JP2023151888A - Prediction system, controller, and control program - Google Patents

Abstract

To provide a technique capable of more easily evaluating a prediction model according to a model of a controller.SOLUTION: A prediction system includes a controller and an information processor. The controller includes a control arithmetic unit that performs control arithmetic on a control object, and a predictive value acquisition unit that acquires a predictive value by inputting an actual value, which includes one or plural condition values out of condition values which the control arithmetic unit can refer to, into a prediction model. The information processor includes a prediction model generation unit that generates a prediction model based on a tree-structure learning algorithm, a prediction model evaluation unit that evaluates the prediction model, and a memory unit that stores performance information based on the model of the controller. The prediction model evaluation unit includes an extraction block that extracts a feature quantity of the generated prediction model, an execution time calculation block that calculates an execution time of the prediction model on the basis of the feature quantity of the prediction model extracted by the extraction block, and the performance information based on the model of the controller stored in the memory unit, and an evaluation block that evaluates the prediction model on the basis of a result of the calculation by the execution time calculation block.SELECTED DRAWING: Figure 11

Description

本開示は、制御対象に生じる変化を予測する予測システム、予測システムを構成する制御装置、および制御装置を実現するための制御プログラムに関する。 The present disclosure relates to a prediction system that predicts changes occurring in a controlled object, a control device that configures the prediction system, and a control program for realizing the control device.

機械や設備などの動作を制御するために用いられるコントローラには、汎用のＰＬＣや、個別の機械等に専用のプログラム制御のコントローラがある。 Controllers used to control the operations of machines, equipment, etc. include general-purpose PLCs and program-controlled controllers dedicated to individual machines.

ＰＬＣは、たとえば、制御プログラムを実行するマイクロプロセッサを含むＣＰＵ（Central Processing Unit）ユニット、外部のスイッチやセンサからの信号入力および外部のリレーやアクチュエータへの信号出力を担当するＩＯ（Input Output）ユニット、といった複数のユニットで構成される。それらのユニット間で、制御プログラム実行サイクルごとに、ＰＬＣシステムバスおよび／またはフィールドネットワークを経由してデータの授受をしながら、ＰＬＣは制御動作を実行する。 PLC is, for example, a CPU (Central Processing Unit) unit that includes a microprocessor that executes a control program, and an IO (Input Output) unit that is responsible for inputting signals from external switches and sensors and outputting signals to external relays and actuators. It is composed of multiple units such as. The PLC executes control operations while exchanging data between these units via the PLC system bus and/or field network for each control program execution cycle.

コントローラサポート装置は、コントローラに実行させる制御プログラムやコントローラに対する各種の設定情報を作成し、それらをコントローラに転送するために用いられる。コントローラサポート装置は、たとえば、汎用のコンピュータにコントローラサポートプログラムをインストールすることで構成される。コントローラサポート装置は、たとえば、制御プログラムのソースリストを作成するエディタ機能、制御プログラムのソースリストからコントローラで動作するオブジェクトプログラムを生成するコンパイラ機能、制御プログラムをコントローラサポート装置において試験実行させるためのコントローラのシミュレータ機能、および、コントローラとの通信機能などを有する。 The controller support device is used to create control programs to be executed by the controller and various setting information for the controller, and to transfer them to the controller. The controller support device is configured, for example, by installing a controller support program on a general-purpose computer. The controller support device has, for example, an editor function to create a control program source list, a compiler function to generate an object program that runs on the controller from the control program source list, and a controller function to test execute the control program in the controller support device. It has a simulator function and a communication function with the controller.

制御プログラムの開発段階では、コントローラがその制御プログラムを実行するのに要する実行時間を知る必要がある。この制御プログラムの実行時間は、その制御プログラムの実行サイクルの周期を定めるときに参照される。また、コントローラに実行させる複数の制御プログラムについて、互いに異なる実行優先度と実行サイクル周期とを定めるときに、それぞれの制御プログラムの実行時間が参照される。 During the development stage of a control program, it is necessary to know the execution time required for the controller to execute the control program. The execution time of this control program is referred to when determining the period of the execution cycle of the control program. Further, when determining mutually different execution priorities and execution cycle periods for a plurality of control programs to be executed by the controller, the execution time of each control program is referred to.

コントローラサポート装置とコントローラとでは、制御プログラムの実行に関するハードウェアやオペレーションシステムが異なることが多い。また、制御プログラムの実行コード自体もシミュレータ用とコントローラ用とでは異なる場合がある。そのため、コントローラサポート装置のシミュレータで実行した制御プログラムの実行時間は、コントローラで実行した制御プログラムの実行時間とは異なる場合があり、種々の方法が提案されている（特許文献１参照）。 The controller support device and the controller often have different hardware and operation systems for executing control programs. Furthermore, the execution code of the control program itself may be different between the simulator and the controller. Therefore, the execution time of the control program executed by the simulator of the controller support device may be different from the execution time of the control program executed by the controller, and various methods have been proposed (see Patent Document 1).

特開２０１２－１９４６６９号公報Japanese Patent Application Publication No. 2012-194669

一方で、制御に機械学習を用いる可変的予測モデル構築方法においては、入力するデータにより推論実行時間が変動するため、最大実行時間が分からないという課題があった。そのため、装置上に予測モデルを配置した状態で、何度も推論実行を繰り返して実行時間を測定する必要があり、予測モデルの評価に手間がかかるという問題があった。 On the other hand, in the variable predictive model construction method that uses machine learning for control, the inference execution time varies depending on the input data, so there is a problem that the maximum execution time is not known. Therefore, it is necessary to measure the execution time by repeating inference execution many times with the predictive model placed on the device, which poses a problem in that it takes time and effort to evaluate the predictive model.

また、コントローラ（制御装置）の型式（機種）に応じて性能が異なるため同一の予測モデルであっても実行時間が異なる可能性がある。 Furthermore, since the performance differs depending on the model (model) of the controller (control device), the execution time may differ even for the same prediction model.

本開示は、コントローラ（制御装置）の型式に従って予測モデルをより簡易的に評価できる手法を提供することである。 An object of the present disclosure is to provide a method that can more easily evaluate a predictive model according to the type of controller (control device).

ある局面に基づく予測システムは、制御対象を制御するための制御装置と、制御装置に接続される情報処理装置とを備える。制御装置は、制御対象の制御演算を実行する制御演算部と、制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部とを含む。情報処理装置は、木構造の学習アルゴリズムに基づく予測モデルを生成する予測モデル生成部と、予測モデルを評価する予測モデル評価部と、制御装置の型式に基づく性能情報を格納する記憶部とを含む。予測モデル評価部は、生成した予測モデルの特徴量を抽出する抽出部と、抽出部で抽出した前記予測モデルの特徴量と、記憶部に格納された制御装置の型式に基づく性能情報とに基づいて予測モデルの実行時間を算出する実行時間算出部と、実行時間算出部の算出結果に基づいて予測モデルを評価する評価部とを含む。この構成によれば、予測システムは、予測モデルの実行時間を算出し、算出結果に基づいて制御装置の型式に従って予測モデルを簡易的に評価できる。 A prediction system based on a certain aspect includes a control device for controlling a controlled object and an information processing device connected to the control device. The control device obtains a predicted value by inputting into a prediction model an actual value consisting of a control calculation unit that executes control calculations for the controlled object and one or more state values that can be referenced by the control calculation unit. and a predicted value acquisition unit. The information processing device includes a predictive model generation unit that generates a predictive model based on a tree-structured learning algorithm, a predictive model evaluation unit that evaluates the predictive model, and a storage unit that stores performance information based on the model of the control device. . The predictive model evaluation unit includes an extraction unit that extracts the feature values of the generated predictive model, the feature values of the predictive model extracted by the extraction unit, and performance information based on the type of control device stored in the storage unit. and an evaluation section that evaluates the prediction model based on the calculation result of the execution time calculation section. According to this configuration, the prediction system can calculate the execution time of the prediction model and easily evaluate the prediction model according to the type of control device based on the calculation result.

評価部は、実行時間と、制御装置の型式に基づく性能情報に含まれる目標実行時間とを比較して予測モデルを評価する。この構成によれば、予測システムは、予測モデルの実行時間を算出し、算出結果に基づいて制御装置の型式に従って予測モデルを簡易的に評価できる。 The evaluation unit evaluates the prediction model by comparing the execution time with a target execution time included in performance information based on the type of control device. According to this configuration, the prediction system can calculate the execution time of the prediction model and easily evaluate the prediction model according to the type of control device based on the calculation result.

予測モデル評価部は、予測モデルのサイズと、制御装置の型式に基づく性能情報に含まれる目標サイズとを比較して予測モデルを評価する。この構成によれば、予測システムは、予測モデルのサイズを制御装置の型式に従って目標サイズと比較するため簡易的に評価できる。 The predictive model evaluation unit evaluates the predictive model by comparing the size of the predictive model with a target size included in performance information based on the type of control device. According to this configuration, the prediction system can easily evaluate the size of the prediction model by comparing it with the target size according to the type of control device.

予測モデル評価部は、制御装置の型式の入力を受け付け可能な入力受付部をさらに含む。実行時間算出部は、入力受付部で入力された制御装置の型式に基づく性能情報に基づいて予測モデルの実行時間を算出する。この構成によれば、予測システムは、入力された制御装置の型式に従って予測モデルを簡易的に評価できる。 The predictive model evaluation section further includes an input reception section capable of accepting input of the type of control device. The execution time calculation unit calculates the execution time of the prediction model based on the performance information based on the type of control device input by the input reception unit. According to this configuration, the prediction system can easily evaluate the prediction model according to the input type of control device.

制御装置の型式に基づく性能情報は、予測モデルの実行時間を算出するための回帰係数のパラメータを含む。この構成によれば、予測システムは、回帰係数のパラメータを用いて予測モデルの実行時間を算出するため予測モデルを簡易的に評価できる。 The performance information based on the type of control device includes parameters of regression coefficients for calculating the execution time of the prediction model. According to this configuration, the prediction system can easily evaluate the prediction model because it calculates the execution time of the prediction model using the parameter of the regression coefficient.

評価部は、制御装置の型式に基づく性能情報の性能要件に対する予測モデルの性能を示すグラフを出力する。この構成によれば、予測システムは、予測モデルの性能を示すグラフにより可視化するため予測モデルを簡易的に評価できる。 The evaluation unit outputs a graph showing the performance of the prediction model with respect to the performance requirements of the performance information based on the type of the control device. According to this configuration, the prediction system can easily evaluate the prediction model because it visualizes the performance of the prediction model using a graph.

情報処理装置は、前記予測モデルを再生成するために予測モデルの特徴量を調整可能な調整部をさらに含む。この構成によれば、予測システムは、調整部により予測モデルのパラメータを簡易的に調整できる。 The information processing device further includes an adjustment unit capable of adjusting feature amounts of the prediction model in order to regenerate the prediction model. According to this configuration, the prediction system can easily adjust the parameters of the prediction model using the adjustment section.

ある局面に基づく制御装置は、制御対象を制御するための制御演算を実行する制御演算部と、制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部と、木構造の学習アルゴリズムに基づく前記予測モデルを生成する予測モデル生成部と、予測モデルを評価する予測モデル評価部と、制御装置の型式に基づく性能情報を格納する記憶部とを備える。予測モデル評価部は、生成した予測モデルの特徴量を抽出する抽出部と、抽出部で抽出した前記予測モデルの特徴量と、前記記憶部に格納された前記制御装置の型式に基づく性能情報とに基づいて前記予測モデルの実行時間を算出する実行時間算出部と、実行時間算出部の算出結果に基づいて前記予測モデルを評価する評価部とを含む。この構成によれば、制御装置は、予測モデルの実行時間を算出し、算出結果に基づいて制御装置の型式に従って予測モデルを簡易的に評価できる。 A control device based on a certain aspect includes a control calculation section that executes control calculations for controlling a controlled object, and a prediction model that uses an actual value consisting of one or more state values among the state values that can be referenced by the control calculation section. a predicted value acquisition unit that acquires a predicted value by inputting a predicted value; a predictive model generation unit that generates the predictive model based on a tree-structured learning algorithm; a predictive model evaluation unit that evaluates the predictive model; and a storage unit that stores performance information based on the performance information. The predictive model evaluation unit includes an extraction unit that extracts feature quantities of the generated predictive model, feature quantities of the predictive model extracted by the extraction unit, and performance information based on the model of the control device stored in the storage unit. and an evaluation section that evaluates the prediction model based on the calculation result of the execution time calculation section. According to this configuration, the control device can calculate the execution time of the prediction model and easily evaluate the prediction model according to the type of the control device based on the calculation result.

ある局面に基づくコンピュータで実行される制御プログラムであって、制御プログラムは、コンピュータに、制御対象を制御するための制御演算を実行するステップと、制御演算を実行するために参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得するステップと、木構造の学習アルゴリズムに基づく前記予測モデルを生成するステップと、予測モデルを評価するステップとを実行させる。予測モデルを評価するステップは、生成した予測モデルの特徴量を抽出するステップと、抽出した前記予測モデルの特徴量と、記憶部に格納された前記制御装置の型式に基づく性能情報とに基づいて前記予測モデルの実行時間を算出するステップと、予測モデルの実行時間の算出結果に基づいて前記予測モデルを評価するステップをと含む。この構成によれば、制御プログラムは、予測モデルの実行時間を算出し、算出結果に基づいて制御装置の型式に従って予測モデルを簡易的に評価できる。 A control program executed by a computer based on a certain aspect, the control program instructs the computer to perform a control operation for controlling a controlled object, and a state value that can be referenced to execute the control operation. a step of obtaining a predicted value by inputting an actual value consisting of one or more state values into a prediction model; a step of generating the prediction model based on a tree structure learning algorithm; and a step of evaluating the prediction model. Execute. The step of evaluating the predictive model includes the step of extracting feature amounts of the generated predictive model, based on the extracted feature amounts of the predictive model and performance information based on the model of the control device stored in the storage unit. The method includes a step of calculating an execution time of the prediction model, and a step of evaluating the prediction model based on the calculation result of the execution time of the prediction model. According to this configuration, the control program can calculate the execution time of the prediction model and easily evaluate the prediction model according to the type of control device based on the calculation result.

なお、本開示において、「部」及び「装置」とは、単に物理的手段を意味するものではなく、その「部」及び「装置」が有する機能をソフトウェアによって実現する構成も含む。また、１つの「部」及び「装置」が有する機能が２つ以上の物理的手段や装置によって実現されてもよく、或いは、２つ以上の「部」及び「装置」の機能が１つの物理的手段や装置によって実現されてもよい。さらに、「部」及び「装置」とは、例えば「手段」及び「システム」と言い換えることも可能な概念である。 Note that in the present disclosure, "units" and "devices" do not simply mean physical means, but also include configurations that implement the functions of the "units" and "devices" by software. Furthermore, the functions of one "department" and "device" may be realized by two or more physical means or devices, or the functions of two or more "departments" and "devices" may be realized by one physical means or device. It may be realized by physical means or devices. Furthermore, "unit" and "device" are concepts that can also be translated into, for example, "means" and "system."

本開示の予測システム、制御装置および制御プログラムは、コントローラの型式に従って予測モデルをより簡易的に評価できる。 The prediction system, control device, and control program of the present disclosure can more easily evaluate a prediction model according to the type of controller.

実施形態に基づく予測システム１の全体構成例を示す模式図である。1 is a schematic diagram showing an example of the overall configuration of a prediction system 1 based on an embodiment. 実施形態に基づく予測システム１の応用例を示す模式図である。It is a schematic diagram showing an example of application of prediction system 1 based on an embodiment. 実施形態に基づく予測システム１による制御系を説明する図である。It is a figure explaining the control system by prediction system 1 based on an embodiment. 実施形態に基づく予測システム１による予測制御系の予測結果に基づく制御の一例を示す模式図である。It is a schematic diagram which shows an example of control based on the prediction result of the predictive control system by the prediction system 1 based on embodiment. 実施形態に基づく予測システム１を用いた予測モデル１４０の生成処理の処理手順を示すフローチャートである。It is a flowchart which shows the processing procedure of the generation process of the prediction model 140 using the prediction system 1 based on embodiment. 実施形態に基づく予測モデル１４０の学習方法について説明する図である。It is a figure explaining the learning method of the prediction model 140 based on an embodiment. 実施形態に基づく予測システム１を構成する制御装置１００のハードウェア構成例を示すブロック図である。It is a block diagram showing an example of the hardware configuration of control device 100 which constitutes prediction system 1 based on an embodiment. 実施形態に基づく予測システム１を構成するサポート装置２００のハードウェア構成例を示すブロック図である。It is a block diagram showing an example of the hardware configuration of a support device 200 that configures the prediction system 1 based on the embodiment. 実施形態に基づく予測システム１を構成する制御装置１００およびサポート装置２００のソフトウェア構成例を示すブロック図である。It is a block diagram showing an example of the software configuration of a control device 100 and a support device 200 that configure the prediction system 1 based on the embodiment. 実施形態に基づく図９に示す解析プログラム２２６に含まれる機能モジュールの概要を示すブロック図である。10 is a block diagram showing an overview of functional modules included in the analysis program 226 shown in FIG. 9 based on the embodiment. FIG. 実施形態に基づく予測モデルを評価する予測モデル評価部について説明する図である。It is a figure explaining the prediction model evaluation part which evaluates the prediction model based on an embodiment. 実施形態に基づく予測モデルの構造について説明する図である。It is a figure explaining the structure of the prediction model based on an embodiment. 実施形態に基づく予測モデルの時間見積式の算出のフローについて説明する概念図である。It is a conceptual diagram explaining the flow of calculation of the time estimation formula of the prediction model based on the embodiment. 実施形態に基づく予測モデルの時間見積式の算出について説明する概念図である。It is a conceptual diagram explaining calculation of a time estimation formula of a prediction model based on an embodiment. 時間見積式の算出として回帰分析を用いる場合について説明する図である。It is a figure explaining the case where regression analysis is used to calculate a time estimation formula. 実施形態に基づくコントローラの型式毎の性能要件について説明する図である。FIG. 3 is a diagram illustrating performance requirements for each type of controller based on the embodiment. 実施形態に基づく予測モデルの評価処理のフローについて説明する図である。FIG. 2 is a diagram illustrating a flow of a prediction model evaluation process based on the embodiment. 実施形態に基づく評価結果画面５００について説明する図である。FIG. 5 is a diagram illustrating an evaluation result screen 500 based on the embodiment. 実施形態に基づく評価結果画面について説明する別の図である。FIG. 7 is another diagram illustrating an evaluation result screen based on the embodiment. 実施形態に基づくパラメータ調整画面について説明する図である。It is a figure explaining the parameter adjustment screen based on an embodiment. 実施形態に基づくサポート装置２００の予測モデルの設定の概念について説明するフロー図である。FIG. 3 is a flow diagram illustrating the concept of setting a prediction model of the support device 200 based on the embodiment.

実施の形態について、図面を参照しながら詳細に説明する。なお、図中の同一または相当部分については、同一符号を付してその説明は繰り返さない。 Embodiments will be described in detail with reference to the drawings. Note that the same or corresponding parts in the figures are designated by the same reference numerals, and the description thereof will not be repeated.

＜Ａ．適用例＞
まず、本実施形態が適用される場面の一例について説明する。 <A. Application example>
First, an example of a scene to which this embodiment is applied will be described.

実施形態に基づく予測機能を有する制御システムの主要な局面について説明する。以下の説明においては、主として、制御システムが有している予測機能に注目して説明するので、制御システム全体を「予測システム」とも称する。 Main aspects of a control system having a predictive function based on an embodiment will be described. In the following description, the prediction function that the control system has will be mainly focused on, so the entire control system will also be referred to as a "prediction system."

図１は、実施形態に基づく予測システム１の全体構成例を示す模式図である。図１を参照して、実施形態に基づく予測システム１は、主たる構成要素として、制御対象を制御する制御装置１００と、制御装置１００に接続されるサポート装置２００とを含む。 FIG. 1 is a schematic diagram showing an example of the overall configuration of a prediction system 1 based on an embodiment. Referring to FIG. 1, a prediction system 1 based on the embodiment includes, as main components, a control device 100 that controls a controlled object, and a support device 200 connected to the control device 100.

制御装置１００は、ＰＬＣ（プログラマブルコントローラ）などの、一種のコンピュータとして具現化されてもよい。制御装置１００は、フィールドバス２を介してフィールド装置群１０と接続されるとともに、フィールドバス４を介して１または複数の表示装置４００と接続されてもよい。さらに、制御装置１００は、上位ネットワーク６を介して上位サーバ３００に接続されてもよい。なお、上位サーバ３００および表示装置４００はオプショナルな構成であり、予測システム１の必須の構成ではない。 The control device 100 may be embodied as a type of computer such as a PLC (programmable controller). The control device 100 is connected to the field device group 10 via the field bus 2 and may be connected to one or more display devices 400 via the field bus 4. Furthermore, the control device 100 may be connected to the higher-level server 300 via the higher-level network 6. Note that the upper server 300 and the display device 400 are optional configurations, and are not essential configurations of the prediction system 1.

制御装置１００は、設備や機械を制御するための各種演算を実行する制御ロジック（以下、「ＰＬＣエンジン」とも称す。）を有している。ＰＬＣエンジンに加えて、制御装置１００は、フィールド装置群１０にて計測され、制御装置１００へ転送されるデータ（以下、「入力データ」とも称す。）を収集する収集機能を有している。さらに、制御装置１００は、収集した入力データに基づいて将来の時間変化を予測する予測機能も有している。 The control device 100 has control logic (hereinafter also referred to as "PLC engine") that executes various calculations for controlling equipment and machines. In addition to the PLC engine, the control device 100 has a collection function that collects data (hereinafter also referred to as "input data") measured by the field device group 10 and transferred to the control device 100. Furthermore, the control device 100 also has a prediction function that predicts future temporal changes based on collected input data.

具体的には、制御装置１００に実装される時系列データベース（以下、「ＴＳＤＢ（Time Series Data Base）」とも記す。）１３０が収集機能を提供し、制御装置１００に実装される予測モデル１４０が監視機能を提供する。ＴＳＤＢ１３０および予測モデル１４０の詳細については後述する。 Specifically, a time series database (hereinafter also referred to as "TSDB") 130 installed in the control device 100 provides a collection function, and a prediction model 140 installed in the control device 100 provides a collection function. Provide monitoring functionality. Details of the TSDB 130 and the prediction model 140 will be described later.

フィールドバス２およびフィールドバス４は、産業用の通信プロトコルを採用することが好ましい。このような通信プロトコルとしては、ＥｔｈｅｒＣＡＴ（登録商標）、ＥｔｈｅｒＮｅｔ／ＩＰ（登録商標）、ＤｅｖｉｃｅＮｅｔ（登録商標）、ＣｏｍｐｏＮｅｔ（登録商標）などが知られている。 It is preferable that the field bus 2 and the field bus 4 adopt an industrial communication protocol. As such communication protocols, EtherCAT (registered trademark), EtherNet/IP (registered trademark), DeviceNet (registered trademark), CompoNet (registered trademark), etc. are known.

フィールド装置群１０は、制御対象または制御に関連する製造装置や生産ラインなど（以下、「フィールド」とも総称する。）から入力データを収集する装置を含む。このような入力データを収集する装置としては、入力リレーや各種センサなどが想定される。フィールド装置群１０は、さらに、制御装置１００にて生成される指令（以下、「出力データ」とも称す。）に基づいて、フィールドに対して何らかの作用を与える装置を含む。このようなフィールドに対して何らかの作用を与える装置としては、出力リレー、コンタクタ、サーボドライバおよびサーボモータ、その他任意のアクチュエータが想定される。これらのフィールド装置群１０は、フィールドバス２を介して、制御装置１００との間で、入力データおよび出力データを含むデータを遣り取りする。 The field device group 10 includes devices that collect input data from a control target or a control-related manufacturing device, production line, or the like (hereinafter also collectively referred to as a "field"). As devices for collecting such input data, input relays, various sensors, etc. are assumed. The field device group 10 further includes devices that apply some action to the field based on commands (hereinafter also referred to as "output data") generated by the control device 100. As a device that exerts some action on such a field, an output relay, a contactor, a servo driver, a servo motor, or any other actuator is assumed. These field device groups 10 exchange data including input data and output data with the control device 100 via the field bus 2.

図１に示す構成例においては、フィールド装置群１０は、リモートＩ／Ｏ（Input/Output）装置１２と、リレー群１４と、画像センサ１８およびカメラ２０と、サーボドライバ２２およびサーボモータ２４とを含む。 In the configuration example shown in FIG. 1, the field device group 10 includes a remote I/O (Input/Output) device 12, a relay group 14, an image sensor 18 and a camera 20, a servo driver 22 and a servo motor 24. include.

リモートＩ／Ｏ装置１２は、フィールドバス２を介して通信を行う通信部と、入力データの収集および出力データの出力を行うための入出力部（以下、「Ｉ／Ｏユニット」とも称す。）とを含む。このようなＩ／Ｏユニットを介して、制御装置１００とフィールドとの間で入力データおよび出力データが遣り取りされる。図１には、リレー群１４を介して、入力データおよび出力データとして、デジタル信号が遣り取りされる例が示されている。 The remote I/O device 12 includes a communication section that communicates via the field bus 2, and an input/output section (hereinafter also referred to as an "I/O unit") that collects input data and outputs output data. including. Input data and output data are exchanged between the control device 100 and the field via such an I/O unit. FIG. 1 shows an example in which digital signals are exchanged as input data and output data via the relay group 14.

Ｉ／Ｏユニットは、フィールドバス２に直接接続されるようにしてもよい。図１には、フィールドバス２にＩ／Ｏユニット１６が直接接続されている例を示す。 The I/O unit may be directly connected to the field bus 2. FIG. 1 shows an example in which an I/O unit 16 is directly connected to the field bus 2. As shown in FIG.

画像センサ１８は、カメラ２０によって撮像された画像データに対して、パターンマッチングなどの画像計測処理を行って、その処理結果を制御装置１００へ送信する。 The image sensor 18 performs image measurement processing such as pattern matching on the image data captured by the camera 20 and transmits the processing results to the control device 100 .

サーボドライバ２２は、制御装置１００からの出力データ（例えば、位置指令など）に従って、サーボモータ２４を駆動する。 Servo driver 22 drives servo motor 24 according to output data (eg, position command, etc.) from control device 100.

上述のように、フィールドバス２を介して、制御装置１００とフィールド装置群１０との間でデータが遣り取りされることになるが、これらの遣り取りされるデータは、数百μｓｅｃオーダ～数十ｍｓｅｃオーダのごく短い周期で更新されることになる。なお、このような遣り取りされるデータの更新処理を、「Ｉ／Ｏリフレッシュ処理」と称することもある。 As mentioned above, data is exchanged between the control device 100 and the field device group 10 via the field bus 2, and these exchanged data are on the order of several hundred μsec to several tens of msec. The order will be updated in a very short cycle. Note that this type of data update processing that is exchanged is sometimes referred to as "I/O refresh processing."

また、フィールドバス４を介して制御装置１００と接続される表示装置４００は、ユーザからの操作を受けて、制御装置１００に対してユーザ操作に応じたコマンドなどを送信するとともに、制御装置１００での演算結果などをグラフィカルに表示する。 In addition, the display device 400 connected to the control device 100 via the field bus 4 receives an operation from the user and sends a command or the like according to the user operation to the control device 100. Displays calculation results graphically.

上位サーバ３００は、制御装置１００と上位ネットワーク６を介して接続され、制御装置１００との間で必要なデータを遣り取りする。上位ネットワーク６には、イーサネット（登録商標）などの汎用プロトコルが実装されてもよい。 The host server 300 is connected to the control device 100 via the host network 6, and exchanges necessary data with the control device 100. The upper network 6 may be implemented with a general-purpose protocol such as Ethernet (registered trademark).

サポート装置２００は、制御装置１００が制御対象を制御するために必要な準備を支援する情報処理装置（コンピュータの一例）である。具体的には、サポート装置２００は、制御装置１００で実行されるユーザプログラムの開発環境（プログラム作成編集ツール、パーサ、コンパイラなど）、制御装置１００および制御装置１００に接続される各種デバイスのパラメータ（コンフィギュレーション）を設定するための設定環境、生成したユーザプログラムを制御装置１００へ送信する機能、制御装置１００上で実行されるユーザプログラムなどをオンラインで修正・変更する機能、などを提供する。 The support device 200 is an information processing device (an example of a computer) that supports preparations necessary for the control device 100 to control a controlled object. Specifically, the support device 200 provides a development environment for user programs executed on the control device 100 (program creation and editing tools, parsers, compilers, etc.), parameters ( It provides a setting environment for setting (configuration), a function to send a generated user program to the control device 100, a function to modify/change the user program executed on the control device 100 online, etc.

さらに、実施形態に基づくサポート装置２００は、制御装置１００に実装される予測モデル１４０の生成および最適化を支援するための機能を有している。すなわち、サポート装置２００は、予測モデル１４０を予め決定する予測モデル生成部を有している。これらの機能の詳細については後述する。 Further, the support device 200 according to the embodiment has a function to support generation and optimization of the prediction model 140 implemented in the control device 100. That is, the support device 200 includes a predictive model generation unit that determines the predictive model 140 in advance. Details of these functions will be described later.

次に、予測システム１に含まれる制御装置１００の応用例について説明する。 Next, an application example of the control device 100 included in the prediction system 1 will be described.

図２は、実施形態に基づく予測システム１の応用例を示す模式図である。図２には、プレス機３０を含む生産設備の例を示す。 FIG. 2 is a schematic diagram showing an application example of the prediction system 1 based on the embodiment. FIG. 2 shows an example of production equipment including a press machine 30.

図２を参照して、プレス機３０は、ワーク３１を受け入れ、ベース３３に設けられた支持台３４上に受け入れたワーク３１を配置する。そして、モータ３７で駆動される駆動軸３６の先端に設けられた押し込み板３５でワーク３１を圧縮して、中間製品３２を生成する。 Referring to FIG. 2, the press machine 30 receives a work 31 and places the received work 31 on a support stand 34 provided on a base 33. Then, the workpiece 31 is compressed by a pushing plate 35 provided at the tip of a drive shaft 36 driven by a motor 37, and an intermediate product 32 is produced.

プレス機３０においては、予期しない要因変動により中間製品３２に不良が発生し得るとする。そのため、プレス機３０の下流側に配置された検査機による検査、あるいは、検査員による目視検査または抜き取りによる検査によって、中間製品３２に不良が発生しているか否かを判断する。もし、不良が発生していると判断されると、目標値などを都度調整することになる。 In the press machine 30, it is assumed that defects may occur in the intermediate product 32 due to unexpected fluctuations in factors. Therefore, it is determined whether or not a defect has occurred in the intermediate product 32 by an inspection using an inspection machine disposed downstream of the press machine 30, or by a visual inspection or sampling inspection by an inspector. If it is determined that a defect has occurred, the target value etc. will be adjusted each time.

このように、通常の製造工程においては、中間製品３２の良品率を維持および向上させるためには、目標値を都度調整する必要があるが、様々な観点から事前設計したとしても、すべての要因変動に対応することが難しい。 In this way, in a normal manufacturing process, it is necessary to adjust the target value each time in order to maintain and improve the non-defective rate of intermediate products 32, but even if pre-designed from various perspectives, all factors Difficult to respond to fluctuations.

これに対して、実施形態に基づく予測モデル１４０を用いて、中間製品３２の状態（すなわち、加工後の品質）を予測することで、不良が実際に発生する前に、制御装置１００による制御を補正できる。このような事前の不要発生の予測を利用できることで、目標値などの都度調整に係る工数を削減するとともに、中間製品３２に不良が発生することを防止できる。 In contrast, by predicting the state of the intermediate product 32 (that is, the quality after processing) using the prediction model 140 based on the embodiment, control by the control device 100 can be implemented before a defect actually occurs. It can be corrected. By being able to utilize such advance prediction of unnecessary occurrences, it is possible to reduce the number of man-hours involved in adjusting target values each time, and to prevent defects from occurring in the intermediate product 32.

図３は、実施形態に基づく予測システム１による制御系を説明する図である。図３を参照して、本例における、制御対象は、プレス機３０である。既存制御系には、装置の設定値が入力されて目標値が生成される。プレス機３０の制御量と、目標値とに基づくフィードバック制御により制御対象に対する操作量が設定される。また、既存制御系に対して予測制御系が設けられる。具体的には、説明変数に対して目的変数を算出する予測器が設けられる。予測器の一例は、予測モデル１４０である。プレス機３０の品質特性の目標値と目的変数とに基づいて補正器で補正値が算出される。当該補正値が操作量に加えられる。 FIG. 3 is a diagram illustrating a control system by the prediction system 1 based on the embodiment. Referring to FIG. 3, the object to be controlled in this example is a press machine 30. Setting values of the device are input to the existing control system and target values are generated. The manipulated variable for the controlled object is set by feedback control based on the controlled variable of the press machine 30 and the target value. Furthermore, a predictive control system is provided in addition to the existing control system. Specifically, a predictor is provided that calculates an objective variable for an explanatory variable. An example of a predictor is predictive model 140. A correction value is calculated by a corrector based on the target value of the quality characteristic of the press 30 and the target variable. The correction value is added to the manipulated variable.

図４は、実施形態に基づく予測システム１による予測制御系の予測結果に基づく制御の一例を示す模式図である。 FIG. 4 is a schematic diagram showing an example of control based on the prediction result of the predictive control system by the prediction system 1 based on the embodiment.

図４（Ａ）には、ある時点におけるプレス機の押し込み位置の計画値（指令）と、実際のプレス機３０の押し込み位置（実績値）とを示す。目標値は、加工後の中間製品３２のあるべき厚みを示す。 FIG. 4A shows a planned value (command) of the pushing position of the press machine 30 at a certain point in time and an actual pushing position (actual value) of the press machine 30 at a certain point in time. The target value indicates the desired thickness of the intermediate product 32 after processing.

図４（Ｂ）を参照して、ある時点において、それまでの情報（実績値を含み得る）に基づいて、この先のプレス機３０の押し込み位置（予測値）を算出し、その算出された予測値に基づいて、プレス機３０に対する操作量を補正値により補正する。 Referring to FIG. 4(B), at a certain point in time, the future pushing position (predicted value) of the press 30 is calculated based on the information up to that point (which may include actual values), and the calculated prediction is Based on the value, the amount of operation for the press machine 30 is corrected using the correction value.

図２～図４に示すプレス機３０においては、プレス機３０の押し込み位置を予測し、その予測結果に基づいて制御量を補正することで、例えば、ワーク３１の硬さのばらつきなどに応じて、作業者が目標値を都度調整するようなことは必要ない。その結果、予期しない要因変動による不良品の発生を抑制でき、ワーク３１に何らかのばらつきがあっても、品質を安定化できる。 In the press machine 30 shown in FIGS. 2 to 4, by predicting the pushing position of the press machine 30 and correcting the control amount based on the predicted result, , there is no need for the operator to adjust the target value each time. As a result, the occurrence of defective products due to unexpected fluctuations in factors can be suppressed, and even if there are some variations in the workpieces 31, the quality can be stabilized.

予測に用いるデータ（実績値または観測値）と予測されるデータとは、一部または全部が同一であってもよいし、全く異なるものであってもよい。 The data used for prediction (actual values or observed values) and the predicted data may be partially or completely the same, or may be completely different.

実施形態に基づく予測システム１は、予測モデル１４０を適切に生成するための機能を提供する。予測モデル１４０を適切に生成するための機能は、典型的には、サポート装置２００に実装されてもよい。 The prediction system 1 based on the embodiment provides a function for appropriately generating the prediction model 140. The functionality for appropriately generating the predictive model 140 may typically be implemented in the support device 200.

＜Ｂ．予測モデルの生成および運用の概要＞
次に、実施形態に基づく予測システム１を用いた予測モデル１４０の生成および運用の概要について説明する。 <B. Overview of predictive model generation and operation>
Next, an overview of the generation and operation of the prediction model 140 using the prediction system 1 based on the embodiment will be explained.

図５は、実施形態に基づく予測システム１を用いた予測モデル１４０の生成処理の処理手順を示すフローチャートである。図５に示す各ステップは、典型的には、サポート装置２００のプロセッサ２０２がプログラム（解析プログラム２２６およびＯＳ２２８など）を実行することで実現される。 FIG. 5 is a flowchart showing a processing procedure for generating a prediction model 140 using the prediction system 1 based on the embodiment. Each step shown in FIG. 5 is typically realized by the processor 202 of the support device 200 executing a program (analysis program 226, OS 228, etc.).

図５を参照して、サポート装置２００は、ＴＳＤＢ１３０に格納されている実績値の時系列データを取得する（ステップＳ１）。続いて、サポート装置２００は、取得した実績値の時系列データから予測対象区間の設定を受け付ける（ステップＳ２）。 Referring to FIG. 5, support device 200 acquires time-series data of performance values stored in TSDB 130 (step S1). Subsequently, the support device 200 receives the setting of a prediction target section from the acquired time series data of actual values (step S2).

サポート装置２００は、ステップＳ２において設定された予測対象区間の変化を予測するための予測モデルの生成に用いられる学習用サンプルを選択する（ステップＳ３）。ステップＳ３においては、複数種類のデータのうち、いずれのデータが学習に用いられるのかが選択される。 The support device 200 selects learning samples used to generate a prediction model for predicting changes in the prediction target section set in step S2 (step S3). In step S3, it is selected which data is to be used for learning among the plurality of types of data.

サポート装置２００は、選択した学習用サンプルに基づいて機械学習する（ステップＳ４）。 The support device 200 performs machine learning based on the selected learning sample (step S4).

サポート装置２００は、機械学習により予測モデル１４０を生成する（ステップＳ６）。本例における予測モデル１４０は、決定木により構成される。決定木は、ある時点の押し込み位置（実績値）に対して押し込み位置（予測値）を出力するように構成される。この決定木の学習方法には、ＣＬＳ（Concept Learning System）、ＩＤ３（Iterative Dichotomiser 3）、Ｃ４．５等が用いられてもよい。 The support device 200 generates the prediction model 140 by machine learning (step S6). The prediction model 140 in this example is configured by a decision tree. The decision tree is configured to output a push position (predicted value) for a push position (actual value) at a certain point in time. As this decision tree learning method, CLS (Concept Learning System), ID3 (Iterative Dichotomiser 3), C4.5, etc. may be used.

本明細書において、「サンプル」は、予測モデル１４０から出力されるべき予測値の教師データとして用いられる所定時間長さのデータ列を意味する。「サンプル」は、基本的には、予測対象の時系列データ（生データ）が用いられるが、予測対象が時系列データから抽出される特徴量である場合には、特徴量を用いてもよい。「サンプル」という用語は、複数のデータを処理する際の処理単位に注目したものであり、それに含まれるデータの内容などについては、特に限定するようなものではない。 In this specification, a "sample" means a data string of a predetermined length of time used as training data for a predicted value to be output from the predictive model 140. Basically, time series data (raw data) to be predicted is used as the "sample", but if the prediction target is a feature extracted from time series data, a feature may be used. . The term "sample" focuses on a processing unit when processing a plurality of data, and does not particularly limit the contents of the data included therein.

本明細書において、任意の予測値を算出または決定するために参照されるデータを「説明変数」とも称す。１または複数の「説明変数」を用いて、任意の予測値が算出または決定される。そのため、学習用サンプルは、「説明変数」の候補となり得るデータと何らかの方法で関連付けられることになる。 In this specification, data referred to in order to calculate or determine any predicted value is also referred to as "explanatory variable." An arbitrary predicted value is calculated or determined using one or more "explanatory variables." Therefore, the learning samples are somehow associated with data that can be candidates for "explanatory variables."

図６は、実施形態に基づく予測モデル１４０の学習方法について説明する図である。図６（Ａ）に示されるように、ＴＳＤＢ１３０に格納されている時系列データが示されている。当該時系列データに対して、予測対象区間が設定され、予測対象区間の時刻ｔおよびｔ－１の２点に対して予測対象の目的変数である予測値が推定される。図６（Ｂ）に示されるように、当該時系列データを用いて、単位時刻分ずらして学習処理を実行する場合が示されている。 FIG. 6 is a diagram illustrating a learning method for the predictive model 140 based on the embodiment. As shown in FIG. 6(A), time series data stored in the TSDB 130 is shown. A prediction target interval is set for the time series data, and predicted values, which are target variables to be predicted, are estimated for two points, time t and t-1, in the prediction target interval. As shown in FIG. 6(B), a case is shown in which learning processing is executed using the time series data with a shift of a unit time.

以上のような処理手順によって生成された予測モデル１４０を制御装置１００に設定することで、図２～図４に示すような運用が可能となる。 By setting the prediction model 140 generated by the processing procedure described above in the control device 100, operations as shown in FIGS. 2 to 4 become possible.

＜Ｃ．ハードウェア構成例＞
次に、実施形態に基づく予測システム１を構成する主要な装置のハードウェア構成例について説明する。 <C. Hardware configuration example>
Next, an example of the hardware configuration of the main devices constituting the prediction system 1 based on the embodiment will be described.

（ｃ１：制御装置１００のハードウェア構成例）
図７は、実施形態に基づく予測システム１を構成する制御装置１００のハードウェア構成例を示すブロック図である。図７を参照して、制御装置１００は、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro-Processing Unit）などのプロセッサ１０２と、チップセット１０４と、主記憶装置１０６と、二次記憶装置１０８と、上位ネットワークコントローラ１１０と、ＵＳＢ（Universal Serial Bus）コントローラ１１２と、メモリカードインターフェイス１１４と、内部バスコントローラ１２２と、フィールドバスコントローラ１１８，１２０と、Ｉ／Ｏユニット１２４－１，１２４－２，…とを含む。 (c1: Hardware configuration example of control device 100)
FIG. 7 is a block diagram showing an example of the hardware configuration of the control device 100 that configures the prediction system 1 based on the embodiment. Referring to FIG. 7, control device 100 includes a processor 102 such as a CPU (Central Processing Unit) or an MPU (Micro-Processing Unit), a chipset 104, a main storage device 106, a secondary storage device 108, A host network controller 110, a USB (Universal Serial Bus) controller 112, a memory card interface 114, an internal bus controller 122, field bus controllers 118, 120, I/O units 124-1, 124-2, and so on. including.

プロセッサ１０２は、二次記憶装置１０８に格納された各種プログラムを読み出して、主記憶装置１０６に展開して実行することで、ＰＬＣエンジン１５０および予測モデル１４０を実現する。チップセット１０４は、プロセッサ１０２と各コンポーネントとの間のデータ伝送などを制御する。 The processor 102 reads various programs stored in the secondary storage device 108, expands them to the main storage device 106, and executes them, thereby realizing the PLC engine 150 and the prediction model 140. The chipset 104 controls data transmission between the processor 102 and each component.

二次記憶装置１０８には、ＰＬＣエンジン１５０を実現するためのシステムプログラムに加えて、ＰＬＣエンジン１５０を利用して実行されるユーザプログラムが格納される。さらに、二次記憶装置１０８には、予測モデル１４０を実現するためのプログラムも格納される。 In addition to the system program for realizing the PLC engine 150, the secondary storage device 108 stores user programs executed using the PLC engine 150. Further, the secondary storage device 108 also stores a program for realizing the prediction model 140.

上位ネットワークコントローラ１１０は、上位ネットワーク６を介した別の装置との間のデータの遣り取りを制御する。ＵＳＢコントローラ１１２は、ＵＳＢ接続を介してサポート装置２００との間のデータの遣り取りを制御する。 The upper network controller 110 controls the exchange of data with other devices via the upper network 6. The USB controller 112 controls data exchange with the support device 200 via a USB connection.

メモリカードインターフェイス１１４は、メモリカード１１６を着脱可能に構成されており、メモリカード１１６に対してデータを書き込み、メモリカード１１６から各種データ（ユーザプログラムやトレースデータなど）を読み出すことが可能になっている。 The memory card interface 114 is configured to allow a memory card 116 to be attached or removed, and is capable of writing data to the memory card 116 and reading various data (user programs, trace data, etc.) from the memory card 116. There is.

内部バスコントローラ１２２は、制御装置１００に搭載されるＩ／Ｏユニット１２４－１，１２４－２，…との間でデータを遣り取りするインターフェイスである。 The internal bus controller 122 is an interface that exchanges data with the I/O units 124-1, 124-2, . . . installed in the control device 100.

フィールドバスコントローラ１１８は、フィールドバス２を介した別の装置との間のデータの遣り取りを制御する。同様に、フィールドバスコントローラ１２０は、フィールドバス４を介した別の装置との間のデータの遣り取りを制御する。 The fieldbus controller 118 controls data exchange with another device via the fieldbus 2. Similarly, fieldbus controller 120 controls data exchange with another device via fieldbus 4.

図７には、プロセッサ１０２がプログラムを実行することで必要な機能が提供される構成例を示したが、これらの提供される機能の一部または全部を、専用のハードウェア回路（例えば、ＡＳＩＣ（Application Specific Integrated Circuit）またはＦＰＧＡ（Field-Programmable Gate Array）など）を用いて実装してもよい。あるいは、制御装置１００の主要部を、汎用的なアーキテクチャに基づくハードウェア（例えば、汎用パソコンをベースとした産業用パソコン）を用いて実現してもよい。この場合には、仮想化技術を用いて、用途の異なる複数のＯＳ（Operating System）を並列的に実行させるとともに、各ＯＳ上で必要なアプリケーションを実行させるようにしてもよい。 FIG. 7 shows an example of a configuration in which necessary functions are provided by the processor 102 executing a program, but some or all of these provided functions can be implemented using a dedicated hardware circuit (for example, an ASIC). (Application Specific Integrated Circuit) or FPGA (Field-Programmable Gate Array)). Alternatively, the main parts of the control device 100 may be realized using hardware based on a general-purpose architecture (for example, an industrial personal computer based on a general-purpose personal computer). In this case, virtualization technology may be used to run multiple OSs (Operating Systems) for different purposes in parallel, and to run necessary applications on each OS.

（ｃ２：サポート装置２００のハードウェア構成例）
実施形態に基づくサポート装置２００は、一例として、汎用的なアーキテクチャに基づくハードウェア（例えば、汎用パソコン）を用いてプログラムを実行することで実現される。 (c2: Hardware configuration example of support device 200)
The support device 200 according to the embodiment is realized, for example, by executing a program using hardware based on a general-purpose architecture (for example, a general-purpose personal computer).

図８は、実施形態に基づく予測システム１を構成するサポート装置２００のハードウェア構成例を示すブロック図である。図８を参照して、サポート装置２００は、ＣＰＵやＭＰＵなどのプロセッサ２０２と、光学ドライブ２０４と、主記憶装置２０６と、二次記憶装置２０８と、ＵＳＢコントローラ２１２と、上位ネットワークコントローラ２１４と、入力部２１６と、表示部２１８とを含む。これらのコンポーネントはバス２２０を介して接続される。 FIG. 8 is a block diagram showing an example of the hardware configuration of the support device 200 that configures the prediction system 1 based on the embodiment. Referring to FIG. 8, support device 200 includes a processor 202 such as a CPU or MPU, an optical drive 204, a main storage device 206, a secondary storage device 208, a USB controller 212, and an upper network controller 214. It includes an input section 216 and a display section 218. These components are connected via bus 220.

プロセッサ２０２は、二次記憶装置２０８に格納された各種プログラムを読み出して、主記憶装置２０６に展開して実行することで、後述するようなモデル生成処理を含む各種処理を実現する。 The processor 202 reads various programs stored in the secondary storage device 208, expands them to the main storage device 206, and executes them, thereby realizing various processes including a model generation process as described below.

二次記憶装置２０８は、例えば、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Flash Solid State Drive）などで構成される。二次記憶装置２０８には、典型的には、サポート装置２００において実行されるユーザプログラムの作成、作成したユーザプログラムのデバッグ、システム構成の定義、各種パラメータの設定などを行うための開発プログラム２２２と、制御装置１００との間で予測機能に関するデータを遣り取りするためのＰＬＣインターフェイスプログラム２２４と、予測モデル１４０の生成などを実現するための解析プログラム２２６と、ＯＳ２２８とが格納される。二次記憶装置２０８には、図８に示すプログラム以外の必要なプログラムが格納されてもよい。 The secondary storage device 208 is configured with, for example, an HDD (Hard Disk Drive) or an SSD (Flash Solid State Drive). The secondary storage device 208 typically includes a development program 222 for creating a user program to be executed on the support device 200, debugging the created user program, defining the system configuration, setting various parameters, etc. , a PLC interface program 224 for exchanging data regarding the prediction function with the control device 100, an analysis program 226 for realizing generation of the prediction model 140, and an OS 228. The secondary storage device 208 may store necessary programs other than the programs shown in FIG.

サポート装置２００は、光学ドライブ２０４を有しており、コンピュータ読取可能なプログラムを非一過的に格納する記録媒体２０５（例えば、ＤＶＤ（Digital Versatile Disc）などの光学記録媒体）から、その中に格納されたプログラムが読み取られて二次記憶装置２０８などにインストールされる。 The support device 200 has an optical drive 204, and a recording medium 205 (for example, an optical recording medium such as a DVD (Digital Versatile Disc)) that non-temporarily stores a computer-readable program. The stored program is read and installed in the secondary storage device 208 or the like.

サポート装置２００で実行される各種プログラムは、コンピュータ読取可能な記録媒体２０５を介してインストールされてもよいが、ネットワーク上の任意のサーバからダウンロードする形でインストールするようにしてもよい。また、実施形態に基づくサポート装置２００が提供する機能は、ＯＳが提供するモジュールの一部を利用する形で実現される場合もある。 The various programs executed by the support device 200 may be installed via the computer-readable recording medium 205, or may be installed by downloading from any server on the network. Further, the functions provided by the support device 200 according to the embodiment may be realized by using some of the modules provided by the OS.

ＵＳＢコントローラ２１２は、ＵＳＢ接続を介して制御装置１００との間のデータの遣り取りを制御する。上位ネットワークコントローラ２１４は、任意のネットワークを介した別の装置との間のデータの遣り取りを制御する。 The USB controller 212 controls data exchange with the control device 100 via a USB connection. The upper network controller 214 controls the exchange of data with other devices via any network.

入力部２１６は、キーボードやマウスなどで構成され、ユーザ操作を受け付ける。表示部２１８は、ディスプレイ、各種インジケータ、プリンタなどで構成され、プロセッサ２０２からの処理結果などを出力する。 The input unit 216 includes a keyboard, a mouse, and the like, and accepts user operations. The display unit 218 includes a display, various indicators, a printer, and the like, and outputs processing results from the processor 202 and the like.

図８には、プロセッサ２０２がプログラムを実行することで必要な機能が提供される構成例を示したが、これらの提供される機能の一部または全部を、専用のハードウェア回路（例えば、ＡＳＩＣまたはＦＰＧＡなど）を用いて実装してもよい。 FIG. 8 shows a configuration example in which necessary functions are provided by the processor 202 executing a program, but some or all of these provided functions can be implemented using a dedicated hardware circuit (for example, an ASIC). or FPGA, etc.).

＜Ｄ．ソフトウェア構成例／機能構成例＞
次に、実施形態に基づく予測システム１を構成する制御装置１００およびサポート装置２００のソフトウェア構成例および機能構成例について説明する。 <D. Software configuration example/functional configuration example>
Next, a software configuration example and a functional configuration example of the control device 100 and the support device 200 that configure the prediction system 1 based on the embodiment will be described.

図９は、実施形態に基づく予測システム１を構成する制御装置１００およびサポート装置２００のソフトウェア構成例を示すブロック図である。図９を参照して、制御装置１００は、主要な機能構成として、ＰＬＣエンジン１５０に加えて、ＴＳＤＢ１３０および予測モデル１４０を含む。 FIG. 9 is a block diagram showing an example of the software configuration of the control device 100 and the support device 200 that configure the prediction system 1 based on the embodiment. Referring to FIG. 9, control device 100 includes TSDB 130 and prediction model 140 in addition to PLC engine 150 as main functional components.

ＰＬＣエンジン１５０は、ユーザプログラム１５４を逐次解釈して、指定された制御演算を実行する。ＰＬＣエンジン１５０は、フィールドから収集される状態値を変数１５２の形で管理しており、変数１５２は予め定められた周期で更新される。ＰＬＣエンジン１５０は、制御装置１００のプロセッサ１０２がシステムプログラムを実行することで実現されてもよい。 PLC engine 150 sequentially interprets user program 154 and executes specified control operations. The PLC engine 150 manages status values collected from fields in the form of variables 152, and the variables 152 are updated at predetermined intervals. The PLC engine 150 may be realized by the processor 102 of the control device 100 executing a system program.

本明細書において、「状態値」は、フィールドから収集される入力値、フィールドへ出力される指令値、および、制御装置１００の内部で管理されるシステム状態値や内部値を含む。実施形態に基づく制御装置１００においては、「状態値」を「変数」の形で参照するので、以下の説明においては、便宜上、「変数」との用語を「状態値」を含む趣旨で用いる。なお、本開示の技術的範囲は、「状態値」を「変数」の形で参照する構成に限定されることはない。 In this specification, "state values" include input values collected from fields, command values output to fields, and system state values and internal values managed within the control device 100. In the control device 100 according to the embodiment, "state values" are referred to in the form of "variables," so in the following description, for convenience, the term "variables" is used to include "state values." Note that the technical scope of the present disclosure is not limited to a configuration in which a "state value" is referred to in the form of a "variable."

ユーザプログラム１５４は、予測値取得コード１５６と、誤差評価コード１５８と、追加学習コード１６０と、ＴＳＤＢ書き込みコード１６２と、制御演算コード１６４とを含む。 The user program 154 includes a predicted value acquisition code 156, an error evaluation code 158, an additional learning code 160, a TSDB write code 162, and a control operation code 164.

予測値取得コード１５６は、制御演算コード１６４が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデル１４０に入力することで予測値を取得する予測値取得部を実現する。より具体的には、予測値取得コード１５６は、変数１５２として管理される必要な実績値を取得して、予測モデル１４０に入力することで、予測値を取得する命令を含む。 The predicted value acquisition code 156 realizes a predicted value acquisition unit that acquires a predicted value by inputting an actual value consisting of one or more state values among the state values that can be referenced by the control operation code 164 into the prediction model 140. . More specifically, the predicted value acquisition code 156 includes a command to acquire the necessary actual value managed as the variable 152 and input it to the prediction model 140 to obtain the predicted value.

誤差評価コード１５８は、予測値取得コード１５６により取得された予測値と目標値との誤差を評価する命令を含む。 The error evaluation code 158 includes instructions for evaluating the error between the predicted value obtained by the predicted value acquisition code 156 and the target value.

追加学習コード１６０は、誤差評価コード１５８により評価された誤差に応じて、必要に応じて、予測モデル１４０を追加学習する命令を含む。 The additional learning code 160 includes instructions for additionally learning the predictive model 140 as needed, depending on the error evaluated by the error evaluation code 158.

ＴＳＤＢ書き込みコード１６２は、変数１５２として管理される変数のうち、予め定められた変数を取得して、ＴＳＤＢ１３０の記憶領域１３２に書き込む。 The TSDB write code 162 acquires a predetermined variable from among the variables managed as the variables 152 and writes it into the storage area 132 of the TSDB 130.

制御演算コード１６４は、制御対象を制御するための制御演算を実行する制御演算部を実現する。より具体的には、制御演算コード１６４は、制御対象を制御するための制御演算を実行するとともに、誤差評価コード１５８により評価された誤差に応じて、必要に応じて、制御演算に用いる目標値を補正する。 The control operation code 164 realizes a control operation section that executes control operations for controlling the controlled object. More specifically, the control calculation code 164 executes control calculations for controlling the controlled object, and also calculates the target value used for the control calculations as necessary according to the error evaluated by the error evaluation code 158. Correct.

ＴＳＤＢ１３０は、記憶領域１３２に書き込まれたデータを必要に応じて、サポート装置２００などへエクスポートするエクスポートモジュール１３４を有している。 The TSDB 130 includes an export module 134 that exports data written in the storage area 132 to the support device 200 or the like as necessary.

予測モデル１４０は、参照軌道１４４を有している。 Prediction model 140 has a reference trajectory 144.

一方、サポート装置２００は、開発プログラム２２２および解析プログラム２２６がインストールされている。 On the other hand, the support device 200 has a development program 222 and an analysis program 226 installed therein.

開発プログラム２２２は、ユーザ操作に従って、ユーザプログラム１５４を生成し、制御装置１００へ転送する。また、開発プログラム２２２は、制御演算コード１６４の内容を適宜修正する機能も有している。 The development program 222 generates a user program 154 according to user operations and transfers it to the control device 100. The development program 222 also has a function to modify the contents of the control operation code 164 as appropriate.

解析プログラム２２６は、予測モデル１４０を予め決定する予測モデル生成部を実現するための情報処理プログラムに相当する。より具体的には、解析プログラム２２６は、予測モデル１４０の生成を支援するものであり、モデル生成モジュール２２６２と、評価モジュール２２６４とを含む。また、解析プログラム２２６は、コントローラの型式（機種）毎の性能情報を解析する性能情報解析モジュール２２６６をさらに含む。 The analysis program 226 corresponds to an information processing program for realizing a predictive model generation unit that determines the predictive model 140 in advance. More specifically, the analysis program 226 supports generation of the predictive model 140 and includes a model generation module 2262 and an evaluation module 2264. The analysis program 226 further includes a performance information analysis module 2266 that analyzes performance information for each type (model) of the controller.

モデル生成モジュール２２６２は、予測モデル１４０を生成する処理に必要な機能を実現する。 The model generation module 2262 implements the functions necessary for the process of generating the predictive model 140.

評価モジュール２２６４は、対象の予測モデル１４０の性能を評価する。 The evaluation module 2264 evaluates the performance of the target prediction model 140.

性能情報解析モジュール２２６６は、コントローラの型式（機種）毎の性能情報を解析して実行時間の見積式の算出処理等を実行する。 The performance information analysis module 2266 analyzes performance information for each controller type (model) and executes processing such as calculation of an execution time estimation formula.

図１０は、実施形態に基づく図９に示す解析プログラム２２６に含まれる機能モジュールの概要を示すブロック図である。図１０を参照して、サポート装置２００の解析プログラム２２６は、主要な機能構成として、ユーザインターフェイス２３０と、入出力管理モジュール２３６と、画面表示モジュール２３８と、グラフライブラリ２４０と、解析モジュール２４２と、解析ライブラリ２４４とを含む。 FIG. 10 is a block diagram showing an overview of functional modules included in the analysis program 226 shown in FIG. 9 based on the embodiment. Referring to FIG. 10, the analysis program 226 of the support device 200 includes a user interface 230, an input/output management module 236, a screen display module 238, a graph library 240, an analysis module 242, as main functional components. analysis library 244.

ユーザインターフェイス２３０は、ユーザからの設定を受け付けるとともに、ユーザに対して各種情報を提供するための統括的な処理を実行する。具体的な実装形態として、ユーザインターフェイス２３０は、スクリプトエンジン２３２を有しており、必要な処理を記述したスクリプトを含む設定ファイル２３４を読み込んで、設定された処理を実行する。 The user interface 230 accepts settings from the user and executes overall processing for providing various information to the user. As a specific implementation, the user interface 230 includes a script engine 232, reads a configuration file 234 containing a script that describes necessary processing, and executes the set processing.

入出力管理モジュール２３６は、指定されたファイルなどからデータを読み込むファイル入力機能と、データストリームを受信するストリーム入力機能と、生成したデータなどを含むファイルを出力するファイル出力機能とを含む。 The input/output management module 236 includes a file input function that reads data from a specified file, a stream input function that receives a data stream, and a file output function that outputs a file containing generated data and the like.

画面表示モジュール２３８は、入力された予測モデルに基づいてモデル評価画面を生成する機能と、ユーザの操作を受けて評価結果を表示する機能とを含む。グラフライブラリ２４０を参照して必要な処理を実行するようにしてもよい。 The screen display module 238 includes a function of generating a model evaluation screen based on an input prediction model, and a function of displaying an evaluation result in response to a user's operation. Necessary processing may be executed by referring to the graph library 240.

解析モジュール２４２は、解析プログラム２２６の主要な処理を実現するモジュールであり、モデル生成機能およびコントローラの型式（機種）毎の性能情報の解析機能を有している。解析モジュール２４２に含まれる各機能は、解析ライブラリ２４４を参照することで実現される。 The analysis module 242 is a module that implements the main processing of the analysis program 226, and has a model generation function and an analysis function of performance information for each type of controller. Each function included in the analysis module 242 is realized by referring to the analysis library 244.

解析ライブラリ２４４は、解析モジュール２４２に含まれる各機能が処理を実行するためのライブラリを含む。より具体的には、解析ライブラリ２４４は、統計量機能、決定木機能、時系列回帰機能、グリッドサーチ機能、クラスタリング機能、推論速度評価機能、精度評価機能、および、異常検知機能を有していてもよい。 The analysis library 244 includes a library for each function included in the analysis module 242 to execute processing. More specifically, the analysis library 244 has a statistics function, a decision tree function, a time series regression function, a grid search function, a clustering function, an inference speed evaluation function, an accuracy evaluation function, and an anomaly detection function. Good too.

＜Ｅ．予測モデルの評価＞
図１１は、実施形態に基づく予測モデルを評価する予測モデル評価部について説明する図である。図１１を参照して、予測モデル評価部２５０は、予測モデル取得部２５１と、予測モデル特徴量抽出部２５２と、最大実行時間算出部２５４と、評価部２５６と、時間見積式取得部２５７とを含む。予測モデル評価部２５０は、一例として評価モジュール２２６４により実現される。 <E. Evaluation of prediction model>
FIG. 11 is a diagram illustrating a prediction model evaluation unit that evaluates a prediction model based on the embodiment. Referring to FIG. 11, the predictive model evaluation section 250 includes a predictive model acquisition section 251, a predictive model feature extraction section 252, a maximum execution time calculation section 254, an evaluation section 256, and a time estimation formula acquisition section 257. including. The predictive model evaluation unit 250 is realized by the evaluation module 2264, as an example.

予測モデル取得部２５１は、モデル生成モジュール２２６２で生成した予測モデルを取得する。 The predictive model acquisition unit 251 acquires the predictive model generated by the model generation module 2262.

予測モデル特徴量抽出部２５２は、取得した予測モデルにおける特徴量を抽出する。当該抽出した特徴量は、予測モデルの実行時間の推定に用いられる。 The predictive model feature extracting unit 252 extracts the feature in the acquired predictive model. The extracted feature amount is used to estimate the execution time of the prediction model.

時間見積式取得部２５７は、使用する制御装置１００（ＰＬＣ）の型式に基づく性能情報として予測モデルの実行時間を算出するための時間見積式を取得する。当該時間見積式は、制御装置１００（ＰＬＣ）の型式に基づく性能情報の一部であり、二次記憶装置２０８に格納されている。 The time estimation formula acquisition unit 257 acquires a time estimation formula for calculating the execution time of the prediction model as performance information based on the type of control device 100 (PLC) to be used. The time estimation formula is part of the performance information based on the type of control device 100 (PLC), and is stored in the secondary storage device 208.

最大実行時間算出部２５４は、予測モデルから抽出した特徴量と制御装置の型式に基づく性能情報とに基づいて予測モデルの最大実行時間を算出する。具体的には、一例として最大実行時間算出部２５４は、予測モデルの特徴量と時間見積式取得部２５７で取得した時間見積式とに基づいて予測モデルの最大実行時間を算出する。予測モデルは、一例として、ランダムフォレストによる決定木構造の学習アルゴリズムに基づいて生成される場合について説明する。 The maximum execution time calculation unit 254 calculates the maximum execution time of the prediction model based on the feature amount extracted from the prediction model and performance information based on the type of control device. Specifically, as an example, the maximum execution time calculation unit 254 calculates the maximum execution time of the prediction model based on the feature amount of the prediction model and the time estimation formula acquired by the time estimation formula acquisition unit 257. As an example, a case where the predictive model is generated based on a decision tree structure learning algorithm using a random forest will be described.

評価部２５６は、最大実行時間算出部２５４の算出結果に基づいて予測モデルを評価する。評価部２５６は、コントローラの型式（機種）に従う予め定められている性能情報に含まれる目標実行時間および目標サイズと、予測モデルの算出された最大実行時間およびサイズとの比較に基づいて予測モデルを評価する。 The evaluation unit 256 evaluates the prediction model based on the calculation result of the maximum execution time calculation unit 254. The evaluation unit 256 evaluates the prediction model based on a comparison between the target execution time and target size included in predetermined performance information according to the type (model) of the controller and the calculated maximum execution time and size of the prediction model. evaluate.

図１２は、実施形態に基づく予測モデルの構造について説明する図である。図１２を参照して、ランダムフォレストによる決定木構造の予測モデルが示されている。本例においては、決定木ＤＴ１～ＤＴＮが設けられており、予測結果をそれぞれ取得して一例として多数決により最終予測結果を取得する場合が示されている。 FIG. 12 is a diagram illustrating the structure of a prediction model based on the embodiment. Referring to FIG. 12, a prediction model with a decision tree structure based on random forest is shown. In this example, decision trees DT1 to DTN are provided, and a case is shown in which respective prediction results are obtained and, as an example, a final prediction result is obtained by majority vote.

予測モデルの演算処理は、根ノードから葉ノードに向けてリンクを辿る探索処理である。具体的には、根データに設定された分岐条件を入力データが満たすか否かを判定し、この判定結果に基づいて、次の該当ノードに探索を進める。したがって、決定木の構造により処理回数はそれぞれ異なる。 The predictive model calculation process is a search process that follows links from the root node to the leaf nodes. Specifically, it is determined whether the input data satisfies the branching condition set in the root data, and based on this determination result, the search proceeds to the next corresponding node. Therefore, the number of times of processing differs depending on the structure of the decision tree.

本例においては、後述するが一例として、予測モデルの実行時間は、木の深さと、決定木の数とに起因するため、予測モデルの特徴量として当該情報を抽出する。 In this example, as will be described later, the execution time of the prediction model depends on the depth of the tree and the number of decision trees, so this information is extracted as the feature quantity of the prediction model.

そして、抽出した特徴量と制御装置の型式に基づく性能情報に基づいて予測モデルの最大実行時間を算出する。本例においては、一例として、制御装置の型式に基づく性能情報として時間見積式を二次記憶装置２０８から取得して用いる。 Then, the maximum execution time of the prediction model is calculated based on the extracted feature amount and performance information based on the type of control device. In this example, as an example, a time estimation formula is obtained from the secondary storage device 208 and used as performance information based on the type of control device.

次に、制御装置１００（ＰＬＣ）の型式に基づく性能情報について説明する。 Next, performance information based on the type of control device 100 (PLC) will be explained.

図１３は、実施形態に基づく予測モデルの時間見積式の算出のフローについて説明する概念図である。当該フローは、サポート装置２００が性能情報解析モジュール２２６６を用いることにより実行されるものである。 FIG. 13 is a conceptual diagram illustrating a flow of calculating a time estimation formula of a prediction model based on the embodiment. This flow is executed by the support device 200 using the performance information analysis module 2266.

図１４は、実施形態に基づく予測モデルの時間見積式の算出について説明する概念図である。 FIG. 14 is a conceptual diagram illustrating calculation of a time estimation formula of a prediction model based on the embodiment.

図１３を参照して、サポート装置２００は、実行時間に相関のある予測モデルの特徴量（パラメータ）を特定する（ステップＳ１０）。具体的には、注目する特徴量（パラメータ）と、他の特徴量（パラメータ）とを用いて予測モデルを作成する。その際に、注目する特徴量（パラメータ）を変動させ、他の特徴量（パラメータ）は固定させて複数の予測モデルを作成する。そして、それぞれの予測モデルの実行時間を計測して、当該注目する特徴量（パラメータ）と実行時間との相関の有無を判断する。これを全ての特徴量（パラメータ）について１つずつ実行して、実行時間に相関のある予測モデルの特徴量（パラメータ）を特定する。 Referring to FIG. 13, support device 200 identifies feature amounts (parameters) of the predictive model that are correlated with execution time (step S10). Specifically, a prediction model is created using the feature amount (parameter) of interest and other feature amounts (parameters). At this time, a plurality of predictive models are created by varying the feature amount (parameter) of interest while fixing other feature amounts (parameters). Then, the execution time of each prediction model is measured, and it is determined whether there is a correlation between the feature amount (parameter) of interest and the execution time. This is executed for all the feature quantities (parameters) one by one to identify the feature quantities (parameters) of the prediction model that are correlated with the execution time.

本例においては、当該処理により、図１４（Ａ）を参照して、実行時間に相関のある予測モデルの特徴量としてパラメータＰＡＲ１およびＰＡＲ３を特定した場合が示されている。例えば、ランダムフォレストの場合には、実行時間に相関のある特徴量（パラメータＰＡＲ１，ＰＡＲ３）として、一例として木の深さや、決定木の数を挙げることが可能である。 In this example, with reference to FIG. 14(A), a case is shown in which parameters PAR1 and PAR3 are identified as feature quantities of a prediction model that are correlated with execution time. For example, in the case of a random forest, the depth of the tree and the number of decision trees can be cited as examples of the feature values (parameters PAR1, PAR3) that are correlated with the execution time.

また、実行時間とともに、モデルサイズおよび精度についても相関のある特徴量を特定する。本例においては、特徴量（パラメータＰＡＲ２）についてモデルサイズと相関があることを特定した場合が示されている。また、特徴量（パラメータＰＡＲ４）について精度と相関があることを特定した場合が示されている。相関関係の特定については実行時間と同様に、パラメータを変動させて複数の予測モデルを作成した際にモデルサイズおよび精度を計測することにより各特徴量（パラメータ）とモデルサイズあるいは精度との相関の有無を判断することが可能である。 In addition, we identify features that are correlated with model size and accuracy as well as execution time. In this example, a case is shown in which it is determined that the feature amount (parameter PAR2) has a correlation with the model size. Further, a case is shown in which it is determined that there is a correlation with accuracy for the feature amount (parameter PAR4). As with the execution time, identifying correlations can be done by measuring the model size and accuracy when creating multiple predictive models by varying parameters, and then determining the correlation between each feature (parameter) and model size or accuracy. It is possible to determine the presence or absence.

次に、サポート装置２００は、コントローラの形式毎に特徴量および実行時間を計測する（ステップＳ１２）。具体的には、図１４（Ｂ）を参照して、ここでは、コントローラの型式（機種）として型式ＭＡおよびＭＢが示されている。また、型式ＭＡのコントローラについて、計測されたパラメータＰＡＲ１およびＰＡＲ３と実行時間との関係が示されている。 Next, the support device 200 measures the feature amount and execution time for each controller type (step S12). Specifically, with reference to FIG. 14(B), models MA and MB are shown here as controller types (models). Also shown is the relationship between the measured parameters PAR1 and PAR3 and the execution time for the MA type controller.

次に、サポート装置２００は、時間見積式を算出する（ステップＳ１４）。 Next, the support device 200 calculates a time estimation formula (step S14).

図１５は、時間見積式の算出として回帰分析を用いる場合について説明する図である。 FIG. 15 is a diagram illustrating a case where regression analysis is used to calculate the time estimation formula.

図１５（Ａ）を参照して、一例として、時間見積式の算出として回帰平面を算出する場合について説明する。 With reference to FIG. 15(A), a case where a regression plane is calculated as a calculation of a time estimation formula will be described as an example.

具体的には、次式の関係が成立する。 Specifically, the following relationship holds true.

a₁,a₂,a_n:回帰係数
x₁,x₂,x_n:特徴量
b:固定処理時間
本例においては、２つの特徴量（パラメータＰＡＲ１，ＰＡＲ３）を用いて時間見積式の算出として回帰平面を算出する。例えば、一例として実行時間と相関のある特徴量であるパラメータＰＡＲ１（木の深さ）と、パラメータＰＡＲ３（決定木の数）とを用いる。 a ₁ ,a ₂ ,a _n :Regression coefficient
x ₁ ,x ₂ ,x _n :Feature amount
b: Fixed processing time In this example, a regression plane is calculated as a time estimation formula using two feature quantities (parameters PAR1 and PAR3). For example, a parameter PAR1 (depth of tree) and a parameter PAR3 (number of decision trees), which are feature quantities correlated with execution time, are used.

そして、次に、サポート装置２００は、算出した時間見積式を保存する（ステップＳ１６）。図１５（Ｂ）は、算出した時間見積式の数式テーブルが示されている。具体的には、コントローラの型式（機種）として型式ＭＡおよびＭＢ毎に回帰平面を算出して時間見積式の回帰係数を算出する場合が示されている。 Then, the support device 200 stores the calculated time estimation formula (step S16). FIG. 15(B) shows a formula table of the calculated time estimation formula. Specifically, a case is shown in which a regression plane is calculated for each of the controller types MA and MB, and the regression coefficient of the time estimation formula is calculated.

当該数式テーブルを用いることにより型式ＭＡあるいは型式ＭＢのコントローラについて、特徴量（パラメータＰＡＲ１およびＰＡＲ３）に基づいて実行時間を算出することが可能となる。なお、当該数式テーブルは、コントローラの型式毎の性能情報として二次記憶装置２０８に格納される。 By using the formula table, it is possible to calculate the execution time for the MA or MB controller based on the feature amounts (parameters PAR1 and PAR3). Note that the formula table is stored in the secondary storage device 208 as performance information for each type of controller.

そして、処理を終了する（エンド）。 Then, the process ends (end).

上記においては、実行時間と相関のある特徴量を特定して、実行時間の見積式を算出する方式について説明した。同様に、モデルサイズと相関のある特徴量（パラメータＰＡＲ２）を特定し、モデルサイズの見積式を算出して、コントローラの型式毎の性能情報として二次記憶装置２０８に格納する。 In the above, a method has been described in which a feature quantity correlated with execution time is specified and an estimation formula for execution time is calculated. Similarly, a feature quantity (parameter PAR2) that is correlated with the model size is specified, a model size estimation formula is calculated, and the result is stored in the secondary storage device 208 as performance information for each type of controller.

また、精度と相関のある特徴量（パラメータＰＡＲ４）を特定し、精度の見積式を算出して、コントローラの型式毎の性能情報として２次記憶装置２０８に格納する。 In addition, a feature quantity (parameter PAR4) that is correlated with accuracy is specified, an accuracy estimation formula is calculated, and the calculated accuracy is stored in the secondary storage device 208 as performance information for each type of controller.

図１６は、実施形態に基づくコントローラの型式毎の性能要件について説明する図である。図１６を参照して、コントローラの型式毎の性能要件も性能情報の一部であり、二次記憶装置２０８に予め格納される。 FIG. 16 is a diagram illustrating performance requirements for each type of controller based on the embodiment. Referring to FIG. 16, the performance requirements for each type of controller are also part of the performance information and are stored in the secondary storage device 208 in advance.

型式ＭＡのコントローラは、制御周期１２５μｓであり、目標実行時間は６２．５μｓの条件を有する。また、目標メモリサイズは７８４ＭＢである。 The type MA controller has a control period of 125 μs and a target execution time of 62.5 μs. Further, the target memory size is 784MB.

型式ＭＢのコントローラは、制御周期５００μｓであり、目標実行時間は２５０μｓの条件を有する。また、目標メモリサイズは１２６ＭＢである。 The type MB controller has a control period of 500 μs and a target execution time of 250 μs. Further, the target memory size is 126MB.

なお、当該性能要件は、時間見積式のパラメータとともにデータテーブルとしてコントローラの型式毎の性能情報として二次記憶装置２０８に予め格納される。 Note that the performance requirements are stored in advance in the secondary storage device 208 as performance information for each type of controller as a data table together with time estimation type parameters.

コントローラの型式（機種）に応じて性能が異なる。したがって、同一の予測モデルであっても実行時間が異なる可能性がある。 Performance varies depending on the model (model) of the controller. Therefore, even the same prediction model may have different execution times.

したがって、作成した予測モデルについて、当該性能情報を考慮して適正に評価することにより、実装する前段階として、コントローラの型式に従って予測モデルをより簡易的に評価することが可能となる。 Therefore, by appropriately evaluating the created predictive model in consideration of the performance information, it becomes possible to more easily evaluate the predictive model according to the type of controller as a pre-implementation step.

図１７は、実施形態に基づく予測モデルの評価処理のフローについて説明する図である。 FIG. 17 is a diagram illustrating a flow of a prediction model evaluation process based on the embodiment.

図１７を参照して、予測モデル取得部２５１は、予測モデルを取得する（ステップＳ２０）。当該予測モデルは、モデル生成モジュール２２６２により生成されたコントローラに実装することを予定している新規な予測モデルでる。 Referring to FIG. 17, predictive model acquisition unit 251 acquires a predictive model (step S20). This predictive model is a new predictive model that is generated by the model generation module 2262 and is planned to be implemented in the controller.

次に、予測モデル特徴量抽出部２５２は、取得した予測モデルの特徴量を抽出する（ステップＳ２２）。具体的には、予測モデル特徴量抽出部２５２は、実行時間と相関のある予測モデルの特徴量として一例として予測モデルの木の深さと、決定木の数とを抽出する。 Next, the predictive model feature amount extraction unit 252 extracts the feature amount of the acquired predictive model (step S22). Specifically, the predictive model feature amount extracting unit 252 extracts, as examples, the depth of the tree of the predictive model and the number of decision trees as the feature amounts of the predictive model that are correlated with the execution time.

次に、最大実行時間算出部２５４は、時間見積式を取得する（ステップＳ２４）。具体的には、二次記憶装置２０８に格納されるコントローラの型式に対応する性能情報に含まれる時間見積式のデータテーブルを取得する。 Next, the maximum execution time calculation unit 254 obtains a time estimation formula (step S24). Specifically, a time estimation type data table included in the performance information corresponding to the type of controller stored in the secondary storage device 208 is obtained.

次に、最大実行時間算出部２５４は、最大実行時間を算出する（ステップＳ２６）。具体的には、最大実行時間算出部２５４は、コントローラの型式に対応する時間見積式のデータテーブルと、取得した予測モデルの特徴量とに基づいて最大実行時間を算出する。例えば、一例として予測モデルの木の深さと、決定木の数との特徴量を抽出して、図１５で説明した回帰平面に基づいて時間見積式に特徴量を代入することにより最大実行時間を算出することが可能である。 Next, the maximum execution time calculation unit 254 calculates the maximum execution time (step S26). Specifically, the maximum execution time calculation unit 254 calculates the maximum execution time based on a time estimation type data table corresponding to the type of controller and the feature amount of the acquired prediction model. For example, by extracting the feature values such as the depth of the prediction model tree and the number of decision trees, and substituting the feature values into the time estimation formula based on the regression plane explained in FIG. 15, the maximum execution time can be reduced. It is possible to calculate.

次に、評価部２５６は、コントローラの型式の性能要件を取得する（ステップＳ２３）。具体的には、評価部２５６は、図１６で説明した型式に対応するコントローラの性能情報の一部である性能要件のデータテーブルを取得する。 Next, the evaluation unit 256 acquires the performance requirements of the controller type (step S23). Specifically, the evaluation unit 256 acquires a data table of performance requirements, which is part of the performance information of the controller corresponding to the model explained in FIG. 16.

次に、評価部２５６は、最大実行時間は、目標実行時間内か否かを判断する（ステップＳ３０）。評価部２５６は、算出した最大実行時間が目標実行時間内であるか否かを判断する。目標実行時間は、コントローラの型式の条件情報のデータテーブルを参照することにより取得することが可能である。 Next, the evaluation unit 256 determines whether the maximum execution time is within the target execution time (step S30). The evaluation unit 256 determines whether the calculated maximum execution time is within the target execution time. The target execution time can be obtained by referring to the data table of condition information of the controller type.

ステップＳ３０において、評価部２５６は、最大実行時間は、目標実行時間内であると判定した場合（ステップＳ３０においてＹＥＳ）には、ＯＫ判定とする（ステップＳ３２）。 In step S30, when the evaluation unit 256 determines that the maximum execution time is within the target execution time (YES in step S30), it makes an OK determination (step S32).

一方、ステップＳ３０において、評価部２５６は、最大実行時間は、目標実行時間内でないと判定した場合（ステップＳ３０においてＮＯ）には、ＮＧ判定とする（ステップＳ３４）。 On the other hand, if the evaluation unit 256 determines in step S30 that the maximum execution time is not within the target execution time (NO in step S30), it makes an NG determination (step S34).

そして、処理を終了する（エンド）。 Then, the process ends (end).

評価部２５６の評価結果に基づいて、本例においては、評価結果画面を出力する。具体的には、画面表示モジュール２３８を実行することにより評価結果画面を出力する。 Based on the evaluation result of the evaluation unit 256, in this example, an evaluation result screen is output. Specifically, the evaluation result screen is output by executing the screen display module 238.

なお、本例においては、予測モデルの実行時間の評価について説明したが、モデルサイズおよび精度についても同様に適用可能である。 Note that although this example describes evaluation of the execution time of a prediction model, the same can be applied to model size and accuracy.

すなわち、予測モデル特徴量抽出部２５２は、取得した予測モデルの特徴量を抽出する。具体的には、予測モデル特徴量抽出部２５２、モデルサイズおよび精度とそれぞれ相関のある予測モデルの特徴量を抽出する。 That is, the predictive model feature amount extraction unit 252 extracts the feature amount of the acquired predictive model. Specifically, the predictive model feature extraction unit 252 extracts predictive model feature amounts that are correlated with the model size and accuracy.

そして、二次記憶装置２０８に格納されているモデルサイズの見積式および精度の見積式を取得して、抽出した特徴量に基づいてモデルサイズおよび精度を推定することが可能である。 Then, it is possible to obtain the model size estimation formula and precision estimation formula stored in the secondary storage device 208, and estimate the model size and precision based on the extracted feature amounts.

図１８は、実施形態に基づく評価結果画面５００について説明する図である。 FIG. 18 is a diagram illustrating an evaluation result screen 500 based on the embodiment.

図１８を参照して、評価結果画面５００には、複数のタブが設けられており、ここでは、調整タブおよびモデル評価タブ等が設けられている。一例としてモデル評価タブが選択された場合が示されている。入力欄５１０が左側領域に設けられており、コントローラの型式の選択を受け付け可能な項目が示されている。本例においては、コンローラの型式「ＭＡ」が選択されている場合が示されている。 Referring to FIG. 18, evaluation result screen 500 is provided with a plurality of tabs, including an adjustment tab, a model evaluation tab, and the like. As an example, a case where the model evaluation tab is selected is shown. An input field 510 is provided in the left area, and shows items that can accept the selection of the controller model. In this example, a case is shown in which the controller type "MA" is selected.

また、当該コントローラの型式「ＭＡ」に対応して、目標実行時間「６２．５μｓ」および目標メモリサイズ「７８４ＭＢ」が示されている。 Furthermore, a target execution time of "62.5 μs" and a target memory size of "784 MB" are shown corresponding to the model "MA" of the controller.

本例においては、一例として、制御タスク周期１２５μｓの条件を満たす予測モデルＭの実行時間に関するグラフ５０２が表示されている。 In this example, as an example, a graph 502 regarding the execution time of the prediction model M that satisfies the condition of a control task period of 125 μs is displayed.

グラフ５０２として、具体的には、制御プログラム時間５０μｓ、システムサービス時間１２．５μｓ、最大実行時間６０μｓ、空き時間２．５μｓが表示されている。 Specifically, the graph 502 displays a control program time of 50 μs, a system service time of 12.5 μs, a maximum execution time of 60 μs, and an idle time of 2.5 μs.

最大実行時間は、上記の最大実行時間算出部２５４により算出されたものである。 The maximum execution time is calculated by the maximum execution time calculation unit 254 described above.

制御プログラム時間、システムサービス時間は固定で決まるものである。 The control program time and system service time are fixed.

最大実行時間を算出することにより、本例においては、空き時間が確保されるため、メッセージ５０４「制御タスク周期内で推論実行可能です。」が表示されている場合が示されている。 In this example, free time is secured by calculating the maximum execution time, so the message 504 "Inference execution is possible within the control task cycle" is displayed.

なお、コントローラの型式「ＭＡ」を「ＭＢ」に変更することも可能であり、その場合には、コントローラの型式「ＭＢ」に対応した評価結果が表示される。 Note that it is also possible to change the controller model "MA" to "MB", and in that case, the evaluation results corresponding to the controller model "MB" are displayed.

図１９は、実施形態に基づく評価結果画面について説明する別の図である。 FIG. 19 is another diagram illustrating the evaluation result screen based on the embodiment.

図１９を参照して、評価結果画面５２０には、コントローラの型式の選択を受け付け可能な項目が示されている。本例においては、入力欄５３０が設けられており、コンローラの型式「ＭＢ」が選択されている場合が示されている。 Referring to FIG. 19, evaluation result screen 520 shows items that can accept selection of controller model. In this example, an input field 530 is provided, and a case is shown in which the controller model "MB" is selected.

また、当該コントローラの型式「ＭＢ」に対応して、目標実行時間「２５０μｓ」および目標メモリサイズ「１２６ＭＢ」が示されている。 Furthermore, a target execution time of "250 μs" and a target memory size of "126 MB" are shown corresponding to the model of the controller "MB".

本例においては、一例として、制御周期５００μｓの条件を満たす予測モデルＭの実行時間に関するグラフ５２２が表示されている。 In this example, as an example, a graph 522 regarding the execution time of the prediction model M that satisfies the condition of a control period of 500 μs is displayed.

グラフ５２２として、具体的には、制御プログラム時間２００μｓ、システムサービス時間５０μｓ、最大実行時間２６０μｓが表示されている。 Specifically, the graph 522 displays a control program time of 200 μs, a system service time of 50 μs, and a maximum execution time of 260 μs.

最大実行時間は、上記の最大実行時間算出部２５４により算出されたものである。 The maximum execution time is calculated by the maximum execution time calculation unit 254 described above.

制御プログラム時間、システムサービス時間は固定で決まるものである。 The control program time and system service time are fixed.

本例においては、空き時間は確保されないため、メッセージ５２４「制御タスク周期内をオーバーします。設定を変更してパラメータチューニングを行ってください。」が表示されている場合が示されている。 In this example, since free time is not secured, a case is shown in which message 524 "The control task period will be exceeded. Please change the settings and perform parameter tuning." is displayed.

図２０は、実施形態に基づくパラメータ調整画面について説明する図である。 FIG. 20 is a diagram illustrating a parameter adjustment screen based on the embodiment.

図２０を参照して、評価結果画面において調整タブを選択した場合が示されている。 Referring to FIG. 20, a case is shown in which the adjustment tab is selected on the evaluation result screen.

ここでは、パラメータ調整画面において、予測時間とモデルサイズに関する推定性能グラフが示されている。 Here, an estimated performance graph regarding prediction time and model size is shown on the parameter adjustment screen.

また、性能要件を満たす予測時間とモデルサイズの閾値が示されている。 Also shown are prediction time and model size thresholds that meet performance requirements.

推定性能グラフは、時間見積式に基づいて算出される。 The estimated performance graph is calculated based on a time estimation formula.

ユーザは、推定性能グラフを見ながら性能要件を満たすようにパラメータを調整することが可能である。 The user can adjust parameters to meet performance requirements while viewing the estimated performance graph.

具体的には、予測時間と、モデルサイズと、精度をそれぞれ調整する調整バーが設けられている。予測時間に相関する特徴量ＰＡＲ１、ＰＡＲ３、モデルサイズに相関する特徴量ＰＡＲ２、精度に相関する特徴量ＰＡＲ４が設けられている。 Specifically, adjustment bars are provided to adjust the prediction time, model size, and accuracy, respectively. Feature amounts PAR1 and PAR3 that correlate with prediction time, feature amount PAR2 that correlates with model size, and feature amount PAR4 that correlates with accuracy are provided.

当該調整バーを操作することにより対応する特徴量（パラメータ）を調節して推定モデルを変更することが可能である。 By operating the adjustment bar, it is possible to adjust the corresponding feature amount (parameter) and change the estimation model.

あるいは、推定性能グラフの位置をポインティングデバイスで移動させることによりパラメータを調節するようにしても良い。 Alternatively, the parameters may be adjusted by moving the position of the estimated performance graph using a pointing device.

例えば、位置Ｐ１から位置Ｐ０に移動させることにより、位置Ｐ０に対応するパラメータに基づいて特徴量（パラメータ）を算出して推定モデルを変更することが可能である。あるいは、位置Ｐ２から位置Ｐ０に移動させることにより位置Ｐ０に対応する特徴量（パラメータ）を算出して推定モデルを変更することが可能である。 For example, by moving from position P1 to position P0, it is possible to calculate feature amounts (parameters) based on parameters corresponding to position P0 and change the estimation model. Alternatively, it is possible to change the estimation model by calculating the feature amount (parameter) corresponding to the position P0 by moving it from the position P2 to the position P0.

当該調整タブに入力するデータに基づいて予測モデルの構築、あるいは再構築が可能に設けられている。 A prediction model can be constructed or reconstructed based on the data input to the adjustment tab.

図２１は、実施形態に基づくサポート装置２００の予測モデルの設定の概念について説明するフロー図である。 FIG. 21 is a flow diagram illustrating the concept of setting a prediction model of the support device 200 based on the embodiment.

図２１を参照して、サポート装置２００は、モデル生成のアルゴリズムを選択する（ステップＳ３０）。一例として決定木構造のアルゴリズムとしてランダムフォレストを選択するものとする。 Referring to FIG. 21, support device 200 selects a model generation algorithm (step S30). As an example, assume that random forest is selected as the algorithm for the decision tree structure.

次に、サポート装置２００は、パラメータを調節する（ステップＳ３２）。一例として、ランダムフォレストのパラメータとして木の深さと、決定木の数等を設定する。 Next, the support device 200 adjusts the parameters (step S32). As an example, the depth of trees, the number of decision trees, etc. are set as parameters of random forest.

次に、サポート装置２００は、予測モデルを生成する（ステップＳ３４）。図１２で説明したように調節されたパラメータに基づいて予測モデルを生成する。 Next, the support device 200 generates a prediction model (step S34). A prediction model is generated based on the adjusted parameters as explained in FIG.

次に、サポート装置２００は、最大実行時間、モデルサイズ、精度を算出する（ステップＳ３６）。具体的には、サポート装置２００は、生成された予測モデルを取得して、最大実行時間、モデルサイズ、精度を算出する。 Next, the support device 200 calculates the maximum execution time, model size, and accuracy (step S36). Specifically, the support device 200 obtains the generated prediction model and calculates the maximum execution time, model size, and accuracy.

次に、サポート装置２００は、性能要件を満たすか否かを判断する（ステップＳ３８）。具体的には、図１７等で説明した評価結果画面５００により性能要件を満たすか否かを判断することが可能である。 Next, the support device 200 determines whether the performance requirements are met (step S38). Specifically, it is possible to judge whether or not the performance requirements are satisfied using the evaluation result screen 500 described with reference to FIG. 17 and the like.

ステップＳ３８において、サポート装置２００は、性能要件を満たすと判断した場合（ステップＳ３８においてＹＥＳ）には、予測モデルを採用する（ステップＳ４０）。 In step S38, if the support device 200 determines that the performance requirements are met (YES in step S38), it adopts the predictive model (step S40).

そして、処理を終了する（エンド）。 Then, the process ends (end).

一方、ステップＳ３８において、サポート装置２００は、性能要件を満たさないと判断した場合（ステップＳ３８において、ＮＯ）には、ステップＳ３２に戻り、パラメータを調節する。具体的には、図２０等で説明したパラメータ調整画面によりパラメータを調節する。当該処理を繰り返すことにより、性能要件を満たす予測モデルを設定する。 On the other hand, if the support device 200 determines in step S38 that the performance requirements are not satisfied (NO in step S38), the process returns to step S32 and adjusts the parameters. Specifically, parameters are adjusted using the parameter adjustment screen described in FIG. 20 and the like. By repeating this process, a prediction model that satisfies the performance requirements is set.

当該方式により、予測システムに最適な予測モデルを選択することが可能である。 With this method, it is possible to select the optimal prediction model for the prediction system.

上記においては、主に決定木に代表される木構造の学習アルゴリズムに基づく予測モデルを生成する場合について説明したが、決定木に限られず、木構造であれば他の学習アルゴリズムを用いた予測モデルにも同様に適用することが可能である。 In the above, we have mainly explained the case where a prediction model is generated based on a tree-structured learning algorithm represented by a decision tree. It can also be applied to

なお、本例においては、情報処理装置であるサポート装置２００において予測モデルの生成および評価を実行する場合について説明したが、これに限られず、これらの機能を全て制御装置１００が有する構成とすることも当然に可能である。 In this example, a case has been described in which the generation and evaluation of a predictive model are executed in the support device 200, which is an information processing device; however, the present invention is not limited to this, and the control device 100 may have all these functions. Of course, it is also possible.

＜Ｆ．付記＞
上述したような本実施の形態は、以下のような技術思想を含む。 <F. Additional notes>
This embodiment as described above includes the following technical idea.

［構成１］
予測システム（１）は、制御対象を制御するための制御装置（１００）と、制御装置に接続される情報処理装置（２００）とを備える。制御装置は、制御対象の制御演算を実行する制御演算部（１６４）と、制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部（１５６）とを含む。情報処理装置は、木構造の学習アルゴリズムに基づく予測モデルを生成する予測モデル生成部（２２６２）と、予測モデルを評価する予測モデル評価部（２２６４）と、制御装置の型式に基づく性能情報を格納する記憶部（２０８）とを含む。予測モデル評価部は、生成した予測モデルの特徴量を抽出する抽出部（２５２）と、抽出部で抽出した予測モデルの特徴量と、記憶部に格納された制御装置の型式に基づく性能情報に基づいて予測モデルの実行時間を算出する実行時間算出部（２５４）と、実行時間算出部の算出結果に基づいて予測モデルを評価する評価部（２５６）とを含む。 [Configuration 1]
The prediction system (1) includes a control device (100) for controlling a controlled object, and an information processing device (200) connected to the control device. The control device includes a control calculation section (164) that executes control calculations for the controlled object, and a prediction model by inputting actual values consisting of one or more state values that can be referenced by the control calculation section into a prediction model. and a predicted value acquisition unit (156) that acquires the value. The information processing device includes a predictive model generation unit (2262) that generates a predictive model based on a tree-structured learning algorithm, a predictive model evaluation unit (2264) that evaluates the predictive model, and stores performance information based on the model of the control device. and a storage unit (208) for storing information. The predictive model evaluation unit includes an extraction unit (252) that extracts the features of the generated predictive model, the features of the predictive model extracted by the extraction unit, and performance information based on the type of control device stored in the storage unit. It includes an execution time calculation unit (254) that calculates the execution time of the prediction model based on the execution time calculation unit, and an evaluation unit (256) that evaluates the prediction model based on the calculation result of the execution time calculation unit.

［構成２］
評価部は、実行時間と、制御装置の型式に基づく性能情報に含まれる目標実行時間とを比較して予測モデルを評価する。 [Configuration 2]
The evaluation unit evaluates the prediction model by comparing the execution time with a target execution time included in performance information based on the type of control device.

［構成３］
予測モデル評価部は、予測モデルのサイズと、制御装置の型式に基づく性能情報に含まれる目標サイズとを比較して予測モデルを評価する。 [Configuration 3]
The predictive model evaluation unit evaluates the predictive model by comparing the size of the predictive model with a target size included in performance information based on the type of control device.

［構成４］
予測モデル評価部は、制御装置の型式の入力を受け付け可能な入力受付部（５１０，５３０）をさらに含む。実行時間算出部は、入力受付部で入力された制御装置の型式に基づく性能情報に基づいて予測モデルの実行時間を算出する。 [Configuration 4]
The predictive model evaluation section further includes an input reception section (510, 530) capable of accepting input of the type of control device. The execution time calculation unit calculates the execution time of the prediction model based on the performance information based on the type of control device input by the input reception unit.

［構成５］
制御装置の型式に基づく性能情報は、予測モデルの実行時間を算出するための回帰係数のパラメータを含む。 [Configuration 5]
The performance information based on the type of control device includes parameters of regression coefficients for calculating the execution time of the prediction model.

［構成６］
評価部は、制御装置の型式に基づく性能情報の性能要件に対する予測モデルの性能を示すグラフを出力する。 [Configuration 6]
The evaluation unit outputs a graph showing the performance of the prediction model with respect to the performance requirements of the performance information based on the type of the control device.

［構成７］
情報処理装置は、予測モデルを再生成するために予測モデルの特徴量を調整可能な調整部をさらに含む。 [Configuration 7]
The information processing device further includes an adjustment unit capable of adjusting feature amounts of the prediction model in order to regenerate the prediction model.

［構成８］
情報処理装置（２００）は、制御装置（１００）に接続される情報処理装置であって、制御装置は、制御対象を制御するための制御演算を実行する制御演算部（１６４）と、制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部（１５６）とを含む。情報処理装置は、木構造の学習アルゴリズムに基づく予測モデルを生成する予測モデル生成部（２２６２）と、予測モデルを評価する予測モデル評価部（２２６４）と、制御装置の型式に基づく性能情報を格納する記憶部（２０８）とを含む。予測モデル評価部は、生成した予測モデルの特徴量を抽出する抽出部（２５２）と、抽出部で抽出した前記予測モデルの特徴量と、記憶部に格納された制御装置の型式に基づく性能情報とに基づいて予測モデルの実行時間を算出する実行時間算出部（２５４）と、実行時間算出部の算出結果に基づいて予測モデルを評価する評価部（２５６）とを含む。 [Configuration 8]
The information processing device (200) is an information processing device connected to the control device (100), and the control device includes a control calculation section (164) that executes control calculations for controlling a controlled object, and a control calculation section (164) that executes control calculations for controlling a controlled object. and a predicted value acquisition unit (156) that acquires a predicted value by inputting an actual value consisting of one or more status values among the status values that can be referred to by the unit into the prediction model. The information processing device includes a predictive model generation unit (2262) that generates a predictive model based on a tree-structured learning algorithm, a predictive model evaluation unit (2264) that evaluates the predictive model, and stores performance information based on the model of the control device. and a storage unit (208) for storing information. The predictive model evaluation unit includes an extraction unit (252) that extracts the feature values of the generated predictive model, the feature values of the predictive model extracted by the extraction unit, and performance information based on the type of control device stored in the storage unit. and an evaluation section (256) that evaluates the prediction model based on the calculation result of the execution time calculation section.

［構成９］
情報処理プログラムは、制御装置（１００）に接続されるコンピュータで実行される情報処理プログラムであって、制御装置は、制御対象を制御するための制御演算を実行する制御演算部（１６４）と、制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部（１５６）とを含む。情報処理プログラムは、コンピュータに、木構造の学習アルゴリズムに基づく予測モデルを生成するステップ（Ｓ６）と、予測モデルを評価するステップとを実行させる。予測モデルを評価するステップは、生成した予測モデルの特徴量を抽出するステップ（Ｓ２２）と、抽出した予測モデルの特徴量と、記憶部に格納された制御装置の型式に基づく性能情報に基づいて予測モデルの実行時間を算出するステップ（Ｓ２６）と、予測モデルの実行時間の算出結果に基づいて予測モデルを評価するステップ（Ｓ３０）とを含む。 [Configuration 9]
The information processing program is an information processing program executed by a computer connected to the control device (100), and the control device includes a control calculation section (164) that executes control calculations for controlling a controlled object; The control calculation unit includes a predicted value acquisition unit (156) that acquires a predicted value by inputting an actual value consisting of one or more status values among the status values that can be referenced by the control calculation unit into the prediction model. The information processing program causes the computer to execute a step (S6) of generating a predictive model based on a tree-structured learning algorithm and a step of evaluating the predictive model. The step of evaluating the prediction model includes the step of extracting the feature amount of the generated prediction model (S22), and the step of extracting the feature amount of the generated prediction model based on the extracted feature amount of the prediction model and performance information based on the type of control device stored in the storage unit. The method includes a step of calculating the execution time of the prediction model (S26), and a step of evaluating the prediction model based on the calculation result of the execution time of the prediction model (S30).

＜Ｇ．利点＞
実施形態に基づく予測システムにおいては、簡易に予測モデルを評価できるので、実際の運用に好適な予測モデルを容易に生成できる。 <G. Advantages>
In the prediction system based on the embodiment, since a prediction model can be easily evaluated, a prediction model suitable for actual operation can be easily generated.

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本開示の範囲は、上記した説明ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。 The embodiments disclosed this time should be considered to be illustrative in all respects and not restrictive. The scope of the present disclosure is indicated by the claims rather than the above description, and it is intended that all changes within the meaning and range equivalent to the claims are included.

１ 予測システム、２，４ フィールドバス、６ 上位ネットワーク、１０ フィールド装置群、１４ リレー群、１００ 制御装置、１０２，２０２ プロセッサ、１０４ チップセット、１０６，２０６ 主記憶装置、１０８，２０８ 二次記憶装置、１１０，２１４ 上位ネットワークコントローラ、１１２，２１２ コントローラ、１１４ メモリカードインターフェイス、１１６ メモリカード、１１８，１２０ フィールドバスコントローラ、１２２ 内部バスコントローラ、１３２ 記憶領域、１３４ エクスポートモジュール、１４０ 予測モデル、１４４ 参照軌道、１５０ エンジン、１５２ 変数、１５４ ユーザプログラム、１５６ 予測値取得コード、１５８ 誤差評価コード、１６０ 追加学習コード、１６２ 書き込みコード、１６４ 制御演算コード、２００ サポート装置、２０４ 光学ドライブ、２０５ 記録媒体、２１６ 入力部、２１８ 表示部、２２０ バス、２２２ 開発プログラム、２２４ インターフェイスプログラム、２２６ 解析プログラム、２３０ ユーザインターフェイス、２３２ スクリプトエンジン、２３４ 設定ファイル、２３６ 入出力管理モジュール、２３８ 画面表示モジュール、２４０ グラフライブラリ、２４２ 解析モジュール、２４４ 解析ライブラリ、２５０ 予測モデル評価部、３００ 上位サーバ、２２６２ モデル生成モジュール、２２６４ 評価モジュール。 1 prediction system, 2, 4 field bus, 6 upper network, 10 field device group, 14 relay group, 100 control device, 102, 202 processor, 104 chipset, 106, 206 main storage device, 108, 208 secondary storage device , 110, 214 upper network controller, 112, 212 controller, 114 memory card interface, 116 memory card, 118, 120 fieldbus controller, 122 internal bus controller, 132 storage area, 134 export module, 140 prediction model, 144 reference trajectory, 150 engine, 152 variable, 154 user program, 156 predicted value acquisition code, 158 error evaluation code, 160 additional learning code, 162 writing code, 164 control calculation code, 200 support device, 204 optical drive, 205 recording medium, 216 input unit , 218 display section, 220 bus, 222 development program, 224 interface program, 226 analysis program, 230 user interface, 232 script engine, 234 configuration file, 236 input/output management module, 238 screen display module, 240 graph library, 242 analysis module , 244 analysis library, 250 predictive model evaluation unit, 300 upper server, 2262 model generation module, 2264 evaluation module.

Claims (9)

制御対象を制御するための制御装置と、
前記制御装置に接続される情報処理装置とを備え、
前記制御装置は、
前記制御対象の制御演算を実行する制御演算部と、
前記制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部とを含み、
前記情報処理装置は、
木構造の学習アルゴリズムに基づく前記予測モデルを生成する予測モデル生成部と、
前記予測モデルを評価する予測モデル評価部と、
前記制御装置の型式に基づく性能情報を格納する記憶部とを含み、
前記予測モデル評価部は、
生成した予測モデルの特徴量を抽出する抽出部と、
前記抽出部で抽出した前記予測モデルの特徴量と、前記記憶部に格納された前記制御装置の型式に基づく性能情報とに基づいて前記予測モデルの実行時間を算出する実行時間算出部と、
前記実行時間算出部の算出結果に基づいて前記予測モデルを評価する評価部とを含む、予測システム。 a control device for controlling a controlled object;
an information processing device connected to the control device,
The control device includes:
a control calculation unit that executes control calculations for the controlled object;
a predicted value acquisition unit that acquires a predicted value by inputting an actual value consisting of one or more state values among the state values that can be referenced by the control calculation unit into a prediction model;
The information processing device includes:
a predictive model generation unit that generates the predictive model based on a tree-structured learning algorithm;
a prediction model evaluation unit that evaluates the prediction model;
a storage unit that stores performance information based on the model of the control device,
The predictive model evaluation unit includes:
an extraction unit that extracts features of the generated predictive model;
an execution time calculation unit that calculates an execution time of the prediction model based on the feature amount of the prediction model extracted by the extraction unit and performance information based on the model of the control device stored in the storage unit;
A prediction system comprising: an evaluation section that evaluates the prediction model based on a calculation result of the execution time calculation section. 前記評価部は、前記実行時間と、前記制御装置の型式に基づく性能情報に含まれる目標実行時間とを比較して前記予測モデルを評価する、請求項１記載の予測システム。 The prediction system according to claim 1, wherein the evaluation unit evaluates the prediction model by comparing the execution time with a target execution time included in performance information based on the type of the control device. 前記予測モデル評価部は、前記予測モデルのサイズと、前記制御装置の型式に基づく性能情報に含まれる目標サイズとを比較して前記予測モデルを評価する、請求項１記載の予測システム。 The prediction system according to claim 1, wherein the prediction model evaluation unit evaluates the prediction model by comparing the size of the prediction model with a target size included in performance information based on the type of the control device. 前記予測モデル評価部は、前記制御装置の型式の入力を受け付け可能な入力受付部をさらに含み、
前記実行時間算出部は、前記入力受付部で入力された前記制御装置の型式に基づく性能情報に基づいて前記予測モデルの実行時間を算出する、請求項１記載の予測システム。 The predictive model evaluation unit further includes an input reception unit capable of accepting input of the type of the control device,
The prediction system according to claim 1, wherein the execution time calculation unit calculates the execution time of the prediction model based on performance information based on the model of the control device input by the input reception unit. 前記制御装置の型式に基づく性能情報は、前記予測モデルの実行時間を算出するための回帰係数のパラメータを含む、請求項１記載の予測システム。 The prediction system according to claim 1, wherein the performance information based on the type of the control device includes a parameter of a regression coefficient for calculating the execution time of the prediction model. 前記評価部は、前記制御装置の型式に基づく性能情報の性能要件に対する前記予測モデルの性能を示すグラフを出力する、請求項１記載の予測システム。 The prediction system according to claim 1, wherein the evaluation unit outputs a graph showing the performance of the prediction model with respect to performance requirements of performance information based on the type of the control device. 前記情報処理装置は、前記予測モデルを再生成するために前記予測モデルの特徴量を調整可能な調整部をさらに含む、請求項１記載の予測システム。 The prediction system according to claim 1, wherein the information processing device further includes an adjustment unit capable of adjusting feature amounts of the prediction model in order to regenerate the prediction model. 制御対象を制御するための制御演算を実行する制御演算部と、
前記制御演算部が参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得する予測値取得部と、
木構造の学習アルゴリズムに基づく前記予測モデルを生成する予測モデル生成部と、
前記予測モデルを評価する予測モデル評価部と、
前記制御装置の型式に基づく性能情報を格納する記憶部とを備え、
前記予測モデル評価部は、
生成した予測モデルの特徴量を抽出する抽出部と、
前記抽出部で抽出した前記予測モデルの特徴量と、前記記憶部に格納された前記制御装置の型式に基づく性能情報とに基づいて前記予測モデルの実行時間を算出する実行時間算出部と、
前記実行時間算出部の算出結果に基づいて前記予測モデルを評価する評価部とを含む、制御装置。 a control calculation unit that executes control calculations for controlling the controlled object;
a predicted value acquisition unit that acquires a predicted value by inputting an actual value consisting of one or more state values among the status values that can be referenced by the control calculation unit into a prediction model;
a predictive model generation unit that generates the predictive model based on a tree-structured learning algorithm;
a prediction model evaluation unit that evaluates the prediction model;
and a storage unit that stores performance information based on the model of the control device,
The predictive model evaluation unit includes:
an extraction unit that extracts features of the generated predictive model;
an execution time calculation unit that calculates an execution time of the prediction model based on the feature amount of the prediction model extracted by the extraction unit and performance information based on the model of the control device stored in the storage unit;
A control device comprising: an evaluation section that evaluates the prediction model based on a calculation result of the execution time calculation section. コンピュータで実行される制御プログラムであって、
前記制御プログラムは、前記コンピュータに、
制御対象を制御するための制御演算を実行するステップと、
前記制御演算を実行するために参照可能な状態値のうち１または複数の状態値からなる実績値を予測モデルに入力することで予測値を取得するステップと、
木構造の学習アルゴリズムに基づく前記予測モデルを生成するステップと、
前記予測モデルを評価するステップとを実行させ、
前記予測モデルを評価するステップは、
生成した予測モデルの特徴量を抽出するステップと、
抽出した前記予測モデルの特徴量と、記憶部に格納された前記制御装置の型式に基づく性能情報とに基づいて前記予測モデルの実行時間を算出するステップと、
前記予測モデルの実行時間の算出結果に基づいて前記予測モデルを評価するステップをと含む、制御プログラム。 A control program executed by a computer,
The control program causes the computer to
a step of executing a control calculation for controlling the controlled object;
obtaining a predicted value by inputting an actual value consisting of one or more state values among the state values that can be referenced in order to execute the control calculation into a prediction model;
generating the predictive model based on a tree-structured learning algorithm;
evaluating the predictive model;
Evaluating the predictive model comprises:
a step of extracting features of the generated predictive model;
calculating the execution time of the predictive model based on the extracted feature amount of the predictive model and performance information based on the model of the control device stored in a storage unit;
A control program comprising: evaluating the prediction model based on a calculation result of the execution time of the prediction model.

Images