JP7219430B2

JP7219430B2 - 学習処理装置、方法及びプログラム

Info

Publication number: JP7219430B2
Application number: JP2020179978A
Authority: JP
Inventors: 秀之若井
Original assignee: Individual
Current assignee: Individual
Priority date: 2020-10-27
Filing date: 2020-10-27
Publication date: 2023-02-08
Anticipated expiration: 2040-10-27
Also published as: JP2022070744A

Description

本発明は、学習処理装置、方法及びプログラムに関する。

近時、機器又は該機器を構成する部品（以下、「予測対象物」という）の劣化度あるいは新鮮度を、機械学習を利用して予測する技術が提案されている。この予測の際に、予測対象物の状態を示す状態値の集合体（以下、「状態値セット」という）を入力とし、劣化度又は新鮮度を示すラベル値を出力とする学習器が用いられる。

特許文献１には、劣化加速実験を通じて、設備が正常から劣化に至るまでの一連の測定データを取得し、この一連の測定データから学習データを作成する劣化診断システムが開示されている。

国際公開第２０１８／１５９１６９号パンフレット

ところで、予測精度が高い学習器を獲得すべく、様々な場所で設置された稼働中の機器からネットワークを通じて状態値セットを逐次収集し、より多くの学習データを蓄積することが望ましい。ところが、実際の運用では、システムの保全を優先し、故障が発生する前に機器が交換又は撤去される場合が多い。例えば、製造業者又は保守業者が、実体寿命よりも短い耐用期間（つまり、設定寿命）を設けておき、この設定寿命を経過した機器を新品に交換することがある。

そうすると、実体寿命を全うすることなく稼働を終えた機器の場合には実際の劣化度又は新鮮度を特定できず、正しいラベル値を算出することが困難になる。一方、実体寿命を全うした機器の状態値セットのみを抽出して学習データを生成することも考えられるが、その分だけ収集可能な学習データが少なくなり、学習不足に起因する予測精度の低下を招いてしまう。また、何らかの理由により、設定寿命を経過する前に機器が交換又は撤去された場合についても同様である。

本発明はこのような問題に鑑みてなされたものであり、その目的は、実体寿命又は設定寿命を迎えていない予測対象物から取得した状態値セットを用いる場合であっても、ラベル値の不確定性に起因する予測精度の低下を抑制可能な学習処理装置、方法及びプログラムを提供することにある。

本発明の第一態様における学習処理装置は、機器又は該機器を構成する部品である予測対象物の状態を示す状態値セットを取得する状態取得部と、前記予測対象物の劣化度又は新鮮度を示すラベル値を付与又は補正するラベル算出部と、前記状態取得部により取得された前記状態値セットと、前記ラベル算出部により付与又は補正された前記ラベル値と、からなる学習データの母集団である学習データセットを用いて、前記状態値セットを入力して前記ラベル値を出力する学習器に対して学習処理を行う学習処理部と、を備え、前記ラベル算出部は、同一の予測対象物から時系列的に取得された複数組の状態値セットに関して、該複数組の状態値セットにそれぞれ対応する複数のラベル値を一括して付与又は補正する。

本発明の第二態様における学習処理装置では、前記ラベル値は、前記劣化度を正規化した値であり、前記ラベル算出部は、ラベル値が増加するにつれて大きくなる補正量を元のラベル値にそれぞれ加算することで、前記複数のラベル値を一括して補正する。

本発明の第三態様における学習処理装置では、前記補正量は、前記複数のラベル値のうち最大値である学習データに関する学習誤差を前記最大値で除算して求められる補正係数を、前記元のラベル値に乗算した値である。

本発明の第四態様における学習処理装置は、前記学習処理部により学習処理がなされた学習器を用いて、前記学習データセットに含まれる学習データの除外又は該学習データのラベル値の補正を行うか否かを判定するデータ判定部をさらに備える。

本発明の第五態様における学習処理装置では、前記学習処理部は、前記ラベル算出部によりラベル値が補正された学習データセットを用いて、前記学習器に対する再学習又は追加学習を繰り返す。

本発明の第六態様における学習処理方法では、一又は複数のコンピュータが、機器又は該機器を構成する部品である予測対象物の状態を示す状態値セットを取得する取得ステップと、前記予測対象物の劣化度又は新鮮度を示すラベル値を付与又は補正する算出ステップと、前記取得ステップで取得された前記状態値セットと、前記算出ステップで付与又は補正された前記ラベル値と、からなる学習データの母集団である学習データセットを用いて、前記状態値セットを入力して前記ラベル値を出力する学習器に対して学習処理を行う学習ステップと、を実行し、前記算出ステップでは、同一の予測対象物から時系列的に取得された複数組の状態値セットに関して、該複数組の状態値セットにそれぞれ対応する複数のラベル値を一括して付与又は補正する。

本発明の第七態様における学習処理プログラムでは、一又は複数のコンピュータを、機器又は該機器を構成する部品である予測対象物の状態を示す状態値セットを取得する状態取得手段、前記予測対象物の劣化度又は新鮮度を示すラベル値を付与又は補正するラベル算出手段、前記状態取得手段により取得された前記状態値セットと、前記ラベル算出手段により付与又は補正された前記ラベル値と、からなる学習データの母集団である学習データセットを用いて、前記状態値セットを入力して前記ラベル値を出力する学習器に対して学習処理を行う学習処理手段、として機能させ、同一の予測対象物から時系列的に取得された複数組の状態値セットに関して、該複数組の状態値セットにそれぞれ対応する複数のラベル値を一括して付与又は補正する。

本発明によれば、実体寿命又は設定寿命を迎えていない予測対象物から取得した状態値セットを用いる場合であっても、ラベル値の不確定性に起因する予測精度の低下を抑制することができる。

本発明の一実施形態における学習処理装置が組み込まれた機器診断システムの全体構成図である。図１に示すプロセッサの機能ブロック図である。学習処理装置の動作に関するフローチャートである。ＩｏＴデータが有するデータ構造の一例を示す図である。複数組の状態値セットに対応するラベル値の付与方法の一例を示す図である。図２の学習器が有するネットワーク構造の一例を示す図である。学習データの判定方法の一例を示す図である。複数組の状態値セットに対応するラベル値の補正方法の一例を示す図である。ラベル値の一括補正による予測精度の向上効果を示す第一のグラフである。ラベル値の一括補正による予測精度の向上効果を示す第二のグラフである。

以下、添付図面を参照しながら本発明の実施形態について説明する。説明の理解を容易にするため、各図面において同一の構成要素に対しては可能な限り同一の符号を付して、重複する説明は省略する。

［機器診断システム１０の構成］
図１は、本発明の一実施形態における学習処理装置３０が組み込まれた機器診断システム１０の全体構成図である。機器診断システム１０は、予測対象物の機器年齢を予測し、予測対象物の劣化度又は新鮮度を診断する機器診断サービスを提供可能に構成される。「予測対象物」とは、機器２０又は機器２０を構成する部品２２であり、その用途は業務向けあるいは家庭向けのいずれであってもよい。「機器年齢」とは、機器２０の稼働開始時点から故障時点までの状態を定量的に示した指標であり、この最大値が機器２０の実体寿命に対応する。

この機器診断システム１０は、具体的には、一又は複数の機器２０と、学習処理装置３０と、年齢予測装置４０と、を含んで構成される。機器２０、学習処理装置３０及び年齢予測装置４０は、ネットワークＮＴを通じて相互に通信可能である。

機器２０は、複数の部品２２を協働させて一連の動作を行うことで、様々な機能を実現する。機器２０には、機器２０又は部品２２の状態を示す物理量を検出するセンサ２４が内蔵又は外付けされる。機器２０は、自身が生成した情報をＩｏＴ（Internet Of Things）データＤ１として外部に送信する。これにより、学習処理装置３０又は年齢予測装置４０は、各々の機器２０からＩｏＴデータＤ１を収集することができる。

学習処理装置３０は、各々の機器２０から収集したＩｏＴデータＤ１を用いて学習処理を実行し、学習器ＬＮ（図２及び図６）の演算規則を特定可能なモデルデータＤ２を生成するコンピュータである。この学習処理装置３０は、通信Ｉ／Ｆ３２と、プロセッサ３４と、メモリ３６と、記憶装置３８と、を含んで構成される。

通信Ｉ／Ｆ３２は、外部装置に対して電気信号を送受信するインターフェースである。これにより、学習処理装置３０は、ＩｏＴデータＤ１を機器２０から受信可能であるとともに、自身が生成したモデルデータＤ２を年齢予測装置４０に送信可能である。プロセッサ３４は、ＣＰＵ（Central Processing Unit）を含む汎用プロセッサであってもよいし、ＦＰＧＡ（Field Programmable Gate Array）、ＧＰＵ（Graphics Processing Unit）を含む専用プロセッサであってもよい。

メモリ３６は、非一過性の記憶媒体であり、プロセッサ３４が各構成要素を制御するのに必要なプログラム及びデータを記憶している。記憶装置３８は、例えば、ハードディスクドライブ（ＨＤＤ：Hard Disk Drive）やソリッドステートドライブ（ＳＳＤ：Solid State Drive）を含む非一過性の記憶媒体である。

年齢予測装置４０は、学習処理装置３０と概ね同様の装置構成を有するコンピュータである。年齢予測装置４０は、学習処理装置３０により提供されたモデルデータＤ２を取得することで、学習済みの学習器ＬＮを構築する。そして、年齢予測装置４０は、予測対象物である機器２０からＩｏＴデータＤ１を受信し、学習器ＬＮを用いて予測対象物の機器年齢を予測する。

図２は、図１に示すプロセッサ３４の機能ブロック図である。プロセッサ３４は、状態取得部５０、ラベル算出部５２、学習処理部５４、データ判定部５６、及び年齢予測部５８として機能する。また、記憶装置３８には、学習データセット６０及び学習パラメータ群６２が格納される。

状態取得部５０は、機器２０又は該機器２０を構成する部品２２（つまり、予測対象物）の状態を示す状態値の集合体（以下、「状態値セット」という）を取得する。状態値の一例として、［１］予測対象物に関する測定量（例えば、電流、電圧、温度、光量など）、［２］外部環境に関する測定量（例えば、時刻、場所、外部の温湿度など）、［３］部品２２を駆動する際の制御指令値、［４］機器２０のログデータ（正常／異常のステータス情報など）が挙げられる。

ラベル算出部５２は、予測対象物の劣化度又は新鮮度を示すラベル値を付与又は補正する。ラベル算出部５２は、同一の予測対象物から時系列的に取得された複数組の状態値セットに関して、該複数組の状態値セットにそれぞれ対応する複数のラベル値を一括して付与又は補正する。ここで、「付与」とは、ラベリングが未了である状態値セットに対してラベル値を新たに対応付けることを意味する。また、「補正」とは、ラベリングが既になされた状態値セットに対応するラベル値をより適切な値に変更することを意味する。

第一に、ラベル算出部５２は、キー状態値を所定の範囲で正規化することで各々のラベル値を付与してもよい。ここで、キー状態値は、機器年齢との間に相応の相関性を有する状態値であり、ラベル値の付与に用いられる。キー状態値の一例として、設定寿命の判断根拠となり得る各種パラメータ（具体的には、作動回数、稼働時間、設置日数など）が挙げられる。なお、キー状態値は、状態値セットに含まれてもよいが、学習への依存度が過度に高くならないように状態値セットから除外されることが望ましい。

第二に、ラベル算出部５２は、ラベル値が予測対象物の劣化度を正規化した値であり、かつ、複数組の学習データの中に学習誤差が大きい学習データがある場合、ラベル値が増加するにつれて大きくなる補正量を元のラベル値にそれぞれ加算することで、複数のラベル値を一括して補正してもよい。この補正量は、複数のラベル値のうち最大値である学習データに関する学習誤差を最大値で除算して求められる補正係数を、元のラベル値に乗算した値である。

第三に、ラベル算出部５２は、ラベル値が予測対象物の新鮮度を正規化した値であり、かつ、複数組の学習データの中に学習誤差が大きい学習データがある場合、ラベル値が増加するにつれて小さくなる補正量を元のラベル値にそれぞれ加算することで、複数のラベル値を一括して補正してもよい。この補正量は、複数のラベル値のうち最小値である学習データに関する学習誤差を最大値で除算して求められる補正係数を、元のラベル値に乗算した値である。

学習処理部５４は、学習器ＬＮに対して様々な学習処理（ここでは、教師あり学習）を行うことで、学習パラメータ群６２を構成する学習パラメータの各値を決定する。学習器ＬＮは、状態値セットを入力してラベル値を出力する学習モデルからなる。学習処理部５４は、ラベル算出部５２によりラベル値が補正された学習データセット６０を用いて、学習器ＬＮに対する再学習又は追加学習を繰り返す。なお、この学習手法は、バッチ学習、ミニバッチ学習、オンライン学習のいずれにも適用し得る。

データ判定部５６は、学習処理部５４により学習処理がなされた学習器ＬＮを用いて、学習データセット６０に含まれる学習データの除外又は該学習データのラベル値の補正を行うか否かを判定する。具体的には、データ判定部５６は、判定対象の学習データに関する学習誤差（例えば、Ｌ１誤差、Ｌ２誤差）との間の閾値判定を行う。例えば、データ判定部５６は、［１］学習誤差が第一閾値未満である場合には学習データをそのまま維持する、［２］学習誤差が第一閾値以上かつ第二閾値未満である場合には該当するラベル値を補正する、［３］学習誤差が第二閾値以上である場合には該当する学習データを削除する、との判定をそれぞれ行う。

年齢予測部５８は、学習処理がなされた学習器ＬＮを用いて、予測対象物の劣化度又は新鮮度を予測する。劣化度の一例として機器年齢が、新鮮度の一例として残存耐用期間（Remaining Useful Life）がそれぞれ挙げられる。なお、年齢予測部５８は、学習処理を行う学習処理装置３０で実行されてもよいし、別の装置（具体的には、図１の年齢予測装置４０）で実行されてもよい。

学習データセット６０は、状態値セットとラベル値から構成される学習データの集合体である。学習データは、［１］学習パラメータ群６２の更新に用いられる「訓練用データ」、［２］学習パラメータ群６２による汎化性能の評価に用いられる「検証用データ」、及び［３］学習がなされた学習器ＬＮの予測性能の評価に用いられる「テスト用データ」の３種類に分類される。

学習パラメータ群６２は、学習器ＬＮの演算に用いられる学習パラメータの集合体である。学習パラメータ群６２は、学習時の更新対象である「可変パラメータ」と、学習時の更新対象でない「固定パラメータ」（いわゆるハイパーパラメータ）から構成される。可変パラメータの一例として、演算ユニットの活性化関数を記述する係数、演算ユニット間の結合強度などが挙げられる。固定パラメータの一例として、演算ユニットの個数、中間層の数、畳み込み演算のカーネルサイズなどが挙げられる。

［学習処理装置３０の動作］
この実施形態における学習処理装置３０が組み込まれた機器診断システム１０は、以上のように構成される。続いて、学習処理装置３０による学習動作について、図３のフローチャート及び図４～図１０を参照しながら説明する。

図３のステップＳＰ１０において、状態取得部５０は、ＩｏＴデータＤ１に対して解析及び前処理を行うことで、予測対象物の状態を示す状態値の集合体（つまり、状態値セット）を取得する。

図４は、ＩｏＴデータＤ１が有するデータ構造の一例を示す図である。このＩｏＴデータＤ１は、機器２０の識別情報である「機器ＩＤ」と、（Ｎ＋１）個の状態値との間の対応関係を示すテーブル形式のデータである。（Ｎ＋１）個の状態値は、１個の「キー状態値」（ここでは、機器２０の作動回数）と、Ｎ個の「状態値セット」とに分類される。

ステップＳＰ１２において、ラベル算出部５２は、ステップＳＰ１０で取得された状態値セットに対応するラベル値を付与する。ここでは、ラベル算出部５２は、同一の予測対象物から複数の時点で取得された複数組の状態値セットに対応するラベル値を一括して付与する。

図５は、複数組の状態値セットに対応するラベル値の付与方法の一例を示す図である。グラフの横軸は作動回数（単位：回）を、グラフの縦軸は機器年齢（単位：歳）をそれぞれ示している。説明の便宜上、５個のプロットのみ表記しているが。状態値セットの組数は４組以下あるいは６組以上であってもよい。

例えば、最後に取得された状態値セットに対応する作動回数がＮ回、つまり、作動回数の最大値が「Ｎ」であることを想定する。このＮの値は、機器２０を交換又は撤去した状況によっては、実体寿命に相当する場合もあるし、実体寿命より小さい場合もあり得る。ここでは、ラベル算出部５２は、作動回数を［０，１００］の範囲で正規化することで各々のラベル値を付与する。具体的には、作動回数が０である場合に「０」歳とし、作動回数がＮである場合に「１００」歳とする。

図３のステップＳＰ１４において、プロセッサ３４は、ステップＳＰ１０で取得された状態値セットと、ステップＳＰ１２で生成されたラベル値と、を対応付けた状態にて記憶装置３８に記憶させる。新たな学習データの蓄積により、学習データセット６０が更新される。

ステップＳＰ１６において、学習処理部５４は、学習器ＬＮに対する学習処理の実行要否を確認する。学習処理の実行が必要でない場合（ステップＳＰ１６：ＮＯ）、ステップＳＰ１０に戻って、実行が必要になるまでの間、ステップＳＰ１０～ＳＰ１６を順次繰り返す。一方、学習処理の実行が必要である場合（ステップＳＰ１６：ＹＥＳ）、次のステップＳＰ１８に進む。

ステップＳＰ１８において、学習処理部５４は、学習データセット６０を用いて、学習器ＬＮに対する学習処理を実行する。ここでは、学習データの組数が十分に蓄積されたことを契機として、新たな学習が行われる場合を想定する。

図６は、図２の学習器ＬＮが有するネットワーク構造の一例を示す図である。学習器ＬＮは、入力層、中間層及び出力層からなる階層型ニューラルネットワークである。入力層は、Ｎ個の状態値を入力するためのＮ個の演算ユニットから構成される。中間層は、次元圧縮されたＭ（１＜Ｍ＜Ｎ）次元の特徴ベクトルを生成するためのＭ個の演算ユニットから構成される。出力層は、ラベル値を出力するための２１個の演算ユニットから構成される。

本図の例では、機器年齢が０～１００歳の範囲を５歳おきに区分し、かつ、出力層ではソフトマックス関数を作用する。これにより、学習器ＬＮは、０，５，１０，・・・，９５，１００歳である確率をそれぞれ出力する。例えば、出力された確率分布のうち確率が最大であるラベル値が、機器年齢の予測値として求められる。

なお、学習データのバッチ選択規則、損失項を含む目的関数の演算式、学習パラメータの更新則を含む学習アルゴリズムは、様々な手法が採用され得る。この学習処理を繰り返して実行した結果、所定の収束条件を満たす学習パラメータ群６２が決定される。

図３のステップＳＰ２０において、データ判定部５６は、ステップＳＰ１８で学習処理がなされた学習器ＬＮを用いて、学習データセット６０に含まれる学習データの判定を行う。具体的には、データ判定部５６は、状態値データから得られる「予測値」と、この状態値データに対応する「教示値」との学習誤差（ここでは、Ｌ１誤差）を評価する。

図７は、学習データの判定方法の一例を示す図である。グラフの軸は、機器年齢（単位：歳）を示している。ここでは、ラベル値（あるいは、教示値）が１００歳である場合を想定する。［条件Ａ］学習誤差が１５未満である場合、データ判定部５６は、付与されたラベル値が妥当であるので、学習データをそのまま維持する旨の判定を行う。［条件Ｂ］学習誤差が１５以上かつ３０未満である場合、データ判定部５６は、付与されたラベル値が妥当でないため、ラベル値を補正する旨の判定を行う。［条件Ｃ］学習誤差が３０以上である場合、データ判定部５６は、学習データ自体が不適切であるため、学習データを除外する旨の判定を行う。

図３のステップＳＰ２２において、データ判定部５６は、ステップＳＰ２０での判定結果に基づいて、変更が必要とされる学習データの有無を確認する。変更対象の学習データがない場合（ステップＳＰ２２：ＮＯ）、そのままフローチャートを終了する。一方、変更対象の学習データがある場合（ステップＳＰ２２：ＹＥＳ）、次のステップＳＰ２４に進む。

ステップＳＰ２４において、データ判定部５６は、記憶装置３８に記憶されている学習データセット６０を更新（「ラベル値を一括補正」又は「学習データを削除」）する旨の指示を行う。ここでは、ラベル算出部５２は、同一の予測対象物から複数の時点で取得された複数組の状態値セットに対応するラベル値を一括して補正する。

図８は、複数組の状態値セットに対応するラベル値の補正方法の一例を示す図である。グラフの横軸は補正前の年齢（単位：歳）を、グラフの縦軸は補正後の年齢（単位：歳）をそれぞれ示している。図５の場合と同様に、状態値セットの組数が５である。

例えば、５個のラベル値のうちの最大値が１００歳であり、対応する学習誤差が２０歳であったとする。この場合、補正係数Ｃは、（１００－２０）／１００＝０．８と求められる。そして、元のラベル値に対して補正係数Ｃ＝０．８を乗算することで、それぞれのラベル値が線形的に補正される。このように、特定のラベル値を一括で補正することで、時系列で取得された状態値セット同士の関係性が維持されやすくなる。

その後、ステップＳＰ１８に戻って、学習データの変更が不要になるまで、ステップＳＰ１８～ＳＰ２４を順次繰り返す。なお、学習処理部５４は、ステップＳＰ２４で学習データが変更された後、学習パラメータ群６２を初期化した上で、学習器ＬＮに対して再学習を行ってもよい。あるいは、学習処理部５４は、ステップＳＰ２４で変更された複数組の学習データのみを用いて、学習途中である学習器ＬＮに対して追加学習を行ってもよい。

図９は、ラベル値の一括補正による予測精度の向上効果を示す第一のグラフである。より詳しくは、図９（ａ）はラベル値の一括補正を行わない「比較例」を、図９（ｂ）はラベル値の一括補正を行う「実施例」をそれぞれ示している。また、図５の場合と同様に、グラフの横軸は作動回数（単位：回）を、グラフの縦軸は機器年齢（単位：歳）をそれぞれ示している。

ここでは、正常に寿命に達した機器２０から全時系列のＩｏＴデータＤ１を収集し、機器年齢をそれぞれ予測してグラフを作成した。なお、部品２２を定期的に交換しながら機器２０の稼働を継続しているので、機器年齢のグラフは微視的に変動する点に留意する。つまり、部品２２の交換直前では機器年齢が高くなり、部品２２の交換直後では機器年齢が低くなる傾向がある。

図９（ａ）の「比較例」では、作動回数が少ない領域から中間領域にわたって、機器年齢が大局的に線形的に増加している。ところが、作動回数が多い領域（つまり、実体寿命に近い領域）では、機器年齢のクリッピング現象が発生するので、その分だけ予測精度が低下してしまう。その理由は、設定寿命（装置の交換時期）が実体寿命からマージンを差し引いて定められるので、そのマージン領域内での機器年齢の微妙な違いを予測できないからである。一方、図９（ｂ）の「実施例」では、ラベル値の一括補正を通じて、上記したクリッピング現象が抑制されるので、作動回数の全領域（つまり、全範囲の機器年齢）を高精度に予測することができる。

図１０は、ラベル値の一括補正による予測精度の向上効果を示す第二のグラフである。より詳しくは、図９（ａ）はラベル値の一括補正を行わない「比較例」を、図９（ｂ）はラベル値の一括補正を行う「実施例」をそれぞれ示している。ここでは、実体寿命を全うする前に何らかの理由で故障が発生した機器２０から、全時系列のＩｏＴデータＤ１を収集し、機器年齢をそれぞれ予測してグラフを作成した。

図１０（ａ）の「比較例」では、作動回数にかかわらず機器年齢が略一定であると予測されるため、機器２０の状態変化の兆候を検出することが困難である。一方、図１０（ｂ）の「実施例」では、図９（ｂ）の場合と同様に、作動回数と機器年齢の間の関係性を適切に表現できるため、機器２０の状態変化の兆候を高精度に予測することができる。

［実施形態のまとめ］
以上のように、この実施形態における学習処理装置３０は、機器２０又は該機器２０を構成する部品２２である予測対象物の状態を示す状態値セットを取得する状態取得部５０と、予測対象物の劣化度又は新鮮度を示すラベル値を付与又は補正するラベル算出部５２と、状態取得部５０により取得された状態値セットと、ラベル算出部５２により付与又は補正されたラベル値と、からなる学習データの母集団である学習データセット６０を用いて、状態値セットを入力してラベル値を出力する学習器ＬＮに対して学習処理を行う学習処理部５４と、を備える。そして、ラベル算出部５２は、同一の予測対象物から時系列的に取得された複数組の状態値セットに関して、該複数組の状態値セットにそれぞれ対応する複数のラベル値を一括して付与又は補正する。

また、この実施形態における学習処理方法及びプログラムでは、一又は複数のコンピュータが、機器２０又は該機器２０を構成する部品２２である予測対象物の状態を示す状態値セットを取得する取得ステップ（ＳＰ１０）と、予測対象物の劣化度又は新鮮度を示すラベル値を付与又は補正する算出ステップ（ＳＰ１２，ＳＰ２４）と、取得された状態値セットと、付与又は補正されたラベル値と、からなる学習データの母集団である学習データセット６０を用いて、状態値セットを入力してラベル値を出力する学習器ＬＮに対して学習処理を行う学習ステップ（ＳＰ１８）と、を実行する。そして、算出ステップ（ＳＰ２４）では、同一の予測対象物から時系列的に取得された複数組の状態値セットに関して、該複数組の状態値セットにそれぞれ対応する複数のラベル値を一括して付与又は補正する。

このように、同一の予測対象物から時系列的に取得された複数組の状態値セットに関して、該複数組の状態値セットにそれぞれ対応する複数のラベル値を一括して付与又は補正するので、複数組の状態値セット同士の相対的な関係性を保ったまま複数のラベル値が設定される。つまり、実際の劣化度又は新鮮度を特定できない場合には、一括的な付与又は補正を通じて、実体寿命の予測が反映された適正なラベル値を設定可能となる。これにより、実体寿命又は設定寿命を迎えていない予測対象物から取得した状態値セットを用いる場合であっても、ラベル値の不確定性に起因する予測精度の低下を抑制することができる。

また、ラベル算出部５２は、ラベル値が予測対象物の劣化度を正規化した値であり、かつ複数組の学習データの中に学習誤差が大きい学習データがある場合、ラベル値が増加するにつれて大きくなる補正量を元のラベル値にそれぞれ加算することで、複数のラベル値を一括して補正してもよい。

また、補正量は、複数のラベル値のうち最大値である学習データに関する学習誤差を最大値で除算して求められる補正係数を、元のラベル値に乗算した値であってもよい。これにより、ラベル値が最大である学習データに関する学習誤差をより小さくことができる。

また、学習処理装置３０は、学習処理部５４により学習処理がなされた学習器ＬＮを用いて、学習データセット６０に含まれる学習データの除外又は該学習データのラベル値の補正を行うか否かを判定するデータ判定部５６をさらに備えてもよい。

また、学習処理部５４は、ラベル算出部５２によりラベル値が補正された学習データセット６０を用いて、学習器ＬＮに対する再学習又は追加学習を繰り返してもよい。これにより、学習データのクレンジングが逐次的に行われ、学習器ＬＮの予測精度が向上する。

［変形例］
なお、本発明は、上記した実施形態に限定されるものではなく、この発明の主旨を逸脱しない範囲で自由に変更できることは勿論である。あるいは、技術的に矛盾が生じない範囲で各々の構成を任意に組み合わせてもよい。

上記した実施形態では、学習処理装置３０を単体のコンピュータとして図示しているが、これに代わって、学習処理装置３０は、分散システムを構築するコンピュータ群であってもよい。また、学習処理装置３０は、クラウド型のサーバ（いわゆる、クラウドサーバ）であってもよいし、オンプレミス型のサーバであってもよい。

上記した実施形態では、階層型ニューラルネットワークを用いて学習器ＬＮ（図６参照）を構築したが、機械学習の手法はこれに限られない。例えば、サポートベクターマシン、ディシジョンツリー（一例として、ランダムフォレスト）、ブースティング法（一例として、勾配ブースティング法）を含む様々な手法を採用してもよい。

上記した実施形態では、機器年齢を複数の区分又は度数（つまり、離散値）によって分類し、確率が最大値であるラベル値を機器年齢として計算する場合について説明したが、機器年齢の計算方法はこれに限られない。例えば、機器年齢は、度数と確率の積和（つまり、期待値）であってもよい。また、学習器ＬＮの出力層に設けられる演算ユニットを一個に減らして、［０，１］などに正規化された機器年齢が、一個の連続値として出力されてもよい。

１０…機器診断システム、２０…機器（予測対象物）、２２…部品（予測対象物）、３０…学習処理装置、５０…状態取得部、５２…ラベル算出部、５４…学習処理部、５６…データ判定部、６０…学習データセット、ＬＮ…学習器

Claims

機器又は該機器を構成する部品である予測対象物の状態を示す状態値セットを取得する状態取得部と、
前記予測対象物の劣化度を正規化した値であるラベル値を付与又は補正するラベル算出部と、
前記状態取得部により取得された前記状態値セットと、前記ラベル算出部により付与又は補正された前記ラベル値と、からなる学習データの母集団である学習データセットを用いて、前記状態値セットを入力して前記ラベル値を出力する学習器に対して学習処理を行う学習処理部と、
を備え、
前記学習データセットには、同一の予測対象物から時系列的に取得された複数組の状態値セットと、前記ラベル算出部により付与された複数のラベル値と、からなる時系列的な学習データが含まれ、
前記ラベル算出部は、前記時系列的な学習データの中に、前記学習処理の際に算出される学習誤差が閾値よりも大きい学習データがある場合、ラベル値が増加するにつれて大きくなる補正量を元のラベル値にそれぞれ加算することで、前記時系列的な学習データにおける複数のラベル値を一括して補正する、学習処理装置。
前記補正量は、前記複数のラベル値のうち最大値である学習データに関する学習誤差を前記最大値で除算して求められる補正係数を、前記元のラベル値に乗算した値である、
請求項１に記載の学習処理装置。
前記学習処理部により学習処理がなされた学習器を用いて、前記学習データセットに含まれる学習データの除外又は該学習データのラベル値の補正を行うか否かを判定するデータ判定部をさらに備える、
請求項１又は２に記載の学習処理装置。
前記学習処理部は、前記ラベル算出部によりラベル値が補正された学習データセットを用いて、前記学習器に対する再学習又は追加学習を繰り返す、
請求項１～３のいずれか１項に記載の学習処理装置。
一又は複数のコンピュータが、
機器又は該機器を構成する部品である予測対象物の状態を示す状態値セットを取得する取得ステップと、
前記予測対象物の劣化度を正規化した値であるラベル値を付与又は補正する算出ステップと、
前記取得ステップで取得された前記状態値セットと、前記算出ステップで付与又は補正された前記ラベル値と、からなる学習データの母集団である学習データセットを用いて、前記状態値セットを入力して前記ラベル値を出力する学習器に対して学習処理を行う学習ステップと、
を実行し、
前記学習データセットには、同一の予測対象物から時系列的に取得された複数組の状態値セットと、前記算出ステップで付与された複数のラベル値と、からなる時系列的な学習データが含まれ、
前記算出ステップでは、前記時系列的な学習データの中に、前記学習処理の際に算出される学習誤差が閾値よりも大きい学習データがある場合、ラベル値が増加するにつれて大きくなる補正量を元のラベル値にそれぞれ加算することで、前記時系列的な学習データにおける複数のラベル値を一括して補正する、学習処理方法。
一又は複数のコンピュータを、
機器又は該機器を構成する部品である予測対象物の状態を示す状態値セットを取得する状態取得手段、
前記予測対象物の劣化度を正規化した値であるラベル値を付与又は補正するラベル算出手段、
前記状態取得手段により取得された前記状態値セットと、前記ラベル算出手段により付与又は補正された前記ラベル値と、からなる学習データの母集団である学習データセットを用いて、前記状態値セットを入力して前記ラベル値を出力する学習器に対して学習処理を行う学習処理手段、
として機能させ、
前記学習データセットには、同一の予測対象物から時系列的に取得された複数組の状態値セットと、前記ラベル算出手段により付与された複数のラベル値と、からなる時系列的な学習データが含まれ、
前記ラベル算出手段は、前記時系列的な学習データの中に、前記学習処理の際に算出される学習誤差が閾値よりも大きい学習データがある場合、ラベル値が増加するにつれて大きくなる補正量を元のラベル値にそれぞれ加算することで、前記時系列的な学習データにおける複数のラベル値を一括して補正する、学習処理プログラム。