CN113391613A - 信息处理装置、信息处理方法以及程序 - Google Patents
信息处理装置、信息处理方法以及程序 Download PDFInfo
- Publication number
- CN113391613A CN113391613A CN202010876816.6A CN202010876816A CN113391613A CN 113391613 A CN113391613 A CN 113391613A CN 202010876816 A CN202010876816 A CN 202010876816A CN 113391613 A CN113391613 A CN 113391613A
- Authority
- CN
- China
- Prior art keywords
- data
- estimation
- time
- sensor
- estimated
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 53
- 238000003672 processing method Methods 0.000 title claims abstract description 7
- 238000000605 extraction Methods 0.000 claims abstract description 24
- 239000000284 extract Substances 0.000 claims abstract description 13
- 238000000034 method Methods 0.000 claims description 36
- 238000012545 processing Methods 0.000 claims description 25
- 238000005457 optimization Methods 0.000 claims description 24
- 238000005259 measurement Methods 0.000 claims description 21
- 238000011156 evaluation Methods 0.000 claims description 14
- 239000000446 fuel Substances 0.000 claims description 12
- 239000013307 optical fiber Substances 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 28
- 230000008569 process Effects 0.000 description 22
- 238000003860 storage Methods 0.000 description 17
- 238000004364 calculation method Methods 0.000 description 15
- 230000011218 segmentation Effects 0.000 description 11
- 230000008859 change Effects 0.000 description 10
- 238000012423 maintenance Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000005856 abnormality Effects 0.000 description 4
- KNMAVSAGTYIFJF-UHFFFAOYSA-N 1-[2-[(2-hydroxy-3-phenoxypropyl)amino]ethylamino]-3-phenoxypropan-2-ol;dihydrochloride Chemical compound Cl.Cl.C=1C=CC=CC=1OCC(O)CNCCNCC(O)COC1=CC=CC=C1 KNMAVSAGTYIFJF-UHFFFAOYSA-N 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0208—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the configuration of the monitoring system
- G05B23/0213—Modular or universal configuration of the monitoring system, e.g. monitoring system having modules that may be combined to build monitoring program; monitoring system that can be applied to legacy systems; adaptable monitoring system; using different communication protocols
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0218—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults
- G05B23/0243—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterised by the fault detection method dealing with either existing or incipient faults model based detection method, e.g. first-principles knowledge model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/30—Hydrogen technology
- Y02E60/50—Fuel cells
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
一种信息处理装置、信息处理方法以及程序,能够高精度地推定对象装置的传感器数据。本发明的信息处理装置具备:段生成部、提取部、推定数据生成部。段生成部根据由观测对象装置的传感器检测出的时间序列的传感器数据,生成按对象装置的每个动作状态进行了分割得到的多个段。提取部提取多个段中的与任意的第1时刻的动作状态为同一动作状态的段所包含的对象数据。推定数据生成部基于对象数据,生成被推定为在与第1时刻不同的指定时刻从传感器输出的推定数据。
Description
技术领域
本发明的实施方式涉及信息处理装置、信息处理方法以及程序。
背景技术
在社会基础设施以及生产现场等使用的设备,内部的零件等会随着运转时间的经过而劣化。因此,管理者为了维持这样的设备的性能以及防止故障,需要制定部件更换以及修理等的维护计划。但是,由于在以过度的频率进行了维护的情况下,会产生成本增大等弊端,所以管理者必须制定在适当的定时(timing)进行维护的计划。
设备根据工作状况以及设置环境等,劣化的程度不同。因此,维护的定时即使是同一种类的设备也未必相同。另外,为了缩短设备的停机时间(downtime)或在适当的时间安排部件,管理者希望不是在发现设备异常之后,而是在发现设备异常之前能够决定维护的定时。
此外,已经开发了一种对从测定设备的传感器得到的传感器数据进行推定来推定设备的状态的技术。如果利用这种技术,就能够对每个设备推定异常的发生定时。
但是,设备状态并不一样。例如,设备根据温度和湿度等的环境以及输出量和频率等的运转设定等而状态的变化倾向不同。在状态的变化倾向不同的情况下,难以高精度地推定传感器数据。
发明内容
本发明要解决的问题在于,提供高精度地推定对象装置的传感器数据的信息处理装置、信息处理方法以及程序。
实施方式的信息处理装置具备:段生成部、提取部、推定数据生成部。段生成部根据由观测对象装置的传感器检测出的时间序列的传感器数据,生成按对象装置的每个动作状态进行了分割得到的多个段。提取部提取包含多个段中的与任意的第1时刻的动作状态为同一动作状态的段所包含的对象数据。推定数据生成部基于对象数据,生成被推定为在与第1时刻不同的指定时刻从传感器输出的推定数据。根据上述信息处理装置,能够高精度地推定对象装置的传感器数据。
附图说明
图1是推定***的结构图。
图2是表示传感器数据的一例的图。
图3是表示第1实施方式的推定装置的功能结构的图。
图4是表示第1实施方式的推定装置的处理的流程的流程图。
图5是表示第1实施方式的显示装置显示的推定图像的一例的图。
图6是表示第2实施方式的推定装置的功能结构的图。
图7是表示第2实施方式的推定装置的处理的流程的流程图。
图8是表示第3实施方式的推定装置的功能结构的图。
图9是表示第3实施方式的推定装置的处理的流程的流程图。
图10是表示第4实施方式的推定装置的功能结构的图。
图11是表示事件数据的一例的图。
图12是表示第4实施方式的推定装置的处理的流程的流程图。
图13是表示第4实施方式的显示装置显示的推定图像的一例的图。
图14是表示第5实施方式的推定装置的功能结构的图。
图15是表示第6实施方式的推定装置的功能结构的图。
图16是表示第6实施方式的推定装置的处理的流程的流程图。
图17是表示第6实施方式的显示装置显示的推定图像的一例的图。
图18是表示第6实施方式的显示装置显示的其他例子的推定图像的图。
图19是表示推定装置的硬件结构的图。
标号说明
10对象装置、12传感器、20推定***、22推定装置、24显示装置、32收集部、34存储部、36段生成部、38时刻指定部、40提取部、42模型生成部、44推定数据生成部、46显示控制部、62最佳化部、64代表值生成部、66事件取得部、68选择部、82阈值取得部、84危险概率算出部、86危险时刻算出部、1002推定值曲线图、1004置信区间曲线图、1006实测值曲线图、1008基准时刻信息、1010边界时刻信息、1012对象期间信息、1022事件时刻信息、1030阈值信息、1032危险范围信息、1034危险概率曲线图、1042危险时刻信息、1044阈值框、1046推定期间框、1048当前动作状态信息、1050参考期间信息、1052事件选择框
具体实施方式
以下,参考附图并说明实施方式的推定***20。实施方式的推定***20高精度地推定在指定时刻从观测对象装置10的传感器12输出的传感器值。
(第1实施方式)
图1是表示第1实施方式的推定***20的结构的图。推定***20具有推定装置22、显示装置24。
推定装置22取得由观测对象装置10的传感器12检测出的时间序列的传感器值即传感器数据。而且,推定装置22基于所取得的传感器数据,生成作为指定时刻的传感器值的推定数据。或者,推定装置22基于所取得的传感器数据,生成指定时间范围的时间序列的传感器值来作为推定数据。
对象装置10是例如在社会基础设施以及生产现场等使用的设备。例如,对象装置10为燃料电池。对象装置10不限于在社会基础设施以及生产现场等使用的设备,也可以是在其他情景中使用的设备。
传感器12观测对象装置10的状态。传感器12例如观测对象装置10的温度以及湿度等的环境状态、相对于对象装置10输入或输出的电流以及电压等、相对于对象装置10输入或输出的气体或者流体的量、以及对对象装置10设定的设定值等。
推定装置22取得包含每预定时间间隔检测出的时间序列的传感器值的传感器数据。推定装置22可以在各时刻取得包含1个传感器值的传感器数据,也可以在各时刻取得包含多个种类的传感器值的传感器数据。另外,推定装置22例如也可以取得包含由传感器12观测到的传感器值的异常度这样的传感器值的特征量的传感器数据。
显示装置24根据推定装置22的控制,将包含所生成的推定数据的图像显示于监视器。
图2是表示传感器数据的一例的图。在对象装置10为燃料电池的情况下,推定装置22例如取得包含图2所示那样的传感器值的传感器数据。更详细而言,推定装置22取得每10分钟观测到的、包含电压、电流、输出电力设定值、以及燃料流量的传感器数据。此外,在对象装置10为燃料电池的情况下,推定装置22除了这些传感器值外,还可以取得包含其他传感器值的传感器数据。另外,推定装置22也可以取得除去这些传感器值中的一部分的传感器值的传感器数据。
图3是表示第1实施方式的推定装置22的功能结构的图。推定装置22例如是单个计算机或者服务器装置等的计算机。推定装置22可以是1台计算机,也可以如云***那样由多台计算机构成。计算机通过执行预定的程序,作为推定装置22发挥功能。
第1实施方式的推定装置22具备:收集部32、存储部34、段生成部36、时刻指定部38、提取部40、模型生成部42、推定数据生成部44、显示控制部46。
收集部32收集通过观测对象装置10的传感器12所检测出的时间序列的传感器值即传感器数据。存储部34存储通过收集部32收集到的传感器数据。
段生成部36通过解析存储部34所存储的传感器数据,生成按对象装置10的每个动作状态将传感器数据在时间方向上进行了分割得到的多个段。而且,段生成部36对多个段的每一个,与识别该段的动作状态的识别信息进行关联。
对象装置10的动作状态表示通过解析传感器数据而得到的传感器数据的特征、通过解析传感器数据而得到的对象装置10的状态、或者对象装置10的状态的变化倾向。段生成部36将传感器数据中的、同一动作状态连续的部分划分为一个段。另外,段生成部36对多个段的每一个与识别该段的动作状态的识别信息进行关联。
用于将传感器数据分割为多个段的分段(Segmentation)算法以及参数可以是任意的。例如,段生成部36利用TICC(基于Toeplitz逆协方差的聚类(Toeplitz InverseCovariance-based Clustering))或者LAMTSS(滞后感知多元时间序列分割(Lag-AwareMultivariate Time-Series Segmentation))等的分段算法,将传感器数据分割为多个段。
段生成部36使段的边界位置以及多个段各自的识别信息存储于存储部34。
时刻指定部38取得基准时刻。基准时刻,是从开始了传感器值的观测之后到当前时刻为止的期间中的、任意的时刻(第1时刻)。基准时刻也可以是当前时刻。基准时刻是与当前时刻相比过去的任意的时刻。
进而,时刻指定部38取得指定时刻或者指定时间范围。指定时刻以及指定时间范围是与基准时刻相比未来的任意的时刻或者时间范围。例如,指定时间范围是从紧接着基准时刻之后起到预先设定的时间后为止的范围。
提取部40从时刻指定部38接受基准时刻,确定包含基准时刻的段的动作状态。而且,提取部40从存储部34所存储的传感器数据,提取由与包含基准时刻的段的动作状态为同一动作状态(即,确定了的动作状态)的数据构成的对象数据。
对象数据也可以是传感器数据中、确定了的动作状态的全部段。另外,对象数据也可以是确定了的动作状态的1个或者2个以上的段中的一部分数据。提取部40将所提取出的对象数据提供给模型生成部42。
模型生成部42基于对象数据生成推定模型。推定模型是通过输入指定时刻,输出被推定为在指定时刻输出的传感器值即推定数据的模型。或者,推定模型也可以是通过输入指定时间范围,输出被推定为在指定时间范围输出的时间序列的传感器值即推定数据的模型。
推定模型也可以输出表示以预定的概率被推定为输出的传感器值的范围的置信区间、以及置信区间的中央值,来作为推定数据。例如,也可以输出以50%的概率被推定为输出传感器值的置信区间以及中央值。
例如,模型生成部42通过统计的时间序列分析方法生成推定模型。推定模型可以是ARMA(自回归移动)模型、ARIMA(差分整合移动平均自回归)模型、SARIMA(季节性差分自回归移动平均)模型等。此外,模型生成部42可以使用基于机器学习方法的时间序列推定方法来生成推定模型。
另外,模型生成部42也可以生成多个推定模型,对多个推定模型各自的性能进行评价,选择评价结果良好的1个推定模型。在该情况下,模型生成部42使用例如AIC(赤池信息量准则)以及BIC(贝叶斯信息量准则)等的信息量准则,评价推定模型。另外,模型生成部42将对象数据的一部分设为用于生成推定模型的学习用数据,将其他一部分设为评价用数据。而且,模型生成部42也可以根据由推定模型推定出的推定值和评价用数据之差,评价推定模型。另外,模型生成部42也可以生成多个推定模型,选择多个推定模型中的、由用户指定的1个推定模型。
模型生成部42将所生成的推定模型提供给推定数据生成部44。
推定数据生成部44从时刻指定部38取得指定时刻。进而,推定数据生成部44从模型生成部42取得推定模型。推定数据生成部44通过对推定模型输入指定时刻,生成被推定为在指定时刻输出的传感器值、即推定数据。
推定数据生成部44也可以从时刻指定部38取得指定时间范围。在该情况下,推定数据生成部44通过对推定模型输入指定时间范围,生成被推定为在指定时间范围输出的时间序列的传感器值,来作为推定数据。另外,在推定模型输出置信区间以及中央值的情况下,推定数据生成部44生成置信区间以及中央值,来作为推定数据。
显示控制部46生成包含所生成的推定数据的推定图像。而且,显示控制部46将推定图像提供给显示装置24,使推定图像显示在显示装置24。
进一步,显示控制部46也可以从存储部34取得传感器数据,使还包含传感器数据的推定图像显示在显示装置24。另外,显示控制部46也可以从存储部34取得将传感器数据在时间方向上分割为多个段的情况下的边界时刻,使还包含边界时刻的推定图像显示在显示装置24。
另外,显示控制部46也可以从提取部40取得包含传感器数据中的对象数据的对象期间,使还包含包括传感器数据中的对象数据的对象期间的推定图像显示在显示装置24。另外,显示控制部46在推定模型输出置信区间以及中央值作为推定数据的情况下,显示控制部46也可以使还包含置信区间以及中央值的推定图像显示在显示装置24。
此外,显示控制部46也可以使1张推定图像显示在监视器,也可以使被分割为多张的推定图像显示在监视器。
图4是表示第1实施方式的推定装置22的处理的流程的流程图。第1实施方式的推定装置22在被给予了开始指示的情况下,以图4所示的流程执行处理。
首先,在S101中,收集部32收集由观测对象装置10的传感器12检测出的时间序列的传感器值、即传感器数据。接着,在S102中,段生成部36通过解析传感器数据,按对象装置10的每个动作状态将传感器数据在时间方向上进行分割,生成多个段。然后,段生成部36对多个段的每一个,与识别该段的动作状态的识别信息进行关联。
接着,在S103中,提取部40从传感器数据,提取与包含基准时刻的段的动作状态为同一动作状态的对象数据。接着,在S104中,模型生成部42基于所提取出的对象数据,生成推定模型。
接着,在S105中,推定数据生成部44通过对推定模型输入指定时间范围,推定被推定为在指定时间范围输出的各时间点的传感器值。然后,推定数据生成部44生成在指定时间范围输出的时间序列的传感器值,来作为推定数据。此外,也可以在推定模型输出置信区间以及中央值的情况下,推定数据生成部44生成时间序列的置信区间以及中央值,来作为推定数据。
接着,在S106中,显示控制部46生成包含所生成的推定数据的推定图像。然后,显示控制部46将推定图像提供给显示装置24,使显示装置24显示推定图像。当结束S106时,推定装置22结束处理。
图5是表示第1实施方式的显示装置24显示的推定图像的一例的图。显示装置24按照推定装置22的显示控制部46的控制,将图5所示那样的推定图像显示在监视器上。图5所示的推定图像的横轴表示时刻,纵轴表示传感器值。
推定图像包含:推定值曲线图1002、置信区间曲线图1004、实测值曲线图1006、基准时刻信息1008、边界时刻信息1010、对象期间信息1012。
推定值曲线图1002是在时间轴上表示被推定为从观测对象装置10的传感器12输出的传感器值、即推定数据的线。此外,在推定模型输出置信区间以及中央值作为推定数据的情况下,推定值曲线图1002也可以是在时间轴上表示中央值的线。置信区间曲线图1004是在时间轴上表示置信区间的图像。实测值曲线图1006是在时间轴上表示由传感器12观测到的时间序列的传感器值、即传感器数据的线。
基准时刻信息1008是表示时间轴上的基准时刻的位置的信息。边界时刻信息1010是表示按对象装置10的每个动作状态将传感器数据在时间方向上分割为多个段的情况下的、时间轴上的段的边界时刻的位置的信息。对象期间信息1012是表示时间轴上的、包含由动作状态与传感器数据中的包含基准时刻的段为同一动作状态的数据构成的对象数据的对象期间的信息。
第1实施方式的显示装置24通过显示这样的推定图像,能够将推定数据提供给用户。
如以上那样,第1实施方式的推定***20通过解析传感器数据,生成按对象装置10的每个动作状态将传感器数据在时间方向上进行了分割得到的多个段,提取与包含基准时刻的段的动作状态为同一动作状态的对象数据,基于对象数据,生成推定模型。而且,推定***20通过对所生成的推定模型输入指定时刻或者指定时间范围,生成推定数据。由此,根据第1实施方式的推定***20,能够高精度地推定在指定时刻或者指定时间范围从传感器12输出的传感器值。
例如,对象装置10的状态的变化倾向,根据温度以及湿度等的环境、以及输出量以及频率等的运转设定等而不同。在状态的变化倾向不同的情况下,难以高精度地推定传感器数据。例如,在运转设定明确的情况下,考虑按运转设定进行分离,推定传感器数据。可是,在影响运转设定的参数存在多个、运转设定和对象装置10的状态之间的相关性无法确定的情况下,即使按运转设定进行分离,也难以高精度地推定传感器数据。另外,在由传感器无法测定的内部状态被反映在传感器数据中等情况下,即使按运转设定进行分离,也难以高精度地推定传感器数据。
相对于此,第1实施方式的推定***20通过解析传感器数据,基于与包含基准时刻的段的动作状态为同一动作状态的对象数据,生成推定模型。而且,推定***20使用所生成的推定模型,生成推定数据。由此,根据第1实施方式的推定***20,即使在对象装置10的状态的变化倾向根据输出量以及频率等的运转设定等而不同的情况下,也能够高精度地推定传感器数据。
(第2实施方式)
接着,说明第2实施方式的推定***20。此外,在第2实施方式以后的说明中,对于具有与在此前的实施方式中说明过的构成要素大致相同的结构以及功能的结构要素,标注同一标号,除了不同点以外省略详细的说明。
图6是表示第2实施方式的推定装置22的功能结构的图。第2实施方式的推定装置22除了第1实施方式的结构之外,还具备最佳化部62。
最佳化部62评价基于由模型生成部42生成的推定模型的推定精度,使由模型生成部42生成的推定模型最佳化。
在本实施方式中,段生成部36能够通过多个方法将传感器数据分割为多个段。例如,段生成部36能够对1个分段算法,通过多个不同的参数,对传感器数据进行分割。另外,例如,段生成部36能够通过多个分段算法,对传感器数据进行分割。
最佳化部62使段生成部36,通过多个方法的每一个将传感器数据分割为多个段。进而,最佳化部62使模型生成部42使用通过多个方法的每一个分割后得到的多个段,生成多个推定模型。而且,最佳化部62基于多个推定模型各自的推定精度的评价,选择多个推定模型中的1个推定模型,使推定数据生成部44使用所选择出的推定模型。
由此,最佳化部62能够使段生成部36以适当的分段算法以及参数将传感器数据分割为多个段,以生成最佳的推定模型。
图7是表示第2实施方式的推定装置22的处理的流程的流程图。第2实施方式的推定装置22在被给予了开始指示的情况下,以图7所示的流程执行处理。此外,第2实施方式的推定装置22的处理与第1实施方式相比较,追加了S201、S202以及S203的处理。
首先,在S101中,收集部32收集通过观测对象装置10的传感器12检测出的时间序列的传感器值、即传感器数据。
接着,在S102中,段生成部36通过解析传感器数据,按对象装置10的每个动作状态将传感器数据在时间方向上进行分割,生成多个段。此外,在最初的循环中,段生成部36例如设定预先确定的参数或者分段算法,通过所设定的参数或者分段算法,生成多个段。
接着,在S103中,提取部40从传感器数据,提取与包含基准时刻的段的动作状态为同一动作状态的对象数据。接着,在S104中,模型生成部42基于所提取出的对象数据,生成推定模型。
接着,在S201中,最佳化部62对所生成的推定模型进行评价。例如,最佳化部62使用AIC以及BIC等的信息量准则,对推定模型进行评价。另外,例如,最佳化部62将对象数据的一部分设为用于生成推定模型的学习用数据,将其他一部分设为评价用数据。然后,最佳化部62也可以根据由所生成的推定模型推定出的推定值、和评价用数据之差,评价推定模型。
接着,在S202中,最佳化部62判断是否得到了最佳的推定模型。例如,最佳化部62也可以在评价值超过了预先确定的阈值的情况下,设为最佳的推定模型。另外,最佳化部62也可以使循环反复进行预定次,生成多个推定模型,选择多个推定模型各自的评价值中的评价最高1个推定模型。最佳化部62在得到了最佳的推定模型的情况下(S202的“是”),将处理进至S105。最佳化部62在未得到最佳的推定模型的情况下(S202的“否”),将处理进至S203。
在S203中,最佳化部62再设定用于由段生成部36进行的分段的参数或者分段算法。例如,在再设定用于分段的参数的情况下,最佳化部62也可以通过对紧前面的参数加上或者减去预先确定的值,变更参数。另外,最佳化部62也可以利用梯度法算出使评价值变高这样的参数的变化方向,使紧前面的参数变化以使得评价值变高。另外,最佳化部62也可以使参数的值变化,以网罗性地搜索参数的可设定范围。最佳化部62在结束S203的处理时,将处理返回至S102。
在S105中,推定数据生成部44通过对推定模型输入指定时间范围,推定在指定时间范围中被推定为输出的各时间点的传感器值。接着,在S106中,显示控制部46使包含所生成的推定数据的推定图像显示于显示装置24。然后,当结束S106时,推定装置22结束处理。
如以上,第2实施方式的推定***20对基于推定模型的推定精度进行评价,使由模型生成部42生成的推定模型最佳化。由此,根据第2实施方式的推定***20,能够进一步高精度地推定在指定时刻或者指定时间范围从传感器12输出的传感器值。
(第3实施方式)
接着,说明第3实施方式的推定***20。
图8是表示第3实施方式的推定装置22的功能结构的图。第3实施方式的推定装置22除了第1实施方式的结构之外,还具备代表值生成部64。此外,第3实施方式的推定装置22除了第2实施方式的结构之外,也可以是还具备代表值生成部64的结构。
代表值生成部64对由提取部40提取出的对象数据中的每个预定期间,生成代表对象的预定期间的代表值。代表值生成部64生成作为所生成的代表值的集合的代表值数据。而且,在第3实施方式中,模型生成部42基于由代表值生成部64生成的代表值数据,生成推定模型。
代表值例如是对象的预定期间所包含的多个传感器值的平均值或者中央值。例如,预定期间为1天(24小时)。预定期间也可以是1小时、6小时、12小时、3天以及1周等任意的期间。由此,代表值生成部64能够去除预定期间中的传感器值的噪声等的变动,并基于去除了噪声等的变动后的值,生成精度良好的推定模型。
图9是表示第3实施方式的推定装置22的处理的流程的流程图。第3实施方式的推定装置22在被给予了开始指示的情况下,以图9所示的流程执行处理。
此外,第3实施方式的推定装置22的处理与第1实施方式相比较,追加了S301的处理。对于图9的流程,说明与第1实施方式的不同之处。
推定装置22接着S103的处理,执行S301的处理。在S301中,代表值生成部64对所提取出的对象数据中的每个预定期间,生成代表对象的预定期间的代表值。然后,代表值生成部64生成作为所生成的代表值的集合的代表值数据。
推定装置22接着S301的处理,执行S104的处理。在S104中,模型生成部42基于所生成的代表值数据,生成推定模型。
如以上,第3实施方式的推定***20生成对象数据中的每个预定期间的代表值的集合、即代表值数据,基于代表值数据,生成推定模型。由此,根据第3实施方式的推定***20,使用基于除去了噪声等的数据生成的推定模型,能够进一步高精度地推定传感器值。
(第4实施方式)
接着,说明第4实施方式的推定***20。
图10是表示第4实施方式的推定装置22的功能结构的图。第4实施方式的推定装置22除了第3实施方式的结构之外,还具备事件取得部66和选择部68。此外,第4实施方式的推定装置22除了第1实施方式或者第2实施方式的结构之外,也可以是还具备事件取得部66和选择部68的结构。
事件取得部66取得与对对象装置10发生的事件有关的信息的事件数据。例如,事件数据包含事件的发生时刻以及继续时间等。另外,事件取得部66也可以取得时间序列的事件数据。
进而,事件取得部66也可以取得表示与多个种类的事件有关的信息的事件数据。在该情况下,事件数据还包含识别事件的种类的信息。另外,在发生的事件中存在大小的差异的情况下,事件数据还可以包含表示事件的大小的信息。
另外,事件取得部66也可以取得包含与在当前时刻之后发生的预定的事件有关的信息的事件数据。事件取得部66将所取得的事件数据给予选择部68。
选择部68基于所取得的事件数据,除去或者选择由提取部40提取出的对象数据中、基于事件的发生而确定的期间的数据。选择部68也可以除去或者选择在由代表值生成部64生成的代表值数据中、基于事件的发生时间而确定的期间的数据。
例如,选择部68也可以从对象数据中,除去基于事件的发生而确定的期间中的数据。相反地,选择部68也可以从对象数据中选择基于事件而确定的期间中的数据,除去其他期间的数据。
另外,基于事件的发生而确定的期间例如是事件发生的期间、事件发生了的时刻之前的一定期间、事件发生了的时刻之后的一定期间、或者事件发生了的时刻的前后的一定期间。
另外,例如,选择部68根据对象数据,根据基于事件的发生而确定的期间所包含的多个传感器值的值,算出传感器值的期望值以及标准偏差等。而且,选择部68也可以基于所算出的期望值以及标准偏差,确定传感器值的期望范围,除去或者选择对象数据中的传感器值偏离期望范围的数据。
在本实施方式中,模型生成部42从选择部68取得除去或者选择了基于事件的发生而确定的期间的数据而得到的对象数据或者代表值数据。而且,模型生成部42基于所取得的对象数据或者代表值数据,生成推定模型。
模型生成部42也可以还输入事件数据,生成输出推定数据的推定模型。该情况下,推定模型除了指定时刻或者指定时间范围之外,还输入由事件数据表示的事件的种类、发生时刻、继续时间以及大小中的至少1个,生成推定数据。
在生成多个推定模型,并选择评价结果良好的推定模型的情况下,模型生成部42也可以在生成的多个推定模型中包含还输入事件数据的推定模型、和不输入事件数据的推定模型。
在推定模型还输入事件数据,输出推定数据的情况下,推定数据生成部44从事件取得部66取得事件数据。而且,在该情况下,推定数据生成部44将事件数据输入到推定模型,生成推定数据。此外,也可以在该情况下,推定数据生成部44将与在当前时刻之后发生的预定的事件有关的事件数据输入到推定模型,生成推定数据。
显示控制部46从事件取得部66还取得事件数据。而且,显示控制部46基于事件数据,使还包含事件的发生时刻以及发生了的事件的种类等的推定图像显示于显示装置24。
图11是表示事件数据的一例的图。在对象装置10是燃料电池的情况下,推定装置22也可以取得例如图11所示那样的、以时间序列表示的事件数据。例如,推定装置22也可以取得事件的发生时刻、表示是否发生了启动停止事件的信息、表示是否发生了异常停止事件的信息、表示是否发生了由维护导致的停止的信息、以及表示停止时间的事件数据。
另外,例如,推定装置22也可以取得表示由不同于传感器12的、测定对象装置10的状态的测定装置检测出的测定值成为了预先确定的值的范围外的事件数据。例如,在对象装置10为燃料电池情况下,由不同于传感器12的测定装置检测出的测定值也可以是从燃料电池输出的电压值或者电流值。
在该情况下,例如选择部68将对象数据或者代表值数据中、测定值成为了预先确定的值的范围外的期间的数据除去。例如,选择部68将从燃料电池输出的电流值成为了预先确定的值的范围外的期间的数据,从对象数据或者代表值数据中除去。由此,模型生成部42能够基于将未进行通常动作的期间中的数据除去后的对象数据或者代表值数据,生成推定模型。
图12是表示第4实施方式的推定装置22的处理的流程的流程图。第4实施方式的推定装置22在被给予了开始指示的情况下,以图12所示的流程执行处理。
此外,第4实施方式的推定装置22的处理与第3实施方式相比较,追加了S401以及S402的处理。对于图12的流程,说明与第3实施方式的不同点之处。
推定装置22接着S301的处理,执行S401的处理。在S401中,事件取得部66取得表示与对对象装置10发生的事件有关的信息的事件数据。接着,在S402中,选择部68基于所取得的事件数据,除去或者选择代表值数据中的、基于事件的发生而确定的期间的数据。
推定装置22接着S402,执行S104。在S104中,模型生成部42基于除去或者选择了基于事件的发生而确定的期间的数据后得到的代表值数据,生成推定模型。
图13是表示第4实施方式的显示装置24进行显示的推定图像的一例的图。第4实施方式的显示装置24按照由推定装置22的显示控制部46进行的控制,将图13所示的推定图像显示在监视器。
图13所示的推定图像与图5所示的推定图像相比较,还包含事件时刻信息1022。事件时刻信息1022是表示在时间轴上的事件的发生时刻以及发生了的事件的种类的信息。
第4实施方式的显示装置24通过显示这样的推定图像,还能够对用户提示事件的发生和推定数据之间的关系。
如以上,第4实施方式的推定***20从对象数据除去或者选择基于事件的发生而确定的期间的数据,基于这样的对象数据生成推定模型。由此,根据第4实施方式的推定***20,例如能够使用基于除去了特异的状态的数据得到的对象数据而生成的推定模型,进一步高精度地推定传感器值。
(第5实施方式)
接着,说明第5实施方式的推定***20。
图14是表示第5实施方式的推定装置22的功能结构的图。第5实施方式的推定装置22与第1实施方式相比较,提取部40、模型生成部42以及推定数据生成部44的处理不同。
提取部40对于通过段生成部36解析传感器数据得到的多个动作状态的每一个,从传感器数据提取由对象的动作状态的数据构成的对象数据。例如,在段生成部36从传感器数据检测出N种类(N为2以上的整数)的动作状态的情况下,生成N个对象数据。N个对象数据的每一个与N种类的动作状态的每一个一一对应。
模型生成部42对于多个动作状态的每一个,基于对应的对象数据生成推定模型。例如,在段生成部36从传感器数据检测出N种类的动作状态的情况下,生成N个推定模型。N个推定模型的每一个与N种类的动作状态一一对应。
推定数据生成部44确定包含所输入的基准时刻的段的动作状态。而且,推定数据生成部44从多个推定模型中选择与所确定出的动作状态对应的推定模型,通过所选择出的推定模型生成推定数据。
显示控制部46从提取部40取得包含与包含基准时刻的段的动作状态对应的对象数据的对象期间。而且,显示控制部46使包含对象期间的推定图像显示于显示装置24。
这样的第5实施方式的推定装置22对于多个动作状态的每一个,预先生成推定模型。由此,根据推定装置22,由于可以不反复执行推定模型的生成处理,所以在被输入了多个基准时刻的情况下,能够高效地生成推定数据。
(第6实施方式)
接着,说明第6实施方式的推定***20。
图15是表示第6实施方式的推定装置22的功能结构的图。第6实施方式的推定装置22除了第4实施方式的结构之外,还具备阈值取得部82、危险概率算出部84、危险时刻算出部86。此外,第6实施方式的推定装置22也可以是除了第1、第2、第3或者第5实施方式的结构之外,还具备阈值取得部82、危险概率算出部84、危险时刻算出部86的结构。
阈值取得部82取得阈值。例如,阈值是异常的传感器值的范围(危险范围)、和正常的传感器值的范围(正常范围)之间的边界值。阈值取得部82也可以取得危险范围的上限值和下限值。另外,阈值取得部82在传感器数据包含多个传感器值的情况下,也可以对传感器数据所包含的2个以上的传感器值的每一个,取得阈值或者危险范围。
危险概率算出部84取得阈值或者危险范围。另外,危险概率算出部84取得由推定数据生成部44生成的推定数据。而且,危险概率算出部84算出表示所推定的传感器值包含在危险范围内的危险概率的时间序列数据。在该情况下,危险概率算出部84基于由推定数据生成部44算出的预定概率的置信区间的时间序列数据和中央值的时间序列数据,算出表示传感器值包含在危险范围内的危险概率的时间序列数据。
危险时刻算出部86算出以预定的概率所推定的传感器值包含在危险范围内的危险时刻。例如,危险时刻算出部86算出表示危险概率的时间序列数据成为预定的概率的时刻来作为危险时刻。
显示控制部46取得由阈值取得部82取得的阈值或者危险范围。然后,显示控制部46使还包含阈值或者危险范围的推定图像显示于显示装置24。
另外,显示控制部46从危险概率算出部84取得所推定的传感器值包含在危险范围内的危险概率的时间序列数据。而且,显示控制部46使还包含所推定的传感器值包含在危险范围内的危险概率的时间序列数据的推定图像显示于显示装置24。
另外,显示控制部46从危险时刻算出部86取得以预定的概率所推定的传感器值包含在危险范围内的危险时刻。而且,显示控制部46使还包含以预定的概率传感器值包含在危险范围内的危险时刻的推定图像显示于显示装置24。
图16是表示第6实施方式的推定装置22的处理的流程的流程图。第6实施方式的推定装置22在被给予了开始指示的情况下,以图16所示的流程执行处理。
此外,第6实施方式的推定装置22的处理与第4实施方式相比较,追加了S601、S602以及S603的处理。对于图16的流程,说明与第4实施方式的不同之处。
推定装置22接着S105的处理,执行S601的处理。在S601中,阈值取得部82取得表示由用户等设定的传感器值的阈值。接着,在S602中,危险概率算出部84算出表示所推定的传感器值包含在危险范围内的危险概率的时间序列数据。接着,在S603中,算出以预定的概率传感器值包含在危险范围内的危险时刻。推定装置22接着S603的处理,执行S106的处理。
然后,在S106中,显示控制部46生成还包含表示阈值、危险概率的时间序列数据以及危险时刻的推定图像,并使其显示于显示装置24。
图17是表示第6实施方式的显示装置24进行显示的推定图像的一例的图。第6实施方式的显示装置24按照推定装置22的显示控制部46进行的控制,将图17所示的推定图像显示于监视器(monitor)。
图17所示的推定图像与图13所示的推定图像相比,还包含阈值信息1030、危险范围信息1032、危险概率曲线图1034。
阈值信息1030是表示传感器值的危险范围的下限值或者上限值的线。危险范围信息1032是表示以预定的概率所推定的传感器值包含在危险范围内的期间的信息。例如,危险范围信息1032是对推定值曲线图1002中的背景色等进行了强调后的图像。
此外,推定图像也可以针对多个概率的每一个,显示表示所推定的传感器值包含在危险范围内的期间的危险范围信息1032。在该情况下,危险范围信息1032成为按概率以不同的颜色等进行了强调后的图像。例如,危险范围信息1032包含对以5%的概率所推定的传感器值包含在危险范围内的期间进行强调的图像、和对以50%的概率所推定的传感器值包含在危险范围内的期间进行强调的图像。
危险概率曲线图1034是在时间轴上表示所推定的传感器值包含在危险范围的危险概率的线。危险概率曲线图1034的时间轴与推定值曲线图1002的时间轴一致地显示。
第6实施方式的显示装置24通过显示图17所示的推定图像,还能够对用户提示所推定的传感器值包含在危险范围内的概率。
图18是表示第6实施方式的显示装置24进行显示的其他例子的推定图像的图。第6实施方式的显示装置24除了图17所示的那样的推定图像之外,还显示图18所示的推定图像。显示装置24可以将图17所示的推定图像、和图18所示的推定图像并排显示在监视器,也可以显示在不同页面。
图18所示的推定图像包含危险时刻信息1042、阈值框1044、推定期间框1046、当前动作状态信息1048、参考期间信息1050、以及事件选择框1052。
危险时刻信息1042包含以预定的概率所推定的传感器值包含在危险范围内的危险时刻。危险时刻信息1042也可以针对多个时刻的每一个,包含危险时刻。例如,危险时刻信息1042包含以5%的概率传感器值包含在危险范围内的危险时刻、和以50%的概率传感器值包含在危险范围内的危险时刻。
阈值框1044是用于供用户输入阈值的框。推定期间框1046是用于供用户输入指定推定期间的框。当前动作状态信息1048是表示当前时刻的动作状态的信息。参考期间信息1050是表示作为对象数据而选择出的动作状态的信息。事件选择框1052是用于供用户选择向推定模型输入的事件的种类的框。
第6实施方式的显示装置24通过显示图18所示的推定图像,能够进一步对用户提示所推定的传感器值包含在危险范围内的时刻。
如以上那样,第6实施方式的推定***20对用户提示所推定的传感器值包含在危险范围内的概率、期间以及时刻等。由此,根据第6实施方式的推定***20,能够使用户将维护等设定在适当的定时。
(硬件结构)
图19是表示实施方式的推定装置22的硬件结构的一例的图。本实施方式的推定装置22例如通过图19所示那样的硬件结构的信息处理装置实现。推定装置22具备:CPU(中央处理部(Central Processing Unit))201、RAM(随机存取存储器(Random Access Memory))202、ROM(只读存储器(Read Only Memory))203、操作输入装置204、存储装置206、通信装置207。而且,这些各部分通过总线连接。
CPU201是按照程序执行运算处理以及控制处理等的处理器。CPU201将RAM202的预定区域设为作业区域,通过与ROM203以及存储装置206等所存储的程序协作,执行各种处理。
RAM202是SDRAM(同步动态随机存取存储器(Synchronous Dynamic RandomAccess Memory))等的存储器。RAM202作为CPU201的作业区域发挥功能。ROM203是不能改写地存储程序以及各种信息的存储器。
操作输入装置204是鼠标以及键盘等的输入设备。操作输入装置204受理从用户进行了操作输入的信息来作为指示信号,将指示信号向CPU201输出。
存储装置206是向闪存等基于半导体的存储介质、或者能够进行磁或光记录的存储介质等写入和读出数据的装置。存储装置206根据来自CPU201的控制,对存储介质进行数据的写入和读出。通信装置207根据CPU201的控制经由网络与外部设备进行通信。
由本实施方式的推定装置22执行的程序具备收集模块、段生成模块、时刻指定模块、提取模块、模型生成模块、推定数据生成模块、显示控制模块。该程序通过CPU201(处理器)在RAM202上展开并被执行,由此,使信息处理装置发挥收集部32、段生成部36、时刻指定部38、提取部40、模型生成部42、推定数据生成部44以及显示控制部46的功能。进而,该程序使RAM202以及存储装置206发挥存储部34的功能。此外,推定装置22也可以是通过硬件电路(例如半导体集成电路)实现了收集部32、段生成部36、时刻指定部38、提取部40、模型生成部42、推定数据生成部44以及显示控制部46的至少一部分的构成。
另外,在本实施方式的推定装置22中执行的程序是以能够安装在计算机中的形式或能够执行的形式的文件方式,记录在CD-ROM、软盘、CD-R、DVD(数字通用光盘(DigitalVersion Disk))等计算机可读取的记录介质中而被提供。
另外,也可以将在本实施方式的推定装置22中执行的程序保存在与因特网等网络连接的计算机上,通过经由网络下载而被提供。另外,也可以构成为经由因特网等网络提供或分发由本实施方式的推定装置22执行的程序。此外,也可以构成为将由推定装置22执行的程序预先装入ROM 203等来提供。
说明了本发明的几个实施方式,但是这些实施方式是作为例子而提示的实施方式,不意图限定发明的范围。这些新的实施方式能够以其他各种方式实施,在不脱离发明主旨的范围内,能够进行各种省略、置换、变更。这些实施方式及其变形包含在发明的范围和主旨中,并且包含在权利要求书所记载的发明及其均等的范围中。
此外,能够将上述的实施方式归结为以下的技术方案。
技术方案1
一种信息处理装置,具备:
段生成部,根据由对对象装置进行观测的传感器检测出的时间序列的传感器数据,生成按所述对象装置的每个动作状态进行了分割得到的多个段;
提取部,提取所述多个段中的、与任意的第1时刻的动作状态为同一动作状态的段所包含的对象数据;以及
推定数据生成部,基于所述对象数据,生成被推定为在与所述第1时刻不同的指定时刻从所述传感器输出的推定数据。
技术方案2
如技术方案1所述的信息处理装置,
所述段生成部通过解析所述传感器数据,生成将所述传感器数据在时间方向上进行了分割得到的所述多个段。
技术方案3
如技术方案1或2所述的信息处理装置,
所述第1时刻是当前的时刻。
技术方案4
如技术方案1至3中任一项所述的信息处理装置,
所述推定数据生成部生成指定时间范围的推定数据。
技术方案5
如技术方案1至3中任一项所述的信息处理装置,其中,
还具备:模型生成部,基于所述对象数据,生成通过输入所述指定时刻而输出所述推定数据的推定模型,
所述推定数据生成部通过对所述推定模型输入所述指定时刻,生成所述推定数据。
技术方案6
如技术方案5所述的信息处理装置,
还具备:最佳化部,对基于所述推定模型的推定精度进行评价,使所生成的所述推定模型最佳化,
所述段生成部能够通过多个方法将所述传感器数据分割为所述多个段,
所述最佳化部,
使所述段生成部通过所述多个方法中的各个方法将所述传感器数据分割为所述多个段,
使所述模型生成部使用通过所述多个方法中的各个方法进行了分割得到的所述多个段,生成多个所述推定模型,
基于所述推定精度的评价,选择多个所述推定模型中的1个所述推定模型,使所述推定数据生成部使用所选择出的所述推定模型。
技术方案7
如技术方案5或者6所述的信息处理装置,
还具备:代表值生成部,按所述对象数据中的每个预定期间生成代表对象的预定期间的代表值,生成所生成的所述代表值的集合即代表值数据,
所述模型生成部基于所述代表值数据生成所述推定模型。
技术方案8
如技术方案7所述的信息处理装置,
所述代表值是所述对象的预定期间所包含的多个传感器值的平均值或中央值。
技术方案9
如技术方案1至8中任一项所述的信息处理装置,还具备:
事件取得部,取得表示与对所述对象装置发生的事件有关的信息的事件数据;和
选择部,基于所述事件数据,除去或者选择所述对象数据中、基于所述事件的发生而确定的期间的数据。
技术方案10
如技术方案9所述的信息处理装置,
所述事件取得部取得表示由不同于所述传感器的、测定所述对象装置的状态的测定装置检测出的测定值成为了预先确定的值的范围外这一情况的数据,来作为所述事件数据,
所述选择部基于所述事件数据,除去所述对象数据中、所述测定值成为了所述预先确定的值的范围外的期间的数据。
技术方案11
如技术方案10所述的信息处理装置,其中,
所述对象装置是燃料电池,
由所述测定装置检测出的测定值为从所述燃料电池输出的电压值或电流值。
技术方案12
如技术方案5至7中任一项所述的信息处理装置,
针对通过解析所述传感器数据而得到的多个动作状态中的各个动作状态,所述提取部从所述传感器数据提取由对象的动作状态的数据构成的所述对象数据,
针对所述多个动作状态中的各个动作状态,所述模型生成部基于对应的所述对象数据,生成所述推定模型,
所述推定数据生成部选择包含所输入的所述第1时刻的段的动作状态所对应的所述推定模型,通过所选择出的所述推定模型生成所述推定数据。
技术方案13
一种信息处理方法,是通过信息处理装置执行的信息处理方法,
所述信息处理装置,
根据由对对象装置进行观测的传感器检测出的时间序列的传感器数据,生成按所述对象装置的每个动作状态进行了分割得到的多个段,
提取所述多个段中的、与任意的第1时刻的动作状态为同一动作状态的段所包含的对象数据,
基于所述对象数据,生成被推定为在与所述第1时刻不同的指定时刻从所述传感器输出的推定数据。
技术方案14
一种程序,用于使计算机作为以下部发挥功能:
段生成部,根据由对对象装置进行观测的传感器检测出的时间序列的传感器数据,生成按所述对象装置的每个动作状态进行了分割得到的多个段;
提取部,提取所述多个段中的、与任意的第1时刻的动作状态为同一动作状态的段所包含的对象数据;以及
推定数据生成部,基于所述对象数据,生成被推定为在与所述第1时刻不同的指定时刻从所述传感器输出的推定数据。
技术方案15
一种信息处理装置,使推定图像进行显示,该推定图像包含:
推定值曲线图,在时间轴上表示被推定为从对对象装置进行观测的传感器输出的推定数据;
实测值曲线图,在所述时间轴上表示由所述传感器观测到的时间序列的传感器数据;
边界时刻信息,表示按所述对象装置的每个动作状态将所述传感器数据分割为了多个段的情况下的、所述时间轴上的段的边界时刻;以及
对象期间信息,表示所述时间轴上的、包含动作状态与所述传感器数据中的包含任意的第1时刻的段为同一动作状态的对象数据的对象期间。
技术方案16
如技术方案15所述的信息处理装置,其中,
所述推定图像还包含表示置信区间的推定区间信息,该置信区间表示以预定的概率被推定为输出的所述推定数据的范围。
技术方案17
如技术方案16所述的信息处理装置,
所述推定图像还包含表示所述推定数据包含在预先确定的危险范围中的危险概率的危险概率信息。
技术方案18
如技术方案17所述的信息处理装置,
所述推定图像还包含表示在预定的概率下所述推定数据包含在所述危险范围中的危险时刻的危险时刻信息。
Claims (18)
1.一种信息处理装置,具备:
段生成部,根据由对对象装置进行观测的传感器检测出的时间序列的传感器数据,生成按所述对象装置的每个动作状态进行了分割得到的多个段;
提取部,提取所述多个段中的、与任意的第1时刻的动作状态为同一动作状态的段所包含的对象数据;以及
推定数据生成部,基于所述对象数据,生成被推定为在与所述第1时刻不同的指定时刻从所述传感器输出的推定数据。
2.根据权利要求1所述的信息处理装置,
所述段生成部通过解析所述传感器数据,生成将所述传感器数据在时间方向上进行了分割得到的所述多个段。
3.根据权利要求1或2所述的信息处理装置,
所述第1时刻是当前的时刻。
4.根据权利要求1至3中任一项所述的信息处理装置,
所述推定数据生成部生成指定时间范围的推定数据。
5.根据权利要求1至3中任一项所述的信息处理装置,
还具备:模型生成部,基于所述对象数据,生成通过输入所述指定时刻而输出所述推定数据的推定模型,
所述推定数据生成部通过对所述推定模型输入所述指定时刻,生成所述推定数据。
6.根据权利要求5所述的信息处理装置,
还具备:最佳化部,对基于所述推定模型的推定精度进行评价,使所生成的所述推定模型最佳化,
所述段生成部能够通过多个方法将所述传感器数据分割为所述多个段,
所述最佳化部,
使所述段生成部通过所述多个方法中的各个方法将所述传感器数据分割为所述多个段,
使所述模型生成部使用通过所述多个方法中的各个方法进行了分割得到的所述多个段,生成多个所述推定模型,
基于所述推定精度的评价,选择多个所述推定模型中的1个所述推定模型,使所述推定数据生成部使用所选择出的所述推定模型。
7.根据权利要求5或6所述的信息处理装置,
还具备:代表值生成部,按所述对象数据中的每个预定期间生成代表对象的预定期间的代表值,生成所生成的所述代表值的集合即代表值数据,
所述模型生成部基于所述代表值数据生成所述推定模型。
8.根据权利要求7所述的信息处理装置,
所述代表值是所述对象的预定期间所包含的多个传感器值的平均值或中央值。
9.根据权利要求1至8中任一项所述的信息处理装置,还具备:
事件取得部,取得表示与对所述对象装置发生的事件有关的信息的事件数据;和
选择部,基于所述事件数据,除去或者选择所述对象数据中、基于所述事件的发生而确定的期间的数据。
10.根据权利要求9所述的信息处理装置,
所述事件取得部取得表示由不同于所述传感器的、测定所述对象装置的状态的测定装置检测出的测定值成为了预先确定的值的范围外这一情况的数据,来作为所述事件数据,
所述选择部基于所述事件数据,除去所述对象数据中、所述测定值成为了所述预先确定的值的范围外的期间的数据。
11.根据权利要求10所述的信息处理装置,
所述对象装置是燃料电池,
由所述测定装置检测出的测定值为从所述燃料电池输出的电压值或电流值。
12.根据权利要求5至7中任一项所述的信息处理装置,
针对通过解析所述传感器数据而得到的多个动作状态中的各个动作状态,所述提取部从所述传感器数据提取由对象的动作状态的数据构成的所述对象数据,
针对所述多个动作状态中的各个动作状态,所述模型生成部基于对应的所述对象数据,生成所述推定模型,
所述推定数据生成部选择包含所输入的所述第1时刻的段的动作状态所对应的所述推定模型,通过所选择出的所述推定模型生成所述推定数据。
13.一种信息处理方法,是由信息处理装置执行的信息处理方法,
所述信息处理装置,
根据由对对象装置进行观测的传感器检测出的时间序列的传感器数据,生成按所述对象装置的每个动作状态进行了分割得到的多个段,
提取所述多个段中的、与任意的第1时刻的动作状态为同一动作状态的段所包含的对象数据,
基于所述对象数据,生成被推定为在与所述第1时刻不同的指定时刻从所述传感器输出的推定数据。
14.一种程序,用于使计算机作为以下部发挥功能:
段生成部,根据由对对象装置进行观测的传感器检测出的时间序列的传感器数据,生成按所述对象装置的每个动作状态进行了分割得到的多个段;
提取部,提取所述多个段中的、与任意的第1时刻的动作状态为同一动作状态的段所包含的对象数据;以及
推定数据生成部,基于所述对象数据,生成被推定为在与所述第1时刻不同的指定时刻从所述传感器输出的推定数据。
15.一种信息处理装置,使推定图像进行显示,该推定图像包含:
推定值曲线图,在时间轴上表示被推定为从对对象装置进行观测的传感器输出的推定数据;
实测值曲线图,在所述时间轴上表示由所述传感器观测到的时间序列的传感器数据;
边界时刻信息,表示按所述对象装置的每个动作状态将所述传感器数据分割为了多个段的情况下的、所述时间轴上的段的边界时刻;以及
对象期间信息,表示所述时间轴上的、包含动作状态与所述传感器数据中的包含任意的第1时刻的段为同一动作状态的对象数据的对象期间。
16.根据权利要求15所述的信息处理装置,
所述推定图像还包含表示置信区间的推定区间信息,该置信区间表示以预定的概率被推定为输出的所述推定数据的范围。
17.根据权利要求16所述的信息处理装置,
所述推定图像还包含表示所述推定数据包含在预先确定的危险范围中的危险概率的危险概率信息。
18.根据权利要求17所述的信息处理装置,
所述推定图像还包含表示在预定的概率下所述推定数据包含在所述危险范围中的危险时刻的危险时刻信息。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-044661 | 2020-03-13 | ||
JP2020044661A JP7293156B2 (ja) | 2020-03-13 | 2020-03-13 | 情報処理装置、情報処理方法およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113391613A true CN113391613A (zh) | 2021-09-14 |
Family
ID=77616380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010876816.6A Pending CN113391613A (zh) | 2020-03-13 | 2020-08-27 | 信息处理装置、信息处理方法以及程序 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210287154A1 (zh) |
JP (1) | JP7293156B2 (zh) |
CN (1) | CN113391613A (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12006062B2 (en) * | 2020-05-15 | 2024-06-11 | The Boeing Company | Method and system for reducing air-to-ground data traffic communicated from an aircraft |
KR102604219B1 (ko) * | 2022-09-07 | 2023-11-20 | 주식회사 아인스페이스 | 고해상도 데이터에 대한 폴트를 검출하는 방법 및 그 시스템 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101029920A (zh) * | 2006-09-07 | 2007-09-05 | 长安大学 | 集中/分布式电动汽车蓄电池组工作参数检测*** |
CN102104180A (zh) * | 2009-12-22 | 2011-06-22 | 三洋电机株式会社 | 蓄电池***、具备它的车辆及蓄电池***的内部短路检测方法 |
CN102411128A (zh) * | 2011-07-25 | 2012-04-11 | 华北电力大学(保定) | 虚拟电池管理***及其应用方法 |
CN105509815A (zh) * | 2016-01-21 | 2016-04-20 | 单立辉 | 一种基于积分算法的非电量信号采集监测方法 |
CN105904992A (zh) * | 2016-06-07 | 2016-08-31 | 烟台创为新能源科技有限公司 | 一种电动汽车的电池监控管理***及其监控方法 |
CN107275688A (zh) * | 2016-04-06 | 2017-10-20 | 西安中兴新软件有限责任公司 | 一种控制终端的控制终端的方法及终端 |
CN107490764A (zh) * | 2016-06-13 | 2017-12-19 | 宁德时代新能源科技股份有限公司 | 电池内压的检测方法及电池体积的检测方法 |
CN107843802A (zh) * | 2017-10-23 | 2018-03-27 | 北京小米移动软件有限公司 | 内短路检测方法及装置 |
CN109814037A (zh) * | 2018-12-29 | 2019-05-28 | 深圳市比克动力电池有限公司 | 锂离子电池熵热系数的获取方法、终端设备及介质 |
CN109870650A (zh) * | 2017-11-17 | 2019-06-11 | 奥动新能源汽车科技有限公司 | 电池监控方法及*** |
CN110764014A (zh) * | 2018-07-26 | 2020-02-07 | 东莞新能德科技有限公司 | 电池内短路的检测方法、装置、终端及可读存储介质 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5827425B1 (ja) * | 2015-01-09 | 2015-12-02 | 株式会社日立パワーソリューションズ | 予兆診断システム及び予兆診断方法 |
MY192904A (en) * | 2015-02-17 | 2022-09-14 | Fujitsu Ltd | Determination device, determination method, and determination program |
US10199668B2 (en) * | 2015-10-08 | 2019-02-05 | Toyota Jidosha Kabushiki Kaisha | Fuel cell system and performance improvement method of fuel cell system |
JP2017129917A (ja) * | 2016-01-18 | 2017-07-27 | 富士通株式会社 | 異常検知方法、異常検知装置および異常検知プログラム |
JP6634333B2 (ja) * | 2016-04-15 | 2020-01-22 | 鹿島建設株式会社 | 分析装置、分析方法、およびプログラム |
KR102042077B1 (ko) * | 2016-09-26 | 2019-11-07 | 주식회사 엘지화학 | 인공지능형 연료전지 시스템 |
US20210383250A1 (en) * | 2018-02-26 | 2021-12-09 | Hitachi Information & Telecommunication Engineering, Ltd. | State Prediction Apparatus and State Prediction Control Method |
JP6844562B2 (ja) * | 2018-03-13 | 2021-03-17 | オムロン株式会社 | アノテーション方法、アノテーション装置、アノテーションプログラム及び識別システム |
-
2020
- 2020-03-13 JP JP2020044661A patent/JP7293156B2/ja active Active
- 2020-08-25 US US17/001,860 patent/US20210287154A1/en active Pending
- 2020-08-27 CN CN202010876816.6A patent/CN113391613A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101029920A (zh) * | 2006-09-07 | 2007-09-05 | 长安大学 | 集中/分布式电动汽车蓄电池组工作参数检测*** |
CN102104180A (zh) * | 2009-12-22 | 2011-06-22 | 三洋电机株式会社 | 蓄电池***、具备它的车辆及蓄电池***的内部短路检测方法 |
CN102411128A (zh) * | 2011-07-25 | 2012-04-11 | 华北电力大学(保定) | 虚拟电池管理***及其应用方法 |
CN105509815A (zh) * | 2016-01-21 | 2016-04-20 | 单立辉 | 一种基于积分算法的非电量信号采集监测方法 |
CN107275688A (zh) * | 2016-04-06 | 2017-10-20 | 西安中兴新软件有限责任公司 | 一种控制终端的控制终端的方法及终端 |
CN105904992A (zh) * | 2016-06-07 | 2016-08-31 | 烟台创为新能源科技有限公司 | 一种电动汽车的电池监控管理***及其监控方法 |
CN107490764A (zh) * | 2016-06-13 | 2017-12-19 | 宁德时代新能源科技股份有限公司 | 电池内压的检测方法及电池体积的检测方法 |
CN107843802A (zh) * | 2017-10-23 | 2018-03-27 | 北京小米移动软件有限公司 | 内短路检测方法及装置 |
CN109870650A (zh) * | 2017-11-17 | 2019-06-11 | 奥动新能源汽车科技有限公司 | 电池监控方法及*** |
CN110764014A (zh) * | 2018-07-26 | 2020-02-07 | 东莞新能德科技有限公司 | 电池内短路的检测方法、装置、终端及可读存储介质 |
CN109814037A (zh) * | 2018-12-29 | 2019-05-28 | 深圳市比克动力电池有限公司 | 锂离子电池熵热系数的获取方法、终端设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
JP7293156B2 (ja) | 2023-06-19 |
JP2021144637A (ja) | 2021-09-24 |
US20210287154A1 (en) | 2021-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3508833B1 (en) | Diagnostic device, diagnostic method, and diagnostic program | |
JP6675014B2 (ja) | データ収集システム、異常検出方法、及びゲートウェイ装置 | |
WO2018207350A1 (ja) | 時系列データ処理装置、時系列データ処理システムおよび時系列データ処理方法 | |
EP3416011B1 (en) | Monitoring device, and method for controlling monitoring device | |
KR20180104542A (ko) | 해석 장치, 해석 방법 및 기억 매체 | |
US20130262190A1 (en) | Apparatus and a method for determining a maintenance plan | |
JP6164311B1 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
EP4160342A1 (en) | Abnormal modulation cause identification device, abnormal modulation cause identification method, and abnormal modulation cause identification program | |
CN113391613A (zh) | 信息处理装置、信息处理方法以及程序 | |
KR20150038356A (ko) | 유전적 프로그래밍을 이용한 잔여 유효 수명의 추정 | |
US20190265088A1 (en) | System analysis method, system analysis apparatus, and program | |
TW202006488A (zh) | 資料處理裝置及資料處理方法 | |
EP3416012B1 (en) | Monitoring device, and method for controlling monitoring device | |
JPWO2017150286A1 (ja) | システム分析装置、システム分析方法、及び、プログラム | |
EP4160341A1 (en) | Abnormal modulation cause identifying device, abnormal modulation cause identifying method, and abnormal modulation cause identifying program | |
JP2016177676A (ja) | 診断装置、診断方法、診断システムおよび診断プログラム | |
EP3303835B1 (en) | Method for windmill farm monitoring | |
JP6247777B2 (ja) | 異常診断装置および異常診断方法 | |
JP2015232914A (ja) | 異常診断装置、異常診断方法及び異常診断プログラム | |
JP6488168B2 (ja) | 時系列データ処理方法、時系列データ処理プログラム、および、時系列データ処理装置 | |
WO2023105725A1 (ja) | 時系列データ処理方法 | |
JP6558015B2 (ja) | データ処理装置、データ処理プログラム及びデータ処理方法 | |
EP4160338A1 (en) | Abnormal modulation cause display device, abnormal modulation cause display method, and abnormal modulation cause display program | |
JP6932467B2 (ja) | 状態変動検出装置、状態変動検出システム及び状態変動検出用プログラム | |
JP2010267217A (ja) | 予測装置、予測プログラムおよび予測方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |