JPWO2018101050A1 - 情報処理装置および情報処理方法 - Google Patents

Abstract

本開示は、複数の送信装置から、予測に用いる観測情報を送信する送信装置を容易に選択することができるようにする情報処理装置および情報処理方法に関する。選択部は、複数のセンサそれぞれに関する情報に基づいて、複数のセンサから、予測に用いる観測情報を送信するセンサを使用センサとして選択する。本開示は、例えば、産業用ロボットに設置された複数のセンサのうちの所定のセンサから送信される観測情報を用いて、産業用ロボットの故障確率の予測を行う情報処理装置等に適用することができる。

Description

本開示は、情報処理装置および情報処理方法に関し、特に、複数の送信装置から、予測に用いる観測情報を送信する送信装置を容易に選択することができるようにした情報処理装置および情報処理方法に関する。

大量のセンサの観測情報から、ある事象が起こることを予測するシステムは数多く存在する。例えば、挙動や状態を計測するセンサを製造機器に多数取り付け、それらのセンサの観測情報から製造機器の故障を予測するシステムがある。また、気候や農作物の状態を観測するセンサを農地に多数取り付け、それらのセンサの観測情報から農作物の正常な生育を予測するシステムもある。

このようなシステムでは、取り付けられた多数のセンサのうちの、ごくわずかな一部のセンサのみで、予測に必要十分な観測情報を取得している場合が多い。また、予測に必要ではない観測情報を用いて予測を行うことは、予測精度の低下、予測演算や通信のリソースの浪費、消費電力の増加などに繋がる。従って、取り付けられた多数のセンサから、予測に用いるセンサを選択する必要がある。

そこで、予測システムの利用者や設計者などの人間が、予測分野や予測システムに対する事前知識に基づいて、予測に用いるセンサを選択することが考案されている（例えば、特許文献１参照）。

特開2016-109019号公報

しかしながら、予測に用いるセンサの選択には、予測分野や予測システムに対する高度な事前知識が必要である。従って、予測システムの利用者や設計者などの人間の事前知識によらず、観測情報を送信するセンサなどの複数の送信装置から、予測に用いる観測情報を送信する送信装置を容易に選択可能にすることが望まれている。

本開示は、このような状況に鑑みてなされたものであり、複数の送信装置から、予測に用いる観測情報を送信する送信装置を容易に選択することができるようにするものである。

本開示の一側面の情報処理装置は、複数の送信装置それぞれに関する情報に基づいて、前記複数の送信装置から、予測に用いる観測情報を送信する送信装置を使用装置として選択する選択部を備える情報処理装置である。

本開示の一側面の情報処理方法は、本開示の一側面の情報処理装置に対応する。

本技術の一側面においては、複数の送信装置それぞれに関する情報に基づいて、前記複数の送信装置から、予測に用いる観測情報を送信する送信装置が使用装置として選択される。

なお、本開示の一側面の情報処理装置は、コンピュータにプログラムを実行させることにより実現することができる。

また、本開示の一側面の情報処理装置を実現するために、コンピュータに実行させるプログラムは、伝送媒体を介して伝送することにより、又は、記録媒体に記録して、提供することができる。

本開示の一側面によれば、複数の送信装置から、予測に用いる観測情報を送信する送信装置を容易に選択することができる。

なお、ここに記載された効果は必ずしも限定されるものではなく、本開示中に記載されたいずれかの効果であってもよい。

本開示を適用した故障予測システムの第１実施の形態の構成例を示す図である。 図１の情報処理装置の構成例を示すブロック図である。 図２の情報処理装置の故障確率算出処理を説明するフローチャートである。 図３の故障予測処理を説明するフローチャートである。 図３のセンサ選択処理を説明するフローチャートである。 差分Ｙ_ｐを説明する図である。 図５のステップＳ９５における処理対象のセンサ集合の例を示す図である。 図５の予測精度値算出処理を説明するフローチャートである。 図２の学習部の学習処理を説明するフローチャートである。 本開示を適用した故障予測システムの第２実施の形態の構成例を示す図である。 図１０の情報処理装置の構成例を示すブロック図である。 図１１の情報処理装置の故障確率算出処理を説明するフローチャートである。 コンピュータのハードウエアの構成例を示すブロック図である。

以下、本開示を実施するための形態（以下、実施の形態という）について説明する。なお、説明は以下の順序で行う。
１．第１実施の形態：故障予測システム（図１乃至図９）
２．第２実施の形態：故障予測システム（図１０乃至図１２）
３．第３実施の形態：コンピュータ（図１３）

＜第１実施の形態＞
（故障予測システムの構成例）
図１は、本開示を適用した故障予測システムの第１実施の形態の構成例を示す図である。

図１の故障予測システム１０は、産業用ロボット１１と情報処理装置１２により構成され、産業用ロボット１１の故障確率を予測する。

具体的には、産業用ロボット１１は、産業用ロボット１１の故障状態や稼働状態などを観測する状態観測部２０を有している。状態観測部２０は、情報処理装置１２からの要求に応じて、産業用ロボット１１の故障状態を情報処理装置１２に送信する。

また、産業用ロボット１１には、Ｎ個（Ｎは複数）のセンサ２１−１乃至２１−Ｎが設置されている。なお、以下では、センサ２１−１乃至２１−Ｎを特に区別する必要がない場合、それらをまとめてセンサ２１という。センサ２１は、例えば、温度センサ、湿度センサ、気圧センサ、磁気センサ、加速度センサ、ジャイロセンサ、振動センサ、音センサ、およびカメラのいずれかにより構成される。

センサ２１は、温度情報、湿度情報、気圧情報、磁場情報、加速度情報、振動情報、音声、画像などの観測情報を取得する。センサ２１（送信装置）は、情報処理装置１２からの要求に応じて、観測情報を情報処理装置１２に送信する。

情報処理装置１２は、Ｎ個のセンサ２１から、産業用ロボット１１の故障確率の予測に用いる観測情報を送信するセンサ２１を使用センサ（使用装置）として選択する。情報処理装置１２は、使用センサに対して観測情報を要求し、その要求に応じて送信されてくる観測情報を受信する。また、情報処理装置１２は、故障状態を状態観測部２０に要求し、その要求に応じて送信されてくる故障状態を受信する。

情報処理装置１２は、使用センサの観測情報と故障状態に基づいて、産業用ロボット１１の故障確率を予測する故障予測モデルを生成する。また、情報処理装置１２は、使用センサの観測情報と故障予測モデルに基づいて、産業用ロボット１１の故障確率を予測し、出力する。

なお、第１実施の形態では、産業用ロボット１１と情報処理装置１２の間の通信は、無線通信であるものとするが、有線通信であってもよい。

（情報処理装置の構成例）
図２は、図１の情報処理装置１２の構成例を示すブロック図である。

図２の情報処理装置１２は、センサ情報データベース４１、選択部４２、観測情報データベース４３、学習部４４、および予測部４５により構成される。

情報処理装置１２のセンサ情報データベース４１は、各センサ２１の属性情報を格納する。センサ２１の属性情報としては、センサ２１の種類、センサ２１の産業用ロボット１１上の位置座標、センサ２１が設置された産業用ロボット１１のパーツ、センサ２１が観測情報を取得する間隔（観測情報の時間解像度）、センサ２１が取得する観測情報の感度などがある。

選択部４２は、使用センサの選択の準備処理として、全てのセンサ２１に所定の時間の観測情報を要求し、その観測情報を標準観測情報として取得する処理等を行う。選択部４２は、取得された全てのセンサ２１の標準観測情報等を観測情報データベース４３に供給する。

また、選択部４２は、全てのセンサ２１の標準観測情報、センサ情報データベース４１に格納されている各センサ２１の属性情報などに基づいて、Ｎ個のセンサ２１から使用センサのセンサ集合Ｓの初期値を選択する。センサ集合Ｓの初期値の選択方法としては、例えば、以下の３つの方法がある。

第１の選択方法は、各センサ２１を属性情報に基づいて複数のクラスタにクラスタリングし、各クラスタから選択された１つのセンサ２１を使用センサとして含むセンサ集合をセンサ集合Ｓの初期値とする方法である。

第２の選択方法は、各センサ２１の標準観測情報に基づいて、例えば、標準観測情報の時間変化が同一であるセンサ２１どうしを同一のクラスタにクラスタリングし、各クラスタから選択された１つのセンサ２１を使用センサとして含むセンサ集合をセンサ集合Ｓの初期値とする方法である。

第３の選択方法は、各センサ２１の標準観測情報と、その標準観測情報に対応する故障情報（詳細は後述する）との関連度が高いセンサ２１を使用センサとして含むセンサ集合をセンサ集合Ｓの初期値とする方法である。第３の選択方法が用いられる場合、準備処理では、状態観測部２０に故障状態が要求され、その要求に応じて送信されてくる故障状態に基づいて、標準観測情報ごとに故障情報が生成される。そして、この故障情報が、センサ集合Ｓの初期値の選択に用いられる。

なお、各観測情報の故障情報は、その観測情報が観測されてから６時間以内に産業用ロボット１１の故障が発生したかどうかを示す情報である。故障情報は、例えば、観測情報が観測されてから６時間以内に産業用ロボット１１の故障が発生したことを示す場合１であり、発生していないことを示す場合０である。第１乃至第３の選択方法は組み合わされてもよい。

選択部４２は、使用センサに１０分ごとの観測情報を要求する。選択部４２は、その要求に応じて使用センサから送信されてくる１０分ごとの観測情報を観測情報データベース４３と予測部４５に供給する。また、選択部４２は、使用センサの観測情報および故障情報、各センサ２１の属性情報等に基づいて、Ｎ個のセンサ２１から選択されるセンサ集合Ｓを更新する。選択部４２は、センサ集合Ｓに含まれる使用センサを示す使用センサ情報を学習部４４に供給する。

また、選択部４２は、状態観測部２０に故障状態を要求し、その要求に応じて状態観測部２０から送信されてくる故障状態を取得する。選択部４２は、故障状態に基づいて、各使用センサの観測情報ごとに故障情報を生成する。選択部４２は、生成された故障情報を観測情報データベース４３に供給する。

観測情報データベース４３は、選択部４２から供給される使用センサの観測情報と標準観測情報を格納する。また、観測情報データベース４３は、選択部４２から供給される各使用センサの観測情報ごとの故障情報を、その観測情報に対応付けて格納する。

学習部４４は、選択部４２から供給される使用センサ情報に基づいて、観測情報データベース４３に格納されている使用センサの１０分ごとの観測情報と、その観測情報に対応付けられている故障情報とを読み出し、故障予測用学習データＤ_ＢＬとする。この故障予測用学習データＤ_ＢＬは、以下の式（１）で表すことができる。

・・・（１）

ｘ_ｉは、各使用センサのｉ番目（ｉ=1,2,...）の１０分間の観測情報であり、ｙ_ｉは、観測情報ｘ_ｉに対応する故障情報である。なお、観測情報ｘ_ｉと観測情報ｘ_ｊ（ｉ≠ｊ）に対応する１０分間の期間は重ならない。学習部４４は、故障予測用学習データＤ_ＢＬを用いて、Stochastic Gradient Descentなどの機械学習アルゴリズムにしたがって、故障予測モデルのパラメータを機械学習する。

故障予測モデルは、使用センサの１０分間の観測情報ｘを入力とし、産業用ロボット１１の６時間以内の故障確率の予測値ｆを出力とするパラメータｗを有する関数モデルｆ（ｘ；ｗ）である。故障予測モデルｆ（ｘ；ｗ）としては、ロジスティック回帰モデルやConvolutional Neural Networkなどを用いることができる。学習部４４は、学習されたパラメータｗを予測部４５に供給する。

予測部４５は、学習部４４から供給されるパラメータｗと、選択部４２から供給される使用センサの観測情報ｘとを用いて、故障予測モデルｆ（ｘ；ｗ）にしたがって、産業用ロボット１１の６時間以内の故障確率の予測値ｆを算出し、出力する。

（情報処理装置の処理の説明）
図３は、図２の情報処理装置１２の故障確率算出処理を説明するフローチャートである。

図３のステップＳ１１において、選択部４２は、使用センサの選択の準備処理を行う。具体的には、選択部４２は、例えば、所定の時間の観測情報を全てのセンサ２１に要求すし、その要求に応じて全てのセンサ２１から送信されてくる所定の時間の観測情報を受信する。そして、選択部４２は、受信された全てのセンサ２１の観測情報を標準観測情報として観測情報データベース４３に供給し、格納させる。

ステップＳ１２において、選択部４２は、Ｎ個のセンサ２１から、使用センサのセンサ集合Ｓの初期値を選択する。選択部４２は、センサ集合Ｓの初期値に含まれる各センサ２１を使用センサとして示す使用センサ情報を学習部４４に供給する。

ステップＳ１３において、選択部４２は、センサ集合Ｓに含まれる各使用センサに、その使用センサの観測情報を要求するとともに、状態観測部２０に故障状態を要求する。

ステップＳ１４において、選択部４２は、ステップＳ１３の処理による要求に応じて各使用センサから送信されてくる観測情報と、状態観測部２０から送信されてくる故障状態を取得する。選択部４２は、取得された各使用センサの観測情報を観測情報データベース４３と予測部４５に供給する。また、選択部４２は、取得された故障状態に基づいて、各使用センサの観測情報ごとの故障情報を生成し、観測情報データベース４３に供給する。これにより、観測情報データベース４３は、選択部４２から供給される各使用センサの観測情報と、その観測情報に対応する故障情報とを対応付けて格納する。

ステップＳ１５において、予測部４５は、選択部４２から供給される１０分間の観測情報ｘに基づいて故障確率の予測値ｆを算出する故障予測処理を行う。この故障予測処理の詳細は、後述する図４を参照して説明する。

ステップＳ１６において、情報処理装置１２は、故障確率算出処理を終了するかどうかを判定する。ステップＳ１６で故障確率算出処理を終了しないと判定された場合、処理はステップＳ１７に進む。

ステップＳ１７において、選択部４２は、前回の準備処理から１週間が経過したかどうかを判定する。なお、準備処理のインターバルは、１週間に限定されない。ステップＳ１７で前回の準備処理からまだ１週間が経過していないと判定された場合、処理はステップＳ１３に戻り、前回の準備処理から１週間が経過するまで、ステップＳ１３乃至Ｓ１７の処理が繰り返される。

一方、ステップＳ１７で前回の準備処理から１週間が経過したと判定された場合、ステップＳ１８において、選択部４２は、使用センサの選択の準備処理を行う。

ステップＳ１９において、選択部４２は、Ｎ個のセンサ２１から使用センサのセンサ集合Ｓを選択するセンサ選択処理を行う。このセンサ選択処理の詳細は、後述する図５を参照して説明する。

ステップＳ２０において、選択部４２は、ステップＳ１９の処理により選択されたセンサ集合Ｓを示す使用センサ情報を学習部４４に供給する。そして、処理はステップＳ１３に戻り、以降の処理が繰り返される。

図４は、図３のステップＳ１５の故障予測処理を説明するフローチャートである。

図４のステップＳ４１において、予測部４５は、選択部４２から供給される各使用センサの１０分間の観測情報を取得する。

ステップＳ４２において、予測部４５は、学習部４４から供給されるパラメータｗと、ステップＳ４１で取得された観測情報ｘとを用いて、故障予測モデルｆ（ｘ；ｗ）にしたがって、産業用ロボット１１の６時間以内の故障確率の予測値ｆを算出する。予測部４５は、算出された故障確率の予測値ｆを出力する。そして、処理は図３のステップＳ１５に戻り、ステップＳ１６に進む。

図５は、図３のステップＳ１９のセンサ選択処理を説明するフローチャートである。

図５のステップＳ８１において、選択部４２は、ステップＳ１４により取得された１週間分の各使用センサの１０分ごとの観測情報ｘ_ｉと、その観測情報ｘ_ｉに対応する故障情報ｙ_ｉとからなる１週間データＤ_Ｗを２分割する。そして、選択部４２は、２分割された一方を故障予測用学習データＤ_Ｃとし、他方を予測精度算出用データＤ_Ｐとする。

ステップＳ８２において、選択部４２は、ｐを０に設定する。

ステップＳ８３において、選択部４２は、センサ集合Ｓを処理対象のセンサ集合とする。

ステップＳ８４において、選択部４２は、処理対象のセンサ集合から送信された観測情報を用いた故障確率の予測の予測精度値を算出する予測精度値算出処理を行う。この予測精度値算出処理の詳細は、後述する図８を参照して説明する。

ステップＳ８５において、選択部４２は、ｐが０であるかどうかを判定する。ステップＳ８５でｐが０であると判定された場合、処理はステップＳ８６に進む。

ステップＳ８６において、選択部４２は、ｐを１だけインクリメントする。ステップＳ８７において、選択部４２は、センサ集合Ｓからｐ番目の使用センサｓ_ｐを除いたセンサ集合Ｓ´を処理対象のセンサ集合とし、処理をステップＳ８４に戻す。

一方、ステップＳ８５でｐが０ではないと判定された場合、ステップＳ８８において、選択部４２は、センサ集合Ｓ´の予測精度値からセンサ集合Ｓの予測精度値を減算した差分Ｙ_ｐを算出する。選択部４２は、センサ集合Ｓに対応付けて差分Ｙ_ｐを保持する。

ステップＳ８９において、選択部４２は、寄与度予測用学習データＤ_ＣＬに、教師用のセンサ（教師用の送信装置）としての使用センサｓ_ｐのセンサ情報Ｘ_ｐ（教師情報）と差分Ｙ_ｐを含める。センサ情報は、センサ２１ごとに生成される、センサ２１に関する情報である。具体的には、各センサ２１のセンサ情報は、そのセンサ２１の属性情報、他の使用センサとの関連度、センサ集合Ｓにおいて過去に故障確率の予測に寄与したセンサ２１との関連度、およびセンサ集合Ｓにおいて過去に故障確率の予測に寄与しなかったセンサ２１との関連度の少なくとも１つからなる。

他の使用センサとの関連度とは、例えば、標準観測情報に含まれる、センサ情報に対応するセンサ２１の観測情報の正規化値と、そのセンサ２１以外のセンサ集合Ｓに含まれる使用センサの観測情報の正規化値との時間変化の相関度である。

また、図６に示すように、センサ集合Ｓ´は、センサ集合Ｓから使用センサｓ_ｐを除いたセンサ集合である。従って、差分Ｙ_ｐが正である場合、使用センサｓ_ｐは故障確率の予測に用いられない方が良い。即ち、この場合、使用センサｓ_ｐは、故障確率の予測に寄与しないセンサである。一方、差分Ｙ_ｐが負である場合、使用センサｓ_ｐは故障確率の予測に用いられた方が良い。即ち、この場合、使用センサｓ_ｐは、故障確率の予測に寄与するセンサである。

従って、センサ集合Ｓにおいて過去に故障確率の予測に寄与した使用センサとの関連度とは、例えば、標準観測情報に含まれる、センサ情報に対応するセンサ２１の観測情報の正規化値と、センサ集合Ｓに対応付けて保持されている過去の差分Ｙ_ｐが負である各使用センサｓ_ｐの観測情報の正規化値の時間変化の類似度を表す相関度の平均値である。

また、センサ集合Ｓにおいて過去に故障確率の予測に寄与しなかった使用センサとの関連度とは、例えば、標準観測情報に含まれる、センサ情報に対応するセンサ２１の観測情報の正規化値と、センサ集合Ｓに対応付けて保持されている過去の差分Ｙ_ｐが正である各使用センサｓ_ｐの観測情報の正規化値の時間変化の類似度を表す相関度の平均値である。

ステップＳ９０において、選択部４２は、ｐが、センサ集合Ｓに含まれる使用センサの数ｎ以上であるかどうかを判定する。ステップＳ９０でｐが、センサ集合Ｓに含まれる使用センサの数ｎより小さいと判定された場合、処理はステップＳ８６に進み、上述した処理が行われる。

一方、ステップＳ９０でｐが、センサ集合Ｓに含まれる使用センサの数ｎ以上であると判定された場合、処理はステップＳ９１に進む。

ステップＳ９１において、選択部４２は、寄与度予測用学習データＤ_ＣＬを用いて、機械学習アルゴリズムにしたがって、寄与度予測モデルを機械学習する。寄与度予測モデルは、センサ集合Ｓに含まれない各センサ２１のセンサ情報Ｘを入力とし、そのセンサ２１をセンサ集合Ｓに追加したときのセンサ２１の故障確率の予測への寄与度の予測値ｆｃを出力とする関数モデルｆｃ（Ｘ）である。なお、寄与度の予測値ｆｃは、故障確率の予測に寄与している場合正であり、故障確率の予測に寄与していない場合負である。

ステップＳ９２において、選択部４２は、センサ集合Ｓに含まれない各センサ２１のセンサ情報Ｘを用いて、寄与度予測モデルｆｃ（Ｘ）にしたがって、各センサ２１（複数の送信装置それぞれ）の寄与度の予測値ｆｃを算出する。

ステップＳ９３において、選択部４２は、ステップＳ９２で算出された寄与度の予測値ｆｃに基づいて、寄与度の予測値ｆｃが正であるセンサ２１をセンサ集合Ｓに追加する使用センサである追加センサとして選択する。なお、センサ集合Ｓに追加可能なセンサ２１の数の上限が予め決められていてもよい。この場合、選択部４２は、寄与度の予測値ｆｃが大きい方から順に、上限までの数だけセンサ２１を追加センサとして選択する。

ステップＳ９４において、選択部４２は、ステップＳ８８で算出された差分Ｙ_ｐが大きい方から順にｍ個（ｍ＜ｎ）の使用センサｓ_ｐを選択する。

ステップＳ９５において、選択部４２は、ステップＳ９４で選択されたｍ個の使用センサの各部分集合をそれぞれ、センサ集合Ｓから除いたセンサ集合を処理対象のセンサ集合として、ステップＳ８４の処理と同様に予測精度値算出処理を行う。

例えば、ｍが３である場合、３個の使用センサｓ_ｐを、使用センサｓ_ａ，ｓ_ｂ，ｓ_ｃとすると、使用センサｓ_ａ，ｓ_ｂ、およびｓ_ｃの部分集合は、図７に示すように、（ｓ_ａ，ｓ_ｂ，ｓ_ｃ），（ｓ_ａ，ｓ_ｃ），（ｓ_ａ，ｓ_ｂ），（ｓ_ｂ，ｓ_ｃ），（ｓ_ａ），（ｓ_ｂ）、および（ｓ_ｃ）である。従って、選択部４２は、センサ集合Ｓから（ｓ_ａ，ｓ_ｂ，ｓ_ｃ）を除いたセンサ集合Ｓ１、センサ集合Ｓから（ｓ_ａ，ｓ_ｃ）を除いたセンサ集合Ｓ２、センサ集合Ｓから（ｓ_ａ，ｓ_ｂ）を除いたセンサ集合Ｓ３、センサ集合Ｓから（ｓ_ｂ，ｓ_ｃ）を除いたセンサ集合Ｓ４、センサ集合Ｓから（ｓ_ａ）を除いたセンサ集合Ｓ５、センサ集合Ｓから（ｓ_ｂ）を除いたセンサ集合Ｓ６、およびセンサ集合Ｓから（ｓ_ｃ）を除いたセンサ集合Ｓ７を、それぞれ、処理対象のセンサ集合として予測精度値算出処理を行う。なお、図７において、点線は、センサ集合に含まない使用センサを表している。

ステップＳ９６において、選択部４２は、ステップＳ９５の予測精度値算出処理で算出された予測精度値が最も高いセンサ集合に対応する部分集合を、センサ集合Ｓから除去する使用センサである除去センサとして選択する。

ステップＳ９７において、選択部４２は、センサ集合Ｓに対して、ステップＳ９３で選択された追加センサを追加し、ステップＳ９６で選択された除去センサを除去することにより、Ｎ個のセンサ２１から新たなセンサ集合Ｓを選択する。そして、処理は、図３のステップＳ１９に戻り、ステップＳ２０に進む。

なお、センサ集合Ｓに含まれないセンサ２１の数が多い場合、選択部４２は、センサ情報に基づいて、そのセンサ２１を複数のクラスタにクラスタリングし、各クラスタを代表する１つのセンサ２１の寄与度の予測値ｆｃに基づいて追加センサを選択するようにしてもよい。この場合、選択部４２は、例えば、寄与度の予測値ｆｃが正であるセンサ２１が代表するクラスタに含まれる全てのセンサ２１を追加センサとする。なお、選択部４２は、寄与度の予測値ｆｃが正であるセンサ２１が代表するクラスタに含まれる各センサ２１の寄与度の予測値ｆｃを算出し、その予測値ｆｃが正であるセンサ２１のみを追加センサとするようにしてもよい。

図８は、図５のステップＳ８４の予測精度値算出処理を説明するフローチャートである。

図８のステップＳ１１１において、選択部４２は、処理対象のセンサ集合の故障予測用学習データを用いて、機械学習アルゴリズムにしたがって、パラメータｗを機械学習する。なお、処理対象のセンサ集合の故障予測用学習データとは、図５のステップＳ８１で生成されたセンサ集合Ｓに含まれる全ての使用センサの観測情報ｘ_ｉと故障情報ｙ_ｉを含む故障予測用学習データＤ_Ｃのうちの、処理対象のセンサ集合に含まれる使用センサの観測情報ｘ_ｉと故障情報ｙ_ｉである。

ステップＳ１１２において、選択部４２は、ステップＳ１１１で機械学習されたパラメータｗと、処理対象のセンサ集合の１０分間の予測精度算出用データとを用いて、故障予測モデルｆ（ｘ；ｗ）にしたがって、産業用ロボット１１の６時間以内の故障確率の予測値ｆを算出する。

なお、処理対象のセンサ集合の予測精度算出用データとは、図５のステップＳ８１で生成されたセンサ集合Ｓに含まれる全ての使用センサの観測情報ｘ_ｉと故障情報ｙ_ｉを含む予測精度算出用データのうちの、処理対象のセンサ集合に含まれる使用センサの観測情報ｘ_ｉと故障情報ｙ_ｉである。

ステップＳ１１３において、選択部４２は、ステップＳ１１２で算出された故障確率の予測値ｆと、その予測値ｆの算出に用いられた１０分間の予測精度算出用データのうちの故障情報ｙ_ｉとに基づいて、処理対象のセンサ集合の観測情報を用いた故障確率の予測の予測精度値（評価値）を算出する。なお、ここでは、予測精度値は、予測精度が高いほど大きい値であるものとする。ステップＳ１１３の処理後、処理は図５のステップＳ８４に戻り、ステップＳ８５に進む。

図９は、図２の学習部４４の学習処理を説明するフローチャートである。この学習処理は、例えば、最初の図３のステップＳ１４の処理後から故障確率算出処理が終了するまでの間に、所定の時間（例えば、２４時間）ごとに、行われる。

図９のステップＳ１６１において、学習部４４は、使用センサ情報に基づいて、観測情報データベース４３に格納されている各使用センサの１０分間ごとの観測情報ｘ_ｉと、その観測情報ｘ_ｉに対応付けられている故障情報ｙ_ｉとを読み出し、故障予測用学習データＤ_ＢＬとする。

ステップＳ１６２において、学習部４４は、故障予測用学習データＤ_ＢＬを用いて、機械学習アルゴリズムにしたがって、故障予測モデルｆ（ｘ；ｗ）のパラメータｗを機械学習する。

ステップＳ１６３において、学習部４４は、ステップＳ１６２で機械学習されたパラメータｗを予測部４５に供給し、処理を終了する。

以上のように、情報処理装置１２は、Ｎ個のセンサ２１それぞれに関する情報に基づいて、Ｎ個のセンサ２１から使用センサを選択する。従って、情報処理装置１２は、故障予測システム１０の利用者や設計者などの人間の予測分野や故障予測システム１０に対する事前知識によらず、故障確率の予測に必要十分な観測情報を送信するセンサ２１を使用センサとして容易に選択することができる。

また、情報処理装置１２は、使用センサの観測情報のみを用いて故障確率を予測することにより、Ｎ個のセンサ２１全ての観測情報を用いて故障確率を予測する場合に比べて、故障確率の予測の予測精度の向上させることができる。また、情報処理装置１２は、故障確率の予測における演算やセンサ２１との間の通信のリソースの消費を削減することもできる。

さらに、情報処理装置１２は、使用センサを定期的に更新するので、産業用ロボット１１の環境や状況が変化した場合であっても、常に、故障確率の予測に必要十分な観測情報を送信するセンサ２１を使用センサとすることができる。

また、情報処理装置１２が、使用センサとして選択されたセンサ２１のセンサ情報を故障予測システム１０の利用者に通知する場合、故障予測システム１０の利用者は、そのセンサ情報に基づいて、故障の要因を知ることができる。

なお、センサ２１の数Ｎが多い場合、選択部４２は、各センサ２１の属性情報などに基づいて、Ｎ個のセンサ２１を複数のクラスタにクラスタリングし、センサ２１をクラスタ単位で使用センサとして選択するようにしてもよい。

＜第２実施の形態＞
（故障予測システムの構成例）
図１０は、本開示を適用した故障予測システムの第２実施の形態の構成例を示す図である。

図１０の故障予測システム１００は、Ｍ個（Ｍは複数）のパーソナルコンピュータ（以下、ＰＣという）１０１−１乃至１０１−Ｍ（機器）と情報処理装置１０２により構成され、Ｍ個のＰＣ１０１−１乃至１０１−Ｍの故障確率を予測する。

具体的には、ＰＣ１０１−ｋ（k=1,2,...,M）は、ＰＣ１０１−ｋの故障状態や稼働状態などを観測する状態観測部１２０−ｋを有する。状態観測部１２０−ｋは、情報処理装置１０２からの要求に応じて、ＰＣ１０１−ｋの故障状態を情報処理装置１０２に送信する。また、ＰＣ１０１−ｋには、Ｎ個のセンサ１２１−ｋ−１乃至１２１−ｋ−Ｎが設置されている。

なお、以下では、ＰＣ１０１−１乃至１０１−Ｍを特に区別する必要がない場合、それらをまとめてＰＣ１０１という。また、状態観測部１２０−１乃至１２０−Ｍを特に区別する必要がない場合、それらをまとめて状態観測部１２０という。

さらに、センサ１２１−１−１乃至１２１−１−Ｎ、センサ１２１−２−１乃至１２１−２−Ｎ、．．．、およびセンサ１２１−Ｍ−１乃至１２１−Ｍ−Ｎを特に区別する必要がない場合、それらをまとめてセンサ１２１という。

センサ１２１は、例えば、温度センサ、湿度センサ、気圧センサ、磁気センサ、加速度センサ、ジャイロセンサ、振動センサ、音センサ、およびカメラのいずれかにより構成される。なお、各ＰＣ１０１のセンサ１２１−ｋ−１どうしの属性情報は同一である。同様に、各ＰＣ１０１のセンサ１２１−ｋ−２どうし、センサ１２１−ｋ−３どうし、...、センサ１２１−ｋ−Ｎどうしの属性情報は同一である。センサ１２１の属性情報としては、センサ１２１の種類、センサ１２１のＰＣ１０１上の位置座標、センサ１２１が設置されたＰＣ１０１のパーツ、センサ１２１が観測情報を取得する間隔（観測情報の時間解像度）、センサ１２１が取得する観測情報の感度などがある。

なお、以下では、属性情報が同一であるセンサ１２１−ｋ−１どうし、センサ１２１−ｋ−２どうし、...、センサ１２１−ｋ−Ｎどうしを特に区別する必要がない場合、それぞれまとめて、センサ１２１−１、センサ１２１−２、．．．、センサ１２１−Ｎという。

センサ１２１は、温度情報、湿度情報、気圧情報、磁場情報、加速度情報、振動情報、音声、画像などの観測情報を取得する。センサ１２１（送信装置）は、情報処理装置１０２からの要求に応じて、観測情報を情報処理装置１０２に送信する。

情報処理装置１０２は、Ｎ個のセンサ１２１−１乃至センサ１２１−Ｎから、ＰＣ１０１の故障確率の予測に用いるセンサ１２１を使用センサとして選択する。この使用センサは、全てのＰＣ１０１において共通である。情報処理装置１０２は、ＰＣ１０１ごとに、使用センサに対して観測情報を要求し、その要求に応じて送信されてくる観測情報を受信する。また、情報処理装置１０２は、ＰＣ１０１ごとに、状態観測部１２０に対して故障状態を要求し、その要求に応じて送信されてくる故障状態を受信する。

情報処理装置１０２は、全てのＰＣ１０１の使用センサの観測情報と故障状態に基づいて、情報処理装置１２と同様に、全てのＰＣ１０１において共通の故障予測モデルを生成する。また、情報処理装置１０２は、ＰＣ１０１ごとに、使用センサの観測情報と故障予測モデルに基づいて、ＰＣ１０１の故障確率を予測し、出力する。

なお、第２実施の形態では、ＰＣ１０１と情報処理装置１０２の間の通信は、無線通信であるものとするが、有線通信であってもよい。

（情報処理装置の構成例）
図１１は、図１０の情報処理装置１０２の構成例を示すブロック図である。

図１１に示す構成のうち、図２の構成と同じ構成には同じ符号を付してある。重複する説明については適宜省略する。

図１１の情報処理装置１０２は、センサ情報データベース１４１、選択部１４２、観測情報データベース１４３、学習部１４４、および予測部１４５により構成される。

情報処理装置１０２のセンサ情報データベース１４１は、センサ１２１−１乃至１２１−Ｎそれぞれの属性情報を格納する。

選択部１４２は、図２の選択部４２と同様に、使用センサの選択の準備処理を行う。選択部１４２は、この準備処理により取得された全てのＰＣ１０１の全てのセンサ１２１の観測情報を、センサ１２１−ｈ（h=1,2,...,N）ごとにまとめて各センサ１２１−ｈの標準観測情報とし、観測情報データベース１４３に供給する。

また、選択部１４２は、選択部４２と同様に、全てのセンサ１２１−ｈの標準観測情報、センサ情報データベース１４１に格納されている各センサ１２１−ｈの属性情報などに基づいて、Ｎ個のセンサ１２１−１乃至１２１−Ｎから、全てのＰＣ１０１に対して同一のセンサ集合Ｓの初期値を選択する。即ち、センサ集合Ｓの１要素は、全てのＰＣ１０１のセンサ１２１−ｈである。

選択部１４２は、各ＰＣ１０１の使用センサに１０分ごとの観測情報を要求する。選択部１４２は、その要求に応じて各ＰＣ１０１の使用センサから送信されてくる１０分ごとの観測情報を観測情報データベース１４３と予測部１４５に供給する。また、選択部１４２は、選択部４２と同様にセンサ選択処理（図５）を行い、Ｎ個のセンサ１２１から、全てのＰＣ１０１に対して同一のセンサ集合Ｓを新たに選択する。

なお、選択部１４２のセンサ選択処理に用いられるセンサ情報は、センサ１２１−ｈごとに生成される、センサ１２１−ｈに関する情報である。具体的には、各センサ１２１−ｈのセンサ情報は、そのセンサ１２１−ｈの属性情報、並びに、そのセンサ１２１−ｈの他の使用センサとの関連度、センサ集合Ｓにおいて過去に故障確率の予測に寄与したセンサ１２１との関連度、およびセンサ集合Ｓにおいて過去に故障確率の予測に寄与しなかったセンサ１２１との関連度の全てのＰＣ１０１における平均値の少なくとも１つからなる。選択部１４２は、センサ集合Ｓに含まれる使用センサを示す使用センサ情報を学習部１４４に供給する。

また、選択部１４２は、各状態観測部１２０に故障状態を要求し、その要求に応じて各状態観測部１２０から送信されてくる故障状態を取得する。選択部１４２は、ＰＣ１０１ごとに、そのＰＣ１０１の状態観測部１２０から取得された故障状態に基づいて、各使用センサの観測情報ごとの故障情報を生成する。

さらに、選択部１４２は、ＰＣ１０１ごとに、そのＰＣ１０１の状態観測部１２０から取得された故障状態に基づいて、各使用センサの観測情報ごとの頻度決定用故障情報を生成する。なお、使用センサの観測情報ごとの頻度決定用故障情報は、その観測情報が観測されてから２４時間以内にＰＣ１０１の故障が発生したかどうかを示す情報である。頻度決定用故障情報は、例えば、観測情報が観測されてから１２時間以内にＰＣ１０１の故障が発生したことを示す場合１であり、発生していないことを示す場合０である。選択部１４２は、生成された故障情報と頻度決定用故障情報を観測情報データベース１４３に供給する。

観測情報データベース１４３は、選択部１４２から供給される全てのＰＣ１０１の使用センサの観測情報と標準観測情報を格納する。また、観測情報データベース１４３は、ＰＣ１０１ごとに、そのＰＣ１０１の使用センサの観測情報ごとの故障情報と頻度決定用故障情報を、その観測情報に対応付けて格納する。

学習部１４４は、選択部１４２から供給される使用センサ情報に基づいて、観測情報データベース１４３に格納されている全てのＰＣ１０１の各使用センサの１０分間ごとの観測情報と、その観測情報に対応付けられている故障情報とを読み出し、故障予測用学習データＤ_ＢＬとする。

学習部１４４は、学習部４４と同様に、故障予測用学習データＤ_ＢＬを用いて、機械学習アルゴリズムにしたがって、全てのＰＣ１０１に共通の故障予測モデルｆ（ｘ；ｗ）のパラメータｗを機械学習する。学習部１４４は、学習されたパラメータｗを予測部１４５に供給する。

また、学習部１４４は、使用センサ情報に基づいて、観測情報データベース１４３に格納されている全てのＰＣ１０１の使用センサの１０分間ごとの観測情報と、その観測情報に対応付けられている頻度決定用故障情報とを読み出し、頻度決定用学習データとする。学習部１４４は、頻度決定用学習データを用いて、Stochastic Gradient Descentなどの機械学習アルゴリズムにしたがって、全てのＰＣ１０１に共通の頻度決定用故障予測モデルのパラメータを機械学習する。

頻度決定用故障予測モデルは、使用センサの１０分間の観測情報ｘを入力とし、ＰＣ１０１の２４時間以内の故障確率の予測値ｆ´を出力とするパラメータｗ´を有する関数モデルｆ´（ｘ；ｗ´）である。故障予測モデルｆ´（ｘ；ｗ´）としては、ロジスティック回帰モデルやConvolutional Neural Networkなどを用いることができる。学習部４４は、学習されたパラメータｗ´を予測部１４５に供給する。

予測部１４５は、ＰＣ１０１ごとに、そのＰＣ１０１の使用センサの観測情報ｘとパラメータｗ´とを用いて、頻度決定用故障予測モデルｆ´（ｘ；ｗ´）にしたがって、そのＰＣ１０１の２４時間以内の故障確率の予測値ｆ´を算出する。予測部１４５は、ＰＣ１０１ごとに、算出された故障確率の予測値ｆ´に基づいて、６時間以内の故障確率の予測値ｆを算出する頻度を決定する。

予測部１４５は、ＰＣ１０１ごとに、決定された頻度で、パラメータｗと、そのＰＣ１０１の使用センサの観測情報ｘとを用いて、故障予測モデルｆ（ｘ；ｗ）にしたがって、そのＰＣ１０１の６時間以内の故障確率の予測値ｆを算出する。予測部１４５は、算出された各ＰＣ１０１の故障確率の予測値ｆを出力する。

なお、第２実施の形態では、頻度決定用故障予測モデルが、故障予測モデルとは異なるようにしたが、同一であってもよい。

（情報処理装置の処理の説明）
図１２は、図１１の情報処理装置１０２の故障確率算出処理を説明するフローチャートである。

図１２のステップＳ２０１において、選択部１４２は、使用センサの選択の準備処理を行う。具体的には、選択部１４２は、例えば、所定の時間の観測情報を全てのＰＣ１０１の全てのセンサ１２１に要求し、その要求に応じて全てのＰＣ１０１の全てのセンサ１２１から送信されてくる所定の時間の観測情報を受信する。そして、選択部１４２は、受信された観測情報を、センサ１２１−ｈごとにまとめて標準観測情報とし、観測情報データベース１４３に供給し、格納させる。

ステップＳ２０２において、選択部１４２は、Ｎ個のセンサ１２１−１乃至１２１−Ｎから、全てのＰＣ１０１に対して同一のセンサ集合Ｓの初期値を選択する。選択部１４２は、センサ集合Ｓの初期値に含まれる各センサ１２１−ｈを使用センサとして示す使用センサ情報を学習部１４４に供給する。

ステップＳ２０３において、選択部１４２は、全てのＰＣ１０１の各使用センサに１０分間の観測情報を要求する。

ステップＳ２０４において、選択部１４２は、要求に応じて各使用センサから送信されてくる１０分間の観測情報を取得し、予測部１４５に供給する。後述するステップＳ２０５乃至Ｓ２１４の処理は、ＰＣ１０１ごとに行われる。

ステップＳ２０５において、予測部１４５は、パラメータｗ´と使用センサの観測情報ｘとを用いて、頻度決定用故障予測モデルｆ´（ｘ；ｗ´）にしたがって、ＰＣ１０１の２４時間以内の故障確率の予測値ｆ´を算出する頻度決定処理を行う。

ステップＳ２０６において、予測部１４５は、ＰＣ１０１の２４時間以内の故障確率の予測値ｆ´が閾値以下であるかどうかを判定する。ステップＳ２０６で予測値ｆ´が閾値以下ではないと判定された場合、処理はステップＳ２０７に進む。

ステップＳ２０７乃至Ｓ２１０の処理は、図３のステップＳ１３乃至Ｓ１６の処理と同様であるので、説明は省略する。ステップＳ２１０で処理を終了しないと判定された場合、処理はステップＳ２１１に進む。

ステップＳ２１１において、予測部１４５は、前回の頻度決定処理から２４時間が経過したかどうかを判定する。ステップＳ２１１で前回の頻度決定処理から２４時間が経過していないと判定された場合、処理はステップＳ２０７に戻り、２４時間が経過するまで、ステップＳ２０７乃至Ｓ２１１の処理が繰り返される。即ち、ＰＣ１０１の２４時間以内の故障確率の予測値ｆ´が閾値以下ではない場合、頻度決定処理から２４時間が経過するまで、各使用センサの観測情報と故障状態の取得および故障予測処理が行われる。

一方、ステップＳ２１１で前回の頻度決定処理から２４時間が経過したと判定された場合、処理はステップＳ２１５に進む。

また、ステップＳ２０６で予測値ｆ´が閾値以下であると判定された場合、ステップＳ２１２において、予測部１４５は、前回の頻度決定処理から２４時間が経過したかどうかを判定する。ステップＳ２１２で前回の頻度決定処理から２４時間が経過していないと判定された場合、２４時間が経過するまで待機する。

一方、ステップＳ２１２で前回の頻度決定処理から２４時間が経過したと判定された場合、ステップＳ２１３において、選択部１４２は、処理対象のＰＣ１０１の各使用センサに１０分間の観測情報を要求する。

ステップＳ２１４において、選択部１４２は、要求に応じて各使用センサから送信されてくる１０分間の観測情報を取得し、予測部１４５に供給する。そして、処理はステップＳ２１５に進む。即ち、ＰＣ１０１の２４時間以内の故障確率の予測値ｆ´が閾値以下である場合、頻度決定処理から２４時間が経過するまで、各使用センサの観測情報と故障状態の取得および故障予測処理は行われない。

ステップＳ２１５において、選択部１４２は、前回の準備処理から１週間が経過したかどうかを判定する。なお、準備処理のインターバルは、１週間に限定されない。ステップＳ２１５で前回の準備処理からまだ１週間が経過していないと判定された場合、処理はステップＳ２０５に戻り、以降の処理が繰り返される。

一方、ステップＳ２１５で前回の準備処理から１週間が経過したと判定された場合、ステップＳ２１６において、選択部１４２は、ステップＳ２０１の処理と同様に、使用センサの選択の準備処理を行う。

ステップＳ２１７およびＳ２１８の処理は、センサ集合Ｓの１要素が全てのＰＣ１０１のセンサ１２１−ｈである点を除いて、図１１のステップＳ１９およびＳ２０の処理と同様であるので、説明は省略する。ステップＳ２１８の処理後、処理はステップＳ２０３に戻り、以降の処理が繰り返される。

なお、図示は省略するが、学習部１４４の学習処理は、故障予測用学習データＤ_ＢＬが、全てのＰＣ１０１の各使用センサの１０分間ごとの観測情報と、その観測情報に対応付けられている故障情報である点を除いて、図９の学習処理と同様である。

以上のように、情報処理装置１０２は、ＰＣ１０１ごとに、２４時間以内の故障確率の予測値ｆ´を算出し、予測値ｆ´に基づく頻度で故障予測処理を行う。従って、全てのＰＣ１０１の故障予測処理を常に行う場合に比べて、センサ１２１の観測情報の取得時間(観測時間)およびセンサ１２１と情報処理装置１０２の間の通信時間を削減し、ＰＣ１０１と情報処理装置１０２の消費電力を削減することができる。これは、ＰＣ１０１の数Ｍが大きい場合に特に有用である。

なお、ＰＣ１０１の数Ｍが多い場合、ＰＣ１０１の属性情報に基づいてＭ個のＰＣ１０１を複数のクラスタにクラスタリングし、クラスタごとに、故障確率算出処理を行うようにしてもよい。また、このクラスタリングは、各ＰＣの６時間以内の故障確率の予測値ｆ、２４時間以内の故障確率の予測値ｆ´、センサ１２１の観測情報等に基づいて更新されるようにしてもよい。

また、各ＰＣ１０１に設置されるセンサ１２１の数Ｎが多い場合、選択部１４２は、各センサ１２１−ｈの属性情報などに基づいて、Ｎ個のセンサ１２１−ｈを複数のクラスタにクラスタリングし、センサ１２１−ｈをクラスタ単位で使用センサとして選択するようにしてもよい。

さらに、第２実施の形態では、センサ１２１がＰＣ１０１に設置されたが、センサ１２１が設置される機器は、ＰＣなどのコンシューマ機器に限定されない。例えば、センサ１２１は、第１実施の形態のように、産業用ロボットなどの製造機器に設置されるようにしてもよい。

同様に、第１実施の形態において、センサ２１は、第２実施の形態のように、ＰＣなどのコンシューマ機器に設置されるようにしてもよい。

＜第３実施の形態＞
（本開示を適用したコンピュータの説明）
上述した一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、コンピュータにインストールされる。ここで、コンピュータには、専用のハードウエアに組み込まれているコンピュータや、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどが含まれる。

図１３は、上述した一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。

コンピュータ２００において、CPU（Central Processing Unit）２０１，ROM（Read Only Memory）２０２，RAM（Random Access Memory）２０３は、バス２０４により相互に接続されている。

バス２０４には、さらに、入出力インタフェース２０５が接続されている。入出力インタフェース２０５には、入力部２０６、出力部２０７、記憶部２０８、通信部２０９、及びドライブ２１０が接続されている。

入力部２０６は、キーボード、マウス、マイクロフォンなどよりなる。出力部２０７は、ディスプレイ、スピーカなどよりなる。記憶部２０８は、ハードディスクや不揮発性のメモリなどよりなる。通信部２０９は、ネットワークインタフェースなどよりなる。ドライブ２１０は、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリなどのリムーバブルメディア２１１を駆動する。

以上のように構成されるコンピュータ２００では、CPU２０１が、例えば、記憶部２０８に記憶されているプログラムを、入出力インタフェース２０５及びバス２０４を介して、RAM２０３にロードして実行することにより、上述した一連の処理が行われる。

コンピュータ２００（CPU２０１）が実行するプログラムは、例えば、パッケージメディア等としてのリムーバブルメディア２１１に記録して提供することができる。また、プログラムは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供することができる。

コンピュータ２００では、プログラムは、リムーバブルメディア２１１をドライブ２１０に装着することにより、入出力インタフェース２０５を介して、記憶部２０８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部２０９で受信し、記憶部２０８にインストールすることができる。その他、プログラムは、ROM２０２や記憶部２０８に、あらかじめインストールしておくことができる。

なお、コンピュータ２００が実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。

また、本明細書において、システムとは、複数の構成要素（装置、モジュール（部品）等）の集合を意味し、すべての構成要素が同一筐体中にあるか否かは問わない。したがって、別個の筐体に収納され、ネットワークを介して接続されている複数の装置、及び、１つの筐体の中に複数のモジュールが収納されている１つの装置は、いずれも、システムである。

さらに、本明細書に記載された効果はあくまで例示であって限定されるものではなく、他の効果があってもよい。

また、本開示の実施の形態は、上述した実施の形態に限定されるものではなく、本開示の要旨を逸脱しない範囲において種々の変更が可能である。

例えば、故障確率の予測に用いられる観測情報の時間は、１０分に限定されない。また、予測される故障確率に対応する時間は、６時間に限定されない。

本開示は、複数のセンサからある事象を予測するシステムであれば、どのようなシステムにも適用することができる。

なお、本開示は、以下のような構成もとることができる。

（１）
複数の送信装置それぞれに関する情報に基づいて、前記複数の送信装置から、予測に用いる観測情報を送信する送信装置を使用装置として選択する選択部
を備える情報処理装置。
（２）
前記選択部は、前記複数の送信装置の属性情報に基づいて前記使用装置を選択する
ように構成された
前記（１）に記載の情報処理装置。
（３）
前記選択部は、過去に予測に寄与した送信装置と前記複数の送信装置それぞれとの関連度に基づいて、前記使用装置を選択する
ように構成された
前記（１）または（２）に記載の情報処理装置。
（４）
前記選択部は、過去に予測に寄与しなかった送信装置と前記複数の送信装置それぞれとの関連度に基づいて、前記使用装置を選択する
ように構成された
前記（１）乃至（３）のいずれかに記載の情報処理装置。
（５）
前記選択部は、他の送信装置と前記複数の送信装置それぞれとの関連度に基づいて、前記使用装置を選択する
ように構成された
前記（１）乃至（４）のいずれかに記載の情報処理装置。
（６）
前記選択部は、前記複数の送信装置それぞれの予測への寄与度に基づいて、前記使用装置を選択する
ように構成された
前記（１）乃至（５）のいずれかに記載の情報処理装置。
（７）
前記選択部は、前記寄与度を予測する寄与度予測モデルを用いて前記寄与度を算出する
ように構成された
前記（６）に記載の情報処理装置。
（８）
前記選択部は、前記複数の送信装置以外の複数の教師用の送信装置それぞれに関する教師情報と、前記複数の教師用の送信装置から１つを除いた送信装置から送信された観測情報を用いた予測の予測精度とに基づいて、前記寄与度予測モデルを生成する
ように構成された
前記（７）に記載の情報処理装置。
（９）
前記教師情報は、前記教師用の送信装置の属性情報、過去に予測に寄与した送信装置との関連度、過去に予測に寄与しなかった送信装置との関連度、および他の教師用の送信装置との関連度のうちの少なくとも１つである
ように構成された
前記（８）に記載の情報処理装置。
（１０）
前記選択部は、前記使用装置のうちの一部を前記使用装置として選択しない場合の予測精度の予測値に基づいて、前記使用装置のうちの一部を前記使用装置として選択しないことにより、前記使用装置を更新する
ように構成された
前記（１）乃至（９）のいずれかに記載の情報処理装置。
（１１）
複数の機器のそれぞれに、前記複数の送信装置が設置され、
前記選択部は、前記複数の機器に対して同一の前記使用装置を選択する
ように構成された
前記（１）乃至（１０）のいずれかに記載の情報処理装置。
（１２）
前記機器ごとに、前記予測の結果に基づく頻度で、前記使用装置から送信されてくる前記観測情報に基づいて前記予測を行う予測部
をさらに備える
前記（１１）に記載の情報処理装置。
（１３）
情報処理装置が、
複数の送信装置それぞれに関する情報に基づいて、前記複数の送信装置から、予測に用いる観測情報を送信する送信装置を使用装置として選択する選択ステップ
を含む情報処理方法。

１２ 情報処理装置, ２１−１乃至２１−Ｎ センサ, ４２ 選択部， １０２ 情報処理装置, １２１−１−１乃至１２１−１−Ｎ センサ, １４２ 選択部

Claims (13)

1. 複数の送信装置それぞれに関する情報に基づいて、前記複数の送信装置から、予測に用いる観測情報を送信する送信装置を使用装置として選択する選択部
   を備える情報処理装置。
2. 前記選択部は、前記複数の送信装置の属性情報に基づいて前記使用装置を選択する
   ように構成された
   請求項１に記載の情報処理装置。
3. 前記選択部は、過去に予測に寄与した送信装置と前記複数の送信装置それぞれとの関連度に基づいて、前記使用装置を選択する
   ように構成された
   請求項１に記載の情報処理装置。
4. 前記選択部は、過去に予測に寄与しなかった送信装置と前記複数の送信装置それぞれとの関連度に基づいて、前記使用装置を選択する
   ように構成された
   請求項１に記載の情報処理装置。
5. 前記選択部は、他の送信装置と前記複数の送信装置それぞれとの関連度に基づいて、前記使用装置を選択する
   ように構成された
   請求項１に記載の情報処理装置。
6. 前記選択部は、前記複数の送信装置それぞれの予測への寄与度に基づいて、前記使用装置を選択する
   ように構成された
   請求項１に記載の情報処理装置。
7. 前記選択部は、前記寄与度を予測する寄与度予測モデルを用いて前記寄与度を算出する
   ように構成された
   請求項６に記載の情報処理装置。
8. 前記選択部は、前記複数の送信装置以外の複数の教師用の送信装置それぞれに関する教師情報と、前記複数の教師用の送信装置から１つを除いた送信装置から送信された観測情報を用いた予測の予測精度とに基づいて、前記寄与度予測モデルを生成する
   ように構成された
   請求項７に記載の情報処理装置。
9. 前記教師情報は、前記教師用の送信装置の属性情報、過去に予測に寄与した送信装置との関連度、過去に予測に寄与しなかった送信装置との関連度、および他の教師用の送信装置との関連度のうちの少なくとも１つである
   ように構成された
   請求項８に記載の情報処理装置。
10. 前記選択部は、前記使用装置のうちの一部を前記使用装置として選択しない場合の予測精度の予測値に基づいて、前記使用装置のうちの一部を前記使用装置として選択しないことにより、前記使用装置を更新する
    ように構成された
    請求項１に記載の情報処理装置。
11. 複数の機器のそれぞれに、前記複数の送信装置が設置され、
    前記選択部は、前記複数の機器に対して同一の前記使用装置を選択する
    ように構成された
    請求項１に記載の情報処理装置。
12. 前記機器ごとに、前記予測の結果に基づく頻度で、前記使用装置から送信されてくる前記観測情報に基づいて前記予測を行う予測部
    をさらに備える
    請求項１１に記載の情報処理装置。
13. 情報処理装置が、
    複数の送信装置それぞれに関する情報に基づいて、前記複数の送信装置から、予測に用いる観測情報を送信する送信装置を使用装置として選択する選択ステップ
    を含む情報処理方法。

Images