特開 2024-56242 要因分析装置、要因分析方法及びプログラム

(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】P2024056242

(43)【公開日】2024-04-23

(54)【発明の名称】要因分析装置、要因分析方法及びプログラム

(51)【国際特許分類】

   G06N 3/08 20230101AFI20240416BHJP

   G05B 23/02 20060101ALI20240416BHJP

【ＦＩ】

G06N3/08

G05B23/02 302S

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2022162986

(22)【出願日】2022-10-11

(71)【出願人】

【識別番号】000000011

【氏名又は名称】株式会社アイシン

(71)【出願人】

【識別番号】504176911

【氏名又は名称】国立大学法人大阪大学

(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】熊田 翔

(72)【発明者】

【氏名】小西 圭睦

(72)【発明者】

【氏名】稲垣 和也

(72)【発明者】

【氏名】松原 崇

【テーマコード（参考）】

3C223

【Ｆターム（参考）】

3C223AA01

3C223FF22

3C223FF26

3C223FF33

3C223FF45

3C223GG01

3C223HH02

(57)【要約】      （修正有）

【課題】設備の異常の要因を高精度に推定する要因分析装置、方法及びプログラムを提供する。
【解決手段】要因分析装置は、設備に関する物理量の所定の周期内における時系列変化を示す入力データを取得し、ニューラルネットワークを利用し、取得した入力データが正常データか異常データかを推定した結果を示す分類ラベルを出力する分類モデルを生成する。要因毎に、正常データと異常データとを含む教師データに基づいてニューラルネットワークにおけるパラメータを調整し分類モデルを生成し、入力データを分類モデルに入力して得られる分類ラベルと、正常データであるか異常データであるかを示す正解ラベルとの差分に基づいて、複数の分類モデル夫々について損失を算出し、損失を物理量で微分した、物理量の変化に対する損失の変化の大きさを示す微分値と、周期内における各時点と、の関係を示す損失変動情報を、複数の分類モデルの夫々について生成する。
【選択図】図２

【特許請求の範囲】

【請求項1】

所定の設備の異常の要因を分析するための処理を行う要因分析装置であって、
前記設備に関する物理量の所定の周期内における時系列変化を示す入力データを取得する取得部と、
ニューラルネットワークを利用して構成され、入力された前記入力データが正常時の前記入力データである正常データか異常時の前記入力データである異常データかを推定した結果を示す分類ラベルを出力する分類モデルを生成するものであって、前記要因毎に準備され、前記正常データと前記異常データとを含む教師データに基づいて前記ニューラルネットワークにおけるパラメータを調整することにより、前記要因毎に前記分類モデルを生成するモデル生成部と、
前記入力データを複数の前記分類モデルのそれぞれに入力して得られる前記分類ラベルと、当該入力データが前記正常データであるか前記異常データであるかを示す正解ラベルと、の差分に基づいて、複数の前記分類モデルのそれぞれについて損失を算出し、前記損失を前記物理量で微分した値であって前記物理量の変化に対する前記損失の変化の大きさを示す微分値と、前記周期内における各時点と、の関係を示す損失変動情報を、複数の前記分類モデルのそれぞれについて生成する損失変動情報生成部と、
を備える要因分析装置。

【請求項2】

前記損失変動情報を可視化する出力部、
を更に備える請求項１に記載の要因分析装置。

【請求項3】

前記モデル生成部により生成された前記分類モデルに前記教師データを入力することにより得られる前記分類ラベルと当該教師データの前記正解ラベルとに基づいて生成される複数の前記損失変動情報を、それぞれ対応する前記要因と紐づけて記憶する記憶部、
を更に備える請求項１に記載の要因分析装置。

【請求項4】

前記モデル生成部により生成された前記分類モデルに前記教師データを入力することにより得られる前記分類ラベルと当該教師データの前記正解ラベルとに基づいて生成される複数の前記損失変動情報を、それぞれ対応する前記要因と紐づけて記憶する記憶部と、
前記分類モデルに分析対象データを入力することにより得られる前記分類ラベルと当該分析対象データの前記正解ラベルとに基づいて生成される前記損失変動情報と、前記記憶部に記憶された前記教師データに対応し前記要因と紐付けられた前記損失変動情報と、を可視化する出力部と、
を更に備える請求項１に記載の要因分析装置。

【請求項5】

所定の設備の異常の要因を分析するための要因分析方法であって、
情報処理装置が、前記設備に関する物理量の所定の周期内における時系列変化を示す入力データを取得する工程と、
情報処理装置が、ニューラルネットワークを利用して構成され、入力された前記入力データが正常時の前記入力データである正常データか異常時の前記入力データである異常データかを推定した結果を示す分類ラベルを出力する分類モデルを生成するものであって、前記要因毎に準備され、前記正常データと前記異常データとを含む教師データに基づいて前記ニューラルネットワークにおけるパラメータを調整することにより、前記要因毎に前記分類モデルを生成する工程と、
情報処理装置が、前記入力データを複数の前記分類モデルのそれぞれに入力して得られる前記分類ラベルと、当該入力データが前記正常データであるか前記異常データであるかを示す正解ラベルと、の差分に基づいて、複数の前記分類モデルのそれぞれについて損失を算出し、前記損失を前記物理量で微分した値であって前記物理量の変化に対する前記損失の変化の大きさを示す微分値と、前記周期内における各時点と、の関係を示す損失変動情報を、複数の前記分類モデルのそれぞれについて生成する工程と、
を含む要因分析方法。

【請求項6】

所定の設備の異常の要因を分析するための処理を行うコンピュータに、
前記設備に関する物理量の所定の周期内における時系列変化を示す入力データを取得する処理と、
ニューラルネットワークを利用して構成され、入力された前記入力データが正常時の前記入力データである正常データか異常時の前記入力データである異常データかを推定した結果を示す分類ラベルを出力する分類モデルを生成するものであって、前記要因毎に準備され、前記正常データと前記異常データとを含む教師データに基づいて前記ニューラルネットワークにおけるパラメータを調整することにより、前記要因毎に前記分類モデルを生成する処理と、
前記入力データを複数の前記分類モデルのそれぞれに入力して得られる前記分類ラベルと、当該入力データが前記正常データであるか前記異常データであるかを示す正解ラベルと、の差分に基づいて、複数の前記分類モデルのそれぞれについて損失を算出し、前記損失を前記物理量で微分した値であって前記物理量の変化に対する前記損失の変化の大きさを示す微分値と、前記周期内における各時点と、の関係を示す損失変動情報を、複数の前記分類モデルのそれぞれについて生成する処理と、
を実行させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、要因分析装置、要因分析方法及びプログラムに関する。

【背景技術】

【0002】

工場、プラント等における設備の異常の要因を、ニューラルネットワークを利用して構成される学習済みモデルを利用して推定する技術が開発されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】国際公開第２０２１／２４１５８０号

【特許文献2】国際公開第２０２２／０５４７８２号

【発明の概要】

【発明が解決しようとする課題】

【0004】

本発明の実施形態は、設備の異常の要因を高精度に推定可能な要因分析装置、要因分析方法及びプログラムを提供することを課題とする。

【課題を解決するための手段】

【0005】

本発明の一実施形態としての要因分析装置は、所定の設備の異常の要因を分析するための処理を行うものであって、設備に関する物理量の所定の周期内における時系列変化を示す入力データを取得する取得部と、ニューラルネットワークを利用して構成され、入力された入力データが正常時の入力データである正常データか異常時の入力データである異常データかを推定した結果を示す分類ラベルを出力する分類モデルを生成するものであって、要因毎に準備され、正常データと異常データとを含む教師データに基づいてニューラルネットワークにおけるパラメータを調整することにより、要因毎に分類モデルを生成するモデル生成部と、入力データを複数の分類モデルのそれぞれに入力して得られる分類ラベルと、当該入力データが正常データであるか異常データであるかを示す正解ラベルと、の差分に基づいて、複数の分類モデルのそれぞれについて損失を算出し、損失を物理量で微分した値であって物理量の変化に対する損失の変化の大きさを示す微分値と、周期内における各時点と、の関係を示す損失変動情報を、複数の分類モデルのそれぞれについて生成する損失変動情報生成部と、を備える。

【0006】

上記構成によれば、損失の変動が大きい時点を特定可能である共に設備の異常の要因毎に異なる損失変動情報が生成される。このような損失変動情報に基づいて要因を推定することにより、設備の異常の要因を高精度に推定することが可能となる。

【0007】

また、上記構成において、要因分析装置は、損失変動情報を可視化する出力部、を更に備えてもよい。

【0008】

上記構成によれば、ユーザは可視化された損失変動情報に基づいて異常の要因を高精度且つ簡便に推定できる。

【0009】

また、上記構成において、要因分析装置は、モデル生成部により生成された分類モデルに教師データを入力することにより得られる分類ラベルと当該教師データの正解ラベルとに基づいて生成される複数の損失変動情報を、それぞれ対応する要因と紐づけて記憶する記憶部、を更に備えてもよい。

【0010】

上記構成によれば、教師データに基づいて予め生成され各要因と紐付けられた損失変動情報を、必要に応じて記憶部から読み出して参照等することができる。

【0011】

また、上記構成において、要因分析装置は、モデル生成部により生成された分類モデルに教師データを入力することにより得られる分類ラベルと当該教師データの正解ラベルとに基づいて生成される複数の損失変動情報を、それぞれ対応する要因と紐づけて記憶する記憶部と、分類モデルに分析対象データを入力することにより得られる分類ラベルと当該分析対象データの正解ラベルとに基づいて生成される損失変動情報と、記憶部に記憶された教師データに対応し要因と紐付けられた損失変動情報と、を可視化する出力部と、を更に備えてもよい。

【0012】

上記構成によれば、分析対象データに対応する異常の要因を推定する際に、当該分析対象データに基づく損失変動情報と、記憶部から読み出され各要因と紐付けられた損失変動情報と、を視覚的に比較することができる。これにより、異常の要因を高精度且つ簡便に推定できる。

【0013】

また、本発明の他の実施形態としての要因分析方法は、所定の設備の異常の要因を分析するための方法であって、情報処理装置が、設備に関する物理量の所定の周期内における時系列変化を示す入力データを取得する工程と、情報処理装置が、ニューラルネットワークを利用して構成され、入力された入力データが正常時の入力データである正常データか異常時の入力データである異常データかを推定した結果を示す分類ラベルを出力する分類モデルを生成するものであって、要因毎に準備され、正常データと異常データとを含む教師データに基づいてニューラルネットワークにおけるパラメータを調整することにより、要因毎に分類モデルを生成する工程と、情報処理装置が、入力データを複数の分類モデルのそれぞれに入力して得られる分類ラベルと、当該入力データが正常データであるか異常データであるかを示す正解ラベルと、の差分に基づいて、複数の分類モデルのそれぞれについて損失を算出し、損失を物理量で微分した値であって物理量の変化に対する損失の変化の大きさを示す微分値と、周期内における各時点と、の関係を示す損失変動情報を、複数の分類モデルのそれぞれについて生成する工程と、を含む。

【0014】

上記構成によれば、損失の変動が大きい時点を特定可能である共に設備の異常の要因毎に異なる損失変動情報が生成される。このような損失変動情報に基づいて要因を推定することにより、設備の異常の要因を高精度に推定することが可能となる。

【0015】

また、本発明の他の実施形態としてのプログラムは、所定の設備の異常の要因を分析するための処理を行うコンピュータに、設備に関する物理量の所定の周期内における時系列変化を示す入力データを取得する処理と、ニューラルネットワークを利用して構成され、入力された入力データが正常時の入力データである正常データか異常時の入力データである異常データかを推定した結果を示す分類ラベルを出力する分類モデルを生成するものであって、要因毎に準備され、正常データと異常データとを含む教師データに基づいてニューラルネットワークにおけるパラメータを調整することにより、要因毎に分類モデルを生成する処理と、入力データを複数の分類モデルのそれぞれに入力して得られる分類ラベルと、当該入力データが正常データであるか異常データであるかを示す正解ラベルと、の差分に基づいて、複数の分類モデルのそれぞれについて損失を算出し、損失を物理量で微分した値であって物理量の変化に対する損失の変化の大きさを示す微分値と、周期内における各時点と、の関係を示す損失変動情報を、複数の分類モデルのそれぞれについて生成する処理と、を実行させる。

【0016】

上記構成によれば、損失の変動が大きい時点を特定可能である共に設備の異常の要因毎に異なる損失変動情報が生成される。このような損失変動情報に基づいて要因を推定することにより、設備の異常の要因を高精度に推定することが可能となる。

【図面の簡単な説明】

【0017】

【図1】図１は、実施形態の要因分析システムの構成の一例を示す図である。

【図2】図２は、実施形態の要因分析装置の機能構成の一例を示す図である。

【図3】図３は、実施形態の入力データにおける正常データ及び異常データの一例を示す図である。

【図4】図４は、実施形態の動作期間及び異常発生期間の一例を示す図である。

【図5】図５は、実施形態の教師データの一例を示す図である。

【図6】図６は、実施形態の分類部の分類モデルにおける処理の一例を示す図である。

【図7】図７は、実施形態の損失変動情報の一例を示す図である。

【図8】図８は、実施形態の要因分析装置における事前処理の一例を示すフローチャートである。

【図9】図９は、実施形態の要因分析装置における分析処理の一例を示すフローチャートである。

【発明を実施するための形態】

【0018】

以下、本発明の例示的な実施形態が開示される。以下に示される実施形態の構成、並びに当該構成によりもたらされる作用、結果及び効果は、一例である。本発明は、以下の実施形態に開示される構成以外によりも実現可能であるとともに、基本的な構成に基づく種々の効果や派生的な効果のうち、少なくとも一つを得ることが可能である。

【0019】

図１は、実施形態の要因分析システム１の構成の一例を示す図である。要因分析システム１は、工場等に設置された所定の設備１１の異常の要因を推定するためのシステムであり、データベースサーバ１２及び要因分析装置２１を含む。

【0020】

データベースサーバ１２は、設備１１の動作に関連する入力データを記憶及び管理（編集、更新、削除等を含む）する情報処理装置である。データベースサーバ１２は、設備１１、設備１１に搭載されたセンサ、設備１１の周辺に設置されたセンサ等から入力データ等を取得できるように構成される。

【0021】

要因分析装置２１は、データベースサーバ１２と所定のネットワーク１５を介して通信可能な情報処理装置である。要因分析装置２１は、例えば、ＣＰＵ（Central Processing Unit）３１、ＲＡＭ（Random Access Memory）３２、ＲＯＭ（Read Only Memory）３３、ストレージ３４、通信Ｉ／Ｆ（Interface）３５、ユーザＩ／Ｆ３６等を含むコンピュータを利用して構成される。

【0022】

ＣＰＵ３１は、ＲＯＭ３３やストレージ３４に記憶されたプログラムに従いＲＡＭ３２を作業領域として使用して所定の演算処理を実行する。ストレージ３４は、ＳＳＤ（Solid State Drive）、ＨＤＤ（Hard Disk Drive）等の不揮発性メモリであり、プログラム、ＣＰＵ３１の処理に必要なデータ、ＣＰＵ３１の処理により生成されたデータ等の書き込み及び読み出しを可能にする。通信Ｉ／Ｆ３５は、ネットワーク１５を介して接続された外部デバイス（データベースサーバ１２等）との間でデータの送受信を可能にするデバイスである。ユーザＩ／Ｆ３６は、ユーザからの入力の受け付け、ユーザへの情報の出力等を可能にするデバイスであり、例えばキーボード、ポインティングデバイス、タッチパネル機構、ディスプレイ、スピーカ、マイク等であり得る。ＣＰＵ３１、ＲＡＭ３２、ＲＯＭ３３、ストレージ３４、通信Ｉ／Ｆ３５及びユーザＩ／Ｆ３６は、データバスを介して接続されている。なお、要因分析装置２１のハードウェア構成は上記に限定されるものではなく、例えば、ＦＰＧＡ（Field Programmable Gate Array）、ＡＳＩＣ（Application Specific Integrated Circuit）等を利用して構成されてもよいし、複数のコンピュータが連携して動作する構成であってもよい。

【0023】

要因分析装置２１は、データベースサーバ１２からネットワーク１５を介して取得した入力データ等に基づいて、設備１１の異常の要因を分析するための各種処理を実行する。

【0024】

図２は、実施形態の要因分析装置２１の機能構成の一例を示す図である。本実施形態の要因分析装置２１は、取得部１０１、分類部１０２、モデル生成部１０３、損失変動情報生成部１０４、記憶部１０５及び出力部１０６を有する。これらの機能部１０１～１０６は、例えば図１に例示されるような要因分析装置２１のハードウェア要素及びソフトウェア要素（プログラム等）の協働により実現され得る。また、これらの機能部１０１～１０６の少なくとも一部が専用のハードウェア（回路等）により構成されてもよい。

【0025】

取得部１０１は、入力データ２０１を取得する。入力データ２０１は、設備１１に関する所定の物理量の所定の周期内における時系列変化を示すデータである。物理量の種類は特に限定されるべきものではないが、設備１１の動作に伴い変化する値であり得、例えば真空度、圧力、温度、荷重等であり得る。また、設備１１の種類も特に限定されるべきものではないが、例えば周期毎に同様の動作を繰り返す機構等であり得、例えば減圧機、プレス加工機等であり得る。例えば、各周期で１つの製品を製造する設備１１の場合、入力データ２０１に異常がある周期に製造された製品は不良品である等と判定できる。なお、入力データ２０１の取得方法は特に限定されるべきものではなく、入力データ２０１は例えば図１に例示されるようにネットワーク１５を介してデータベースサーバ１２から取得されてもよいし、所定の記憶媒体を介して取得されてもよい。

【0026】

入力データ２０１には、設備１１が正常に動作しているとき（正常時）に取得された入力データである正常データと、設備１１に異常が発生しているとき（異常時）に取得された入力データである異常データと、が含まれる。

【0027】

図３は、実施形態の入力データ２０１における正常データ及び異常データの一例を示す図である。図３に示すグラフにおいて、横軸は１周期Ｐにおける経過時間ｔに対応し、縦軸は設備１１に関する物理量の一例としての真空度ｘに対応している。ここで例示する入力データ２０１は、真空度ｘの周期Ｐ内における時系列変化を示すものであり、図３には周期Ｐの開始時から所定時間経過後に真空度ｘを下げるように制御される設備１１の入力データ２０１が例示されている。

【0028】

図３において、正常データは実線で示され、異常データは破線で示されている。本例における正常データであるか異常データであるかの判定は、周期Ｐ内に設定された所定の時点ｔ０における真空度ｘに基づいて行われる。本例では、時点ｔ０における真空度ｘが閾値ｘ０以下である場合には正常データであると判定し、時点ｔ０における真空度ｘが閾値ｘ０より大きい場合には異常データであると判定する。なお、正常データであるか異常データであるかの判定方法はこれに限定されるものではなく、物理量の種類等に応じて適宜決定されるべきものである。

【0029】

上記のような周期Ｐが連続的に繰り返されることにより、各周期Ｐにおいて入力データ２０１が取得され、複数の入力データ２０１のそれぞれについて正常データであるか異常データであるかが判定される。そして、このような判定結果に基づいて、複数の周期Ｐが繰り返されることにより構成される動作期間においてどの期間に異常が発生したかを特定できる。

【0030】

図４は、実施形態の動作期間Ｐ１及び異常発生期間Ｐ２の一例を示す図である。図４に示すグラフにおいて、横軸は複数の周期Ｐが繰り返されることにより構成される動作期間Ｐ１における経過時間Ｔに対応し、縦軸は各周期Ｐの時点ｔ０における真空度ｘに対応している。異常発生期間Ｐ２は、時点ｔ０における真空度ｘが閾値ｘ０を超えた周期Ｐに対応する期間であり、当該異常発生期間Ｐ２に設備１１の異常が発生した判定できる。

【0031】

図２に戻り、本実施形態の入力データ２０１には、教師データ２１１及び分析対象データ２１２が含まれる。

【0032】

教師データ２１１は、後述する分類モデル２２１を生成するために利用されるデータ群であり、予め用意された複数の正常データ及び複数の異常データを含み、各正常データ及び各異常データにはそれぞれ正解ラベルが付されている。正解ラベルは、正常データであるか異常データであるかを示す、二値のうちのいずれか一方の値であり、例えば正常データには正解ラベル「０」が付され、異常データには正解ラベル「１」が付される。

【0033】

また、本実施形態の教師データ２１１は、設備１１の異常の要因Ａ，Ｂ，…毎に用意される。例えば、要因Ａに対応する教師データ２１１Ａは、要因Ａに対応する異常が発生した周期Ｐ（例えば図４に示される異常発生期間Ｐ２に含まれる周期Ｐ）に取得された異常データと、当該異常が発生した周期Ｐの前後の周期Ｐ（例えば図４に示される異常発生期間Ｐ２の前後の期間に含まれる周期Ｐ）に取得された正常データと、を含む。同様に、要因Ｂに対応する教師データ２１１Ｂは、要因Ｂに対応する異常が発生した周期Ｐに取得された異常データと、当該異常が発生した周期Ｐの前後の周期Ｐに取得された正常データと、を含む。

【0034】

図５は、実施形態の教師データ２１１の一例を示す図である。図５に例示されるように、要因Ａに対応する教師データ２１１Ａには、要因Ａに対応する異常が発生した周期Ｐに取得された異常データと、当該異常が発生した周期Ｐの前後の周期Ｐに取得された正解データと、が含まれ、正解データには正解ラベル「０」が付され、異常データには正解ラベル「１」が付されている。他の要因Ｂ，…に対応する教師データＢ，…についても同様である。

【0035】

図２に戻り、分析対象データ２１２は、異常の要因の分析の対象となる入力データ２０１であり、要因が不明な異常が発生した周期Ｐに取得された異常データと、当該異常が発生した周期Ｐの前後の周期Ｐに取得された正常データと、を含む。また、教師データ２１１と同様に、分析対象データ２１２においても異常データ及び正常データのそれぞれに正解ラベル（例えば０又は１）が付される。

【0036】

分類部１０２は、ニューラルネットワークを利用して構成された学習済みモデルである分類モデル２２１を利用して、入力された入力データ２０１が正常データであるか異常データであるかを推定し、その推定結果を示す分類ラベルを出力する。本実施形態の分類モデル２２１は、設備１１の異常の要因Ａ，Ｂ，…毎に生成される。

【0037】

モデル生成部１０３は、教師データ２１１に基づいてニューラルネットワークにおけるパラメータ（重み、バイアス等）を調整する所定のディープラーニングを実行することにより分類モデル２２１を生成する。本実施形態のモデル生成部１０３は、要因Ａ，Ｂ，…毎に用意された教師データ２１１（教師データ２１１Ａ，２１１Ｂ，…）に基づいて、要因Ａ，Ｂ，…毎に分類モデル２２１（分類モデル２２１Ａ，２２１Ｂ，…）を生成する。ディープラーニングの具体的手法は特に限定されるべきものではないが、例えば誤差逆伝播法等が利用され得る。

【0038】

図６は、実施形態の分類部１０２の分類モデル２２１における処理の一例を示す図である。分類部１０２における各分類モデル２２１（分類モデル２２１Ａ，２２１Ｂ，…）は、入力データ２０１が入力されると、当該入力データ２０１が正常データであるか異常データであるかを推定する処理を行い、その推定結果を示す分類ラベルを出力する。当該分類ラベルは、正常データである確率又は異常データである確率に応じて０から１の間の値を取るものである。例えば、入力データが正常データである確率が高ほど分類ラベルが０に近づくように、且つ入力データが異常データである確率が高いほど分類ラベルが１に近づくように設定される。このように設定した場合、各分類モデル２２１のニューラルネットワークにおけるパラメータは、分類ラベルと正解ラベルとの差分が小さくなるように、すなわち入力データ２０１が正常データである場合には分類ラベルが０に近い値となるように、且つ入力データ２０１が異常データである場合には分類ラベルが１に近い値となるように、モデル生成部１０３により調整される。

【0039】

図２に戻り、損失変動情報生成部１０４は、各分類モデル２２１Ａ，Ｂ，…について後述する損失変動情報２５１（損失変動情報２５１Ａ，２５１Ｂ，…）を生成する。本実施形態の損失変動情報生成部１０４は、損失演算部１２１及び微分処理部１２２を有する。

【0040】

損失演算部１２１は、入力データ２０１を各分類モデル２２１Ａ，２２１Ｂ，…に入力して得られる分類ラベルと、当該入力データ２０１が正常データであるか異常データであるかを示す正解ラベルと、の差分に基づいて、各分類モデル２２１の損失を算出する。損失をＥ、入力データ２０１の数をＮ、ｉ番目の入力データ２０１の物理量をｘｉ、ｉ番目の入力データ２０１の正解ラベル（０又は１）をｐ（ｘｉ）、ｉ番目の入力データ２０１の分類ラベル（０～１）をｑ（ｘｉ）とするとき、損失Ｅは式（１）又は式（２）により算出され得る。なお、式（１）により算出される損失ＥはCross Entropy Lossに該当し、式（２）により算出される損失ＥはBinary Cross Entropy Lossに該当する。ただし、損失Ｅは平均二乗誤差や、平均絶対誤差であってもよく、これに限定されるものではない。

【0041】

【数1】

【0042】

【数2】

【0043】

微分処理部１２２は、損失Ｅを入力データ２０１の物理量（例えば上記真空度）ｘで微分した値であって物理量ｘの変化に対する損失Ｅの変化の大きさを示す微分値Ｄ＝（∂Ｅ／∂ｘ）を、周期Ｐ内における各時点について算出する。

【0044】

そして、損失変動情報生成部１０４は、上記微分値Ｄと周期Ｐ内における各時点との関係を示す情報である損失変動情報２５１を生成する。損失変動情報２５１については後に詳述する。

【0045】

記憶部１０５は、損失変動情報生成部１０４により生成された損失変動情報２５１（損失変動情報２５１Ａ，Ｂ，…）と、それぞれに対応する要因Ａ，Ｂ，…と、を紐付けて記憶する。

【0046】

出力部１０６は、損失変動情報生成部１０４により生成された、又は記憶部１０５に記憶された損失変動情報２５１を所定の形式で出力する。所定の形式とは、例えばユーザが視認可能な形式等であり得る。

【0047】

図７は、実施形態の損失変動情報２５１の一例を示す図である。図７に示される損失変動情報２５１のグラフにおいて、横軸は入力データ２０１の１周期Ｐにおける経過時間ｔに対応し、縦軸は微分値Ｄに対応している。また、同グラフにおいて、正常時における微分値Ｄの時系列変化は実線で示され、異常時における微分値Ｄの時系列変化は破線で示されている。

【0048】

実線で示されるように、正常時においては、損失Ｅが略０となるため、微分値Ｄは全周期Ｐにわたって略一定の値となる。一方、破線で示されるように、異常時においては、微分値Ｄに変動がみられる。微分値Ｄの絶対値は、真空度（物理量）ｘの変化に対する損失Ｅの変化の大きさを表しており、微分値Ｄの絶対値が相対的に大きい時点（本例では期間Δｔ１、特に期間Δｔ２に含まれる時点）に対応する真空度ｘの値は、異常の有無の判定や異常の要因の推定に大きく寄与するものと考えられる。

【0049】

各時点における真空度ｘの影響度は、例えば下記式（３）により算出され得る。

【0050】

【数3】

【0051】

上記式（３）において、Ｎは入力データ２０１の数、Ｅは損失、ｘ_ｉｔはｉ番目の入力データ２０１のｔ時点の真空度ｘの値を示している。ｘ_ｔ（バー）は下記式（４）を示している。

【0052】

【数4】

【0053】

上記式（３）において、右辺のルートの値は、ｔ時点の真空度ｘの値の標準偏差を示しており、このような標準偏差を用いることで損失Ｅの変動を影響度に重み付けすることができ、影響度を高精度に算出することが可能となる。

【0054】

そして、上記のような微分値Ｄ（損失Ｅ）の変動の特徴、すなわち微分値Ｄの周期Ｐ内における時系列変化を示す曲線（図７に示される損失変動情報２５１における破線）の形状や、上記式（３）で示されるような各時点における影響度は、設備１１の異常の要因毎に異なっている。

【0055】

そこで、先ず、予め要因Ａ，Ｂ，…毎に用意された教師データ２１１Ａ，Ｂ，…を利用して、要因Ａ，Ｂ，…（分類モデル２２１Ａ，２２１Ｂ，…）毎に損失変動情報２５１（損失変動情報２５１Ａ，２５１Ｂ，…）を生成する事前処理を行う。そして、分析対象データ２１２に基づいて生成された損失変動情報２５１と、事前処理において予め生成された損失変動情報２５１（損失変動情報２５１Ａ，２５１Ｂ，…）と、を比較することにより、分析対象データ２１２に対応する異常の要因を推定する分析処理を行う。これにより、分析対象データ２１２に対応する異常の要因を高精度に推定することが可能となる。

【0056】

図８は、実施形態の要因分析装置２１における事前処理の一例を示すフローチャートである。先ず、モデル生成部１０３は要因Ａ，Ｂ，…毎に用意された教師データ２１１Ａ，２１１Ｂ，…を用いて要因Ａ，Ｂ，…毎に分類モデル２２１Ａ，２２１Ｂ，…を生成する（Ｓ１０１）。このとき、各分類モデル２２１Ａ，２２１Ｂ，…のパラメータが誤差逆伝播法等により調整される。その後、分類部１０２は誤差が十分に小さくなるようにパラメータが調整された各分類モデル２２１Ａ，２２１Ｂ，…にそれぞれ対応する教師データ２１１Ａ，２１１Ｂ，…を入力して分類ラベルを出力する（Ｓ１０２）。

【0057】

その後、損失変動情報生成部１０４（損失演算部１２１）は出力された分類ラベルと教師データ２１１Ａ，２１１Ｂ，…に付された正解ラベルとに基づいて分類モデル２２１Ａ，Ｂ，…毎に損失Ｅを算出する（Ｓ１０３）。損失変動情報生成部１０４（微分処理部１２２）は算出された損失Ｅを教師データ２１１Ａ，２１１Ｂ，…における物理量（例えば真空度）ｘで微分した微分値Ｄを算出する（Ｓ１０４）。そして、損失変動情報生成部１０４は算出された微分値Ｄと教師データ２１１Ａ，２１１Ｂ，…の周期Ｐ内における各時点との関係を示す損失変動情報２５１Ａ，２５１Ｂ，…を生成する（Ｓ１０５）。

【0058】

その後、記憶部１０５は生成された損失変動情報２５１Ａ，２５１Ｂ，…と、それぞれに対応する要因Ａ，Ｂ，…と、を紐付けて記憶する（Ｓ１０６）。なお、記憶部１０５に記憶された損失変動情報２５１Ａ，２５１Ｂ，…はユーザの要求等に応じて所定の形式で（例えば可視化して）出力可能に構成されてもよい。

【0059】

図９は、実施形態の要因分析装置２１における分析処理の一例を示すフローチャートである。先ず、分類部１０２は分析対象データ２１２を各分類モデル２２１Ａ，２１１Ｂ，…に入力して分類ラベルを出力する（Ｓ２０１）。その後、損失変動情報生成部１０４（損失演算部１２１）は出力された分類ラベルと分析対象データ２１２に付された正解ラベルとに基づいて分類モデル２２１Ａ，２２１Ｂ，…毎に損失Ｅを算出する（Ｓ２０２）。損失変動情報生成部１０４（微分処理部１２２）は算出された損失Ｅを分析対象データ２１２における物理量（例えば真空度）ｘで微分した微分値Ｄを算出する（Ｓ２０３）。そして、損失変動情報生成部１０４は算出された微分値Ｄと分析対象データ２１２の周期内における各時点との関係を示す損失変動情報２５１Ａ，２５１Ｂ，…を生成する（Ｓ２０４）。

【0060】

その後、出力部１０６は上記のように生成された分析対象データ２１２の損失変動情報２５１Ａ，２５１Ｂ，…をディスプレイ等に可視化して出力する（Ｓ２０５）。このとき、事前処理により予め生成され記憶部１０５に記憶された損失変動情報２５１Ａ，２５１Ｂ，…を同時に可視化して出力し、分析対象データ２１２の損失変動情報２５１Ａ，２５１Ｂ，…と教師データ２１１Ａ，２１１Ｂ，…の損失変動情報２５１Ａ，２５１Ｂ，…とを視覚的に比較できるようにしてもよい。

【0061】

上記実施形態によれば、ユーザは可視化された損失変動情報２５１に基づいて分析対象データ２１２に対応する異常の要因を高精度に推定することが可能となる。

【0062】

損失変動情報２５１に対して所定のアルゴリズムによる処理を実行することにより、異常の要因を自動的に推定できるようにしてもよい。例えば、所定の画像認識処理を利用して、可視化された複数の損失変動情報２５１の共通点を検出し、その検出結果に基づいて異常の要因を自動的に推定する処理等が行われてもよい。

【0063】

また、上記実施形態においては、正常データと異常データとが混在する入力データ２０１を分類モデル２２１に入力することにより損失変動情報２５１を生成する場合を説明したが、正常データと異常データとを分けて入力し、それぞれについて損失変動情報２５１を生成してもよい。これにより、正常データの分類に影響している時点と、異常データの分類に影響している時点と、を分けて把握することが可能となる。

【0064】

また、上記実施形態においては、分類モデル２２１を生成する、すなわちディープラーニングによりパラメータを調整するための処理を行うモデル生成部１０３が損失変動情報生成部１０４等と同一の情報処理装置に備えられている構成を例示したが、要因分析装置２１の構成はこれに限定されるものではない。例えば、モデル生成部１０３は独立した情報処理装置により構成されてもよい。

【0065】

上記実施形態の要因分析装置２１の機能を実現するための処理をコンピュータに実行させるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ－ＲＯＭ、ＣＤ－Ｒ、メモリカード、ＤＶＤ（Digital Versatile Disk）、フレキシブルディスク（ＦＤ）等のコンピュータで読み取り可能な記憶媒体に記憶されてコンピュータプログラムプロダクトとして提供されるようにしてもよい。また、当該プログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するようにしてもよい。また、当該プログラムを、インターネット等のネットワーク経由で提供または配布するようにしてもよい。

【0066】

以上、本発明の実施形態を説明したが、上記実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。この新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。この実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

【符号の説明】

【0067】

１…要因分析システム、１１…設備、１２…データベースサーバ、１５…ネットワーク、２１…要因分析装置、１０１…取得部、１０２…分類部、１０３…モデル生成部、１０４…損失変動情報生成部、１０５…記憶部、１０６…出力部、１２１…損失演算部、１２２…微分処理部、２０１…入力データ、２１１，２１１Ａ，２１１Ｂ…教師データ、２１２…分析対象データ、２２１，２２１Ａ，２２１Ｂ…分類モデル、２５１，２５１Ａ，２５１Ｂ…損失変動情報、Ｐ…周期、Ｐ１…動作期間、Ｐ２…異常発生期間

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】