JPWO2020194716A1 - 学習装置、学習方法及びプログラム - Google Patents

Abstract

信号選択装置（１０）は、データ分析に用いるモデル（２０）を学習するための学習信号を複数の候補信号から選択する。信号選択装置（１０）は、複数の候補信号と、前記モデルによる分析結果に対応する状態値である学習ラベルと、を対応づけて取得する第１取得部（１１）と、前記複数の候補信号の各々について、１又は複数の特徴量を算出する特徴量算出部（１３）と、前記特徴量が前記学習ラベルに関連する度合いに基づき、前記複数の候補信号から前記学習信号を選択する選択部（１６）と、を備える。

Description

本発明は、信号選択装置、学習装置、信号選択方法及びプログラムに関する。

生産工場の現場及びプラントでは、種々の信号を用いて、予防保全に代表される目的の分析が行われている。このような分析に有効な信号を種々の信号から見出せば、分析にかかる時間を短縮することができる。しかしながら、数々の信号からそのような有効な信号を見出すことは、通常、困難であり、熟練者による経験及びノウハウに頼ることが多かった。そこで、複数のデータから必要に応じてデータを選択する技術を利用することが考えられる（例えば、特許文献１を参照）。

特許文献１には、プラントを制御するシステムにおいて、監視制御装置に収集したデータから選択された必要なデータを、監視制御装置に接続されたエンジニアリング・ワークステーションに送信することが記載されている。この監視制御装置は、収集したデータの種類或いはデータの値に基づいて、送信すべきデータを選択する。

特開２０１５−２８７４２号公報

しかしながら、特許文献１に記載の技術では、選択されるデータの種類及びデータを選択するための条件である当該データの値を、選択されたデータの用途に応じて設定する必要がある。このため、適切な設定をするための専門知識が依然として求められ、このような専門知識に基づく設定作業が繁雑になる。これにより、設定が不十分になり、適当なデータが選択されないおそれがある。

信号を含む種々のデータの分析には、通常、予め用意されたモデルが用いられる。このモデルは、例えば、データが異常であるか否かを判定する分類器、及び回帰分析のための回帰式であって、既存のデータから生成される。しかしながら、モデルの生成に適当なデータを多数のデータから選択することは一般的に難しく、適当なデータが選択されない場合には、モデルの精度が低下するおそれがある。

本発明は、上記の事情に鑑みてなされたものであり、データ分析に用いるモデルの精度を向上させることを目的とする。

上記目的を達成するため、本発明の信号選択装置は、データ分析に用いるモデルを学習するための学習信号を複数の候補信号から選択する信号選択装置であって、複数の候補信号と、モデルによる分析結果に対応する状態値である学習ラベルと、を対応づけて取得する第１取得手段と、複数の候補信号から１又は特徴量を算出する特徴量算出手段と、特徴量が学習ラベルに関連する度合いに基づき、複数の候補信号から学習信号を選択する選択手段と、を備える。

本発明によれば、選択手段は、特徴量が学習ラベルに関連する度合いに基づき、複数の候補信号から学習信号を選択する。これにより、データ分析に用いるモデルの精度を向上させることができる。

本発明の実施の形態１に係る学習装置の機能的な構成を示すブロック図 実施の形態１に係るモデルの例について説明するための図 実施の形態１に係るモデルの学習について説明するための図 実施の形態１に係る特徴量の算出について説明するための第１の図 実施の形態１に係る特徴量と学習ラベルとの関係を例示する第１の図 実施の形態１に係る特徴量と学習ラベルとの関係を例示する第２の図 実施の形態１に係る特徴量と学習ラベルとの関係を例示する第３の図 実施の形態１に係る特徴量と学習ラベルとの関係を例示する第４の図 実施の形態１に係る特徴量の算出について説明するための第２の図 実施の形態１に係る蓄積データの例を示す図 実施の形態１に係る新たなモデルの生成について説明するための図 実施の形態１に係るラベルの一致率について説明するための図 実施の形態１に係る寄与度の提示について説明するための図 実施の形態１に係る学習装置のハードウェア構成を示す図 実施の形態１に係る学習処理を示すフローチャート 実施の形態１に係る第１取得部が取得するデータの例を示す図 実施の形態１に係る第２取得部によって取得される追加信号の例を示す図 実施の形態１に係る特徴量とラベルとの関係について説明するための図 実施の形態１に係る寄与度出力処理を示すフローチャート 実施の形態２に係る寄与度出力処理を示すフローチャート 複数の特徴量とラベルとが関連する場合について説明するための図

以下、本発明の実施の形態に係る学習装置１００について、図面を参照しつつ詳細に説明する。

実施の形態１．
図１には、本実施の形態に係る学習装置１００の構成が示されている。学習装置１００は、ＩＰＣ（Industrial Personal Computer）に代表されるコンピュータ装置であって、入力される入力信号を用いて分析を行うモデルを学習する。このモデルは、種々のデータ分析に用いられる。例えば、このモデルは、入力信号を分類した結果として複数のラベルのいずれかを入力信号に付与するモデルである。また、モデルは、回帰分析に代表されるように連続値を示すラベルを付与するモデルであってもよい。学習装置１００は、通常、学習したモデルが利用される工場に設置される。

モデルに入力される入力信号は、工場内に存在する種々の信号から分析に有効な信号として選択されたものである。入力信号は、例えば、工場に構築された生産システムを構成するセンサによる計測値の時系列データであってもよい。この入力信号は、１マイクロ秒、１ミリ秒又は１秒のサンプリング周期毎に８ビット、３２ビット又は１０２４ビットのデジタル値を示すデジタル信号である。ただし、入力信号の形式はこれに限定されず、任意である。なお、入力信号は、１つには限られず複数であってもよいし、入力信号のサンプリング値は、スカラー値に限られず、複数の値を含むベクトル値であってもよい。

また、ラベルの付与は、入力信号に対応するラベルを診断することである。ラベルは、データの分析結果として付与されるべき状態値であって、例えば、「正常」及び「異常」のいずれかであってもよいし、「正常」、「反応速度低下」、「メモリアクセスエラー」、「ハードウェア故障」のように３つ以上の組み合わせのいずれかであってもよい。さらに、ラベルは、連続値であってもよい。学習装置１００によって学習されたモデルは、生産システムにおいてリアルタイムに収集したセンサの計測値に基づく異常有無の監視に利用される。ただし、モデルの用途はこれに限定されず、生産システムの効率を向上させるものであればよい。例えば、予防保全、予兆検知、劣化診断、又は寿命予測のためのモデルが学習されてもよい。以下では、異常有無を判定するモデルが学習される例を中心に説明する。

ここで、学習装置１００によって学習されるモデルについて、図２を用いて説明する。図２には、入力信号としての第１入力信号及び第２入力信号が例示されている。そして、第１入力信号の値ａ１と、第２入力信号の値ａ２と、をモデルＭに入力することでラベルＬｂが決定される。モデルＭは、ａ１，ａ２の関数Ｍ（ａ１，ａ２）として表現され得る。モデルに従って判定されるラベルＬｂは、ラベルＬ１とラベルＬ２のいずれかである。

詳細には、各入力信号から時刻Ｔ１〜Ｔ２の区間で切り出された部分信号をモデルＭに入力することで、この区間にラベルが付与される。その後、隣接する区間でも、モデルＭに従ったラベルの付与が繰り返される。この区間は、ラベルに対応する期間として予め定められる。区間は、例えば、１０ミリ秒間又は１０秒間の周期的な区間であってもよいし、非周期的な区間であってもよい。

図２に示されるように、複数の入力信号からモデルによりラベルを判断すれば、種々の異常を監視することができると考えられる。このようなモデルは、生産システムにより異なるため、生産システムに対応するモデルを学習する必要がある。そこで、図３に示されるように、モデルを学習するための入力信号として与えられる学習信号と、学習信号に付与すべきラベルである学習ラベルと、からモデルが学習される。学習信号は、入力信号のサンプルに相当し、例えば、入力信号と同一又は同種のセンサから出力される信号である。ただし、学習信号は、モデル学習のために加工されたサンプルであってもよい。例えば、ラベルＬ２に相当する異常が実際には稀であっても、学習信号は、モデル学習のために異常時の信号を実際より多く含むように加工されたサンプルであることが望ましい。モデルの学習は、いわゆる機械学習、パターン認識或いは統計解析の分野において用いられる手法により達成される。学習ラベルは、モデルを学習するために予め学習信号に対して、例えばユーザによって予め付与される。すなわち、学習ラベルは、モデルによる分析結果に対応する状態値である。

ただし、生産システムにおいて収集される信号については、通常、その数が膨大になり得る。また、ラベルの付与には不要な信号が収集されることがある。このため、モデルを学習するために、学習信号の候補となる多数の候補信号から、学習信号が選択される。

図４には、候補信号としての第１候補信号、第２候補信号及び第３候補信号が例示されている。学習装置１００によって候補信号から学習信号が選択される際には、候補信号から特徴量が算出される。詳細には、学習ラベルに対応する区間毎に、候補信号それぞれの特徴量が算出される。この特徴量は、例えば、候補信号から当該区間で区切られた部分信号の統計値であるが、これには限定されない。そして、特徴量と、当該特徴量が算出された区間に付与された学習ラベルと、が関連する度合いの高い候補信号が、学習信号として選択される。

例えば、図５に示されるように、第１候補信号から算出された第１特徴量について、学習ラベル毎に度数分布が作成される。図５中の線Ｌ１１は、学習ラベル「Ｌ１」が付与された区間において算出された第１特徴量の度数分布であって、線Ｌ１２は、学習ラベル「Ｌ２」が付与された区間において算出された第２特徴量の度数分布である。図５の例では、値が大きい第１特徴量が学習ラベル「Ｌ２」に対応し、値が小さい第１特徴量が学習ラベル「Ｌ１」に対応しているため、第１特徴量が学習ラベルに相関しており、学習ラベルに関連する度合いが高いといえる。このような第１特徴量に対応する第１候補信号は、学習信号として選択される。

一方、図６には、第３候補信号から算出された第３特徴量について、図５と同様に作成された度数分布が示されている。図６中の線Ｌ３１は、学習ラベル「Ｌ１」が付与された区間において算出された第３特徴量の度数分布であって、線Ｌ３２は、学習ラベル「Ｌ２」が付与された区間において算出された第３特徴量の度数分布である。図６の例では、第３特徴量の値と学習ラベルとが相関しておらず、第３特徴量が学習ラベルに関連する度合いが低いといえる。このような第３特徴量に対応する第３候補信号は、通常、学習信号として選択されることなく除外される。

なお、図５，６に示される度数分布の例では、データを分類して離散値のラベルが付与されることが想定されていたが、これには限定されない。データに回帰分析が施されるケースにおいて、第１の特徴量については図７に示されるようにラベルと関連する度合いが高く、第２の特徴量については図８に示されるようにラベルと関連する度合いが低いときには、第１の特徴量に対応する第１候補信号が学習信号として選択される。すなわち、特徴量とラベルとの相関係数により、ラベルと特徴量との関連する度合いが定量化されてもよい。

図１に戻り、学習装置１００は、機能的な構成として、複数の候補信号から学習信号を選択する信号選択装置１０と、モデル２０を学習する手法を示すデータを蓄積する手法蓄積部１０１と、信号選択装置１０によって選択された学習信号に基づいてモデル２０を学習する学習部１０２と、学習信号それぞれがモデル２０に寄与する度合いを示す寄与度を出力する寄与度出力部１０３と、学習したモデルを出力するモデル出力部１０４と、を有する。

信号選択装置１０は、複数の候補信号と、これら複数の候補信号に予め付与された学習ラベルと、を取得する第１取得部１１と、複数の候補信号として追加される追加信号と、この追加信号に付与された学習ラベルと、を取得する第２取得部１２と、複数の候補信号から特徴量を算出する特徴量算出部１３と、算出された特徴量と学習ラベルとを外部に提供する提供部１４と、学習信号を選択するための条件を設定する条件入力部１５と、特徴量と学習ラベルとの比較に基づいて学習信号を選択する選択部１６と、を有する。

第１取得部１１は、ユーザによって提供される複数の候補信号及び学習ラベルを対応づけて示すデータを取得する。このデータの取得は、ユーザによって入力されたデータの受信であってもよいし、ユーザによって提供された記録媒体からのデータの読み出しであってもよいし、ユーザによって指定されたアドレスに格納されているデータの記憶装置からの読み出しであってもよい。第１取得部１１は、取得したデータを特徴量算出部１３に送出する。第１取得部１１は、信号選択装置１０において複数の候補信号と学習ラベルとを対応づけて取得する第１取得手段の一例である。

第２取得部１２は、学習装置１００とは異なる学習装置１００ａによって提供される追加信号及び学習ラベルを含む蓄積データ４１をサーバ４０から取得する。学習装置１００ａは、学習装置１００と同一の工場又は異なる工場に設置され、学習装置１００と同等の構成を有する装置である。サーバ４０は、学習装置１００，１００ａにネットワークを介して接続されるデータベースサーバである。第２取得部１２によって取得される蓄積データ４１には、後述の特徴量が含まれ得る。第１取得部１１によって取得されるデータが不十分な場合、及び、第１取得部１１によって取得されるデータによる信号選択及びモデル学習の精度を向上させる場合に、第２取得部１２によって取得される蓄積データ４１が利用される。なお、追加信号は、センシング結果としての時系列データを示し、この時系列データを出力したセンサと同機種のセンサに対応する候補信号に追加される。第２取得部１２は、取得した蓄積データ４１を特徴量算出部１３に送出する。第２取得部１２は、信号選択装置１０において複数の追加信号とこれら複数の追加信号に関連付けられた特徴量とを取得する第２取得手段の一例である。

特徴量算出部１３は、第１取得部１１によって取得された複数の候補信号から１又は複数の特徴量を算出する。特徴量は、例えば、候補信号から切り出された部分信号の自己相関、平均及び分散に代表される統計値、最大値、又は最小値であるが、これには限定されず、その他の値を特徴量としてもよい。また、特徴量算出部１３は、第２取得部１２によって取得された蓄積データ４１に特徴量が含まれない場合には、蓄積データ４１に含まれる候補信号から特徴量を算出する。そして、特徴量算出部１３は、取得した候補信号及び学習ラベルと算出した特徴量とを提供部１４及び選択部１６に送出する。特徴量算出部１３は、複数の候補信号から１又は複数の特徴量を算出する特徴量算出手段の一例である。

なお、図４では、候補信号それぞれから１つの特徴量が算出される例が示されたが、これには限定されない。特徴量算出部１３は、図９に示されるように、第１候補信号から第１特徴量及び第２特徴量を算出してもよい。また、特徴量算出部１３は、第１候補信号から第１学習ラベルが付与された部分を抽出してから第３特徴量を算出し、第２学習ラベルが付与された部分を抽出してから、第３特徴量とは異なるものとして第４特徴量を算出してもよい。さらに、特徴量算出部１３は、複数の候補信号から、当該候補信号の数より少ない数の特徴量を算出してもよい。例えば、図９に示されるように、特徴量算出部１３は、第１候補信号及び第２候補信号から第５特徴量を算出してもよい。このような第５特徴量は、例えば、相関係数及び平均値に代表される統計値である。

図１に戻り、提供部１４は、特徴量算出部１３から得た候補信号、学習ラベル及び特徴量を関連付けて、蓄積データ４２としてサーバ４０に提供する。この蓄積データ４２は、他の学習装置１００ｂによる信号選択及びモデル学習に利用される。図１０には、蓄積データ４２の例が示されている。提供部１４は、複数の候補信号と特徴量とを関連付けて他の装置に提供する提供手段の一例である。

条件入力部１５には、モデルの学習に関する条件と、学習信号の選択に関する条件と、の少なくとも一方が入力される。これらの条件は、例えば、予兆検知をしたいという目的に代表される課題或いはモデルの用途、モデル学習の手法を含む信号分析手法の指定、ユーザが要求する分析精度、選択すべき学習信号の数、及び、ユーザが許容する処理時間である。条件入力部１５に入力された条件は、選択部１６に通知される。

選択部１６は、条件入力部１５から通知された条件と、特徴量算出部１３から送出されたデータと、に基づいて複数の候補信号からモデル学習に適した学習信号を選択する。詳細には、選択部１６は、特徴量と学習ラベルとの間の、条件に応じた関係に基づいて信号を選択する。例えば、選択部１６は、異常検知という目的が条件として設定された場合に、学習ラベルと相関する特徴量に対応する候補信号を学習信号として選択する。なお、選択部１６は、条件によっては、他の手法により学習信号を選択する。例えば、劣化診断或いは寿命予測という目的が条件として設定された場合に、選択部１６は、時間の経過に伴って学習ラベルとの関係が変化する特徴量に対応する候補信号を学習信号として選択する。

また、分析手法が条件として入力された場合に、選択部１６は、その分析手法を使用することを前提とした特徴量を生成するための信号を選択してもよい。例えば、電流値に基づく分析手法が指定された場合に、選択部１６は、電流値を示す信号を選択してもよい。比較的高い要求精度が条件として入力された場合に、選択部１６は、モデルの精度を高めるために、選択する信号の数を多くしてもよい。比較的短い許容処理時間が条件として入力された場合に、選択部１６は、選択する信号の数を少なくしてもよい。

また、選択部１６は、特徴量がラベルの付与に有用である度合いを示す有用度を算出した上で信号を選択してもよい。有用度は、例えば、図５に例示される第１特徴量については、クラスがよく分離されるため高くなり、図６に例示される第３特徴量については、クラスがよく分離されないため低くなる。そして、選択部１６は、クラスに対応する分布間の距離がどの程度離れていれば選択対象とするかを判断するための閾値を予め定めて、分布間距離と閾値との大小関係により信号を選択してもよい。選択部１６は、特徴量が学習ラベルに関連する度合いに基づき、複数の候補信号から学習信号を選択する選択手段の一例である。

図１に戻り、学習部１０２は、条件入力部１５に入力された条件に応じて、手法蓄積部１０１から学習手法を示すデータを読み出して、読み出した手法によりモデルを学習する。学習部１０２は、信号選択装置１０によって選択された学習信号に基づいてモデルを学習する学習手段の一例である。なお、手法蓄積部１０１には、種々のモデル学習をするための情報が蓄積されている。この情報は、例えば、モデル学習の手順或いはアルゴリズムを示す情報であってもよいし、モデル学習を実行するプログラムであってもよい。

寄与度出力部１０３は、学習信号がラベルの付与に寄与する度合いを算出して出力する。詳細には、寄与度出力部１０３は、複数の学習信号から１以上の抽出信号を抽出して、抽出信号及び学習モデルから学習部１０２に新たなモデルを学習させる。抽出信号の寄与度が高い場合には、新たなモデルにより抽出信号に付与されるラベルと学習ラベルとの一致率が高くなる一方、抽出信号の寄与度が低い場合には、新たなモデルにより抽出信号に付与されるラベルと学習ラベルとの一致率が低くなる。

例えば、図１１に示されるように、第１学習信号、第２学習信号及び第３学習信号の３つの信号がある場合において、第３学習信号を除外して第１学習信号及び第２学習信号から新たにモデルＭ１２が学習される。同様に、第２学習信号を除外して第１学習信号及び第３学習信号から新たにモデルＭ１３が学習され、第１学習信号を除外して第２学習信号及び第３学習信号から新たにモデルＭ２３が学習される。

そして、図１２に示されるように、新たなモデルＭ１２，Ｍ１３，Ｍ２３それぞれによって付与されたラベルと、学習ラベルと、の比較により、新たなモデルにより付与されたラベルと学習ラベルとの一致率が得られる。図１０の例では、モデルＭ１２によるラベルと学習ラベルとの一致率は、比較的高い８０％である。したがって、第３学習信号を除外してもある程度正確なラベルが付与されることから、第１学習信号及び第２学習信号の寄与度が比較的高く、第３学習信号の寄与度が比較的低いことがわかる。同様に、モデルＭ１３によるラベルと学習ラベルとの一致率が比較的低いことから、第２学習信号の寄与度が高いことがわかる。

寄与度出力部１０３は、図１３に示されるように、ラベルの一致率から各学習信号の寄与度を算出して出力する。一致率から寄与度を算出する手法は任意である。例えば、寄与度出力部１０３は、一の学習信号を用いて学習された新たなモデルによる一致率の平均値を寄与度としてもよい。すなわち、寄与度出力部１０３は、図１３に示される例では、第１学習信号を用いて学習された新たなモデルＭ１２，Ｍ１３による一致率の平均値５０％を、この第１学習信号の寄与率としてもよい。同様に、モデルＭ１２，Ｍ２３による一致率の平均値６５％を第２学習信号の寄与率とし、モデルＭ１３，Ｍ２３による一致率の平均値３５％を第３学習信号の寄与率としてもよい。また、寄与度の出力は、画面表示によるユーザへの提示であってもよいし、記憶装置への書き込みであってもよいし、他の装置への送信であってもよい。寄与度出力部１０３は、信号選択装置１０によって選択された複数の学習信号それぞれがラベルの付与に寄与する度合いを示す寄与度を出力する寄与度出力手段の一例である。

モデル出力部１０４は、学習部１０２によって学習されたモデルを示すデータを出力する。この出力は、記憶装置への書き込みであってもよいし、他の装置への送信であってもよい。モデル出力部１０４によって出力されたモデルは、入力信号に対してラベルを付与するために利用される。

学習装置１００は、上述の機能を発揮するために、そのハードウェア構成として、図１４に示されるように、プロセッサ５１と、主記憶部５２と、補助記憶部５３と、入力部５４と、出力部５５と、通信部５６と、を有する。主記憶部５２、補助記憶部５３、入力部５４、出力部５５及び通信部５６はいずれも、内部バス５７を介してプロセッサ５１に接続される。

プロセッサ５１は、ＣＰＵ（Central Processing Unit）を含む。プロセッサ５１は、補助記憶部５３に記憶されるプログラムＰ１を実行することにより、学習装置１００の種々の機能を実現して、後述の処理を実行する。

主記憶部５２は、ＲＡＭ（Random Access Memory）を含む。主記憶部５２には、補助記憶部５３からプログラムＰ１がロードされる。そして、主記憶部５２は、プロセッサ５１の作業領域として用いられる。

補助記憶部５３は、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read-Only Memory）及びＨＤＤ（Hard Disk Drive）に代表される不揮発性メモリを含む。補助記憶部５３は、プログラムＰ１の他に、プロセッサ５１の処理に用いられる種々のデータを記憶する。補助記憶部５３は、プロセッサ５１の指示に従って、プロセッサ５１によって利用されるデータをプロセッサ５１に供給し、プロセッサ５１から供給されたデータを記憶する。

入力部５４は、入力キー及びポインティングデバイスに代表される入力デバイスを含む。入力部５４は、学習装置１００のユーザによって入力された情報を取得して、取得した情報をプロセッサ５１に通知する。

出力部５５は、ＬＣＤ（Liquid Crystal Display）及びスピーカに代表される出力デバイスを含む。出力部５５は、プロセッサ５１の指示に従って、種々の情報をユーザに提示する。

通信部５６は、外部の装置と通信するためのネットワークインタフェース回路を含む。通信部５６は、外部から信号を受信して、この信号により示されるデータをプロセッサ５１へ出力する。また、通信部５６は、プロセッサ５１から出力されたデータを示す信号を外部の装置へ送信する。

図１４に示されるハードウェア構成が協働することにより、学習装置１００は、図１に示された種々の機能を発揮する。詳細には、プロセッサ５１、入力部５４及び通信部５６の少なくとも１つによって第１取得部１１が実現される。また、通信部５６によって第２取得部１２及び提供部１４が実現される。プロセッサ５１によって特徴量算出部１３、選択部１６、学習部１０２が実現される。入力部５４によって条件入力部１５が実現される。補助記憶部５３によって手法蓄積部１０１が実現される。プロセッサ５１、出力部５５及び通信部５６の少なくとも１つによって寄与度出力部１０３及びモデル出力部１０４が実現される。

続いて、学習装置１００によって実行される学習処理について、図１５〜１９を用いて説明する。図１５には、候補信号から選択した学習信号によりモデルを学習する学習処理が示されている。この学習処理は、学習装置１００の特定のプログラムが実行されることにより開始する。

学習処理では、第１取得部１１が、候補信号と学習ラベルとを取得する（ステップＳ１）。例えば、第１取得部１１は、図１６に例示されるデータを取得する。

次に、学習装置１００は、外部から提供される蓄積データがあるか否かを判定する（ステップＳ２）。具体的には、第２取得部１２が、サーバ４０にアクセスして、ステップＳ１で取得した候補信号に追加される追加信号と学習ラベルとを含む蓄積データが存在するか否かを問い合わせる。また、第２取得部１２は、ユーザから指定された場合に限って、蓄積データの存在を確認してもよい。

蓄積データがないと判定された場合（ステップＳ２；Ｎｏ）、学習装置１００による処理は、ステップＳ４へ移行する。一方、蓄積データがあると判定された場合（ステップＳ２；Ｙｅｓ）、第２取得部１２は、蓄積データとして追加信号と学習ラベルを取得する（ステップＳ３）。ここで、取得される蓄積データには、追加信号から他の学習装置によって算出された特徴量が含まれていてもよい。これにより、図１７に示されるように、ステップＳ１で取得された候補信号に追加信号が追加されて、信号の選択及びモデルの学習のために利用される信号を十分なものとすることができる。

図１５に戻り、ステップＳ３に続いて、特徴量算出部１３が、候補信号から特徴量を算出する（ステップＳ４）。具体的には、特徴量算出部１３が、候補信号から予め定められた区間で切り出された部分信号から特徴量を算出する。そして、提供部１４が、候補信号と学習ラベルとを関連付けて蓄積データとして外部に提供する（ステップＳ５）。これにより、他の学習装置が、蓄積データを利用して信号の選択及びモデルの学習をすることができる。

次に、選択部１６が、ステップＳ１で取得された学習ラベルと、ステップＳ４で算出された特徴量との関連する度合いを示す関連度を算出する（ステップＳ６）。具体的には、条件入力部１５に入力された条件に応じて、選択部１６が、学習ラベルと特徴量との関連度を算出する。例えば、異常検知という条件が入力された場合には、選択部１６は、学習ラベルと特徴量との相関する度合いを、関連度として算出する。この学習ラベルと特徴量との相関する度合いは、例えば、図５のように観測される分布が異なる尺度であってもよいし、学習ラベル毎の特徴量の独立性を評価することで算出されてもよい。なお、図１８に例示されるように、３種類の学習ラベルそれぞれに対応する度数分布を表す線のうち、線Ｌ３１，Ｌ３２に対応する分布が重複しているが、線Ｌ３３に対応する分布は、他の分布と重複していない。このため、第３特徴量は、線Ｌ３３に対応する第３の学習ラベルとの関連度が高い。また、劣化診断という条件が入力された場合には、選択部１６は、学習ラベルと特徴量との関係が時間の経過に応じて変化する度合いを、関連度として算出する。関連度の算出手法は任意であるが、候補信号がラベルの付与に有用であるときに当該候補信号から得た特徴量の関連度が高くなればよい。

次に、選択部１６は、ステップＳ６で算出した関連度が高い特徴量に対応する候補信号を、学習信号として選択する（ステップＳ７）。具体的には、選択部１６は、すべての候補信号のうち、関連度が高い特徴量に対応する順に、予め設定された数だけの候補信号を選択する。すなわち、選択部１６は、複数の候補信号のうち、学習ラベルと関連する度合いが他の特徴量より高い特徴量に対応する候補信号を、学習信号として選択する。

次に、学習部１０２は、ステップＳ７で選択された学習信号と、ステップＳ１で取得された学習ラベルと、からモデルを学習し（ステップＳ８）、モデル出力部１０４は、ステップＳ８で学習されたモデルを出力する（ステップＳ９）。

次に、寄与度出力部１０３が寄与度出力処理を実行する（ステップＳ１０）。この寄与度出力処理について、図１９を用いて説明する。

寄与度出力処理では、寄与度出力部１０３が、複数の学習信号から１以上の抽出信号を抽出する（ステップＳ１０１）。具体的には、寄与度出力部１０３が、複数の学習信号から、少なくとも１つの学習信号を除外して、残りの１つ以上の学習信号を抽出信号として抽出する。ここで、除外する数は任意であって、抽出の対象も任意である。例えば、寄与度出力部１０３は、複数の学習信号から１以上の信号を抽出するすべての組合せのうち、未だ抽出していない組合せの信号を抽出してもよい。ただし、学習信号の数が多くなると組合せの数が膨大になるため、寄与度出力部１０３は、複数の学習信号からランダムに信号を抽出してもよい。また、抽出信号の数が予め定められた上で、寄与度出力部１０３は、複数の学習信号から、抽出信号を抽出するすべての組合せのうち、未だ抽出していない組合せの信号を抽出してもよい。抽出信号の数は、例えば、１又は２である。

次に、学習部１０２は、ステップＳ１０１で抽出した抽出信号と学習ラベルとから新たなモデルを学習し（ステップＳ１０２）、寄与度出力部１０３は、ステップＳ１０２で学習された新たなモデルにより抽出信号にラベルを付与する（ステップＳ１０３）。そして、寄与度出力部１０３は、ステップＳ１０３で付与したラベルと学習ラベルとの一致率を算出する（ステップＳ１０４）。

次に、寄与度出力部１０３は、抽出の試行回数が十分か否かを判定する（ステップＳ１０５）。具体的には、寄与度出力部１０３は、予め規定された回数だけ、ステップＳ１０１〜Ｓ１０４を実行したか否かを判定する。試行回数が十分でないと判定した場合（ステップＳ１０５；Ｎｏ）、寄与度出力部１０３は、ステップＳ１０１以降の処理を繰り返す。

一方、試行回数が十分であると判定した場合（ステップＳ１０５；Ｙｅｓ）、寄与度出力部１０３は、繰り返し実行されたステップＳ１０４で算出された一致率から、各学習信号の寄与度を算出して出力する（ステップＳ１０６）。その後、寄与度出力処理が終了すると、図１５に示されるように、学習処理が終了する。

以上、説明したように、選択部１６は、特徴量が学習ラベルに関連する度合いに基づき、複数の候補信号から学習信号を選択する。具体的には、選択部１６は、学習ラベルと関連する度合いが他の特徴量より高い特徴量に対応する候補信号を、学習信号として選択する。学習ラベルと関連する度合いが高い特徴量は、入力信号に対するラベルの付与に有用であり、この特徴量に対応する候補信号は、モデルの学習に適している。このため、モデルの生成に適当な学習信号を選択することができる。ひいては、データ分析に用いるモデルの精度を向上させることができ、信号の分析にかかる時間を短縮することができる。

また、適当な学習信号を選択することで、適当なモデルを学習し、生産工場の現場或いはプラントで扱われる種々の信号から自動的かつ高精度にラベルを付与して信号を分析することが可能になる。

また、第２取得部１２が蓄積データを取得することで、同一の工場内、又は別工場に設置された同種のセンサ機器の情報を利用して高精度に有用な信号を選択することができる。

また、寄与度出力部１０３が学習信号の寄与度を出力することで、モデルを利用した信号分析を活用する幅が広がる。例えば、ユーザによる分析手法の選択が容易になる。また、分析結果には誤判定が含まれ得るため、どの程度のリスクを見込めばよいかの検討が容易になる。さらに、分析結果に誤りが含まれる場合における対策が容易になる。

実施の形態２．
続いて、実施の形態２について、上述の実施の形態１との相違点を中心に説明する。なお、上記実施の形態１と同一又は同等の構成については、同等の符号を用いるとともに、その説明を省略又は簡略する。上記実施の形態１では、学習信号から一部の信号を抽出する試行を繰り返して試行結果を比較することで学習信号の寄与度が算出された。これに対して、以下では学習信号の値を変更する試行により寄与度を算出する形態について説明する。

寄与度出力部１０３は、図２０に示される寄与度出力処理を実行する。この寄与度出力処理では、寄与度出力部１０３が、複数の学習信号のうち１以上の学習信号の値を変更する（ステップＳ１１１）。値を変更する手法は任意であるが、例えば、ランダムな値に変更される。

次に、学習部１０２が、値が変更された学習信号と学習ラベルから新たなモデルを学習し（ステップＳ１１２）、寄与度出力部１０３が、新たなモデルにより学習信号にラベルを付与する（ステップＳ１１３）。そして、寄与度出力部１０３が、ステップＳ１０３で付与したラベルと学習ラベルとの一致率を算出する（ステップＳ１１４）。寄与度が低い学習信号の値が変更されても、学習信号から学習されたモデルにより付与されたラベルの学習ラベルとの一致率は比較的高く、寄与度が高い学習信号の値が変更されると、一致率が大きく低下すると考えられる。このため、複数の学習信号のうちの一部の学習信号の値を変更する試行を繰り返すことで、寄与度を得ることができる。

次に、寄与度出力部１０３は、値の変更の試行回数が十分であるか否かを判定する（ステップＳ１１５）。試行回数が十分でないと判定した場合（ステップＳ１１５；Ｎｏ）、寄与度出力部１０３は、ステップＳ１１１以降の処理を繰り返す。一方、試行回数が十分であると判定した場合（ステップＳ１１５；Ｙｅｓ）、寄与度出力部１０３は、繰り返し実行されたステップＳ１１４で算出された一致率から、各学習信号の寄与度を算出して出力する（ステップＳ１１６）。その後、寄与度出力処理が終了する。

以上、説明したように、寄与度出力部１０３は、学習信号の値を変更することで、寄与度を算出する。このような形態でも、実施の形態１と同等の効果を得ることができる。

以上、本発明の実施の形態について説明したが、本発明は上記実施の形態によって限定されるものではない。

例えば、上記実施の形態１，２では、発明の理解を容易にするため、１つの候補信号と１つの特徴量とが対応する例を中心に説明したが、これには限定されない。例えば、図２１に示される例では、第１特徴量に関する度数分布では線Ｌ１１と線Ｌ１２が重複していることから、第１特徴量はラベルの判別に寄与せず、第２特徴量に関する度数分布では線Ｌ１１と線Ｌ１２が重複していることから、第２特徴量はラベルの判別に寄与しないように見える。しかしながら、第１特徴量及び第２特徴量の多次元の分布を観察すると、線Ｌ３０を境界として設定することで、ラベルを正確に判定することができる。このため、第１特徴量及び第２特徴量を合わせて、第１学習ラベル及び第２学習ラベルとの関連度が高い特徴量であるといえる。

また、上記実施の形態１，２の手法を組み合わせてもよい。すなわち、学習信号から１以上の抽出信号を抽出して、かつ抽出した信号の値を変更した上で新たなモデルを学習し、新たなモデルにより付与されたラベルと、学習ラベルと、の一致率から寄与度が算出されてもよい。

また、提供部１４によって提供される蓄積データには、候補信号に関連付けられた特徴量に、さらに重み係数を関連付けてもよい。例えば、信頼性の高い機器から得た候補信号に関する特徴量に大きい重み係数を関連付けて、信頼性の低い機器から得た候補信号に関する特徴量に小さい重み係数を関連付けてもよい。これにより、機器の信頼性に応じて特徴量を扱うことができる。そして、信頼性がより求められる類似機器で、特徴量とラベルとの関連性が明らかになった場合に、対象機器ではその関連性の値をシフトして利用してもよい。具体的には、信頼性の高い類似機器から得た候補信号の特徴量に、「故障」、「危険」、「注意」、「経過観察」及び「正常」という５段階のラベルが付与された蓄積データがある例を想定する。この蓄積データを第２取得部１２から取得して流用する際に、「危険」を「注意」に、「注意」を「経過観察」に、「経過観察」及び「正常」を１つにまとめて「正常」に変更して、対象機器に見合ったラベル付けに調整してもよい。

また、上記実施の形態では、生産システムにおける信号を分析するためのモデルを学習する例が示されたが、これには限定されず、学習装置１００は、加工システム、検査システム、その他のシステムにおける信号を分析するためのモデルを学習してもよい。モデルは、工場及びプラントに代表される施設において扱われる信号を分析するモデルであればよい。

また、学習装置１００が信号選択装置１０を含む例について説明したが、これらの装置を別個の構成としてもよい。

また、学習装置１００の機能は、専用のハードウェアによっても、また、通常のコンピュータシステムによっても実現することができる。

例えば、プロセッサ５１によって実行されるプログラムＰ１を、コンピュータ読み取り可能な非一時的な記録媒体に格納して配布し、そのプログラムＰ１をコンピュータにインストールすることにより、上述の処理を実行する装置を構成することができる。このような記録媒体としては、例えばフレキシブルディスク、ＣＤ−ＲＯＭ（Compact Disc Read−Only Memory）、ＤＶＤ（Digital Versatile Disc）、ＭＯ（Magneto−Optical Disc）が考えられる。

また、プログラムＰ１をインターネットに代表される通信ネットワーク上のサーバ装置が有するディスク装置に格納しておき、例えば、搬送波に重畳させて、コンピュータにダウンロードするようにしてもよい。

また、通信ネットワークを介してプログラムＰ１を転送しながら起動実行することによっても、上述の処理を達成することができる。

さらに、プログラムＰ１の全部又は一部をサーバ装置上で実行させ、その処理に関する情報をコンピュータが通信ネットワークを介して送受信しながらプログラムを実行することによっても、上述の処理を達成することができる。

なお、上述の機能を、ＯＳ（Operating System）が分担して実現する場合又はＯＳとアプリケーションとの協働により実現する場合等には、ＯＳ以外の部分のみを媒体に格納して配布してもよく、また、コンピュータにダウンロードしてもよい。

また、学習装置１００の機能を実現する手段は、ソフトウェアに限られず、その一部又は全部を、回路を含む専用のハードウェアによって実現してもよい。

本発明は、本発明の広義の精神と範囲を逸脱することなく、様々な実施の形態及び変形が可能とされるものである。また、上述した実施の形態は、本発明を説明するためのものであり、本発明の範囲を限定するものではない。つまり、本発明の範囲は、実施の形態ではなく、請求の範囲によって示される。そして、請求の範囲内及びそれと同等の発明の意義の範囲内で施される様々な変形が、本発明の範囲内とみなされる。

本発明は、入力信号にラベルを付与するモデルの学習に適している。

１００，１００ａ，１００ｂ 学習装置、 １０ 信号選択装置、 １１ 第１取得部、 １２ 第２取得部、 １３ 特徴量算出部、 １４ 提供部、 １５ 条件入力部、 １６ 選択部、 ２０ モデル、 ４０ サーバ、 ４１ 蓄積データ、 ４２ 蓄積データ、 ５１ プロセッサ、 ５２ 主記憶部、 ５３ 補助記憶部、 ５４ 入力部、 ５５ 出力部、 ５６ 通信部、 ５７ 内部バス、 １０１ 手法蓄積部、 １０２ 学習部、 １０３ 寄与度出力部、 １０４ モデル出力部、 Ｌ１１，Ｌ１２，Ｌ３０，Ｌ３１，Ｌ３２，Ｌ３３ 線、 Ｐ１ プログラム。

本発明は、学習装置、学習方法及びプログラムに関する。

上記目的を達成するため、本発明の学習装置は、データ分析に用いるモデルを学習するための学習信号を複数の候補信号から選択する信号選択装置であって、複数の候補信号と、モデルによる分析結果に対応する状態値である学習ラベルと、を対応づけて取得する第１取得手段と、複数の候補信号から１又は特徴量を算出する特徴量算出手段と、特徴量が学習ラベルに関連する度合いに基づき、複数の候補信号から学習信号を選択する選択手段と、を備える信号選択装置と、信号選択装置によって選択された学習信号に基づいてモデルを学習する学習手段と、信号選択装置によって選択された複数の学習信号それぞれがモデルによるラベルの付与に寄与する度合いを示す寄与度を出力する寄与度出力手段と、を備え、学習手段は、複数の学習信号それぞれの値を変更して新たなモデルを生成する試行を繰り返し、寄与度出力手段は、試行により生成された新たなモデルに従って学習信号に付される付与ラベルと、学習ラベルとの比較に基づいて寄与度を算出して出力する。

Claims (10)

1. データ分析に用いるモデルを学習するための学習信号を複数の候補信号から選択する信号選択装置であって、
   前記複数の候補信号と、前記モデルによる分析結果に対応する状態値である学習ラベルと、を対応づけて取得する第１取得手段と、
   前記複数の候補信号から１又は複数の特徴量を算出する特徴量算出手段と、
   前記特徴量が前記学習ラベルに関連する度合いに基づき、前記複数の候補信号から前記学習信号を選択する選択手段と、
   を備える信号選択装置。
2. 前記特徴量算出手段は、前記候補信号から予め定められた区間で切り出された部分信号から、前記特徴量を算出する、
   請求項１に記載の信号選択装置。
3. 前記選択手段は、前記複数の候補信号のうち、前記学習ラベルと関連する度合いが他の前記特徴量より高い前記特徴量に対応する前記候補信号を、前記学習信号として選択する、
   請求項１又は２に記載の信号選択装置。
4. 前記複数の候補信号と前記特徴量とを関連付けて他の装置に提供する提供手段、
   をさらに備える請求項１から３のいずれか一項に記載の信号選択装置。
5. 前記複数の候補信号として追加される複数の追加信号と、該複数の追加信号に関連付けられた前記特徴量と、を取得する第２取得手段、
   をさらに備える請求項１から４のいずれか一項に記載の信号選択装置。
6. データ分析に用いるモデルを学習するための学習信号を複数の候補信号から選択する請求項１から５のいずれか一項に記載の信号選択装置と、
   前記信号選択装置によって選択された前記学習信号に基づいて前記モデルを学習する学習手段と、
   を備える学習装置。
7. 前記信号選択装置によって選択された複数の前記学習信号それぞれが前記モデルによるラベルの付与に寄与する度合いを示す寄与度を出力する寄与度出力手段、をさらに備え、
   前記信号選択装置は、前記モデルによる分析結果に対応する状態値である学習ラベルを取得し、
   前記学習手段は、複数の前記学習信号から１以上の前記学習信号を抽出信号として抽出して、前記抽出信号に基づいて新たなモデルを生成する試行を繰り返し、
   前記寄与度出力手段は、前記試行により生成された前記新たなモデルに従って前記抽出信号に付与される付与ラベルと、前記学習ラベルとの比較に基づいて前記寄与度を算出して出力する、
   請求項６に記載の学習装置。
8. 前記信号選択装置によって選択された複数の前記学習信号それぞれが前記モデルによるラベルの付与に寄与する度合いを示す寄与度を出力する寄与度出力手段、をさらに備え、
   前記信号選択装置は、前記モデルによる分析結果に対応する状態値である学習ラベルを取得し、
   前記学習手段は、複数の前記学習信号それぞれの値を変更して新たなモデルを生成する試行を繰り返し、
   前記寄与度出力手段は、前記試行により生成された前記新たなモデルに従って前記学習信号に付される付与ラベルと、前記学習ラベルとの比較に基づいて前記寄与度を算出して出力する、
   請求項６に記載の学習装置。
9. データ分析に用いるモデルを学習するための学習信号を複数の候補信号から選択する信号選択方法であって、
   特徴量算出手段が、前記複数の候補信号から特徴量を算出する特徴量算出ステップと、
   選択手段が、前記モデルによる分析結果に対応する状態値である学習ラベルに前記特徴量が関連する度合いに基づき、前記複数の候補信号から前記学習信号を選択する選択ステップと、
   を含む信号選択方法。
10. データ分析に用いるモデルを学習するための学習信号を複数の候補信号から選択するコンピュータに、
    前記複数の候補信号から特徴量を算出し、
    前記モデルによる分析結果に対応する状態値である学習ラベルに前記特徴量が関連する度合いに基づき、前記複数の候補信号から前記学習信号を選択する、
    ことを実行させるためのプログラム。

Images