性（バンドパスフィルタ７２０のフィルタ特性）は
０.０１Ｈｚ〜０.０２５Ｈｚという帯域で利得が１とな
っており、他の帯域では利得が０である。ここでは、フ
ィルタ特性の利得が１に近いほど、その周波数の成分が
抽出後の時系列データに残ることを意味する。なお、フ
ィルタは必ずしも本実施例のように理想的な特性を持つ
必要はなく、各帯域が多少重なっているものでも構わな
い。このように、パスフィルタを用いることにより、時
系列データを容易に周波数帯域毎に分解できる。
パスフィルタ７２０の特性の例を示す。図７に示すフィ
ルタの特性は、必要な周波数帯域の成分以外は０となる
ような理想的な特性となっている。帯域１のフィルタ特
性（ハイパスフィルタ７１０のフィルタ特性）は、０.
０２５Ｈｚ以上 という帯域で利得が１となっており、
他の帯域では利得が０である。一方、帯域２のフィルタ
特性（バンドパスフィルタ７２０のフィルタ特性）は
０.０１Ｈｚ〜０.０２５Ｈｚという帯域で利得が１とな
っており、他の帯域では利得が０である。ここでは、フ
ィルタ特性の利得が１に近いほど、その周波数の成分が
抽出後の時系列データに残ることを意味する。なお、フ
ィルタは必ずしも本実施例のように理想的な特性を持つ
必要はなく、各帯域が多少重なっているものでも構わな
い。このように、パスフィルタを用いることにより、時
系列データを容易に周波数帯域毎に分解できる。
【００３５】加算器７３０では、時系列データｙ(ｔ)か
ら周波数帯域１の成分ｙF1(ｔ)および周波数帯域２の成
分ｙF2(ｔ)が減算され、その他の帯域３の成分ｙF0(ｔ)
が取り出される。このように、時系列データ分解装置７
０では、時系列データｙ(ｔ)を周波数帯域１〜３毎に複
数の時系列データｙF1(ｔ)，ｙF2(ｔ)，ｙF0(ｔ)に分解
する。
ら周波数帯域１の成分ｙF1(ｔ)および周波数帯域２の成
分ｙF2(ｔ)が減算され、その他の帯域３の成分ｙF0(ｔ)
が取り出される。このように、時系列データ分解装置７
０では、時系列データｙ(ｔ)を周波数帯域１〜３毎に複
数の時系列データｙF1(ｔ)，ｙF2(ｔ)，ｙF0(ｔ)に分解
する。
【００３６】時系列データ分解装置７０は、入力装置３
０より入力された動作モードに基づいて、分解により得
られた複数の時系列データｙF1(ｔ)，ｙF2(ｔ)，ｙ
F0(ｔ)をモデル作成装置１２０に出力するのか、規格化
装置９１〜９３に出力するのかを決定する。すなわち、
切替器７４０，７５０，７６０がモデル作成モードでは
モデル作成装置１２０側に接続され、予測モードでは規
格化装置９１〜９３側に接続される。今、動作モードは
モデル作成モードであるので、時系列データ分解装置７
０は、分解により得られた複数の時系列データｙ
F1(ｔ)，ｙF2(ｔ)，ｙF0(ｔ)をモデル作成装置１２０に
出力する。また、関連入力変数ｘi の時系列データｘ
i(ｔ）についても出力変数ｙの時系列データｙ(ｔ)と同
様に、周波数帯域毎に分解した後、モデル作成装置１２
０に出力する。
０より入力された動作モードに基づいて、分解により得
られた複数の時系列データｙF1(ｔ)，ｙF2(ｔ)，ｙ
F0(ｔ)をモデル作成装置１２０に出力するのか、規格化
装置９１〜９３に出力するのかを決定する。すなわち、
切替器７４０，７５０，７６０がモデル作成モードでは
モデル作成装置１２０側に接続され、予測モードでは規
格化装置９１〜９３側に接続される。今、動作モードは
モデル作成モードであるので、時系列データ分解装置７
０は、分解により得られた複数の時系列データｙ
F1(ｔ)，ｙF2(ｔ)，ｙF0(ｔ)をモデル作成装置１２０に
出力する。また、関連入力変数ｘi の時系列データｘ
i(ｔ）についても出力変数ｙの時系列データｙ(ｔ)と同
様に、周波数帯域毎に分解した後、モデル作成装置１２
０に出力する。
【００３７】図８は、周波数帯域毎に分解された出力変
数ｙの時系列データの例を示す。図８（ａ）は出力変数
ｙの分解前の時系列データｙ(ｔ)を示す。この時系列デ
ータｙ(ｔ)を図７に示す特性を有するハイパスフィルタ
７１０，バンドパスフィルタ７２０を用いて分解する
と、図８（ｂ)〜(ｄ）に示す時系列データｙF1(ｔ)，ｙ
F2(ｔ)，ｙF0(ｔ)が得られる。図８（ｂ）は、帯域１の
成分の時系列データｙF1(ｔ)を示し、図８（ｃ）は、帯
域２の成分の時系列データｙF2(ｔ)を示す。図８（ｄ）
は、ｙ(ｔ)からｙF1(ｔ)，ｙF2(ｔ)を差し引いた残りの
成分の時系列データｙF0(ｔ)を示す。図８に示すよう
に、時系列データ分解装置７０により、出力変数ｙの時
系列データｙ(ｔ)は、複数の時系列データｙF1(ｔ)，ｙ
F2(ｔ)，ｙF0(ｔ)に分解される。
数ｙの時系列データの例を示す。図８（ａ）は出力変数
ｙの分解前の時系列データｙ(ｔ)を示す。この時系列デ
ータｙ(ｔ)を図７に示す特性を有するハイパスフィルタ
７１０，バンドパスフィルタ７２０を用いて分解する
と、図８（ｂ)〜(ｄ）に示す時系列データｙF1(ｔ)，ｙ
F2(ｔ)，ｙF0(ｔ)が得られる。図８（ｂ）は、帯域１の
成分の時系列データｙF1(ｔ)を示し、図８（ｃ）は、帯
域２の成分の時系列データｙF2(ｔ)を示す。図８（ｄ）
は、ｙ(ｔ)からｙF1(ｔ)，ｙF2(ｔ)を差し引いた残りの
成分の時系列データｙF0(ｔ)を示す。図８に示すよう
に、時系列データ分解装置７０により、出力変数ｙの時
系列データｙ(ｔ)は、複数の時系列データｙF1(ｔ)，ｙ
F2(ｔ)，ｙF0(ｔ)に分解される。
【００３８】図９に示すように、モデル作成装置１２０
において、時系列データ分解装置７０から入力された時
系列データｙF1(ｔ)，ｘiF2(ｔ）は規格化装置１２１１
に入力され、時系列データｙF2(ｔ)，ｘiF2(ｔ）は規格
化装置１２１２に入力される。また、時系列データｙF0
(ｔ)，ｘiF0(ｔ）は規格化装置１２１３に入力される。
なお本実施例では、時系列データ分解パラメータ格納フ
ァイル８０のＴF1，ＴF2，ＴF0に基づいて、時系列デー
タｙF1(ｔ)，ｘiF1(ｔ)，ｙF2(ｔ)， ｘiF2(ｔ)お
よびｙF0(ｔ)，ｘiF0(ｔ)を取り込む期間が決められ
る。すなわち、時系列データｙF1(ｔ)，ｘiF1(ｔ）は、
現時点よりＴF1秒前から現時点までのデータが規格化装
置１２１１に入力される。同様に、時系列データｙ
F2(ｔ)，ｘiF2(ｔ）は、現時点よりＴF2秒前から現時点
までのデータが規格化装置1212に入力され、時系列デー
タｙF0(ｔ)，ｘiF0(ｔ）は、現時点よりＴF0秒前から現
時点までのデータが規格化装置１２１３に入力される。
規格化装置１２１１〜1213に入力される各時系列データ
は、（数１）に示す形式のデータとなっている。
において、時系列データ分解装置７０から入力された時
系列データｙF1(ｔ)，ｘiF2(ｔ）は規格化装置１２１１
に入力され、時系列データｙF2(ｔ)，ｘiF2(ｔ）は規格
化装置１２１２に入力される。また、時系列データｙF0
(ｔ)，ｘiF0(ｔ）は規格化装置１２１３に入力される。
なお本実施例では、時系列データ分解パラメータ格納フ
ァイル８０のＴF1，ＴF2，ＴF0に基づいて、時系列デー
タｙF1(ｔ)，ｘiF1(ｔ)，ｙF2(ｔ)， ｘiF2(ｔ)お
よびｙF0(ｔ)，ｘiF0(ｔ)を取り込む期間が決められ
る。すなわち、時系列データｙF1(ｔ)，ｘiF1(ｔ）は、
現時点よりＴF1秒前から現時点までのデータが規格化装
置１２１１に入力される。同様に、時系列データｙ
F2(ｔ)，ｘiF2(ｔ）は、現時点よりＴF2秒前から現時点
までのデータが規格化装置1212に入力され、時系列デー
タｙF0(ｔ)，ｘiF0(ｔ）は、現時点よりＴF0秒前から現
時点までのデータが規格化装置１２１３に入力される。
規格化装置１２１１〜1213に入力される各時系列データ
は、（数１）に示す形式のデータとなっている。
【００３９】
【数１】 ｘiFj(ｔ−ｍδｔFj)，ｘiFj(ｔ−(ｍ−１)δｔFj)，……ｘiFj(ｔFj) ｙFj(ｔ−ｍδｔFj)，ｙFj(ｔ−(ｍ−１)δｔFj)，……ｙFj(ｔFj) …（数１） ここで、ｘiFj は入力変数ｘi のうち周波数帯域Ｆj の
成分、ｙFjは出力変数ｙのうち周波数帯域Ｆj の成分、
ｍは規格化装置に入力されるデータ数から１を引いた
数、δｔFj は周波数帯域Ｆj に対するデータの取り込
み時間幅である。なお、時間幅δｔFj はＴFj ／ｍであ
る。
成分、ｙFjは出力変数ｙのうち周波数帯域Ｆj の成分、
ｍは規格化装置に入力されるデータ数から１を引いた
数、δｔFj は周波数帯域Ｆj に対するデータの取り込
み時間幅である。なお、時間幅δｔFj はＴFj ／ｍであ
る。
【００４０】規格化装置１２１１は、まず、取り込んだ
時系列データｙF1(ｔ)の最大振幅の絶対値が予め定めて
おいた設定値よりも大きいか否かを判断する。もし、最
大振幅の絶対値が設定値よりも小さいと判断した場合、
規格化装置１２１１はその後の処理を行わない。すなわ
ち、時系列データｙF1(ｔ)に対するモデルの作成は行わ
れない。一方、最大振幅の絶対値が設定値よりも大きい
場合には、モデルの作成を実行する。規格化装置１２１
２，１２１３においても同様に、時系列データｙ
F2(ｔ)，ｙF0(ｔ)の最大振幅の絶対値と設定値との大小
関係に基づいて、モデルの作成を行うか否かを判断す
る。なお本実施例では、設定値を１とし、時系列データ
ｙF1(ｔ)，ｙF2(ｔ)，ｙF0(ｔ)のぞれぞれに対してモデ
ルの作成を行う。図１０は、分解後の各時系列データの
振幅が大きく異なる例を示す。図１０（ａ）に分解前の
時系列データｚ(ｔ)、図１０（ｂ）に周波数帯域Ｆa の
成分の時系列データｚFa(ｔ)、図１０（ｃ）に周波数帯
域Ｆb の成分の時系列データｚFb(ｔ)をそれぞれ示す。
ここで、設定値を５に設定すると、図１０（ｂ）の時系
列データｚFa(ｔ)の最大振幅の絶対値はしきい値よりも
小さい。一方、図１０（ｃ）の時系列データｚFb(ｔ)の
最大振幅の絶対値はしきい値よりも大きい。このような
場合、時系列データｚFa(ｔ)に対してモデルの作成は行
わない。このように、最大振幅の小さな時系列データに
ついてモデルを作成しないのは、最大振幅の小さな時系
列データによる最終的な予測結果への影響が小さいため
である。最大振幅の小さな時系列データについてモデル
を作成しないことにより、作成するモデルの数を減らす
ことができ、モデル作成を効率化できる。
時系列データｙF1(ｔ)の最大振幅の絶対値が予め定めて
おいた設定値よりも大きいか否かを判断する。もし、最
大振幅の絶対値が設定値よりも小さいと判断した場合、
規格化装置１２１１はその後の処理を行わない。すなわ
ち、時系列データｙF1(ｔ)に対するモデルの作成は行わ
れない。一方、最大振幅の絶対値が設定値よりも大きい
場合には、モデルの作成を実行する。規格化装置１２１
２，１２１３においても同様に、時系列データｙ
F2(ｔ)，ｙF0(ｔ)の最大振幅の絶対値と設定値との大小
関係に基づいて、モデルの作成を行うか否かを判断す
る。なお本実施例では、設定値を１とし、時系列データ
ｙF1(ｔ)，ｙF2(ｔ)，ｙF0(ｔ)のぞれぞれに対してモデ
ルの作成を行う。図１０は、分解後の各時系列データの
振幅が大きく異なる例を示す。図１０（ａ）に分解前の
時系列データｚ(ｔ)、図１０（ｂ）に周波数帯域Ｆa の
成分の時系列データｚFa(ｔ)、図１０（ｃ）に周波数帯
域Ｆb の成分の時系列データｚFb(ｔ)をそれぞれ示す。
ここで、設定値を５に設定すると、図１０（ｂ）の時系
列データｚFa(ｔ)の最大振幅の絶対値はしきい値よりも
小さい。一方、図１０（ｃ）の時系列データｚFb(ｔ)の
最大振幅の絶対値はしきい値よりも大きい。このような
場合、時系列データｚFa(ｔ)に対してモデルの作成は行
わない。このように、最大振幅の小さな時系列データに
ついてモデルを作成しないのは、最大振幅の小さな時系
列データによる最終的な予測結果への影響が小さいため
である。最大振幅の小さな時系列データについてモデル
を作成しないことにより、作成するモデルの数を減らす
ことができ、モデル作成を効率化できる。
【００４１】規格化装置１２１１は、時系列データ分解
パラメータ格納ファイル８０の上限値，下限値に基づ
き、（数２）を用いて、取り込んだ時系列データｙ
F1(ｔ)の上限値を０.８，下限値を０.２に対応させて規
格化する。
パラメータ格納ファイル８０の上限値，下限値に基づ
き、（数２）を用いて、取り込んだ時系列データｙ
F1(ｔ)の上限値を０.８，下限値を０.２に対応させて規
格化する。
【００４２】
【数２】
【００４３】関連入力変数の時系列データｘiF1(ｔ）に
ついても同様に規格化を行う。また、時系列データｙF2
(ｔ)，ｘiF2(ｔ)およびｙF0(ｔ)，ｘiF0(ｔ)の規格化
も、規格化装置１２１２，１２１３において同様に行
う。規格化された各時系列データＹF1(ｔ)，Ｘ
iF1(ｔ)，ＹF2(ｔ)，ＸiF2(ｔ)およびＹF0(ｔ)，Ｘ
iF0(ｔ）の形式を（数３）に示す。
ついても同様に規格化を行う。また、時系列データｙF2
(ｔ)，ｘiF2(ｔ)およびｙF0(ｔ)，ｘiF0(ｔ)の規格化
も、規格化装置１２１２，１２１３において同様に行
う。規格化された各時系列データＹF1(ｔ)，Ｘ
iF1(ｔ)，ＹF2(ｔ)，ＸiF2(ｔ)およびＹF0(ｔ)，Ｘ
iF0(ｔ）の形式を（数３）に示す。
【００４４】
【数３】 ＸiFj(ｔ−ｍδｔFj)，ＸiFj(ｔ−(ｍ−１)δｔFj)，……ＸiFj(ｔFj) ＹFj(ｔ−ｍδｔFj)，ＹFj(ｔ−(ｍ−１)δｔFj)，……ＹFj(ｔFj) …（数３） ここで、ＸiFjは規格化したｘiFj、ＹFjは規格化したｙ
Fjである。
Fjである。
【００４５】この規格化は各時系列データの変化し得る
範囲内での高精度なモデルを作るために必要となる。
範囲内での高精度なモデルを作るために必要となる。
【００４６】規格化装置１２１２は規格化した時系列デ
ータＹF1(ｔ)，ＸiF1(ｔ）と、入力装置３０より入力さ
れた予測秒数Δｔに基づいて求められた教師データＹF1
（ｔ＋Δｔ）をモデル調整装置１２３１に出力する。ま
た、規格化装置１２１２は、規格化した各時系列データ
ＹF2(ｔ），ＸiF2(ｔ）および教師データＹF2(ｔ＋Δ
ｔ）をモデル調整装置１２３２に出力する。規格化装置
１２１３は、規格化した各時系列データＹF0(ｔ)，Ｘ
iF0(ｔ)および教師データＹF0(ｔ＋Δｔ）を、モデル調
整装置１２３３に出力する。なお、各教師データは、過
去の履歴やシミュレーション結果などから得られる。
ータＹF1(ｔ)，ＸiF1(ｔ）と、入力装置３０より入力さ
れた予測秒数Δｔに基づいて求められた教師データＹF1
（ｔ＋Δｔ）をモデル調整装置１２３１に出力する。ま
た、規格化装置１２１２は、規格化した各時系列データ
ＹF2(ｔ），ＸiF2(ｔ）および教師データＹF2(ｔ＋Δ
ｔ）をモデル調整装置１２３２に出力する。規格化装置
１２１３は、規格化した各時系列データＹF0(ｔ)，Ｘ
iF0(ｔ)および教師データＹF0(ｔ＋Δｔ）を、モデル調
整装置１２３３に出力する。なお、各教師データは、過
去の履歴やシミュレーション結果などから得られる。
【００４７】モデル作成制御装置１２２０には、入力装
置３０から出力された動作モードが入力される。モデル
作成制御装置１２２０は、動作モードがモデル作成モー
ドである場合に、モデル作成装置１２３１〜１２３３に
対してモデル作成指令を出力する。
置３０から出力された動作モードが入力される。モデル
作成制御装置１２２０は、動作モードがモデル作成モー
ドである場合に、モデル作成装置１２３１〜１２３３に
対してモデル作成指令を出力する。
【００４８】モデル作成装置１２３１は時系列データＹ
F1(ｔ)，ＸiF1(ｔ）および教師データＹF1(ｔ＋Δｔ)を
用いて、モデルとなるニューラルネットワークの重み係
数の設定を行う。
F1(ｔ)，ＸiF1(ｔ）および教師データＹF1(ｔ＋Δｔ)を
用いて、モデルとなるニューラルネットワークの重み係
数の設定を行う。
【００４９】図１１は、モデルとなるニューラルネット
ワークの例を示す。このニューラルネットワークは、規
格化後の時系列データＹF1(ｔ)，ＸiF1(ｔ）の過去ＴF1
秒前（ｍδｔF1秒前）から現時点までのデータを入力
し、ＹF1(ｔ)のΔｔ秒だけ将来の値を出力するモデルに
なっている。このニューラルネットワークにより得られ
る予測値ＹF1p(ｔ＋Δｔ)が教師データＹF1(ｔ＋Δｔ）
と等しくなるように、ニューラルネットワークの重み係
数が調節（学習）される。なお、モデルとしてニューラ
ルネットワークを用いることにより、他のモデルを用い
る場合と比較して、モデルの作成および将来値の予測を
容易に行うことができる。
ワークの例を示す。このニューラルネットワークは、規
格化後の時系列データＹF1(ｔ)，ＸiF1(ｔ）の過去ＴF1
秒前（ｍδｔF1秒前）から現時点までのデータを入力
し、ＹF1(ｔ)のΔｔ秒だけ将来の値を出力するモデルに
なっている。このニューラルネットワークにより得られ
る予測値ＹF1p(ｔ＋Δｔ)が教師データＹF1(ｔ＋Δｔ）
と等しくなるように、ニューラルネットワークの重み係
数が調節（学習）される。なお、モデルとしてニューラ
ルネットワークを用いることにより、他のモデルを用い
る場合と比較して、モデルの作成および将来値の予測を
容易に行うことができる。
【００５０】続いて、モデル調整装置１２３１は、ニュ
ーラルネットワークにより得られる予測値ＹF1p(ｔ＋Δ
ｔ)と教師データＹF1(ｔ＋Δｔ）との差が、予め設けて
おいた設定値よりも小さいかを判断する。もし、予測値
ＹF1p(ｔ＋Δｔ）と教師データＹF1(ｔ＋Δｔ)との差
が、予め設けておいた設定値よりも小さい場合には、モ
デル調整装置１２３１は、モデル作成制御装置１２２０
にモデル作成終了信号を出力すると共に、ニューラルネ
ットワークにおいて調節した重み係数の情報ＷF1をモデ
ル設定装置１２４０に出力する。逆に、予測値ＹF1p(ｔ
＋Δｔ）と教師データＹF1(ｔ＋Δｔ)との差が、予め設
けておいた設定値よりも大きい場合には、重み係数の調
節を規定の回数繰り返したかを判断する。ここで、重み
係数の調節を規定の回数繰り返したと判断した場合に
は、モデル作成終了信号をモデル作成制御装置１２２０
に出力すると共に、ニューラルネットワークにおいて調
節した重み係数の情報ＷF1をモデル設定装置１２４０に
出力する。一方、重み係数の調節を規定の回数繰り返し
ていないと判断した場合には、モデル作成継続信号をモ
デル作成制御装置１２２０に出力する。なお、重み係数
調節の規定の回数は、予め与えられる。
ーラルネットワークにより得られる予測値ＹF1p(ｔ＋Δ
ｔ)と教師データＹF1(ｔ＋Δｔ）との差が、予め設けて
おいた設定値よりも小さいかを判断する。もし、予測値
ＹF1p(ｔ＋Δｔ）と教師データＹF1(ｔ＋Δｔ)との差
が、予め設けておいた設定値よりも小さい場合には、モ
デル調整装置１２３１は、モデル作成制御装置１２２０
にモデル作成終了信号を出力すると共に、ニューラルネ
ットワークにおいて調節した重み係数の情報ＷF1をモデ
ル設定装置１２４０に出力する。逆に、予測値ＹF1p(ｔ
＋Δｔ）と教師データＹF1(ｔ＋Δｔ)との差が、予め設
けておいた設定値よりも大きい場合には、重み係数の調
節を規定の回数繰り返したかを判断する。ここで、重み
係数の調節を規定の回数繰り返したと判断した場合に
は、モデル作成終了信号をモデル作成制御装置１２２０
に出力すると共に、ニューラルネットワークにおいて調
節した重み係数の情報ＷF1をモデル設定装置１２４０に
出力する。一方、重み係数の調節を規定の回数繰り返し
ていないと判断した場合には、モデル作成継続信号をモ
デル作成制御装置１２２０に出力する。なお、重み係数
調節の規定の回数は、予め与えられる。
【００５１】モデル作成制御装置１２２０は、モデル調
整装置１２３１からモデル作成継続信号が入力された場
合に、再びモデル作成指令をモデル調整装置１２３１に
出力する。一方、モデル作成終了信号が入力された場合
には、モデル調整装置1231におけるモデルの作成が終了
したことを認識する。このように、ニューラルネットワ
ークにより得られる予測値ＹF1p(ｔ＋Δｔ)と教師デー
タＹF1(ｔ＋Δｔ）との差が、予め設けておいた設定値
よりも小さくなるか、もしくは、重み係数の調節を規定
の回数繰り返すまでは、ニューラルネットワークの重み
係数の設定が繰り返される。なお、モデル調整装置１２
３２，１２３３においてもモデル調整装置１２３１と同
様の処理が行われ、調節された重み係数の情報ＷF2，Ｗ
F0がモデル設定装置１２４０に入力される。
整装置１２３１からモデル作成継続信号が入力された場
合に、再びモデル作成指令をモデル調整装置１２３１に
出力する。一方、モデル作成終了信号が入力された場合
には、モデル調整装置1231におけるモデルの作成が終了
したことを認識する。このように、ニューラルネットワ
ークにより得られる予測値ＹF1p(ｔ＋Δｔ)と教師デー
タＹF1(ｔ＋Δｔ）との差が、予め設けておいた設定値
よりも小さくなるか、もしくは、重み係数の調節を規定
の回数繰り返すまでは、ニューラルネットワークの重み
係数の設定が繰り返される。なお、モデル調整装置１２
３２，１２３３においてもモデル調整装置１２３１と同
様の処理が行われ、調節された重み係数の情報ＷF2，Ｗ
F0がモデル設定装置１２４０に入力される。
【００５２】モデル設定装置１２４０は、入力された重
み係数の情報ＷF1，ＷF2，ＷF0に基づいて、予測装置１
０１〜１０３のニューラルネットワークの重み係数を設
定する。従って、予測装置１０１〜１０３には、周波数
帯域に応じたニューラルネットワーク（モデル）がそれ
ぞれ設定される。
み係数の情報ＷF1，ＷF2，ＷF0に基づいて、予測装置１
０１〜１０３のニューラルネットワークの重み係数を設
定する。従って、予測装置１０１〜１０３には、周波数
帯域に応じたニューラルネットワーク（モデル）がそれ
ぞれ設定される。
【００５３】以上説明したように、動作モードとしてモ
デル作成モードが選択された場合には、予測装置１０１
〜１０３にモデルが設定される。
デル作成モードが選択された場合には、予測装置１０１
〜１０３にモデルが設定される。
【００５４】次に動作モードとして予測モードが選択さ
れた場合について説明する。運転員により予測モードが
選択された場合、データ収集装置４０は、プラント１０
より時系列データを取り込む。なお、データ収集装置４
０において時系列データを取り込み、その時系列データ
を時系列データ分解装置７０で複数の時系列データに分
解するまでの各装置の動作は、予測モードの場合でもモ
デル作成モードの場合と同様である。
れた場合について説明する。運転員により予測モードが
選択された場合、データ収集装置４０は、プラント１０
より時系列データを取り込む。なお、データ収集装置４
０において時系列データを取り込み、その時系列データ
を時系列データ分解装置７０で複数の時系列データに分
解するまでの各装置の動作は、予測モードの場合でもモ
デル作成モードの場合と同様である。
【００５５】時系列データ分解装置７０は、入力された
動作モードが予測モードであるため、分解して得られた
時系列データｙF1(ｔ)，ｘiF1(ｔ）を規格化装置９１に
入力する。また、時系列データｙF2(ｔ)，ｘiF2(ｔ）を
規格化装置９２に入力し、時系列データｙF0(ｔ)，ｘ
iF0(ｔ）を規格化装置９３に入力する。
動作モードが予測モードであるため、分解して得られた
時系列データｙF1(ｔ)，ｘiF1(ｔ）を規格化装置９１に
入力する。また、時系列データｙF2(ｔ)，ｘiF2(ｔ）を
規格化装置９２に入力し、時系列データｙF0(ｔ)，ｘ
iF0(ｔ）を規格化装置９３に入力する。
【００５６】規格化装置９１〜９３では、入力された各
時系列データを上限値を０.８ ，下限値を０.２ に対応
させて規格化する。規格化装置９１〜９３における時系
列データの規格化は、モデル作成装置１２０の規格化装
置１２１１〜１２１３における規格化と同様に行われ
る。規格化装置９１〜９３において規格化された時系列
データは、それぞれ予測装置１０１〜１０３に入力され
る。
時系列データを上限値を０.８ ，下限値を０.２ に対応
させて規格化する。規格化装置９１〜９３における時系
列データの規格化は、モデル作成装置１２０の規格化装
置１２１１〜１２１３における規格化と同様に行われ
る。規格化装置９１〜９３において規格化された時系列
データは、それぞれ予測装置１０１〜１０３に入力され
る。
【００５７】予測装置１０１は、規格化装置９１から入
力された時系列データＹF1(ｔ)，ＸiF1(ｔ)に基づい
て、時系列データＹF1(ｔ)の予測値ＹF1p(ｔ＋Δｔ)を
出力する。本実施例の予測装置１０１は、予測値Ｙ
F1p(ｔ＋Δｔ）を求めるために、モデル設定装置１２４
０により重み係数が設定されたニューラルネットワーク
を使用する。予測装置１０１には図１１に示すようなニ
ューラルネットワークが設定されており、規格化装置９
１において規格化された各時系列データＹF1(ｔ)，Ｘ
iF1(ｔ)を入力することにより、予測秒数Δｔ後の時系
列データＹF1(ｔ）の値、すなわち予測値ＹF1p(ｔ＋Δ
ｔ）が出力される。予測装置１０１は、求めた予測値Ｙ
F1p(ｔ＋Δｔ）を変換装置１１１に出力する。予測装置
１０２，１０３においても、ニューラルネットワークを
用いて予測値ＹF2p(ｔ＋Δｔ）およびＹF0p(ｔ＋Δｔ）
の演算が行われる。予測装置１０２において求められた
将来値ＹF2p(ｔ＋Δｔ）は、変換装置１１２に出力され
る。また、予測装置１０３において求められた将来値Ｙ
F0p(ｔ＋Δｔ）は、変換装置１１３に出力される。
力された時系列データＹF1(ｔ)，ＸiF1(ｔ)に基づい
て、時系列データＹF1(ｔ)の予測値ＹF1p(ｔ＋Δｔ)を
出力する。本実施例の予測装置１０１は、予測値Ｙ
F1p(ｔ＋Δｔ）を求めるために、モデル設定装置１２４
０により重み係数が設定されたニューラルネットワーク
を使用する。予測装置１０１には図１１に示すようなニ
ューラルネットワークが設定されており、規格化装置９
１において規格化された各時系列データＹF1(ｔ)，Ｘ
iF1(ｔ)を入力することにより、予測秒数Δｔ後の時系
列データＹF1(ｔ）の値、すなわち予測値ＹF1p(ｔ＋Δ
ｔ）が出力される。予測装置１０１は、求めた予測値Ｙ
F1p(ｔ＋Δｔ）を変換装置１１１に出力する。予測装置
１０２，１０３においても、ニューラルネットワークを
用いて予測値ＹF2p(ｔ＋Δｔ）およびＹF0p(ｔ＋Δｔ）
の演算が行われる。予測装置１０２において求められた
将来値ＹF2p(ｔ＋Δｔ）は、変換装置１１２に出力され
る。また、予測装置１０３において求められた将来値Ｙ
F0p(ｔ＋Δｔ）は、変換装置１１３に出力される。
【００５８】変換装置１１１は、将来値ＹF1p(ｔ＋Δ
ｔ）が入力されると、まず、時系列データ分解パラメー
タ格納ファイル８０から周波数帯域１に対応する出力変
数ｙの上限値，下限値を検索して、取り込む。変換装置
１１１は、取り込んだ上限値，下限値に基づき、（数
４）に従い、予測値ＹF1p(ｔ＋Δｔ）を規格化前の値に
変換する。
ｔ）が入力されると、まず、時系列データ分解パラメー
タ格納ファイル８０から周波数帯域１に対応する出力変
数ｙの上限値，下限値を検索して、取り込む。変換装置
１１１は、取り込んだ上限値，下限値に基づき、（数
４）に従い、予測値ＹF1p(ｔ＋Δｔ）を規格化前の値に
変換する。
【００５９】
【数４】
【００６０】変換装置１１２，１１３においても、変換
装置１１１と同様に予測値ＹF2p(ｔ＋Δｔ)およびＹF0p
(ｔ＋Δｔ)の変換が行われる。変換装置１１１〜１１３
において変換された各予測値ｙF1p(ｔ＋Δｔ)，ｙ
F2p(ｔ＋Δｔ)，ｙF0p(ｔ＋Δｔ)は、加算器１５０に出
力される。
装置１１１と同様に予測値ＹF2p(ｔ＋Δｔ)およびＹF0p
(ｔ＋Δｔ)の変換が行われる。変換装置１１１〜１１３
において変換された各予測値ｙF1p(ｔ＋Δｔ)，ｙ
F2p(ｔ＋Δｔ)，ｙF0p(ｔ＋Δｔ)は、加算器１５０に出
力される。
【００６１】加算器１５０は、入力された各予測値の総
和を求める。この総和が出力変数ｙの予測値ｙp(ｔ＋Δ
ｔ）となる。なお、この予測値ｙp(ｔ＋Δｔ）は、異常
検出装置１３０に出力される。
和を求める。この総和が出力変数ｙの予測値ｙp(ｔ＋Δ
ｔ）となる。なお、この予測値ｙp(ｔ＋Δｔ）は、異常
検出装置１３０に出力される。
【００６２】図１２は、図８に示す時系列データの２０
ｓ先の将来値を、本実施例の時系列データ予測装置によ
り予測した結果を示す。図１２（ｂ)〜(ｄ）は、図８
（ｂ）〜(ｄ）に示した分解後の各時系列データｙ
F1(ｔ)，ｙF2(ｔ)，ｙF0(ｔ）と、その予測結果ｙ
F1p(ｔ)，ｙF2p(ｔ)，ｙF0p(ｔ）を示す。図中にも示さ
れているように、分解後の各時系列データごとに過去の
データの取込時間範囲を変えることにより、それぞれの
モデルを作成しやすいニューラルネットワークの構造と
なっている。また、図１２（ａ）には時系列データｙ
(ｔ)と、図１２（ｂ)〜(ｄ）の予測結果の和ｙp(ｔ）を
示す。
ｓ先の将来値を、本実施例の時系列データ予測装置によ
り予測した結果を示す。図１２（ｂ)〜(ｄ）は、図８
（ｂ）〜(ｄ）に示した分解後の各時系列データｙ
F1(ｔ)，ｙF2(ｔ)，ｙF0(ｔ）と、その予測結果ｙ
F1p(ｔ)，ｙF2p(ｔ)，ｙF0p(ｔ）を示す。図中にも示さ
れているように、分解後の各時系列データごとに過去の
データの取込時間範囲を変えることにより、それぞれの
モデルを作成しやすいニューラルネットワークの構造と
なっている。また、図１２（ａ）には時系列データｙ
(ｔ)と、図１２（ｂ)〜(ｄ）の予測結果の和ｙp(ｔ）を
示す。
【００６３】図１３は、図８(ａ)に示す時系列データｙ
(ｔ)について、本実施例で説明したとおりに時系列デー
タを分解して将来値を予測した場合と、分解を行わずに
単一のモデルを用いて将来値を予測した場合のそれぞれ
の予測結果を示す。分解を行わずに将来値を予測した場
合は、図１３(ａ）に示すように、予測結果ｙp(ｔ)′と
実際の値ｙ(ｔ）との差が大きく、予測精度が良くな
い。一方、図１３（ｂ）に示すように、分解した時系列
データの予測結果の和ｙp(ｔ)は実際の値ｙ(ｔ）との差
が小さく、図１３（ａ）に比べて予測精度が向上してい
る。
(ｔ)について、本実施例で説明したとおりに時系列デー
タを分解して将来値を予測した場合と、分解を行わずに
単一のモデルを用いて将来値を予測した場合のそれぞれ
の予測結果を示す。分解を行わずに将来値を予測した場
合は、図１３(ａ）に示すように、予測結果ｙp(ｔ)′と
実際の値ｙ(ｔ）との差が大きく、予測精度が良くな
い。一方、図１３（ｂ）に示すように、分解した時系列
データの予測結果の和ｙp(ｔ)は実際の値ｙ(ｔ）との差
が小さく、図１３（ａ）に比べて予測精度が向上してい
る。
【００６４】このように、本実施例によれば、時系列デ
ータの将来値の予測を精度良く行うことができる。これ
は、様々な周波数成分を含み複雑に変化する時系列デー
タを複数の時系列データに分解することにより、変化が
単純な時系列データが複数得られ、その時系列データに
ついては将来値の予測が精度良く行えるため、その将来
値に基づいて、予測対象である時系列データの将来値を
精度良く求めることができる。
ータの将来値の予測を精度良く行うことができる。これ
は、様々な周波数成分を含み複雑に変化する時系列デー
タを複数の時系列データに分解することにより、変化が
単純な時系列データが複数得られ、その時系列データに
ついては将来値の予測が精度良く行えるため、その将来
値に基づいて、予測対象である時系列データの将来値を
精度良く求めることができる。
【００６５】次に、異常検出装置１３０の動作につい
て、時刻がＴである場合を例に説明する。異常検出装置
１３０は、時刻Ｔにおける出力変数ｙの実際の値ｙ(Ｔ)
を収集データ格納ファイル６０から取り込み、その実際
の値ｙ(Ｔ)と予測値ｙp(Ｔ）との差を求める。異常検出
装置１３０は、その差の絶対値と予め定められたしきい
値Ｅとを比較する。もし、実際の値ｙ(Ｔ)と予測値ｙ
p(Ｔ）との差の絶対値がしきい値Ｅよりも大きい場合、
予測値ｙp(Ｔ）と警報を表示装置１４０に出力する。ま
た、異常検出装置１３０は実際の値ｙ(Ｔ)と予測値ｙ
p(Ｔ）の差の絶対値があらかじめ定めたしきい値Ｅより
も小さい場合、予測値ｙp(Ｔ）を表示装置140に出力す
る。表示装置１４０は、入力された予測値ｙp(Ｔ）およ
び警報を表示する。
て、時刻がＴである場合を例に説明する。異常検出装置
１３０は、時刻Ｔにおける出力変数ｙの実際の値ｙ(Ｔ)
を収集データ格納ファイル６０から取り込み、その実際
の値ｙ(Ｔ)と予測値ｙp(Ｔ）との差を求める。異常検出
装置１３０は、その差の絶対値と予め定められたしきい
値Ｅとを比較する。もし、実際の値ｙ(Ｔ)と予測値ｙ
p(Ｔ）との差の絶対値がしきい値Ｅよりも大きい場合、
予測値ｙp(Ｔ）と警報を表示装置１４０に出力する。ま
た、異常検出装置１３０は実際の値ｙ(Ｔ)と予測値ｙ
p(Ｔ）の差の絶対値があらかじめ定めたしきい値Ｅより
も小さい場合、予測値ｙp(Ｔ）を表示装置140に出力す
る。表示装置１４０は、入力された予測値ｙp(Ｔ）およ
び警報を表示する。
【００６６】図１４に予測値および異常検出結果の表示
の例を示す。出力変数ｙの実際の値ｙ(ｔ)は表示装置１
４０に、時間の経過とともにトレンドグラフとして表示
する。同様に将来値ｙp(ｔ）も同じトレンドグラフ上に
重ね合わせて表示する。ここで、実際の値ｙ(ｔ）から
しきい値Ｅを差し引いた値をｙL ，ｙ(ｔ）にしきい値
Ｅを加算した値をｙU とする。このグラフにおいて、ｙ
L とｙU から形成される帯の中に予測値ｙp(ｔ）が入っ
ていれば、予測は正常に行われていることになる。も
し、帯の外側に予測値ｙp(ｔ）が出た場合には、プラン
ト１０から収集された入力変数ｘi と出力変数ｙとの関
係が、モデルにおける入力変数ｘi と出力変数ｙとの関
係に対応していないと考えられる。この場合に異常検出
装置１３０は異常と判定し、警報が表示装置１４０に表
示される。図１４の例では、時刻Ｔの時点での予測値ｙ
p(Ｔ）がｙL とｙU で形成される帯を外れている。この
ため、時刻Ｔにおいて異常発生という表示がなされてい
る。また、このとき予測値ｙp(ｔ）はＴ＋Δｔの時点ま
での値が得られている。この異常検出装置の異常の判定
に使用する予測値の精度を上げるために、予測秒数Δｔ
を０ｓにしてもよい。また、Δｔ後の将来の出力変数ｙ
の値を予測する予測モデルの他に、現時刻の出力変数ｙ
の値を推定する推定モデルを別に持たせることにより推
定値の精度を上げてもよい。現時刻の出力変数を推定す
るためのモデルの作成は、図１１に示す教師データｙ
(ｔ＋Δｔ)を現時刻のものにすることによって、予測モ
デルの作成の場合と同様に行うことができる。このよう
に、本実施例によればプラントにおける異常を正確に検
出することができる。
の例を示す。出力変数ｙの実際の値ｙ(ｔ)は表示装置１
４０に、時間の経過とともにトレンドグラフとして表示
する。同様に将来値ｙp(ｔ）も同じトレンドグラフ上に
重ね合わせて表示する。ここで、実際の値ｙ(ｔ）から
しきい値Ｅを差し引いた値をｙL ，ｙ(ｔ）にしきい値
Ｅを加算した値をｙU とする。このグラフにおいて、ｙ
L とｙU から形成される帯の中に予測値ｙp(ｔ）が入っ
ていれば、予測は正常に行われていることになる。も
し、帯の外側に予測値ｙp(ｔ）が出た場合には、プラン
ト１０から収集された入力変数ｘi と出力変数ｙとの関
係が、モデルにおける入力変数ｘi と出力変数ｙとの関
係に対応していないと考えられる。この場合に異常検出
装置１３０は異常と判定し、警報が表示装置１４０に表
示される。図１４の例では、時刻Ｔの時点での予測値ｙ
p(Ｔ）がｙL とｙU で形成される帯を外れている。この
ため、時刻Ｔにおいて異常発生という表示がなされてい
る。また、このとき予測値ｙp(ｔ）はＴ＋Δｔの時点ま
での値が得られている。この異常検出装置の異常の判定
に使用する予測値の精度を上げるために、予測秒数Δｔ
を０ｓにしてもよい。また、Δｔ後の将来の出力変数ｙ
の値を予測する予測モデルの他に、現時刻の出力変数ｙ
の値を推定する推定モデルを別に持たせることにより推
定値の精度を上げてもよい。現時刻の出力変数を推定す
るためのモデルの作成は、図１１に示す教師データｙ
(ｔ＋Δｔ)を現時刻のものにすることによって、予測モ
デルの作成の場合と同様に行うことができる。このよう
に、本実施例によればプラントにおける異常を正確に検
出することができる。
【００６７】以上説明した本実施例では、時系列データ
の分解方法として、周波数帯域ごとに時系列データを分
解するバンドパスフィルタおよびハイパスフィルタを用
いたが、その他にローパスフィルタを使用することもで
きる。
の分解方法として、周波数帯域ごとに時系列データを分
解するバンドパスフィルタおよびハイパスフィルタを用
いたが、その他にローパスフィルタを使用することもで
きる。
【００６８】本発明の他の実施例である時系列データ予
測装置について図１５および図１６を用いて説明する。
本実施例は第１の実施例における時系列データの分解方
法として、関数に適合する成分を分解時系列データとし
て抽出する方法を用いたものである。本実施例の構成に
ついて、主に第１の実施例と構成が異なる時系列データ
分解装置について説明する。
測装置について図１５および図１６を用いて説明する。
本実施例は第１の実施例における時系列データの分解方
法として、関数に適合する成分を分解時系列データとし
て抽出する方法を用いたものである。本実施例の構成に
ついて、主に第１の実施例と構成が異なる時系列データ
分解装置について説明する。
【００６９】本実施例では、関数に適合する成分を分解
時系列データとして抽出する方法として多重解像度解析
と呼ばれる方法を用いる。図１５は多重解像度解析によ
る時系列データの分解方法を示す。ここでは、時刻
ｔ1，ｔ2，ｔ3，ｔ4でそれぞれａ1，ａ2，ａ3，ａ4の値
を持つ時系列データｓ(ｔ)を多重解像度解析で分解する
例について説明する。なお、時刻ｔ1，ｔ2，ｔ3，ｔ4の
間隔は、等間隔（ｄｔ）である。図１５（ｂ）に示すよ
うに、時系列データｓ(ｔ)に周期２ｄｔの矩形波を適合
させると、ｔ1，ｔ2，ｔ3でそれぞれ（ａ1−ａ2)／２，
（ａ2−ａ3）／２，（ａ3−ａ4)／２となる時系列デー
タｓ1(ｔ)が得られる。また、時系列データｓ(ｔ)に周
期４ｄｔの矩形波を適合させるとｔ1 で(ａ1＋ａ2−(ａ
3＋ａ4))／４となる時系列データｓ2(ｔ)が得られる
（図１５(ｃ)）。時系列データｓ(ｔ）から時系列デー
タｓ1(ｔ)，ｓ2(ｔ)を差し引くと、残りの低周波成分ｓ
0(ｔ）として時刻ｔ1で（ａ1＋ａ2＋(ａ3＋ａ4))／４と
なる成分が得られる(図１５(ｄ))。このような、多重解
像度解析を用いた時系列データ分解装置７０Ａの構成を
図１６を用いて説明する。図１６において、時系列デー
タ分解装置７０Ａに入力された時系列データｙ(ｔ)，ｘ
i(ｔ）は、演算装置７７０，７８０，７９０に入力され
る。なお、時系列データｙ(ｔ)として、ａ1，ａ2，
ａ3，ａ4，…というデータが演算装置７７０，７８０，
７９０に入力された場合を説明する。演算装置７７０で
は、時系列データｙ(ｔ)に対して、（ａ1−ａ2)／２，
(ａ2−ａ3)／２,(ａ3−ａ4)／２を演算し、切替器７４
０に出力する。演算装置７８０は、(ａ1＋ａ2−(ａ3＋
ａ4))／４を演算し、切替器７５０に出力する。また、
演算装置790は、(ａ1＋ａ2＋(ａ3＋ａ4))／４を演算
し、切替器７６０に出力する。演算装置７７０，７８
０，７９０において、上記の演算を行うことにより、時
系列データｙ(ｔ)は、図１５に示されたｓ(ｔ)と同様に
３つの時系列データに分解される。また、時系列データ
ｘi(ｔ）についても時系列データｙ(ｔ)と同様に分解さ
れる。なお、切替器７４０，７５０，７６０の動作は第
１の実施例と同様である。このように時系列データを分
解した場合も、第１の実施例と同様に予測値を求めるこ
とができる。また、この多重解像度解析は演算量が少な
いため、オンラインで時系列データを分解するのに適し
ている。
時系列データとして抽出する方法として多重解像度解析
と呼ばれる方法を用いる。図１５は多重解像度解析によ
る時系列データの分解方法を示す。ここでは、時刻
ｔ1，ｔ2，ｔ3，ｔ4でそれぞれａ1，ａ2，ａ3，ａ4の値
を持つ時系列データｓ(ｔ)を多重解像度解析で分解する
例について説明する。なお、時刻ｔ1，ｔ2，ｔ3，ｔ4の
間隔は、等間隔（ｄｔ）である。図１５（ｂ）に示すよ
うに、時系列データｓ(ｔ)に周期２ｄｔの矩形波を適合
させると、ｔ1，ｔ2，ｔ3でそれぞれ（ａ1−ａ2)／２，
（ａ2−ａ3）／２，（ａ3−ａ4)／２となる時系列デー
タｓ1(ｔ)が得られる。また、時系列データｓ(ｔ)に周
期４ｄｔの矩形波を適合させるとｔ1 で(ａ1＋ａ2−(ａ
3＋ａ4))／４となる時系列データｓ2(ｔ)が得られる
（図１５(ｃ)）。時系列データｓ(ｔ）から時系列デー
タｓ1(ｔ)，ｓ2(ｔ)を差し引くと、残りの低周波成分ｓ
0(ｔ）として時刻ｔ1で（ａ1＋ａ2＋(ａ3＋ａ4))／４と
なる成分が得られる(図１５(ｄ))。このような、多重解
像度解析を用いた時系列データ分解装置７０Ａの構成を
図１６を用いて説明する。図１６において、時系列デー
タ分解装置７０Ａに入力された時系列データｙ(ｔ)，ｘ
i(ｔ）は、演算装置７７０，７８０，７９０に入力され
る。なお、時系列データｙ(ｔ)として、ａ1，ａ2，
ａ3，ａ4，…というデータが演算装置７７０，７８０，
７９０に入力された場合を説明する。演算装置７７０で
は、時系列データｙ(ｔ)に対して、（ａ1−ａ2)／２，
(ａ2−ａ3)／２,(ａ3−ａ4)／２を演算し、切替器７４
０に出力する。演算装置７８０は、(ａ1＋ａ2−(ａ3＋
ａ4))／４を演算し、切替器７５０に出力する。また、
演算装置790は、(ａ1＋ａ2＋(ａ3＋ａ4))／４を演算
し、切替器７６０に出力する。演算装置７７０，７８
０，７９０において、上記の演算を行うことにより、時
系列データｙ(ｔ)は、図１５に示されたｓ(ｔ)と同様に
３つの時系列データに分解される。また、時系列データ
ｘi(ｔ）についても時系列データｙ(ｔ)と同様に分解さ
れる。なお、切替器７４０，７５０，７６０の動作は第
１の実施例と同様である。このように時系列データを分
解した場合も、第１の実施例と同様に予測値を求めるこ
とができる。また、この多重解像度解析は演算量が少な
いため、オンラインで時系列データを分解するのに適し
ている。
【００７０】本実施例においても、第１の実施例と同様
の効果を得ることができる。
の効果を得ることができる。
【００７１】本実施例では、周期の異なる複数の矩形波
を時系列データに作用させて、各矩形波に適合する成分
を分解時系列データとして抽出する方法を説明したが、
矩形波以外にも正弦波などの関数を利用することもでき
る。
を時系列データに作用させて、各矩形波に適合する成分
を分解時系列データとして抽出する方法を説明したが、
矩形波以外にも正弦波などの関数を利用することもでき
る。
【００７２】本発明の他の実施例である時系列データ予
測装置を図１７および図１８を用いて説明する。本実施
例は、予測値の演算と同時にモデルの作成を行い、モデ
ルの作成が終わり次第モデルを更新していくものであ
る。本実施例について、主に第１の実施例と異なる箇所
について説明する。
測装置を図１７および図１８を用いて説明する。本実施
例は、予測値の演算と同時にモデルの作成を行い、モデ
ルの作成が終わり次第モデルを更新していくものであ
る。本実施例について、主に第１の実施例と異なる箇所
について説明する。
【００７３】本実施例では、予測値の演算とモデルの作
成を同時に行うため、第１の実施例のような動作モード
の選択は行わない。入力装置３０では、動作モードの入
力に代わり、モデルの作成を開始するモデル作成開始指
令を入力する。入力装置３０に入力されたモデル作成開
始指令は、時系列データ分解装置７０およびモデル作成
装置１２０Ａに出力される。なお、予測を行う状態量の
名称、および予測秒数Δｔも、第１の実施例と同様に入
力装置３０に入力される。また、状態量の時系列データ
をプラント１０およびシミュレータ２０のどちらから取
り込むのかも入力装置３０において選択される。
成を同時に行うため、第１の実施例のような動作モード
の選択は行わない。入力装置３０では、動作モードの入
力に代わり、モデルの作成を開始するモデル作成開始指
令を入力する。入力装置３０に入力されたモデル作成開
始指令は、時系列データ分解装置７０およびモデル作成
装置１２０Ａに出力される。なお、予測を行う状態量の
名称、および予測秒数Δｔも、第１の実施例と同様に入
力装置３０に入力される。また、状態量の時系列データ
をプラント１０およびシミュレータ２０のどちらから取
り込むのかも入力装置３０において選択される。
【００７４】データ収集装置４０は、予測する状態量の
名称が入力されると、入力装置３０において選択され
た、プラント１０あるいはシミュレータ２０より時系列
データを取り込む。時系列データを取り込む状態量の決
定は、第１の実施例と同様に、入出力関係格納ファイル
５０に基づいて行われる。また、データ収集装置４０に
おいて取り込んだ時系列データに基づいてモデルを作成
し、予測装置１０１〜１０３に設定する方法は、図１の
実施例と同様である。なお、時系列データ分解装置７０
は、モデル作成開始指令が入力された場合に、分解後の
時系列データをモデル作成装置１２０Ａに出力する。ま
た、モデル作成装置１２０Ａは、モデル作成開始指令が
入力された場合にモデルの作成を行う。
名称が入力されると、入力装置３０において選択され
た、プラント１０あるいはシミュレータ２０より時系列
データを取り込む。時系列データを取り込む状態量の決
定は、第１の実施例と同様に、入出力関係格納ファイル
５０に基づいて行われる。また、データ収集装置４０に
おいて取り込んだ時系列データに基づいてモデルを作成
し、予測装置１０１〜１０３に設定する方法は、図１の
実施例と同様である。なお、時系列データ分解装置７０
は、モデル作成開始指令が入力された場合に、分解後の
時系列データをモデル作成装置１２０Ａに出力する。ま
た、モデル作成装置１２０Ａは、モデル作成開始指令が
入力された場合にモデルの作成を行う。
【００７５】本実施例のモデル設定装置１２４０は、予
測装置１０１〜１０３にニューラルネットワークの重み
を設定するのと同時に、予測開始指令をデータ収集装置
４０および時系列データ分解装置７０に出力する。デー
タ収集装置４０は予測開始指令が入力されると、プラン
ト１０から時系列データを取り込む。取り込んだ時系列
データは時系列データ分解装置７０において複数の時系
列データに分解される。時系列データ分解装置７０は、
予測開始指令が入力された場合には、分解した時系列デ
ータを規格化装置９１〜９３およびモデル作成装置１２
０に出力する。規格化装置９１〜９３に入力された時系
列データは、第１の実施例と同様に将来値の予測に用い
られる。また、モデル作成装置１２０Ａは、入力された
時系列データに基づいて新たにモデルを作成する。モデ
ル作成装置１２０Ａにおいて、新たにモデルが完成する
と、モデル設定装置１２４０は、予測装置１０１〜103
にニューラルネットワークの重みを新たに設定するのと
同時に、再び予測開始指令をデータ収集装置４０および
時系列データ分解装置７０に出力する。なお、モデル作
成中も将来値の予測は継続する。
測装置１０１〜１０３にニューラルネットワークの重み
を設定するのと同時に、予測開始指令をデータ収集装置
４０および時系列データ分解装置７０に出力する。デー
タ収集装置４０は予測開始指令が入力されると、プラン
ト１０から時系列データを取り込む。取り込んだ時系列
データは時系列データ分解装置７０において複数の時系
列データに分解される。時系列データ分解装置７０は、
予測開始指令が入力された場合には、分解した時系列デ
ータを規格化装置９１〜９３およびモデル作成装置１２
０に出力する。規格化装置９１〜９３に入力された時系
列データは、第１の実施例と同様に将来値の予測に用い
られる。また、モデル作成装置１２０Ａは、入力された
時系列データに基づいて新たにモデルを作成する。モデ
ル作成装置１２０Ａにおいて、新たにモデルが完成する
と、モデル設定装置１２４０は、予測装置１０１〜103
にニューラルネットワークの重みを新たに設定するのと
同時に、再び予測開始指令をデータ収集装置４０および
時系列データ分解装置７０に出力する。なお、モデル作
成中も将来値の予測は継続する。
【００７６】このように本実施例では、モデルの作成と
予測値の演算が同時に行われ、予測値の演算に用いるモ
デルは、新たなモデルができ次第次々に更新される。
予測値の演算が同時に行われ、予測値の演算に用いるモ
デルは、新たなモデルができ次第次々に更新される。
【００７７】図１９は、本実施例におけるモデルと時系
列データの関係を示す。図に示されるように、時系列デ
ータｙ(ｔ)のうち時間範囲９０１１の部分を用いて、モ
デルＮ1 が作成される。作成されたモデルＮ1 は、時間
範囲９０２１の時系列データを用いて予測を行う。ま
た、モデルＮ1 によって予測が行われるのと同時に、時
間範囲９０１２の時系列データを用いてモデルＮ2 が作
成される。モデルＮ2 の作成が終わると、モデルＮ1 に
代わりモデルＮ2 により予測が行われる。モデルＮ
2 は、時間範囲９０２２の時系列データを用いて予測を
行う。また、モデルＮ2 によって予測が行われるのと同
時に、時間範囲９０１３の時系列データを用いてモデル
Ｎ3 が作成される。このように本実施例では、予測とモ
デルの作成が同時に行われ、予測に用いるモデルを次々
に更新していく。
列データの関係を示す。図に示されるように、時系列デ
ータｙ(ｔ)のうち時間範囲９０１１の部分を用いて、モ
デルＮ1 が作成される。作成されたモデルＮ1 は、時間
範囲９０２１の時系列データを用いて予測を行う。ま
た、モデルＮ1 によって予測が行われるのと同時に、時
間範囲９０１２の時系列データを用いてモデルＮ2 が作
成される。モデルＮ2 の作成が終わると、モデルＮ1 に
代わりモデルＮ2 により予測が行われる。モデルＮ
2 は、時間範囲９０２２の時系列データを用いて予測を
行う。また、モデルＮ2 によって予測が行われるのと同
時に、時間範囲９０１３の時系列データを用いてモデル
Ｎ3 が作成される。このように本実施例では、予測とモ
デルの作成が同時に行われ、予測に用いるモデルを次々
に更新していく。
【００７８】本実施例によれば、プラントの時系列デー
タをオンラインで逐次取り込んでモデルの作成を行って
おり、作成されたモデルを逐次、予測に使用しているの
で、運転モードの変更や異常発生などでプラントの各状
態量の時系列データの変化傾向が変わり、予測に使用し
ている入出力変数間の関係が変わっても対応することが
できる。
タをオンラインで逐次取り込んでモデルの作成を行って
おり、作成されたモデルを逐次、予測に使用しているの
で、運転モードの変更や異常発生などでプラントの各状
態量の時系列データの変化傾向が変わり、予測に使用し
ている入出力変数間の関係が変わっても対応することが
できる。
【００７９】本発明の他の実施例である時系列データ予
測装置を図２０を用いて説明する。本実施例は、第１の
実施例の異常検出装置１３０における異常検出を、他の
方法により行う時系列データ予測装置である。本実施例
について、第１の実施例と異なる箇所について説明す
る。
測装置を図２０を用いて説明する。本実施例は、第１の
実施例の異常検出装置１３０における異常検出を、他の
方法により行う時系列データ予測装置である。本実施例
について、第１の実施例と異なる箇所について説明す
る。
【００８０】本実施例の異常検出装置１３０は、予測値
ｙp(ｔ）と予め定められた設定値Ｒとを比較する。ここ
で設定値Ｒは、時系列データｙ(ｔ)が異常となったとき
の値に設定する。もし、予測値ｙp(ｔ)が設定値Ｒより
も大きい場合、予測値ｙp(ｔ)，時刻ｔおよび警報を表
示装置１４０に出力する。また、異常検出装置１３０は
予測値ｙp(ｔ）が設定値Ｒよりも小さい場合、予測値ｙ
p(ｔ）を表示装置１４０に出力する。表示装置１４０
は、入力された予測値ｙp(ｔ），時刻ｔおよび警報を表
示する。
ｙp(ｔ）と予め定められた設定値Ｒとを比較する。ここ
で設定値Ｒは、時系列データｙ(ｔ)が異常となったとき
の値に設定する。もし、予測値ｙp(ｔ)が設定値Ｒより
も大きい場合、予測値ｙp(ｔ)，時刻ｔおよび警報を表
示装置１４０に出力する。また、異常検出装置１３０は
予測値ｙp(ｔ）が設定値Ｒよりも小さい場合、予測値ｙ
p(ｔ）を表示装置１４０に出力する。表示装置１４０
は、入力された予測値ｙp(ｔ），時刻ｔおよび警報を表
示する。
【００８１】図２０に予測値および異常検出結果の表示
の例を示す。出力変数ｙの予測値ｙp(ｔ）は、表示装置
１４０に時間の経過と共にトレンドグラフとして表示さ
れる。このグラフにおいて、予測値ｙp(ｔ）が設定値Ｒ
以下であれば、時系列データｙ(ｔ)は、予測秒後も正常
な範囲内にあると予測される。図２０に示すように、時
系列データｙp(ｔ）が時刻ｔa で設定値Ｒを超えた場
合、実際の時系列データｙ(ｔ)も時刻ｔa で異常値とな
ることが予測されるので、表示装置１４０には警報が表
示される。このように、予測値ｙp(ｔ）と設定値Ｒを常
に比較することにより、時系列データｙ(ｔ)が異常値と
なることを前もって運転員に知らせることができる。な
お、表示装置１４０には、実際の値ｙ(ｔ)もトレンドグ
ラフとして表示してもよい。このように、予測値を用い
て状態量を監視することにより、これから起こる異常を
前もって認識することができるため、プラントにおける
事故などを防止できる。
の例を示す。出力変数ｙの予測値ｙp(ｔ）は、表示装置
１４０に時間の経過と共にトレンドグラフとして表示さ
れる。このグラフにおいて、予測値ｙp(ｔ）が設定値Ｒ
以下であれば、時系列データｙ(ｔ)は、予測秒後も正常
な範囲内にあると予測される。図２０に示すように、時
系列データｙp(ｔ）が時刻ｔa で設定値Ｒを超えた場
合、実際の時系列データｙ(ｔ)も時刻ｔa で異常値とな
ることが予測されるので、表示装置１４０には警報が表
示される。このように、予測値ｙp(ｔ）と設定値Ｒを常
に比較することにより、時系列データｙ(ｔ)が異常値と
なることを前もって運転員に知らせることができる。な
お、表示装置１４０には、実際の値ｙ(ｔ)もトレンドグ
ラフとして表示してもよい。このように、予測値を用い
て状態量を監視することにより、これから起こる異常を
前もって認識することができるため、プラントにおける
事故などを防止できる。
【００８２】以上説明した本発明の各実施例では、時系
列データを３つの成分に分解する場合について説明した
が、その数は３つに限られるものではない。
列データを３つの成分に分解する場合について説明した
が、その数は３つに限られるものではない。
【００８３】また、モデルとしてはニューラルネットワ
ーク以外に、ＡＲＭＡモデル，物理モデルなどもモデル
として用いることができる。ＡＲＭＡモデル，物理モデ
ルなどをモデルとして用いる場合は、モデル作成に必要
なパラメータを外部から運転員が与える。
ーク以外に、ＡＲＭＡモデル，物理モデルなどもモデル
として用いることができる。ＡＲＭＡモデル，物理モデ
ルなどをモデルとして用いる場合は、モデル作成に必要
なパラメータを外部から運転員が与える。
【００８４】更に、予測値をプラント１０の制御装置へ
入力し、その予測値に基づいてプラント１０を制御する
ことによって、プラント１０に対し適切な制御を実施す
ることもできる。
入力し、その予測値に基づいてプラント１０を制御する
ことによって、プラント１０に対し適切な制御を実施す
ることもできる。
【００８５】
【発明の効果】以上説明したように、第１の発明によれ
ば、時系列データの将来値の予測を精度良く行うことが
できる。
ば、時系列データの将来値の予測を精度良く行うことが
できる。
【００８６】第２の発明によれば、第１の発明と同様の
効果を生じる。
効果を生じる。
【００８７】第３の発明によれば、時系列データの将来
値の予測を更に精度良く行うことができる。
値の予測を更に精度良く行うことができる。
【００８８】第４の発明によれば、時系列データの将来
値の予測を更に精度良く行うことができる。
値の予測を更に精度良く行うことができる。
【００８９】第５の発明によれば、時系列データの将来
値の予測を更に精度良く行うことができる。
値の予測を更に精度良く行うことができる。
【００９０】第６の発明によれば、時系列データを容易
に周波数帯域毎に分解できる。
に周波数帯域毎に分解できる。
【００９１】第７の発明によれば、時系列データの測定
値が異常であることを認識できる。第８の発明によれ
ば、将来値の予測を容易に行うことができる。
値が異常であることを認識できる。第８の発明によれ
ば、将来値の予測を容易に行うことができる。
【００９２】第９の発明によれば、第８の発明と同様の
効果を生じる。
効果を生じる。
【００９３】第１０の発明によれば、作成するモデルの
数を減らすことが可能となる。
数を減らすことが可能となる。
【００９４】第１１の発明によれば、状況の変化などに
より、現状のモデルでは時系列データの将来値が正確に
予測できなくなった場合に、新たに作成された改良モデ
ルによって将来値の予測を正確に行うことができる。
より、現状のモデルでは時系列データの将来値が正確に
予測できなくなった場合に、新たに作成された改良モデ
ルによって将来値の予測を正確に行うことができる。
【００９５】第１２の発明によれば、第１１の発明と同
様の作用効果を生じる。
様の作用効果を生じる。
【００９６】第１３の発明によれば、実際にはあまり起
こり得ない異常状態などをシミュレータで模擬すること
により、前述の異常状態などにも対応したモデルを作成
できる。
こり得ない異常状態などをシミュレータで模擬すること
により、前述の異常状態などにも対応したモデルを作成
できる。
【００９７】第１４の発明によれば、モデルの作成およ
び将来値の予測を容易に行うことができる。
び将来値の予測を容易に行うことができる。
【００９８】第１５の発明によれば、時系列データの監
視者に時系列データが設定値を超えることと、その時間
を提供することができる。具体的には、設定値を時系列
データの異常を示す値に設定することにより、時系列デ
ータの異常と、異常となる時間を提供することができ
る。
視者に時系列データが設定値を超えることと、その時間
を提供することができる。具体的には、設定値を時系列
データの異常を示す値に設定することにより、時系列デ
ータの異常と、異常となる時間を提供することができ
る。
【００９９】第１６の発明によれば、第１の発明と同様
の効果を生じる。
の効果を生じる。
【０１００】第１７の発明によれば、第１５の発明と同
様の効果を生じる。
様の効果を生じる。
【図１】本発明の好適な一実施例である時系列データ予
測装置の構成図である。
測装置の構成図である。
【図２】図１の時系列データ予測装置の予測の対象とな
る系の概念図である。
る系の概念図である。
【図３】図１の入出力関係格納ファイル５０の内容を示
す図である。
す図である。
【図４】図１の収集データ格納ファイル６０の内容を示
す図である。
す図である。
【図５】図１の時系列データ分解装置７０の構成図であ
る。
る。
【図６】図１の時系列データ分解パラメータ格納ファイ
ル８０の内容を示す図である。
ル８０の内容を示す図である。
【図７】図５のハイパスフィルタ７１０およびバンドパ
スフィルタ７２０の周波数特性を示す図である。
スフィルタ７２０の周波数特性を示す図である。
【図８】図１の時系列データ分解装置７０により分解さ
れた時系列データを示す図である。（ａ）は分解前の時
系列データｙ(ｔ)を示す図、（ｂ）は図５のハイパスフ
ィルタ７１０により抽出された時系列データｙF1(ｔ)を
示す図、（ｃ）は図５のバンドパスフィルタ７２０によ
り抽出された時系列データｙF2(ｔ)を示す図、（ｄ）は
時系列データｙ(ｔ)から時系列データｙF1(ｔ)，ｙ
F2(ｔ)を減算して得られた時系列データｙF0(ｔ)を示す
図である。
れた時系列データを示す図である。（ａ）は分解前の時
系列データｙ(ｔ)を示す図、（ｂ）は図５のハイパスフ
ィルタ７１０により抽出された時系列データｙF1(ｔ)を
示す図、（ｃ）は図５のバンドパスフィルタ７２０によ
り抽出された時系列データｙF2(ｔ)を示す図、（ｄ）は
時系列データｙ(ｔ)から時系列データｙF1(ｔ)，ｙ
F2(ｔ)を減算して得られた時系列データｙF0(ｔ)を示す
図である。
【図９】図１のモデル作成装置１２０の構成図である。
【図１０】図１の時系列データ分解装置７０により分解
された時系列データの最大振幅が異なる例を示した図で
ある。（ａ）は時系列データｓ(ｔ)を示す図、（ｂ）は
時系列データｓ(ｔ)から抽出された周波数帯域Ｆa の時
系列データｓFa(ｔ)を示す図、（ｃ）は時系列データｓ
(ｔ)から抽出された周波数帯域Ｆb の時系列データｓFb
(ｔ)を示す図である。
された時系列データの最大振幅が異なる例を示した図で
ある。（ａ）は時系列データｓ(ｔ)を示す図、（ｂ）は
時系列データｓ(ｔ)から抽出された周波数帯域Ｆa の時
系列データｓFa(ｔ)を示す図、（ｃ）は時系列データｓ
(ｔ)から抽出された周波数帯域Ｆb の時系列データｓFb
(ｔ)を示す図である。
【図１１】図１の予測装置１０１〜１０３および図９の
モデル作成装置１２３１〜1233のニューラルネットワー
クの構造を示した図である。
モデル作成装置１２３１〜1233のニューラルネットワー
クの構造を示した図である。
【図１２】図１の予測装置１０１〜１０３において予測
された予測値と実際の時系列データを示す図である。
(ａ）は分解前の時系列データｙ(ｔ)とその予測結果ｙp
(ｔ)を示す図、（ｂ）は図８の時系列データｙF1(ｔ)と
その予測結果ｙF1p(ｔ）を示す図、（ｃ）は図８の時系
列データｙF2(ｔ)とその予測結果ｙF2p(ｔ）を示す図、
（ｄ）は図８の時系列データｙF0(ｔ)とその予測結果ｙ
F0p(ｔ）を示す図である。
された予測値と実際の時系列データを示す図である。
(ａ）は分解前の時系列データｙ(ｔ)とその予測結果ｙp
(ｔ)を示す図、（ｂ）は図８の時系列データｙF1(ｔ)と
その予測結果ｙF1p(ｔ）を示す図、（ｃ）は図８の時系
列データｙF2(ｔ)とその予測結果ｙF2p(ｔ）を示す図、
（ｄ）は図８の時系列データｙF0(ｔ)とその予測結果ｙ
F0p(ｔ）を示す図である。
【図１３】図１の時系列データ予測装置により求めた予
測値と、従来の時系列データ予測装置により求めた予測
値とを示す図である。（ａ）は時系列データｙ(ｔ)と従
来の時系列データ予測装置により求めた予測値ｙ
p(ｔ)′を示す図、(ｂ）は時系列データｙ(ｔ)とその予
測値ｙp(ｔ）を示す図である。
測値と、従来の時系列データ予測装置により求めた予測
値とを示す図である。（ａ）は時系列データｙ(ｔ)と従
来の時系列データ予測装置により求めた予測値ｙ
p(ｔ)′を示す図、(ｂ）は時系列データｙ(ｔ)とその予
測値ｙp(ｔ）を示す図である。
【図１４】図１の表示装置１４０における予測結果の表
示例である。
示例である。
【図１５】本発明の他の実施例における時系列データの
分解方法を示す図である。（ａ）は時系列データｓ(ｔ)
を示す図、（ｂ）は時系列データｓ(ｔ)に周期が２ｄｔ
である矩形波を適合させて得られた時系列データｓ
1(ｔ）を示す図、（ｃ）は時系列データｓ(ｔ)に周期が
４ｄｔである矩形波を適合させて得られた時系列データ
ｓ2(ｔ）を示す図、（ｄ）は時系列データｓ(ｔ)から時
系列データｓ1(ｔ)，ｓ2(ｔ)を減算して得られる時系列
データｓ0(ｔ)を示す図である。
分解方法を示す図である。（ａ）は時系列データｓ(ｔ)
を示す図、（ｂ）は時系列データｓ(ｔ)に周期が２ｄｔ
である矩形波を適合させて得られた時系列データｓ
1(ｔ）を示す図、（ｃ）は時系列データｓ(ｔ)に周期が
４ｄｔである矩形波を適合させて得られた時系列データ
ｓ2(ｔ）を示す図、（ｄ）は時系列データｓ(ｔ)から時
系列データｓ1(ｔ)，ｓ2(ｔ)を減算して得られる時系列
データｓ0(ｔ)を示す図である。
【図１６】本発明の他の実施例である時系列データ予測
装置の時系列データ分解装置70Ａの構成図である。
装置の時系列データ分解装置70Ａの構成図である。
【図１７】本発明の他の実施例である時系列データ予測
装置の構成図である。
装置の構成図である。
【図１８】図１７のモデル作成装置１２０Ａの構成図で
ある。
ある。
【図１９】本発明の他の実施例である時系列データ予測
装置におけるモデルの作成と予測の関係を示す図であ
る。
装置におけるモデルの作成と予測の関係を示す図であ
る。
【図２０】本発明の他の実施例である時系列データ予測
装置の表示装置１４０における予測結果の表示例であ
る。
装置の表示装置１４０における予測結果の表示例であ
る。
１０…プラント、２０…シミュレータ、３０…入力装
置、４０…データ収集装置、５０…入出力関係格納ファ
イル、６０…収集データ格納ファイル、７０…時系列デ
ータ分解装置、８０…時系列データ分解パラメータ格納
ファイル、９１〜９３…規格化装置、１０１〜１０３…
予測装置、１１１〜１１３…変換装置、１２０…モデル
作成装置、１３０…異常検出装置、１４０…表示装置、
１５０…加算器。
置、４０…データ収集装置、５０…入出力関係格納ファ
イル、６０…収集データ格納ファイル、７０…時系列デ
ータ分解装置、８０…時系列データ分解パラメータ格納
ファイル、９１〜９３…規格化装置、１０１〜１０３…
予測装置、１１１〜１１３…変換装置、１２０…モデル
作成装置、１３０…異常検出装置、１４０…表示装置、
１５０…加算器。
───────────────────────────────────────────────────── フロントページの続き (72)発明者 大賀 幸治 茨城県日立市大みか町七丁目２番１号 株 式会社日立製作所電力・電機開発本部内 (72)発明者 湯地 弘幸 茨城県日立市大みか町七丁目２番１号 株 式会社日立製作所電力・電機開発本部内 (72)発明者 富永 堅治 茨城県日立市大みか町七丁目２番１号 株 式会社日立製作所電力・電機開発本部内 (72)発明者 林 喜治 茨城県日立市大みか町七丁目２番１号 株 式会社日立製作所電力・電機開発本部内 (72)発明者 丸山 武一 茨城県日立市大みか町五丁目２番１号 株 式会社日立製作所大みか工場内
Claims (17)
- 【請求項１】第１時系列データの将来値を予測する時系
列データ予測方法において、 前記第１時系列データを複数の第２時系列データに分解
し、前記複数の第２時系列データ毎に将来値を予測し、
予測された前記複数の将来値に基づいて、前記第１時系
列データの将来値を求めることを特徴とする時系列デー
タ予測方法。 - 【請求項２】第１時系列データの将来値を予測する時系
列データ予測方法において、 前記第１時系列データを、この第１時系列データによっ
て示される波形が周期の異なる複数の波形で表されるよ
うに、複数の第２時系列データに分解し、前記複数の第
２時系列データ毎に将来値を予測し、予測された前記複
数の将来値に基づいて、前記第１時系列データの将来値
を求めることを特徴とする時系列データ予測方法。 - 【請求項３】第１時系列データの将来値を予測する時系
列データ予測方法において、 前記第１時系列データを、複数の第２時系列データに分
解し、前記第１時系列データの変化に影響を与える第３
時系列データを、複数の第４時系列データに分解し、前
記複数の第２時系列データおよび第４時系列データに基
づいて、前記第２時系列データ毎に将来値を予測し、予
測された前記複数の将来値に基づいて、前記第１時系列
データの将来値を求めることを特徴とする時系列データ
の予測方法。 - 【請求項４】第１時系列データの将来値を予測する時系
列データ予測方法において、 前記第１時系列データの変化に影響を与える第２時系列
データを、複数の第３時系列データに分解し、前記複数
の第３時系列データに基づいて、前記第１時系列データ
を分解して得られる複数の第４時系列データの将来値を
予測し、予測された前記複数の将来値に基づいて、前記
第１時系列データの将来値を求めることを特徴とする時
系列データの予測方法。 - 【請求項５】前記第１時系列データから前記第２時系列
データへの分解は、前記第１時系列データを周波数帯域
毎に分解することである請求項１乃至３のいずれかに記
載の時系列データ予測方法。 - 【請求項６】前記第１時系列データは、フィルタによ
り、周波数帯域毎に分解されることを特徴とする請求項
５記載の時系列データ予測方法。 - 【請求項７】ある時間における第１時系列データの測定
値と、予め求められた前記ある時間に対する第１時系列
データの将来値との偏差を求め、その偏差が予め設定さ
れた設定値を超えた場合は、前記偏差が前記設定値を超
えたことを表示することを特徴とする請求項１乃至４の
いずれかに記載の時系列データ予測方法。 - 【請求項８】前記第２時系列データに基づいてモデルを
作成し、作成された前記モデルを用いて前記第２時系列
データの将来値の予測を行うことを特徴とする請求項１
および２のいずれかに記載の時系列データ予測方法。 - 【請求項９】前記第２時系列データおよび前記第４時系
列データに基づいてモデルを作成し、作成された前記モ
デルを用いて前記第２時系列データの将来値の予測を行
うことを特徴とする請求項３記載の時系列データ予測方
法。 - 【請求項１０】前記モデルの作成は、絶対値の最大値が
予め設けられた設定値よりも大きな第２時系列データに
対して行うことを特徴とする請求項８および９のいずれ
かに記載の時系列データ予測方法。 - 【請求項１１】前記モデルにより前記第２時系列データ
の将来値を予測する間に、前記第２時系列データに基づ
いて前記モデルの改良モデルを作成する第１ステップ
と、前記改良モデルの作成後に、前記モデルの代わりに
前記改良モデルを用いて前記第２時系列データの将来値
を予測する第２ステップとを含むことを特徴とする請求
項８記載の時系列データ予測方法。 - 【請求項１２】前記モデルにより前記第２時系列データ
の将来値を予測する間に、前記第２時系列データおよび
前記第４時系列データに基づいて前記モデルの改良モデ
ルを作成する第１ステップと、前記改良モデルの作成後
に、前記モデルの代わりに前記改良モデルを用いて前記
第２時系列データの将来値を予測する第２ステップとを
含むことを特徴とする請求項９記載の時系列データ予測
方法。 - 【請求項１３】前記モデルの作成は、シミュレータより
出力される時系列データに基づいて行うことを特徴とす
る請求項８および９のいずれかに記載の時系列データ予
測方法。 - 【請求項１４】前記モデルは、ニューラルネットワーク
であることを特徴とする請求項８および９のいずれかに
記載の時系列データ予測方法。 - 【請求項１５】第１時系列データを監視する時系列デー
タ監視方法において、 前記第１時系列データを複数の第２時系列データに分解
し、前記複数の第２時系列データ毎に将来値を予測し、
予測された前記複数の将来値に基づいて、前記第１時系
列データの将来値を求め、求められた前記第１時系列デ
ータの将来値が、予め設定された設定値を超える場合
は、前記第１時系列データの将来値が前記設定値を超え
る時間と、その時の前記第１時系列データの将来値を表
示することを特徴とする時系列データ監視方法。 - 【請求項１６】取り込んだ第１時系列データを複数の第
２時系列データに分解する分解手段と、前記第２時系列
データの各々の将来値を予測する手段と、予測された前
記複数の将来値に基づいて前記第１時系列データの将来
値を求める手段とを備えたことを特徴とする時系列デー
タ予測装置。 - 【請求項１７】センサにより検出された第１時系列デー
タを複数の第２時系列データに分解する分解手段と、前
記第２時系列データの各々の将来値を予測する手段と、
予測された前記複数の将来値に基づいて前記第１時系列
データの将来値を求める手段と、求められた前記第１時
系列データの将来値と予め設定された設定値の大きさを
比較し、前記第１時系列データの将来値が前記設定値を
超えることを判定する判定手段と、前記判定手段により
前記第１時系列データの将来値が前記設定値を超えると
判定された場合は、前記第１時系列データの将来値が前
記設定値を超える時間と、その時の前記第１１時系列デ
ータの将来値を表示する表示手段を備えたことを特徴と
する時系列データ監視装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP01228498A JP3567073B2 (ja) | 1998-01-26 | 1998-01-26 | 時系列データ予測方法および装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP01228498A JP3567073B2 (ja) | 1998-01-26 | 1998-01-26 | 時系列データ予測方法および装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH11212947A true JPH11212947A (ja) | 1999-08-06 |
| JP3567073B2 JP3567073B2 (ja) | 2004-09-15 |
Family
ID=11801070
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP01228498A Expired - Fee Related JP3567073B2 (ja) | 1998-01-26 | 1998-01-26 | 時系列データ予測方法および装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3567073B2 (ja) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006048319A (ja) * | 2004-08-04 | 2006-02-16 | Sony Corp | 情報処理装置および方法、記録媒体、並びにプログラム |
| JP2008197733A (ja) * | 2007-02-08 | 2008-08-28 | Toshiba Corp | トラッキング方法及びトラッキング装置 |
| JP2010204974A (ja) * | 2009-03-04 | 2010-09-16 | Oki Electric Ind Co Ltd | 時系列データ予測装置 |
| JP2011065361A (ja) * | 2009-09-16 | 2011-03-31 | Oki Electric Industry Co Ltd | 時系列データ予測ニューラルネットワーク装置 |
| RU2600099C1 (ru) * | 2015-03-23 | 2016-10-20 | Юрий Анатольевич Кропотов | Способ нейросетевого прогнозирования изменения значений функции с её предварительной вейвлет-обработкой и устройство его осуществления |
| JP2018073241A (ja) * | 2016-11-01 | 2018-05-10 | 日本電信電話株式会社 | 検知装置、検知方法および検知プログラム |
| WO2019026193A1 (ja) * | 2017-08-02 | 2019-02-07 | 日本電気株式会社 | 情報処理装置、情報処理システム、情報処理方法、及び、記録媒体 |
| WO2019186634A1 (en) * | 2018-03-26 | 2019-10-03 | Nec Corporation | Anomaly detection apparatus, method, and program recording medium |
| WO2022030041A1 (ja) * | 2020-08-03 | 2022-02-10 | オムロン株式会社 | 予測システム、情報処理装置および情報処理プログラム |
| JP2022542872A (ja) * | 2019-08-08 | 2022-10-07 | エヌイーシー ラボラトリーズ アメリカ インク | 多変量時系列予測のためのクラスタ化された二段階注意ベースの再帰型ニューラルネットワークのアンサンブル |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0392795A (ja) * | 1989-09-05 | 1991-04-17 | Toshiba Corp | 原子力発電プラントの診断方法 |
| JPH06149863A (ja) * | 1992-11-05 | 1994-05-31 | Yukio Tanaka | 時系列データ解析装置 |
| JPH06187030A (ja) * | 1992-12-17 | 1994-07-08 | Hitachi Ltd | 時系列モデルによる制御系異常診断方法、及び表示方法 |
| JPH06337852A (ja) * | 1993-05-31 | 1994-12-06 | Hitachi Ltd | ニューラルネットワークによる時系列予測方法 |
| JPH06348358A (ja) * | 1993-06-02 | 1994-12-22 | Sharp Corp | 波形生成装置 |
| JPH07281714A (ja) * | 1994-04-06 | 1995-10-27 | Kawasaki Heavy Ind Ltd | シミュレーション方法およびそれに用いる装置 |
| JPH07302393A (ja) * | 1994-05-09 | 1995-11-14 | Mitsubishi Heavy Ind Ltd | 運転支援方法及び装置 |
| JPH0895948A (ja) * | 1994-09-28 | 1996-04-12 | Hitachi Ltd | トレンドに基づく時系列予測方法および装置 |
| JPH1020925A (ja) * | 1996-07-05 | 1998-01-23 | Toshiba Corp | プラント診断装置 |
-
1998
- 1998-01-26 JP JP01228498A patent/JP3567073B2/ja not_active Expired - Fee Related
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH0392795A (ja) * | 1989-09-05 | 1991-04-17 | Toshiba Corp | 原子力発電プラントの診断方法 |
| JPH06149863A (ja) * | 1992-11-05 | 1994-05-31 | Yukio Tanaka | 時系列データ解析装置 |
| JPH06187030A (ja) * | 1992-12-17 | 1994-07-08 | Hitachi Ltd | 時系列モデルによる制御系異常診断方法、及び表示方法 |
| JPH06337852A (ja) * | 1993-05-31 | 1994-12-06 | Hitachi Ltd | ニューラルネットワークによる時系列予測方法 |
| JPH06348358A (ja) * | 1993-06-02 | 1994-12-22 | Sharp Corp | 波形生成装置 |
| JPH07281714A (ja) * | 1994-04-06 | 1995-10-27 | Kawasaki Heavy Ind Ltd | シミュレーション方法およびそれに用いる装置 |
| JPH07302393A (ja) * | 1994-05-09 | 1995-11-14 | Mitsubishi Heavy Ind Ltd | 運転支援方法及び装置 |
| JPH0895948A (ja) * | 1994-09-28 | 1996-04-12 | Hitachi Ltd | トレンドに基づく時系列予測方法および装置 |
| JPH1020925A (ja) * | 1996-07-05 | 1998-01-23 | Toshiba Corp | プラント診断装置 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006048319A (ja) * | 2004-08-04 | 2006-02-16 | Sony Corp | 情報処理装置および方法、記録媒体、並びにプログラム |
| JP2008197733A (ja) * | 2007-02-08 | 2008-08-28 | Toshiba Corp | トラッキング方法及びトラッキング装置 |
| JP2010204974A (ja) * | 2009-03-04 | 2010-09-16 | Oki Electric Ind Co Ltd | 時系列データ予測装置 |
| JP2011065361A (ja) * | 2009-09-16 | 2011-03-31 | Oki Electric Industry Co Ltd | 時系列データ予測ニューラルネットワーク装置 |
| RU2600099C1 (ru) * | 2015-03-23 | 2016-10-20 | Юрий Анатольевич Кропотов | Способ нейросетевого прогнозирования изменения значений функции с её предварительной вейвлет-обработкой и устройство его осуществления |
| JP2018073241A (ja) * | 2016-11-01 | 2018-05-10 | 日本電信電話株式会社 | 検知装置、検知方法および検知プログラム |
| WO2019026193A1 (ja) * | 2017-08-02 | 2019-02-07 | 日本電気株式会社 | 情報処理装置、情報処理システム、情報処理方法、及び、記録媒体 |
| JPWO2019026193A1 (ja) * | 2017-08-02 | 2020-07-02 | 日本電気株式会社 | 情報処理装置、情報処理システム、情報処理方法、及び、プログラム |
| US11941495B2 (en) | 2017-08-02 | 2024-03-26 | Nec Corporation | Information processing device, information processing method, and recording medium |
| WO2019186634A1 (en) * | 2018-03-26 | 2019-10-03 | Nec Corporation | Anomaly detection apparatus, method, and program recording medium |
| JP2021516821A (ja) * | 2018-03-26 | 2021-07-08 | 日本電気株式会社 | 異常検知装置、方法、およびプログラム |
| US11200134B2 (en) | 2018-03-26 | 2021-12-14 | Nec Corporation | Anomaly detection apparatus, method, and program recording medium |
| JP2022542872A (ja) * | 2019-08-08 | 2022-10-07 | エヌイーシー ラボラトリーズ アメリカ インク | 多変量時系列予測のためのクラスタ化された二段階注意ベースの再帰型ニューラルネットワークのアンサンブル |
| WO2022030041A1 (ja) * | 2020-08-03 | 2022-02-10 | オムロン株式会社 | 予測システム、情報処理装置および情報処理プログラム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3567073B2 (ja) | 2004-09-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US6611771B1 (en) | Method and apparatus to detect a stator turn fault in an AC motor | |
| GB2142758A (en) | Method and system for diagnosing a thermal power plant system | |
| CN105003453A (zh) | 一种矿井风机在线监测与故障诊断系统 | |
| CA2356538A1 (en) | Model-based fault detection system for electric motors | |
| JP3637412B2 (ja) | 時系列データ学習・予測装置 | |
| JP4906634B2 (ja) | 電力系統の安定度診断装置および方法 | |
| CN104951900B (zh) | 一种电力系统稳定器的性能评估装置 | |
| JPH11212947A (ja) | 時系列データ予測方法および装置 | |
| CN204113701U (zh) | 一种矿井风机在线监测与故障诊断系统 | |
| CN110132402B (zh) | 振动趋势数据中尖峰和故障的检测 | |
| WO2020242553A1 (en) | Failure prediction using gradient-based sensor identification | |
| AU2003268888A1 (en) | A method for the estimating of the residual service life of an apparatus | |
| CN115236469B (zh) | 一种无人值守变电站在线监控方法、系统、介质及设备 | |
| JP4279763B2 (ja) | 電力系統の安定度診断装置、電力系統安定化装置および電力系統縮約支援装置 | |
| CN117273402B (zh) | 基于物联网技术的玻璃深加工生产线节能管理系统及方法 | |
| CN114061743A (zh) | 风力发电机组的振动监测方法、装置、设备及介质 | |
| CN115372816A (zh) | 基于数据分析的配电开关设备运行故障预测系统及方法 | |
| CN115800858A (zh) | 一种交流异步电机的自适应控制方法及系统 | |
| EP0633536A1 (en) | Diagnosis method and system for predictive machine maintenance | |
| CN114611548A (zh) | 一种基于振动分析的状态分类方法及系统 | |
| JPH08507631A (ja) | 非線形プロセスのモデル化のための装置 | |
| CN113281616A (zh) | 一种基于专家系统的输电线路故障诊断方法、系统及架构 | |
| JP2002090266A (ja) | 余寿命予測装置 | |
| CN108844662B (zh) | 一种数控机床电气柜状态评估方法 | |
| CN107194034B (zh) | 一种基于gpr的设备损伤检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20040106 |
|
| A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20040308 |
|
| A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20040420 |
|
| 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: 20040608 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20040614 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080618 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080618 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090618 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090618 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100618 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100618 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110618 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110618 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120618 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120618 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130618 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |