JP7524784B2 - 情報処理装置、制御システムおよびレポート出力方法 - Google Patents
情報処理装置、制御システムおよびレポート出力方法 Download PDFInfo
- Publication number
- JP7524784B2 JP7524784B2 JP2021014386A JP2021014386A JP7524784B2 JP 7524784 B2 JP7524784 B2 JP 7524784B2 JP 2021014386 A JP2021014386 A JP 2021014386A JP 2021014386 A JP2021014386 A JP 2021014386A JP 7524784 B2 JP7524784 B2 JP 7524784B2
- Authority
- JP
- Japan
- Prior art keywords
- report
- trained model
- control device
- information processing
- series data
- 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
- 238000000034 method Methods 0.000 title claims description 52
- 230000010365 information processing Effects 0.000 title claims description 35
- 230000008859 change Effects 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 27
- 238000001914 filtration Methods 0.000 claims description 16
- 230000002123 temporal effect Effects 0.000 claims description 15
- 238000001514 detection method Methods 0.000 description 40
- 230000008569 process Effects 0.000 description 36
- 238000010586 diagram Methods 0.000 description 20
- 238000012545 processing Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 14
- 238000007726 management method Methods 0.000 description 12
- 238000007418 data mining Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000018109 developmental process Effects 0.000 description 5
- 230000005856 abnormality Effects 0.000 description 4
- 238000013480 data collection Methods 0.000 description 4
- 238000013523 data management Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 239000011265 semifinished product Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
本技術は、制御装置に接続される情報処理装置、制御装置を含む制御システム、および制御システムで用いられるレポート出力方法に関する。
様々な生産現場において、機械学習を活用して、生産性や設備稼働率を向上させたいというニーズが存在する。一般的な機械学習では、過去に生じた事象を収集して、学習済モデルを生成するが、生成された学習済モデルの妥当性などを評価することは容易ではない。また、任意の条件毎に学習済モデルがそれぞれ生成されているような場合には、いずれの学習済モデルを採用するのかを判断することが難しい。
例えば、特開2020-042668号公報(特許文献1)は、現場のユーザが要求仕様を満足する学習モデルを選択することを容易にする検査装置などを開示する。
上述の先行技術文献においては、予め生成された学習済モデルのうちから、適切な学習済モデルを選択する技術に向けられるものであり、学習済モデル自体の妥当性を評価することについては検討されていない。
本技術は、学習済モデル自体の妥当性をより容易に評価できる方法を提供するものである。
本技術の一例に従えば、制御対象を制御するための制御装置に接続される情報処理装置が提供される。制御装置は、制御対象から収集される情報から算出される特徴量が入力されて、所定のイベントの可能性を示すスコアを出力する学習済モデル、を少なくとも1つ有している。情報処理装置は、制御対象から収集された情報の時系列データを制御装置から取得する取得部と、取得した時系列データに基づいて、学習済モデルに関するレポートを生成する生成部とを含む。レポートは、特定のイベントに対応する学習済モデルに入力される特徴量の時間的変化と、当該学習済モデルから出力されるスコアの時間的変化と、当該学習済モデルの性能指標とを含むレポート要素を、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせて、複数含む。
この構成によれば、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせた複数のレポート要素を含むレポートが生成されるので、生成されたレポートの内容に基づいて、学習済モデル自体の妥当性を容易に評価できる。
レポートにおいて、レポート要素の各々は、第1の方向に情報が並べて配置されており、レポート要素の間は、第2の方向に並べて配置されていてもよい。この構成によれば、複数のレポート要素が2次元で配列された形で表現されるので、より容易に内容を理解できる。
情報処理装置は、時系列データに基づいて、対応する学習済モデルの性能指標を算出する第1の算出部をさらに含む。性能指標は、正答率、見逃し率、見過ぎ率のうち、少なくとも1つを含んでいてもよい。この構成によれば、学習済モデル自体の妥当性を数値的に評価できる。
レポート要素の各々は、対応する学習済モデルに設定されているしきい値を含んでいてもよい。この構成によれば、出力された時間的変化としきい値とに基づいて、学習済モデルの設定の妥当性をより容易に評価できる。
レポートは、レポート要素のソートまたはフィルタが可能に構成されてもよい。この構成によれば、ユーザが所望するレポート要素のみを容易に選択あるいは抽出できる。
レポートは、レポート要素のソートまたはフィルタを実現するためのコードを含んでいてもよい。この構成によれば、レポート要素をソートあるいはフィルタするための専用アプリなどを不要にでき、二次利用性を高めることができる。
情報処理装置は、時系列データに基づいて、対応する学習済モデルに入力される特徴量、および、当該学習済モデルから出力されるスコアを算出する第2の算出部をさらに含んでいてもよい。この構成によれば、制御装置から特徴量またはスコアを取得できない場合でも、レポートを出力できる。
情報処理装置は、レポートに含まれる時間的変化の間で類似するものを検索する検索部をさらに含んでいてもよい。この構成によれば、比較対象となるレポート要素を容易に抽出あるいは選択できる。
本技術の別の例に従う制御システムは、制御対象を制御するための制御装置と、制御装置に接続される情報処理装置とを含む。制御装置は、制御対象から収集される情報から算出される特徴量が入力されて、所定のイベントの可能性を示すスコアを出力する学習済モデル、を少なくとも1つ含む。情報処理装置は、制御対象から収集された情報の時系列データを制御装置から取得する取得部と、取得した時系列データに基づいて、学習済モデルに関するレポートを生成する生成部とを含む。レポートは、特定のイベントに対応する学習済モデルに入力される特徴量の時間的変化と、当該学習済モデルから出力されるスコアの時間的変化と、当該学習済モデルの性能指標とを含むレポート要素を、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせて、複数含む。
本技術のさらに別の例に従えば、制御対象を制御するための制御装置に関するレポートを出力するレポート出力方法が提供される。制御装置は、制御対象から収集される情報から算出される特徴量が入力されて、所定のイベントの可能性を示すスコアを出力する学習済モデル、を少なくとも1つ有しており、レポート出力方法は、制御対象から収集された情報の時系列データを制御装置から取得するステップと、取得した時系列データに基づいて、学習済モデルに関するレポートを生成するステップとを含む。レポートは、特定のイベントに対応する学習済モデルに入力される特徴量の時間的変化と、当該学習済モデルから出力されるスコアの時間的変化と、当該学習済モデルの性能指標とを含むレポート要素を、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせて、複数含む。
本技術によれば、学習済モデル自体の妥当性をより容易に評価できる。
本発明の実施の形態について、図面を参照しながら詳細に説明する。なお、図中の同一または相当部分については、同一符号を付してその説明は繰返さない。
<A.適用例>
まず、本発明が適用される場面の一例について説明する。以下では、機械学習の適用例として、設備などに何らかの異常が発生したか否かを判断する例について説明するが、本発明は、異常検知に限られず、任意の機械学習に適用可能である。
まず、本発明が適用される場面の一例について説明する。以下では、機械学習の適用例として、設備などに何らかの異常が発生したか否かを判断する例について説明するが、本発明は、異常検知に限られず、任意の機械学習に適用可能である。
本明細書においては、制御装置が関係する任意の装置を「制御対象」とも称す。「制御対象」との用語は、制御装置が直接制御する任意のデバイスや制御装置が情報を取得するデバイスに限らず、それらのデバイスを含む任意の装置や設備、ならびに、制御装置を構成するユニットなども含み得る。
本明細書においては、判断などの処理を行う実体の一例として、異常検知エンジンは、機械学習により生成される学習済モデルを読み込む。異常検知エンジンには、予め定められた1または複数の特徴量が入力され、入力された特徴量に基づいて出力が算出される。異常検知エンジンが、読み込んだ学習済モデルを用いて算出する値を「スコア」とも称す。
本明細書においては、機械学習により生成される学習済モデルを適用して判断できる事象を「イベント」とも称す。異常検知に係る学習済モデルについて見れば、イベントは、典型的には、制御対象に発生し得る特定の異常を意味する。なお、「イベント」との用語は、学習済モデルを用いて直接判断する場合だけではなく、間接的に判断できる事象も含み得る。そのため、学習済モデルから出力される結果(スコア)は、所定のイベントの可能性(発生の可能性)を直接的または間接的に示す値となる。
図1は、本実施の形態に係る制御システム1の全体構成例を示す模式図である。図1を参照して、本実施の形態に係る制御システム1は、主たる構成要素として、制御対象を制御するための制御装置100と、制御装置100に接続される情報処理装置の一例であるサポート装置200とを含む。
制御装置100は、PLC(プログラマブルコントローラ)などの、一種のコンピュータとして具現化されてもよい。制御装置100は、フィールドバス2を介してフィールド装置群10と接続される。フィールドバス2は、産業用の通信プロトコルを採用することが好ましい。このような通信プロトコルとしては、EtherCAT(登録商標)、EtherNet/IP(登録商標)、DeviceNet(登録商標)、CompoNet(登録商標)などが知られている。
フィールド装置群10は、制御対象または制御に関連する製造装置や生産ラインなど(以下、「フィールド」とも総称する。)から入力データを収集する装置を含む。このような入力データを収集する装置としては、入力リレーや各種センサなどが想定される。フィールド装置群10は、さらに、制御装置100にて生成される指令(以下、「出力データ」とも称す。)に基づいて、フィールドに対して何らかの作用を与える装置を含む。このようなフィールドに対して何らかの作用を与える装置としては、出力リレー、コンタクタ、サーボドライバおよびサーボモータ、その他任意のアクチュエータが想定される。これらのフィールド装置群10は、フィールドバス2を介して、制御装置100との間で、入力データおよび出力データを含むデータを遣り取りする。
図1に示す構成例においては、フィールド装置群10は、リモートI/O(Input/Output)装置12と、リレー群14と、サーボドライバ18およびサーボモータ20とを含む。
リモートI/O装置12は、フィールドバス2を介して通信を行う通信部と、入力データの収集および出力データの出力を行うための入出力部(以下、「I/Oユニット」とも称す。)とを含む。このようなI/Oユニットを介して、制御装置100とフィールドとの間で入力データおよび出力データが遣り取りされる。図1には、リレー群14を介して、入力データおよび出力データとして、デジタル信号が遣り取りされる例が示されている。
I/Oユニットは、フィールドバスに直接接続されるようにしてもよい。図1には、フィールドバス2にI/Oユニット16が直接接続されている例を示す。
サーボドライバ18は、制御装置100からの出力データ(例えば、位置指令など)に従って、サーボモータ20を駆動する。
上述のように、フィールドバス2を介して、制御装置100とフィールド装置群10との間で入力データおよび出力データが遣り取りされることになるが、これらの遣り取りされるデータは、数百μsecオーダ~数十msecオーダのごく短い周期で更新されることになる。なお、このような遣り取りされるデータの更新処理を、「I/Oリフレッシュ処理」と称することもある。
制御装置100は、設備や機械などの制御対象を制御するための制御演算を実行するPLCエンジン(図2に示すPLCエンジン130)を有している。PLCエンジンは、制御演算部に相当し、入力データに基づく制御演算を実行することで、出力データを決定する。制御装置100は、フィールド装置群10からの入力データ、フィールド装置群10への出力データ、および、制御装置100の内部で管理される内部データなどを順次格納する時系列データベース(以下、「TSDB(Time Series Data Base)」とも記す。)140を有している。以下、TSDB140に格納されるデータを「時系列データ」とも称す。
制御装置100は、制御対象から収集される情報に基づいて、予め用意された学習済モデル(以下、単に「モデル160」とも称す。)を参照して、制御対象における異常を検知する異常検知エンジン150を有している。
モデル160には、制御対象から収集される情報から算出される特徴量が入力される。モデル160からは、所定のイベントの可能性を示すスコアが出力される。なお、基本的には、イベント毎にモデル160が用意される。但し、複数のイベントをそれぞれ判断するためのロジックを1つのモデルにまとめることもできる。このように、制御装置100(異常検知エンジン150)は、少なくとも1つのモデル160を有している。
制御対象から収集される情報としては、典型的には、TSDB140に格納された時系列データ(あるいは、時系列データから算出された特徴量)が用いられる。すなわち、異常検知エンジン150は、TSDB140に格納された時系列データに基づいて、制御対象での異常の発生あるいは異常の可能性を判断する。
制御装置100は、上位ネットワーク6を介してサーバ400に接続されてもよいし、フィールドバス4を介して1または複数の表示装置500と接続されてもよい。なお、サーバ400および表示装置500はオプショナルな構成であり、制御システム1の必須の構成ではない。
サーバ400は、制御装置100に対して任意の情報を提供し、あるいは、制御装置100からのデータを収集するような処理を担当する。
表示装置500は、ユーザからの操作を受けて、制御装置100に対してユーザ操作に応じたコマンドなどを送信するとともに、制御装置100での演算結果などをグラフィカルに表示する。
サポート装置200は、制御装置100が制御対象を制御するために必要な準備を支援する情報処理装置(コンピュータの一例)である。具体的には、サポート装置200は、制御装置100で実行されるユーザプログラムの開発環境(プログラム作成編集ツール、パーサ、コンパイラなど)、制御装置100および制御装置100に接続される各種デバイスのパラメータ(コンフィギュレーション)を設定するための設定環境、生成したユーザプログラムを制御装置100へ送信する機能、制御装置100上で実行されるユーザプログラムなどをオンラインで修正・変更する機能、などを提供する。
さらに、サポート装置200は、制御装置100に実装される異常検知エンジン150が参照するモデル160の生成および調整などを支援するための機能を有している。
ここで、異常検知の対象に関連するものとは、異常検知エンジン150の検知ロジック(すなわち、モデル160)を学習するための学習データの生成に利用できる情報であれば、どのようなものであってもよい。異常検知の対象に関連するものとしては、例えば、生産されるワーク(製品あるいは半製品)や生産設備自体などが考えられる。
次に、制御装置100の異常検知エンジン150の構成および運用の一例について説明する。サポート装置200は、TSDB140に格納された時系列データを取得し、データマイニングにより、異常検知エンジン150が参照するモデル160を定義するパラメータを決定する。そして、サポート装置200は、決定したパラメータを制御装置100へ転送する。これによって、制御装置100の異常検知エンジン150が有効に構成される。
運用後、サポート装置200は、運用後に収集された時系列データに基づいて、モデル160を定義するパラメータを調整する。すなわち、モデル160が再生成あるいは調整されることになる。そして、サポート装置200は、調整したパラメータを制御装置100へ転送する。これによって、制御装置100の異常検知エンジン150がより最適化される。
図2は、本実施の形態に係る制御システム1の主要な構成および運用形態の一例を説明するための図である。図2を参照して、制御システム1における異常検知の処理は、典型的には、データ収集フェーズ30、データ解析フェーズ32、運用フェーズ34の順次で実現される。
データ収集フェーズ30においては、異常検知の対象に関連する時系列データが収集される。データ解析フェーズ32においては、データ収集フェーズ30において収集された時系列データに対するデータマイニングなどによって、目的の異常検知に適した特徴量が検討されるとともに、検討された特徴量に応じたモデル160が生成される。データ解析フェーズ32において生成されたモデル160を利用して、運用フェーズ34が開始される。
運用フェーズ34の開始後に、検知すべき異常を見逃した、あるいは、検知すべきではない異常を検知したといった不足検知や誤検知が発生した場合には、再学習によりモデル160が更新されることもある。あるいは、異常検知の対象に何らかの変化(例えば、経年変化や動作条件の変化など)が生じた場合にも、再学習によりモデル160を更新するようにしてもよい。
このような処理手順を考慮して、サポート装置200は、データマイニングツール240と、モデル生成ツール250と、レポート出力ツール260とを含んでいてもよい。データマイニングツール240は、主として、データ解析フェーズ32において必要な処理を提供する。モデル生成ツール250は、主として、運用フェーズ34において必要な処理を提供する。
データマイニングツール240は、典型的には、特徴量生成処理242と、特徴量選択処理244と、モデル生成処理246と、しきい値設定処理248とを提供する。
モデル生成ツール250は、モデル更新処理252と、しきい値調整処理254とを提供する。
レポート出力ツール260は、後述するように、データマイニングツール240およびモデル生成ツール250の処理によって得られる各種情報を出力する(レポート出力)。
一方、制御装置100は、上述したように、PLCエンジン130、TSDB140および異常検知エンジン150を有している。
PLCエンジン130は、制御対象に応じて任意に作成されるユーザプログラム132により定義される制御演算を周期的に実行する。ユーザプログラム132では、AIライブラリ134が利用可能になっている。あるいは、ユーザプログラム132にAIライブラリ134が組み込まれていてもよい。AIライブラリ134の内容、特性、動作などは、データ解析フェーズ32において、データマイニングツール240を用いて決定されてもよい。
PLCエンジン130がユーザプログラム132に含まれるAIライブラリ134の部分を実行することで、予め指定されたデータから1または複数の特徴量152が算出され、算出された特徴量152が異常検知エンジン150へ提供される。
PLCエンジン130は、データ管理部136を有しており、入力データ、出力データ、および、内部データをユーザプログラム132から参照可能な形で保持する。データ管理部136が管理するデータの値は、I/Oリフレッシュ処理により所定周期(I/Oリフレッシュ周期)毎に更新される。また、データ管理部136が管理するデータのうち予め指定されたデータがTSDB140に所定周期毎に格納される。その結果、TSDB140からは指定されたデータの所定周期毎の値変化、すなわち時系列データ142が出力される。
異常検知エンジン150は、PLCエンジン130からの特徴量152に基づいて、モデル160を参照して、異常の発生あるいは異常の可能性を判断する。モデル160は、データ解析フェーズ32において、データマイニングツール240を用いて決定されてもよいし、運用フェーズ34において、モデル生成ツール250を用いて決定されてもよい。
典型的には、異常検知エンジン150は、モデル160を読み込み、1または複数の特徴量152が入力されると、異常度を示す値(正常からの剥離度)を出力する。モデル160を定義するパラメータとしては、モデル160の実体である関数を定義する各係数と、モデル160から出力される値を評価するためのしきい値とを含んでいてもよい。
本実施の形態に係る制御システム1は、機械学習に係る情報をレポート出力することができ、ユーザは、このようなレポート出力を利用することで、学習済モデルの妥当性を容易に評価でき、また、設備の劣化傾向や生産状況の傾向などを容易に把握できる。
<B.ハードウェア構成例>
次に、本実施の形態に係る制御システム1を構成する主要な装置のハードウェア構成例について説明する。
次に、本実施の形態に係る制御システム1を構成する主要な装置のハードウェア構成例について説明する。
(b1:制御装置100のハードウェア構成例)
図3は、本実施の形態に係る制御システム1を構成する制御装置100のハードウェア構成例を示すブロック図である。図3を参照して、制御装置100は、CPU(Central Processing Unit)やMPU(Micro-Processing Unit)などのプロセッサ102と、チップセット104と、主記憶装置106と、二次記憶装置108と、上位ネットワークコントローラ110と、USB(Universal Serial Bus)コントローラ112と、メモリカードインターフェイス114と、内部バスコントローラ122と、フィールドバスコントローラ118,120と、I/Oユニット124-1,124-2,…とを含む。
図3は、本実施の形態に係る制御システム1を構成する制御装置100のハードウェア構成例を示すブロック図である。図3を参照して、制御装置100は、CPU(Central Processing Unit)やMPU(Micro-Processing Unit)などのプロセッサ102と、チップセット104と、主記憶装置106と、二次記憶装置108と、上位ネットワークコントローラ110と、USB(Universal Serial Bus)コントローラ112と、メモリカードインターフェイス114と、内部バスコントローラ122と、フィールドバスコントローラ118,120と、I/Oユニット124-1,124-2,…とを含む。
プロセッサ102は、二次記憶装置108に格納された各種プログラムを読み出して、主記憶装置106に展開して実行することで、PLCエンジン130および異常検知エンジン150を実現する。チップセット104は、プロセッサ102と各コンポーネントとの間のデータ伝送などを制御する。
二次記憶装置108には、PLCエンジン130および異常検知エンジン150を実現するためのシステムプログラム131に加えて、PLCエンジン130を利用して実行されるユーザプログラム132が格納される。二次記憶装置108の一部の領域は、TSDB140として利用されてもよい。
上位ネットワークコントローラ110は、上位ネットワーク6を介した他の装置との間のデータの遣り取りを制御する。USBコントローラ112は、USB接続を介してサポート装置200との間のデータの遣り取りを制御する。
メモリカードインターフェイス114は、メモリカード116を着脱可能に構成されており、メモリカード116に対してデータを書込み、メモリカード116から各種データ(ユーザプログラムやトレースデータなど)を読出すことが可能になっている。
内部バスコントローラ122は、制御装置100に搭載されるI/Oユニット124-1,124-2,…との間でデータを遣り取りするインターフェイスである。
フィールドバスコントローラ118は、フィールドバス2を介した他の装置との間のデータの遣り取りを制御する。同様に、フィールドバスコントローラ120は、フィールドバス4を介した他の装置との間のデータの遣り取りを制御する。
図3には、プロセッサ102がプログラムを実行することで必要な機能が提供される構成例を示したが、これらの提供される機能の一部または全部を、専用のハードウェア回路(例えば、ASIC(Application Specific Integrated Circuit)またはFPGA(Field-Programmable Gate Array)など)を用いて実装してもよい。あるいは、制御装置100の主要部を、汎用的なアーキテクチャに従うハードウェア(例えば、汎用パソコンをベースとした産業用パソコン)を用いて実現してもよい。この場合には、仮想化技術を用いて、用途の異なる複数のOS(Operating System)を並列的に実行させるとともに、各OS上で必要なアプリケーションを実行させるようにしてもよい。
(b2:サポート装置200のハードウェア構成例)
本実施の形態に係るサポート装置200は、一例として、汎用的なアーキテクチャに従うハードウェア(例えば、汎用パソコン)を用いてプログラムを実行することで実現される。
本実施の形態に係るサポート装置200は、一例として、汎用的なアーキテクチャに従うハードウェア(例えば、汎用パソコン)を用いてプログラムを実行することで実現される。
図4は、本実施の形態に係る制御システム1を構成するサポート装置200のハードウェア構成例を示すブロック図である。図4を参照して、サポート装置200は、CPUやMPUなどのプロセッサ202と、光学ドライブ204と、主記憶装置206と、二次記憶装置208と、USBコントローラ212と、ネットワークコントローラ214と、入力部216と、表示部218とを含む。これらのコンポーネントはバス220を介して接続される。
プロセッサ202は、二次記憶装置208に格納された各種プログラムを読み出して、主記憶装置206に展開して実行することで、後述するようなレポート出力処理を含む各種処理を実現する。
二次記憶装置208は、例えば、HDD(Hard Disk Drive)やSSD(Flash Solid State Drive)などで構成される。二次記憶装置208には、典型的には、OS222と、制御装置100との間で異常検知機能に関するデータを遣り取りするためのPLCインターフェイスプログラム224と、サポート装置200において実行されるユーザプログラムの作成、作成したユーザプログラムのデバッグ、システム構成の定義、各種パラメータの設定などを行うための開発プログラム226と、データマイニングツール240を実現するためのデータマイニングプログラム228と、モデル生成ツール250を実現するためのモデル生成プログラム230とが格納される。二次記憶装置208には、図4に示すプログラム以外の必要なプログラムが格納されてもよい。
サポート装置200は、光学ドライブ204を有しており、コンピュータ読取可能なプログラムを非一過的に格納する記録媒体205(例えば、DVD(Digital Versatile Disc)などの光学記録媒体)から、その中に格納されたプログラムが読取られて二次記憶装置208などにインストールされる。
サポート装置200で実行される各種プログラムは、コンピュータ読取可能な記録媒体205を介してインストールされてもよいが、ネットワーク上のサーバ装置などからダウンロードする形でインストールするようにしてもよい。また、本実施の形態に係るサポート装置200が提供する機能は、OS222が提供するモジュールの一部を利用する形で実現される場合もある。
USBコントローラ212は、USB接続を介して制御装置100との間のデータの遣り取りを制御する。ネットワークコントローラ214は、任意のネットワークを介した他の装置との間のデータの遣り取りを制御する。
入力部216は、キーボードやマウスなどで構成され、ユーザ操作を受付ける。表示部218は、ディスプレイ、各種インジケータ、プリンタなどで構成され、プロセッサ202からの処理結果などを出力する。
図4には、プロセッサ202がプログラムを実行することで必要な機能が提供される構成例を示したが、これらの提供される機能の一部または全部を、専用のハードウェア回路(例えば、ASICまたはFPGAなど)を用いて実装してもよい。
<C.レポート出力処理>
次に、本実施の形態に係るレポート出力処理について説明する。
次に、本実施の形態に係るレポート出力処理について説明する。
図5は、本実施の形態に係る制御システム1の異常検知を行うための処理の概要を示す模式図である。図5を参照して、異常検知エンジン150は、モデル160を有している。モデル160には、1または複数の特徴量152が入力され、モデル160からは、入力した特徴量152から算出されるスコアが出力される。モデル160から出力されるスコアは、例えば、しきい値を用いて評価される(しきい値評価処理154)。図5には、N個の特徴量が入力される例を示すが、入力される特徴量の数は、特に制限されず、1個以上であればよい。
特徴量152は、フィールドからの情報(時系列データの一部)から任意の方法で算出される情報である。特徴量152としては、例えば、最大値、最小値、中間値、平均値、標準偏差など、任意の値を用いることができる。なお、時系列データそのままを特徴量として用いることもできる。
図5に示す例では、イベント1に対応するモデル1が用いられている例を示すが、モデル160は、検出対象の事象(監視対象のイベント)毎に生成されてもよい。
モデル160から出力されるスコアは、典型的には、1次元の値であるが、多次元の値を採用してもよい。多次元のスコアを採用する場合には、評価に用いるしきい値についても、多次元の値を用いることが好ましい。
しきい値としては、1つであってもよいし、複数であってもよい。例えば、異常検知を想定すると、異常がある程度まで進行したことを示す注意(caution)と、異常に至ったことを示す異常(damage)との2種類を用意してもよい。
本実施の形態に係るレポート出力処理は、図5に示すような異常検知エンジン150に関連する情報を出力する。
図6は、本実施の形態に係る制御システム1のレポート出力処理の内容を説明するための概略図である。図6を参照して、サポート装置200は、異常検知処理に関して、ユーザインターフェイス画面270を出力する。
図6に示すユーザインターフェイス画面270は、スコア表示領域272と、ヒストグラム表示領域274とを含む。図6においては、3つのイベントのそれぞれについて算出された特徴量が表示されている。
すなわち、スコア表示領域272においては、各イベントについて算出された特徴量の時間的変化が表示されている。より具体的には、スコア表示領域272に表示されるグラフの横軸は、フレームと呼ばれる所定の時間区間毎に区切られている。各時間区間において収集された時系列データから算出された特徴量が表示される。
なお、スコア表示領域272を切り替えて、選択された1または複数の特徴量の時間的変化を表示するようにしてもよい。
さらに、スコア表示領域272には、設定されているしきい値276が表示されている。ユーザは、しきい値276を任意の値に調整することができる。
ヒストグラム表示領域274には、対応するスコア表示領域272に表示される特徴量の時間的変化(各時間区間における特徴量)のヒストグラムが表示される。
ユーザは、ユーザインターフェイス画面270を参照しながら、選択した特徴量の妥当性、スコアを算出するモデル160の妥当性、設定されているしきい値276の妥当性などを確認できる。また、ユーザは、必要に応じて、しきい値276を変更することもできる。
サポート装置200は、図6に示すユーザインターフェイス画面270に対応して、例えば、レポート278を出力することができる。図6に示されるレポート278は、表形式として出力されており、1または複数のレポート要素280を含む。
図6に示すように、レポート278においては、レポート要素280の各々は、紙面横方向(第1の方向)に情報が並べて配置されており、レポート要素280の間は、紙面縦方向(第2の方向)に並べて配置されている。
通常、レポート278には、予め定められた設定あるいはユーザ設定などに従って、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせた複数のレポート要素280が含まれることになる。図6に示す例では、イベントを異ならせたレポート要素280(複数のイベント毎のレポート要素280)がレポート278に含まれている。
但し、同一のイベントについても、対象期間を異ならせた複数のレポート要素280がレポート278に含まれていてもよいし、モデル160を異ならせた(例えば、モデル160の生成時期やモデルバージョンンが異なる)複数のレポート要素280がレポート278に含まれていてもよい。
レポート要素280の各々は、スコア表示項281と、特徴量表示項282と、しきい値項283,284と、正答率項285と、見逃し率項286と、見過ぎ率項287と、異常確率項288と、コメント項289とを含む。レポート要素280毎に、各項に対応する情報が格納される。
スコア表示項281には、監視対象のイベント毎に、算出されたスコアの時間的変化が画像として貼り付けられている。
特徴量表示項282には、監視対象のイベント毎に、算出された特徴量の時間的変化が画像として貼り付けられている。なお、複数の特徴量からスコアが算出される場合には、特定の1つの特徴量の時間的変化のみが表示されてもよいし、同一の表示領域に複数の特徴量の時間的変化が表示されてもよい。
正答率項285、見逃し率項286、および、見過ぎ率項287には、現在設定されているモデル160による異常検知の性能を示す値が格納される。より具体的には、正答率項285には、異常状態を異常状態と正しく判断した場合(TP:true positive)と、正常状態を正常状態と正しく判断した場合(TN:true negative)との合計の割合が格納される。見逃し率項286には、異常状態を正常状態と誤って判断した場合(FN:false negative)との合計の割合が格納される。見過ぎ率項287には、正常状態を異常状態と誤って判断した場合(TN:true negative)との合計の割合が格納される。
なお、モデル160の性能指標としては、正答率、見逃し率、見過ぎ率のすべてを用いる必要はなく、これらのうち少なくとも1つを含めるようにすればよい。一方で、図6に示すレポート278の内容は一例であり、モデル160について別のあるいは追加の性能指標を出力するようにしてもよい。モデル160の性能指標としては、例えば、感度、検出率、特異度、精度、適合率、ROC曲線、PR曲線などが挙げられる。
このように、レポート要素280の各々は、特定のイベントに対応するモデル160に入力される特徴量の時間的変化(特徴量表示項282)と、スコアの時間的変化(スコア表示項281)と、モデル160の性能指標(正答率項285、見逃し率項286、および、見過ぎ率項287)とを含む。
しきい値項283,284には、対応するモデル160に設定されているしきい値が格納される。より具体的には、しきい値項283,284には、スコアを評価するためのしきい値276の値が格納される。図6に示す例では、2つのしきい値276が設定されている場合に、それぞれの値が格納されている状態を示す。
異常確率項288には、異常状態と判断されるサンプルが発生した割合が格納される。
コメント項289には、特記事項が格納されてもよい。基本的には、ユーザがレポート278を利用する際に、必要に応じて追記することになる。
さらに、各種の分析や管理を容易化できるように、さらに項目を追加してもよい。
図7は、本実施の形態に係る制御システム1により出力されるレポート278の別の一例を示す模式図である。図7に示されるレポート278は、図6に示されるレポート278に加えて、イベントID項290と、モデルID項291と、タイムスタンプ項292とを含む。
イベントID項290には、対応するイベントを特定するための識別情報が格納される。イベントID項290に格納される識別情報は、イベントを特定し易いように、所定の規則に従って定めてもよい。モデルID項291には、対応するモデル160を特定するための識別情報が格納される。モデルID項291に格納される識別情報は、対応するモデル160自体から算出されるハッシュ値などを用いてもよい。タイムスタンプ項292には、対応する情報が収集された日時の情報(タイムスタンプ)が格納される。
レポート278は、同一のイベントについて複数の情報(例えば、収集時刻が異なる)を含む場合もある。また、レポート278は、同一のイベントについて複数の情報(例えば、収集時刻および/またはモデルバージョンが異なる)を含む場合もある。このような場合には、1または複数の項に格納される情報を用いて、対象となる情報を抽出および集約してもよい。
レポート278のタイトル列294に含まれる任意の項は選択可能になっており、いずれかの項が選択されると、選択された項についてソート(例えば、昇順あるいは降順の並び替え)することができる。あるいは、選択された1または複数の項について任意の条件でフィルタリングできるようにしてもよい。
図7に示されるレポート278は、類似する情報を特定するためのフラグ項293をさらに含んでいてもよい。例えば、スコアの時間的変化(スコア表示項281)、および/または、特徴量の時間的変化(特徴量表示項282)が互いに類似するか否かを判断するようにしてもよい。時間的変化(時間波形)の類似性は、例えば、時間波形の標準偏差、時間波形のピーク値、時間波形同士の相関などを用いて評価できる。その場合には、選択したイベントの情報に関連する情報が探索され、探索された情報のフラグ項293は、チェックされる。
あるいは、上述したような類似性の判断を自動的に行うのではなく、ユーザが任意にチェックするようにしてもよい。この場合には、ユーザがレポート278に表示される情報を確認しつつ、注目するものにチェックし、チェックされた情報をまとめて出力するような使用形態が想定される。
特徴量表示項282には、監視対象のイベント毎に、算出された特徴量の時間的変化が画像として貼り付けられている。なお、複数の特徴量からスコアが算出される場合には、特定の1つの特徴量の時間的変化のみが表示されてもよいし、同一の表示領域に複数の特徴量の時間的変化が表示されてもよい。
レポート278として出力される複数のイベントのグループについては、任意に設定できるようにしてもよいし、共通の製造ラインなどに関連するものといった条件でグループ化してもよい。
図8は、本実施の形態に係る制御システム1により出力されるレポート278の利用方法の一例を示す図である。なお、説明の便宜上、図6および図7に示される、しきい値項283,284、正答率項285、見逃し率項286、および、見過ぎ率項287などを、性能指標項296として総称している。
図8(A)には、レポート278のイベントID項290に格納される値を用いてフィルタリングした例を示す。例えば、レポート278に特定のイベントについての情報が複数含まれているような場合には、イベントID項290でフィルタリングあるいはソートすることで、特定のイベント(図8(A)に示す例では、IDが「00」のイベント)についての情報をまとめて表示することができる。
このような特定のイベントについての情報をまとめて表示することで、モデル160の妥当性などを時間経過とともに表示することができる。また、特定のイベントに対応するモデル160の生成過程などを事後的に確認するようなこともできる。
図8(B)には、レポート278のタイムスタンプ項292に格納される値を用いてフィルタリングした例を示す。例えば、レポート278に所定期間に亘る情報が含まれているような場合には、タイムスタンプ項292でフィルタリングあるいはソートすることで、特定の期間あるいは特定のタイミングで発生したイベントについての情報をまとめて表示することができる。
このような同一の対象機関に発生したイベントについての情報をまとめて表示することで、あるイベントに関連する情報を一見して確認でき、発生したイベントに対する原因究明や対策の決定などを容易化できる。
図8(C)には、レポート278のフラグ項293を用いてフィルタリングした例を示す。例えば、スコアの時間的変化(スコア表示項281)、および/または、特徴量の時間的変化(特徴量表示項282)が互いに類似する情報については、フラグ項293がチェックされることになる。そのため、フラグ項293がチェック済になっている情報のみを抽出することで、類似した時間波形を示す情報をまとめて表示できる。
このような傾向が類似する情報をまとめて表示することで、モデル160の更新あるいは生成に用いる学習データの収集などを容易に行うこともできる。
図8(A)~図8(C)に示すように、レポート278は、レポート要素280のソートまたはフィルタが可能に構成されていてもよい。
図9は、実施の形態に係る制御システム1により出力されるレポート278における時間波形の別の表示例を示す模式図である。図9を参照して、選択されたイベントの情報について、スコアの時間的変化(スコア表示項281)と特徴量の時間的変化(特徴量表示項282)とを重ねて表示してもよい。このようにスコアおよび当該スコアを算出するために利用された特徴量を共通の時間軸上で表示することで、特徴量の選択およびスコアの妥当性などを容易に確認できる。
レポート278は、サポート装置200からの指令によって紙媒体上に構成されてもよいし、表計算アプリケーション(例えば、マイクロソフト社のExcel(登録商標)など)のデータフォーマットで出力してもよい。
表計算アプリケーションのデータフォーマットでレポート278が生成および出力される場合には、上述したような選択等の機能を表計算アプリケーションが提供するプログラム実行環境を利用して実現してもよい。より具体的には、レポート278は、上述したような情報に加えて、ソート、フィルタリング、探索などを行うためのプログラム(例えば、マクロと称されるプログラムコードなど)を含んでいてもよい。すなわち、レポート278は、レポート要素280のソートまたはフィルタを実現するためのコードを含んでいてもよい。
あるいは、サポート装置200が提供する表示機能を利用して、上述したようなソート、フィルタリング、探索などを実現するようにしてもよい。
このようなレポート278を利用することで、機械学習により生成されるモデル160の性能などを容易に把握することができる。特に、複数のイベントの各々について、対応する情報をまとめて1つのレポート278として出力することで、検知性能が相対的に低いイベントを特定することが容易になり、また、モデル160を更新する必要があるイベントを特定することが容易になる。さらに、レポート278を利用することで、モデル160の更新や新たなモデル160の生成を容易化できる。
<D.機能構成例>
次に、本実施の形態に係るレポート出力処理を実現するための機能構成例について説明する。
次に、本実施の形態に係るレポート出力処理を実現するための機能構成例について説明する。
図10は、本実施の形態に係るレポート出力処理を実現するための機能構成例を示す模式図である。図10に示す各機能は、典型的には、サポート装置200のプロセッサ202が開発プログラム226(図2)を実行することで実現される。
図10を参照して、サポート装置200は、レポート出力ツール260(図2)に関する機能構成として、時系列データ取得部261と、統計データ算出部262と、特徴量スコア算出部263と、モデル管理部264と、モデル性能算出部265と、レポート生成部266と、レポート管理部267と、探索部268と、表示編集部269とを含む。
時系列データ取得部261は、制御対象から収集された情報の時系列データを制御装置100から取得するための取得部に相当する。より具体的には、時系列データ取得部261は、制御装置100のTSDB140(図2)から時系列データを取得する。時系列データ取得部261が取得する時系列データは、ユーザが予め設定する条件に従って選択されてもよいし、モデル160の更新および生成、レポート278の出力などの処理に応じて、適宜選択されてもよい。
統計データ算出部262は、取得した時系列データを解析して、統計データ(時間波形の最大値、最小値、中間値、平均値、標準偏差)を算出する。統計データ算出部262は、取得した時系列データに付随するしきい値などの情報を取得することもできる。
特徴量スコア算出部263は、時系列データに基づいて、対応するモデル160に入力される特徴量、および、モデル160から出力されるスコアを算出するための算出部に相当する。すなわち、特徴量スコア算出部263は、特徴量スコア算出部263は、時系列データ取得部261により取得された時系列データから特徴量およびスコアを算出する。なお、時系列データ取得部261が、時系列データとして、特徴量およびスコアの時間波形を取得する場合には、特徴量スコア算出部263での特徴量およびスコアの算出は必ずしも必要ない。この場合には、制御装置100が運用中に算出した特徴量およびスコアが用いられることになる。
モデル管理部264は、生成されるモデル160のバージョンなどを管理する。モデル管理部264は、モデル160の管理に関する情報として、モデル生成履歴162を保持および更新する。
モデル性能算出部265は、時系列データに基づいて、モデル160の性能指標を算出するための算出部に相当する。性能指標としては、上述したように、正答率、見逃し率、見過ぎ率、異常確率、感度、検出率、特異度、精度、適合率、ROC曲線、PR曲線などを含んでいてもよい。
レポート生成部266は、取得した時系列データに基づいて、モデル160に関するレポートを生成するための生成部に相当する。より具体的には、レポート生成部266は、統計データ算出部262から出力される統計データと、特徴量スコア算出部263から出力される(あるいは、時系列データ取得部261により取得される)特徴量およびスコアと、モデル性能算出部265から出力されるモデル160の性能指標とを利用して、レポート278を生成および出力する。
レポート管理部267は、生成されるレポート278を管理する。例えば、レポート管理部267は、レポート278が生成された日時(タイムスタンプ)を付与し、あるいは、それぞれのレポート278において用いられたモデル160のバージョンや識別情報などを保持する。
探索部268は、レポート278に含まれる特徴量の時間的変化および/またはスコアの時間的変化の間で類似するものを検索する。より具体的には、探索部268は、図8(C)を参照して説明したような処理を実現する。
表示編集部269は、レポート278を表示あるいは編集するための処理を提供する。但し、レポート278が表計算アプリケーションのデータフォーマットで出力される場合には、レポート278を表示するための専用機能を実装しなくてもよい。
<E.処理手順>
次に、本実施の形態に係るレポート出力に係る処理手順について説明する。
次に、本実施の形態に係るレポート出力に係る処理手順について説明する。
図11は、本実施の形態に係るレポート出力処理に係る処理手順を示すフローチャートである。図11に示す各ステップは、典型的には、サポート装置200のプロセッサ202が開発プログラム226(図2)を実行することで実現される。
図11を参照して、ユーザからのレポート出力要求を受付けると(ステップS100においてYES)、サポート装置200は、制御装置100から必要な時系列データを取得する(ステップS102)。すなわち、サポート装置200は、制御対象から収集された情報の時系列データを制御装置100から取得する。そして、サポート装置200は、取得した時系列データを解析して、統計データを算出する(ステップS104)。
また、サポート装置200は、取得した時系列データに特徴量およびスコアの時間波形が含まれているか否かを判断する(ステップS106)。
取得した時系列データに特徴量およびスコアの時間波形が含まれていなければ(ステップS106においてNO)、サポート装置200は、取得した時系列データから特徴量およびスコアの時間波形を算出する(ステップS108)。取得した時系列データに特徴量およびスコアの時間波形が含まれていれば(ステップS106においてYES)、ステップS108の処理はスキップされる。
サポート装置200は、対象となるモデル160を選択し(ステップS110)、選択したモデル160の各々について性能指標を算出する(ステップS112)。
サポート装置200は、統計データと、特徴量およびスコアと、モデル160の性能指標とを利用して、レポート278を生成して出力する(ステップS114)。すなわち、サポート装置200は、取得した時系列データに基づいて、モデル160に関するレポート278を生成する。
併せて、サポート装置200は、生成したレポート278についての情報を管理情報として追加する(ステップS116)。
以上のような手順によって、レポート出力に係る処理が完了する。
<F.変形例>
上述の説明においては、サポート装置200がレポート出力処理を主体的に実行する構成例について説明したが、レポート出力処理は、サポート装置200と別の装置との連携によって実現してもよいし。サポート装置200とは別の装置(例えば、クラウド上のコンピューティングリソース)によって実現してもよい。すなわち、本実施の形態に係るレポート出力処理を実装するハードウェアはどのようなものであってもよい。
上述の説明においては、サポート装置200がレポート出力処理を主体的に実行する構成例について説明したが、レポート出力処理は、サポート装置200と別の装置との連携によって実現してもよいし。サポート装置200とは別の装置(例えば、クラウド上のコンピューティングリソース)によって実現してもよい。すなわち、本実施の形態に係るレポート出力処理を実装するハードウェアはどのようなものであってもよい。
上述の説明においては、表形式のレポート278の例を説明したが、上述したような情報の提示ができれば、レポート278のスタイルやフォーマットについては、どのようなものであってもよい。
<G.付記>
上述したような本実施の形態は、以下のような技術思想を含む。
[構成1]
制御対象を制御するための制御装置(100)に接続される情報処理装置(200)であって、前記制御装置は、前記制御対象から収集される情報から算出される特徴量が入力されて、所定のイベントの可能性を示すスコアを出力する学習済モデル(160)、を少なくとも1つ有しており、前記情報処理装置は、
前記制御対象から収集された情報の時系列データを前記制御装置から取得する取得部(261)と、
前記取得した時系列データに基づいて、前記学習済モデルに関するレポート(278)を生成する生成部(266)とを備え、
前記レポートは、特定のイベントに対応する学習済モデルに入力される特徴量の時間的変化(282)と、当該学習済モデルから出力されるスコアの時間的変化(281)と、当該学習済モデルの性能指標(285,286,287;296)とを含むレポート要素(280)を、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせて、複数含む、情報処理装置。
[構成2]
前記レポートにおいて、
前記レポート要素の各々は、第1の方向に情報が並べて配置されており、
前記レポート要素の間は、第2の方向に並べて配置されている、構成1に記載の情報処理装置。
[構成3]
前記時系列データに基づいて、対応する学習済モデルの性能指標を算出する第1の算出部(265)をさらに備え、
前記性能指標は、正答率、見逃し率、見過ぎ率のうち、少なくとも1つを含む、構成1または2に記載の情報処理装置。
[構成4]
前記レポート要素の各々は、対応する学習済モデルに設定されているしきい値(283,284)を含む、構成1~3のいずれか1項に記載の情報処理装置。
[構成5]
前記レポートは、前記レポート要素のソートまたはフィルタが可能に構成される、構成1~4のいずれか1項に記載の情報処理装置。
[構成6]
前記レポートは、前記レポート要素のソートまたはフィルタを実現するためのコードを含む、構成5に記載の情報処理装置。
[構成7]
前記時系列データに基づいて、対応する学習済モデルに入力される特徴量、および、当該学習済モデルから出力されるスコアを算出する第2の算出部(263)をさらに備える、構成1~6のいずれか1項に記載の情報処理装置。
[構成8]
前記レポートに含まれる時間的変化の間で類似するものを検索する検索部(268)をさらに備える、構成1~5のいずれか1項に記載の情報処理装置。
[構成9]
制御対象を制御するための制御装置(100)と、
前記制御装置に接続される情報処理装置(200)とを備え、
前記制御装置は、前記制御対象から収集される情報から算出される特徴量が入力されて、所定のイベントの可能性を示すスコアを出力する学習済モデル(160)、を少なくとも1つ備え、
前記情報処理装置は、
前記制御対象から収集された情報の時系列データを前記制御装置から取得する取得部(261)と、
前記取得した時系列データに基づいて、前記学習済モデルに関するレポートを生成する生成部(278)とを備え、
前記レポートは、特定のイベントに対応する学習済モデルに入力される特徴量の時間的変化(282)と、当該学習済モデルから出力されるスコアの時間的変化(281)と、当該学習済モデルの性能指標(285,286,287;296)とを含むレポート要素(280)を、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせて、複数含む、制御システム。
[構成10]
制御対象を制御するための制御装置(100)に関するレポートを出力するレポート出力方法であって、前記制御装置は、前記制御対象から収集される情報から算出される特徴量が入力されて、所定のイベントの可能性を示すスコアを出力する学習済モデル(160)、を少なくとも1つ有しており、前記レポート出力方法は、
前記制御対象から収集された情報の時系列データを前記制御装置から取得するステップ(S102)と、
前記取得した時系列データに基づいて、前記学習済モデルに関するレポートを生成するステップ(S114)とを備え、
前記レポートは、特定のイベントに対応する学習済モデルに入力される特徴量の時間的変化(282)と、当該学習済モデルから出力されるスコアの時間的変化(281)と、当該学習済モデルの性能指標(285,286,287;296)とを含むレポート要素(280)を、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせて、複数含む、レポート出力方法。
上述したような本実施の形態は、以下のような技術思想を含む。
[構成1]
制御対象を制御するための制御装置(100)に接続される情報処理装置(200)であって、前記制御装置は、前記制御対象から収集される情報から算出される特徴量が入力されて、所定のイベントの可能性を示すスコアを出力する学習済モデル(160)、を少なくとも1つ有しており、前記情報処理装置は、
前記制御対象から収集された情報の時系列データを前記制御装置から取得する取得部(261)と、
前記取得した時系列データに基づいて、前記学習済モデルに関するレポート(278)を生成する生成部(266)とを備え、
前記レポートは、特定のイベントに対応する学習済モデルに入力される特徴量の時間的変化(282)と、当該学習済モデルから出力されるスコアの時間的変化(281)と、当該学習済モデルの性能指標(285,286,287;296)とを含むレポート要素(280)を、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせて、複数含む、情報処理装置。
[構成2]
前記レポートにおいて、
前記レポート要素の各々は、第1の方向に情報が並べて配置されており、
前記レポート要素の間は、第2の方向に並べて配置されている、構成1に記載の情報処理装置。
[構成3]
前記時系列データに基づいて、対応する学習済モデルの性能指標を算出する第1の算出部(265)をさらに備え、
前記性能指標は、正答率、見逃し率、見過ぎ率のうち、少なくとも1つを含む、構成1または2に記載の情報処理装置。
[構成4]
前記レポート要素の各々は、対応する学習済モデルに設定されているしきい値(283,284)を含む、構成1~3のいずれか1項に記載の情報処理装置。
[構成5]
前記レポートは、前記レポート要素のソートまたはフィルタが可能に構成される、構成1~4のいずれか1項に記載の情報処理装置。
[構成6]
前記レポートは、前記レポート要素のソートまたはフィルタを実現するためのコードを含む、構成5に記載の情報処理装置。
[構成7]
前記時系列データに基づいて、対応する学習済モデルに入力される特徴量、および、当該学習済モデルから出力されるスコアを算出する第2の算出部(263)をさらに備える、構成1~6のいずれか1項に記載の情報処理装置。
[構成8]
前記レポートに含まれる時間的変化の間で類似するものを検索する検索部(268)をさらに備える、構成1~5のいずれか1項に記載の情報処理装置。
[構成9]
制御対象を制御するための制御装置(100)と、
前記制御装置に接続される情報処理装置(200)とを備え、
前記制御装置は、前記制御対象から収集される情報から算出される特徴量が入力されて、所定のイベントの可能性を示すスコアを出力する学習済モデル(160)、を少なくとも1つ備え、
前記情報処理装置は、
前記制御対象から収集された情報の時系列データを前記制御装置から取得する取得部(261)と、
前記取得した時系列データに基づいて、前記学習済モデルに関するレポートを生成する生成部(278)とを備え、
前記レポートは、特定のイベントに対応する学習済モデルに入力される特徴量の時間的変化(282)と、当該学習済モデルから出力されるスコアの時間的変化(281)と、当該学習済モデルの性能指標(285,286,287;296)とを含むレポート要素(280)を、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせて、複数含む、制御システム。
[構成10]
制御対象を制御するための制御装置(100)に関するレポートを出力するレポート出力方法であって、前記制御装置は、前記制御対象から収集される情報から算出される特徴量が入力されて、所定のイベントの可能性を示すスコアを出力する学習済モデル(160)、を少なくとも1つ有しており、前記レポート出力方法は、
前記制御対象から収集された情報の時系列データを前記制御装置から取得するステップ(S102)と、
前記取得した時系列データに基づいて、前記学習済モデルに関するレポートを生成するステップ(S114)とを備え、
前記レポートは、特定のイベントに対応する学習済モデルに入力される特徴量の時間的変化(282)と、当該学習済モデルから出力されるスコアの時間的変化(281)と、当該学習済モデルの性能指標(285,286,287;296)とを含むレポート要素(280)を、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせて、複数含む、レポート出力方法。
<H.利点>
本実施の形態に係る情報処理装置は、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせた複数のレポート要素を含むレポートを生成する。このようなレポートを用いることで、学習済モデル自体の妥当性をより容易に評価できる。レポートとして出力されるので、例えば、生成した学習済モデルについて、ユーザ間での共有、上司や客先への報告などに用いることができる。さらに、レポートを蓄積することで、学習済モデルについての過去の履歴管理も容易になる。このように、レポートを用いることで、学習済モデルに用いられたデータや設定したしきい値などの情報の第三者への説明などを容易に行うことができる。
本実施の形態に係る情報処理装置は、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせた複数のレポート要素を含むレポートを生成する。このようなレポートを用いることで、学習済モデル自体の妥当性をより容易に評価できる。レポートとして出力されるので、例えば、生成した学習済モデルについて、ユーザ間での共有、上司や客先への報告などに用いることができる。さらに、レポートを蓄積することで、学習済モデルについての過去の履歴管理も容易になる。このように、レポートを用いることで、学習済モデルに用いられたデータや設定したしきい値などの情報の第三者への説明などを容易に行うことができる。
また、本実施の形態に係る情報処理装置が出力するレポートは、複数のレポート要素についてソートあるいはフィルタが可能であるので、解析の対象となるレポート要素を容易に抽出することができる。これによって、学習済モデルの再生成や更新も容易に行うことができる。
今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した説明ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。
1 制御システム、2,4 フィールドバス、6 上位ネットワーク、10 フィールド装置群、12 リモートI/O装置、14 リレー群、16,124 I/Oユニット、18 サーボドライバ、20 サーボモータ、30 データ収集フェーズ、32 データ解析フェーズ、34 運用フェーズ、100 制御装置、102,202 プロセッサ、104 チップセット、106,206 主記憶装置、108,208 二次記憶装置、110 上位ネットワークコントローラ、112,212 USBコントローラ、114 メモリカードインターフェイス、116 メモリカード、118,120 フィールドバスコントローラ、122 内部バスコントローラ、130 PLCエンジン、131 システムプログラム、132 ユーザプログラム、134 ライブラリ、136 データ管理部、142 時系列データ、150 異常検知エンジン、152 特徴量、154 評価処理、160 モデル、162 モデル生成履歴、200 サポート装置、204 光学ドライブ、205 記録媒体、214 ネットワークコントローラ、216 入力部、218 表示部、220 バス、222 OS、224 インターフェイスプログラム、226 開発プログラム、228 データマイニングプログラム、230 モデル生成プログラム、240 データマイニングツール、242 特徴量生成処理、244 特徴量選択処理、246 モデル生成処理、248 設定処理、250 モデル生成ツール、252 モデル更新処理、254 調整処理、260 レポート出力ツール、261 時系列データ取得部、262 統計データ算出部、263 特徴量スコア算出部、264 モデル管理部、265 モデル性能算出部、266 レポート生成部、267 レポート管理部、268 探索部、269 表示編集部、270 ユーザインターフェイス画面、272 スコア表示領域、274 ヒストグラム表示領域、276 しきい値、278 レポート、280 レポート要素、281 スコア表示項、282 特徴量表示項、283,284 しきい値項、285 正答率項、286 見逃し率項、287 見過ぎ率項、288 異常確率項、289 コメント項、290 イベントID項、291 モデルID項、292 タイムスタンプ項、293 フラグ項、294 タイトル列、296 性能指標項、400 サーバ、500 表示装置。
Claims (10)
- 制御対象を制御するための制御装置に接続される情報処理装置であって、前記制御装置は、前記制御対象から収集される情報から算出される特徴量が入力されて、所定のイベントの可能性を示すスコアを出力する学習済モデル、を少なくとも1つ有しており、前記情報処理装置は、
前記制御対象から収集された情報の時系列データを前記制御装置から取得する取得部と、
前記取得した時系列データに基づいて、前記学習済モデルに関するレポートを生成する生成部とを備え、
前記レポートは、特定のイベントに対応する学習済モデルに入力される特徴量の時間的変化と、当該学習済モデルから出力されるスコアの時間的変化と、当該学習済モデルの性能指標とを含むレポート要素を、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせて、複数含む、情報処理装置。 - 前記レポートにおいて、
前記レポート要素の各々は、第1の方向に情報が並べて配置されており、
前記レポート要素の間は、第2の方向に並べて配置されている、請求項1に記載の情報処理装置。 - 前記時系列データに基づいて、対応する学習済モデルの性能指標を算出する第1の算出部をさらに備え、
前記性能指標は、正答率、見逃し率、見過ぎ率のうち、少なくとも1つを含む、請求項1または2に記載の情報処理装置。 - 前記レポート要素の各々は、対応する学習済モデルに設定されているしきい値を含む、請求項1~3のいずれか1項に記載の情報処理装置。
- 前記レポートは、前記レポート要素のソートまたはフィルタが可能に構成される、請求項1~4のいずれか1項に記載の情報処理装置。
- 前記レポートは、前記レポート要素のソートまたはフィルタを実現するためのコードを含む、請求項5に記載の情報処理装置。
- 前記時系列データに基づいて、対応する学習済モデルに入力される特徴量、および、当該学習済モデルから出力されるスコアを算出する第2の算出部をさらに備える、請求項1~6のいずれか1項に記載の情報処理装置。
- 前記レポートに含まれる時間的変化の間で類似するものを検索する検索部をさらに備える、請求項1~5のいずれか1項に記載の情報処理装置。
- 制御対象を制御するための制御装置と、
前記制御装置に接続される情報処理装置とを備え、
前記制御装置は、前記制御対象から収集される情報から算出される特徴量が入力されて、所定のイベントの可能性を示すスコアを出力する学習済モデル、を少なくとも1つ備え、
前記情報処理装置は、
前記制御対象から収集された情報の時系列データを前記制御装置から取得する取得部と、
前記取得した時系列データに基づいて、前記学習済モデルに関するレポートを生成する生成部とを備え、
前記レポートは、特定のイベントに対応する学習済モデルに入力される特徴量の時間的変化と、当該学習済モデルから出力されるスコアの時間的変化と、当該学習済モデルの性能指標とを含むレポート要素を、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせて、複数含む、制御システム。 - 制御対象を制御するための制御装置に関するレポートを出力するレポート出力方法であって、前記制御装置は、前記制御対象から収集される情報から算出される特徴量が入力されて、所定のイベントの可能性を示すスコアを出力する学習済モデル、を少なくとも1つ有しており、前記レポート出力方法は、
前記制御対象から収集された情報の時系列データを前記制御装置から取得するステップと、
前記取得した時系列データに基づいて、前記学習済モデルに関するレポートを生成するステップとを備え、
前記レポートは、特定のイベントに対応する学習済モデルに入力される特徴量の時間的変化と、当該学習済モデルから出力されるスコアの時間的変化と、当該学習済モデルの性能指標とを含むレポート要素を、イベント、学習済モデル、対象期間のうち少なくとも1つを異ならせて、複数含む、レポート出力方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021014386A JP7524784B2 (ja) | 2021-02-01 | 2021-02-01 | 情報処理装置、制御システムおよびレポート出力方法 |
PCT/JP2021/009548 WO2022162957A1 (ja) | 2021-02-01 | 2021-03-10 | 情報処理装置、制御システムおよびレポート出力方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021014386A JP7524784B2 (ja) | 2021-02-01 | 2021-02-01 | 情報処理装置、制御システムおよびレポート出力方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022117730A JP2022117730A (ja) | 2022-08-12 |
JP7524784B2 true JP7524784B2 (ja) | 2024-07-30 |
Family
ID=82653080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021014386A Active JP7524784B2 (ja) | 2021-02-01 | 2021-02-01 | 情報処理装置、制御システムおよびレポート出力方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7524784B2 (ja) |
WO (1) | WO2022162957A1 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020144493A (ja) | 2019-03-05 | 2020-09-10 | 株式会社日立製作所 | 学習モデル生成支援装置、及び学習モデル生成支援方法 |
WO2021002136A1 (ja) | 2019-07-04 | 2021-01-07 | パナソニックIpマネジメント株式会社 | 発話解析装置、発話解析方法及びプログラム |
-
2021
- 2021-02-01 JP JP2021014386A patent/JP7524784B2/ja active Active
- 2021-03-10 WO PCT/JP2021/009548 patent/WO2022162957A1/ja active Application Filing
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020144493A (ja) | 2019-03-05 | 2020-09-10 | 株式会社日立製作所 | 学習モデル生成支援装置、及び学習モデル生成支援方法 |
WO2021002136A1 (ja) | 2019-07-04 | 2021-01-07 | パナソニックIpマネジメント株式会社 | 発話解析装置、発話解析方法及びプログラム |
Non-Patent Citations (1)
Title |
---|
"Change Point Detection in Time Series with R and Tableau",米国,2015年01月01日,[online] [検索日:2021.03.31] Internet: <URL: https://www.r-bloggers.com/2015/01/change-point-detection-in-time-series-with-r-and-tablearu/> |
Also Published As
Publication number | Publication date |
---|---|
WO2022162957A1 (ja) | 2022-08-04 |
JP2022117730A (ja) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20190301979A1 (en) | Abnormality detection system, support device, and abnormality detection method | |
US11163277B2 (en) | Abnormality detection system, support device, and model generation method | |
CA3007973C (en) | System and method for monitoring manufacturing | |
JP6903976B2 (ja) | 制御システム | |
CN111459700A (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
US10901398B2 (en) | Controller, control program, control system, and control method | |
EP3502814B1 (en) | Processing loads balancing of control and monitoring functions | |
WO2022030041A1 (ja) | 予測システム、情報処理装置および情報処理プログラム | |
JP7028133B2 (ja) | 制御システムおよび制御方法 | |
CN112673326A (zh) | 控制装置及控制程序 | |
WO2021111936A1 (ja) | 予測システム、情報処理装置および情報処理プログラム | |
JP7524784B2 (ja) | 情報処理装置、制御システムおよびレポート出力方法 | |
WO2023181241A1 (ja) | 監視サーバ装置、システム、方法、及びプログラム | |
WO2022181007A1 (ja) | 情報処理装置、情報処理プログラムおよび情報処理方法 | |
JP2023151722A (ja) | 情報処理システム、情報処理方法および情報処理装置 | |
WO2022270056A1 (ja) | 予測システム、情報処理装置および情報処理プログラム | |
JP2023002962A (ja) | 情報処理装置、モデル生成プログラムおよびモデル生成方法 | |
WO2020240945A1 (ja) | 制御システム、制御装置および制御プログラム | |
JP2022125608A (ja) | 予測システム、情報処理装置および情報処理プログラム | |
TW202316220A (zh) | 控制系統、資訊處理方法以及資訊處理裝置 | |
CN112598816A (zh) | 一种车辆数据采集方法、装置及车辆诊断*** | |
JP2023151888A (ja) | 予測システム、制御装置および制御プログラム | |
JP2023006304A (ja) | 制御システム、モデル生成方法およびモデル生成プログラム | |
CN116894544A (zh) | 数据收集装置、记录介质以及方法 | |
CN117581170A (zh) | 分析装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20231212 |
|
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: 20240618 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240701 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7524784 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |