WO2018101050A1 - 情報処理装置および情報処理方法 - Google Patents

情報処理装置および情報処理方法 Download PDF

Info

Publication number
WO2018101050A1
WO2018101050A1 PCT/JP2017/041186 JP2017041186W WO2018101050A1 WO 2018101050 A1 WO2018101050 A1 WO 2018101050A1 JP 2017041186 W JP2017041186 W JP 2017041186W WO 2018101050 A1 WO2018101050 A1 WO 2018101050A1
Authority
WO
WIPO (PCT)
Prior art keywords
sensor
information
prediction
information processing
selection unit
Prior art date
Application number
PCT/JP2017/041186
Other languages
English (en)
French (fr)
Inventor
慎吾 高松
由幸 小林
淳史 野田
泰史 田中
Original Assignee
ソニー株式会社
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 ソニー株式会社 filed Critical ソニー株式会社
Priority to US16/463,707 priority Critical patent/US20190275672A1/en
Priority to EP17875257.2A priority patent/EP3550478A1/en
Priority to JP2018553762A priority patent/JP6981428B2/ja
Publication of WO2018101050A1 publication Critical patent/WO2018101050A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1628—Programme controls characterised by the control loop
    • B25J9/163—Programme controls characterised by the control loop learning, adaptive, model based, rule based expert control
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B25—HAND TOOLS; PORTABLE POWER-DRIVEN TOOLS; MANIPULATORS
    • B25J—MANIPULATORS; CHAMBERS PROVIDED WITH MANIPULATION DEVICES
    • B25J9/00—Programme-controlled manipulators
    • B25J9/16—Programme controls
    • B25J9/1674—Programme controls characterised by safety, monitoring, diagnostic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/048—Fuzzy inferencing
    • 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
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/34—Director, elements to supervisory
    • G05B2219/34477—Fault prediction, analyzing signal trends

Definitions

  • the present disclosure relates to an information processing device and an information processing method, and in particular, relates to an information processing device and an information processing method capable of easily selecting a transmission device that transmits observation information used for prediction from a plurality of transmission devices. .
  • the present disclosure has been made in view of such a situation, and makes it possible to easily select a transmission device that transmits observation information used for prediction from a plurality of transmission devices.
  • An information processing apparatus is provided with a selection unit that selects, as a use apparatus, a transmission apparatus that transmits observation information used for prediction from the plurality of transmission apparatuses based on information regarding each of the plurality of transmission apparatuses. It is a processing device.
  • the information processing method according to one aspect of the present disclosure corresponds to the information processing apparatus according to one aspect of the present disclosure.
  • a transmission device that transmits observation information used for prediction is selected from the plurality of transmission devices as a use device.
  • the information processing apparatus can be realized by causing a computer to execute a program.
  • a program to be executed by a computer can be provided by being transmitted via a transmission medium or by being recorded on a recording medium.
  • a transmission device that transmits observation information used for prediction can be easily selected from a plurality of transmission devices.
  • FIG. 3 It is a figure showing an example of composition of a 1st embodiment of a failure prediction system to which this indication is applied. It is a block diagram which shows the structural example of the information processing apparatus of FIG. 3 is a flowchart for explaining failure probability calculation processing of the information processing apparatus of FIG. 2. It is a flowchart explaining the failure prediction process of FIG. It is a flowchart explaining the sensor selection process of FIG. Is a diagram illustrating the difference Y p. It is a figure which shows the example of the sensor set of the process target in step S95 of FIG. It is a flowchart explaining the prediction accuracy value calculation process of FIG. It is a flowchart explaining the learning process of the learning part of FIG.
  • FIG. 12 It is a figure which shows the structural example of 2nd Embodiment of the failure prediction system to which this indication is applied. It is a block diagram which shows the structural example of the information processing apparatus of FIG. 12 is a flowchart for explaining failure probability calculation processing of the information processing apparatus of FIG. 11. It is a block diagram which shows the structural example of the hardware of a computer.
  • FIG. 1 is a diagram illustrating a configuration example of a first embodiment of a failure prediction system to which the present disclosure is applied.
  • 1 is configured by an industrial robot 11 and an information processing device 12, and predicts a failure probability of the industrial robot 11.
  • the industrial robot 11 has a state observation unit 20 that observes a failure state, an operation state, and the like of the industrial robot 11.
  • the state observation unit 20 transmits a failure state of the industrial robot 11 to the information processing device 12 in response to a request from the information processing device 12.
  • the industrial robot 11 is provided with N (N is a plurality) sensors 21-1 to 21-N.
  • N is a plurality sensors 21-1 to 21-N.
  • the sensor 21 includes, for example, any of a temperature sensor, a humidity sensor, an atmospheric pressure sensor, a magnetic sensor, an acceleration sensor, a gyro sensor, a vibration sensor, a sound sensor, and a camera.
  • Sensor 21 acquires observation information such as temperature information, humidity information, atmospheric pressure information, magnetic field information, acceleration information, vibration information, sound, and images.
  • the sensor 21 (transmission device) transmits observation information to the information processing device 12 in response to a request from the information processing device 12.
  • the information processing apparatus 12 selects the sensor 21 that transmits observation information used for predicting the failure probability of the industrial robot 11 as the use sensor (use apparatus) from the N sensors 21.
  • the information processing device 12 requests observation information from the sensor in use, and receives the observation information transmitted in response to the request. Further, the information processing apparatus 12 requests a failure state from the state observation unit 20 and receives a failure state transmitted in response to the request.
  • the information processing apparatus 12 generates a failure prediction model that predicts the failure probability of the industrial robot 11 based on the observation information of the used sensor and the failure state. Further, the information processing device 12 predicts and outputs the failure probability of the industrial robot 11 based on the observation information of the sensor used and the failure prediction model.
  • communication between the industrial robot 11 and the information processing apparatus 12 is wireless communication, but may be wired communication.
  • FIG. 2 is a block diagram illustrating a configuration example of the information processing apparatus 12 of FIG.
  • the 2 includes a sensor information database 41, a selection unit 42, an observation information database 43, a learning unit 44, and a prediction unit 45.
  • the sensor information database 41 of the information processing apparatus 12 stores attribute information of each sensor 21.
  • the attribute information of the sensor 21 includes the type of the sensor 21, the position coordinates of the sensor 21 on the industrial robot 11, the parts of the industrial robot 11 on which the sensor 21 is installed, the interval at which the sensor 21 acquires observation information (observation information) And the sensitivity of the observation information acquired by the sensor 21.
  • the selection unit 42 performs processing for requesting observation information for a predetermined time from all the sensors 21 and acquiring the observation information as standard observation information as preparation processing for selecting the sensors to be used.
  • the selection unit 42 supplies the standard observation information and the like of all the acquired sensors 21 to the observation information database 43.
  • the selection unit 42 selects the initial sensor set S of the sensors to be used from the N sensors 21 based on the standard observation information of all the sensors 21 and the attribute information of each sensor 21 stored in the sensor information database 41. Select a value.
  • a method for selecting the initial value of the sensor set S for example, there are the following three methods.
  • each sensor 21 is clustered into a plurality of clusters based on attribute information, and a sensor set including one sensor 21 selected from each cluster as a use sensor is used as an initial value of the sensor set S. It is.
  • the second selection method based on the standard observation information of each sensor 21, for example, the sensors 21 having the same time change in the standard observation information are clustered into the same cluster, and one sensor selected from each cluster is selected.
  • a sensor set including 21 as a use sensor is used as an initial value of the sensor set S.
  • a sensor set including a sensor 21 having a high degree of association between the standard observation information of each sensor 21 and failure information (details will be described later) corresponding to the standard observation information is used as a sensor set S.
  • This is the method of setting the initial value of.
  • the failure information of each observation information is information indicating whether or not the industrial robot 11 has failed within 6 hours after the observation information is observed.
  • the failure information is, for example, 1 when indicating that the industrial robot 11 has failed within 6 hours after the observation information is observed, and 0 when indicating that no failure has occurred.
  • the first to third selection methods may be combined.
  • the selection unit 42 requests observation information every 10 minutes from the sensor in use.
  • the selection unit 42 supplies the observation information every 10 minutes transmitted from the use sensor in response to the request to the observation information database 43 and the prediction unit 45. Further, the selection unit 42 updates the sensor set S selected from the N sensors 21 based on the observation information and failure information of the used sensors, the attribute information of each sensor 21, and the like.
  • the selection unit 42 supplies usage sensor information indicating the usage sensors included in the sensor set S to the learning unit 44.
  • the selection unit 42 requests a failure state from the state observation unit 20 and acquires a failure state transmitted from the state observation unit 20 in response to the request.
  • the selection part 42 produces
  • the selection unit 42 supplies the generated failure information to the observation information database 43.
  • the observation information database 43 stores the observation information and standard observation information of the sensors used supplied from the selection unit 42. Further, the observation information database 43 stores failure information for each observation information of each used sensor supplied from the selection unit 42 in association with the observation information.
  • the learning unit 44 Based on the use sensor information supplied from the selection unit 42, the learning unit 44 provides observation information for each 10 minutes of use sensors stored in the observation information database 43 and failure information associated with the observation information. Are read out and used as failure prediction learning data DBL .
  • the failure prediction learning data DBL can be expressed by the following equation (1).
  • y i is the failure information corresponding to the monitoring information x i. Note that the 10-minute periods corresponding to the observation information x i and the observation information x j (i ⁇ j) do not overlap.
  • Learning unit 44 uses the a failure prediction learning data D BL, according to the machine learning algorithm such as Stochastic Gradient Descent, to machine learning the parameters of the failure prediction model.
  • the failure prediction model is a function model f (x; w) having a parameter w that takes as input 10-minute observation information x of the sensor used and outputs a predicted value f of the failure probability within 6 hours of the industrial robot 11. is there.
  • f (x; w) a logistic regression model, Convolutional Neural Network, or the like can be used.
  • the learning unit 44 supplies the learned parameter w to the prediction unit 45.
  • the prediction unit 45 uses the parameter w supplied from the learning unit 44 and the observation information x of the used sensor supplied from the selection unit 42 according to the failure prediction model f (x; w). The predicted value f of the failure probability within 6 hours is calculated and output.
  • FIG. 3 is a flowchart for explaining failure probability calculation processing of the information processing apparatus 12 in FIG.
  • the selection unit 42 performs a preparation process for selecting a sensor to be used. Specifically, for example, the selection unit 42 requests observation information for a predetermined time from all the sensors 21 and receives the observation information for a predetermined time transmitted from all the sensors 21 in response to the request. . And the selection part 42 supplies the observation information of all the received sensors 21 to the observation information database 43 as standard observation information, and stores it.
  • step S12 the selection unit 42 selects an initial value of the sensor set S of the used sensors from the N sensors 21.
  • the selection unit 42 supplies usage sensor information indicating each sensor 21 included in the initial value of the sensor set S as a usage sensor to the learning unit 44.
  • step S13 the selecting unit 42 requests observation information of the used sensors from each used sensor included in the sensor set S and requests a failure state from the state observing unit 20.
  • step S14 the selection unit 42 acquires the observation information transmitted from each use sensor and the failure state transmitted from the state observation unit 20 in response to the request by the process in step S13.
  • the selection unit 42 supplies the acquired observation information of each used sensor to the observation information database 43 and the prediction unit 45. Further, the selection unit 42 generates failure information for each observation information of each used sensor based on the acquired failure state, and supplies the failure information to the observation information database 43.
  • the observation information database 43 stores the observation information of each used sensor supplied from the selection unit 42 and the failure information corresponding to the observation information in association with each other.
  • step S15 the prediction unit 45 performs a failure prediction process for calculating a predicted value f of the failure probability based on the 10-minute observation information x supplied from the selection unit. Details of this failure prediction process will be described with reference to FIG.
  • step S16 the information processing apparatus 12 determines whether or not to end the failure probability calculation process. If it is determined in step S16 that the failure probability calculation process is not terminated, the process proceeds to step S17.
  • step S17 the selection unit 42 determines whether one week has elapsed since the previous preparation process. Note that the interval of the preparation process is not limited to one week. If it is determined in step S17 that one week has not yet elapsed since the previous preparation process, the process returns to step S13, and the processes in steps S13 to S17 are repeated until one week has elapsed since the previous preparation process. .
  • step S18 the selection unit 42 performs a preparation process for selecting a sensor to be used.
  • step S19 the selection unit 42 performs a sensor selection process of selecting the sensor set S of the used sensors from the N sensors 21. Details of the sensor selection process will be described with reference to FIG.
  • step S20 the selection unit 42 supplies the use sensor information indicating the sensor set S selected in the process of step S19 to the learning unit 44. Then, the process returns to step S13, and the subsequent processes are repeated.
  • FIG. 4 is a flowchart for explaining the failure prediction process in step S15 of FIG.
  • the prediction unit 45 obtains 10-minute observation information of each use sensor supplied from the selection unit 42.
  • step S42 the prediction unit 45 uses the parameter w supplied from the learning unit 44 and the observation information x acquired in step S41, according to the failure prediction model f (x; w), the industrial robot 11 The predicted value f of the failure probability within 6 hours is calculated. The prediction unit 45 outputs the predicted value f of the calculated failure probability. And a process returns to step S15 of FIG. 3, and progresses to step S16.
  • FIG. 5 is a flowchart for explaining the sensor selection process in step S19 of FIG.
  • step S81 in FIG. 5 the selection unit 42 uses the observation information x i for each 10 minutes of each used sensor acquired in step S14 and the failure information y i corresponding to the observation information x i.
  • the one-week data DW is divided into two.
  • the selector 42 one which is divided into two parts with failure prediction learning data D C, the other as prediction accuracy calculation data D P.
  • step S82 the selection unit 42 sets p to 0.
  • step S83 the selection unit 42 sets the sensor set S as a sensor set to be processed.
  • step S84 the selection unit 42 performs a prediction accuracy value calculation process for calculating a prediction accuracy value for predicting a failure probability using observation information transmitted from the sensor set to be processed. Details of this prediction accuracy value calculation processing will be described with reference to FIG.
  • step S85 the selection unit 42 determines whether p is 0 or not. If it is determined in step S85 that p is 0, the process proceeds to step S86.
  • step S86 the selection unit 42 increments p by 1.
  • step S87 the selection unit 42, a sensor set S'excluding p-th use sensor s p from sensor set S and set of sensors to be processed, the process returns to step S84.
  • the selection unit 42 calculates the difference Y p obtained by subtracting the prediction accuracy of the sensor set S from the prediction accuracy of the sensor set S' . Selecting unit 42 holds the difference Y p in association with the sensor set S.
  • step S89 the selection unit 42, a contribution degree prediction learning data D CL, sensor information X p of used sensor s p as a sensor for teachers (transmission apparatus for Teacher) and (instruction information) the difference Y p include.
  • the sensor information is information about the sensor 21 that is generated for each sensor 21.
  • the sensor information of each sensor 21 includes the attribute information of the sensor 21, the degree of association with other used sensors, the degree of association with the sensor 21 that has previously contributed to the prediction of the failure probability in the sensor set S, and
  • the sensor set S includes at least one degree of association with the sensor 21 that has not contributed to the prediction of the failure probability in the past.
  • the degree of association with other used sensors is, for example, the normalized value of the observation information of the sensor 21 corresponding to the sensor information included in the standard observation information, and the used sensors included in the sensor set S other than the sensor 21. This is the degree of correlation of temporal change with the normalized value of observation information.
  • the sensor set S' is a sensor sets other than using sensor s p from sensor set S. Therefore, if the difference Y p is positive, using sensor s p is better not used for prediction of failure probability. That is, in this case, using the sensor s p is a sensor that does not contribute to the prediction of the failure probability. On the other hand, if the difference Y p is negative, using sensor s p is better used to predict the failure probability. That is, in this case, using the sensor s p is a sensor that contribute to the prediction of the failure probability.
  • the degree of association with the used sensor that has contributed to the prediction of the failure probability in the sensor set S in the past is, for example, the normalized value of the observation information of the sensor 21 corresponding to the sensor information included in the standard observation information, and the sensor past difference Y p held in association with the set S is the average value of correlation representing a degree of similarity time variation of the normalized values of the observation information of the used sensor s p that is negative.
  • the degree of association with the used sensor that has not contributed to the prediction of the failure probability in the sensor set S in the past is, for example, the normalized value of the observation information of the sensor 21 corresponding to the sensor information included in the standard observation information is the average of correlation representing a degree of similarity time variation of the normalized values of the observation information of the used sensor s p past the difference Y p held in association with the sensor set S is positive.
  • step S90 the selection unit 42 determines whether p is equal to or greater than the number n of sensors used in the sensor set S. If it is determined in step S90 that p is smaller than the number n of sensors used in the sensor set S, the process proceeds to step S86, and the above-described process is performed.
  • step S90 if it is determined in step S90 that p is equal to or greater than the number n of sensors used in the sensor set S, the process proceeds to step S91.
  • the selection unit 42 performs machine learning of the contribution prediction model according to the machine learning algorithm using the contribution prediction learning data DCL .
  • the contribution prediction model receives the sensor information X of each sensor 21 not included in the sensor set S as an input, and the predicted value of the contribution degree to the prediction of the failure probability of the sensor 21 when the sensor 21 is added to the sensor set S.
  • This is a function model fc (X) having fc as an output. Note that the predicted value fc of the contribution degree is positive when contributing to the prediction of failure probability, and negative when not contributing to the prediction of failure probability.
  • step S92 the selection unit 42 uses the sensor information X of each sensor 21 not included in the sensor set S, and contributes to each sensor 21 (each of a plurality of transmission devices) according to the contribution prediction model fc (X). A predicted value fc of degree is calculated.
  • the selection unit 42 is an additional sensor that is a use sensor that adds the sensor 21 having a positive contribution degree predicted value fc to the sensor set S based on the contribution degree predicted value fc calculated in step S92. Choose as. An upper limit of the number of sensors 21 that can be added to the sensor set S may be determined in advance. In this case, the selection unit 42 selects as many additional sensors 21 as the additional sensor in order from the largest contribution degree predicted value fc.
  • step S94 the selection unit 42 selects a use sensor s p of m (m ⁇ n) from the direction difference Y p is greater calculated in step S88 in this order.
  • step S95 the selection unit 42 sets each sensor subset of the m used sensors selected in step S94 as a sensor set to be processed as a sensor set to be processed in the same manner as in step S84. Prediction accuracy value calculation processing is performed.
  • the selection unit 42 includes the sensor set S1 obtained by removing (s a , s b , s c ) from the sensor set S, the sensor set S2 obtained by removing (s a , s c ) from the sensor set S, and the sensor set S.
  • Sensor set S3 excluding (s a , s b ), sensor set S4 excluding (s b , s c ) from sensor set S, sensor set S5 excluding (s a ) from sensor set S, sensor set S
  • the sensor set S6 obtained by removing (s b ) from the sensor set S7 and the sensor set S7 obtained by removing (s c ) from the sensor set S are each subjected to the prediction accuracy value calculation processing as the sensor set to be processed.
  • a dotted line represents a sensor that is not included in the sensor set.
  • step S96 the selection unit 42 selects a subset corresponding to the sensor set having the highest prediction accuracy value calculated in the prediction accuracy value calculation process in step S95 as a removal sensor that is a use sensor for removing from the sensor set S. To do.
  • step S97 the selection unit 42 adds the additional sensor selected in step S93 to the sensor set S and removes the removal sensor selected in step S96, so that a new one is obtained from the N sensors 21. A sensor set S is selected. And a process returns to step S19 of FIG. 3, and progresses to step S20.
  • the selection unit 42 clusters the sensors 21 into a plurality of clusters based on the sensor information, and the contribution of one sensor 21 that represents each cluster.
  • the additional sensor may be selected based on the predicted value fc of the degree.
  • the selection unit 42 sets all the sensors 21 included in the cluster represented by the sensor 21 whose contribution degree predicted value fc is positive as additional sensors.
  • the selection unit 42 calculates the predicted contribution value fc of each sensor 21 included in the cluster represented by the sensor 21 whose contribution predicted value fc is positive, and the predicted value fc of the sensor 21 is positive. Only the additional sensor may be used.
  • FIG. 8 is a flowchart for explaining the prediction accuracy value calculation processing in step S84 of FIG.
  • the selection unit 42 performs machine learning on the parameter w according to the machine learning algorithm using the failure prediction learning data of the sensor set to be processed.
  • the learning data for failure prediction of the sensor set to be processed is for failure prediction including observation information x i and failure information y i of all the used sensors included in the sensor set S generated in step S81 of FIG. of the training data D C, an observation information of the sensors included in the sensor group of processed x i and fault information y i.
  • step S112 the selection unit 42 uses the parameter w machine-learned in step S111 and the 10-minute prediction accuracy calculation data of the sensor set to be processed according to the failure prediction model f (x; w). The predicted value f of the failure probability within 6 hours of the industrial robot 11 is calculated.
  • the prediction accuracy calculation data of the sensor set to be processed is the prediction accuracy calculation including the observation information x i and the failure information y i of all the used sensors included in the sensor set S generated in step S81 of FIG.
  • step S113 the selection unit 42 converts the failure probability predicted value f calculated in step S112 and failure information y i in the 10-minute prediction accuracy calculation data used for calculating the predicted value f. Based on this, a prediction accuracy value (evaluation value) of failure probability prediction using the observation information of the sensor set to be processed is calculated. Here, it is assumed that the prediction accuracy value is larger as the prediction accuracy is higher.
  • FIG. 9 is a flowchart for explaining the learning process of the learning unit 44 in FIG. This learning process is performed, for example, every predetermined time (for example, 24 hours) after the first process of step S14 in FIG. 3 until the failure probability calculation process ends.
  • step S161 of FIG. 9 the learning unit 44, based on the use sensor information, and the observation information x i for every 10 minutes of each use sensors that are stored in the observation information database 43, mapping to the observation information x i
  • the failure information y i is read out and used as failure prediction learning data DBL .
  • step S162 the learning unit 44 uses the failure prediction learning data DBL to machine learn the parameter w of the failure prediction model f (x; w) according to the machine learning algorithm.
  • step S163 the learning unit 44 supplies the parameter w machine-learned in step S162 to the prediction unit 45, and ends the process.
  • the information processing apparatus 12 selects a sensor to be used from the N sensors 21 based on information about each of the N sensors 21. Therefore, the information processing apparatus 12 is a sensor that transmits observation information that is necessary and sufficient for prediction of failure probability, regardless of a person's prediction field such as a user or designer of the failure prediction system 10 or prior knowledge of the failure prediction system 10. 21 can be easily selected as a use sensor.
  • the information processing apparatus 12 predicts the failure probability using only the observation information of the used sensors, thereby comparing the failure probability with the prediction of the failure probability using the observation information of all the N sensors 21. The prediction accuracy of prediction can be improved. In addition, the information processing apparatus 12 can also reduce the consumption of computation resources in the prediction of failure probability and communication resources with the sensor 21.
  • the sensor 21 can be a use sensor.
  • the information processing apparatus 12 notifies the user of the failure prediction system 10 of the sensor information of the sensor 21 selected as the use sensor, the user of the failure prediction system 10 determines the failure based on the sensor information. Know the factors.
  • the selection unit 42 clusters the N sensors 21 into a plurality of clusters based on the attribute information of each sensor 21 and selects the sensors 21 as used sensors in units of clusters. You may make it do.
  • FIG. 10 is a diagram illustrating a configuration example of the second embodiment of the failure prediction system to which the present disclosure is applied.
  • the failure prediction system 100 of FIG. 10 includes M (M is a plurality) personal computers (hereinafter referred to as PCs) 101-1 to 101-M (devices) and an information processing apparatus 102, and M PCs 101-1. Predict a failure probability of ⁇ 101-M.
  • the state observation unit 120-k transmits the failure state of the PC 101-k to the information processing apparatus 102 in response to a request from the information processing apparatus 102.
  • the PC 101-k is provided with N sensors 121-k-1 to 121-kN.
  • PC 101 when it is not necessary to distinguish the PCs 101-1 to 101-M, they are collectively referred to as the PC 101. Further, when it is not necessary to particularly distinguish the state observation units 120-1 to 120-M, they are collectively referred to as the state observation unit 120.
  • sensors 121-1-1 to 121-1-N, sensors 121-2-1 to 121-2-N,. . . , And the sensors 121-M-1 to 121-MN are collectively referred to as sensors 121.
  • the sensor 121 includes, for example, any of a temperature sensor, a humidity sensor, an atmospheric pressure sensor, a magnetic sensor, an acceleration sensor, a gyro sensor, a vibration sensor, a sound sensor, and a camera.
  • the attribute information of the sensors 121-k-1 of each PC 101 is the same.
  • the attribute information of the sensors 121-k-2, the sensors 121-k-3,..., And the sensors 121-kN of the PCs 101 are the same.
  • the attribute information of the sensor 121 includes the type of the sensor 121, the position coordinates of the sensor 121 on the PC 101, the parts of the PC 101 on which the sensor 121 is installed, the interval at which the sensor 121 acquires observation information (time resolution of observation information), the sensor The sensitivity of the observation information acquired by 121 is included.
  • the sensor 121 acquires observation information such as temperature information, humidity information, atmospheric pressure information, magnetic field information, acceleration information, vibration information, sound, and images.
  • the sensor 121 transmits observation information to the information processing device 102 in response to a request from the information processing device 102.
  • the information processing apparatus 102 selects the sensor 121 used for predicting the failure probability of the PC 101 as the use sensor from the N sensors 121-1 to 121-N. This use sensor is common to all the PCs 101. For each PC 101, the information processing apparatus 102 requests observation information from the sensor in use, and receives the observation information transmitted in response to the request. Further, the information processing apparatus 102 requests a failure state from the state observation unit 120 for each PC 101, and receives the failure state transmitted in response to the request.
  • the information processing apparatus 102 generates a common failure prediction model in all the PCs 101, similar to the information processing apparatus 12, based on the observation information and failure states of the sensors used in all the PCs 101. Further, the information processing apparatus 102 predicts and outputs the failure probability of the PC 101 for each PC 101 based on the observation information of the used sensor and the failure prediction model.
  • communication between the PC 101 and the information processing apparatus 102 is wireless communication, but may be wired communication.
  • FIG. 11 is a block diagram illustrating a configuration example of the information processing apparatus 102 in FIG.
  • 11 includes a sensor information database 141, a selection unit 142, an observation information database 143, a learning unit 144, and a prediction unit 145.
  • the sensor information database 141 of the information processing apparatus 102 stores attribute information of each of the sensors 121-1 to 121 -N.
  • the selection unit 142 performs a preparation process for selecting a sensor to be used, similarly to the selection unit 42 in FIG.
  • the standard observation information of h is supplied to the observation information database 143.
  • the selection unit 142 performs N pieces of measurement based on the standard observation information of all the sensors 121-h and the attribute information of each sensor 121-h stored in the sensor information database 141.
  • the initial values of the same sensor set S are selected for all the PCs 101 from the sensors 121-1 to 121-N. That is, one element of the sensor set S is the sensor 121-h of all the PCs 101.
  • the selection unit 142 requests observation information every 10 minutes from the use sensor of each PC 101.
  • the selection unit 142 supplies observation information every 10 minutes transmitted from the use sensor of each PC 101 to the observation information database 143 and the prediction unit 145 in response to the request. Further, the selection unit 142 performs sensor selection processing (FIG. 5) similarly to the selection unit 42, and newly selects the same sensor set S for all PCs 101 from the N sensors 121.
  • the sensor information used for the sensor selection process of the selection unit 142 is information on the sensor 121-h that is generated for each sensor 121-h.
  • the sensor information of each sensor 121-h includes the attribute information of the sensor 121-h, the relevance of the sensor 121-h with other used sensors, and the failure probability in the sensor set S in the past. It consists of at least one of the degree of association with the sensor 121 that contributed to the prediction and the average value in all the PCs 101 of the degree of association with the sensor 121 that did not contribute to the prediction of the failure probability in the sensor set S in the past.
  • the selection unit 142 supplies usage sensor information indicating the usage sensors included in the sensor set S to the learning unit 144.
  • the selection unit 142 requests a failure state from each state observation unit 120, and acquires a failure state transmitted from each state observation unit 120 in response to the request. For each PC 101, the selection unit 142 generates failure information for each observation information of each sensor used based on the failure state acquired from the state observation unit 120 of the PC 101.
  • the selection unit 142 generates, for each PC 101, failure information for frequency determination for each observation information of each sensor used based on the failure state acquired from the state observation unit 120 of the PC 101.
  • the failure information for determining the frequency for each observation information of the used sensor is information indicating whether or not a failure of the PC 101 has occurred within 24 hours after the observation information is observed.
  • the failure information for frequency determination is, for example, 1 when indicating that a failure of the PC 101 has occurred within 12 hours after the observation information is observed, and 0 when indicating that it has not occurred.
  • the selection unit 142 supplies the generated failure information and frequency determination failure information to the observation information database 143.
  • the observation information database 143 stores observation information and standard observation information of all sensors used by the PC 101 supplied from the selection unit 142. Further, the observation information database 143 stores, for each PC 101, failure information and frequency determination failure information for each observation information of the sensor used in the PC 101 in association with the observation information.
  • the learning unit 144 Based on the usage sensor information supplied from the selection unit 142, the learning unit 144 associates the observation information for each of the usage sensors of all the PCs 101 stored in the observation information database 143 with the observation information.
  • the failure information stored is read out and used as failure prediction learning data DBL .
  • Learning unit 144 like the learning unit 44, with a failure prediction learning data D BL, according to machine learning algorithms, common failure prediction model f for all PC 101; machine learning parameters w of (x w) To do.
  • the learning unit 144 supplies the learned parameter w to the prediction unit 145.
  • the learning unit 144 uses the observation information for every 10 minutes stored in the observation information database 143 based on the usage sensor information, and the frequency determination associated with the observation information.
  • the failure information is read and used as learning data for frequency determination.
  • the learning unit 144 uses the frequency determination learning data to machine learn parameters of the frequency determination failure prediction model common to all the PCs 101 according to a machine learning algorithm such as Stochastic Gradient Descent.
  • the failure prediction model for determining the frequency is a function model f ′ (x; having a parameter w ′ that receives the 10-minute observation information x of the sensor used and outputs a predicted value f ′ of the failure probability within 24 hours of the PC 101. w ′).
  • f ′ a logistic regression model, Convolutional Neural Network, or the like can be used.
  • the learning unit 44 supplies the learned parameter w ′ to the prediction unit 145.
  • the prediction unit 145 uses the observation information x of the sensor used for the PC 101 and the parameter w ′, and within 24 hours of the PC 101 according to the frequency determination failure prediction model f ′ (x; w ′). The predicted value f ′ of the failure probability is calculated. The prediction unit 145 determines, for each PC 101, the frequency of calculating the predicted value f of the failure probability within 6 hours based on the calculated predicted value f ′ of the failure probability.
  • the predicting unit 145 uses the parameter w and the observation information x of the sensor used for the PC 101 at a frequency determined for each PC 101, according to the failure prediction model f (x; w), for 6 hours of the PC 101.
  • the predicted value f of the failure probability within is calculated.
  • the prediction unit 145 outputs the calculated predicted value f of the failure probability of each PC 101.
  • the failure determination model for frequency determination is different from the failure prediction model, but may be the same.
  • FIG. 12 is a flowchart for explaining failure probability calculation processing of the information processing apparatus 102 in FIG.
  • the selection unit 142 performs a preparation process for selecting a sensor to be used. Specifically, for example, the selection unit 142 requests observation information for a predetermined time from all the sensors 121 of all the PCs 101, and in response to the request, the selection unit 142 transmits the predetermined information transmitted from all the sensors 121 of all the PCs 101. Receive observation information for the time. Then, the selection unit 142 collects the received observation information for each sensor 121-h as standard observation information, and supplies the observation information to the observation information database 143 for storage.
  • step S202 the selection unit 142 selects an initial value of the same sensor set S for all the PCs 101 from the N sensors 121-1 to 121-N.
  • the selection unit 142 supplies usage sensor information indicating each sensor 121-h included in the initial value of the sensor set S as a usage sensor to the learning unit 144.
  • step S203 the selection unit 142 requests observation information for 10 minutes from each use sensor of all the PCs 101.
  • step S204 the selection unit 142 acquires observation information for 10 minutes transmitted from each use sensor in response to the request, and supplies the observation information to the prediction unit 145. Processing in steps S205 to S214 described later is performed for each PC 101.
  • step S205 the prediction unit 145 uses the parameter w ′ and the observation information x of the used sensor to determine the failure probability of the PC 101 within 24 hours according to the frequency determination failure prediction model f ′ (x; w ′). A frequency determination process for calculating the predicted value f ′ is performed.
  • step S206 the prediction unit 145 determines whether the predicted value f ′ of the failure probability within 24 hours of the PC 101 is equal to or less than a threshold value. If it is determined in step S206 that the predicted value f ′ is not less than or equal to the threshold value, the process proceeds to step S207.
  • steps S207 through S210 is the same as the processing in steps S13 through S16 in FIG. If it is determined in step S210 that the process is not terminated, the process proceeds to step S211.
  • step S211 the prediction unit 145 determines whether 24 hours have elapsed since the previous frequency determination process. If it is determined in step S211 that 24 hours have not elapsed since the previous frequency determination process, the process returns to step S207, and the processes of steps S207 to S211 are repeated until 24 hours have elapsed. That is, when the predicted value f ′ of the failure probability within 24 hours of the PC 101 is not less than or equal to the threshold value, the observation information and failure status of each sensor used and the failure prediction process are performed until 24 hours have elapsed from the frequency determination process. Is called.
  • step S211 determines whether 24 hours have elapsed since the previous frequency determination process. If it is determined in step S211 that 24 hours have elapsed since the previous frequency determination process, the process proceeds to step S215.
  • step S212 the prediction unit 145 determines whether 24 hours have elapsed since the previous frequency determination process. If it is determined in step S212 that 24 hours have not elapsed since the previous frequency determination process, the process waits until 24 hours have elapsed.
  • step S213 the selection unit 142 requests observation information for 10 minutes from each sensor used in the PC 101 to be processed.
  • step S214 the selection unit 142 acquires observation information for 10 minutes transmitted from each use sensor in response to the request, and supplies the observation information to the prediction unit 145. Then, the process proceeds to step S215. That is, when the predicted value f ′ of the failure probability within 24 hours of the PC 101 is equal to or less than the threshold value, the observation information and failure status acquisition and failure prediction processing of each sensor used are not performed until 24 hours have elapsed since the frequency determination processing. I will not.
  • step S215 the selection unit 142 determines whether one week has elapsed since the previous preparation process. Note that the interval of the preparation process is not limited to one week. If it is determined in step S215 that one week has not yet elapsed since the previous preparation process, the process returns to step S205, and the subsequent processes are repeated.
  • step S216 the selection unit 142 performs a preparation process for selecting a sensor to be used, similar to the process in step S201.
  • steps S217 and S218 is the same as the processing of steps S19 and S20 of FIG. 11 except that one element of the sensor set S is the sensor 121-h of all the PCs 101, and a description thereof will be omitted.
  • step S218, the process returns to step S203, and the subsequent processes are repeated.
  • a failure prediction learning data D BL is associated with the observed information for each 10 minutes of each use sensors of all PC 101, on the observation information Except for the failure information, it is the same as the learning process of FIG.
  • the information processing apparatus 102 calculates the predicted value f ′ of the failure probability within 24 hours for each PC 101 and performs the failure prediction process at a frequency based on the predicted value f ′. Therefore, compared with the case where the failure prediction processing of all the PCs 101 is always performed, the observation information acquisition time (observation time) of the sensor 121 and the communication time between the sensor 121 and the information processing device 102 are reduced, and the PC 101 and the information processing device are processed. The power consumption of the device 102 can be reduced. This is particularly useful when the number M of PCs 101 is large.
  • the M PCs 101 may be clustered into a plurality of clusters based on the attribute information of the PCs 101, and the failure probability calculation process may be performed for each cluster.
  • the clustering may be updated based on the predicted value f of the failure probability within 6 hours of each PC, the predicted value f ′ of the failure probability within 24 hours, the observation information of the sensor 121, and the like.
  • the selection unit 142 clusters the N sensors 121-h into a plurality of clusters based on the attribute information of each sensor 121-h.
  • the sensor 121-h may be selected as a use sensor in cluster units.
  • the senor 121 is installed on the PC 101, but the device on which the sensor 121 is installed is not limited to a consumer device such as a PC.
  • the sensor 121 may be installed in a manufacturing device such as an industrial robot as in the first embodiment.
  • the senor 21 may be installed in a consumer device such as a PC as in the second embodiment.
  • ⁇ Third Embodiment> (Description of computer to which the present disclosure is applied)
  • the series of processes described above can be executed by hardware or can be executed by software.
  • a program constituting the software is installed in the computer.
  • the computer includes, for example, a general-purpose personal computer capable of executing various functions by installing various programs by installing a computer incorporated in dedicated hardware.
  • FIG. 13 is a block diagram showing an example of the hardware configuration of a computer that executes the above-described series of processing by a program.
  • a CPU Central Processing Unit
  • ROM Read Only Memory
  • RAM Random Access Memory
  • An input / output interface 205 is further connected to the bus 204.
  • An input unit 206, an output unit 207, a storage unit 208, a communication unit 209, and a drive 210 are connected to the input / output interface 205.
  • the input unit 206 includes a keyboard, a mouse, a microphone, and the like.
  • the output unit 207 includes a display, a speaker, and the like.
  • the storage unit 208 includes a hard disk, a nonvolatile memory, and the like.
  • the communication unit 209 includes a network interface and the like.
  • the drive 210 drives a removable medium 211 such as a magnetic disk, an optical disk, a magneto-optical disk, or a semiconductor memory.
  • the CPU 201 loads the program stored in the storage unit 208 to the RAM 203 via the input / output interface 205 and the bus 204 and executes the program. A series of processing is performed.
  • the program executed by the computer 200 can be provided by being recorded in, for example, a removable medium 211 such as a package medium.
  • the program can be provided via a wired or wireless transmission medium such as a local area network, the Internet, or digital satellite broadcasting.
  • the program can be installed in the storage unit 208 via the input / output interface 205 by attaching the removable medium 211 to the drive 210.
  • the program can be received by the communication unit 209 via a wired or wireless transmission medium and installed in the storage unit 208.
  • the program can be installed in the ROM 202 or the storage unit 208 in advance.
  • the program executed by the computer 200 may be a program that is processed in time series in the order described in this specification, or a necessary timing such as in parallel or when a call is made. It may be a program in which processing is performed.
  • the system means a set of a plurality of components (devices, modules (parts), etc.), and it does not matter whether all the components are in the same housing. Accordingly, a plurality of devices housed in separate housings and connected via a network and a single device housing a plurality of modules in one housing are all systems. .
  • the time of observation information used for prediction of failure probability is not limited to 10 minutes. Further, the time corresponding to the predicted failure probability is not limited to 6 hours.
  • the present disclosure can be applied to any system as long as it is a system that predicts an event from a plurality of sensors.
  • this indication can also take the following structures.
  • An information processing apparatus comprising: a selection unit that selects, as a use apparatus, a transmission apparatus that transmits observation information used for prediction from the plurality of transmission apparatuses based on information regarding each of the plurality of transmission apparatuses.
  • the selection unit is configured to select the device to be used based on the degree of association between each of the plurality of transmission devices and the transmission device that has contributed to the prediction in the past.
  • the selection unit is configured to select the device to be used based on a degree of association between each of the plurality of transmission devices and the transmission device that has not contributed to the prediction in the past.
  • the information processing apparatus according to any one of the above.
  • the information processing device according to any one of (1) to (5), wherein the selection unit is configured to select the device to be used based on a degree of contribution to prediction of each of the plurality of transmission devices.
  • the selection unit is configured to calculate the contribution using a contribution prediction model that predicts the contribution.
  • the selection unit uses teacher information regarding each of a plurality of teacher transmission devices other than the plurality of transmission devices, and observation information transmitted from a transmission device except for one from the plurality of teacher transmission devices.
  • the information processing apparatus according to (7) configured to generate the contribution prediction model based on prediction accuracy of prediction.
  • the teacher information includes attribute information of the transmission device for teachers, a degree of association with a transmission device that has contributed to prediction in the past, a degree of association with a transmission device that has not contributed to prediction in the past, and transmission for other teachers
  • the information processing apparatus according to (8) configured to be at least one of degrees of association with the apparatus.
  • the selection unit does not select a part of the use devices as the use device based on a prediction value of a prediction accuracy when a part of the use devices is not selected as the use device.
  • the information processing apparatus according to any one of (1) to (9), configured to update an apparatus in use.
  • the plurality of transmission devices are installed in each of a plurality of devices, The information processing apparatus according to any one of (1) to (10), wherein the selection unit is configured to select the same use apparatus for the plurality of devices.
  • Information processing device An information processing method including a selection step of selecting, from the plurality of transmission devices, a transmission device that transmits observation information used for prediction from the plurality of transmission devices as a using device based on information on each of the plurality of transmission devices.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Robotics (AREA)
  • Medical Informatics (AREA)
  • Mechanical Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Fuzzy Systems (AREA)
  • Computational Linguistics (AREA)
  • Automation & Control Theory (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

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

Description

情報処理装置および情報処理方法
　本開示は、情報処理装置および情報処理方法に関し、特に、複数の送信装置から、予測に用いる観測情報を送信する送信装置を容易に選択することができるようにした情報処理装置および情報処理方法に関する。
　大量のセンサの観測情報から、ある事象が起こることを予測するシステムは数多く存在する。例えば、挙動や状態を計測するセンサを製造機器に多数取り付け、それらのセンサの観測情報から製造機器の故障を予測するシステムがある。また、気候や農作物の状態を観測するセンサを農地に多数取り付け、それらのセンサの観測情報から農作物の正常な生育を予測するシステムもある。
　このようなシステムでは、取り付けられた多数のセンサのうちの、ごくわずかな一部のセンサのみで、予測に必要十分な観測情報を取得している場合が多い。また、予測に必要ではない観測情報を用いて予測を行うことは、予測精度の低下、予測演算や通信のリソースの浪費、消費電力の増加などに繋がる。従って、取り付けられた多数のセンサから、予測に用いるセンサを選択する必要がある。
　そこで、予測システムの利用者や設計者などの人間が、予測分野や予測システムに対する事前知識に基づいて、予測に用いるセンサを選択することが考案されている（例えば、特許文献１参照）。
特開2016-109019号公報
　しかしながら、予測に用いるセンサの選択には、予測分野や予測システムに対する高度な事前知識が必要である。従って、予測システムの利用者や設計者などの人間の事前知識によらず、観測情報を送信するセンサなどの複数の送信装置から、予測に用いる観測情報を送信する送信装置を容易に選択可能にすることが望まれている。
　本開示は、このような状況に鑑みてなされたものであり、複数の送信装置から、予測に用いる観測情報を送信する送信装置を容易に選択することができるようにするものである。
　本開示の一側面の情報処理装置は、複数の送信装置それぞれに関する情報に基づいて、前記複数の送信装置から、予測に用いる観測情報を送信する送信装置を使用装置として選択する選択部を備える情報処理装置である。
　本開示の一側面の情報処理方法は、本開示の一側面の情報処理装置に対応する。
　本技術の一側面においては、複数の送信装置それぞれに関する情報に基づいて、前記複数の送信装置から、予測に用いる観測情報を送信する送信装置が使用装置として選択される。
　なお、本開示の一側面の情報処理装置は、コンピュータにプログラムを実行させることにより実現することができる。
　また、本開示の一側面の情報処理装置を実現するために、コンピュータに実行させるプログラムは、伝送媒体を介して伝送することにより、又は、記録媒体に記録して、提供することができる。
　本開示の一側面によれば、複数の送信装置から、予測に用いる観測情報を送信する送信装置を容易に選択することができる。
　なお、ここに記載された効果は必ずしも限定されるものではなく、本開示中に記載されたいずれかの効果であってもよい。
本開示を適用した故障予測システムの第１実施の形態の構成例を示す図である。 図１の情報処理装置の構成例を示すブロック図である。 図２の情報処理装置の故障確率算出処理を説明するフローチャートである。 図３の故障予測処理を説明するフローチャートである。 図３のセンサ選択処理を説明するフローチャートである。 差分Ｙｐを説明する図である。 図５のステップＳ９５における処理対象のセンサ集合の例を示す図である。 図５の予測精度値算出処理を説明するフローチャートである。 図２の学習部の学習処理を説明するフローチャートである。 本開示を適用した故障予測システムの第２実施の形態の構成例を示す図である。 図１０の情報処理装置の構成例を示すブロック図である。 図１１の情報処理装置の故障確率算出処理を説明するフローチャートである。 コンピュータのハードウエアの構成例を示すブロック図である。
　以下、本開示を実施するための形態（以下、実施の形態という）について説明する。なお、説明は以下の順序で行う。
　１．第１実施の形態：故障予測システム（図１乃至図９）
　２．第２実施の形態：故障予測システム（図１０乃至図１２）
　３．第３実施の形態：コンピュータ（図１３）
　＜第１実施の形態＞
　（故障予測システムの構成例）
　図１は、本開示を適用した故障予測システムの第１実施の形態の構成例を示す図である。
　図１の故障予測システム１０は、産業用ロボット１１と情報処理装置１２により構成され、産業用ロボット１１の故障確率を予測する。
　具体的には、産業用ロボット１１は、産業用ロボット１１の故障状態や稼働状態などを観測する状態観測部２０を有している。状態観測部２０は、情報処理装置１２からの要求に応じて、産業用ロボット１１の故障状態を情報処理装置１２に送信する。
　また、産業用ロボット１１には、Ｎ個（Ｎは複数）のセンサ２１－１乃至２１－Ｎが設置されている。なお、以下では、センサ２１－１乃至２１－Ｎを特に区別する必要がない場合、それらをまとめてセンサ２１という。センサ２１は、例えば、温度センサ、湿度センサ、気圧センサ、磁気センサ、加速度センサ、ジャイロセンサ、振動センサ、音センサ、およびカメラのいずれかにより構成される。
　センサ２１は、温度情報、湿度情報、気圧情報、磁場情報、加速度情報、振動情報、音声、画像などの観測情報を取得する。センサ２１（送信装置）は、情報処理装置１２からの要求に応じて、観測情報を情報処理装置１２に送信する。
　情報処理装置１２は、Ｎ個のセンサ２１から、産業用ロボット１１の故障確率の予測に用いる観測情報を送信するセンサ２１を使用センサ（使用装置）として選択する。情報処理装置１２は、使用センサに対して観測情報を要求し、その要求に応じて送信されてくる観測情報を受信する。また、情報処理装置１２は、故障状態を状態観測部２０に要求し、その要求に応じて送信されてくる故障状態を受信する。
　情報処理装置１２は、使用センサの観測情報と故障状態に基づいて、産業用ロボット１１の故障確率を予測する故障予測モデルを生成する。また、情報処理装置１２は、使用センサの観測情報と故障予測モデルに基づいて、産業用ロボット１１の故障確率を予測し、出力する。
　なお、第１実施の形態では、産業用ロボット１１と情報処理装置１２の間の通信は、無線通信であるものとするが、有線通信であってもよい。
　（情報処理装置の構成例）
　図２は、図１の情報処理装置１２の構成例を示すブロック図である。
　図２の情報処理装置１２は、センサ情報データベース４１、選択部４２、観測情報データベース４３、学習部４４、および予測部４５により構成される。
　情報処理装置１２のセンサ情報データベース４１は、各センサ２１の属性情報を格納する。センサ２１の属性情報としては、センサ２１の種類、センサ２１の産業用ロボット１１上の位置座標、センサ２１が設置された産業用ロボット１１のパーツ、センサ２１が観測情報を取得する間隔（観測情報の時間解像度）、センサ２１が取得する観測情報の感度などがある。
　選択部４２は、使用センサの選択の準備処理として、全てのセンサ２１に所定の時間の観測情報を要求し、その観測情報を標準観測情報として取得する処理等を行う。選択部４２は、取得された全てのセンサ２１の標準観測情報等を観測情報データベース４３に供給する。
　また、選択部４２は、全てのセンサ２１の標準観測情報、センサ情報データベース４１に格納されている各センサ２１の属性情報などに基づいて、Ｎ個のセンサ２１から使用センサのセンサ集合Ｓの初期値を選択する。センサ集合Ｓの初期値の選択方法としては、例えば、以下の３つの方法がある。
　第１の選択方法は、各センサ２１を属性情報に基づいて複数のクラスタにクラスタリングし、各クラスタから選択された１つのセンサ２１を使用センサとして含むセンサ集合をセンサ集合Ｓの初期値とする方法である。
　第２の選択方法は、各センサ２１の標準観測情報に基づいて、例えば、標準観測情報の時間変化が同一であるセンサ２１どうしを同一のクラスタにクラスタリングし、各クラスタから選択された１つのセンサ２１を使用センサとして含むセンサ集合をセンサ集合Ｓの初期値とする方法である。
　第３の選択方法は、各センサ２１の標準観測情報と、その標準観測情報に対応する故障情報（詳細は後述する）との関連度が高いセンサ２１を使用センサとして含むセンサ集合をセンサ集合Ｓの初期値とする方法である。第３の選択方法が用いられる場合、準備処理では、状態観測部２０に故障状態が要求され、その要求に応じて送信されてくる故障状態に基づいて、標準観測情報ごとに故障情報が生成される。そして、この故障情報が、センサ集合Ｓの初期値の選択に用いられる。
　なお、各観測情報の故障情報は、その観測情報が観測されてから６時間以内に産業用ロボット１１の故障が発生したかどうかを示す情報である。故障情報は、例えば、観測情報が観測されてから６時間以内に産業用ロボット１１の故障が発生したことを示す場合１であり、発生していないことを示す場合０である。第１乃至第３の選択方法は組み合わされてもよい。
　選択部４２は、使用センサに１０分ごとの観測情報を要求する。選択部４２は、その要求に応じて使用センサから送信されてくる１０分ごとの観測情報を観測情報データベース４３と予測部４５に供給する。また、選択部４２は、使用センサの観測情報および故障情報、各センサ２１の属性情報等に基づいて、Ｎ個のセンサ２１から選択されるセンサ集合Ｓを更新する。選択部４２は、センサ集合Ｓに含まれる使用センサを示す使用センサ情報を学習部４４に供給する。
　また、選択部４２は、状態観測部２０に故障状態を要求し、その要求に応じて状態観測部２０から送信されてくる故障状態を取得する。選択部４２は、故障状態に基づいて、各使用センサの観測情報ごとに故障情報を生成する。選択部４２は、生成された故障情報を観測情報データベース４３に供給する。
　観測情報データベース４３は、選択部４２から供給される使用センサの観測情報と標準観測情報を格納する。また、観測情報データベース４３は、選択部４２から供給される各使用センサの観測情報ごとの故障情報を、その観測情報に対応付けて格納する。
　学習部４４は、選択部４２から供給される使用センサ情報に基づいて、観測情報データベース４３に格納されている使用センサの１０分ごとの観測情報と、その観測情報に対応付けられている故障情報とを読み出し、故障予測用学習データＤＢＬとする。この故障予測用学習データＤＢＬは、以下の式（１）で表すことができる。
Figure JPOXMLDOC01-appb-M000001
 　　　　　　　　　　　　　・・・（１）
　ｘｉは、各使用センサのｉ番目（ｉ=1,2,...）の１０分間の観測情報であり、ｙｉは、観測情報ｘｉに対応する故障情報である。なお、観測情報ｘｉと観測情報ｘｊ（ｉ≠ｊ）に対応する１０分間の期間は重ならない。学習部４４は、故障予測用学習データＤＢＬを用いて、Stochastic Gradient Descentなどの機械学習アルゴリズムにしたがって、故障予測モデルのパラメータを機械学習する。
　故障予測モデルは、使用センサの１０分間の観測情報ｘを入力とし、産業用ロボット１１の６時間以内の故障確率の予測値ｆを出力とするパラメータｗを有する関数モデルｆ（ｘ；ｗ）である。故障予測モデルｆ（ｘ；ｗ）としては、ロジスティック回帰モデルやConvolutional Neural Networkなどを用いることができる。学習部４４は、学習されたパラメータｗを予測部４５に供給する。
　予測部４５は、学習部４４から供給されるパラメータｗと、選択部４２から供給される使用センサの観測情報ｘとを用いて、故障予測モデルｆ（ｘ；ｗ）にしたがって、産業用ロボット１１の６時間以内の故障確率の予測値ｆを算出し、出力する。
　（情報処理装置の処理の説明）
　図３は、図２の情報処理装置１２の故障確率算出処理を説明するフローチャートである。
　図３のステップＳ１１において、選択部４２は、使用センサの選択の準備処理を行う。具体的には、選択部４２は、例えば、所定の時間の観測情報を全てのセンサ２１に要求すし、その要求に応じて全てのセンサ２１から送信されてくる所定の時間の観測情報を受信する。そして、選択部４２は、受信された全てのセンサ２１の観測情報を標準観測情報として観測情報データベース４３に供給し、格納させる。
　ステップＳ１２において、選択部４２は、Ｎ個のセンサ２１から、使用センサのセンサ集合Ｓの初期値を選択する。選択部４２は、センサ集合Ｓの初期値に含まれる各センサ２１を使用センサとして示す使用センサ情報を学習部４４に供給する。
　ステップＳ１３において、選択部４２は、センサ集合Ｓに含まれる各使用センサに、その使用センサの観測情報を要求するとともに、状態観測部２０に故障状態を要求する。
　ステップＳ１４において、選択部４２は、ステップＳ１３の処理による要求に応じて各使用センサから送信されてくる観測情報と、状態観測部２０から送信されてくる故障状態を取得する。選択部４２は、取得された各使用センサの観測情報を観測情報データベース４３と予測部４５に供給する。また、選択部４２は、取得された故障状態に基づいて、各使用センサの観測情報ごとの故障情報を生成し、観測情報データベース４３に供給する。これにより、観測情報データベース４３は、選択部４２から供給される各使用センサの観測情報と、その観測情報に対応する故障情報とを対応付けて格納する。
　ステップＳ１５において、予測部４５は、選択部４２から供給される１０分間の観測情報ｘに基づいて故障確率の予測値ｆを算出する故障予測処理を行う。この故障予測処理の詳細は、後述する図４を参照して説明する。
　ステップＳ１６において、情報処理装置１２は、故障確率算出処理を終了するかどうかを判定する。ステップＳ１６で故障確率算出処理を終了しないと判定された場合、処理はステップＳ１７に進む。
　ステップＳ１７において、選択部４２は、前回の準備処理から１週間が経過したかどうかを判定する。なお、準備処理のインターバルは、１週間に限定されない。ステップＳ１７で前回の準備処理からまだ１週間が経過していないと判定された場合、処理はステップＳ１３に戻り、前回の準備処理から１週間が経過するまで、ステップＳ１３乃至Ｓ１７の処理が繰り返される。
　一方、ステップＳ１７で前回の準備処理から１週間が経過したと判定された場合、ステップＳ１８において、選択部４２は、使用センサの選択の準備処理を行う。
　ステップＳ１９において、選択部４２は、Ｎ個のセンサ２１から使用センサのセンサ集合Ｓを選択するセンサ選択処理を行う。このセンサ選択処理の詳細は、後述する図５を参照して説明する。
　ステップＳ２０において、選択部４２は、ステップＳ１９の処理により選択されたセンサ集合Ｓを示す使用センサ情報を学習部４４に供給する。そして、処理はステップＳ１３に戻り、以降の処理が繰り返される。
　図４は、図３のステップＳ１５の故障予測処理を説明するフローチャートである。
　図４のステップＳ４１において、予測部４５は、選択部４２から供給される各使用センサの１０分間の観測情報を取得する。
　ステップＳ４２において、予測部４５は、学習部４４から供給されるパラメータｗと、ステップＳ４１で取得された観測情報ｘとを用いて、故障予測モデルｆ（ｘ；ｗ）にしたがって、産業用ロボット１１の６時間以内の故障確率の予測値ｆを算出する。予測部４５は、算出された故障確率の予測値ｆを出力する。そして、処理は図３のステップＳ１５に戻り、ステップＳ１６に進む。
　図５は、図３のステップＳ１９のセンサ選択処理を説明するフローチャートである。
　図５のステップＳ８１において、選択部４２は、ステップＳ１４により取得された１週間分の各使用センサの１０分ごとの観測情報ｘｉと、その観測情報ｘｉに対応する故障情報ｙｉとからなる１週間データＤＷを２分割する。そして、選択部４２は、２分割された一方を故障予測用学習データＤＣとし、他方を予測精度算出用データＤＰとする。
　ステップＳ８２において、選択部４２は、ｐを０に設定する。
　ステップＳ８３において、選択部４２は、センサ集合Ｓを処理対象のセンサ集合とする。
　ステップＳ８４において、選択部４２は、処理対象のセンサ集合から送信された観測情報を用いた故障確率の予測の予測精度値を算出する予測精度値算出処理を行う。この予測精度値算出処理の詳細は、後述する図８を参照して説明する。
　ステップＳ８５において、選択部４２は、ｐが０であるかどうかを判定する。ステップＳ８５でｐが０であると判定された場合、処理はステップＳ８６に進む。
　ステップＳ８６において、選択部４２は、ｐを１だけインクリメントする。ステップＳ８７において、選択部４２は、センサ集合Ｓからｐ番目の使用センサｓｐを除いたセンサ集合Ｓ´を処理対象のセンサ集合とし、処理をステップＳ８４に戻す。
　一方、ステップＳ８５でｐが０ではないと判定された場合、ステップＳ８８において、選択部４２は、センサ集合Ｓ´の予測精度値からセンサ集合Ｓの予測精度値を減算した差分Ｙｐを算出する。選択部４２は、センサ集合Ｓに対応付けて差分Ｙｐを保持する。
　ステップＳ８９において、選択部４２は、寄与度予測用学習データＤＣＬに、教師用のセンサ（教師用の送信装置）としての使用センサｓｐのセンサ情報Ｘｐ（教師情報）と差分Ｙｐを含める。センサ情報は、センサ２１ごとに生成される、センサ２１に関する情報である。具体的には、各センサ２１のセンサ情報は、そのセンサ２１の属性情報、他の使用センサとの関連度、センサ集合Ｓにおいて過去に故障確率の予測に寄与したセンサ２１との関連度、およびセンサ集合Ｓにおいて過去に故障確率の予測に寄与しなかったセンサ２１との関連度の少なくとも１つからなる。
　他の使用センサとの関連度とは、例えば、標準観測情報に含まれる、センサ情報に対応するセンサ２１の観測情報の正規化値と、そのセンサ２１以外のセンサ集合Ｓに含まれる使用センサの観測情報の正規化値との時間変化の相関度である。
　また、図６に示すように、センサ集合Ｓ´は、センサ集合Ｓから使用センサｓｐを除いたセンサ集合である。従って、差分Ｙｐが正である場合、使用センサｓｐは故障確率の予測に用いられない方が良い。即ち、この場合、使用センサｓｐは、故障確率の予測に寄与しないセンサである。一方、差分Ｙｐが負である場合、使用センサｓｐは故障確率の予測に用いられた方が良い。即ち、この場合、使用センサｓｐは、故障確率の予測に寄与するセンサである。
　従って、センサ集合Ｓにおいて過去に故障確率の予測に寄与した使用センサとの関連度とは、例えば、標準観測情報に含まれる、センサ情報に対応するセンサ２１の観測情報の正規化値と、センサ集合Ｓに対応付けて保持されている過去の差分Ｙｐが負である各使用センサｓｐの観測情報の正規化値の時間変化の類似度を表す相関度の平均値である。
　また、センサ集合Ｓにおいて過去に故障確率の予測に寄与しなかった使用センサとの関連度とは、例えば、標準観測情報に含まれる、センサ情報に対応するセンサ２１の観測情報の正規化値と、センサ集合Ｓに対応付けて保持されている過去の差分Ｙｐが正である各使用センサｓｐの観測情報の正規化値の時間変化の類似度を表す相関度の平均値である。
　ステップＳ９０において、選択部４２は、ｐが、センサ集合Ｓに含まれる使用センサの数ｎ以上であるかどうかを判定する。ステップＳ９０でｐが、センサ集合Ｓに含まれる使用センサの数ｎより小さいと判定された場合、処理はステップＳ８６に進み、上述した処理が行われる。
　一方、ステップＳ９０でｐが、センサ集合Ｓに含まれる使用センサの数ｎ以上であると判定された場合、処理はステップＳ９１に進む。
　ステップＳ９１において、選択部４２は、寄与度予測用学習データＤＣＬを用いて、機械学習アルゴリズムにしたがって、寄与度予測モデルを機械学習する。寄与度予測モデルは、センサ集合Ｓに含まれない各センサ２１のセンサ情報Ｘを入力とし、そのセンサ２１をセンサ集合Ｓに追加したときのセンサ２１の故障確率の予測への寄与度の予測値ｆｃを出力とする関数モデルｆｃ（Ｘ）である。なお、寄与度の予測値ｆｃは、故障確率の予測に寄与している場合正であり、故障確率の予測に寄与していない場合負である。
　ステップＳ９２において、選択部４２は、センサ集合Ｓに含まれない各センサ２１のセンサ情報Ｘを用いて、寄与度予測モデルｆｃ（Ｘ）にしたがって、各センサ２１（複数の送信装置それぞれ）の寄与度の予測値ｆｃを算出する。
　ステップＳ９３において、選択部４２は、ステップＳ９２で算出された寄与度の予測値ｆｃに基づいて、寄与度の予測値ｆｃが正であるセンサ２１をセンサ集合Ｓに追加する使用センサである追加センサとして選択する。なお、センサ集合Ｓに追加可能なセンサ２１の数の上限が予め決められていてもよい。この場合、選択部４２は、寄与度の予測値ｆｃが大きい方から順に、上限までの数だけセンサ２１を追加センサとして選択する。
　ステップＳ９４において、選択部４２は、ステップＳ８８で算出された差分Ｙｐが大きい方から順にｍ個（ｍ＜ｎ）の使用センサｓｐを選択する。
　ステップＳ９５において、選択部４２は、ステップＳ９４で選択されたｍ個の使用センサの各部分集合をそれぞれ、センサ集合Ｓから除いたセンサ集合を処理対象のセンサ集合として、ステップＳ８４の処理と同様に予測精度値算出処理を行う。
　例えば、ｍが３である場合、３個の使用センサｓｐを、使用センサｓａ，ｓｂ，ｓｃとすると、使用センサｓａ，ｓｂ、およびｓｃの部分集合は、図７に示すように、（ｓａ，ｓｂ，ｓｃ），（ｓａ，ｓｃ），（ｓａ，ｓｂ），（ｓｂ，ｓｃ），（ｓａ），（ｓｂ）、および（ｓｃ）である。従って、選択部４２は、センサ集合Ｓから（ｓａ，ｓｂ，ｓｃ）を除いたセンサ集合Ｓ１、センサ集合Ｓから（ｓａ，ｓｃ）を除いたセンサ集合Ｓ２、センサ集合Ｓから（ｓａ，ｓｂ）を除いたセンサ集合Ｓ３、センサ集合Ｓから（ｓｂ，ｓｃ）を除いたセンサ集合Ｓ４、センサ集合Ｓから（ｓａ）を除いたセンサ集合Ｓ５、センサ集合Ｓから（ｓｂ）を除いたセンサ集合Ｓ６、およびセンサ集合Ｓから（ｓｃ）を除いたセンサ集合Ｓ７を、それぞれ、処理対象のセンサ集合として予測精度値算出処理を行う。なお、図７において、点線は、センサ集合に含まない使用センサを表している。
　ステップＳ９６において、選択部４２は、ステップＳ９５の予測精度値算出処理で算出された予測精度値が最も高いセンサ集合に対応する部分集合を、センサ集合Ｓから除去する使用センサである除去センサとして選択する。
　ステップＳ９７において、選択部４２は、センサ集合Ｓに対して、ステップＳ９３で選択された追加センサを追加し、ステップＳ９６で選択された除去センサを除去することにより、Ｎ個のセンサ２１から新たなセンサ集合Ｓを選択する。そして、処理は、図３のステップＳ１９に戻り、ステップＳ２０に進む。
　なお、センサ集合Ｓに含まれないセンサ２１の数が多い場合、選択部４２は、センサ情報に基づいて、そのセンサ２１を複数のクラスタにクラスタリングし、各クラスタを代表する１つのセンサ２１の寄与度の予測値ｆｃに基づいて追加センサを選択するようにしてもよい。この場合、選択部４２は、例えば、寄与度の予測値ｆｃが正であるセンサ２１が代表するクラスタに含まれる全てのセンサ２１を追加センサとする。なお、選択部４２は、寄与度の予測値ｆｃが正であるセンサ２１が代表するクラスタに含まれる各センサ２１の寄与度の予測値ｆｃを算出し、その予測値ｆｃが正であるセンサ２１のみを追加センサとするようにしてもよい。
　図８は、図５のステップＳ８４の予測精度値算出処理を説明するフローチャートである。
　図８のステップＳ１１１において、選択部４２は、処理対象のセンサ集合の故障予測用学習データを用いて、機械学習アルゴリズムにしたがって、パラメータｗを機械学習する。なお、処理対象のセンサ集合の故障予測用学習データとは、図５のステップＳ８１で生成されたセンサ集合Ｓに含まれる全ての使用センサの観測情報ｘｉと故障情報ｙｉを含む故障予測用学習データＤＣのうちの、処理対象のセンサ集合に含まれる使用センサの観測情報ｘｉと故障情報ｙｉである。
　ステップＳ１１２において、選択部４２は、ステップＳ１１１で機械学習されたパラメータｗと、処理対象のセンサ集合の１０分間の予測精度算出用データとを用いて、故障予測モデルｆ（ｘ；ｗ）にしたがって、産業用ロボット１１の６時間以内の故障確率の予測値ｆを算出する。
　なお、処理対象のセンサ集合の予測精度算出用データとは、図５のステップＳ８１で生成されたセンサ集合Ｓに含まれる全ての使用センサの観測情報ｘｉと故障情報ｙｉを含む予測精度算出用データのうちの、処理対象のセンサ集合に含まれる使用センサの観測情報ｘｉと故障情報ｙｉである。
　ステップＳ１１３において、選択部４２は、ステップＳ１１２で算出された故障確率の予測値ｆと、その予測値ｆの算出に用いられた１０分間の予測精度算出用データのうちの故障情報ｙｉとに基づいて、処理対象のセンサ集合の観測情報を用いた故障確率の予測の予測精度値（評価値）を算出する。なお、ここでは、予測精度値は、予測精度が高いほど大きい値であるものとする。ステップＳ１１３の処理後、処理は図５のステップＳ８４に戻り、ステップＳ８５に進む。
　図９は、図２の学習部４４の学習処理を説明するフローチャートである。この学習処理は、例えば、最初の図３のステップＳ１４の処理後から故障確率算出処理が終了するまでの間に、所定の時間（例えば、２４時間）ごとに、行われる。
　図９のステップＳ１６１において、学習部４４は、使用センサ情報に基づいて、観測情報データベース４３に格納されている各使用センサの１０分間ごとの観測情報ｘｉと、その観測情報ｘｉに対応付けられている故障情報ｙｉとを読み出し、故障予測用学習データＤＢＬとする。
　ステップＳ１６２において、学習部４４は、故障予測用学習データＤＢＬを用いて、機械学習アルゴリズムにしたがって、故障予測モデルｆ（ｘ；ｗ）のパラメータｗを機械学習する。
　ステップＳ１６３において、学習部４４は、ステップＳ１６２で機械学習されたパラメータｗを予測部４５に供給し、処理を終了する。
　以上のように、情報処理装置１２は、Ｎ個のセンサ２１それぞれに関する情報に基づいて、Ｎ個のセンサ２１から使用センサを選択する。従って、情報処理装置１２は、故障予測システム１０の利用者や設計者などの人間の予測分野や故障予測システム１０に対する事前知識によらず、故障確率の予測に必要十分な観測情報を送信するセンサ２１を使用センサとして容易に選択することができる。
　また、情報処理装置１２は、使用センサの観測情報のみを用いて故障確率を予測することにより、Ｎ個のセンサ２１全ての観測情報を用いて故障確率を予測する場合に比べて、故障確率の予測の予測精度の向上させることができる。また、情報処理装置１２は、故障確率の予測における演算やセンサ２１との間の通信のリソースの消費を削減することもできる。
　さらに、情報処理装置１２は、使用センサを定期的に更新するので、産業用ロボット１１の環境や状況が変化した場合であっても、常に、故障確率の予測に必要十分な観測情報を送信するセンサ２１を使用センサとすることができる。
　また、情報処理装置１２が、使用センサとして選択されたセンサ２１のセンサ情報を故障予測システム１０の利用者に通知する場合、故障予測システム１０の利用者は、そのセンサ情報に基づいて、故障の要因を知ることができる。
　なお、センサ２１の数Ｎが多い場合、選択部４２は、各センサ２１の属性情報などに基づいて、Ｎ個のセンサ２１を複数のクラスタにクラスタリングし、センサ２１をクラスタ単位で使用センサとして選択するようにしてもよい。
　＜第２実施の形態＞
　（故障予測システムの構成例）
　図１０は、本開示を適用した故障予測システムの第２実施の形態の構成例を示す図である。
　図１０の故障予測システム１００は、Ｍ個（Ｍは複数）のパーソナルコンピュータ（以下、ＰＣという）１０１－１乃至１０１－Ｍ（機器）と情報処理装置１０２により構成され、Ｍ個のＰＣ１０１－１乃至１０１－Ｍの故障確率を予測する。
　具体的には、ＰＣ１０１－ｋ（k=1,2,...,M）は、ＰＣ１０１－ｋの故障状態や稼働状態などを観測する状態観測部１２０－ｋを有する。状態観測部１２０－ｋは、情報処理装置１０２からの要求に応じて、ＰＣ１０１－ｋの故障状態を情報処理装置１０２に送信する。また、ＰＣ１０１－ｋには、Ｎ個のセンサ１２１－ｋ－１乃至１２１－ｋ－Ｎが設置されている。
　なお、以下では、ＰＣ１０１－１乃至１０１－Ｍを特に区別する必要がない場合、それらをまとめてＰＣ１０１という。また、状態観測部１２０－１乃至１２０－Ｍを特に区別する必要がない場合、それらをまとめて状態観測部１２０という。
　さらに、センサ１２１－１－１乃至１２１－１－Ｎ、センサ１２１－２－１乃至１２１－２－Ｎ、．．．、およびセンサ１２１－Ｍ－１乃至１２１－Ｍ－Ｎを特に区別する必要がない場合、それらをまとめてセンサ１２１という。
　センサ１２１は、例えば、温度センサ、湿度センサ、気圧センサ、磁気センサ、加速度センサ、ジャイロセンサ、振動センサ、音センサ、およびカメラのいずれかにより構成される。なお、各ＰＣ１０１のセンサ１２１－ｋ－１どうしの属性情報は同一である。同様に、各ＰＣ１０１のセンサ１２１－ｋ－２どうし、センサ１２１－ｋ－３どうし、...、センサ１２１－ｋ－Ｎどうしの属性情報は同一である。センサ１２１の属性情報としては、センサ１２１の種類、センサ１２１のＰＣ１０１上の位置座標、センサ１２１が設置されたＰＣ１０１のパーツ、センサ１２１が観測情報を取得する間隔（観測情報の時間解像度）、センサ１２１が取得する観測情報の感度などがある。
　なお、以下では、属性情報が同一であるセンサ１２１－ｋ－１どうし、センサ１２１－ｋ－２どうし、...、センサ１２１－ｋ－Ｎどうしを特に区別する必要がない場合、それぞれまとめて、センサ１２１－１、センサ１２１－２、．．．、センサ１２１－Ｎという。
　センサ１２１は、温度情報、湿度情報、気圧情報、磁場情報、加速度情報、振動情報、音声、画像などの観測情報を取得する。センサ１２１（送信装置）は、情報処理装置１０２からの要求に応じて、観測情報を情報処理装置１０２に送信する。
　情報処理装置１０２は、Ｎ個のセンサ１２１－１乃至センサ１２１－Ｎから、ＰＣ１０１の故障確率の予測に用いるセンサ１２１を使用センサとして選択する。この使用センサは、全てのＰＣ１０１において共通である。情報処理装置１０２は、ＰＣ１０１ごとに、使用センサに対して観測情報を要求し、その要求に応じて送信されてくる観測情報を受信する。また、情報処理装置１０２は、ＰＣ１０１ごとに、状態観測部１２０に対して故障状態を要求し、その要求に応じて送信されてくる故障状態を受信する。
　情報処理装置１０２は、全てのＰＣ１０１の使用センサの観測情報と故障状態に基づいて、情報処理装置１２と同様に、全てのＰＣ１０１において共通の故障予測モデルを生成する。また、情報処理装置１０２は、ＰＣ１０１ごとに、使用センサの観測情報と故障予測モデルに基づいて、ＰＣ１０１の故障確率を予測し、出力する。
　なお、第２実施の形態では、ＰＣ１０１と情報処理装置１０２の間の通信は、無線通信であるものとするが、有線通信であってもよい。
　（情報処理装置の構成例）
　図１１は、図１０の情報処理装置１０２の構成例を示すブロック図である。
　図１１に示す構成のうち、図２の構成と同じ構成には同じ符号を付してある。重複する説明については適宜省略する。
　図１１の情報処理装置１０２は、センサ情報データベース１４１、選択部１４２、観測情報データベース１４３、学習部１４４、および予測部１４５により構成される。
　情報処理装置１０２のセンサ情報データベース１４１は、センサ１２１－１乃至１２１－Ｎそれぞれの属性情報を格納する。
　選択部１４２は、図２の選択部４２と同様に、使用センサの選択の準備処理を行う。選択部１４２は、この準備処理により取得された全てのＰＣ１０１の全てのセンサ１２１の観測情報を、センサ１２１－ｈ（h=1,2,...,N）ごとにまとめて各センサ１２１－ｈの標準観測情報とし、観測情報データベース１４３に供給する。
　また、選択部１４２は、選択部４２と同様に、全てのセンサ１２１－ｈの標準観測情報、センサ情報データベース１４１に格納されている各センサ１２１－ｈの属性情報などに基づいて、Ｎ個のセンサ１２１－１乃至１２１－Ｎから、全てのＰＣ１０１に対して同一のセンサ集合Ｓの初期値を選択する。即ち、センサ集合Ｓの１要素は、全てのＰＣ１０１のセンサ１２１－ｈである。
　選択部１４２は、各ＰＣ１０１の使用センサに１０分ごとの観測情報を要求する。選択部１４２は、その要求に応じて各ＰＣ１０１の使用センサから送信されてくる１０分ごとの観測情報を観測情報データベース１４３と予測部１４５に供給する。また、選択部１４２は、選択部４２と同様にセンサ選択処理（図５）を行い、Ｎ個のセンサ１２１から、全てのＰＣ１０１に対して同一のセンサ集合Ｓを新たに選択する。
　なお、選択部１４２のセンサ選択処理に用いられるセンサ情報は、センサ１２１－ｈごとに生成される、センサ１２１－ｈに関する情報である。具体的には、各センサ１２１－ｈのセンサ情報は、そのセンサ１２１－ｈの属性情報、並びに、そのセンサ１２１－ｈの他の使用センサとの関連度、センサ集合Ｓにおいて過去に故障確率の予測に寄与したセンサ１２１との関連度、およびセンサ集合Ｓにおいて過去に故障確率の予測に寄与しなかったセンサ１２１との関連度の全てのＰＣ１０１における平均値の少なくとも１つからなる。選択部１４２は、センサ集合Ｓに含まれる使用センサを示す使用センサ情報を学習部１４４に供給する。
　また、選択部１４２は、各状態観測部１２０に故障状態を要求し、その要求に応じて各状態観測部１２０から送信されてくる故障状態を取得する。選択部１４２は、ＰＣ１０１ごとに、そのＰＣ１０１の状態観測部１２０から取得された故障状態に基づいて、各使用センサの観測情報ごとの故障情報を生成する。
　さらに、選択部１４２は、ＰＣ１０１ごとに、そのＰＣ１０１の状態観測部１２０から取得された故障状態に基づいて、各使用センサの観測情報ごとの頻度決定用故障情報を生成する。なお、使用センサの観測情報ごとの頻度決定用故障情報は、その観測情報が観測されてから２４時間以内にＰＣ１０１の故障が発生したかどうかを示す情報である。頻度決定用故障情報は、例えば、観測情報が観測されてから１２時間以内にＰＣ１０１の故障が発生したことを示す場合１であり、発生していないことを示す場合０である。選択部１４２は、生成された故障情報と頻度決定用故障情報を観測情報データベース１４３に供給する。
　観測情報データベース１４３は、選択部１４２から供給される全てのＰＣ１０１の使用センサの観測情報と標準観測情報を格納する。また、観測情報データベース１４３は、ＰＣ１０１ごとに、そのＰＣ１０１の使用センサの観測情報ごとの故障情報と頻度決定用故障情報を、その観測情報に対応付けて格納する。
　学習部１４４は、選択部１４２から供給される使用センサ情報に基づいて、観測情報データベース１４３に格納されている全てのＰＣ１０１の各使用センサの１０分間ごとの観測情報と、その観測情報に対応付けられている故障情報とを読み出し、故障予測用学習データＤＢＬとする。
　学習部１４４は、学習部４４と同様に、故障予測用学習データＤＢＬを用いて、機械学習アルゴリズムにしたがって、全てのＰＣ１０１に共通の故障予測モデルｆ（ｘ；ｗ）のパラメータｗを機械学習する。学習部１４４は、学習されたパラメータｗを予測部１４５に供給する。
　また、学習部１４４は、使用センサ情報に基づいて、観測情報データベース１４３に格納されている全てのＰＣ１０１の使用センサの１０分間ごとの観測情報と、その観測情報に対応付けられている頻度決定用故障情報とを読み出し、頻度決定用学習データとする。学習部１４４は、頻度決定用学習データを用いて、Stochastic Gradient Descentなどの機械学習アルゴリズムにしたがって、全てのＰＣ１０１に共通の頻度決定用故障予測モデルのパラメータを機械学習する。
　頻度決定用故障予測モデルは、使用センサの１０分間の観測情報ｘを入力とし、ＰＣ１０１の２４時間以内の故障確率の予測値ｆ´を出力とするパラメータｗ´を有する関数モデルｆ´（ｘ；ｗ´）である。故障予測モデルｆ´（ｘ；ｗ´）としては、ロジスティック回帰モデルやConvolutional Neural Networkなどを用いることができる。学習部４４は、学習されたパラメータｗ´を予測部１４５に供給する。
　予測部１４５は、ＰＣ１０１ごとに、そのＰＣ１０１の使用センサの観測情報ｘとパラメータｗ´とを用いて、頻度決定用故障予測モデルｆ´（ｘ；ｗ´）にしたがって、そのＰＣ１０１の２４時間以内の故障確率の予測値ｆ´を算出する。予測部１４５は、ＰＣ１０１ごとに、算出された故障確率の予測値ｆ´に基づいて、６時間以内の故障確率の予測値ｆを算出する頻度を決定する。
　予測部１４５は、ＰＣ１０１ごとに、決定された頻度で、パラメータｗと、そのＰＣ１０１の使用センサの観測情報ｘとを用いて、故障予測モデルｆ（ｘ；ｗ）にしたがって、そのＰＣ１０１の６時間以内の故障確率の予測値ｆを算出する。予測部１４５は、算出された各ＰＣ１０１の故障確率の予測値ｆを出力する。
　なお、第２実施の形態では、頻度決定用故障予測モデルが、故障予測モデルとは異なるようにしたが、同一であってもよい。
　（情報処理装置の処理の説明）
　図１２は、図１１の情報処理装置１０２の故障確率算出処理を説明するフローチャートである。
　図１２のステップＳ２０１において、選択部１４２は、使用センサの選択の準備処理を行う。具体的には、選択部１４２は、例えば、所定の時間の観測情報を全てのＰＣ１０１の全てのセンサ１２１に要求し、その要求に応じて全てのＰＣ１０１の全てのセンサ１２１から送信されてくる所定の時間の観測情報を受信する。そして、選択部１４２は、受信された観測情報を、センサ１２１－ｈごとにまとめて標準観測情報とし、観測情報データベース１４３に供給し、格納させる。
　ステップＳ２０２において、選択部１４２は、Ｎ個のセンサ１２１－１乃至１２１－Ｎから、全てのＰＣ１０１に対して同一のセンサ集合Ｓの初期値を選択する。選択部１４２は、センサ集合Ｓの初期値に含まれる各センサ１２１－ｈを使用センサとして示す使用センサ情報を学習部１４４に供給する。
　ステップＳ２０３において、選択部１４２は、全てのＰＣ１０１の各使用センサに１０分間の観測情報を要求する。
　ステップＳ２０４において、選択部１４２は、要求に応じて各使用センサから送信されてくる１０分間の観測情報を取得し、予測部１４５に供給する。後述するステップＳ２０５乃至Ｓ２１４の処理は、ＰＣ１０１ごとに行われる。
　ステップＳ２０５において、予測部１４５は、パラメータｗ´と使用センサの観測情報ｘとを用いて、頻度決定用故障予測モデルｆ´（ｘ；ｗ´）にしたがって、ＰＣ１０１の２４時間以内の故障確率の予測値ｆ´を算出する頻度決定処理を行う。
　ステップＳ２０６において、予測部１４５は、ＰＣ１０１の２４時間以内の故障確率の予測値ｆ´が閾値以下であるかどうかを判定する。ステップＳ２０６で予測値ｆ´が閾値以下ではないと判定された場合、処理はステップＳ２０７に進む。
　ステップＳ２０７乃至Ｓ２１０の処理は、図３のステップＳ１３乃至Ｓ１６の処理と同様であるので、説明は省略する。ステップＳ２１０で処理を終了しないと判定された場合、処理はステップＳ２１１に進む。
　ステップＳ２１１において、予測部１４５は、前回の頻度決定処理から２４時間が経過したかどうかを判定する。ステップＳ２１１で前回の頻度決定処理から２４時間が経過していないと判定された場合、処理はステップＳ２０７に戻り、２４時間が経過するまで、ステップＳ２０７乃至Ｓ２１１の処理が繰り返される。即ち、ＰＣ１０１の２４時間以内の故障確率の予測値ｆ´が閾値以下ではない場合、頻度決定処理から２４時間が経過するまで、各使用センサの観測情報と故障状態の取得および故障予測処理が行われる。
　一方、ステップＳ２１１で前回の頻度決定処理から２４時間が経過したと判定された場合、処理はステップＳ２１５に進む。
　また、ステップＳ２０６で予測値ｆ´が閾値以下であると判定された場合、ステップＳ２１２において、予測部１４５は、前回の頻度決定処理から２４時間が経過したかどうかを判定する。ステップＳ２１２で前回の頻度決定処理から２４時間が経過していないと判定された場合、２４時間が経過するまで待機する。
　一方、ステップＳ２１２で前回の頻度決定処理から２４時間が経過したと判定された場合、ステップＳ２１３において、選択部１４２は、処理対象のＰＣ１０１の各使用センサに１０分間の観測情報を要求する。
　ステップＳ２１４において、選択部１４２は、要求に応じて各使用センサから送信されてくる１０分間の観測情報を取得し、予測部１４５に供給する。そして、処理はステップＳ２１５に進む。即ち、ＰＣ１０１の２４時間以内の故障確率の予測値ｆ´が閾値以下である場合、頻度決定処理から２４時間が経過するまで、各使用センサの観測情報と故障状態の取得および故障予測処理は行われない。
　ステップＳ２１５において、選択部１４２は、前回の準備処理から１週間が経過したかどうかを判定する。なお、準備処理のインターバルは、１週間に限定されない。ステップＳ２１５で前回の準備処理からまだ１週間が経過していないと判定された場合、処理はステップＳ２０５に戻り、以降の処理が繰り返される。
　一方、ステップＳ２１５で前回の準備処理から１週間が経過したと判定された場合、ステップＳ２１６において、選択部１４２は、ステップＳ２０１の処理と同様に、使用センサの選択の準備処理を行う。
　ステップＳ２１７およびＳ２１８の処理は、センサ集合Ｓの１要素が全てのＰＣ１０１のセンサ１２１－ｈである点を除いて、図１１のステップＳ１９およびＳ２０の処理と同様であるので、説明は省略する。ステップＳ２１８の処理後、処理はステップＳ２０３に戻り、以降の処理が繰り返される。
　なお、図示は省略するが、学習部１４４の学習処理は、故障予測用学習データＤＢＬが、全てのＰＣ１０１の各使用センサの１０分間ごとの観測情報と、その観測情報に対応付けられている故障情報である点を除いて、図９の学習処理と同様である。
　以上のように、情報処理装置１０２は、ＰＣ１０１ごとに、２４時間以内の故障確率の予測値ｆ´を算出し、予測値ｆ´に基づく頻度で故障予測処理を行う。従って、全てのＰＣ１０１の故障予測処理を常に行う場合に比べて、センサ１２１の観測情報の取得時間(観測時間)およびセンサ１２１と情報処理装置１０２の間の通信時間を削減し、ＰＣ１０１と情報処理装置１０２の消費電力を削減することができる。これは、ＰＣ１０１の数Ｍが大きい場合に特に有用である。
　なお、ＰＣ１０１の数Ｍが多い場合、ＰＣ１０１の属性情報に基づいてＭ個のＰＣ１０１を複数のクラスタにクラスタリングし、クラスタごとに、故障確率算出処理を行うようにしてもよい。また、このクラスタリングは、各ＰＣの６時間以内の故障確率の予測値ｆ、２４時間以内の故障確率の予測値ｆ´、センサ１２１の観測情報等に基づいて更新されるようにしてもよい。
　また、各ＰＣ１０１に設置されるセンサ１２１の数Ｎが多い場合、選択部１４２は、各センサ１２１－ｈの属性情報などに基づいて、Ｎ個のセンサ１２１－ｈを複数のクラスタにクラスタリングし、センサ１２１－ｈをクラスタ単位で使用センサとして選択するようにしてもよい。
　さらに、第２実施の形態では、センサ１２１がＰＣ１０１に設置されたが、センサ１２１が設置される機器は、ＰＣなどのコンシューマ機器に限定されない。例えば、センサ１２１は、第１実施の形態のように、産業用ロボットなどの製造機器に設置されるようにしてもよい。
　同様に、第１実施の形態において、センサ２１は、第２実施の形態のように、ＰＣなどのコンシューマ機器に設置されるようにしてもよい。
　＜第３実施の形態＞
　（本開示を適用したコンピュータの説明）
　上述した一連の処理は、ハードウエアにより実行することもできるし、ソフトウエアにより実行することもできる。一連の処理をソフトウエアにより実行する場合には、そのソフトウエアを構成するプログラムが、コンピュータにインストールされる。ここで、コンピュータには、専用のハードウエアに組み込まれているコンピュータや、各種のプログラムをインストールすることで、各種の機能を実行することが可能な、例えば汎用のパーソナルコンピュータなどが含まれる。
　図１３は、上述した一連の処理をプログラムにより実行するコンピュータのハードウエアの構成例を示すブロック図である。
　コンピュータ２００において、CPU（Central Processing Unit）２０１，ROM（Read Only Memory）２０２，RAM（Random Access Memory）２０３は、バス２０４により相互に接続されている。
　バス２０４には、さらに、入出力インタフェース２０５が接続されている。入出力インタフェース２０５には、入力部２０６、出力部２０７、記憶部２０８、通信部２０９、及びドライブ２１０が接続されている。
　入力部２０６は、キーボード、マウス、マイクロフォンなどよりなる。出力部２０７は、ディスプレイ、スピーカなどよりなる。記憶部２０８は、ハードディスクや不揮発性のメモリなどよりなる。通信部２０９は、ネットワークインタフェースなどよりなる。ドライブ２１０は、磁気ディスク、光ディスク、光磁気ディスク、又は半導体メモリなどのリムーバブルメディア２１１を駆動する。
　以上のように構成されるコンピュータ２００では、CPU２０１が、例えば、記憶部２０８に記憶されているプログラムを、入出力インタフェース２０５及びバス２０４を介して、RAM２０３にロードして実行することにより、上述した一連の処理が行われる。
　コンピュータ２００（CPU２０１）が実行するプログラムは、例えば、パッケージメディア等としてのリムーバブルメディア２１１に記録して提供することができる。また、プログラムは、ローカルエリアネットワーク、インターネット、デジタル衛星放送といった、有線または無線の伝送媒体を介して提供することができる。
　コンピュータ２００では、プログラムは、リムーバブルメディア２１１をドライブ２１０に装着することにより、入出力インタフェース２０５を介して、記憶部２０８にインストールすることができる。また、プログラムは、有線または無線の伝送媒体を介して、通信部２０９で受信し、記憶部２０８にインストールすることができる。その他、プログラムは、ROM２０２や記憶部２０８に、あらかじめインストールしておくことができる。
　なお、コンピュータ２００が実行するプログラムは、本明細書で説明する順序に沿って時系列に処理が行われるプログラムであっても良いし、並列に、あるいは呼び出しが行われたとき等の必要なタイミングで処理が行われるプログラムであっても良い。
　また、本明細書において、システムとは、複数の構成要素（装置、モジュール（部品）等）の集合を意味し、すべての構成要素が同一筐体中にあるか否かは問わない。したがって、別個の筐体に収納され、ネットワークを介して接続されている複数の装置、及び、１つの筐体の中に複数のモジュールが収納されている１つの装置は、いずれも、システムである。
　さらに、本明細書に記載された効果はあくまで例示であって限定されるものではなく、他の効果があってもよい。
　また、本開示の実施の形態は、上述した実施の形態に限定されるものではなく、本開示の要旨を逸脱しない範囲において種々の変更が可能である。
　例えば、故障確率の予測に用いられる観測情報の時間は、１０分に限定されない。また、予測される故障確率に対応する時間は、６時間に限定されない。
　本開示は、複数のセンサからある事象を予測するシステムであれば、どのようなシステムにも適用することができる。
　なお、本開示は、以下のような構成もとることができる。
　（１）
　複数の送信装置それぞれに関する情報に基づいて、前記複数の送信装置から、予測に用いる観測情報を送信する送信装置を使用装置として選択する選択部
　を備える情報処理装置。
　（２）
　前記選択部は、前記複数の送信装置の属性情報に基づいて前記使用装置を選択する
　ように構成された
　前記（１）に記載の情報処理装置。
　（３）
　前記選択部は、過去に予測に寄与した送信装置と前記複数の送信装置それぞれとの関連度に基づいて、前記使用装置を選択する
　ように構成された
　前記（１）または（２）に記載の情報処理装置。
　（４）
　前記選択部は、過去に予測に寄与しなかった送信装置と前記複数の送信装置それぞれとの関連度に基づいて、前記使用装置を選択する
　ように構成された
　前記（１）乃至（３）のいずれかに記載の情報処理装置。
　（５）
　前記選択部は、他の送信装置と前記複数の送信装置それぞれとの関連度に基づいて、前記使用装置を選択する
　ように構成された
　前記（１）乃至（４）のいずれかに記載の情報処理装置。
　（６）
　前記選択部は、前記複数の送信装置それぞれの予測への寄与度に基づいて、前記使用装置を選択する
　ように構成された
　前記（１）乃至（５）のいずれかに記載の情報処理装置。
　（７）
　前記選択部は、前記寄与度を予測する寄与度予測モデルを用いて前記寄与度を算出する
　ように構成された
　前記（６）に記載の情報処理装置。
　（８）
　前記選択部は、前記複数の送信装置以外の複数の教師用の送信装置それぞれに関する教師情報と、前記複数の教師用の送信装置から１つを除いた送信装置から送信された観測情報を用いた予測の予測精度とに基づいて、前記寄与度予測モデルを生成する
　ように構成された
　前記（７）に記載の情報処理装置。
　（９）
　前記教師情報は、前記教師用の送信装置の属性情報、過去に予測に寄与した送信装置との関連度、過去に予測に寄与しなかった送信装置との関連度、および他の教師用の送信装置との関連度のうちの少なくとも１つである
　ように構成された
　前記（８）に記載の情報処理装置。
　（１０）
　前記選択部は、前記使用装置のうちの一部を前記使用装置として選択しない場合の予測精度の予測値に基づいて、前記使用装置のうちの一部を前記使用装置として選択しないことにより、前記使用装置を更新する
　ように構成された
　前記（１）乃至（９）のいずれかに記載の情報処理装置。
　（１１）
　複数の機器のそれぞれに、前記複数の送信装置が設置され、
　前記選択部は、前記複数の機器に対して同一の前記使用装置を選択する
　ように構成された
　前記（１）乃至（１０）のいずれかに記載の情報処理装置。
　（１２）
　前記機器ごとに、前記予測の結果に基づく頻度で、前記使用装置から送信されてくる前記観測情報に基づいて前記予測を行う予測部
　をさらに備える
　前記（１１）に記載の情報処理装置。
　（１３）
　情報処理装置が、
　複数の送信装置それぞれに関する情報に基づいて、前記複数の送信装置から、予測に用いる観測情報を送信する送信装置を使用装置として選択する選択ステップ
　を含む情報処理方法。
　１２　情報処理装置,　２１－１乃至２１－Ｎ　センサ,　４２　選択部，　１０２　情報処理装置,　１２１－１－１乃至１２１－１－Ｎ　センサ,　１４２　選択部

Claims (13)

  1. 　複数の送信装置それぞれに関する情報に基づいて、前記複数の送信装置から、予測に用いる観測情報を送信する送信装置を使用装置として選択する選択部
    　を備える情報処理装置。
  2. 　前記選択部は、前記複数の送信装置の属性情報に基づいて前記使用装置を選択する
    　ように構成された
    　請求項１に記載の情報処理装置。
  3. 　前記選択部は、過去に予測に寄与した送信装置と前記複数の送信装置それぞれとの関連度に基づいて、前記使用装置を選択する
    　ように構成された
    　請求項１に記載の情報処理装置。
  4. 　前記選択部は、過去に予測に寄与しなかった送信装置と前記複数の送信装置それぞれとの関連度に基づいて、前記使用装置を選択する
    　ように構成された
    　請求項１に記載の情報処理装置。
  5. 　前記選択部は、他の送信装置と前記複数の送信装置それぞれとの関連度に基づいて、前記使用装置を選択する
    　ように構成された
    　請求項１に記載の情報処理装置。
  6. 　前記選択部は、前記複数の送信装置それぞれの予測への寄与度に基づいて、前記使用装置を選択する
    　ように構成された
    　請求項１に記載の情報処理装置。
  7. 　前記選択部は、前記寄与度を予測する寄与度予測モデルを用いて前記寄与度を算出する
    　ように構成された
    　請求項６に記載の情報処理装置。
  8. 　前記選択部は、前記複数の送信装置以外の複数の教師用の送信装置それぞれに関する教師情報と、前記複数の教師用の送信装置から１つを除いた送信装置から送信された観測情報を用いた予測の予測精度とに基づいて、前記寄与度予測モデルを生成する
    　ように構成された
    　請求項７に記載の情報処理装置。
  9. 　前記教師情報は、前記教師用の送信装置の属性情報、過去に予測に寄与した送信装置との関連度、過去に予測に寄与しなかった送信装置との関連度、および他の教師用の送信装置との関連度のうちの少なくとも１つである
    　ように構成された
    　請求項８に記載の情報処理装置。
  10. 　前記選択部は、前記使用装置のうちの一部を前記使用装置として選択しない場合の予測精度の予測値に基づいて、前記使用装置のうちの一部を前記使用装置として選択しないことにより、前記使用装置を更新する
    　ように構成された
    　請求項１に記載の情報処理装置。
  11. 　複数の機器のそれぞれに、前記複数の送信装置が設置され、
    　前記選択部は、前記複数の機器に対して同一の前記使用装置を選択する
    　ように構成された
    　請求項１に記載の情報処理装置。
  12. 　前記機器ごとに、前記予測の結果に基づく頻度で、前記使用装置から送信されてくる前記観測情報に基づいて前記予測を行う予測部
    　をさらに備える
    　請求項１１に記載の情報処理装置。
  13. 　情報処理装置が、
    　複数の送信装置それぞれに関する情報に基づいて、前記複数の送信装置から、予測に用いる観測情報を送信する送信装置を使用装置として選択する選択ステップ
    　を含む情報処理方法。
PCT/JP2017/041186 2016-11-30 2017-11-16 情報処理装置および情報処理方法 WO2018101050A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US16/463,707 US20190275672A1 (en) 2016-11-30 2017-11-16 Information processing apparatus and information processing method
EP17875257.2A EP3550478A1 (en) 2016-11-30 2017-11-16 Information processing device and information processing method
JP2018553762A JP6981428B2 (ja) 2016-11-30 2017-11-16 情報処理装置および情報処理方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2016-232173 2016-11-30
JP2016232173 2016-11-30

Publications (1)

Publication Number Publication Date
WO2018101050A1 true WO2018101050A1 (ja) 2018-06-07

Family

ID=62241604

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/041186 WO2018101050A1 (ja) 2016-11-30 2017-11-16 情報処理装置および情報処理方法

Country Status (4)

Country Link
US (1) US20190275672A1 (ja)
EP (1) EP3550478A1 (ja)
JP (1) JP6981428B2 (ja)
WO (1) WO2018101050A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021186762A1 (ja) * 2020-03-16 2021-09-23 株式会社日立製作所 保守支援システム及び保守支援方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004272506A (ja) * 2003-03-07 2004-09-30 Japan Radio Co Ltd センサデータ伝送システム及びその観測局装置
JP2006135412A (ja) * 2004-11-02 2006-05-25 Tokyo Gas Co Ltd 遠隔監視システム
JP2007080190A (ja) * 2005-09-16 2007-03-29 Nec Corp センサネットワークシステム、センサノード、センサ情報収集装置、事象観測方法、およびプログラム
JP2011070596A (ja) * 2009-09-28 2011-04-07 Fujitsu Ltd 情報収集システム
JP2012251777A (ja) * 2011-05-31 2012-12-20 Toyota Infotechnology Center Co Ltd センサ情報補完システムおよびセンサ情報補完方法
JP2016109019A (ja) 2014-12-05 2016-06-20 日立建機株式会社 建設機械の管理システム

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004202624A (ja) * 2002-12-25 2004-07-22 Kawasaki Heavy Ind Ltd ロボット用情報利用統合方法及び装置
EP1955830B1 (en) * 2007-02-06 2014-04-09 Abb Research Ltd. A method and a control system for monitoring the condition of an industrial robot
US7973508B2 (en) * 2007-12-10 2011-07-05 XyZ Automation Inc. Automation systems diagnostics and predictive failure detection
US20140358453A1 (en) * 2013-05-31 2014-12-04 Honda Motor Co., Ltd. Robot reducer predictive trending

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004272506A (ja) * 2003-03-07 2004-09-30 Japan Radio Co Ltd センサデータ伝送システム及びその観測局装置
JP2006135412A (ja) * 2004-11-02 2006-05-25 Tokyo Gas Co Ltd 遠隔監視システム
JP2007080190A (ja) * 2005-09-16 2007-03-29 Nec Corp センサネットワークシステム、センサノード、センサ情報収集装置、事象観測方法、およびプログラム
JP2011070596A (ja) * 2009-09-28 2011-04-07 Fujitsu Ltd 情報収集システム
JP2012251777A (ja) * 2011-05-31 2012-12-20 Toyota Infotechnology Center Co Ltd センサ情報補完システムおよびセンサ情報補完方法
JP2016109019A (ja) 2014-12-05 2016-06-20 日立建機株式会社 建設機械の管理システム

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021186762A1 (ja) * 2020-03-16 2021-09-23 株式会社日立製作所 保守支援システム及び保守支援方法
JP2021149156A (ja) * 2020-03-16 2021-09-27 株式会社日立製作所 保守支援システム及び保守支援方法
JP7333284B2 (ja) 2020-03-16 2023-08-24 株式会社日立製作所 保守支援システム及び保守支援方法

Also Published As

Publication number Publication date
JPWO2018101050A1 (ja) 2019-10-17
JP6981428B2 (ja) 2021-12-15
US20190275672A1 (en) 2019-09-12
EP3550478A4 (en) 2019-10-09
EP3550478A1 (en) 2019-10-09

Similar Documents

Publication Publication Date Title
CN110598802B (zh) 一种内存检测模型训练的方法、内存检测的方法及装置
US10223403B2 (en) Anomaly detection system and method
JP6571914B2 (ja) 情報の複数のドメインを組合せることによる仕事の実施データ内の異常の検知
CN112639834A (zh) 用于数据分析的计算机实现的方法、计算机程序产品以及系统
US10067746B1 (en) Approximate random number generator by empirical cumulative distribution function
WO2018071005A1 (en) Deep long short term memory network for estimation of remaining useful life of the components
US11605465B1 (en) Computer network architecture with machine learning and artificial intelligence and patient risk scoring
TW201104452A (en) Method and system for detection of tool performance degradation and mismatch
WO2021011154A1 (en) Self-healing machine learning system for transformed data
US11755955B2 (en) Anomaly detection and tuning recommendation system
JP2018528511A (ja) 生産システムにおける出力効率の最適化
JP6645441B2 (ja) 情報処理システム、情報処理方法、及び、プログラム
Priya et al. Data fault detection in wireless sensor networks using machine learning techniques
US9397921B2 (en) Method and system for signal categorization for monitoring and detecting health changes in a database system
WO2018101050A1 (ja) 情報処理装置および情報処理方法
US11501132B2 (en) Predictive maintenance system for spatially correlated industrial equipment
JP2021505130A (ja) 外れ値検出に教師なしパラメータ学習を使用して産生のための生物を識別すること
JP2015184818A (ja) サーバ、モデル適用可否判定方法およびコンピュータプログラム
EP3580676B1 (en) Sample-based multidimensional data cloning
Westerlund et al. A generalized scalable software architecture for analyzing temporally structured big data in the cloud
US20230386213A1 (en) Video analysis system using edge computing
US20240020535A1 (en) Method for estimating model uncertainties with the aid of a neural network and an architecture of the neural network
US20230306234A1 (en) Method for assessing model uncertainties with the aid of a neural network and an architecture of the neural network
JP2018014071A (ja) センサログ推定による予知保全プログラム
JP6081146B2 (ja) データ監視装置

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: 17875257

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2018553762

Country of ref document: JP

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2017875257

Country of ref document: EP

Effective date: 20190701