特開 2023-163390 情報処理装置、情報処理方法およびプログラム

(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】P2023163390

(43)【公開日】2023-11-10

(54)【発明の名称】情報処理装置、情報処理方法およびプログラム

(51)【国際特許分類】

   G05B 23/02 20060101AFI20231102BHJP

【ＦＩ】

G05B23/02 R

G05B23/02 G

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2022074276

(22)【出願日】2022-04-28

(71)【出願人】

【識別番号】000003078

【氏名又は名称】株式会社東芝

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】上原 英晃

(72)【発明者】

【氏名】廣畑 賢治

(72)【発明者】

【氏名】鈴木 智之

(72)【発明者】

【氏名】伊藤 安孝

【テーマコード（参考）】

3C223

【Ｆターム（参考）】

3C223AA04

3C223AA11

3C223AA23

3C223BA01

3C223CC01

3C223DD01

3C223EB01

3C223EB02

3C223EB03

3C223FF05

3C223FF22

3C223FF46

3C223FF52

3C223GG01

3C223HH03

(57)【要約】

【課題】モデルに基づく予測をより高精度に実行する。
【解決手段】情報処理装置は、モデル生成部と予測部とを備える。モデル生成部は、監視対象のシステムの異常に関連する現象に関する変数の時系列データを用いた機械学習により、システムの保全のタイミングを特定するために用いられる指標を予測する予測モデルと、変数を予測する物理モデルと、を生成する。予測部は、予測モデルにより予測された指標を用いて学習される物理モデルを用いた第１予測処理と、予測モデルにより予測された指標を、物理モデルを用いて予測された変数を用いて修正する第２予測処理と、のいずれかを実行する。
【選択図】図１

【特許請求の範囲】

【請求項1】

監視対象のシステムの異常に関連する現象に関する変数の時系列データを用いた機械学習により、前記システムの保全のタイミングを特定するために用いられる指標を予測する予測モデルと、前記変数を予測する物理モデルと、を生成するモデル生成部と、
前記予測モデルにより予測された前記指標を用いて学習される前記物理モデルを用いた第１予測処理と、前記予測モデルにより予測された前記指標を、前記物理モデルを用いて予測された前記変数を用いて修正する第２予測処理と、のいずれかを実行する予測部と、
を備える情報処理装置。

【請求項2】

従属変数または独立変数に基づく非線形基底関数を含む複数種類のサブライブラリと、各サブライブラリに含まれる複数の非線形基底関数のそれぞれの生成確率と、を記憶する記憶部をさらに備え、
前記モデル生成部は、複数種類の前記サブライブラリから、前記生成確率に基づき抽出した１つ以上の前記非線形基底関数を組み合わせることにより、前記予測モデルおよび前記物理モデルをそれぞれ生成する、
請求項１に記載の情報処理装置。

【請求項3】

前記モデル生成部は、他の非線形基底関数より前記指標に対する影響が大きい非線形基底関数の前記生成確率が大きくなるように前記生成確率を修正する修正部を備え、
前記第１予測処理は、修正された前記生成確率に基づき抽出された前記非線形基底関数を組み合わせることにより生成される前記物理モデルを用いる、
請求項２に記載の情報処理装置。

【請求項4】

前記モデル生成部は、
前記予測モデルおよび前記物理モデルのいずれかである対象モデルについて、複数種類の前記サブライブラリから前記生成確率に基づき抽出した１つ以上の前記非線形基底関数を組み合わせることにより複数の前記対象モデルを生成し、複数の前記対象モデルそれぞれについて損失関数を算出する回帰式生成部と、
前記損失関数に基づいて、前記生成確率、および、前記機械学習のハイパーパラメータを修正する修正部と、
修正された前記ハイパーパラメータを用いた機械学習により、複数種類の前記サブライブラリから修正された前記生成確率に基づき抽出した１つ以上の前記非線形基底関数を組み合わせることにより前記対象モデルを再生成する回帰式再生成部と、
を備える、
請求項２に記載の情報処理装置。

【請求項5】

前記損失関数に基づいた順位により選択した複数の前記対象モデルを示す情報を出力する出力制御部をさらに備える、
請求項４に記載の情報処理装置。

【請求項6】

前記第２予測処理は、前記予測モデルにより前記指標を予測し、前記物理モデルにより前記変数を予測し、予測した前記変数と前記指標との関係を示す関係情報を用いて、前記予測モデルにより予測した前記指標を修正する処理を含む、
請求項１に記載の情報処理装置。

【請求項7】

前記予測モデルおよび前記物理モデルのいずれかである対象モデルは、線形回帰式であり、
前記モデル生成部は、前記線形回帰式の係数をスパース推定により推定する、
請求項１に記載の情報処理装置。

【請求項8】

情報処理装置で実行される情報処理方法であって、
監視対象のシステムの異常に関連する現象に関する変数の時系列データを用いた機械学習により、前記システムの保全のタイミングを特定するために用いられる指標を予測する予測モデルと、前記変数を予測する物理モデルと、を生成するモデル生成ステップと、
前記予測モデルにより予測された前記指標を用いて学習される前記物理モデルを用いた第１予測処理と、前記予測モデルにより予測された前記指標を、前記物理モデルを用いて予測された前記変数を用いて修正する第２予測処理と、のいずれかを実行する予測ステップと、
を含む情報処理方法。

【請求項9】

コンピュータに、
監視対象のシステムの異常に関連する現象に関する変数の時系列データを用いた機械学習により、前記システムの保全のタイミングを特定するために用いられる指標を予測する予測モデルと、前記変数を予測する物理モデルと、を生成するモデル生成ステップと、
前記予測モデルにより予測された前記指標を用いて学習される前記物理モデルを用いた第１予測処理と、前記予測モデルにより予測された前記指標を、前記物理モデルを用いて予測された前記変数を用いて修正する第２予測処理と、のいずれかを実行する予測ステップと、
を実行させるためのプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、情報処理装置、情報処理方法およびプログラムに関する。

【背景技術】

【0002】

予知保全技術として、対象とするシステムに対して、監視データ、または、システムダウン予測モデルに基づいて寿命予測を行う技術がある。物理現象のモデル化の技術として、機械学習の一種である関数同定問題を応用し、時系列データから物理現象を記述する数理モデルを獲得する技術がある。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特許第５１７５９１１号公報

【非特許文献】

【0004】

【非特許文献1】S.L. Brunton, J.L. Proctor, J.N. Kutz,”Discovering governing equations from data by sparse identification of nonlinear dynamical systems”, Proc. Natl. Acad. Sci., 113 （2016）, pp. 3932-3937

【発明の概要】

【発明が解決しようとする課題】

【0005】

本発明は、モデルに基づく予測をより高精度に実行できる情報処理装置、情報処理装置、情報処理方法およびプログラムを提供することを目的とする。

【課題を解決するための手段】

【0006】

実施形態の情報処理装置は、モデル生成部と予測部とを備える。モデル生成部は、監視対象のシステムの異常に関連する現象に関する変数の時系列データを用いた機械学習により、システムの保全のタイミングを特定するために用いられる指標を予測する予測モデルと、変数を予測する物理モデルと、を生成する。予測部は、予測モデルにより予測された指標を用いて学習される物理モデルを用いた第１予測処理と、予測モデルにより予測された指標を、物理モデルを用いて予測された変数を用いて修正する第２予測処理と、のいずれかを実行する。

【図面の簡単な説明】

【0007】

【図1】情報処理システムの一例を示す模式図。

【図2】部品の一例を示す図。

【図3】き裂が生じたときの温度の伝わり方の変化の例を示す図。

【図4】サブライブラリ定義情報を示す図。

【図5】生成確率情報を示す図。

【図6】センサ情報の一例を示す図。

【図7】内部処理の状態を示す図。

【図8】線形回帰式の情報の出力例を示す図。

【図9】モデル生成処理のフローチャート。

【図10】原因現象および各指標などの関係を示す図。

【図11】予測処理のフローチャート。

【図12】予測により得られる寿命分布の例を示す図。

【図13】表示画面の一例を示す図。

【図14】予測処理のフローチャート。

【図15】予測モデルを用いた寿命予測のフローチャート。

【図16】原因現象および各指標などの関係を示す図。

【図17】更新されるモデルの例を説明する図。

【図18】情報処理装置のハードウェア構成図。

【発明を実施するための形態】

【0008】

以下に添付図面を参照して、この発明にかかる情報処理装置の好適な実施形態を詳細に説明する。

【0009】

従来の予知保全における予測（異常予兆診断および寿命予測など）の技術では、材料強度、負荷算定、および、構造寸法などの不確定性の大きさに起因して、予測精度が悪く、精度向上が必要であった。また、予測モデル、および、予測指標に関する物理モデル（物理現象のモデル）の構築には、大量の学習データおよび解析データ、並びに、専門家による多大なエンジニアリング労力が必要となる。さらに、予測の結果についての原因を説明できない場合が多く、説明性の向上も要望されている。

【0010】

例えば、物理モデルとして疲労寿命モデルを生成する場合、疲労損傷現象および伝熱現象における複雑さの影響により、どのモデルを適用するかを人手で判断する必要があり、適切な物理モデルを使用することができない可能性がある。

【0011】

そこで、本実施形態では、少なくとも２つのモデルを生成し、２つのモデルを用いた予測を行う。これにより、モデルに基づく予測をより高精度に実行可能となる。また、本実施形態では、複数種類のサブライブラリから抽出されたサブライブラリを組み合わせることにより、各モデルを生成することができる。これにより、エンジニアリングレス、かつ、ドメイン知識および工学知見を盛り込んだ複数モデルに基づく予測の説明性向上、予測の精度向上、および、少数データ学習によるモデル生成を実現できる。

【0012】

本実施形態の情報処理システム（予知保全システム）は、主に以下の５つの構成要素を備える。
・構成要素Ｅ１：予知保全において保全のタイミングを特定（把握）するために用いられる指標（以下、タイミング指標）を予測する予測モデル。予測モデルは、システムダウンに至る現象の直接的な指標（以下、直接指標）を予測する物理モデルを入れ子構造として内包してもよい。
・構成要素Ｅ２：監視対象のシステムの異常に関連する現象に関する従属変数（例えば従属変数ベクトルＸ）を予測する物理モデル。従属変数（物理モデル）は２種類以上であってもよい。監視対象のシステムの異常に関連する現象は、システムダウンに至る現象の原因に関連する現象（以下、原因現象）、および、システムダウンに至る現象に対して間接的に現れる現象（以下、間接現象）の少なくとも一方である。
・構成要素Ｅ３：予測モデルおよび物理モデルをサロゲートモデルとして生成する機能。
・構成要素Ｅ４：サロゲートモデルに関するドメイン知識および工学知見を蓄積したサブライブラリ。
・構成要素Ｅ５：原因現象または間接現象に関する従属変数の監視データを取得する機能。

【0013】

タイミング指標としては、寿命、損傷確率、破損確率、故障確率、損傷リスク、破損リスク、および、故障リスクなどが挙げられる。システムダウンに至る現象としては、劣化現象、損傷現象、破損現象、および、故障現象が挙げられる。直接指標としては、予測モデルの入力変数（独立変数）となる、非弾性ひずみ範囲、破壊力学パラメータ、および、Ｊ積分値などが挙げられる。原因現象としては、温度および電流などが挙げられる。間接現象としては、き裂、異常摩擦および摩耗などの損傷発生に伴って生じる、異常発熱および異常振動現象が挙げられる。

【0014】

なお、システムダウンは、システムが停止する状態だけではなく、システムまたはシステム構成要素が、規定の性能または機能を満たさなくなる状態を含む。

【0015】

例えばパワーエレクトロニクスシステムの予知保全では、以下のような指標およびモデルが用いられる。
・タイミング指標：インバータなどのコンポーネントの交換時期（保全のタイミング）を特定するために必要な寿命（疲労寿命）。
・予測モデル：寿命の予測モデル。非弾性ひずみ範囲などの直接指標を予測する物理モデル（寿命指標推定モデル）を含んでもよい。
・物理モデル：温度を推定する温度推定モデル。

【0016】

これにより、例えば予測された寿命に基づき保全のタイミングを決定可能となり、保全の対応として、冷却器の清掃および損傷部の修理交換などを実施可能となる。

【0017】

上記のような構成要素を備える情報処理システムの構成例について説明する。

【0018】

図１は、情報処理システム１００の一例を示す模式図である。

【0019】

情報処理システム１００は、情報処理装置１と、対象装置２と、を備える。情報処理装置１と対象装置２とは、データまたは信号を授受可能に接続されている。図１では１つの対象装置２が記載されているが、情報処理システム１００は、２つ以上の対象装置２を備えてもよい。

【0020】

対象装置２は、１または複数の部品を備え、供給された電力によって駆動する機器である。対象装置２は、例えば、１つのラック内に１または複数の電子部品を搭載した各種装置に適用される。具体的には、対象装置２は、パワーエレクトロニクスシステム、風力発電プラントのドライブトレインのような回転機械システムなどの各種装置に適用される。

【0021】

対象装置２は、例えば、１つ以上の部品および１つ以上のセンサを備える。部品は、例えば、供給された電力に応じて駆動する装置である。この装置には、供給された電力に応じて駆動することで発熱する発熱部品が含まれる。なお、“駆動”には、電気的な駆動、および機械的な駆動、の双方が含まれる。

【0022】

発熱部品は、例えば、電子回路などである。なお、発熱部品は、供給された電力に応じて駆動することで発熱する部品であればよく、電子回路に限定されない。

【0023】

図２は、部品の一例を示す図である。図２に示す部品２０は、例えば、パワーエレクトロニクスシステムで用いられる半導体素子である。部品２０は、基板２６と、接合層２５と、基板２４と、接合層２３と、チップ２２と、ボンディングワイヤ２１と、を含む。接合層２３、２５は、はんだ、または、銀焼結材などにより構成される。

【0024】

部品２０は、発熱などに起因してき裂（クラック）が生じる場合がある。図２では、き裂３１～３４が生じている部品２０の例が示されている。図３は、き裂が生じたときの温度の伝わり方の変化の例を示す図である。接合層２５に生じたき裂３４により、温度の伝わり方が悪化し、例えばセンサにより検出される温度に異常が生じる場合がある。また、き裂３４が進展することにより、部品２０が規定の性能または機能を満たさなくなる場合がある。

【0025】

部品は、発熱部品に限られず、例えば、アルミなどの金属ブロックにより構成される、冷却機能を有する部品であってもよい。

【0026】

センサは、例えば、環境変動の物理量を測定する。例えば測定対象となる１か所以上の位置（部位）が予め定められ、各位置に対応する１つ以上のセンサが備えられる。以下では、位置Ｐ１～位置Ｐ５における物理量を測定する複数のセンサが備えられる例を主に説明する。例えば、複数のセンサは、位置Ｐ１～位置Ｐ５における温度、電流、電圧、風速の物理量を検出し、検出結果を検出値として出力する。物理量および検出値は、例えば、温度、電流、電圧、風速等を示す数値で表される。なお、物理量および検出値は、圧力および空冷ファンの回転数等を含んでもよい。

【0027】

複数のセンサは、例えば、温度センサ、流量センサ、電流センサ、電圧センサなどである。

【0028】

複数のセンサは、対象装置２の筐体内または筐体外の環境変動を測定可能な位置に配置されていればよい。複数のセンサは、対象装置２に内蔵されてもよいし、測定時のみ対象装置２に外付けされてもよい。

【0029】

情報処理装置１は、センサ等により検出される対象装置２の監視データを用いて予測モデルおよび物理モデルを生成する機能、および、予測モデルおよび物理モデルを用いて予知保全における予測を行う機能を有する。情報処理装置１と、対象装置２に設けられた複数のセンサの各々とは、データまたは信号を授受可能に接続されている。なお、情報処理装置１は、対象装置２に搭載されたセンサ以外の他の各種の情報処理装置を含む対象装置と、データまたは信号を授受可能に更に接続されていてもよい。例えば、情報処理装置１は、複数のセンサと、複数の部品の内の少なくとも１つと、データまたは信号を授受可能に接続されていてもよい。また、情報処理装置１は、例えば、サーバやワークステーション等である。

【0030】

例えば、情報処理装置１は、複数のセンサから取得したデータを、記憶媒体やクラウドにより、遠隔にある情報処理装置へ一括でデータ送信するようにしてもよい。

【0031】

次に、情報処理装置１の機能的構成の一例を説明する。

【0032】

図１に示すように、情報処理装置１は、記憶部１０と、取得部１３と、モデル生成部１１と、予測部１４と、出力制御部１５と、出力部１２と、を備える。モデル生成部１１と、記憶部１０および出力部１２とは、データまたは信号を授受可能に接続されている。

【0033】

記憶部１０は、各種のデータを記憶する。記憶部１０は、例えば、公知のＨＤＤ（ハードディスクドライブ）などの記憶媒体である。本実施形態では、記憶部１０は、ライブラリ情報１０１と、予測モデル１０２と、物理モデル１０３と、を記憶する。

【0034】

ライブラリ情報１０１は、予測モデル１０２および物理モデル１０３の生成に用いられるサブライブラリなどを含む。予測モデル１０２および物理モデル１０３は、ライブラリ情報１０１を用いてモデル生成部１１により生成され、記憶部１０に記憶される。

【0035】

ライブラリ情報１０１は、非線形基底関数を含む複数種類のサブライブラリが定義された情報であるサブライブラリ定義情報と、各サブライブラリに含まれる複数の非線形基底関数のそれぞれの生成確率の情報である生成確率情報とを含む情報である。

【0036】

まず、図４を用いて、サブライブラリについて説明する。各サブライブラリは、熱モデルを示す線形回帰式を生成するためのサブライブラリである。図４は、サブライブラリ定義情報を示す図である。図４に示すように、サブライブラリとして、熱伝導サブライブラリ、ふく射サブライブラリ、強制対流サブライブラリ、自然対流サブライブラリ、および発熱サブライブラリを含む。各サブライブラリは、１または複数の非線形基底関数を含む。なお、サブライブラリは、図４に示すものに限られず、相変化を考慮する相変化サブライブラリを定義するようにしてもよい。

【0037】

図４に示すＴ_ｉ、Ｔ_ｊは、位置Ｐ１～Ｐ５の何れかの位置の温度である。また、ΔＴ、ΔＴ_ｉ－ｊは、２点間の温度差である。ｖは、速度（風速）である。Ｖは、電圧である。ｉ_１、ｉ_２は、電流である。このように、サブライブラリは、従属変数（温度）、独立変数（速度、電流、電圧）に基づく非線形基底関数を含む。

【0038】

図４に示すように、各サブライブラリは、１以上の非線形基底関数を含む。また、強制対流サブライブラリや自然対流サブライブラリは、指数が異なる非線形基底関数を複数含む。

【0039】

上記熱モデルは、節点（温度測定ポイント）に成り立つエネルギー保存則は、以下の式（１）に示す節点方程式で表現する。

【0040】

【数1】

【0041】

上記式（１）のＲが熱抵抗で、Ｔが温度で、Ｑが発熱量で、Δｔが時間間隔である。また、ｍは時間の添え字である。

【0042】

上記式（１）を変形すると、以下の式（２）となる。

【0043】

【数2】

【0044】

式（２）の右辺が示すように、Ｑ／ＣやΔＴ／ＲＣを示す非線形基関数を用意できれば、適切な線形回帰式を導くことができる。保守運用など、寸法や物性が変わらない場合、熱伝導サブライブラリ、ふく射サブライブラリ、強制対流サブライブラリ、および自然対流サブライブラリの非線形基底関数は、ΔＴ／ＲＣに比例する。また、発熱サブライブラリは、Ｑ／Ｃに比例する。本実施形態の情報処理装置１は、サブライブラリ定義情報で定義するサブライブラリを用いることで、熱モデルに即した線形回帰式を生成する。

【0045】

ライブラリ情報１０１は、同一サブライブラリに含まれる複数の非線形基底関数から選択される確率である生成確率の情報をさらに含む。

【0046】

続いて、図５を用いて生成確率について説明する。図５は、生成確率情報を示す図である。図５に示すように、サブライブラリと、指数と、生成確率とが対応付けられている。

【0047】

図１に戻り、取得部１３は、情報処理装置１で用いる各種情報を取得する。例えば取得部１３は、監視対象のシステムの異常に関連する現象に関する変数の時系列データ（監視データ）を取得する。監視データは、例えば、複数のセンサによる検出結果（センサ情報）である。すなわち取得部１３は、複数のセンサが検出した検出結果を取得する。例えば取得部１３は、位置Ｐ１～位置Ｐ５における温度と、位置Ｐ５における風速と、位置Ｐ１および位置Ｐ２における電流と、位置Ｐ１における電圧とを所定時間毎に計測した検出結果を取得する。なお、取得部１３は、空冷ファンの回転数や電圧の情報を取得し、これらの情報に基づいて風速を算出するようにしてもよい。

【0048】

ここで、取得部１３が取得するデータの例を図６に示す。図６は、センサ情報の一例を示す図である。図６に示すように、例えば、０．５秒毎に計測したデータを取得する。図６に示すＴｅｍｐ１～Ｔｅｍｐ５は、位置Ｐ１～位置Ｐ５における温度である。図６に示すｖは、位置Ｐ５における風速である。ｉ_１およびｉ_２は、位置Ｐ１および位置Ｐ２における電流である。図６に示すＶは、位置Ｐ１における電圧である。なお、取得部１３は、取得した検出結果を記憶部１０に登録するようにしてもよい。

【0049】

図１に戻り、モデル生成部１１は、取得部１３により取得された監視データを用いた機械学習により、予測モデル１０２と物理モデル１０３とを生成する。

【0050】

モデル生成部１１は、例えば、複数種類のサブライブラリから、生成確率に基づき抽出した１つ以上の非線形基底関数を組み合わせることにより予測モデル１０２および物理モデル１０３をそれぞれ生成する。このように、モデル生成部１１は、ライブラリ情報１０１を用いた同様の手順により予測モデル１０２および物理モデル１０３を生成することができる。以下では、予測モデル１０２および物理モデル１０３のいずれかである対象モデルとして、熱モデルを示す線形回帰式を生成する例を主に説明する。適用可能なモデルは熱モデルに限られない。

【0051】

また、予測モデル１０２および物理モデル１０３の生成方法は、ライブラリ情報１０１を用いた方法に限られず、どのような方法であってもよい。従って、情報処理装置１は、構成要素Ｅ４は備えなくてもよい。また、事前に生成された予測モデル１０２および物理モデル１０３を用いることができる場合等であれば、情報処理装置１は、モデル生成部１１（構成要素Ｅ３）は備えなくてもよい。

【0052】

予測部１４は、以下の２種類の予測処理のいずれかを実行する。
・予測処理ＰＡ（第１予測処理）：予測モデル１０２により予測された指標（タイミング指標）を用いて学習される物理モデル１０３を用いた予測
・予測処理ＰＢ（第２予測処理）：予測モデル１０２により予測された指標（タイミング指標）を、物理モデル１０３を用いて予測された変数を用いて修正する予測

【0053】

予測処理ＰＡは、例えば、予測モデル１０２により予測されたタイミング指標を用いて修正された生成確率に基づき抽出された非線形基底関数を組み合わせることにより生成される物理モデル１０３を用いる予測である。また、予測処理ＰＢは、予測モデル１０２によりタイミング指標を予測し、物理モデル１０３により予測した従属変数とタイミング指標との関係を示す関係情報を用いて、予測モデル１０２により予測したタイミング指標を修正する処理を含む。

【0054】

関係情報は、例えば、原因（システムの異常に関連する現象に関する従属変数）と、タイミング指標の分布（寿命の分布、損傷値の分布など）と、を関連づけるデータベース（以下、関係データベースという）である。関係データベースは、例えば記憶部１０に記憶される。

【0055】

例えば、関係データベースは、原因現象または間接現象に関する従属変数（従属変数ベクトルＸ）と、寿命（寿命サイクル数、時間、破損確率など）と、の関係性を記述したデータまたはモデル（関係性を示す関係式、テーブル、および、数理モデルなど）である。

【0056】

予測部１４は、物理モデル１０３により、原因現象または間接現象に関する従属変数の監視データを予測できる。また、予測部１４は、予測した従属変数と関係データベースとにより、寿命を予測することができる。

【0057】

例えば、対象装置２の接合部の疲労破損の場合、き裂進展の長さ（以下、き裂進展長さ）により対象部位における熱抵抗の上昇度合が変化し、き裂が存在しない場合と比較して温度分布が変化する。寿命と原因の関係性の例としては、熱抵抗上昇とき裂進展長さの関係が挙げられる。例えば予測部１４は、対象とする熱抵抗に関する項の係数の変化から、寿命と原因の関係を示す関係データベースを利用して、き裂進展長さ、および、寿命を算出することができる。

【0058】

このように、予測部１４は、物理モデル１０３と関係データベースとを用いて、タイミング指標（例えば寿命）を予測することができる。

【0059】

一方、予測部１４は、予測モデル１０２に含まれる物理モデル（直接指標を予測する物理モデルを用いて寿命を予測することもできる。例えば、対象装置２の接合部の疲労破損の場合、予測部１４は、直接指標である非弾性ひずみ範囲およびＪ積分値などの破壊力学指標のサロゲートモデル、および、確率モデルから、寿命則、き裂進展則、および、累積損傷則を用いて、寿命分布を予測することができる。

【0060】

このとき、例えば、接合部が疲労破損する恐れがある場合、接合部の寿命予測結果を用いて、接合部の累積損傷値の大きさに応じて、接合部のき裂進展と関連のある接触熱抵抗変化に関するサブライブラリの基底関数の生成確率を変化させてもよい。温度推定モデル（物理モデル１０３）は、変化させた生成確率を用いて生成することができる。これにより、物理モデル１０３を高精度化させることができる。このようにして生成された物理モデル１０３を用いた予測処理が、上記の予測処理ＰＡに相当する。

【0061】

また、予測モデル１０２により予測したタイミング指標（寿命）を、物理モデル１０３と関係データベースとを用いて予測したタイミング指標を用いて修正する予測処理が、上記の予測処理ＰＢに相当する。予測処理ＰＢは、例えば、予測モデル１０２および物理モデル１０３のそれぞれを用いて算出したタイミング指標（寿命）に関する情報から、ベイズモデルを活用して、予測を高精度化する処理である。

【0062】

出力制御部１５は、情報処理装置１で用いられる各種情報の出力を制御する。例えば出力制御部１５は、モデル生成部１１により生成されたモデルに関する情報、および、予測部１４による予測結果などを出力部１２に出力する。

【0063】

上記各部（モデル生成部１１、取得部１３、出力制御部１５、および、予測部１４）は、例えば、１または複数のプロセッサにより実現される。例えば上記各部は、ＣＰＵなどのプロセッサにプログラムを実行させること、すなわちソフトウェアにより実現してもよい。上記各部は、専用のＩＣなどのプロセッサ、すなわちハードウェアにより実現してもよい。上記各部は、ソフトウェアおよびハードウェアを併用して実現してもよい。複数のプロセッサを用いる場合、各プロセッサは、各部のうち１つを実現してもよいし、各部のうち２以上を実現してもよい。

【0064】

出力部１２は、出力制御部１５による制御に応じて、各種の情報を出力する。例えば出力部１２は、生成されたモデルの情報、および、モデルによる予測結果などを出力する。

【0065】

出力部１２は、各種の情報を表示する表示機能、外部装置との間でデータを通信する通信機能、の少なくとも１つを備える。外部装置とは、対象装置２の外部に設けられた装置である。対象装置２と外部装置とは、ネットワークなどを介して通信可能とすればよい。例えば、出力部１２は、公知の表示装置、および公知の通信装置の少なくとも１つを組み合わせることで構成される。

【0066】

次に、モデル生成部１１の詳細について説明する。

【0067】

モデル生成部１１は、回帰式生成部１１２と、修正部１１３と、回帰式再生成部１１４と、を備える。

【0068】

回帰式生成部１１２は、複数の回帰式を生成する。具体的に、回帰式生成部１１２は、まず、取得した時間毎のＴｅｍｐ１～Ｔｅｍｐ５をそれぞれ時間で微分する。また、回帰式生成部１１２は、取得部１３が取得した各データを各サブライブラリの非線形基底関数に入力した行列データを生成する。このように、回帰式生成部１１２は、センサの検出結果と非線形基底関数とを用いて演算する。

【0069】

続いて、回帰式生成部１１２は、複数の非線形基底関数を含むサブライブラリから生成確率に基づいて非線形基底関数を抽出し、複数種類のサブライブラリの非線形基底関数を組み合わせて、Ｔｅｍｐ１～Ｔｅｍｐ５のそれぞれを算出するための線形回帰式をそれぞれ複数生成する。

【0070】

回帰式生成部１１２は、複数の非線形基底関数を含むサブライブラリから生成確率に基づいて非線形基底関数を抽出する際、上記生成確率情報の生成確率が高い指数を優先して抽出するようにする。

【0071】

続いて、回帰式生成部１１２は、公知技術のスパース推定により、上記複数の線形回帰式の係数を求める。例えば、回帰式生成部１１２は、最小二乗法で係数を求めた後、予め定められている閾値（ハイパーパラメータ）以下の係数を０にする。また、回帰式生成部１１２は、残った非ゼロの係数を持つ候補関数（非線形基底関数）で再度最小二乗法を行って係数更新し、予め定められている閾値以下の係数を０にする。なお、回帰式生成部１１２は、候補関数で再度最小二乗法を行って係数を更新し、閾値以下の係数を０にする処理を複数回繰り返す。

【0072】

なお、回帰式生成部１１２は、スパース推定により係数を求める以外に、他の公知の機械学習により係数を求めるようにしてもよい。

【0073】

また、回帰式生成部１１２は、複数の線形回帰式と、上記の演算した結果とを用いて損失関数を算出する。損失関数を算出する方法は、公知の方法により実現する。例えば、回帰式生成部１１２は、生成した複数の線形回帰式に、取得部１３が取得した各データを各サブライブラリの非線形基底関数に入力した行列データを入力した結果と、時間毎のＴｅｍｐ１～Ｔｅｍｐ５をそれぞれ時間で微分した結果との誤差に基づく損失関数を生成する。なお、回帰式生成部１１２は、上記誤差だけでなく、さらに式の単純度合いに基づいた損失関数を算出するようにしてもよい。

【0074】

修正部１１３は、後述する条件に合致しない場合、線形回帰式の損失関数に基づいて、線形回帰式の係数を求める際に用いるハイパーパラメータおよび生成確率を修正する。ハイパーパラメータの修正方法については、従来技術の方法（例えば、非特許文献１に記載の方法）でもよい。修正部１１３は、各線形回帰式の損失関数が、予め定められている閾値を下回った場合、ハイパーパラメータにある値を加算するようにする。一方、修正部１１３は、各線形回帰式の損失関数が、当該閾値以上である場合、ハイパーパラメータにある値を減算するようにする。

【0075】

修正部１１３は、同一のハイパーパラメータで生成した複数の線形回帰式の損失関数のうち、最も小さい損失関数の線形回帰式を構成するサブライブラリの生成確率を上げるようにし、他のサブライブラリの生成確率を下げるようにする。なお、生成確率を修正する方法は、例えば、生成確率が高いものをさらに上げるようにしてもよい。すなわち、抽出する非線形基底関数を絞り込むように生成確率を修正するようにしてもよい。

【0076】

回帰式再生成部１１４は、複数の非線形基底関数を含むサブライブラリから、修正部１１３による修正後の生成確率に基づいて非線形基関数を抽出し、複数種類のサブライブラリの非線形関数を組み合わせた複数の線形回帰式を生成し、複数の線形回帰式の係数を、修正部１１３による修正後のハイパーパラメータを用いたスパース推定により推定し、複数の線形回帰式の損失関数を算出する。

【0077】

なお、回帰式再生成部１１４が、所定回数分、線形回帰式を生成していない場合、修正部１１３が、ハイパーパラメータおよび生成確率を再度修正する。そして、回帰式再生成部１１４が、再度修正したハイパーパラメータおよび生成確率に基づいて複数の線形回帰式の損失関数を算出する。このように、モデル生成部１１は、所定回数分、ハイパーパラメータおよび生成確率を修正して、修正したハイパーパラメータおよび生成確率を用いて損失関数を算出する。

【0078】

本実施形態のように複数のモデル（予測モデル１０２、物理モデル１０３）が共通のサブライブラリを用いて生成される場合、各モデルの生成時に、共通に用いられる生成確率およびハイパーパラメータが修正されうる。従って、各モデルをより高精度に生成することが可能となる。

【0079】

修正部１１３は、モデルの予測結果を用いて生成確率およびハイパーパラメータの少なくとも一方を修正してもよい。例えば修正部１１３は、予測処理の中で予測モデル１０２により予測された指標（タイミング指標）を用いて、指標に寄与するサブライブラリの生成確率を修正することもできる。より具体的には、修正部１１３は、他の非線形基底関数より指標に対する影響が大きい非線形基底関数の生成確率が大きくなるように生成確率を修正することもできる。その後、この生成確率を用いて、さらに予測モデル１０２および物理モデル１０３が再生成される。このようにして再生成される物理モデル１０３を用いる予測処理が、上記の予測処理ＰＡに相当する。

【0080】

出力制御部１５は、所定条件に合致する場合、複数の線形回帰式から選択した線形回帰式を出力部１２へ出力する。当該条件の例として、回帰式再生成部１１４が線形回帰式を生成した回数などがある。また、回帰式生成部１１２により算出された複数の線形回帰式の損失関数または回帰式再生成部１１４により算出された複数の線形回帰式の損失関数が、閾値以下となることを上記条件としてもよい。

【0081】

また、出力制御部１５は、複数の線形回帰式の損失関数に基づいた順位により選択した複数の選択回帰式の情報を出力部１２へ出力する。ここで、図７および図８を用いて、出力制御部１５が、複数の線形回帰式を出力する例を説明する。

【0082】

図７は、内部処理の状態を示す図である。具体的に、図７は、回帰式再生成部１１４が生成した、複数の線形回帰式についての反復回数（修正回数）と、線形回帰式の識別番号を示す回帰式Ｎｏ．と、損失関数とを対応付けた図である。

【0083】

図７に示すように、「反復回数」が「２」であり、「回帰式Ｎｏ．」が「２」である線形回帰式の損失関数「〇〇〇〇」が１位（損失関数が示す値が最も小さい）であり、「反復回数」が「２」であり、「回帰式Ｎｏ．」が「３」である線形回帰式の損失関数「××××」が２位であり、反復回数が「２」であり、「回帰式Ｎｏ．」が「４」である線形回帰式の損失関数「△△△△」が３位であるものとする。

【0084】

図８は、線形回帰式の情報の出力例を示す図である。出力制御部１５は、図７に示した損失関数の順位に基づき、損失関数および線形回帰式情報を出力部１２へ出力する。ここで、線形回帰式情報とは、線形回帰式を示す情報であり、節点の連立方程式や基底関数の線形結合を示した情報等である。なお、出力制御部１５は、線形回帰式情報を別画面で出力するようにしてもよい。

【0085】

なお、出力制御部１５は、複数の線形回帰式のうち、最も損失関数が小さい線形回帰式を選択するようにしてもよい。

【0086】

なお、出力制御部１５は、選択した線形回帰式を他の情報処理装置へ送信出力するようにしてもよい。これにより、当該他の情報処理装置は、当該線形回帰式を用いて温度予測計算を実行することができる。

【0087】

次に、情報処理装置１で実行するモデル生成処理の流れを説明する。

【0088】

図９は、情報処理装置１が実行するモデル生成処理の流れの一例を示すフローチャートである。なお、モデル生成処理は、予測モデル１０２の生成、および、物理モデル１０３の生成のいずれにも適用できる。

【0089】

取得部１３は、複数のセンサの検出結果を取得する（ステップＳ１）。続いて、回帰式生成部１１２は、複数のセンサの検出結果を用いて、取得した時間毎のＴｅｍｐ１～Ｔｅｍｐ５をそれぞれ時間で微分したり、取得部１３が取得した各データを各サブライブラリの非線形基底関数に入力した行列データを生成したりする。このように、回帰式生成部１１２は、センサの検出結果を用いて、非線形基底関数の演算処理をする（ステップＳ２）。

【0090】

回帰式生成部１１２は、複数の非線形基底関数を含むサブライブラリから生成確率に基づいて非線形基底関数を抽出し、複数種類のサブライブラリの非線形基底関数を組み合わせて、Ｔｅｍｐ１～Ｔｅｍｐ５のそれぞれを算出するための線形回帰式を複数生成する。また、回帰式生成部１１２は、スパース推定により、上記複数の線形回帰式の係数を求める（ステップＳ３）。

【0091】

回帰式生成部１１２は、複数の線形回帰式と、上記の演算した結果とを用いて損失関数を算出する（ステップＳ４）。所定回数分、線形回帰式を生成していない場合（ステップＳ５：Ｎｏ）、修正部１１３は、線形回帰式の損失関数に基づいて、生成確率およびハイパーパラメータを修正する（ステップＳ６）。例えば、修正部１１３は、各線形回帰式の損失関数が、予め定められている閾値を下回った場合、ハイパーパラメータにある値を加算するようにする。また、修正部１１３は、同一のハイパーパラメータで生成した複数の線形回帰式の損失関数のうち、最も小さい損失関数の線形回帰式を構成するサブライブラリの生成確率を上げるようにし、他のサブライブラリの生成確率を下げるようにする。

【0092】

回帰式再生成部１１４は、複数の非線形基底関数を含むサブライブラリから、修正部１１３による修正後の生成確率に基づいて非線形基関数を抽出し、複数種類のサブライブラリの非線形関数を組み合わせた複数の線形回帰式を生成し、複数の線形回帰式の係数を、修正部１１３による修正後のハイパーパラメータを用いたスパース推定により推定する（ステップＳ７）。また、回帰式再生成部１１４は、複数の線形回帰式の損失関数を算出し（ステップＳ８）、ステップＳ５に進む。

【0093】

ステップＳ５において、回帰式再生成部１１４が、所定回数分、線形回帰式を生成した場合、出力制御部１５は、複数の線形回帰式から選択した線形回帰式を出力部１２へ出力する（ステップＳ９）。そして、本ルーチンを終了する。

【0094】

次に、本実施形態を適用しうる予知保全の例について説明する。図１０は、パワーエレクトロニクスシステムで用いられる対象装置２の接合部における疲労破損を予測する場合の、原因現象および各指標などの関係を示す図である。具体的には、図１０は、疲労破損に関連する要因１００１、サブライブラリの基底関数１００２、直接指標１００３、および、タイミング指標１００４の関係の例を示す。

【0095】

直接指標１００３は、ワイヤ接合部、チップ直下接合層、および、基板直下接合層の非弾性ひずみ範囲の履歴（非弾性ひずみ履歴）を含む。ワイヤ接合部、チップ直下接合層、および、基板直下接合層は、測定対象となる位置（部位）の例である。サブライブラリの基底関数１００２は、せん断変形、曲げ変形、引張変形、ねじり変形、非弾性変形、および、特異場などに関する非線形基底関数を含む。関連する要因１００１は、図１０に示すような負荷条件、環境・境界条件、構造・材料条件に関する要因を含む。

【0096】

サロゲートモデル（予測モデル１０２）は、要因、および、要因に関する非線形基底関数の組み合わせにより生成される基底関数を含む。このとき、各指標の確率モデルを用いて、タイミング指標の予測モデル１０２を構成してもよい。

【0097】

例えば、サブライブラリの基底関数１００２のいずれかを組み合わせたモデルが、直接指標１００３を予測する物理モデル（予測モデル１０２に含まれる物理モデル）に相当する。予測モデル１０２は、この物理モデルが出力する直接指標を入力し、タイミング指標１００４である寿命を出力する。

【0098】

サロゲートモデルは、非線形基底関数を組み合わせて生成される回帰式に限られず、以下のようなモデルであってもよい。
・ディープラーニング ニューラルネットワーク（Deep Learning Neural Network）
・ラグランジアン／ハミルトニアン ニューラルネットワーク（Lagrangian/Hamiltonian Neural Network）
・ガラーキンＰｏＤ（Galerkin Proper Orthogonal Decomposition）
・ＤＭＤ（Dynamic Mode Decomposition）
・応答曲面モデル（Response Surface Model）
・階層ベイズモデル

【0099】

また、シミュレーション結果データまたはセンサ信号データを機械学習により近似したサロゲートモデルは、以下のようなモデルであってもよい。
・熱回路網モデル
・流体回路網モデル
・電気回路網モデル（制御回路を含む）
・力学的１ＤＣＡＥモデル（減衰を含む回転・振動機械トルク応答、荷重の非線形変形応答など）

【0100】

適用しうるシステムは、パワーエレクトロニクスシステムに限られない。本実施形態は、例えば、風力発電プラントなどにも適用できる。風力発電プラントの寿命予測の場合は、例えば、風および地震荷重変動による、ドライブトレイン軸受、溶接部、および、ボルト接合部の、応力範囲および非弾性ひずみ範囲などが直接指標となる。

【0101】

監視対象のシステムの異常に関連する現象（原因現象、間接現象）の例について説明する。例えば、対象装置２の接合部における疲労破損の場合は、き裂進展に伴い、熱抵抗が上昇し、周辺温度が異常になる現象が挙げられる。風力発電プラントの破損の場合は、ドライブトレイン軸受および溶接部の損傷、ボルト接合部のネジ緩みに起因した異常振動または異常変形現象、並びに、軸受のシビア摩擦摩耗により周辺温度が異常になる現象が挙げられる。

【0102】

取得する監視データ（従属変数）の例について説明する。例えば、対象装置２の接合部における疲労破損の場合は、上記のように周辺温度が異常になる現象が発生するため、取得部１３は、温度の時系列データを監視データとして取得する。風力発電プラントの破損の場合は、上記のように異常振動または異常変形現象が発生するため、取得部１３は、カメラ画像の時系列データ、並びに、変位センサ、加速度センサ、および、ひずみセンサの検出結果の時系列データなどを監視データとして取得する。軸受のシビア摩擦摩耗により周辺温度が異常になる現象の場合は、取得部１３は、温度の時系列データを監視する。

【0103】

次に、予測部１４による予測処理の流れについて説明する。予測処理は、事前に生成されたモデル（例えば図９のモデル生成処理により生成されたモデル）を用いて実行されてもよいし、モデル生成処理と並行に実行されてもよい。以下では、予測処理ＰＡおよびＰＢそれぞれに分けて説明する。図１１は、予測処理ＰＡの一例を示すフローチャートである。

【0104】

取得部１３は、複数のセンサの検出結果の時系列データである監視データを取得する（ステップＳ１０１）。予測部１４は、予測モデル１０２を用いてタイミング指標を予測する（ステップＳ１０２）。ここでは、予測モデル１０２に含まれる寿命指標推定モデルにより、タイミング指標として寿命を予測するものとする。

【0105】

予測部１４は、サイクルカウント法により、監視データについて、振幅（非弾性ひずみ範囲など）、サイクル数、周期、時間幅を算出する（ステップＳ１０３）。予測部１４は、算出した振幅、サイクル数、周期、時間幅に従い、予測モデル１０２を用いて寿命分布を予測する（ステップＳ１０４）。図１２は、予測により得られる寿命分布の例を示す図である。

【0106】

図１１に戻り、修正部１１３は、寿命分布を用いて、サブライブラリの生成確率を修正する（ステップＳ１０５）。例えば修正部１１３は、寿命指標推定モデルによる損傷への寄与が大きい場合、寿命指標推定モデルで用いられるサブライブラリの生成確率を上げることもできる。なお、寿命指標推定モデルによる損傷への寄与が大きくない場合等であれば、生成確率を修正する本ステップ、および、修正された生成確率を用いたモデルの再生成を行うステップＳ１０６は実行されなくてもよい。

【0107】

修正部１１３は、直接指標を予測する物理モデル（寿命指標推定モデルなど）の出力から得られる各部位の累積損傷値の大きさに応じて、生成確率を修正してもよい。例えば、上記のように、対象装置２の接合部における疲労破損の場合は、き裂進展に伴い、熱抵抗が上昇し、周辺温度が異常になる現象が生じうる。従って、修正部１１３は、累積損傷値が高い部位の接触熱抵抗に関する基底関数の生成確率を上げるように修正してもよい。修正された生成確率は、その後の物理モデル１０３の生成に反映させることができる。

【0108】

すなわち、モデル生成部１１は、修正された生成確率を用いて物理モデル１０３および予測モデル１０２を再生成する（ステップＳ１０６）。なお、ここでは直接指標を予測する物理モデルの出力に応じて生成確率を修正し、モデルを再生成した。このような処理とともに、図９に示すモデル生成処理により生成確率等を修正し、各モデルを再生成するように構成されてもよい。

【0109】

予測部１４は、再生成された物理モデル１０３および関係データベースを用いて、タイミング指標を予測する（ステップＳ１０７）。例えば予測部１４は、物理モデル１０３を用いて監視対象のシステムの異常に関連する現象に関する従属変数を予測し、関係データベースを用いて、予測した従属変数に対応するタイミング指標を求める。

【0110】

予測部１４は、求められたタイミング指標が、指標に関する閾値以上であるか否かを判定する（ステップＳ１０８）。指標に関する閾値は、予知保全の対応が必要か否かを判定するための値であり、例えば、タイミング指標が閾値以上の場合に予知保全が必要と判定される。指標に関する閾値は、例えば記憶部１０に記憶される。

【0111】

タイミング指標が閾値未満の場合（ステップＳ１０８：Ｎｏ）、予知保全は不要な場合に相当するため、予測処理が終了する。

【0112】

タイミング指標が閾値以上の場合（ステップＳ１０８：Ｙｅｓ）、出力制御部１５は、タイミング指標が閾値以上であることを出力し（ステップＳ１０９）、予測処理を終了する。

【0113】

予測結果の出力方法は上記に限られない。例えば出力制御部１５は、予知保全が必要かを判断するための表示画面を出力部１２（表示機能）に出力してもよい。図１３は、表示画面の一例を示す図である。

【0114】

図１４は、予測処理ＰＢの一例を示すフローチャートである。

【0115】

ステップＳ２０１～ステップＳ２０４は、図１１（予測処理ＰＡ）のステップＳ１０１～ステップＳ１０４と同様であるため説明を省略する。

【0116】

予測処理ＰＢでは、予測部１４は、物理モデル１０３および関係データベースを用いて、タイミング指標を予測する（ステップＳ２０５）。この処理は、図１１のステップＳ１０７と同様である。

【0117】

予測部１４は、ベイズモデルにより、寿命の事前確率分布から事後確率分布を算出する（ステップＳ２０６）。寿命の事前確率分布は、ステップＳ２０４で算出された寿命分布である。例えば予測部１４は、ステップＳ２０５で求められたタイミング指標を尤度として、事前確率分布と尤度との乗算に基づき、事後確率分布を算出する。これにより、例えば事前確率分布である寿命分布より、確度が向上した寿命分布を得ることができる。

【0118】

複数の物理モデル１０３が用いられる場合、予測部１４は、複数の物理モデル１０３それぞれにより予測されるタイミング指標を用いて、さらに高精度な事後確率分布（寿命分布）を算出してもよい。例えば、予測部１４は、ある物理モデル１０３による予測結果を用いて算出した事後確率分布を事前確率分布とみなして、さらに別の物理モデル１０３による予測結果を用いて、事後確率分布を算出する。

【0119】

ステップＳ２０７～ステップＳ２０８は、図１１（予測処理ＰＡ）のステップＳ１０８～ステップＳ１０９と同様であるため説明を省略する。

【0120】

図１５は、予測モデル１０２を用いた寿命予測、すなわち、図９のステップＳ１０１～ステップＳ１０４（図１４のステップＳ２０１～ステップＳ２０４）の具体例を示すフローチャートである。

【0121】

予測部１４は、負荷条件、強度条件、環境条件、材料特性条件、構造・寸法条件、および、境界条件などの寿命予測条件に関する不確定性を表現する確率モデルを選択する（ステップＳ３０１）。確率モデルは、各条件の状態が時間的に推移する場合のモデル化を含んでもよい。

【0122】

予測部１４は、寿命予測条件のうち、監視対象とする条件に対応する物理量の監視データ（例えば温度の履歴を表す時系列データ）を取得する（ステップＳ３０２）。予測部１４は、選択した確率モデルに基づくモンテカルロ法により、寿命予測条件のうち、監視する条件以外の条件のシナリオ（サンプリング点）を生成する（ステップＳ３０３）。

【0123】

予測部１４は、生成したシナリオに基づき、監視データを予測モデル１０２に含まれる寿命指標推定モデルに入力し、非弾性ひずみ範囲などの直接指標を推定する（ステップＳ３０４）。

【0124】

予測部１４は、例えばＲａｉｎＦｌｏｗ法などのサイクルカウント法により、直接指標の時系列データについて、振幅（非弾性ひずみ範囲など）、サイクル数、周期、変化速度（上昇時、下降時のひずみ速度など）、および、負荷保持時間などを算出する（ステップＳ３０５）。

【0125】

予測部１４は、寿命測（Coffin-Manson則、Basquin則など）および累積損傷則（線形累積損傷則、ひずみ分割法、非線形累積損傷則など）を選択する（ステップＳ３０６）。予測部１４は、累積損傷値、および、時間的に同じ振幅値になるように換算した場合の等価な物理量となる指標の振幅値（等価非弾性ひずみ範囲など）を算出する（ステップＳ３０７）。

【0126】

予測部１４は、対象とする時間（寿命サイクル数）における強度（疲労強度など）、または、クライテリア（疲労寿命サイクルなど）の確率分布から得られるモンテカルロサンプリング値と、算出した振幅値（等価非弾性ひずみ範囲など）と、を比較し、異常が発生するか（システムダウンに至るか否か）を判定する（ステップＳ３０８）。

【0127】

予測部１４は、サンプリング数が規定値に達したか否かを判定する（ステップＳ３０９）。サンプリング数が規定値に達していない場合（ステップＳ３０９：Ｎｏ）、ステップＳ３０３に戻り、さらにサンプリング点の生成を行い処理を繰り返す。

【0128】

サンプリング数が規定値に達した場合（ステップＳ３０９：Ｙｅｓ）、予測部１４は、ステップＳ３０８の判定結果を用いて、対象とする時間（寿命サイクル数など）においてシステムダウンに至る確率（破損確率など）を算出する（ステップＳ３１０）。得られた確率が、例えばステップＳ１０４（ステップＳ２０４）で予測される寿命分布に相当する。

【0129】

構成要素Ｅ１について、予測部１４は、直接指標を予測する物理モデルを含まない予測モデル１０２を用いてタイミング指標（寿命など）を予測してもよい。この場合、例えば、サブライブラリの基底関数１００２のいずれかを組み合わせることにより、タイミング指標１００４である寿命を出力する予測モデル１０２が生成される。

【0130】

図１６は、このような予測モデル１０２が用いられる場合の、原因現象および各指標などの関係を示す図である。図１６の例では、サブライブラリの基底関数１００２のいずれかを組み合わせたモデルが、タイミング指標１００４である寿命を出力する予測モデル１０２に相当する。

【0131】

次に、モデルの更新の例について説明する。モデルは、例えばシステムの運用に応じて逐次得られる監視データを用いて、定期的に、または、指定に応じて更新（再作成）されてもよい。図１７は、このように更新されるモデルの例を説明する図である。

【0132】

モデル１７０１は、例えば、運用開始１日目から１０日目に取得される監視データを用いて生成されるモデルである。モデル１７０２、１７０３は、運用開始１００日目から１１０日目に取得される監視データを用いて生成されるモデルの例である。取得される監視データが異なると、モデル１７０２、１７０３のように、異なる形式のモデルが生成されうる。

【0133】

Ｔ_１～Ｔ_１０は、例えば１０か所の部位の温度を表す。係数１７１１、および、関数１７２１は、モデル１７０１に含まれる非線形基底関数の係数および関数の例である。

【0134】

係数１７１２は、係数１７１１に対応するモデル１７０２内の係数の例であり、係数１７１１に対して値が２５から５に更新されている。例えば、係数１７１１、１７１２が、接合層を介する素子から基板への熱の伝わりやすさを示す項の係数であるとする。この場合、係数の値が小さくなることは、例えば、素子と基板との間の接合層のき裂が進展したことにより、接触熱抵抗が上昇したことに相当する。予測部１４は、き裂進展による接触熱抵抗の上昇の度合いと、寿命との関係から、寿命を予測することができる。

【0135】

関数１７２２は、関数１７２１に対応するモデル１７０３内の関数の例であり、関数１７２１に対して更新されている。例えば、関数１７２１が強制空冷に関連する関数であり、関数１７２２が自然空冷に関連する関数であるとする。この場合、強制空冷に関連する関数１７２１が、自然空冷に関連する関数１７２２に置き換えられることは、例えば、埃による冷却ファンの目詰まりが生じたことに相当する。すなわち、冷却性能の診断結果の原因が、冷却ファンの目詰まりであることを判定することができる。このように、本実施形態によれば、更新されたモデル１７０３による予測の説明性を向上させることができる。

【0136】

次に、サブライブラリの他の例について説明する。サブライブラリは上記の例に限られず、例えば以下のようなライブラリであってもよい。
・熱伝達関数群
・流体抵抗／管摩擦関数群
・材料力学に基づく変形応答関数群
・非弾性変形応答関数群
・摩擦モデル群
・疲労寿命則／損傷則群

【0137】

本実施形態が適用可能なシステムは上記に限られない。例えば、以下のようなシステムを監視対象とする予兆保全および制御についても本実施形態の手法を適応しうる。
・風力発電プラントのカメラ画像監視解析による変形挙動データから、ドライブトレイン構造の寿命において大きな影響を及ぼしつつある境界変位条件（メインシャフト面のねじり変形、支持面の曲げ変形など）を特定するとともに、寿命・故障リスクを予測し制御する。
・風力発電ドライブトレイン回転機械のカメラ画像監視解析に基づく変形・ひずみ分布データ履歴から、ネジゆるみ箇所、ガタのある箇所、または、潤滑異常箇所を特定するとともに寿命・故障リスクを予測し制御する。
・風力発電ドライブトレイン回転機械の温度データ履歴から潤滑異常箇所を特定する。
・風力発電ドライブトレイン発電機の出力および風速履歴から、パワエレ劣化、回転機械劣化、または、蓄電池劣化を特定するとともに寿命・故障リスクを予測し制御する。
・蓄電池システムにおける運転履歴などのセンサ履歴から、流体抵抗網を用いて風速を導出し熱回路網を用いて温度を予測し、劣化度合い・故障リスクを予測し制御する。

【0138】

以上のように、本実施形態では、２つのモデルを生成し、２つのモデルを用いた予測を行う。これにより、モデルに基づく予測をより高精度に実行可能となる。また、本実施形態の情報処理装置１は、複数の非線形基底関数を含むサブライブラリから生成確率に基づいて非線形基底関数を抽出し、複数種類のサブライブラリの非線形基底関数を組み合わせた線形回帰式を複数生成し、所定の条件に合致するまで、生成確率および機械学習のハイパーパラメータをチューニングしながら、線形回帰式を再生成する。

【0139】

この場合、情報処理装置１は、生成確率および機械学習のハイパーパラメータをチューニングしながら、線形回帰式を再生成しており、生成確率を変更することによる生成する線形回帰式を絞り込むことになる。この結果、情報処理装置１は、探索空間を狭めながら、適切な線形回帰式を出力することができる。すなわち、情報処理装置１は、適切な物理現象のモデルを生成することができる。

【0140】

次に、実施形態にかかる情報処理装置のハードウェア構成について図１８を用いて説明する。図１８は、実施形態にかかる情報処理装置のハードウェア構成例を示す説明図である。

【0141】

実施形態にかかる情報処理装置は、ＣＰＵ（Central Processing Unit）５１などの制御装置と、ＲＯＭ（Read Only Memory）５２やＲＡＭ（Random Access Memory）５３などの記憶装置と、ネットワークに接続して通信を行う通信Ｉ／Ｆ５４と、各部を接続するバス６１を備えている。

【0142】

実施形態にかかる情報処理装置で実行されるプログラムは、ＲＯＭ５２等に予め組み込まれて提供される。

【0143】

実施形態にかかる情報処理装置で実行されるプログラムは、インストール可能な形式または実行可能な形式のファイルでＣＤ－ＲＯＭ（Compact Disk Read Only Memory）、フレキシブルディスク（ＦＤ）、ＣＤ－Ｒ（Compact Disk Recordable）、ＤＶＤ（Digital Versatile Disk）等のコンピュータで読み取り可能な記録媒体に記録してコンピュータプログラムプロダクトとして提供されるように構成してもよい。

【0144】

さらに、実施形態にかかる情報処理装置で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また、実施形態にかかる情報処理装置で実行されるプログラムをインターネット等のネットワーク経由で提供または配布するように構成してもよい。

【0145】

実施形態にかかる情報処理装置で実行されるプログラムは、コンピュータを上述した情報処理装置の各部として機能させうる。このコンピュータは、ＣＰＵ５１がコンピュータ読取可能な記憶媒体からプログラムを主記憶装置上に読み出して実行することができる。

【0146】

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

【符号の説明】

【0147】

１ 情報処理装置
２ 対象装置
１０ 記憶部
１１ モデル生成部
１２ 出力部
１３ 取得部
１４ 予測部
１５ 出力制御部
１００ 情報処理システム
１０１ ライブラリ情報
１０２ 予測モデル
１０３ 物理モデル
１１２ 回帰式生成部
１１３ 修正部
１１４ 回帰式再生成部

【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】