WO2018074304A1 - 情報処理方法、情報処理装置、プログラム、及び情報処理システム - Google Patents

情報処理方法、情報処理装置、プログラム、及び情報処理システム Download PDF

Info

Publication number
WO2018074304A1
WO2018074304A1 PCT/JP2017/036839 JP2017036839W WO2018074304A1 WO 2018074304 A1 WO2018074304 A1 WO 2018074304A1 JP 2017036839 W JP2017036839 W JP 2017036839W WO 2018074304 A1 WO2018074304 A1 WO 2018074304A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
cluster
transition
clusters
value
Prior art date
Application number
PCT/JP2017/036839
Other languages
English (en)
French (fr)
Inventor
広江　隆治
和成 井手
Original Assignee
三菱重工業株式会社
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 三菱重工業株式会社 filed Critical 三菱重工業株式会社
Priority to DE112017005242.4T priority Critical patent/DE112017005242T5/de
Priority to US16/340,297 priority patent/US10962969B2/en
Priority to CN201780062949.6A priority patent/CN109844665B/zh
Publication of WO2018074304A1 publication Critical patent/WO2018074304A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
    • G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
    • G05B23/0283—Predictive maintenance, e.g. involving the monitoring of a system and, based on the monitoring results, taking decisions on the maintenance schedule of the monitored system; Estimating remaining useful life [RUL]
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • G06F2218/16—Classification; Matching by matching signal segments
    • G06F2218/20—Classification; Matching by matching signal segments by applying autoregressive analysis

Definitions

  • the present invention relates to an information processing method, an information processing apparatus, a program, and an information processing system.
  • This application claims priority based on Japanese Patent Application No. 2016-203933 filed in Japan on October 17, 2016, the contents of which are incorporated herein by reference.
  • the monitoring device of the device acquires time series data such as temperature and pressure during operation of the devices constituting the plant, and uses the acquired information to diagnose failure of the device and various controls. It is considered to be applied to.
  • Equipment time-series data has nonlinearity, and it is difficult to derive an appropriate dynamic characteristic model including nonlinearity. For this reason, it is common to linearly approximate nonlinearity and represent it as a dynamic characteristic model (for example, Patent Document 1).
  • an object of the present invention is to provide an information processing method, an information processing apparatus, a program, and an information processing system that can solve the above-described problems.
  • an information processing method for calculating a predicted value of data representing an operation state of a device wherein the monitoring device includes first data of the device in a predetermined period, and the first data And acquiring the second data having a correlation with each other, and the monitoring device identifies a first data cluster to which each of the first data belongs and a second data cluster to which each of the second data belongs.
  • a step of extracting, as corresponding data, second data acquired at a time corresponding to the first data belonging to one of the first data clusters, and the monitoring device for the second data A step of counting the number of the corresponding data included in each of the clusters, calculating a total value for each cluster for the second data, and a step of the monitoring device next to the corresponding time
  • the second data cluster that is the transition destination of the corresponding data is specified, and the corresponding data that transitions from each of the second data cluster that is the transition source to each of the second data cluster that is the transition destination
  • the monitoring device calculates a transition probability matrix of the corresponding data based on the total value and the number of the transition data, and based on the transition probability matrix, the A step of calculating a predicted value of the second data, and the step of calculating the predicted value of the second data is based on the number of second data that the monitoring device belongs to the second data cluster.
  • the monitoring system 1 includes a plant 10, a device 100 provided in the plant 10, and a monitoring device 20.
  • the device 100 and the monitoring device 20 transmit and receive data via the network 2.
  • the device 100 notifies the monitoring device 20 of a plurality of types of operation data related to each other of the device 100 over a predetermined period via the network 2.
  • the monitoring device 20 calculates a transition probability matrix used for calculating the predicted value of the operation data based on the notified operation data.
  • the monitoring device 20 calculates a predicted value of operational data based on the calculated transition probability matrix. A specific calculation procedure will be described later.
  • the device 100 is a boiler, a gas turbine, a corrugator or the like provided in the plant 10.
  • the monitoring device 20 acquires an actual measurement value of operation data at a time after a predetermined period from the device 100, and specifies a difference between the predicted value and the actual measurement value.
  • the monitoring device 20 determines that the device 100 is operating normally when the specified difference is smaller than the predetermined threshold, and an abnormality occurs in the device 100 when the specified difference is equal to or greater than the predetermined threshold. Judge that you are doing.
  • a prediction value calculation method will be described with reference to FIGS.
  • a transition probability matrix calculated from input data and output data for a predetermined period is calculated, and a master is calculated based on the calculated transition probability matrix and the probability distribution of output data.
  • An equation is generated, and a predicted value of output data is calculated using this master equation.
  • the input data u and the output data T are data having a correlation.
  • the input data u is a control input value to the device 100 to be controlled.
  • the output data T is an output value from the device 100 to be controlled, and is data representing an operation state of the device 100 according to the input data u (control input value).
  • the input data u is the opening degree of the valve of the device 100 (boiler, etc.)
  • the output data T is the temperature data of the device 100.
  • the input data u may be referred to as first data
  • the output data T may be referred to as second data
  • the sequence of input data u acquired by the monitoring device 20 is described as ⁇ u 1 , u 2 ,..., U Nt ⁇
  • the sequence of output data T is described as ⁇ T 1 , T 2 ,.
  • the subscript represents the time when the operational data is acquired
  • TNt is the output data acquired at the time Nt.
  • Monitoring device 20 divides the input data u to n c pieces of clusters.
  • a cluster for input data (hereinafter, input cluster) is described as ⁇ Iu 1 , Iu 2 ,..., Iu nc ⁇ .
  • the input cluster may be referred to as a first data cluster.
  • the subscript of the input cluster Iu indicates the number of the input cluster Iu. For example, input data u having a value of 100 to 109 is included in Iu 1 , input data u having a value of 110 to 119 is included in Iu 2 , and values are (100 + 10 ⁇ n c ) to (100 + 10 ⁇ n c +9).
  • the monitoring device 20 performs clustering so that the input data u is included in Inc. When describing an arbitrary input cluster, it is simply described as input cluster Iu.
  • Monitoring device 20 divides the output data T into n c pieces of clusters.
  • a cluster for output data (hereinafter, output cluster) is described as ⁇ IT 1 , IT 2 ,..., IT nc ⁇ .
  • the output cluster may be referred to as a second data cluster.
  • the subscript of the output cluster IT indicates the number of the output cluster IT.
  • the same clustering as that of the input data u can be applied to the clustering of the output data T.
  • an output cluster IT When describing an arbitrary output cluster, it is simply described as an output cluster IT.
  • the number of input clusters and output clusters may be different.
  • the monitoring device 20 identifies the output cluster IT to which the output data T corresponding to each of the input data u belonging to the input cluster Iu belongs, and totalizes the number of the output data T belonging to each of the output clusters IT. Calculate the value.
  • the input data u and the output data T (corresponding data) corresponding to the input data u are data acquired from the device 100 at the same time, for example.
  • the monitoring device 20 when the input data u ta at the time ta is clustered into the input cluster Iu 1 and the output data T ta at the time ta is clustered into IT 2 , the monitoring device 20 outputs the output cluster IT in the input cluster Iu 1 .
  • the total value of the output data T of 2 is increased by 1.
  • FIG. 2 shows the relationship between the input cluster Iu 1 and the output cluster IT to which the output data T corresponding to the input data u belonging to the input cluster Iu 1 belongs. Specifically, FIG. 2 shows that among the output data T corresponding to the input data u belonging to the input cluster Iu 1 , the number of output data T belonging to the cluster IT 1 is 302 (201), and the output belonging to the output cluster IT 2. The number of data T is 234 (202), the number of output data T belonging to the output cluster IT 3 is 454 (203), and the number of output data T belonging to the output cluster IT nc is 198 (204). Show.
  • the monitoring device 20 determines the output cluster IT to which the output data T belonging to the output cluster IT transitions at the next time, that is, at the next data acquisition timing. Identify. Then, the monitoring device 20 counts the number of output data T that transition to each of the output clusters IT at the next time.
  • the monitoring device 20 specifies that the output data T (corresponding data) corresponding to the input cluster Iu 1 has transitioned from the output cluster IT 2 to the output cluster IT 5 . Then, the monitoring device 20 increases the number of output data T (transition data) that has transitioned from the output cluster IT 2 to the output cluster IT 5 by one.
  • the transition data is correspondence data that transitions from each of the transition source output clusters IT to each of the transition destination output clusters IT.
  • the transition data includes the case where the transition source output cluster IT and the transition destination output cluster IT are the same.
  • FIG. 3 is a diagram showing an example of the transition relation table (301 to 300 + n c ).
  • the transition relation table (301 to 300 + n c ) is generated by the monitoring apparatus 20 counting the number of output data included for each combination of the transition source output cluster IT j and the transition destination output cluster IT i. It is a table.
  • the transition relationship table 301 shows the relationship between the transition source output cluster IT j and the transition destination output cluster IT i of the output data T associated with the input cluster Iu 1 .
  • the transition relation table 301 includes the total value of the output data T included in each of the transition source output clusters IT j .
  • column 301A is, u is aggregate values 302 pieces of output data T belongs and T to the input cluster Iu 1 belongs to the output cluster IT 1, among the output data T from the output cluster IT 1, transition out cluster iT 2 to 43 pieces of output data T is at the next time, 86 pieces of output data T transitions in the output cluster iT 3, 37 pieces of output data T transitions in the output cluster iT nc, 51 The number of output data T remains at IT 1 .
  • column 301B indicates the number of output data T included in each output cluster IT to which the output data T belonging to IT 2 is transitioned.
  • a column 301C indicates the number of output data T included in each output cluster IT to which the output data T belonging to IT nc transitions.
  • the monitoring device 20 generates a transition relation table for each of the input clusters Iu.
  • the monitoring device 20 calculates a transition probability matrix A using each transition relation table of the input cluster Iu.
  • Equation 1 in FIG. 4 shows a transition probability matrix A, and elements a i and j in the transition probability matrix A are expressed by Equation 2.
  • the denominator n j (t ⁇ 1) in Expression 2 is the total value of the output data T included in the output cluster IT j at time (t ⁇ 1), and the numerators n i , j (t in Expression 2).
  • the monitoring device 20 calculates a transition probability matrix using Equation 1 and Equation 2.
  • Formula 3-1 is a formula for calculating the values of the elements a 1 and 1 .
  • n 1 , 1 (t) is the number of output data T that continuously belongs to IT 1 when transitioning from time (t ⁇ 1) to time t.
  • n 1 , 1 (t) is 51.
  • n 1 (t ⁇ 1) is a total value of the output data T included in the output cluster IT1 at time (t ⁇ 1).
  • n 1 (t ⁇ 1) is 302.
  • Formula 3-2 is a calculation formula for the values of the elements a 2 and 1 .
  • n 2 , 1 (t) is the number of output data T that transition to the output cluster IT 2 at time t among the output data T belonging to the output cluster IT 1 at time (t ⁇ 1).
  • n 2 , 1 (t) is 43.
  • n 1 (t ⁇ 1) is 302, similar to Equation 3-1.
  • Formula 3-3 is a calculation formula for the values of the elements a 3 , 1
  • Formula 3-4 is a calculation formula for the values of the elements a 1 , 2
  • Formula 3-5 is a calculation formula for the values of the elements a nc , nc It is a formula. The values of these elements are also calculated by the same procedure as Equation 3-2.
  • Pt is a probability distribution for each output cluster IT at time t, and is calculated based on the output data T acquired from the device 100.
  • P t + 1 is the prediction of the probability distribution for each output cluster IT at time t + 1 when the predicted value is calculated.
  • the probability distribution for each output cluster IT is the total number of output data T acquired in a predetermined period, the number of output data T included in each of the output clusters ⁇ IT 1 , IT 2 ,..., IT nc ⁇ . That is, it is obtained by dividing by the total number of samples of the output data T.
  • the probability distribution P is expressed in a determinant form, it is expressed as Expression 5.
  • P (IT 1 , t) indicates the probability that the output data T exists in the output cluster IT 1 at time t
  • P (IT nc , t + 1) indicates the output data in the output cluster IT nc at time t + 1. The probability that T exists is shown.
  • Equation 5 that is, by multiplying the transition probability matrix A and the probability distribution P t , P t + 1 that is the prediction of the probability distribution at time t + 1 is calculated.
  • the monitoring apparatus 20 calculates the predicted value of the output data T t + 1 at time t + 1 using Equation 6.
  • the representative value in each cluster is set as the representative value RV (representative value) of Expression 6.
  • the representative value RV (IT 1) is set representative value of the output cluster IT 1
  • the representative value RV (IT 2) is set representative value in the output cluster IT 2
  • the representative value RV (IT nc ) Is set to a representative value in the output cluster IT nc .
  • the monitoring device 20 can appropriately calculate the predicted value of the output data based on the input data and the output data.
  • Input data and output data generally have non-linearity.
  • linear approximation of input data and output data is performed when calculating the predicted value. Absent.
  • an error due to linear approximation does not occur, so that accurate output data can be predicted.
  • the transition matrix can be calculated based on the transition of the output data, and the operator of the monitoring device 20 can perform, for example, an inverse matrix as in derivation of the linear regression model.
  • the center value of the output cluster may be set as the representative value RV.
  • RV (IT 1) is "(the upper limit value of IT 1 + limit value of IT 1) / 2".
  • the average value of the output data T included in the output cluster may be set as the representative value RV. In this case, the accuracy of the predicted value is improved. In particular, when the numbers of the output data T and the input data u are small, and when the distribution of the values of the output data T and the input data u is not uniform, the accuracy of the predicted value is improved.
  • the predicted value of the output data T is calculated based on one type of input data u.
  • the predicted value of the output data T is calculated based on a plurality of types of input data.
  • a plurality of types of input data are clustered into input clusters.
  • the valve opening of the apparatus 100, the amount of fuel pressure, and the like are set.
  • the aggregation in FIGS. 2 and 3 is performed for each combination of the first input and the second input. That is, in the case of only the first input, as shown in FIGS. 2 and 3, the number of totals is equal to the number of clusters of the first input.
  • the total is the number of combinations of the first input and the second input.
  • the second input is clustered into n c like the first input. If so, the number of tabulations is n c 2 .
  • the aggregation in FIGS. 2 and 3 is a combination of the first input, the second input, and the previous output. Do it every time. In this case, the number of totals is n c 3 . Processing other than clustering and tabulation based on it is the same as when one type of input data u is input. Thus, even if the characteristics of the target device are complicated by increasing the total number of combinations, it can be easily handled.
  • the monitoring device 20 can be realized using an information processing device, for example, a general computer 30.
  • FIG. 7 is a diagram illustrating an example of the configuration of the computer 30.
  • the computer 30 includes a CPU (Central Processing Unit) 301, a RAM (Random Access Memory) 302, a ROM (Read Only Memory) 303, a storage device 304, an external I / F (Interface) 305, an input device 306, an output device 307, and A communication I / F 308 and the like.
  • a CPU Central Processing Unit
  • RAM Random Access Memory
  • ROM Read Only Memory
  • storage device 304 an external I / F (Interface) 305
  • an input device 306 an output device 307
  • a communication I / F 308 and the like.
  • the CPU 301 is an arithmetic device that implements each function of the computer 30 by reading a program or data stored in the ROM 303, the storage device 304, or the like onto the RAM 302 and executing the processing.
  • a RAM 302 is a volatile memory used as a work area for the CPU 301.
  • the ROM 303 is a non-volatile memory that retains programs and data even when the power is turned off.
  • the storage device 304 is realized by, for example, an HDD (Hard Disk Drive), an SSD (Solid State Drive), or the like, and stores an OS (Operation System), application programs, various data, and the like.
  • External I / F 305 is an interface with an external device.
  • the external device include a recording medium 309.
  • the computer 30 can read and write the recording medium 309 via the external I / F 305.
  • the recording medium 309 includes, for example, an optical disk, a magnetic disk, a memory card, a USB (Universal Serial Bus) memory, and the like.
  • the input device 306 includes, for example, a mouse and a keyboard, and inputs various operations and the like to the computer 30 in response to instructions from the operator.
  • the output device 307 is realized by a liquid crystal display, for example, and displays a processing result by the CPU 301.
  • the communication I / F 308 is an interface that connects the computer 30 to the network by wired communication or wireless communication.
  • the bus B is connected to each of the above constituent devices, and transmits and receives various control signals and the like between the control devices.
  • the functional configuration of the monitoring device 20 according to the embodiment will be described with reference to FIG.
  • the monitoring device 20 includes a data acquisition unit 210, a predicted value calculation unit 220, a determination unit 230, an input / output unit 240, and a device control unit 250. These functions are realized by the CPU 301 executing one or more programs stored in the ROM 303 or the like.
  • the monitoring device 20 includes an information storage unit 260.
  • the information storage unit is realized by the storage device 304, for example.
  • the data acquisition unit 210 acquires input data u and output data T from the device 100 arranged in the plant.
  • the predicted value calculation unit 220 calculates the transition probability matrix A based on the input data u and the output data T acquired by the data acquisition unit 210.
  • the predicted value calculation unit 220 calculates the probability distribution P t of the output data T at time t.
  • the predicted value calculation unit 220 calculates a probability distribution prediction P t + 1 of the output data T at time t + 1 based on the transition probability matrix A and the probability distribution P t .
  • the predicted value calculation unit 220 calculates the predicted value T t + 1 of the output data T at time t + 1 based on the probability distribution prediction P t + 1 and the representative value RV of each output cluster IT.
  • the predicted value calculation unit 220 refers to the information storage unit 260 and identifies each range of the input cluster Iu, each range of the output cluster IT, and the representative value RV of the output cluster IT.
  • Determination unit 230 the predicted value T t + 1 output data T at a time t + 1, calculates the difference D between the measured values T 't + 1.
  • the determination unit 230 determines that the device 100 is operating normally.
  • the determination unit 230 determines that the device 100 is operating normally.
  • the determination unit 230 notifies the input / output unit 240 of the determination result.
  • the input / output unit 240 receives the setting of the input cluster Iu, the setting of the output cluster IT, the setting of the representative value RV, the setting of the threshold Th, and the like from the operator of the monitoring device 20.
  • the input / output unit 240 displays the operation status of the apparatus 100, the normality determination result, and the like on the display.
  • the input / output unit 240 may notify the operation status of the apparatus 100, the normality determination result, and the like to another apparatus, for example, an operation terminal.
  • the device control unit 250 executes control of the device 100 in response to an instruction from the input / output unit 240. When it is determined that the device 100 is not operating normally, the device control unit 250 performs a predetermined operation such as the operation of stopping the device 100 and the operation of reducing the usage rate of the device 100. May be.
  • the information storage unit 260 stores various data.
  • the information storage unit 260 stores the input data u and the output data T acquired by the data acquisition unit 210.
  • the information storage unit 260 stores the input cluster Iu setting, the output cluster IT setting, the representative value RV setting, the threshold Th setting, and the like.
  • the apparatus 100 includes a measurement unit 110, a transmission / reception unit 120, an operation control unit 130, and an information storage unit 140.
  • Measure unit 110 measures input data u and output data T of the device.
  • the measurement unit 110 may measure the input data u and the output data T based on an instruction from the monitoring device 20.
  • the transmission / reception unit 120 receives the input data u and the output data T of the device via the network 2. Transmit to the monitoring device 20.
  • the transmission / reception unit 120 transmits / receives various signals to / from the monitoring device 20 via the network 2.
  • the operation control unit 130 executes various controls for the device 100.
  • the operation control unit 130 may execute control on the device 100 based on an instruction from the monitoring device 20.
  • the information storage unit 140 stores measured input data u, output data T, and various data related to control of the apparatus 100.
  • FIG. 9 is a diagram illustrating an example of an operation flow for calculating a predicted value by the monitoring device 20. This operation flow is performed every sampling time.
  • step S901 the data acquisition unit 210 acquires input data u and output data T of the apparatus 100 for a predetermined period.
  • step S902 the predicted value calculation unit 220 determines whether Nt (Nt is a natural number) input data u and output data T have been acquired.
  • Nt is a natural number
  • the process proceeds to step S903.
  • Steps S903 and S904 are not performed.
  • step S903 the predicted value calculation unit 220 updates the transition probability matrix A using the latest Nt pieces of input data u and output data T.
  • step S904 the predicted value calculation unit 220 calculates the predicted value of the output data T.
  • the predicted value calculation unit 220 executes the process of updating the transition probability matrix in step S903 using the expressions 10-1 and 10-2 in FIG.
  • Expression 10-1 is an expression for calculating the value of each element of the transition relation table (see FIG. 3), and “n i , j (t ⁇ 1)” is the i-th row and j-th column of the transition relation table. This represents the number of output data T that has transitioned from the output cluster IT j to the output cluster IT i at the time t following the time (t ⁇ 1). “Number of samples” represents the number of corresponding data.
  • Expression 10-2 is an expression for calculating the total value of the corresponding data included in each column of the transition relation table.
  • N j (t ⁇ 1) represents a total value of the number of corresponding data existing in the j-th column at time (t ⁇ 1) in the transition relation table.
  • Equation 2 The calculated value (n i , j (t ⁇ 1)) of each element of the transition relation table and the total value (n j (t ⁇ 1)) of each column of the transition relation table are input to Equation 2. Thus, a transition probability matrix is calculated.
  • FIG. 9 illustrates the case where the transition probability matrix is updated every time Nt pieces of input data u and output data T are acquired.
  • the predicted value calculation unit 220 may increase the update frequency of the transition probability matrix.
  • the transition probability matrix may be updated each time new input data u and output data T are acquired.
  • each element of the transition relation table is calculated using Expression 11-1 in FIG. 11, and the aggregate value of each column of the transition relation table is calculated using Expression 11-2 in FIG.
  • the predicted value calculation unit 220 identifies the output cluster IT i belonging to the time (t ⁇ 1) immediately before the newly acquired output data T t and the output cluster IT j belonging to the time (t). To do.
  • the monitoring device 20 increases the value of the element in the i ′ row and j ′ column of the transition relationship table by “1” at the previous time (t ⁇ 1). Thereby, n i and j at time (t) are calculated.
  • the monitoring device 20 increases n j ′ at the immediately previous time (t ⁇ 1) by 1, that is, increases the total value of elements in the j ′ column by 1.
  • the transition probability matrix is updated.
  • the transition probability matrix A is calculated based on the number of output data T that has transitioned from the output cluster IT j to the output cluster IT i at the next time (t) from the previous time (t ⁇ 1).
  • the monitoring device 20 further determines the number of output data T transitioned from the output cluster IT k to the output cluster IT j at the previous time (t ⁇ 1) from the previous time (t ⁇ 2), and the previous time (t ⁇ 1).
  • the transition probability matrix A may be calculated using the number of output data T transitioned from the output cluster IT j to the output cluster IT i at the next time (t) from (t ⁇ 1).
  • step S1201 the predicted value calculation unit 220 calculates the predicted value T t + 1 of the output data T t + 1 at the next time t + 1.
  • step S1202 the data acquisition unit 210 acquires the actual measurement value T ′ t + 1 at time t + 1.
  • step S1203 the predicted value calculation unit 220 calculates the difference D between the predicted value T t + 1 and the actually measured value T ′ t + 1 .
  • step S1204 the determination unit 230 determines whether or not the difference D is equal to or less than the threshold value Th. If the difference D is less than or equal to the threshold Th (step S1204 Yes), the process proceeds to step S1205. If the difference D is greater than the threshold (No in step S1204), the process proceeds to step S1206.
  • step S1205 the determination unit 230 determines that the apparatus 100 is operating normally.
  • step S1206 the determination unit 230 determines that an abnormality has occurred in the apparatus 100.
  • step S1207 the input / output unit 240 outputs the determination result by the determination unit 230.
  • the threshold value Th is stored in the information storage unit 260, and the set value is adjusted by the method of calculating the transition probability matrix. For example, the higher the frequency of updating the transition probability matrix, the more accurate the predicted value can be calculated, and thus the threshold value Th becomes smaller. As the number of input clusters Iu and output clusters IT increases, an accurate predicted value can be calculated, and thus the threshold value Th decreases.
  • the monitoring device 20 acquires the input data u of the device 100 in a predetermined period and the output data T having a correlation with the input data u, The step of identifying each input cluster Iu and the output cluster IT to which each output data T belongs, and the output data T (corresponding data) acquired at the time corresponding to the input data belonging to one input cluster Iu And a step of extracting. Further, the monitoring device 20 counts the number of the corresponding data included in each output cluster IT, calculates a total value for each output cluster IT (see FIG.
  • the monitoring device 20 calculates the transition probability matrix A of the corresponding data based on the total value for each output cluster IT and the number of transition data, and predicts the output data T based on the transition probability matrix A. And a step of calculating a value. By doing in this way, the monitoring apparatus 20 can represent the nonlinear characteristic of the apparatus 100 deployed in a plant etc.
  • the transfer function that assumes the linear characteristic requires a step of approximating the nonlinear characteristic of the apparatus 100 to the linear characteristic, and an error occurs in the prediction result by the approximation.
  • prediction with higher accuracy is possible. Therefore, according to the monitoring device 20 according to the first embodiment, it is possible to estimate the predicted value of the time series data appropriately (with high accuracy).
  • the number of transition data is calculated for each combination of the transition source output cluster IT and the transition destination output cluster IT.
  • Each element of the transition probability matrix A is calculated by dividing the number of transition data by the total value of the output clusters to which the transition data belonged before the transition. By doing so, it is possible to determine the probability that the output data (transition data) belonging to a certain output cluster will belong to each output cluster (transition) at the next time. For each combination of the output cluster IT and the output cluster IT of the transition destination.
  • the monitoring device 20 calculates the probability distribution of each output cluster IT based on the number of output data T belonging to the output cluster IT in the step of calculating the predicted value of the output data T.
  • a step of calculating each probability distribution of the output cluster IT at the next time based on the transition probability matrix A and each probability distribution of the output cluster IT, and each probability of the output cluster IT at the next time A step of calculating a predicted value from the distribution and each representative value of the output cluster IT is executed. In this way, it is possible to predict a probability distribution in which output data output at the next (future) time belongs to each output cluster.
  • the predicted value of the output data output at the next time is calculated as an expected value (ie, the representative value of each output cluster IT).
  • the sum of products with the probability distribution (see Equation 6)).
  • a representative value of the output cluster IT the center value of the output data can take values belonging to the output cluster IT (e.g. (upper limit value of IT 1 + limit value of IT 1) / 2).
  • the representative value is a constant determined in advance, the calculation process of the predicted value of the output data can be simplified, and the processing load can be reduced.
  • the representative value of the output cluster IT may be an average value of output data belonging to the output cluster IT.
  • the monitoring apparatus 20 obtains output data T at a predetermined time from the apparatus 100, calculates a predicted value of the output data T at a predetermined time, and calculates the predicted value and the predetermined time. And a step of determining that the apparatus 100 is operating normally when the calculated difference is equal to or less than a predetermined threshold value. In this way, the fact that the actual value of the output data T at a predetermined time is not significantly different from the predicted value of the output data T at the same time, and that the current operation of the device 100 is normal is identified. Can do.
  • the monitoring apparatus 20 executes a step of updating the transition probability matrix A based on the input data u and the output data T. In this way, each time a certain amount of input data u and output data T are acquired, a new transition probability matrix A is calculated, and output data is predicted based on the new transition probability matrix A. . Thereby, even when the characteristics of the device 100 change transiently due to long-term operation, a highly accurate prediction is always maintained based on the transition probability matrix A corresponding to the latest characteristics.
  • FIG. 13 shows an example of an output cluster IT setting method.
  • the temperature value as an example of the output data T0 is represented by “T0 + K ⁇ (K: 0 to 4095, ⁇ : resolution)”.
  • a value such as 0.01 degrees is set as the resolution.
  • the possible values of the output data T are 4096, and the output data T is classified into 7 output clusters every 586. For example, if the value of the output data T (temperature) is "T0 ⁇ T0 + 585 ⁇ ” are classified into an output cluster IT 1, when the value of the output data T (temperature) is "T0 + 586 ⁇ ⁇ T0 + 1171", the classification to the output cluster IT 2 Is done.
  • the output cluster IT is set so that the number of possible values of the output data T included in each of the output clusters IT is equal, but the number of output data T classified into each of the output clusters IT.
  • the output cluster IT may be divided so that.
  • the monitoring device 20 may divide the output cluster IT so that the number of possible values of the output data T in a predetermined period is equal.
  • the monitoring device 20 may change the setting of the output cluster IT at a predetermined timing so that the number of output data T becomes equal. Accordingly, it is possible to suppress statistical fluctuation caused by assigning the output data T to the output cluster IT, so that an accurate transition probability matrix can be calculated.
  • the method for setting the output cluster IT has been described, it is needless to say that the same setting is possible for the input cluster Iu.
  • the present invention can be applied to devices other than the device 100 described above.
  • it may be used to determine the normality of operation of railway vehicles and aircraft.
  • a predicted value may be calculated based on input data and output data of one apparatus 100 and used to determine normality of the same type of apparatus 100.
  • the input data and the output data have been described as examples.
  • the input data and the output data are related to the monitoring target device 100 and have a correlation with each other (device 100).
  • the input data may be the pressure of a predetermined portion of the apparatus 100
  • the output data may be the concentration of a predetermined substance in the apparatus 100.
  • the monitoring device 20 is an example of an information processing device.
  • the data acquisition unit 210 is an example of an acquisition unit.
  • the specifying unit, the extracting unit, the counting unit, the counting unit, and the calculating unit are examples of the predicted value calculating unit 220.
  • the transmission / reception unit 120 is an example of a transmission unit.

Abstract

第１データの各々の属する第１データ用クラスタと、第２データの各々の属する第２データ用クラスタとを特定するステップと、一の前記第１データ用クラスタに属する前記第１データと対応する時刻に取得された第２データを対応データとして抽出するステップと、前記第２データ用クラスタの各々に含まれる前記対応データの個数を集計し、前記第２データ用クラスタ毎の集計値を算出するステップと、次の時刻において、前記対応データの遷移先の前記第２データ用クラスタを特定し、遷移元の前記第２データ用クラスタの各々から遷移先の前記第２データ用クラスタの各々に遷移する前記対応データである遷移先データの個数をカウントするステップと、を有する情報処理方法が提供される。

Description

情報処理方法、情報処理装置、プログラム、及び情報処理システム
　本発明は、情報処理方法、情報処理装置、プログラム、及び情報処理システムに関する。
　本願は、２０１６年１０月１７日に、日本に出願された特願２０１６－２０３９３３号に基づき優先権を主張し、その内容をここに援用する。
　発電プラント等のプラントにおいて、プラントを構成する装置の動作時の温度、及び圧力等の時系列データを装置の監視装置が取得し、取得した情報を用いて装置の故障等の診断、及び各種制御に適用することが検討されている。
　装置から取得した時系列データは情報量が疎であるため、時系列データそのものを用いて装置の診断等をすることは困難である。このため、時系列データを基に装置の動特性モデルを生成し、装置の状態の変化を動特性モデルの定数の変化として、装置の診断等に利用することが検討されている。
　装置の時系列データは、非線形性を有しており、非線形性も含めて適切な動特性モデルを導出することは難しい。このため、非線形性を線形近似して、動特性モデルとして表すことが一般的である（例えば、特許文献１）。
特許第４５２０８１９号公報
　提案されている動特性モデルでは、非線形性を線形近似しているため、動特性モデルから算出される装置の時系列データと、該装置の実際の時系列データとの誤差が大きくなってしまう。このため、動特性モデルを用いて生成される装置の動作を示すデータの予測値と実測値との誤差が大きく、装置の診断等を適切に実施できないというおそれがあった。
　そこでこの発明は、上述の課題を解決することのできる情報処理方法、情報処理装置、プログラム、及び情報処理システムを提供することを目的とする。
　本発明の一つの態様によれば、装置の動作の状態を表すデータの予測値を算出する情報処理方法であって、監視装置が所定の期間における前記装置の第１データ、及び該第１データと相関関係を有する第２データを取得するステップと、前記監視装置が前記第１データの各々の属する第１データ用クラスタと、前記第２データの各々の属する第２データ用クラスタとを特定するステップと、前記監視装置が一の前記第１データ用クラスタに属する前記第１データと対応する時刻に取得された第２データを対応データとして抽出するステップと、前記監視装置が前記第２データ用クラスタの各々に含まれる前記対応データの個数を集計し、前記第２データ用クラスタ毎の集計値を算出するステップと、前記監視装置が前記対応する時刻の次の時刻において、前記対応データの遷移先の前記第２データ用クラスタを特定し、遷移元の前記第２データ用クラスタの各々から遷移先の前記第２データ用クラスタの各々に遷移する前記対応データである遷移データの個数をカウントするステップと、前記監視装置が前記集計値と、前記遷移データの個数とを基に、前記対応データの遷移確率行列を算出し、該遷移確率行列を基に、前記第２データの予測値を算出するステップと、を有し、前記第２データの予測値を算出するステップは、前記監視装置が前記第２データ用クラスタに属する第２データの数を基に、前記第２データ用クラスタの各々の確率分布を算出するステップと、前記監視装置が前記遷移確率行列と、前記第２データ用クラスタの各々の確率分布とを基に、次の時刻における前記第２データ用クラスタの各々の確率分布を算出するステップと、前記監視装置が次の時刻における前記第２データ用クラスタの各々の確率分布と、前記第２データ用クラスタの各々の代表値とから前記予測値を算出するステップと、を含む情報処理方法が提供される。
　上記した情報処理方法、情報処理装置、プログラム、及び情報処理システムによれば、装置の運用時の時系列データを基に、時系列データの予測値を適切に推定することが可能となる。
実施形態に係る監視システムの一例を示す図である。 実施形態に係る出力クラスタ毎の集計値の一例を示す図である。 実施形態に係る遷移関係テーブルの一例を示す図である。 実施形態に係る遷移確率行列の算出式の一例を示す図である。 実施形態に係る遷移確率行列の各要素の算出式の一例を示す図である。 実施形態に係る予測値の算出式の一例を示す図である。 実施形態に係るコンピュータのハードウエア構成の一例を示す図である。 実施形態に係る監視システムの機能構成の一例を示す図である。 実施形態に係る動作フローの一例を示す図である。 実施形態に係る遷移確率行列の更新処理に用いる算出式の一例を示す図である。 実施形態に係る遷移確率行列の更新処理に用いる算出式の一例を示す図である。 実施形態に係る動作フローの一例を示す図である。 実施形態に係る出力クラスタの一例を示す図である。
　［第１の実施形態］
　＜システム構成＞
　図１を用いて実施形態に係る監視システム１について説明する。監視システム１は、プラント１０、プラント１０内に配備されている装置１００、及び監視装置２０を有する。装置１００と監視装置２０とは、ネットワーク２を介してデータの送受信を行う。ネットワーク２の種類には特に限定はない。
　装置１００は、所定の期間における装置１００の相互に関連する複数の種類の運用データを、ネットワーク２を介して、監視装置２０に通知する。監視装置２０は、通知された運用データを基に、運用データの予測値の算出に用いる遷移確率行列を算出する。監視装置２０は、算出された遷移確率行列を基に、運用データの予測値を算出する。具体的な算出手順については、後述する。
　なお、本実施形態においては、装置１００は、プラント１０内に配備されるボイラー、ガスタービン、コルゲータなどである。
　監視装置２０は、装置１００から、所定の期間以降の時刻における運用データの実測値を取得し、予測値と実測値との差分を特定する。監視装置２０は、特定された差分が、所定の閾値より小さい場合、装置１００が正常に運用されていると判断し、特定された差分が、所定の閾値以上の場合、装置１００に異常が発生していると判断する。
　＜予測値の算出方法＞
　次に、図２乃至図６を用いて、予測値の算出方法について説明する。実施形態に係る予測値の算出方法では、所定の期間の入力データと出力データとから算出される遷移確率行列を算出し、算出された遷移確率行列と出力データの確率分布とを基に、マスター方程式を生成し、このマスター方程式を用いて出力データの予測値を算出することを特徴としている。
　（１）遷移確率行列の算出
　まず、遷移確率行列の算出方法について説明する。ここでは、監視装置２０が、装置１００の運用データとして所定の期間の入力データｕ及び出力データＴを取得した場合について説明する。入力データｕと出力データＴとは相関関係を有するデータである。入力データｕは制御対象の装置１００への制御入力値である。出力データＴは制御対象の装置１００からの出力値であって、入力データｕ（制御入力値）に応じた当該装置１００の動作の状態を表すデータである。例えば、入力データｕは装置１００（ボイラー等）のバルブの開度であり、出力データＴは装置１００の温度データである。
　入力データｕは第１のデータと呼ばれてもよいし、出力データＴは第２のデータと呼ばれてもよい。ここでは、監視装置２０が取得した入力データｕの系列を｛ｕ１，ｕ２，…，ｕＮｔ｝、出力データＴの系列を｛Ｔ１，Ｔ２，…，ＴＮｔ｝と記載する。ここで、下付き文字は、運用データが取得された時刻を表しており、ＴＮｔは時刻Ｎｔで取得された出力データである。任意の時刻の入力データを記載する場合には、単にｕと記載し、任意の出力データを記載する場合には、単にＴと記載する。
　監視装置２０は、入力データｕをｎｃ個のクラスタに分ける。ここでは、入力データ用のクラスタ（以下、入力クラスタ）を｛Ｉｕ１，Ｉｕ２，…，Ｉｕｎｃ｝と記載する。入力クラスタは、第１データ用クラスタと呼ばれてもよい。入力クラスタＩｕの下付き文字は、入力クラスタＩｕの番号を示している。例えば、値が１００～１０９の入力データｕがＩｕ１に含まれ、値が１１０～１１９の入力データｕがＩｕ２に含まれ、値が（１００＋１０×ｎｃ）～（１００＋１０×ｎｃ＋９）の入力データｕがＩｕｎｃに含まれるように、監視装置２０はクラスタ分けを実行する。任意の入力クラスタについて記載する場合には、単に入力クラスタＩｕと記載する。
　監視装置２０は、出力データＴをｎｃ個のクラスタに分ける。ここでは、出力データ用のクラスタ（以下、出力クラスタ）を｛ＩＴ１，ＩＴ２，…，ＩＴｎｃ｝と記載する。出力クラスタは、第２データ用クラスタと呼ばれてもよい。出力クラスタＩＴの下付き文字は、出力クラスタＩＴの番号を示している。出力データＴのクラスタ分けについても、入力データｕと同様のクラスタ分けを適用可能である。なお、任意の出力クラスタについて記載する場合には、単に出力クラスタＩＴと記載する。入力クラスタと出力クラスタの個数は異なる数でもよい。
　次に、監視装置２０は、入力クラスタＩｕに属する入力データｕの各々に対応する出力データＴが属する出力クラスタＩＴを特定し、出力クラスタＩＴの各々に属する出力データＴの数を集計し、集計値を算出する。ここで、入力データｕと、入力データｕに対応する出力データＴ（対応データ）とは、例えば、装置１００から同一の時刻に取得されたデータである。
　例えば、時刻ｔａにおける入力データｕｔａが入力クラスタＩｕ１にクラスタ分けされ、時刻ｔａにおける出力データＴｔａがＩＴ２にクラスタ分けされている場合、監視装置２０は、入力クラスタＩｕ１における出力クラスタＩＴ２の出力データＴの集計値を１増加させる。
　図２は、入力クラスタＩｕ１と、入力クラスタＩｕ１に属する入力データｕに対応する出力データＴが属する出力クラスタＩＴとの関係を示している。具体的には、図２は、入力クラスタＩｕ１に属する入力データｕに対応する出力データＴのうちクラスタＩＴ１に属する出力データＴの個数が３０２個（２０１）、出力クラスタＩＴ２に属する出力データＴの個数が２３４個（２０２）、出力クラスタＩＴ３に属する出力データＴの個数が４５４個（２０３）、出力クラスタＩＴｎｃに属する出力データＴの個数が１９８個（２０４）であることを示している。
　入力クラスタＩｕと出力クラスタＩＴとの対応付け処理が完了した後で、監視装置２０は、出力クラスタＩＴに属する出力データＴが次の時刻、つまり次のデータ取得タイミングで、遷移する出力クラスタＩＴを特定する。そして、監視装置２０は、次の時刻で出力クラスタＩＴの各々に遷移する出力データＴの個数をカウントする。例えば、時刻ｔａにおける入力データｕｔａが入力クラスタＩｕ１にクラスタ分けされ、時刻ｔａにおける出力データＴｔａが出力クラスタＩＴ２にクラスタ分けされているときに、次の時刻ｔａ＋１における出力データＴｔａ＋１が、出力クラスタＩＴ５に遷移した場合、監視装置２０は、入力クラスタＩｕ１に対応する出力データＴ（対応データ）が出力クラスタＩＴ２から出力クラスタＩＴ５に遷移したことを特定する。そして、監視装置２０は、出力クラスタＩＴ２から出力クラスタＩＴ５に遷移した出力データＴ（遷移データ）の個数を１増加させる。
　ここで、遷移データとは、遷移元の出力クラスタＩＴの各々から遷移先の出力クラスタＩＴの各々に遷移する対応データである。ただし、遷移データには、遷移元の出力クラスタＩＴと、遷移先の出力クラスタＩＴとが同じ場合を含む。
　図３は、遷移関係テーブル（３０１～３００＋ｎｃ）の一例を示す図である。遷移関係テーブル（３０１～３００＋ｎｃ）は、監視装置２０が、遷移元の出力クラスタＩＴｊと遷移先の出力クラスタＩＴｉとの組み合わせ毎に含まれる出力データの個数をカウントすることにより生成されるテーブルである。
　遷移関係テーブル３０１には、入力クラスタＩｕ１に対応付けられている出力データＴの遷移元の出力クラスタＩＴｊと遷移先の出力クラスタＩＴｉとの関係が示される。遷移関係テーブル３０１には、遷移元の出力クラスタＩＴｊの各々に含まれる出力データＴの集計値が含まれる。
　例えば、列３０１Ａは、ｕが入力クラスタＩｕ１に属しかつＴが出力クラスタＩＴ１に属している出力データＴの集計値が３０２個であり、当該出力クラスタＩＴ１由来の出力データＴのうち、次の時刻で出力クラスタＩＴ２に４３個の出力データＴが遷移し、出力クラスタＩＴ３に８６個の出力データＴが遷移し、出力クラスタＩＴｎｃに３７個の出力データＴが遷移し、５１個の出力データＴがＩＴ１に留まることを示している。
　同様に、列３０１Ｂは、ＩＴ２に属している出力データＴの遷移先の出力クラスタＩＴの各々に含まれる出力データＴの数を示している。列３０１Ｃは、ＩＴｎｃに属している出力データＴの遷移先の出力クラスタＩＴの各々に含まれる出力データＴの数を示している。
　監視装置２０は、入力クラスタＩｕの各々の遷移関係テーブルを生成する。
　図４及び図５を用いて、遷移確率行列の算出方法について説明する。監視装置２０は、入力クラスタＩｕの各々の遷移関係テーブルを用いて、遷移確率行列Ａを算出する。
　図４の式１は、遷移確率行列Ａを示しており、遷移確率行列Ａ内の要素ａｉ，ｊは、式２で表される。ここで、式２の分母ｎｊ（ｔ－１）は、時刻（ｔ－１）において、出力クラスタＩＴｊに含まれる出力データＴの集計値であり、式２の分子ｎｉ，ｊ（ｔ）は、時刻（ｔ－１）の次の時刻である時刻ｔにおいて、出力クラスタＩＴｊから出力クラスタＩＴｉに移動した出力データＴの数である。監視装置２０は、式１及び式２を用いて遷移確率行列を算出する。
　図５を用いて遷移確率行列の要素の計算方法について、具体的に説明する。図５の式３－１乃至式３－５は、図３の遷移関係テーブル３０１を基に、Ｉｕ１の遷移確率行列の各要素の値が算出される様子を示している。
　式３－１は、要素ａ１，１の値の算出式である。ｎ１，１（ｔ）は、時刻（ｔ－１）から時刻ｔに遷移したときに、継続してＩＴ１に属している出力データＴの数である。この場合、ｎ１，１（ｔ）は、５１である。ｎ１（ｔ－１）は、時刻（ｔ－１）において、出力クラスタＩＴ１に含まれる出力データＴの集計値である。この場合、ｎ１（ｔ－１）は３０２である。
　式３－２は、要素ａ２，１の値の算出式である。ｎ２，１（ｔ）は、時刻（ｔ－１）で、出力クラスタＩＴ１に属している出力データＴのうち、時刻ｔにおいて出力クラスタＩＴ２に遷移する出力データＴの数である。この場合、ｎ２，１（ｔ）は４３である。ｎ１（ｔ－１）は式３－１と同様に３０２となる。
　式３－３は要素ａ３，１の値の算出式であり、式３－４は要素ａ１，２の値の算出式であり、式３－５は要素ａｎｃ，ｎｃの値の算出式である。これらの要素の値も式３－２と同様の手順により算出される。
　（２）出力データの予測値の算出
　出力データＴの予測値の算出する方法について説明する。出力データＴの予測値は、遷移確率行列Ａと、出力クラスタＩＴ毎の確率分布Ｐとを基に算出される。出力データＴの予測値を算出するために、監視装置２０は、予測値を算出する時刻における確率分布Ｐの予測を算出する。確率分布Ｐの予測は式４及び式５のマスター方程式により算出される。
　Ｐｔは時刻ｔにおける出力クラスタＩＴ毎の確率分布であり、装置１００から取得した出力データＴを基に算出される。Ｐｔ＋１は予測値を算出する時刻ｔ＋１における出力クラスタＩＴ毎の確率分布の予測である。出力クラスタＩＴ毎の確率分布とは、出力クラスタ｛ＩＴ１，ＩＴ２，…，ＩＴｎｃ｝の各々に含まれる出力データＴの数を、所定の期間に取得した出力データＴの個数の合計値、つまり、出力データＴのサンプル数の合計値で除算することにより求められる。確率分布Ｐを行列式形式で表現すると、式５のように表される。例えば、Ｐ（ＩＴ１，ｔ）は、時刻ｔにおける出力クラスタＩＴ１に出力データＴが存在する確率を示しており、Ｐ（ＩＴｎｃ，ｔ＋１）は、時刻ｔ＋１における出力クラスタＩＴｎｃに出力データＴが存在する確率を示している。
　式５を実行すること、つまり、遷移確率行列Ａと確率分布Ｐｔとを乗算することにより、時刻ｔ＋１における確率分布の予測であるＰｔ＋１が算出される。
　監視装置２０は、式５を用いて時刻ｔ＋１における確率分布Ｐｔ＋１を算出した後に、式６を用いて、時刻ｔ＋１における出力データＴｔ＋１の予測値を算出する。ここで、式６の代表値ＲＶ（ｒｅｐｒｅｓｅｎｔａｔｉｖｅ　ｖａｌｕｅ）は、各クラスタ内の代表値が設定される。例えば、代表値ＲＶ（ＩＴ１）には出力クラスタＩＴ１内の代表値が設定され、代表値ＲＶ（ＩＴ２）には出力クラスタＩＴ２内の代表値が設定され、代表値ＲＶ（ＩＴｎｃ）には出力クラスタＩＴｎｃ内の代表値が設定される。
　これにより、監視装置２０は、入力データ、及び出力データを基に、出力データの予測値を適切に算出することができる。
　入力データ及び出力データは、一般的には非線形性を有しているが、上述した出力データの予測値の算出方法では、予測値を算出する際に、入力データ及び出力データの線形近似を行わない。監視装置２０により実行される出力データの予測値の算出方法によれば、線形近似による誤差を生じないため、正確な出力データの予測が可能となる。
　上述した出力データの予測値の算出方法では、出力データの遷移を基に遷移行列を算出することが可能であり、監視装置２０の操作者が、例えば線形回帰モデルの導出時のような逆行列計算の設定等の複雑な手順を設定する必要がないというメリットがある。
　ここで、代表値ＲＶには、出力クラスタの中心値が設定されてもよい。この場合、例えば、ＲＶ（ＩＴ１）は「（ＩＴ１の上限値＋ＩＴ１の下限値）／２」となる。
　代表値ＲＶには、出力クラスタに含まれる出力データＴの平均値が設定されてもよい。この場合、予測値の精度が向上する。特に、出力データＴ及び入力データｕの個数が少ない場合、及び出力データＴ及び入力データｕの値の分布が一様でない場合等において、予測値の精度が向上する。
　上述した実施形態では、一種類の入力データｕを基に、出力データＴの予測値の算出を行っているが、複数の種類の入力データを基に出力データＴの予測値の算出を行ってもよい。この場合、複数の種類の入力データを入力クラスタにクラスタ分けを行う。例えば、複数の種類の入力データとして、装置１００のバルブの開度、及び燃料の圧力量等が設定される。このとき、図２および図３の集計は第一の入力と第二の入力の組み合わせ毎に行う。すなわち、第一の入力だけの場合は、図２および図３に示すように、集計の数は第一の入力のクラスタの数に等しい。第二の入力が追加された場合には、集計は第一の入力と第二の入力の組み合わせの数になるので、例えば、第二の入力が第一の入力と同じくｎｃにクラスタ分けされているならば，集計の数はｎｃ ２となる。さらに、対象とする装置の出力が複雑で前々時刻のサンプリング値にも依存するような場合には、図２および図３の集計は第一の入力と第二の入力と前々回の出力の組み合わせ毎に行う。この場合、集計の数はｎｃ ３となる。クラスタ分けとそれに基づく集計以外の処理については、一種類の入力データｕが入力される場合と同様である。このように、集計の組み合わせを増やすことにより対象とする装置の特性が複雑であったとしても容易に対応できる。
　＜ハードウエア構成＞
　監視装置２０は、情報処理装置、例えば一般的なコンピュータ３０を用いて実現することができる。図７は、コンピュータ３０の構成の一例を示す図である。
　コンピュータ３０は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）３０１、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）３０２、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）３０３、ストレージ装置３０４、外部Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）３０５、入力装置３０６、出力装置３０７、及び通信Ｉ／Ｆ３０８等を有する。
　ＣＰＵ３０１は、ＲＯＭ３０３やストレージ装置３０４等に格納されたプログラムやデータをＲＡＭ３０２上に読み出し、処理を実行することで、コンピュータ３０の各機能を実現する演算装置である。ＲＡＭ３０２は、ＣＰＵ３０１のワークエリア等として用いられる揮発性のメモリである。ＲＯＭ３０３は、電源を切ってもプログラムやデータを保持する不揮発性のメモリである。ストレージ装置３０４は、例えば、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ　Ｓｔａｔｅ　Ｄｒｉｖｅ）等により実現され、ＯＳ（Ｏｐｅｒａｔｉｏｎ　Ｓｙｓｔｅｍ）、アプリケーションプログラム、及び各種データ等を記憶する。
　外部Ｉ／Ｆ３０５は、外部装置とのインタフェースである。外部装置には、例えば、記録媒体３０９等がある。コンピュータ３０は、外部Ｉ／Ｆ３０５を介して、記録媒体３０９の読取り、書き込みを行うことができる。記録媒体３０９には、例えば、光学ディスク、磁気ディスク、メモリカード、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）メモリ等が含まれる。
　入力装置３０６は、例えば、マウス、及びキーボード等で構成され、操作者の指示を受けてコンピュータ３０に各種操作等を入力する。
　出力装置３０７は、例えば、液晶ディスプレイにより実現され、ＣＰＵ３０１による処理結果を表示する。
　通信Ｉ／Ｆ３０８は、有線通信又は無線通信により、コンピュータ３０をネットワークに接続するインタフェースである。バスＢは、上記各構成装置に接続され、制御装置間で各種制御信号等を送受信する。
　＜機能構成＞
　（１）監視装置２０
　図８を用いて、実施形態に係る監視装置２０の機能構成について説明する。監視装置２０は、データ取得部２１０、予測値算出部２２０、判定部２３０、入出力部２４０、及び装置制御部２５０を有する。これらの機能は、ＣＰＵ３０１が、ＲＯＭ３０３等に格納された１以上のプログラムを実行することにより実現される。監視装置２０は、情報記憶部２６０を有する。情報記憶部は、例えば、ストレージ装置３０４により実現される。
　データ取得部２１０は、プラント内に配置された装置１００から、入力データｕ、及び出力データＴを取得する。
　予測値算出部２２０は、データ取得部２１０が取得した入力データｕ、及び出力データＴを基に、遷移確率行列Ａを算出する。予測値算出部２２０は、時刻ｔにおける出力データＴの確率分布Ｐｔを算出する。予測値算出部２２０は、遷移確率行列Ａ及び確率分布Ｐｔを基に、時刻ｔ＋１の出力データＴの確率分布の予測Ｐｔ＋１を算出する。予測値算出部２２０は、確率分布の予測Ｐｔ＋１と各出力クラスタＩＴの代表値ＲＶとを基に、時刻ｔ＋１における出力データＴの予測値Ｔｔ＋１を算出する。ここで、予測値算出部２２０は、情報記憶部２６０を参照し、入力クラスタＩｕの各々の範囲、出力クラスタＩＴの各々の範囲、出力クラスタＩＴの代表値ＲＶを特定する。
　判定部２３０は、時刻ｔ＋１における出力データＴの予測値Ｔｔ＋１と、実測値Ｔ’ｔ＋１との差分Ｄを算出する。ここで、差分Ｄは、式「差分Ｄ＝｜予測値Ｔｔ＋１－実測値Ｔ’ｔ＋１｜」により算出される。差分Ｄが所定の閾値Ｔｈ以下の場合、判定部２３０は、装置１００が正常に動作していると判定する。差分Ｄが所定の閾値Ｔｈより大きい場合、判定部２３０は、装置１００が正常に動作していると判定する。判定部２３０は、判定結果を、入出力部２４０に通知する。
　入出力部２４０は、監視装置２０の操作者から入力クラスタＩｕの設定、出力クラスタＩＴの設定、代表値ＲＶの設定、及び閾値Ｔｈの設定等を受け付ける。
　入出力部２４０は、装置１００の運用状態、及び正常性の判定結果等をディスプレイに表示する。入出力部２４０は、装置１００の運用状態、及び正常性の判定結果等を、他の装置、例えば操作用の端末に通知してもよい。
　装置制御部２５０は、入出力部２４０の指示を受けて、装置１００の制御を実行する。装置１００が正常に動作していないと判断された場合、装置制御部２５０は、装置１００が所定の動作、例えば、装置１００を停止する動作、及び装置１００の使用率を低下させる動作等を実行してもよい。
　情報記憶部２６０は、各種データを記憶する。情報記憶部２６０は、データ取得部２１０が取得した入力データｕ、及び出力データＴを記憶する。情報記憶部２６０は、入力クラスタＩｕの設定、出力クラスタＩＴの設定、代表値ＲＶの設定、及び閾値Ｔｈの設定等を記憶する。
　（２）装置
　次に、図９を用いて装置１００の機能構成について説明する。装置１００は、測定部１１０、送受信部１２０、動作制御部１３０、及び情報記憶部１４０を有する。
　測定部１１０は、装置の入力データｕ及び出力データＴを測定する。測定部１１０は、監視装置２０からの指示に基づいて入力データｕ及び出力データＴの測定をしてもよい、送受信部１２０は、ネットワーク２を介して、装置の入力データｕ及び出力データＴを監視装置２０に送信する。送受信部１２０は、監視装置２０との間で、ネットワーク２を介して各種信号の送受信を行う。動作制御部１３０は、装置１００に対する各種制御を実行する。動作制御部１３０は、監視装置２０からの指示に基づいて装置１００に対する制御を実行してもよい。情報記憶部１４０は、測定された入力データｕ、出力データＴ、及び装置１００の制御に係る各種データを記憶する。
　＜処理手順＞
　図９乃至図１１を用いて、監視装置２０による予測値の算出の処理について説明する。
図９は、監視装置２０による予測値の算出の動作フローの一例を示す図である。この動作フローは毎サンプリング時刻実施する。
　ステップＳ９０１で、データ取得部２１０は、所定の期間の装置１００の入力データｕ及び出力データＴを取得する。
　ステップＳ９０２で、予測値算出部２２０は、Ｎｔ個（Ｎｔは自然数）の入力データｕ及び出力データＴを取得したか否か判断する。Ｎｔ個の入力データｕ及び出力データＴを取得した場合（ステップＳ９０２　Ｙｅｓ）、ステップＳ９０３に進む。一方、Ｎｔ個の入力データｕ及び出力データＴを取得していない場合（ステップＳ９０２　Ｎｏ）、ステップＳ９０３、ステップＳ９０４は実施しない。
　ステップＳ９０３で、予測値算出部２２０は、直近のＮｔ個の入力データｕ及び出力データＴを用いて、遷移確率行列Ａを更新する。
　ステップＳ９０４で、予測値算出部２２０は、出力データＴの予測値を算出する。
　予測値算出部２２０は、図１０の式１０－１及び式１０－２を用いて、ステップＳ９０３の遷移確率行列の更新の処理を実行する。
　式１０－１は、遷移関係テーブル（図３参照）の各要素の値を算出する式であり、”ｎｉ，ｊ（ｔ－１）”は、遷移関係テーブルのｉ行目、ｊ列目の値を表しており、時刻（ｔ－１）の次の時刻ｔにおいて、出力クラスタＩＴｊから、出力クラスタＩＴｉに遷移した出力データＴの数を表している。”Ｎｕｍｂｅｒ　Ｏｆ　Ｓａｍｐｌｅｓ”は、対応データの数を表している。
　式１０－２は、遷移関係テーブルの各列に含まれる対応データの集計値を算出する式である。”ｎｊ（ｔ－１）”は、遷移関係テーブルの時刻（ｔ－１）におけるｊ列目に存在する対応データの数の集計値を表している。
　算出された、遷移関係テーブルの各要素の値（ｎｉ，ｊ（ｔ－１））と、遷移関係テーブルの各列の集計値（ｎｊ（ｔ－１））とを式２に入力することにより、遷移確率行列が算出される。
　図９では、Ｎｔ個の入力データｕ及び出力データＴを取得する度に遷移確率行列を更新する場合について説明した。遷移確率行列を用いて正確な予測値を算出するために、予測値算出部２２０は、遷移確率行列の更新頻度を高くしてもよい。例えば、新たな入力データｕ及び出力データＴを取得する度に遷移確率行列を更新してもよい。この場合、遷移関係テーブルの各要素は図１１の式１１－１を用いて算出され、遷移関係テーブルの各列の集計値は図１１の式１１－２を用いて算出される。
　具体的には、予測値算出部２２０は、新たに取得した出力データＴｔの直前の時刻（ｔ－１）で属する出力クラスタＩＴｉと、時刻（ｔ）で属する出力クラスタＩＴｊとを特定する。ここでは、直前の時刻（ｔ－１）で出力データＴｔ―１が属する出力クラスタＩＴｉ’、時刻ｔで出力データＴｔが属する出力クラスタＩＴｊ’と特定されたものとする。
　監視装置２０は、直前の時刻（ｔ－１）における遷移関係テーブルのｉ’行、ｊ’列の要素の値を「１」増加させる。これにより、時刻（ｔ）におけるｎｉ，ｊが算出される。監視装置２０は、直前の時刻（ｔ－１）のｎｊ’を１増加させる、つまりｊ’列の要素の集計値を１増加させる。算出されたｎｉ，ｊ及びｎｊを式２に入力することにより、遷移確率行列が更新される。
　本実施形態では、直前の時刻（ｔ－１）から次の時刻（ｔ）において、出力クラスタＩＴｊから、出力クラスタＩＴｉに遷移した出力データＴの数に基づいて、遷移確率行列Ａを算出するものとして説明したが、他の実施形態においてはこの態様に限定されない。例えば、監視装置２０は、更に前の時刻（ｔ－２）から直前の時刻（ｔ－１）において、出力クラスタＩＴｋから、出力クラスタＩＴｊに遷移した出力データＴの数と、直前の時刻（ｔ－１）から次の時刻（ｔ）において、出力クラスタＩＴｊから、出力クラスタＩＴｉに遷移した出力データＴの数と、を用いて遷移確率行列Ａを算出してもよい。
　このようにすることで、遷移確率行列Ａには、より過去の出力データＴからの遷移確率に係る情報も含まれることになるので、一層精度の高い予測が可能になる。
　次に、図１２を用いて監視装置２０による装置１００の異常の判定の処理について説明する。
　ステップＳ１２０１で、予測値算出部２２０は、次の時刻ｔ＋１における出力データＴｔ＋１の予測値Ｔｔ＋１を算出する。
　ステップＳ１２０２で、データ取得部２１０は、時刻ｔ＋１における実測値Ｔ’ｔ＋１の実測値を取得する。
　ステップＳ１２０３で、予測値算出部２２０は、予測値Ｔｔ＋１と実測値Ｔ’ｔ＋１との差分Ｄを算出する。
　ステップＳ１２０４で、判定部２３０は、差分Ｄが閾値Ｔｈ以下であるか否かを判断する。差分Ｄが閾値Ｔｈ以下の場合（ステップＳ１２０４　Ｙｅｓ）、ステップＳ１２０５に進む。差分Ｄが閾値より大きい場合（ステップＳ１２０４　Ｎｏ）、ステップＳ１２０６に進む。
　ステップＳ１２０５で、判定部２３０は、装置１００が正常に動作していると判定する。
　ステップＳ１２０６で、判定部２３０は、装置１００に異常が発生していると判定する。
　ステップＳ１２０７で、入出力部２４０は、判定部２３０による判定結果を出力する。
　閾値Ｔｈは、情報記憶部２６０に記憶されており、遷移確率行列の算出方法により設定値が調整される。例えば、遷移確率行列の更新の頻度が高い程、正確な予測値が算出可能なため、閾値Ｔｈの値は小さくなる。入力クラスタＩｕ及び出力クラスタＩＴの数が多い程、正確な予測値が算出可能なため、閾値Ｔｈの値は小さくなる。
（作用・効果）
　以上の通り、第１の実施形態に係る監視装置２０は、所定の期間における装置１００の入力データｕ、及び該入力データｕと相関関係を有する出力データＴを取得するステップと、入力データｕの各々の属する入力クラスタＩｕと、出力データＴの各々の属する出力クラスタＩＴとを特定するステップと、一の入力クラスタＩｕに属する入力データと対応する時刻に取得された出力データＴ（対応データ）を抽出するステップと、を実行する。
　更に、監視装置２０は、出力クラスタＩＴの各々に含まれる上記対応データの個数を集計し、出力クラスタＩＴ毎の集計値を算出するステップ（図２参照）と、対応する時刻（各対応データが得られた時刻）の次の時刻において、対応データの遷移先の出力クラスタＩＴを特定し、遷移元の出力クラスタＩＴの各々から遷移先の出力クラスタＩＴの各々に遷移する対応データ（遷移データ）の個数をカウントするステップ（図３参照）と、を実行する。
　更に、監視装置２０は、出力クラスタＩＴ毎の集計値と、遷移データの個数とを基に、対応データの遷移確率行列Ａを算出し、該遷移確率行列Ａを基に、出力データＴの予測値を算出するステップと、を実行する。
　このようにすることで、監視装置２０は、マスター方程式の遷移確率行列Ａを用いて、プラント等に配備される装置１００の非線形特性をそのまま（線形近似することなく）表すことができる。即ち、線形特性が前提となる伝達関数では、装置１００の非線形特性を線形特性に近似する工程が必要であり、当該近似の分、予測の結果に誤差が生じてしまうものであった。一方、本実施形態に係る監視装置２０ではそのような誤差が生じないため、より精度の高い予測が可能となる。
　したがって、第１の実施形態に係る監視装置２０によれば、時系列データの予測値を適切に（精度良く）推定することが可能となる。
　第１の実施形態に係る監視装置２０によれば、遷移データの個数は、遷移元の出力クラスタＩＴと遷移先の出力クラスタＩＴの組み合わせ毎に算出される。遷移確率行列Ａの各要素は、遷移データの個数を、遷移データが遷移前に属していた出力クラスタの集計値で除算することにより算出される。
　このようにすることで、ある出力クラスタに属していた出力データ（遷移データ）が、次の時刻で、どの程度の確率で各出力クラスタに属することになるか（遷移するか）、を遷移元の出力クラスタＩＴと遷移先の出力クラスタＩＴの組み合わせ毎に求めることができる。
　第１の実施形態に係る監視装置２０は、出力データＴの予測値を算出するステップにおいて、出力クラスタＩＴに属する出力データＴの数を基に、出力クラスタＩＴの各々の確率分布を算出するステップと、遷移確率行列Ａと、出力クラスタＩＴの各々の確率分布とを基に、次の時刻における出力クラスタＩＴの各々の確率分布を算出するステップと、次の時刻における出力クラスタＩＴの各々の確率分布と、出力クラスタＩＴの各々の代表値とから予測値を算出するステップと、を実行する。
　このようにすることで、次の（将来の）時刻にて出力される出力データが、各出力クラスタの各々に属する確率分布を予測することができる。そして、次の時刻に出力される出力データの予測値を、当該確率分布の予測結果と出力クラスタＩＴの各々の代表値とを用いて、期待値（即ち、各出力クラスタＩＴの、代表値と確率分布との積の総和（式６参照））として算出することができる。
　第１の実施形態において、出力クラスタＩＴの代表値とは、出力クラスタＩＴに属する出力データが取り得る値の中心値（例えば（ＩＴ１の上限値＋ＩＴ１の下限値）／２）となる。
　このようにすれば、代表値は、予め求められた定数であるため、出力データの予測値の演算過程を簡素化でき、処理の負荷を軽減することができる。
　他の実施形態においては、出力クラスタＩＴの代表値とは、出力クラスタＩＴに属する出力データの平均値であってよい。
　このようにすることで、特に、出力データＴ及び入力データｕの個数が少ない場合、及び出力データＴ及び入力データｕの値の分布が一様でない場合等において、予測値の精度が向上する。
　第１の実施形態に係る監視装置２０は、所定の時刻の出力データＴを、装置１００から取得するステップと、所定の時刻の出力データＴの予測値を算出し、該予測値と所定の時刻の出力データＴとの差分を算出するステップと、算出された差分が所定の閾値以下の場合、装置１００が正常に動作していると判断するステップと、を実行する。
　このようにすることで、出力データＴの所定時刻における実測値が、出力データＴの同時刻における予測値から大きく外れていないことをもって、装置１００の現在の運転が正常であることを識別することができる。
　第１の実施形態に係る監視装置２０は、入力データｕ及び出力データＴを取得すると、該入力データｕ及び該出力データＴを基に、遷移確率行列Ａを更新するステップ、を実行する。
　このようにすることで、一定量の入力データｕ及び出力データＴが取得される度に、新たな遷移確率行列Ａが算出され、当該新たな遷移確率行列Ａに基づいて出力データが予測される。これにより、長期の運転により装置１００の特性が過渡的に変化した場合であっても、最新の特性に応じた遷移確率行列Ａに基づき、常に精度の高い予測が維持される。
　［第２の実施形態］
　次に、図１３を用いて第２の実施形態について説明する。第１の実施形態と共通する部分については説明を省略し、異なる部分についてのみ説明する。第２の実施形態では、入力クラスタＩｕ及び出力クラスタＩＴに分類される値の範囲を調整することにより予測値の精度を向上させる。
　図１３は、出力クラスタＩＴの設定方法の一例を示している。図１３では、出力データＴ０の一例である温度の値が「Ｔ０＋Ｋδ（Ｋ：０～４０９５、δ：分解能）」で表されている。分解能には、０．０１度等の値が設定される。
　図１３では、出力データＴの取り得る値が４０９６個であり、５８６個毎の７個の出力クラスタに分類される。例えば、出力データＴ（温度）の値が「Ｔ０～Ｔ０＋５８５δ」の場合、出力クラスタＩＴ１に分類され、出力データＴ（温度）の値が「Ｔ０＋５８６δ～Ｔ０＋１１７１」の場合、出力クラスタＩＴ２に分類される。
　出力クラスタＩＴの各々に含まれる出力データＴの取り得る値の数が、均等になるように出力クラスタＩＴを設定する場合について説明したが、出力クラスタＩＴの各々に分類される出力データＴの数が均等になるように出力クラスタＩＴを分割してもよい。例えば、監視装置２０は、所定の期間における出力データＴの取り得る値の数が均等になるように出力クラスタＩＴを分割してもよい。監視装置２０は、出力データＴの数が均等になるように所定のタイミングで、出力クラスタＩＴの設定を変更してもよい。これにより、出力データＴを出力クラスタＩＴに割り当てることによる統計的な揺らぎを抑えることが可能となるため、正確な遷移確率行列を算出することができる。
　出力クラスタＩＴの設定方法について説明したが、入力クラスタＩｕについても同様の設定が可能であることは勿論である。
　［その他］
　上述した実施形態では、プラント１０内に配備された装置１００の出力データの予測値を算出し、装置１００が正常に動作しているか否かを判断する場合について説明したが、プラント１０内に配備された装置１００以外にも適用可能なことは勿論である。例えば、鉄道車両、航空機の動作の正常性の判断に用いてもよい。一の装置１００の入力データ及び出力データを基に予測値を算出し、同種の装置１００の正常性の判断に用いてもよい。
　入力データ、及び出力データとして、バルブの開度、及び温度を例に挙げて説明したが、入力データ、及び出力データは、監視対象の装置１００に係る、互いに相関関係を有するデータ系列（装置１００に対する、“制御入力値”と“動作の状態を表すデータ”との組み合わせ）であれば特に限定はない。例えば、入力データとしては、装置１００の所定の部分の圧力であってもよく、出力データとしては、装置１００内の所定の物質の濃度等であってもよい。
　監視装置２０は、情報処理装置の一例である。データ取得部２１０は、取得部の一例である。特定部、抽出部、集計部、カウント部、及び算出部は、予測値算出部２２０の一例である。送受信部１２０は、送信部の一例である。
　上述の説明で特に限定しない限り、特許請求の範囲に記載された本発明の趣旨の範囲内において、種々の変形、変更が可能であることは勿論である。
　上記した情報処理方法、情報処理装置、プログラム、及び情報処理システムによれば、装置の運用時の時系列データを基に、時系列データの予測値を適切に推定することが可能となる。
　１　　監視システム
　１０　　プラント
　２０　　監視装置
　１００　　装置
　２１０　　データ取得部
　２２０　　予測値算出部
　２３０　　判定部
　２４０　　入出力部
　２５０　　装置制御部
　２６０　　情報記憶部
　１２０　　送受信部

Claims (12)

  1. 　装置の動作の状態を表すデータの予測値を算出する情報処理方法であって、
    　監視装置が所定の期間における前記装置の第１データ、及び該第１データと相関関係を有する第２データを取得するステップと、
    　前記監視装置が前記第１データの各々の属する第１データ用クラスタと、前記第２データの各々の属する第２データ用クラスタとを特定するステップと、
    　前記監視装置が一の前記第１データ用クラスタに属する前記第１データと対応する時刻に取得された第２データを対応データとして抽出するステップと、
    　前記監視装置が前記第２データ用クラスタの各々に含まれる前記対応データの個数を集計し、前記第２データ用クラスタ毎の集計値を算出するステップと、
    　前記監視装置が前記対応する時刻の次の時刻において、前記対応データの遷移先の前記第２データ用クラスタを特定し、遷移元の前記第２データ用クラスタの各々から遷移先の前記第２データ用クラスタの各々に遷移する前記対応データである遷移データの個数をカウントするステップと、
    　前記監視装置が前記集計値と、前記遷移データの個数とを基に、前記対応データの遷移確率行列を算出し、該遷移確率行列を基に、前記第２データの予測値を算出するステップと、を有し、
    　前記第２データの予測値を算出するステップは、
    　前記監視装置が前記第２データ用クラスタに属する第２データの数を基に、前記第２データ用クラスタの各々の確率分布を算出するステップと、
    　前記監視装置が前記遷移確率行列と、前記第２データ用クラスタの各々の確率分布とを基に、次の時刻における前記第２データ用クラスタの各々の確率分布を算出するステップと、
    　前記監視装置が次の時刻における前記第２データ用クラスタの各々の確率分布と、前記第２データ用クラスタの各々の代表値とから前記予測値を算出するステップと、を含む情報処理方法。
  2. 　前記遷移データの個数は、遷移元の前記第２データ用クラスタと遷移先の前記第２データ用クラスタの組み合わせ毎に算出され、
    　前記遷移確率行列の各要素は、前記遷移データの個数を、該遷移データが遷移前に属していた前記第２データ用クラスタの前記集計値で除算することにより算出される、請求項１に記載の情報処理方法。
  3. 　前記代表値は、前記第２データ用クラスタに属する出力データが取り得る値の中心値である、請求項１又は請求項２に記載の情報処理方法。
  4. 　前記代表値は、前記第２データ用クラスタに属する出力データの平均値である、請求項１又は請求項２に記載の情報処理方法。
  5. 　前記監視装置が所定の時刻の前記第２データを、前記装置から取得するステップと、
    　前記監視装置が前記所定の時刻の前記第２データの予測値を算出し、該予測値と前記所定の時刻の前記第２データとの差分を算出するステップと、
    　前記監視装置が算出された前記差分が所定の閾値以下の場合、前記装置が正常に動作していると判断するステップと、を有する請求項１乃至４のいずれか一項に記載の情報処理方法。
  6. 　前記監視装置が新たな前記第１データ及び前記第２データを取得すると、該第１データ及び該第２データとを基に前記遷移確率行列を更新するステップ、を有する請求項１乃至５のいずれか一項に記載の情報処理方法。
  7. 　前記第２データ用クラスタの各々に分類される前記第２データの値の範囲は、前記第２データ用クラスタの各々に分類される前記第２データの数が均等になるように設定される、請求項１乃至６のいずれか一項に記載の情報処理方法。
  8. 　前記第１データは、制御対象の前記装置への入力値であり、前記第２データは、制御対象の該装置からの出力値である、請求項１乃至７のいずれか一項に記載の情報処理方法。
  9. 　装置の動作の状態を表すデータの予測値を算出する情報処理装置であって、
    　所定の期間における前記装置の第１データ、及び該第１データと相関関係を有する第２データを取得する取得部と、
    　前記第１データの各々の属する第１データ用クラスタと、前記第２データの各々の属する第２データ用クラスタとを特定する特定部と、
    　一の前記第１データ用クラスタに属する前記第１データと対応する時刻に取得された第２データを対応データとして抽出する抽出部と、
    　前記第２データ用クラスタの各々に含まれる前記対応データの個数を集計し、前記第２データ用クラスタ毎の集計値を算出する集計部と、
    　前記対応する時刻の次の時刻において、前記対応データの遷移先の前記第２データ用クラスタを特定し、遷移元の前記第２データ用クラスタの各々から遷移先の前記第２データ用クラスタの各々に遷移する前記対応データである遷移データの個数をカウントするカウント部と、
    　前記集計値と、前記遷移データの個数とを基に、前記対応データの遷移確率行列を算出し、該遷移確率行列を基に、前記第２データの予測値を算出する算出部と、を有し、
    　前記第２データの予測値を算出する算出部は、
    　前記第２データ用クラスタに属する第２データの数を基に、前記第２データ用クラスタの各々の確率分布を算出する第１算出部と、
    　前記遷移確率行列と、前記第２データ用クラスタの各々の確率分布とを基に、次の時刻における前記第２データ用クラスタの各々の確率分布を算出する第２算出部と、
    　次の時刻における前記第２データ用クラスタの各々の確率分布と、前記第２データ用クラスタの各々の代表値とから前記予測値を算出する第３算出部と、を含む情報処理装置。
  10. 　装置の動作の状態を表すデータの予測値を算出するプログラムであって、
    　所定の期間における前記装置の第１データ、及び該第１データと相関関係を有する第２データを取得するステップと、
    　前記第１データの各々の属する第１データ用クラスタと、前記第２データの各々の属する第２データ用クラスタとを特定するステップと、
    　一の前記第１データ用クラスタに属する前記第１データと対応する時刻に取得された第２データを対応データとして抽出するステップと、
    　前記第２データ用クラスタの各々に含まれる前記対応データの個数を集計し、前記第２データ用クラスタ毎の集計値を算出するステップと、
    　前記対応する時刻の次の時刻において、前記対応データの遷移先の前記第２データ用クラスタを特定し、遷移元の前記第２データ用クラスタの各々から遷移先の前記第２データ用クラスタの各々に遷移する前記対応データである遷移データの個数をカウントするステップと、
    　前記集計値と、前記遷移データの個数とを基に、前記対応データの遷移確率行列を算出し、該遷移確率行列を基に、前記第２データの予測値を算出するステップと、をコンピュータに実行させ、
    　前記第２データの予測値を算出するステップにおいて、
    　前記第２データ用クラスタに属する第２データの数を基に、前記第２データ用クラスタの各々の確率分布を算出するステップと、
    　前記遷移確率行列と、前記第２データ用クラスタの各々の確率分布とを基に、次の時刻における前記第２データ用クラスタの各々の確率分布を算出するステップと、
    　次の時刻における前記第２データ用クラスタの各々の確率分布と、前記第２データ用クラスタの各々の代表値とから前記予測値を算出するステップと、をコンピュータに実行させるプログラム。
  11. 　装置と、該装置の動作の状態を表すデータの予測値を算出する情報処理装置とを有する情報処理システムであって、
    　前記装置は、
    　所定の期間における前記装置の第１データ、及び該第１データと相関関係を有する第２データを、前記情報処理装置に送信する送信部、を有し、
    　前記情報処理装置は、
    　前記第１データ及び前記第２データを、前記装置から取得する取得部と、
    　前記第１データの各々の属する第１データ用クラスタと、前記第２データの各々の属する第２データ用クラスタとを特定する特定部と、
    　一の前記第１データ用クラスタに属する前記第１データと対応する時刻に取得された第２データを対応データとして抽出する抽出部と、
    　前記第２データ用クラスタの各々に含まれる前記対応データの個数を集計し、前記第２データ用クラスタ毎の集計値を算出する集計部と、
    　前記対応する時刻の次の時刻において、前記対応データの遷移先の前記第２データ用クラスタを特定し、遷移元の前記第２データ用クラスタの各々から遷移先の前記第２データ用クラスタの各々に遷移する前記対応データである遷移データの個数をカウントするカウント部と、
    　前記集計値と、前記遷移データの個数とを基に、前記対応データの遷移確率行列を算出し、該遷移確率行列を基に、前記第２データの予測値を算出する算出部と、を有し、
    　前記第２データの予測値を算出する算出部は、
    　前記第２データ用クラスタに属する第２データの数を基に、前記第２データ用クラスタの各々の確率分布を算出する第１算出部と、
    　前記遷移確率行列と、前記第２データ用クラスタの各々の確率分布とを基に、次の時刻における前記第２データ用クラスタの各々の確率分布を算出する第２算出部と、
    　次の時刻における前記第２データ用クラスタの各々の確率分布と、前記第２データ用クラスタの各々の代表値とから前記予測値を算出する第３算出部と、を含む情報処理システム。
  12. 　プラントを更に備え、
    　前記装置は、前記プラントに配備される
    　請求項１１に記載の情報処理システム。
PCT/JP2017/036839 2016-10-17 2017-10-11 情報処理方法、情報処理装置、プログラム、及び情報処理システム WO2018074304A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE112017005242.4T DE112017005242T5 (de) 2016-10-17 2017-10-11 Informationsverarbeitungsverfahren, Informationsverarbeitungsvorrichtung, Programm und Informationsverarbeitungssystem
US16/340,297 US10962969B2 (en) 2016-10-17 2017-10-11 Information-processing method, information-processing device, program, and information-processing system
CN201780062949.6A CN109844665B (zh) 2016-10-17 2017-10-11 信息处理方法、信息处理装置、计算机可读存储介质及信息处理系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016-203933 2016-10-17
JP2016203933A JP6150934B1 (ja) 2016-10-17 2016-10-17 情報処理方法、情報処理装置、プログラム、及び情報処理システム

Publications (1)

Publication Number Publication Date
WO2018074304A1 true WO2018074304A1 (ja) 2018-04-26

Family

ID=59081929

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/036839 WO2018074304A1 (ja) 2016-10-17 2017-10-11 情報処理方法、情報処理装置、プログラム、及び情報処理システム

Country Status (5)

Country Link
US (1) US10962969B2 (ja)
JP (1) JP6150934B1 (ja)
CN (1) CN109844665B (ja)
DE (1) DE112017005242T5 (ja)
WO (1) WO2018074304A1 (ja)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019207767A1 (ja) * 2018-04-27 2019-10-31 株式会社日立製作所 制御装置および制御方法
US11343155B2 (en) * 2018-09-13 2022-05-24 Cable Television Laboratories, Inc. Machine learning algorithms for quality of service assurance in network traffic
JP7220550B2 (ja) * 2018-11-12 2023-02-10 三菱重工業株式会社 エッジ装置、接続確立システム、接続確立方法及びプログラム
US11591936B2 (en) * 2019-09-04 2023-02-28 Saudi Arabian Oil Company Systems and methods for proactive operation of process facilities based on historical operations data
JP2021089505A (ja) * 2019-12-03 2021-06-10 株式会社日立製作所 監視支援装置、および、監視支援方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000259223A (ja) * 1999-03-12 2000-09-22 Toshiba Corp プラント監視装置
JP2010039833A (ja) * 2008-08-06 2010-02-18 Act Systems:Kk 需要発生予測システム、需要発生予測装置、および需要発生予測方法
JP2015076058A (ja) * 2013-10-11 2015-04-20 株式会社日立製作所 設備の監視診断装置

Family Cites Families (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS60118904A (ja) 1983-11-30 1985-06-26 Mitsubishi Heavy Ind Ltd 制御演算装置弁別方式
US6400366B1 (en) * 1998-09-14 2002-06-04 Visual Insights, Inc. Method and system for the interactive visualization and examination of data
JP2000295223A (ja) * 1999-04-09 2000-10-20 Canon Inc ネットワーク端末装置及びその表示方法
US6741983B1 (en) * 1999-09-28 2004-05-25 John D. Birdwell Method of indexed storage and retrieval of multidimensional information
WO2002003256A1 (en) * 2000-07-05 2002-01-10 Camo, Inc. Method and system for the dynamic analysis of data
JP4520819B2 (ja) 2004-10-25 2010-08-11 大陽日酸株式会社 プラントの故障予測方法
EP1818746A1 (en) * 2006-02-10 2007-08-15 ALSTOM Technology Ltd Method of condition monitoring
US7613946B2 (en) * 2006-09-14 2009-11-03 International Business Machines Corporation Apparatus, system, and method for recovering a multivolume data set
US20100057662A1 (en) * 2008-07-31 2010-03-04 Techfinity, Inc. System for real-time probablistic resource management
US9245000B2 (en) * 2008-08-05 2016-01-26 Vmware, Inc. Methods for the cyclical pattern determination of time-series data using a clustering approach
US8249981B2 (en) * 2008-12-16 2012-08-21 Ge Corporate Financial Services, Inc. Methods and systems for generating transition probability matrices through an optimization framework
EP2752722B1 (en) * 2011-08-31 2019-11-06 Hitachi Power Solutions Co., Ltd. Facility state monitoring method and device for same
US8799194B2 (en) * 2011-10-06 2014-08-05 Nec Laboratories America, Inc. Probabilistic model checking of systems with ranged probabilities
US9581080B2 (en) 2012-12-21 2017-02-28 Toyota Motor Engineering & Manufacturing North America, Inc. Rate-based model predictive control method for internal combustion engine air path control
US10963810B2 (en) * 2014-06-30 2021-03-30 Amazon Technologies, Inc. Efficient duplicate detection for machine learning data sets
DE112015004340T5 (de) * 2014-09-24 2017-06-01 Analog Devices, Inc. Schaltungen und Systeme für gemultiplexte Kommunikation über einen Isolator
TWI534704B (zh) * 2014-11-21 2016-05-21 財團法人資訊工業策進會 時間序列資料處理方法及其系統
JP2016203933A (ja) 2015-04-28 2016-12-08 株式会社エムログ Ｏｂｄアダプタ及びその取り付け方法
CN105675274A (zh) * 2016-01-07 2016-06-15 西安交通大学 基于时域参数与d-s证据理论的转子运行状态监测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000259223A (ja) * 1999-03-12 2000-09-22 Toshiba Corp プラント監視装置
JP2010039833A (ja) * 2008-08-06 2010-02-18 Act Systems:Kk 需要発生予測システム、需要発生予測装置、および需要発生予測方法
JP2015076058A (ja) * 2013-10-11 2015-04-20 株式会社日立製作所 設備の監視診断装置

Also Published As

Publication number Publication date
CN109844665A (zh) 2019-06-04
US20190339683A1 (en) 2019-11-07
JP2018067065A (ja) 2018-04-26
US10962969B2 (en) 2021-03-30
JP6150934B1 (ja) 2017-06-21
DE112017005242T5 (de) 2019-07-04
CN109844665B (zh) 2020-06-30

Similar Documents

Publication Publication Date Title
WO2018074304A1 (ja) 情報処理方法、情報処理装置、プログラム、及び情報処理システム
de Jonge et al. The influence of practical factors on the benefits of condition-based maintenance over time-based maintenance
US10747188B2 (en) Information processing apparatus, information processing method, and, recording medium
US10054920B2 (en) Remote diagnostic system
Ge Active learning strategy for smart soft sensor development under a small number of labeled data samples
CN112449696A (zh) 时序数据诊断装置、追加学习方法及程序
CN114787837A (zh) 采用机器学习方法预测工业老化过程
Mohanty et al. Gaussian process time series model for life prognosis of metallic structures
CN102601881A (zh) 一种橡胶硬度的在线质量监控和预测模型更新的方法
US20190064789A1 (en) System analyzing device, system analyzing method, and computer-readable recording medium
JP2021060940A (ja) 運用支援システム及び方法
JP7167992B2 (ja) ラベル修正装置
Wang et al. Building degradation index with variable selection for multivariate sensory data
Carvajal et al. Estimation of calibration intervals using Bayesian inference
KR102311412B1 (ko) 오차항의 독립성 보정 기반의 모수 추정 방법, 이를 구현하는 컴퓨터 프로그램 및 이를 수행하도록 구성되는 시스템
CN109598047A (zh) 一种变电设备寿期预测方法及系统
US10733331B2 (en) Information processing apparatus, information processing method, and recording medium
US20230057943A1 (en) Prediction apparatus, prediction method, and program
JP2014174895A (ja) バグ収束予測装置及びバグ収束予測プログラム
Xing et al. Support vector regression for software reliability growth modeling and prediction
CN114372593A (zh) 核电厂维修项目多重替代处理方法、装置、设备及介质
Sarada et al. On a random lead time and threshold shock model using phase‐type geometric processes
WO2023152985A1 (ja) トラヒック予測装置、トラヒック予測方法、及びプログラム
WO2024070169A1 (ja) 試作条件提案システム、試作条件提案方法
JP2008146127A (ja) 寄与度解析装置、寄与度解析方法及びプログラム

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17861699

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 17861699

Country of ref document: EP

Kind code of ref document: A1