WO2018142816A1 - 支援装置および支援方法 - Google Patents

支援装置および支援方法 Download PDF

Info

Publication number
WO2018142816A1
WO2018142816A1 PCT/JP2017/046630 JP2017046630W WO2018142816A1 WO 2018142816 A1 WO2018142816 A1 WO 2018142816A1 JP 2017046630 W JP2017046630 W JP 2017046630W WO 2018142816 A1 WO2018142816 A1 WO 2018142816A1
Authority
WO
WIPO (PCT)
Prior art keywords
unit
models
groups
classified
display
Prior art date
Application number
PCT/JP2017/046630
Other languages
English (en)
French (fr)
Inventor
賢司 大塚
鉄也 田原
Original Assignee
アズビル株式会社
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 アズビル株式会社 filed Critical アズビル株式会社
Publication of WO2018142816A1 publication Critical patent/WO2018142816A1/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
    • G05B23/00—Testing or monitoring of control systems or parts thereof
    • G05B23/02—Electric testing or monitoring

Definitions

  • the present invention relates to a support device and a support method for supporting creation of a model by displaying a mathematical model used in process control.
  • model creation based on system identification generally, an engineer often creates a plurality of models by trial and error, and selects a model that is sufficiently accurate and appropriate for the purpose of use from among the created models. For this reason, many models are created through model creation work. The reason why many models are created by trial and error is that there are many setting conditions in the model creation work.
  • setting conditions include a preprocessing method (noise removal and trend removal) of input / output data used for learning, a model structure, and an estimation method.
  • a preprocessing method noise removal and trend removal
  • selection of a period for learning data is one of the setting conditions.
  • the identification conditions for creating a model are composed of combinations of many setting conditions.
  • the present invention has been made to solve the above-described problems, and it is possible to more easily select a model most suitable for target model control from many prototype models. Objective.
  • a support device is stored in a model storage unit that stores a plurality of models to be controlled, an evaluation item storage unit that stores a plurality of evaluation items for evaluating a plurality of models, and a model storage unit.
  • a feature amount calculation unit configured to calculate a feature amount corresponding to each of the plurality of evaluation items stored in the evaluation item storage unit, and a feature amount calculation unit
  • a first classification unit configured to classify a plurality of models stored in the model storage unit into a plurality of first groups based on the similarity of the feature amount, and a plurality of first classes classified by the first classification unit
  • a second classification unit configured to classify a plurality of models into a plurality of second groups by combining one group, and a plurality of models classified by the second classification unit are displayed for each of the plurality of second groups Display And a configured display control unit so as to.
  • the first classification unit classifies the plurality of models into a plurality of first groups for each of a plurality of evaluation items.
  • the support device further includes an item classification unit configured to classify the evaluation items into similar items under a preset condition, and the first classification unit divides the plurality of models into a plurality of first groups for each similar item. Classify.
  • the first classification unit may classify the feature values by clustering them using the k-means neighborhood method. Further, the first classification unit may classify the feature amount based on the magnitude relationship with the threshold value.
  • the support apparatus further includes an operation receiving unit that receives an operation instruction, and the display control unit displays identification information for identifying the plurality of second groups on the display unit, and the operation is performed among the identification information displayed on the display unit. You may make it display the model classified into the 2nd group identified by the identification information selected via the reception part on a display part.
  • the display control unit displays the identification information on the display unit as a region on a two-dimensional plane represented by any two feature amounts among the plurality of feature amounts calculated by the feature amount calculation unit. Also good.
  • the support apparatus includes a representative screen creation unit configured to create a representative image representing a model classified into a plurality of second groups, and the display control unit displays the representative screen created by the representative screen creation unit. You may display on a display part as identification information which identifies a 2nd group.
  • the representative screen creation unit may calculate a step response of each model classified into a plurality of second groups, and create a waveform composed of an average value at each time as a representative image.
  • a model storage step of storing a plurality of models to be controlled in the model storage unit and each of the plurality of models stored in the model storage unit are stored in the evaluation item storage unit.
  • a feature amount calculating step for calculating a feature amount corresponding to each of a plurality of evaluation items, and a plurality of models stored in the model storage unit based on the similarity between the feature amounts calculated in the feature amount calculating step A first classification step for classifying the plurality of models into a plurality of second groups by combining a plurality of first groups classified in the first classification step, a second classification step for classifying the plurality of models into a plurality of second groups,
  • the plurality of models are classified into a plurality of first groups for each of a plurality of evaluation items.
  • the above support method further includes an item classification step for classifying the evaluation items into similar items under preset conditions, and in the first classification step, a plurality of models are classified into a plurality of first groups for each similar item.
  • the feature values in the first classification step, may be classified by clustering by the k-means neighborhood method.
  • the feature amount may be classified based on the magnitude relationship with the threshold value.
  • the support method further includes an operation receiving step for receiving an operation instruction, and in the display control step, identification information for identifying a plurality of second groups is displayed on the display unit, and the operation is performed among the identification information displayed on the display unit.
  • the models classified into the second group identified by the identification information selected in the reception step are displayed on the display unit.
  • the identification information is displayed on the display unit as a region on a two-dimensional plane represented by any two feature amounts among the plurality of feature amounts calculated in the feature amount calculation step. Good.
  • the step response of each model classified into a plurality of second groups may be calculated, and a waveform composed of an average value at each time may be created as a representative image.
  • FIG. 1 is a configuration diagram showing a configuration of a support device according to Embodiment 1 of the present invention.
  • FIG. 2A is a characteristic diagram showing a feature amount related to a step response among feature amounts that are numerical values that an engineer would select as a model for selecting a similar model.
  • FIG. 2B is a characteristic diagram showing a feature value related to a step response among feature values that are numerical values that an engineer would select as a model for selecting a similar model.
  • FIG. 3 is an explanatory diagram showing an example of a model for explaining model classification according to Embodiment 1 of the present invention.
  • FIG. 4 is a flowchart for explaining the support method according to Embodiment 1 of the present invention.
  • FIG. 4 is a flowchart for explaining the support method according to Embodiment 1 of the present invention.
  • FIG. 5 is an explanatory diagram showing an example in which the display model classified by the second classification unit 105 is displayed on the display unit 107 for each classified group.
  • FIG. 6 is a histogram of DC gain.
  • FIG. 7 is an explanatory diagram for explaining a state in which models are arranged and displayed in ascending order of RMSE.
  • FIG. 8 is an explanatory diagram showing an example in which the display model classified by the second classification unit 105 is displayed on the display unit 107 for each classified group.
  • FIG. 9 is an explanatory diagram showing an example in which the display model classified by the second classification unit 105 is displayed on the display unit 107 for each classified group.
  • FIG. 10 is an explanatory diagram illustrating an example in which the display model classified by the second classification unit 105 is displayed on the display unit 107 for each classified group.
  • FIG. 11 is an explanatory diagram illustrating an example in which the display model classified by the second classification unit 105 is displayed on the display unit 107 for each classified group.
  • FIG. 12 is a configuration diagram showing the configuration of the support device according to Embodiment 2 of the present invention.
  • FIG. 13 is a flowchart for explaining the support method according to the second embodiment of the present invention.
  • FIG. 14 is an explanatory diagram showing an example of a model for explaining model classification according to Embodiment 2 of the present invention.
  • FIG. 15 is an explanatory diagram illustrating an example of step responses of models belonging to the individual groups R1 and R2 classified for the similar item 2.
  • FIG. 16 is an explanatory diagram showing a step response example of models belonging to the individual groups O1 and O2 classified for the similar item 3.
  • FIG. 17 is an explanatory diagram showing a state in which the total combination of the individual groups R1 and R2 and the individual groups O1 and O2 is taken.
  • FIG. 18A is an explanatory diagram showing an example of similar items whose accuracy deteriorates.
  • FIG. 18B is an explanatory diagram showing an example of similar items whose accuracy does not deteriorate.
  • FIG. 19 is a configuration diagram illustrating a hardware configuration of the support device according to the embodiment of the present invention.
  • FIG. 1 is a configuration diagram showing a configuration of a support device according to Embodiment 1 of the present invention.
  • the support apparatus includes a model storage unit 101, an evaluation item storage unit 102, a feature amount calculation unit 103, a first classification unit 104, a second classification unit 105, a display control unit 106, a display unit 107, and an operation reception unit 108.
  • the model storage unit 101 stores a plurality of models to be controlled.
  • the evaluation item storage unit 102 stores a plurality of evaluation items for evaluating the model.
  • the feature amount calculation unit 103 is configured to calculate a feature amount corresponding to each of the plurality of evaluation items stored in the evaluation item storage unit 102 for each of the plurality of models stored in the model storage unit 101. Has been.
  • the feature value is a numerical value that will be used as a decision material for engineers to select similar models.
  • the evaluation item for the feature amount may be set as appropriate when selecting the optimum model for the target model control. Table 1 below shows examples of evaluation items. Of the evaluation items shown in Table 1, the feature quantities calculated in relation to the step response are shown in FIGS. 2A and 2B.
  • each numerical value (feature amount) for each evaluation item shown in Table 2 below is obtained for each model.
  • the first classification unit 104 classifies the feature amounts calculated by the feature amount calculation unit 103 based on the similarity of the feature amounts, thereby classifying the plurality of models stored in the model storage unit 101 into a plurality of individual models. Classify into groups (first group). In the first embodiment, the first classification unit 104 classifies a plurality of models into a plurality of individual groups (first groups) for each of a plurality of evaluation items based on the similarity of feature amounts. For example, the first classification unit 104 classifies a plurality of models into a plurality of individual groups for each evaluation item by clustering vectors formed from feature quantities using the k-means neighborhood method.
  • the multiple models are not classified for DC gain.
  • the plurality of models are classified into three individual groups with respect to the rise time.
  • the multiple models are classified into three separate groups with respect to settling time.
  • Multiple models are not classified for dead time.
  • the plurality of models are classified into two individual groups with respect to the amount of overshoot. Multiple models are not classified for undershoot.
  • the second classification unit 105 classifies the plurality of models into display groups (second groups) by combining the individual groups classified by the first classification unit 104. For example, the second classification unit 105 classifies a plurality of models into display groups by combining all the individual groups.
  • the rise time is classified into three individual groups R1, R2, and R3.
  • the settling time is classified into three individual groups S1, S2 and S3.
  • the overshoot amount is classified into two individual groups O1 and O2.
  • the second classification unit 105 combines all of these individual groups.
  • All combinations are ⁇ R1, S1, O1 ⁇ , ⁇ R1, S1, O2 ⁇ , ⁇ R1, S2, O1 ⁇ , ⁇ R1, S2, O2 ⁇ , ⁇ R1, S3, O1 ⁇ , ⁇ R1, S3, O2 ⁇ , ⁇ R2, S1, O1 ⁇ , ⁇ R2, S1, O2 ⁇ , ⁇ R2, S2, O1 ⁇ , ⁇ R2, S2, O2 ⁇ , ⁇ R2, S3, O1 ⁇ , ⁇ R2, S3, O2 ⁇ , ⁇ R3, S1, O1 ⁇ , ⁇ R3, S1, O2 ⁇ , ⁇ R3, S2, O1 ⁇ , ⁇ R3, S2, O2 ⁇ , ⁇ R3, S3, O1 ⁇ , ⁇ R3, S3, O2 ⁇ Display group.
  • the display control unit 106 causes the display unit 107 to display a plurality of models classified by the second classification unit 105 for each of a plurality of display groups.
  • the display control unit 106 causes the display unit 107 to display the model step response for each classified display group. Step response is often used in process control. Note that the impulse response of the model, the Bode diagram of the model, and the like may be displayed. Further, any one of a plurality of model display forms may be selected and displayed.
  • the operation receiving unit 108 is configured to receive an operation instruction.
  • step S101 a plurality of models prototyped by an engineer by trial and error for use in target model control are stored in the model storage unit 101.
  • step S ⁇ b> 102 the feature amount calculation unit 103 selects a plurality of models corresponding to each of the plurality of evaluation items stored in the evaluation item storage unit 102 for each of the plurality of models stored in the model storage unit 101.
  • the feature amount is calculated. For example, as shown in Table 2 above, for each evaluation item, the feature amount calculation unit 103 calculates a feature amount for each model.
  • the first classification unit 104 calculates the feature amount calculation unit 103 in step S104.
  • the plurality of models stored in the model storage unit 101 are classified into a plurality of individual groups by classifying the obtained feature quantities based on the similarity of the feature quantities.
  • the first classification unit 104 classifies the plurality of models into a plurality of individual groups for each of a plurality of evaluation items based on the similarity of the feature amount.
  • step S105 the second classification unit 105 classifies the plurality of models into display groups by combining all the individual groups classified by the first classification unit 104.
  • step S106 the display control unit 106 causes the display unit 107 to display the display model classified by the second classification unit 105 for each classified group.
  • FIG. 5 shows a state where three display groups are displayed.
  • individual groups are classified by clustering vectors composed of feature values by the k-means neighborhood method.
  • the present invention is not limited to this.
  • the first classification unit 104 may create individual groups by classifying feature amounts based on a magnitude relationship with a threshold value.
  • one feature quantity is compared with a plurality of threshold values, and divided into individual groups according to the magnitude relationship. For example, when there are 1, 2, and 3 from the one with the smallest threshold, it is divided into four individual groups as follows.
  • determining the threshold value there is a method of creating a histogram of one feature amount and using the minimum value of the frequency as the threshold value. Since there may be a plurality of local minimum values, there are a plurality of threshold values. A model is classified into individual groups by comparing the magnitude relationship between a plurality of threshold values and feature amounts.
  • a DC gain histogram is shown in FIG.
  • the minimum value of the histogram can be calculated by the median value of the bin of frequency 0 and is 0.94 and 1.03 (downward arrow portion in FIG. 11). Divide the model into three groups with DC gain of 0.94 or less, 0.94 or more and 1.03 or less, and 1.03 or more.
  • the minimum value of the histogram may be obtained by using “findpeaks” function of “Signal Processing” Toolbox of MATLAB (registered trademark).
  • the existence range is determined to some extent in the normalized feature quantity, it is possible to use a fixed threshold value.
  • the normalized overshoot amount and the normalized undershoot amount correspond to the shape of the step response, the following division may be sufficient.
  • Individual group B1 Normalized overshoot amount less than 3% (no overshoot except for errors and disturbances).
  • Individual group B2 Normalized overshoot amount of 3% or more and less than 10% (there is a small overshoot)
  • Individual group B3 Normalized overshoot amount is 10% or more and less than 30% (there is a clear overshoot).
  • Individual group B4 Normalized overshoot amount is 30% or more and less than 100% (there is a large overshoot).
  • Individual group B5 Normalized overshoot amount is 100% or more (overshoot is larger).
  • the model error is evaluated by, for example, a root mean square error (RMSE: Root Mean Square Error) between the target output and the model output. This is an evaluation of the error between the output actually measured on the target and the output calculated when the same signal as the input signal given to the target is input to the model. Used.
  • RMSE Root Mean Square Error
  • FIG. 7 a plurality of model candidates as shown in FIG. 7 are obtained and displayed.
  • the models are arranged in ascending order of RMSE.
  • the top of the leftmost column has the smallest RMSE and the second smallest RMSE is the model below it.
  • the numbers attached to the step responses are the ranks with the smallest RMSE. If a plurality of models are arranged in ascending order of RMSE, the models are arranged in ascending order of errors.
  • a plurality of feature quantities that may be used as a judgment material for selecting a similar model by an engineer are obtained for each prototype model.
  • display groups are classified according to the obtained feature values and displayed for each display group.
  • the feature quantities are classified based on the feature quantity similarity for each evaluation item, thereby classifying the plurality of models into a plurality of individual groups.
  • a plurality of models are classified into display groups by combining all the classified individual groups. Since classification is performed in this manner, misclassification can be suppressed.
  • Clustering methods such as the k-means neighborhood method define the dissimilarity between samples by the distance of the feature amount. For this reason, when calculating the distance from a plurality of feature amounts, if there are different feature amount scales (scales), a shift occurs between the dissimilarity and the engineer's sense. For example, comparing the vertical scales of the plots in FIG. 3, the DC scale is about 1, the feature quantity with time unit is 0 to 120 minutes, and the overshoot is 0 to 6%. Different.
  • a display group name (identification information) for identifying a plurality of display groups may be displayed on the display unit 107 by the selection display as shown in FIG.
  • the model display shown in (b) in accordance with the display group name selection operation (operation reception step) via the operation reception unit 108 is performed.
  • the model classified into the display group identified by the selected display group name may be displayed on the display unit 107.
  • the display group name is used as identification information.
  • evaluation can be performed in units of display groups, and the model can be selected.
  • the work efficiency of model selection is improved rather than looking at each model, which is a great support for model selection.
  • the number of displayed models is suppressed, a greater effect can be obtained when the number of models is large.
  • FIG. 9 illustrates a case in which display groups are displayed in a rectangular manner on the coordinate axes of the horizontal axis DC gain and the vertical axis rise time so that the display groups can be distinguished.
  • this selection display for example, when a desired display group is selected using an input device such as a mouse as the operation reception unit 108, models belonging to the selected display group are displayed on another screen (not shown).
  • the feature amount at each coordinate can be changed.
  • the engineer can evaluate the feature amount of the model for each display group and compare it with the foresight information he has. For this reason, work efficiency improves rather than looking at a model one by one.
  • the ability to select a display group while looking at the positional relationship between the feature quantities of each display group is also effective in improving work efficiency.
  • each display group such as displaying a display group and models belonging to the display group in a tree form, displaying one display group in a table format corresponding to one line, etc. are used. it can.
  • an image (representative image) representative of the features of the models classified into the display groups classified by the second classification unit 105 is created by a representative screen creation unit (not shown). Then, it may be displayed as identification information of the display group (representative screen creation step).
  • the representative screen creation unit calculates a step response of each model included in the display group, and creates a waveform including an average value at each time as a representative image.
  • the representative image created together with the display group name is displayed on the display unit 107 as identification information for identifying the group.
  • the identification information displayed on the selection display of the display unit 107 is selected in the model display shown in (b) according to the group name selection operation (operation reception step) via the operation reception unit 108.
  • the models belonging to the displayed group are displayed on the display unit 107.
  • FIG. 11 illustrates a case where a group representative image is displayed on the coordinate axes of the horizontal axis DC gain and the vertical axis rise time.
  • this selection display for example, when a representative image of a desired group is selected using an input device such as a mouse as the operation reception unit 108, models belonging to the selected group are displayed on another screen (not shown). .
  • the feature amount at each coordinate can be changed.
  • FIG. 12 is a configuration diagram showing the configuration of the support device according to Embodiment 2 of the present invention.
  • This support apparatus includes a model storage unit 101, an evaluation item storage unit 102, a feature amount calculation unit 103, an item classification unit 201, a first classification unit 104a, a second classification unit 105, a display control unit 106, a display unit 107, and an operation reception. Part 108 is provided.
  • the model storage unit 101 stores a plurality of models to be controlled.
  • the evaluation item storage unit 102 stores a plurality of evaluation items for evaluating the model.
  • the feature amount calculation unit 103 calculates a feature amount corresponding to each of the plurality of evaluation items stored in the evaluation item storage unit 102 for each of the plurality of models stored in the model storage unit 101.
  • the item classification unit 201 classifies the items into similar items under the conditions for setting the evaluation items. For example, feature quantities having the same physical quantity unit can be classified into similar items. However, as will be described later, if the separation is performed only by the unit of the physical quantity, there is a case where the distribution of the feature quantity is less likely to be biased. For example, it is better not to classify a feature quantity having a positive correlation with a feature quantity and a feature quantity having a negative correlation into the same similar item. In addition, when there is no bias in the distribution, it may be possible to adopt a classification that tends to cause a bias after trying to classify similar items. Further, similar items may be classified based on past implementation results.
  • the first classifying unit 104a classifies the feature values calculated by the feature value calculating unit 103 based on the similarity of the feature values, thereby classifying the plurality of models stored in the model storage unit 101 into a plurality of individual models. Classify into groups (first group). In the second embodiment, the first classification unit 104a classifies a plurality of models into a plurality of individual groups (first group) for each similar item based on the similarity of the feature amount. For example, the first classifying unit 104a classifies a plurality of models into a plurality of individual groups for each similar item by clustering vectors formed from feature quantities using the k-means neighborhood method.
  • the second classification unit 105 classifies the plurality of models into display groups (second groups) by combining all the individual groups classified by the first classification unit 104.
  • the display control unit 106 causes the display unit 107 to display a plurality of models classified by the second classification unit 105 for each of a plurality of display groups.
  • the display control unit 106 causes the display unit 107 to display the model step response for each classified display group. Step response is often used in process control. Note that the impulse response of the model, the Bode diagram of the model, and the like may be displayed. Further, any one of a plurality of model display forms may be selected and displayed.
  • the operation reception unit 108 is configured to receive an operation instruction.
  • the model storage unit 101, the evaluation item storage unit 102, the feature amount calculation unit 103, the second classification unit 105, the display control unit 106, the display unit 107, and the operation reception unit 108 are the same as those in the first embodiment described above.
  • an item classification unit 201 is newly provided.
  • the first classification unit 104a classifies the similar items classified by the item classification unit 201 based on the similarity of the feature amount, thereby classifying the plurality of models into a plurality of individual groups. .
  • the classification method of the individual group in the first classification unit 104a is the same as that of the first classification unit 104 of the first embodiment.
  • step S201 a plurality of models prototyped by an engineer by trial and error for use in target model control are stored in the model storage unit 101.
  • step S ⁇ b> 202 the feature amount calculation unit 103 selects a plurality of models corresponding to each of the plurality of evaluation items stored in the evaluation item storage unit 102 for each of the plurality of models stored in the model storage unit 101. The feature amount is calculated.
  • step S204 the item classification unit 201 assigns evaluation items to the same category under the set conditions. Classify into items.
  • step S ⁇ b> 205 the first classification unit 104 classifies the feature amounts calculated by the feature amount calculation unit 103 based on the similarity of the feature amounts, and is stored in the model storage unit 101. Classify multiple models into multiple individual groups.
  • step S205 the first classification unit 104a classifies a plurality of models into a plurality of individual groups for each similar item based on the similarity of the feature amount.
  • step S206 the second classification unit 105 classifies the plurality of models into display groups by combining all the individual groups classified by the first classification unit 104.
  • step S207 the display control unit 106 causes the display unit 107 to display the display model classified by the second classification unit 105 for each classified group.
  • the number of display groups is suppressed without degrading the classification accuracy.
  • the item classification unit 201 calculates feature amounts for a plurality of models as shown in FIG. 14, and similar items 1: DC gain, similar items 2: rise time, settling time, deemed dead time, similar items 3: Evaluation item is classified into four: normalized overshoot amount, similar item 4: normalized undershoot amount.
  • the first classification unit 104a creates an individual group for similar items classified in this way, the following items are obtained.
  • the creation of the individual group is the same as that in the first embodiment described above.
  • classification is performed by regarding similar items as the same evaluation items.
  • a plurality of models are not classified.
  • a plurality of models are classified into two individual groups R1 and R2.
  • the plurality of models are classified into two individual groups O1 and O2.
  • a plurality of models are not classified.
  • FIG. 15 shows a step response example of models belonging to the individual groups R1 and R2 classified for the similar item 2.
  • FIG. 16 shows a step response example of models belonging to the individual groups O1 and O2 classified for the similar item 3 respectively.
  • the second classification unit 105 creates a display group by combining all the individual groups described above.
  • FIG. 17 shows a total combination of the individual groups R1 and R2 and the individual groups O1 and O2.
  • the number of individual groups for a feature quantity can be reduced to one, and the total number of individual groups can be reduced.
  • the definition of distance is different from the engineer's sense of scale when the feature quantities with different scales are combined, the accuracy of grouping deteriorates.
  • the accuracy of grouping does not deteriorate and it is difficult for the engineer's feeling and grouping results to deviate.
  • Engineers have no sense of dividing features with uniform distribution into groups.
  • the first classification unit 104a also classifies feature quantities having a uniform distribution into individual groups according to the designated number of divisions. Although the engineer does not distinguish between uniform distributions, the first classification unit 104a distinguishes between them, so that there is a difference between them. This is one of the causes of degradation of grouping accuracy.
  • One condition for avoiding this cause as much as possible is to collect mutually correlated feature quantities in each similar item.
  • FIG. 18A shows an example of similar items whose accuracy deteriorates.
  • FIG. 18B shows an example of similar items that do not deteriorate in accuracy.
  • the feature quantity 1 and the feature quantity 2 have no correlation and the distribution is uniform, so it is difficult for an engineer to distinguish, but there are cases where they are classified and classified as shown. This grouping result deviates from the engineer's feeling.
  • the feature quantity 3 and the feature quantity 4 in FIG. 18B have a correlation with each other and are not in a uniform distribution that the engineer cannot distinguish. For this reason, in the example shown in FIG. 18B, a difference between the engineer's feeling and the result of grouping hardly occurs.
  • the combination of feature amounts that tend to cause a bias in the distribution of feature amounts as described above is a combination of units having the same physical quantity unit. For example, in a feature quantity whose unit is time, if the rise time is long, the settling time tends to be long at the same time (positive correlation). In addition, regarding the feature quantity whose unit is the input / output ratio, if the DC gain is small, it can be assumed that the overshoot quantity tends to be large at the same time (negative correlation).
  • the first classification unit classifies the feature quantities for each evaluation item based on the similarity of the feature quantities to form individual groups.
  • a plurality of models are classified into display groups by combining all the individual groups in the second classification unit.
  • the support device is a computer device including a CPU (Central Processing Unit) 301, a main storage device 302, an external storage device 303, a network connection device 304, and the like.
  • a CPU Central Processing Unit
  • an external storage device 303
  • a network connection device 304 and the like.
  • Each function mentioned above is implement
  • the network connection device 304 is connected to the network 305.
  • Each function may be distributed among a plurality of computer devices.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

第１分類部（１０４）で、特徴量の類似度をもとに、特徴量を評価項目毎に分類して個別グループとする。次に、第２分類部（１０５）で個別グループを全て組み合わせることで複数のモデルを表示グループに分類する。

Description

支援装置および支援方法
　本発明は、プロセス制御で利用される数学モデルを表示することでモデルの作成を支援する支援装置および支援方法に関するものである。
　伝達関数モデル、状態空間表現モデルなどの数学モデルを用いて制御変数の将来の応答を予測し、予測した応答が参照軌道や目標値に漸近するような操作変数を算出するモデル制御方法がある（特許文献１参照）。このような数学モデルを利用した制御手法を実行するためには、モデルを作成する必要がある。このモデル作成方法にはいくつかあるが、代表的な方法の１つとしてシステム同定と呼ばれる方法がある。システム同定では、モデリング対象の入出力時系列データを統計的に処理し、入出力を再現するようなモデルを、最小２乗法などを用いて構築する。
　システム同定によるモデル作成では、一般的には、エンジニアがモデルを試行錯誤で複数作成し、作成した複数のモデルから精度が十分かつ利用目的に妥当なものを選択するといった手順を経ることが多い。このため、モデル作成作業を通して、多くのモデルが作成される。このように、試行錯誤によって多くのモデルが作成されるのは、モデル作成の作業には多くの設定条件があるからである。
　設定条件の例としては、学習に使用する入出力データの前処理方法（ノイズ除去やトレンド除去）やモデル構造、推定方法などが挙げられる。また、学習に使う入出力データが長い期間にわたって保存されている場合、学習データの期間選択も設定条件の１つである。このようにモデルを作成するための同定条件は、多くの設定条件の組み合わせから構成される。
特開平０５－２６５５１４号公報
Lennart Ljung , "Matlab&Simulink, System Identification Toolbox Getting Started Guide", The MathWorks, Inc. , R2015b, p. 4-15, 2015. 足立　修一、「システム同定の基礎」、東京電機大学出版局、第１判第１刷、１８９頁、２００９年。
　しかしながら、多くのモデルの中から妥当なモデルを選択する作業は、煩雑で非効率である。従来、一般には、作成したモデルのステップ応答をグリッド状に並べて表示し、表示されているいずれかのモデルを選択することが行われている（非特許文献１参照）。しかしながら、このように表示しても、以下に示すように、モデルの選択は効率的とはならない。
　前述したように同定条件の選択肢は数が多いので、多くの場合、多数のモデルが作成される。これに加え、モデルの対象は変わらないため、作成されたモデルが互いに似ることが多くなる。エンジニアは、互いに似ている多数のモデルの中から評価が最も高いモデルを見つけることになる。しかしながら、似たモデル同士は似た評価になり、評価が最も高いモデルを見つけることは容易ではない。
　多くのモデルの中から妥当なモデルを選択する作業が煩雑で非効率であるという問題は、モデル作成の試行錯誤を自動化すると更に顕著となる。モデル作成の試行錯誤は、それ自体が煩雑かつ時間がかかる作業である。これを解決するためには、モデル作成の同定条件を選択する作業を自動化し、多くの同定条件を網羅してモデルを作成する方法が考えられる。しかし、自動化でより多くの試行錯誤が可能になるため、候補となるモデルの数が非常に多くなる。当然ながら、作成された多くのモデルの中には、互いに似たモデルも多く含まれるので、これまで述べた問題がより顕著に現れることになる。
　本発明は、以上のような問題点を解消するためになされたものであり、試作した多くのモデルの中より、対象となるモデル制御に最適なモデルがより容易に選択できるようにすることを目的とする。
　本発明に係る支援装置は、制御対象の複数のモデルを記憶したモデル記憶部と、複数のモデルを評価するための複数の評価項目を記憶する評価項目記憶部と、モデル記憶部に記憶されている複数のモデルの各々について、評価項目記憶部に記憶されている複数の評価項目の各々に該当する特徴量を算出するように構成された特徴量算出部と、特徴量算出部により算出された特徴量の類似度をもとにモデル記憶部に記憶されている複数のモデルを複数の第１グループに分類するように構成された第１分類部と、第１分類部で分類した複数の第１グループ同士を組み合わせることで複数のモデルを複数の第２グループに分類するように構成された第２分類部と、第２分類部により分類された複数のモデルを複数の第２グループ毎に表示部に表示させるように構成された表示制御部とを備える。
　上記支援装置において、第１分類部は、複数のモデルを複数の評価項目毎に複数の第１グループに分類する。
　上記支援装置において、評価項目を予め設定した条件で同類項目に分類するように構成された項目分類部を更に備え、第１分類部は、複数のモデルを同類項目毎に複数の第１グループに分類する。
　上記支援装置において、第１分類部は、特徴量をｋ平均近傍法によってクラスタリングすることで分類すればよい。また、第１分類部は、閾値との大小関係により特徴量を分類してもよい。
　上記支援装置において、操作指示を受け付ける操作受付部を更に備え、表示制御部は、複数の第２グループを識別する識別情報を表示部に表示し、表示部に表示されている識別情報のうち操作受付部を介して選択された識別情報によって識別される第２グループに分類されたモデルを表示部に表示するようにしてもよい。
　上記支援装置において、表示制御部は、識別情報を、特徴量算出部が算出した複数の特徴量のうち任意の２つの特徴量によって表される２次元平面上の領域として表示部に表示してもよい。
　上記支援装置において、複数の第２グループに分類されたモデルを代表する代表画像を作成するように構成された代表画面作成部を備え、表示制御部は、代表画面作成部が作成した代表画面を第２グループを識別する識別情報として表示部に表示してもよい。
　上記支援装置において、代表画面作成部は、複数の第２グループに分類された各モデルのステップ応答を各々計算して各時刻の平均値からなる波形を代表画像として作成すればよい。
　本発明に係る支援方法は、制御対象の複数のモデルをモデル記憶部に記憶するモデル記憶ステップと、モデル記憶部に記憶されている複数のモデルの各々について、評価項目記憶部に記憶されている複数の評価項目の各々に該当する特徴量を算出する特徴量算出ステップと、特徴量算出ステップにより算出された特徴量の類似度をもとにモデル記憶部に記憶されている複数のモデルを複数の第１グループに分類する第１分類ステップと、第１分類ステップで分類した複数の第１グループ同士を組み合わせることで複数のモデルを複数の第２グループに分類する第２分類ステップと、第２分類ステップで分類された複数のモデルを複数の第２グループ毎に表示部に表示させる表示制御ステップとを備える。
　上記支援方法において、第１分類ステップでは、複数のモデルを複数の評価項目毎に複数の第１グループに分類する。
　上記支援方法において、評価項目を予め設定した条件で同類項目に分類する項目分類ステップとを更に備え、第１分類ステップでは、複数のモデルを同類項目毎に複数の第１グループに分類する。
　上記支援方法において、第１分類ステップでは、特徴量をｋ平均近傍法によってクラスタリングすることで分類すればよい。また　第１分類ステップでは、閾値との大小関係により特徴量を分類してもよい。
　上記支援方法において、操作指示を受け付ける操作受付ステップを更に備え、表示制御ステップでは、複数の第２グループを識別する識別情報を表示部に表示し、表示部に表示されている識別情報のうち操作受付ステップで選択された識別情報によって識別される第２グループに分類されたモデルを表示部に表示する。
　上記支援方法において、表示制御ステップでは、識別情報を、特徴量算出ステップで算出した複数の特徴量のうち任意の２つの特徴量によって表される２次元平面上の領域として表示部に表示すればよい。
　上記複数の第２グループに分類されたモデルを代表する代表画像を作成する代表画面作成ステップを備え、表示制御ステップでは、代表画面作成ステップで作成した代表画面を第２グループを識別する識別情報として表示部に表示してもよい。
　上記支援方法において、代表画面作成ステップでは、複数の第２グループに分類された各モデルのステップ応答を各々計算して各時刻の平均値からなる波形を代表画像として作成すればよい。
　以上説明したことにより、本発明によれば、試作した多くのモデルの中より、対象となるモデル制御に最適なモデルがより容易に選択できるという優れた効果が得られる。
図１は、本発明の実施の形態１における支援装置の構成を示す構成図である。 図２Ａは、エンジニアが似たモデルを選別する判断材料になっているであろう数値である特徴量のうち、ステップ応答に関連する特徴量を示す特性図である。 図２Ｂは、エンジニアが似たモデルを選別する判断材料になっているであろう数値である特徴量のうち、ステップ応答に関連する特徴量を示す特性図である。 図３は、本発明の実施の形態１におけるモデル分類を説明するためのモデルの例を示す説明図である。 図４は、本発明の実施の形態１における支援方法を説明するためのフローチャートである。 図５は、第２分類部１０５により分類された表示モデルを分類されたグループ毎に表示部１０７に表示した例を示す説明図である。 図６は、直流ゲインのヒストグラムである。 図７は、ＲＭＳＥの昇順にモデルを整列して表示した状態を説明するための説明図である。 図８は、第２分類部１０５により分類された表示モデルを分類されたグループ毎に表示部１０７に表示した例を示す説明図である。 図９は、第２分類部１０５により分類された表示モデルを分類されたグループ毎に表示部１０７に表示した例を示す説明図である。 図１０は、第２分類部１０５により分類された表示モデルを分類されたグループ毎に表示部１０７に表示した例を示す説明図である。 図１１は、第２分類部１０５により分類された表示モデルを分類されたグループ毎に表示部１０７に表示した例を示す説明図である。 図１２は、本発明の実施の形態２における支援装置の構成を示す構成図である。 図１３は、本発明の実施の形態２における支援方法を説明するためのフローチャートである。 図１４は、本発明の実施の形態２におけるモデル分類を説明するためのモデルの例を示す説明図である。 図１５は、同類項目２ついて分類された個別グループＲ１，Ｒ２について、各々に属するモデルのステップ応答例を示す説明図である。 図１６は、同類項目３について分類された個別グループＯ１，Ｏ２について、各々に属するモデルのステップ応答例を示す説明図である。 図１７は、個別グループＲ１，Ｒ２と個別グループＯ１，Ｏ２との総組み合わせを取った状態を示す説明図である。 図１８Ａは、精度劣化する同類項目の例を示した説明図である。 図１８Ｂは、精度劣化しない同類項目の例を示した説明図である。 図１９は、本発明の実施の形態における支援装置のハードウエア構成を示す構成図である。
　以下、本発明の実施の形態について図を参照して説明する。
［実施の形態１］
　はじめに、本発明の実施の形態１について図１を用いて説明する。図１は、本発明の実施の形態１における支援装置の構成を示す構成図である。この支援装置は、モデル記憶部１０１、評価項目記憶部１０２、特徴量算出部１０３、第１分類部１０４、第２分類部１０５、表示制御部１０６、表示部１０７、操作受付部１０８を備える。
　モデル記憶部１０１は、制御対象の複数のモデルを記憶している。評価項目記憶部１０２は、モデルを評価するための複数の評価項目を記憶している。特徴量算出部１０３は、モデル記憶部１０１に記憶されている複数のモデルの各々について、評価項目記憶部１０２に記憶されている複数の評価項目の各々に該当する特徴量を算出するように構成されている。
　特徴量とは、エンジニアが似たモデルを選別する判断材料になっているであろう数値である。特徴量の評価項目は、対象となるモデル制御に最適なモデルの選択に際して適宜に設定すればよい。以下の表１に評価項目の例を示す。表１に示した評価項目のうち、ステップ応答に関連して算出される特徴量を図２Ａ、図２Ｂに示す。
Figure JPOXMLDOC01-appb-T000001
　上述した評価項目に対する特徴量を算出することにより、例えば、以下の表２に示す各評価項目に対する各数値（特徴量）がモデル毎に得られる。
Figure JPOXMLDOC01-appb-T000002
　第１分類部１０４は、特徴量算出部１０３により算出された特徴量を、特徴量の類似度をもとに分類することで、モデル記憶部１０１に記憶されている複数のモデルを複数の個別グループ（第１グループ）に分類する。実施の形態１において、第１分類部１０４は、複数のモデルを、特徴量の類似度をもとに複数の評価項目毎に複数の個別グループ（第１グループ）に分類する。例えば、第１分類部１０４は、特徴量から構成されるベクトルをｋ平均近傍法でクラスタリングすることで、評価項目毎に複数のモデルを複数の個別グループに分類する。
　１例として、直流ゲイン、立ち上がり時間、整定時間、むだ時間、オーバーシュート量、アンダーシュート量の各評価項目について、算出された特徴量から構成されるベクトルをｋ平均近傍法でクラスタリングする。算出された特徴量を、評価項目毎にプロットすると図３に示すようになる。
　図３に示すように、複数のモデルは、直流ゲインについては分類されない。複数のモデルは、立ち上がり時間については、３つの個別グループに分類される。複数のモデルは、整定時間については、３つの個別グループに分類される。複数のモデルは、むだ時間については、分類されない。複数のモデルは、オーバーシュート量については、２つの個別グループに分類される。複数のモデルは、アンダーシュート量については、分類されない。
　第２分類部１０５は、第１分類部１０４で分類した個別グループ同士を組み合わせることで複数のモデルを表示グループ（第２グループ）に分類する。第２分類部１０５は、例えば、個別グループ同士を全て組み合わせることで複数のモデルを表示グループに分類する。
　前述した例では、立ち上がり時間については、３つの個別グループＲ１，Ｒ２，Ｒ３に分類される。整定時間については、３つの個別グループＳ１，Ｓ２，Ｓ３に分類される。オーバーシュート量については、２つの個別グループＯ１，Ｏ２に分類される。第２分類部１０５は、これら個別グループの全てを組み合わせる。
　全ての組み合わせは、｛Ｒ１，Ｓ１，Ｏ１｝、｛Ｒ１，Ｓ１，Ｏ２｝、｛Ｒ１，Ｓ２，Ｏ１｝、｛Ｒ１，Ｓ２，Ｏ２｝、｛Ｒ１，Ｓ３，Ｏ１｝、｛Ｒ１，Ｓ３，Ｏ２｝、｛Ｒ２，Ｓ１，Ｏ１｝、｛Ｒ２，Ｓ１，Ｏ２｝、｛Ｒ２，Ｓ２，Ｏ１｝、｛Ｒ２，Ｓ２，Ｏ２｝、｛Ｒ２，Ｓ３，Ｏ１｝、｛Ｒ２，Ｓ３，Ｏ２｝、｛Ｒ３，Ｓ１，Ｏ１｝、｛Ｒ３，Ｓ１，Ｏ２｝、｛Ｒ３，Ｓ２，Ｏ１｝、｛Ｒ３，Ｓ２，Ｏ２｝、｛Ｒ３，Ｓ３，Ｏ１｝、｛Ｒ３，Ｓ３，Ｏ２｝の１８の表示グループとなる。
　表示制御部１０６は、第２分類部１０５により分類された複数のモデルを複数の表示グループ毎に表示部１０７に表示させる。表示制御部１０６は、モデルのステップ応答を、分類された表示グループ毎に表示部１０７に表示させる。ステップ応答は、プロセス制御では良く用いられている。なお、モデルのインパルス応答、モデルのボーデ線図などを表示してもよい。また、複数のモデル表示形態の種類からどれか１つを選択して表示するようにしても良い。なお、操作受付部１０８は、操作指示を受け付けるように構成されている。
　次に、実施の形態１における支援装置の動作例（支援方法）について、図４のフローチャートを用いて説明する。
　まず、ステップＳ１０１で、対象となるモデル制御に用いるためにエンジニアが試行錯誤で試作した複数のモデルを、モデル記憶部１０１に記憶する。次に、ステップＳ１０２で、特徴量算出部１０３が、モデル記憶部１０１に記憶されている複数のモデルの各々について、評価項目記憶部１０２に記憶されている複数の評価項目の各々に該当する複数の特徴量を算出する。例えば、上記表２に示すように、各評価項目に対し、特徴量算出部１０３が、モデル毎に特徴量を算出する。
　上述した特徴量の算出が、モデル記憶部１０１に記憶されている全てのモデルについて実施されると（ステップＳ１０３のｙ）、ステップＳ１０４で、第１分類部１０４が、特徴量算出部１０３により算出された特徴量を、特徴量の類似度をもとに分類することで、モデル記憶部１０１に記憶されている複数のモデルを複数の個別グループに分類する。実施の形態１では、ステップＳ１０４で、第１分類部１０４が、複数のモデルを、特徴量の類似度をもとに複数の評価項目毎に複数の個別グループに分類する。
　次に、ステップＳ１０５で、第２分類部１０５が、第１分類部１０４で分類した個別グループ同士を全て組み合わせることで複数のモデルを表示グループに分類する。次に、ステップＳ１０６で、表示制御部１０６が、第２分類部１０５により分類された表示モデルを分類されたグループ毎に表示部１０７に表示させる。
　例えば、図５に示すように、属する表示グループ毎にモデルをまとめて表示し、また、各表示グループが区別できるように、表示グループの表示領域における背景の色や模様などを各々異なる状態とし、表示グループ間の境界を明確に視認できるようにする。図５では、３つの表示グループが表示されている状態を示している。
　このように表示することで、例えばある表示グループの最初のモデルが、エンジニアが持つ先見情報と大きく異なる場合に、表示グループ毎にスキップして次の表示グループに進むことができ、モデルを評価して選択する作業の効率が改善され、モデル選択に対して大きな支援となる。なお、表示グループを区別するための表示方法は、背景の色やパターンを変更する、グラフの線や文字の色を変更するなど、様々な手法が利用可能である。
　ところで、上述では、特徴量から構成されるベクトルをｋ平均近傍法でクラスタリングすることで、個別グループの分類を行っていたが、これに限るものではない。例えば、第１分類部１０４は、閾値との大小関係により特徴量を分類して個別グループを作成してもよい。
　例えば、特徴量１つを複数の閾値と比較し、その大小関係により個別グループに分ける。例えば閾値が小さい方から１，２，３とあった場合に、以下のように４つの個別グループに分ける。
・特徴量が閾値１以下の場合は個別グループＡ１。
・特徴量が閾値１より大きく閾値２以下の場合は個別グループＡ２。
・特徴量が閾値２より大きく閾値３以下の場合は個別グループＡ３。
・特徴量が閾値３より大きい場合は個別グループＡ４。
　この分類では、閾値の決め方が重要となる。閾値決定の一方法としては、１つの特徴量のヒストグラムを作成し、度数の極小値を閾値とする方法がある。極小値は複数でもよいので、閾値も複数になる。複数の閾値と特徴量の大小関係を比較し、モデルを個別グループに分類する。
　例えば、直流ゲインのヒストグラムは、図６に示すものとなる。ヒストグラムの極小値は、この例では度数０のビンの中央値で計算でき、０．９４と１．０３　である（図１１の下矢印部分）。直流ゲインを０．９４　以下、０．９４より大１．０３以下、１．０３より大の３つのグループへモデルを分ける。ヒストグラムの極小値は　ＭＡＴＬＡＢ（登録商標）の「Signal Processing Toolbox」の「findpeaks」関数などを使って求めればよい。
　この他、正規化された特徴量では、存在範囲がある程度決まっているので、固定された閾値を使うことも可能である。特に正規化したオーバーシュート量や正規化したアンダーシュート量は、ステップ応答の形状に対応しているので、以下のような分け方でも十分な場合がある。
・個別グループＢ１：正規化オーバーシュート量３％未満（誤差や外乱を除けばオーバーシュートが無い）。
・個別グループＢ２：正規化オーバーシュート量が３％以上１０％未満（小さなオーバーシュートがある）・
・個別グループＢ３：正規化オーバーシュート量が１０％以上３０％未満（明確なオーバーシュートがある）。
・個別グループＢ４：正規化オーバーシュート量が３０％以上１００％未満（大きなオーバーシュートがある）。
・個別グループＢ５：正規化オーバーシュート量が１００％以上（オーバーシュートの方が大きい）。
　上述した個別グループの作成は、クラスタリングやヒストグラムを利用した方法に比べると粗いグループ分けしかできず、常に十分な性能が得られるわけではないが、用途や対象によっては利用できる場合もある。
　ところで、上述した実施の形態１のように表示グループに分類することなく、所定の基準で評価した結果によりモデルを整列させて表示することで、対象となるモデル制御に最適なモデルを選択する方法も考えられる。従来、複数のモデルから１つの評価基準に従ってモデルを選択する技術がある（非特許文献２参照）。
　以下、モデルの評価について説明する。モデルの誤差は、例えば対象の出力とモデル出力との間の２乗平均誤差（ＲＭＳＥ：Root Mean Square Error）で評価する。これは、実際に対象で測定された出力と、その時に対象に与えられた入力信号と同じ信号をモデルに入力した時に計算された出力との誤差を評価したものであり、以下の計算式が用いられる。
Figure JPOXMLDOC01-appb-M000003
　なお、モデルの誤差に関する評価指標はＲＭＳＥ以外にも、周波数重み付きの２乗平均誤差、ＦＰＥ（Final Prediction Error）、ＡＩＣ（Akaike Information Criterion）などがあるが、この問題は評価指標の種類に関係無く起こりうる。
　ここで、モデル作成を試行錯誤した結果、図７に示すような複数のモデル候補が得られて表示されたものとする。図７では、ＲＭＳＥの昇順にモデルが整列されている。一番左の列の一番上がＲＭＳＥが最も小さく、２番目にＲＭＳＥが小さいのはその下のモデルである。以降、ステップ応答に付記した数字がＲＭＳＥの小さい順位である。複数のモデルをＲＭＳＥの昇順に整列すれば、モデルは誤差の小さい順に並ぶ。
　しかしエンジニアは、ＲＭＳＥのみではなく、複数の選択基準を総合してモデルを選択することが多い。例えば、対象の立ち上がり時間がいくつくらいであるかという知見があれば、モデルの応答が知見に近いことも選択基準になる。この場合、ＲＭＳＥが少し悪くても（例えば１％大きくても）立ち上がり時間が自分の持っている知見により近いといった理由で、ＲＭＳＥが最も良いモデルとは別のモデルを選択することがある。このため、図７のようにＲＭＳＥ順に並べて表示しても、立ち上がり時間という基準があるので、複数のモデルを１つずつ見るという煩雑な作業が大幅に改善されるわけではない。なお、エンジニアの評価ポイントとなりうる知見としては、対象の応答がなめらかである、対象の直流ゲインの大体の値がわかっている、などが他にも想定される。
　上述したモデルの選択支援に対し、実施の形態１によれば、まず、エンジニアが似たモデルを選別する判断材料になっているであろう複数の特徴量を、試作したモデルの各々について求める。次に、求めた特徴量をもとに分類して表示グループとし、表示グループ毎に表示するようにした。この結果、複数の選択基準を総合してモデルを選択することがより容易になり、対象となるモデル制御に最適なモデルがより容易に選択できるようになる。
　加えて、実施の形態１では、まず、特徴量を、各々の評価項目について特徴量の類似度をもとに分類することで、複数のモデルを複数の個別グループに分類する。次いで、分類した個別グループを全て組み合わせることで複数のモデルを表示グループに分類する。このように分類したので、誤分類が抑制できるようになる。
　誤分類が抑制できることについて以下に説明する。ｋ平均近傍法などのクラスタリング手法は、サンプル間の非類似度を特徴量の距離で定義する。このため、複数の特徴量から距離を計算する際、特徴量のスケール（目盛り）の異なるものがあると、非類似度とエンジニアの感覚の間にずれが生じる。例えば、図３のプロットの縦軸のスケールを比べると、直流ゲインは１程度、時間の単位を持つ特徴量は０～１２０分、オーバーシュートは０～６％というように、特徴量のスケールは異なる。
　この例において、複数の特徴量から距離（類似度）を計算すると、時間の単位を持つ特徴量の距離への寄与が相対的に大きくなり、エンジニアの感覚とは違ってくる。このため、グループ分けの結果もエンジニアの感覚とは離れてしまう。このように複数の特徴量から非類似度を１つだけ定義すると、スケールの違いが問題となる。各特徴量の標準偏差やレンジ（最大値と最小値の差）で正規化して計算する方法もあるが、それでもエンジニアのスケール感と一致するとは限らず、解決は難しい。
　これに対し、特徴量を、評価項目別に分類すれば、特徴量毎に非類似度を定義するので、スケールが異なるものを混ぜることがないので、上述した問題が起きない。このため、誤分類が抑制される。
　ところで、図８の（ａ）に示すような選択表示で、複数の表示グループを識別するための表示グループ名（識別情報）を表示部１０７に表示してもよい。このように、表示部１０７の選択表示に表示されている識別情報のうち、操作受付部１０８を介した表示グループ名の選択操作（操作受付ステップ）に応じて、（ｂ）に示すモデル表示で、選択された表示グループ名（によって識別される表示グループに分類されたモデルを表示部１０７に表示するようにしてもよい。
　図８に示す例では、識別情報として表示グループ名を用いている。このように表示することで、表示グループ単位で評価ができ、モデルの取捨選択ができる。この結果、１つ１つモデルを見るよりもモデル選択の作業効率が改善され、モデル選択に対して大きな支援となる。また、表示されるモデル数が抑制されるので、モデル数が多い場合により大きな効果が得られる。
　また、選択表示において、図８の（ａ）に示した状態に代えて、図９に示すように、表示グループを識別するための識別情報として、特徴量算出部１０３が算出した複数の特徴量のうち任意の２つの特徴量によって表される座標（２次元平面）上にプロットすることで分類された表示グループを区別可能とした矩形（領域）を配置して示すことで、選択対象の表示グループを表示してもよい。図９では、横軸直流ゲイン、縦軸立ち上がり時間の座標軸に、表示グループを区別可能に矩形で表示した場合を例示している。
　この選択表示の中で、例えば、操作受付部１０８としてマウスなどの入力装置を用いて所望の表示グループを選択すると、選択された表示グループに属するモデルが別画面（不図示）で表示される。各座標における特徴量は、変更可能とされている。エンジニアは、表示グループ単位でモデルの特徴量を評価し、自分が持つ先見情報と照らし合わせることができる。このため、１つずつモデルを見ていくよりも作業効率が改善する。また、各表示グループの特徴量の位置関係を見ながら表示グループを選択できることも、作業の効率化に効果がある。
　この他、表示グループとその表示グループに属するモデルをツリー状に配置して表示する、表形式で１表示グループを１行に対応させて表示するなど、表示グループ毎に表示する様々な方法が利用できる。
　また、第２分類部１０５が分類した各表示グループに分類された（複数の第２グループに分類された）モデルの特徴を代表する画像（代表画像）を代表画面作成部（不図示）で作成し、表示グループの識別情報として表示してもよい（代表画面作成ステップ）。例えば、代表画面作成部は、表示グループに含まれる各モデルのステップ応答を各々計算し、各時刻の平均値からなる波形を代表画像として作成する。
　図１０の（ａ）に示す選択表示で、表示グループ名ともに作成した代表画像を、グループを識別する識別情報として表示部１０７に表示する。このように、表示部１０７の選択表示に表示されている識別情報のうち、操作受付部１０８を介したグループ名の選択操作（操作受付ステップ）に応じ、（ｂ）に示すモデル表示で選択された表示グループに属するモデルを表示部１０７に表示する。
　また、選択表示において、図１０の（ａ）に示した状態に代えて、図１１に示すように、代表画像を識別情報として２つの特徴量の座標上へプロットすることで、選択対象のグループを表示してもよい。図１１では、横軸直流ゲイン、縦軸立ち上がり時間の座標軸に、グループの代表画像を表示した場合を例示している。
　この選択表示の中で、例えば、操作受付部１０８としてマウスなどの入力装置を用いて所望のグループの代表画像を選択すると、選択されたグループに属するモデルが別画面（不図示）で表示される。各座標における特徴量は、変更可能とされている。
　上述したように代表画像を表示することで、各グループに含まれるモデルの特徴がひと目で判別可能となり、モデル選択の作業効率がより向上する。
［実施の形態２］
　次に、本発明の実施の形態２について図１２を用いて説明する。図１２は、本発明の実施の形態２における支援装置の構成を示す構成図である。この支援装置は、モデル記憶部１０１、評価項目記憶部１０２、特徴量算出部１０３、項目分類部２０１、第１分類部１０４ａ、第２分類部１０５、表示制御部１０６、表示部１０７、操作受付部１０８を備える。
　モデル記憶部１０１は、制御対象の複数のモデルを記憶している。評価項目記憶部１０２は、モデルを評価するための複数の評価項目を記憶している。特徴量算出部１０３は、モデル記憶部１０１に記憶されている複数のモデルの各々について、評価項目記憶部１０２に記憶されている複数の評価項目の各々に該当する特徴量を算出する。
　項目分類部２０１は、評価項目を設定した条件で同類項目に分類する。例えば、物理量の単位が同じ特徴量を、同類項目に分類することができる。ただし、後述するように、単に物理量の単位のみで分離すると、特徴量の分布に偏りが生じにくい場合が発生する。例えば、単位に対して正の相関がある特徴量と負の相関がある特徴量とは、同一の同類項目に分類しない方がよい。また、分布に偏りが発生しない場合、同類項目の分類を試行した上で、偏りが生じやすい分類を採用することが考えられる。また、過去の実施結果をもとに、同類項目の分類を行ってもよい。
　第１分類部１０４ａは、特徴量算出部１０３により算出された特徴量を、特徴量の類似度をもとに分類することで、モデル記憶部１０１に記憶されている複数のモデルを複数の個別グループ（第１グループ）に分類する。実施の形態２では、第１分類部１０４ａは、複数のモデルを、特徴量の類似度をもとに同類項目毎に複数の個別クループ（第１グループ）に分類する。例えば、第１分類部１０４ａは、特徴量から構成されるベクトルをｋ平均近傍法でクラスタリングすることで、同類項目毎に複数のモデルを複数の個別グループに分類する。
　第２分類部１０５は、第１分類部１０４で分類した個別グループを全て組み合わせることで複数のモデルを表示グループ（第２グループ）に分類する。
　表示制御部１０６は、第２分類部１０５により分類された複数のモデルを複数の表示グループ毎に表示部１０７に表示させる。表示制御部１０６は、モデルのステップ応答を、分類された表示グループ毎に表示部１０７に表示させる。ステップ応答は、プロセス制御では良く用いられている。なお、モデルのインパルス応答、モデルのボーデ線図などを表示してもよい。また、複数のモデル表示形態の種類からどれか１つを選択して表示するようにしても良い。操作受付部１０８は、操作指示を受け付けるように構成されている。
　モデル記憶部１０１、評価項目記憶部１０２、特徴量算出部１０３、第２分類部１０５、表示制御部１０６、表示部１０７、操作受付部１０８は、前述した実施の形態１と同様である。実施の形態２では、新たに、項目分類部２０１を設けた。また、実施の形態２では、第１分類部１０４ａが、項目分類部２０１が分類した同類項目について特徴量の類似度をもとに分類することで、複数のモデルを複数の個別グループに分類する。第１分類部１０４ａにおける個別グループの分類方法については、実施の形態１の第１分類部１０４と同様である。
　次に、実施の形態２における支援装置の動作例（支援方法）について、図１３のフローチャートを用いて説明する。
　まず、ステップＳ２０１で、対象となるモデル制御に用いるためにエンジニアが試行錯誤で試作した複数のモデルを、モデル記憶部１０１に記憶する。次に、ステップＳ２０２で、特徴量算出部１０３が、モデル記憶部１０１に記憶されている複数のモデルの各々について、評価項目記憶部１０２に記憶されている複数の評価項目の各々に該当する複数の特徴量を算出する。
　上述した特徴量の算出が、モデル記憶部１０１に記憶されている全てのモデルについて実施されると（ステップＳ２０３のｙ）、ステップＳ２０４で、項目分類部２０１が、設定した条件で評価項目を同類項目に分類する。次に、ステップＳ２０５で、第１分類部１０４が、特徴量算出部１０３により算出された特徴量を、特徴量の類似度をもとに分類することで、モデル記憶部１０１に記憶されている複数のモデルを複数の個別グループに分類する。実施の形態２において、ステップＳ２０５では、第１分類部１０４ａが、特徴量の類似度をもとに複数のモデルを同類項目毎に複数の個別クループに分類する。
　次に、ステップＳ２０６で、第２分類部１０５が、第１分類部１０４で分類した個別グループを全て組み合わせることで複数のモデルを表示グループに分類する。次に、ステップＳ２０７で、表示制御部１０６が、第２分類部１０５により分類された表示モデルを分類されたグループ毎に表示部１０７に表示させる。
　実施の形態２では、実施の形態１に比較して、分類の精度を落とすことなく、表示グループ数を抑制するようにした。
　項目分類部２０１は、例えば、図１４に示すような複数のモデルに対して、特徴量を算出し、同類項目１：直流ゲイン、同類項目２：立ち上がり時間、整定時間、みなしむだ時間、同類項目３：正規化オーバーシュート量、同類項目４：正規化アンダーシュート量の４つに評価項目を分類する。
　このように分類された同類項目について、第１分類部１０４ａが個別グループを作成すると、以下に示すものとなる。個別グループの作成は、前述した実施の形態１と同様であり、実施の形態２では、同類項目を同じ評価項目と見なして分類を実施する。まず、同類項目１では、複数のモデルが分類されない。同類項目２については、複数のモデルが２つの個別グループＲ１，Ｒ２に分類される。同類項目３については、複数のモデルが２つの個別グループＯ１，Ｏ２に分類される。同類項目４については、複数のモデルが分類されない。
　同類項目２ついて分類された個別グループＲ１，Ｒ２について、各々に属するモデルのステップ応答例を図１５に示す。また、同類項目３について分類された個別グループＯ１，Ｏ２について、各々に属するモデルのステップ応答例を図１６に示す。
　実施の形態２において、第２分類部１０５は、上述した個別グループの全てを組み合わせて表示グループを作成する。個別グループＲ１，Ｒ２と個別グループＯ１，Ｏ２との総組み合わせをとると、図１７に示すものとなる。
　総組み合わせによってつくられるグループは｛Ｏ１，Ｒ１｝，｛Ｏ１，Ｒ２｝，｛Ｏ２，Ｒ１｝，｛Ｏ２，Ｒ２｝の４つである。例えば、｛Ｏ１，Ｒ１｝には６つ、｛Ｏ２，Ｒ１｝に９つ、｛Ｏ２，Ｒ２｝に３つのモデルが属する表示グループが作成される。最後に、表示グループ毎にモデルを分けて表示する。
　以下にグループ分けの精度を改善しつつ、個別グループの数を削減できる理由を述べる。
　複数の特徴量をまとめて分類すると、特徴量に対する個別グループを１つにすることができ、全体の個別グループ数を削減できる。しかし、すでに述べたように、スケールの異なる特徴量をまとめたときに距離の定義がエンジニアのスケール感と離れていると、グループ分けの精度が劣化する。
　グループ分けの精度が劣化せず、エンジニアの感覚とグループ分け結果が乖離しにくい条件がある。これは、特徴量が、互いに何らかの相関関係を持ち、特徴量の分布に偏りがある場合である。エンジニアは、分布が均一な特徴量をグループに分ける感覚は持っていない。一方、第１分類部１０４ａは、分布が均一である特徴量に対しても、指定された分割数に従って個別グループに分類する。エンジニアは均一な分布を区別しないが、第１分類部１０４ａは区別するので、両者に差異が生じる。これがグループ分けの精度劣化の原因の１つである。この原因をできる限り回避する１つの条件は、各同類項目には、互いに相関のある特徴量を集めることである。
　図１８Ａに、精度劣化する同類項目の例を示した。また、図１８Ｂに、精度劣化しない同類項目の例を示した。図１８Ａでは、特徴量１と特徴量２は相関がなく、分布が均一であるからエンジニアは区別しにくいが、図示するように区別して分類される場合がある。このグループ分け結果は、エンジニアの感覚と乖離してしまう。図１８Ｂの特徴量３と特徴量４は互いに相関があり、エンジニアが区別できないような均一な分布ではない。このため、図１８Ｂに示す例では、エンジニアの感覚とグループ分けの結果に乖離は生じにくい。
　上述したような特徴量の分布に偏りが生じやすい特徴量の組み合わせは、各特徴量の物理量の単位が同じであるものの組み合わせである。例えば、単位が時間である特徴量では、立ち上がり時間が長ければ、同時に整定時間も長い傾向がある場合が多い（正の相関）。また、単位が入出力比である特徴量については、直流ゲインが小さければ、同時にオーバーシュート量が大きい傾向が想定できる（負の相関）。
　すでに表２に例示した特徴量を物理量の単位が同じものによって、分類すると、以下の表３に示すものとなる。表３に示すように定義した分類に従って特徴量を同類項目に分けると、精度劣化のおそれを防ぎつつ、個別グループの数が抑制できるようになる。
Figure JPOXMLDOC01-appb-T000004
　以上に説明したように、本発明では、まず、第１分類部で、各々の評価項目について特徴量の類似度をもとに、特徴量を分類して個別グループとする。次に、本発明では、第２分類部で個別グループを全て組み合わせることで複数のモデルを表示グループに分類するようにした。この結果、本発明によると、試作した多くのモデルの中より、対象となるモデル制御に最適なモデルがより容易に選択できるようになる。
　なお、支援装置は、図１９に示すように、ＣＰＵ（Central Processing Unit；中央演算処理装置）３０１と主記憶装置３０２と外部記憶装置３０３とネットワーク接続装置３０４となどを備えたコンピュータ機器であり、主記憶装置３０２に展開されたプログラムによりＣＰＵ３０１が動作することで、上述した各機能が実現される。ネットワーク接続装置３０４は、ネットワーク３０５に接続する。また、各機能は、複数のコンピュータ機器に分散させるようにしてもよい。
　なお、本発明は以上に説明した実施の形態に限定されるものではなく、本発明の技術的思想内で、当分野において通常の知識を有する者により、多くの変形および組み合わせが実施可能であることは明白である。
　１０１…モデル記憶部、１０２…評価項目記憶部、１０３…特徴量算出部、１０４…第１分類部、１０５…第２分類部、１０６…表示制御部、１０７…表示部。

Claims (18)

  1. 　制御対象の複数のモデルを記憶したモデル記憶部と、
    　前記複数のモデルを評価するための複数の評価項目を記憶する評価項目記憶部と、
    　前記モデル記憶部に記憶されている前記複数のモデルの各々について、前記評価項目記憶部に記憶されている前記複数の評価項目の各々に該当する特徴量を算出するように構成された特徴量算出部と、
    　前記特徴量算出部により算出された前記特徴量の類似度をもとに前記モデル記憶部に記憶されている前記複数のモデルを複数の第１グループに分類するように構成された第１分類部と、
    　前記第１分類部で分類した前記複数の第１グループ同士を組み合わせることで前記複数のモデルを複数の第２グループに分類するように構成された第２分類部と、
    　前記第２分類部により分類された前記複数のモデルを前記複数の第２グループ毎に表示部に表示させるように構成された表示制御部と
    　を備えることを特徴とする支援装置。
  2. 　請求項１記載の支援装置において、
    　前記第１分類部は、前記複数のモデルを前記複数の評価項目毎に複数の第１グループに分類する
    　ことを特徴とする支援装置。
  3. 　請求項１記載の支援装置において、
    　前記評価項目を予め設定した条件で同類項目に分類するように構成された項目分類部を更に備え、
    　前記第１分類部は、前記複数のモデルを前記同類項目毎に複数の第１グループに分類する
    　ことを特徴とする支援装置。
  4. 　請求項１記載の支援装置において、
    　前記第１分類部は、前記特徴量をｋ平均近傍法によってクラスタリングすることで分類する
    　ことを特徴とする支援装置。
  5. 　請求項１記載の支援装置において、
    　前記第１分類部は、閾値との大小関係により前記特徴量を分類する
    　ことを特徴とする支援装置。
  6. 　請求項１記載の支援装置において、
    　操作指示を受け付ける操作受付部を更に備え、
    　前記表示制御部は、前記複数の第２グループを識別する識別情報を前記表示部に表示し、前記表示部に表示されている前記識別情報のうち前記操作受付部を介して選択された識別情報によって識別される第２グループに分類されたモデルを前記表示部に表示する
    　ことを特徴とする支援装置。
  7. 　請求項６記載の支援装置において、
    　前記表示制御部は、前記識別情報を、前記特徴量算出部が算出した複数の前記特徴量のうち任意の２つの特徴量によって表される２次元平面上の領域として前記表示部に表示する
    　ことを特徴とする支援装置。
  8. 　請求項６記載の支援装置において、
    　前記複数の第２グループに分類されたモデルを代表する代表画像を作成するように構成された代表画面作成部を更に備え、
    　前記表示制御部は、前記代表画面作成部が作成した代表画面を前記第２グループを識別する識別情報として前記表示部に表示する
    　ことを特徴とする支援装置。
  9. 　請求項７記載の支援装置において、
    　前記代表画面作成部は、複数の前記第２グループに分類された各モデルのステップ応答を各々計算して各時刻の平均値からなる波形を代表画像として作成する
    　ことを特徴とする支援装置。
  10. 　制御対象の複数のモデルをモデル記憶部に記憶するモデル記憶ステップと、
    　前記モデル記憶部に記憶されている前記複数のモデルの各々について、評価項目記憶部に記憶されている前記複数の評価項目の各々に該当する特徴量を算出する特徴量算出ステップと、
    　前記特徴量算出ステップにより算出された前記特徴量の類似度をもとに前記モデル記憶部に記憶されている前記複数のモデルを複数の第１グループに分類する第１分類ステップと、
    　前記第１分類ステップで分類した前記複数の第１グループ同士を組み合わせることで前記複数のモデルを複数の第２グループに分類する第２分類ステップと、
    　前記第２分類ステップで分類された前記複数のモデルを前記複数の第２グループ毎に表示部に表示させる表示制御ステップと
    　を備えることを特徴とする支援方法。
  11. 　請求項１０記載の支援方法において、
    　前記第１分類ステップでは、前記複数のモデルを前記複数の評価項目毎に複数の第１グループに分類する
    　ことを特徴とする支援方法。
  12. 　請求項１０記載の支援方法において、
    　前記評価項目を予め設定した条件で同類項目に分類する項目分類ステップとを更に備え、
    　前記第１分類ステップでは、前記複数のモデルを前記同類項目毎に複数の第１グループに分類する
    　ことを特徴とする支援方法。
  13. 　請求項１０記載の支援方法において、
    　前記第１分類ステップでは、前記特徴量をｋ平均近傍法によってクラスタリングすることで分類する
    　ことを特徴とする支援方法。
  14. 　請求項１０記載の支援方法において、
    　前記第１分類ステップでは、閾値との大小関係により前記特徴量を分類する
    　ことを特徴とする支援方法。
  15. 　請求項１０記載の支援方法において、
    　操作指示を受け付ける操作受付ステップを更に備え、
    　前記表示制御ステップでは、前記複数の第２グループを識別する識別情報を前記表示部に表示し、前記表示部に表示されている前記識別情報のうち前記操作受付ステップで選択された識別情報によって識別される第２グループに分類されたモデルを前記表示部に表示する
    　ことを特徴とする支援方法。
  16. 　請求項１５記載の支援方法において、
    　前記表示制御ステップでは、前記識別情報を、前記特徴量算出ステップで算出した複数の前記特徴量のうち任意の２つの特徴量によって表される２次元平面上の領域として前記表示部に表示する
    　ことを特徴とする支援方法。
  17. 　請求項１５載の支援方法において、
    　前記複数の第２グループに分類されたモデルを代表する代表画像を作成する代表画面作成ステップを更に備え、
    　前記表示制御ステップでは、前記代表画面作成ステップで作成した代表画面を前記第２グループを識別する識別情報として前記表示部に表示する
    　ことを特徴とする支援方法。
  18. 　請求項１７記載の支援方法において、
    　前記代表画面作成ステップでは、複数の前記第２グループに分類された各モデルのステップ応答を各々計算して各時刻の平均値からなる波形を代表画像として作成する
    　ことを特徴とする支援方法。
PCT/JP2017/046630 2017-02-02 2017-12-26 支援装置および支援方法 WO2018142816A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2017017407A JP6879749B2 (ja) 2017-02-02 2017-02-02 支援装置および支援方法
JP2017-017407 2017-08-10

Publications (1)

Publication Number Publication Date
WO2018142816A1 true WO2018142816A1 (ja) 2018-08-09

Family

ID=63041216

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2017/046630 WO2018142816A1 (ja) 2017-02-02 2017-12-26 支援装置および支援方法

Country Status (2)

Country Link
JP (1) JP6879749B2 (ja)
WO (1) WO2018142816A1 (ja)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112789636A (zh) * 2018-10-26 2021-05-11 索尼公司 信息处理装置、信息处理方法和程序
JP2022014682A (ja) * 2020-07-07 2022-01-20 株式会社日立製作所 異常検出支援装置およびその方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7225984B2 (ja) * 2019-03-20 2023-02-21 株式会社リコー システム、演算装置、及びプログラム
JPWO2021241702A1 (ja) * 2020-05-28 2021-12-02

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05256741A (ja) * 1992-03-11 1993-10-05 Toshiba Corp プラント信号監視方法およびその装置
JP2000003206A (ja) * 1998-06-12 2000-01-07 Hitachi Ltd 制御対象モデル変更装置
JP2006127079A (ja) * 2004-10-28 2006-05-18 Yamatake Corp 制御対象モデル生成装置および生成方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05256741A (ja) * 1992-03-11 1993-10-05 Toshiba Corp プラント信号監視方法およびその装置
JP2000003206A (ja) * 1998-06-12 2000-01-07 Hitachi Ltd 制御対象モデル変更装置
JP2006127079A (ja) * 2004-10-28 2006-05-18 Yamatake Corp 制御対象モデル生成装置および生成方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112789636A (zh) * 2018-10-26 2021-05-11 索尼公司 信息处理装置、信息处理方法和程序
JP2022014682A (ja) * 2020-07-07 2022-01-20 株式会社日立製作所 異常検出支援装置およびその方法

Also Published As

Publication number Publication date
JP6879749B2 (ja) 2021-06-02
JP2018124851A (ja) 2018-08-09

Similar Documents

Publication Publication Date Title
WO2018142816A1 (ja) 支援装置および支援方法
US11216741B2 (en) Analysis apparatus, analysis method, and non-transitory computer readable medium
CN109656366B (zh) 一种情感状态识别方法、装置、计算机设备及存储介质
JP2018142097A (ja) 情報処理装置、情報処理方法及びプログラム
JP6863926B2 (ja) データ分析システム及びデータ分析方法
JP6897749B2 (ja) 学習方法、学習システム、および学習プログラム
JP5580502B1 (ja) 画像処理システム、画像処理方法、および画像処理プログラム
Nikhath et al. Building a k-nearest neighbor classifier for text categorization
CN107016416B (zh) 基于邻域粗糙集和pca融合的数据分类预测方法
CN112149737A (zh) 选择模型训练方法、模型选择方法、装置及电子设备
JPWO2018180197A1 (ja) データ解析装置、データ解析方法およびデータ解析プログラム
US20210397662A1 (en) Search needs evaluation apparatus, search needs evaluation system, and search needs evaluation method
US20200379016A1 (en) Waveform segmentation device and waveform segmentation method
JP6573233B2 (ja) 認識容易性指標算出装置、方法、及びプログラム
US8495070B2 (en) Logic operation system
JP5940018B2 (ja) データ名称抽出装置及びプログラム
US20240152664A1 (en) Singular material detection apparatus, control method, and non-transitory computer readable medium
JP6993081B2 (ja) 支援装置および支援方法
JP2016062249A (ja) 識別辞書学習システム、認識辞書学習方法および認識辞書学習プログラム
Boudjella et al. Cooling load energy performance of residential building: machine learning-cluster K-nearest neighbor CKNN (Part I)
WO2018165530A1 (en) Method of constructing a reusable low-dimensionality map of high-dimensionality data
WO2018092317A1 (ja) 選択装置、選択方法、および選択プログラム
US11886513B2 (en) Data analysis system, data analysis method, and computer program product
JP6831221B2 (ja) 学習装置及び学習方法
US20240184951A1 (en) Simulation system and simulation method

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: 17895497

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 17895497

Country of ref document: EP

Kind code of ref document: A1