特開 2022-103931 モデルを生成する方法、プログラムおよび装置

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2022103931

(43)【公開日】2022-07-08

(54)【発明の名称】モデルを生成する方法、プログラムおよび装置

(51)【国際特許分類】

   G05B 23/02 20060101AFI20220701BHJP

【ＦＩ】

G05B23/02 302T

【審査請求】未請求

【請求項の数】16

【出願形態】ＯＬ

(21)【出願番号】P 2020218849

(22)【出願日】2020-12-28

(71)【出願人】

【識別番号】000156938

【氏名又は名称】関西電力株式会社

(74)【代理人】

【識別番号】110001195

【氏名又は名称】特許業務法人深見特許事務所

(72)【発明者】

【氏名】桑野 理

(72)【発明者】

【氏名】桑原 浩史

(72)【発明者】

【氏名】川本 耕三

(72)【発明者】

【氏名】有野 剛史

(72)【発明者】

【氏名】小川 勇磨

(72)【発明者】

【氏名】池田 聡

【テーマコード（参考）】

3C223

【Ｆターム（参考）】

3C223AA02

3C223AA05

3C223AA11

3C223AA17

3C223AA23

3C223BA03

3C223CC02

3C223DD03

3C223EB01

3C223EB02

3C223EB03

3C223FF04

3C223FF22

3C223FF26

3C223FF35

3C223GG01

3C223HH03

3C223HH29

(57)【要約】      （修正有）

【課題】施設内の設備を監視するためのモデルの生成を容易にする。
【解決手段】施設内の複数の設備を監視するためのモデルを作成する方法は、複数の設備の各々を監視する複数のセンサーの各々から、各計測データを取得するステップ（Ｓ１８１５）と、各計測データに基づいて、設備の異常を検知するステップ（Ｓ１８１５）と、各計測データの中から、異常との関連度が最も高い第１の計測データを目的変数として選定するステップ（Ｓ１８２０）と、第１の計測データを除く各計測データの中から、複数の説明変数を選定するステップ（Ｓ１８２５，Ｓ１８３０，Ｓ１８３５）と、目的変数と、複数の説明変数と、その他の設定値とを学習エンジンに入力するステップ（Ｓ１８４０）とを含む。
【選択図】図１８

【特許請求の範囲】

【請求項1】

施設内の複数の設備を監視するためのモデルを作成する方法であって、
前記複数の設備の各々を監視する複数のセンサーの各々から、各計測データを取得するステップと、
各前記計測データに基づいて、前記設備の異常を検知するステップと、
各前記計測データの中から、前記異常との関連度が最も高い第１の計測データを目的変数として選定するステップと、
前記第１の計測データを除く各前記計測データの中から、複数の説明変数を選定するステップと、
前記目的変数と、前記複数の説明変数と、その他の設定値とを学習エンジンに入力するステップとを含む、方法。

【請求項2】

各前記計測データの中から、前記異常との関連度が最も高い第１の計測データを目的変数として選定するステップは、
前記複数のセンサーの使用条件を取得するステップと、
前記使用条件の各々における、前記複数のセンサーの各々の計測データのＳＮ比を算出するステップと、
前記複数のセンサーの各々の計測データのＳＮ比の平均値を算出するステップと、
前記ＳＮ比の平均値が最も大きい前記第１の計測データを目的変数として選定するステップとを含む、請求項１に記載の方法。

【請求項3】

前記第１の計測データを除く各前記計測データの中から、複数の説明変数を選定するステップは、
前記第１の計測データを除く各前記計測データの中から第２の計測データを選定するステップと、
前記第１の計測データと、前記第２の計測データとの相関係数を算出するステップと、
前記相関係数に基づいて前記第２の計測データを前記複数の説明変数に含めるか否かを決定するステップとを含む、請求項１または２に記載の方法。

【請求項4】

前記第１の計測データを除く各前記計測データの中から、複数の説明変数を選定するステップは、
前記第１の計測データを除く各前記計測データの中から第２の計測データを選定するステップと、
前記モデルの式に前記第２の計測データを説明変数として加えて、前記モデルの１または複数の評価指標の値を算出するステップと、
前記モデルの式に前記第２の計測データを説明変数として加えたことにより前記１または複数の評価指標の値が改善したか否かを判定するステップと、
前記１または複数の評価指標の値が改善したと判定したことに基づいて、前記第２の計測データを前記説明変数として選定するステップとを含む、請求項１または２に記載の方法。

【請求項5】

前記モデルは、回帰モデル、重回帰分析に基づくモデル、または、ニューラルネットワークに基づくモデルである、請求項１～４のいずれかに記載の方法。

【請求項6】

前記学習エンジンが出力した前記モデルの評価値を求めるステップと、
前記評価値に基づいて、前記その他の設定値を更新するステップと、
更新された前記その他の設定値を前記学習エンジンに入力するステップとをさらに含む、請求項１～５のいずれかに記載の方法。

【請求項7】

前記その他の設定値は、中間層の数、ドロップ率および学習率の一部または全てを含む、請求項５に記載の方法。

【請求項8】

前記その他の設定値を更新するステップは、
今までの学習処理の中で最も高い前記その他の設定値である第１の設定値に対応する前記モデルの第１の評価値を記憶するステップと、
第２の設定値に対応する前記モデルの第２の評価値を算出するステップと、
前記第１の評価値と、前記第２の評価値とを比較するステップと、
前記第２の評価値が、前記第１の評価値より小さいことに基づいて、前記第２の設定値を前記第１の設定値に近づけるステップと、
前記第２の評価値が、前記第１の評価値より大きいことに基づいて、前記第２の設定値を前記第１の設定値から遠ざけるステップとを含む、請求項６または７に記載の方法。

【請求項9】

前記モデルの評価値を求めるステップは、前記その他の設定値を変更して、複数の前記評価値を並列に算出するステップを含む、請求項７に記載の方法。

【請求項10】

前記モデルの評価値を求めるステップは、
前記設備に異常が発生していないときの計測データが前記モデルに入力された場合に、前記設備の異常を検出したとき、前記モデルの評価値を下げるステップと、
前記設備に異常が発生したときの計測データが前記モデルに入力された場合に、前記設備の異常を検出したとき、前記モデルの評価値を上げるステップとを含む、請求項６～９のいずれかに記載の方法。

【請求項11】

前記モデルの評価値を求めるステップは、前記設備に異常が発生していないときの計測データを前記モデルに入力した場合に、前記設備の異常を検出したとき、前記モデルの評価値を下げるステップを含む、請求項６～１０のいずれかに記載の方法。

【請求項12】

前記モデルの評価値を求めるステップは、第１のモデルおよび第２のモデルの前記評価値が等しいことに基づいて、
前記第１のモデルによる前記目的変数の予測値と、前記目的変数の実測値とを比較して第１の誤差を取得するステップと、
前記第２のモデルによる前記目的変数の予測値と、前記目的変数の実測値とを比較して第２の誤差を取得するステップと、
前記第１の誤差が前記第２の誤差よりも小さいことに基づいて、前記第１のモデルを前記第２のモデルよりも評価するステップとをさらに含む、請求項６～１１のいずれかに記載の方法。

【請求項13】

前記第１のモデルは、第３のモデルと、第４のモデルとを含み、
前記第２のモデルは、第５のモデルと、第６のモデルとを含み、
前記モデルの評価値を求めるステップは、前記第１のモデルおよび前記第２のモデルの前記評価値が等しいことに基づいて、
前記第３および第４のモデルの各々による前記目的変数の予測値と、前記目的変数の実測値とを比較して第３の誤差を取得するステップと、
前記第５および第６のモデルの各々による前記目的変数の予測値と、前記目的変数の実測値とを比較して第４の誤差を取得するステップと、
前記第３の誤差が前記第４の誤差よりも小さいことに基づいて、前記第１のモデルを前記第２のモデルよりも評価するステップとを含む、請求項１２に記載の方法。

【請求項14】

請求項１～１３のいずれかに記載の方法をコンピュータに実行させるためのプログラム。

【請求項15】

請求項１４に記載のプログラムおよび前記学習エンジンを格納したメモリと、
前記プログラムを実行するためのプロセッサとを備える、装置。

【請求項16】

請求項１４に記載のプログラムを格納したメモリと、
前記プログラムを実行するためのプロセッサと、
前記学習エンジンを含む外部装置と通信するための通信部とを備え、
前記通信部は、前記目的変数、前記複数の説明変数、学習除外期間、学習除外箇所、および、前記その他の設定値の一部または全てを前記外部装置に送信する、装置。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、モデルを生成する技術に関し、より特定的には、モデルの生成を容易にするための技術に関する。

【背景技術】

【0002】

発電所または変電所等の設備における異常を検知するために、異常検知システムが使用されることがある。異常検知システムは、設備内の各設備またはその近傍に備え付けられたセンサーから得られる計測データに基づいて、設備に異常があるか否かを判定し得る。いくつかの異常検知システムは、機械学習により、設備を監視するためのモデルを生成する機能を備える。これらの機械学習を適切に行なうためには、専門スキルまたはノウハウを持つ作業員による学習エンジンへの設定の入力作業が必要となる。そのため、高度な専門知識を持たない作業員でも比較的容易にモデルを生成するための技術が望まれている。

【0003】

設備を監視するモデルに関し、例えば、特開２０１９－０９１１１３号公報（特許文献１）は、「プラントの運転状態を示す複数の運転データに基づいて異常を監視するプラント異常監視システムであって、前記複数の運転データを含む監視運転データに対して、相互に異な異常判定手法を実行する複数の検知モデルをそれぞれ適用することにより得られる複数の検知モデル判定結果を取得するよう構成される検知モデル判定結果取得部と、前記複数の検知モデル判定結果、および前記複数の検知モデルの各々に対して予め設定されている重み値に基づいて前記異常の有無を判定するよう構成される異常判定部と、前記異常判定部によって前記異常が有ると判定された場合に通知するよう構成される異常通知部と、を備える」プラント異常監視システムを開示している（［要約］参照）。

【0004】

また、設備を監視するモデルに関する他の技術が、例えば、特許文献２および特許文献３に開示されている。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２０１９－０９１１１３号公報

【特許文献2】特開２０２０－１０７０２５号公報

【特許文献3】特開２０１８－０３７０７８号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

特許文献１～３に開示された技術によると、モデルの生成に高度な専門知識またはノウハウを要求されることがある。したがって、モデルの生成を容易にするための技術が必要とされている。

【0007】

本開示は、上記のような背景に鑑みてなされたものであって、ある局面における目的は、モデルの生成を容易にするための技術を提供することにある。

【課題を解決するための手段】

【0008】

ある実施の形態に従うと施設内の複数の設備を監視するためのモデルを作成する方法が提供される。この方法は、複数の設備の各々を監視する複数のセンサーの各々から、各計測データを取得するステップと、各計測データに基づいて、設備の異常を検知するステップと、各計測データの中から、異常との関連度が最も高い第１の計測データを目的変数として選定するステップと、第１の計測データを除く各計測データの中から、複数の説明変数を選定するステップと、目的変数と、複数の説明変数と、その他の設定値とを学習エンジンに入力するステップとを含む。

【0009】

ある局面において、各計測データの中から、異常との関連度が最も高い第１の計測データを目的変数として選定するステップは、複数のセンサーの使用条件を取得するステップと、使用条件の各々における、複数のセンサーの各々の計測データのＳＮ比を算出するステップと、複数のセンサーの各々の計測データのＳＮ比の平均値を算出するステップと、ＳＮ比の平均値が最も大きい第１の計測データを目的変数として選定するステップとを含む。

【0010】

ある局面において、第１の計測データを除く各計測データの中から、複数の説明変数を選定するステップは、第１の計測データを除く各計測データの中から第２の計測データを選定するステップと、第１の計測データと、第２の計測データとの相関係数を算出するステップと、相関係数に基づいて第２の計測データを複数の説明変数に含めるか否かを決定するステップとを含む。

【0011】

ある局面において、第１の計測データを除く各計測データの中から、複数の説明変数を選定するステップは、第１の計測データを除く各計測データの中から第２の計測データを選定するステップと、モデルの式に第２の計測データを説明変数として加えて、モデルの１または複数の評価指標の値を算出するステップと、モデルの式に第２の計測データを説明変数として加えたことにより１または複数の評価指標の値が改善したか否かを判定するステップと、１または複数の評価指標の値が改善したと判定したことに基づいて、第２の計測データを説明変数として選定するステップとを含む。

【0012】

ある局面において、モデルは、回帰モデル、重回帰分析に基づくモデル、または、ニューラルネットワークに基づくモデルである。

【0013】

ある局面において、方法は、学習エンジンが出力したモデルの評価値を求めるステップと、評価値に基づいて、その他の設定値を更新するステップと、更新されたその他の設定値を学習エンジンに入力するステップとをさらに含む。

【0014】

ある局面において、その他の設定値は、中間層の数、ドロップ率および学習率の一部または全てを含む。

【0015】

ある局面において、その他の設定値を更新するステップは、今までの学習処理の中で最も高いその他の設定値である第１の設定値に対応するモデルの第１の評価値を記憶するステップと、第２の設定値に対応するモデルの第２の評価値を算出するステップと、第１の評価値と、第２の評価値とを比較するステップと第２の評価値が、第１の評価値より小さいことに基づいて、第２の設定値を第１の設定値に近づけるステップと、第２の評価値が、第１の評価値より大きいことに基づいて、第２の設定値を第１の設定値から遠ざけるステップとを含む。

【0016】

ある局面において、モデルの評価値を求めるステップは、その他の設定値を変更して、複数の評価値を並列に算出するステップを含む。

【0017】

ある局面において、モデルの評価値を求めるステップは、設備に異常が発生していないときの計測データがモデルに入力された場合に、設備の異常を検出したとき、モデルの評価値を下げるステップと、設備に異常が発生したときの計測データがモデルに入力された場合に、設備の異常を検出したとき、モデルの評価値を上げるステップとを含む。

【0018】

ある局面において、モデルの評価値を求めるステップは、設備に異常が発生していないときの計測データをモデルに入力した場合に、設備の異常を検出したとき、モデルの評価値を下げるステップを含む。

【0019】

ある局面において、モデルの評価値を求めるステップは、第１のモデルおよび第２のモデルの評価値が等しいことに基づいて、第１のモデルによる目的変数の予測値と、目的変数の実測値とを比較して第１の誤差を取得するステップと、第２のモデルによる目的変数の予測値と、目的変数の実測値とを比較して第２の誤差を取得するステップと、第１の誤差が第２の誤差よりも小さいことに基づいて、第１のモデルを第２のモデルよりも評価するステップとをさらに含む。

【0020】

ある局面において、第１のモデルは、第３のモデルと、第４のモデルとを含む。第２のモデルは、第５のモデルと、第６のモデルとを含む。モデルの評価値を求めるステップは、第１のモデルおよび第２のモデルの評価値が等しいことに基づいて、第３および第４のモデルの各々による目的変数の予測値と、目的変数の実測値とを比較して第３の誤差を取得するステップと、第５および第６のモデルの各々による目的変数の予測値と、目的変数の実測値とを比較して第４の誤差を取得するステップと、第３の誤差が第４の誤差よりも小さいことに基づいて、第１のモデルを第２のモデルよりも評価するステップとを含む。

【0021】

他の実施の形態に従うと、上記のいずれかの方法をコンピュータに実行させるためのプログラムが提供される。

【0022】

他の実施の形態に従うと、施設内の複数の設備を監視するためのモデルを作成するための装置が提供される。装置は、上記のプログラムおよび学習エンジンを格納したメモリと、プログラムを実行するためのプロセッサとを備える。

【0023】

さらに他の実施の形態に従うと、施設内の複数の設備を監視するためのモデルを作成するための別の装置が提供される。別の装置は、上記のプログラムを格納したメモリと、プログラムを実行するためのプロセッサと、学習エンジンを含む外部装置と通信するための通信部とを備える。通信部は、目的変数と、複数の説明変数、学習除外期間、学習除外箇所、および、その他の設定値の一部または全てを外部装置に送信する。

【発明の効果】

【0024】

ある実施の形態に従うと、モデルの生成を容易にすることが可能である。
この開示内容の上記および他の目的、特徴、局面および利点は、添付の図面と関連して理解される本開示に関する次の詳細な説明から明らかとなるであろう。

【図面の簡単な説明】

【0025】

【図1】ある実施の形態に従う監視システムの適用例の第１の例を示す図である。

【図2】ある実施の形態に従う監視システムの適用例の第２の例を示す図である。

【図3】初期設定の一部である目的変数および説明変数の選択手順の一例を示す図である。

【図4】パターン認識モデルによる設備の監視の一例を示す図である。

【図5】目的変数および説明変数の候補の選定手順の一例を示す図である。

【図6】センサー１４０の計測データ間の相関関係の算出手順の一例を示す図である。

【図7】モデルの一例を示す図である。

【図8】相関関係を用いない説明変数の選択手順の一例を示す図である。

【図9】学習エンジン１１０に入力される設定の一例を示す図である。

【図10】監視装置１００のモデルの第１の評価方法の一例を示す図である。

【図11】第１の評価方法の詳細な手順の前半の一例を示す図である。

【図12】第１の評価方法の詳細な手順の後半の一例を示す図である。

【図13】第２の評価方法の詳細な手順の一例を示す図である。

【図14】評価値が同一の複数のモデルの選択基準の一例を示す図である。

【図15】その他の設定値（設定項目９３０）と、モデルの評価値との関係の一例を示す図である。

【図16】その他の設定値の範囲を絞る手順の一例を示す図である。

【図17】監視装置１００のハードウェア構成の一例を示す図である。

【図18】監視装置１００によるモデルを生成して、当該モデルによる設備１５０の監視を開始するまでの手順の一例を示す図である。

【発明を実施するための形態】

【0026】

以下、図面を参照しつつ、本開示に係る技術思想の実施の形態について説明する。以下の説明では、同一の部品には同一の符号を付してある。それらの名称および機能も同じである。したがって、それらについての詳細な説明は繰り返さない。なお、これ以降の説明では、複数の同一の構成に対して言及する場合、構成１２３Ａ，１２３Ｂのように表現することがある。また、それらを総称する場合は、構成１２３と表現する。

【0027】

図１は、本実施の形態に従う監視システムの適用例の第１の例を示す図である。監視システム１０は、監視装置１００と、データ収集装置１３０と、センサー１４０とを備える。監視装置１００は、学習エンジン１１０と、学習支援機能１２０とを含む。監視対象の施設１６０内には、多数の設備１５０が配置されている。ある局面において、施設１６０は、発電所、変電所、化学工場、食品工場、工業製品の工場、または、工場の自動生産ライン等を含み得る。他の局面において、設備１５０は、ポンプ、ファン、熱交換器、系統温度計、ガスタービン、蒸気タービン、ガスタービン、配管、コンベア、レーザー加工装置、または、プレス装置等を含み得る。

【0028】

監視装置１００は、設備１５０の状態、または、設備１５０に異常がないか否かを監視する。ある局面において、設備１５０の異常は、個別の設備１５０の異常、または、複数の設備１５０の異常により引き起こされる異常を含み得る。また、他の局面において、異常は、異常振動、配管漏れ、軸受け破損、異常高温、燃焼不安定、差圧上昇、燃料漏れ、または、制御不良等を含み得る。

【0029】

学習エンジン１１０は、設備１５０の異常を検知するためのモデル（設備１５０の異常を検知するための検知ツール、または、設備１５０の監視モデル）を生成する。学習支援機能１２０は、学習エンジン１１０に入力するパラメータを生成し、また、生成されたモデルを評価する。

【0030】

データ収集装置１３０は、施設１６０内の各センサー１４０から計測データを収集し、当該収集した計測データを監視装置１００に送信する。ある局面において、データ収集装置１３０は、ＰＣ（Personal Computer）、サーバー、その他の任意の情報機器、または、これらの組み合わせであってもよい。他の局面において、データ収集装置１３０は、有線ＬＡＮ（Local Area Network）または無線ＬＡＮにより監視装置１００と接続されていてもよく、その場合、データ収集装置１３０は、有線ＬＡＮまたは無線ＬＡＮを介して、監視装置１００と通信し得る。

【0031】

センサー１４０は、設備１５０に関する計測データを生成し、当該計測データをデータ収集装置１３０に送信する。センサー１４０は、各設備１５０に取り付けられるか、または、各設備１５０の近傍に設置される。ある局面において、センサー１４０は、振動計、圧力計、温度計、湿度計、水位計、差圧計、CO計、NOx計、電圧計、電流計、回転数計、光度計、各種濃度計、その他の任意のセンサー、または、これらの組み合わせであってもよい。他の局面において、センサー１４０は、センサー素子と、ＭＰＵ（Micro-Processing Unit）とを含む装置であってもよい。また、他の局面において、センサー１４０は、有線ＬＡＮまたは無線ＬＡＮを介して、データ収集装置１３０と通信し得る。

【0032】

図１に示す例では、データ収集装置１３０は、センサー１４０Ａ～１４０Ｉから計測データを取得し、これらの計測データを監視装置１００に送信する。ある局面において、各センサー１４０は、計測データを監視装置１００に直接送信してもよい。

【0033】

学習支援機能１２０は、センサー１４０Ａ～１４０Ｉの計測データに基づいて、学習エンジン１１０に入力する初期設定（目的変数および説明変数を含む）を自動で決定し、当該初期設定を学習エンジン１１０に入力する。また、学習支援機能１２０は、学習エンジン１１０が出力したモデルの評価に基づいて、学習エンジン１１０に入力する設定を更新し、当該更新した設定を学習エンジン１１０に再度入力する。学習エンジン１１０は、更新された設定に基づいて、繰り返しモデルを生成し続ける。その結果、モデルの精度は向上する。学習エンジン１１０に入力する初期設定の決定手順の詳細については、図３～図８を参照して説明する。学習エンジン１１０に入力される設定を更新する処理の詳細については、図９～図１６を参照して説明する。監視装置１００は、当該学習支援機能１２０を備えることにより、熟練した技能を持つ作業員による設定入力に依存することなく、精度の高いモデルを生成し得る。

【0034】

監視装置１００は、パターン認識等のアルゴリズムを用いて、設備１５０の異常を検出する。監視装置１００は、設備１５０が健全な状態で運用された期間の計測データを学習エンジン１１０の学習データとし得る。また、監視装置１００は、十分な学習データ（計測データ）が得られた後に、学習支援機能１２０による設定に基づいて、各設備１５０を監視するためのモデル（回帰モデル等）を作成する。

【0035】

図２は、本実施の形態に従う監視システムの適用例の第２の例を示す図である。図２に示す監視システム２０において、監視装置２００は、学習支援機能２２０のみを備える。外部装置２０５は、例えば、学習エンジン２１０を備える既存の装置である。

【0036】

学習支援機能２２０は、外部装置２０５と通信することで、学習エンジン１１０に初期設定を入力し、また、学習エンジン１１０に入力する設定を更新する。このように、図２に示す監視装置２００は、既にある学習エンジンを備える任意の装置と連携し得る。

【0037】

ある局面において、監視装置２００は、外部装置２０５から受信したモデルを用いて、各設備１５０を監視し得る。他の局面において、外部装置２０５がモデルを用いて、各設備１５０を監視してもよい。その場合、監視装置２００は、学習支援機能２２０のみを備え、各設備１５０を監視する機能を備えなくてもよい。これ以降、図１に示す監視装置１００の動作手順について説明するが、監視装置２００も、監視装置１００と同様の機能を備える。

【0038】

図３は、初期設定の一部である目的変数および説明変数の選択手順の一例を示す図である。図３を参照して、学習支援機能１２０が、学習エンジン１１０に設定する目的変数および説明変数を選択する手順について説明する。

【0039】

「目的変数」とは、モデルの出力に相当する。「説明変数」とは、モデルの入力に相当する。一例として、モデルに設定される目的変数が、ボイラーの故障の有無であり、モデルに設定される説明変数がセンサー１４０Ａ，１４０Ｄの計測データであったとする。この場合、当該モデルは、センサー１４０Ａ，１４０Ｄの計測データに基づいて、ボイラーの故障の有無を判定するモデルとなる。

【0040】

ステップ１において、監視装置１００は、データ収集装置１３０から受信したデータ３１０（各センサー１４０の計測データの集合）に基づいて、各センサー１４０の計測データ間の相関関係を解析する。ステップ２において、監視装置１００は、各設備１５０を監視するパターン認識モデルを生成する。監視装置１００は、当該パターン認識モデルにより、各設備１５０を監視する。パターン認識アルゴリズムの詳細については、図４を参照して説明する。監視装置１００は、ステップ１および２の実行順序を入れ替えてもよく、または、ステップ１および２の処理を平行に実行してもよい。

【0041】

ステップ３において、監視装置１００は、パターン認識モデルによる監視で、閾値を超えた監視項目（異常値）を検出したとき、検出された異常値に最も関連があると推定されるセンサー１４０を特定する。検出された異常値に最も関連があると推定されるセンサー１４０の特定処理の詳細については、図５を参照して説明する。

【0042】

ステップ４において、監視装置１００は、検出された異常値に最も関連があると推定されるセンサー１４０の計測データを学習エンジンに入力する目的変数３２０に設定する。また、監視装置１００は、それ以外のセンサー１４０の計測データを学習エンジンに入力する説明変数の候補３３０に設定する。説明変数の候補３３０は、説明変数になる可能性のある計測データの集合であり、説明変数の候補３３０の中から説明変数３４０が選択される。

【0043】

ステップ５において、監視装置１００は、センサー１４０の計測データ間の相関関係に基づいて、説明変数の候補３３０の中から説明変数３４０を選択する。各センサー１４０間の相関関係の詳細については、図６を参照して説明する。ある局面において、説明変数３４０は、１または複数の計測データを含んでいてもよい。監視装置は、目的変数３２０と、説明変数３４０と、その他の設定とを学習エンジン１１０に入力する。学習エンジン１１０は、入力された設定に基づいて、モデル（例えば、回帰モデル等の学習済みモデル）を生成する。

【0044】

図４は、パターン認識モデルによる設備の監視の一例を示す図である。図４を参照して、監視装置１００が用いるパターン認識モデルについて説明する。監視装置１００は、学習エンジン１１０に入力するための十分な学習データがない間は、パターン認識モデルを使用して各設備１５０を監視し得る。

【0045】

監視装置１００は、学習期間４２０の間に、データ収集装置１３０からデータ４１０（各センサー１４０からの計測データの集合）を受信する。監視装置１００は、ＭＴ法（Maharanobis-Taguchi System）等を用いて、データ４１０から、パターン認識モデルを生成する。

【0046】

監視装置１００は、生成したパターン認識モデルにより、監視期間４３０の間に、特定の監視項目を監視する。パターン認識モデルの異常判定のグラフ４４０によると、ＭＤ値（Mahalanobis Distance）に閾値が設定されており、監視装置１００は、監視項目（設備１５０の温度または圧力等）の値が変化することで、ＭＤ値が閾値を超えた場合、アラートを出力する。

【0047】

図５は、目的変数および説明変数の候補の選定手順の一例を示す図である。監視装置１００は、閾値を超えた監視項目（異常値）との関連度が最も高いセンサー１４０の計測データをＳＮ比に基づいて、特定し得る。以下、センサーＡ，Ｂ，Ｃを例に説明する。テーブル５１０は、各センサー１４０の使用条件と、その使用条件におけるＳＮ比（Signal-to-Noise Ratio）とを含む。例えば、「条件１」の場合、センサーＡ，Ｂ，Ｃが使用されている。この場合のＳＮ比は、η_１である。また、「条件２」の場合、センサーＡが使用されており、センサーＢ，Ｃが使用されていない。この場合のＳＮ比は、η_２である。式５２０は、ＳＮ比の計算式である。テーブル５３０は、式５２０に代入される条件および計算結果を格納する。テーブル５４０は、各センサーの各々の計測データの平均ＳＮ比の計算式を格納している。また、テーブル５５０は、各センサーの各々の計測データの平均ＳＮ比の計算結果を格納している。

【0048】

監視装置１００は、テーブル５１０，５３０，５４０および式５２０により、各センサーの各々の平均ＳＮ比を算出して、計算結果をテーブル５５０に格納する。テーブル５５０によると、センサーＣの計測データの平均ＳＮ比が最も大きいことがわかる。監視装置１００は、テーブル５５０（平均ＳＮ比の計算結果）に基づいて、最も平均ＳＮ比が大きいセンサーＣの計測データを学習エンジンの目的変数として選択し、それ以外のセンサーＡ．Ｂの計測データを学習エンジン１１０の説明変数の候補として選択し得る。

【0049】

ある局面において、図５に示すテーブルおよび式の各々は、監視装置１００が参照するデータまたは実行するプログラムとして実現され得る。また、他の局面において、各テーブルはデータとして監視装置１００のメモリ（図示せず）に格納されていてもよい。同様に、式５２０の計算を実行するためのプログラムも、監視装置１００のメモリに格納されていてもよい。

【0050】

図６は、センサー１４０の計測データ間の相関関係の算出手順の一例を示す図である。式６１０は、２つのセンサー１４０の計測データ間の相関係数を算出する式である。２つのセンサー１４０の計測データ間の相関係数が大きいほど、２つのセンサー１４０の計測データの間には相関があると言える。テーブル６２０は、式６１０の各変数を格納する。

【0051】

図３のステップ１において、監視装置１００は、式６１０を用いて、各センサー１４０の計測データ間の相関値を算出する。また、図３のステップ５において、監視装置１００は、目的変数として選択された計測データと、説明変数の候補の計測データとの間の相関係数に基づいて、説明変数の候補の中から説明変数を選択する。より具体的には、監視装置１００は、目的変数として選択された計測データＡと、ある説明変数の候補に含まれる計測データＢとの間の相関係数が、予め定められた閾値以上である場合、計測データＢを説明変数として選択し得る。そうでない場合、監視装置１００は、計測データＢを説明変数として選択しない。

【0052】

ある局面において、図６に示すテーブルおよび式の各々は、監視装置１００が参照するデータまたは実行するプログラムとして実現され得る。また、他の局面において、テーブル６２０はデータとして監視装置１００のメモリに格納されていてもよい。同様に、式６１０の計算を実行するためのプログラムも、監視装置１００のメモリに格納されていてもよい。

【0053】

図７は、モデルの一例を示す図である。図３を参照した説明において、モデルの一例として回帰モデルを挙げたが、本開示の内容は、他のモデルにも適用可能である。式７１０は、重回帰分析の式である。テーブル７２０は、式７１０の各変数を格納する。ある局面において、学習エンジン１１０は、式７１０に基づくモデルを生成してもよい。他の局面において、学習エンジン１１０は、ニューラルネットワークに基づくモデルを生成してもよい。

【0054】

ある局面において、図７に示すテーブルおよび式の各々は、監視装置１００が参照するデータまたは実行するプログラムとして実現され得る。また、他の局面において、テーブル７２０はデータとして監視装置１００のメモリに格納されていてもよい。同様に、式７１０の計算を実行するためのプログラムも、監視装置１００のメモリに格納されていてもよい。

【0055】

図８は、相関関係を用いない説明変数の選択手順の一例を示す図である。監視装置１００は、各センサー１４０の計測データ間の相関関係の代わりに、各計測データの評価指標を用いて、説明変数の候補の中から説明変数を選択してもよい。式８１０～式８４０は、評価指標を算出する式の一例である。テーブル８５０は各式の変数を格納する。各評価指標は小さいほどよい。図８に示す処理は、図３に示すステップ５において、図６に示す処理の代わりに実行され得る。以下、図８に示す処理について説明する。

【0056】

まず、第１の処理として、監視装置１００は、説明変数の候補から１つの計測データを選択し、式７１０の係数を決定する。そして、監視装置１００は、式７１０に対して、式８１０～式８４０の一部または全てを用いて、評価指標を計算する。この処理を、説明変数の候補に含まれる全ての計測データに対して実行する。

【0057】

次に、第２の処理として、監視装置１００は、評価指標の値が最も良い（評価指標の値が最も小さい）計測データを目的変数に追加する。一例として、説明変数の候補は、計測データＡ～Ｅを含むとし、監視装置１００は、計測データＡを説明変数Ａとして選択したとする。

【0058】

さらに、第３の処理として、監視装置１００は、目的変数と、説明変数Ａと、係数と、残りの説明変数の候補（計測データＢ～Ｅ）から選択した新たな説明変数とを式７１０に代入する。そして、監視装置１００は、式７１０に対して、式８１０～式８４０の一部または全てを用いて、評価指標を計算する。この処理を、残りの説明変数の候補に含まれる全ての計測データに対して実行する。監視装置１００は、評価指標が最も改善したときの計測データをさらに説明変数として選択する。監視装置１００は、評価指標が改善しなくなるまで、第３の処理を繰り替えし実行する。第３の処理を繰り返すことにより、監視装置１００は、最も評価指標が良くなる説明変数の組み合わせを発見し得る。

【0059】

ある局面において、図８に示すテーブルおよび式の各々は、監視装置１００が参照するデータまたは実行するプログラムとして実現され得る。また、他の局面において、テーブル８５０はデータとして監視装置１００のメモリに格納されていてもよい。同様に、各式の計算を実行するためのプログラムも、監視装置１００のメモリに格納されていてもよい。他の局面において、図６～図８に示す説明変数の選定手順は、回帰モデルに対して実行さてもよいし、重回帰分析のモデルに対して実行されてもよい。

【0060】

図９は、学習エンジン１１０に入力される設定の一例を示す図である。設定は、少なくとも、設定項目９１０と、設定項目９２０と、設定項目９３０とを含む。監視装置１００は、各設定項目９１０，９２０，９３０を学習エンジン１１０に入力する。設定項目９１０は、目的変数および説明変数を含む。図３～図８を参照して説明したように、監視装置１００は、センサー１４０の計測データに基づいて、設定項目９１０を自動的に決定し得る。

【0061】

設定項目９２０は、学習期間と、学習除外箇所とを含む。学習期間は、学習エンジン１１０の学習の繰り返し回数等である。学習除外箇所は、例えば設備１５０の休止期間中のデータ等、学習に含めないデータである。ある局面において、監視装置１００は、予め定められた値を設定項目９２０に設定し得る。他の局面において、監視装置１００は、ユーザーから入力された値を設定項目９２０に設定し得る。

【0062】

設定項目９３０は、その他の設定値（中間層の数、ドロップ率、学習率、alpha値、ε値、特徴量、または、これらの組み合わせ等）を含む。ある局面において、監視装置１００は、予め定められた値を設定項目９３０に設定し得る。他の局面において、監視装置１００は、ユーザーから入力された値を設定項目９３０に設定し得る。

【0063】

設定項目９３０は、モデルの精度に影響を及ぼすが、計測データ等に基づいて一意に値が決まるわけではない。そのため、監視装置１００は、学習エンジン１１０の学習の結果（学習済みモデル）を評価し、当該評価に基づいて設定項目９３０の値を更新し、さらに、当該更新した値を学習エンジン１１０に入力して、学習エンジン１１０に新しいモデルを生成させる処理を繰り返す。これにより、監視装置１００は、モデルの異常の検知精度を向上させ得る。

【0064】

次に、図１０～図１２を参照して、監視装置１００のモデルの第１の評価方法について説明する。第１の評価方法では、モデルは、設備１５０に異常が発生していない期間の計測データ（正常時の計測データ）および設備１５０に異常が発生している期間の計測データ（異常時の計測データ）を入力される。監視装置１００は、モデルの正常時の計測データおよび異常時の計測データの各々に対する出力結果を評価する。

【0065】

図１０は、監視装置１００のモデルの第１の評価方法の一例を示す図である。監視装置１００は、学習エンジン１１０が出力したモデルに、正常時の計測データ１０２０と、異常時の計測データ１０３０とを入力する。そして、監視装置１００は、モデルが出力する目的変数の値を評価する。グラフ１０５０は、モデルの出力データである。出力データの値が閾値以上であれば、モデルは異常を検知したことになる。

【0066】

より具体的には、まず、監視装置１００は、正常時の計測データ１０２０をモデルに入力する。次に、監視装置１００は、モデルが閾値以上の目的変数の値（異常値）を出力したとき（異常を検知したとき）、モデルは誤検知をしたと判定して、モデルの評価値を下げる。なぜならば、正常時の計測データ１０２０は、いずれの設備１５０にも異常が発生していない期間のデータであり、モデルは異常を検知すべきではないためである。

【0067】

また、監視装置１００は、異常時の計測データ１０３０をモデルに入力する。次に、監視装置１００は、モデルが閾値以上の目的変数の値（異常値）を出力したとき（異常を検知したとき）、モデルは異常を正確に検知できたと判定して、モデルの評価値を上げる。なぜならば、異常時の計測データ１０３０は、いずれかの設備１５０に異常が発生している期間のデータであり、モデルは異常を検知すべきだからである。最終的に、モデルが出力する目的変数の予測値１０４０Ｂは、目的変数の実測値１０４０Ａにできる限り近くなることが望ましい。

【0068】

図１１は、第１の評価方法の詳細な手順の前半の一例を示す図である。図１２は、第１の評価方法の詳細な手順の後半の一例を示す図である。図１１および図１２を参照して、第１の評価方法の手順について説明する。

【0069】

グラフ１１００は、モデルが出力する目的変数の値のグラフである。時刻１１１０は、設備１５０に異常が発生した時刻である。基準時刻１１１１は、モデルが正常に異常を検出したか否かを判定するための基準点である。監視装置１００は、モデルが基準時刻１１１１以降に異常を検知した場合、モデルが正常に異常を検知したと判定してモデルの評価値を上げる。逆に、監視装置１００は、モデルが基準時刻１１１１以前に異常を検知した場合、モデルが異常を誤検知したとしてモデルの評価値を下げる。

【0070】

ステップ１において、監視装置１００は、最初、時刻１１１０を基準時刻１１１１に設定する。ステップ２において、監視装置１００は、時刻１１１０から時間を遡り、目的変数の値が閾値未満になる時刻１１２０を発見した場合、時刻１１２０を基準時刻１１１１に設定する。

【0071】

ステップ３において、監視装置１００は、時刻１１１０から時間を遡り、目的変数の値が閾値以上になる時刻１１３０を発見した場合、時刻１１２０から時刻１１３０までの期間を算出する。監視装置１００は、時刻１１２０から時刻１１３０までの期間が予め定められたＮ時間未満（例えば１２時間未満）である場合、時刻１１３０を基準時刻１１１１に設定する。そうでない場合、監視装置１００は、基準時刻１１１１を時刻１１２０から変更しない。

【0072】

ステップ４において、監視装置１００は、時刻１１３０から時間を遡り、目的変数の値が閾値未満になる時刻１２４０を発見した場合、時刻１２４０を基準時刻１１１１に設定する。

【0073】

ステップ５において、監視装置１００は、時刻１２４０から時間を遡り、目的変数の値が閾値以上になる時刻を探す。図１２に示す例では、時刻１１４０からＮ時間以内の範囲で、目的変数の値が閾値以上になる時刻はない。そのため、監視装置１００は、基準時刻１１１１を時刻１２４０から変更しない。この時点で、基準時刻１１１１の最終的な位置が決定する。

【0074】

監視装置１００は、ステップ２～５の処理を繰り返すことで、異常の発生時刻から遡って、Ｎ時間以上目的変数の値が閾値未満になる区間（図１２の例では、区間１２４５）を発見する。そして、監視装置１００は、Ｎ時間以上目的変数の値が閾値未満になる区間の直後の目的変数の値が閾値を超える時刻（図１２の例では、時刻１２４０）を基準時刻１１１１に設定する。

【0075】

ステップ６において、監視装置１００は、最終的な基準時刻１１１１（時刻１２４０）に基づいて、モデルの出力結果を評価する。監視装置１００は、モデルが基準時刻１１１１以前に異常を検知したことに基づいて、モデルの評価を下げる。逆に、監視装置１００は、モデルが基準時刻１１１１以降に異常を検知したことに基づいて、モデルの評価を上げる。例えば、基準時刻１１１１以前の期間１２５０，１２６０において、モデルの出力データは閾値を超えている。この場合、監視装置１００は、モデルが異常を誤検知したと判定し、モデルの評価値を下げる。基準時刻１１１１以降の期間１２７０において、モデルの出力データは閾値を超えている。この場合、監視装置１００は、モデルが正常に異常を検知したと判定し、モデルの評価値を上げる。監視装置１００は、上述した評価方法により、モデルの評価値を算出する。

【0076】

図１３は、第２の評価方法の詳細な手順の一例を示す図である。第２の評価方法は、第１の評価方法と異なり、正常時の計測データ１３１０のみが、モデルに入力される。監視装置１００は、モデルの正常時の計測データに対する出力結果を評価する。グラフ１３５０は、モデルの出力データである。出力データの値が閾値以上であれば、モデルは異常を検知したことになる。

【0077】

より具体的には、まず、監視装置１００は、正常時の計測データ１３１０をモデルに入力する。次に、監視装置１００は、モデルが閾値以上の目的変数の値（異常値）を出力したとき（異常を検知したとき）、モデルは誤検知をしたと判定して、モデルの評価値を下げる。第２の評価方法は、第１の評価方法と異なり、単純に減点のみの評価方法となる。一例として、第２の評価方法における評価値は、式１３６０により表される。最終的に、モデルが出力する目的変数の予測値１３４０Ｂは、目的変数の実測値１３４０Ａにできる限り近くなることが望ましい。

【0078】

上述したように、監視装置１００は、図１０～図１３を参照して示した第１の評価方法または第２の評価方法により、モデルを評価し得る。監視装置１００は、例えば、設定項目９３０を変更してモデルを作成する毎に、第１の評価方法または第２の評価方法を実行する。そして、最終的に最も評価値の高いモデルを選択する。

【0079】

図１４は、評価値が同一の複数のモデルの選択基準の一例を示す図である。例えば、評価値が同率で一位の２つのモデルがあるとする。この場合、監視装置１００は、目的変数の実測値１４２０Ａと、各モデルの予測値１４２０Ｂ（目的変数の予測値）との誤差を算出する。そして、この誤差が小さいほうのモデルを選択し得る（誤差の小さい方のモデルをより評価する）。誤差は、例えば、式１４１０により算出される。

【0080】

他の例として、監視装置１００は、複数のモデルを生成する場合がある。例えば、モデルＡが、目的変数の下限値の予測値を出力する第１のモデルと、目的変数の上限値の予測値を出力する第２のモデルとを含むとする。このように複数のモデルがある場合、監視装置１００は、目的変数の実測値１４４０Ａおよび第１のモデルの予測値１４４０Ｂの間の第１の誤差と、目的変数の実測値１４４０Ａおよび第２のモデルの予測値１４４０Ｃの間の第２の誤差とを算出する。そして、監視装置１００は、第１の誤差および第２の誤差の合計をモデルＡの誤差として算出し得る。モデルＡの誤差は、例えば、式１４３０により算出される。監視装置１００は、同様に、２つのモデルを含むモデルＢの誤差を算出し、モデルＡと、モデルＢとの誤差を比較し、誤差の小さい方のモデルを選択し得る（誤差の小さい方のモデルをより評価する）。

【0081】

次に、図１５および図１６を参照して、設定項目９３０の変更手順の詳細について説明する。設定項目９３０を総当たりで変更して学習モデルを作り直すことは、膨大な時間を要する。そのため、監視装置１００は、効率よく、設定項目９３０の範囲を絞り込む。

【0082】

図１５は、その他の設定値（設定項目９３０）と、モデルの評価値との関係の一例を示す図である。グラフ１５００は、その他の設定値およびモデルの評価値の関係を示す。その他の設定値が最適値１５１０のとき、評価値は最大となる。しかし、その他の設定値およびモデルの評価値の関係は、数式で表せないことが大半であり、最適値１５１０を発見することは容易ではない。

【0083】

仮に、単純に最適値１５１０を求める場合、監視装置１００は、その他の設定値を総当たりで学習エンジン１１０に入力する必要があり、非効率である。そのため、監視装置１００は、以下に説明する手順で、効率的にその他の設定値の範囲を絞り込む。

【0084】

図１６は、その他の設定値の範囲を絞る手順の一例を示す図である。図１６に示す例では、グラフ１５００上に、粒子（１）１６４０，１６５０，１６６０が表示されている。「粒子」は、学習エンジン１１０にその他の設定値ｔが設定されたときの、モデルの評価値を示す。監視装置１００が、学習エンジン１１０に設定するその他の設定値ｔが変化する毎に、粒子の位置も変化する。以下に、粒子（１）を例に、監視装置１００がその他の設定値ｔの値を変更する手順について説明する。

【0085】

第１に、監視装置１００は、その他の設定値ｔ_１を学習エンジン１１０に設定する。そして、監視装置１００は、学習エンジン１１０により生成されたモデルＡの評価値を算出する。評価値の算出は、図１０～図１４を参照して説明した手順に従って実行する。モデルＡの評価値（粒子（１）の位置）は、ｘ_１（ｔ_１）になる。

【0086】

第２に、監視装置１００は、今回の粒子（１）の位置（今回のモデルＡの評価値）と、過去の粒子（１）の最大評価値の位置Ｐ_１（ｔ_ｐ１）とを比較する。監視装置１００は、今回の粒子（１）の位置が過去の粒子（１）の最大評価値の位置より低い（評価値が低い）場合、次に学習エンジン１１０に設定するその他の設定値ｔ_１＋１を、過去の粒子（１）のその他の設定値ｔ_ｐ１に近づける。逆に、今回の粒子（１）の位置が過去の粒子（１）の最大評価値の位置より低い（評価値が低い）場合、監視装置１００は、次に学習エンジン１１０に設定するその他の設定値ｔ_１＋１を、過去の粒子（１）のその他の設定値ｔ_ｐ１から遠ざける。監視装置１００は、例えば、式１６１０，１６２０に基づいて、その他の設定値の変化量（次に学習エンジン１１０に設定するその他の設定値ｔ_１＋１の値）を決定し得る。テーブル１６３０は、式１６１０，１６２０の変数を格納する。

【0087】

ある局面において、監視装置１００は、最初の１回目の粒子の位置を設定するときは、上記の比較処理を実行しなくてもよい。また、監視装置１００は、最初の１回目の粒子の位置を設定するときは、その他の設定値の範囲の中央値をその他の設定値ｔ_１として選択してもよいし、ランダムな値をその他の設定値ｔ_１として選択してもよい。

【0088】

第３に、監視装置１００は、予め定められた規定の回数だけ、上記の比較処理を繰り返し得る。ある局面において、監視装置１００は、モデルの評価値が予め定められた閾値以上になるまで比較処理を繰り返し得る。最終的に、監視装置１００は、粒子（１）の今までで最大の評価値を選択し得る。

【0089】

他の局面において、監視装置１００は、上記の第１～第３の処理を並列に実行してもよい。例えば、図１６に示すように、監視装置１００は、粒子（１）～（３）の位置（評価値）を同時並行的に算出してもよい。その場合、最終的に、各粒子（１）～（３）の最大評価値の位置（最大の評価値）の中から、全体で最も評価値の高い粒子を選択し得る。図１６に示す例では、Ｐ_３（ｔ_ｐ３）が全体で最も評価値の高い粒子となる。そして、監視装置１００は、最も評価値の高い粒子に対応するモデルを用いて、施設１６０内の設備１５０を監視し得る。

【0090】

また、ある局面において、図１６に示すテーブルおよび式の各々は、監視装置１００が参照するデータまたは実行するプログラムとして実現され得る。また、他の局面において、テーブル１６３０はデータとして監視装置１００のメモリに格納されていてもよい。同様に、各式の計算を実行するためのプログラムも、監視装置１００のメモリに格納されていてもよい。

【0091】

上述したように、監視装置１００は、今回のモデルの粒子の位置（評価値）と、過去の粒子の最大評価値の位置との比較結果に基づいて、次に学習エンジン１１０に入力するその他の設定値を決定する。これにより、監視装置１００は、効率よくその他の設定値の範囲を絞り込み、モデルの精度を向上させることができる。

【0092】

図１７は、監視装置１００のハードウェア構成の一例を示す図である。図３～図１６までを参照して説明した処理は、図１７に示すハードウェアにより実行されるプログラムとして実現され得る。

【0093】

監視装置１００は、ＣＰＵ（Central Processing Unit）１７０１と、１次記憶装置１７０２と、２次記憶装置１７０３と、外部機器インターフェイス１７０４と、入力インターフェイス１７０５と、出力インターフェイス１７０６と、通信インターフェイス１７０７とを含む。

【0094】

ＣＰＵ１７０１は、監視装置１００の各種機能を実現するためのプログラムを実行し得る。ＣＰＵ１７０１は、例えば、少なくとも１つの集積回路によって構成される。集積回路は、例えば、少なくとも１つのＣＰＵ、少なくとも１つのＦＰＧＡ（Field Programmable Gate Array）、またはこれらの組み合わせ等によって構成されてもよい。

【0095】

１次記憶装置１７０２は、ＣＰＵ１７０１によって実行されるプログラムと、ＣＰＵ１７０１によって参照されるデータとを格納する。ある局面において、１次記憶装置１７０２は、ＤＲＡＭ（Dynamic Random Access Memory）またはＳＲＡＭ（Static Random Access Memory）等によって実現されてもよい。

【0096】

２次記憶装置１７０３は、不揮発性メモリーであり、ＣＰＵ１７０１によって実行されるプログラムおよびＣＰＵ１７０１によって参照されるデータを格納してもよい。その場合、ＣＰＵ１７０１は、２次記憶装置１７０３から１次記憶装置１７０２に読み出されたプログラムを実行し、２次記憶装置１７０３から１次記憶装置１７０２に読み出されたデータを参照する。ある局面において、２次記憶装置１７０３は、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、ＥＰＲＯＭ（Erasable Programmable Read Only Memory）、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）またはフラッシュメモリー等によって実現されてもよい。

【0097】

外部機器インターフェイス１７０４は、プリンター、スキャナーおよび外付けＨＤＤ等の任意の外部機器に接続され得る。ある局面において、外部機器インターフェイス１７０４は、ＵＳＢ（Universal Serial Bus）端子等によって実現されてもよい。

【0098】

入力インターフェイス１７０５は、キーボード、マウス、タッチパッドまたはゲームパッド等の任意の入力装置に接続され得る。ある局面において、入力インターフェイス１７０５は、ＵＳＢ端子、ＰＳ／２端子およびＢｌｕｅｔｏｏｔｈ（登録商標）モジュール等によって実現されてもよい。

【0099】

出力インターフェイス１７０６は、ブラウン管ディスプレイ、液晶ディスプレイまたは有機ＥＬ（Electro-Luminescence）ディスプレイ等の任意の出力装置に接続され得る。ある局面において、出力インターフェイス１７０６は、ＵＳＢ端子、Ｄ－ｓｕｂ端子、ＤＶＩ（Digital Visual Interface）端子およびＨＤＭＩ（登録商標）（High-Definition Multimedia Interface）端子等によって実現されてもよい。

【0100】

通信インターフェイス１７０７は、有線または無線のネットワーク機器と接続される。ある局面において、通信インターフェイス１７０７は、有線ＬＡＮ（Local Area Network）ポートおよびＷｉ-Ｆｉ（登録商標）（Wireless Fidelity）モジュール等によって実現されてもよい。他の局面において、通信インターフェイス１７０７は、ＴＣＰ／ＩＰ（Transmission Control Protocol/Internet Protocol）、ＵＤＰ（User Datagram Protocol）等の通信プロトコルを用いてデータを送受信してもよい。

【0101】

図１８は、監視装置１００によるモデルを生成して、当該モデルによる設備１５０の監視を開始するまでの手順の一例を示す図である。ある局面において、ＣＰＵ１７０１は、図１８の処理を行うためのプログラムを２次記憶装置１７０３から１次記憶装置１７０２に読み込んで、当該プログラムを実行してもよい。他の局面において、当該処理の一部または全部は、当該処理を実行するように構成された回路素子の組み合わせとしても実現され得る。

【0102】

ステップＳ１８０５において、ＣＰＵ１７０１は、学習用データ（センサー１４０の計測データ）を取得する。ＣＰＵ１７０１は、データ収集装置１３０から学習用データを取得し得る。ステップＳ１８１０において、ＣＰＵ１７０１は、パターン認識モデルの生成パラメータを設定する。ステップＳ１８０５，Ｓ１８１０の処理は、図４を参照して説明した手順に対応する。

【0103】

ステップＳ１８１５において、ＣＰＵ１７０１は、パターン認識モデルによる監視結果および各センサーの計測データを取得する。ステップＳ１８２０において、ＣＰＵ１７０１は、得られたセンサー１４０の計測データの中から目的変数を特定する。本ステップの処理は、図３および図５を参照して説明した目的変数の特定手順に対応する。

【0104】

ステップＳ１８２５において、ＣＰＵ１７０１は、説明変数の候補を特定する。ステップＳ１８３０において、ＣＰＵ１７０１は、目的変数と、各説明変数との相関関係を計算する。ステップＳ１８３５において、ＣＰＵ１７０１は、説明変数を選定する。ステップＳ１８２５～Ｓ１８３５までの処理は、図３および図６～８を参照して説明した説明変数の選定手順に対応する。

【0105】

ステップＳ１８４０において、ＣＰＵ１７０１は、学習エンジン１１０に、目的変数、説明変数およびその他の設定を入力する。また、ＣＰＵ１７０１は、学習エンジン１１０に、学習期間および学習除外箇所等の設定も入力し得る。本ステップの処理は、図９を参照して説明した手順に対応する。

【0106】

ステップＳ１８４５において、ＣＰＵ１７０１は、モデルの評価回数が規定回数になるまでステップＳ１８５０～Ｓ１８７０までの処理を繰り返す。ある局面において、ＣＰＵ１７０１は、モデルの評価値が規定の評価値に到達するまでステップＳ１８５０～Ｓ１８７０までの処理を繰り返してもよい。

【0107】

ステップＳ１８５０において、ＣＰＵ１７０１は、学習済みモデルを作成する。より具体的には、学習エンジン１１０は、ステップＳ１８４０にて入力された設定に基づいて、学習処理を実行し、学習済みモデルを出力する。

【0108】

ステップＳ１８５５において、ＣＰＵ１７０１は、学習済みモデルの出力データを取得する。すなわち、ＣＰＵ１７０１は、学習済みモデルに検証用データを入力し、学習済みモデルによる当該検証用データに対する出力データを取得する。

【0109】

ステップＳ１８６０において、ＣＰＵ１７０１は、学習済みモデルを評価して、学習済みモデルの評価値を得る。本ステップの処理は、図１０～図１４を参照して説明した手順に対応する。

【0110】

ステップＳ１８６５において、ＣＰＵ１７０１は、学習エンジン１１０に入力するその他の設定を更新する。ステップＳ１８７０において、ＣＰＵ１７０１は、学習エンジンに更新した設定を入力する。併せて、ＣＰＵ１７０１は、学習エンジン１１０に、目的変数、説明変数、学習期間および学習除外箇所等も入力する。学習エンジン１１０は、更新された設定に基づいて、学習処理を実行し、新しい学習済みモデルを出力する。ある局面において、ＣＰＵ１７０１は、その他の設定の一部を更新してもよいし、その他の設定の全てを更新してもよい。ステップＳ１８６５，Ｓ１８７０の処理は、図１５および図１６を参照して説明した手順に対応する。ＣＰＵ１７０１は、モデルの評価回数が規定回数未満、または、モデルの評価値が規定の評価値未満である場合、制御をステップＳ１８４５に移す。そうでない場合、ＣＰＵ１７０１は、制御をステップＳ１８７５に移す。ステップＳ１８７５において、ＣＰＵ１７０１は、学習済みモデルによる設備１５０の監視を開始する。

【0111】

以上説明した通り、本実施の形態に従う監視システムおよび監視装置は、学習エンジンに入力する設定を自動で選定する機能と、学習済みモデルの評価に基づいて、学習エンジンに入力する設定を更新する機能とを備える。これらの機能により、監視システムおよび監視装置は、熟練した作業員による学習エンジンへの設定入力を必要とすることなく、精度の高い監視用のモデルを生成することができる。

【0112】

今回開示された実施の形態は全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。本開示の範囲は上記した説明ではなくて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及び範囲内で全ての変更が含まれることが意図される。また、実施の形態および各変形例において説明された開示内容は、可能な限り、単独でも、組合わせても、実施することが意図される。

【符号の説明】

【0113】

１０，２０ 監視システム、１００，２００ 監視装置、１１０，２１０ 学習エンジン、１２０，２２０ 学習支援機能、１３０ データ収集装置、１４０ センサー、１５０ 設備、１６０ 施設、２０５ 外部装置、３２０ 目的変数、３３０ 説明変数の候補、３４０ 説明変数、３１０，４１０ データ、４２０ 学習期間、４３０ 監視期間、４４０，１０５０，１１００，１３５０，１５００ グラフ、５１０，５２０，５３０，５４０，５５０，６２０，７２０，８５０ テーブル、９１０，９２０，９３０ 設定項目、１０２０，１３１０ 正常時の計測データ、１０３０ 異常時の計測データ、１０４０Ａ，１４２０Ａ，１４４０Ａ 実測値、１０４０Ｂ，１４２０Ｂ，１４４０Ｂ，１４４０ＢＣ 予測値、１１１０，１１２０，１１３０，１１４０，１２４０ 時刻、１１１１ 基準時刻、１２４５ 区間、１２５０，１２６０，１２７０ 期間、１５１０ 最適値、１７０１ ＣＰＵ、１７０２ １次記憶装置、１７０３ ２次記憶装置、１７０４ 外部機器インターフェイス、１７０５ 入力インターフェイス、１７０６ 出力インターフェイス、１７０７ 通信インターフェイス。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】

【図17】

【図18】