WO2018138880A1 - モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム - Google Patents

モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム Download PDF

Info

Publication number
WO2018138880A1
WO2018138880A1 PCT/JP2017/002995 JP2017002995W WO2018138880A1 WO 2018138880 A1 WO2018138880 A1 WO 2018138880A1 JP 2017002995 W JP2017002995 W JP 2017002995W WO 2018138880 A1 WO2018138880 A1 WO 2018138880A1
Authority
WO
WIPO (PCT)
Prior art keywords
model parameter
parameter value
value
unit
function
Prior art date
Application number
PCT/JP2017/002995
Other languages
English (en)
French (fr)
Other versions
WO2018138880A9 (ja
Inventor
泰浩 吉田
勇也 徳田
吉田　卓弥
裕基 榎本
展弘 大崎
義人 長濱
Original Assignee
三菱日立パワーシステムズ株式会社
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 三菱日立パワーシステムズ株式会社 filed Critical 三菱日立パワーシステムズ株式会社
Priority to US16/076,809 priority Critical patent/US20190019096A1/en
Priority to JP2018538906A priority patent/JP6686151B2/ja
Priority to EP17893753.8A priority patent/EP3575892B1/en
Priority to CN201780014460.1A priority patent/CN108700852B/zh
Priority to KR1020187024965A priority patent/KR102153924B1/ko
Priority to PCT/JP2017/002995 priority patent/WO2018138880A1/ja
Publication of WO2018138880A1 publication Critical patent/WO2018138880A1/ja
Publication of WO2018138880A9 publication Critical patent/WO2018138880A9/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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • 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
    • G05B17/00—Systems involving the use of models or simulators of said systems
    • G05B17/02—Systems involving the use of models or simulators of said systems electric
    • 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
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/041—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a variable is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9024—Graphs; Linked lists
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Definitions

  • the present invention relates to a model parameter value estimation apparatus and estimation method for estimating a model parameter value input to a plant model, a program, a recording medium recording the program, and a model parameter value estimation system.
  • a so-called plant model that simulates the operation of a product is used as a technique for detecting the sign.
  • This plant model is useful for grasping the product characteristics by roughly reproducing the operation, designing the product limit by safety evaluation (designing the limit to ensure safety), and grasping the product state based on the measurement information. Therefore, by improving the validity of the calculation result of the plant model, verification using the plant model can be performed with higher accuracy, and a service with higher added value can be provided.
  • model parameter value estimation technology there is one that searches a model parameter value that maximizes likelihood by executing a simulation with varying model parameter values multiple times for a probability density function related to product characteristics (Patent Literature). (See 1 etc.).
  • Patent Document 1 the user needs to input a statistic such as a standard deviation in a probability density function related to product characteristics. Therefore, when the distribution shape and statistic about the probability density function are unknown or when the number of measurement data is insufficient and estimation is difficult, there is a limit to the estimation accuracy of the model parameter value.
  • the present invention has been made in view of the above, and a model parameter value estimation device and an estimation method capable of estimating a model parameter value even when a distribution shape and a statistic regarding a probability density function are unknown or difficult to estimate,
  • An object is to provide a program, a recording medium on which the program is recorded, and a model parameter value estimation system.
  • the present invention is a preset physical model that simulates the operation of the target product, a plant model that inputs a model parameter value and calculates a process value, and more likelihood based on the process value.
  • Model parameter value comprising: a model parameter value estimation unit for estimating a high model parameter value; a storage unit for storing a calculation result of the model parameter value estimation unit; and an output unit for outputting the calculation result of the model parameter value estimation unit
  • the model parameter value estimation unit inputs the measurement values of the target product and a plurality of process values calculated by the plant model, and generates a function generated based on the accuracy evaluation of the plurality of process values with respect to the measurement values.
  • the probability density function stored in the storage unit is Bayes updated.
  • a model parameter value estimation device an estimation method, a program, and a program that can estimate a model parameter value even when the distribution shape and statistics of the probability density function are unknown or difficult to estimate are recorded.
  • a recording medium and a model parameter value estimation system can be provided.
  • FIG. 1 is a schematic diagram of a model parameter value estimation device according to this embodiment.
  • a model parameter value estimation apparatus 100 includes an input unit 1, a plant model 2, a model parameter value estimation unit 3, a storage unit 4, and an output unit 5.
  • the input unit 1, the model parameter value estimation unit 3, the storage unit 4, the output unit 5 and the like may be stored together in the same terminal, or some of the elements are in remote locations in Japan and overseas. It may be configured as a system stored in a terminal / server.
  • the input unit 1 inputs the model parameter items (types) to be estimated and the upper and lower limits of the model parameter values related to the model parameters to be estimated.
  • the model parameter item to be estimated and the upper and lower limit values of the model parameter value are input to the input unit 1 by the user, for example.
  • the number of model parameters input to the input unit 1 may be one or two or more.
  • the input unit 1 is not limited as long as it is configured to be able to input the model parameter item to be estimated and the upper and lower limits of the model parameter value.
  • Plant Model A plant model is a type of a physical model (simulator) set in advance that simulates the operation of a product based on a simulated control signal corresponding to a control signal used for actual operation control of the product.
  • Plant models include: engine in inverter, motor, vehicle simulators, thermal and nuclear power generation plants used in MILS (Model in the loop simulation) and SILS (Software in the loop simulation) for model-based development of automobiles.
  • MILS Model in the loop simulation
  • SILS Software in the loop simulation
  • the plant model is formed by combining calculation models related to various characteristics of a product to be simulated (hereinafter referred to as a target product).
  • Calculation models include pressure and flow rate calculation models that calculate pressure and flow rate from known hydrodynamic equations, temperature and heat transfer rate calculation models that calculate temperature and heat transfer rate from known thermodynamic and heat transfer equations
  • a plurality of model parameter values M are input from the model parameter value estimation unit 3, and the operation of the target product is simulated based on the simulated control signal S output from the control device 8.
  • a plurality of process values P corresponding to the model parameter value M are calculated.
  • the model parameter values include the heat transfer area, thickness and dirt coefficient of piping, gas turbine exhaust gas temperature and heat quantity according to gas turbine load, and changes in gas turbine load. This includes the response time constant of the temperature and mass flow rate of steam generated by heat recovery, the temperature and flow rate of the steam according to the gas turbine load, and the like.
  • Process values include those that can be obtained directly by instruments such as the flow rate of gas and steam flowing through the power plant, including temperature and pressure of combustion gas, temperature and pressure, gas turbine, coal boiler and steam turbine loads And those that can be obtained indirectly based on the measurement values of the measuring instrument such as the thermal stress inside the plant structure.
  • Model parameter value estimation unit 3 estimates a model parameter value having a higher likelihood based on the process value.
  • the model parameter value estimation unit 3 uses the measurement value V acquired during operation of the target product by the measuring instrument 7 provided in the target product and the plurality of process values P calculated by the plant model 2.
  • a model having a high likelihood is obtained by considering the function generated based on the accuracy evaluation of the plurality of process values P with respect to the measurement value V as a likelihood function and performing Bayesian updating of the probability density function stored in the storage unit 4.
  • Estimate parameter values The measurement value V input to the model parameter value estimation unit 3 corresponds to the process value P calculated by the plant model 2.
  • the model parameter value estimation unit 3 includes a model parameter sensitivity analysis unit 31, a likelihood function generation unit 32, and a Bayes learning unit 33.
  • the model parameter sensitivity analysis unit 31 generates a scatter diagram showing the relationship between each model parameter value M and the evaluation value based on the evaluation value indicating the accuracy evaluation of the plurality of process values P with respect to the measurement value V. It is.
  • the model parameter sensitivity analysis unit 31 includes a model parameter information acquisition unit 34, a model parameter value output unit 35, a process value input unit 36, an evaluation value generation unit 37, and a scatter diagram generation unit 38.
  • Model parameter information acquisition unit 34 is electrically connected to the input unit 1 and the measuring instrument 7.
  • the model parameter information acquisition unit 34 inputs the model parameter items input to the input unit 1, the upper and lower limit values of the model parameter values, and the measurement value V acquired by the measuring instrument 7. It is.
  • Model parameter value output unit 35 inputs the model parameter items input to the model parameter information acquisition unit 34 and the upper and lower limit values of the model parameter value, and falls within the input upper and lower limit value ranges.
  • a plurality of model parameter values are generated by changing the model parameter values and are output to the plant model 2.
  • a method of generating a plurality of model parameter values a method of generating by randomly changing model parameter values within the range of the upper limit and the lower limit value, a method of generating the model parameter values by equally dividing the range of the upper limit and lower limit values
  • a method of searching using a known machine learning technique there is no limitation as long as it is a method that can obtain a plurality of model parameter values dispersed within the range of the upper and lower limits.
  • the model parameter value output unit 35 has a function of determining whether or not a plurality of model parameter values are all output to the plant model 2 in addition to the above-described functions. For example, when a plurality of model parameter values are randomly generated within the range of the upper limit and the lower limit value, the model parameter value output unit 35 outputs the number x of model parameter values output to the plant model 2 and the number of model parameter values generated. It is determined whether or not X has been reached.
  • the model parameter value output unit 35 when there are two or more input model parameter items, the model parameter value output unit 35 generates a plurality of model parameter values for model parameters corresponding to one item, and corresponds to other items. For model parameters, the model parameter values are output to the plant model 2 as fixed values. After completing the calculation for the model parameter corresponding to one item, the model parameter value output unit 35 generates a plurality of model parameter values for the model parameter corresponding to the other item and outputs it to the plant model 2. The model parameter value output unit 35 repeats the above operation for each model parameter item that has been input.
  • the process value input unit 36 inputs a plurality of process values P output from the plant model 2 corresponding to each model parameter value M.
  • the evaluation value generation unit 37 receives a plurality of process values P from the process value input unit 36 and the measurement values V from the model parameter information acquisition unit 34, respectively. Based on the difference, an evaluation value E indicating accuracy evaluation of a plurality of process values P with respect to the measurement value V is generated from a predefined evaluation formula.
  • the evaluation formula is defined such that the smaller the difference between the process value P and the measured value V, the higher the evaluation value is generated.
  • an evaluation formula for example, an absolute value of a difference between the process value P and the measured value V is regarded as an error with respect to the measured value V, and a numerical value obtained by dividing the absolute value by 100 is subtracted from 1 for evaluation. .
  • the accuracy evaluation of the plurality of process values P with respect to the measurement value V is performed by averaging the instantaneous maximum error or difference between the measurement value V and the plurality of process values P over time, for example, There is no limitation as long as the accuracy of the evaluation can be evaluated.
  • the scatter diagram generation unit 38 inputs each model parameter value M from the model parameter value output unit 35 and each evaluation value E corresponding to each model parameter value M from the evaluation value generation unit 37. A scatter diagram showing the relationship between the model parameter value M and the evaluation value E is generated.
  • FIG. 2 is an example of a scatter diagram generated by the scatter diagram generator 38.
  • the vertical axis represents the evaluation value E
  • the horizontal axis represents each model parameter value M.
  • the difference between the process value Pa corresponding to the model parameter value Ma and the measured value V is the smallest.
  • the evaluation value Eb corresponding to the model parameter value Mb is lower than the evaluation value Ea
  • the difference between the process value Pb corresponding to the model parameter value Mb and the measurement value V is larger than the difference between the process value Pa and the measurement value V. It has become.
  • the likelihood function generation unit 32 acquires a probability density function based on the scatter diagram generated by the scatter diagram generation unit 38, and generates (acquires) a likelihood function.
  • the likelihood function generation unit 32 includes a function regression unit 39, a probability density function acquisition unit 40, and a likelihood function acquisition unit 41.
  • the function regression unit 39 is electrically connected to the scatter diagram generation unit 38.
  • the function regression unit 39 inputs the scatter diagram generated by the scatter diagram generation unit 38, and generates a function by performing functional regression on the input scatter diagram.
  • a method of the function regression for example, it matches the shape of the scatter diagram generated by the scatter diagram generation unit 38 using a known machine learning from a plurality of function data stored in advance in a storage unit (not shown). There is a way to search for a simple function.
  • the function regression method is not limited as long as a function that can reduce the distance (difference) from each data of the scatter diagram generated by the scatter diagram generator 38 is obtained.
  • the probability density function acquisition unit 40 receives the function generated by the function regression unit 39, normalizes the input function, and shows the probability that each model parameter value M is probable It is considered as a density function.
  • the probability density function acquisition unit 40 integrates the function generated by the function regression unit 39 along the range of the upper and lower limits of the model parameter value input to the input unit 1. Normalize as follows.
  • the likelihood function acquisition unit 41 inputs the probability density function acquired by the probability density function acquisition unit 40, regards the input probability density function as a likelihood function in Bayesian update, and outputs the function. is there.
  • the probability density function acquisition unit 40 regards a function obtained by normalizing the function generated by the function regression unit 39 as a probability density function
  • the likelihood function acquisition unit 41 sets the probability density function acquisition unit 40.
  • the configuration in which the probability density function acquired in step 1 is regarded as a likelihood function in Bayesian update and output is illustrated. However, it is not necessarily limited to the configuration described above.
  • the likelihood function acquisition unit 41 includes a probability density function acquisition unit 40, inputs the function generated by the function regression unit 39, normalizes the input function, regards it as a probability density function, and uses it as a likelihood function. You may comprise so that it may output.
  • FIG. 3 is a diagram illustrating an example of the likelihood function acquired by the likelihood function acquisition unit 41.
  • the vertical axis represents probability density D
  • the horizontal axis represents each model parameter value M.
  • the probability density Da corresponding to the model parameter value Ma is the highest
  • the probability density Db corresponding to the model parameter value Mb is lower than the probability density Da.
  • Bayesian learning unit 33 is electrically connected to the likelihood function acquisition unit 41 and the storage unit 4.
  • the Bayesian learning unit 33 inputs the likelihood function acquired by the likelihood function acquisition unit 41, reads the latest probability density function related to the model parameter value stored in the storage unit 4, and reads the read probability density
  • the function is Bayes updated using the input likelihood function as prior distribution data, and a probability density function related to the model parameter value is generated as posterior distribution data.
  • Storage Unit 4 stores the calculation result of the model parameter value estimation unit 3. Specifically, the storage unit 4 inputs and stores a probability density function related to the model parameter value generated by the Bayesian update in the Bayes learning unit 33. In the present embodiment, each probability density function generated by past Bayes update (Bayes update before the latest Bayes update) is stored in the storage unit 4.
  • Output unit 5 outputs the calculation result of the model parameter value estimation unit 3. Specifically, the output unit 5 reads and outputs the probability density function stored in the storage unit 4.
  • the output unit 5 is a display device or the like that displays a probability density function. In the present embodiment, the output unit 5 displays one or more combinations of a probability density function at an arbitrary number of updates and a model parameter value corresponding to the average among a plurality of probability density functions stored in the storage unit 4. It is configured as follows.
  • FIG. 4 is a diagram illustrating an output example of the output unit 5.
  • the vertical axis represents the probability density D
  • the horizontal axis represents the model parameter value M.
  • the dotted line indicates the probability density function Fs when the number of Bayes updates (the number of learning) is S
  • the solid line indicates the probability density function Ft when the number of Bayes updates is T (> S).
  • a model parameter value corresponding to the average of the probability density function Fs is Ms
  • a model parameter value corresponding to the average of the probability density function Ft is Mt.
  • the probability density corresponding to the model parameter value Ms is Ds
  • the probability density corresponding to the model parameter value Mt is Dt.
  • the output unit 5 displays the combination of the probability density functions Fs and Ft and the model parameter values Ms and Mt corresponding to the average in the S and T times Bayesian update.
  • the standard deviation of the probability density function is larger and the likelihood of the model parameter value is lower as the number of Bayes updates (learning times) of the probability density function is smaller.
  • the standard deviation of the probability density function becomes smaller, and a model parameter value having a higher likelihood can be obtained. That is, the probability density Dt corresponding to the model parameter value Mt is higher than the probability density Ds corresponding to the model parameter value Ms.
  • the output unit 5 changes the transient response between the measured value V of the target product and the process parameter P obtained by inputting the model parameter value M corresponding to the average of the probability density function at an arbitrary number of updates to the plant model 2. May be output.
  • FIG. 5 is a diagram illustrating another output example of the output unit 5.
  • the vertical axis indicates the process value P
  • the horizontal axis indicates time t.
  • the solid line is the transition line L of the measured value (actual value) V of the target product
  • the dotted line is the transition line Ls of the process value Ps corresponding to the model parameter value Ms
  • the dotted line is the transition line Lt of the process value Pt corresponding to the model parameter value Mt. Is shown.
  • the likelihood of the model parameter value Mt is higher than the likelihood of the model parameter value Ms. Therefore, as shown in FIG.
  • the transition line Lt is closer to the shape of the transition line L than the transition line Ls (that is, the error of the process value Pt with respect to the measured value V is more than the error of the process value Ps with respect to the measured value V). Is also small).
  • FIG. 6 is a flowchart showing the procedure of the model parameter value estimation method according to the present embodiment.
  • the model parameter value estimation device 100 estimates the model parameter value when the measurement value of the target product is measured.
  • the model parameter information acquisition unit 34 inputs the model parameter item, the upper and lower limit values of the model parameter value, and the measurement value V (step S1).
  • the model parameter value output unit 35 generates a plurality of model parameter values M within the range of the upper limit and the lower limit value, and outputs them to the plant model 2 (step S2).
  • the process value input unit 36 inputs the process value P output from the plant model 2 (step S3).
  • the model parameter value output unit 35 determines whether or not all the plurality of model parameter values M have been output to the plant model 2 (step S4). If the model parameter value output unit 35 determines that all of the plurality of model parameter values M have been output to the plant model 2 (Yes), the model parameter value estimation apparatus 100 moves the procedure from step S4 to step S5. On the other hand, when the model parameter value output unit 35 determines that at least one of the plurality of model parameter values M is not output to the plant model 2 (No), the model parameter value estimation apparatus 100 displays the plurality of model parameter values M. Steps S2, S3, and S4 are repeated until it is determined that all are output to the plant model 2.
  • step S4 If it is determined in step S4 that all the plurality of model parameter values M have been output to the plant model 2, the evaluation value generation unit 37 determines the process value P for the measurement value V based on the difference between the process value P and the measurement value V. An evaluation value E indicating the accuracy evaluation is generated (step S5).
  • the scatter diagram generation unit 38 generates a scatter diagram showing the relationship between each model parameter value M and the evaluation value E (step S6).
  • the function regression unit 39 generates a function by function regression of the scatter diagram (step S7).
  • the probability density function acquisition unit 40 normalizes the function generated by the function regression unit 39 and acquires a probability density function related to the model parameter value (step S8).
  • the likelihood function acquisition unit 41 acquires a likelihood function in Bayesian update from the probability density function acquired by the probability density function acquisition unit 40 (step S9).
  • the Bayesian learning unit 33 uses the latest probability density function stored in the storage unit 4 as a prior distribution, performs Bayesian update using the likelihood function, and sets the probability density function related to the model parameter value as a posterior distribution. Generate (step S10).
  • the accumulating unit 4 accumulates the probability density function generated by the Bayesian update in the Bayesian learning unit 33 (Step S11).
  • the processing by the model parameter estimation apparatus 100 according to the present embodiment may be realized by a program stored in a computer.
  • the case where the process by the model parameter estimation apparatus 100 according to the present embodiment is realized by a program stored in a computer will be described.
  • FIG. 7 is a schematic diagram of a computer that realizes processing by the model parameter estimation apparatus 100 according to the present embodiment.
  • a computer 200 includes a CPU (Central Processing Unit) 201, an HDD (Hard Disk Drive) 202, a RAM (Random Access Memory) 203, a ROM (Read Only Memory) 204, and an I / O.
  • An O port 205, a keyboard 206, a recording medium 207, and a monitor 208 are provided as hardware.
  • the program executed by the computer 200 is stored in the ROM 204, and the CPU 201 reads out the program from the ROM 204 and executes it, whereby the plant model 2, the model parameter value estimation unit 3, the storage unit 4, and the like are stored in the RAM 203. Loaded and generated.
  • the model parameter items and the upper and lower limit values of the model parameter value are input by the keyboard 206 and transmitted to the CPU 201 via the I / O port 205 together with the measured value V measured by the measuring instrument 7.
  • An evaluation formula for generating an evaluation value, function data used for function regression, a probability density function related to a model parameter value, and the like are stored in a storage medium such as the HDD 202 and the ROM 204.
  • the probability density function generated by the Bayesian update is stored in a storage medium such as the HDD 202 and the ROM 204 and displayed on the monitor 208 via the I / O port 205.
  • the processing by the model parameter estimation apparatus 100 may be realized as a program for causing a computer to execute.
  • the above-described processing may be realized by installing such a program from a server or the like and causing the computer to execute the program.
  • a program can be recorded in the recording medium 207 and read by a computer to realize the above-described processing.
  • the recording medium 207 is a recording medium for optically, electrically or magnetically recording information such as a CD-ROM, flexible disk, magneto-optical disk, etc., and information is electrically recorded such as ROM, flash memory, etc.
  • Various types of media such as semiconductor memory can be used.
  • the plant model 2 is not limited to a configuration loaded on the RAM 203 when the CPU 201 reads out and executes a program from the ROM 204, and may be a configuration provided as hardware independent from the computer 200.
  • the model parameter value estimation apparatus 100 inputs a plurality of model parameter values M to the plant model 2 to obtain a plurality of process values P, and a plurality of process values for the measurement values V of the target product.
  • the graph relating to the accuracy evaluation of P is estimated as a probability density function, and this is regarded as a likelihood function, and the probability density function related to the model parameter value is Bayes updated.
  • the model parameter value estimation apparatus 100 estimates a probability density function from the accuracy evaluation of a plurality of process values P with respect to the measurement value V of the target product, and regards this as a likelihood function.
  • the Bayesian update can be applied even to an object where it is difficult to estimate a probability density function such as plant equipment characteristics. Therefore, even when the distribution shape and statistics of the probability density function related to the model parameter value are unknown or difficult to estimate (no prior knowledge), it is possible to estimate the model parameter value by applying Bayesian update.
  • the measurement data is supplemented using a plant model.
  • the validity of the calculation result of the plant model 2 can be improved even when the number of measurement data is small.
  • the validity of the calculation result of the plant model 2 is confirmed by inputting (reflecting) the model parameter value having a high likelihood estimated by the model parameter value estimation unit 3 to the plant model 2 again. Can be improved.
  • the output unit 5 is configured to compare and output the probability density functions before and after the Bayesian update. Therefore, for example, the user repeatedly performs the Bayesian update after the first time point and the probability density function at the time point (first time point) when the model parameter value currently input to the plant model 2 is estimated. The latest probability density function at the time point (second time point) can be displayed in comparison with the output unit 5. Thereby, the user can visually confirm the certainty of the model parameter value estimated from the standard deviation of the probability density function compared and displayed on the output unit 5, and updates the model parameter value input to the plant model 2. It is possible to determine whether or not it is necessary to perform (estimate again).
  • FIG. 8 is a schematic diagram of the model parameter value estimation apparatus according to the present embodiment.
  • parts that are the same as those of the model parameter value estimation apparatus 100 according to the first embodiment are given the same symbols, and descriptions thereof are omitted as appropriate.
  • the model parameter value estimation apparatus 101 is different from the model parameter value estimation apparatus 100 in that an optimal model parameter value search unit 43 is provided instead of the model parameter sensitivity analysis unit 31. .
  • Other configurations are the same as those of the model parameter value estimation apparatus 100.
  • the optimum model parameter value search unit 43 outputs a second model parameter information acquisition unit 44 and a second model parameter value output instead of the model parameter information acquisition unit 34 and the model parameter value output unit 35.
  • a portion 45 is provided.
  • Other configurations are the same as those of the model parameter sensitivity analysis unit 31.
  • the second model parameter information acquisition unit 44 is electrically connected to the input unit 1 and the measuring instrument 7.
  • the second model parameter information acquisition unit 44 includes two (two or more) model parameter items input to the input unit 1, the upper and lower limit values of the model parameter value, and the measuring instrument 7.
  • the acquired measurement value V is input.
  • the second model parameter value output unit 45 inputs two or more model parameter items input to the model parameter information acquisition unit 34 and the upper and lower limit values of the model parameter value, and the input upper and lower limit value ranges.
  • the model parameter values are changed at the same time to generate a plurality of model parameter values, which are output to the plant model 2.
  • a method of generating a plurality of model parameter values a method of generating by randomly changing model parameter values in the range of the upper limit and the lower limit value, a method of generating the model parameter values by equally dividing the range of the upper limit and the lower limit value
  • a method of searching using a known machine learning technique but there is no limitation as long as it is a method that can obtain a plurality of model parameter values dispersed within the range of the upper and lower limits.
  • a value that decreases the difference between the measured value of the target product and the process value is searched using an optimization algorithm based on multipoint search, many non-optimal solutions can be obtained simultaneously in the process of calculating the global optimal solution.
  • a scatter diagram showing the relationship between each model parameter value and the evaluation value as exemplified in FIG. 2 can be efficiently generated.
  • MOGA Multi-Objective Genetic Algorithm
  • NSGA-II Non-dominated Sorting Genetic Algorithms-II
  • SPEA2 Strength ElectrogenEthrepathErgentElevation
  • a pipe single pipe
  • simulators for engines, inverters, motors, vehicles, etc. used in model-based development of automobiles, and operations in power plants such as thermal power and nuclear power. It can also be applied to a characteristic simulator or the like.
  • the model parameter values are simultaneously changed to generate a plurality of model parameter values M and input to the plant model 2 to obtain a plurality of process values P. Therefore, even when the estimation target model parameter is two or more model parameters that affect each other, a scatter diagram showing the relationship between a plurality of model parameter values M and evaluation values E can be generated independently. As a result, even if the model parameter to be estimated is two or more model parameters that affect each other, the likelihood function is acquired based on the scatter diagram generated independently, and the probability density function related to the model parameter value is Bayesian.
  • the model parameter value can be estimated by updating.
  • FIG. 9 is a diagram illustrating the relationship between model parameters relating to static characteristics and dynamic characteristics.
  • the heat medium 46 having the mass flow rate G1, the pressure P1, and the temperature T1 discharged from the heat source device 48 flows into the pipe 47 connected to the heat source device 48 and flows through the pipe 47.
  • the heat quantity Q is received from the outside and discharged to the outside of the pipe 47.
  • the operating state of the heat source device 48 for example, the load of the heat source device 48 is set as an input condition of the plant model 2, and the measured values (mass flow rate G2_obs, pressure P2_obs at the outlet of the pipe 47 when this load changes with time). , Temperature T2_obs) and a process parameter (mass flow rate G2_cal, pressure P2_cal, temperature T2_cal) are estimated. If the load of the heat source device 48 is set to a certain value, the state of the heat medium 46 discharged from the heat source device 48 is also kept constant, so the mass of the heat medium 46 according to the load of the heat source device 48 The flow rate G1, the pressure P1, and the temperature T1 are model parameters relating to static characteristics.
  • the heat transfer area A, the pipe thickness d, the pipe fouling coefficient Rf, the delay time constant ⁇ , the coefficient k related to the heat transfer coefficient, etc. of the pipe 47 are model parameters related to dynamic characteristics because they affect the transient response.
  • the transient response is affected by the model parameters related to the static characteristics and the dynamic characteristics. It is difficult to uniquely estimate a model parameter value.
  • the estimation target model parameter is two or more model parameters that affect each other
  • the relationship between a plurality of model parameter values M and evaluation values E is shown. Scatter charts can be generated independently.
  • the model parameter value can be simultaneously estimated from the transient data for a multidimensional problem such as a model parameter related to static characteristics and a model parameter related to dynamic characteristics.
  • FIG. 10 is a schematic diagram of a model parameter value estimation apparatus according to the present embodiment.
  • parts that are the same as those of the model parameter value estimation apparatus 100 according to the first embodiment are given the same reference numerals, and descriptions thereof will be omitted as appropriate.
  • the model parameter value estimation device 102 is different from the model parameter value estimation device 100 in that a product state estimation unit 6 is provided.
  • Other configurations are the same as those of the model parameter value estimation apparatus 100.
  • the product state estimation unit 6 is electrically connected to the storage unit 4 and the output unit 5.
  • the product state estimation unit 6 estimates the state of the target product based on the transition of the model parameter value (model parameter average value) corresponding to the average of the probability density function related to the model parameter value stored in the storage unit 4. .
  • FIG. 11 is a diagram illustrating the transition of the model parameter average value.
  • the vertical axis represents the model parameter average value
  • the horizontal axis represents the number of updates of the probability density function. That is, the model parameter average value corresponding to the numbers 1, 2,..., N corresponds to the model parameter average value after the first update of 1, 2,.
  • the model parameter average value fluctuates in the initial stage (period until the fifth update) when the number of update of the model parameter value based on the measurement value of the target product is small. Thereafter, by repeating the Bayesian update, it is assumed that the model parameter average value converges to a constant value from the initial stage to the convergence period (period from the sixth update to the tenth update).
  • the model parameter average value changes monotonically, increases or fluctuates. This occurs (in FIG. 11, the model parameter average value monotonously decreases).
  • a method for detecting a change in the state of the target product a method in which the user visually determines the transition of the model parameter average value output from the output unit 5, a model parameter average value obtained based on a known data mining or machine learning method There is a method of detecting from the pattern learning of the data.
  • the detected change in the model parameter average value is simply due to variations in measured values or process values or due to state changes in the target product depends on the obtained probability density function. It can be judged from the standard deviation. Specifically, if the standard deviation of the probability density function is large, there is a high possibility that the model parameter average value has changed due to variations in measured values and process values. Conversely, if the standard deviation of the probability density function is sufficiently small, there is a high possibility that the model parameter average value has changed due to a change in the state of the target product.
  • the state of the target product can be estimated based on the transition of the model parameter average value. That is, the plant model 2 can be used for estimation of aging degradation and abnormality diagnosis of the target product.
  • the present invention is not limited to the above-described embodiments, and includes various modifications.
  • each of the above-described embodiments has been described in detail for easy understanding of the present invention, and is not necessarily limited to one having all the configurations described.
  • a part of the configuration of an embodiment can be replaced with the configuration of another embodiment, and the configuration of another embodiment can be added to the configuration of an embodiment. It is also possible to delete a part of the configuration of each embodiment.
  • the configuration in which the model parameter information acquisition unit 34 is electrically connected to the measuring instrument 7 and the measurement value V acquired by the measuring instrument 7 is input is illustrated.
  • an essential effect of the present invention is to provide a model parameter value estimation apparatus that can estimate a model parameter value even when the distribution shape and statistics regarding the probability density function are unknown or difficult to estimate.
  • the configuration is not necessarily limited to the above.
  • the configuration may be such that the user inputs the measurement value V acquired by the measuring instrument 7 to the model parameter information acquisition unit 34.
  • the configuration in which the model parameter value output unit 35 determines whether or not all the plurality of model parameter values are output to the plant model 2 has been exemplified.
  • the present invention is not necessarily limited to this configuration.
  • the function regression unit 39 searches for a function that matches the shape of the scatter diagram generated by the scatter diagram generation unit 38 from a plurality of function data stored in advance in the storage unit, and obtains a probability density function.
  • generated by the function regression part 39 was illustrated.
  • the storage unit stores a plurality of normalized function data in advance
  • the function regression unit 39 searches for a function that matches the shape of the scatter diagram generated by the scatter diagram generation unit 38 from the storage unit. It is also good.
  • the configuration in which the product state estimation unit 6 is provided in the model parameter value estimation apparatus 100 according to the first embodiment is exemplified.
  • the product state estimation unit 6 can be provided in the model parameter value estimation apparatus 101 according to the second embodiment, and even in this case, the effect according to the above-described third embodiment can be obtained.

Abstract

対象製品の動作を模擬する予め設定した物理モデルであって、モデルパラメータ値を入力しプロセス値を計算するプラントモデル（２）と、プロセス値に基づき、より尤度の高いモデルパラメータ値を推定するモデルパラメータ値推定部（３）と、モデルパラメータ値推定部（３）の演算結果を蓄積する蓄積部（４）と、モデルパラメータ値推定部（３）の演算結果を出力する出力部（５）とを備えたモデルパラメータ値推定装置（１００）において、モデルパラメータ値推定部（３）は、対象製品の計測値及びプラントモデル（２）で計算された複数のプロセス値を入力し、計測値に対する複数のプロセス値の精度評価に基づき生成した関数を尤度関数と見なして蓄積部（４）に蓄積された確率密度関数をベイズ更新する。これにより、確率密度関数についての分布形状や統計量が未知ないしは推定困難である場合でも、モデルパラメータ値を推定することができるモデルパラメータ値推定装置及び推定方法を提供できる。

Description

モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム
　本発明は、プラントモデルに入力するモデルパラメータ値を推定するモデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システムに関する。
　自動車、航空宇宙機器、発電プラント等を含む産業製品（以下、製品と言う）について、設計時における性能の検証や運用時におけるヘルスモニタリング（製品に取り付けられたセンサの測定値から、製品の異常やその予兆を検知する技術）に製品の動作を模擬したいわゆるプラントモデルが活用される場合がある。このプラントモデルは、大まかな動作の再現による製品の特性把握、安全性評価による製品の限界設計（安全性を確保できる限界の設計）、計測情報に基づく製品の状態の把握等に役立つ。従って、プラントモデルの計算結果の妥当性を向上させることで、プラントモデルを活用した検証をより高い精度で行うことができ、より付加価値の高いサービスを提供することができる。
　ところで、プラントモデルを活用する場合、製品の特性値をモデルパラメータ値として入力する必要がある。実機の試験データや運転データ等の計測値に基づき推定された適切なモデルパラメータ値を入力することで、プラントモデルの計算結果の妥当性を向上させることができる。モデルパラメータ値の推定技術に関し、製品特性に関する確率密度関数に対して、モデルパラメータ値を変動させたシミュレーションを複数回実行し、尤度が最大となるモデルパラメータ値を探索するものがある（特許文献１等を参照）。
特許５４１８４０８号公報
　特許文献１では、製品の特性に関する確率密度関数における標準偏差等の統計量をユーザが入力する必要がある。そのため、確率密度関数についての分布形状や統計量が未知である場合又は計測値のデータ数が不十分で推定困難である場合、モデルパラメータ値の推定精度に限界がある。
　本発明は上記に鑑みてなされたもので、確率密度関数についての分布形状や統計量が未知ないしは推定困難である場合でも、モデルパラメータ値を推定することができるモデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システムを提供することを目的とする。
　上記目的を達成するため、本発明は、対象製品の動作を模擬する予め設定した物理モデルであって、モデルパラメータ値を入力しプロセス値を計算するプラントモデルと、プロセス値に基づき、より尤度の高いモデルパラメータ値を推定するモデルパラメータ値推定部と、モデルパラメータ値推定部の演算結果を蓄積する蓄積部と、モデルパラメータ値推定部の演算結果を出力する出力部とを備えたモデルパラメータ値推定装置において、モデルパラメータ値推定部は、対象製品の計測値及びプラントモデルで計算された複数のプロセス値を入力し、計測値に対する複数のプロセス値の精度評価に基づき生成した関数を尤度関数と見なして蓄積部に蓄積された確率密度関数をベイズ更新することを特徴とする。
　本発明によれば、確率密度関数についての分布形状や統計量が未知ないしは推定困難である場合でも、モデルパラメータ値を推定することができるモデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システムを提供することができる。
本発明の第１実施形態に係るモデルパラメータ値推定装置の模式図である。 散布図生成部で生成された散布図の一例である。 尤度関数取得部で取得された尤度関数の一例を示す図である。 出力部の出力例を示す図である。 出力部５の他の出力例を示す図である。 本発明の第１実施形態に係るモデルパラメータ値の推定方法の手順を示したフローチャートである。 本発明の第１実施形態に係るモデルパラメータ推定装置による処理を実現するコンピュータの模式図である。 本発明の第２実施形態に係るモデルパラメータ値推定装置の模式図である。 静特性及び動特性に関するモデルパラメータの関係を説明する図である。 本発明の第３実施形態に係るモデルパラメータ値推定装置の模式図である。 モデルパラメータ平均値の推移を例示する図である。
　＜第１実施形態＞
　（構成）
　１．モデルパラメータ値推定装置またはシステム
　図１は、本実施形態に係るモデルパラメータ値推定装置の模式図である。図1に示すように、本実施形態に係るモデルパラメータ値推定装置１００は、入力部１、プラントモデル２、モデルパラメータ値推定部３、蓄積部４及び出力部５を備えている。なお、入力部１、モデルパラメータ値推定部３、蓄積部４、出力部５等が同一端末に纏めて格納されている場合もあり得るし、一部の要素が国内外の離れた場所にある端末・サーバに格納されてシステムとして構成されている場合もあり得る。
　２．入力部
　入力部１は、推定するモデルパラメータの項目（種類）並びに推定するモデルパラメータに関するモデルパラメータ値の上限及び下限値を入力するものである。推定するモデルパラメータの項目並びにモデルパラメータ値の上限及び下限値は、例えば、ユーザが入力部１に入力する。入力部１に入力されるモデルパラメータの項目は、１つでも良いし２つ以上でも良い。入力部１は、推定するモデルパラメータの項目並びにモデルパラメータ値の上限及び下限値を入力できるように構成されたものであれば限定されない。
　３．プラントモデル
　プラントモデルは、現実の製品の動作制御に用いる制御信号に対応する模擬の制御信号に基づいて製品の動作を模擬する予め設定した物理モデル（シミュレータ）の一種である。プラントモデルとしては、自動車のモデルベース開発におけるＭＩＬＳ（Ｍｏｄｅｌ　ｉｎ　ｔｈｅ　ｌｏｏｐ　ｓｉｍｕｌａｔｉｏｎ）やＳＩＬＳ（Ｓｏｆｔｗａｒｅ　ｉｎ　ｔｈｅ　ｌｏｏｐ　ｓｉｍｕｌａｔｉｏｎ）で用いられるエンジン、インバータ、モータ、車両等のシミュレータ、火力や原子力等の発電プラントにおけるガスや蒸気の物質収支や熱収支から内部を流れる流体の温度、圧力、流量等の過渡特性を計算する動特性シミュレータ等がある。プラントモデルは、シミュレーションの対象となる製品（以下、対象製品と言う）の種々の特性に関する計算モデルを組み合わせて成り立っている。計算モデルには、公知の流体力学の式から圧力や流量を計算する圧力・流量計算モデル、公知の熱力学の式や伝熱の式から温度や伝熱量を計算する温度・伝熱量計算モデル等がある。
　本実施形態に係るプラントモデル２は、モデルパラメータ値推定部３から複数のモデルパラメータ値Ｍを入力し、制御装置８から出力された模擬の制御信号Ｓに基づき対象製品の動作をシミュレーションして各モデルパラメータ値Ｍに対応する複数のプロセス値Ｐを計算するものである。対象製品を発電プラントとした場合、モデルパラメータ値には、配管の伝熱面積、厚み及び汚れ係数、ガスタービン負荷に応じたガスタービン排ガス温度や熱量、ガスタービン負荷の変化に対しガスタービン排ガスの熱回収により発生する蒸気の温度や質量流量の応答遅れの時定数、ガスタービン負荷に応じた前述の蒸気の温度や流量等が含まれる。プロセス値には、燃焼ガスの流量、温度及び圧力を含む発電プラント中を流れるガスや蒸気の流量、温度及び圧力のように計測器で直接取得できるもの、ガスタービン、石炭ボイラ及び蒸気タービンの負荷やプラント構造体内部の熱応力など計測器の計測値に基づき間接的に取得できるものが含まれる。
　４．モデルパラメータ値推定部
　モデルパラメータ値推定部３は、プロセス値に基づき、より尤度の高いモデルパラメータ値を推定するものである。本実施形態では、モデルパラメータ値推定部３は、対象製品に設けられた計測器７により対象製品の運転中に取得された計測値Ｖとプラントモデル２で計算された複数のプロセス値Ｐとを入力し、計測値Ｖに対する複数のプロセス値Ｐの精度評価に基づき生成した関数を尤度関数と見なして、蓄積部４に蓄積された確率密度関数をベイズ更新することにより、尤度の高いモデルパラメータ値を推定する。モデルパラメータ値推定部３に入力される計測値Ｖは、プラントモデル２で計算されるプロセス値Ｐに対応するものとなっている。例えば、プラントモデル２で計算されるプロセス値Ｐが燃焼ガスの温度であれば、モデルパラメータ値推定部３に入力される計測値Ｖも燃焼ガスの温度となる。モデルパラメータ値推定部３は、モデルパラメータ感度解析部３１、尤度関数生成部３２及びベイズ学習部３３を備えている。
　４－１．モデルパラメータ感度解析部
　モデルパラメータ感度解析部３１は、計測値Ｖに対する複数のプロセス値Ｐの精度評価を示す評価値に基づき、各モデルパラメータ値Ｍと評価値の関係を示す散布図を生成するものである。モデルパラメータ感度解析部３１は、モデルパラメータ情報取得部３４、モデルパラメータ値出力部３５、プロセス値入力部３６、評価値生成部３７及び散布図生成部３８を備えている。
　・モデルパラメータ情報取得部
　モデルパラメータ情報取得部３４は、入力部１及び計測器７と電気的に接続している。本実施形態では、モデルパラメータ情報取得部３４は、入力部１に入力されたモデルパラメータの項目並びにモデルパラメータ値の上限及び下限値と、計測器７により取得された計測値Ｖとを入力するものである。
　・モデルパラメータ値出力部
　モデルパラメータ値出力部３５は、モデルパラメータ情報取得部３４に入力されたモデルパラメータの項目並びにモデルパラメータ値の上限及び下限値を入力し、入力した上限及び下限値の範囲内でモデルパラメータ値を変化させて複数のモデルパラメータ値を生成し、プラントモデル２に出力するものである。複数のモデルパラメータ値を生成する方法としては、上限及び下限値の範囲でモデルパラメータ値をランダムに変化させて生成する方法、上限及び下限値の範囲でモデルパラメータ値を等分割して生成する方法、公知の機械学習技術を用いて探索する方法等があるが、上限及び下限値の範囲で分散した複数のモデルパラメータ値が得られる方法であれば限定されない。
　本実施形態では、モデルパラメータ値出力部３５は、上述した機能に加えて、複数のモデルパラメータ値が全てプラントモデル２に出力されたか否かを判断する機能を有している。例えば、上限及び下限値の範囲で複数のモデルパラメータ値をランダムに生成する場合、モデルパラメータ値出力部３５は、プラントモデル２に出力したモデルパラメータ値の個数ｘが生成されたモデルパラメータ値の個数Ｘに達しているか否かを判断する。
　本実施形態では、モデルパラメータ値出力部３５は、入力したモデルパラメータの項目が２つ以上の場合、１つの項目に対応するモデルパラメータについて複数のモデルパラメータ値を生成し、他の項目に対応するモデルパラメータについてはモデルパラメータ値を固定値としてプラントモデル２に出力する。モデルパラメータ値出力部３５は、１つの項目に対応するモデルパラメータについて計算が完了した後、他の項目に対応するモデルパラメータについて複数のモデルパラメータ値を生成しプラントモデル２に出力する。モデルパラメータ値出力部３５は、上述の動作を入力したモデルパラメータの項目毎に繰り返す。
　・プロセス値入力部
　プロセス値入力部３６は、各モデルパラメータ値Ｍに対応してプラントモデル２から出力される複数のプロセス値Ｐを入力するものである。
　・評価値生成部
　評価値生成部３７は、プロセス値入力部３６から複数のプロセス値Ｐ、モデルパラメータ情報取得部３４から計測値Ｖをそれぞれ入力し、複数のプロセス値Ｐと計測値Ｖとの差分に基づき、予め定義された評価式から、計測値Ｖに対する複数のプロセス値Ｐの精度評価を示す評価値Ｅを生成するものである。
　評価式は、プロセス値Ｐと計測値Ｖの差分が小さいほど評価値を高く生成するように定義されている。評価式としては、例えば、プロセス値Ｐと計測値Ｖの差分の絶対値を計測値Ｖに対する誤差とし、この絶対値を１００で除して得られる数値を１から減算して評価するものがある。なお、計測値Ｖに対する複数のプロセス値Ｐの精度評価は、計測値Ｖと複数のプロセス値Ｐの瞬間的な最大誤差や差分の推移を時間平均する等、計測値Ｖに対する複数のプロセス値Ｐの精度を評価できるものであれば限定されない。
　・散布図生成部
　散布図生成部３８は、モデルパラメータ値出力部３５から各モデルパラメータ値Ｍ、評価値生成部３７から各モデルパラメータ値Ｍに対応する評価値Ｅをそれぞれ入力し、入力した各モデルパラメータ値Ｍと評価値Ｅとの関係を示す散布図を生成するものである。
　図２は、散布図生成部３８で生成された散布図の一例である。縦軸は評価値Ｅ、横軸は各モデルパラメータ値Ｍを示している。図２に例示された散布図では、モデルパラメータ値Ｍａに対応する評価値Ｅａが最も高いため、モデルパラメータ値Ｍａに対応するプロセス値Ｐａと計測値Ｖとの差分が最も小さくなっている。一方、モデルパラメータ値Ｍｂに対応する評価値Ｅｂは評価値Ｅａより低いため、モデルパラメータ値Ｍｂに対応するプロセス値Ｐｂと計測値Ｖとの差分はプロセス値Ｐａと計測値Ｖとの差分より大きくなっている。
　４－２．尤度関数生成部
　尤度関数生成部３２は、散布図生成部３８で生成された散布図に基づき確率密度関数を取得し、尤度関数を生成（取得）するものである。尤度関数生成部３２は、関数回帰部３９、確率密度関数取得部４０及び尤度関数取得部４１を備えている。
　・関数回帰部
　関数回帰部３９は、散布図生成部３８と電気的に接続している。関数回帰部３９は、散布図生成部３８で生成された散布図を入力し、入力した散布図を関数回帰して関数を生成するものである。関数回帰の方法としては、例えば、記憶部（不図示）に予め記憶された複数の関数データから、公知の機械学習を用いて、散布図生成部３８で生成された散布図の形状に合うような関数を探索する方法がある。なお、関数回帰の方法は、散布図生成部３８で生成された散布図の各データとの距離（差分）を小さくするような関数が得られる方法であれば限定されない。
　・確率密度関数取得部
　確率密度関数取得部４０は、関数回帰部３９で生成された関数を入力し、入力した関数を正規化して得られた関数を各モデルパラメータ値Ｍの確からしさを示す確率密度関数と見なすものである。本実施形態では、確率密度関数取得部４０は、関数回帰部３９で生成された関数を入力部１に入力されたモデルパラメータ値の上限及び下限値の範囲に沿って積分した値が１になるように正規化する。
　・尤度関数取得部
　尤度関数取得部４１は、確率密度関数取得部４０で取得された確率密度関数を入力し、入力した確率密度関数をベイズ更新における尤度関数と見なして出力するものである。なお、本実施形態では、確率密度関数取得部４０が関数回帰部３９で生成された関数を正規化して得られる関数を確率密度関数と見なし、尤度関数取得部４１が確率密度関数取得部４０で取得された確率密度関数をベイズ更新における尤度関数と見なして出力する構成を例示した。しかしながら、必ずしも上述した構成に限定されない。例えば、尤度関数取得部４１が、確率密度関数取得部４０を備えており、関数回帰部３９で生成された関数を入力し、入力した関数を正規化して確率密度関数と見なし尤度関数として出力するように構成しても良い。
　図３は、尤度関数取得部４１で取得された尤度関数の一例を示す図である。縦軸は確率密度Ｄ、横軸は各モデルパラメータ値Ｍを示している。図３に例示した尤度関数では、モデルパラメータ値Ｍａに対応する確率密度Ｄａは最も高くなっており、モデルパラメータ値Ｍｂに対応する確率密度Ｄｂは確率密度Ｄａよりも低くなっている。
　４－３．ベイズ学習部
　ベイズ学習部３３は、尤度関数取得部４１及び蓄積部４と電気的に接続している。ベイズ学習部３３は、尤度関数取得部４１で取得された尤度関数を入力し、蓄積部４に蓄積されたモデルパラメータ値に関する確率密度関数のうち最新のものを読み込んで、読み込んだ確率密度関数を事前分布データとして、入力した尤度関数を用いてベイズ更新し、モデルパラメータ値に関する確率密度関数を事後分布データとして生成するものである。
　５．蓄積部
　蓄積部４は、モデルパラメータ値推定部３の演算結果を蓄積するものである。具体的に、蓄積部４は、ベイズ学習部３３においてベイズ更新により生成されたモデルパラメータ値に関する確率密度関数を入力し蓄積する。本実施形態では、蓄積部４には、過去のベイズ更新（最新のベイズ更新より前のベイズ更新）により生成された各確率密度関数が蓄積されている。
　６．出力部
　出力部５は、モデルパラメータ値推定部３の演算結果を出力するものである。具体的に、出力部５は、蓄積部４に蓄積された確率密度関数を読み込んで出力する。出力部５は、確率密度関数を表示する表示装置等である。本実施形態では、出力部５は、蓄積部４に蓄積された複数の確率密度関数のうち、任意の更新回数における確率密度関数とその平均に対応するモデルパラメータ値の組み合わせを１つ以上表示するように構成されている。
　図４は、出力部５の出力例を示す図である。縦軸は確率密度Ｄ、横軸はモデルパラメータ値Ｍを示している。点線はベイズ更新の回数（学習回数）がＳ回の場合における確率密度関数Ｆｓ、実線はベイズ更新の回数がＴ（＞Ｓ）回の場合における確率密度関数Ｆｔを示している。また、確率密度関数Ｆｓの平均に対応するモデルパラメータ値をＭｓ、確率密度関数Ｆｔの平均に対応するモデルパラメータ値をＭｔとする。また、モデルパラメータ値Ｍｓに対応する確率密度をＤｓ、モデルパラメータ値Ｍｔに対応する確率密度をＤｔとする。図４に示した出力例では、出力部５は、Ｓ回及びＴ回のベイズ更新における確率密度関数Ｆｓ，Ｆｔとその平均に対応するモデルパラメータ値Ｍｓ，Ｍｔの組み合わせを表示している。
　図４に示すように、確率密度関数のベイズ更新の回数（学習回数）が少ないほど、確率密度関数の標準偏差が大きくモデルパラメータ値の尤度は低くなる。一方、計測値Ｖのデータ数が増えて学習が進む（ベイズ更新が繰り返される）ほど、確率密度関数の標準偏差が小さくなり尤度の高いモデルパラメータ値が得られるようになる。つまり、モデルパラメータ値Ｍｔに対応する確率密度Ｄｔは、モデルパラメータ値Ｍｓに対応する確率密度Ｄｓよりも高くなる。
　更に、出力部５は、対象製品の計測値Ｖと任意の更新回数における確率密度関数の平均に対応するモデルパラメータ値Ｍをプラントモデル２に入力して得られるプロセス値Ｐとの過渡応答の推移を比較して出力しても良い。
　図５は、出力部５の他の出力例を示す図である。縦軸はプロセス値Ｐ、横軸は時間ｔを示している。実線は対象製品の計測値（実測値）Ｖの推移線Ｌ、点線はモデルパラメータ値Ｍｓに対応するプロセス値Ｐｓの推移線Ｌｓ、点線はモデルパラメータ値Ｍｔに対応するプロセス値Ｐｔの推移線Ｌｔを示している。上述したように、モデルパラメータ値Ｍｔの尤度は、モデルパラメータ値Ｍｓの尤度より高くなっている。そのため、図５に示すように、推移線Ｌｔは推移線Ｌｓに比べて推移線Ｌの形状に近くなる（つまり、計測値Ｖに対するプロセス値Ｐｔの誤差は計測値Ｖに対するプロセス値Ｐｓの誤差よりも小さい）。
　（動作）
　図６は、本実施形態に係るモデルパラメータ値の推定方法の手順を示したフローチャートである。
　本実施形態では、モデルパラメータ値推定装置１００は、対象製品の計測値が計測された場合にモデルパラメータ値を推定する。
　対象製品の計測値Ｖが計測されると、モデルパラメータ情報取得部３４は、モデルパラメータの項目並びにモデルパラメータ値の上限及び下限値と、計測値Ｖとを入力する（ステップＳ１）。
　続いて、モデルパラメータ値出力部３５は、上限及び下限値の範囲で複数のモデルパラメータ値Ｍを生成し、プラントモデル２に出力する（ステップＳ２）。
　続いて、プロセス値入力部３６は、プラントモデル２から出力されたプロセス値Ｐを入力する（ステップＳ３）。
　続いて、モデルパラメータ値出力部３５は、複数のモデルパラメータ値Ｍが全てプラントモデル２に出力されたか否かを判断する（ステップＳ４）。モデルパラメータ値出力部３５が複数のモデルパラメータ値Ｍが全てプラントモデル２に出力されたと判断した場合（Ｙｅｓ）、モデルパラメータ値推定装置１００は、ステップＳ４からステップＳ５に手順を移す。反対に、モデルパラメータ値出力部３５が複数のモデルパラメータ値Ｍの少なくとも１つがプラントモデル２に出力されていないと判断した場合（Ｎｏ）、モデルパラメータ値推定装置１００は、複数のモデルパラメータ値Ｍが全てプラントモデル２に出力されたと判断されるまでステップＳ２，Ｓ３，Ｓ４を繰り返す。
　ステップＳ４において複数のモデルパラメータ値Ｍが全てプラントモデル２に出力されたと判断された場合、評価値生成部３７は、プロセス値Ｐと計測値Ｖとの差分に基づき、計測値Ｖに対するプロセス値Ｐの精度評価を示す評価値Ｅを生成する（ステップＳ５）。
　続いて、散布図生成部３８は、各モデルパラメータ値Ｍと評価値Ｅとの関係を示す散布図を生成する（ステップＳ６）。
　続いて、関数回帰部３９は、散布図を関数回帰して関数を生成する（ステップＳ７）。
　続いて、確率密度関数取得部４０は、関数回帰部３９で生成された関数を正規化し、モデルパラメータ値に関する確率密度関数を取得する（ステップＳ８）。
　続いて、尤度関数取得部４１は、確率密度関数取得部４０で取得された確率密度関数から、ベイズ更新における尤度関数を取得する（ステップＳ９）。
　続いて、ベイズ学習部３３は、蓄積部４に蓄積された確率密度関数のうち最新のものを事前分布として、尤度関数を用いてベイズ更新し、モデルパラメータ値に関する確率密度関数を事後分布として生成する（ステップＳ１０）。
　続いて、蓄積部４は、ベイズ学習部３３においてベイズ更新により生成された確率密度関数を蓄積する（ステップＳ１１）。
　本実施形態に係るモデルパラメータ推定装置１００による処理は、コンピュータに格納されたプログラムで実現されても良い。以下、本実施形態に係るモデルパラメータ推定装置１００による処理をコンピュータに格納されたプログラムで実現する場合を説明する。
　図７は、本実施形態に係るモデルパラメータ推定装置１００による処理を実現するコンピュータの模式図である。図７に示すように、本実施形態に係るコンピュータ２００は、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）２０１、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）２０２、ＲＡＭ（Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）２０３、ＲＯＭ（Ｒｅａｄ　Ｏｎｌｙ　Ｍｅｍｏｒｙ）２０４、Ｉ／Ｏポート２０５、キーボード２０６、記録媒体２０７及びモニタ２０８をハードウェアとして備えている。
　本実施形態では、コンピュータ２００で実行されるプログラムはＲＯＭ２０４に記憶されており、ＣＰＵ２０１がＲＯＭ２０４からプログラムを読み出して実行することにより、プラントモデル２、モデルパラメータ値推定部３、蓄積部４等がＲＡＭ２０３上にロードされ、生成される。本実施形態では、モデルパラメータの項目並びにモデルパラメータ値の上限及び下限値はキーボード２０６で入力され、計測器７で計測された計測値ＶとともにＩ／Ｏポート２０５を介してＣＰＵ２０１に伝達される。また、評価値を生成するための評価式、関数回帰に用いられる関数データ、モデルパラメータ値に関する確率密度関数等は、ＨＤＤ２０２、ＲＯＭ２０４等の記憶媒体に格納されている。また、ベイズ更新により生成された確率密度関数は、ＨＤＤ２０２、ＲＯＭ２０４等の記憶媒体に格納されるとともに、Ｉ／Ｏポート２０５を介してモニタ２０８に表示される。
　このように、本実施形態に係るモデルパラメータ推定装置１００による処理は、コンピュータに実行させるためのプログラムとして実現されても良い。例えば、このようなプログラムをサーバ等からインストールしてコンピュータに実行させることにより、前述した処理を実現しても良い。また、このようなプログラムを記録媒体２０７に記録し、これをコンピュータに読み取らせて、前述した処理を実現させることも可能である。記録媒体２０７としては、ＣＤ－ＲＯＭ、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的或いは磁気的に記録する記録媒体、ＲＯＭ，フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等、様々なタイプの媒体を用いることができる。プラントモデル２は、ＣＰＵ２０１がＲＯＭ２０４からプログラムを読み出して実行することでＲＡＭ２０３上にロードされる構成に限定されず、コンピュータ２００とは別の独立したハードウェアとして設けられている構成でも良い。
　（効果）
　（１）本実施形態に係るモデルパラメータ値推定装置１００は、複数のモデルパラメータ値Ｍをプラントモデル２に入力して複数のプロセス値Ｐを取得し、対象製品の計測値Ｖに対する複数のプロセス値Ｐの精度評価に関するグラフを確率密度関数と推定し、これを尤度関数と見なしてモデルパラメータ値に関する確率密度関数をベイズ更新している。このように、本実施形態に係るモデルパラメータ値推定装置１００では、対象製品の計測値Ｖに対する複数のプロセス値Ｐの精度評価から確率密度関数と推定し、これを尤度関数と見なしている。そのため、プラントの機器特性のような確率密度関数の推定が困難な対象についてもベイズ更新を適用することができる。従って、モデルパラメータ値に関する確率密度関数について分布形状や統計量が未知ないしは推定困難である（事前知識がない）場合でも、ベイズ更新を適用しモデルパラメータ値を推定することができる。
　また、一般的に、確率密度関数を求めるには莫大な計測データが必要とされるが、本実施形態に係るモデルパラメータ値推定装置１００のように、プラントモデルを利用して計測データを補うことにより、計測データ数が少ない場合でもプラントモデル２の計算結果の妥当性を向上させることができる。
　（２）本実施形態では、モデルパラメータ値推定部３で推定された尤度の高いモデルパラメータ値をプラントモデル２に入力し直す（反映させる）ことにより、プラントモデル２の計算結果の妥当性を向上させることができる。
　（３）本実施形態では、出力部５は、ベイズ更新前後の確率密度関数を比較して出力するように構成されている。そのため、ユーザは、例えば、プラントモデル２に現在入力されているモデルパラメータ値を推定した時点（第１の時点）における確率密度関数と、第１の時点より後であってベイズ更新が繰り返し行われた時点（第２の時点）における最新の確率密度関数とを出力部５に比較して表示させることができる。これにより、ユーザは、出力部５に比較表示された確率密度関数の標準偏差から推定されたモデルパラメータ値の確からしさを目視で確認することができ、プラントモデル２に入力するモデルパラメータ値を更新する（推定し直す）必要があるか否かを判断することができる。
　（４）適切な（つまり、真値に近い）モデルパラメータ値をプラントモデルに入力することで、プラントモデルの計算結果の妥当性を向上させることができる。そのため、本実施形態に係るモデルパラメータ値推定装置で推定されたモデルパラメータ値をプラントモデルに入力することにより、プラントモデルの計算結果の妥当性を向上させることができ得る。従って、このプラントモデルを活用し、対象製品の制御方式を検討し直して、制御方式を改善することも可能である。
　＜第２実施形態＞
　（構成）
　図８は、本実施形態に係るモデルパラメータ値推定装置の模式図である。図８において、上記第１実施形態に係るモデルパラメータ値推定装置１００と同等の部分には同一の記号を付し、適宜説明を省略する。
　図８に示すように、本実施形態に係るモデルパラメータ値推定装置１０１は、モデルパラメータ感度解析部３１の代わりに最適モデルパラメータ値探索部４３を備えている点でモデルパラメータ値推定装置１００と異なる。その他の構成は、モデルパラメータ値推定装置１００と同様である。
　図８に示すように、最適モデルパラメータ値探索部４３は、モデルパラメータ情報取得部３４及びモデルパラメータ値出力部３５の代わりに、第２のモデルパラメータ情報取得部４４及び第２のモデルパラメータ値出力部４５を備えている。その他の構成は、モデルパラメータ感度解析部３１と同様である。
　第２のモデルパラメータ情報取得部４４は、入力部１及び計測器７と電気的に接続している。本実施形態では、第２のモデルパラメータ情報取得部４４は、入力部１に入力された２つ（２種類）以上のモデルパラメータの項目並びにモデルパラメータ値の上限及び下限値と、計測器７により取得された計測値Ｖとを入力するものである。
　第２のモデルパラメータ値出力部４５は、モデルパラメータ情報取得部３４に入力された２つ以上のモデルパラメータの項目並びにモデルパラメータ値の上限及び下限値を入力し、入力した上限及び下限値の範囲内でモデルパラメータ値を同時に変化させて複数のモデルパラメータ値を生成し、プラントモデル２に出力するものである。複数のモデルパラメータ値を生成する方法としては、上限及び下限値の範囲でモデルパラメータ値をランダムに変化させて生成する方法、上限及び下限値の範囲でモデルパラメータ値を等分割して生成する方法、公知の機械学習技術を用いて探索する方法等があるが、上限及び下限値の範囲で分散した複数のモデルパラメータ値が得られる方法であれば限定されない。なお、多点探索による最適化アルゴリズムを用いて対象製品の計測値とプロセス値の差分が小さくなるような値を探索すると、大域的最適解が計算される過程で多くの非最適解が同時に得られるため、図２に例示したような各モデルパラメータ値と評価値の関係を示す散布図を効率的に生成することができる。多点探索による最適化アルゴリズムとしては、遺伝的アルゴリズムやこれを多目的最適化に拡張したＭＯＧＡ（Ｍｕｌｔｉ－Ｏｂｊｅｃｔｉｖｅ　Ｇｅｎｅｔｉｃ　Ａｌｇｏｒｉｔｈｍ）、ＮＳＧＡ－ＩＩ（Ｎｏｎ－ｄｏｍｉｎａｔｅｄ　Ｓｏｒｔｉｎｇ　Ｇｅｎｅｔｉｃ　Ａｌｇｏｒｉｔｈｍｓ－ＩＩ）、ＳＰＥＡ２（Ｓｔｒｅｎｇｔｈ　Ｐａｒｅｔｏ　Ｅｖｏｌｕｔｉｏｎａｒｙ　Ａｌｇｏｒｉｔｈｍ－ＩＩ）又は粒子群最適化法等がある。
　本実施形態では、モデルパラメータについて配管（単管）における計算を例に示したが、自動車のモデルベース開発で用いられるエンジン、インバータ、モータ、車両等のシミュレータ、火力や原子力等の発電プラントにおける動特性シミュレータ等にも適用することができる。
　（効果）
　上記構成により、本実施形態では上述した第１実施形態で得られる各効果に加えて、次の効果が得られる。
　本実施形態では、推定対象のモデルパラメータについて、モデルパラメータ値を同時に変化させて複数のモデルパラメータ値Ｍを生成してプラントモデル２に入力し、複数のプロセス値Ｐを取得している。そのため、推定対象のモデルパラメータが相互に影響を与える２つ以上のモデルパラメータである場合でも、複数のモデルパラメータ値Ｍと評価値Ｅの関係を示す散布図を独立して生成することができる。これにより、推定対象のモデルパラメータが相互に影響を与える２つ以上のモデルパラメータである場合でも、独立して生成した散布図に基づき尤度関数を取得し、モデルパラメータ値に関する確率密度関数をベイズ更新することでモデルパラメータ値を推定することができる。
　相互に影響を与える２つ以上のモデルパラメータについて説明する。相互に影響を与える２つ以上のモデルパラメータとしては、例えば、静特性に関するモデルパラメータと動特性に関するモデルパラメータがある。図９は、静特性及び動特性に関するモデルパラメータの関係を説明する図である。図９に例示するように、本実施形態では、熱源装置４８から排出された質量流量Ｇ１，圧力Ｐ１，温度Ｔ１の熱媒体４６が熱源装置４８に接続した配管４７に流入し、配管４７を流れつつ外部から熱量Ｑを受けて、配管４７の外部に排出される場合を仮定する。このとき、熱源装置４８の稼動状態、例えば、熱源装置４８の負荷をプラントモデル２の入力条件とし、この負荷が時間的に変化したときの配管４７の出口における計測値（質量流量Ｇ２_obs，圧力Ｐ２_obs，温度Ｔ２_obs）とプロセス値（質量流量Ｇ２_cal，圧力Ｐ２_cal，温度Ｔ２_cal）が一致するようなモデルパラメータ値を推定する場合を考える。熱源装置４８の負荷がある一定の値に整定していれば、熱源装置４８から排出される熱媒体４６の状態も一定に保たれるため、熱源装置４８の負荷に応じた熱媒体４６の質量流量Ｇ１，圧力Ｐ１，温度Ｔ１は、静特性に関するモデルパラメータとなる。一方、配管４７の伝熱面積Ａや配管厚みｄ、配管汚れ係数Ｒｆ、遅れ時定数τ、熱伝達率に関する係数ｋ等は、過渡応答に影響を及ぼすため動特性に関するモデルパラメータとなる。質量流量Ｇ２_obs，圧力Ｐ２_obs，温度Ｔ２_obsについて、過渡応答における計測値しか得られなかった場合、この過渡応答は静特性及び動特性に関するモデルパラメータ相互の影響を受けるため、計測値とプロセス値が合うようなモデルパラメータ値を一意に推定することは困難である。
　これに対し、上述したように、本実施形態では、推定対象のモデルパラメータが相互に影響を与える２つ以上のモデルパラメータである場合でも、複数のモデルパラメータ値Ｍと評価値Ｅの関係を示す散布図を独立して生成することができる。これにより、静特性に関するモデルパラメータ及び動特性に関するモデルパラメータのような多次元問題についても、モデルパラメータ値を過渡データから同時に推定することができる。
　＜第３実施形態＞
　（構成）
　図１０は、本実施形態に係るモデルパラメータ値推定装置の模式図である。図１０において、上記第１実施形態に係るモデルパラメータ値推定装置１００と同等の部分には同一の記号を付し、適宜説明を省略する。
　図１０に示すように、本実施形態に係るモデルパラメータ値推定装置１０２は、製品状態推定部６を備えている点でモデルパラメータ値推定装置１００と異なる。その他の構成は、モデルパラメータ値推定装置１００と同様である。
　図１０に示すように、製品状態推定部６は、蓄積部４及び出力部５と電気的に接続している。製品状態推定部６は、蓄積部４に蓄積されたモデルパラメータ値に関する確率密度関数の平均に対応するモデルパラメータ値（モデルパラメータ平均値）の推移に基づき、対象製品の状態を推定するものである。
　図１１は、モデルパラメータ平均値の推移を例示する図である。縦軸はモデルパラメータ平均値、横軸は確率密度関数の更新回数を示している。つまり、番号１，２，・・・，ｎに対応するモデルパラメータ平均値は、１，２，・・・，ｎ回目の更新後のモデルパラメータ平均値にあたる。図１１に示すように、対象製品の測定値に基づくモデルパラメータ値の更新回数が少ない初期（５回目の更新までの期間）では、モデルパラメータ平均値は変動する。その後、ベイズ更新が繰り返されることにより、初期から収束期（６回目の更新から１０回目の更新までの期間）に移行し、モデルパラメータ平均値は一定値に収束することが想定される。その後、収束期から経年劣化期（１１回目の更新から１４回目の更新までの期間）に移行し対象製品に経年劣化が発生すると、モデルパラメータ平均値に単調減少、単調増加ないしは変動等の変化が生じる（図１１では、モデルパラメータ平均値が単調減少する）。対象製品の状態変化を検知する方法としては、出力部５が出力したモデルパラメータ平均値の推移からユーザが目視で判断する方法、公知のデータマイニングや機械学習手法に基づき得られたモデルパラメータ平均値のデータのパターン学習から検知する方法等がある。
　なお、検出されたモデルパラメータ平均値の変化が、単に計測値やプロセス値のばらつきに起因するものであるのか又は対象製品の状態変化に起因するものであるのかは、得られた確率密度関数の標準偏差から判断することができる。具体的に、確率密度関数の標準偏差が大きければ、計測値やプロセス値のばらつきに起因してモデルパラメータ平均値の変化している可能性が高い。反対に、確率密度関数の標準偏差が十分小さければ、対象製品の状態変化に起因してモデルパラメータ平均値の変化している可能性が高い。
　（効果）
　上記構成により、本実施形態では上述した第１実施形態で得られる各効果に加えて、次の効果が得られる。
　本実施形態では、モデルパラメータ平均値の推移に基づき、対象製品の状態を推定することができる。つまり、プラントモデル２を対象製品の経年劣化や異常診断の推定に活用することができる。
　＜その他＞
　本発明は上述した各実施形態に限定されるものではなく、様々な変形例が含まれる。例えば、上述した各実施形態は本発明を分かりやすく説明するために詳細に説明したものであり、必ずしも説明した全ての構成を備えるものに限定されるものではない。例えば、ある実施形態の構成の一部を他の実施形態の構成に置き換えることも可能であり、ある実施形態の構成に他の実施形態の構成を追加することも可能である。また、各実施形態の構成の一部を削除することも可能である。
　上述した各実施形態では、モデルパラメータ情報取得部３４が計測器７と電気的に接続し、計測器７により取得された計測値Ｖを入力する構成を例示した。しかしながら、本発明の本質的効果は、確率密度関数についての分布形状や統計量が未知ないしは推定困難である場合でも、モデルパラメータ値を推定することができるモデルパラメータ値推定装置を提供することであり、この本質的効果を得る限りにおいては、必ずしも上述した構成に限定されない。例えば、ユーザが計測器７により取得された計測値Ｖをモデルパラメータ情報取得部３４に入力する構成としても良い。
　また、上述した各実施形態では、モデルパラメータ値出力部３５が複数のモデルパラメータ値が全てプラントモデル２に出力されたか否かを判断する構成を例示した。しかしながら、上述した本発明の本質的効果を得る限りにおいては、必ずしもこの構成に限定されない。例えば、複数のモデルパラメータ値が全てプラントモデル２に出力されたか否かを判断する装置を別途設ける構成としても良い。
　また、上述した各実施形態では、関数回帰部３９が記憶部に予め記憶された複数の関数データから散布図生成部３８で生成された散布図の形状に合う関数を探索し、確率密度関数取得部４０が関数回帰部３９で生成された関数を正規化する構成を例示した。しかしながら、上述した本発明の本質的効果を得る限りにおいては、必ずしもこの構成に限定されない。例えば、記憶部に正規化された複数の関数データを予め記憶させておき、関数回帰部３９が記憶部から散布図生成部３８で生成された散布図の形状に合うような関数を探索する構成としても良い。
　また、上述した第３実施形態では、第１実施形態に係るモデルパラメータ値推定装置１００に製品状態推定部６を設けた構成を例示した。しかしながら、第２実施形態に係るモデルパラメータ値推定装置１０１に製品状態推定部６を設けることも可能であり、その場合でも上述した第３実施形態に係る効果を得ることができる。
２　プラントモデル
３　モデルパラメータ値推定部
４　蓄積部
５　出力部
１００　モデルパラメータ値推定装置

Claims (14)

  1. 　対象製品の動作を模擬する予め設定した物理モデルであって、モデルパラメータ値を入力しプロセス値を計算するプラントモデルと、前記プロセス値に基づき、より尤度の高い前記モデルパラメータ値を推定するモデルパラメータ値推定部と、前記モデルパラメータ値推定部の演算結果を蓄積する蓄積部と、前記モデルパラメータ値推定部の演算結果を出力する出力部とを備えたモデルパラメータ値推定装置において、
    　前記モデルパラメータ値推定部は、前記対象製品の計測値及び前記プラントモデルで計算された複数のプロセス値を入力し、前記計測値に対する前記複数のプロセス値の精度評価に基づき生成した関数を尤度関数と見なして前記蓄積部に蓄積された確率密度関数をベイズ更新することを特徴とするモデルパラメータ値推定装置。
  2. 　請求項１に記載のモデルパラメータ値推定装置において、
    　前記出力部は、ベイズ更新前後の確率密度関数を比較して出力することを特徴とするモデルパラメータ値推定装置。
  3. 　請求項１に記載のモデルパラメータ値推定装置において、
    　前記モデルパラメータ値推定部は、
    　前記モデルパラメータ値の上限及び下限値を取得するモデルパラメータ情報取得部と、
    　前記モデルパラメータ値の上限及び下限値を入力し、入力した上限及び下限値の範囲内で前記モデルパラメータ値を変化させて、前記プラントモデルに出力するモデルパラメータ値出力部と、
    　各モデルパラメータ値に対応して前記プラントモデルから出力される複数のプロセス値を入力するプロセス値入力部と、
    　前記複数のプロセス値と前記対象製品の計測値を入力し、入力した複数のプロセス値と対象製品の計測値との差分に基づき、前記計測値に対する前記複数のプロセス値の精度評価を示す評価値を生成する評価値生成部と、
    　前記評価値と前記各モデルパラメータ値を入力し、入力した評価値と各モデルパラメータ値との関係を示す散布図を取得する散布図生成部と、
    　前記散布図を入力し、入力した散布図を関数回帰して関数を生成する関数回帰部と、
    　前記関数を入力し、入力した関数を正規化して前記モデルパラメータ値に関する確率密度関数と見なし尤度関数として出力する尤度関数取得部と、
    　前記尤度関数と前記蓄積部に蓄積された確率密度関数を入力し、前記蓄積部に蓄積された確率密度関数を事前分布として、入力した尤度関数を用いて、ベイズ更新するベイズ学習部と
    　を備えたことを特徴とするモデルパラメータ値推定装置。
  4. 　請求項３に記載のモデルパラメータ値推定装置において、
    　前記蓄積部に蓄積された確率密度関数の平均値の推移に基づき、対象製品の状態変化を推定する製品状態推定部を備えることを特徴とするモデルパラメータ値推定装置。
  5. 　請求項１に記載のモデルパラメータ値推定装置において、
    　前記モデルパラメータ値推定部は、
    　２種類以上のモデルパラメータに関するモデルパラメータ値の上限及び下限値を取得するモデルパラメータ情報取得部と、
    　２種類以上の前記モデルパラメータに関するモデルパラメータ値の上限及び下限値を入力し、入力した上限及び下限値の範囲内で２種類以上の前記モデルパラメータのモデルパラメータ値を同時に変化させて、前記プラントモデルに出力するモデルパラメータ値出力部と、
    　各モデルパラメータ値に対応して前記プラントモデルから出力される複数のプロセス値を入力するプロセス値入力部と、
    　前記複数のプロセス値と前記対象製品の計測値を入力し、入力した複数のプロセス値と対象製品の計測値との差分に基づき、前記計測値に対する前記複数のプロセス値の精度評価を示す評価値を生成する評価値生成部と、
    　前記評価値と前記各モデルパラメータ値を入力し、入力した評価値と各モデルパラメータ値との関係を示す散布図を取得する散布図生成部と、
    　前記散布図を入力し、入力した散布図を関数回帰して関数を生成する関数回帰部と、
    　前記関数を入力し、入力した関数を正規化して前記モデルパラメータ値に関する確率密度関数と見なし尤度関数として出力する尤度関数取得部と、
    　前記尤度関数と前記蓄積部に蓄積された確率密度関数を入力し、前記蓄積部に蓄積された確率密度関数を事前分布として、入力した尤度関数を用いて、ベイズ更新するベイズ学習部と
    　を備えたことを特徴とするモデルパラメータ値推定装置。
  6. 　請求項５に記載のモデルパラメータ値推定装置において、
    　２種類以上の前記モデルパラメータは、前記対象製品のプロセス値の静特性に関するパラメータと動特性に関するパラメータとを含むことを特徴とするモデルパラメータ値推定装置。
  7. 　請求項５に記載のモデルパラメータ値推定装置において、
    　前記蓄積部に蓄積された確率密度関数の平均値の推移に基づき、対象製品の状態変化を推定する製品状態推定部を備えることを特徴とするモデルパラメータ値推定装置。
  8. 　プログラムされたコンピュータによってモデルパラメータ値を推定するモデルパラメータ値推定方法であって、
    　対象製品の動作を模擬する予め設定した物理モデルであるプラントモデルにより、入力されたモデルパラメータ値から複数のプロセス値を計算する第１のステップと、
    　モデルパラメータ値推定部により、前記対象製品の計測値に対する前記複数のプロセス値の精度評価に基づき生成した関数を尤度関数と見なして蓄積部に蓄積されたモデルパラメータ値に関する確率密度関数をベイズ更新する第２のステップと、
    　を有することを特徴とするモデルパラメータ値推定方法。
  9. 　請求項８に記載のモデルパラメータ値推定方法であって、
    　前記第１のステップの前に、
    　モデルパラメータ情報取得部により、１種類以上のモデルパラメータ値の上限及び下限値と対象製品の計測値とをモデルパラメータ値出力部に入力するステップと、
    　モデルパラメータ値出力部により、前記モデルパラメータ値の上限及び下限値の範囲内で前記モデルパラメータ値を変化させて得られた複数のモデルパラメータ値を前記プラントモデルに出力するステップと、
    　を有し、
    　前記第２のステップは、
    　プロセス値入力部により、各モデルパラメータ値に対応して前記プラントモデルから出力される複数のプロセス値を評価値生成部に入力するステップと、
    　評価値生成部により、入力した複数のプロセス値と対象製品の計測値との差分に基づき、前記計測値に対する前記複数のプロセス値の精度評価を示す評価値を生成するステップと、
    　散布図生成部により、前記評価値と前記各モデルパラメータ値との関係を示す散布図を取得するステップと、
    　関数回帰部により、前記散布図を関数回帰して関数を生成するステップと、
    　尤度関数取得部により、生成した前記関数を正規化して前記モデルパラメータ値に関する確率密度関数と見なし尤度関数とするステップと、
    　ベイズ学習部により、蓄積部に蓄積されたモデルパラメータ値に関する確率密度関数を取得し、蓄積部から取得した前記確率密度関数を事前分布データとして、前記尤度関数を用いて、ベイズ更新により前記モデルパラメータ値に関する確率密度関数の事後分布データを生成し、
    　前記事後分布データを前記蓄積部に蓄積するステップと
    　を有することを特徴とするモデルパラメータ値推定方法。
  10. 　コンピュータを、
    　対象製品の動作を模擬する予め設定した物理モデルであって、モデルパラメータ値を入力しプロセス値を計算するプラントモデルと、
    　前記プロセス値に基づき、より尤度の高い前記モデルパラメータ値を推定するモデルパラメータ値推定部と、
    　前記モデルパラメータ値推定部の演算結果を蓄積する蓄積部と、
    　前記モデルパラメータ値推定部の演算結果を出力する出力部、
    　として機能させ、
    　前記モデルパラメータ値推定部が、前記対象製品の計測値に対する複数の前記プロセス値の精度評価に基づき生成した関数を尤度関数と見なして前記蓄積部に蓄積された確率密度関数をベイズ更新することを特徴とするプログラム。
  11. 　請求項１０に記載のプログラムであって、
    　前記モデルパラメータ値推定部は、
    　１種類以上の前記モデルパラメータ値の上限及び下限値を取得するモデルパラメータ情報取得部と、
    　前記モデルパラメータ値の上限及び下限値を入力し、入力した上限及び下限値の範囲内で前記モデルパラメータ値を変化させて、前記プラントモデルに出力するモデルパラメータ値出力部と、
    　各モデルパラメータ値に対応して前記プラントモデルから出力される複数のプロセス値を入力するプロセス値入力部と、
    　前記複数のプロセス値と前記対象製品の計測値を入力し、入力した複数のプロセス値と対象製品の計測値との差分に基づき、前記計測値に対する前記複数のプロセス値の精度評価を示す評価値を生成する評価値生成部と、
    　前記評価値と前記各モデルパラメータ値を入力し、入力した評価値と各モデルパラメータ値との関係を示す散布図を取得する散布図生成部と、
    　前記散布図を入力し、入力した散布図を関数回帰して関数を生成する関数回帰部と、
    　前記関数を入力し、入力した関数を正規化して前記モデルパラメータ値に関する確率密度関数と見なし尤度関数として出力する尤度関数取得部と、
    　前記尤度関数と前記蓄積部に蓄積された確率密度関数を入力し、前記蓄積部に蓄積された確率密度関数を事前分布として、入力した尤度関数を用いて、ベイズ更新するベイズ学習部と
    　を備えることを特徴とするプログラム。
  12. 　請求項１０または請求項１１に記載のプログラムを記録した記録媒体。
  13. 　対象製品の動作を模擬する予め設定した物理モデルであって、モデルパラメータ値を入力しプロセス値を計算するプラントモデルと、前記プロセス値に基づき、より尤度の高い前記モデルパラメータ値を推定するモデルパラメータ値推定部と、前記モデルパラメータ値推定部の演算結果を蓄積する蓄積部と、前記モデルパラメータ値推定部の演算結果を出力する出力部とを備えたモデルパラメータ値推定システムにおいて、
    　前記モデルパラメータ値推定部は、前記対象製品の計測値及び前記プラントモデルで計算された複数のプロセス値を入力し、前記計測値に対する前記複数のプロセス値の精度評価に基づき生成した関数を尤度関数と見なして前記蓄積部に蓄積された確率密度関数をベイズ更新することを特徴とするモデルパラメータ値推定システム。
  14. 　請求項１１に記載のモデルパラメータ値推定システムにおいて、
    　前記モデルパラメータ値推定部は、
    　１種類以上の前記モデルパラメータ値の上限及び下限値を取得するモデルパラメータ情報取得部と、
    　前記モデルパラメータ値の上限及び下限値を入力し、入力した上限及び下限値の範囲内で前記モデルパラメータ値を変化させて、前記プラントモデルに出力するモデルパラメータ値出力部と、
    　各モデルパラメータ値に対応して前記プラントモデルから出力される複数のプロセス値を入力するプロセス値入力部と、
    　前記複数のプロセス値と前記対象製品の計測値を入力し、入力した複数のプロセス値と対象製品の計測値との差分に基づき、前記計測値に対する前記複数のプロセス値の精度評価を示す評価値を生成する評価値生成部と、
    　前記評価値と前記各モデルパラメータ値を入力し、入力した評価値と各モデルパラメータ値との関係を示す散布図を取得する散布図生成部と、
    　前記散布図を入力し、入力した散布図を関数回帰して関数を生成する関数回帰部と、
    　前記関数を入力し、入力した関数を正規化して前記モデルパラメータ値に関する確率密度関数と見なし尤度関数として出力する尤度関数取得部と、
    　前記尤度関数と前記蓄積部に蓄積された確率密度関数を入力し、前記蓄積部に蓄積された確率密度関数を事前分布として、入力した尤度関数を用いて、ベイズ更新するベイズ学習部と
    　を備えたことを特徴とするモデルパラメータ値推定システム。
PCT/JP2017/002995 2017-01-27 2017-01-27 モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム WO2018138880A1 (ja)

Priority Applications (6)

Application Number Priority Date Filing Date Title
US16/076,809 US20190019096A1 (en) 2017-01-27 2017-01-27 Estimator, estimation method, program and storage medium where program stored for model parameter estimation and model parameter estimation system
JP2018538906A JP6686151B2 (ja) 2017-01-27 2017-01-27 モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム
EP17893753.8A EP3575892B1 (en) 2017-01-27 2017-01-27 Model parameter value estimation device and estimation method, program, recording medium with program recorded thereto, and model parameter value estimation system
CN201780014460.1A CN108700852B (zh) 2017-01-27 2017-01-27 模型参数值推定装置及推定方法、记录介质、模型参数值推定系统
KR1020187024965A KR102153924B1 (ko) 2017-01-27 2017-01-27 모델 파라미터값 추정 장치 및 추정 방법, 프로그램, 프로그램을 기록한 기록 매체, 모델 파라미터값 추정 시스템
PCT/JP2017/002995 WO2018138880A1 (ja) 2017-01-27 2017-01-27 モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2017/002995 WO2018138880A1 (ja) 2017-01-27 2017-01-27 モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム

Publications (2)

Publication Number Publication Date
WO2018138880A1 true WO2018138880A1 (ja) 2018-08-02
WO2018138880A9 WO2018138880A9 (ja) 2018-09-20

Family

ID=62978159

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/002995 WO2018138880A1 (ja) 2017-01-27 2017-01-27 モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム

Country Status (6)

Country Link
US (1) US20190019096A1 (ja)
EP (1) EP3575892B1 (ja)
JP (1) JP6686151B2 (ja)
KR (1) KR102153924B1 (ja)
CN (1) CN108700852B (ja)
WO (1) WO2018138880A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020046964A (ja) * 2018-09-19 2020-03-26 ファナック株式会社 特性判定装置、特性判定方法及び特性判定プログラム
CN111563872A (zh) * 2019-01-29 2020-08-21 东京毅力科创株式会社 图像识别系统和图像识别方法
JP2022502649A (ja) * 2018-09-28 2022-01-11 ローズマウント インコーポレイテッド 非侵襲的プロセス流体温度指示
WO2022153984A1 (ja) * 2021-01-15 2022-07-21 株式会社Preferred Networks 学習データ生成方法、モデル生成方法および学習データ生成装置

Families Citing this family (30)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107491626B (zh) * 2017-10-09 2019-09-27 清华大学 一种热网供热功率可调节能力的计算与建模方法
KR102493473B1 (ko) 2017-11-15 2023-01-31 프로틴텍스 엘티디. 집적 회로 마진 측정 및 고장 예측 장치
US11391771B2 (en) 2017-11-23 2022-07-19 Proteantecs Ltd. Integrated circuit pad failure detection
EP3737953A4 (en) 2018-01-08 2021-10-13 Proteantecs Ltd. INTEGRATED CIRCUIT WORKLOAD, TEMPERATURE AND / OR SUB-THRESHOLD LEAK SENSOR
US11740281B2 (en) 2018-01-08 2023-08-29 Proteantecs Ltd. Integrated circuit degradation estimation and time-of-failure prediction using workload and margin sensing
TWI828676B (zh) 2018-04-16 2024-01-11 以色列商普騰泰克斯有限公司 用於積體電路剖析及異常檢測之方法和相關的電腦程式產品
US11475178B2 (en) * 2018-05-08 2022-10-18 Autodesk, Inc. Generative design techniques for automobile designs
CN112868016A (zh) 2018-06-19 2021-05-28 普罗泰克斯公司 高效集成电路模拟与测试
JP6799047B2 (ja) * 2018-11-19 2020-12-09 ファナック株式会社 暖機運転評価装置、暖機運転評価方法及び暖機運転評価プログラム
JP7173159B2 (ja) * 2018-11-29 2022-11-16 株式会社島津製作所 試料測定装置、プログラムおよび測定パラメータ設定支援装置
TW202032146A (zh) 2018-12-30 2020-09-01 以色列商普騰泰克斯有限公司 積體電路ｉ／ｏ完整性和退化監控
CN113474796A (zh) * 2019-03-04 2021-10-01 三菱电机株式会社 信息处理装置、信息处理方法以及信息处理程序
EP3951523A4 (en) * 2019-04-29 2023-06-21 Siemens Aktiengesellschaft METHOD AND DEVICE FOR CONFIGURING PROCESSING PARAMETERS OF A PRODUCTION PLANT AND COMPUTER READABLE MEDIUM
US11927946B2 (en) * 2019-05-09 2024-03-12 Dürr Systems Ag Analysis method and devices for same
EP3966650B1 (de) 2019-05-09 2024-03-06 Dürr Systems AG Verfahren zur kontrolle und nachbehandlung von werkstücken, kontrollanlage und behandlungsanlage
US20220214676A1 (en) * 2019-05-09 2022-07-07 Dürr Systems Ag Analysis method and devices for same
TW202111588A (zh) * 2019-05-13 2021-03-16 以色列商普騰泰克斯有限公司 藉由測量及模擬來確定積體電路的未知偏誤及元件參數
JP7252449B2 (ja) * 2019-05-16 2023-04-05 富士通株式会社 最適化装置、最適化システム、最適化方法および最適化プログラム
JP6639760B1 (ja) * 2019-06-28 2020-02-05 三菱電機株式会社 加工条件探索装置および加工条件探索方法
WO2021002108A1 (ja) * 2019-07-03 2021-01-07 富士フイルム株式会社 最適化支援装置、方法およびプログラム
KR102224983B1 (ko) * 2019-10-17 2021-03-08 한국서부발전 주식회사 가스터빈 연소기의 점검 진단 장치
CN114981893A (zh) 2019-12-04 2022-08-30 普罗泰克斯公司 存储器设备退化监测
CN111310303B (zh) * 2020-01-17 2024-02-02 合肥工业大学 一种幅值指数衰减的正弦波参数识别方法
KR20230003545A (ko) 2020-04-20 2023-01-06 프로틴텍스 엘티디. 다이-대-다이 접속성 모니터링
JP7443224B2 (ja) * 2020-12-04 2024-03-05 株式会社東芝 設計支援方法、設計支援システム、プログラム、及び記憶媒体
KR20230023470A (ko) 2021-08-10 2023-02-17 에스케이하이닉스 주식회사 스토리지 장치 및 그의 딜레이 시간을 계산하는 모델을 최적화하는 호스트 장치
CN113777919B (zh) * 2021-08-13 2023-11-17 哈尔滨工程大学 一种基于nsga-ⅱ遗传算法的自抗扰控制的串级燃气轮机功率控制方法
US20220035877A1 (en) * 2021-10-19 2022-02-03 Intel Corporation Hardware-aware machine learning model search mechanisms
CN114444272B (zh) * 2021-12-31 2024-04-12 华中科技大学 一种基于贝叶斯层次模型的食品污染物暴露与健康危害的剂量反应关系模型建立方法
US11815551B1 (en) 2022-06-07 2023-11-14 Proteantecs Ltd. Die-to-die connectivity monitoring using a clocked receiver

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5418408B2 (ja) 1972-09-29 1979-07-07
JP5418408B2 (ja) * 2010-05-31 2014-02-19 富士通株式会社 シミュレーションパラメータ校正方法、装置及びプログラム
JP2016170753A (ja) * 2015-03-16 2016-09-23 株式会社日立製作所 プラント制御用のデータ処理装置、プラント制御用のデータ処理装置を備えるプラント、およびプラントの制御パラメータの自動調整方法

Family Cites Families (23)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4974330B2 (ja) * 2006-02-28 2012-07-11 株式会社日立製作所 制御装置
US8095479B2 (en) * 2006-02-28 2012-01-10 Hitachi, Ltd. Plant control apparatus and method having functions of determining appropriate learning constraint conditions
JP5341800B2 (ja) * 2010-03-11 2013-11-13 アズビル株式会社 制御モデル更新装置、制御モデル更新方法、空調制御システム、データ妥当性判断装置
JP5726574B2 (ja) * 2011-03-01 2015-06-03 みずほ情報総研株式会社 素子解析システム、素子解析方法及び素子解析プログラム
CN102156104B (zh) * 2011-03-28 2013-07-31 上海印钞有限公司 有机颜料耐溶剂性能定量评价方法
CN102800128A (zh) * 2012-08-09 2012-11-28 中国人民解放军信息工程大学 利用散点图矩阵和回归分析建立地形描述精度模型的方法
US9104961B2 (en) * 2012-10-08 2015-08-11 Microsoft Technology Licensing, Llc Modeling a data generating process using dyadic Bayesian models
CN102968529B (zh) * 2012-11-14 2015-06-03 上海城市水资源开发利用国家工程中心有限公司 一种供水管网模型计算结果不确定性区间的量化方法
JP5896891B2 (ja) * 2012-12-17 2016-03-30 三菱重工業株式会社 パラメータ推定装置、パラメータ推定方法、蓄電システム及びプログラム
US20130309666A1 (en) * 2013-01-25 2013-11-21 Sequenom, Inc. Methods and processes for non-invasive assessment of genetic variations
CN103559337B (zh) * 2013-10-18 2017-01-18 中冶集团武汉勘察研究院有限公司 一种基于线性回归建立细粒尾矿工程性质指标估算经验公式的方法
FR3012999B1 (fr) * 2013-11-14 2015-11-13 Renault Sas Procede d'aide a la decision par approche bayesienne dans un systeme de surveillance de la pression des pneumatiques d'un vehicule automobile.
US9928214B2 (en) * 2013-12-04 2018-03-27 International Business Machines Corporation Sketching structured matrices in nonlinear regression problems
EP2881822A1 (de) * 2013-12-05 2015-06-10 Bayer Technology Services GmbH Computer-implementiertes Verfahren und System zur automatischen Überwachung und Statusermittlung ganzer Prozessabschnitte in einer Process Unit
FR3018917B1 (fr) * 2014-03-18 2016-04-01 Jtekt Europe Sas Modelisation du frottement dans une direction assistee par un nuage de points
CN104063445B (zh) * 2014-06-16 2017-04-26 百度移信网络技术（北京）有限公司 一种相似性度量的方法以及系统
JP6190771B2 (ja) * 2014-07-07 2017-08-30 日本電信電話株式会社 パラメータ推定方法、装置、及びプログラム
US10451587B2 (en) * 2014-07-16 2019-10-22 Duke University Methods, systems and computer program products for estimating shear wave speed using statistical inference
CN104462842A (zh) * 2014-12-22 2015-03-25 厦门大学 一种基于贝叶斯网络的故障数据挖掘诊断方法
JP2016177682A (ja) * 2015-03-20 2016-10-06 株式会社東芝 設備評価装置、設備評価方法、コンピュータプログラム
CN105675539B (zh) * 2016-01-07 2019-05-10 北京市农林科学院 一种农产品品质综合评价方法
CN105930647B (zh) * 2016-04-18 2018-09-14 北京航空航天大学 一种考虑多失效模式的梁结构非概率可靠性求解方法
CN106202631B (zh) * 2016-06-28 2019-04-05 湖南大学 一种冲压成形高强钢的材料参数获取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5418408B2 (ja) 1972-09-29 1979-07-07
JP5418408B2 (ja) * 2010-05-31 2014-02-19 富士通株式会社 シミュレーションパラメータ校正方法、装置及びプログラム
JP2016170753A (ja) * 2015-03-16 2016-09-23 株式会社日立製作所 プラント制御用のデータ処理装置、プラント制御用のデータ処理装置を備えるプラント、およびプラントの制御パラメータの自動調整方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3575892A4

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2020046964A (ja) * 2018-09-19 2020-03-26 ファナック株式会社 特性判定装置、特性判定方法及び特性判定プログラム
JP2022502649A (ja) * 2018-09-28 2022-01-11 ローズマウント インコーポレイテッド 非侵襲的プロセス流体温度指示
JP7343576B2 (ja) 2018-09-28 2023-09-12 ローズマウント インコーポレイテッド 非侵襲的プロセス流体温度指示
CN111563872A (zh) * 2019-01-29 2020-08-21 东京毅力科创株式会社 图像识别系统和图像识别方法
CN111563872B (zh) * 2019-01-29 2023-11-21 东京毅力科创株式会社 图像识别系统和图像识别方法
WO2022153984A1 (ja) * 2021-01-15 2022-07-21 株式会社Preferred Networks 学習データ生成方法、モデル生成方法および学習データ生成装置

Also Published As

Publication number Publication date
EP3575892A1 (en) 2019-12-04
EP3575892B1 (en) 2022-05-11
KR20180111886A (ko) 2018-10-11
JP6686151B2 (ja) 2020-04-22
KR102153924B1 (ko) 2020-09-09
JPWO2018138880A1 (ja) 2019-02-07
EP3575892A4 (en) 2020-09-02
WO2018138880A9 (ja) 2018-09-20
US20190019096A1 (en) 2019-01-17
CN108700852B (zh) 2021-07-16
CN108700852A (zh) 2018-10-23

Similar Documents

Publication Publication Date Title
WO2018138880A1 (ja) モデルパラメータ値推定装置及び推定方法、プログラム、プログラムを記録した記録媒体、モデルパラメータ値推定システム
US20210110262A1 (en) Method and system for semi-supervised deep anomaly detection for large-scale industrial monitoring systems based on time-series data utilizing digital twin simulation data
US6898554B2 (en) Fault detection in a physical system
JP2010530179A (ja) 仮想センサ・システムおよび方法
US20120296606A1 (en) Method, computer program, and system for performing interpolation on sensor data for high system availability
US20090119065A1 (en) Virtual sensor network (VSN) system and method
US7953577B2 (en) Method and apparatus for improved fault detection in power generation equipment
JP2016151909A (ja) 異常診断方法及び異常診断システム
JP2010277577A (ja) 制御及び推定のための線形モデルのリアルタイムスケジューリング
JP6989398B2 (ja) 故障診断装置、故障診断方法、および故障診断プログラム
JP2020051385A (ja) 熱機器の内部状態推定方法及び装置
CN110431499B (zh) 用于表征系统中的一个或多个故障的方法
JP6415335B2 (ja) 不具合診断方法及び不具合診断システム
JP6922886B2 (ja) 配管診断装置、配管診断方法、判別問題最適化装置、判別問題最適化方法、基準分布生成装置、基準分布生成方法、及びプログラム
EP3385804B1 (en) Failure diagnosis apparatus, failure diagnosis method and recording medium
KR101967524B1 (ko) 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법
JP6129508B2 (ja) 異常検出前処理装置および方法ならびにプログラム、それを備えた異常検出装置
Chierichetti et al. Optimal sensor location along a beam using machine learning
WO2022032102A1 (en) Apparatus and method for electronic determination of system data integrity
CN109657285A (zh) 汽轮机转子瞬态应力的检测方法
Rootliep et al. Evolutionary algorithm for enhanced gas path analysis in turbofan engines
Diesch et al. Application of virtual sensors for stress-related design and operation-specific lifetime prognosis
JP6800065B2 (ja) 管理システム、情報処理方法、プログラム、通信装置
Bondoc et al. Implementation of LIVE Digital Twin Enabled Smart Maintenance Using Smart Structural Sensors
JP2023163390A (ja) 情報処理装置、情報処理方法およびプログラム

Legal Events

Date Code Title Description
ENP Entry into the national phase

Ref document number: 2018538906

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 20187024965

Country of ref document: KR

Kind code of ref document: A

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

Ref document number: 17893753

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2017893753

Country of ref document: EP

Effective date: 20190827