TWI830193B

TWI830193B - 預測系統、資訊處理裝置以及資訊處理程式

Info

Publication number: TWI830193B
Application number: TW111113572A
Authority: TW
Inventors: 長林洋輔; 藤井高史; 川之上真輔
Original assignee: 日商歐姆龍股份有限公司
Priority date: 2021-06-22
Filing date: 2022-04-11
Publication date: 2024-01-21
Also published as: WO2022270056A1; JP2023002081A; CN117377916A; EP4361742A1; TW202301049A

Abstract

本發明的預測系統包括：控制運算部，執行用於對控制對象進行控制的控制運算；預測值獲取部，藉由將實績值輸入至預測模型，從而獲取預測值；預測模型生成部，生成基於樹結構的學習算法的預測模型；以及預測模型評價部，評價預測模型。預測模型評價部包括：執行時間獲取部，藉由對預測模型輸入第一資料及第二資料，分別獲取用於輸出預測值的時間即第一及第二執行時間；最大執行時間計算部，基於由執行時間獲取部所獲取的第一及第二執行時間，來計算預測模型的最大執行時間；以及評價部，基於最大執行時間計算部的計算結果來評價預測模型。

Description

預測系統、資訊處理裝置以及資訊處理程式

本揭示是有關於一種對控制對象產生的變化進行預測的預測系統、構成預測系統的資訊處理裝置以及用於實現資訊處理裝置的資訊處理程式。

為了對機械或設備等的動作進行控制而使用的控制器有通用的可程式邏輯控制器(Programmable Logic Controller，PLC)或各別的機械等專用的程式控制的控制器。

PLC例如包含執行控制程式的包含微處理器(micro processor)的中央處理單元(Central Processing Unit，CPU)單元、負責從外部的開關或感測器的訊號輸入及向外部的繼電器或致動器的訊號輸出的輸入/輸出(Input Output，IO)單元等多個單元。在該些單元間，於每個控制程式執行循環，一邊經由PLC系統匯流排及/或現場網路來進行資料的授受，PLC一邊執行控制動作。

控制器支援裝置被用於製作使控制器執行的控制程式或針對控制器的各種設定資訊，並將他們傳輸至控制器。控制器支援裝置例如是藉由在通用的電腦中安裝控制器支援程式而構成。控制器支援裝置例如具有：製作控制程式的源列表(source list)的編輯器(editor)功能、根據控制程式的源列表來生成在控制器中運作的目標程式(object program)的編譯器(compiler)功能、用於使控制程式在控制器支援裝置中進行測試執行的控制器的模擬器(simulator)功能、以及與控制器的通訊功能等。

在控制程式的開發階段，必須知曉控制器執行該控制程式所需的執行時間。該控制程式的執行時間是在規定該控制程式的執行循環的週期時所參照。而且，在對於使控制器執行的多個控制程式規定互不相同的執行優先級與執行循環週期時，要參照各個控制程式的執行時間。

控制器支援裝置與控制器中，與控制程式的執行相關的硬體或作業系統多為不同。而且，控制程式的執行代碼自身有時在模擬器用與控制器用時亦不同。因此，在控制器支援裝置的模擬器中執行的控制程式的執行時間與在控制器中執行的控制程式的執行時間有時不同，提出有各種方法(參照日本專利特開2012-194669號公報)。

[現有技術文獻]

[專利文獻]

[專利文獻1]日本專利特開2012-194669號公報

另一方面，在控制中使用機器學習的可變預測模型構建方法中，存在下述課題：推論執行時間會根據所輸入的資料而發生變動，因此無法知曉最大執行時間。因此，存在下述問題：必須在裝置上配置有預測模型的狀態下，多次反覆進行推論執行以測定執行時間，因而預測模型的評價耗時耗力。

本揭示提供一種可更簡便地評價預測模型的方法。

基於一方面的預測系統包括：控制運算部，執行用於對控制對象進行控制的控制運算；預測值獲取部，藉由將實績值輸入至預測模型，從而獲取預測值，所述實績值包含控制運算部能夠參照的狀態值中的一個或多個狀態值；預測模型生成部，生成基於樹結構的學習算法的預測模型；以及預測模型評價部，評價預測模型。預測模型評價部包括：執行時間獲取部，藉由對預測模型輸入第一資料及第二資料，從而分別獲取用於輸出預測值的時間即第一執行時間及第二執行時間；最大執行時間計算部，基於由執行時間獲取部所獲取的第一執行時間及第二執行時間，來計算預測模型的最大執行時間；以及評價部，基於最大執行時間計算部的計算結果來評價預測模型。根據該結構，預測系統可計算預測模型的最大執行時間，並基於計算結果來簡便地評價預測模型。

最大執行時間計算部基於第一執行時間及第二執行時間的差值、以及第一執行時間內的處理次數與第二執行時間內的處理次數的差值，來計算單位處理次數中的單位執行時間，並基於最大處理次數與單位執行時間來計算最大執行時間。根據該結構，預測系統基於處理次數的差值、最大處理次數以及單位執行時間來計算最大執行時間。因此，可簡便地評價預測模型。

預測模型執行針對輸入資料的多個預測處理。最大執行時間計算部基於多個預測處理各自中的處理次數的總和，來計算第一執行時間及第二執行時間內的處理次數，並基於多個預測處理各自中的最大處理次數的總和來計算最大處理次數。根據該結構，預測系統基於預測處理各自的處理次數與最大處理次數的總和來計算最大執行時間。因此，可簡便地評價預測模型。

預測模型是基於由隨機森林(random forest)的決定樹結構的學習算法而生成。根據該結構，可實現精度高的預測系統。評價部基於規定的控制任務期間與最大執行時間的比較來評價預測模型。根據該結構可簡便地評價預測模型。

所述預測系統更包括能夠調整預測模型的參數的調整部。預測模型生成部依據調整部對參數的調整來生成多個預測模型。預測模型評價部分別評價多個預測模型，且更包括輸出多個預測模型的評價結果的評價結果輸出部。根據該結構，可簡便地評價預測模型。

基於一方面的資訊處理裝置連接於控制裝置，其中，控制裝置包括：控制運算部，執行用於對控制對象進行控制的控制運算；以及預測值獲取部，藉由將實績值輸入至預測模型，從而獲取預測值，所述實績值包含控制運算部能夠參照的狀態值中的一個或多個狀態值。資訊處理裝置包括：預測模型生成部，生成基於樹結構的學習算法的預測模型；以及預測模型評價部，評價預測模型。預測模型評價部包括：執行時間獲取部，藉由對預測模型輸入第一資料及第二資料，從而分別獲取用於輸出預測值的時間即第一執行時間及第二執行時間；最大執行時間計算部，基於由執行時間獲取部所獲取的第一執行時間及第二執行時間，來計算預測模型的最大執行時間；以及評價部，基於最大執行時間計算部的計算結果來評價預測模型。根據該結構，資訊處理裝置可計算預測模型的最大執行時間，並基於計算結果來簡便地評價預測模型。

基於一方面的資訊處理程式由連接於控制裝置的電腦來執行，其中，控制裝置包括：控制運算部，執行用於對控制對象進行控制的控制運算；以及預測值獲取部，藉由將實績值輸入至預測模型，從而獲取預測值，所述實績值包含控制運算部能夠參照的狀態值中的一個或多個狀態值，資訊處理程式使電腦執行下述步驟：生成基於樹結構的學習算法的預測模型；以及評價預測模型。評價預測模型的步驟包含下述步驟：藉由對預測模型輸入第一資料及第二資料，從而分別獲取用於輸出預測值的時間即第一執行時間及第二執行時間；基於所獲取的第一執行時間及第二執行時間，來計算預測模型的最大執行時間；以及基於最大執行時間的計算結果來評價預測模型。根據該結構，資訊處理程式可計算預測模型的最大執行時間，並基於計算結果來簡便地評價預測模型。

再者，本揭示中，所謂「部」及「裝置」，並非簡單地表示物理部件，亦包含藉由軟體來實現該「部」及「裝置」所具有的功能的結構。而且，一個「部」及「裝置」所具有的功能亦可藉由兩個以上的物理部件或裝置來實現，或者，兩個以上的「部」及「裝置」的功能亦可藉由一個物理部件或裝置來實現。進而，所謂「部」及「裝置」，例如是亦可換言之為「部件」及「系統」的概念。

本揭示的預測系統、資訊處理裝置以及資訊處理程式可更簡便地評價預測模型。

1:預測系統

2、4:現場匯流排

6:上位網路

10:現場裝置群

12:I/O裝置

14:繼電器群

16、124-1、124-2:I/O單元

18:圖像感測器

20:攝影機

22:伺服驅動器

24:伺服馬達

30:衝壓機

31:工件

32:中間製品

33:底座

34:支持台

35:擠壓板

36:驅動軸

37:馬達

100:控制裝置

102、202:處理器

104:晶片組

106、206:主記憶裝置

108、208:二次記憶裝置

110、214:上位網路控制器

112、212:控制器

114:記憶卡介面

116:記憶卡

118、120:現場匯流排控制器

122:內部匯流排控制器

130:TSDB

132:記憶區域

134:導出模組

140:預測模型

144:參照軌道

150:引擎

152:變量

154:用戶程式

156:預測值獲取代碼

158:誤差評價代碼

160:追加學習代碼

162:寫入代碼

164:控制運算代碼

200:支援裝置

204:光學驅動器

205:記錄媒體

216:輸入部

218:顯示部

220:匯流排

222:開發程式

224:介面程式

226:分析程式

228:OS

230:用戶介面

232:腳本引擎

234:設定文檔

236:輸入/輸出管理模組

238:畫面顯示模組

240:圖表庫

242:分析模組

244:分析庫

250:預測模型評價部

251:預測模型獲取部

252:執行時間獲取部

254:最大執行時間計算部

256:評價部

300:上位伺服器

400:顯示裝置

500、520:評價結果畫面

502、522:圖表

504、524:訊息

510、530:調整輸入欄

2262:模型生成模組

2264:評價模組

M1~M16:模型

S1~S6、S10~S26:步驟

t、t-1:時刻

T1、T2:執行時間

△T:處理時間

圖1是表示基於實施形態的預測系統1的整體結構例的示意圖。

圖2是表示基於實施形態的預測系統1的應用例的示意圖。

圖3是對包含基於實施形態的預測系統1的控制系統進行說明的圖。

圖4的(A)及圖4的(B)是表示基於預測控制系統的預測結果的控制的一例的示意圖，所述預測控制系統包含基於實施形態的預測系統1。

圖5是表示使用基於實施形態的預測系統1的預測模型140的生成處理的處理流程的流程圖。

圖6的(A)及圖6的(B)是對基於實施形態的預測模型140 的學習方法進行說明的圖。

圖7是表示構成基於實施形態的預測系統1的控制裝置100的硬體結構例的方塊圖。

圖8是表示構成基於實施形態的預測系統1的支援裝置200的硬體結構例的方塊圖。

圖9是表示構成基於實施形態的預測系統1的控制裝置100及支援裝置200的軟體結構例的方塊圖。

圖10是表示基於實施形態的圖9所示的分析程式226中所含的功能模組的概要的方塊圖。

圖11是對基於實施形態的評價預測模型的預測模型評價部進行說明的圖。

圖12是對基於實施形態的預測模型的結構進行說明的圖。

圖13是對基於實施形態的預測模型的處理時間進行說明的概念圖。

圖14是對基於實施形態的預測模型的預測資料的執行時間進行說明的圖。

圖15是對基於實施形態的預測模型的相對於單位處理次數的單位執行時間進行說明的圖。

圖16是對基於實施形態的預測模型的最大執行時間的計算方式進行說明的圖。

圖17是對基於實施形態的預測模型的評價進行說明的概念圖。

圖18是對基於實施形態的預測模型的評價處理的流程進行說明的圖。

圖19是對基於實施形態的評價結果畫面500進行說明的圖。

圖20是對基於實施形態的評價結果畫面進行說明的另一圖。

圖21是對針對基於實施形態的多個預測模型的評價結果的詳細進行說明的圖。

一邊參照圖式，一邊詳細說明實施形態。再者，對於圖中的相同或相當的部分，標註同一符號並不再重複其說明。

<A.適用例>

首先，對適用本實施形態的場景的一例進行說明。

對基於實施形態的、具有預測功能的控制系統的主要方面進行說明。以下的說明中，主要著眼於控制系統所具有的預測功能來進行說明，因此控制系統整體亦稱作「預測系統」。

圖1是表示基於實施形態的、預測系統1的整體結構例的示意圖。參照圖1，基於實施形態的預測系統1包含對控制對象進行控制的控制裝置100與連接於控制裝置100的支援裝置200，來作為主要的構成元件。

控制裝置100亦可作為PLC(可程式化控制器)等的一種電腦而具現化。控制裝置100亦可經由現場匯流排2而與現場裝置群10連接，並且經由現場匯流排4而與一個或多個顯示裝置400連接。進而，控制裝置100亦可經由上位網路6而連接於上位伺服器300。再者，上位伺服器300及顯示裝置400為可選結構，並非預測系統1的必需結構。

控制裝置100具有執行用於控制設備或機械的各種運算的控制邏輯(以下亦稱作「PLC引擎」)。除了PLC引擎以外，控制裝置100還具有對由現場裝置群10所測量並傳輸給控制裝置100的資料(以下，亦稱作「輸入資料」)進行收集的收集功能。進而，控制裝置100還具有基於所收集的輸入資料來預測將來的時間變化的預測功能。

具體而言，安裝於控制裝置100的時間序列資料庫(以下，亦稱作「TSDB(Time Series Data Base)」)130提供收集功能，安裝於控制裝置100的預測模型140提供監測功能。關於TSDB 130及預測模型140的詳細將後述。

現場匯流排2及現場匯流排4較佳為採用工業用的通訊協議。作為此種通訊協議，已知有EtherCAT(註冊商標)、EtherNet/IP(註冊商標)、DeviceNet(註冊商標)、CompoNet(註冊商標)等。

現場裝置群10包含從控制對象或者與控制相關的製造裝置或生產線等(以下，亦總稱作「現場」)收集輸入資料的裝置。作為此種收集輸入資料的裝置，設想有輸入繼電器或各種感測器等。現場裝置群10進而包含基於由控制裝置100所生成的指令(以下，亦稱作「輸出資料」)來對現場給予某些作用的裝置。作為此種對現場給予某些作用的裝置，設想有輸出繼電器、接觸器、伺服驅動器及伺服馬達、其他任意的致動器。該些現場裝置群10經由現場匯流排2來與控制裝置100之間交換包含輸入資料及輸出資料的資料。

圖1所示的結構例中，現場裝置群10包含遠程輸入/輸出(Input/Output，I/O)裝置12、繼電器群14、圖像感測器18及攝影機20、以及伺服驅動器22及伺服馬達24。

遠程I/O裝置12包含經由現場匯流排2來進行通訊的通訊部、以及用於進行輸入資料的收集及輸出資料的輸出的輸入/輸出部(以下，亦稱作「I/O單元」)。經由此種I/O單元，在控制裝置100與現場之間交換輸入資料及輸出資料。圖1表示了下述示例，即，經由繼電器群14來交換數位訊號以作為輸入資料及輸出資料。

I/O單元亦可直接連接於現場匯流排2。圖1中表示I/O單元16直接連接於現場匯流排2的示例。

圖像感測器18對由攝影機20所拍攝的圖像資料進行圖案匹配等的圖像測量處理，並將其處理結果發送至控制裝置100。

伺服驅動器22根據來自控制裝置100的輸出資料(例如位置指令等)，來驅動伺服馬達24。

如上所述，經由現場匯流排2而在控制裝置100與現場裝置群10之間交換資料，但該些交換的資料將以數百毫秒級~數十微秒級的極短週期進行更新。再者，此種交換的資料的更新處理亦有時稱作「I/O再新處理」。

而且，經由現場匯流排4而與控制裝置100連接的顯示裝置400接受來自用戶的操作，對控制裝置100發送與用戶操作相應的指令等，並且以圖形方式顯示控制裝置100中的運算結果等。

上位伺服器300經由上位網路6而與控制裝置100連接，與控制裝置100之間交換所需的資料。於上位網路6中，亦可安裝有乙太網(註冊商標)等的通用協議。

支援裝置200是支援控制裝置100對控制對象進行控制所需的準備的資訊處理裝置(電腦的一例)。具體而言，支援裝置200提供由控制裝置100所執行的用戶程式的開發環境(程式製作編輯工具、分析器、編譯器等)、用於對控制裝置100及連接於控制裝置100的各種設備的參數(配置)進行設定的設定環境、將所生成的用戶程式發送給控制裝置100的功能、線上修正/變更在控制裝置100上執行的用戶程式等的功能等。

進而，基於實施形態的支援裝置200具有用於對安裝於控制裝置100的預測模型140的生成及最佳化進行支援的功能。即，支援裝置200具有預先決定預測模型140的預測模型生成部。關於該些功能的詳細將後述。

接下來，對預測系統1中所含的控制裝置100的應用例進行說明。

圖2是表示基於實施形態的預測系統1的應用例的示意圖。圖2中表示包含衝壓機30的生產設備的示例。

參照圖2，衝壓機30接納工件31，將所接納的工件31配置在設於底座33的支持台34上。並且，利用設在由馬達37來驅動的驅動軸36前端的擠壓板35來壓縮工件31，而生成中間製品32。

在衝壓機30中，有可能因未預期的因素變動導致中間製品32產生不良。因此，藉由借助配置於衝壓機30下游側的檢查機的檢查、或者借助檢查員的目測檢查或借助抽樣的檢查，來判斷中間製品32是否產生了不良。若判斷為產生了不良，則隨時調整目標值等。

如此，在通常的製造步驟中，為了維持及提高中間製品32的良品率，必須隨時調整目標值，但即便考慮到各種觀點而進行了事先設計，亦難以應對所有的因素變動。

與此相對，使用基於實施形態的預測模型140來預測中間製品32的狀態(即，加工後的品質)，藉此，可在實際產生不良之前修正控制裝置100所進行的控制。藉由利用此種事先的不良產生的預測，可削減與目標值等的隨時調整相關的工時，並且可防止中間製品32產生不良。

圖3是說明包含基於實施形態的預測系統1的控制系統的圖。參照圖3，本例中的控制對象為衝壓機30。對於現有的控制系統，輸入裝置的設定值而生成目標值。藉由基於衝壓機30的控制量與目標值的反饋控制，來設定對控制對象的操作量。而且，對現有的控制系統設置預測控制系統。具體而言，設置相對於說明變量而計算目標變量的預測器。預測器的一例為預測模型140。由修正器基於衝壓機30的品質特性的目標值與目標變量來計算修正值。將所述修正值加至操作量。

圖4的(A)中，表示某時間點的衝壓機的擠壓位置的計劃值(指令)與實際的衝壓機30的擠壓位置(實績值)。目標值表示加工後的中間製品32應有的厚度。

參照圖4的(B)，在某時間點，基於至此為止的資訊(可包含實績值)，來計算將來的衝壓機30的擠壓位置(預測值)，並基於該計算的預測值，藉由修正值來修正對衝壓機30的操作量。

圖2~圖4的(B)所示的衝壓機30中，預測衝壓機30的擠壓位置，並基於該預測結果來修正控制量，藉此，例如作業者無須根據工件31的硬度的不均等來隨時調整目標值。其結果，可抑制因未預期的因素變動造成的不良品的產生，即便工件31存在某些不均，亦能使品質穩定化。

用於預測的資料(實績值或觀測值)與所預測的資料既可一部分或全部相同，亦可完全不同。

基於實施形態的預測系統1提供用於適當地生成預測模型140的功能。典型的是，用於適當地生成預測模型140的功能被安裝於支援裝置200中。

<B.預測模型的生成及運用的概要>

接下來，對使用基於實施形態的預測系統1的預測模型140的生成及運用的概要進行說明。

圖5是表示使用基於實施形態的預測系統1的預測模型140的生成處理的處理流程的流程圖。典型的是，圖5所示的各步驟是藉由支援裝置200的處理器202執行程式(分析程式226及作業系統(Operating System，OS)228等)而實現。

參照圖5，支援裝置200獲取保存於TSDB 130中的實績值的時間序列資料(步驟S1)。繼而，支援裝置200從所獲取的實績值的時間序列資料中受理預測對象區間的設定(步驟S2)。

支援裝置200在步驟S2中，選擇被用於預測模型的生成的學習用樣本，所述預測模型用於對所設定的預測對象區間的變化進行預測(步驟S3)。步驟S3中，選擇將多種資料中的哪個資料用於學習。

支援裝置200基於所選擇的學習用樣本來進行機器學習(步驟S4)。

支援裝置200藉由機器學習來生成預測模型140(步驟S6)。本例中的預測模型140包含決策樹。決策樹構成為，相對於某時間點的特徵量而輸出擠壓位置(預測值)。對於該決策樹的學習方法，亦可使用概念學習系統(Concept Learning System，CLS)、迭代二分器3(Iterative Dichotomiser 3，ID3)、C4.5等。

本說明書中，「樣本」是指作為應從預測模型140輸出的預測值的教學資料而使用的規定時長的資料串。「樣本」基本上使用作為預測對象的時間序列資料(原始資料)，但在預測對象是從時間序列資料提取的特徵量的情況下，亦可使用特徵量。「樣本」這一用語是著眼於對多個資料進行處理時的處理單位，對於其中所含的資料的內容等並無特別限定。

本說明書中，為了計算或決定任意的預測值而參照的資料亦稱作「說明變量」。使用一個或多個「說明變量」來計算或決定任意的預測值。因此，學習用樣本將利用某些方法而與可能成為「說明變量」的候選的資料相關聯。

本說明書中，「特徵量」是包含作為處理對象的時間序列資料中所含的資訊的用語，例如可包含關於作為對象的時間序列資料的最大值、最小值、中間值、平均值、標準偏差、變異數等。再者，「特徵量」亦可包含作為對象的時間序列資料其自身。

圖6的(A)及圖6的(B)是對基於實施形態的預測模型140的學習方法進行說明的圖。如圖6的(A)所示，表示了保存於TSDB 130中的時間序列資料。對所述時間序列資料設定預測對象區間，針對預測對象區間的時刻t及時刻t-1這兩點的特徵量，推測預測對象的目標變量即預測值。如圖6的(B)所示，表示了下述情況，即，使用所述時間序列資料，錯開單位時刻量來執行學習處理。

藉由對控制裝置100設定藉由如上所述的處理流程而生成的預測模型140，從而可實現圖2~圖4的(B)所示的運用。

<C.硬體結構例>

接下來，對構成基於實施形態的預測系統1的主要裝置的硬體結構例進行說明。

(c1：控制裝置100的硬體結構例)

圖7是表示構成基於實施形態的預測系統1的控制裝置100的硬體結構例的方塊圖。參照圖7，控制裝置100包含中央處理單元(Central Processing Unit，CPU)或微處理單元(Micro-Processing Unit，MPU)等的處理器102、晶片組104、主記憶裝置106、二次記憶裝置108、上位網路控制器110、通用序列匯流排(Universal Serial Bus，USB)控制器112、記憶卡介面114、內部匯流排控制器122、現場匯流排控制器118、現場匯流排控制器120以及I/O單元124-1、I/O單元124-2、…。

處理器102讀出保存於二次記憶裝置108中的各種程式，並展開至主記憶裝置106中而執行，藉此來實現PLC引擎150及預測模型140。晶片組104對處理器102與各組件之間的資料傳輸等進行控制。

在二次記憶裝置108中，除了用於實現PLC引擎150的系統程式以外，還保存有利用PLC引擎150來執行的用戶程式。進而，在二次記憶裝置108中，還保存有用於實現預測模型140的程式。

上位網路控制器110對經由上位網路6的、與其他裝置之間的資料交換進行控制。USB控制器112經由USB連接來控制與支援裝置200之間的資料交換。

記憶卡介面114構成為可裝卸記憶卡116，可對記憶卡116寫入資料，並從記憶卡116讀出各種資料(用戶程式或追蹤資料等)。

內部匯流排控制器122是與搭載於控制裝置100的I/O單元124-1、I/O單元124-2、…之間交換資料的介面。

現場匯流排控制器118對經由現場匯流排2的、與其他裝置之間的資料交換進行控制。同樣地，現場匯流排控制器120對經由現場匯流排4的、與其他裝置之間的資料交換進行控制。

圖7中表示了藉由處理器102執行程式而提供所需功能的結構例，但該些提供的功能的一部分或全部亦可使用專用的硬體電路(例如，特殊應用積體電路(Application Specific Integrated Circuit，ASIC)或現場可程式閘陣列(Field-Programmable Gate Array，FPGA)等)來實現。或者，控制裝置100的主要部分亦可使用基於通用架構的硬體(例如以通用個人電腦為基礎的工業用個人電腦)來實現。此時，亦可使用虛擬技術來並行地執行用途不同的多個作業系統(Operating System，OS)，並且於各OS上執行所需的應用。

(c2：支援裝置200的硬體結構例)

作為一例，基於實施形態的支援裝置200是藉由使用基於通用架構的硬體(例如通用個人電腦)來執行程式而實現。

圖8是表示構成基於實施形態的預測系統1的支援裝置 200的硬體結構例的方塊圖。參照圖8，支援裝置200包含CPU或MPU等的處理器202、光學驅動器204、主記憶裝置206、二次記憶裝置208、USB控制器212、上位網路控制器214、輸入部216以及顯示部218。該些組件經由匯流排220而連接。

處理器202讀出保存於二次記憶裝置208中的各種程式，並展開至主記憶裝置206中而執行，藉此來實現包含如後所述的模型生成處理的各種處理。

二次記憶裝置208例如包含硬碟驅動器(Hard Disk Drive，HDD)或固態硬碟(Flash Solid State Drive，SSD)等。典型的是，於二次記憶裝置208中，保存有：開發程式222，用於進行在支援裝置200中執行的用戶程式的製作、所製作的用戶程式的除錯(debug)、系統結構的定義、各種參數的設定等；PLC介面程式224，用於與控制裝置100之間交換與預測功能相關的資料；分析程式226，用於實現預測模型140的生成等；以及OS 228。於二次記憶裝置208中，亦可保存有圖8所示的程式以外的所需程式。

支援裝置200具有光學驅動器204，從非一次性地保存電腦可讀取的程式的記錄媒體205(例如數位多功能光碟(Digital Versatile Disc，DVD)等的光學記錄媒體)中，讀取保存在其中的程式並安裝至二次記憶裝置208等中。

由支援裝置200所執行的各種程式亦可經由電腦可讀取的記錄媒體205而安裝，但亦可以從網路上的任意伺服器下載的形式而安裝。而且，基於實施形態的支援裝置200所提供的功能亦有時以利用OS所提供的模組的一部分的形式來實現。

USB控制器212經由USB連接來控制與控制裝置100之間的資料交換。上位網路控制器214對經由任意網路的、與其他裝置之間的資料交換進行控制。

輸入部216包含鍵盤或滑鼠等，受理用戶操作。顯示部218包含顯示器、各種指示器、列印機等，輸出來自處理器202的處理結果等。

圖8中表示了藉由處理器202執行程式而提供所需功能的結構例，但該些提供的功能的一部分或全部亦可使用專用的硬體電路(例如ASIC或FPGA等)來實現。

<D.軟體結構例/功能結構例>

接下來，對構成基於實施形態的預測系統1的控制裝置100及支援裝置200的軟體結構例及功能結構例進行說明。

圖9是表示構成基於實施形態的預測系統1的控制裝置100及支援裝置200的軟體結構例的方塊圖。參照圖9，控制裝置100除了PLC引擎150以外，還包含TSDB 130及預測模型140來作為主要的功能結構。

PLC引擎150逐次解釋用戶程式154，以執行所指定的控制運算。PLC引擎150以變量152的形式來對從現場收集的狀態值進行管理，變量152以預先規定的週期進行更新。PLC引擎150亦可藉由控制裝置100的處理器102執行系統程式而實現。

本說明書中，「狀態值」包含從現場收集的輸入值、向現場輸出的指令值、及在控制裝置100的內部進行管理的系統狀態值或內部值。在基於實施形態的控制裝置100中，以「變量」的形式來參照「狀態值」，因此在以下的說明中，為了方便，以包含「狀態值」的主旨來使用「變量」這一用語。再者，本揭示的技術範圍並不限定於以「變量」的形式來參照「狀態值」的結構。

用戶程式154包含預測值獲取代碼156、誤差評價代碼158、追加學習代碼160、TSDB寫入代碼162與控制運算代碼164。

預測值獲取代碼156實現預測值獲取部，所述預測值獲取部藉由將包含控制運算代碼164可參照的狀態值中的一個或多個狀態值的實績值輸入至預測模型140，從而獲取預測值。更具體而言，預測值獲取代碼156包含下述命令，即：獲取作為變量152受到管理的所需的實績值，並輸入至預測模型140，藉此來獲取預測值。

誤差評價代碼158包含下述命令，即：對由預測值獲取代碼156所獲取的預測值與目標值的誤差進行評價。

追加學習代碼160包含下述命令，即：根據由誤差評價代碼158所評價的誤差，視需要來追加學習預測模型140。

TSDB寫入代碼162獲取作為變量152受到管理的變量中的、預先規定的變量，並寫入至TSDB 130的記憶區域132。

控制運算代碼164實現控制運算部，所述控制運算部執行用於對控制對象進行控制的控制運算。更具體而言，控制運算代碼164執行用於對控制對象進行控制的控制運算，並且根據由誤差評價代碼158所評價的誤差，視需要來對用於控制運算的目標值進行修正。

TSDB 130具有導出模組134，所述導出模組134將已被寫入至記憶區域132的資料根據需要而導出至支援裝置200等。

預測模型140具有參照軌道144。

另一方面，支援裝置200安裝有開發程式222及分析程式226。

開發程式222按照用戶操作來生成用戶程式154，並傳輸給控制裝置100。而且，開發程式222還具有對控制運算代碼164的內容進行適當修正的功能。

分析程式226相當於用於實現預測模型生成部的資訊處理程式，所述預測模型生成部預先決定預測模型140。更具體而言，分析程式226是對預測模型140的生成進行支援的程式，包含模型生成模組2262與評價模組2264。

模型生成模組2262實現生成預測模型140的處理所需的功能。

評價模組2264對作為對象的預測模型140的性能進行評價。

圖10是表示基於實施形態的圖9所示的分析程式226中所含的功能模組的概要的方塊圖。參照圖10，支援裝置200的分析程式226包含用戶介面230、輸入/輸出管理模組236、畫面顯示模組 238、圖表庫(graph library)240、分析模組242以及分析庫244來作為主要的功能結構。

用戶介面230執行用於受理來自用戶的設定，並且對用戶提供各種資訊的統括性的處理。作為具體的實現形態，用戶介面230具有腳本引擎232，執行對包含記述有所需處理的腳本的設定文檔234進行讀取並設定的處理。

輸入/輸出管理模組236包含：從所指定的文檔等讀取資料的文檔輸入功能、接收資料串的串輸入功能、以及輸出包含所生成的資料等的文檔的文檔輸出功能。

畫面顯示模組238包含：基於所輸入的預測模型來生成模型評價畫面的功能、以及接受用戶的操作而顯示評價結果的功能。亦可參照圖表庫240來執行所需的處理。

分析模組242是實現分析程式226的主要處理的模組，具有模型生成功能。分析模組242中所含的各功能是藉由參照分析庫244而實現。

分析庫244包含供分析模組242中所含的各功能執行處理的庫。更具體而言，分析庫244亦可具有統計量功能、決策樹功能、時間序列回歸功能、個點搜索(grid search)功能、聚類(clustering)功能、推論速度評價功能、精度評價功能、及異常偵測功能。

<E.預測模型的評價>

圖11是對評價基於實施形態的預測模型的預測模型評價部進行說明的圖。參照圖11，預測模型評價部250包含預測模型獲取部251、執行時間獲取部252、最大執行時間計算部254以及評價部256。作為一例，預測模型評價部250是藉由評價模組2264來實現。

執行時間獲取部252藉由對預測模型輸入第一資料及第二資料，從而分別獲取用於輸出預測值的時間即第一執行時間及第二執行時間。

最大執行時間計算部254基於由執行時間獲取部252所獲取的第一執行時間及第二執行時間，來計算預測模型的最大執行時間。最大執行時間計算部254基於第一執行時間及第二執行時間的差值、以及第一執行時間內的處理次數與第二執行時間內的處理次數的差值，來計算單位處理次數中的單位執行時間，並基於最大處理次數與單位執行時間來計算最大執行時間。預測模型執行針對輸入資料的多個預測處理。最大執行時間計算部254基於多個預測處理各自中的處理次數的總和來計算第一執行時間及第二執行時間內的處理次數，並基於多個預測處理各自中的最大處理次數的總和來計算最大處理次數。作為一例，預測模型是根據基於隨機森林的決定樹結構的學習算法而生成。

評價部256基於最大執行時間計算部254的計算結果來評價預測模型。評價部256基於規定的控制任務期間與最大執行時間的比較來評價預測模型。

圖12是對基於實施形態的預測模型的結構進行說明的圖。參照圖12，表示了基於隨機森林的決定樹結構的預測模型。本例中，表示了下述情況，即，設有決策樹DT1~決策樹DTN，分別獲取預測結果，作為一例，藉由多數決來獲取最終預測結果。

預測模型的運算處理是從根節點朝向葉節點追溯鏈接的探索處理。具體而言，判定輸入資料是否滿足對根資料所設定的分支條件，基於該判定結果，將探索推進至下個相應節點。

因此，根據決策樹的結構，處理次數各不相同。本例中，與最終預測結果一同獲取各決策樹中的處理次數與最大處理次數的資訊。

圖13是對基於實施形態的預測模型的處理時間進行說明的概念圖。參照圖13，本例中的預測模型的處理時間具有固定值與可變值。具體而言，可變值是起因於處理次數的值。在該點，表示了用於獲取預測資料的多個處理1~處理N。而且，獲取各處理中的處理次數與最大處理次數。並且，計算各處理中的處理次數的總和。而且，計算各處理中的最大處理次數的總和。

圖14是對基於實施形態的預測模型的預測資料的執行時間進行說明的圖。參照圖14，表示了相對於預測模型的兩個預測資料PD1與PD2。如所述圖所示，分為處理次數中的固定部分與可變部分。處理次數的可變部分為兩個資料的執行時間之差。

圖15是對基於實施形態的預測模型的相對於單位處理次數的單位執行時間進行說明的圖。參照圖15，表示了針對預測模型的決策樹中的一個處理的處理時間△T。

圖16是對基於實施形態的預測模型的最大執行時間的計算方式進行說明的圖。參照圖16，△T是基於預測資料PD1的執行時間T1與預測資料PD2的執行時間T2的差值、以及預測資料PD1的處理次數C1與預測資料PD2的處理次數C2的差值而計算。

△T=|T1-T2|/|C1-C2|

藉此，最大執行時間B是藉由下式而計算。

B=T1+△T×(Cmax-C1)

參照圖17，判斷最大執行時間是否處於控制任務週期內，若處於控制任務週期內，則可判定為能夠利用預測模型。

參照圖18，預測模型獲取部251獲取預測模型(步驟S10)。接下來，執行時間獲取部252獲取針對所獲取的預測模型輸入第一資料產生的第一執行時間T1(步驟S12)。

接下來，執行時間獲取部252獲取針對所獲取的預測模型輸入第二資料產生的第二執行時間T2(步驟S14)。

接下來，最大執行時間計算部254計算處理次數的差值(步驟S16)。最大執行時間計算部254計算藉由第一資料的輸入而獲得的預測資料PD1的處理次數、與藉由第二資料的輸入而獲得的預測資料PD2的處理次數的差值|C1-C2|。

接下來，最大執行時間計算部254計算基於單位處理次數的單位處理時間△T(步驟S18)。最大執行時間計算部254計算藉由第一資料的輸入而獲得的預測資料PD1的處理次數、與藉由第二資料的輸入而獲得的預測資料PD2的處理次數的差值|C1-C2|。而且，獲取預測模型的最大處理次數的操作Cmax。最大執行時間計算部254基於預測資料PD1的執行時間T1與預測資料PD2的執行時間T2的差值、以及預測資料PD1的處理次數C1與預測資料PD2的處理次數C2的差值，來計算基於單位處理次數的單位處理時間△T。

接下來，最大執行時間計算部254計算最大執行時間(步驟S20)。最大執行時間計算部254計算最大執行時間B(B=T1+△T×(Cmax-C1))。

接下來，評價部256判斷最大執行時間是否處於控制任務週期內(步驟S22)。評價部256判斷所計算的最大執行時間B是否處於控制任務週期內。控制任務週期可根據系統而設定為任意的值。

步驟S22中，評價部256在判定為最大執行時間處於控制任務週期內的情況下(步驟S22中為是)，作出肯定(OK)判定(步驟S24)。

另一方面，步驟S22中，評價部256在判定為最大執行時間並非處於控制任務週期內的情況下(步驟S22中為否)，作出否定(NG)判定(步驟S26)。

接下來，結束處理(終結)。

基於評價部256的評價結果，在本例中輸出評價結果畫面。具體而言，藉由執行畫面顯示模組238而輸出評價結果畫面。

圖19是對基於實施形態的評價結果畫面500進行說明的圖。

參照圖19，在評價結果畫面500上示出了與模型評價相關的標籤。

本例中，作為一例，顯示有與滿足控制任務週期1ms的條件的預測模型M1的執行時間相關的圖表502。亦示出了其他的預測模型M2~預測模型M4的資料。

作為圖表502，具體而言，顯示有控制程式時間0.7ms、系統服務時間0.15ms、最大執行時間0.08ms、空閑時間0.07ms。

最大執行時間是由所述的最大執行時間計算部254所計算。

控制程式時間、系統服務時間是固定地決定。

表示了下述情況：藉由計算最大執行時間，在本例中空閑時間得以確保，因此顯示有訊息504「可在控制任務週期內推論執行。」。

而且，設有調整輸入欄510，在調整輸入欄510中，設有輸入文檔作為輸入資料的項目、設定超參數(hyperparameter)的項目、輸入推論精度作為目標值的項目、輸入控制任務週期作為PLC設定的項目。

基於在調整輸入欄510中輸入的資料，可進行預測模型的構建或者重新構建。

樹的深度或樹的數量例如是與隨機森林的樹結構的設定值相關的參數。

圖20是對基於實施形態的評價結果畫面進行說明的另一圖。

參照圖20，在評價結果畫面520上，示出了與模型評價相關的標籤。

本例中，作為一例，顯示有與滿足控制任務週期1ms的條件的預測模型M5的執行時間相關的圖表522。亦示出了其他的預測模型M6~預測模型M8的資料。

作為圖表522，具體而言，顯示有控制程式時間0.7ms、系統服務時間0.15ms、最大執行時間0.2ms。

最大執行時間是由所述的最大執行時間計算部254所計算。

控制程式時間、系統服務時間是固定地決定。

表示了下述情況：藉由計算最大執行時間，在本例中，無法確保空閑時間，因此顯示有訊息524「超過控制任務週期內。請變更設定進行參數調諧。」。

而且，設有調整輸入欄530，在調整輸入欄530中，設有輸入文檔作為輸入資料的項目、設定超參數的項目、輸入推論精度作為目標值的項目、輸入控制任務週期作為PLC設定的項目。

基於在調整輸入欄530中輸入的資料，可進行預測模型的構建或者重新構建。

樹的深度或樹的數量例如是與隨機森林的樹結構的設定值相關的參數。藉由調整所述樹的深度、樹的數量，從而調整預測模型的最大執行時間，由此，整體的時間被調整為收斂至控制任務週期內。

參照圖21，此處，表示了對預測模型M10~預測模型M16進行評價時的評價結果。

以表格式表示了各預測模型的故障時間(Failures in time，Fit)率及最大執行時間。

藉由確認所述評價結果的一覽，用戶可選擇適宜的預測模型。具體而言，既可選擇最大執行時間最短的預測模型，亦可以故障時間率為優先而選擇最大故障時間率的預測模型。或者，預測模型的資料大小亦不同，因此亦可選擇資料大小為最小的預測模型。或者，亦可基於其他參數來選擇預測模型。

藉由所述方式，顯示對預測模型進行評價的評價結果的一覽，藉此，可選擇最適合於預測系統的預測模型。

上文中，主要說明了生成基於以決策樹為代表的樹結構的學習算法的預測模型的情況，但並不限於決策樹，只要是樹結構，則亦可同樣適用於使用其他學習算法的預測模型。

<F.附註>

如上所述的本實施形態包含如下所述的技術思想。

[結構1]

預測系統包括：控制運算部，執行用於對控制對象進行控制的控制運算；預測值獲取部，藉由將包含控制運算部能夠參照的狀態值中的一個或多個狀態值的實績值輸入至預測模型，從而獲取預測值；預測模型生成部，生成基於樹結構的學習算法的預測模型；以及預測模型評價部，評價預測模型。預測模型評價部包括：執行時間獲取部，藉由對預測模型輸入第一資料及第二資料，從而分別獲取用於輸出預測值的時間即第一執行時間及第二執行時間；最大執行時間計算部，基於由執行時間獲取部所獲取的第一執行時間及第二執行時間，來計算預測模型的最大執行時間；以及評價部，基於最大執行時間計算部的計算結果來評價預測模型。

[結構2]

最大執行時間計算部基於第一執行時間及第二執行時間的差值、以及第一執行時間內的處理次數與第二執行時間內的處理次數的差值，來計算單位處理次數中的單位執行時間，並基於最大處理次數與單位執行時間來計算最大執行時間。

[結構3]

預測模型執行針對輸入資料的多個預測處理。最大執行時間計算部基於多個預測處理各自中的處理次數的總和來計算第一執行時間及第二執行時間內的處理次數，並基於多個預測處理各自中的最大處理次數的總和來計算最大處理次數。

[結構4]

預測模型是根據基於隨機森林的決定樹結構的學習算法而生成。

[結構5]

更包括調整部，所述調整部能夠調整預測模型的參數。預測模型生成部依據調整部對參數的調整來生成多個預測模型。預測模型評價部分別評價多個預測模型，且更包括輸出多個預測模型的評價結果的評價結果輸出部。

[結構6]

資訊處理裝置連接於控制裝置，其中，控制裝置包括：控制運算部，執行用於對控制對象進行控制的控制運算；以及預測值獲取部，藉由將包含控制運算部能夠參照的狀態值中的一個或多個狀態值的實績值輸入至預測模型，從而獲取預測值。資訊處理裝置包括：預測模型生成部，生成基於樹結構的學習算法的預測模型；以及預測模型評價部，評價預測模型。預測模型評價部包括：執行時間獲取部，藉由對預測模型輸入第一資料及第二資料，從而分別獲取用於輸出預測值的時間即第一執行時間及第二執行時間；最大執行時間計算部，基於由執行時間獲取部所獲取的第一執行時間及第二執行時間，來計算預測模型的最大執行時間；以及評價部，基於最大執行時間計算部的計算結果來評價預測模型。

[結構7]

資訊處理程式是由連接於控制裝置100的電腦來執行，其中，控制裝置包括：控制運算部164，執行用於對控制對象進行控制的控制運算；以及預測值獲取部156，藉由將包含控制運算部能夠參照的狀態值中的一個或多個狀態值的實績值輸入至預測模型，從而獲取預測值。資訊處理程式使電腦執行下述步驟：生成基於樹結構的學習算法的預測模型；以及評價預測模型。評價預測模型的步驟包含：步驟S12、S14，藉由對預測模型輸入第一資料及第二資料，從而分別獲取用於輸出預測值的時間即第一執行時間及第二執行時間；步驟S20，基於所獲取的第一執行時間及第二執行時間，來計算預測模型的最大執行時間；以及步驟S24、S26，基於最大執行時間的計算結果來評價預測模型。

<G.優點>

在基於實施形態的預測系統中，可簡便地評價預測模型，因此可容易地生成適合於實際運用的預測模型。

應認為，此次揭示的實施形態在所有方面為例示而非限制者。本揭示的範圍是由申請專利範圍而非所述說明所示，且意圖包含與申請專利範圍均等的含義及範圍內的所有變更。

250:預測模型評價部

251:預測模型獲取部

252:執行時間獲取部

254:最大執行時間計算部

256:評價部

Claims

一種預測系統，包括：控制運算部，執行用於對控制對象進行控制的控制運算；預測值獲取部，藉由將實績值輸入至預測模型，從而獲取預測值，所述實績值包含所述控制運算部能夠參照的狀態值中的一個或多個狀態值；預測模型生成部，生成基於樹結構的學習算法的所述預測模型；以及預測模型評價部，評價所述預測模型，所述預測模型評價部包括：執行時間獲取部，藉由對所述預測模型輸入第一資料及第二資料，從而分別獲取用於輸出所述預測值的時間即第一執行時間及第二執行時間；最大執行時間計算部，基於由所述執行時間獲取部所獲取的所述第一執行時間及第二執行時間，來計算所述預測模型的最大執行時間；以及評價部，基於所述最大執行時間計算部的計算結果來評價所述預測模型。
如請求項1所述的預測系統，其中所述最大執行時間計算部基於所述第一執行時間及第二執行時間的差值、以及所述第一執行時間內的處理次數與所述第二執行時間內的處理次數的差值，來計算單位處理次數中的單位執行時間，並基於最大處理次數與所述單位執行時間來計算所述最大執行時間。
如請求項2所述的預測系統，其中所述預測模型執行針對輸入資料的多個預測處理，所述最大執行時間計算部基於所述多個預測處理各自中的處理次數的總和，來計算所述第一執行時間及第二執行時間內的處理次數，並基於所述多個預測處理各自中的最大處理次數的總和，來計算所述最大處理次數。
如請求項1所述的預測系統，其中所述預測模型是基於由隨機森林的決定樹結構的學習算法而生成。
如請求項1所述的預測系統，其中所述評價部基於規定的控制任務期間與所述最大執行時間的比較來評價所述預測模型。
如請求項1所述的預測系統，更包括：調整部，能夠調整所述預測模型的參數，所述預測模型生成部依據所述調整部對參數的調整來生成多個預測模型，所述預測模型評價部分別評價所述多個預測模型，且所述預測模型評價部更包括評價結果輸出部，所述評價結果輸出部輸出所述多個預測模型的評價結果。
一種資訊處理裝置，連接於控制裝置，其中所述控制裝置包括：控制運算部，執行用於對控制對象進行控制的控制運算；以及預測值獲取部，藉由將實績值輸入至預測模型，從而獲取預測值，所述實績值包含控制運算部能夠參照的狀態值中的一個或多個狀態值，所述資訊處理裝置包括：預測模型生成部，生成基於樹結構的學習算法的所述預測模型；以及預測模型評價部，評價所述預測模型，所述預測模型評價部包括：執行時間獲取部，藉由對所述預測模型輸入第一資料及第二資料，從而分別獲取用於輸出所述預測值的時間即第一執行時間及第二執行時間；最大執行時間計算部，基於由所述執行時間獲取部所獲取的所述第一執行時間及第二執行時間，來計算所述預測模型的最大執行時間；以及評價部，基於所述最大執行時間計算部的計算結果來評價所述預測模型。
一種資訊處理程式，由連接於控制裝置的電腦來執行，其中所述控制裝置包括：控制運算部，執行用於對控制對象進行控制的控制運算；以及預測值獲取部，藉由將實績值輸入至預測模型，從而獲取預測值，所述實績值包含所述控制運算部能夠參照的狀態值中的一個或多個狀態值，所述資訊處理程式使所述電腦執行下述步驟：生成基於樹結構的學習算法的所述預測模型；以及評價所述預測模型，評價所述預測模型的步驟包含下述步驟：藉由對所述預測模型輸入第一資料及第二資料，從而分別獲取用於輸出所述預測值的時間即第一執行時間及第二執行時間；基於所獲取的所述第一執行時間及第二執行時間，來計算所述預測模型的最大執行時間；以及基於所述最大執行時間的計算結果來評價所述預測模型。