CN110249276A - 不良状况要因推定装置及不良状况要因推定方法 - Google Patents

Abstract

本发明的不良状况要因推定装置的特征在于，具备：数据收集部，其对构成设备的仪器的类别数据进行收集；相关性计算部，其对包含通过所述数据收集部收集到的类别数据在内的数据的相关性的指标进行计算；数据提取部，其基于通过所述相关性计算部计算出的相关性的指标的变化，将包含所述类别数据的数据的组合提取为与不良状况相关的数据；以及因果关系推定部，其从与所述与不良状况相关的数据关联的数据中，提取被推定为不良状况要因的数据。通过这样的结构，能够检测在现有技术中不能检测出的不良状况。

Description

不良状况要因推定装置及不良状况要因推定方法

技术领域

本发明涉及通过数据的相关性分析而推定不良状况要因的不良状况要因推定装置。

背景技术

在制造装置、升降机、空调机、发电站装置等仪器中，为了发生故障、异常等不良状况时的维护作业高效化，确定不良状况的要因、预测不良状况的发生是有效的。例如，专利文献1示出了用于在进行复印机等的故障预测时，作为异常而检测到从多个传感器得到的时序数据(下面，记作传感器数据)的情况下，对作为不良状况原因的参数(下面，记作数据项目)进行确定的方法。在专利文献1中，在正常时具有相关性的数据项目组的相关系数低于阈值的情况下检测为异常，与表示出同检测到的数据项目类似的倾向的数据项目一并确定为原因数据项目。在确定原因数据项目时，预先将全部的数据项目分类为具有关联性的数据项目组，仅在检测出的数据项目所属的组内进行检索，由此使得原因数据项目的确定高速化、高精度化。

专利文献1：日本特开2013-41173号公报

发明内容

在对制造装置、升降机、空调机、发电站装置等仪器确定不良状况要因时，在现有方法中，对传感器数据应用相关性分析。在仪器中除了传感器数据以外还存在仪器的设定值、机型、型号等仪器信息、仪器是否正确地进行了动作的OK/NG判定等信息即类别数据。虽然不良状况有可能仅出现在类别数据中，但在现有方法中类别数据不是相关性分析的对象，因此存在无法检测仅出现在类别数据中的不良状况的课题。例如，就空调机而言，在室温相对于设定温度大幅偏离的不良状况的情况下，有可能通过根据传感器数据测量出的值(使用电力和室温等)的相关关系无法获知，但通过设定温度和室温的相关关系则能够容易地检测出不良状况。

本发明是为了解决上述课题而提出的，目的在于通过有效使用类别数据(category data)，从而检测在现有技术中不能检测出的不良状况。

本发明涉及的不良状况要因推定装置的特征在于，具备：数据收集部，其对构成设备的仪器的类别数据进行收集；相关性计算部，其对包含通过所述数据收集部收集到的类别数据在内的数据的相关性的指标进行计算；数据提取部，其基于通过所述相关性计算部计算出的相关性的指标的变化，将包含所述类别数据的数据的组合提取为与不良状况相关的数据项目；以及因果关系推定部，其从与所述与不良状况相关的数据项目关联的数据项目中提取被推定为不良状况要因的数据项目。

发明的效果

根据本发明，通过有效使用类别数据，从而能够检测在现有技术中不能检测出的不良状况。

附图说明

图1是表示本发明的实施方式1涉及的不良状况要因推定装置1的结构的图。

图2是本发明的实施方式1涉及的类别数据的数据项目的例子。

图3是本发明的实施方式1涉及的传感器数据的数据项目的例子。

图4是本发明的实施方式1涉及的不良状况要因推定装置1中的数据的处理例。

图5是表示本发明的实施方式1涉及的不良状况要因推定装置1中的处理的流程图。

图6是本发明的实施方式1涉及的不良状况要因推定装置1的硬件结构例。

图7是本发明的实施方式2中的不良状况要因推定装置1的结构例。

图8是本发明的实施方式3中的不良状况要因推定装置1的结构例。

图9是本发明的实施方式4中的不良状况要因推定装置1的结构例。

具体实施方式

实施方式1

下面，说明本发明的实施方式。

在本实施方式以及之后的实施方式中，说明有效使用了类别数据的不良状况要因推定装置以及不良状况要因推定方法。

图1是在本发明中使用的不良状况要因推定装置1的结构例。不良状况要因推定装置1由数据收集部101、关联数据项目分类部102、数据项目组提取部103、数据项目组储存部104、相关性计算部105、不良状况关键数据项目提取部106、因果关系推定部107构成。在之后的各图中，同一标号表示相同或相当部分。

在数据收集部101中，对仪器的设定值、机型、型号等仪器信息、仪器是否正确地进行了动作的OK/NG判定等类别数据信息进行收集、累积。在仪器中设置有传感器，传感器数据也能够收集的情况下，也可以对传感器数据一并进行收集、累积。仪器是否正确地进行了动作的OK/NG判定等有时是根据传感器数据和设定值来判定的，在数据收集部101中，也可以是对该传感器数据和设定值的一方或两方进行收集、累积。

以制造装置为例，在图2中示出类别数据的例子，在图3中示出传感器数据的例子。这里，类别数据包含单纯为了分类而将数值分配作为整理编号(例如，机型ID(Identifier))的名义尺度、分配了在顺序上有意义但其间隔无意义的数值的顺序尺度。

在图2中，作为通过数据收集部101收集到的类别数据的数据项目的例子，示出设备ID、机型ID、仪器ID、制造日期、制造部件ID、设定列表ID、OK/NG判定等。图2的值是一个例子。数据项目由于是对从实际的设备、仪器收集到的类别数据的项目进行储存，所以能够变更。只要能够对设备、仪器进行区分，也可以将多个设备、仪器的数据进行汇总作为1个表。只要能够进行设备、仪器的关联，也可以将1个设备、仪器的数据分割为多个表。

在图3中，作为传感器数据的数据项目的例子，示出气温、振动、旋转速度、触点1电流、触点1电压、触点2电流、触点2电压等。图3的值是一个例子。数据项目由于是对从实际的设备、仪器收集到的传感器数据的项目进行储存，所以能够变更。只要能够对设备、仪器进行区分，也可以将多个设备、仪器的数据汇总作为1个表。只要能够进行仪器的关联，也可以将1个设备、仪器的数据分割为多个表。也可以通过各仪器的数据以外的表而管理气温、湿度等各仪器共通的数据项目。

在关联数据项目分类部102中，对通过数据收集部101收集到的数据项目以具有关联性的数据项目为单位进行分类。数据项目间的分类也可以是最近邻算法、k-means法等通常的聚类方法。也可以是通过斯皮尔曼等级相关系数、克莱姆关联系数等通常的相关性分析方法，将相关性高的数据项目彼此设为相同的分类的分类方法。也可以根据仪器的结构、数据项目所具有的意义对具有关联性的数据项目赋予分类的指标。通过以具有关联性的数据项目为单位对数据项目进行分类，从而有望在相关关系的计算中减轻伪相关性的影响。

在数据项目组提取部103中，以通过关联数据项目分类部102分类后的分类为单位，提取具有相关性的数据项目的组合(下面，记作数据项目组)。作为相关性的指标，也可以使用斯皮尔曼等级相关系数、克莱姆关联系数等通常的相关性分析方法，对相关系数、关联系数大的数据项目组进行提取。也可以根据仪器的结构、数据项目所具有的意义提取具有关联性的数据项目组，以组、单体中的哪种形式进行数据项目的指定均可。

在数据项目组储存部104中，以通过数据项目组提取部103提取出的数据项目组为单位，储存能够对数据项目进行识别的名称、ID等、能够对关联数据项目分类部102的分类进行识别的名称、ID等。也可以将通过数据项目组提取部103计算出的相关性指标的值一并储存。

通过从关联数据项目分类部102至数据项目组储存部104的处理，能够从大量组合中提取具有相关性的数据项目的组合。另外，通过在相关性计算部105中仅对该提取出的数据项目计算相关性，能够高效地进行相关关系的分析。

在相关性计算部105中，针对将通过数据收集部101收集到的类别数据以固定时间宽度(下面，记作时间窗)进行了划分的数据(下面，记作时间窗数据)，以在数据项目组储存部104储存的数据项目组为单位计算相关关系的指标。作为相关关系的指标(下面，记作相关性指标)，使用斯皮尔曼等级相关系数、克莱姆关联系数等通常的相关性分析方法。这里，如果与数据项目组的尺度相应地变更相关性指标，则有望能够提高对相关关系进行表示的精度。关于类别数据的尺度，作为通常的定义，存在顺序尺度和名义尺度。作为与数据项目组的尺度相应的相关性指标的选择的例子，就数据项目组的数据项目而言，在两者都是顺序尺度的情况下是斯皮尔曼等级相关系数，在两者都是名义尺度的情况下是克莱姆关联系数，在是顺序尺度和名义尺度的组合的情况下是等级相关比等。也可以使用上述以外的通常的表示相关关系的指标。也可以不区分使用而是将1种相关性指标应用于全部数据项目。在图4中示出根据类别数据对相关关系进行计算的时间窗数据的提取方法的例子。

在图4中示出将从类别数据提取的时间窗1行1行地滑动，作为时间窗数据而提取的例子。滑动宽度、时间窗宽度可以任意地设定。另外，时间窗也可以不重复。也可以按没有发生不良状况的期间和希望推定不良状况要因的期间等进行划分等，不将时间窗设为固定宽度。

在不良状况关键数据项目提取部106中，将在相关性计算部105计算出的相关性指标值中发现了变化的数据项目检测为成为不良状况的关键的数据项目(下面，记作不良状况关键数据项目)。基本上，相关性指标值随时间变化是由于出现了某种问题而导致的，对该不良状况进行检测。这里的1个目的是对平常具有强相关性的数据项目组的相关性变弱进行检测。作为满足该目的的方法，对相关性指标值随时间经过而变小进行检测。对变小进行判断的阈值能够以数据项目组为单位或者针对全部数据项目组统一地设定任意的值。其他目的是在通过数据项目组提取部103根据仪器的结构、数据项目所具有的意义提取了具有关联性的数据项目组等平常不一定具有强相关性的情况下，对与平常相比相关性发生了变化进行检测。作为满足该目的的方法，对相关性指标值随时间经过而变大或变小进行检测。对变大或变小进行判断的阈值能够以数据项目组为单位或针对全部数据项目组统一地设定任意的值。在检测出多个数据项目组的情况下，采用最先检测出的数据项目组作为不良状况关键数据项目。

在因果关系推定部107中，对与通过不良状况关键数据项目提取部106提取出的不良状况关键数据项目关联的数据项目(下面，记作关联数据项目)进行检索，提取为有不良状况要因的可能性的数据项目(下面，记作不良状况要因数据项目)。检索的范围是在通过关联数据项目分类部102分类后的分类中的与不良状况关键数据项目相同的分类内。但是，也能够将其他分类也包含于检索范围。作为与不良状况关键数据项目的关联性，并未通过不良状况关键数据项目提取部106进行提取，但将数据项目组的相关性指标值随时间经过而发生了变化的数据项目检测为关联数据项目。对相关性指标值发生了变化进行判定的阈值能够以数据项目组为单位或针对全部数据项目组统一地设定任意的值。但是，由于并未通过不良状况关键数据项目提取部106进行提取，所以对相关性指标值变小进行检测的阈值比不良状况关键数据项目提取部106中的阈值大，对相关性指标值变大进行检测的阈值比不良状况关键数据项目提取部106中的阈值小。作为因果关系的推定，也可以是将不良状况关键数据项目视作结果，将关联数据项目视作要因。在检测出多个关联数据项目的情况下，也可以根据检测的顺序，将后检测出的关联数据项目作为结果、将先检测出的数据项目作为要因而延续因果关系。也可以根据仪器的结构、数据项目所具有的意义将因果关系列表化，对与不良状况关键数据项目对应的因果关系的列表进行引用。将不良状况关键数据项目和提取出的关联数据项目作为不良状况要因数据项目。也可以根据不良状况要因数据项目的因果关系，将作为整体的要因而检测出的不良状况要因数据项目推定为不良状况要因的可能性最高。也可以以不良状况要因数据项目为单位对相关性指标值的变化率进行定义，将变化率最大的不良状况要因数据项目推定为不良状况要因的可能性最高。

在图5中示出不良状况要因推定装置1的处理流程的例子。首先，在通过数据收集部101收集到数据(500)之后，在关联数据项目分类部102中，选择对数据项目进行分类的方法(501)。在根据仪器的结构、数据项目所具有的意义进行分类的情况下，以预先准备的规则对数据项目进行分类(502)。在不使用规则的情况下，利用聚类方法、相关性分析方法等，对数据项目进行分类(503)。如果502或503结束，则在数据项目组提取部103中，选择对数据项目组进行提取的方法(504)。在根据仪器的结构、数据项目所具有的意义进行提取的情况下，以预先准备的规则提取数据项目(505)。在不使用规则的情况下，以预先准备的规则提取数据项目组(506)。在相关性计算部105的处理中，使用相关性分析方法根据时间窗数据计算相关性指标值(507)。在不良状况关键数据项目提取部106的处理中，判定是否超过了提取不良状况关键数据项目的阈值(508)。在超过的情况下，提取不良状况关键数据项目(509)。在没有超过的情况下，通过508实施下一次的相关性指标值的判定。如果509结束，则在因果关系推定部107中，提取与不良状况关键数据项目关联的关联数据项目，提取不良状况要因数据项目(510)。

此外，通过从关联数据项目分类部102至数据项目组储存部104的处理，从大量组合中提取具有相关性的数据项目的组合，但在通过相关性计算部105计算的相关性已预先决定的情况下，也可以不进行基于从关联数据项目分类部102至数据项目组储存部104的处理实现的数据项目的提取。在这种情况下，对于预先决定的数据项目，通过相关性计算部105计算相关关系。

作为本发明的1个用途，存在面向制造装置的利用。在制造装置中，即使利用同一设备，由于制造的产品、设定值、外部环境等，不合格品的比例有时也会变化。例如，在制造部件1时，直至某个时期T1为止，不管以设定1、设定2的哪个进行制造，不合格率都是0.1％左右。在其1年后的T2，有时会是如果以设定1进行制造则不合格率是0.1％左右，如果以设定2进行制造则不合格率增加为1％左右等。在这种情况下，在1年后的生产条件下，由于与设定2相比设定1的不合格率低，因此可以说设定1适于部件1的制造。这里，通过应用本发明，从而在对部件1的制造数据应用了设定和合格品/不合格品作为数据项目组的情况下，在某个时期T1，数据项目组之间没有相关性，但在1年后T2则相关性变强，因此，能够将设定提取作为不良状况要因。

此外，在现有技术中，使用传感器数据进行相关性分析，因此，不能检测出仅在类别数据即对特定的机型、仪器进行了组合的设定时的不良状况的发生。与此相对，在本发明中，能够掌握对特定的机型、仪器进行了组合的设定时的不良状况的发生，能够检测在现有技术中不能检测出的不良状况。

另外，在实施方式1中，例如在制造装置中产品的不合格率发生了变化的情况下，能够检测出有不良状况要因的可能性的数据项目，能够进一步在提取出的数据项目中提取要因的可能性高的数据项目。另外，即使在不明确应关注哪个数据项目的情况下，也能够根据原先的数据项目的相关性而自动地提取数据项目。

在图6中示出图1的不良状况要因推定装置1的情况下的硬件结构例。通过数据收集部101收集到的数据、以及通过数据项目组储存部104储存的数据、因果关系推定部107的计算结果储存于存储器604。通过关联数据项目分类部102、相关性计算部105、不良状况关键数据项目提取部106计算出的结果也可以储存于存储器604。关联数据项目分类部102、数据项目组提取部103、相关性计算部105、不良状况关键数据项目提取部106、因果关系推定部107进行的处理是处理器601读取、执行在存储器602中存储的程序。关联数据项目分类部102、数据项目组提取部103参照的数据项目的规则可以是读入在存储器604中存储的数据，也可以通过通信I/F(Interface)装置603取得。因果关系推定部107的输出结果根据需要通过输出装置605输出。此外，也可以是在不同的硬件上构成数据收集部101、相关性计算部105、不良状况关键数据项目提取部106、因果关系推定部107、关联数据项目分类部102、数据项目组提取部103和数据项目组储存部104，根据需要通过通信I/F装置603进行通信的方法。

这样，在实施方式1涉及的不良状况要因推定装置1中，特征在于，具备：数据收集部101，其对构成设备的仪器的类别数据进行收集；相关性计算部105，其对包含通过所述数据收集部101收集到的类别数据在内的数据的相关性的指标进行计算；数据提取部即不良状况关键数据项目提取部106，其基于通过所述相关性计算部105计算出的相关性的指标的变化，将包含所述类别数据的数据的组合提取为与不良状况相关的数据；以及因果关系推定部107，其从与所述与不良状况相关的数据关联的数据中，提取被推定为不良状况要因的数据。根据该结构，通过有效使用类别数据，由此能够检测在现有技术中不能检测出的不良状况。

另外，在实施方式1涉及的不良状况要因推定装置1中，特征在于，包含所述类别数据的数据是包含类别数据的数据项目，所述与不良状况相关的数据是与不良状况相关的数据项目，所述关联的数据是关联的数据项目，所述被推定为不良状况要因的数据是被推定为不良状况要因的数据项目。通过该结构，以数据项目的单位进行相关性分析，由此，能够一边进行高效的数据处理，一边检测在现有技术中不能检测出的不良状况。

另外，在实施方式1涉及的不良状况要因推定装置1中，特征在于，所述数据收集部101对所述仪器的类别数据和通过设置于所述仪器的传感器测量出的传感器数据进行收集，所述相关性计算部105对包含通过所述数据收集部收集到的类别数据以及传感器数据在内的数据的相关性的指标进行计算。通过该结构，能够检测在现有技术中不能检测出的不良状况，并且，与现有技术相比，能够提高不良状况检测、要因推定的精度。

另外，在实施方式1涉及的不良状况要因推定装置1中，特征在于，所述设备包含制造装置、或升降机、或空调机、或发电站装置。通过该结构，在制造装置、或升降机、或空调机、或发电站装置中，能够检测在现有技术中不能检测出的不良状况。

另外，在实施方式1涉及的不良状况要因推定装置1中，特征在于，所述类别数据包含所述仪器的动作的设定值、或所述仪器的环境数据、或所述仪器的动作的OK/NG等动作判定结果。通过该结构，能够检测与所述仪器的动作的设定值、或所述仪器的环境数据、或所述仪器的动作的OK/NG等动作判定结果关联而发生的不良状况。

实施方式2

在实施方式2中，叙述相对于实施方式1的结构进一步附加了不良状况发生预测部的结构。

在图7中示出实施方式2的不良状况要因推定装置1的结构例。在本实施方式中，在实施方式1的因果关系推定部107之后，在不良状况发生预测部701中实施不良状况发生预测的处理。在不良状况发生预测中，根据不良状况要因数据项目的过去的不良状况发生率，预测下次不良状况发生、或者不良状况似乎要增加的时期(以下，记作不良状况时期)。也可以是不仅预测不良状况时期，而且预测今后的每段经过时间的不合格率的方法。

作为具体的一个例子，在基于过去的数据，通过因果关系推定部107提取了设定2作为不良状况要因数据项目时，记录从该提取的时间点至时期T1发生的不良状况发生率是0.1％、直至时期T2为止发生的不良状况发生率是1％作为统计数据。在本次通过因果关系推定部107提取了设定2作为不良状况要因数据项目时，基于该统计数据，预测出直至时期T1为止发生的不良状况发生率是0.1％、直至时期T2为止发生的不良状况发生率是1％。另外，也能够预测不良状况似乎要增加的时期是从时期T1至时期T2之间。

此外，在仅通过不要状况关键数据项目实施不良状况发生预测的情况下，也可以没有因果关系推定部107。通过实施方式2，不仅知晓了不良状况的要因，而且知晓了不良状况时期，因此，能够对不良状况要因采取计划性的对策。

本实地方式的不良状况要因推定装置1的情况下的硬件结构是与图5相同的结构。这里，不良状况发生预测部701的预测结果储存于存储器604。另外，不良状况发生预测部701进行的处理是处理器601读取、执行在存储器602中存储的程序。

这样，在实施方式2涉及的不良状况要因推定装置1中，特征在于，具备不良状况发生预测部701，该不良状况发生预测部701基于所述与不良状况相关的数据项目或所述被推定为不良状况要因的数据项目的过去的不良状况发生信息，推定当前或将来的不良状况的发生状态。通过该结构，能够推定在现有技术中不能检测出的当前或将来的不良状况的发生状态。

另外，在实施方式2涉及的不良状况要因推定装置1中，特征在于，所述不良状况发生预测部701基于所述与不良状况相关的数据项目或所述被推定为不良状况要因的数据项目的过去的不良状况发生信息，预测不良状况的发生时期，或者推定当前的不良状况发生率。通过该结构，能够预测在现有技术中不能检测出的不良状况的发生时期。或者，能够推定在现有技术中不能检测出的不良状况的当前的不良状况发生率。

实施方式3

在实施方式3中，示出在实施方式1的基础上还对传感器数据一并进行相关性分析的方式。

在图8中示出本实施方式的不良状况要因推定装置1的结构例。在图8中，在数据收集部101之后追加数据种类分类部801。这是在通过相关性计算部105计算相关性指标时，出于与类别数据、传感器数据的组合模式相应地变更相关性指标的情况的目的，对数据项目标注上标签。标签也可以是类别数据、传感器数据这2个标签。标签也可以是名义尺度、顺序尺度、间隔尺度、比例尺度这4个标签。如果假定为类别数据是名义尺度或顺序尺度、传感器数据是间隔尺度或比例尺度，则既可以是类别数据、间隔尺度、比例尺度这3个标签，也可以是名义尺度、顺序尺度、传感器数据这3个标签。

作为相关性计算部105中的以数据项目的标签为单位对相关性的计算方法进行变更的例子，在下面与数据项目的标签相应地示出3个模式。第1模式，在数据项目组为两方都是类别数据的情况下，利用斯皮尔曼等级相关系数、克莱姆关联系数等作为相关性指标。第2模式，在数据项目组为两方都是传感器数据的情况下，利用皮尔森积矩相关系数等。第3模式，在数据项目组是类别数据和传感器数据的组合的情况下，利用斯皮尔曼等级相关系数、相关比等。也可以不以标签为单位变更相关性的计算方法，而是通过相同的方法计算。也可以将类别数据用于数据的分类，通过传感器数据计算相关性。作为将类别数据用于数据的分类的方法，有层次分析、协方差分析等。

通过实施方式3，能够检测类别数据、传感器数据的组合的相关性的变化，因此，能够应对仅类别数据中出现的不良状况、仅传感器数据中出现的不良状况、将类别数据与传感器数据进行比较而出现的不良状况等很多种类的不良状况。

本实施方式的不良状况要因推定装置1的情况下的硬件结构是与图5相同的结构。这里，通过数据种类分类部801计算出的结果存储于存储器604。另外，数据种类分类部801进行的处理是处理器601读取、执行在存储器602中存储的程序。数据种类分类部801参照的数据项目的规则可以是读入在存储器604中存储的数据，也可以通过通信I/F(Interface)装置603取得。

这样，在实施方式3涉及的不良状况要因推定装置1中，特征在于，具备数据种类分类部801，该数据种类分类部801对包含通过所述数据收集部101收集到的类别数据以及传感器数据的数据标注与数据的种类相应的标签，所述相关性计算部105基于与对该数据标注的标签相应的计算方法，计算包含通过所述数据收集部收集到的类别数据以及传感器数据在内的数据的相关性的指标。通过该结构，能够应对仅类别数据中出现的不良状况、仅传感器数据中出现的不良状况、将类别数据和传感器数据进行比较而出现的不良状况等很多种类的不良状况。

实施方式4

在实施方式4中，示出在实施方式3的基础上实施在实施方式2中实施的不良状况发生预测的方式。

在图9中示出本实施方式的不良状况要因推定装置1的结构例。与图7、图8相同的要素标记了相同的标号。通过实施方式4，能够与仅传感器数据中出现的不良状况、将类别数据与传感器数据进行比较而出现的不良状况等很多种类的不良状况对应地进行不良状况时期的预测、不合格率的推定。

标号的说明

1：不良状况要因推定装置，101：数据收集部，102：关联数据项目分类部，103：数据项目组提取部，104：数据项目组储存部，105：相关性计算部，106：不良状况关键数据项目提取部，107：因果关系推定部，601：处理器，602：存储器，603：通信I/F装置，604：存储器，605：输出装置，701：不良状况发生预测部，801：数据种类分类部。

Claims (10)

1.一种不良状况要因推定装置，其特征在于，具备：

数据收集部，其对构成设备的仪器的类别数据进行收集；

相关性计算部，其对包含通过所述数据收集部收集到的类别数据在内的数据的相关性的指标进行计算；

数据提取部，其基于通过所述相关性计算部计算出的相关性的指标的变化，将包含所述类别数据的数据的组合提取为与不良状况相关的数据；以及

因果关系推定部，其从与所述与不良状况相关的数据关联的数据中提取被推定为不良状况要因的数据。

2.根据权利要求1所述的不良状况要因推定装置，其特征在于，

包含所述类别数据的数据是包含类别数据的数据项目，

所述与不良状况相关的数据是与不良状况相关的数据项目，

所述关联的数据是关联的数据项目，

所述被推定为不良状况要因的数据是被推定为不良状况要因的数据项目。

3.根据权利要求1或2所述的不良状况要因推定装置，其特征在于，

所述数据收集部对所述仪器的类别数据和通过设置于所述仪器的传感器测量出的传感器数据进行收集，

所述相关性计算部对包含通过所述数据收集部收集到的类别数据以及传感器数据在内的数据的相关性的指标进行计算。

4.根据权利要求1至3中任一项所述的不良状况要因推定装置，其特征在于，

所述设备包含制造装置、或升降机、或空调机、或发电站装置。

5.根据权利要求1至4中任一项所述的不良状况要因推定装置，其特征在于，

所述类别数据包含所述仪器的动作的设定值、或所述仪器的环境数据、或所述仪器的动作判定结果。

6.根据权利要求1至5中任一项所述的不良状况要因推定装置，其特征在于，

具备不良状况发生预测部，该不良状况发生预测部基于所述与不良状况相关的数据或所述被推定为不良状况要因的数据的过去的不良状况发生信息，推定当前或将来的不良状况的发生状态。

7.根据权利要求6所述的不良状况要因推定装置，其特征在于，

所述不良状况发生预测部基于所述与不良状况相关的数据或所述被推定为不良状况要因的数据的过去的不良状况发生信息，预测不良状况的发生时期或推定当前的不良状况发生率。

8.根据权利要求1至7中任一项所述的不良状况要因推定装置，其特征在于，

具备数据种类分类部，该数据种类分类部对包含通过所述数据收集部收集到的类别数据以及传感器数据在内的数据标注与数据的种类相应的标签，

所述相关性计算部基于与对该数据标注的标签相应的计算方法，计算包含通过所述数据收集部收集到的类别数据以及传感器数据在内的数据的相关性的指标。

9.一种不良状况要因推定方法，其特征在于，具备以下步骤：

数据收集步骤，对构成设备的仪器的类别数据进行收集；

相关性计算步骤，对包含在所述数据收集步骤中收集到的类别数据在内的数据的相关性的指标进行计算；

数据提取步骤，基于在所述相关性计算步骤中计算出的相关性的指标的变化，将包含所述类别数据的数据的组合提取为与不良状况相关的数据；以及

因果关系推定步骤，从与所述与不良状况相关的数据关联的数据中提取被推定为不良状况要因的数据。

10.根据权利要求9所述的不良状况要因推定方法，其特征在于，

包含所述类别数据的数据是包含类别数据的数据项目，

所述与不良状况相关的数据是与不良状况相关的数据项目，

所述关联的数据是关联的数据项目，

所述被推定为不良状况要因的数据是被推定为不良状况要因的数据项目。