特許ウォッチ

公開番号2025066538
公報種別公開特許公報(A)
公開日2025-04-23
出願番号2023176221
出願日2023-10-11
発明の名称情報処理装置、情報処理システム及び情報処理方法
出願人株式会社日立製作所
代理人青稜弁理士法人
主分類G06N 20/00 20190101AFI20250416BHJP(計算;計数)
要約【課題】情報処理装置において、スパースモデリングにおいて生成するモデルの精度を向上させると共に、入力データから得られる情報量の低下を防止する。
【解決手段】モデル演算部は、複数のデータの間の相関係数をそれぞれ算出し、複数の前記データの内のデータ点間で不連続となる不連続的な第1のデータに対して平滑化処理を行い、前記第1のデータと、複数の前記データの内の第2のデータとの間の前記相関係数が閾値以上かを判定し、判定の結果、前記相関係数が前記閾値以上の前記第2のデータに対して前記平滑化処理を行う。
【選択図】図2
特許請求の範囲【請求項１】
複数のセンサから取得された現象に関する複数のパラメータのデータに基づいて、前記現象の支配方程式を生成するスパース推定を行うスパースモデリングを実施して所定のモデルを生成するモデル演算部を有する情報処理装置であって、
前記モデル演算部は、
複数の前記データの間の相関係数をそれぞれ算出し、
複数の前記データの内のデータ点間で不連続となる不連続的な第１のデータに対して平滑化処理を行い、
前記第１のデータと、複数の前記データの内の第２のデータとの間の前記相関係数が閾値以上かを判定し、
前記判定の結果、前記相関係数が前記閾値以上の前記第２のデータに対して前記平滑化処理を行うことを特徴とする情報処理装置。
続きを表示（約 1,000 文字）【請求項２】
前記モデル演算部は、
前記判定の結果、前記相関係数が前記閾値未満の前記第２のデータに対しては前記平滑化処理を行わないことを特徴とする請求項１に記載の情報処理装置。
【請求項３】
前記モデル演算部は、
前記不連続的な前記第１のデータとして、離散的データ又は高周波ノイズを含むノイズデータに対して前記平滑化処理を行うことを特徴とする請求項１に記載の情報処理装置。
【請求項４】
前記モデル演算部は、
前記離散的データとして、フラグデータ、二値データ又はステップ関数に対して前記平滑化処理を行うことを特徴とする請求項３に記載の情報処理装置。
【請求項５】
前記モデル演算部は、
ローパスフィルタを用いて前記ノイズデータから前記高周波ノイズを除去することにより前記平滑化処理を行うことを特徴とする請求項３に記載の情報処理装置。
【請求項６】
前記モデル演算部は、
関数フィッティングを用いて前記平滑化処理を行うことを特徴とする請求項４に記載の情報処理装置。
【請求項７】
前記不連続的な前記第１のデータは、
時間軸方向における前記データ点間で不連続となる時系列データであることを特徴とする請求項１に記載の情報処理装置。
【請求項８】
前記モデル演算部は、
前記スパースモデリングを実施する際に数値エラーが返された場合に、前記相関係数の閾値を変更し、
前記第１のデータと、複数の前記データの内の第２のデータとの間の前記相関係数が前記閾値以上かを判定し、
前記判定の結果、前記相関係数が前記閾値以上の前記第２のデータに対して前記平滑化処理を行うことを特徴とする請求項１に記載の情報処理装置。
【請求項９】
前記モデル演算部は、
前記平滑化処理を行った前記第１のデータと前記平滑化処理を行った前記第２のデータを用いて、前記スパースモデリングを実施して前記モデルを生成することを特徴とする請求項１に記載の情報処理装置。
【請求項１０】
前記モデル演算部で生成した前記モデルを用いるシミュレーションシステムを更に有することを特徴とする請求項１に記載の情報処理装置。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明は、情報処理装置、情報処理システム及び情報処理方法に関する。
続きを表示（約 1,100 文字）【背景技術】
【０００２】
時系列データを用いて物理現象に関わる時間微分方程式を抽出するスパースモデリング技術が提案されている。
【０００３】
これに関連する技術として、例えば、特許文献１がある。特許文献１では、損失関数に基づいた生成確率および機械学習のハイパーパラメータの修正と、生成確率に基づいた基底関数の抽出により適切な物理現象のモデルを生成する。
【先行技術文献】
【特許文献】
【０００４】
特開２０２２－７５２１３号公報
【発明の概要】
【発明が解決しようとする課題】
【０００５】
特許文献１では、電子機器に設けられたセンサ、例えば、温度センサ、流量センサ、電流センサ、電圧センサなどから取得したデータを用いて電子機器の温度を予測する。
【０００６】
しかしながら、実際にセンサから取得した時系列データは、ノイズを含んでいる場合がある。また、時系列データの時間分解能が低い場合もある。また、時系列データが機器のフラグデータ（１／０データ）である場合もある。このため、時系列データがデータ点間で不連続となる場合がある。時系列データがデータ点間で不連続となると、モデル生成の計算処理時にデータの微分処理が適切になされないことがある。
【０００７】
その結果、適切なモデルが得られない場合があり、そもそも微分処理そのものができない場合がある。以降では、このような課題の生じるデータを、連続的でないデータ（不連続的なデータ）と呼ぶ。
【０００８】
上記課題への対応として、データに平滑化処理を施す方法がある。これにより、データの微分処理は可能になるが、さらに以下の二つの課題が生じる。
【０００９】
一つ目の課題は、各センサから取得したデータからなるパラメータ（例えば、温度や圧力、流量、電流など）のうち、二つ以上のパラメータを用いてモデルを生成する場合において、平滑化処理による数値の変化が、平滑化処理するパラメータと平滑化処理しないパラメータとのデータ間の関係に影響してしまうことである。データ間の関係性が重要なスパースモデリングにおいては、データ間の相関関係がずれると精度の良いモデルは得られない。
【００１０】
二つ目の課題は、平滑化処理を行うと、入力データが持つ現象の情報量が低下してしまうことである。つまり、データに含まれる現象を抽出できなくなってしまう。よって、平滑化処理するパラメータは少ない方が良い。特に、深層学習等と比較して、使用するデータの量が少なくて済むスパースモデリングにおいては重要である。
（【００１１】以降は省略されています）

関連特許