KR102413753B1 - 정보 처리 장치, 정보 처리 방법 및 기록 매체에 저장된 정보 처리 프로그램 - Google Patents
정보 처리 장치, 정보 처리 방법 및 기록 매체에 저장된 정보 처리 프로그램 Download PDFInfo
- Publication number
- KR102413753B1 KR102413753B1 KR1020217026678A KR20217026678A KR102413753B1 KR 102413753 B1 KR102413753 B1 KR 102413753B1 KR 1020217026678 A KR1020217026678 A KR 1020217026678A KR 20217026678 A KR20217026678 A KR 20217026678A KR 102413753 B1 KR102413753 B1 KR 102413753B1
- Authority
- KR
- South Korea
- Prior art keywords
- parameter
- degree
- influence
- model
- selection
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
영향도 분석부(103)는, 복수의 파라미터에 대하여, 파라미터값을 변화시킨 경우의 기기에의 영향도를 파라미터마다 분석한다. 파라미터 선택부(104)는, 복수의 파라미터 중에서, 선택 조건에 합치하는 영향도가 얻어진 파라미터를 선택 파라미터로서 선택한다. 유사도 산출부(106)는, 기기의 복수의 동작 모델에 대하여, 각 동작 모델에 설정되어 있는 복수의 파라미터 중 선택 파라미터에 대응하는 파라미터와 선택 파라미터의 유사도를 동작 모델마다 산출한다. 초기 확률 산출부(107)는, 각 동작 모델에 초기값으로서 설정하는 확률인 초기 확률을, 동작 모델마다, 각 동작 모델의 유사도에 근거하여 산출한다.
Description
본 발명은, 동작 모델을 이용하여 기기 상태를 추정하는 기술에 관한 것이다.
본 발명에 관련된 기술로서 특허문헌 1에 기재된 기술이 있다.
특허문헌 1에서는, 기기 상태를 추정하기 위한 복수의 동작 모델이 준비된다. 그리고, 특허문헌 1에서는, 각 동작 모델에 설정되어 있는 상태 추정값, 기기에 있어서 계측된 센서값 등을 이용하여, 각 동작 모델의 모델 우도(尤度)가 산출된다. 그리고, 특허문헌 1에서는, 모델 우도를 이용하여 각 동작 모델의 모델 확률을 갱신함으로써 상태 추정 정밀도를 향상시킨다.
특허문헌 1의 기술에서는, 각 동작 모델의 모델 확률의 초기값(이하, 초기 확률이라고 함)의 설정 방법은 개시되어 있지 않다.
이 때문에, 특허문헌 1의 기술을 이용하는 경우는, 모든 동작 모델에서 일률적으로 동일한 초기 확률을 설정하거나, 또는 시스템 이용자가 추측에 의해 각 동작 모델의 초기 확률을 설정하는 것이 상정된다.
본 발명은, 이러한 사정에 비추어, 시스템 이용자의 역량 또는 경험에 의지하지 않고, 타당성이 높은 동작 모델의 초기 확률을 얻는 것을 주된 목적으로 한다.
본 발명에 따른 정보 처리 장치는,
복수의 파라미터에 대해, 파라미터값을 변화시킨 경우의 기기에의 영향도를 파라미터마다 분석하는 영향도 분석부와,
상기 복수의 파라미터 중에서, 선택 조건에 합치하는 영향도가 얻어진 파라미터를 선택 파라미터로서 선택하는 파라미터 선택부와,
상기 기기의 복수의 동작 모델에 대해, 각 동작 모델에 설정되어 있는 복수의 파라미터 중 상기 선택 파라미터에 대응하는 파라미터와 상기 선택 파라미터의 유사도를 동작 모델마다 산출하는 유사도 산출부와,
각 동작 모델에 초기값으로서 설정하는 확률인 초기 확률을, 동작 모델마다, 각 동작 모델의 유사도에 근거하여 산출하는 초기 확률 산출부를 갖는다.
본 발명에 의하면, 시스템 이용자의 역량 또는 경험에 의지하지 않고, 타당성이 높은 동작 모델의 초기 확률이 얻어진다.
도 1은 실시의 형태 1에 따른 정보 처리 장치의 하드웨어 구성예를 나타내는 도면이다.
도 2는 실시의 형태 1에 따른 정보 처리 장치의 기능 구성예를 나타내는 도면이다.
도 3은 실시의 형태 1에 따른 정보 처리 장치의 동작예를 나타내는 흐름도.
도 4는 실시의 형태 1에 따른 물리 모델 선택 처리를 나타내는 도면이다.
도 5는 실시의 형태 1에 따른 영향도 분석 처리를 나타내는 도면이다.
도 6은 실시의 형태 1에 따른 파라미터 선택 처리의 예를 나타내는 도면이다.
도 7은 실시의 형태 1에 따른 유사도의 산출예 및 모델 확률의 산출예를 나타내는 도면이다.
도 8은 실시의 형태 1에 따른 각 동작 모델의 유사도와 초기 확률의 예를 나타내는 도면이다.
도 9는 실시의 형태 1에 따른 상태 추정 시스템의 개략을 나타내는 도면이다.
도 2는 실시의 형태 1에 따른 정보 처리 장치의 기능 구성예를 나타내는 도면이다.
도 3은 실시의 형태 1에 따른 정보 처리 장치의 동작예를 나타내는 흐름도.
도 4는 실시의 형태 1에 따른 물리 모델 선택 처리를 나타내는 도면이다.
도 5는 실시의 형태 1에 따른 영향도 분석 처리를 나타내는 도면이다.
도 6은 실시의 형태 1에 따른 파라미터 선택 처리의 예를 나타내는 도면이다.
도 7은 실시의 형태 1에 따른 유사도의 산출예 및 모델 확률의 산출예를 나타내는 도면이다.
도 8은 실시의 형태 1에 따른 각 동작 모델의 유사도와 초기 확률의 예를 나타내는 도면이다.
도 9는 실시의 형태 1에 따른 상태 추정 시스템의 개략을 나타내는 도면이다.
이하, 본 발명의 실시의 형태에 대해, 도면을 이용하여 설명한다. 이하의 실시의 형태의 설명 및 도면에 있어서, 동일한 부호를 붙인 것은, 동일한 부분 또는 상당하는 부분을 나타낸다.
(실시의 형태 1)
***상태 추정 시스템의 설명***
먼저, 본 실시의 형태의 전제로 되는 상태 추정 시스템을 설명한다.
도 9는, 복수의 동작 모델을 이용하여 기기(300) 상태를 추정하는 상태 추정 시스템의 개략을 나타낸다. 기기(300)란, 예를 들면, 공장에 배치되어 있는 제조 기기, 제어 기기 등이다. 또, 기기(300)는, 이것들에 한정되지 않는다.
도 9에서는, 동작 모델 A, 동작 모델 B, 동작 모델 C가 이용된다. 동작 모델 A, 동작 모델 B, 동작 모델 C는, 기기(300)의 동작을 시뮬레이트한다. 동작 모델 A는, 예를 들면, 기기(300)가 정상으로 동작하고 있을 때의 동작을 시뮬레이트한다. 동작 모델 B는, 예를 들면, 기기(300)에 경미한 불편이 발생하고 있을 때의 동작을 시뮬레이트한다. 동작 모델 C는, 예를 들면, 기기(300)에 중대한 불편이 발생하고 있을 때의 동작을 시뮬레이트한다.
센서(400)는, 주기적으로 기기(300)의 부분(301)을 감시한다. 예를 들면, 센서(400)는, 주기적으로 부분(301)의 전류값을 계측한다.
그리고, 센서(400)에서 센서값(예를 들면, 전류값)이 계측될 때에, 각 동작 모델에 설정되어 있는 상태 추정값, 계측된 센서값 등을 이용하여, 동작 모델 A, 동작 모델 B 및 동작 모델 C의 각각의 모델 확률이 갱신된다. 또, 모델 확률이 갱신될 때에, 가장 모델 확률이 높은 동작 모델이 선택되고, 선택된 동작 모델이 이용되어 기기(300) 상태가 추정된다.
도 9의 예에서는, 동작 모델 C의 모델 확률이 가장 높기 때문에, 동작 모델 C가 선택된다.
상술한 바와 같이, 특허문헌 1에서는, 모델 확률의 초기값인 초기 확률의 설정 방법이 개시되어 있지 않기 때문에, 예를 들면, 각 동작 모델에서 일률적으로 동일한 초기 확률이 설정되거나, 또는 시스템 이용자의 추측에 의해 각 동작 모델의 초기 확률이 설정되는 것이 생각된다.
도 9의 예에서는, 각 동작 모델에서 일률적으로 동일한 초기 확률(0.25)이 설정되어 있다.
본 실시의 형태에서는, 시스템 이용자의 역량 또는 경험에 의지하지 않고, 타당성이 높은 동작 모델의 초기 확률을 얻는 구성을 설명한다.
***구성의 설명***
도 1은, 본 실시의 형태에 따른 정보 처리 장치(100)의 하드웨어 구성예를 나타낸다.
또, 도 2는, 본 실시의 형태에 따른 정보 처리 장치(100)의 기능 구성예를 나타낸다.
정보 처리 장치(100)는, 컴퓨터이다.
정보 처리 장치(100)는, 도 1에 나타내는 바와 같이, 하드웨어로서, 프로세서(901), 주 기억 장치(902), 보조 기억 장치(903) 및 통신 장치(904)를 구비한다.
보조 기억 장치(903)에는, 도 2에 나타내는 물리 모델 선택부(102), 영향도 분석부(103), 파라미터 선택부(104), 유사도 산출부(106) 및 초기 확률 산출부(107)의 기능을 실현하는 프로그램이 기억되어 있다.
이들 프로그램은, 보조 기억 장치(903)로부터 주 기억 장치(902)에 로드된다. 그리고, 프로세서(901)가 이들 프로그램을 실행하여, 후술하는 물리 모델 선택부(102), 영향도 분석부(103), 파라미터 선택부(104), 유사도 산출부(106) 및 초기 확률 산출부(107)의 동작을 행한다.
도 1에서는, 프로세서(901)가 물리 모델 선택부(102), 영향도 분석부(103), 파라미터 선택부(104), 유사도 산출부(106) 및 초기 확률 산출부(107)의 기능을 실현하는 프로그램을 실행하고 있는 상태를 모식적으로 나타내고 있다.
또, 도 2에 나타내는 물리 모델 기억부(101) 및 동작 모델 기억부(105)는, 예를 들면, 주 기억 장치(902) 또는 보조 기억 장치(903)로 실현된다.
정보 처리 장치(100)는, 도 2에 나타내는 바와 같이, 물리 모델 기억부(101), 물리 모델 선택부(102), 영향도 분석부(103), 파라미터 선택부(104), 동작 모델 기억부(105), 유사도 산출부(106) 및 초기 확률 산출부(107)를 구비한다.
물리 모델 기억부(101)는, 복수의 기기(300)의 물리 모델을 기억한다. 기기(300)마다 물리 모델이 마련되어 있다.
물리 모델은, 기기(300)의 동작을 시뮬레이트한다. 또, 물리 모델에는 복수의 파라미터가 마련되어 있다.
물리 모델 선택부(102)는, 기기 정보(201)에 근거하여, 물리 모델 기억부(101)에서 기억되어 있는 복수의 물리 모델 중에서, 초기 확률의 산출 대상의 기기(300)의 물리 모델을 선택한다. 또 이하에서는, 초기 확률의 산출 대상의 기기(300)를 대상 기기(300)라고 한다.
기기 정보(201)는, 예를 들면, 대상 기기(300)의 ID(Identifier) 정보이다.
영향도 분석부(103)는, 복수의 파라미터의 파라미터값을 변화시킨 경우의 대상 기기(300)에의 영향도를 파라미터마다 분석한다.
파라미터 센서 정보(202)에는, 파라미터마다, 대응하는 센서(400)가 나타난다.
영향도 분석부(103)는, 파라미터 센서 정보(202)에 나타나는 센서(400)의 센서값을 이용하여, 파라미터값을 변화시킨 경우의 대상 기기(300)에의 영향도를 파라미터마다 분석한다. 파라미터값을 변화시킨 경우의 센서(400)의 센서값은 물리 모델 선택부(102)에 의해 선택된 물리 모델을 이용한 시뮬레이션에 의해 얻어진다.
영향도는, 파라미터의 변화에 대한 센서값의 변화의 정도(감도)이다. 예를 들면, 영향도 분석부(103)는, 「(변화 후의 파라미터값-변화전의 파라미터값)÷변화 후의 센서값-변화전의 센서값)」에 의해 영향도를 산출한다. 이 수식을 이용하는 경우는, 이 수식에 의해 얻어진 값이 높으면 영향도가 높은 것으로 된다.
또, 영향도 분석부(103)에 의해 행해지는 처리는, 영향도 분석 처리에 상당한다.
파라미터 선택부(104)는, 복수의 파라미터 중에서, 선택 조건에 합치하는 영향도가 얻어진 파라미터를 선택 파라미터로서 선택한다.
또, 파라미터 선택부(104)는, 동작 모델 기억부(105)에서 기억되어 있는 복수의 동작 모델에 설정되어 있는 복수의 파라미터 중 선택 파라미터에 대응하는 파라미터를 동작 모델 기억부(105)로부터 취득한다.
그리고, 파라미터 선택부(104)는, 선택 파라미터의 값과 동작 모델 기억부(105)로부터 취득한 파라미터의 값을 유사도 산출부(106)에 출력한다.
또, 파라미터 선택부(104)에 의해 행해지는 처리는, 파라미터 선택 처리에 상당한다.
동작 모델 기억부(105)는, 복수의 동작 모델을 기억한다.
동작 모델은, 상술한 바와 같이, 기기(300)의 동작을 시뮬레이트한다. 동작 모델 기억부(105)에서는, 도 9에 나타낸 동작 모델 A, 동작 모델 B 및 동작 모델 C와 같이, 기기(300)의 여러가지 모양(정상 동작, 경미한 불편 발생, 중대한 불편 발생 등)에 대응한 복수의 동작 모델이 저장된다.
또, 각 동작 모델에는, 물리 모델에 설정되어 있는 파라미터와 동일한 파라미터가 설정되어 있다.
유사도 산출부(106)는, 각 동작 모델에 설정되어 있는 복수의 파라미터 중 선택 파라미터에 대응하는 파라미터와 선택 파라미터의 유사도를 동작 모델마다 산출한다.
즉, 유사도 산출부(106)는, 파라미터 선택부(104)에 의해 취득된 각 동작 모델의 파라미터와 선택 파라미터의 유사도를 동작 모델마다 산출한다.
유사도 산출부(106)에 의해 행해지는 처리는, 유사도 산출 처리에 상당한다.
초기 확률 산출부(107)는, 각 동작 모델에 초기값으로서 설정하는 모델 확률인 초기 확률을, 동작 모델마다, 각 동작 모델의 유사도에 근거하여 산출한다.
즉, 초기 확률 산출부(107)는, 유사도 산출부(106)에 의해 산출된 각 동작 모델의 유사도를 이용하여, 각 동작 모델의 초기 확률을 산출한다.
초기 확률 산출부(107)에 의해 행해지는 처리는, 초기 확률 산출 처리에 상당한다.
***동작의 설명***
다음에, 도 3을 참조하여, 본 실시의 형태에 따른 정보 처리 장치(100)의 동작예를 설명한다.
먼저, 단계 S11에 있어서, 물리 모델 선택부(102)가 물리 모델을 선택한다(물리 모델 선택 처리).
도 4는, 단계 S11의 개요를 나타낸다.
물리 모델 선택부(102)는, 도 4에 나타내는 바와 같이, 기기 정보(201)를 취득하고, 기기 정보(201)에 기재되어 있는 ID에 대응하는 물리 모델(203)을 물리 모델 기억부(101)로부터 취득한다.
도 4의 예에서는, 기기 A가 대상 기기이다. 그리고, 기기 정보(201)에는, 기기 A의 ID로서 「100－001」이 기재되어 있다. 물리 모델 선택부(102)는, ID 「100－001」에 대응하는 물리 모델(203)을 물리 모델 기억부(101)로부터 취득한다.
다음에, 단계 S12에 있어서, 영향도 분석부(103)가 영향도를 분석한다(영향도 분석 처리).
도 5는, 단계 S12의 개요를 나타낸다.
영향도 분석부(103)는, 도 5에 나타내는 바와 같이, 물리 모델(203)의 복수의 파라미터의 각각을 1개씩 변화시켜 각 파라미터에 의한 대상 기기(300)에의 영향도를 분석한다.
상술한 바와 같이, 파라미터 센서 정보(202)에는, 파라미터마다 대응하는 센서(400)가 나타난다. 도 5의 예에서는, 파라미터 센서 정보(202)에 있어서, 요소 a에 대응하는 센서(400)로서 센서 1과 당해 센서 1의 ID(1－1)가 나타나고, 요소 b에 대응하는 센서(400)로서 센서 2와 당해 센서 2의 ID(1－2)가 나타난다. 즉, 예를 들면 요소 a의 치수의 값을 변화시킨 경우는, 센서 1의 센서값이 변화한다. 또, 예를 들면 요소 b의 치수의 값을 변화시킨 경우는, 센서 2의 값이 변화한다. 요소 a의 값을 변화시킨 경우의 센서 1의 센서값 및 요소 b의 값을 변화시킨 경우의 센서 2의 센서값은, 물리 모델을 이용한 시뮬레이션에 의해 얻어진다.
파라미터 센서 정보(202)는, 파라미터마다, 예를 들면, 상술한 수식을 이용하여 영향도를 산출한다.
다음에, 단계 S13에 있어서, 파라미터 선택부(104)가, 복수의 파라미터 중에서 선택 조건에 합치하는 영향도가 얻어진 파라미터를 선택 파라미터로서 선택한다(파라미터 선택 처리).
예를 들면, 파라미터 선택부(104)는, 임계값 이상의 영향도가 얻어진 파라미터를 선택 파라미터로서 선택한다. 이 경우의 선택 조건은, 임계값 이상의 영향도라고 하는 조건이다.
또, 예를 들면, 파라미터 선택부(104)는, 영향도가 상위 n(n는 1 이상의 정수)번째 이내의 파라미터를 선택 파라미터로서 선택해도 좋다. 이 경우의 선택 조건은, 영향도가 상위 n번째 이내라고 하는 조건이다.
또, 파라미터 선택부(104)는, 동작 모델 기억부(105)에서 기억되어 있는 복수의 동작 모델에 설정되어 있는 복수의 파라미터 중 선택 파라미터에 대응하는 파라미터를 동작 모델 기억부(105)로부터 취득한다.
예를 들면, 도 5에 나타내는 요소 a와 요소 b가 선택 파라미터로서 선택된 경우는, 파라미터 선택부(104)는, 각 동작 모델의 요소 a의 값과 요소 b의 값을 동작 모델 기억부(105)로부터 취득한다.
그리고, 파라미터 선택부(104)는, 물리 모델의 요소 a의 변화 전의 값(도 5의 예에서는 「10」)과 요소 b의 변화전의 값(도 5의 예에서는 「20」)과, 동작 모델 기억부(105)로부터 취득한 각 동작 모델의 요소 a의 값과 요소 b의 값을 유사도 산출부(106)에 출력한다.
다음에, 단계 S14에 있어서, 유사도 산출부(106)가 유사도를 산출한다(유사도 산출 처리).
도 6은, 단계 S14의 개요를 나타낸다.
유사도 산출부(106)는, 도 6의 예에서는, 선택 파라미터인 요소 a, b, c …의 값과 동작 모델 A의 요소 a, b, c …의 값 사이에 유사도를 구한다. 또, 유사도 산출부(106)는, 선택 파라미터인 요소 a, b, c …의 값과 동작 모델 B의 요소 a, b, c …의 값 사이에 유사도를 구한다. 또, 도 6의 「a, b, c」는, 선택 파라미터를 나타내고, 「aA, bA, cA」는 동작 모델 A의 대응하는 파라미터를 나타내고, 「aB, bB, cB」는 동작 모델 B의 대응하는 파라미터를 나타낸다.
유사도 산출부(106)는, 예를 들면, 동작 모델마다, 도 7에 나타내는 유클리드 거리 d를 산출한다. 그리고, 유사도 산출부(106)는, 산출한 유클리드 거리 d를 도 7에 나타내는 ＜패턴 1＞ 또는 ＜패턴 2＞의 수식에 적용하여, 각 동작 모델의 유사도를 산출한다.
다음에, 단계 S15에 있어서, 초기 확률 산출부(107)가 각 동작 모델의 초기 확률을 산출한다(초기 확률 산출 처리).
예를 들면, 초기 확률 산출부(107)는, 도 7에 나타내는 방법에 의해, 초기 확률을 산출한다. 구체적으로는, 초기 확률 산출부(107)는, 동작 모델 A의 초기 확률을, 「(동작 모델 A의 유사도)/(전체 동작 모델의 유사도의 합계)」에 의해 산출한다.
도 8은, 각 동작 모델의 유사도와 초기 확률의 예를 나타낸다.
초기 확률 산출부(107)는, 이와 같이 하여 산출된 초기 확률을 규정의 출력처로 출력한다. 이 결과, 대상 기기(300)의 실제의 거동과 정합한 초기 확률이 얻어진다.
***실시의 형태의 효과의 설명***
이상, 본 실시의 형태에 의하면, 시스템 이용자의 역량 또는 경험에 의지하지 않고, 타당성이 높은 동작 모델의 초기 확률이 얻어진다.
또, 상기에서는, 기기(300)의 요소의 속성(예를 들면, 치수)을 파라미터로서 이용하는 예를 설명했다. 그러나, 파라미터는, 기기(300)의 요소의 속성에 한정되지 않는다. 예를 들면, 기기(300)의 설치 환경에 관련되는 물리량(온도, 습도, 풍량, 길이, 높이, 무게 등), 기기(300)의 사용 연수 등을 파라미터로서 이용할 수가 있다.
또, 영향도의 산출 방법, 유사도의 산출 방법 및 초기 확률의 산출 방법도, 상기한 것에 한정하지 않고, 다른 산출 방법을 이용할 수가 있다.
***하드웨어 구성의 설명***
마지막으로, 정보 처리 장치(100)의 하드웨어 구성의 보충 설명을 행한다.
도 1에 나타내는 프로세서(901)는, 프로세싱을 행하는 IC(Integrated Circuit)이다.
프로세서(901)는, CPU(Central Processing Unit), DSP(Digital Signal Processor) 등이다.
도 1에 나타내는 주 기억 장치(902)는, RAM(Random Access Memory)이다.
도 1에 나타내는 보조 기억 장치(903)는, ROM(Read Only Memory), 플래쉬 메모리, HDD(Hard Disk Driｖe) 등이다.
도 1에 나타내는 통신 장치(904)는, 데이터의 통신 처리를 실행하는 전자 회로이다.
통신 장치(904)는, 예를 들면, 통신 칩 또는 NIC(Network Interface Card)이다.
또, 보조 기억 장치(903)에는, OS(Operating System)도 기억되어 있다.
그리고, OS의 적어도 일부가 프로세서(901)에 의해 실행된다.
프로세서(901)는 OS의 적어도 일부를 실행하면서, 물리 모델 선택부(102), 영향도 분석부(103), 파라미터 선택부(104), 유사도 산출부(106) 및 초기 확률 산출부(107)의 기능을 실현하는 프로그램을 실행한다.
프로세서(901)가 OS를 실행함으로써, 태스크 관리, 메모리 관리, 파일 관리, 통신 제어 등이 행해진다.
또, 물리 모델 선택부(102), 영향도 분석부(103), 파라미터 선택부(104), 유사도 산출부(106) 및 초기 확률 산출부(107)의 처리의 결과를 나타내는 정보, 데이터, 신호값 및 변수값 중 적어도 어느 것이, 주 기억 장치(902), 보조 기억 장치(903), 프로세서(901) 내의 레지스터 및 캐시 메모리의 적어도 어느 것에 기억된다.
또, 물리 모델 선택부(102), 영향도 분석부(103), 파라미터 선택부(104), 유사도 산출부(106) 및 초기 확률 산출부(107)의 기능을 실현하는 프로그램은, 자기 디스크, 플렉서블 디스크, 광 디스크, 콤팩트 디스크, 블루레이(등록상표) 디스크, DVD 등의 운반 가능 기록 매체에 저장되어 있어도 좋다. 그리고, 물리 모델 선택부(102), 영향도 분석부(103), 파라미터 선택부(104), 유사도 산출부(106) 및 초기 확률 산출부(107)의 기능을 실현하는 프로그램이 저장된 운반 가능 기록 매체를 상업적으로 유통시켜도 좋다.
또, 물리 모델 선택부(102), 영향도 분석부(103), 파라미터 선택부(104), 유사도 산출부(106) 및 초기 확률 산출부(107)의 「부」를, 「회로」 또는 「공정」또는 「순서」또는 「처리」로 바꿔읽어도 좋다.
또, 정보 처리 장치(100)는, 처리 회로에 의해 실현되어도 좋다. 처리 회로는, 예를 들면, 논리 IC(Integrated Circuit), GA(Gate Array), ASIC(Application Specific Integrated Circuit), FPGA(Field－Programmable Gate Array)이다.
이 경우는, 물리 모델 선택부(102), 영향도 분석부(103), 파라미터 선택부(104), 유사도 산출부(106) 및 초기 확률 산출부(107)는, 각각 처리 회로의 일부로서 실현된다.
또, 본 명세서에서는, 프로세서와 처리 회로의 상위 개념을, 「프로세싱 회로」라고 한다.
즉, 프로세서와 처리 회로란, 각각 「프로세싱 회로」의 구체적인 예이다.
100 : 정보 처리 장치 101 : 물리 모델 기억부
102 : 물리 모델 선택부 103 : 영향도 분석부
104 : 파라미터 선택부 105 : 동작 모델 기억부
106 : 유사도 산출부 107 : 초기 확률 산출부
201 : 기기 정보 202 : 파라미터 센서 정보
203 : 물리 모델 300 : 기기
400 : 센서 901 : 프로세서
902 : 주 기억 장치 903 : 보조 기억 장치
904 : 통신 장치
102 : 물리 모델 선택부 103 : 영향도 분석부
104 : 파라미터 선택부 105 : 동작 모델 기억부
106 : 유사도 산출부 107 : 초기 확률 산출부
201 : 기기 정보 202 : 파라미터 센서 정보
203 : 물리 모델 300 : 기기
400 : 센서 901 : 프로세서
902 : 주 기억 장치 903 : 보조 기억 장치
904 : 통신 장치
Claims (6)
- 복수의 파라미터에 대하여, 파라미터값을 변화시킨 경우의 기기에의 영향도를 파라미터마다 분석하는 영향도 분석부와,
상기 복수의 파라미터 중에서, 선택 조건에 합치하는 영향도가 얻어진 파라미터를 선택 파라미터로서 선택하는 파라미터 선택부와,
상기 기기의 복수의 동작 모델에 대해, 각 동작 모델에 설정되어 있는 복수의 파라미터 중 상기 선택 파라미터에 대응하는 파라미터와 상기 선택 파라미터의 유사도를 동작 모델마다 산출하는 유사도 산출부와,
각 동작 모델에 초기값으로서 설정하는 확률인 초기 확률을, 동작 모델마다, 각 동작 모델의 유사도에 근거하여 산출하는 초기 확률 산출부를 갖는
정보 처리 장치. - 제 1 항에 있어서,
상기 영향도 분석부는,
시뮬레이션에 의해, 파라미터값을 변화시킨 경우의 상기 기기에의 영향도를 파라미터마다 분석하는
정보 처리 장치. - 제 1 항에 있어서,
상기 영향도 분석부는,
상기 기기에의 영향도로서 파라미터값을 변화시킨 경우의 상기 기기에 마련된 센서의 센서값에의 영향도를 파라미터마다 분석하는
정보 처리 장치. - 제 1 항에 있어서,
상기 영향도 분석부는,
상기 복수의 파라미터로서, 상기 기기의 요소의 속성, 상기 기기의 설치 환경에 관련되는 물리량 및 상기 기기의 사용 연수 중 어느 것을 이용하는
정보 처리 장치. - 컴퓨터가, 복수의 파라미터에 대하여, 파라미터값을 변화시킨 경우의 기기에의 영향도를 파라미터마다 분석하고,
상기 컴퓨터가, 상기 복수의 파라미터 중에서, 선택 조건에 합치하는 영향도가 얻어진 파라미터를 선택 파라미터로서 선택하고,
상기 컴퓨터가, 상기 기기의 복수의 동작 모델에 대하여, 각 동작 모델에 설정되어 있는 복수의 파라미터 중 상기 선택 파라미터에 대응하는 파라미터와 상기 선택 파라미터의 유사도를 동작 모델마다 산출하고,
상기 컴퓨터가, 각 동작 모델에 초기값으로서 설정하는 확률인 초기 확률을, 동작 모델마다, 각 동작 모델의 유사도에 근거하여 산출하는
정보 처리 방법. - 복수의 파라미터에 대하여, 파라미터값을 변화시킨 경우의 기기에의 영향도를 파라미터마다 분석하는 영향도 분석 처리와,
상기 복수의 파라미터 중에서, 선택 조건에 합치하는 영향도가 얻어진 파라미터를 선택 파라미터로서 선택하는 파라미터 선택 처리와,
상기 기기의 복수의 동작 모델에 대해, 각 동작 모델에 설정되어 있는 복수의 파라미터 중 상기 선택 파라미터에 대응하는 파라미터와 상기 선택 파라미터의 유사도를 동작 모델마다 산출하는 유사도 산출 처리와,
각 동작 모델에 초기값으로서 설정하는 확률인 초기 확률을, 동작 모델마다, 각 동작 모델의 유사도에 근거하여 산출하는 초기 확률 산출 처리를 컴퓨터로 하여금 실행하게 하는,
기록 매체에 저장된 정보 처리 프로그램.
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/JP2019/008358 WO2020178938A1 (ja) | 2019-03-04 | 2019-03-04 | 情報処理装置、情報処理方法及び情報処理プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210112388A KR20210112388A (ko) | 2021-09-14 |
| KR102413753B1 true KR102413753B1 (ko) | 2022-06-27 |
Family
ID=72337044
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020217026678A KR102413753B1 (ko) | 2019-03-04 | 2019-03-04 | 정보 처리 장치, 정보 처리 방법 및 기록 매체에 저장된 정보 처리 프로그램 |
Country Status (5)
| Country | Link |
|---|---|
| JP (1) | JP6903246B2 (ko) |
| KR (1) | KR102413753B1 (ko) |
| CN (1) | CN113474796A (ko) |
| TW (1) | TW202034233A (ko) |
| WO (1) | WO2020178938A1 (ko) |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5089281B2 (ja) | 2007-07-26 | 2012-12-05 | 三菱電機株式会社 | 状態推定装置及び状態推定方法 |
| JP5017392B2 (ja) * | 2010-02-24 | 2012-09-05 | クラリオン株式会社 | 位置推定装置および位置推定方法 |
| JP6032066B2 (ja) * | 2013-03-05 | 2016-11-24 | 三菱電機株式会社 | 試験装置 |
| JP6602609B2 (ja) * | 2015-09-04 | 2019-11-06 | パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカ | 電力使用状態推定方法 |
| JP6558861B2 (ja) * | 2016-07-01 | 2019-08-14 | 日本電信電話株式会社 | 生存確率推定装置、方法、及びプログラム |
| US20190019096A1 (en) * | 2017-01-27 | 2019-01-17 | Mitsubishi Hitachi Power Systems, Ltd. | Estimator, estimation method, program and storage medium where program stored for model parameter estimation and model parameter estimation system |
| US11941495B2 (en) * | 2017-08-02 | 2024-03-26 | Nec Corporation | Information processing device, information processing method, and recording medium |
-
2019
- 2019-03-04 WO PCT/JP2019/008358 patent/WO2020178938A1/ja active Application Filing
- 2019-03-04 KR KR1020217026678A patent/KR102413753B1/ko active IP Right Grant
- 2019-03-04 JP JP2021503285A patent/JP6903246B2/ja active Active
- 2019-03-04 CN CN201980092828.5A patent/CN113474796A/zh active Pending
- 2019-07-04 TW TW108123552A patent/TW202034233A/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2020178938A1 (ja) | 2020-09-10 |
| KR20210112388A (ko) | 2021-09-14 |
| JP6903246B2 (ja) | 2021-07-14 |
| TW202034233A (zh) | 2020-09-16 |
| JPWO2020178938A1 (ja) | 2021-09-13 |
| CN113474796A (zh) | 2021-10-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6661559B2 (ja) | 異常検出装置、異常検出方法およびプログラム | |
| US10216558B1 (en) | Predicting drive failures | |
| US20180157438A1 (en) | Slow-disk detection method and apparatus | |
| US11520672B2 (en) | Anomaly detection device, anomaly detection method and storage medium | |
| CN110188862B (zh) | 用于数据处理的模型超参数的搜索方法、装置、系统 | |
| JP6183449B2 (ja) | システム分析装置、及び、システム分析方法 | |
| JP2010160787A (ja) | パラメータ情報作成システム、歩留まり算出システム、プログラム及び記録媒体 | |
| KR20150145179A (ko) | 정적 타이밍 분석의 타이밍 디레이트 조정방법 | |
| CN110178123B (zh) | 性能指标评估方法及装置 | |
| US20200090076A1 (en) | Non-transitory computer-readable recording medium, prediction method, and learning device | |
| KR102413753B1 (ko) | 정보 처리 장치, 정보 처리 방법 및 기록 매체에 저장된 정보 처리 프로그램 | |
| CN111401569B (zh) | 超参数优化方法、装置和电子设备 | |
| US11036980B2 (en) | Information processing method and information processing system | |
| CN116149917A (zh) | 评估处理器性能的方法及装置、计算设备、可读存储介质 | |
| US10169508B2 (en) | Efficient deployment of table lookup (TLU) in an enterprise-level scalable circuit simulation architecture | |
| JP2012128771A (ja) | 情報処理装置及びプログラム | |
| CN108008999B (zh) | 指标评估方法及装置 | |
| KR102311412B1 (ko) | 오차항의 독립성 보정 기반의 모수 추정 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템 | |
| CN112259239B (zh) | 一种参数处理方法、装置、电子设备及存储介质 | |
| CN111340349B (zh) | 产品可靠性评估方法、装置、计算机设备和存储介质 | |
| JP7359206B2 (ja) | 学習装置、学習方法、及びプログラム | |
| JP7328799B2 (ja) | ストレージシステムおよび記憶制御方法 | |
| EP3518153A1 (en) | Information processing method and information processing system | |
| CN107562266B (zh) | 电容屏校准方法、装置及终端设备 | |
| CN117249873B (zh) | 一种用于气体分子分析的质量监测方法及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A302 | Request for accelerated examination | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |