特開 2024-7873 情報処理装置、推論モデルの生成方法、教師データの生成方法、推論モデル生成プログラム、および教師データ生成プログラム

(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】P2024007873

(43)【公開日】2024-01-19

(54)【発明の名称】情報処理装置、推論モデルの生成方法、教師データの生成方法、推論モデル生成プログラム、および教師データ生成プログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20240112BHJP

【ＦＩ】

G06N20/00 130

【審査請求】未請求

【請求項の数】9

【出願形態】ＯＬ

(21)【出願番号】P 2022109243

(22)【出願日】2022-07-06

(71)【出願人】

【識別番号】000005119

【氏名又は名称】日立造船株式会社

(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】林 翔太

(72)【発明者】

【氏名】白石 裕司

(57)【要約】

【課題】汎用性の高い推論モデルの生成を可能にする。
【解決手段】情報処理装置（２）は、複数の施設のそれぞれで収集されたデータに基づく複数の時系列データを連結して擬似的時系列データを生成するデータ連結部（２０４）と、前記擬似的時系列データに対して標準化処理を施して教師データとする教師データ生成部（２０５）と、前記教師データを用いた機械学習により推論モデルを生成する学習部（２０６）と、を備える。
【選択図】図１

【特許請求の範囲】

【請求項1】

複数の対象のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結部と、
前記擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成部と、
前記教師データを用いた機械学習により推論モデルを生成する学習部と、を備える情報処理装置。

【請求項2】

前記データ連結部は、複数の前記時系列データに一連の順序を示す順序情報を付与することにより複数の前記時系列データを連結する、請求項１に記載の情報処理装置。

【請求項3】

前記データ連結部は、複数の前記時系列データにおける連結部分の数値の不連続性を軽減する処理を実施した上で連結を行う、請求項１または２に記載の情報処理装置。

【請求項4】

前記対象について測定された測定値と当該測定値に対応する設定値とから、当該測定値と当該設定値との差または比を要素とする前記時系列データを、複数の前記対象のそれぞれについて生成する時系列データ生成部を備える、請求項１または２に記載の情報処理装置。

【請求項5】

複数の対象のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結部と、
前記擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成部と、を備える情報処理装置。

【請求項6】

１または複数の情報処理装置が実行する推論モデルの生成方法であって、
複数の対象のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結ステップと、
前記擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成ステップと、
前記教師データを用いた機械学習により推論モデルを生成する学習ステップと、を含む推論モデルの生成方法。

【請求項7】

１または複数の情報処理装置が実行する教師データの生成方法であって、
複数の対象のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結ステップと、
前記擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成ステップと、を含む教師データの生成方法。

【請求項8】

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論モデル生成プログラムであって、前記データ連結部、前記教師データ生成部、および前記学習部としてコンピュータを機能させるための推論モデル生成プログラム。

【請求項9】

請求項５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教師データ生成プログラムであって、前記データ連結部および前記教師データ生成部としてコンピュータを機能させるための教師データ生成プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、推論モデルを生成する情報処理装置等に関する。

【背景技術】

【0002】

機械学習により推論モデルを生成する技術が従来から知られている。例えば、下記の特許文献１には、プラントで取得された複数のプラントデータから当該プラントで発生した事象の種別を推論するニューラルネットワークモデルが開示されている。なお、上記「複数のプラントデータ」とは、１つのプラントで収集された時系列のデータである。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特許第３００２５２４号

【発明の概要】

【発明が解決しようとする課題】

【0004】

上述のような従来技術には推論モデルの汎用性という点で改善の余地がある。すなわち、特許文献１の技術では、対象となるプラントにおいて収集されたプラントデータを用いて機械学習を行う。このような学習により生成された推論モデルでは、そのプラントにおいて収集されたプラントデータから当該プラントで発生した事象の種別を高精度に推論することが可能である。しかし、当該推論モデルでは、他のプラントで収集されたプラントデータから当該他のプラントで発生した事象の種別を推論することはできないか、あるいは推論できたとしてもその精度は低いものとなってしまう。

【0005】

本発明の一態様は、汎用性の高い推論モデルの生成を可能にする情報処理装置等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】

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、複数の対象のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結部と、前記擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成部と、前記教師データを用いた機械学習により推論モデルを生成する学習部と、を備える。

【0007】

また、本発明の一態様に係る他の情報処理装置は、上記の課題を解決するために、複数の対象のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結部と、前記擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成部と、を備える。

【0008】

また、本発明の一態様に係る推論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が実行する推論モデルの生成方法であって、複数の対象のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結ステップと、前記擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成ステップと、前記教師データを用いた機械学習により推論モデルを生成する学習ステップと、を含む。

【0009】

また、本発明の一態様に係る教師データの生成方法は、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が実行する教師データの生成方法であって、複数の対象のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結ステップと、前記擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成ステップと、を含む。

【発明の効果】

【0010】

本発明の一態様によれば、汎用性の高い推論モデルを生成することが可能になる。

【図面の簡単な説明】

【0011】

【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】上記情報処理装置を含む情報処理システムの構成を示す図である。

【図3】連結対象の決定例を示す図である。

【図4】時系列データの生成例を示す図である。

【図5】擬似的時系列データおよび教師データの生成例を示す図である。

【図6】上記情報処理装置が推論モデルを生成する際の処理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】

【0012】

（システム構成）
図２は、本実施形態に係る情報処理システム５の構成を示す図である。図示のように、情報処理システム５には、情報処理装置１Ａ～１Ｄと情報処理装置２とが含まれている。詳細は以下説明するが、情報処理システム５によれば、出所が異なる複数の時系列データを利用して推論モデルを生成することができる。そして、情報処理システム５によって生成される推論モデルは、単一の出所の時系列データを教師データとして生成された推論モデルと比べて汎用性の高い推論モデルとなる。

【0013】

情報処理装置１Ａ～１Ｄは、上述の推論モデルを生成するための教師データの元になる時系列データを収集する装置であり、施設Ａ～Ｄにそれぞれ配置されている。以下では、情報処理装置１Ａ～１Ｄのそれぞれを区別する必要がないときには、単に「情報処理装置１」と表記する。

【0014】

施設Ａ～Ｄは、少なくとも１つの機器を備えたものであればよい。例えば、施設Ａ～Ｄは、複数の機器を備えたプラントであってもよい。ここで「プラント」とは、産業的に使用される設備であり、複数の機器を備えており、それらの機器により製品の生産あるいは対象物の処理といった所定の処理を行うものである。

【0015】

以下では、施設Ａ～Ｄが、廃棄物（例えば可燃ごみ）を焼却し、その排熱を利用して発電を行う廃棄物処理施設である例を説明する。この場合、情報処理装置１Ａは、施設Ａにおける廃棄物の焼却や発電に関する時系列データを収集する。同様に、情報処理装置１Ｂ～１Ｄは、施設Ｂ～Ｄにおける廃棄物の焼却や発電に関する時系列データを収集する。

【0016】

時系列データは、推論モデルを生成するための教師データの元になるものであればよく、推論内容等に応じたものとすればよい。例えば、焼却炉の燃焼状態を予測する推論モデルを生成する場合、焼却炉の燃焼状態に関連する各種の時系列データを収集すればよい。具体例を挙げれば、炉内温度の時系列の測定値や、ボイラにおける発生蒸気量の時系列の測定値といった、自動燃焼制御（ＡＣＣ：Automatic Combustion Control）に関わる時系列のセンシングデータを時系列データとして収集してもよい。

【0017】

情報処理装置２は、情報処理装置１Ａ～１Ｄにより収集される時系列データを連結して１つの時系列データを生成する。そして、情報処理装置２は、連結した時系列データに対して標準化処理または正規化処理を施して教師データとすると共に、当該教師データを用いた機械学習により推論モデルを生成する。

【0018】

このようにして生成された推論モデルは、単一の出所の時系列データを教師データとする場合と比べて汎用性の高いものとなる。例えば、施設Ａ～Ｄを出所とする各時系列データから生成された教師データを用いて生成された推論モデルは、施設Ａ～Ｄの何れにおける推論にも利用できる上、同種の施設であれば施設Ａ～Ｄ以外の施設における推論にも利用できる。このように、情報処理装置２による推論モデルの生成においては、推論の対象となる施設で収集されたデータを必ずしも必要としないため、例えば新規施設が建設された場合に、その稼働開始直後から当該推論モデルを使用することも可能である。また、必ずしも情報処理装置１Ａ～１Ｄの全てが教師データの元になる時系列データを収集する必要もない。例えば、施設Ａ～Ｃからは教師データの元になる時系列データを収集する一方、施設Ｄからは教師データの元になる時系列データを収集せずに推論モデルを生成することもできる。そして、この推論モデルは、施設Ｄにおける推論にも利用可能である。

【0019】

また、一般に、十分な推定精度の推定モデルを生成するためには、十分な数の教師データが必要となり、各施設におけるデータの収集期間も長期化しがちである。この点、情報処理システム５では複数の施設で収集された時系列データから教師データを生成するので、短期間で必要な数の教師データを揃えて速やかに推論モデルを生成することができる。

【0020】

なお、連結する時系列データは、それぞれ異なる複数の施設で収集されたものに限られない。例えば、情報処理装置２は、１つの施設における異なる複数の設備あるいは機器について収集された時系列データを連結することもできる。例えば、上述の施設Ａが２基の焼却炉を備える場合、情報処理装置２は、各焼却炉で収集された時系列データを連結し、それら２基の焼却炉の何れにおける推論にも利用可能な推論モデルを生成することができる。このため、以下の説明における「施設」は、任意の「対象」に読み替えることができる。

【0021】

また、時系列データの収集の方法も任意である。例えば、任意の対象自体に設置したセンサで測定した測定値を時系列データとして収集してもよいし、任意の対象の周囲に設置したセンサで測定した測定値や、気温、湿度等のより広い範囲を対象として計測されたデータを時系列データとして収集してもよい。この他にも、例えば、任意の対象の動作設定のための設定値や、任意の対象に所定の動作を実行させる際の指令値等を時系列データとして収集してもよい。

【0022】

（装置構成）
図１に基づいて情報処理装置１および２の構成を説明する。図１は、情報処理装置１および２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。また、制御部１０には、データ取得部１０１、前処理部１０２、推論部１０３、および制御量決定部１０４が含まれている。

【0023】

データ取得部１０１は、推論モデルを生成するための教師データの元になる時系列データを取得する。時系列データは、施設に配置されたセンサ等から通信部１２または入力部１３を介して取得されてもよいし、情報処理装置１のユーザが入力部１３を介して入力してもよい。そして、データ取得部１０１は、取得したデータを、通信部１２経由で情報処理装置２に送信する。

【0024】

また、データ取得部１０１は、情報処理装置２に送信した上記のデータを用いて生成された推論モデルを取得する。推論モデルは、通信部１２を介した通信により情報処理装置２から取得されてもよいし、情報処理装置１のユーザにより入力部１３を介して入力されてもよい。

【0025】

さらに、データ取得部１０１は、取得した推論モデルを用いて推論を行う際に、推論用のデータを取得する。以下では当該データを推論用データと呼ぶ。推論用データは、推論の対象となる施設に配置されたセンサ等から通信部１２または入力部１３を介して入力されてもよいし、情報処理装置１のユーザにより入力部１３を介して入力されてもよい。

【0026】

前処理部１０２は、データ取得部１０１が取得する推論用データに前処理を施し、上記の推論モデルに入力する入力データを生成する。詳細は後述するが、上記の前処理は、情報処理装置２で推論モデルの教師データの生成時と同じ条件を適用して推論用データを標準化処理または正規化処理する処理である。

【0027】

推論部１０３は、情報処理装置２により生成される推論モデルを用いて推論を行う。より詳細には、推論部１０３は、前処理部１０２が生成する入力データを上記推論モデルに入力することにより得られる出力値をそのまま推論結果とするか、または当該出力値に基づいて推論結果を得る。

【0028】

推論モデルの推論対象は特に限定されず、例えば図２に示した施設Ａ～Ｄが備える焼却炉における燃焼状態を予測するものとしてもよい。施設Ａ～Ｄにおいて効率的に発電するためには、発電用のタービンを回すための蒸気量を安定させる必要があるが、焼却する廃棄物の質や量などの変動に伴って焼却炉内の燃焼状態が変化し、これに伴って蒸気量も変化する。情報処理装置１Ａ～１Ｄは、燃焼状態を予測する推論モデルを用いることにより、施設Ａ～Ｄが備える焼却炉における燃焼状態を予測し、その予測結果に応じて施設Ａ～Ｄ内の機器を適切に制御して、廃棄物の焼却と発電とを安定的に行うことが可能になる。

【0029】

制御量決定部１０４は、推論部１０３の推論結果に基づいて、対象となる施設に設けられた機器に対する制御量を決定する。制御量の決定方法はどのような推論モデルを用いて推論が行われたかによって異なる。例えば、焼却炉のボイラから発生する蒸気量を予測する推論モデルを用いた推論により、発生蒸気量が減少するとの推論結果が得られたとする。この場合、制御量決定部１０４は、ボイラからの発生蒸気量に影響を与える機器（例えば焼却炉内に供給する空気の量や火格子の動作速度）の制御量を決定してもよい。無論、この場合、発生蒸気量が増えるように制御量が決定される。例えば、焼却炉内に供給する空気の量を増やす、あるいは火格子の動作速度を上げる制御が行われるように制御量が決定される。

【0030】

一方、情報処理装置２は、情報処理装置２の各部を統括して制御する制御部２０と、情報処理装置２が使用する各種データを記憶する記憶部２１を備えている。また、情報処理装置２は、情報処理装置２が他の装置と通信するための通信部２２、情報処理装置２に対する各種データの入力を受け付ける入力部２３、および情報処理装置２が各種データを出力するための出力部２４を備えている。また、制御部２０には、データ取得部２０１、連結対象決定部２０２、時系列データ生成部２０３、データ連結部２０４、教師データ生成部２０５、および学習部２０６が含まれている。

【0031】

データ取得部２０１は、教師データの元になるデータを取得する。データ取得部２０１が取得するデータには、生成する推定モデルの説明変数となるデータまたは説明変数の元になるデータが含まれていればよい。例えば、施設Ａ～Ｄのそれぞれで収集された時系列のセンシングデータを説明変数とする推定モデルを生成する場合、データ取得部２０１は、通信部２２を介して図２に示される情報処理装置１Ａ～１Ｄと通信して当該センシングデータを取得してもよい。

【0032】

連結対象決定部２０２は、データ取得部２０１が取得するデータの中からデータ連結部２０４による連結の対象とするものを決定する。連結対象決定部２０２は、必須の構成ではない。ただし、連結対象決定部２０２を備えていることにより、データ取得部２０１が取得するデータの中に連結に適さないものが含まれている場合や、連結できない組み合わせがある場合でも妥当な教師データを生成することが可能になるという利点がある。

【0033】

時系列データ生成部２０３は、データ連結部２０４による連結に用いられる時系列データを生成する。より詳細には、時系列データ生成部２０３は、施設で測定された測定値と当該測定値に対応する設定値とから、当該測定値と当該設定値との差または比を要素とする時系列データを生成する。測定値と設定値との差または比は、生成される推論モデルにおける説明変数である。

【0034】

時系列データ生成部２０３も必須の構成ではない。ただし、時系列データ生成部２０３を備えていることにより、施設が異なることを原因として発生するデータのばらつきを減少させることができると共に、複数の施設のそれぞれで収集されたデータを連結することが、時系列性による数値の変動に与えるバイアスを減少させることができるという利点がある。

【0035】

データ連結部２０４は、複数の施設のそれぞれで収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成する。擬似的時系列データの生成方法については後記「擬似的時系列データおよび教師データの生成例」の項目で説明する。

【0036】

教師データ生成部２０５は、データ連結部２０４により生成された擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする。教師データの生成方法についても後記「擬似的時系列データおよび教師データの生成例」の項目で説明する。

【0037】

学習部２０６は、教師データ生成部２０５が生成する教師データを用いた機械学習により推論モデルを生成する。機械学習のアルゴリズムは特に限定されず、例えば学習部２０６は、サポートベクターマシン、線形回帰、ランダムフォレスト、またはニューラルネットワークにより推論モデルを生成してもよい。

【0038】

以上のように、情報処理装置２は、複数の対象のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結部２０４と、データ連結部２０４が生成する擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成部２０５と、を備えている。

【0039】

上記の構成によれば、汎用性の高い推論モデルを生成することが可能な教師データを生成することができる。よって、上記の構成によれば、汎用性の高い推論モデルを提供することが可能になる。

【0040】

また、以上のように、情報処理装置２は、複数の対象のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結部２０４と、データ連結部２０４が生成する擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成部２０５と、教師データ生成部２０５が生成する教師データを用いた機械学習により推論モデルを生成する学習部２０６と、を備えている。

【0041】

上記の構成によれば、複数の対象のそれぞれについて収集されたデータに基づく複数の時系列データを利用して推論モデルを生成することができる。また、上記の構成によれば、データの収集の対象となった施設のみならず、他の施設における推論にも利用可能な汎用性の高い推論モデルを生成することができる。

【0042】

（連結対象の決定例）
図３は、連結対象の決定例を示す図である。図３の例では、施設Ａにおいて、蒸気量センサデータ１１１Ａおよび温度センサデータ１１２Ａ等が収集されている。これらのデータの収集は、例えば図２に示した情報処理装置１Ａ（より詳細には情報処理装置１Ａのデータ取得部１０１）により行われる。同様に、施設Ｂでは蒸気量センサデータ１１１Ｂおよび温度センサデータ１１２Ｂ等が収集され、施設Ｃでは蒸気量センサデータ１１１Ｃおよび温度センサデータ１１２Ｃ等が収集されている。これらのデータの収集は、例えば図２に示した情報処理装置１Ｂおよび１Ｃにより行われる。そして、情報処理装置２のデータ取得部２０１が、情報処理装置１Ａ～１Ｃにより収集される上記の各データを取得する。

【0043】

連結対象決定部２０２は、このようにして取得されたデータの中からデータ連結部２０４による連結の対象とするものを決定する。例えば、連結対象決定部２０２は、予め設定されたルールに従って連結の対象とするデータを決定し、関連性のないデータは連結の対象としないようにしてもよい。

【0044】

例えば、同一の種類のセンサで測定されたデータを連結の対象とするというルールを設定しておいてもよい。この場合、連結対象決定部２０２は、図３に示すように、蒸気量センサで測定された測定値を含む蒸気量センサデータ１１１Ａ～１１１Ｃを連結の対象と決定すると共に、温度センサで測定された測定値を含む温度センサデータ１１２Ａ～１１２Ｃを連結の対象と決定する。なお、連結対象決定部２０２は、連結の対象であることを決定したデータに対し、共通の符号や識別情報を付与してもよい。

【0045】

また、例えば、連結対象決定部２０２は、上記のルールに加えて、あるいは上記のルールの代わりに、施設において同様の位置に設置されているセンサで測定されたデータは連結する、というルールに従って連結の対象とするデータを決定してもよい。例えば、図３における温度センサデータ１１２Ａと１１２Ｃが何れも焼却炉の過熱器付近に設置された温度センサで測定されたものである一方、温度センサデータ１１２Ｂは他の位置に設置された温度センサで測定されたものであるとする。この場合、連結対象決定部２０２は、同様の位置に設置されている温度センサで測定された温度センサデータ１１２Ａと１１２Ｃを連結の対象と決定し、温度センサデータ１１２Ｂは連結の対象としない。

【0046】

（時系列データの生成例）
図４は、時系列データの生成例を示す図である。より詳細には、図４には、図３に示した蒸気量センサデータ１１１Ａ～１１１Ｃのそれぞれから、教師データの生成に用いられる時系列データを生成した例を示している。

【0047】

図４に示すように、蒸気量センサデータ１１１Ａ～１１１Ｃには、時刻ごとの測定値（ＰＶ：Process Variable）が含まれている。また、図４に示す蒸気量センサデータ１１１Ａ～１１１Ｃには、各測定値に対応する設定値も含まれている。設定値（ＳＶ：Set Variable）は、当該設定値に対応付けられた時刻において目標とする値（この例では蒸気量）を示す。つまり、蒸気量センサデータ１１１Ａ～１１１Ｃが得られた施設Ａ～Ｃでは、蒸気量が設定値に近付くように制御が行われている。

【0048】

このように、データ取得部２０１は、測定値と設定値を含む蒸気量センサデータ１１１Ａ～１１１Ｃを取得してもよい。そして、この場合、時系列データ生成部２０３は、蒸気量センサデータ１１１Ａ～１１１Ｃに含まれる、施設Ａ～Ｃで測定された測定値と当該測定値に対応する設定値とから、当該測定値と当該設定値との差または比を要素とする時系列データを生成してもよい。

【0049】

例えば、図４の例では、時系列データ生成部２０３は、蒸気量センサデータ１１１Ａ～１１１Ｃのそれぞれから、各時刻におけるＰＶ／ＳＶの値すなわち測定値と設定値との比を要素とする時系列データ１１３Ａ～１１３Ｃを生成している。ＰＶ／ＳＶの値が１に近い場合、施設の状態は正常であるといえる。なお、時系列データ生成部２０３は、ＰＶ／ＳＶの代わりにＰＶとＳＶの差すなわち測定値と設定値の差を要素とする時系列データを生成してもよい。

【0050】

また、時系列データ１１３Ａ～１１３Ｃには、異常フラグという要素が含まれている。各時刻における異常フラグの値は、施設Ａ～Ｃの状態が正常であるか否かを示している。具体的には、図４の例では、正常な状態である場合には異常フラグの値を０に、正常な状態ではない場合には異常フラグの値を１にしている。正常か否かの判定基準は適宜定めておけばよい。例えば、時系列データ生成部２０３は、ＰＶ／ＳＶの値が所定の下限値未満である場合、および、ＰＶ／ＳＶの値が所定の上限値を超える場合の少なくとも何れかの場合に正常ではないと判定し、他の場合に正常であると判定してもよい。

【0051】

異常フラグの値は、機械学習における正解データ、言い換えれば生成する推論モデルの目的変数である。つまり、時系列データ１１３Ａ～１１３Ｃを用いて生成される推論モデルは、施設の状態が正常であるか否かを推論するモデルとなる。なお、目的変数の対応付けは教師データ生成部２０５が行うようにしてもよい。

【0052】

無論、推論モデルの目的変数は任意であり、施設の状態が正常であるか否かに限られない。つまり、時系列データ生成部２０３は、推論したい任意の目的変数を含む時系列データを生成すればよい。例えば、施設内の所定の機器に対する適切な制御量を推定する推論モデルを生成する場合、時系列データ生成部２０３は、当該機器に対する適切な制御量を含む時系列データを生成すればよい。なお、目的変数は時系列データ生成部２０３が自動で決定してもよいし、ユーザが入力してもよい。

【0053】

また、蒸気量センサデータ１１１Ａ～１１１Ｃに、センサ名やセンサＩＤ等が含まれている場合や、蒸気量センサデータ１１１Ａ～１１１Ｃに含まれるデータのデータ型が異なっていることも想定される。このような場合には、時系列データ生成部２０３は、蒸気量センサデータ１１１Ａ～１１１Ｃを整形して連結可能なデータに変換してもよい。

【0054】

以上のように、時系列データ生成部２０３は、施設で測定された測定値と当該測定値に対応する設定値とから、当該測定値と当該設定値との差または比を要素とする時系列データを、複数の施設（対象）のそれぞれについて生成してもよい。

【0055】

測定値と設定値との差や比は、施設で測定された測定値と比べて汎用性が高い指標である。よって、このような汎用性のある指標を要素とする時系列データを生成する上記の構成によれば、擬似的時系列データを自然なものとすることができる。つまり、上記の構成によれば、施設が異なることを原因として発生するデータのばらつきを減少させることができると共に、複数の施設のそれぞれについて収集されたデータを連結することが、時系列性による数値の変動に与えるバイアスを減少させることができる。よって、上記の構成によれば、推論精度の高い推論モデルを生成することが可能になる。

【0056】

（擬似的時系列データおよび教師データの生成例）
図５は、擬似的時系列データおよび教師データの生成例を示す図である。より詳細には、図５には、図４に示した時系列データ１１３Ａ～１１３Ｃから生成された擬似的時系列データ１１４と、擬似的時系列データ１１４から生成された教師データ１１５とを示している。

【0057】

まず、データ連結部２０４による擬似的時系列データ１１４の生成について説明する。データ連結部２０４は、時系列データ１１３Ａ～１１３Ｃをこの順序で連結して擬似的時系列データ１１４を生成する。ただし、時系列データ１１３Ａ～１１３Ｃをそのまま連結しただけでは、「時刻」の値について重複や不整合が生じる。

【0058】

そこで、データ連結部２０４は、連結を行うにあたり、時系列データ１１３Ａ～１１３Ｃにおける時刻の値を１～１５という連続する値に置き換えている。これらの値は、時系列データ１１３Ａ～１１３Ｃに含まれる各データ要素の順序を示すものであり、順序情報と呼ぶことができる。元の「時刻」の値の代わりに新たな順序情報を与えることにより、データの連続性を保持しつつ、「時刻」の値に不整合が生じさせないようにすることができる。

【0059】

このように、データ連結部２０４は、複数の時系列データに一連の順序を示す順序情報を付与することにより複数の時系列データを連結してもよい。この構成によれば、複数の時系列データに一連の順序情報を付与するという簡易な処理で複数の時系列データを１つの擬似的時系列データとすることができる。

【0060】

なお、一般的に、データの分布が異なる複数の変数を用いて推論モデルを作成する場合には、変数を標準化処理または正規化処理することで高精度な推論モデルを作成することができる。ここで、標準化処理または正規化処理を実施するためには、対象となるデータセットの統計量が必要となるが、その統計量はデータセットに固有のものとなる。そのため、従来技術では、標準化処理または正規化処理後の時系列データを連結して単一のデータとすることは不可能であるか、もしくは仮に連結できたとしてもそのようなデータを用いた学習は推論モデルの性能を著しく低下させてしまう。

【0061】

これに対し、上記構成によれば、事前に複数の時系列データを連結して単一の疑似的時系列データとするため、標準化処理または正規化処理と複数の時系列データの連結処理を両立させることができる。

【0062】

また、データ連結部２０４は、複数の時系列データにおける連結部分の数値の不連続性を軽減する処理を実施した上で連結を行ってもよい。これにより、連結部分の数値の不連続性を軽減して連結後の擬似的時系列データに連続性を持たせることができ、連結部分の数値変化が自然な擬似的時系列データを生成することが可能になる。

【0063】

また、上記の構成によれば、複数の時系列データにおける連結部分の数値の不連続性が軽減されるため、疑似的時系列データに対して移動平均の算出等の時系列データに適用される一般的な前処理を適用することが可能になる。これにより、推論モデルのさらなる推論精度向上が期待できる。

【0064】

なお、不連続性を軽減する処理は、複数の時系列データにおける連結部分の数値の不連続性が軽減されるようなものであればよく、特に限定されない。例えば、不連続性を軽減する処理として、複数の時系列データにおける連結部分の数値を平滑化する処理を適用してもよい。また、例えば、不連続性を軽減する処理として、連結する時系列データのそれぞれの結合部の数値の一部を、不連続性が軽減されるように削除する処理を適用してもよい。この場合、例えば、結合部間の差が閾値以下となるように数値の削除を行ってもよい。

【0065】

例えば、データ連結部２０４は、擬似的時系列データ１１４における時刻＝６のときのＰＶ／ＳＶの値を、当該値と時刻＝５のときのＰＶ／ＳＶの値との平均値に置き換えてもよい。この場合、時刻＝６におけるＰＶ／ＳＶの値は、（０．９８９＋１．０３５）／２＝１．０１２となり、時系列データ１１３Ａと１１３Ｂの連結部分におけるＰＶ／ＳＶの値の変化を滑らかにすることができる。

【0066】

また、例えば、データ連結部２０４は、擬似的時系列データ１１４における時刻＝１０のときのＰＶ／ＳＶの値を削除してもよい。これにより、時系列データ１１３Ｂと１１３Ｃの連結部分におけるＰＶ／ＳＶの値の変化を滑らかにすることができる。

【0067】

続いて、教師データ生成部２０５による教師データ１１５の生成について説明する。図５の例では、教師データ生成部２０５は、擬似的時系列データ１１４に対して標準化処理を施すことにより教師データ１１５を生成している。具体的には、教師データ生成部２０５は、擬似的時系列データ１１４に含まれる、測定値、設定値、およびＰＶ／ＳＶという３つのデータ要素のそれぞれについて標準化処理を行ったものを教師データ１１５としている。

【0068】

具体的には、教師データ生成部２０５は、擬似的時系列データ１１４に含まれるデータ要素の値と平均値との差を標準偏差で割る、という処理を、各データ要素について行うことにより教師データ１１５を生成する。例えば、擬似的時系列データ１１４では、測定値の平均値が９．３８７であり、標準偏差が０．５１９である。よって、教師データ生成部２０５は、擬似的時系列データ１１４における時刻＝１の測定値である９．８については、（９．８－９．３８７）／０．５１９＝０．７９５との値に標準化している。

【0069】

また、教師データ生成部２０５は、標準化処理の代わりに正規化処理を施して教師データを生成してもよい。この場合、教師データ生成部２０５は、擬似的時系列データ１１４に含まれるデータ要素の最大値と最小値をそれぞれ算出する。そして、教師データ生成部２０５は、データ要素の値と算出した上記最小値との差を、データ範囲すなわち上記最大値と上記最小値との差で割る、という処理を、各データ要素について行うことにより教師データを生成する。

【0070】

以上のように、教師データ生成部２０５は、擬似的時系列データ１１４に対して標準化処理または正規化処理を施すことにより教師データ１１５を生成する。これにより、施設ごとの時系列データの特性を吸収した推論モデル、言い換えれば施設ごとの時系列データの特性を反映した推論モデルを生成することが可能になっている。

【0071】

なお、標準化処理または正規化処理の条件（平均、標準偏差、最大値、および最小値などの統計量）は、生成された推論モデルを用いた推論時にも使用される。このため、教師データ生成部２０５は、通信部２２を介した通信により、標準化処理または正規化処理の条件を図２に示す情報処理装置１Ａ～１Ｄに通知してもよい。

【0072】

学習部２０６は、以上のようにして生成された教師データ１１５を用いて機械学習を行い、推論モデルを生成する。推論モデルの目的変数は、異常フラグの値とすればよい。また、推論モデルの説明変数は、測定値、設定値、およびＰＶ／ＳＶの値の少なくとも何れかとすればよい。また、学習部２０６は、これら以外の値を説明変数に含めてもよい。例えば、学習部２０６は、温度センサデータ１１２Ａに含まれる、温度の時系列の測定値、設定値、およびＰＶ／ＳＶの値の少なくとも何れかを説明変数に含めてもよい。また、これらの値を標準化処理または正規化処理した値の少なくとも何れかを説明変数に含めてもよい。

【0073】

なお、図５に示す教師データ１１５には、施設Ｄで収集されたデータは反映されていないが、このような教師データ１１５を用いて生成された推論モデルは、施設Ｄで収集された推論用データを用いた推論にも適用することが可能である。

【0074】

（情報処理装置２が実行する処理の流れ）
情報処理装置２が実行する処理の流れを図６に基づいて説明する。図６は、情報処理装置２が推論モデルを生成する際の処理の一例を示すフローチャートである。なお、詳細は後述するが、図６のフローチャートに示される一連の処理には、教師データの生成方法と推論モデルの生成方法とが含まれている。

【0075】

Ｓ１１では、データ取得部２０１が、各施設で得られたデータを取得する。例えば、データ取得部２０１は、図２に示される施設Ａ～Ｃでそれぞれ収集された時系列のセンシングデータを情報処理装置１Ａ～１Ｃ経由で取得してもよい。なお、各施設で収集されたデータは、予め記憶部２１等に記憶させておいてもよく、この場合、データ取得部２０１は記憶部２１等からデータを取得すればよい。

【0076】

Ｓ１２では、連結対象決定部２０２が、Ｓ１１で取得されたデータの中からデータ連結部２０４による連結の対象とするものを決定する。図３に基づいて説明したように、連結対象決定部２０２は、予め設定されたルールに従って連結の対象とするデータを決定し、関連性のないデータは連結の対象としないようにすればよい。

【0077】

Ｓ１３では、時系列データ生成部２０３が、Ｓ１２で連結の対象と決定されたデータから、データ連結部２０４による連結に用いられる時系列データを生成する。具体的には、時系列データ生成部２０３は、Ｓ１２で連結の対象と決定されたデータに含まれる測定値と当該測定値に対応する設定値とから、当該測定値と当該設定値との差または比を要素とする時系列データを生成する。この処理は、測定値を用いて推論モデルの説明変数を生成する処理であるともいえる。また、時系列データ生成部２０３は、Ｓ１３において、生成する時系列データに、推論モデルの目的変数となる値を対応付ける処理についても行うようにしてもよい。

【0078】

Ｓ１４（データ連結ステップ）では、データ連結部２０４が、複数の施設のそれぞれで収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成する。

【0079】

Ｓ１５（教師データ生成ステップ）では、教師データ生成部２０５が、Ｓ１４で生成された擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする。もしＳ１３で時系列データに対して目的変数となる値の対応付けが行われていなければ、教師データ生成部２０５は、Ｓ１５で擬似的時系列データに対して当該値の対応付けを行う。

【0080】

Ｓ１６（学習ステップ）では、学習部２０６が、Ｓ１５で生成された教師データを用いた機械学習により推論モデルを生成し、これにより図６の処理は終了する。なお、学習部２０６は、生成した推論モデルを情報処理装置１に送信してもよい。また、この際には、Ｓ１５における標準化処理または正規化処理で用いた統計量も送信してもよい。

【0081】

以上説明した図６の処理には教師データの生成方法が含まれている。すなわち、情報処理装置２が実行する教師データの生成方法は、複数の施設（対象）のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結ステップ（Ｓ１４）と、Ｓ１４で生成された擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成ステップ（Ｓ１５）と、を含む。これにより、汎用性の高い推論モデルを生成することが可能な教師データを生成することができる。

【0082】

また、図６の処理には推論モデルの生成方法も含まれている。すなわち、情報処理装置２が実行する推論モデルの生成方法は、複数の施設（対象）のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結ステップ（Ｓ１４）と、Ｓ１４で生成された擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成ステップ（Ｓ１５）と、Ｓ１５で生成された教師データを用いた機械学習により推論モデルを生成する学習ステップ（Ｓ１６）と、を含む。よって、汎用性の高い推論モデルを生成することが可能である。

【0083】

（情報処理装置１が実行する処理の流れ）
情報処理装置１のデータ取得部１０１は、Ｓ１６で生成された推論モデルと、Ｓ１５における標準化処理または正規化処理で使用された統計量とを取得する。また、データ取得部１０１は、推論の対象となる施設について収集された推論用データを取得する。例えば、図２の情報処理装置１Ｄであれば、施設Ｄで収集された推論用データが取得される。

【0084】

次に、前処理部１０２が、上記の統計量を用いて推論用データを標準化処理または正規化処理して推論モデルの入力データを生成する。続いて、推論部１０３が、前処理部１０２が生成した入力データを推論モデルに入力し、推論モデルが出力する出力値に基づいて推論結果を得る。そして、制御量決定部１０４が、上記の推論結果に基づいて対象となる施設に設けられた機器に対する制御量を決定する。

【0085】

なお、従来は、図２のように複数の施設が存在する場合、施設ごとに収集された時系列データを、施設ごとに標準化処理または正規化処理して、施設ごとに教師データを生成し、各施設専用の推論モデルを生成していた。このため、各施設において、推論用データを用いた推論の際には、その施設において適用された統計量を用いて標準化処理または正規化処理を行う必要があった。

【0086】

これに対し、図２の情報処理システム５では、情報処理装置２が、施設ごとに収集された時系列データを連結して１つの擬似的時系列データとした上で標準化処理または正規化処理する。このため、何れの施設において収集された推論用データについても、同じ統計量を用いて標準化処理または正規化処理を行うことができる。

【0087】

〔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、上述の各実施形態で説明した各処理を実行可能であれば、情報処理システム５を構成する装置は適宜変更することができる。

【0088】

例えば、図２の情報処理システム５では、情報処理装置１Ａ～１Ｄとは別の情報処理装置２が教師データの生成と推論モデルの生成とを行っているが、情報処理装置１Ａ～１Ｄの何れかが教師データの生成と推論モデルの生成とを行ってもよい。また、図２の情報処理システム５では、情報処理装置１Ａ～１Ｄが施設Ａ～Ｄにおけるデータの取集と、推論モデルを用いた推論とを行っているが、これらの処理をそれぞれ別の情報処理装置に実行させてもよい。

【0089】

また、図２の情報処理システム５では、１つの情報処理装置２で教師データの生成と推論モデルの生成とを行っているが、教師データの生成と推論モデルの生成とは、それぞれ別の情報処理装置に実行させることもできる。

【0090】

また、図６に記載の各処理の実行主体は、必ずしも１つの装置である必要はなく、それらの処理を複数の任意の情報処理装置（コンピュータ）に分担させて実行することができる。例えば、図６のＳ１１～Ｓ１５の処理を情報処理装置２に実行させ、Ｓ１６の処理は他の情報処理装置に実行させてもよい。

【0091】

〔ソフトウェアによる実現例〕
情報処理装置１および２（以下、「装置」と呼ぶ）の機能は、当該装置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、当該装置の各制御ブロック（特に制御部１０および２０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により実現することができる。例えば、情報処理装置２における推論モデルの生成機能は、推論モデル生成プログラムにより実現することができ、情報処理装置２における教師データ生成機能は、教師データ生成プログラムにより実現することができる。

【0092】

この場合、上記装置は、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、上記各実施形態で説明した各機能が実現される。

【0093】

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、上記装置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。

【0094】

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。

【0095】

〔まとめ〕
本発明の態様１に係る情報処理装置は、複数の対象のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結部と、前記擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成部と、前記教師データを用いた機械学習により推論モデルを生成する学習部と、を備える。

【0096】

本発明の態様２に係る情報処理装置では、前記態様１において、前記データ連結部は、複数の前記時系列データに一連の順序を示す順序情報を付与することにより複数の前記時系列データを連結する構成であってもよい。

【0097】

本発明の態様３に係る情報処理装置では、前記態様１または２において、前記データ連結部は、複数の前記時系列データにおける連結部分の数値の不連続性を軽減する処理を実施した上で連結を行う構成であってもよい。

【0098】

本発明の態様４に係る情報処理装置では、前記態様１から３の何れかにおいて、前記対象について測定された測定値と当該測定値に対応する設定値とから、当該測定値と当該設定値との差または比を要素とする前記時系列データを、複数の前記対象のそれぞれについて生成する時系列データ生成部を備える。

【0099】

本発明の態様５に係る情報処理装置は、複数の対象のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結部と、前記擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成部と、を備える。

【0100】

本発明の態様６に係る生成方法は、１または複数の情報処理装置が実行する推論モデルの生成方法であって、複数の対象のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結ステップと、前記擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成ステップと、前記教師データを用いた機械学習により推論モデルを生成する学習ステップと、を含む。

【0101】

本発明の態様７に係る生成方法は、１または複数の情報処理装置が実行する教師データの生成方法であって、複数の対象のそれぞれについて収集されたデータに基づく複数の時系列データを連結して１つの擬似的時系列データを生成するデータ連結ステップと、前記擬似的時系列データに対して標準化処理または正規化処理を施して教師データとする教師データ生成ステップと、を含む。

【0102】

本発明の態様８に係る推論モデル生成プログラムは、前記態様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論モデル生成プログラムであって、前記データ連結部、前記教師データ生成部、および前記学習部としてコンピュータを機能させる。

【0103】

本発明の態様９に係る教師データ生成プログラムは、前記態様５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教師データ生成プログラムであって、前記データ連結部および前記教師データ生成部としてコンピュータを機能させる。

【0104】

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】

【0105】

２ 情報処理装置
２０３ 時系列データ生成部
２０４ データ連結部
２０５ 教師データ生成部
２０６ 学習部
１１１Ａ、１１１Ｂ、１１１Ｃ 蒸気量センサデータ（測定値、設定値）
１１２Ａ、１１２Ｂ、１１２Ｃ 温度センサデータ（測定値、設定値）
１１３Ａ、１１３Ｂ 時系列データ
１１４ 疑似的時系列データ
１１５ 教師データ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】