JP2024005813A - 分析装置、分析方法及びプログラム - Google Patents
分析装置、分析方法及びプログラム Download PDFInfo
- Publication number
- JP2024005813A JP2024005813A JP2022106200A JP2022106200A JP2024005813A JP 2024005813 A JP2024005813 A JP 2024005813A JP 2022106200 A JP2022106200 A JP 2022106200A JP 2022106200 A JP2022106200 A JP 2022106200A JP 2024005813 A JP2024005813 A JP 2024005813A
- Authority
- JP
- Japan
- Prior art keywords
- abnormality
- performance data
- items
- ranking
- grouping
- 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.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 80
- 230000001364 causal effect Effects 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 36
- 230000005856 abnormality Effects 0.000 claims description 109
- 230000002159 abnormal effect Effects 0.000 claims description 46
- 238000010586 diagram Methods 0.000 claims description 12
- 238000000611 regression analysis Methods 0.000 claims description 7
- VZCCETWTMQHEPK-QNEBEIHSSA-N gamma-linolenic acid Chemical compound CCCCC\C=C/C\C=C/C\C=C/CCCCC(O)=O VZCCETWTMQHEPK-QNEBEIHSSA-N 0.000 claims 1
- 238000013500 data storage Methods 0.000 description 24
- 238000012545 processing Methods 0.000 description 13
- 230000014509 gene expression Effects 0.000 description 12
- 238000005259 measurement Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003756 stirring Methods 0.000 description 3
- 125000002015 acyclic group Chemical group 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000010420 art technique Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Abstract
Description
本実施形態に係る分析システム1の全体構成例を図1に示す。図1に示すように、本実施形態に係る分析システム1には、分析装置10と、施設20と、入出力装置30と、操業実績DB40と、異常実績管理装置50と、異常実績DB60とが含まれる。
操業実績DB40に格納されている操業実績データの一例を図2に示す。図2に示すように、操業実績データには、複数の項目と、それら複数の項目の各々の項目番号と、それら複数の項目の各々の計測値と、それらの計測値の受信日時を示すタイムスタンプとが含まれる。
異常実績DB60に格納されている異常実績データの一例を図3に示す。図3に示すように、異常実績データには、異常を識別する異常番号と、その異常番号の異常内容と、その異常内容の発生日時とが含まれる。
本実施形態に係る分析装置10のハードウェア構成例を図4に示す。図4に示すように、本実施形態に係る分析装置10は、外部I/F101と、通信I/F102と、RAM(Random Access Memory)103と、ROM(Read Only Memory)104と、補助記憶装置105と、プロセッサ106とを有する。これら各ハードウェアは、それぞれがバス107を介して通信可能に接続される。
本実施形態に係る分析装置10の機能構成例を図5に示す。図5に示すように、本実施形態に係る分析装置10は、グループ化部201と、差異要因計算部202と、ランキング計算部203と、異常条件計算部204と、情報提示部205とを有する。これら各部は、例えば、分析装置10にインストールされた1以上のプログラムが、プロセッサ106に実行させる処理により実現される。また、本実施形態に係る分析装置10は、グループ化実績データ記憶部206と、モデルデータ記憶部207とを有する。これら各部は、例えば、補助記憶装置105等により実現される。
グループ化実績データ記憶部206に記憶されているグループ化実績データの一例を図6に示す。図6に示すように、グループ化実績データには、計測値の受信日時を示すタイムスタンプと、複数の項目と、それら複数の項目の各々の計測値と、グループラベルとが含まれる。すなわち、グループ化実績データは、各操業実績レコードのそれぞれに対してグループラベルを付与したものである。
以下、本実施形態に係る分析装置10の動作例について、図7を参照しながら説明する。
以下では、グループ化計算処理の例として、グループ化計算処理(その1)~グループ化計算処理(その3)について説明する。
以下、本実施形態に係るグループ化計算処理(その1)について、図8を参照しながら説明する。
以下、本実施形態に係るグループ化計算処理(その2)について、図9を参照しながら説明する。
以下、本実施形態に係るグループ化計算処理(その3)について、図11を参照しながら説明する。
以下、本実施形態に係る差異要因計算処理について、図12を参照しながら説明する。
以下、本実施形態に係るランキング計算処理について、図14を参照しながら説明する。
以下、本実施形態に係る異常条件計算処理について、図15を参照しながら説明する。
以上のように、本実施形態に係る分析装置10は、異常との因果関係(因果的順番とその強さ)を考慮してその異常の要因を分析することができる。また、本実施形態に係る分析装置10は、その分析結果をランキング形式でユーザに提示することができる。このため、ユーザは、異常との因果関係も考慮してその異常との関連性が高い要因をランキング形式で知ることができる。このため、ユーザは、例えば、その異常が発生したときに、どの因子(項目)を優先的に対応すればよいかがわかり、適切かつ迅速な異常対応をすることが可能となる。
参考文献1:Shohei Shimizu et al., A Linear Non-Gaussian Acyclic Model for Causal Discovery, Journal of Machine Learning Research 7 (2006) 2003-2030.
参考文献2:Shohei Shimizu et al., DirectLiNGAM: A Direct Method for Learning a Linear Non-Gaussian Structural Equation Model, Journal of Machine Learning Research 12 (2011) 1225-1248.
参考文献3:Patrick Blobaum et al., ESTIMATION OF INTERVENTIONAL EFFECTS OF FEATURES ON PREDICTION, 2017 IEEE INTERNATIONAL WORKSHOP ON MACHINE LEARNING FOR SIGNAL PROCESSING.
10 分析装置
20 施設
21 設備
22 センサ
23 アクチュエータ
24 計測制御装置
30 入出力装置
40 操業実績DB
50 異常実績管理装置
60 異常実績DB
101 外部I/F
101a 記録媒体
102 通信I/F
103 RAM
104 ROM
105 補助記憶装置
106 プロセッサ
107 バス
201 グループ化部
202 差異要因計算部
203 ランキング計算部
204 異常条件計算部
205 情報提示部
206 グループ化実績データ記憶部
207 モデルデータ記憶部
Claims (10)
- 対象から収集された実績データを、前記対象に異常が発生しているときの実績データで構成される異常グループを含む複数のグループに分類するように構成されているグループ化部と、
前記実績データに含まれる項目に関して、前記異常グループと他のグループとの間の差異の要因となっている項目を因果推論により計算するように構成されている差異要因計算部と、
前記因果推論による分析結果を用いて、前記異常との関連性が高い順に前記項目をランキングするように構成されているランキング計算部と、
前記ランキングの上位所定の件数の前記項目に関して、前記異常が発生する条件を計算するように構成されている異常条件計算部と、
を有する分析装置。 - 前記ランキングの上位所定の件数の前記項目と、該項目に関して前記異常が発生する条件とを表示部に表示させるように構成されている情報提示部、を更に有する請求項1に記載の分析装置。
- 前記グループ化部は、
前記実績データに含まれる所定の項目の値と、所定の閾値との大小関係により、前記実績データを前記複数のグループに分類するように構成されている、請求項1に記載の分析装置。 - 前記グループ化部は、
前記実績データに含まれる所定の2つの項目の値に関する散布図上でユーザによって指定された領域により、前記実績データを前記複数のグループに分類するように構成されている、請求項1に記載の分析装置。 - 前記グループ化部は、
前記実績データに含まれる所定の1つ以上の項目の値に関する演算値と、所定の閾値との大小関係により、前記実績データを前記複数のグループに分類するように構成されている、請求項1に記載の分析装置。 - 前記差異要因計算部は、
前記因果推論により、前記グループを表すグループラベルを目的変数、前記実績データに含まれる項目を説明変数とする因果モデルを計算するように構成されている、請求項1に記載の分析装置。 - 前記因果モデルは、LiNGAMである、請求項6に記載の分析装置。
- 前記ランキング計算部は、
前記因果モデル上で、前記グループラベルを目的変数、前記実績データに含まれる項目を説明変数とする回帰分析を行って、前記回帰分析の回帰係数が大きい順に前記項目をランキングするように構成されている、請求項6又は7に記載の分析装置。 - 対象から収集された実績データを、前記対象に異常が発生しているときの実績データで構成される異常グループを含む複数のグループに分類するグループ化手順と、
前記実績データに含まれる項目に関して、前記異常グループと他のグループとの間の差異の要因となっている項目を因果推論により計算する差異要因計算手順と、
前記因果推論による分析結果を用いて、前記異常との関連性が高い順に前記項目をランキングするランキング計算手順と、
前記ランキングの上位所定の件数の前記項目に関して、前記異常が発生する条件を計算する異常条件計算手順と、
をコンピュータが実行する分析方法。 - 対象から収集された実績データを、前記対象に異常が発生しているときの実績データで構成される異常グループを含む複数のグループに分類するグループ化手順と、
前記実績データに含まれる項目に関して、前記異常グループと他のグループとの間の差異の要因となっている項目を因果推論により計算する差異要因計算手順と、
前記因果推論による分析結果を用いて、前記異常との関連性が高い順に前記項目をランキングするランキング計算手順と、
前記ランキングの上位所定の件数の前記項目に関して、前記異常が発生する条件を計算する異常条件計算手順と、
をコンピュータに実行させるプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022106200A JP7173395B1 (ja) | 2022-06-30 | 2022-06-30 | 分析装置、分析方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022106200A JP7173395B1 (ja) | 2022-06-30 | 2022-06-30 | 分析装置、分析方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7173395B1 JP7173395B1 (ja) | 2022-11-16 |
JP2024005813A true JP2024005813A (ja) | 2024-01-17 |
Family
ID=84082871
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022106200A Active JP7173395B1 (ja) | 2022-06-30 | 2022-06-30 | 分析装置、分析方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7173395B1 (ja) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009086907A (ja) * | 2007-09-28 | 2009-04-23 | Sharp Corp | 不良要因推定方法、不良要因推定装置、プログラム、および、記録媒体 |
US20120054184A1 (en) * | 2010-08-24 | 2012-03-01 | Board Of Regents, The University Of Texas System | Systems and Methods for Detecting a Novel Data Class |
JP2020047245A (ja) * | 2018-02-16 | 2020-03-26 | 富士電機株式会社 | 分析装置および分析方法 |
JP2021086237A (ja) * | 2019-11-25 | 2021-06-03 | 株式会社日立製作所 | 保守管理システム及び保守管理方法 |
-
2022
- 2022-06-30 JP JP2022106200A patent/JP7173395B1/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009086907A (ja) * | 2007-09-28 | 2009-04-23 | Sharp Corp | 不良要因推定方法、不良要因推定装置、プログラム、および、記録媒体 |
US20120054184A1 (en) * | 2010-08-24 | 2012-03-01 | Board Of Regents, The University Of Texas System | Systems and Methods for Detecting a Novel Data Class |
JP2020047245A (ja) * | 2018-02-16 | 2020-03-26 | 富士電機株式会社 | 分析装置および分析方法 |
JP2021086237A (ja) * | 2019-11-25 | 2021-06-03 | 株式会社日立製作所 | 保守管理システム及び保守管理方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7173395B1 (ja) | 2022-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10809153B2 (en) | Detecting apparatus, detection method, and program | |
JP6351862B2 (ja) | 運転状態分類装置 | |
EP3795975B1 (en) | Abnormality sensing apparatus, abnormality sensing method, and abnormality sensing program | |
JP6521096B2 (ja) | 表示方法、表示装置、および、プログラム | |
JP6835098B2 (ja) | 要因分析方法、要因分析装置および要因分析プログラム | |
Jiang et al. | Independent component analysis-based non-Gaussian process monitoring with preselecting optimal components and support vector data description | |
CN113359665B (zh) | 一种基于加权关键主元的工业过程故障检测方法及系统 | |
JP2024054370A (ja) | 要因分析装置及び要因分析方法 | |
JP5668425B2 (ja) | 障害検知装置、情報処理方法、およびプログラム | |
JPWO2019073512A1 (ja) | システム分析方法、システム分析装置、および、プログラム | |
JP7173395B1 (ja) | 分析装置、分析方法及びプログラム | |
JP6458157B2 (ja) | データ分析装置および分析方法 | |
Alomari et al. | Advancing aircraft engine RUL predictions: an interpretable integrated approach of feature engineering and aggregated feature importance | |
Gatta et al. | Capability of the Bayesian Forecasting Method to Predict Field Time Series | |
JP7396213B2 (ja) | データ解析システム、データ解析方法及びデータ解析プログラム | |
Galotto et al. | Data based tools for sensors continuous monitoring in industry applications | |
JP7028259B2 (ja) | 分析装置、分析方法、及び、プログラム | |
Tasias et al. | Monitoring location and scale of multivariate processes subject to a multiplicity of assignable causes | |
JP7408911B2 (ja) | 異常検知装置及び異常検知方法 | |
Lehmann | Failure time models based on degradation processes | |
TWI824681B (zh) | 裝置管理系統、裝置的障礙原因推測方法以及非暫時性地記憶程式的記憶媒體 | |
JP7367866B2 (ja) | 情報処理装置、評価方法、および評価プログラム | |
WO2022059183A1 (ja) | 情報処理装置、情報処理方法及び情報処理プログラム | |
JP7222441B1 (ja) | 分析装置、分析方法及びプログラム | |
Streicher et al. | Eigenvector analysis for the ranking of control loop importance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220630 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220630 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221004 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221017 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7173395 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |