WO2020174527A1 - 取得データ特定装置、取得データ特定方法及び取得データ特定プログラム - Google Patents

取得データ特定装置、取得データ特定方法及び取得データ特定プログラム Download PDF

Info

Publication number
WO2020174527A1
WO2020174527A1 PCT/JP2019/007023 JP2019007023W WO2020174527A1 WO 2020174527 A1 WO2020174527 A1 WO 2020174527A1 JP 2019007023 W JP2019007023 W JP 2019007023W WO 2020174527 A1 WO2020174527 A1 WO 2020174527A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
acquisition
pattern
acquired
accuracy
Prior art date
Application number
PCT/JP2019/007023
Other languages
English (en)
French (fr)
Inventor
孝太郎 福井
圭 後藤
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to PCT/JP2019/007023 priority Critical patent/WO2020174527A1/ja
Priority to JP2020572568A priority patent/JP6890733B2/ja
Priority to TW108121046A priority patent/TW202032393A/zh
Publication of WO2020174527A1 publication Critical patent/WO2020174527A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management

Definitions

  • the present invention relates to a technique for reducing the amount of data acquired from a device to be monitored that is remotely monitored.
  • Remote monitoring is being performed with various devices such as elevators, escalators, and railroads as monitoring target devices.
  • various devices such as elevators, escalators, and railroads as monitoring target devices.
  • the state of the device can be grasped remotely and the progress of deterioration of the device can be predicted. This allows planning to perform maintenance work at appropriate times.
  • Patent Document 1 describes that the diagnostic interval is optimized by adjusting the diagnostic interval based on the reliability of the predicted life, without reducing the diagnostic accuracy.
  • the monitored device in order to improve the prediction accuracy, it may be designed to acquire the data with the highest accuracy of the sensor. If designed in this way, a large amount of data will be acquired when the number of devices to be monitored increases, and the amount of communication will increase. In addition, a large amount of storage is required to store a large amount of acquired data. In the technique described in Patent Document 1, it may be possible to reduce the load of the diagnostic processing by adjusting the diagnostic interval. However, the data necessary for diagnosis is continuously acquired, and a large amount of data is still acquired. It is an object of the present invention to suppress the amount of data acquired from a device to be monitored while maintaining prediction accuracy to some extent when performing remote monitoring.
  • the acquired data specifying device is Targeting each of a plurality of acquisition patterns that reduces the data acquisition amount of the above-mentioned multiple types of data so that the total data amount of the multiple types of data acquired from the monitored device of remote monitoring during the reference period becomes less than the limit amount
  • An evaluation data generation unit that generates evaluation data by reducing the data amount of the plurality of types of data acquired in the past from the monitoring target device according to a target acquisition pattern, With respect to each of the plurality of acquisition patterns, the prediction accuracy is calculated when the evaluation model generated by the evaluation data generation unit according to the target acquisition pattern is given to a prediction model to predict the state of the monitored device.
  • the accuracy calculator, A pattern specifying unit that specifies the acquired pattern with the high prediction accuracy calculated by the accuracy calculation unit.
  • evaluation data is generated for each of a plurality of acquisition patterns that reduce the data acquisition amount so that the total data amount is less than the limit amount, the prediction accuracy is calculated, and the acquisition pattern with high prediction accuracy is specified. As a result, it is possible to reduce the amount of data acquired from the monitoring target device while maintaining the prediction accuracy to some extent.
  • FIG. 3 is a configuration diagram of the acquired data specifying device 10 according to the first embodiment.
  • 3 is an explanatory diagram of a prediction model 32 according to the first embodiment.
  • FIG. FIG. 6 is an explanatory diagram of weight data 33 according to the first embodiment.
  • 3 is a flowchart showing the operation of the acquired data specifying device 10 according to the first embodiment.
  • FIG. 5 is an explanatory diagram of an acquisition pattern according to the first embodiment.
  • FIG. 5 is an explanatory diagram of accuracy calculation according to the first embodiment.
  • FIG. 6 is an explanatory diagram of acquisition pattern identification according to the first embodiment.
  • specification apparatus 10 which concerns on the modification 3.
  • FIG. 6 is a configuration diagram of an acquired data specifying device 10 according to the second embodiment.
  • 9 is a flowchart showing the operation of the acquired data specifying device 10 according to the second embodiment.
  • the acquired data specifying device 10 is a computer.
  • the acquired data identification device 10 is connected to a plurality of monitored devices 40 that are targets of remote monitoring via a communication path 50.
  • the monitored device 40 is assumed to be various devices such as an elevator, an escalator, and a train.
  • the plurality of monitored devices 40 are assumed to be one type of device.
  • the plurality of monitored devices 40 are all elevators.
  • the communication path 50 is a mobile phone network or the like.
  • the acquired data identifying device 10 includes hardware such as a processor 11, a memory 12, a storage 13, and a communication interface 14.
  • the processor 11 is connected to other hardware via a signal line and controls these other hardware.
  • the processor 11 is an IC (Integrated Circuit) that performs processing.
  • the processor 11 is a CPU (Central Processing Unit), a DSP (Digital Signal Processor), and a GPU (Graphics Processing Unit).
  • the memory 12 is a storage device that temporarily stores data.
  • the memory 12 is, for example, an SRAM (Static Random Access Memory) or a DRAM (Dynamic Random Access Memory).
  • the storage 13 is a storage device that stores data.
  • the storage 13 is, as a specific example, an HDD (Hard Disk Drive).
  • the storage 13 includes SD (registered trademark, Secure Digital) memory card, CF (CompactFlash, registered trademark), NAND flash, flexible disk, optical disk, compact disk, Blu-ray (registered trademark) disk, DVD (Digital Versatile Disk). It may be a portable recording medium.
  • the communication interface 14 is an interface for communicating with an external device such as the monitored device 40.
  • the communication interface 14 is, as a specific example, an Ethernet (registered trademark), USB (Universal Serial Bus), or HDMI (registered trademark, High-Definition Multimedia Interface) port.
  • the acquired data identification device 10 includes a pattern generation unit 21, an evaluation data generation unit 22, an accuracy calculation unit 23, a pattern identification unit 24, and a device control unit 25 as functional components.
  • the function of each functional component of the acquired data specifying device 10 is realized by software.
  • the storage 13 stores programs that implement the functions of the functional components of the acquired data identifying apparatus 10. This program is read into the memory 12 by the processor 11 and executed by the processor 11. As a result, the function of each functional component of the acquired data specifying device 10 is realized.
  • the storage 13 stores a plurality of types of data 31, a plurality of prediction models 32, and weight data 33.
  • the plurality of types of data 31 are data acquired from sensors provided in each monitored device 40.
  • Each monitoring target device 40 is provided with a plurality of sensors, and the data of the type corresponding to the sensor is acquired from each monitoring target device 40.
  • the plurality of types of data 31 are types of data such as the input voltage of the hoist, the acceleration (vibration) of the car, and the opening/closing speed of the door.
  • the plurality of prediction models 32 are models constructed corresponding to each of the plurality of failure modes indicating the target of failure prediction, and are models that perform state prediction according to the failure mode.
  • the prediction model 32 is constructed by performing machine learning or the like.
  • the failure mode is determined for each component such as the component A and the component B that form the monitoring target device 40. Further, the failure mode may be determined for each failure content such as door opening/closing abnormality.
  • the weight data 33 indicates the weight assigned to each failure mode as shown in FIG.
  • the weight of each failure mode is set by the user of the acquired data specifying device 10 or the like according to the magnitude of the influence of the failure mode.
  • the magnitude of the influence of the failure mode is the degree of the influence on the user of the monitored device 40 when a failure occurs in the target indicated by the failure mode, and the cost required when the failure occurs in the target indicated by the failure mode. And so on.
  • FIG. 1 only one processor 11 is shown. However, a plurality of processors 11 may be provided, and the plurality of processors 11 may execute programs that implement respective functions in cooperation with each other.
  • the operation of the acquired data identifying apparatus 10 according to the first embodiment will be described with reference to FIGS. 4 to 7.
  • the operation of the acquired data specifying device 10 according to the first embodiment corresponds to the acquired data specifying method according to the first embodiment.
  • the operation of the acquired data specifying device 10 according to the first embodiment corresponds to the process of the acquired data specifying program according to the first embodiment.
  • the storage 13 stores a plurality of types of data 31 obtained by operating each monitored device 40 in the past.
  • the plurality of types of data 31 stored in the storage 13 is data acquired according to the initial setting of each monitored device 40.
  • the plurality of types of data 31 stored in the storage 13 is data acquired in a state where the sensors provided in each monitored device 40 are set to the highest accuracy.
  • Step S1 of FIG. 4 pattern generation process
  • the pattern generation unit 21 reduces the data acquisition amount of the plurality of types of data 31 so that the total data amount of the plurality of types of data 31 acquired from one monitoring target device 40 in the reference period becomes smaller than the limit amount.
  • the reference period is a period set by the user of the acquired data specifying device 10, such as 1 day, 1 week, and 1 month.
  • the limit amount is a data amount set by the user of the acquired data specifying device 10 based on the communication cost or the like allowed for one monitoring target device 40.
  • the pattern generation unit 21 generates an acquisition pattern for each type of data 31 by changing the presence/absence of acquisition, the acquisition cycle, the time resolution, and the signal resolution.
  • the presence/absence of acquisition means whether or not to acquire the data 31 of the target type. That is, the presence/absence of acquisition means whether or not the acquisition of the data 31 of the target type is stopped.
  • the acquisition cycle means an interval for acquiring the data 31 of the target type.
  • Time resolution means the interval at which data is sampled when collecting continuous data for a certain period of time. That is, the time resolution means at what interval data is sampled at the timing indicated by the acquisition cycle. For example, it is assumed that the acquisition cycle is 10 minutes and data is collected once every 10 minutes for 5 seconds.
  • the temporal resolution means sampling data every 5 milliseconds or every 10 milliseconds, for example.
  • the signal resolution means the resolution of data value. Since the data collected by the sensor is often obtained as a voltage value or a current value, the signal resolution means the resolution of the voltage value or the resolution of the current value.
  • the pattern generation unit 21 generates acquisition patterns of all combinations of acquisition presence/absence, acquisition cycle, time resolution, and signal resolution. At this time, the pattern generation unit 21 changes the acquisition period, the time resolution, and the signal resolution at each predetermined change interval.
  • the pattern generation unit 21 calculates the total data amount of the plurality of types of data 31 in the reference period for each of the acquired patterns of all combinations. Based on the calculated data amount, the pattern generation unit 21 extracts an acquisition pattern in which the total data amount of the plurality of types of data 31 in the reference period is less than the limit amount, from the acquisition patterns of all the combinations. Thereby, the pattern generation unit 21 generates a plurality of acquisition patterns.
  • the pattern generation unit 21 limits the total data amount in the acquisition patterns in which the total data amount is less than the limit amount. You may extract only a part of acquisition pattern close to quantity. This makes it possible to reduce the subsequent processing amount when the number of extracted patterns extracted is large.
  • Step S2 of FIG. 4 evaluation data generation process
  • the evaluation data generation unit 22 reduces the data amount of the plurality of types of data 31 acquired in the past from the monitored device 40 according to the target acquisition pattern for each of the plurality of acquisition patterns generated in step S1, The evaluation data for the acquisition pattern of is generated. That is, the evaluation data generation unit 22 reduces the data amount of the plurality of types of data 31 stored in the storage 13 according to the target acquisition pattern and generates the evaluation data for the target acquisition pattern.
  • Reducing the data amount of the plurality of types of data 31 according to the target acquisition pattern means deleting all of the target type data 31 when there is no acquisition of the target type. It also means thinning out the data 31 of the target type based on the acquisition cycle, the time resolution, and the signal resolution.
  • Step S3 of FIG. 4 accuracy calculation process
  • the accuracy calculation unit 23 targets each of the plurality of acquisition patterns generated in step S1 and gives evaluation data for the target acquisition pattern generated in step S2 to each prediction model 32 in accordance with the target acquisition pattern and monitors the target. Prediction accuracy when the state of the device 40 is predicted is calculated. This will be specifically described with reference to FIG.
  • the accuracy calculation unit 23 applies the evaluation data of the target acquisition pattern to the target prediction model 32 and predicts the state of the monitoring target device 40 for each prediction model 32.
  • the accuracy calculation unit 23 calculates the prediction accuracy for the target prediction model 32 of the target acquisition pattern by comparing the predicted result with the actual state.
  • the evaluation data is generated from a plurality of types of data 31 acquired in the past and stored in the storage 13.
  • the accuracy calculation unit 23 weights the prediction accuracy of each target acquisition pattern for each prediction model 32 with the weight indicated by the weight data 33 to obtain the total prediction accuracy of the plurality of failure modes of the target acquisition pattern. Calculate accuracy. At this time, the accuracy calculation unit 23 weights with the weight corresponding to the same failure mode as the target prediction model 32. For example, the accuracy calculation unit 23 calculates the overall accuracy by multiplying the prediction accuracy for each prediction model 32 of the target acquisition pattern by a weight and then adding the prediction accuracy.
  • the pattern specifying unit 24 specifies an acquisition pattern having a high overall accuracy, which is the prediction accuracy for all of the plurality of failure modes calculated in step S3. As a result, the total amount of data acquired in the reference period is less than the limit amount, and an acquisition pattern with high overall accuracy is specified. For example, as shown in FIG. 7, it is assumed that there are two acquisition patterns ⁇ and ⁇ having substantially the same total data amount. In this case, the pattern specifying unit 24 specifies the acquired pattern ⁇ having a high total accuracy, which is the total prediction accuracy of each failure mode.
  • Step S5 of FIG. 4 device control processing
  • the device control unit 25 sets the acquisition pattern specified in step S4 in each monitoring target device 40.
  • the device control unit 25 updates the setting information file of each monitored device 40 with the information of the acquisition pattern.
  • the device control unit 25 causes each of the monitored devices 40 to collect the plurality of types of data 31 in accordance with the acquisition pattern specified in step S4.
  • the acquired data identification device 10 or another device acquires plural types of data 31 from each monitoring target device 40, gives the acquired plural types of data 31 to each prediction model 32, and then acquires each monitoring target device 40. State prediction. As a result, the timing of performing maintenance and inspection of each monitored device 40 is determined.
  • the acquired data specifying device 10 specifies the acquisition pattern in which the total data amount of the plurality of types of data 31 acquired in the reference period is less than the limit amount and the overall accuracy is high. To do. As a result, the amount of data acquired from the monitoring target device 40 can be reduced while maintaining the prediction accuracy to some extent.
  • the acquisition pattern with the highest prediction accuracy is specified under the condition that the total amount of data is less than the limit amount.
  • the acquisition pattern having the smallest total data amount may be specified under the condition that the prediction accuracy is higher than the restriction accuracy.
  • the acquired data identification device 10 identifies the acquired pattern in which the prediction accuracy is higher than the limit accuracy, and in step S3 of FIG. Calculate the total amount of data.
  • the acquired data specifying device 10 specifies the acquired pattern with the smallest total data amount.
  • the acquisition pattern is generated by changing the presence/absence of acquisition, the acquisition cycle, the time resolution, and the signal resolution. This is because in the case where edge computing is not introduced, the setting of the process for the data to be collected on the monitored device 40 side is often acquisition presence/absence, acquisition cycle, time resolution, and signal resolution. Is. However, if data processing is possible on the monitored device 40 side, it is possible to specify an appropriate acquisition pattern by generating an acquisition pattern according to the data processing that can be performed on the monitored device 40 side. Become.
  • each functional component is realized by software.
  • each functional component may be realized by hardware. Differences between the third embodiment and the first embodiment will be described.
  • the acquired data specifying device 10 includes an electronic circuit 15 instead of the processor 11, the memory 12, and the storage 13.
  • the electronic circuit 15 is a dedicated circuit that realizes the functions of each functional component, the memory 12, and the storage 13.
  • the electronic circuit 15 includes a single circuit, a composite circuit, a programmed processor, a parallel programmed processor, a logic IC, a GA (Gate Array), an ASIC (Application Specific Integrated Circuit), and an FPGA (Field-Programmable Gate Array). is assumed.
  • Each functional constituent element may be realized by one electronic circuit 15, or each functional constituent element may be dispersed in a plurality of electronic circuits 15 and realized.
  • Modification 4> As a modified example 4, some of the functional components may be realized by hardware, and the other functional components may be realized by software.
  • the processor 11, the memory 12, the storage 13, and the electronic circuit 15 are called a processing circuit. That is, the function of each functional component is realized by the processing circuit.
  • Embodiment 2 is different from the first embodiment in that the acquisition pattern is re-specified. In the second embodiment, these different points will be described, and description of the same points will be omitted.
  • the configuration of the acquired data specifying device 10 according to the second embodiment will be described with reference to FIG. 9.
  • the acquired data specifying device 10 is different from the acquired data specifying device 10 shown in FIG. 1 in that a trigger determination unit 26 is provided as a functional component.
  • the operation of the acquired data specifying device 10 according to the second embodiment will be described with reference to FIG.
  • the operation of the acquired data specifying device 10 according to the second embodiment corresponds to the acquired data specifying method according to the second embodiment.
  • the operation of the acquired data specifying device 10 according to the second embodiment corresponds to the processing of the acquired data specifying program according to the second embodiment.
  • step S5 the processing from step S1 to step S4 is executed and the acquisition pattern is specified. Then, in step S5, the device control unit 25 sets the acquisition pattern in each of the monitoring target devices 40. At this time, the device control unit 25 sets the acquisition pattern only to the remaining monitored devices 40 excluding some of the monitored devices 40 among the plurality of monitored devices 40. Leave the default settings. As a result, the device control unit 25 causes only the remaining monitoring target devices 40 excluding some monitoring target devices 40 to collect the plurality of types of data 31 according to the acquisition pattern specified in step S4.
  • Step S6 of FIG. 10 trigger determination process
  • the trigger determination unit 26 determines whether or not the acquisition pattern is in a state of re-specifying. As a specific example, the trigger determination unit 26 determines that the acquisition pattern is in a state of being re-specified when a certain time has elapsed since the acquisition pattern was specified last time. Alternatively, the trigger determination unit 26 uses the communication charge of the communication path 50 in which the monitored device 40 is added, the monitored item is added, the prediction model 32 is added, and the algorithm of the prediction model 32 is revised. When an event such as is updated occurs, it is determined that the acquisition pattern is in a state of being re-specified.
  • the trigger determination unit 26 returns the process to step S1 when the acquisition pattern is in a state of re-specifying. On the other hand, when the acquisition pattern is not in the state of re-specifying the acquisition pattern, the trigger determination unit 26 determines whether the acquisition pattern is in the state of re-specifying the acquisition pattern again after a certain period of time.
  • step S2 the evaluation data generation unit 22 generates evaluation data using the plurality of types of data 31 acquired from some of the monitoring target devices 40 for which the acquisition pattern was not set in step S5. This is because the plurality of types of data 31 acquired from the remaining monitored devices 40 are collected according to the acquisition pattern, and therefore, appropriate evaluation data cannot be generated.
  • step S5 the device control unit 25 sets the acquisition pattern in each of the monitoring target devices 40. At this time, the device control unit 25 sets the acquisition pattern only to the remaining monitored devices 40 excluding some of the monitored devices 40 among the plurality of monitored devices 40. Leave the default settings.
  • the acquired data specifying device 10 re-specifies the acquired pattern.
  • the prediction accuracy may change due to a situation change such as the storage status of the data 31, but by respecifying the acquisition pattern, it is possible to maintain a high prediction accuracy state.
  • the prediction model 32 may be replaced. If the algorithm of the prediction model 32 changes, the required data will change. When the algorithm of the prediction model 32 is evaluated by itself, even if the algorithm of the prediction model 32 is superior to the previous algorithm, when the algorithm of the prediction model 32 is actually introduced, a large amount of data is required, which may result in ineffectiveness. Therefore, in step S6 of FIG. 10, when the state in which the acquisition pattern is re-identified is triggered by the revision of the algorithm of the prediction model 32, the prediction model 32 before revision and the prediction model after revision Both 32 and 32 may be evaluated. Specifically, in steps S3 to S4 of FIG.
  • the acquired data identification device 10 performs processing on both the prediction model 32 before the revision and the prediction model 32 after the revision. That is, in step S3 of FIG. 10, the accuracy calculation unit 23 calculates the prediction accuracy of both the prediction model 32 before the revision and the prediction model 32 after the revision, and calculates the total accuracy.
  • the pattern specifying unit 24 employs the prediction model 32 before revision and the prediction model 32 after revision, whichever has the highest overall accuracy. Then, the pattern specifying unit 24 specifies the acquired pattern with high overall accuracy for the adopted one. This makes it possible to determine the effectiveness of the revised prediction model 32 in consideration of the required data amount without actually introducing the revised prediction model 32.
  • ⁇ Modification 6> It is possible to prepare a plurality of prediction models 32 and to specify the most effective prediction model 32 in consideration of the amount of data in the same way as in the fifth modification. Specifically, in steps S3 to S4 of FIG. 10, the acquired data identification device 10 performs processing on each of the plurality of prediction models 32. That is, in step S3 of FIG. 10, the accuracy calculation unit 23 calculates the prediction accuracy for each of the plurality of prediction models 32, and calculates the overall accuracy. In step S4 of FIG. 10, the pattern identifying unit 24 adopts the prediction model 32 having the highest overall accuracy among the plurality of prediction models 32. Then, the pattern specifying unit 24 specifies an acquired pattern with high overall accuracy for the adopted prediction model 32.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

パターン生成部（２１）は、遠隔監視の監視対象機器（４０）から基準期間に取得される複数種別のデータの合計のデータ量が制限量より少なくなるように複数種別のデータ（３１）についてデータの取得量を減らす複数の取得パターンを生成する。評価データ生成部（２２）は、複数の取得パターンそれぞれを対象として、対象の取得パターンに従い監視対象機器（４０）から過去に取得された複数種別のデータ（３１）のデータ量を減らして評価データを生成する。精度計算部（２３）は、複数の取得パターンそれぞれを対象として、対象の取得パターンに従い評価データを予測モデルに与えて監視対象機器（４０）の状態予測を行った場合の予測精度を計算する。パターン特定部（２４）は、予測精度が高い取得パターンを特定する。

Description

取得データ特定装置、取得データ特定方法及び取得データ特定プログラム
　この発明は、遠隔監視を行っている監視対象機器から取得するデータのデータ量を減らす技術に関する。
　エレベータとエスカレータと鉄道といった様々な機器を監視対象機器として遠隔監視が行われている。遠隔監視を行うことにより、遠隔から機器の状態が把握でき、機器の劣化の進行を予測することが可能になる。これにより、適切な時期に保守作業を実施するように計画することが可能になる。
　特許文献１には、予測寿命の信頼性に基づき診断間隔を調整することにより、診断精度を落とさずに診断間隔の最適化を図ることが記載されている。
特開２００１－１０１２３５号公報
　監視対象機器を設置する段階では、予測精度を高くするため、センサの最高精度でデータを取得するように設計されてしまう場合がある。このように設計されると、監視対象機器が増えた場合には大量のデータが取得されることになり、通信量が増えてしまう。また、取得された大量のデータを保管するために大容量のストレージが必要になってしまう。
　特許文献１に記載された技術では、診断間隔を調整することにより、診断処理の負荷の軽減を図ることは可能かもしれない。しかし、診断に必要なデータの取得は継続して実施されており、大量のデータが取得されることに変わりはない。
　この発明は、遠隔監視を行う場合に、予測精度をある程度維持しつつ、監視対象機器から取得するデータ量を少なく抑えることを目的とする。
　この発明に係る取得データ特定装置は、
　遠隔監視の監視対象機器から基準期間に取得される複数種別のデータの合計のデータ量が制限量より少なくなるように前記複数種別のデータについてデータの取得量を減らす複数の取得パターンそれぞれを対象として、対象の取得パターンに従い前記監視対象機器から過去に取得された前記複数種別のデータのデータ量を減らして評価データを生成する評価データ生成部と、
　前記複数の取得パターンそれぞれを対象として、対象の取得パターンに従い前記評価データ生成部によって生成された前記評価データを予測モデルに与えて前記監視対象機器の状態予測を行った場合の予測精度を計算する精度計算部と、
　前記精度計算部によって計算された前記予測精度が高い取得パターンを特定するパターン特定部と
を備える。
　この発明では、合計のデータ量が制限量より少なくなるようにデータの取得量を減らす複数の取得パターンそれぞれについて評価データを生成し予測精度を計算して、予測精度の高い取得パターンを特定する。これにより、予測精度をある程度維持しつつ、監視対象機器から取得するデータ量を少なく抑えることが可能である。
実施の形態１に係る取得データ特定装置１０の構成図。 実施の形態１に係る予測モデル３２の説明図。 実施の形態１に係る重みデータ３３の説明図。 実施の形態１に係る取得データ特定装置１０の動作を示すフローチャート。 実施の形態１に係る取得パターンの説明図。 実施の形態１に係る精度計算の説明図。 実施の形態１に係る取得パターン特定の説明図。 変形例３に係る取得データ特定装置１０の構成図。 実施の形態２に係る取得データ特定装置１０の構成図。 実施の形態２に係る取得データ特定装置１０の動作を示すフローチャート。
　実施の形態１．
　＊＊＊構成の説明＊＊＊
　図１を参照して、実施の形態１に係る取得データ特定装置１０の構成を説明する。
　取得データ特定装置１０は、コンピュータである。
　取得データ特定装置１０は、遠隔監視の対象である複数の監視対象機器４０と通信路５０を介して接続されている。監視対象機器４０は、エレベータとエスカレータと列車といった様々な機器が想定される。ここでは、複数の監視対象機器４０は、１つの種別の機器とする。例えば、複数の監視対象機器４０は、いずれもエレベータである。通信路５０は、携帯電話網等である。
　取得データ特定装置１０は、プロセッサ１１と、メモリ１２と、ストレージ１３と、通信インタフェース１４とのハードウェアを備える。プロセッサ１１は、信号線を介して他のハードウェアと接続され、これら他のハードウェアを制御する。
　プロセッサ１１は、プロセッシングを行うＩＣ（Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）である。プロセッサ１１は、具体例としては、ＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｏｒ）、ＧＰＵ（Ｇｒａｐｈｉｃｓ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）である。
　メモリ１２は、データを一時的に記憶する記憶装置である。メモリ１２は、具体例としては、ＳＲＡＭ（Ｓｔａｔｉｃ　Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）、ＤＲＡＭ（Ｄｙｎａｍｉｃ　Ｒａｎｄｏｍ　Ａｃｃｅｓｓ　Ｍｅｍｏｒｙ）である。
　ストレージ１３は、データを保管する記憶装置である。ストレージ１３は、具体例としては、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）である。また、ストレージ１３は、ＳＤ（登録商標，Ｓｅｃｕｒｅ　Ｄｉｇｉｔａｌ）メモリカード、ＣＦ（ＣｏｍｐａｃｔＦｌａｓｈ，登録商標）、ＮＡＮＤフラッシュ、フレキシブルディスク、光ディスク、コンパクトディスク、ブルーレイ（登録商標）ディスク、ＤＶＤ（Ｄｉｇｉｔａｌ　Ｖｅｒｓａｔｉｌｅ　Ｄｉｓｋ）といった可搬記録媒体であってもよい。
　通信インタフェース１４は、監視対象機器４０といった外部の装置と通信するためのインタフェースである。通信インタフェース１４は、具体例としては、Ｅｔｈｅｒｎｅｔ（登録商標）、ＵＳＢ（Ｕｎｉｖｅｒｓａｌ　Ｓｅｒｉａｌ　Ｂｕｓ）、ＨＤＭＩ（登録商標，Ｈｉｇｈ－Ｄｅｆｉｎｉｔｉｏｎ　Ｍｕｌｔｉｍｅｄｉａ　Ｉｎｔｅｒｆａｃｅ）のポートである。
　取得データ特定装置１０は、機能構成要素として、パターン生成部２１と、評価データ生成部２２と、精度計算部２３と、パターン特定部２４と、機器制御部２５とを備える。取得データ特定装置１０の各機能構成要素の機能はソフトウェアにより実現される。
　ストレージ１３には、取得データ特定装置１０の各機能構成要素の機能を実現するプログラムが格納されている。このプログラムは、プロセッサ１１によりメモリ１２に読み込まれ、プロセッサ１１によって実行される。これにより、取得データ特定装置１０の各機能構成要素の機能が実現される。
　ストレージ１３は、複数種別のデータ３１と、複数の予測モデル３２と、重みデータ３３とを記憶する。
　複数種別のデータ３１は、各監視対象機器４０に設けられたセンサから取得されたデータである。各監視対象機器４０には複数のセンサが設けられており、各監視対象機器４０からセンサに応じた種別のデータが取得される。
　例えば、監視対象機器４０がエレベータである場合には、複数種別のデータ３１は、巻き上げ機の入力電圧と、かごの加速度（振動）と、ドアの開閉の速度といった種別のデータである。
　複数の予測モデル３２は、図２に示すように、故障予測を行う対象を示す複数の故障モードそれぞれに対応して構築されたモデルであり、故障モードに応じた状態予測を行うモデルである。予測モデル３２は、機械学習を行うこと等によって構築される。故障モードは、監視対象機器４０を構成する部品Ａ及び部品Ｂといった部品毎に定められる。また、故障モードは、ドアの開閉異常といった故障内容毎に定められてもよい。
　重みデータ３３は、図３に示すように、故障モード毎に割り当てられた重みを示す。故障モード毎の重みは、取得データ特定装置１０のユーザ等によって、故障モードの影響の大きさに応じて設定される。故障モードの影響の大きさとは、その故障モードが示す対象に故障が発生した場合における監視対象機器４０のユーザへの影響の度合いと、その故障モードが示す対象に故障が発生した場合にかかるコストと等である。
　図１では、プロセッサ１１は、１つだけ示されていた。しかし、プロセッサ１１は、複数であってもよく、複数のプロセッサ１１が、各機能を実現するプログラムを連携して実行してもよい。
　＊＊＊動作の説明＊＊＊
　図４から図７を参照して、実施の形態１に係る取得データ特定装置１０の動作を説明する。
　実施の形態１に係る取得データ特定装置１０の動作は、実施の形態１に係る取得データ特定方法に相当する。また、実施の形態１に係る取得データ特定装置１０の動作は、実施の形態１に係る取得データ特定プログラムの処理に相当する。
　動作の前提として、ストレージ１３は、過去に各監視対象機器４０が動作して得られた複数種別のデータ３１を記憶しているものとする。ストレージ１３に記憶された複数種別のデータ３１は、各監視対象機器４０の初期設定に従い取得されたデータである。例えば、ストレージ１３に記憶された複数種別のデータ３１は、各監視対象機器４０に設けられたセンサが最高精度に設定された状態で取得されたデータである。
　（図４のステップＳ１：パターン生成処理）
　パターン生成部２１は、１つの監視対象機器４０から基準期間に取得される複数種別のデータ３１の合計のデータ量が制限量より少なくなるように、複数種別のデータ３１についてデータの取得量を減らす複数の取得パターンを生成する。
　基準期間は、１日と１週と１月といった取得データ特定装置１０のユーザによって設定される期間である。また、制限量は、１つの監視対象機器４０に対して許容される通信費用等に基づき、取得データ特定装置１０のユーザによって設定されるデータ量である。
　図５に示すように、パターン生成部２１は、各種別のデータ３１について、取得有無と、取得周期と、時間分解能と、信号分解能とを変更することによって取得パターンを生成する。
　取得有無は、対象の種別のデータ３１を取得するか否かを意味する。つまり、取得有無は、対象の種別のデータ３１の取得を止めてしまうか否かを意味する。取得周期は、対象の種別のデータ３１を取得する間隔を意味する。時間分解能は、一定時間の連続するデータを収集する場合にデータをサンプリングする間隔を意味する。つまり、時間分解能は、取得周期が示すタイミングにおいて、どの程度の間隔でデータをサンプリングするかを意味する。例えば、取得周期が１０分であり、１０分に１度５秒のデータを収集するとする。この場合に、時間分解能は、例えば、５ミリ秒毎あるいは１０ミリ秒毎等にデータをサンプリングすることを意味する。信号分解能は、データの値の分解能を意味する。センサで収集されたデータは、電圧値又は電流値として取得されることが多いので、信号分解能は、電圧値の分解能又は電流値の分解能を意味する。
　具体的には、パターン生成部２１は、取得有無と、取得周期と、時間分解能と、信号分解能との全ての組合せの取得パターンを生成する。この際、パターン生成部２１は、取得周期と時間分解能と信号分解能とについては、事前に決めた変更間隔毎に変更する。パターン生成部２１は、全ての組合せの取得パターンそれぞれを対象として、基準期間における複数種別のデータ３１の合計のデータ量を計算する。パターン生成部２１は、計算されたデータ量に基づき、全ての組合せの取得パターンから、基準期間における複数種別のデータ３１の合計のデータ量が制限量よりも少なくなる取得パターンを抽出する。これにより、パターン生成部２１は、複数の取得パターンを生成する。
　なお、合計のデータ量が制限量よりも少なくなる取得パターンが多い場合等には、パターン生成部２１は、合計のデータ量が制限量よりも少なくなる取得パターンのうち、合計のデータ量が制限量に近い一部の取得パターンだけを抽出してもよい。これにより、抽出された取得パターンの数が多い場合に、以降の処理量を軽減することが可能である。
　（図４のステップＳ２：評価データ生成処理）
　評価データ生成部２２は、ステップＳ１で生成された複数の取得パターンそれぞれを対象として、対象の取得パターンに従い監視対象機器４０から過去に取得された複数種別のデータ３１のデータ量を減らして、対象の取得パターンについての評価データを生成する。つまり、評価データ生成部２２は、対象の取得パターンに従いストレージ１３に記憶された複数種別のデータ３１のデータ量を減らして、対象の取得パターンについての評価データを生成する。
　対象の取得パターンに従い複数種別のデータ３１のデータ量を減らすとは、対象の種別についての取得有無が無の場合には、対象の種別のデータ３１は全ての削除することを意味する。また、取得周期と時間分解能と信号分解能とに基づき、対象の種別のデータ３１を間引くことを意味する。
　（図４のステップＳ３：精度計算処理）
　精度計算部２３は、ステップＳ１で生成された複数の取得パターンそれぞれを対象として、対象の取得パターンに従いステップＳ２で生成された対象の取得パターンについての評価データを各予測モデル３２に与えて監視対象機器４０の状態予測を行った場合の予測精度を計算する。
　図６を参照して具体的に説明する。精度計算部２３は、各予測モデル３２を対象として、対象の取得パターンについての評価データを対象の予測モデル３２に与えて監視対象機器４０の状態予測を行う。精度計算部２３は、予測された結果と、実際の状態とを比較することにより、対象の取得パターンの対象の予測モデル３２に対する予測精度を計算する。ここで、評価データは、過去に取得されストレージ１３に記憶された複数種別のデータ３１から生成されている。そのため、監視対象機器４０についての実際の状態は既に特定されている。予測された結果と実際の状態とを比較して予測精度を計算する方法としては、評価データが得られた時点の一定時間後の保全基準の超過判定の結果の正答率から予測精度を計算する方法と、一定期間の予測された結果と実際の状態との差分の平均から予測精度を計算する方法と等が考えられる。
　精度計算部２３は、対象の取得パターンの各予測モデル３２に対する予測精度に対して、重みデータ３３が示す重みで重み付けして、対象の取得パターンの複数の故障モード全体についての予測精度である総合精度を計算する。この際、精度計算部２３は、対象の予測モデル３２と同じ故障モードに対応する重みで重み付けする。例えば、精度計算部２３は、対象の取得パターンの各予測モデル３２に対する予測精度に重みを乗じた上で、予測精度を合計することにより、総合精度を計算する。
　（図４のステップＳ４：パターン特定処理）
　パターン特定部２４は、ステップＳ３で計算された複数の故障モード全体についての予測精度である総合精度が高い取得パターンを特定する。これにより、基準期間に取得される合計のデータ量が制限量より少なく、かつ、総合精度が高い取得パターンが特定される。
　例えば、図７に示すように、合計のデータ量が概ね同じ２つの取得パターンα及び取得パターンβがあるとする。この場合には、各故障モードの予測精度を総合した総合精度が高い取得パターンαがパターン特定部２４によって特定される。
　（図４のステップＳ５：機器制御処理）
　機器制御部２５は、ステップＳ４で特定された取得パターンを各監視対象機器４０に設定する。例えば、機器制御部２５は、各監視対象機器４０の設定情報ファイルを取得パターンの情報で更新する。
　これにより、機器制御部２５は、各監視対象機器４０に、ステップＳ４で特定された取得パターンに従い複数種別のデータ３１を収集させる。その結果、これ以降各監視対象機器４０から基準期間に取得される複数種別のデータ３１の合計のデータ量は制限量より少なくなる。
　なお、取得データ特定装置１０又は他の装置は、各監視対象機器４０から複数種別のデータ３１を取得し、取得された複数種別のデータ３１を各予測モデル３２に与えて、各監視対象機器４０の状態予測を行う。これにより、各監視対象機器４０の保守点検の実施時期等が決定される。
　＊＊＊実施の形態１の効果＊＊＊
　以上のように、実施の形態１に係る取得データ特定装置１０は、基準期間に取得される複数種別のデータ３１の合計のデータ量は制限量より少なく、かつ、総合精度が高い取得パターンを特定する。これにより、予測精度をある程度維持しつつ、監視対象機器４０から取得されるデータ量を少なく抑えることが可能である。
　＊＊＊他の構成＊＊＊
　＜変形例１＞
　実施の形態１では、合計のデータ量は制限量より少ないという条件の下で、最も予測精度が高い取得パターンを特定した。しかし、予測精度が制限精度よりも高いという条件の下で、最も合計のデータ量が少ない取得パターンを特定してもよい。
　この場合には、図４のステップＳ１で取得データ特定装置１０は、予測精度が制限精度よりも高くなる取得パターンを特定し、図４のステップＳ３で取得データ特定装置１０は、各取得パターンの合計のデータ量を計算する。そして、図４のステップＳ４で取得データ特定装置１０は、最も合計のデータ量が少ない取得パターンを特定する。
　＜変形例２＞
　実施の形態１では、取得有無と取得周期と時間分解能と信号分解能とを変更することによって取得パターンが生成された。これは、エッジコンピューティングが導入されていないような場合には、監視対象機器４０側で収集するデータについての処理の設定は取得有無と取得周期と時間分解能と信号分解能と程度の場合が多いためである。
　しかし、監視対象機器４０側でデータ処理が可能な場合には、監視対象機器４０側で可能なデータ処理に応じて、取得パターンを生成することにより、適切な取得パターンを特定することが可能になる。
　＜変形例３＞
　実施の形態１では、各機能構成要素がソフトウェアで実現された。しかし、変形例３として、各機能構成要素はハードウェアで実現されてもよい。この変形例３について、実施の形態１と異なる点を説明する。
　図８を参照して、変形例３に係る取得データ特定装置１０の構成を説明する。
　各機能構成要素がハードウェアで実現される場合には、取得データ特定装置１０は、プロセッサ１１とメモリ１２とストレージ１３とに代えて、電子回路１５を備える。電子回路１５は、各機能構成要素と、メモリ１２と、ストレージ１３との機能とを実現する専用の回路である。
　電子回路１５としては、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ロジックＩＣ、ＧＡ（Ｇａｔｅ　Ａｒｒａｙ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ－Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）が想定される。
　各機能構成要素を１つの電子回路１５で実現してもよいし、各機能構成要素を複数の電子回路１５に分散させて実現してもよい。
　＜変形例４＞
　変形例４として、一部の各機能構成要素がハードウェアで実現され、他の各機能構成要素がソフトウェアで実現されてもよい。
　プロセッサ１１とメモリ１２とストレージ１３と電子回路１５とを処理回路という。つまり、各機能構成要素の機能は、処理回路により実現される。
　実施の形態２．
　実施の形態２は、取得パターンを再特定する点が実施の形態１と異なる。実施の形態２では、この異なる点を説明し、同一の点については説明を省略する。
　＊＊＊構成の説明＊＊＊
　図９を参照して、実施の形態２に係る取得データ特定装置１０の構成を説明する。
　取得データ特定装置１０は、機能構成要素として、トリガ判定部２６を備える点が図１に示す取得データ特定装置１０と異なる。
　＊＊＊動作の説明＊＊＊
　図１０を参照して、実施の形態２に係る取得データ特定装置１０の動作を説明する。
　実施の形態２に係る取得データ特定装置１０の動作は、実施の形態２に係る取得データ特定方法に相当する。また、実施の形態２に係る取得データ特定装置１０の動作は、実施の形態２に係る取得データ特定プログラムの処理に相当する。
　実施の形態１で説明したようにステップＳ１からステップＳ４の処理が実行され、取得パターンが特定される。
　そして、ステップＳ５で機器制御部２５は、取得パターンを各監視対象機器４０に設定する。この際、機器制御部２５は、取得パターンを複数の監視対象機器４０のうち一部の監視対象機器４０の除いた残りの監視対象機器４０にのみ設定し、一部の監視対象機器４０については初期設定のままにする。これにより、機器制御部２５は、一部の監視対象機器４０の除いた残りの監視対象機器４０のみに、ステップＳ４で特定された取得パターンに従い複数種別のデータ３１を収集させる。
　（図１０のステップＳ６：トリガ判定処理）
　トリガ判定部２６は、取得パターンを再特定する状態になったか否かを判定する。具体例としては、トリガ判定部２６は、取得パターンを前回特定してから一定時間経過した場合に取得パターンを再特定する状態になったと判定する。あるいは、トリガ判定部２６は、監視対象機器４０が追加された、監視対象項目が追加され、予測モデル３２が追加された、さらにその予測モデル３２のアルゴリズムが改訂された、通信路５０の通信料金が改訂されたといったイベントが発生した場合に取得パターンを再特定する状態になったと判定する。
　トリガ判定部２６は、取得パターンを再特定する状態になった場合には、処理をステップＳ１に戻す。一方、トリガ判定部２６は、取得パターンを再特定する状態になっていない場合には、一定時間経過後に再び取得パターンを再特定する状態になったかい否かを判定する。
　処理がステップＳ１に戻されると、再びステップＳ１からステップＳ４の処理が実行され、取得パターンが特定される。この際、ステップＳ２では、評価データ生成部２２は、ステップＳ５で取得パターンが設定されなかった一部の監視対象機器４０から取得された複数種別のデータ３１を用いて、評価データを生成する。これは、残りの監視対象機器４０から取得された複数種別のデータ３１は、取得パターンに従って収集されたものであるため、適切な評価データを生成することができないからである。
　そして、ステップＳ５で機器制御部２５は、取得パターンを各監視対象機器４０に設定する。この際、機器制御部２５は、取得パターンを複数の監視対象機器４０のうち一部の監視対象機器４０の除いた残りの監視対象機器４０にのみ設定し、一部の監視対象機器４０については初期設定のままにする。
　＊＊＊実施の形態２の効果＊＊＊
　以上のように、実施の形態２に係る取得データ特定装置１０は、取得パターンを再特定する。データ３１の蓄積状況といった状況変化によって予測精度が変化する場合があるが、取得パターンを再特定することにより、予測精度が高い状態を維持することが可能になる。
　＊＊＊他の構成＊＊＊
　＜変形例５＞
　故障予測の仕組みでは、予測モデル３２の差し替えが行われることがある。予測モデル３２のアルゴリズムが変わると、必要とするデータが変化してしまう。予測モデル３２のアルゴリズムを単体で評価すると、前のアルゴリズムより優れていても、予測モデル３２のアルゴリズムを実際に導入すると、データ量が多く必要となり、結果的に有効でなくなる可能性がある。
　そこで、図１０のステップＳ６で、予測モデル３２のアルゴリズムが改訂されたことをトリガとして、取得パターンを再特定する状態になった場合には、改定前の予測モデル３２と、改定後の予測モデル３２との両方について評価を行ってもよい。具体的には、図１０のステップＳ３からステップＳ４で、取得データ特定装置１０は、改定前の予測モデル３２と、改定後の予測モデル３２との両方を対象として、処理を行う。つまり、図１０のステップＳ３では、精度計算部２３は、改定前の予測モデル３２と、改定後の予測モデル３２との両方についての予測精度を計算し、総合精度を計算する。図１０のステップＳ４では、パターン特定部２４は、改定前の予測モデル３２と、改定後の予測モデル３２とのうち、最も高い総合精度が高い方を採用する。そして、パターン特定部２４は、採用した方について、総合精度が高い取得パターンを特定する。
　これにより、改定後の予測モデル３２を実際に導入することなく、必要なデータ量を考慮した上で改定後の予測モデル３２の有効性を判定することが可能である。
　＜変形例６＞
　変形例５と同様の考え方により、複数の予測モデル３２を用意しておき、データ量を考慮した上で、最も有効な予測モデル３２を特定することも可能である。具体的には、図１０のステップＳ３からステップＳ４で、取得データ特定装置１０は、複数の予測モデル３２それぞれを対象として、処理を行う。つまり、図１０のステップＳ３では、精度計算部２３は、複数の予測モデル３２それぞれについての予測精度を計算し、総合精度を計算する。図１０のステップＳ４では、パターン特定部２４は、複数の予測モデル３２のうち、最も高い総合精度が最も高い予測モデル３２を採用する。そして、パターン特定部２４は、採用した予測モデル３２について、総合精度が高い取得パターンを特定する。
　１０　取得データ特定装置、１１　プロセッサ、１２　メモリ、１３　ストレージ、１４　通信インタフェース、１５　電子回路、２１　パターン生成部、２２　評価データ生成部、２３　精度計算部、２４　パターン特定部、２５　機器制御部、２６　トリガ判定部、３１　データ、３２　予測モデル、３３　重みデータ、４０　監視対象機器、５０　通信路。

Claims (10)

  1. 　遠隔監視の監視対象機器から基準期間に取得される複数種別のデータの合計のデータ量が制限量より少なくなるように前記複数種別のデータについてデータの取得量を減らす複数の取得パターンそれぞれを対象として、対象の取得パターンに従い前記監視対象機器から過去に取得された前記複数種別のデータのデータ量を減らして評価データを生成する評価データ生成部と、
    　前記複数の取得パターンそれぞれを対象として、対象の取得パターンに従い前記評価データ生成部によって生成された前記評価データを予測モデルに与えて前記監視対象機器の状態予測を行った場合の予測精度を計算する精度計算部と、
    　前記精度計算部によって計算された前記予測精度が高い取得パターンを特定するパターン特定部と
    を備える取得データ特定装置。
  2. 　前記精度計算部は、複数の故障モードそれぞれについて、前記評価データを対応する予測モデルに与えて前記予測精度を計算して、複数の故障モードそれぞれについて計算された前記予測精度から前記複数の故障モード全体についての予測精度である総合精度を計算し、
    　前記パターン特定部は、前記総合精度が高い取得パターンを特定する
    請求項１に記載の取得データ特定装置。
  3. 　前記精度計算部は、前記複数の故障モードそれぞれに割り当てられた重みにより、複数の故障モードそれぞれについて計算された前記予測精度を重み付けして前記総合精度を計算する
    請求項２に記載の取得データ特定装置。
  4. 　前記取得データ特定装置は、さらに、
    　前記パターン特定部によって特定された前記取得パターンを前記監視対象機器に設定して、前記監視対象機器に前記取得パターンに従い前記複数種別のデータを収集させる機器制御部
    を備える請求項１から３までのいずれか１項に記載の取得データ特定装置。
  5. 　前記評価データ生成部は、定期的に、あるいは、イベントの発生する度に、前記評価データを再生成し、
    　前記精度計算部は、前記評価データが再生成されると、前記予測精度を再計算し、
    　前記パターン特定部は、再計算された前記予測精度が高い取得パターンを特定する
    請求項１から４までのいずれか１項に記載の取得データ特定装置。
  6. 　前記監視対象機器は、複数存在し、
    　前記取得データ特定装置は、さらに、
    　前記パターン特定部によって特定された前記取得パターンを複数の監視対象機器のうち一部の監視対象機器の除いた残りの監視対象機器に設定して、前記残りの監視対象機器に前記取得パターンに従い前記複数種別のデータを収集させる機器制御部
    を備え、
    　前記評価データ生成部は、前記一部の監視対象機器から収集された前記複数種別のデータから前記評価データを再生成する
    請求項５に記載の取得データ特定装置。
  7. 　前記評価データ生成部は、前記予測モデルが改定された場合に、前記評価データを再生成し、
    　前記精度計算部は、前記評価データが再生成されると、改定前の予測モデルと、改定後の予測モデルとについて、前記予測精度を計算し、
    　前記パターン特定部は、前記改定前の予測モデルと、前記改定後の予測モデルとのうち、最も高い予測精度が高い方を採用し、採用された予測モデルについて前記予測精度が高い取得パターンを特定する
    請求項１から６までのいずれか１項に記載の取得データ特定装置。
  8. 　前記精度計算部は、複数の予測モデルそれぞれを対象として、前記評価データを対象の予測モデルに与えて前記予測精度を計算し、
    　前記パターン特定部は、前記複数の予測モデルのうち、最も高い予測精度が高い予測モデルを採用し、採用された予測モデルについて前記予測精度が高い取得パターンを特定する
    請求項１から６までのいずれか１項に記載の取得データ特定装置。
  9. 　評価データ生成部が、遠隔監視の監視対象機器から基準期間に取得される複数種別のデータの合計のデータ量が制限量より少なくなるように前記複数種別のデータについてデータの取得量を減らす複数の取得パターンそれぞれを対象として、対象の取得パターンに従い前記監視対象機器から過去に取得された前記複数種別のデータのデータ量を減らして評価データを生成し、
    　精度計算部が、前記複数の取得パターンそれぞれを対象として、対象の取得パターンに従い前記評価データを予測モデルに与えて前記監視対象機器の状態予測を行った場合の予測精度を計算し、
    　パターン特定部が、前記予測精度が高い取得パターンを特定する取得データ特定方法。
  10. 　遠隔監視の監視対象機器から基準期間に取得される複数種別のデータの合計のデータ量が制限量より少なくなるように前記複数種別のデータについてデータの取得量を減らす複数の取得パターンそれぞれを対象として、対象の取得パターンに従い前記監視対象機器から過去に取得された前記複数種別のデータのデータ量を減らして評価データを生成する評価データ生成処理と、
    　前記複数の取得パターンそれぞれを対象として、対象の取得パターンに従い前記評価データ生成処理によって生成された前記評価データを予測モデルに与えて前記監視対象機器の状態予測を行った場合の予測精度を計算する精度計算処理と、
    　前記精度計算処理によって計算された前記予測精度が高い取得パターンを特定するパターン特定処理と
    を実行する取得データ特定装置としてコンピュータを機能させる取得データ特定プログラム。
PCT/JP2019/007023 2019-02-25 2019-02-25 取得データ特定装置、取得データ特定方法及び取得データ特定プログラム WO2020174527A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/JP2019/007023 WO2020174527A1 (ja) 2019-02-25 2019-02-25 取得データ特定装置、取得データ特定方法及び取得データ特定プログラム
JP2020572568A JP6890733B2 (ja) 2019-02-25 2019-02-25 取得データ特定装置、取得データ特定方法及び取得データ特定プログラム
TW108121046A TW202032393A (zh) 2019-02-25 2019-06-18 取得資料選定裝置、取得資料選定方法及取得資料選定程式產品

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/007023 WO2020174527A1 (ja) 2019-02-25 2019-02-25 取得データ特定装置、取得データ特定方法及び取得データ特定プログラム

Publications (1)

Publication Number Publication Date
WO2020174527A1 true WO2020174527A1 (ja) 2020-09-03

Family

ID=72238834

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2019/007023 WO2020174527A1 (ja) 2019-02-25 2019-02-25 取得データ特定装置、取得データ特定方法及び取得データ特定プログラム

Country Status (3)

Country Link
JP (1) JP6890733B2 (ja)
TW (1) TW202032393A (ja)
WO (1) WO2020174527A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115696098A (zh) * 2022-12-30 2023-02-03 石家庄科林电气股份有限公司 Bms系统数据传输方法及bms系统

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI765452B (zh) * 2020-12-08 2022-05-21 日商Ｊｆｅ鋼鐵股份有限公司 時間序列訊號之觸發條件決定方法、監視對象設備之異常診斷方法及時間序列訊號之觸發條件決定裝置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004214785A (ja) * 2002-12-27 2004-07-29 Matsushita Electric Ind Co Ltd 機器管理システム、機器管理方法、管理装置、被管理機器、管理装置用機器管理プログラム及び被管理機器用機器管理プログラム
JP2015138296A (ja) * 2014-01-20 2015-07-30 キヤノン株式会社 ネットワークデバイス及びデータの特定方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2004214785A (ja) * 2002-12-27 2004-07-29 Matsushita Electric Ind Co Ltd 機器管理システム、機器管理方法、管理装置、被管理機器、管理装置用機器管理プログラム及び被管理機器用機器管理プログラム
JP2015138296A (ja) * 2014-01-20 2015-07-30 キヤノン株式会社 ネットワークデバイス及びデータの特定方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115696098A (zh) * 2022-12-30 2023-02-03 石家庄科林电气股份有限公司 Bms系统数据传输方法及bms系统

Also Published As

Publication number Publication date
JPWO2020174527A1 (ja) 2021-04-01
JP6890733B2 (ja) 2021-06-18
TW202032393A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN110197288B (zh) 故障影响下设备的剩余使用寿命预测方法
JP4756675B2 (ja) コンピュータ資源のキャパシティを予測するためのシステム、方法およびプログラム
US9530256B2 (en) Generating cumulative wear-based indicators for vehicular components
US7395188B1 (en) System and method for equipment life estimation
US9535419B2 (en) Device and method for the residual analysis of a residuum to detect system errors in the system behaviour of a system of an aircraft
Chen et al. An integrated architecture for fault diagnosis and failure prognosis of complex engineering systems
US10254743B2 (en) Numerical control apparatus and logging method
US20190004920A1 (en) Technologies for processor simulation modeling with machine learning
WO2020174527A1 (ja) 取得データ特定装置、取得データ特定方法及び取得データ特定プログラム
JP2020173551A (ja) 故障予測装置、故障予測方法、コンピュータプログラム、計算モデルの学習方法および計算モデルの生成方法
WO2017142530A1 (en) Environment simulations
US20190286100A1 (en) Information processing apparatus, machine learning device and system
KR102358486B1 (ko) 승강장 안전문 고장 진단 및 예측 장치
JP2020052459A (ja) 故障予知方法、故障予知装置および故障予知プログラム
US11585732B2 (en) Apparatus and method for diagnosing failure of plant
JP5987749B2 (ja) 部品故障発生予測方法、部品故障発生予測プログラムおよび部品故障発生予測装置
CN109478052B (zh) 确定应用程序的执行时间的方法和装置
US11586265B2 (en) Voltage droop management through microarchitectural stall events
CN111382041B (zh) 一种故障检测、数据处理方法、装置及设备
Xingzhi et al. Failure threshold setting for Wiener-process-based remaining useful life estimation
JP2009003686A (ja) ソフトウェア動作解析装置、ソフトウェア動作解析方法、及びソフトウェア動作解析用プログラム
CN102096624B (zh) 一种对机群运行状况进行预测的方法和机群平台管理装置
TWI794787B (zh) 線上電池壽命預測方法
JP7519960B2 (ja) 故障予知装置および故障予知方法
KR102475484B1 (ko) 회전 기기에서 진동을 예측하는 방법 및 이러한 방법을 수행하는 장치

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: 19917307

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2020572568

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19917307

Country of ref document: EP

Kind code of ref document: A1