JP7491724B2 - 情報処理装置および情報処理方法 - Google Patents
情報処理装置および情報処理方法 Download PDFInfo
- Publication number
- JP7491724B2 JP7491724B2 JP2020075823A JP2020075823A JP7491724B2 JP 7491724 B2 JP7491724 B2 JP 7491724B2 JP 2020075823 A JP2020075823 A JP 2020075823A JP 2020075823 A JP2020075823 A JP 2020075823A JP 7491724 B2 JP7491724 B2 JP 7491724B2
- Authority
- JP
- Japan
- Prior art keywords
- feature
- variable
- variables
- data
- information processing
- 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.)
- Active
Links
- 230000010365 information processing Effects 0.000 title claims description 104
- 238000003672 processing method Methods 0.000 title claims 3
- 238000011156 evaluation Methods 0.000 claims description 54
- 238000000034 method Methods 0.000 claims description 53
- 238000012545 processing Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 43
- 238000004364 calculation method Methods 0.000 claims description 42
- 238000005259 measurement Methods 0.000 claims description 31
- 238000010801 machine learning Methods 0.000 claims description 25
- 238000004519 manufacturing process Methods 0.000 claims description 18
- 239000000463 material Substances 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 description 16
- 238000004422 calculation algorithm Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 239000007787 solid Substances 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000001364 causal effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 238000012880 independent component analysis Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 235000008733 Citrus aurantifolia Nutrition 0.000 description 1
- 235000011941 Tilia x europaea Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004571 lime Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229920003023 plastic Polymers 0.000 description 1
- 239000004033 plastic Substances 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Description
以下、本発明の一実施の形態を詳述する。本実施の形態では、使用者がプラントを制御し易い予測モデルの生成方法に関して説明する。
図1において、101は、全体として第1の実施の形態による情報処理装置を示す。図1は、情報処理装置101に係る構成の一例を示す図である。
情報処理装置101の動作について、図5に示す処理フローを用いて説明する。図5は、情報処理装置101が学習データを取得して予測モデルを生成するまでの処理(予測モデル生成処理)の一例を示す図である。
変数tは、任意の時刻インデックスであり、例えば、図4におけるTの任意の値が該当する。
貢献度は、評価対象の特徴量変数が目的変数の予測においてどれくらい貢献するかを指標化(評価)したものである。より具体的には、貢献度として、目的変数と特徴量変数との相関値等を適用する。
類似度は、評価対象の特徴量変数と当該特徴量変数以外の各特徴量変数との類似性を指標化したものである。より具体的には、類似度として、互いの特徴量変数の相関値等を適用する。類似度を評価することによって、予測モデルを生成する際に、同じ性質を持つ複数の説明変数が存在することで発生する多重共線性を防ぐための変数選択を行うことができる。
収束性は、評価対象の特徴量変数、または当該特徴量変数の生成元となった説明変数に関して、対応する計測値に変化が生じた場合に、どれくらい素早く設定された値に計測値が収束するかを指標化したものである。より具体的には、情報処理装置101は、ある装置の項目に対する設定値と、当該項目に対応する計測値の特徴量変数の学習データを解析することで算出を行う。
因果性は、評価対象の特徴量変数に対して、因果関係を持つ他の特徴量変数との関わり合いを指標化したものである。例えば、ある装置Pの前工程に存在する装置P-1があった場合に、それぞれの装置で計測される温度値に高い相関があったとして、当該温度値は、前工程である装置P-1で行われる操作に強く依存しているような場合、装置Pは、装置P-1の子であると言える。逆に、装置P-1は、装置Pの親であると言える。
上述の実施の形態には、例えば、以下のような内容が含まれる。
Claims (4)
- 複数の装置から構成され当該複数の装置による生産処理より材料から製品を生産するプラントで計測されたデータのうち、予測する対象である目的変数を説明するための複数の説明変数のデータから、前記目的変数の予測に適した複数の特徴量変数のデータを生成する処理を行う処理部と、
前記複数の特徴量変数の各々について、前記プラントの制御性を示す指標を算出する算出部と、
前記算出部により算出された指標に基づいて選択された特徴量変数のデータをもとに、機械学習により前記目的変数を予測する予測モデルを生成する生成部と、
を備え、
前記複数の装置は、前記製品を出力する第1の装置と、前記第1の装置以外の複数の第2の装置とで構成され、
前記処理部は、前記複数の第2の装置の各々について、当該第2の装置を材料が通過して前記第1の装置に到達するまでの時間差を特定し、特定された時間差を基に、当該第2の装置に対応した説明変数を、材料が前記第1の装置に到達すると予想される時刻における値に変換する補正処理を行い、
前記複数の特徴量変数は、前記補正処理が施された複数の説明変数から変換されたものであり、
前記算出部は、前記複数の特徴量変数のうち、前記プラントの設定値が対応付けられている特徴量変数について、前記プラントの制御性を示す指標として、前記設定値が変更された際に、変更された設定値にどれくらい素早く前記特徴量変数に係る計測値が収束するかを示す収束性を算出し、
前記算出部は、前記複数の特徴量変数のうち、所定の値より類似度が高い特徴量変数のデータが前記プラントにおける生産工程のどの工程で計測されたデータであるかを示す因果性を算出し、
前記算出部は、前記複数の特徴量変数のうちの評価対象の特徴量変数と前記目的変数との相関値であり、当該評価対象の特徴量変数が前記目的変数の予測において貢献する貢献度を算出し、
前記算出部は、前記評価対象の特徴量変数のうちの前記評価対象の特徴量変数以外の各特徴量変数について、当該特徴量変数と前記評価対象の特徴量変数との相関値であり、当該特徴量変数の前記評価対象の特徴量変数との類似度を算出する、
情報処理装置。 - 前記プラントで計測されたデータを記憶する記憶装置が接続され、
前記複数の特徴量変数の各々について、前記記憶装置に記憶されているデータのうち前記目的変数と相関が最も高い1つのデータを特定する特定部を備え、
前記算出部は、前記複数の特徴量変数の各々について、前記特定部により特定されたデータを用いて、前記プラントの制御性を示す指標を算出し、
前記生成部は、前記算出部により算出された指標に基づいて選択された特徴量変数のデータであって、前記特定部により特定されたデータをもとに、機械学習により前記目的変数を予測する予測モデルを生成する、
請求項1に記載の情報処理装置。 - 前記算出部は、前記目的変数の予測の精度を示す指標を算出し、
前記複数の特徴量変数の各々について、前記算出部により算出された前記目的変数の予測の精度を示す指標と、前記算出部により算出された前記プラントの制御性を示す指標とを対応付けて出力する出力部と、
前記出力部による出力をもとに前記目的変数の予測に用いる特徴量変数が使用者により選択された情報を入力する入力部と、を備え、
前記生成部は、前記入力部により入力された情報に基づいて、前記使用者により選択された特徴量変数のデータをもとに、機械学習により前記目的変数を予測する予測モデルを生成する、
請求項1に記載の情報処理装置。 - (A)処理部が、複数の装置から構成され当該複数の装置による生産処理より材料から製品を生産するプラントで計測されたデータのうち、予測する対象である目的変数を説明するための複数の説明変数のデータから、前記目的変数の予測に適した複数の特徴量変数のデータを生成する処理を行うことと、
(B)算出部が、前記複数の特徴量変数の各々について、前記プラントの制御性を示す指標を算出することと、
(C)生成部が、前記算出部により算出された指標に基づいて選択された特徴量変数のデータをもとに、機械学習により前記目的変数を予測する予測モデルを生成することと、
を含む情報処理方法であって、
前記複数の装置は、前記製品を出力する第1の装置と、前記第1の装置以外の複数の第2の装置とで構成され、
(A)において、前記生成部は、前記複数の第2の装置の各々について、当該第2の装置を材料が通過して前記第1の装置に到達するまでの時間差を特定し、特定された時間差を基に、当該第2の装置に対応した説明変数を、材料が前記第1の装置に到達すると予想される時刻における値に変換する補正処理を行い、
前記複数の特徴量変数は、前記補正処理が施された複数の説明変数から変換されたものであり、
(B)において、前記算出部は、前記複数の特徴量変数のうち、前記プラントの設定値が対応付けられている特徴量変数について、前記プラントの制御性を示す指標として、前記設定値が変更された際に、変更された設定値にどれくらい素早く前記特徴量変数に係る計測値が収束するかを示す収束性を算出し、
(B)において、前記算出部は、前記複数の特徴量変数のうち、所定の値より類似度が高い特徴量変数のデータが前記プラントにおける生産工程のどの工程で計測されたデータであるかを示す因果性を算出し、
(B)において、前記算出部は、前記複数の特徴量変数のうちの評価対象の特徴量変数と前記目的変数との相関値であり、当該特徴量変数が前記目的変数の予測において貢献する貢献度を算出し、
(B)において、前記算出部は、前記評価対象の特徴量変数のうちの前記評価対象の特徴量変数以外の各特徴量変数について、当該特徴量変数と前記評価対象の特徴量変数との相関値であり、当該特徴量変数の前記評価対象の特徴量変数との類似度を算出し、
前記算出部、前記処理部、及び、前記生成部は、情報処理装置の構成要素である、
情報処理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020075823A JP7491724B2 (ja) | 2020-04-22 | 2020-04-22 | 情報処理装置および情報処理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020075823A JP7491724B2 (ja) | 2020-04-22 | 2020-04-22 | 情報処理装置および情報処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021174125A JP2021174125A (ja) | 2021-11-01 |
JP7491724B2 true JP7491724B2 (ja) | 2024-05-28 |
Family
ID=78281837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020075823A Active JP7491724B2 (ja) | 2020-04-22 | 2020-04-22 | 情報処理装置および情報処理方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7491724B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024100771A1 (ja) * | 2022-11-08 | 2024-05-16 | 株式会社安川電機 | 高炉の原料装入制御装置、開度指令値の生成方法、及びプログラム |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015172945A (ja) | 2009-08-28 | 2015-10-01 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP2018163622A (ja) | 2017-03-27 | 2018-10-18 | 国立大学法人鳥取大学 | 製造不良原因の探索支援方法及び情報処理装置 |
JP2019049850A (ja) | 2017-09-08 | 2019-03-28 | 株式会社日立製作所 | 予測システム及び方法 |
JP2019082943A (ja) | 2017-10-31 | 2019-05-30 | 株式会社日立製作所 | 因果関係モデル構築システムおよび方法 |
JP2019197315A (ja) | 2018-05-08 | 2019-11-14 | 千代田化工建設株式会社 | プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置 |
JP2020047230A (ja) | 2018-09-21 | 2020-03-26 | 株式会社 日立産業制御ソリューションズ | リモデル支援装置、および、リモデル支援方法 |
-
2020
- 2020-04-22 JP JP2020075823A patent/JP7491724B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015172945A (ja) | 2009-08-28 | 2015-10-01 | 株式会社日立製作所 | 設備状態監視方法およびその装置 |
JP2018163622A (ja) | 2017-03-27 | 2018-10-18 | 国立大学法人鳥取大学 | 製造不良原因の探索支援方法及び情報処理装置 |
JP2019049850A (ja) | 2017-09-08 | 2019-03-28 | 株式会社日立製作所 | 予測システム及び方法 |
JP2019082943A (ja) | 2017-10-31 | 2019-05-30 | 株式会社日立製作所 | 因果関係モデル構築システムおよび方法 |
JP2019197315A (ja) | 2018-05-08 | 2019-11-14 | 千代田化工建設株式会社 | プラント運転条件設定支援システム、学習装置、及び運転条件設定支援装置 |
JP2020047230A (ja) | 2018-09-21 | 2020-03-26 | 株式会社 日立産業制御ソリューションズ | リモデル支援装置、および、リモデル支援方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2021174125A (ja) | 2021-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Civelek | Essentials of structural equation modeling | |
Igolkina et al. | semopy: A python package for structural equation modeling | |
Kaya et al. | Process capability analyses based on fuzzy measurements and fuzzy control charts | |
JP5338492B2 (ja) | 入力変数選択支援装置 | |
Sawatsky et al. | Partial least squares regression in the social sciences | |
JP2018195308A (ja) | プロセス及び製造業における業績評価指標のデータに基づく最適化のための方法及びシステム | |
Ghosh et al. | Cyber-empathic design: A data-driven framework for product design | |
Rouchier | Solving inverse problems in building physics: An overview of guidelines for a careful and optimal use of data | |
Khezrimotlagh et al. | A new method for evaluating decision making units in DEA | |
Wu et al. | Control chart pattern recognition using an integrated model based on binary-tree support vector machine | |
JP2018163622A (ja) | 製造不良原因の探索支援方法及び情報処理装置 | |
Ramos et al. | Multivariate statistical process control methods for batch production: A review focused on applications | |
JP7491724B2 (ja) | 情報処理装置および情報処理方法 | |
Rupšys | New insights into tree height distribution based on mixed effects univariate diffusion processes | |
Kleijnen et al. | Methodology for determining the acceptability of system designs in uncertain environments | |
Langary et al. | Inference of chemical reaction networks based on concentration profiles using an optimization framework | |
Tong et al. | Soft sensing of non-Gaussian processes using ensemble modified independent component regression | |
Ali et al. | A comparative analysis of machine learning and statistical methods for evaluating building performance: A systematic review and future benchmarking framework | |
Xue et al. | A nonparametric EWMA control chart for monitoring mixed continuous and count data | |
Adler et al. | Ranking methods within data envelopment analysis | |
Wu et al. | PolyODENet: Deriving mass-action rate equations from incomplete transient kinetics data | |
Jia et al. | A subspace ensemble regression model based slow feature for soft sensing application | |
Turek et al. | OmicsON–Integration of omics data with molecular networks and statistical procedures | |
Jmp et al. | Modeling and multivariate methods | |
Hasdemir et al. | How informative is your kinetic model?: using resampling methods for model invalidation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230111 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231211 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231226 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240215 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240507 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240516 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7491724 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |