JP2024084020A - Information processing device, control system, index value calculation method, and index value calculation program - Google Patents
Information processing device, control system, index value calculation method, and index value calculation program Download PDFInfo
- Publication number
- JP2024084020A JP2024084020A JP2022198177A JP2022198177A JP2024084020A JP 2024084020 A JP2024084020 A JP 2024084020A JP 2022198177 A JP2022198177 A JP 2022198177A JP 2022198177 A JP2022198177 A JP 2022198177A JP 2024084020 A JP2024084020 A JP 2024084020A
- Authority
- JP
- Japan
- Prior art keywords
- input data
- outlier
- machine learning
- data
- index value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 100
- 230000010365 information processing Effects 0.000 title claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 112
- 238000010801 machine learning Methods 0.000 claims abstract description 83
- 230000002159 abnormal effect Effects 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 41
- 238000013075 data extraction Methods 0.000 claims description 15
- 239000000284 extract Substances 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 15
- 238000000034 method Methods 0.000 description 64
- 238000011156 evaluation Methods 0.000 description 40
- 230000008569 process Effects 0.000 description 33
- 238000005457 optimization Methods 0.000 description 16
- 238000010586 diagram Methods 0.000 description 13
- 230000007704 transition Effects 0.000 description 12
- 238000005259 measurement Methods 0.000 description 10
- 230000005856 abnormality Effects 0.000 description 8
- 230000008859 change Effects 0.000 description 7
- 230000007423 decrease Effects 0.000 description 7
- 238000002485 combustion reaction Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 230000003247 decreasing effect Effects 0.000 description 4
- 238000004056 waste incineration Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】機械学習モデルの更新に関する処理を適切に行う。【解決手段】情報処理装置（２）は、訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、機械学習モデルに入力された入力データが外れ値であるか否かを判定する外れ値判定部（２０４）と、当該判定結果に基づき、入力データに対する機械学習モデルの適合性を示す指標値を算出する指標値算出部（２０５）と、を備える。【選択図】図２The present invention relates to an information processing device (2) that appropriately performs processing related to updating a machine learning model. The information processing device (2) includes an outlier determination unit (204) that determines whether input data input to a machine learning model is an outlier using a threshold value for determining whether training data included in a training dataset is an outlier, and an index value calculation unit (205) that calculates an index value indicating the suitability of the machine learning model for the input data based on the determination result. [Selected Figure] Figure 2
Description
本発明は、機械学習モデルの交換や再学習に関する処理を行う情報処理装置等に関する。 The present invention relates to an information processing device that performs processing related to the exchange and re-learning of machine learning models.
様々な分野で機械学習モデルの利用が進められている。例えば、下記の特許文献１には、ごみの焼却を行うと共に、焼却時に発生する熱を利用して発電を行うごみ焼却プラント設備において、機械学習したニューラルネットワークモデルを用いて所定時間後の発生蒸気量を予測することが記載されている。また、同文献には、新たに取得された学習データを用いて新たな機械学習モデルを生成すると共に、当該機械学習モデルの予測精度の評価値を算出し、先の機械学習モデルよりも評価値が高ければ、新たな機械学習モデルの方を使用することも記載されている。
The use of machine learning models is being promoted in various fields. For example, the following
しかしながら、上述のような従来技術おいて、機械学習モデルの予測精度を適切に評価することは難しい。これは、特許文献１の技術を適用する場合、所定時間後に発生蒸気量が低下すると予測されたときには、蒸気量を低下させないようにするための介入制御を行うためである。つまり、発生蒸気量が低下すると予測された後、発生蒸気量が低下しなかった場合には、予測が外れたのか、予測は当たっていたが介入制御により低下を防ぐことができたのかの区別がつかず、それゆえ予測精度の適切な評価が難しい。
However, in the conventional technology described above, it is difficult to properly evaluate the prediction accuracy of the machine learning model. This is because, when applying the technology of
このように、機械学習モデルによる推論結果の正否の検証が難しい場合には、機械学習モデルの交換の必要性や再学習の必要性の判定、あるいは再学習に用いるデータの選別等、機械学習モデルの更新に関する各種処理を適切に行うことが困難になるという問題がある。これは、プラントで使用される予測モデルに限られず、推論結果の正否の検証が難しい事象について推論を行う機械学習モデルを用いる場合に共通して生じる問題点である。 In this way, when it is difficult to verify the accuracy of inference results from a machine learning model, there is a problem in that it becomes difficult to appropriately perform various processes related to updating the machine learning model, such as determining the need to replace the machine learning model or relearn, or selecting data to use for relearning. This is not limited to predictive models used in plants, but is a common problem that arises when using machine learning models that make inferences about phenomena where it is difficult to verify the accuracy of the inference results.
本発明の一態様は、機械学習モデルによる推論結果の正否の検証が難しい場合にも、機械学習モデルの更新に関する処理を適切に行うことを可能にする情報処理装置等を実現することを目的とする。 One aspect of the present invention aims to realize an information processing device or the like that enables appropriate processing related to updating a machine learning model even when it is difficult to verify the accuracy of the inference results from the machine learning model.
上記の課題を解決するために、本発明の一態様に係る情報処理装置は、機械学習モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、前記機械学習モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する外れ値判定部と、前記外れ値判定部の判定結果に基づき、前記入力データに対する前記機械学習モデルの適合性を示す指標値を算出する指標値算出部と、を備える。 In order to solve the above problem, an information processing device according to one aspect of the present invention includes an outlier determination unit that determines whether each of a plurality of input data input to a machine learning model is an outlier using a threshold value for determining whether training data included in a training dataset used to generate the machine learning model is an outlier, and an index value calculation unit that calculates an index value indicating the suitability of the machine learning model for the input data based on the determination result of the outlier determination unit.
また、本発明の他の態様に係る情報処理装置は、上記の課題を解決するために、機械学習モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、前記機械学習モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する外れ値判定部と、前記外れ値判定部の判定結果に応じて前記機械学習モデルの再学習を促す報知部と、を備える。 In addition, in order to solve the above problem, an information processing device according to another aspect of the present invention includes an outlier determination unit that determines whether or not each of a plurality of input data input to the machine learning model is an outlier using a threshold value for determining whether or not the training data included in the training dataset used to generate the machine learning model is an outlier, and a notification unit that prompts the machine learning model to re-learn in response to the determination result of the outlier determination unit.
また、本発明のさらに他の態様に係る情報処理装置は、上記の課題を解決するために、機械学習モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、前記機械学習モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する外れ値判定部と、前記外れ値判定部の判定結果に基づき、複数の前記入力データの中から前記機械学習モデルの再学習に用いるものを抽出する学習用データ抽出部と、を備える。 In addition, in order to solve the above problem, an information processing device according to yet another aspect of the present invention includes an outlier determination unit that determines whether or not each of a plurality of input data items input to the machine learning model is an outlier using a threshold value for determining whether or not the training data included in the training dataset used to generate the machine learning model is an outlier, and a learning data extraction unit that extracts data to be used for re-learning the machine learning model from among the plurality of input data items based on the determination result of the outlier determination unit.
また、本発明のさらに他の態様に係る情報処理装置は、上記の課題を解決するために、機械学習モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、前記機械学習モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する外れ値判定部と、前記外れ値判定部の判定結果に基づいて決定されたタイミングで前記機械学習モデルの再学習を行う学習部と、を備える。 In order to solve the above problem, an information processing device according to yet another aspect of the present invention includes an outlier determination unit that determines whether each of a plurality of input data input to the machine learning model is an outlier using a threshold value for determining whether training data included in a training dataset used to generate the machine learning model is an outlier, and a learning unit that re-learns the machine learning model at a timing determined based on the determination result of the outlier determination unit.
また、本発明の一態様に係る指標値算出方法は、上記の課題を解決するために、少なくとも１つの情報処理装置により実行される指標値算出方法であって、機械学習モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、前記機械学習モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する外れ値判定ステップと、前記外れ値判定ステップにおける判定結果に基づき、前記入力データに対する前記機械学習モデルの適合性を示す指標値を算出する指標値算出ステップと、を含む。 In addition, in order to solve the above problem, an index value calculation method according to one aspect of the present invention is an index value calculation method executed by at least one information processing device, and includes an outlier determination step of determining whether or not each of a plurality of input data input to the machine learning model is an outlier using a threshold value for determining whether or not training data included in a training dataset used to generate the machine learning model is an outlier, and an index value calculation step of calculating an index value indicating the suitability of the machine learning model for the input data based on the determination result in the outlier determination step.
本発明の一態様によれば、機械学習モデルの更新に関する処理を適切に行うことが可能になる。 According to one aspect of the present invention, it becomes possible to appropriately perform processing related to updating a machine learning model.
〔システム概要〕
図１は、本発明の一実施形態に係る制御システム７の概要を示す図である。図示のように、制御システム７には、学習装置１と、情報処理装置２と、情報処理装置３と、制御装置４と、制御対象５とが含まれている。制御システム７は、制御装置４により制御対象５の動作を制御するシステムであり、制御対象５に対する制御は、推論モデルによる推論の結果に基づいて行われる。
[System Overview]
1 is a diagram showing an overview of a
制御対象５は、制御装置４の制御対象であり機器５１を含む。また、制御対象５には計測装置５２が取り付けられている。計測装置５２は、機器５１に関するデータの計測を行うものであり、機器５１や計測したいデータに応じたものを適用すればよい。例えば、機器５１の内部あるいは外部の温度を計測したい場合には、計測装置５２として温度センサを用いればよい。
The controlled object 5 is an object controlled by the control device 4 and includes
制御対象に含まれる機器５１および計測装置５２は、各１つであってもよいし、複数であってもよい。例えば、制御対象５が１つのプラントである場合、機器５１はプラント内の機器である。この場合、計測装置５２は、機器５１に取り付けられていてもよいし、プラント内の他の場所に取り付けられてもよく、プラント外に設置されていてもよい。
The controlled object may include one of each of the
学習装置１は、制御対象５に対する制御の内容を決定するために用いられる推論モデルを生成する。推論モデルは、訓練データを用いた機械学習により生成されるから機械学習モデルと呼ぶこともできる。また、学習装置１は、推論モデルの再学習を行い、当該推論モデルを更新する。なお、機械学習のアルゴリズムは任意であり、使用する訓練データや推論内容等に応じて適当なアルゴリズムを適用すればよい。
The
推論モデルは、制御対象５に対する制御の内容を決定する指針となるような事項についての推論を行うものであればよい。例えば、推論モデルは、制御対象５の将来の稼働状態が正常であるか否かを予測するものであってもよい。また、例えば、推論モデルは、将来の計測装置５２の測定値を予測するものであってもよいし、制御対象５に対する最適な制御の内容を予測するものであってもよい。
The inference model may be one that performs inference on matters that serve as guidelines for determining the content of control for the control object 5. For example, the inference model may predict whether the future operating state of the control object 5 will be normal or not. Also, for example, the inference model may predict future measurement values of the
情報処理装置２は、学習装置１が生成する推論モデルによる推論の際に当該推論モデルに入力された入力データに対する当該推論モデルの適合性を示す指標値を算出する。詳細は後述するが、情報処理装置２は、上記指標値の算出にあたり、推論モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、推論モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する。そして、情報処理装置２は、その判定結果に基づいて上記指標値を算出する。これにより、入力データに対する推論モデルの適合性を的確に判定することが可能になる。この指標値は、学習装置１に推論モデルを更新させるタイミングを決定するために使用される。
The
情報処理装置３は、制御対象５の制御に関するパラメータの最適値の探索を行う。また、情報処理装置３は、制御対象５の制御に関するパラメータの代わりに、あるいは当該パラメータに加えて、推論モデルによる推論に関するパラメータの最適値の探索を行ってもよい。この探索により検出されたパラメータは制御装置４に提供され、制御装置４はこのパラメータを適用して制御対象５に対する制御を行う。
The
詳細は後述するが、情報処理装置３は、推論モデルによる推論および該推論の結果に応じた制御の少なくとも何れかに関する上述のパラメータと、当該制御後の制御対象５の稼働状態との関係を示す関数の予測分布を算出し、算出した予測分布に基づいてパラメータの最適値の候補を探索する。これにより、オペレータの技能に左右されることなくパラメータを適切に設定することが可能になる。
As will be described in detail later, the
制御装置４は、上述の推論モデルを用いて推論を行うと共に、当該推論の結果に基づいて制御対象５に対する制御内容を決定する。具体的には、制御装置４は、データ取得部４１と、推論部４２と、制御内容決定部４３とを備えており、これらの各部により上述の機能が実現される。
The control device 4 performs inference using the above-mentioned inference model, and determines the control content for the control target 5 based on the result of the inference. Specifically, the control device 4 includes a
データ取得部４１は、推論に必要なデータを取得する。例えば、データ取得部４１は、計測装置５２により計測された計測データを取得してもよい。データ取得部４１が取得したデータは、そのままあるいは所定のデータ処理を施した上で、推論モデルの入力データとされる。そして、推論部４２は、上述の推論モデルに上述の入力データを入力し、出力データを得る。
The
制御内容決定部４３は、推論部４２の推論の結果、すなわち上述の出力データに応じた制御内容を決定する。例えば、推論モデルが制御対象５の将来の稼働状態が正常であるか否かを予測するものである場合、制御内容決定部４３は、稼働状態が正常である可能性が高いことを示す出力データが出力されたときには制御内容を従前の内容から変更しないようにしてもよい。一方、制御内容決定部４３は、稼働状態が正常ではない可能性が高いことを示す出力データが出力されたときには、稼働状態を正常にするための制御内容を決定すればよい。制御内容は、情報処理装置３が検出したパラメータに基づいて決定される。
The control
なお、学習装置１が推論モデルを更新したときには、データ取得部４１は更新後の推論モデルを取得し、推論部４２は更新後の推論モデルに入力データを入力することにより出力データを得て、制御内容決定部４３は当該出力データに基づいて制御対象５に対する制御内容を決定する。
When the
以上のように、制御システム７は、訓練データが外れ値であるか否かを判定するための閾値を用いて推論モデルに入力された入力データが外れ値であるか否かを判定し、その判定結果に基づいて、当該入力データに対する推論モデルの適合性を示す指標値を算出する情報処理装置２と、算出された指標値に基づいて決定されたタイミングで推論モデルを更新する学習装置１と、更新後の推論モデルに入力データを入力することにより得られた出力データに基づいて制御対象５に対する制御内容を決定する制御装置４とを含む。このようにして推論モデルが更新されると、情報処理装置２は、更新後の推論モデルに入力された入力データを取得して、当該入力データに対する推論モデルの適合性を示す指標値を算出する。
As described above, the
このように、制御システム７では、推論モデルの再学習および更新と、推論モデルと入力データとの適合性を示す指標値の算出とを繰り返し行うことができる。これにより、適切なタイミングで再学習を行い、制御対象５に対する制御内容が妥当である状態を維持することが可能になる。
In this way, the
また、以上のように、制御システム７は、あるパラメータが適用されている期間における、当該パラメータと制御対象５の稼働状態との関係を示す関数の予測分布を算出し、算出した予測分布に基づいて上記パラメータの最適値の候補を探索する情報処理装置３と、検出された最適値の候補を適用して制御対象５に対する制御を行う制御装置４と、を含む。なお、あるパラメータとは、制御対象５の制御と、推論モデルによる推論との少なくとも何れかに関するパラメータである。
As described above, the
そして、情報処理装置３は、検出された候補が適用されている期間における稼働状態を示す結果データを取得し、当該結果データに基づいて予測分布を更新すると共に、更新後の予測分布に基づいてパラメータの最適値の新たな候補を探索する。これにより、制御システム７では、制御対象５に対する制御を行いながら、パラメータを最適値に近付けていくことができる。
Then, the
〔情報処理装置２の構成〕
図２は、情報処理装置２の要部構成の一例を示すブロック図である。図示のように、情報処理装置２は、情報処理装置２の各部を統括して制御する制御部２０と、情報処理装置２が使用する各種データを記憶する記憶部２１を備えている。また、情報処理装置２は、情報処理装置２が他の装置と通信するための通信部２２、情報処理装置２に対する各種データの入力を受け付ける入力部２３、および情報処理装置２が各種データを出力するための出力部２４を備えている。
[Configuration of information processing device 2]
2 is a block diagram showing an example of a main configuration of the
また、制御部２０には、データ取得部２０１、平均距離算出部２０２、閾値決定部２０３、外れ値判定部２０４、指標値算出部２０５、再学習要否判定部２０６、再現率算出部２０７、および学習用データ抽出部２０８が含まれている。
The
データ取得部２０１は、情報処理装置２で使用する各種データを取得する。例えば、データ取得部２０１は、推論モデルの生成に用いた複数の訓練データを含む訓練データセットや、推論のために推論モデルに入力された入力データを取得する。例えば、データ取得部２０１は、学習装置１から訓練データセットを取得し、制御装置４から入力データを取得してもよい。
The
平均距離算出部２０２は、データ間の平均距離を算出する。具体的には、平均距離算出部２０２は、データ取得部２０１が取得する訓練データセットに含まれる訓練データの１つと、当該訓練データからの距離が最も近い所定数の訓練データのそれぞれとの距離の平均値を算出する処理を、各訓練データについて行う。また、平均距離算出部２０２は、データ取得部２０１が取得する複数の入力データのうちの１つと、当該入力データからの距離が最も近い所定数の他の入力データのそれぞれとの距離の平均値を算出する処理を、各入力データについて行う。
The average
閾値決定部２０３は、データ取得部２０１が取得する訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を決定する。より詳細には、閾値決定部２０３は、訓練データセットに含まれる各訓練データについて、当該訓練データが他の訓練データに対して乖離している程度を示す乖離度を算出し、算出した乖離度のうち所定の順位の乖離度を閾値に決定する。上記乖離度は、例えば、平均距離算出部２０２が各訓練データについて算出する平均値であってもよい。
The
外れ値判定部２０４は、データ取得部２０１が取得する複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する。この判定には、閾値決定部２０３が決定する閾値が用いられる。つまり、外れ値判定部２０４は、閾値決定部２０３が決定する閾値を基準として入力データが外れ値であるか否かを判定する。
The
指標値算出部２０５は、外れ値判定部２０４の判定結果に基づき、入力データに対する推論モデルの適合性を示す指標値を算出する。指標値については後記〔指標値の例〕の項目で説明する。
The index
再学習要否判定部２０６は、指標値算出部２０５が算出する指標値に基づいて推論モデルの再学習の要否を判定する。そして、再学習要否判定部２０６は、推論モデルの再学習が必要と判定したときには、学習装置１に指示して推論モデルの再学習を行わせる。つまり、再学習要否判定部２０６が、再学習が必要と判定したタイミングが、再学習を行うべきタイミングということになり、再学習要否判定部２０６は再学習のタイミングを決定しているともいえる。
The relearning
再現率算出部２０７は、推論モデルに複数の入力データを入力して行った各推論における再現率を算出する。再現率は、真の値が正事例のものの中で、正事例と予測した割合を示す指標である。例えば、状態が正常であるか異常であるかを予測する推論モデルの場合、再現率は、（異常と正しく判定できた件数）／{（異常と正しく判定できた件数）＋（異常を正常と誤判定した件数）}との式で算出することができる。つまり、再現率算出部２０７は、異常と正しく判定できた件数を、異常と正しく判定できた件数と異常を正常と誤判定した件数との和で除することにより、当該判定における再現率を算出する。
The
学習用データ抽出部２０８は、指標値算出部２０５が算出する指標値に基づいてデータ取得部２０１が取得する複数の入力データの中から推論モデルの再学習に用いるものを抽出する。上述のように、指標値算出部２０５が算出する指標値は、外れ値判定部２０４の判定結果に基づいて算出されるから、学習用データ抽出部２０８は、外れ値判定部２０４の判定結果に基づいて再学習に用いる入力データを抽出しているともいえる。
The learning
また、学習用データ抽出部２０８は、再現率算出部２０７が算出する再現率についても考慮して再学習に用いる入力データを抽出してもよい。抽出した入力データは例えば、再学習要否判定部２０６が推論モデルの再学習が必要と判定したときに学習装置１に送信するようにしてもよい。
The learning
以上のように、情報処理装置２は、推論モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、推論モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する外れ値判定部２０４と、外れ値判定部２０４の判定結果に基づき、入力データに対する推論モデルの適合性を示す指標値を算出する指標値算出部２０５と、を備える。
As described above, the
上記の構成によれば、訓練データが外れ値であるか否かを判定するための閾値を用いて推論モデルに入力された入力データが外れ値であるか否かを判定している。この処理では、仮に訓練データセットに含まれていたとすると外れ値と判定されるような入力データ、つまり学習済みの範囲から乖離した入力データが外れ値と判定される。 According to the above configuration, a threshold value for determining whether training data is an outlier is used to determine whether input data input to the inference model is an outlier. In this process, input data that would be determined to be an outlier if it were included in the training data set, that is, input data that deviates from the learned range, is determined to be an outlier.
そして、学習済みの範囲から乖離した入力データの数や割合が増えたとき、入力データに対する推論モデルの適合性は低くなっているといえる。また、このとき、推論モデルの再学習や交換の必要性は高くなっているといえる。よって、上記の判定結果に基づいて指標値を算出する上記の構成によれば妥当な指標値を算出することができる。 When the number or proportion of input data that deviates from the learned range increases, it can be said that the suitability of the inference model for the input data is decreasing. In addition, at this time, it can be said that the need to re-learn or replace the inference model is increasing. Therefore, the above configuration that calculates the index value based on the above judgment result makes it possible to calculate a valid index value.
また、この指標値の算出は、推論モデルによる推論結果を用いることなく行うことができる。このため、上記の構成によれば、推論結果の正否の検証が難しい場合にも妥当な指標値を算出すること、つまり推論に用いた入力データに対する推論モデルの適合性を的確に判定することが可能になる。そして、この指標値を用いることにより、推論モデルの更新に関する各種処理を適切に行うことも可能になる。 Furthermore, this index value can be calculated without using the inference results from the inference model. Therefore, with the above configuration, it is possible to calculate a valid index value even when it is difficult to verify the correctness of the inference result, that is, to accurately determine the suitability of the inference model for the input data used in the inference. Furthermore, by using this index value, it is also possible to appropriately perform various processes related to updating the inference model.
また、以上のように、情報処理装置２は、推論モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、推論モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する外れ値判定部２０４と、外れ値判定部２０４の判定結果に基づき、推論モデルに入力された複数の入力データの中から推論モデルの再学習に用いるものを抽出する学習用データ抽出部２０８とを備えている。
As described above, the
上述のように、学習済みの範囲から乖離した入力データの数や割合が増えたとき、入力データに対する推論モデルの適合性は低くなっているといえる。また、このとき、推論モデルの再学習や交換の必要性は高くなっているといえる。よって、外れ値判定部２０４の判定結果に基づいて推論モデルの再学習に用いる入力データを抽出する上記の構成によれば、再学習用のデータとして妥当なものを抽出することができる。
As described above, when the number or proportion of input data that deviates from the learned range increases, the suitability of the inference model for the input data is decreasing. In addition, at this time, the need to re-learn or replace the inference model is increasing. Therefore, according to the above configuration in which input data to be used for re-learning the inference model is extracted based on the judgment result of the
なお、学習用データ抽出部２０８は、指標値算出部２０５が算出する指標値を用いて入力データを抽出してもよいし、当該指標値は用いず、外れ値判定部２０４の判定結果を用いて入力データを抽出してもよい。つまり、再学習に用いる入力データを抽出するにあたり、指標値算出部２０５を備えていることは必須ではない。
The learning
また、上記の構成によれば、再学習に用いる入力データを抽出にあたり、推論モデルによる推論結果を用いる必要がない。このため、上記の構成によれば、推論結果の正否の検証が難しい場合にも、推論モデルの更新に関する処理である再学習用のデータを抽出する処理を適切に行うことが可能になる。 In addition, with the above configuration, there is no need to use the inference results from the inference model when extracting input data to be used for re-learning. Therefore, with the above configuration, even when it is difficult to verify the accuracy of the inference results, it is possible to appropriately perform the process of extracting data for re-learning, which is a process related to updating the inference model.
〔情報処理装置３の構成〕
図３は、情報処理装置３の要部構成の一例を示すブロック図である。図示のように、情報処理装置３は、情報処理装置２と同様に、制御部３０、記憶部３１、通信部３２、入力部３３、および出力部３４を備えている。情報処理装置３の制御部３０には、データ取得部３０１、評価値算出部３０２、予測分布算出部３０３、探索部３０４、最適化制御部３０５、および表示制御部３０６が含まれている。
[Configuration of information processing device 3]
3 is a block diagram showing an example of a main configuration of the
データ取得部３０１は、情報処理装置３において使用される各種データを取得する。具体的には、データ取得部３０１は、情報処理装置３（より正確には探索部３０４）が検出したパラメータを適用した制御が行われた期間における制御対象５の稼働状態を示す結果データを取得する。例えば、データ取得部３０１は、当該期間における計測装置５２の計測データを結果データとして取得してもよい。
The
評価値算出部３０２は、データ取得部３０１が取得する結果データを用いて、制御対象５の稼働状態を評価した評価値を算出する。評価値は、制御対象５の稼働状態の良し悪しを表すものであればよい。なお、この評価値は、適用したパラメータの良し悪しを表しているともいえる。
The evaluation
例えば、制御システム７において、制御対象５の将来の稼働状態を示す値を予測する推論モデルを用い、制御対象５の稼働状態が正常である状態を維持する制御を行う場合、評価値算出部３０２は、異常時間率を評価値としてもよい。異常時間率は、制御対象５の稼働時間に対する、制御対象５の稼働状態が異常であった時間の比である。制御対象５の稼働状態が異常であるか正常であるかはデータ取得部３０１が取得する結果データに基づいて判定することができる。
For example, in the
予測分布算出部３０３は、上述のパラメータと、当該パラメータが適用されている期間における制御対象５の稼働状態との関係を示す関数の予測分布を算出する。制御対象５の稼働状態は、評価値算出部３０２の算出する評価値により表される。例えば、評価値算出部３０２が異常時間率を算出する場合、予測分布算出部３０３は、制御対象５の稼働状態を示す情報として異常時間率を用いる。この場合、異常時間率を低くすることができるような値にパラメータを設定することが可能になる。なお、評価値算出部３０２に評価値を算出させる代わりに、当該評価値を、入力部３３等を介して入力するようにし、評価値算出部３０２を省略してもよい。
The predictive
探索部３０４は、予測分布算出部３０３が算出する予測分布に基づいてパラメータの最適値の候補を探索する。なお、予測分布の算出方法と候補の探索方法については後記〔予測分布の算出方法と最適値の候補の探索方法の詳細〕の項目で説明する。
The
最適化制御部３０５は、予測分布算出部３０３と探索部３０４によるパラメータの最適化に関する制御を行う。例えば、最適化制御部３０５は、所定の条件を満たした場合に、予測分布算出部３０３と探索部３０４に最適化を終了させる制御を行う。
The
表示制御部３０６は、探索部３０４が検出した候補を表示装置に表示出力させる。表示装置は情報処理装置３が備えているものであってもよい。例えば、出力部３４が表示装置である場合、表示制御部３０６は、探索部３０４が検出した候補を出力部３４に表示出力させてもよい。また、表示制御部３０６は、情報処理装置３に接続されている表示装置に表示出力させてもよいし、通信部３２を介して通信可能な他の装置を介して当該装置に接続された表示装置に表示出力させてもよい。
The
以上のように、情報処理装置３は、上述のパラメータと当該パラメータが適用されている期間における制御対象５の稼働状態との関係を示す関数の予測分布を算出する予測分布算出部３０３と、算出された予測分布に基づいてパラメータの最適値の候補を探索する探索部３０４と、を備える。
As described above, the
上記の構成によれば、当該パラメータと稼働状態との関係を定式化することが難しい場合であっても、妥当なパラメータを検出することが可能になる。よって、上記の構成によれば、推論モデルによる推論の結果に応じて所定の制御対象に対する制御を行う制御システム７において、個人の技能に左右されることなくパラメータを適切に設定することが可能になる。
The above configuration makes it possible to detect appropriate parameters even when it is difficult to formulate the relationship between the parameters and the operating state. Therefore, the above configuration makes it possible to appropriately set parameters without being influenced by individual skills in a
また、予測分布算出部３０３は、探索部３０４が検出した候補と、当該候補が適用されている期間における制御対象５の稼働状態とに基づいて予測分布を更新する。そして、探索部３０４は、更新後の予測分布に基づいてパラメータの最適値の新たな候補を探索する。
The predictive
この構成によれば、先に検出した最適値の候補を適用したときの稼働状態を踏まえて、最適値の新たな候補を探索するから、より妥当性の高い候補を検出することが可能になる。また、例えば季節変動や経年変化により制御対象の状態が変化した場合であっても、変化後の状態に適合した候補を検出することが可能になる。なお、この構成ではある程度のトライアンドエラーが発生し得るが、その回数は必要最小限に抑えられる。 With this configuration, a new candidate for the optimal value is searched for based on the operating state when the previously detected candidate for the optimal value is applied, making it possible to detect a candidate with a higher degree of validity. Furthermore, even if the state of the controlled object changes due to seasonal fluctuations or aging, for example, it is possible to detect a candidate that matches the changed state. Note that although a certain amount of trial and error may occur with this configuration, the number of such trials is kept to a necessary minimum.
〔閾値の決定方法と、外れ値であるか否かの判定方法〕
図４は、閾値の決定方法と入力データが外れ値であるか否かの判定方法を説明する図である。本項目では、図４に基づいて、閾値決定部２０３による閾値の決定方法と、外れ値判定部２０４による外れ値であるか否かの判定方法について説明する。
[Method of determining threshold and method of determining whether or not a value is an outlier]
4 is a diagram for explaining a method for determining a threshold and a method for determining whether input data is an outlier. In this section, a method for determining a threshold by the
閾値決定部２０３は、推論モデルの機械学習に用いた訓練データセットを用いて閾値を決定する。閾値の決定にあたり、平均距離算出部２０２が、訓練データセットに含まれる訓練データの１つと、当該訓練データからの距離が最も近い所定数の訓練データのそれぞれとの距離の平均値を算出する処理を、各訓練データについて行う。上述のように、このようにして算出される平均値は、各訓練データが他の訓練データに対して乖離している程度を示すものであり、乖離度と呼ぶこともできる。
The
図４の左側には、訓練データセットに含まれる各訓練データの特徴空間におけるプロットを示している。例えば、上述の所定数を５としたとする。この場合、平均距離算出部２０２は、訓練データの１つであるデータＤ１について、当該特徴空間内においてデータＤ１から距離が最も近い５つの訓練データのそれぞれとデータＤ１との距離を算出し、それらの平均値を算出する。同様に、平均距離算出部２０２は、データＤ２についても、データＤ２から距離が最も近い５つの訓練データのそれぞれとデータＤ２との距離の平均値を算出する。平均距離算出部２０２は、このような処理を訓練データセットに含まれる各訓練データについて行う。これらの処理は、データ分類の一手法であるｋ近傍法で行われる処理と同様の処理である。
The left side of FIG. 4 shows plots in the feature space of each training data included in the training dataset. For example, assume that the above-mentioned predetermined number is 5. In this case, for data D1, which is one of the training data, the average
次に、閾値決定部２０３が、上述のようにして算出された平均値をその大きさの昇順に並べ、順位が所定の順位となる平均値を求め、当該平均値を閾値に決定する。算出された平均値が大きい値の訓練データほど、他の訓練データから乖離しており、訓練データセットの全体からみて外れ値である可能性が高いといえる。例えば、図４に示されるデータＤ２について算出される平均値は、データＤ１について算出される平均値よりも大きいため、データＤ２はデータＤ１よりも外れ値である可能性が高いといえる。
Next, the
所定の順位は適宜設定すればよく、どのような値に設定するかは特に限定されない。例えば、訓練データセットにおける所定の割合の訓練データが当該順位より上位になるように所定の順位を設定してもよい。具体例を挙げれば、９６％の訓練データが当該順位より上位になるようにする場合、（訓練データの総数）×０．９６の値が所定の順位となる。この場合、訓練データの４％が外れ値となる。 The predetermined rank may be set as appropriate, and there is no particular limit to what value it is set to. For example, the predetermined rank may be set so that a predetermined percentage of training data in the training data set is ranked higher than the predetermined rank. To give a specific example, if 96% of the training data is to be ranked higher than the predetermined rank, the value of (total number of training data) x 0.96 becomes the predetermined rank. In this case, 4% of the training data will be outliers.
一方、図４の右側には、推論モデルに入力された各入力データの特徴空間におけるプロットを示している。以下では、外れ値判定部２０４による外れ値であるか否かの判定方法について説明する。
On the other hand, the right side of Figure 4 shows plots in the feature space of each piece of input data input to the inference model. Below, we will explain how the
外れ値判定部２０４は、以上のようにして決定された閾値を用いて、推論モデルに入力された入力データが外れ値であるか否かを判定する。外れ値であるか否かの判定においても、まず、平均距離算出部２０２による平均値の算出が行われる。より詳細には、平均距離算出部２０２は、入力データの１つと、当該入力データからの距離が最も近い所定数の入力データのそれぞれとの距離の平均値を算出する処理を、各入力データについて行う。平均距離算出部２０２により算出される平均値は、各入力データが他の入力データに対して乖離している程度を示しており、乖離度と呼ぶこともできる。
The
図４の右側の例においても、同図の左側の例と同様に所定数は５である。この場合、平均距離算出部２０２は、入力データの１つであるデータｄ１について、特徴空間内においてデータｄ１から距離が最も近い５つの入力データのそれぞれとデータｄ１との距離を算出し、それらの平均値を算出する。
In the example on the right side of FIG. 4, the predetermined number is 5, as in the example on the left side of the same figure. In this case, for data d1, which is one of the input data, the average
そして、外れ値判定部２０４は、算出された平均値と、閾値決定部２０３が決定した閾値とを比較し、それらの大小関係に基づいてデータｄ１が外れ値であるか否かを判定する。例えば、外れ値判定部２０４は、図示のように、データｄ１について算出された平均値が閾値以上であった場合に、データｄ１を外れ値と判定してもよい。同様にして外れ値判定部２０４は、他の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する。
The
なお、外れ値の検方法は上述の例に限られない。例えば、ＬＯＦ（Local Outlier Factor）により外れ値を検出してもよい。この場合、閾値決定部２０３は、局所密度の閾値を決定し、外れ値判定部２０４は、局所密度が当該閾値以下である入力データを外れ値と判定すればよい。また、例えば、ホテリング理論により外れ値を検出してもよい。この場合、閾値決定部２０３は、異常度の閾値を決定し、外れ値判定部２０４は、異常度が当該閾値以上である入力データを外れ値と判定すればよい。
Note that the method of detecting outliers is not limited to the above example. For example, outliers may be detected by LOF (Local Outlier Factor). In this case, the
以上のように、閾値決定部２０３は、訓練データセットに含まれる各訓練データについて、当該訓練データが他の訓練データに対して乖離している程度を示す乖離度を算出し、算出した乖離度のうち所定の順位の乖離度を閾値に決定してもよい。そして、外れ値判定部２０４は、複数の入力データに含まれる各入力データについて算出された、当該入力データが他の入力データに対して乖離している程度を示す乖離度を、閾値決定部２０３が決定した閾値と比較することにより、各入力データが外れ値であるか否かを判定してもよい。
As described above, the
上記の判定により外れ値と判定される入力データの数が増えた場合、推論に用いた入力データの特徴が、訓練データの特徴とは異なるものに変化したといえる。よって、上記の構成によれば、入力データに対する推論モデルの適合性を的確に判定することが可能になる。 If the number of input data items determined to be outliers increases, it can be said that the characteristics of the input data used for inference have changed to be different from the characteristics of the training data. Therefore, with the above configuration, it becomes possible to accurately determine the suitability of the inference model for the input data.
なお、外れ値の検出方法と同様に、乖離度の算出方法も特に限定されない。例えば、上述のように近傍の所定数のデータからの平均距離を乖離度としてもよい。この場合、当該距離は、例えばユークリッド距離であってもよいし、マンハッタン距離やマハラノビス距離等の他の距離であってもよい。また、例えば、ホテリング理論における異常度を乖離度としてもよいし、ＬＯＦで用いられる局所密度を乖離度としてもよい。 As with the method of detecting outliers, the method of calculating the deviation is not particularly limited. For example, as described above, the deviation may be the average distance from a certain number of nearby data. In this case, the distance may be, for example, the Euclidean distance, or other distances such as the Manhattan distance or the Mahalanobis distance. In addition, for example, the degree of anomaly in the Hotelling theory may be used as the deviation, or the local density used in LOF may be used as the deviation.
〔指標値の例〕
指標値算出部２０５が算出する指標値は、入力データに対する推論モデルの適合性を示すものであればよい。例えば、指標値算出部２０５は、所定期間に外れ値判定部２０４が外れ値と判定した入力データの総数を上記指標値としてもよい。例えば、制御対象５を毎日稼働させる場合に、一日のうちに推論に用いられた複数の入力データのそれぞれについて当該入力データが外れ値であるか否かが判定されたとする。この場合、指標値算出部２０５は、外れ値であると判定された入力データの総数を、その日の終了時点における推論モデルの適合性を示す指標値として算出してもよい。
[Examples of index values]
The index value calculated by the index
また、例えば、指標値算出部２０５は、外れ値判定部２０４が外れ値と判定した入力データの数を用いて指標値を算出してもよい。例えば、指標値算出部２０５は、所定期間に計測装置５２で計測された入力データのうち、外れ値判定部２０４が外れ値と判定した入力データの割合を指標値として算出してもよい。
For example, the index
また、推論モデルが、所定の対象（例えば制御対象５）に関する入力データから、当該対象の将来の状態が正常であるか異常であるかを予測するモデルである場合、指標値算出部２０５は、外れ値であると判定された入力データのうち、当該入力データを用いた予測後に上記対象の状態が異常であった入力データの数または当該入力データの数を用いて算出される値を指標値として算出してもよい。
In addition, when the inference model is a model that predicts whether the future state of a specified object (e.g., a controlled object 5) will be normal or abnormal based on input data related to the object, the index
外れ値であると判定された入力データは、入力データを用いた予測後に対象の状態が異常であったものと正常であったものとに分類することができる。このうち、予測後に対象の状態が異常であったものについては、異常という状態に応じた特徴が含まれているといえる。 Input data that is determined to be an outlier can be classified into those in which the target state was abnormal after prediction using the input data and those in which the target state was normal. Of these, those in which the target state was abnormal after prediction can be said to contain characteristics corresponding to an abnormal state.
一般に正常という状態は変わらないが、異常という状態には多様性があるから、異常という状態に応じた特徴が含まれている入力データに外れ値が多いときには、異常という状態が学習時から変化した可能性があり、再学習の必要性が高いといえる。よって、上記の構成によれば、異常という状態の性質が変化することを考慮した妥当な指標値を算出することができる。 Generally, the normal state does not change, but the abnormal state varies widely. Therefore, when there are many outliers in input data that contains characteristics corresponding to the abnormal state, it is possible that the abnormal state has changed since learning, and re-learning is highly necessary. Therefore, with the above configuration, it is possible to calculate an appropriate index value that takes into account the changing nature of the abnormal state.
〔再現率を考慮した再学習要否の判定〕
上述のように、推論モデルは、所定の対象に関する入力データから、当該対象の将来の状態が正常であるか異常であるかを予測するモデルであってもよい。この場合、異常である状態を見逃すつまり実際には異常であるのに正常と判定してしまう可能性を低減するという観点から、推論モデルの精度は再現率で評価することが好ましい。
[Determining whether or not re-learning is necessary, taking recall into account]
As described above, the inference model may be a model that predicts whether a future state of a given object is normal or abnormal based on input data about the object. In this case, it is preferable to evaluate the accuracy of the inference model using the recall rate in order to reduce the possibility of overlooking an abnormal state, that is, of determining an abnormal state as normal when it is actually abnormal.
上記のような推論モデルの推論結果の正否の検証は難しい場合があるが、再現率を単体で利用するのではなく、指標値算出部２０５が算出する指標値と共に利用することにより、効果的な再学習が可能になる。
Although it may be difficult to verify the accuracy of the inference results of the inference model described above, by using the recall rate together with the index value calculated by the index
これについて、図５に基づいて説明する。図５は、廃棄物を焼却することにより発生した熱を利用して発電を行う廃棄物焼却発電プラントにおいて、指標値算出部２０５が算出した指標値と再現率の遷移を示す図である。つまり、ここでは制御対象５が廃棄物焼却発電プラントである例を示している。なお、指標値は、１日あたりの外れ値と判定された入力データの総数である。また、同図には、上記廃棄物焼却発電プラントにおける蒸気量の設定値の遷移についても併せて示している。同図の横軸は時間（日）であり、縦軸の値は０～１の値に正規化したものである。
This will be explained with reference to Figure 5. Figure 5 is a diagram showing the transition of the index value calculated by the index
図５において、円Ｃ１で示した期間では、再現率は高い水準で推移している。一方、指標値については、直近まで低い水準であった値が急増し、その後、高い水準で推移している。指標値の急増の直前に設定値が大きい値に変化していることから、指標値の急増の原因は設定値が変更されて入力データの特徴が変化したことにあると考えられる。 In Figure 5, during the period indicated by circle C1, the recall rate remains at a high level. Meanwhile, the index value, which had been at a low level until recently, suddenly increased and has since remained at a high level. Since the setting value changed to a large value immediately before the sudden increase in the index value, it is believed that the cause of the sudden increase in the index value is that the setting value was changed, resulting in a change in the characteristics of the input data.
一方、円Ｃ２で示した期間では、設定値に大きな変化がないにもかかわらず、指標値が増加し、再現率が低下している。この期間においては、設定値の変更以外の要因により、外れ値と判定された入力データが増えると共に、再現率が低下したと考えられる。このように指標値が増加し、かつ再現率が低下している期間は、推論モデルが異常と正常を分類する能力が低い期間であるといえる。 On the other hand, in the period indicated by circle C2, the index value increases and the recall rate decreases, even though there is no significant change in the setting value. During this period, it is believed that the input data determined to be outliers increased and the recall rate decreased due to factors other than the change in the setting value. A period in which the index value increases and the recall rate decreases in this way can be said to be a period in which the inference model has a low ability to classify normal from abnormal.
このように、所定の対象に関する入力データから、当該対象の将来の状態が正常であるか異常であるかを予測する推論モデルを用いる場合、再現率算出部２０７は、推論モデルに複数の入力データを入力して行った予測における再現率、すなわち、異常と正しく判定できた件数を、異常と正しく判定できた件数と異常を正常と誤判定した件数との和で除した値を算出してもよい。
In this way, when an inference model is used that predicts whether the future state of a specific target is normal or abnormal based on input data about the target, the
再現率が低下している期間は、推論モデルによる正常であるか異常であるかの予測の精度が低下している期間であるといえるから、再現率は、推論モデルが異常と正常を分類する能力の高低を示す指標として利用できると考えられる。しかし、再現率の算出に用いられる、異常と正しく判定できた件数と異常を正常と誤判定した件数は、推論モデルの予測結果に基づく介入制御やオペレータの操作等の影響を受けるため、再現率を絶対的な評価指標とすることは好ましくない。一方で、上述の指標値を用いれば、使用された入力データが未学習の傾向を持つ期間を特定することが可能である。 A period in which recall is declining can be said to be a period in which the accuracy of the inference model's predictions of whether something is normal or abnormal is declining, so recall can be used as an index showing the level of the inference model's ability to classify normal from abnormal. However, the number of cases that were correctly determined to be abnormal and the number of cases that were erroneously determined to be normal, which are used to calculate recall, are affected by intervention control based on the prediction results of the inference model and operator operations, so it is not desirable to use recall as an absolute evaluation index. On the other hand, by using the above-mentioned index value, it is possible to identify periods in which the input data used tends to be unlearned.
このため、学習用データ抽出部２０８は、再現率算出部２０７が算出する再現率と、指標値算出部２０５が算出する指標値とに基づいて、複数の入力データの中から推論モデルの再学習に用いるものを抽出してもよい。これにより、特に学習すべき期間（入力データが未学習の傾向を持ち、かつ回避すべき異常となってしまった期間）を推定することができ、効率よく学習すべきデータ期間を特定し、当該期間の入力データを再学習用のデータとして抽出することができる。例えば、図５の例において、取得された入力データのうち、円Ｃ２で示した期間の入力データを用いて効果的な再学習を行うこともできる。
Therefore, the learning
〔予測分布の算出方法と最適値の候補の探索方法の詳細〕
予測分布算出部３０３による予測分布の算出方法（更新も含む）の詳細と、探索部３０４による最適値の候補の探索方法の詳細を以下説明する。なお、以下の説明は、ベイズ最適化における予測分布の算出方法と探索方法に関するものである。ただし、予測分布を用いて最適値の候補を探索するものであれば、以下の説明に係る方法以外の方法を適用することも可能である。
[Details of how to calculate the predictive distribution and how to search for optimal value candidates]
The details of the method of calculating the predictive distribution (including updating) by the predictive
最適化の対象とするパラメータがＮ個ある場合、それらの制御パラメータは、 When there are N parameters to be optimized, the control parameters are:
と表され、
それに対する評価値は、
It is expressed as
The evaluation value for this is
と表される。 This is expressed as:
予測分布算出部３０３は、データ取得部３０１が取得する結果データに基づいて、最適化の対象とするパラメータと制御後における制御対象の稼働状態との関係を示す関数の予測分布を算出する。なお、この関数を以下では評価関数ｆ（θ）と呼ぶ。また、新たな結果データ（例えば、探索部３０４が検出した候補を適用した制御の結果を示す結果データ）が取得されたときには、予測分布算出部３０３は、その結果データが反映されるように予測分布を更新する。
The predictive
パラメータと稼働状態との関係を、ガウスノイズεｎ～Ν（０，β）を用いて The relationship between the parameters and the operating state is expressed as Gaussian noise ε n ∼N(0, β).
と仮定すると、ガウス過程による評価関数の予測分布として以下の分布が得られる。 Assuming this, we obtain the following distribution as the predictive distribution of the evaluation function using a Gaussian process.
ここで、ｋ＊＝ｋ（θ，θ）であり、ＫΘは［ＫΘ］ｉ，ｊ＝ｋ（θｉ，θｊ）で得られるグラム行列である。また、 Here, k * =k(θ,θ) and K Θ is the Gram matrix obtained by [K Θ ] i,j =k(θ i ,θ j ).
である。ｋΘ，＊は、［ｋΘ，＊］ｉ＝ｋ（θｉ，θ）の縦ベクトルであり、ｋ（・，・）は、カーネル関数である。ここではカーネル関数のパラメータをαｋとする。 k Θ,* is a column vector of [k Θ,* ] i =k(θ i ,θ), and k(·,·) is a kernel function. Here, the parameter of the kernel function is α k .
平均関数μ（θ）は、結果データ（および当該結果データから評価値算出部３０２が算出した評価値）から予測される評価関数の平均値を示す。また、分散関数σ（θ）は、結果データ（および当該結果データから評価値算出部３０２が算出した評価値）から予測される評価関数の分散である。σ（θ）は、予測の不確実性を示し、結果データが不足している領域ではその値が大きくなる傾向がある。σが大きいと、予測が不確実であるといえ、予測の確実性を上げるために必要な結果データが不足しているといえる。数式（３）から明らかなように、分散関数σ（θ）に含まれるカーネル関数およびカーネル関数のパラメータαｋは、予測分布の算出に影響を与える。予測分布の算出の際には、パラメータαｋの最適化が行われる。最適化の方法は特に限定されず、例えば一般的なベイズ最適化で適用されている各種の最適化手法を適用することもできる。
The average function μ(θ) indicates the average value of the evaluation function predicted from the result data (and the evaluation value calculated by the evaluation
探索部３０４は、最適な制御パラメータを求めるために、最適な制御パラメータの候補を探索する。具体的には、探索部３０４は、後記数式（４）、（５）に示されるように、平均関数μ（θ）と分散関数σ（θ）を用いて獲得関数ａ（θ）を最大にするパラメータを探索する。この探索で検出されたパラメータが、最適なパラメータの候補となる。この探索は、ＵＣＢ（Upper Confidence Bound）戦略に基づいている。
The
数式（５）におけるκは探索と利用を調節するためのパラメータである。受付部１０４が、フィードバック制御の結果が既知の値の周辺と、フィードバック制御の結果が未知の範囲と、の何れを重視して探索を行うかの選択を受け付けた場合、探索部３０４は、κを受け付けた選択に応じた値に設定し、候補の探索を行う。
In formula (5), κ is a parameter for adjusting search and utilization. When the reception unit 104 receives a selection of whether to place emphasis on the search in the vicinity of a value where the feedback control result is known or in the range where the feedback control result is unknown, the
無論、他の方法で新たなパラメータを探索することも可能である。例えば、ＰＩ（Probability of Improvement）戦略や、ＥＩ（Expected Improvement）戦略で最適なパラメータの候補を探索してもよい。この他にも、例えば、ＰＴＲ（Probability in Target Range）あるいはＭＩ（Mutual Information）等の戦略を適用し、各戦略に応じた獲得関数を用いて最適なパラメータの候補を探索してもよい。 Of course, it is also possible to search for new parameters using other methods. For example, optimal parameter candidates may be searched for using a PI (Probability of Improvement) strategy or an EI (Expected Improvement) strategy. In addition, optimal parameter candidates may be searched for using an acquisition function corresponding to each strategy, for example, by applying a strategy such as PTR (Probability in Target Range) or MI (Mutual Information).
なお、評価関数の値を最小化するパラメータを最適なパラメータとして求める場合（例えば稼働状態を示す情報として異常時間率を用いる場合等）には、獲得関数ａ（θ）を最小にするパラメータを探索すればよい。 When determining the optimal parameters as those that minimize the value of the evaluation function (for example, when using the abnormal time rate as information indicating the operating state), it is sufficient to search for parameters that minimize the acquisition function a(θ).
探索部３０４が検出したパラメータの最適値の候補は、表示制御部３０６が表示装置に表示させる等により情報処理装置３のオペレータに提示されてもよい。そして、制御装置４によりその候補を適用した制御対象５に対する制御が開始され、当該制御が行われた期間に計測装置５２により計測された計測データが制御装置４に取得され、蓄積される。そして、蓄積された計測データには適用されたパラメータが対応付けられ、新たな結果データとして情報処理装置３に入力される。
The candidate optimal values for the parameters detected by the
そして、予測分布算出部３０３は、新たな結果データに基づいて予測分布を更新し、探索部３０４は、予測分布算出部３０３による更新後の予測分布に基づいて構成される評価関数に基づき、パラメータの最適値を探索する。このように、予測分布の更新と最適値の探索とを繰り返すことにより、最適なパラメータを検出することが可能になる。
Then, the predictive
〔表示画面例（結果表示）〕
表示制御部３０６は、例えば図６のような表示画面を表示させて探索の結果をオペレータに提示してもよい。図６は、探索結果の表示画面の例を示す図である。より詳細には、図６は、探索するパラメータに含まれる要素ａ～ｄのそれぞれについて検出された候補の履歴を平行座標上に示した図である。
[Display screen example (result display)]
The
このように、探索するパラメータには、複数の要素が含まれていてもよく、これにより複数の要素を並行して最適化することができる。例えば、上述の焼却発電プラントが制御対象５である場合、上記要素ａ～ｄは、自動燃焼制御に関する各種制御パラメータとしてもよい。自動燃焼制御に関する制御パラメータとしては、例えば、燃焼速度の調整、乾燥空気の供給流量の調整、燃焼空気の供給流量の調整、燃焼空気の温度の調整、および焼却する廃棄物層の高さの調整に関するパラメータ等が挙げられる。 In this way, the parameters to be searched may include multiple elements, which allows multiple elements to be optimized in parallel. For example, if the above-mentioned incineration power plant is the control object 5, the above elements a to d may be various control parameters related to automatic combustion control. Examples of control parameters related to automatic combustion control include parameters related to adjustment of the combustion speed, adjustment of the dry air supply flow rate, adjustment of the combustion air supply flow rate, adjustment of the combustion air temperature, and adjustment of the height of the waste layer to be incinerated.
また、探索するパラメータには、例えば、推論モデルの推論の結果に応じた、制御対象５に対する制御の内容と制御量とを示すものが含まれていてもよい。これにより、推論モデルによる推論の結果に応じて制御の内容と制御量を適切に設定することが可能になる。 The parameters to be searched may also include, for example, parameters indicating the content and amount of control of the control target 5 according to the result of inference by the inference model. This makes it possible to appropriately set the content and amount of control according to the result of inference by the inference model.
また、探索するパラメータには、制御対象５に対する制御の内容と制御量とを示す上記パラメータに加え、推論モデルによる推論に用いられる推論用パラメータが含まれていてもよい。この場合、探索部３０４は、予測分布算出部３０３が算出する予測分布に基づいて、制御対象５に対する制御の内容と制御量の最適値の候補と、推論用パラメータの最適値の候補の両方を探索する。
The parameters to be searched may include, in addition to the above parameters indicating the content and amount of control over the control object 5, inference parameters used for inference by the inference model. In this case, the
なお、推論用パラメータは、例えば、推論モデルがニューラルネットワークモデルである場合には、学習により求められる重み値のようなハイパーパラメータであってもよい。また、推論モデルが、複数の機械学習モデルの推論結果をアンサンブルして最終的な推論結果を出力するものである場合、上記推論用パラメータを、アンサンブル比（各推論結果に対する重み）としてもよい。 In addition, when the inference model is a neural network model, the inference parameters may be hyperparameters such as weight values obtained by learning. In addition, when the inference model is an ensemble of inference results of multiple machine learning models to output a final inference result, the inference parameters may be ensemble ratios (weights for each inference result).
制御対象５の稼働状態は、推論モデルによる推論の結果や、その結果に応じた介入制御等の影響を受ける。このため、制御対象５に対する制御の内容と制御量の最適値と、推論用パラメータの最適値とを個別に算出した場合、全体として最適なパラメータの組み合わせとならない場合がある。この点、上記の構成によれば、制御対象５に対する制御の内容と制御量の最適値と、推論用パラメータの最適値の両方を探索するから、全体として最適なパラメータの組み合わせを検出することが可能になる。 The operating state of the control object 5 is affected by the results of inference using the inference model and intervention control based on those results. For this reason, if the optimal values of the control content and control amount for the control object 5 and the optimal values of the inference parameters are calculated separately, the overall optimal parameter combination may not be obtained. In this regard, with the above configuration, both the optimal values of the control content and control amount for the control object 5 and the optimal values of the inference parameters are searched for, making it possible to detect the overall optimal parameter combination.
また、制御対象５の将来の状態が正常であるか異常であるかを予測する推論モデルを用いる場合、当該推論モデルの出力値は、正常である確率および／または異常である確率を示すものとなる。このため、制御装置４において、制御内容決定部４３が、正常であるか異常であるかに応じた制御内容を決定するためには、上記の確率についての閾値を用いて、正常であるか異常であるかを判定する必要がある。
In addition, when an inference model is used to predict whether the future state of the control target 5 is normal or abnormal, the output value of the inference model indicates the probability of normality and/or the probability of abnormality. Therefore, in order for the control
そして、上記閾値をどのような値に設定するかは、状況に応じた妥当な制御内容を決定するために重要であるから、上記要素ａ～ｄには、制御対象５の将来の状態が正常であるか異常であるかを判定する当該閾値が含まれていてもよい。これにより、正常であるか異常であるかを適切に判定し、その判定結果に応じた妥当な制御を行うことが可能になる。なお、最適化するパラメータに含まれる要素の数は任意であり、また、各要素の内容も上記の例に限られない。 Then, since what value the above threshold is set to is important in determining appropriate control content according to the situation, the above elements a to d may include a threshold for determining whether the future state of the control target 5 is normal or abnormal. This makes it possible to properly determine whether it is normal or abnormal, and to perform appropriate control according to the determination result. Note that the number of elements included in the parameters to be optimized is arbitrary, and the contents of each element are not limited to the above example.
ここで図６の説明に戻る。図６に示す平行座標は、縦軸がパラメータに含まれる各要素の値である。そして、当該平行座標上に、１回の探索で検出されたパラメータに含まれる要素を折れ線で結んだグラフを図示している。つまり、折れ線と縦軸との交点が各要素の値を示している。このようなグラフは並行座標プロットと呼ばれる。図６に示す並行座標プロットは、探索部３０４による各探索で検出された候補の値の遷移を示しており、遷移情報と呼ぶことができる。
Now, let us return to the explanation of FIG. 6. In the parallel coordinate system shown in FIG. 6, the vertical axis represents the value of each element included in the parameters. A graph is then shown on the parallel coordinate system, with broken lines connecting the elements included in the parameters detected in one search. In other words, the intersections of the broken lines and the vertical axis represent the values of each element. Such a graph is called a parallel coordinate plot. The parallel coordinate plot shown in FIG. 6 shows the transition of the values of the candidates detected in each search by the
このように、表示制御部３０６は、探索部３０４による各探索で検出された候補の値の遷移を示す遷移情報を表示してもよい。これにより、パラメータの最適値の候補が、探索を重ねることによりどのように遷移したかをオペレータに容易に認識させ、最適化が正常に進んでいるかを確認させることができる。
In this way, the
特に、最適化の対象とするパラメータが複数の要素を含んでいる場合、表示制御部３０６は、平行座標プロットすなわち各探索において検出された候補の値を要素ごとに示すグラフを平行座標上に表示してもよい。これにより、パラメータに含まれる各要素について検出された各候補が、探索を重ねることによりどのように変化したかをオペレータに容易に認識させ、最適化が正常に進んでいるかを確認させることができる。
In particular, when the parameters to be optimized include multiple elements, the
なお、平行座標プロットは遷移情報の表示態様の一例に過ぎず、遷移情報の表示態様は任意である。例えば、表示制御部３０６は、探索部３０４による各探索で検出された候補の値の遷移を示すパラレルセットグラフ、等高線プロット、あるいはコレログラフ等を遷移情報として表示してもよい。
Note that the parallel coordinate plot is merely one example of a display form of the transition information, and the display form of the transition information is arbitrary. For example, the
また、図６の例において、折れ線グラフを構成する線分には、実線のものと、破線のものと、一点鎖線のものとがある。これらの線分のパターンは、当該線分上の各要素の値を適用して制御対象５の制御を行った後の制御対象５の稼働状態に応じたものとなっている。具体的には、異常時間率が第１の閾値未満であったときの要素を結ぶ線分は実線、異常時間率が第１の閾値以上、第２の閾値未満であったときの要素を結ぶ線分は一点鎖線、異常時間率が第２の閾値以上であったときの要素を結ぶ線分は破線となっている。 In the example of FIG. 6, the line segments constituting the line graph include solid lines, dashed lines, and dashed lines. The patterns of these lines correspond to the operating state of the control object 5 after the control object 5 is controlled by applying the values of each element on the line. Specifically, the line segments connecting elements when the abnormal time rate is less than the first threshold are solid lines, the line segments connecting elements when the abnormal time rate is equal to or greater than the first threshold and less than the second threshold are dashed lines, and the line segments connecting elements when the abnormal time rate is equal to or greater than the second threshold are dashed lines.
このように、表示制御部３０６は、検出された候補を適用して制御対象５の制御を行った後の制御対象５の稼働状態に応じて遷移情報に含まれる各候補の値の表示態様を異ならせてもよい。これにより、各候補の良し悪しを容易に認識させることができる。なお、稼働状態に応じた表示態様をどのようなものとするかは任意であり、図示の例に限られない。例えば、表示制御部３０６は、稼働状態に応じた色で各候補の値を表示させてもよい。この場合、稼働状態を評価した評価値（例えば異常時間率等）の値と、表示色との対応関係を予め定めておけばよい。これにより、表示制御部３０６は、評価値算出部３０２が算出する評価値に応じた表示色で各候補の値を表示させることができる。
In this way, the
〔情報処理装置２が実行する処理の流れ〕
情報処理装置２が実行する処理（指標値算出方法）の流れを図７に基づいて説明する。図７は、情報処理装置２が実行する処理の一例を示すフローチャートである。
[Flow of processing executed by information processing device 2]
The flow of the process (index value calculation method) executed by the
Ｓ１１では、データ取得部２０１が、訓練データセットを取得する。訓練データセットの取得方法は任意である。例えば、データ取得部２０１は、入力部２３を介して入力された訓練データセットを取得してもよいし、通信部２２を介して学習装置１から訓練データセットを取得してもよい。
In S11, the
Ｓ１２では、平均距離算出部２０２が、Ｓ１１で取得された訓練データセットに含まれる各訓練データについて、当該訓練データの近傍の所定数の訓練データとの距離の平均値をそれぞれ算出する。なお、ある訓練データの近傍の所定数の訓練データとは、その訓練データからの距離が最も近い所定数の他の訓練データである。
In S12, the average
Ｓ１３では、閾値決定部２０３が、Ｓ１２で算出された複数の平均値のうち所定の順位の平均値を、入力データが外れ値であるか否かを判定するための閾値に決定する。なお、Ｓ１１～Ｓ１３の処理は、遅くともＳ１６の処理が行われるまでに行っておけばよく、必ずしもＳ１４の直前に行う必要はない。
In S13, the
Ｓ１４では、データ取得部２０１が、推論モデルによる推論に用いられた入力データを取得する。入力データの取得方法は任意である。例えば、データ取得部２０１は、入力部２３を介して入力された入力データを取得してもよい。また、例えば、データ取得部２０１は、通信部２２を介して制御装置４から入力データを取得してもよいし、計測装置５２から計測データを取得して入力データを生成してもよい。
In S14, the
なお、データ取得部２０１は、所定期間分の入力データをまとめて取得してもよいし、入力データをリアルタイムつまり当該入力データが推論モデルによる推論に用いられたあるいは用いられるタイミングで取得してもよい。
The
Ｓ１５では、平均距離算出部２０２が、Ｓ１４で取得された入力データについて、当該入力データの近傍の所定数の入力データとの距離の平均値を算出する。なお、Ｓ１４で１つの入力データが取得された場合、平均距離算出部２０２は、それ以前に取得された複数の入力データとの距離の平均値を算出する。一方、Ｓ１４で複数の入力データが取得された場合、平均距離算出部２０２は、入力データと、当該入力データの近傍の所定数の入力データとの距離の平均値を算出する処理を、取得された複数の入力データのそれぞれについて行う。
In S15, the average
Ｓ１６（外れ値判定ステップ）では、外れ値判定部２０４が、Ｓ１５で算出された平均値に基づいて、Ｓ１４で取得された入力データが外れ値であるか否かを判定する。より詳細には、外れ値判定部２０４は、Ｓ１５で算出された平均値とＳ１３で決定された閾値とを比較し、その比較結果に基づいて入力データが外れ値であるか否かを判定する。なお、Ｓ１４で複数の入力データが取得された場合には、外れ値判定部２０４は、各入力データについて当該入力データが外れ値であるか否かを判定する。
In S16 (outlier determination step), the
Ｓ１７（指標値算出ステップ）では、指標値算出部２０５が、Ｓ１６の判定結果に基づいて入力データに対する推論モデルの適合性を示す指標値を算出する。例えば、指標値算出部２０５は、所定期間に計測装置５２で計測された計測データに対応する入力データのうち、Ｓ１６で外れ値であると判定された入力データの数を指標値として算出してもよい。
In S17 (index value calculation step), the index
Ｓ１８では、再学習要否判定部２０６が、Ｓ１７で算出された指標値に基づいて再学習の要否を判定する。例えば、再学習要否判定部２０６は、Ｓ１７で算出された指標値が所定の閾値以上であった場合に再学習要（Ｓ１８でＹＥＳ）と判定し、当該閾値未満であった場合に再学習不要（Ｓ１８でＮＯ）と判定してもよい。Ｓ１８でＮＯと判定された場合には図７の処理は終了する。なお、リアルタイムで入力データを取得する場合、Ｓ１８でＮＯと判定された場合にＳ１４に戻り、新たな入力データを取得するようにしてもよい。
In S18, the relearning
Ｓ１８でＹＥＳと判定された場合にはＳ１９に進み、再学習要否判定部２０６は、学習装置１にＳ１４で取得された入力データを送信して推論モデルの再学習を行わせ、これにより図７の処理は終了する。
If the answer is YES in S18, the process proceeds to S19, where the re-learning
なお、再現率算出部２０７は、Ｓ１４で取得された入力データを用いて行われた推論の再現率を算出してもよい。そして、学習用データ抽出部２０８は、Ｓ１７で算出された指標値と、再現率算出部２０７が算出する再現率とに基づいて、Ｓ１４で取得された複数の入力データの中から推論モデルの再学習に用いるものを抽出してもよい。そして、学習用データ抽出部２０８は、Ｓ１８でＹＥＳと判定されたときに、再学習に用いる入力データを学習装置１に送信するようにしてもよい。
The
〔再学習を促す構成について〕
また、Ｓ１９において、再学習要否判定部２０６は、再学習を行うように学習装置１を制御する代わりに、オペレータに推論モデルの再学習を促す処理を行ってもよい。この場合、再学習要否判定部２０６は、外れ値判定部２０４の判定結果に応じて推論モデルの再学習を促す報知部として機能する。なお、報知の態様および報知の対象は何れも特に限定されない。例えば、報知部２１０は、再学習が必要であることを示す情報を出力することによって報知してもよい。出力先は特に限定されず、例えば報知部２１０は、出力部２４に当該情報を出力させてもよいし、学習装置１に当該情報を出力させてもよく、オペレータの所持する端末装置等の他の装置に当該情報を出力させてもよい。
[Structure to encourage relearning]
In addition, in S19, the relearning
また、再学習を促す処理を行う場合、指標値算出部２０５は省略し、再学習要否判定部２０６が外れ値判定部２０４の判定結果を用いて再学習の要否を判定してもよい。例えば、再学習要否判定部２０６は、Ｓ１６で外れ値であると判定された入力データの数をカウントし、カウントした数が所定の閾値以上であった場合に再学習要と判定してもよい。
When performing processing to prompt relearning, the index
このように、情報処理装置２は、推論モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、推論モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する外れ値判定部２０４と、外れ値判定部２０４の判定結果に応じて推論モデルの再学習を促す再学習要否判定部（報知部）２０６と、を備える構成であってもよい。これにより、推論結果の正否の検証が難しい場合にも、推論モデルの更新に関する処理である再学習を促す処理を適切に行うことが可能になる。
In this way, the
〔情報処理装置２で再学習を行う構成について〕
また、情報処理装置２は、推論モデルの再学習を行う学習部を備えていてもよい。この場合、制御システム７から学習装置１を省略することができる。そして、この場合、図７のＳ１８において再学習要と判定されると、Ｓ１９では情報処理装置２が備える学習部により再学習が行われる。
[Configuration for performing re-learning in information processing device 2]
The
この場合も、上記〔再学習を促す構成について〕で説明したように、指標値算出部２０５は省略してもよい。指標値算出部２０５を省略する場合、外れ値判定部２０４の判定結果を用いて再学習のタイミングが決定される。例えば、再学習要否判定部２０６が外れ値判定部２０４の判定結果を用いて再学習の要否を判定してもよく、この場合、再学習要と判定された時点が再学習のタイミングとなる。また、再学習要否判定部２０６を省略し、学習部が再学習を行うか否かを判定してもよく、この場合、学習部が外れ値判定部２０４の判定結果に基づいて再学習のタイミングを決定することになる。
In this case, too, as explained in the above section [Regarding the configuration for encouraging re-learning], the index
このように、情報処理装置２は、推論モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、推論モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する外れ値判定部２０４と、外れ値判定部２０４の判定結果に基づいて決定されたタイミングで推論モデルの再学習を行う学習部と、を備える構成であってもよい。
In this way, the
上記の構成によれば、訓練データが外れ値であるか否かを判定するための閾値を用いて推論モデルに入力された入力データが外れ値であるか否かを判定している。この処理では、仮に訓練データセットに含まれていたとすると外れ値と判定されるような入力データ、つまり学習済みの範囲から乖離した入力データが外れ値と判定される。 According to the above configuration, a threshold value for determining whether training data is an outlier is used to determine whether input data input to the inference model is an outlier. In this process, input data that would be determined to be an outlier if it were included in the training data set, that is, input data that deviates from the learned range, is determined to be an outlier.
そして、学習済みの範囲から乖離した入力データの数や割合が増えたとき、入力データに対する推論モデルの適合性は低くなっているといえる。また、このとき、推論モデルの再学習や交換の必要性は高くなっているといえる。よって、外れ値判定部２０４の判定結果に基づいて決定されたタイミングで推論モデルの再学習を行う上記の構成によれば、妥当なタイミングで再学習を行うことができる。
When the number or proportion of input data that deviates from the learned range increases, it can be said that the suitability of the inference model for the input data is decreasing. In addition, at this time, it can be said that the need to re-learn or replace the inference model is increasing. Therefore, according to the above configuration in which the inference model is re-learned at a timing determined based on the judgment result of the
また、上記の構成によれば、推論モデルによる推論結果を用いる必要がない。このため、上記の構成によれば、推論結果の正否の検証が難しい場合にも、推論モデルの更新に関する処理である再学習を適切に行うことが可能になる。 In addition, with the above configuration, there is no need to use the inference results from the inference model. Therefore, with the above configuration, even when it is difficult to verify the accuracy of the inference results, it is possible to appropriately perform re-learning, which is a process for updating the inference model.
〔情報処理装置３が実行する処理の流れ〕
情報処理装置３が実行する処理（探索方法）の流れを図８に基づいて説明する。図８は、情報処理装置３が実行する処理の一例を示すフローチャートである。なお、図８の処理を実行する契機は特に限定されない。例えば、所定期間おきに実行するようにしてもよいし、制御対象５の稼働状態を示す異常時間率等の情報を基に、稼働状態が悪化しているあるいは悪化傾向にあると判定されたタイミングで実行するようにしてもよい。
[Flow of processing executed by information processing device 3]
The flow of the process (search method) executed by the
Ｓ２１では、データ取得部３０１が、最適化の対象となるパラメータの初期値と、当該初期値に対応する結果データとを取得する。例えば、データ取得部３０１は、入力部３３を介して入力される初期値と結果データを取得してもよい。パラメータの初期値に対応する結果データは、当該初期値を適用した制御対象５の制御が行われた期間における制御対象５の稼働状態を示すものであり、例えば当該期間に計測装置５２により計測された計測値であってもよい。
In S21, the
また、データ取得部３０１は、Ｓ２１において、初期値とその結果データに加えて、パラメータの上限値およびその上限値を適用したときの結果データと、パラメータの下限値およびその下限値を適用したときの結果データとを取得していてもよい。
In addition, in S21, the
パラメータの初期値の決定方法は特に限定されない。例えば、記述統計的手法等によりパラメータの初期値を決定してもよい。この場合、例えば、異常発生前後のパラメータの値の分布を示す度数分布表などを作成し、それを基に最適と考えられるパラメータの値を特定し、特定した値を初期値としてもよい。初期値が決まれば、パラメータの値を初期値に設定して制御対象５の制御を所定期間行い、当該期間における稼働状態を示す結果データを取得することができる。 The method for determining the initial parameter values is not particularly limited. For example, the initial parameter values may be determined by a descriptive statistical method or the like. In this case, for example, a frequency distribution table showing the distribution of parameter values before and after the occurrence of an abnormality may be created, and based on that, a parameter value that is considered optimal may be identified, and the identified value may be used as the initial value. Once the initial value is determined, the parameter value may be set to the initial value, and control of the control target 5 may be performed for a predetermined period, and result data showing the operating state during that period may be obtained.
また、パラメータの上限値と下限値の決定方法も特に限定されない。例えば、初期値と同様に記述統計的手法等により決定してもよいし、初期値を基準とし、初期値から所定幅だけ乖離した値を上限値および下限値としてもよい。後者の場合、例えば所定幅を１０％として、初期値に初期値の１０％の値を加えて上限値とし、初期値から初期値の１０％の値を差し引いて下限値としてもよい。上限値および下限値のそれぞれについても、初期値と同様にして結果データを取得することができる。 There is also no particular limitation on the method of determining the upper and lower limits of the parameters. For example, they may be determined by descriptive statistical methods, as with the initial values, or the initial value may be used as a reference and values that deviate from the initial value by a specified range may be set as the upper and lower limits. In the latter case, for example, the specified range may be set to 10%, with the upper limit being determined by adding 10% of the initial value to the initial value, and the lower limit being determined by subtracting 10% of the initial value from the initial value. Result data can be obtained for each of the upper and lower limits in the same manner as for the initial values.
Ｓ２２では、評価値算出部３０２が、Ｓ２１で取得された結果データを用いて、初期値を適用して制御対象５の制御を行った期間における制御対象５の稼働状態を評価した評価値を算出する。評価値としては、例えば上述した異常時間率を適用してもよい。なお、異常時間率を算出する際の「異常」の定義は、推論モデルの学習の際と同じとしてもよいし、より広い定義を適用してもよい。
In S22, the evaluation
Ｓ２３（予測分布を算出するステップ）では、予測分布算出部３０３が、Ｓ２１で取得された初期値と、Ｓ２２で算出された評価値とに基づいて、最適化の対象とするパラメータと制御対象５の稼働状態との関係を示す関数の予測分布を算出する。なお、表示制御部３０６は、算出された予測分布を出力部３４に出力させる等してオペレータに提示してもよい。
In S23 (step of calculating the predictive distribution), the predictive
Ｓ２４（候補を探索するステップ）では、探索部３０４が、Ｓ２３で算出された予測分布に基づいてパラメータの最適値の候補を探索する。また、表示制御部３０６は、検出された候補を出力部３４に出力させる等して当該候補をオペレータに提示する。
In S24 (step of searching for candidates), the
この後、オペレータは、提示された候補を適用することに問題がないか確認し、問題ないと判断した場合には、制御装置４に当該候補を入力して、当該候補を適用した制御対象５の制御を開始させる。そして、オペレータは、当該候補を適用した制御が行われた期間に計測装置５２で計測された計測データ等を制御対象５の稼働状態を示す結果データとして、適用したパラメータの値（提示された候補の値）と共に情報処理装置３に入力する。これらの処理はオペレータを介さず自動で行うようにしてもよい。
The operator then checks whether there is any problem with applying the presented candidate, and if so, inputs the candidate into the control device 4 and starts control of the control object 5 applying the candidate. The operator then inputs the measurement data etc. measured by the measuring
なお、オペレータが、Ｓ２４の探索の結果として提示された候補を適用することに問題があると判断した場合、Ｓ２５以下の処理はスキップされる。この場合、探索部３０４は、先に検出した候補とは異なる候補を探索してもよい。また、予めパラメータの正常範囲を定めておいてもよい。この場合、オペレータの判断によらず、Ｓ２４で検出された候補が当該正常範囲外である場合に、Ｓ２５以下の処理がスキップされる。
If the operator determines that there is a problem with applying the candidate presented as a result of the search in S24, the processing from S25 onwards is skipped. In this case, the
Ｓ２５では、データ取得部３０１が、上述のようにして入力された、適用されたパラメータの値と結果データとを取得する。なお、データ取得部３０１は、適用されたパラメータの値と結果データを制御装置４から取得してもよい。そして、Ｓ２６では、評価値算出部３０２が、Ｓ２５で取得された結果データを用いて評価値を算出する。
In S25, the
Ｓ２７では、最適化制御部３０５が、Ｓ２６で算出された評価値に基づいて最適化を終了するか否かを判定する。例えば、最適化制御部３０５は、評価値が所定の閾値以上である場合に最適化を終了する（Ｓ２７でＹＥＳ）と判定し、評価値が当該閾値未満である場合に最適化を続ける（Ｓ２７でＮＯ）と判定してもよい。Ｓ２７でＹＥＳと判定された場合には図８の処理は終了し、Ｓ２７でＮＯと判定された場合にはＳ２３の処理に戻る。Ｓ２７から遷移したＳ２３では、Ｓ２５で取得されたパラメータの値と結果データとを用いて予測分布が更新される。
In S27, the
〔変形例〕
上述の各実施形態で説明した各処理の実行主体は任意であり、上述の例に限られない。つまり、相互に通信可能な複数の情報処理装置（プロセッサということもできる）により、学習装置１、情報処理装置２、３、および制御装置４の機能を実現することができる。例えば、図７および図８のフローチャートに記載されている各処理を複数の情報処理装置に分担させることもできる。つまり、上述の各実施形態における制御方法の実行主体は、１つの情報処理装置であってもよいし、複数の情報処理装置であってもよい。
[Modifications]
The execution subject of each process described in each of the above-mentioned embodiments is arbitrary and is not limited to the above-mentioned examples. In other words, the functions of the
また、上述のように、学習装置１の機能を情報処理装置２に持たせてこれらを１つの装置に統合してもよいし、学習装置１、情報処理装置２、および情報処理装置３の機能の一部または全部を制御装置４に持たせてもよい。このように、制御システム７をどのような装置で構成するかについても適宜変更することが可能である。
As described above, the functions of the
〔ソフトウェアによる実現例〕
学習装置１、情報処理装置２、３、および制御装置４（以下、「装置」と呼ぶ）の機能は、当該装置としてコンピュータを機能させるためのプログラムであって、当該装置の各制御ブロック（特に制御部２０および制御部３０に含まれる各部）としてコンピュータを機能させるためのプログラム（指標値算出プログラム／探索プログラム）により実現することができる。
[Software implementation example]
The functions of the
この場合、上記装置は、上記プログラムを実行するためのハードウェアとして、少なくとも１つの制御装置（例えばプロセッサ）と少なくとも１つの記憶装置（例えばメモリ）を有するコンピュータを備えている。この制御装置と記憶装置により上記プログラムを実行することにより、上記各実施形態で説明した各機能が実現される。 In this case, the device includes a computer having at least one control device (e.g., a processor) and at least one storage device (e.g., a memory) as hardware for executing the program. The control device and storage device execute the program, thereby realizing each of the functions described in each of the above embodiments.
上記プログラムは、一時的ではなく、コンピュータ読み取り可能な、１または複数の記録媒体に記録されていてもよい。この記録媒体は、上記装置が備えていてもよいし、備えていなくてもよい。後者の場合、上記プログラムは、有線または無線の任意の伝送媒体を介して上記装置に供給されてもよい。 The program may be recorded on one or more computer-readable recording media, not on a temporary basis. The recording media may or may not be included in the device. In the latter case, the program may be supplied to the device via any wired or wireless transmission medium.
また、上記各制御ブロックの機能の一部または全部は、論理回路により実現することも可能である。例えば、上記各制御ブロックとして機能する論理回路が形成された集積回路も本発明の範疇に含まれる。この他にも、例えば量子コンピュータにより上記各制御ブロックの機能を実現することも可能である。 In addition, some or all of the functions of each of the above control blocks can be realized by a logic circuit. For example, an integrated circuit in which a logic circuit that functions as each of the above control blocks is formed is also included in the scope of the present invention. In addition, it is also possible to realize the functions of each of the above control blocks by, for example, a quantum computer.
〔まとめ〕
本発明の態様１に係る情報処理装置は、機械学習モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、前記機械学習モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する外れ値判定部と、前記外れ値判定部の判定結果に基づき、前記入力データに対する前記機械学習モデルの適合性を示す指標値を算出する指標値算出部と、を備える。
〔summary〕
An information processing device according to
本発明の態様２に係る情報処理装置は、前記態様１において、前記訓練データセットに含まれる各訓練データについて、当該訓練データが他の訓練データに対して乖離している程度を示す乖離度を算出し、算出した乖離度のうち所定の順位の乖離度を、上記閾値に決定する閾値決定部を備え、前記外れ値判定部は、複数の前記入力データに含まれる各入力データについて、当該入力データが他の入力データに対して乖離している程度を示す乖離度を算出し、算出した乖離度を前記閾値と比較することにより、各入力データが外れ値であるか否かを判定する。
The information processing device according to
本発明の態様３に係る情報処理装置は、前記態様１または２において、前記機械学習モデルは、所定の対象に関する前記入力データから、当該対象の将来の状態が正常であるか異常であるかを予測するモデルであり、前記指標値算出部は、外れ値であると判定された前記入力データのうち、当該入力データを用いた予測後に前記対象の状態が異常であった入力データの数または当該入力データの数を用いて算出される値を前記指標値として算出する。
In the information processing device according to
本発明の態様４に係る情報処理装置は、前記態様１から３の何れかにおいて、前記機械学習モデルは、所定の対象に関する前記入力データから、当該対象の将来の状態が正常であるか異常であるかを予測するモデルであり、前記機械学習モデルに複数の前記入力データを入力して行った予測における、異常と正しく判定できた件数を、異常と正しく判定できた件数と異常を正常と誤判定した件数との和で除することにより、当該予測における再現率を算出する再現率算出部と、前記指標値と前記再現率とに基づいて、複数の前記入力データの中から前記機械学習モデルの再学習に用いるものを抽出する学習用データ抽出部と、を備える。
The information processing device according to aspect 4 of the present invention is any one of
本発明の態様５に係る情報処理装置は、機械学習モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、前記機械学習モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する外れ値判定部と、前記外れ値判定部の判定結果に応じて前記機械学習モデルの再学習を促す報知部と、を備える。 The information processing device according to aspect 5 of the present invention includes an outlier determination unit that determines whether each of a plurality of input data input to the machine learning model is an outlier using a threshold value for determining whether training data included in a training dataset used to generate the machine learning model is an outlier, and a notification unit that prompts the machine learning model to re-learn in response to a determination result from the outlier determination unit.
本発明の態様６に係る情報処理装置は、機械学習モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、前記機械学習モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する外れ値判定部と、前記外れ値判定部の判定結果に基づき、複数の前記入力データの中から前記機械学習モデルの再学習に用いるものを抽出する学習用データ抽出部と、を備える。 The information processing device according to aspect 6 of the present invention includes an outlier determination unit that determines whether each of a plurality of input data items input to a machine learning model is an outlier using a threshold value for determining whether training data included in a training dataset used to generate the machine learning model is an outlier, and a learning data extraction unit that extracts data to be used for re-learning the machine learning model from among the plurality of input data items based on a determination result of the outlier determination unit.
本発明の態様７に係る情報処理装置は、機械学習モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、前記機械学習モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する外れ値判定部と、前記外れ値判定部の判定結果に基づいて決定されたタイミングで前記機械学習モデルの再学習を行う学習部と、を備える。
The information processing device according to
本発明の態様８に係る制御システムは、前記態様１に記載の情報処理装置と、前記指標値に基づいて決定されたタイミングで前記機械学習モデルを更新する学習装置と、更新後の前記機械学習モデルに入力データを入力することにより得られた出力データに基づいて所定の制御対象に対する制御内容を決定する制御装置と、を含み、前記情報処理装置は、更新後の前記機械学習モデルに入力された前記入力データを取得して、前記入力データに対する前記機械学習モデルの適合性を示す指標値を算出する。
A control system according to aspect 8 of the present invention includes the information processing device according to
本発明の態様９に係る指標値算出方法は、少なくとも１つの情報処理装置により実行される指標値算出方法であって、機械学習モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、前記機械学習モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する外れ値判定ステップと、前記外れ値判定ステップにおける判定結果に基づき、前記入力データに対する前記機械学習モデルの適合性を示す指標値を算出する指標値算出ステップと、を含む。 The index value calculation method according to aspect 9 of the present invention is an index value calculation method executed by at least one information processing device, and includes an outlier determination step of determining whether or not each of a plurality of input data input to the machine learning model is an outlier using a threshold value for determining whether or not the training data included in the training dataset used to generate the machine learning model is an outlier, and an index value calculation step of calculating an index value indicating the suitability of the machine learning model for the input data based on the determination result in the outlier determination step.
本発明の態様１０に係る指標値算出プログラムは、前記態様１に記載の情報処理装置としてコンピュータを機能させるための指標値算出プログラムであって、前記外れ値判定部および前記指標値算出部としてコンピュータを機能させる。
The index value calculation program according to aspect 10 of the present invention is an index value calculation program for causing a computer to function as the information processing device according to
本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。 The present invention is not limited to the above-described embodiments, and various modifications are possible within the scope of the claims. The technical scope of the present invention also includes embodiments obtained by appropriately combining the technical means disclosed in different embodiments.
１ 学習装置
２ 情報処理装置
２０３ 閾値決定部
２０４ 外れ値判定部
２０５ 指標値算出部
２０７ 再現率算出部
２０８ 学習用データ抽出部
４ 制御装置
７ 制御システム
REFERENCE SIGNS
Claims (10)
前記外れ値判定部の判定結果に基づき、前記入力データに対する前記機械学習モデルの適合性を示す指標値を算出する指標値算出部と、を備える情報処理装置。 an outlier determination unit that determines whether each of a plurality of input data input to the machine learning model is an outlier, using a threshold value for determining whether training data included in a training dataset used to generate the machine learning model is an outlier;
and an index value calculation unit that calculates an index value indicating the suitability of the machine learning model for the input data based on a determination result of the outlier determination unit.
前記外れ値判定部は、複数の前記入力データに含まれる各入力データについて算出された、当該入力データが他の入力データに対して乖離している程度を示す乖離度を前記閾値と比較することにより、各入力データが外れ値であるか否かを判定する、請求項１に記載の情報処理装置。 a threshold value determination unit that calculates a deviation degree indicating a degree of deviation of each training data included in the training data set from other training data, and determines a deviation degree of a predetermined rank among the calculated deviation degrees as the threshold value;
2. The information processing device according to claim 1, wherein the outlier determination unit determines whether each input data is an outlier by comparing a degree of deviation calculated for each input data included in the plurality of input data, the degree indicating a degree to which the input data deviates from other input data, with the threshold value.
前記指標値算出部は、外れ値であると判定された前記入力データのうち、当該入力データを用いた予測後に前記対象の状態が異常であった入力データの数または当該入力データの数を用いて算出される値を前記指標値として算出する、請求項１または２に記載の情報処理装置。 The machine learning model is a model that predicts whether a future state of a predetermined object is normal or abnormal based on the input data regarding the object,
3. The information processing device according to claim 1, wherein the index value calculation unit calculates, as the index value, the number of input data items in which the state of the target was abnormal after prediction using the input data items determined to be outliers, or a value calculated using the number of input data items.
前記機械学習モデルに複数の前記入力データを入力して行った予測における、異常と正しく判定できた件数を、異常と正しく判定できた件数と異常を正常と誤判定した件数との和で除することにより、当該予測における再現率を算出する再現率算出部と、
前記指標値と前記再現率とに基づいて、複数の前記入力データの中から前記機械学習モデルの再学習に用いるものを抽出する学習用データ抽出部と、を備える、請求項１または２に記載の情報処理装置。 The machine learning model is a model that predicts whether a future state of a predetermined object is normal or abnormal based on the input data regarding the object,
a recall calculation unit that calculates a recall in the prediction by dividing the number of cases that were correctly determined to be an anomaly in a prediction made by inputting a plurality of pieces of the input data into the machine learning model by the sum of the number of cases that were correctly determined to be an anomaly and the number of cases that were erroneously determined to be an anomaly as a normal; and
The information processing device according to claim 1 , further comprising: a learning data extraction unit configured to extract, from the plurality of input data, data to be used for re-learning the machine learning model, based on the index value and the recall rate.
前記外れ値判定部の判定結果に応じて前記機械学習モデルの再学習を促す報知部と、を備える情報処理装置。 an outlier determination unit that determines whether each of a plurality of input data input to the machine learning model is an outlier, using a threshold value for determining whether training data included in a training dataset used to generate the machine learning model is an outlier;
and a notification unit that prompts the machine learning model to be re-learned in response to a determination result of the outlier determination unit.
前記外れ値判定部の判定結果に基づき、複数の前記入力データの中から前記機械学習モデルの再学習に用いるものを抽出する学習用データ抽出部と、を備える情報処理装置。 an outlier determination unit that determines whether each of a plurality of input data input to the machine learning model is an outlier, using a threshold value for determining whether training data included in a training dataset used to generate the machine learning model is an outlier;
and a learning data extraction unit that extracts data to be used for re-learning the machine learning model from among the multiple input data based on a determination result of the outlier determination unit.
前記外れ値判定部の判定結果に基づいて決定されたタイミングで前記機械学習モデルの再学習を行う学習部と、を備える情報処理装置。 an outlier determination unit that determines whether each of a plurality of input data input to the machine learning model is an outlier by using a threshold value for determining whether training data included in a training dataset used to generate the machine learning model is an outlier;
A learning unit that re-learns the machine learning model at a timing determined based on a determination result of the outlier determination unit.
前記指標値に基づいて決定されたタイミングで前記機械学習モデルを更新する学習装置と、
更新後の前記機械学習モデルに入力データを入力することにより得られた出力データに基づいて所定の制御対象に対する制御内容を決定する制御装置と、を含み、
前記情報処理装置は、更新後の前記機械学習モデルに入力された前記入力データを取得して、前記入力データに対する前記機械学習モデルの適合性を示す指標値を算出する、制御システム。 The information processing device according to claim 1 ;
a learning device that updates the machine learning model at a timing determined based on the index value;
and a control device that determines a control content for a predetermined control object based on output data obtained by inputting input data to the updated machine learning model,
The information processing device acquires the input data input to the updated machine learning model and calculates an index value indicating the suitability of the machine learning model for the input data.
機械学習モデルの生成に用いた訓練データセットに含まれる訓練データが外れ値であるか否かを判定するための閾値を用いて、前記機械学習モデルに入力された複数の入力データのそれぞれについて、当該入力データが外れ値であるか否かを判定する外れ値判定ステップと、
前記外れ値判定ステップにおける判定結果に基づき、前記入力データに対する前記機械学習モデルの適合性を示す指標値を算出する指標値算出ステップと、を含む指標値算出方法。 An index value calculation method executed by at least one information processing device, comprising:
an outlier determination step of determining, for each of a plurality of input data input to the machine learning model, whether or not the input data is an outlier, using a threshold value for determining whether or not the training data included in the training data set used to generate the machine learning model is an outlier;
An index value calculation method comprising: an index value calculation step of calculating an index value indicating the suitability of the machine learning model to the input data based on the judgment result in the outlier judgment step.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022198177A JP2024084020A (en) | 2022-12-12 | 2022-12-12 | Information processing device, control system, index value calculation method, and index value calculation program |
| PCT/JP2023/043617 WO2024128089A1 (en) | 2022-12-12 | 2023-12-06 | Information processing device, control system, index value calculation method, and index value calculation program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2022198177A JP2024084020A (en) | 2022-12-12 | 2022-12-12 | Information processing device, control system, index value calculation method, and index value calculation program |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2024084020A true JP2024084020A (en) | 2024-06-24 |
Family
ID=91484882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2022198177A Pending JP2024084020A (en) | 2022-12-12 | 2022-12-12 | Information processing device, control system, index value calculation method, and index value calculation program |
Country Status (2)
| Country | Link |
|---|---|
| JP (1) | JP2024084020A (en) |
| WO (1) | WO2024128089A1 (en) |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPWO2015136885A1 (en) * | 2014-03-10 | 2017-04-06 | 日本電気株式会社 | Evaluation system, evaluation method, and computer-readable storage medium |
| CN113569992B (en) * | 2021-08-26 | 2024-01-09 | 中国电子信息产业集团有限公司第六研究所 | Abnormal data identification method and device, electronic equipment and storage medium |
| JP2023142779A (en) * | 2022-03-25 | 2023-10-05 | 株式会社 日立産業制御ソリューションズ | Accuracy monitor system, method for monitoring accuracy, and accuracy monitoring program |
-
2022
- 2022-12-12 JP JP2022198177A patent/JP2024084020A/en active Pending
-
2023
- 2023-12-06 WO PCT/JP2023/043617 patent/WO2024128089A1/en unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024128089A1 (en) | 2024-06-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108875784B (en) | Method and system for data-based optimization of performance metrics in industry | |
| TWI625682B (en) | Methods, systems and non-transitory computer-readable medium for parameter optimization | |
| US10317853B2 (en) | Machine learning method and machine learning device for learning fault conditions, and fault prediction device and fault prediction system including the machine learning device | |
| Zhao et al. | An improved case-based reasoning method and its application on fault diagnosis of Tennessee Eastman process | |
| Chen et al. | Evidential KNN-based condition monitoring and early warning method with applications in power plant | |
| Khelif et al. | RUL prediction based on a new similarity-instance based approach | |
| Li et al. | Fuzzy knowledge-based prediction through weighted rule interpolation | |
| CN101339563B (en) | Interest model update method facing to odd discovery recommendation | |
| JP6896590B2 (en) | Predictive model maintenance system, predictive model maintenance method and predictive model maintenance program | |
| JP6333868B2 (en) | Cell control device and production system for managing the operating status of a plurality of manufacturing machines in a manufacturing cell | |
| JPH1074188A (en) | Data learning device and plant controller | |
| Park et al. | Granular neural networks and their development through context-based clustering and adjustable dimensionality of receptive fields | |
| US20200311326A1 (en) | Self-service artificial intelligence platform leveraging data-based and physics-based models for providing real-time controls and recommendations | |
| JP2021184139A (en) | Management computer, management program, and management method | |
| Rodríguez-Padial et al. | An Approach to Integrating Tactical Decision‐Making in Industrial Maintenance Balance Scorecards Using Principal Components Analysis and Machine Learning | |
| Rasay et al. | Reinforcement learning based on stochastic dynamic programming for condition-based maintenance of deteriorating production processes | |
| WO2024128089A1 (en) | Information processing device, control system, index value calculation method, and index value calculation program | |
| WO2024128090A1 (en) | Information processing device, control system, search method, and search program | |
| CN109829115B (en) | Search engine keyword optimization method | |
| WO2022004039A1 (en) | Predictive model training method, predictive model training device, and plant control system | |
| CN109993271A (en) | Grey neural network forecasting based on theory of games | |
| JPH06131323A (en) | State predicting device | |
| JPH0695880A (en) | Example base inference device | |
| US8682817B1 (en) | Product testing process using diploid evolutionary method | |
| Li | Fuzzy Rule-Based Inference: Advances and Applications in Reasoning with Approximate Knowledge Interpolation |