JP2023131558A - 情報処理装置、情報処理方法およびプログラム - Google Patents
情報処理装置、情報処理方法およびプログラム Download PDFInfo
- Publication number
- JP2023131558A JP2023131558A JP2022036391A JP2022036391A JP2023131558A JP 2023131558 A JP2023131558 A JP 2023131558A JP 2022036391 A JP2022036391 A JP 2022036391A JP 2022036391 A JP2022036391 A JP 2022036391A JP 2023131558 A JP2023131558 A JP 2023131558A
- Authority
- JP
- Japan
- Prior art keywords
- influence
- variables
- degree
- information processing
- processing device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 74
- 238000003672 processing method Methods 0.000 title claims description 5
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 238000010586 diagram Methods 0.000 claims description 44
- 238000000034 method Methods 0.000 claims description 36
- 230000008859 change Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 14
- 230000003247 decreasing effect Effects 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 31
- 238000003860 storage Methods 0.000 description 23
- 238000004891 communication Methods 0.000 description 21
- 239000003550 marker Substances 0.000 description 9
- 238000004519 manufacturing process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012417 linear regression Methods 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 4
- 239000004065 semiconductor Substances 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000000556 factor analysis Methods 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000012351 Integrated analysis Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32015—Optimize, process management, optimize production line
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/45—Nc applications
- G05B2219/45031—Manufacturing semiconductor wafers
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Human Computer Interaction (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
【課題】出力に対する複数の変数の影響を漏れなく特定する。【解決手段】情報処理装置は、算出部と、出力制御部と、を備える。算出部は、K個(Kは2以上の整数)の期間に得られる、複数の変数を含む複数の入力データをそれぞれ用いて推定されるモデルであって、複数の変数を含む入力データを入力して出力データを出力するK個の第1モデルに基づいて、複数の変数の出力データに対する第1影響度と、複数の変数が出力データに対して影響する変数として選択される頻度と、を算出する。出力制御部は、第1影響度と頻度とを関連づけて出力する。【選択図】図1
Description
本発明の実施形態は、情報処理装置、情報処理方法およびプログラムに関する。
例えば半導体工場および化学プラントでは、様々な種類の製品が量産されており、各製造プロセスに設置されたセンサなどから大量のデータを取得できるようになっている。また、蓄積されたデータを分析することで、品質特性のばらつきを抑えるための対策を講じることが可能になっている。例えば分析結果に基づいて生産性および歩留を向上させるための様々な取り組みが日々行われている。対策の1つとして、統計および機械学習を用いた回帰分析がよく用いられている。回帰モデルの説明変数としてセンサ値、設定値および装置情報などのデータを用いて、目的変数として品質特性を用いることで、品質特性のばらつき原因を分析することが可能になる。
回帰モデルを用いた要因分析では、線形モデル、決定木、および、加法モデルなど解釈性の高いモデルが利用されている。各説明変数に対して、回帰係数および重要度などの、モデルの出力データ(目的変数)への影響度を表す指標が算出され、その指標を利用することで、品質特性のばらつきを説明できる要因(説明変数)を特定することが可能になる。
本発明が解決しようとする課題は、出力に対する複数の変数の影響をより容易に特定することができる情報処理装置、情報処理方法およびプログラムを提供することである。
実施形態の情報処理装置は、算出部と、出力制御部と、を備える。算出部は、K個(Kは2以上の整数)の期間に得られる、複数の変数を含む複数の入力データをそれぞれ用いて推定されるモデルであって、複数の変数を含む入力データを入力して出力データを出力するK個の第1モデルに基づいて、複数の変数の出力データに対する第1影響度と、複数の変数が出力データに対して影響する変数として選択される頻度と、を算出する。出力制御部は、第1影響度と頻度とを関連づけて出力する。
以下に添付図面を参照して、この発明にかかる情報処理装置の好適な実施形態を詳細に説明する。
上記のように、各説明変数のモデルの出力データへの影響度を表す指標を利用することで、品質特性のばらつきを説明できる要因(説明変数)を特定することが可能になる。しかし、説明変数の数が多い場合、すべての変数を1個ずつ分析することが現実的には不可能なため、確認対象とすべき説明変数を絞り込む必要がある。1つの方法は、罰則項付き回帰モデルを利用することである。これにより、少数の重要な説明変数からなる回帰モデルを推定(構築)することが可能になる。他の方法として、目的変数との相関が高い説明変数、または、モデルの精度が改善される説明変数を逐次的にモデルに含めることで、指定された数の説明変数からなるモデルを推定する方法もある。また、これとは逆に指定された数になるまで、逐次的に説明変数を除外していく方法も可能である。
半導体工場および化学プラントなどにおけるデータは説明変数が多く、傾向も時々刻々と変化する場合が多い。常に最新の傾向を把握するために、最新のデータを用いた定期的なモデル更新が求められる。このとき、最新のデータのみを用いると、データの個数が比較的に少ないため、ノイズの影響もより強く現れ、要因の特定が難しくなる場合がある。従って、より精度のよい要因分析を行うには、最新の傾向のみならず、中長期的な傾向も併せて把握する必要がある。すなわち、過去に推定したモデルも含めて統合的に分析する必要がある。
統合的な評価では、各説明変数の影響度の平均値を用いたランキングがよく使われている。ランキング上位の説明変数が重要な要因であると判断される。影響度の平均値は、例えば以下の2つの方法により算出される。
(M1)全期間での影響度の平均値を算出する方法。
(M2)説明変数がモデルの出力に対して影響する変数として選択された期間のみ、当該説明変数の影響度を平均値の算出に用いる方法。例えば、罰則項付き回帰モデルが用いられる場合は、各期間で一部の説明変数のみがモデルによって選択される。各説明変数に対して、モデルに選択された期間のみ、当該説明変数の影響度が平均値の算出に用いられる。
(M1)全期間での影響度の平均値を算出する方法。
(M2)説明変数がモデルの出力に対して影響する変数として選択された期間のみ、当該説明変数の影響度を平均値の算出に用いる方法。例えば、罰則項付き回帰モデルが用いられる場合は、各期間で一部の説明変数のみがモデルによって選択される。各説明変数に対して、モデルに選択された期間のみ、当該説明変数の影響度が平均値の算出に用いられる。
上記の2つの方法は、それぞれ以下のような欠点がある。
(M1)について:突発的な故障などで一時的に強い影響を与えた説明変数が存在した場合、この説明変数は多くの期間で影響度がゼロとなるため、平均値が小さくなる。この結果、緊急度が高いにも関わらずランキング上位に現れにくい。
(M2)について:一時的に強い影響を与えた説明変数が過大評価され、常に影響しているが影響度の値が小さい説明変数は相対的に過小評価される。このような説明変数は、安定的に影響を与えているにも関わらずランキング上位に現れにくい。
(M1)について:突発的な故障などで一時的に強い影響を与えた説明変数が存在した場合、この説明変数は多くの期間で影響度がゼロとなるため、平均値が小さくなる。この結果、緊急度が高いにも関わらずランキング上位に現れにくい。
(M2)について:一時的に強い影響を与えた説明変数が過大評価され、常に影響しているが影響度の値が小さい説明変数は相対的に過小評価される。このような説明変数は、安定的に影響を与えているにも関わらずランキング上位に現れにくい。
このように、いずれの方法で算出した影響度の平均値を用いてランキングを行っても、要因の見逃しが発生する可能性が生じる。
また上記2つの方法以外に、例えば、影響度が閾値以上となった期間の頻度から統合的に評価する方法もある。しかし、この方法では、影響度と頻度との両方が大きい説明変数のみが要因として特定されるため、要因の見逃しが発生しうる。
そこで以下の各実施形態の情報処理装置は、各説明変数に対して、出力データに対して影響する変数として選択された期間における影響度と、選択された頻度(以下、選択頻度)と、を算出し、算出された影響度と選択頻度とを関連づけて表示する。例えば説明変数は、以下の4つのカテゴリに分類して表示することができる。ユーザは、各カテゴリの特徴を参考にしながら、適切な要因をもれなく抽出および特定することができる。すなわち、複数の変数の出力への影響をより容易に特定することができる。
(C1)影響度と選択頻度の両方が高い変数:安定的に高い影響を与えている変数。
(C2)影響度は高いが選択頻度は低い変数:一時的に影響を与えるため突発性が高い変数。
(C3)影響度は低いが選択頻度は高い変数:影響度は低いが定常的に影響している変数。
(C4)影響度と選択頻度の両方が低い変数:要因の候補から除外可能な変数。
(C1)影響度と選択頻度の両方が高い変数:安定的に高い影響を与えている変数。
(C2)影響度は高いが選択頻度は低い変数:一時的に影響を与えるため突発性が高い変数。
(C3)影響度は低いが選択頻度は高い変数:影響度は低いが定常的に影響している変数。
(C4)影響度と選択頻度の両方が低い変数:要因の候補から除外可能な変数。
(第1の実施形態)
図1は、本実施形態の情報処理装置を含む情報処理システムの構成の一例を示すブロック図である。図1に示すように、情報処理システムは、情報処理装置100と、管理システム200とが、ネットワーク300を介して接続された構成となっている。
図1は、本実施形態の情報処理装置を含む情報処理システムの構成の一例を示すブロック図である。図1に示すように、情報処理システムは、情報処理装置100と、管理システム200とが、ネットワーク300を介して接続された構成となっている。
情報処理装置100および管理システム200それぞれは、例えばサーバ装置として構成することができる。情報処理装置100および管理システム200は、物理的に独立した複数の装置(システム)として実現されてもよいし、物理的に1つの装置内にそれぞれの機能が構成されてもよい。後者の場合、ネットワーク300は備えらえなくてもよい。情報処理装置100および管理システム200の少なくとも一方は、クラウド環境上で構築されてもよい。
ネットワーク300は、例えば、LAN(ローカルエリアネットワーク)およびインターネットなどのネットワークである。ネットワーク300は、有線ネットワークおよび無線ネットワークのいずれであってもよい。情報処理装置100と、管理システム200とは、ネットワーク300を介することなく、コンポーネント間の直接的な有線接続または無線接続を用いてデータを送受信してもよい。
管理システム200は、情報処理装置100が処理するモデル、および、モデルの学習(推定)および解析などに用いられるデータを管理するシステムである。管理システム200は、記憶部221と、通信制御部201と、を備えている。
記憶部221は、管理システム200で実行される各種処理で用いられる各種情報を記憶する。例えば記憶部221は、モデルの推定に用いる入力データなどを記憶する。記憶部221は、フラッシュメモリ、メモリカード、RAM(Random Access Memory)、HDD(Hard Disk Drive)、および、光ディスクなどの一般的に利用されているあらゆる記憶媒体により構成することができる。
モデルは、説明変数を入力して目的変数の推論結果を出力する。モデルは、例えば、線形回帰モデル、多項式回帰モデル、ロジスティック回帰モデル、ポアソン回帰モデル、一般化線形モデル、一般化加法モデル、決定木、および、ニューラルネットワークモデルなどである。モデルは、これらに限られるものではなく、パラメータを用いて表現されるモデルであればどのようなモデルであってもよい。
モデルは、目的変数および説明変数を含む入力データを用いて学習することにより推定される。目的変数は、例えば、品質特性、不良率、並びに、良品および不良品のいずれかを示す情報などである。説明変数は、その他のセンサ値、加工条件などの設定値、および、制御値などである。
通信制御部201は、情報処理装置100などの外部装置との間の通信を制御する。例えば通信制御部201は、入力データを情報処理装置100に送信する。
上記各部(通信制御部201)は、例えば、1または複数のプロセッサにより実現される。例えば上記各部は、CPU(Central Processing Unit)などのプロセッサにプログラムを実行させること、すなわちソフトウェアにより実現してもよい。上記各部は、専用のIC(Integrated Circuit)などのプロセッサ、すなわちハードウェアにより実現してもよい。上記各部は、ソフトウェアおよびハードウェアを併用して実現してもよい。複数のプロセッサを用いる場合、各プロセッサは、各部のうち1つを実現してもよいし、各部のうち2以上を実現してもよい。
情報処理装置100は、記憶部121と、入力デバイス122と、ディスプレイ123と、通信制御部101と、受付部102と、モデル推定部103と、算出部104と、出力制御部105と、を備えている。
記憶部121は、情報処理装置100で実行される各種処理で用いられる各種情報を記憶する。例えば記憶部121は、通信制御部101および受付部102を介して管理システム200から取得された情報(入力データなど)、モデル推定部103により推定されたモデルのパラメータ、および、算出部104により算出された情報などを記憶する。記憶部121は、フラッシュメモリ、メモリカード、RAM、HDD、および、光ディスクなどの一般的に利用されているあらゆる記憶媒体により構成することができる。
入力デバイス122は、ユーザなどにより情報を入力するためのデバイスである。入力デバイス122は、例えば、キーボードおよびマウスである。ディスプレイ123は、情報を出力する出力デバイスの一例であり、例えば液晶ディスプレイである。入力デバイス122およびディスプレイ123は、例えばタッチパネルのように一体化されてもよい。
通信制御部101は、管理システム200などの外部装置との間の通信を制御する。例えば通信制御部101は、管理システム200から入力データなどを受信する。
受付部102は、各種情報の入力を受け付ける。例えば受付部102は、通信制御部201および通信制御部101を介して管理システム200から受信された複数の入力データを受け付ける。複数の入力データは、例えば、相互に異なるK個(Kは2以上の整数)の期間(データ期間)に得られる複数のデータである。また、複数の入力データのそれぞれは、少なくともモデルへの入力となる複数の変数(説明変数)を含む。
K個の期間は、予め定められてもよいし、ユーザ等により指定された値が用いられてもよい。またモデル推定部103が推定するモデルの精度に基づいて期間が決定されてもよい。
受付部102は、例えば、指定(決定)された期間のデータの送信を管理システム200に要求し、要求に応じて管理システム200から送信された入力データを受け付ける。管理システム200から受信された複数の入力データから、指定された期間の入力データを受付部102またはモデル推定部103が抽出するように構成してもよい。
モデル推定部103は、複数の入力データを用いて複数のモデルを推定する。例えばモデル推定部103は、K個の期間ごとに、期間内に得られる複数の入力データを用いて、入力データを入力して出力データを出力するモデル(第1モデル)を推定する。これにより、K個の期間にそれぞれ対応するK個のモデルが推定される。
なお、過去に推定された複数のモデルが得られている場合、モデル推定部103は、モデルが推定されていない期間(例えば最新の期間)に対してのみ、新たにモデルを推定してもよい。例えばモデル推定部103は、過去に推定され、記憶部121などに記憶された複数のモデルを用いて、最新の期間のモデルを推定してもよい。
算出部104は、推定されたモデルを用いて、モデルの出力データ(目的変数)に対して影響する説明変数に関する指標を算出する。例えば算出部104は、頻度(選択頻度)と、影響度(第1影響度)と、を指標として算出する。選択頻度は、K個の期間のうち複数の説明変数が出力データに対して影響する変数として選択される頻度を表す。影響度は、複数の説明変数が出力データに対して影響する度合いを表す。
出力制御部105は、情報処理装置100により処理される各種情報の出力を制御する。例えば出力制御部105は、算出部104により算出された選択頻度と影響度とを関連づけてディスプレイ123に表示する。
出力制御部105は、情報処理装置100の外部の装置に情報を出力してもよい。例えば出力制御部105は、選択頻度と影響度とを関連づけて表示するための情報を、表示装置を備える外部の装置に送信してもよい。
上記各部(通信制御部101、受付部102、モデル推定部103、算出部104、出力制御部105)は、例えば、1または複数のプロセッサにより実現される。例えば上記各部は、CPUなどのプロセッサにプログラムを実行させること、すなわちソフトウェアにより実現してもよい。上記各部は、専用のICなどのプロセッサ、すなわちハードウェアにより実現してもよい。上記各部は、ソフトウェアおよびハードウェアを併用して実現してもよい。複数のプロセッサを用いる場合、各プロセッサは、各部のうち1つを実現してもよいし、各部のうち2以上を実現してもよい。
なお、本実施形態では、情報処理装置100内でモデルが推定されるが、情報処理装置100の外部の装置でモデルが推定されてもよい。この場合、情報処理装置100は、モデルの推定に用いられる機能(モデル推定部103など)を備えなくてもよい。
次に、このように構成された第1の実施形態にかかる情報処理装置100によるモデルの推定処理および可視化処理について説明する。図2は、第1の実施形態における推定処理および可視化処理の一例を示すフローチャートである。
受付部102は、管理システム200から複数の期間に対応する複数の入力データを受け付ける(ステップS101)。モデル推定部103は、複数の期間ごとに、この期間に取得された複数の入力データを用いてモデルを推定する(ステップS102)。ここでは、モデル推定部103は、期間ごとに回帰モデルを推定するものとする。
算出部104は、推定されたモデルを用いて、複数の説明変数それぞれの選択頻度と、複数の説明変数それぞれの影響度と、を算出する(ステップS103)。出力制御部105は、算出された選択頻度と影響度とを関連づけて例えばディスプレイ123に表示し(ステップS104)、推定処理および可視化処理を終了する。
次に、推定処理および可視化処理の詳細についてさらに説明する。以下では、工場(半導体工場)およびプラント(化学プラント)などにおける品質管理に適用するモデルの推定処理および推定したモデルに基づく可視化処理の例を主に説明する。
半導体工場および化学プラントでは、品質特性のばらつきおよび変動を抑え、不良を低減することで、歩留を向上させることが求められる。そして、品質特性のばらつきおよび変動の要因を解明するために、回帰モデルおよび分類モデルなどのモデルが用いられる。
製品は、数多くの製造工程を経て完成品となる。完成品の品質特性のばらつき要因を分析する際は、各製造工程における製造装置の種類、および、設置されたセンサにより検出されるセンサ値などの情報を説明変数としてモデルが推定される。
また、製造装置は経年劣化するため、取得したデータの傾向も徐々に変化する。さらに、定期的なメンテナンスおよび部品交換など、データ傾向に急激な影響を与えるような作業も行われる。そこで、データ傾向の変化に合わせてモデルが更新される。
上記のように、本実施形態の各期間のモデルでは、目的変数は例えば品質特性、不良率、および、良品/不良品などを示す情報である。説明変数は例えばその他のセンサ値、設定値および制御値などである。日時は、製造開始日時、製造完了日時、および、特定の装置での加工日時などである。
説明変数は、予め前処理が実行されてもよい。前処理は、例えば、標準化、基準化、特定の関数による変換、交互作用項の追加、タイムラグ、タイムリード、ダミー変数化、エンコーディング、外れ値処理、および、欠損値処理などである。
目的変数および説明変数などのデータを含む入力データは、管理システム200の記憶部221に記憶されている。受付部102は、通信制御部101を介して管理システム200から受信された入力データの入力を受け付ける。
以下では、入力データの個数がn個(nは1以上の整数)であり、各入力データは、p個の説明変数x、1個の目的変数y、1個の日時を表す数値tを含むものとする。i番目(1≦i≦n)の入力データ(xi,yi,ti)は、以下の(1)式で表される。
xiは説明変数を表すp次元ベクトル、yiは目的変数を表すスカラー、tiは日時を表すスカラーである。tiは、いずれかの日時を起点として数えた時間の長さ(日数、時間、分、秒など)を用いればよい。ここでは表記を簡単にするため、0=t1≦t2≦・・・≦tn=Tとする。起点とする日時はどのように定められてもよい。また時刻が順番に並んでいない場合は予めソートすればよい。
K個の期間、および、K個の期間で推定されたK個のモデルのインデクスを時系列順で、k=1,・・・,Kで表す。各モデルを推定した時点をtk(1≦k≦K)とする。モデル推定部103は、入力データDk={(xi,yi,ti)|tk―1<ti≦tk}を用いて期間kにおけるモデルを推定する。例えば、線形回帰モデルの場合、モデル推定部103は、各期間において以下の(2)式で表される最適化問題を解くことにより回帰モデルを推定する。β0は1次元ベクトル、^β(k)はp次元ベクトルを表す。記号「^」は、右の変数(この例ではβ(k))の上部に付されるハットを表す。βTの「T」は転置を表す。これにより、K個の回帰モデル^β(k)が推定される。
モデルの推定方法は(2)式のように最小二乗法を用いる方法に限られず、どのような方法であってもよい。例えば、Ridge、Lasso、SCAD(Smoothly Clipped Absolute Derivation)、MCP(Minimax Concave Penalty)、Lq(0≦q<1)ノルム、Elastic Net、L1/2ノルムなどのような罰則付き回帰を用いてもよい。これらの罰則付き回帰は、パラメータがスパース性を有するようにモデルを推定する方法であると解釈することができる。
また、損失関数は二乗誤差に限られず、どのような関数が用いられてもよい。例えば、絶対値損失、分位損失、フーバー損失、イプシロン感度損失、ロジスティック損失、指数損失、ヒンジ損失、および、平滑化ヒンジ損失などのうち、採用するモデルの推定方法に適用可能などのような損失関数が用いられてもよい。
また、モデル推定部103は、各入力データの信頼度および日時に応じて重みづけした損失関数を用いてもよい。
また、推定するモデルは線形回帰モデルに限られず、多項式回帰モデル、ロジスティック回帰モデル、ポアソン回帰モデル、一般化線形モデル、一般化加法モデル、決定木、および、ニューラルネットワークモデルなどであってもよい。
算出部104は、上記のように推定されたK個のモデルから、全期間(K個の期間)のモデルの回帰係数(p個)を含む係数行列^β(All)を取得することができる。係数行列^β(All)は、例えば、以下の(3)式で表される。^β(All)では、説明変数の絞り込みにより対応する回帰係数の情報がない要素にはゼロが設定される。
以下では、β~を標準化後の回帰係数とし、m=1,・・・,pを説明変数のインデックスとする。算出部104は、例えば以下の(4)式により標準化後の回帰係数β~を算出する。また算出部104は、m番目の説明変数の影響度emおよび選択頻度gmを、それぞれ以下の(5)式および(6)式により算出する。
(5)式の分母、および、(6)式の分子の値は、m番目の説明変数に対応するK個の回帰係数のうち、0でない回帰係数の個数に相当する。回帰係数が0でないことは、説明変数がモデルの出力に対して影響する変数として選択されたと解釈することができる。従って、(5)式の分母、および、(6)式の分子の値は、m番目の説明変数が、出力データに対して影響する変数として選択された回数に相当すると解釈することができる。
また、(5)式で算出される影響度emは、m番目の説明変数が回帰モデルの推定に用いられる変数として選択された期間それぞれについての影響度(第2影響度)の平均値に相当すると解釈することができる。なお、影響度emの算出方法は(5)式に限られない。例えば算出部104は、(5)式の分子の値の中央値または最大値を影響度emとして算出してもよい。また、より最新の影響度に着目して要因を特定する場合、算出部104は、以下の(7)式で表される値を影響度emとして算出してもよい。
また、算出部104は、標準化後の回帰係数β~の代わりに、標準化なしの回帰係数を用いてもよい。回帰係数は、回帰モデルに対する説明変数の寄与度を表す情報に相当する。説明変数の寄与度を表す情報として、適用するモデルに応じた回帰係数以外の情報が用いられてもよい。例えば、決定木で求められる重要度、または、ニューラルネットワークの重みなどが用いられてもよい。
また、選択頻度gmの算出方法は(6)式に限られない。例えば算出部104は、m番目の説明変数が選択された回数、すなわち、(6)式の分子に相当する値を、選択頻度として算出してもよい。
出力制御部105は、算出された影響度および選択頻度を関連づけて表示する。例えば出力制御部105は、縦軸(第1軸の一例)に影響度を配置し、横軸(第2軸の一例)に選択頻度を配置する2次元のマトリックス図により、影響度および選択頻度を関連づけて表示する。
図3は、表示されるマトリックス図の一例を示す図である。図3では、7個の説明変数(流量、電圧、タンク圧力、濃度、抵抗、装置温度、および、気温)にそれぞれ対応する黒い丸を、各説明変数の影響度および選択頻度に対応する位置に配置した例を示す。
また図3では、マトリックス図の表示対象領域を4つの領域(右上、左上、右下、左下)に分割して表示する例が示されている。右上、左上、右下および左下の4つの領域は、それぞれ上記の(C1)、(C2)、(C3)および(C4)に分類される説明変数が配置される領域に相当する。
上記の影響度の平均値の算出方法(M1)では、本実施形態のem×gmに相当する値が影響度の平均値として算出される。このような方法では、品質特性に突発的に大きな影響を与えている要因(図3の例では左上に分類される説明変数)の見逃しが生じやすい。
これに対して、本実施形態の情報処理装置100は、要因を特定するための指標を影響度emと選択頻度gmとに分けて算出するとともに、影響度および選択頻度の関連を示すマトリックス図を出力する。これにより、例えば品質特性に突発的に大きな影響を与えている要因についても、出力されたマトリックス図から漏れなく特定可能となる。突発的であるか否かに関わらず、品質特性(出力データ)に影響する要因は、影響度emに明示的に表されるためである。
一方、影響度の大きさに関わらず、選択頻度が高い要因は、選択頻度gmに明示的に表される。従って、例えば、上記の(C3)のように影響度は低いが選択頻度は高い説明変数(図3の例では右下に分類される説明変数)についても漏れなく特定することができる。
なお、影響度および選択頻度の出力方法は、図3のようなマトリックス図に限られない。例えば、横軸に影響度を配置し、縦軸に選択頻度を配置するマトリックス図が用いられてもよい。また、図3のようなマトリックス図の代わりに、グラフ、散布図、および、テーブルなどの、他の形式の出力情報が用いられてもよい。
また、(9)式で表される値が(5)式の分子に用いられる場合のように、影響度が負の値をとりうる場合は、プラス方向とマイナス方向の両方を示す軸を用いて影響度を配置してもよい。図4は、このような場合のマトリックス図の一例を示す図である。
このようにして複数のカテゴリに分類して表示される情報を用いることにより、ユーザは、品質特性(出力データ)に影響する要因を漏れなく抽出することができる。最新のデータを用いて定期的なモデルを更新するように構成される場合にも、更新されたモデルを用いて算出され表示される影響度および選択頻度により、要因を漏れなく抽出および特定することができる。
一例として、屋外に設置されている装置に対して、品質特性のばらつきの要因を特定する流れを説明する。
装置の操縦が安定している状態での要因を特定する場合は、例えば図3の右下の領域を優先的に確認すべきであると考えられる。図3の場合は気温が右下の領域に入っているため、気温と品質特性のばらつきとの関係が優先的に分析される。これと対照的に、装置の突発停止の要因を特定する場合は、図3の左上の領域を優先的に確認すべきであると考えられる。図3の場合は流量と電圧がこの領域に入っているため、例えば、流量制御部品および電源が優先的に分析される。
また本実施形態によれば、例えば突発停止した期間のみでなく、複数の期間(K個の期間)のモデルを用いて分析を行うことができる。このため、過去に突発停止した場合についても、前後の期間を含む複数の期間での影響を統合的に分析し、要因を特定することが可能となる。
(第2の実施形態)
品質特性のばらつきの要因には、対策の緊急度が相対的に高い要因、および、低い要因の両方が含まれうる。例えば、過去には影響度が低かったが、直近になって急激に影響度が高くなる説明変数があれば、緊急度が高いため、優先的に対策を行うことが求められる。
品質特性のばらつきの要因には、対策の緊急度が相対的に高い要因、および、低い要因の両方が含まれうる。例えば、過去には影響度が低かったが、直近になって急激に影響度が高くなる説明変数があれば、緊急度が高いため、優先的に対策を行うことが求められる。
そこで、第2の実施形態にかかる情報処理装置は、緊急度のような影響度の傾向を示すため、各説明変数に対して影響度の変化を示す情報をさらに算出して出力する。
図5は、第2の実施形態にかかる情報処理装置100-2を含む情報処理システムの構成の一例を示すブロック図である。管理システム200およびネットワーク300は第1の実施形態と同様であるため同一の符号を付し説明を省略する。
図5に示すように、情報処理装置100-2は、記憶部121と、入力デバイス122と、ディスプレイ123と、通信制御部101と、受付部102と、モデル推定部103と、算出部104-2と、出力制御部105-2とを備えている。
第2の実施形態では、算出部104-2および出力制御部105-2の機能が第1の実施形態と異なっている。その他の構成および機能は、第1の実施形態にかかる情報処理装置100のブロック図である図1と同様であるので、同一符号を付し、ここでの説明は省略する。
算出部104-2は、さらに、K個の期間のうち少なくとも2つの期間での影響度の変化を示す変化情報を算出する。2つの期間は、例えば最新の期間K、および、期間Kの直前の期間(K-1)である。例えば算出部104-2は、m番目の説明変数について、期間Kと直前期間(K-1)との間での影響度の差分dmを、以下の(10)式により算出する。
算出部104-2は、差分dmと閾値(例えばゼロ)との比較結果をさらに算出してもよい。差分、または、差分と閾値との比較結果が、変化情報に相当する。
出力制御部105-2は、算出された変化情報をさらに出力する。例えば出力制御部105-2は、差分dmと閾値との比較結果に応じて向きが異なる矢印をマーカーとして可視化する。例えば出力制御部105-2は、dm>0場合は上方向の矢印、dm≦0の場合は下向きの矢印を、当該説明変数のマーカーとして可視化する。矢印は、相互に異なる方向を示す変化情報の例である。
図6は、このようなマーカーを含むマトリックス図の一例を示す図である。図3では各説明変数に対応する黒い丸が表示されたが、図6の例では、黒い丸の代わりに矢印がマーカーとして表示される。
変化情報の算出方法は上記の(10)式に限られない。例えば、期間Kと期間(K-1)での影響度の変化の大きさを用いて傾向の変化を表す場合、算出部104-2は、影響度の差分dmを以下の(11)式により算出してもよい。signは、以下の(12)式により算出される。
出力制御部105-2は、この場合も上記と同様に、差分dmと閾値との比較結果に応じてマーカーの表現を区別する。
出力制御部105-2は、この場合も上記と同様に、差分dmと閾値との比較結果に応じてマーカーの表現を区別する。図7は、この場合に表示されるマトリックス図の一例を示す図である。
変化情報(マーカー)の出力方法は、上記の例に限られない。影響度が増加したことを示す変化情報と、影響度が減少したことを示す変化情報と、を異なる態様で出力する方法であればどのような方法であってもよい。
例えば、マーカーの形状を矢印以外の単純な図形に固定し、図形の色分けにより、影響度が増加したか減少したかの傾向を示す方法が用いられてもよい。なお図6の方法は、マーカーの色は固定し、マーカーの形状に相当する矢印の方向で傾向を示す方法である。
上記例では、差分dmと比較する閾値をゼロとしたが、ゼロ以外の実数が閾値として用いられてもよい。また出力制御部105-2は、差分dmの大きさに応じて、色および矢印の長さの少なくとも一方を決定してもよい。
また出力制御部105-2は、差分dmを算出せず、m番目の説明変数が2つの期間のいずれのモデルで選択されたかを変化情報として用いてもよい。例えば、出力制御部105-2は、m番目の説明変数が、L番目(Lは、1≦L<Kを満たす整数)の期間で選択されるが(L+1)番目の期間で選択されないことを示す変化情報、および、L番目の期間で選択されないが(L+1)番目の期間で選択されることを示す変化情報を出力してもよい。
このように、第2の実施形態にかかる情報処理装置では、影響度の変化を示す情報をさらに出力することができる。
(第3の実施形態)
第2の実施形態では、現在のモデルと直前期間のモデルのパラメータを比較し、影響度の変化の傾向をマーカーの形状または色で表現することを記述した。第3の実施形態では、影響度の長期に渡る傾向を変化情報として出力する例を説明する。
第2の実施形態では、現在のモデルと直前期間のモデルのパラメータを比較し、影響度の変化の傾向をマーカーの形状または色で表現することを記述した。第3の実施形態では、影響度の長期に渡る傾向を変化情報として出力する例を説明する。
図8は、第3の実施形態にかかる情報処理装置100-3の構成の一例を示すブロック図である。管理システム200およびネットワーク300は第1の実施形態と同様であるため同一の符号を付し説明を省略する。
図8に示すように、情報処理装置100-3は、記憶部121と、入力デバイス122と、ディスプレイ123と、通信制御部101と、受付部102-3と、モデル推定部103-3と、算出部104-3と、出力制御部105-3とを備えている。
第3の実施形態では、受付部102-3、モデル推定部103-3、算出部104-3および出力制御部105-3の機能が第1の実施形態と異なっている。その他の構成および機能は、第1の実施形態にかかる情報処理装置100のブロック図である図1と同様であるので、同一符号を付し、ここでの説明は省略する。
受付部102-3は、さらに、影響度の長期の傾向を算出するための期間の設定、および、モデル推定部103-3により用いられる関数の設定を受け付ける。
算出部104-3は、K個の期間のうち、例えば、ユーザにより設定され受付部102-3により受け付けられた少なくとも2つの期間での影響度の変化を示す変化情報を算出する。終了に相当する期間を最新の期間Kに固定し、開始に相当する最も過去の期間のみが設定されてもよいし、開始と終了とに相当する2つの期間が設定されてもよい。以下では、最も過去の期間のみを設定する場合を例に説明する。例えば、最も過去の期間kは、k<K-1となるように設定される。設定は、期間(モデル)のインデクスおよび日付のいずれが用いられてもよい。
モデル推定部103-3は、設定された各期間のモデルを用いて、1変数の回帰モデルを推定する。例えばモデル推定部103-3は、係数行列^β(All)を用いて、説明変数ごとに設定された期間におけるモデルの回帰係数^β(k)
mから、以下の(15)式により1変数の回帰モデルを推定する。なお、θは回帰関数fmを定めるパラメータを表す。
どのような回帰関数fmを用いるかは、ユーザ等により設定され、受付部102-3により受け付けられてもよい。回帰関数fmは、例えば、線形回帰、n(>1)次式近似、一般化線形回帰、指数関数、スプライン関数、および、ガウス過程回帰などである。
(15)式は、二乗誤差を損失関数として回帰関数を推定する式であるが、損失関数はこれに限られない。例えば、損失関数は、絶対値損失、分位損失、フーバー損失、イプシロン感度損失、ロジスティック損失、指数損失、ヒンジ損失、および、平滑化ヒンジ損失などが用いられてもよい。
算出部104-3は、このように推定された回帰関数を用いて変化情報を算出する。例えば線形回帰が回帰関数fmとして用いられる場合、算出部104-3は、回帰関数fmの傾きを、影響度の増減を示す指標として算出する。n次式近似などの2回微分可能な関数が回帰関数fmとして用いられる場合、算出部104-3は、回帰係数^β(k)
mにおける1次微分や2次微分を、影響度の増減を示す指標として算出する。
算出部104-3は、指標と閾値(例えばゼロ)との比較結果をさらに算出してもよい。指標、または、指標と閾値との比較結果が、変化情報に相当する。
出力制御部105-3は、算出された変化情報をさらに出力する。例えば出力制御部105-2は、指標(傾き、1次微分、2次微分など)と閾値との比較結果に応じて向きが異なる矢印をマーカーとして可視化する。例えば出力制御部105-3は、指標>0場合は上方向の矢印、指標≦0の場合は下向きの矢印を、当該説明変数のマーカーとして可視化する。
このように、第3の実施形態にかかる情報処理装置では、より長い期間での影響度の変化を示す情報を出力することができる。
(第4の実施形態)
第1の実施形態では、表示対象領域を4つの領域に分割してマトリックス図を表示する例を説明した。第4の実施形態にかかる情報処理装置は、領域の分割位置を調整可能とする。例えば領域の分割位置は、ユーザ等による設定、および、過去の対策の履歴の少なくとも一方に従い調整される。
第1の実施形態では、表示対象領域を4つの領域に分割してマトリックス図を表示する例を説明した。第4の実施形態にかかる情報処理装置は、領域の分割位置を調整可能とする。例えば領域の分割位置は、ユーザ等による設定、および、過去の対策の履歴の少なくとも一方に従い調整される。
定期的に要因分析が行われる場合、その都度、様々な説明変数が要因候補として現れ、その中から優先順位などを考慮して一部の要因に対して対策が実行される。品質管理では、実行された対策の履歴が、データベース等で記憶して管理される。そこで本実施形態では、例えばユーザは、過去の履歴を参照して、領域を分割する位置に相当する影響度および選択頻度の値を判断し、領域を分割するためのパラメータ(領域分割パラメータ)を設定する。また、本実施形態の情報処理装置は、過去の履歴を参照して領域分割パラメータを算出して設定する。
図9は、第4の実施形態にかかる情報処理装置100-4の構成の一例を示すブロック図である。管理システム200およびネットワーク300は第1の実施形態と同様であるため同一の符号を付し説明を省略する。
図9に示すように、情報処理装置100-4は、記憶部121-4と、入力デバイス122と、ディスプレイ123と、通信制御部101と、受付部102-4と、モデル推定部103と、算出部104-4と、出力制御部105-4とを備えている。
第4の実施形態では、記憶部121-4、受付部102-4、算出部104-4および出力制御部105-4の機能が第1の実施形態と異なっている。その他の構成および機能は、第1の実施形態にかかる情報処理装置100のブロック図である図1と同様であるので、同一符号を付し、ここでの説明は省略する。
記憶部121-4は、例えば管理システム200から取得される対策の履歴に関する情報をさらに記憶する。対策の履歴は、例えば、品質特性のばらつきを抑えるための対策を行う対象となった説明変数と、対策を行ったときに当該説明変数に対して算出された影響度および選択頻度の値と、を含む。対策の履歴は、さらに対策を行った期間または日付を示す情報を含んでもよい。
受付部102-4は、さらに、ユーザ等により指定された領域分割パラメータの設定を受け付ける。領域分割パラメータは、例えば、影響度の分割位置を示す基準値(第1基準値)、および、選択頻度の分割位置を示す基準値(第2基準値)である。設定方法はどのような方法であってもよいが、例えば、マトリックス図の縦軸および横軸の方向にそれぞれ設けられるスライドバーにより各基準値を設定する方法を用いることができる。
情報処理装置100-4は、ユーザによる設定の代わりに、または、ユーザによる設定とともに、対策の履歴を参照して領域分割パラメータを算出するように構成されてもよい。算出部104-4は、このような構成のための機能をさらに備える。すなわち算出部104-4は、対策の履歴を参照して領域分割パラメータを算出する機能をさらに備える。
例えば算出部104-4は、分析の対象とする説明変数についての履歴に含まれる影響度および選択頻度を記憶部121-4から読み出し、読み出した影響度の平均値および選択頻度の平均値を、領域分割パラメータ(第1基準値、第2基準値)として算出する。算出部104-4は、平均値の代わりに、中央値、最大値、最小値、および、分位点などを領域分割パラメータとして算出してもよい。算出部104-4は、影響度および選択頻度の一方のみの基準値を算出してもよい。
履歴に対策を実行した日付または期間を示す情報が含まれる場合、算出部104-4は、この情報を参照して、分析の対象とする期間内の対策の履歴を読み出してもよい。
出力制御部105-4は、ユーザにより設定、または、算出部104-4により算出された領域分割パラメータに従って領域を分割したマトリックス図を出力する。
図10は、本実施形態で表示されるマトリックス図の一例を示す図である。図10では、影響度の領域分割パラメータとして0.7が設定され、選択頻度の領域分割パラメータとして0.2が設定された例が示されている。
領域分割パラメータとして、最大値と最小値の2つの値が用いられてもよい。図11は、このような場合のマトリックス図の一例を示す図である。最大値と最小値の2つの値で領域を分割することにより、過去に対策を行った領域(最大値と最小値との間の領域)を示すことが可能となる。
このように、第4の実施形態では、過去の対策の履歴等に応じて、表示対象領域の分割位置を調整することができる。
以上説明したとおり、第1から第4の実施形態によれば、複数の変数の出力への影響をより容易に特定することができる。
次に、第1から第4の実施形態にかかる情報処理装置のハードウェア構成について図12を用いて説明する。図12は、第1から第4の実施形態にかかる情報処理装置のハードウェア構成例を示す説明図である。
第1から第4の実施形態にかかる情報処理装置は、CPU51などの制御装置と、ROM(Read Only Memory)52やRAM53などの記憶装置と、ネットワークに接続して通信を行う通信I/F54と、各部を接続するバス61を備えている。
第1から第4の実施形態にかかる情報処理装置で実行されるプログラムは、ROM52等に予め組み込まれて提供される。
第1から第4の実施形態にかかる情報処理装置で実行されるプログラムは、インストール可能な形式または実行可能な形式のファイルでCD-ROM(Compact Disk Read Only Memory)、フレキシブルディスク(FD)、CD-R(Compact Disk Recordable)、DVD(Digital Versatile Disk)等のコンピュータで読み取り可能な記録媒体に記録し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構成してもよい。
さらに、第1から第4の実施形態にかかる情報処理装置で実行されるプログラムを、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構成してもよい。また、第1から第4の実施形態にかかる情報処理装置で実行される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構成してもよい。
第1から第4の実施形態にかかる情報処理装置で実行されるプログラムは、コンピュータを上述した情報処理装置の各部として機能させうる。このコンピュータは、CPU51がコンピュータ読取可能な記憶媒体からプログラムを主記憶装置上に読み出して実行することができる。
本発明のいくつかの実施形態を説明したが、これらの実施形態は、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。これら新規な実施形態は、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。これら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。
100、100-2、100-3、100-4 情報処理装置
101 通信制御部
102、102-3、102-4 受付部
103、103-3 モデル推定部
104、104-2、104-3、104-4 算出部
105、105-2、105-3、105-4 出力制御部
121 記憶部
122 入力デバイス
123 ディスプレイ
200 管理システム
201 通信制御部
221 記憶部
300 ネットワーク
101 通信制御部
102、102-3、102-4 受付部
103、103-3 モデル推定部
104、104-2、104-3、104-4 算出部
105、105-2、105-3、105-4 出力制御部
121 記憶部
122 入力デバイス
123 ディスプレイ
200 管理システム
201 通信制御部
221 記憶部
300 ネットワーク
Claims (12)
- K個(Kは2以上の整数)の期間に得られる、複数の変数を含む複数の入力データをそれぞれ用いて推定されるモデルであって、複数の前記変数を含む入力データを入力して出力データを出力するK個の第1モデルに基づいて、複数の前記変数の前記出力データに対する第1影響度と、複数の前記変数が前記出力データに対して影響する変数として選択される頻度と、を算出する算出部と、
前記第1影響度と前記頻度とを関連づけて出力する出力制御部と、
を備える情報処理装置。 - 前記算出部は、K個の前記期間のうち、複数の前記変数が前記出力データに対して影響する変数として選択された1以上の期間それぞれでの、複数の前記変数の前記出力データに対する第2影響度の平均値、中央値、および、最大値のいずれかである前記第1影響度を算出する、
請求項1に記載の情報処理装置。 - 前記出力制御部は、第1軸に前記第1影響度を配置し、第2軸に前記頻度を配置するマトリックス図を出力する、
請求項1に記載の情報処理装置。 - 前記出力制御部は、前記第1影響度の第1基準値と、前記頻度の第2基準値と、により分割される複数の領域を含む前記マトリックス図を出力する、
請求項3に記載の情報処理装置。 - 前記算出部は、複数の前記変数のうち前記出力データに対して影響する変数として選択された変数に対して実行された処理の履歴に基づいて、前記第1基準値および前記第2基準値の少なくとも一方を算出する、
請求項4に記載の情報処理装置。 - 前記出力制御部は、さらに、K個の前記期間のうち少なくとも2つの期間での前記第1影響度の変化を示す変化情報を出力する、
請求項1に記載の情報処理装置。 - 前記出力制御部は、前記第1影響度が増加したことを示す前記変化情報と、前記第1影響度が減少したことを示す前記変化情報と、を異なる態様で出力する、
請求項6に記載の情報処理装置。 - 前記出力制御部は、前記第1影響度が増加したことを示す前記変化情報と、前記第1影響度が減少したことを示す前記変化情報とを、相互に異なる方向を示す情報として出力する、
請求項7に記載の情報処理装置。 - 前記出力制御部は、前記第1影響度が増加したことを示す前記変化情報と、前記第1影響度が減少したことを示す前記変化情報とを、相互に異なる色で出力する、
請求項7に記載の情報処理装置。 - 前記出力制御部は、さらに、複数の前記変数のいずれかが、L番目(Lは、1≦L<Kを満たす整数)の期間で選択されるが(L+1)番目の期間で選択されないことを示す情報、および、L番目の期間で選択されないが(L+1)番目の期間で選択されることを示す情報を出力する、
請求項1に記載の情報処理装置。 - 情報処理装置で実行される情報処理方法であって、
K個(Kは2以上の整数)の期間に得られる、複数の変数を含む複数の入力データをそれぞれ用いて推定されるモデルであって、複数の前記変数を含む入力データを入力して出力データを出力するK個の第1モデルに基づいて、複数の前記変数の前記出力データに対する第1影響度と、複数の前記変数が前記出力データに対して影響する変数として選択される頻度と、を算出する算出ステップと、
前記第1影響度と前記頻度とを関連づけて出力する出力制御ステップと、
を含む情報処理方法。 - コンピュータに、
K個(Kは2以上の整数)の期間に得られる、複数の変数を含む複数の入力データをそれぞれ用いて推定されるモデルであって、複数の前記変数を含む入力データを入力して出力データを出力するK個の第1モデルに基づいて、複数の前記変数の前記出力データに対する第1影響度と、複数の前記変数が前記出力データに対して影響する変数として選択される頻度と、を算出する算出ステップと、
前記第1影響度と前記頻度とを関連づけて出力する出力制御ステップと、
を実行させるためのプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022036391A JP2023131558A (ja) | 2022-03-09 | 2022-03-09 | 情報処理装置、情報処理方法およびプログラム |
US17/821,607 US20230288915A1 (en) | 2022-03-09 | 2022-08-23 | Information processing device, information processing method, and computer program product |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022036391A JP2023131558A (ja) | 2022-03-09 | 2022-03-09 | 情報処理装置、情報処理方法およびプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2023131558A true JP2023131558A (ja) | 2023-09-22 |
Family
ID=87931705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022036391A Pending JP2023131558A (ja) | 2022-03-09 | 2022-03-09 | 情報処理装置、情報処理方法およびプログラム |
Country Status (2)
Country | Link |
---|---|
US (1) | US20230288915A1 (ja) |
JP (1) | JP2023131558A (ja) |
-
2022
- 2022-03-09 JP JP2022036391A patent/JP2023131558A/ja active Pending
- 2022-08-23 US US17/821,607 patent/US20230288915A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230288915A1 (en) | 2023-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875784B (zh) | 用于工业中的性能指标的基于数据的优化的方法和系统 | |
KR102169561B1 (ko) | 데이터 클린징 시스템 및 공급물 조성을 추론하기 위한 방법 | |
Chen et al. | Condition monitoring and remaining useful life prediction using degradation signals: Revisited | |
US20210088988A1 (en) | Apparatus and method for identifying impacts and causes of variability or control giveaway on model-based controller performance | |
JP2021101388A (ja) | 予測分析用の動作中心型第一原理プロセスモデルの動的構築及びオンライン配備のためのコンピュータシステム及び方法 | |
JP6216294B2 (ja) | 重回帰分析装置および重回帰分析方法 | |
EP4160339A1 (en) | Abnormality/irregularity cause identifying apparatus, abnormality/irregularity cause identifying method, and abnormality/irregularity cause identifying program | |
JP2017010232A (ja) | プラント診断装置及びプラント診断方法 | |
Gitzel | Data Quality in Time Series Data: An Experience Report. | |
EP4160341A1 (en) | Abnormal modulation cause identifying device, abnormal modulation cause identifying method, and abnormal modulation cause identifying program | |
US20210397956A1 (en) | Activity level measurement using deep learning and machine learning | |
JP6381122B2 (ja) | 故障推定装置、故障推定データベース装置、故障推定プログラム、故障推定データベースプログラム、および故障推定システム | |
US11941495B2 (en) | Information processing device, information processing method, and recording medium | |
JP2023131558A (ja) | 情報処理装置、情報処理方法およびプログラム | |
US11775512B2 (en) | Data analysis apparatus, method and system | |
WO2016151616A1 (ja) | 推定器可視化システム | |
JP6247777B2 (ja) | 異常診断装置および異常診断方法 | |
CN110914776B (zh) | 用于识别关于基于模型的控制器性能的可变性或控制偏差的影响和原因的装置和方法 | |
TWI818670B (zh) | 用於使用時間序列資料之組型偵測及預測之方法、電腦程式產品及系統 | |
JP6018852B2 (ja) | 要因分析・表示方法及びシステム | |
JP7452509B2 (ja) | 監視装置、監視方法、および監視プログラム | |
JP7135025B2 (ja) | 情報処理装置、情報処理方法およびプログラム | |
WO2021229815A1 (ja) | 情報処理装置、評価方法、および評価プログラム | |
US20230152759A1 (en) | Information processing apparatus, information processing method, and computer program product | |
JP7408911B2 (ja) | 異常検知装置及び異常検知方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240226 |