知財求人 - 知財ポータルサイト「IP Force」
2025-99162シミュレーション装置、プログラム、およびシミュレーション方法
(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】P2025099162
(43)【公開日】2025-07-03
(54)【発明の名称】シミュレーション装置、プログラム、およびシミュレーション方法
(51)【国際特許分類】
G06N 20/00 20190101AFI20250626BHJP
G06N 3/088 20230101ALI20250626BHJP
【ＦＩ】
G06N20/00 160
G06N3/088
【審査請求】未請求
【請求項の数】17
【出願形態】ＯＬ
(21)【出願番号】P 2023215600
(22)【出願日】2023-12-21
(71)【出願人】
【識別番号】000116024
【氏名又は名称】ローム株式会社
(74)【代理人】
【識別番号】110001933
【氏名又は名称】弁理士法人 佐野特許事務所
(72)【発明者】
【氏名】浜地 健次
(57)【要約】
【課題】教師なしの機械学習による効果を効果的に確認することができる。
【解決手段】シミュレーション装置（１）において、モデル設定部（６）は、読み込まれたデータに基づき、機械学習モデル（４０）に逐次入力させる場合の１回分のデータの塊としてのチャンクに関する設定を行い、モデル演算部（５）は、前記チャンクを前記機械学習モデルに逐次入力させることで教師なし学習の演算および推論の演算を行う。
【選択図】図２
【解決手段】シミュレーション装置（１）において、モデル設定部（６）は、読み込まれたデータに基づき、機械学習モデル（４０）に逐次入力させる場合の１回分のデータの塊としてのチャンクに関する設定を行い、モデル演算部（５）は、前記チャンクを前記機械学習モデルに逐次入力させることで教師なし学習の演算および推論の演算を行う。
【選択図】図２
【特許請求の範囲】
【請求項1】
学習および推論を行うように構成される機械学習モデルを記憶されたモデル記憶部と、
前記機械学習モデルを用いて演算処理を行うように構成されるモデル演算部と、
操作入力部と、
データを読み込むように構成される読込み部と、
前記操作入力部による入力に基づき、前記機械学習モデルに関する設定を行うように構成されるモデル設定部と、
を備え、
前記モデル設定部は、読み込まれた前記データに基づき、前記機械学習モデルに逐次入力させる場合の１回分のデータの塊としてのチャンクに関する設定を行い、
前記モデル演算部は、前記チャンクを前記機械学習モデルに逐次入力させることで教師なし学習の演算および推論の演算を行う、シミュレーション装置。
前記機械学習モデルを用いて演算処理を行うように構成されるモデル演算部と、
操作入力部と、
データを読み込むように構成される読込み部と、
前記操作入力部による入力に基づき、前記機械学習モデルに関する設定を行うように構成されるモデル設定部と、
を備え、
前記モデル設定部は、読み込まれた前記データに基づき、前記機械学習モデルに逐次入力させる場合の１回分のデータの塊としてのチャンクに関する設定を行い、
前記モデル演算部は、前記チャンクを前記機械学習モデルに逐次入力させることで教師なし学習の演算および推論の演算を行う、シミュレーション装置。
【請求項2】
前記モデル設定部は、前記チャンクに複数種類の信号の時系列データを含めるように設定が可能である、請求項１に記載のシミュレーション装置。
【請求項3】
前記モデル設定部は、読み込まれた前記データに基づき、先頭列としての列番号、行数、および列数を設定することで前記チャンクの設定が可能である、請求項１に記載のシミュレーション装置。
【請求項4】
前記機械学習モデルは、読み込まれた前記データに対して下記式により正規化処理を行うように構成される第１前処理部を有し、
前記モデル設定部は、下記式のパラメータを設定可能である、請求項１に記載のシミュレーション装置。
ただし、xcolumn iは、第i列の前記データ、diおよびsiは、第i列の前記データに対するパラメータである。
前記モデル設定部は、下記式のパラメータを設定可能である、請求項１に記載のシミュレーション装置。
【数6】
ただし、xcolumn iは、第i列の前記データ、diおよびsiは、第i列の前記データに対するパラメータである。
【請求項5】
前記機械学習モデルは、読み込まれた前記データに対してエンベロープ処理を行うように構成される第２前処理部を有し、
前記モデル設定部は、読み込まれた前記データの列ごとに前記エンベロープ処理の有無を設定可能である、請求項１に記載のシミュレーション装置。
前記モデル設定部は、読み込まれた前記データの列ごとに前記エンベロープ処理の有無を設定可能である、請求項１に記載のシミュレーション装置。
【請求項6】
前記機械学習モデルは、前記チャンクごとに窓関数処理および周波数解析処理を行うように構成される第３前処理部を有し、
前記モデル設定部は、前記窓関数処理および前記周波数解析処理のそれぞれの有無を設定可能である、請求項１に記載のシミュレーション装置。
前記モデル設定部は、前記窓関数処理および前記周波数解析処理のそれぞれの有無を設定可能である、請求項１に記載のシミュレーション装置。
【請求項7】
前記モデル設定部は、前記機械学習モデルによる学習を開始させる前記チャンクである学習開始チャンクおよび前記機械学習モデルによる推論を開始させる前記チャンクである推論開始チャンクを設定可能である、請求項１に記載のシミュレーション装置。
【請求項8】
前記学習開始チャンクおよび前記推論開始チャンクの設定は、チャンクに含まれるデータ番号の設定により行われ、
前記データ番号は、前記チャンクの列数が複数の場合、小さい行から順に同じ行の異なる列のデータに列番号が小さい順に番号を順に割り当てた場合の番号である、請求項７に記載のシミュレーション装置。
前記データ番号は、前記チャンクの列数が複数の場合、小さい行から順に同じ行の異なる列のデータに列番号が小さい順に番号を順に割り当てた場合の番号である、請求項７に記載のシミュレーション装置。
【請求項9】
前記モデル設定部は、前記機械学習モデルに含まれるニューラルネットワークに関する項目を設定可能である、請求項１に記載のシミュレーション装置。
【請求項10】
前記項目には、学習結果を忘れる程度を表すパラメータである忘却率が含まれる、請求項９に記載のシミュレーション装置。
【請求項11】
前記モデル設定部は、全ての前記チャンクを用いた学習を繰り返し行う回数を設定可能である、請求項１に記載のシミュレーション装置。
【請求項12】
前記モデル設定部は、全ての前記チャンクを用いた学習を繰り返し行う回数を設定可能であり、
全ての前記チャンクに対する前記損失関数の値を、最後の前記チャンクから先頭の前記チャンクまでの折り返しラインを含めて、設定された前記回数だけ繰り返して表示する第１表示制御部を備える、請求項１に記載のシミュレーション装置。
全ての前記チャンクに対する前記損失関数の値を、最後の前記チャンクから先頭の前記チャンクまでの折り返しラインを含めて、設定された前記回数だけ繰り返して表示する第１表示制御部を備える、請求項１に記載のシミュレーション装置。
【請求項13】
前記機械学習モデルによる学習中および学習後の推論結果に基づく損失関数の値を、全ての前記チャンクに含まれるデータの通し番号に対して表示する制御を行うように構成される第２表示制御部を備える、請求項１に記載のシミュレーション装置。
【請求項14】
前記モデル設定部は、前記第２表示制御部による表示において表示される前記損失関数の値の閾値を設定可能である、請求項１３に記載のシミュレーション装置。
【請求項15】
１つの前記チャンクに含まれるデータの通し番号に対して、前記データの値と前記機械学習モデルによる推論結果とを表示する制御を行うように構成される第３表示制御部を備え、
前記モデル設定部は、前記第３表示制御部に再表示させる前記チャンクの設定が可能である、請求項１に記載のシミュレーション装置。
前記モデル設定部は、前記第３表示制御部に再表示させる前記チャンクの設定が可能である、請求項１に記載のシミュレーション装置。
【請求項16】
コンピュータを請求項１から請求項１５のいずれか１項に記載のシミュレーション装置として機能させるためのプログラム。
【請求項17】
データを読み込む第１ステップと、
読み込まれた前記データに基づき、機械学習モデルに逐次入力させる場合の１回分のデータの塊としてのチャンクに関する設定を行う第２ステップと、
前記チャンクを前記機械学習モデルに逐次入力させることで教師なし学習の演算および推論の演算を行う第３ステップと、を備える、シミュレーション方法。
読み込まれた前記データに基づき、機械学習モデルに逐次入力させる場合の１回分のデータの塊としてのチャンクに関する設定を行う第２ステップと、
前記チャンクを前記機械学習モデルに逐次入力させることで教師なし学習の演算および推論の演算を行う第３ステップと、を備える、シミュレーション方法。
【発明の詳細な説明】
【技術分野】
【0001】
本開示は、シミュレーション装置に関する。
【背景技術】
【0002】
従来、産機分野の工場設備保全に関して、機械システムの状態管理保全（Condition Based Maintenance）に対してＡＩ（人工知能）の適用が進んでいる（例えば特許文献１）。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】国際公開第２０１９／０３５２７９号
【0004】
［概要］
上記状態管理保全に対してＡＩを導入する場合、実機を用いずにＡＩの効果を確認することができれば有用である。機械学習としては、教師データを用いない、いわゆる教師なし学習が知られている。
上記状態管理保全に対してＡＩを導入する場合、実機を用いずにＡＩの効果を確認することができれば有用である。機械学習としては、教師データを用いない、いわゆる教師なし学習が知られている。
【0005】
上記状況に鑑み、本開示は、教師なしの機械学習による効果を効果的に確認することができるシミュレーション装置を提供することを目的とする。
【0006】
本開示の一態様に係るシミュレーション装置は、
学習および推論を行うように構成される機械学習モデルを記憶されたモデル記憶部と、
前記機械学習モデルを用いて演算処理を行うように構成されるモデル演算部と、
操作入力部と、
データを読み込むように構成される読込み部と、
前記操作入力部による入力に基づき、前記機械学習モデルに関する設定を行うように構成されるモデル設定部と、
を備え、
前記モデル設定部は、読み込まれた前記データに基づき、前記機械学習モデルに逐次入力させる場合の１回分のデータの塊としてのチャンクに関する設定を行い、
前記モデル演算部は、前記チャンクを前記機械学習モデルに逐次入力させることで教師なし学習の演算および推論の演算を行う構成としている。
学習および推論を行うように構成される機械学習モデルを記憶されたモデル記憶部と、
前記機械学習モデルを用いて演算処理を行うように構成されるモデル演算部と、
操作入力部と、
データを読み込むように構成される読込み部と、
前記操作入力部による入力に基づき、前記機械学習モデルに関する設定を行うように構成されるモデル設定部と、
を備え、
前記モデル設定部は、読み込まれた前記データに基づき、前記機械学習モデルに逐次入力させる場合の１回分のデータの塊としてのチャンクに関する設定を行い、
前記モデル演算部は、前記チャンクを前記機械学習モデルに逐次入力させることで教師なし学習の演算および推論の演算を行う構成としている。
【0007】
また、本開示の一態様に係るシミュレーション方法は、
データを読み込む第１ステップと、
読み込まれた前記データに基づき、機械学習モデルに逐次入力させる場合の１回分のデータの塊としてのチャンクに関する設定を行う第２ステップと、
前記チャンクを前記機械学習モデルに逐次入力させることで教師なし学習の演算および推論の演算を行う第３ステップと、を備える。
データを読み込む第１ステップと、
読み込まれた前記データに基づき、機械学習モデルに逐次入力させる場合の１回分のデータの塊としてのチャンクに関する設定を行う第２ステップと、
前記チャンクを前記機械学習モデルに逐次入力させることで教師なし学習の演算および推論の演算を行う第３ステップと、を備える。
【図面の簡単な説明】
【0008】
【0009】
[詳細な説明]
以下、本開示の例示的な実施形態について、図面を参照して説明する。
以下、本開示の例示的な実施形態について、図面を参照して説明する。
【0010】
＜コンピュータの構成＞
図１は、本開示の例示的な実施形態に係るコンピュータ１００の構成を示す図である。コンピュータ１００は、後述する本開示に係るシミュレーション装置として機能する。コンピュータ１００は、例えばＰＣ（パソコン）である。コンピュータ１００がＰＣである場合、デスクトップ型であるかノート型であるかなどは問わない。
図１は、本開示の例示的な実施形態に係るコンピュータ１００の構成を示す図である。コンピュータ１００は、後述する本開示に係るシミュレーション装置として機能する。コンピュータ１００は、例えばＰＣ（パソコン）である。コンピュータ１００がＰＣである場合、デスクトップ型であるかノート型であるかなどは問わない。
【0011】
コンピュータ１００は、ＣＰＵ（Central Processing Unit）１００Ａと、メモリ１００Ｂと、補助記憶装置１００Ｃと、操作入力部１００Ｄと、表示部１００Ｅと、を備える。
【0012】
ＣＰＵ１００Ａは、制御装置と演算装置（いずれも図示せず）を有する。制御装置は、プログラムの指令を解釈し、コンピュータ１００の各部を制御する。演算装置は、演算処理を行う装置である。
【0013】
メモリ１００Ｂは、プログラムあるいはデータを一時的に格納する半導体記憶装置である。メモリ１００Ｂに記憶された情報は、コンピュータ１００の電源がオフとされると消去される。
【0014】
補助記憶装置１００Ｃは、ＨＤＤ（Hard Disk Drive）あるいはＳＳＤ（Solid State Drive）などにより構成され、プログラムあるいはデータが格納される。補助記憶装置１００Ｃに格納されたプログラムは、メモリ１００Ｂに読み込まれる。ＣＰＵ１００Ａは、メモリ１００Ｂに読み込まれたプログラムを実行する。
【0015】
操作入力部１００Ｄは、キーボードあるいはマウスなどにより構成され、コンピュータ１００に操作入力を与える装置である。操作入力部１００Ｄから入力された情報は、メモリ１００Ｂに送られる。
【0016】
表示部１００Ｅは、例えば液晶ディスプレイなどにより構成され、メモリ１００Ｂから取得された情報を画像に変換して出力する。
【0017】
＜シミュレーション装置の構成＞
図２は、本開示の例示的な実施形態に係るシミュレーション装置１の構成を示す図である。シミュレーション装置１は、機械学習（ＡＩ）による学習・推論をシミュレーションすることが可能な装置である。
図２は、本開示の例示的な実施形態に係るシミュレーション装置１の構成を示す図である。シミュレーション装置１は、機械学習（ＡＩ）による学習・推論をシミュレーションすることが可能な装置である。
【0018】
シミュレーション装置１は、ファイル記憶部２と、ファイル読込み部３と、モデル記憶部４と、モデル演算部５と、モデル設定部６と、表示制御部７と、操作入力部８と、表示部９と、を備える。コンピュータ１００の補助記憶装置１００Ｃに格納されたプログラムＰ（図１）は、コンピュータ１００をシミュレーション装置１として機能させるためのプログラムである。
【0019】
ファイル記憶部２は、データファイル２１を記憶し、コンピュータ１００の補助記憶装置１００Ｃにより構成される。データファイル２１は、一例としてExcel（登録商標）ファイルとして構成される。なお、ファイルは、例えばコンピュータ１００におけるＵＳＢインタフェースまたはネットワークインタフェース（いずれも図１で図示せず）を介してコンピュータ１００の外部から補助記憶装置１００Ｃに格納してもよい。
【0020】
データファイル２１には、データ２１０が含まれる。データ２１０は、機械学習モデル４０（後述）に入力することで、いわゆる教師なし学習および推論を行うためのデータである。後述するように、データ２１０のうち学習に用いるデータと推論に用いるデータを指定することが可能である。
【0021】
ファイル読込み部３は、ファイル記憶部２からデータファイル２１を読み込む。
【0022】
モデル記憶部４は、機械学習モデル４０を記憶しており、コンピュータ１００の補助記憶装置１００Ｃにより構成される。機械学習モデル４０は、例えばMATLAB/Simulink（登録商標）によってプログラムＰとして構成される。機械学習モデル４０の具体例については後述する。
【0023】
ファイル読込み部３、モデル演算部５、モデル設定部６、および表示制御部７の各機能は、プログラムＰをＣＰＵ１００Ａが実行することにより実現される。なお、操作入力部８と表示部９は、それぞれコンピュータ１００における操作入力部１００Ｄと表示部１００Ｅに相当する。
【0024】
モデル演算部５は、モデル記憶部４に記憶された機械学習モデル４０の演算処理を行うことでシミュレーションを実行する。モデル設定部６は、モデル記憶部４に記憶された機械学習モデル４０に関する設定（学習・推論に使用するデータの設定、パラメータの設定、関数の種類の設定など）を操作入力部８からの入力に応じて行う。モデル演算部５によるシミュレーションは、モデル設定部６による設定内容に従って行われる。表示制御部７は、後述する設定画面などの各種画面を操作入力部８からの入力に応じて表示部９に表示させる制御を行う。
【0025】
例えば、産機分野の工場設備保全において、機械システムの状態管理保全に対して機械学習の適用が進んでいる。しかしながら、いざ目星を付けたＡＩアルゴリズムをユーザが試そうとしても、ＡＩベンダー等のＡＩの開発元にデータを提供する必要がある。多くの場合そのデータは製品および製造工程に関わる機密情報を含んでいるため開示が難しい。よって、従来は、ＡＩベンダー等の各種事例を参考にしたり、一般的なＡＩ性能のベンチマークとなっているオープン問題（例えば、ボストンの住宅価格予測、ディーゼル燃料の物性推定など）を解かせて、ユーザの問題および課題解決に適するかを判断するしかなかった。当然、そういったオープン問題はユーザの問題および課題と一致していないため、選定したＡＩアルゴリズムをユーザのデータに適用したときに、不適切あるいはあまり適してはいなかった等が後から明らかになることがよく起こる。これにより、ＡＩアルゴリズムから選び直すことになれば、ユーザ、ＡＩベンダー双方にとって不利益である。
【0026】
上記のようにユーザが取得したデータを使ってＡＩでどのようなことができるか試そうにも、データを外部（ＡＩベンダーあるいはＡＩソリューションを持つＩＣメーカ等）と共有する必要がある。つまり、機密情報であるデータを外部に出すリスクがある。また、データだけを提供しても適切に外部で解析してもらえるかは難しく、ユーザがデータ取得したドメインに対しての高度な知識がないと適切なＡＩパラメータの調整は難しい。ユーザからＡＩベンダー等にドメイン知識を伝えることも非常な手間となり、背景知識に差があるためコミュニケーションエラーも起きやすい。また、ユーザが取得したデータを、即日その場で解析することができない。
【0027】
上記のような状況に鑑み、本開示に係るシミュレーション装置１を使用すれば、ユーザが所有するデータを用いて、教師なし学習によるＡＩ効果を効果的に確認することが可能となる。より具体的には、教師なし学習のタスクである異常検知の効果を確認することができる。これにより、例えば、機密情報のデータを外部に出すリスクがなくなったり、取得したデータをその場で解析できたりなどの効果を奏する。特に、本開示では、後述するように機械学習モデルに対して入力させるデータの設定にチャンクという概念を導入し、複数種類の入力データを複数個ずつ入力するなどの設定が容易となっている。これにより、各種信号を組み合わせたときにどのような異常検知が行えるかなどの検討が可能となる。
【0028】
＜機械学習モデルの構成＞
ここで、機械学習モデル４０について説明する。図３は、機械学習モデル４０の構成例を示す図である。機械学習モデル４０は、前処理部４０１と、機械学習部４０２と、を有する。
ここで、機械学習モデル４０について説明する。図３は、機械学習モデル４０の構成例を示す図である。機械学習モデル４０は、前処理部４０１と、機械学習部４０２と、を有する。
【0029】
前処理部４０１は、機械学習部４０２にデータを入力させる前の前処理を行う。前処理には、正規化処理が含まれる。正規化処理は、およそ０～１（または－１～＋１）の範囲にデータを収める処理である。なお、後述するように、正規化処理のパラメータを設定することで、シフト処理または何も処理をしない設定とすることもできる。
【0030】
前処理には、エンベロープ処理も含まれる。エンベロープ処理は、正規化処理によって処理されたデータに対して行われる。なお、エンベロープ処理の有無は後述するように設定可能である。
【0031】
前処理には、窓関数処理、およびＦＦＴ（fast Fourier transform）処理も含まれる。後述するように、窓関数処理およびＦＦＴ処理は、正規化処理およびエンベロープ処理がされたデータに対して行われる。また、窓関数処理およびＦＦＴ処理は、後述するようにチャンクごとに行われる。窓関数処理およびＦＦＴ処理は、それぞれの有無が後述するように設定可能である。パターンとしては、窓関数処理のみの実行、ＦＦＴ処理のみの実行、あるいは窓関数処理とＦＦＴ処理の実行を選択可能である。なお、ＦＦＴ処理に限らず、例えばウェーブレット変換などの周波数解析処理を用いてもよい。
【0032】
機械学習部４０２は、入力されるデータに対して学習および推論を行う。機械学習部４０２で用いるＡＩモデルとして、例えば、図４に示すような３層ニューラルネットワーク３０を用いる。
【0033】
図４に示すように、３層ニューラルネットワーク１０は、入力層１０Ａと、隠れ層１０Ｂと、出力層１０Ｃと、を有するＡＩモデルである。一般に、３層ニューラルネットワーク１０において、バッチサイズｋのｎ次元の入力データｘ∈Ｒｋ×ｎに対して、ｎ’次元の推論結果ｙ∈Ｒｋ×ｎ’は、ｙ＝Ｇ（ｘ・α＋ｂ）βとして得られる。ここで、α∈Ｒｎ×ｍは入力層１０Ａと隠れ層１０Ｂとを結合する重みであり、β∈Ｒｍ×ｎ’は隠れ層１０Ｂと出力層１０Ｃとを結合する重みである。また、ｂ∈Ｒｍは、隠れ層１０Ｂのバイアスであり、Ｇは隠れ層１０Ｂの活性化関数である。
【0034】
本実施形態では、３層ニューラルネットワーク１０を任意のバッチサイズで逐次的に学習できるアルゴリズムを用いる。バッチサイズｋｉのｉ番目の学習データ｛ｘｉ∈Ｒｋi×ｎ, ｔｉ∈Ｒｋi×ｎ’｝が得られた場合、下記（１）式で示される誤差を最小化するβｉを求める必要がある。
なお、ｉ番目の隠れ層行列Ｈｉ＝Ｇ（ｘｉ・α＋ｂ）である。また、ｔは、推論結果ｙに対応する教師データである。
【数1】
なお、ｉ番目の隠れ層行列Ｈｉ＝Ｇ（ｘｉ・α＋ｂ）である。また、ｔは、推論結果ｙに対応する教師データである。
【0035】
最適化された重みβｉは、下記（２）式により計算される。
Ｐｉ＝Ｐｉ－１－Ｐｉ－１Ｈｉ T（Ｉ＋ＨｉＰｉ－１Ｈｉ T）－１ＨｉＰｉ－１
βｉ＝βｉ－１＋ＰｉＨｉ T（ｔｉ－Ｈｉβｉ－１） （２）
Ｐｉ＝Ｐｉ－１－Ｐｉ－１Ｈｉ T（Ｉ＋ＨｉＰｉ－１Ｈｉ T）－１ＨｉＰｉ－１
βｉ＝βｉ－１＋ＰｉＨｉ T（ｔｉ－Ｈｉβｉ－１） （２）
【0036】
ここで、Ｐ０とβ０については、下記（３）式により得られる。
Ｐ０＝（Ｈ０ TＨ０）－１
β０＝Ｐ０Ｈ０ Tｔ０ （３）
Ｐ０＝（Ｈ０ TＨ０）－１
β０＝Ｐ０Ｈ０ Tｔ０ （３）
【0037】
学習のアルゴリズムは次のようになる。
（１）重みα、およびバイアスｂの値を乱数により初期化する。
（２）ｘ０に対するＨ０を算出し、Ｐ０およびβ０を算出する。
（３）バッチサイズｋｉのｉ番目の学習データが得られるたびに、Ｐｉおよびβｉを逐次算出する。なお、（３）式におけるβ０の算出式を用いずに、乱数により初期化した値をβ０としてもよい。
（１）重みα、およびバイアスｂの値を乱数により初期化する。
（２）ｘ０に対するＨ０を算出し、Ｐ０およびβ０を算出する。
（３）バッチサイズｋｉのｉ番目の学習データが得られるたびに、Ｐｉおよびβｉを逐次算出する。なお、（３）式におけるβ０の算出式を用いずに、乱数により初期化した値をβ０としてもよい。
【0038】
また、本実施形態では、オートエンコーダを用いた学習を行う。オートエンコーダは、入力データをそのまま教師データとして流用し、入力データを推論結果として再構成できるように学習する。すなわち、上記でいえば、ｔ＝ｘとして学習する。オートエンコーダは、別個に教師データを作成する必要がないので、教師なし学習アルゴリズムの一種となる。
【0039】
このような機械学習部４０２におけるＡＩモデルによれば、エッジデバイスにおいてマイコン程度の演算装置により学習が可能となる。すなわち、このようなオンデバイス学習を例えばモータの異常検知などに導入する際に、シミュレーションによって異常検知の効果を確認することができる。なお、入力データｘは、前処理部４０１でＦＦＴ処理が無しの場合は時系列データであり、ＦＦＴ処理が有りの場合は周波数領域のデータである。
【0040】
機械学習部４０２においては、推論結果ｙと教師データｔとの誤差を表す損失関数Ｌ（ｙ，ｔ）により異常度が計算される。損失関数には、例えばＭＡＥ（Mean Absolute Error）あるいはＭＳＥ（Mean Squared Error）が用いられる。損失関数がＭＡＥの場合、損失関数Ｌは、下記（４）式のように表される。
また、損失関数がＭＳＥの場合、損失関数Ｌは、下記（５）式のように表される。
【数2】
また、損失関数がＭＳＥの場合、損失関数Ｌは、下記（５）式のように表される。
【数3】
【0041】
オートエンコーダを用いて学習を行うので、損失関数Ｌ（ｙ，ｔ）＝Ｌ（ｙ，ｘ）として異常度が計算される。
【0042】
＜ＧＵＩ＞
次に、本実施形態に係るシミュレーション装置１におけるシミュレーションに関する設定を可能とするＧＵＩ（Graphical User Interface）について説明する。以下に説明する各種画面の例は、表示制御部７（図２）によって表示部９に表示される。各種設定画面における選択および設定、あるいは画面の切替えなどは操作入力部８による入力に基づいて行われる。各種設定画面において設定される内容は、モデル設定部６により設定される。
次に、本実施形態に係るシミュレーション装置１におけるシミュレーションに関する設定を可能とするＧＵＩ（Graphical User Interface）について説明する。以下に説明する各種画面の例は、表示制御部７（図２）によって表示部９に表示される。各種設定画面における選択および設定、あるいは画面の切替えなどは操作入力部８による入力に基づいて行われる。各種設定画面において設定される内容は、モデル設定部６により設定される。
【0043】
＜＜第１設定画面＞＞
プログラムＰを起動させると、図５に示す第１設定画面が表示される。第１設定画面では、データファイルの読み込み、および必要に応じて前処理の設定を行うことができる。第１設定画面の上方には、タブが左右に並んで表示される。タブを押すことで設定画面を切り替えることができる。図５（第１設定画面）は、“1.Data loading”のタブＴＢ１が押された状態である。
プログラムＰを起動させると、図５に示す第１設定画面が表示される。第１設定画面では、データファイルの読み込み、および必要に応じて前処理の設定を行うことができる。第１設定画面の上方には、タブが左右に並んで表示される。タブを押すことで設定画面を切り替えることができる。図５（第１設定画面）は、“1.Data loading”のタブＴＢ１が押された状態である。
【0044】
第１設定画面には、データファイルを選択するための選択ボタンＢＴ１が表示される。選択ボタンＢＴ１を押すことで、図６に示すダイアログボックスが表示される。ダイアログボックスでは、選択部ＳＡ１においてファイル名が一覧で表示される。選択部ＳＡ１において選択されたファイル名が下方のファイル名表示部ＤＡ１に表示される。ダイアログボックスにおいて、決定ボタンＢＴ２が押されると、ファイル名表示部ＤＡ１に表示されたファイル名のデータファイルがファイル読込み部３によって読み込まれる。ここでは、拡張子がxlsxのExcelファイルを選択することができる。
【0045】
ここで、図７は、データファイル（サンプルのファイル）におけるデータの一例を示す図である。図７のデータは、一例としてモータ出力軸を支持する軸受の内輪軌道に損傷があり、時間経過とともに段階的に損傷が悪化するとした場合の各種信号の時系列データである。具体的には、Ａ列において時間[s]、Ｂ列においてモータ電流[A]、Ｃ列においてｘ方向変位[m]、Ｄ列においてｘ方向加速度[m/s^2]、Ｅ列においてｙ方向変位[m]、Ｆ列においてｙ方向加速度[m/s~2]、Ｇ列において出力軸回転速度[rpm]が格納されている。なお、いずれの列においても１行目には変数名が格納されている。また、図７では、一例として最初の４０００点のデータは正常状態、その後４０００点ごとに損傷の程度が悪化するように設定されている。以下、このようなファイルが読み込まれるものとして説明する。
【0046】
データファイルが読み込まれると、図８に示すように第１設定画面におけるテーブル表示部ＤＡ２において、読み込まれたデータファイルに含まれるデータが表形式で表示される。なお、データファイルの１行目は無視されてデータが読み込まれる。これにより、ユーザはデータが正しく読み込まれているかを確認できる。また、読み込まれたデータの行数が行数表示部ＤＡ３に表示され、読み込まれたデータの列数が列数表示部ＤＡ４に表示される。テーブル表示部ＤＡ２には、読み込まれた全データが表示される。
【0047】
一方、データファイルが読み込まれると、図８に示すように第１設定画面におけるグラフ表示部ＤＡ５において、読み込まれたデータが列ごとにグラフ表示される。横軸がデータ番号、縦軸がデータ値としてグラフ表示される。列選択部ＳＤ１においては、第１列から第５列までをラジオボタンによって選択可能とされている。デフォルトでは第１列のデータがグラフ表示されるが、上記ラジオボタンを押すことでグラフ表示する列を切り替えることができる。なお、第６列以降はグラフ表示できないが、データが読み込まれていない訳ではない。
【0048】
第１設定画面（図８）の左右方向中央には、前処理設定部ＳＴ１が表示される。前処理設定部ＳＴ１においては、正規化処理およびエンベロープに関する設定を行うことができる。読み込まれたデータの第１列から第５列に対して、それぞれ個別に正規化処理およびエンベロープ処理の設定が可能である。
【0049】
正規化処理は、下記（６）式によって行われる。
ただし、xcolumn iは、第i列のデータ、diおよびsiは、第i列のデータに対するパラメータである。
【数4】
ただし、xcolumn iは、第i列のデータ、diおよびsiは、第i列のデータに対するパラメータである。
【0050】
前処理設定部ＳＴ１におけるパラメータ設定部ＰＳ１では、第１列から第５列までのそれぞれのパラメータ（di,si）が設定可能である。パラメータの設定によっては、シフト処理または何も処理しないことも設定可能である。
【0051】
また、前処理設定部ＳＴ１におけるチェックボックスＢＸ１は、第１列から第５列までのそれぞれについて設けられる。チェックボックスＢＸ１にチェックを入れた列に対しては、エンベロープ処理が行われる。チェックを入れていないチェックボックスＢＸ１の列に対しては、エンベロープ処理は行われない。
【0052】
第１設定画面における前処理ボタンＢＴ２を押すと、前処理設定部ＳＴ１における設定に応じて第１列から第５列のデータに対して前処理が行われる。第１設定画面におけるテーブル表示部ＤＡ６には、前処理された後のデータが表形式で表示される。ここでは、第１列から第５列のデータが表示される。グラフ表示部ＤＡ７には、選択部ＳＤ２のラジオボタンで選択された列の前処理後のデータが表示される。表示形式は、グラフ表示部ＤＡ５と同様である。なお、行表示部ＤＡ８、列表示部ＤＡ９には、それぞれテーブル表示部ＤＡ６に表示されるデータの行数、列数が表示される。列表示部ＤＡ９には、列数＝５が表示される。
【0053】
なお、前処理が不要の場合は、前処理ボタンＢＴ２は押さずに、タブＴＢ２（後述する図１３）を押して画面を切り替える。
【0054】
図９は、第１列についての前処理設定および処理結果の一例を示す図である。図９に示すように、第１列のパラメータであるd1,s1は、それぞれd1=0、s1=1に設定されている。この場合、何の処理も行わないことになる。なお、このようなパラメータ設定は、デフォルトである。図９では、グラフ表示部ＤＡ５，ＤＡ７の表示は、第１列の表示が選択されている。グラフ表示部ＤＡ５，ＤＡ７を比較すると、データの変化はなく、何の処理もされていないことがわかる。
【0055】
図１０は、第２列についての前処理設定および処理結果の一例を示す図である。図１０に示すように、第２列のパラメータであるd2,s2は、それぞれd2=1.2、s2=1に設定されている。図１０では、グラフ表示部ＤＡ５，ＤＡ７の表示は、第２列の表示が選択されている。グラフ表示部ＤＡ５，ＤＡ７を比較すると、前処理後には縦軸のマイナス方向にデータがシフト処理されていることがわかる。
【0056】
図１１は、第３列についての前処理設定および処理結果の一例を示す図である。図１１に示すように、第３列のパラメータであるd3,s3は、それぞれd3=0、s3=6e-06に設定されている。図１１では、グラフ表示部ＤＡ５，ＤＡ７の表示は、第３列の表示が選択されている。グラフ表示部ＤＡ５，ＤＡ７を比較すると、前処理後には縦軸方向にデータが拡大され、スケールが変更されていることがわかる。
【0057】
図１２は、第４列についての前処理設定および処理結果の一例を示す図である。図１２に示すように、第４列のパラメータであるd4,s4は、それぞれd4=0、s4=1に設定されている。すなわち、デフォルトのままである。しかしながら、第４列に対してエンベロープ処理の有りが選択されている（チェックボックスＢＸ１にチェックあり）。図１２では、グラフ表示部ＤＡ５，ＤＡ７の表示は、第４列の表示が選択されている。グラフ表示部ＤＡ５，ＤＡ７を比較すると、前処理後には上側エンベロープが抽出されていることがわかる。
【0058】
＜＜第２設定画面＞＞
タブ２（”2.Input chunk range”）が押されると、図１３に示すような第２設定画面が表示される。第２設定画面においては、データ設定ボタンＢＴ３１，ＢＴ３２が表示され、いずれかのボタンを押す。
タブ２（”2.Input chunk range”）が押されると、図１３に示すような第２設定画面が表示される。第２設定画面においては、データ設定ボタンＢＴ３１，ＢＴ３２が表示され、いずれかのボタンを押す。
【0059】
データ設定ボタンＢＴ３１が押されると、第１設定画面で読み込んだデータ（オリジナルデータ）をそのまま機械学習モデル４０に入力させるデータとして使用する。データ設定ボタンＢＴ３２が押されると、第１設定画面で読み込んだデータに第１設定画面において設定された前処理を実施して得られたデータを、機械学習モデル４０に入力させるデータとして使用する。
【0060】
データ設定ボタンＢＴ３１，ＢＴ３２のいずれかによって使用が選択されたデータがテーブル表示部ＤＡ１０およびグラフ表示部ＤＡ１３に表示される。テーブル表示部ＤＡ１０には、表記式で表示される。グラフ表示部ＤＡ１３の表示は、列選択部ＳＤ３においてラジオボタンにより列を選択することで第１列から第５列までを切り替え可能である。
【0061】
図１４は、第２設定画面において、データ設定ボタンＢＴ３１を押した場合の状態を示す図である（すなわち、オリジナルデータの使用）。第２設定画面においては、チャンク設定部ＳＴ２が表示される。チャンクは、機械学習モデル４０（機械学習部４０２）に逐次入力するときの１回分のデータの塊である。
【0062】
チャンク設定部ＳＴ２においては、列番号設定部ＳＴ２１と、行数設定部ＳＴ２２と、列数表示部ＳＴ２３が含まれる。列番号設定部ＳＴ２１には、機械学習モデルに入力させる入力データの先頭列を示す使用データ（データ設定ボタンＢＴ３１，ＢＴ３２により選択されたデータ）における列番号を入力可能である。行数設定部ＳＴ２２には、使用データにおける１つのチャンクの行数を入力可能である。列数設定部ＳＴ２３には、使用データにおける１つのチャンクの列数を入力可能である。
【0063】
図１４の例では、列番号設定部ＳＴ２１に「２」、行数設定部ＳＴ２２に「２５６」、列数設定部ＳＴ２３に「１」が入力されている。これにより、使用データの２列目が入力データの先頭列に設定され、２５６行１列のデータの塊が１つのチャンクに設定される。すなわち、第２列のデータ（図７のモータ電流）が入力データとして選択されている。
【0064】
なお、列数設定部ＳＴ２３に２以上の値を設定することで、複数列のデータ、すなわち複数種類の信号データなどを入力データとすることもできる。例えば、図７におけるモータ電流とｘ方向変位のデータを入力データとすることなどが可能である。
【0065】
第２設定画面においてチェックボタンＢＴ４が押されると、図１５に示すような画面となり、テーブル表示部ＤＡ１４に先頭のチャンクが表形式で表示される。これにより、チャンクが適切に設定されているかを確認できる。また、チャンク数表示部ＤＡ１５には、使用データの行数と１つのチャンクの行数から計算されるチャンク数が表示される（図１５の例では、チャンク数＝６２）。データ数表示部ＤＡ１６には、１つのチャンクに含まれるデータ数が表示される。当該データ数は、１つのチャンクの行数と列数の積の値と同じである（図１５の例では、データ数＝２５６）。
【0066】
＜＜第３設定画面＞＞
タブＴＢ３（”3.Preprocessing by MCU”）を押すと、図１６に示すような第３設定画面が表示される。第３設定画面では、ＭＣＵ（マイコン）で実行可能なＦＦＴなどの前処理の適用を検討する。
タブＴＢ３（”3.Preprocessing by MCU”）を押すと、図１６に示すような第３設定画面が表示される。第３設定画面では、ＭＣＵ（マイコン）で実行可能なＦＦＴなどの前処理の適用を検討する。
【0067】
第３設定画面においては前処理設定部ＳＴ３が表示される。前処理設定部ＳＴ３においては、窓関数処理とＦＦＴ処理のそれぞれの適用有無が設定される。なお、窓関数処理としては、Hann窓、Hamming窓、Gauss窓、三角窓、カイザー窓、チェビシェフ窓、ブラックマン窓などを採用できる。具体的には、チェックボックスＢＸ２によって窓関数処理の有無が設定される。チェックボックスＢＸ３によってＦＦＴ処理の有無が設定される。また、表示単位選択部ＳＤ４において、ＦＦＴ処理結果の表示単位（AmplitudeまたはdB）をラジオボタンによって選択できる。
【0068】
なお、窓関数処理およびＦＦＴ処理は、チャンクごとに行われる。ＦＦＴ処理等はＭＣＵでの計算に適したアルゴリズムとしている。ＦＦＴ処理後のデータは振幅のみを利用するため、ＦＦＴ長（１つのチャンクに含まれるデータの数）に対して、（ＦＦＴ長）／２＋１個となる。なお、ＦＦＴ処理は、振幅のみを利用する場合、位相のみを利用する場合、振幅と位相の両方を利用する場合などを選択できるようにしてもよい。
【0069】
また、前処理設定部ＳＴ３において、ＦＦＴ長表示部ＤＡ１７には、ＦＦＴ長が表示される。
【0070】
前処理ボタンＢＴ５が押されると、前処理設定部ＳＴ３で設定された前処理が実施され、処理結果が結果表示部ＤＡ１８に表示される。処理結果は、チャンクごとに表示される。なお、表示されるチャンクに含まれるデータ番号を、前処理設定部ＳＴ３におけるデータ番号設定部ＳＴ３１において設定可能である。ここで、データ番号は、チャンクの列数が複数の場合、小さい行から順に同じ行の異なる列のデータに番号を１から順に割り当てた場合の全てのチャンクにおける通し番号である。例えば、チャンクの列数が３列であれば、１行目の１列目、２列目、３列目→２行目の１列目、２列目、３列目→・・・の順に番号を割り当てる。先述した図１５であれば、設定されたチャンクが２５６行１列であるため、データ番号が１から２５６までは、先頭の同じチャンクを表す。
【0071】
結果表示部ＤＡ１８においては、生データ（Raw data）表示部ＤＡ１８１、窓関数処理後表示部ＤＡ１８２、ＦＦＴ処理後表示部ＤＡ１８３が左から右にかけて表示される。生データ表示部ＤＡ１８１には、１つのチャンクのデータ（処理前のデータ）が表示される。窓関数処理後表示部ＤＡ１８２には、１つのチャンクのデータを窓関数処理して得られるデータが表示される。ＦＦＴ処理後表示部ＤＡ１８３には、窓関数処理後のデータをＦＦＴ処理して得られるデータが表示される。なお、生データ表示部ＤＡ１８１、窓関数処理後表示部ＤＡ１８２、ＦＦＴ処理後表示部ＤＡ１８３ともに、横軸をデータ番号（ただし、対象チャンクにおける先頭データを番号１とした場合の通し番号）、縦軸をデータ値としてグラフ表示される。
【0072】
ただし、例えば、窓関数処理を適用せず、ＦＦＴ処理のみを実施した場合は、窓関数処理後表示部ＤＡ１８２に生データが表示される。窓関数処理とＦＦＴ処理ともに適用しない場合は、生データ表示部ＤＡ１８１、窓関数処理後表示部ＤＡ１８２、ＦＦＴ処理後表示部ＤＡ１８３ともに生データが表示される。いずれにせよ、ＦＦＴ処理後表示部ＤＡ１８３に表示されているデータが機械学習部４０２（３層ニューラルネットワーク１０）に入力されるデータとなる。
【0073】
図１７は、窓関数処理およびＦＦＴ処理をいずれも適用した場合の処理結果の表示例である。ＦＦＴ処理後は、データの個数が減っている。なお、結果表示部ＤＡ１８においては、データ番号設定部ＳＴ３２が表示される。データ番号設定部ＳＴ３２には、結果表示部ＤＡ１８に再表示するチャンクに対応するデータ番号を設定可能である。再表示ボタンＢＴ６が押されると、結果表示部ＤＡ１８に処理結果が再表示される。
【0074】
次に、第３設定画面における学習・推論設定部ＳＴ４（図１６）について述べる。図１８は、学習・推論設定部ＳＴ４を示す。学習・推論設定部ＳＴ４においては、生データ表示部ＤＡ１９が表示される。生データ表示部ＤＡ１９においては、第２設定画面において設定されたすべてのチャンクのデータ（処理前のデータ）がグラフ表示される。横軸をデータ番号、縦軸をデータ値として表示される。
【0075】
生データ表示部ＳＴ４の下方には、左端に先頭データ番号表示部ＤＡ２０および先頭チャンク番号表示部ＤＡ２１が表示される。先頭データ番号表示部ＤＡ２０には、データ番号の先頭の番号（図１８では「１」）が表示され、先頭チャンク番号表示部ＤＡ２１には、先頭のチャンクの番号（図１８では「１」）が表示される。
【0076】
生データ表示部ＳＴ４の下方には、右端に最終データ番号表示部ＤＡ２２および最終チャンク番号表示部ＤＡ２３が表示される。最終データ番号表示部ＤＡ２２には、最終のデータ番号が表示され、最終チャンク番号表示部ＤＡ２３には、チャンク番号の最終の番号が表示される。図１８の例では、図１５の例においてチャンクが２５６行１列に設定され、図７に示すように１列のデータ数が１６００１のため、チャンク数＝６２（最終チャンク番号）となり、最終のデータ番号は６２×２５６＝１５８７２となる。
【0077】
機械学習部４０２における学習（Training）および推論（Prediction）は、チャンク単位で行われる。まず、学習を開始したいチャンクに含まれるデータ番号の１つをデータ番号設定部ＳＴ４１に入力して設定する。図１９は、図１８と同様の生データの並びに対する学習および推論の設定についての図である。図７の例における第２列のデータであるモータ電流では、モータ起動時に電流増加が認められる。この電流増加を学習したくない場合、２番目のチャンクＣＨ２（チャンク番号＝２）から学習を開始することが有効である。そこで、２番目のチャンクＣＨ２に含まれるデータ番号である例えば２５７を設定すれば、２番目のチャンクＣＨ２から学習が開始され、先頭のチャンクＣＨ１は学習に用いられない。
【0078】
続いて、推論を開始したいチャンクに含まれるデータ番号の１つをデータ番号設定部ＳＴ４２（図１８）に入力して設定する。図７の例におけるモータ電流では、データ番号４０００から異常状態に遷移する。それまでは正常状態のため、ここでは一例としてデータ番号３５００を設定し、正常状態のみを学習に使用するようにしている。なお、データ番号３５００は、図１９に示すようにチャンク番号＝１４のチャンクＣＨ１４に相当する。このようにして、図１９の例では、チャンクＣＨ１は学習に使用されず、チャンクＣＨ２からＣＨ１３までが学習に使用され、チャンクＣＨ１４から最後のチャンクＣＨ６２までが推論に使用される。
【0079】
＜＜第４設定画面＞＞
タブＴＢ４（“4.AI Settings and Sim”）が押されると、図２０に示すような第４設定画面が表示される。第４設定画面は、機械学習部４０２のパラメータ設定、シミュレーション実行、およびシミュレーション結果確認のための画面である。
タブＴＢ４（“4.AI Settings and Sim”）が押されると、図２０に示すような第４設定画面が表示される。第４設定画面は、機械学習部４０２のパラメータ設定、シミュレーション実行、およびシミュレーション結果確認のための画面である。
【0080】
図２０に示す第４設定画面においては、ＡＩパラメータ設定部ＳＴ５が表示される。ＡＩパラメータ設定部ＳＴ５には、入力ノード数設定部ＳＴ５１、隠れ層ノード数設定部ＳＴ５２、および出力ノード数設定部ＳＴ５３が含まれる。入力ノード数設定部ＳＴ５１では、入力層１０Ａのノード数（すなわち上記のｎの値）が表示される。入力層のノード数は、入力データの１つのチャンクの行数と列数の乗算で算出される。すなわち、１つのチャンクのデータは、バッチサイズが１のデータに相当する。なお、図２０の例では、図１７に示すようにＦＦＴ処理後のデータを機械学習部４０２に入力させるため、１つのチャンクにおけるデータ数が２５６から１２９に減っており、この１２９が入力ノード数として設定されている。
【0081】
隠れ層ノード数設定部ＳＴ５２は、隠れ層１０Ｂのノード数（すなわち上記のｍの値）を入力可能である。出力ノード数設定部ＳＴ５３では、出力層１０Ｃのノード数（すなわち上記のｎ’の値）が表示される。オートエンコーダのため、出力ノード数は入力ノード数と一致する。
【0082】
ＡＩパラメータ設定部ＳＴ５には、活性化関数設定部ＳＴ５４、損失関数設定部ＳＴ５５、および忘却率設定部ＳＴ５６も含まれる。活性化関数設定部ＳＴ５４では、隠れ層１０Ｂの活性化関数の種類を選択可能である。活性化関数は、例えばＳｉｇｍｏｉｄあるいはＲｅＬＵなどを設定可能である。
【0083】
損失関数設定部ＳＴ５５では、機械学習部４０２において異常度を算出するために用いられる損失関数の種類を選択可能である。損失関数は、例えばＭＡＥあるいはＭＳＥを設定可能である。
【0084】
忘却率設定部ＳＴ５６では、忘却率の値を入力可能である。忘却率は、学習結果を忘れる程度を表すパラメータである。学習結果を反映しない方法としては、例えば過去の学習結果を使用する、学習結果を初期化するなどが挙げられる。忘却率＝１は、以前の学習結果を全く忘れないことを表し、忘却率＝０は、全て忘れることを表す。
【0085】
また、ＡＩパラメータ設定部ＳＴ５には、学習繰り返し数設定部ＳＴ５７も表示される。学習繰り返し数設定部ＳＴ５７では、学習を繰り返す回数を設定可能である。
【0086】
以上の設定画面によってすべての設定項目の設定が完了し、シミュレーション開始ボタンＢＴ７が押し下げられると、モデル演算部５は、モデル設定部６により設定された内容に従ってシミュレーションを実行する。ここでは、データがチャンク単位で逐次、機械学習部４０２に入力され、先述のアルゴリズムによってβが逐次更新されて教師なし学習が行われる。データが入力される場合、チャンクにおけるデータ番号の順に入力層１０Ａの各ノードに入力される。学習中には機械学習部４０２による推論も行われる。また、学習が完了した後には、機械学習部４０２による推論も行われる。推論結果は、チャンクごとに算出される。また、推論結果、入力データ、および損失関数に基づいて異常度がチャンクごとに算出される。
【0087】
シミュレーション結果は、例えば図２１に示すように、第４設定画面における結果表示部ＲＡ１に表示される。結果表示部ＲＡ１には、上段において異常度テーブル表示部ＲＡ１１と異常度グラフ表示部ＲＡ１２が表示される。異常度テーブル表示部ＲＡ１１には、学習時の各チャンクの異常度が表形式で表示される。異常度グラフ表示部ＲＡ１２には、学習時の各チャンクの異常度がグラフ形式で表示される。異常度テーブル表示部ＲＡ１１と異常度グラフ表示部ＲＡ１２には、いずれもチャンク番号と異常度が対応して表示される。
【0088】
結果表示部ＲＡ１には、下段において異常度テーブル表示部ＲＡ１３と異常度グラフ表示部ＲＡ１４が表示される。異常度テーブル表示部ＲＡ１３には、学習完了後における推論時の各チャンクの異常度が表形式で表示される。異常度グラフ表示部ＲＡ１４には、学習完了後における推論時の各チャンクの異常度がグラフ形式で表示される。異常度テーブル表示部ＲＡ３１と異常度グラフ表示部ＲＡ１４には、いずれもチャンク番号と異常度が対応して表示される。
【0089】
ここで、学習繰り返し数設定部ＳＴ５７に入力された状態でシミュレーション開始ボタンＢＴ７が押されると、学習用のすべてのチャンク（図１９の例であればチャンクＣＨ２からＣＨ１３まで）を用いた学習が学習繰り返し数設定部ＳＴ３７に設定された回数だけ再利用される。すなわち、最後のチャンクまで使用された場合、先頭のチャンクに戻って学習が再開される。
【0090】
図２１の例では、学習繰り返し数設定部ＳＴ５７で設定される回数＝０のため、学習の繰り返しが行われず、図２１の異常度グラフ表示部ＲＡ１２に表示されるように、学習時の異常度が徐々に低下するが、低下の過程で学習が終わっている。理想的には十分な学習ができたことを示す異常度が平坦な状態が望ましい。しかしながら、そのような学習を実現するための長期間のデータを準備することが容易でない場合もある。そこで、学習繰り返し数設定部ＳＴ５７で設定される回数を１以上に設定することで、異常度が平坦な状態にまで学習を行うことが容易に可能となる。図２２は、学習繰り返し数設定部ＳＴ５７で設定される回数＝２０にした場合の異常度グラフ表示部ＲＡ１２の表示例であり、２０回分の折り返しラインＬＮが表示され、このように学習が繰り返されることで最終的には異常度が平坦な状態に近づいている（学習回数は２０＋１＝２１）。
【0091】
＜＜グラフ画面＞＞
タブＴＢ５（“5.Graph”）が押されると、図２３に示すようなグラフ画面が表示される。グラフ画面においては、上段にグラフ表示部ＧＤ１が表示され、下段にグラフ表示部ＧＤ２が表示される。グラフ表示部ＧＤ１には、機械学習部４０２に入力されたすべてのデータ（すべてのチャンクからなるデータ）に対する入力データの値が表示される。横軸がデータ番号とされる。なお、図２３の例では、第３設定画面において窓関数処理およびＦＦＴ処理をチャンクごとに実施して得られるデータを入力データとしているため、トゲのようなピークから次のピークの手前までが１つのチャンクに相当する。また、ＦＦＴ処理のため、第３設定画面においては最後のデータ番号が１５８７２（図１８）までだったのが約半分の７９９８となっている（最終データ番号表示部ＤＡ２４）。なお、最後のチャンク番号は、第３設定画面と同様に６２である（最終チャンク番号表示部ＤＡ２５）。
タブＴＢ５（“5.Graph”）が押されると、図２３に示すようなグラフ画面が表示される。グラフ画面においては、上段にグラフ表示部ＧＤ１が表示され、下段にグラフ表示部ＧＤ２が表示される。グラフ表示部ＧＤ１には、機械学習部４０２に入力されたすべてのデータ（すべてのチャンクからなるデータ）に対する入力データの値が表示される。横軸がデータ番号とされる。なお、図２３の例では、第３設定画面において窓関数処理およびＦＦＴ処理をチャンクごとに実施して得られるデータを入力データとしているため、トゲのようなピークから次のピークの手前までが１つのチャンクに相当する。また、ＦＦＴ処理のため、第３設定画面においては最後のデータ番号が１５８７２（図１８）までだったのが約半分の７９９８となっている（最終データ番号表示部ＤＡ２４）。なお、最後のチャンク番号は、第３設定画面と同様に６２である（最終チャンク番号表示部ＤＡ２５）。
【0092】
グラフ表示部ＧＤ２には、機械学習部４０２に入力されたすべてのデータに対する異常度の値が表示される。横軸がデータ番号とされる。図７のデータでは、全データの前半１／４が正常状態、後半３／４が異常状態であった。グラフ表示部ＧＤ２においては、正常状態の異常度と、３段階の異常状態の異常度が表示されている。
【0093】
グラフ画面右上の閾値設定部ＴＳ１において、閾値入力部ＴＳ１１に異常度の閾値を入力し、設定ボタンＢＴ８を押すことで、グラフ表示部ＧＤ２において設定された閾値ＴＨが表示される。図２３の例では、異常レベル３を識別できるように閾値を5e-05に設定している。
【0094】
また、グラフ画面の最下段には、グラフ表示部ＧＤ３が表示される。グラフ表示部ＧＤ３では、チャンクごとに、機械学習部４０２に入力されたデータと、機械学習部４０２による推論結果とを比較して表示される。横軸はデータ番号（ただし、対象チャンクにおける先頭データを番号１とした場合の通し番号）として表示される。なお、グラフ表示部ＧＤ３の左方には、チャンク番号表示部ＤＡ２６とデータ番号設定部ＳＴ６が表示される。チャンク番号表示部ＤＡ２６には、グラフ表示部ＧＤ３に表示させるチャンクのチャンク番号が表示される。デフォルトでは、最後のチャンク番号が表示される。データ番号設定部ＳＴ６には、グラフ表示部ＧＤ３に再表示させるチャンクに含まれるデータ番号を設定可能である。データ番号設定部ＳＴ６に設定後、再表示ボタンＢＴ９が押されると、グラフ表示部ＧＤ３が再表示される。
【0095】
異常度の値が大きいチャンクについてグラフ表示部ＧＤ３を表示させると、入力データと推論値との乖離が大きくなる。
【0096】
＜その他＞
なお、本明細書中に開示されている種々の技術的特徴は、上記実施形態のほか、その技術的創作の主旨を逸脱しない範囲で種々の変更を加えることが可能である。すなわち、上記実施形態は、全ての点で例示であって制限的なものではないと考えられるべきであり、本発明の技術的範囲は、上記実施形態に限定されるものではなく、特許請求の範囲と均等の意味および範囲内に属する全ての変更が含まれると理解されるべきである。
なお、本明細書中に開示されている種々の技術的特徴は、上記実施形態のほか、その技術的創作の主旨を逸脱しない範囲で種々の変更を加えることが可能である。すなわち、上記実施形態は、全ての点で例示であって制限的なものではないと考えられるべきであり、本発明の技術的範囲は、上記実施形態に限定されるものではなく、特許請求の範囲と均等の意味および範囲内に属する全ての変更が含まれると理解されるべきである。
【0097】
例えば、上記実施形態では、行数と列数によって２次元的にチャンクを設定したが、３次元以上でチャンクを設定するようにしてもよい。
【0098】
＜付記＞
以上のように、本開示の一態様に係るシミュレーション装置（１）は、
学習および推論を行うように構成される機械学習モデル（４０）を記憶されたモデル記憶部（４）と、
前記機械学習モデルを用いて演算処理を行うように構成されるモデル演算部（５）と、
操作入力部（８）と、
データを読み込むように構成される読込み部（３）と、
前記操作入力部による入力に基づき、前記機械学習モデルに関する設定を行うように構成されるモデル設定部（６）と、
を備え、
前記モデル設定部は、読み込まれた前記データに基づき、前記機械学習モデルに逐次入力させる場合の１回分のデータの塊としてのチャンクに関する設定を行い、
前記モデル演算部は、前記チャンクを前記機械学習モデルに逐次入力させることで教師なし学習の演算および推論の演算を行う構成としている（第１の構成）。
以上のように、本開示の一態様に係るシミュレーション装置（１）は、
学習および推論を行うように構成される機械学習モデル（４０）を記憶されたモデル記憶部（４）と、
前記機械学習モデルを用いて演算処理を行うように構成されるモデル演算部（５）と、
操作入力部（８）と、
データを読み込むように構成される読込み部（３）と、
前記操作入力部による入力に基づき、前記機械学習モデルに関する設定を行うように構成されるモデル設定部（６）と、
を備え、
前記モデル設定部は、読み込まれた前記データに基づき、前記機械学習モデルに逐次入力させる場合の１回分のデータの塊としてのチャンクに関する設定を行い、
前記モデル演算部は、前記チャンクを前記機械学習モデルに逐次入力させることで教師なし学習の演算および推論の演算を行う構成としている（第１の構成）。
【0099】
また、上記第１の構成において、前記モデル設定部は、前記チャンクに複数種類の信号の時系列データを含めるように設定が可能である構成としてもよい（第２の構成）。
【0100】
また、上記第１または第２の構成において、前記モデル設定部は、読み込まれた前記データに基づき、先頭列としての列番号、行数、および列数を設定することで前記チャンクの設定が可能である構成としてもよい（第３の構成）。
【0101】
また、上記第１から第３のいずれかの構成において、前記機械学習モデルは、読み込まれた前記データに対して下記式により正規化処理を行うように構成される第１前処理部（４０１）を有し、
前記モデル設定部は、下記式のパラメータを設定可能である構成としてもよい（第４の構成）。
ただし、xcolumn iは、第i列の前記データ、diおよびsiは、第i列の前記データに対するパラメータである。
前記モデル設定部は、下記式のパラメータを設定可能である構成としてもよい（第４の構成）。
【数5】
ただし、xcolumn iは、第i列の前記データ、diおよびsiは、第i列の前記データに対するパラメータである。
【0102】
また、上記第１から第４のいずれかの構成において、前記機械学習モデルは、読み込まれた前記データに対してエンベロープ処理を行うように構成される第２前処理部（４０１）を有し、
前記モデル設定部は、読み込まれた前記データの列ごとに前記エンベロープ処理の有無を設定可能である構成としてもよい（第５の構成）。
前記モデル設定部は、読み込まれた前記データの列ごとに前記エンベロープ処理の有無を設定可能である構成としてもよい（第５の構成）。
【0103】
また、上記第１から第５のいずれかの構成において、前記機械学習モデルは、前記チャンクごとに窓関数処理および周波数解析処理を行うように構成される第３前処理部（４０１）を有し、
前記モデル設定部は、前記窓関数処理および前記周波数解析処理のそれぞれの有無を設定可能である構成としてもよい（第６の構成）。
前記モデル設定部は、前記窓関数処理および前記周波数解析処理のそれぞれの有無を設定可能である構成としてもよい（第６の構成）。
【0104】
また、上記第１から第６のいずれかの構成において、前記モデル設定部は、前記機械学習モデルによる学習を開始させる前記チャンクである学習開始チャンクおよび前記機械学習モデルによる推論を開始させる前記チャンクである推論開始チャンクを設定可能である構成としてもよい（第７の構成）。
【0105】
また、上記第７の構成において、前記学習開始チャンクおよび前記推論開始チャンクの設定は、チャンクに含まれるデータ番号の設定により行われ、
前記データ番号は、前記チャンクの列数が複数の場合、小さい行から順に同じ行の異なる列のデータに列番号が小さい順に番号を順に割り当てた場合の番号である構成としてもよい（第８の構成）。
前記データ番号は、前記チャンクの列数が複数の場合、小さい行から順に同じ行の異なる列のデータに列番号が小さい順に番号を順に割り当てた場合の番号である構成としてもよい（第８の構成）。
【0106】
また、上記第１から第８のいずれかの構成において、前記モデル設定部は、前記機械学習モデルに含まれるニューラルネットワーク（１０）に関する項目を設定可能である構成としてもよい（第９の構成）。
【0107】
また、上記第９の構成において、前記項目には、学習結果を忘れる程度を表すパラメータである忘却率が含まれる構成としてもよい（第１０の構成）。
【0108】
また、上記第１から第１０のいずれかの構成において、前記モデル設定部は、全ての前記チャンクを用いた学習を繰り返し行う回数を設定可能である構成としてもよい（第１１の構成）。
【0109】
また、上記第１の構成において、前記モデル設定部は、全ての前記チャンクを用いた学習を繰り返し行う回数を設定可能であり、
全ての前記チャンクに対する前記損失関数の値を、最後の前記チャンクから先頭の前記チャンクまでの折り返しライン（ＬＮ）を含めて、設定された前記回数だけ繰り返して表示する第１表示制御部を備える構成としてもよい（第１２の構成）。
全ての前記チャンクに対する前記損失関数の値を、最後の前記チャンクから先頭の前記チャンクまでの折り返しライン（ＬＮ）を含めて、設定された前記回数だけ繰り返して表示する第１表示制御部を備える構成としてもよい（第１２の構成）。
【0110】
また、上記第１から第１２のいずれかの構成において、前記機械学習モデルによる学習中および学習後の推論結果に基づく損失関数の値を、全ての前記チャンクに含まれるデータの通し番号に対して表示する制御を行うように構成される第２表示制御部（７）を備える構成としてもよい（第１３の構成）。
【0111】
また、上記第１３の構成において、前記モデル設定部は、前記第３表示制御部による表示において表示される前記損失関数の値の閾値を設定可能である構成としてもよい（第１４の構成）。
【0112】
また、上記第１から第１４のいずれかの構成において、１つの前記チャンクに含まれるデータの通し番号に対して、前記データの値と前記機械学習モデルによる推論結果とを表示する制御を行うように構成される第３表示制御部（７）を備え、
前記モデル設定部は、前記第３表示制御部に再表示させる前記チャンクの設定が可能である構成としてもよい（第１５の構成）。
前記モデル設定部は、前記第３表示制御部に再表示させる前記チャンクの設定が可能である構成としてもよい（第１５の構成）。
【0113】
また、上記第１から第１５のいずれかの構成において、設定された前記チャンクの先頭のチャンクを表示する制御を行うように構成される第４表示制御部（７）を備える構成としてもよい（第１６の構成）。
【0114】
また、上記第６の構成において、１つの前記チャンクについての前記窓関数処理および前記周波数解析処理の処理結果をそれぞれ表示する制御を行うように構成される第５表示制御部（７）を備え、
前記モデル設定部は、前記処理結果を再表示させる前記チャンクの設定が可能である構成としてもよい（第１７の構成）。
前記モデル設定部は、前記処理結果を再表示させる前記チャンクの設定が可能である構成としてもよい（第１７の構成）。
【0115】
また、上記第１から第１７のいずれかの構成において、前記機械学習モデルによる学習中の推論結果に基づく損失関数の値を前記チャンクごとに表示する制御を行うように構成される第６表示制御部（７）を備える構成としてもよい（第１８の構成）。
【0116】
また、上記第１から第１８のいずれかの構成において、前記機械学習モデルによる学習後の推論による推論結果に基づく損失関数の値を前記チャンクごとに表示する制御を行うように構成される第７表示制御部（７）を備える構成としてもよい（第１９の構成）。
【0117】
また、上記第１から第１９のいずれかの構成において、前記データには、モータの正常状態と異常状態における信号の時系列データを含めることが可能である構成としてもよい（第２０の構成）。
【0118】
また、本開示の一態様に係るプログラム（Ｐ）は、コンピュータ（１００）を上記第１から第２０のいずれかの構成のシミュレーション装置として機能させるためのプログラムである。
【0119】
また、本開示の一態様に係るシミュレーション方法は、
データを読み込む第１ステップと、
読み込まれた前記データに基づき、機械学習モデルに逐次入力させる場合の１回分のデータの塊としてのチャンクに関する設定を行う第２ステップと、
前記チャンクを前記機械学習モデルに逐次入力させることで教師なし学習の演算および推論の演算を行う第３ステップと、を備える。
データを読み込む第１ステップと、
読み込まれた前記データに基づき、機械学習モデルに逐次入力させる場合の１回分のデータの塊としてのチャンクに関する設定を行う第２ステップと、
前記チャンクを前記機械学習モデルに逐次入力させることで教師なし学習の演算および推論の演算を行う第３ステップと、を備える。
【産業上の利用可能性】
【0120】
本開示は、例えば、各種用途の教師なし学習シミュレーションに利用することができる。
【符号の説明】
【0121】
１ シミュレーション装置
２ ファイル記憶部
３ ファイル読込み部
４ モデル記憶部
５ モデル演算部
６ モデル設定部
７ 表示制御部
８ 操作入力部
９ 表示部
１０ ３層ニューラルネットワーク
１０Ａ 入力層
１０Ｂ 隠れ層
１０Ｃ 出力層
２１ データファイル
４０ 機械学習モデル
１００ コンピュータ
１００Ａ ＣＰＵ
１００Ｂ メモリ
１００Ｃ 補助記憶装置
１００Ｄ 操作入力部
１００Ｅ 表示部
２１０ データ
４０１ 前処理部
４０２ 機械学習部
Ｐ プログラム
２ ファイル記憶部
３ ファイル読込み部
４ モデル記憶部
５ モデル演算部
６ モデル設定部
７ 表示制御部
８ 操作入力部
９ 表示部
１０ ３層ニューラルネットワーク
１０Ａ 入力層
１０Ｂ 隠れ層
１０Ｃ 出力層
２１ データファイル
４０ 機械学習モデル
１００ コンピュータ
１００Ａ ＣＰＵ
１００Ｂ メモリ
１００Ｃ 補助記憶装置
１００Ｄ 操作入力部
１００Ｅ 表示部
２１０ データ
４０１ 前処理部
４０２ 機械学習部
Ｐ プログラム
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】
【図15】
【図16】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
