Discovery Sagaサイレントキーワード俯瞰

繰り返し学習制御 / システム同定 / 機械学習 / 精密位置決め制御 / データ駆動最適化

動的システム学習 / 健全性監視 / 異常検知 / 転移学習 / 教師なし学習 / システム同定 / 生成モデル / 機械学習 / 予防保全 / 人工知能

近年、IoTに代表される計測通信技術の普及と、深層学習を含む機械学習の発展が相まって、大規模かつ複雑な人工システムの健全性監視において、データ駆動型のアプローチ、すなわち、過去の膨大なデータからシステムの挙動モデルを統計的に学習して健全性の監視に利用するアプローチが大きな期待を集めている。本研究では、このデータ駆動型健全性監視が抱える2つの問題に焦点を当てている。第一の問題は、現実の人工システムにおいては事前に十分な量と質を兼ねた訓練データを入手することが容易でなく、特に、異常や不具合に関するデータはほとんど存在しないという点である。第二の問題点は、膨大なデータに対して機械学習を適用することによって得られた帰納的モデルが必ずしも専門家が持つドメイン知識と整合しないため、実世界での利用に耐えるだけの説明性を有さないことである。これら２つの問題を解決するため、本研究では、データ駆動健全性監視のための転移学習法を開発すること、および、工学者・専門家にとって解釈性の高い潜在変数-状態空間モデルと最新の機械学習手法との融合を図ることでデータ駆動健全性監視の説明性を実現することを目的とする。
本課題３年度目である2021年度は、前年度から引き続き状態空間モデルと生成的な
深層学習モデルを融合することにより、自然法則やシステム固有のダイナミクスに関する事前知識をモデルに埋め込みつつ、高次元時系列データ入力からシステムの内部状態遷移を推定・監視する技術の開発に取り組んだ。また、変分自己符号器の訓練に自己教師あり学習を用い、地球周回の人工衛星に本来備わる周期性を事前知識として利用することによって、潜在変数空間の各次元が解釈可能になることを示した。

制御 / システム同定 / 機械学習 / 自動車 / 非線形システム / 物理的特性 / 能動学習 / ガウス過程回帰 / 閉ループシステム同定 / 二次電池 / 制御工学 / カルマンフィルタ / ダイナミクス

ロバスト制御やモデル予測制御などのようなモデルに基づく制御（Model-Based Control: MBD）やカルマンフィルタのようなモデルに基づく状態推定を行うためには，対象の高精度な数学モデルが必要になる。本研究では，データに基づく機械学習とダイナミクスを考慮した制御理論を融合することにより，新たなモデリングの方法論の構築を目指した。具体的に，自動車用エンジンや電気自動車用リチウム二次電池などといった非線形性の強い対象のモデリング問題を検討した。エンジンに対しては能動学習を用いたエンジンデータ収集の方法を検討した。二次電池に対しては電池の通電抵抗を適応的に推定する新しい方法を提案した。

対象とするプラントの入出力データを利用してモデリングを行う方法として，制御の分野ではシステム同定理論が研究されている。一方，AIの機械学習の分野においても，データからモデリングを行う方法が活発に研究されて注目を集めている。システム同定の対象は動的線形システムであり，機械学習の対象は非線形静的システムが主な対象である。両者の担当分野は異なり，互いの得意不得意も存在する。システム同定と機械学習を融合すれば相補的な強力なモデリング法が誕生することが期待される。本研究では，モデリングの新しい分野を開拓し，実用に供するモデリング法を検討しており，その社会的意義は大きい。

【研究分担者】
丸田一郎	京都大学	工学研究科	准教授	(Kakenデータベース)
井上正樹	慶應義塾大学	理工学部(矢上)	講師	(Kakenデータベース)