特許ウォッチ

公開番号2024070487
公報種別公開特許公報(A)
公開日2024-05-23
出願番号2022181009
出願日2022-11-11
発明の名称ニューラルネットワークの学習方法、コンピュータプログラム、及び余寿命予測システム
出願人日本電気株式会社
代理人個人,個人,個人
主分類G06N 3/08 20230101AFI20240516BHJP(計算;計数)
要約【課題】機器の余寿命を推定するニューラルネットワークを適切に学習する。
【解決手段】ニューラルネットワークの学習方法は、保全の対象である対象機器の時系列稼働データであるメンテナンスサイクルデータを含むラベルなしデータと、対象機器の故障発生までの時系列稼働データであるライフサイクルデータを含むラベルありデータとを取得し、メンテナンスサイクルデータにおける二点間の余寿命の差の予測誤差と、ライフサイクルデータにおける余寿命の予測誤差とを小さくするように、ニューラルネットワークの重みパラメータを更新する。
【選択図】図3
特許請求の範囲【請求項１】
保全の対象である対象機器の余寿命を予測するニューラルネットワークの学習方法であって、
前記対象機器の時系列稼働データであるメンテナンスサイクルデータを含むラベルなしデータと、前記対象機器の故障発生までの時系列稼働データであるライフサイクルデータを含むラベルありデータとを取得し、
前記メンテナンスサイクルデータにおける二点間の余寿命の差の予測誤差と、前記ライフサイクルデータにおける余寿命の予測誤差とを小さくするように、前記ニューラルネットワークの重みパラメータを更新する、
ニューラルネットワークの学習方法。
続きを表示（約 1,800 文字）【請求項２】
前記メンテナンスサイクルデータにおける余寿命の差は、前記メンテナンスサイクルデータの参照点における余寿命の予測値と、前記参照点と同一のメンテンナンスサイクルデータからランダムに選択した点における余寿命の予測値との差である、
請求項１に記載のニューラルネットワークの学習方法。
【請求項３】
前記メンテナンスサイクルデータにおける余寿命の差は、前記メンテナンスサイクルデータの参照点における余寿命の予測値と、前記参照点と同一のメンテンナンスサイクルデータの終端に対応する点における余寿命の予測値との差である、
請求項１に記載のニューラルネットワークの学習方法。
【請求項４】
前記参照点を、前記メンテナンスサイクルデータごとに予め決定し、
前記参照点のすべてを用いて前記重みパラメータを更新するごとに、前記重みパラメータを検証するための検証値を算出し、
前記検証値に基づいて前記重みパラメータを上書き保存する、
請求項１から３のいずれか一項に記載のニューラルネットワークの学習方法。
【請求項５】
前記参照点は、前記メンテナンスサイクルデータにおける余寿命が小さい部分から、より多く決定される、
請求項４に記載のニューラルネットワークの学習方法。
【請求項６】
前記ニューラルネットワークは、稼働データを特徴量ベクトルに変換する特徴抽出器と、前記特徴量ベクトルを余寿命の予測値に変換する予測層と、を備えており、
同一のメンテナンスサイクルに属する稼働データにおける二点間の余寿命の差が、前記特徴抽出器から出力される前記二点間の特徴量ベクトルの距離となるように、前記特徴抽出器の重みパラメータの事前学習を行い、
前記事前学習で学習された前記特徴抽出器の重みパラメータを初期値とする本学習として、前記メンテナンスサイクルデータにおける二点間の余寿命の差の予測誤差と、前記ライフサイクルデータにおける余寿命の予測誤差とを小さくするように、前記ニューラルネットワークの重みパラメータを更新する、
請求項１から３のいずれか一項に記載のニューラルネットワークの学習方法。
【請求項７】
前記事前学習における余寿命の差は、前記メンテナンスサイクルデータの参照点における余寿命の予測値と、前記参照点と同一のメンテナンスサイクルデータの前記参照点より余寿命が小さい部分からランダムに選択した点における余寿命の予測値との差であり、
前記本学習における余寿命の差は、前記メンテナンスサイクルデータの参照点における余寿命の予測値と、前記参照点と同一のメンテナンスサイクルデータの終端に対応する点における余寿命の予測値との差である、
請求項６に記載のニューラルネットワークの学習方法。
【請求項８】
保全の対象である対象機器の余寿命を予測するニューラルネットワークの学習方法であって、
前記対象機器の時系列稼働データであるメンテナンスサイクルデータを含むラベルなしデータと、前記対象機器の故障発生までの時系列稼働データであるライフサイクルデータを含むラベルありデータとを取得し、
前記メンテナンスサイクルデータにおける二点間の余寿命の差の予測誤差と、前記ライフサイクルデータにおける余寿命の予測誤差とを小さくするように、前記ニューラルネットワークの重みパラメータを更新する、
ニューラルネットワークの学習方法をコンピュータに実行させるコンピュータプログラム。
【請求項９】
保全の対象である対象機器の余寿命を予測するニューラルネットワークを備える余寿命予測システムであって、
前記ニューラルネットワークは、
前記対象機器の時系列稼働データであるメンテナンスサイクルデータを含むラベルなしデータと、前記対象機器の故障発生までの時系列稼働データであるライフサイクルデータを含むラベルありデータとを取得し、
前記メンテナンスサイクルデータにおける二点間の余寿命の差の予測誤差と、前記ライフサイクルデータにおける余寿命の予測誤差とを小さくするように、前記ニューラルネットワークの重みパラメータを更新する、
ことで学習されている余寿命予測システム。

発明の詳細な説明【技術分野】
【０００１】
この開示は、ニューラルネットワークの学習方法、コンピュータプログラム、及び余寿命予測システムの技術分野に関する。
続きを表示（約 2,300 文字）【背景技術】
【０００２】
各種機器のメンテナンスを行うために、機器の余寿命（即ち、故障発生までの期間）を推定する方法が知られている。例えば特許文献１では、機械学習モデルによって、工作機械の数値制御装置に設けられるＮＡＮＤフラッシュメモリの余寿命を予測することが開示されている。
【先行技術文献】
【特許文献】
【０００３】
特許第６３８６５２３号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
上記特許文献１では、余寿命を推定するモデルを学習するために、故障発生に至るまでのデータを十分に入手できることが前提となっている。しかしながら、実際の保全方法では故障発生より前にメンテナンスが実行されるため、故障発生に至るまでのデータを収集することは容易ではない。仮に、学習に用いるデータが不十分な状態であると、学習したモデルによる余寿命の推定精度は低くなってしまう。また、疑似ラベルを付与したデータを用いることも考えられるが、この場合は疑似ラベルの推定にかかるコストが大きくなってしまう。この開示は、上述した技術的問題点を改善することを目的とする。
【課題を解決するための手段】
【０００５】
この開示のニューラルネットワークの学習方法の一の態様は、保全の対象である対象機器の余寿命を予測するニューラルネットワークの学習方法であって、前記対象機器の時系列稼働データであるメンテナンスサイクルデータを含むラベルなしデータと、前記対象機器の故障発生までの時系列稼働データであるライフサイクルデータを含むラベルありデータとを取得し、前記メンテナンスサイクルデータにおける二点間の余寿命の差の予測誤差と、前記ライフサイクルデータにおける余寿命の予測誤差とを小さくするように、前記ニューラルネットワークの重みパラメータを更新する。
【０００６】
この開示のコンピュータプログラムの一の態様は、保全の対象である対象機器の余寿命を予測するニューラルネットワークの学習方法であって、前記対象機器の時系列稼働データであるメンテナンスサイクルデータを含むラベルなしデータと、前記対象機器の故障発生までの時系列稼働データであるライフサイクルデータを含むラベルありデータとを取得し、前記メンテナンスサイクルデータにおける二点間の余寿命の差の予測誤差と、前記ライフサイクルデータにおける余寿命の予測誤差とを小さくするように、前記ニューラルネットワークの重みパラメータを更新する、ニューラルネットワークの学習方法をコンピュータに実行させる。
【０００７】
この開示の余寿命予測システムの一の態様は、保全の対象である対象機器の余寿命を予測するニューラルネットワークを備える余寿命予測システムであって、前記ニューラルネットワークは、前記対象機器の時系列稼働データであるメンテナンスサイクルデータを含むラベルなしデータと、前記対象機器の故障発生までの時系列稼働データであるライフサイクルデータを含むラベルありデータとを取得し、前記メンテナンスサイクルデータにおける二点間の余寿命の差の予測誤差と、前記ライフサイクルデータにおける余寿命の予測誤差とを小さくするように、前記ニューラルネットワークの重みパラメータを更新する、ことで学習されている。
【図面の簡単な説明】
【０００８】
第１実施形態に係る余寿命予測システムのハードウェア構成を示すブロック図である。
第１実施形態に係る余寿命予測システムの機能的構成を示すブロック図である。
第１実施形態に係る余寿命予測システムの学習動作の流れを示すフローチャートである。
第１実施形態に係る余寿命予測システムの予測動作の流れを示すフローチャートである。
メンテナンスサイクルデータ及びライフサイクルデータにおける機器の健全度の時間変化の一例を示す概念図である。
第１実施形態に係る余寿命予測システムにおけるラベルありデータを用いる場合の学習方法を示す概念図である。
第１実施形態に係る余寿命予測システムにおけるラベルなしデータを用いる場合の学習方法を示す概念図である。
第２実施形態に係る余寿命予測システムにおける他方の点の選択方法の一例を示すグラフ（その１）である。
第２実施形態に係る余寿命予測システムにおける他方の点の選択方法の一例を示すグラフ（その２）である。
第３実施形態に係る余寿命予測システムが実行する学習処理の流れを示すフローチャートである。
第４実施形態に係る余寿命予測システムにおける事前学習の方法を示す概念図である。
第４実施形態に係る余寿命予測システムにおける各学習段階での他方の点の選択方法の違いを示す表である。
【発明を実施するための形態】
【０００９】
以下、図面を参照しながら、ニューラルネットワークの学習方法、コンピュータプログラム、及び余寿命予測システムの実施形態について説明する。なお、以下では、余寿命予測システムにおいてニューラルネットワークの学習方法が実行される例を挙げて説明を進める。
【００１０】
＜第１実施形態＞
第１実施形態に係る余寿命予測システムについて、図１から図７を参照して説明する。
（【００１１】以降は省略されています）

関連特許