特許 7487704 評価装置、評価方法、評価プログラム、制御装置、および、制御プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2024-05-13

(45)【発行日】2024-05-21

(54)【発明の名称】評価装置、評価方法、評価プログラム、制御装置、および、制御プログラム

(51)【国際特許分類】

   G06Q 10/04 20230101AFI20240514BHJP

   G05B 13/02 20060101ALI20240514BHJP

   G06Q 50/06 20240101ALI20240514BHJP

【ＦＩ】

G06Q10/04

G05B13/02 J

G05B13/02 L

G06Q50/06

【請求項の数】 12

(21)【出願番号】P 2021075455

(22)【出願日】2021-04-28

(65)【公開番号】P2022169825

(43)【公開日】2022-11-10

【審査請求日】2022-04-26

(73)【特許権者】

【識別番号】000006507

【氏名又は名称】横河電機株式会社

(74)【代理人】

【識別番号】110000877

【氏名又は名称】弁理士法人ＲＹＵＫＡ国際特許事務所

(72)【発明者】

【氏名】唐澤 嶺

(72)【発明者】

【氏名】遠藤 真

(72)【発明者】

【氏名】森岡 進行

(72)【発明者】

【氏名】▲高▼見 豪

(72)【発明者】

【氏名】石井 雅喜

【審査官】牧 裕子

(56)【参考文献】

【文献】特開２０１０－１４６３８７（ＪＰ，Ａ）

【文献】国際公開第２０１２／１１８０６７（ＷＯ，Ａ１）

【文献】国際公開第２０１３／１２１７００（ＷＯ，Ａ１）

【文献】特開２００７－２７２６４６（ＪＰ，Ａ）

【文献】特開２０１２－０３８０５４（ＪＰ，Ａ）

【文献】特開２０１９－０２１１８６（ＪＰ，Ａ）

【文献】特開２０１５－０２３６６８（ＪＰ，Ａ）

【文献】特開２０１９－０８６９９９（ＪＰ，Ａ）

【文献】特開２０２０－０３５１１０（ＪＰ，Ａ）

【文献】特開２０１６－０１５００２（ＪＰ，Ａ）

【文献】国際公開第２０２０／１９４６０２（ＷＯ，Ａ１）

【文献】特開２０１４－２１５７２８（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｑ １０／００ － ９９／００

Ｇ０５Ｂ １３／０２

(57)【特許請求の範囲】

【請求項1】

設備における運転環境を示す環境データを取得する環境データ取得部と、
前記設備における運転実績を示す実績データを取得する実績データ取得部と、
学習対象期間における運転環境と運転実績との関係を学習することにより生成された、運転環境が入力されると前記学習対象期間の運転ベースでの運転実績の推定値を出力する学習モデルに評価対象期間の運転環境を入力して、前記評価対象期間の運転環境下における前記学習対象期間の運転ベースでの運転実績を推定する推定部と、
前記評価対象期間における運転実績の実測値を前記推定された運転実績の推定値に対して相対的に評価した指標を算出する評価部と、
前記設備の状態を示す状態データを取得する状態データ取得部と、
前記状態データが示す前記設備の状態に応じた操作量を前記設備へと出力することにより前記設備を制御する制御部と
を備え、
前記制御部は、前記指標を少なくとも一部として含む報酬が高くなる操作量ほど推奨する操作量として出力されるように強化学習することによって、前記状態に応じた操作量を出力する制御モデルを生成する
制御装置。

【請求項2】

前記学習モデルを生成する学習部を更に備える、請求項１に記載の制御装置。

【請求項3】

前記学習モデルを前記学習対象期間ごとに対応付けて保存する学習モデル保存部を更に備える、請求項１または２に記載の制御装置。

【請求項4】

前記学習モデルを生成する学習部と、
前記学習モデルを前記学習対象期間ごとに対応付けて保存する学習モデル保存部とを更に備え、
前記学習部は、指定された学習対象期間に対応する学習モデルが保存されていない場合に、前記指定された学習対象期間における環境データおよび実績データを学習データとして、前記指定された学習対象期間に対応する学習モデルを生成する、請求項１に記載の制御装置。

【請求項5】

前記指標を出力する出力部を更に備える、請求項１から４のいずれか一項に記載の制御装置。

【請求項6】

前記出力部は、複数の前記評価対象期間におけるそれぞれの前記指標を出力する、請求項５に記載の制御装置。

【請求項7】

前記出力部は、１つの前記評価対象期間を区分けした複数の期間におけるそれぞれの前記指標を出力する、請求項５に記載の制御装置。

【請求項8】

前記環境データ取得部は、外気条件を示すデータを前記環境データとして取得する、請求項１から７のいずれか一項に記載の制御装置。

【請求項9】

前記環境データ取得部は、前記設備が設けられた施設における稼働状態を示すデータを前記環境データとして取得する、請求項１から８のいずれか一項に記載の制御装置。

【請求項10】

前記実績データ取得部は、前記設備における燃料の使用量、および、前記設備における消費電力量の少なくともいずれかを示すデータを前記実績データとして取得する、請求項１から９のいずれか一項に記載の制御装置。

【請求項11】

コンピュータが、設備における運転環境を示す環境データを取得することと、
前記コンピュータが、前記設備における運転実績を示す実績データを取得することと、
前記コンピュータが、学習対象期間における運転環境と運転実績との関係を学習することにより生成された、運転環境が入力されると前記学習対象期間の運転ベースでの運転実績の推定値を出力する学習モデルに評価対象期間の運転環境を入力して、前記評価対象期間の運転環境下における前記学習対象期間の運転ベースでの運転実績を推定することと、
前記コンピュータが、前記評価対象期間における運転実績の実測値を前記推定された運転実績の推定値に対して相対的に評価した指標を算出することと、
前記コンピュータが、前記指標を出力することと、
前記コンピュータが、前記設備の状態を示す状態データを取得することと、
前記コンピュータが、前記状態データが示す前記設備の状態に応じた操作量を前記設備へと出力することにより前記設備を制御することと、
前記指標を少なくとも一部として含む報酬が高くなる操作量ほど推奨する操作量として出力されるように強化学習することによって、前記状態に応じた操作量を出力する制御モデルを生成することと
を備える、制御方法。

【請求項12】

コンピュータにより実行されて、前記コンピュータを、
設備における運転環境を示す環境データを取得する環境データ取得部と、
前記設備における運転実績を示す実績データを取得する実績データ取得部と、
学習対象期間における運転環境と運転実績との関係を学習することにより生成された、運転環境が入力されると前記学習対象期間の運転ベースでの運転実績の推定値を出力する学習モデルに評価対象期間の運転環境を入力して、評価対象期間の運転環境下における前記学習対象期間の運転ベースでの運転実績を推定する推定部と、
前記評価対象期間における運転実績の実測値を前記推定された運転実績の推定値に対して相対的に評価した指標を算出する評価部と、
前記設備の状態を示す状態データを取得する状態データ取得部と、
前記状態データが示す前記設備の状態に応じた操作量を前記設備へと出力することにより前記設備を制御する制御部と
して機能させ、
前記制御部は、前記指標を少なくとも一部として含む報酬が高くなる操作量ほど推奨する操作量として出力されるように強化学習することによって、前記状態に応じた操作量を出力する制御モデルを生成する
制御プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、評価装置、評価方法、評価プログラム、制御装置、および、制御プログラムに関する。

【背景技術】

【0002】

特許文献１には、「省エネ効果量の信頼性を高めることができる省エネ効果量算出方法および装置を提供する」と記載されている。
［先行技術文献］
［特許文献］
［特許文献１］ 特許第４４２６２４３号

【発明の概要】

【0003】

本発明の第１の態様においては、評価装置を提供する。上記評価装置は、設備における運転環境を示す環境データを取得する環境データ取得部を備えてよい。上記評価装置は、上記設備における運転実績を示す実績データを取得する実績データ取得部を備えてよい。上記評価装置は、学習対象期間における上記環境データおよび上記実績データに基づいて、評価対象期間の運転環境下における上記学習対象期間の運転ベースでの運転実績を推定する推定部を備えてよい。上記評価装置は、上記評価対象期間における運転実績の実測値を上記推定された運転実績の推定値に対して相対的に評価した指標を算出する評価部を備えてよい。上記評価装置は、上記指標を出力する出力部を備えてよい。

【0004】

上記推定部は、上記学習対象期間における上記環境データおよび上記実績データを学習データとして運転環境に応じた運転実績を出力するように機械学習された学習モデルの出力に基づいて、上記評価対象期間の運転環境下における上記学習対象期間の運転ベースでの運転実績を推定してよい。

【0005】

上記評価装置は、上記学習モデルを生成する学習部を更に備えてよい。

【0006】

上記評価装置は、上記学習モデルを上記学習対象期間ごとに対応付けて保存する学習モデル保存部を更に備えてよい。

【0007】

上記学習部は、指定された学習対象期間に対応する学習モデルが保存されていない場合に、上記指定された学習対象期間における環境データおよび実績データを学習データとして、上記指定された学習対象期間に対応する学習モデルを生成してよい。

【0008】

上記出力部は、複数の上記評価対象期間におけるそれぞれの上記指標を出力してよい。

【0009】

上記出力部は、１つの上記評価対象期間を区分けした複数の期間におけるそれぞれの上記指標を出力してよい。

【0010】

上記環境データ取得部は、外気条件を示すデータを上記環境データとして取得してよい。

【0011】

上記環境データ取得部は、上記設備が設けられた施設における稼働状態を示すデータを上記環境データとして取得してよい。

【0012】

上記実績データ取得部は、上記設備における燃料の使用量、および、上記設備における消費電力量の少なくともいずれかを示すデータを上記実績データとして取得してよい。

【0013】

本発明の第二の態様においては、評価方法を提供する。上記評価方法は、設備における運転環境を示す環境データを取得することを備えてよい。上記評価方法は、上記設備における運転実績を示す実績データを取得することを備えてよい。上記評価方法は、学習対象期間における上記環境データおよび上記実績データに基づいて、評価対象期間の運転環境下における上記学習対象期間の運転ベースでの運転実績を推定することを備えてよい。上記評価方法は、上記評価対象期間における運転実績の実測値を上記推定された運転実績の推定値に対して相対的に評価した指標を算出することを備えてよい。上記評価方法は、上記指標を出力することを備えてよい。

【0014】

本発明の第三の態様においては、評価プログラムを提供する。上記評価プログラムは、コンピュータにより実行されてよい。上記評価プログラムは、上記コンピュータを、設備における運転環境を示す環境データを取得する環境データ取得部として機能させてよい。上記評価プログラムは、上記コンピュータを、上記設備における運転実績を示す実績データを取得する実績データ取得部として機能させてよい。上記評価プログラムは、上記コンピュータを、学習対象期間における上記環境データおよび上記実績データに基づいて、評価対象期間の運転環境下における上記学習対象期間の運転ベースでの運転実績を推定する推定部として機能させてよい。上記評価プログラムは、上記コンピュータを、上記評価対象期間における運転実績の実測値を上記推定された運転実績の推定値に対して相対的に評価した指標を算出する評価部として機能させてよい。上記評価プログラムは、上記コンピュータを、上記指標を出力する出力部として機能させてよい。

【0015】

本発明の第四の態様においては、制御装置を提供する。上記制御装置は、設備における運転環境を示す環境データを取得する環境データ取得部を備えてよい。上記制御装置は、上記設備における運転実績を示す実績データを取得する実績データ取得部を備えてよい。上記制御装置は、学習対象期間における上記環境データおよび上記実績データに基づいて、評価対象期間の運転環境下における上記学習対象期間の運転ベースでの運転実績を推定する推定部を備えてよい。上記制御装置は、上記評価対象期間における運転実績の実測値を上記推定された運転実績の推定値に対して相対的に評価した指標を算出する評価部を備えてよい。上記制御装置は、上記指標を出力する出力部を備えてよい。上記制御装置は、上記指標に基づいて上記設備を制御する制御部を備えてよい。

【0016】

上記制御部は、上記指標を用いて上記設備に与えるべき操作量を出力するように機械学習された制御モデルの出力に基づいて上記設備を制御してよい。

【0017】

上記評価部は、上記運転実績の推定値を上記運転実績の実測値で除算して上記指標を算出してよい。上記制御部は、上記指標を少なくとも一部として含む報酬が高くなる操作量ほど推奨する操作量として出力されるように強化学習することによって上記制御モデルを生成してよい。

【0018】

本発明の第五の態様においては、制御プログラムを提供する。上記制御プログラムは、コンピュータにより実行されてよい。上記制御プログラムは、上記コンピュータを、設備における運転環境を示す環境データを取得する環境データ取得部として機能させてよい。上記制御プログラムは、上記コンピュータを、上記設備における運転実績を示す実績データを取得する実績データ取得部として機能させてよい。上記制御プログラムは、上記コンピュータを、学習対象期間における上記環境データおよび上記実績データに基づいて、評価対象期間の運転環境下における上記学習対象期間の運転ベースでの運転実績を推定する推定部として機能させてよい。上記制御プログラムは、上記コンピュータを、上記評価対象期間における運転実績の実測値を上記推定された運転実績の推定値に対して相対的に評価した指標を算出する評価部として機能させてよい。上記制御プログラムは、上記コンピュータを、上記指標を出力する出力部として機能させてよい。上記制御プログラムは、上記コンピュータを、上記指標に基づいて上記設備を制御する制御部として機能させてよい。

【0019】

なお、上記の発明の概要は、本発明の特徴の全てを列挙したものではない。また、これらの特徴群のサブコンビネーションもまた、発明となりうる。

【図面の簡単な説明】

【0020】

【図1】本実施形態に係る評価装置１０におけるブロック図の一例を、評価対象となる設備２００が設けられた施設２０とともに示す。

【図2】本実施形態に係る評価装置１０における評価フローの一例を示す。

【図3】本実施形態に係る評価装置１０における評価結果の出力例を示す。

【図4】本実施形態に係る評価装置１０における評価結果の他の出力例を示す。

【図5】本実施形態に係る制御装置５００におけるブロック図の一例を示す。

【図6】本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ９９００の例を示す。

【発明を実施するための形態】

【0021】

以下、発明の実施の形態を通じて本発明を説明するが、以下の実施形態は特許請求の範囲にかかる発明を限定するものではない。また、実施形態の中で説明されている特徴の組み合わせの全てが発明の解決手段に必須であるとは限らない。

【0022】

図１は、本実施形態に係る評価装置１０におけるブロック図の一例を、評価対象となる設備２００が設けられた施設２０とともに示す。本実施形態に係る評価装置１０は、過去の環境を評価対象の期間と同じ環境下に置き換えてみた場合における、過去の運転ベースでの実績を推定する。そして、評価装置１０は、評価対象の期間について実測された実績を、推定された過去の運転ベースでの実績に対して相対的に評価する。一例として、本実施形態に係る評価装置１０は、設備２００におけるエネルギー使用量を実績として評価することで、設備２００における省エネルギー（「省エネ」と略す。）効果量を評価結果として出力する。なお、ここでいう「エネルギー」とは、エネルギーそのものに加えて、エネルギーを作り出す元となるエネルギー資源をも含むものとする。

【0023】

施設２０は、ある特定の目的や用途のために設けられた建物である。このような施設２０には、様々な機能を達成するための様々な機器等が備え付けられている。施設２０は、例えば、工場、オフィスビル、商業ビル、病院、学校、店舗、および、ホテル等であってよい。これより先、施設２０がプラントである場合について一例として説明する。このようなプラントとしては、化学やバイオ等の工業プラントの他、ガス田や油田等の井戸元やその周辺を管理制御するプラント、水力・火力・原子力等の発電を管理制御するプラント、太陽光や風力等の環境発電を管理制御するプラント、上下水やダム等を管理制御するプラント、半導体製造における各種製造プロセスを実行する半導体製造プラント等が挙げられる。本図に示されるように、施設２０には、例えば設備２００ａ～２００ｎ（「設備２００」と総称する。）等のｎ個（ただし、ｎは１以上の整数）の設備２００が設けられている。本実施形態に係る評価装置１０は、このような施設２０に設けられたｎ個の設備２００を評価対象としてよい。

【0024】

設備２００は、本実施形態に係る評価装置１０が評価対象とする機器（群）である。設備２００は、例えば、空調設備、給排水設備、および、充給電設備等であってよい。これより先、設備２００がプラントに設けられた空調設備である場合について一例として説明する。すなわち、本実施形態に係る評価装置１０は、このようなプラントに設けられた空調設備を評価対象とする。しかしながら、これに限定されるものではない。本実施形態に係る評価装置１０は、様々な施設２０に設けられた様々な設備２００を評価対象としてよい。特に、本実施形態に係る評価装置１０は、様々な施設２０において運転実績が運転環境と強い相関を持つ機器（群）を評価対象とするとよい。

【0025】

評価装置１０は、ＰＣ（パーソナルコンピュータ）、タブレット型コンピュータ、スマートフォン、ワークステーション、サーバコンピュータ、または汎用コンピュータ等のコンピュータであってよく、複数のコンピュータが接続されたコンピュータシステムであってもよい。このようなコンピュータシステムもまた広義のコンピュータである。また、評価装置１０は、コンピュータ内で１または複数実行可能な仮想コンピュータ環境によって実装されてもよい。これに代えて、評価装置１０は、評価対象の評価用に設計された専用コンピュータであってもよく、専用回路によって実現された専用ハードウェアであってもよい。また、評価装置１０がインターネットに接続可能な場合、評価装置１０は、クラウドコンピューティングにより実現されてもよい。

【0026】

評価装置１０は、環境データ取得部１００と、実績データ取得部１１０と、データ保存部１２０と、入力部１３０と、前処理部１４０と、学習部１５０と、学習モデル保存部１６０と、推定部１７０と、評価部１８０と、出力部１９０とを備える。なお、これらブロックは、それぞれ機能的に分離された機能ブロックであって、実際のデバイス構成とは必ずしも一致していなくてもよい。すなわち、本図において、１つのブロックとして示されているからといって、それが必ずしも１つのデバイスにより構成されていなくてもよい。また、本図において、別々のブロックとして示されているからといって、それらが必ずしも別々のデバイスにより構成されていなくてもよい。

【0027】

環境データ取得部１００は、設備２００における運転環境を示す環境データを取得する。例えば、環境データ取得部１００は、外気条件を示すデータを環境データとして取得してよい。また、環境データ取得部１００は、設備２００が設けられた施設２０における稼働状態を示すデータを環境データとして取得してよい。環境データ取得部１００は、このような環境データを、例えばネットワークを介して施設２０からリアルタイムに取得する。しかしながら、これに限定されるものではない。環境データ取得部１００は、このような環境データを、オペレータや各種メモリデバイスを介してバッチ単位で取得してもよい。環境データ取得部１００は、取得した環境データをデータ保存部１２０へ供給する。

【0028】

実績データ取得部１１０は、設備２００における運転実績を示す実績データを取得する。例えば、実績データ取得部１１０は、設備２００を運転したことによる、設備２００における燃料の使用量、および、設備２００における消費電力量の少なくともいずれかを示すデータを実績データとして取得してよい。実績データ取得部１１０は、このような実績データを、例えばネットワークを介して施設２０からリアルタイムに取得する。しかしながら、これに限定されるものではない。実績データ取得部１１０は、このような実績データを、オペレータや各種メモリデバイスを介してバッチ単位で取得してもよい。実績データ取得部１１０は、取得した実績データをデータ保存部１２０へ供給する。

【0029】

データ保存部１２０は、環境データおよび実績データを保存する。例えば、データ保存部１２０は、環境データ取得部１００から供給された環境データ、および、実績データ取得部１１０から供給された実績データを、日付と対応付けて保存する。そして、データ保存部１２０は、後述する期間を指定する情報が供給された場合に、当該期間における環境データおよび実績データを前処理部１４０へ供給する。

【0030】

入力部１３０は、期間を指定する情報を受け取る。例えば、入力部１３０は、ユーザインターフェイスであってよく、キーボードやマウス等を介してユーザが入力した期間を指定する情報を受け取る。しかしながら、これに限定されるものではない。入力部１３０は、このような期間を指定する情報を、ネットワークを介して取得してもよいし、各種メモリデバイスを介して取得してもよい。入力部１３０は、この際、運転環境と運転実績の関係を学習するための対象期間である学習対象期間、および、運転実績を評価するための対象期間である評価対象期間を指定する情報をそれぞれ受け取る。すなわち、入力部１３０は、比較の基準となる期間と比較の対象となる期間の２つの期間を指定する情報をそれぞれ受け取る。入力部１３０は、受け取った期間を指定する情報を、データ保存部１２０および学習モデル保存部１６０へ供給する。

【0031】

前処理部１４０は、環境データおよび実績データを前処理する。例えば、前処理部１４０は、データ保存部１２０から供給された環境データおよび実績データを前処理する。前処理部１４０は、前処理した環境データおよび実績データを、学習部１５０、推定部１７０、および、評価部１８０へ供給する。

【0032】

学習部１５０は、学習モデルを生成する。例えば、学習部１５０は、前処理部１４０から学習対象期間における環境データおよび実績データが供給されると、当該データを学習データとして運転環境と運転実績の関係を学習する。そして、学習部１５０は、運転環境に応じた運転実績を出力するように機械学習された学習モデルを生成する。学習部１５０は、生成した学習モデルを学習モデル保存部１６０へ供給する。

【0033】

学習モデル保存部１６０は、学習モデルを学習対象期間ごとに対応付けて保存する。例えば、学習モデル保存部１６０は、学習部１５０が学習対象期間における環境データと実績データに基づいて生成した学習モデルを、当該学習対象期間ごとに対応付けて保存する。なお、上述の説明では、学習モデル保存部１６０が、評価装置１０内部の学習部１５０によって生成された学習モデルを保存する場合を一例として示した。しかしながら、これに限定されるものではない。学習モデル保存部１６０は、評価装置１０の外部において生成された学習モデルを保存してもよい。すなわち、学習部１５０は、評価装置１０の内部に代えて、または、加えて、評価装置１０の外部に備えられていてもよい。

【0034】

推定部１７０は、学習対象期間における環境データおよび実績データに基づいて、評価対象期間の運転環境下における学習対象期間の運転ベースでの運転実績を推定する。例えば、推定部１７０は、学習対象期間における環境データおよび実績データを学習データとして運転環境に応じた運転実績を出力するように機械学習された学習モデルの出力に基づいて、評価対象期間の運転環境下における学習対象期間の運転ベースでの運転実績を推定する。推定部１７０は、推定した運転実績の推定値を評価部１８０へ供給する。

【0035】

評価部１８０は、評価対象期間における運転実績の実測値を推定された運転実績の推定値に対して相対的に評価した指標を算出する。すなわち、評価部１８０は、推定部１７０から供給された運転実績の推定値を基準として、評価対象期間における運転実績の実測値を評価した指標を算出する。評価部１８０は、算出した指標を出力部１９０へ供給する。

【0036】

出力部１９０は、指標を出力する。例えば、出力部１９０は、評価部１８０から供給された指標をモニタに表示して出力する。しかしながら、これに限定されるものではない。出力部１９０は、このような指標を音声により出力してもよいし、プリントアウトすることにより出力してもよいし、他の機能部や他の装置へ送信することにより出力してもよい。

【0037】

図２は、本実施形態に係る評価装置１０における評価フローの一例を示す。なお、本図においては、評価装置１０が、プラント（施設２０の一例）に設けられた空調設備（設備２００の一例）におけるエネルギー使用量を実績として評価することで、空調設備における省エネ効果量を指標として出力する場合を一例として説明する。

【0038】

ステップ２００において、評価装置１０は、環境データを取得する。例えば、環境データ取得部１００は、設備２００における運転環境を示す環境データを、ネットワークを介して施設２０からリアルタイムに取得する。この際、環境データ取得部１００は、外気条件を示すデータを環境データとして取得してよい。一例として、環境データ取得部１００は、施設２０の周辺における外気温度および外気湿度等のデータを環境データとして取得してよい。

【0039】

また、環境データ取得部１００は、設備２００が設けられた施設２０における稼働状態を示すデータを環境データとして取得してよい。一例として、環境データ取得部１００は、プラントにおける生産スケジュール、または、当該生産スケジュールと相関してプラント内で動作する装置群の消費電力等のデータを環境データとして取得してよい。

【0040】

このように、環境データ取得部１００は、外気条件を示すデータ、および、施設２０における稼働状態を示すデータを環境データとして取得してよい。環境データ取得部１００は、取得した環境データをデータ保存部１２０へ供給する。

【0041】

ステップ２１０において、評価装置１０は、実績データを取得する。例えば、実績データ取得部１１０は、設備２００における運転実績を示す実績データを、ネットワークを介して施設２０からリアルタイムに取得する。この際、実績データ取得部１１０は、設備２００における燃料の使用量を示すデータを実績データとして取得してよい。一例として、実績データ取得部１１０は、施設２０内を加温加湿するための蒸気をボイラで発生させるために使用したＬＰＧ（Ｌｉｑｕｅｆｉｅｄ Ｐｅｔｒｏｌｅｕｍ Ｇａｓ）や都市ガスの使用量等のデータを実績データとして取得してよい。

【0042】

また、実績データ取得部１１０は、設備２００における消費電力量の少なくともいずれかを示すデータを実績データとして取得してよい。一例として、実績データ取得部１１０は、施設２０内を冷却除湿するための冷却水を得るためにチラーで消費した電力等のデータを実績データとして取得してよい。

【0043】

このように、実績データ取得部１１０は、設備２００における燃料の使用量、および、設備２００における消費電力量の少なくともいずれかを示すデータを実績データとして取得してよい。実績データ取得部１１０は、取得した実績データをデータ保存部１２０へ供給する。

【0044】

ステップ２２０において、評価装置１０は、環境データおよび実績データを保存する。例えば、データ保存部１２０は、ステップ２００において取得された環境データ、および、ステップ２１０において取得された実績データを、日付と対応付けて保存する。

【0045】

ステップ２３０において、評価装置１０は、期間を指定する情報を受け取る。例えば、入力部１３０は、キーボードやマウス等を介してユーザが入力した期間を指定する情報を受け取る。一例として、入力部１３０は、２０１８年度（ＦＹ２０１８）下期を指定する日付範囲の情報（すなわち、２０１８年１０月１日～２０１９年３月３１日）を、学習対象期間を指定する情報として受け取る。また、入力部１３０は、ＦＹ２０１９上期を指定する日付範囲の情報（すなわち、２０１９年４月１日～２０１９年９月３０日）、ＦＹ２０１９下期を指定する日付範囲の情報（２０１９年１０月１日～２０２０年３月３１日）、ＦＹ２０２０上期を指定する日付範囲の情報（２０２０年４月１日～２０２０年９月３０日）、および、ＦＹ２０２０下期を指定する日付範囲の情報（２０２０年１０月１日～２０２１年３月３１日）を、評価対象期間を指定する情報としてそれぞれ受け取る。このように、入力部１３０は、複数の評価対象期間を指定する情報を同時に受け取ってもよい。

【0046】

ステップ２３５において、評価装置１０は、学習対象期間に対応する学習モデルが保存済みであるか否か判定する。例えば、入力部１３０は、学習モデル保存部１６０にアクセスして、ステップ２３０において受け取った学習対象期間（ここでは、ＦＹ２０１８下期）に対応する学習モデルが保存されているか否か判定する。ステップ２３５において保存されていると判定された場合（Ｙｅｓの場合）、評価装置１０は、処理をステップ２４５へ進める。

【0047】

一方、ステップ２３５において保存されていないと判定された場合（Ｎｏの場合）、入力部１３０は、当該学習対象期間を指定する情報をデータ保存部１２０へ供給する。これに応じて、データ保存部１２０は、指定された学習対象期間における環境データおよび実績データを前処理部１４０へ供給する。

【0048】

ステップ２４０において、評価装置１０は、学習用データを前処理する。例えば、前処理部１４０は、ステップ２３５においてデータ保存部１２０から供給された学習対象期間（ここでは、ＦＹ２０１８下期）における環境データおよび実績データを前処理する。一例として、プラント周辺における複数箇所の外気温度および外気湿度のデータが環境データとして取得された場合、前処理部１４０は、それらのデータから各箇所での外気比エンタルピを算出し、複数箇所における外気比エンタルピの統計（例えば、平均値や中央値等）を算出してよい。また、一例として、空調設備においてボイラが複数台運転しており、各ボイラのそれぞれについてのＬＰＧ使用量が実績データとして取得された場合、前処理部１４０は、複数のボイラにおけるＬＰＧ使用量の合計量を算出してよい。前処理部１４０は、このようにして前処理した環境データおよび実績データを学習部１５０へ供給する。

【0049】

ステップ２５０において、評価装置１０は、学習モデルを生成する。例えば、学習部１５０は、ステップ２４０において前処理された学習対象期間における環境データおよび実績データを学習データとして運転環境と運転実績の関係を学習する。そして、学習部１５０は、運転環境に応じた運転実績を出力するように機械学習された学習モデルを生成する。このように、学習部１５０は、指定された学習対象期間に対応する学習モデルが保存されていない場合に、指定された学習対象期間における環境データおよび実績データを学習データとして、指定された学習対象期間に対応する学習モデルを生成する。なお、この際、学習部１５０は、任意の機械学習モデルを選択してよい。例えば、学習部１５０は、外気比エンタルピとプラントの稼働状態を説明変数として線形回帰を行い、ＬＰＧ使用量を予測する重回帰モデルを生成してよい。このようにして生成された学習モデルは、学習データとして使用した日付範囲の運転環境をベースとした際の運転実績を、学習データとして使用していない別の運転環境下における環境データから予測可能なモデルと解釈することができる。学習部１５０は、生成した学習モデルを学習モデル保存部１６０へ供給する。

【0050】

ステップ２６０において、評価装置１０は、学習モデルを保存する。例えば、学習モデル保存部１６０は、ステップ２５０において生成された学習モデルを、学習対象期間ごとに対応付けて保存する。そして、評価装置１０は、処理をステップ２４５へ進める。

【0051】

ステップ２４５において、評価装置１０は、評価用データを前処理する。例えば、入力部１３０は、ステップ２３０において受け取られた評価対象期間（ここでは、ＦＹ２０１９上期、ＦＹ２０１９下期、ＦＹ２０２０上期、および、ＦＹ２０２０下期）を指定する情報をデータ保存部１２０へ供給する。これに応じて、データ保存部１２０は、評価対象期間における環境データおよび実績データを前処理部１４０へ供給する。そして、前処理部１４０は、データ保存部１２０から供給された評価対象期間における環境データおよび実績データを前処理する。前処理の具体的な方法については、ステップ２４０と同様であるので、ここでは説明を省略する。前処理部１４０は、前処理した環境データを推定部１７０へ供給する。また、前処理部１４０は、前処理した実績データを評価部１８０へ供給する。なお、ここで供給される実績データは、評価対象期間における実績データの実測値ということができる。

【0052】

ステップ２７０において、評価装置１０は、運転実績を推定する。例えば、推定部１７０は、学習対象期間における環境データおよび実績データに基づいて、評価対象期間の運転環境下における学習対象期間の運転ベースでの運転実績を推定する。より詳細には、入力部１３０は、ステップ２３０において受け取られた学習対象期間を指定する情報を学習モデル保存部１６０へ供給する。これに応じて、学習モデル保存部１６０は、当該学習対象期間に対応する学習モデルを推定部１７０へ供給する。なお、このような学習モデルは、予め保存済みのモデルであってもよいし、ステップ２５０において新たに生成されたモデルであってもよい。そして、推定部１７０は、このような学習モデルに、ステップ２４５において前処理された環境データを入力したことに応じて当該学習モデルから出力される値を推定値として、評価対象期間の運転環境下における学習対象期間の運転ベースでの運転実績を推定する。

【0053】

この際、推定部１７０は、ＦＹ２０１９上期を評価するにあたってはＦＹ２０１９上期における環境データを学習モデルに入力し、学習モデルから出力される値を推定値とする。すなわち、推定部１７０は、ＦＹ２０１９上期を評価するにあたってはＦＹ２０１８下期における運転環境をＦＹ２０１９上期と同じ環境下に置き換えてみた場合における、ＦＹ２０１８下期の運転ベースでの実績を推定する。同様に、推定部１７０は、ＦＹ２０１９下期を評価するにあたってはＦＹ２０１９下期における環境データを学習モデルに入力し、学習モデルから出力される値を推定値とする。すなわち、推定部１７０は、ＦＹ２０１９下期を評価するにあたってはＦＹ２０１８下期における運転環境をＦＹ２０１９下期と同じ環境下に置き換えてみた場合における、ＦＹ２０１８下期の運転ベースでの実績を推定する。ＦＹ２０２０上期、および、ＦＹ２０２０下期についても同様である。推定部１７０は、このようにして、学習対象期間における環境データおよび実績データを学習データとして運転環境に応じた運転実績を出力するように機械学習された学習モデルの出力に基づいて、評価対象期間の運転環境下における学習対象期間の運転ベースでの運転実績を推定する。推定部１７０は、推定した運転実績の推定値を評価部１８０へ供給する。

【0054】

ステップ２８０において、評価装置１０は、指標を算出する。例えば、評価部１８０は、評価対象期間における運転実績の実測値を推定された運転実績の推定値に対して相対的に評価した指標を算出する。一例として、評価部１８０は、ステップ２７０において供給された運転実績の推定値を、ステップ２４５において供給された運転実績の実測値で除算して指標を算出する。ここで、このような指標をＫＰＩ（Ｋｅｙ Ｐｅｒｆｏｒｍａｎｃｅ Ｉｎｄｉｃａｔｏｒｓ）と定義することとする。このようなＫＰＩは、１を上回れば上回るほど評価（例えば、省エネ効果）が高く、１を下回れば下回るほど評価が低い（例えば、１を下回った場合に省エネ効果がない）ことを意味する。このようにして、評価部１８０は、推定部１７０から供給された運転実績の推定値を基準として、評価対象期間における運転実績の実測値を評価した指標を算出する。評価部１８０は、算出した指標を出力部１９０へ供給する。

【0055】

ステップ２９０において、評価装置１０は、指標を出力する。例えば、出力部１９０は、ステップ２８０において算出された指標をモニタに表示して出力する。このようにして、本実施形態に係る評価装置１０は、過去の環境を評価対象の期間と同じ環境下に置き換えてみた場合における、過去の運転ベースでの実績を推定する。そして、評価装置１０は、評価対象の期間について実測された運転実績を、推定された過去の運転ベースでの実績に対して相対的に評価する。続いて、本実施形態に係る評価装置１０における評価結果の出力例を、図面を用いて詳細に説明する。

【0056】

図３は、本実施形態に係る評価装置１０における評価結果の出力例を示す。本図において、横軸は年度を示しており、縦軸はＫＰＩを示している。また、本図において、横軸は、ＫＰＩ＝１の位置で縦軸と交差している。すなわち、横軸よりも上の領域がＫＰＩ＞１であることを示し、横軸よりも下の領域がＫＰＩ＜１であることを示している。本図においては、左から、ＦＹ２０１９上期、ＦＹ２０１９下期、ＦＹ２０２０上期、および、ＦＹ２０２０下期の４つの評価対象期間におけるそれぞれのＫＰＩを棒グラフで示している。このように、出力部１９０は、複数の評価対象期間におけるそれぞれの指標を出力してよい。なお、本図におけるＫＰＩは、上述のとおりＦＹ２０１８下期を学習対象期間として算出されたものである。ここで、上期と下期では季節の違いにより外気条件は異なる。また、たとえ季節が同じであっても気候変動により外気条件は異なる。さらに、年度や期が変われば当然、プラントにおける生産スケジュールも異なるものとなる。しかしながら、本実施形態に係る評価装置１０によれば、異なる期間における実績を同じ条件下に揃えて評価するので、運転環境の違いに起因する運転実績への影響を相殺することができる。

【0057】

本図に示されるように、ＦＹ２０１９上期、ＦＹ２０１９下期、および、ＦＹ２０２０下期については、ＫＰＩ＞１であるので、ＦＹ２０１８下期に対して省エネ効果があったといえる。また、省エネ効果量はＦＹ２０２０下期＞ＦＹ２０１９上期＞ＦＹ２０１９下期の順に高かったといえる。一方、ＦＹ２０２０上期については、ＫＰＩ＜１であるので、ＦＹ２０１８下期に対して省エネ効果がなかった（ＦＹ２０２０上期の方がＦＹ２０１８下期よりもエネルギーを無駄に消費してしまった）といえる。このような表示を見たユーザは、例えば、ＦＹ２０１９上期からＦＹ２０２０上期にかけて省エネ効果が悪化しており、ＦＹ２０２０下期において省エネ効果が改善されたと判断することができる。これにより、ユーザは、例えば、ＦＹ２０２０下期において取り組んだ省エネ活動が功を奏し、改善結果につながったと判断することができる。

【0058】

図４は、本実施形態に係る評価装置１０における評価結果の他の出力例を示す。例えば、評価装置１０は、図３に表示されている複数の評価対象期間のうちの１つの評価対象期間がユーザによって選択されたことに応じて、図４の表示へ遷移させることができる。ここでは、ＫＰＩ＜１であった評価対象期間、すなわち、ＦＹ２０２０上期がユーザによって選択されたものとする。本図において、横軸は評価対象期間における実績の実測値を示しており、縦軸は評価対象期間の運転環境下における学習対象期間の運転ベースでの運転実績の推定値を示している。また、本図において、点線はＫＰＩ＝１、つまり、実測値と推定値とが等しい場合を示している。すなわち、点線よりも上の領域がＫＰＩ＞１であることを示し、点線よりも下の領域がＫＰＩ＜１であることを示している。本図においては、選択された評価対象期間であるＦＹ２０２０上期を月ごとに区分けし、６つの月におけるそれぞれのＫＰＩを散布図で示している。このように、出力部１９０は、１つの前記評価対象期間を区分けした複数の期間におけるそれぞれの指標を出力してよい。なお、このような出力をするにあたっては、評価装置１０は、評価対象期間を区分けした期間、ここでは、半期を区分けした６つの「月」を新たな評価対象期間として、図２のフローにおけるステップ２４５、ステップ２７０、ステップ２８０、および、ステップ２９０を再度実行することにより、月ごとの指標を算出すればよい。

【0059】

本図に示されるように、１０月、１１月、２月、および、３月については、ＫＰＩ＞１であるので、ＦＹ２０１８下期に対して省エネ効果があったといえる。また、点線よりも上の領域においては点線からの距離が離れるほどＫＰＩは大きくなるので、省エネ効果量は、３月＞１０月＞１１月＞２月の順に高かったといえる。一方、１２月および１月については、ＫＰＩ＜１であるので、ＦＹ２０１８下期に対して省エネ効果がなかったといえる。また、点線よりも下の領域においては点線からの距離が離れるほどＫＰＩは小さくなるので、１２月の方が１月よりもエネルギーを無駄に消費してしまったといえる。すなわち、半期のうちの４カ月（１０月、１１月、２月、および、３月）は改善効果が得られていたものの、その改善効果の総和よりも残りの２カ月（１２月および１月）における省エネ効果の悪化の総和の方が大きかったために、ＦＹ２０２０上期全体としてはＦＹ２０１８下期に対して省エネ効果がなかったということが理解される。そして、このような表示を見たユーザは、例えば、２０１９年上期から続く省エネ効果の悪化が、２０２０年１０月、２０２０年１１月と継続し、それが２０２０年１２月にピークを迎え、２０２１年１月から改善に転じ、２０２１年２月以降はＦＹ２０１８下期に対して省エネ効果が出るところまで改善されたと判断することができる。これにより、ユーザは、例えば、２０２１年１月から取り組んだ省エネ活動が功を奏し、改善結果につながったと判断することができる。

【0060】

一般に、プラント等の空調設備においては、エネルギー使用量を削減するための設備改修等の取り組みが継続的に行われている。しかしながら、例えば、定格電力を基準として省エネ効果を見積もる場合、省エネ活動がどの程度のエネルギー削減効果があったかを正しく見積もることができない。また、プラント等の空調設備においては、プラント全体の稼働状態も空調設備の稼働率に影響を及ぼし得る。したがって、空気の需要側の状態について考慮せずに、着目している装置の運転状態のみをベースとして省エネ効果を算出する場合、算出される省エネ効果量が信頼性に欠けるものとなる。そこで、プラント等における省エネ効果をより正確に算出することが望まれている。

【0061】

これに対して、本実施形態に係る評価装置１０は、学習対象期間における環境データおよび実績データに基づいて、評価対象期間の運転環境下における学習対象期間の運転ベースでの運転実績を推定する。そして、評価装置１０は、評価対象期間における運転実績の実測値を推定された運転実績の推定値に対して相対的に評価する。これにより、本実施形態に係る評価装置１０によれば、過去の環境を評価対象の期間と同じ環境下に置き換えてみた場合における、過去の運転ベースでの実績を推定する。そして、評価装置１０は、評価対象の期間について実測された運転実績を、推定された過去の運転ベースでの実績に対して相対的に評価する。このため、評価装置１０は、異なる期間における実績を同じ条件下に揃えて評価するので、運転環境の違いに起因する運転実績への影響を相殺でき運転実績を正しく評価することができる。

【0062】

また、本実施形態に係る評価装置１０は、学習対象期間における環境データおよび実績データを学習データとして機械学習された学習モデルの出力に基づいて、運転実績を推定する。これにより、本実施形態に係る評価装置１０によれば、実際に得られた過去のデータから学習した運転環境と運転実績の関係に基づいて運転実績を推定するので、運転実績を客観的な根拠に基づいて推定することができる。

【0063】

また、本実施形態に係る評価装置１０は、学習モデルを生成する学習部を更に備える。これにより、本実施形態に係る評価装置１０によれば、評価対象を評価する機能と、評価対象を評価するための学習機能とを一体の装置として提供することができる。

【0064】

また、本実施形態に係る評価装置１０は、指定された学習対象期間に対応する学習モデルが保存されていない場合に、当該学習モデルを生成する。これにより、本実施形態に係る評価装置１０によれば、学習済み、または、他の装置から入手済みの学習モデルまで生成してしまうことを避けることができるので、学習に係る処理負荷を軽減することができる。

【0065】

また、本実施形態に係る評価装置１０は、複数の評価対象期間におけるそれぞれの指標を出力することもできるし、１つの評価対象期間を区分けした複数の期間におけるそれぞれの指標を出力することもできる。これにより、本実施形態に係る評価装置１０によれば、様々な形態で評価結果を出力することができるので、ユーザに様々な分析のきっかけを提供することができる。

【0066】

また、本実施形態に係る評価装置１０は、外気条件や施設における稼働状態を示すデータを環境データとし、設備におけるエネルギー使用量を示すデータを実績データとして評価対象を評価する。これにより、本実施形態に係る評価装置１０によれば、エネルギー使用量と特に強い相関を持つ外気条件や施設における稼働状態をも考慮するので、運転実績をより正確に評価することができる。

【0067】

図５は、本実施形態に係る制御装置５００におけるブロック図の一例を示す。図５においては、図１と同じ機能および構成を有する部材に対して同じ符号を付すとともに、以下相違点を除き説明を省略する。本実施形態に係る制御装置５００は、上述の評価装置１０が有する機能に加えて、算出した指標に基づいて設備２００を制御する機能を更に有する。すなわち、本実施形態に係る制御装置５００は、算出した指標に基づく操作量（ＭＶ：Ｍａｎｉｐｕｌａｔｅｄ Ｖａｒｉａｂｌｅ）を設備２００へ与える。そして、設備２００は、制御装置５００から与えられた操作量を入力して制御量を出力する。本実施形態に係る制御装置５００は、上述の評価装置１０が備える機能部に加えて、状態データ取得部５１０と、制御部５２０とを更に備える。

【0068】

状態データ取得部５１０は、設備２００が設けられた施設２０の状態を示す状態データを取得する。例えば、状態データ取得部５１０は、制御対象となる設備２００を制御した結果の運転状態を示す測定値（ＰＶ：Ｐｒｏｃｅｓｓ Ｖａｒｉａｂｌｅ）を状態データとして、ネットワークを介して施設２０からリアルタイムに取得する。ここで、このような測定値は、制御対象となる設備２００の出力、すなわち、制御量であってもよいし、制御量に応じて変化する様々な物理量であってもよい。なお、上述の説明では、状態データ取得部５１０がこのような状態データを、ネットワークを介して取得する場合を一例として示したが、これに限定されるものではない。状態データ取得部５１０は、このような状態データを、オペレータや各種メモリデバイスを介してバッチ単位で取得してもよい。状態データ取得部５１０は、取得した状態データを制御部５２０へ供給する。

【0069】

制御部５２０は、指標に基づいて設備２００を制御する。例えば、制御部５２０は、状態データ取得部５１０から供給された状態データおよび自身が設備２００へ与える操作量を示す操作量データを用いて、設備２００の状態に応じた操作量を出力するように機械学習された制御モデルにより、制御対象である設備２００を制御してよい。すなわち、制御部５２０は、いわゆる、ＡＩ（Ａｒｔｉｆｉｃｉａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ）コントローラとして機能してよい。

【0070】

この際、制御部５２０は、出力部１９０から出力された指標を用いて設備２００に与えるべき操作量を出力するように機械学習された制御モデルの出力に基づいて設備２００を制御する。ここで、制御部５２０は、このような制御モデルを予め保持していてもよい。これに代えて、または、加えて、制御部５２０は、指標を少なくとも一部として含む報酬が高くなる操作量ほど推奨する操作量として出力されるように強化学習することによって、このような制御モデルを生成してもよい。

【0071】

一般に、エージェントが、状態を観測してある行動を選択すると、当該行動に基づいて状態が変化する。強化学習においては、このような状態の変化に伴って何らかの報酬が与えられることで、エージェントがより良い行動の選択（意思決定）を学習する。また、強化学習では、エージェントは価値評価を行うことで、将来にわたって得られる報酬の合計が最大となるような行動を選択するように学習するのが一般的である。このように、強化学習において、エージェントは、行動を学習することにより行動が状態に与える相互作用を踏まえて適切な行動を学習、すなわち、将来的に得られる報酬を最大にするための行動を学習する。

【0072】

そこで、制御部５２０は、指標を少なくとも一部として含む報酬が高くなる操作量ほど推奨する操作量として出力されるように強化学習することによって制御モデルを生成してよい。上述のとおり、評価部１８０は、運転実績の推定値を運転実績の実測値で除算して指標を算出している。したがって、制御部５２０は、出力部１９０から出力される指標（ＫＰＩ）が大きくなるほど報酬が高くなり、指標が小さくなるほど報酬が低くなるような報酬関数を用いて強化学習することによって、このような制御モデルを生成することができる。これにより、制御部５２０は、ＫＰＩが大きくなる操作量ほど推奨する操作量として出力されるような制御モデルを生成することができる。そして、制御部５２０は、このような制御モデルの出力を操作量として設備２００へ与えることで、ＫＰＩが大きくなる、すなわち、省エネ効果量が大きくなるように設備２００を制御することができる。

【0073】

このように、本実施形態に係る制御装置５００は、ＫＰＩを基に強化学習された制御モデルにより制御対象である設備２００を制御する。これにより、本実施形態に係る制御装置５００によれば、例えば、省エネ効果量を最大化するように設備２００を制御することができる。したがって、本実施形態に係る制御装置５００は、設備２００の運転を正しく評価することができるとともに、正しく評価された結果を基に設備２００を制御するので、例えば、省エネ効果量を最大化する仕組みを提供することができる。

【0074】

なお、上述の説明では、本実施形態に係る制御装置５００が、上述の評価装置１０が有する全ての機能に加えて、更に、算出した指標に基づいて設備２００を制御する機能を有する場合を一例として示した。しかしながら、これに限定されるものではない。上述の評価装置１０が有する機能の少なくとも一部は、制御装置５００の外部（例えば、クラウド上）に設けられていてもよい。一例として、過去の運転ベースでの実績を推定する機能は、制御装置５００の外部に設けられていてもよい。この場合、制御装置５００は、例えば、環境データ取得部１００、実績データ取得部１１０、データ保存部１２０、入力部１３０、前処理部１４０、学習部１５０、学習モデル保存部１６０、および、推定部１７０に代えて、外部に設けられた推定部１７０が推定した運転実績の推定値を取得する推定結果取得部を備えていてよい。さらに、評価対象の期間についての実績を過去の運転ベースでの実績に対して相対的に評価する機能についても、制御装置５００の外部に設けられていてもよい。この場合、制御装置５００は、例えば、評価部１８０に代えて、外部に設けられた評価部１８０が算出した指標を取得する指標取得部を備えていてよい。

【0075】

本発明の様々な実施形態は、フローチャートおよびブロック図を参照して記載されてよく、ここにおいてブロックは、（１）操作が実行されるプロセスの段階または（２）操作を実行する役割を持つ装置のセクションを表わしてよい。特定の段階およびセクションが、専用回路、コンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプログラマブル回路、および／またはコンピュータ可読媒体上に格納されるコンピュータ可読命令と共に供給されるプロセッサによって実装されてよい。専用回路は、デジタルおよび／またはアナログハードウェア回路を含んでよく、集積回路（ＩＣ）および／またはディスクリート回路を含んでよい。プログラマブル回路は、論理ＡＮＤ、論理ＯＲ、論理ＸＯＲ、論理ＮＡＮＤ、論理ＮＯＲ、および他の論理操作、フリップフロップ、レジスタ、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）、プログラマブルロジックアレイ（ＰＬＡ）等のようなメモリ要素等を含む、再構成可能なハードウェア回路を含んでよい。

【0076】

コンピュータ可読媒体は、適切なデバイスによって実行される命令を格納可能な任意の有形なデバイスを含んでよく、その結果、そこに格納される命令を有するコンピュータ可読媒体は、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく実行され得る命令を含む、製品を備えることになる。コンピュータ可読媒体の例としては、電子記憶媒体、磁気記憶媒体、光記憶媒体、電磁記憶媒体、半導体記憶媒体等が含まれてよい。コンピュータ可読媒体のより具体的な例としては、フロッピー（登録商標）ディスク、ディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭまたはフラッシュメモリ）、電気的消去可能プログラマブルリードオンリメモリ（ＥＥＰＲＯＭ）、静的ランダムアクセスメモリ（ＳＲＡＭ）、コンパクトディスクリードオンリメモリ（ＣＤ-ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、ブルーレイ（ＲＴＭ）ディスク、メモリスティック、集積回路カード等が含まれてよい。

【0077】

コンピュータ可読命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、マシン命令、マシン依存命令、マイクロコード、ファームウェア命令、状態設定データ、またはＳｍａｌｌｔａｌｋ（登録商標）、ＪＡＶＡ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語、および「Ｃ」プログラミング言語または同様のプログラミング言語のような従来の手続型プログラミング言語を含む、１または複数のプログラミング言語の任意の組み合わせで記述されたソースコードまたはオブジェクトコードのいずれかを含んでよい。

【0078】

コンピュータ可読命令は、汎用コンピュータ、特殊目的のコンピュータ、若しくは他のプログラム可能なデータ処理装置のプロセッサまたはプログラマブル回路に対し、ローカルにまたはローカルエリアネットワーク（ＬＡＮ）、インターネット等のようなワイドエリアネットワーク（ＷＡＮ）を介して提供され、フローチャートまたはブロック図で指定された操作を実行するための手段を作成すべく、コンピュータ可読命令を実行してよい。プロセッサの例としては、コンピュータプロセッサ、処理ユニット、マイクロプロセッサ、デジタル信号プロセッサ、コントローラ、マイクロコントローラ等を含む。

【0079】

図６は、本発明の複数の態様が全体的または部分的に具現化されてよいコンピュータ９９００の例を示す。コンピュータ９９００にインストールされたプログラムは、コンピュータ９９００に、本発明の実施形態に係る装置に関連付けられる操作または当該装置の１または複数のセクションとして機能させることができ、または当該操作または当該１または複数のセクションを実行させることができ、および／またはコンピュータ９９００に、本発明の実施形態に係るプロセスまたは当該プロセスの段階を実行させることができる。そのようなプログラムは、コンピュータ９９００に、本明細書に記載のフローチャートおよびブロック図のブロックのうちのいくつかまたはすべてに関連付けられた特定の操作を実行させるべく、ＣＰＵ９９１２によって実行されてよい。

【0080】

本実施形態によるコンピュータ９９００は、ＣＰＵ９９１２、ＲＡＭ９９１４、グラフィックコントローラ９９１６、およびディスプレイデバイス９９１８を含み、それらはホストコントローラ９９１０によって相互に接続されている。コンピュータ９９００はまた、通信インターフェイス９９２２、ハードディスクドライブ９９２４、ＤＶＤドライブ９９２６、およびＩＣカードドライブのような入／出力ユニットを含み、それらは入／出力コントローラ９９２０を介してホストコントローラ９９１０に接続されている。コンピュータはまた、ＲＯＭ９９３０およびキーボード９９４２のようなレガシの入／出力ユニットを含み、それらは入／出力チップ９９４０を介して入／出力コントローラ９９２０に接続されている。

【0081】

ＣＰＵ９９１２は、ＲＯＭ９９３０およびＲＡＭ９９１４内に格納されたプログラムに従い動作し、それにより各ユニットを制御する。グラフィックコントローラ９９１６は、ＲＡＭ９９１４内に提供されるフレームバッファ等またはそれ自体の中にＣＰＵ９９１２によって生成されたイメージデータを取得し、イメージデータがディスプレイデバイス９９１８上に表示されるようにする。

【0082】

通信インターフェイス９９２２は、ネットワークを介して他の電子デバイスと通信する。ハードディスクドライブ９９２４は、コンピュータ９９００内のＣＰＵ９９１２によって使用されるプログラムおよびデータを格納する。ＤＶＤドライブ９９２６は、プログラムまたはデータをＤＶＤ－ＲＯＭ９９０１から読み取り、ハードディスクドライブ９９２４にＲＡＭ９９１４を介してプログラムまたはデータを提供する。ＩＣカードドライブは、プログラムおよびデータをＩＣカードから読み取り、および／またはプログラムおよびデータをＩＣカードに書き込む。

【0083】

ＲＯＭ９９３０はその中に、アクティブ化時にコンピュータ９９００によって実行されるブートプログラム等、および／またはコンピュータ９９００のハードウェアに依存するプログラムを格納する。入／出力チップ９９４０はまた、様々な入／出力ユニットをパラレルポート、シリアルポート、キーボードポート、マウスポート等を介して、入／出力コントローラ９９２０に接続してよい。

【0084】

プログラムが、ＤＶＤ－ＲＯＭ９９０１またはＩＣカードのようなコンピュータ可読媒体によって提供される。プログラムは、コンピュータ可読媒体から読み取られ、コンピュータ可読媒体の例でもあるハードディスクドライブ９９２４、ＲＡＭ９９１４、またはＲＯＭ９９３０にインストールされ、ＣＰＵ９９１２によって実行される。これらのプログラム内に記述される情報処理は、コンピュータ９９００に読み取られ、プログラムと、上記様々なタイプのハードウェアリソースとの間の連携をもたらす。装置または方法が、コンピュータ９９００の使用に従い情報の操作または処理を実現することによって構成されてよい。

【0085】

例えば、通信がコンピュータ９９００および外部デバイス間で実行される場合、ＣＰＵ９９１２は、ＲＡＭ９９１４にロードされた通信プログラムを実行し、通信プログラムに記述された処理に基づいて、通信インターフェイス９９２２に対し、通信処理を命令してよい。通信インターフェイス９９２２は、ＣＰＵ９９１２の制御下、ＲＡＭ９９１４、ハードディスクドライブ９９２４、ＤＶＤ－ＲＯＭ９９０１、またはＩＣカードのような記録媒体内に提供される送信バッファ処理領域に格納された送信データを読み取り、読み取られた送信データをネットワークに送信し、またはネットワークから受信された受信データを記録媒体上に提供される受信バッファ処理領域等に書き込む。

【0086】

また、ＣＰＵ９９１２は、ハードディスクドライブ９９２４、ＤＶＤドライブ９９２６（ＤＶＤ－ＲＯＭ９９０１）、ＩＣカード等のような外部記録媒体に格納されたファイルまたはデータベースの全部または必要な部分がＲＡＭ９９１４に読み取られるようにし、ＲＡＭ９９１４上のデータに対し様々なタイプの処理を実行してよい。ＣＰＵ９９１２は次に、処理されたデータを外部記録媒体にライトバックする。

【0087】

様々なタイプのプログラム、データ、テーブル、およびデータベースのような様々なタイプの情報が記録媒体に格納され、情報処理を受けてよい。ＣＰＵ９９１２は、ＲＡＭ９９１４から読み取られたデータに対し、本開示の随所に記載され、プログラムの命令シーケンスによって指定される様々なタイプの操作、情報処理、条件判断、条件分岐、無条件分岐、情報の検索／置換等を含む、様々なタイプの処理を実行してよく、結果をＲＡＭ９９１４に対しライトバックする。また、ＣＰＵ９９１２は、記録媒体内のファイル、データベース等における情報を検索してよい。例えば、各々が第２の属性の属性値に関連付けられた第１の属性の属性値を有する複数のエントリが記録媒体内に格納される場合、ＣＰＵ９９１２は、第１の属性の属性値が指定される、条件に一致するエントリを当該複数のエントリの中から検索し、当該エントリ内に格納された第２の属性の属性値を読み取り、それにより予め定められた条件を満たす第１の属性に関連付けられた第２の属性の属性値を取得してよい。

【0088】

上で説明したプログラムまたはソフトウェアモジュールは、コンピュータ９９００上またはコンピュータ９９００近傍のコンピュータ可読媒体に格納されてよい。また、専用通信ネットワークまたはインターネットに接続されたサーバーシステム内に提供されるハードディスクまたはＲＡＭのような記録媒体が、コンピュータ可読媒体として使用可能であり、それによりプログラムを、ネットワークを介してコンピュータ９９００に提供する。

【0089】

以上、本発明を実施の形態を用いて説明したが、本発明の技術的範囲は上記実施の形態に記載の範囲には限定されない。上記実施の形態に、多様な変更または改良を加えることが可能であることが当業者に明らかである。その様な変更または改良を加えた形態も本発明の技術的範囲に含まれ得ることが、特許請求の範囲の記載から明らかである。

【0090】

特許請求の範囲、明細書、および図面中において示した装置、システム、プログラム、および方法における動作、手順、ステップ、および段階等の各処理の実行順序は、特段「より前に」、「先立って」等と明示しておらず、また、前の処理の出力を後の処理で用いるのでない限り、任意の順序で実現しうることに留意すべきである。特許請求の範囲、明細書、および図面中の動作フローに関して、便宜上「まず、」、「次に、」等を用いて説明したとしても、この順で実施することが必須であることを意味するものではない。

【符号の説明】

【0091】

１０ 評価装置
１００ 環境データ取得部
１１０ 実績データ取得部
１２０ データ保存部
１３０ 入力部
１４０ 前処理部
１５０ 学習部
１６０ 学習モデル保存部
１７０ 推定部
１８０ 評価部
１９０ 出力部
２００ 設備
５００ 制御装置
５１０ 状態データ取得部
５２０ 制御部
９９００ コンピュータ
９９０１ ＤＶＤ－ＲＯＭ
９９１０ ホストコントローラ
９９１２ ＣＰＵ
９９１４ ＲＡＭ
９９１６ グラフィックコントローラ
９９１８ ディスプレイデバイス
９９２０ 入／出力コントローラ
９９２２ 通信インターフェイス
９９２４ ハードディスクドライブ
９９２６ ＤＶＤドライブ
９９３０ ＲＯＭ
９９４０ 入／出力チップ
９９４２ キーボード

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】