JP5186956B2 - 要因推定支援装置およびその制御方法、ならびに要因推定支援プログラム - Google Patents

Description

本発明は、診断対象のシステムにおいて発生した結果から要因を推定することを支援する要因推定支援装置およびその制御方法、ならびに要因推定支援プログラムに関するものである。例えば、本発明は、複数の工程を経て製品を製造する生産システムにおいて発生した異常から原因を推定することを支援する要因推定支援装置などに関するものである。

工場の生産ラインにおいて、歩留まりを向上させるために工程の改善処理が必要とされている。工程の改善処理としては、まず製造品の不良の要因となる工程を特定し、その要因を取り除くように機器の調整や清掃などが行われる。

しかしながら、複数の工程からなる製造工程においては、不良の要因の候補として、製造装置の部品の欠陥、製造装置の設定の問題、および搬送経路での問題など、多種多様な要因が考えられる。例えば回路基板の表面実装システムの工程は、印刷工程−マウント工程−リフロー工程にわかれている。プリント工程では、基板上に半田ペーストが印刷され、マウント工程では、基板上に部品が装着される。最後のリフロー工程では、熱を加えることによって半田を溶かして部品が接着される。このような表面実装システムにおいて、ブリッジ不良が起こった場合、ブリッジ不良を起こす要因としては、マスクずれ、下型よごれなど多く考えられるが、この内の１つまたは複数が根本の要因となる。
特開２００６−０６５５９８号公報（２００６年３月９日公開） 特開２００６−１７３３７３号公報（２００６年６月２９日公開）

このような、多種多様な要因の中から根本の要因を、因果関係の強さを利用して自動的に推定する技術は、例えば特許文献１・２に開示されている。しかしながら、因果関係が最も強い要因が根本の要因になるとは限らない。また、根本の要因を自動的に推定するため、推定に至る過程がブラックボックスとなってユーザに提示されないことになる。その結果、推定された根本の要因に対する説得力が弱くなる。

一方、多種多様な要因の中から根本の要因を人が推定する場合、不良品の症状に関するデータ、および、製造装置の動作履歴や検査装置の検査履歴に関するデータは膨大なものであるため、不良の発生に関する分析を行うことは困難である。

ここで、生産管理に関する経験が豊富な生産管理担当者は、不良要因が不良品、製造装置、検査装置に与える影響の関係、およびその影響の解釈の仕方を経験的に知っており、効率的に工程改善を実施することが可能である。しかしながら、経験の浅い生産管理担当者は、要因を１つずつ吟味して要因の特定を行うことになり、工程の改善処理に多大な時間を費やすことになる。

したがって、生産現場において、いかなる熟練度の生産管理担当者であっても、異常要因の推定を容易に実現可能な手法が要望されている。本発明は、上記の問題点に鑑みてなされたものであり、その目的は、異常要因の推定を容易に実現できる要因推定支援装置などを提供することにある。

本発明に係る要因推定支援装置は、診断対象のシステムにおいて発生した結果から要因を推定することを支援する要因推定支援装置であって、上記課題を解決するために、上記システムから取得した複数の変量の履歴情報を記憶する変量履歴記憶部と、上記複数の変量間の因果関係を示す因果関係情報を記憶する因果関係記憶部と、上記結果に対応する変量が異常であるかを判定する結果異常判定手段と、該結果異常判定手段が異常であると判定した場合、上記結果に対応する変量以外の変量のそれぞれが異常であるかを判定する変量異常判定手段と、上記因果関係情報を用いて、上記因果関係を可視化した可視化画像を作成する可視化画像作成手段であって、上記可視化画像において、上記結果異常判定手段および上記変量異常判定手段が異常であると判定した変量に対し、異常である旨の情報を追加する可視化画像作成手段とを備えることを特徴としている。

また、本発明に係る要因推定支援装置の制御方法は、診断対象のシステムにおいて発生した結果から要因を推定することを支援する要因推定支援装置であって、上記システムから取得した複数の変量の履歴情報を記憶する変量履歴記憶部と、上記複数の変量間の因果関係を示す因果関係情報を記憶する因果関係記憶部とを備える要因推定支援装置の制御方法であって、上記課題を解決するために、上記結果に対応する変量が異常であるかを判定する結果異常判定ステップと、該結果異常判定ステップにて異常であると判定された場合、上記結果に対応する変量以外の変量のそれぞれが異常であるかを判定する変量異常判定ステップと、上記因果関係情報を用いて、上記因果関係を可視化した可視化画像を作成する可視化画像作成ステップであって、上記可視化画像において、上記結果異常判定ステップおよび上記変量異常判定ステップにて異常であると判定された変量に対し、異常である旨の情報を追加する可視化画像作成ステップとを含むことを特徴としている。

ここで、正常とは、所定の条件に適合する場合を言い、異常とは、該条件に適合しない場合を言う。また、異常である旨の情報の例としては、赤色、「異常」という文字列などのような、ユーザに注意を喚起する色および文字や、下線、斜線などのような、該当箇所を強調するための模様が挙げられる。

上記の構成および方法によると、結果に対応する変量が異常であると判定された場合、上記結果に対応する変量以外の変量のそれぞれが異常であるかが判定される。このとき、異常であると判定された変量は、上記結果に対する要因に対応するものを含む可能性が高い。そこで、本発明では、因果関係を可視化した可視化画像において、異常であると判定された変量に対し異常である旨の情報が追加されている。この可視化画像を、表示手段、印刷手段などの出力手段により、外部に出力してユーザが参照することにより、異常の発生している変量をユーザが容易に把握することができると共に、上記異常が因果関係に沿ってどのように伝播しているのかをユーザが容易に把握できるので、ユーザが異常の原因を容易に推定することができる。

ところで、製造工程では、製造された製品を検査して所定の基準に合致していない場合に上記製品が不良品となる。このように、結果に対応する変量には、異常を判定する基準が予め設けられていることが通常であるが、その他の変量には、異常を判定する基準が予め設けられていることは少ない。

そこで、本発明に係る要因推定支援装置では、上記結果異常判定手段が異常を判定する基準となる所定の判定基準と、上記因果関係情報とに基づいて、上記変量異常判定手段が異常を判定する基準となる判定基準を設定する判定基準設定手段をさらに備えることが望ましい。これにより、上記結果に対応する変量以外の変量に対しても、異常を判定する基準を設定することができる。また、上記設定が因果関係情報に基づいて行われるので、因果関係が変更された場合にも対応することができる。

なお、上記判定基準の例としては、生産管理における管理基準、目標分散値などが挙げられる。

さらに、本発明に係る要因推定支援装置では、上記履歴情報に基づいて、上記因果関係の強さを示す因果強度を算出する因果強度算出手段をさらに備えており、上記判定基準設定手段は、上記因果関係情報と上記因果強度とに基づいて、上記判定基準を設定することが望ましい。因果強度を考慮することにより、判定基準をより適切に設定することができる。

ところで、因果関係の強い変量ほど、結果に対する変動への影響が高いと考えられる。そこで、本発明に係る要因推定支援装置では、上記履歴情報に基づいて、上記因果関係の強さを示す因果強度を算出する因果強度算出手段をさらに備えており、上記可視化画像作成手段は、上記可視化画像における上記因果関係情報を、上記因果強度に基づいて変更することが好ましい。この場合、可視化画像を参照したユーザが異常の要因を推定するときに因果強度も考慮できるので、ユーザが異常の原因をより的確に推定することができる。なお、因果強度に基づく因果関係情報の変更の例としては、因果を示す矢線の太さを変更したり、該矢線付近に因果強度の数値を追加したりすることが挙げられる。

ところで、一般に、異常の度合が大きい変量ほど、異常の原因となる可能性が高いと考えられる。そこで、本発明に係る要因推定支援装置では、上記変量異常判定手段は、異常であると判定した変量に関して、異常の度合を算出しており、上記可視化画像作成手段は、上記可視化画像における上記因果関係情報を、上記異常の度合に基づいて変更することが望ましい。この場合、可視化画像を参照したユーザが異常の要因を推定するときに異常の度合も考慮できるので、ユーザが異常の原因をより的確に推定することができる。なお、異常の度合に基づく因果関係情報の変更の例としては、変量を示す頂点の寸法を変更することなどが挙げられる。

本発明に係る要因推定支援装置では、複数の上記変量は、複数の種類に分類されるものであり、上記可視化画像作成手段が作成する可視化画像は、上記複数の種類にそれぞれ対応する複数の領域に分割され、上記変量の情報が該変量の属する種類に対応する領域に配置されることが望ましい。この場合、可視化画像において変量が種類ごとに整理されて配置されるので、可視化画像を参照するユーザにとって見易いものとなり、ユーザが異常の原因をより容易に推定することができる。

また、上記診断対象のシステムは、複数の工程を経て製品を製造する生産システムであってもよい。この場合、製品の異常、すなわち不良品が発生した場合に、生産システムにおける各種変量の異常を判定して、因果関係を可視化した可視化画像に反映させることにより、可視化画像を参照したユーザは、不良品が発生した原因を容易に推定することができる。

また、上記診断対象のシステムは、複数の電気機器に電力を供給する電力供給システムであり、上記複数の変量は、上記複数の電気機器の消費電力量を含んでおり、上記結果に対応する変量は、上記電力供給システムにおける消費電力量の合計値であり、上記異常は、上記消費電力量が基準電力量よりも多い無駄状態であってもよい。この場合、上記電力供給システムにおける消費電力量の合計値が無駄状態である場合、上記電力供給システムにおける各種電気機器の消費電力量の無駄状態を判定して、因果関係を可視化した可視化画像に反映させることができる。これにより、当該可視化画像を参照したユーザは、消費電力量の無駄が発生した原因を容易に推定することができる。

さらに、本発明に係る要因推定支援装置は、上記消費電力量以外の変量の値を入力するための入力手段と、該入力手段にて入力された上記変量の値に変更した場合における上記消費電力量の時系列情報を、上記変量履歴記憶部が記憶する履歴情報に基づいて予測する予測手段と、該予測手段が予測した時系列情報を記憶する予測時系列記憶部とをさらに備えており、上記結果異常判定手段は、上記結果に対応する変量が異常であるかを、当該変量に対応する上記時系列情報に基づいてさらに判定しており、上記変量異常判定手段は、該結果異常判定手段が異常であると判定した場合、上記結果に対応する変量以外の変量のそれぞれが異常であるかを、当該変量に対応する上記時系列情報に基づいてさらに判定していてもよい。

この場合、上記消費電力量以外の変量の値を変更した場合に、消費電力量またはその合計値が上記無駄状態となるかを予測することができる。したがって、ユーザは、上記無駄状態を解消するために、上記変量の値をどのように変更すればよいかを容易に推定することができる。

なお、上記要因推定支援装置における各ステップを、要因推定支援プログラムによりコンピュータに実行させることができる。さらに、上記要因推定支援プログラムをコンピュータ読取り可能な記録媒体に記憶させることにより、任意のコンピュータ上で上記要因推定支援プログラムを実行させることができる。

以上のように、本発明に係る要因推定支援装置では、因果関係を可視化した可視化画像において、異常であると判定された変量に対し異常である旨の情報が追加されるので、上記可視化画像を参照したユーザは、上記異常が因果関係に沿ってどのように伝播しているのかを容易に把握でき、その結果、異常の原因を容易に推定できるという効果を奏する。

〔実施の形態１〕
本発明の一実施形態について図１〜図２３を参照して説明する。本実施形態では、プリント基板に電子部品を実装する生産ラインを有する基板実装システムに本発明を適用しているが、本発明は、プリント基板の実装システムに限定されるものではなく、被対象物の処理工程の管理全般に適用することが可能である。なお、被対象物の処理工程とは、例えば、工業製品の生産工程、鉱工業製品、農産物、または原料の検査工程、廃棄対象物（例えば、工場廃棄物、工場廃水、廃ガス、ゴミ等）の処理工程、廃棄対象物の検査工程、設備の検査工程、リサイクル工程等を意味する。

図２は、本実施形態の基板実装システム１の概略構成を示している。基板実装システム１における生産ラインは、プリント基板に電子部品を実装するための各種工程（印刷工程、マウント工程、リフロー工程等）を含んでいる。

図２に示す例では、基板実装システム１は、基板上に半田ペーストを印刷する印刷工程を行う印刷装置１１ａ、基板上に電子部品を装着するマウント工程を行う装着装置１１ｂ、および基板上の電子部品を半田付けするリフロー工程を行う半田付け装置１１ｃを備えている。印刷装置１１ａ、装着装置１１ｂ、および半田付け装置１１ｃは、基板実装システム１の製造品の流れにおける上流から下流に向けてこの順序で配置されている。なお、以下では、印刷装置１１ａ、装着装置１１ｂ、および半田付け装置１１ｃを区別する必要のない場合には、単に加工装置１１と称する。

また、印刷装置１１ａの近傍には印刷検査装置１４ａが配置され、装着装置１１ｂの近傍には装着検査装置１４ｂが配置され、半田付け装置１１ｃの近傍には半田付け検査装置１４ｃが配置されている。印刷検査装置１４ａは、印刷装置１１ａにて処理された基板の品質を検査するものである。装着検査装置１４ｂは、装着装置１１ｂにて処理された基板を検査するものである。半田付け検査装置１４ｃは、半田付け装置１１ｃにて処理された基板を検査するものである。さらに、半田付け検査装置１４ｃは、生産ラインの最下流に位置するため、基板実装システム１にて製造された製品の最終品質特性を検査している。なお、以下では、印刷検査装置１４ａ、装着検査装置１４ｂ、および半田付け検査装置１４ｃを区別する必要のない場合には、単に検査装置１４と称する。

本実施形態では、基板実装システム１は、半田付け検査装置１４ｃが製品の不良を判定した場合に、該不良の要因をユーザが推定することを支援する要因推定支援装置１０を備えている。そして、要因推定支援装置１０、印刷装置１１ａ、装着装置１１ｂ、半田付け装置１１ｃ、印刷検査装置１４ａ、装着検査装置１４ｂ、および半田付け検査装置１４ｃは、通信回線によって互いに接続されることによって通信ネットワークを形成している。なお、通信ネットワークとしては、各装置が互いに通信可能な形態であればどのようなものでもよく、例えばＬＡＮ（Local Area Network）が形成される形態が想定される。

なお、上記の例では、印刷装置１１ａ、装着装置１１ｂ、および半田付け装置１１ｃのそれぞれに対応して検査装置１４を設けた構成となっているが、最終検査を行う検査装置１４ｃ以外の検査装置１４の幾つかは省略可能である。

次に、要因推定支援装置１０の概要について、図３〜図８を参照して説明する。要因推定支援装置１０は、基板実装システム１から取得した複数の変量の履歴情報と、該複数の変量間の因果関係を示す因果関係情報とを記憶している。

図３は、上記因果関係情報の一例を有向グラフで示したものである。図示の有向グラフは、頂点と矢線とからなる。頂点Ａ〜Ｄは、変量に対応しており、矢線で結ばれた頂点間は、因果関係を有している。なお、矢線の向きは、頂点間の順序関係を示している。従って、図示の因果関係情報は、頂点Ａが頂点Ｂおよび頂点Ｃに影響を与え、頂点Ｂが頂点Ｃに影響を与え、かつ、頂点Ｃが頂点Ｄに影響を与えることを示している。また、図４は、各頂点に対応する変量の履歴情報を、製造される基板ごとに示している。

要因推定支援装置１０は、図３に示す因果関係情報と、図４に示す変量の履歴情報とに基づき、変量間の因果関係の強さを定量的に評価する。以下では、定量的に評価された因果関係の強さを「因果強度」と称する。

因果強度は、以下のように算出される。すなわち、図３に示す因果関係情報は、次式のような線形構造方程式で表される。ここで、ｘは、各頂点に対応する変量の履歴情報に対し、該履歴情報の平均値を減算し、上記履歴情報の標準偏差を除算する正規化を行ったものを表している。また、αは、頂点間の因果強度を表し、εは、各頂点の誤差を表している。

上記式（１）に対し、図４に示す履歴情報を用いて回帰分析を行うことにより、頂点間の因果強度αを算出することができる。要因推定支援装置１０は、算出した頂点間の因果強度αを因果関係情報と共に記憶する。

図５は、算出された頂点間の因果強度αを、図３に示す因果関係情報の矢線付近に記載したものである。このように、変量間の因果関係とその強さとが判明すると、或る頂点に対応する変量が変動すると、該頂点の子孫の頂点に対応する変量がどの程度変動するかを予測することができる。また、或る頂点に対応する変量が変動した場合、該頂点とは別の頂点に対応する変量を変化させることにより、これら頂点の子孫の頂点に対応する変量の変動を抑えるように制御することができる。

例えば、頂点Ａ〜Ｄに対応する変量が、それぞれ、印刷装置１１ａ内の湿度、半田の粘度、半田の印刷面積、および半田のフィレット長さに対応するとする。この場合、印刷面積（頂点Ｃ）が０．１ｍｍ^２増加すると、フィレット長さ（頂点Ｄ）が０．０９ｍｍ長くなることが理解できる。また、湿度（頂点Ａ）が２０％増加したとき、半田の粘度（頂点Ｂ）を約０．１Ｐａ・Ｓ低下させることにより、印刷面積（頂点Ｃ）を０．１ｍｍ^２に維持するように制御することができる。

また、要因推定支援装置１０は、基板実装システム１にて製造された製品の最終品質特性の管理基準を記憶している。この管理基準は、製品の設計仕様から予め定まっているため、以下では「固定管理基準」と称する。要因推定支援装置１０は、算出した変量間の因果強度と、上記固定管理基準の情報とに基づいて、各変量における管理基準を設定する。なお、この管理基準は、因果強度に応じて変化するため、以下では「変動管理基準」と称する。要因推定支援装置１０は、変量ごとに設定した変動管理基準の情報を記憶する。

また、要因推定支援装置１０は、上記変量の履歴情報と上記固定管理基準の情報とを利用して、製品の最終品質特性が異常であるか否かを検知する。具体的には、まず、最終品質特性（頂点Ｄの変量）の履歴情報から標本分散σ＾（便宜上、ハットを付したσをこのように記述する。）を算出する。次に、算出した標本分散σ＾と、上記固定管理基準の上限値Ｓ_Ｕおよび下限値Ｓ_Ｌとを用いて、次式により工程能力指数Ｃ_ｐを算出する。
Ｃ_ｐ＝（Ｓ_Ｕ−Ｓ_Ｌ）／６σ＾ ・・・（２）。
そして、要因推定支援装置１０は、算出した工程能力指数Ｃ_ｐが１以上である場合には最終品質特性が正常であると判定し、１未満である場合には異常であると判定する。

上記最終品質特性の異常を検知すると、要因推定支援装置１０は、上記変量の履歴情報と上記変動管理基準の情報とを利用して最終品質特性以外の変量が異常であるか否かを検知する。具体的には、最終品質特性以外の変量（頂点Ａ〜Ｃ）のそれぞれに関して、最終品質特性の異常を検知する処理と同様の処理を行う。すなわち、各変量に関して、履歴情報から標本分散σ＾を算出し、算出した標本分散σ＾と、上記変動管理基準の上限値Ｓ_Ｕおよび下限値Ｓ_Ｌとを用いて、上記式（２）により工程能力指数Ｃ_ｐを算出する。そして、算出した工程能力指数Ｃ_ｐが１以上である場合には変量が正常であると判定し、１未満である場合には異常であると判定する。

図６は、頂点Ａ〜Ｄにそれぞれ対応する変量Ａ〜Ｄの確率分布の一例を示している。なお、図中の破線は、左から順に管理基準（固定管理基準または変動管理基準）の下限および上限を示している。図示の例では、変量Ｄ（最終品質特性）および変量Ｃの確率分布は、管理基準の下限から上限までの間以外に存在する量が多く、工程能力指数Ｃ_ｐが１未満となっている。一方、変量Ａおよび変量Ｂの確率分布は、管理基準の下限から上限までの間以外に存在する量がほとんど無く、工程能力指数Ｃ_ｐが１以上となっている。

このとき、要因推定支援装置１０は、最終品質特性が異常であるか否かを調べ、最終品質特性が異常であると判定した後、変量Ａ〜Ｃが異常であるか否かを調べ、変量Ｃが異常であると判定することになる。

また、要因推定支援装置１０は、最終品質特性の異常を検知すると、上記因果関係情報に基づいて、因果関係の可視化画像を作成し、作成した可視化画像に含まれる変量のうち、異常が検知された変量に対し、異常を示す色、文字、模様などの情報を追加する。そして、要因推定支援装置１０は、情報が追加された可視化画像を表示する。

図７および図８は、上記可視化画像を作成する過程を示している。図７は、上記因果関係情報に基づいて作成した因果関係の可視化画像の一例を示している。図示のように、可視化画像５０は、左部５１と他の部分とに分かれ、該他の部分は、上部５２、中央部５３、および下部５４に分かれている。

さらに、上部５２、中央部５３、および下部５４のそれぞれは、基板実装システム１における複数の工程ごとの領域に分かれており、各領域は、最も左側が最上流の工程の領域となり、右方へ進むにつれて下流の工程の領域となっている。すなわち、上部５２、中央部５３、および下部５４のそれぞれは、左から順番に、印刷工程、マウント工程、およびリフロー工程の領域に分かれている。

上部５２および下部５４には、基板実装システム１の稼働時に固定される変量の頂点が黒丸で描かれ、左部５１および中央部５３には、基板実装システム１の稼働時に変化する変量の頂点が白丸で描かれている。さらに、各頂点付近には、該頂点に対応する変量の名称が記載されている。なお、上記固定される変量は、上記変化する変量に比べて、異常の原因となる可能性が低いので、上記黒丸は、上記白丸よりも小さいサイズで描かれている。

基板実装システム１の稼働時に固定される変量としては、基板実装システム１の設計段階で決定される変量（以下「設計の変量」と称する。）と、基板実装システム１内の加工装置１１にて設定される変量（以下「設定の変量」と称する。）とがある。そこで、図７に示す可視化画像５０では、上記設計の変量の頂点が上部５２に描かれ、上記設定の変量の頂点が下部５４に描かれている。なお、上記設計の変量の例としては、マスク厚、搭載位置、フィレット設計値などが挙げられ、上記設定の変量の例としては、撹拌時間、装着高さ、リフロー温度などが挙げられる。

また、基板実装システム１の稼働時に変化する変量としては、加工装置１１にて利用される材料の状態を示す変量、および、加工装置１１内の環境の状態を示す変量（以下「材料・環境の変量」と称する。）と、検査装置１４にて検査される品質特性を示す変量（以下「品質特性の変量」と称する。）とがある。そこで、図７に示す可視化画像５０では、上記材料・環境の変量の頂点が左部５１に描かれ、上記品質特性の変量が中央部５３に描かれている。なお、上記材料・環境の変量の例としては、半田保管温度、印刷装置１１ａ内の温度などが挙げられ、上記品質特性の変量の例としては、半田の印刷面積、基板に対する部品の実装ずれ、フィレット長さなどが挙げられる。

図８は、図７に示す可視化画像５０において、異常が検知された変量の頂点を変更したものである。図示の例では、上記頂点の白丸内に斜線を施している。図８に示す可視化画像５０を表示させて、ユーザが参照することにより、異常の原因をユーザが容易に把握することができる。また、異常が検知された変量が、因果関係に従って表示されるので、異常がどのように伝播しているのかをユーザが容易に把握でき、その結果、上記異常の原因の説得力が上昇する。なお、実際には、上記白丸内を赤色にするなど、ユーザへの注意を喚起するような色、文字、模様などを施すことが望ましい。

さらに、図７および図８に示す可視化画像５０では、変量が設計、設定、材料・環境、および品質特性ごとに整理されて配置されている。これにより、可視化画像５０を参照するユーザにとって見易いものとなり、ユーザが異常の原因をより容易に推定することができる。

さらに、図８の例では、因果構造データ４２に含まれる頂点間の因果強度を利用して、因果強度が強いほど矢線が太くなるように、矢線の太さを変更している。これにより、可視化画像５０を参照したユーザが異常の原因を推定するときに因果強度も考慮できるので、ユーザが異常の原因をより的確に推定することができる。

次に、要因推定支援装置１０の詳細について説明する。図１は、要因推定支援装置１０の概略構成を示している。図示のように、要因推定支援装置１０は、制御部２０、記憶部（変量履歴記憶部、因果関係記憶部）２１、受信部２２、入力部２３、および表示部２４を備える構成である。

制御部２０は、要因推定支援装置１０における各部の動作を統括的に制御するものであり、例えばＰＣベースのコンピュータによって構成される。そして、各部の動作制御は、制御プログラムをコンピュータに実行させることによって行われる。また、記憶部２１は、各種の情報を記憶するものであり、例えばハードディスク装置などの不揮発性の記録媒体によって構成される。なお、制御部２０および記憶部２１の詳細については後述する。

受信部２２は、基板実装システム１の各工程にて測定された測定データを受信するものである。受信部２２は、受信した測定データを記憶部２１に蓄積する。なお、受信部２２は、測定データを有線で受信してもよいし、無線で受信してもよい。

具体的には、受信部２２は、加工装置１１内の環境の状態、または加工装置１１にて利用される材料の状態を示す材料・環境データを加工装置１１から受信して記憶部２１に蓄積する。なお、上記環境または上記材料の状態を検知するセンサを新たに設け、該センサから材料・環境データを受信部２２が受信してもよい。また、図１に示すように、材料・環境入力部２５を新たに設け、ユーザが材料・環境入力部２５にて入力した材料・環境データを記憶部２１に蓄積してもよい。

また、受信部２２は、検査装置１４が検査した検査結果を示す検査データを検査装置１４から受信して記憶部２１に蓄積する。以下、記憶部２１に蓄積された材料・環境データを「材料・環境履歴データ」と称し、記憶部２１に蓄積された検査データを「検査履歴データ」と称する。

ここで、材料・環境データの例としては、半田ペーストの保管時間および保管温度、印刷装置１１ａ内の温度および湿度、などの測定データが挙げられる。また、検査データの例としては、印刷検査装置１４ａにて検査される半田粘度および印刷体積、装着検査装置１４ｂにて検査される実装ずれ、半田付け検査装置１４ｃにて検査される部品のずれおよびフィレット長さ、などの測定データが挙げられる。なお、フィレット長さは、リフロー工程後の半田の輪郭形状に関する品質特性を表している。

入力部２３は、ユーザからの指示入力、情報入力などを受け付けるものであり、例えばキーボードやボタンなどのキー入力デバイスや、マウスなどのポインティングデバイスなどによって構成される。

本実施形態では、入力部２３は、因果構造データおよび固定管理基準データの入力を受け付けて、記憶部２１に記憶している。上記因果構造データは、基板実装システム１内で変動する上記材料・環境データおよび上記検査データのような各種変量に関して、変量間の因果関係を示すものである。因果構造データは、文献や人からの情報に基づいて作成される。なお、複数の因果構造データが作成されてもよい。また、上記固定管理基準データは、基板実装システム１にて製造された製品の最終品質特性の目標値および固定管理基準を含むものである。

なお、入力部２３と共に、或いは入力部２３の代わりに、印刷された情報を読取るスキャナデバイス、無線または有線の伝送媒体を介して信号を受信する受信デバイス、外部または自装置内の記録媒体に記録されたデータを再生する再生デバイスなどを用いて、外部からの情報の入力を受け付けても良い。

表示部２４は、制御部２０からの指示に基づいて情報を表示するものであり、例えばＬＣＤ（Liquid Crystal Display）、ＰＤＰ（Plasma Display Panel）、ＣＲＴ（Cathode Ray Tube）などの表示デバイスによって構成される。なお、表示部２４と共に、或いは表示部２４の代わりに、紙などの印刷媒体に情報を印刷する印刷出力デバイス、上記伝送媒体を介して信号を送信する送信デバイス、上記記録媒体にデータを記録する記録デバイスなどを用いて、外部に情報を出力しても良い。

次に、制御部２０および記憶部２１の詳細について説明する。図１に示されるように、制御部２０は、因果強度算出部（因果強度算出手段）３０、変動管理基準設定部（判定基準設定手段）３１、最終品質異常検知部（結果異常判定手段）３２、変量異常検知部（変量異常判定手段）３３、および可視化画像作成部（可視化画像作成手段）３４を備える構成である。また、記憶部２１は、材料・環境履歴データ（履歴情報）４０、検査履歴データ（履歴情報）４１、因果構造データ（因果関係情報）４２、固定管理基準データ４３、および変動管理基準データ４４を記憶している。

図９は、材料・環境履歴データ４０および検査履歴データ４１の一例をまとめて示すものである。図示のように、材料・環境履歴データ４０および検査履歴データ４１は、製造される基板ごとに、基板を識別するためのＩＤ（識別番号）と、各種変量とを含んでいる。また、図１０は、因果構造データ４２の一例を有向グラフで示したものである。図示の有向グラフは、図３に示す有向グラフを、より詳細にしたものであり、各頂点には、変量の名称が記載されている。

図１１は、因果構造データ４２の一例を示している。図示の因果構造データ４２は、図１０に示す有向グラフを表形式で示したものである。図示のように、因果構造データ４２は、矢線ごとに、矢線の始点となる親の頂点に対応する変量の名称と、矢線の終点となる子の頂点に対応する変量の名称とを含んでいる。さらに、図示していないが、矢線ごとに、因果強度算出部３０にて算出される因果強度を含んでいる。

さらに、図示していないが、因果構造データ４２は、各変量が、設計、設定、材料・環境、および品質特性の何れの分類に属するかを示す分類情報と、印刷工程、マウント工程、およびリフロー工程の何れの分類に属するかを示す工程情報とを含んでいる。上記分類情報および工程情報は、後述のように、可視化画像作成部３４が可視化画像を作成する場合に利用される。

図１２は、変動管理基準データ４４の一例を示している。図示のように、変動管理基準データ４４は、変量ごとに、該変量の名称と、変動管理基準の下限値Ｓ_Ｌおよび上限値Ｓ_Ｕと、目標平均値と、目標分散値とを含んでいる。なお、固定管理基準データ４３も、最終特性ごとに同様の情報を含んでいる。

因果強度算出部３０は、因果構造データ４２における変量間の因果強度を、材料・環境履歴データ４０および検査履歴データ４１を利用して算出するものである。なお、因果強度の算出方法は上述と同様である。因果強度算出部３０は、算出した因果強度を、変動管理基準設定部３１に送出すると共に、記憶部２１の因果構造データ４２に追加する。

変動管理基準設定部３１は、因果強度算出部３０からの変量間の因果強度と、記憶部２１に記憶された固定管理基準データ４３とに基づいて、各変量における変動管理基準および目標分散値を設定するものである。変動管理基準設定部３１は、変量ごとに設定した変動管理基準を含む変動管理基準データ４４を記憶部２１に記憶する。

上記変動管理基準および目標分散値の設定について具体的に説明する。製品の最終品質特性のそれぞれには、目標値Ｍと、上限および下限の固定管理基準Ｓ_Ｕ・Ｓ_Ｌと、目標不良率とが設定され、記憶部２１に固定管理基準データ４３として記憶されている。なお、目標値Ｍと、上限および下限の固定管理基準Ｓ_Ｕ・Ｓ_Ｌとは、製品の設計仕様から予め定まっているものであるが、目標不良率は、基板実装システム１の実状や製造コストなどに合わせて変更可能である。

図１３は、或る変量の目標不良率が１００ｐｐｍ＝０．０１％である場合の管理基準Ｓ_Ｌ・Ｓ_Ｕを示している。上記変量の確率分布が正規分布であるとすると、１００％−０．０１％＝９９．９９％の確率で発生する事象は、変量がＭ±３．８９１×σの範囲内であるという事象である。ここで、σは標準偏差である。

従って、目標値Ｍおよび固定管理基準Ｓ_Ｌ・Ｓ_Ｕに対し、０．０１％の目標不良率を達成するための目標分散値σ_Ｙ ^２は、次式によって算出される。

次に、変動管理基準設定部３１は、最終品質特性の目標分散値σ_Ｙ ^２と、因果強度算出部３０が算出した因果強度αとを用いて、最終品質特性以外の変量の分散目標値を算出する。この算出方法について、図１４を参照して説明する。図１４は、変量間の因果関係情報に関する他の例を有向グラフで示している。ここで、図示のＹは、最終品質特性の変量を表し、Ｘ１〜Ｘ３は、その他の変量を表している。また、α_１〜α_４は、それぞれ変量間の因果強度を表している。図示の因果構造から、最終品質特性Ｙの目標分散値σ_Ｙ ^２は、変量Ｘ２の目標分散値σ_Ｘ２ ^２と変量Ｘ３の目標分散値σ_Ｘ３ ^２と用いて、次式で表される。

上記式（４）において、σ_Ｘ２Ｘ３は、変量Ｘ２および変量Ｘ３の共分散である。上記式（４）から、最終品質特性Ｙの目標分散値σ_Ｙ ^２は、変量Ｘ２の目標分散値σ_Ｘ２ ^２と、変量Ｘ３の目標分散値σ_Ｘ３ ^２と、変量Ｘ２と最終品質特性Ｙとの因果強度α_３と、変量Ｘ３と最終品質特性Ｙとの因果強度α_４とによって決定されることが理解できる。

図１４に示す因果構造では、変量Ｘ２および変量Ｘ３が条件付き独立の関係にあるので、変量Ｘ２および変量Ｘ３の共分散σ_Ｘ２Ｘ３は０となる。これにより、上記式（４）は、次式となる。
σ_Ｙ ^２＝α_４ ^２×σ_Ｘ２ ^２＋α_３ ^２×σ_Ｘ３ ^２ ・・・（５）。

従って、変量Ｘ２の目標分散値σ_Ｘ２ ^２と、変量Ｘ３の目標分散値σ_Ｘ３ ^２とは、最終品質特性Ｙの目標分散値σ_Ｙ ^２と、変量Ｘ２と最終品質特性Ｙとの因果強度α_３と、変量Ｘ３と最終品質特性Ｙとの因果強度α_４とを用いて、次式のように設定することができる。
σ_Ｘ２ ^２＝（α_３ ^２＋α_４ ^２）／α_４ ^２×σ_Ｙ ^２，σ_Ｘ３ ^２＝（α_３ ^２＋α_４ ^２）／α_３ ^２×σ_Ｙ ^２ ・・・（６）。

そして、設定された各変量の目標分散値と、各変量の目標平均値Ｍとを利用して、Ｍ±３．８９１×σを計算することにより、各変量の変動管理基準Ｓ_Ｌ・Ｓ_Ｕを設定することができる。

最終品質異常検知部３２は、記憶部２１の検査履歴データ４１と固定管理基準データ４３とを利用して、製品の最終品質特性が異常であるか否かを検知するものである。また、最終品質異常検知部３２は、異常を検知した最終品質特性に関して、異常の度合を算出するものである。最終品質異常検知部３２は、異常を検知した最終品質特性の情報と、該最終品質特性の異常の度合とを変量異常検知部３３および可視化画像作成部３４に送出する。

変量異常検知部３３は、異常を検知した最終品質特性の情報を最終品質異常検知部３２から受け取ると、記憶部２１の検査履歴データ４１と変動管理基準データ４４とを利用して、最終品質特性以外の変量が異常であるか否かを検知するものである。また、変量異常検知部３３は、異常を検知した変量に関して、異常の度合を算出するものである。変量異常検知部３３は、異常を検知した変量の情報と、該変量の異常の度合とを可視化画像作成部３４に送出する。

なお、最終品質異常検知部３２および変量異常検知部３３における異常の検知は、上述のように、工程能力指数Ｃ_ｐを利用してもよいが、後述のように、ｔ検定およびχ^２検定を利用してもよいし、平均値のずれをも考慮した工程能力指数Ｃ_ｐｋを利用してもよい。また、変量異常検知部３３は、最終品質異常検知部３２が異常と検知した最終品質特性を含む因果構造を記憶部２１の因果構造データ４２から読み出し、読み出した因果構造に含まれる変量を、異常であるか否かを検知する対象としてもよい。

可視化画像作成部３４は、記憶部２１から因果構造データ４２を読み出して、因果構造の可視化画像を作成するものである。また、可視化画像作成部３４は、異常が検知された変量の情報を最終品質異常検知部３２および変量異常検知部３３から受け取ると、作成した可視化画像に含まれる変量のうち、異常が検知された変量に対し、異常を示す色、文字、模様などの情報を追加する。そして、可視化画像作成部３４は、異常が検知された変量に対し、情報を追加した可視化画像を表示部２４に送信する。これにより、上記可視化画像が表示部２４に表示される。

図１５は、可視化画像作成部３４が作成した可視化画像の一例を示している。図示の可視化画像５０は、図８に示す可視化画像５０に、各種情報を追加したものである。具体的には、メニューバー、最終品質特性（図示の例では、フィレット長さおよびフィレット幅）ごとに可視化画像を表示させるためのタブ、基板の型式、ロットなど、製品に関する各種情報、不良率、工程能力指数Ｃ_ｐなど、異常に関する各種数値、異常判定基準の種類、および凡例などの表示オプションの選択項目が追加されている。

なお、図１５に示す可視化画像５０は、異常の度合が大きいほど、各頂点の寸法が大きくなるようにしてもよい。これにより、可視化画像５０を参照したユーザが異常の原因を推定するときに異常の度合も考慮できるので、ユーザが異常の原因をより的確に推定することができる。

また、図１５に示す可視化画像５０では、正常な変量の頂点と異常な変量の頂点とを区別できるようにしているが、さらに、異常とも正常とも判定できない変量を、注意すべき危険な変量に設定し、該危険な変量の頂点を他の頂点と区別できるようにしてもよい。例えば、工程能力指数Ｃ_ｐが、１．０未満である変量を異常な変量とし、１．０以上１．３３未満である変量を危険な変量とし、１．３３以上である変量を正常な変量とすることが考えられる。また、正常な変量の頂点を青色で示し、危険な変量を黄色で示し、異常な変量を赤色で示すことが考えられる。

次に、上記構成の要因推定支援装置１０の制御部２０における処理動作を、図１６および図１７を参照して説明する。図１６は、制御部２０における因果強度算出部３０および変動管理基準設定部３１の処理動作の概要を示している。なお、上記処理動作は、基板実装システム１の稼働直後または装置の設定変更直後に１回のみ行ってもよいし、定期的に行ってもよいし、常時行ってもよい。

図１６に示すように、まず、因果強度算出部３０は、因果構造データ４２における変量間の因果強度αを、材料・環境履歴データ４０および検査履歴データ４１を利用して算出して（ステップＳ１０。以下、単に「Ｓ１０」と記載することがある。他のステップについても同様である。）、上記式（１）の線形構造方程式を取得する（Ｓ１１）。

次に、変動管理基準設定部３１は、記憶部２１の固定管理基準データ４３に含まれる目標値Ｍ、固定管理基準Ｓ_Ｌ・Ｓ_Ｕ、および目標不良率に基づいて、最終品質特性の目標分散値を算出する（Ｓ１２）。なお、目標不良率に代えて、最終品質特性の目標分散値を固定管理基準データ４３に含ませることもできる。この場合、変動管理基準設定部３１は、ステップＳ１２に代えて、固定管理基準データ４３に含まれる最終品質特性の目標分散値を記憶部２１から取得すればよい。

次に、変動管理基準設定部３１は、ステップＳ１２にて算出された最終品質特性の目標分散値σ_Ｙ ^２と、因果強度算出部３０が算出した因果強度αとを用いて、最終品質特性以外の変量の分散目標値を算出する（Ｓ１３）。

次に、変動管理基準設定部３１は、最終品質特性以外の変量ごとに、ステップＳ１３にて算出した目標分散値σ_Ｘ ^２と、所定の目標値Ｍとを用いて、上記式（３）により変動管理基準Ｓ_Ｌ・Ｓ_Ｕの値を算出する（Ｓ１４）。その後、因果強度算出部３０および変動管理基準設定部３１における処理動作を終了する。

図１７は、制御部２０における最終品質異常検知部３２、変量異常検知部３３、および可視化画像作成部３４の処理動作の概要を示している。図示のように、まず、最終品質異常検知部３２が最終品質特性の異常を検知するまで待機する（Ｓ２０）。なお、最終品質特性の異常の判定は、後述のステップＳ２２およびステップＳ２４と同様の処理によって行ってもよい。

上記異常を検知すると、変量異常検知部３３は、最終品質特性以外の或る変量に関して、記憶部２１の変動管理基準データ４４に含まれる目標分散値、目標値、および変動管理基準を取得する（Ｓ２１）。次に、変量異常検知部３３は、記憶部２１の材料・環境履歴データ４０または検査履歴データ４１から上記変量の履歴データを取得して、上記変量の平均値を算出する。

次に、変量異常検知部３３は、算出した平均値が異常であるか否かを判定する（Ｓ２２）。この判定方法の一例としては、以下のようなｔ検定による判定方法が挙げられる。すなわち、まず、記憶部２１に予め記憶した検定のための有意水準ａ（通常は０．０５）を取得する。次に、上記変量の履歴データを用いて、検定統計量Ｔを次式により算出する。

次に、上記有意水準ａに対する自由度（ｎ−１）のｔ分布のｔ値ｔ_ａをｔ分布表から取得する。なお、上記ｔ値ｔ_ａを上記有意水準ａの代わりに記憶部２１に記憶してもよい。次に、取得したｔ値ｔ_ａと、上記式（７）より算出した検定統計量Ｔとを比較して、Ｔ＞ｔ_ａの場合に上記変量の平均値が異常であると判定する。なお、ｔ検定以外の公知の判定方法を利用してもよい。

ステップＳ２２にて、上記変量の平均値が異常である場合、変量異常検知部３３は、平均値の異常の度合を算出する（Ｓ２３）。上記平均値の異常の度合は、（平均値の変動管理基準からのずれ）／（変動管理基準の幅）によって求めることができる。

次に、変量異常検知部３３は、上記変量の履歴データを用いて、上記変量の分散値を算出し、算出した分散値が異常であるか否かを判定する（Ｓ２４）。この判定方法の一例としては、以下のようなχ^２検定による判定方法が挙げられる。すなわち、まず、上記有意水準ａを取得する。次に、上記変量の履歴データを用いて、検定統計量χ_０ ^２を次式により算出する。

次に、上記有意水準ａに対する自由度（ｎ−１）のχ^２分布のχ^２値χ_ａ ^２をχ^２分布表から取得する。なお、上記χ^２値χ_ａ ^２を上記有意水準ａの代わりに記憶部２１に記憶してもよい。次に、取得したχ^２値χ_ａ ^２と、上記式（８）より算出した検定統計量χ_０ ^２とを比較して、χ_０ ^２＞χ_ａ ^２の場合に上記変量の分散値が異常であると判定する。なお、χ^２検定以外の公知の判定方法を利用してもよい。

ステップＳ２４にて、上記変量の分散値が異常である場合、変量異常検知部３３は、分散値の異常の度合を算出し（Ｓ２５）、上記変量の平均値および分散値を統合した異常の度合を算出する（Ｓ２６）。上記分散値の異常の度合は、上記工程能力指数Ｃ_ｐであり、上記式（２）によって求めることができる。また、上記統合した異常の度合は、上記平均値の異常の度合と上記分散値の異常の度合とを乗算することによって求めることができる。

具体的には、上記平均値および分散値を統合した異常の度合Ｃ_ｐｋは、次式によって算出される。ここで、Ｘ￣（便宜上、バーを付したＸをこのように記述する。）は、上記変量の平均値である。

以上のステップＳ２１〜Ｓ２６を、変量異常検知部３３は、最終品質特性以外の全ての変量について繰り返す（Ｓ２７）。そして、変量異常検知部３３が異常であると判定した変量の情報と、記憶部２１の因果構造データ４２とを用いて、可視化画像作成部３４は、可視化画像５０を作成して、表示部２４に表示させる可視化画像の作成・表示処理を行う（Ｓ２８）。その後、最終品質異常検知部３２、変量異常検知部３３、および可視化画像作成部３４における処理動作を終了する。

次に、上記可視化画像の作成・表示処理（Ｓ２８）の具体例について、図１８および図１９を参照して説明する。図１８は、可視化画像作成部３４が可視化画像の作成・表示処理（Ｓ２８）を自動的に行う場合の処理の流れを示している。また、図１９（ａ）〜（ｃ）は、図１８に示す処理を行うことによる可視化画像５０の変化を示している。

図１８に示すように、まず、図７に示す可視化画像５０、すなわち因果関係の可視化画像に対し、最終品質異常検知部３２が異常を検知した最終品質特性の頂点を強調表示した可視化画像に変更する（Ｓ３０）。図１９（ａ）は、ステップＳ３０により変更された可視化画像５０を示している。図示の例では、フィレット長さの頂点が強調表示されている。

次に、前回に強調表示された頂点に対応する変量の要因となる変量のうち、変量異常検知部３３が算出した異常の度合が最も大きい変量を特定する。それから、特定された変量の頂点をさらに強調表示した可視化画像に変更すると共に、該頂点と上記前回に強調表示された頂点との間の矢線をさらに強調表示した可視化画像に変更する（Ｓ３１）。

図１９（ｂ）は、同図（ａ）に示す可視化画像５０に対し、ステップＳ３１により変更された可視化画像５０を示している。同図（ｂ）の例では、同図（ａ）の例に比べて、印刷体積の頂点がさらに強調表示され、印刷体積の頂点とフィレット長さの頂点との間の矢線がさらに強調表示されている。

次に、さらに要因となる変量が存在するか否か、すなわち前ステップ（Ｓ３１）にて強調表示された頂点に対応する変量の要因となる変量が存在するか否かを判断する（Ｓ３２）。存在する場合、前ステップ（Ｓ３１）に戻って上記動作を繰り返す。一方、存在しない場合、作成された可視化画像５０を表示部２４に表示させる（Ｓ３３）。その後、可視化画像の作成・表示処理を終了し、元のルーチンに戻る。

図１９（ｃ）は、図１８に示す処理の結果作成された可視化画像５０を示している。同図（ｃ）の例では、同図（ｂ）の例に比べて、半田粘度の頂点と温度の頂点とがさらに強調表示され、半田粘度の頂点と印刷体積の頂点との間の矢線と、温度の頂点と半田粘度の頂点との間の矢線とがさらに強調表示されている。

従って、図１９（ｃ）に示す可視化画像５０を表示部２４に自動的に表示させることにより、ユーザの手間を省くことができる。また、異常の度合が最も大きい変量の因果関係が可視化されるため、ユーザが、異常の主要な原因を容易に推定することができる。

次に、上記可視化画像の作成・表示処理（Ｓ２８）の他の例について、図２０および図２１を参照して説明する。図２０は、可視化画像作成部３４が可視化画像の作成・表示処理（Ｓ２８）を、ユーザの指示に基づいて行う場合の処理の流れを示している。また、図２１（ａ）〜（ｃ）は、図２０に示す処理を行うことによる可視化画像５０の変化を示している。

図２０に示すように、まず、図７に示す因果関係の可視化画像に対し、最終品質異常検知部３２が異常を検知した最終品質特性の頂点を強調表示した可視化画像に変更する（Ｓ３５）。なお、変更された可視化画像５０は、図１９（ａ）に示す可視化画像５０と同様である。

次に、前回に強調表示された頂点が終点となる矢線を強調表示する（Ｓ３６）。これにより、前回に強調表示された頂点に対応する変量が結果となる因果関係が強調表示されることになる。さらに、上記矢線は、記憶部２１の因果構造データ４２に含まれる因果強度に基づいて、上記矢線の太さを変更している。すなわち、因果強度が強いほど矢線が太くなるようにしている。

図２１（ａ）は、図１９（ａ）に示す可視化画像５０に対し、ステップＳ３６により変更された可視化画像５０を示している。図２１（ａ）の例では、図１９（ａ）の例に比べて、フィレット設計値、印刷体積、部品ずれ、およびリフロー温度の各頂点とフィレット長さの頂点との間の矢線がさらに強調表示されている。また、強調表示された矢線のうち、印刷体積の頂点とフィレット長さの頂点との間の矢線が太く表示されている。

次に、前ステップ（Ｓ３６）にて強調表示された矢線の終点となる頂点の何れか１つを、ユーザが入力部２３などの入力手段を介して指定するまで待機する（Ｓ３７）。図２１（ｂ）は、同図（ａ）に示す可視化画像５０に対し、ユーザがポインタを印刷体積の頂点に移動させた状態を示している。さらに、図示の例では、或る頂点の領域内にポインタの指し示す位置が含まれる場合に、該頂点を囲む破線を表示させている。これにより、頂点同士が接近していても、ポインタが何れの頂点を指し示しているかをユーザが容易に把握できる。

ユーザが上記頂点の何れか１つを指定すると、指定された頂点を強調表示した可視化画像５０に変更する（Ｓ３８）。図２１（ｃ）は、同図（ｂ）に示す可視化画像５０に対し、ユーザが指定した印刷体積の頂点を強調表示した状態を示している。さらに、図示の例では、ステップＳ３６にて強調表示された矢線のうち、指定された頂点を始点とする矢線を所定の太さで強調表示された矢線に変更し、上記頂点以外の頂点を始点とする矢線を通常の矢線に戻している。これにより、ユーザにとって見易い可視化画像５０とすることができる。

次に、さらに要因となる変量が存在するか否か、すなわち前ステップ（Ｓ３８）にて強調表示された頂点に対応する変量の要因となる変量が存在するか否かを判断する（Ｓ３９）。存在する場合、ステップＳ３６に戻って上記動作を繰り返す。そして、存在しない場合、可視化画像の作成・表示処理を終了し、元のルーチンに戻る。

図２０に示す処理によって可視化画像５０が作成される場合、ユーザは、自身の有する因果関係の知識と、装置が提供する因果関係の知識とを利用して、異常が因果関係に沿ってどのように伝播しているのかを把握することができる。

なお、可視化画像作成部３４は、可視化画像５０を作成して表示させる代わりに、異常となっている変量の情報を工程ごとに表示させてもよい。図２２は、可視化画像作成部３４が、異常となっている主な変量を工程ごとに表示部２４に表示させる処理の流れを示している。また、図２３（ａ）〜（ｃ）は、図２２に示す処理を行うことにより作成される画像であって、異常を通知するための異常通知用画像６０の変化を示している。

図２２に示すように、まず、最終品質異常検知部３２が異常を検知した最終品質特性の情報を、最終工程の異常変量として異常通知用画像６０に追加する（Ｓ４０）。図２３（ａ）は、ステップＳ４０により追加された異常通知用画像６０を示している。図示の例では、最終工程であるリフロー工程の異常を示す欄に「フィレット長さ」が追加されている。

次に、前回追加された異常変量を含む工程の直前工程に含まれる変量のうち、変量異常検知部３３が算出した異常の度合が最も大きい変量を特定する。それから、特定された変量の情報を、上記直前工程の異常変量として異常通知用画像６０に追加する（Ｓ４１）。図２３（ｂ）は、ステップＳ４１により追加された異常通知用画像６０を示している。図示の例では、最終工程の直前工程であるマウント工程の異常を示す欄に「実装すれ」が追加されている。

次に、さらに前ステップ（Ｓ４１）にて追加された異常変量を含む工程よりも上流の工程が存在するか否かを判断する（Ｓ４２）。存在する場合、前ステップ（Ｓ４１）に戻って上記動作を繰り返す。一方、存在しない場合、作成された異常通知用画像６０を表示部２４に表示させる（Ｓ４３）。その後、可視化画像作成部３４の処理を終了し、元のルーチンに戻る。

図２３（ｃ）は、図２２に示す処理の結果作成された異常通知用画像６０を示している。同図（ｃ）の例では、同図（ｂ）の例に比べて、残りの工程である印刷工程の異常を示す欄に「印刷体積」が追加されている。これにより、ユーザは、各工程において異常となる主要な変量を迅速に把握することができる。

なお、上記実施形態では、要因推定支援装置１０の入力部２３にてユーザが操作入力を行い、表示部２４にて各種画面の表示を行っているが、要因推定支援装置１０とは別に、ユーザが操作入力を行う端末装置を通信ネットワークに接続した状態で別に設け、この端末装置によって要因推定支援装置１０へのデータ入力や各種画面の表示が行われる形態としてもよい。

〔実施の形態２〕
次に、本発明の他の実施形態について図２４〜図３３を参照して説明する。本実施形態では、対象となる施設（以下、「対象施設」と称する。）内の各種電気機器に電力を供給する電力供給システムに本発明を適用することにより、無駄な電力を消費している電気機器を推定するものである。

近時、産業界では、生産コストを削減するため、生産時に使用する各種電気機器の消費電力量の削減が求められている。また、地球温暖化対策として、国家レベルでの消費電力量の削減が求められている。

しかしながら、工場、家屋などの施設内には、多数の電気機器が設けられており、全体の消費電力量を抑えるためには、何れの電気機器をどの程度操作すればよいかを特定することは容易ではない。なぜなら、或る２つの電気機器が別々に設けられ、別々に操作されるものであったとしても、一方の電気機器を利用すると、他方の電気機器の消費電力が変化することが起こりうるからである。

例えば、照明器と空調機とは、別々に設けられ、別々に操作されるが、照明器を点灯させると、施設内の温度が上昇することになる。このため、空調機は、施設内の温度を設定温度に保つために、夏季には冷房機能を上昇させる必要があるので消費電力が増大し、冬季には暖房機能を低下させることができるので消費電力が低下することになる。

また、空調機の設定温度を人にとって快適な温度に変更した場合、人は、対象施設から出ていくことを躊躇する。特に、外気温が人にとって不快な温度である場合に顕著である。このため、人の存在を検知すると自動的に点灯する照明器の場合、点灯時間が長くなり、その結果、照明器の消費電力量が増大することになる。一方、空調機の設定温度を人にとって不快な温度に変更した場合、人は、対象施設から直ちに出ていこうとする。特に、外気温が人にとって快適な温度である場合に顕著である。このため、上記照明器の点灯時間が短くなり、その結果、照明器の消費電力量が減少することになる。

ここで、省エネルギーに関して熟達した専門家は、消費電力量に関して、電気機器間での影響の関係、およびその影響の解釈の仕方を経験的に知っており、消費電力量を削減するための各種対策を経験的に知っている。そこで、従来は、上記専門家が、上記施設を調べて、消費電力量を抑えるべき電気機器を特定し、これに基づき、消費電力量を抑えるためのアドバイスを上記施設の管理者に行っていた。

しかしながら、そのような専門家は、人数が限られているため、家屋を含む全ての施設に関して上記アドバイスが完了するまでには長期間を要することになる。また、各世帯で上記専門家からアドバイスを受けるには、相応の料金を支払う必要があるため、各世帯におけるコストの負担が増大することになる。

そこで、本実施形態の電力供給システムでは、電気機器間で消費電力量がどのように影響するかを、因果構造で特定しておき、該因果関係を可視化した可視化画像において、無駄が発生していると判定された電気機器の消費電力量に対し、無駄が発生している旨の情報が追加されている。この可視化画像を、表示手段、印刷手段などの出力手段により、外部に出力してユーザが参照することにより、無駄の発生している電気機器をユーザが容易に把握することができると共に、上記無駄が因果関係に沿ってどのように伝播しているのかをユーザが容易に把握できるので、ユーザが無駄な消費電力量の要因となっている電気機器を容易に推定することができる。

以下、本実施形態の電力供給システムの詳細について説明する。図２４は、本実施形態の電力供給システム７０の概略構成を示している。電力供給システム７０は、対象施設７２に設けられた各種電気機器７１を備えている。図示の例では、対象施設７２内を照らす照明器７１ａ、および対象施設７２内の空気調節を行う空調機７１ｂが電気機器７１として設けられている。

また、電力供給システム７０は、各電気機器７１をユーザが操作するための操作機７３を対象施設７２に備えている。図示の例では、照明器７１ａを操作するスイッチ７３ａ、および空調機７１ｂを操作するリモコン（リモートコントローラ）７３ｂが操作機７３として対象施設７２内に設けられている。

また、各電気機器７１には、外部から配電盤７５を介して電力が供給されている。そこで、電力供給システム７０は、電気機器７１および配電盤７５に供給される電力を計測する電力計７４を備えている。図示の例では、照明器７１ａ、空調機７１ｂ、および配電盤７５に供給される電力をそれぞれ計測する電力計７４ａ・７４ｂ・７４ｃが設けられている。ここで、外部から配電盤７５に供給される電力を計測する電力計７４ｃは、対象施設７２に供給される電力の合計値を計測することになる。

また、電力供給システム７０は、電気機器７１の消費電力量に影響を与える可能性のある物理量を測定する各種センサを備えている。図示の例では、電力供給システム７０は、対象施設７２の外部の気温である外気温を計測する温度センサ７６を含んでいる。

本実施形態では、電力供給システム７０は、消費電力量の無駄の要因となっている電気機器をユーザが推定することを支援する要因推定支援装置７７を備えている。そして、要因推定支援装置７７、照明器７１ａ、空調機７１ｂ、および電力計７４ａ〜７４ｃは、通信回線によって互いに接続されることによって通信ネットワークを形成している。なお、通信ネットワークとしては、各装置が互いに通信可能な形態であればどのようなものでもよく、例えばＬＡＮ（Local Area Network）が形成される形態が想定される。

また、本実施形態では、電気機器７１および配電盤７５のそれぞれに対応して電力計７４を設けた構成となっているが、対象施設７２に供給される電力の合計値を計測する電力計７４ｃ以外の電力計７４の幾つかは省略可能である。

次に、要因推定支援装置７７の詳細について、図２５〜図３３を参照して説明する。

図２５は、要因推定支援装置７７の概略構成を示している。図示のように、要因推定支援装置７７は、制御部８０、記憶部（変量履歴記憶部、因果関係記憶部）８１、受信部８２、入力部８３、および表示部８４を備える構成である。なお、制御部８０、記憶部８１、受信部８２、入力部８３、および表示部８４の概要は、図１に示す制御部２０、記憶部２１、受信部２２、入力部２３、および表示部２４の概要と同様であるので、その説明を省略する。

まず、受信部８２の詳細について説明する。本実施形態では、受信部８２は、対象施設７２の内外における環境の状態、または電気機器７１にて設定された状態を示す設定・環境データを、電気機器７１、センサ、操作機７３等の各種機器から受信して記憶部８１に蓄積する。なお、図２５に示すように、設定・環境入力部８５を新たに設け、ユーザが設定・環境入力部８５にて入力した設定・環境データを記憶部８１に蓄積してもよい。

また、受信部８２は、電力計７４が計測した電力量を示す電力量データを電力計７４から受信して記憶部８１に蓄積する。以下、記憶部８１に蓄積された設定・環境データを「設定・環境履歴データ」と称し、記憶部８１に蓄積された電力量データを「電力量履歴データ」と称する。また、上記設定・環境履歴データおよび上記電力量履歴データをまとめて「履歴データ」と称する。

具体的には、受信部８２は、設定・環境データとして、照明器７１ａの入切、空調機７１ｂの設定温度、および、温度センサ７６が計測する外気温を示すデータを受信しているが、その他の設定・環境データを受信してもよい。設定・環境データの他の例としては、照明器７１ａの照度、空調機７１ｂの入切、対象施設内の気温（室内温度）および熱容量、外部と対象施設内とを通じる扉および窓の開閉、外部および対象施設内の湿度（外気湿度および室内湿度）、などのデータが挙げられる。

なお、図２４および図２５の例では、要因推定支援装置７７の受信部８２は、空調機７１ｂから設定温度を受信しているが、リモコン７３ｂから取得してもよい。同様に、照明器７１ａの入切を照明器７１ａから取得しているが、スイッチ７３ａから取得してもよい。

図２６は、各変量の履歴データの一例を示している。図示のように、各変量の履歴データは、計測日時に対応付けられている。なお、計測日時の欄は、「年／月／日 時：分」の形式で数値が記載されている。また、照明器７１ａおよび空調機７１ｂの欄の単位はＷであり、リモコン７３ｂの設定温度および温度センサ７６の外気温の欄の単位は℃である。また、スイッチの欄の数値は、０がオフを示し、１がオンを示している。

次に、入力部８３の詳細について説明する。本実施形態では、入力部８３は、因果構造データおよび基準電力量データの入力を受け付けて、記憶部８１に記憶している。上記因果構造データは、電力供給システム７０内で変動する上記設定・環境データおよび上記電力量データのような各種変量に関して、変量間の因果関係を示すものである。因果構造データは、文献や人からの情報に基づいて作成される。なお、複数の因果構造データが作成されてもよい。

図２７は、本実施形態における上記因果関係情報の一例を有向グラフで示したものである。なお、図示の変量の名称に関して、「スイッチ」はスイッチ７３ａの入切を示し、「外気温」は、温度センサ７６が計測した外気温を示し、かつ、「設定温度」は、リモコン７３ｂの設定温度を示している。また、「照明器」、「空調機」、および「対象施設」は、それぞれ、照明器７１ａ、空調機７１ｂ、および対象施設７２の消費電力量を示している。

図２７の例では、スイッチ７３ａの入切が、照明器７１ａの消費電力量に影響を与え、かつ、温度センサ７６が計測した外気温と、リモコン７３ｂの設定温度とが、空調機７１ｂの消費電力量に影響を与えることを示している。そして、照明器７１ａの消費電力量と空調機７１ｂの消費電力量とが、対象施設７２内における電気機器７１の消費電力量の合計値（以下「総消費電力量」と称する。）に影響を与えることを示している。

さらに、図２７の例では、照明器７１ａにおけるスイッチ７３ａの入切が、空調機７１ｂの消費電力量に影響を与える一方、リモコン７３ｂの設定温度と、温度センサ７６が計測した外気温とが、照明器７１ａの消費電力量に影響を与えることを示している。なお、この理由は、上述した通りなので、その説明を省略する。

図２８は、因果構造データの一例を示したものであり、図２７に示す有向グラフを表形式で示したものである。図示のように、因果構造データは、変量ごとに、上記変量を識別するＩＤ（識別番号）と、上記変量の名称と、上記変量を始点とする矢線の終点となる子の頂点に対応する変量のＩＤ（子ＩＤ）とを含んでいる。さらに、図示していないが、因果構造データは、矢線ごとに、後述の因果強度算出部９０にて算出される因果強度を含んでいる。

また、上記基準電力量データは、対象施設７２に設けられた複数の電気機器７１の基準状態での消費電力量と、それらの合計値とのデータを含んでいる。現在、無駄な消費電力量の大部分は、電気機器７１が利用されていないにもかかわらず、当該電気機器７１が動作中であったり、待機中であったりすることにより消費されるものである。そこで、本実施形態では、利用していない期間が存在する電気機器７１の基準電力量としては、「当該電気機器を利用する計画である計画期間」×「当該電気機器の定格出力」を採用している。

一方、例えば冷蔵庫のように、電気機器７１によっては常に動作している必要のあるものが存在する。このような電気機器７１の無駄は、消費電力量にバラツキが生じることである。上記バラツキが大きいと、当該電気機器７１に供給する電力の定格値を大きくする必要があり、このため、上記バラツキが小さい場合に比べて、余分な電力を供給する必要があるからである。そこで、本実施形態では、常に動作している電気機器７１の基準電力量としては、消費電力量の平均値および分散値を採用している。上記消費電力量の平均値および分散値は、上記電力量履歴データから算出することができる。

なお、例えば工場などのように、多数の電気機器７１が対象施設７２内に存在する場合がある。この場合、電気機器７１を、その機能と、対象施設７２内の場所とに基づいて分類し、同じ分類に含まれる複数の電気機器７１における消費電力量の平均値と分散値とを基準電力量として採用すればよい。

図２５に戻ると、入力部８３は、さらに、予測部９５にて利用される設定情報の入力を受け付け、受け付けた設定情報を予測部９５に送出するものである。上記設定情報は、操作機７３の指示内容および／またはその指示期間を示すものである。

次に、制御部８０および記憶部８１の詳細について説明する。図２５に示されるように、制御部８０は、因果強度算出部（因果強度算出手段）９０、基準電力量算出部９１、総電力量無駄検知部（結果異常判定手段）９２、個別電力量無駄検知部９３、可視化画像作成部（可視化画像作成手段）９４、および予測部９５を備える構成である。また、記憶部８１は、設定・環境履歴データ（履歴情報）１００、電力量履歴データ（履歴情報）１０１、因果構造データ（因果関係情報）１０２、および基準電力量データ１０３を記憶している。

因果強度算出部９０は、因果構造データ１０２における変量間の因果強度を、設定・環境履歴データ１００および電力量履歴データ１０１を利用して算出するものである。なお、因果強度の算出方法は上述の実施形態と同様である。因果強度算出部９０は、算出した因果強度を記憶部８１の因果構造データ１０２に追加する。

基準電力量算出部９１は、常に動作している電気機器７１の基準電力量を算出するものである。具体的には、基準電力量算出部９１は、当該電気機器７１の消費電力量の平均値および分散値を、記憶部８１の電力量履歴データ１０１を利用して算出するものである。基準電力量算出部９１は、算出した消費電力量の平均値および分散値を基準電力量として記憶部８１の基準電力量データ１０３に記憶する。なお、基準電力量算出部９１の処理動作は、電力供給システム７０の稼働直後または装置の設定変更直後に１回のみ行ってもよいし、常時行ってもよいが、精度と処理負担の軽減との観点から、所定期間（例えば１日、１週間、１月、１季節など）ごとに行われることが望ましい。

総電力量無駄検知部９２は、対象施設７２内の総消費電力量の無駄を検知するものである。具体的には、総電力量無駄検知部９２は、記憶部８１の電力量履歴データ１０１と基準電力量データ１０３とを利用して、対象施設７２内の総消費電力量が、対応する基準電力量より多いか否かを検知することにより、上記無駄を検知するものである。また、総電力量無駄検知部９２は、上記無駄を検知した場合、上記総消費電力量から上記基準電力量を減算したものを上記無駄の度合として算出するものである。総電力量無駄検知部９２は、上記総消費電力量の無駄を検知した旨を個別電力量無駄検知部９３および可視化画像作成部９４に送出すると共に、上記無駄の度合を可視化画像作成部９４に送出する。

個別電力量無駄検知部９３は、上記総消費電力量の無駄を検知した旨を総電力量無駄検知部９２から受け取ると、各電気機器７１の消費電力量の無駄を検知するものであり、具体的には、記憶部８１の電力量履歴データ１０１と基準電力量データ１０３とを利用して、各電気機器７１の消費電力量が、対応する基準電力量より多いか否かを検知することにより、上記無駄を検知するものである。また、個別電力量無駄検知部９３は、無駄を検知した電気機器７１に関して、上記消費電力量から上記基準電力量を減算したものを無駄の度合として算出するものである。個別電力量無駄検知部９３は、無駄を検知した電気機器７１の情報と、その無駄の度合とを可視化画像作成部９４に送出する。

なお、電気機器７１の消費電力量は、朝、昼、晩などの１日内の期間によって変化することが考えられる。そこで、上記消費電力量または上記総消費電力量は、１日またはそれ以上の日数のものであることが望ましい。

また、上述のように、多数の電気機器７１が対象施設７２内に存在する場合、上記分類ごとに、当該分類に含まれる複数の電気機器７１に関する消費電力量の平均値から基準電力量を減算したものを、上記無駄の度合とすればよい。

可視化画像作成部９４は、記憶部８１から因果構造データ１０２を読み出して、因果構造の可視化画像を作成するものである。また、可視化画像作成部９４は、総消費電力量の無駄を検知した旨を総電力量無駄検知部９２から受け取ると、無駄が検知された電気機器７１の情報およびその無駄の度合を個別電力量無駄検知部９３から受け取り、作成した可視化画像に含まれる変量のうち、無駄が検知された電気機器７１の変量に対し、無駄を示す色、文字、模様などの情報を追加する。

そして、可視化画像作成部９４は、無駄が検知された電気機器７１の変量に対し情報が追加された可視化画像を表示部８４に送信する。これにより、上記可視化画像が表示部８４に表示される。なお、表示される可視化画像は、図１５などに示される可視化画像と同様であるので、その説明を省略する。

予測部９５は、記憶部８１の履歴データ１００・１０１から、将来の時系列データを予測するものである。予測部９５は、予測した時系列データを記憶部８１の予測時系列データ１０５に記憶する。

予測部９５の予測には、公知の時系列予測モデルを利用することができる。該時系列予測モデルの一例としては、ＡＲ（Auto-Regressive、自己回帰）モデル、ＭＡ（Moving-Average、移動平均）モデル、ＡＲＭＡ（Auto-Regressive Moving-Average、自己回帰移動平均）モデル、ＡＲＩＭＡ（Auto-Regressive Integrated Moving-Average、自己回帰和分移動平均）モデル、ＳＡＲＭＡ（Seasonal Auto-Regressive Integrated Moving-Average、季節変動自己回帰移動平均）モデル、ＣＡＲＩＭＡ（Controlled Auto-Regressive Integrated Moving-Average）モデルなどが挙げられる。

また、予測部９５は、上記履歴データ１００・１０１および上記予測時系列データ１０５に基づくグラフを表示部８４に表示させている。図２９は、表示部８４に表示されるグラフの一例を示している。同図の（ａ）は、温度センサ７６が計測する外気温の時系列データを示している。また、同図の（ｂ）は、或る電気機器７１（機器Ａ）の消費電力量の時系列データと、別の電気機器７１（機器Ｂ）の消費電力量の時系列データとを示している。図示において、実線が上記履歴データを示しており、破線が上記予測時系列データを示している。

さらに、予測部９５は、入力部８３が受け付けた設定情報が示す設定内容に、記憶部８１の設定・環境履歴データ１００を変更した場合において、電力量履歴データ１０１から将来の時系列データを予測するものである。予測部９５は、予測した設定変更後の時系列データを記憶部８１の予測時系列データ１０５に記憶する。図２９の例では、同図の（ｂ）における一点鎖線が上記設定変更後の予測時系列データである。

さらに、予測部９５は、電気機器７１の消費電力量に関して、上記予測時系列データから上記設定変更後の予測時系列データを減算することにより、削減された電力量の推移を示す削減電力量の時系列データを求めるものである。予測部９５は、上記削減電力量の時系列データを記憶部８１の予測時系列データ１０５に記憶する。

図２９の（ｃ）は、機器Ａおよび機器Ｂの上記削減電力量の予測時系列データを示している。図示において、グラフの上部が機器Ａの上記削減電力量の推移を示しており、グラフの下部が機器Ｂの上記削減電力量の推移を示している。

図２９のグラフをユーザが参照することにより、外気温や消費電力量が、将来どのように推移し、設定変更により将来どのように推移するかを理解することができる。また、設定変更による消費電力量の削減量が将来どのように推移するかを理解することができる。

また、予測部９５は、上記予測時系列データ１０５に基づき、上記削減電力量の積算値グラフを、上記設定変更ごとに表示部８４に表示させている。図３０は、表示部８４に表示される積算値のグラフの例を示している。同図では、設定変更α・βのそれぞれについて、機器Ａおよび機器Ｂの上記削減電力量の積算値を棒グラフで示している。各設定変更の棒グラフについて、同図の左側に機器Ａの上記削減電力量の積算値が示され、同図の右側に機器Ｂの上記削減電力量の積算値が示されている。

図３０のグラフをユーザが参照することにより、何れの設定変更の場合に、何れの電気機器７１の消費電力量がどの程度削減されるかを理解できる。これにより、ユーザは、消費電力量を削減するための的確な設定を容易に行うことができる。なお、図２９および図３０のグラフは、可視化画像作成部９４が作成する可視化画像と同時に、または切り替えて表示部８４に表示されることが望ましい。可視化画像の因果関係を参照することにより、消費電力量を的確に削減するために、何れの設定を変更すればよいかを容易に理解することができる。

なお、本実施形態では、予測部９５は、記憶部８１の履歴データ１００・１０１から、将来の時系列データを予測し、設定変更後の将来の時系列データを予測しているが、設定変更後の過去の時系列データを予測してもよい。図３１は、図２９に対応するものであり、設定変更後の消費電力量の推移を過去に遡って予測したグラフの一例である。図３１のグラフは、図２９のグラフに比べて、予測される時系列データのグラフが現在までのグラフ領域に表示されるので、コンパクトな表示となる。

次に、上記構成の要因推定支援装置７７の制御部８０における処理動作を、図３２および図３３を参照して説明する。なお、制御部８０の因果強度算出部３０の処理動作は、図１６のステップＳ１０・Ｓ１１と同様であるので、その説明を省略する。また、制御部８０の基準電力量算出部９１の処理動作は、上述の通りであるので、その説明を省略する。

図３２は、制御部８０における総電力量無駄検知部９２、個別電力量無駄検知部９３、および可視化画像作成部９４の処理動作の概要を示している。図示のように、まず、総電力量無駄検知部９２が総消費電力量の無駄を検知するまで待機する（Ｓ５０）。なお、総消費電力量の無駄の判定は、所定期間の総消費電力量が基準電力量よりも多いか否かにより行うことができる。

上記無駄を検知すると、個別電力量無駄検知部９３は、或る電気機器７１の消費電力量に関して、記憶部８１の基準電力量データ１０３に含まれる基準電力量を取得する（Ｓ５１）。次に、個別電力量無駄検知部９３は、記憶部８１の電力量履歴データ１０１から上記電気機器７１の消費電力量の履歴データを取得して、取得した消費電力量に無駄が発生しているか否かを判定する（Ｓ５２）。この判定は、所定期間の上記消費電力量が基準電力量よりも多いか否かにより行うことができる。

ステップＳ５２にて、上記無駄が発生している場合、個別電力量無駄検知部９３は、上記無駄の度合を算出する（Ｓ５３）。上記無駄の度合は、所定期間の上記消費電力量と基準電力量との差を積算することにより求めることができる。

以上のステップＳ５１〜Ｓ５３を、個別電力量無駄検知部９３は、全ての電気機器７１について繰り返す（Ｓ５４）。その後、個別電力量無駄検知部９３が上記無駄の発生を判定した電気機器７１の情報と、記憶部８１の因果構造データ１０２とを用いて、可視化画像作成部９４は、可視化画像を作成して、表示部８４に表示させる可視化画像の作成・表示処理を行う（Ｓ５５）。なお、可視化画像の作成・表示処理は、図１８などに示される処理と同様であるので、その説明を省略する。その後、総電力量無駄検知部９２、個別電力量無駄検知部９３、および可視化画像作成部９４における処理動作を終了する。

図３３は、制御部８０における予測部９５の処理動作の概要を示している。図示のように、まず、予測部９５は、記憶部８１の履歴データ１００・１０１に基づき、各変量の時間推移をグラフ化して表示部８４に表示させる（Ｓ６０）。このグラフの一例が図２９の（ａ）・（ｂ）に実線で示されている。

次に、予測部９５は、記憶部８１の履歴データ１００・１０１に基づき、各変量の時間推移を予測し、予測した時間推移をグラフ化して表示部８４に表示させる（Ｓ６１）。このグラフの一例が図２９の（ａ）・（ｂ）に破線で示されている。

次に、予測部９５は、入力部８３から設定内容の変更が指示されたか否かを判断する（Ｓ６２）。指示されていない場合、ステップＳ６５に進む。一方、指示されている場合、変更された設定内容と、記憶部８１の履歴データ１００・１０１とに基づき、設定変更後の各変量（特に総消費電力量および各電気機器７１の消費電力量）の時間推移を予測し、予測した時間推移をグラフ化して表示部８４に表示させる（Ｓ６３）。このグラフの一例が図２９の（ｂ）に一点鎖線で示されている。

次に、予測部９５は、各電気機器７１の消費電力量に関して、設定変更前の時間推移から、設定変更後の時間推移を減算することにより、上記削減電力量の時間推移を算出し、算出した時間推移をグラフ化して表示部８４に表示させる（Ｓ６４）。このグラフの一例が図２９の（ｃ）に一点鎖線で示されている。

次に、ステップＳ６５において、積算値の表示への切替えが入力部８３から指示されたか否かを判断する（Ｓ６５）。指示されていない場合、ステップＳ６２に戻って上記動作を繰り返す。

一方、指示されている場合、各電気機器７１の上記削減電力量の積算値を算出し、算出した積算値をグラフ化して表示部８４に表示させる（Ｓ６６）。なお、設定変更が複数回行われた場合、ステップＳ６６の処理を設定変更ごとに行う。このグラフの一例が図３０に示されている。

次に、時間推移の表示への切替えが入力部８３から指示されたか否かを判断する（Ｓ６７）。指示されていない場合、ステップＳ６６に戻って上記動作を繰り返す。一方、指示されている場合、ステップＳ６２に戻って上記動作を繰り返す。

〔実施の形態３〕
次に、本発明のさらに他の実施形態について、図３４〜図４１を参照して説明する。なお、なお、上記実施形態で説明した構成と同様の機能を有する構成には同一の符号を付して、その説明を省略する。

図２４に示される電力供給システム７０では、図２７に示されるように、空調機７１ｂの消費電力量が、外気温度および設定温度の影響を受けるとしているが、本実施形態では、さらに、室内温度、外気湿度、および室内湿度の影響を受けるとしている。これら５つの測定値を変量とする場合、変量の数が増加するので、無駄な消費電力量の要因となっている変量をより正確に推定できる一方、因果構造データの作成が困難となる。

そこで、本実施形態では、上記５つの測定値から算出される３つの変量と空調機７１ｂの消費電力量との間で因果構造データを作成している。上記消費電力量と因果関係を有する変量の数を、上記測定値の数よりも減らすことにより、因果構造データの作成が容易となる。

上記３つの変量は、以下の通りである。すなわち、空調機７１ｂの消費電力は、外気温度および室内温度の温度差と、外気湿度および室内湿度の湿度差とに依存すると考えられる。また、外気温度または室内温度と空調機７１ｂの設定温度との差が大きいほど、空調機７１ｂの運転強度を上げる必要があり、消費電力量が増大することになる。すなわち、外気温度または室内温度と設定温度との差は、空調機７１ｂの負荷に対応すると考えられ、空調機７１ｂの消費電力は、該負荷にも依存すると考えられる。

そこで、本実施形態では、上記５つの測定値から次式に基づき算出される負荷Ｆ_Ｓ、温度変量Ｃ_Ｔ、および湿度変量Ｃ_Ｈを、空調機７１ｂの消費電力量Ｐとの因果関係を構築する変量としている。ここで、Ｔ_ｏｕｔおよびＴ_ｉｎは、それぞれ外気温度および室内温度を表し、Ｈ_ｏｕｔおよびＨ_ｉｎは、それぞれ外気湿度および室内湿度を表し、Ｔ_ｓｅｔは、設定温度を表す。
Ｆ_Ｓ＝Ｔ_ｏｕｔ−Ｔ_ｓｅｔ、Ｃ_Ｔ＝（Ｔ_ｏｕｔ−Ｔ_ｉｎ）／Ｔ_ｏｕｔ、Ｃ_Ｈ＝（Ｈ_ｏｕｔ−Ｈ_ｉｎ）／Ｈ_ｏｕｔ ・・・（１０）。

図３４は、上記負荷Ｆ_Ｓ、温度変量Ｃ_Ｔ、および湿度変量Ｃ_Ｈと、空調機７１ｂの消費電力量Ｐとの因果関係の一例を有向グラフで示したものである。図示のグラフから、因果関係情報は、次式のような線形構造方程式で表される。ここで、βは、消費電力量Ｐにおける誤差を表している。
Ｐ＝α_ＳＦ_Ｓ＋α_ＴＣ_Ｔ＋α_ＨＣ_Ｈ＋β ・・・（１１）。

上記式（１１）に対し、履歴情報を用いて回帰分析を行うことにより、頂点間の因果強度α_Ｓ・α_Ｔ・α_Ｈを算出することができる。従って、本実施形態の電力供給システム７０では、測定値の数は３つ増加するが、変量の数は１つしか増加しないので、因果構造データの作成が困難となることを回避できる。

ところで、図２４に示される電力供給システム７０では、リモコン７３ｂまたは空調機７１ｂの設定温度Ｔ_ｓｅｔを利用している。しかしながら、既存のリモコン７３ｂおよび空調機７１ｂでは、設定温度Ｔ_ｓｅｔをデータとして蓄積したり送信したりすることは殆ど無く、さらに、蓄積したり送信したりすることが可能となるように改良することは一般に困難である。

この問題点に対し、本願発明者らが種々検討した結果、負荷Ｆ_Ｓの時間変化の傾向が、空調機７１ｂの消費電力量Ｐの時間変化の傾向と類似している点に着目し、以下の解決手段を案出した。

図３５は、設定温度Ｔ_ｓｅｔを送信可能な空調機７１ｂに関して、消費電力量Ｐおよび負荷Ｆ_Ｓの時間推移を示すグラフである。図示のグラフにおいて、横軸の数値は、通算の時間を表しており、左側の縦軸の数値は、空調機７１ｂの消費電力量Ｐ［Ｗｈ］を表しており、かつ、右側の縦軸は、負荷Ｆ_Ｓ［℃］を表している。また、実線は、空調機７１ｂの実際の消費電力量Ｐの時間変化を表しており、点線は、該消費電力量Ｐに対しＬＰＦ（Low Pass Filter）処理を施した後の消費電力量（以下「ＬＰＦ後の消費電力量」と称する。）Ｐ’の時間変化を表しており、破線は、負荷Ｆ_Ｓの時間変化を表している。なお、上記ＬＰＦ処理は、消費電力量Ｐの瞬間的な変動を抑制することを目的としており、該目的に適合するカットオフ周波数が選択される。

図３５に示されるグラフを参照すると、ＬＰＦ後の消費電力量Ｐ’の時間変化の傾向が、負荷Ｆ_Ｓの時間変化の傾向と類似していることが理解できる。そこで、ＬＰＦ後の消費電力量Ｐ’と、負荷Ｆ_Ｓとを平均値０かつ分散値１でそれぞれ正規化して比較してみた。図３６は、上記正規化されたＬＰＦ後の消費電力量（以下「正規化電力量」と称する。）Ｐ’の時間変化を実線で示し、上記正規化された負荷Ｆ_Ｓの時間変化を破線で示している。同図を参照すると、正規化電力量Ｐ’の時間変化と、正規化された負荷Ｆ_Ｓの時間変化とはほぼ一致することが理解できる。

従って、負荷Ｆ_Ｓは次式により推定されると考えられる。ここで、ｉは測定データのサンプリング番号を表し、計測日時に対応する。すなわち、Ｆ_Ｓ＾(i)は、ｉ番目のサンプルにおける負荷の推定値を表す。また、μ_Ｆ＾およびσ_Ｆ＾は、それぞれＦ_Ｓ＾(i)の平均値および標準偏差値を表す。
Ｆ_Ｓ＾(i)＝σ_Ｆ＾Ｐ’(i)＋μ_Ｆ＾ ・・・（１２）。

ところで、定常状態であれば、室内温度は設定温度に近付くと考えられるので、負荷Ｆ_Ｓは、温度差（Ｔ_ｏｕｔ−Ｔ_ｉｎ）に近付くと考えられる。従って、負荷の推定値Ｆ_Ｓ＾(i)の平均値μ_Ｆ＾および標準偏差値σ_Ｆ＾は、温度差の測定値（Ｔ_ｏｕｔ(i)−Ｔ_ｉｎ(i)）の平均値および標準偏差値にほぼ一致すると考えられる。

以上より、温度差の測定値（Ｔ_ｏｕｔ(i)−Ｔ_ｉｎ(i)）と、正規化電力量の算出値Ｐ’(i)と、上記式（１２）とを用いて、負荷の推定値Ｆ_Ｓ＾(i)を算出できることが理解できる。従って、空調機７１ｂの設定温度を計測しなくても、外気温度の測定値Ｔ_ｏｕｔ(i)、室内温度の測定値Ｔ_ｉｎ(i)、および消費電力量の測定値Ｐ(i)を用いて、負荷の値Ｆ_Ｓ＾(i)を推定することができ、因果構造データを作成することができる。その結果、電力供給システム７０において既存の空調機７１ｂを用いることができる。

以下、本実施形態の電力供給システム７０の詳細について説明する。図３７は、本実施形態の電力供給システム７０の要部構成を示している。図３７では、図２５に示される電力供給システム７０に対し、追加された構成と該構成に関係する構成とのみを示している。すなわち、本実施形態の電力供給システム７０では、図２５に示される電力供給システム７０に比べて、室内温度Ｔ_ｉｎを測定する温度センサ７６と、外気湿度Ｈ_ｏｕｔおよび室内湿度Ｈ_ｉｎを測定する湿度センサ７８とが追加され、制御部８０に正規化部９６および負荷推定部９７が追加されている。なお、温度センサ７６および湿度センサ７８には周知のものを利用できるので、本願ではその説明を省略する。

正規化部９６は、記憶部８１に記憶された空調機７１ｂの消費電力量Ｐ(i)を正規化するものである。正規化部９６は、正規化した正規化電力量Ｐ’(i)を記憶部８１に記憶する。一方、負荷推定部９７は、記憶部８１に記憶された、正規化電力量Ｐ’(i)と、外気温度Ｔ_ｏｕｔ(i)および室内温度Ｔ_ｉｎ(i)とを利用して、負荷の値Ｆ_Ｓ＾(i)を推定するものである。負荷推定部９７は、推定した負荷の値Ｆ_Ｓ＾(i)を記憶部８１に記憶する。

図３８は、正規化部９６および負荷推定部９７の概略構成を示している。図示のように、正規化部９６は、ＬＰＦ１１０と正規化算出部１１１とを備える構成である。また、負荷推定部９７は、差分算出部１１２、平均算出部１１３、標準偏差算出部１１４、および推定負荷算出部１１５を備える構成である。

正規化部９６において、ＬＰＦ１１０は、記憶部８１の電力量履歴データ１０１の中から、空調機７１ｂの消費電力量Ｐ(i)を読み出し、読み出した消費電力量Ｐ(i)に対しＬＰＦ処理を施すものである。ＬＰＦ１１０は、ＬＰＦ後の消費電力量を正規化算出部１１１に送出する。

正規化算出部１１１は、ＬＰＦ１１０からのＬＰＦ後の消費電力量に対し、平均値０かつ分散値１に正規化した正規化電力量Ｐ’(i)を算出するものである。正規化算出部１１１は、算出した正規化電力量Ｐ’(i)を電力量履歴データ１０１の１つとして記憶部８１に記憶する。

一方、負荷推定部９７において、差分算出部１１２は、記憶部８１の設定・環境履歴データ１００の中から、外気温度Ｔ_ｏｕｔ(i)および室内温度Ｔ_ｉｎ(i)を読み出し、読み出した外気温度および室内温度の差分（Ｔ_ｏｕｔ(i)−Ｔ_ｉｎ(i)）を算出するものである。差分算出部１１２は、算出した差分（Ｔ_ｏｕｔ(i)−Ｔ_ｉｎ(i)）を平均算出部１１３および標準偏差算出部１１４に送出する。なお、差分算出部１１２は、算出した差分（Ｔ_ｏｕｔ(i)−Ｔ_ｉｎ(i)）を設定・環境履歴データ１００の１つとして記憶部８１に記憶してもよい。

平均算出部１１３は、差分算出部１１２からの差分（Ｔ_ｏｕｔ(i)−Ｔ_ｉｎ(i)）の平均値μ_Ｆ＾を算出するものである。平均算出部１１３は、算出した平均値μ_Ｆ＾を推定負荷算出部１１５に送出する。

標準偏差算出部１１４は、差分算出部１１２からの差分（Ｔ_ｏｕｔ(i)−Ｔ_ｉｎ(i)）の標準偏差値σ_Ｆ＾を算出するものである。標準偏差算出部１１４は、算出した標準偏差値σ_Ｆ＾を推定負荷算出部１１５に送出する。

推定負荷算出部１１５は、記憶部８１の電力量履歴データ１０１の中から、正規化電力量Ｐ’(i)を読み出し、読み出した正規化電力量Ｐ’(i)と、平均算出部１１３からの平均値μ_Ｆ＾と、標準偏差算出部１１４からの標準偏差値σ_Ｆ＾とを利用して、上記式（１２）に基づいて、負荷の推定値Ｆ_Ｓ＾(i)を算出するものである。推定負荷算出部１１５は、算出した負荷の推定値Ｆ_Ｓ＾(i)を設定・環境履歴データ１００の１つとして記憶部８１に記憶する。

次に、上記構成の要因推定支援装置７７の制御部８０における正規化部９６および負荷推定部９７の処理動作を、図３９および図４０を参照して説明する。なお、制御部８０のその他の構成の処理動作は、上述の通りであるので、その説明を省略する。

図３９は、正規化部９６が行う消費電力量の正規化処理の概要を示している。図示のように、まず、ＬＰＦ１１０は、記憶部８１の電力量履歴データ１０１の中から、空調機７１ｂの消費電力量Ｐ(i)を取得し（Ｓ７０）、取得した消費電力量Ｐ(i)に対しＬＰＦ処理を施す（Ｓ７１）。次に、正規化算出部１１１は、ＬＰＦ１１０がＬＰＦ処理を施したＬＰＦ後の消費電力量を平均値０かつ分散値１に正規化し（Ｓ７２）、正規化された正規化電力量Ｐ’(i)を電力量履歴データ１０１の１つとして記憶部８１に記憶する（Ｓ７３）。その後、ステップＳ７０に戻って、上記動作を繰り返す。

図４０は、負荷推定部９７が行う負荷推定処理の概要を示している。図示のように、まず、差分算出部１１２は、記憶部８１の設定・環境履歴データ１００の中から、外気温度Ｔ_ｏｕｔ(i)および室内温度Ｔ_ｉｎ(i)を取得し、取得した外気温度および室内温度の差分（Ｔ_ｏｕｔ(i)−Ｔ_ｉｎ(i)）を算出する（Ｓ８０）。次に、平均算出部１１３は、差分算出部１１２が算出した差分（Ｔ_ｏｕｔ(i)−Ｔ_ｉｎ(i)）の平均値μ_Ｆ＾を算出すると共に、標準偏差算出部１１４は、上記差分（Ｔ_ｏｕｔ(i)−Ｔ_ｉｎ(i)）の標準偏差値σ_Ｆ＾を算出する（Ｓ８１）。

次に、推定負荷算出部１１５は、記憶部８１の電力量履歴データ１０１の中から、正規化電力量Ｐ’(i)を取得し、取得した正規化電力量Ｐ’(i)と、平均算出部１１３が算出した平均値μ_Ｆ＾と、標準偏差算出部１１４が算出した標準偏差値σ_Ｆ＾とを利用して、上記式（１２）に基づいて、負荷推定値Ｆ_Ｓ＾(i)を算出する（Ｓ８２）。そして、推定負荷算出部１１５は、算出した負荷推定値Ｆ_Ｓ＾(i)を設定・環境履歴データ１００の１つとして記憶部８１に記憶する（Ｓ８３）。その後、ステップＳ８０に戻って、上記動作を繰り返す。

図４１は、上記構成の正規化部９６および負荷推定部９７が、算出する数値と、算出するために用いられる数値との一例を示している。図示のように、正規化部９６および負荷推定部９７は、計測日時ｉごとに、室内温度Ｔ_ｉｎ(i)、外気温度Ｔ_ｏｕｔ(i)、および空調機７１ｂの消費電力量Ｐ(i)を利用して、外気温度と室内温度との差分（Ｔ_ｏｕｔ(i)−Ｔ_ｉｎ(i)）、空調機７１ｂの正規化電力量Ｐ’(i)、および負荷推定値Ｆ_Ｓ＾(i)を算出している。算出された数値は、設定・環境履歴データ１００および電力量履歴データ１０１の何れかとして記憶部８１に記憶される。

本発明は上述した実施形態に限定されるものではなく、請求項に示した範囲で種々の変更が可能である。すなわち、請求項に示した範囲で適宜変更した技術的手段を組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。

また、上記実施形態では、本発明を生産工程に適用して、不良品の原因を推定しているが、例えば、血圧、体温などの生体情報の因果関係から、病気の診断を行う場合にも、本発明を適用することができる。

最後に、要因推定支援装置１０・７７の各ブロック、特に制御部２０・８０は、ハードウェアロジックによって構成してもよいし、次のようにＣＰＵを用いてソフトウェアによって実現してもよい。

すなわち、要因推定支援装置１０・７７は、各機能を実現する制御プログラムの命令を実行するＣＰＵ（central processing unit）、上記プログラムを格納したＲＯＭ（read only memory）、上記プログラムを展開するＲＡＭ（random access memory）、上記プログラムおよび各種データを格納するメモリ等の記憶装置（記録媒体）などを備えている。そして、本発明の目的は、上述した機能を実現するソフトウェアである要因推定支援装置１０・７７の制御プログラムのプログラムコード（実行形式プログラム、中間コードプログラム、ソースプログラム）をコンピュータで読み取り可能に記録した記録媒体を、上記要因推定支援装置１０・７７に供給し、そのコンピュータ（またはＣＰＵやＭＰＵ）が記録媒体に記録されているプログラムコードを読み出し実行することによっても、達成可能である。

上記記録媒体としては、例えば、磁気テープやカセットテープ等のテープ系、フロッピー（登録商標）ディスク／ハードディスク等の磁気ディスクやＣＤ−ＲＯＭ／ＭＯ／ＭＤ／ＤＶＤ／ＣＤ−Ｒ等の光ディスクを含むディスク系、ＩＣカード（メモリカードを含む）／光カード等のカード系、あるいはマスクＲＯＭ／ＥＰＲＯＭ／ＥＥＰＲＯＭ／フラッシュＲＯＭ等の半導体メモリ系などを用いることができる。

また、要因推定支援装置１０・７７を通信ネットワークと接続可能に構成し、上記プログラムコードを通信ネットワークを介して供給してもよい。この通信ネットワークとしては、特に限定されず、例えば、インターネット、イントラネット、エキストラネット、ＬＡＮ、ＩＳＤＮ、ＶＡＮ、ＣＡＴＶ通信網、仮想専用網（virtual private network）、電話回線網、移動体通信網、衛星通信網等が利用可能である。また、通信ネットワークを構成する伝送媒体としては、特に限定されず、例えば、ＩＥＥＥ１３９４、ＵＳＢ、電力線搬送、ケーブルＴＶ回線、電話線、ＡＤＳＬ回線等の有線でも、ＩｒＤＡやリモコンのような赤外線、Ｂｌｕｅｔｏｏｔｈ（登録商標）、８０２．１１無線、ＨＤＲ、携帯電話網、衛星回線、地上波デジタル網等の無線でも利用可能である。なお、本発明は、上記プログラムコードが電子的な伝送で具現化された、搬送波に埋め込まれたコンピュータデータ信号の形態でも実現され得る。

本発明に係る要因推定支援装置は、因果関係を可視化した可視化画像に、異常である変量の情報が追加されることにより、異常の原因を容易に推定できるので、例えば、エネルギーの省力化のためのシミュレーションシステムや、病気の診断システムなど、因果関係を有する任意のシステムに適用することができる。

本発明の一実施形態に係る基板実装システムにおける要因推定支援装置の概略構成を示すブロック図である。 上記基板実装システムの概略構成を示すブロック図である。 上記基板実装システムの因果関係情報の一例を有向グラフで示した図である。 上記因果関係情報における各頂点に対応する変量の履歴情報を表形式で示す図である。 図３に示す因果関係情報の矢線付近に、上記頂点間の因果強度を記載した図である。 上記頂点にそれぞれ対応する変量の確率分布の一例を示すグラフである。 上記因果関係情報に基づいて作成した因果関係の可視化画像の一例を示す図である。 上記可視化画像において、異常が検知された変量の頂点を変更した図である。 上記要因推定支援装置の記憶部に記憶される材料・環境履歴データおよび検査履歴データの一例を表形式で示す図である。 上記記憶部に記憶される因果構造データの一例を有向グラフで示す図である。 上記因果構造データを表形式で示す図である。 上記記憶部に記憶される変動管理基準データの一例を表形式で示す図である。 或る変量の目標不良率が０．０１％である場合の管理基準を示すグラフである。 上記因果関係情報の他の例を有向グラフで示す図である。 上記要因推定支援装置の制御部における可視化画像作成部が作成した可視化画像の一例を示す図である。 上記制御部の因果強度算出部および変動管理基準設定部の処理動作の概要を示すフローチャートである。 上記制御部の最終品質異常検知部、変量異常検知部、および可視化画像作成部の処理動作の概要を示すフローチャートである。 上記可視化画像作成部における処理の或る具体例を示すフローチャートである。 同図（ａ）〜（ｃ）は、上記処理を行うことによる可視化画像の変化を示す図である。 上記可視化画像作成部における処理の別の具体例を示すフローチャートである。 同図（ａ）〜（ｃ）は、上記処理を行うことによる可視化画像の変化を示す図である。 上記可視化画像作成部における処理の他の具体例を示すフローチャートである。 同図（ａ）〜（ｃ）は、上記処理を行うことによる異常通知画像の変化を示す図である。 本発明の他の実施形態に係る電力供給システムの概略構成を示すブロック図である。 上記電力供給システムにおける要因推定支援装置の概略構成を示すブロック図である。 上記要因推定支援装置の記憶部に記憶される設定・環境履歴データおよび電力量履歴データの一例を表形式で示す図である。 上記記憶部に記憶される因果構造データの一例を有向グラフで示す図である。 上記因果構造データを表形式で示す図である。 上記要因推定支援装置の表示部に表示されるグラフの一例を示す図である。 上記表示部に表示されるグラフの別の例を示す図である。 上記表示部に表示されるグラフの他の例を示す図である。 上記要因推定支援装置の制御部における総電力量無駄検知部、個別電力量無駄検知部、および可視化画像作成部の処理動作の概要を示すフローチャートである。 上記制御部における予測部の処理動作の概要を示すフローチャートである。 本発明のさらに他の実施形態に係る電力供給システムにおける因果関係の一例を有向グラフで示した図である。 上記電力供給システムにおいて設定温度を送信可能な空調機に関して、消費電力量と、該消費電力量に対しＬＰＦが施されたＬＰＦ後の消費電力量と、上記設定温度に対する外気温度の差である負荷との時間推移を示すグラフである。 上記ＬＰＦ後の消費電力量と、上記負荷とを正規化したものの時間推移を示すグラフである。 上記電力供給システムの要部構成を示すブロック図である。 上記電力供給システムの制御部における正規化部および負荷推定部の概略構成を示すブロック図である。 上記正規化部が行う消費電力量の正規化処理の概要を示すフローチャートである。 上記負荷推定部が行う負荷推定処理の概要を示すフローチャートである。 上記正規化部および上記負荷推定部が、算出する数値と、算出するために用いられる数値との一例を表形式で示す図である。

符号の説明

１ 基板実装システム（診断対象のシステム）
１０・７７ 要因推定支援装置
１１ 加工装置
１４ 検査装置
２０・８０ 制御部
２１ 記憶部（変量履歴記憶部、因果関係記憶部）
２２・８２ 受信部
２３・８３ 入力部（入力手段）
２４・８４ 表示部
３０・９０ 因果強度算出部（因果強度算出手段）
３１ 変動管理基準設定部（判定基準設定手段）
３２ 最終品質異常検知部（結果異常判定手段）
３３ 変量異常検知部（変量異常判定手段）
３４・９４ 可視化画像作成部（可視化画像作成手段）
４０ 材料・環境履歴データ（履歴情報）
４１ 検査履歴データ（履歴情報）
４２・１０２ 因果構造データ（因果関係情報）
４３ 固定管理基準データ
４４ 変動管理基準データ
５０ 可視化画像
６０ 異常通知用画像
７０ 電力供給システム（診断対象のシステム）
７１ 電気機器
７２ 対象施設
７３ 操作機
７４ 電力計
７５ 配電盤
７６ 温度センサ
８１ 記憶部（変量履歴記憶部、因果関係記憶部、予測時系列記憶部）
９１ 基準電力量算出部
９２ 総電力量無駄検知部（結果異常判定手段）
９３ 個別電力量無駄検知部（変量異常判定手段）
９５ 予測部（予測手段）
１００ 設定・環境履歴データ（履歴情報）
１０１ 電力量履歴データ（履歴情報）
１０３ 基準電力量データ
１０５ 予測時系列データ

Claims (11)

1. 診断対象のシステムにおいて発生した結果から要因を推定することを支援する要因推定支援装置であって、
   上記システムから取得した複数の変量の履歴情報を記憶する変量履歴記憶部と、
   上記複数の変量間の因果関係を示す因果関係情報を記憶する因果関係記憶部と、
   上記結果に対応する変量が異常であるかを、当該変量の履歴情報を用いて判定する結果異常判定手段と、
   該結果異常判定手段が異常であると判定した場合、上記結果に対応する変量以外の変量のそれぞれが異常であるかを、当該変量の履歴情報を用いて判定する変量異常判定手段と、
   上記因果関係情報を用いて、上記因果関係を可視化した可視化画像を作成する可視化画像作成手段であって、上記変量異常判定手段による判定が行われたのち、上記可視化画像において、上記結果異常判定手段および上記変量異常判定手段が異常であると判定した変量に対し、異常である旨の情報を追加する可視化画像作成手段とを備えることを特徴とする要因推定支援装置。
2. 上記結果異常判定手段が異常を判定する基準となる所定の判定基準と、上記因果関係情報とに基づいて、上記変量異常判定手段が異常を判定する基準となる判定基準を設定する判定基準設定手段をさらに備えることを特徴とする請求項１に記載の要因推定支援装置。
3. 上記履歴情報に基づいて、上記因果関係の強さを示す因果強度を算出する因果強度算出手段をさらに備えており、
   上記判定基準設定手段は、上記因果関係情報と上記因果強度とに基づいて、上記判定基準を設定することを特徴とする請求項２に記載の要因推定支援装置。
4. 上記履歴情報に基づいて、上記因果関係の強さを示す因果強度を算出する因果強度算出手段をさらに備えており、
   上記可視化画像作成手段は、上記可視化画像における上記因果関係情報を、上記因果強度に基づいて変更することを特徴とする請求項１または２に記載の要因推定支援装置。
5. 上記変量異常判定手段は、異常であると判定した変量に関して、異常の度合を算出して
   おり、
   上記可視化画像作成手段は、上記可視化画像における上記因果関係情報を、上記異常の度合に基づいて変更することを特徴とする請求項１から４までの何れか１項に記載の要因推定支援装置。
6. 複数の上記変量は、複数の種類に分類されるものであり、
   上記可視化画像作成手段が作成する可視化画像は、上記複数の種類にそれぞれ対応する複数の領域に分割され、上記変量の情報が該変量の属する種類に対応する領域に配置されることを特徴とする請求項１から５までの何れか１項に記載の要因推定支援装置。
7. 上記診断対象のシステムは、複数の工程を経て製品を製造する生産システムであることを特徴とする請求項１から６までの何れか１項に記載の要因推定支援装置。
8. 上記診断対象のシステムは、複数の電気機器に電力を供給する電力供給システムであり、
   上記複数の変量は、上記複数の電気機器の消費電力量を含んでおり、
   上記結果に対応する変量は、上記電力供給システムにおける消費電力量の合計値であり、
   上記異常は、上記消費電力量が基準電力量よりも多い無駄状態であることを特徴とする請求項１から６までの何れか１項に記載の要因推定支援装置。
9. 上記消費電力量以外の変量の値を入力するための入力手段と、
   該入力手段にて入力された上記変量の値に変更した場合における上記消費電力量の時系列情報を、上記変量履歴記憶部が記憶する履歴情報に基づいて予測する予測手段と、
   該予測手段が予測した時系列情報を記憶する予測時系列記憶部とをさらに備えており、
   上記結果異常判定手段は、上記結果に対応する変量が異常であるかを、当該変量に対応する上記時系列情報に基づいてさらに判定しており、
   上記変量異常判定手段は、該結果異常判定手段が異常であると判定した場合、上記結果に対応する変量以外の変量のそれぞれが異常であるかを、当該変量に対応する上記時系列情報に基づいてさらに判定していることを特徴とする請求項８に記載の要因推定支援装置。
10. 診断対象のシステムにおいて発生した結果から要因を推定することを支援する要因推定支援装置であって、上記システムから取得した複数の変量の履歴情報を記憶する変量履歴記憶部と、上記複数の変量間の因果関係を示す因果関係情報を記憶する因果関係記憶部とを備える要因推定支援装置の制御方法であって、
    上記結果に対応する変量が異常であるかを、当該変量の履歴情報を用いて判定する結果異常判定ステップと、
    該結果異常判定ステップにて異常であると判定された場合、上記結果に対応する変量以外の変量のそれぞれが異常であるかを、当該変量の履歴情報を用いて判定する変量異常判定ステップと、
    上記因果関係情報を用いて、上記因果関係を可視化した可視化画像を作成する可視化画像作成ステップであって、上記変量異常判定ステップにおける判定が行われたのち、上記可視化画像において、上記結果異常判定ステップおよび上記変量異常判定ステップにて異常であると判定された変量に対し、異常である旨の情報を追加する可視化画像作成ステップとを含むことを特徴とする要因推定支援装置の制御方法。
11. 診断対象のシステムにおいて発生した結果から要因を推定することを支援する要因推定支援装置であって、上記システムから取得した複数の変量の履歴情報を記憶する変量履歴記憶部と、上記複数の変量間の因果関係を示す因果関係情報を記憶する因果関係記憶部と
    を備える要因推定支援装置を動作させるための要因推定支援プログラムであって、
    上記結果に対応する変量が異常であるかを、当該変量の履歴情報を用いて判定する結果異常判定ステップと、
    該結果異常判定ステップにて異常であると判定された場合、上記結果に対応する変量以外の変量のそれぞれが異常であるかを、当該変量の履歴情報を用いて判定する変量異常判定ステップと、
    上記因果関係情報を用いて、上記因果関係を可視化した可視化画像を作成する可視化画像作成ステップであって、上記変量異常判定ステップにおける判定が行われたのち、上記可視化画像において、上記結果異常判定ステップおよび上記変量異常判定ステップにて異常であると判定された変量に対し、異常である旨の情報を追加する可視化画像作成ステップをコンピュータに実行させるための要因推定支援プログラム。

Images