CN116194945A - 信息处理装置、信息处理方法和信息处理程序 - Google Patents

Abstract

改善部位分析部(103)指定3个以上的要素中的应该改善性能的要素作为指定要素。此外，改善部位分析部(103)从指定要素以外的要素中提取与指定要素处于有意义的关系的2个以上的要素作为关联要素。进而，改善部位分析部(103)分析提取出的2个以上的关联要素各自的性能对指定要素的性能造成的影响，从2个以上的关联要素中估计为了改善指定要素的性能而应该改善性能的关联要素即改善对象关联要素。

Description

信息处理装置、信息处理方法和信息处理程序

技术领域

本发明涉及进行用于改善性能的分析的技术。

背景技术

在工厂等的生产系统中，在品质、成本、交货期、生产数量这样的管理指标中，根据各个时刻的状况设定优先目标。然后，进行生产管理以实现所设定的优先目标。

优先目标被称作KGI(Key Goal Indicator：关键目标指标)。例如，在对KGI设定了品质的情况下，进行每日的生产管理以实现品质的目标值。生产管理是指，从生产系统收集当前的运用状况的信息，对当前值和目标值进行比较，在当前值未达到目标值的情况下，进行改善活动以使当前值达到目标值。改善活动是生产系统内的设备的增强、参数的调整、作业员的教育、作业顺序的重新评估、材料和/或库存的重新评估等活动。

以往，这种改善活动大多根据生产系统管理者的经验来进行，存在进行不一定有助于实现优先目标的改善活动或效果低的改善活动这样的课题。

针对这种课题，近年来，通过推进生产系统的IoT(Internet of Things：物联网)化来进行解决。具体而言，通过以下这种活动解决课题。在某个生产系统中的KGI的当前值的基础上，关于其各个时刻的生产系统内的工序、设备、设备内的机器的状态，收集详细的数据。而且，对收集到的数据进行分析，由此明确生产系统内的数据的关系性。而且，将明确的关系性用于生产管理的参考。

例如在专利文献1中，定义了分别作为多个工序和/或多个设备的管理指标的多个KPI(Key Performance Indicator：关键绩效指标)各自的关系性的层级构造。此外，在专利文献1中，从工序和/或设备收集用于计算KPI的信息。而且，在专利文献1中，对各KPI进行相关性分析，由此，高效地选择在产生异常时向管理者通知异常的警报。

现有技术文献

专利文献

专利文献1：日本特开2019-117464号公报

发明内容

发明要解决的课题

但是，在专利文献1的技术使用的相关性分析中，收集到的信息为离群值的情况下的影响较大，因此，需要进行用于去除该影响的烦杂的预处理。此外，在相关性分析中，关于不同的工序的KPI，1：1地分析关系，因此，存在无法对例如KGI与多个KPI之间的关系性这样的1对多的信息的关系性进行分析这样的课题。

这样，在专利文献1的技术中，当在如生产系统那样由多个要素构成的系统中进行改善活动的情况下，很难对要改善KGI的要素即要改善性能的要素与其他多个要素之间的关系性进行分析。因此，在专利文献1的技术中，存在不容易确定有助于改善要改善性能的要素的性能的其他要素这样的课题。

本发明的主要目的之一在于解决这种课题。更具体而言，本发明的主要目的在于高效地确定有助于改善应该改善性能的要素的性能的要素。

用于解决课题的手段

本发明的信息处理装置具有：指定部，其指定3个以上的要素中的应该改善性能的要素作为指定要素；提取部，其从所述指定要素以外的要素中提取与所述指定要素处于有意义的关系的2个以上的要素作为关联要素；以及估计部，其分析由所述提取部提取出的2个以上的关联要素各自的性能对所述指定要素的性能造成的影响，从所述2个以上的关联要素中估计为了改善所述指定要素的性能而应该改善性能的关联要素即改善对象关联要素。

发明效果

根据本发明，能够高效地确定有助于改善应该改善性能的要素的性能的要素。

附图说明

图1是示出实施方式1的改善部位分析装置的功能结构例的图。

图2是示出实施方式1的改善部位分析装置的硬件结构例的图。

图3是示出实施方式1的信息模型的结构例的图。

图4是示出实施方式1的设定项目的例子的图。

图5是示出实施方式1的评价部的动作例的流程图。

图6是示出实施方式1的评价部的评价结果的例子的图。

图7是示出实施方式1的评价部的评价结果的例子的图。

图8是示出实施方式1的改善部位分析部的动作例的流程图。

图9是示出实施方式1的改善部位分析部的动作例的流程图。

图10是示出实施方式1的分析对象的例子的图。

图11是示出实施方式1的分析条件的例子的图。

图12是示出实施方式1的改善部位分析部的分析结果的例子的图。

图13是示出实施方式2的设定项目的例子的图。

图14是示出实施方式2的分析条件的例子的图。

图15是示出通过实施方式2得到的效果的例子的图。

图16是示出实施方式3的设定项目的例子的图。

图17是示出实施方式4的信息模型的结构例的图。

图18是示出实施方式4的分析条件的例子的图。

图19是示出实施方式4的改善部位分析部的动作例的流程图。

图20是示出实施方式5的分析条件的例子的图。

图21是示出实施方式5的输出例的图。

图22是示出实施方式6的改善部位分析装置的功能结构例的图。

图23是示出实施方式6的改善实绩的例子的图。

图24是示出实施方式6的分析条件的例子的图。

图25是示出实施方式6的输出例的图。

图26是示出实施方式7的分析条件的例子的图。

图27是示出实施方式7的机器学习装置的功能结构例的图。

图28是示出实施方式7的机器学习装置的动作例的流程图。

图29是示出实施方式7的分析结果输出的校正顺序的流程图。

图30是示出实施方式7的神经网络的例子的图。

具体实施方式

下面，使用附图对实施方式进行说明。在以下的实施方式的说明和附图中，标注了相同标号的部分表示相同的部分或相当的部分。

实施方式1

***结构的说明***

图1示出本实施方式的改善部位分析装置100的功能结构例。

本实施方式的改善部位分析装置100经由网络300与分析对象200连接。在本实施方式中，分析对象200是生产系统。

改善部位分析装置100相当于信息处理装置。此外，改善部位分析装置100的动作顺序相当于信息处理方法。

如图1所示，改善部位分析装置100具有信息存储部101、评价部102、改善部位分析部103和信息收集部104。

信息存储部101、评价部102、改善部位分析部103和信息收集部104的详细情况在后面叙述。

图2示出改善部位分析装置100的硬件结构例。

改善部位分析装置100是计算机。

改善部位分析装置100具有处理器901、存储装置902和通信接口903作为硬件。处理器901、存储装置902和通信接口903相互通过总线905连接。

存储装置902存储程序904。程序904是用于实现图1所示的评价部102、改善部位分析部103和信息收集部104的功能的程序。

处理器901从存储装置902读出程序904，执行程序904。处理器901执行程序904，由此实现后述的评价部102、改善部位分析部103和信息收集部104的功能。

程序904相当于信息处理程序。

此外，虽然省略图示，但是，存储装置902除了存储程序904以外，还存储实现本实施方式的改善部位分析装置100的功能所需要的各种信息。图1所示的信息存储部101通过存储装置902实现。

通信接口903用于与作为分析对象200的生产系统进行通信。

图3示出本实施方式中使用的信息模型的结构例。

在信息模型中，示出构成作为分析对象200的生产系统的多个要素。此外，在信息模型中，通过层级构造和/或逻辑构造示出各要素间的关系。在图3中，实线示出层级构造的关系性，虚线箭头示出逻辑构造的关系性。

在图3的信息模型中，作为层级，包含生产线、工序、设备和机器。

而且，作为构成层级：生产线的要素，定义了“产品A生产准备时间”。图3示出设定“产品A生产准备时间”作为生产系统的KGI进行生产管理的例子。

作为“产品A生产准备时间”的下位的层级，定义了作为生产系统的各工序的准备时间的“工序#1准备时间”、“工序#2准备时间”和“工序#3准备时间”。“工序#1准备时间”、“工序#2准备时间”和“工序#3准备时间”通过层级构造的关系性与“产品A生产准备时间”连接。即，“工序#1准备时间”、“工序#2准备时间”和“工序#3准备时间”可能对“产品A生产准备时间”造成影响。进而，各工序通过基于生产工艺的逻辑构造的关系性连接。这里，示出按照“工序#1”、“工序#2”、“工序#3”的顺序进行生产的例子。另外，在本说明书中，“准备时间”是所需时间的意思。即，“产品A生产准备时间”是完成产品A的生产所需要的所需时间。

关于设备和机器的层级，也同样示出与上位层级的要素之间的关系性。

具体而言，作为构成层级：设备的要素，定义了“设备#1-1准备时间”、“设备#1-2准备时间”、“设备#2-1准备时间”、“设备#3-1准备时间”和“设备#3-2准备时间”。“设备#1-1准备时间”和“设备#1-2准备时间”可能对“工序#1准备时间”造成影响。此外，“设备#2-1准备时间”可能对“工序#2准备时间”造成影响。此外，“设备#3-1准备时间”和“设备#3-2准备时间”可能对“工序#3准备时间”造成影响。

此外，作为构成层级：机器的要素，定义了“PLC#1-1-1周期时间”、“伺服#1-1-2马达电流值”、“传感器#1-1-3对象角度”、“PLC#1-2-1周期时间”和“机器人#1-2-2到达率”。“PLC#1-1-1周期时间”、“伺服#1-1-2马达电流值”和“传感器#1-1-3对象角度”可能对“设备#1-1准备时间”造成影响。此外，“PLC#1-2-1周期时间”和“机器人#1-2-2到达率”可能对“设备#1-2准备时间”造成影响。进而，“伺服#1-1-2马达电流值”可能对“PLC#1-1-1周期时间”和“传感器#1-1-3对象角度”造成影响。此外，“传感器#1-1-3对象角度”可能对“机器人#1-2-2到达率”造成影响，“机器人#1-2-2到达率”可能对“PLC#1-2-1周期时间”造成影响。

这里，对图1所示的信息存储部101、评价部102、改善部位分析部103和信息收集部104进行说明。

信息存储部101存储图3中例示的信息模型。

此外，信息存储部101存储后述的设定项目。

此外，信息存储部101存储评价部102的评价结果。

此外，信息存储部101存储改善部位分析部103的分析结果。

此外，信息存储部101存储由信息收集部104收集到的信息。

评价部102按照分析对象200中包含的每个要素评价性能是否与性能的基准一致。评价部102评价各要素的性能是否与按照每个要素定义的性能的基准一致。

此外，如上所述，各要素构成多个层级，但是，评价部102也可以按照每个层级以不同的时间宽度评价各要素的性能是否与性能的基准一致。

进而，评价部102也可以每当进行评价时，输出评价结果。

改善部位分析部103根据评价部102的评价结果，指定分析对象200中包含的要素中的应该改善性能的要素作为指定要素。

此外，改善部位分析部103有时还将估计出的改善对象关联要素(后述)指定为新的指定要素。进而，改善部位分析部103也可以每当估计新的改善对象关联要素时，反复将估计出的新的改善对象关联要素指定为新的指定要素。

此外，改善部位分析部103从指定要素以外的要素中提取与指定要素处于有意义的关系的1个以上的要素作为关联要素。在本实施方式中，还能够对指定要素和关联要素的1：1的关系进行分析，因此，对改善部位分析部103提取1个以上的要素作为关联要素的例子进行说明。在对1个指定要素与多个关联要素的各个关联要素之间的关系进行分析的情况下，改善部位分析部103提取2个以上的要素作为关联要素。“有意义的关系”是可能对指定要素的性能造成影响的关系。更具体而言，在图3的信息模型中，是通过实线(层级构造的关系性)与指定要素连接的下位的层级的要素或位于朝向指定要素的虚线箭头(逻辑构造的关系性)的起点的要素。

例如，在由评价部102将“产品A生产准备时间”指定为指定要素的情况下，改善部位分析部103提取“工序#1准备时间”、“工序#2准备时间”和“工序#3准备时间”作为与“产品A生产准备时间”处于有意义的关系的要素(关联要素)。此外，例如，在由评价部102将“工序#2准备时间”指定为指定要素的情况下，改善部位分析部103提取“工序#1准备时间”和“设备#2-1准备时间”作为与“工序#2准备时间”处于有意义的关系的要素(关联要素)。另外，“性能”是通过测定和/或计算而得到的值。例如，“产品A生产准备时间”的性能是测定各工序的所需时间并将各工序的所需时间相加而得到的时间。此外，例如，“伺服#1-1-2马达电流值”的性能是实际对伺服#1-1-2进行测定而得到的马达电流值。

此外，改善部位分析部103对提取出的1个以上的关联要素各自的性能对指定要素的性能造成的影响进行分析，从1个以上的关联要素中估计为了改善指定要素的性能而应该改善性能的关联要素即改善对象关联要素。改善部位分析部103进行在结论部中使用指定要素的性能被改善(或恶化)且在条件部中使用1个以上的关联要素各自的性能被改善(或恶化)的关联分析，估计改善对象关联要素。关联分析在后面叙述。

此外，改善部位分析部103在估计出多个改善对象关联要素的情况下，对各个改善对象关联要素的性能对其他改善对象关联要素的性能造成的影响进行分析，在多个改善对象关联要素之间设定优先顺位。

此外，在由评价部102指定了新的指定要素的情况下，改善部位分析部103提取与新的指定要素处于有意义的关系的、新的指定要素以外的1个以上的要素作为新的关联要素。然后，改善部位分析部103对提取出的1个以上的新的关联要素各自的性能对新的指定要素的性能造成的影响进行分析，从1个以上的新的关联要素中，估计为了改善新的指定要素的性能而应该改善性能的新的关联要素作为新的改善对象关联要素。

此外，改善部位分析部103也可以每当指定新的指定要素时，反复提取所指定的新的指定要素以外的1个以上的要素作为新的关联要素，此外，每当提取1个以上的新的关联要素时，反复估计新的改善对象关联要素。

另外，改善部位分析部103相当于指定部、提取部和估计部。此外，由改善部位分析部103进行的处理相当于指定处理、提取处理和估计处理。

这里，对关联分析进行说明。

作为对多个信息之间的关系性进行分析的方法，公知有关联分析(也被称作购物篮分析、关联规则等)。

在关联分析中，使用统计信息作为输入，关于条件部与结论部之间的关系计算支持度、置信度、提升值。支持度是全部数据数内均包含条件部和结论部的数据的比例。置信度是包含条件部的数据数内均包含条件部和结论部的数据的比例。提升值是置信度除以包含结论部的数据数而得到的值。一般而言，在提升值大于1的情况下，条件部对结论部造成的影响大，能够定量地判断为在结论部与条件部之间存在关系。

但是，在关联分析中，需要按照成为输入的信息的组合来计算支持度、置信度、提升值，因此，计算量庞大。因此，存在无法简单地对信息的种类多的生产系统应用关联分析这样的课题。

在本实施方式中，当在关联分析中包含的多个计算项目(支持度、置信度、提升值)中的任意计算项目中计算维持条件不成立的情况下，改善部位分析部103不进行多个计算项目中的未计算的计算项目的计算。由此，在本实施方式中，有效地对信息的种类多的生产系统应用关联分析。

信息收集部104从作为分析对象200的生产系统收集与图3所示的各要素有关的信息。

例如，信息收集部104按照图3所示的每个要素收集性能。具体而言，信息收集部104收集测定出的各工序的所需时间作为“产品A生产准备时间”的性能，将各工序的所需时间相加，得到生产产品A所需要的时间。此外，信息收集部104收集实际测定伺服#1-1-2而得到的马达电流值，作为“伺服#1-1-2马达电流值”的性能。

信息收集部104将收集到的信息存储于信息存储部101。

图4示出信息收集部104的设定项目的例子。

信息收集部104按照图4所示的设定项目收集信息模型中包含的各要素的信息。

在图4中，作为信息收集部104的设定项目，定义了要素、收集对象、监视期间、判定基准。

在图4的设定项目中的要素的栏中示出信息模型中包含的要素。

在收集对象的栏中示出信息的收集方法。作为收集方法，存在从存在于生产系统内的任意机器直接收集信息的方法、以及根据从任意机器收集到的信息进行计算的方法。在从机器直接收集信息的情况下，在收集对象的栏中示出作为信息收集源的机器。

在监视期间的栏中示出应用判定基准的时间宽度。

在判定基准的栏中示出在评价部102的评价中使用的基准即性能的基准。

如存储内容所示，由信息收集部104收集到的信息作为时间序列数据保持于评价部102。

***动作的说明***

图5是示出评价部102的动作例的流程图。

图6以曲线图形式示出评价部102的评价结果的例子。

图7以表形式示出评价部102的评价结果的例子。

图8是示出改善部位分析部103的动作例的流程图。

图9是示出图8的步骤S204的详细情况的流程图。

图10示出本实施方式的分析对象的例子。

图11示出本实施方式的分析条件的例子。

图12示出改善部位分析部103的分析结果的例子。

下面，参照图1～图12对本实施方式的改善部位分析装置100的动作例进行说明。

事前设定阶段

生产系统的管理者或设计者生成图3所示的信息模型和图4所示的设定项目，以进行生产系统的管理。然后，生产系统的管理者或设计者将生成的信息模型和设定项目存储于改善部位分析装置100的信息存储部101。

优选根据生产系统的设计信息生成信息模型和设定项目。

信息收集阶段

信息收集部104根据图4的设定项目，从作为分析对象200的生产系统收集信息。然后，将收集到的信息存储于信息存储部101。

另外，信息收集部104也可以从外部装置取得改善部位分析装置100以外的外部装置收集到的信息，将从外部装置取得的信息与设定项目对应起来存储于信息存储部101。

评价阶段

接着，作为评价阶段，评价部102进行图5所示的流程。

具体而言，评价部102从信息存储部101读入图4所示的设定项目(步骤S101)。

接着，评价部102从信息存储部101读入由信息收集部104收集到的信息(步骤S102)。

接着，信息收集部104使用设定项目和收集到的信息进行各要素的性能评价，将评价结果存储于信息存储部101(步骤S103)。即，信息收集部104按照设定项目所示的每个要素，以监视期间的单位判定由信息收集部104收集到的信息是否与判定基准一致。另外，在如“产品A生产准备时间”那样将“收集对象”定义为“计算”的情况下，评价部102进行基于由信息收集部104收集到的信息的计算，对通过计算而得到的值和判定基准进行比较。

图6和图7示出评价部102的评价结果的例子。图6以曲线图形式示出评价结果，图7以表形式示出评价结果。

例如，“产品A生产准备时间”的判定基准为阈值X1。在某个监视期间内“产品A生产准备时间”的性能(所需时间)高于阈值X1的情况下，评价部102评价为HIGH(二进制值中的1)。此外，在另一个监视期间内“产品A生产准备时间”的性能(所需时间)为阈值X1以下的情况下，评价部102评价为LOW(二进制值中的0)。在本实施方式中，将“产品A生产准备时间”设定为KGI，因此，“产品A生产准备时间”的性能(所需时间)比判定基准高(＝HIGH)的情况意味着生产性降低。

另外，评价部102也可以逐次将评价结果输出到HMI(Human Machine Interface：人机界面)。如果这样构成，则生产系统的改善负责人能够参照HMI实时地理解生产系统的状况，判断是否需要改善。

改善部位分析阶段

生产系统的改善负责人参照评价部102的评价结果，根据评价部102针对KGI的评价状况判断是否需要改善。例如，如图6和图7所示，在多次存在“产品A生产准备时间”比判定基准高即生产性降低的期间的情况下，生产系统的改善负责人判断为需要改善。

在判断为需要改善的情况下，生产系统的改善负责人指示改善部位分析装置100利用改善部位分析部103进行分析。

改善部位分析部103根据来自生产系统的改善负责人的指示执行图8的流程。

另外，这里，示出改善部位分析部103根据来自生产系统的改善负责人的指示执行图8的流程的例子，但是，改善部位分析部103也可以周期地执行图8的流程。或者，也可以在蓄积了规定数的评价部102的评价结果的情况下，改善部位分析部103执行图8的流程。进而，改善部位分析部103也可以参照评价部102的评价结果判定是否需要改善，在判定为需要改善的情况下，执行图8的流程。

如图8所示，改善部位分析部103从信息存储部101读入图3所示的信息模型(步骤S201)。

此外，改善部位分析部103从信息存储部101读入评价部102的评价结果(步骤S202)。

步骤S201和步骤S202的顺序也可以调换，也可以并行地进行步骤S201和步骤S202。

接着，改善部位分析部103指定作为分析对象的指定要素，进行分析条件的设定或读入(步骤S203)。

改善部位分析部103可以按照生产系统的改善负责人的指示来指定指定要素，也可以对评价部102的评价结果进行分析而指定指定要素。例如，改善部位分析部103将性能多次与判定基准不一致的要素中的最上位的层级的要素指定为指定要素。

另外，分析条件的详细情况在后面叙述。

接着，改善部位分析部103进行分析，将分析结果存储于信息存储部101(步骤S204)。

此外，在进一步继续进行分析的情况下(步骤S205：是)，处理返回步骤S203，改善部位分析部103指定新的指定要素。改善部位分析部103例如将在步骤S204中得到的改善对象关联要素指定为新的指定要素。

图9示出步骤S204的详细情况。下面，参照图9对步骤S204的详细情况进行说明。

首先，改善部位分析部103从信息模型中提取关联分析中的结论部和条件部的有意义的组合(步骤S2041)。

有意义的组合表示结论部和条件部在信息模型中的层级构造的关系性、逻辑构造的关系性这两个观点中没有矛盾。即，有意义的组合意味着结论部和条件部在层级构造的关系性中以正确的方向连接，或在逻辑构造的关系性中以正确的方向连接。在层级构造的关系性中以正确的方向与结论部的要素连接的要素和在逻辑构造的关系性中以正确的方向与结论部的要素连接的要素，是可能对结论部的要素的性能造成影响的要素。

具体而言，改善部位分析部103将在步骤S203中指定的指定要素设定为结论部。然后，改善部位分析部103根据信息模型，将在层级构造的关系性中以正确的方向与指定要素连接的要素和在逻辑构造的关系性中以正确的方向与指定要素连接的要素设定为条件部。设定为条件部的要素相当于关联要素。

例如，在改善部位分析部103在步骤S203中将“产品A生产准备时间”指定为指定要素的情况下，改善部位分析部103提取在层级构造的关系性中以正确的方向与“产品A生产准备时间”连接的“工序#1准备时间”、“工序#2准备时间”和“工序#3准备时间”作为关联要素。

该情况下，如图10所示，改善部位分析部103将“产品A生产准备时间的值比判定基准高”设定为结论部，将“工序#1准备时间”、“工序#2准备时间”和“工序#3准备时间”设定为条件部。

此外，例如，在改善部位分析部103在步骤S203中将“工序#1准备时间”指定为指定要素的情况下，“工序#2准备时间”和“工序#3准备时间”与逻辑构造的关系性矛盾，不是有意义的组合(即使工序#2或工序#3的准备时间发生变化，工序#1的准备时间也不变化)。因此，改善部位分析部103不提取“工序#2准备时间”和“工序#3准备时间”作为关联要素。

接着，改善部位分析部103对提取出的条件部和结论部的组合执行关联分析(步骤S2042)。

这里，设改善部位分析部103计算关联分析中的支持度、置信度和提升值。这些计算项目的计算顺序没有特别确定。

改善部位分析部103也可以参照分析条件，当在任意的计算项目中计算维持条件不成立的情况下，停止未计算的计算项目的计算。通过这样构成，能够削减关联分析的计算量。

图11示出分析条件的例子。

在图11的分析条件中，定义了分析对象的区间(时间宽度)、关联分析的各计算项目的计算维持条件。

另外，在图11的例子中，与层级无关地将区间的条件设为固定的区间。一般而言，越是上位的层级的要素，则以越长的周期收集，有时下位的层级的要素的变化传递到上位的层级为止包含一定的延迟。这种情况下，可以在上位的层级的要素和下位的层级的要素中错开设定作为分析对象的区间(时间宽度)。

此外，在图11的例子中，示出提升值的计算维持条件为1以上，支持度的计算维持条件大于0.001，置信度的计算维持条件大于0.001。

图12示出改善部位分析部103的分析结果的例子。

另外，在图12中，支持度、置信度和提升值全部被斜线抵消的组合不是有意义的组合，因此，是不成为关联分析对象的组合。

图12的上段示出改善部位分析部103对各工序的准备时间对产品A生产准备时间造成的影响进行分析而得到的结果。如上所述，改善部位分析部103仅提取有意义的组合进行分析。因此，在图12的上段，示出将“产品A生产准备时间”设定为结论部，将“工序#1准备时间”、“工序#2准备时间”和“工序#3准备时间”分别设定为条件部进行的关联分析的结果。

在图12的上段的例子中，在将“工序#1准备时间”比判定基准高(＝HIGH)的情况设为条件部的关联分析以及将“工序#2准备时间”比判定基准高(＝HIGH)的情况设为条件部的关联分析中，提升值大于1。因此，“工序#1准备时间”和“工序#2准备时间”是“产品A生产准备时间”恶化的要因的可能性高。因此，改善部位分析部103将“工序#1准备时间”和“工序#2准备时间”估计为改善对象关联要素。即，改善部位分析部103提取“工序#1准备时间”和“工序#2准备时间”，作为为了改善“产品A生产准备时间”的性能而应该改善性能的要素。

图12的下段示出改善部位分析部103对“工序#1准备时间”、“工序#2准备时间”和“工序#3准备时间”分别对其他工序的准备时间造成的影响进行分析而得到的结果。

在图12的上段，存在多个提升值大于1的组合，因此，改善部位分析部103还对各工序的准备时间对其他工序的准备时间造成的影响进行分析。即，改善部位分析部103将各工序指定为新的指定要素，此外，提取指定为新的指定要素的工序以外的工序作为新的关联要素，进行关联分析。

在图12的下段的例子中，在将“工序#1准备时间”比判定基准高(＝HIGH)的情况设定为条件部，将“工序#2准备时间”变高设定为结论部的关联分析中，提升值大于1。因此，“工序#1准备时间”是“工序#2准备时间”恶化的要因的可能性高。因此，改善部位分析部103提取“工序#1准备时间”，作为为了改善“工序#2准备时间”的性能而应该改善性能的要素。

其结果是，改善部位分析部103将“工序#1准备时间”估计为最优先的改善对象关联要素。即，改善部位分析部103判定为为了改善“产品A生产准备时间”的性能，“工序#1准备时间”是最有效的改善对象关联要素，判定为“工序#2准备时间”是第二有效的改善对象关联要素。

在如图12的上段的例子那样得到多个改善对象关联要素的情况下，改善部位分析部103如图12的下段的例子那样在多个改善对象关联要素之间设定优先顺位。

根据以上的分析结果，改善部位分析部103能够估计出“产品A生产准备时间恶化的要因是工序#1准备时间的恶化和工序#2准备时间的恶化”。此外，改善部位分析部103能够估计出“工序#2准备时间恶化的要因是工序#1准备时间恶化”。因此，改善部位分析部103能够如“首先应该改善作为两个准备时间恶化的要因的工序#1准备时间”那样向生产系统的改善负责人提出改善部位。

改善部位分析部103将这种分析结果(改善部位的提案)输出到HMI，此外，将分析结果存储于信息存储部101(步骤S2043)。

进而，改善部位分析部103能够根据需要对“工序#1准备时间”恶化的要因进行分析的深挖(图8的步骤S205)。

具体而言，改善部位分析部103根据图3的信息模型的层级构造的关系性，进行将“工序#1准备时间”作为新的指定要素设定为结论部，将“设备#1-1准备时间”和“设备#1-2准备时间”作为新的关联要素设定为条件部的关联分析。

在设备层级的分析完成后，改善部位分析部103也可以进一步根据需要进行将机器层级的要素作为新的关联要素设定为条件部的关联分析。这样，改善部位分析部103能够进行分析的深挖。另外，作为分析条件，也可以设置这种分析的深挖的重复次数。

***实施方式的效果的说明***

以上，根据本实施方式，能够高效地确定有助于改善应该改善性能的要素的性能的要素。

即，本实施方式的改善部位分析装置100参照信息模型中定义的层级构造和逻辑构造的关系性，阶段性且逻辑性地对KGI和多个信息的关系性进行分析。因此，根据本实施方式，能够高效地确定有助于改善KGI的改善部位。

此外，根据本实施方式，评价部102逐次地将评价结果输出到HMI，由此，生产系统的改善负责人能够实时地理解生产系统的状况，立即判断是否需要改善。

此外，根据本实施方式，改善部位分析部103参照分析条件，在任意的计算项目不符合计算维持条件的情况下，不进行未计算的计算项目的计算，因此，能够削减分析时的计算量。

此外，根据本实施方式，设置改善部位分析部103的分析的深挖用的重复次数，由此，生产系统的改善负责人不等待改善部位分析装置100的最终结果，就能够在自身的经验通用的范围内得到分析结果，能够使改善活动高效化。

此外，根据本实施方式，在层级不同的分析对象的情况下，改善部位分析部103能够根据层级对分析区间进行调整，因此，能够有效地进行分析。

实施方式2

***目的***

在实施方式1中，使通过基于一个判定基准的评价而得到的评价结果二进制化。在实施方式1的方法中，特别是在实现信息模型中的机器层级的改善时，可能无法明确地分析在机器层级的要素成为哪个值的情况下对指定要素的性能造成影响。

实施方式2的主要目的在于解决这种课题。

在本实施方式中，主要对与实施方式1的差异进行说明。

另外，以下未说明的事项与实施方式1相同。

***结构的说明**

在本实施方式中，改善部位分析装置100的结构也如图1和图2所示。

在本实施方式中，如图13所示，在实施方式1所示的信息收集中的设定项目(图4)中设置追加的判定基准。进而，如图14所示，在分析条件(图11)中设置细分化条件。

在图13中，关于信息收集中的设定项目中的“传感器#1-1-3对象角度”，对第一个判定基准设定阈值X6，进而，设定阈值X7和X8作为追加的判定基准。进而，在图14中，作为细分化的条件，设定提升值大于2的情况和支持度大于0.5的情况。

***动作的说明***

在本实施方式中，直到改善部位分析阶段的完成为止，进行与实施方式1相同的动作。

此时，得到图12所示的分析结果，进而，在满足图14的分析条件的细分化的条件的情况下，评价部102利用图13的追加的判定基准进一步进行评价。

图15示出实施方式2中的效果的例子。

即，在本实施方式中，改善部位分析部103将“设备#1-1准备时间”设定为结论部，将“传感器#1-1-3对象角度”设定为条件部而进行关联分析。然后，改善部位分析部103将“传感器#1-1-3对象角度”估计为改善对象关联要素。然后，关联分析的结果满足上述的细分化的条件(图14)。因此，作为细分化，评价部102评价作为改善对象关联要素的“传感器#1-1-3对象角度”的性能是否与作为追加的判定基准的判定基准2(阈值X7和X8)一致。图15示出通过使用判定基准2的评价而得到的评价结果。

在图15中，虽然省略图示，但是，还能够一并示出通过细分化新使用判定基准2进行分析的结果(提升值、支持度、置信度)。该情况下，能够分析在“传感器#1-1-3对象角度”具体成为什么值的情况下“传感器#1-1-3对象角度”对“设备#1-1准备时间”的性能恶化造成影响。

***实施方式的效果的说明***

如上所述，在本实施方式中，设置多个判定基准，设置用于评价部102应用多个判定基准的细分化的条件。因此，根据本实施方式，能够通过多个判定基准对一个判定基准中的评价结果进行细分化，能够明确地判断在可能对指定要素的性能造成影响的要素具体成为什么值的情况下对指定要素的性能造成影响。

实施方式3

***目的***

在实施方式1和2中，前提在于，关于信息收集部104中的设定项目的判定基准和改善部位分析部103中的分析条件，将设计信息等作为参考而预先设定值。

但是，在无法得到设计信息的情况下以及设计信息和生产系统的实际情况存在差异的情况下，可能无法得到实施方式1和2中的效果。

实施方式3的主要目的在于解决这种课题。

在本实施方式中，主要对与实施方式1的差异进行说明。

另外，以下未说明的事项与实施方式1相同。

***结构的说明***

在本实施方式中，改善部位分析装置100的结构也如图1和图2所示。但是，在本实施方式中，在图16中示出信息收集部104的判定基准的设定方法。

在图16中，在信息收集部104的设定项目中的判定基准中，定义了针对收集到的信息的统计处理。例如，统计处理如“平均值”那样设定。除此以外，在平均值中考虑了标准偏差的值(平均值±标准偏差)、度数分布中的最频值、极小值等也是优选的，但是不限于此。

***动作的说明***

在本实施方式中，直到信息收集和评价阶段的中途为止进行与实施方式1相同的动作。

在本实施方式中，在图5的流程图中，在步骤S103中，评价部102对由信息收集部104收集且存储于信息存储部101的信息进行统计处理。然后，评价部102在图16的判定基准中设定统计处理的结果。然后，评价部102对由信息收集部104收集且存储于信息存储部101的各个信息和设定为判定基准的统计处理的结果进行比较来进行评价。然后，评价部102将评价结果存储于信息存储部101。

此后，在改善部位分析阶段中进行与实施方式1相同的动作。

***实施方式的效果的说明***

如上所述，在本实施方式中，设定统计处理的结果作为判定基准，因此，在无法得到分析对象的设计值的情况下也能够得到实施方式1和2的效果。

此外，通过设定统计处理的结果作为判定基准，能够削减必须预先设定判定基准这样的劳力和时间。

实施方式4

***目的***

在实施方式1～3中，前提在于，在信息模型中定义层级构造和/或逻辑构造的关系性。

但是，特别是在机器层级中，由于设计者与生产系统的设计者不同等理由，很难严格地定义机器的信息。因此，有时无法准确地定义层级构造和/或逻辑构造的关系性。在错误地定义了关系性的情况下或无法定义关系性的情况下，有时输出错误的分析结果。此外，有时产生针对假设的全部组合的分析。这种情况下，效率降低。

实施方式4的主要目的在于解决这种课题。

在本实施方式中，主要对与实施方式1的差异进行说明。

另外，以下未说明的事项与实施方式1相同。

***结构的说明***

在本实施方式中，改善部位分析装置100的结构也如图1和图2所示。在本实施方式中，信息模型的结构、改善部位分析部103的分析条件和流程图不同。

图17示出实施方式4的信息模型的例子。在图17中，在机器层级中，未定义层级构造和逻辑构造的关系性。即，在图17所示的信息模型中，仅定义了存在于机器层级的要素。

图18示出实施方式4中的分析条件中的追加项目。在图18中，在分析条件中追加与关系性有关的项目。作为与关系性有关的条件，例如考虑定义“自动生成机器层级的关系性”等。也可以定义自动生成机器层级以外的层级的关系性，也可以定义为通过自动生成以外的方法生成关系性。进而，也可以定义为定期地确认一次性生成的关系性。

图19示出在图8的步骤S204(分析的执行和存储)中由改善部位分析部103追加进行的顺序。

***动作的说明***

直到信息收集阶段、评价阶段和图8的步骤S203为止进行与实施方式1相同的动作。

在步骤S204中，在图9的流程之前，先进行图19的流程。即，在任意的要素间的关系不明确的情况下，改善部位分析部103估计关系不明确的要素间的关系，自动生成该要素间的关系性。

具体而言，改善部位分析部103参照图18的设定项目执行图19的流程，以关于机器层级自动生成关系性。

在图19中，示出自动生成机器层级中包含的要素中的、定义了与作为上位层的设备层级之间的层级构造的“PLC#1-1-1周期时间”与未定义特别的关系性的“伺服#x-1马达电流值”之间的关系性的顺序。

首先，在步骤S301中，改善部位分析部103关于“PLC#1-1-1周期时间”和“伺服#x-1马达电流值”执行关联分析。在图19的例子中，改善部位分析部103计算将“PLC#1-1-1周期时间”比判定基准高(＝HIGH)设定为条件部，将“伺服#x-1马达电流值”比判定基准高(＝HIGH)设定为结论部的组合(以下称作“组合1”)的支持度、置信度、提升值。进而，改善部位分析部103计算将“伺服#x-1马达电流值”比判定基准高(＝HIGH)设定为条件部，将“PLC#1-1-1周期时间”比判定基准高(＝HIGH)设定为结论部的组合(以下称作“组合2”)的支持度、置信度、提升值。另外，在信息的意思未知的情况下，优选改善部位分析部103包含各个要素的值比判定基准低(＝LOW)的情况的组合来执行关联分析。

接着，在步骤S302中，改善部位分析部103对步骤S301的分析结果进行评价。这里，改善部位分析部103评价关于分析结果的支持度、置信度、提升值在哪个组合中得到较高的值。即，改善部位分析部103评价在组合1和组合2中的哪个组合中得到较高的值。在关联分析中，在提升值的评价结果大于1时，能够评价为在条件部与结论部之间存在关系性。因此，改善部位分析部103也可以以重视提升值的方式对各项目的结果设置权重来进行评价。这些权重可以设置在图18的设定项目中。此外，生成关系性的条件也同样可以设置在图18的设定项目中。

最后，在步骤S303中，改善部位分析部103参照评价结果构建要素间的关系性，将构建的要素间的关系性存储于信息存储部101。

在图19的例子中，在将“伺服#x-1马达电流值”比判定基准高设定为条件部，将“PLC#1-1-1周期时间”比判定基准高设定为结论部的组合(组合1)中，支持度、置信度、提升值高。因此，改善部位分析部103在信息模型中追加“伺服#x-1马达电流值”对“PLC#1-1-1周期时间”的性能造成影响这样的关系性。

另外，在本例中，示出自动生成“PLC#1-1-1周期时间”与“伺服#x-1马达电流值”之间的关系性的顺序。关于图17所示的未定义关系性的“传感器#x-2对象角度”和“机器人#x-3到达率”，改善部位分析部103也按照相同的顺序自动生成关系性。

***实施方式的效果的说明***

如上所述，在本实施方式中，在任意的要素间的关系不明确的情况下，改善部位分析部103估计关系不明确的要素间的关系，自动生成该要素间的关系性。因此，根据本实施方式，当在信息模型中无法准确地定义层级构造和/或逻辑构造的关系性的情况下，也能够根据实际收集到的信息构建要素间的关系性，能够高效地进行分析。

此外，在错误地定义了要素间的关系性的情况下，也根据实际收集到的信息对要素间的关系性进行评价，由此能够修正信息模型。

实施方式5

***目的***

在实施方式1～4中，以支持度、置信度、提升值这样的多个项目输出分析结果。成为改善部位的要素需要考虑这些多个项目的输出来进行判断。但是，存在特别不习惯分析的生产系统管理者很难判断哪个要素是改善部位这样的课题。

实施方式5的主要目的在于解决这种课题。

在本实施方式中，主要对与实施方式1的差异进行说明。

另外，以下未说明的事项与实施方式1相同。

***结构的说明***

在本实施方式中，改善部位分析装置100的结构也如图1和图2所示。在本实施方式中，改善部位分析部103的分析条件不同。

图20示出实施方式5的分析条件。在图20中，与图11相比，新追加了分析结果输出的项目。作为分析结果输出的条件，例如定义计算式“A1+A2+A3”。另外，在支持度大于0.1的情况下，“A1”设定1，在支持度小于0.1的情况下，“A1”设定0。同样，在置信度大于0.1的情况下，“A2”设定1，在置信度小于0.1的情况下，“A2”设定0。在提升值为1以上的情况下，“A3”直接设定提升值，在提升值小于1的情况下，“A3”设定0。

另外，也可以以重视支持度、置信度和提升值中的任意一方的方式对计算式进行调整。例如使用权重α如A1+A2+A3×α那样进行调整。权重α由生产系统的设计者或改善负责人来设定。

在本实施方式中，如图20所示，改善部位分析部103进行使用了与关联分析中包含的多个计算项目有关的多个计算值的计算，输出使用了多个计算值的计算的计算值。

***动作的说明***

直到信息收集阶段、评价阶段和改善部位分析阶段的图9的步骤S2042为止进行与实施方式1相同的动作。

在步骤S2043中，改善部位分析部103按照图20的分析结果输出的计算式计算分析结果输出，输出计算结果，此外，将计算结果存储于信息存储部101。

图21示出实施方式5的输出的一例。如图21所示，在本实施方式的输出中，包含按照图20的分析结果输出的计算式得到的分析结果。

***实施方式的效果的说明***

如上所述，在本实施方式中，在分析条件中定义分析结果输出的计算方法，输出按照该计算方法计算出的分析结果。因此，根据本实施方式，不习惯分析的生产系统管理者能够容易地判断哪个要素是改善部位。

实施方式6

***目的***

在实施方式5中，需要生产系统的设计者或改善负责人适当地设定改善部位的分析结果输出用的计算式。但是，特别是在复杂的生产系统中，分析结果输出和实际的改善部位可能不同。

实施方式6的主要目的在于解决这种课题。

在本实施方式中，主要对与实施方式5的差异进行说明。

另外，以下未说明的事项与实施方式5相同。

***结构的说明***

图22示出实施方式6的改善部位分析装置100的结构例。在图22的结构中，在图1的结构中追加改善实绩存储部105。在改善实绩存储部105中存储改善实绩。除了改善实绩存储部105以外的部分与图1所示的内容相同。

图23示出改善实绩存储部105存储的改善实绩的例子。在图23所示的改善实绩中包含发生的现象和现象的要因(改善部位)。关于现象和要因，优选包含具体的值在内详细进行记述。在使分析对象进行工作的过程中，由改善负责人记述改善实绩。或者，在存在相同种类的分析对象的改善实绩的情况下，也可以沿用相同种类的分析对象的改善实绩。但是，该情况下，优选以可知是其他分析对象的改善实绩的方式进行记述。或者，也可以将参照实施方式5所示的分析结果输出的改善负责人通过HMI对分析结果输出给出的正误的评价结果或伴有数值的评价结果设为改善实绩。此时，优选改善实绩存储部105中记述的内容在信息模型内定义了关系性。当在信息模型内未定义关系性的情况下，也可以构成为在信息模型内定义关系性。

图24示出实施方式6的分析条件的例子。在图24中，作为分析结果输出的条件，定义了将改善实绩反映到输出中的计算式。在图24中，记述有改善实绩数作为校正值“A4”，此外，在计算式中也包含“A4”。

***动作的说明***

直到信息收集阶段、评价阶段和改善部位分析阶段的图9的步骤S2042为止进行与实施方式1相同的动作。

在步骤S2043中，改善部位分析部103按照图24的分析结果输出的计算式计算分析结果输出，输出计算结果，此外，将计算结果存储于信息存储部101。即，在步骤S2043中，改善部位分析部103使用针对与关联分析中的条件部相当的关联要素的改善实绩，对通过计算式“A1+A2+A3”得到的计算值进行校正，输出校正后的计算值。

图25示出实施方式6的分析结果输出的一例。如图25所示，在本实施方式中，输出图23的改善实绩作为校正值，此外，输出基于改善实绩数的校正后的分析结果输出。

***实施方式的效果的说明***

如上所述，在本实施方式中，存储改善实绩，结合改善实绩对分析结果输出进行校正。因此，根据本实施方式，能够输出符合生产系统的实际情况的改善部位。

实施方式7

***目的***

在实施方式5和6中，使用计算式计算分析结果输出，输出得到的分析结果输出，由此得到准确度更高的分析结果。

但是，在大规模或复杂的生产系统的情况下，要素的种类庞大，并且要素间的关系性复杂。因此，有时很难以成为符合分析对象的实际情况的分析结果输出的方式定义计算式。

实施方式7的主要目的在于解决这种课题。

在本实施方式中，主要对与实施方式5的差异进行说明。

另外，以下未说明的事项与实施方式5相同。

***结构的说明***

图26示出实施方式7的分析条件的设定。在图26中，设定了活用使用后述的机器学习进行学习后的已学习模型计算图20或图24中的分析结果输出。

图27示出改善部位分析装置100活用的机器学习装置400的结构例。机器学习装置400具有数据取得部401、训练数据取得部402、学习部403、已学习模型存储部405和输出部404。与图2同样，机器学习装置400具有处理器、存储装置、通信接口和总线作为硬件结构。数据取得部401、训练数据取得部402、学习部403例如通过程序实现。该程序由处理器执行。已学习模型存储部405通过存储装置实现。

数据取得部401取得图10、图11、图20和图24所示的条件部、结论部、支持度、置信度、提升值作为状态变量。另外，数据取得部401也可以取得图6和图7所示的评价部102的评价结果。

训练数据取得部402取得图23的改善实绩所示的要因和现象。

学习部403根据基于从数据取得部401输出的条件部、结论部、支持度、置信度、提升值和从训练数据取得部402输出的要因和现象的组合生成的数据集，学习输出的校正方法。即，学习部403生成根据改善部位分析装置100的改善部位分析部103的分析结果即条件部、结论部、支持度、置信度、提升值以及实际的改善实绩即要因和现象推测分析结果输出的校正方法的已学习模型。这里，数据集是将状态变量和训练数据相互关联起来的数据。

另外，机器学习装置400是为了对改善部位分析装置100的输出的校正方法进行学习而使用的，但是，例如也可以是经由网络与改善部位分析装置100连接的、与改善部位分析装置100不同的装置。此外，机器学习装置400也可以内置于改善部位分析装置100。进而，机器学习装置400也可以存在于云服务器上。

学习部403使用的学习算法可以使用任意的算法。在本实施方式中，作为一例，对应用了神经网络的情况进行说明。

学习部403例如按照神经网络模型，通过所谓的有监督学习对输出的校正方法进行学习。这里，有监督学习是指如下模型：将某个输入和结果(标签)的数据的组大量提供给机器学习装置400，由此对这些数据集中的特征进行学习，根据输入来估计结果。

神经网络通过由多个神经元构成的输入层、由多个神经元构成的中间层(隐藏层)和由多个神经元构成的输出层构成。中间层可以是1层，或者也可以是2层以上。

例如，如果是图30所示的3层的神经网络，则在多个输入数据被输入到输入层(X1-X3)时，对各输入数据的值乘以权重W1(w11-w16)，乘以权重W1后的各输入数据被输入到中间层(Y1-Y2)。然后，对中间层(Y1-Y2)的结果进一步乘以权重W2(w21-w26)，乘以权重W2后的中间层(Y1-Y2)的结果从输出层(Z1-Z3)输出。输出结果根据权重W1的值和权重W2的值而变化。

在本申请中，神经网络按照根据由数据取得部401取得的条件部、结论部、支持度、置信度、提升值以及由训练数据取得部402取得的要因和现象的组合生成的数据集，通过所谓的有监督学习对输出的校正方法进行学习。

即，神经网络以对输入层输入条件部、结论部、支持度、置信度、提升值而从输出层输出的结果接近要因和现象的方式调整权重W1和W2，由此进行学习。

此外，神经网络还能够通过所谓的无监督学习对输出的校正方法进行学习。无监督学习是指，仅将输入数据大量提供给机器学习装置400，由此，机器学习装置400对输入数据呈什么样的分布进行学习。在无监督学习中，即使不提供对应的训练输出数据，也能够对输入数据进行压缩、分类、整形等从而进行学习。即，在无监督学习中，能够将多个数据集中的特征聚类到相似者之间。使用聚类的结果设置某种基准，进行使聚类结果最佳的输出分配，由此能够实现输出的预测。此外，作为无监督学习和有监督学习的中间的问题设定，存在半监督学习。在半监督学习中，仅一部分存在输入数据和输出数据的组，除此以外仅存在输入数据。

学习部403执行以上这种学习，由此生成已学习模型。

已学习模型存储部405存储由学习部403生成的已学习模型。

输出部404输出利用已学习模型得到的、改善部位分析装置100的分析结果输出的校正方法。即，通过对数据取得部401输入条件部、结论部、支持度、置信度、提升值，能够从输出部404根据已学习模型得到适合于条件部、结论部、支持度、置信度、提升值的输出的校正方法。

另外，在本实施方式中，说明机器学习装置400的输出部404使用通过学习部403的学习而得到的已学习模型将分析结果输出的校正方法输出到改善部位分析装置100的例子，但是，改善部位分析装置100也可以取得已学习模型，根据该已学习模型取得分析结果输出的校正方法。

***动作的说明***

接着，使用图28说明机器学习装置400进行学习的处理。图28是与机器学习装置400的学习处理有关的流程图。

首先，在步骤S401中，数据取得部401取得条件部、结论部、支持度、置信度、提升值作为状态变量。

接着，在步骤S402中，训练数据取得部402取得作为改善实绩的要因和现象。另外，在本实施方式中，按照上述的顺序取得数据，但是，只要能够将条件部、结论部、支持度、置信度、提升值以及要因和现象关联起来进行输入即可，这些步骤可以同时执行，也可以按照相反顺序执行。

进而，在步骤S403中，学习部403按照根据由数据取得部401取得的条件部、结论部、支持度、置信度、提升值以及由训练数据取得部402取得的要因和现象的组合生成的数据集，通过所谓的有监督学习对分析结果输出的校正方法进行学习，生成已学习模型。

最后，在步骤S404中，已学习模型存储部405存储学习部403生成的已学习模型。

接着，使用图29对用于使用机器学习装置400得到分析结果输出的校正方法的处理进行说明。

首先，在步骤S501中，数据取得部401取得条件部、结论部、支持度、置信度、提升值。

接着，在步骤S502中，学习部403对已学习模型存储部405中存储的已学习模型输入条件部、结论部、支持度、置信度、提升值，得到分析结果输出的校正方法。学习部403将得到的分析结果输出的校正方法输出到输出部404。

进而，在步骤S503中，输出部404输出通过已学习模型得到的分析结果输出的校正方法。

最后，在步骤S504中，改善部位分析装置100的改善部位分析部使用输出的分析结果输出的校正方法对分析结果进行校正，输出校正后的分析结果。由此，能够输出符合生产系统的实际情况的改善部位。

另外，在本实施方式中，说明了对学习部403使用的学习算法应用有训练学习的情况，但是不限于此。关于学习算法，除了有监督学习以外，还能够应用强化学习、无监督学习或半监督学习等。

此外，学习部403也可以按照从多个改善部位分析装置100收集到的数据集对输出的校正方法进行学习。

另外，学习部403也可以从在同一区域中使用的多个改善部位分析装置100取得数据集。或者，学习部403也可以利用从在不同区域中独立进行动作的多个改善部位分析装置100收集到的数据集对分析结果输出的校正方法进行学习。进而，学习部403还能够在中途追加收集数据集的改善部位分析装置100。或者，相反地，学习部403还能够在中途从收集数据集的改善部位分析装置100去除任意的改善部位分析装置100。

进而，也可以将关于某个改善部位分析装置100对分析结果输出的校正方法进行学习的机器学习装置400应用于与其不同的改善部位分析装置100，关于该不同的改善部位分析装置100对分析结果输出的校正方法进行再次学习并进行更新。

此外，作为在学习部403中使用的学习算法，还能够使用对特征量本身的提取进行学习的深度学习(Deep Learning)，也可以按照其他公知的方法(例如遗传编程、功能逻辑编程、支持向量机等)来执行机器学习。

***实施方式的效果的说明***

如上所述，在本实施方式中，活用机器学习而取得分析结果输出的校正方法。因此，根据本实施方式，即使分析对象为大规模或复杂的生产系统，也能够输出符合生产系统的实际情况的改善部位。

以上说明了实施方式1～7，但是，也可以组合实施这些实施方式中的2个以上的实施方式。

或者，也可以实施这些实施方式中的1个实施方式的一部分。

或者，也可以组合实施这些实施方式中的2个以上的实施方式的一部分。

此外，也可以根据需要对这些实施方式中记载的结构和顺序进行变更。

***硬件结构的补充说明***

最后，进行改善部位分析装置100的硬件结构的补充说明。

图2所示的处理器901是进行处理的IC(Integrated Circuit：集成电路)。

处理器901是CPU(Central Processing Unit：中央处理单元)、DSP(DigitalSignal Processor：数字信号处理器)等。

图2所示的存储装置902是RAM(Random Access Memory：随机存取存储器)、ROM(Read Only Memory：只读存储器)、闪存、HDD(Hard Disk Drive：硬盘驱动器)等。

图2所示的通信接口903是执行数据的通信处理的电子电路。

通信接口903例如是通信芯片或NIC(Network Interface Card：网络接口卡)。

此外，在辅助存储装置902中还存储有OS(Operating System：操作系统)。

而且，OS的至少一部分由处理器901执行。

处理器901一边执行OS的至少一部分，一边执行程序904。

处理器901执行OS，由此进行任务管理、存储管理、文件管理、通信控制等。

此外，表示评价部102、改善部位分析部103和信息收集部104的处理结果的信息、数据、信号值和变量值中的至少任意一方存储于存储装置902、处理器901内的寄存器和高速缓冲存储器中的至少任意一方。

此外，程序904也可以存储于磁盘、软盘、光盘、高密度盘、蓝光(注册商标)盘、DVD等移动记录介质。而且，也可以使存储有程序904的移动记录介质流通。

此外，也可以将评价部102、改善部位分析部103和信息收集部104的“部”改写成“电路”或“工序”或“顺序”或“处理”。

此外，改善部位分析装置100也可以通过处理电路实现。处理电路例如是逻辑IC(Integrated Circuit：集成电路)、GA(Gate Array：门阵列)、ASIC(Application SpecificIntegrated Circuit：专用集成电路)、FPGA(Field-Programmable Gate Array：现场可编程门阵列)。

该情况下，评价部102、改善部位分析部103和信息收集部104分别作为处理电路的一部分来实现。

另外，在本说明书中，将处理器和处理电路的上位概念称作“处理线路”。

即，处理器和处理电路分别是“处理线路”的具体例。

标号说明

100：改善部位分析装置；101：信息存储部；102：评价部；103：改善部位分析部；104：信息收集部；105：改善实绩存储部；200：分析对象；300：网络；400：机器学习装置；401：数据取得部；402：训练数据取得部；403：学习部；404：输出部；405：已学习模型存储部；901：处理器；902：存储装置；903：通信接口；904：程序；905：总线。

Claims (18)

1.一种信息处理装置，该信息处理装置具有：

指定部，其指定3个以上的要素中的应该改善性能的要素作为指定要素；

提取部，其从所述指定要素以外的要素中提取与所述指定要素处于有意义的关系的2个以上的要素作为关联要素；以及

估计部，其分析由所述提取部提取出的2个以上的关联要素各自的性能对所述指定要素的性能造成的影响，从所述2个以上的关联要素中估计为了改善所述指定要素的性能而应该改善性能的关联要素即改善对象关联要素。

2.根据权利要求1所述的信息处理装置，其中，

所述估计部在估计出多个改善对象关联要素的情况下，分析各个改善对象关联要素的性能对其他改善对象关联要素的性能造成的影响，在所述多个改善对象关联要素之间设定优先顺位。

3.根据权利要求1所述的信息处理装置，其中，

所述指定部将由所述估计部估计出的所述改善对象关联要素指定为新的指定要素，

所述提取部提取与所述新的指定要素处于有意义的关系的、所述新的指定要素以外的2个以上的要素作为新的关联要素，

所述估计部分析由所述提取部提取出的2个以上的新的关联要素各自的性能对所述新的指定要素的性能造成的影响，从所述2个以上的新的关联要素中估计为了改善所述新的指定要素的性能而应该改善性能的新的关联要素作为新的改善对象关联要素。

4.根据权利要求3所述的信息处理装置，其中，

每当由所述估计部估计新的改善对象关联要素时，所述指定部反复将估计出的新的改善对象关联要素指定为新的指定要素，

每当由所述指定部指定新的指定要素时，所述提取部反复提取被指定的新的指定要素以外的2个以上的要素作为新的关联要素，

每当由所述提取部提取2个以上的新的关联要素时，所述估计部反复估计新的改善对象关联要素。

5.根据权利要求1所述的信息处理装置，其中，

所述估计部进行在结论部中使用了所述指定要素的性能被改善且在条件部中使用了所述2个以上的关联要素各自的性能被改善的关联分析，估计所述改善对象关联要素。

6.根据权利要求5所述的信息处理装置，其中，

当在所述关联分析中包含的多个计算项目中的任意计算项目中计算维持条件不成立的情况下，所述估计部不进行所述多个计算项目中的未计算的计算项目的计算。

7.根据权利要求1所述的信息处理装置，其中，

所述信息处理装置还具有评价部，该评价部按照每个要素评价性能是否与性能的基准一致，

所述指定部指定由所述评价部评价为性能与性能的基准不一致的要素作为所述指定要素。

8.根据权利要求7所述的信息处理装置，其中，

所述评价部评价各要素的性能是否与按照每个要素定义的性能的基准一致。

9.根据权利要求7所述的信息处理装置，其中，

所述3个以上的要素构成多个层级，

所述评价部按照每个层级以不同的时间宽度评价各要素的性能是否与性能的基准一致。

10.根据权利要求7所述的信息处理装置，其中，

所述评价部每当进行评价时，输出评价结果。

11.根据权利要求7所述的信息处理装置，其中，

在针对由所述估计部估计出的改善对象关联要素定义了追加的性能的基准，并且用于将所述追加的性能的基准应用于所述改善对象关联要素的条件成立的情况下，所述评价部评价所述改善对象关联要素的性能是否与所述追加的性能的基准一致。

12.根据权利要求7所述的信息处理装置，其中，

所述评价部使用通过统计处理而得到的所述性能的基准进行评价。

13.根据权利要求1所述的信息处理装置，其中，

在所述3个以上的要素中的任意2个以上的要素之间的关系不明确的情况下，所述估计部估计关系不明确的要素之间的关系。

14.根据权利要求5所述的信息处理装置，其中，

所述估计部进行使用了与所述关联分析中包含的多个计算项目有关的多个计算值的计算，输出使用了所述多个计算值的计算的计算值。

15.根据权利要求5所述的信息处理装置，其中，

所述估计部根据针对所述2个以上的关联要素中的至少任意一方的改善实绩，对通过使用了与所述关联分析中包含的多个计算项目有关的多个计算值的计算而得到的计算值进行校正，输出校正后的计算值。

16.根据权利要求5所述的信息处理装置，其中，

所述估计部通过机器学习取得通过使用了与所述关联分析中包含的多个计算项目有关的多个计算值的计算而得到的计算值的校正方法，通过取得的校正方法对通过使用了所述多个计算值的计算而得到的计算值进行校正，输出校正后的计算值。

17.一种信息处理方法，其中，

计算机指定3个以上的要素中的应该改善性能的要素作为指定要素，

所述计算机从所述指定要素以外的要素中提取与所述指定要素处于有意义的关系的2个以上的要素作为关联要素，

所述计算机分析提取出的2个以上的关联要素各自的性能对所述指定要素的性能造成的影响，从所述2个以上的关联要素中估计为了改善所述指定要素的性能而应该改善性能的关联要素即改善对象关联要素。

18.一种信息处理程序，该信息处理程序使计算机执行以下处理：

指定处理，指定3个以上的要素中的应该改善性能的要素作为指定要素；

提取处理，从所述指定要素以外的要素中提取与所述指定要素处于有意义的关系的2个以上的要素作为关联要素；以及

估计处理，分析通过所述提取处理提取出的2个以上的关联要素各自的性能对所述指定要素的性能造成的影响，从所述2个以上的关联要素中估计为了改善所述指定要素的性能而应该改善性能的关联要素即改善对象关联要素。

Images