特開 2023-162963 情報処理装置、要因分析方法及び要因分析プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2023162963

(43)【公開日】2023-11-09

(54)【発明の名称】情報処理装置、要因分析方法及び要因分析プログラム

(51)【国際特許分類】

   G05B 23/02 20060101AFI20231101BHJP

【ＦＩ】

G05B23/02 302Y

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2022073703

(22)【出願日】2022-04-27

(71)【出願人】

【識別番号】000006507

【氏名又は名称】横河電機株式会社

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】都筑 純

【テーマコード（参考）】

3C223

【Ｆターム（参考）】

3C223AA11

3C223BA01

3C223CC01

3C223EB01

3C223EB02

3C223FF22

3C223FF26

3C223FF35

3C223FF45

3C223HH03

(57)【要約】

【課題】異常の原因究明を支援することを課題とする。
【解決手段】情報処理装置は、測定対象とされるチャネルごとにチャネル測定データを取得する取得部と、チャネルごとに取得された複数のチャネル測定データから抽出されるパラメータと、パラメータに基づいて異常または正常のクラスに分類する機械学習モデルが用いる分類境界との差からパラメータごとに求まるスコアに基づいて、チャネルごとに異常に寄与する度合いを示す異常寄与率を算出する算出部と、を有する。
【選択図】図１

【特許請求の範囲】

【請求項1】

測定対象とされるチャネルごとにチャネル測定データを取得する取得部と、
前記チャネルごとに取得された複数のチャネル測定データから抽出されるパラメータと、前記パラメータに基づいて異常または正常のクラスに分類する機械学習モデルが用いる分類境界との差から前記パラメータごとに求まるスコアに基づいて、前記チャネルごとに異常に寄与する度合いを示す異常寄与率を算出する算出部と、
を有する情報処理装置。

【請求項2】

前記算出部は、前記パラメータに対応する特徴ベクトルと前記分類境界との距離を形成する前記パラメータの種類毎の距離を算出することにより、前記スコアを前記パラメータごとに算出する、
請求項１に記載の情報処理装置。

【請求項3】

前記算出部は、前記チャネルに対応するチャネル測定データから抽出されたパラメータごとに算出されたスコアを積算する積算値に基づいて、前記異常寄与率を前記チャネルごとに算出する、
請求項１に記載の情報処理装置。

【請求項4】

前記チャネルごとに前記異常寄与率の出力を制御する出力制御部をさらに有する、
請求項１に記載の情報処理装置。

【請求項5】

前記出力制御部は、前記チャネルに関連付けられたチャネルの識別情報ごとに前記チャネルの異常寄与率の対応付けを行い表示させる、
請求項４に記載の情報処理装置。

【請求項6】

前記出力制御部は、前記チャネルに関連付けられたタグの情報ごとに前記チャネルの異常寄与率の対応付けを行い表示させる、
請求項４に記載の情報処理装置。

【請求項7】

前記出力制御部は、前記異常寄与率を昇順または降順にソートしたチャネルの順に前記異常寄与率を表示させる、
請求項４に記載の情報処理装置。

【請求項8】

前記出力制御部は、前記異常寄与率が特定の条件を満たすチャネルの表示形態を他のチャネルの表示形態と異なる表示形態に変更し表示させる、
請求項４に記載の情報処理装置。

【請求項9】

測定対象とされるチャネルごとにチャネル測定データを取得し、
前記チャネルごとに取得された複数のチャネル測定データから抽出されるパラメータと、前記パラメータに基づいて異常または正常のクラスに分類する機械学習モデルが用いる分類境界との差から前記パラメータごとに求まるスコアに基づいて、前記チャネルごとに異常に寄与する度合いを示す異常寄与率を算出する、
処理をコンピュータが実行する要因分析方法。

【請求項10】

測定対象とされるチャネルごとにチャネル測定データを取得し、
前記チャネルごとに取得された複数のチャネル測定データから抽出されるパラメータと、前記パラメータに基づいて異常または正常のクラスに分類する機械学習モデルが用いる分類境界との差から前記パラメータごとに求まるスコアに基づいて、前記チャネルごとに異常に寄与する度合いを示す異常寄与率を算出する、
処理をコンピュータに実行させる要因分析プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、情報処理装置、要因分析方法及び要因分析プログラムに関する。

【背景技術】

【0002】

設備の異常やその予兆を判定する技術の１つとして、製品の製造工程のうちの１工程に対応するバッチの終了時に当該工程の設備で用いられる機器等の測定対象ごとに状態が測定された測定データに基づいて異常の有無を診断する診断モデルが提供されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２００９－１１６４２７号公報

【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、上記の診断モデルでは、バッチに異常が発生しているか否かの情報提供が限界であるので、異常発生時にその原因究明の手がかりを得ることが困難である側面がある。

【0005】

例えば、上記の診断モデルによれば、異常発生時に設備のどの機器が異常を引き起こしているのかは不明であるので、現場作業員等はどこから調査を開始すればよいのかの検討から始めることとなる結果、現場作業員等の手間が増大している。

【0006】

本発明は、異常の原因究明を支援することを目的とする。

【課題を解決するための手段】

【0007】

本発明の一側面にかかる情報処理装置は、測定対象とされるチャネルごとにチャネル測定データを取得する取得部と、前記チャネルごとに取得された複数のチャネル測定データから抽出されるパラメータと、前記パラメータに基づいて異常または正常のクラスに分類する機械学習モデルが用いる分類境界との差から前記パラメータごとに求まるスコアに基づいて、前記チャネルごとに異常に寄与する度合いを示す異常寄与率を算出する算出部と、を有する。

【0008】

本発明の一側面にかかる原因分析方法では、測定対象とされるチャネルごとにチャネル測定データを取得し、前記チャネルごとに取得された複数のチャネル測定データから抽出されるパラメータと、前記パラメータに基づいて異常または正常のクラスに分類する機械学習モデルが用いる分類境界との差から前記パラメータごとに求まるスコアに基づいて、前記チャネルごとに異常に寄与する度合いを示す異常寄与率を算出する、処理をコンピュータが実行する。

【0009】

本発明の一側面にかかる原因分析プログラムは、測定対象とされるチャネルごとにチャネル測定データを取得し、前記チャネルごとに取得された複数のチャネル測定データから抽出されるパラメータと、前記パラメータに基づいて異常または正常のクラスに分類する機械学習モデルが用いる分類境界との差から前記パラメータごとに求まるスコアに基づいて、前記チャネルごとに異常に寄与する度合いを示す異常寄与率を算出する、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、異常の原因究明を支援できる。

【図面の簡単な説明】

【0011】

【図1】図１は、情報処理装置の機能構成例を示すブロック図である。

【図2】図２は、測定データの一例を示す模式図である。

【図3】図３は、パラメータＨＳの一例を示す模式図である。

【図4】図４は、異常寄与率の算出例を示す模式図である。

【図5】図５は、異常寄与率の表示例を示す図である。

【図6】図６は、異常寄与率の表示例を示す図である。

【図7】図７は、異常寄与率の表示例を示す図である。

【図8】図８は、異常寄与率の表示例を示す図である。

【図9】図９は、異常寄与率の表示例を示す図である。

【図10】図１０は、ＨＳトレンド画面の一例を示す図である。

【図11】図１１は、異常寄与率算出処理の手順を示すフローチャートである。

【図12】図１２は、出力制御処理の手順を示すフローチャートである。

【図13】図１３は、ハードウェア構成例を示す図である。

【発明を実施するための形態】

【0012】

以下、添付図面を参照して本願に係る情報処理装置、要因分析方法及び要因分析プログラムの実施形態について説明する。各実施形態には、あくまで１つの例や側面を示すに過ぎず、このような例示により数値や機能の範囲、利用シーンなどは限定されない。そして、各実施形態は、処理内容を矛盾させない範囲で適宜組み合わせることが可能である。

【0013】

＜全体構成＞
図１は、情報処理装置１０の機能構成例を示すブロック図である。図１に示す情報処理装置１０は、異常の原因究明を支援する側面から、異常の要因を分析する要因分析機能を提供するものである。

【0014】

図１に示すように、情報処理装置１０は、センサ２０と通信可能に接続され得る。例えば、情報処理装置１０およびセンサ２０の間では、工業用無線規格に対応する通信が実施されてよい。これはあくまで一例に過ぎず、情報処理装置１０およびセンサ２０の間で実施される通信は、工業用通信規格などの特定の通信規格に限定されず、また、有線または無線も限定されずともよい。

【0015】

センサ２０は、対象の状態を測定する測定装置の一例である。あくまで一例として、センサ２０は、測定、制御演算および操作などの制御ループに組み込まれる測定装置により実現されてよい。

【0016】

例えば、センサ２０は、「チャネル」と呼ばれる測定対象ごとに一以上のセンサ２０が設置され得る。ここで言う「チャネル」とは、任意の製品を製造する設備で用いられる機器等の測定対象を指し、例えば、温度や圧力、流量、ｐＨ、速度、加速度、弁の開度などの物理量が含まれてよい。

【0017】

このように測定対象とされるチャネル単位に設置されたセンサ２０が測定する測定値の時系列データは、センサ２０から情報処理装置１０へ伝送される。以下、１チャネル分の測定値の時系列データのことを「チャネル測定データ」と記載する場合がある。さらに、チャネルｃｈ１～チャネルｃｈＮ（自然数）のＮチャネル分のチャネル測定データのことを「測定データ」と記載する場合がある。

【0018】

なお、センサ２０は、１つのチャネルにつき必ずしも１つのセンサ２０が設置されずともよく、複数のチャネルに対応する複数のチャネル測定データが１つのセンサ２０により測定されてもよい。

【0019】

情報処理装置１０は、上記の要因分析機能を提供するコンピュータの一例である。あくまで一例として、上記の要因分析機能は、上記の測定データを記録する記録装置、いわゆるレコーダが有する一機能として提供される例を挙げるが、これに限定されない。例えば、情報処理装置１０は、上記の要因分析機能をオンプレミスに提供するサーバとして実現されてよい。この他、情報処理装置１０は、ＰａａＳ（Platform as a Service）型、あるいはＳａａＳ（Software as a Service）型のアプリケーションとして実現することで、上記の要因分析機能をクラウドサービスとして提供することもできる。

【0020】

＜情報処理装置１０の構成＞
次に、本実施形態に係る情報処理装置１０の機能構成例について説明する。図１には、情報処理装置１０が有する要因分析機能に関連するブロックが模式化されている。図１に示すように、情報処理装置１０は、表示入力部１１と、通信制御部１２と、記憶部１３と、制御部１５とを有する。なお、図１には、上記の要因分析機能に関連する機能部が抜粋して示されているに過ぎず、図示以外の機能部が情報処理装置１０に備わることとしてもよい。

【0021】

表示入力部１１は、各種の操作の入力および各種の情報の表示を行う機能部である。あくまで一例として、表示入力部１１は、入力デバイス及び表示デバイスが一体化されたタッチパネルにより実現され得る。これはあくまで一例に過ぎず、各種の操作の入力機能および各種の情報の表示機能は、必ずしも一体化されて実現されずともよく、入力部および表示部の各々が個別に備わることを妨げない。

【0022】

通信制御部１２は、センサ２０などの他の装置との間の通信を制御する機能部である。あくまで一例として、通信制御部１２は、ネットワークインタフェイスカードにより実現され得る。１つの側面として、通信制御部１２は、センサ２０からチャネル測定データを受け付けることができる。なお、情報処理装置１０およびセンサ２０の間は、必ずしも双方向の通信が実施されずともよく、センサ２０から情報処理装置１０へのシリアル通信が実施されてもよい。

【0023】

記憶部１３は、各種のデータを記憶する機能部である。あくまで一例として、記憶部１３は、情報処理装置１０の内部、外部または補助のストレージにより実現される。例えば、記憶部１３は、測定データログ１３Ａと、診断モデル１３Ｂと、ＨＳ（Health Score）ログ１３Ｃと、異常寄与率ログ１３Ｄとを記憶する。なお、測定データログ１３Ａ、診断モデル１３Ｂ、ＨＳログ１３Ｃおよび異常寄与率ログ１３Ｄの説明は、参照、生成または登録が実行される場面で併せて説明することとする。

【0024】

制御部１５は、情報処理装置１０の全体制御を行う機能部である。例えば、制御部１５は、ハードウェアプロセッサにより実現され得る。図１に示すように、制御部１５は、測定データ取得部１５Ａと、異常判定部１５Ｂと、異常寄与率算出部１５Ｃと、出力制御部１５Ｄとを有する。なお、制御部１５は、ハードワイヤードロジックなどにより実現されてもよい。

【0025】

測定データ取得部１５Ａは、測定データを取得する処理部である。あくまで一例として、測定データ取得部１５Ａは、製品の製造工程のうちの１工程に対応するバッチ単位で、当該工程に対応する設備で用いられる機器等の測定対象とされるチャネル別に当該チャネルに対応するセンサ２０の各々からチャネル測定データを取得する。

【0026】

ここで言う「バッチ」とは、製品を作る工程の中の１工程に対応する区間のことを指し、例えば、時間的な始まりと終わりにより定義され得る。例えば、タイヤを作る工程を例に挙げれば、タイヤの強度を増すための加硫工程の始まりと終わりの区間のことをバッチと呼ぶ。

【0027】

例えば、測定データ取得部１５Ａは、バッチの終了時に、各チャネルに対応するセンサ２０の各々から当該バッチに対応する区間のチャネル測定データを取得する。このとき、測定データ取得部１５Ａは、各センサ２０から測定値をリアルタイムで伝送させ、バッチに対応する区間分の測定値を蓄積することもできれば、バッチの終了時にバッチに対応する区間分のチャネル測定データを一括で伝送させることもできる。

【0028】

このようにしてＮチャネル分のチャネル測定データが取得された後、Ｎチャネル分のチャネル測定データは、測定データとして１つのデータファイルに纏められた上で、記憶部１３に記憶される測定データログ１３Ａに追加して保存される。これにより、記憶部１３には、Ｎチャネル分のチャネル測定データを含む測定データがバッチ単位で測定データログ１３Ａとして保存されることになる。このように記憶部１３に保存する場合、測定データ取得部１５Ａは、チャネルにあらかじめ付与された名称、例えばチャネルの識別情報やタグ名などと、チャネル測定データとを関連付けて保存することができる。

【0029】

異常判定部１５Ｂは、診断モデル１３Ｂを用いてバッチに異常があるか否かを判定する処理部である。ここで、診断モデル１３Ｂは、あくまで一例として、訓練済みの機械学習モデルにより実現される。以下、診断モデル１３Ｂの一例として、サポートベクタマシン、いわゆるＳＶＭ（Support Vector Machine）を例に挙げるが、ニューラルネットワークなどの他の機械学習モデルにより実現されてもよい。

【0030】

より詳細には、異常判定部１５Ｂは、測定データ取得部１５Ａにより測定データが取得された場合、当該測定データに含まれるチャネル測定データごとに測定データから１つ以上のパラメータを抽出する。図２は、測定データの一例を示す模式図である。図２には、チャネルｃｈ１～チャネルｃｈＮを含む１バッチ分の測定データが実線の枠で囲んで図示されている。図２に示すように、１つの測定データには、Ｎチャネル分のチャネル測定データが含まれており、チャネル測定データごとにＭ（自然数）個のパラメータが抽出される。このようなパラメータの抽出には、任意の方法、例えば特徴選択や特徴抽出などが適用されてよい。あくまで一例として、１バッチ分のチャネル測定データに統計処理、例えば平均処理や分散処理を適用することにより、１バッチ分のチャネル測定データに対応する特徴量の例として、平均や分散などを抽出することができる。このようにして１つのチャネルにつきＭ個のパラメータが抽出される。

【0031】

その後、異常判定部１５Ｂは、Ｎ個のチャネル別およびＭ個のパラメータ種類別のパラメータを記憶部１３から読み出された診断モデル１３Ｂへ入力する。このようにパラメータが入力された診断モデル１３Ｂは、Ｎ×Ｍのパラメータを入力ベクトルとし、当該入力ベクトルと、バッチの異常の有無を分類する超平面の分類境界ＣＢとの距離をＨＳとして出力する。このとき、異常判定部１５Ｂは、診断モデル１３Ｂが出力するＨＳがゼロ以上である場合、バッチに異常がないと判定する一方で、ＨＳがゼロ未満である場合、バッチに異常があると判定する。

【0032】

このような診断モデル１３Ｂは、次のような訓練により生成できる。例えば、Ｎ×Ｍのパラメータを訓練サンプルとし、正解のクラス、例えば「正常」または「異常」のラベルが付与された訓練データの集合をデータセットとして機械学習が実行される。例えば、ＳＶＭの場合、サポートベクトルと分類境界ＣＢとの距離、いわゆるマージンを最大化する識別関数のパラメータが訓練される。ここで言う「サポートベクトル」とは、正常のクラスのラベルが付与された訓練データの集合と、異常のクラスのラベルが付与された訓練データの集合との境界の近傍に位置する訓練データの特徴ベクトルに対応する。このような識別関数が出力する値の符号が正負のいずれであるかにより、正常または異常のクラスを分類するクラス分類器が診断モデル１３Ｂとして記憶部１３に保存される。

【0033】

上記のＨＳの他、診断モデル１３Ｂには、パラメータの種類別にパラメータＨＳを出力させることができる。図３は、パラメータＨＳの一例を示す模式図である。図３には、説明の便宜上、パラメータの種類数Ｍがパラメータ１およびパラメータ２の「２」である２次元の特徴空間が示されると共に、特徴空間内に診断モデル１３Ｂが用いる分類境界ＣＢが示されている。

【0034】

図３に示すように、入力ベクトルＶ１が入力された場合、診断モデル１３Ｂは、ＨＳとして１．０を出力する。また、入力ベクトルＶ２が入力された場合、診断モデル１３Ｂは、ＨＳとして０．１を出力する。さらに、入力ベクトルＶ３が入力された場合、診断モデル１３Ｂは、ＨＳとして－１．５を出力する。また、入力ベクトルＶ４が入力された場合、診断モデル１３Ｂは、ＨＳとして－０．１を出力する。これら入力ベクトルＶ１～Ｖ４の場合、入力ベクトルＶ１に対応するバッチおよび入力ベクトルＶ２に対応するバッチに異常がないと判定すると共に、入力ベクトルＶ３に対応するバッチおよび入力ベクトルＶ４に対応するバッチに異常があると判定できる。

【0035】

このようなＨＳの他、診断モデル１３Ｂは、１つ以上のパラメータに対応する特徴ベクトルと分類境界ＣＢとの距離を形成するパラメータの種類毎の距離を算出する。あくまで一例として、診断モデル１３Ｂは、パラメータの種類に対応する評価軸ごとに、入力ベクトルおよび分類境界ＣＢの間の距離であるＨＳに占める評価軸に対応する成分の距離をパラメータＨＳとして出力できる。例えば、入力ベクトルＶ３の例で言えば、診断モデル１３Ｂは、パラメータの種類「パラメータ１」に対応する成分の距離をパラメータＨＳ_ｐ１として出力することができる。さらに、診断モデル１３Ｂは、パラメータの種類「パラメータ２」に対応する成分の距離をパラメータＨＳ_ｐ２として出力することができる。このように、診断モデル１３Ｂは、１つのチャネルにつきパラメータの種類数Ｍ個分のパラメータＨＳ_{ｐ１～ｐＭ}を出力できる。

【0036】

このようにして診断モデル１３Ｂが出力するＨＳおよびパラメータＨＳは、記憶部１３に記憶されるＨＳログ１３Ｃに追加して保存される。これにより、記憶部１３には、１バッチ全体のＨＳと、チャネル別およびパラメータ種類別のパラメータＨＳとがバッチ単位でＨＳログ１３Ｃとして保存されることになる。

【0037】

異常寄与率算出部１５Ｃは、チャネルごとに当該チャネルが異常に寄与する度合いを算出する処理部である。あくまで一例として、異常寄与率算出部１５Ｃは、チャネルごとに当該チャネルのパラメータＨＳを積算する積算値に基づいて、各チャネルの異常寄与率を算出することができる。

【0038】

図４は、異常寄与率の算出例を示す模式図である。図４には、あくまで一例として、チャネル数Ｎが４であると共に、１つのチャネルにつき抽出されるパラメータの種類数Ｍが５である場合のパラメータＨＳの算出結果がテーブル形式で示されている。図４に示す例で言えば、異常寄与率算出部１５Ｃは、チャネルｃｈ１のパラメータ１～パラメータ５の５つのパラメータＨＳを積算する。すなわち、「0.01224+0.22005-0.043275-0.037099+0.35362」の計算により、チャネルｃｈ１の異常寄与率が「0.505536」と算出される。同様に、異常寄与率算出部１５Ｃは、チャネルｃｈ２の５つのパラメータＨＳを積算することにより、チャネルｃｈ２の異常寄与率を「0.463747」と算出する。さらに、異常寄与率算出部１５Ｃは、チャネルｃｈ３の異常寄与率を「-0.37696」と算出し、チャネルｃｈ４の異常寄与率を「-0.33223」と算出する。例えば、図４に示す異常寄与率の例で言えば、異常寄与率の値が小さいほど、言い換えれば異常寄与率の符号が負であり、かつ絶対値が大きいほど、チャネルが異常に寄与する度合いが高いことを意味する。

【0039】

このようにチャネルごとに算出された異常寄与率は、記憶部１３に記憶される異常寄与率ログ１３Ｄに追加して保存される。これにより、記憶部１３には、チャネル別の異常寄与率がバッチ単位で異常寄与率ログ１３Ｄとして保存されることになる。

【0040】

なお、ここでは、チャネルごとに当該チャネルのパラメータＨＳを積算する積算値を各チャネルの異常寄与率として算出する例を挙げたが、積算値に限らず、他の算出方法により異常寄与率、例えば積算値がさらに加工された値を算出することとしてもよい。例えば、異常に寄与する度合いが高くなるに従って異常寄与率の値が大きくなるように正則化したり、あるいは特定の数値範囲、例えば０～１、あるいは０～１００へ収まるように正規化したりすることができる。

【0041】

出力制御部１５Ｄは、各種の出力制御を実行する処理部である。あくまで一例として、出力制御部１５Ｄは、表示入力部１１に対する出力を制御する。ここでは、出力制御部１５Ｄが制御する出力の一例として、表示出力を例に挙げるが、当然のことながら、印字出力や音声出力などの他の出力が制御されることとしてもよい。

【0042】

１つの側面として、出力制御部１５Ｄは、表示入力部１１を介して異常寄与率の表示リクエストを受け付けた場合、異常寄与率ログ１３Ｄに含まれる異常寄与率のうち、当該表示リクエストで指定されたバッチに関するチャネル別の異常寄与率を表示させる。

【0043】

一例として、出力制御部１５Ｄは、チャネルに関連付けられたチャネルの識別情報、例えばチャネル番号ごとに当該チャネルの異常寄与率の対応付けを行い表示させることができる。図５は、異常寄与率の表示例を示す図である。図５には、図４に示す異常寄与率が表示される場合の表示例が示されている。図５に示す例で言えば、チャネルｃｈ１～チャネルｃｈＮに対応するチャネル番号「０００１」～「０００４」ごとに当該チャネル番号に対応する異常寄与率の数値と共に、当該数値に対応する棒グラフが対応付けて表示される。このような表示により、現場作業員等がチャネルを識別できる状態で異常寄与率を提示できる。

【0044】

他の一例として、出力制御部１５Ｄは、チャネルに関連付けられたタグの情報、例えばタグ名ごとに当該タグ名の異常寄与率の対応付けを行い表示させることができる。図６及び図７は、異常寄与率の表示例を示す図である。図６及び図７にも、図４に示す異常寄与率が表示される場合の表示例が示されている。図６に示す例で言えば、チャネルｃｈ１～チャネルｃｈＮに対応するタグ名「温度」～「流量」ごとに当該タグ名に対応する異常寄与率の数値と共に、当該数値に対応する棒グラフが対応付けて表示される。このようにチャネルごとに異常寄与率の数値およびそれに対応する棒グラフを表示する際、出力制御部１５Ｄは、図６に示すように、棒ブラフの枠外に異常寄与率の数値を表示させることもできれば、図７に示すように、棒グラフの枠内に異常寄与率の数値を表示させることもできる。これらタグ名は、現場作業員、あるいはオペレータ等の関係者のユーザ設定により、任意の文字列で表示させることができる。なお、図７には、棒グラフの枠内であってバーの外部に異常寄与率の数値が表示される例を挙げたが、バーの内部に異常寄与率の数値が表示されることとしてもよい。また、図６及び図７には、タグ名として文字列を表示させる例を挙げたが、タグに割り当てられたアイコンなどを表示させることとしてもよい。

【0045】

更なる一例として、出力制御部１５Ｄは、チャネル別の異常寄与率を昇順または降順にソートし、ソートしたチャネルの順に異常寄与率を表示させることができる。図８は、異常寄与率の表示例を示す図である。図８にも、図４に示す異常寄与率が表示される場合の表示例が示されている。図８に示す例で言えば、異常寄与率の値が小さい順、いわゆる昇順にソートされた順に異常寄与率が表示されている。すなわち、４つのチャネルｃｈ１～ｃｈ４の各々の異常寄与率「0.505536」、「0.463747」、「-0.37696」および「-0.33223」を昇順にソートすることにより、チャネルｃｈ３、チャネルｃｈ４、チャネルｃｈ２、チャネルｃｈ１の順にソートされる。このようにソートされた順、すなわちタグ名「排気量」、「流量」、「圧力」、「温度」の順に従って、各々のタグ名に対応する異常寄与率「-0.37696」、「-0.33223」、「0.463747」および「0.505536」が表示される。このような表示により、現場作業員等は、異常に寄与する度合いが高い、もしくは低いチャネルを速やかに把握できる。

【0046】

他の一例として、出力制御部１５Ｄは、チャネル別の異常寄与率のうち異常寄与率が特定の条件を満たすチャネルの表示形態を他のチャネルの表示形態と異なる表示形態に変更し表示させることができる。図９は、異常寄与率の表示例を示す図である。図９にも、図４に示す異常寄与率が表示される場合の表示例が示されている。さらに、図９には、異常寄与率が閾値、例えばゼロ以下であるチャネルの表示形態が、異常寄与率がゼロを超えるチャネルの表示形態と異なる表示形態で表示される例が示されている。図９に示すように、４つのチャネルのうち、異常寄与率がゼロ以下であるタグ名「排気量」および「流量」と、異常寄与率がゼロを超えるタグ名「圧力」および「温度」との間で異常寄与率の表示形態が区別されている。すなわち、異常寄与率を示す棒グラフのハッチングを変更することにより、異常寄与率がゼロ以下であるタグ名の異常寄与率が強調表示されている。このような表示によっても、現場作業員等は、異常に寄与する度合いが高いチャネルを速やかに把握できる。なお、図９には、棒グラフのハッチングを変更する例を挙げているが、棒グラフの色を変更したり、異常寄与率の数値のフォントを変更したりすることにより、異常に寄与する度合いが高いチャネルの異常寄与率を強調表示することもできる。

【0047】

ここで、異常寄与率の表示リクエストは、ＨＳに関するＧＵＩ（Graphical User Interface）上で受け付けることができる。図１０は、ＨＳトレンド画面の一例を示す図である。図１０に示すように、ＨＳトレンド画面３０には、ＨＳの時系列の推移が表示される。すなわち、ＨＳトレンド画面３０では、各バッチがブロックに模式化されて時系列に表示されると共に、各バッチにおけるＨＳの数値がブロック内（四角の枠内）に表示されている。このようなＨＳトレンド画面３０上でブロックの選択操作を上記の表示リクエストとして受け付けることができる。例えば、２０２２年３月９日のバッチに対応するブロック（－０．８を囲む四角）の選択操作を受け付けた場合、異常寄与率ログ１３Ｄに含まれる異常寄与率のうち、２０２２年３月９日のバッチに対応するチャネル別の異常寄与率を表示させることができる。このような導線で異常寄与率を表示させることにより、時系列に異常寄与率がどのように推移しているかも確認させることができる。

【0048】

他の側面として、出力制御部１５Ｄは、上述の通り、表示リクエストに応答して異常寄与率を表示させるプル型の情報提供を実行することができる他、上記の要因分析機能を実現するプログラムからユーザへ自動的に通知するプッシュ通知を行うこともできる。例えば、出力制御部１５Ｄは、ＨＳログ１３Ｃに含まれるＨＳが特定の条件を満たす場合、チャネル別の異常寄与率を表示させることもできる。

【0049】

あくまで一例として、出力制御部１５Ｄは、ＨＳログ１３Ｃが更新された場合、最新のＨＳが閾値Ｔｈ１、例えば「１」以下であるか否かを判定する。このとき、最新のＨＳが閾値Ｔｈ１以下である場合、出力制御部１５Ｄは、過去のＨＳの履歴、例えば最新から遡って特定数までのＨＳの分布に対応する近似直線を回帰分析により算出する。このように算出された近似直線の傾きａが閾値Ｔｈ２、例えば－１以下である場合、出力制御部１５Ｄは、ＨＳログ１３Ｃに含まれる異常寄与率のうち、最新の異常寄与率をチャネル別に表示させる。これにより、異常が発生した場合のみならず、異常発生の予兆がある場合にその予兆の原因究明に資する情報提供を実現できる。ここで異常発生の予兆とは、例えば、最新のHSが０～１であって異常は発生していないが、近似直線の傾きが－１以下で減少傾向である状態のことをいう。これによって、今後のHSが０以下になって異常が発生することが推測できる。なお、ここでは、異常寄与率の表示に課す制約条件として、閾値Ｔｈ１および閾値Ｔｈ２を用いる例を挙げたが、いずれか一方のみを制約条件として課すこととしてもよい。

【0050】

＜処理の流れ＞
次に、本実施形態に係る情報処理装置１０の処理の流れについて説明する。ここでは、情報処理装置１０により実行される（１）異常寄与率算出処理を説明した後に、（２）出力制御処理を説明することとする。

【0051】

（１）異常寄与率算出処理
図１１は、異常寄与率算出処理の手順を示すフローチャートである。この処理は、あくまで一例として、バッチの終了時に実行することができる。図１１に示すように、測定データ取得部１５Ａは、測定対象とされるＮ個のチャネルごとにチャネル測定データを取得することにより、１バッチ分の測定データを取得する（ステップＳ１０１）。

【0052】

続いて、ステップＳ１０１で取得されたＮ個のチャネルに対応する回数の分、並びに、その回数ごとに診断モデル１３Ｂへ入力するパラメータの種類数Ｍに対応する回数の分、下記のステップＳ１０２の処理を反復するループ処理１およびループ処理２が実行される。なお、図１１には、ステップＳ１０２の処理が反復して実行される例を挙げるが、ステップＳ１０２の処理は必ずしもシリアルに実行されずともよく、Ｎ個のチャネルおよびＭ個の種類数ごとに並列に実行されることとしてもよい。

【0053】

すなわち、異常判定部１５Ｂは、チャネルｉのチャネル測定データからパラメータ種類ｊに対応するパラメータを抽出する（ステップＳ１０２）。

【0054】

このようなステップＳ１０２は、インデックスｊの初期値を１とし、Ｍにインクリメントされるまで反復して実行される。このようなループ処理２により、１つのチャネルにつきＭ種類のパラメータを抽出できる。なお、ここでは、１つのチャネルにつきＭ種類のパラメータが抽出される例を挙げたが、チャネルｉごとにパラメータの種類数は必ずしも同数でなくともよく、異なってもよい。

【0055】

さらに、ステップＳ１０２は、インデックスｉの初期値を１とし、Ｎにインクリメントされるまで反復して実行される。このようなループ処理１により、Ｍ種類のパラメータをＮ個のチャネルごとに抽出できる。なお、ここでは、チャネル数Ｎおよびパラメータの種類数Ｍが複数である例を挙げたが、チャネル数Ｎおよびパラメータの種類数Ｍの両方が１であってもよいし、一方のみが１であってよい。

【0056】

その後、異常判定部１５Ｂは、Ｎ個のチャネル別およびＭ個のパラメータ種類別のパラメータを記憶部１３から読み出された診断モデル１３Ｂへ入力する（ステップＳ１０３）。そして、異常寄与率算出部１５Ｃは、診断モデル１３ＢがＮ個のチャネル別およびＭ個のパラメータ種類別に出力するパラメータＨＳを取得する（ステップＳ１０４）。

【0057】

その上で、Ｎ個のチャネルに対応する回数の分、下記のステップＳ１０５の処理を反復するループ処理３が実行される。なお、図１１には、ステップＳ１０５の処理が反復して実行される例を挙げるが、ステップＳ１０５の処理は必ずしもシリアルに実行されずともよく、Ｎ個のチャネルごとに並列に実行されることとしてもよい。

【0058】

すなわち、異常寄与率算出部１５Ｃは、チャネルｉのパラメータＨＳを積算する積算値に基づいて、チャネルｉの異常寄与率を算出する（ステップＳ１０５）。

【0059】

このようなステップＳ１０５は、インデックスｉの初期値を１とし、Ｎにインクリメントされるまで反復して実行される。このようなループ処理３により、異常寄与率をＮ個のチャネルごとに算出できる。

【0060】

その後、異常寄与率算出部１５Ｃは、Ｎ個のチャネルごとに算出された異常寄与率を記憶部１３に記憶される異常寄与率ログ１３Ｄに追加して保存し（ステップＳ１０６）、処理を終了する。

【0061】

（２）出力制御処理
図１２は、出力制御処理の手順を示すフローチャートである。この処理は、あくまで一例として、情報処理装置１０の電源がＯＮ状態である場合、繰り返し実行できる。

【0062】

図１２に示すように、異常寄与率の表示リクエストが受け付けられた場合（ステップＳ３０１Ｙｅｓ）、出力制御部１５Ｄは、次のような処理を実行する。すなわち、出力制御部１５Ｄは、異常寄与率ログ１３Ｄに含まれる異常寄与率のうち、当該表示リクエストで指定されたバッチに関するチャネル別の異常寄与率を表示入力部１１に表示させ（ステップＳ３０２）、ステップＳ３０１へ移行する。

【0063】

一方、異常寄与率の表示リクエストが受け付けられていない場合（ステップＳ３０１Ｎｏ）、出力制御部１５Ｄは、ＨＳログ１３Ｃが更新されたか否かを判定する（ステップＳ３０３）。

【0064】

このとき、ＨＳログ１３Ｃが更新された場合（ステップＳ３０３Ｙｅｓ）、出力制御部１５Ｄは、最新のＨＳが閾値Ｔｈ１、例えば「１」以下であるか否かを判定する（ステップＳ３０４）。

【0065】

そして、最新のＨＳが閾値Ｔｈ１以下である場合（ステップＳ３０４Ｙｅｓ）、出力制御部１５Ｄは、過去のＨＳの履歴、例えば最新から遡って特定数までのＨＳの分布に対応する近似直線を回帰分析により算出する（ステップＳ３０５）。

【0066】

このように算出された近似直線の傾きａが閾値Ｔｈ２、例えば－１以下である場合（ステップＳ３０６Ｙｅｓ）、出力制御部１５Ｄは、次のような処理を実行する。すなわち、出力制御部１５Ｄは、ＨＳログ１３Ｃに含まれる異常寄与率のうち最新の異常寄与率をチャネル別に表示させ（ステップＳ３０７）、ステップＳ３０１へ移行する。

【0067】

＜効果の一側面＞
上述してきたように、本実施形態に係る情報処理装置１０は、チャネルごとに異常寄与率を算出する要因分析機能を提供する。このような要因分析機能により算出されたチャネル別の異常寄与率が提示されることで、どのチャネルが異常を引き起こしているかを一目で把握させることができる。そのため、異常発生時にどこから調査していいかわからなかったものが、どのチャネル付近を優先的に見ていくべきかがわかるようになる。つまり異常発生時の調査の指標となり、調査にかかる工数を削減することができる。

【0068】

＜数値等＞
上記実施形態で説明した事項、例えばチャネルおよびセンサの数、パラメータの数およびその抽出方法、さらには、ＨＳおよびパラメータＨＳの算出方法などの具体例などは、あくまで一例であり、変更することができる。また、実施形態で説明したフローチャートも、矛盾のない範囲内で処理の順序を変更することができる。

【0069】

＜システム＞
上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。例えば、測定データ取得部１５Ａ、異常判定部１５Ｂ、異常寄与率算出部１５Ｃおよび出力制御部１５Ｄのうちいずれか１つ以上の機能部は、別々の装置で構成されていてもよい。

【0070】

また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散および統合して構成することができる。なお、各構成は、物理的な構成であってもよい。

【0071】

さらに、各装置にて行なわれる各処理機能は、その全部または任意の一部が、ＣＰＵ（Central Processing Unit）および当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。

【0072】

＜ハードウェア＞
次に、実施形態で説明したコンピュータのハードウェア構成例を説明する。図１３は、ハードウェア構成例を説明する図である。図１３に示すように、情報処理装置１０は、通信装置１０ａ、ＨＤＤ（Hard Disk Drive）１０ｂ、メモリ１０ｃ、プロセッサ１０ｄを有する。また、図１３に示した各部は、バス等で相互に接続される。

【0073】

通信装置１０ａは、ネットワークインタフェイスカードなどであり、他のサーバとの通信を行う。ＨＤＤ１０ｂは、図１に示した機能を動作させるプログラムやＤＢなどを記憶する。

【0074】

プロセッサ１０ｄは、図１に示された処理部と同様の処理を実行するプログラムをＨＤＤ１００ｂ等から読み出してメモリ１００ｃに展開することで、図１等で説明した機能を実行するプロセスを動作させる。例えば、このプロセスは、情報処理装置１０が有する処理部と同様の機能を実行する。具体的には、プロセッサ１０ｄは、測定データ取得部１５Ａ、異常判定部１５Ｂ、異常寄与率算出部１５Ｃおよび出力制御部１５Ｄ等と同様の機能を有するプログラムをＨＤＤ１０ｂ等から読み出す。そして、プロセッサ１０ｄは、測定データ取得部１５Ａ、異常判定部１５Ｂ、異常寄与率算出部１５Ｃおよび出力制御部１５Ｄ等と同様の処理を実行するプロセスを実行する。

【0075】

このように、情報処理装置１０は、プログラムを読み出して実行することで要因分析方法を実行する情報処理装置として動作する。また、情報処理装置１０は、媒体読取装置によって記録媒体から上記プログラムを読み出し、読み出された上記プログラムを実行することで上記した実施形態と同様の機能を実現することもできる。なお、この他の実施形態でいうプログラムは、情報処理装置１０によって実行されることに限定されるものではない。例えば、他のコンピュータまたはサーバがプログラムを実行する場合や、これらが協働してプログラムを実行するような場合にも、本発明を同様に適用することができる。

【0076】

上記のプログラムは、インターネットなどのネットワークを介して配布することができる。また、上記のプログラムは、任意の記録媒体に記録され、コンピュータによって記録媒体から読み出されることによって実行することができる。例えば、記録媒体は、ハードディスク、フレキシブルディスク（ＦＤ）、ＣＤ－ＲＯＭ、ＭＯ（Magneto－Optical disk）、ＤＶＤ（Digital Versatile Disc）などにより実現され得る。

【符号の説明】

【0077】

１０ 情報処理装置
１１ 表示入力部
１２ 通信制御部
１３ 記憶部
１３Ａ 測定データログ
１３Ｂ 診断モデル
１３Ｃ ＨＳログ
１３Ｄ 異常寄与率ログ
１５ 制御部
１５Ａ 測定データ取得部
１５Ｂ 異常判定部
１５Ｃ 異常寄与率算出部
１５Ｄ 出力制御部
２０ センサ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】