JP2024070659A

JP2024070659A - Analysis device, analysis method, and information processing program

Info

Publication number: JP2024070659A
Application number: JP2022181284A
Authority: JP
Inventors: 真輔川ノ上; Shinsuke Kawanokami; 稔高橋; Minoru Takahashi
Original assignee: Omron Corp; Omron Tateisi Electronics Co
Current assignee: Omron Corp
Priority date: 2022-11-11
Filing date: 2022-11-11
Publication date: 2024-05-23

Abstract

To provide a method that enables improvement in interpretability even for causal relationship graphs generated by a large-scale control system.SOLUTION: An analysis device is provided, comprising an acquisition unit for acquiring data related to a production line, a first generation unit configured to generate a causal relationship graph including one or more nodes by estimating a causal relationship leading to an event on the basis of the acquired data, and a second generation unit configured to generate a state machine on the basis of states and conditional probabilities included in the acquired data. The first generation unit updates the causal relationship graph in response to selection of a state included in the state machine.SELECTED DRAWING: Figure 2

Description

本発明は、解析装置、解析方法および情報処理プログラムに関する。 The present invention relates to an analysis device, an analysis method, and an information processing program.

従来より、実験データおよび観測データなどの不完全な情報に基づいて、事象に至る因果関係を統計的に推定する技術が公知である。このような技術を産業オートメーション（industrial automation）に適用することで、製造現場で生じる異常の要因特定を容易化できる。 Technologies that statistically estimate causal relationships leading to events based on incomplete information such as experimental data and observational data have been well known. Applying such techniques to industrial automation can make it easier to identify the causes of abnormalities that occur in manufacturing sites.

より具体的には、制御システムがセンサなどのフィールドデバイスから収集する情報に基づいて因果関係グラフを生成し、当該生成した因果関係グラフを参照することで、製品不良などの異常の要因をより容易に特定できるようになる。 More specifically, the control system generates a causal graph based on information collected from field devices such as sensors, and by referencing the generated causal graph, it becomes easier to identify the causes of abnormalities such as product defects.

例えば、特開２０１８－２０６３６２号公報（特許文献１）は、製造ラインを構成する複数の機構間の因果関係を正確にモデル化する技術を開示する。 For example, JP 2018-206362 A (Patent Document 1) discloses a technology for accurately modeling the causal relationships between multiple mechanisms that make up a production line.

また、国際公開第２０１８／０７３９５５号（特許文献２）は、複数のセンサが出力するセンサ値間における因果関係を示す因果関係情報を用いるシステム分析方法を開示する。国際公開第２０１８／０７３９６０号（特許文献３）は、異常センサをグループ同士の階層関係を示す情報と共に、ユーザに提示する表示方法を開示する。 Furthermore, WO 2018/073955 (Patent Document 2) discloses a system analysis method that uses causal relationship information that indicates the causal relationship between sensor values output by multiple sensors. WO 2018/073960 (Patent Document 3) discloses a display method that presents abnormal sensors to a user together with information indicating the hierarchical relationship between groups.

特開２０１８－２０６３６２号公報JP 2018-206362 A 国際公開第２０１８／０７３９５５号International Publication No. 2018/073955 国際公開第２０１８／０７３９６０号International Publication No. 2018/073960

大規模な制御システムにおいては、大量の情報から因果関係グラフが生成されるので、専門的な知識に乏しいユーザにとっては、因果関係グラフが示す意味が分かりにくくなる。すなわち、因果関係グラフの解釈性が低下し得る。 In large-scale control systems, causal graphs are generated from large amounts of information, making it difficult for users with little specialist knowledge to understand the meaning of the causal graph. In other words, the interpretability of the causal graph may decrease.

本発明は、大規模な制御システムについて生成された因果関係グラフであっても、解釈性を向上できる手法を提供することを一つの目的とする。 One of the objectives of the present invention is to provide a method that can improve the interpretability of causal graphs generated for large-scale control systems.

本発明の一例に従う解析装置は、製造ラインに関するデータを取得する取得部と、取得されたデータに基づいて、事象に至る因果関係を推定することで、１または複数のノードを含む因果関係グラフを生成する第１の生成部と、取得されたデータに含まれる状態および条件付き確率に基づいて、ステートマシーンを生成する第２の生成部とを含む。第１の生成部は、ステートマシーンに含まれる状態の選択に応じて、因果関係グラフを更新する。 An analysis device according to one example of the present invention includes an acquisition unit that acquires data related to a production line, a first generation unit that generates a causal graph including one or more nodes by estimating causal relationships leading to events based on the acquired data, and a second generation unit that generates a state machine based on the states and conditional probabilities included in the acquired data. The first generation unit updates the causal graph in response to a selection of states included in the state machine.

この構成によれば、ステートマシーンに含まれる注目している状態を選択すると、当該選択された状態に応じて、因果関係グラフが更新されるので、因果関係グラフの解釈性を向上できる。 With this configuration, when a state of interest included in the state machine is selected, the causal graph is updated according to the selected state, improving the interpretability of the causal graph.

第１の生成部は、選択された１または複数の状態に対応するデータに基づいて、因果関係グラフを再生成するようにしてもよい。この構成によれば、選択された１または複数の状態に対応するデータに基づいて、より簡素化された因果関係グラフを生成できる。 The first generation unit may be configured to regenerate the causal graph based on data corresponding to the selected one or more states. With this configuration, a more simplified causal graph can be generated based on data corresponding to the selected one or more states.

第１の生成部は、複数の工程のうち選択された工程に対応する因果関係グラフを出力するようにしてもよい。この構成によれば、複数の工程が存在する製造ラインについて、注目している工程についての因果関係グラフのみを出力できるので、因果関係グラフの解釈性が低下することを抑制できる。 The first generating unit may output a causal relationship graph corresponding to a selected process from among the multiple processes. With this configuration, for a production line having multiple processes, it is possible to output only a causal relationship graph for a process of interest, thereby preventing a decrease in the interpretability of the causal relationship graph.

第２の生成部は、因果関係グラフのノードまたはエッジの選択に応じて、ステートマシーンの表現形態を更新するようにしてもよい。この構成によれば、因果関係グラフの注目しているノードまたはエッジに対応するステートマシーンの状態などを容易に特定できる。 The second generation unit may update the representation of the state machine in response to the selection of a node or edge of the causal graph. With this configuration, it is possible to easily identify the state of the state machine that corresponds to the node or edge of interest in the causal graph.

因果関係グラフのノードまたはエッジの選択は、関連するデータ群から対象のデータを選択することを含んでいてもよい。この構成によれば、データのレベルで対象を選択できるので、注目しているノードまたはエッジをより確実に選択できる。 Selecting a node or edge of the causal graph may include selecting target data from a set of related data. This configuration allows target selection at the data level, making it possible to more reliably select a node or edge of interest.

第１の生成部および第２の生成部は、複数の工程についての因果関係グラフおよびステートマシーンを出力するようにしてもよい。この構成によれば、工程を跨ぐ解析などを行うこともできる。 The first generation unit and the second generation unit may output a causal graph and a state machine for multiple processes. With this configuration, it is also possible to perform analysis across processes.

第２の生成部は、取得されたデータから状態を定義するとともに、定義された状態が示す値の一意性を満たすように、ステートマシーンに含める状態を決定するようにしてもよい。「一意性を満たす」とは、定義された状態が示す値の重複がないことを意味する。この構成によれば、予め状態が定義されていない製造ラインなどであっても、ステートマシーンを生成できる。 The second generation unit may define states from the acquired data and determine the states to be included in the state machine so that the values indicated by the defined states satisfy the uniqueness. "Satisfying uniqueness" means that there is no duplication of values indicated by the defined states. With this configuration, a state machine can be generated even for a manufacturing line where states are not defined in advance.

解析装置は、因果関係グラフおよびステートマシーンを並べて表示する表示部をさらに含んでいてもよい。この構成によれば、因果関係グラフとステートマシーンとの関係性をより容易に把握できる。 The analysis device may further include a display unit that displays the causal graph and the state machine side by side. With this configuration, the relationship between the causal graph and the state machine can be more easily understood.

本発明の別の一例に従うコンピュータが実行する解析方法は、製造ラインに関するデータを取得するステップと、取得されたデータに基づいて、事象に至る因果関係を推定することで、１または複数のノードを含む因果関係グラフを生成するステップと、取得されたデータに含まれる状態および条件付き確率に基づいて、ステートマシーンを生成するステップと、ステートマシーンに含まれる状態の選択に応じて、因果関係グラフを更新するステップとを含む。 An analysis method executed by a computer according to another example of the present invention includes the steps of acquiring data related to a production line, generating a causal graph including one or more nodes by estimating causal relationships leading to events based on the acquired data, generating a state machine based on the states and conditional probabilities included in the acquired data, and updating the causal graph according to the selection of states included in the state machine.

本発明のさらに別の一例に従う情報処理プログラムは、コンピュータに、製造ラインに関するデータを取得するステップと、取得されたデータに基づいて、事象に至る因果関係を推定することで、１または複数のノードを含む因果関係グラフを生成するステップと、取得されたデータに含まれる状態および条件付き確率に基づいて、ステートマシーンを生成するステップと、ステートマシーンに含まれる状態の選択に応じて、因果関係グラフを更新するステップとを実行させる。 An information processing program according to yet another example of the present invention causes a computer to execute the steps of acquiring data related to a production line, generating a causal graph including one or more nodes by estimating causal relationships leading to events based on the acquired data, generating a state machine based on the states and conditional probabilities included in the acquired data, and updating the causal graph in response to the selection of states included in the state machine.

本発明によれば、大規模な制御システムについて生成された因果関係グラフであっても、解釈性を向上させることができる。 The present invention can improve the interpretability of causal graphs even when they are generated for large-scale control systems.

本実施の形態に従う情報処理システムが生成する因果関係グラフと工程との関係を示す一例である。1 is an example showing a relationship between a causal relationship graph and processes generated by the information processing system according to the present embodiment. 本実施の形態に従う情報処理システムによる因果関係グラフとステートマシーンとの関連付け処理の一例を示す図である。11A and 11B are diagrams illustrating an example of a process of associating a causal graph with a state machine by the information processing system according to the present embodiment. 本実施の形態に従う情報処理システムによる因果関係グラフとステートマシーンとの関連付け処理の別の一例を示す図である。11 is a diagram showing another example of the process of associating a causal graph with a state machine by the information processing system according to the present embodiment. FIG. 図３に示す因果関係グラフにおいてエッジが選択されたときに表示される散布図の一例を示す図である。FIG. 4 is a diagram showing an example of a scatter diagram displayed when an edge is selected in the causal relationship graph shown in FIG. 3 . 本実施の形態に従う情報処理システムの制御装置のハードウェア構成例を示すブロック図である。2 is a block diagram showing an example of a hardware configuration of a control device of the information processing system according to the present embodiment. FIG. 本実施の形態に従う情報処理システムの解析装置のハードウェア構成例を示すブロック図である。1 is a block diagram showing an example of a hardware configuration of an analysis device in an information processing system according to an embodiment of the present invention. 本実施の形態に従う情報処理システムの機能構成を示す模式図である。FIG. 2 is a schematic diagram showing a functional configuration of an information processing system according to the present embodiment. 本実施の形態に従う情報処理システムが処理する時系列データの一例を示す模式図である。1 is a schematic diagram showing an example of time-series data processed by an information processing system according to the present embodiment. FIG. 本実施の形態に従う情報処理システムにおける因果関係グラフの生成に係る処理手順を示すフローチャートである。13 is a flowchart showing a processing procedure for generating a causal relationship graph in the information processing system according to the present embodiment. 図９に示すステートマシーン生成処理の処理手順を示すフローチャートである。10 is a flowchart showing a processing procedure of the state machine generation processing shown in FIG. 9 . 図９に示すステートマシーン生成処理において生成されるデータの一例を示す図である。10 is a diagram showing an example of data generated in the state machine generation process shown in FIG. 9 . 図９に示す因果関係グラフを生成する処理の処理手順を示すフローチャートである。10 is a flowchart showing a processing procedure for generating the causal relationship graph shown in FIG. 9 . 図９に示すステートマシーンの表現形態を更新する処理の処理手順を示すフローチャートである。10 is a flowchart showing a processing procedure for updating the representation form of the state machine shown in FIG. 9 . 本実施の形態に従う解析装置が提供する表示画面の一例を示す模式図である。FIG. 2 is a schematic diagram showing an example of a display screen provided by the analysis device according to the present embodiment. 本実施の形態に従う情報処理システムを用いて工程を跨いだ要因解析の一例を説明するための図である。11 is a diagram for explaining an example of factor analysis across processes using the information processing system according to the present embodiment. FIG.

本発明の実施の形態について、図面を参照しながら詳細に説明する。なお、図中の同一または相当部分については、同一符号を付してその説明は繰り返さない。 The embodiment of the present invention will be described in detail with reference to the drawings. Note that the same or equivalent parts in the drawings will be given the same reference numerals and their description will not be repeated.

＜Ａ．適用例＞
まず、本発明が適用される場面の一例について説明する。以下では、製造ラインから収集される情報に基づいて、因果関係グラフを生成する例について説明する。但し、製造ラインから収集される情報に限らず、任意の情報から生成された因果関係グラフに適用可能である。 <A. Application Examples＞
First, an example of a situation in which the present invention is applied will be described. In the following, an example of generating a causal relationship graph based on information collected from a manufacturing line will be described. However, if the information collected from the manufacturing line is The present invention is applicable to a causal graph generated from any information, without being limited thereto.

図１は、本実施の形態に従う情報処理システム１が生成する因果関係グラフと工程との関係を示す一例である。図１には、一例として、３つの工程（工程Ａ～Ｃ）を含む製造ラインに対して生成された因果関係グラフ１０Ａ，１０Ｂ，１０Ｃを示す。 Figure 1 shows an example of the relationship between a causal relationship graph and processes generated by an information processing system 1 according to the present embodiment. As an example, Figure 1 shows causal relationship graphs 10A, 10B, and 10C generated for a production line that includes three processes (processes A to C).

図１を参照して、工程毎に因果関係グラフ１０Ａ，１０Ｂ，１０Ｃは互いに異なったものとなっている。そのため、工程毎に対応する因果関係グラフをユーザに提供する必要がある。 Referring to FIG. 1, the causal graphs 10A, 10B, and 10C are different for each process. Therefore, it is necessary to provide the user with a causal graph that corresponds to each process.

各工程においては、複数の状態（ステート）が存在し、処理の進行に伴って、状態遷移が生じ得る。すなわち、各工程に対して、処理の状態を反映したステートマシーンを定義することができる。製造ラインを制御する制御装置が明示的にステートマシーンを有していることもあるし、制御装置が管理する変数の値などに基づいてステートマシーンを定義することもできる。 Each process has multiple states, and state transitions can occur as the process progresses. In other words, a state machine that reflects the process state can be defined for each process. The control device that controls the production line may have an explicit state machine, or the state machine may be defined based on the values of variables managed by the control device.

一般的に、因果関係グラフは、製造ラインから取得されるデータに基づいて生成されるため、複数の状態を実質的にすべて反映したものとなり得る。その結果、状態の数が増加したり、データ量が増大したりすることで、因果関係グラフも複雑化し得る。 Generally, causal graphs are generated based on data obtained from the production line, and therefore may reflect virtually all of the multiple states. As a result, the causal graph may become more complex as the number of states increases and the amount of data increases.

一方で、何らかの異常の要因を探索する場合には、当該異常に関係すると思われる状態のみに注目すればよい。本実施の形態に従う情報処理システム１は、ステートマシーンおよびステートマシーンに含まれる状態と、因果関係グラフとを関連付けてユーザに提供する。 On the other hand, when searching for the cause of some abnormality, it is sufficient to focus only on the states that are thought to be related to the abnormality. The information processing system 1 according to this embodiment associates the state machine and the states contained in the state machine with a causal graph and provides them to the user.

図２は、本実施の形態に従う情報処理システム１による因果関係グラフとステートマシーンとの関連付け処理の一例を示す図である。図２には、ステートマシーンに対する選択に連動して、因果関係グラフが更新される例を示す。 Figure 2 is a diagram showing an example of a process for associating a causal graph with a state machine by the information processing system 1 according to the present embodiment. Figure 2 shows an example in which the causal graph is updated in conjunction with a selection for a state machine.

図２（Ａ）には、選択された１つの工程に対応する因果関係グラフ１０およびステートマシーン２０を示す。因果関係グラフ１０は、多数のノードを含む因果関係を示す。情報処理システム１においては、複数の工程のうち選択された工程に対応する因果関係グラフ１０を表示するようにしてもよい。 Figure 2 (A) shows a causal relationship graph 10 and a state machine 20 corresponding to one selected process. The causal relationship graph 10 shows causal relationships including a large number of nodes. In the information processing system 1, the causal relationship graph 10 corresponding to a selected process from among multiple processes may be displayed.

図２（Ｂ）を参照して、ステートマシーン２０に含まれる複数の状態のうち、特定の状態（例えば、不良発生に至るモードに対応する一覧の状態）が選択されると（状態群２２）、当該選択された状態に対応する因果関係グラフ１０Ｍに更新される。より具体的には、製造ラインから取得されるデータのうち、選択された状態において取得されたデータに基づいて、因果関係グラフ１０Ｍが再生成される。 Referring to FIG. 2(B), when a specific state (e.g., a state in a list corresponding to a mode that leads to the occurrence of a defect) is selected from among the multiple states included in the state machine 20 (state group 22), the causal relationship graph 10M corresponding to the selected state is updated. More specifically, the causal relationship graph 10M is regenerated based on the data acquired in the selected state from among the data acquired from the production line.

このように、ステートマシーン２０の特定状態における因果関係グラフ１０を提示することで、注目している異常の要因の特定を容易化できる。 In this way, by presenting the causal graph 10 in a specific state of the state machine 20, it is possible to easily identify the cause of an abnormality of interest.

図３は、本実施の形態に従う情報処理システム１による因果関係グラフとステートマシーンとの関連付け処理の別の一例を示す図である。図３には、因果関係グラフに対する選択に連動して、ステートマシーンの表示が更新される例を示す。 Figure 3 is a diagram showing another example of the process of associating a causal graph with a state machine by the information processing system 1 according to the present embodiment. Figure 3 shows an example in which the display of the state machine is updated in conjunction with a selection on the causal graph.

図３（Ａ）には、選択された１つの工程に対応する因果関係グラフ１０およびステートマシーン２０を示す。図３（Ｂ）を参照して、因果関係グラフ１０において、あるノードから別のノードへの遷移（エッジ）が注目されているとする。 Figure 3 (A) shows a causal graph 10 and a state machine 20 corresponding to one selected process. With reference to Figure 3 (B), assume that attention is focused on a transition (edge) from one node to another node in the causal graph 10.

ユーザがいずれかのエッジまたは両端のノードを選択すると、当該選択されたエッジに対応する２つのノードが示すデータが表示される。 When the user selects one of the edges or the nodes at either end, the data represented by the two nodes corresponding to the selected edge is displayed.

図４は、図３に示す因果関係グラフにおいてエッジが選択されたときに表示される散布図の一例を示す図である。図４に示す散布図６０においては、選択されたエッジの両端に位置する２つのノードに対応するデータが示す値（２次元）が散布図の形で表示されている。例えば、遷移前のノードに対応するデータが示す値が縦軸に割り当てられ、遷移後のノードに対応するデータが示す値が横軸に割り当てられてもよい。 Figure 4 is a diagram showing an example of a scatter plot displayed when an edge is selected in the causal graph shown in Figure 3. In the scatter plot 60 shown in Figure 4, values (two dimensions) indicated by data corresponding to two nodes located at both ends of the selected edge are displayed in the form of a scatter plot. For example, the values indicated by data corresponding to the node before the transition may be assigned to the vertical axis, and the values indicated by data corresponding to the node after the transition may be assigned to the horizontal axis.

ユーザは、散布図６０において、ノードの遷移に対応すると考えられるデータ群を対象領域６２として選択する。対象領域６２に含まれるデータ群がステートマシーンのいずれかの状態に対応するのかが算出される。算出された状態を特定できるように、ステートマシーン２０の表示が更新される。 In the scatter plot 60, the user selects a group of data that is thought to correspond to a node transition as a target area 62. A calculation is then performed as to whether the group of data included in the target area 62 corresponds to any state of the state machine. The display of the state machine 20 is updated so that the calculated state can be identified.

このように、因果関係グラフのノードまたはエッジの選択は、関連するデータ群から対象のデータを選択することを含む。 Thus, selecting a node or edge in the causal graph involves selecting data of interest from a set of related data.

再度図３（Ｂ）を参照して、例えば、ステートマシーン２０には、対応する状態を示す対象特定表示２４が付加される。ステートマシーン２０に表示される対象特定表示２４を参照することで、因果関係グラフ１０の注目しているノードおよび／または遷移に対応する状態を特定することができる。 Referring again to FIG. 3B, for example, a target specific indicator 24 is added to the state machine 20, indicating a corresponding state. By referring to the target specific indicator 24 displayed on the state machine 20, it is possible to identify a state that corresponds to a node and/or transition of interest in the causal graph 10.

このように、因果関係グラフ１０のノードまたはエッジの選択に応じて、ステートマシーン２０の表示が更新される。因果関係グラフ１０に含まれる特定のノードおよび／または遷移に対応するステートマシーン２０の状態を提示することで、注目している異常の要因の特定を容易化できる。 In this way, the display of the state machine 20 is updated in response to the selection of a node or edge in the causal graph 10. By presenting the state of the state machine 20 corresponding to a particular node and/or transition included in the causal graph 10, it is possible to easily identify the cause of an anomaly of interest.

図２および図３に示すように、因果関係グラフおよびステートマシーンのうち一方を選択することで、他方において提供される情報が更新される。 As shown in Figures 2 and 3, selecting one of the causal graph and the state machine updates the information provided in the other.

＜Ｂ．ハードウェア構成例＞
次に、本実施の形態に従う情報処理システム１のハードウェア構成例について説明する。情報処理システム１は、一例として、製造ラインを制御する１または複数の制御装置１００と、制御装置１００などを介して取得されたデータに基づいて、図２および図３に示すような情報を提供する解析装置２００と、制御装置１００で実行されるユーザプログラムを生成する開発装置３００とを含む。 <B. Hardware Configuration Example>
Next, a hardware configuration example of the information processing system 1 according to the present embodiment will be described. As an example, the information processing system 1 includes one or more control devices 100 that control a production line, an analysis device 200 that provides information such as shown in Fig. 2 and Fig. 3 based on data acquired via the control devices 100, and a development device 300 that generates a user program to be executed by the control devices 100.

（ｂ１：制御装置１００）
図５は、本実施の形態に従う情報処理システム１の制御装置１００のハードウェア構成例を示すブロック図である。図５を参照して、制御装置１００は、ＰＬＣ（プログラマブルロジックコントローラ）などの、一種のコンピュータとして具現化されてもよい。 (b1: control device 100)
Fig. 5 is a block diagram showing an example of a hardware configuration of the control device 100 of the information processing system 1 according to the present embodiment. Referring to Fig. 5, the control device 100 may be embodied as a type of computer, such as a programmable logic controller (PLC).

より具体的には、制御装置１００は、ＣＰＵ（Central Processing Unit）およびＭＰＵ（Micro-Processing Unit）などのプロセッサ１０２と、チップセット１０４と、主記憶装置１０６と、二次記憶装置１０８と、フィールドバスコントローラ１１０と、ＵＳＢ（Universal Serial Bus）コントローラ１１２と、メモリカードインターフェイス１１４とを含む。 More specifically, the control device 100 includes a processor 102, such as a CPU (Central Processing Unit) and an MPU (Micro-Processing Unit), a chipset 104, a main memory device 106, a secondary memory device 108, a field bus controller 110, a USB (Universal Serial Bus) controller 112, and a memory card interface 114.

プロセッサ１０２は、二次記憶装置１０８に格納された各種プログラムを読み出して、主記憶装置１０６に展開して実行することで、制御対象を制御するための処理を実現する。チップセット１０４は、プロセッサ１０２と各コンポーネントとの間のデータ伝送などを制御する。 The processor 102 reads various programs stored in the secondary storage device 108, deploys them in the main storage device 106, and executes them to realize processing for controlling the controlled object. The chipset 104 controls data transmission between the processor 102 and each component.

二次記憶装置１０８には、制御演算を実行するためのＰＬＣエンジン１５０を提供するためのシステムプログラム１３１に加えて、制御演算に係る処理を定義したユーザプログラム１３２が格納される。 The secondary storage device 108 stores a system program 131 for providing a PLC engine 150 for executing control calculations, as well as a user program 132 that defines the processing related to the control calculations.

フィールドバスコントローラ１１０は、フィールドバスを介してフィールドデバイス４０との間でデータをやり取りする。フィールドバスは、産業用の通信プロトコルを採用することが好ましい。このような通信プロトコルとしては、ＥｔｈｅｒＣＡＴ（登録商標）、ＥｔｈｅｒＮｅｔ／ＩＰ（登録商標）、ＤｅｖｉｃｅＮｅｔ（登録商標）、ＣｏｍｐｏＮｅｔ（登録商標）などが知られている。 The fieldbus controller 110 exchanges data with the field device 40 via the fieldbus. It is preferable that the fieldbus employs an industrial communication protocol. Known examples of such communication protocols include EtherCAT (registered trademark), EtherNet/IP (registered trademark), DeviceNet (registered trademark), and CompoNet (registered trademark).

ＵＳＢコントローラ１１２は、ＵＳＢ接続を介して解析装置２００との間のデータのやり取りを制御する。 The USB controller 112 controls data exchange with the analysis device 200 via a USB connection.

メモリカードインターフェイス１１４は、メモリカード１１６を着脱可能に構成されており、メモリカード１１６に対してデータを書込み、メモリカード１１６から各種データ（ユーザプログラム１３２およびトレースデータなど）を読み出すことが可能になっている。 The memory card interface 114 is configured to allow the memory card 116 to be attached and detached, and allows data to be written to the memory card 116 and various data (such as the user program 132 and trace data) to be read from the memory card 116.

図５には、プロセッサ１０２がプログラムを実行することで必要な機能が提供される構成例を示したが、これらの提供される機能の一部または全部を、専用のハードウェア回路（例えば、ＡＳＩＣ（Application Specific Integrated Circuit）またはＦＰＧＡ（Field-Programmable Gate Array）など）を用いて実装してもよい。あるいは、制御装置１００の主要部を、汎用的なアーキテクチャに従うハードウェア（例えば、汎用パソコンをベースとした産業用パソコン）を用いて実現してもよい。この場合には、仮想化技術を用いて、用途の異なる複数のＯＳ（Operating System）を並列的に実行させるとともに、各ＯＳ上で必要なアプリケーションを実行させるようにしてもよい。 Although FIG. 5 shows an example of a configuration in which the processor 102 executes a program to provide the necessary functions, some or all of these provided functions may be implemented using a dedicated hardware circuit (e.g., an ASIC (Application Specific Integrated Circuit) or an FPGA (Field-Programmable Gate Array)). Alternatively, the main part of the control device 100 may be realized using hardware that follows a general-purpose architecture (e.g., an industrial PC based on a general-purpose PC). In this case, virtualization technology may be used to run multiple OSs (operating systems) with different uses in parallel, and necessary applications may be executed on each OS.

（ｂ２：解析装置２００）
本実施の形態に従う解析装置２００は、一例として、汎用的なアーキテクチャに従うハードウェア（例えば、汎用パソコン）を用いてプログラムを実行することで実現される。 (b2: analysis device 200)
Analysis device 200 according to the present embodiment is realized, for example, by executing a program using hardware (for example, a general-purpose personal computer) that complies with a general-purpose architecture.

図６は、本実施の形態に従う情報処理システム１の解析装置２００のハードウェア構成例を示すブロック図である。図６を参照して、解析装置２００は、ＣＰＵおよびＭＰＵなどのプロセッサ２０２と、光学ドライブ２０４と、主記憶装置２０６と、二次記憶装置２０８と、ＵＳＢコントローラ２１２と、ネットワークコントローラ２１４と、入力部２１６と、表示部２１８とを含む。これらのコンポーネントはバス２２０を介して接続される。 Fig. 6 is a block diagram showing an example of the hardware configuration of an analysis device 200 of an information processing system 1 according to this embodiment. With reference to Fig. 6, the analysis device 200 includes a processor 202 such as a CPU or MPU, an optical drive 204, a main storage device 206, a secondary storage device 208, a USB controller 212, a network controller 214, an input unit 216, and a display unit 218. These components are connected via a bus 220.

プロセッサ２０２は、二次記憶装置２０８に格納されたプログラムを読み出して、主記憶装置２０６に展開して実行することで、後述するような各種処理を実現する。 The processor 202 reads out programs stored in the secondary storage device 208, expands them into the main storage device 206, and executes them to realize various processes as described below.

二次記憶装置２０８は、例えば、ＨＤＤ（Hard Disk Drive）およびＳＳＤ（Solid State Drive）などで構成される。二次記憶装置２０８には、典型的には、ＯＳ２２２と、制御装置１００との間で必要なデータをやり取りするためのＰＬＣインターフェイスプログラム２２４と、因果関係グラフを生成するための解析プログラム２２６と、ＧＵＩに係る処理を実行するＧＵＩプログラム２２８とが格納される。これらのプログラムの全部または一部が情報処理プログラムに相当する。二次記憶装置２０８には、図６に示すプログラム以外の必要なプログラムが格納されてもよい。 The secondary storage device 208 is composed of, for example, a hard disk drive (HDD) and a solid state drive (SSD). The secondary storage device 208 typically stores an OS 222, a PLC interface program 224 for exchanging necessary data between the control device 100, an analysis program 226 for generating a causal graph, and a GUI program 228 for executing GUI-related processing. All or part of these programs correspond to information processing programs. The secondary storage device 208 may store necessary programs other than the programs shown in FIG. 6.

解析装置２００は、光学ドライブ２０４を有しており、コンピュータ読取可能なプログラムを非一過的に格納する記録媒体２０５（例えば、ＤＶＤ（Digital Versatile Disc）などの光学記録媒体）から、その中に格納されたプログラムが読み取られて二次記憶装置２０８などにインストールされる。 The analysis device 200 has an optical drive 204, and the program stored in a recording medium 205 (e.g., an optical recording medium such as a DVD (Digital Versatile Disc)) that non-transiently stores a computer-readable program is read and installed in a secondary storage device 208, etc.

解析装置２００で実行されるプログラムは、コンピュータ読取可能な記録媒体２０５を介してインストールされてもよいが、ネットワーク上のサーバ装置などからダウンロードする形でインストールするようにしてもよい。また、本実施の形態に従う解析装置２００が提供する機能は、ＯＳ２２２が提供するモジュールの一部を利用する形で実現される場合もある。 The program executed by the analysis device 200 may be installed via a computer-readable recording medium 205, or may be installed by downloading it from a server device on a network. In addition, the functions provided by the analysis device 200 according to this embodiment may be realized by using some of the modules provided by the OS 222.

ＵＳＢコントローラ２１２は、ＵＳＢ接続を介して制御装置１００との間のデータのやり取りを制御する。ネットワークコントローラ２１４は、任意のネットワークを介した他の装置との間のデータのやり取りを制御する。 The USB controller 212 controls data exchange with the control device 100 via a USB connection. The network controller 214 controls data exchange with other devices via any network.

入力部２１６は、キーボードおよびマウスなどで構成され、ユーザ操作を受け付ける。表示部２１８は、ディスプレイ、各種インジケータ、プリンタなどで構成され、プロセッサ２０２からの処理結果などを出力する。 The input unit 216 is made up of a keyboard, mouse, etc., and accepts user operations. The display unit 218 is made up of a display, various indicators, a printer, etc., and outputs processing results from the processor 202, etc.

図６には、プロセッサ２０２がプログラムを実行することで必要な機能が提供される構成例を示したが、これらの提供される機能の一部または全部を、専用のハードウェア回路（例えば、ＡＳＩＣまたはＦＰＧＡなど）を用いて実装してもよい。 Figure 6 shows an example of a configuration in which the necessary functions are provided by the processor 202 executing a program, but some or all of these provided functions may be implemented using dedicated hardware circuits (e.g., ASICs or FPGAs, etc.).

（ｂ３：開発装置３００）
本実施の形態に従う開発装置３００は、一例として、汎用的なアーキテクチャに従うハードウェア（例えば、汎用パソコン）を用いてプログラムを実行することで実現される。開発装置３００のハードウェア構成例は、図６に示す解析装置２００のハードウェア構成例と同様であるので、詳細な説明は繰り返さない。 (b3: Development device 300)
Development device 300 according to the present embodiment is realized, for example, by executing a program using hardware (e.g., a general-purpose personal computer) that complies with a general-purpose architecture. An example of the hardware configuration of development device 300 is similar to the example of the hardware configuration of analysis device 200 shown in Fig. 6, and therefore detailed description will not be repeated.

但し、開発装置３００のストレージには、制御装置１００で実行されるユーザプログラム１３２を生成するための開発環境を提供する開発プログラムが格納されている。 However, the storage of the development device 300 stores a development program that provides a development environment for generating a user program 132 to be executed by the control device 100.

＜Ｃ．機能構成例＞
図７は、本実施の形態に従う情報処理システム１の機能構成を示す模式図である。図７を参照して、情報処理システム１は、１または複数の制御装置１００と、解析装置２００と、開発装置３００とを含む。 <C. Functional configuration example>
7 is a schematic diagram showing a functional configuration of information processing system 1 according to the present embodiment. With reference to FIG. 7, information processing system 1 includes one or more control devices 100, an analysis device 200, and a development device 300.

図７を参照して、制御装置１００は、ＰＬＣ（Programmable Logic Controller）などの産業用コントローラである。制御装置１００は、ＰＬＣエンジン１５０と、変数マネジャ１５２と、インターフェイス１５４と、ＴＳＤＢ（Time Series Data Base）１５６とを含む。 Referring to FIG. 7, the control device 100 is an industrial controller such as a programmable logic controller (PLC). The control device 100 includes a PLC engine 150, a variable manager 152, an interface 154, and a time series data base (TSDB) 156.

制御装置１００は、センサ４２およびアクチュエータ４４を含むフィールドデバイス４０と接続される。制御装置１００は、フィールドデバイス４０（センサ４２）からプロセスデータ（入力データ）を収集するとともに、ＰＬＣエンジン１５０による制御演算の結果に従って、フィールドデバイス４０（アクチュエータ４４）に指令（出力データ）を出力する。 The control device 100 is connected to a field device 40 that includes a sensor 42 and an actuator 44. The control device 100 collects process data (input data) from the field device 40 (sensor 42) and outputs commands (output data) to the field device 40 (actuator 44) according to the results of control calculations by the PLC engine 150.

ＰＬＣエンジン１５０は、製造ラインを構成する各製造装置を制御するためのユーザプログラム１３２に従って、制御演算を実行する。制御演算は、シーケンス制御および／またはモーション制御を含む。 The PLC engine 150 executes control operations according to a user program 132 for controlling each manufacturing device that constitutes the production line. The control operations include sequence control and/or motion control.

変数マネジャ１５２は、ＰＬＣエンジン１５０がユーザプログラム１３２を実行するにあたって参照可能な変数（変数が示す値を）管理する。変数マネジャ１５２は、予め登録された変数の値をＴＳＤＢ１５６に周期的またはイベント的に書き込む。 The variable manager 152 manages variables (values indicated by variables) that can be referenced when the PLC engine 150 executes the user program 132. The variable manager 152 writes the values of preregistered variables to the TSDB 156 periodically or in response to an event.

インターフェイス１５４は、フィールドデバイス４０との間で周期的にデータ（入力データおよび出力データ）をやり取りする。このような周期的なデータのやり取りは、「Ｉ／Ｏリフレッシュ処理」と称されることもある。 The interface 154 periodically exchanges data (input data and output data) with the field device 40. Such periodic data exchange is sometimes referred to as "I/O refresh processing."

ＴＳＤＢ１５６は、予め登録された変数の値を時系列に格納する。そのため、ＴＳＤＢ１５６には、時系列データ５０が格納されることになる。時系列データ５０は、フィールドデバイス４０から収集した入力データと、フィールドデバイス４０へ与えられた出力データと、ＰＬＣエンジン１５０の内部で保持される内部データとを含み得る。 TSDB156 stores the values of preregistered variables in a time series. Therefore, time series data 50 is stored in TSDB156. The time series data 50 may include input data collected from field devices 40, output data provided to field devices 40, and internal data held within PLC engine 150.

図８は、本実施の形態に従う情報処理システム１が処理する時系列データ５０の一例を示す模式図である。図８を参照して、時系列データ５０の各レコードは、タイムスタンプ５１と、１または複数のプロセスデータ５２と、１または複数の状態変数５３と、フレーム変数５４とを含む。 FIG. 8 is a schematic diagram showing an example of time series data 50 processed by information processing system 1 according to the present embodiment. Referring to FIG. 8, each record of the time series data 50 includes a time stamp 51, one or more process data 52, one or more state variables 53, and a frame variable 54.

タイムスタンプ５１は、制御装置１００または解析装置２００が管理するタイマにより付与される時刻情報である。プロセスデータ５２は、センサから取得された入力データ、アクチュエータへ与えられた出力データ、制御装置１００の内部で管理される内部データなどを含む。状態変数５３は、制御装置１００が制御および／または肯定の進捗を管理するための内部データである。フレーム変数５４は、解析処理における対象区間を決定するための情報である。 The timestamp 51 is time information provided by a timer managed by the control device 100 or the analysis device 200. The process data 52 includes input data acquired from sensors, output data provided to actuators, internal data managed within the control device 100, and the like. The state variables 53 are internal data used by the control device 100 to manage the progress of control and/or affirmation. The frame variables 54 are information for determining the target section in the analysis process.

再度図７を参照して、開発装置３００は、エディタ３５０と、コンパイラ３６０とを含む。 Referring again to FIG. 7, the development device 300 includes an editor 350 and a compiler 360.

エディタ３５０は、ユーザプログラム１３２に対応するソースコード３５２の作成および編集を行うための環境を提供する。 The editor 350 provides an environment for creating and editing source code 352 corresponding to the user program 132.

コンパイラ３６０は、ソースコード３５２をパースして中間言語３５４を生成し、中間言語３５４からオブジェクトコードであるユーザプログラム１３２を生成する。生成されたユーザプログラム１３２は、任意の方法で制御装置１００へ転送される。 The compiler 360 parses the source code 352 to generate an intermediate language 354, and generates the user program 132, which is object code, from the intermediate language 354. The generated user program 132 is transferred to the control device 100 by any method.

コンパイラ３６０は、ソースコード３５２をパースする際にプログラム構成情報３５８を生成する。プログラム構成情報３５８は、ユーザプログラム１３２で使用されている変数および関数などの関係性を定義する。プログラム構成情報３５８は、任意の方法で解析装置２００へ転送される。プログラム構成情報３５８は、制御装置１００へ一旦転送された後に、制御装置１００から解析装置２００へ転送されてもよい。 The compiler 360 generates program configuration information 358 when parsing the source code 352. The program configuration information 358 defines the relationships between variables, functions, and the like used in the user program 132. The program configuration information 358 is transferred to the analysis device 200 by any method. The program configuration information 358 may be transferred once to the control device 100, and then transferred from the control device 100 to the analysis device 200.

解析装置２００は、制御装置１００のＴＳＤＢ１５６に格納される時系列データ５０から因果関係グラフおよびステートマシーンを生成する。解析装置２００は、因果関係グラフ生成モジュール２５０と、ステートマシーン生成モジュール２６０と、ＧＵＩ（Graphical User Interface）モジュール２７０とを含む。 The analysis device 200 generates a causal graph and a state machine from the time series data 50 stored in the TSDB 156 of the control device 100. The analysis device 200 includes a causal graph generation module 250, a state machine generation module 260, and a GUI (Graphical User Interface) module 270.

因果関係グラフ生成モジュール２５０は、時系列データ５０から因果関係グラフを生成する。より具体的には、因果関係グラフ生成モジュール２５０は、取得した時系列データ５０から特徴量（各ノードが示す値）を算出し、算出した特徴量（ノード）から因果関係グラフを生成する。このように、因果関係グラフ生成モジュール２５０は、取得された時系列データ５０に基づいて、事象に至る因果関係を推定することで、１または複数のノードを含む因果関係グラフを生成する。このとき、事象に至る因果関係を統計的に推定してもよいし、演繹的に決定してもよい。 The causal graph generation module 250 generates a causal graph from the time series data 50. More specifically, the causal graph generation module 250 calculates features (values indicated by each node) from the acquired time series data 50, and generates a causal graph from the calculated features (nodes). In this way, the causal graph generation module 250 generates a causal graph including one or more nodes by estimating the causal relationships leading to an event based on the acquired time series data 50. At this time, the causal relationships leading to an event may be estimated statistically or may be determined deductively.

なお、因果関係グラフ生成モジュール２５０は、複数の工程のうちいずれかの工程が選択されると、当該選択された工程に対応する因果関係グラフを生成するようにしてもよい。 In addition, when one of the multiple processes is selected, the causal graph generation module 250 may generate a causal graph corresponding to the selected process.

また、因果関係グラフ生成モジュール２５０は、図２に示すように、ステートマシーンに含まれる状態の選択に応じて、因果関係グラフを更新する。因果関係グラフを更新する処理の詳細については、後述する。 The causal graph generation module 250 also updates the causal graph in response to the selection of states included in the state machine, as shown in FIG. 2. The process of updating the causal graph will be described in detail later.

因果関係グラフ生成モジュール２５０は、クラスタリング生成モジュール２５２を有している。クラスタリング生成モジュール２５２は、ステートマシーンに含まれるエッジの選択に応じて、散布図を表示する際などに、データをクラスタリングする。 The causal graph generation module 250 includes a clustering generation module 252. The clustering generation module 252 clusters data, for example, when displaying a scatter plot, according to the selection of edges included in the state machine.

ステートマシーン生成モジュール２６０は、時系列データ５０からステートマシーンを生成する。ステートマシーン生成モジュール２６０は、開発装置３００から取得したプログラム構成情報３５８を参照して、ステートマシーンの状態を定義する合成状態変数を決定してもよい。 The state machine generation module 260 generates a state machine from the time series data 50. The state machine generation module 260 may refer to the program configuration information 358 acquired from the development device 300 to determine composite state variables that define the states of the state machine.

ステートマシーン生成モジュール２６０は、条件付き確率生成モジュール２６２を含む。条件付き確率生成モジュール２６２は、時系列データ５０に含まれる状態について、条件付き確率を算出する。ステートマシーン生成モジュール２６０は、算出された条件付き確率に基づいて、ステートマシーンを生成する。このように、ステートマシーン生成モジュール２６０は、取得された時系列データ５０に含まれる状態および条件付き確率に基づいて、ステートマシーンを生成する。 The state machine generation module 260 includes a conditional probability generation module 262. The conditional probability generation module 262 calculates conditional probabilities for states included in the time series data 50. The state machine generation module 260 generates a state machine based on the calculated conditional probabilities. In this way, the state machine generation module 260 generates a state machine based on the states and conditional probabilities included in the acquired time series data 50.

図７には、因果関係グラフ生成モジュール２５０およびステートマシーン生成モジュール２６０の各々が製造ラインに関するデータである時系列データ５０を取得する機能を有している例を示すが、時系列データ５０を取得する独立したモジュールを設けてもよい。 Figure 7 shows an example in which the causal graph generation module 250 and the state machine generation module 260 each have the function of acquiring time series data 50, which is data related to the production line, but an independent module for acquiring the time series data 50 may also be provided.

ＧＵＩモジュール２７０は、因果関係グラフ生成モジュール２５０により生成される因果関係グラフ、および、ステートマシーン生成モジュール２６０により生成されるステートマシーンを表示する。例えば、ＧＵＩモジュール２７０は、因果関係グラフおよびステートマシーンを並べて表示する（後述の図１４など参照）。 The GUI module 270 displays the causal graph generated by the causal graph generation module 250 and the state machine generated by the state machine generation module 260. For example, the GUI module 270 displays the causal graph and the state machine side by side (see FIG. 14 described below).

また、ＧＵＩモジュール２７０は、ユーザ操作に応じて、因果関係グラフ生成モジュール２５０およびステートマシーン生成モジュール２６０に対して、因果関係グラフの更新およびステートマシーンの表示の更新をそれぞれ指示する。 In addition, the GUI module 270 instructs the causal graph generation module 250 and the state machine generation module 260 to update the causal graph and update the display of the state machine, respectively, in response to user operations.

図７には、制御装置１００と解析装置２００とを別体の装置として例示するが、制御装置１００と解析装置２００とを一体の装置として構成してもよい。また、解析装置２００に含まれる機能（因果関係グラフ生成モジュール２５０、ステートマシーン生成モジュール２６０およびＧＵＩモジュール２７０）の一部をクラウド上のリソースで実行するようにしてもよい。すなわち、本実施の形態に従う解析装置２００は、単一の装置として実装してもよいし、複数の装置を用いて実装してもよい。 Although FIG. 7 illustrates the control device 100 and the analysis device 200 as separate devices, the control device 100 and the analysis device 200 may be configured as an integrated device. In addition, some of the functions included in the analysis device 200 (causal graph generation module 250, state machine generation module 260, and GUI module 270) may be executed by resources on the cloud. In other words, the analysis device 200 according to this embodiment may be implemented as a single device, or may be implemented using multiple devices.

＜Ｄ．処理手順＞
次に、本実施の形態に従う情報処理システム１における処理手順について説明する。 D. Processing Procedure
Next, a processing procedure in information processing system 1 according to the present embodiment will be described.

（ｄ１：全体処理）
図９は、本実施の形態に従う情報処理システム１における解析処理の処理手順を示すフローチャートである。図９に示す各ステップは、典型的には、解析装置２００のプロセッサ２０２が情報処理プログラム（図６に示すＰＬＣインターフェイスプログラム２２４、解析プログラム２２６およびＧＵＩプログラム２２８など）を実行することで実現される。 (d1: Overall processing)
Fig. 9 is a flowchart showing the procedure of analysis processing in information processing system 1 according to the present embodiment. Each step shown in Fig. 9 is typically realized by processor 202 of analysis device 200 executing an information processing program (such as PLC interface program 224, analysis program 226, and GUI program 228 shown in Fig. 6).

図９を参照して、解析装置２００は、解析処理の開始条件が成立したか否かを判断する（ステップＳ１）。解析処理の開始条件は、例えば、ユーザが明示的に作成開始を指示したことを含んでいてもよいし、何らかのイベントが発生したことを含んでいてもよい。さらに、解析処理の開始条件は、前回の処理実行から所定時間が経過したことを含んでいてもよい。 Referring to FIG. 9, the analysis device 200 determines whether a start condition for the analysis process is met (step S1). The start condition for the analysis process may include, for example, a user explicitly instructing the start of creation, or the occurrence of some event. Furthermore, the start condition for the analysis process may include the passage of a predetermined time since the previous execution of the process.

解析処理の開始条件が成立していなければ（ステップＳ１においてＮＯ）、ステップＳ１の処理が繰り返される。 If the conditions for starting the analysis process are not met (NO in step S1), the process in step S1 is repeated.

解析処理の開始条件が成立していれば（ステップＳ１においてＹＥＳ）、解析装置２００は、制御装置１００から時系列データ５０を取得する（ステップＳ２）。すなわち、解析装置２００は、製造ラインに関するデータを取得する。 If the conditions for starting the analysis process are met (YES in step S1), the analysis device 200 acquires time-series data 50 from the control device 100 (step S2). That is, the analysis device 200 acquires data related to the production line.

続いて、解析装置２００は、取得した時系列データ５０に含まれる状態変数およびフレーム変数のデータを特定するとともに、解析の対象となるプロセスデータ（入力データ、出力データ、内部データ）を特定する（ステップＳ３）。状態変数のデータは、ステートマシーンを生成するために用いられる。フレーム変数のデータは、解析処理における対象区間を決定するために用いられる。例えば、フレーム変数のデータが同じ値を示している区間を１つのフレームとして抽出することができる。 Then, the analysis device 200 identifies the state variable and frame variable data contained in the acquired time series data 50, and identifies the process data (input data, output data, internal data) to be analyzed (step S3). The state variable data is used to generate a state machine. The frame variable data is used to determine the target interval in the analysis process. For example, an interval in which the frame variable data shows the same value can be extracted as one frame.

解析装置２００は、時系列データ５０に含まれる状態変数の値に基づいて、ステートマシーンを生成し（ステップＳ４）、生成されたステートマシーンを表示する（ステップＳ５）。 The analysis device 200 generates a state machine based on the values of the state variables contained in the time series data 50 (step S4) and displays the generated state machine (step S5).

また、時系列データ５０から因果関係グラフを生成し（ステップＳ６）、生成された因果関係グラフを表示する（ステップＳ７）。このように、解析装置２００は、取得された時系列データ５０に基づいて、事象に至る因果関係を推定することで、１または複数のノードを含む因果関係グラフを生成する。 The analysis device 200 also generates a causal graph from the time-series data 50 (step S6) and displays the generated causal graph (step S7). In this way, the analysis device 200 generates a causal graph including one or more nodes by estimating the causal relationships leading to events based on the acquired time-series data 50.

続いて、解析装置２００は、表示されたステートマシーンにおいて、いずれかの状態が選択されたか否かを判断する（ステップＳ８）。 The analysis device 200 then determines whether any state has been selected in the displayed state machine (step S8).

いずれかの状態が選択されると（ステップＳ８においてＹＥＳ）、解析装置２００は、選択された状態に応じて、因果関係グラフを更新する（ステップＳ６）。このように、解析装置２００は、ステートマシーンに含まれる状態の選択に応じて、因果関係グラフを更新する。 When any state is selected (YES in step S8), the analysis device 200 updates the causal graph in accordance with the selected state (step S6). In this way, the analysis device 200 updates the causal graph in accordance with the selection of states included in the state machine.

いずれの状態も選択されなければ（ステップＳ８においてＮＯ）、解析装置２００は、表示された因果関係グラフにおいて、いずれかのエッジが選択されたか否かを判断する（ステップＳ９）。いずれかのエッジが選択されると（ステップＳ９においてＹＥＳ）、解析装置２００は、ステートマシーンの表現形態を更新する（ステップＳ１０）。いずれのエッジも選択されなければ（ステップＳ９においてＮＯ）、ステップＳ１０の処理はスキップされる。 If no state is selected (NO in step S8), the analysis device 200 determines whether any edge is selected in the displayed causal graph (step S9). If any edge is selected (YES in step S9), the analysis device 200 updates the representation form of the state machine (step S10). If no edge is selected (NO in step S9), the processing of step S10 is skipped.

本明細書において、「ステートマシーンの表現形態」との用語は、ステートマシーンが表示または再生されたときに、ユーザが視覚的に認識する内容を意味する。ステートマシーンの表現形態を更新する処理は、ステートマシーンを表示するための指令、データ、および／または、信号を更新することを包含し、解析装置２００に含まれる表示部２１８、および、解析装置２００とは別の表示装置の存在を必須とするものではない。 In this specification, the term "state machine expression form" refers to the content that a user visually recognizes when a state machine is displayed or played back. The process of updating the state machine expression form includes updating the instructions, data, and/or signals for displaying the state machine, and does not require the presence of display unit 218 included in analysis device 200 or a display device separate from analysis device 200.

続いて、解析装置２００は、解析処理の終了が指示されたか否かを判断する（ステップＳ１１）。解析処理の終了が指示されなければ（ステップＳ１１においてＮＯ）、ステップＳ８以下の処理が繰り返される。解析処理の終了が指示されると（ステップＳ１１においてＹＥＳ）、ステップＳ１以下の処理が繰り返される。 Then, the analysis device 200 determines whether or not an instruction to end the analysis process has been given (step S11). If an instruction to end the analysis process has not been given (NO in step S11), the processing from step S8 onwards is repeated. If an instruction to end the analysis process has been given (YES in step S11), the processing from step S1 onwards is repeated.

（ｄ２：ステートマシーン生成処理）
次に、図９に示すステートマシーンを生成する処理（ステップＳ４）について説明する。 (d2: State machine generation process)
Next, the process of generating the state machine shown in FIG. 9 (step S4) will be described.

図１０は、図９に示すステートマシーン生成処理の処理手順を示すフローチャートである。図１１は、図９に示すステートマシーン生成処理において生成されるデータの一例を示す図である。 Figure 10 is a flowchart showing the processing steps of the state machine generation process shown in Figure 9. Figure 11 is a diagram showing an example of data generated in the state machine generation process shown in Figure 9.

図１０を参照して、解析装置２００は、すべての状態変数を包含する合成状態変数Ｓ^＊を生成する（ステップＳ４１）。続いて、解析装置２００は、生成した合成状態変数Ｓ^＊の一意性を満たすように、状態ＳＴを定義する（ステップＳ４２）。 10, analysis device 200 generates a composite state variable S ^* that includes all state variables (step S41). Then, analysis device 200 defines a state ST so as to satisfy the uniqueness of the generated composite state variable S ^* (step S42).

図１１（Ａ）には、合成状態変数Ｓ^＊および状態ＳＴの一例を示す。例えば、３つの状態変数ｓ１，ｓ２，ｓ３から合成状態変数Ｓ^＊を生成するとともに、合成状態変数Ｓ^＊が示す値が４種類であることに応じて、４つの状態ＳＴ１～ＳＴ４を定義できる。 11A shows an example of a composite state variable S ^* and a state ST. For example, a composite state variable S ^* is generated from three state variables s1, s2, and s3, and four states ST1 to ST4 can be defined in accordance with the four types of values indicated by the composite state variable S ^* .

再度図１０を参照して、解析装置２００は、時系列データ５０に含まれる各フレームが示す状態ＳＴの値に基づいて、状態ＳＴの条件付き確率を算出する（ステップＳ４３）。算出された条件付き確率は、条件付き確率表（ＣＰＴ：Conditional Probability Table）として記述できる。 Referring again to FIG. 10, the analysis device 200 calculates the conditional probability of the state ST based on the value of the state ST indicated by each frame included in the time series data 50 (step S43). The calculated conditional probability can be described as a conditional probability table (CPT).

図１１（Ｂ）には、４つの状態ＳＴ１～ＳＴ４についての条件付き確率表の一例を示す。図１１（Ｂ）に示す条件付き確率表においては、状態ＳＴ１から状態ＳＴ２への遷移、状態ＳＴ２から状態ＳＴ３への遷移、状態ＳＴ３から状態ＳＴ４への遷移、および、状態ＳＴ４から状態ＳＴ１への遷移については、０．９７以上の相対的に高い確率を示している。 Figure 11 (B) shows an example of a conditional probability table for the four states ST1 to ST4. In the conditional probability table shown in Figure 11 (B), the transitions from state ST1 to state ST2, from state ST2 to state ST3, from state ST3 to state ST4, and from state ST4 to state ST1 show relatively high probabilities of 0.97 or more.

再度図１０を参照して、解析装置２００は、算出した状態ＳＴの条件付き確率において、予め定められたしきい値より高い確率を示す遷移を抽出して、ステートマシーンを生成する（ステップＳ４４）。そして、処理はリターンする。 Referring again to FIG. 10, the analysis device 200 extracts transitions that show a higher probability than a predetermined threshold in the calculated conditional probability of the state ST, and generates a state machine (step S44). Then, the process returns.

このように、ステートマシーンを生成する処理（ステップＳ４）において、解析装置２００は、取得された時系列データ５０に含まれる状態および条件付き確率に基づいて、ステートマシーンを生成する。より具体的には、解析装置２００は、取得された時系列データ５０から状態を定義するとともに、定義された状態が示す値の一意性を満たすように、ステートマシーンに含める状態を決定する。 In this way, in the process of generating a state machine (step S4), the analysis device 200 generates a state machine based on the states and conditional probabilities contained in the acquired time series data 50. More specifically, the analysis device 200 defines states from the acquired time series data 50, and determines the states to be included in the state machine so as to satisfy the uniqueness of the values indicated by the defined states.

（ｄ３：因果関係グラフ生成）
次に、図９に示す因果関係グラフを生成する処理（ステップＳ６）について説明する。 (d3: Causal graph generation)
Next, the process of generating the causal graph shown in FIG. 9 (step S6) will be described.

図１２は、図９に示す因果関係グラフを生成する処理の処理手順を示すフローチャートである。図１２を参照して、解析装置２００は、時系列データ５０をフレーム毎に分割し（ステップＳ６１）、対象となるフレームを抽出する（ステップＳ６２）。 Figure 12 is a flowchart showing the processing procedure for generating the causal graph shown in Figure 9. Referring to Figure 12, the analysis device 200 divides the time series data 50 into frames (step S61) and extracts target frames (step S62).

続いて、解析装置２００は、フレーム毎に特徴量を算出する（ステップＳ６３）。特徴量は、対象の各プロセスデータについて、各フレームにおける平均値、最小値、最大値といった、各フレームを代表する任意の値である。各特徴量は、因果関係グラフを構成する各ノードとなる。 Next, the analysis device 200 calculates a feature amount for each frame (step S63). The feature amount is any value that represents each frame, such as the average value, minimum value, or maximum value for each frame of the target process data. Each feature amount becomes each node that constitutes the causal graph.

解析装置２００は、何らかの異常が発生したフレーム（異常ラベルが付与されたフレーム）に注目して、各特徴量の重要度および貢献度を算出する（ステップＳ６４）。解析装置２００は、特徴量の偏相関を算出し（ステップＳ６５）、算出した偏相関とユーザプログラム１３２に定義された変数間の依存関係とを合成する（ステップＳ６６）。ユーザプログラム１３２を考慮することで、工程の情報を反映した因果関係グラフを生成できる。すなわち、取得された時系列データ５０から算出された特徴量の偏相関と、製造ラインを制御するためのユーザプログラム１３２に定義された変数間の依存関係とに基づいて、因果関係グラフを生成することができる。 The analysis device 200 focuses on frames in which some abnormality has occurred (frames to which an abnormality label has been assigned) and calculates the importance and contribution of each feature (step S64). The analysis device 200 calculates the partial correlation of the feature (step S65) and combines the calculated partial correlation with the dependency relationship between variables defined in the user program 132 (step S66). By taking the user program 132 into consideration, a causal relationship graph that reflects process information can be generated. That is, a causal relationship graph can be generated based on the partial correlation of the feature calculated from the acquired time-series data 50 and the dependency relationship between variables defined in the user program 132 for controlling the production line.

また、ユーザプログラム１３２を考慮することで、状態遷移なども考慮した因果関係グラフを生成できる。解析装置２００は、構造方程式モデリング（ＳＥＭ：Structural Equation Modeling）に基づく変数間の依存関係を生成する（ステップＳ６７）。 In addition, by taking into account the user program 132, a causal graph that also takes into account state transitions and the like can be generated. The analysis device 200 generates dependencies between variables based on structural equation modeling (SEM) (step S67).

最終的に、解析装置２００は、各特徴量の重要度および貢献度（ステップＳ６４）、偏相関とユーザプログラム１３２に定義された変数間の依存関係との合成結果（ステップＳ６５，Ｓ６６）、および、構造方程式モデリングに基づく変数間の依存関係（ステップＳ６７）に基づいて、因果関係グラフを生成する（ステップＳ６８）。そして、処理はリターンする。 Finally, the analysis device 200 generates a causal graph (step S68) based on the importance and contribution of each feature (step S64), the synthesis result of the partial correlation and the dependency between variables defined in the user program 132 (steps S65 and S66), and the dependency between variables based on structural equation modeling (step S67). Then, the process returns.

すなわち、解析装置２００は、ステップＳ６３において算出した特徴量（ノード）間の結合関係（エッジ）を決定する。決定される結合関係（エッジ）は、無向性であってもよいし、有向性であってもよい。 That is, the analysis device 200 determines the connection relationships (edges) between the features (nodes) calculated in step S63. The determined connection relationships (edges) may be either non-directional or directional.

なお、因果関係グラフを生成するためには、ステップＳ６４～Ｓ６７に示される情報をすべて用いる必要はなく、また、ステップＳ６４～Ｓ６７に示される情報以外の情報を用いるようにしてもよい。 Note that in order to generate a causal relationship graph, it is not necessary to use all of the information shown in steps S64 to S67, and information other than the information shown in steps S64 to S67 may also be used.

上述のステップＳ６２において、因果関係グラフを生成する場合には、全フレームが対象となるのに対して、因果関係グラフを更新する場合には、選択された状態に対応するフレームが対象となる。すなわち、因果関係グラフの更新において、解析装置２００は、ステートマシーンから選択された１または複数の状態に対応するデータに基づいて、因果関係グラフを再生成する。 In the above-mentioned step S62, when generating a causal graph, all frames are targeted, whereas when updating a causal graph, frames corresponding to the selected state are targeted. In other words, when updating a causal graph, the analysis device 200 regenerates a causal graph based on data corresponding to one or more states selected from the state machine.

（ｄ４：ステートマシーン表示更新）
次に、図９に示すステートマシーンの表現形態を更新する処理（ステップＳ１０）について説明する。 (d4: Update state machine display)
Next, the process of updating the representation form of the state machine shown in FIG. 9 (step S10) will be described.

図１３は、図９に示すステートマシーンの表現形態を更新する処理の処理手順を示すフローチャートである。図１３を参照して、解析装置２００は、選択されたエッジの両端に位置する２つのノードに対応するデータを時系列データ５０から抽出し（ステップＳ１０１）、抽出したデータを散布図などの形で表示する（ステップＳ１０２）。 Figure 13 is a flowchart showing the processing procedure for updating the representation form of the state machine shown in Figure 9. Referring to Figure 13, the analysis device 200 extracts data corresponding to the two nodes located at both ends of the selected edge from the time-series data 50 (step S101), and displays the extracted data in the form of a scatter plot or the like (step S102).

解析装置２００は、表示されたデータに対してユーザが対象領域を選択したか否かを判断する（ステップＳ１０３）。表示されたデータに対してユーザが対象領域を選択しなければ（ステップＳ１０３においてＮＯ）、ステップＳ１０３の処理が繰り返される。 The analysis device 200 determines whether or not the user has selected a target area for the displayed data (step S103). If the user has not selected a target area for the displayed data (NO in step S103), the process of step S103 is repeated.

表示されたデータに対してユーザが対象領域を選択すると（ステップＳ１０３においてＹＥＳ）、解析装置２００は、選択された対象領域に含まれるデータに対応する状態（合成状態変数Ｓ^＊および状態ＳＴ）を抽出する（ステップＳ１０４）。そして、抽出した状態を示す対象特定表示２４をステートマシーンに付加する（ステップＳ１０５）。そして、処理はリターンする。 When the user selects a target area for the displayed data (YES in step S103), analysis device 200 extracts the state (composite state variable S ^* and state ST) corresponding to the data included in the selected target area (step S104), and adds target specific indication 24 indicating the extracted state to the state machine (step S105). Then, the process returns.

＜Ｅ．ＧＵＩ＞
次に、解析装置２００のＧＵＩモジュール２７０が提供するＧＵＩの一例を説明する。 <E. GUI>
Next, an example of a GUI provided by GUI module 270 of analysis device 200 will be described.

図１４は、本実施の形態に従う解析装置２００が提供する表示画面４００の一例を示す模式図である。図１４を参照して、表示画面４００は、制御装置１００から取得した時系列データ５０の波形を示す波形表示エリア４１０と、生成された因果関係グラフを表示するグラフ表示エリア４２０と、生成されたステートマシーンを表示するステートマシーン表示エリア４３０と、時系列データ５０の対象範囲を指定する対象範囲指定エリア４４０と、検知された異常を一覧表示する異常表示エリア４４２と、要因解析の結果を表示する結果表示エリア４４４とを含む。 Fig. 14 is a schematic diagram showing an example of a display screen 400 provided by the analysis device 200 according to the present embodiment. Referring to Fig. 14, the display screen 400 includes a waveform display area 410 showing the waveform of the time series data 50 acquired from the control device 100, a graph display area 420 showing the generated causal relationship graph, a state machine display area 430 showing the generated state machine, a target range designation area 440 for designating the target range of the time series data 50, an anomaly display area 442 showing a list of detected anomalies, and a result display area 444 showing the results of the causal analysis.

ユーザは、何らかの異常が発生すると、波形表示エリア４１０において因果関係グラフの生成に用いる区間４１２を設定する。なお、区間４１２は、イベント発生に応じて、自動的に設定されてもよい。さらに、何らかの異常が発生した区間４１４（異常ラベルが付与される区間）を表示するようにしてもよい。なお、ユーザは、対象範囲指定エリア４４０において、時系列データ５０の対象範囲を時刻で指定することもできる。 When an abnormality occurs, the user sets a section 412 to be used for generating a causal graph in the waveform display area 410. The section 412 may be set automatically in response to the occurrence of an event. Furthermore, the section 414 in which an abnormality occurred (a section to which an abnormality label is assigned) may be displayed. The user can also specify the target range of the time series data 50 by time in the target range designation area 440.

区間４１２および／または区間４１４の設定に応じて、解析装置２００は、上述したような処理手順に従って、因果関係グラフおよびステートマシーンを生成する。 Depending on the settings of interval 412 and/or interval 414, analysis device 200 generates a causal graph and a state machine according to the processing procedure described above.

ユーザは、ポインタ４５０などを操作して、因果関係グラフおよび／またはステートマシーンを選択することで、表示される内容が適宜更新される。すなわち、ユーザがステートマシーンに含まれる１または複数の状態を選択すると、因果関係グラフが更新される。また、ユーザが因果関係グラフに含まれるノードまたはエッジを選択すると、ステートマシーンの表示が更新される。 The user can operate the pointer 450 or the like to select the causal graph and/or the state machine, and the displayed content can be updated as appropriate. That is, when the user selects one or more states included in the state machine, the causal graph is updated. Also, when the user selects a node or edge included in the causal graph, the display of the state machine is updated.

このように、解析装置２００のＧＵＩモジュール２７０は、互いに関連付けられた因果関係グラフとステートマシーンとを表示する。 In this way, the GUI module 270 of the analysis device 200 displays the causal graph and the state machine that are associated with each other.

＜Ｆ．変形例＞
上述の説明においては、特定の工程についての因果関係グラフおよびステートマシーンを用いて要因解析を行う例を取り上げたが、複数の工程についての因果関係グラフおよびステートマシーンを用いて、工程を跨ぐ要因解析を行うこともできる。 F. Modifications
In the above explanation, an example was given of performing factor analysis using a causal relationship graph and a state machine for a specific process. However, factor analysis across processes can also be performed using causal relationship graphs and state machines for multiple processes.

図１５は、本実施の形態に従う情報処理システム１を用いて工程を跨いだ要因解析の一例を説明するための図である。 Figure 15 is a diagram for explaining an example of factor analysis across processes using information processing system 1 according to this embodiment.

図１５には、一例として、４つの工程Ａ～工程Ｄの各々についての因果関係グラフおよびステートマシーンを表示する。解析装置２００は、複数の工程についての因果関係グラフおよびステートマシーンを出力してもよい。 As an example, FIG. 15 shows a causal graph and a state machine for each of the four processes A to D. The analysis device 200 may output causal graphs and state machines for multiple processes.

ユーザは、関連付けられた因果関係グラフおよびステートマシーンを参照して、工程を跨いだ解析や工程毎のサイクルタイム分析などを行うこともできる。 Users can also refer to the associated causal graphs and state machines to perform cross-process analysis and cycle time analysis for each process.

＜Ｇ．付記＞
上述したような本実施の形態は、以下のような技術思想を含む。 <G. Notes>
The present embodiment as described above includes the following technical idea.

［構成１］
製造ラインに関するデータ（５０）を取得する取得部と、
前記取得されたデータに基づいて、事象に至る因果関係を推定することで、１または複数のノードを含む因果関係グラフ（１０）を生成する第１の生成部（２５０）と、
前記取得されたデータに含まれる状態および条件付き確率に基づいて、ステートマシーン（２０）を生成する第２の生成部（２６０）とを備え、
前記第１の生成部は、前記ステートマシーンに含まれる状態の選択に応じて、前記因果関係グラフを更新する、解析装置。 [Configuration 1]
An acquisition unit for acquiring data (50) relating to a manufacturing line;
a first generation unit (250) that generates a causal graph (10) including one or more nodes by estimating a causal relationship leading to an event based on the acquired data;
a second generator (260) for generating a state machine (20) based on states and conditional probabilities included in the acquired data;
The first generation unit updates the causal graph in response to a selection of states included in the state machine.

［構成２］
前記第１の生成部は、前記選択された１または複数の状態に対応するデータに基づいて、前記因果関係グラフを再生成する、構成１に記載の解析装置。 [Configuration 2]
2. The analysis apparatus according to configuration 1, wherein the first generator regenerates the causal graph based on data corresponding to the selected one or more states.

［構成３］
前記第１の生成部は、複数の工程のうち選択された工程に対応する因果関係グラフを出力する、構成１または２に記載の解析装置。 [Configuration 3]
3. The analysis device according to configuration 1 or 2, wherein the first generation unit outputs a causal relationship graph corresponding to a selected process among a plurality of processes.

［構成４］
前記第２の生成部は、前記因果関係グラフのノードまたはエッジの選択に応じて、前記ステートマシーンの表現形態を更新する、構成１～３のいずれか１項に記載の解析装置。 [Configuration 4]
The analysis device according to any one of configurations 1 to 3, wherein the second generation unit updates the representation form of the state machine in response to a selection of a node or edge of the causal graph.

［構成５］
前記因果関係グラフのノードまたはエッジの選択は、関連するデータ群から対象のデータを選択することを含む、構成４に記載の解析装置。 [Configuration 5]
5. The analysis apparatus of claim 4, wherein selecting a node or edge of the causal graph includes selecting target data from a group of related data.

［構成６］
前記第１の生成部および前記第２の生成部は、複数の工程についての因果関係グラフおよびステートマシーンを出力する、構成１～５のいずれか１項に記載の解析装置。 [Configuration 6]
6. The analysis device according to any one of configurations 1 to 5, wherein the first generation unit and the second generation unit output a causal graph and a state machine for a plurality of processes.

［構成７］
前記第２の生成部は、前記取得されたデータから状態を定義するとともに、定義された状態が示す値の一意性を満たすように、前記ステートマシーンに含める状態を決定する、構成１～６のいずれか１項に記載の解析装置。 [Configuration 7]
The second generation unit defines a state from the acquired data and determines a state to be included in the state machine so as to satisfy uniqueness of a value indicated by the defined state.

［構成８］
前記因果関係グラフおよび前記ステートマシーンを並べて表示する表示部（２７０；２１８）をさらに備える、構成１～７のいずれか１項に記載の解析装置。 [Configuration 8]
The analysis device according to any one of configurations 1 to 7, further comprising a display unit (270; 218) for displaying the causal graph and the state machine side by side.

［構成９］
コンピュータ（２００）が実行する解析方法であって、
製造ラインに関するデータ（５０）を取得するステップ（Ｓ２）と、
前記取得されたデータに基づいて、事象に至る因果関係を推定することで、１または複数のノードを含む因果関係グラフ（１０）を生成するステップ（Ｓ６）と、
前記取得されたデータに含まれる状態および条件付き確率に基づいて、ステートマシーン（２０）を生成するステップ（Ｓ４）と、
前記ステートマシーンに含まれる状態の選択に応じて、前記因果関係グラフを更新するステップ（Ｓ６）とを備える、解析方法。 [Configuration 9]
An analysis method executed by a computer (200), comprising:
A step (S2) of acquiring data (50) relating to a production line;
A step (S6) of generating a causal graph (10) including one or more nodes by estimating causal relationships leading to events based on the acquired data;
generating (S4) a state machine (20) based on states and conditional probabilities contained in the acquired data;
and updating (S6) the causality graph in response to a selection of states included in the state machine.

［構成１０］
情報処理プログラム（２２４，２２６，２２８））であって、コンピュータ（１００）に、
製造ラインに関するデータ（５０）を取得するステップ（Ｓ２）と、
前記取得されたデータに基づいて、事象に至る因果関係を推定することで、１または複数のノードを含む因果関係グラフ（１０）を生成するステップ（Ｓ６）と、
前記取得されたデータに含まれる状態および条件付き確率に基づいて、ステートマシーン（２０）を生成するステップ（Ｓ４）と、
前記ステートマシーンに含まれる状態の選択に応じて、前記因果関係グラフを更新するステップ（Ｓ６）とを実行させる、情報処理プログラム。 [Configuration 10]
An information processing program (224, 226, 228)) comprising:
A step (S2) of acquiring data (50) relating to a production line;
A step (S6) of generating a causal graph (10) including one or more nodes by estimating causal relationships leading to events based on the acquired data;
generating (S4) a state machine (20) based on states and conditional probabilities contained in the acquired data;
and updating the causal graph in accordance with a selection of a state included in the state machine (S6).

＜Ｈ．利点＞
製造ラインなどから収集された情報に基づいて、製品品質不良などの要因を分析するために生成される因果関係グラフは大規模化することもある。製品品質不良の要因を分析するには、製造ラインを構成する製造装置のふるまいに関する知識が必要であるが、因果関係グラフとステートマシーンとを関連付けることで、解釈性を向上させることができる。これによって、異常の要因の特定を容易化できる。 H. Advantages
Causal graphs generated to analyze the causes of product quality defects based on information collected from production lines can become large in scale. Analyzing the causes of product quality defects requires knowledge of the behavior of the manufacturing equipment that makes up the production line, but by associating the causal graph with a state machine, interpretability can be improved, making it easier to identify the causes of anomalies.

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した説明ではなく、特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。 The embodiments disclosed herein should be considered to be illustrative and not restrictive in all respects. The scope of the present invention is indicated by the claims, not by the above description, and is intended to include all modifications within the meaning and scope of the claims.

１情報処理システム、１０，１０Ａ，１０Ｂ，１０Ｃ，１０Ｍ因果関係グラフ、２０ステートマシーン、２２状態群、２４対象特定表示、４０フィールドデバイス、４２センサ、４４アクチュエータ、５０時系列データ、５１タイムスタンプ、５２プロセスデータ、５３状態変数、５４フレーム変数、６０散布図、６２対象領域、１００制御装置、１０２，２０２プロセッサ、１０４チップセット、１０６，２０６主記憶装置、１０８，２０８二次記憶装置、１１０フィールドバスコントローラ、１１２，２１２ＵＳＢコントローラ、１１４メモリカードインターフェイス、１１６メモリカード、１３１システムプログラム、１３２ユーザプログラム、１５０ＰＬＣエンジン、１５２変数マネジャ、１５４インターフェイス、１５６ＴＳＤＢ、２００解析装置、２０４光学ドライブ、２０５記録媒体、２１４ネットワークコントローラ、２１６入力部、２１８表示部、２２０バス、２２２ＯＳ、２２４インターフェイスプログラム、２２６解析プログラム、２２８プログラム、２５０因果関係グラフ生成モジュール、２５２クラスタリング生成モジュール、２６０ステートマシーン生成モジュール、２６２条件付き確率生成モジュール、２７０ＧＵＩモジュール、３００開発装置、３５０エディタ、３５２ソースコード、３５４中間言語、３５８プログラム構成情報、３６０コンパイラ、４００表示画面、４１０波形表示エリア、４１２，４１４区間、４２０グラフ表示エリア、４３０ステートマシーン表示エリア、４４０対象範囲指定エリア、４４２異常表示エリア、４４４結果表示エリア、４５０ポインタ。 1 Information processing system, 10, 10A, 10B, 10C, 10M Causal graph, 20 State machine, 22 State group, 24 Object specific display, 40 Field device, 42 Sensor, 44 Actuator, 50 Time series data, 51 Time stamp, 52 Process data, 53 State variable, 54 Frame variable, 60 Scatter plot, 62 Object area, 100 Control device, 102, 202 Processor, 104 Chip set, 106, 206 Main memory, 108, 208 Secondary memory, 110 Field bus controller, 112, 212 USB controller, 114 Memory card interface, 116 Memory card, 131 System program, 132 User program, 150 PLC engine, 152 Variable manager, 154 Interface, 156 TSDB, 200 Analysis device, 204 Optical drive, 205 Recording medium, 214 network controller, 216 input unit, 218 display unit, 220 bus, 222 OS, 224 interface program, 226 analysis program, 228 program, 250 causal graph generation module, 252 clustering generation module, 260 state machine generation module, 262 conditional probability generation module, 270 GUI module, 300 development device, 350 editor, 352 source code, 354 intermediate language, 358 program configuration information, 360 compiler, 400 display screen, 410 waveform display area, 412, 414 section, 420 graph display area, 430 state machine display area, 440 target range designation area, 442 anomaly display area, 444 result display area, 450 pointer.

Claims

An acquisition unit that acquires data related to the production line;
a first generation unit that generates a causal graph including one or more nodes by estimating a causal relationship leading to an event based on the acquired data;
a second generator configured to generate a state machine based on states and conditional probabilities included in the acquired data;
The first generation unit updates the causal graph in response to a selection of states included in the state machine.

The analysis device according to claim 1, wherein the first generation unit regenerates the causal graph based on data corresponding to the selected one or more states.

The analysis device according to claim 1, wherein the first generation unit outputs a causal graph corresponding to a selected process among a plurality of processes.

The analysis device according to claim 1, wherein the second generation unit updates the representation form of the state machine in response to the selection of a node or edge of the causal graph.

The analysis device according to claim 4, wherein the selection of the nodes or edges of the causal graph includes selecting target data from a group of related data.

The analysis device according to any one of claims 1 to 5, wherein the first generation unit and the second generation unit output a causal graph and a state machine for multiple processes.

The analysis device according to any one of claims 1 to 5, wherein the second generation unit defines states from the acquired data and determines states to be included in the state machine so as to satisfy uniqueness of values indicated by the defined states.

The analysis device according to any one of claims 1 to 5, further comprising a display unit that displays the causal graph and the state machine side by side.

1. A computer implemented analysis method comprising:
acquiring data relating to a manufacturing line;
generating a causal graph including one or more nodes by estimating a causal relationship leading to an event based on the acquired data;
generating a state machine based on states and conditional probabilities contained in the acquired data;
and updating the causality graph in response to a selection of states included in the state machine.

An information processing program, comprising:
acquiring data relating to a manufacturing line;
generating a causal graph including one or more nodes by estimating a causal relationship leading to an event based on the acquired data;
generating a state machine based on states and conditional probabilities contained in the acquired data;
and updating the causal graph in response to a selection of a state included in the state machine.