JP2022115643A - 分析方法、分析プログラムおよび情報処理装置 - Google Patents

Abstract

【課題】オペレータの迅速な意思決定を支援することを課題とする。【解決手段】情報処理装置は、プラントの操業に関する複数の変数を有する因果モデルに、前提条件を与えたときの推論結果を取得する。そして、情報処理装置は、推論結果に基づき複数の変数から前提条件に依存する関連変数を特定する。その後、情報処理装置は、関連変数について、推論結果で得られた関連変数の状態に関する情報、および、プラントで発生するプラントデータのうち関連変数に該当するプラントデータの統計量を表示する。【選択図】図１１

Description

本発明は、分析方法、分析プログラムおよび情報処理装置に関する。

石油、石油化学、化学、ガスなどを用いた各種プラントでは、プロセスデータを用いた運転制御が実行されている。プロセスデータは、種々の物理現象が複雑に絡み合っており、さらには４Ｍ（Machine（設備）、Method（工程や手順）、Man（オペレータ）、Material（原材料））などの環境がバラついている状況下における複雑な多次元データである。このような複雑な多次元データを解析して、異常の要因となる要素などを特定し、プラントの構成要素の因果関係やプロセス間の因果関係など生成してオペレータ等に提示することが行われている。

特開２０１３－４１４４８号公報 特開２０１３－２１８７２５号公報 特開２０１８－１２８８５５号公報 特開２０２０－９０８０号公報

しかしながら、因果関係の表示だけでは、オペレータがすぐに操業できる対応をとることが難しい。例えば、因果関係の表示では、ベテランのオペレータは操業対応をすぐに特定できるものの、経験が浅いオペレータにとっては、情報が絞り込まれている面もあり、却って混乱することにもなりかねない。

一つの側面では、オペレータの迅速な意思決定を支援することができる分析方法、分析プログラムおよび情報処理装置を提供することを目的とする。

一側面にかかる分析方法は、コンピュータが、プラントの操業に関する複数の変数を有する因果モデルに、前提条件を与えたときの推論結果を取得し、前記推論結果に基づき前記複数の変数から前記前提条件に依存する関連変数を特定し、前記関連変数について、前記推論結果で得られた前記関連変数の状態に関する情報、および、前記プラントで発生するプラントデータのうち前記関連変数に該当するプラントデータの統計量を表示する、処理を実行することを特徴とする。

一側面にかかる分析プログラムは、コンピュータに、プラントの操業に関する複数の変数を有する因果モデルに、前提条件を与えたときの推論結果を取得し、前記推論結果に基づき前記複数の変数から前記前提条件に依存する関連変数を特定し、前記関連変数について、前記推論結果で得られた前記関連変数の状態に関する情報、および、前記プラントで発生するプラントデータのうち前記関連変数に該当するプラントデータの統計量を表示する、処理を実行させることを特徴とする。

一側面にかかる情報処理装置は、プラントの操業に関する複数の変数を有する因果モデルに、前提条件を与えたときの推論結果を取得する取得部と、前記推論結果に基づき前記複数の変数から前記前提条件に依存する関連変数を特定する特定部と、前記関連変数について、前記推論結果で得られた前記関連変数の状態に関する情報、および、前記プラントで発生するプラントデータのうち前記関連変数に該当するプラントデータの統計量を表示する表示部と、を有することを特徴とする。

一実施形態によれば、オペレータの迅速な意思決定を支援することができる。

実施形態１にかかるシステム構成を説明する図である。 実施形態１にかかる情報処理装置の機能構成を示す機能ブロック図である。 収集されるプロセスデータの一例である。 前処理済みデータを説明する図である。 確率的潜在意味解析によるクラスタリング結果の一例を説明する図である。 因果関係候補の決定例を説明する図である。 因果モデル学習用の学習データセットの生成例１を説明する図である。 因果モデル学習用の学習データセットの生成例２を説明する図である。 学習済みのベイジアンネットワークの一例を説明する図である。 ベイジアンネットワークによる推論結果を可視化の一例を説明する図である。 ベイジアンネットワークの推論により求めたQMM相当情報の提示例を説明する図である。 実施形態１の処理の流れを説明するフローチャートである。 実施形態２にかかる情報処理装置１０の機能構成を示す機能ブロック図である。 実施形態２にかかる処理を説明する図である。 因果関係の応用例を説明する図である。 ハードウェア構成例を説明する図である。

以下に、本願の開示する分析方法、分析プログラムおよび情報処理装置の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。なお、この実施例によりこの発明が限定されるものではない。また、同一の要素には同一の符号を付し、重複する説明は適宜省略し、各実施形態は、矛盾のない範囲内で適宜組み合わせることができる。

［全体構成］
図１は、実施形態１にかかるシステム構成を説明する図である。図１に示すように、このシステムは、プラント１、ヒストリアンデータベース１２、情報処理装置１０を有する。なお、プラント１とヒストリアンデータベース１２とは、有線や無線を問わず、専用線などを用いて通信可能に接続される。同様に、ヒストリアンデータベース１２と情報処理装置１０は、有線や無線を問わず、インターネットや専用線などのネットワークＮを介して、通信可能に接続される。

プラント１は、複数の設備や機器、制御システム１１を有し、石油、石油化学、化学、ガスなどを用いた各種プラントの一例である。制御システム１１は、プラント１内に設置されたそれぞれの設備の動作を制御するシステムである。プラント１内は分散制御システム（Distributed Control Systems：DCS）として構築されており、制御システム１１は、制御を行う対象の設備に設置された図示しないフィールド機器などの制御機器や、制御を行う対象の設備に対応する図示しない操作機器などから、測定値（Process Variable：PV）、設定値（Setting Variable：SV)、操作量（Manipulated Variable：MV）などのプロセスデータを取得する。

ここで、フィールド機器とは、設置されている設備の動作状態（例えば、圧力、温度、流量など)を測定する測定機能や、入力された制御信号に応じて設置されている設備の動作を制御する機能（例えば、アクチュエータなど）を備えた操作器などの現場機器である。フィールド機器は、設置されている設備の動作状態をプロセスデータとして制御システム１１に逐次出力する。なお、プロセスデータには、出力する測定値の種類（例えば、圧力、温度、流量など）の情報も含まれている。また、プロセスデータには、自フィールド機器を識別するために付与されているタグ名などの情報が紐付けられている。なお、プロセスデータとして出力する測定値は、フィールド機器が測定した測定値のみではなく、測定値から計算された計算値を含んでいてもよい。測定値からの計算値の計算は、フィールド機器において行ってよいし、フィールド機器に接続された図示しない外部機器によって行ってもよい。

ヒストリアンデータベース１２は、制御システム１１が取得したプロセスデータを時系列に保存することによって、長期間のデータの履歴を保存する装置であり、例えば、ROM（Read Only Memory）、RAM（Random Access Memory）、フラッシュメモリなどの種々のメモリやHDD（Hard Disk Drive）などの記憶装置を含んで構成される。保存されたプロセスデータのログは、例えばプラント１内に構築された専用の通信ネットワークＮを介して、情報処理装置１０に出力される。なお、情報処理装置１０に接続される制御システム１１とヒストリアンデータベース１２の数は図１に示した数に限定されるものではなく、それぞれ複数装置による構成であってもよい。また、ヒストリアンデータベース１２は、制御システム１１に内蔵されて、分散制御システムなどの制御システムを構築する構成要素であってもよい。

情報処理装置１０は、ヒストリアンデータベース１２に記憶される各プロセスデータおよびプラント１を構成する構成要素の親子関係を用いて因果モデルを生成する。そして、情報処理装置１０は、ベイジアンネットワークなどの因果モデルに、プラント１の状態を前提条件として入力して、オペレータが操業可能な情報を生成して出力するコンピュータ装置の一例である。

（オペレータ表示の参考技術）
プラントにおける品質などのPQCDS（Productivity（生産性）、Quality（品質）、Cost（原価）、Delivery（納期）、Safety（安全性））に繋がる要因を精度良く分析するためには、何らかの規則性や共通項に基づき類似する運転状態ごとにデータを分解することによりデータの質を高めた上で、分解した運転状態ごとに各種機械学習モデルによって要因分析する手順がとられている。

一般的に、状態の分解技術として、次元圧縮やクラスタリングが知られている。例えば、プラントにおける設備の異常検知や診断に際し、次元圧縮手法にて特徴抽出を行った後、クラスタリングによって運転モードに応じていくつかのカテゴリにセンサデータを分けている技術が知られている。また、各カテゴリを対象にそれぞれモデル化を行うことで、異常検知感度向上や診断精度向上を図る技術が知られている。これらの技術は、多次元データを低次元モデルで表現することにより、複雑な状態を分解して簡単なモデルで表現できるので、現象を理解または解釈しやすいという利点がある。ここで使用している次元圧縮方法として、主成分分析、独立成分分析、非負行列因子分解、潜在構造射影、正準相関分析が挙げられ、クラスタリング手法としては、時間軌跡分割や混合分布に対するEMアルゴリズムやk－meansなどが挙げられる。

また、機械学習モデルによる要因解析は、目的（結果）と説明変数（要因）間の関係性を相関係数や寄与度を用いてリスト化するものが一般的であるが、説明変数間の確率分布を無向グラフや有向グラフにてグラフ表現できるグラフィカルモデルが知られている。例えば、有向グラフは、「要因」から「結果」のように方向性を持ち、人間が理解しやすい表現形式であるので、ユーザは、直接的および間接的に影響を与える要因が直感的に把握でき、これまで気づいていなかった要因に新たに気付くこともある。

この有向グラフを利用して変数間の因果関係を表現したグラフィカルモデルとして、ベイジアンネットワークが知られている。ベイジアンネットワークは、変数間の定量的な関係を条件付き確率で保持しているので、着目しているノードに証拠状態（エビデンス）を与えることで、その時の他のノードの状態の確率分布やそこに至るまでの確率値を推論できる。例えば、ベイジアンネットワークは、プラントの設備アラームやオペレータの操作、プロセスの稼働状態の変化における因果関係についての解析や、機器、部位、劣化事象における因果関係についての解析などに利用されている。

（参考技術の改善点）
上述した状態の分解技術に関して、一般的に次元圧縮は、有用な情報をなるべく残したまま新たな成分（軸）に写像することで低次元空間に要約、すなわち特徴量として抽出する方法であるが、新たな成分自体に必ずしも物理的な意味があるとは限らず、その解釈が困難な場合も多い。例えば、異常検知において、物理的意味が希薄な特徴空間内での異常要因の説明は困難であり、要因の説明を重要視されるケースでは理由不十分のため誤検出として扱われることもある。

一方、一般的なクラスタリングは、データをスパース化せずに、元のデータの構造を維持しつつ、データ間の類似度に基づいてグルーピングする方法である。例えば、ハードクラスタリング手法のひとつであるk－means法のように、類似度を何らかの「距離尺度」に基づいて判断している場合、プロセスデータのようにデータが大規模および多次元になると適切にグルーピングすることが困難な場合がある。このような困難性は、いわゆる「次元の呪い」などと表現されることもある。

また、プロセスデータのように種々の物理現象が複雑に絡み合っている場合、ハードクラスタリングのように、必ずしも「０％」または「１００％」で分類することが適切でない場合も多い。そこで、プロセスデータを扱う場合に問題となり得る「次元の呪い」を回避し、所属度合いを確率値で表現できる手法として、距離尺度を用いずに「確率的な出現頻度（潜在意味条件下での共起確率）」に基づいて類似度を判断するソフトクラスタリング手法がある。一般的なソフトクラスタリング手法として、確率的潜在意味解析（PLSA）がある。

また、要因解析に関して、説明変数間の因果関係を有向グラフで表現できるベイジアンネットワークは、離散変数を扱うアルゴリズムである。そのため、プロセスデータへの適用に際しては、センサから所定の周期にて得られる離散的な数値データをそのまま扱うと膨大なノード数および状態数となってしまう。このため、計算爆発が生じるほか、煩雑なネットワークとなる。この結果、通常は「Unstable（不安定）」や「Increase（増加）」などのようにその数値データが表す意味によってカテゴリデータ化（抽象表現化）した後にベイジアンネットワークの学習が実施されるので、全体の定性的な傾向を大まかに把握しやすくなる一方で、反応プロセスに根差した具体的数値に基づく解析は困難である。

また、要因解析結果の提示方法として、機器、部位、劣化事象について、ベイジアンネットワークの学習にて得られた確率の高い経路を強調表示することや、確率の高い順にリスト化するなどの方法によって、ユーザが要因の因果関係を理解し易いよう工夫される。しかしながら、例えば化学プロセスにおける品質安定化等の目的においては、要因の因果関係の把握はもちろん、操業時にオペレータが通常リファレンスとしている製造レシピに相当する品質管理表（QMM：Quality Management Matrix）のように、オペレータが従来基準と比較検討しやすく、すぐに操業に反映できるようなオペレータ目線での結果や何をすべきかの情報まで提示することが重要である。

そこで、実施形態１にかかる情報処理装置１０は、確率的潜在意味解析およびベイジアンネットワークを活用し、プラントにおける製品の生産４要素などの環境変化を含む複雑な操業データから、品質といった生産管理指標に影響を与える要因を機械学習によって抽出する。そして、情報処理装置１０は、機械学習結果をオペレータにとって考察および理解し易い形式に変換して提示することにより、操業時におけるオペレータの迅速な意思決定を支援する。

（用語の説明）
なお、実施形態１で用いる生産４要素とは、Machine（設備）、Method（工程や手順）、Man（オペレータ）、Material（原材料）などのことである。確率的潜在意味解析とは、ソフトクラスタリング手法の一つで、確率的な出現頻度で類似性を判断し、クラスタの所属度合いを確率で表現できる。また、確率的潜在意味解析は、行と列を同時にクラスタリング可能である。この確率的潜在意味解析は、PLSA（Probabilistic Latent Semantic Analysis）とも呼ばれる。

また、ベイジアンネットワークとは、複数の確率変数間の定性的な依存関係を有向グラフによって可視化し、個々の変数の間の定量的な関係を条件付確率で表した確率モデルや因果モデルの一例である。生産管理指標とは、Productivity（生産性）、Quality（品質）、Cost（原価）、Delivery（納期）、Safety（安全性）を含む概念である。品質管理表とは、製造レシピに相当し、製品の品質等を担保するために、どの管理ポイントをどの基準範囲内（具体的な数値範囲）で制御しなければならないかなどの情報が記載されており、操業時においてオペレータが参考にしている重要情報の一つである。

［機能構成］
次に、図１に示したシステムを有する各装置の機能構成を示す機能ブロック図である。なお、制御システム１１およびヒストリアンデータベース１２は、プラント１の制御管理で通常利用される制御システムやヒストリアンデータベースと同様の構成を有するので、詳細な説明は省略する。ここでは、プラント１の制御管理で通常利用される監視装置や管理装置とは異なる機能を有する情報処理装置１０について説明する。

図２は、実施形態１にかかる情報処理装置１０の機能構成を示す機能ブロック図である。図２に示すように、情報処理装置１０は、通信部１００、記憶部１０１、制御部１１０を有する。なお、情報処理装置１０が有する機能部は、図示したものに限らず、ディスプレイなどにより実現される表示部などの他の機能部を有してもよい。

通信部１００は、他の装置との間の通信を制御する処理部であり、例えば通信インタフェースなどにより実現される。例えば、通信部１００は、ヒストリアンデータベース１２との間の通信を制御し、ヒストリアンデータベース１２からプロセスデータを受信したり、後述する制御部１１０により実行された結果を管理者が利用する端末に送信したりする。

記憶部１０１は、各種データや制御部１１０が実行する各種プログラムなどを記憶する処理部であり、例えばメモリやハードディスクなどにより実現される。この記憶部１０１は、制御部１１０が各種処理を実行する際の過程で得られるデータや各種処理を実行したことで得られる処理結果など、情報処理装置１００が実行する処理で発生する各種データを記憶する。

制御部１１０は、情報処理装置１００全体を司る処理部であり、例えばプロセッサなどにより実現される。この制御部１１０は、プロセスデータ収集部１１１、クラスタリング部１１２、因果関係候補決定部１１３、因果モデル構築部１１４、分析部１１５、表示部１１６を有する。

プロセスデータ収集部１１１は、時系列でプロセスデータを収集する処理部である。具体的には、プロセスデータ収集部１１１は、情報処理装置１０が解析処理を開始するとき、または予め定めた時間間隔で定期的に、ヒストリアンデータベース１２にプロセスデータログの出力を要求し、この要求に応じて出力されたプロセスデータを取得する。また、プロセスデータ収集部１１１は、収集したプロセスデータを記憶部１０１に格納したり、クラスタリング部１１２に出力したりする。

図３は、収集されるプロセスデータの一例である。図３に示すように、プロセスデータは、「時間、TagA1、TagA2、TagA3、TagB1、・・・」を含んで構成される。ここでは、「時間」は、プロセスログデータを収集した時間である。「TagA1、TagA2、TagA3、TagB1」などは、プロセスデータを示す情報であり、例えばプラント１から得られる測定値、設定値、操作量などである。図３の例では、時間「t1」に、プロセスデータ「TagA1、TagA2、TagA3、TagB1」として「15、110、1.8、70」が収集されたことを示している。

クラスタリング部１１２は、確率的潜在意味解析によって時間の要素とタグの要素を所属確率にてクラスタリングした結果を因果モデル構築部１１４に出力する処理部である。具体的には、クラスタリング部１１２は、前処理として、所望の解析対象期間の切り出し、生データの欠損値処理や外れ値処理を実施する。また、クラスタリング部１１２は、必要に応じて微分値や積分値、移動平均値など、派生する変数の計算を実施してもよい。

また、確率的潜在意味解析では離散変数（カテゴリ変数）で処理されることから、クラスタリング部１１２は、数値データであるプロセスデータに対して、「1.2」などの数値データを「1.0－2.0」などのカテゴリ値に変換する離散化処理を実行する。離散化処理としては、等頻度分割、等数分割、カイマージなどを利用できる。また、着目している、例えば目的変数などに相当する変数がある場合には、当該変数に重み付けを行うことで、当該変数の特性に即したクラスタリングを実行することができる。

図４は、前処理済みデータを説明する図である。図４に示すように、クラスタリング部１１２は、図３に示したプロセスデータに離散化処理を実行して図４に示した前処理済みデータを生成する。例えば、クラスタリング部１１２は、プロセスデータ「時間＝t1、TagA1＝15、TagA2＝110、TagA3＝1.8・・・」を「時間＝t1、TagA1＝10－20、TagA2＝100－1150、TagA3＝1.5－2.5・・・」に変換する。

その後、クラスタリング部１１２は、前処理後のデータセットを用いて確率的潜在意味解析によりプロセスデータの時間の要素とタグの要素を同時にクラスタリングし、それぞれの所属確率（P）を求める。ここで、クラスタ数は、オペレータのドメイン知識に基づいて決定しても良いし、AIC（Akaike's Information Criterion：赤池情報量規準）のような統計モデルの良さを評価するための指標を用いてクラスタ数を決定してもよい。

なお、ここでは段階的に複数回クラスタリングを実施してもよい。例えば、クラスタリング部１１２は、得られた時間要素のクラスタリング結果（操業状態ごとに分解された結果に相当）に基づいてデータを時間方向に分解した後、分解したデータごとに再度、確率的潜在意味解析にてクラスタリングを実施することにより、同一の操業状態（クラスタ）における関連性の高いタグの抽出や、操業状態の段階的な細分化が可能である。

図５は、確率的潜在意味解析によるクラスタリング結果の一例を説明する図である。図５では、クラスタ数を３とした例を示している。図５に示すように、クラスタリング部１１２は、前処理済みデータに対して確率的潜在意味解析を実行することで、類似操業期間を抽出する行方向のクラスタリング結果を得ることができる（図５の（ａ）参照）、同様に、関連タグを抽出する縦方向のクラスタリング結果を得ることができる（図５の（ｂ）参照）。

例えば、図５の（ａ）に示すクラスタリング結果は、時間により特定される各プロセスデータが各クラスタ（Cluster1、Cluster2、Cluster3）に属する確率を示している。より詳細には、時間t1のプロセスデータは、Cluster1に属する確率が40％、Cluster2に属する確率が30％、Cluster3に属する確率が30％であることを示している。ここで、Cluster1などは、プラント１の状態を示し、例えば定常運転（正常状態）や異常運転（異常状態）などが該当する。

また、図５の（ｂ）に示すクラスタリング結果は、各プロセスデータのTagが各クラスタ（Cluster1、Cluster2、Cluster3）に属する確率を示している。より詳細には、TagA1が、Cluster1に属する確率が30％、Cluster2に属する確率が30％、Cluster3に属する確率が40％であることを示している。ここで、Cluster1などは、プラント１の状態を示し、例えば定常運転や異常運転などが該当する。また、図５の（ｂ）に示すクラスタリング結果を後述する処理に利用する場合には、各Tagが取得された時間の平均値や分散値など時系列の要素を付加することが好ましい。

因果関係候補決定部１１３は、P＆ID（Piping and Instrumentation Diagram）、制御ループ、監視画面の定義情報などのプラントの構成情報に基づいて、フィールド機器と他のフィールド機器などのタグの間の関連性を考慮して因果の親子関係候補として定義し、因果モデル構築部１１４に出力する処理部である。なお、P＆IDは、プラント内に配置された配管とフィールド機器が設置された位置などのプラント内の構成情報を図式化したものである。

図６は、因果関係候補の決定例を説明する図である。因果関係候補決定部１１３は、配管の上流や下流の位置関係などのようにフィールド機器と他のフィールド機器などのタグの間の関連性などを、オペレータのドメイン知識基づく関係性を考慮して因果の親子関係候補として定義し、因果モデル構築部１０４に対して出力する。

例えば、図６に示すように、設備Ａから「TagA1、TagA2」などが取得され、設備Ｂから「TagB1、TagB2」などが取得され、設備Ｃから「TagC1、TagC2」などが取得され、設備Ｄから「TagD1、TagD2」などが取得されるとする。この場合、因果関係候補決定部１１３は、予め定義される配管情報などから、設備Ａの下流に設備Ｂと設備Ｃとが位置し、設備Ｂと設備Ｃの下流に設備Ｄが位置することを特定すると、親候補として設備Ａ、子候補として設備Ｂおよび設備Ｃ、孫候補として設備Ｄを決定する。そして、因果関係候補決定部１１３は、図６の（ａ）に示すように、この親子孫関係を示す数値データを生成する。例えば、「－」は、親子関係の候補として定義しないこと、つまり学習時における因果探索範囲には含めないことを示す。また、「１」は上流に位置することを示し、「０」は下流に位置することを示す。なお、図６の例では、配管接続による因果関係候補を例示したが、あくまで例示であり、これに限定されるものではない。例えば、設備の階層、設置位置、設置場所など様々な情報に基づき因果関係候補を特定することができる。また、因果関係候補となる設備等は、必ずしも複数の要素（Tag）も有している必要はなく、１つの要素を有する設備などを因果関係の判定対象とすることができる。

因果モデル構築部１１４は、プロセスデータ収集部１１１で収集されたプロセスデータのログ、クラスタリング部１１２による分類結果、因果関係候補決定部１１３による親子関係候補の情報を用いて、ベイジアンネットワークによりプラント１内の種々の変数（Tag）や環境因子（例えば、外気温などの変化）、クラスタ、目的（例えば、品質など）との間の因果モデルを構築する処理部である。

例えば、因果モデル構築部１１４は、前処理済データと、クラスタへの所属確率によるクラスタリング結果とに基づいて、ベイジアンネットワークによる因果モデルの学習に使用するための学習用データセットを作成する。ここで、各クラスタへの所属確率によるクラスタリング結果をデータ出現頻度として反映して学習させてもよい。これは、ベイジアンネットワークがそれぞれの変数の関係を条件付き確率で表す統計的な確率モデルであるがゆえに、このような方法が可能である。なお、ここで演算時間優先のため、最も確率の高いクラスタに所属するものとして意図的にデータの所属を「0 or 1」に決める場合（ソフトクラスタリング結果のハードクラスタリング的活用）には、必ずしもこのような方法をとらなくてもよい。

図７は、因果モデル学習用の学習データセットの生成例１を説明する図である。図７に示すように、因果モデル構築部１１４は、時間に基づき前処理済みデータとクラスタリング結果とを連結させ、連携させたデータを所属確率により複製する。例えば、因果モデル構築部１１４は、時間t1のデータについて、Cluster1に属する確率が「40％」であることから、Cluster1に属することを示す「Cluster1＝1、Cluster2＝0、Cluster3＝0」の時間t1のデータを４つ生成する。同様に、因果モデル構築部１１４は、時間t1のデータについて、Cluster2に属する確率が「30％」であることから、Cluster2に属することを示す「Cluster1＝0、Cluster2＝1、Cluster3＝0」の時間t1のデータを３つ生成する。また、因果モデル構築部１１４は、時間t1のデータについて、Cluster3に属する確率が「30％」であることから、Cluster3に属することを示す「Cluster1＝0、Cluster2＝0、Cluster3＝1」の時間t1のデータを３つ生成する。

図８は、因果モデル学習用の学習データセットの生成例２を説明する図である。図８に示すように、因果モデル構築部１１４は、時間に基づき前処理済みデータとクラスタリング結果とを連結させ、連携させたデータを所属確率により、Clusterを離散化する。例えば、因果モデル構築部１１４は、時間t1のデータについて、Cluster1に属する確率が最も高いことから、Cluster1に属することを示す「Cluster1＝1、Cluster2＝0、Cluster3＝0」の時間t1のデータを生成する。同様に、因果モデル構築部１１４は、時間t2のデータについて、Cluster2に属する確率が最も高いことから、Cluster2に属することを示す「Cluster1＝0、Cluster2＝1、Cluster3＝0」の時間t2のデータを生成する。また、因果モデル構築部１１４は、時間t3のデータについて、Cluster3に属する確率が最も高いことから、Cluster3に属することを示す「Cluster1＝0、Cluster2＝0、Cluster3＝1」の時間t3のデータを生成する。

図７および図８で説明したように、因果モデル構築部１１４は、各データを確率に応じて学習用データを拡張することができる。ここで、因果モデル構築部１１４は、各データに対して、目的となるプラント１の「品質」を特定する情報を付加する。一例として、この「品質」に対して、定常状態のときは「１」、異常状態のときは「０」を設定する。この「品質」に関する情報は、プロセスデータとともに取得することもでき、管理者等が設定することもできる。

続いて、因果モデル構築部１１４は、上述した学習用のデータセット、および、因果関係候補決定部１１３により生成された因果の親子関係候補の情報をもとに、因果モデルの一例であるベイジアンネットワークの構造学習を実行する。ここでは、因果の親子関係候補のうち、確率的な依存関係が大きなノード間が有向グラフにて表現され、各ノードは条件付き確率表（Conditional Probability Table：CPT）を定量的な情報として保持している。なお、因果モデル構築部１１４は、オペレータにとって有益な情報として、各ノードのうち制御可能なタグに相当するノードを強調表示してもよい。

図９は、学習済みのベイジアンネットワークの一例を説明する図である。因果モデル構築部１１４は、図７または図８に示した学習用のデータセット、および、図６の（ａ）に示した因果関係を学習データとして、ベイジアンネットワークの構造学習（訓練）を実行することで、図９に示したベイジアンネットワークを生成する。生成されるベイジアンネットワークは、目的に対応するノード「品質」、確率的潜在意味解析結果に対応する各ノード「Cluster1、Cluster2、Cluster3」、説明変数である離散化された各センサ値（Tag）に対応する各ノードを含む。なお、各Tagに対応するノードは、微分値や積分値などのセンサ値に基づいて計算された変数を含む。

ここで、各説明変数に対応する各ノードである各Tagには、条件付き確率表が含まれる。例えば、図９に示す「TagC2」を例にすると、「TagC2」には、「40－50」の状態が発生する確率が「20％」、「50－60」の状態が発生する確率が「70％」、「60－70」の状態が発生する確率が「10％」であることを示す確率表が含まれている。なお、ベイジアンネットワークの構造学習に関するアルゴリズムは、公知の手法を採用することができる。また、図９では、オペレータによる値の設定変更が可能である制御可能なタグに相当するノードを太枠で表示している。

図２に戻り、分析部１１５は、因果モデル構築部１１４により構築された因果モデル（ベイジアンネットワーク）に基づいて、種々の前提条件に該当する知りたいシナリオに対する推論に基づく事後確率などの分析結果により、確率（影響）の大きい要素とその状態値、影響（確率）の大きい経路等を抽出する処理部である。また、分析部１１５は、分析結果に基づいてQMM相当の形式に変換する処理部である。

具体的には、分析部１１５は、因果モデル構築部１１４により得られた学習済ベイジアンネットワークにおいて、知りたいシナリオとして所望の各ノードに証拠状態（エビデンス）を与えて推論することにより、各ノードの事後確率分布を求めることができる。ここで、分析部１１５は、事後確率値の高い要素を抽出することにより、本シナリオにおいて影響の大きいノード（QMMの管理ポイントに相当)、および、その状態値（QMMの管理基準に相当）とその確率値を求めることができる。また、分析部１１５は、目的変数を基点として事後確率値が大きい親ノードをたどっていくことで、当該シナリオにおいて影響の大きい伝搬経路を求めることができる。また、分析部１１５は、有向グラフを強調表示することによって視覚的に確率最大経路を捉えることができる。さらに、分析部１１５は、オペレータがより理解しやすい形式として、ベイジアンネットワーク上の確率最大経路に対応する経路や状態値をP＆ID上に模写することもできる。

図１０は、ベイジアンネットワークによる推論結果を可視化の一例を説明する図である。ここでは、オペレータにより、前提条件として「TagA3が低いときに品質が不安定」が指定されたとする。図１０に示すように、分析部１１５は、前提条件にしたがって、ノード「TagA3」が有する条件付き確率表のうち状態が最も低い「0.5－1.5」の確率値に「1」を設定し、その他に「0」を設定する。さらに、分析部１１５は、ノード「品質」が有する条件付き確率表のうち「状態」が「不安定」に該当する確率値に「1」を設定し、「安定」に該当する確率値に「0」を設定する。このようにエビデンスを設定した後、分析部１１５は、ベイジアンネットワークを実行して推論結果を取得する。

この結果、分析部１１５は、前提条件を満たす個々の変数（ノード）の確率値を更新することで、各ノードの条件依存性を特定する。例えば、ノード「Cluster1」の事後確率分布は、「状態１（所属）、確率値（0.7）」、「状態２（非所属）、確率値（0.3）」に更新され、ノード「Cluster2」の事後確率分布は、「状態１（所属）、確率値（0.8）」、「状態２（非所属）、確率値（0.2）」に更新される。また、例えばノード「TagD3」の事後確率分布は、「状態（130－140）、確率値（0.2）」、「状態（140－150）、確率値（0.5）」、「状態（150－160）、確率値（0.3）」に更新される。

そして、分析部１１５は、目的変数であるノード「品質」から上流方向（ベイジアンネットワークの上位階層方向）に向かって、関連度が高い変数（関連変数）の一例である確率値が最も高いノードを選択することで、前提条件「TagA3が低いときに品質が不安定」に関連するノードを特定することができる。例えば、分析部１１５は、ノード品質、ノード「Cluster2」、ノード「TagD3」、ノード「TagB3」、ノード「TagA1」を特定する。

その後、分析部１１５は、所望の前提条件下における推論結果により、オペレータが従来基準と比較検討しやすく、すぐに操業に反映できるようなオペレータ目線での形式としてQMM相当の情報を生成する。図１１は、ベイジアンネットワークの推論により求めたQMM相当情報の提示例を説明する図である。図１１に示すように、分析部１１５は、図１０で特定された前提条件の影響度が高い各ノードに対して、図１１の（ａ）に示すQMM相当の情報と図１１の（ｂ）に示す比較情報とを生成して表示する。

図１１の（ａ）に示すQMM相当の情報は、「管理ポイント、管理基準、確率値、守られ度」を含む情報である。ここで、「管理ポイント」は、図１０で特定された前提条件と関連性が高い各ノードを示す。「管理基準」は、上記推論の結果、最も確率値が高くなった状態を示し、「確率値」は、その確率値である。「守られ度」は、程度情報の一例であり、管理基準の値が収集済みの全プロセスデータのうちに含まれる割合である。

図１１の（ｂ）に示す比較情報は、「既存QMMの管理基準、データ全体の平均値、データ全体の最頻値、データ全体の最大値、データ全体の最小値、データ全体の標準偏差」を含む情報である。ここで、「既存QMMの管理基準」は、予め設定された基準値である。「データ全体の平均値、データ全体の最頻値、データ全体の最大値、データ全体の最小値、データ全体の標準偏差」は、収集済みの全プロセスデータにおける該当データの統計量である。

上記例で説明すると、分析部１１５は、前提条件の影響度が高いと判定されたTagA1について、「管理基準、確率値、守られ度」として「20－23℃、74％、88％」などを特定または算出して表示し、「既存QMMの管理基準、データ全体の平均値、データ全体の最頻値、データ全体の最大値、データ全体の最小値、データ全体の標準偏差」として「〇－〇℃、〇℃、〇℃、〇℃、〇℃、〇℃」などを特定または算出して表示する。なお、ここでは簡略した表記を行ったが、〇には数値が入る。

このように、分析部１１５は、「守られ度」を定義し、対象期間において実際にどのくらいの確率（頻度）で管理基準が守られているかを定量的に表現することができる。なお、分析部１１５は、抽出したノード（管理ポイント）、および、その状態値（管理基準）について、解析対象データ全体の傾向との比較情報として、それぞれについてデータ全体の平均値、最頻値、最大値、最小値、標準偏差等の基本統計量を併せて出力する。また、分析部１１５は、実際にプラント１で参照されている既存のQMMがある場合は、従来との比較情報としてその内容を併せて提示する。

図２に戻り、表示部１１６は、各種情報を表示出力する処理部である。具体的には、表示部１１６は、学習済ベイジアンネットワークを表示する。また、表示部１１６は、上述したシナリオ（種々の前提条件や仮説）における推論結果に基づく、影響の大きいノード、および、その状態値と確率値、確率最大経路、QMM相当の情報を、プラントにおけるプロセス運転の管理者やオペレータなどのユーザに視覚的に提示する。これにより、ユーザが、本結果が信用に足るものか、すなわちプロセス変動のメカニズムや既知の知見から、結果や説明に納得がいくか、妥当性があるかの是非を判断する。

［処理の流れ］
図１２は、実施形態１の処理の流れを説明するフローチャートである。図１２に示すように、管理者やオペレータなどを含むユーザにより分析処理の開始が指示されると、プロセスデータ収集部１１１は、ヒストリアンデータベース１２からプロセスデータを取得する（Ｓ１０１）。

続いて、クラスタリング部１１２は、収集されたプロセスデータに対して、離散化、欠損値や外れ値などの前処理を実行し（Ｓ１０２）、前処理後のデータに対して、確率的潜在意味解析によりプロセスデータの時間の要素とタグの要素を同時に、クラスタリングを実行する（Ｓ１０３）。例えば、プロセスデータには、含まれていないTagが存在する場合がある。このような場合に、クラスタリング部１１２は、平均値や予め指定した値などを設定した上で、クラスタリングを実行する。

そして、因果関係候補決定部１１３は、プロセスデータに含まれる「Tag」を出力する設備などの親子関係に基づき、因果関係候補を決定する（Ｓ１０４）。

続いて、因果モデル構築部１１４は、Ｓ１０２で得られた前処理済データと、Ｓ１０３で得られた各クラスタへの所属確率によるクラスタリング結果に基づいて、ベイジアンネットワークによる因果モデルの学習用データセットを生成する（Ｓ１０５）。その後、因果モデル構築部１１４は、Ｓ１０５にて得られた学習用のデータセット、および、Ｓ１０４で得られた因果の親子関係候補の情報をもとに、ベイジアンネットワークの構造学習を行う（Ｓ１０６）。

そして、分析部１１５は、Ｓ１０６により得られた学習済ベイジアンネットワークにおいて、知りたいシナリオとして所望の各ノードに証拠状態を与えて推論を実行する（Ｓ１０７）。また、分析部１１５は、所望の前提条件下における推論結果を用いて、図１１に示したQMM相当の情報を生成する（Ｓ１０８）。この結果、表示部１１６は、推論結果やQMM相当の情報などの表示出力を実行することができる。

ここでは、ユーザが本結果（説明）に納得がいくか否かの判断を行う（Ｓ１０９）。ここで、情報処理装置１０は、ユーザが納得したとの入力を受け付けた場合（Ｓ１０９：Ｙｅｓ）、一連の解析を終了する。一方、情報処理装置１０は、ユーザが納得していないとの入力を受け付けた場合（Ｓ１０９：Ｎｏ）、Ｓ１０３に戻り、適宜、解析対象やクラスタリング条件の変更、Ｓ１０４の親子関係候補の仮説を変更して解析を再実行する。

［効果］
上述したように、情報処理装置１０は、確率的潜在意味解析およびベイジアンネットワークを活用し、プラント１における製品の生産４要素などの環境変化を含む複雑な操業データから、品質といった生産管理指標に影響を与える要因を機械学習によって抽出する。また、情報処理装置１０は、機械学習結果をオペレータにとって考察および理解し易い形式に変換して提示することにより、操業時におけるオペレータの迅速な意思決定を支援することができる。

また、情報処理装置１０は、種々の物理現象や環境変化の影響が複雑に絡み合った多次元のプロセスデータにおいて、いわゆる次元の呪いを回避して類似の操業状態や関連するタグに分類することで事象を単純化し、事象に対する複合的な要因を分析することで結果の解釈性を高めることができる。

また、情報処理装置１０は、所属確率によるソフトクラスタリング結果をモデル学習に適用することで、種々の物理現象が複合的に絡み合っているプロセスデータにおいても、要因解析の精度向上を図ることができる。また、情報処理装置１０は、クラスタリング結果や、タグの間の物理的な関連性、既知の環境変化、オペレータのドメイン知見や経験に基づく情報をモデルに埋め込むことで、反応プロセスに根差した解析が可能となり、信頼性や納得性の高いモデルの構築を実現できる。

また、情報処理装置１０は、種々の前提条件や仮説に該当する知りたいシナリオにおける推論結果から、影響の大きいノードや伝搬経路や制御可能タグを可視化することで、制御において効果の高い要素を効率的に絞り込むことができる。また、情報処理装置１０が、オペレータ視点のQMM相当の形式にて提示することで、オペレータが、従来条件との比較が可能となり、迅速な現状把握と新たな課題発掘に繋がるとともに、新たな操業条件として本結果を活用することができる。

ところで、プロセスデータにおけるトレンド解析や相関分析においては、網羅的に解析しているケースが多く、結果の解釈まで含めると非常に多くの時間を要することが考えられる。また、Deep Learning等の一般的な機械学習モデルにおいては、説明変数（特徴量）が多いと、解釈性が悪くなること、学習時間の増大、過適合による汎用性低下の要因となることも考えられる。

そこで、実施形態２では、実施形態１の結果を用いて、その後の各種分析や機械学習モデルの精度向上を図る情報処理装置１０を説明する。図１３は、実施形態２にかかる情報処理装置１０の機能構成を示す機能ブロック図である。ここでは、実施形態１とは異なる機能であるトレンド解析部１１７と予測部１１８について説明する。

トレンド解析部１１７は、分析部１１５により得られた分析結果を用いて、トレンド解析や相関解析を実行する処理部である。予測部１１８は、分析部１１５により得られた分析結果を用いて機械学習モデルを生成し、生成された機械学習モデルを用いて、プラント１の状態や各Tagの値などを予測する処理部である。

図１４は、実施形態２にかかる処理を説明する図である。図１４に示すように、分析部１１５は、実施形態１で説明した処理を実行することで、各種説明変数にエビデンスを与えた際の目的変数に対する感度分析を行う。すなわち、分析部１１５は、目的変数の事後確率値、事前確率と事後確率の差分等を計算することにより、目的変数に対する影響力の大きな変数（Tag：タグ）を抽出することができる。ここでは、重要タグとして、「TagD1、Cluster2、TagA1」が抽出した例を示している。

そして、トレンド解析部１１７は、分析結果を参照し、分析の元データであるプロセスデータを用いて重要タグから重点的にトレンド解析や相関分析を実施する。上記例で説明すると、トレンド解析部１１７は、重要タグ「TagD1、Cluster2、TagA1」それぞれに該当するプロセスデータを用いて、各重要度タグの時系列の変位、各重要タグの相関度などを算出する。

この結果、目的に対する重要なタグをあらかじめ抽出することができるので、それらから重点的に解析を進め、必要に応じて部分的に深堀していくことができ、解析効率の向上が期待できる。

予測部１１８では、分析結果による重要タグをDeep Learning等の一般的な機械学習モデルの特徴量として用いてモデル学習を実行する。上記例で説明すると、予測部１１８では、重要タグ「TagD1、Cluster2、TagA1」それぞれのプロセスデータと、そのときの品質とを取得する。すなわち、予測部１１８は、「TagD1のプロセスデータ、品質」などを生成する。そして、予測部１１８は、このデータ「TagD1のプロセスデータ、品質」のうち、「TagD1のプロセスデータ」を説明変数、「品質」を目的変数とする機械学習を実行して、品質予測モデルを生成する。その後、予測部１１８は、最新のプロセスデータを取得すると、その最新のプロセスデータを品質予測モデルに入力して、プラント１の品質の予測結果を取得し、オペレータ等に表示出力する。

このように、予測部１１８では、目的変数に影響を与えない特徴量、もしくは影響が小さい特徴量はなるべく事前に省いておくことができる。この結果、目的変数に影響力の大きな重要な特徴量（タグやクラスタなど）をあらかじめ抽出することができ、それらを特徴量として予測モデルを構築することで、解析効率の向上が期待できる。

さて、これまで本発明の実施形態について説明したが、本発明は上述した実施形態以外にも、種々の異なる形態にて実施されてよいものである。

［因果関係］
例えば、図６に示した因果関係は一例であり、他の要素を追加することもでき、階層も増減させることができる。図１５は、因果関係の応用例を説明する図である。図１５に示すように、例えば孫候補として、設備Ｅの温度に関する情報である「TagM」を、因果関係（親子関係）に追加することもできる。別例としては、図６に示すすべての設備の親候補として外気温などを追加することもできる。このように、新たな要素を追加することで、ベイジアンネットワークの学習対象となる次元数を増やすことができるので、ベイジアンネットワークの精度向上を図ることができる。なお、温度に限定されず、例えば、外気温、人の操作介入や設備メンテナンスの有無などのように影響を与え得る環境の変化や、夜間に品質が悪いことが多いなどのようなオペレータ等の経験に基づく因果関係候補を加えてもよい。

［数値等］
上記実施形態で用いたプロセスデータの種類、Tag数、クラスタ数、閾値、データ数などは、あくまで一例であり、任意に変更することができる。また、目的の一例として「品質」を例にして説明したが、これに限定されるものではない。例えば、プラント１内の障害種別やプラント１の装置Ｘの状態など、より詳細な目的を設定することもでき、オペレータのミスなど人為的な要因を設定することもできる。

また、ベイジアンネットワークは、因果モデルの一例であり、様々なグラフィカル系の因果モデルや確率を採用することができる。なお、ベイジアンネットワークなどの因果モデルにおける各ノード（各Tag）は、プラント１の操業に関する複数の変数に対応する。また、推論結果に基づき確率値が最も高いとして特定された各変数は、前提条件に依存する関連変数に対応する。また、ベイジアンネットワークの学習および推論は、一定期間で定期的に実行することができ、バッチ処理などにより一日の操業後に実行することもできる。また、Deep Learningも機械学習の一例であり、ニューラルネットワーク、深層学習、サポートベクタマシンなど様々なアルゴリズムを採用することができる。

［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。また、図６に示した各設備は、構成機器の一例である。また、図１１の表示形式は、あくまで一例であり、プルダウン形式など任意に変更することができ、比較情報の選択も任意に変更することができる。また、情報処理装置１０は、プラントデータをプラント１から直接取得することもできる。

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・統合して構成することができる。

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。

［ハードウェア］
次に、情報処理装置１０のハードウェア構成例を説明する。図１６は、ハードウェア構成例を説明する図である。図１６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１６に示した各部は、バス等で相互に接続される。

通信装置１０ａは、ネットワークインタフェースカードなどであり、他のサーバとの通信を行う。ＨＤＤ１０ｂは、図２に示した機能を動作させるプログラムやＤＢを記憶する。

プロセッサ１０ｄは、図２に示した各処理部と同様の処理を実行するプログラムをＨＤＤ１０ｂ等から読み出してメモリ１０ｃに展開することで、図２等で説明した各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が有する各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、プロセスデータ収集部１１１、クラスタリング部１１２、因果関係候補決定部１１３、因果モデル構築部１１４、分析部１１５、表示部１１６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、プロセスデータ収集部１１１、クラスタリング部１１２、因果関係候補決定部１１３、因果モデル構築部１１４、分析部１１５、表示部１１６等と同様の処理を実行するプロセスを実行する。

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例と同様の機能を実現することもできる。なお、この他の実施例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。

このプログラムは、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、このプログラムは、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）などのコンピュータで読み取り可能な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。

１０ 情報処理装置
１００ 通信部
１０１ 記憶部
１１０ 制御部
１１１ プロセスデータ収集部
１１２ クラスタリング部
１１３ 因果関係候補決定部
１１４ 因果モデル構築部
１１５ 分析部
１１６ 表示部

Claims (7)

1. コンピュータが、
   プラントの操業に関する複数の変数を有する因果モデルに、前提条件を与えたときの推論結果を取得し、
   前記推論結果に基づき前記複数の変数から前記前提条件に依存する関連変数を特定し、
   前記関連変数について、前記推論結果で得られた前記関連変数の状態に関する情報、および、前記プラントで発生するプラントデータのうち前記関連変数に該当するプラントデータの統計量を表示する、
   処理を実行することを特徴とする分析方法。
2. 前記表示する処理は、前記関連変数の状態に関する情報として、前記推論結果で得られた条件および確率値と、前記条件が前記プラントの操業で守られている程度を定量的に示した程度情報とを表示する、ことを特徴とする請求項１に記載の分析方法。
3. 前記プラントから出力される前記複数の変数を含む複数のプロセスデータを収集し、
   前記複数のプロセスデータを前記プラントの運転状態で分類するクラスタリングを実行し、
   前記プロセスデータと前記クラスタリングの結果とを用いた学習データを用いて、前記因果モデルの構造学習を実行する、
   処理を前記コンピュータが実行することを特徴とする請求項１または２に記載の分析方法。
4. 前記実行する処理は、
   前記プラントを構成する構成機器の関連性に基づき前記構成機器の親子関係を特定し、
   前記プロセスデータと前記クラスタリングの結果と前記親子関係とを前記学習データに用いて、前記因果モデルの構造学習を実行する、
   ことを特徴とする請求項３に記載の分析方法。
5. 前記実行する処理は、前記学習データと前記プラントの状態を示す目的変数とを用いて、ベイジアンネットワークの構造学習を実行し、
   前記取得する処理は、目的となる前記変数および前記プラントの状態を指定した前記前提条件を学習済みのベイジアンネットワークに入力した推論により、前記推論結果を取得し、
   前記特定する処理は、前記ベイジアンネットワーク内の各ノードが属する各クラスタにおいて、前記推論により得られる確率値が最も高いノードを前記関連変数として特定し、
   前記表示する処理は、前記関連変数について、前記推論結果で得られた条件と確率値と前記程度情報、および、前記統計量を比較可能に表示する、
   ことを特徴とする請求項４に記載の分析方法。
6. コンピュータに、
   プラントの操業に関する複数の変数を有する因果モデルに、前提条件を与えたときの推論結果を取得し、
   前記推論結果に基づき前記複数の変数から前記前提条件に依存する関連変数を特定し、
   前記関連変数について、前記推論結果で得られた前記関連変数の状態に関する情報、および、前記プラントで発生するプラントデータのうち前記関連変数に該当するプラントデータの統計量を表示する、
   処理を実行させることを特徴とする分析プログラム。
7. プラントの操業に関する複数の変数を有する因果モデルに、前提条件を与えたときの推論結果を取得する取得部と、
   前記推論結果に基づき前記複数の変数から前記前提条件に依存する関連変数を特定する特定部と、
   前記関連変数について、前記推論結果で得られた前記関連変数の状態に関する情報、および、前記プラントで発生するプラントデータのうち前記関連変数に該当するプラントデータの統計量を表示する表示部と、
   を有することを特徴とする情報処理装置。

Images