特開 2024-53819 情報処理装置、情報処理方法及び情報処理プログラム

(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】P2024053819

(43)【公開日】2024-04-16

(54)【発明の名称】情報処理装置、情報処理方法及び情報処理プログラム

(51)【国際特許分類】

   G05B 23/02 20060101AFI20240409BHJP

【ＦＩ】

G05B23/02 R

【審査請求】未請求

【請求項の数】8

【出願形態】ＯＬ

(21)【出願番号】P 2022160262

(22)【出願日】2022-10-04

(71)【出願人】

【識別番号】000005234

【氏名又は名称】富士電機株式会社

(74)【代理人】

【識別番号】110000176

【氏名又は名称】弁理士法人一色国際特許事務所

(72)【発明者】

【氏名】菅野 智司

【テーマコード（参考）】

3C223

【Ｆターム（参考）】

3C223AA05

3C223BA03

3C223EB02

3C223FF22

3C223FF26

3C223FF35

3C223GG01

3C223HH02

3C223HH22

(57)【要約】

【課題】学習モデルの運用時における学習モデルの信頼性を監視することが可能な情報処理装置を提供する。
【解決手段】所定の対象に設けられた第１センサの第１測定値を取得する第１取得部と、前記所定の対象に設けられ、前記第１センサとは異なる第２センサの第２測定値と、所定の学習モデルと、を用いて得られた前記第１センサの予測値を取得する第２取得部と、前記第１測定値に対する前記予測値の精度が悪化したか否かを判定する第１判定部と、前記予測値の精度が悪化したと判定された場合、前記予測値の精度が悪化したことを示す第１情報を出力する出力部と、を含む情報処理装置。
【選択図】図１３

【特許請求の範囲】

【請求項1】

所定の対象に設けられた第１センサの第１測定値を取得する第１取得部と、
前記所定の対象に設けられ、前記第１センサとは異なる第２センサの第２測定値と、所定の学習モデルと、を用いて得られた前記第１センサの予測値を取得する第２取得部と、
前記第１測定値に対する前記予測値の精度が悪化したか否かを判定する第１判定部と、
前記予測値の精度が悪化したと判定された場合、前記予測値の精度が悪化したことを示す第１情報を出力する出力部と、
を含む情報処理装置。

【請求項2】

請求項１に記載の情報処理装置であって、
前記予測値の精度が悪化したと判定された場合、前記学習モデルが生成された際に用いられた学習データのうち前記第２測定値に対応するデータと、前記第２測定値とに基づいて、前記データに異常があるか否かを判定する第２判定部を更に含む、
情報処理装置。

【請求項3】

請求項２に記載の情報処理装置であって、
前記出力部は、
前記データに異常があると判定された場合、新たな前記学習データに基づく前記学習モデルの生成を促す第２情報を出力する、
情報処理装置。

【請求項4】

請求項３に記載の情報処理装置であって、
前記予測値の精度が悪化したと判定された場合、前記予測値が所定範囲に含まれるか否かに基づいて、前記予測値に異常があるか否かを判定する第３判定部を更に含む、
情報処理装置。

【請求項5】

請求項４に記載の情報処理装置であって、
前記出力部は、
前記データに異常がないと判定され、かつ、前記予測値に異常があると判定された場合、前記学習モデルに異常があることを示す第３情報を出力する、
情報処理装置。

【請求項6】

請求項１～５のいずれか一に記載の情報処理装置であって、
前記所定の対象は、所定の物を製造するための製造設備であり、
前記出力部は、
前記予測値の精度が悪化したと判定された場合、前記物を製造するに際して設定された重要業績評価指標が悪化するおそれがあることを示す第４情報を出力する、
情報処理装置。

【請求項7】

情報処理装置が、
所定の対象に設けられた第１センサの第１測定値を取得するステップと、
前記所定の対象に設けられ、前記第１センサとは異なる第２センサの第２測定値と、所定の学習モデルと、を用いて得られた前記第１センサの予測値を取得するステップと、
前記第１測定値に対する前記予測値の精度が悪化したか否かを判定するステップと、
前記予測値の精度が悪化したと判定された場合、前記予測値の精度が悪化したことを示す第１情報を出力するステップと、
を含む情報処理方法。

【請求項8】

コンピュータに、
所定の対象に設けられた第１センサの第１測定値を取得する第１取得部と、
前記所定の対象に設けられ、前記第１センサとは異なる第２センサの第２測定値と、所定の学習モデルと、を用いて得られた前記第１センサの予測値を取得する第２取得部と、
前記第１測定値に対する前記予測値の精度が悪化したか否かを判定する第１判定部と、
前記予測値の精度が悪化したと判定された場合、前記予測値の精度が悪化したことを示す第１情報を出力する出力部と、
を実現させる情報処理プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置、情報処理方法及び情報処理プログラムに関する。

【背景技術】

【0002】

学習モデルを用いて、工場等の設備の異常診断を実行する技術が知られている。

【0003】

例えば特許文献１には、機械学習により生成された診断モデルと、診断対象の設備に備えられた振動センサからの振動データとを用いて、診断対象の設備の異常診断を実行する技術が開示されている。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特開２００４－２７９０５６号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

ところで、学習モデルの運用の段階において設備に例えば経時劣化等が生じると、学習モデルの信頼性が低下する場合がある。

【0006】

例えば、学習モデルを生成した際の学習データとして用いたセンサの測定値の範囲に対し、学習モデルの運用の段階におけるセンサの測定値の範囲にずれが生じ始めると、このような問題が生じる場合がある。

【0007】

しかしながら、特許文献１に記載された方法では、学習モデルの運用の段階における学習モデルの信頼性の低下については考慮されていない。

【0008】

本発明の目的は、学習モデルの運用時における学習モデルの信頼性を監視することが可能な情報処理装置を提供することである。

【課題を解決するための手段】

【0009】

上記目的を達成するための一の発明は、所定の対象に設けられた第１センサの第１測定値を取得する第１取得部と、前記所定の対象に設けられ、前記第１センサとは異なる第２センサの第２測定値と、所定の学習モデルと、を用いて得られた前記第１センサの予測値を取得する第２取得部と、前記第１測定値に対する前記予測値の精度が悪化したか否かを判定する第１判定部と、前記予測値の精度が悪化したと判定された場合、前記予測値の精度が悪化したことを示す第１情報を出力する出力部と、を含む情報処理装置である。本発明の他の特徴については、本明細書の記載により明らかにする。

【発明の効果】

【0010】

本発明によれば、学習モデルの運用時における学習モデルの信頼性を監視することが可能な情報処理装置を提供することが可能な情報処理装置を提供することができる。

【図面の簡単な説明】

【0011】

【図1】実施形態の制御システム２を説明する図である。

【図2】実施形態の支援装置５のハードウェア構成の一例を示す図である。

【図3】実施形態の支援装置５の機能ブロックを説明する図である。

【図4】実施形態の学習データの品質を評価する手法の一例を説明する図である。

【図5】実施形態の支援装置５が実行する処理を説明するフローチャートである。

【図6】実施形態の支援装置５が実行する処理を説明するフローチャートである。

【図7】予測装置３による炉内の温度の予測値と、温度センサによる炉内の温度の測定値との推移の一例を示す図である。

【図8】予測装置３による炉内の温度の予測値と、温度センサによる炉内の温度の測定値との推移の一例を示す図である。

【図9】実施形態の表示画面６０の一例である。

【図10】予測装置３による炉内の温度の予測値と、温度センサによる炉内の温度の測定値との推移の一例を示す図である。

【図11】実施形態の表示画面６１の一例である。

【図12】実施形態の表示画面６２の一例である。

【図13】実施形態の表示画面６３の一例である。

【図14】実施形態の表示画面６４の一例である。

【発明を実施するための形態】

【0012】

＝＝実施形態＝＝
＜＜制御システム２＞＞
図１は、本実施形態の制御システム２を説明する図である。この例における制御システム２は、製鉄所における高炉１を制御するためのシステムである。

【0013】

なお、高炉１は、「所定の対象」の一例である。「所定の対象」は高炉に限られず、所定の物を製造するための製造設備とすることができる。「所定の物」とは、鉄等の材料に限られず、例えば機械等の部品又は完成品等であってもよい。

【0014】

本実施形態では、高炉１には、圧力センサ１ａと、流量センサ１ｂと、温度センサ１ｃとが設けられている。圧力センサ１ａによる測定値及び流量センサ１ｂによる測定値は、制御システム２の予測装置３（後述）に出力される。温度センサ１ｃによる測定値は、制御システム２の支援装置５（後述）に出力される。

【0015】

詳細は後述するが、本実施形態では、圧力センサ１ａの測定周期と、流量センサ１ｂの測定周期とは等しい。しかし、温度センサ１ｃは圧力センサ１ａ及び流量センサ１ｂに比べて短い周期での測定が困難であることから、温度センサ１ｃの測定周期は圧力センサ１ａ及び流量センサ１ｂの測定周期に比べて長い。

【0016】

制御システム２は、予測装置３と、制御装置４と、支援装置５（「情報処理装置」に相当）とを含む。以下、それぞれについて説明する。

【0017】

＜予測装置３＞
予測装置３は、所定の学習モデルを用いて、炉内の温度をリアルタイムで予測する装置である。本実施形態の予測装置３は、高炉１に設けられた圧力センサ１ａの測定値と、流量センサ１ｂの測定値とを学習モデルに入力し、炉内の温度の予測値を出力として得る。

【0018】

ここで、予測装置３による温度の予測値は、温度センサ１ｃが設けられた炉内の位置における温度の予測値である。予測装置３による温度の予測値は、制御装置４及び支援装置５に出力される。

【0019】

＜制御装置４＞
制御装置４は、予測装置３による炉内の温度の予測値に基づいて、高炉１を制御する装置である。本実施形態では、制御装置４は、炉内の温度を一定に維持するよう高炉１を制御する。制御装置４は、例えば、熱風、燃料等を炉内に吹き込むための配管系統のバルブの開度等を制御する。

【0020】

なお、前述のように、温度センサ１ｃの測定周期は圧力センサ１ａ及び流量センサ１ｂの測定周期に比べて長い。このことは、温度センサ１ｃが炉内にプローブを挿入する操作が必要であるため測定が困難であり、測定に比較的長時間を要するためである。

【0021】

従って、制御装置４は、予測装置３による温度の予測値を用いることにより、温度センサ１ｃによる温度の測定値を用いる場合に比べて短い周期で温度のデータを取得することができる。これによって、制御装置４は、炉内の温度を精度良く制御することができる。

【0022】

しかしながら、高炉１に例えば経時劣化等が進むと、予測装置３が用いる学習モデルの信頼性が低下する場合がある。

【0023】

例えば、学習モデルを生成した際の学習データとして用いたセンサの測定値の範囲に対し、学習モデルの運用の段階におけるセンサの測定値の範囲にずれが生じ始めると、学習モデルの信頼性が低下する場合がある。

【0024】

このような場合、予測装置３による温度の予測値と、温度センサ１ｃによる温度の測定値との間にずれが生じる場合がある。このような場合、制御装置４は、炉内の温度を一定に維持する制御をすることが困難になる。

【0025】

以下で説明する支援装置５は、このような問題が生じることを利用者が事前に又は早期に把握して適切な処置を講じることができるよう、予測装置３が用いる学習モデルの信頼性を監視することが可能な装置である。

【0026】

＜支援装置５＞
支援装置５は、予測装置３が用いる学習モデルの信頼性を監視する装置である。また、支援装置５は、学習モデルの信頼性が低下している場合、又はその可能性がある場合等に、利用者に対してその旨の情報を提供する装置である。

【0027】

以下、支援装置５のハードウェア構成、機能ブロックの順で説明する。なお、以下の説明において、予測装置３による炉内の温度の予測値を、単に「温度の予測値」と称する場合がある。また、温度センサ１ｃによる炉内の温度の測定値を、単に「温度の測定値」と称する場合がある。

【0028】

・ハードウェア構成
図２は、支援装置５のハードウェア構成の一例を示す図である。例示する支援装置５は、プロセッサ５００、主記憶装置５０１、補助記憶装置５０２、入力装置５０３、表示装置５０４、及び通信装置５０５を備える。なお、例示する支援装置５は、その全部または一部が、例えば、クラウドシステムによって提供される仮想サーバのように、仮想化技術やプロセス空間分離技術等を用いて提供される仮想的な情報処理資源を用いて実現されるものであってもよい。また、支援装置５によって提供される機能の全部または一部は、例えば、クラウドシステムがＡＰＩ（Application Programming Interface）等を介して提供するサービスによって実現してもよい。

【0029】

プロセッサ５００は、例えば、ＣＰＵ（Central Processing Unit）等を用いて構成されている。

【0030】

主記憶装置５０１は、プログラムやデータを記憶する装置であり、例えば、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等である。

【0031】

補助記憶装置５０２は、例えば、ハードディスクドライブ、クラウドサーバの記憶領域等である。補助記憶装置５０２には、記録媒体の読取装置や通信装置５０５を介してプログラムやデータを読み込むことができる。補助記憶装置５０２に格納（記憶）されているプログラムやデータは主記憶装置５０１に随時読み込まれる。

【0032】

入力装置５０３は、外部からの入力を受け付けるインタフェースであり、例えば、キーボード、マウス、タッチパネル等である。

【0033】

表示装置５０４は、処理経過や処理結果等の各種情報を出力するインタフェースである。表示装置５０４は、上記の各種情報を可視化する液晶モニタ等の装置である。表示装置５０４には、更に、上記の各種情報を音声化する装置（音声出力装置（スピーカ等））、上記の各種情報を文字化する装置（印字装置等）が備えられてもよい。

【0034】

入力装置５０３及び表示装置５０４は、ユーザとの間で情報の受け付けや情報の提示を行うユーザインタフェースを構成する。

【0035】

通信装置５０５は、他の装置との間の通信を実現する装置である。通信装置５０５は、インターネット等の通信ネットワークＮＷを介して他の装置との間の通信を実現する、有線方式または無線方式の通信インタフェースである。

【0036】

支援装置５には、例えば、オペレーティングシステム、ファイルシステム等が導入されていてもよい。

【0037】

支援装置５が含む各機能は、支援装置５のプロセッサ５００が、主記憶装置５０１に格納されているプログラムを読み出して実行することにより、もしくは、支援装置５を構成するハードウェアによって実現される。支援装置５は、各種の情報（データ）を、例えば、データベースのテーブルやファイルシステムが管理するファイルとして記憶する。

【0038】

・機能ブロック
図３は、本実施形態の支援装置５の機能ブロックを説明する図である。支援装置５は、取得部５１０，５１１と、評価部５１２，５１５と、判定部５１３，５１４，５１６と、出力部５１７と、制御部５１８とを含む。

【0039】

［取得部５１０］
取得部５１０（「第１取得部」に相当）は、高炉１に設けられた温度センサ１ｃによる温度の測定値を取得する。

【0040】

なお、温度センサ１ｃは、「第１センサ」の一例である。「第１センサ」は、予測装置３が出力する予測値に対応する測定値を測定するためのセンサである。また、「第１センサ」の測定値は、「第１測定値」に相当する。

【0041】

［取得部５１１］
取得部５１１（「第２取得部」に相当）は、圧力センサ１ａ及び流量センサ１ｂの測定値と、所定の学習モデルと、を用いて得られた温度センサ１ｃの予測値を取得する。

【0042】

ここで、「温度センサ１ｃの予測値」とは、前述の予測装置３による予測値である。また、「所定の学習モデル」とは、予測装置３が用いる学習モデルであって、予め生成されている。

【0043】

なお、圧力センサ１ａ及び流量センサ１ｂは、「第２センサ」の一例である。「第２センサ」は、「第１センサ」とは異なるセンサであり、予測装置３の入力となる測定値を測定するためのセンサである。また、「第２センサ」の測定値は、「第２測定値」に相当する。

【0044】

［評価部５１２］
評価部５１２は、温度の予測値の精度を評価する。ここで、「温度の予測値の精度」とは、取得部５１０が取得した温度の測定値に対する、取得部５１１が取得した温度の予測値の精度である。つまり、温度の予測値の精度は、温度の測定値と、温度の予測値との差の絶対値を、温度の測定値で除した値である。

【0045】

［判定部５１３］
判定部５１３（「第１判定部」に相当）は、温度の測定値に対する温度の予測値の精度が悪化したか否かを判定する。具体的には、判定部５１３は、温度の予測値の精度が所定値よりも大きい場合に、温度の予測値の精度が悪化したと判定する。

【0046】

［判定部５１４］
判定部５１４（「第３判定部」に相当）は、温度の予測値が所定範囲に含まれるか否かに基づいて、温度の予測値に異常があるか否かを判定する。

【0047】

つまり、判定部５１４は、温度の予測値の絶対値に基づいて、温度の予測値に異常があるか否かを判定する。ここでの「所定範囲」とは、温度の目標値を中心として所定値以内の範囲とする。

【0048】

なお、本実施形態では、判定部５１４は、判定部５１３によって温度の予測値の精度が悪化したと判定された場合に、上記の処理を実行する。

【0049】

［評価部５１５］
評価部５１５は、学習モデルが生成された際に用いられた学習データのうち入力データ（圧力センサ１ａ及び流量センサ１ｂの測定値に対応するデータ）と、圧力センサ１ａ及び流量センサ１ｂの測定値とに基づいて、学習データの品質を評価する。

【0050】

評価部５１５が学習データの品質を評価する手法は、幾つか考えられるが、それらの具体的な説明は後述する。

【0051】

［判定部５１６］
判定部５１６（「第２判定部」に相当）は、学習モデルが生成された際に用いられた学習データのうち入力データ（圧力センサ１ａ及び流量センサ１ｂの測定値に対応するデータ）と、圧力センサ１ａ及び流量センサ１ｂの測定値とに基づいて、入力データに異常があるか否かを判定する。

【0052】

なお、本実施形態では、判定部５１６は、判定部５１３によって温度の予測値の精度が悪化したと判定された場合に、上記の処理を実行する。

【0053】

［出力部５１７］
出力部５１７は、判定部５１３，５１４，５１６の判定結果に応じて、以下に示す各種の情報を表示装置５０４に出力する。以下では概要を説明することとし、詳細については後のフローチャートを用いた説明で述べる。

【0054】

出力部５１７は、判定部５１３によって温度の予測値の精度が悪化したと判定された場合に、温度の予測値の精度が悪化したことを示す情報（「第１情報」に相当）を出力する。

【0055】

出力部５１７は、更に、この場合に、重要業績評価指標（ＫＰＩ：Ｋｅｙ Ｐｅｒｆｏｒｍａｎｃｅ Ｉｎｄｉｃａｔｏｒ）が悪化するおそれがあることを示す情報（「第４情報」に相当）を出力する。

【0056】

ＫＰＩとは、物を製造するに際して予め設定された指標である。本実施形態では、ＫＰＩは、高炉１を運用するための燃料コストとして予め定められている。

【0057】

出力部５１７は、判定部５１６によって入力データに異常があると判定された場合に、新たな学習データに基づく学習モデルの生成を促す情報（「第２情報」に相当）を出力する。

【0058】

出力部５１７は、判定部５１６によって入力データに異常がないと判定され、かつ、判定部５１４によって温度の予測値に異常があると判定された場合に、学習モデルに異常があることを示す情報（「第３情報」に相当）を出力する。

【0059】

［制御部５１８］
制御部５１８は、支援装置５の上述した各機能を統括制御する。

【0060】

＜評価部５１５が学習データの品質を評価する手法＞
前述の評価部５１５が、学習データの品質を評価する手法の幾つかの具体的例を説明する。

【0061】

なお、本実施形態の学習データは、圧力センサ１ａの測定値と、流量センサ１ｂの測定値と、温度センサ１ｃの測定値とを含む。学習データのうち、圧力センサ１ａによる測定値と、流量センサ１ｂによる測定値とを、「入力データ」と称する。

【0062】

また、学習モデルの運用時における圧力センサ１ａ及び流量センサ１ｂの測定値を「実測データ」と称する。

【0063】

以下、学習データの品質を評価する手法の例として方法１～４を示すが、本実施形態にいては、方法１を持ちることとする。

【0064】

［方法１］
方法１においては、入力データと、実測データとのそれぞれが分布する範囲に基づいて、学習データの品質を評価する。入力データと、実測データとのそれぞれが分布する範囲の重複が大きいほど学習データの品質は良く、重複が小さいほど学習データの品質は悪くなると考えられる。

【0065】

方法１における評価指標は、入力データと、実測データとのそれぞれが分布する範囲の重複が大きいほど品質は良く、重複が小さいほど品質は悪くなる指標とする。

【0066】

図４は、学習データの品質を評価する手法のうち方法１を説明する図である。この図において、横軸は圧力Ｐ、縦軸は流量Ｆのデータ空間が示されている。また、白丸で複数の入力データの散布図、黒丸で複数の測定データの散布図を示している。

【0067】

更に、複数の入力データの重心（ＣＭ１）及び複数の測定データの重心（ＣＭ２）がバツ印で示されている。

【0068】

本実施形態では、重心（ＣＭ１）と、複数の測定データの重心（ＣＭ２）との間の距離Ｌを評価指標とする。距離Ｌが長いほど、入力データと、実測データとのそれぞれが分布する範囲の重複が小さくなるため、学習データの品質は悪くなると考えられる。

【0069】

なお、距離Ｌに加えて、圧力及び流量を示すデータ空間における入力データの重心からの分散と、実測データの重心からの分散との比を更に評価指標としてもよい。

【0070】

［方法２］
方法２においては、圧力及び流量を示すデータ空間における一の測定データの位置から所定距離内に存在する入力データの数に基づいて、学習データの品質を評価する。データ空間において、それぞれの測定データの周辺において入力データの分布が疎であるほど、学習データの品質が悪くなると考えられる。

【0071】

方法２における評価指標は、データ空間において、それぞれの測定データの周辺において入力データの分布が疎であるほど、品質が悪くなる評価指標とする。

【0072】

一例として、複数の測定データのうち、データ空間における測定データの位置から所定距離内に存在する入力データの数が所定数以上である測定データの割合を評価指標とする。

【0073】

［方法３］
方法３においては、入力データの数に基づいて、学習データの品質を評価する。入力データの数が少ないほど、学習データの品質は悪くなると考えられる。

【0074】

方法３における評価指標は、入力データの数が少ないほど品質が悪くなる指標とする。具体的には、入力データの数そのものを評価指標としてもよい。

【0075】

［方法４］
方法４においては、入力データの均一性に基づいて、学習データの品質を評価する。入力データの均一性が低いほど、学習データの品質は悪くなると考えられる。

【0076】

方法４における評価指標は、データ空間の所定の領域内において、入力データが最も密な位置の密度と、入力データが最も疎な位置の密度の比を評価指標としてもよい。

【0077】

＜支援装置５が実行する処理＞
支援装置５が実行する処理について、図面を用いて説明する。図５及び図６は、支援装置５が実行する処理を説明するフローチャートである。この処理は、ステップＳ１００～ステップＳ１１３を含んでいる。

【0078】

図７は、予測装置３による炉内の温度の予測値と、温度センサ１ｃによる炉内の温度の測定値との推移の一例を示す図であって、横軸は時間ｔ、縦軸は温度Ｔである。この図において、白丸は温度の予測値、黒丸は温度の測定値を示している。

【0079】

この例では、予測装置３は、暦日の０：００から１時間おきに炉内の温度を予測する。つまり、予測装置３は、圧力センサ１ａ及び流量センサ１ｂから１時間おきに測定値を取得し、所定の学習モデルを用いて温度の予測値を出力する。また、温度センサ１ｃは、１暦日の０：００から４時間おきに炉内の温度を測定する。

【0080】

この例では、炉内の温度の目標値を２０００℃とする。図７には、補助線として、縦軸の２０００℃が破線で示されている。更に、補助線として、縦軸の２１００℃及び１９００℃が点線で示されている。

【0081】

図７は、暦日の１４：００までの温度の予測値及び温度の測定値を示している。以下の説明では、支援装置５が１４：００以降に実行する処理を例示しながら説明する。

【0082】

制御部５１８は、現在時刻を常時監視する。図５のステップＳ１００において、予測装置３が温度を予測する時刻になるまで待機する（ステップＳ１００：Ｎ）。

【0083】

ステップＳ１００において、現在時刻が１４：００になると、予測装置３が温度を予測する時刻であることから（図７）、ステップＳ１０１に進む（Ｓ１００：Ｙ）。

【0084】

次いで、ステップＳ１０１において、取得部５１１は、予測装置３から１４：００における温度の予測値を取得する。

【0085】

次いで、ステップＳ１０２において、制御部５１８は、現在時刻は温度センサ１ｃが炉内温度を測定する時刻であるか否かを判定する。この例では、現在時刻である１４：００は、温度センサ１ｃが炉内温度を測定する時刻ではないため（図７）、ステップＳ１００に戻る（Ｓ１０２：Ｎ）。

【0086】

次いで、１４：００後は、ステップＳ１００から処理を再開する。そして、１６：００になり、再度ステップＳ１０２からの処理を実行するとして説明する。

【0087】

図８は、図７と同様の予測値及び測定値の推移であり、１６：００までの予測値及び測定値を示している。

【0088】

ステップＳ１０２において、現在時刻である１６：００は、温度センサ１ｃが温度を測定する時刻であることから（図８）、ステップＳ１０３に進む（Ｓ１０２：Ｙ）。

【0089】

次いで、ステップＳ１０３において、取得部５１０は、温度センサ１ｃから１６：００における温度の測定値を取得する。

【0090】

次いで、ステップＳ１０４において、評価部５１２は、温度の予測値の精度を評価する。ここで、温度の予測値の精度とは、ステップＳ１０３で取得された温度の測定値に対する、ステップＳ１０１で取得された温度の予測値の精度である。

【0091】

前述のように、温度の予測値の精度は、温度の測定値と、温度の予測値との差の絶対値を、温度の測定値で除した値である。

【0092】

図８の例では、１６：００において温度の予測値は２０１０℃であり、温度の測定値は１９１０℃である。この場合、評価部５１２は、１６：００における温度の予測値の精度は５．２３％であると評価する。

【0093】

次いで、ステップＳ１０５において、判定部５１３は、ステップＳ１０４で評価された温度の予測値の精度に基づいて、予測値の精度が悪化したか否かを判定する。

【0094】

具体的には、判定部５１３は、温度の予測値の精度が５％よりも大きい場合に、温度の予測値の精度が悪化したと判定する。

【0095】

ステップＳ１０５において、判定部５１３が予測値の精度が悪化していないと判定すると（Ｓ１０５：Ｎ）、ステップＳ１００に戻る。また、判定部５１３が予測値の精度が悪化したと判定すると（Ｓ１０５：Ｙ）、ステップＳ１０６に進む。

【0096】

図８の例では、１６：００における予測値の精度は５．２３％であるため、判定部５１３は、予測値の精度が悪化したと判定する（Ｓ１０５：Ｙ）。

【0097】

次いで、ステップＳ１０６において、出力部５１７は、温度の予測値の精度が悪化したことを示す情報を表示装置５０４に出力し、これに応じて表示装置５０４は、その旨の情報を表示する。

【0098】

図９は、ステップＳ１０６で表示装置５０４に表示される画面６０の一例である。画面６０には、時刻情報６０ａ、目標温度６０ｂ、予測温度６０ｃ（「温度の予測値」に対応する）及び測定温度６０ｄ（「温度の測定値」に対応する）が表示されている。

【0099】

画面６０には更に、温度の予測値の精度が悪化したことを示す情報６０ｅとして、「予測精度が悪化しています（誤差：５．２３％）」といった警告のためのメッセージが表示されている。なお、画面６０に更に表示されている情報６０ｆについては後述する。

【0100】

次いで、ステップＳ１０７において、出力部５１７は、ＫＰＩが悪化するおそれがあることを示す情報を表示装置５０４に出力し、これに応じて表示装置５０４は、その旨の情報を表示する。

【0101】

図９の画面６０には、ＫＰＩが悪化するおそれがあることを示す情報６０ｆとして、「燃料コストが増加するおそれがあります」といった警告のためのメッセージが更に表示されている。

【0102】

次いで、ステップＳ１０８において、判定部５１４は、温度の予測値が所定範囲に含まれるか否かに基づいて、温度の予測値に異常があるか否かを判定する。

【0103】

ここでの「所定範囲」は、本実施形態では、温度の目標値である２０００℃から５％以内の範囲とする。つまり、所定範囲は、１９００℃以上２１００℃以下の範囲である。判定部５１４は、温度の予測値がこの範囲に含まれる場合に予測値は正常と判定し、温度の予測値がこの範囲の外である場合に予測値は異常と判定する。

【0104】

図８の例では、現在時刻である１６：００において予測値が１９００℃以上２１００℃以下（２０１０℃）であるため、評価部５１５は、温度の予測値は異常でないと評価し（Ｓ１０８：Ｎ）、ステップＳ１００に戻る。

【0105】

次いで、１６：００後は、ステップＳ１００から処理を再開する。そして、２０：００になり、再度ステップＳ１０５からの処理を実行するとして説明する。

【0106】

図１０は、図７及び図８と同様の温度の予測値及び温度の測定値の推移であり、２０：００までの温度の予測値及び温度の測定値を示している。

【0107】

２０：００においても、ステップＳ１０５において予測精度が悪化したと判定されるため（Ｓ１０５：Ｙ）、ステップＳ１０６及びステップＳ１０７において、図１１に示す画面６１が表示される。

【0108】

図１１の画面６１は、図９の画面６０とほぼ同様であるが、時刻情報６０ａ、目標温度６０ｂ、予測温度６０ｃ及び測定温度６０ｄがそれぞれ示す値が異なっている。

【0109】

次いで、ステップＳ１０８において、判定部５１４は、温度の予測値が１９００℃以上２１００℃以下の範囲内に含まれる場合に予測値は正常と判定し、温度の予測値がこの範囲の外である場合に予測値は異常と判定する。

【0110】

図１０の例では、２０：００において予測値が２１００℃より高い（２１７０℃）ため、判定部５１４は、温度の予測値は異常であると判定する（Ｓ１０８：Ｙ）。

【0111】

次いで、ステップＳ１０９において、出力部５１７は、温度の予測値に異常があることを示す情報を表示装置５０４に出力し、これに応じて表示装置５０４は、予測値に異常があることを示す情報を表示する。

【0112】

図１２は、ステップＳ１０９で表示装置５０４に表示される画面６２の一例である。画面６２には、時刻情報６０ａ、目標温度６０ｂ、予測温度６０ｃ及び測定温度６０ｄが表示されている。

【0113】

画面６２には更に、予測値に異常があることを示す情報６２ａとして、「予測温度に異常があります」及び「詳細：予測温度が許容範囲を超えています」といった警告のためのメッセージが表示されている。

【0114】

次いで、ステップＳ１１０において、評価部５１５は、学習モデルが生成された際に用いられた学習データのうち温度の測定値に対応するデータと、ステップＳ１０２において取得された温度の測定値とに基づいて、学習データの品質を評価する。

【0115】

評価部５１５が学習データの品質を評価する方法として、上述の方法１を用いる。

【0116】

次いで、ステップＳ１１１において、判定部５１６は、ステップＳ１１０における評価部５１５の評価結果に基づいて、学習データの品質が異常であるか否かを判定する。

【0117】

ステップＳ１１１において、学習データの品質が異常であると判定されると（Ｓ１１１：Ｙ）、ステップＳ１１２に進む。なお、このような判定がされた場合、学習データのうち入力データに異常があるために学習モデルの信頼性が低下しているおそれがある。

【0118】

ステップＳ１１２において、出力部５１７は、新たな学習データに基づく学習モデルの生成を促す情報を表示装置５０４に出力し、これに応じて表示装置５０４はその旨の情報を表示する。

【0119】

図１３は、新たな学習データに基づく学習モデルの生成を促す情報を表示する画面６３の一例である。画面６３には、時刻情報６０ａ、目標温度６０ｂ、予測温度６０ｃ及び測定温度６０ｄが表示されている。

【0120】

画面６３には更に、新たな学習データに基づく学習モデルの生成を促す情報６３ａとして、「学習データに異常があります」及び「新たな学習データを用いて再学習することを推奨します」といったメッセージが表示されている。

【0121】

一方、ステップＳ１１１において、学習データの品質は異常でないと判定されると（Ｓ１１１：Ｎ）、ステップＳ１１３に進む。なお、このような判定がされた場合、学習モデルに異常があるために学習モデルの信頼性が低下しているおそれがある。

【0122】

ステップＳ１１３において、出力部５１７は、学習モデルに異常があることを示す情報を表示装置５０４に出力し、これに応じて表示装置５０４はその旨の情報を表示する。

【0123】

図１４は、学習モデルに異常があることを示す情報を表示する画面６４の一例である。画面６４には、時刻情報６０ａ、目標温度６０ｂ、予測温度６０ｃ及び測定温度６０ｄが表示されている。

【0124】

画面６４には更に、新たな学習データに基づく学習モデルの生成を促す情報６４ａとして、「学習データに異常は見つかりません」及び「学習モデルに異常があるおそれがあります」といったメッセージが表示されている。

【0125】

ステップＳ１１２及びステップＳ１１３が終了すると、ステップＳ１００に戻る。支援装置５は、以上説明した処理により、温度の予測値及び温度の測定値を常時監視する。以上説明した処理によれば、学習モデルの信頼性を監視することが可能となる。

【0126】

＝＝まとめ＝＝
以上、実施形態の支援装置５は、所定の対象に設けられた第１センサの第１測定値を取得する取得部５１０と、所定の対象に設けられ、第１センサとは異なる第２センサの第２測定値と、所定の学習モデルと、を用いて得られた第１センサの予測値を取得する取得部５１１と、第１測定値に対する予測値の精度が悪化したか否かを判定する判定部５１３と、予測値の精度が悪化したと判定された場合、予測値の精度が悪化したことを示す第１情報を出力する出力部５１７と、を含む。

【0127】

このような構成によれば、利用者は、学習モデルの運用時における学習データの品質を監視することが可能となる。

【0128】

実施形態の支援装置５は、予測値の精度が悪化したと判定された場合、学習モデルが生成された際に用いられた学習データのうち第２測定値に対応するデータと、第２測定値とに基づいて、データに異常があるか否かを判定する判定部５１６を更に含む。このような構成によれば、利用者は、予測値の精度が悪化した原因が、学習データのうち第２測定値に対応するデータに起因するものであるか否かを特定することができる。

【0129】

実施形態の支援装置５において、出力部５１７は、データに異常があると判定された場合、新たな学習データに基づく学習モデルの生成を促す第２情報を出力する。このような構成によれば、利用者は、予測値の制動が悪化した原因が、学習データのうち第２測定値に対応するデータに起因するものであることを特定することができる。更に、利用者は、新たな学習データに基づく学習モデルの再生成により、学習モデルの信頼性が向上することを理解できる。

【0130】

実施形態の支援装置５は、予測値の精度が悪化したと判定された場合、予測値が所定範囲に含まれるか否かに基づいて、予測値に異常があるか否かを判定する判定部５１４を更に含む。このような構成によれば、利用者は、予測値の精度が悪化した原因が、学習データのうち第２測定値に対応するデータに起因するものである、学習モデルに起因するものであるかのであると理解することができる。

【0131】

実施形態の支援装置５において、出力部５１７は、データに異常がないと判定され、かつ、予測値に異常があると判定された場合、学習モデルに異常があることを示す第３情報を出力する。このような構成によれば、利用者は、予測値の精度が悪化した原因が、学習モデルに起因するものであることを理解することができる。

【0132】

実施形態の支援装置５において、所定の対象は、所定の物を製造するための製造設備であり、出力部５１７は、予測値の精度が悪化したと判定された場合、物を製造するに際して設定された重要業績評価指標が悪化するおそれがあることを示す第４情報を出力する。このような構成によれば、利用者は、重要業績評価指標が悪化する前に対策を講じることができる。

【0133】

実施形態の情報処理方法は、情報処理装置が、所定の対象に設けられた第１センサの第１測定値を取得するステップと、所定の対象に設けられ、第１センサとは異なる第２センサの第２測定値と、所定の学習モデルと、を用いて得られた前記第１センサの予測値を取得するステップと、前記第１測定値に対する前記予測値の精度が悪化したか否かを判定するステップと、前記予測値の精度が悪化したと判定された場合、前記予測値の精度が悪化したことを示す第１情報を出力するステップと、を含む。

【0134】

このような方法によれば、利用者は、学習モデルの運用時における学習データの品質を監視することが可能となる。

【0135】

実施形態の情報処理プログラムは、コンピュータに、所定の対象に設けられた第１センサの第１測定値を取得する取得部５１０と、前記所定の対象に設けられ、前記第１センサとは異なる第２センサの第２測定値と、所定の学習モデルと、を用いて得られた前記第１センサの予測値を取得する取得部５１１と、前記第１測定値に対する前記予測値の精度が悪化したか否かを判定する判定部５１３と、前記予測値の精度が悪化したと判定された場合、前記予測値の精度が悪化したことを示す第１情報を出力する出力部５１７と、を実現させる。

【0136】

このようなプログラムによれば、利用者は、学習モデルの運用時における学習データの品質を監視することが可能となる。

【0137】

上記の実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。また、本発明は、その趣旨を逸脱することなく、変更や改良され得るとともに、本発明にはその等価物が含まれるのはいうまでもない。

【0138】

例えば、上記の実施形態では、高炉１を制御するための制御システム２における支援装置５を例示したが、高炉１等の物を製造するための製造設備に限られるものではない。

【0139】

他の例として、実施形態の支援装置５は、学習モデルを用いて電力等の需要予測、気象予測等を実行する装置の利用を支援する場合にも適用することができる。つまり、この場合、支援装置５は、需要予測や気象予測を実行するための学習モデルの信頼性を監視するための装置としても適用することができる。

【符号の説明】

【0140】

１ 高炉
１ａ 圧力センサ
１ｂ 流量センサ
１ｃ 温度センサ
２ 制御システム
３ 予測装置
４ 制御装置
５ 支援装置
５００ プロセッサ
５０１ 主記憶装置
５０２ 補助記憶装置
５０３ 入力装置
５０４ 表示装置
５０５ 通信装置
５１０ 取得部
５１１ 取得部
５１２ 評価部
５１３ 判定部
５１４ 判定部
５１５ 評価部
５１６ 判定部
５１７ 出力部
５１８ 制御部

【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】