知財求人 - 知財ポータルサイト「IP Force」
特開2024-35963状態量推定装置、状態量推定方法、及び状態量推定プログラム
(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】P2024035963
(43)【公開日】2024-03-15
(54)【発明の名称】状態量推定装置、状態量推定方法、及び状態量推定プログラム
(51)【国際特許分類】
G05B 23/02 20060101AFI20240308BHJP
【ＦＩ】
G05B23/02 302R
【審査請求】未請求
【請求項の数】9
【出願形態】ＯＬ
(21)【出願番号】P 2022140621
(22)【出願日】2022-09-05
(71)【出願人】
【識別番号】000003159
【氏名又は名称】東レ株式会社
(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】滝澤 健太
(72)【発明者】
【氏名】水田 慎吾
【テーマコード（参考）】
3C223
【Ｆターム（参考）】
3C223AA05
3C223BA03
3C223EB01
3C223FF04
3C223FF22
3C223FF26
3C223FF35
(57)【要約】
【課題】運用コストが大きくなることがなく、学習済みモデルの更新に有用なデータであるか否かを高精度に判定し、状態量の推定に有効なデータの除去を回避すること。
【解決手段】状態量推定装置２は、対象装置で観測された観測値と、対象装置の実際の状態量とを取得するデータ取得部２２と、データ取得部２２にて取得された観測値を入力パラメータとして、ガウス過程回帰によって生成された学習済みモデルに基づく演算を行うことにより、状態量を推定した推定値と当該推定値の標準偏差とを出力する推定部２３と、推定値と標準偏差とに基づいて、入力パラメータとした観測値と当該観測値が観測された時刻における対象装置の実際の状態量とが正常な値であるか否かを判定する判定部２４と、判定部２４にて判定された観測値と状態量との組合せを少なくとも用いて学習済みモデルを更新するモデル更新部２５と、を備える。
【選択図】図２
【解決手段】状態量推定装置２は、対象装置で観測された観測値と、対象装置の実際の状態量とを取得するデータ取得部２２と、データ取得部２２にて取得された観測値を入力パラメータとして、ガウス過程回帰によって生成された学習済みモデルに基づく演算を行うことにより、状態量を推定した推定値と当該推定値の標準偏差とを出力する推定部２３と、推定値と標準偏差とに基づいて、入力パラメータとした観測値と当該観測値が観測された時刻における対象装置の実際の状態量とが正常な値であるか否かを判定する判定部２４と、判定部２４にて判定された観測値と状態量との組合せを少なくとも用いて学習済みモデルを更新するモデル更新部２５と、を備える。
【選択図】図２
【特許請求の範囲】
【請求項1】
状態量の推定対象である対象装置で観測された観測値と、前記対象装置の実際の前記状態量とをそれぞれ取得するデータ取得部と、
前記データ取得部にて取得された前記観測値を入力パラメータとして、前記対象装置で過去に観測された前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量との組合せを複数用いたガウス過程回帰によって生成された学習済みモデルに基づく演算を行うことにより、前記入力パラメータとした前記観測値が観測された時刻における前記対象装置の前記状態量を推定した推定値と当該推定値の標準偏差とを出力する推定部と、
前記推定部から出力された前記推定値と前記標準偏差とに基づいて、前記データ取得部にてそれぞれ取得され、前記入力パラメータとした前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量とがそれぞれ正常な値であるか否かを判定する判定部と、
前記判定部にてそれぞれ判定された前記観測値と前記状態量との組合せを少なくとも用いて前記学習済みモデルを更新するモデル更新部と、を備える状態量推定装置。
前記データ取得部にて取得された前記観測値を入力パラメータとして、前記対象装置で過去に観測された前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量との組合せを複数用いたガウス過程回帰によって生成された学習済みモデルに基づく演算を行うことにより、前記入力パラメータとした前記観測値が観測された時刻における前記対象装置の前記状態量を推定した推定値と当該推定値の標準偏差とを出力する推定部と、
前記推定部から出力された前記推定値と前記標準偏差とに基づいて、前記データ取得部にてそれぞれ取得され、前記入力パラメータとした前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量とがそれぞれ正常な値であるか否かを判定する判定部と、
前記判定部にてそれぞれ判定された前記観測値と前記状態量との組合せを少なくとも用いて前記学習済みモデルを更新するモデル更新部と、を備える状態量推定装置。
【請求項2】
前記判定部による判定結果と前記判定部にてそれぞれ判定された前記観測値及び前記状態量とを報知部から報知させるとともに、前記判定部にてそれぞれ判定された前記観測値及び前記状態量の組合せを少なくとも用いて前記学習済みモデルを更新するか否かの選択を促す報知制御部と、
前記学習済みモデルを更新する選択操作を受け付ける入力部と、をさらに備え、
前記モデル更新部は、
前記入力部が前記選択操作を受け付けた場合に、前記判定部にてそれぞれ判定された前記観測値及び前記状態量の組合せを少なくとも用いて前記学習済みモデルを更新する請求項１に記載の状態量推定装置。
前記学習済みモデルを更新する選択操作を受け付ける入力部と、をさらに備え、
前記モデル更新部は、
前記入力部が前記選択操作を受け付けた場合に、前記判定部にてそれぞれ判定された前記観測値及び前記状態量の組合せを少なくとも用いて前記学習済みモデルを更新する請求項１に記載の状態量推定装置。
【請求項3】
前記モデル更新部は、
前記判定部にて正常な値であるとそれぞれ判定された前記観測値と前記状態量との組合せを少なくとも用いて前記学習済みモデルを更新する請求項１に記載の状態量推定装置。
前記判定部にて正常な値であるとそれぞれ判定された前記観測値と前記状態量との組合せを少なくとも用いて前記学習済みモデルを更新する請求項１に記載の状態量推定装置。
【請求項4】
前記判定部は、
前記推定部から出力された前記標準偏差が所定の閾値以下である場合に、前記入力パラメータとした前記観測値が正常な値であると判定し、
前記入力パラメータとした前記観測値が観測された時刻における前記対象装置の実際の前記状態量が、前記推定部から出力された前記推定値と前記標準偏差とから算出される所定の数値範囲内である場合に、当該対象装置の実際の状態量が正常な値であると判定する請求項１～３のいずれか１つに記載の状態量推定装置。
前記推定部から出力された前記標準偏差が所定の閾値以下である場合に、前記入力パラメータとした前記観測値が正常な値であると判定し、
前記入力パラメータとした前記観測値が観測された時刻における前記対象装置の実際の前記状態量が、前記推定部から出力された前記推定値と前記標準偏差とから算出される所定の数値範囲内である場合に、当該対象装置の実際の状態量が正常な値であると判定する請求項１～３のいずれか１つに記載の状態量推定装置。
【請求項5】
状態量推定装置が実行する状態量推定方法であって、
状態量の推定対象である対象装置で観測された観測値と、前記対象装置の実際の前記状態量とをそれぞれ取得するデータ取得ステップと、
前記データ取得ステップで取得された前記観測値を入力パラメータとして、前記対象装置で過去に観測された前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量との組合せを複数用いたガウス過程回帰によって生成された学習済みモデルに基づく演算を行うことにより、前記入力パラメータとした前記観測値が観測された時刻における前記対象装置の前記状態量を推定した推定値と当該推定値の標準偏差とを出力する推定ステップと、
前記推定値と前記標準偏差とに基づいて、前記データ取得ステップでそれぞれ取得され、前記入力パラメータとした前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量とがそれぞれ正常な値であるか否かを判定する判定ステップと、
前記判定ステップでそれぞれ判定された前記観測値と前記状態量との組合せを少なくとも用いて前記学習済みモデルを更新するモデル更新ステップと、を含む状態量推定方法。
状態量の推定対象である対象装置で観測された観測値と、前記対象装置の実際の前記状態量とをそれぞれ取得するデータ取得ステップと、
前記データ取得ステップで取得された前記観測値を入力パラメータとして、前記対象装置で過去に観測された前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量との組合せを複数用いたガウス過程回帰によって生成された学習済みモデルに基づく演算を行うことにより、前記入力パラメータとした前記観測値が観測された時刻における前記対象装置の前記状態量を推定した推定値と当該推定値の標準偏差とを出力する推定ステップと、
前記推定値と前記標準偏差とに基づいて、前記データ取得ステップでそれぞれ取得され、前記入力パラメータとした前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量とがそれぞれ正常な値であるか否かを判定する判定ステップと、
前記判定ステップでそれぞれ判定された前記観測値と前記状態量との組合せを少なくとも用いて前記学習済みモデルを更新するモデル更新ステップと、を含む状態量推定方法。
【請求項6】
前記判定ステップでの判定結果と前記判定ステップでそれぞれ判定された前記観測値及び前記状態量とを報知部から報知させるとともに、前記判定ステップでそれぞれ判定された前記観測値及び前記状態量の組合せを少なくとも用いて前記学習済みモデルを更新するか否かの選択を促す報知制御ステップをさらに含み、
前記モデル更新ステップでは、
入力部が前記学習済みモデルを更新する選択操作を受け付けた場合に、前記判定ステップでそれぞれ判定された前記観測値及び前記状態量の組合せを少なくとも用いて前記学習済みモデルを更新する請求項５に記載の状態量推定方法。
前記モデル更新ステップでは、
入力部が前記学習済みモデルを更新する選択操作を受け付けた場合に、前記判定ステップでそれぞれ判定された前記観測値及び前記状態量の組合せを少なくとも用いて前記学習済みモデルを更新する請求項５に記載の状態量推定方法。
【請求項7】
前記モデル更新ステップでは、
前記判定ステップで正常な値であるとそれぞれ判定された前記観測値と前記状態量との組合せを少なくとも用いて前記学習済みモデルを更新する請求項５に記載の状態量推定方法。
前記判定ステップで正常な値であるとそれぞれ判定された前記観測値と前記状態量との組合せを少なくとも用いて前記学習済みモデルを更新する請求項５に記載の状態量推定方法。
【請求項8】
前記判定ステップでは、
前記推定ステップで出力された前記標準偏差が所定の閾値以下である場合に、前記入力パラメータとした前記観測値が正常な値であると判定し、
前記入力パラメータとした前記観測値が観測された時刻における前記対象装置の実際の前記状態量が、前記推定ステップで出力された前記推定値と前記標準偏差とから算出される所定の数値範囲内である場合に、当該対象装置の実際の状態量が正常な値であると判定する請求項５～７のいずれか１つに記載の状態量推定方法。
前記推定ステップで出力された前記標準偏差が所定の閾値以下である場合に、前記入力パラメータとした前記観測値が正常な値であると判定し、
前記入力パラメータとした前記観測値が観測された時刻における前記対象装置の実際の前記状態量が、前記推定ステップで出力された前記推定値と前記標準偏差とから算出される所定の数値範囲内である場合に、当該対象装置の実際の状態量が正常な値であると判定する請求項５～７のいずれか１つに記載の状態量推定方法。
【請求項9】
状態量の推定対象である対象装置で観測された観測値と、前記対象装置の実際の前記状態量とをそれぞれ取得するデータ取得ステップと、
前記データ取得ステップで取得された前記観測値を入力パラメータとして、前記対象装置で過去に観測された前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量との組合せを複数用いたガウス過程回帰によって生成された学習済みモデルに基づく演算を行うことにより、前記入力パラメータとした前記観測値が観測された時刻における前記対象装置の前記状態量を推定した推定値と当該推定値の標準偏差とを出力する推定ステップと、
前記推定値と前記標準偏差とに基づいて、前記データ取得ステップでそれぞれ取得され、前記入力パラメータとした前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量とがそれぞれ正常な値であるか否かを判定する判定ステップと、
前記判定ステップでそれぞれ判定された前記観測値と前記状態量との組合せを少なくとも用いて前記学習済みモデルを更新するモデル更新ステップと、をコンピュータに実行させるための状態量推定プログラム。
前記データ取得ステップで取得された前記観測値を入力パラメータとして、前記対象装置で過去に観測された前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量との組合せを複数用いたガウス過程回帰によって生成された学習済みモデルに基づく演算を行うことにより、前記入力パラメータとした前記観測値が観測された時刻における前記対象装置の前記状態量を推定した推定値と当該推定値の標準偏差とを出力する推定ステップと、
前記推定値と前記標準偏差とに基づいて、前記データ取得ステップでそれぞれ取得され、前記入力パラメータとした前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量とがそれぞれ正常な値であるか否かを判定する判定ステップと、
前記判定ステップでそれぞれ判定された前記観測値と前記状態量との組合せを少なくとも用いて前記学習済みモデルを更新するモデル更新ステップと、をコンピュータに実行させるための状態量推定プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、状態量推定装置、状態量推定方法、及び状態量推定プログラムに関する。
【背景技術】
【0002】
従来、プロセス産業の分野等で広く活用され、オンライン計測が困難な状態量をオンラインセンサデータから推定するソフトセンサが知られている。通常、ソフトセンサでは、過去のオフラインで計測された状態量とオンラインセンサデータを基に、それらの関係を表す関数や式を導出することで、現在のオンラインセンサデータから、現在の状態量を推定する。一般的に、これら関数や式を導出する過程を学習と呼び、導出された関数や式は学習済みモデルと呼ばれる。
【0003】
ここで、ソフトセンサを長期間運用していくと、設備や計測機器の劣化等、プロセスの経時変化が原因で状態量の推定精度が低下することがある。そして、このような推定精度の低下を防ぐため、定期的に学習済みモデルを再学習させる適応型センサという技術が知られている。この適応型ソフトセンサでは、オフラインで状態量が計測される度に、当該状態量とオンラインセンサデータとを学習データに追加して学習済みモデルを再学習させることが多い。しかし、オフラインで計測された状態量やオンラインセンサデータには、機器の測定誤差による計測ノイズと測定ミスによる外れ値（異常値）とが含まれる可能性がある。このような計測ノイズや外れ値に対応する手法を採用していないと、適切な学習済みモデルを作成することができず、高精度の推定が不可能になる。
【0004】
そして、従来、外れ値を検出する技術が知られている（例えば、特許文献１参照）。
特許文献１に記載の技術では、学習データで複数回ＳＶＲ（Support Vector Regression）モデルを構築してデータ毎に回帰誤差を求めるとともに、当該回帰誤差が閾値εを超えた回数をカウントする。そして、当該閾値εを超えた回数が統計的に有意な場合に、当該データを外れ値と見なす。
特許文献１に記載の技術では、学習データで複数回ＳＶＲ（Support Vector Regression）モデルを構築してデータ毎に回帰誤差を求めるとともに、当該回帰誤差が閾値εを超えた回数をカウントする。そして、当該閾値εを超えた回数が統計的に有意な場合に、当該データを外れ値と見なす。
【先行技術文献】
【特許文献】
【0005】
【特許文献1】特開２００９－２７６９６７号公報
【発明の概要】
【発明が解決しようとする課題】
【0006】
しかしながら、特許文献１に記載の技術では、ソフトセンサの学習済みモデルとは別に外れ値検出用のモデルを構築する必要があり、運用コストが大きくなってしまう。また、特許文献１に記載の技術では、単純に学習データの分布の中心から外れているデータを外れ値として除くため、本来、推定に有効なデータを除去してしまう可能性がある。
そこで、運用コストが大きくなることがなく、学習済みモデルの更新に有用なデータであるか否かを高精度に判定し、状態量の推定に有効なデータの除去を回避することができる技術が要望されている。
そこで、運用コストが大きくなることがなく、学習済みモデルの更新に有用なデータであるか否かを高精度に判定し、状態量の推定に有効なデータの除去を回避することができる技術が要望されている。
【0007】
本発明は、上記に鑑みてなされたものであって、運用コストが大きくなることがなく、学習済みモデルの更新に有用なデータであるか否かを高精度に判定し、状態量の推定に有効なデータの除去を回避することができる状態量推定装置、状態量推定方法、及び状態量推定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】
【0008】
上述した課題を解決し、目的を達成するために、本発明に係る状態量推定装置は、状態量の推定対象である対象装置で観測された観測値と、前記対象装置の実際の前記状態量とをそれぞれ取得するデータ取得部と、前記データ取得部にて取得された前記観測値を入力パラメータとして、前記対象装置で過去に観測された前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量との組合せを複数用いたガウス過程回帰によって生成された学習済みモデルに基づく演算を行うことにより、前記入力パラメータとした前記観測値が観測された時刻における前記対象装置の前記状態量を推定した推定値と当該推定値の標準偏差とを出力する推定部と、前記推定部から出力された前記推定値と前記標準偏差とに基づいて、前記データ取得部にてそれぞれ取得され、前記入力パラメータとした前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量とがそれぞれ正常な値であるか否かを判定する判定部と、前記判定部にてそれぞれ判定された前記観測値と前記状態量との組合せを少なくとも用いて前記学習済みモデルを更新するモデル更新部と、を備える。
【0009】
また、本発明に係る状態量推定装置では、上記発明において、前記判定部による判定結果と前記判定部にてそれぞれ判定された前記観測値及び前記状態量とを報知部から報知させるとともに、前記判定部にてそれぞれ判定された前記観測値及び前記状態量の組合せを少なくとも用いて前記学習済みモデルを更新するか否かの選択を促す報知制御部と、前記学習済みモデルを更新する選択操作を受け付ける入力部と、をさらに備え、前記モデル更新部は、前記入力部が前記選択操作を受け付けた場合に、前記判定部にてそれぞれ判定された前記観測値及び前記状態量の組合せを少なくとも用いて前記学習済みモデルを更新する。
【0010】
また、本発明に係る状態量推定装置では、上記発明において、前記モデル更新部は、前記判定部にて正常な値であるとそれぞれ判定された前記観測値と前記状態量との組合せを少なくとも用いて前記学習済みモデルを更新する。
【0011】
また、本発明に係る状態量推定装置では、上記発明において、前記判定部は、前記推定部から出力された前記標準偏差が所定の閾値以下である場合に、前記入力パラメータとした前記観測値が正常な値であると判定し、前記入力パラメータとした前記観測値が観測された時刻における前記対象装置の実際の前記状態量が、前記推定部から出力された前記推定値と前記標準偏差とから算出される所定の数値範囲内である場合に、当該対象装置の実際の状態量が正常な値であると判定する。
【0012】
本発明に係る状態量推定方法は、状態量推定装置が実行する状態量推定方法であって、状態量の推定対象である対象装置で観測された観測値と、前記対象装置の実際の前記状態量とをそれぞれ取得するデータ取得ステップと、前記データ取得ステップで取得された前記観測値を入力パラメータとして、前記対象装置で過去に観測された前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量との組合せを複数用いたガウス過程回帰によって生成された学習済みモデルに基づく演算を行うことにより、前記入力パラメータとした前記観測値が観測された時刻における前記対象装置の前記状態量を推定した推定値と当該推定値の標準偏差とを出力する推定ステップと、前記推定値と前記標準偏差とに基づいて、前記データ取得ステップでそれぞれ取得され、前記入力パラメータとした前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量とがそれぞれ正常な値であるか否かを判定する判定ステップと、前記判定ステップでそれぞれ判定された前記観測値と前記状態量との組合せを少なくとも用いて前記学習済みモデルを更新するモデル更新ステップと、を含む。
【0013】
本発明に係る状態量推定方法では、上記発明において、前記判定ステップでの判定結果と前記判定ステップでそれぞれ判定された前記観測値及び前記状態量とを報知部から報知させるとともに、前記判定ステップでそれぞれ判定された前記観測値及び前記状態量の組合せを少なくとも用いて前記学習済みモデルを更新するか否かの選択を促す報知制御ステップをさらに含み、前記モデル更新ステップでは、入力部が前記学習済みモデルを更新する選択操作を受け付けた場合に、前記判定ステップでそれぞれ判定された前記観測値及び前記状態量の組合せを少なくとも用いて前記学習済みモデルを更新する。
【0014】
本発明に係る状態量推定方法では、上記発明において、前記モデル更新ステップでは、前記判定ステップで正常な値であるとそれぞれ判定された前記観測値と前記状態量との組合せを少なくとも用いて前記学習済みモデルを更新する。
【0015】
本発明に係る状態量推定方法では、上記発明において、前記判定ステップでは、前記推定ステップで出力された前記標準偏差が所定の閾値以下である場合に、前記入力パラメータとした前記観測値が正常な値であると判定し、前記入力パラメータとした前記観測値が観測された時刻における前記対象装置の実際の前記状態量が、前記推定ステップで出力された前記推定値と前記標準偏差とから算出される所定の数値範囲内である場合に、当該対象装置の実際の状態量が正常な値であると判定する。
【0016】
本発明に係る状態量推定プログラムは、状態量の推定対象である対象装置で観測された観測値と、前記対象装置の実際の前記状態量とをそれぞれ取得するデータ取得ステップと、前記データ取得ステップで取得された前記観測値を入力パラメータとして、前記対象装置で過去に観測された前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量との組合せを複数用いたガウス過程回帰によって生成された学習済みモデルに基づく演算を行うことにより、前記入力パラメータとした前記観測値が観測された時刻における前記対象装置の前記状態量を推定した推定値と当該推定値の標準偏差とを出力する推定ステップと、前記推定値と前記標準偏差とに基づいて、前記データ取得ステップでそれぞれ取得され、前記入力パラメータとした前記観測値と当該観測値が観測された時刻における前記対象装置の実際の前記状態量とがそれぞれ正常な値であるか否かを判定する判定ステップと、前記判定ステップでそれぞれ判定された前記観測値と前記状態量との組合せを少なくとも用いて前記学習済みモデルを更新するモデル更新ステップと、をコンピュータに実行させるための状態量推定プログラムである。
【発明の効果】
【0017】
本発明に係る状態量推定装置、状態量推定方法、及び状態量推定プログラムによれば、運用コストが大きくなることがなく、学習済みモデルの更新に有用なデータであるか否かを高精度に判定し、状態量の推定に有効なデータの除去を回避することができる。
【図面の簡単な説明】
【0018】
【発明を実施するための形態】
【0019】
以下に、図面を参照して、本発明を実施するための形態（以下、実施の形態）について説明する。なお、以下に説明する実施の形態によって本発明が限定されるものではない。さらに、図面の記載において、同一の部分には同一の符号を付している。
【0020】
〔状態量推定システムの概略構成〕
図１は、実施の形態における状態量推定システム１００を示す概略構成図である。
状態量推定システム１００は、状態量の推定対象である対象装置で観測された観測値から、当該観測値が観測された時刻における当該対象装置の状態量を推定するシステムである。
図１は、実施の形態における状態量推定システム１００を示す概略構成図である。
状態量推定システム１００は、状態量の推定対象である対象装置で観測された観測値から、当該観測値が観測された時刻における当該対象装置の状態量を推定するシステムである。
【0021】
本実施の形態では、本発明に係る対象装置として、図１に示すように、樹脂製造プロセスＰを採用している。
そして、本発明に係る観測値は、樹脂製造プロセスＰにおけるプロセス情報であって、例えば当該樹脂製造プロセスＰにおける重合、予熱、脱気等の各プロセスの温度や圧力の実績値の履歴情報と、樹脂の製造条件とを含む情報である。具体的に、当該プロセス情報としては、反応槽内温度、反応槽内圧力、吐出制御部回転数、生産速度、及び生産情報（品種等）等を例示することができる。
また、本発明に係る状態量は、例えば樹脂製造プロセスＰで製造された樹脂の粘度に関する品質の情報である。当該粘度に関する品質は、樹脂製造プロセスＰで溶融した原料の化学反応や与える熱、滞留時間に起因して変動する。また、当該粘度に関する品質には管理範囲があり、与える熱や滞留時間を変更することで当該管理範囲内に収まるように制御される。
そして、本発明に係る観測値は、樹脂製造プロセスＰにおけるプロセス情報であって、例えば当該樹脂製造プロセスＰにおける重合、予熱、脱気等の各プロセスの温度や圧力の実績値の履歴情報と、樹脂の製造条件とを含む情報である。具体的に、当該プロセス情報としては、反応槽内温度、反応槽内圧力、吐出制御部回転数、生産速度、及び生産情報（品種等）等を例示することができる。
また、本発明に係る状態量は、例えば樹脂製造プロセスＰで製造された樹脂の粘度に関する品質の情報である。当該粘度に関する品質は、樹脂製造プロセスＰで溶融した原料の化学反応や与える熱、滞留時間に起因して変動する。また、当該粘度に関する品質には管理範囲があり、与える熱や滞留時間を変更することで当該管理範囲内に収まるように制御される。
【0022】
この状態量推定システム１００は、図１に示すように、管理サーバー１と、状態量推定装置２と、表示装置３とを備える。
【0023】
管理サーバー１は、樹脂製造プロセスＰにおけるプロセス情報及び当該樹脂製造プロセスＰにおける実際の状態量の情報を当該樹脂製造プロセスＰから取得して管理（記憶）する。ここで、管理サーバー１は、当該プロセス情報については、例えば５分毎に連続して取得する。一方、管理サーバー１は、当該実際の状態量の情報については、例えば手動で計測されるため、連続的に取得することができず、例えば４時間に１回等、定期的に取得する。
【0024】
状態量推定装置２は、管理サーバー１から送られてくるプロセス情報から、当該プロセス情報が観測された時刻における樹脂製造プロセスＰの状態量を推定する。
なお、状態量推定装置２の詳細な構成については、後述する「状態量推定装置の構成」において説明する。
なお、状態量推定装置２の詳細な構成については、後述する「状態量推定装置の構成」において説明する。
【0025】
表示装置３は、本発明に係る報知部に相当する。この表示装置３は、液晶または有機ＥＬ（Electro Luminescence）からなるディスプレイであり、状態量推定装置２による制御の下、所定の画像を表示する。なお、表示装置３としては、スピーカ等の音声出力機能を有していても構わない。
【0026】
〔状態量推定装置の構成〕
次に、状態量推定装置２の構成について説明する。
図２は、状態量推定装置２の構成を示すブロック図である。
状態量推定装置２は、図２に示すように、入力部２１と、データ取得部２２と、推定部２３と、判定部２４と、モデル更新部２５と、制御部２６と、記憶部２７とを備える。
次に、状態量推定装置２の構成について説明する。
図２は、状態量推定装置２の構成を示すブロック図である。
状態量推定装置２は、図２に示すように、入力部２１と、データ取得部２２と、推定部２３と、判定部２４と、モデル更新部２５と、制御部２６と、記憶部２７とを備える。
【0027】
入力部２１は、キーボード、マウス、マイク、タッチパネル等のユーザーインターフェースを用いて構成され、推定部２３が実行する推定処理に関する設定等の情報を含む各種情報の入力を受け付ける。
【0028】
データ取得部２２は、管理サーバー１からプロセス情報と実際の状態量の情報とをそれぞれ取得する。そして、当該プロセス情報及び当該実際の状態量の情報は、記憶部２７に記憶される。
【0029】
推定部２３は、以下に示す推定処理を実行する。
図３は、推定部２３が実行する推定処理を模式的に示す図である。
具体的に、推定部２３は、図３に示すように、データ取得部２２にて取得されたプロセス情報を入力パラメータＩＰとして、ガウス過程回帰によって生成された学習済みモデルＭＤを用いて、当該プロセス情報が観測された時刻における樹脂製造プロセスＰの状態量を推定した推定値と当該推定値の標準偏差とを出力パラメータＯＰとして出力する。
図３は、推定部２３が実行する推定処理を模式的に示す図である。
具体的に、推定部２３は、図３に示すように、データ取得部２２にて取得されたプロセス情報を入力パラメータＩＰとして、ガウス過程回帰によって生成された学習済みモデルＭＤを用いて、当該プロセス情報が観測された時刻における樹脂製造プロセスＰの状態量を推定した推定値と当該推定値の標準偏差とを出力パラメータＯＰとして出力する。
【0030】
図４は、推定部２３が実行する推定処理における入力パラメータＩＰであるデータと出力パラメータＯＰである推定値及び当該推定値の標準偏差との関係を模式的に示す図である。なお、図４において、グラフＩＰ１は、横軸を時間として、入力パラメータＩＰであるＤ個のデータ（データ１、データ２、・・・、データＤ）を示している。また、グラフＯＰ１は、縦軸を状態量とし、横軸を時間としたグラフであり、ガウス過程回帰によって生成された学習済みモデルＭＤが出力する出力パラメータＯＰである推定値及び当該推定値の標準偏差から算出された状態量の存在範囲を示している。当該グラフＯＰ１では、状態量の推定値を実線で示し、当該推定値±当該推定値の標準偏差の範囲をドット（網掛け）で示している。
【0031】
ここで、ガウス過程回帰の特徴について説明する。
ガウス過程回帰は、入力パラメータＸから出力パラメータＹへの関数であるＹ＝Ｆ（Ｘ）を推定するモデルの一種であり、非線形かつノンパラメトリックなモデルである。当該ガウス過程回帰で推定される関数Ｆは１つの関数ではなく、関数の分布として得られる。そのため、当該ガウス過程回帰で生成された学習済みモデルＭＤは、出力パラメータＹとして、推定値と当該推定値の標準偏差とを出力する。当該標準偏差が得られることで、学習済みモデルＭＤによる推定の確信度が分かる。すなわち、図４に示すように、学習済みモデルＭＤに過去学習したデータと同様の入力パラメータＸ１を入力すれば、出力パラメータＹ１の推定値の標準偏差が小さくなるため、学習済みモデルＭＤによる推定の確信度は高い。一方、学習済みモデルＭＤに過去学習したデータと異なる入力パラメータＸ２を入力すると、出力パラメータＹ２の推定値の標準偏差が大きくなるため、学習済みモデルＭＤによる推定の確信度は低い。
ガウス過程回帰は、入力パラメータＸから出力パラメータＹへの関数であるＹ＝Ｆ（Ｘ）を推定するモデルの一種であり、非線形かつノンパラメトリックなモデルである。当該ガウス過程回帰で推定される関数Ｆは１つの関数ではなく、関数の分布として得られる。そのため、当該ガウス過程回帰で生成された学習済みモデルＭＤは、出力パラメータＹとして、推定値と当該推定値の標準偏差とを出力する。当該標準偏差が得られることで、学習済みモデルＭＤによる推定の確信度が分かる。すなわち、図４に示すように、学習済みモデルＭＤに過去学習したデータと同様の入力パラメータＸ１を入力すれば、出力パラメータＹ１の推定値の標準偏差が小さくなるため、学習済みモデルＭＤによる推定の確信度は高い。一方、学習済みモデルＭＤに過去学習したデータと異なる入力パラメータＸ２を入力すると、出力パラメータＹ２の推定値の標準偏差が大きくなるため、学習済みモデルＭＤによる推定の確信度は低い。
【0032】
判定部２４は、推定部２３から出力された推定値と当該推定値の標準偏差とに基づいて、データ取得部２２にてそれぞれ取得されたプロセス情報と当該プロセス情報が観測された時刻における樹脂製造プロセスＰの実際の状態量の情報とがそれぞれ正常な値であるか否かを判定する判定処理を実行する。
【0033】
モデル更新部２５は、判定部２４にてそれぞれ判定されたプロセス情報と実際の状態量の情報との組合せを少なくとも用いて学習済みモデルＭＤを更新（再学習）する。
なお、モデル更新部２５の詳細な構成については、後述する「モデル更新部の構成」において説明する。
なお、モデル更新部２５の詳細な構成については、後述する「モデル更新部の構成」において説明する。
【0034】
制御部２６は、状態量推定システム１００全体の動作を統括的に制御する。この制御部２６は、図２に示すように、表示制御部２６１を備える。
表示制御部２６１は、本発明に係る報知制御部に相当する。この表示制御部２６１は、推定部２３の推定処理による推定結果（状態量の推定値及び当該推定値の標準偏差等）を表示装置３に表示させる。なお、表示制御部２６１は、当該推定結果に加えて、学習済みモデルＭＤを更新したか否かを示すモデル更新結果、判定部２４にて判定されたプロセス情報及び実際の状態量の情報等を表示装置３に表示させても構わない。
表示制御部２６１は、本発明に係る報知制御部に相当する。この表示制御部２６１は、推定部２３の推定処理による推定結果（状態量の推定値及び当該推定値の標準偏差等）を表示装置３に表示させる。なお、表示制御部２６１は、当該推定結果に加えて、学習済みモデルＭＤを更新したか否かを示すモデル更新結果、判定部２４にて判定されたプロセス情報及び実際の状態量の情報等を表示装置３に表示させても構わない。
【0035】
記憶部２７は、状態量推定装置２を動作させるための各種プログラム、及び状態量推定装置２の動作に必要な各種パラメータ等を含むデータを記憶する。当該各種プログラムには、本発明に係る状態量推定プログラムも含まれる。
以上説明した記憶部２７は、各種プログラム等を予めインストールしたＲＯＭ（Read Only Memory）及び各処理の演算パラメータやデータ等を記憶するＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等を用いて構成される。
以上説明した記憶部２７は、各種プログラム等を予めインストールしたＲＯＭ（Read Only Memory）及び各処理の演算パラメータやデータ等を記憶するＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）等を用いて構成される。
【0036】
なお、上述した各種プログラムは、ＨＤＤ、フラッシュメモリ、ＣＤ－ＲＯＭ、ＤＶＤ（Digital Versatile Disc）－ＲＯＭ、Ｂｌｕ－ｒａｙ（登録商標）等のコンピュータ読み取り可能な記録媒体に記録して広く流通させることも可能である。また、データ取得部２２が通信ネットワークを介して当該各種プログラムを取得することも可能である。ここでいう通信ネットワークは、例えば既存の公衆回線網、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）等を用いて構成されるものであり、有線、無線を問わない。
【0037】
以上説明した状態量推定装置２は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）等の１または複数のハードウェアを用いて構成されるコンピュータである。
【0038】
〔モデル更新部の構成〕
次に、モデル更新部２５の構成について説明する。
図５は、モデル更新部２５の構成を示すブロック図である。
モデル更新部２５は、図５に示すように、入力部２５１と、学習部２５２と、制御部２５３と、記憶部２５４とを備える。
次に、モデル更新部２５の構成について説明する。
図５は、モデル更新部２５の構成を示すブロック図である。
モデル更新部２５は、図５に示すように、入力部２５１と、学習部２５２と、制御部２５３と、記憶部２５４とを備える。
【0039】
入力部２５１は、キーボード、マウス、マイク、タッチパネル等のユーザーインターフェースを用いて構成され、モデル更新部２５が生成する学習済みモデルＭＤが有するパラメータの設定や学習処理の詳細に関する情報を含む各種情報の入力を受け付ける。
【0040】
学習部２５２は、ガウス過程回帰のパラメータを最適化する学習を行うことによって、学習済みモデルＭＤを生成する。この学習部２５２は、少なくとも現時刻のプロセス情報及び当該現時刻における実際の状態量の情報を組み合わせたデータを教師データとして取得し、当該教師データを用いて、学習済みモデルＭＤを生成する。当該教師データとして取得されるデータは、現時刻から過去全てのデータであることが好ましいが、現時刻から過去一定期間分のデータのみを教師データとして取得してもよく、または、現時刻のデータと近いデータを指定したデータ数分だけ、教師データとして取得しても構わない。当該近いとは、例えば、現時刻のデータと過去データとでユークリッド距離を計算して、距離が短いデータを言う。当該距離の計算方法としては、ユークリッド距離に限らず、マハラノビス距離やコサイン類似度等の計算方法でも構わない。
【0041】
制御部２５３は、モデル更新部２５の動作を統括的に制御する。なお、制御部２５３としては、モデル更新部２５の処理に関する情報を表示装置３に表示させる表示制御機能を有していても構わない。
【0042】
記憶部２５４は、学習部２５２が学習に用いる教師データ、当該学習部２５２が生成した学習済みモデルＭＤ、モデル更新部２５を動作させるための各種プログラム、及びモデル更新部２５の動作に必要な各種パラメータ等を含むデータを記憶する。
以上説明した記憶部２５４は、各種プログラム等を予めインストールしたＲＯＭ及び各処理の演算パラメータやデータ等を記憶するＲＡＭ、ＨＤＤ、ＳＳＤ等を用いて構成される。
なお、上述した各種プログラムは、ＨＤＤ、フラッシュメモリ、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、Ｂｌｕ－ｒａｙ（登録商標）等のコンピュータ読み取り可能な記録媒体に記録してもよいし、通信ネットワークを介してダウンロード可能としても構わない。
以上説明した記憶部２５４は、各種プログラム等を予めインストールしたＲＯＭ及び各処理の演算パラメータやデータ等を記憶するＲＡＭ、ＨＤＤ、ＳＳＤ等を用いて構成される。
なお、上述した各種プログラムは、ＨＤＤ、フラッシュメモリ、ＣＤ－ＲＯＭ、ＤＶＤ－ＲＯＭ、Ｂｌｕ－ｒａｙ（登録商標）等のコンピュータ読み取り可能な記録媒体に記録してもよいし、通信ネットワークを介してダウンロード可能としても構わない。
【0043】
〔状態量推定装置が実行する状態量推定方法〕
次に、上述した状態量推定装置２が実行する状態量推定方法について説明する。
図６は、状態量推定装置２が実行する状態量推定方法を示すフローチャートである。
先ず、データ取得部２２は、管理サーバー１からプロセス情報及び実際の状態量の情報のデータを取得する（ステップＳ１：データ取得ステップ）。
なお、上述したように、プロセス情報については連続的に取得されるが、実施の状態量の情報については連続的ではなく定期的に取得される。このため、ステップＳ１では、プロセス情報のみを取得する場合と、当該プロセス情報と実際の状態量の情報との双方を取得する場合とがある。以下では、ステップＳ１で取得されたプロセス情報を現時刻のプロセス情報と記載し、当該ステップＳ１で取得された当該現時刻（当該プロセス情報が観測された時刻）における実際の状態量の情報を現時刻における実際の状態量の情報と記載する。
次に、上述した状態量推定装置２が実行する状態量推定方法について説明する。
図６は、状態量推定装置２が実行する状態量推定方法を示すフローチャートである。
先ず、データ取得部２２は、管理サーバー１からプロセス情報及び実際の状態量の情報のデータを取得する（ステップＳ１：データ取得ステップ）。
なお、上述したように、プロセス情報については連続的に取得されるが、実施の状態量の情報については連続的ではなく定期的に取得される。このため、ステップＳ１では、プロセス情報のみを取得する場合と、当該プロセス情報と実際の状態量の情報との双方を取得する場合とがある。以下では、ステップＳ１で取得されたプロセス情報を現時刻のプロセス情報と記載し、当該ステップＳ１で取得された当該現時刻（当該プロセス情報が観測された時刻）における実際の状態量の情報を現時刻における実際の状態量の情報と記載する。
【0044】
ステップＳ１の後、推定部２３は、推定処理を実行する（ステップＳ２：推定ステップ）。具体的に、推定部２３は、ステップＳ２において、現時刻のプロセス情報を入力パラメータＩＰとして、学習済みモデルＭＤを用いて、当該現時刻における樹脂製造プロセスＰの状態量を推定した推定値と当該推定値の標準偏差とを出力パラメータＯＰとして出力する。
【0045】
ステップＳ２の後、推定部２３は、当該ステップＳ２で入力パラメータＩＰとした現時刻のプロセス情報と、当該ステップＳ２で得られた推定値及び当該推定値の標準偏差とを記憶部２７に書き込んで記憶させる（ステップＳ３）。
【0046】
ステップＳ３の後、判定部２４は、ステップＳ１で現時刻における実際の状態量の情報が取得されたか否かを判断する（ステップＳ４）。
現時刻における実際の状態量の情報が取得されなかったと判断された場合（ステップＳ４：Ｎｏ）には、状態量推定装置２は、ステップＳ９に移行する。
一方、判定部２４は、現時刻における実際の状態量の情報が取得されたと判断した場合（ステップＳ４：Ｙｅｓ）には、判定処理を実行する（ステップＳ５：判定ステップ）。
現時刻における実際の状態量の情報が取得されなかったと判断された場合（ステップＳ４：Ｎｏ）には、状態量推定装置２は、ステップＳ９に移行する。
一方、判定部２４は、現時刻における実際の状態量の情報が取得されたと判断した場合（ステップＳ４：Ｙｅｓ）には、判定処理を実行する（ステップＳ５：判定ステップ）。
【0047】
図７は、判定部２４が実行する判定処理を模式的に示す図である。具体的に、図７の（ａ）は、現時刻におけるプロセス情報の正常判定の方法を説明するためのグラフであり、縦軸を状態量の推定値の標準偏差とし、横軸を時間としている。また、図７の（ｂ）は、実際の状態量の情報の正常判定の方法を説明するためのグラフであり、縦軸を状態量とし、横軸を時間としている。
【0048】
先ず、図７の（ａ）を用いて、ステップＳ５における判定処理のうち、現時刻におけるプロセス情報の正常判定の方法について説明する。
図７の（ａ）のグラフの実線は、状態量の推定値の標準偏差の時間変化を示している。また、σ１は、ガウス過程回帰によって生成された学習済みモデルＭＤにおいて、過去に学習したプロセス情報のデータを入力パラメータＩＰとした場合に出力パラメータＯＰとして出力される推定値の標準偏差である。さらに、σ２は、ガウス過程回帰によって生成された学習済みモデルＭＤにおいて、過去に学習したプロセス情報と異なるデータを入力パラメータＩＰとした場合に出力パラメータＯＰとして出力される推定値の標準偏差である。この場合、ガウス過程回帰の性質からσ１＜σ２である。そして、現時刻におけるプロセス情報の正常判定では、これら推定値の標準偏差σ１，σ２が用いられる。
図７の（ａ）のグラフの実線は、状態量の推定値の標準偏差の時間変化を示している。また、σ１は、ガウス過程回帰によって生成された学習済みモデルＭＤにおいて、過去に学習したプロセス情報のデータを入力パラメータＩＰとした場合に出力パラメータＯＰとして出力される推定値の標準偏差である。さらに、σ２は、ガウス過程回帰によって生成された学習済みモデルＭＤにおいて、過去に学習したプロセス情報と異なるデータを入力パラメータＩＰとした場合に出力パラメータＯＰとして出力される推定値の標準偏差である。この場合、ガウス過程回帰の性質からσ１＜σ２である。そして、現時刻におけるプロセス情報の正常判定では、これら推定値の標準偏差σ１，σ２が用いられる。
【0049】
具体的に、判定部２４は、ステップＳ５において、現時刻における状態量を推定した推定値の標準偏差が予め設定された閾値ＴＨ１（図７の（ａ））よりも小さい場合は、当該現時刻におけるプロセス情報が過去学習したプロセス情報に近いため、当該現時刻におけるプロセス情報を正常な値と判定する。すなわち、図７の（ａ）では、σ１＜ＴＨ１のため、σ１の期間におけるプロセス情報は、正常な値と判定される。
一方、判定部２４は、ステップＳ５において、現時刻における状態量を推定した推定値の標準偏差が閾値ＴＨ１よりも大きい場合は、当該現時刻におけるプロセス情報が過去学習したプロセス情報と異なる可能性が高いため、当該現時刻におけるプロセス情報を異常な値と判定する。すなわち、図７の（ａ）では、ＴＨ１＜σ２のため、σ２の期間におけるプロセス情報は、異常な値と判定される。
ここで、閾値ＴＨ１は、過去の状態量の推定値の標準偏差の履歴から算出されることが望ましく、例えば推定値の標準偏差の履歴の最頻値や平均値等である。
一方、判定部２４は、ステップＳ５において、現時刻における状態量を推定した推定値の標準偏差が閾値ＴＨ１よりも大きい場合は、当該現時刻におけるプロセス情報が過去学習したプロセス情報と異なる可能性が高いため、当該現時刻におけるプロセス情報を異常な値と判定する。すなわち、図７の（ａ）では、ＴＨ１＜σ２のため、σ２の期間におけるプロセス情報は、異常な値と判定される。
ここで、閾値ＴＨ１は、過去の状態量の推定値の標準偏差の履歴から算出されることが望ましく、例えば推定値の標準偏差の履歴の最頻値や平均値等である。
【0050】
次に、図７の（ｂ）を用いて、ステップＳ５における判定処理のうち、現時刻における実際の状態量の情報の正常判定の方法について説明する。
図７の（ｂ）の黒丸点は、状態量の実測値を示している。また、図７の（ｂ）では、状態量の推定値を実線で示し、当該推定値±３×（当該推定値の標準偏差）の範囲をドット（網掛け）で示している。
具体的に、判定部２４は、ステップＳ５において、予め設定された正の値Ｎを用いた以下に示す条件（１）を満たした場合に、現時刻における実際の状態量の情報を正常な値と判定する。一方、判定部２４は、以下に示す条件（１）を満たしていない場合に、現時刻における実際の状態量の情報を異常な値と判定する。
条件（１）は、状態量の推定値－Ｎ×（状態量の推定値の標準偏差）≦現時刻における実際の状態量の情報の値≦状態量の推定値＋Ｎ×（状態量の推定値の標準偏差）である。
例えば、図７の（ｂ）では、実測値Ｏ１は、推定値±３×（推定値の標準偏差）の範囲内に存在しているため、正常な値と判定される。一方、実測値Ｏ２は、推定値±３×（推定値の標準偏差）の範囲から外れているため、異常な値と判定される。ここで、正の値Ｎは、３以上であることが望ましい。
図７の（ｂ）の黒丸点は、状態量の実測値を示している。また、図７の（ｂ）では、状態量の推定値を実線で示し、当該推定値±３×（当該推定値の標準偏差）の範囲をドット（網掛け）で示している。
具体的に、判定部２４は、ステップＳ５において、予め設定された正の値Ｎを用いた以下に示す条件（１）を満たした場合に、現時刻における実際の状態量の情報を正常な値と判定する。一方、判定部２４は、以下に示す条件（１）を満たしていない場合に、現時刻における実際の状態量の情報を異常な値と判定する。
条件（１）は、状態量の推定値－Ｎ×（状態量の推定値の標準偏差）≦現時刻における実際の状態量の情報の値≦状態量の推定値＋Ｎ×（状態量の推定値の標準偏差）である。
例えば、図７の（ｂ）では、実測値Ｏ１は、推定値±３×（推定値の標準偏差）の範囲内に存在しているため、正常な値と判定される。一方、実測値Ｏ２は、推定値±３×（推定値の標準偏差）の範囲から外れているため、異常な値と判定される。ここで、正の値Ｎは、３以上であることが望ましい。
【0051】
現時刻におけるプロセス情報及び当該現時刻における実際の状態量の情報の双方が正常な値と判定された場合（ステップＳ５：Ｙｅｓ）には、モデル更新部２５は、ステップＳ５で正常な値と判定された現時刻におけるプロセス情報と当該現時刻における実際の状態量の情報とを組み合わせたデータを少なくとも用いて、学習済みモデルＭＤを更新（再学習）する（ステップＳ６：モデル更新ステップ）。この後、状態量推定装置２は、ステップＳ９に移行する。
【0052】
一方、現時刻におけるプロセス情報及び当該現時刻における実際の状態量の情報の少なくともいずれかが異常な値と判定された場合（ステップＳ５：Ｎｏ）には、表示制御部２６１は、ステップＳ５での当該判定結果と、ステップＳ５でそれぞれ判定された現時刻におけるプロセス情報及び当該現時刻における実際の状態量の情報とを表示装置３に表示させるとともに、学習済みモデルＭＤを更新するか否かの選択を促す（ステップＳ７：報知制御ステップ）。
【0053】
ステップＳ７の後、制御部２６は、ユーザによって入力部２１への学習済みモデルＭＤを更新する選択操作が行われたか否かを判断する（ステップＳ８）。
選択操作が行われたと判断された場合（ステップＳ８：Ｙｅｓ）には、状態量推定装置２は、ステップＳ６に移行し、ステップＳ５でそれぞれ判定された現時刻におけるプロセス情報及び当該現時刻における実際の状態量の情報を組み合わせたデータを少なくとも用いて学習済みモデルＭＤを更新する。
一方、選択操作が行われないと判断された場合（ステップＳ８：Ｎｏ）、すなわち、ユーザがステップＳ５でそれぞれ判定された現時刻におけるプロセス情報及び当該現時刻における実際の状態量の情報を組み合わせたデータを少なくとも用いた学習済みモデルＭＤの更新を望まなかった場合には、状態量推定装置２は、ステップＳ９に移行する。
選択操作が行われたと判断された場合（ステップＳ８：Ｙｅｓ）には、状態量推定装置２は、ステップＳ６に移行し、ステップＳ５でそれぞれ判定された現時刻におけるプロセス情報及び当該現時刻における実際の状態量の情報を組み合わせたデータを少なくとも用いて学習済みモデルＭＤを更新する。
一方、選択操作が行われないと判断された場合（ステップＳ８：Ｎｏ）、すなわち、ユーザがステップＳ５でそれぞれ判定された現時刻におけるプロセス情報及び当該現時刻における実際の状態量の情報を組み合わせたデータを少なくとも用いた学習済みモデルＭＤの更新を望まなかった場合には、状態量推定装置２は、ステップＳ９に移行する。
【0054】
現時刻における実際の状態量の情報が取得されなかったと判断された場合（ステップＳ４：Ｎｏ）、ステップＳ６の後、または、選択操作が行われないと判断された場合（ステップＳ８：Ｎｏ）には、表示制御部２６１は、ステップＳ２での推定処理による推定結果（状態量の推定値及び当該推定値の標準偏差等）と、学習済みモデルＭＤを更新したか否かを示すモデル更新結果とを表示装置３に表示させる（ステップＳ９）。
【0055】
以上説明した本実施の形態によれば、以下の効果を奏する。
図８及び図９は、実施の形態の効果を説明する図である。具体的に、図８及び図９は、推定値と状態量の実測値とを比較した例を示す図である。なお、図８及び図９において、状態量を縦軸とし、日付を横軸としている。また、図８及び図９において、状態量の実測値を黒丸点で示し、状態量の推定値を実線で示し、当該推定値±Ｎ×（当該推定値の標準偏差）の範囲をドット（網掛け）で示している。
図８及び図９は、実施の形態の効果を説明する図である。具体的に、図８及び図９は、推定値と状態量の実測値とを比較した例を示す図である。なお、図８及び図９において、状態量を縦軸とし、日付を横軸としている。また、図８及び図９において、状態量の実測値を黒丸点で示し、状態量の推定値を実線で示し、当該推定値±Ｎ×（当該推定値の標準偏差）の範囲をドット（網掛け）で示している。
【0056】
図８に示す第１例では、９月２日を境に状態量の推定値で構成される推定曲線Ｌ１の変動が激しくなっている。ここで、９月２日の実測値Ｏ（図８）は、人の記入ミスによる値であり、実際の値ではない。そして、図８に示す第１例では、実測値Ｏを含むデータを基に学習済みモデルＭＤを更新（再学習）したことにより、誤ったプロセス情報と状態量の情報との関係を学習してしまったことで、状態量の推定精度が低下している。これでは、推定値を信用することができず、実際の製造プロセスにおいて、品質管理に向けた対策を講じることはできない。
【0057】
図９に示す第２例は、図８に示す第１例と日付及び実測値が同じである。
本実施の形態に係る状態量推定装置２では、上述したように現時刻におけるプロセス情報と当該現時刻における実際の状態量とが正常な値であるか否かを判定する。すなわち、状態量推定装置２によれば、図８に示す９月２日の実測値Ｏを含むデータを学習済みモデルＭＤの更新（再学習）に用いるデータから外すことができる。このため、本実施の形態に係る状態量推定装置２では、当該状態量推定装置２で推定された状態量の推定値で構成される推定曲線Ｌ２（図９）を見て分かるように、高精度に状態量を推定することができる。この結果では、推定値を信用することができ、実際の製造プロセスにおいて、品質管理に向けた対策を講じることができる。
本実施の形態に係る状態量推定装置２では、上述したように現時刻におけるプロセス情報と当該現時刻における実際の状態量とが正常な値であるか否かを判定する。すなわち、状態量推定装置２によれば、図８に示す９月２日の実測値Ｏを含むデータを学習済みモデルＭＤの更新（再学習）に用いるデータから外すことができる。このため、本実施の形態に係る状態量推定装置２では、当該状態量推定装置２で推定された状態量の推定値で構成される推定曲線Ｌ２（図９）を見て分かるように、高精度に状態量を推定することができる。この結果では、推定値を信用することができ、実際の製造プロセスにおいて、品質管理に向けた対策を講じることができる。
【0058】
特に、本実施の形態に係る状態量推定装置２では、特許文献１に記載の技術のように学習済みモデルＭＤとは別に上述したような実測値Ｏを外れ値として検出するためのモデルを構築する必要がなく、運用コストが大きくなることがない。また、本実施の形態に係る状態量推定装置２では、上述した判定処理において状態量の推定値の標準偏差の大きさを考慮するため、学習済みモデルＭＤの更新に有用なデータであるか否かを高精度に判定し、状態量の推定に有効なデータの除去を回避することができる。
【0059】
ところで、判定処理にてそれぞれ判定された現時刻におけるプロセス情報及び当該現時刻における実際の状態量の情報の少なくともいずれかのデータが異常な値であっても、当該データが過去にない運転状態で、状態量の推定に重要である可能性も考えられる。当該データが状態量の推定に重要なデータであるか否かの判断については、状態量推定装置２では行うことができない。
ここで、本実施の形態に係る状態量推定装置２は、上述した判定処理による判定結果と、当該判定処理にてそれぞれ判定された現時刻におけるプロセス情報及び当該現時刻における実際の状態量の情報の少なくともいずれかのデータとを表示装置３に表示させるとともに、学習済みモデルＭＤを更新するか否かの選択を促す。そして、状態量推定装置２は、ユーザによって入力部２１への学習済みモデルＭＤを更新する選択操作が行われた場合に、当該判定処理にて判定された当該データを少なくとも用いて学習済みモデルＭＤを更新する。このため、上述した判断を人に任せることで、当該データを状態量の推定に重要なデータとして学習済みモデルＭＤの更新に用いることができ、状態量の推定精度を向上させることができる。
ここで、本実施の形態に係る状態量推定装置２は、上述した判定処理による判定結果と、当該判定処理にてそれぞれ判定された現時刻におけるプロセス情報及び当該現時刻における実際の状態量の情報の少なくともいずれかのデータとを表示装置３に表示させるとともに、学習済みモデルＭＤを更新するか否かの選択を促す。そして、状態量推定装置２は、ユーザによって入力部２１への学習済みモデルＭＤを更新する選択操作が行われた場合に、当該判定処理にて判定された当該データを少なくとも用いて学習済みモデルＭＤを更新する。このため、上述した判断を人に任せることで、当該データを状態量の推定に重要なデータとして学習済みモデルＭＤの更新に用いることができ、状態量の推定精度を向上させることができる。
【産業上の利用可能性】
【0060】
本発明の状態量推定装置、状態量推定方法、及び状態量推定プログラムは、連続的に観測可能なプロセス情報等の観測値を用いて、連続的に観測が困難な状態量の推定に利用することができる。
【符号の説明】
【0061】
１ 管理サーバー
２ 状態量推定装置
３ 表示装置
２１ 入力部
２２ データ取得部
２３ 推定部
２４ 判定部
２５ モデル更新部
２６ 制御部
２７ 記憶部
１００ 状態量推定システム
２５１ 入力部
２５２ 学習部
２５３ 制御部
２５４ 記憶部
２６１ 表示制御部
ＩＰ 入力パラメータ
ＩＰ１ グラフ
ＭＤ 学習済みモデル
Ｏ，Ｏ１，Ｏ２ 実測値
ＯＰ 出力パラメータ
ＯＰ１ グラフ
Ｐ 樹脂製造プロセス
２ 状態量推定装置
３ 表示装置
２１ 入力部
２２ データ取得部
２３ 推定部
２４ 判定部
２５ モデル更新部
２６ 制御部
２７ 記憶部
１００ 状態量推定システム
２５１ 入力部
２５２ 学習部
２５３ 制御部
２５４ 記憶部
２６１ 表示制御部
ＩＰ 入力パラメータ
ＩＰ１ グラフ
ＭＤ 学習済みモデル
Ｏ，Ｏ１，Ｏ２ 実測値
ＯＰ 出力パラメータ
ＯＰ１ グラフ
Ｐ 樹脂製造プロセス
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】