特許ウォッチ

公開番号2025093171
公報種別公開特許公報(A)
公開日2025-06-23
出願番号2023208748
出願日2023-12-11
発明の名称分析装置、分析方法および分析プログラム
出願人横河電機株式会社
代理人弁理士法人酒井国際特許事務所
主分類G05B 23/02 20060101AFI20250616BHJP(制御;調整)
要約【課題】データの要因分析の信頼性を向上させることを課題とする。
【解決手段】分析装置は、対象システムの正常稼働時に取得された事前データを基にして教師なし学習が実行された第1予測モデルに、対象システムから取得したデータを入力することで、異常データを検知する検知部と、異常データと、事前データとを基にして、第2予測モデルに対する教師あり学習を実行する教師あり学習部と、第1予測モデルに入力したデータと同一のデータを、第2予測モデルに入力することで、第1予測モデルを評価する評価部と、評価部の評価結果を基にして、第1予測モデルに対する教師なし学習を再度実行する再学習部とを有する。
【選択図】図4
特許請求の範囲【請求項１】
対象システムの正常稼働時に取得された事前データを基にして教師なし学習が実行された第１予測モデルに、前記対象システムから取得したデータを入力することで、異常データを検知する検知部と、
前記異常データと、前記事前データとを基にして、第２予測モデルに対する教師あり学習を実行する教師あり学習部と、
前記第１予測モデルに入力したデータと同一のデータを、前記第２予測モデルに入力することで、前記第１予測モデルを評価する評価部と、
前記評価部の評価結果を基にして、前記第１予測モデルに対する教師なし学習を再度実行する再学習部と
を有する分析装置。
続きを表示（約 1,500 文字）【請求項２】
前記異常データと前記第１予測モデルとを基にして要因分析を行う要因分析部を更に有する請求項１に記載の分析装置。
【請求項３】
前記検知部は、前記対象システムから取得したデータを基にして、プラントＫＰＩ（Key Performance Indicator）の値を更に算出し、前記要因分析部は、前記第１予測モデルまたは前記第２予測モデルの予測結果と、前記プラントＫＰＩの値とを基にして、前記対象システムから取得した複数のデータから、要因分析の対象となるデータを特定する請求項２に記載の分析装置。
【請求項４】
前記評価部は、前記第１予測モデルにデータを入力した際に前記第１予測モデルから出力される第１予測結果と、前記第１予測モデルに入力したデータと同一のデータを、前記第２予測モデルに入力した際に前記第２予測モデルから出力される第２予測結果とを基にして、前記第１予測モデルを評価する請求項１に記載の分析装置。
【請求項５】
前記評価部は、前記第１予測モデルが異常データと予測したデータを、前記第２予測モデルに入力した際に前記第２予測モデルから出力される第２予測結果を基にして、前記第１予測モデルを評価する請求項４に記載の分析装置。
【請求項６】
前記評価部は、前記第１予測結果と、前記第２予測結果とが異なる場合に、前記第１予測モデルの性能が低下したと評価し、前記再学習部は、前記第１予測モデルの性能が低下したと評価された場合に、前記第１予測モデルに対する教師なし学習を再度実行する請求項５に記載の分析装置。
【請求項７】
前記教師あり学習部は、対象システムの正常稼働時に取得された複数の事前データのうち、前記第１予測モデルによって正常と判定された正常データと、前記異常データとを基にして、前記第２予測モデルに対する教師あり学習を実行する請求項１～６の何れか一つに記載の分析装置。
【請求項８】
前記教師あり学習部は、前記検知部に検知された前記異常データの直前に前記対象システムから取得されたデータと、前記異常データとを基にして、前記第２予測モデルに対する教師あり学習を実行する請求項１～６の何れか一つに記載の分析装置。
【請求項９】
コンピュータが、
対象システムの正常稼働時に取得された事前データを基にして教師なし学習が実行された第１予測モデルに、前記対象システムから取得したデータを入力することで、異常データを検知し、
前記異常データと、前記事前データとを基にして、第２予測モデルに対する教師あり学習を実行し、
前記第１予測モデルに入力したデータと同一のデータを、前記第２予測モデルに入力することで、前記第１予測モデルを評価し、
評価結果を基にして、前記第１予測モデルに対する教師なし学習を再度実行する、
処理を実行する分析方法。
【請求項１０】
コンピュータに、
対象システムの正常稼働時に取得された事前データを基にして教師なし学習が実行された第１予測モデルに、前記対象システムから取得したデータを入力することで、異常データを検知し、
前記異常データと、前記事前データとを基にして、第２予測モデルに対する教師あり学習を実行し、
前記第１予測モデルに入力したデータと同一のデータを、前記第２予測モデルに入力することで、前記第１予測モデルを評価し、
評価結果を基にして、前記第１予測モデルに対する教師なし学習を再度実行する
処理を実行させる分析プログラム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、分析装置、分析方法および分析プログラムに関する。
続きを表示（約 1,300 文字）【背景技術】
【０００２】
予測モデルを用いて、データの要因解析を行う従来技術がある。
【先行技術文献】
【非特許文献】
【０００３】
大木伊織、西垣貴央、小野田崇「商船搭載機器の外れ値検出モデルに対するSHAPを用いた要因推定」、経営情報学会２０２２年全国研究発表会、２０２２年１１月１２日
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかしながら、上述した従来技術では、予測モデルの精度が低下した際に、要因分析の信頼性が低下するという問題がある。
【０００５】
たとえば、SHAPは、あくまでも予測モデルから出力される異常データを基にして、特徴量がどのくらい寄与しているのかを算出する手法であり、Shapley値の精度は、予測モデルの精度に依存してしまう。
【０００６】
一つの側面では、データの要因分析の信頼性を向上させることができる分析装置、分析方法および分析プログラム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】
【０００７】
一側面にかかる分析装置は、対象システムの正常稼働時に取得された事前データを基にして教師なし学習が実行された第１予測モデルに、対象システムから取得したデータを入力することで、異常データを検知する検知部と、異常データと、事前データとを基にして、第２予測モデルに対する教師あり学習を実行する教師あり学習部と、第１予測モデルに入力したデータと同一のデータを、第２予測モデルに入力することで、第１予測モデルを評価する評価部と、評価部の評価結果を基にして、第１予測モデルに対する教師なし学習を再度実行する再学習部とを有する。
【０００８】
一側面にかかる分析方法は、対象システムの正常稼働時に取得された事前データを基にして教師なし学習が実行された第１予測モデルに、対象システムから取得したデータを入力することで、異常データを検知し、異常データと、事前データとを基にして、第２予測モデルに対する教師あり学習を実行し、第１予測モデルに入力したデータと同一のデータを、第２予測モデルに入力することで、第１予測モデルを評価し、評価結果を基にして、第１予測モデルに対する教師なし学習を再度実行する処理をコンピュータが実行する。
【０００９】
一側面にかかる分析プログラムは対象システムの正常稼働時に取得された事前データを基にして教師なし学習が実行された第１予測モデルに、対象システムから取得したデータを入力することで、異常データを検知し、異常データと、事前データとを基にして、第２予測モデルに対する教師あり学習を実行し、第１予測モデルに入力したデータと同一のデータを、第２予測モデルに入力することで、第１予測モデルを評価し、評価結果を基にして、第１予測モデルに対する教師なし学習を再度実行する処理をコンピュータに実行させる。
【発明の効果】
【００１０】
一実施形態によれば、データの要因分析の信頼性を向上させることができる。
【図面の簡単な説明】
（【００１１】以降は省略されています）

関連特許