特開 2024-132663 情報処理装置、推定システム、推定方法、生成方法、推定プログラム、および生成プログラム

(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】P2024132663

(43)【公開日】2024-10-01

(54)【発明の名称】情報処理装置、推定システム、推定方法、生成方法、推定プログラム、および生成プログラム

(51)【国際特許分類】

   B63B 79/20 20200101AFI20240920BHJP

   G06Q 10/20 20230101ALI20240920BHJP

   G06Q 10/04 20230101ALI20240920BHJP

【ＦＩ】

B63B79/20

G06Q10/20

G06Q10/04

【審査請求】未請求

【請求項の数】13

【出願形態】ＯＬ

(21)【出願番号】P 2023043521

(22)【出願日】2023-03-17

(71)【出願人】

【識別番号】523085083

【氏名又は名称】日立造船マリンエンジン株式会社

(74)【代理人】

【識別番号】110000338

【氏名又は名称】弁理士法人 ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ

(72)【発明者】

【氏名】赤荻 祐亮

(72)【発明者】

【氏名】藤堂 聖真

【テーマコード（参考）】

5L010

5L049

【Ｆターム（参考）】

5L010AA04

5L049AA04

5L049CC15

5L049CC20

(57)【要約】

【課題】適切な推定結果を得ると共に原因の推定を容易化する。
【解決手段】情報処理装置（１）は、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を機械学習することにより生成された決定木モデル１１１Ａ－１等を用いて、状態判定の対象となる対象エンジンの状態に関する説明変数から当該対象エンジンの状態を推定する状態推定部（１０４）を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を機械学習することにより生成された決定木モデルを用いて、状態判定の対象となる対象エンジンの状態に関する説明変数から当該対象エンジンの状態を推定する状態推定部を備える情報処理装置。

【請求項2】

前記対象エンジンの動作中に観測された観測値から１または複数種類の統計値を算出する統計値算出部を備え、
前記状態推定部は、算出された前記統計値を前記説明変数として用いて前記対象エンジンの状態を推定する、請求項１に記載の情報処理装置。

【請求項3】

前記対象エンジンの種類の指定を受け付ける受付部を備え、
前記状態推定部は、複数の前記決定木モデルのうち、前記受付部が受け付けた種類に応じた決定木モデルを用いて前記対象エンジンの状態を推定する、請求項１または２に記載の情報処理装置。

【請求項4】

船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を示す訓練データを取得するデータ取得部と、
前記訓練データを用いた機械学習により、エンジンの状態を推定するための決定木モデルを生成する決定木モデル生成部と、を備える情報処理装置。

【請求項5】

前記決定木モデル生成部は、
（１）前記船舶の運航期間中であって、前記エンジンが正常であることが確認された時点から当該時点の所定時間前の時点までの期間、
（２）前記船舶の運航期間中であって、前記エンジンが正常であることが確認された時点から所定時間が経過するまでの期間、
（３）前記船舶の運航開始時点から所定時間が経過するまでの期間、および
（４）前記船舶の運航期間中であって、異常が発生した前記エンジンにおける当該異常が解消した時点から所定時間が経過するまでの期間、
の少なくとも何れかの期間の前記エンジンの状態に関する説明変数に対し、当該エンジンの状態が正常であることを示す目的変数が対応付けられた前記訓練データを用いて前記決定木モデルを生成する、請求項４に記載の情報処理装置。

【請求項6】

前記決定木モデル生成部は、
（１）前記船舶の運航期間中であって、前記エンジンに異常が発生したことが確認された時点から当該時点の所定時間前の時点までの期間、および
（２）前記船舶の運航期間中であって、前記エンジンに異常が発生したことが確認された時点から当該異常が解消するまでの期間、
の少なくとも何れかの期間の前記エンジンの状態に関する説明変数に対し、当該エンジンの状態が異常であることを示す目的変数が対応付けられた前記訓練データを用いて前記決定木モデルを生成する、請求項４または５に記載の情報処理装置。

【請求項7】

前記決定木モデル生成部は、前記エンジンに異常が発生したことが確認された異常確認時点から当該異常確認時点の所定時間前の時点までの期間を複数に区分し、各区分の前記エンジンの状態に関する説明変数に対し、当該エンジンの状態が異常であることを示す目的変数であって、前記異常確認時点に近い区分ほど危険度が高いことを示す目的変数が対応付けられた前記訓練データを用いて前記決定木モデルを生成する、請求項４または５に記載の情報処理装置。

【請求項8】

前記説明変数の候補のそれぞれについて、当該候補の前記推定における重要度を算出する重要度算出部と、
前記候補と当該候補の重要度とを対応付けて表示させる表示制御部と、
表示された候補のうち、前記決定木モデルの生成に用いる候補の指定を受け付ける受付部と、を備える請求項４または５に記載の情報処理装置。

【請求項9】

船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を機械学習することにより生成された決定木モデルを用いて、状態判定の対象となる対象エンジンの状態に関する説明変数から当該対象エンジンの状態を推定する情報処理装置と、
前記情報処理装置に前記推定を実行させ、当該推定の結果を受信して出力する端末装置と、を含むエンジンの状態の推定システム。

【請求項10】

１または複数の情報処理装置により実行される、状態判定の対象となる対象エンジンの状態の推定方法であって、
船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を機械学習することにより生成された決定木モデルを用いて、前記対象エンジンの状態に関する説明変数から当該対象エンジンの状態を推定する状態推定ステップを含む、推定方法。

【請求項11】

１または複数の情報処理装置により実行される決定木モデルの生成方法であって、
船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を示す訓練データを取得するデータ取得ステップと、
前記訓練データを用いた機械学習により、エンジンの状態を推定するための決定木モデルを生成する決定木モデル生成ステップと、含む生成方法。

【請求項12】

請求項１に記載の情報処理装置としてコンピュータを機能させるための推定プログラムであって、前記状態推定部としてコンピュータを機能させるための推定プログラム。

【請求項13】

請求項４に記載の情報処理装置としてコンピュータを機能させるための生成プログラムであって、前記データ取得部および前記決定木モデル生成部としてコンピュータを機能させるための生成プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は船舶のエンジンの状態を推定する情報処理装置等に関する。

【背景技術】

【0002】

船舶においてエンジンはまさに心臓部であり、エンジンの状態を適切に診断することは、船舶の安全かつ安定的な運航を実現するために必要不可欠である。このような診断は、従来から機関士等により人手で行われている。また、このような診断を自動で行う技術も開発されている。例えば、下記の特許文献１には、舶用エンジンに関する各種データ（具体的には温度、圧力、振動加速度）に基づいて舶用エンジンの診断および寿命予測を行う情報処理装置が開示されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００２－１８３３４１号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１の技術では、観測された温度や圧力が異常値となったときにエンジンに異常が発生したと診断されると考えられる。しかしながら、近年では船舶用のエンジンの高機能化および複雑化が進んでいることから、このような単純な診断では適切な状態推定を行うことは難しい。また、特許文献１の技術では観測された温度や圧力が記録されるだけである。そして、そのようなデータのみから異常が発生した原因を推定することは困難であって、この点においても改善の余地がある。

【0005】

本発明の一態様は、推定したい様々な状態に応じた適切な推定結果を得ることが可能であり、かつ、推定された状態となった原因の推定を容易化することができる情報処理装置等を実現することを目的とする。

【課題を解決するための手段】

【0006】

上記の課題を解決するために、本発明の一態様に係る情報処理装置は、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を機械学習することにより生成された決定木モデルを用いて、状態判定の対象となる対象エンジンの状態に関する説明変数から当該対象エンジンの状態を推定する状態推定部を備える。

【0007】

また、本発明の他の態様に係る情報処理装置は、上記の課題を解決するために、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を示す訓練データを取得するデータ取得部と、前記訓練データを用いた機械学習により、エンジンの状態を推定するための決定木モデルを生成する決定木モデル生成部と、を備える。

【0008】

また、本発明の一態様に係る、エンジンの状態の推定システムは、上記の課題を解決するために、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を機械学習することにより生成された決定木モデルを用いて、状態判定の対象となる対象エンジンの状態に関する説明変数から当該対象エンジンの状態を推定する情報処理装置と、前記情報処理装置に前記推定を実行させ、当該推定の結果を受信して出力する端末装置と、を含む。

【0009】

また、本発明の一態様に係る、対象エンジンの状態の推定方法は、上記の課題を解決するために、１または複数の情報処理装置により実行される、状態判定の対象となる対象エンジンの状態の推定方法であって、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を機械学習することにより生成された決定木モデルを用いて、前記対象エンジンの状態に関する説明変数から当該対象エンジンの状態を推定する状態推定ステップを含む。

【0010】

また、本発明の一態様に係る、決定木モデルの生成方法は、上記の課題を解決するために、１または複数の情報処理装置により実行される決定木モデルの生成方法であって、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を示す訓練データを取得するデータ取得ステップと、前記訓練データを用いた機械学習により、エンジンの状態を推定するための決定木モデルを生成する決定木モデル生成ステップと、含む。

【発明の効果】

【0011】

本発明の一態様によれば、推定したい様々な状態に応じた適切な推定結果を得ることが可能になると共に、推定された状態となった原因の推定を容易化することができる。

【図面の簡単な説明】

【0012】

【図1】本発明の一実施形態に係る情報処理装置の要部構成の一例を示すブロック図である。

【図2】本発明の一実施形態に係る推定システムの概要を示す図である。

【図3】電子メールにより状態推定の実行指示と推定結果の受信とを行う例を説明する図である。

【図4】学習用データの収集方法を示す図である。

【図5】学習用データの例を示す図である。

【図6】説明変数の重要度の算出方法を説明する図である。

【図7】決定木モデルの生成方法の一例を示すフローチャートである。

【図8】決定木モデルを更新する際の決定木モデルの生成方法の一例を示すフローチャートである。

【図9】対象エンジンの状態の推定方法の一例を示すフローチャートである。

【発明を実施するための形態】

【0013】

〔システム概要〕
図２は、推定システム１０００の概要を示す図である。推定システム１０００は、船舶のエンジンの状態を推定するシステムである。なお、状態の推定には、現在の状態の推定の他、将来の状態の推定（すなわち予測）も含まれる。図示のように、推定システム１０００には、情報処理装置１と端末装置２とデータサーバ３とが含まれている。

【0014】

詳細は後述するが、情報処理装置１は、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を機械学習することにより生成された決定木モデルを用いて、状態判定の対象となる対象エンジンの状態に関する説明変数から当該対象エンジンの状態を推定する。

【0015】

端末装置２は、情報処理装置１に対象エンジンの状態の推定を実行させ、当該推定の結果を受信して出力する。図示の例では、端末装置２はノート型のパーソナルコンピュータであり、対象エンジンを備えた船舶に配置されている。なお、端末装置２は、情報処理装置１と通信可能で、推定結果を自機で出力できるかまたは他の装置に出力させることができるものであればよい。また、その設置場所は特に限定されない。

【0016】

データサーバ３は、対象エンジンの状態に関する各種データを記録するサーバである。情報処理装置１は、データサーバ３に記録されたデータをそのまま説明変数として、あるいは当該データから生成された説明変数を用いて対象エンジンの状態の推定を行う。

【0017】

以上のように、推定システム１０００は、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を機械学習することにより生成された決定木モデルを用いて、状態判定の対象となる対象エンジンの状態に関する説明変数から当該対象エンジンの状態を推定する情報処理装置１と、情報処理装置１に上記推定を実行させ、当該推定の結果を受信して出力する端末装置２と、を含む。

【0018】

決定木モデルの生成時に、どのような説明変数を適用するかは任意に設定することができる。このため、推定システム１０００によれば、推定したい状態に応じた説明変数を予め設定しておくことで、適切な推定結果を得ることができる。また、推定に用いた決定木モデルを参照することにより、推定された状態となった原因を推定することが可能である。よって、推定システム１０００によれば、推定したい様々な状態に応じた適切な推定結果を得ることが可能になると共に、推定された状態となった原因の推定を容易化することができるという効果が得られる。

【0019】

例えば、図２の例では、対象エンジンの状態が正常である可能性の高さと、対象エンジンに異常Ａが発生している可能性の高さと、対象エンジンに異常Ｂが発生している可能性の高さとをそれぞれ示す棒グラフが端末装置２の表示部に表示されている。これにより、端末装置２のユーザは、対象エンジンに異常Ａが発生している可能性が高いことを認識し、早期に適切な措置を採ることができる。また、ユーザは、推定に用いた決定木モデルを参照することにより異常Ａが発生した原因を推定することができる。例えば、推定に用いた決定木モデルを用いれば、フォルトツリー解析（Fault Tree Analysis）により原因を推定することも可能である。

【0020】

〔状態推定の実行指示の送信および推定結果の受信の例〕
端末装置２が、情報処理装置１に対象エンジンの状態推定を実行させるために送信する実行指示の態様は特に限定されない。また、端末装置２が、当該推定の結果を受信する態様も特に限定されない。例えば、推定システム１０００においては、端末装置２が電子メールにより情報処理装置１に状態推定を実行させ、同じく電子メールによりその推定結果を受信できるようにしてもよい。

【0021】

図３は、電子メールにより状態推定の実行指示と推定結果の受信とを行う例を説明する図である。電子メールにより情報処理装置１に状態推定を実行させる場合、例えば、図３のＡに示すように、宛先入力欄Ａ１に、状態推定の実行指示の送信先として定められた所定のアドレスを入力させ、件名入力欄Ａ２に、指示内容を示す文を入力させるようにしてもよい。また、本文入力欄Ａ３には、状態推定に必要な情報を入力させるようにしてもよい。図３の例では、対象エンジンの識別情報である４ケタの数字が本文入力欄Ａ３に入力されていると共に、添付ファイルとして観測データＡ４が添付されている。観測データＡ４は、対象エンジンを備えた船舶の運航期間中に各種センサによって観測された観測値を含んでいる。

【0022】

端末装置２のユーザは、以上のような情報を入力した電子メールを送信するだけで、情報処理装置１に状態推定を実行させることができる。なお、観測データを情報処理装置１側で取得できる場合には、観測データの添付を省略してもよい。

【0023】

情報処理装置１は、上記のような電子メールが送信されると、当該電子メールの本文に記載されている識別番号により対象エンジンを特定する。そして、情報処理装置１は、当該電子メールに添付されている観測データＡ４から説明変数を生成すると共に、データサーバ３から対象エンジンの状態推定に用いる他の説明変数または他の説明変数の元になるデータを取得する。なお、状態推定に用いる全ての説明変数を揃えるために必要な全てのデータを添付ファイルとして送信させるようにしてもよく、この場合データサーバ３からデータを取得する必要はない。情報処理装置１は、必要な説明変数が揃うと、それら説明変数を決定木モデルに入力し、決定木モデルの出力値から対象エンジンの状態を推定する。

【0024】

そして、情報処理装置１は、推定結果を示すデータを生成し、当該データを電子メールに添付して、上述したＡの電子メールの送信元に送信する。推定結果を通知する電子メールは例えば図３のＢに示すようなものであってもよい。この電子メールの本文欄Ｂ１には、状態推定が完了したこと、推定結果が添付ファイルとして添付されていること、および対象エンジンの識別情報が記載されている。そして、この電子メールには、推定結果を示す添付ファイルＢ２が添付されている。端末装置２のユーザは、添付ファイルＢ２を開くことにより、推定結果を確認することができる。

【0025】

なお、推定結果を添付ファイルとして送信することは推定結果の通知態様の一例に過ぎず、推定結果の通知態様としては任意の態様を適用することができる。例えば、電子メールの本文に推定結果を記載して通知するようにしてもよい。添付ファイルとして送信することの利点としては、画像ファイル等の形式で推定結果を通知することができる点が挙げられる。推定結果を添付ファイルで通知する場合、例えば、図２の例のようなグラフの画像データを添付ファイルとすることも可能である。

【0026】

〔情報処理装置の構成〕
図１は、情報処理装置１の要部構成の一例を示すブロック図である。図示のように、情報処理装置１は、情報処理装置１の各部を統括して制御する制御部１０と、情報処理装置１が使用する各種データを記憶する記憶部１１を備えている。また、情報処理装置１は、情報処理装置１が他の装置と通信するための通信部１２、情報処理装置１に対する各種データの入力を受け付ける入力部１３、および情報処理装置１が各種データを出力するための出力部１４を備えている。

【0027】

また、制御部１０には、データ取得部１０１、受付部１０２、統計値算出部１０３、状態推定部１０４、決定木モデル生成部１０５、重要度算出部１０６、表示制御部１０７、および更新制御部１０８が含まれている。また、記憶部１１には、決定木モデル１１１Ａ－１、１１１Ａ－２、１１１Ｂ－１、および１１１Ｂ－２が記憶されている。なお、これらを区別する必要がないときには単に決定木モデル１１１と表記する。

【0028】

（決定木モデルの生成に関する構成）
上述のように情報処理装置１は、エンジンの状態を推定する機能を備えている。また、決定木モデル１１１を生成する機能も備えている。以下では、決定木モデル１１１を生成する機能を担う各部について説明する。なお、重要度算出部１０６は決定木モデル１１１の生成に関する構成要素であるが、これについては図６に基づいて後に説明する。

【0029】

データ取得部１０１は、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を示す訓練データを取得する。複数種類の決定木モデル１１１を生成する場合、データ取得部１０１は、各決定木モデル１１１について１セットの訓練データを取得すればよい。例えば、決定木モデル１１１Ａ－１、１１１Ａ－２、１１１Ｂ－１、および１１１Ｂ－２という４種類の決定木モデル１１１を生成する場合、データ取得部１０１は、４セットの訓練データを取得すればよい。

【0030】

なお、決定木モデル１１１Ａ－１と１１１Ａ－２は、エンジンの状態が正常であるか異常Ａが発生しているかを推定するモデルであり、決定木モデル１１１Ｂ－１と１１１Ｂ－２は、エンジンの状態が正常であるか、異常Ｂ（異常Ａとは異なる種類の異常）が発生しているかを推定するモデルである。このように、異常の種類毎に決定木モデル１１１を生成することにより、異常の種類に応じた説明変数を適用して高精度な推定を行うことが可能になる。

【0031】

また、枝番号が同じ決定木モデル１１１は、同じ種類のエンジンに適合するモデルである。つまり、決定木モデル１１１Ａ－１と１１１Ｂ－１はある種類のエンジンに適合し、決定木モデル１１１Ａ－２と１１１Ｂ－２は他の種類のエンジンに適合する。このように、エンジンの種類毎に決定木モデル１１１を生成することにより、エンジンの種類に応じた説明変数を適用して高精度な推定を行うことが可能になる。

【0032】

エンジンをどのように種類分けするかは任意である。例えば、ボア径（ピストンの内径）によりエンジンを種類分けしてもよい。一般に、ボア径が異なるとエンジンの性能は大きく異なるためである。この場合、決定木モデル１１１Ａ－１と１１１Ｂ－１は同じボア径のエンジンについて収集されたデータから生成された訓練データを用いて生成され、同様に、決定木モデル１１１Ａ－２と１１１Ｂ－２は同じボア径（上記ボア径とは異なるボア径）のエンジンについて収集されたデータから生成された訓練データを用いて生成される。

【0033】

統計値算出部１０３は、エンジンの動作中に観測された観測値から１または複数種類の統計値を算出する。観測値は、対象エンジンの状態に関連するものであればよく、例えばエンジンまたはその周囲に設置された各種センサ（例えば、温度センサや圧力センサ等）で測定されたデータを観測値としてもよい。また、統計値をどのようなものとするかも特に限定されない。例えば、統計値算出部１０３は、所定期間に観測された観測値について、それらの平均値、最大値、最小値、最大値と最小値の差、最頻値、および分散の少なくとも何れかを算出してもよい。また、例えば、観測値が離散値である場合には最頻値のみを算出する、等のように観測値の種類に応じて算出する統計値を異なるものとしてもよい。

【0034】

決定木モデル生成部１０５は、データ取得部１０１が取得する訓練データを用いた機械学習により、エンジンの状態を推定するための決定木モデル１１１を生成する。学習のアルゴリズムは木構造のモデルを生成可能なものであればよい。また、生成する決定木モデル１１１の種類も特に限定されない。例えば、決定木モデル生成部１０５は、ジニ不順度またはエントロピーを指標として決定木の分岐条件を統計的に学習するＣＡＲＴ（Classification And Regression Tree）アルゴリズムにより、ランダムフォレストモデルを生成してもよい。決定木モデル１１１をランダムフォレストモデルとする場合、決定木モデル１１１は複数の決定木を含み、それらの決定木による推論結果の多数決により最終的な推論結果が決定される。決定木モデル１１１をランダムフォレストモデルとすることにより、高精度な推定結果を得ることが可能になる。

【0035】

表示制御部１０７は、決定木モデル１１１の生成の際にユーザに確認してもらう必要のある各種情報を表示装置に表示させる。表示装置は、情報処理装置１が備えているものであってもよいし、他の装置が備えているものであってもよい。例えば、出力部１４が表示装置である場合、表示制御部１０７は、出力部１４に情報を表示させてもよい。また、表示制御部１０７は、図２の例のように、端末装置２が備える表示部に情報を表示させてもよい。

【0036】

更新制御部１０８は、決定木モデル１１１の更新を制御する。より詳細には、更新制御部１０８は、所定の条件が充足されたときに、新たな決定木モデル１１１を決定木モデル生成部１０５に生成させる。所定の条件は任意に設定すればよい。例えば、対象エンジンを備えた船舶が運航中である場合、新たな観測値等の学習に用いることのできるデータが随時得られ、それらのデータから新たな訓練データを生成することができる。このため、更新制御部１０８は、新たな訓練データが得られたことを条件として新たな決定木モデル１１１を生成させてもよい。これにより、船舶の運航中に、常に最新の訓練データを反映させた決定木モデル１１１を用いた状態推定を行うことが可能になる。

【0037】

以上のように、情報処理装置１は、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を示す訓練データを取得するデータ取得部１０１と、上記訓練データを用いた機械学習により、エンジンの状態を推定するための決定木モデル１１１を生成する決定木モデル生成部１０５と、を備える。

【0038】

上記の構成によれば、推定したい状態に応じた説明変数を予め設定しておくことで、適切な推定結果を得ることが可能な決定木モデル１１１を生成することができる。また、決定木モデル１１１を参照することにより、推定された状態となった原因を推定することが可能である。

【0039】

よって、上記の構成によれば、推定したい様々な状態に応じた適切な推定結果を得ることが可能になると共に、推定された状態となった原因の推定を容易化することができるという効果が得られる。

【0040】

（状態推定に関する構成）
以下では、対象エンジンの状態を推定する機能を担う各部について説明する。なお、情報処理装置１は、必ずしも対象エンジンの状態を推定する機能と決定木モデル１１１を生成する機能との両方を備えている必要はない。これら各機能をそれぞれ別の情報処理装置に持たせてもよい。

【0041】

データ取得部１０１は、対象エンジンの状態を推定する際には、当該推定に必要な各種データ、具体的には決定木モデル１１１に入力する説明変数または当該説明変数の元になる観測値を含む観測データ等を取得する。

【0042】

受付部１０２は、対象エンジンの種類の指定を受け付ける。対象エンジンの種類は、その状態の推定に用いる決定木モデル１１１を決定するために用いられる情報である。例えば、受付部１０２は、対象エンジンのボア径を、当該対象エンジンの種類を示す情報として受け付けてもよい。また、情報処理装置１により状態を推定する対象エンジンのそれぞれについて予め識別情報を付与し、各対象エンジンの種類を識別情報に対応付けて記憶しておいてもよい。この場合、受付部１０２は、対象エンジンの種類を指定する情報として、対象エンジンの識別情報の入力を受け付けてもよい。

【0043】

統計値算出部１０３は、対象エンジンの動作中に観測された観測値から１または複数種類の統計値を算出する。使用する観測値およびどのような統計値を算出するかは、推定に用いる決定木モデル１１１によって決まる。例えば、推定に用いる決定木モデル１１１の説明変数に、所定位置に設置された温度センサによる測定値の平均値が含まれている場合、統計値算出部１０３は、当該測定値を上記観測値として取得し、その測定値の平均値を上記統計値として算出する。

【0044】

状態推定部１０４は、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を機械学習することにより生成された決定木モデル１１１を用いて、状態判定の対象となる対象エンジンの状態に関する説明変数から当該対象エンジンの状態を推定する。

【0045】

より詳細には、状態推定部１０４は、統計値算出部１０３により算出された統計値を説明変数として用いて対象エンジンの状態を推定する。無論、説明変数には、統計値以外のデータが含まれていてもよい。統計値以外の説明変数はデータ取得部１０１により取得される。

【0046】

なお、状態推定部１０４は、複数の決定木モデル１１１のうち、受付部１０２が受け付けた種類に応じた決定木モデル１１１を用いて対象エンジンの状態を推定する。例えば、受付部１０２が対象エンジンのボア径の入力を受け付けた場合、状態推定部１０４は、そのボア径に対応する決定木モデル１１１を用いる。

【0047】

表示制御部１０７は、対象エンジンの状態推定においてユーザに確認してもらう必要のある各種情報を表示装置に表示させる。例えば、表示制御部１０７は、状態推定部１０４の推定結果を示す情報（例えば図２のようなグラフ）を生成して、端末装置２の表示部に表示させてもよい。

【0048】

以上のように、情報処理装置１は、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を機械学習することにより生成された決定木モデル１１１を用いて、状態判定の対象となる対象エンジンの状態に関する説明変数から当該対象エンジンの状態を推定する状態推定部１０４を備える。よって、推定したい様々な状態に応じた適切な推定結果を得ることが可能になると共に、推定された状態となった原因の推定を容易化することができるという効果が得られる。

【0049】

また、情報処理装置１は、対象エンジンの動作中に観測された観測値から１または複数種類の統計値を算出する統計値算出部１０３を備え、状態推定部１０４は、算出された統計値を説明変数として用いて対象エンジンの状態を推定する。統計値は、その元になった観測値よりも説明変数としての適性が高い場合があり、上記の構成によれば、そのような場合に推定精度を向上させることができる。また、１つの観測値から複数種類の統計値を算出することも可能であり、これにより説明変数を多様化して推定精度を向上させることが可能になる。

【0050】

また、情報処理装置１は、対象エンジンの種類の指定を受け付ける受付部１０２を備え、状態推定部１０４は、複数の決定木モデル１１１のうち、受付部１０２が受け付けた種類に応じた決定木モデル１１１を用いて対象エンジンの状態を推定する。これにより、対象エンジンの種類に応じた決定木モデル１１１を用いることができるため、推定結果の確度を高めることができる。

【0051】

〔学習用データの収集について〕
決定木モデル１１１の生成に用いる訓練データの元になる学習用データの収集について図４に基づいて説明する。図４は、学習用データの収集方法を示す図である。

【0052】

エンジンの現在または将来の状態が正常であるか異常であるかを推定する決定木モデル１１１を生成するためには、
（１）エンジンの状態が正常であるときの観測データ等（以下、正常データと呼ぶ）に基づいて生成された説明変数に対し、エンジンの状態が正常であることを示すラベルを付した訓練データと、
（２）エンジンの状態が異常であるときの観測データ等（以下、異常発生データと呼ぶ）に基づいて生成された説明変数に対し、エンジンの状態が異常であることを示すラベルを付した訓練データと、が必要になる。過去に就航した船舶の観測データやログデータからこのような訓練データを生成することができる。

【0053】

例えば、図４に示すように、船舶の運航開始時点から所定時間が経過するまでの期間Ｃ１に観測された観測データ等を正常データとしてもよい。なお、ここでいう「観測データ等」には、各種センサにより観測された観測値の他、運航期間中に記録されたログデータ（例えば、アラームが発報された回数等を示すデータ）等が含まれていてもよい。

【0054】

また、船舶の運航期間中であって、異常が発生したエンジンにおける当該異常が、例えばその異常に対する処置を行うことにより解消した時点から所定時間が経過するまでの期間Ｃ２に観測された観測データ等を正常データとしてもよい。

【0055】

さらに、例えば、船舶の運航期間中であって、エンジンが正常であることが確認された時点から当該時点の所定時間前の時点までの期間Ｃ３に観測された観測データ等を正常データとしてもよい。また、例えば、船舶の運航期間中であって、エンジンが正常であることが確認された時点から所定時間が経過するまでの期間Ｃ４に観測された観測データ等を正常データとしてもよい。

【0056】

以上のような期間に収集した正常データからエンジンの状態に関する説明変数を生成し、生成した説明変数に対し、当該エンジンの状態が正常であることを示す目的変数を対応付けることにより訓練データが生成される。

【0057】

そして、決定木モデル生成部１０５は、（１）船舶の運航期間中であって、エンジンが正常であることが確認された時点から当該時点の所定時間前の時点までの期間Ｃ３、（２）船舶の運航期間中であって、エンジンが正常であることが確認された時点から所定時間が経過するまでの期間Ｃ４、（３）船舶の運航開始時点から所定時間が経過するまでの期間Ｃ１、および（４）船舶の運航期間中であって、異常が発生したエンジンにおける当該異常が解消した時点から所定時間が経過するまでの期間Ｃ２、の少なくとも何れかの期間のエンジンの状態に関する説明変数に対し、当該エンジンの状態が正常であることを示す目的変数が対応付けられた訓練データを用いて決定木モデル１１１を生成してもよい。

【0058】

上記（１）～（４）の期間におけるエンジンの状態は何れも正常である可能性が高いから、上記の構成によれば、妥当な訓練データを用いて妥当な決定木モデル１１１を生成することが可能になる。

【0059】

また、図４に示すように、船舶の運航期間中であって、エンジンに異常が発生したことが確認された時点から当該時点の所定時間前の時点までの期間Ｄ１に観測された観測データ等を異常発生データとしてもよい。この異常発生データは、異常発生の予兆を示すものといえるから、この異常発生データに基づいて生成した決定木モデル１１１を用いることにより、近い将来に異常が発生するか否かを予測することができる。

【0060】

また、船舶の運航期間中であって、エンジンに異常が発生したことが確認された時点から当該異常が解消するまでの期間Ｄ２に観測された観測データ等を異常発生データとしてもよい。

【0061】

以上のような期間に収集した異常発生データからエンジンの状態に関する説明変数を生成し、生成した説明変数に対し、当該エンジンの状態が異常であることを示す目的変数を対応付けることにより訓練データが生成される。

【0062】

そして、決定木モデル生成部１０５は、（１）船舶の運航期間中であって、エンジンに異常が発生したことが確認された時点から当該時点の所定時間前の時点までの期間Ｄ１、および（２）船舶の運航期間中であって、エンジンに異常が発生したことが確認された時点から当該異常が解消するまでの期間Ｄ２の少なくとも何れかの期間のエンジンの状態に関する説明変数に対し、当該エンジンの状態が異常であることを示す目的変数が対応付けられた訓練データを用いて決定木モデル１１１を生成してもよい。

【0063】

上記（１）、（２）の期間におけるエンジンは何れも異常な状態であるかまたは異常の前兆が現れた状態である可能性が高いから、上記の構成によれば、妥当な訓練データを用いて妥当な決定木モデル１１１を生成することが可能になる。なお、発生した異常の種類毎に異なる目的変数を対応付けて、異常の種類に応じた訓練データを生成してもよい。これにより、それぞれが異なる種類の異常に対応する複数の決定木モデル１１１を生成することができる。

【0064】

また、エンジンに異常が発生したことが確認された時点から当該時点の所定時間前の時点までの期間を複数に区分してもよい。例えば、図４に示す例では期間Ｄ３をＤ３－１～Ｄ３－３の３つに区分している。これらの期間のうち、期間Ｄ３－３は異常発生時点から時間的に最も近いことから、異常が発生してしまう危険性が最も高い期間であり、異常の発生を未然に防ぐためには至急の措置が必要な期間であるといえる。一方、期間Ｄ３－１は異常発生時点から時間的に最も離れており、異常が発生してしまう危険性が最も低い期間であり、比較的余裕をもった対応が可能な期間であるといえる。また、期間Ｄ３－２は期間Ｄ３－１とＤ３－３の中間的な期間であり、異常が発生してしまう危険性も中程度であるといえる。

【0065】

このように、期間Ｄ３－１～Ｄ３－３は、何れも異常発生の前兆が現れる期間である点で共通しているが危険度が相違している。このため、異常確認時点に近い区分に収集した異常発生データから生成された説明変数に対しては、危険度（緊急度と言い換えることもできる）が高いことを示す目的変数を対応付けるようにしてもよい。一方、異常確認時点から遠い区分に収集した異常発生データから生成された説明変数に対しては、危険度（緊急度と言い換えることもできる）が相対的に低いことを示す目的変数を対応付けるようにしてもよい。

【0066】

そして、決定木モデル生成部１０５は、エンジンに異常が発生したことが確認された異常確認時点から当該異常確認時点の所定時間前の時点までの期間を複数に区分し、各区分のエンジンの状態に関する説明変数に対し、当該エンジンの状態が異常であることを示す目的変数であって、異常確認時点に近い区分ほど危険度が高いことを示す目的変数が対応付けられた訓練データを用いて決定木モデル１１１を生成してもよい。これにより、異常が発生する時点に近付くにつれて危険度が高くなるような推論結果が得られる決定木モデル１１１を生成することができる。

【0067】

なお、区分の態様は任意であり、図４に示す例に限られない。例えば、異常が発生した時点を含む区分（最も危険度が高い区分）と、異常が発生した時点から所定時間前の時点を中心とする区分（危険度が２番目に高い区分）と、当該時点からさらに所定時間前の時点を中心とする区分（危険度が３番目に高い区分）、というように、異常が発生した時点を基準として複数の時点を設定し、各時点に対応する区分を設定してもよい。例えば、異常が発生した当日を危険度が最も高い区分とし、その前日を危険度が次に高い区分とし、異常が発生した日の２日前を危険度が次に高い区分としてもよい。

【0068】

〔学習用データの生成方法について〕
上述のようにして収集した正常データおよび異常発生データは、例えば図５のようなテーブル形式の学習用データとして記録しておいてもよい。図５は、学習用データの例を示す図である。

【0069】

図５に示す学習用データは、観測データおよびログデータに対し、それらデータのクラスが対応付けられたものであり、データの日付ごとに記録されている。例えば、2021/1/1の日付のデータには、観測データとして当該日付に観測された観測値Ａの値「ｘｘｘ」および観測値Ｂの値「ｙｙｙ」等が記録されている。観測データには、例えば、エンジンのシリンダ内の筒内圧やエンジン回転数などのアナログ値を記録したものが含まれていてもよいし、エンジン制御ユニットのオン／オフ情報のようなデジタル値を時系列で記録したものが含まれていてもよい。

【0070】

また、図５に示すデータセットには、ログデータとしてアラームＡの発報回数「ｍ」およびアラームＢの発報回数「ｎ」等が記録されている。なお、ログデータの集計期間は観測データの集計期間よりも長くしてもよい。例えば、観測データは図５のように一日単位で集計し、ログデータは一月あるいは一年単位で集計してもよい。

【0071】

また、2021/1/1の日付のデータのクラスは「０」となっている。当該クラスは目的変数の値であり、例えば「０」は正常、「１」は異常Ａ、「２」は異常Ｂ、等のように推定する状態に応じたクラスを予め規定しておき、該当するクラスを記録しておく。また、複数種類のエンジンについてのデータを１つのテーブルに記録する場合、エンジンの種類についても記録するようにしてもよい。

【0072】

また、各データにはデータ名を付与してもよい。例えば、状態とエンジンの種類と日付とを含むデータ名を付与してもよく、この場合、データ名からエンジンの種類と日付を特定することができる。

【0073】

このようなデータから訓練データを生成する場合、まず、統計値算出部１０３が、各観測値の統計値を算出する。例えば、統計値算出部１０３、図５のように一日単位でデータが記録されている場合、一日に観測された各観測値の統計値を算出してもよい。

【0074】

図５に示される各データと、それらのデータから算出された統計値とが説明変数となり、それらに対応付けられたクラスが目的変数となって、訓練データが完成する。ここで、状態判定の対象となる異常が複数種類ある場合、決定木モデル生成部１０５は、異常の種類毎に決定木モデル１１１を生成してもよい。

【0075】

例えば、異常Ａと異常Ｂのそれぞれについて決定木モデル１１１を生成するとする。この場合、決定木モデル生成部１０５は、クラスが「１」の訓練データとクラスが「０」の訓練データとを含む訓練データセットを用いて、状態が正常であるか異常Ａに該当するかを推論する決定木モデル１１１を生成する。また、決定木モデル生成部１０５は、クラスが「２」の訓練データとクラスが「０」の訓練データとを含む訓練データセットを用いて、状態が正常であるか異常Ｂに該当するかを推論する決定木モデル１１１を生成する。

【0076】

また、決定木モデル生成部１０５は、３クラス以上の分類を行う決定木モデル１１１を生成してもよい。例えば、決定木モデル生成部１０５は、クラスが「０」～「３」の訓練データをそれぞれ含む訓練データセットを用いて決定木モデル１１１を生成してもよい。この場合、対象エンジンの状態を、正常、異常Ａ、および異常Ｂの何れかに分類する決定木モデル１１１が生成される。

【0077】

〔重要度について〕
上述のように、様々なデータから様々な説明変数を生成することが可能であるが、多数の説明変数を用いることは必ずしも決定木モデル１１１の精度向上につながらない。説明変数は、推定したい状態に特に関連性の高いものに絞り込むことが好ましい。重要度算出部１０６は、この絞り込みに関する構成要素である。

【0078】

具体的には、重要度算出部１０６は、説明変数の候補のそれぞれについて、当該候補の推定における重要度を算出する。また、表示制御部１０７は、説明変数の候補と、重要度算出部１０６が算出した重要度とを対応付けて表示させる。そして、受付部１０２は、表示された候補のうち、決定木モデル１１１の生成に用いる候補の指定を受け付ける。

【0079】

これにより、ユーザは、重要度を参考にしつつ、自身が重要と考える説明変数を指定することが可能になる。したがって、算出した重要度とユーザの意図の両方を反映させた説明変数を適用した決定木モデル１１１を生成することが可能になる。

【0080】

ここで、決定木モデル１１１では、説明変数を用いてデータの分割を行うが、その分割によってジニ係数が大きく低下していた場合、その説明変数はジニ係数を低下させるのに貢献した重要な説明変数となっているといえる。よって、重要度算出部１０６は、どれだけジニ係数を低下させるのに貢献したかを示す値を重要度として算出してもよい。なお、重要度算出部１０６は、エントロピーを低下させるのにどれだけ貢献したかを示す値を重要度として算出してもよい。

【0081】

例えば、決定木モデル１１１が二分木のランダムフォレストモデルである場合、重要度算出部１０６は、図６に示す式により、説明変数Ｘの重要度Ｉ（Ｘ）を算出してもよい。図６は、説明変数の重要度の算出方法を説明する図である。

【0082】

なお、図６に示す重要度Ｉ（Ｘ）の算出式において、Ｆ（Ｘ）は決定木モデル１１１内における説明変数Ｘを分割対象とするノードの集合、Ｎ_ｐ（ｋ）はある親ノードｋにおけるサンプル数、Ｇ_ｐ（ｋ）はある親ノードｋにおけるジニ係数、Ｎ_ＬＣ（ｋ）はある親ノードｋにおける左側の子ノードのサンプル数、Ｇ_ＬＣ（ｋ）はある親ノードｋにおける左側の子ノードのジニ係数、Ｎ_ＲＣ（ｋ）はある親ノードｋにおける右側の子ノードのサンプル数、Ｇ_ＲＣ（ｋ）はある親ノードｋにおける右側の子ノードのジニ係数である。

【0083】

例えば、図６に示す決定木は、ノード１～５からなり、データをクラスＡとＢに分類する二分木である。この決定木におけるノード１～５は、サンプル数がそれぞれ１０、８、２、３、５であり、ジニ係数がそれぞれ０．５、０．４６８、０、０．４４４、０．４８である。ノード１における分岐の条件は説明変数Ｘがａ以上であるか否かであり、ａ以上であればノード２に、ａ未満であればノード３に分岐する。また、ノード２における分岐の条件は説明変数Ｘがｂ以上（ｂ＞ａ）であるか否かであり、ｂ以上であればノード４に、ｂ未満であればノード５に分岐する。

【0084】

この決定木における説明変数Ｘの重要度Ｉ（Ｘ）を算出する場合、Ｆ（Ｘ）＝２であるから、Ｉ（Ｘ）＝１０×０．５－（８×０．４６８＋２×０）＋８×０．４６８－（３×０．４４４＋５×０．４８）＝１．２６８となる。重要度算出部１０６は、このようにして各説明変数の重要度Ｉ（Ｘ）を算出する。

【0085】

なお、決定木モデル生成部１０５は、重要度算出部１０６が算出した重要度が上位の所定数の説明変数を用いて決定木モデル１１１を生成してもよい。また、決定木モデル生成部１０５は、重要度算出部１０６が算出した重要度が所定の閾値以上の説明変数を用いて決定木モデル１１１を生成してもよい。これらの場合、使用する説明変数が自動で決定されるから、説明変数の候補の表示と候補の指定の受付を行う必要はない。また、重要度の算出は行わず、ユーザ（例えば対象エンジンについて熟知した有識者）に候補の指定を行わせるようにしてもよい。有識者の知見を候補指定に反映させることにより、推論精度の向上が期待できると共に、原因の分析が容易な決定木モデル１１１を生成することが可能になる。

【0086】

〔学習について〕
決定木モデル１１１をランダムフォレストモデルとする場合、決定木モデル生成部１０５は、まず、ブートストラップ法により訓練データから重複を許して複数回のサンプリングを行い、複数の訓練データセットを生成する。次に、決定木モデル生成部１０５は、生成した各訓練データセットから決定木を生成する。決定木の生成にジニ不純度を用いる場合、決定木モデル生成部１０５は、各説明変数に様々な閾値を組み合わせて様々な分岐条件を生成し、各分岐条件により訓練データをふるい分けしたときのジニ不純度の変化量をそれぞれ計算する。そして、決定木モデル生成部１０５は、ジニ不純度の変化量が最も大きかった分岐条件を決定木の分岐条件に決定する。このような処理を決定木が所定の深さに到達するまで繰り返すことにより１つの決定木が生成される。そして、同じ処理を他の訓練データセットについても行うことにより複数の決定木からなる決定木モデル１１１が生成される。

【0087】

決定木モデル１１１をランダムフォレストモデルとする場合、上記のように、ランダムにサンプリングした複数の訓練データセットを用いた学習を行う。また、推論時には複数の決定木の出力の多数決により最終的な推定結果を得る。これにより、通常の決定木モデルと比較して汎化性能を高め、過学習を抑制することができる。

【0088】

なお、１つの決定木モデル１１１は、２つの状態（例えば正常と異常）の何れに該当するかを推定するものであってもよいし、３つ以上の状態（例えば正常と異常Ａと異常Ｂ）の何れに該当するかを推定するものであってもよい。

【0089】

後者の場合で、かつ決定木モデル１１１をランダムフォレストモデルとする場合、決定木モデル生成部１０５は、まず、推論の対象となる各状態を目的変数とする訓練データセットを用いて、何れの状態に該当するかを推論する決定木を生成してもよい。そして、決定木モデル生成部１０５は、生成した決定木モデル１１１を用いた推論において、推論精度が所定の閾値以下であった状態については、当該状態を目的変数とする訓練データセットを用いて決定木を生成してもよい。このような処理を、全ての状態についての推定精度が閾値を超えるまで繰り返すことにより、複数の決定木からなる決定木モデル１１１を生成することができる。なお、推論精度の評価手法は特に限定されない。例えば、交差検証等により推論精度を評価してもよい。

【0090】

例えば、異常Ａ～Ｄの各状態を目的変数とする訓練データを用いて生成した１つ目の決定木の推論精度が、異常Ａについては閾値を超えるが、異常Ｂ～Ｄについては閾値以下であったとする。この場合、決定木モデル生成部１０５は、訓練データのうち異常Ｂ～Ｄを目的変数とするものを用いて２つ目の決定木を生成する。ここで、２つ目の決定木の推論精度が、異常Ｂについては閾値を超えるが、異常Ｃ、Ｄについては閾値以下であった場合、決定木モデル生成部１０５は、訓練データのうち異常Ｃ、Ｄを目的変数とするものを用いて３つ目の決定木を生成する。そして、３つ目の決定木の推論精度が異常Ｃ、Ｄの何れについても閾値を超える場合、決定木モデル生成部１０５は決定木の生成を終了し、これら３つの決定木からなるモデルを決定木モデル１１１とする。

【0091】

また、決定木モデル生成部１０５は、ある種類の異常が発生した（あるいは発生する）ことを予測する決定木と、その種類の異常を分類する決定木とを含む決定木モデル１１１を生成してもよい。

【0092】

例えば、エンジンにおけるピストンの異常には、ピストン棒が傷つくことによるものと、ピストンリングが破損することによるものとがある。このため、決定木モデル生成部１０５は、決定木モデル１１１に含める決定木として、ピストンに異常が発生した（あるいは発生する）ことを予測する決定木に加え、ピストンの異常を、ピストン棒の傷によるものと、ピストンリングの破損によるものとに分類する決定木を生成してもよい。後者の決定木は、ピストン棒の傷によるピストン異常であることを示す目的変数と、ピストンリングの破損によるピストン異常であることを示す目的変数とを含む訓練データを用いて生成することができる。

【0093】

上記のような決定木モデル１１１を用いて状態を推定する場合、状態推定部１０４は、ある種類の異常が発生した（あるいは発生する）と推定された場合に、その種類の異常を分類する決定木により異常を分類する。これにより、異常の分析や対処をより的確に行うことが可能になる。

【0094】

〔状態の推定と推定結果の通知について〕
異常の種類に応じて異なる決定木モデル１１１を用いる場合等のように、複数の決定木モデル１１１を使用する場合には、使用する決定木モデル１１１の数だけ推定結果が得られる。また、例えば、一日に観測された観測データから生成された説明変数を用いて生成された決定木モデル１１１を用いて、複数日の観測データから状態を推定する場合のように、観測期間に応じて複数の推定結果が得られる場合もある。

【0095】

このような場合、表示制御部１０７は、推定結果を示すデータとして、当該推定結果における各状態の出現頻度を算出し、表示させてもよい。例えば、１月１日から１月３日までの観測データを用い、エンジンが正常であるか異常Ａが発生しているかを予測する決定木モデル１１１Ａ－１と、エンジンが正常であるか異常Ｂが発生しているかを予測する決定木モデル１１１Ｂ－１とを用いて状態を推定したとする。また、決定木モデル１１１Ａ－１および１１１Ｂ－１には、一日分の測定データから算出された統計値を説明変数として入力したとする。

【0096】

この場合、１月１日から１月３日までの各日について、決定木モデル１１１Ａ－１および１１１Ｂ－１の各推論結果が得られるから、表示制御部１０７は、これらの推定結果における各状態の出現頻度を推定結果として算出すればよい。例えば、１月１日から１月３日までの各日において、決定木モデル１１１Ａ－１の推論結果が何れも「異常Ａ」であり、決定木モデル１１１Ｂ－１については１月２日の推論結果が「異常Ｂ」、１月１日と１月３日は「正常」であったとする。この場合、１月１日から１月３日における「異常Ａ」の頻度は３、「異常Ｂ」の頻度は１となる。

【0097】

なお、「正常」は、決定木モデル１１１Ａ－１および１１１Ｂ－１に共通する状態であるから、そのまま合計すると推論結果における「正常」の値が際立って高くなってしまいがちになる。このため、表示制御部１０７は、推論結果が「正常」となった回数を、推定結果が「正常」となり得る決定木モデル１１１の数で割った値を「正常」の頻度としてもよい。上記の例では、推論結果が「正常」となった回数は２、推定結果が「正常」となり得る決定木モデル１１１の数も２（決定木モデル１１１Ａ－１および１１１Ｂ－１の２つ）であるから「正常」の頻度は１となる。

【0098】

表示制御部１０７は、以上のようにして算出した各状態の頻度を例えば図２に示したような棒グラフにしてユーザに提示してもよい。これにより、注目すべき状態を一目で認識させることができる。

【0099】

〔決定木モデルの生成方法〕
本実施形態に係る決定木モデル１１１の生成方法について図７に基づいて説明する。図７は、決定木モデル１１１の生成方法の一例を示すフローチャートである。

【0100】

Ｓ１（データ取得ステップ）では、データ取得部１０１が訓練データを取得する。この訓練データは、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を示すデータである。訓練データは例えばデータサーバ３から取得してもよい。なお、Ｓ１で取得される訓練データにおいては説明変数の絞り込みは行われていない。

【0101】

Ｓ１における訓練データの取得方法は特に限定されない。例えば、データ取得部１０１は、予め記憶部１１に記憶された訓練データを取得してもよいし、入力部１３を介して入力される訓練データを取得してもよいし、通信部１２を介して例えば端末装置２等から送信される訓練データを取得してもよい。また、データ取得部１０１は、上述した正常データと異常発生データを含む学習用データを取得し、それらのデータから訓練データを生成することにより訓練データを取得してもよい。

【0102】

Ｓ２（決定木モデル生成ステップ）では、決定木モデル生成部１０５が、Ｓ１で取得された訓練データを用いた機械学習により、エンジンの状態を推定するための決定木モデル１１１を生成する。例えば、決定木モデル１１１がランダムフォレストモデルである場合、決定木モデル生成部１０５は、訓練データを複数に分割し、分割された訓練データのそれぞれから決定木を生成する。これにより、複数の決定木からなる決定木モデル１１１が生成される。

【0103】

Ｓ３では、決定木モデル生成部１０５は、決定木モデル１１１の生成を終了するか否かを判定する。ここでは、決定木モデル１１１の生成に用いる説明変数の絞り込みが終了していれば生成を終了する（Ｓ３でＹＥＳ）と判定し、絞り込みが終了していなければ生成を継続する（Ｓ３でＮＯ）と判定する。Ｓ３でＹＥＳと判定された場合には、直近のＳ２で生成された決定木モデル１１１が記憶部１１に記憶されて、図７の処理は終了となる。

【0104】

Ｓ４では、重要度算出部１０６が、説明変数の各候補についてその重要度を算出する。なお、説明変数の候補とは、直近のＳ２において決定木モデル１１１の生成に用いられた訓練データに含まれる説明変数である。

【0105】

Ｓ５では、表示制御部１０７が、説明変数の候補とＳ４で算出された当該候補の重要度とを対応付けて表示させる。表示の態様は特に限定されず、例えば表示制御部１０７は、説明変数の候補とその重要度を一覧表示させてもよく、この際、説明変数の候補を重要度の順に表示させてもよい。また、例えば、表示制御部１０７は、説明変数の候補のうち、重要度が上位の所定数の候補を表示させ、他の候補はユーザの操作に応じて表示させるようにしてもよい。

【0106】

Ｓ６では、受付部１０２が、Ｓ５で表示させた候補に対するユーザの指定を受け付ける。例えば、受付部１０２は、入力部１３を介した入力操作による指定を受け付けてもよい。

【0107】

Ｓ６の終了後、処理はＳ２に戻る。Ｓ６から遷移したＳ２では、決定木モデル生成部１０５は、Ｓ１で取得された訓練データのうち、Ｓ６で指定された候補（すなわち説明変数）を用いて決定木モデル１１１を生成する。そして、続くＳ３ではＹＥＳと判定されて決定木モデル１１１の生成方法は終了する。

【0108】

なお、Ｓ２の処理の後、生成された決定木モデル１１１の推論精度を評価してもよい。この評価はユーザが行ってもよいし、情報処理装置１に行わせてもよい。この場合、Ｓ３では、決定木モデル生成部１０５は、評価結果が所定の基準を満たす場合にＹＥＳと判定し、所定の基準を満たさない場合にはＮＯと判定してもよい。Ｓ３でＮＯと判定された場合、Ｓ４は省略してＳ５およびＳ６の処理に進み、再度説明変数を指定させるようにしてもよい。

【0109】

以上のように、本実施形態に係る決定木モデル１１１の生成方法は、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を示す訓練データを取得するデータ取得ステップ（Ｓ１）と、訓練データを用いた機械学習により、エンジンの状態を推定するための決定木モデル１１１を生成する決定木モデル生成ステップ（Ｓ２）と、含む。よって、推定したい様々な状態に応じた適切な推定結果を得ることが可能になると共に、推定された状態となった原因の推定を容易化することができるという効果が得られる。

【0110】

〔決定木モデルの更新〕
決定木モデル１１１を更新する際の決定木モデル１１１の生成方法について図８に基づいて説明する。図８は、決定木モデル１１１を更新する際の決定木モデル１１１の生成方法の一例を示すフローチャートである。

【0111】

Ｓ１１では、更新制御部１０８が、決定木モデル１１１の更新要否を判定する。Ｓ１１の判定条件は予め定めておけばよい。例えば、データサーバ３に記録されているデータを用いて決定木モデル１１１を更新する場合、データサーバ３に新たな学習用データが追加されたか否かをＳ１１の判定条件としてもよい。また、例えば、アラームの発報をサーバ等で監視している場合、アラームが発報されたときに決定木モデル１１１の更新要と判定するようにしてもよい。この他にも、例えば、ログデータが追加されたこと、前回の更新から所定期間が経過したこと、ユーザからの更新指示を受け付けたこと等を判定条件としてもよい。また、更新制御部１０８は、決定木モデル１１１による推論の結果を解析することにより更新要否を判定してもよい。例えば、更新制御部１０８は、決定木モデル１１１による推論結果から、対象エンジンが複数の状態（例えば、正常、異常Ａ、異常Ｂ等）のそれぞれに該当する可能性の高さを示す指標値を算出すると共に、それら指標値の比を算出してもよい。そして、更新制御部１０８は、算出した比の変化量が所定の閾値を超えたときに、推論精度が低下していると判定し、決定木モデル１１１を更新するようにしてもよい。Ｓ１１でＮＯと判定された場合には図８の処理は終了し、Ｓ１１でＹＥＳと判定された場合にはＳ１２に進む。

【0112】

Ｓ１２では、データ取得部１０１が、新たな学習用データを取得する。学習用データには観測データおよびログデータが含まれていてもよい。学習用データの取得方法は特に限定されない。例えば、データ取得部１０１は、予め記憶部１１に記憶された学習用データを取得してもよいし、入力部１３を介して入力される学習用データを取得してもよいし、通信部１２を介して例えば端末装置２等から送信される学習用データを取得してもよい。

【0113】

Ｓ１３では、統計値算出部１０３が、Ｓ１２で取得された学習用データに含まれる観測データの統計値を算出し、これにより新たな訓練データが生成される。なお、学習用データから訓練データを生成する際に、データクレンジング等の処理を施してもよい。また、決定木モデル１１１の説明変数として統計値を用いない場合にはＳ１３の処理は省略される。

【0114】

Ｓ１４（データ取得ステップ）では、データ取得部１０１が、Ｓ１３で生成された新たな訓練データと、更新前の決定木モデル１１１の生成に用いられた訓練データとを取得する。

【0115】

Ｓ１５（決定木モデル生成ステップ）では、決定木モデル生成部１０５が、Ｓ１４で取得された訓練データを用いた機械学習により、エンジンの状態を推定するための決定木モデル１１１を生成し、これにより図示の処理は終了する。生成された決定木モデル１１１は例えば記憶部１１等の状態推定部１０４が参照可能な記憶装置に記憶され、次回以降の推論に用いられる。

【0116】

〔推定方法〕
情報処理装置１により実行される対象エンジンの状態の推定方法について図９に基づいて説明する。図９は、対象エンジンの状態の推定方法の一例を示すフローチャートである。

【0117】

Ｓ２１では、データ取得部１０１が、状態推定の実行指示を受け付ける。状態推定の実行指示は、例えば入力部１３を介した入力操作により行われてもよいし、通信部１２を介して遠隔で行われてもよい。また、図３に基づいて説明したように、状態推定の実行指示は、電子メール等を介して行われてもよい。なお、外部からの実行指示によらず、所定の条件を満たしたときにＳ２２以下の処理を実行して対象エンジンの状態を推定するようにしてもよい。例えば、前回の推定から所定時間が経過したときに推定を行ってもよいし、船舶の航行スケジュールに応じた所定のタイミング（例えば、出港、航行中、寄港、帰港等のタイミング）で推定を行ってもよい。

【0118】

Ｓ２２では、データ取得部１０１は、観測データおよびログデータを取得する。これらのデータは説明変数として用いられるか、または説明変数の算出に用いられるものである。このため、説明変数にログデータおよびログデータから算出されるものの何れも含まれていない場合にはログデータを取得する必要はない。なお、ここで取得した観測データおよびログデータに対し、データクレンジング等の処理を施してもよい。

【0119】

Ｓ２２における観測データおよびログデータの取得元は特に限定されず、例えば、データ取得部１０１は、入力部１３および通信部１２の少なくとも何れかを介して取得してもよい。例えば、電子メールに対象エンジンの識別情報が記載され、また、観測データが添付されている場合、データ取得部１０１は、添付されている観測データを取得すると共に、当該観測データに含まれる観測値が観測された期間を特定してもよい。そして、当該期間に記録された、上記識別情報で識別される対象エンジンのログデータをデータサーバ３から取得してもよい。

【0120】

Ｓ２３では、受付部１０２が、対象エンジンの種類の指定を受け付ける。例えば、図３のように状態推定の実行指示の電子メールの本文に対象エンジンの識別情報が記入されている場合、受付部１０２は、当該識別情報を対象エンジンの種類を指定するものとして受け付けてもよい。また、例えば、受付部１０２は、使用可能な決定木モデル１１１のそれぞれについて、その決定木モデル１１１に対応する対象エンジンの種類を選択候補としてユーザに提示し、選択させてもよい。

【0121】

Ｓ２４では、統計値算出部１０３が、Ｓ２２で取得された観測データに含まれる、対象エンジンの動作中に観測された観測値から１または複数種類の統計値を算出する。なお、Ｓ２４で算出される統計値は、Ｓ２３で指定された種類に応じた決定木モデル１１１の説明変数として用いられているものである。

【0122】

Ｓ２５（状態推定ステップ）では、状態推定部１０４が、Ｓ２３で指定された種類に応じた決定木モデル１１１を用いて、Ｓ２２で取得され、また、Ｓ２４で算出された説明変数から対象エンジンの状態を推定する。例えば、決定木モデル１１１がランダムフォレストモデルである場合、状態推定部１０４は、決定木モデル１１１に含まれる複数の決定木のそれぞれに説明変数を入力し、各決定木の推定結果の多数決により対象エンジンの状態を推定する。

【0123】

Ｓ１０７では、表示制御部１０７が、Ｓ２５の推定結果をユーザに通知する。通知の態様は特に限定されない。例えば、表示制御部１０７は、Ｓ２５の推定結果を示すグラフを生成し、生成したグラフを添付した電子メールをユーザのメールアドレス宛に送信することにより推定結果を通知してもよい。また、異常発生時や異常の前兆がある場合には、表示制御部１０７は、決定木モデル１１１の画像（例えば、分岐条件をノードとして表した木構造のグラフ）を、推定結果と共に表示させてもよい。これにより、決定木モデル１１１を用いた原因の推定をより容易にすることができる。

【0124】

以上のように、本実施形態に係る対象エンジンの状態の推定方法は、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を機械学習することにより生成された決定木モデル１１１を用いて、対象エンジンの状態に関する説明変数から当該対象エンジンの状態を推定する状態推定ステップ（Ｓ２５）を含む。よって、推定したい様々な状態に応じた適切な推定結果を得ることが可能になると共に、推定された状態となった原因の推定を容易化することができるという効果が得られる。

【0125】

〔変形例〕
上述の各実施形態で説明した各処理の実行主体は任意であり、上述の例に限られない。つまり、相互に通信可能な複数の情報処理装置により、情報処理装置１と同様の機能を実現することができる。例えば、図７～図９に示す各処理を複数の情報処理装置に分担で実行させてもよい。つまり、上述の実施形態における決定木モデル１１１の生成方法および対象エンジンの状態の推定方法の実行主体は、１つの情報処理装置（コンピュータ）であってもよいし、複数の情報処理装置（コンピュータ）であってもよい。

【0126】

〔ソフトウェアによる実現例〕
情報処理装置１の機能は、情報処理装置１としてコンピュータを機能させるためのプログラムであって、情報処理装置１の各制御ブロック（特に制御部１０に含まれる各部）としてコンピュータを機能させるためのプログラム（対象エンジンの状態の推定プログラム／決定木モデルの生成プログラム）により実現することができる。

【0127】

この場合、情報処理装置１は、上記プログラムを実行するためのハードウェアとして、少なくとも１つの制御装置（例えばプロセッサ）と少なくとも１つの記憶装置（例えばメモリ）を有するコンピュータを備えている。この制御装置と記憶装置により上記プログラムを実行することにより、上記実施形態で説明した各機能が実現される。

【0128】

上記プログラムは、一時的ではなく、コンピュータ読み取り可能な、１または複数の記録媒体に記録されていてもよい。この記録媒体は、情報処理装置１が備えていてもよいし、備えていなくてもよい。後者の場合、上記プログラムは、有線または無線の任意の伝送媒体を介して上記装置に供給されてもよい。

【0129】

また、上記各制御ブロックの機能の一部または全部は、論理回路により実現することも可能である。例えば、上記各制御ブロックとして機能する論理回路が形成された集積回路も本発明の範疇に含まれる。この他にも、例えば量子コンピュータにより上記各制御ブロックの機能を実現することも可能である。

【0130】

〔まとめ〕
本発明の態様１に係る情報処理装置は、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を機械学習することにより生成された決定木モデルを用いて、状態判定の対象となる対象エンジンの状態に関する説明変数から当該対象エンジンの状態を推定する状態推定部を備える。

【0131】

本発明の態様２に係る情報処理装置は、上記態様１において、前記対象エンジンの動作中に観測された観測値から１または複数種類の統計値を算出する統計値算出部を備え、前記状態推定部は、算出された前記統計値を前記説明変数として用いて前記対象エンジンの状態を推定する。

【0132】

本発明の態様３に係る情報処理装置は、上記態様１または２において、前記対象エンジンの種類の指定を受け付ける受付部を備え、前記状態推定部は、複数の前記決定木モデルのうち、前記受付部が受け付けた種類に応じた決定木モデルを用いて前記対象エンジンの状態を推定する。

【0133】

本発明の態様４に係る情報処理装置は、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を示す訓練データを取得するデータ取得部と、前記訓練データを用いた機械学習により、エンジンの状態を推定するための決定木モデルを生成する決定木モデル生成部と、を備える。

【0134】

本発明の態様５に係る情報処理装置は、上記態様４において、前記決定木モデル生成部は、（１）前記船舶の運航期間中であって、前記エンジンが正常であることが確認された時点から当該時点の所定時間前の時点までの期間、（２）前記船舶の運航期間中であって、前記エンジンが正常であることが確認された時点から所定時間が経過するまでの期間、（３）前記船舶の運航開始時点から所定時間が経過するまでの期間、および（４）前記船舶の運航期間中であって、異常が発生した前記エンジンにおける当該異常が解消した時点から所定時間が経過するまでの期間、の少なくとも何れかの期間の前記エンジンの状態に関する説明変数に対し、当該エンジンの状態が正常であることを示す目的変数が対応付けられた前記訓練データを用いて前記決定木モデルを生成する。

【0135】

本発明の態様６に係る情報処理装置は、上記態様４または５において、前記決定木モデル生成部は、（１）前記船舶の運航期間中であって、前記エンジンに異常が発生したことが確認された時点から当該時点の所定時間前の時点までの期間、および（２）前記船舶の運航期間中であって、前記エンジンに異常が発生したことが確認された時点から当該異常が解消するまでの期間、少なくとも何れかの期間の前記エンジンの状態に関する説明変数に対し、当該エンジンの状態が異常であることを示す目的変数が対応付けられた前記訓練データを用いて前記決定木モデルを生成する。

【0136】

本発明の態様７に係る情報処理装置は、上記態様４から６の何れかにおいて、前記決定木モデル生成部は、前記エンジンに異常が発生したことが確認された異常確認時点から当該異常確認時点の所定時間前の時点までの期間を複数に区分し、各区分の前記エンジンの状態に関する説明変数に対し、当該エンジンの状態が異常であることを示す目的変数であって、前記異常確認時点に近い区分ほど危険度が高いことを示す目的変数が対応付けられた前記訓練データを用いて前記決定木モデルを生成する。

【0137】

本発明の態様８に係る情報処理装置は、上記態様４から７の何れかにおいて、前記説明変数の候補のそれぞれについて、当該候補の前記推定における重要度を算出する重要度算出部と、前記候補と当該候補の重要度とを対応付けて表示させる表示制御部と、表示された候補のうち、前記決定木モデルの生成に用いる候補の指定を受け付ける受付部と、を備える。

【0138】

本発明の態様９に係るエンジンの状態の推定システムは、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を機械学習することにより生成された決定木モデルを用いて、状態判定の対象となる対象エンジンの状態に関する説明変数から当該対象エンジンの状態を推定する情報処理装置と、前記情報処理装置に前記推定を実行させ、当該推定の結果を受信して出力する端末装置と、を含む。

【0139】

本発明の態様１０に係る推定方法は、１または複数の情報処理装置により実行される、状態判定の対象となる対象エンジンの状態の推定方法であって、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を機械学習することにより生成された決定木モデルを用いて、前記対象エンジンの状態に関する説明変数から当該対象エンジンの状態を推定する状態推定ステップを含む。

【0140】

本発明の態様１１に係る生成方法は、１または複数の情報処理装置により実行される決定木モデルの生成方法であって、船舶のエンジンの状態に関する目的変数と当該エンジンの状態に関する説明変数との関係を示す訓練データを取得するデータ取得ステップと、前記訓練データを用いた機械学習により、エンジンの状態を推定するための決定木モデルを生成する決定木モデル生成ステップと、含む。

【0141】

本発明の態様１２に係る推定プログラムは、上記態様１に記載の情報処理装置としてコンピュータを機能させるための推定プログラムであって、前記状態推定部としてコンピュータを機能させる。

【0142】

本発明の態様１３に係る生成プログラムは、上記態様４に記載の情報処理装置としてコンピュータを機能させるための生成プログラムであって、前記データ取得部および前記決定木モデル生成部としてコンピュータを機能させる。

【0143】

本発明は上述した各実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

【符号の説明】

【0144】

１ 情報処理装置
１０１ データ取得部
１０２ 受付部
１０３ 統計値算出部
１０４ 状態推定部
１０５ 決定木モデル生成部
１０６ 重要度算出部
１０７ 表示制御部
１１１Ａ－１、１１１Ａ－２、１１１Ｂ－１、１１１Ｂ－２ 決定木モデル
１０００ 推定システム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】