WO2022107240A1

WO2022107240A1 - 劣化推定装置、劣化推定方法およびプログラム

Info

Publication number: WO2022107240A1
Application number: PCT/JP2020/042965
Authority: WO
Inventors: 正浩外間; 昌幸津田
Original assignee: 日本電信電話株式会社
Priority date: 2020-11-18
Filing date: 2020-11-18
Publication date: 2022-05-27

Abstract

劣化推定装置１は、パラメータ毎に、処理対象の設備からパラメータで特定される範囲内に位置する周辺設備の属性値と、処理対象の設備と前記周辺設備との距離から、処理対象の設備の属性値を算出する属性値算出部３１と、目的関数をパラメータ毎に算出された設備の属性値とし、設備データの設備情報および環境情報を説明変数として、パラメータ毎に、属性値の推定モデルを生成し、パラメータ毎に生成された属性値の推定モデルのそれぞれを用いて、設備の属性値を推定する属性値推定部３２と、設備の劣化指標を目的関数とし、設備情報および環境情報とパラメータ毎に推定された属性値を説明変数として、パラメータ毎に、劣化指標の推定モデルを生成し、精度が高い劣化指標の推定モデルを特定する特定部３３と、特定された推定モデルを用いて、劣化指標を推定する推定部３６を備える。

Description

劣化推定装置、劣化推定方法およびプログラム

　本発明は、劣化推定装置、劣化推定方法およびプログラムに関する。

　老朽化が進むインフラストラクチャ設備の機能維持のために、設備の劣化推定は、重要である。特に、道路や電気、通信等の屋外に分散して設置されている設備は、設備が設置されている場所における環境から様々なストレスを受けて劣化が進む。このような設備は、設置環境によって劣化度合いが異なり、単に使用年数で劣化推定を行うことが困難であることが多い。

　設備の劣化推定に関して、例えば鉄道地上設備の経時劣化と環境情報との関係を表す関係式を用いて、予測対象の設備の周辺で記録された環境情報から、予測対象の経時劣化度合いを予測する技術がある（例えば特許文献１）。

特開２０１６－２０３９３１号公報

　このような分散設置設備の劣化推定の精度向上のため、設置場所による劣化度合いの違いを、適切に表現した変数を得ることが有効である。このような変数の一つの候補として、空間統計的概念に基づく地理的加重統計量が挙げられる。

　しかしながら、特許文献１は、空間統計的概念に基づく地理的加重統計量を、活用していない。

　本発明は、上記事情に鑑みてなされたものであり、本発明の目的は、地理的加重統計量を用いて、屋外に分散して設置される設備の劣化を適切に推定可能な技術を提供することである。

　本発明の一態様の劣化推定装置は、設備の位置情報、劣化指標、設備情報および環境情報を対応づける複数のデータセットを含む設備データを記憶するストレージと、パラメータ毎に、処理対象の設備から前記パラメータで特定される範囲内に位置する周辺設備の属性値と、前記処理対象の設備と前記周辺設備との距離から、前記処理対象の設備の属性値を算出する属性値算出部と、目的関数を前記パラメータ毎に算出された前記設備の属性値とし、前記設備データのデータセットの前記設備情報および環境情報を説明変数として、前記パラメータ毎に、属性値の推定モデルを生成し、前記パラメータ毎に生成された属性値の推定モデルのそれぞれを用いて、前記設備の属性値を推定する属性値推定部と、前記設備の劣化指標を目的関数とし、前記設備データの設備情報および環境情報と前記パラメータ毎に推定された属性値を説明変数として、前記パラメータ毎に、劣化指標の推定モデルを生成し、前記パラメータ毎に生成された劣化指標の推定モデルのうち、精度が高い劣化指標の推定モデルを特定する特定部と、特定された推定モデルを用いて、劣化指標を推定する推定部を備える。

　本発明の一態様の劣化推定方法は、コンピュータが、設備の位置情報、劣化指標、設備情報および環境情報を対応づける複数のデータセットを含む設備データをストレージに記憶するステップと、前記コンピュータが、パラメータ毎に、処理対象の設備から前記パラメータで特定される範囲内に位置する周辺設備の属性値と、前記処理対象の設備と前記周辺設備との距離から、前記処理対象の設備の属性値を算出するステップと、前記コンピュータが、目的関数を前記パラメータ毎に算出された前記設備の属性値とし、前記設備データのデータセットの前記設備情報および環境情報を説明変数として、前記パラメータ毎に、属性値の推定モデルを生成し、前記パラメータ毎に生成された属性値の推定モデルのそれぞれを用いて、前記設備の属性値を推定するステップと、前記コンピュータが、前記設備の劣化指標を目的関数とし、前記設備データの設備情報および環境情報と前記パラメータ毎に推定された属性値を説明変数として、前記パラメータ毎に、劣化指標の推定モデルを生成し、前記パラメータ毎に生成された劣化指標の推定モデルのうち、精度が高い劣化指標の推定モデルを特定するステップと、前記コンピュータが、特定された推定モデルを用いて、劣化指標を推定するステップを備える。

　本発明の一態様は、上記劣化推定装置として、コンピュータを機能させるプログラムである。

　本発明によれば、地理的加重統計量を用いて、屋外に分散して設置される設備の劣化を適切に推定可能な技術を提供することができる。

図１は、本発明の実施の形態に係る劣化推定装置の機能ブロックを説明する図である。図２は、設備データのデータ構造とデータの一例を説明する図である。図３は、パラメータ毎の検出率の一例を説明する図である。図４は、本発明の実施の形態に係る劣化推定装置による劣化推定方法を説明するフローチャートである。図５は、変形例において劣化推定装置が採用するスタッキング構成の一例を説明する図である。図６は、変形例において、スタッキングまたは地理的加重統計量を用いて、検出率を検証した結果を説明する図である。図７は、劣化推定装置に用いられるコンピュータのハードウエア構成を説明する図である。

　以下、図面を参照して、本発明の実施形態を説明する。図面の記載において同一部分には同一符号を付し説明を省略する。

　（劣化推定装置）
　本発明の実施の形態に係る劣化推定装置１は、地理的加重統計量を用いて、道路や電気、通信等の屋外に分散して設置されている設備の劣化を適切に判断する。地理的加重統計量とは、ある設備ｉの属性値を、その周辺の設備ｊの属性値と設備ｉとの距離を考慮して算出した属性値の統計量を意味する。

　本発明の形態において、地理的加重統計量を算出する際の「周辺」の範囲を特定する複数のパラメータを設定し、最適なパラメータを用いて設備の劣化指標を推定する。劣化推定装置１は、劣化指標の一要素となる属性値を、地理的加重統計量で推定する。本発明の実施の形態において、設備は通信電柱であり、属性値は劣化速度である場合を説明するが、これに限らない。なお劣化速度は、劣化指標を使用年数で除すことで算出される。

　図１に示すように劣化推定装置１は、学習用設備データ１１、検証用設備データ１２、算出属性値データ２１、属性値推定モデル２２、推定属性値データ２３、劣化指標推定モデル２４および特定劣化指標推定モデル２５の各データと、属性値算出部３１、属性値推定部３２、特定部３３および推定部３６の各機能を備える。各データは、メモリ９０２またはストレージ９０３に記憶される。各機能は、CPU９０１に実装される。

　学習用設備データ１１および検証用設備データ１２は、設備の位置情報、劣化指標、設備情報および環境情報を対応づける複数のデータセットを含むデータである。学習用設備データ１１は、劣化推定装置１が、属性値推定モデル２２および劣化指標推定モデル２４を学習する際の入力となるデータである。検証用設備データ１２は、劣化推定装置１が生成した属性値推定モデル２２による属性値の出力、または劣化指標推定モデル２４の検証に用いられるデータである。学習用設備データ１１及び検証用設備データ１２は、ＧＩＳ（Geographic Information System）等を用いて地図表示可能に形成されても良い。

　学習用設備データ１１および検証用設備データ１２は、図２に示すように、設備識別子に、位置情報、設備情報、環境情報および劣化指標を対応づける。なおこれらのデータは、劣化推定装置１が参照可能であればよく、劣化推定装置１内に格納されても良いし、外部サーバに格納されても良い。

　位置情報は、緯度、軽度、メッシュコードなどであって、設備の位置を特定できればどのような指標が用いられても良い。設備情報は、柱長、スパン長など、設備の仕様に関するデータである。環境情報は、気温、湿度、日射量、人口密度等の設備が設置された環境のデータである。環境情報は、劣化指標が得られた時点における過去のデータを含んでも良い。

　劣化指標は、過去の設備の点検等で得られた設備の劣化状況を表す指標である。本発明の実施の形態において劣化指標は、１から５の５段階で表記される。劣化指標５が、最も状態が悪く、劣化指標１が最も状態が良い。劣化指標は、本発明の実施の形態において階級値で表現する場合を説明するが、連続値または離散値など、任意の形式で設定されても良い。

　算出属性値データ２１は、設備識別子に、算出された属性値のデータを対応づけるデータである。算出属性値データ２１は、属性値算出部３１によって生成される。算出属性値データ２１は、パラメータ毎に生成される。パラメータが５つの場合、算出属性値データ２１は、５セットの、設備識別子に、算出された属性値のデータを対応づけるデータを含む。

　属性値推定モデル２２は、属性値を推定する複数のモデルを特定するデータである。属性値推定モデル２２は、属性値推定部３２によって、パラメータ毎に生成される。パラメータが５つの場合、５つの属性値推定モデル２２が生成される。

　推定属性値データ２３は、設備識別子に、属性値推定モデル２２を使って推定された属性値を対応づけるデータである。推定属性値データ２３は、属性値推定部３２によって生成される。パラメータが５つの場合、５セットの、設備識別子と属性値を対応づける推定属性値データ２３が生成される。

　劣化指標推定モデル２４は、劣化指標を推定する複数のモデルを特定するデータである。劣化指標推定モデル２４は、特定部３３によって、パラメータ毎に生成される。パラメータが５つの場合、５つの劣化指標推定モデル２４が生成される。

　特定劣化指標推定モデル２５は、パラメータ毎に生成された複数の劣化指標推定モデル２４から特定された１つのモデルである。特定劣化指標推定モデル２５は、複数の劣化指標推定モデル２４のうち、最も精度の高いモデルである。

　属性値算出部３１は、パラメータ毎に、処理対象の設備からパラメータで特定される範囲内に位置する周辺設備の属性値と、処理対象の設備と周辺設備との距離から、処理対象の設備の属性値を算出する。属性値算出部３１は、地理的加重統計量により、処理対象の設備の属性値を算出する。本発明の実施の形態において属性値は、地理的加重統計量として地理的加重平均で算出される場合を説明するが、そのほかの一般的な方法で計算されても良い。周辺設備の位置および属性値は、劣化推定装置１が参照可能なストレージに予め保持される。

　パラメータは、処理対象の設備の属性値を算出する際に参照される周辺設備の範囲を特定する。本発明の実施の形態においてパラメータは、処理対象の設備を中心とした半径である。他の例としてパラメータは、処理対象の設備を中心とした周辺設備の数などであっても良い。

　属性値算出部３１は、式（１）により、処理対象の属性値を算出する。なお式（１）において、設備iに対する設備jの重みは、ガウシアン法による算出式を示すが、これに限るものではない。
参考文献：Isabella Gollini, et al. (2015), GWmodel_An R Package for Exploring Spatial Heterogeneity Using Geographically Weighted Models, Journal of Statistical Software, Volume 63, Issue 17.

　パラメータが５つの場合、属性値算出部３１は、処理対象の設備を中心とした、半径が異なる５つの円を設定する。属性値算出部３１は、各円内に位置する周辺の設備の属性値から、処理対象の設備の属性値を算出する処理を繰り返し、パラメータ毎に、処理対象の設備の属性値を算出する。

　属性値推定部３２は、機械学習により、パラメータ毎に、属性値の推定モデルを生成する。属性値の推定モデルは、目的関数をパラメータ毎に算出された設備の属性値とし、学習用設備データ１１のデータセットの設備情報および環境情報を説明変数として、生成される。設備の属性値は、離散値ではなく連続値であるため、属性値の推定モデルは、分類分析ではなく回帰分析である。属性値推定部３２は、パラメータ毎に生成した属性値の推定モデルを、属性値推定モデル２２に格納する。

　属性値推定モデル２２が生成されると、属性値推定部３２は、パラメータ毎に生成された属性値の推定モデルのそれぞれを用いて、設備の属性値を推定する。属性値推定部３２は、学習用設備データ１１の各データセットを参照して、パラメータ毎に、生成した推定モデルによって、各設備の属性値を推定する。パラメータが５つの場合、属性値推定部３２は、各設備について、５種の属性値を推定する。

　属性値推定部３２は、パラメータ毎およびアルゴリズム毎に、属性値の推定モデルを生成しても良い。アルゴリズムは、属性値を推定可能なものであればどのようなアルゴリズムでもよく、例えば、統計解析に分類されるアルゴリズム、機械学習に分類されるアルゴリズム、またはエキスパートシステムのようなアルゴリズムでもよい。

　属性値推定部３２は、アルゴリズムの異なる複数の機械学習方法のそれぞれについて、パラメータ毎に属性値の推定モデルを生成する。属性値推定部３２は、パラメータ毎に、各アルゴリズムで生成された属性値の推定モデルのうち、精度が高い推定モデルによって推定された設備の属性値を出力する。精度が高い推定モデルは、本発明の実施の形態において、最も精度が高い推定モデルである。精度が高い推定モデルは、所定値以上の精度を有する推定モデル、あるいは上位から数個以内の精度を有する推定モデルなど、複数の推定モデルのうち相対的に精度が高いモデルであれば良い。

　例えば、パラメータが５つでアルゴリズムが３つの場合、１つのパラメータについて、３つの推定モデルが生成される。属性値推定部３２は、１つのパラメータについて生成された３つの推定モデルのそれぞれで、検証用設備データ１２から属性値を推定する。属性値推定部３２は、３つの推定モデルのそれぞれから推定された属性値を比較して、最も精度が高い推定モデルを特定する。アルゴリズムが異なる複数の推定モデルから、最も精度が高い推定モデルを選択する指標として、例えば検出率があるが、任意の方法で良い。例えば属性値の仕様から属性値の範囲が予め決められており、その範囲内に収まる属性値を推定した推定モデルについて精度が高いと判定されても良い。属性値推定部３２は、複数のアルゴリズムでパラメータ毎に属性値の推定モデルを生成する場合でも、１つのアルゴリズムでパラメータ毎に属性値、推定モデルを生成する場合と同様に、パラメータ毎に属性値の推定モデルを特定する。

　特定部３３は、劣化指標に推定モデルを生成し、劣化指標を推定する劣化指標推定部３４と、劣化指標推定部３４が推定した劣化指標を検証する検証部３５を備える。

　劣化指標推定部３４は、パラメータ毎に、劣化指標の推定モデルを生成する。劣化指標の推定モデルは、設備の劣化指標を目的関数とし、学習用設備データ１１のデータセットの設備情報および環境情報とパラメータ毎に推定された属性値を説明変数として、生成される。特定部３３は、所定のパラメータについて、そのパラメータに対応する属性値の推定モデルで推定された属性値を説明変数として、そのパラメータについての劣化指標の推定モデルを生成する。劣化指標は、階級値であるため、劣化指標の推定モデルは、多値分類推定である。劣化指標推定部３４は、パラメータ毎に生成した劣化指標の推定モデルを、劣化指標推定モデル２４に格納する。

　検証部３５は、パラメータ毎に生成された劣化指標の推定モデルのうち、精度が高い劣化指標の推定モデルを特定する。精度が高い推定モデルは、本発明の実施の形態において、最も精度が高い推定モデルである。精度が高い推定モデルは、所定値以上の精度を有する推定モデル、あるいは上位から数個以内の精度を有する推定モデルなど、複数の推定モデルのうち相対的に精度が高いモデルであれば良い。

　例えば５つのパラメータについて、５つの推定モデルが生成される。検証部３５は、５つの推定モデルのそれぞれで、検証用設備データ１２から劣化指標を推定する。検証部３５は、５つの推定モデルのそれぞれから推定された劣化指標を比較して、最も精度が高い推定モデルを特定する。パラメータが異なる複数の推定モデルから、最も精度が高い推定モデルを特定する指標として、例えば検出率があるが、任意の方法で良い。例えば劣化指標の仕様から属性値の範囲が予め決められており、その範囲内に収まる劣化指標を推定した推定モデルについて精度が高いと判定されても良い。検証部３５は、特定した推定モデルを、特定劣化指標推定モデル２５に格納する。特定された劣化指標推定モデル２４に対応するパラメータを特定パラメータと称する。

　図３を参照して、各パラメータに対応する推定指標の推定モデルの検出率を説明する。検出率（Recall）は、０から１の間の数値で表され、１に近いほど精度が良いことを意味する。図３に示す例においてパラメータｃの検出率が最も高いので、パラメータｃに対応する劣化指標の推定モデルが、特定劣化指標推定モデル２５となる。なお図３に示す検出率は複数回試行した際の平均値である。

　推定部３６は、特定された推定モデルを用いて、劣化指標を推定する。推定部３６は、特定劣化指標推定モデル２５に、劣化指標を算出する対象の各データセットを入力して、各データセットについて劣化指標を推定する。

　図４を参照して、本発明の実施の形態に係る劣化推定方法を説明する。図４に示す処理の流れは一例であって、これに限るものではない。

　劣化推定装置１は、属性値を地理的加重統計量で算出する際の周辺設備の範囲を決定する各パラメータについて、ステップＳ１ないしステップＳ４の処理を実行する。

　ステップＳ１において劣化推定装置１は、処理対象のパラメータで、学習用設備データ１１の各データセットについて属性値を算出する。ステップＳ２において劣化推定装置１は、学習用設備データの各データセットと、ステップＳ１で算出した各属性値から、属性値の推定モデルを生成する。

　ステップＳ３において劣化推定装置１は、処理対象のパラメータについて、ステップＳ２で生成された属性値の推定モデルに、検証用設備データ１２を入力して、検証用設備データ１２の各データセットについて属性値を推定する。ステップＳ４において劣化推定装置１は、ステップＳ３で推定された属性値を説明関数として、劣化指標を推定する推定モデルを生成する。

　処理対象のパラメータについて、ステップＳ１ないしステップＳ４の処理が終了すると、劣化推定装置１は、他のパラメータについて、ステップＳ１ないしステップＳ４の処理を行う。各パラメータについてステップＳ１ないしステップＳ４の処理が終了すると、ステップＳ５に進む。

　ステップＳ５において劣化推定装置１は、パラメータ毎に生成された複数の劣化指標の推定モデルのうち、精度の高い推定モデルを特定する。劣化推定装置１は、各推定モデルに、検証用設備データ１２の各データセットを入力して、劣化指標を推定する。劣化推定装置１は、推定された劣化指標を、検出率などの一般的な指標でパラメータ毎に検証して、最も精度の高い推定モデルを特定する。ステップＳ６において劣化推定装置１は、ステップＳ５で特定された推定モデルで、劣化指標を推定する。

　このように本発明の実施の形態に係る劣化推定装置１は、最適なパラメータで特定された周辺の設備の属性値から、地理的加重統計量で算出された属性値を用いて、劣化推定モデルを生成する。このように生成された劣化推定モデルは、空間統計的概念を考慮して、設備の設置位置による劣化指標を、精度高く算出することができる。劣化推定装置１は、地理的加重統計量を用いて、屋外に分散して設置される設備の劣化を適切に推定することができる。

　（変形例）
　変形例において、劣化推定装置１が、劣化指標の推定モデルを生成し、さらにスタッキングを行う場合を説明する。機械学習分野におけるスタッキングは、複数の機械学習による結果を再度用いて学習等を行う。スタッキングにより、精度向上または汎化性能向上が可能となる。スタッキングにはさまざまな構成が考えられるが、ここでは、劣化指標のベース推定モデルを作成した後、そのベース推定モデルで推定された劣化指標を説明変数として、スタッキング推定モデルを作成する場合を説明する。スタッキングの手法は、一般的なもので良い。

　属性値の推定モデルについて、本発明の実施の形態において説明したように、劣化推定装置１の属性値推定部３２は、パラメータ毎およびアルゴリズム毎に、属性値の推定モデルを生成する。属性値推定部３２は、パラメータ毎に、各アルゴリズムで生成された属性値の推定モデルのうち、精度が高い推定モデルによって推定された設備の属性値を出力する。スタッキングを行う場合、属性値推定部３２は、特定部３３においてスタッキング推定モデルを生成する際に参照される検証用設備データ１２の各データセットを参照して、各データセットについて設備の属性値を出力する。

　ここで、属性値推定部３２が、１つのパラメータに対してアルゴリズムが異なる複数の属性値の推定モデルを作成する場合、属性値推定部３２は、各パラメータについて、最も精度の高い推定モデルを特定する。各パラメータについて最も精度の高い推定モデルが特定されると、属性値推定部３２は、各パラメータについて、最も精度の高い推定モデルを用いて属性値を推定する。

　特定部３３の劣化指標推定部３４は、一般的なスタッキングにより劣化指標の推定モデルを生成する。劣化指標推定部３４は、設備の劣化指標を目的関数とし、設備情報および環境情報を説明変数として、劣化指標のベース推定モデルを生成する。劣化指標のベース推定モデルは、学習用設備データ１１から生成される。劣化指標推定部３４は、検証用設備データ１２を参照して、劣化指標のベース推定モデルを用いて、設備の劣化指標を推定する。

　劣化指標のベース推定モデルを用いて設備の劣化指標が推定されると、劣化指標推定部３４は、パラメータ毎に、設備の劣化指標を目的関数とし、そのパラメータについて推定された属性値とベース推定モデルで推定された劣化指標を説明変数として、劣化指標のスタッキング推定モデルを生成する。劣化指標推定部３４は、複数のパラメータのうちの一つのパラメータで検証用設備データ１２から推定された属性値と、ベース推定モデルで検証用設備データ１２から推定された劣化指標を設定したデータセットを生成する。劣化指標推定部３４は、生成したデータセットを説明関数として、そのパラメータに関する劣化指標のスタッキング推定モデルを生成する。同様の処理を各パラメータについて繰り返し、劣化指標推定部３４は、各パラメータについて、劣化指標のスタッキング推定モデルを生成する。

　検証部３５は、パラメータ毎に生成された劣化指標のスタッキング推定モデルのうち、精度が高い劣化指標のスタッキング推定モデルを特定する。このとき検証部３５は、スタッキング検証用設備データを用意する。スタッキング検証用設備データは、学習用設備データ１１および検証用設備データ１２と同様のデータ構造であるが、学習用設備データ１１および検証用設備データ１２とは異なるデータセットを有する。検証部３５は、用意されたスタッキング検証用設備データをベース推定モデルとパラメータ毎に生成された属性値推定モデルのそれぞれに入力して、ベース推定モデルで推定された劣化指標と、パラメータ毎に生成された属性値推定モデルで推定された属性値を取得する。検証部３５は、推定された劣化指標とパラメータ毎に推定された属性値を各パラメータについて生成されたスタッキング推定モデルに入力して、各パラメータについて生成されたスタッキング推定モデルで劣化指標を推定する。検証部３５は、各パラメータについて生成されたスタッキング推定モデルのうち、最も検出率の高いスタッキング推定モデルを、特定劣化指標推定モデル２５として特定する。

　推定部３６は、特定された劣化指標のスタッキング推定モデルで劣化指標を推定する。

　また更なる変形例として、図５に示すように、劣化推定装置１は、劣化指標を推定するモデルと、属性値を推定するモデルを、それぞれ複数のアルゴリズムで作成しても良い。図５に示す例において、劣化指標の推定モデルは、劣化指標を目的変数Ａとして、アルゴリズムML1からML5のそれぞれのスタッキングを用いて、多値分類推定を行う。属性値の推定モデルは、属性値（劣化速度の地理的加重統計量）を目的変数Ｂとして、アルゴリズムML6からML10のそれぞれを用いて回帰推定を行う。

　アルゴリズムは、属性値または劣化指標を推定可能なものであればどのようなアルゴリズムでもよく、例えば、統計解析に分類されるアルゴリズム、機械学習に分類されるアルゴリズム、またはエキスパートシステムのようなアルゴリズムでもよい。

　劣化推定装置１の属性値推定部３２は、パラメータ毎に、アルゴリズムML6からML10のそれぞれについて、属性値の推定モデルを生成する。属性値推定部３２は、１つのパラメータについてアルゴリズムML6からML10のそれぞれについて生成された５つの属性値の推定モデルのうち、精度が高い推定モデルによって推定された設備の属性値を出力する。スタッキングを行う場合、属性値推定部３２は、特定部３３においてスタッキング推定モデルを生成する際に参照される検証用設備データ１２の各データセットを参照して、最も精度が高い推定モデルで各データセットについて設備の属性値を出力する。

　劣化指標推定部３４は、アルゴリズムML1からML5のそれぞれについて、劣化指標のベース推定モデルを生成する。劣化指標推定部３４は、検証用設備データ１２を参照して、アルゴリズムML1からML5のそれぞれについて生成された劣化指標のベース推定モデルを用いて、劣化指標の推定値を推定する。ここでは、検証用設備データ１２の１つのデータセットに対して、アルゴリズムが異なる５つのベース推定モデルから推定された５種の推定値が推定される。

　劣化指標推定部３４は、ベース推定モデルから推定された劣化指標に、パラメータ毎に選択された最も精度の高い属性値の推定モデルによって推定された設備の属性値を加えたデータセットを生成する。ここでベース推定モデルから推定された推定値は５種あり、パラメータが５つである場合、２５種のデータセットが生成される。

　劣化指標推定部３４は、生成した２５種のデータセットのそれぞれを参照して、アルゴリズムML1からML5のそれぞれについて、劣化指標のスタッキング推定モデルを生成する。１つのデータセットに対して５種のアルゴリズムが適用されるので、１２５個の劣化指標のスタッキング推定モデルが、生成される。劣化指標推定部３４は、生成された各スタッキング推定モデルにスタッキング検証用設備データの各データを入力して、各スタッキング推定モデルから、劣化指標を推定する。

　ここでは、ベース推定モデルおよびスタッキング推定モデルのそれぞれで、アルゴリズムML1からML5を用いる場合を説明するがこれに限らない。例えば劣化指標推定部３４は、ベース推定モデルを、アルゴリズムML1からML5で作成し、そのうち１以上の成績の良いアルゴリズムを特定しても良い。劣化指標推定部３４は、成績の良いアルゴリズムで生成されたベース推定モデルで、劣化指標を推定し、推定された劣化指標を説明関数として、その成績の良いアルゴリズムのそれぞれで、スタッキング推定モデルを生成しても良い。

　検証部３５は、各スタッキング推定モデルから推定された劣化指標のうち、最も精度の高い劣化指標を出力したスタッキング推定モデルを、特定劣化指標推定モデル２５として出力する。また、この特定劣化指標推定モデル２５に対応するパラメータを、特定パラメータとして出力する。

　図６を参照して、複数のパラメータおよび複数のアルゴリズムで、劣化指標を推定した際の検出率（Recall）とそのほかの場合の検出率を説明する。なお図６に示す検出率は複数回試行した際の平均値である。

　図６に示す例において、「スタッキングなし」は、属性値の推定モデルを生成することなく、１つの劣化指標の推定モデルを生成して、その推定モデルで劣化指標を推定した場合である。「Rank5推定値のみ」は、劣化指標の推定モデルを複数のアルゴリズムで生成して、複数の劣化指標の推定モデルを生成して、最も精度のよい推定モデルで劣化指標を推定した場合である。「Rank5推定値, 劣化速度の地理的加重統計量推定値」は、「Rank5推定値のみ」の条件に加え、さらに、複数のパラメータ毎に属性値の推定モデルを生成して、最も精度の良い推定モデルで属性値を推定した場合である。

　図６によると、複数のパラメータ毎に属性値の推定モデルを生成して、最も精度の良い推定モデルで属性値を推定することで、精度が向上することがわかる。

　上記説明した本実施形態の劣化推定装置１は、例えば、CPU（Central Processing Unit、プロセッサ）９０１と、メモリ９０２と、ストレージ９０３（HDD：Hard Disk Drive、SSD：Solid State Drive）と、通信装置９０４と、入力装置９０５と、出力装置９０６とを備える汎用的なコンピュータシステムが用いられる。このコンピュータシステムにおいて、CPU９０１がメモリ９０２上にロードされた所定のプログラムを実行することにより、劣化推定装置１の各機能が実現される。

　なお、劣化推定装置１は、１つのコンピュータで実装されてもよく、あるいは複数のコンピュータで実装されても良い。また劣化推定装置１は、コンピュータに実装される仮想マシンであっても良い。

　劣化推定装置１のプログラムは、HDD、SSD、USB（Universal Serial Bus）メモリ、CD (Compact Disc)、DVD (Digital Versatile Disc)などのコンピュータ読取り可能な記録媒体に記憶することも、ネットワークを介して配信することもできる。

　なお、本発明は上記実施形態に限定されるものではなく、その要旨の範囲内で数々の変形が可能である。

　１　劣化推定装置
　１１　学習用設備データ
　１２　検証用設備データ
　２１　算出属性値データ
　２２　属性値推定モデル
　２３　推定属性値データ
　２４　劣化指標推定モデル
　２５　特定劣化指標推定モデル
　３１　属性値算出部
　３２　属性値推定部
　３３　特定部
　３４　劣化指標推定部
　３５　検証部
　３６　推定部
　９０１　CPU
　９０２　メモリ
　９０３　ストレージ
　９０４　通信装置
　９０５　入力装置
　９０６　出力装置

Claims

　設備の位置情報、劣化指標、設備情報および環境情報を対応づける複数のデータセットを含む設備データを記憶するストレージと、
　パラメータ毎に、処理対象の設備から前記パラメータで特定される範囲内に位置する周辺設備の属性値と、前記処理対象の設備と前記周辺設備との距離から、前記処理対象の設備の属性値を算出する属性値算出部と、
　目的関数を前記パラメータ毎に算出された前記設備の属性値とし、前記設備データのデータセットの前記設備情報および環境情報を説明変数として、前記パラメータ毎に、属性値の推定モデルを生成し、前記パラメータ毎に生成された属性値の推定モデルのそれぞれを用いて、前記設備の属性値を推定する属性値推定部と、
　前記設備の劣化指標を目的関数とし、前記設備データの設備情報および環境情報と前記パラメータ毎に推定された属性値を説明変数として、前記パラメータ毎に、劣化指標の推定モデルを生成し、前記パラメータ毎に生成された劣化指標の推定モデルのうち、精度が高い劣化指標の推定モデルを特定する特定部と、
　特定された推定モデルを用いて、劣化指標を推定する推定部
　を備える劣化推定装置。
　前記属性値推定部は、前記パラメータ毎およびアルゴリズム毎に、属性値の推定モデルを生成し、前記パラメータ毎に、各アルゴリズムで生成された属性値の推定モデルのうち、精度が高い推定モデルによって推定された設備の属性値を出力する
　請求項１に記載の劣化推定装置。
　前記特定部は、
　前記設備の劣化指標を目的関数とし、前記設備情報および環境情報を説明変数として、劣化指標のベース推定モデルを生成し、前記劣化指標のベース推定モデルを用いて、前記設備の劣化指標を推定し、
　前記パラメータ毎に、前記設備の劣化指標を目的関数とし、前記パラメータについて推定された属性値と前記ベース推定モデルで推定された劣化指標を説明変数として、劣化指標のスタッキング推定モデルを生成し、
　前記パラメータ毎に生成された劣化指標のスタッキング推定モデルのうち、精度が高い劣化指標のスタッキング推定モデルを特定し、
　前記推定部は、前記特定された劣化指標のスタッキング推定モデルで劣化指標を推定する
　請求項１または２に記載の劣化推定装置。
　コンピュータが、設備の位置情報、劣化指標、設備情報および環境情報を対応づける複数のデータセットを含む設備データをストレージに記憶するステップと、
　前記コンピュータが、パラメータ毎に、処理対象の設備から前記パラメータで特定される範囲内に位置する周辺設備の属性値と、前記処理対象の設備と前記周辺設備との距離から、前記処理対象の設備の属性値を算出するステップと、
　前記コンピュータが、目的関数を前記パラメータ毎に算出された前記設備の属性値とし、前記設備データのデータセットの前記設備情報および環境情報を説明変数として、前記パラメータ毎に、属性値の推定モデルを生成し、前記パラメータ毎に生成された属性値の推定モデルのそれぞれを用いて、前記設備の属性値を推定するステップと、
　前記コンピュータが、前記設備の劣化指標を目的関数とし、前記設備データの設備情報および環境情報と前記パラメータ毎に推定された属性値を説明変数として、前記パラメータ毎に、劣化指標の推定モデルを生成し、前記パラメータ毎に生成された劣化指標の推定モデルのうち、精度が高い劣化指標の推定モデルを特定するステップと、
　前記コンピュータが、特定された推定モデルを用いて、劣化指標を推定するステップ
　を備える劣化推定方法。
　コンピュータを、請求項１ないし請求項３のいずれか１項に記載の劣化推定装置として機能させるためのプログラム。